景區間旅游客流網絡形成的內-外生機制分析

［摘" " 要］景區間旅游客流網絡的形成機制是旅游流網絡研究的重要問題。已有研究主要識別了旅游客流網絡形成的外生機制，而對網絡內生機制缺乏研究，文章旨在更全面地揭示景區間旅游客流網絡形成的內-外生機制。文章選擇四川省為案例地，基于旅游社交平臺的游記數據構建了景區間旅游客流的有向加權網絡，通過引入加權指數隨機圖模型，定量模擬并識別了影響該網絡形成的內-外生機制。1）四川省景區間旅游客流網絡為稀疏網絡、無標度網絡，但不具備小世界特性；核心的景區節點和網絡連邊大多集中在成都市。2）該網絡的形成是內-外生機制協同作用的結果，內生機制表現為網絡內生結構效應，外生機制包括景區屬性效應和外部情境效應。3）作為內生機制的互惠機制和擇優鏈接機制促進了該網絡中聯系的形成；外生機制方面，在線評論分數、景區等級同質性、景區類型同質性、地理鄰近性、組織鄰近性均會顯著影響該網絡中聯系的形成。

［關鍵詞］旅游流網絡；內-外生機制；旅游景區；加權指數隨機圖模型；復雜網絡；四川省

［中圖分類號］F59

［文獻標識碼］A

［文章編號］1002-5006（2024）11-0063-17

DOI： 10.19765/j.cnki.1002-5006.2024.11.010

0 引言

景區是旅游業的重要部門和地方旅游業高質量發展的核心要素。2022年，我國各景區共接待了26.3億游客，創造了1818.5億元的旅游收入1，成為推動一些地區經濟增長和發展的重要力量。景區是吸引游客出游的最主要動力之一[1]，而游客在一次旅程中經常會選擇多個景區進行游覽[2]，這樣景區之間通過游客群體的空間流動而建立了旅游聯系，形成景區間旅游客流網絡結構[3-4]。了解和把握景區間游客流動規律及其客流網絡結構對旅游產品開發、旅游線路設計、旅游設施布局以及旅游高質量發展具有重要的指導意義。

旅游客流是旅游學尤其是旅游地理學研究的重要對象和重點領域[5]。國內外學者基于所劃分的不同空間單元水平，重點分析了國家間[6]、省域間[7]、市域間[8-10]、景區間[3-5，11-28]的旅游客流格局及機制。其中，景區間旅游客流分析屬于微觀水平的分析，它不僅能識別出旅游客流的更精細的空間格局，還有助于認識和把握更宏觀水平上的旅游客流空間規律。因此，景區間旅游客流空間規律成為旅游客流研究的核心內容，也成為近年來國內外學者研究的熱點[28]。

網絡分析范式已成為旅游客流研究的主流范式之一[4，29]，它能夠揭示旅游客流系統的復雜結構和過程[8]。網絡分析基于圖論，將景區作為節點，將游客在景區間的流動作為邊，以此映射、測量并可視化景區間的旅游客流強度、方向性和分布模式[3]。近年來，隨著移動互聯網和社交媒體的快速發展，學者廣泛利用游客發布的線上數據或數字足跡來構建景區間旅游客流網絡，并分析其結構特征[4-5，13，15-28]。總體來看，景區間旅游客流網絡的結構已經得到較充分的研究。

隨著研究的不斷深入，景區間旅游客流網絡的形成機制越來越受到國內外學者的關注[14，20，24-26]。相關研究重點分析了景區間旅游客流網絡形成的外生機制，將景區節點屬性和外部情境因素作為旅游客流網絡形成或演化的核心解釋變量。景區節點屬性的效應分為績效（performance）和同質性（homophily）[30]。擁有更高屬性的景區在網絡中績效更高，更占優勢，更容易在網絡中與其他景區建立聯系。例如，李倩和曲凌雁發現，景區知名度和交通便利度會影響景區在城市旅游客流網絡中的地位[24]。張小青等發現，海拔高、資源稟賦高的景區在云南省旅游客流網絡中的客流量更大[25]。同質性表示節點在屬性方面的相似性，意味著具有相似屬性的景區之間更容易產生旅游客流聯系。例如，Liu等發現，品牌授權年限的相似性會促進新疆景區間旅游客流網絡的發展[14]；Hernández等在具有相似熱度、評級和類型的景區中觀察到同質效應[20]。外部情境因素是源于旅游客流網絡之外的空間關系，學者們最常討論的是空間距離的效應或距離衰減規律。研究發現，彼此靠近的景區之間更容易產生旅游客流聯系，距離對游客流動有顯著影響[5，26]。在景區間旅游客流的影響因素及機制識別的分析方法上，學者主要采用了社會網絡分析中的二次指派程序（quadratic assignment procedure，QAP）[14]，也有學者利用回歸分析法[24-26]、指數隨機圖模型（exponential random graph model，ERGM）[20]。

