基于地理集中指數算法改良和微博數據的大理古城游客時空行為模式與驅動因素實證

邢 倩 鐘 鈺 李偉妙

（1.河北師范大學匯華學院，河北石家莊 050020；2.河北省工程咨詢研究院，河北石家莊 050011）

一、現有地理集中度方法分析

旅游客源市場是旅游地賴以生存和發展的關鍵因素，開展旅游客源地空間結構特征與模式研究對于旅游可持續發展、區域旅游發展規劃和智慧旅游模式創新具有重要的意義。國內外學者都對旅游客源市場進行了廣泛討論，克里斯泰勒（Christaller）率先將區位理論運用于地理空間和游憩活動的關系研究中，開展了旅游市場空間結構的研究[1]；從20世紀80 年代開始，對客源市場空間結構的研究逐漸成為國內學者研究的熱點。保繼剛等利用抽樣調查資料，對桂林旅游客源市場12 年的空間演變進行研究[2]；研究方法上，針對旅游客源市場的空間結構分析多采用地理集中指數、客源地吸引半徑、基尼系數、修正引力模型等方法，這些方法對于研究游客和客源地的集聚情況都有較好的成效[3]。在這些方法中，地理集中指數由于計算方法簡便，且能夠反映旅游者客源地的空間分布特征而得到廣泛應用[4-6]。該方法能夠通過客源地游客人數與旅游地接待游客人數的比值關系表達旅游者的空間分布特征，學者在應用地理集中指數衡量游客集中程度時均指出地理集中指數越高表明游客越集中，客源市場較為狹窄，不穩定；而地理集中指數越小則游客越分散，客源市場越廣泛，較為穩定。而對于客源地而言，某一個旅游目的地的絕對游客人數并不能充分反映該客源地游客對旅游目的地的向往情況，而游客人數占客源地人口總數的比重即出游概率則更能夠體現旅游目的地的吸引力[7-8]。鑒于此，本文嘗試對傳統地理集中指數計算方法進行改良，將客源地游客數量加入常住人口比例因子進行計算，對絕對游客數量進行標準化，以古城類代表性旅游景點大理古城2013—2017 年的微博數據為例，將兩種方法進行對比，并從空間層級和時間序列上分別對大理古城微博數據進行分類計算，從而對古城類旅游景點客源地集中度驅動因素進行分析，以期為進一步優化客源地空間結構和旅游地的旅游營銷方案提供理論參考。

二、對地理集中指數計算方法的改良

（一）標準化原有計算方法

多數研究者均通過地理集中指數衡量游客集中度，并以此研究旅游者的空間分布特征，其公式如下：

式（1）中，G為客源地集中指數，n為客源地總數，T為旅游地接待游客人數，Xi為第i個客源地游客人數。式（1）用實際游客人數與旅游地接待游客總人數的比表達了客源地的出行概率，這種形式只考慮了單一旅游地接待人數與旅游地總體游客人數的關系。但是，旅游客源地游客的出行模式和空間分布不只與單一游客數量有關，游客數量占客源地人口總數的比重更能夠反映某客源地游客的出行概率，以及反映客源地的整體出行意愿和出行趨勢。將式（1）標準化，對原有的計算公式進行改良，其中Pi為第i個城市常住人口數量（千人），XP為游客出游概率，將客源地游客數量與城市常住人口的比作為修正因子，相關公式如下：

式（2）中，將實際出游概率作為因子對絕對游客數量Xi標準化，使得各客源地的游客數量能夠作為一個客觀數據進行比較，消除由于常住人口基數不同造成的絕對數量比較結果不合理的影響。由于各城市游客出游的人數和人口總數均有可能差異過大，因此對其進行標準化處理，以消除奇異樣本數據的影響，相關公式如下：

式（3）中，XPnorm為基于歸一化指數的標準化游客出游概率，XPi為第i個城市的游客數量，XPmin和XPmax分別為最小與最大常住人口數量。將標準化的出行概率加入式（3）中，相關公式如下：

式（4）中，G'是對式（1）的改良結果，從式（4）中可以看出，G'越大表明客源地相對游客越集中，G'越小則客源地相對游客越分散。此公式和傳統的理集中指數計算方法相比更能體現游客人口分布的相對數量關系，且計算結果的解釋更為客觀。

（二）建立地理集中度時空計算方法

1.地理尺度

地理尺度是社會經濟發展作用下不平衡的空間結構，旅游作為與旅游地社會經濟各個方面都有聯系的經濟活動，探索其不同地理尺度下（如區域尺度、政區尺度等）的客源地集中度對于挖掘旅游地的發展潛力、經濟圈擴充內力等有重要意義。從上述公式中可以看出，計算結果除了受游客分布情況影響，旅游客源地分布數量也會對計算結果產生影響，在游客完全平均分布于n個客源地的情況下，仍然會隨著客源地的增加而G值變小。因此，為了探索不同地理尺度下旅游地的客源集中度，消除各地理尺度下城市數量的差異，在式（4）的基礎上加入差異系數s，以客觀反映不同尺度下客源的相對分布情況，如在行政單元尺度下，s可為直轄市、省級行政單元、地級城市、縣級城市單元等，以方便討論不同地理尺度下的旅游地理集中度，相關公式如下：

