An Analysis of the Structural Characteristics of the Tourism Contact Network in Cities of Guangdong Province and Their Causes
-
摘要: 为有效促进广东省区域旅游协调发展,以2012—2018年百度指数中的网络关注度为依据,利用社会网络分析方法探讨广东省市域旅游联系的网络结构特征,并分析其形成机制. 研究结果表明:(1)广东省市域旅游联系网络密度不断增大,网络集中度不断下降,网络向均衡化方向发展. (2)广东省四大区域旅游网络联系派系结构不明显,“俱乐部”效应不显著,但在空间上呈现较为明显的“核心—边缘”结构特点;珠三角地市,特别是广州、深圳市,一直处于核心区,点度中心度高,为多维尺度(MDS)图中的第一梯队,东莞、佛山、惠州、珠海市为第二梯队,其余地市为第三梯队. (3)影响广东省市域旅游网络联系强弱的因素主要有时间距离、空间近邻效应、经济发展水平及旅游资源.Abstract: To effectively promote the coordinated development of regional tourism in Guangdong Province, the internet attention degree of Baidu index from 2012 to 2018 and the social network analysis method are used to study the structural characteristics of tourism contact network in cities of Guangdong Province and the mechanism for their formation. The following results are obtained. First, the density of the tourism contact network has been increasing, the concentration of the network has been declining and the network develops in the direction of equalization. Second, the factional structure of tourism networks of four regions of Guangdong Province is not obvious. Nor is the "club" effect. But the "core-edge" structure are relatively obvious. The cities in the Pearl River Delta, especially Guangzhou and Shenzhen, have always been in the core area with a high point center degree, belonging to the first echelon in the MDS chart. The cities such as Dongguan, Foshan, Huizhou and Zhuhai are in the second echelon, and the rest of the cities fall into the third echelon. Third, the main factors affecting the strength of the tourism network in Guangdong Province are time, distance, spatial neighbor effect, economic development and tourism resources.
-
Keywords:
- urban tourism /
- network structure /
- formation mechanism /
- social network /
- Guangdong Province
-
旅游联系网络研究对区域旅游协调发展具有重要意义,探索区域旅游如何实现网络一体化发展,对于促进区域旅游资源的整合、开发成本的降低及旅游要素的优化配置都具有积极作用,有利于区域旅游业的健康、可持续发展.
学者们在旅游联系网络结构方面的研究取得了较为丰富的成果. 国外学者对于旅游空间网络结构的研究主要以旅游流为研究对象,对其网络特征、时空特征、表现模式、管理和影响评价等进行了深入分析[1-4];同时,基于旅游流现象,通过社会网络分析(SNA)、GIS等方法,对旅游目的地的体系演化、旅游利益相关者的结构特征和旅游结构的纵向变化等方面进行了研究[5-8]. 国内学者对旅游空间网络结构的研究主要表现为:第一,旅游联系强弱指标选择方面,主要通过引力模型[9-12]或修正后的引力模型[13-14]来描述区域间旅游联系的强弱,并结合社会网络分析方法对旅游联系的网络结构特征进行分析;第二,研究对象方面,以全国范围为主[15-20],同时涉及中部地区[11]、长三角区域[21]、江淮地区[22]、东北地区[23]、环太湖地区[10]以及黑龙江[12]、江苏[24]等具体省份,同时,有学者基于百度指数,利用社会网络分析方法对具体的旅游目的地进行了分析[25];第三,研究内容方面,主要通过社会网络分析功能,如网络密度、网络中心度、网络中心势、结构洞、块模型、凝聚子群、核心—边缘结构和对等性分析等,对旅游网络结构的特征进行分析[9-25]. 随着我国社会经济的快速发展以及网络普及率的不断提高,互联网在人们出行过程中扮演的作用越来越大,游客的网络关注行为与其旅游行为存在明显的关系. 已有研究表明,网络关注度是一种潜在的旅游流[26],与游客流量存在长期协整关系,并在时空上相呼应[27-29],是游客流量的前兆[30],可较好反映区域间旅游联系的强弱,为旅游流的预测提供理论指导.
综上可知,目前对于旅游联系网络的研究集中在利用引力模型或修正后的引力模型构建相关旅游联系网络,进而利用社会网络分析方法对旅游网络结构特征进行分析,对特征背后的形成机制进行研究的文献较少[14, 24],且鲜有以网络关注度作为区域旅游联系强弱的指标;在区域方面,广东省的旅游网络联系研究基本上是空白. 鉴于此,本文基于百度指数中的网络关注度,构建市域旅游网络联系关系矩阵,从新的视角来探讨广东省的市域旅游联系网络结构特征,并利用QAP回归分析来探讨其形成机理,以期为广东省旅游业的发展提供理论与实践参考.
1. 研究区域、数据来源与处理及研究方法
1.1 研究区域
广东省位于南岭以南、南海之滨,在人文历史、自然条件和地理区位等方面拥有众多优质旅游资源. 全省共有15个国家5A级旅游景区(位居全国第三)、13个全国红色旅游经典景区、10个国家4A级以上红色旅游景区;五星级饭店总数(102家)和星级饭店总数(637家)均位居全国第一;拥有岭南第一山“罗浮山”、世界自然遗产丹霞地貌命名地“丹霞山”、北回归线上的绿洲“鼎湖山”等名山名岳;毗邻港澳,过境游客资源丰富. 广东省旅游产业呈现体系健全、业态丰富、动能强大的格局,全省旅游总收入从2015年的9 081亿元增长至2019年的15 158亿元;接待过夜游客从2015年的3.62亿人次增长至2019年的5.31亿人次[31].
