2022北京冬奥会和冬残奥会的筹办与举办为中国滑雪产业带来跨越式发展。目前，中国滑雪产业正处于快速发展时期，滑雪场数量与滑雪人次近年来高速增长。截至2021年末，中国滑雪场数量为692家，2021—2022雪季滑雪人次达2154万^[1]，滑雪运动正呈现出前所未有的发展活力和潜力。中国发展滑雪产业带来多方面效益：在国民健康方面，滑雪运动能够助力国民精神文明建设，提升国民身体素质和国民生活幸福感^[2]；在国家经济层面，滑雪旅游能拉动内需，带动地区经济发展，促进地区产业转型升级^[3]；在国际交流方面，滑雪作为一项体育运动，是国际文化交流的桥梁，对推进“一带一路”倡议和命运共同体建设具有重要作用^[4]。习近平总书记提出的“冰天雪地也是金山银山”理念充分说明发展滑雪运动、滑雪旅游对中国经济发展的重要性。可见，中国滑雪产业作为体育强国建设的重要组成部分，国民滑雪需求不断高涨为其发展带来巨大机会。尽管目前中国滑雪场数量较多，却仅有少数滑雪场达到优良级别^[5]。例如，架空索道作为衡量滑雪场质量最直观的标准，2021—2022雪季中国有架空索道的滑雪场数量占比不足24%，有两条及以上架空索道的滑雪场数量占比仅为9%^[1]。可见，提高滑雪场设施水平是促进中国滑雪产业高质量发展进程的重要一环。因此，对中国滑雪场供给侧进行优化与改革以实现滑雪场供需匹配，显得尤为重要。

情感作为游客旅游经历中不可缺少的组成部分，是游客选择旅游目的地的重要依据^[6]。环境心理学家认为，个体会对所处周边物理环境产生认知，并发生情感反应^[7]。近年来，国内外学者关于游客情感的研究主要涉及情感识别与测量^[8]、情感时空分析与目的地特征^{[9, 10]}、情感影响因素^[11]等方面。其中，游客情感时空分析与目的地特征涉及游客情感时间变化^[12]、游客情感空间特征^[10]、旅游目的地形象^[13]等相关内容。在旅游目的地形象研究中，情感通常作为中介变量，基于认知—情感—行为的框架解释目的地形象对游客行为和态度的影响机制。具体而言，游客对旅游目的地的认知是情感产生的基础，情感是认知的延伸，两者结合导致相应行为。然而，现有关于旅游目的地认知要素如何影响游客情感的研究相对薄弱，尤其缺乏关于认知要素对不同类型情感的影响程度及影响机制研究。

滑雪场作为滑雪活动的载体，是开展滑雪运动、滑雪旅游的主要场所。游客对滑雪场物理环境的认知能够影响其情感和后续参与行为^[14]。2021—2022雪季我国参与滑雪的人数为1202万人，滑雪人口的渗透率不到1%^[1]，远低于瑞士（35%）、日本（9%）、美国（8%）等国家的渗透率①。同时，大多企业缺乏自主创新和核心技术突破，如压雪车、造雪机等高技术含量设备70% 依靠进口^[15]。滑雪运动消费环境也仍有较大优化空间，滑雪场仍存在滑雪旅游项目、产品单一，滑雪专业人才匮乏，滑雪安全保障体系不完善等诸多问题^{[16, 17]}。这些因素会影响游客认知，进而影响其情感和参与行为。因此，分析滑雪场游客的认知，明晰影响滑雪游客情感的要素，以及其行为意向形成机制，是推动中国滑雪产业可持续、高质量发展过程中亟待解决的重要问题。

基于此，本研究从滑雪场游客认知与情感的视角出发，选取中国冰雪旅游标杆地——京张地区作为研究区域，通过构建滑雪场游客的认知要素维度，探究滑雪场不同认知要素对游客情感的影响。本研究有利于拓展认知与情感理论在冰雪旅游场景的应用，为滑雪场经营者了解滑雪场游客认知特征以及情感产生来源提供科学依据，对进一步扩大滑雪需求市场，推动中国滑雪产业高质量发展具有重要意义。

