研究所簡介
浙江（義烏）商成市場研究所是義烏市商興成市場投資管理有限公司下設的研究機構。研究所以“興旺專業市場，成就商業地產”為宗旨，專業致力于商品交易市場、專業批發市場的研究。擁有一批精通國內外市場狀況、經驗豐富的高素質專業人才，還邀請了商業地產界及學界知名的專家作為特約研究員或顧問。研究所發展目標是打造民營經濟研究院行業研究所品牌，并成為國內商業地產研究……
業務范圍
聯系方式
電 話：0579-83059667
手機：15325915356
郵 箱：xqjcf126@126.com
在線QQ：1832216846
地 址：中國義烏市總部經濟公館2號樓2單元502室（義烏貝村路1108號）
郵 編：322000
旅游市場必然走向細分
 |
 |
關鍵詞：旅游市場細分，聚類分析，卡方自動交互檢驗，自組織特征映射神經網絡
一、 引言
旅游市場細分逐漸成為旅游市場營銷研究的重點內容之一。在旅游企業發展的早期，其營銷對象并不加以區分，而是整個客源市場。隨著旅游業的發展，同行業競爭的加劇，游客需求的提高，旅游企業逐漸認識到：只有選擇部分重點市場，有針對性地進行營銷和服務，才能既讓游客滿意，又能獲得高額回報。與之相呼應的是，國內外有關旅游市場細分的研究文獻近年來逐漸增加，其研究方法和結論，為旅游營銷提供了重要的參考。
在市場細分研究中，分析的模式主要有兩種：第一，基于顧客與基于產品/服務。 其中，基于顧客的方法是：觀察不同類型顧客的具體特征；基于產品的方法則是關注產品本身的具體物理特征，顧客希望從產品中獲得的利益類型，產品使用量或使用模式等等。第二，事前方法與事后方法。其中，事前的市場細分方法是：根據預先所知或推測的與企業產品或服務消費相關的一些影響因子劃分顧客群，如人口統計特征、購買量、地理區域等。事后市場細分則是以問卷調查反饋為基礎，例如顧客的價值取向、需求、使用量和使用模式、態度和感知度等[1]。在實際研究中，多采用事后市場細分模式，如本文述及的三種方法都采用事后市場細分。一些傳統的細分方法，如按國籍、年齡、職業等劃分則屬于事前市場細分方法。
本文旨在對旅游市場細分相關文獻中的聚類分析、卡方自動交互檢驗和自組織特征映射神經網絡分析等研究方法進行歸納、分析和比較，為旅游市場細分進一步研究提供參考。
二、 旅游市場細分的目標和指標
確立細分目標是進行旅游市場細分的前提。旅游企業從實際出發，確立切合企業發展的目標，才能為旅游企業的經營提供實際參考。不同的市場細分目標需要建立不同的指標，以便收集相關數據進行分析。
1. 旅游市場細分的目標
建立旅游市場細分的目標才能使研究人員有針對性地進行分析，迅速找到重點經營市場。旅游市場細分中比較常見的目標有：識別重度用戶，了解重度用戶的特征；改進現有產品或服務的設計；尋找新產品或服務的機會等。在旅游市場細分中，識別高消費的游客群體是旅游市場細分常見的目標之一，如Díaz-Pérez等對西班牙加那利群島中7個島嶼的游客住宿消費情況進行了分析，以找出高盈利市場[2]；Mok和Iverson對赴關島旅游的臺灣游客進行分類，以找出高消費群體[3]。Park和Yoon通過市場細分，分析了韓國鄉村旅游者的旅游動機的成因[4]。許多旅游企業希望招徠高消費、高盈利群體，但他們應當充分考慮自身的經營能力以及成本費用等，不能盲目確定市場細分目標。
2. 旅游市場細分的指標
市場細分的指標可以分為四類：特征(包括年齡、性別、收入、教育、游伴等)、地域、消費心態(旅游目的、旅游動機、生活方式等)和消費行為(觀光、消費、購物行為等)。Tkaczynski等人的研究結果顯示：在最近幾年有關旅游市場細分的文章中，采用其中一類指標為聚類依據的文章占10%，采用其中兩類指標為依據的文章占29%，采用其中兩類或三類指標為依據的文章占39%，四類指標都采用的文章占22%[5]。
