关键词：旅游市场细分，聚类分析，卡方自动交互检验，自组织特征映射神经网络

　　一、 引言

　　旅游市场细分逐渐成为旅游市场营销研究的重点内容之一。在旅游企业发展的早期，其营销对象并不加以区分，而是整个客源市场。随着旅游业的发展，同行业竞争的加剧，游客需求的提高，旅游企业逐渐认识到：只有选择部分重点市场，有针对性地进行营销和服务，才能既让游客满意，又能获得高额回报。与之相呼应的是，国内外有关旅游市场细分的研究文献近年来逐渐增加，其研究方法和结论，为旅游营销提供了重要的参考。

　　在市场细分研究中，分析的模式主要有两种：第一，基于顾客与基于产品/服务。 其中，基于顾客的方法是：观察不同类型顾客的具体特征；基于产品的方法则是关注产品本身的具体物理特征，顾客希望从产品中获得的利益类型，产品使用量或使用模式等等。第二，事前方法与事后方法。其中，事前的市场细分方法是：根据预先所知或推测的与企业产品或服务消费相关的一些影响因子划分顾客群，如人口统计特征、购买量、地理区域等。事后市场细分则是以问卷调查反馈为基础，例如顾客的价值取向、需求、使用量和使用模式、态度和感知度等[1]。在实际研究中，多采用事后市场细分模式，如本文述及的三种方法都采用事后市场细分。一些传统的细分方法，如按国籍、年龄、职业等划分则属于事前市场细分方法。

　　本文旨在对旅游市场细分相关文献中的聚类分析、卡方自动交互检验和自组织特征映射神经网络分析等研究方法进行归纳、分析和比较，为旅游市场细分进一步研究提供参考。

　　二、 旅游市场细分的目标和指标

　　确立细分目标是进行旅游市场细分的前提。旅游企业从实际出发，确立切合企业发展的目标，才能为旅游企业的经营提供实际参考。不同的市场细分目标需要建立不同的指标，以便收集相关数据进行分析。

　　1. 旅游市场细分的目标

　　建立旅游市场细分的目标才能使研究人员有针对性地进行分析，迅速找到重点经营市场。旅游市场细分中比较常见的目标有：识别重度用户，了解重度用户的特征；改进现有产品或服务的设计；寻找新产品或服务的机会等。在旅游市场细分中，识别高消费的游客群体是旅游市场细分常见的目标之一，如Díaz-Pérez等对西班牙加那利群岛中7个岛屿的游客住宿消费情况进行了分析，以找出高盈利市场[2]；Mok和Iverson对赴关岛旅游的台湾游客进行分类，以找出高消费群体[3]。Park和Yoon通过市场细分，分析了韩国乡村旅游者的旅游动机的成因[4]。许多旅游企业希望招徕高消费、高盈利群体，但他们应当充分考虑自身的经营能力以及成本费用等，不能盲目确定市场细分目标。

　　2. 旅游市场细分的指标

　　市场细分的指标可以分为四类：特征(包括年龄、性别、收入、教育、游伴等)、地域、消费心态(旅游目的、旅游动机、生活方式等)和消费行为(观光、消费、购物行为等)。Tkaczynski等人的研究结果显示：在最近几年有关旅游市场细分的文章中，采用其中一类指标为聚类依据的文章占10%，采用其中两类指标为依据的文章占29%，采用其中两类或三类指标为依据的文章占39%，四类指标都采用的文章占22%[5]。

　　对指标选取的优劣评价方面，一些营销专家主张，有效预测游客行为的依据是行为本身，包括游客的一些利益和动机。Cohen 认为，对旅游动机的调查更容易将旅游理解为一种社会和心理现象，并有助于实际管理。旅游动机指影响人们选择旅游目的地的心理因素，通常将这些心理因素称为推动因素[6]。不同的学者对动机指标的选择不同，Goeldner和Ritchie将这些指标分为生理方面、文化方面、人际方面和声望方面等四类[7]；Pearce 和 Lee将这些动机分为摆脱枯燥、放松、人际关系、增加知识和自我发展等五方面[8]；Jang 和 Wu认为推力因素可分为求知、放松和家庭；拉力因素可分为自然和历史环境、成本、设施、安全和可进入性等[9]。相比于游客人口特征和地域特征两方面的指标，旅游动机、消费行为两方面的指标更能反映游客的心理和行为规律，采用这类指标更能有效地预测游客的需求，有利于企业经营管理。

