基于前景理论的大规模定制旅游指派问题

程德通,余高锋,黄海棠

(三明学院 经济与管理学院,福建 三明 365004)

大规模定制旅游是指旅游企业依据游客的个人偏好、经济基础和需求,通过开发差别性旅游产品并进行模块化设计和生产,为游客提供优质廉价、充满个性化服务的一种运作模式,它是新时期旅游企业为满足游客多样化、个性化需求,提升企业竞争力而发展起来的一种新的服务运作模式[1]187-188。大规模定制旅游所追求的目标是“大规模”和“定制”这一对矛盾的和谐共存,即通过“大规模”实现规模经济,通过“定制”满足游客多样化、个性化的需求,而如何在满足游客多样化、个性化需求的同时仍然保持较低的成本,这也正是旅游企业实施大规模定制的难点。由于资源和条件的有限,为了实现目标,实施大规模定制的旅游企业通常需要针对需求相近的游客群体,由定制师综合考虑游客的多样化、个性化需求属性,将现有的资源包括餐饮、住宿、交通、游览、购物、娱乐等要素进行模块化搭配和组合,设计出多个不同的有限定制旅游方案,并在此基础上将游客在有限方案之间进行选择性安排,即进行合理指派。大规模定制旅游的服务对象就是合理指派后的小型团体,通过指派将游客在不同方案之间合理分组安排后,旅游企业将同一定制旅游方案下属性需求相近的游客组成一个小包团拼团出行,从而既满足游客的个性化需求,又可以有效降低出行费用。根据李莉嚟的研究,采取6人及以下的小拼团的大规模定制旅游方式,游客的满意度明显高于20人以上的跟团游旅游方式[2]78-79。因此,通过合理的指派,能够同时兼顾游客对个性化和出行费用的要求,有效提升游客的满意度。指派问题已成为大规模定制旅游决策的一项重要的研究内容。

在大规模定制指派问题研究方面,目前已有的研究成果较多集中在制造企业生产指派问题方面。Anzanello和Fogliatto提出了在大规模定制装配线上一种使用学习曲线来将产品系列分配给工人团队的方法,并将该方法运用在鞋类制造业的案例研究中[3]2919-2938。周俊等从顾客满意度角度出发,以顾客对产品单个属性个性化需求值与企业产品实际产出值差距最小为目标建立生产指派模型[4]1-5;梁琛平和彭灿以顾客对产品个性化需求满意度和价格满意度双因素最大化为目标,探讨大规模定制模式下的指派模型[5]96-104;梁樑等研究了产品多个属性个性化需求值与企业产品实际产出偏差最小的生产指派模型[6]188-192;程德通等分别对属性值为直觉模糊信息[7]92-106、三角直觉模糊信息[8]59-69、梯形直觉模糊信息[9]33-43、多类型信息[10]2099-2106的大规模定制生产指派问题进行了探讨。

相对于制造企业生产指派问题方面的研究,大规模定制旅游指派研究成果相对较少,相关研究成果较多体现在定制产品定制方法上,如Jin等基于行为研究和逻辑回归分析,探讨了不同旅游产品属性的选择设置是如何影响游客决策的问题[11]266-275;Dragolea和Cotirlea研究了国际博物馆定制旅游中的文化偏好问题[12]33-45;Chiang和Huang研究了如何通过建立个性化旅游系统帮助游客制定包括选择预定景点、酒店、用餐、出行时间和经费预算的旅游计划[13]3-17;张晓晓在对基于游客个性化要求的游客分组方法研究的基础上,探讨了定制旅游服务产品设计方法[14]49-59;于超针对散客拼团式旅游产品定制问题,以散客对旅游产品不同属性期望与旅游产品定制方案之间差异最小化为目标,建立旅游产品定制的优化模型,通过求解并确定旅游产品定制方案,从而顺利实现散客拼团[15]65-74。这些研究是基于期望效用理论,即假设决策者是完全理性的,然而在现实的指派决策过程中,决策者的决策行为往往会受到内部条件和外部环境因素的影响,表现出“损失规避”的心理行为特征,即决策者的行为是有限理性的。

