基于网络游记的沿海省份旅游热度与网络结构比较研究

王娟　齐钰　赵婕

[摘 要]利用八爪魚采集器，在旅游服务平台去哪儿网爬取苏鲁辽三省到访游客自主生成的游记攻略和行程信息，构建基于游客数字足迹的关系数据网络;运用社会网络分析和空间分析的方法测度旅游流的网络特征，并进行可视化表征，以找出沿海地区旅游流网络结构的相似性和相异性。研究发现：1.苏鲁辽三省分别呈现围绕多中心逐级递减的圈层结构特征、东西高热度双组团结构特征、全域弱弱均衡的网络结构特征;2.高热度城市的首次和二次吸引效应在提高旅游流内循环能力的同时，也加剧了冷点城市的边缘化程度;3.旅游经济落后地区以“高热输出-低热承接”模式为主，在发达地区则出现了“高热吸收-低热输出”的新型旅游流动模式;4.旅游网络中心与热度中心错位，互惠关系比例低，高热度城市之间的多节点、跳跃式流动以及高热度城市内部的一地多日深度游现象并存。

[关键词]网络游记;旅游热度;网络结构

[中图分类号]F592.3 [文献标识码]A [文章编号]1671-8372（2021）01-0068-09

A comparative study of tourist destination popularity and network structure in coastal provinces based on online travel notes

—taking the three provinces of Jiangsu， Shandong and Liaoning for example

WANG Juan ， QI Yu ， ZHAO Jie

（School of Management， Ocean University of China， Qingdao 266100， China）

Abstract：By using octopus collectors， this paper acquires travel notes and itinerary information independently generated by tourists in Jiangsu， Shandong and Liaoning provinces on the tourism service platform Qunar， and constructs a relational data network based on tourist digital footprints. Social network analysis and spatial analysis are used to measure the network characteristics of tourism flows and make visual representations， so as to find out the similarities and dissimilarities of tourism flow network structure in coastal areas. The results show that： 1. Jiangsu Province， Shandong Province and Liaoning Province are characterized by circle layer structure around multi-center gradually decreasing， two-group structure with high popularity from east to west， and weak-weak-balanced network structure in the whole region; 2. The first and second attraction effects of the high popularity cities not only improve the inner circulation capacity of tourism flow， but also aggravate the marginalization degree of unpopularity cities; 3. In the underdeveloped regions， the tourism flow mode features mainly “high popularity export-low popularity receiving”， while in the developed regions， the new tourism flow mode features “high destination popularity absorption-low destination popularity output”; 4. There is a mismatch between the tourism network center and the tourism popularity center， with a low proportion of reciprocity relationship， and the coexistence of multi-node and leaping flow between the cities with high tourist destination popularity and the phenomenon of multi-day deep travel to one place within a high tourist destination popularity city.

Key words：travel notes; tourist destination popularity; network structure

一、引言

根据《中华人民共和国文化和旅游部2019年文化和旅游发展统计公报》，截至2019年，我国国内旅游人数达60.06亿人次，其中多数旅游者以散客的形式出游。信息技术的发展使得互联网社交平台逐步取代传统媒体成为散客获取旅游信息、进行旅游体验交流的重要途径。“分享”作为现代旅游者的重要行为偏好，一方面，分享内容由个体游客直接产生（User Generated Content， UGC），相较于传统的逐级上报的数据统计和广告宣传等专业机构产生的内容（Professional Generated Content， PGC），更具真实性、即时性、易获取和成本低等优势，成为游客进行旅游目的地选择和出游方案制定的重要参考;另一方面，旅游者在网络上留下的“足迹”反映了他们对旅游目的地的偏好以及他们的消费习惯和消费水平。在对UGC进行有效和针对性的数据清洗和系统分析之后，可以为旅游的消费需求预测、旅游目的地规划和精准营销提供借鉴和参考。

江苏、山东和辽宁三省地处我国东部沿海，旅游产业在区域经济发展中扮演重要角色，2019年三省旅游总收入分别为14321.6亿元、11087.3亿元、6222.8亿元，占各省GDP的14.4%、15.6%和25%①。三者区位相近、资源禀赋相似，经济基础、资源丰度和市场开发的力度虽不同，但省际及省域内部的旅游经济发展格局、成因和机理均存在不同程度的相似性，具备开展对比与类比研究的必要性。随着信息技术的发展，大数据和智能化技术可挖掘、发现并满足用户的需求。因此依据需求驱动供给端改革和创新，成为区域旅游经济协同和高质量发展的必然要求。

