EN中文

地理科学进展 >

2022 , Vol. 41 >Issue 7: 1261 - 1273

DOI: https://doi.org/10.18306/dlkxjz.2022.07.010

研究论文

一种新的客源地集中指数(tourCI)与实证分析

  • 邢倩 , 1 ,
  • 李仁杰 1, 2 ,
  • 郭风华 , 3, 4, * ,
  • 李晓风 1
展开
  • 1.河北师范大学地理科学学院,石家庄 050024
  • 2.河北省环境演变与生态建设实验室,石家庄 050024
  • 3.河北省科学院地理科学研究所,石家庄 050011
  • 4.河北省地理信息开发应用技术创新中心,石家庄 050011
*郭风华(1974— ),女,河北任丘人,副研究员,主要从事旅游地理信息建模研究。E-mail:

邢倩(1987— ),女,河北石家庄人,博士生,主要研究方向为人文时空信息挖掘与过程模拟。E-mail:

收稿日期: 2022-01-05

  修回日期: 2022-03-17

  网络出版日期: 2022-09-28

基金资助

国家自然科学基金项目(41471127)

河北省高层次人才资助项目(A2016001130)

河北省在读研究生创新能力培养资助项目(CXZZBS2021060)

收起

A new tourist source concentration index (tourCI) and empirical analysis

  • XING Qian , 1 ,
  • LI Renjie 1, 2 ,
  • GUO Fenghua , 3, 4, * ,
  • LI Xiaofeng 1
Expand
  • 1. College of Geographical Sciences, Hebei Normal University, Shijiazhuang 050024, China
  • 2. Hebei Key Laboratory of Environmental Change and Ecological Construction, Shijiazhuang 050024, China
  • 3. Hebei Institute of Geographical Sciences, Shijiazhuang 050011, China
  • 4. Hebei Technology Innovation Center for Geographic Information Application, Shijiazhuang 050011, China

Received date: 2022-01-05

  Revised date: 2022-03-17

  Online published: 2022-09-28

Supported by

National Natural Science Foundation of China(41471127)

Foundation for Talent Training Project in Hebei Province(A2016001130)

Hebei Province Graduate Student Innovation Ability Training Funding Project(CXZZBS2021060)

Fold

摘要

客源地分布的集聚特征是客源市场空间结构研究的重要内容。针对现有客源集中指数不能横向对比及难以解释驱动因素的问题,论文提出了支持引入不同影响因子参数的客源地集中指数“tourCI”计算方法,建立了基于tourCI指数的客源地空间结构解释概念框架,给出tourCI的多维度描述方式和意义解析,以测算不同影响因素下的客源地分布集聚特征。以大理古城位置微博签到提取的客源数据进行实证研究,结果表明：基于政区维度的tourCI反映出云南省内本地客源对大理古城客源分布特征产生了重要影响,省外客源分布相对均衡;基于距离维度的tourCI刻画了大理古城客源分布随目的地距离的变化规律,由近及远呈现“弱—强—弱—均衡”的指数变化模式;经济维度tourCI显示来自一线城市的游客高度集中在经济水平较高地区,来自新一线城市的游客分布相对均衡,其余城市的客源分布受经济影响较大。理论与实证研究证明了tourCI指数对客源地空间结构集聚特征及驱动因素具有较好的解析能力,有助于丰富旅游地理研究的方法体系。

关键词： 客源地; 空间结构; tourCI; 集中指数; 大理古城

本文引用格式

邢倩 , 李仁杰 , 郭风华 , 李晓风 . 一种新的客源地集中指数(tourCI)与实证分析[J]. 地理科学进展, 2022 , 41(7) : 1261 -1273 . DOI: 10.18306/dlkxjz.2022.07.010

Abstract

Agglomeration characteristics of tourist sources are an important content of the research on the spatial structure of tourist source market, but the existing customer source concentration indices cannot be compared horizontally and it is difficult to explain the driving factors. In this study, we proposed a calculation method of tourist source concentration index tourCI that supports the introduction of different influencing factors, established a conceptual framework of tourist source spatial structure interpretation based on the tourCI index, and provided the multi-dimensional description and meaning analysis of tourCI to calculate the distribution and agglomeration characteristics of tourist source areas under the influence of different factors. Taking Dali ancient town as an example, we used the Sina Weibo data to calculate tourCI based on administrative regions, which shows that local tourists in Yunnan Province have an important impact on the tourist source distribution characteristics of Dali ancient town, and the distribution of tourists outside Yunnan Province is relatively balanced. tourCI based on distance describes the variation of the distribution characteristics of tourist sources in Dali ancient town with the change of distance to the destination. From near to far the index of each distance segment shows a weak-strong-weak-equilibrium change pattern. The results of economic dimension show that tourists from the first tier cities are highly concentrated in areas with high economic development levels, and tourists from the new first tier cities are not significantly affected by economic factors and are evenly distributed. The distribution of tourist sources from second and third tier cities is greatly affected by economic factors. Theoretical and empirical analyses show that tourCI index has a good analytical capability for the agglomeration characteristics and driving factors of the spatial structure of tourist sources, which helps enrich the methods of tourism geography research.

Key words： tourist source; spatial structure; tourCI; concentration index; Dali ancient town

客源市场受多种因素影响,目的地资源类型、价值和季节性会影响对客源地的吸引力[1],客源地的人口规模、经济水平、出游距离[2]等也会对游客出行形成约束。正确认识客源时空分布特征与模式,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均具有重要意义和价值。集聚性是客源时空分布的重要度量特征,因此在旅游客源市场研究领域受到广泛关注[3⇓-5]。旅游学中多使用地理集中指数、基尼系数等衡量游客分布的集中度,例如,利用地理集中指数对桂林[6]、拉萨[7]等国内旅游目的地的客源分布时空特征研究,以及对泰国入境旅游市场的时空集中度动态趋势研究[8];利用基尼系数和客源地首位度等计算南京市各景区客源地集聚性时空特征[9]等。
已有研究虽然可以定量反映旅游地的客源集聚特征,但仍存在2个方面需改进的地方。首先,地理集中指数多采用游客绝对数量,忽略了人口规模对出游概率的影响,且客源地数量不同时,无法进行旅游地之间的对比。针对此问题,朱沁夫等[10]引入游客集中度系数概念,以进行不同旅游地游客集中程度的对比,但仍未考虑游客数量与人口规模的关系。其次,基尼系数能表达不同旅游地客源的相对集中度,但本身不能解释客源集聚的驱动因素。如何实现既可以定量描述不同旅游地客源的集中度,又能揭示集聚特征的驱动因素,是值得探索的问题。
本文借鉴世界银行推荐的医疗资源配置评估的集中指数思路,尝试提出一种新的集中指数tourCI,并构建该指数对客源地空间结构的解释框架,厘清各影响因素驱动下的客源地集聚特征及其意义。根据tourCI希望达到的描述目标,实证研究区域的选择应综合考虑旅游目的地的影响力和客源数据语义的丰富性。当前的旅游统计数据很难提取客源地的详细信息及精确的到访时间,基于社交媒体的旅游签到大数据对游客量的指示作用非常明确[11-12]。因此,本文选择位置微博签到数据丰富的大理古城作为实证区域,通过计算不同因子影响下的大理古城客源地集中指数及其时空特征,证明tourCI的理论意义和应用价值,以期为旅游地理学提供新的客源空间结构解释方法,为旅游市场精准营销提供参考依据。

