区域分割与近邻融合：我国城市旅游经济发展中的空间特性分析

张 博， 顾方哲， 李 爽， 蒋 婷

(1.中国社会科学院 财经战略研究院，北京 100028；2.济南大学 商学院，济南 250002；3.济南大学 历史与文化产业学院，济南 250022)

区域分割与近邻融合：我国城市旅游经济发展中的空间特性分析

张 博1,2， 顾方哲3， 李 爽2， 蒋 婷2

(1.中国社会科学院 财经战略研究院，北京 100028；2.济南大学 商学院，济南 250002；3.济南大学 历史与文化产业学院，济南 250022)

以GIS平台的ESDA技术，对我国2005—2013年间337个地级以上城市的距离阈值与旅游收入面板数据进行分析。结果显示：我国城市旅游经济发展存在空间相关效应，随距离及时间变化差异显著。大阈值尺度下，东、西部区域分割现象明显；小阈值下，大城市与近邻城市间融合性发展趋势明显。半变异函数表面值显示，旅游经济的核心差异线以“江浙沪—成渝以西”走向为代表，中低差异线以“北、上、广”三线走向为代表。

旅游经济； ESDA； 反距离权重法； 空间相关

一、问题提出及文献综述

近年来，我国旅游业发展迅速。国家旅游局数据显示，我国旅游总收入从1993年的864亿元增长到2015年的4.2万亿元，年均增长率约18%。但是地区间的旅游经济发展并不均衡，甚至差异悬殊。对此，如何考察其空间表现？地方政府如何利用这种由地理因素主导的经济发展动力来发展本地旅游产业？本文从空间计量的角度对我国旅游经济发展过程中的空间区位特性予以考察，揭示空间效应在现实中的表现、规模以及成因，进而对地方政府的施政策略及方向提供参考。

从已有研究来看，空间计量技术应用于旅游学领域，在2000年后才逐渐丰富。Lau等人以GIS技术对旅游地内游客移动方式进行了分析，并从个体属性、出游动机、时间因素三个方面研究了影响游客个体移动的因素[1]，是较早在旅游领域对游客个体应用此项技术的研究。Tao Hong等人则对旅游目的地间旅游流的网络连接问题进行了研究，指出旅游流影响因素，并根据市场特点建立旅游流网络[2]，将游客个体的旅游行为从更为宏观的空间流动现象角度探讨了对旅游地的影响。Yang等人则进一步应用空间计量技术对旅游经济的空间效应问题、游客的时空行为进行了研究，指出旅游业对区域经济发展具有空间集聚效应[3]。国内研究中，吴玉鸣针对我国旅游经济增长过程中的空间效应进行了检验，结果显示省域层面的旅游经济增长呈现空间依赖性[4]。陈刚强[5]、汪德根和陈田[6]以泰尔指数分析了国内地市层面旅游经济的时空变化，指出入境旅游经济要明显高于国内旅游经济的空间差异。

综合来看，现有旅游领域内的相关研究在研究尺度、研究方法、空间关系建模以及结果解释方面有待进一步深化。其中，就研究尺度而言，已有研究多集中在全国或省域尺度[7]，缺乏针对微观经济单元的分析，从而可能会形成对我国旅游经济发展非均衡特征认识上的偏误[8]；就研究方法而言，多以时间序列、面板模型和数理统计等方法进行分析[9]，地理空间效应问题往往被忽视，缺乏解释力和展示度；就空间关系构建而言，多采用二元邻接或门槛距离矩阵的方式，虽然反映了地理空间上的一种临近概念，但不完全符合旅游空间经济实际，基于距离衰减函数构建的空间权重矩阵更符合区域旅游发展实际。同时，已有研究中缺少对于空间关系方向性的探讨，不利于把握现实层面旅游经济非均衡发展过程中的主要矛盾，难以突出施政重点；就对结果的解释方面而言，现有结论往往将一些城市如北京、上海、广州等在空间上不显著的原因简单归结为经济基数较大[10]，缺少从不同尺度(时间推移、距离阈值变化)条件下的进一步分析。

