旅游气候舒适性评价：模型优化与中国案例

蔚丹丹 李山 张粮锋 罗轶 史正燕

引用格式：蔚丹丹， 李山， 张粮锋， 等. 旅游气候舒适性评价：模型优化与中国案例[J]. 旅游学刊， 2021， 36（5）： 14-28. [YU Dandan， LI Shan， ZHANG Liangfeng， et al. Evaluate tourism climate using modified holiday climate index in China[J]. Tourism Tribune， 2021， 36（5）： 14-28.]

· 2020《旅游学刊》中国旅游研究年会优秀会议论文 ·

[摘    要]气候变化背景下，旅游活动和旅游产业的气候敏感性进一步凸显，气候舒适性的旅游影响及其合理评价备受关注。然而，对于旅游这一非惯常环境下的特殊体验，基于通用模型的气候舒适性评价是不完备的，需要采用专门的旅游气候舒适性评价模型。文章通过多模型的梳理和比较，选择度假气候指数（holiday climate index，HCI），并从“要素阈值分等”与“体感评价分级”两方面对其调整，提出改良的度假气候指数（modified holiday climate index，MHCI）。进一步，基于1981—2010年间全国775个基本（基准）气象站点的日值气象数据，引入气候舒适期和气候舒适域指标，通过MHCI测算分析了我国旅游气候舒适期的空间格局和旅游气候舒适域的季节变化。结果表明：有别于一般气候舒适期，全国旅游气候舒适期整体上呈现为“北长南短”的空间格局，其中，夏季和冬季表现出较强的纬度地带性，地方旅游业发展可因地制宜给予利用;全国旅游气候舒适域面积的两个高峰值分别出现在5月中下旬和9月下旬—10月上旬，其中，“五一”和“十一”类似，全国大部分地区的旅游气候舒适概率都在50%以上，恢复“五一”黄金周假期具有良好的气候环境基础。文章研究结果有助于理解旅游气候舒适性与一般气候舒适性的差异所在，并可为旅游业应对气候变化提供一定的科学基础。

[关键词]气候舒适性;气候舒适度;气候舒适期;气候舒适域;旅游气候指数;度假气候指数

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2021）05-0014-15

Doi： 10.19765/j.cnki.1002-5006.2021.05.007

引言

旅游业作为全球经济的重要构成力量，对经济社会发展的综合贡献正日益显化。根据联合国世界旅游组织（UN World Tourism Organization，UNWTO）发布的《2019年国际旅游报告》显示，2018年全球旅游业为经济贡献约8.8万亿美元，相当于全球GDP的10.4%，且继续保持高于同期全球经济的增速;国际旅游（旅行和客运）出口总收入约1.7万亿美元，占世界服务出口的29%，占商品和服务总出口的7%。根据世界旅行与旅游理事会（The World Travel & Tourism Council，WTTC）《2019各国旅游业对经济的影响和趋势》发布的数据，目前旅游业提供了3.19亿个工作岗位，占全球就業人口的10.0%。WTTC预测，到2029年，旅游行业对全球GDP增长贡献占比有望超过11.5%，并在全球范围创造4.21亿个就业岗位。与此同时，旅游业整体上作为十分依赖自然环境条件的产业，尤其是对气候条件具有与生俱来的高度相关性和敏感性，将在气候变化中迎来全球旅游发展格局的变化[1-4]。工业革命以来，伴随着人类活动排放的温室气体不断增加1，在全球气候变暖的大背景下，与气候变化的相关旅游议题受到越来越多的关注[5-7]。

毋庸置疑，舒适安全的气候条件既是顺利开展旅游活动的重要保障，也是吸引游客的重要资源。气候舒适度作为衡量气候舒适性的关键指标，在其约一个世纪的历史发展中出现超过160种评价指数[8]，它们总体上可以被划分为以有效温度（effective temperature，ET）[9]、温湿指数（temperature humidity index，THI）[10]和风效指数（wind effect index，WEI）[11]等为代表的经验模型和以预测平均投票数-预测不满意百分比（predicted mean vote-predicted percentage of dissatisfied，PMV-PPD）[12]、生理等效温度（physiologically equivalent temperature，PET）[13]、通用热气候指数（universal thermal climate index，UTCI）[14-16]等为代表的机理模型这两个大类[17-18]。气候舒适度表征了在外界气象环境综合作用下人体冷热感觉的舒适状态与适宜程度，其对建筑设计[19-20]、人体健康[21-22]、旅游活动[23-25]等均有着重要影响。因此，当涉及气候条件对旅游活动的影响时，不少学者就采用测度一般气候舒适度的通用模型（气候热舒适指数）对不同地域的旅游气候舒适性进行评价[26-28]。然而，无论是只考虑温度、湿度、风速和日照等气象要素组合影响的经验模型（如THI、WEI），还是以人体热平衡原理为基础，除气象要素外还要考虑诸如环境辐射、人体着装和活动水平的机理模型（如PET、UTCI），它们（通用模型）都局限于对人体冷热感（热舒适状态）的关注，其评价结果对旅游活动来说是不完备的[29]。例如，即便是体感冷热适宜，狂风暴雨也会阻断诸如海滩度假等绝大多数的户外活动[25]。因此，有学者提出，在评定目的地的旅游气候条件时，应综合考虑热舒适因素（thermal）、物理因素（physical）和美学因素（aesthetic）等3方面的气候机制[30-31]，这就需要发展适用于旅游气候舒适性评价的专门模型。

1 数据、模型及其优化

1.1 数据来源

本文采用国家气象信息中心（中国气象数据网，http：//data.cma.cn/）提供的“中国地面气候资料日值数据集”，涉及中国824个基准气象站（National Reference Climatological Station，NRCS）和基本气象站（National Basic Meteorological Observing Station，NBMOS）1951年1月以来的气温、相对湿度、风速、降水以及日照时数等气象要素的日值数据。世界气象组织（World Meteorological Organization，WMO）规定，气候要素标准值的参考时段一般为30年，同时考虑到数据的可得性和稳定性，本文采用最近的一个气候标准期（1981—2010年）内均存在的775个气象站点（不含港澳台）的数据进行计算分析。全国775个气象站点在空间上大体呈现出“东密西疏”的特点，故在后续测算旅游气候舒适期平均值时，根据气象站点所在泰森多边形面积大小进行加权处理（图1）。