1 集中指数方法对客源地空间结构解释框架的概念模式

不同学科使用集中指数的共同目标是反映资源或供给要素分布的集中程度。生物学的Simpson优势集中性指数讨论生物群落内不同种类生物数量分布形态,以分析各生物群体的生态功能[13];气象学的降水集中指数用于分析降水在年内的集中程度[14];人口集中指数用于度量某区域人口分布的集中程度[15];地理集中指数则探讨各类地理要素或现象在特定空间尺度上的集中程度[16]。多数集中指数方法仅度量研究对象分布的集聚特征,并不直接解释对象分布特征的驱动因素。

1.1 世界银行推荐集中指数解析

世界银行推荐的测评不同经济发展水平地区间卫生服务是否公平的集中指数(concentration index,CI),被广泛应用于卫生资源的供给配置分析[17-18],特别是医生配置的公平性研究中[19-20]。常用的CI计算公式通过人均GDP排序的人口累积百分比和卫生资源评价指标百分比的相互关系,表征经济影响下的资源分配倾向性和公平性。CI相对于其他集中指数的最大特点是刻画了区域经济因素影响下的资源分布均衡度,其公式为：
C I = 1 - ∑ i = 0 n - 1 ( X i + 1 - X i ) ( Y i + 1 + Y i )
式中：CI表示卫生资源公平性;n表示参与地区个数;Xi表示人均GDP从低到高排序的人口累积百分比,反映某地区经济发展位序信息(X0=0,Y0=0);Yi表示各地卫生资源评价指标的累积百分比,代表地区卫生资源分布位序。CI计算公式本质上是基尼系数几何计算方法的数学表达。基尼系数只计算收入的分配集中程度,按照洛伦兹曲线的值域范围是0~1。由于CI指数加入了影响卫生资源分配均衡性的排序因子,计算结果的阈值范围扩展为-1~1,正负性表征卫生资源配置与影响因素的关系倾向,绝对值大小表达资源集中程度。其中,正值表示卫生资源向经济发展高水平地区的集中程度,负值则表示卫生资源向经济发展低水平地区的集中程度;0值说明卫生资源配置与人口规模绝对均衡,不受经济因素影响,绝对值为1说明资源配置绝对不均衡[21]。通常认为当CI绝对值大于0.1时,卫生资源分配开始趋向不公平[22]。
CI通过定量计算经济因素影响下卫生资源相对于区域人口数量的配置均衡特征,刻画区域卫生资源分布的公平性。而且,CI公式中的X参数是可变的,用其他影响因素排序的人口累积百分比来替换,可以解释不同影响因素驱动的卫生资源供给配置模式,进而厘清卫生资源配置供给的主导影响因素,已有研究就有从人口和地理2个影响因素的视角分析医疗卫生资源的公平性[23]。

1.2 客源集中指数tourCI的理论解释

将公共卫生与医疗资源领域的CI引入旅游地理学,刻画旅游地客源分布的区域集中程度,从数学模型表达原理和研究性质上都是一致的。即可以通过特定空间单元的客源量和人口量累积百分比关系刻画客源分布均衡性,解决传统旅游集中指数用游客绝对数量导致的不同研究之间不可比的问题。同时,结合不同因素排序的影响因子参数,调整区域人口数量的排序方式,以解释各因素对客源地集中性的影响程度,进而分析旅游客源时空分布的驱动模式。因此,本文提出tourCI的概念及表达方法,用于刻画旅游地客源分布集中度,解释客源分布时空集聚特征的影响因素和驱动模式。tourCI描述如下：
t o u r C I = 1 - ∑ i = 0 n - 1 ( X i + 1 - X i ) ( Y i + 1 + Y i )
X = { 政 区 , 距 离 , 人 均 G D P , 人 口 数 量 , 受 教 育 水 平 …
式中：tourCI代表某影响因素驱动的旅游地客源分布集中指数,n为参与计算的客源地数量;Xi、Yi分别为按照某种影响因素统计量由小到大排序后各客源地常住人口累积百分比和游客数量累积百分比。
图1借鉴基尼系数和洛伦兹曲线方法[24],说明tourCI描述客源分布集中度的基本原理,按常住人口量由小到大排序的累积人口百分比与游客量百分比绘制了不同情境下的分布集中曲线。在不考虑其他因素影响的理想情境下,如满足一个区域人口越多、出游人数也越多,到访某旅游地的游客数量也越多,则图中表现为坐标系中45°的分布直线,也是客源分布的绝对均衡线,此时的tourCI值为0,而实际情况下,旅游地游客数量受出行距离、经济水平、政策文化等多种因素的影响,使集中曲线呈现不同形态。tourCI绝对值揭示客源分布不均衡的程度,曲线越接近绝对均衡线,客源分布越均衡,反之客源分布越集中;tourCI值的正负反映客源分布与影响因素量度大小或水平高低的关系倾向。
图1 按不同因素排序的客源地常住人口与到访某目的地的游客数量累计分布曲线及tourCI值

