中国省际入境旅游空间格局的时间动态性（1991—2016）

代美玲，马晓龙

（南开大学旅游与服务学院，天津 300350）

引言

入境旅游是国家和地区旅游竞争实力和文化软实力的综合体现，也是国家形象的重要展示窗口，在国家旅游产业发展中占据十分重要的地位。一直以来，中国入境旅游的起步和发展长期依赖北京、上海、广州等省份和城市，并形成了以这些主要口岸（门户）为核心并进行外围疏导，且较为稳定的“集聚-扩散”结构[1]。2017年，全国各省份接待入境游客达到1.39 亿人次，入境旅游外汇收入1234.17亿美元，分别同比增长0.80%和2.90%[2]。在入境旅游总量和规模不断扩大的同时，随着中国社会经济发展融入国际市场程度的不断加快加深，以及不同省域经济和交通条件改善导致的外向整合能力的持续加强，包括武汉、郑州、成都等在内的省会城市在地方社会经济发展中的主导能力不断加强，区域经济发展集核的地位不断凸显。这样的背景下，中国入境旅游发展对传统入境口岸（门户）城市，如北京、上海、广州等的依赖程度在理论上应该会有所弱化，入境旅游流的空间扩散路径和扩散方式应该呈现更加多元化的特征。相关研究也确实证实，近年来中国入境旅游客流扩散的等级性与近程性特征愈加显著，旅游流的扩散路径也表现出更加多样化的特征，并形成了以北京、上海、广州、西安、成都、重庆、桂林、昆明、沈阳等热点城市为节点，以“北京→天津”“上海→北京”“广州→深圳”“西安→北京”“成都→重庆”“重庆→成都”“桂林→重庆”“昆明→桂林”“沈阳→北京”等为代表的典型扩散路径[2]。这种空间格局和扩散路径特征对中国入境旅游市场营销和服务性资源配置具有重要导向意义，但需要进一步回答的问题在于：基于截面数据所形成的空间扩散类型的多元化特征到底是入境旅游发展长期累积的结果，还是在某种特定情境下产生的一种短期偶然结果？在缺少时间维度历时性研究的情况下，该结论的稳健性和可靠性则无法得到科学验证，也无法回答产业实践所提出的以上问题。只有把时间要素融入探索性空间数据分析中，才能够实现探索性空间数据分析（exploratory spatial data analysis,ESDA）向探索性空间数据分析（exploratory space-time data analysis,ESTDA）的转变，也才有可能对中国入境旅游发展的时空演化特征进行全面表达[3]。

文献显示，入境旅游研究主要集中在形成旅游流动的影响因素[4-19]、旅游流动过程中的市场结构与特征[20-23]以及入境旅游在不同尺度上的区域差异性[5-6,8,20,24-43]等方面。其中，影响入境旅游的宏观因素较为广泛，既包括国家或地区的经济发展水平[4-11]、对外政策取向[12-15]、外贸环境[13-15]等柔性因子，也包括研究区域所处的交通区位条件[4-5,7-8,11-12,14,16]、吸引游客的资源禀赋[4-5,12,14,16]等刚性因子，甚至在某些特殊情况下，诸如SARS之类的重大疾病、区域性恐怖主义和自然灾害等重大危机（突发）事件都会对入境旅游的强度、流向等产生决定性影响[4,8,11-12,17-18]。影响入境旅游发展水平的微观因素则包括地方文化[19]、产品知名度[8]、服务水平[3]等，这些研究在不否认宏观因子对入境旅游发展起到关键作用的同时，更加注重单项因子的影响[5-6,8,19]。而作为赚取外汇和推动国家或地方经济发展的重要途径，客源市场结构及其消费特征成为入境旅游研究关注的另外一个重点。一个形成基本共识的结论是，差异化的消费特征会导致差异化的市场结构，从供给侧推动和实现二者在时间和空间上的耦合成为入境旅游产业发展实践过程中产业界和学术界所追求的目标[20-23,32-34]。与国内外入境旅游市场研究更加注重微观、细化和个体的研究特点不同，在国土面积巨大且存在显著国情差异的中国，学术界对入境旅游区域差异的研究更具有现实意义。研究对象既包括整建制的省、市[40-41]、县[42]等行政单元，也包括大、中、小多种尺度且更加具体和典型的案例地[38-39]，并形成了一系列基于地域分异规律的入境旅游流流动特征、网络结构和空间扩散规律等[5-6,8,20,24-43]。总体来看，现有入境旅游研究在各个方面均取得了较为丰硕的成果，但大多仍集中在区域差异的静态结构分析方面，缺少基于时间过程的空间规律的总结。实际上，空间格局和空间差异具有显著的时间依赖性特征，只有整合空间结构的转移和变换过程，才能深入探析数据背后的地理动态性规律[44]。鉴于此，本研究在ESTDA分析框架下运用时空跃迁分析方法（local indicators of spatial association,LISA），拟对中国入境旅游进行基于连续时间变化过程的空间动态格局演变规律进行总结，从而回答：（1）空间尺度上，中国入境旅游流的省际格局具有何种依赖性与溢出效应？（2）时间尺度上，1991—2016年中国入境旅游流的时序变迁有何特征？