基于地理学、经济学等母学科研究基础，旅游网络结构研究已形成较为丰富的研究成果，研究内容主要包括旅游网络发展模式与演化机制[1-3]、旅游网络时空结构与影响因素[4-8]、“流”视角下的旅游网络结构[9-14]研究等。近年来基于地理位置标签[15-16]、社交媒体[17]、手机信令[18-19]而建立的新型旅游网络研究不断涌现。已有研究成果中，在研究对象、研究内容和研究方法上呈现“转向”特征，即从大尺度、跨地区转向中小尺度的区域内部旅游网络结构研究，从以经济学、地理学的均衡分析、空间分析为主，转向以多学科、新技术方法的应用，从静态统计调研数据转向具有即时、互动特征的网络大数据等，呈现多样化、创新化和精细化研究趋势。游记是研究旅游流网络结构特征具有代表性的数据来源，是旅游大数据的重要表现形式，也是旅游者出行后对目的地旅游六要素等环节进行综合评价的表现形式。目前关于网络游记的应用研究，主要集中于旅游目的地形象感知[20-23]和游客活动的时空行为特征分析[24-29]，以探讨游客行为偏好和旅游满意度为主。在研究方法上，主要依托扎根理论进行编码，运用Nvivo、Rost-CM等质性研究方法进行文本语义分析、词频分析，主要以某一景区或者城市为研究对象，缺乏中观尺度区域视角的对比和类比研究。本研究拟通过提炼游客自主生成的网络游记中的关系数据，以城市共现和行程线路构建旅游流网络，运用热度分析和社会网络分析方法对沿海地区的旅游流网络特征进行分析，为旅游流研究从依赖静态“属性数据”向动态“关系数据”转变提供新的研究视角和实证探讨。

二、研究方法

网络爬虫工具能够根据编码规则对网页上的用户生成信息进行采集及储存，相较于传统的数据搜集方式，具有高速、云采集、自动抓取等优点。本文使用八爪鱼采集器在旅游出行服务平台去哪儿网的攻略模块中搜索得到苏鲁辽三省旅游游记，将每个省的游记依据热度进行排序，爬取2012—2019年三省份的网络游记共9881篇，剔除明显为广告植入、标题与游记内容不符、重复抄袭等无效数据，得到完整、有效游记样本数为江苏1000篇、山东983篇、辽宁976篇。以爬取游记的行程信息作为数据基础，分别以关键词出现频次和一次完整行程线路作为旅游热度和旅游流数据来源。高热度游记代表更多的瀏览量和影响力，更能代表现实中旅游者的主流选择和决策依据。因此相较于以往按照时间顺序选择数据的方式更具客观性和代表性。

（一）热度分析

旅游热度是近年随着旅游网络大数据的运用而产生的名词，“热度”一词常被用来形容某一关键词在网络上被搜索的频率。旅游热度可用于衡量某一旅游目的地在网络上被关注的程度，即此旅游地在网络上被搜索频次和数量的高低。高热度的旅游目的地是指这个目的地的关键词在网络中的搜索频率高、受关注度高，有更多的游客将其作为候选旅游目的地。与此相对应，低热度旅游目的地则相反。不同旅游目的地之间的热度差异反映了各旅游目的地被潜在旅游者关注和接受程度的高低，是目的地旅游经济整体发展水平上的综合反映。

本文引入旅游热度的概念，用爬取的游记数据中所选城市出现的频次加以衡量。城市的出现频次是指在某一篇游记中游客到达了A市1次，则记A市的出现频次为1，将A市在所有游记中出现的频次之和记为A市的旅游热度。为了消除不同省份间差异的影响，本文采用相对热度值即城市热度与所在省份有效数据量之比来衡量所选城市的旅游热度。

（二）社会网络分析

社会网络分析作为一种研究社会行动者及其之间关系的工具，在社会学、经济学和管理学中有着广泛的应用。本文通过游记中的城市共现来构建城市间的旅游社会关系网络，即：如果在某一篇游记中游客进行了从A地到B地再到C地的旅程，那么记在这个省旅游流网络中A到B之间和B到C之间的网络关系为1，将数据中所有A到B的旅程的总和记为有向关系网络中A到B的关系值。本研究基于旅游流的网络结构分析主要选取的指标为网络密度、网络互惠性、网络中心性与凝聚子群。运用常用社会网络分析软件Ucinet对旅游流网络结构进行分析和可视化，以实现刻画网络结构特征、发现旅游热度分异规律的目的。

