我国自驾游（跨市）市场季节性测度及其地域差异

李雪

[摘    要]在借鉴相关学术研究的基础上，文章从模式与强度两方面构建季节性测度框架，运用单指标面板数据聚类分析、线性规划等方法，探讨我国自驾游（跨市）市场季节性时空特征。结果表明，同一类型省份季节性曲线形态具有较高相似性，与其他分类存在明显差异性，且异同点主要体现在峰值的强度、时间范围及波动情况;模式与强度是表征季节性的关键要素，二者相互关联，共同决定着季节性水平。总体上，我国自驾游市场具有“淡季过淡、旺季较旺”“淡季不淡、旺季较旺”“淡季不淡、旺季不旺”“淡季过淡、旺季不旺”4种发展形态，不同的淡旺季分化特征表现为各异的季节性强度与市场开发方向;从地域分布来看，各类型省份具有相对较强的地理集中性，在空间上呈现“小集中、弱分散”的宏观特征。对比Gini系数和Theil指数，相对季节性指数测度结果表明，自驾游季节性强度取决于消除季节性所需转移的季节性因子量及其月度分布情况。季节性波动的月度顺序结构，是度量季节性水平不可忽视的关键要素。

[关键词]自驾游（跨市）市场;季节性;单指标面板数据聚类方法;线性规划模型;相对季节性指数

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2021）08-0140-15

Doi： 10.19765/j.cnki.1002-5006.2021.08.016

引言

近年来，随着国民生活水平的提高、交通基础设施的改善以及游客群体日益多元化、体验式需求的不断激增，自驾车旅游快速增长，逐渐成为深受游客喜爱的出游方式。国家层面也积极出台相关政策，鼓励开发自驾车、房车相关旅游产品，提升自驾游服务水平。据《中国自驾游发展报告（2018—2019）》，2 018年底我国自驾车游客已达35亿人次，人均出游时间3.60天[1]。2020年新冠肺炎疫情暴发以来，自驾游以小聚集、大空间、闭环消费、体验自由等特征，迅速成为疫情常态化防控时期人民群众旅游消费需求释放的重要方式。

季节性作为旅游业的基本特征之一，是旅游业面临的最易理解与最难解决的问题之一。旅游供需的季节性波动会给旅游地社会、经济、生态等子系统以及旅游者自身的游览效用带来诸多消极影响[2]。与其他业态一样，自驾游市场同样受季节性问题的困扰。基于此，本文对我国31个省级行政单元（不含港澳台地区）的自驾游（跨市）市场季节性问题进行研究，从数量上测度市场需求随时间变化的表现形式与强度，客观把握各地季节性特征与地域差异，为采取跨区域的联合反季节策略提供依据，以期推动各地适应疫情常态化防控时期自驾车旅游发展的需要。

1 相关研究回顾

1.1 旅游季节性相关研究回顾

旅游季节性作为按月或季度出现的波动现象，是由目的地的季节性属性及旅游资源周期性自然更替、游客的出游行为变化以及经济、社会和文化差异所引致的综合效应[3-4]，存在旅游旺季、淡季和平季的交替。旺季由于游客数量迅速增加，目的地的交通、生态环境、旅游资源以及居民生活质量等面临难以应付的压力，而淡季可能会出现服务设施闲置、季节性失业等问题，因此，诸多研究普遍认为季节性会对旅游业与目的地持续健康发展产生消极影响[2，5]。不过，也有少数学者从生态影响的角度提出旅游淡旺季并非只有不利影响，如目的地可在淡季时“休养生息”、调整恢复生态环境、维护基础设施等[6]。

特征识别是季节性问题研究的基础，表现形态、波动规律和强度是阐释季节性特征的基本要素。从表现形态即季节性模式来看，国内外学者已从实证角度进行了诸多研究[7-8]，其中，比较有代表性的为Butler和Mao根据旅游在一定周期内的分布形态而提出的3种类型，即单峰型、双（多）峰型和无峰型[9]。López Bonilla等利用季节因素的分布来区分旺季、平季和淡季，进而将西班牙地区的季节性模式分为单峰、双峰、多峰或无峰[8]。Chen和Pearce通过研究月度游客接待量及其均值之间的差异，分析了亚洲5个国家的旅游季节性特征，提出了山峦型、平原型、高原型、盆地型等模式[7]。国内学者陆林等通过对海滨型与山岳型旅游地的客流季节性进行研究，发现三亚、九华山分别为“三峰两谷”和“双峰双谷”型模式，而北海、普陀山、黄山均为“三峰三谷”[2]。钟静对入境旅游外国市场时空特征的研究表明，8月和10月为入境旅游外国市场的旺季，而1—2月则是淡季[10]。卢松等对西递、宏村的研究发现，两地旅游流呈现“三峰三谷”的波动形态[11]。上述文献既有对单一案例地的季节性模式进行识别，也有针对不同案例地的比较，对于丰富实证研究具有重要实践意义。但总体上，对不同案例地的研究多集中于直观比较与特征描述，很少有研究基于特定科学分类方法对不同个体季节性模式的差异性进行深入对比与剖析，这一定程度上会影响反季节开发策略的科学性、实用性乃至有效性。

强度测定，即对特定时期内特定现象分布不平衡程度的判断，是季节性问题研究的重要关注点。实践表明，从数量上度量旅游需求随时间的变化很有必要[12]，对旅游规划和经营决策都很有帮助[13]。合适的测度指标是判断及分析旅游季节性的工具，因此，国内外学者构建了多项指标，并对不同案例地的旅游季节性进行分析评价[14]。目前，常用的测算指标主要有季节性强度指数、Gini系数、Theil指数、季节性比率、不均匀系数等，并有学者对各指标的数据要求及使用特点进行了比较分析[15-16]，但理论上，这些指标均没有考虑具体时间段的月度顺序和周期结构。目前，已有学者认识这一共有不足之处，提出结合月度指数来反映季节性强度、每月变化幅度和淡旺季[17]，也有学者提出了考虑月度循环顺序的季节性测度指数[16]，并应用于欧洲各国旅游季节性实证分析[18]，对于季节性理论与实践研究具有重要创新和借鉴意义。

旅游活動的非均衡状态至少具有时间、空间（地理分布）和具体变量维度3个层面的表现与内涵[19]。旅游季节性概念不仅包括其在时间维度上的波动，还包括在空间维度上的非均衡[4]。从空间上来看，对于不同区域、不同类型的旅游地，其季节性表现是存在显著地域差异的。实践证明，产品与市场越多元化的城市与目的地，其季节性水平越低，反之则越强。文化、休闲旅游产品开发可以作为诸多目的地平抑季节性波动常见的有效措施，但对滨海型目的地的作用非常有限[20-21]。钟静等对西递和周庄旅游流的季节性特征进行了比较，认为二者在分布模式与季节划分方面均存在一定差异[22]。朱红兵和高峻以入境旅游客流为研究对象，发现中国东部城市季节性明显弱于西部，且地域和经济相近的旅游城市其季节性需求分布具有很大相似性[23]。冯学钢等以我国22个热点旅游城市为研究对象，揭示了我国入境旅游季节性的时空差异分布规律[24]。Ferrante等对欧洲21个国家的研究表明，尽管各国旅游季节性模式与强度存在一定差异性，但相邻国家的季节性特征却存在相似性，反映了旅游季节性的空间关联效应[18]。卢松等对西递-宏村、黄和平对全国31个省份的旅游季节性研究一致表明，空间关联效应等非常规因素在季节性形成过程中作用显著[4，11]。可见，季节性波动的空间规律一定程度上呈现大尺度空间上的差异性和小尺度空间范围内的相似性。

