基于线上数据的中国省域旅游流网络结构特征与空间效应研究

李 爽,刘静静,安 康

(西安财经大学 统计学院,陕西 西安 710100)

一、引 言

随着中国经济快速发展,居民的消费意愿和消费能力不断增强,消费结构从生存型消费向发展型、享受型消费升级。《2019年旅游市场基本情况》数据显示,2019年国内旅游共60.06亿人次,比上年同期增长8.4%;旅游总收入6.63万亿元,同比增长11%,旅游业占GDP总量的11.05%。“十四五”规划和2035年远景目标纲要明确提出“深入发展大众旅游、智慧旅游,创新旅游产品体系,改善旅游消费体验”。不难看出,旅游业已成为拉动中国经济高质量发展的重要驱动力之一。旅游流是指游客使用交通工具从出发地到目的地移动形成的客流,它是旅游地理学的核心问题之一[1]。旅游资源多具有空间相邻关系,游客可以前往多个目的地旅游,旅游流便能表现游客在空间中的流动现象。随着数字经济的蓬勃发展,其蕴含的巨大能量对中国社会经济发展的诸多领域都产生了深远影响,同时也为旅游业的升级转型和高质量发展提供了新动能,“互联网+旅游”这一商业模式在旅游行业中的影响日益突出。在此基础上,探索中国线上省域旅游流的空间关联特征及影响因素,有助于促进各省旅游经济的协同发展,对中国旅游业的高质量发展和构建“双循环”新发展格局具有重要意义。

二、文献综述

目前国内外学者关于旅游流主要从空间关联特征、时空演化规律、影响因素等方面开展研究。在旅游流的空间关联特征分析方面,Kang等以韩国旅游业为研究对象,利用GIS分析了旅游流网络结构的变化特征[2]。韩冬和黄丽华基于旅游者网络游记,讨论了内蒙古旅游流的空间网络结构特征[3]。曹芳东等基于高速公路流与景区旅游流的耦合关联性路径分析,发现高速公路网的不断完善对周边景区游客数量具有带动效应,同时空间关系变化从分散式过渡到集聚式[4]。David等利用社会网络分析方法,划分出核心区和边缘区来确定不同地区游客的网络活动[5]。闫闪闪和靳诚收集网络大数据和社会调研数据,探究洛阳市旅游流网络结构特征,发现旅游流呈现核心—边缘型,洛阳市区为核心旅游区,其他县市为边缘旅游区[6]。邓祖涛等发现武汉及周边城市的旅游流存在集聚扩散效应,武汉和黄冈为高高聚集区,鄂州和孝感属于低高聚集区,黄石和天门等属于低低聚集区,咸宁则属于高低聚集区[7]。

时空演化特征方面,王俊等基于2000—2015年中国省域旅游经济发展数据,运用引力模型发现省域间旅游关联关系逐渐上升,旅游空间关联关系更加密切[8]。刘亚萍等以中国游客赴东盟9国旅游数据为例,运用重心模型,发现2002—2016年旅游流重心的移动轨迹产生了变化,呈现出南—北—南的流动规律[9]。吴开军以Web of Science和Google学术作为数据来源,总结了利用GPS等数据对于旅游流特征的分析结果,指出旅游流具有明显的时空特征和季节效应,男性和女性、国内和国外的游客旅游偏好具有明显的差异[10]。王新越和曹婵婵采用了青岛市网络游记数据,结合统计分析和空间分析方法,发现旅游流存在节假日和“峰—谷”循环的周末效应[11]。

影响因素方面,Matley认为影响国际旅游流空间划分的因素主要有旅游服务、旅游资源、旅游设施、季节变化、货币兑换率等[12]。冯学钢和黄和平认为旅游目的地“吸引力”是决定旅游流流向、流量和流质的关键变量,地理邻接和空间距离对旅游流有重要影响,而旅游资源禀赋性、气候舒适度以及交通条件等因素也对旅游流有一定影响[13]。方远平等基于修正的旅游引力模型和地理加权回归模型,发现经济外向度和旅游资源禀赋性对入境游客数量有正向影响,而地理距离的增加则有负向影响[14]。王俊和夏杰长运用社会网络分析和QAP方法,发现旅游资源禀赋性、空间地理邻近程度、铁路密度、旅游收入、出游人数等是中国旅游经济发展的重要因素[15]。吴媛媛和宋玉祥通过建立面板模型发现对外开放程度、景区个数、交通便捷性等因素对区域经济空间网络结构有一定影响[16]。