1.网络密度。网络密度衡量的是网络中各成员之间的相互联系的紧密程度。网络中个体成员之间的联系越多，网络中的密度值就越大。其计算公式为：

（1）

式（1）中，为网络密度，为节点数，为节点之间的连接数[30]。

2.网络互惠性。互惠性考虑的是网络各成员间关系的相互性。如果两个节点间存在互惠性则说明两点间的连接是双向的，即双方都收到并向对方发送各种资源。为避免网络数据爬取的偶然性，本文中如果两地之间的旅游流是双向的并且流量相近，则认为两地间存在互惠关系。

3.网络中心性。中心性是对社会网络中权力的衡量，权力越大的个体越容易对其他个体产生影响。本文侧重研究网络中某一节点对其余节点间联系的控制能力，在此选用中介中心性指标加以衡量。其计算公式为：

（2）

式（2）中，为节点的中介中心性，为节点和之间的测地线数量，为节点和之间必须经过节点的测地线数量[30]。

4.凝聚子群。凝聚子群是在一个集合中的行动者之间具有相对较强、直接、紧密、经常或者积极关系的行动者的子集合。本文主要运用凝聚子群分析中的派系（cliques）分析，从关系的互惠性、子群成员间的可达性、子群成员内外部关系紧密度三个方面进行测度。

三、实证分析

（一）旅游热度差异分析

旅游热度既是一定时期内潜在旅游者兴趣和需求的体现，也是目的地影响力和吸引力的表现。在对网络游记中城市出现频次进行统计并采用相对热度消除省份间差异的影响后，得到江苏、山东和辽宁三个省份内各城市的旅游热度（见表1）。苏鲁辽三省旅游热度平均值分别为0.09、0.075和0.078，江苏最高，山东最低。热度越高说明在此省份的游记中城市共现频率越高，说明省份内城市间旅游合作和协调能力越高，省份内部旅游流量越大。从热度的离散系数来看，江苏为1.37，山东为1.63，辽宁为1.81，表明三省内部旅游热度非均衡，辽宁省内城市的旅游热度差异最大，其次为山东省，江苏省最小。

通過对表1的分析可知，江苏省内城市的旅游热度冷热差异较为显著，分层明显。南京和苏州的旅游热度极高，都达到了0.3以上;其次是无锡和扬州在0.1到0.2之间;其余城市则在0.005到0.01之间分布。南京、苏州两市的旅游热度之和为0.696，接近全省旅游热度的70%;其次是临近两市的无锡和扬州，热度之和为0.275;其余城市的旅游热度普遍属于低热状态，与南京、苏州两市差距较大。位于苏北地区的旅游热度多分布在0.01到0.02之间，盐城甚至低于0.01。可见江苏省的旅游热度呈现圈层结构，高热城市主要集中在苏南，且呈现南京和苏州双热点的分布状态，苏中、苏北地区渐次递减。作为苏北地区的经济中心城市徐州，在旅游热度上没有显著优势，与其他城市之间旅游热度差别不大。

相比于江苏，山东省内城市的旅游热度冷热差异更加明显。在全省17座城市中，青岛一地的旅游热度达到0.48，占总热度的50%;最低的莱芜和滨州为0，表示旅游者在选择出游地时极少考虑这两座城市。除了烟台、济南和泰安的热度超过0.1之外，其余城市均在0.1以下。整体而言，山东省城市的旅游热度呈现断层式分异，以青岛居于首位，其余城市普遍处于旅游热度的低谷地区，传统旅游的热点组团“济泰曲”和“青烟威”网络热度不明显。这种情况的出现，反映了网络时代旅游经济发展的特征：网络游记的发布者以自助游散客、青年人为主，传统的团队游在青年群体中吸引力渐失，并且基于这种出游模式而形成的热点旅游区域被削峰填谷。因此山东省除青岛之外的网络热门旅游城市没有出现。

辽宁省内城市的旅游热度分布与山东较为类似，大连的旅游热度在省内有着绝对优势，大连一市的旅游热度就超过了0.5，达到了全省的50%以上，接着是沈阳和丹东，热度为0.12左右，其余城市的旅游热度在0.01甚至更低。可见辽宁省的旅游热度以大连为龙头，其次是沿海地区，辽西内陆地区居于末位。