注：图中数字为各集中曲线的tourCI指数值,虚线表示绝对均衡线。

Fig.1 Cumulative distribution of the resident population of tourist source places and the number of tourists visiting a destination sorted by different factors and the tourCI index value

tourCI的取值意义可借鉴旅游学中基于基尼系数的客源分布集中度研究及图1的分布曲线形态特征综合界定[25]。旅游客源分布的基尼系数研究多数认为,小于0.2属于绝对均衡,[0.2, 0.3)属较均衡,[0.3, 0.4)属相对合理,[0.4, 0.5)则差距较大,大于等于0.5分布差距悬殊[26⇓-28]。由于洛伦兹曲线只在绝对均衡线下方,反映的基尼系数只有正值,而本文的分布曲线是双侧取值,tourCI也有正负之分,因此,tourCI取值范围应小于基尼系数。从图1可以看出,tourCI绝对值大于0.1后,曲线弧度明显加大,大于0.4后曲线中心距绝对均衡线的距离超对角线长度的1/3,说明了游客分布的强集聚性。因此,实际应用中,将tourCI绝对值小于0.1的情况确定为客源地分布均衡,[0.1, 0.2)为弱集中,[0.2, 0.4)为较强集中,大于等于0.4为强集中。
实际应用中,当不引入其他影响因素,直接按照常住人口数量由小到大排序的累积人口百分比与游客量累积百分比进行计算时,获得的客源分布集中指数用tourCIb表示。按照某种影响因素由小到大排序模式计算的集中指数用tourCIf表示,用于指示该因素影响下的客源地集中程度。tourCIb可以作为解释tourCIf意义的基本参考,tourCIb和tourCIf的差值能够反映该因素的影响力强弱。

1.3 tourCI指数与客源地空间结构模式

tourCI方法表达的客源地空间结构模式是游客需求、客源地和目的地特征等综合影响的结果(图2)。目的地的等级、知名度和资源性质等不同,对客源地的吸引力也不同。游客出游则是旅游需求的驱动,并受距离、时间和经济等出游成本因素的约束。目的地与客源地之间形成了吸引、约束和驱动的综合作用模式。例如,从理论上推测,在资源特征一致的情况下,经济发展较好的客源地,旅游需求更加旺盛,旅游者更容易突破政区约束和可达性成本等到访某个目的地;自然和行政等边界影响游客的距离和安全感知,进而对出游行为形成潜在约束,旅游者在熟悉的区域更有安全感,却又希望逃离惯常环境到访较远目的地满足异域体验;受时间和经济成本约束,出游距离到达某个阈值后,旅游者出游意愿会迅速降低[29]。
图2 基于tourCI的客源地空间结构解释框架

Fig.2 Framework for expounding the spatial structure of tourist source areas based on tourCI

针对一个目的地客源分布集中指数,由于目的地特征相同,可重点关注客源地特征及出行成本的影响。通过tourCI引入行政区划(政区)、距离、经济、人口和教育等客源地区域特征影响因子,解析不同影响因素对客源分布集聚特征的驱动作用。通过计算tourCIb和tourCIf并对比两者的差异程度,可以解释各影响因素是否影响客源地分布特征以及影响的程度;加入不同时间尺度的纵向比较分析,可以探讨客源分布集聚特征时空模式,并进一步解释客源地集中分布的驱动因素。

1.4 tourCI指数典型影响因子参数解析

tourCI方法具有较好的扩展性,可以灵活调整影响因子参数及其组合方式。例如,通过引入政区、距离、经济等不同类型影响因子,可以建立对客源地空间结构特征及其驱动因素的多个解释维度。在其他条件相同的情况下,人口数量规模将是影响客源分布特征的主导因素,人口越多的区域出游概率越大。因此,基于不同影响因子的量度或水平对客源地人口相对数量累积占比进行排序,就可以形成tourCI中不同影响因子驱动的客源地特征参数,以获得不同维度下的客源分布集中性特征。
(1) 基于客源地所属政区因子的tourCI表达。地理边界对人类活动具有明显的约束作用。出游行为同样受自然、文化和政区等边界的影响。大部分旅游者在旅游前都会考虑出游活动的区域范围[30],政区常成为旅游者选择目的地的潜在约束条件[31],政区之外的区域心理感知距离更远,可达性约束更强。以某类或某级政区为统计单元,按常住人口数量从小到大排序计算tourCI,可以揭示此类政区的客源分布与人口规模的关系。计算结果为正,说明客源倾向分布于人数多的政区;负值则表明客源倾向分布于人口少的政区。由于不同类型的政区之间没有数量顺序,这时的tourCI其实就是tourCIb。不同类型或等级的政区可以对比分析tourCI值的差异,以说明政区对客源分布均衡性的影响。
(2) 基于“客源地—目的地”距离的tourCI表达。交通方式的演变,特别是高速交通和航空旅行,已在很大程度上改变了客源市场的传统分级结构,距离影响下的客源地集中指数也会呈现不同特征。因此,按距离由近及远的客源地人口累积百分比作为tourCI的X参数,计算结果就可以反映距离约束下的客源分布集聚特征。计算结果为正值时,表示客源倾向分布在距离目的地较远的区域;结果为负时,表明客源倾向分布在距离目的地较近的区域;绝对值大小则反映距离影响下的客源分布集中程度。
(3) 基于客源地经济水平的tourCI表达。经济水平对旅游出行距离、目的地类型有重要影响。以反映城市经济发展水平的人均GDP作为影响因子,按人均GDP由低到高排序的客源地人口累积百分比作为tourCI的X参数,可以衡量区域经济水平影响下的客源分布集聚特征。正值表示客源倾向分布在高经济水平地区,负值说明客源倾向分布在低经济水平地区;绝对值大小说明经济水平影响下的客源分布集中程度。
客源分布的空间结构受很多因素的综合影响,对于其他可能影响客源集中特征的因子,可以以不同的方式应用tourCI方法进行解析分析。例如,能够定量化的居民平均收入水平,可以直接用于指数的X参数排序,获得tourCIf计算结果;对于不能定量的教育水平、年龄结构、文化背景等,则可以采用政区因子表达方式分类计算tourCIb,开展比较性研究。

