中国省域间旅游关注网络格局及其影响因素空间异质性分析

来源:用户上传      作者:徐菁 靳诚

　　[摘    要]旅游关注是旅游虚拟空间的重要表现形式，文章基于百度指数探讨旅游关注空间格局特征，并建立面向线状要素的空间相互作用局部分析模型，探讨影响因素作用的空间异质性。旅游关注网络存在差异，高关注度省份集聚于东部地区。局部模型拟合结果优于全局模型，能很好解释旅游关注。景区数量和GDP对旅游关注具有促进作用，距离则为抑制作用。各影响因素作用存在空间异质性，景区数量对短距离关注具有较强影响，西部省份的经济发展水平对长距离关注有更强影响，经济较好省份受到关注距离的影响较小。在旅游关注这一虚拟空间中，距离效应依然存在，但作用强度弱于现实空间。文章构建的线状要素空间相互作用局部分析模型，为理解旅游关注网络乃至其他类型网络（流动）的形成机制提供了一种新的空间分析方法。
　　[关键词]旅游关注;网络;影响因素;空间异质性
　　引言
　　随着互联网、移动互联网、物联网的飞速发展，世界已然进入了信息化、数字化和网络化的崭新时代[1]。信息技术的发展对社会经济空间组织有着潜在的影响，高效的互联信息使得传统时空概念、地理空间正在被重新认识[2]。作为传统地理空间的延伸与异化的虚拟空间日益受到学者的关注[3]，基于地理空间和网络空间相互融合而形成的地理网络空间成为洞悉虚拟与现实相互作用的有效桥梁[4，5]。快速发展的信息化在改变传统生产、生活空间同时，也为地理要素空间认知提供了新的分析视角。信息网络产生的时空数据为理解地理空间的格局特征、相互联系、时空过程、结构模式提供了数据支撑。如Malecki利用全球主要城市的互联网数据，分析了全球网络信息中心的分布倾向[6]，亦有学者通过互联网数据分析网络信息空间的生产与格局[7-9]。在国内，汪明峰和宁越敏基于互联网基础设施分析了中国互联网络的地理格局及其城市体系[10]，王波和甄峰利用百度搜索数据分析互联网下的中国城市等级体系[11]，甄峰等基于新浪微博分析中国城市网络体系特征[12]。
　　旅游业具有很好的经济社会效益，已成为全球经济发展中势头最强劲的产业之一，在国民经济中的重要地位日益凸顯[13]。伴随着旅游业的快速发展，旅游空间作为一种独特而又重要的地理空间形式日益得到重视。新的信息技术、网络数据也同样在旅游空间分析中得到应用，学者主要是利用互联网数据进行网站访问行为[14]、规划旅游行程[15-16]、游客流动过程[17-18]、目的地形象构建[19-20]等方面的研究。
　　近年来，有学者开始涉及基于互联网的旅游关注分析。旅游关注是现实旅游活动的一种前置行为[21]，同时其本身又是一种存在于网络的虚拟空间。学者对旅游关注研究主要集中在以下两个方面：一是探讨旅游关注度与现实旅游要素，特别是现实客流的相互关系，研究主要集中在景区层面，且以华山、平遥古城、九寨沟等高等级景区为主[22-25]，亦有学者探讨省域尺度旅游关注的差异[26-27]及中国旅游地的国际关注[28]，分析发现网络关注与景区客流具有较好的耦合性，对现实客流具有前兆和引导作用[20，29];在相互关系分析基础上，学者构建基于网络关注的预测模型，预测客流变化[30-33]。二是分析旅游关注本身，讨论旅游关注的时空特征[34]，并从气候变化[35]、节事活动[36]、旅游安全[37]等方面解释旅游关注的时空变化，从资源丰度、经济水平、人口数量等方面解释旅游关注的形成机制[38]。
　　对旅游关注的深入分析，一方面，可以理解这一独特网络虚拟空间的格局特征与形成机制;另一方面，可以深入认知游客流动行为，具有很好的研究意义。学者对旅游关注的分析得到许多有益结论，但在以下3个方面值得进一步深入探讨：
　　一是旅游关注的网络化问题。在未来的研究范式中，针对要素之间相互关系及其相互作用的系统分析变得愈加重要，网络分析成为理解空间联系、流动空间最有效的切入点[39]。旅游关注在空间上并非孤立，不同地域之间的旅游关注是相互交织联系的，并以网络形式呈现出来，以往分析多是针对单个关注或者多个关注之间的比较，而从网络视角分析旅游关注有待加强，这有利于揭示对这一虚拟空间的格局特征。
　　二是影响要素空间作用的非平稳性问题。地理要素在空间上是存在相互联系的，即存在近邻性[40]。旅游关注网络及其影响因素和其他空间要素一样，存在空间依赖，并产生空间异质性[41]。然而在以往分析中，研究者往往认为旅游关注的影响因素是稳定的，并利用全局回归模型来解释旅游关注，忽视了影响要素空间作用的非平稳性问题。旅游关注影响因素作用的异质性分析有利于进一步揭示旅游关注的形成机制。
　　三是线状要素局部分析模型问题。旅游关注在空间上可以抽象为线状要素，要解决旅游关注影响要素作用的异质性，就是要构建基于线状要素的局部分析模型。局部分析模型最为著名的是GWR（geographically weighted regression）模型[42]，但其空间分析多是利用面域或者点状数据进行分析。线状联系作为空间活动的一种常见形态，不同路径之间亦存在相互作用及其相互依赖。线状要素包括两个端点，其属性数据表现为具有起始点的二维矩阵，面域、点状数据属性则表现为一维的单列数据，因而线状联系间相互作用复杂程度要高于面域、点状间的相互作用。构建线状空间局部分析模型成为理解旅游关注形成机制的重要一环。