1.2 自驾游相关研究回顾

长期以来，自驾游一直是许多西方国家旅游业的重要组成部分。学术界也持续关注自驾车游客的出游动机、影响因素、行为特征和满意度等方面[25-30]。从属性上看，自驾游消费群体与传统游客存在显著差异，其满意度不仅取决于目的地，更多取决于整个旅途的总体体验，如目的地与客源地之间的道路交通状况、交通信号与标识，以及沿路风景道设置、公共服务设施的完善程度等[31]，因此，自驾游公共服务提升、线路优化乃至目的地服务体系构建等都受到了诸多学者关注[32-33]。国内相关研究主要集中于自驾游发展现状与对策[34-35]、自驾游线路及产品开发[36-37]、自驾车营地与目的地服务体系建设[38-40]等方面，亦有学者对自驾游消费群体的行为特征与目的地形象感知进行了探讨[41-48]，但与国外研究相比，仍存在较大提升空间。时空特征一直是旅游地理学研究的热点之一。国内诸多学者运用大数据对不同案例地自驾游客流的时空特征进行了深入探讨。罗秋菊和梁思贤以云南为例，运用数字足迹方法对自驾客流的时空特征研究发现，自驾客流出游时间高度集中在黄金周及寒暑假期间，客源地空间分布与国内经济发达省市的地理分布保持一致[47]。杨斌和陈晓键基于网络日志对陕西汉中自驾游市场的时空行为研究表明，自驾游具有长时维度的季相模式和短时维度的周末模式，客源地与目的地分别呈现出近域集中性和高聚集特征[49]。王银银等对安徽的研究也同样得出自驾游客流时空集聚明显的结论[50]。李伟和王凯基于网络游记对河南自驾游的研究发现，游客空间行为规律与客源地的人口基数和旅游目的地资源级别和规模存在较大关系[51]。刘旭玲等的研究认为，新疆自驾游淡旺季明显，客流出行时间主要集中在7月、8月、9月，呈现冷热点区和圈层分布明显的空间特征[52]。这些研究极大丰富了时空二元视角下的自驾游研究成果，为旅游目的地营销与管理提供了有力依据。

1.3 研究述评

综上，国内外学者从社会学、经济学、地理学的视角对自驾游消费群体的行为特征、自驾游产品与营地建设、目的地服务体系等方面进行了广泛研究。也有国内学者针对自驾车旅游客流的时空特征展开了深入探讨，其中多是在总结客流到访时间特征基础上，从旅游流的视角围绕客源地的空间分布和游客在目的地的空间集聚特征进行分析。这些研究对于微观层面单一自驾游目的地的规划、管理和营销具有重要意义。不过，相应地从宏观视角对全国自驾车旅游季节性波动的时空特征进行研究的相关文献则尚显不足。关于旅游季节性研究，相关成果颇丰。总体上，从研究对象来看，多集中在微观层面的不同类型景区，如山岳型、海滨型、古村落型、主题公园等具体景区，也有涉及中观层面的城市或省级案例区，但尚缺少宏观层面的季节性比较分析;从研究内容来看，以国内旅游市场、入境旅游市场季节性影响因素、产生的负面效应以及季节性测度与反季节性策略等为主，尚没有对自驾游专项市场的季节性波动特征进行比较分析;从研究视角来看，时间是普遍关注点，基于空间维度的季节性分析较少，将时间与空间两个维度结合起来进行研究则更鲜见;从研究方法来看，季节性强度指数、Gini系数、Theil指数、季节性比率、不均匀系数等是常用的季节性测度指标。虽然国内外学者对上述指标存在诸多争议，但其存在共同之处，即都是针对季节性因素规模上的不均衡性进行设计，致使不同的季节性分布出现强度相同的现象，无法反映出时间分布规律对季节性水平的影响。基于上述考虑，本文运用了单指标面板数据聚类方法与综合考虑月度顺序的季节性测度指数，从宏观视角对全国自驾游市场季节性波动的时空特征进行研究，以期为准确把握游客出游动机、预测市场季节性波动、平抑季节性带来的影响提供依据;進而从空间视角研究自驾游市场季节性的地域差异，为各地区采取差异化反季节开发策略、实现自驾游市场联合拓展和区域旅游业持续健康发展奠定基础。

2 数据来源和研究方法

本文对自驾游市场的季节性分析主要包括3部分：一是测定自驾游市场的季节性模式，并通过单指标面板数据聚类方法，对全国31个省份进行分类对比;二是借鉴产销平衡运输问题的解决思路，以消除季节性为目标，运用线性规划模型构建相对季节性指数，对31个省份自驾游市场季节性强度及其地域差异进行判断分析;三是基于模式与强度分析，对自驾游市场的淡旺季分化特征进行总体评价。

2.1 数据来源

2017—2019年我国31个省份的自驾游（跨市）月度出行人次主要来源于中国旅游大数据平台。具体为中国旅游研究院与中国电信大数据联合实验室，基于手机位置数据，对特定时间、特定区域自驾游（跨市）出行人次进行统计测算：将离开工作和生活惯常环境超过10千米并6小时作为对游客的限定条件，根据手机信令的活跃范围、瞬时与平均移动速度等条件获取游客离开所在市的出行样本。考虑到是跨市数据，而研究对象为省域单元，因此，本研究设定各省份既是客源地又是目的地。同时，需要说明的是，全文涉及的自驾游市场均为跨市市场。

2.2 季节性模式测定与聚类分析方法

2.2.1    季节性因子提取

比较2017—2019年自驾游月度数据发现，各省每年的数据既具有明显规律性，又存在一定长期趋势性。为准确把握季节性特征，本文采用乘法模型获取自驾游时间序列数据所包含的季节性因素，以分析各省的季节性模式和强度。

设定任一省份[t]月的自驾游人次序列为[Y=] [{yt}]，季节性因子为[S={St}]，则根据乘法模型，首先对该省自驾游人次时间序列进行中心加权移动平均，以消除不规则变动和季节变动影响[（S×I）]，得到趋势分量和循环变量[（T×C）]，即：

