网络旅游信息流对国内旅游流影响的空间效应——基于中国省域空间面板计量模型的研究

李啸虎，施谌谌，王立明，李金叶

(1.新疆财经大学 旅游学院,新疆 乌鲁木齐 830012；2.新疆大学 理论经济学博士后流动站,新疆 乌鲁木齐 834406；3.新疆大学 经济与管理学院,新疆 乌鲁木齐 834406)

在全球化和信息化时代，互联网已成为主要的信息传播渠道和载体.同时，随着“互联网+旅游”的深度融合，旅游信息的产生、传播与互联网的联系日渐紧密[1].越来越多的旅游企业和旅游目的地开始重视利用互联网信息技术开展旅游网络营销、旅游产品网络预订以及其他在线旅游服务[2].在这股互联网浪潮下，大量网络旅游信息的快速传播不仅深刻影响着旅游者的行为意向和决策，而且还显著地促进了线下旅游流在地理空间上的网络化扩散[3].正是由于互联网上旅游信息传播对线下旅游流的分布产生了重要影响，从而引发了学术界关于网络旅游信息流对旅游流影响方面的研究.

通过对相关研究进行梳理，目前网络旅游信息流研究主要集中在以下3个方面：① 旅游者的网络旅游信息搜索方面.Vogt等[4]指出游客搜索网络旅游信息的动机不仅包括出游对相关信息的需求，还有好奇和休闲的原因.Choi等[5]进一步指出旅游者在旅行的不同阶段搜索网络旅游信息的内容存在明显差异.Kim等[6]研究发现女性的在线旅游信息搜索频率比男性更高.胡兴报等[7]、王兆峰等[8]在相关研究基础上，对国内旅游者网络旅游信息搜索的动机、内容、偏好及其对出游决策的影响进行了理论分析和实证研究.② 网络旅游信息对旅游者的行为意向影响方面.Allard等[9]指出旅游网站提供的旅游信息服务质量对游客的出游意愿和产品购买具有重要影响.Maria[10]研究发现旅游网站的增值服务能提升游客对旅游产品的忠诚度，并能促进后续购买行为.Hu[11]指出由于网络旅游信息的丰富性及产品购买的便捷性，越来越多的游客倾向于在线上进行旅游线路选择和产品购买.另外，一些学者还通过实验研究法检验了网络旅游负面信息对游客态度及旅游目的地形象的影响[12-13].上述研究成果对网络旅游信息流与旅游流的后续相关研究奠定了坚实的基础.③ 网络旅游信息流与旅游流关系问题方面.Skadberg等[14]通过建立结构方程模型验证了网络旅游信息传播能增进潜在游客对旅游目的地的感知与认识，激发其前往目的地旅游的动机，从而能够导引现实旅游流的线下移动.Davidson等[15]则从西方游客的视角对以台湾为旅游目的地的36个知名旅游网站的内容进行了研究，指出网站旅游信息流具有导引人群旅游的潜力.Romanazzi等[16]对意大利阿普利亚地区门户旅游网站的研究则表明，网站的功能性越强、用户满意度越高，其对潜在旅游者的影响和导引作用也就越大.另外，Hoepken等[17]基于谷歌搜索指数建立了旅游流预测模型，并以瑞典奥雷地区为例进行了研究，结果显示模型能有效预测中、短期的旅游流规模及分布，为旅游目的地的管理与网络营销提供了参考.在国内，路紫等[18]较早关注到该问题，在对澳大利亚旅游网站的研究中分析了网络旅游信息流对旅游流的导引过程和机理，并对导引强度进行了量化分析.冯娜等[19]在对美、加旅游网站外向在线旅游信息指数测度基础上建立了信息流与旅游流的耦合模型，并据此对国内主要城市的外向网络旅游信息流与入境旅游流的耦合关系进行了探究.龙茂兴等[20]利用百度指数测度了四川省网络旅游关注度，研究发现区域网络旅游关注度与实际旅游流具有高度的相关性，并且网络旅游关注度的波动较实际旅游流的变化更具超前性.黄先开等[21]以北京故宫为例的研究则表明，在预测模型中加入百度指数所代表的网络旅游信息能更准确的对景区旅游流进行实时预测预警，这对景区管理部门的科学决策具有重要参考.此外，还有学者以景区危机事件为例，在利用百度指数测度网络旅游危机信息流基础上研究揭示了危机信息流的扩散特征及对潜在旅游流的影响[22].

