省际入境与国内旅游流网络结构特征及比较分析

马 丽 君，邓 思 凡

(湘潭大学商学院，湖南 湘潭 411105)

0 引言

旅游业是我国国民经济的战略性支柱产业。2019年我国国内游客达60.1亿人次，国内旅游收入57 251亿元，入境游客1.45亿人次，国际旅游收入1 313亿美元。受疫情影响，在入境旅游几乎中断的情况下，2020年国内游客仍有28.8亿人次，国内旅游收入22 286亿元。由于地理位置、资源禀赋等因素的不同，我国旅游业发展存在明显的区域差异，而客流量是衡量一个地区旅游业发展水平的重要指标，也是学术界研究的重要对象。目前旅游流的相关研究成果主要集中在基本概念[1，2]、时空分布及演化[3-6]、影响因素及驱动机制[7-9]、客流量预测[10-13]等方面，并随着互联网的普及和发展，多通过百度指数、微博、微信、旅游数字足迹等大数据对旅游流时空分布特征进行分析[14-18]，运用社会网络分析方法对旅游流网络结构特征进行研究[19,20]。旅游流的整体研究体系已较完善，尤其是在空间分布和时间演化等方面。我国旅游发展具有“入境—国内—出境”特点，国内关于入境旅游流网络结构的研究相对较多[21-23]，但由于缺少国内游客的统计数据，国内省际旅游流网络结构的相关研究较少。网络是辅助游客出游决策的重要手段[24]，游客通过网络检索旅游地相关信息时留下的检索痕迹形成“网络关注度”(或“搜索指数”)[25]。相关研究表明，网络关注度与旅游流之间存在密切的正相关关系[26]，可用网络关注度反映旅游流的流量和流向。李山等利用百度指数分析旅游景区网络关注度与旅游流的相关性[27]；孙烨等研究发现客流量与网络关注度具有很强的正相关关系，可用网络关注度反映旅游流的时空变化并进行流量大小比较[28-30]；Liu等采用协整和格兰杰因果关系检验等方法研究天目湖在13个客源地城市每日游客人数与搜索指标间的关系，并通过在矢量自回归模型中应用脉冲函数进一步验证网络关注度与实际旅游客流量之间的时空相关性[31，32]。

入境游客和国内游客的偏好、空间分布不同，导致入境旅游流网络与国内旅游流网络结构存在一定差异。哪些省域在入境和国内旅游流网络中均处于有利(或不利)地位，哪些省域在其中一个旅游流网络中处于有利地位，而在另一个中处于不利地位，以往研究鲜有报道，而这对于在入境和国内旅游流网络中均处于不利地位的省域以及在入境和国内旅游流网络中所处地位不匹配的省域制定相关措施、提高吸引力，促进其入境和国内旅游协调发展，提升在旅游流网络中的地位具有重要意义。因此，本文收集2017年中国内地31个省域入境及国内客流量、流向数据，利用社会网络分析法，在分析我国入境和国内旅游流网络结构特征的基础上，考察两者间的异同，以期丰富旅游流网络结构相关研究，明确各省域在我国入境旅游和国内旅游网络中所处的位置，为促进客源市场开发、区域旅游合作以及入境与国内旅游业平衡发展提供参考。

1 数据来源与分析方法

1.1 数据来源

本文入境旅游流数据主要来源于《2018年旅游抽样调查资料》中2017年入境游客的流向。为保持数据的一致性，依托百度指数，以景区名称为关键词进行检索，收集2017年各省域居民对其他省域5A级景区的网络关注度，以此反映国内旅游流的流量、流向。由于《2018年旅游抽样调查资料》中各省域的调查样本量不同，为能通过社会网络分析法进行比较分析，本文将入境游客在国内31个省域的流量以百分比的形式进行分析，即计算各省域入境游客抽样调查样本中流向其他省域客流量占样本量的比率，值越大，表明流向某省域的游客量越大。

