江苏省各城市接待国内旅游人数的时空演化特征分析＊——基于空间自相关和Hurst指数分析法

李晓维，唐 睿

（1.安徽工商职业学院 旅游管理系，安徽 合肥230041；2.华东师范大学 商学院，上海200241）

江苏省作为全国知名的旅游大省，拥有众多享誉全国、实力强劲的旅游城市。其具有代表性的旅游城市如南京、苏州、无锡等一直是国内传统的热门旅游目的地，在国内旅游市场中扮演着举足轻重的角色。本文利用空间自相关和Hurst指数分析的方法，对江苏省各城市不同年份接待的国内旅游人数展开研究，以期从宏观和微观层面深度把握江苏省各城市接待国内旅游人数的空间变化特性和时间变化趋势，旨在为江苏省各城市国内旅游政策的调整和国内旅游市场的开拓提供科学决策的依据。

一、理论回顾与文献综述

（一）旅游接待人数的相关研究方面：文献数量较少，议题比较单一

在旅游接待人数的相关研究方面，刘慧敏、樊锁海针对广州市2004年至2008年的年旅游接待人数及相应的月份数据，利用灰色预测GM（1，1）模型进行预测，发现分月预测的效果要好于直接年预测的效果，通过预测发现广州市未来几年的接待人数约以5%的速度增长［1］。卢鹏宇对2005年至2010年珠三角9市旅游接待人数与旅游收入的面板数据进行了协整分析，按照旅游接待人数对旅游经济增长的贡献程度，将珠三角城市划分为三个阶梯，并提出了相应的政策建议［2］。陈海波等利用Panel－Data模型，对1999年到2004年江苏省13个市的国内旅游接待人数和国内旅游收入数据展开分析。结果发现，如果以江苏省各地区旅游接待人数对旅游经济增长的影响为判定标准，江苏省13个城市可以划分为四个等级。同时对江苏省区域旅游业协调发展提出了相应的对策建议［3］。综上所述，目前国内关于旅游接待人数的相关文献数量较少，且较多关注旅游接待人数对旅游经济增长的影响方面，研究议题比较局限。

（二）旅游空间自相关方面研究：宏微观层面均有涉及，研究视角相对多元

张潇对我国大陆地区1994年至2006年各省国内旅游和入境旅游的游客人数和旅游收入分别进行空间自相关分析，得到的基本结论如下：国内旅游的空间自相关性强于入境旅游；西部地区省份在入境游国内游方面处于“低低”区域，东南部沿海省份处于“高高”区域，中部省份处于“中低周高”区域，而四川省则表现出明显的“中高周低”的特点；我国入境旅游和国内旅游的空间形态基本同代表性景点和大城市的空间分布相耦合，但与景观资源的分布则形成了一定的空间错位［4］。宋萍、卞羽等针对武夷山风景名胜区游客进行了空间自相关分析，发现武夷山风景名胜区游客的分布不存在显著的全局空间自相关，表现出了随机的特点；在旅游客源地方面，福建省内的城市与经济发达的大城市具有较强的空间自相关性，其余旅游客源地城市则呈现出聚集或离散的空间格局［5］。宋鸿、陈晓玲针对1995年至2004年中国各省入境旅游外汇收入进行空间自相关分析，发现除1997年以外，我国各省份在其它年份入境旅游区域增长的整体空间格局呈现出随机特点，各个时期均有一个或几个省区与邻近省区的局部空间自相关显著，此类空间变化在2001年之后趋于稳定［6］。目前国内关于旅游空间自相关方面的研究上至宏观层面的全国范围，下至微观层面单个的旅游景点均有所涉及，并且研究的视角也相对多元。

至于Hurst指数分析，目前大多聚焦于自然科学领域，在旅游相关类研究中还没有发现Hurst指数的身影。本文将首先运用空间自相关和Hurst指数法，从宏观至微观，由空间至时间对江苏省各城市接待国内旅游人数展开全面的分析。

二、江苏省各城市接待国内旅游人数的空间自相关分析

（一）数据来源说明

本文数据来源于江苏省统计局官方统计数据版块中的统计年鉴部分，选取的指标为其中的国内旅游人数和收入项目中接待人数（万人次）指标。选取的对象城市包括江苏省13个地级市，即苏南地区：南京、苏州、无锡、常州、镇江；苏中地区：扬州、泰州、南通；苏北地区：徐州、连云港、宿迁、淮安、盐城。数据的年际长度为1999年至2012年。

