旅游業(yè)大數(shù)據(jù)來源與獲取分析

衛(wèi)俊杰

旅游業(yè)與大數(shù)據(jù)有著內(nèi)在的本質(zhì)的聯(lián)系，旅游者在旅游過程中的每一個階段都與數(shù)據(jù)有關(guān)。在旅游活動開始前旅游者就開始了搜集信息，在旅游過程中旅游者又通過社交媒體不斷的分享自己的旅游經(jīng)歷，在旅游活動結(jié)束之后又面臨旅游者的各種活動的反饋。隨著互聯(lián)網(wǎng)及IT技術(shù)的飛速發(fā)展，旅游者的各種信息在保護隱私的前提下不僅可以完整的保留下來，而且可以用于旅游行業(yè)未來的預(yù)測以及服務(wù)的改進，這也是旅游業(yè)大數(shù)據(jù)研究的基礎(chǔ)。在這樣的背景下，如何快速有效的獲取數(shù)據(jù)也成為每一位從業(yè)人員和科研工作者所困擾的問題。本文從國內(nèi)外現(xiàn)有案例的基礎(chǔ)上總結(jié)出目前旅游業(yè)大數(shù)據(jù)的主要來源和獲取方式，以期促進我國旅游業(yè)大數(shù)據(jù)研究的發(fā)展。

引言

數(shù)據(jù)是科研工作的重要基礎(chǔ)，大數(shù)據(jù)對與科學(xué)研究來說具有不可抗拒的魅力。國內(nèi)外一些研究者和研究機構(gòu)都給出了大數(shù)據(jù)的定義，麥肯錫在其一份商業(yè)報告中提出：“大數(shù)據(jù)指的是大小超出常規(guī)的數(shù)據(jù)庫工具獲取、存儲、管理和分析能力的數(shù)據(jù)集?！盡ayer-Schonberger&Cukier認為大數(shù)據(jù)是在因特網(wǎng)廣泛發(fā)展的基礎(chǔ)上產(chǎn)生的不能用傳統(tǒng)類型的關(guān)系數(shù)據(jù)庫處理的大量數(shù)據(jù)。ViktorMayer-Sch?nberger認為大數(shù)據(jù)指不用抽樣調(diào)查這樣的捷徑，而采用所有數(shù)據(jù)進行分析處理。經(jīng)過多個企業(yè)、機構(gòu)和數(shù)據(jù)科學(xué)家對于大數(shù)據(jù)的理解闡述，雖然描述不一，但都存在一個普遍共識，即“大數(shù)據(jù)”的關(guān)鍵是在種類繁多、數(shù)量龐大的數(shù)據(jù)中，快速獲取信息。

在旅游研究中，傳統(tǒng)意義上的定量研究主要依賴于抽樣方法建立模型，通過假設(shè)檢驗從樣本推及到總體。在一個資源有限的時代，要收集總體的全部數(shù)據(jù)需要付出很高的代價，抽樣是定量研究的常用方法，因為其方便快捷獲得了研究者的偏愛。Nuzzo（2014）對傳統(tǒng)定量研究中模型中的假設(shè)檢驗提出了質(zhì)疑，認為人們在數(shù)據(jù)量較小的情況下過高的估計了P值的作用。同時，在傳統(tǒng)的抽樣方法中，抽樣的過程往往有可能會存在研究者的偏見和對游客產(chǎn)生影響，導(dǎo)致獲取的數(shù)據(jù)不夠客觀。大數(shù)據(jù)記錄的是旅游者的平常狀態(tài)，這也會將研究者對旅游者的影響盡量減小。旅游學(xué)科的定量的研究因為大數(shù)據(jù)的收集與存儲發(fā)生了變化，數(shù)據(jù)不再局限于抽樣方法獲得的小樣本，在一定意義上我們甚至可以獲得總體的全部數(shù)據(jù)。在全數(shù)據(jù)模式下“樣本=總體”，社會科學(xué)的定量研究方法也將因此產(chǎn)生較大的改變。

