徐菁 靳誠

[摘? ? 要]旅游關注是旅游虛擬空間的重要表現形式，文章基于百度指數探討旅游關注空間格局特征，并建立面向線狀要素的空間相互作用局部分析模型，探討影響因素作用的空間異質性。旅游關注網絡存在差異，高關注度省份集聚于東部地區(qū)。局部模型擬合結果優(yōu)于全局模型，能很好解釋旅游關注。景區(qū)數量和GDP對旅游關注具有促進作用，距離則為抑制作用。各影響因素作用存在空間異質性，景區(qū)數量對短距離關注具有較強影響，西部省份的經濟發(fā)展水平對長距離關注有更強影響，經濟較好省份受到關注距離的影響較小。在旅游關注這一虛擬空間中，距離效應依然存在，但作用強度弱于現實空間。文章構建的線狀要素空間相互作用局部分析模型，為理解旅游關注網絡乃至其他類型網絡（流動）的形成機制提供了一種新的空間分析方法。

[關鍵詞]旅游關注;網絡;影響因素;空間異質性

引言

隨著互聯(lián)網、移動互聯(lián)網、物聯(lián)網的飛速發(fā)展，世界已然進入了信息化、數字化和網絡化的嶄新時代[1]。信息技術的發(fā)展對社會經濟空間組織有著潛在的影響，高效的互聯(lián)信息使得傳統(tǒng)時空概念、地理空間正在被重新認識[2]。作為傳統(tǒng)地理空間的延伸與異化的虛擬空間日益受到學者的關注[3]，基于地理空間和網絡空間相互融合而形成的地理網絡空間成為洞悉虛擬與現實相互作用的有效橋梁[4，5]?？焖侔l(fā)展的信息化在改變傳統(tǒng)生產、生活空間同時，也為地理要素空間認知提供了新的分析視角。信息網絡產生的時空數據為理解地理空間的格局特征、相互聯(lián)系、時空過程、結構模式提供了數據支撐。如Malecki利用全球主要城市的互聯(lián)網數據，分析了全球網絡信息中心的分布傾向[6]，亦有學者通過互聯(lián)網數據分析網絡信息空間的生產與格局[7-9]。在國內，汪明峰和寧越敏基于互聯(lián)網基礎設施分析了中國互聯(lián)網絡的地理格局及其城市體系[10]，王波和甄峰利用百度搜索數據分析互聯(lián)網下的中國城市等級體系[11]，甄峰等基于新浪微博分析中國城市網絡體系特征[12]。

旅游業(yè)具有很好的經濟社會效益，已成為全球經濟發(fā)展中勢頭最強勁的產業(yè)之一，在國民經濟中的重要地位日益凸顯[13]。伴隨著旅游業(yè)的快速發(fā)展，旅游空間作為一種獨特而又重要的地理空間形式日益得到重視。新的信息技術、網絡數據也同樣在旅游空間分析中得到應用，學者主要是利用互聯(lián)網數據進行網站訪問行為[14]、規(guī)劃旅游行程[15-16]、游客流動過程[17-18]、目的地形象構建[19-20]等方面的研究。

近年來，有學者開始涉及基于互聯(lián)網的旅游關注分析。旅游關注是現實旅游活動的一種前置行為[21]，同時其本身又是一種存在于網絡的虛擬空間。學者對旅游關注研究主要集中在以下兩個方面：一是探討旅游關注度與現實旅游要素，特別是現實客流的相互關系，研究主要集中在景區(qū)層面，且以華山、平遙古城、九寨溝等高等級景區(qū)為主[22-25]，亦有學者探討省域尺度旅游關注的差異[26-27]及中國旅游地的國際關注[28]，分析發(fā)現網絡關注與景區(qū)客流具有較好的耦合性，對現實客流具有前兆和引導作用[20，29];在相互關系分析基礎上，學者構建基于網絡關注的預測模型，預測客流變化[30-33]。二是分析旅游關注本身，討論旅游關注的時空特征[34]，并從氣候變化[35]、節(jié)事活動[36]、旅游安全[37]等方面解釋旅游關注的時空變化，從資源豐度、經濟水平、人口數量等方面解釋旅游關注的形成機制[38]。

