EN中文

地理科学 >

2021 , Vol. 41 >Issue 11: 1992 - 2001

DOI: https://doi.org/10.13249/j.cnki.sgs.2021.11.012

旅游景区客流规模特征与影响因素研究——以江苏省204家景区为例

  • 刘培学 ,
  • 张捷 , * ,
  • 张建新 ,
  • 张金悦 ,
  • 张迎莹
展开
  • 南京大学地理与海洋科学学院，江苏 南京 210023
张捷。E-mail:

刘培学（1987-），男，山东潍坊人，助理研究员，博士，主要从事大数据与流空间研究。E-mail:

收稿日期: 2020-06-05

  修回日期: 2020-09-06

  网络出版日期: 2022-01-24

基金资助

国家自然科学基金项目(42001145)

教育部人文社会科学研究一般项目(20YJC790080)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

The Rank-size Distribution and Influencing Factors of Tourist Flow: A Case Study of 204 Scenic Spots in Jiangsu Province

  • Liu Peixue ,
  • Zhang Jie , * ,
  • Zhang Jianxin ,
  • Zhang Jinyue ,
  • Zhang Yingying
Expand
  • School of Geography and Ocean Science, Nanjing University, Nanjing 210023, Jiangsu, China

Received date: 2020-06-05

  Revised date: 2020-09-06

  Online published: 2022-01-24

Supported by

National Natural Science Foundation of China(42001145)

MOE (Ministry of Education in China) Project of Humanities and Social Sciences(20YJC790080)

Copyright

Copyright reserved © 2021.
Fold

摘要

以江苏省204家4A级及以上景区为例，利用手机信令漫游监测所得的旅游客流客源数据，基于Zifp法则表现江苏景区年客流量的位序-规模特征，在全省景区旅游客流规模的不同组间差异特征分析的基础上，使用多元线性回归和最优标度回归方法研究了景区客流规模的影响因素。研究表明：① 省域目的地内部景区客流规模等级明显，省外客源的客流规模分布较省内差异大，更符合首位型分布特征；② 全省整体客流的季节性不明显，各景区的季节性较强，不同产品类型的景区存在季节波动性差异；③ 景区客流受景区等级、季节性、市中心距离、所在城市经济发展水平等因素的影响，省内外客流在部分因素影响程度上存在明显差异，景区季节波动增大会显著降低其接待的省内客流规模。对优化景区客流规模等级体系和目的地区域空间结构提出建议。

关键词： 目的地区域; 大数据; 旅游流; 位序规模; 最优标度回归

本文引用格式

刘培学 , 张捷 , 张建新 , 张金悦 , 张迎莹 . 旅游景区客流规模特征与影响因素研究——以江苏省204家景区为例[J]. 地理科学, 2021 , 41(11) : 1992 -2001 . DOI: 10.13249/j.cnki.sgs.2021.11.012

Abstract

This study takes 204 scenic spots of 4A and 5A levels within the provincial destination as an example. Using the big data of tourist flow from mobile signaling roaming monitoring, based on the Zifp rule to show the order-scale characteristics of the annual tourist flow in Jiangsu scenic area. Taking the Gini coefficient, the Tyre coefficient and the seasonal ratio to analyze the seasonal differences and characteristics of the tourist flow scale in the provincial scenic spot. The optimal scale regression was used to study the influencing factors of the tourist flow scale in the scenic spot. Results shows that: 1) The size of the tourist flow scale in the internal scenic spot of the provincial destination is obvious, and the distribution of the tourist flow outside the province is larger than that in the province, which is more consistent with the distribution of the law of the primate city; 2) The seasonality of the overall tourist flow in Jiangsu Province is not obvious, while seasonal is strong in different scenic spots, there is a certain regional differentiation difference in this region; 3) Tourist flow is significantly affected by many factors such as scenic spot level, downtown distance, and economic development level of the city. There are significant differences in the degree of influence on tourist flow inside and outside the province. Combined with the background of all-area tourism-based development, this paper puts forward suggestions for optimizing the hierarchical system of tourist flow scale and the spatial structure of the destination area.

Key words： tourist destination district; big data; tourist flow; rank-size; Categorical Regression (CATREG)