鉴于此，本文以反距离权重法(Inverse Distance Weighted，IDW)构建空间权重矩阵，基于2005—2015年间各地旅游收入数据，以GIS平台的ESDA(Exploratory Spatial Data Analysis)技术考察莫兰指数M(I)、标准化统计量Z(I)等指标，结合Getis-Ord Gi*分析图来判别局部城市群集聚情况，从而揭示不同距离阈值、不同时间条件下的旅游经济空间区位特性，时空分异格局，成因以及在现实中的表现。同时，配合半变异函数表面插值，识别空间关系在地理方向上的变化，描述空间结构中的重点差异区域。最后，基于研究结论提出相应的对策和建议。

二、数据来源与研究方法

(一)数据来源及处理

本文的研究样本为中国大陆337个地级以上城市(区域)。鉴于统计数据的可得性以及避开2003年“非典”、2008年金融危机的影响，本文的时间跨度选取2005、2007、2010、2013、2015五个年份。数据来源包括中国旅游统计年鉴(副本)、中国统计年鉴、中国区域经济统计年鉴、中国城市统计年鉴、中国经济数据库以及各地年度国民经济与社会发展统计公报等，所用软件以Geoda和Arcgis为主。

(二)研究方法

GIS平台的ESDA技术是被学界广泛认可的较为理想的数据驱动分析方法，被广泛应用于区域差异研究中。其评价指标包括衡量空间相关性的莫兰指数、空间差异标准化统计量、局部聚类统计指数Getis-Ord Gi*等，计算公式如式(1)～(3)所示。对于空间权重矩阵，本文选用反距离权重法，计算公式如(4)所示。对于空间关系在地理方向上的变化，本文以ESDA提供的半变异函数表面插值图予以衡量，计算公式如(5)所示。

(1)

Z(I)=[I-E(I)]/S(I)，

(2)

(3)

(4)

(5)

标准化统计量Z(I)用来判断M(I)的显著性水平，E(I)、SD(I)分别为期望值和标准差。当|Z(I)|>1.65，P<0.10时，显著性水平为90%；当|Z(I)|>1.96，P<0.05时，显著性水平为95%；当|Z(I)|>2.58，P<0.01时，显著性水平为99%，Z(I)及其所对应的P值(概率)结果解释如表1所示。局部聚类统计指数Getis-Ord Gi*用来描述局部高、低值的聚类特征，表达式如式(3)所示。其中，xj是要素j的属性值，ωij是要素i、j间的空间权重，n为要素总数。IDW用于构建空间权重矩阵，该方法将距离研究对象近的样本点赋以较高的权重值，距离远的赋以较低权重，从而更接近现实地刻画城市间的空间距离关系，表达如式(4)所示。其中，Zi是第i(i=1,2,…,n)个样本值，Di为距离，p为距离的幂次。半变异函数用来描述数据点的变异性与点对间距的关系，通过ESDA中的半变异函数表面值图示，可以直观地揭示地区间空间效应的方向性特征，函数表达如式(5)所示，N(h)是分割距离为h的样本量。

表1 Z(I)、P值及结果解释

注：H0代表要素的空间分布呈现完全空间随机性。

三、结果及分析

(一)结果统计

我国337个地级市(区域)M(I)、Z(I)及显著性统计数据见表2，统计图见图1、图2。局部聚类统计指数Getis-Ord Gi*示意图、半变异函数表面示意图从略。

表2 337个地级市(区域)M(I)、Z(I)及显著性统计

注：*为95%置信度水平，**为99%置信度水平；()中数值为对应Z(I)值；“-”表示不显著；两市间最小距离为35km，不产生“孤岛”城市的最小距离为493km，全部要素都相邻的距离为6155km；60km以下，各年度M(I)置信度水平均小于90%。

图1 337个地级市(区域)M(I)值统计

图2 337个地级市(区域)Z(I)值统计

(二)结果分析

1.总体来看，M(I)、Z(I)值均为正数且具有统计学意义，表明我国城市旅游经济发展存在空间效应，高、低值聚类趋势显著，总体呈现出高值集聚效应大于低值集聚效应的情形。