1.5 tourCI指数的尺度适应性

地理事物和现象的分布特征具有尺度特征。以不同时空尺度进行客源统计,集中指数结果也不相同。客源分布集中度研究中一般选择特定时空尺度开展计算。例如,游客量的年际变化与集中程度[32]、基于省域单元的国内客源市场集中程度[33]、基于国家单元的国际游客市场集中程度[33]等。tourCI指数可以从时间和空间2个可变尺度开展客源分布特征及其影响因素的计算分析。通过政区、距离、经济等不同影响因子计算多时间尺度或粒度的客源地tourCI,可以厘清不同驱动因素对客源分布的影响程度。
计算不同情境下的tourCI,需要综合考虑目的地等级和影响因子特征,确定合适空间尺度的客源统计单元。例如,旅游地等级反映资源吸引力和市场影响力大小,5A景区资源吸引力强、可达性高、服务好,因此游客量大、客源分布广泛;A级景区资源吸引力较低和市场影响力较小,距离维度上的三级客源市场游客量很少。因此,5A等高级别景区的tourCI计算既可以选择省域、地市等大中尺度统计单元,也可以选择县市级较小统计单元;较低等级景区往往只分析近距离客源市场特征,需选择县市级或更小统计单元。
高等级景区tourCI指数计算还需区分本地和外地客源市场。高等级景区的本地和外地市场规模都很大,但本地与外地客源到访的驱动和约束因素显著不同。因此,在政区、经济等维度下计算tourCI时,有必要同时考虑包括和不包括本地客源市场2种情景。前者反映全部客源分布特征,后者揭示外地客源集中程度。
基于不同时间尺度的tourCI可以更全面地解析客源集聚特征的时空模式,并有助于识别客源分布的更多约束条件。理想状态下,旅游地发展初期的客源呈现近距离集聚状态;随着旅游地的成熟和知名度提升,集中指数会逐渐降低。基于长时间序列的年际客源集中指数变化,可以辅助判断旅游地生命周期的不同阶段。另外,基于更细粒度的季节或月度指数,可以间接解释客源分布是否受气候或时间敏感性因素约束;周内tourCI变化可以验证周末效应,并刻画距离约束的程度。

2 大理古城客源地结构实证

2.1 客源地数据获取与处理

新浪微博提供的商业接口能够提供全量、丰富的游客自发上传的UGC数据,基于Python的网络爬虫技术,可获取签到数据中包含的个人微博注册地(注册微博时游客填写的个人所在地信息)、签到时间、签到位置坐标等信息,数据量庞大且真实,能够为tourCI方法计算提供客源地、时间序列、微博游客数量等较为客观足量、信息全面的样本数据。数据取自2013—2017年大理古城新浪位置微博数据,共计181330条。
本文提取微博数据中的用户注册地为代用指标,对数据进行清洗,去除注册地为海外、大理古城(一般为当地居民或商户)的数据和广告信息,以及重复发文的微博用户数据,共提取有效微博游客数据77308条(图3)。用户注册地包含游客所在省份、城市及区(县),能够提取更详细的行政单元,从政区角度进行分类统计,可得到基于客源空间分布的统计数据;签到时间是游客上传微博内容的时间,精确到秒,对签到时间按照年、月、周等进行汇总,可得到时间尺度统计数据。由于微博游客统计量在年际统计单元中受社交平台用户参与度的影响,在界定统计范围时,将“季—月—周—节假日”的多尺度时间统计单元纳入计算,不再考虑年际特征。
图3 大理古城微博游客数量分布

Fig.3 The number of Weibo tourists in Dali ancient town

2.2 政区维度的时空集中度特征

已有的客源地结构分析研究多采用基于行政区(特别是省域单元)的旅游统计数据。根据政区维度解释框架及大理古城客源地实际分布情况,研究中设计了省域(省级行政区,如四川省、北京市等)、省会城市(如广州市、郑州市等)和地级城市(如无锡市、桂林市等)三级统计单元,各级统计单元中均包含下辖区县数据;同时,考虑到云南本地游客量对大尺度集中指数计算的影响,又在三级单元基础上划分“含云南省或下辖城市本地游客”(简称含本地)、“不含云南省或下辖城市本地游客”(简称不含本地)2种类型,最终形成6种政区维度的统计单元。计算政区维度的tourCI时,X参数直接按照各政区统计单元的常住人口总量排序,即tourCIb,结果如表1所示。
表1 按常住人口总量排序的各政区分级tourCI计算结果

Tab.1 tourCI sorted by the total permanent population of administrative regions

行政单元 省域 省会城市 地级城市
含本地 -0.106 0.028 -0.016
不含本地 -0.022 0.120 0.042
可见,大理古城6种tourCI计算结果的绝对值相对较小,其中4种类型单元接近0值,2种类型单元呈弱集中,说明单纯统计单元人口规模较其客源分布比较均衡,人口较多的行政单元游客数量也越多。不含本地游客的省会城市tourCI值为0.120,说明该类客源地具有弱集聚性,倾向分布于人口数量多的城市,即人口越多的省会城市前往大理古城的旅游者越多;含本地的省域tourCI为负值且绝对值大于0.1,指示客源倾向分布于人口规模较小的统计单元,说明云南省内本地游客对省域单元的客源地空间结构的影响较大,这与云南省人口总量较少关系紧密。
政区维度的tourCI在不同时间统计单元下的波动性整体较小(图4),说明客源在年内不同时间的分布较为稳定,与总体tourCI计算结果基本一致。tourCI波动最大的是年内不同节日之间的变化,特别是含本地省域和不含本地省会城市2个统计单元表现最明显,以“五一”黄金周最为典型;tourCI波动性相对较高的还有月度变化;季节和周内的tourCI波动最小。
图4 按月、季、周、节日不同时间统计单元的政区维度tourCI特征

Fig.4 Characteristics of tourCI by month, quarter, week, and holidays based on administrative regions

不同类型统计单元中,含本地的省域tourCI显示客源倾向于在人口规模较小省份集聚;省会城市则在各时间尺度下的指数波动相对较大,特别是月度、季节和节日间的指数波动较高;地级城市各时间尺度指数整体波动性最小,说明地级城市统计尺度下的客源分布特征稳定性最高。
根据时间和政区协同观察,含本地的省域tourCI重要节假日波动最大(图4d),春节和清明的指数绝对值显示客源分布均衡,其他节假日指数均小于-0.1,客源倾向于分布在人口规模小的省份,特别是“五一”黄金周集中程度更高。省会城市4月和10月集中指数明显低于其他月份,且接近0值,主要受大理古城著名的“三月节”和十一长假影响,客源分布相对均衡。含本地的省域和不含本地的省会城市,周内7日的指数绝对值均接近或超过0.1,客源分布显示弱集中趋势;其余4类统计单元周内指数绝对值多接近0值,客源分布呈现相对均衡的特征。

2.3 距离维度的时空集中度特征

根据经典客源市场理论确定距离维度的划分方式[34],设计近距离(0~250 km)、中距离(250~500 、500~1000 km)和远距离(1000~1500、1500 km以上),共计3级5段作为距离维度的参数,以城市为单位进行统计。距离维度的tourCI,由单纯按照客源地常住人口数量排序的累积百分比作为Y参数,按照客源地到目的地的距离由近及远排序后的客源地常住人口累积百分比作为X参数,计算tourCIb和tourCIf并比较(表2)。
表2 按距离由近及远排序的各距离段tourCI计算结果