1 研究设计

1.1 方法选取

本研究将中国入境旅游发展对典型口岸（门户）城市依赖程度的变化作为地理要素的时空特征表现形式，拟在ESTDA分析框架下运用LISA时空跃迁分析方法对中国入境旅游发展的空间模式在时间上的演化以及时序行为在空间上的分布规律进行总结。为实现这一目的，需要将中国入境旅游发展的时间和空间特征视作同一数据的互补视图，从而系统分析其空间模式在时间上的演化以及时序行为在空间上的分布特征。

首先，从全国尺度对中国入境旅游流的省际格局进行空间表征，利用衡量空间自相关程度的Moron’sI指数，对各省入境旅游发展水平的相关性和省际入境旅游发展水平是否出现集聚或异常情况进行测度。该指数的计算方法如式（1）所示：

式（1）中，I代表全局空间自相关指数，i，j分别代表两个特定的研究单元，n是空间观测单元数量，z是观测值与均值的离差向量，z′是z向量的转置向量，wij是二值（0，1）空间邻接矩阵，区域i与j相邻为1，不相邻为0，s0=∑∑wij。全局空间自相关指数I的取值范围在[-1，1]之间，在给定显著水平下，I值大小反映了入境旅游省份的空间差异程度。I值越大，入境旅游发展水平高（或低）的省份在空间上的聚集特征越明显；I值越小，入境旅游发展水平高（或低）的省份在空间上的分异特征越明显。

为进一步解决空间过程中潜在的不稳定性以及测量局部区域单元在相近空间的关联程度，引入局部空间自相关指数Ii对此进行表征，计算方法如式（2）所示：

式（2）中，局部空间自相关指数Ii代表着区域单元属于高值集聚还是低值集聚空间分布特征，介于[-1，1]之间的取值范围反映了空间相邻相异的负相关向空间相邻相似正相关的过渡。在对不同年份省际入境旅游发展局部空间自相关指数计算的基础上，可对空间滞后因子wz和z之间的相关关系进行可视化二维图，即Moran散点图进行描述。Moran散点图中的4个象限分别对应某一特定省份与其相邻省份之间4种不同的空间联系方式：散点位于0°～90°的第一象限（HH），表示省域单元与其邻域单元正向协同增长，省域单元自身及其邻近省域的入境旅游人次均保持高增长特征；散点位于90°～180°的第二象限（LH），表示省域单元自身入境旅游人次呈低增长，但其相邻省域单元入境旅游人次呈高增长特征；散点位于180°～270°的第三象限（LL），表示省域单元与其邻域单元负向协同增长，省域单元自身和其相邻省域单元的入境旅游均呈低增长特征；散点位于270°～360°的第四象限（HL），表示省域单元自身入境旅游人次呈高增长特征，但相邻省域单元入境旅游人次呈低增长特征。可见，散点位于第一和第三象限表明省域单元和其邻域单元之间保持协同整合的空间动态性变化特征，位于第二和第四象限则表明省域单元和其邻域单元之间呈反向增长的空间动态性变化特征。