同一年数据来看，随阈值距离增加，M(I)呈递减趋势，Z(I)呈递增趋势。反映城市间的空间相关程度随着阈值距离的增加而逐渐减弱，但同属性聚类现象(高—高、低—低集聚)愈加明显。

同一距离阈值水平条件下，随时间推移，M(I)呈递增趋势，Z(I)呈递增趋势。反映城市间的空间相关程度和同属性聚类现象(高—高、低—低集聚)随时间的推移在逐渐增强并更加显著。

数据显示，在距离阈值K=88km和K=129km时M(I)出现两个明显峰值(见图1)，主要是由北京、上海、广州三个特大型城市对近邻城市群的空间相关效应影响所导致。M(I)表现出较高数值，且随时间推移呈现正向增加的趋势，随阈值的增加呈现减弱趋势。Z(I)值始终在低值区间徘徊(1.0～2.0)，并未显示出特别的规律性。

这一区段的高值集聚主要集中在长三角和珠三角中近距离小城市之间，其中长三角地区主要为苏州、无锡、常州、镇江，珠三角地区主要为东莞、佛山。低值集聚主要表现为石嘴山(宁夏)和乌海(内蒙古)。

2.分区段来看，在60～87km阈值区段内，由M(I)值的表现反映出短距离小型城市间的空间相关程度随着时间的推移而增强，随着阈值的增加在减弱。由Z(I)值的表现反映这一区段内城市间的空间效应显著性程度相对较低。产生这种现象的原因主要是由低阈值范围所造成，小型且相邻的城市数量较少(相邻城市数量占总城市数量的比重约为14%～43%)，空间分布较为分散，也是这一区段中80～85km阈值范围下空间效应不显著的主要原因。

3.在88～128km阈值水平下，由于上海、广州先后显现出高值，M(I)、Z(I)值较上一区段呈现跳跃式增加，整体空间相关程度和集聚趋势均明显加强。就同一阈值水平来看，随时间的推移，M(I)、Z(I)值呈增加趋势。就同一年数据来看，M(I)、Z(I)随阈值距离增加而降低。

这一区段的高值集聚主要集中在长三角、珠三角以及河北的廊坊—唐山一带。其中，长三角地区主要为上海及周边城市，包括苏州、无锡、常州、舟山、南通、嘉兴、湖州、镇江、温州、绍兴、金华；珠三角地区主要为广州及周边城市，包括东莞、中山、佛山、惠州。特别地，在88～109km区段内，上海显示为高值，广州的空间效应并不显著；在109～128km区段内，上海和广州都显示出显著的高值。河北的廊坊和唐山在整个区段内一直表现为较为稳定的高值。

这一区段的低值集聚主要集中在甘肃的兰州、武威，宁夏的银川、中卫一带。其他不太稳定的地区包括黑龙江的佳木斯、鸡西，贵州的安顺、六盘水，安徽的合肥、蚌埠、亳州。

M(I)、Z(I)值的跳跃式增加，反映出上海、广州等大型城市在整个旅游经济的空间效应表现中具有重要作用。同一阈值水平下，M(I)、Z(I)值在正值范围内逐渐增加，反映了整体城市间的高、低值集聚所显现的空间相关程度，在高值集聚影响力大的前提下，呈现逐渐增强的变化过程。同一年数据中，M(I)、Z(I)随阈值距离的增加而降低，反映出地级市间的空间相关程度整体上随着距离的增加而减弱，但显著性水平在增加，地区间高、低值集聚的现象在同步弱化。产生这种现象的原因主要是阈值的增加导致了在这一阈值区段下能够与上海、广州大型城市形成空间效应的城市增加较少，即上海、广州的辐射范围有限。低值集聚城市在宁夏、甘肃一带有所增加，导致M(I)值的整体降低。距离阈值的扩大增加了有效样本数量，相邻城市数量占总城市数量的比重已从43%上升至79%，样本已涵盖我国东南沿海和中部的大部分城市，也增加了不显著城市的数量，由130个上升至229个，导致了Z(I)值的下降。