总的来说,以往学者从多个视角对旅游流展开了讨论,为本文的研究提供了必要的基础。但目前旅游流的研究还存在下面两个值得讨论的问题:一是以往研究中主要采取引力模型刻画各地区旅游流空间关联,然而与牛顿的物理定律不同,不管是经验证据还是理论证据都不能表明该形式的引力模型在现实中严格正确,应用中往往需要不断调整[17];二是目前人们主要基于旅游统计年鉴数据开展省域旅游流的讨论,但随着数字经济的不断发展,利用旅游大数据探讨数字经济发展水平对旅游流的影响是一个亟待讨论的科学问题。基于上述讨论,本文利用携程网旅游产品路线数据,运用社会网络方法分析中国31个省份旅游流网络结构,研究各省份在旅游流网络中的关联特征和空间效应,运用空间计量模型探讨省域旅游流的影响因素,以促进中国省域旅游经济协同发展。

三、研究方法和数据来源

(一)研究方法

1.社会网络分析法

社会网络分析法(SNA)是研究不同行动者之间相互关系的方法,现已广泛应用在旅游相关研究中,本文利用社会网络分析法,从整体网络特征、个体网络特征、块模型分析中国旅游流网络结构特征。

整体网络特征的关联性能够反映出网络结构的稳健性效果,它主要指网络密度、网络关联度、网络等级度、网络效率等,其取值均为[0,1]。网络密度是指网络中各节点间实际关系数与整体网络中最大可能关系数的比,它能够反映中国旅游流网络的紧密性,其值越大,旅游流网络关系越密切。设N为省份个数,L为实际存在的关联数,则网络密度Dn计算公式如下:

Dn=L/N(N-1)

(1)

网络关联度用来测度网络自身的稳健性,如果网络中任意两个地区间存在一条直接或间接的路径相连,那么该网络就具有较好的关联性[18];如果网络中很多地区均通过一个地区相连,那么该网络稳健性较差。它的值越大,各节点在旅游流空间关联网络中的可达性越高。N为网络中的省份个数,V为网络中不可达的点对数,空间关联度Dc计算公式如下:

Dc=1-V/[N(N-1)/2]

(2)

网络等级用来测量网络中各节点的非对称可达性,反映各省份在网络中的支配地位,它的值越大,代表各节点在旅游流网络中主导作用越大。K为网络中对称可达的点数,网络等级Dh定义为:

Dh=1-K/max(K)

(3)

网络效率反映各节点在旅游流网络中的连接效率,它的值越大,代表各节点之间的连线越少,旅游流网络越稀疏,稳定性越差。设网络中多余线的条数为M,则网络效率De的计算公式如下:

De=1-M/max(M)

(4)

个体网络特征主要指节点在整体网络结构中所占的中心。包括点度中心度、接近中心度、中介中心度。点度中心度指个体在整体网络中的中心位置,它的值越大,说明该节点与其他节点之间的联系越多,在网络中处于核心区。n代表省域间相关联的数目,N代表最大可能相连接省份的数目。点度中心度计算公式如下:

(5)

中介中心度指个体在整体网络中对其他节点交往的控制程度。整个网络空间中,若A与C相互连接,B与C相互连接,A和B互不连接,C表示间接作用,将A与B进行连接,形成A→C→B。如果C点与较多点连接,能够使其余点对经过最短路径相互连接,那么点C就具有较高的中介中心度,点C控制其他节点之间的交往能力就越强。计算公式如下:

(6)

其中j≠i≠k,且j

接近中心度可以用网络中一个节点与其他节点最短路径之和的倒数来刻画。如果该省份和其他省份之间的距离比较短,则该省份的接近中心度越高。dij表示点i和j之间的最短路径(路径中包含的线的个数),n为网络中节点数。接近中心度CAPi计算公式如下:

(7)

块模型分析:White等人在1976年提出块模型来分析旅游流网络中不同板块节点所扮演角色的差异性[19]。块模型分析主要通过板块个数、板块内部成员、板块关联关系等维度来反映各节点在旅游流网络结构中的地位和角色。本研究将中国31个省份(未包括港澳台地区)划分为四类板块,分别为净溢出板块、经纪人板块、双向溢出板块、净受益板块。

2.探索性空间数据分析

探索性空间数据分析(ESDA)是一种常用于描述空间分布特点、判别空间关联特征和识别空间异常值的研究方法。在实证分析中,常使用全局空间自相关和局部空间自相关两种空间数据分析方法对空间分布模式进行度量并检验。

全局空间自相关是测度要素的整体空间分布模式和聚集效应,反映其空间依赖性,常用莫兰指数(Moran’I)指数来度量。全局莫兰指数计算公式如下:

(8)

局部空间自相关则主要反映要素的局部差异性和相关程度,反映其空间异质性,常用局部空间联系指数(LISA)来度量。计算公式如下:

(9)

其中,各度量含义同式(8)。

由于缺少Al的数据，在使用多矿物平衡温标时，无法对部分长石类矿物进行模拟(图5)，从而影响本文研究结果的可靠性。故本文采用FixAl法，通过选取钙长石的平衡，以减轻水化学数据中Al数据缺失带来的影响，同时考虑CO2溢出的情况，重建研究区热水的平衡状态。

3.空间计量模型

各省域旅游流是互相关联的,具有一定的空间相关性,因此在分析探讨旅游流人数空间格局及影响因素时需要将空间效应考虑进来。空间计量模型通过空间权重矩阵的形式将空间效应纳入模型中,避免了传统计量模型因为忽略空间效应所导致的低解释度。常用的空间计量模型主要包括空间滞后模型(SLM)和空间误差模型(SEM)。

空间滞后模型又称空间自回归模型,描述的是空间相关性,通过空间滞后系数来反映邻近个体对本个体观察值的影响程度和方向。其模型表达式为:

Y=ρWY+Xβ+ε

(10)

其中,Y为n×1的被解释变量,X为n×n的解释变量,ρ为空间效应系数,β为参数向量,W为空间矩阵,ε为随机误差项。

空间误差模型:当空间单元之间的相关性因相对位置的不同而存在显著差异时,适用于采取误差形式的空间模型。空间误差模型描述了空间扰动相关和空间总体相关,形式如下:

Y=Xβ+ε

ε=λWε+ν

(11)

其中,Y和X同式(10),λ为空间误差相关系数,度量了邻近个体关于被解释变量的误差冲击对本个体观察值的影响程度和方向,ν为空间自相关误差项。

(二)数据来源

携程旅游是中国领先的在线旅行服务公司。据相关数据显示,截至2019年底,全国在线旅游市场用户规模突破4亿人,其中携程旅行月活跃用户7 471.51万人,占比43.35%,因此以携程旅游为例开展研究,具备一定的代表性。本文通过使用网络爬虫软件,爬取携程网各省旅游目的地截止到2019年12月31日的旅游商品详情页面信息,累计爬取了367 365条旅游路线数据,删除其中无出游人数等数据305 879条,提取出跨省域出游的旅游路线2 531条。同时爬取这些旅游商品的消费者评论信息共计858 493条数据;数字经济发展水平数据来源于财新数联发布的《中国数字经济指数2019.12》;本研究所使用的其他数据均来源于《中国旅游统计年鉴2019年》。

四、省域旅游流网络结构分析

为讨论各省份旅游网络关系,将所有的市、地区、景点名称全部转化为“省”。例如,旅游流路线为“青海—上海—江苏—浙江”,则青海到上海记为1,上海到江苏记为1,江苏到浙江记为1。若旅游流的流向在空间中有直接的移动,记为1,反之为0,按照旅游流的流向建立一个31×31的矩阵。行代表出发地“点”,列代表路线标题“线”,采用“点”+“线”模式构成了旅游流网络结构图,它能够反映消费者在网络结构中的移动情况,体现出各省在旅游流网络中的关联关系。