认知是指个体进行信息加工的过程，包括信息获取、内部加工和信息输出三个步骤^[18]。游客认知是指旅游者在旅游活动中的认知。游客在旅游过程中对旅游地各种认知要素进行信息获取、加工和输出，最终形成旅游地整体认知评价^[19]。对于国家或城市等大尺度范围旅游地，构建游客认知要素大多基于Beerli等的旅游目的地形象认知框架，包括自然资源、公共基础设施、旅游基础设施、旅游休闲和娱乐、文化/历史和艺术、政治和经济、自然环境、社会环境和地方氛围等9个维度^[20]。对于自然、文化类景区等尺度范围较小且具有显著特征的旅游地，游客会给予旅游地特征更多关注^{[21, 22]}，因此现有研究大多采取更细致的划分方式，将旅游地特征要素与其他要素进行单独区分与命名。

整体而言，现有旅游研究普遍已将场所、设施、建筑、服务、活动、自然、人文、人物等要素纳入游客认知范围^{[23, 24]}。对于滑雪场游客，研究表明其同样会对滑雪场所、滑雪设施、建筑、服务、自然、人物等要素发生认知^{[14, 25]}。同时，滑雪场游客除了滑雪活动之外还会参与温泉等活动，以及冰雪民俗活动、冰雪文化庙会等人文特色鲜明的活动，因此本研究纳入活动和人文要素。此外，2022年北京冬奥会等事件使中国滑雪场游客产生显著认知，因此增加事件要素作为滑雪场游客认知维度。综上，本研究结合已有滑雪场游客认知要素与滑雪旅游特征，将滑雪场游客认知划分为9个维度，分别为场所/地域、设施、建筑、服务、自然、人物、活动、人文、事件。根据已有研究^[26]，本文“事件”一般指大规模的、开放性、长时间的体验、观光等情景，涉及到多个参与者或观众的集会、表演或庆祝活动；“活动”一般指涉及到个人或小团体的自发的具体行为或体验，强调个人参与和互动。

游客情感是游客在旅游过程中对客观事物是否满足自己需要而产生的态度^[10]。作为旅游体验的核心要素，游客情感贯穿整个旅游过程且会随着时间和经历的发展而改变，但游客往往对情感高峰时刻印象最为深刻^[27]。游客情感可分为积极、消极和中性三个维度^{[28, 29]}。个体认知与情感之间的关系受到学者们的广泛关注，学者已经提出多种理论解释个体认知与情感之间的关系机制，如情感评价理论（CATE）^[30]、认知—情感系统理论（CAPS）^[31]、刺激—机体—反应（S-O-R）理论^[11]等。现有研究大多认为情感起源于认知的激活，情感是个体认知评价的结果^[32]。就游客而言，对旅游目的地特定环境、事件、对象的认知是情感产生的基础，最终情感反应结果由游客认知评价与自身期望共同决定^[33]。具体来说，滑雪场游客对旅游目的地特定要素发生认知后会衡量认知对象实际与自身期望之间的差距，当实际优于期望时，游客会产生积极情感，反之，则产生消极情感^[34]。由于游客自身期望存在个体差异，不同游客对同一对象进行认知也可能导致不同情感反应^[35]。就旅游目的地而言，旅游目的地中包含多个认知要素，不同认知要素对游客情感的催化作用不尽相同，例如对景点氛围的认知能够显著激发红色旅游景点游客的情感^[36]。此外，虽然游客情感由某一特定认知唤醒，但游客会将这一情感扩大至整个旅游经历，即滑雪场游客会因滑雪场某一要素产生积极或消极的情感，而这一情感会被游客表达为对整个滑雪经历的情感^[37]。

现有研究大多聚焦于滑雪场游客某一方面的认知或特定情感，如滑雪场产品服务与游客情感之间的关系^[38]，而缺乏旅游目的地认知要素对游客情感影响的全面探究和系统评价。同时，相关性分析^[39]、多元回归分析^[40]、因子分析^[41]、结构方程模型^[42]等方法在游客情感影响因素研究中广泛应用，但是这些方法不适用于系统分析游客不同情感之间影响因素差异这一复杂的非线性关系，且对数据异常值较为敏感。随机森林模型作为一种常用的机器学习方法，能够有效处理异常值，并对高维数据和非线性复杂关系时表现出良好的预测性能。综上，本文主要贡献为研究内容和研究方法创新，一方面全面识别游客认知要素类型和游客情感，另一方面通过随机森林算法探究不同认知要素对滑雪场游客情感的影响程度，明晰滑雪场游客不同情感的主要认知来源。