1.2 分析方法

本文采用社会网络分析法，从个体网络结构和整体网络结构两个层面分析入境和国内旅游流网络结构特征。个体网络结构包括中心度和结构洞分析：1)中心度用于分析入境和国内旅游流网络中各省域联系的紧密程度及核心省域的影响力，包括度数中心度、接近中心度和中间中心度，其中，度数中心度在有向图中分为点入度和点出度，前者在旅游流网络结构中表现为受益关系，后者表现为溢出关系；接近中心度用于衡量网络中成员与其他成员的“距离”，值越大，说明该省域与其他省域之间的联系越密切；中间中心度用于衡量网络中成员对资源的控制程度，值越大，则该省域控制其他成员交往的能力越大。2)结构洞通过各省域在网络中所处位置以及与其他省域的互动、影响和支配效力反映该省域的相对重要性，某省域在网络中占据的结构洞越多，则其信息优势和资源优势越显著。结构洞主要通过有效规模、效率和限制度3项指标衡量，网络中某省域的有效规模越大、效率越高、限制度越小，则其在网络中占据的结构洞越多，中介能力越强，因此在网络中具有枢纽地、中转地和集散地的重要角色，个体对网络中其他个体的影响程度越大，受其他个体的制约则越小，在网络中处于越有利的位置。整体网络结构则包括网络密度、网络中心势、核心—边缘模型和块模型分析。1)网络密度主要用于反映整体网络关系的紧密程度，密度越大，则旅游流的整体网络结构越紧密；2)网络中心势包括度数中心势、接近中心势和中间中心势，主要用于衡量旅游流网络结构的中心化程度和总体整合度，数值越大网络越不均衡；3)核心—边缘模型主要用于分析成员在旅游流网络结构中的核心地位和边缘地位,本文以核心度为标准构建连续型核心—边缘模型，核心度指网络中节点接近网络中心的程度，节点的核心度越高，其越接近网络的核心区域,在网络中的控制力越强，反之，则处于网络的边缘区域，影响力较弱；4)块模型又称像矩阵，是对一元关系或多元关系网络的简化表示，主要用于表示网络中内部关系紧密群体间的相互关系，能清晰地反映网络中关系较为密切、旅游流频繁的子群体，从而找出网络中具有高度凝聚力的省域集合，并通过分析各子群的密度，了解子群间的关联程度，通常分为双向溢出板块、主受益板块、主溢出板块和经纪人板块(表1)[33，34]。

表1 块模型的4种位置类型Table 1 Four types of position for block models

社会网络分析法认为社会既包含个体，也包含个体之间的社会、经济或文化关系，在分析过程中会对原始数据进行无量纲化处理，并将原始数据转化为关系数据，通过网络中个体相互关系和性质体现特征，最后以网络密度等指标刻画网络结构特征。因此，尽管本文入境旅游流采用现实的入境游客数据，而国内旅游流采用虚拟的网络用户数据，但网络结构的相关指标仍可进行比较分析，且在应用于实际情况时，网络中个体相互关系对应的是国外游客和国内游客对目的地的选择偏好与流动偏好，故入境旅游流和国内旅游流数据来源不同对网络结构各项指标的衡量和比较影响不大。

2 入境旅游流网络结构特征

入境旅游流网络中的线段理论上应为930条，此时网络密度为1。实际分析发现(图1)，当阈值选0.01%时，2017年入境旅游流网络中的旅游流线段共有391条，数量适宜，便于突出入境旅游流网络的核心节点。其中，内蒙古→北京、江苏→上海、湖南→广东、河北→北京、宁夏→北京流量占所在省域总输出的比值在50%以上;流量占所在省域总输出的比值介于20%～50%之间的旅游流线段有20条，占总流量线段的5.12%；流量占所在省域总输出的比值介于10%～20%之间的旅游流线段有30条，占总流量线段的7.67%；流量占所在省域总输出的比值介于5%～10%之间的旅游流线段有29条，占总流量线段的7.42%；流量占所在省域总输出的比值在0～5%之间的旅游流线段有307条，占总流量线段的78.52%。

图1 阈值为0.01%时的2017年入境旅游流网络结构Fig.1 Network structure of inbound tourism flows with a threshold of 0.01% in 2017

2.1 入境旅游流个体网络结构特征

利用Ucinet 6.0对以0.01%为阈值划分的二值矩阵进行分析，测算2017年入境旅游流网络的中心度和结构洞等个体网络相关指标(表2)。可以看出：

表2 入境旅游流个体网络结构指标Table 2 Individual network structure indicators of inbound tourism flows