4.阈值范围大于129km以后，同一阈值水平下，M(I)、Z(I)随年份的推移呈上升趋势。就同一年份数据来看，M(I)随阈值的增加呈下降趋势，Z(I)呈上升趋势。特别地，在129km处，由于北京显现高值，M(I)、Z(I)呈跳跃式增长，后随阈值增长M(I)逐渐下降，Z(I)逐渐上升。

在这一区段内，高值城市主要集中于东部的京津冀、长三角区域，但随着阈值距离的增加，主要城市如北京、上海的表现并不相同。进一步分析表明，129～241km区段内，上海并未显示出高值，北京显示为高值。241～281km区段内，北京、上海均显示高值。281km以后，北京不再显著，上海显示为高值。在此之后，高值空间集聚以长三角为主表现区域，随着阈值的增加向内陆及周边扩散，直至整个东部区域。低值城市主要集中于西部的青海、宁夏、内蒙古东部、新疆西部、西藏东部等区域。另外，云南、广西、四川的部分城市在某些阈值水平下也表现出低值集聚的现象。

这一区段内，129km处M(I)、Z(I)的跳跃式增加主要是由于北京表现出了高值，带动了M(I)、Z(I)的大幅上升，同样表明了大型城市对空间效应的重要影响。同一阈值水平下，M(I)值随时间推移而正向增加，反映出近年来我国城市旅游经济发展呈现高值集聚效应大于低值集聚效应的趋势，但这种趋势随着阈值距离的增加而逐渐弱化。Z(I)的总体增加则反映出空间效应显著性程度在增强。

5.地级市空间正向集聚效应随时间推移，阈值范围呈现扩大趋势。以M(I)=0.1为空间集聚效应标准衡量，在2005年距离阈值为594km，2007年为770km，2010年为1550km，2013年达到2350km，2015年达到2680km。反映我国地级市旅游经济发展过程中，高值集聚效应高于低值集聚效应的状态，在距离阈值方面呈现逐年扩散的趋势，也反映出我国高值集聚城市群的辐射范围在逐渐增加。

6.从空间效应的方向性来看，ESDA半变异函数表面值显示，城市间旅游经济的核心差异线在西北—东南方向(北偏西79°)，以江浙沪—成渝以西走向为代表。中低差异线在南—北方向(北偏东11°)，主要有三条，分别为北京—北京以南走向、上海—上海南北走向、广州—广州以北走向。并且在东北—西南方向上逐渐增加，表明此方向上地区间的差异化程度在加大。

四、结论及建议

1.我国城市旅游经济发展的空间相关效应随距离阈值、时间推移的变化而呈现不同特征。鉴于此，建议对我国东部高值集聚区域和大部分中部不显著区域采取阶梯式发展策略。对西部低值集聚区域，建议采取“热点扩散”式发展策略，有效利用区位地理因素对旅游经济的促进作用。

2.北京、上海、广州等大型城市对我国旅游经济发展的空间相关效应影响较大，但所形成的三大城市群发展特征各异。江浙沪地缘因素的影响显著、稳健，范围逐渐向内陆的徽、陕及周边的鲁南、闽北区域扩大。珠三角空间效应逐渐弱化，微观层面各地市的发展不具倾向性。京津冀以及与内蒙古、辽宁交界地区属新兴空间经济增长区域。

鉴于此，建议长三角以上海为核心，一级阶梯为苏州、无锡、常州、镇江、舟山、南通、嘉兴、湖州、温州、绍兴、金华等地；二级阶梯为鲁南、苏北、徽东、闽北等地；三级阶梯则继续向中部城市扩散。珠三角以广州为核心，一级阶梯包括东莞、中山、佛山、惠州等地；二级阶梯主要是以上城市的周边地区。珠三角区域的高值显著性特征并不稳健，其主要任务还是强化核心与一级阶梯城市间协同，以期达到稳健的高值表现。京津冀以北京为核心，一级阶梯包括天津、廊坊、唐山；二级阶梯包括环渤海城市群、辽西、蒙东地区。