从原序列[{yt}]中剔除长期趋势和循环分量影响，分离出季节分量和不规则分量（[S×I]），即：

进而应用简单平均法从季节分量和不规则分量[SIt]中消除由于偶然因素引起的不规则变动的影响，分离出季节分量[S]，即季节性因子[St]为：

其中，[n]为时间序列数据的年度数。

2.2.2    单指标面板数据聚类分析

根据乘法模型获取的31个省份季节性因子属于单指标面板数据，在对其进行聚类分析时，需明确各地区季节性因子绝对量相似程度及其年度序列动态发展特征的一致性。具体要解决两个核心问题：一是构建表征各地区之间相似程度的统计量，二是确定度量类与类之间相似程度的聚类方法或准则。本文借鉴李因果和何晓群提出的面板数据聚类方法[53]，构建单指标面板数据聚类相似性度量指标，运用Ward法对31个省份进行聚类。

综合考虑面板数据的绝对值和稳定性，即各地区之间的“绝对量”距离和“变化速度”距离，形成相似性度量指标——全时“综合”距离。

界定全时“绝对量”距离[dijAQED]和全时“变化速度”距离[dijISED]之后，衡量[i]省和[j]省之间的全时“综合”距离[dijCED]为：

其中，[α+β=1]，[α、β]表示两种距离的权重，即综合距离[dijCED]是全时“绝对量”距离和“变化速度”距离的加权组合。根据自驾游人次时空差异的研究目的，为简化分析，本文确定权重系数为[α=0.5]、[β=0.5]。

2.3 季节性强度测度指数构建——相对季节性指数

旅游季节性本质上是由供求之间在时间和空间上的不匹配导致的，将旺季需求转移到淡季时间段，实现二者的匹配是解决季节性问题最直接也最有效的方法[4]。那么，消除季節性所需的最小成本则取决于旺季需要转移到淡季的过度需求量以及旺季与淡季之间的距离。这就需要同时考量特定时段内待转移的季节性因子量及其月度分布特征。本文借鉴Magno等构建的季节性指数[16]，通过求解产销平衡运输问题的最优解来获取度量季节性强度的指数，对31个省份进行研究。运输问题是典型的线性规划问题，目标是在一定的约束条件下求解从产地到销地运输成本最低的方案。运用这一最小化问题求解季节性指数，定义季节性因子高于均值的月度为产地，低于均值的月度为销地，则运输成本为将季节性因子从所有高于均值的月份转移到所有低于均值的月份的成本。此外，线性规划的约束条件将确保在转移之后消除季节性，即获得均匀分布。消除季节性所需的最小成本即为绝对季节性指数。

设定[M][=1， 2， …， NN=12]为季节性因子月度时间周期，自驾游市场季节性因子用向量[P=] [{s1， s2， …， sN}]表示，且sn全为非负，则季节性因子总和为[s=n=1Nsn]，均值为[μ=s/N]，[P0（s， N）=] （[sN，sN，…，sN]）代表均衡分布的模式，进而绝对季节性指数可以定义为将[N]维模式[P]转化成[P0（s， N）]所需的最小运输成本。由高于均值的月份向低于均值的月份转移时，成本取决于转移量以及这两个月份之间的距离。其中，后者相当于运输问题中的单位运输成本，在具体定义时需考虑月度循环顺序，即设定每个月均匀等距分布在一个圆周上，任意两月份之间的距离定义为连接这两个月的短弧间隔。那么，[i]月与[j]月之间的距离[cij]构成的成本矩阵为一个12阶对称矩阵[c]：

为进一步定义运输问题，必须明确超过均值和低于均值的具体时间段。定义集合A、集合B分别为高于、低于均值的月度，则[A={i∈M：si>μ}]，[B={j∈M：sj<μ}]。对于任何一个属于集合A的月度[i]，定义[ai=xi-μ]，同样，对于任一属于集合B的月度[j]定义[bj=μ-xj]，则[ai]代表月度[i]需要转移到集合B中所有月度的转移量，而[bj]代表集合B中月度[j]需要从集合A中所有月度接收的量，因此，对于所有[i]、[j]，存在[i∈Aai=j?Bbj]。进而，用于测定季节性的产销平衡运输问题，可以进行如下定义：

其中，[z]代表消除季节性的总成本，[xij]为线性规划的决策变量，代表从月份[i]到月份[j]的转移量，而[cij]则代表从月份[i]到月份[j]的单位运输成本。约束条件（1）确保任一属于集合A的月份[i]，其转移到所有[j]月的需求量之和为其高于均值的量[ai]，约束条件（2）确保任一属于集合B的月份[j]，其接收的所有[i]月的转移量之和为其低于均值的量[bj]，约束条件（3）确保所有决策变量非负。决策变量可通过单纯形法进行求解。

假设该线性规划最优解为[x*ij]，则相应的最低运输成本[z*]为绝对季节性指数：

对于给定成本矩阵[c]和常数[s]，绝对季节性指数最大值取决于季节性因子的均值和对应成本矩阵中行和的最大值[16]，即[SMAXμ， C=μmaxi∈Mj∈Mcij]。那么，相对季节性指数[SR]则为：

3 研究结果

3.1 自驾游市场季节性模式聚类分析

3.1.1    季节性模式表现多样

根据乘法模型获取的各月季节性因子均值为100。本文参考孙晓东等对淡旺季的划分方法[54]，以10%作为上行旺季或下行淡季的阈值，即季节性因子高于110的月份为旺季，低于90的为淡季，处于90与110之间的月份列为平季。对季节性因子的初步分析表明，不同省份自驾游市场存在一定的季节性差异。对于大多数省份，气候舒适的4月、9月和10月是自驾游旺季月份，而6月、7月和8月是淡季月份。这一定程度上说明，自驾游受气候条件的影响较大。从不同月份淡旺季波动幅度来看，淡旺季最大差值出现在6月，为处于旺季的青海与处于淡季的江苏季节性因子之差，二者分别为134.79、45.36;淡旺季最小差值出现在12月，为福建旺季与云南淡季季节性因子之差，二者分别为131.05、97.94。具体到不同省份，淡旺季的分化差异也较大。其中，江苏4月旺季与6月淡季季节性因子差值高达100.11，而黑龙江淡旺季差值最高仅为40.10。这一定程度上说明，虽然季节性作为旅游业最基本的持久性特征，但具体到不同的地理单元却表现出高度可变性与空间差异性。