對旅游關注的深入分析，一方面，可以理解這一獨特網絡虛擬空間的格局特征與形成機制;另一方面，可以深入認知游客流動行為，具有很好的研究意義。學者對旅游關注的分析得到許多有益結論，但在以下3個方面值得進一步深入探討：

一是旅游關注的網絡化問題。在未來的研究范式中，針對要素之間相互關系及其相互作用的系統(tǒng)分析變得愈加重要，網絡分析成為理解空間聯(lián)系、流動空間最有效的切入點[39]。旅游關注在空間上并非孤立，不同地域之間的旅游關注是相互交織聯(lián)系的，并以網絡形式呈現出來，以往分析多是針對單個關注或者多個關注之間的比較，而從網絡視角分析旅游關注有待加強，這有利于揭示對這一虛擬空間的格局特征。

二是影響要素空間作用的非平穩(wěn)性問題。地理要素在空間上是存在相互聯(lián)系的，即存在近鄰性[40]。旅游關注網絡及其影響因素和其他空間要素一樣，存在空間依賴，并產生空間異質性[41]。然而在以往分析中，研究者往往認為旅游關注的影響因素是穩(wěn)定的，并利用全局回歸模型來解釋旅游關注，忽視了影響要素空間作用的非平穩(wěn)性問題。旅游關注影響因素作用的異質性分析有利于進一步揭示旅游關注的形成機制。

三是線狀要素局部分析模型問題。旅游關注在空間上可以抽象為線狀要素，要解決旅游關注影響要素作用的異質性，就是要構建基于線狀要素的局部分析模型。局部分析模型最為著名的是GWR（geographically weighted regression）模型[42]，但其空間分析多是利用面域或者點狀數據進行分析。線狀聯(lián)系作為空間活動的一種常見形態(tài)，不同路徑之間亦存在相互作用及其相互依賴。線狀要素包括兩個端點，其屬性數據表現為具有起始點的二維矩陣，面域、點狀數據屬性則表現為一維的單列數據，因而線狀聯(lián)系間相互作用復雜程度要高于面域、點狀間的相互作用。構建線狀空間局部分析模型成為理解旅游關注形成機制的重要一環(huán)。

為解決上述3個科學問題，本文以百度關注指數為數據來源，構建旅游關注指數，從網絡化視角分析旅游關注的空間特征，并建立基于線狀要素的局部分析模型，探討影響因素作用的空間異質性。以期深化對旅游網絡關注這一虛擬空間格局及其形成機制的認知。

1 數據來源與研究方法

1.1 數據來源

百度指數是以百度海量網民行為數據為基礎的數據分享平臺。百度搜索指數以網民在百度的搜索量為數據基礎，以關鍵詞為統(tǒng)計對象，科學計算出各個關鍵詞搜索頻次的加權和。根據搜索者區(qū)域的不同，可以按照地域對每個關鍵詞的搜索指數進行劃分。本文利用百度搜索指數來構建省域間旅游關注指數，搜索時段為2017年全年，從1月1日到12月31日。本文從省、市兩個尺度綜合考慮旅游關注，公式如下：

式（1）中，Aij為i省對j省的旅游關注指數，TSIij為i省對j省的省域尺度旅游搜索指數，TSIijk為i省對j省k市的旅游搜索指數，n為j省域內設區(qū)市的數量。本文研究對象為我國的31個省、直轄市和自治區(qū)（不含港澳臺），最終得到31×31的旅游關注網絡矩陣。在關鍵詞的選擇上，省域尺度搜索關鍵詞為“省區(qū)名+旅游”“省區(qū)名+景點”，市域尺度關鍵詞為“城市名+旅游”“城市名+景點”。選擇關鍵詞和省市兩個尺度綜合分析的原因如下：首先，本文研究全國省域之間的旅游關注，考慮到單純進行省域之間的關注搜索數據較粗，因而本文增加了市域尺度的搜索數據，以增強分析的精度。其次，本研究關鍵詞為“旅游”“景點”，選擇“旅游”的原因在于，游客可以通過其獲取目的地旅游攻略等相關信息，便于更為全面地了解目的地情況;選擇景點的原因在于，游客在前往某一地區(qū)進行深入旅游時候，需要關注當地的景點資源，往往會搜索當地存在哪些旅游景點，而后進行合理的路線規(guī)劃。