旅游发展依赖于旅游景区作为吸引物的广泛分布和旅游空间的生产，旅游景区及其客流的时间特征和空间结构的相关研究，一直是学术界研究的重要内容之一[1]。景区作为大尺度区域目的地基本的点状地理单元，在旅游资源和市场的分离特性等的影响下，景区与其客流的区域分异尤为明显。把握区域内景区旅游客流的规模特征、空间格局与影响机制，有助于优化旅游供需，均衡目的地区域体系结构。已有研究主要聚集于国家或区域目的地尺度内的旅游景区，特别是A级景区的空间布局特征[2,3]，进一步对目的地区域内景区客流规模差异的探索有利于在更高层次上均衡协调目的地建设和区域旅游发展。
位序规模分析能有效地反映人口、城市、企业和旅游规模等分布的集聚特征，在国内获得广泛应用，推动了人们对城市规模等级演化[4]、城市流动人口规模[5]、入境游客量[6]和旅游收入[7]等分布规律及历时性演化的客观认识。随着多源数据逐渐丰富，学者们不再囿于传统统计数据，出现基于遥感灯光数据的城市规模[8]和基于网络平台数据的批发企业规模[9]等拓展。旅游客流规模的等级结构是旅游流空间交互的动力之一，但现有研究多为城市尺度，对目的地内部各景区的客流分布是否存在一定的位序规模规律尚不明晰。
旅游季节性是旅游业和旅游流的基本特征之一[10]。国内旅游季节性的研究多为针对某一具体旅游城市或景区的时间特征分析案例，而对多个景区季节性对比研究也在少量某类景区间进行[11,12]，普适性应用价值不高。国外研究比较丰富多样，针对不同客源的季节性差异[13]，多个时间尺度分析季节性[14]，对目的地内部的季节性差异和聚类[15]，总结不同的季节性模式[16]等等。近年来，多源数据与多样方法细致地定量描述旅游需求和行为特征随时间变化的研究逐渐丰富[17]，但整体而言，关于目的地季节性对其客流规模的影响程度尚不明晰。
现有研究对景区客流规模的认知仍然是不全面的。景区客流规模是景区市场影响力的主要指标，受级别[18]、所在城市[19]、交通区位[20]和气候舒适度[21]等因素综合影响。学界对景区客流的影响因素讨论很多，但缺少对多种影响因素的系统性研究和量化分析，还常与景区的空间分布影响相混淆。对景区尺度因素指标选取等方面研究极少，也未区分不同客源地进行对比分析，这与景区间差异大、可比因素少且数据较难获取有一定关系。为明确省域目的地内客流分布及影响因素，优化目的地空间布局，本文选择江苏省为案例地，基于旅游大数据平台长期稳定获取的客流时间序列，在大量景区客流与客源数据上不再采用“变通方式”[1]，分析省域内204家4A级以上景区的客流的位序规模特征和季节特征，选取适宜景区尺度的影响因素指标，采用多源数据建立多元线性回归和最优标度回归模型，对比各因素对省内外客源影响程度的差异，提出目的地旅游发展的建议。

1 数据来源与方法

1.1 数据来源

基于多方因素综合，选择国内著名的省级旅游目的地江苏省为研究区。江苏地跨长江、淮河南北，拥有吴、金陵、淮扬、中原四大多元文化及地域特征，是旅游资源的富集区和重要客源地，在高等级旅游景区的数量和质量上均处于领先地位。本文选择江苏省旅游主管部门与相关移动运营公司建设的江苏旅游客情系统平台完善的首个完整年份2017年全年及分月各景区省内外客流量数据。江苏共有国家4A级景区182家，5A级景区22家（截至2016年），平台获取这些景区接待的游客量达到3.2亿人次，有较好的覆盖度和代表性。因平台相关移动基站设备检修、调试等技术原因，有23个景区缺失部分月份（2~6个月不等）客流量，在总量分析中参考前后月度平均数据或上年相应月份数据对缺失值进行平滑补充处理。为保证结果有效性，在季节性相关分析中采用181个全年分月数据完整景区。
综合文献研究和相关数据的可获得性，本文选取景区级别[18]、资源产品类型和季节性特征代表景区自身属性；实际门票价格与网络评价满意度代表其市场性价比程度；用距离交通区位[22]和所在城市经济规模[19]为区域影响因素，共同组成影响因素指标体系。景区级别按2017年景区挂牌级别确定。城市经济发展水平采用城市当年地区生产总值，来自《江苏统计年鉴（2018）》[23]。交通区位选择距离所在地市城区中心（参考百度地图热力图确定）直线距离，门票价格选择各网络平台日常价格，景区满意度指标选择携程网（ https://www.ctrip.com/）评分（2018年1月获取）。

1.2 位序–规模分布与均衡性指标

基于位序–规模的分形（Fractal）方法，可揭示旅游流体系的等级层次结构、核心边缘结构、客源与区域差异等[24,25]。用齐夫（Zipf）模型参数值分析江苏省主要景区游客量与位序关系[26]。假设：
$ \mathrm{l}\mathrm{n}{P}_{k}=\mathrm{l}\mathrm{n}{P}_{1}-q\mathrm{l}\mathrm{n}K $
式中， $ {P}_{k} $ 为位序为K的景区游客量，K为该景区客流在所有景区中的位序，P1为景区中的最大游客量，q为齐夫参数。依据q值可将旅游规模分布分为3类: 当q≤0.85 时为分散均衡型，0.85<q<1.2时是集中型，q≥1.2时为首位型。
采用变异系数（Coefficient of Variation）来衡量某一时间段内多个景区客流的均衡程度，即样本均方差与均值的比值，可以消除测量尺度和量纲的影响，是平均数与标准差的比值，通常用于分析样本在某项指标的分布差异程度，其值越接近于0，分布越均衡。
旅游客流规模的年内时间不均衡性即季节性，能够采用很多指标进行表达，从统计学意义上来说，就是对于时间数据的离散程度进行测算[17]。本文选择常用的旅游季节性测度指标进行分析，包括季节性变异系数（Coefficient of seasonal variation，CSV）、基尼系数（Gini coefficient，G）、泰尔系数（Theil’s entropy measure，T）、季节性比率（Seasonality Ratio，SR）等[27,28]。