总体而言，三省旅游热度格局各有差异，在旅游高热城市数量上，江苏省是唯一出现两个热度核心的省份，具有双核发展特征，而传统意义上的经济双核心省份山东（济南、青岛）和辽宁（沈阳、大连）则在旅游热度呈现“一城独大”的格局，强者越强、弱者越弱的“马太效应”突出。在旅游热度分布范围上，江苏省旅游热度围绕南京、苏州两个中心城市扩散，热度集中、扩散范围小，而山东和辽宁两省的旅游热度则呈现分散分布特征，沿海城市的旅游热度普遍高于内陆。与辽宁相比，山东的次中心热度成长性更强，以两省的省会城市济南和沈阳为例，济南周边存在相近热度的次级城市，而沈阳周边则热度低谷城市较多，呈现显著的热度断层特征。为进一步明确三省内各城市间旅游流量与流向的关系，下文采用社会网络分析法对三省旅游流网络结构特征进行分析。

（二）基于旅游流的网络结构分析

1.江苏省旅游流网络结构

（1）旅游流网络特征。如图1所示，在基于网络游记城市共现构建的旅游流网络中，苏南地区的旅游流密度和质量要明显优于苏中和苏北地区。江苏省的旅游活动依然集中于传统优势旅游城市如南京、苏州和扬州，这三个城市不仅相互之间的旅游流最为旺盛，而且也是网络中旅游流的主要源头。与南京旅游流数量较多的城市为南通、淮安和台州;苏州旅游流影响范围最广，与位于北部的淮安、徐州两个冷点城市存在旅游流;扬州因更接近地理几何中心，与淮安、宿迁、泰州、南通等多个城市存在旅游流，数量最多。其他城市如宿迁、盐城、淮安等只在彼此间建立少量旅游流，与热点城市间只能建立低质量旅游流甚至无旅游流，表明这些城市未能获得热点旅游城市的溢出效应和带动作用。

（2）网络密度和互惠性。江苏省的整体网络密度为0.4，标准差为0.4513，表明江苏省内城市间的旅游流非均衡，变动性强。如表2所示，南京、无锡、常州、南通、连云港、淮安和盐城这7座城市处于完全不对称状态，而苏州、徐州、扬州和泰州、宿迁5市则属于不完全对称状态，表明旅游流对各城市的影响存在差异。

南京作为江苏省会和全省的政治、文化中心和旅游核心城市，其所有的关系都呈现不对称型，且外向型关系比例为100%。这表明南京向所有有关系的城市都输出了旅游流，但相应的却有62.5%的城市没有向南京输出旅游流，即在互惠关系上，南京在旅游网络中主要扮演付出者的角色。与其类似的还有无锡、淮安、盐城和南通，它们都没有与建立旅游流的城市形成互惠关系，但与南京的输出者角色不同的是，这几座城市的外向关系比例都低于内向关系比例，在互惠关系上扮演受益者的角色。

以苏州为代表的部分城市在网络中存在部分的对称关系。这表明这些城市间的部分旅游流在流量上是对等的，双方可以给对方带来相近的旅游流量，形成平等的互惠关系。与南京不同，苏州的内向关系比例大于外向，说明苏州是旅游流的受益者，对周边城市游客具有较强的吸引力。同样拥有部分对称关系的宿迁和镇江在互惠关系上却属于输出型。表明这两个城市虽为周围城市带来了旅游流，但其在省内较低的旅游热度说明这两市产生的旅游流不同于南京的旅游效益溢出，而是到访游客被周边热度较高地区的二次吸引所产生的旅游流动。

（3）中介中心度。如图2所示，在中介中心度方面，扬州最高，其次是南京、苏州和淮安。由于中介中心度考虑的是网络节点对网络的控制能力，扬州相较于南京和苏州两市与更多的城市建立了旅游流，南京和苏州虽然在单条旅游流的流量上占优，但是旅游流的数量却不如扬州。在网络整体的控制力上南京和苏州均弱于扬州。同理，淮安也是如此，虽然在旅游流的绝对流量上不如苏南诸市，但胜在因旅游流的数量较多而有着较强的中介中心度。总体来讲，江苏省的旅游流网络在中心度上形成了以扬州为核心，南京、苏州为枢纽的旅游流网络;而淮安具有较高的中介中心度则说明苏北旅游正在崛起，淮安具备成为旅游网络新枢纽的发展潜力。从中介中心度的测度结果可以看出，一是江苏省旅游流网络与旅游热度均呈现出北弱南强的态势，但是网络中心明显要比热度中心偏北;二是高旅游热度城市并不意味着一定会产生旅游流的溢出，也不意味着一定会在网络内具有较高的中介中心度。