其次，为进一步掌握入境旅游流空间结构在时间序列上的动态性特征，需要对Moran散点图中各省份坐标空间移动轨迹的变化情况进行测度。将LISA坐标的移动路径用[（yi,1，yLi,1），（yi,2，yLi,1），…，（yi,t，yLi,t）]表示，yi,t表示i省在第t年的入境旅游标准化值，yLi,t表示i省在第t年的空间滞后量。能够反映空间移动情况的几何特征包括LISA时间路径长度、弯曲度和跃迁方向3个关键指标。其中，LISA时间路径长度d代表区域局部空间结构动态性特征，如式（3）所示：

式（3）中，N为省域单元数量，T为年度时间间隔，Li,t为省域单元在第t年的LISA坐标，d（Li,t，Li,t+1）为省域单元i从第t年到t+1年的移动距离。d值大小反映局部空间区域结构的动态性强弱，d＞1表示省域单元i的移动距离大于省域单元移动距离的平均值，局部范围内省域或其邻近单元入境旅游增长更具潜力或活力，省域单元的移动更加具有动态性。

LISA时间路径弯曲度f能够透视区域局部空间结构波动性特征，如式（4）所示：

式（4）中，d(Li,1,Li,T)为省域单元i从起讫年到截止年的移动距离。f值大小反映LISA时间路径的弯曲程度和局部空间结构波动的复杂性。f＞1，表明省域单元i的移动曲折程度高于全国各省份的平均值，表明省域入境旅游发展更具变动的局部空间依赖特征；反之，表明省域入境旅游发展更具稳定的局部空间结构特征。

进一步地，根据相关学者对时空跃迁类型所进行的划分[45]，可以通过局部空间自相关指数的空间离散度（spatial cohesion）对中国入境旅游空间结构的稳定性进行测度，从而得出每种细分跃迁类型的具体变迁概率。空间离散度St的计算如式（5）所示：

式（5）中，St为空间离散度，FO,t为t时段内O型跃迁类型的数量；n为省域单元所有可能发生跃迁的数量。

1.2 数据来源

本研究中所有可供计算的数据均来源于历年次出版的《中国旅游统计年鉴》中对中国大陆31个省域单元（不包括香港、澳门和台湾地区）各省份入境旅游人次的统计数据。为了长时间观测中国入境旅游空间特征随着时间的演化过程，考虑到数据的可获得性以及横向和纵向的可比较性，最终将研究的起讫年份定在1991年（之前，各省份入境旅游的统计数据缺失年份较多，无法进行连续的观测），而将截止年份限定在2016年。在数据处理过程中，考虑到重庆1997年正式设市从四川省中剥离出来的实际，为提高数据的准确性，防止因个别省份数据缺失导致整体观测长度会变短的影响，在进行LISA数据分析之前采用插值法对重庆市入境旅游接待人次缺失年份（1991—1996年）的数据进行模拟补充处理。同时，在相应年份四川省入境旅游接待人次的统计数据中减掉采用插值法估计的重庆市入境旅游人次数据，从而实现数据的完整性与连续性。

2 中国省际入境旅游空间格局的时间动态性特征

2.1 总体差异特征

基于全局Moran指数的计算结果显示，1991—2016年中国入境旅游发展的全局自相关指数均为正值，且平均值高达0.54，说明整体上各省份入境旅游发展水平的集聚程度较高。这种集聚程度的高峰值出现在2012年，Moran指数达到0.61；而集聚程度的低峰值则出现在2000年，Moran指数为0.50。无论是从极值差还是变化的总体趋势上看，中国入境旅游发展水平各年份间的Moran指数差距并不大，除个别年份受到某些极端事件的影响外，26年来中国大陆31个省域单元入境旅游发展水平的全局自相关指数数值发展较为平稳，整体呈现缓慢波动性上升的趋势特征（图1）。

图1 26年来中国入境旅游发展水平的全局自相关指数变化趋势Fig.1 Changing trends of Global Moran’s I of inbound tourism in China,1991—2016