综上所述，随着国内外学者对网络旅游信息流相关研究的不断深入，使得网络旅游信息流与旅游流的互动关系问题成为一个研究焦点，并取得了一定的研究成果.但多数研究仍以归纳总结和耦合计算为主，缺少对二者的互动关系进行深入的系统性研究；即使在少数计量模型建模研究中也都未考虑互联网信息技术带来的“时空压缩”，忽视了网络旅游信息流、旅游流自身存在的空间相关性和依赖性，鲜有学者从空间关联视角进行网络旅游信息流对旅游流影响的空间效应研究.鉴于此，文中从信息地理和旅游地理学的角度出发，以中国大陆地区31个省域为研究对象，综合运用空间自相关检验、空间面板计量模型及其效应分解等方法，对2012—2017年网络旅游信息流与国内旅游流的空间关联特征进行探究，并进一步分析网络旅游信息流对国内旅游流的直接影响及空间溢出效应.研究丰富了网络旅游信息流对旅游流影响的相关研究，并就旅游业如何有效利用互联网信息技术进行旅游流的优化导引，以及促进区域间的旅游合作提供了借鉴指导.

1 研究方法与数据来源

1.1 空间自相关性检验

空间自相关性检验可分为全局和局部检验两种.其中，全局空间自相关检验可对研究区域中观测指标值的空间依赖性程度进行测度，文中选择Morans指数法进行检验，计算公式为[23]21

(1)

空间局部自相关检验可对研究变量在局部区域间的空间关联特征及其对于全局自相关的影响做进一步探究.为更好地揭示网络旅游信息流与旅游流两要素间的局部空间关联和依赖特征，文中选用Morans指数的双变量局部空间自相关法进行检验，计算公式为[23]21

(2)

其中,Ii为区域内解释变量与被解释变量的关联特征；Zi,Zj为观测值的方差标准化.具体有高-高、低-低、高-低和低-高4种集聚类型，其中，高-高、低-低型集聚代表区域内解释变量与被解释变量具有正相关的关系，另外2种集聚类型则表示区域内解释变量与被解释变量具有负相关的关系.

1.2 空间计量模型

空间计量模型在传统计量方法基础上纳入了地理空间关联因素，能有效测度研究因空间自相关引起的区域溢出性问题.鉴于网络旅游信息流及国内旅游流可能具有空间自相关性，因此文中建构合适的空间计量模型进行分析.

根据空间依赖性存在形式的不同，空间面板数据模型可分为2类基本模型：空间滞后模型(SLM)和空间误差模型(SEM)，其中，SLM研究邻近地区的滞后项对本地区被解释变量的影响，SEM则研究邻近地区的误差项对本地区被解释变量的影响.

SEM为[24]592

(3)

SLM为[24]592

(4)

其中，Y,X为n×1的向量；W为空间权重矩阵；λ,ρ分别为空间误差项和空间滞后项的回归系数；I为自相关值；β为模型的待估参数；ε,μ为随机扰动项.

空间计量模型中，网络旅游信息流对国内旅游流影响的空间效应除体现在直接效应上，还体现在间接效应(空间溢出效应)上.其中，溢出效应会随着地理距离的增大而减小，若用q表示以i区域为中心向外扩展的圈层数，则空间溢出效应可表示为[25]123

(5)

总效应则为直接和间接效应之和[25]123:

(6)

其中，βj为空间效应分解中的模型待估参数.通过计算，则可得出网络旅游信息流等因变量对国内旅游流影响的空间总效应及其分解效应.

1.3 变量设定

文中的研究重点是从网络旅游信息流的角度探究其对国内旅游流影响的空间效应，因此，选取国内旅游流、网络旅游信息流为被解释变量与核心解释变量，并在参考相关研究基础上选择将区域经济规模、旅游资源禀赋、旅游接待能力、交通可达性和信息化水平这5类指标作为控制变量纳入本研究的模型分析中.各变量具体如下：

1)被解释变量(表1)为国内旅游流(lnY).研究选取各省区国内旅游人次来表征国内旅游流.文中没有包括对入境游客的研究，因为核心解释变量网络旅游信息流指标基于百度指数所建构，而百度又以国内用户为主，故对应的被解释变量旅游流中没有包括入境游客.