在本文分析中還涉及其他兩類數據：一類是空間數據，省域行政區(qū)數據來源于國家基礎地理信息中心網站;選擇省會間的公路交通距離作為兩省之間的交通距離，通過百度地圖獲取，省域自身距離為該省所有兩兩設區(qū)市之間公路交通距離的平均值。另一類是社會經濟數據，人口、GDP等數據來源于中國統(tǒng)計年鑒，各省域5A級景區(qū)及其世界遺產數量來源于文化和旅游部網站。

1.2 研究方法

1.2.1? ? 網絡和節(jié)點格局分析指標

旅游關注網絡格局分析指標如下：

式中，ME為平均關注量，IN為不均衡度，AD為平均關注距離。Aij為i省對j省的旅游關注指數，n和m分別為關注節(jié)點和被關注節(jié)點的個數，dij為兩個節(jié)點間的距離，abs為取絕對值函數。不均衡度表征關注之間的差異，分布在0～1之間，數值越大，分布越不均衡。

式中，Pouti、Pini、ASi分別為省域i的關注度、被關注度以及關注優(yōu)勢度，n為省域的數量。關注度反映了省域i對所有省份旅游關注情況，被關注度反映了省域i旅游被其他省份關注情況。ASi為關注度和被關注度的比值，反映省域i的關注與被關注差異。

1.2.2? ? 線狀要素空間相互作用局部模型

利用引力模型這一空間相互作用經典解釋模型來闡述網絡關注的形成機制。選擇被關注地景區(qū)數量來表征吸引力，高級別景點在省域間更易獲得關注，因而本文選擇5A級景點和世界遺產數量作為吸引指標。經濟發(fā)展水平影響居民出游能力，進而影響旅游關注，本文選擇關注者所在省份的GDP作為推力指標。選擇省會間公路距離作為距離影響指標?；谝δＰ偷穆糜侮P注解釋模型可表達如下：

式（8）中，Aij為i省對j省的關注度，ATTj為j省景區(qū)個數，GDPi為i省的GDP，dij為i省和j省之間距離，k、α、β、γ為系數。式（8）的影響因素被認為是全局的，即在回歸擬合中獲得唯一的參數估計。在現實世界中，同一要素對不同空間旅游關注的影響存在差異。為深入地理解影響因素作用的異質性，有必要從局部視角構建分析模型，公式如下：

式（9）中，Aij、ATTj、GDPi、dij含義同上，參數估計與式（8）不同，針對每一個關注Aij都會得到與之對應的參數估計值kij、αij、βij、γij。對于局部模型參數估計需要考慮擬合模型、權重矩陣、不同關注之間距離以及最優(yōu)帶寬4個問題。適用于高斯分布的最小二乘法參數估計和適用于泊松分布的極大似然法參數估計常被用來進行局部分析。旅游關注的結果數值均為計數整數，分布呈現出離散，更適合選用計數分布的泊松分布。旅游關注的泊松模型如下：

式（11）中，[i*j*]代表需要校正旅游關注的起始省份。Wij為空間權重矩陣，高斯核函數（Gaussian kernel）和雙重平方核函數（bi-square kernel）常被用來定義權重矩陣，本研究選擇后者定義權重矩陣，公式如下：

式（12）中，[diji'j']為關注ij和關注[i'j']之間的距離，b為帶寬。如果[diji'j']在帶寬范圍之內，則關注[i'j']參與關注ij的權重矩陣構建和參數估算。關注ij和關注[i'j']之間的距離定義如下：

式（13）中，x、y分別為關注起始端點的經緯度坐標，即省會的經緯度坐標。

運用赤池信息量準則AICc值來確定最優(yōu)帶寬b，該準則可以權衡所估計模型的復雜度和模型擬合數據的優(yōu)良性，AICc數值越小，表明模型擬合的越好[43]。遍歷1至961不同帶寬下獲得的回歸模型，統(tǒng)計每個模型AICc值，選擇AICc值最小的帶寬作為最優(yōu)帶寬，并將最優(yōu)帶寬下得到回歸模型作為解釋模型。

