贵州省避暑旅游流网络结构特征及其影响因素

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

李磊^,¹, 陶卓民^,¹, 陆林², 孙小龙³, 刘红兰³

1.南京师范大学地理科学学院,江苏省地理信息资源开发与利用协同创新中心,南京 210023

2.安徽师范大学地理与旅游学院,芜湖 241002

3.贵州师范大学国际旅游文化学院,贵阳 550025

Structural characteristics and influencing factors of summer tourism flow network in Guizhou province

LI Lei^,¹, TAO Zhuomin^,¹, LU Lin², SUN Xiaolong³, LIU Honglan³

1. School of Geography, Nanjing Normal University, Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

2. School of Geography and Tourism, Anhui Normal University, Wuhu 241002, Anhui, China

3. School of International Tourism & Culture, Guizhou Normal University, Guiyang 550025, China

通讯作者: 陶卓民（1963-）,男,江苏苏州人,博士,教授,博士生导师,研究方向为旅游地理、旅游规划与乡村旅游。E-mail: 09059@njnu.edu.cn

收稿日期:2020-11-25接受日期:2021-02-1

基金资助:

国家自然科学基金面上项目(41571139)
国家自然科学基金重点项目(41930644)
江苏省高校优势学科建设工程资助项目(164320H116)

Received:2020-11-25Accepted:2021-02-1
作者简介 About authors
李磊（1993-）,男,河南罗山人,博士研究生,研究方向为旅游地理与旅游规划。E-mail: tourismlilei@163.com

摘要
气候环境对人类行为具有重要影响,在全球变暖和城市热岛效应不断加剧的背景下,避暑旅游已经成为全球旅游者夏季出行的重要选择。贵州省作为中国国内主要的避暑旅游目的地之一,针对避暑旅游流网络特征及影响因素的研究尚未开展。本研究通过对贵州省避暑旅游现象长期的跟踪调查,获取2015—2019年间有效避暑旅游流线路数据2177条,运用复杂网络、GIS空间分析、QAP回归分析等方法,对避暑旅游流网络结构特征和影响因素进行研究。结果表明：① 避暑旅游流网络规模大、密度低,集聚特征明显,网络发育不完善,具有显著的“核心-边缘”结构,核心城市和景区分别呈“板块”和“点轴”状分布,旅游流线路具有“基营”和“环线”式结构特征。② 交通中心城市和核心景区是避暑旅游流的集散中心,贵阳在整体网络中具有突出优势和无法替代的地位,避暑旅游城市和景区在空间上相互交织,形成“贵（阳）安（顺）-荔波-凯（里）镇（远）”的“▽”空间结构。③ 避暑旅游流空间分布受气候舒适度、空间邻近性、旅游资源禀赋、接待服务能力和交通便捷程度等因素共同影响。最后,从区域旅游协调发展、旅游统计数据改革、网络空间结构优化等方面,对贵州省避暑旅游高质量发展提供了对策建议。
关键词： 避暑旅游;旅游流网络;气候舒适度;贵州省;复杂网络分析;QAP回归

Abstract

Climate and environment have a great influence on human health, and climate comfort is an important factor in tourists' mobility behavior. Under global warming and the increasing effect of urban heat islands, travel to the cool areas has become a major choice for more and more tourists in summer holidays. Guizhou province is located on the Yunnan-Guizhou Plateau in Southwest China. It is one of the coolest areas in summer and one of China's favorite summer tourist destinations. The number of summer tourists in Guizhou has grown rapidly in the past few years, but previous studies have not been carried out on the characteristics and influencing factors of the summer tourism flow network in the province. This paper, based on long-term investigations of the summer tourism phenomena in the study area, obtained 2177 valid summer tourism flow route data from 2015 to 2019. Then, we use complex network analysis, spatial analysis (GIS), quadratic assignment procedure (QAP), and other methods to study the summer tourism flow network's structural characteristics and influencing factors. The results are as follows: (1) Summer tourism flow network presents characteristics of large scale, low density, obvious agglomeration and imperfect development, and a structure of significant "core-periphery". The core cities and scenic spots are distributed in a "plates" and "point axis" pattern, and tourism flow routes have the structural characteristics of "base camp" and "trip chaining." (2) The transportation city and core scenic spots are the centers of summer tourism flow. Guiyang is the most important node city in the network, with outstanding advantages and irreplaceable status in the overall network. In terms of spatial distribution, summer tourism cities and scenic spots form a "▽"-shaped network of Guiyang & Anshun-Libo-Kaili & Zhenyuan. (3) The spatial distribution of summer tourism flow is affected by climate comfort, spatial proximity, tourism resource endowment, reception service capacity and transportation convenience, but urban economic development has no significant impact on it. Finally, this paper provides countermeasures and suggestions for the high-quality development of summer tourism in Guizhou from aspects of coordinated regional tourism development, tourism statistical data reform, and network space structure optimization.

Keywords：summer tourism;tourism flow network;summer tourism comfort;Guizhou province;complex network analysis;Quadratic Assignment Procedure (QAP)

PDF (5746KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
李磊, 陶卓民, 陆林, 孙小龙, 刘红兰. 贵州省避暑旅游流网络结构特征及其影响因素[J]. 地理研究, 2021, 40(11): 3208-3224 doi:10.11821/dlyj020201144
LI Lei, TAO Zhuomin, LU Lin, SUN Xiaolong, LIU Honglan. Structural characteristics and influencing factors of summer tourism flow network in Guizhou province[J]. Geographical Research, 2021, 40(11): 3208-3224 doi:10.11821/dlyj020201144

1 引言

受气候规律和地理环境影响,中国许多地区夏季高温炎热,人体舒适性较差,迫使人们不得不开展各种形式的休闲避暑活动。早在秦汉时期,便有帝王在秦岭山脉休闲避暑的记载;唐代,在都城长安修建了专供唐玄宗、杨贵妃等人避暑的九成宫、清凉殿^[1,2];清代,康熙皇帝在河北承德修建避暑山庄,后来成为皇室成员最主要的避暑场所^[1,3]。对舒适气候的向往是人体自然反应,但由于生产力水平限制,休闲避暑在古代只是达官贵人的享乐方式。随着近代旅游业的发展,为逃避夏季炎热天气,前往气候相对舒适地区,开展以避暑为目的的休闲旅游活动,逐渐成为旅游者夏季出游的主要目的之一,并形成了阿尔卑斯山、富士山、北戴河、庐山等一批避暑旅游胜地。

近年来,在全球气候变暖和城市热岛效应的多重影响下,全国夏季极端高温天气越来越普遍,重庆、福州、杭州、长沙、武汉等“火炉”城市的最高气温和高温天数记录不断刷新。由于高温天气分布区与主要旅游客源市场在空间上的重叠,中国城市居民避暑旅游需求不断上升,针对这一现象,国内外****分别从避暑旅游气候舒适度评价^[4,5,6]、避暑旅游资源空间分布特征^[7,8,9,10]、避暑旅游地形成机理^[11,12,13]、气候变化对避暑旅游发展影响^[14,15,16]等几个方面展开了相关研究,而针对避暑旅游者流动行为和特征的研究尚未开展。相较于其他类型的旅游流,避暑旅游流具有鲜明的季节性,其往往在短期内高度积聚在少数旅游目的地内,并形成两种典型的空间流动模式。一是,大众型（或流动型）避暑旅游者,避暑通常不是其唯一目的,但其更倾向于选择具有避暑功能的旅游地,同时会在多个目的地之间流动^[13]。二是,候鸟型（或旅居型）避暑旅游者,其以休闲避暑为主要目的,往往集聚在城市外围、景区周边或乡村地区的1~2个旅游地内,停留时间长,空间移动范围较小^[17,18]。中国避暑气候主要包含西南高原型、西北山地高原型、中东部山岳型、东北山地平原型和环渤海低山丘陵型^[8],其中,位于云贵高原的贵州省,全省基本均处于西南高原型避暑旅游区内。由于避暑气候持续时间长、旅游资源分布范围广、避暑与旅游资源组合良好,贵州省已经成为中国最主要的避暑旅游目的地之一,其避暑旅游流兼具大众型和旅居型两种不同类型,但第一种类型所产生的空间效应更大,因此成为本次研究关注的重点。

对于不同类型旅游流的研究,有助于理解旅游者流动行为、揭示旅游者流动规律、探索旅游流空间影响、优化旅游地空间结构^{[19,20,21,22]}。作为旅游地理学的重要研究议题,旅游流研究在国内外均取得了丰富成果,当前研究热点主要集中在基于大数据、GPS、复杂网络等方法的旅游流时空分布特征^[23,24,25],气候变化、特殊事件、重大工程等对旅游流的影响^[14,26-28],旅游流时空分布多因素评价^[29,30,31],旅游流空间流动规律及预测等几个方面^[32,33]。大量研究成果的累积,为开展避暑旅游流研究提供了扎实的理论基础和技术方法。基于此,本研究以贵州省为例,通过对2015—2019年间贵州省避暑旅游流的跟踪调查,从城市和景区两个尺度,研究了避暑旅游流空间分布特征、流动规律及影响因素。期望通过本研究,可对避暑旅游研究理论进行补充,并对贵州避暑旅游高质量发展提供启示。