　　3. 旅游市场细分的对象

　　大多数研究文献中，旅游市场细分的对象是旅游目的地的客源市场，如Park对韩国乡村旅游游客进行的市场细分[4]；程圩对赴韩国旅游的中国游客进行的市场细分[10]；Bloom对游览过西好望角省的南非游客进行的市场细分[11]。比较少见其它类别的细分对象，如Brey等人对承诺营销市场进行的市场细分研究[12]。

　　三、 旅游市场细分方法

　　Saarenvirta (1998)认为，市场细分是市场营销和顾客关系管理中最重要的数据挖掘内容之一[14]。

　　旅游企业在确立了旅游市场细分的目标、指标以及细分的对象后，需要进行数据收集。数据收集的途径通常是收集企业的统计资料或进行问卷调查。聚类分析、卡方自动交互检测和神经网络分析这三类数据分析方法是常用的市场细分方法。

　　1. 聚类分析(Cluster analysis)

　　首先，根据市场细分的目标和指标确定因变量和自变量。不同的研究主体对变量的选取有所不同，如Tkaczynski等人分析了澳大利亚昆士兰的旅游经营者和专家在旅游市场细分时选取变量的差异：观光行为是经营者常用的变量，而专家没有将之作为参考变量；人口特征是专家常用的变量，而经营者则很少关心，因为他们反映顾客在各个年龄段均有分布[5]。但旅游企业和旅游专家所选取的大部分指标还是相近的。

　　其次，采用聚类方法进行分析。聚类分析之前，选择的指标往往较多，为了掌握主要的影响因素，研究者们常采用主成分分析来识别主要的市场细分要素。聚类分析中采用因子分析，可以有效减少数据分析量，因为它剔除了变量间过多的相关性。此外，因子分析还有助于识别变量间的结构，全方位了解聚类指标。

　　最后，对聚类结果进行分析。在聚类分析之后，需要比较各类游客的特征。这些在游客的人口特征、旅游方式、个性和兴趣方面的差异通常采用方差分析和卡方检验来进行评价。其中，ANOVA用来识别各类游客之间是否存在差异以及差异程度，从而对聚类效果进行初步评价，并了解各类游客的特征；卡方分析用以找出各类游客在人口特征、旅游方式等分类变量上是否有存在显著的差异性；判别分析用来识别新样本所属的类别。许多相关文章都采用卡方检验对聚类结果进行显著性差异分析，如Park将韩国乡村游客分为四类，在教育水平、收入、休闲娱乐方式、每年的消费、旅游次数、旅游方式和人均每天的消费等方面对其情况进行了卡方分析。结果显示，四类游客存在显著差异。对细分市场进行特征描述，有利于明确市场目标，以便对不同的市场采取不同的营销策略。此外，在聚类分析之后进行判别分析，能从侧面判断聚类结果的合理性[4]。Fǔller则在聚类分析的基础上，采用虚拟变量进行回归分析，得到各类游客在产品的基本要素(游客认为产品理所当然应该具有的要素)、性能要素(线性影响游客满意度的要素)和惊喜要素(出乎游客意料之外，使他们产生愉悦的要素)方面的感知差异[14]。采用聚类分析进行旅游市场细分的文献较多。Park等将韩国乡村游客分为重家庭同游型游客、消极型游客、多种旅游动机型游客以及求知、寻刺激游客四类[4]。Beh 和Bruyere根据旅游动机，将肯尼亚国家保护区的游客分为摆脱枯燥者、求知者和精神满足者[15]。Hu和Yu根据游客的旅游购物选择标准，将其分为购物狂人群、喜爱购物人群和对购物不关心者[16]。Lee等根据旅游收益，将访问加拿大的法国游客分为家庭型旅游者、环境和安全关心者、高档文化消费者、野趣爱好者四类，并基于住宿消费指数，采用经济价值投资组合矩阵分析以上四类游客与优先市场、理想市场和后备市场的关系后得出：家庭型旅游者和高档文化消费者两类游客为旅游企业带来的收益较高[17]。Lee等根据扑克博彩者的动机，将韩国博彩者分为四类：挑战并盈利者、唯盈利者、轻度博彩者、多目的博彩者[18]。Hong和Jang根据游客对韩国博彩业的看法将这些游客分为三类：曾观光过博彩场所者、有意愿参观者和无兴趣者。他们通过聚类分析，发现这三类人群在态度、主观标准、认知偏差、冲动性及教育水平方面存在显著差异[19]。Frochot 则将苏格兰乡村的游客分为运动者、放松者、喜欢户外者和农村生活爱好者四类[20]。Lee 等根据游客的国籍和满意度，将节庆旅游者分为文化和家庭关心者、多目标者、摆脱枯燥者和大型活动参与者四类[21]。Galloway将安大略公园的游客分为寻刺激者、积极享受自然者和摆脱枯燥者[22]；Jang 等将到访美国和加拿大的日本游客分为自然爱好者、摆脱枯燥放松者和家庭户外游乐者，并对各类人群的旅游消费情况进行了对比[23]。Park等对科罗拉多州Black Hawk的博彩游客进行聚类分析，将这些游客分为四类：轻度参与博彩者、以博彩为主者、视博彩为娱乐项目者、以博彩为自我表达方式者[24]。Bigné和Andreu根据游客对享受休闲和旅游服务时的情感，将主题公园和博物馆的游客分为两类：情感触动大者和情感触动不是很大者[25]。不同分类方法造成的结果不同，但这些不同的结果对旅游市场细分都有参考意义。