3.我国东、西部城市在长距离阈值条件下，旅游经济发展差距加大，高—低值分化现象显著高于南、北部城市。鉴于此，西部地区可以采取“热点扩散”式发展策略，着重打造一些能够在空间效应上呈现高值特征的“热点型”城市，将高值空间效应传导扩散出去，进而带动更多地区脱离低值状态。

具体来看，可以西部地区最大的城市群——成渝城市群为重点，将其打造成为具有空间经济高值效应的热点型城市。同时，应寻找可以突破区位限制的经济增长影响要素，如提高交通便利度、增加旅游开发资本投入等，打破地理壁垒，减少低值效应的城市数量。

[1] LAU G,MCKERCHER B.Understanding tourist movement patterns in a destination:a GIS approach[J].Tourism and hospitality research,2007,7(1):39-49.

[2] HONG T,MA T, HUAN T C.Network behavior as driving forces for tourism flows[J].Journal of business research,2015,68(1):146-156.

[3] YANG Y，TIMOTHY F.Spatial effects in regional tourism growth[J].Annals of tourism research,2014,5(46):144-162.

[4] 吴玉鸣.旅游经济增长及其溢出效应的空间面板计量经济分析[J].旅游学刊,2014,29(2):16-24.

[5] 陈刚强.中国地市旅游经济差异的时空演变特征[J].地域研究与开发,2012,31(4):91-95.

[6] 汪德根,陈田.中国旅游经济区域差异的空间分析[J].地理科学,2011,31(5):528-536.

[7] 晋艺波. 甘肃省旅游业对区域经济发展贡献分析[J].重庆交通大学学报(社会科学版), 2016,16(3):62-66.

[8] 樊元,刘云啟,李瑞杰.空间计量模型的演化研究综述[J].统计与决策,2016,464(20):35-39.

[9] 潘竟虎.中国地级及以上城市城乡收入差距时空分异格局[J].经济地理,2014,34(6):60-67.

[10] 向艺,郑林,王成璋.旅游经济增长因素的空间计量研究[J].经济地理,2012,32(6):162-166.

StudyontheSpatialEffectofUrbanTourismEconomyDevelopmentinChina

ZHANG Bo1,2, GU Fangzhe3, LI Shuang2, JIANG Ting2

(1.Institute of Economic Strategy, Chinese Academy of Social Sciences, Beijing 100028, China;2.Business School, University of Jinan, Jinan 250002, China;3.School of History and Culture Industry, University of Jinan, Jinan 250002, China)

The spatial effect of tourism economy in China during the period of 2005—2013 was examined. The result shows: firstly, the spatial correlation effect exists in the development of urban tourism economy in China, but there are significant differences along with the changes of threshold value and time. Secondly, under long distance conditions, area difference of the tourism economy development is obvious from the east to the west. Under short distance conditions, big cities, including Beijing, Shanghai and Guangzhou, have high spatial correlation with neighboring cities, and show significant trend of merging development. Thirdly, results of the semi-variable function model show the core different area between inter-urban tourism economies is at northwest-southeast direction (north by west 79 degree), represented by the line from city of Shanghai to Chengdu. Low and medium difference areas mainly concentrated around Shanghai, Beijing and Guangzhou.

tourism economy; ESDA; IDW; spatial-dependence effect

张 璠)

国家社会科学基金青年项目“‘一带一路’建设对我国区域旅游承载力影响的评估与对策研究”(16CGL022)

张博(1982—)，男，辽宁铁岭人，中国社会科学院财经战略研究院博士后，济南大学商学院讲师，博士，研究方向：旅游经济；顾方哲(1984—)，女，山东济南人，济南大学历史与文化产业学院讲师，博士，研究方向：文化产业管理；李爽(1984—)，女，山东济南人，济南大学商学院讲师，博士，研究方向：旅游地理；蒋婷(1979—)，女，山东济南人，济南大学商学院讲师，博士，研究方向：服务管理。

F592.3

A

1674-0297(2017)06-0048-06