1.2 模型比较与选择

一般（通用）气候舒适性评价模型只关注人体的冷热体感，难以准确刻画一些专门情境下（如旅游活动）的气候舒适性。旅游活动发生的主体空间是室外环境，因此，其舒适性除了考虑热舒适方面的评价外，还需考虑气候条件带来的物理和美学层面影响[30-31]。热舒适层面（thermal）决定了旅游者的冷热体感舒适度，物理层面（physical）指的是诸如风、雨等可能会引起游客物理烦恼的气象因子，美学层面（aesthetic）则代表了诸如阳光等会影响游客对景色或景观欣赏的因素。理想情况下，旅游气候舒适性评估应考虑到这3个方面的因素，在此思想基础上，学者们针对旅游活动发展了5个具有代表性的专门模型（表1）。

Mieczkowski[32]最早将与游客体验最相关的热舒适、物理和美学等3个维度的气象变量（首次考虑降水因子）综合纳入旅游气候舒适性评价中，提出了“旅游气候指数”（tourism climate index，TCI）这一针对旅游活动的综合性专门评价模型1。TCI一经提出，便因其评价指标的综合性（热舒适、物理和美学3个维度的集成）和计算模型的实用性（数据易得、计算简便）成为目前应用最为广泛的旅游气候舒适性评价模型[36-41]。但也有不少学者指出TCI存在明显的不足[29，34，42-43]，例如评价模型不适用于所有对气候敏感的旅游活动（如海滩旅游），仅适用于观光旅游;气象要素选择、要素阈值分等和子项指标权重判定上存在较强的主观性;过于关注热舒适成分;月值尺度的数据分辨度低;未考虑风、雨可能的压倒性影响等问题。Morgan等[33]针对TCI各子项指标在权重赋值上的较强主观性及未考虑不同旅游活动如海滩旅游的特殊性等局限，提出了针对海滩旅游的海滩气候指数（beach climate index，BCI）。该模型基于对海滩旅游者的热感知和热偏好问卷调查修正了模型，弱化了气温冷热感的影响，并将浴场水温纳入评价体系中，目前，广泛应用于评估全球气候变化对世界各滨海目的地气候资源的潜在影响研究中[44-46]。但BCI基于局地调查的权重判断方法，往往针对特定地域旅游气候资源的评估，其普适性不强[47]，且仍存在未考虑风、雨可能的压倒性影响，也没有解决数据分辨率低（月度数据）的问题，难以评估短期内（出行期间）的旅游天气舒适性[35]。De Freitas等[34]综合考虑了生理（冷热感）、心理（美感）和物理（风和雨）3个维度的影响，根据问卷调查结果将“热、云、雨、风”进行阈值条件组合，结合实际气象观测和游客调查数据构建了气候旅游指数CIT。CIT通过“组合赋值”规避了指标权重赋值问题，同时将数据精度提升至日值尺度，一定程度上弥补了TCI和BCI存在的不足，并得到较好的验证与应用。CIT在实践中一方面可能因参数获取不便，实操性较弱，另一方面其基于局地问卷和特定（例如海滩）旅游活动，普适性不强，应用上受到局限。Yu等 [35]继承了CIT规避指标权重主观性的思路，并提升了时间分辨率，采用各气象因子联乘的形式提出了改良气候旅游指数（modified climate index for tourism，MCIT）。但MCIT中各子项指标的评分阈值基于作者主观判断，缺乏验证，且其中涉及约100种显著性天气状况，数据可得性也存在较大不足。Scott等[29]则沿用了TCI的基本结构，基于文献归纳与问卷调查构建了度假气候指数（holiday climate index，HCI）。HCI优化了TCI中存在的主观权重判定不足，特别是回应了热舒适占比过高、未考虑物理因子可能的压倒性影响以及时间分辨度低等问题，以便于更准确地评估旅游目的地的气候舒适性。

自Mieczkowski[32]首次将降水、风和美感作为变量纳入旅游气候评价体系中以来，学者们从不同层面对TCI进行改进或构建新的评价指数。除上述主流评价模型以外，还有一些学者对TCI的子项指标进行了局部优化。例如Scott等[40]提出用体感温度（apparent temperature）或酷热指数（heat index）代替TCI的热舒适指数（CID和CIA，其中，CID为daytime comfort index，即白天热舒适指数;CIA为daily comfort index，即全天热舒适指数）。综合对比5个主要的旅游气候评价模型，可以更直观发现其间差异和改进逻辑（表1）。现有旅游气候舒适性评价模型的改进主要从“数据粒度”“阈值分等”“指標权重”和“模型形式”等方面展开。总体上看，“数据粒度”呈现从“月-日-时”逐步细化的发展趋势;“阈值分等”和“指标权重”上更重视结合问卷调查对不同气象要素的阈值分等（气象要素打分）和不同子项指标的合理权重进行优化;“模型形式”上，学者们尝试通过构建指标组合赋值、采用联乘形式等，以规避权重主观化的判定。当然，这些模型并非针对中国实际情境设计，直接套用并不一定能够准确反映中国的旅游气候舒适性状况。因此，进行中国案例的评价时，不能简单地异地套用，而需要对模型进行适当调整改进。

通过对比不难发现，BCI、CIT和MCIT等指数要求部分数据通过实地观测获得，较适用于局地的旅游气候舒适性评价。而HCI相比于TCI而言，数据粒度更细，所涉及数据均可直接从气象站获得，且通过文献、问卷调查可确定阈值分等标准。因此，本研究选取“数据粒度”为日值尺度，在TCI基础上发展而来的度假气候指数（HCI）作为基础模型，着重从“要素阈值分等”与“体感评价分级”这两个方面对其进行适当调整，提出改良的度假气候指数（modified holiday climate index，MHCI），以期能更准确地反映中国的旅游气候舒适性。