對指標選取的優劣評價方面，一些營銷專家主張，有效預測游客行為的依據是行為本身，包括游客的一些利益和動機。Cohen 認為，對旅游動機的調查更容易將旅游理解為一種社會和心理現象，并有助于實際管理。旅游動機指影響人們選擇旅游目的地的心理因素，通常將這些心理因素稱為推動因素[6]。不同的學者對動機指標的選擇不同，Goeldner和Ritchie將這些指標分為生理方面、文化方面、人際方面和聲望方面等四類[7]；Pearce 和 Lee將這些動機分為擺脫枯燥、放松、人際關系、增加知識和自我發展等五方面[8]；Jang 和 Wu認為推力因素可分為求知、放松和家庭；拉力因素可分為自然和歷史環境、成本、設施、安全和可進入性等[9]。相比于游客人口特征和地域特征兩方面的指標，旅游動機、消費行為兩方面的指標更能反映游客的心理和行為規律，采用這類指標更能有效地預測游客的需求，有利于企業經營管理。
3. 旅游市場細分的對象
大多數研究文獻中，旅游市場細分的對象是旅游目的地的客源市場，如Park對韓國鄉村旅游游客進行的市場細分[4]；程圩對赴韓國旅游的中國游客進行的市場細分[10]；Bloom對游覽過西好望角省的南非游客進行的市場細分[11]。比較少見其它類別的細分對象，如Brey等人對承諾營銷市場進行的市場細分研究[12]。
三、 旅游市場細分方法
Saarenvirta (1998)認為，市場細分是市場營銷和顧客關系管理中最重要的數據挖掘內容之一[14]。
旅游企業在確立了旅游市場細分的目標、指標以及細分的對象后，需要進行數據收集。數據收集的途徑通常是收集企業的統計資料或進行問卷調查。聚類分析、卡方自動交互檢測和神經網絡分析這三類數據分析方法是常用的市場細分方法。
1. 聚類分析(Cluster analysis)
首先，根據市場細分的目標和指標確定因變量和自變量。不同的研究主體對變量的選取有所不同，如Tkaczynski等人分析了澳大利亞昆士蘭的旅游經營者和專家在旅游市場細分時選取變量的差異：觀光行為是經營者常用的變量，而專家沒有將之作為參考變量；人口特征是專家常用的變量，而經營者則很少關心，因為他們反映顧客在各個年齡段均有分布[5]。但旅游企業和旅游專家所選取的大部分指標還是相近的。
其次，采用聚類方法進行分析。聚類分析之前，選擇的指標往往較多，為了掌握主要的影響因素，研究者們常采用主成分分析來識別主要的市場細分要素。聚類分析中采用因子分析，可以有效減少數據分析量，因為它剔除了變量間過多的相關性。此外，因子分析還有助于識別變量間的結構，全方位了解聚類指標。
最后，對聚類結果進行分析。在聚類分析之后，需要比較各類游客的特征。這些在游客的人口特征、旅游方式、個性和興趣方面的差異通常采用方差分析和卡方檢驗來進行評價。其中，ANOVA用來識別各類游客之間是否存在差異以及差異程度，從而對聚類效果進行初步評價，并了解各類游客的特征；卡方分析用以找出各類游客在人口特征、旅游方式等分類變量上是否有存在顯著的差異性；判別分析用來識別新樣本所屬的類別。許多相關文章都采用卡方檢驗對聚類結果進行顯著性差異分析，如Park將韓國鄉村游客分為四類，在教育水平、收入、休閑娛樂方式、每年的消費、旅游次數、旅游方式和人均每天的消費等方面對其情況進行了卡方分析。結果顯示，四類游客存在顯著差異。對細分市場進行特征描述，有利于明確市場目標，以便對不同的市場采取不同的營銷策略。此外，在聚類分析之后進行判別分析，能從側面判斷聚類結果的合理性[4]。Fǔller則在聚類分析的基礎上，采用虛擬變量進行回歸分析，得到各類游客在產品的基本要素(游客認為產品理所當然應該具有的要素)、性能要素(線性影響游客滿意度的要素)和驚喜要素(出乎游客意料之外，使他們產生愉悅的要素)方面的感知差異[14]。采用聚類分析進行旅游市場細分的文獻較多。