社會科學(xué)的研究方法不能局限于理論模型的建立，更重要的是獲取更完整的數(shù)據(jù)和處理數(shù)據(jù)的工具。目前，大部分的研究都集中于數(shù)據(jù)的存儲和分析，大數(shù)據(jù)的獲取問題仍然是一個相對被忽視的領(lǐng)域，但是我們要認識到大數(shù)據(jù)的獲取應(yīng)該與其他研究一樣重要。然而，僅有少數(shù)的公司有足夠的資源或者能力去獲得巨量的數(shù)據(jù)。因此不僅要掌握分析大數(shù)據(jù)的技能，更重要的是利用各種技術(shù)去收集數(shù)據(jù)，并把這些非結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)換為我們可用的信息。

鑒于此，本文從國內(nèi)外已有的案例出發(fā)，對旅游業(yè)大數(shù)據(jù)的獲取途徑和方法進行梳理，在總結(jié)各類方法的主要特點、優(yōu)劣勢、使用范圍的基礎(chǔ)上，指出目前研究中存在的主要矛盾，以期拋磚引玉，促進我國旅游業(yè)大數(shù)據(jù)研究的進一步發(fā)展。

一、旅游業(yè)大數(shù)據(jù)來源分類

旅游意味著旅游者空間位置的變換，當下的旅游者在活動過程中往往會攜帶一些智能設(shè)備（比如手機），并用這些設(shè)備與旅游產(chǎn)業(yè)進行交互，在交互的過程中將會產(chǎn)生數(shù)量非常龐大的數(shù)據(jù)。根據(jù)公眾貢獻數(shù)據(jù)的主動性，可以把大數(shù)據(jù)分為主動式與被動式。其中，主動式大數(shù)據(jù)主要指旅游電商平臺購買后的評價和游記類網(wǎng)站的內(nèi)容分享，本文中的主動式數(shù)據(jù)只要指旅游者的用戶生成內(nèi)容（UGC）。被動式大數(shù)據(jù)是游客在使用智能設(shè)備時在運營商或旅游服務(wù)提供商后臺產(chǎn)生的數(shù)據(jù)，如使用網(wǎng)站交易數(shù)據(jù)、搜索引擎、網(wǎng)站的瀏覽痕跡、旅行GPS軌跡數(shù)據(jù)、運營商基站數(shù)據(jù)等，本文把被動式大數(shù)據(jù)來源分成了三類：搜索引擎，網(wǎng)站分析系統(tǒng)和現(xiàn)代追蹤設(shè)備。對這些海量多類型數(shù)據(jù)的獲取與分析能夠為旅游景區(qū)發(fā)展與旅游相關(guān)領(lǐng)域的研究帶來深遠影響。

所有的這些信息都可以用來分析旅游者的喜好、動機以及旅游過程中的體驗。當我們把所有的這些信息都整合在一起的時候，就會變的更加有說服力。

（一）搜索引擎

目前關(guān)于搜索引擎的研究主要集中在計算機科學(xué)與信息科學(xué)領(lǐng)域，主要關(guān)注的焦點是搜索引擎的排序算法。但是我們要認識到，旅游者作為搜索引擎的使用者，網(wǎng)絡(luò)搜索數(shù)據(jù)記錄了用戶的搜索關(guān)注與需求，為研究旅游經(jīng)濟行為提供了必要數(shù)據(jù)基礎(chǔ)。搜索引擎已經(jīng)成為旅游者查詢和篩選信息的最重要的途徑之一，同時也成為了旅游服務(wù)提供商發(fā)現(xiàn)潛在的旅游者的最佳方式。