1.3 模型“后验性”优化

受信息理论中后验概率“执果寻因”思想[47]的启发，笔者从北到南分别选择北京、上海和广州这3个纬度差异大的典型城市，基于传统的HCI模型计算其各自分月的舒适性指数，进而通过比较理论评价与实际体感之间的差异性（“执果”），做出了对HCI进行局部调整优化（“寻因”）的判断。其中一个较为典型的差异性表现为：在HCI模型下，上海夏季各月（6—8月）均得到“很好”（very good，70～80分）的理论评价（图2b），广州夏季各月（6—8月）均得到“好”（good，60～70分）的理论评价（图2c），而上海和广州的夏季在游客日常经验中的体感往往是“闷热难耐”的，似乎难以堪当“很好”和“好”的美名。因此，笔者试图从要素阈值分等和体感评价分级这两个方面，对HCI进行局部调整优化。

1.3.1    要素阈值分等

环境要素在一定阈值区间内会给人体带来类似的冷热体感，这种耐受阈值范围的大小即体感耐宽（简称耐宽）[48-49]。不同体感等级对应的耐宽存在差异，但相同等级的耐宽范围内人体感觉具有类似性，存在一定的“粒度”约束。因此，气象要素阈值分等在某种程度上“宜粗不宜细”，可以基于“体感耐宽”的思路，适当进行阈值区间合并。此外，阈值分等也需要突出气象要素极端值对旅游活动的重大负面影响（危及人体安全），当气象要素极端值超过一定阈值时，设定为“负等级”，并与该气象要素最优状况下的等级形成围绕0值的对称分布。

热舒适层面，HCI推荐的指标为有效温度（effective temperature，ET），其可能夸大评估了湿度的影响[33]，因此，本文选取在实践中应用广泛的经 验模型——温湿指数（temperature humidity index，THI）[50-53]来替代HCI中的ET作为热舒适指标。参考之前[48-49]使用“季节锚点法”对THI“暑-热-暖-温-凉-冷-寒”的7级体感划分，笔者一方面将7级体感归并到1～4个分值等级，且考虑到人体最佳的热舒适条件具有偏暖性[30]，所以将量化后的THI阈值分等标准中的“暖”和“温”并为一级，对应最高等级4;另一方面则参考《区域性高温天气过程等级划分》（QX/T 228—2014）、《防暑降温措施管理办法》和《滑雪气象指数》（QX/T 386—2017）标准，在“暑”和“寒”的极端值中进一步设定了0分和-4分的阈值标准。改进后的MHCI热舒适阈值分等的标准如表2所示。

物理层面，主要考虑游客对降水和风的感知，结合我国的《降水量等级标准》（GB/T 28592—2012）和《风力等级标准》（GB/T 28591—2012）对降水和风的阈值分等标准进行优化。考虑到旅游活动大多发生在白天，夜间降水量对游客的影响相对较小，因此，本研究仅选取白天时段（8：00—20：00）的降水量作为评价指标。在降水量为0 mm或风速为0～19 km/h（从烟柱直冲天到叶动红旗展）时，对应3级;当降水量为0～5 mm（小雨）或风速为20～38 km/h（枝摇飞纸片，带叶小树摇）时，对应2级;当降水量为5～15 mm即降水强度表现为中雨或风速为39～49 km/h（举伞困难）时，对应1级;当降水量为15～70 mm即大雨、暴雨或风速为50～74 km/h（迎风走不便，前行阻力大）时，对应0级;当降水量超过70 mm表现为大暴雨或风速超过75 km/h（建筑物有损毁）时，可能对游客的出行安全构成威胁，对应-3级。改进后的MHCI降水、风速阈值分等（评分）的标准如表3、表4所示。

美学层面，HCI将云量划分为10级。虽然晴朗或少云的天空状况能给旅游活动增加不少美感，对提高游客的愉悦度有着一定影响，但具体来看，云量到底是50%还是60%对游客来说可能是难以觉察的。参考国家《短期天气预报》（GB/T 21984—2017）所采用的天空状况术语与云量划分标准，本文将云量划分为3个等级，即晴或少云（云量0～30%）为3级、多云（云量30%～80%）为2级、阴天（云量80%～100%）为1级，改进后的MHCI云量阈值分等的标准如表5所示。

综上，改进后的MHCI各气象要素的阈值分等标准如表6所示。由于MHCI各气象要素的阈值分等级数不一致，为了方便计算和进行量化比较，对各气象要素进行“10分化”标准化处理，即将最高等级设定为10分，最低负值等级设定为-10分。设定MHCI的总体评价最高值为100，沿用HCI各气象要素的权重，最终MHCI的评价结果由各气象要素的分值加和确定。

1.3.2    体感评价分级

Scott等[29]将HCI的体感评价划分为8级，评价结果较为精细化。但实际上对于旅游者来说，相邻舒适性等级（例如“可接受的”（acceptable）与“好”（good））之间并没有特別明显的界线，存在某种模糊带;此外，中国国土幅员辽阔，人口众多，即使是相同的气候条件也存在显著的区域认知差异与人群感知差异，体感评价划分过细容易出现较多误判。

为了更直观地反映MHCI，结合Scott等[29]的分类方案方法和体感耐宽思想，笔者按分位数（二分位数和上、下四分位数）概念划分提出了一个简化的“舒适-亚舒适-不舒适-危险”4级评分标准（表7），其中，MHCI分值区间低于25则表示危险，意味着可能存在部分恶劣天气状况，从而会给游客的生命财产安全带来威胁。

1.3.3    北上广实例验证

在重构了热舒适、降水、风速和云量等要素阈值分等标准和最终的体感评价分级标准之后，其合理与否需要开展相应的验证。本文选取北京、上海和广州（简称北上广）作为典型城市，对HCI和MHCI的评价结果进行比较（图2）。