Park等將韓國鄉村游客分為重家庭同游型游客、消極型游客、多種旅游動機型游客以及求知、尋刺激游客四類[4]。Beh 和Bruyere根據旅游動機，將肯尼亞國家保護區的游客分為擺脫枯燥者、求知者和精神滿足者[15]。Hu和Yu根據游客的旅游購物選擇標準，將其分為購物狂人群、喜愛購物人群和對購物不關心者[16]。Lee等根據旅游收益，將訪問加拿大的法國游客分為家庭型旅游者、環境和安全關心者、高檔文化消費者、野趣愛好者四類，并基于住宿消費指數，采用經濟價值投資組合矩陣分析以上四類游客與優先市場、理想市場和后備市場的關系后得出：家庭型旅游者和高檔文化消費者兩類游客為旅游企業帶來的收益較高[17]。Lee等根據撲克****者的動機，將韓國****者分為四類：挑戰并盈利者、唯盈利者、輕度****者、多目的****者[18]。Hong和Jang根據游客對韓國****業的看法將這些游客分為三類：曾觀光過****場所者、有意愿參觀者和無興趣者。他們通過聚類分析，發現這三類人群在態度、主觀標準、認知偏差、沖動性及教育水平方面存在顯著差異[19]。Frochot 則將蘇格蘭鄉村的游客分為運動者、放松者、喜歡戶外者和農村生活愛好者四類[20]。Lee 等根據游客的國籍和滿意度，將節慶旅游者分為文化和家庭關心者、多目標者、擺脫枯燥者和大型活動參與者四類[21]。Galloway將安大略公園的游客分為尋刺激者、積極享受自然者和擺脫枯燥者[22]；Jang 等將到訪美國和加拿大的日本游客分為自然愛好者、擺脫枯燥放松者和家庭戶外游樂者，并對各類人群的旅游消費情況進行了對比[23]。Park等對科羅拉多州Black Hawk的****游客進行聚類分析，將這些游客分為四類：輕度參與****者、以****為主者、視****為娛樂項目者、以****為自我表達方式者[24]。Bigné和Andreu根據游客對享受休閑和旅游服務時的情感，將主題公園和博物館的游客分為兩類：情感觸動大者和情感觸動不是很大者[25]。不同分類方法造成的結果不同，但這些不同的結果對旅游市場細分都有參考意義。
聚類分析方法是市場細分中運用最為廣泛的方法，因此也最為成熟。其原理易讓人接受，使用也十分方便。但是，Tkaczynski等人提出：如果聚類分析中少用一個變量，則可能出現另一種聚類結果，這樣就不能為旅游目的地的各個細分市場提供更準確的描述[5]。解決這類問題的一個可行辦法是在聚類分析中對樣本間不同指標的距離予以不同的權重，如旅游市場細分中有的目標是尋找高消費群體，在聚類分析時就可以對與高消費直接相關的指標予以較大的權重，從而削弱與高消費無關或關聯較小的指標的影響，保證聚類結果的穩定性。
2. 卡方自動交互檢測(CHAID)
在許多旅游企業中，細分市場的目標很明確，如尋找高消費群體、高回頭率游客等。此時，卡方自動交互檢測可以方便快捷地獲得目標和游客特征的關系。它由交互檢測和自動交互檢驗發展而來。自動交互檢驗與交互檢驗的不同之處在于模型的因變量只有一個，而且是定量變量，自變量可以是定類變量或定距變量。而卡方自動交互檢測與自動交互檢驗的不同之處在于因變量可以是定類變量，而且不局限于變量的二叉分裂[1]。
在相關文獻中，Díaz-Pérez等采用卡方自動交互檢測法對西班牙加那利群島中7個島嶼的游客住宿消費情況進行了分析，以找出高盈利市場。首先，根據游客的國籍將其分為兩類：英德游客的消費較低，其他國籍游客的消費較高，在此基礎上再進行分類[2]。此外，Mok和Thomas以消費為因變量，采用卡方自動交互檢測對赴關島旅游的臺灣游客進行分類[3]。Chen以維吉尼亞州的游客對近段時間訪問的旅游目的地形象為因變量，找出對旅游目的地感知不同的一些因素[26]。Chung等分別采用行業標準、聚類方法和卡方自動交互檢測法對韓國的賓館進行了分類[27]。