（4）凝聚子群分析。如表3所示，江苏省旅游流网络共有5个凝聚子群，从子群的成员构成上来看，基本都位于苏南和苏中地区，江苏省北部城市并没有构成关系紧密的子群。在形成的5个子群中，南京和扬州参与了所有子群，苏州参与其中的3个。江苏省的旅游凝聚子群的形成是基于南京、扬州、苏州和这些旅游热度高的城市间紧密关系为基础所构建的，各子群是南京、苏州、扬州等高热度旅游城市的組团，子群之间、子群内部关系紧密。

2.山东省旅游流网络结构

（1）旅游流网络特征。山东省的旅游流网络的结构如图3所示，山东省的旅游流数量较多，但是质量高的并不多，主要集中在“青烟威”和“济泰曲”两个组团。与南京和苏州不同的是，青岛不仅旅游热度在山东省内处于绝对的优势地位，而且在旅游流网络中，青岛建立旅游流关系的城市数量要高于南京和苏州两市。从全省的范围来看，山东省的旅游流以东西走向的胶济铁路和南北走向的京沪铁路为界，铁路线以东、以南的旅游流数量较多，密度较大;济宁、临沂等热度较高的城市存在六条甚至更多的旅游流。而以西、以北旅游流数量较少。其中德州仅与济南、泰安和济宁存在旅游流，莱芜、滨州两市甚至没有与其他城市构成旅游流。

（2）网络密度和互惠性。山东省的旅游网络密度为0.4541，标准差为0.66，密度和标准差均高于江苏省，说明山东省城市间的旅游互动要略优于江苏，但较大的标准差也说明山东省内城市间受旅游流的影响差异比江苏大。这与旅游热度差异测度结果相符。

山东省的旅游流网络的互惠性结果如表4所示，济南、青岛、东营、烟台等城市的旅游流关系都是不对称的，但是没有江苏南京那种自我外向非对称比率指标为1的单一旅游流输出城市。

在济南、烟台、潍坊和菏泽的不对称关系中，外向比例较高或者内外相等，表示这些城市是旅游流的付出者，或者在旅游流中处于内外大致均衡的状态。作为省内旅游热度最高的城市，青岛并没有带来显著的旅游流溢出效应。在青岛的不对称关系中，内向比例关系更高，说明相较于旅游流的溢出效应，青岛对其他地区游客的二次吸引效应更加显著。相应地，存在对称关系的泰安、淄博、日照、菏泽等城市，不对称关系中的外向关系的比例高，说明这4市是网络中旅游流的输出者角色;而枣庄、济宁、威海、临沂和德州外向关系的比例低于内向关系，说明这5市是旅游流网络中的受益者。

（3）中介中心度。如图4所示，泰安在网络中的中介中心度最高，表明泰安对于城市到旅游流的控制力最强;济南和潍坊次之;热度上最高的青岛在中心度上居于省内第4位，这与其偏居一隅的地理区位有关。潍坊的旅游热度不突出，但由于其位于山东省几何中心位置而获得较高的中心度指标，对周边部分热度相近或更低的城市有着较强的控制力。

（4）凝聚子群分析。如表5所示，凝聚子群分析结果显示山东省旅游网络共有4个凝聚子群。其中济南、青岛参与了前3个子群，子群内部成员以“青烟威”和“济泰曲”两个组团间的组合为主。此外，同一子群内成员间地域跨度较大，说明子群内城市并没有与周边城市建立紧密的旅游联系，周边城市只是作为旅游流通过的廊道，当地的旅游发展没有从中获得益处，旅游客流具有显著的过境效应。

3.辽宁省旅游流网络结构

（1）旅游流网络特征。辽宁省的旅游流网络结构如图5所示，从旅游流分布来看，辽宁省的旅游流主要集中在沈阳、大连、丹东、本溪等辽东半岛地区以及葫芦岛、锦州和盘锦等辽西沿海地区，与辽宁地区的旅游热度测度结果相近;从旅游流的质量来看，沈阳、大连、丹东、本溪之间的旅游流质量较高，阜新、铁岭等城市的质量最弱。不同于江苏和山东两者的高低分明的旅游流结构，辽宁省的旅游网络呈现高质量和低质量旅游流混合分布的格局。这种情况的出现与到访辽宁省的游客开展的是区内长线、多节点跳跃式游览模式有关。