2 關注網絡格局

2.1 總體關注格局

利用式（1）計算得到省域間旅游關注網絡，共961條路徑，并統(tǒng)計分析網絡關注指數的數值分布（圖1）。省域間平均關注指數為537.60，數值較大的多為自身關注，其中，廣東對自身的關注指數最高，為6614，其次是山東、浙江和江蘇對自身的關注;在跨省關注中，數值最高的是江蘇對浙江的關注，關注指數為2340，其次是江蘇對山東、上海對浙江的關注，指數分別為2314和2304。無論是自身關注還是跨省關注，高值關注主要分布在東部地區(qū)。關注指數最低的是西藏對吉林的關注，指數為1，其次是西藏對天津關注;關注指數在10以下的路徑有9條，其中8條是西藏對其他省份的關注。低值關注主要是西部省份對東、中部省份的關注。關注指數在各路徑間的分布存在不均衡性，關注指數在0～500之間的路徑有602條，平均關注指數為250.08;指數在1000以上的路徑有107條，平均關注指數為1748.83。在空間上，高關注路徑在長三角以及華北的京冀魯地區(qū)呈現出網絡化特征，而在華南、西南地區(qū)則呈現出以廣東、云南為核心的放射狀結構。長三角和京津冀地區(qū)居民收入水平較高，出游動機強烈，短距離旅游成為重要的關注對象。而在華南和西南地區(qū)，廣東出游能力較強，到周邊省域旅游需求較為旺盛，關注較多;西南地區(qū)，云南是主要的旅游目的地，受到其他省域，尤其是附近省域的廣泛關注。

2.2 地區(qū)間關注網絡差異

進一步比較分析旅游關注網絡在東、中、西3個地區(qū)的分布差異。東部地區(qū)包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、海南;中部地區(qū)包括為山西、吉林、黑龍江、安徽、江西、河南、湖北、湖南;西部地區(qū)為內蒙古、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆、廣西。各區(qū)的旅游關注被劃分為區(qū)內部相互關注、關注區(qū)外和被區(qū)外關注3個子網絡，并利用式（2）至式（4）計算各個網絡的指標特征（表1）。

在平均關注指數上，東部區(qū)內相互關注網絡指數最高，為1006.25，說明東部地區(qū)內部是全國旅游活動最強烈的區(qū)域，該區(qū)經濟發(fā)達，旅游資源豐富，居民出游意愿強烈。中部區(qū)內的平均旅游關注指數也較高，為678.38。在關注區(qū)外網絡中，東部地區(qū)最高，為588.02，說明東部地區(qū)對中、西部地區(qū)旅游具有較高的關注度和出行意愿;中部地區(qū)次之，平均關注指數為492.96，中部地區(qū)亦有較強的出游動力;西部地區(qū)對區(qū)外旅游關注最低，平均值為257.45，西部地區(qū)居民收入較低，出游動力弱，對中、東部地區(qū)缺乏足夠關注。在被區(qū)外關注網絡中，西部地區(qū)具有更高的被關注度，平均值為513.78，東部地區(qū)被區(qū)外關注度最低，為393.05。綜合來看，東部地區(qū)、中部地區(qū)具有較高的區(qū)內關注度，東部地區(qū)對中、西部地區(qū)關注度較高，西部地區(qū)則更容易受到中、東部地區(qū)的關注。

在均衡性方面，所有網絡的不均衡度指數均分布在0.4～0.8之間，各個網絡的整體均衡性存在差異。區(qū)內關注網絡的不均衡指數均在0.7以上，均衡性比其他類型網絡差。區(qū)內旅游活動頻繁，內部關注差異巨大，西部區(qū)內關注的不均衡性更為明顯。總的來看，各網絡整體均衡性較差，但區(qū)外關注網絡的均衡性要好于跨區(qū)關注的均衡性。

從加權平均關注距離來看，全國平均關注距離為1634.66 km，區(qū)內相互關注的距離較短，東部、中部和西部區(qū)內關注的平均距離分別為792.67 km、634.87 km和1014.37 km。西部地區(qū)由于遠離中、東部地區(qū)，被區(qū)外關注的平均距離最長，為1906.53 km，其關注區(qū)外的平均距離也達到了1611.33 km。此外，東部關注區(qū)外的平均距離也較長，為1558.81 km?？偟膩碚f，區(qū)內關注的平均距離要明顯小于跨區(qū)關注的平均距離，中、東部地區(qū)關注區(qū)外比被區(qū)外關注的平均距離要長，西部地區(qū)被區(qū)外關注比關注區(qū)外具有更強的作用距離。