京张地区作为中国冰雪旅游发展的代表区域之一，致力于打造奥运场馆赛后利用国际典范和国际冰雪运动与休闲旅游胜地。据统计，2021年北京共有滑雪场20家②，张家口已建成滑雪场9家③。同时，2020年12月，崇礼冰雪旅游度假区获批国家级旅游度假区（河北省内首家国家级旅游度假区），成为国内最大的高端滑雪场集聚区，云顶、太舞、万龙、富龙等滑雪场连续入围“中国滑雪场十强”。2022年，北京延庆海陀、河北崇礼入选首批国家级滑雪旅游度假地，且“冰雪京张·冬奥之城”入选文化和旅游部发布的全国冰雪旅游精品线路。以京张地区为研究区，开展滑雪场游客认知要素研究具有重要的学术价值和现实意义。

本文利用网络爬虫程序，以“北京滑雪”、“张家口滑雪”、“北京旅游滑雪”、“张家口旅游滑雪”、“万龙滑雪”等关键词进行高级搜索，共采集2016年1月1日至2022年4月30日的微博文本数据11715条。通过对原始数据进行预处理，最终保留6667条微博文本，包括文档ID、正文、发布时间、用户昵称、冰雪旅游地、经纬度等字段。

通过对滑雪场关键词提取与地理编码，共获取到29个滑雪场。为了深入挖掘冰雪旅游者地方认同的异质性规律，本文基于滑雪场缆车数量对京张地区滑雪场进行分类。《2021—2022中国滑雪产业白皮书》 ^[1]指出：架空索道是滑雪场最直观的质量区分标准，其中拥有4条及以上架空索道的滑雪场可以定义为优质滑雪场。基于此，本文一类滑雪场为有4条及以上架空索道的滑雪场，二类滑雪场为小于4条架空索道的滑雪场，三类滑雪场是没有架空索道的滑雪场。如图 1所示，京张地区共有一类滑雪场5个，二类滑雪场13个，三类滑雪场11个。

图 1(Fig. 1)

图 1 京张地区滑雪场空间分布 Fig.1 Spatial Distribution of Ski Resorts in Beijing and Zhangjiakou

作为中文文本处理的重要类库，SnowNLP提供中文分词、词性标注、情感分析、文本分类、文本相似度计算等封装模块。本文基于SnowNLP情感分析封装模块构建滑雪游客情感的评价方法。基于已有研究^[43]，本文选取0.4和0.6作为区分不同类型情感的分界点，其中消极情感区间为[0, 0.4)，中性情感区间为[0.4, 0.6]，积极情感区间为(0.6, 1]。

本研究利用TF-IDF算法计算不同认知要素不同词语文本的特征重要性^[44]。TF即相同类型的滑雪场相同游客情感文本中不同词语出现的频率，但是绝对频率高的词语不一定对于认知要素的研究更有意义或更有效。因此，需要考虑每种词语的特征重要性，即进行IDF运算。

微博文本信息中每个词频的权重计算公式：

(1)

式中，tfidf_{i, j}为第j种滑雪场文本d中出现的第i个认知词语类型t的特征得分，tf_{i, j}为该词语的出现频次，idf_i为该滑雪场的逆向文件频率；

词频的计算公式为：

(2)

n_{i, j}式中，n_{i, j}是认知词语t在滑雪场文本d_j中出现的次数，n_{k, j}为滑雪场文本d_j中第k个词语出现的频数，∑_kn_{k, j}为滑雪场文本d_j中所有词语出现的频数之和。

逆向文件频率的计算公式：

(3)

式中，| D |为滑雪场文本的数量，|{ j: t_i ∈ d_j}|是指在所有滑雪场文本中，包含第j个滑雪场d_j中第i个词语t_i的滑雪场文本的数量，其中若|{ j: t_i ∈ d_j}|为0，则对其进行加1平滑处理^[45]。

本研究基于随机森林算法对情感的认知要素进行重要性分析。随机森林算法由Breiman提出^[46]，是一种基于集成学习思想，利用Bootstrap自助采样方法和决策树模型分别进行样本抽取和特征选择的方法，能有效避免单一决策树的过拟合问题，已被广泛的应用于特征重要性分析的相关研究^{[47, 48]}。