2)核心解释变量(表1)为网络旅游信息流(lnX1).文中利用百度指数来搜集网络旅游信息流数据，这也是为众多学者所采用的方法[21,22-26].具体则参考李会琴等[26]的研究设计，利用百度指数对国内各省域的5A级旅游景区进行年度日均搜索量统计以建构网络旅游信息流指标.

3)控制变量(表1)：① 区域经济规模(lnX2).区域经济规模对旅游市场发展具有重要的支撑作用，可从旅游需求与供给两端共同影响区域旅游流的增长，以地区国内生产总值来表征区域经济规模[27].② 旅游资源禀赋(lnX3).游客的出游必然要考虑目的地的旅游资源条件，文中根据各地区的4A，5A级旅游景区数加权求和来表征该变量[28].③ 旅游接待能力(lnX4).旅游业是服务型产业，其接待能力反映了各地区能接待游客的规模大小，文中选择省域星级饭店数与旅行社数之和来表征[29].④ 交通可达性(lnX5).交通条件是游客出游的重要保障，公路交通作为陆地交通运输的主体具有高度代表性，文中选择各地区公路里程来表征交通发展水平[30].⑤ 信息化水平(lnX6).游客出游越来越依赖互联网，这导致地区信息化水平直接影响游客的旅游体验与重游意愿，文中选用邮电业务额来表征地区信息化水平[31].

表1 研究变量说明

1.4 数据说明

文中在实证研究过程中对所有指标数据进行了取对数处理，以消除异方差和减少数据波动性问题.研究中使用的权重矩阵W是基于邻接关系中的“车”相邻所建构的0-1矩阵.此外，文中的原始数据除网络旅游信息流指标是利用百度指数搜集获取外，其他数据主要来自2012—2017年《中国统计年鉴》《中国旅游统计年鉴》和各地区统计年鉴及统计公报等.

2 实证分析

2.1 空间相关性检验

在运用空间计量模型进行网络旅游信息流对国内旅游流影响的空间效应研究之前，需要验证网络旅游信息流与国内旅游流是否存在空间上的自相关性.文中通过对网络旅游信息流与国内旅游流的Moran指数I进行测算加以检验(表2).

表2表明，2012—2017年网络旅游信息流与国内旅游流的全域Moran指数都为正，且都通过了5%的显著性水平检验，这表明网络旅游信息流与国内旅游流增长都具有较强的空间自相关性.具体分析来看，研究年份内网络旅游信息流的全域Moran指数呈现出波动上升的态势，这显示出区域间网络旅游信息流的空间依赖和集聚性在不断增强；2012—2017年国内旅游流的全域Moran指数变化不大，但均通过了1%的显著性水平检验，这表明各省域国内旅游流增长一直保持着很强的空间依赖和集聚特性.

表2 网络旅游信息流和国内旅游流的全域Moran指数

全局空间自相关检验均等化了地区差异，无法细致反映变量间的局部关联性特征，为进一步研究揭示网络旅游信息流与国内旅游流2要素间的局部空间关联特性，文中利用GeoDa软件对2012年、2017年网络旅游信息流与国内旅游流进行双变量局部Moran指数散点图分析(图1).

从图1可以看出，2012年，安徽、北京、福建、河北、河南、湖北、湖南、江苏、江西、山东、山西、浙江等12个省域均处于第一象限(“高信息流-高旅游流”)；吉林、辽宁、黑龙江、内蒙古、甘肃、宁夏、青海、新疆、西藏9省域均处于第三象限(“低信息流-低旅游流”)；重庆、贵州、海南、天津、广东、广西等6省域均处于第二象限(“低信息流-高旅游流”).2017年，四川、云南2省域处于第四象限(“高信息流-低旅游流”)；上海由第一象限转移至第二象限，说明尽管其网络热度下降但线下游客流依然处在高位；陕西则由第四象限转移至第一象限，即陕西网络旅游信息传播加强并对旅游流增长具有促进作用.综合分析来看，处于正空间自相关的省域数量占绝对优势，其中，东、中部省域为“高信息流-高旅游流”聚集区，“低信息流-低旅游流”则主要集聚在东北、西北地区.由于网络旅游信息流和国内旅游流表现出这种较强的空间集聚态势，因此需要建构空间计量模型对其空间效应进行分析.

图1 2012、2017年双变量局部Moran散点图

2.2 估计模型识别

空间自相关检验证实了网络旅游信息流与国内旅游流都存在较强的空间依赖性，据此采用空间计量模型对网络旅游信息流的旅游流驱动效应进行实证分析.