　　为解决上述3个科学问题，本文以百度关注指数为数据来源，构建旅游关注指数，从网络化视角分析旅游关注的空间特征，并建立基于线状要素的局部分析模型，探讨影响因素作用的空间异质性。以期深化对旅游网络关注这一虚拟空间格局及其形成机制的认知。
　　1 数据来源与研究方法
　　1.1 数据来源
　　百度指数是以百度海量网民行为数据为基础的数据分享平台。百度搜索指数以网民在百度的搜索量为数据基础，以关键词为统计对象，科学计算出各个关键词搜索频次的加权和。根据搜索者区域的不同，可以按照地域对每个关键词的搜索指数进行划分。本文利用百度搜索指数来构建省域间旅游关注指数，搜索时段为2017年全年，从1月1日到12月31日。本文从省、市两个尺度综合考虑旅游关注，公式如下： 　　式（1）中，Aij为i省对j省的旅游关注指数，TSIij为i省对j省的省域尺度旅游搜索指数，TSIijk为i省对j省k市的旅游搜索指数，n为j省域内设区市的数量。本文研究对象为我国的31个省、直辖市和自治区（不含港澳台），最终得到31×31的旅游关注网络矩阵。在关键词的选择上，省域尺度搜索关键词为“省区名+旅游”“省区名+景点”，市域尺度关键词为“城市名+旅游”“城市名+景点”。选择关键词和省市两个尺度综合分析的原因如下：首先，本文研究全国省域之间的旅游关注，考虑到单纯进行省域之间的关注搜索数据较粗，因而本文增加了市域尺度的搜索数据，以增强分析的精度。其次，本研究关键词为“旅游”“景点”，选择“旅游”的原因在于，游客可以通过其获取目的地旅游攻略等相关信息，便于更为全面地了解目的地情况;选择景点的原因在于，游客在前往某一地区进行深入旅游时候，需要关注当地的景点资源，往往会搜索当地存在哪些旅游景点，而后进行合理的路线规划。
　　在本文分析中还涉及其他两类数据：一类是空间数据，省域行政区数据来源于国家基础地理信息中心网站;选择省会间的公路交通距离作为两省之间的交通距离，通过百度地图获取，省域自身距离为该省所有两两设区市之间公路交通距离的平均值。另一类是社会经济数据，人口、GDP等数据来源于中国统计年鉴，各省域5A级景区及其世界遗产数量来源于文化和旅游部网站。
　　1.2 研究方法
　　1.2.1    网络和节点格局分析指标
　　旅游关注网络格局分析指标如下：
　　式中，ME为平均关注量，IN为不均衡度，AD为平均关注距离。Aij为i省对j省的旅游关注指数，n和m分别为关注节点和被关注节点的个数，dij为两个节点间的距离，abs为取绝对值函数。不均衡度表征关注之间的差异，分布在0～1之间，数值越大，分布越不均衡。
　　式中，Pouti、Pini、ASi分别为省域i的关注度、被关注度以及关注优势度，n为省域的数量。关注度反映了省域i对所有省份旅游关注情况，被关注度反映了省域i旅游被其他省份关注情况。ASi为关注度和被关注度的比值，反映省域i的关注与被关注差异。
　　1.2.2    线状要素空间相互作用局部模型
　　利用引力模型这一空间相互作用经典解释模型来阐述网络关注的形成机制。选择被关注地景区数量来表征吸引力，高级别景点在省域间更易获得关注，因而本文选择5A级景点和世界遗产数量作为吸引指标。经济发展水平影响居民出游能力，进而影响旅游关注，本文选择关注者所在省份的GDP作为推力指标。选择省会间公路距离作为距离影响指标。基于引力模型的旅游关注解释模型可表达如下：
　　式（8）中，Aij为i省对j省的关注度，ATTj为j省景区个数，GDPi为i省的GDP，dij为i省和j省之间距离，k、α、β、γ为系数。式（8）的影响因素被认为是全局的，即在回归拟合中获得唯一的参数估计。在现实世界中，同一要素对不同空间旅游关注的影响存在差异。为深入地理解影响因素作用的异质性，有必要从局部视角构建分析模型，公式如下：
　　式（9）中，Aij、ATTj、GDPi、dij含义同上，参数估计与式（8）不同，针对每一个关注Aij都会得到与之对应的参数估计值kij、αij、βij、γij。对于局部模型参数估计需要考虑拟合模型、权重矩阵、不同关注之间距离以及最优带宽4个问题。适用于高斯分布的最小二乘法参数估计和适用于泊松分布的极大似然法参数估计常被用来进行局部分析。旅游关注的结果数值均为计数整数，分布呈现出离散，更适合选用计数分布的泊松分布。旅游关注的泊松模型如下：
　　式（11）中，[i*j*]代表需要校正旅游关注的起始省份。Wij为空间权重矩阵，高斯核函数（Gaussian kernel）和双重平方核函数（bi-square kernel）常被用来定义权重矩阵，本研究选择后者定义权重矩阵，公式如下：
　　式（12）中，[diji'j']为关注ij和关注[i'j']之间的距离，b为带宽。如果[diji'j']在带宽范围之内，则关注[i'j']参与关注ij的权重矩阵构建和参数估算。关注ij和关注[i'j']之间的距离定义如下：
　　式（13）中，x、y分别为关注起始端點的经纬度坐标，即省会的经纬度坐标。
　　运用赤池信息量准则AICc值来确定最优带宽b，该准则可以权衡所估计模型的复杂度和模型拟合数据的优良性，AICc数值越小，表明模型拟合的越好[43]。遍历1至961不同带宽下获得的回归模型，统计每个模型AICc值，选择AICc值最小的带宽作为最优带宽，并将最优带宽下得到回归模型作为解释模型。
　　2 关注网络格局
