基于地理集中指数算法改良和微博数据的大理古城游客时空行为模式与驱动因素实证

邢 倩 钟 钰 李伟妙

（1.河北师范大学汇华学院，河北石家庄 050020；2.河北省工程咨询研究院，河北石家庄 050011）

一、现有地理集中度方法分析

旅游客源市场是旅游地赖以生存和发展的关键因素，开展旅游客源地空间结构特征与模式研究对于旅游可持续发展、区域旅游发展规划和智慧旅游模式创新具有重要的意义。国内外学者都对旅游客源市场进行了广泛讨论，克里斯泰勒（Christaller）率先将区位理论运用于地理空间和游憩活动的关系研究中，开展了旅游市场空间结构的研究[1]；从20世纪80 年代开始，对客源市场空间结构的研究逐渐成为国内学者研究的热点。保继刚等利用抽样调查资料，对桂林旅游客源市场12 年的空间演变进行研究[2]；研究方法上，针对旅游客源市场的空间结构分析多采用地理集中指数、客源地吸引半径、基尼系数、修正引力模型等方法，这些方法对于研究游客和客源地的集聚情况都有较好的成效[3]。在这些方法中，地理集中指数由于计算方法简便，且能够反映旅游者客源地的空间分布特征而得到广泛应用[4-6]。该方法能够通过客源地游客人数与旅游地接待游客人数的比值关系表达旅游者的空间分布特征，学者在应用地理集中指数衡量游客集中程度时均指出地理集中指数越高表明游客越集中，客源市场较为狭窄，不稳定；而地理集中指数越小则游客越分散，客源市场越广泛，较为稳定。而对于客源地而言，某一个旅游目的地的绝对游客人数并不能充分反映该客源地游客对旅游目的地的向往情况，而游客人数占客源地人口总数的比重即出游概率则更能够体现旅游目的地的吸引力[7-8]。鉴于此，本文尝试对传统地理集中指数计算方法进行改良，将客源地游客数量加入常住人口比例因子进行计算，对绝对游客数量进行标准化，以古城类代表性旅游景点大理古城2013—2017 年的微博数据为例，将两种方法进行对比，并从空间层级和时间序列上分别对大理古城微博数据进行分类计算，从而对古城类旅游景点客源地集中度驱动因素进行分析，以期为进一步优化客源地空间结构和旅游地的旅游营销方案提供理论参考。

二、对地理集中指数计算方法的改良

（一）标准化原有计算方法

多数研究者均通过地理集中指数衡量游客集中度，并以此研究旅游者的空间分布特征，其公式如下：

式（1）中，G为客源地集中指数，n为客源地总数，T为旅游地接待游客人数，Xi为第i个客源地游客人数。式（1）用实际游客人数与旅游地接待游客总人数的比表达了客源地的出行概率，这种形式只考虑了单一旅游地接待人数与旅游地总体游客人数的关系。但是，旅游客源地游客的出行模式和空间分布不只与单一游客数量有关，游客数量占客源地人口总数的比重更能够反映某客源地游客的出行概率，以及反映客源地的整体出行意愿和出行趋势。将式（1）标准化，对原有的计算公式进行改良，其中Pi为第i个城市常住人口数量（千人），XP为游客出游概率，将客源地游客数量与城市常住人口的比作为修正因子，相关公式如下：

式（2）中，将实际出游概率作为因子对绝对游客数量Xi标准化，使得各客源地的游客数量能够作为一个客观数据进行比较，消除由于常住人口基数不同造成的绝对数量比较结果不合理的影响。由于各城市游客出游的人数和人口总数均有可能差异过大，因此对其进行标准化处理，以消除奇异样本数据的影响，相关公式如下：

式（3）中，XPnorm为基于归一化指数的标准化游客出游概率，XPi为第i个城市的游客数量，XPmin和XPmax分别为最小与最大常住人口数量。将标准化的出行概率加入式（3）中，相关公式如下：

式（4）中，G'是对式（1）的改良结果，从式（4）中可以看出，G'越大表明客源地相对游客越集中，G'越小则客源地相对游客越分散。此公式和传统的理集中指数计算方法相比更能体现游客人口分布的相对数量关系，且计算结果的解释更为客观。

（二）建立地理集中度时空计算方法

1.地理尺度

地理尺度是社会经济发展作用下不平衡的空间结构，旅游作为与旅游地社会经济各个方面都有联系的经济活动，探索其不同地理尺度下（如区域尺度、政区尺度等）的客源地集中度对于挖掘旅游地的发展潜力、经济圈扩充内力等有重要意义。从上述公式中可以看出，计算结果除了受游客分布情况影响，旅游客源地分布数量也会对计算结果产生影响，在游客完全平均分布于n个客源地的情况下，仍然会随着客源地的增加而G值变小。因此，为了探索不同地理尺度下旅游地的客源集中度，消除各地理尺度下城市数量的差异，在式（4）的基础上加入差异系数s，以客观反映不同尺度下客源的相对分布情况，如在行政单元尺度下，s可为直辖市、省级行政单元、地级城市、县级城市单元等，以方便讨论不同地理尺度下的旅游地理集中度，相关公式如下：