2 研究区概况、研究方法与数据来源

2.1 研究区概况

贵州省位于云贵高原东南部,国土总面积17.62km²,全省地貌以喀斯特山地丘陵为主,境内地势西高东低,平均海拔约1100m（图1）。贵州省属亚热带湿润季风气候区,全省年平均气温约15℃,常年相对湿度在70%以上,最冷月（1月）平均气温3~6℃,最热月（7月）平均气温22~25℃,为典型夏凉地区。贵州省下辖6个市、3个自治州,拥有大量文化和自然旅游资源,其中黄果树瀑布、西江苗寨、荔波小七孔、梵净山等景区世界知名（图1）,2016年被《纽约时报》评为“世界上52个最值得到访的旅游目的地”之一。2016—2019年,全省暑期（7—9月）平均接待游客数量为2.65亿人次,平均旅游收入为2857.22亿元,同时,两项指标年均增长分别为21.56%、24.34%,全省避暑旅游产业发展势头良好。随着未来全球气候条件和自然环境的持续变化,贵州避暑旅游拥有更为广阔的发展前景。

图1

新窗口打开|下载原图ZIP|生成PPT
图1贵州省地势及主要旅游资源分布

Fig. 1The topography of Guizhou province and distribution of main tourism resources

2.2 研究方法

参考已有研究成果^{[19,20,24,25,27]},运用复杂网络分析（Complex Network）、社会网络分析（Social Network）、空间分析（ArcGIS）和QAP回归分析（Quadratic Assignment Procedure）等研究方法,对贵州省避暑旅游流进行研究。研究内容主要包含网络结构评价、节点功能评价和影响因素分析三个方面,其中,网络结构评价选取网络规模、网络密度、核心-边缘结构等为指标,节点功能评价选取加权点入度、加权点出度、介数中心度、等级排序值等为指标,影响因素分析采用空间分析法和QAP回归分析法,数据可视化及制图分别采用Gephi、ArcGIS、Origin等软件完成。部分指标计算方法及释义如下。

2.2.1 加权度与介数中心度度（Degree）是描述网络节点功能的基本指标,节点i的度表示与其连接的节点数量之和,是节点重要性和影响力的集中反映,在有向旅游流网络中,度又包含点入度、点出度两种类型。介数中心度（Betweenness centrality）是衡量节点位置的关键指标,节点i的介数中心度是指i被其他节点以最短路径通过的数量与图中最短路径总数之比,多用于衡量节点间间接联系的强度。

（1）

C_{A, in} (n_{i}) = \sum_{j = 1} w_{ij} r_{ij, in}

（2）

C_{A, out} (n_{i}) = \sum_{j = 1} w_{ij} r_{ij, out}

式中：

C_{A, in} (n_{i})

、

C_{A, out} (n_{i})

分别表示节点i的加权入度、加权出度;

w_{ij}

表示节点i与节点j之间边的权重;r_ij,in、r_ij,out分别表示节点i与节点j之间有向边的数量。

C_{A, in} (n_{i})

越大,表明节i对网络的集聚能力越强,

C_{A, out} (n_{i})

越大,表明节点i对网络的辐射能力越强。

（3）

C_{B} (n_{i}) = \sum_{j} \sum_{k} \frac{g_{jk} (n_{i})}{g_{jk}}, j \neq k \neq 1

式中：

C_{B} (n_{i})

表示节点i的介数中心度;

g_{jk}

表示节点j和k之间的捷径数量;

g_{jk} (n_{i})

表示由节点j到节点k所经过节点i的总数。在旅游流网络中,介数中心度越大,表明节点i与其他节点之间的通达性越强。

2.2.2 等级排序值等级排序值（Page rank）是根据网络节点之间的连接关系对节点重要性进行评分,在有向网络中,节点i的值等于指向过来的所有节点值的和,见公式（4）,等级排序值越高,则节点i在网络中的重要性越大。

（4）

C_{Ci} = (\frac{C_{Ca}}{L_{a}} + \frac{C_{Cb}}{L_{b}} + \frac{C_{Cc}}{L_{c}} + ?) q + 1 - q

式中：

C_{Ci}

表示节点i的等级排序值;C_Ca、C_Cb、C_Cc分别表示节点a、b、c的值,L_a、L_b、L_c分别表示节点a、b、c指向的节点总数;由于存在指向节点为“0”的现象,因此在公式中增加了一个阻尼系数q,一般默认取值为“0.85”。在旅游流网络中,节点i的等级排序值表示了其在网络中的重要性,等级排序值越大,则节点i在网络中越重要。

2.2.3 气候舒适度气候舒适度被认为是避暑旅游地的核心吸引力,在长期研究过程中,形成了大量评价指标体系。本研究分别采用廖善刚^[34]和刘逸等^[35]提出的避暑旅游气候舒适度模型（Summer tourism comfortable index）,对贵州省避暑气候舒适度进行评价：

（5）

S_{lsg} = a (|T - 24|) + b (|RH - 70|) + c (|V - 2|)

（6）

S_{ly} = a (10 - \frac{10}{3} |T - 22|) + b (10 - \frac{10}{15} |RH - 55|) + c (10 - |V - 2|)

式中：S为避暑旅游气候舒适指数;T为平均气温（℃）;RH为相对湿度（%）;V为平均风速（m/s）;24、70、2和22、55、2分别为模拟参数;a、b、c分别为权重系数,根据以往研究经验,两式的权重系数分别赋值为0.6、0.07、0.5和0.857、0.165、0.035。公式（5）中,S_lsg≤4.55为非常舒适,4.55<S_lsg≤6.95为舒适,6.95<S_lsg≤9.00为不舒适,9.00<S_lsg为非常不舒适,S_lsg得分越低代表该地气候越适宜避暑。公式（6）中,5.285<S_ly为非常舒适,0<S_ly≤5.285为舒适,-5.285<S_ly≤0为不舒适,S_ly<-5.285为非常不舒适,S_ly得分越高代表该地的气候越适宜避暑。

2.2.4 QAP回归分析法 QAP回归分析法（Quadratic Assignment Procedure）是对矩阵之间关系进行定量分析的方法,旅游流是一种网络关系数据,利用传统回归分析方法对其影响因素进行研究,面临着数据多重共线性问题,QAP方法已经被证实能够较好地避免这一问题^[36,37]。QAP回归法的基本原理是对两个矩阵中每项元素进行比较,给出两个矩阵之间的相关系数,同时对系数进行非参数检验,当显著性水平在（0.01、0.05 或0.10）区间内,表明两个矩阵在统计意义上存在强关联关系。目前,该方法已经被广泛运用于社会学、经济学和旅游学研究中^[20,36-38],基于已有研究成果,构建贵州省避暑旅游流影响因素评价模型：

（7）

R = f (AGS, TRE, EDL, RSC, STT)

式中：R代表贵州省避暑旅游流网络关系矩阵;AGS代表空间邻近矩阵;TRE代表旅游资源禀赋差异矩阵;EDL代表经济发展水平差异矩阵;RSC代表接待服务能力差异矩阵;STT代表交通便捷程度矩阵。

2.3 数据来源

本研究数据来源主要包含网络数据、统计数据和基础地理信息数据。其中,旅游流数据来源于网络游记,A级景区、星级酒店、旅行社数据来源于贵州省文化和旅游厅,其他统计数据来源于各地统计公报或年鉴,城市及景点地理坐标数据通过百度地图查询,坐标系为WGS1984。行政边界数据来源于国家基础地理信息中心,地形图（DEM）数据来源于美国国家航空航天局（NASA）,2015—2019年间气候数据来源于天气后报网。

不同于以往研究^[19,26],由于避暑旅游流具有季节性,因此研究数据必须包含准确的出行时间。参考已有研究,中国避暑旅游主要集中在每年的7—8月份^[8,11,35],为使数据能够更加真实的反映避暑旅游流特征,本研究将避暑旅游者出行时间划定为每年6月16日—9月15日。若旅游者在该时间段内前往避暑旅游目的地游览,则被识别为避暑旅游者。由于贵州省基本均处于西南高原型避暑旅游区内^[8],因此,可将该时间段内前往贵州省内各景区游览的旅游者,识别为具有一定避暑目的的大众型避暑旅游者。而空间流动模式较为单一的候鸟型避暑旅游者,以及其他目的的无景区型旅游者,则不在本次的研究范围之内。

根据以上原则获取旅游流网络数据,通过反复对比,最终以具有准确出行时间的马蜂窝旅游网游记作为数据来源。自2015年起,定期搜集马蜂窝旅游网上目的地为贵州省的网络游记,并对其内容进行梳理。至2019年,共获取5年内网络游记10634篇,剔除内容不完整、重复发表、软文广告等无效数据后,整理出有效旅游流线路4449条,其中,避暑旅游流线路2177条（表1）。城市线路以县和市（市辖区未拆分）为单位进行整理,景区线路数据未提前预设网络节点,而是采集了网络游记中出现的A级景区、风景名胜区、旅游度假区、乡村旅游区等全部类型的数据,最终分别获得城市和景区有效节点49个、186个。同时,研究团队于2013—2020年分多次对贵州省避暑旅游进行了调研,对旅游流网络中70%以上的景区节点进行了实地踏勘。

Tab. 1
表1
表1贵州省避暑旅游流线路统计
Tab. 1Summer tourism flow routes in Guizhou province

	旅游流线路（条）	避暑旅游流线路（条）	占比（%）	非避暑旅游流线路（条）	占比（%）
2015年	259	96	37.07	163	62.93
2016年	422	183	43.36	239	56.64
2017年	604	285	47.19	319	52.81
2018年	1461	765	52.36	696	47.64
2019年	1703	848	49.79	855	50.21
总计	4449	2177	48.93	2272	51.07