为选择合适的空间计量模型进行研究，需要对模型的拉格朗日乘数(LM)及其稳健形式(Robust LM)的统计量进行检验，以确定模型中空间关联的存在形式，进而选择相应的计量模型.从表3的检验结果来看，SLM的LM,Robust LM统计量均在0.05水平上显著，而SEM的LM,Robust LM统计量则均未通过显著性水平检验，这说明在网络旅游信息流对国内旅游流影响的空间计量模型中SLM优于SEM.

进一步，还需对空间面板滞后模型中的随机效应、固定效应进行检验选择，模型估计得到Hausman检验值为3.79(P=0.705)，故应选择包含随机效应的空间面板滞后模型.实际上，文中的面板数据较短(T=6)，这可能导致不足以估算空间固定效应，因此选择随机效应的SLM更为合适[32].

2.3 计量模型参数估计

据模型识别结果，文中综合运用31个省域2012—2017年的面板数据进行了随机效应SLM的参数估计，同时也对SEM与非空间面板(OLS)模型进行了参数估计以作比较分析.实证研究中采用的软件为Stata 15，估计结果见表3.

表3 非空间及空间面板计量模型估计结果

在表3各类模型的检验中，随机效应SLM的调节后R2要大于空间误差模型和非空间面板模型的调节后R2，并且随机效应SLM的似然对数L值为102.161，也高于其他模型，这表明随机效应的SLM为本研究最合适的计量估计模型，应选择随机效应的SLM进行网络旅游信息流对国内旅游流的影响研究.

OLS回归模型忽视了变量间的空间关联而高估了网络旅游信息流对国内旅游流的影响.表3显示，在未考虑空间因素的OLS面板模型中，网络旅游信息流对国内旅游流影响的弹性系数为0.176，而在随机效应SLM中网络旅游信息流的弹性系数则为0.092.显然，忽视空间溢出效应将高估网络旅游信息流对国内旅游流增长的促进作用.

此外，各省域国内旅游流的增长存在显著的空间溢出效应.在网络旅游信息流对国内旅游流影响的随机效应SLM中，空间溢出系数ρ为0.288，且在1%的水平上显著，这表明在网络旅游信息流等因素的影响下，国内旅游流的增长存在显著的空间溢出效应，即邻近省域的国内旅游流每增加1%会引起本地区国内旅游流间接增长0.288%，这与徐东等[33]的研究也相契合.

2.4 空间效应分解

前文的空间自相关检验已表明网络旅游信息流、国内旅游流存在较强的空间依赖性，因此，研究还需进一步分析网络旅游信息流等变量对国内旅游流影响的空间溢出效应.利用(5)-(6)式计算网络旅游信息流等变量对国内旅游流影响的空间溢出效应和总效应(表4).

表4 空间滞后模型空间效应分解

从表4的分解结果来看，网络旅游信息流对国内旅游流的直接影响和空间溢出效应都显著为正.具体地，网络旅游信息流对国内旅游流影响的直接和溢出效应分别为0.096和0.034，且通过了5%的显著性检验，说明本地区的网络信息流每增加1%，将促进本地国内旅游流增长0.096%，间接促进邻近地区国内旅游流增长0.034%.网络旅游信息流的直接效应要强于其空间溢出效应，两者在总效应中的占比分别为73.84%和26.16%.进一步分析来看，网络旅游信息流对国内旅游流增长的直接效应显著为正，这表明网络旅游信息流是促进国内旅游流增长的有效手段，目的地的网络旅游信息推介将会吸引更多的游客实地来访.间接效应也显著为正则说明网络旅游信息的传播推动了区域旅游活动的联合化、一体化，促进了线下旅游流的空间扩散与溢出，进而带动了邻近地区的旅游流增长.

在网络旅游信息流对国内旅游流影响的空间面板滞后模型中，其他控制变量对国内旅游流增长也有很大的促进作用.其中，区域经济规模对国内旅游流的影响最大，其直接效应和溢出效应分别为0.517，0.195，说明区域经济增长能有效促进本地旅游市场及周边市场的发展.交通通达性对国内旅游流的直接效应显著为正(0.182)，说明交通建设促进了本地国内旅游流的增长，但对邻近地区国内旅游流的影响却不显著.旅游资源条件对本地旅游市场具有正向促进作用(0.298)，并且其空间溢出效应也显著为正(0.112)，说明旅游资源开发既能增加本地旅游人次，又能促进邻近地区旅游市场的发展.信息化水平对国内旅游流的直接效应显著为正(0.086)，对邻近地区的溢出效应也显著为正(0.032)，这表明地区信息化水平的改善能有效带动本地及周边旅游市场的发展.旅游接待能力的直接、间接效应均未不显著，表明目前各省区旅游基础设施建设完善、接待能力强，国内游客出游目的地选择受此方面的影响较小.