2.3 省域關注類型劃分

利用式（5）和式（6）計算各省旅游關注度和被關注度，并利用Jenks聚類法劃分為5個等級（表2），以此分析各省域在網絡中扮演的角色。在關注度方面，關注度最高的省份為5個，其中，關注度最高是廣東;5個省份均位于東部沿海地區(qū)，這些地區(qū)經濟發(fā)展好，信息化水平高，居民出游能力強。關注度較高的省份有7個，其中，5個分布于中、東部地區(qū)，2個位于西部地區(qū)。低關注度省份主要分布在西部地區(qū)，這些省份經濟發(fā)展落后，旅游出游意愿較低，其中，關注度最低的是西藏，僅為1548，其次是青海，關注度為4107。在被關注度方面，高被關注度省份有5個，山東的被關注度最高，為34 867，這些省份主要分布在旅游資源較為豐富的地區(qū)，具有較高的旅游吸引力。較高被關注度的省份有7個，這些省份旅游發(fā)展較好，得到了較多的旅游關注。被關注度較低的省份不像關注度較低省份那樣分布在西部地區(qū)，而是在東中西部均有分布。和關注度分布的比較來看，關注度分布在空間上較為集聚，而被關注度離散分布特征更為明顯。

根據各省關注度與被關注度的差異，筆者從類型學視角對其進行類型劃分。利用式（7）計算各省關注優(yōu)勢度，并將其劃分為3類：關注優(yōu)勢型（AS>120）、均衡性（80

3 影響因素異質性分析

3.1 影響因素全局模型分析

對全局模型、局部模型擬合結果進行比較分析，判斷誰對旅游關注的解釋性更優(yōu)。首先，利用泊松回歸估算了全局模型中3因素的系數（表4）。全局模型的Adjusted R2值為0.636，說明全局模型對省域間旅游關注的解釋性不是特別高，擬合方程的AICc值為3554.986。所有估算系數均能通過1%水平的顯著性檢驗。景區(qū)系數（α）、GDP系數（γ）的估算值分別為0.348和0.637，均為正值，說明目的地景區(qū)數量、客源地GDP對旅游關注有促進作用。距離系數（β）的估算值為-0.537，呈現負相關，距離對旅游關注起到阻礙作用。

3.2 影響因素局部模型分析

利用線狀要素空間相互作用局部模型來分析旅游關注相關因素作用的異質性。遍歷所有帶寬，比較不同帶寬下擬合的局部分析模型的AICc值，獲得最優(yōu)帶寬為86。在此帶寬下，旅游關注局部模型的Adjusted R2值為0.947，較全局模型的解釋性明顯提升。AICc值為299.429，較全局模型大幅降低，旅游關注局部模型要明顯地優(yōu)于全局模型。

對于任一個解釋變量，均會得到961個局部參數估計值來描述該變量對各個關注路徑的影響，利用t值對局部參數估計值進行顯著性檢驗，顯著性水平選擇0.05（表5）。在景區(qū)系數估算上，有665條關注通過顯著性檢驗，系數均值為0.361，其中，最大值1.022，最小值-0.308，數值多分布于0～0.8之間，663個系數為正值，說明目的地景區(qū)數量具有促進作用，景區(qū)越多，旅游關注指數越大。GDP系數估算均能通過了顯著性檢驗，系數均值為0.548，最大值1.032，最小值0.196，均為正值，說明客源地GDP對旅游關注同樣具有促進作用，且GDP系數估算值顯著大于景區(qū)系數估算值，說明其影響普遍強于景區(qū)數量的影響。在關注距離系數估算上，有837條關注通過顯著性檢驗，距離系數均值為-0.516，最大值為0.581，最小值為-1.407。僅有7個關注的距離系數為正值，這些關注主要發(fā)生在東部地區(qū)對西部地區(qū)遠距離關注，如山東對云南的關注（0.581），文化和距離的巨大差異，會在一定程度上激發(fā)游客對目的地的關注。其他均為負值，說明距離對省域間旅游關注大多具有抑制作用，距離越遠，關注發(fā)生概率越低。