(1)上海、北京和广东度数中心度较大，在网络中位居中心地位，与网络中其他成员联系密切。上海、北京、广东等8个省域受益关系较多，陕西、上海、北京等7个省域溢出关系较多；上海、北京、辽宁等14个省域受益关系多于溢出关系，其余省域溢出关系多于受益关系。综合中心度分析表明，广东、上海、北京在入境旅游流网络中联系较多，中介作用较强，对其他省域的入境旅游流控制能力较强。

(2)上海、北京、广东、陕西和浙江的有效规模大、效率高、限制度小，说明这些省域在入境旅游流网络中对其他省域的依赖度低，在网络中处于相对有利位置；黑龙江、江西、广西等6个省域的有效规模小、效率低、限制度高，说明这些省域在入境旅游流网络中对其他省域的依赖度高，需加强与其他省域的联系与合作。

(3)各省域的个体网络密度存在较大差异，网络中成员的个体网络密度越大，说明该成员与其他成员的空间关联程度越高。黑龙江、山东、江西和江苏的个体网络密度均在0.6以上，与其他省域的空间关联程度高；甘肃、天津、安徽等12个省域的个体网络密度介于0.5～0.6之间，与其他省域的空间关联程度较高；湖北、青海、重庆等14个省域的个体网络密度介于0.2～0.5之间，与其他省域的空间关联程度较低，网络稳定性较差；新疆的个体网络密度为0，与其他省域的空间关联程度最低。

综上发现，广东、上海、北京、陕西和浙江等省域在入境旅游流个体网络各项指标中表现突出，可能是因为这些省域兼具经济发展水平高、国际知名度高和旅游资源丰富几大要素，对入境游客的综合吸引力较强，成为多数入境游客的首选目的地；而入境旅游流网络的个体网络密度整体呈现松散分布、数值较小的特征，说明尽管近年来我国入境旅游迅速发展，但分布在各省域的国外游客规模相比国内游客仍较小，提升空间极大。

2.2 入境旅游流整体网络结构特征

利用Ucinet 6.0对2017年入境旅游流整体网络结构进行分析，阈值取0.01%时，整体网络密度较低(为0.42)，说明各省域之间的入境旅游流联系强度较弱，协同程度较低，各省域之间的旅游流联系有待加强。2017年入境旅游流整体网络的度数中心势为0.54，说明入境旅游流主要集中在部分省域之间，具有一定的不平衡性。

利用Ucinet 6.0中的CONCOR模块，以分割深度为2、收敛标准为0.2，将我国入境旅游流网络分割为4个板块(表3)：第一板块包括北京、上海、江苏、广东、黑龙江、辽宁、福建、河南、山东、四川10个省域，第二板块包括湖南、重庆、广西、云南、浙江、新疆、天津7个省域，第三板块包括山西、内蒙古、吉林、 甘肃、宁夏、河北6个省域，第四板块包括安徽、江西、海南、湖北、贵州、西藏、陕西、青海8个省域。

表3 入境旅游流网络板块特征Table 3 Characteristics of network sectors of inbound tourism flows

在入境旅游流整体网络的391个关联关系中，板块内部关系107个，板块间关系284个，说明板块间旅游流频繁，溢出效应明显。第一板块共接收关系185个，发出关系160个，其中板块内部关系69个，接收其他板块116个，向外发出关系91个，期望内部关系比例为30.00%，实际内部关系比例为43.13%，为主受益板块；第二板块共接收关系99个，发出关系11个，其中板块内部关系1个，接收其他板块98个，向外发出关系10个，期望内部关系比例为20.00%，实际内部关系比例为9.09%，为经纪人板块；第三板块共接收关系42个，发出关系69个，其中板块内部关系8个，接收其他板块34个，向外发出关系61个，期望内部关系比例为16.67%，实际内部关系比例为11.59%，为经纪人板块；第四板块共接收关系65个，发出关系151个，其中板块内部关系29个，接收其他板块36个，向外发出关系122个，期望内部关系比例为23.33%，实际内部关系比例为19.21%，为经纪人板块。综上，第一板块为主受益板块，其实际内部关系比例远高于其他板块且远大于期望内部关系比例，说明其活力最强且板块内旅游流往来更频繁、密切；第二、第三、第四板块均为经纪人板块，其实际内部关系比例均小于期望内部关系比例，表现为对外交流密切而内部交流少，旅游流对外输送更频繁而接收较少，因此需要加强板块内部的交流合作，平衡板块之间的关系。