新窗口打开|下载CSV

3 贵州省避暑旅游流网络结构和节点功能

3.1 网络构建与总体特征

3.1.1 网络规模大、密度小,集聚特征明显将旅游线路数据转化为“O-D”有向流动数据,参考以往研究方法^[39]选择截断值,最终将截断值设定为“3”,即对节点之间流量小于或等于3次的数据进行剔除。而后,以节点之间的流量为权重,将最低流量值“4”设置为参数,进行均值化处理,利用Gephi软件分别构建城市和景区避暑旅游流加权网络（图2）。

图2

新窗口打开|下载原图ZIP|生成PPT
图2贵州省避暑旅游流加权网络分布

Fig. 2The weighted network diagram of summer tourism flow in Guizhou province

城市旅游流网络共包含30个节点,网络节点以县级及以上城市为主,整体覆盖范围较广。景区旅游流网络共包含66个节点,网络节点以贵州省内4A级及以上旅游景区为主,也包含一些依附于大型旅游区的中小型景区。两个网络在空间上基本重叠,数据可信度较高。城市和景区网络规模分别为870、4290,网络密度分别为0.178、0.075,两个网络都具有规模大、密度小,同时中心紧密、外围稀疏的结构特征,全省避暑旅游流网络整体发育不完善,外围节点受中心节点的辐射带动作用较为明显（图2）。

相较于城市旅游流网络,景区网络内的节点数量更多,这主要是由于避暑旅游者在一个城市内会到访多个景区,如：贵阳市内的黔灵山、甲秀楼、青岩古镇等,已经形成城市内部的休闲避暑游线。景区节点数量多,还导致其网络关系更为复杂,尤其是末端节点的数量众多,表现出避暑旅游的“长尾效应”。城市节点少,但联系强度明显高于景区,形成这一现象的原因是,避暑旅游者在一次行程中,会多次重复到访同一个城市,形成“基营式”的游览模式,但几乎没有旅游者会在一次旅行中多次到访同一个旅游景点,因此景点间的线路组织多为“环线式”^[40]。

3.1.2 核心-边缘结构显著,核心城市和景区分别呈“板块”和“点轴”状利用Ucinet软件分别对城市和景区避暑旅游流网络的核心-边缘结构进行分析,结果表明,城市网络核心区成员为11个,核心区网络密度为0.736,边缘区网络密度为0.015,景区网络核心区成员数量达到32个,但网络密度仅为0.236,边缘区网络密度为0.012。核心区城市之间的联系极为紧密,城市旅游流网络集聚效应显著,表明当前避暑旅游者仍集中在少数几个城市内流动。而从景区网络来看,核心区成员数量多,但不同景点之间的合作程度差异很大,许多核心区内景区优势地位并不突出。核心-边缘结构研究进一步表明,当前,贵阳、安顺、凯里等城市在全省避暑旅游中的优势地位较为突出,而对于避暑旅游发展较为薄弱的城市而言,期望在短期内取得快速发展进入核心区的难度较大。而在景区网络中,尽管黄果树瀑布、西江苗寨、青岩古镇等在网络中处于优势地位,但网络核心区也包含了FAST天眼、贵州省博物馆等一些近几年新开发的景区。因此,对于计划发展避暑旅游的非网络核心区成员,可将发展重点定位为重点旅游景区打造,通过核心避暑旅游景区的开发以形成带动和示范效应,而后逐渐促进城市和区域避暑旅游发展。

利用GIS软件绘制旅游流网络核心-边缘结构空间分布图,进一步探索其空间分布特征（图3）。城市核心区空间分布不均衡,形成了由核心城市带动的“板块”状结构,主要包含黔中板块（贵阳-安顺-织金）、黔东板块（凯里-镇远-江口）、黔东南板块（荔波-从江）。核心景区之间则形成了相互串联的“点轴”状结构,并在全省范围内形成三大“点轴”带,具体为：① 由青岩古镇、黄果树瀑布、织金洞、万峰林等相互串联形成的“黔中-黔西南”点轴带。② 由小七孔、大七孔、肇兴侗寨等相互串联形成的“黔南-黔东南”点轴带。③ 由西江苗寨、镇远古城、梵净山等相互串联形成的“黔东南-黔东”点轴带。同时,景点间旅游流网络疏密程度具有显著差异,除贵阳、安顺等核心城市,网络还集中分布在黔中、黔南、黔东南等区域之间,构成了避暑旅游者空间流动的主要区域,其他区域内则分布较少。

图3

新窗口打开|下载原图ZIP|生成PPT
图3贵州省避暑旅游流核心-边缘结构及其空间分布

Fig. 3The core-partition structure and spatial distribution of summer tourism flow in Guizhou province

3.2 网络节点特征与功能

3.2.1 以贵阳为中心呈基营式流动,高能级景区对城市的辐射效应强综合考虑旅游流网络中各节点的加权点入度、加权点出度、介数中心度和等级排序值,贵阳在城市网络中的功能和地位最突出,是网络中最重要的节点城市,也是整体网络的集聚和辐射中心（表2）。但是,贵阳市内的所有景区节点,在网络中的地位并不突出,排名最高的青岩古镇等级排序值仅列第7位（表2）,可见贵阳的交通功能显著强于旅游功能,旅游流具有由交通中心、城市中心向城市内部和周边旅游景点辐射扩散的特征。从外部交通来看,贵阳是贵州省交通枢纽城市,龙洞堡国际机场、贵阳北站、贵阳站等均是全省重要的游客集散中心,本研究中的2177条避暑旅游流线路数据中,将贵阳作为入口和出口的旅游者分别达到60.24%、56.05%。从内部交通来看,由于贵阳市位于贵州省中心位置（图3）,全省高铁、高速公路等骨干交通路网,均是以贵阳市为中心,呈放射状向其他城市延伸分布,导致其成为全省避暑旅游者的交通换乘中心,在一次旅行过程中到达贵阳两次及以上的旅游者占比达到57.05%,避暑旅游者在贵州省呈现以贵阳为中心的“基营式”空间分布。

Tab. 2
表2
表2贵州省避暑旅游流网络节点加权度、介数中心度和等级排序值（前15位）
Tab. 2The weight degree, betweenness centrality and Page rank of the summer tourism flow network in Guizhou province (Top 15)

序号	城市	加权点入度	加权点出度	介数中心度	等级排序值	序号	景点	加权点入度	加权点出度	介数中心度	等级排序值
1	贵阳	485.75	508.25	0.30	0.21	1	西江苗寨	249.00	195.50	0.18	0.12
2	安顺	346.25	344.75	0.14	0.15	2	黄果树瀑布	222.50	222.25	0.23	0.11
3	荔波	310.00	304.75	0.13	0.13	3	小七孔	212.50	228.50	0.07	0.10
4	凯里	327.25	310.00	0.08	0.13	4	镇远古城	107.50	119.25	0.05	0.05
5	镇远	160.00	161.25	0.08	0.07	5	万峰林	52.00	47.50	0.05	0.04
6	从江	75.25	75.75	0.08	0.04	6	大七孔	100.25	95.75	0.02	0.04
7	兴义	58.50	57.50	0.05	0.04	7	青岩古镇	80.75	82.00	0.06	0.04
8	织金	50.00	45.75	0.01	0.03	8	马岭河峡谷	38.50	41.25	0.02	0.03
9	江口	44.50	35.25	0.00	0.02	9	黔灵山	68.25	79.50	0.03	0.03
10	平塘	28.75	26.75	0.00	0.02	10	甲秀楼	60.00	68.75	0.02	0.03
11	遵义	22.25	22.00	0.02	0.01	11	梵净山	37.75	45.75	0.08	0.02
12	六盘水	12.00	11.25	0.02	0.01	12	肇兴侗寨	44.50	62.25	0.05	0.02
13	赤水	7.00	11.50	0.00	0.01	13	茅台镇	4.00	3.25	0.03	0.02
14	铜仁	18.00	30.00	0.00	0.01	14	丙安古镇	7.00	1.25	0.01	0.02
15	都匀	12.75	14.50	0.00	0.01	15	织金洞	27.50	32.75	0.03	0.02

新窗口打开|下载CSV

除贵阳以外,安顺、荔波、凯里三个城市的各项指标均显著高于其他城市（表2）,在网络中的功能和地位较为突出,旅游流在三个城市内出现显著的集聚和扩散现象。三个城市与重点避暑旅游景区在空间分布上相耦合,其内部的西江苗寨、黄果树瀑布、小七孔景区等级排序值分别为0.12、0.11、0.10,是景区网络中最重要的三个节点（表2）。不同于贵阳的是,其旅游流主要集中在核心景区内部及其周边,并由景点向城市辐射和流动,但是城市内部目前尚无较高能级的旅游景点能与之形成互动,因此安顺、荔波、凯里主要承担着旅游接待服务和交通换乘等功能。同时,高等级旅游资源的开发能够在一定程度上打破地理区位对旅游流的限制,并对区域旅游业发展产生显著带动,较为典型的案例如小七孔、大七孔等景区的开发,极大的提升了荔波,乃至整个黔南片区在全省旅游中的功能和地位。