图2显示，北上广的HCI和MHCI在月度变化趋势上具有一定的一致性，体现了模型“局部”（而非全局）调整的本意;但MHCI相较于HCI而言，对夏季不舒适性似乎具有更优的识别性能。具体来说，MHCI和HCI在评估“偏冷（例如北上广的冬季）或少雨（例如北京）”的气候条件时似乎具有较强的一致性;而面对“偏热且多雨（例如上海和广州的夏季）”的气候条件时，MHCI相对HCI给出了更低的分值，能更好地识别出一年中夏、冬月份之间的差异。实际上，“夏季高温多雨”的亚热带和热带季风气候在我国具有广阔的分布（东部秦岭-淮河以南的主要气候类型），因此，采用MHCI开展旅游气候舒适性评估，对我国而言是更适宜的选择。

2 旅游气候舒适期的空间格局

探究旅游气候的舒适（MHCI≥75）状况具有突出的旅游活动引导、旅游产业发展和人居环境指示意义。本文以我国为例，通过MHCI的计算结果判定某地某日的舒适性状态，并在此标准下通过某个时间段内天气舒适日数（此处为MHCI≥75的天数）的累加来统计某地的舒适期长短 [51-52]。

由于我国国土面积辽阔，站点分布不均，本文通过ArcGIS10.6对全国775个基本（基准）气象站点进行泰森多边形划分，并以泰森多边形面积为权重对相应气象站点的舒适期进行加权求和，从而得到中国最近一个气候标准期（1981—2010年）内旅游气候舒适期分布状况（表8）。

表8显示，在全国评价结果中年平均旅游气候舒适期约为122.0天，从季节分布上看，夏季（6—8月）舒适期达41.7天，约占全年舒适期的34.2%;春（3—5月）、秋（9—11月）两季的舒适期较为接近，约占全年舒适期30%左右;冬季（12—2月）舒适期非常短，约占全年舒适期6%。就全国尺度而言，一年中约33%的天数是舒适的，其中，春、秋两季的当季舒适比约40%，舒适期最长的夏季当季舒适比约1/2，冬季舒适期较短。这与笔者基于温湿指数（THI）和风效指数（WEI）计算所得一般气候舒适期结果有显著差异[48-49]。在全国评价结果中，采用一般气候舒适性评价模型（温湿指数和风效指数）所得年平均舒适期约65～75天，当季舒适比约20%，其中，春、秋两季舒适期的当季舒适比仅约为17%。基于MHCI与基于HCI计算所得的旅游气候舒适期的结果呈现也稍许不同。其中，基于HCI得到的全国年平均舒适期为114.9天，当季舒适比约31.5%，其中，春、秋两季舒适期的当季舒适比约为35%[53]。

我国国土辽阔，区域差异具有明显的季节性。因此，本文进一步对中国775个基本（基准）气象站点1981—2010年间平均旅游气候舒适期进行ArcGIS10.6普通克里金插值，得到全国年度（图3）和季度（图4）的空间分布格局。为符合人们日常感知，暖色调表示其旅游气候舒适期高于全国平均值，冷色调为低于全国平均值。

图3显示：（1）空间分布来看，云南省的旅游气候舒适期最高，年均约183.7天，的确不辜负“天天是春天”的盛名，其中，最高值出现在云南省丽江市，年均高达250天以上（占全年时长的68.3%）;此外，新疆南疆（和田地区约198.3天）和内蒙古西部（阿拉善盟约180.7天）也是旅游气候舒适期高值集中地区，为旅游业发展提供了良好的气候条件，值得进一步发掘在气候吸引力上的潜力。低值区主要集中在高海拔的青藏地区和高纬度的黑龙江等地，其中，青海和西藏的年均旅游气候舒适期位列全国最后两名，分别为69.5天、69.8天，其次是四川省94.8天和黑龙江省104.1天。（2）整体来看，北方省市旅游气候舒适期普遍高于南方省市，与一般气候舒适期“南长北短”的格局存在较大差异[49-51]。主要原因在于旅游气候舒适期的评价不仅考虑热舒适，还包含物理和美学层面的影响，特别是北方降水相对较少，对旅游者而言是一种便利。

图4显示：（1）春季（图4a）旅游气候舒适期分布格局与全年情况基本一致。其中，低值区主要集中在气温较低的高纬度地区（例如黑龙江）和高海拔地区（例如青藏高原）;此季，南方地區相对多雨水，旅游气候舒适期出现一些低值区域。（2）秋季（图4c），高纬度（如黑龙江）和高海拔（如青藏高原）的旅游气候舒适期仍较短，但胡焕庸线东南侧的大部分地区、新疆南疆和内蒙古西部地区则具有较长的旅游气候舒适期。（3）夏、冬两季（图4b和图4d）的旅游气候舒适期呈明显的纬度地带性。在夏季，“高纬度”成为较长舒适期的主导因素，为我国广阔的北方地区提供了发展避暑旅游的良好气候条件;在冬季，“低纬度”的南方地区，尤其是云南、海南和华南沿海地区的旅游气候舒适期较长，发展避寒产业具有得天独厚的气候优势。

3 旅游气候舒适域的季节变化

人体感觉冷暖适宜的气候条件的时间长短是气候舒适期，那么空间范围即为气候舒适域。气候舒适域是指某一时间截面下气候条件令人体感舒适的区域[51-52]。基于此概念，某区域在某段时间内持有使人感觉舒适的旅游气候（即MHCI≥75），那么该时段下该区域便是旅游气候舒适域。此外，某地一个气候标准期中（30年），某一日期（一年取366天）被评价为“舒适”等级的年份数占比，即为该地该日期的气候舒适概率。基于上述概念，罗轶[51]进一步界定了“当年气候舒适域”和“常年气候舒适域”的差异，认为“当年气候舒适域”是指该年中某一日期（某一天）的气候被评价为“舒适”等级的区域，而“常年气候舒适域”则是指某一日期在一个气候标准期中（30年）气候“舒适”概率大于50%的区域。本文“旅游气候舒适域”引用的是稳定性较高的“常年气候舒适域”概念。