为更好地反映4个板块之间的旅游流联系，本文计算了各板块的密度矩阵(表4)，可以看出：第一板块的内部密度较高，内部交流频繁，对第二板块的溢出效应明显，但对第三、第四板块的溢出效应较小；第二板块的内部密度非常小，并且对其他板块的溢出效应也很小；第三板块的溢出效应主要集中于第一板块，对第二、第四板块的溢出效应很小；第四板块的溢出效应主要集中于第一、第二板块，其次是板块内部，对第三板块的溢出效应较小。

表4 各板块的密度矩阵Table 4 Density matrix of various sectors

为进一步分析各省域入境旅游流网络的空间关联关系，本文以整体网络密度0.42为分界值，高于0.42赋值为1，低于0.42赋值为0，从而计算像矩阵,并讨论4个板块的相互关系(图2)，可以看出：第二板块为主要的旅游目的地板块，其旅游流引入作用明显；第三、第四板块为主要的旅游客源地板块，其旅游流流向第一、第二板块，输出作用明显；第一板块则承担了旅游目的地和旅游客源地的双重身份，其输出和引入作用均比较明显。在入境旅游流网络中，北京、上海、江苏和广东等省域处于核心位置，旅游目的地和旅游客源地双重角色突出，相互之间的旅游流频繁，且旅游流的引入作用显著高于输出作用，这也与个体网络结构指标中的结论相印证。

图2 四大板块相互关系Fig.2 Interrelation of the four major sectors

3 国内旅游流网络结构特征

2017年国内旅游流网络中的旅游流线段共有929条，西藏→天津未产生旅游流，其余省域间都存在旅游流联系。旅游流流量高于100万人次的国内旅游流线段共有51条，占总流量线段的5.49%，主要产生在北京、上海、浙江、江苏和广东等经济水平较高或旅游资源丰富的省域之间；旅游流流量在75万～100万人次的国内旅游流线段有48条，占总流量线段的5.17%；旅游流流量在50万～75万人次的国内旅游流线段有106条，占总流量线段的11.41%；旅游流流量在25万～50万人次的国内旅游流线段有240条，占总流量线段的25.83%；旅游流流量在0～25万人次的国内旅游流线段有484条，占总流量线段的52.10%，多产生在经济发展水平较低或旅游资源较少的省域之间。对上述数据进行二值化处理时发现，选定阈值为15万人次时，网络中的旅游流线段为632条，数量适宜，既能避免线段过多而产生重合，又能突出核心节点，故本文选择15万人次作为阈值，借助Ucinet 6.0中的Netdraw绘制国内旅游流网络结构图(图3)并进行特征分析。

图3 阈值为15万人次时的2017年国内旅游流网络结构Fig.3 Network structure of domestic tourism flows with a threshold of 150 000 person-times in 2017

3.1 国内旅游流个体网络结构特征

利用Ucinet 6.0对国内旅游流个体网络结构进行分析(表5)，可以看出：1)北京、广东、江苏等19个省域的点入度较高(即受益关系较多)，四川、陕西、浙江等20个省域的点出度较高(即溢出关系较多)；上海、北京、贵州等13个省域的受益关系多于溢出关系，其余18个省域溢出关系多于受益关系。2)陕西、北京、山西等8个省域网络中心性较强(度数中心度为100，中间中心度为1.25，接近中心度为100)，说明其在旅游流网络中处于核心位置，与网络中其他成员联系密切，对其他省域间的旅游流控制程度较高，中介作用较强。3)北京、江苏、浙江等9个省域的有效规模大、效率高、限制度小，说明其在旅游流网络中对其他省域的依赖度低，在网络中处于相对有利位置；海南、新疆、吉林等11个省域的有效规模小、效率低、限制度高，说明其在旅游流网络中对其他省域的依赖度高，需加强与其他省域的联系和合作。4)国内旅游流个体网络密度整体较高，其中贵州和宁夏的个体网络密度均为1，与其他省域的空间关联程度最高；其次是广西、西藏、青海等10个省域，个体网络密度介于0.8～1之间，与其他省域的空间关联程度较高；甘肃、上海、江西等19个省域的个体网络密度介于0.6～0.8之间，与其他省域的空间关联程度较低。