以上四个城市及其内部景区节点,实际上已经在较大程度上控制了贵州省内避暑旅游流的流向和流量。除此以外,网络中较重要的城市节点还包括镇远、兴义、江口、遵义、铜仁等,这些城市内部或周边均具有较高等级的旅游资源,形成了景区游览、城市服务的避暑旅游模式,其中较为典型的如：镇远-镇远古城、舞阳河,兴义-万峰林、马岭河峡谷,江口、铜仁-梵净山等（表2）。随着未来全省旅游业的发展,上述城市的避暑旅游产业规模有望继续扩大,并持续向上发展演进。

3.2.2 合作关系稳定,城市之间形成以贵阳为中心的“▽”结构根据节点间的流向和流量关系,使用Origin软件绘制旅游流节点对之间的弦图（图4）,研究不同网络节点之间的合作关系^[39]。从城市之间的合作关系来看,贵阳居于网络核心的位置,与网络中12个城市之间具有流动关系,尤其与安顺之间的流动频次最高,两市合作关系最为紧密,“贵安”旅游一体化发展前景较好。另外,贵阳与凯里、荔波之间的联系也较为密切,而凯里与荔波、镇远之间的联系同样密切,从空间分布特征来看（图3）,在“贵（阳）安（顺）-荔波-凯（里）镇（远）”之间构成了较为稳定的“▽”结构。同时,本结构也在对外进行弱辐射,与周边的兴义、织金、从江等逐渐形成“块对点”的互动关系。

图4

新窗口打开|下载原图ZIP|生成PPT
图4贵州省避暑旅游流弦（前50位）

注：由于图幅内容限制,图4b中部分流量较低的景区名称未标注。
Fig. 4Chord diagram of summer tourism flows in Guizhou province (Top 50)

景点间流量排名前20位的流动关系中,以地理空间邻近的高能级景区间双向互动为主,如：西江苗寨-镇远古城、万峰林-马岭河峡谷,同时部分高能级景区也表现出溢出和辐射效应,如：小七孔-大七孔、肇兴侗寨-堂安侗寨。值得注意的是,黄果树景区作为贵州旅游的极核,与周边的龙宫、天龙屯堡等景区互动并不多,其在周边范围内表现出较强的“虹吸效应”。但是,黄果树景区与西江苗寨、小七孔等多个中远距离景区间的流量均较高,这既体现了黄果树景区的位置优越、交通便利,在合作网络中没有明确的指向性,还进一步体现了黄果树景区作为全省旅游景区“轴心”,对促进全省避暑旅游发展具有重要带动作用。最后,除贵阳以外,当前全省城市内部普遍缺少高质量的核心吸引物,城市在避暑旅游发展过程中作为“服务中心”的现象仍较普遍,避暑旅游过程中的“景-城”互动还有待加强。

4 贵州省避暑旅游流影响因素分析

当前针对旅游流影响因素的研究,主要集中在对旅游者由客源地向目的地流动的原因探讨之上^{[20,29,30,38,41]},其中,有****从旅游系统论的角度出发,构建了基于“推力-拉力-阻力”的旅游流驱动机制模型^[41]。但是,针对旅游者在多个不同目的地之内流动的影响因素,以往研究关注较少。通过对已有文献的研究^{[20,35,38,41,42]},结合避暑旅游者空间流动规律,选取气候舒适度、空间邻近性、旅游资源禀赋、经济发展水平、接待服务能力和交通便捷程度作为评价指标（表3）,对避暑旅游流影响因素进行研究。由于旅游景区的边界不清晰,研究指标难以量化,因此本研究只对避暑旅游者在城市尺度上流动的影响因素进行分析。根据各指标的特征和差异,气候舒适度采用GIS方法进行分析,其他指标采用QAP回归分析。为消除不同量纲的影响,对研究数据进行极差标准化处理,方法为：X_标准化=（X_i-X_最小值）/（X_最大值-X_最小值）。

Tab. 3
表3
表3评价指标体系、含义及数据来源
Tab. 3The index system, meaning and data source

指标	变量名称	含义及数据来源	预期	文献
气候舒适度	气候舒适度(S_lsg)	根据贵州省85个城市的气温、相对湿度、平均风速计算得出。S_lsg的计算方法和指标含义见公式(5)	-	[34]
	气候舒适度(S_ly)	同上。S_ly的计算方法和指标含义见公式(6)	+	[35]
空间邻近性	空间是否邻近	空间邻近的区域更容易建立联系。根据贵州省行政区划图,若两地相邻,则赋值为1,否则,赋值为0	+	[37,38]
旅游资源禀赋	5A、4A景区加权分	避暑旅游者趋向高等级旅游景区流动。据贵州省文旅厅数据,按照图2(b)中5A、4A景区平均到访量赋值为83.32、16.68,求加权值后建立差值矩阵	+	[37,38]
经济发展水平	GDP总量	避暑旅游者趋向经济水平高的区域流动。据各市、县统计公报,取2015—2019年平均值,建立差值矩阵	+	[20,38]
	三产收入	同上	+	[20]
	三产占比	同上	+	[20]
接待服务能力	饭店加权分	避暑旅游者趋向接待服务能力强的区域流动。星级饭店据贵州省文旅厅数据,其他饭店数据来源于在线预订平台。5—1星级分别赋值为9,7,5,3,1,其他饭店赋值为1,求加权值后建立差值矩阵	+	[20,37]
	旅行社数量	数据来源于贵州省文旅厅,根据数量建立差值矩阵	+	[20,37]
	国内旅游人次	同GDP总量	+	[37,38]
	国内旅游收入	同GDP总量	+	[37,38]
交通便捷程度	汽车最短旅行时间	避暑旅游者趋向在交通便捷的区域之间流动。最短时间通过百度地图查询获得	-	[38,41]
	高铁/火车最短旅行时间	中国铁路官网(12306)查询,取最短时间。若两地之间无铁路,则赋值为0	-	[27,41]

注：“+”表示预期影响为正向;“-”表示预期影响为负向。

新窗口打开|下载CSV

4.1 气候舒适度之空间分析

分别使用S_lsg和S_ly模型对贵州省避暑旅游气候舒适度进行评价,在S_lsg模型中,85个观测点舒适度指数介于0.8399~4.4326之间,贵州全省皆处于夏季气候非常舒适区内。在S_ly模型中,85个观测点舒适度指数大于0的为45个,小于0的为40个,全省夏季气候舒适区与非舒适区各占约50%。鉴于两个模型研究结论的差异较大,其所提供的舒适度分区标准,并不能完全解释贵州省实际情况。因此,本研究采用GIS软件的反距离权重估算和自然断裂法,分别绘制了基于不同模型的贵州省避暑气候舒适度等值线分布图（图5）。由于两个模型的指数分别为负向和正向影响,在绘制等值线图时,对数据进行了转换,图5反映的是一种趋势,蓝色越深的区域,被认为气候条件越适宜开展避暑旅游。

图5

新窗口打开|下载原图ZIP|生成PPT
图5贵州省避暑旅游流网络与气候舒适度指数

Fig. 5Summer tourism flow network and climate comfortable index in Guizhou province

从避暑旅游气候舒适度的空间分布情况来看,S_lsg和S_ly模型均表明,以贵阳、安顺、都匀等为中心的黔中城市群地区,是贵州省较适宜开展避暑旅游的区域,而黔东沿河-玉屏、黔东南从江-黎平、黔南荔波-罗甸、黔西南册亨-望谟、黔北赤水等夏季的气候舒适度较差,不适宜开展避暑旅游活动。两模型的显著差异集中在黔西北-黔西南的毕节市、六盘水市、兴义市,其中,S_lsg模型认为这一区域并非贵州省内较适宜开展避暑旅游的区域,而S_ly模型则表明该区域为贵州省内最适宜开展避暑旅游的区域,造成这一现象的根本原因是两者选择的气温模拟参数不同。实际上,这个片区主要以海拔较高、地势平坦的高原山地为主,是贵州夏季最凉爽的区域之一,非常适宜开展大规模的避暑旅游活动。两模型同时还表明,贵州省夏季平均气温最低的威宁地区亦不适合开展避暑旅游,这为区域避暑旅游发展提供了新的认识。最后,需要说明的是,贵州省内部喀斯特山川、峡谷广布（图1）,出现了一些不规律的小气候区,这些特定区域不在本次研究范围之内。

气候舒适度对旅游流分布具有显著影响,气候舒适度较高的贵阳、安顺两市间的联系强度显著高于其他区域,是避暑旅游流最集中的区域。黔西北、黔西南地区,尽管缺少5A级景区等高等级旅游资源,但在避暑气候资源方面具有突出优势,使得其也成为避暑旅游者空间流动的重要选择。黔南、黔东南、黔东区域属全省夏季气候较不舒适地区,但其内部仍有大量旅游者流动,造成这一现象的原因可能是：① 相较于全国其他地区,这些区域夏季的气候舒适度仍较高（图5a）,具有一定的避暑气候优势。② 贵州省夏季夜间多雨,气温普遍较低,即使舒适度最差的黔东南、黔南区域,夜间平均最高气温也仅为23.72℃,因此荔波、凯里、镇远等城市成为避暑旅游者夜间活动中心。③ 高等级旅游资源在一定程度上降低了气候造成的阻力,尤其是小七孔、西江苗寨、镇远古城、梵净山等5A级景区对旅游者具有强烈的吸引力,使其能够在一定程度上忍耐更高的气温。但对于同样高温的黔东北沿河、务川一带,由于气温较高且旅游资源较少,避暑旅游者鲜有问津。气候舒适度不足以完全解释避暑旅游流现象,因此,仍需进一步分析其他因素对避暑旅游流空间分布的影响。