（二）空间自相关的分析过程

1.空间自相关的计算过程简介

空间分析法是准确认识、评价和综合理解空间位置和空间相互作用重要性的方法，其中空间自相关是测试空间某点的观测值是否与其相邻点的值存在相关性的一种分析方法［7］。空间自相关最为常用的统计量是Moran’s I指数（即莫兰指数），Moran’s I指数为［－1，＋1］，＋1说明完全正相关，而－1说明完全负相关，0说明不相关。Moran’s I指数的计算公式如下：

其中，I为 Moran’s I指数，且i≠j。

对于Moran’s I指数，可以用标准化统计量Z来检验n个区域是否存在空间自相关关系，Z的计算公式如下：当Z值为正且显著时，表明存在正的空间自相关，也就是说相似的观测值（高值或低值）趋于空间集聚；当Z值为负且显著时，表明存在负的空间自相关，相似的观测值趋于分散分布；当Z值为零时，观测值呈独立随机分布。

2.空间自相关结果分析：空间负相关性逐年增强，各城市接待国内旅游人数的“两极化”格局凸显

本文借助于空间计量软件GeoDa 0.9.5对相关数据进行分析，以探索江苏省各城市接待国内旅游人数的空间相关关系。空间计量软件GeoDa 0.9.5会对原始数据生成Moran散点图，散点图表现形式为笛卡尔直角坐标系，横坐标为各空间单元标准化后的属性值，纵坐标为标准化后的由空间连接矩阵决定的相邻单元属性值的平均值［8］。散点图的四个象限可以分为“高高”（第一象限）、“低高”（第二象限）、“低低”（第三象限）、“高低”（第四象限）。其中第一、第三象限周边区域值同为“高高”或“低低”，表明这两个象限的空间单元存在较强的空间正相关；第二和第四象限的“低高”和“高低”表明高观测值的空间区域被低值的区域所包围，或者相反，说明这两个象限的空间区域存在较强的空间负相关。本文选取1999年、2008年、2012年为主要年份（选取1999年和2012是因为这两年为数据时间范围的起始与结束年份，选取2008年是由于该年有些城市接待国内旅游人数的空间自相关性发生了明显变化），对三年的空间自相关的结果展开具体分析。

从图1可知，1999年江苏省各城市接待国内旅游人数的Moran’s I指数值为0.188 2，各城市呈现出一定的空间正相关性。也就是说，在接待国内旅游人数方面，江苏省各城市并没有表现出完全的随机性，而是表现出空间相似值之间的空间聚集。在1999年，江苏省有2个城市分布在“高高”（第一象限）、有4个城市分布在“低高”（第二象限）、有6个城市分布在“低低”（第三象限），有1个城市分布在“高低”（第四象限）。分布在“高高”（第一象限）的2个城市为苏州和无锡，由于两个城市旅游产业发达，接待的国内旅游人数远远领先于周边的常州、南通等城市，故位于“高高”区域；分布在“高低”（第四象限）的1个城市为南京，南京作为江苏省省会，旅游产业优势明显，所接待的国内旅游人数远超于临近周边镇江、扬州、泰州等地；分布在“低高”（第二象限）的4个城市则是聚集在南京、苏州、无锡等旅游强市周边的部分城市，大部分属于苏中地区；分布在“低低”（第三象限）的6个城市则大部分属于苏北地区。综上所述，在接待国内旅游人数方面，1999年江苏省各城市拥有一定的空间正相关性，苏南地区是明显的旅游“高地”，其中苏北地区是明显的旅游“洼地”，且苏北地区大量旅游“洼地”的集聚对江苏省各城市接待国内旅游人数的空间正相关性产生了较大影响。