3.3 影響因素作用的空間異質性

3.3.1? ? 景區(qū)作用的空間異質性

被關注地景區(qū)數量對旅游關注影響的空間分布如圖2（a）所示。景區(qū)影響在不同關注間存在明顯差異。從顯著性上看，華北、華東、東北省份作為被關注對象時，普遍能夠通過顯著性檢驗;華南、西南、西北地區(qū)省份作為被關注對象時，部分系數無法通過顯著性檢驗，其中，貴州、新疆僅有2個被關注路徑通過檢驗，這些省份景區(qū)數量雖然在提升關注方面有正向影響，但影響不夠顯著。從空間分布來看，高影響關注度主要分布在華東和華北地區(qū)，估算值最大的是河南關注山東，景區(qū)系數為1.022，其次是山東關注山東、山東關注河南，景區(qū)系數分別為0.985和0.933，東部地區(qū)資源豐富，出游距離適中，景點對短距離游客具有較強的吸引力。景區(qū)影響系數僅有2個為負數，分別是西藏關注廣東和西藏關注海南。其他系數較低的值多為與西部地區(qū)有關的長距離關注。進一步探討景區(qū)影響系數和關注距離之間關系，發(fā)現影響系數較高的主要為短距離關注，長距離關注的影響系數普遍較低。說明在短距離范圍內，高等級景區(qū)數量的多少會顯著地影響潛在游客的旅游關注;長距離范圍內，景區(qū)影響強度降低，游客關注不再僅僅依賴目的地景區(qū)數量。

3.3.2? ? 經濟作用的空間異質性

客源地GDP影響差異如圖2（b）所示。從顯著性來看，所有關注的GDP影響系數均通過了顯著性檢驗，且系數值均為正值，說明客源地GDP對旅游關注均起到正向影響， GDP越高，旅游關注指數也就越大。從圖上可以看出，新疆、西藏關注其他省份的GDP系數較高，邊疆地區(qū)處于邊緣地區(qū)，距離效應明顯，因而GDP的正向促進作用會更加明顯，東北三省被西部省份關注的GDP系數也較高。從空間分布來看，高值GDP影響系數主要產生于遠距離關注，最高的是新疆關注遼寧，系數為1.032;影響系數最低的是遼寧關注吉林，數值為0.196，其次是天津關注內蒙古。同樣，進一步探討影響系數和關注距離間的關系，影響系數較高的關注多是從西部省份出發(fā)的長距離關注，影響系數較低的關注發(fā)生在東北、華北地區(qū)的短距離關注。西部省份的經濟發(fā)展水平對其關注中東部較遠距離省份具有較強的影響，而短距離旅游關注受到客源地經濟發(fā)展水平的影響較低。

3.3.3? ?距離作用的空間異質性

距離對旅游關注影響的異質性如圖2（c）所示。有837條關注通過5%水平的顯著性檢驗，無法通過檢驗的關注主要為華北、華東及其東北地區(qū)省份對華南、西南及其西北地區(qū)省份的旅游關注。從數值上看，僅有7個關注的距離影響系數為正值，且被關注地均是云南，客源地都是東部發(fā)達省份，說明距離對云南邊境旅游具有正向作用。其余830條關注的距離系數均為負值，說明距離對旅游關注? ?整體上起到抑制作用。從分布圖上來看，距離影響較大的關注多是中、西部省份間的關注，而中、東部省份間關注的距離影響較小。距離影響較大的關注以呈現出以西藏、新疆、青海為中心的放射性結構，其中，抑制作用最強的是西藏對內蒙古的關注，數值為-1.407。中、東部地區(qū)省份間旅游關注的距離影響較小，如上海對海南關注的距離影響系數只有-0.188。此外，客源地經濟較好省份的旅游關注受到距離的影響較小，經濟欠發(fā)達省份旅游關注受到距離的影響較大。