來自于搜索引擎的大數(shù)據(jù)主要由旅游者的原始查詢記錄、搜索引擎提供的指數(shù)和大數(shù)據(jù)API三部分組成。Pan，B.（2006）通過Excite公司提供給匹茲堡大學(xué)的1025910次查詢記錄分析了與旅游相關(guān)的關(guān)鍵詞，他發(fā)現(xiàn)旅游者在每次搜索旅游目的地信息時大概使用三個關(guān)鍵詞，每個查詢過程至少要搜索三次，在搜索結(jié)果頁面旅游者會往后翻1.7頁。方世巧，馬耀峰（2012）以百度搜索結(jié)果為數(shù)據(jù)源，對西安市A級景區(qū)信息與旅游流進行耦合分析。

Google是世界上最流行的搜索引擎，Baidu是中國市場份額最高的搜索引擎，他們都提供免費的歷史搜索數(shù)據(jù)指數(shù)查詢，分別被稱為googletrend和baiduindex。黃先開（2013）以BaiduIndex為數(shù)據(jù)源，對北京故宮的游客進行了預(yù)測研究。王煉，賈建民（2014）以BaiduIndex為數(shù)據(jù)源，對黃金周期間的旅游需求進行了預(yù)測。ProsperF.Bangwayo-Skeete（2015）通過在googletrend中搜索“酒店和航班”得到的時間序列數(shù)據(jù)對未來的游客量進行了預(yù)測。RobertoRivera（2016）以GoogleTrend為數(shù)據(jù)源對波多黎各的酒店預(yù)定進行了預(yù)測。

隨著算法的改進和存儲技術(shù)的提升，搜索引擎每天處理的數(shù)據(jù)量越來越大，百度每天要處理近100PB數(shù)據(jù)，這對于大數(shù)據(jù)研究者也提出了挑戰(zhàn)，因為這么大的數(shù)據(jù)量不僅需要強大的計算服務(wù)器，而且需要非常完善的算法。為了避免這些問題出現(xiàn)，百度開放了專門的大數(shù)據(jù)旅游API接口。研究者可以通過程序設(shè)計與百度API對接來獲取數(shù)據(jù)。雖然API技術(shù)對于編程技術(shù)人員來說并不復(fù)雜，但是從我國的研究文獻來說，還沒有出現(xiàn)旅游業(yè)相關(guān)的研究。國外雖然有相關(guān)文獻，但是也并不多。

（二）網(wǎng)站分析系統(tǒng)

獲取網(wǎng)站流量統(tǒng)計資料通常有兩種方法：一種是采用自己開發(fā)的網(wǎng)站流量分析服務(wù)；另一種是通過在自己的網(wǎng)站服務(wù)器端安裝統(tǒng)計分析軟件來進行網(wǎng)站流量監(jiān)測（如：百度統(tǒng)計，GoogleAnalytics）。這些數(shù)據(jù)大致可以分為三類，每類包含若干數(shù)量的統(tǒng)計指標。

因為這類數(shù)據(jù)的獲取需要在網(wǎng)站頁面中嵌入javascript代碼，多數(shù)的研究者并沒有實際運營網(wǎng)站或者是沒有權(quán)限嵌入代碼，所以這類工作主要由網(wǎng)站數(shù)據(jù)分析人員完成，因此國內(nèi)外文獻并不多。BeatrizPlaza通過GoogleAnalytics分析了http：//www.scholars-on-bilbao.info的游客訪問數(shù)據(jù)。

因為考慮到商業(yè)數(shù)據(jù)不愿被其他機構(gòu)獲取，有些網(wǎng)站往往獨立開發(fā)自己的分析系統(tǒng)。房如華以酷訊旅游為例分析了如何獲取潛在的旅游者在網(wǎng)站的點擊行為、訪問路徑、訪問內(nèi)容等，并通過數(shù)據(jù)的清洗、分析、挖掘來提高用戶的轉(zhuǎn)化率。

（三）現(xiàn)代追蹤技術(shù)

隨著通信技術(shù)的飛速發(fā)展，旅游研究的方法、管理的工具以及市場營銷的方式也發(fā)生了改變?，F(xiàn)代追蹤技術(shù)及通信數(shù)據(jù)的積累讓研究者重新思考用一些新的概念和方法來研究旅游業(yè)。根據(jù)使用設(shè)備的不同，本文將其按照數(shù)據(jù)來源的不同分為移動電話、GPS和藍牙數(shù)據(jù)。