（2）网络密度和互惠性。辽宁省旅游网络的密度为0.2076，标准差为0.149，在三省当中辽宁的网络密度和标准差最低。网络密度低说明网络内部关系量少、旅游流稀疏、节点间关系数量和质量差异较小，具有“弱弱均衡”特征。所以，辽宁省的城市间旅游流的数量较少，各城市在旅游活动中的共现和合作较少，缺乏类似山东省的经典的城市间组合型旅游产品。

辽宁省的旅游流网络的互惠性结果如表6所示，大部分城市的旅游流关系都是完全不对称的，且以单向流动为主，表明辽宁省内城市间在旅游业的发展上缺乏互惠性。在辽宁省14个地级市当中，沈阳、鞍山、抚顺、本溪、丹东等共10城市在旅游流网络中都缺乏互惠性，其中沈阳、鞍山、葫芦岛和锦州不对称关系中的外向关系比例高于内向关系，是旅游流的输出城市，为其他城市的旅游发展起带动作用。抚顺、本溪、丹东、辽阳、阜新、铁岭6城市不对称关系中的外向比例低于内向比例，是旅游流的输入城市，是其他旅游城市旅游发展的获益者。其中，丹东和本溪的旅游热度在省内居于前列。结合这两座城市的旅游流方向和质量可以看出，其二者之间的旅游互动频繁，受大连、沈阳的带动作用明显。

（3）中介中心度。如图6所示，沈阳的中介中心度最高，其次是锦州和本溪，而省内旅游热度最高的大连在中介中心度上并不占优势。与江苏扬州、山东泰安类似，中介中心度最高的城市与热度最高的城市并不一致。但在网络控制力方面，沈阳的省会地位作用凸显，网络控制能力远高于前两者。除了沈阳之外，其他城市缺乏或者没有网络控制力。

（4）凝聚子群分析。如表7所示，辽宁省共有6个凝聚子群，成员主要分布于辽东半岛和省内其他沿海地区，与旅游热度结果基本一致。从子群中成员出现的次数来看，沈阳和盘锦最多，在4个子群当中都有出现;其次是本溪、丹东和锦州，分别出现在3个子群中。旅游热度最高的大连只出现在两个子群当中，表明大连的旅游热度的溢出效应有限。从子群的成员构成来看，子群1中的成员皆为旅游热度最高的城市，属于旅游强市间的组团型子群。子群2涵盖了辽宁省的双核和锦州，锦州的中心度仅次于沈阳，在互惠关系上属于输出型城市，进入了辽西地区的旅游流枢纽。子群2可以看作是辽东半岛和辽西地区间旅游流互动的结果。与之类似的还有子群3。子群4、5、6是辽东半岛和内陆地区的三个品字形排列的旅游组团，子群间成员互有交叉，形成一定的旅游流联系，但尚未形成明确的旅游子群品牌或特色。

四、结论与讨论

（一）旅游网络结构非均衡且发育程度不同

在旅游流网络结构方面，江苏省的旅游网络存在显著的南北不均衡现象，旅游流高度集中于苏南地区，呈现围绕多个中心逐级递减的圈层结构，中心城市之间双向对流频繁，且具有显著的旅游流外向输出、跨地域远程输出特征，呈现优势地区反哺劣势地区的互动特征。山东省的旅游网络结构以胶济和京沪线构成的交叉线为界，东南侧网络密度大、质量低，中心城市外向溢出效应不足，对周边城市拉动不足。辽宁省旅游网络均衡程度较好，但高质量关系依然仅存在于辽东南地区，处于弱弱均衡状态。

在旅游网络发育程度方面，江苏省的苏南地区已经形成网络密度高、关系质量好、具有显著集聚特征的旅游网络;苏北地区高热旅游城市成长速度快，具有南北共振式发展的潜力。山东省旅游网络中的优势关系依旧为东部“青烟威”和西部“济泰曲”两大组团，但在网络热度方面，以青岛为核心的东部组团网络热度明显高于后者，表明“济泰曲”组团在网络形象上呈现固化、陈旧的特征，缺乏对散客、网生代群体的旅游吸引力。辽宁省的旅游网络整体发育程度较低，沈阳和大连的核心地位并不突出，且城市间的互惠质量较差，缺乏内部协作，还没有形成显著组团。