無論是全局模型還是局部模型的分析，在旅游關注這一虛擬空間中距離效應依然存在。在以往現實空間距離效應分析中，如在全國尺度運用航空數據和媒介簽到數據的流動研究中，影響系數多在-0.8左右[18， 44];在利用出租車軌跡或者公交卡數據的城市內部流動研究中，影響系數多在-2.0～-1.0之間[45-46]。本文利用局部模型在全國尺度的旅游關注分析中得到距離影響因素大多在-1.0～0之間，平均值為-0.516，數值明顯小于現實空間中的距離影響系數。說明旅游關注這一虛擬空間中雖然存在距離衰減效應，但作用強度明顯弱于現實空間。

4 結論和討論

網絡分析日益成為研究地理空間的新范式，旅游業(yè)作為國民經濟的重要組成部分，旅游關注網絡值得深入分析。地理空間存在空間依賴，影響因素在空間上呈現出非平穩(wěn)性，虛擬空間是否存在這樣的關聯(lián)效應和非平穩(wěn)性呢？本文以百度搜索指數為數據來源，構建旅游關注指數，建立旅游關注網絡，探討旅游關注這一虛擬網絡在省域尺度的格局特征，并基于線狀要素空間相互作用局部模型來分析影響因素的空間異質性。研究結論如下：

（1）旅游關注網絡格局存在明顯的空間差異，東部地區(qū)、中部地區(qū)具有較高的區(qū)內關注度，東部地區(qū)對中、西部地區(qū)的關注度也較高，西部地區(qū)更容易受到中、東部地區(qū)的旅游關注。網絡整體均衡性較差，但區(qū)內關注網絡的均衡性要好于跨區(qū)關注的均衡性。高關注度省份集聚分布于東部沿海地區(qū)，而被關注度的離散分布特征更為明顯。

（2）線狀要素空間相互作用局部分析模型能夠很好地處理旅游關注的局部空間關系，擬合結果優(yōu)于全局模型，各個系數估算值均呈現出正態(tài)分布特征。被關注省份景區(qū)數量和客源地GDP對旅游關注具有正向促進作用，但GDP影響要普遍強于景區(qū)影響。關注地和被關注地之間的距離對旅游關注具有抑制作用，距離越遠，關注指數越低。

（3）研究從局部的視角闡述了旅游關注與解釋變量之間相互關系。景區(qū)數量、經濟水平和距離對關注的影響存在異質性。景區(qū)影響較高的關注主要發(fā)生在短距離之內，而長距離關注的景區(qū)影響普遍較低。西部省份對東部省份的長距離關注更易受到經濟發(fā)展水平的影響，而短距離旅游關注受到經濟發(fā)展水平的影響較低?？驮吹亟洕^好省份的旅游關注受到距離的影響較小，經濟欠發(fā)達地區(qū)旅游關注受到距離的影響較大。

（4）在旅游關注這一虛擬空間中，距離效應? ? 依然存在。省域間旅游關注的距離影響系數大多在-1.0～0之間，均值為-0.516，數值明顯小于現實空間中的距離影響系數，距離效應強度弱于現實空間。

本研究尚存在一些局限，如只利用1年數據來研究旅游關注，無法從時間維度探討旅游關注及其變量影響作用的變化，對其規(guī)律性把握存在一定困難;研究粒度建立在省域單元，空間面積較大，且將省域間距離測算設定在省會之間，這對距離效應分析會存在一定誤差;在空間權重設定上，只考慮了旅游關注間絕對歐式空間距離，而忽視了快捷交通體系及其地形地貌的潛在影響;在影響因素的選擇及其影響因素表征指標設定上需要進一步地完善，如運用綜合評價獲取景點分值來表征吸引力;在關鍵詞的搜索上，僅用省市名+旅游、省市名+景點進行搜索，可能會影響到搜索的精度。盡管如此，現有數據仍然能夠支撐旅游關注網絡化格局和局部模型分析，并得到了一些新的有意義的結論，為有效解釋旅游關注及其與相關要素的空間關系提供了嶄新視角。在未來的研究中，基于相對距離的長時段、小尺度的綜合過程分析將成為進一步深化方向，并將關注數據和現實流動數據進行交互驗證分析，從而更深入地揭示游客在現實和虛擬空間的旅游行為。