　　2.1 总体关注格局
　　利用式（1）计算得到省域间旅游关注网络，共961条路径，并统计分析网络关注指数的数值分布（图1）。省域间平均关注指数为537.60，数值较大的多为自身关注，其中，广东对自身的关注指数最高，为6614，其次是山东、浙江和江苏对自身的关注;在跨省关注中，数值最高的是江苏对浙江的关注，关注指数为2340，其次是江苏对山东、上海对浙江的关注，指数分别为2314和2304。无论是自身关注还是跨省关注，高值关注主要分布在东部地区。关注指数最低的是西藏对吉林的关注，指数为1，其次是西藏对天津关注;关注指数在10以下的路径有9条，其中8条是西藏对其他省份的关注。低值关注主要是西部省份对东、中部省份的关注。关注指数在各路径间的分布存在不均衡性，关注指数在0～500之间的路径有602条，平均关注指数为250.08;指数在1000以上的路径有107条，平均关注指数为1748.83。在空间上，高关注路径在长三角以及华北的京冀鲁地区呈现出网络化特征，而在华南、西南地区则呈现出以广东、云南为核心的放射状结构。长三角和京津冀地区居民收入水平较高，出游动机强烈，短距离旅游成为重要的关注对象。而在华南和西南地区，广东出游能力较强，到周边省域旅游需求较为旺盛，关注较多;西南地区，云南是主要的旅游目的地，受到其他省域，尤其是附近省域的广泛关注。 　　2.2 地区间关注网络差异
　　进一步比较分析旅游关注网络在东、中、西3个地区的分布差异。东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南;中部地区包括为山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南;西部地区为内蒙古、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、广西。各区的旅游关注被划分为区内部相互关注、关注区外和被区外关注3个子网络，并利用式（2）至式（4）计算各个网络的指标特征（表1）。
　　在平均关注指数上，东部区内相互关注网络指数最高，为1006.25，说明东部地区内部是全国旅游活动最强烈的区域，该区经济发达，旅游资源丰富，居民出游意愿强烈。中部区内的平均旅游关注指数也较高，为678.38。在关注区外网络中，东部地区最高，为588.02，说明东部地区对中、西部地区旅游具有较高的关注度和出行意愿;中部地区次之，平均关注指数为492.96，中部地区亦有较强的出游动力;西部地区对区外旅游关注最低，平均值为257.45，西部地区居民收入较低，出游动力弱，对中、东部地区缺乏足够关注。在被区外关注网络中，西部地区具有更高的被关注度，平均值为513.78，东部地区被区外关注度最低，为393.05。综合来看，东部地区、中部地区具有较高的区内关注度，东部地区对中、西部地区关注度较高，西部地区则更容易受到中、东部地区的关注。
　　在均衡性方面，所有网络的不均衡度指数均分布在0.4～0.8之间，各个网络的整体均衡性存在差异。区内关注网络的不均衡指数均在0.7以上，均衡性比其他类型网络差。区内旅游活动频繁，内部关注差异巨大，西部区内关注的不均衡性更为明显。总的来看，各网络整体均衡性较差，但区外关注网络的均衡性要好于跨区关注的均衡性。
　　从加权平均关注距离来看，全国平均关注距离为1634.66 km，区内相互关注的距离较短，东部、中部和西部区内关注的平均距离分别为792.67 km、634.87 km和1014.37 km。西部地区由于远离中、东部地区，被区外关注的平均距离最长，为1906.53 km，其关注区外的平均距离也达到了1611.33 km。此外，东部关注区外的平均距离也较长，为1558.81 km。总的来说，区内关注的平均距离要明显小于跨区关注的平均距离，中、东部地区关注区外比被区外关注的平均距离要长，西部地区被区外关注比关注区外具有更强的作用距离。
　　2.3 省域关注类型划分
　　利用式（5）和式（6）计算各省旅游关注度和被关注度，并利用Jenks聚类法划分为5个等级（表2），以此分析各省域在网络中扮演的角色。在关注度方面，关注度最高的省份为5个，其中，关注度最高是广东;5个省份均位于东部沿海地区，这些地区经济发展好，信息化水平高，居民出游能力强。关注度较高的省份有7个，其中，5个分布于中、东部地区，2个位于西部地区。低关注度省份主要分布在西部地区，这些省份经济发展落后，旅游出游意愿较低，其中，关注度最低的是西藏，仅为1548，其次是青海，关注度为4107。在被关注度方面，高被关注度省份有5个，山东的被关注度最高，为34 867，这些省份主要分布在旅游资源较为丰富的地区，具有较高的旅游吸引力。较高被关注度的省份有7个，这些省份旅游发展较好，得到了较多的旅游关注。被关注度较低的省份不像关注度较低省份那样分布在西部地区，而是在东中西部均有分布。和关注度分布的比较来看，关注度分布在空间上较为集聚，而被关注度离散分布特征更为明显。