从图2、图3可知，2008年江苏省各城市接待国内旅游人数的Moran’s I指数值为－0.139 4，2012年江苏省各城市接待国内旅游人数的Moran’s I指数值为－0.150 0，此时在接待国内旅游人数方面，江苏省各城市呈现出一定的空间负相关性。从2008年和2012年江苏省各城市接待国内旅游人数的Moran散点图来看，绝大部分城市分布在“低低”（第三象限）和“高低”（第四象限）。说明在总体的空间格局上，江苏省各城市在接待国内旅游人数上逐渐呈现出比较明显的两极化趋势。值得注意的是，在2008年江苏省各城市接待国内旅游人数的Moran散点图中，有两个城市接近散点图横坐标中心线的边界，逐渐从“低低”（第三象限）向“高低”（第四象限）移动。在2012年江苏省各城市接待国内旅游人数的Moran散点图中，已经有一个新城市进入了“高低”（第四象限），使得该区域的城市数量增加至4个，同时还有一个城市也正在“尾随而来”。综上所述，近年来在接待国内旅游人数方面，江苏省各城市呈现出一定的空间负相关性，各城市将出现两极化趋势，且这种趋势逐渐增强。

为了加强对各年份江苏省各城市接待国内旅游人数空间自相关状况的总体认知，现将1999年至2012年江苏省各城市接待国内旅游人数Moran’s I指数表列出。可以看出，在接待国内旅游人数方面，江苏省各城市除了在1999年呈现出一定的空间正相关性，在未来的年份均呈现出空间负相关性，且负相关性逐渐增强。在这里需注意Z值的含义，即在5%的显著水准下，当Z值大于1.96时，表示研究范围内某现象的分布的相关性显著。若Z值介于1.96与－1.96之间，则表示研究范围内某现象的分布关联性不明显，空间自相关性比较弱。若Z值小于－1.96，则表示研究范围内某现象的分布呈现负的空间自相关性。从表1可知，1999年至2012年江苏省各城市接待国内旅游人数Moran’s I指数的Z值均处于1.96与－1.96之间，空间自相关性并不显著。但是，其空间负相关性的趋势却正在不断增强。

总体来说，1999年至2012年间，在接待国内旅游人数方面，江苏省各城市的Moran’s I指数值经历了一个从正到负的过程，即江苏省各城市的空间负相关性逐渐凸显。尽管14年间江苏省各城市的空间负相关并不显著，但是其空间负相关的趋势却在不断增强，江苏省各城市接待国内旅游人数逐渐呈现出“两极化”的格局。从每年江苏省各城市接待国内旅游人数的原始数据观察分析可知，苏南地区的传统旅游强市如南京、苏州、无锡等聚集于“高低”（第四象限），而苏北地区等旅游业发展水平一般的城市大多聚集于“低低”（第三象限）。

三、江苏省各城市接待国内旅游人数的Hurst指数分析

上述的空间自相关分析是从宏观层面、空间的角度对江苏省各城市接待国内旅游人数进行的分析，通过上述分析，可以形成对江苏省各城市接待国内旅游人数空间关系的整体认识。然而，江苏省各城市接待国内旅游人数在时间层面具体的变化状况，仅依靠空间自相关的分析方法是不够的。本文将继续采用Hurst指数的分析方法，对1999年至2012年江苏省13个地级市各自的接待国内旅游人数展开研究，以期从微观层面，时间的角度加强对江苏省各城市接待国内旅游人数的深入理解。

（一）Hurst指数分析过程

Hurst指数是水利专家H.E.Hurst在20世纪中叶提出的一种判别时间序列是否对于时间有依赖的参数。他通过考察河流的泛滥和枯水期发现，这种时期往往持续几年［9］。其具体的计算过程如下：考虑一个时间序列｛δ（t）｝，t＝1，2…对于任意正整数τ≥1，定义均值系列

表1 1999年至2012年江苏省各城市接待国内旅游人数Moran’s I指数表

累积离差为：

极差为：

标准差为：

则Hurst经验关系式为：

其中H为Hurst指数。在双对数坐标系（Inτ，InR/S）中用最小二乘法得到散点的拟合直线，该直线的斜率即为H指数。根据H值的大小，可以判断该时间序列是完全随机的抑或是存在趋势性成分。趋势性成分是表现为持续性（Persistence），还是反持续性（Antipersistence）。

Hurst等人曾证明，如果｛δ（t）｝是相互独立、方差有限的随机序列，则有H＝0.5。对应于不同的Hurst指数H（0＜H＜1），存在以下几种情况：第一，H＝0.5，表明时间序列差分的自相关系数为0，即各项要素完全独立，相互没有依赖，要素变化是随机的。第二，0.5＜H＜1，说明数据的波动更加平缓、光滑程度更好，此时变量之间正相关，表明时间序列具有长期相关的特征（Long range correlation），过程具有持续性。第三，0＜H＜0.5，说明数据的波动较为剧烈，此时变量之间负相关，当前对未来有负影响，即过去整体增加的趋势预示将来的整体上减少，反之亦然，这种现象就是反持续性。H值越接近0，反持续性越强。