1.3 最优标度回归

针对景区客流影响因素中普遍存在的分类变量问题，本文采用最优标度变换来处理统计分析中如何对分类变量进行量化的问题。最小二乘法（Ordinary Least Square，OLS）回归依赖于对线性、正态性、同方差性和误差项独立性的严格假设。它还需要大量的样本，这些样本通常不容易通过社会调查方法获得（由于时间和资金预算的限制）。而最优标度回归（Categorical Regression，CATREG）使用一个最优的缩放过程来缩放因变量和自变量，能够识别解释变量的相对重要性[29]。CATREG可用于相对较小的样本量，且非常适合包含类别数据[30]。
其根据数据之间的关联，利用最优标度变换为原始分类变量的每一个类别找到最佳的量化评分，随后在相应的模型中使用量化评分代替原始变量进行后续分析，解决了分类变量难以和连续变量纳入同一量化体系的问题，因而广泛应用于分类变量和连续变量同时进行回归分析的问题。最优标度回归分析的本质是在归一化限制下找到满足下列算式最小的一组解。
$\sigma \left( {{{y}_r};b;{{y}_j}} \right) = {\left( {{{G}_r}{{y}_r} - \sum\limits_{j \in {J_p}}^{} {{b_j}{{G}_j}{{y}_j}} } \right)'}{W}\left( {{{G}_r}{{y}_r} - \sum\limits_{j \in {J_p}}^{} {{b_j}{{G}_j}{{y}_j}} } \right)$
式中，yr是因变量的（类别）量化向量，yj是自变量j的（类别）量化向量，Gj是自变量j的指标矩阵，Gr是因变量的指标矩阵， ${b}$ 是自变量的回归系数（的向量）。W为wj组成的 ${n_{tot}} \times {n_{tot}}$ 阶对角矩阵， ${n_{tot}}$ 为样本总数（为分析样本与补充样本数量之和）。其中wj为样本i的权重，若为不加权样本，则wi=1，否则为0。
对归一化对各类变量做不同的限制，并利用非线性变化进行量化，量化结果要满足以下算式：
${{y}'}_j{{D}_j}{{y}_j} = {n_w}$
式中，y′为y向量的转置，Dj是变量j的对角矩阵， ${n_w}$ 是各变量的加权和。经过量化向量和回归系数的更新和收敛测试的反复迭代，最终求得最优标度回归结果，计算过程基于SPSS 23.0软件平台。

2 景区客流的位序规模特征

2.1 江苏景区位序规模特征与区域差异

根据平台数据，2017年江苏省204个主要景区共接待游客3.2亿人次，其中，接待省外游客1.2亿人次。江苏省5A级景区共22个，平均接待425.8万人次；4A级景区182个，平均接待118.5万人次。江苏景区空间分布相对均衡，从景区接待客流量角度看，苏锡、宁镇扬形成两大核心（图1）。从江苏省内各旅游景区接待量的整体看，在第180位景区（新四军刘老庄连纪念馆）之后，旅游客流量迅速下降。第1位景区（夫子庙，1 743.7万人次）是第180位景区客流规模的近百倍；第204 位景区（鸿山遗址博物馆）仅是180位景区的2.4%。
图1 江苏主要景区布局及其年客流量的核密度分布

Fig. 1 Distribution of the major scenic spots and the kernel density distribution of annual tourist flow in Jiangsu Province

按照位序规模法则进行拟合（图2），表明江苏省景区游客量分省内、省外游客均满足位序规模法则。景区省内游客量拟合方程中齐夫参数q低于景区省外游客量规模，省内更接近于1，说明规模等级结构的分布模式趋向于对数正态分布。
图2 江苏省主要景区游客量位序规模