运用SnowNLP判断滑雪场游客的情感倾向，情感评分结果在[0, 1]之间。根据情感得分计算结果，游客整体情感得分呈U型分布（图 2）。积极情感数量最多，为4922条，占评论总数的74%；消极情感数量次之，为1352条，占评论总数的20%；中性情感为393条，仅占评论总数的6%。这与已有研究结论较为符合，即具有积极情感的游客更倾向于在社交媒体上分享他们的经历^[49]。

图 2(Fig. 2)

图 2 滑雪场情感得分整体分布情况（U字型分布） Fig.2 Overall Distribution of Sentiment Scores for Ski Resorts (U-Shaped Distribution)

将文本经过分词处理后制作成词云图，进行可视化分析（见图 3）。根据词云图，“滑雪”和“滑雪场”关键词出现的频次远高于其他关键词，充分体现滑雪活动和滑雪场是游客最重要的认知对象，也是影响游客情感最重要的载体。北京、崇礼、张家口等地区也是游客情感评价的主要内容，这是因为游客对旅游目的地进行认知时依据地域空间等级层次展开^[50]。2022年北京冬奥会显著提高了中国大众对滑雪运动的认知，京张地区滑雪场游客多次提及“冬奥”一词，对其具有高度认知。

图 3(Fig. 3)

图 3 整体情感词云图 Fig.3 Word Cloud of Overall Sentiment Analysis

对不同情感评价进行关键词网络分析（图 4）。图 4a为积极情感评价的网络分析图，其核心圈层表明积极情感游客主要认知要素为三类：以“冰雪”关键词为核心的滑雪活动要素；以“滑雪场”“张家口”“北京”“南山”“云顶”等关键词为核心的场所要素；以“冬奥”为关键词的事件要素。京张地区作为冬奥会举办地，游客对京张地区滑雪场的满意度和认同感普遍较高，而次核心圈层的关键词包括“单板”“小镇”“世界”等。外围圈层包括“运动员” “温泉”“高山”“赛事”等，说明游客除了滑雪活动，温泉、赛事活动、自然景观等也是游客产生积极情感的主要来源。图 4b为中性情感的网络分析图，其核心圈层以“滑雪场”为中心，包括“雪场”“单板”“银河”等，表明中性情感游客对滑雪场地的认知显著。外围圈层涉及“小时”等代表时间的关键词和“冰雪”“双板”等代表滑雪活动的关键词。根据文本发现中性情感游客对交通时间、排队时间较长有强烈的认知。另外，外围圈层还包括“孩子”“儿子”等关键词以及“缆车”“雪具”等描述滑雪场设施的关键词。图 4c为消极情感的网络分析图，其核心圈层以“滑雪场”为核心，涵盖滑雪场设施、滑雪活动、人物三种认知要素。基于次核心圈层发现“孩子”、“工作人员”等人物类认知要素也是游客产生消极情感的主要原因。通过进一步对不同类型滑雪场的游客情感分析，发现一、二、三类滑雪场游客积极情感占比分别为81.07%、70.6% 和67.71%，消极情感占比分别为15.02%、22.77%、23.32%，且中性情感在三类滑雪游客情感占比的比例均最低。这说明所有类型滑雪场游客都以积极情感为主，且随着滑雪场等级的提高，积极情感占比越高，消极情感占比越低。究其原因，一类滑雪场（如太舞滑雪场、富龙滑雪场等）架空索道数量较多，配套设施和服务设施较完善，更好满足了游客的滑雪需求体验，进而更容易产生积极情感；而三类滑雪场的雪场服务、配套设施等大多低于滑雪者对旅游品质的期望，从而容易产生消极情感。

图 4(Fig. 4)

图 4 不同情感社会网络分析 Fig.4 Social Network Analysis of Different Emotions for Ski Resorts

基于构建的滑雪场游客认知要素，表 1为场所/地域、活动、建筑、服务、设施、人文、人物、事件、自然9类认知要素中出现频次较高的关键词。

表 1(Tab. 1

表 1 不同认知要素主要关键词及词频 Tab.1 Main Keywords and Frequency of Different Cognitive Elements

表 1 不同认知要素主要关键词及词频 Tab.1 Main Keywords and Frequency of Different Cognitive Elements