2.2 时间路径几何特征

2.2.1 移动长度

计算结果显示，1991—2016年中国省域入境旅游发展的LISA移动路径长度大于和小于1的省份分别达到14个和17个，表明全国尺度范围内局部省域单元的移动动态性相对较弱。从各省份的空间分布上看，由江苏、浙江、上海和安徽等4省市组成了一个移动路径长度较长的高集聚区，移动路径长度分别达到1.77、1.72、1.71和1.63的高值，说明在传统意义上的长三角或泛长三角区域的入境旅游发展相较于国内其他区域的活力更强，这一区域成为1991—2016年中国入境旅游增长和变动最频繁的区域。与此类似，在京津冀地区，也形成了移动路径较长省份的高集聚区。而广东、湖南、湖北、江西等省份的LISA移动路径长度也表现出相对较高的数值，体现出这些区域和省份入境旅游发展较强的动态性和活力。需要特别关注的是，位于西北地区的甘肃省入境旅游LISA时间移动路径长度值达到1.08，成为中国西部地区少有的入境旅游发展活力较强的省份，这种特征形成的原因如何还需要更为深入的研究。比较而言，东北地区省份成为我国入境旅游LISA时间移动路径最短、入境旅游活力最弱的区域板块，辽宁、吉林、黑龙江3个省份的移动路径长度分别为0.42、0.66和0.73，前者也成为全国31个省域单元中入境旅游LISA移动路径长度最短的省份，这种特征与近年来中国东北地区不断下行且改善动能不足的经济发展形势保持一致。此外，山西（0.46）、宁夏（0.52）、海南（0.61）等省份的入境旅游LISA移动路径长度也较低，显示出入境旅游空间结构稳定性较强，但入境旅游活力则相对较弱的特征（图2-a）。

2.2.2 弯曲度

入境旅游LISA时间路径弯曲度的计算结果显示，中国31个省域单元的f值均大于1，且平均值达到21.39的高水平，表明1991—2016年中国入境旅游发展的变动性总体较强。其中，上海市入境旅游发展在空间依赖方向上具有最大的波动性，弯曲度值最高，达到188.76；与此相反，河南则成为变动性相对最弱的省份，但弯曲度值也达到2.91的高水平。从空间分布上来看，中国入境旅游LISA时间路径弯曲度显示出较强的区域依赖性。一方面，以上海和广东（75.36）为两端，串联浙江（31.69）、福建（48.04）等沿海省份，形成了一条入境旅游LISA时间路径弯曲度高省份的滨海连绵带，并向北部进一步延伸串联江苏（8.89）、山东（9.82）、河北（9.73）等省份，表现出入境旅游变动性强省份沿滨海集聚的空间特征。另一方面，在内蒙古（68.08）、甘肃（58.73）形成了入境旅游LISA时间路径弯曲度高省份在局部中西部省份地区集中的次聚集中心，表明沿海省份集聚带和西部局部省份成为26年来中国省际入境旅游发展波动性最强的区域。与之相反，在以河南（2.91）为代表的中部地区、以贵州（3.13）为代表的西部地区和以辽宁（3.28）为代表的东北地区，形成了以这些省份为中心入境旅游发展LISA时间路径弯曲程度相对较低的省域聚集区域，表明这些区域26年来入境旅游的增长过程较为平稳，波动性相对不明显（图2-b）。

2.2.3 移动方向

Moran散点图中的散点代表着对应省域单元入境旅游发展水平，箭头方向反映各省域单元坐标移动方向，箭头长短则代表移动距离（图3）。基于Geoda软件对1991—2016年各省域单元位置具体变动情况的分析，结果显示：1991—2016年中国入境旅游协同一致增长的省域单元共有24个，仅有7个省域单元呈现非协同一致增长的特征，分别占31个省域单元的77%和23%，表明中国入境旅游发展水平的空间格局在时间演化过程中具有较强的一致性，全国省域单元入境旅游发展水平的正向（负向）协同性较高。在协同一致增长的省域单元中，正向协同增长的省域单元有7个，占比23%；负向增长的省域单元共有17个，占比55%。协同一致低速增长的省域单元个数远远高于协同一致高速增长的省域单元个数，反映了省域单元入境旅游增长很大程度上受到区域整体环境制约的现实（图2-c，图3）。