前景理论是具有代表性的“有限理性”行为分析方法。从前景理论在旅游决策领域的研究来看,Ramos等分别对期望效用理论、前景理论和后悔理论3种理论在旅游者行为建模中的应用研究现状进行了梳理与归纳,分析了3种理论在旅游者行为建模应用研究的优越性与局限性,并通过案例研究说明了3种理论之间的差异[16]46-67;Rahman等运用前景理论探讨了旅游者的时间预定决策[17]55-68;赵凛和张星臣[18]82-86、张波等[19]54-62、姚兰[20]33-38对前景理论及其在出行者出行行为方面的应用进行了研究,研究结果表明,与期望效用理论相比,运用前景理论研究不确定情形下出行者的出行行为,会更加贴近现实生活的实际情况;张世杰和周秀菊将前景理论应用于旅游目的地选择行为,建立了基于前景理论的旅游目的地选择描述模型,在此基础上分析了旅游目的地选择的步骤[21]63-64,但该篇论文缺乏实例分析。实际上,前景理论所阐述的是不确定条件下对各前景的选择的理论,也就是一种决策论。

从以上研究成果可以看出,目前运用期望效用理论研究大规模定制旅游指派问题的相关研究成果相对较少,而借助前景理论来探讨大规模定制旅游指派问题的研究成果就更少。与建立在期望效用理论基础之上的旅游决策方法相比,本文运用前景理论反映大规模定制旅游指派问题的“有限理性”,更加符合人们的决策行为习惯,得到的决策结果也更为科学合理。考虑到基于前景理论的大规模定制旅游指派问题具有一定的实际应用背景,不仅可以促成游客合理分组拼团,满足游客个性化需求,而且可以降低旅游成本,从而提高游客满意度。因此,基于前景理论大规模定制旅游指派问题是值得关注且具有实际意义的。本文将现代行为决策理论中的前景理论引入大规模定制旅游指派问题的研究,并且较好地处理与融合了多种数据类型的评价信息,可以为前景理论的应用研究拓展新的渠道,为大规模定制指派的研究开辟新的途径,为多种形式信息多属性决策的研究增添新的思路。

一、大规模定制旅游指派评价指标体系的构建

大规模定制旅游指派追求的是以较低的价格满足游客的多样化、个性化需求,因此能否建立科学的旅游大规模定制指派评价指标体系,是实现旅游大规模定制合理指派的关键。首先,游客的个性化要求是影响游客决策的主要因素[14]3。李冬丽认为,游客的个性化价值是旅游企业根据游客的需求为其量身定制的旅游产品的特性所产生的价值,它是构成大规模定制旅游游客的重要的感知价值维度之一[22]35。在大规模定制旅游指派决策中,游客追求“食、住、行、游、购、娱”等的个性化配置。如在出行方面,能否使用多样化交通组合,根据不同线路,选用航班、高铁、轮渡与旅行车的出行组合;在游玩方面,时间、地点、玩法、节奏能否由游客自主拍板,因此定制方案的个性化配置,就成为游客关注的重要指标。其次,旅游服务也是影响大规模定制旅游决策因素之一[23]21,旅游服务价值是构成大规模定制旅游游客的感知价值的重要维度之一[22]33。因此,大规模定制旅游服务尤其是定制师的服务质量也是游客关注的一项关键指标。大规模定制旅游的本质是提供管家式的贴心服务,着重解决游客在旅行中遇到的问题,并根据各种情况对游客的旅游路线进行实时调整,让游客在旅游的过程中省心省力。最后,实施大规模定制的企业在致力于更好地满足客户个性化需求的同时,制定合理的价格也是一项不容忽视的工作,因为客户不会为定制化的产品支付过多的费用,一旦价格超出客户的价值评估,就有可能放弃其个性化的需求[24]39。因此,价格也是大规模定制旅游指派的评价指标之一。大规模定制旅游指派评价指标体系见表1。

