《Current Issues in Tourism》：Weather and the business of visitor attractions: an organisational analysis using multi-level modelling
编辑推荐：
在旅游研究中，天气如何影响多单元旅游组织的整体表现？研究人员采用多水平模型（MLM），对英国国家信托旗下65个景点的日度数据进行了分析。结果显示，天气、区位和项目品质共同解释了日访问量43.6%和销售额52.4%的方差。该研究为大型旅游组织理解天气的差异性影响、制定兼顾整体与个体的精准管理策略，提供了新的方法论视角和实践指引。
想象一下，你是一家大型连锁公园的经理，你的园区分布在全国各地。今天，阳光普照，你期待着位于南部的海滨公园人声鼎沸，而北部的山林公园或许游客会少一些。然而，现实可能复杂得多。天气对游客行为的影响，长期以来都是旅游研究领域的热点，但大部分研究聚焦于单一目的地，比如一个国家公园或一座城市。对于那些管理着众多分散景点的旅游组织（如主题公园集团、文化遗产信托机构）而言，挑战是加倍的：不同地点的天气各异，游客的反应也可能因当地的设施、文化或景观而大相径庭。更棘手的是，我们常常不清楚，天气到底在多大程度上影响着整个组织的客流与收入，以及这种影响在旗下不同景点间有何差异。为了解答这个困扰着大型旅游运营商的战略管理难题，一项针对英国国家信托（National Trust）旗下65个遗产景点的深入研究就此展开。该研究发表于《Current Issues in Tourism》期刊。
为了回答上述问题，研究人员采用了多水平模型（Multi-level modelling, MLM）这一在社会科学中常用、但在旅游研究中尚未充分利用的技术。该研究基于国家信托在新冠疫情前三个财年的日度商业数据，共使用了63,225个观测日。研究通过英国气象局的网格化数据计算了每个景点每日的城市假日舒适指数（Holiday Comfort Index: Urban, HCI:Urban），并将其与景点的日访问量和销售额数据进行匹配。同时，研究还纳入了景点的区位（驾车至最近主要城市区的时间）和项目品质（成人门票价格）作为关键变量。通过多水平模型，研究人员得以同时分析天气等日度变化因素（水平1）与景点自身固有属性（水平2）对经营结果的影响，并检验它们之间的交互作用。
引言：从目的地到组织的视角转换
过往关于旅游与天气关系的研究，大多在目的地层面展开，如单个公园、地区或城市，采用的方法也多为相关性分析、多元回归或新兴的机器学习。然而，对于拥有众多运营单元的大型旅游组织而言，这些方法存在局限：它们要么需要为每个景点单独建模，效率低下且不便于整体比较；要么在单一模型中处理大量虚拟变量，导致模型冗繁。更重要的是，这些方法可能忽略了数据内在的“嵌套”结构（如每日观测嵌套于不同景点之下），从而错误估计变量间的关系。本研究认为，多水平模型是解决这一组织层面研究问题的理想工具，它能同时提供全样本和分组层面的洞察，避免“生态学谬误”（Ecological Fallacy）。
文献综述：知识、方法与研究缺口
文献综述揭示了该领域研究的三个特征。首先，天气通常被量化为复合指数（如TCI、HCI），并通过定量方法探究其与旅游指标的关系。其次，研究方法在不断创新，从优化指数到应用机器学习，旨在更精确地解释天气导致的访问量变异。然而，这些创新性方法的应用范围往往有限，研究多为少量地点的案例。最后，近期的认识论趋势是，将天气视为影响旅游的众多驱动因素之一，与“非气候”因素（如空气质量、目的地吸引力）共同作用。尽管如此，从组织视角，特别是对多单元组织组合（portfolio）进行的大规模比较研究依然匮乏。多水平模型虽然潜力巨大，但在旅游天气研究中几乎未被应用。
研究方法
3.1. 背景与研究问题
本研究以英国国家信托为案例。该机构是欧洲最大的景点运营商之一，拥有大量收费遗产景点。研究旨在回答两个战略管理问题：1. 天气在组织层面绩效中的相对重要性如何？2. 天气（在特定情境下）的影响在不同景点间差异有多大？
3.2. 研究设计与假设