Fig. 2 Tourists flow rank-size of the major scenic spots of Jiangsu

分省内、省外客源分析规律基本一致，省外差异更大（齐夫参数q=1.366），更符合首位型特征。齐夫参数q > 1时，各景区旅游流的差异化程度加大，等级明显，客流规模结构呈不规则帕累托（Pareto）的空间分布形态。
分别从苏南（南京，苏州，无锡，常州，镇江，包括86家4A级及以上景区）、苏中（包括南通、泰州、扬州，25家）、苏北（徐州、连云港、宿迁、淮安、盐城，93家）3个区域分析景区游客量的分区域特征，苏北地区景区数量最多，苏南景区接待的游客量更多。苏南景区接待游客量占总量的62.4%，平均接待228.1万人次；苏中景区数量与游客接待量同为12.3%，平均接待159.5万人次；苏北地区各景区平均接待88.7万人次，以45%的景区数量占比仅接待了25.4%的游客量。
为进一步研究旅游流规模结构在空间地域分布的变化规律，分别对苏南、苏中、苏北3个区域景区位序-规模效应进行分析（图3）。苏中地区q值（0.954）接近1，表示该区域内景区旅游流规模间隔差距较一致，等级结构的空间表现形态呈Pareto分布模式，苏北、苏南呈逐渐强化的不规则Pareto分布模式，苏北表现出更强的长尾效应。
图3 江苏省主要景区游客量分区域位序规模

Fig. 3 Tourists flow rank-size of the major scenic spots in the sub-regions of Jiangsu

除了位序规模展示的分布特征，还可以采用变异系数来衡量区域内各景区游客量的均衡程度。江苏省景区间游客量的变异系数为1.330，接待省外客流量较省内游客量略为均衡（表1）。变异系数全省层面差异最大，而分区域内有所缓解，苏中地区以0.888为最低。景区接待省外客流规模之间的差异均小于其省内客流规模间。
表1 景区客流量分区域变异系数

Table 1 Tourist flow’s coefficient of variation in the sub-regions of Jiangsu Province

变异系数 景区游客量 景区省外游客量 景区省内游客量
苏南景区间 1.211 1.126 1.504
苏中景区间 0.888 0.872 1.099
苏北景区间 0.992 0.930 1.434
全省景区间 1.330 1.165 1.779

2.2 江苏景区客流规模的季节性特征

首先，采用变异系数计算各月各景区间客流规模间的差异，与年内江苏景区接待客流总量的月度变化进行对比。如图4所示，2017年江苏各景区间每月变异系数均大于1，规模分布差异明显，在3月与10月大于年平均值1.330；与实际游客量的变化对比可以发现，4月虽然是旅游旺季，但景区客流均衡性不同。3月出游江南的季节性，而4~5月随着全域转暖，客流均有所提升，规模分布总体趋于平衡。10月的国庆黄金周导致部分区域或者核心景区游客量集中，受秋冬季节影响持续到11月，至12月变异系数回归到平均水平。
图4 江苏景区客流规模变异系数月度变化

Fig. 4 Monthly changes in the coefficient of variation of tourism flow of scenic spots within Jiangsu

进一步使用4个常用季节性指数计算月度数据完整的181家景区，可以发现，4种季节性指标趋势基本一致，与Karamustafa等对土耳其旅游季节性进行测度中发现的各方法没有优劣之分的结论一致[31]，仅季节性比率在局部不如另3种指标的趋势明显。分区域来看（图5）基尼系数分布，苏中地区的景区间季节性基尼系数差异明显。苏北地区景区季节性略高于苏南，但苏南存在一批由春季江南踏青因素带来的强季节性景区，两区域内景区约在第20位序之后趋于稳定。全省景区总客流的分月季节基尼系数为0.007，而各景区基尼系数介于0.053~0.463，均值为0.169。省域范围尺度大，特别是江苏地跨江南江北，景区类型较多，使得全省总体客流的季节性不明显，但大部分景区的季节性较强，而且景区间分化差异明显。
图5 江苏省景区季节性指标的分区域序列差异

Fig. 5 Seasonal indicators difference of scenic spots in the sub-regions of Jiangsu Province

其中，基尼系数的指标数值间差异大，区分度更好，是测度景区季节性的优选指标，因而选择与客流规模进行Spearman秩相关分析。客流规模与季节基尼系数之间的秩相关系数为-0.221（在0.01水平上显著），表明随着客流规模的降低，景区的季节波动呈现上升趋势，淡旺季愈加明显。