Tab.2 tourCI calculation results of each distance segment sorted by distance

指数 近距离 中距离 远距离
0~250 km 250~500 km 500~1000 km 1000~1500 km >1500 km
tourCIb -0.321 -0.426 0.204 0.332 0.276
tourCIf 0.136 -0.613 -0.195 0.150 0.025
差值 0.457 -0.187 -0.399 -0.182 -0.251
客源分布由近及远,tourCIf显示各距离段集中指数呈现“弱—强—弱—均衡”的特征,揭示出大理古城客源地分布由近及远随距离变化的基本规律。从tourCIb和tourCIf的差值来看距离因素的影响程度,各距离段差异的绝对值都超过了0.1,以0~250 km、500~1000 km两个距离段最为突出。tourCIb显示500 km以内客源倾向分布在人口较少的地区且集中性很强,在超过500 km后,游客倾向分布在人口较多的地区;而tourCIf则显示除250~500 km外均较为均衡或弱集中。观察tourCIf,250~500 km的距离段的集中指数绝对值大于0.4,显示游客强集中分布,加上距离排序后,这种集中程度被更加突出出来;除250~500 km外,其余各距离段的tourCIf绝对值相较于tourCIb均有所降低,距离因素排序下的游客集中度相较单纯人口数量排序更为均衡。250 km以内显示游客较强集中在人口较少的城市,并弱倾向距离较远的城市,而250~500 km游客强集中在人口较少的城市,且强集中在距离较近的城市,这正表达了出游距离对出行的约束作用。以上分析表明,以距离维度为衡量标准的tourCIf对于客源地游客分布会产生较大影响。
从不同时间尺度对距离维度的tourCI进行协同观察,其结果与表2相同,表现出一致的集中指数变化规律(图5)。在近距离段客源倾向于分布在相对目的地更远的城市,呈弱集聚状态,各时间尺度的近距离段变化都较为明显,对于时间的敏感度较高。中距离段客源高度倾向于分布在相对目的地较近的城市,距离约束对出游的影响显著。在远距离段,1000~1500 km段客源地明显倾向于分布在相对目的地更远的城市,集聚特征明显;大于1500 km之后客源地分布相对均衡。具体来看,不同距离段各时间尺度tourCIf呈现出节假日波动最大、月度波动相对较大、季节和周内指数相对平稳的特征(图5)。月度显示近、中距离段的各月波动较远距离段更大,近距离段的计算结果波动随机性更强;季度结果表现出夏、秋两季tourCIf相对平稳,各距离段的波动特征主要体现在春、冬两季;周内远距离tourCIf变化很小,周末效应对近、中距离段的客源影响较为明显;节假日统计结果中除近距离的春节假期外,绝对值普遍较高,而中秋节则普遍较低,反映了一定的假期出游规律。
图5 按月、季、周、节日不同时间统计单元的距离维度tourCI特征

Fig.5 Characteristics of tourCI by month, quarter, week, and holidays based on distance

2.4 经济维度的时空集中度特征

游客的出行意愿和出行结果通常与所在城市规模、经济实力等相关,不同发展水平城市居民的出游目的地选择、出行距离偏好等均有所不同[35]。参考上海《第一财经周刊》发布的《中国魅力城市排行榜》的划分标准,将城市分为“一线城市、新一线城市、二线城市、三线城市”4个等级作为经济维度统计单元进行统计,微博游客数量分布高值点均为一线城市和新一线城市(图3)。经济维度的tourCI中,4类城市分别按照客源地人均GDP由低到高排序后的常住人口累积百分比作为Xf参数,并与单纯人口数量排序的累积百分比的tourCIb进行对比,计算结果如表3所示。
表3 按人均GDP由小到大排序的各城市等级tourCI计算结果

Tab.3 tourCI calculation results of each city level sorted by per capita GDP

指数 一线城市 新一线城市 二线城市 三线城市
tourCIb -0.203 -0.083 0.019 -0.195
tourCIf 0.203 -0.060 -0.109 -0.009
差值 0.406 0.023 -0.128 +0.186
总体上,经济维度的tourCIf计算结果体现出经济越发达、差距越大,中等经济发展水平负向聚集,发展水平较低城市均衡分布的特点。与tourCIb对比,按经济发展水平由高到底,变化规模呈“大—小—较大”的特点,经济因素对于客源分布影响较为明显。一线城市tourCIf值呈较强集中,即经济发展水平越高,游客分布越多,与tourCIb的差值也最大。新一线城市的前后差值最小,客源分布均衡,受经济因素影响,客源分布更加均衡。经济因素对二线城市和三线城市的影响较大,二线城市游客tourCIb结果显示按照人口排序游客分布很均衡,加入经济因素后客源弱集中在经济发展水平较低的地区;三线城市的tourCIf与tourCIb差值较大,经济因素弱化了三线城市的集聚性特征,游客分布非常均衡。tourCIf值除一线城市外,绝对值都较小,客源分布情况与客源地经济发展水平情况较为相符,客源分布在各类等级城市中都较为均衡,同类城市内部比较,微博游客分布与经济发展水平的关系并不明显。
城市等级与时间尺度协同观察,月度、季节和节假日波动都比较大,周内变动略小,各城市等级的tourCIf对于时间的变化较为敏感。结合月度和季度结果,发现一线、新一线、二线城市12月至次年2月(冬季)集中指数较低,客源明显更加均衡,而三线城市则不具有此特点,冬季集中指数略有升高;周内各等级城市变化不明显,但都表现出了周中集中指数的低值倾向,即各类城市在周中的客源分布较为均衡;在节假日统计结果中(图6d),对于端午、中秋、清明等短期假日,均呈现低值,而春节、五一、十一等出游黄金周则有不同程度的高值聚集,体现出一定的假期出游规律。
图6 按月、季、周、节日不同时间统计单元的经济维度tourCI特征

Fig.6 Characteristics of tourCI by month, quarter, week, and holidays based on the economic dimension