4.2 其他影响因素之QAP分析

对贵州省避暑旅游流网络矩阵各影响因素进行相关分析,结果表明（表4）,空间邻近性、旅游资源禀赋、经济发展水平和接待服务能力均与旅游流网络呈正相关,这与研究假设相一致,进一步表明了避暑旅游者倾向于在资源禀赋较高、经济较为发达、接待设施完善的城市间流动。同时,避暑旅游者具有一定的空间溢出性,位于大城市和核心景区周边的城市,更容易受益于其溢出效应。交通便捷程度中,避暑旅游流网络与汽车最短旅行时间呈负相关,但与高铁/火车最短旅行时间呈正相关,这与研究假设不一致（表3）,造成这一现象的原因主要是,因为贵州省铁路网络不发达,至2019年末本研究中的30个城市中有13个尚未通火车,这对研究结论造成较大影响。因此,汽车最短旅行时间更能真实反映贵州省情况,即最短旅行时间越长,旅游流联系越弱,两者呈负相关。所有变量中,只有第三产业占比与避暑旅游流的相关性不显著,这与以往研究存在差异^[20,37],主要是因为以往研究多关注全国或东部发达地区,其产业发展阶段和模式与西部地区存在显著差异,就贵州省而言,许多第三产业占比较高的地区仍以农业经济为主,并不是旅游者流动的核心区域。

Tab. 4
表4
表4贵州省避暑旅游流影响因素QAP分析结果
Tab. 4The QAP analysis results of summer tourism flow in Guizhou province

指标	变量名	QAP相关	P-Value	QAP回归	Sig.
空间邻近性	空间是否邻近	0.237***	0.000	0.119***	0.005
旅游资源禀赋	5A、4A景区加权分	0.406***	0.001	0.204**	0.046
经济发展水平	GDP总量	0.329***	0.009	-0.302	0.301
	三产收入	0.352***	0.003	0.458	0.295
	三产占比	0.028	0.377	0.008	0.435
接待服务能力	饭店加权分	0.387***	0.000	0.578*	0.073
	旅行社数量	0.350***	0.002	-0.957*	0.063
	国内旅游人次	0.380***	0.001	-0.610	0.114
	国内旅游收入	0.382***	0.001	0.984	0.100
交通便捷程度	汽车最短旅行时间	-0.368***	0.000	-0.247***	0.000
	高铁/火车最短旅行时间	0.237***	0.002	0.069*	0.086

注：表中***、**、*分别代表1%、5%、10%的显著性水平,回归系数为标准化回归系数。

新窗口打开|下载CSV

运用构建的模型对贵州省避暑旅游流网络与各影响因素矩阵进行QAP回归分析,将随机置换次数设置为5000次,结果表明,显著性概率为0.000,调整后的R²约为0.305,说明所选择的指标差异变化能够解释贵州省避暑旅游流空间流动关系的30.5%。以往研究经验表明,基于同一数据的QAP模型一般比OLS模型的确定性系数要低^[20,43],以往基于QAP方法的研究中,R²的值多在12.5%~40.3%之间^[20,36,44],本研究的R²数据较为适中,指标的适配度较好,因此具有良好的解释力。

QAP回归分析结果基本与相关分析一致（表4）,但是部分变量未通过显著性检验,这与以往的研究经验相似^{[20,36,42,43]}。在所有通过显著性检验的指标中,空间邻近性、旅游资源禀赋被证明对避暑旅游流具有显著推动作用,而最短旅行时间对其具有显著阻碍作用。接待服务能力中,饭店数量和旅行社数量通过了显著性检验,对避暑旅游流网络具有一定解释力,国内旅游人次和国内旅游收入均不显著,其原因在于,贵州省避暑旅游流主要以外省来黔旅游者为主,但现有统计数据中,缺少专门针对外省旅游者的统计,因此对研究结论造成一定影响。经济发展水平三个变量均未通过显著性检验,这与以往研究结论不一致^[20,38],尽管在本研究的网络分析部分,已经论证了贵阳对旅游流具有较强的引力作用,但这种现象只存在于个别大城市中。从旅游者空间流动的视角,是否经济发达地区对其具有更强的吸引力,从不同尺度进行的研究,其结论存在显著差异,这也是未来值得继续深入探讨的话题。值得注意的是,所有未通过显著性检验的指标,其数据来源均为地方政府统计数据,可见,这些指标未通过检验的另一个重要原因是,不同层级、不同部门政府之间的统计数据口径差异较大,不可避免的会对研究结论造成一定影响^[45,46,47]。数据科学性是所有研究的立论基础,对开展区域旅游研究具有重要意义,因此,对旅游统计数据进行规范和改革仍需继续加强。

最后,参考王俊等的研究方法^[38],根据旅游流网络不同截断值,对各影响因素矩阵进行稳健性检验,两次检验中,所有变量的符号均未发生改变,表明各变量对贵州省避暑旅游流网络结构的影响方向是稳健的,本研究的可信度较高。

5 结论与讨论

5.1 结论

（1）贵州省避暑旅游流网络规模大、密度低,中心区集聚特征显著,网络发育不完善,避暑旅游者主要集中在贵阳、安顺、凯里、荔波等城市间,以及西江苗寨、黄果树瀑布、小七孔、镇远古城等景区间流动。旅游流网络的“核心-边缘”结构突出,核心城市在空间上呈“板块状”分布,形成黔中、黔东、黔东南等三个重点区域,核心景区在空间上呈“点轴状”分布,形成黔中-黔西南、黔南-黔东南、黔东南-黔东等三个点轴带。核心城市数量少、密度高,城市间流动关系较稳定,核心景区数量多、密度低,被超越和替代的机会大。旅游流在城市间形成以贵阳为中心的“基营式”结构,在景区间形成多节点串联的闭合“环线式”结构。

（2）各节点在避暑旅游流网络中的特征鲜明、功能显著。在城市和景区尺度上,共同形成“贵（阳）安（顺）-荔波-凯（里）镇（远）”“▽”结构,在省域范围内,避暑旅游空间结构模式已初步形成。避暑旅游流具有向交通中心和核心景区集中的趋势,贵阳作为全省最重要的交通枢纽城市,同时发挥着强烈的区域集聚和扩散效应,在避暑旅游流网络中具有无法替代的引领作用。安顺、荔波、凯里是区域型避暑旅游中心城市,其避暑旅游业发展主要受益于黄果树瀑布、小七孔、西江苗寨等重点旅游资源的开发,其旅游流形成了由核心景区向中心城市流动的典型特征。在避暑旅游流网络中,景区是游览核心,城市主要承担着交通中转站、服务中心的角色,除贵阳以外,避暑旅游的“景-城”互动还有待继续加强。

（3）气候舒适度对旅游者夏季出游具有重要影响,贵州省避暑气候舒适度总体呈现由西向东递减趋势,舒适区集中在黔中、黔西北、黔西南和黔北等区域,与旅游流网络在空间上相重叠,对避暑旅游流的空间分布具有一定解释力。除气候舒适度外,避暑旅游流空间分布还受其他多种因素共同影响,QAP回归分析表明,地理空间邻近性、旅游资源禀赋、接待服务能力对避暑旅游流具有显著正向作用,城市间汽车最短旅行时间则对其具有负向作用。相较以往研究侧重于分析气候对避暑旅游的单一影响,本研究认为,避暑旅游者趋向于在气温凉爽舒适、资源禀赋较高、接待设施完善的城市间流动,而资源禀赋和服务设施在一定程度上可弥补气候资源的不足。同时,空间邻近、交通便捷的城市,更容易受到中心城市的溢出效应。最后,由于区域和产业结构差异等原因,城市经济发展水平被认为与避暑旅游流的关系不强。

5.2 讨论

当前,贵州省避暑旅游发展仍存在以下问题：① 网络发育不完善,空间分布不均衡。② 核心-边缘结构显著,新兴旅游地融入难度大。③ 旅游流过度集中于中心城市,贵阳暑期旅游集散和接待服务压力过大。④ 城市旅游功能不完善,参与度低、经济效益不佳。⑤ 部分节点融入度低,存在被淘汰的风险。

针对以上问题,从促进区域协调、推动旅游业高质量发展的角度出发,可制定以下对策：① 因地制宜发展避暑旅游产业,加大对避暑旅游潜力较大地区的开发,从气候舒适度和旅游资源禀赋的角度考虑,短期内应重点培育六盘水市、野玉海国家旅游度假区、百里杜鹃景区的避暑旅游产业,引导旅游者由黔中、黔南片区逐渐向黔西北区域扩散,进一步优化区域避暑旅游空间结构。② 由于西部地区城市旅游发展投资高、周期长、风险大,新兴避暑旅游地的培育,仍需以景区开发为切入点,在充分考虑地方实际的前提下,通过重点培育1~2处高能级旅游景区,逐渐引导游客向其流动,地方政府亦应支持新兴避暑旅游地内重点项目的开发、建设、评级。③ 加快纾解贵阳市内部,尤其是观山湖-云岩-南明等主城区暑期旅游流和城市交通流压力,短期可向邻近的安顺、都匀两市分流,未来则可引导旅游者往贵安新区集散,市内新建重大交通基础设施、城市轨道交通、旅游综合体、星级酒店等项目,可优先在贵安新区内进行布局。④ 加强对城市旅游的深度开发,挖掘本地传统文化,补齐城市旅游功能,在地州级城市及其周边,至少形成1个具有鲜明特色的旅游景区。根据避暑旅游者流动规律,着重加强对城市夜间旅游产品的开发,使之与核心景区形成良性互动。⑤ 针对资源价值较低的节点,未来发展仍需借助于核心城市和景区的溢出效应,可围绕核心景区进一步优化其旅游产品的供给,以进一步实现景区分流。而对于兴义等资源禀赋高、气候舒适的区域,由于交通不便导致其融入度低,应该加快高铁等快速交通基础设施建设,进一步优化全省旅游交通格局。

致谢

真诚感谢匿名评审专家在论文评审中所付出的时间和精力,两位评审专家对本文气候舒适度评价方法和影响因素分析方面的修改意见,以及对避暑旅游未来研究提供的建议,使作者获益匪浅。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

石培新. 避暑经济的几个基础性问题探讨
资源科学, 2010, 32(10): 1999-2004.