表1 大规模定制旅游指派评价指标体系

以上评价指标中,游客对定制方案的个性化配置(G1)给出满意度、不满意度和犹豫度3个方面的评价信息,因此采用直觉模糊数来表示;游客对定制师的服务质量(G2)的评价采取语言短语来衡量;而价格(G3)则用实数来表示。在这些指标中,定制方案的个性化配置(G1)和定制师的服务质量(G2)为效益型指标,即属性值越大越好的指标[25]220-225;价格(G3)为成本型指标,即属性值越小越好的指标[25]220-225。

二、相关定义

为了方便起见,称α=(uα,vα)为直觉模糊数[27]417-433,其中,uα∈[0,1],vα∈[0,1],uα+vα≤1。

定义2[28]163-172设α=(uα,vα)为一个直觉模糊数,则该直觉模糊数的得分函数为

定义4[30]1179-1187设αj=(uαj,vαj)(j=1,2,…,n)为一组直觉模糊数,且设IFWA:Θn→Θ,若

定义5[30]1179-1187设αj=(uαj,vαj)(j=1,2,…,n)为一组直觉模糊数,则由IFWA算子得到的集成值也是直觉模糊数,其中

三、决策方法

(一)问题描述

针对这m个游客的定制需求,旅游企业需要首先加以审核,以排除不合实际的定制需求。现假设这m个游客的订单均通过了旅游企业的审核,审核通过后旅游企业安排n个定制规划师进行专属定制。每个定制规划师针对游客的特定需求,为游客提供一个旅游定制方案,n个定制规划师可提供n个定制方案,定制方案的集合为B={B1,B2,…,Bn},其中Bj表示第j个定制方案,j=1,2,…,n。通常情况下,由于旅游企业存在定制能力和其他资源条件的约束和限制,因此有n

假设游客Ai对定制方案Bj依据评价指标Gk(k=1,2,3)作出评价。首先获取每一个游客在各定制方案下相关属性评价值等信息,将多种形式信息的属性评价值转化为直觉模糊数并进行规范化处理,求得规范化的直觉模糊数属性评价值;其次运用直觉模糊熵计算各属性的客观权重,然后运用IFWA算子集成所有属性评价值,求得加权规范化直觉模糊决策矩阵,在此基础上计算出相应的得分矩阵;最后通过确定正靶心、负靶心和平均期望值的3个参照点矩阵,计算3个参照点下针对每个游客在各定制方案下的前景价值矩阵,再运用加权平均算子将3个前景价值矩阵集结成一个综合前景价值,在考虑大规模定制旅游能力以及成本、价格等约束条件下,构建以综合前景价值最大化为目标的指派模型,并通过求解指派模型得到指派结果。

(二)游客满意度与定价

1.游客对定制方案个性化配置的满意度

(6)

(7)

游客对定制方案个性化配置的满意度计算公式为

2.游客对定制师服务质量的满意度

游客对定制师服务质量的满意度计算公式为

3.游客的加权平均满意度

由式(8)和式(12),可以将游客对定制方案个性化配置的满意度和游客对定制师服务质量的满意度进行加权平均,计算出游客对二者的加权平均满意度为:

4.个性化需求定价模型

价格(G3)是游客决定是否选择大规模定制旅游的因素之一,也是大规模定制旅游指派的重要评价指标。在定价方面,旅游企业制定的价格应在一个合理的区间范围。首先,价格不得低于成本,如果价格低于成本,则意味着旅游企业将发生亏损;同时,价格也不得高于游客愿意支付的最高价格,如果价格高于游客愿意支付的最高价格,游客将放弃定制旅游从而导致旅游企业失去订单。因此旅游企业制定的价格范围应既不低于旅游企业的成本,也不高于游客愿意支付的最高价格。另外,旅游企业定价还应考虑游客对定制方案个性化配置和定制师服务质量的综合满意度,综合满意度越高,游客愿意支付的价格也就越高。因此,旅游企业可以针对不同游客的个性化需求实施差别定价法,定价模型可以构建为