1.2 数据来源与处理
1.2.1 旅游联系网络数据
百度指数以百度搜索引擎为数据平台,可以为用户提供以“网页搜索”和“新闻搜索”为基础的大数据分析服务,其能够反映不同关键词在过去一段时间内的“网络关注度”情况. 本文采用百度指数中广东省21个地市相互间的网络关注度作为衡量其旅游联系强弱的指标,以广东省21个地市如“广州、深圳、东莞”等为关键词,获取2012、2015、2018年广东省21个地市的日平均搜索量,将其作为基础数据,形成3个21*21旅游网络联系矩阵,利用UCINET软件对3个旅游网络联系矩阵进行对称化(求和形式)及二值化处理(临界值为180);基于3个对称化矩阵及3个二值化矩阵来探讨广东省市域旅游联系网络结构特征及其形成机制.
1.2.2 QAP回归分析数据
QAP回归分析中,经济发展水平差异矩阵数据来自广东省统计年鉴及各地市国民经济与社会发展统计公报;空间距离矩阵数据来自百度地图;时间距离矩阵数据来自“中国铁路12306”(http://www.12306.cn)及百度地图(各种交通方式的时速设定为:普通火车100 km/h,高速公路100 km/h,国道80 km/h);空间近邻效应矩阵根据各个地市相邻与否进行设定,相邻设为1,反之设为0;旅游资源丰度差异矩阵数据来自广东省A级景区统计名录.
1.3 研究方法
社会网络分析(SNA)[32]是一种描述网络整体形态、特性和结构的分析方法,基于“关系”视角来研究相关结构问题是其核心思想. 本文主要利用社会网络分析方法来探讨广东省市域旅游关联结构的网络密度、网络中心势、中心性、E-I派系结构和核心-边缘结构等特征,并用QAP回归分析方法探讨其形成机制.
1.3.1 网络密度
网络密度是网络中实际存在的边数与可容纳的边数上限的比值,主要描述节点间网络联系的强弱程度[33]:
D=k∑i=1k∑j=1rij/k(k−1), (1) 其中:D为网络密度,D值越大,表示地市间旅游联系越强;rij为广东省地市i与其他地市间的有效联系数量;k为节点数(本文k=21).
1.3.2 网络中心势
本文利用网络中心势(CAD)来描述广东省21个地市旅游联系的不对称、不均衡性情况,CAD越接近于1,说明广东省地市旅游网络联系越向某个市域集中,网络集中性越强,其计算公式为:
CAD=n∑i=1(CADmax−CADi)/max[n∑i=1(CADmax−CADi)], (2) 其中:CADmax是网络中所有节点绝对中心度的最大值,CADi为节点i的绝对中心度.
1.3.3 中心性
中心性是社会网络分析的重点内容之一,本文使用点度中心度及多维尺度分析来描述各节点在网络中的地位.
(1) 点度中心度. 点度中心度是用来描述节点间网络联系水平的指标,其表达式为:
CD(i)=n∑j=1rij, (3) 其中:CD(i)为节点i的点度中心度,n为与地市i发生联系的其他地市的个数,rij为地市i与其他地市之间的有效联系数量.
(2) 多维尺度分析. 多维尺度(MDS)分析是以空间分布的形式来表现对象之间相关性的一种多元统计分析方法. 其分析的结果主要体现在MDS图中,MDS图的中心点为网络中心位置,越接近这个中心点,在网络中的相对地位越高[32, 34].
1.3.4 E-I派系结构
网络中派系结构可分为派别间和派别内2种,E-I指数能较好地描述派系结构关系:
E−I=(EL−IL)/(EL+IL), 其中:EL为子群之间的关系数,IL为子群内部的关系数. UCINET软件计算出来的E-I指数的取值范围为[-1, +1],该值越接近于1,表明派系林立的程度越小,子群越开放;该值越接近于-1,表明派系林立的程度越大,子群越封闭;值为0则表示子群内外关系差不多,网络呈随机分布状态[32-33].
1.3.5 核心—边缘结构
核心—边缘结构可以较好地区分网络联系中的核心区和边缘区,核心区节点间的联系较为紧密,在网络结构中处于优势地位;边缘区节点间的联系相对较弱,在网络结构中处于弱势地位[33-34].
1.3.6 QAP回归分析
由于本文选取的变量均为关系数据,自变量间存在多重共线性的概率较大,传统回归分析方法会使相关参数的理论意义与实际情况不一致. 而QAP是一种非参数估计方法,主要用来研究多个矩阵与1个矩阵之间的回归关系,自变量间是否相关对回归分析不产生影响,从而有效避免了多重共线性问题. 综上,本文选用QAP回归分析方法来探讨广东省市域旅游网络联系强度与其影响因素的关系.
2. 广东省市域旅游网络联系实证分析
2.1 网络结构特征分析
2.1.1 网络密度和网络中心势分析
由2012、2015、2018年广东省各地市的旅游网络联系(表 1)可知:广东省市域旅游联系强度不断增强,网络集中度不断下降,市域旅游均衡发展趋势较为明显;2015年之后,各地市之间的旅游联系和交流迅速得到加强,网络中心势急剧下降,旅游网络联系向某个或几个地市集中的空间格局被打破,网络核心节点迅速扩散且保持稳定状态,网络联系呈现出多样化、均衡化的特征.