图1 基于线上数据的省域旅游流网络图

(一)旅游流网络结构特征

社会网络方法主要用来分析关系型数据,因此本文借助Ucinet软件将数据转化为“.##h”格式,并结合Netdrew画图软件来绘制网络结构(图1),中国旅游流关联关系一共有399个,每个省份都与其他省份相互连接,箭头所指的方向是旅游流的流动方向,表示出发地到目的地的旅游路径。可以发现北京、江苏、天津、浙江等与其他省份具有较多的旅游流联系,而宁夏、江西、黑龙江、甘肃等省份相对较少。根据游客到达目的地情况来统计旅游接待总人数,排名前12的省份结果如图2(单位:万人)。由图2可以看出,北京、上海、天津、江苏、浙江等东部省份接待的游客数量较多,原因是东部地区旅游资源丰富、经济发展水平较高、人口基数也较大等。各省份在全国旅游网络中的地位不同,在空间上呈现出一定的差异性。

图2 基于线上数据的省域旅游接待总人数图

(二)整体网络结构特征分析

表1给出了中国31个省份整体网络结构特征,网络共有399个空间关联关系,31个省份最大可能的关联关系数为930,网络密度为0.429,高于2015年利用传统数据源和引力模型测算的网络密度值(0.226 9)[8],说明线上市场反映的各省旅游网络联系程度相对较高,同时各省份之间的旅游交流合作程度近年来也越来越密切,但其值仍低于0.5,还有较大的提升空间。网络关联度为1,说明所有省份之间有明显的关联效应,网络稳健性较好。网络等级度为0,表明旅游流网络不存在等级森严结构,省域之间的对称可达度高。网络效率为0.370 1,说明各省份可以通过整体网络实现与其他省份的旅游合作,比王俊等测得的网络效率结果小,说明线上旅游市场反映的各省旅游流连接效率更高,各省份间的旅游联系稳定性也更强[8]。

表1 整体网络结构特征

(三)网络节点中心性分析

通过分析中国旅游流网络节点的中心性来刻画各省份在整体旅游流网络中所处的地位,中心性的测度指标包括点入度、点出度、点度中心度、接近中心度以及中介中心度,分析结果如表2所示,并利用Gephi软件绘制旅游流无向网络(图3)。从图3中可以看出各省份之间存在空间网络关系,“点”表示中国省份的名称,“点”所占体积大小与点度中心度、接近中心度和中介中心度成正比例关系,即中心度的值越大则节点体积越大,越处于整个旅游流网络中的核心地位。“线”的粗细可以直观反映出单个节点与其他节点关联性的强弱,线越粗表明该省份与其他省份连接越多,从线的连接趋势可直观反映出节点与节点之间路径传播的串联或者并联关系。

表2 省域旅游流网络个体特征指标

图3 省域旅游流点度中心度(左)、接近中心度(中)、中介中心度(右)聚类图

由表2结果可以看出,在点度中心度方面,排序前五的省份包括北京、上海、天津、江苏、福建、浙江、陕西(存在并列情形);与王俊和夏杰长基于引力模型的结果相比显著不同的是陕西省在旅游网络中的排序。在王俊和夏杰长的研究中陕西省的点度中心度排序为最后一名,而本文基于携程旅游数据计算结果显示陕西与福建、浙江并列第五,这一结果更能反映出陕西旅游资源丰富、文化底蕴深厚的特点。根据有向图理论知识,若点入度大于点出度,则该省份旅游受益关系数比其溢出关系数要大,如华东地区上海、浙江、江苏等省份,它们对其他省份的影响程度要大于其他省份对它们的影响程度,且在旅游流网络中属于净受益方。反之,则旅游流为净溢出方。北京、天津、上海等11省份的点度中心度大于均值,说明这些省份与其他省份间存在较多的关联关系,且大部分省份的点入度大于或等于点出度,表明这些省份的经济发展水平、旅游资源禀赋性以及交通可达性比其他省份强。