(三)评价信息的数据转化

1.评价信息为直觉模糊数的标准化

2.评价信息为语言短语的数据转化

表2 语言变量与直觉模糊数的转换

3. 评价信息为实数的数据转化

假设游客Ai(i=1,2,…,m)在定制方案Bj(j=1,2,…,n)下,针对评价指标价格(G3)给出以实数型pij3形式表示的评价信息。因价格pij3是成本型属性指标值,本文参考李登峰提出的方法[33]73-74,将其转化为直觉模糊数的计算公式为

参数ε3∈[0,1]和φ3∈[0,1]满足条件0≤ε3+φ3≤1。ε3、φ3可根据实际评价问题特点和需要由旅游企业事先确定。

(四)属性权重的确认

在此基础上依据李梅提出的方法[29]48,可求得各属性的客观权重,计算公式如下

(五)属性集结

假设游客Ai(i=1,2,…,m)在定制方案Bj(j=1,2,…,n)下,针对评价指标Gk(k=1,2,3)分别给出直觉模糊数、语言短语、实数等形式的评价值,将多种形式信息的属性评价值转化为直觉模糊数并进行规范化处理,得到一组直觉模糊值αijk={αij1,αij2,αij3},依据定义5,由IFWA算子得到的属性集成值也是直觉模糊数,其中

(六)游客对所有属性的综合满意度

其中,Iij=1-Uij-Vij,I+=1-U+-V+,I-=1-U--V-。式中:i=1,2,…,m;j=1,2,…,n。

游客对所有属性的综合满意度计算公式为:

(七)参照点的选择

确立3个参照点矩阵,其中前两个参照点为游客Ai(i=1,2,…,m)在定制方案Bj(j=1,2,…,n)下,依据灰靶决策方法[34]256-275确立的正靶心、负靶心,第3个参照点为各定制方案的平均期望值。

(八)属性综合前景价值的计算

显然,综合前景价值Vij越大,定制方案Bj对于游客Ai越好。

(九)指派模型的建立

基于前景理论的大规模定制旅游指派模型是在考虑游客心理行为特征的基础上,以游客的综合前景价值最大化为目标建立的模型:

s.t.{

目标函数(31a)指派模型为以游客综合前景价值最大化为目标的规划模型。约束条件(31b)与(31c)表示方案Bj为游客Ai提供的价格应介于成本与游客愿意支付的最高价格之间;约束条件(31d)表示旅游企业某个定制方案服务的游客人数,不能超过该定制方案所能服务游客的数量上限;约束条件(31e)表示已通过审核的每位游客最终只能安排到一个定制方案;约束条件(31f)表示xij为0-1变量。

(十)评价方法的步骤

综合以上分析,可将基于前景理论的大规模定制旅游指派问题决策方法的主要步骤归纳如下:

步骤1,获取决策前提条件中的游客集、定制方案集和属性集等信息内容;

步骤2,获取游客对定制方案个性化配置的直觉模糊评价以及游客对定制师服务质量的语言短语评价;

步骤3,依据式(5)-(8)计算游客对定制方案个性化配置的满意度,依据式(9)-(12)计算游客对定制师服务质量的满意度,并依据式(13)对这两个满意度进行加权平均,求得游客的加权平均满意度;

步骤4,依据式(14),测算旅游企业各个定制方案为每位游客提供的价格;

步骤5,依据式(15)-(19)及表2,将游客对定制方案个性化配置的直觉模糊评价、定制师服务质量语言短语评价和价格实数转化为直觉模糊数并进行规范化;

步骤6,依据式(20),针对每个游客计算定制方案个性化配置、定制师服务质量和价格等各属性的直觉模糊熵,在此基础上依据式(21)计算各属性的权重;

步骤7,依据式(22),运用直觉模糊加权平均(IFWA)算子集成所有属性评价值,求得加权规范化直觉模糊决策矩阵;

步骤8,依据式(23),根据加权规范化直觉模糊决策矩阵,计算其相应的得分矩阵;

步骤9,依据式(28),确立每个游客在各定制方案下的参照点矩阵,其中前两个参照点为依据灰靶决策理论确立的正靶心和负靶心,第3个参照点为每个游客在各定制方案下的得分值平均期望值;