表5 国内旅游流个体网络结构指标Table 5 Individual network structure indicators of domestic tourism flows

综上，陕西、北京、山西、浙江、湖北、河南、四川和江苏等省域在国内旅游流个体网络中各项指标突出，且分布于全国各地区，这可能是由于这些省域或经济较发达，或旅游资源较丰富，国内游客对国内旅游目的地情况熟悉，因此其偏好落到各省域后更分散，出游所考虑的因素更偏向于资源丰度、交通便利度和民俗文化等细节。而国内旅游流个体网络密度整体呈现出分布集中、数值较大的特征，说明我国国内旅游一直保持高速平稳发展趋势，近年来随着经济水平提高、出游条件改善和居民消费理念转变，国内旅游市场发展更加成熟且不断细化，分布在各省域的国内游客体量较大。

3.2 国内旅游流整体网络结构特征

利用Ucinet 6.0对国内旅游流整体网络进行分析，阈值为1时，整体网络密度为0.99。当阈值取15万人次时，整体网络密度为0.68，网络密度较高，说明各省域之间的入境旅游流联系较密切，协同程度较高，但小型旅游流偏多，各省域之间仍需加强联系。国内旅游流整体网络的度数中心势为0.17，中间中心势为0.06，数值较低，表明旅游流网络结构中心化程度较低，国内旅游流网络发展较平衡。

利用Ucinet 6.0中的CONCOR模块，以分割深度为2、收敛标准为0.2，将国内旅游流网络分割为4个板块(表6)：第一板块包括北京、湖北、河北、山西、安徽、福建、江西、四川、河南、江苏、浙江、广东、陕西、山东、湖南，第二板块包括重庆、西藏、新疆、青海、海南、甘肃、云南，第三板块包括宁夏、天津、贵州、广西，第四板块包括内蒙古、辽宁、吉林、黑龙江、上海。

表6 国内旅游流网络板块特征Table 6 Characteristics of network sectors of domestic tourism flows

在整体网络的632个关联关系中，4个板块内部关系有237个，板块间关系有395个，说明板块间输出、引入作用较明显，交流频繁。第一板块共接收关系414个，发出关系364个，其中板块内部关系210个，接收其他板块204个，向外发出关系154个，期望内部关系比例为46.67%，实际内部关系比例为50.72%，为主受益板块；第二板块共接收关系148个，发出关系92个，其中板块内部关系14个，接收其他板块134个，向外发出关系78个，期望内部关系比例为20%，实际内部关系比例为9.46%，为经纪人板块；第三板块共接收关系11个，发出关系67个，无板块内部关系，期望内部关系比例为10%，实际内部关系比例为0，为主溢出板块；第四板块共接收关系59个，发出关系109个，其中板块内部关系13个，接收其他板块46个，向外发出关系96个，期望内部关系比例为13.33%，实际内部关系比例为22.03%，为主受益板块。第一、第四板块虽然同为主受益板块，但第一板块的实际内部关系比例高于第四板块且大于期望内部关系比例，说明第一板块活力较强且板块内旅游流更频繁、密切；第三板块实际内部关系比例为0，表现为向其他板块发出关系数较多，但接受其他板块溢出关系较少，有明显的净溢出效应，需强化旅游合作，加强旅游资源及相关配套设施建设。

由各板块的密度矩阵(表7)可以看出：第一板块的溢出效应主要集中于板块内部和第二板块，其次是第四板块，对第三板块的溢出效应最小；第二板块的溢出效应主要集中于第一板块，其次是板块内部和第三板块，对第四板块无溢出；第三板块的溢出效应主要集中于第一板块，其次是第二、第四板块，板块内部无溢出；第四板块的溢出效应主要集中于第一板块，其次是板块内部和第二板块，对第三板块无溢出。