表 1 2012、2015、2018年广东省旅游网络密度及网络中心势Table 1. The density and concentration of tourism network of Guangdong Province in 2012, 2015 and 2018% 年份 网络密度 网络中心势 2012 25.71 78.0 2015 79.05 22.0 2018 87.14 13.5 2.1.2 中心性分析
(1) 点度中心度分析. 2012、2015、2018年3个时间节点下广东省各地市在旅游网络联系中的点度中心度(图 1)表明:广东省各地市的点度中心度均呈增长态势,与其他地市的旅游联系和交流不断加强;与2012年相比,2015年的变幅明显增大,之后保持均衡状态,与2.1.1的结论一致;珠三角地区的广州、深圳、东莞、珠海、佛山、惠州、中山等地市的点度中心度一直处于前列.
(2) MDS分析. 根据MDS分析原理,利用UCINET软件绘制出2012、2015、2018年广东省各地市在旅游网络联系MDS图中的相对位置(图 2),由图可知广东省21个地市基本上可划分为3个梯队:第一梯队为广州、深圳市,位于核心圈,处于绝对核心位置,与中心点(0, 0)的位置最近,且明显小于其他地市,在广东省旅游联系网络中拥有相当高的地位:广州市为广东省省会,是全省政治、经济、文化及交通中心,与其他地市的旅游联系非常密切;深圳市作为经济特区,发展速度相当之快,与北京、上海、广州市一起,领跑全国其他区域,与广东省其他地市的联系也非常密切. 第二梯队为珠海、惠州、佛山、东莞市,位于核心圈的外围,与其他地市联系相对较为密切. 第三梯队是广东省其他地市,这些地市处于MDS图中的外缘且多为东翼、西翼及山区欠发达地市,与其他地市间的旅游联系相对较弱.
2.1.3 E-I派系结构
利用E-I派系结构模型探讨广东省四大区域(珠三角、东翼、西翼及山区)地市间及区域内部地市间的旅游联系. 进行E-I派系结构分析,除关系矩阵外,还需要建立相关属性矩阵:根据广东省统计年鉴区域划分方法,将珠三角9个地市(广州、深圳、东莞、惠州、珠海、江门、中山、佛山、肇庆市)的属性值设为1,山区5个地市(云浮、清远、韶关、河源、梅州市)的属性值设为2,东翼4个地市(汕尾、汕头、揭阳、潮州市)的属性值设为3,西翼3个地市(阳江、湛江、茂名市)的属性值设为4;根据E-I派系结构分析的基本原理,利用UCINET软件得到2012、2015、2018年广东省市域旅游网络联系的E-I指数(分别为0.000、0.446及0.476)及网络联系密度矩阵(表 2),通过表 2得到网络联系像矩阵(表 3),即将表 2中大于整体网络密度的赋值为1、小于整体网络密度的赋值为0所得到的新矩阵.
表 2 广东省市域旅游网络联系密度矩阵(2012、2015、2018年)Table 2. The density matrix of urban tourism network links in Guangdong Province in 2012, 2015 and 2018区域 2012 2015 2018 珠三角 山区 东翼 西翼 珠三角 山区 东翼 西翼 珠三角 山区 东翼 西翼 珠三角 0.694 0.267 0.222 0.259 1.000 0.978 0.889 1.000 1.000 1.000 0.972 1.000 山区 0.267 0.000 0.000 0.000 0.978 0.200 0.350 0.400 1.000 0.400 0.500 0.667 东翼 0.000 0.000 0.333 0.000 0.889 0.350 0.833 0.333 0.972 0.500 1.000 0.583 西翼 0.259 0.000 0.000 0.000 1.000 0.400 0.333 1.000 1.000 0.667 0.583 1.000 表 3 广东省市域旅游网络联系像矩阵(2012、2015、2018年)Table 3. The image matrix of urban tourism network links in Guangdong Province in 2012, 2015 and 2018区域 2012 2015 2018 珠三角 山区 东翼 西翼 珠三角 山区 东翼 西翼 珠三角 山区 东翼 西翼 珠三角 1 1 0 1 1 1 1 1 1 1 1 1 山区 1 0 0 0 1 0 0 0 1 0 0 0 东翼 0 0 1 0 1 0 1 0 1 0 1 0 西翼 1 0 0 0 1 0 0 1 1 0 0 1 由E-I指数、表 2和表 3可知:(1)广东省四大区域间并不存在明显的派系结构,“俱乐部效应”不显著. 2012年的E-I指数为0.000,外部关联数与内部关联数一致,网络结构呈随机分布;2015、2018年的E-I指数较大,外部关联数明显多于内部关联数,基本不存在派系结构问题. (2)珠三角为四大区域之核心,其他区域处于边缘. 3个时间节点下,珠三角地市之间的旅游联系较强且明显大于整体网络密度值,其与其他区域地市间的旅游联系(2012年,东翼除外)也较强且大于整体网络密度值;其他区域内部地市间及区域间地市的旅游网络联系相对较弱.