研究提出了五个假设（H1–H5）。H1：天气与日访问量/销售额正相关。H2：景点区位（与主要城市距离）与日访问量/销售额负相关。H3：景点项目品质与日访问量/销售额正相关。H4：天气对访问量/销售额的影响在不同景点间存在差异（随机效应）。H5：项目品质会调节（moderate）天气与绩效的主要关系（交互效应）。
3.3. 数据收集与质量保证
研究选取了65个最早启用新收银系统的国家信托景点，分析了2017/2018至2019/2020三个财年的日度数据。关键变量包括：日访问量、日销售额（因变量）；日度HCI:Urban指数（水平1变量）；景点驾车至主要城市区时间、成人门票价格（水平2变量）；以及星期几和财年作为控制变量。经过中心化等预处理后，最终数据集包含63,225个有效观测日。
3.4. 数据分析
使用IBM SPSS 29的线性混合模型进行分析，通过七个递进阶段检验假设。模型拟合通过偏差减少、参数显著性和方差变化来评估。组内相关系数（ICC）值（访问量0.258，销售额0.369）证实了使用多水平模型的必要性。
研究结果
4.1. 访问量建模结果
所有假设均得到支持。H1：更好的天气（HCI:Urban值更高）与更高的日访问量显著正相关（B = 8.33, p < 0.001），解释了8.32%的剩余水平1方差。H2和H3：区位（驾车时间）与访问量负相关，项目品质（门票价格）与访问量正相关，两者共同解释了近一半（46.46%）的水平2（景点间）方差。H4：天气对访问量的影响在不同景点间存在显著差异。H5：发现了天气与项目品质的正向交互效应（B = 1.01, p < 0.001），即景点项目品质越高，天气对访问量的正向预测作用越强。最终模型解释了日访问量总方差的43.6%。
4.2. 销售额建模结果
结果模式与访问量类似，但模型解释力更强。天气、区位、项目品质均对销售额有显著影响，且影响方向与假设一致。同样发现了天气影响的景点间差异（H4）以及天气与项目品质的正向交互效应（H5, B = 4.59, p < 0.001）。最终模型解释了日销售额总方差的52.4%。
4.3. 随机系数图
通过绘制各景点的预测关系图，直观展示了天气与访问量/销售额关系的景点间差异。大多数景点的关系线呈向上倾斜，证实了普遍的正面关系，但斜率（敏感性）和截距（基准水平）各不相同。例如，在访问量模型中，大部分景点对天气敏感，但有一个景点（48号）甚至表现出轻微的负相关。在销售额模型中，没有景点呈现负相关，但不同景点的敏感性差异显著。
讨论与结论
本研究通过多水平模型，首次在大规模组织层面系统分析了天气对旅游景点经营的影响，得出了四方面重要启示。
首先，研究证实了天气对组织整体绩效的正面影响，但更重要的是揭示了这种影响在组合内各景点间的显著异质性。这意味着，在制定天气应对策略时，组织需要采取差异化、精准化的管理，而非“一刀切”。例如，投资应优先投向那些对天气敏感且能带来高客流或高收入的景点。
其次，研究强调了区分“访问量”和“销售额”这两种绩效指标的重要性。结果显示，销售额对天气的敏感性高于访问量。因此，如果组织的核心目标是收入最大化，就必须单独关注天气对销售的影响，而不能简单地从访问量数据推断。
第三，在认识论上，多水平模型促使我们以更整合的视角理解“气候”与“非气候”因素。天气并非孤立地发挥作用，而是与景点的区位、项目品质等属性在不同统计水平上相互作用。本研究发现了一个与部分先前研究不同的有趣现象：项目品质越高，天气的正面效应反而越强。一种可能的解释是，游客倾向于在好天气去高品质景点，以获得最佳体验。
最后，研究为旅游组织应对气候变化提供了更精细的战略思考框架。未来更舒适的气候条件整体上可能增加客流和收入，但这种效应会与城市化、人口增长等其他趋势共同作用，对靠近城市的景点产生叠加压力。因此，适应性规划必须综合考虑多重驱动因素的协同演变。
总之，这项研究论证了多水平模型在解决旅游组织复杂管理问题上的巨大价值。它提供了一种同时兼顾组合整体与单个景点、严谨且可操作的分析框架。将时间（而非天气）视为核心分析单元，将各种驱动因素置于嵌套的统计层次中考察，能够为大型旅游运营商在多变环境中制定稳健策略，提供前所未有的深刻洞察。该方法可进一步推广至酒店、活动、其他类型景点乃至住宿业的研究中，具有广阔的应用前景。