2.时间尺度

时间分布特征是旅游客源市场研究的重点方向，不同时间尺度下旅游地呈现出不同的形象。在时间尺度下，地理集中度能够有效显示游客的时间分异规律。在式（4）时加入时间因素，讨论不同时间尺度下的游客空间分布特性，相关公式如下：

式（6）中，Tt为时间尺度因素。

三、实证分析

（一）数据获取

《“十三五”全国旅游信息化规划》中指出推进旅游大数据运用，引领新驱动，其中之一便是运用大数据对游客数量、结构特征、兴趣爱好、消费习惯等信息进行收集分析，为旅游市场细分、精准营销、旅游战略制定提供依据。近年来，逐渐有学者采用大数据对旅游地客源市场结构进行分析，其中签到生成的地理标记UGC 对游客量的指示作用较为明确。本研究选择自新浪位置微博签到用户生成内容（User Generated Content，UGC）数据作为研究旅游客源市场空间结构的数据来源。根据2013 年至2023 年上半年的微博数据统计结果发现，用户在微博上的发文量在2013—2017 年的时效性、客观性都较强，因此样本取自2013—2017 年大理古城新浪微博游客自发上传数据，共计181 330 条，涉及微博用户106 145 人。

利用中国科学院地球大数据科学工程先导专项数据共享服务系统、《中国人口统计年鉴》等总结我国2013—2017 年常住人口数据，发现城市人口变化总体处于稳定上升阶段。

（二）数据处理

改良后的地理集中指数计算方法中需要确定3个参数，即客源地的游客数量Xi、旅游目的地的游客总数T 和客源地的常住人口总数Pi。根据地理集中度时空计算方法，分别从空间层级和时间序列确定计算参数。旅游地的吸引力与空间关系紧密，根据大理古城旅游客源地和微博数据分布特点，将微博注册地用户按照行政单位，即全国、直辖市、省会城市、地级城市、云南省内城市的分类，根据微博现有数据和已存在人口统计数据情况，直辖市（北京、上海、天津、重庆）共计微博数据20 840 条；省会城市（不包括台北）涉及的27 个省会城市共有微博数据49 215 条；地级市涉及275 个城市，共计微博数据46 111 条；云南省内（除昆明）8 个城市共计微博5 665 条。

（三）结果分析

1.大理古城空间地理集中度

从直辖市、省会城市、地级城市、云南省内城市的对比计算结果可以看出：从各空间层级上地理集中度比较，地级城市＞云南省内城市＞省会城市＞全国＞直辖市，较为符合旅游客源地分布现状。地级城市经济发展相对落后，对于远距离的长途旅游尚停留在小众群体中，绝对数量游客较少，使得客源分布集中程度相对最高。而省会城市和直辖市的游客所在地区行政单元等级较高，经济发达程度相对也较高，游客绝对数量多，占常住人口数量比重高，客源集中程度呈现较为分散的趋势（见表1）。

表1 大理古城微博注册地空间层级集中度

2.时间序列计算结果对比

根据时间序列计算公式，可以看出2013—2017年大理古城游客微博注册地集中度整体呈现集中-分散-再集中的趋势，这与新浪微博用户使用群体和使用量有关，2013 年中国微博用户规模最大；2014—2015 年，新浪微博活跃用户大幅度减少；而从2016年开始，新浪微博活跃用户数量持续增加。正是由于该原因，大理古城游客年度微博注册地集中度与微博游客数量成正相关。根据各年份微博游客数量与居民人均可支配收入的相关系数（见表2），可以看出微博游客数量与居民人均可支配收入在各年份范围内存在弱相关关系，相关系数介于0.2 ～0.5，且整体上呈现相关性越来越弱的趋势，可知微博游客出行人数数量与居民人均可支配收入存在一定的相关性，但随着我国经济发展水平逐年提高，居民用于出游的可支配收入随之增多，相关性逐渐减弱，说明收入水平不再成为影响居民出行的绝对因素。

表2 微博游客出行人数数量与居民人均可支配收入相关系数

四、结论与展望

本文基于旅游地地理集中指数算法，将计算方法指标标准化，较原有方法更加合理科学，且根据目的地游客占客源地常住人口比重直观反映客源地游客的出行概率，给出基于地理尺度和实践尺度的地理集中指数的改良计算方法。接下来，以大理古城为研究对象，对计算方法进行验证，从行政区划和经济发展水平角度分析大理古城客源游客分布特征与驱动因素。

本研究方法对旅游客源地的集中度计算方法进行了改良，但实证阶段采用的微博数据作为计算指标一定程度上存在对游客面的涵盖不全，不能够代表全部游客的数据和分布特征，这也是未来对微博数据全面性研究的改进方向。