为进一步评价各省份自驾游市场季节性特征的相似性与差异性，利用前述构建的单指标面板数据聚类方法进行聚类分析。轮廓系数和围绕中心点的分割算法显示，31个省份的最优分类数为9类，具体聚类过程见图1。结果表明，同一类型内部，各省份自驾游季节性模式存在较高相似性，而与其他分类存在明显差异性，且异同点主要体现在季节性峰值强度及其出现的时间范围（图2）。在确定的9类中，类型Ⅲ、类型Ⅵ、类型Ⅷ和类型Ⅸ的峰值强度明显高于其他分类。不过，类型Ⅲ中吉林和类型Ⅸ中广西、江苏、四川的峰值最大值均出现在4月，而类型Ⅵ中西藏和类型Ⅷ中的重庆出现在1月，同类型广东1月和9月的峰值均较大。对于所有分类，1—2月的季节性因子均呈现较为明显的下降趋势，这可能与我国传统的元旦、春节假期相关，即在1月出现大规模的自驾出游或自驾回家、返程的人群。这种现象在经济越发达、流动人口越多的省份越为明显，如北京、上海、广东、天津、浙江、福建、山东等省份1月与2月的季节性因子差距较大，其中，北京最大，为57.81，浙江为47.51，天津、上海、广东分别次之，而贵州、宁夏等地不及北京的1/5。此外，类型Ⅳ、Ⅴ、Ⅷ、Ⅸ等沿海或长江流域地区省份（新疆除外），由于6—8月为降雨量较大的时期，故而出现“盆地”型的波动特点，这一定程度上反映了自驾游客的出行决策与行为受气候及道路状况等因素的影响。进一步分析发现，类型Ⅳ中福建、山东、上海、浙江等地月度曲线表现为“下降型的盆地”，类型Ⅴ中安徽、河北、湖北表现为“波动型的盆地”，而类型Ⅷ与类型Ⅸ中广东、广西、江苏、四川则表现为“上升型的盆地”。

季节性特征的一个重要方面是季节性模式。由图2可知，我国自驾游市场总体上呈现单峰型、双峰型或多峰型等模式。在所有类型中，类型Ⅲ、类型Ⅴ（新疆除外）、类型Ⅶ和类型Ⅸ属于单峰型。除类型Ⅶ青海和宁夏季节性峰值出现在6月以外，其余3类峰值均出现在春季4月（类型Ⅴ中新疆除外，其峰值出现在春季4月和秋季9月）。从峰值强度来看，类型Ⅲ和类型Ⅸ峰值更大，类内峰值均值分别为150.43和146.52，而类型Ⅴ和类型Ⅶ分别为131.84和129.86。相应地，类型Ⅶ、类型Ⅴ与类型Ⅲ、类型Ⅸ相比，其季节性波动相对缓和，峰谷差最大值分别为62.31和76.04，而后两者分别为85.38和102.60。具体到各类内部，也存在细微差异，多体现在峰值强度上，如类型Ⅴ中，安徽与湖北季节性峰值强度高于河北和新疆。其余5种类型多为双峰或多峰型，其中，双峰型多为春秋时节旺季型，也有峰值集中于冬季和春季的海南特例，而多峰型，多为元旦、春节期间人口流动大的省份，旺季出现在冬季1月、春季4月和秋季9月，如北京、天津、福建、山东、上海、浙江、广东等地。在这9类中，类型Ⅵ中西藏的季节性因子月度曲线从3月开始波动上升，到9月实现高峰期，且总体上波动频率较高，這可能与西藏常住人口较少有关，致使自驾游市场出行倾向的小幅变化即可产生一定的季节性波动结果。

3.1.2    各类型省份在空间上呈现“小集中，弱分散”的宏观特征

为了探索季节性与地理因素之间的联系，以地图显示各省份自驾游市场季节性因子聚类分析的结果（图3）。可以看出，各类型省份具有相对较强的地理集中性，空间依赖性与空间异质性显著，具体呈现“小集中、弱分散”的宏观分布特征。如类型Ⅱ是由相对集中的山西、陕西、河南以及相互毗邻的贵州、湖南、江西等省份构成，其中，陕西、山西、河南与贵州、湖南、江西中间相隔湖北、安徽等省;此外，类型Ⅰ、类型Ⅳ和类型Ⅴ等都表现为同样的地理分布特征。在类型Ⅱ中，位于秦岭、淮河以北的陕西、山西、河南等省份具有相同的自驾游季节性模式，这可能与其具有相似的气候和环境，乃至相似的文化习惯和消费行为有关，而同为类型Ⅱ的贵州、湖南、江西等省份均位于长江以南，在地理环境与气候条件上与陕西、山西、河南等地存在较大差异，但却与前者具有相同或相似的季节性模式，究其原因，在常规自然条件以及非常规空间关联效应等因素对季节性模式产生影响的同时，制度、经济发展水平等社会因素可能会在此基础上产生叠加作用。

3.2 自驾游市场季节性强度分析

相对季节性指数测算结果表明，不管是同一类型的不同省份，还是不同类型的各省份之间，自驾游季节性强度均存在不同程度的差异性，且这种差异产生的原因有所不同。在同一类型内部，各省份具有大致相同的季节性模式，季节性强度差异更多取决于消除季节性所需转移的季节性因子量;而不同类型的省份，其差异既取决于季节性因子量，更取决于因子的月度分布特征。如图4所示，类型Ⅰ中，云南季节性最强，内蒙古和天津次之，北京、黑龙江和甘肃相对较低;类型Ⅱ中湖南、河南以及类型Ⅸ中四川也比同类型其他省份表现出更为强烈的季节性特征。根据前述借鉴运输问题消除季节性以确定季节性强度的方法原理，上述特征主要是由于云南、湖南、河南和四川等地平抑季节性所需转移的因子量远高于同类型其他省份（类型Ⅰ中北京虽与云南具有相近的季节性因子转移量，但这些转移量分布于相对分散的7个月，转移成本随之降低，从而使其具有相对较低的季节性指数）。湖南、河南平抑季节性所需转移的因子量分别为107.62和106.03，远高于同类型其他省份82.50的平均水平，四川所需转移的季节性因子量为158.75，而同属类型Ⅸ的广西和江苏分别为119.58和126.02。

综合9种类型的相对季节性指数发现，类型Ⅷ的季节性强度最高，其中，广东和重庆相对季节性指数在31个省份中分别列居第1位和第3位;类型Ⅵ、类型Ⅸ、类型Ⅳ、类型Ⅲ、类型Ⅱ、类型Ⅴ、类型Ⅰ、类型Ⅶ的季节性强度依次降低。根据各类型的空间分布，我国自驾游市场季节性强度大致呈现由沿海向内陆、由南部向北部地区依次减弱的空间变化特征。从季节性模式对应的强度来看，单峰型类型Ⅲ、类型Ⅴ、类型Ⅶ和类型Ⅸ的平均相对季节性指数分别为0.1041、0.0863、0.0617和0.1373，其季节性强度并没有显著高于其他类型的双峰型或多峰型省份。究其原因，不同类型既存在季节性因子转移量的差别，又存在因子月度分布规律的差异。如类型Ⅴ和类型Ⅶ的季节性因子平均转移量分别为76.69和64.30，而类型Ⅳ和类型Ⅷ分别为121.34和132.78;类型Ⅲ中吉林和类型Ⅵ中西藏的季节性因子转移量相近，分别为114.51和110.84，但吉林的转移量分布在相对分散的6个月，而西藏主要分布在4个月，故出现吉林季节性强度明显低于西藏的现象。由于具有相对较高的季节性因子转移量，类型Ⅸ的季节性强度明显高于类型Ⅴ与类型Ⅶ等其他单峰型省份，在9类中排名第3。对于分属不同类型、具有相近季节性因子转移量的省份，月度分布顺序的影响更为明显，即转移量分布的月份越多、越分散，其季节性强度越明显弱于其他省份，且这种差异性在转移量较大的省份之间尤为明显。