Chen將卡方自動交互檢測和聚類分析方法進行了對比，認為卡方自動交互檢測在三個方面比聚類分析方法更有優勢：一是聚類時采用非標準方法，參與聚類的變量是否存在顯著差異需要進行事后檢驗；二是卡方自動交互檢測對于分類目的非常清楚直接；三是對于新出現的樣本，卡方自動交互檢測能很直接地進行歸類，而聚類分析則不能做到這一點[26]。卡方自動交互檢測在市場細分中未受到廣泛的運用，一個重要的原因是研究者對該方法過于簡單產生的偏見，其實卡方自動交互檢測非常簡潔實用。
3. 自組織特征映射神經網絡(SOFM)
人工神經網絡中，競爭學習神經網絡適用于聚類分析，其步驟是：首先將向量歸一化，其次根據相似性尋找獲勝神經元，最后進行網絡輸出與權值調整。在競爭學習神經網絡中，自組織特征映射網絡是經常使用的模型(SOFM)。通過自組織特征映射網絡進行聚類后，BP神經網絡建立泛化模型，以便確定新樣本的所屬類型。
在相關文獻中，Bloom采用自組織神經網絡將游覽過好望角的國際游客分為精力旺盛型、平淡穩健型和尋樂型，并采用BP神經網絡、MLR和logistic回歸模型進行泛化性能比較。結果顯示，BP神經網絡的誤差較小[28]。Kim等采用自組織神經網絡對澳大利亞的老年旅游市場進行了分類，分為：積極求知的游客、休閑家庭性游客和謹慎性游客，并對三類人群在人口統計、旅游動機和游客需求方面進行了比較[29]。
Venugopal和Baets認為自組織神經網絡有三方面的優點：第一，自組織神經網絡相對于傳統聚類方法具有更強的魯棒性，受缺失值的影響較小，其他傳統方法所受影響則大。第二，常用的聚類方法對數據的分布需要各種各樣的假設，神經網絡則不需要。第三，通常的聚類方法需要事先確定聚類的類別數，而自組織神經網絡非常自然地將輸入信號與權值最相近的向量歸入同一類[30]。自組織神經網絡在相似性判斷方面與聚類分析相同，不同之處在于，它的運算過程采用迭代方法，而迭代之前需要對初始權值隨機賦值，這樣就可能造成聚類結果的不確定性：將采用MATLAB編寫的聚類程序運行兩次，聚類結果會有出入。而且采用MATLAB進行聚類分析時，需要預先確定聚類的類別數。筆者在采用MATLAB進行細分分析時，發現其判別分析的準確率沒有聚類分析高。當然，自組織神經網絡也有著其它聚類方法沒有的優點：它能將樣本間復雜的高維關系在二維平面中形象地表示出來；在其它研究中，神經網絡有著自身的優勢，如時間序列分析中，神經網絡獲得的結果比其他方法如ARIMA等獲得的結果更精確。
四、 結語
本文介紹了國內外旅游市場細分研究的相關文獻及聚類分析、卡方自動交互檢驗和自組織神經網絡等三種比較常見且有效的市場細分方法。其中，聚類分析對分類的子群特征容易描述；卡方自動交互檢驗則對分類的目的比較明確；自組織神經網絡分析方法采用根據相似性尋找獲勝神經元，與聚類的初衷一致，精確性較高。但指標選取的不同，會對聚類的結果有較大的影響；卡方自動交互檢驗的目標往往較為單一；自組織神經網絡在實際運用中，由于自身的特點即初始權值選取的隨機性，會導致個別樣本分類的不確定性。
此外還存在一些市場細分方法，如MLR和logistic回歸模型等。在實際運用中，研究者應根據情況選取適合的方法對市場進行細分，也可以同時采用兩種或多種方法，通過比較選擇理想的分類結果。
參考文獻：
[1] 詹姆斯?H?邁爾斯.市場細分與定位[M].電子工業出版社，2005.
[2] Día-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] Goeldnr 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，馬耀峰，隋麗娜.不同利益細分主體對韓國旅游形象感知差異研究 [J].社會科學家，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.
|
|
點擊次數:865