表7 各板块的密度矩阵Table 7 Density matrix of various sectors

以整体网络密度0.68为界，高于0.68赋值为1，低于0.68赋值为0，从而计算像矩阵并讨论4个板块的相互关系(图4)，可以发现：第一板块既是重要的旅游客源地也是主要的旅游目的地，接受来自其余板块的旅游流，但只对第二板块有溢出作用；第三、第四板块为主要的旅游客源地，旅游流输出作用明显；第二板块与第一板块有旅游流的输出和引入作用，其是第一板块的旅游目的地和客源地。

图4 四大板块相互关系Fig.4 Interrelation of the four major sectors

从各项指标可以看出，国内旅游流处于平稳发展状态，整体网络密度接近1，即网络中各省域之间关系紧密，协同发展；从旅游流流量看，国内游客在各省域分布较均匀，发展较均衡，区域之间的差异相对较小。北京、湖北、安徽、福建、江西、四川、河南、江苏、浙江、广东、陕西、山东、湖南等省域处于网络核心位置，在旅游目的地和旅游客源地双重角色中，其目的地角色更突出，不仅相互之间旅游流频繁，且旅游流的引入作用也很显著。

4 入境和国内旅游流网络结构特征对比

4.1 入境和国内旅游流个体网络结构特征对比

上海、北京和广东作为我国三大出入境口岸，对外开放程度和经济发展水平高、国际航线多，因此在入境旅游流个体网络中处于核心位置。国内旅游不受签证、国际航线等因素影响，降低了上海、北京和广东的竞争优势，因此除北京、广东外，一些旅游资源丰富、人口较多、经济发展水平较高的省域(如陕西、山西、浙江、湖北、河南、四川和江苏)在国内旅游流网络中占据中心地位。

北京、广东、陕西、浙江和四川在入境和国内旅游流个体网络中均处于有利位置，占据网络中多数结构洞，意味着掌握了大量的资源和信息。黑龙江、广西和新疆在入境和国内旅游流个体网络中受其他省域的限制较大，对其他省域的依赖度高，需要提高自身旅游发展水平，并加强与其他省域的联系和合作。江苏、山东等在国内旅游流网络中具有明显优势的省域，在入境旅游流网络中反而处于较不利的位置，其在入境游客心中的地位和目的地选择的优先性不如国内游客，可见相同省域在入境和国内旅游流网络中的作用和地位偏差较大。

入境旅游流和国内旅游流个体网络中各省域的网络密度差异较大。国内旅游流网络密度整体较高，且各省域的网络密度值较集中；入境旅游流网络密度整体较低，且各省域的网络密度值较分散。表明我国国内旅游发展更成熟，旅游流体量大，国内旅游市场发展具有多样性，且在各省域的分布较均衡，空间关联程度较高；而我国入境旅游体量相对较小，拓展空间极大。

综合而言，同时具备高经济发展水平、高国际知名度和丰富旅游资源等多项要素的省域(如北京、上海、广东、陕西和浙江等)，对入境和国内游客均具有很强的吸引力，而新疆、广西和黑龙江等处于劣势。当条件无法兼具时，地理位置和交通便捷度成为入境游客更关注的要素，国内游客相对更关注旅游资源的特性及文化内涵，如江西、山东、湖南、云南和重庆等省域旅游资源具有独特的地理和人文特色，在国内旅游流网络中占据优势，而在入境旅游流网络中表现相对较差。

4.2 入境和国内旅游流整体网络结构特征对比

入境和国内旅游流网络中均不存在孤立的点，但其网络内部旅游流的联系紧密程度差异较大。相比入境旅游流网络，国内旅游流网络更稳健，中心势数值和结构中心化程度更低，发展更平衡，各省域旅游流联系更紧密。究其原因，可能是国内旅游发展更成熟，旅游人次更多，对各景区了解程度更高，流量流向相对均衡；而入境游客由于时间、空间等因素限制，往往关注旅游热点城市和知名景区，使得旅游流集中在某些旅游热点城市，网络密度较低。