3.1 年内逐日的舒适域面积

本研究从气候舒适域面积大小随时间推移的涨落变化视角测算了最近一个气候标准期（1981—2010年）内逐日的年均旅游气候舒适域，并统计了中国旅游气候舒适域的面积（图5）。我国旅游气候舒适域面积高值集中出现在5月中下旬和9月下旬—10月上旬，超过600万km2。也就说，这段时间内全国大部分地区的旅游气候都是舒适的。全国旅游气候舒适域面积在4月中旬—10月下旬之间超过全年平均值（约337.8万km2），即中国常年旅游气候舒适域涌现面积较大的集中时间段跨越了春夏秋，其中，夏季舒适域面积较大，或与山地高原地区和高纬度地区温度较低有关。受冬季严寒影响，此时全国旅游气候舒适域面积较小。旅游气候舒适域面积的季节性变化奠定了我国季节性旅游流的自然基础。

3.2 典型日期的舒适域格局

出游活动的顺利开展需要密切关注旅游目的地的天气和气候。本研究聚焦到具体日期，选取我国3个具有一定季节代表性的法定节假日——元旦、“五一”和“十一”，就特定时段内各地的旅游气候舒适概率（1981—2010年间）进行分析。因元旦和“五一”法定假期为1天，“十一”法定假期则为3天，故而选取1月1日（代表元旦节）、5月1日（代表劳动节）以及10月1—3日（代表国庆节）的数据作为样本进行计算。以旅游气候舒适概率50%为界，高于50%为暖色调，颜色越深则表示该节假日下某地的舒适概率越高;低于50%为冷色调，颜色越深则表示某地的舒适概率越低（图6）。

（1）元旦节（1月1日）全国大部分地区成为旅游舒适域的概率较低（50%以下），特别是东北和西北的大片区域，舒适概率为0。旅游气候舒适域（舒适概率大于50%）主要出现在海南、云南和华南沿海地区，为旅游活动开展提供了适宜的气候环境（图6a）。

（2）“五一”劳动节（5月1日）和“十一”国庆节（10月—3日）旅游气候舒适域分布格局相似（图6b和6c），全国出现舒适旅游气候的地区分布广泛（“五一”劳动节旅游气候舒适域面积约577.7万km2，“十一”国庆节更高达628.6万km2），全国仅青藏、东北和华南地区成为舒适域的概率较低。因此，“五一”作为与“十一”类似的旅游“黄金时段”，恢复“五一”黄金周在舒适气候条件上是可以得到支持的（图6b）。

4 结论与启示

4.1 结论

本研究系统梳理了旅游气候舒适性评价的相关模型，结合中国实际改进了其中的度假气候指数HCI，并以北上广三城市为例进行相应验证。随后，运用改进后的MHCI，基于中国1981-2010年间775个基本（基准）气象站点的日值气象数据开展实证研究，从旅游气候舒适期与舒适域两个角度对中国的旅游气候状况进行了分析。主要结论如下：

（1）旅游气候舒适性评价应采用专门模型而非通用模型，而专门旅游气候舒适性评价模型的改进主要从“数据粒度”“阈值分等”“指标权重”和“模型形式”等方面展开。旅游气候评价模型不能简单地“异地套用”，本文选取“数据粒度”为日值尺度的度假气候指数HCI，着重从“要素阈值分等”与“体感评价分级”两方面对其进行优化改进，初步验证表明，调整后的MHCI能够更好地反映中国的旅游气候舒适性。

（2）基于MHCI的计算结果表明，就旅游气候舒适期而言，我国年均约为122天，其中，夏季长达42天，冬季仅7天，而春、秋两季各约36～37天。从空间分布上看，有别于一般气候舒适期的“南长北短”格局，全国旅游气候舒适期整体上呈现为“北长南短”的空间格局，其高值区集中在云南、新疆南疆和内蒙古西部，低值区主要集中在高海拔（如青藏高原）和高纬度（如黑龙江）等地区;当然，空间分布也存在季节差异，其中，夏、冬两季旅游气候舒适期的纬度地带性突出，表现为夏季“北长南短”、冬季“北短南长”。

（3）就旅游气候舒适域而言，我国常年旅游气候舒适域面积的两个高峰值分别出现在5月中下旬和9月下旬—10月上旬，其中“五一”劳动节和“十一”国庆节的舒适域空间格局具有相似性，全国大部分地区的旅游气候舒适概率都在50%以上，恢复“五一”黄金周假期是具有气候环境基础的。

4.2 讨论与启示

4.2.1    讨论

当然，本文研究也存在一些值得进一步探讨的地方。

首先，本文针对国际上主流旅游气候评价模型中较完善的度假气候指数HCI，对其进行优化改进，但目前的改进并未涉及更具挑战性的“指标权重”问题。旅游气候评价指数在整合冷热、物理和美学指标时，权重分配的主观性总是备受质疑，且可能需要针对不同地区做出适应性调整，例如Fichett等[54]就针对非洲地区，调整了TCI指数中各个子指标的权重，并验证了其实用性。后续研究中或许可以考虑采用“熵權法”等定量方法，进一步探索指标权重的合理分配。

其次，本文选取属于“经验模型”范畴的温湿指数（THI）来替代HCI中的有效温度（ET）作为热舒适指标，并未采用“机理模型”开展热舒适评估。人体与环境的热量交换极其复杂，既取决于与人体热平衡相关的环境气象因素（即温度、相对湿度、风速和辐射），也取决于个人因素（即人体代谢率和衣服热阻）和活动水平。因此，将不具备能量交换基础的简易经验模型作为热舒适性指数（如HCI中的ET和TCI中的CID与CIA等），难以全面反映人体热舒适性。例如Kovács等[55]就采用生理等效温度（PET）这个“机理模型”来代替TCI的热舒适指数（CID与CIA），并通过问卷调查确定PET指标的评分阈值分等，提升了TCI对气候热舒适方面的评估。此外，在当今气候舒适性评价的理论研究和实践应用中，机理模型也渐成主流。因此，未来旅游气候舒适性模型中，需要加强热舒适评价对“机理模型”的引入和探索，以进一步提升评价模型的合理性和解释力。