3 景区客流规模的影响因素分析

3.1 模型的建立

景区客流的影响因素可分为景区属性条件和区域基础环境2种。景区属性方面，选择景区门票价格（其中收费景区共131家，均值51.4元）、景区等级（5A与4A级）、景区类型、景区品质和景区季节波动（采用基尼系数）。景区品质指标用携程网满意度点评分（均值4.5）和点评量（均值1588.4），先分别按百分制标准化，再按各70%和30%权重进行加成作为满意度指数（均值63.4）。
根据景区资源特性和细分市场，参考已有研究[20]，把江苏4A级及以上景区细分为自然景观（42家）、历史文化（98家）、红色旅游（12家）、主题娱乐（20家）、休闲度假（9家）5种类型。所在城市对景区客流的影响巨大，因此区域基础环境方面选择景区所在13个城市及其经济规模（2017年各城市GDP均值6 780.4亿元），以及城市内交通区位3个指标。城市内交通区位采用景区与市中心距离（均值25.5 km）。对数化处理省内、省外和总客流等3种游客量（分别为lninn、lnout和lntotal）与城市经济规模、门票价格、市中心距离指标（分别为lnGDP、lnpri和lndis，门票价格存在较多表示免费的0值，采用加1处理后取对数）。在模型中设置景区等级为有序标度级别（4A为0，5A为1），景区类型和所在城市为名义标度级别，其他为数字标度级别。在多元线性回归中，对非有序类型变量需引入多个哑变量，无法判断该因素影响程度，根据研究设计要求进行简化，将5A等级赋值为1，自然类型赋值为1，位于长江以南景区赋值为1，相应属性的其他值均设为0。
在回归分析前，有必要对数据结构和内部特征进行进一步了解。采用独立样本非参数K-W检验(Kruskal-Wallis test)可以对比不同景区分类在客流量、门票价格、季节性和满意评价上的组间差异，选取其中差异显著（渐进显著性小于0.05）的分类指标及其中位数进行箱形图表达（图6）。苏中地区的景区网络满意度普遍较高（图6a）；苏南景区的满意度和游客量上存在诸多表现突出的离群值（图6a、b），以苏州、南京与常州市内景区最为典型（图6d）；苏北景区网络满意度较低，大部分景区客流量落在较小的箱体内（图b6）。景区等级方面（图6c），5A级景区客流量明显高于绝大部分4A景区，表明等级差异较大。5种产品类型景区间在客流规模上差异并不显著，在门票价格和季节波动性方面存在显著差异，红色旅游景区普遍免费，主题公园类景区往往高票价，且自然类景区门票中位数高于人文类别（图6e）。自然景观类和休闲度假类景区的季节性较强（图6f），历史文化类整体季节性较弱，但诸如瘦西湖景区这种人文历史资源依托自然山水共生的景区季节性较强，属此类中的离群值。
图6 江苏省景区不同分类下的组间差异检验

Fig. 6 Test of inter-group differences under different categories of scenic spots in Jiangsu Province

3.2 回归结果分析

首先用多元线性回归分别对景区省内、外游客和总游客量进行拟合，各因素间多重共线性较弱（VIF统计值为1.1~2.5），3个模型显著但拟合度一般（调整后R2分别为0.195、0.300和0.244），在省外游客模型中略高。其中，景区等级、季节基尼系数与市中心距离等3个因素对景区3种客流量有显著影响，而省外游客还受满意度指数和景区所在地经济发展水平的显著影响。
然后，基于最优标度回归分析方法对景区客流量的影响因素进行估计，模型拟合优度分别达到34.7%、45.9%和41.3%，对景区省外客流规模的解释力较高（表2）。模型显著水平较高，方差分析显示均为0.001水平下显著。相比OLS回归模型，CATREG模型调整后的R2亦均有所提高，而且有效识别了景区类型和所在城市两个多类型变量的显著影响。CATREG模型估计结果表明，景区客流规模受景区等级、类型、季节性和所在城市的显著影响，季节波动明显和距离市中心较远两因素对客流规模有较强的负向影响。省内外不同客源地游客有所不同，景区所在城市经济规模在省内游客的影响方面不显著，却受季节性波动影响显著，而省外游客反之。
表2 景区客流规模影响因素的最优标度回归分析结果

Table 2 Optimal scale regression analysis results of influencing factors of scenic spots tourist flow

变量 省内客流 lninn 省外客流 lnout 总客流 lntotal
标准化
系数 		F 重要性 标准化
系数 		F 重要性 标准化
系数 		F 重要性
　　注：***，**，*分别代表0.01，0.05，0.1水平下显著。
门票价格 -0.065 0.249 0.010 0.110 0.676 0.043 0.099 0.583 0.030
景区等级 0.295*** 12.799 0.260 0.278*** 9.439 0.264 0.338*** 13.824 0.321
类型 0.112*** 3.792 -0.003 0.148*** 7.881 0.010 0.114*** 4.569 0.001
季节基尼系数 -0.190*** 5.925 0.150 -0.096 0.738 0.038 -0.175*** 5.108 0.101
满意度指数 -0.121 1.374 -0.016 0.119 0.494 0.100 -0.145 0.794 -0.011
市中心距离 -0.259*** 12.271 0.243 -0.247*** 12.178 0.178 -0.279*** 14.105 0.228
城市经济规模 0.327 1.305 0.102 0.598** 4.588 0.267 0.493* 2.389 0.170
所在城市 0.356*** 4.838 0.253 0.550*** 7.186 0.098 0.471*** 4.868 0.158
R2 0.347 0.459 0.413
调整后的R2 0.221 0.363 0.309
显著性 0.000 0.000 0.000
CATREG模型结果进一步提供了各因素的重要性指标，体现的是自变量在模型中的影响重要程度的百分比。影响总体客流各因素的重要性依次为景区等级、市中心距离、所在城市的经济发展水平和所在城市。经过对比可以发现，对于省内游客而言，景区等级与市中心距离的区位因素无论在系数（0.295和-0.259）还是重要性（0.260和0.243）上都相近，显示出5A级景区对于区位不敏感，往往被游客视作为独立的目的地。而且，景区到市中心距离的远近对于省内游客比省外游客更加重要。
所在城市及其经济水平合计重要性在3个模型中均超过0.320，省外游客更加重视景区所在城市发展水平而非具体城市，而省内游客则相反。例如省外游客对于苏南或苏锡常往往视为一体，以经济发展水平划分区域并选择景区，而省内游客则有细致的区分，更关注所处具体城市。
季节波动对省内游客呈现显著影响（-0.190），对省外游客不显著，且重要性上低于省内。表明省内游客对季节波动更为敏感，选择在景区旺季出游，加强了景区的季节性波动，省外游客出游距离远，在选择目的地时顾及出行成本和可达性，往往无法顾及景区淡旺季属性。
景区类型影响显著，对省外游客影响略高于省内游客，但重要性均较低，表明游客需求在各个类型之间其实并无根本差异，还是关注其自身而非产品类别的吸引力，同时，省外游客还更加看重景区满意度评价（10.0%）。