在接近中心度方面,高于均值的省份包括北京、上海、江苏、福建、浙江等中东部地区省份和陕西、内蒙古等西部地区省份,说明这些省份和其他省份之间的联系紧密,在旅游流网络中拥有较强的传递特性,而云南、贵州、黑龙江、海南等省份的接近中心度低于均值,说明这些省份旅游流的传递能力较弱,处于被支配地位,对旅游流影响作用不明显。在中介中心性方面,北京、上海、天津、江苏、福建、浙江、陕西等7个省份的中介中心度大于均值,说明这些省份在旅游流网络中具有中介作用,它们能够控制旅游流的发展状况,而甘肃、宁夏、贵州、吉林等省份的中介中心度低于均值,这些省份在整体网络中不占优势,需要加强与周边省份合作,强化旅游互联互通,提高空间网络中的关联性。

从中心度综合来看,各省份旅游流存在较为普遍的关联关系,但整体上来说东部地区的中心度高于中西部地区,北京、上海、天津、江苏、福建、浙江等东部地区省份和陕西等西部地区省份是中心度较高的省份。这些省份经济发展水平较高、旅游资源丰富、交通条件便利,在旅游流网络中起到主导作用,与其他省份存在较强的关联关系。

(四)核心—边缘模型与角色分析

核心—边缘模型可以测算出各节点在旅游流网络中处于“核心区”还是“边缘区”,通过Ucient中的Concor模块进行分析,其结果如表3所示。其中核心区的省份有北京、上海、天津、江苏四个省份,其余27个省份为边缘区。核心区省份之间的网络密度为1,边缘区省份之间的网络密度为0.301,这表明核心区的旅游流互动程度强,而边缘区的互动则较弱,旅游流在空间中存在明显的核心—边缘结构,核心对边缘的关联密度为0.88,说明核心区省份对边缘区省份的带动效应较强。

表3 核心/边缘区密度矩阵

(五)块模型分析

根据旅游流空间关联关系,运用社会网络分析Ucinet软件中的Concor方法,最大分割度选为2,收敛标准选为0.2,将中国旅游流关联网络划分为四个板块,四个板块之间的网络特征见表4。板块一有7个省份,分别为陕西、内蒙古、甘肃、宁夏、新疆、青海、四川。板块二有4个省份,分别为北京、上海、江苏、天津。板块三有11个省份,分别为山东、云南、山西、黑龙江、重庆、海南、辽宁、河北、河南、吉林、贵州。板块四有9个省份,分别为福建、安徽、西藏、江西、湖北、浙江、广东、广西、湖南。四个板块在中国东中西部地区的分布情况如表5所示。

表4 中国省域旅游流空间网络板块特征

表5 板块在东中西部地区的分布情况

表4测算了31省旅游流板块的溢出效应。省域旅游流空间关联关系总数为399个,在四个板块中,板块内部关系总数为134个,占比为33.6%;板块之间的关系总数为265个,占比为66.4%;说明四个板块有明显的旅游流溢出效应。板块一,发出关系总数为88个,接收关系总数为82个,板块内部关系为36个;期望内部关系比例为20%,实际内部关系比例为40.9%。板块一对其他板块发出的关系数大于其接收的关系数,该板块属于净溢出板块。板块一的成员主要分布在西部地区,这些省份吸引其他省份游客的能力较为不足。因此,净溢出板块的省份应加强与其余省份的合作,促进产生更多旅游流网络,同时也应巩固板块内部成员间的网络关联关系。板块二,发出关系总数为93个,接收关系总数为107个,板块内部关系为12个;期望内部关系比例为10%,实际内部关系比例为12.9%,该板块成员接收外部成员的关系要大于板块内部成员之间和板块成员发出板块外的关系,属于净受益板块。净受益板块省份主要分布在中国经济发达的东部地区,拥有丰厚的旅游资源,容易吸引到板块外的游客。以北京市为例,作为中国首都,有着较强的旅游业和悠久的历史文化,对其他省份游客具有较强的吸引力。板块三,发出关系总数为113个,接收关系总数为100个,板块内部关系为63个;期望内部关系比例为33.3%,实际内部关系比例为32.7%,该板块成员不仅对其他板块有溢出的联系,也接收到其他板块成员发出的联系,该板块成员与其他板块成员间的联系较多,属于经纪人板块。板块三主要包含山东、辽宁、河北、河南、重庆等省份,在中国的东中西部均有分布,这些省份扮演着一种典型的“桥梁”角色,如重庆是中国西南地区的主要枢纽,河北与北京相邻,辽宁属于中国东北三省,在省域旅游流网络中起到中介作用。板块四,发出关系总数为105个,接收关系总数为110个,板块内部关系为49个;期望内部关系比例为26.7%,实际内部关系比例为46.7%,该板块成员既发出关系也接收其他板块的关系,属于双向溢出板块。该板块的成员主要有安徽、西藏、广东、湖北、浙江等省份,在中国东中西部均有分布,在旅游流网络中具有辐射作用。例如,以浙江为中心辐射到长三角地区,以广东为中心辐射到珠三角地区,以福建为中心辐射到中国海峡两岸地区,以西藏为中心辐射到中国丝绸之路西部地区,双向溢出成员在中国旅游流网络中扮演“引导”角色,与其他省域有着紧密的关联关系,双向溢出效应明显。