2.時間尺度

時間分布特征是旅游客源市場研究的重點方向，不同時間尺度下旅游地呈現出不同的形象。在時間尺度下，地理集中度能夠有效顯示游客的時間分異規律。在式（4）時加入時間因素，討論不同時間尺度下的游客空間分布特性，相關公式如下：

式（6）中，Tt為時間尺度因素。

三、實證分析

（一）數據獲取

《“十三五”全國旅游信息化規劃》中指出推進旅游大數據運用，引領新驅動，其中之一便是運用大數據對游客數量、結構特征、興趣愛好、消費習慣等信息進行收集分析，為旅游市場細分、精準營銷、旅游戰略制定提供依據。近年來，逐漸有學者采用大數據對旅游地客源市場結構進行分析，其中簽到生成的地理標記UGC 對游客量的指示作用較為明確。本研究選擇自新浪位置微博簽到用戶生成內容（User Generated Content，UGC）數據作為研究旅游客源市場空間結構的數據來源。根據2013 年至2023 年上半年的微博數據統計結果發現，用戶在微博上的發文量在2013—2017 年的時效性、客觀性都較強，因此樣本取自2013—2017 年大理古城新浪微博游客自發上傳數據，共計181 330 條，涉及微博用戶106 145 人。

利用中國科學院地球大數據科學工程先導專項數據共享服務系統、《中國人口統計年鑒》等總結我國2013—2017 年常住人口數據，發現城市人口變化總體處于穩定上升階段。

（二）數據處理

改良后的地理集中指數計算方法中需要確定3個參數，即客源地的游客數量Xi、旅游目的地的游客總數T 和客源地的常住人口總數Pi。根據地理集中度時空計算方法，分別從空間層級和時間序列確定計算參數。旅游地的吸引力與空間關系緊密，根據大理古城旅游客源地和微博數據分布特點，將微博注冊地用戶按照行政單位，即全國、直轄市、省會城市、地級城市、云南省內城市的分類，根據微博現有數據和已存在人口統計數據情況，直轄市（北京、上海、天津、重慶）共計微博數據20 840 條；省會城市（不包括臺北）涉及的27 個省會城市共有微博數據49 215 條；地級市涉及275 個城市，共計微博數據46 111 條；云南省內（除昆明）8 個城市共計微博5 665 條。

（三）結果分析

1.大理古城空間地理集中度

從直轄市、省會城市、地級城市、云南省內城市的對比計算結果可以看出：從各空間層級上地理集中度比較，地級城市＞云南省內城市＞省會城市＞全國＞直轄市，較為符合旅游客源地分布現狀。地級城市經濟發展相對落后，對于遠距離的長途旅游尚停留在小眾群體中，絕對數量游客較少，使得客源分布集中程度相對最高。而省會城市和直轄市的游客所在地區行政單元等級較高，經濟發達程度相對也較高，游客絕對數量多，占常住人口數量比重高，客源集中程度呈現較為分散的趨勢（見表1）。

表1 大理古城微博注冊地空間層級集中度

2.時間序列計算結果對比

根據時間序列計算公式，可以看出2013—2017年大理古城游客微博注冊地集中度整體呈現集中-分散-再集中的趨勢，這與新浪微博用戶使用群體和使用量有關，2013 年中國微博用戶規模最大；2014—2015 年，新浪微博活躍用戶大幅度減少；而從2016年開始，新浪微博活躍用戶數量持續增加。正是由于該原因，大理古城游客年度微博注冊地集中度與微博游客數量成正相關。根據各年份微博游客數量與居民人均可支配收入的相關系數（見表2），可以看出微博游客數量與居民人均可支配收入在各年份范圍內存在弱相關關系，相關系數介于0.2 ～0.5，且整體上呈現相關性越來越弱的趨勢，可知微博游客出行人數數量與居民人均可支配收入存在一定的相關性，但隨著我國經濟發展水平逐年提高，居民用于出游的可支配收入隨之增多，相關性逐漸減弱，說明收入水平不再成為影響居民出行的絕對因素。

表2 微博游客出行人數數量與居民人均可支配收入相關系數

四、結論與展望

本文基于旅游地地理集中指數算法，將計算方法指標標準化，較原有方法更加合理科學，且根據目的地游客占客源地常住人口比重直觀反映客源地游客的出行概率，給出基于地理尺度和實踐尺度的地理集中指數的改良計算方法。接下來，以大理古城為研究對象，對計算方法進行驗證，從行政區劃和經濟發展水平角度分析大理古城客源游客分布特征與驅動因素。

本研究方法對旅游客源地的集中度計算方法進行了改良，但實證階段采用的微博數據作為計算指標一定程度上存在對游客面的涵蓋不全，不能夠代表全部游客的數據和分布特征，這也是未來對微博數據全面性研究的改進方向。