　聚类分析方法是市场细分中运用最为广泛的方法，因此也最为成熟。其原理易让人接受，使用也十分方便。但是，Tkaczynski等人提出：如果聚类分析中少用一个变量，则可能出现另一种聚类结果，这样就不能为旅游目的地的各个细分市场提供更准确的描述[5]。解决这类问题的一个可行办法是在聚类分析中对样本间不同指标的距离予以不同的权重，如旅游市场细分中有的目标是寻找高消费群体，在聚类分析时就可以对与高消费直接相关的指标予以较大的权重，从而削弱与高消费无关或关联较小的指标的影响，保证聚类结果的稳定性。

　　2. 卡方自动交互检测(CHAID)

　　在许多旅游企业中，细分市场的目标很明确，如寻找高消费群体、高回头率游客等。此时，卡方自动交互检测可以方便快捷地获得目标和游客特征的关系。它由交互检测和自动交互检验发展而来。自动交互检验与交互检验的不同之处在于模型的因变量只有一个，而且是定量变量，自变量可以是定类变量或定距变量。而卡方自动交互检测与自动交互检验的不同之处在于因变量可以是定类变量，而且不局限于变量的二叉分裂[1]。

　　在相关文献中，Díaz-Pérez等采用卡方自动交互检测法对西班牙加那利群岛中7个岛屿的游客住宿消费情况进行了分析，以找出高盈利市场。首先，根据游客的国籍将其分为两类：英德游客的消费较低，其他国籍游客的消费较高，在此基础上再进行分类[2]。此外，Mok和Thomas以消费为因变量，采用卡方自动交互检测对赴关岛旅游的台湾游客进行分类[3]。Chen以维吉尼亚州的游客对近段时间访问的旅游目的地形象为因变量，找出对旅游目的地感知不同的一些因素[26]。Chung等分别采用行业标准、聚类方法和卡方自动交互检测法对韩国的宾馆进行了分类[27]。

　　Chen将卡方自动交互检测和聚类分析方法进行了对比，认为卡方自动交互检测在三个方面比聚类分析方法更有优势：一是聚类时采用非标准方法，参与聚类的变量是否存在显著差异需要进行事后检验；二是卡方自动交互检测对于分类目的非常清楚直接；三是对于新出现的样本，卡方自动交互检测能很直接地进行归类，而聚类分析则不能做到这一点[26]。卡方自动交互检测在市场细分中未受到广泛的运用，一个重要的原因是研究者对该方法过于简单产生的偏见，其实卡方自动交互检测非常简洁实用。