[本文引用: 2]

[Shi

Peixin

. On the fundamental problems concerning summer retreat economy
Resources Science, 2010, 32(10): 1999-2004.]

[本文引用: 2]

[2]

柳敏. 唐代的避暑
唐都学刊, 2001, 17(S1): 178-180.

[本文引用: 1]

[Liu

Min

. Avoid the summer heat in Tang dynasty
Tangdu Journal, 2001, 17(S1): 178-180.]

[本文引用: 1]

[3]

刘玉文. 避暑山庄初建时间及相关史事考
故宫博物院院刊, 2003, (4): 23-29.

[本文引用: 1]

[Liu

Yuwen

. A study of the building time of the Chengde Summer Palace and its relevant historical facts
Palace Museum Journal, 2003, (4): 23-29.]. DOI: 10.16319/j.cnki.0452-7402.2003.04.004.

[本文引用: 1]

[4]

孙美淑, 李山. 气候舒适度评价的经验模型: 回顾与展望
旅游学刊, 2015, 30(12): 19-34.

[本文引用: 1]

[Sun

Meishu

, Li

Shan

. Empirical indices evaluating climate comfortableness: Review and prospect
Tourism Tribune, 2015, 30(12): 19-34.]. DOI: 10.3969/j.issn.1002-5006.2015.12.007.

[本文引用: 1]

[5]

吴普, 周志斌, 慕建利. 避暑旅游指数概念模型及评价指标体系构建
人文地理, 2014, 29(3): 128-134.

[本文引用: 1]

[Wu

, Zhou

Zhibin

, Mu

Jianli

. A conceptual model of summer tourism index and construction of evaluation index system
Human Geography, 2014, 29(3): 128-134.]. DOI: 10.13959/j.issn.1003-2398.2014.03.046.

[本文引用: 1]

[6]

蔚丹丹, 李山. 气候舒适度的体感分级: 季节锚点法与中国案例
自然资源学报, 2019, 34(8): 1633-1653.

[本文引用: 1]

[Wei

Dandan

, Li

Shan

. Scale of human thermal sensation using seasonal anchor method: A Chinese case study
Journal of Natural Resources, 2019, 34(8): 1633-1653.]. DOI: 10.31497/zrzyxb.20190806.

[本文引用: 1]

[7]

Huang J

, Li L

, Tan C

, et al. Mapping summer tourism climate resources in China
Theoretical and Applied Climatology, 2019, 137(3-4), 2289-2302. DOI: 10.1007/s00704-018-2740-x.

URL [本文引用: 1]

[8]

陈慧, 闫业超, 岳书平, 等. 中国避暑型气候的地域类型及其时空分布特征
地理科学进展, 2015, 34(2): 175-184.

DOI:10.11820/dlkxjz.2015.02.006 [本文引用: 4]

由于中国各地纬度、地形及海陆位置的地域差异,形成了多种多样的避暑型气候。本文采用1993-2012年756个国家基本站和122个辐射站逐日气象数据,基于通用热气候指数(UTCI)模型计算各气象站点的人体感知温度,结合聚类分析方法对避暑型气候的地域类型进行了研究,并对其空间分布、时间变化和舒适特征进行了分析。结果表明：中国避暑型气候主要包括西南高原型、中东部山岳型、东北山地平原型、西北山地高原型和环渤海低山丘陵型5种地域类型;各类避暑型气候具有显著的地域特色：西南高原型避暑气候纬度低、海拔高,太阳辐射较强;中东部山岳型避暑气候地势高、风速大,夏季舒适偏冷;环渤海低山丘陵型避暑气候地势低、湿度大,夏季舒适偏热且舒适度受海风影响明显;西北山地高原型避暑气候温度适宜、天气晴朗,但略显干燥;东北山地平原型避暑气候凉爽、风速不大、辐射不强、湿度适中,综合条件相对优越。从各类避暑型气候夏季人体感知温度的变化来看,环渤海低山丘陵型舒适期较短,其余类型舒适期相对较长,东北山地平原型和西北山地高原型人体感知温度曲线呈良好的单峰对称变化,其余类型大致呈单峰不对称形态。本文不仅丰富了避暑型气候研究的理论成果,而且也可为避暑型旅游资源的开发与规划提供科学依据,进一步指导人们的避暑旅游活动。

[Chen

Hui

, Yan

Yechao

, Yue

Shuping

, et al. Types of summer comfortable climate in China and their temporal and spatial distribution
Progress in Geography, 2015, 34(2): 175-184.]. DOI: 10.11820/dlkxjz.2015.02.006.

[本文引用: 4]

[9]

李山, 孙美淑, 张伟佳, 等. 中国大陆1961-2010年间气候舒适期的空间格局及其演变
地理研究, 2016, 35(11): 2053-2070.

DOI:10.11821/dlyj201611005 [本文引用: 1]

气候舒适期作为气候舒适度/人体舒适度评价的一种时间标尺,对建筑设计、人体健康和旅游发展等意义深远。以“月”界定气候舒适期的传统研究因时间粒度较大,不利于全球变化下区域间横向和区域内纵向的比较和解析。根据中国大陆775个基本（基准）气象站点1961-2010年间的逐日气象数据,利用温湿指数（THI）和风效指数（WEI）的组合模型策略对其“舒适”分级标准进行改进,在“天气舒适日数累加”这一以“天”为粒度的气候舒适期界定下,对中国大陆近50年来气候舒适期的空间格局及其演变开展分析。研究给出了中国大陆的年均气候舒适期数值及其季节分配,揭示了年均气候舒适期的空间格局及其季节性差异,探讨了50年来气候舒适期的空间演变及其季节性特点,为全球变化的区域响应提供一种有关人居环境建设和人类活动适应的基础认识和科学依据。

[Li

Shan

, Sun

Meishu

, Zhang

Weijia

, et al. Spatial patterns and evolving characteristics of climate comfortable period in the mainland of China: 1961-2010
Geographical Research, 2016, 35(11): 2053-2070.]. DOI: 10.11821/dlyj201611005.

[本文引用: 1]

[10]

杨俊, 张永恒, 席建超. 中国避暑旅游基地适宜性综合评价研究
资源科学, 2016, 38(12): 2210-2220.

[本文引用: 1]

[Yang

Jun

, Zhang

Yongheng

, Xi

Jianchao

. The comprehensive evaluation of suitability of summer tourism base in China
Resources Science, 2016, 38(12): 2210-2220.]. DOI: 10.18402/resci.2016.12.02.

[本文引用: 1]

[11]

邓粒子, 保继刚. 中国避暑型与避寒型宜人气候的分布特征及差异
地理研究, 2020, 39(1): 41-52.

DOI:10.11821/dlyj020180792 [本文引用: 2]

宜人气候可以分为避暑型和避寒型两种类型,但现有研究鲜有关注国内两类气候的分布特征及差异。本文采用1981—2010年2132个国家气象观测站数据,基于温湿指数、风寒指数和着衣指数计算各个气象站点的气候综合舒适指数,结合协同克里金空间插值方法对全国避暑型和避寒型宜人气候的分布特征进行了研究,并对两类气候的地域差异进行了分析。结果表明：① 中国避暑型气候区包括40°N以北的西北边疆和东北地区、西北中部地区及西南地区三大集中分布区。中国避寒型气候区集中分布在北回归线以南的低纬地区。② 国内夏冬两季的气候不舒适地域广阔,包括环渤海、长三角等经济发达、人口稠密地区,避暑型与避寒型气候资源的开发潜力显著。③ 两类宜人气候呈现明显的地域分离特征,拥有避暑和避寒双重属性的地方极少。④ 国内避寒型气候是稀缺资源,具有垄断性特征;而避暑型气候相对分布广泛,是一种相对遍在性资源。本文不仅丰富了宜人气候分布特征研究的理论成果,而且可为地方气候资源的旅游开发提供科学依据。

[Deng

Lizi

, Bao

Jigang

. Spatial distribution of summer comfortable climate and winter comfortable climate in China and their differences
Geographical Research, 2020, 39(1): 41-52.]. DOI: 10.11821/dlyj020180792.

[本文引用: 2]

[12]

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
经济地理, 2015, 35(1): 202-208.

[本文引用: 1]

[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.]. DOI: 10.15957/j.cnki.jjdl.2015.01.029.

[本文引用: 1]

[13]

李南. 中国近代避暑地的形成与发展及其建筑活动研究
杭州: 浙江大学博士学位论文, 2011: 18-32.