3 结论

本文针对当前客源市场集中度研究方法中存在的问题,将公共卫生与医疗资源领域的CI引入旅游地理学,提出一种新的tourCI方法,建立了基于tourCI指数的客源地空间结构解释框架,设计了可以从行政单元、距离、经济等多维度定量描述客源地分布集中度的计算表达式。tourCI通过游客量和人口数量累积百分比的关系刻画客源分布特征,解决了游客绝对数量导致的不同目的地客源集中度不可比问题;将约束或驱动游客出行的不同因素以参数方式引入计算公式,以影响因子调整人口数量的排序方式,解释不同因素对客源集中度的影响程度,解决了集中指数对客源分布驱动力表征能力的不足问题。
本文明确了回答了tourCI应用的3个关键问题。第一,借鉴旅游学中基于基尼系数的客源分布集中度的数值意义,综合tourCI曲线的形态特征,确定了tourCI解释客源地集中程度的不同阈值范围。第二,根据是否引入影响因子参数,划分出标准tourCIb(不引入其他影响因子)和tourCIf(引入影响因子),通过对比标准tourCIb和tourCIf的差异,可以确定某影响因素对客源分布集聚特征的影响程度。第三,通过阐释tourCI较好的尺度适应性,说明其可以适应不同客源地空间统计单元,具备基于“年—月—季—周—节假日”等不同时间截面开展多维视角计算的能力。
大理古城的实证研究进一步验证了上述关键问题解决方案的可行性,说明tourCI能够系统刻画不同维度的客源地时空集聚特征,可以厘清不同影响因子对客源时空分布的影响程度。实证研究的具体结论如下：
(1) 政区维度的tourCI指数揭示了大理古城客源分布总体特征。云南省内的本地客源对大理古城客源分布特征产生了重要影响,省外客源分布相对均衡。年内不同时间尺度的tourCI波动性整体较小,说明大理古城旅游发展的成熟度较高;月度和季节的指数变化较小,反映了总体客源分布较为稳定;周内指数变化小则表明出游距离和工作时间的约束对大理古城客源影响不明显。
(2) 距离维度的tourCI刻画了大理古城客源分布集中度由近及远呈现出“弱—强—弱—均衡”的变化特征。整体看,距离对于游客分布在0~250 km和500~1000 km两个距离段的影响最大。近距离客源市场,客源倾向分布在相对目的地更远的城市,距离约束不明显,一定的出行距离会提高游客对于异域景点的兴趣,增加出游的愿望。在中距离段,客源高度倾向于分布在相对目的地较近的城市,出行成本的提高使距离约束对出游的影响显著。在远距离段,客源地则明显倾向于分布在相对目的地更远的城市,说明距离不再是游客目的地选择的约束因子。到达距离临界值后(如1500 km),客源分布不再受距离影响,最终趋于相对均衡的分布状态。从不同时间截面看tourCI,呈现节假日波动最大,月度波动相对较大,季节和周内指数相对平稳的总体特征;但距离约束下的集聚特征在周内、节假日等不同时间单元同样存在,近距离段的集中指数波动在周末、短期假日中明显多于远距离段计算结果。
(3) 经济维度的集中指数计算结果表现出一线城市呈明显聚集,且对经济因素的敏感度最强,游客分布明显集聚在经济发展水平较高的城市。新一线城市游客分布受经济因素影响最小,二线城市、三线城市客源分布受经济因素影响较高。整体看,经济越发达差距越大,中等经济发展水平负向聚集,发展水平较低城市相对均衡分布。在经济发展水平较高的城市,阶层化明显,更高收入者灵活支配的时间更多,重要的节假日对于他们的影响力更大;而经济积累阶段城市相对休闲时间更少,反映了在解决温饱问题基础上,普通城市居民对休闲出游的需求明显;随着生活水平的日益提高,春节、五一、十一等较长假期对于有一定经济基础的客源地游客来说吸引力都较强。

4 讨论

tourCI能够从多维度、多时间尺度反映旅游客源地的集中度,并能进一步解析客源集聚特征的驱动因素,丰富了客源地集中指数概念的理论指示意义。该指数可以灵活调整参与计算的影响因子参数,能够适应多时空尺度的计算,证明了其相对于传统客源集中指数的优点,为发现更多旅游客源市场空间结构规律提供了新的方法和途径。而且,tourCI指数具有与其他旅游地理模型和方法结合的潜力和可能性。例如,基于Butler[36]的旅游地生命周期理论思想,可以通过旅游地多时间尺度的tourCI,辅助判断其所属的生命周期阶段;对比分析不同旅游地tourCI计算结果,厘清不同类型旅游客源市场的驱动因素,可以为旅游地可持续发展规划和旅游市场精准营销提供参考依据。因此,后续将进一步扩展tourCI的应用范围和领域,通过刻画不同区域、不同类别的旅游地客源时空分布特征与规律,挖掘客源集聚特征更深层次的理论意义和应用价值。
受数据语义信息的限制,大理古城的实证研究只讨论了政区、距离和经济3个因素影响下的tourCI特征,后续研究中考虑继续丰富数据,以期对客源地文化特征、教育水平等影响因素进行进一步计算分析。另外,本文只开展了2个因素协同影响的集中指数计算,对更多因素协同影响的情况没有进行探讨。当数据样本量度足够且能够提取更多影响因素信息时,可以进一步考虑构建综合多因素的量化排序方法,实现引入多因子参数的tourCI计算。例如,在可达性条件相似的距离带内选择相同行政等级的客源地城市,以分析经济发展水平对客源地分布的影响。
虽然tourCI计算结果理论上具有多案例区横向可比性和多时间截面的纵向可比性,但受计算规模约束,本文仅选择了一个案例区进行研究,只在不同时间截面上说明了指数的纵向可比性,未直接证明不同案例区之间比较的实际效果。后续将开展多案例区的tourCI计算实证,在多种因素条件下横向比较不同类别旅游地客源分布的集聚特征,深入讨论各维度间相互作用对客源分布集聚特征的影响,更好地揭示不同地区、不同特征的客源市场与目的地空间的互动机制。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
保继刚, 甘萌雨. 改革开放以来中国城市旅游目的地地位变化及因素分析[J]. 地理科学, 2004, 24(3): 365-370.

[ Bao Jigang, Gan Mengyu. Analysis on urban destinations in China: Status change and factors for the change since the reform era. Scientia Geographica Sinica, 2004, 24(3): 365-370. ]

[2]
耿虹, 李彦群, 范在予. 农家乐发展的地域空间格局及其影响因素: 基于浙江、湖北、四川的比较研究[J]. 经济地理, 2019, 39(11): 183-193.

[ Geng Hong, Li Yanqun, Fan Zaiyu. Regional spatial disparity and influencing factors of the development of agritainment: A comparative study of Zhejiang, Hubei and Sichuan provinces. Economic Geography, 2019, 39(11): 183-193. ]

[3]
商丽华, 桑广书. 浙江省国内旅游客源空间结构特征分析[J]. 特区经济, 2006(4): 206-208.