　　3. 自组织特征映射神经网络(SOFM)

　　人工神经网络中，竞争学习神经网络适用于聚类分析，其步骤是：首先将向量归一化，其次根据相似性寻找获胜神经元，最后进行网络输出与权值调整。在竞争学习神经网络中，自组织特征映射网络是经常使用的模型(SOFM)。通过自组织特征映射网络进行聚类后，BP神经网络建立泛化模型，以便确定新样本的所属类型。

　　在相关文献中，Bloom采用自组织神经网络将游览过好望角的国际游客分为精力旺盛型、平淡稳健型和寻乐型，并采用BP神经网络、MLR和logistic回归模型进行泛化性能比较。结果显示，BP神经网络的误差较小[28]。Kim等采用自组织神经网络对澳大利亚的老年旅游市场进行了分类，分为：积极求知的游客、休闲家庭性游客和谨慎性游客，并对三类人群在人口统计、旅游动机和游客需求方面进行了比较[29]。

　　Venugopal和Baets认为自组织神经网络有三方面的优点：第一，自组织神经网络相对于传统聚类方法具有更强的鲁棒性，受缺失值的影响较小，其他传统方法所受影响则大。第二，常用的聚类方法对数据的分布需要各种各样的假设，神经网络则不需要。第三，通常的聚类方法需要事先确定聚类的类别数，而自组织神经网络非常自然地将输入信号与权值最相近的向量归入同一类[30]。自组织神经网络在相似性判断方面与聚类分析相同，不同之处在于，它的运算过程采用迭代方法，而迭代之前需要对初始权值随机赋值，这样就可能造成聚类结果的不确定性：将采用MATLAB编写的聚类程序运行两次，聚类结果会有出入。而且采用MATLAB进行聚类分析时，需要预先确定聚类的类别数。笔者在采用MATLAB进行细分分析时，发现其判别分析的准确率没有聚类分析高。当然，自组织神经网络也有着其它聚类方法没有的优点：它能将样本间复杂的高维关系在二维平面中形象地表示出来；在其它研究中，神经网络有着自身的优势，如时间序列分析中，神经网络获得的结果比其他方法如ARIMA等获得的结果更精确。

　　四、 结语

　　本文介绍了国内外旅游市场细分研究的相关文献及聚类分析、卡方自动交互检验和自组织神经网络等三种比较常见且有效的市场细分方法。其中，聚类分析对分类的子群特征容易描述；卡方自动交互检验则对分类的目的比较明确；自组织神经网络分析方法采用根据相似性寻找获胜神经元，与聚类的初衷一致，精确性较高。但指标选取的不同，会对聚类的结果有较大的影响；卡方自动交互检验的目标往往较为单一；自组织神经网络在实际运用中，由于自身的特点即初始权值选取的随机性，会导致个别样本分类的不确定性。

　　此外还存在一些市场细分方法，如MLR和logistic回归模型等。在实际运用中，研究者应根据情况选取适合的方法对市场进行细分，也可以同时采用两种或多种方法，通过比较选择理想的分类结果。

　　参考文献：

　　[1] 詹姆斯•H•迈尔斯.市场细分与定位[M].电子工业出版社，2005.

　　[2] Díaz-Pérez F M，Bethencourt-Cejas M，Alvarez-González J A.The segmentation of canary island tourism markets by expenditure：implications for tourism policy [J].Tourism Management，2005，26：961-964.

　　[3] Mok C，Iverson T J.Expenditurek-based segmentation：Taiwanese tourists to Guam [J].Tourism Management，2000，21：299-305.

　　[4] Park D B，Yoon Y S.Segmentation by motivation in rural tourism：a korean case study [J].Tourism Management，2009，30：99-108.

　　[5] Tkaczynski A，Rundle-Thiele S R，Beaumont N.Segmentation：a tourism stakeholder view [J].Tourism Management，doi：10.1016/j.tourman.2008.05.010.