最早將移動電話追蹤定位技術(shù)用于旅游進行探索和概念研究的是Ahas，R.，&Mark，?.（2005）。JanikaRaun用EMT提供的在愛沙尼亞漫游的外地手機進行了研究，他的數(shù)據(jù)主要由兩部分組成，第一部分是來自于塔林和哈留的215643個電話的406590次訪問，第二部分數(shù)據(jù)來自于到訪saare的47377個電話的59401次訪問。隨后又有一些學(xué)者開發(fā)出了不同的數(shù)據(jù)源研究了旅游者更為深層次的空間行為。TelefónicaandRocaSalvatella在一份關(guān)于西班牙的旅游大數(shù)據(jù)報告中利用了電信運營商TelefónicaMóvilesEspa?a提供的到西班牙馬德里和巴薩羅那的680928個電話的漫游數(shù)據(jù)和BBVA銀行提供的168921張銀行卡跨境消費數(shù)據(jù)，這些數(shù)據(jù)涉及到的旅游者來自于21個不同的國家。中國旅游研究院和中國電信聯(lián)合實驗室利用電信提供的手機定位數(shù)據(jù)，形成了國內(nèi)首份大數(shù)據(jù)鄉(xiāng)村旅游發(fā)展報告。但是我們從報告中可以看出，國內(nèi)的報告無論是從形式上還是內(nèi)容的處理上都顯得非常粗糙，都停留在簡單的數(shù)據(jù)描述上，還沒有對數(shù)據(jù)進行深入挖掘。雖然研究者們對電信運營商的數(shù)據(jù)的關(guān)注與日俱增，但是我們也應(yīng)該清醒的認識到，它的使用仍然存在著諸多困難，尤其在對數(shù)據(jù)的監(jiān)測和隱私的處理方面，往往很難取得平衡。

在許多學(xué)者的研究中，GPS都是非常重要的追蹤技術(shù)。國內(nèi)也有學(xué)者利用GPS設(shè)備采集游客活動信息，但其樣本作為抽樣推斷都顯得有些單薄。作為研究旅游者行為的非常重要的數(shù)據(jù)來源，受到了許多學(xué)者的青睞。但是我們也要認識到，GPS技術(shù)本身也存在局限性。由于GPS技術(shù)的限制，精確度只能到5-8米，當旅游者進入室內(nèi)時往往就會失去聯(lián)系。同時，當旅游者知道自己在參與某項研究的時候，往往也會對自己的路線進行限定，同時大規(guī)模應(yīng)用GPS設(shè)備也會加大研究的費用。目前很多智能設(shè)備都提供了GPS功能，但是這種數(shù)據(jù)屬于游客的隱私，一般不能用于研究。

與GPS相比，藍牙設(shè)備發(fā)射的信號傳輸距離較短，因此它的定位數(shù)據(jù)在室內(nèi)的表現(xiàn)更好。YujiYoshimura利用藍牙探測器在盧浮宮博物館收集了24452個設(shè)備的位置信息，用于分析博物館內(nèi)的擁擠現(xiàn)象。Versichele，M.在根特節(jié)中利用藍牙掃描儀收集了80828個藍牙設(shè)備的152487個運動軌跡信息，分析了在事件旅游中的游客行為。

目前來源于追蹤定位技術(shù)的大數(shù)據(jù)方面的實證研究主要來自于國外的學(xué)者和研究機構(gòu)，國內(nèi)的相關(guān)研究主要還集中在方法和技術(shù)的討論，并沒有落到實處。