3 结论与建议

3.1 结论

以中国大陆31个省域为研究对象，综合运用空间面板计量模型等方法，实证研究了2012—2017年网络旅游信息流对国内旅游流影响的空间效应，主要结论为：

1)全局空间自相关检验表明网络旅游信息流与国内旅游流增长均存在显著的空间依赖与集聚特性，在2012—2017年两者都至少通过了5%的全局空间自相关检验；局部空间探索性数据分析结果则表明，正向空间自相关的省域数量占绝对优势，其中“高信息流-高旅游流”主要集聚在东、中部省域，“低信息流-低旅游流”则主要集聚在东北、西北地区.因此，探究网络旅游信息流对国内旅游流增长的影响必须充分考虑变量间的空间溢出效应.

2)网络旅游信息流对国内旅游流影响的直接效应和空间溢出效应均显著为正.随机效应SLM的估计结果显示，网络旅游信息流对国内旅游流的直接效应显著为正，并且网络旅游信息流还存在显著的正向溢出效应，即本地区网络旅游信息流的增加还能够促进邻近地区旅游流的增长.具体地，网络旅游信息流对国内旅游流影响的直接效应(0.096)要强于其空间溢出效应(0.034)，两者在总效应中的占比分别为73.84%和26.16%.

3)在网络旅游信息流的空间交互作用下，其他控制变量对国内旅游流存在不同的影响.其中，区域经济规模、旅游资源、交通建设以及信息化水平对本地区国内旅游流增长具有明显的促进作用，同时区域经济规模、旅游资源及信息化水平还具有正向的空间溢出效应，交通建设的溢出效应不显著.旅游接待能力对国内旅游流影响的直接、间接效应均不显著.

3.2 政策建议

根据研究结论，提出如下建议.

1)网络旅游信息流与国内旅游流存在较强的正向空间相关性，其中东、中部省域为“高信息流-高旅游流”集聚区，“低信息流-低旅游流”主要集中在东北、西北地区，具有明显的空间集聚特性.因此，对于积极谋求区域旅游业快速发展的东北、西北各省域而言，在提升旅游产品和服务品质的同时还应加强对互联网信息技术的应用，积极开展网络旅游宣传和营销，充分发挥网络旅游信息流对线下旅游流的导引作用，进而推动本地旅游市场的进一步发展.

2)网络旅游信息流具有显著的正向空间溢出效应，因此，还应从空间关联的视角去看待网络旅游信息流对旅游流的影响，发掘网络旅游信息流的空间导控作用以利于促进区域间旅游业的协同发展.这就需要旅游企业、政府部门在进行网络旅游宣传与营销时要加强区域间的沟通与协作，避免各地区的恶性竞争，鼓励各地区与周边进行联合网络旅游宣传与营销，形成旅游信息互联、旅游流互通、旅游品牌互助的整体有序发展格局[34].

3)互联网在旅游领域的应用越来越广，网络旅游信息对线下旅游流的影响也在不断提升，其不仅具备对旅游流的单一导引作用，而且网络旅游信息传播与提供的服务还能结合其他影响因素共同促进旅游流的增长.因此，有必要将网络旅游信息推介置于区域旅游流增长的重要地位，并将经济发展、资源开发、交通改善和信息化建设等要素与其相结合，共同形成良好的旅游招徕、接待与服务环境，以促进区域旅游业的协调可持续发展.

3.3 不足与展望

研究仍存在不足与可改进之处.文中的空间滞后模型采用的是全局估计，其回归系数无法揭示网络旅游信息流对局部区域旅游流的影响；研究主要从省域层面解析了网络旅游信息流对国内旅游流的影响，后续还应基于小尺度范围的数据进行精度更高的分析；此外，为了更加全面、深入地反映网络旅游信息流对旅游流的影响，未来还可以结合其他类型的旅游大数据(如微博签到、网络游记等)对相关问题进行研究[21].