其中，第一象限内分布的省份包括广东（GD）、福建（FJ）、江西（JX）、广西（GX）、湖南（HN1）、浙江（ZJ）、上海（SH），这7个省份与其相邻省份入境旅游发展之间呈现正向协同增长的关系，且在经济发达的珠三角和长三角及其深度影响区域内形成了自身及其邻近省区入境旅游人次保持高增长趋势的省域单元高聚集区。处在第二象限的省份包括贵州（GZ）、湖北（HB1）、安徽（AH），说明这3个省域单元自身入境旅游人次呈现低增长的趋势，但其相邻省域单元入境旅游人次则呈现高增长的趋势。从空间分布上看，尽管这些没有表现出第一象限省份那样高度聚集在某一个或两个特定区域的特征，但这些省份还是主要分布在第一象限省份的边缘。相对而言，处在第三象限的省份最多，包括云南（YN）、重庆（CQ）、山东（SD）、河北（HB2）、河南（HN2）、山西（SX）、陕西（SX）、甘肃（GS）、宁夏（NX）、青海（QH）、西藏（XZ）、新疆（XJ）、内蒙古（IM）、吉林（JL）、辽宁（LN）、黑龙江（HLJ），说明这17个省份与其相邻省份入境旅游发展之间呈现负向协同增长的关系，均表现出入境旅游人次低增长的特征。由于位于该象限的省份较多，除在空间上能够观察到主要分布在广大中西部地区外，并没有表现出更加明显的规律性。处在第四象限的省份包括北京（BJ）、天津（TJ）和江苏（JS），说明这3个省域单元自身入境旅游人次呈高增长趋势，但与之相邻的省域单元入境旅游人次则呈现低增长的态势。此外，受区位影响，海南（HN3）在空间上成为跨象限的省份，该省份入境旅游的增长与其他省份之间没有表现出强相关的关系特征。

图2 LISA时间路径几何特征空间分布情况Fig.2 Spatial distribution of geometrical characteristic of LISA time path

2.3 时空跃迁特征

基于转移概率矩阵（表1）对散点图（图3）中各散点在不同转移类型间演化过程的研究显示：安徽（AH）、云南（YN）、山东（SD）、北京（BJ）、天津（TJ）、江苏（JS）6个省域单元入境旅游在对应年份内发生了跃迁，涉及的转化形态包括HHt→HLt+1、HHt→LHt+1、HHt→LLt+1、HLt→HHt+1、HLt→LLt+1、LHt→HHt+1、LLt→HHt+1、LLt→HLt+1和LLt→LHt+19种，但LHt→HLt+1、LHt→LLt+1和HLt→LHt+13种形态没有发生转移情况。在已经发生的转化形态中，HLt→HHt+1转移发生概率最大，达到0.11的水平；紧随其后的是HLt→LLt+1、HHt→HLt+1和LHt→HHt+1，分别达到0.08、0.03和0.01的水平。总体上看，发生跃迁的省份仅占全国31个省域单元的19.35%，说明1991—2016年省域单元入境旅游形态之间的转移强度较低，除少数省份入境旅游发展的不稳定性较强外，大多数省份入境旅游发展都保持着很强的稳定性特征。

图3 LISA时间路径转移特征Fig.3 The transfer characteristic of LISA time path

Rey 和Ye 将时空跃迁划分为4种类型。其中，I型表示省域单元自身发生跃迁，包括HHt→LHt+1、LHt→HHt+1、HLt→LLt+13种形态；II型表示邻域单元发生跃迁，而自身省域单元保持不变，包括HHt→HLt+1、LHt→LLt+1、HLt→HHt+1、LLt→LHt+14种形态；III型表示省域单元自身与其邻域单元均发生跃迁，跃迁方向一致的类型包括HHt→LLt+1和LLt→HHt+1，跃迁方向相反的类型包括LH→HLt+1和HLt→LHt+1；IV型表示省域单元与其邻域单元都没有发生跃迁，所有省域单元都保持原有状态[45]。通过式（5）对局部空间自相关指数空间离散度St值进行计算，可以得到1991—2016年我国省域入境旅游时空跃迁I型、II型、III型和IV型概率值分别为0.0103、0.0129、0.0026和0.9742。比较而言，代表省域单元与其邻域单元都没有发生跃迁的IV型概率值最高，其他3种形态跃迁发生的概率均较低，说明1991—2016年我国省域入境旅游发展存在相对较高的路径依赖程度，各省域单元不会轻易发生时空跃迁，并且更加倾向于保持原有，甚至趋于进入锁定状态的特征。