（四）旅游者用戶生成內(nèi)容（UGC）

旅游者用戶生成內(nèi)容主要由電商平臺的旅游產(chǎn)品評價和旅游類的社交媒體網(wǎng)站內(nèi)容構(gòu)成。電商平臺提供了消費者對商品進行交流、評價的空間，這也使得消費者與零售商的距離變的更近。研究者對與產(chǎn)品的電子口碑（eWOM）的關(guān)注也越來越多，這不僅體現(xiàn)在人們對于書籍、CD、電子商品的研究中，還體現(xiàn)在對旅游消費者的在線評論的實證研究上。WenjingDuan通過第三方公司收集了華盛頓地區(qū)最受歡迎的前十家酒店網(wǎng)站上的70103評價。Wang，Park，andFesenmaier（2010）用智能手機中排行前100的旅游類的app收集游客評價，并利用爬蟲采集了37133條評論，達到了總評論數(shù)的75%。通過分析他們發(fā)現(xiàn)，字數(shù)較少的評論主要都集中與情感評價，例如“喜歡”，“吸引人”，“失望”等，這些對旅游的體驗僅提供較少的信息；負面的評價大多和app的體驗有關(guān)。他們對于所有評論進行了文本分析，通過分詞系統(tǒng)分析了不同詞語出現(xiàn)的頻率。用twitter數(shù)據(jù)創(chuàng)立了美國經(jīng)濟中的三個與工作相關(guān)的指數(shù)。

社交媒體（SNS）在過去的幾年里保存了非常龐大的用戶生成內(nèi)容，對我們理解旅游者的行為和體驗，態(tài)度和偏好，旅游目的地的影像提供了非常有價值的信息。KohyaOkuyamaandKeijiYanai通過API獲取了旅游者在Flickr發(fā)布的20000張帶有位置標記的照片，并從游記圖片中分析游客的軌跡，進而提出旅游線路規(guī)劃系統(tǒng)。StepchenkovaandZhan從游客分享在Flickr的23000張照片中抽取了500張，分析了游客對秘魯?shù)挠∠?。Pan，MacLaurin用語義網(wǎng)絡(luò)的方法從旅游博客UGC分析了查南卡羅來納州的爾斯頓的旅游形象。還有更多的研究用網(wǎng)絡(luò)民族志和博客志的方法分析了游客對于旅游目的地和當?shù)鼐用竦挠∠螅℉su，Dehuang，&Woodside，2009；Woodside，Cruickshank，&Dehuang，2007）。吳靜采集了Flickr網(wǎng)站上的500位游客的1872張照片，分析了南京市游客旅游流動性空間特征。

二、在數(shù)據(jù)獲取中存在的問題

（一）隱私與數(shù)據(jù)所有權(quán)

國內(nèi)外學(xué)者在獲取大數(shù)據(jù)時面臨的最大的問題就是隱私的保護。這其中既有數(shù)據(jù)隱私權(quán)的立法保護問題，也有因保護隱私而帶來的數(shù)據(jù)處理的困難。首先，健全的隱私保護法律制度，是學(xué)者在允許的范圍內(nèi)自由取用數(shù)據(jù)基礎(chǔ)，也是大數(shù)據(jù)學(xué)術(shù)研究的基礎(chǔ)。在法律的真空區(qū)做研究，每個學(xué)者都會感到壓力重重，瞻前顧后。比如基于電信運營商數(shù)據(jù)的旅游研究，國外的報告一般都有專門的章節(jié)說明隱私的保護情況，在這些章節(jié)中我發(fā)現(xiàn)國外的數(shù)據(jù)保護立法相對國內(nèi)來說好一些，但也不夠完善。其次，國外的研究往往將數(shù)據(jù)的獲取與分析過程進行分離，數(shù)據(jù)通過第三方機構(gòu)的脫敏處理才能交給研究者。因為隱私保護，第三方機構(gòu)在數(shù)據(jù)為了防止個人數(shù)據(jù)被追蹤，會將不同時間段的數(shù)據(jù)標記為不同的設(shè)備，這也造成了研究者的困擾。因為旅游者的旅游行為在這些報告中我們看到了國外的數(shù)據(jù)保護法有移動運營商在提供數(shù)據(jù)時，會將所有的個人信息隱去。這也將導(dǎo)致同一個設(shè)備，在不同的時間段內(nèi)會被標記為不同的編號，給后續(xù)的跟蹤研究造成很大的麻煩。