根据词频统计结果，对不同类型滑雪场的不同情感进行认知差异分析。表 2是一类、二类、三类滑雪场的认知差异情况。场所/地域要素是一类滑雪场游客最主要的认知对象，而人文要素和建筑要素认知不明显。同时，积极情感游客对事件要素产生强烈认知，因为举办冬奥会、挑战赛等事件活动能显著增加游客对滑雪活动的认同感。消极情感游客对服务要素产生强烈认知，查看原始评论文本分析发现“安全”、“受伤”是这些文本中出现的高频词。游客看到其他滑雪者“不慎撞上了雪道旁边的树木受伤”或者自己“与人相撞伤了右肋”，提醒大家“出去滑雪一定要注意安全”，表明对滑雪安全的担忧是导致一类滑雪场游客消极情感的主要原因。二类滑雪场游客主要认知聚焦于场所/ 地域、活动、设施三个要素，滑雪活动以及滑雪设施是他们最为关注的要素。消极情感游客还对人物要素有明显认知，通过原始文本分析，发现游客提及的人物包括服务人员、教练、经理等工作人员。除此之外，游客太多会导致游客“滑行起来畅快感不够”，进而使二类滑雪场游客产生消极情感。三类滑雪场游客的主要认知对象有场所/地域要素和活动要素。积极情感游客对自然要素、事件要素有较强认知。从原始评论文本可知，当游客认知到冬奥等事件时，大多产生积极情感，如“元宵恰逢冬奥双喜临门”、“喜迎北京冬奥”等。而中性情感和消极情感游客则对事件要素认知不明显。

表 2(Tab. 2

表 2 不同类型滑雪场的认知差异 Tab.2 Cognitive Differences Among Different Types of Ski Resorts

表 2 不同类型滑雪场的认知差异 Tab.2 Cognitive Differences Among Different Types of Ski Resorts

为了揭示不同滑雪场类型的认知要素对游客不同情感的影响差异，本研究分别对不同类型滑雪场条件下积极情感、消极情感、中性情感进行建模。在随机森林模型构建过程中，基于现有研究^[51]定义内部节点分裂的最小样本数为2，树的最大深度为10，决策树数量为100，训练数据和测试数据的比为7:3，其他参数为默认。

随机森林模型的回归验证结果如表 3所示：一类滑雪场游客的积极情感的随机森林模型测试集R2为0.62401，表明构建的认知要素解释了一类滑雪场游客积极情感的62.401% 的变化；二类滑雪场积极情感、中性情感、消极情感的随机森林模型测试集R2分别为0.73669、0.55585和0.64386；三类滑雪场积极情感、中性情感、消极情感的随机森林模型测试集R2分别为0.78324、0.55889和0.59004，随机森林模型均表现为较好的解释性。而一类滑雪场中性情感和消极情感的随机森林模型测试集R2仅为0.28635和0.27831，模型可解释性较差，故针对一类滑雪场，本文仅对积极情感进行认知要素的重要性分析。

表 3(Tab. 3

表 3 随机森林模型验证结果 Tab.3 Results of Random Forest Model

表 3 随机森林模型验证结果 Tab.3 Results of Random Forest Model

由于建筑和人文特色两种认知要素没有通过1%的显著性检验，本研究基于场所/地域、自然条件、事件、人物、活动、景区服务、景区设施这七种认知要素的TF-IDF得分与游客情感得分进行随机森林分析。研究发现（图 5）：不同类型滑雪场影响游客积极情感、中性情感和消极情感的认知要素重要性存在显著差异。在影响一类滑雪场游客积极情感的认知要素中，场所/地域的重要性程度最高，重要性为53%；其他依次为活动（20.3%）、自然条件（9%）、景区设施（8%）、景区服务（4.2%）、人物（2.9%）、事件（2.6%）。这是因为场所/地域作为一类滑雪场最主要的认知对象，容易使游客基于其区位、知名度、地名符号等产生认同、推荐、快乐等积极情感。在影响二类滑雪场游客情感的认知要素中，场所/地域要素的对积极情感、中性情感和消极情感的重要性程度最高，分别为34.9%、56.9% 和39.3%；自然条件对二类滑雪场游客的积极情感（14.6%）的影响程度明显高于中性情感（4.2%）和消极情感（3.9%），这是因为适宜的自然条件更容易使游客高于心里预期，进而产生积极情感；景区设施对二类滑雪场游客消极情感（13.8%）的重要性程度明显高于积极情感（6.7%）和中性情感（7.2%），这说明二类滑雪场虽然有缆车、魔毯、酒店等设施，但是其设施供给能力难以满足游客需求。不同于二类滑雪场，场所/地域虽然对三类滑雪场游客积极情感（36.3%）和消极情感（41.9%）的重要性程度仍然最高，但对中性情感的重要性程度仅为15.8%；同时，自然条件对中性情感的重要性程度最高（40.3%），这表明自然条件是三类滑雪场游客决策的重要考虑因素；而由于三类滑雪场的事件认知要素占比较低，且游客的期待程度较低，故其对游客积极情感、中性情感和消极情感的占比仅为0.2%、0%和0.2%。