3.3 月度分布特征对季节性强度的影响分析

为进一步研究月度分布对季节性强度的影响，本文运用经典的度量指标Gini系数和Theil指数，与相对季节性指数[SR]进行对比分析。根据3个指数的类内排序及总排序（表1），发现各省份Gini系数和Theil指数排名的一致性相对较高，而二者與相对季节性指数[SR]存在一定差异性，不过排名差异控制在4个名次以内的省份达2/3以上，这一定程度上体现了[SR]的有效性和合理性。对比排名差异较大的省份，存在相对季节性指数[SR]排名落后或先于其余两个指数排名的情况：如类型Ⅰ中的北京、类型Ⅳ中的上海和类型Ⅸ中的江苏，其相对季节性指数[SR]排名比相应Gini系数或Theil指数分别落后15个、6个和6个名次;而类型Ⅰ中的内蒙古、类型Ⅴ中的安徽以及类型Ⅵ中的西藏，其[SR]排名比相应Gini系数或Theil指数分别领先9个、6个和8个名次。具体分析各省份平抑季节性所需转移的因子量及其月度分布发现（图5），北京、上海和江苏的转移量分别为98.20、118.24和126.02，高于内蒙古、安徽和西藏61.30、95.49和110.84的水平，但前者的转移量分别分布在相对分散的7个月、8个月和8个月中，而后者却分别分布在6个月、6个月和4个月中，充分说明季节性因子的月度分布情况进一步弱化了北京、上海、江苏的自驾游季节性强度，却强化了其余3省份的季节性水平。Gini系数和Theil指数无法体现该特征，因为其没有考虑季节性因子分布的月度顺序，故而无法反映时间分布规律对季节性水平的影响。可见，Gini系数和Theil指数等度量季节性的指标，虽然对于分析单一研究对象的季节性不均衡性及其时间趋势具有重要意义，但应用于涉及诸多研究对象的横向比较分析时，可能会产生偏颇的判断。这进一步说明[SR]在进行季节性强度的横向比较分析方面更加具有合理性。

3.4 自驾游市场季节性特征总体评价

在对季节性模式与强度分别进行分析之后，进一步以各省淡季下行率均值（30%）和旺季上行率均值（20%）为阈值设置横纵坐标制作散点图，对不同省份自驾游季节性特征进行总体评价。在图6中，横坐标为各省淡季月份（季节性因子小于90）季节性因子的平均下行率，纵坐标代表各省旺季月份（季节性因子大于110）季节性因子的平均上行率，各省括号内数据分别为市场份额和与相对季节性指数。

由图6，第一象限季节性强度指数最大，为0.1588，第四、第二象限次之，分别为0.1059、0.0935，第三象限最小，为0.0702。其中，第一象限为淡季过淡（下行率30%以上）、旺季较旺（上行率20%以上）的省份，总体市场份额占比32.12%，主要包括类型Ⅷ中的广东与重庆，类型Ⅱ中的湖南，类型Ⅳ中的福建与浙江，以及类型Ⅸ中的四川等6个省份。这些地区淡旺季差异尤为明显，主要表现为旺季自驾游发展状况较好，而淡季月份则不尽人意，全年波动幅度较大，尤其是四川，淡季月份的季节波动程度明显大于旺季，6—8月淡季月份的季节性因子平均下行率达51.41%。从地理空间来看，这6个省份在地域上是相邻的，因此，可以有针对性地采取区域联合措施以重点提升这些地区淡季的自驾游客数量。

第二象限总体市场份额占比26.41%，平均占比2.64%，主要包括北京、天津、河北、青海、西藏、云南、广西、安徽、湖北、吉林等省份，涉及京津冀、西南地区以及中部地区3个片区，属于相对理想型的地区。这些省份淡季不是特别淡、而旺季较旺，尤其是西藏和吉林，旺季对季节性强度的贡献较大，其旺季月份季节性因子平均上行率分别达34.10%、32.12%。对于这些地区，可以继续巩固旺季发展水平，同时适度提升淡季月份的自驾游客数量。

第三象限为自驾游季节性强度较低的省份，主要包括新疆、甘肃、宁夏、内蒙古、陕西、黑龙江、上海、江西、贵州等地区。各省季节性强度排名均位于末13位，其中，宁夏、新疆、黑龙江、甘肃4省份排名分别为第27、28、30、31位，属旺季增长较为平淡、淡季下行也不是特别明显的地区。从市场份额来看，占全国自驾游客数量的19.55%，应重点加强旺季月份的市场开发。

第四象限聚集了季节性强度次高省份，主要包括类型Ⅱ的河南、山西、辽宁、海南，以及类型Ⅳ的山东与类型Ⅸ的江苏等6省。淡季过淡、旺季不旺是显著特征，其中，淡季平均下行率达36.34%，而旺季平均上行率仅为17.82%。从市场份额来看，6省自驾游客数量占全国的21.92%，各省平均占比3.65%，仅次于第一象限，尤其是江苏、河南、山东等省，自驾游客占比分别居全国第2、第9、第13位。因此，这些省份是淡旺季游客数量需重点提升的潜力区域，应联合加强全年自驾游市场的开发。

4  结论与讨论

季节性是旅游业的基本特征之一，也是旅游研究领域的一个重要课题。本文在借鉴相关研究的基础上，首先，从模式与强度两个方面构建了旅游季节性测度的方法框架，理论上是对现有研究的丰富;其次，以全国31个省份自驾游（跨市）市场为研究对象，对不同类型省份的季节性特征及其差异进行了分析，得出了如下主要结论。

（1）模式与强度是表征季节性的关键要素，二者相互关联，共同决定着季节性水平。从季节性模式来看，我国自驾游市场存在单峰型、双峰型和多峰型等模式。同一类型内部的省份，季节性曲线形态存在较高相似性，而与其他分类存在明显差异性，且异同点主要体现在季节性峰值强度、出现的时间范围及其波动情况。从季节性强度来看，自驾游市场季节性水平取决于平抑季节性所需转移的因子量及其月度分布情况。对于具有相似季节性分布形态的省份，所需转移的季节性因子量越大，季节性程度越强;对于具有相近转移量的省份，转移量月度分布越集中，季节性水平越高;而对于具有较大转移量的省份，月度分布差异对季节性强度的影响要高于转移量差异本身产生的影响。此外，对比相对季节性指数[SR]与Gini系数、Theil指数对季节性强度的判断，在验证[SR]有效性与合理性的同时，发现季节性因子的月度分布顺序结构，即分布模式，是度量季节性水平不可忽视的关键要素。与Gini系数和Theil指数相比，[SR]在进行季节性强度的横向比较分析方面更加具有合理性。