此外，即便是旅游气候舒适性评价模型本身，也需要更加细分化和专门化的发展。例如，Scott等基于城市旅游和滨海旅游的不同气候需求，将度假气候指数HCI进一步细分为“HCI：urban”[29]和“HCI：beach”[25]。实际上，现实中旅游活动的类型是更为多元的，例如冬季滑雪运动就和夏季海滩度假一样，对气候舒适性也有着不同于一般观光休闲的要求，也需要发展专门化的旅游气候舒适性评价模型。当然，如果进一步考虑雾霾等大气污染因素对旅游活动的影响，旅游气候舒适性评价模型将会变得更为复杂，需要在今后给予更多的关注和探索。

4.2.2    启示

本文针对旅游气候舒适期季节性差异进行分析，有助于旅游目的地分散季节性压力，为相关政府部门和旅游企业制定政策和规划提供科学依据。计算结果表明，我国避暑旅游气候资源充足，尤其是对于北方地区而言，似乎是“遍在的”，各地在新一轮旅游度假区建设热潮中，需要充分考虑在气候条件方面的同质性和竞争性，合理布局和打造“避暑旅游目的地”;计算结果也表明，我国避寒旅游气候资源相对稀缺，但除了海南外，云南和广东也具有打造“避寒目的地形象”和发展避寒产业的气候条件，这可以在市场营销和度假产業发展中给予更多关注。

本文旅游气候舒适域的计算结果表明，“五一”假期和“十一”假期全国总体上有着良好的气候支撑，大部分地区旅游气候舒适概率超过50%，非常适宜旅游活动的开展。“五一”假期和“十一”假期，曾经是我国上半年和下半年两个最具代表性的旅游“黄金周”，这是有气候环境依据的。2008年国家法定假日中取消“五一”黄金周后，游客在“十一”黄金周的高度聚集已是不争事实，其对旅游体验和旅游业的负面效应受到越来越多的关注和讨论。近年来，恢复“五一”黄金周的呼声高但争议大，而本文的研究可以为这种讨论提供一定的科学依据。

此外，本文研究发现，中国西北地区（特别是南疆和蒙西地区）作为旅游气候舒适期高值集中地区之一（特别是在春、夏、秋三季），可充分利用良好的气候优势，进一步发掘其在气候吸引力上的潜力。通过“旅游+气候”创新产品供给，把潜在的旅游气候资源转化为旅游优势资源，从而打造独特的旅游气候品牌，契合多样化旅游体验的刚性需求，更好地实现旅游促减贫、旅游促振兴、旅游促发展的目标。

致谢： 感谢新西兰坎特伯雷大学陈宁博士对本文英文摘要的润色斧正。

参考文献（References）

[1] RUTTY M， SCOTT D. Bioclimatic comfort and the thermal perceptions and preferences of beach tourists[J]. International Journal of Biometeorology， 2015， 59（1）： 37-45.

[2] SAHABI A S， MATZARAKIS A. Quantification of the tourism climate of Algeria based on the Climate-Tourism-Information-Scheme[J]. Atmosphere， 2018， 9（7）： 250.

[3] DAMM A， K?BERL J， STEGMAIER P， et al. The market for climate services in the tourism sector—An analysis of Austrian stakeholders perceptions[J]. Climate Services， 2020， 17： 10094.

[4] 钟林生， 唐承财， 成升魁. 全球气候变化对中国旅游业的影响及应对策略探讨[J]. 中国软科学， 2011（2）： 34-41. [ZHONG Linsheng， TANG Chengcai， CHENG Shengkui. The impact of global climate change on tourism industry in China and adaptive strategies[J]. China Soft Science， 2011（2）： 34-41.]

[5] BECKEN S. A review of tourism and climate change as an evolving knowledge domain[J]. Tourism Management Perspectives， 2013， 6： 53-62.

[6] FANG Y， YIN J， WU B B. Climate change and tourism： A scientometric analysis using CiteSpace[J]. Journal of Sustainable Tourism， 2017， 26： 108-126.

[7] SCOTT D， HALL C M， G?SSLING S. Global tourism vulnerability to climate change[J]. Annals of Tourism Research， 2019， 77： 49-61.

[8] DE FREITAS C R， GRIGORIEVA E A. A comprehensive catalogue and classification of human thermal climate indices[J]. International Journal of Biometeorology， 2015， 59（1）： 109-120.

[9] HOUGHTEN F C， YAGLOGLOU C P. Determining lines of equal comfort[J]. ASHVE Transactions， 1923， 29： 163-176.

[10] THOM E C. A new concept of cooling degree days[J]. Air Condition： Heat & Ventilation， 1957， 54（6）： 73-80.

[11] TERIUNG W H. Physiologic climates of the conterminous United States： A bioclimatic classification based on man[J]. Annals of the Association of American Geographers， 1966， 56（1）： 141-179.

[12] FANGER P O. Thermal Comfort： Analysis and Applications in Environmental Engineering[M]. Copenhagen： Danish Technical Press， 1970： 244.

[13] H?PPE P. The physiological equivalent temperature-A universal index for the biometeorological assessment of the thermal environment[J]. International Journal of Biometeorology， 1999， 43（2）： 71-75.

[14] BLAZEJCZYK K， EPSTEIN Y， JENDRITZKY G， et al. Comparison of UTCI to selected thermal indices[J]. International Journal of Biometeorology， 2012， 56（3）： 515-535.

[15] JENDRITZKY G， DE FREITAS C R， HAVENITH G. UTCI—Why another thermal index[J]. International Journal of Biometeorology， 2012， 56（3）： 421-428.

[16] BLAZEJCZKY K， JENDRITZKY B G， BR?DE B P， et al. An introduction to the universal thermal climate index （UTCI）[J]. Geographia Polonica， 2013， 86（1）： 5-10.