4 结论与展望

1）省域内景区客流规模的等级分化明显，省外客源的客流规模分布较省内差异大，更符合首位型分布特征。区域景区间存在分化，景区客流规模在苏北、苏南呈现逐渐强化的不规则帕累托分布，苏北表现出更强的长尾效应。不同地域、城市和等级的景区在客流量上存在组间差异，不同产品类型的景区在客流规模上的差异并不显著。
2）各景区季节性存在一定的区域分化差异，也是影响景区客流规模的重要因素。各景区旅游客流规模的季节特征计算结果还显示，基尼系数在常用季节性指标中区分度更好，适合旅游目的地间的横向对比。
3）景区客流规模受其等级、季节性和距市中心直线距离等因素的显著影响。最优尺度回归模型对景区客流影响因素分析上较线性回归有更好的解释水平，景区所在城市和市中心距离对于省内游客而言更为重要，省外游客更加重视景区所在城市发展水平而非具体城市，季节波动较大会负面影响景区接待的省内客流量。
本研究引入景区季节性指标，使用2种回归模型分析景区客流影响因素，有助于丰富旅游需求相关研究，对促进景区效益提高和转型升级提供可参考路径。在全域旅游发展背景下，位序规模分布的理论仍对目的地内部等级体系有较大指导意义，特别是针对目的地的次级区域（苏南、苏中、苏北）和不同客源（省内、省外）对比分析。为优化目的地内部结构，应促进苏北地区规模大的4A级景区进行5A提升，对规模较小的景区应主要与周边核心景区加强联动。而且，2种回归模型结果均显示应克服季节因素的不利影响，有必要将季节性指数作为目的地运营情况的监测指标，加强淡季旅游产品创新和反季节旅游消费观念引导。同时也要认识到，季节性在某些类型和个别景区属于其固有属性，按季节分配投入营销和管理资源更有利于相应运营机构的提质增效。
本研究还存在一些不足之处。景区存在固有的季节性波动，特别是自然景观和主题公园类型的景区，季节性与客流规模之间可能存在一些相互影响，尚需继续深化研究。随着后续数据的完善，季节波动因素指标可以考虑用多年数据进行修正，将更准确反映景区实际的季节波动属性。另一方面，虽然手机信令数据因其规模大、普及率高能避免其他数据存在的有偏性问题，我们也要注意到手机信令数据在处理城区小规模景区时误差较大，而且不同运营商在用户占比大小和客户群体差异也会导致对客流规模统计方面有所影响。本文受研究设计所限，局限于目的地方面，缺少对具体客源地的分析，这些方面的进一步的深入将有助于区域旅游合作和营销策略优化。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
杨国良, 张捷, 刘波, 等. 旅游景区分布约束下的四川旅游流齐夫(Zipf)结构发育特征[J]. 旅游学刊, 2007, 22(8): 17-23.

DOI

Yang Guoliang, Zhang Jie, Liu Bo et al. Zipf structure development of tourist flow based on the distribution of scenic spots of Sichuan Province. Tourism Tribune, 2007, 22(8): 17-23.

DOI

[2]
李飞, 何建民. 中国旅游景区发展的地区差异及其收敛性——以2001-2009年A级景区为例[J]. 地理与地理信息科学, 2011, 27(4): 83-88.

Li Fei, He Jianmin. Regional differences and convergence of China’s tourism scenic spots: A case study of grade A scenic spots in 2001-2009. Geography and Geo-Information Science, 2011, 27(4): 83-88.

[3]
陆保一, 张恩伟, 明庆忠, 等. 云南省A级旅游景区空间演化特征及其驱动机制[J]. 山地学报, 2019, 37(6): 879-890.