（2）自駕游市场季节性受自然因素和社会因素的共同影响。其中，自然因素是季节性特征的基础影响因素。气候条件、地理环境等对自驾游市场的季节性影响很大。研究结果表明，气候舒适的4月、9月和10月是大多数省份的自驾游旺季，而6月、7月和8月则是淡季月份，尤其是沿海地区和长江流域的省份在每年6—8月会出现“盆地型”的波动特征。从地域分布来看，各类型省份具有相对较强的地理集中性，在空间上呈现“小集中、弱分散”的宏观特征，一定程度上反映了地理环境的相对一致性会导致季节性模式的相似性。与自然因素相比，节假日、经济发展水平等社会因素对自驾游季节性的影响，更大程度上是在自然因素形成的季节性特征基础上发挥叠加作用。对比全国31个省份的自驾游季节性因子月度曲线发现，北京、上海、广东、天津、浙江、福建、山东等经济发达、流动人口聚集的省份，在元旦、春节假期表现出了高度一致的分布形态。

（3）根据各省份季节性因子淡季下行率与旺季上行率，同时结合季节性强度，发现全国自驾游市场表现出“淡季过淡、旺季较旺”“淡季不淡、旺季较旺”“淡季不淡、旺季不旺”“淡季过淡、旺季不旺”4种发展形态。其中，第一、第四象限具有“淡季过淡”特征的省份，季节性强度较高，第三象限“淡季不淡、旺季不旺”省份的季节性强度最低。第一象限包括的广东、重庆、湖南、福建、浙江、四川等省份，淡旺季分化差异明显，主要表现为旺季发展较好，淡季则不尽人意，而从市场份额来看，占比较高，应有针对性地采取区域联合措施以重点提升这些地区淡季的自驾游客数量。第二象限包括北京、天津、河北、青海、西藏、云南、广西、安徽、湖北、吉林等省份，涉及京津冀、西南地区以及中部地区，属相对理想型的省份，应继续巩固旺季发展水平、同时适度提升淡季月份的自驾游客数量。第三象限包括新疆、甘肃、宁夏、内蒙古、陕西、黑龙江、上海、江西、贵州等季节性强度较低的省份，属旺季增长较为平淡、淡季下行也不是特别明显的地区，应重点加强旺季月份的市场开发。第四象限聚集了季节性强度次高省份，主要包括河南、山西、辽宁、海南、山东、江苏等6省，属旺季不旺、且淡季季节性波动明显大于旺季的地区，是淡旺季游客数量都需重点提升的潜力区域，应重视全年自驾游市场的开发。

总体上，本研究提供了判断季节性时空特征的一种思路，提出了针对不同类型省份的自驾游市场开发建议，对旅游季节性研究具有借鉴意义，同时，对自驾游市场开发与管理具有一定的启示作用。但受研究数据时间跨度较短等因素的制约，本文没有对自驾游市场季节性特征的动态趋势进行研究，也未对其时空差异的成因进行深入剖析，这些均有待进一步研究与完善。

致谢： 感谢中国旅游研究院统计所马仪亮所长在数据界定方面提供的指导！本文研究数据来自中国旅游研究院旅游大数据研究平台，特此感谢！

参考文献（References）

[1] 刘汉奇， 付磊. 中国自驾游发展报告（2018-2019）[M]. 北京： 中国旅游出版社， 2020： 7-13. [LIU Hanqi， FU Lei. Chinas Self-driving Tourism Development （2018—2019）[M]. Beijing： China Tourism Press， 2020： 7-13.]

[2] 陆林， 宣国富， 章锦河， 等. 海滨型与山岳型旅游地客流季节性比较——以三亚、北海、普陀山、黄山、九华山为例[J]. 地理学报， 2002， 57（6）： 731-740. [LU Lin， XUAN Guofu， ZHANG Jinhe， et al. An approach to seasonality of tourist flows between coastland resorts and mountain resorts： Examples of Sanya， Beihai， Mt. Putuo， Mt. Huangshan and Mt. Jiuhua[J]. Acta Geographica Sinica， 2002， 57（6）： 731-740.]

[3] 周永振. 旅游季节性概念及其释意[J]. 赤峰学院学报（自然科学版）， 2011， 27（2）： 147-148. [ZHOU Yongzhen. The concept of tourism seasonality and its interpretation[J]. Journal of Chifeng University （Natural Science Edition）， 2011， 27（2）： 147-148.]

[4] 黄和平. 我国旅游季节性的区域差异与开发策略研究[D]. 上海： 华东师范大学， 2016. [HUANG Heping. Regional Differences of Tourism Seasonality in China and Development Strategy Research[D]. Shanghai： East China Normal University， 2016.]

[5] 刘家喜， 谢兴保. 基于季节性特征考虑的旅游度假区规划策略探讨[J]. 武汉大学学报 （工学版）， 2004， 37（2）： 158-160. [LIU Jiaxi， XIE Xingbao. Study on planning strategies of tourist holiday resort area focusing on seasonality problem[J]. Engineering Journal of Wuhan University， 2004， 37（2）： 158-160.]

[6] HINCH J H A T. Tourism， sport and seasons： The challenges and potential of overcoming seasonality in the sport and tourism sectors[J]. Tourism Management， 2002， 23（2）： 175-185.

[7] CHEN T， PEARCE P L. Research note： Seasonality patterns in Asian tourism[J]. Tourism Economics， 2012， 18（5）： 1105-1115.

[8] L?PEZ BONILLA J M， L?PEZ BONILLA L M， SANZ ALTAMIRA B. Patterns of tourist seasonality in Spanish regions[J]. Tourism and Hospitality Planning & Development， 2006， 3（3）： 241-256.

[9] BUTLER R W， MAO B. Seasonality in tourism： Problems and measurement[C] // MURPHY P. Quality Management in Urban Tourism. Chichester： Wiley， 1997： 9-23.

[10] 钟静. 中国入境旅游外国市场时空特征研究[J]. 经济问题探索， 2008（9）： 122-126. [ZHONG Jing. Study on the spatial and temporal characteristics of Chinas inbound tourism market[J]. Inquiry into Economic Issues， 2008（9）： 122-126.]

[11] 卢松， 陆林， 王莉， 等. 古村落旅游客流时间分布特征及其影响因素研究——以世界文化遗产西递、宏村为例[J]. 地理科学， 2004（2）： 250-256. [LU Song， LU Lin， WANG Li， et al. Temporal characteristics of tourist flows to ancient villages： A case study of two world cultural heritages， Xidi village and Hongcun village[J]. Scientia Geographica Sinica， 2004（2）： 250-256.]

[12] DURO J A. Seasonality of hotel demand in the main Spanish provinces： Measurements and decomposition exercises[J]. Tourism Management， 2016， 52： 52-63.

[13] 保继刚， 楚义芳. 旅游地理学[M]. 北京： 高等教育出版社， 1999： 52-54. [BAO Jigang， CHU Yifang. Tourism Geography[M]. Beijing： High Education Press， 1999： 52-54.]