2.1.4 核心—边缘结构
根据以上分析可知,珠三角区域在整个网络中处于核心地位,其内部地市之间的旅游联系较多,且与山区、东翼及西翼间的旅游联系亦较多,山区、东翼及西翼则处于边缘地位. 采用核心—边缘结构模型进一步探讨广东省各地市在旅游网络结构中的核心—边缘关系. 由表 4可知:3个时间节点的拟合值大,说明模型的拟合效果好;受特殊的区位因素及优惠政策的影响,广州市和深圳市一直处于网络结构的核心区,其余地市处于边缘区,与2.1.2中MDS分析结果基本一致;随着旅游网络联系的不断增强,各地市特别是东莞、佛山、珠海、惠州市在网络结构中的地位不断提高,与其他地市之间的旅游联系与交流也不断得到加强,网络中心势不断下降.
表 4 核心区地市与边缘区地市分布情况(2012、2015、2018年)Table 4. The distribution of cities in the core district and the fringe district in 2012, 2015 and 2018分区 2012 2015 2018 核心区 广州、深圳 广州、深圳 广州、深圳 边缘区 东莞、云浮、佛山、湛江、江门、惠州、珠海、茂名、揭阳、中山、肇庆、汕头、云浮、潮州、清远、河源、汕尾 东莞、云浮、佛山、湛江、江门、惠州、珠海、茂名、揭阳、中山、肇庆、汕头、云浮、潮州、清远、河源、汕尾 东莞、云浮、佛山、湛江、江门、惠州、珠海、茂名、揭阳、中山、肇庆、汕头、云浮、潮州、清远、河源、汕尾 模型拟合值 0.895 0.894 0.826 2.2 旅游联系网络结构成因分析
2.2.1 机理分析
市域旅游联系网络结构的形成和演变是市域间旅游相互作用力在地理空间上的客观反映,受多种动力机制的影响和制约. 地理事物具有“距离衰减”的空间属性,游客是否出游、出游的目的地等深受空间距离远近及市域间是否相邻的影响,区域相邻、位置相近则一定程度上可以缩短出发地与旅游目的地之间的“时空距离”,增加旅游者在目的地游玩的时间,有利于市域间旅游联系和交流. 同样,交通条件对旅游者出游决策产生重要影响. 交通是联系旅游出发地和目的地的桥梁和纽带,随着现代化交通运输网络特别是高速公路及高速铁路(动车)的不断完善,市域间的时空距离大大缩小,由“空间邻近”和“距离衰减”所形成的旅游联系网络结构发生相应变形,旅游联系的网络新格局不断形成. 经济发展水平反映了一个区域经济发展的状态和潜力,同时一定程度上反映了一个区域的社会生活状况、人文状况. 旅游资源是吸引旅游者出游的重要影响因素,不同市域间旅游资源的异质性一定程度上可由其旅游资源丰度所决定. 市域经济发展水平和旅游资源的异质性很大程度上能够满足旅游者的“猎奇”心理和动机,从而加强市域间的旅游联系.
2.2.2 回归分析
基于以上分析并参考已有研究[14, 19, 24],根据数据的可获取性、可操作性及针对性等原则,本文选取2015、2018年度广东省市域旅游网络联系矩阵为因变量矩阵,选取时间距离矩阵(广东省21个地市间行政中心之间最短的通行时间)、空间距离矩阵(广东省21个地市行政中心间的空间直线距离,通过百度地图获取)、空间邻近效应矩阵(广东省21个地市间如在空间上相邻,则空间近邻效应设为1,反之设为0)、经济发展水平差异矩阵(广东省21个地市的人均GDP差异矩阵)、旅游资源丰度差异矩阵(以广东省21个地市的3A级及以上景区作为研究对象,5A级景区赋值为100,4A级景区赋值为50,3A级景区赋值为25)为自变量矩阵进行回归分析.
由回归结果(表 5)可知:(1)模型拟合度高. 2015、2018年回归分析中的R2分别为0.439、0.376,调整后的R2分别为0.434、0.370,模型的拟合效果良好[14, 32],5个解释变量矩阵能够解释广东省市域旅游网络联系强度变异的43.4%和37.0%. (2)各解释变量对网络联系的影响差异较大. 第一,空间距离矩阵与市域旅游联系强度矩阵的回归系数为正,但在0.05的显著性水平下未能通过检验;时间距离对广东省市域旅游联系强度影响为负且显著,时间距离增加1%,则2015、2018年的市域旅游联系强度分别相应降低0.312 585%、0.357 486%. 以上说明广东省市域间现代交通运输方式(高铁、动车、城际交通等)的快速发展所产生的“时空压缩效应”使市域间的“时空距离”大大缩小,使得广东省市域旅游网络联系强度不断加强,各节点的点度中心度不断提高,网络不断向多元化方向发展,同时也是广东省旅游网络联系“俱乐部”效应不显著的重要原因. 人们在出行过程中,空间距离的远近对其影响并不显著,其更看重的是交通的“可进入性”及旅游出发地与目的地之间的“时间距离”,加快广东省各地市特别是珠三角地市与东翼、西翼及山区地市之间,东翼、西翼及山区地市之间,东翼、西翼及山区内部地市之间的快速化交通网络建设对于广东省国内旅游业的发展具有重要意义. 第二,空间近邻效应矩阵的标准化回归系数在2015、2018年均为正且在0.001的水平下通过显著性检验,表明广东省市域旅游网络联系存在非常显著的“空间近邻”效应,地理位置的相邻对旅游网络联系产生非常重要的影响,不同市域与其周边相邻市域间的旅游网络联系较强,“空间近邻”效应在一定程度上导致了广东省旅游网络联系向均衡化方向发展;在今后的旅游业发展过程中,各相邻市域更要充分合作,打破行政区域界线,共同打造相关旅游资源,共同设计旅游线路,形成区域旅游共同体. 第三,经济发展水平差异矩阵的回归系数在2015、2018年均为正且在0.01的水平下通过显著性检验,表明市域间经济发展水平的相似与否能够显著影响市域间旅游网络联系的强弱,经济发展水平差异越大,越能增强旅游者的“猎奇心理”,旅游者在区域间的流动性越强,旅游网络的关联性亦越高. 广州、深圳市经济发达,其发展水平远高于粤东、粤西及山区地市,加上特殊的区位优势(省会城市、经济特区),使得其与广东省其他地市之间的联系密切,处于MDS结构中的第一梯队,处于核心—边缘结构中的核心区,点度中心度高. 第四,旅游资源丰度差异矩阵的标准化回归系数为正且均在0.05的水平下通过显著性检验,表明广东省区域旅游资源丰度差异越大,市域之间的旅游相互吸引力越强,旅游者在两市域间出游的可能性亦越大,旅游网络联系亦越强,各市域要结合自身实际情况,打造具有区域特色的高质量的自然或人文旅游资源.