Lu Baoyi, Zhang Enwei, Ming Qingzhong et al. Spatial evolution characteristics and driving mechanism of A-class tourist attractions in Yunnan Province, China. Mountain Research, 2019, 37(6): 879-890.

[4]
刘妙龙, 陈雨, 陈鹏, 等. 基于等级钟理论的中国城市规模等级体系演化特征[J]. 地理学报, 2008, 63(12): 1235-1245.

DOI

Liu Miaolong, Chen Yu, Chen Peng et al. The time-scale effects of the city-size hierarchy in China based on rank-lock methodology. Acta Geographica Sinica, 2008, 63(12): 1235-1245.

DOI

[5]
戚伟, 刘盛和. 中国城市流动人口位序规模分布研究[J]. 地理研究, 2015, 34(10): 1981-1993.

Qi Wei, Liu Shenghe. Research on the rank-size distribution rule of China’s urban floating population. Geographical Research, 2015, 34(10): 1981-1993.

[6]
Guo Yongrui, Zhang Jie, Zhang Honglei. Rank-size distribution and spatio-temporal dynamics of tourist flows to China’s cities[J]. Tourism Economics, 2016, 22(3): 451-465.

DOI

[7]
王冠孝, 黄解宇. 旅游经济等级规模结构演变规律实证研究——以山西省为例[J]. 干旱区资源与环境, 2014, 28(6): 195-201.

Wang Guanxiao, Huang Jieyu. Empirical research on the evolution law of tourism economic rank and scale structure: Case study of Shanxi Province. Journal of Arid Land Resources and Environment, 2014, 28(6): 195-201.

[8]
杨洋, 李雅静, 何春阳, 等. 环渤海地区三大城市群城市规模分布动态比较——基于1992-2012年夜间灯光数据的分析和透视[J]. 经济地理, 2016, 36(4): 59-69.

Yang Yang, Li Yajing, He Chunyang et al. A comparative study on spatiotemporal dynamics of city size distribution among three urban agglomerations in Bohai Rim: Based on the analysis and perspective of nighttime light data from 1992 to 2012. Economic Geography, 2016, 36(4): 59-69.

[9]
程利莎, 李小月, 马丽, 等. B2B模式下中国批发企业供应等级的空间分异及影响因素[J]. 经济地理, 2019, 39(8): 106-115.

Cheng Lisha, Li Xiaoyue, Ma Li et al. Spatial differentiation of supply level of wholesale enterprises under B2B mode and its influencing factors in China. Economic Geography, 2019, 39(8): 106-115.

[10]
张捷, 都金康, 周寅康, 等. 观光旅游地客流时间分布特性的比较研究——以九寨沟、黄山及福建永安桃源洞鳞隐石林国家风景名胜区为例[J]. 地理科学, 1999, 19(1): 50-55.

Zhang Jie, Du Jinkang, Zhou Yinkang et al. A comparison approach to temporal characteristics of tourist flows to sightseeing destinations. Scientia Geographica Sinica, 1999, 19(1): 50-55.

[11]
万田户, 冯学钢, 黄和平. 江西省山岳型风景名胜区旅游季节性差异——以庐山、井冈山、三清山和龙虎山为例[J]. 经济地理, 2015, 35(1): 202-208.

Wan Tianhu, Feng Xuegang, Huang Heping. Differences of tourism seasonality among mountain resorts in Jiangxi—Examples of Mt. Lushan, Jinggang, Sanqing and Longhu. Economic Geography, 2015, 35(1): 202-208.

[12]
钟静, 张捷, 李东和, 等. 历史文化村镇旅游流季节性特征比较研究——以西递、周庄为例[J]. 人文地理, 2007, 22(4): 68-71.

DOI

Zhong Jing, Zhang Jie, Li Donghe et al. A comparative research on seasonality characteristics of tourist flows to the historic culture village (town)—Examples of Xidi and Zhouzhuang. Human Geography, 2007, 22(4): 68-71.

DOI

[13]
De Cantis Stefano, Ferrante Mauro, Vaccina Franco. Seasonal pattern and amplitude—A logical framework to analyse seasonality in tourism: An application to bed occupancy in Sicilian hotels[J]. Tourism Economics, 2011, 17(3): 655-675.

DOI

[14]
Rosselló Jaume, Sansó Andreu. Yearly, monthly and weekly seasonality of tourism demand: A decomposition analysis[J]. Tourism Management, 2017, 60: 379-389.

DOI

[15]
Duro Juanantonio. Seasonality of hotel demand in the main Spanish provinces: Measurements and decomposition exercises[J]. Tourism Management, 2016, 52: 52-63.

DOI

[16]
Ferrante Mauro, Lo Magno Giovannil, De Cantis Stefano. Measuring tourism seasonality across European countries[J]. Tourism Management, 2018, 68: 220-235.

DOI

[17]
余向洋, 张圆刚, 朱国兴, 等. 旅游季节性测度框架及其实证研究[J]. 经济地理, 2019, 39(11): 1-13.