　　根据各省关注度与被关注度的差异，笔者从类型学视角对其进行类型划分。利用式（7）计算各省关注优势度，并将其划分为3类：关注优势型（AS>120）、均衡性（80<AS<120）和被关注优势型（AS<80）（表3）。关注优势型省份有8个，该类型省份在关注网络中为净输出，其中，优势度最大的是北京，其次是天津和上海，3个直辖市对旅游具有更强的关注意愿。均衡性省份有13个，该类型省份的关注度与被关注度相对持平，具有稳定的关注输出和流入。被关注优势型省份有10个，该类型省份被关注度占有明显优势，在关注网络中呈现出净流入，大多为西部省份，其中，西藏的关注优势度最低，其次是青海和云南，这些均是西部重要的旅游目的地。
　　3 影响因素异质性分析
　　3.1 影响因素全局模型分析
　　对全局模型、局部模型拟合结果进行比较分析，判断谁对旅游关注的解释性更优。首先，利用泊松回归估算了全局模型中3因素的系数（表4）。全局模型的Adjusted R2值为0.636，说明全局模型对省域间旅游关注的解释性不是特别高，拟合方程的AICc值為3554.986。所有估算系数均能通过1%水平的显著性检验。景区系数（α）、GDP系数（γ）的估算值分别为0.348和0.637，均为正值，说明目的地景区数量、客源地GDP对旅游关注有促进作用。距离系数（β）的估算值为-0.537，呈现负相关，距离对旅游关注起到阻碍作用。
　　3.2 影响因素局部模型分析
　　利用线状要素空间相互作用局部模型来分析旅游关注相关因素作用的异质性。遍历所有带宽，比较不同带宽下拟合的局部分析模型的AICc值，获得最优带宽为86。在此带宽下，旅游关注局部模型的Adjusted R2值为0.947，较全局模型的解释性明显提升。AICc值为299.429，较全局模型大幅降低，旅游关注局部模型要明显地优于全局模型。
　　对于任一个解释变量，均会得到961个局部参数估计值来描述该变量对各个关注路径的影响，利用t值对局部参数估计值进行显著性检验，显著性水平选择0.05（表5）。在景区系数估算上，有665条关注通过显著性检验，系数均值为0.361，其中，最大值1.022，最小值-0.308，数值多分布于0～0.8之间，663个系数为正值，说明目的地景区数量具有促进作用，景区越多，旅游关注指数越大。GDP系数估算均能通过了显著性检验，系数均值为0.548，最大值1.032，最小值0.196，均为正值，说明客源地GDP对旅游关注同样具有促进作用，且GDP系数估算值显著大于景区系数估算值，说明其影响普遍强于景区数量的影响。在关注距离系数估算上，有837条关注通过显著性检验，距离系数均值为-0.516，最大值为0.581，最小值为-1.407。仅有7个关注的距离系数为正值，这些关注主要发生在东部地区对西部地区远距离关注，如山东对云南的关注（0.581），文化和距离的巨大差异，会在一定程度上激发游客对目的地的关注。其他均为负值，说明距离对省域间旅游关注大多具有抑制作用，距离越远，关注发生概率越低。 　　3.3 影响因素作用的空间异质性
　　3.3.1    景区作用的空间异质性
　　被关注地景区数量对旅游关注影响的空间分布如图2（a）所示。景区影响在不同关注间存在明显差异。从显著性上看，华北、华东、东北省份作为被关注对象时，普遍能够通过显著性检验;华南、西南、西北地區省份作为被关注对象时，部分系数无法通过显著性检验，其中，贵州、新疆仅有2个被关注路径通过检验，这些省份景区数量虽然在提升关注方面有正向影响，但影响不够显著。从空间分布来看，高影响关注度主要分布在华东和华北地区，估算值最大的是河南关注山东，景区系数为1.022，其次是山东关注山东、山东关注河南，景区系数分别为0.985和0.933，东部地区资源丰富，出游距离适中，景点对短距离游客具有较强的吸引力。景区影响系数仅有2个为负数，分别是西藏关注广东和西藏关注海南。其他系数较低的值多为与西部地区有关的长距离关注。进一步探讨景区影响系数和关注距离之间关系，发现影响系数较高的主要为短距离关注，长距离关注的影响系数普遍较低。说明在短距离范围内，高等级景区数量的多少会显著地影响潜在游客的旅游关注;长距离范围内，景区影响强度降低，游客关注不再仅仅依赖目的地景区数量。
　　3.3.2    经济作用的空间异质性
　　客源地GDP影响差异如图2（b）所示。从显著性来看，所有关注的GDP影响系数均通过了显著性检验，且系数值均为正值，说明客源地GDP对旅游关注均起到正向影响， GDP越高，旅游关注指数也就越大。从图上可以看出，新疆、西藏关注其他省份的GDP系数较高，边疆地区处于边缘地区，距离效应明显，因而GDP的正向促进作用会更加明显，东北三省被西部省份关注的GDP系数也较高。从空间分布来看，高值GDP影响系数主要产生于远距离关注，最高的是新疆关注辽宁，系数为1.032;影响系数最低的是辽宁关注吉林，数值为0.196，其次是天津关注内蒙古。同样，进一步探讨影响系数和关注距离间的关系，影响系数较高的关注多是从西部省份出发的长距离关注，影响系数较低的关注发生在东北、华北地区的短距离关注。西部省份的经济发展水平对其关注中东部较远距离省份具有较强的影响，而短距离旅游关注受到客源地经济发展水平的影响较低。
　　3.3.3   距离作用的空间异质性