表 5 QAP回归分析结果Table 5. The result of QAP regression analysis变量 2015年标准化回归系数 2018年标准化回归系数 时间距离矩阵X1 -0.312 585* -0.357 486* 空间距离矩阵X2 0.158 985 0.144 977 空间近邻效应矩阵X3 0.286 792*** 0.245 815*** 经济发展水平差异矩阵X4 0.282 292** 0.189 893** 旅游资源丰度差异矩阵X5 0.348 219* 0.343 114* 模型拟合度R2 0.439***(0.434***) 0.376***(0.370***) 注:*、* *、* * *分别表示通过了0.05、0.01、0.001的显著性检验;括号内为调整后的R2. 3. 结论与讨论
本文基于百度指数中的网络关注度,利用社会网络分析方法探讨了2012年来广东省市域旅游联系网络结构的时空演化特征及形成机制. 主要结论如下:
(1) 广东省市域旅游联系网络密度不断增大,联系强度不断增强,网络集中度不断下降,网络向均衡化、多样化方向发展.
(2) 广东省四大区域旅游网络联系派系结构不明显,“俱乐部”效应不显著,但在空间上呈现较为明显的核心—边缘结构特点,珠三角地市间及其与东翼、西翼及山区地市间的旅游联系较强,东翼、西翼、山区地市之间及东翼、西翼、山区内部地市间的旅游联系相对较弱;珠三角地市特别是广州、深圳市一直处于核心区,点度中心度高,为MDS图中的第一梯队,东莞、佛山、惠州、珠海等地市为第二梯队,其余地市为第三梯队.
(3) 市域之间的时间距离对市域间旅游联系产生负向显著影响,市域间的空间距离对其旅游联系强弱的影响不显著,空间近邻效应、经济发展水平差异及旅游资源差异情况对广东省市域间旅游联系的强弱产生显著正向影响;各市域要根据影响因素制定符合自身旅游发展的相关策略.
影响旅游网络联系的因素很多,由于数据获取原因,本文只选取了5个指标矩阵,对其他影响因素(如网络普及率、政治因素等)的考虑有所欠缺;另外,本文将广东省21地市作为一个封闭区域,没有考虑部分地市特别是行政区边界地市的对外旅游联系,对分析结论有一定的影响. 这些问题有待下一步深入分析.
-
表 1 2012、2015、2018年广东省旅游网络密度及网络中心势
Table 1 The density and concentration of tourism network of Guangdong Province in 2012, 2015 and 2018
% 年份 网络密度 网络中心势 2012 25.71 78.0 2015 79.05 22.0 2018 87.14 13.5 表 2 广东省市域旅游网络联系密度矩阵(2012、2015、2018年)
Table 2 The density matrix of urban tourism network links in Guangdong Province in 2012, 2015 and 2018
区域 2012 2015 2018 珠三角 山区 东翼 西翼 珠三角 山区 东翼 西翼 珠三角 山区 东翼 西翼 珠三角 0.694 0.267 0.222 0.259 1.000 0.978 0.889 1.000 1.000 1.000 0.972 1.000 山区 0.267 0.000 0.000 0.000 0.978 0.200 0.350 0.400 1.000 0.400 0.500 0.667 东翼 0.000 0.000 0.333 0.000 0.889 0.350 0.833 0.333 0.972 0.500 1.000 0.583 西翼 0.259 0.000 0.000 0.000 1.000 0.400 0.333 1.000 1.000 0.667 0.583 1.000 表 3 广东省市域旅游网络联系像矩阵(2012、2015、2018年)
Table 3 The image matrix of urban tourism network links in Guangdong Province in 2012, 2015 and 2018
区域 2012 2015 2018 珠三角 山区 东翼 西翼 珠三角 山区 东翼 西翼 珠三角 山区 东翼 西翼 珠三角 1 1 0 1 1 1 1 1 1 1 1 1 山区 1 0 0 0 1 0 0 0 1 0 0 0 东翼 0 0 1 0 1 0 1 0 1 0 1 0 西翼 1 0 0 0 1 0 0 1 1 0 0 1 表 4 核心区地市与边缘区地市分布情况(2012、2015、2018年)
Table 4 The distribution of cities in the core district and the fringe district in 2012, 2015 and 2018
分区 2012 2015 2018 核心区 广州、深圳 广州、深圳 广州、深圳 边缘区 东莞、云浮、佛山、湛江、江门、惠州、珠海、茂名、揭阳、中山、肇庆、汕头、云浮、潮州、清远、河源、汕尾 东莞、云浮、佛山、湛江、江门、惠州、珠海、茂名、揭阳、中山、肇庆、汕头、云浮、潮州、清远、河源、汕尾 东莞、云浮、佛山、湛江、江门、惠州、珠海、茂名、揭阳、中山、肇庆、汕头、云浮、潮州、清远、河源、汕尾 模型拟合值 0.895 0.894 0.826 表 5 QAP回归分析结果
Table 5 The result of QAP regression analysis
变量 2015年标准化回归系数 2018年标准化回归系数 时间距离矩阵X1 -0.312 585* -0.357 486* 空间距离矩阵X2 0.158 985 0.144 977 空间近邻效应矩阵X3 0.286 792*** 0.245 815*** 经济发展水平差异矩阵X4 0.282 292** 0.189 893** 旅游资源丰度差异矩阵X5 0.348 219* 0.343 114* 模型拟合度R2 0.439***(0.434***) 0.376***(0.370***) 注:*、* *、* * *分别表示通过了0.05、0.01、0.001的显著性检验;括号内为调整后的R2. -
[1] MARROCU E, PACI R. Different tourists to different destinations: evidence from spatial interaction models[J]. Tourism Management, 2013, 39: 71-83. doi: 10.1016/j.tourman.2012.10.009
[2] GUNTER U, ÖNDER I. Forecasting international city tou-rism demand for Paris: accuracy of uni- and multivariate models employing monthly data[J]. Tourism Management, 2015, 46: 123-135. doi: 10.1016/j.tourman.2014.06.017
[3] SANGHOON K, GYEHEE L, JINWON K, et al. Identifying the spatial structure of the tourist attraction system in South Korea using GIS and network analysis: an application of anchor-point theory[J]. Journal of Destination Marketing & Management, 2018, 9: 358-370. http://www.sciencedirect.com/science/article/pii/S2212571X17304171