（二）子群的形成高度依赖高热度城市且对旅游流影响较大

高热度城市的吸引效应是旅游子群形成的重要原因。大部分子群都有高热度旅游城市的参与，且同一高热度城市往往参加多个子群，多数子群由热度高低相差较大的城市组合而成。一方面，高热度城市依然是游客的重要吸引源，利用不同热度城市间的势能差，通过高热度城市吸引游客到访再向低热度地区转移，缓解区域旅游经济差异的做法高效可行;另一方面，高热度城市对低热度城市游客具有二次吸引效应，首次到访低热旅游城市的游客，会再次流向高热度城市形成一次旅游闭环，提高了旅游流的区内自循环能力。相应地，高度发达的子群对旅游流的外向流动的约束力较强。越是发达的子群，内部成员间的联系就越密切，成员间的互惠性越强，就会导致与子群外部成员的关系数量越少、质量越差。可见，在形成高质量组团的同时，也会造成旅游流在地域间的割裂，致使冷点城市的地位进一步被弱化乃至边缘化。

（三）城市间互惠关系存在多种类型，旅游流动模式并不唯一

与传统认为的低热度地区需在高热度地区溢出效应带动下发展的情况不同，旅游流互惠关系可分为高热度输出型、低热度吸收型、高热度吸收型和低热度输出型四种类型。本研究认为，受区域经济整体发展水平的影响，落后地区发展模式以前两种互惠关系类型构成的“高热溢出-低热承接”模式为主，而在旅游经济发展质量好、网络结构相对均衡的地区，由后两种互惠关系类型构成的“高热吸收-低热输出”模式同样存在且逐步发力。部分高热度城市如苏州，出现旅游流的净输入现象。这主要是由于其较高的资源禀赋和旅游经济发展水平，对周边低热度地区游客产生了二次吸引效应所致。在苏南地区，除了观光型旅游者外，还有大量的商务、会议型到访者活跃于低热度城市，便利的交通条件和丰富的旅游资讯，为其公务之余的近程游览活动提供了便利，易于形成低热输出型旅游流。

（四）网络中心与热度中心错位，互惠关系比例低

苏鲁辽三省的旅游网络中心和旅游热度中心并不重合。一方面，作为三个具有双核结构的省份，各旅游热度首位城市苏州、青岛和大连并不位于地理几何中心，偏居一隅的区位条件使得各首位城市在网络中的缺乏中转为优势，形成旅游网络中心与热度中心的错位;另一方面，在研究中发现，旅游热度中心城市具有较好的资源丰度和质量，游客在一地开展过夜游览的情况比较普遍。受游览休假时长约束，旅游者往往没有足够的时间开展多节点旅游，这种情况在五一、清明节、端午节等短假期内尤为突出，成为旅游热度中心城市溢出效应不足、网络中心地位不高的另一重要原因。这一结果也从侧面反映出新时期旅游者在一地开展深度游、度假游的消费特征日趋显著。此外，旅游流网络的互惠关系比例较低，主要集中在高热度城市之间。三个省份中除了子群内部外，多数城市之间没有旅游互惠关系，有且仅以少量、低质关系居多。受边际效应最大化影响，游客在高热度旅游城市间开展多节点、跳跃式游览的惯性在短期内将依然存在。

沿海地区作为我国旅游经济发展的优势区域，苏鲁辽三个省份的旅游網络结构既有共性又有特性，除了网络结构非均衡、热点城市中心度高等共识外，还从子群、互惠关系等视角得出新的研究发现，有助于沿海省份之间取长补短、协同发展。在信息化、散客出游比例日益增高的情况下，本研究能够真实反映新时期旅游者的关注热点和空间流动特征，为目的地旅游经济高质量发展提供实证参考。

[参考文献]

PAVLOVICH K.The evolution and transformation of a tourism destination network： the Waitomo Caves， New Zealand [J]. Tourism Management， 2003（24）： 203-215.

SCOTT N， BAGGIO R， COOPER C. Network Analysis and Tourism： From Theory to Practice[M]. London： Channel View Publications， 2008.

LAZZERETTI L， PETRILLO S. Tourism Local Systems and Networking[M]. Amsterdam： Elsevier， 2013.

劉法建，张捷，章锦河，等.旅游地网络的演化与时空特征研究：以黄山风景区及汤口社区为例[J].地理科学，2014（12）：1428-1437.