[ Shang Lihua, Sang Guangshu. Analysis on the spatial structure characteristics of domestic tourist sources in Zhejiang Province. Special Zone Economy, 2006(4): 206-208. ]

[4]
Coshall J, Charlesworth R, Page S J. Seasonality of overseas tourism demand in Scotland: A regional analysis[J]. Regional Studies, 2015, 49(10): 1603-1620.

[5]
曹晶晶, 章锦河, 周珺, 等. “远方”有多远? 感知距离对旅游目的地选择行为影响的研究进展[J]. 旅游学刊, 2018, 33(7): 103-118.

[ Cao Jingjing, Zhang Jinhe, Zhou Jun, et al. How far is "far"? Progress and implications in tourism and cognitive distance research. Tourism Tribune, 2018, 33(7): 103-118. ]

[6]
保继刚, 郑海燕, 戴光全. 桂林国内客源市场的空间结构演变[J]. 地理学报, 2002, 57(1): 96-106.

[ Bao Jigang, Zheng Haiyan, Dai Guangquan. The evolvement of spatial structure and the significance of Guilin's domestic tourist origins. Acta Geographica Sinica, 2002, 57(1): 96-106. ]

[7]
赵剑波, 赵旺林, 董瑞霞, 等. 拉萨市国内旅游客源地时空结构分析[J]. 华中师范大学学报(自然科学版), 2016, 50(5): 777-782.

[ Zhao Jianbo, Zhao Wanglin, Dong Rui-xia, et al. Analysis on the spatial and temporal structure of the domestic tourist source in Lhasa. Journal of Central China Normal University (Natural Sciences), 2016, 50(5): 777-782. ]

[8]
吕本勋, 颜思嘉. 泰国入境旅游市场时空结构研究: 基于2008-2013年数据的分析[J]. 广西民族大学学报(哲学社会科学版), 2014, 36(5): 109-113.

[ Lv Benxun, Yan Sijia. The time and space structure of the inbound tourism market in Thailand: Based on data from 2008 to 2013. Journal of Guangxi University for Nationalities (Philosophy and Social Science Edition), 2014, 36(5): 109-113. ]

[9]
王茜雅, 张建新, 刘培学, 等. 大数据视角下城市客源市场空间结构动态研究: 以南京市为例[J]. 资源开发与市场, 2018, 34(1): 77-82.

[ Wang Xiya, Zhang Jianxin, Liu Peixue, et al. Study on spatial structure of urban tourist market from perspective of big data: A case study of Nanjing City. Resource Development & Market, 2018, 34(1): 77-82. ]

[10]
朱沁夫, 李昭, 杨樨. 用地理集中指数衡量游客集中程度方法的一个改进[J]. 旅游学刊, 2011, 26(4): 26-29.

[ Zhu Qinfu, Li Zhao, Yang Xi. An improvement of evaluating method on tourist concentration degree with geographic concentration index. Tourism Tribune, 2011, 26(4): 26-29. ]

[11]
秦萧, 甄峰, 熊丽芳, 等. 大数据时代城市时空间行为研究方法[J]. 地理科学进展, 2013. 32(9): 1352-1361.

[ Qin Xiao, Zhen Feng, Xiong Lifang, et al. Methods in urban temporal and spatial behavior research in the big data era. Progress in Geography, 2013, 32(9): 1352-1361. ]

[12]
梁晨晨, 李仁杰. 综合LDA与特征维度的丽江古城意象感知分析[J]. 地理科学进展, 2020, 39(4): 614-626.

DOI

[ Liang Chenchen, Li Renjie. Tourism destination image perception analysis based on the Latent Dirichlet Allocation model and dominant semantic dimensions: A case of the old town of Lijiang. Progress in Geography, 2020, 39(4): 614-626. ]

DOI

[13]
张金龙, 陈强, 钏叠, 等. 不同邻作玉米田节肢动物群落特征及稳定性[J]. 应用昆虫学报, 2020, 57(3): 718-728.

[ Zhang Jinlong, Chen Qiang, Chuan Die, et al. Arthropod community characteristics and stability in maize fields adjacent to different crop types. Chinese Journal of Applied Entomology, 2020, 57(3): 718-728. ]

[14]
段亚雯, 朱克云, 马柱国, 等. 中国区域1961-2010年降水集中指数(PCI)的变化及月分配特征[J]. 大气科学, 2014, 38(6): 1124-1136.

[ Duan Yawen, Zhu Keyun, Ma Zhuguo, et al. Characteristics of precipitation concentration index (PCI) variations and monthly distribution of annual precipitation in China. Chinese Journal of Atmospheric Sciences, 2014, 38 (6): 1124-1136. ]

[15]
闫东升, 孙伟, 王玥, 等. 长江三角洲人口分布演变、偏移增长及影响因素[J]. 地理科学进展, 2020, 39(12): 2068-2082.

DOI

[ Yan Dongsheng, Sun Wei, Wang Yue, et al. Change in distribution and growth shifts of population in the Yangtze River Delta and influencing factors. Progress in Geography, 2020, 39(12): 2068-2082. ]

DOI

[16]
郑光辉, 蒋涤非, 栾永飞, 等. 乡村振兴背景下的贵州农业产业空间分异[J]. 山地学报, 2021, 39(3): 429-438.

[ Zheng Guanghui, Jiang Difei, Luan Yongfei, et al. Spatial differentiation of agricultural industry in Guizhou Province of China under rural revitalization. Mountain Research, 2021, 39(3): 429-438. ]

[17]
沈迟, 陶星星, 董琬月, 等. 利用集中指数评价西安市卫生资源配置公平性[J]. 中国卫生政策研究, 2015, 8(1): 69-73.

[ Shen Chi, Tao Xingxing, Dong Wanyue, et al. Analysis on health resources allocation equity with concentration index method in Xi'an City. Chinese Journal of Health Policy, 2015, 8(1): 69-73. ]

[18]
毛璐, 秦江梅, 芮东升, 等. 东中西部城市卫生服务利用公平性比较: 基于社区卫生综合改革典型城市居民健康询问调查[J]. 中国卫生经济, 2013, 32(11): 54-56.

[ Mao Lu, Qin Jiangmei, Rui Dongsheng, et al. Comparative analysis of equity of health service utilization in cities of eastern, central and western area: Based on urban residential health interview survey of typical cities under community health comprehensive reform. Chinese Health Economics, 2013, 32(11): 54-56. ]

[19]
周晔玲, 蓝相洁, 司明舒, 等. 基于集中指数与基尼系数的广西全科医生配置公平性研究[J]. 中国卫生经济, 2018, 37(10): 39-42.