步骤10,依据式(29),计算每个游客针对各定制方案在3个参照点下的前景价值,得到基于3个参照点的前景价值矩阵;

步骤11,依据式(30),将基于3个参照点的前景价值矩阵通过加权平均算子进行集结,求得每个游客在各定制方案下的综合前景价值矩阵;

步骤12,依据式(31a)-(31f),建立大规模定制旅游指派优化模型;

步骤13,使用MATLAB软件求解模型,获得最优的指派结果。

四、算例分析

(一)算例及指派优化结果

假设某旅游企业收到13个游客大规模定制旅游需求订单,现假设这13个游客的订单均通过了旅游企业的审核。针对这些游客的定制需求,旅游企业安排3个定制师进行专属定制,每个定制师负责提供一个旅游定制方案,即旅游企业提供3个旅游定制方案供游客选择。假设游客的集合为A={A1,A2,…,A13},定制方案的集合为B={B1,B2,B3}。从游客角度出发选取定制方案个性化配置(G1)、定制师服务质量(G2)和价格(G3)作为评价指标,其中,价格为成本型指标,其余为效益型指标。

表3 各定制方案的成本和服务游客人数的上限

旅游企业可以通过网络调查等方式获取游客对定制方案个性化配置的直觉模糊评价以及游客对定制师服务质量语言短语评价,游客的语言短语评价采用九粒度语言评价信息集Y={y0,y1,y2,y3,y4,y5,y6,y7,y8}={EP(极差),VP(很差),P(差),MP(较差),F(一般),MG(较好),G(好),VG(很好),EG(极好)},相关数据见表4。

表4 游客的属性评价矩阵

已知游客对定制方案个性化配置满意度的权重向量为(0.500,0.650,0.485,0.600,0.450,0.500, 0.550, 0.450, 0.500, 0.700, 0.750, 0.475, 0.600),游客对定制师服务质量满意度的权重向量为(0.500,0.350,0.515,0.400,0.550,0.500,0.450,0.550,0.500,0.300,0.250,0.525,0.400)。依据式(5)-(8)计算游客对定制方案个性化配置的满意度,依据式(9)-(12)计算游客对定制师服务质量的满意度,并依据式(13)计算游客对个性化配置和定制师服务质量的加权平均满意度,相关数据见表5。

表5 游客的满意度

依据式(14),测算旅游企业各个定制方案为每位游客提供的价格,相关数据见表6。

表6 各定制方案为游客提供的价格

依据式(16)-(19),将价格实数进行规范化并转化为直觉模糊数,其中ε3=0.820,φ3=0.115,相关数据见表7。

表7 价格实数转化为直觉模糊数

依据表2,将游客对定制师服务质量的语言短语评价转化为直觉模糊数,相关数据见表8。

表8 语言短语评价转化为直觉模糊数

依据式(20),针对每个游客计算定制方案个性化配置、定制师服务质量和价格等评价属性的直觉模糊熵,在此基础上依据式(21)计算各评价属性的权重,相关数据见表9和10。

表9 每个游客关于各属性的直觉模糊熵

表10 每个游客关于各属性的权重值

依据式(22),运用直觉模糊加权平均(IFWA)算子集成所有属性评价值,求得加权规范化直觉模糊决策矩阵,相关数据见表11。

表11 加权规范化直觉模糊决策矩阵

根据式(23),依据加权规范化直觉模糊决策矩阵,计算其相应的得分矩阵。依据式(28),确立每个游客在各定制方案下的参照点矩阵,其中前两个参照点为依据灰靶决策理论确立的正靶心和负靶心,第3个参照点为每个游客在各种定制方案下的得分值平均期望值,相关数据见表12。依据式(29),计算每个游客针对各定制方案在3个参照点下的前景价值,得到基于3个参照点的前景价值矩阵,得出相关数据,见表13。

表12 得分矩阵及3个参照点

表13 每个游客针对各定制方案在3个参照点下的前景价值

假定旅游企业依据游客对3个参照点的偏好分别设定权重(0.3,0.4,0.3),依据式(30),将基于3个参照点的前景价值矩阵通过加权平均算子进行集结,求得每个游客在各定制方案下的综合前景价值矩阵,相关数据见表14。