　　[6] Cohen E.Who is a tourist? A conceptual clarification[J].Sociological Review，1974 (6)：408-424.

　　[7] Goeldner C R，Ritchie J R.Tourism：principles，practices，philosophies [M].Hoboken，NJ：John Wiley & Sons，2003.

　　[8] Pearce P，Lee U L.Developing the travel career approach to tourist motivation [J].Journal of Travel Research，2005，43：226-237.

　　[9] Jang S，Wu C M E.Seniors’ travel motivation and the influential factors：an examination of Taiwanese seniors [J].Tourism Management，2006，27：306-316.

　　[10] 程圩，马耀峰，隋丽娜.不同利益细分主体对韩国旅游形象感知差异研究 [J].社会科学家，2007 (4)：118-120.

　　[11] Bloom J Z.Tourist market segmentation with linear and non-linear techniques [J].Tourism Management，2004，25：723-733.

　　[12] Brey E T，So S I，Kim D Y，et al.Web-based permission marketing：Segmentation for the lodging industry [J].Tourism Management，2007，28：1408-1416.

　　[13] Saarenvirta G.Mining customer data [J].DB2 Magazine，1998 (3)：10-20.

　　[14] Fǔller J，Matzler K.Customer delight and market segmentation：an application of the three-factor theory of customer satisfaction on life style groups [J].Tourism Management，2008，29：116-126.

　　[15] Beh A，Bruyere B L.Segmentation by visitor motivation in three Kenyan national reserves [J].Tourism Management，2007，28：1464-1471.

　　[16] Hu Bo，Yu Hong.Segmentation by craft selection criteria and shopping involvement [J].Tourism Management，2007，28：1079-1092.

　　[17] Lee G，Morrison A M，O’Leary J T.The economic value portfolio matrix：a target market selection tool for destination marketing organizations [J].Tourism Management，2006，27：576-588.

　　[18] Lee C K，Lee Y K，Bernhard B J，et al.Segmenting casino gamblers by motivation：a cluster analysis of Korean gamblers [J].Tourism Management，2006，27：856-866.

　　[19] Hong S，Jang H.Segmentation of early casino markets：an exploratory study [J].Tourism Management，2004，25：801-805.

　　[20] Frochot I.A benefit segmentation of tourists in rural areas：a scottish perspective [J].Tourism Management，2005，26：335-346.

　　[21] Lee C K，Lee Y K，Wicks B E.Segmentation of festival motivation by nationality and satisfaction [J].Tourism Management，2004，25：61-70.

　　[22] Galloway G.Psychographic segmentation of park visitor markets：evidence for the utility of sensation seeking [J].Tourism Management，2002，23：581-596.

　　[23] Jang S C，Morrison A M，O’Leary J T.Benefit segmentation of Japanese pleasure travelers to the USA and Canada：selecting target markets based on the profitability and risk of individual market segments [J].Tourism Management，2002，23：367-378.

　　[24] Park M，Yang Xiaobing，Lee B，et al.Segmenting casino gamblers by involvement profiles：a colorado example [J].Tourism Management，2002，23：55-65.

　　[25] Bigné J E，Andreu L.Emotions in segmentation：an empirical study[J].Annals of Tourism Research，2004，31(3)：682-696.v27]Chen J S.Market segmentation by tourists’ sentiments [J].Annals of Tourism Research，2003，30(1)：178-193.

　　[26] Chen J S.Market segmentation by tourists’ sentiments[J].Annals of Tourism Research，2003， 30(1)：178-193.

　　[27] Chung K Y，Oh S Y，Kim S S，et al.Three representative market segmentation methodologies for hotel guest room customers [J].Tourism Management，2004，25：429-441.

　　[28] Bloom J Z.Market Segmentation：A Neural Network Application [J].Annals of Tourism Research，2005，32(1)：93-111.

　　[29] Kim J，Wei S，Ruys H.Segmenting the market of West Australian senior tourists using an artificial neural network [J].Tourism Management，2003，24：25-34.

　　[30] Venugopal V，Baets W.Neural networks and statistical techniques in marketing research：A conceptual comparison [J].Marketing Intelligence and Planning，1994，12(7)：30-38.