图4 旅游流网络四大板块间的关联关系

通过计算各板块之间的密度矩阵和像矩阵来进一步分析板块间旅游流网络发展的关联关系并反映旅游流在各板块的溢出分布情况,以整体网络密度0.429作为临界值,若板块间的网络密度值大于整体网络密度0.429时将像矩阵赋值1,反之为0。因此,分别获得板块间密度矩阵和像矩阵(表6)。为了更直观地刻画中国旅游流溢出效应,绘制四个板块之间的关联关系图(图4)。图4反映了旅游流网络在四大板块之间产生的关联关系,板块一主要对板块一内部和板块二产生旅游溢出效应,对板块三和板块四没有产生明显的溢出效应。板块二净受益效应主要来自于板块一、板块二内部、板块三以及板块四。板块三经纪人板块的旅游溢出效应主要是作用于板块二,对其他板块没有明显的溢出效应。板块四主要对板块二和板块四内部之间产生旅游溢出效应。由表6可知,像矩阵对角线上的元素只有板块三对应为零,说明板块一、二、四内部成员之间都具有较强的关联关系。因此,从四个板块分析来看,中国西部地区应多与其他地区合作发展,打造更多的精品旅游路线,使得省域旅游流网络更为紧密,促进区域旅游协调发展。

表6 各板块的密度矩阵和像矩阵

图5 旅游流季节效应

(六)旅游业季节效应

通过携程网爬取旅游产品的评论数据,本文提取游客对31个省份不同旅游产品的评论时间来绘制时间序列图(图5)。图中横轴代表月份,不同颜色代表不同省份,条纹的粗细代表旅游人数,旅游人数越多则条纹越粗,可以看出,北京、上海、江苏、浙江等是接待游客人数最多的省份。由图5可见,中国的旅游旺季分别是5月、7～10月,这几个月份的接待游客数量较多。4月至5月游客主要集中在长三角地区以及经济发达的东部地区,如上海、浙江等省份。7月至8月是各地区接待人数最多的时段,其中西部地区的接待人数明显增长,特别是内蒙古、青海、甘肃等地最为显著,这是因为当地独特的地貌气候适合暑期出行旅游。由于国庆假期,10月份各地接待人数也会出现小高峰。12月、1月和2月气候寒冷,全国各地接待人数会逐渐减少,3月份气温回升,接待人数又会逐渐回升。由此可以看出中国省域旅游具有明显的季节效应,“五一”、暑期、“十一”属于中国旅游业的三个“黄金期”,且旅客选择出游的热点地区也会随着时间变化。在暑假期间,游客比较倾向于前往西部地区游玩,如内蒙古、青海、甘肃;“五一”和“十一”期间游客则比较倾向于长三角和北京等经济发达地区。