[17] 闫业超， 岳书平， 刘学华， 等. 国内外气候舒适度评价研究进展[J]. 地球科学进展， 2013， 28（10）： 1119-1125. [YAN Yechao， YUE Shuping， LIU Xuehua， et al. Advances on assessment of bioclimatic comfort conditions at home and abroad[J]. Advances in Earth Science， 2013， 28（10）： 1119-1125.]

[18] 孙美淑， 李山. 气候舒适度评价的经验模型： 回顾与展望. 旅游学刊， 2015， 30（12）： 19-34. [SUN Meishu， LI Shan. Empirical indices evaluating climate comfortableness： Review and prospect[J]. Tourism Tribune， 2015， 30（12）： 19-34.]

[19] BECCALI M， STRAZZERIV， GERMAN?M L， et al. Vernacular and bioclimatic architecture and indoor thermal comfort implications in hot-humid climates： An overview[J]. Renewable and Sustainable Energy Reviews， 2018， 82（2）： 1726-1736.

[20] COSTA M L， FREIRE M R， KIPERSTOK A. Strategies for thermal comfort in university buildings — The case of the faculty of architecture at the Federal University of Bahia， Brazil[J]. Journal of Environmental Management， 2019， 239： 114-123.

[21] MCGREGOR G R， VANOS J K. Heat： A primer for public health researchers[J]. Public Health， 2018， 161： 138-146.

[22] VANOS J K， KOSAKA E， IIDA A， et al. Planning for spectator thermal comfort and health in the face of extreme heat： The Tokyo 2020 Olympic marathons[J]. Science of The Total Environment， 2019， 657： 904-917.

[23] 馬丽君， 孙根年， 马耀峰， 等. 气候舒适度对热点城市入境游客时空变化的影响[J]. 旅游学刊， 2011， 26（1）： 45-50. [MA Lijun， SUN Gennian， MA Yaofeng， et al. An analysis on the influence of climate comfortable degree on temporal and spatial variation of inbound tourists in Chinas hot cities[J]. Tourism Tribune， 2011， 26（1）： 45-50.]

[24] LAM C K C， LOUHNAN M， TAPPER N. Visitors perception of thermal comfort during extreme heat events at the Royal Botanic Garden Melbourne[J]. International Journal of Biometeorology， 2018， 62（1）： 97-112.

[25] MATTHEWS L， SCOTT D， ANDREY J. Development of a data-driven weather index for beach parks tourism[J]. International Journal of Biometeorology， 2019. https：//doi.org/10.1007/s00484- 019-01799-7.

[26] ZHOU Y Z， WANG J L. Spatial-temporal patterns of travel climate comfortable period on northeast China from 1981-2010[J]. Regional Problems， 2018， 3（1）： 13-16.

[27] YANG J， ZHANG Z C， LI X M， et al. Spatial differentiation of Chinas summer tourist destinations based on climatic suitability using the universal thermal climate index[J]. Theoretical and Applied Climatology， 2018， 134： 859-874.

[28] MIHAILA D， BISTRICEAN P L， BRICIU A E. Assessment of the climate potential for tourism. Case study： The North-East Development Region of Romania[J]. Theoretical and Applied Climatology， 2019， 137： 601-622.

[29] SCOTT D， RUTTY M， AMELUNG B， et al. An inter-comparison of the holiday climate index （HCI） and the tourism climate index （TCI） in Europe[J]. Atmosphere， 2016， 7（6）： 80-96.

[30] DE FREITAS C R. Recreation climate assessment[J]. International Journal of Climatology， 1990， 10： 89-103.

[31] DE FREITAS C R. Tourism climatology： Evaluating environmental information for decision making and business planning in the recreation and tourism sector[J]. International Journal of Biometeorology， 2003， 48（1）： 45-54.

[32] MIECZKOWSKI Z. The tourism climatic index： A method of evaluating world climates for tourism[J]. Canadian Geographer， 1985， 29（3）： 220-233.

[33] MORGAN R， GATELL E， JUNYENT R， et al. An improved user-based beach climate index[J]. Journal of Coastal Conservation， 2000， 6（1）： 41-50.

[34] DE FREITAS C R， SCOTT D， MCBOYLE G. A second generation climate index for tourism （CIT）： Specification and verification[J]. International Journal of biometeorology， 2008， 52（5）： 399-407.

[35] YU G， SCHWARTZ Z， WALSH J E. A weather-resolving index for assessing the impact of climate change on tourism related climate resources[J]. Climatic Change， 2009， 95（3-4）： 551-573.

[36] FANG Y， YIN J. National assessment of climate resources for tourism seasonality in China using the tourism climate index[J]. Atmosphere， 2015， 6（2）： 183-194.

[37] MAHMOUD D， GAMAL G， SEOUD T A. The potential impact of climate change on Hurghada city， Egypt， using tourism climate index[J]. GeoJournal of Tourism and Geosites， 2019， 25（2）： 496-508.

[38] LI H， GOH C， HUNG K， et al. Relative climate index and its effect on seasonal tourism demand[J]. Journal of Travel Research， 2018， 57（2）： 178-192.

[39] HUANG J， LI L， TAN C， et al. Mapping summer tourism climate resources in China[J]. Theoretical and Applied Climatology， 2019， 137（3-4）： 2289-2302.

[40] SCOTT D， MCBOYLE G. Using a ‘tourism climate index to examine the implications of climate change for climate as a tourism resource[C]. Freiburg： Commission on Climate， Tourism and Recreation， International Society of Biometeorology， 2001： 69-88.

[41] BAKHTIARI B， BAKHTIARI A， AFZALI G Z. Investigation of climate change impacts on tourism climate comfort in Iran[J]. Global NEST Journal， 2018， 20（2）： 291-303.

[42] SCOTT D， MCBOYLE G， SCHWARTZENTRUBER M. Climate change and the distribution of climatic resources for tourism in North America[J]. Climate Research， 2004， 27： 105-117.

[43] PERKINS D， DEBBAGE K. Weather and tourism： Thermal comfort and zoological park visitor attendance[J]. Atmosphere， 2016， 7（3）： 44.