　　距离对旅游关注影响的异质性如图2（c）所示。有837条关注通过5%水平的显著性检验，无法通过检验的关注主要为华北、华东及其东北地区省份对华南、西南及其西北地区省份的旅游关注。从数值上看，仅有7个关注的距离影响系数为正值，且被关注地均是云南，客源地都是东部发达省份，说明距离对云南边境旅游具有正向作用。其余830条关注的距离系数均为负值，说明距离对旅游关注   整体上起到抑制作用。从分布图上来看，距离影响较大的关注多是中、西部省份间的关注，而中、东部省份间关注的距离影响较小。距离影响较大的关注以呈现出以西藏、新疆、青海为中心的放射性结构，其中，抑制作用最强的是西藏对内蒙古的关注，数值为-1.407。中、东部地区省份间旅游关注的距离影响较小，如上海对海南关注的距离影响系数只有-0.188。此外，客源地经济较好省份的旅游关注受到距离的影响较小，经济欠发达省份旅游关注受到距离的影响较大。
　　无论是全局模型还是局部模型的分析，在旅游关注这一虚拟空间中距离效应依然存在。在以往现实空间距离效应分析中，如在全国尺度运用航空数据和媒介签到数据的流动研究中，影响系数多在-0.8左右[18， 44];在利用出租车轨迹或者公交卡数据的城市内部流动研究中，影响系数多在-2.0～-1.0之间[45-46]。本文利用局部模型在全国尺度的旅游关注分析中得到距离影响因素大多在-1.0～0之间，平均值为-0.516，数值明显小于现实空间中的距离影响系数。说明旅游关注这一虚拟空间中虽然存在距离衰减效应，但作用强度明显弱于现实空间。
　　4 结论和讨论
　　网络分析日益成为研究地理空间的新范式，旅游业作为国民经济的重要组成部分，旅游关注网络值得深入分析。地理空间存在空间依赖，影响因素在空间上呈现出非平稳性，虚拟空间是否存在这样的关联效应和非平稳性呢？本文以百度搜索指数为数据来源，构建旅游关注指数，建立旅游关注网络，探讨旅游关注这一虚拟网络在省域尺度的格局特征，并基于线状要素空间相互作用局部模型来分析影响因素的空间异质性。研究结论如下：
　　（1）旅游关注网络格局存在明显的空间差异，东部地区、中部地区具有较高的区内关注度，东部地区对中、西部地区的关注度也较高，西部地区更容易受到中、东部地区的旅游关注。网络整体均衡性较差，但区内关注网络的均衡性要好于跨区关注的均衡性。高关注度省份集聚分布于东部沿海地区，而被关注度的离散分布特征更为明显。
　　（2）线状要素空间相互作用局部分析模型能够很好地处理旅游关注的局部空间关系，拟合结果优于全局模型，各个系数估算值均呈现出正态分布特征。被关注省份景区数量和客源地GDP对旅游关注具有正向促进作用，但GDP影响要普遍强于景区影响。关注地和被关注地之间的距离对旅游关注具有抑制作用，距离越远，关注指数越低。
　　（3）研究从局部的视角阐述了旅游关注与解释变量之间相互关系。景区数量、经济水平和距离对关注的影响存在异质性。景区影响较高的关注主要发生在短距离之内，而长距离关注的景区影响普遍较低。西部省份对东部省份的长距离关注更易受到经济发展水平的影响，而短距离旅游关注受到经济发展水平的影响较低。客源地经济较好省份的旅游关注受到距离的影响较小，经济欠发达地区旅游关注受到距离的影响较大。
　　（4）在旅游关注这一虚拟空间中，距离效应    依然存在。省域间旅游关注的距离影响系数大多在-1.0～0之间，均值为-0.516，数值明显小于现实空间中的距离影响系数，距离效应强度弱于现实空间。 　　本研究尚存在一些局限，如只利用1年數据来研究旅游关注，无法从时间维度探讨旅游关注及其变量影响作用的变化，对其规律性把握存在一定困难;研究粒度建立在省域单元，空间面积较大，且将省域间距离测算设定在省会之间，这对距离效应分析会存在一定误差;在空间权重设定上，只考虑了旅游关注间绝对欧式空间距离，而忽视了快捷交通体系及其地形地貌的潜在影响;在影响因素的选择及其影响因素表征指标设定上需要进一步地完善，如运用综合评价获取景点分值来表征吸引力;在关键词的搜索上，仅用省市名+旅游、省市名+景点进行搜索，可能会影响到搜索的精度。尽管如此，现有数据仍然能够支撑旅游关注网络化格局和局部模型分析，并得到了一些新的有意义的结论，为有效解释旅游关注及其与相关要素的空间关系提供了崭新视角。在未来的研究中，基于相对距离的长时段、小尺度的综合过程分析将成为进一步深化方向，并将关注数据和现实流动数据进行交互验证分析，从而更深入地揭示游客在现实和虚拟空间的旅游行为。
　　总之，网络关注是旅游虚拟空间分析的一个重要组成部分，是旅游相关影响要素在网络空间的真实表达，为深入理解虚拟空间中的旅游行为提供了潜在的可能。基于地理信息系统的空间分析，特别是空间统计，提供了一套强有力的工具，能够在考虑空间依赖性和空间异质性的基础上来研究旅游空间相互作用。同时，线状要素空间相互作用局部分析模型在捕获网络（流动）空间非平稳能力方面具有显著的优势，为理解旅游关注网络乃至其他类型网络（流动）的形成机制提供了一种新的可行的空间分析方法和建模思路。
　　参考文献（References）
　　[1] 周其楼， 张捷. 物联网时代信息地理研究的思考[J]. 地理研究， 2013， 32（8）： 1508-1516. [ZHOU Qilou， ZHANG Jie. Prospect on information geography in the era of Internet of things[J]. Geographical Research， 2013， 32（8）： 1508-1516.]