五、省域旅游流空间效应研究

(一)全局空间自相关分析

以携程网中国31个省份目的地总接待人数为研究对象,利用Geoda软件生成一阶rook权重矩阵,进行空间自相关分析和检验来研究其空间分布特征。结果如图6和图7所示。

分析结果显示,中国省域旅游接待人数的莫兰指数为0.426,存在全局自相关性,且31个省份的接待人数有着空间聚集现象。标准化Z值为3.815 1,大于1.96,通过显著性检验,说明中国省域旅游的接待人数存在一定的空间关联性。

(二)局部空间自相关分析

根据莫兰散点图观察中国省域接待人数的空间分布情况。2019年线上省域旅游接待人数空间分布情况为H-H区(高—高):北京、天津、山东、安徽、福建、河北、江苏、上海、浙江;L-H区(低—高):河南、湖北、江西、海南;L-L区(低—低):黑龙江、内蒙古、新疆、吉林、甘肃、宁夏、青海、西藏、湖南、云南、贵州、重庆、广西、辽宁;H-L区(高—低):山西、陕西、四川、广东。根据地理位置对中国各省份进行划分,结果如表7所示。

图6 线上接待人数空间自相关分析

图7 空间自相关显著性水平检验

表7 省域旅游接待人数的分布情况

从表7可以看出,各省域接待人数存在着一定的空间差异性。第一象限(H-H)地区都主要分布在中国的东部地区,这些省份经济较发达,在空间网络中的中心度较高,为旅游接待人数的高值区,其周边省份的旅游客流量也较高,说明该省域对周边省域的带动作用较强,具有空间溢出效应,自身发展的同时也带动了周边省域的旅游业发展。第三象限(L-L)地区主要在中国的西部地区,这些省份经济发展水平不高,在旅游流网络中也处于边缘地位,旅游发展相对于东中部其他省份有明显劣势,同时与相邻省域的空间关联关系也处于较低水平,难以形成集聚效应。

(三)影响因素与模型选择

为进一步分析中国省域旅游流空间差异,选取各省线上旅游市场接待人数(见图2)为因变量Y,各省点度中心度、接近中心度、中间中心度、数字经济发展水平以及旅游资源禀赋性作为潜在影响因素。①点度中心度(X1):点度中心度越高,表明该省份和其他省份的旅游联系较多,该省份在旅游网络中具有重要影响力;②接近中心度(X2):接近中心度越高,表明在旅游网络中该省与其他省平均距离越短;③中介中心度(X3):反映了该省在旅游网络中充当其他两省最短路桥梁的次数;④数字经济发展水平(X4):数字经济通过旅游信息化、旅游+互联网、智慧旅游和旅游大数据等一系列数字化技术和数字产品,有力助推了旅游转型升级和优质旅游发展,在此选取2019年12月全国各省的数字经济发展指数来表征;⑤旅游资源禀赋性(X5):用5A和4A级景区的数量之和来表征。另外,前文的讨论表明了中国省域旅游接待人数具有空间相关性,在分析旅游流影响因素时要将空间效应考虑进来,因此本文通过构建SLM和SEM两种模型来对中国省域旅游流的影响因素进行研究,同时对所有变量做对数化处理来消除异方差的影响。

(四)模型回归结果分析

运用Geoda软件分别对三个模型进行空间回归分析和检验,结果如上表所示,一般选择最优模型时,要求R2、LogL越大越好,AIC、SC越小越好。通过对比分析模型评选标准和变量显著性,最终对模型1、模型2和模型3均选择SLM作为解释模型。

表8结果显示,接近中心度、点度中心度和中介中心度都对旅游流有着正向影响,分别为2.78、1.09和0.238,其中接近中心度影响程度最大,省域的接近中心度、点度中心度和中介中心度每提高1%,旅游接待人数分别提高2.78%、1.09%和0.238%,说明省域在旅游流空间网络中的中心度越高,旅游接待人数也会随之增加;模型的空间效应系数均显著为正,分别为0.318、0.278和0.424,说明中国省域旅游流存在明显的空间溢出效应,即本地区旅游接待人数不仅受当地旅游发展要素的影响之外,还受到周边地区的正向影响;数字经济发展水平在三个模型中的系数分别为0.217、0.231和0.262,均通过显著性检验,各省数字经济发展水平每提高1%,不同模型中的省域旅游接待人数均提高0.2%以上,数字经济的发展能够创造出更多的旅游体验,满足游客的个性化需求,推动了旅游业的发展和旅游接待人数的增加。旅游资源禀赋性在三个模型中的系数分别为0.327、0.393和0.265,均通过显著性检验,表明丰富的旅游资源特色是影响中国省域旅游流人数的一个关键因素。