[4] MIGUÉNS J I L, MENDES J F F. Travel and tourism: into a complex network[J]. Physica A, 2008, 387(12): 2963-2971. doi: 10.1016/j.physa.2008.01.058
[5] SCOTT N, COOPER C, BAGGIO R. Destination networks: four Australian cases[J]. Annals of Tourism Research, 2008, 35(4): 169-188. http://www.sciencedirect.com/science/article/pii/s0160738307001028
[6] SAXENA G J. Relationships, networks and the learning regions: case evidence from the Peak District National Park[J]. Tourism Management, 2005, 26: 277-289. doi: 10.1016/j.tourman.2003.11.013
[7] ACAMPA G, GRASSO M, MARINO G, et al. Tourist flow management: social impact evaluation through social networks analysis[J]. Sustainability, 2020, 12(2): 1-16. http://www.researchgate.net/publication/338682507_Tourist_Flow_Management_Social_Impact_Evaluation_through_Social_Network_Analysis/download
[8] SEOK H, BARNETT G A, NAM Y. A social network analysis of international tourism flow[J]. Quality & Quantity: International Journal of Methodology, 2021, 55(2): 419-439. http://ideas.repec.org/a/spr/qualqt/v55y2021i2d10.1007_s11135-020-01011-8.html
[9] 王松茂, 徐宣国, 马江涛, 等. 新疆旅游经济网络特征的时空演变研究——基于修正的引力模型及社会网络分析[J]. 干旱区地理, 2020, 43(2): 458-465. https://www.cnki.com.cn/Article/CJFDTOTAL-GHDL202002020.htm WANG S M, XU X G, MA J T, et al. Spatial and temporal evolution of the tourism economy network in Xinjiang: based on modified gravity model and social network analysis[J]. Arid Land Geography, 2020, 43(2): 458-465. https://www.cnki.com.cn/Article/CJFDTOTAL-GHDL202002020.htm
[10] 张凯, 杨效忠, 张文静. 跨界旅游区旅游经济联系度及其网络特征——以环太湖地区为例[J]. 人文地理, 2013, 128(6): 126-132. https://www.cnki.com.cn/Article/CJFDTOTAL-RWDL201306021.htm ZHANG K, YANG X Z, ZHANG W J. Tourism economic affiliation degree network and its impacts factors of cross-border tourism region: a case study of Taihu-Lake area[J]. Human Geography, 2013, 128(6): 126-132. https://www.cnki.com.cn/Article/CJFDTOTAL-RWDL201306021.htm
[11] 刘春. 基于社会网络方法的中部地区城市群旅游空间结构研究[J]. 世界地理研究, 2015, 24(2): 167-176. doi: 10.3969/j.issn.1004-9479.2015.02.019 LIU C. Study on the spatial structure of tourism economy in middle area of China based on social network analysis[J]. World Regional Studies, 2015, 24(2): 167-176. doi: 10.3969/j.issn.1004-9479.2015.02.019
[12] 于洪雁, 李秋雨, 梅林. 社会网络视角下黑龙江省城市旅游经济联系的空间结构和空间发展模式研究[J]. 地理科学, 2015, 35(11): 1429-1436. https://www.cnki.com.cn/Article/CJFDTOTAL-DLKX201511012.htm YU H Y, LI Q Y, MEI L. Research on the spatial structure and spatial development patterns of urban tourism economic connections of Heilongjiang Province-focus on the perspective of social network[J]. Scientia Geographica Sinica, 2015, 35(11): 1429-1436. https://www.cnki.com.cn/Article/CJFDTOTAL-DLKX201511012.htm
[13] 邹永广. "一带一路"中国主要节点城市旅游的经济联系——空间结构与合作格局[J]. 经济管理, 2017, 39(5): 22-35. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGU201705003.htm ZOU Y G. Research on the spatial structure and space layout of tourism economic relationship between node ci-ties of China on the "One Belt and One Road"[J]. Economic Management, 2017, 39(5): 22-35. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGU201705003.htm
[14] 王俊, 夏杰长. 中国省域旅游经济空间网络结构及其影响因素研究——基于QAP方法的考察[J]. 旅游学刊, 2018, 33(9): 13-25. doi: 10.3969/j.issn.1002-5006.2018.09.007 WANG J, XIA J C. Study on the spatial network structure of the tourism economy in China and its influencing factors: investigation of QAP method[J]. Tourism Tribune, 2018, 33(9): 13-25. doi: 10.3969/j.issn.1002-5006.2018.09.007