　　[2] 刘卫东. 论我国互联网的发展及其潜在空间影响[J]. 地理研究， 2002， 21（3）： 347-356. [LIU Weidong. Development of the Internet in China： Spatial characteristics and implications[J]. Geographical Research， 2002， 21（3）： 347-356.]
　　[3] 张捷， 顾朝林， 都金康， 等. 计算机网络信息空间（Cyberspace）的人文地理学研究进展与展望[J]. 地理科学， 2004， 20（4）： 368- 373. [ZHANG Jie， GU Chaolin， DU Jinkang， et al. Geographical approach to Cyberspace — Review and prospect[J]. Scientia Geographica Sinica， 2004， 20（4）： 368-373.]
　　[4] H. 巴凯斯， 路紫. 从地理空间到地理网络空间的变化趋势： 兼论西方学者关于电信对地区影响的研究[J]. 地理学报， 2000， 55（1）： 104-111. [BAKIS H， LU Zi. The change from the geographical space to geocyberspace： Review on the western scholars on regional effects by telecommunication[J]. Acta Geographica Sinica， 2000， 55（1）： 104-111.]
　　[5] 沈丽珍， 张敏， 甄峰. 信息技术影响下的空间观及其研究进展[J]. 人文地理， 2010， 25（2）： 20-23. [SHEN Lizhen， ZHANG Min， ZHEN Feng. An overview of space and the development of its research with the influence of information technology[J]. Human Geography， 2010， 25（2）： 20-23.]
　　[6] MALECKI E J. The economic geography of the Internet’s infrastructure[J]. Economic Geography， 2002， 78（4）： 399-424.
　　[7] BARNETT G A， PARK H W. Examining the international internet using multiple measures： new methods for measuring the communication base of globalized cyberspace[J]. Quality & Quantity， 2014， 48（1）： 563-575.
　　[8] ZHEN F， WANG B， WEI Z. The rise of the internet city in China： Production and consumption of internet information[J]. Urban Studies， 2015， 52（13）： 2313-2329.
　　[9] KELLERMAN A. Image spaces and the geography of Internet screen-space[J]. GeoJournal， 2016， 81（4）： 503-517. 　　[10] 汪明峰， 宁越敏. 互联网与中国信息网络城市的崛起[J]. 地理学报， 2004， 59（3）： 446-454. [WANG Mingfeng， NING Yuemin. The Internet and the rise of information network cities in China[J]. Acta Geographica Sinica， 2004， 59（3）： 446-454.]
　　[11] 王波， 甄峰. 互联网下的我国城市等级体系及其作用机制——基于百度搜索的实证分析[J]. 经济地理， 2016， 36（1）： 46-52. [WANG Bo， ZHEN Feng. China’s city hierarchy under Internet and its influencing mechanism： An empirical analysis based on Baidu search[J]. Economic Geography， 2016， 36（1）： 46-52.]
　　[12] 甄峰， 王波， 陈映雪. 基于网络社会空间的中国城市网络特征——以新浪微博为例[J]. 地理学报， 2012， 67（8）： 1031-1043. [ZHEN Feng， WANG Bo， CHEN Yinxue. China’s city network characteristics based on social network space： an empirical analysis of Sina micro-blog[J]. Acta Geographica Sinica， 2012， 67（8）： 1031-1043.]