表8 线上接待人数影响因素估计结果

六、研究结论与建议

(一)研究结论

本文通过采集携程旅游网站数据,运用社会网络分析法、ESDA和空间计量方法探讨了中国省域线上旅游流的空间网络结构特征和空间效应。研究得到以下结论:

中国省域旅游流具有空间差异性,东部地区的旅游接待人数和旅游收入明显高于西部地区。在空间网络结构特征方面,中国省域旅游流整体网络结构较为紧密,各省份间普遍存在关联关系,但整体上来说东部地区的中心度高于中西部地区;北京、上海、天津、江苏处于核心地位,它们对旅游流的发展有辐射带动作用。中西部地区省份受地理位置、经济条件等因素影响导致旅游业发展相对滞后,处于边缘地位。

块模型分析方面,根据旅游流空间网络关联关系将中国31个省份划分为4个板块。其中,净受益板块主要集中在东部地区,该板块省份在旅游流网络中扮演着中心角色,对周边省份产生虹吸效应。经纪人和双向溢出板块在中国旅游流网络中起到“中介”和“引导”作用,这两个板块的省份更容易促进旅游流网络的发展,推动旅游流关联关系更加紧密。净溢出板块主要分布在中国的西部地区,这些省份相对来说对其他省游客吸引力较弱。

通过季节性分析发现中国省域旅游流具有明显的季节效应,“五一”、暑期、“十一”这三个时间段的出游人数最多,且旅客选择出游的热点地区也会随时间变化。

空间效应方面,首先通过全局空间自相关分析发现线上省域旅游接待人数存在着一定的空间关联性,扩散效应区(高—高)主要集中在中国的东部地区,而低低聚集区(低—低)主要分布在西部地区。利用空间计量模型对各影响因素进行考察,发现点度中心度、接近中心度、中介中心度、数字经济发展水平以及旅游资源禀赋性等因素均对省域旅游流强度起着正向作用,其中,接近中心度的影响程度最大,省域数字经济指数每增加1%,旅游接待人数相应增加0.2%以上。

(二)建议

结合本文的研究结论,提出如下建议:

一是打造跨区域精品旅游线路。根据旅游流空间网络中心度差异较大这一现状,各省份要充分考虑客观因素和发展现状,加强与邻近省份的旅游合作,依托城市群和重要景点,培育跨区域特色精品旅游带,统筹共建资源共享、线路互联的旅游共赢体系。平台要开发打造高品质、有吸引力的跨区域跨省份旅游线路,积极发展红色旅游、乡村旅游、研学旅游等一系列主题旅游,为游客提供更多可选择的优质旅游产品和服务。

二是推进旅游经济区域协同发展。根据块模型分析结果,要促进旅游流净受益板块省份向净溢出板块省份反哺,同时重视经纪人板块和双向溢出板块省份在旅游流网络中的“中介”和“引导”作用,实现省份间旅游经济的循环流动。缩小东中西部地区旅游业发展的空间差异性,打破“胡焕庸线”规律,提高省域旅游空间网络的关联性,推动省域旅游经济的协同发展。

三是加强旅游数字经济建设。根据“十四五”时期旅游发展规划要求,顺应数字经济发展规律,推进旅游数字化、网络化、智能化发展。要加强旅游信息基础设施和景点景区数字化建设,创新旅游产品和服务,培育云旅游、云直播等“互联网+旅游”项目,发展线上数字化体验产品,打造沉浸式旅游体验场景。同时通过各种媒介包括新媒体新平台增加在线文旅宣传,努力打造旅游经济的新增长点,推动旅游业升级转型和旅游经济高质量发展。