表14 综合前景价值矩阵

依据式(31a)-(31f),建立大规模定制旅游指派模型:

maxZ= 0.0538x11+0.0361x12-0.1151x13+0.0361x21+0.0778x22-0.1615x23+0.0664x31-0.1968x32+0.0912x33+0.1508x41+0.1748x42-0.3838x43-0.1710x51+0.0719x52+0.0772x53+0.1413x61-0.3098x62+0.1206x63-0.2670x71+0.1412x72-0.0186x73+0.1578x81-0.3381x82+0.1073x83+0.0786x91+0.0668x92-0.1723x93-0.2543x101+0.1324x102-0.0046x103-0.2544x111-0.1132x112+0.1474x113+0.1263x121-0.2341x122-0.0319x123-0.0205x131-0.1822x132+0.0976x133

使用MATLAB软件求解模型,获得最优的指派结果为第1、6、8、9和12个游客安排给方案1,第2、4、7和10个游客安排给方案2,第3、5、11和13个游客安排给方案3,具体安排见表15。

表15 指派优化的结果

(二)与不采用“指派优化分组”结果的比较

如果不采用指派优化模型,随意地将游客安排给3个方案,比如按顺序将第1至第5个游客安排给方案1,将第6至第10个游客安排给方案2,将第11至第13个游客安排给方案3,依据表14和式(24)-(27),可以计算游客个人综合前景价值和对所有属性的综合满意度以及总体平均满意度,相关数据见表16。随意安排的结果与指派优化的结果相比较,游客个人综合前景价值和综合满意度除了第1、7、10、11和13个游客保持不变,其余游客的个人综合前景价值和综合满意度都有不同程度的降低;总体综合前景价值从1.497 4降低到0.041 7,总体平均满意度由68.76%降低到53.59%。

而最差的一种可能指派结果,是所有游客的综合前景价值均为负数,游客安排如下:第5、7、10和11个游客安排给方案1,第3、6、8、12和13个游客安排给方案2,第1、2、4和9个游客安排给方案3。与指派优化结果相比,最差指派结果的总体综合前景价值由1.497 4降低到-3.040 4,总体平均满意度则下降了39.02%。

3种不同指派结果下,各个游客综合满意度的比较,如图1。

3种不同指派结果下,游客总体平均满意度的比较,如图2。

表16 随机指派和最差指派的结果

五、结论

研究表明,采取大规模定制旅游指派优化方法对游客进行分组后,无论是游客个人还是分组后的总体均获得了较高的综合前景价值和满意度。通过本文分析可以得出:大规模定制旅游方式下,从游客的“有限理性”角度出发,基于前景理论对游客进行合理优化分组,是满足游客个性化需求,提升游客满意度的有力途径。

本文针对大规模定制旅游指派问题,提出了一种基于前景理论的决策方法,该方法具有以下优势:首先,通过构建个性化定价模型,既考虑了游客的个性化需求,又兼顾了旅游企业的成本和效益,体现了大规模定制旅游追求“双赢”的理念;其次,在现实的指派问题中常常会遇到多种类型的数据并存的情形,而本文在数据上采用实数、直觉模糊数和语言短语等多种形式反映大规模定制旅游指派问题的评价信息,因而更加贴近实际情况;再次,运用前景理论反映游客在大规模定制旅游决策过程中的心理行为特征,更加符合人们的决策行为习惯,可以为实施大规模定制旅游的企业提升游客满意度提供另外一种思路;最后,改进了参照点的选择,通过选择正靶心、负靶心和平均期望值作为3个参照点来减少由于参照点单一而导致的信息损失,从而提高指派的科学性。

由于篇幅所限,本文未深入探讨大规模定制旅游指派评价指标体系中相关指标之间的关联性;另外,本论文也未对游客的不同行为偏好,包括谨慎、偏激或是温和等可能会导致的不同指派结果进行区分探讨,这些问题将在以后的研究中加以讨论和解决。