表1 Local Moran’s I转移概率矩阵Tab.1 Local Moran’s I transition probability matrix

3 结论

1991—2016年，北京、上海、广州等口岸（门户）城市长期占据我国入境旅游门户地位，以这些城市为服务和扩散中心，中国入境旅游在推动接待体系完善、服务水平提升，以及树立国际形象、弘扬中华文化、促进中外文化交流等方面均发挥了重大作用。文章以31个省域单元入境旅游接待人次为基础，采用LISA方法进行空间格局时间动态性的研究，取得如下结论：

第一，中国省际入境旅游发展总体水平呈现较为平稳且缓慢上升的态势，且在空间上表现出具有较强“门户指向性”的聚集分布特征，即以上海、广东、北京为口岸和门户中心的长三角、珠三角和京津冀区域成为入境旅游发展水平较高省份的集聚区域。门户省份成为引领入境旅游高发展水平省份实现集聚的动力核心，也就是说，高发展水平的省份往往会表现出一定的空间外部效应，会带动或者影响其相邻区域的入境旅游发展水平，从而实现区域省份间的协同发展。具体而言，门户城市、门户省份的发展对其相邻城市和相邻省份的发展具有显著的带动作用，并基于这些支点，在沿海经济发达地区形成一条入境旅游高发展水平的省份聚集带。在此基础上，按照扩展扩散的方式将入境旅游的外部溢出效应由近及远地传递到这些区域的相邻区域，诸如更大范围的泛珠三角、泛长三角以及京津冀区域，最终在空间上形成“门户-沿海-内地”的等级影响扩散路径。

第二，中国省际入境旅游发展个体水平也在空间上呈现出一定的“门户指向性”特征，（泛）长三角、（泛）珠三角以及围绕京津冀区域省份成为该时期中国入境旅游增长波动最为频繁、增长过程最为稳定的行政单元，且在不出现较大外力作用或者国家战略干预的情况下，省域入境旅游发展的惯常路径不会轻易发生变化。一方面，增长波动频繁显示出这些区域入境旅游发展的强大活力，区域内部个体发展水平较高的省份，尤其是上海、广东等门户省份（城市）不断通过外部效应释放动能对其周边邻近省份施加积极影响，促进发展水平较高或较低水平省份在空间上的集聚，从而推进区域间的动态协同发展；另一方面，增长过程较为稳定也显示出区域内部各省份在入境旅游发展过程中的时间一致性，换句话说，中国各省际入境旅游发展已经形成了相对稳定的发展格局和趋势通道，如沿海门户省份不断相互聚集并强化其“正向”的外部溢出效应，而处于东北地区的省份则相互聚集并发挥其“负向”的外部溢出效应。

第三，尽管采用静态数据对中国入境旅游流流动规律的研究形成了以不同城市为节点、旅游流的扩散路径更加丰富的结论，但基于探索性时空数据分析的研究结果显示，1991—2016年中国入境旅游发展无论是总体尺度还是个体局部尺度上均呈现出显著的“门户指向性”特征。意即，交通格局和对外开发程度的加深并没有对1991—2016年中国入境旅游发展在省域尺度的时空格局造成很大影响，中国入境旅游发展依赖北京、上海、广州等门户型城市或其所在省份所形成的大框架并没有发生根本性改变，这些省份仍然是主导和服务我国入境旅游发展的关键力量。同时，大多数相邻省份之间都表现出协同一致增长的特征，这种特征甚至在一定程度上强化了门户型城市及其省份对区域入境旅游发展的带动作用。一方面，如何利用入境旅游发展的“门户依赖”特征进行入境旅游市场的针对性营销和宣传，也就是要充分“借势”发展，避免无效投入成为地方政府的认知实践取向；另一方面，加入时间维度因素对中国入境旅游空间特征分析与单纯截面数据分析的结果相矛盾，导致以上特征形成的根本原因是什么？是否可能与入境旅游市场对将中国作为整体目的地认知还是依赖于口岸（门户）城市的品牌和知名度有关？对具体影响因素问题的解答，尚需基于详细入境游客市场调查数据支撑的进一步研究。