Yu Xiangyang, Zhang Yuangang, Zhu Guoxing et al. An analytical framework and empirical study for tourism seasonality. Economic Geography, 2019, 39(11): 1-13.

[18]
阿荣高娃, 孙根年, 乔少辉, 等. 内蒙古A级景区客流量估算模型——5个单因素方差分析与多元回归建模[J]. 干旱区资源与环境, 2019, 33(12): 193-200.

A Ronggaowa, Sun Gennian, Qiao Shaohui et al. Models for estimation of tourist flow in A-class scenic spots in Inner Mongolia. Journal of Arid Land Resources and Environment, 2019, 33(12): 193-200.

[19]
刘嘉毅, 陈玲, 陶婷芳. 旅游舆情网络关注度城市差异——来自289个城市百度指数的实证研究[J]. 信息资源管理学报, 2018, 8(3): 93-101.

Liu Jiayi, Chen Ling, Tao Tingfang. Urban differences in network attention to tourism public opinion: An empirical study from baidu index of 289 cities. Journal of Information Resources Management, 2018, 8(3): 93-101.

[20]
李鹏, 虞虎, 王英杰. 中国3A级以上旅游景区空间集聚特征研究[J]. 地理科学, 2018, 38(11): 1883-1891.

Li Peng, Yu Hu, Wang Yingjie. Spatial agglomeration characteristics of from 3A-class to 5A-class scenic spots in China. Scientia Geographica Sinica, 2018, 38(11): 1883-1891.

[21]
刘海洋, 王乃昂, 叶宜好, 等. 我国沙漠旅游景区客流时空特征与影响因素——以鸣沙山、沙坡头、巴丹吉林为例[J]. 经济地理, 2013, 33(3): 156-163.

Liu Haiyang, Wang Nai’ang, Ye Yihao et al. Analysis of spatial and temporal characteristics of Chinese desert tourism scenic, with examples of Mingshashan, Shapotou and Badanjilin. Economic Geography, 2013, 33(3): 156-163.

[22]
徐一帆, 张宏磊, 田原, 等. 交通系统对旅游空间结构影响研究进展与展望[J]. 旅游科学, 2020, 34(3): 32-46.

Xu Yifan, Zhang Honglei, Tian Yuan et al. The impact of transportation system on the spatial structure of tourism: Review and prospect. Tourism Science, 2020, 34(3): 32-46.

[23]
江苏省统计局, 国家统计局江苏调查总队. 江苏统计年鉴[M]. 北京: 中国统计出版社, 2018.

Jiangsu Provincial Bureau of Statistics, Jiangsu Survey Team National Bureau of Statistics. Jiangsu statistical yearbook. Beijing: China Statistics Press, 2018.

[24]
靳诚, 徐菁, 陆玉麒. 长三角城市旅游规模差异及其位序规模体系的构建[J]. 经济地理, 2007, 27(4): 676-680.

DOI

Jin Cheng, Xu Jing, Lu Yuqi. Study on disparity of tourism scale for cities in Yangtze delta and construction for the system of rank-size distribution. Economic Geography, 2007, 27(4): 676-680.

DOI

[25]
Lau Ponglung, Koo Taytr, Wu Chenglung. Spatial distribution of tourism activities: A polya urn process model of rank-size distribution[J]. Journal of Travel Research, 2020, 59(2): 231-246.

DOI

[26]
杨国良, 张捷, 刘波. 旅游流流量位序–规模分布变化及其机理——以四川省为例[J]. 地理研究, 2007, 26(4): 662-672.

DOI

Yang Guoliang, Zhang Jie, Liu Bo et al. Study on tourists flow rank-size distribution variation and the mechanism: Taking Sichuan Province as an example. Geographical Research, 2007, 26(4): 662-672.

DOI

[27]
刘泽华, 章锦河, 彭红松. 旅游季节性测度指标的敏感度研究[J]. 地理学报, 2018, 73(2): 295-316.

DOI

Liu Zehua, Zhang Jinhe, Peng Hongsong. Sensitivity analysis of the measures of tourism seasonality. Acta Geographica Sinica, 2018, 73(2): 295-316.

DOI

[28]
Koenig N, Bischoff Ee. Seasonality of tourism in Wales: A comparative analysis[J]. Tourism Economics, 2003, 9(3): 229-254.

DOI

[29]
Lai Kun. Influence of event image on destination image: The case of the 2008 Beijing Olympic Games[J]. Journal of Destination Marketing & Management, 2018, 7: 153-163.

[30]
Almeida António, Garrod Brian. A CATREG model of destination choice for a mature island destination[J]. Journal of Destination Marketing & Management, 2018, 8: 32-40.

[31]
Karamustafa Kurtulus, Ulama Sevki. Measuring the seasonality in tourism with the comparison of different methods[J]. Euromed Journal of Business, 2010, 5(5): 191-214.

Options
文章导航

/

〈 〉