总之，Hurst指数能很好地揭示出时间序列中的趋势性成分，并且能由Hurst指数值的大小来判断趋势性成分的持续性或者反持续性强度的大小，由此总结出了Hurst指数的分级表［10］。

表2 Hurst指数分级表

（二）江苏省各城市接待国内旅游人数Hurst指数分析结果

按照上述计算方法对江苏省各城市接待国内旅游人数进行分析，可以得知未来江苏省各城市接待国内旅游人数变化趋势的强弱，具体分析结果如表3所示。

从表3可知，江苏省各城市接待国内旅游人数的Hurst指数值绝大部分均在0.5以上，说明未来江苏省各城市接待国内旅游人数的总体变化将与过去的变化趋势一致。由于在1999年至2012年间江苏省各城市接待国内旅游人数均呈现增长态势，所以江苏省绝大部分城市的接待国内旅游人数的总体变化方向是增长态势。然而，每个城市接待国内旅游人数增长趋势的强弱却存在较大差异。

表3 江苏省各城市接待国内旅游人数Hurst指数值

1.苏南地区：旅游强市缺乏增长潜力，一般城市增长态势较强

苏南地区的代表城市南京和苏州，其Hurst指数值均在0.63左右，拥有较弱的持续性强度。可以预见未来南京和苏州两地接待国内旅游人数虽然呈现增长趋势，但是增长的趋势却较弱，增长潜力不大；常州和镇江两地的Hurst指数值分别为0.667 4和0.706 6，拥有较强的持续性强度，其增长势头在苏南地区众多城市中名列前茅；值得注意的是苏南地区的又一旅游强市无锡，其Hurst指数值0.404 7，拥有较弱的反持续性强度，意味着过去整体增加的趋势预示将来的整体上减少，无锡市未来接待国内旅游人数有可能会有所下降。总的来说，在接待国内旅游人数方面，苏南地区旅游强市增长潜力匮乏，一般城市却表现出了较强的增长态势。

2.苏中地区：增长潜力居于全省首位

苏中地区三个城市接待国内旅游人数的Hurst指数值均在0.7以上，均拥有较强的持续性强度。苏中地区以整体高于0.7的Hurst指数值在全省范围内表现抢眼。其中扬州的Hurst指数值为0.726 6，不但在苏中地区表现突出，更是在整个江苏省范围内拔得头筹。由此可见，在接待国内旅游人数方面，苏中地区的增长潜力位于江苏省首位。

3.苏北地区：区域内各城市增长趋势差距较大

在苏北地区的5个城市中，盐城与徐州的Hurst指数值分别为0.701 6和0.700 7，在苏北地区名列前两位，其余三个城市的Hurst指数值均在0.65与0.7之间。总体上说苏北地区各城市接待国内旅游人数均拥有较强的持续性强度，其未来增长的潜力也较强。但是，淮安的Hurst指数值只有0.654 6，与盐城、徐州等市的数值差异明显，说明在接待国内旅游人数方面，苏北地区区域内各城市增长趋势存在较大的差距。

4.苏中、苏北地区：增长态势强于全省平均水平，苏南地区落后于全省平均水平

利用上述数据分别计算苏南、苏中、苏北三个地区平均的Hurst指数值，在与全省平均Hurst指数值0.663 6进行比较，可以得知江苏省三大区域接待国内旅游人数增长态势之间的差别。由表4可知，苏中地区的平均Hurst指数值领先于全省水平0.053 6，苏北地区其次，领先于全省水平为0.023 0。而苏南地区落后于全省水平－0.055 2。由此可见，在接待国内旅游人数方面，苏中、苏北地区的增长态势强于全省的平均水平，而苏南地区的增长趋势落后于全省的平均水平。其中，苏中地区各城市接待国内旅游人数增长潜力最为显著。

表4 江苏省三大区域平均Hurst指数值及与全省平均Hurst指数值之差

综上所述，从江苏省各城市接待国内旅游人数的Hurst指数分析的结果来看，苏中地区表现最为突出，三个城市的Hurst指数值在全省位列前三，接待国内旅游人数的增长潜力居于全省首位；苏北地区表现其次，同时区域内各城市接待国内旅游人数的增长趋势存在较大差距；苏南地区的Hurst指数值落后于全省平均水平，且旅游强市普遍增长乏力，其中无锡市未来接待国内旅游人数有可能会出现“逆增长”。