[15] 刘法建, 张捷, 章锦河. 中国入境旅游流网络省级旅游地角色研究[J]. 地理研究, 2010, 29(6): 1141-1152. https://www.cnki.com.cn/Article/CJFDTOTAL-DLYJ201006017.htm LIU F J, ZHANG J, ZHANG J H. Roles and functions of provincial destinations in Chinese inbound tourist flow network[J]. Geographical Research, 2010, 29(6): 1141-1152. https://www.cnki.com.cn/Article/CJFDTOTAL-DLYJ201006017.htm
[16] 王俊, 徐金海, 夏杰长. 中国区域旅游经济空间关联结构及其效应研究——基于社会网络分析[J]. 旅游学刊, 2017, 32(7): 15-26. doi: 10.3969/j.issn.1002-5006.2017.07.007 WANG J, XU J H, XIA J C. Study on the spatial correlation structure of China's tourism economic and its effect: based on social network analysis[J]. Tourism Tribune, 2017, 32(7): 15-26. doi: 10.3969/j.issn.1002-5006.2017.07.007
[17] 马丽君, 龙云. 基于社会网络分析法的中国省际入境旅游经济增长空间关联性[J]. 地理科学, 2017, 37(11): 1705-1711. https://www.cnki.com.cn/Article/CJFDTOTAL-DLKX201711012.htm MA L J, LONG Y. The spatial correlation of economic growth of inbound tourism in China based on social network analysis[J]. Scientia Geographica Sinica, 2017, 37(11): 1705-1711. https://www.cnki.com.cn/Article/CJFDTOTAL-DLKX201711012.htm
[18] 陈超, 刘家明, 马海涛. 中国农民跨省旅游网络空间结构研究[J]. 地理学报, 2013, 68(4): 547-558. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB201304013.htm CHEN C, LIU J M, MA H T. Spatial network structure of inter-provincial farmer tourist flows in China[J]. Acta Geographica Sinica, 2013, 68(4): 547-558. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB201304013.htm
[19] 刘法建, 张捷, 陈冬冬. 中国入境旅游流网络结构特征及动因研究[J]. 地理学报, 2010, 65(8): 1013-1024. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB201008014.htm LIU F J, ZHANG J, CHEN D D. The characteristics and dynamical factors of Chinese inbound tourist flow network[J]. Acta Geographica Sinica, 2010, 65(8): 1013-1024. https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB201008014.htm
[20] 倪维秋, 廖茂林. 高速铁路对中国省会城市旅游经济联系的空间影响[J]. 中国人口·资源与环境, 2018, 28(3): 160-168. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGRZ201803018.htm NI W Q, LIAO M L. Spatial influence of high-speed rails on the tourism economic connection of provincial cities in China[J]. China Population, Resources and Environment, 2018, 28(3): 160-168. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGRZ201803018.htm
[21] 王凯, 甘畅, 杨亚萍, 等. 长江中游城市群市域旅游经济网络结构演变及其驱动因素[J]. 地理与地理信息科学, 2019, 35(5): 118-125. doi: 10.3969/j.issn.1672-0504.2019.05.019 WANG K, GAN C, YANG Y P, et al. Evolution and dri-ving factors of urban tourism economic network structure in urban agglomeration in the middle reaches of the Yangtze River[J]. Geography and Geo-Information Science, 2019, 35(5): 118-125. doi: 10.3969/j.issn.1672-0504.2019.05.019
[22] 虞虎, 陈田, 陆林. 江淮城市群旅游经济网络空间结构与空间发展模式[J]. 地理科学进展, 2014, 33(2): 169-180. https://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ201402003.htm YU H, CHEN T, LU L. Structure of tourist economy network and its spatial development pattern in Jianghuai Urban Agglomeration[J]. Progress Geography, 2014, 33(2): 169-180. https://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ201402003.htm
[23] 史庆斌, 谢永顺, 韩增林, 等. 东北城市间旅游经济联系的空间结构及发展模式[J]. 经济地理, 2018, 38(11): 211-219. https://www.cnki.com.cn/Article/CJFDTOTAL-JJDL201811025.htm SHI Q B, XIE Y S, HAN Z L, et al. Spatial structure and development patterns of urban tourism economic connections in Northeast China[J]. Economic Geography, 2018, 38(11): 211-219. https://www.cnki.com.cn/Article/CJFDTOTAL-JJDL201811025.htm
[24] 王馨, 管卫华. 江苏旅游经济联系的空间结构及其驱动机制研究[J]. 现代城市研究, 2018(10): 45-51. doi: 10.3969/j.issn.1009-6000.2018.10.006 WANG X, GUAN W H. Research on the spatial structure and mechanism of tourism economic in Jiangsu Province[J]. Modern Urban Research, 2018(10): 45-51. doi: 10.3969/j.issn.1009-6000.2018.10.006