[44] MORENO A， AMELUNG B. Climate change and tourist comfort on Europes beaches in summer： A reassessment[J]. Coastal Management， 2009， 37（6）： 550-568.

[45] SCOTT D， MCBOYLE G， MILLS B. Climate change and the skiing industry in Southern Ontario （Canada）： Exploring the importance of snowmaking as a technical adaptation[J]. Climate Research， 2003， 23： 171-181.

[46] AMELUNG B， VINER D. Mediterranean tourism： Exploring the future with the tourism climate index[J]. Journal of Sustainable Tourism， 2006， 14（4）： 349-366.

[47] 張建龙， 赵树杰， 王斌. 信号检测与估值理论及应用[M]. 西安： 西安电子科技大学出版社， 2017： 62-64. [ZHANG Jianlong， ZHAO Shujie， WANG Bin. Data， Models and Decisions[M].  Xian： Xidian University Press， 2017：62-64.]

[48] 蔚丹丹， 李山. 气候舒适度的体感分级： 季节锚点法与中国案例[J]. 自然资源学报， 2019， 34（8）： 1633-1653. [YU Dandan， LI Shan. Scale of human thermal sensation using seasonal anchor method： A Chinese case study[J]. Journal of Natural Resources， 2019， 34（8）： 1633-1653.]

[49] 蔚丹丹， 气候舒适度的体感分级： 季节锚点法与中国案例[D]. 上海： 华东师范大学， 2017. [YU Dandan. Scale of Human Thermal Sensation Using Seasonal Anchor Method： A Chinese Case Study[D]. Shanghai： East China Normal University， 2017.]

[50] 李山， 孙美淑， 张伟佳， 等. 中国大陆1961—2010年间气候舒适期的空间格局及其演变[J]. 地理研究， 2016， 35（11）： 2053-2070. [LI Shan， SUN Meishu， ZHANG Weijia， et al. Spatial patterns and evolving characteristics of climate comfortable period in the mainland of China： 1961—2010[J]. Geographical Research， 2016， 35（11）： 2053-2070.]

[51] 罗轶. 中国大陆气候舒适域的季节涨落与类型分布[D]. 上海： 华东师范大学， 2018. [LUO Yi. Climate Comfort Region in Chinese Mainland： Its Seasonal Fluctuation and Type Distribution[D]. Shanghai： East China Normal University， 2018.]

[52] 张粮锋. 旅游气候评价： 模型优化与中国案例[D]. 上海： 华东师范大学， 2019. [ZHANG Liangfeng. Tourism Climate Assessment： Model Optimization and Chinese Case[D]. Shanghai： East China Normal University， 2019.]

[53] YU D D， LI S， GUO Z Y. Evaluating the tourist climate comfortable period of china in a changing climate[J]. Advances in Meteorology， 2020. https：//doi.org/10.1155/2020/8886316.

[54] FICHETT J M， HOOGENDOORN G， ROBINSON D. Data challenges and solutions in the calculation of tourism climate index （TCI） scores in South Africa[J]. An International Interdisciplinary Journal， 2016， 64（4）： 359-370.

[55] KOV?CS A， UNGER J， G?L C V， et al. Adjustment of the thermal component of two tourism climatological assessment tools using thermal perception and preference surveys from Hungary[J]. Theoretical and Applied Climatology， 2016， 125（1-2）： 113-130.

Evaluate Tourism Climate Using Modified Holiday Climate Index in China

YU Dandan1，2， LI Shan1，2，3， ZHANG Liangfeng1，2， LUO Yi1，2， SHI Zhengyan1，2

（1. School of Geographic Sciences， East China Normal University， Shanghai 200241， China;

2. Key Laboratory of Geographic Information Science， Ministry of Education， Shanghai 200241， China;

3. Institute of Eco-Chongming， Shanghai 200241， China）

Abstract： Tourism industry is a resource-dependent industry， since all forms of tourism activities are sensitive to climate to an extent. Analysing the impact of climate change on tourism is therefore conducive to tourism development. Following this logic， multi-dimensional climate indices are called for to evaluate the climate for tourism， and previous studies in China have centred the usage of the much criticized “climate index” with low resolution climate data. Analysing the existing tourism climate comfort evaluation models， this study selects the more suitable holiday climate index （HCI）， applying the “seasonal anchor method” and relevant national standards to optimize the threshold division criteria for each meteorological element. A modified holiday climate index （MHCI） was further examined when MHCI scores are compared with the HCI scores， justifying its suitability. Taking China as a case， this paper acquired daily meteorological data from 775 weather stations. Using GIS spatial analysis tools， this paper examines inter-regional differences in the average annual and seasonal tourist climate comfortable periods and tourist climate comfortable areas across China from 1981—2010. The main findings are as follows. For one， China has an average of 122.0 days of tourism comfortable period during the year， in which the summer tourism climate has the longest comfort period of up to 41.7 days， and the winter tourism climate has the shortest comfort period of only 7.1 days. The tourism climate comfort period in spring and autumn is about 37 days. In terms of spatial distribution， high-value areas are concentrated in Yunnan， Southern Xinjiang and Western Inner Mongolia. Secondly， the peak of the average annual tourism climate comfort area in China appears in mid-to-late May， late September and early October， laying the natural foundation for seasonal tourism in China. During Labour holiday and the National holiday， the tourism climate comfort probability is above 50% in most areas of the country， especially in Xinjiang. Government departments and tourism enterprises should pay attention to Xinjiangs great tourism climate resources， and thus develop and utilize them better. These results can provide some scientific evidence applying tourism climate comfortable indices and climate comfortable indices， and help to improve the tourism industry responding to global climate change. Tourism climate comfort evaluation can further be used to determine the weight of meteorological elements reasonably through different quantitative methods. Considering the simulation prediction of future tourism climate comfort in the context of climate change， combined with the tourism flow analysis， this study provides a scientific basis for government departments and tourism enterprises to formulate policies and plans.

Keywords： climate amenity; climatic comfortable degree; climate comfortable period; climate comfortable area; tourism climate index; holiday climate index

[責任编辑：宋志伟;责任校对：王    婧]