（二）數(shù)據(jù)記錄與存儲的口徑不一致

各種不同來源的相同類型的數(shù)據(jù)匯總在一起，是大數(shù)據(jù)形成的基礎(chǔ)，但同時我們又認識到，各種不同類型的企業(yè)、平臺在之前的數(shù)據(jù)存儲的過程中并沒有考慮過整合，因此在匯總時就出現(xiàn)了因數(shù)據(jù)的口徑不一致而導(dǎo)致的整合困難。這種困難首先體現(xiàn)在存儲方式上，不同機構(gòu)的數(shù)據(jù)存儲方式可能千差萬別，比如有些機構(gòu)把數(shù)據(jù)存儲在關(guān)系型的數(shù)據(jù)庫中，有些機構(gòu)把數(shù)據(jù)存儲在非關(guān)系型的數(shù)據(jù)庫中；有些機構(gòu)把數(shù)據(jù)存儲在文本文件或者超文本文件中，還有些機構(gòu)把數(shù)據(jù)存儲在圖片或者音頻、視頻中。各種存儲的類型之間差異巨大，如果要進行數(shù)據(jù)分析首先必須保證數(shù)據(jù)記錄與存儲的口徑一致。其次還體現(xiàn)在數(shù)據(jù)的格式方面，比如不同的網(wǎng)站在存儲用戶ID時的策略有可能不同，有些網(wǎng)站的ID時郵箱，有些是字母，有些是字母和數(shù)字的組合等等，這給數(shù)據(jù)整合帶來的問題是，當一名顧客在不同的網(wǎng)站注冊不同的ID并進行活動時，如何才能把他們識別為同一個人？

在數(shù)據(jù)收集與處理的過程中，數(shù)據(jù)清洗的很重要的作用就是保證數(shù)據(jù)的口徑一致，這也耗費了數(shù)據(jù)工作者非常大的精力。盡管“臟數(shù)據(jù)”不可避免，但是在未來的數(shù)據(jù)記錄與存儲的過程中，我們也應(yīng)該提倡更加標準化的存儲方式，以減少數(shù)據(jù)清洗的壓力。

（三）行業(yè)，技術(shù)壁壘高

互聯(lián)網(wǎng)時代的到來，給我們的生活帶來極大的便捷，旅游者可以不出家門便預(yù)定到合適的旅游產(chǎn)品?？墒菍τ谄髽I(yè)來說，信息不對稱卻開始變得難以忍受，比如旅游產(chǎn)品的經(jīng)銷商往往要付出巨額花費才能得到自己的數(shù)據(jù)。極少數(shù)的公司利用長期運營的優(yōu)勢積累了大量的數(shù)據(jù)，長期休眠在自己的硬盤中，在大數(shù)據(jù)時代到來之后，這些公司才意識到這些數(shù)據(jù)將會是一筆巨大的財富。而新進入的公司卻因為沒有業(yè)務(wù)數(shù)據(jù)積累導(dǎo)致很難追趕已經(jīng)存儲了大量數(shù)據(jù)的少數(shù)公司，這種情況可能還會隨著時間的推移繼續(xù)加劇。

如何打破這種壁壘，讓數(shù)據(jù)流動起來，并實現(xiàn)數(shù)據(jù)的整合，數(shù)據(jù)的價值才會被充分利用，或許這也是未來我們應(yīng)該努力的方向。

大數(shù)據(jù)時代的旅游研究是一個全新的起跑線，此刻我們與國外的研究機構(gòu)一同出發(fā)。在這一的研究領(lǐng)域，我們要充分利用我們互聯(lián)網(wǎng)的優(yōu)勢，在立法保護的基礎(chǔ)上，更快更好的促進旅游業(yè)大數(shù)據(jù)科學(xué)的進一步發(fā)展。

（作者單位：山西師范大學(xué)歷史與旅游文化學(xué)院）