虞虎，陈田，陆林，等.江淮城市群旅游经济网络空间结构与空间发展模式[J].地理科学进展，2014（2）：169-180.

马慧强，高苹，赵德宇，等.旅游目的地网络演化的空间过程及其影响因素研究：以野三坡旅游地为例[J].资源科学，2018（9）：1890-1900.

STEWART I， VOGT A. Multi-destination trip patterns[J]. Annals of Tourism Reasearch，1997（2）： 458-461.

LEW ALAN A， BOB M. Trip destinations， gateways and itineraries： the example of Hong Kong[J]. Tourism Management， 2002（6）： 609-621.

杨兴柱，顾朝林，王群.南京市旅游流网络结构构建[J].地理学报，2007（6）：609-620.

刘法建，张捷，章锦河，等.中国入境旅游流网络省级旅游地角色研究[J].地理研究，2010（6）：1141-1152.

杨新菊，吴晋峰，唐澜，等.旅华外国散客旅游流地理分布和网络结构研究[J].旅游学刊，2014（5）：87-96.

周慧玲，许春晓.基于游记行程的湖南旅游流空间网络结构特征[J].经济地理，2016（10）：201-206.

李亚娟，曾红春，李超然，等.山地民族地区旅游流网络结构及流动方式研究：以恩施州为例[J].长江流域资源与环境，2019（7）：1612-1622.

闫闪闪，靳诚.基于多源数据的市域旅游流空间网络结构特征：以洛阳市为例[J].经济地理，2019（8）：231-240.

ONDER I. Classifying multi-destination trips in Austria with big data[J]. Tourism Management Perspectives， 2017（27）： 54-58.

SHILIANG SU， CHEN WAN， YIXUAN HU， et al. Characterizing geographical preferences of international tourists and the local influential factors in China using geo-tagged photos on social media [J]. Applied Geography， 2016（73）： 26-37.

GUTIERREZ J， GARCIA-PALOMARES J C， ROMANILLOS G， et al. The eruption of Airbnb in tourist cities： comparing spatial patterns of hotels and peer-to-peer accommodation in Barcelona[J]. Tourism Management， 2017（2）： 278-291.

PHITHAKKITNUKOON S， HORANONT T， WITAYANGKURN A， et al. Understanding tourist behavior using large-scale mobile sensing approach： a case study of mobile phone users in Japan[J]. Pervasive and Mobile Computing， 2015（18）： 18-39.

RAUN J， AHAS R， TIRU M. Measuring tourism destinations using mobile tracking data [J]. Tourism Management， 2016（57）：202-212.

GOVERS R， FRANK M GO. Projected destination image online： website content analysis of pictures and text[J]. Information Technology & Tourism， 2005（7）： 73-89.

STEPCHENKOVA S，MORRISON A M. The destination image of Russia： from the online Induced Perspective[J] .Tourism Management， 2006（5）： 943-956.

冯庆，田一钧，孙根年.基于网络游记的陕西旅游目的地形象感知研究：以陕西省八大5A级旅游景区为例[J].资源开发与市场，2018（11）：1623-1628.

瞿华，梁燕坤.基于网络游记的广州旅游目的地形象感知研究[J].广东社会科学，2017（6）：202-209.

程圩，隋丽娜，张昱竹.网络游记对旅游者出游决策的影响分析[J].资源开发与市场，2016（3）：365-368.

张鲜鲜，李婧晗，左颖，等.基于数字足迹的游客时空行为特征分析：以南京市为例[J].经济地理，2018（12）：226-233.

刘宏盈，张娟，朱娜.网络游记与出境游客行为特征研究：以中国大陆游客赴泰国苏梅岛为例[J].广西民族大学学报（哲学社会科学版），2015（1）：124-128.

李春明，王亚军，刘尹，等.基于地理参考照片的景区游客时空行为研究[J].旅游学刊，2013（10）：30-36.

马丽君，龙云.基于网络关注度的湖南省居民旅游需求时空特征[J].经济地理，2017（2）：201-208.

郭旸，胡雅静，林玥.基于手机信令和网络游记数据的游客时空行为分析：以上海迪士尼乐园外地游客为例[J].旅游论坛，2020（1）：13-22.

李巧巧，胡传东，刘振振.基于网络游记的重庆市旅游流网络结构研究[J].重庆工商大学学报（自然科学版），2020（6）：103-110.

[责任编辑 祁丽华]