[25] 陆利军, 戴湘毅. 基于百度指数的湖南旅游目的地城市旅游者网络关注度及其空间格局研究[J]. 长江流域资源与环境, 2020, 29(4): 836-849. https://www.cnki.com.cn/Article/CJFDTOTAL-CJLY202004005.htm LU L J, DAI X Y. Research on tourist network attention and spatial pattern of tourist destination cities in Hunan based on Baidu index[J]. Resources and Environment in the Yangtze Basin, 2020, 29(4): 836-849. https://www.cnki.com.cn/Article/CJFDTOTAL-CJLY202004005.htm
[26] 徐凡, 尤玮, 周年兴, 等. 基于百度指数的网络空间关注时空分布研究——以长三角5A级景区为例[J]. 资源开发与市场, 2016, 32(4): 489-493. doi: 10.3969/j.issn.1005-8141.2016.04.021 XU F, YOU W, ZHOU N X, et al. Tourist attention based on Baidu index of network: temporal and space distribution taking 5A grade scenic spot in Changjiang River Delta as an example[J]. Resources Development and Market, 2016, 32(4): 489-493. doi: 10.3969/j.issn.1005-8141.2016.04.021
[27] 汪秋菊, 黄明, 刘宇. 城市旅游客流量—网络关注度空间分布特征与耦合分析[J]. 地理与地理信息科学, 2015, 31(5): 102-106. doi: 10.3969/j.issn.1672-0504.2015.05.021 WANG Q J, HUANG M, LIU Y. Research on spatial feature and coupling correlation between urban tourist flow and network attention-degree[J]. Geography and Geo-Information Science, 2015, 31(5): 102-106. doi: 10.3969/j.issn.1672-0504.2015.05.021
[28] 刘慧悦. 旅游者网络信息需求与景区游客量的关联性研究——以四川九寨沟为例[J]. 情报科学, 2017, 35(7): 39-43. https://www.cnki.com.cn/Article/CJFDTOTAL-QBKX201707007.htm LIU H Y. Research on correlations between the demands of online tourism information and tourist volume: a case study of Jiuzhai Valley[J]. Information Science, 2017, 35(7): 39-43. https://www.cnki.com.cn/Article/CJFDTOTAL-QBKX201707007.htm
[29] 王硕, 曾克峰, 童洁. 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. doi: 10.3969/j.issn.1000-8462.2013.11.029 WANG S, ZENG K F, TONG J. A correlative analysis of the relationship between tourists and tourist network attention for scenic spots in special session[J]. Economic Geo-graphy, 2013, 33(11): 182-186. doi: 10.3969/j.issn.1000-8462.2013.11.029
[30] 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. doi: 10.3969/j.issn.1672-0504.2018.02.014 MA L, LIU P X, ZHANG J X, et al. Research on spatial and temporal difference between tourist flow and web search behavior in scenic spot[J]. Geography and Geo-Information Science, 2018, 34(2): 87-93. doi: 10.3969/j.issn.1672-0504.2018.02.014
[31] 广东省文化和旅游厅. 广东省文化和旅游发展概况[EB/OL]. (2021-03-09)[2021-03-20]. http://whly.gd.gov.cn/open_newgdswhhlygk/content/post_2721139.html. [32] 刘军. 整体网分析: UCINET软件实用指南[M]. 2版. 上海: 格致出版社, 上海人民出版社, 2014. [33] 李航飞, 韦素琼, 陈松林. 海峡西岸经济区市域经济网络结构及成因分析[J]. 经济地理, 2017, 37(7): 63-70;78. https://www.cnki.com.cn/Article/CJFDTOTAL-JJDL201707010.htm LI H F, WEI S Q, CHEN S L. An analysis on the network structure and formation causes of regional economic connection in the West Coast of Taiwan Straits Economic Zone[J]. Economic Geography, 2017, 37(7): 63-70;78. https://www.cnki.com.cn/Article/CJFDTOTAL-JJDL201707010.htm
[34] 李航飞, 韦素琼, 陈松林, 等. 经贸视角下中国台湾"新南向政策"分析——基于SNA和VAR方法[J]. 地理科学, 2018, 38(1): 67-77. https://www.cnki.com.cn/Article/CJFDTOTAL-DLKX201801008.htm LI H F, WEI S Q, CHEN S L, et al. 'New Southward Po-licy' of Taiwan, China under the view of trade: based on the ways of SNA and VAR[J]. Scientia Geographica Sinica, 2018, 38(1): 67-77. https://www.cnki.com.cn/Article/CJFDTOTAL-DLKX201801008.htm
-
期刊类型引用(1)
1. 万姿君. 中国研学旅行线路的空间分异. 西部旅游. 2022(22): 51-53+56 . 百度学术
其他类型引用(3)