總之，網絡關注是旅游虛擬空間分析的一個重要組成部分，是旅游相關影響要素在網絡空間的真實表達，為深入理解虛擬空間中的旅游行為提供了潛在的可能?；诘乩硇畔⑾到y(tǒng)的空間分析，特別是空間統(tǒng)計，提供了一套強有力的工具，能夠在考慮空間依賴性和空間異質性的基礎上來研究旅游空間相互作用。同時，線狀要素空間相互作用局部分析模型在捕獲網絡（流動）空間非平穩(wěn)能力方面具有顯著的優(yōu)勢，為理解旅游關注網絡乃至其他類型網絡（流動）的形成機制提供了一種新的可行的空間分析方法和建模思路。

參考文獻（References）

[1] 周其樓， 張捷. 物聯(lián)網時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] 劉衛(wèi)東. 論我國互聯(lián)網的發(fā)展及其潛在空間影響[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] 張捷， 顧朝林， 都金康， 等. 計算機網絡信息空間（Cyberspace）的人文地理學研究進展與展望[J]. 地理科學， 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. 巴凱斯， 路紫. 從地理空間到地理網絡空間的變化趨勢： 兼論西方學者關于電信對地區(qū)影響的研究[J]. 地理學報， 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] 沈麗珍， 張敏， 甄峰. 信息技術影響下的空間觀及其研究進展[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 Internets 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， 寧越敏. 互聯(lián)網與中國信息網絡城市的崛起[J]. 地理學報， 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. 互聯(lián)網下的我國城市等級體系及其作用機制——基于百度搜索的實證分析[J]. 經濟地理， 2016， 36（1）： 46-52. [WANG Bo， ZHEN Feng. Chinas 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， 陳映雪. 基于網絡社會空間的中國城市網絡特征——以新浪微博為例[J]. 地理學報， 2012， 67（8）： 1031-1043. [ZHEN Feng， WANG Bo， CHEN Yinxue. Chinas 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， 趙亞紅， 吳士鋒， 等. 旅游網站訪問者行為的時間分布及導引分析[J]. 地理學報， 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， OLeary 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] 靳誠， 徐菁， 黃震方， 等. 南京城市內部景點間游客流動特征分析[J]. 地理學報， 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， 邱榮旭， 陳玲. 基于百度指數的旅游景區(qū)絡空間關注度： 時間分布及其前兆效應[J]. 地理與地理信息科學， 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] 張曉梅， 程紹文， 劉曉蕾， 等. 古城旅游地網絡關注度時空特征及其影響因素——以平遙古城為例[J]. 經濟地理， 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] 王碩， 曾克峰， 童潔， 等. 黃金周風景名勝區(qū)旅游客流量與網絡關注度相關性分析——以廬山、華山、八達嶺長城風景名勝區(qū)為例[J]. 經濟地理， 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， 郭風華， 傅學慶， 等. 基于自發(fā)地理信息的旅游地景觀關注度研究——以九寨溝為例[J]. 旅游學刊， 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， 潘植強. 基于旅游數字足跡的目的地關注度與共現效應研究——以上海歷史街區(qū)為例[J]. 旅游學刊， 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] 馬麗君， 龍云. 基于網絡關注度的湖南省居民旅游需求時空特征[J]. 經濟地理， 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] 靜恩明， 郭風華， 李仁杰， 等. 基于新浪旅游博客的河北省A級景區(qū)網絡關注度研究[J]. 地理與地理信息科學， 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， 郭風華， 李仁杰， 等. 基于Tripadvisor的中國旅游地國際關注度及空間格局[J]. 地理科學進展， 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] 馬莉， 劉培學， 張建新， 等. 景區(qū)旅游流與網絡關注度的區(qū)域時空分異研究[J]. 地理與地理信息科學， 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] 孫燁， 張宏磊， 劉培學， 等. 基于旅游者網絡關注度的旅游景區(qū)日游客量預測研究——以不同客戶端百度指數為例[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] 馬麗君， 孫根年， 楊睿， 等. 城市氣候舒適度與游客網絡關注度時空相關分析[J]. 地理科學進展， 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] 鄒永廣， 林煒鈴， 鄭向敏. 旅游安全網絡關注度時空特征及其影響因素[J]. 旅游學刊， 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] 馬麗君， 孫根年， 黃蕓瑪， 等. 城市國內客流量與游客網絡關注度時空相關分析[J]. 經濟地理， 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.