图 5(Fig. 5)

图 5 不同情感的滑雪场认知要素重要性排序 Fig.5 Importance Ranking of Cognitive Elements for Different Emotions in Ski Resorts

本文通过网络评论文本研究京张地区滑雪场游客的认知与情感，并采用机器学习方法探究不同认知要素对滑雪场游客情感的影响程度。研究主要结论有：①京张地区所有类型滑雪场游客情感情况都表现为积极情感占比最大，且远大于其他两类情感。中性情感占比最小，在三类滑雪场中占比都小于10%。随着滑雪场等级的降低，积极情感在游客评价中的占比逐渐降低，而消极和中性情感占比总体呈升高趋势。②场所/地域要素是滑雪场游客最主要的认知要素，而人文要素和建筑要素是认知最少的要素。此外，活动要素是积极情感和中性情感游客主要认知要素，而设施要素是消极情感游客的主要认知要素。③三种类型滑雪场中不同认知要素影响游客情感的重要程度存在明显差异。一类滑雪场中场所/地域要素对游客积极情感影响的重要程度最高（53%），二类滑雪场中场所/地域要素对三类情感的重要程度均为最高（超过34%）。场所/地域对三类滑雪场游客积极情感（36.3%）和消极情感（41.9%）的重要性程度最高，而自然条件对中性情感的重要性程度最高（40.3%）。

在理论意义上，本研究基于认知与情感理论，对滑雪场游客认知要素维度进行系统地构建，并对游客情感进行分析，在理论层面上将认知与情感理论拓展应用至冰雪旅游场景，弥补了现有研究中滑雪场游客认知不全面、情感产生来源不明确这一空白。另一方面，本研究使用机器学习方法证实了不同认知要素对游客情感的影响程度不同，将游客认知与情感理论进行拓展与延伸，为游客认知与情感研究提供了新的视角。在实践意义上，游客情感与游客行为紧密相关，研究滑雪场游客情感及其来源对指导滑雪场经营具有实践意义。研究结果表明滑雪场所/地域条件对于任何类型滑雪场来说都是重要的，滑雪场经营者应着力打造滑雪场特色以增强竞争力。同时，设施条件是导致游客消极情感的重要因素，经营者应致力于滑雪场设施条件的改善以提高游客体验。

本研究也存在一些局限和不足。首先，本研究选取京张地区滑雪场作为研究地，研究结果是否在中国所有滑雪场具有普适性还有待进一步验证。未来研究可以将研究区域扩大至全国范围，探寻滑雪场游客认知—情感的普适性规律。其次，本文没有对一类滑雪场游客的中性情感和消极情感的认知要素重要性开展研究，未来研究可以尝试Bert模型等更高精度的情感分析方法，进一步提高情感分析的准确性。最后，本研究使用游客网络评论文本作为研究数据，没有考虑游客的用户特征，未来研究可以考虑结合游客特征，进一步探究不同类型游客的滑雪场认知差异。

注释：

① 华经情报网.2022年中国滑雪市场规模、人次、人数及发展趋势. https://baijiahao.baidu.com/s?id=1749886790834492241&wfr=spider&for=pc。

② 北京市体育局“. 十三五”期间北京市冰雪运动实现跨越式发展.http://tyj.beijing.gov.cn/bjsports/gzdt84/zwdt/10938115/index.html。

③ 李晓伟“. 冬奥之城”张家口提前实现500万人次上冰雪目标. https://sports.sina.com.cn/others/winter/2021-04-13/doc-ikmxzfmk6581576.shtml。