[14] 刘泽华， 章锦河， 彭红松， 等. 旅游季節性测度指标的敏感度研究[J]. 地理学报， 2018， 73（2）： 295-316. [LIU Zehua， ZHANG Jinhe， PENG Hongsong， et al. Sensitivity analysis of the measures of tourism seasonality[J]. Acta Geographica Sinica， 2018， 73（2）： 295-316.]

[15] 余向洋， 张圆刚， 朱国兴， 等. 旅游季节性测度框架及其实证研究[J]. 经济地理， 2019， 39（11）： 225-234. [YU Xiangyang， ZHANG Yuangang， ZHU Guoxing， et al. An analytical framework and empirical study for tourism seasonality[J]. Economic Geography， 2019， 39（11）： 225-234.]

[16] MAGNO G L L， FERRANTE M， De CANTIS S. A new index for measuring seasonality： A transportation cost approach[J]. Mathematical Social Sciences， 2017， 88： 55-65.

[17] 金川， 冯学钢， 王晓梅. 我国旅游季节性规律的探索性研究——以北京、上海、云南、四川、福建、海南为例[J]. 上海管理科学， 2014， 36（6）： 63-68. [JIN Chuan， FENG Xuegang， WANG Xiaomei. The exploratory research on tourism seasonality in our country： A case study of Beijing， Shanghai， Yunnan， Sichuan and Fujian[J]. Shanghai Management Science， 2014， 36（6）： 63-68.]

[18] FERRANTE M， MAGNO G L L， De CANTIS S. Measuring tourism seasonality across European countries[J]. Tourism Management， 2018， 68： 220-235.

[19] 冯学钢， 孙晓东， 于秋阳. 反季旅游与旅游季节性平衡：研究述评与启示[J]. 旅游学刊， 2014， 29（1）： 92-100. [FENG Xuegang， SUN Xiaodong， YU Qiuyang. Anti-season tourism and tourism seasonality mitigation： Current research and relevant implications[J]. Tourism Tribune， 2014， 29（1）： 92-100.]

[20] CUCCIA T， RIZZO I. Tourism seasonality in cultural destinations： Empirical evidence from Sicily[J]. Tourism Management， 2011， 32（3）： 589-595.

[21] WANHILL S R C. Tackling seasonality： A technical note[J]. International Journal of Tourism Management， 1980， 1（4）： 243-245.

[22] 鐘静， 张捷， 李东和， 等. 历史文化村镇旅游流季节性特征比较研究——以西递、周庄为例[J]. 人文地理， 2007， 122（4）： 68-71. [ZHONG Jing， ZHANG Jie， LI Donghe， et al. A comparative research on seasonalilty characteristics of tourist flows to the historic culture village （town）： Examples of Xidi and Zhouzhuang[J]. Human Geography， 2007， 122（4）： 68-71.]

[23] 朱红兵， 高峻. 中国主要旅游城市入境旅游客流季节性研究[J]. 旅游论坛， 2011， 4（4）： 128-133. [ZHU Hongbing， GAO Jun. A Study on the seasonality of the inbound tourist flow in Chinas major tourism cities[J]. Tourism Forum， 2011， 4（4）： 128-133.]

[24] 冯学钢， 黄和平， 邱建辉. 我国入境旅游流季节性特征及其时空演变研究——基于22个热点旅游城市面板数据的实证分析[J]. 华东经济管理， 2015， 29（6）： 1-9. [FENG Xuegang， HUANG Heping， QIU Jianhui. A research on seasonal characteristics and temporal-spatial variation of inbound tourism flow： An empirical analysis based on the panel data of 22 hot tourist cities[J]. East China Economic Management， 2015， 29（6）： 1-9.]

[25] CARSON D， PRIDEAUX B， COGHLAN A， et al. Heritage as a motivation for four-wheel-drive tourism in desert Australia[J]. Journal of Heritage Tourism， 2009， 4（3）： 217-225.

[26] WILDE G J S. Roadside aesthetic appeal， driver behaviour and safety[J]. Canadian Journal of Transportation， 2009， 3（1）： 110-121.

[27] WU M. Driving an unfamiliar vehicle in an unfamiliar country： Exploring Chinese recreational vehicle tourists safety concerns and coping techniques in Australia[J]. Journal of Travel Research， 2015， 54（6）： 801-813.

[28] HARDY A. An investigation into the key factors necessary for the development of iconic touring routes[J]. Journal of Vacation Marketing， 2003， 9（4）： 314-330.

[29] DENSTADLI J M， JACOBSEN J K S. The long and winding roads： Perceived quality of scenic tourism routes[J]. Tourism Management， 2011， 32（4）： 780-789.

[30] FJELSTUL J， FYALL A. Sustainable drive tourism： A catalyst for change[J]. International Journal of Tourism Research， 2015， 17（5）： 460-470.

[31] QIU H， HSU C， LI M， et al. Self-drive tourism attributes： Influences on satisfaction and behavioural intention[J]. Asia Pacific journal of tourism research， 2018， 23（4）： 395-407.

[32] HASHIM Z， WAN R I. Self-Drive tourism route in Terengganu： An application of goal programming model[J]. Sains Humanika， 2017（9）： 51-57.

[33] BLANCAS F J， CABALLERO R， GONZ?LEZ M， et al. Goal programming synthetic indicators： An application for sustainable tourism in Andalusian coastal counties[J]. Ecological Economics， 2010， 69（11）： 2158-2172.

[34] 李振华. 贵州省房车旅游发展对策研究[D]. 贵阳： 贵州师范大学， 2018. [LI Zhenhua. Study on the Countermeasures of Tourism Development of RV in Guizhou Province[D]. Guiyang： Guizhou Normal University， 2018.]

[35] 李华敏， 苏少敏. 宁波自驾车旅游现状调查及发展对策研究[J]. 旅游科学， 2008， 22（4）： 43-46. [LI Huamin， SU Shaomin. A study on the status and development countermeasures of self-driving travels in Ningbo[J]. Tourism Science， 2008， 22（4）： 43-46.]

[36] 朱邦耀， 李秀霞， 刘家福， 等. 基于GIS的吉林省自驾车旅游线路研究[J]. 国土与自然资源研究， 2013（2）： 84-85. [ZHU Bangyao， LI Xiuxia， LIU Jiafu， et al. Research on the self-driving tourism routes of Jilin province based on GIS[J]. Territory &Natural Resources Study， 2013（2）： 84-85.]

[37] 肖光明. 自驾车旅游及其产品的深度开发研究——以广东省肇庆市为例[J]. 人文地理， 2008， 23（3）： 118-122. [XIAO Guangming. A research on self-driving tourism and its products exploiting deeply： A case study of Zhaoqing city in Guangdong[J]. Human Geography， 2008， 23（3）： 118-122.]