四、研究结论与建议

针对1999年至2012年江苏省各城市接待的国内旅游人数，基于宏观层面，从空间角度出发，运用空间自相关的分析方法，发现江苏省经历了一个从空间正相关到空间负相关的变化过程，且空间负相关性有不断增强的趋势，各城市接待国内旅游人数逐渐形成了苏南地区“高低”聚集和苏北地区“低低”聚集的两极分化格局。基于微观层面，从时间角度出发，运用Hurst指数分析的方法，发现了江苏省三大区域在接待的国内旅游人数均存在自身的特点，其中苏中、苏北地区接待国内旅游人数的增长态势强于全省平均水平，而苏南地区的情况正好相反，且苏南地区的无锡市未来接待的国内旅游人数有可能会下降。

针对1999年至2012年江苏省各城市接待国内旅游人数所出现的空间变化特征和时间变化趋势，各城市应采取相应的措施来解决旅游发展过程中的问题，应对可能会出现的局面。首先，应从全省层面优化各个区域和各个城市的旅游产业结构，加强区域旅游合作，协同对外宣传，形成鲜明的区域旅游形象。尤其是要针对省内旅游业发展比较落后的地区，构建类似于“苏中、苏北旅游战略集群”的区域旅游合作模式和合作机制，逐渐缩小与苏南地区的差距。

苏南地区的部分城市在保持自身全省“旅游霸主”地位的同时，应积极认识到自身接待国内旅游人数增长潜力的制约因素，通过创新旅游产品等手段重新挖掘自身旅游产业发展的新增长点。尤其是无锡市更应该不断探索提高旅游吸引力的方法和手段，尽快扭转接待国内旅游人数有可能会出现下降的趋势。

苏中地区应该积极利用靠近苏南等旅游强市的地理优势，开发一些与苏南等旅游强市互补的旅游产品，与苏南地区形成国内客源共享的良性互动模式，避免旅游产品开发过程中的同质化现象所导致的区域恶性竞争，以保持目前在接待国内旅游人数增长趋势方面的优势，争做全省旅游产业发展的新兴增长极。

苏北地区接待的国内旅游人数不但与苏南、苏中地区差距较大，而且区域内部也存在较大差距。苏北地区在挖掘自身旅游特色，促进旅游产品开发向深度推进的同时，应整合区域内各个城市的旅游资源，签订旅游战略合作协议，形成“苏北旅游圈”。利用各个城市代表性优质旅游资源大打旅游产品的“组合拳”，吸引国内游客，逐渐缩小自身与苏南、苏北等城市的差距。

［1］刘慧敏，樊锁海.基于灰色系统理论的广州市旅游接待人数预测与分析［J］.统计与决策，2010（17）：64－66.

［2］卢鹏宇.珠三角旅游接待人数与旅游经济增长实证分析——基于面板数据的协整检验［J］.深圳职业技术学院学报，2012（6）：24－29.

［3］陈海波，刘洁，张瑾.基于Panel—Data模型的江苏省区域旅游接待人数与旅游经济增长研究［J］.工业技术经济，2006（7）：127－129.

［4］张潇.基于空间自相关的中国旅游空间格局分析［D］.西北大学，2009.

［5］宋萍，卞羽.武夷山风景名胜区游客区域分布的空间自相关分析［J］.热带地理，2008（5）：283－287.

［6］宋鸿，陈晓玲.运用空间自相关分析中国入境旅游增长空间格局［J］.世界地理研究，2006（3）：99－106.

［7］孙三百.基于空间分析法的四川省区域经济差异［J］.西南金融，2009（8）：43－45.

［8］万鲁河.基于GeoDa的哈大齐工业走廊GDP空间关联性［J］.地理研究，2011（6）：977－984.

［9］叶中行，曹奕剑.Hurst指数在股票市场有效性分析中的应用［J］.系统工程，2001（5）：21－24.

［10］冯新灵，冯自立，罗隆诚，等.青藏高原冷暖气候变化趋势的R/S分析及Hurst指数试验研究［J］.干旱区地理，2008（2）：175－181.