部分省域在入境和国内旅游流网络中的作用和地位存在较大差异。北京、江苏、广东等省域在入境和国内旅游流网络中均位于主受益板块和核心位置，其旅游流的引入作用更明显，这些省域不仅是入境和国内游客首选的旅游目的地，也具有很强的媒介作用，流入该省域的旅游流继而流入同类型的其他省域，而在国内旅游流网络中有近半数的省域处于网络中心，这些省域的地理分布集中性并不显著，即国内旅游发展更均衡，且在旅游目的地和旅游客源地双重角色中其目的地角色更突出。重庆、西藏、新疆、青海、海南、甘肃和云南等省域在入境和国内旅游流网络中均位于经纪人板块，在旅游流网络中输出作用明显。

核心度高的省域处于网络结构的核心区域，在网络中拥有更强的控制力,核心度低的省域处于结构的边缘地区,影响力较弱。本文将核心度大于0.2、0.1～0.2、小于0.1的省域分别归为核心区、半边缘区和边缘区(表8)。由表8可知，入境旅游流网络中半边缘区有16个省域，核心区有9个省域，边缘区有6个省域；国内旅游流网络中核心区有17个省域，半边缘区和边缘区都只有7个省域，说明我国国内旅游发展更成熟，大部分省域凭借其独特优势在国内旅游市场中占具较重要位置。陕西、北京、山西、安徽、浙江和河南在入境和国内旅游流网络中均处于核心位置，入境与国内旅游发展较均衡；上海、青海、西藏等对入境游客的吸引力大于国内游客，四川、江苏、湖北、江西等则对国内游客的吸引力要大于入境游客。

表8 入境旅游流和国内旅游流网络的核心与边缘省域Table 8 Core and fringe provinces and cities of inbound and domestic tourism flow networks

5 结论

本文利用社会网络分析法分析2017年我国入境和国内旅游流网络结构特征，考察各省域在入境和国内旅游流网络中扮演的角色、所处地位的异同。研究发现：2017年入境旅游流整体网络密度较低，各省域之间的入境旅游流联系较弱，整体网络较不均衡；入境旅游流各板块间交往频繁，溢出效应明显，入境游客更倾向于流向经济发展水平高、国际知名度高的省域和著名的旅游省域；国内旅游流主要产生在经济水平较高或旅游资源较丰富的省域之间，各省域之间空间关联程度更高、旅游流联系密切，整体网络结构中心化程度低、更稳健，旅游发展较平衡。

各省域应通过识别自身在入境和国内旅游发展中的位置和优势，充分考虑资源类型及受众类型、地理位置、旅游接待基础设施建设、旅游服务水平和宣传推广等因素进行准确定位[35]，以国内旅游发展为基础，通过充分挖掘旅游资源中多样的文化内涵、改善设施、加强宣传力度等方式，提升综合吸引力。例如，北京、广东、陕西、浙江、江苏和四川等综合实力强的省域，需通过创新增强吸引力，拓宽市场边界，保持其优势；新疆、广西、贵州、宁夏和黑龙江等在入境和国内旅游网络中均处于边缘区，则需系统评估区域旅游发展条件，先着眼于国内市场，通过改善旅游基础设施和接待设施打造世界知名景区，提高吸引力和服务水平，充分利用微信、微博等自媒体平台进行宣传，夯实旅游发展基础。在国内旅游流网络中表现较好而在入境旅游流网络中表现较差的江西、山东、湖南、云南和重庆等，则需贯彻落实促进入境旅游发展相关的政策(如离境退税政策等)，并针对入境游客的偏好设计旅游项目和产品，有针对性地进行宣传推广，提升入境旅游的吸引力。

本文在研究视角和结论上具有一定新意，可丰富旅游流网络结构相关研究，明确各省域在入境旅游和国内旅游网络中所处的位置，并采取相关措施促进客源市场开发、区域旅游合作，对促进入境与国内旅游业平衡发展具有一定的参考意义。但研究中也存在不足：网络关注度是间接数据，并不能完全代表旅游流；数据不全面，除百度指数外还有旅游社交网络和媒体等其他类型数据，后续将尝试建立搜索引擎等多元化数据库进行分析，结果可能更准确；入境旅游数据采用的是抽样调查资料，样本量有限，需要后续研究进一步验证。