[38] 李鳳， 汪德根. 基于游客网络点评的房车营地发展影响因素和机理——以苏州太湖房车露营公园为例[J]. 地理与地理信息科学， 2019， 35（2）： 135-140. [LI Feng， WANG Degen. Influencing factors and mechanism of campgrounds development based on tourist online reviews： A case study of Suzhou Taihu RV camping park[J]. Geography and Geo-Information Science， 2019， 35（2）： 135-140.]

[39] 李东和. 旅游目的地自驾车旅游服务体系构建[J]. 旅游学刊， 2012， 27（3）： 9-10. [LI Donghe. Construction of tourist destination self-driving tour service system[J]. Tourism Tribune， 2012， 27（3）： 9-10.]

[40] 李凤， 汪德根， 刘昌雪， 等. 中国自驾车房车营地空间分布特征及其驱动机制[J]. 资源科学， 2017， 39（2）： 288-302. [LI Feng， WANG Degen， LIU Changxue， et al. Spatial distribution characteristics and mechanistic drivers of self-driving and RV camping in China[J]. Resources Science， 2017， 39（2）： 288-302.]

[41] 卢松， 吉慧， 蔡云峰. 黄山市自驾车入游流旅行空间行为研究[J]. 地理研究， 2013， 32（1）： 179-190. [LU Song， JI Hui， CAI Yunfeng. A study on the spatial travel behavior of self-driving tourists into Huangshan city[J]. Geographical Research， 2013， 32（1）： 179-190.]

[42] 刘艳平， 保继刚， 黄应淮， 等. 基于GPS数据的自驾车游客时空行为研究——以西藏为例[J]. 世界地理研究， 2019， 28（1）： 149-160. [LIU Yanping， BAO Jigang， HUANG Yinghuai， et al. Study on spatio-temporal behaviors of self-driving tourists based on GPS data： A case study of Tibet[J]. World Regional Studies， 2019， 28（1）： 149-160.]

[43] 汪德根， 陈田， 刘昌雪. 基于出游半径的自驾车旅游市场特征差异分析——以苏州市为例[J]. 旅游学刊， 2010， 25（1）： 42-47. [WANG Degen， CHEN Tian， LIU Changxue. An analysis of the difference of self-driving tourist market characters based on travel radius： A case study of Suzhou[J]. Tourism Tribune， 2010， 25（1）： 42-47.]

[44] 戢晓峰， 戈艺澄， 陈方. 基于公路交通流大数据的节假日旅游流时空分异特征——以云南省2017年7个节假日为例[J]. 旅游学刊， 2019， 34（6）： 37-47. [JI Xiaofeng， GE Yicheng， CHEN Fang. Spatial and temporal differentiation characteristics of holiday tourism flow based on highway traffic flow big data： A case study of 7 holidays in 2017 in Yunnan province[J]. Tourism Tribune， 2019， 34（6）： 37-47.]

[45] 李伟， 李露. 基于内容分析法的国内自驾游客对旅游目的地形象感知研究——以河南省为例[J]. 四川旅游学院学报， 2020（2）： 77-84. [LI Wei， LI Lu. Research on the perception of tourism destination image by domestic self-driving tourists based on content analysis： A case study of Henan province[J]. Journal of Sichuan Tourism University， 2020（2）： 77-84.]

[46] 钟志平， 王秀娟. 基于涉入理论的自驾车旅游购物行为实证研究——以少林寺景区为例[J]. 经济地理， 2009， 29（10）： 1748-1752. [ZHONG Zhiping， WANG Xiujuan. An empirical research on purchasing behavior in the self- driving tour based on the involvement theory： A case study of Shaolin Temple scenic[J]. Economic Geography， 2009， 29（10）： 1748-1752.]

[47] 罗秋菊， 梁思贤. 基于数字足迹的自驾车旅游客流时空特征研究——以云南省为例[J]. 旅游学刊， 2016， 31（12）： 41-50. [LUO Qiuju， LIANG Sixian. Temporal and spatial characteristics of self-driving tourist flows based on tourism digital footprints： A case study in Yunnan province[J]. Tourism Tribune， 2016， 31（12）： 41-50.]

[48] 贾骏骐， 白长虹， 韦鸣秋. 基于数字足迹的自驾车游客时空行为特征研究——以内蒙古赤峰市为例[J]. 中国旅游评论， 2020（1）： 27-40. [JIA Junqi， BAI Changhong， WEI Mingqiu. A study on spatial and temporal behavior characteristics of self-driving tourists based on digital footprints： A case study of Chifeng city， Inner Mongolia[J]. China Tourism Review， 2020（1）： 27-40.]

[49] 杨斌， 陈晓键. 基于网络日志内容分析的自驾游时空行为研究——以陕西汉中市为例[J]. 西部人居环境学刊， 2017， 32（5）： 76-82. [YANG Bin， CHEN Xiaojian. A study on self-driving trips temporal-spatial behavior based on the  analysis of web logs： A case study of Hanzhong city[J]. Journal of Human Settlements in West China， 2017， 32（5）： 76-82.]

[50] 王银银， 陆林， 王芳. 入皖自驾旅游流时空特征及空间格局演化机制[J]. 资源开发与市场， 2020， 36（1）： 73-81. [WANG Yinyin， LU Lin， WANG Fang. Time and space characteristics and spatial pattern evolution mechanism of self-driving tourism flow to Anhui province[J]. Resource Development & Market， 2020， 36（1）： 73-81.]

[51] 李伟， 王凯. 基于数字足迹的河南省乡村自驾游的时空特征与发展研究[J]. 云南农业大学学报（社会科学）， 2020， 14（3）： 79-85. [LI Wei， WANG Kai. The spatial and temporal characteristics and development of rural self-driving tour in Henan province based on digital footprint[J]. Journal of Yunnan Agricultural University （Social Science）， 2020， 14（3）： 79-85.]

[52] 刘旭玲， 李婧萱， 唐丹丹， 等. 基于文本挖掘的新疆自驾游客流时空特征研究[J]. 新疆财经， 2019（1）： 32-38. [LIU Xuling， LI Jingxuan， TANG Dandan， et al. Temporal and spatial characteristics of self-driving tourist flows based on text mining in Xinjiang[J]. Finance & Economics of Xinjiang， 2019（1）： 32-38.]

[53] 李因果， 何曉群. 面板数据聚类方法及应用[J]. 统计研究， 2010， 27（9）： 73-79. [LI Yinguo， HE Xiaoqun. Panel data clustering method and application[J]. Statistical Research， 2010， 27（9）： 73-79.]

[54] 孙晓东， 倪荣鑫， 冯学钢. 城市入境旅游及客源市场的季节性特征研究——基于上海的实证分析[J]. 旅游学刊， 2019， 34（8）： 25-39. [SUN Xiaodong， NI Rongxin， FENG Xuegang. Exploring seasonality of urban inbound tourism from the perspective of source market structure： An empirical study on Shanghai， China[J]. Tourism Tribune， 2019， 34（8）： 25-39.]