　　[13] YANG Y， FIK T. Spatial effects in regional tourism growth[J]. Annals of Tourism Research， 2014， 46（5）： 144-162.
　　[14] 路紫， 赵亚红， 吴士锋， 等. 旅游网站访问者行为的时间分布及导引分析[J]. 地理学报， 2007， 62（6）： 621-630. [LU Zi， ZHAO Yahong， WU Shifeng， et al. The time distribution and guide analysis of visiting behavior of tourism website users[J]. Acta Geographica Sinica， 2007， 62（6）： 621-630.]
　　[15] XIANG Z， WANG D， O’Leary J T， et al. Adapting to the internet： trends in travelers’ use of the web for trip planning[J]. Journal of Travel Research， 2015， 54（4）： 511-527.
　　[16] XIANG Z， MAGNINI V P， FESENMAIER D R. Information technology and consumer behavior in travel and tourism： Insights from travel planning using the Internet[J]. Journal of Retailing and Consumer Services， 2015， 22： 244-249.
　　[17] 靳诚， 徐菁， 黄震方， 等. 南京城市内部景点间游客流动特征分析[J]. 地理学报， 2014， 69（12）： 1858-1870. [JIN Cheng， XU Jing， HUANG Zhenfang， et al. Analyzing the characteristics of tourist flows between the scenic spots in inner city based on tourism strategies： A case study in Nanjing[J]. Acta Geographica Sinica， 2014， 69（12）： 1858-1870.]
　　[18] LIU Y， SUI Z， KANG C， et al. Uncovering patterns of inter-urban trip and spatial interaction from social media check-in data[J]. PlosOne， 2014， 9（1）： e86026.
　　[19] TSENG C， WU B， MORRISON A， et al. Travel blogs on China as a destination image formation agent： A qualitative analysis using Leximancer[J]. Tourism Management， 2015， 46： 347-358.
　　[20] ZHOU X， XU C， KIMMONS B. Detecting tourism destinations using scalable geospatial analysis based on cloud computing platform[J]. Computers， Environment and Urban Systems， 2015， 54： 144-153.
　　[21] 李山， 邱荣旭， 陳玲. 基于百度指数的旅游景区络空间关注度： 时间分布及其前兆效应[J]. 地理与地理信息科学， 2008， 24（6）： 102- 107. [LI Shan， QIU Rongxu， CHEN Ling. Cyberspace attention of tourist attractions based on Baidu index： Temporal distribution and precursor effect[J]. Geography and Geo-information Science， 2008， 24（6）： 102-107.] 　　[22] 张晓梅， 程绍文， 刘晓蕾， 等. 古城旅游地网络关注度时空特征及其影响因素——以平遥古城为例[J]. 经济地理， 2016， 36（7）： 196- 202. [ZHANG Xiaomei， CHEN Shaowen， LIU Xiaolei， et al. Spatial-temporal characteristics and influencing factors of network attention to ancient city destination： A case of Pingyao[J]. Economic Geography， 2016， 36（7）： 196- 202.]
　　[23] 王硕， 曾克峰， 童洁， 等. 黄金周风景名胜区旅游客流量与网络关注度相关性分析——以庐山、华山、八达岭长城风景名胜区为例[J]. 经济地理， 2013， 33（11）： 182-186. [WANG Shuo， ZENG Kefeng， TONG Jie， et al. A correlative analysis of the relationship between tourists and tourist network attention for scenic spots in special session[J]. Economic Geography， 2013， 33（11）： 182-186.]
　　[24] 王守成， 郭风华， 傅学庆， 等. 基于自发地理信息的旅游地景观关注度研究——以九寨沟为例[J]. 旅游学刊， 2014， 29（2）： 84-92. [WANG Shoucheng， GUO Fenghua， FU Xueqing， et al. A study of the spatial patterns of tourist sightseeing based on volunteered geographic information： The case of the Jiuzhai Valley[J]. Tourism Tribune， 2014， 29（2）： 84-92.]
　　[25] 梁保爾， 潘植强. 基于旅游数字足迹的目的地关注度与共现效应研究——以上海历史街区为例[J]. 旅游学刊， 2015， 30（7）： 80-90. [LIANG Baoer， PAN Zhiqiang. An analysis of scenic areas preference and the co-occurrence phenomenon based on online information： A case of Shanghai historic district[J]. Tourism Tribune， 2015， 30（7）： 80-90.]
　　[26] 马丽君， 龙云. 基于网络关注度的湖南省居民旅游需求时空特征[J]. 经济地理， 2017， 37（2）： 201-208. [MA Lijun， LONG Yun. Spatiotemporal characteristics of residents tourism demand for typical scenic spots in Hunan province based on network attention[J]. Economic Geography， 2017， 37（2）： 201-208.]
　　[27] 静恩明， 郭风华， 李仁杰， 等. 基于新浪旅游博客的河北省A级景区网络关注度研究[J]. 地理与地理信息科学， 2015， 31（3）： 118-122. [JING Enming， GUO Fenghua， LI Renjie， et al. Analysis of scenic network attention-degree of A-grade tourist attractions in Hebei province： Base on Sina travel blogs[J]. Geography and Geo-information Science， 2015， 31（3）： 118-122.]