[本文引用: 2]

[Li

Nan

. A research on formation, development and architectural activities of summer resorts in modern China
Hangzhou: Doctoral Dissertation of Zhejiang University, 2011: 18-32.]

[本文引用: 2]

[14]

Forland E

, Jacobsen

J K S

, Denstadli

J M

, et al. Cool weather tourism under global warming: Comparing arctic summer tourists′ weather preferences with regional climate statistics and projections
Tourism Management, 2013, 36(3): 567-579. DOI: 10.1016/j.tourman.2012.09.002.

URL [本文引用: 2]

[15]

Bujosa

, Rosselló

. Climate change and summer mass tourism: The case of Spanish domestic tourism
Climatic Change, 2013, 117(1-2): 363-375. DOI: 10.1007/s10584-012-0554-x.

URL [本文引用: 1]

[16]

Koutroulis A

, Grillakis M

, Tsanis I

, et al. Mapping the vulnerability of European summer tourism under 2°C global warming
Climatic Change, 2018, 151(2), 157-171. DOI: 10.1007/s10584-018-2298-8.

URL [本文引用: 1]

[17]

Cheng

, Yang

, Liu S

. Rural stay: A new type of rural tourism in China
Journal of Travel & Tourism Marketing, 2020, 37(6): 711-726. DOI: 10.1080/10548408.2020.1812467.

[本文引用: 1]

[18]

王金莲, 苏勤, 吴骁骁, 等. 旅游地理学视角下第二居所旅居研究
人文地理, 2019, 34(1): 90-98.

[本文引用: 1]

[Wang

Jinlian

, Su

Qin

, Wu

Xiaoxiao

, et al. Research on second home sojourn: A review from tourism geography perspective
Human Geography, 2019, 34(1): 90-98.]. DOI: 10.13959/j.issn.1003-2398.2019.01.012.

[本文引用: 1]

[19]

杨兴柱, 顾朝林, 王群. 南京市旅游流网络结构构建
地理学报, 2007, 62(6): 609-620.

[本文引用: 3]

[Yang

Xingzhu

, Gu

Chaolin

, Wang

Qun

. Urban tourism flow network structure construction in Nanjing
Acta Geographica Sinica, 2007, 62(6): 609-620.]. DOI: 10.11821/xb200706006.

[本文引用: 3]

[20]

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
地理学报, 2010, 65(8): 1013-1024.

DOI:10.11821/xb201008012 [本文引用: 15]

从旅游流的内在联系特性入手,分析了入境旅游流网络分析的可行性和必要性,采用基本特征描述、密度分析及EI 指数检验、中心性、凝聚子群、核心—边缘分析等分析方法对中国入境旅游流网络展开研究,然后运用QAP分析模型对旅游者流动矩阵和各省市旅游供给要素差值矩阵进行相关和回归分析。结果显示：① 中国入境旅游流规模上呈现东部强,西部、东北次强,中部弱的态势,整体结构比较松散而且不均衡,空间结构上出现一定的集群现象;② 东部一些省市不仅中心度指数高,结构优势明显,占据网络的核心位置,而且内部联系紧密,另外西部个别省份的网络重要性有所增强,旅游发展的不均衡态势有所改善;③ 自然资源因素、经济发展水平、对外联系度、空间距离是制约入境旅游者流动的因素,而国际旅行社数、飞机起降架次为代表的高档次旅游服务水平、及是否同一地区是影响旅游者选择旅游地的重要因素。文章旨在为探讨入境旅游流空间特征和机制提供一种新的分析思路, 力求能从宏观上把握中国入境旅游流特征,进而为入境旅游的均衡发展和各省市旅游政策的制定等宏观决策提供理论层面的参照。

[Liu

Fajian

, Zhang

Jie

, Chen

Dongdong

. The characteristics and dynamical factors of Chinese inbound tourist flow network
Acta Geographica Sinica, 2010, 65(8): 1013-1024.]. DOI: 10.11821/xb201008012.

[本文引用: 15]

[21]

李创新, 马耀峰, 张颖, 等. 1993-2008年区域入境旅游流优势度时空动态演进模式: 基于改进熵值法的实证研究
地理研究, 2012, 31(2): 257-268.

[本文引用: 1]

[Li

Chuangxin

, Ma

Yaofeng

, Zhang

Yin

, et al. Dynamic evolution mode of regional dominance indexes of Chinese inbound tourism flows during 1993 to 2008: An empirical research based on modified entropy technology
Geographical Research, 2012, 31(2): 257-268.]. DOI: 10.11821/yj2012020006.

[本文引用: 1]

[22]

钟士恩, 张捷, 任黎秀, 等. 旅游流空间模式的基本理论及问题辨析
地理科学进展, 2009, 28(5): 705-712.

[本文引用: 1]

[Zhong

Shien

, Zhang

Jie

, Ren

Lixiu

, et al. Concentration on problems within spatial pattern of tourist flow in the way of critical thinking
Progress in Geography, 2009, 28(5): 705-712.]. DOI: 10.11820/dlkxjz.2009.05.008.

[本文引用: 1]

[23]

Park

, Xu

, Jiang

, et al. Spatial structures of tourism destinations: A trajectory data mining approach leveraging mobile big data
Annals of Tourism Research, 2020, 84(5): 327-343. DOI: 10.1016/j.annals.2020.102973.

[本文引用: 1]

[24]

Mou N

, Yuan R

, Yang T

, et al. Exploring spatio-temporal changes of city inbound tourism flow: The case of Shanghai, China
Tourism Management, 2020, 76(1): 151-164. DOI: 10.1016/j.tourman.2019.103955.

[本文引用: 2]

[25]

李磊, 陆林, 孙小龙, 等. 高铁沿线旅游流网络结构及其互动关系研究: 以合福高铁沿线地区为例
人文地理, 2020, 35(1): 132-140.

[本文引用: 2]

[Li

Lei

, Lu

Lin

, Sun

Xiaolong

, et al. Study on the network structure and interactive and relationship of tourism flow along high-speed railway: An example of Hefei-Fuzhou high-speed railway
Human Geography, 2020, 35(1): 132-140.]. DOI: 10.13959/j.issn.1003-2398.2020.01.015.

[本文引用: 2]

[26]

徐冬, 黄震方, 黄睿. 基于空间面板计量模型的雾霾对中国城市旅游流影响的空间效应
地理学报, 2019, 74(4): 814-830.

DOI:10.11821/dlxb201904014 [本文引用: 2]

以中国342个市域单元为研究对象,借助双变量LISA模型、空间面板杜宾模型等方法,探究了1998-2016年雾霾与中国城市旅游流的空间关联特征,分析了雾霾对旅游流的影响及其空间溢出效应。结果表明,在中国雾霾PM<sub>2.5</sub>与城市旅游流有东高西低的分布特点,在胡焕庸线两侧的空间分布呈现出与地形和城市发展等因素的空间耦合性;雾霾与城市旅游流（含国内和入境旅游流）均表现出显著的空间集聚和空间依赖特征,雾霾污染对旅游流产生明显的影响并形成相应的空间效应;雾霾对旅游流的抑制区域在不断扩大,H-L型城市数量的增加、L-H型集聚区的片状扩张和华北、华中地区的L-H型集聚的“空心化”现象均表明旅游流具有低雾霾指向性;雾霾污染与旅游流的倒“U”型曲线关系表明经典的EKC假说对中国城市旅游流同样适用,且雾霾污染的显著负向影响主要存在于入境旅游方面;雾霾和旅游流均具有明显的正向空间溢出效应,将雾霾治理同经济发展、对外联系、旅游开发、生态保护和交通建设等因素结合起来进行综合治理,才能为旅游发展创造美好的环境,实现国际、国内旅游健康、协调、可持续的高质量发展。

[Xu

Dong

, Huang

Zhenfang

, Huang

Rui

. The spatial effects of haze on tourism flows of Chinese cities: Empirical research based on the spatial panel econometric model
Acta Geographica Sinica, 2019, 74(4): 814-830.]. DOI: 10.11821/dlxb201904014.

[本文引用: 2]

[27]

, Lu

, Xu Y

, et al. Influence of high-speed rail on tourist flow network in typical tourist cities: An empirical study based on the Hefei-Fuzhou high-speed rail in China
Asia Pacific Journal of Tourism Research, 2020, 25(11): 1215-1231. DOI: 10.1080/10941665.2020.1821387.

URL [本文引用: 2]

[28]

李磊, 陆林, 穆成林, 等. 高铁网络化时代典型旅游城市旅游流空间结构演化: 以黄山市为例
经济地理, 2019, 39(5): 207-216+225.

[本文引用: 1]

[Li

Lei

, Lu

Lin

, Mu

Chenlin

, et al. Spatial structure evolution of tourist flow in typical tourist cities in the period of high-speed rail networking: A case study of Huangshan city
Economic Geography, 2019, 39(5): 207-216+225.]. DOI: 10.15957/j.cnki.jjdl.2019.05.024.

[本文引用: 1]

[29]

Marrocu

, Paci

. Different tourists to different destinations: Evidence from spatial interaction models
Tourism Management, 2013, 39(6): 71-83. DOI: 10.1016/j.tourman.2012.10.009.

URL [本文引用: 2]

[30]

Kim

, Prideaux

, Timothy

Dallen

. Factors affecting bilateral Chinese and Japanese travel
Annals of Tourism Research, 2016, 61(6): 80-95. DOI: 10.1016/j.annals.2016.08.001.