[ Zhou Yeling, Lan Xiangjie, Si Mingshu, et al. Analysis on equity of general practitioners allocation in Guangxi based on concentration index and Gini coefficient. Chinese Health Economics, 2018, 37(10): 39-42. ]

[20]
周明华, 谭红, 冯毅. 基于集中指数和集聚度的贵州省卫生资源配置公平性研究[J]. 现代预防医学, 2020, 47(17): 3148-3150, 3157.

[ Zhou Minghua, Tan Hong, Feng Yi. Fairness of health resource allocation in Guizhou based on concentration index and agglomeration degree. Modern Preventive Medicine, 2020, 47(17): 3148-3150, 3157. ]

[21]
付先知, 刘昭阳, 徐飞, 等. 基于集中指数评价中国卫生资源配置的公平性[J]. 卫生经济研究. 2018(5): 28-32.

[ Fu Xianzhi, Liu Zhaoyang, Xu Fei, et al. Equity of health resource allocation in China based on the evaluation of centralized index. Health Economics Research, 2018(5): 28-32. ]

[22]
谢世发, 郑艳楠, 付先知, 等. 基于集中指数的我国居民医疗服务利用公平性分析[J]. 中国社会医学杂志, 2019, 36(4): 416-420.

[ Xie Shifa, Zheng Yannan, Fu Xianzhi, et al. Analysis of the fairness of medical service utilization of Chinese residents based on concentration index. Chinese Journal of Social Medicine, 2019, 36(4): 416-420. ]

[23]
张晔, 张驰, 王志强. 2004-2016年新疆医疗卫生资源配置公平性与影响因素研究: 基于“人口公平性”与“地理公平性”的综合视角[J]. 中国卫生事业管理, 2019, 36(7): 499-509.

[ Zhang Ye, Zhang Chi, Wang Zhiqiang. Research on the equity and influencing factors of health resource allocation in Xinjiang from 2004 to 2016: A comprehensive perspective based on "population fairness" and "geographical equality". The Chinese Health Service Management, 2019, 36(7): 499-509. ]

[24]
孙健, 文秋林, 朱红玉. 广东省卫生资源配置公平性和利用效率分析[J]. 卫生软科学, 2016, 30(9): 30-34.

[ Sun Jian, Wen Qiulin, Zhu Hongyu. Analysis on the equity and efficiency of health resources allocation in Guangdong Province. Soft Science of Health, 2016, 30(9): 30-34. ]

[25]
赵颖波, 王建伟, 尹畅, 等. 基于洛伦兹曲线和基尼系数的我国卫生资源配置公平性研究[J]. 中国医院, 2018. 22(2): 22-25.

[ Zhao Yingbo, Wang Jianwei, Yin Chang, et al. Equity analysis on the health resources allocation in China based on Lorenz Curve and Gini Coefficient. Chinese Hospitals, 2018, 22(2): 22-25. ]

[26]
马晓龙, 吴必虎. 西安旅游区旅游流空间结构研究[J]. 地理与地理信息科学, 2004, 20(5): 95-97.

[ Ma Xiaolong, Wu Bihu. Spatial structure of tourist flow in Xi'an tourism region. Geography and Geo-Information Science, 2004, 20(5): 95-97. ]

[27]
王洪桥, 袁家冬, 孟祥君. 东北地区A级旅游景区空间分布特征及影响因素[J]. 地理科学, 2017, 37(6): 895-903.

DOI

[ Wang Hongqiao, Yuan Jiadong, Meng Xiangjun. Spatial distribution and its influencing factors of level-A scenic spots in Northeast China. Scientia Geographica Sinica, 2017, 37(6): 895-903. ]

DOI

[28]
赵磊, 王永刚, 张雷. 江苏旅游规模差异及其位序规模体系研究[J]. 经济地理, 2011, 31(9): 1566-1572.

[ Zhao Lei, Wang Yonggang, Zhang Lei. Disparity of tourism scale in Jiangsu and construction of its system rank-scale distribution. Economic Geography, 2011, 31(9): 1566-1572. ]

[29]
Cook R L, Mccleary K W. Redefining vacation distances in consumer minds[J]. Journal of Travel Research, 1983, 22(2): 31-34.

[30]
Lin C H, Morais D B. The spatial clustering effect of destination distribution on cognitive distance estimates and its impact on tourists' destination choices[J]. Journal of Travel & Tourism Marketing, 2008, 25(3/4): 382-397.

[31]
任以胜, 陆林, 朱道才. 区域协调发展战略下的行政边界研究框架[J]. 经济地理, 2019, 39(3): 29-36, 47.

[ Ren Yisheng, Lu Lin, Zhu Daocai. The research framework of administrative border under the regional coordinated development strategy. Economic Geography, 2019, 39(3): 29-36, 47. ]

[32]
杨培韬, 李庆雷, 杨路佳. 基于亲景度、竞争态和地理集中指数的云南省入境旅游客源市场分析[J]. 山西师范大学学报(自然科学版), 2016, 30(3): 70-76.

[ Yang Peitao, Li Qinglei, Yang Lujia. Analysis on inbound tourism markets based on the preference scale, competition state and geographical concentration index in Yunnan. Journal of Shanxi Normal University (Natural Science Edition), 2016, 30(3): 70-76. ]

[33]
万田户, 黄和平. 江西省入境旅游流时空演变研究[J]. 世界地理研究, 2014, 23(3): 128-139.

[ Wan Tianhu, Huang Heping. Temporal and spatial variation research of inbound tourist flow in Jiangxi. World Regional Studies, 2014, 23(3): 128-139. ]

[34]
吴必虎, 唐俊雅, 黄安民, 等. 中国城市居民旅游目的地选择行为研究[J]. 地理学报, 1997, 52(2): 97-103.

DOI

[ Wu Bihu, Tang Junya, Huang Anmin, et al. A study on destination choice behavior of Chinese urban residents. Acta Geographica Sinica, 1997, 52(2): 97-103. ]

DOI

[35]
马丽君, 张家凤. 典型城市居民5A级景区旅游需求时空分布差异[J]. 江苏商论, 2020(7): 48-55, 72.

[ Ma Lijun, Zhang Jiafeng. Analysis on spatio-temporal distribution difference in tourism demand of 5A-grade scenic spots of typical urban residents. Jiangsu Commercial Forum, 2020(7): 48-55, 72. ]

[36]
Butler R W. The concept of a tourist area cycle of evolution: Implications for management of resources[J]. Canadian Geographer, 1980, 24(1): 5-12.

Options
文章导航

/

〈 〉