　　[28] 王琨， 郭风华， 李仁杰， 等. 基于Tripadvisor的中国旅游地国际关注度及空间格局[J]. 地理科学进展， 2014， 33（11）： 1462-1473. [WANG Kun， GUO Fengha， LI Renjie， et al. Tourism attention degree about China from overseas and its spatial patterns based on Tripadvisor[J]. Progress in Geography， 2014， 33（11）： 1462-1473.]
　　[29] 马莉， 刘培学， 张建新， 等. 景区旅游流与网络关注度的区域时空分异研究[J]. 地理与地理信息科学， 2018， 34（2）： 87-93. [MA Li， LIU Peixue， ZHANG Jianxin， et al. Research on spatial and temporal difference between tourist flow and web search behavior in scenic spots[J]. Geography and Geo-information Science， 2018， 34（2）： 87-93.]
　　[30] 孙烨， 张宏磊， 刘培学， 等. 基于旅游者网络关注度的旅游景区日游客量预测研究——以不同客户端百度指数为例[J]. 人文地理， 2017， 32（3）： 152-160. [SUN Ye， ZHANG Honglei， LIU Peixue， et al. Forecast of tourism flow volume of tourist attraction based on degree of tourist attention of travel network： A case study of Baidu index of different clients[J]. Human Geography， 2017， 32（3）： 152-160.] 　　[31] LI X， PAN B， LAW R， et al. Forecasting tourism demand with composite search index[J]. Tourism Management， 2017， 59： 57-66.
　　[32] BANGWAYO-SKEETE P F， SKEETE R W. Can Google data improve the forecasting performance of tourist arrivals？ Mixed-data sampling approach[J]. Tourism Management， 2015， 46： 454-464.
　　[33] HUANG X， ZHANG L， DING Y. The Baidu Index： Uses in predicting tourism flows： A case study of the Forbidden City[J]. Tourism Management， 2017， 58： 301-306.
　　[34] JANI D， JANG J H， HWANG Y H. Big five factors of personality and tourists’ Internet search behavior[J]. Asia Pacific Journal of Tourism Research， 2014， 19（5）： 600-615.
　　[35] 马丽君， 孙根年， 杨睿， 等. 城市气候舒适度与游客网络关注度时空相关分析[J]. 地理科学进展， 2011， 30（6）： 753-759. [MA Lijun， SUN Gennian， YANG Rui， et al. A correlative analysis of the spatial and temporal relationship between climate comfort degree and tourist network attention for typical cities[J]. Progress in Geography， 2011， 30（6）： 753-759.]
　　[36] JIA F， CHENG X， DUAN Z. Analyzing the activity areas of non-resident tourists of Shanghai Expo using cellular phone data[J]. Procedia-Social and Behavioral Sciences， 2013， 96： 1136-1145.
　　[37] 鄒永广， 林炜铃， 郑向敏. 旅游安全网络关注度时空特征及其影响因素[J]. 旅游学刊， 2015， 30（2）： 101-109. [ZOU Yongguang， LIN Weiling， ZHENG Xiangmin. Spatial-temporal characteristics and influential factors of network attention to tourism security[J]. Tourism Tribune， 2015， 30（2）： 101-109.]
　　[38] 马丽君， 孙根年， 黄芸玛， 等. 城市国内客流量与游客网络关注度时空相关分析[J]. 经济地理， 2011， 31（4）： 680-685. [MA Lijun， SUN Gennian， HUANG Yunma， et al. A correlative analysis on the relationship between domestic tourists and network attention[J]. Economic Geography， 2011， 31（4）： 680-685.]
　　[39] BATTY M. The New Science of Cities[M]. Cambridge， MA： MIT Press， 2013： 1-10.
　　[40] TOBLER W. A computer movie simulating urban growth in the Detroit region[J]. Economic Geography， 1970， 46： 234-240.
　　[41] YAO J， FOTHERINGHAM A S. Local spatiotemporal modeling of house prices： A mixed model approach[J]. The Professional Geographer， 2016， 68（2）： 189-201
　　[42] FOTHERINGHAM A S， BRUNSDON C， CHARLTON M. Geographically Weighted Regression： The Analysis of Spatially Varying Relationships[M]. Chichester， UK： Wiley， 2002： 23-40.
　　[43] AKAIKE H. A new look at the statistical model identification[J]. IEEE Transactions on Automatic Control， 1974， 19 （6）： 716-723.
　　[44] XIAO Y， WANG F， LIU Y， et al. Reconstructing gravitational attractions of major cities in China from air passenger flow data， 2001—2008： A particle swarm optimization approach[J]. The Professional Geographer， 2013， 65（2）： 265-282，
　　[45] LIU Y， KANG C， GAO S， et al. Understanding intra-urban trip patterns from taxi trajectory data[J]. Journal of Geographical Systems， 2012， 14（4）： 463-483.
　　[46] LU Y， LIU Y. Pervasive location acquisition technologies： Opportunities and challenges for geospatial studies[J]. Computers， Environment and Urban Systems， 2012， 36（2）： 105-108.
转载注明来源:https://www.xzbu.com/7/view-15273218.htm