URL [本文引用: 2]

[31]

Chung M

, Herzberger

, Frank K

, et al. International tourism dynamics in a globalized world: A social network analysis approach
Journal of Travel Research, 2020, 59(3): 387-403. DOI: 10.1177/0047287519844834.

URL [本文引用: 1]

[32]

Gunter

, Önder

. Forecasting international city tourism demand for Paris: Accuracy of uni- and multivariate models employing monthly data
Tourism Management, 2015, 46(1): 123-135. DOI: 10.1016/j.tourman.2014.06.017.

URL [本文引用: 1]

[33]

汪德根, 陈田, 陆林, 等. 区域旅游流空间结构的高铁效应及机理: 以中国京沪高铁为例
地理学报, 2015, 70(2): 214-233.

DOI:10.11821/dlxb201502004 [本文引用: 1]

交通是影响旅游流空间结构最主要因素之一。以京沪高铁线为例,探讨了区域旅游流空间结构的高铁效应及特征,在此基础上,分析区域交通可达性变化,并结合区域旅游资源禀赋、区域旅游接待设施、区域旅游交通网络密度以及区位等影响因素分析区域旅游流空间结构的高铁效应的机理。研究表明：① 区域旅游流空间结构的高铁效应表现为马太效应、过滤效应、扩散效应和叠加效应等特征。② 区位条件、旅游资源禀赋、旅游接待能力、交通网络密度以及时空压缩程度等影响因素共同作用均非常明显态势下,产生高铁马太效应;旅游资源禀赋、旅游接待能力、交通网络密度均不强,时空压缩程度不显著等旅游节点产生高铁过滤效应;区位条件、旅游资源禀赋、旅游接待能力和交通网络密度均具有很强优势,且时空压缩程度明显等旅游节点可成为扩散源,高铁强化了扩散源旅游流集聚作用,然后向边缘旅游地扩散,呈现为“集聚—扩散”模式;高铁使大尺度空间的不同客源地居民出游空间范围出现叠加现象,但只有区位条件、旅游资源禀赋、旅游接待能力、交通网络密度优势较强且时空压缩程度明显旅游节点产生叠加效应。

[Wang

Degen

, Chen

Tian

, Lu

Lin

, et al. Mechanism and HSR effect of spatial structure of regional tourist flow: Case study of Beijing-Shanghai HSR in China
Acta Geographica Sinica, 2015, 70(2): 214-233.]. DOI: 10.11821/dlxb201502004

[本文引用: 1]

[34]

廖善刚. 福建省旅游气候资源分析
福建师范大学学报(自然科学版), 1998, 14(1): 96-100.

[本文引用: 2]

[Liao

Shangang

. The climate resources for tourism in Fujian
Journal of Fujian Normal University (Natural Science Edition), 1998, 14(1): 96-100.]

[本文引用: 2]

[35]

刘逸, 卢展晴, 陈欣诺. 避暑旅游气候舒适度模型构建与应用
中山大学学报(自然科学版), 2019, 58(3): 22-31.

[本文引用: 4]

[Liu

, Lu

Zhanjing

, Chen

Xinnuo

. The climate comfort model for evaluating heat-avoiding resorts in China
Acta Scientiarum Naturalium Universitatis Sunyatseni, 2019, 58(3): 22-31.]. DOI: 10.13471/j.cnki.acta.snus.2019.03.003.

[本文引用: 4]

[36]

王娜. “丝绸之路经济带”贸易联系网络的定量测度: 以25 个国家组成的局部网络为例
兰州: 兰州大学硕士学位论文, 2016: 70-83.

[本文引用: 4]

[Wang

. Quantitatively research on trade ties networks of the Silk Road Economic Belt: A case study of the local network of 25 countries
Lanzhou: Master Dissertation of Lanzhou University, 2016: 70-83.]

[本文引用: 4]

[37]

涂玮. 在线旅游信息表征的旅游流空间结构及动力机制研究
南京: 南京师范大学博士学位论文, 2015: 137-164.

[本文引用: 8]

[Tu

Wei

. Research on spatial structure and dynamic mechanism of tourism flow represented by online tourism information
Nanjing: Doctoral Dissertation of Nanjing Normal University, 2015: 137-164.]

[本文引用: 8]

[38]

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
旅游学刊, 2018, 33(9): 13-25.

[本文引用: 11]

[Wang

Jun

, Xia

Jiechang

. Study on the spatial network structure of the tourism economy in China and its influencing factors: Investigation of QAP method
Tourism Tribune, 2018, 33(9): 13-25.]. DOI: 10.3969/j.issn.1002-5006.2018.09.007.

[本文引用: 11]

[39]

李磊, 陆林. 合福高铁沿线旅游地合作网络与模式
自然资源学报, 2019, 34(9): 1917-1932.

[本文引用: 2]

[Li

Lei

, Lu

Lin

. Cooperative network and mode of tourism destinations along Hefei-Fuzhou high-speed railway
Journal of Natural Resources, 2019, 34(9): 1917-1932.]. DOI: 10.31497/zrzyxb.20190909.

[本文引用: 2]

[40]

Lue C

, Crompton J

, Fesenmaier D

. Conceptualization of multi-destination pleasure trips
Annals of Tourism Research, 1993, 20(2): 289-301. DOI: 10.1016/0160-7383(93)90056-9.

URL [本文引用: 1]

[41]

杨兴柱, 顾朝林, 王群. 旅游流驱动力系统分析
地理研究, 2011, 30(1): 23-36.

[本文引用: 5]

[Yang

Xingzhu

, Gu

Chaolin

, Wang

Qun

. Study on the driving force of tourist flows
Geographical Research, 2011, 30(1): 23-36.]. DOI: 10.11821/yj2011010003.

[本文引用: 5]

[42]

Liu

, Huang S

, Fu

. An application of network analysis on tourist attractions: The case of Xinjiang, China
Tourism Management, 2017, 58(1): 132-141. DOI: 10.1016/j.tourman.2016.10.009.

URL [本文引用: 2]

[43]

肖群鹰, 刘慧君. 基于QAP算法的省际劳动力迁移动因理论再检验
中国人口科学, 2007, (4): 26-33+95.

[本文引用: 2]

[Xiao

Qunying

, Liu

Huijun

. Retesting dynamical factor theories on inter-provincial labor migration with QAP algorithm
Chinese Journal of Population Science, 2007, (4): 26-33+95.]

[本文引用: 2]

[44]

吕娟, 张燕. 珠江-西江经济带旅游经济网络结构及影响因素研究
旅游论坛, 2020, 13(1): 57-68.

[本文引用: 1]

[Lv

Juan

, Zhang

Yan

. Study on tourism economic network structure and influencing factors of the Pearl River-West River Economic Belt
Tourism Forum, 2020, 13(1): 57-68.]. DOI: 10.15962/j.cnki.tourismforum.202001006.

[本文引用: 1]

[45]

张辉, 范容廷, 赫玉玮. 中国旅游统计问题与改革方向
旅游学刊, 2016, 31(4): 11-14.

[本文引用: 1]

[Zhang

Hui

, Fan

Rongting

, Hao

Yuwei

. China tourism statistics issues and reform direction
Tourism Tribune, 2016, 31(4): 11-14.]. DOI: 10.3969/j.issn.1002-5006.2016.04.005.

[本文引用: 1]

[46]

保继刚. 将尺度观引入旅游统计工作的几点思考
旅游导刊, 2019, 3(1): 1-8.

[本文引用: 1]

[Bao

Jigang

. Thoughts on introducing spatial scale perspective into tourism statistics
Tourism and Hospitality Prospects, 2019, 3(1): 1-8.]. DOI: 10.12054/lydk.bisu.109.

[本文引用: 1]

[47]

梁增贤, 保继刚. 基于珠海实证的城市旅游增长极限分析框架
地理学报, 2020, 75(8): 1711-1724.

DOI:10.11821/dlxb202008011 [本文引用: 1]

城市旅游是城市的一个开放、高流动的子系统,在一定时期内是相对稳定,有增长极限的。城市旅游增长极限受到供需极限影响,当旅游需求超过供给时,出现过度旅游;而当供给超过需求,就会导致过度旅游化。城市旅游需求增长极限呈现阶梯式,只有当影响城市旅游需求增长的长期因素发生持续重大变化时,城市旅游需求增长才可能突破原有的极限,进入一个新的阶段。城市旅游需求极限规定了城市旅游供给极限,决定了城市在一定时期内适合开发的景区、酒店、餐饮、购物等旅游设施规模。本文基于珠海的实证分析表明,过去十几年,由于旅游供需两方面影响因素缺乏持续重大的变化,城市功能和地位、城市主题和特色等因素相对稳定,加之受到区域其他城市的激烈竞争,珠海中高端旅游需求相对稳定,星级酒店等中高端旅游产品面临增长极限。此时,新增旅游景区和星级酒店并不会带来过夜旅游需求的实质增长,反而可能加剧现阶段旅游供需的失衡,造成过度旅游化。本文也讨论了超越旅游极限的条件以及旅游增长与旅游发展的关系,并进一步建议了旅游统计的改革举措。

[Liang

Zengxian

, Bao

Jigang

. The growth of urban tourism: With or without limit
Acta Geographica Sinica, 2020, 75(8): 1711-1724.]. DOI: 10.11821/dlxb202008011.

[本文引用: 1]