雖然國內外學者在景區間旅游客流網絡的形成機制方面已取得一些成果，為本文提供了理論支撐，但研究仍存在兩方面不足。第一，對旅游客流網絡形成中的網絡內生機制缺乏研究。網絡關系的形成是行動者發生交互作用的結果，受到外生機制和內生機制的雙重影響[31]。外生機制包括行動者屬性和外部情境因素的影響過程；而內生機制是網絡自組織的社會過程，即網絡通過自組織的方式形成一定的局部結構模式（稱網絡構局），從而促進網絡關系的形成[32]。景區間旅游客流網絡的復雜性特性[4，33-34]意味著網絡中的旅游客流聯系并不是隨機產生的，網絡構局會對網絡中其他關系產生影響，并進而影響整體網絡的結構[32]。以往研究主要研究了旅游客流網絡的外生機制，而很少對網絡內生機制和外生機制進行聯合分析，導致對旅游客流網絡形成機制的認識存在局限。第二，旅游客流網絡形成機制的分析方法存在局限，無法同時識別出內生機制和外生機制的聯合效應。QAP方法雖然能夠估計出外生情境因素和景區間關系特征對旅游客流網絡的影響，但無法同時估計出景區個體屬性效應和網絡內生結構效應[20]。景區間存在旅游客流聯系的現實使得回歸分析方法的殘差獨立性假設不成立。ERGM方法能夠識別網絡內生機制效應，但很少應用于旅游客流網絡尤其是景區間旅游客流網絡，并且目前常用的標準ERGM只能處理二值網絡（因變量取值為0和1），無法處理有向加權網絡，導致無法捕捉網絡節點間關系強度差異的深層原因[35]。

基于上述考慮，本文以中國旅游資源數量、類型、規模、品位、密度都居前列的四川省1為案例地，基于在線游記數據構建景區間旅游客流網絡，利用復雜網絡方法識別其網絡結構特征，引入加權ERGM方法定量揭示該網絡形成的內-外生機制。本研究能夠更全面地揭示景區間旅游客流網絡的內-外生形成機制，并且提供了識別內-外生機制聯合效應的分析方法，將有助于深化景區間旅游客流規律的理論成果。

1 文獻回顧與研究假設

國內外學者對旅游客流網絡形成的外生機制開展了大量研究并取得豐富研究成果，但對內生機制的研究較少尚處在起步階段，因此揭示內生機制和外生機制的協同效應顯得尤為必要。內生機制反映在網絡內生結構的效應上，外生機制包括節點屬性效應和外生情境協變量效應。

1.1 網絡內生結構效應

網絡內生結構是指網絡節點和邊之間的相互依賴性，是以內生機制來塑造網絡中其他關系的形成、維持或解體，不受節點屬性和其他外部作用力的影響[36]。根據網絡理論和ERGM構建的理論基礎，本文重點探討兩種局部網絡構局的效應：互惠性（mutuality）和星型結構（k-stars）。

1.1.1" " 互惠性

互惠性是有向網絡特有的結構性質，其表示網絡中兩個節點（即行動者）之間的雙向連接關系[37]。在有向網絡中，當A節點有指向B節點的連線時，那么B節點也會存在指向A節點連線的傾向。互惠性代表了相對穩定和均衡的關系，行動者更愿意在現有的單向聯系基礎上建立雙向聯系[38]。

對于景區間旅游流而言，因不同游客到訪景區的次序不同，如果A景區有成規模的游客流向B景區，那么B景區也往往會有成規模的游客流向A景區，兩景區間產生“對流”現象，近似呈現互惠性。從游客對景區線路選擇的偏好來看，游客傾向選擇已形成互惠關系的景區線路產品，而很少選擇彼此無關的景區組合。從景區管理來看，景區間建立互惠聯系可以共享旅游信息，降低交易成本，建立雙方的信任感，進而影響景區間旅游客流。基于此，本文提出以下假設：

H1：互惠性顯著影響景區間旅游客流網絡中聯系的形成

1.1.2" "星型結構

星型結構是指網絡中的一個核心節點與周圍多個節點相連，而周圍節點間不存在關聯。核心節點控制著網絡中的大部分權力與資源，對其他節點具有很大的影響力，是網絡中的“明星”節點。星型結構反映了擇優鏈接效應，新加入節點選擇與核心節點建立聯系通常出于以下兩種動機：一是核心節點具有較高的信譽與聲望；二是可以通過核心節點的中介效應來建立與其他周圍節點間的聯系[39-40]。考慮到本文中的景區間旅游客流聯系具有方向性，且核心景區的聚斂能力強于輻射能力，借鑒相關文獻[32]，本文將探討基于入度的星型結構。

景區間旅游客流網絡中的入度星型結構可以從核心景區的集聚效應和中介效應進行解釋。一方面，從集聚效應來看，囿于時間和資金，游客對景區的選擇傾向“擇優原則”[16]，即更多地集聚在核心景區。另一方面，核心景區也會吸引邊緣景區的游客，從而產生集聚效應。從中介效應來看，吸引力強的核心景區通常擁有良好的區位優勢，比如配套業態、交通區位等[41]，游客在游玩過邊緣景區后，可以依托核心景區的橋梁作用前往其他景區。因而，本文提出以下假設：

H2：星型結構顯著影響景區間旅游客流網絡中聯系的形成

1.2 節點屬性效應

節點屬性效應是從景區屬性出發探測旅游客流網絡的形成因素，這里將分析在線評論分數、景區等級、景區類型、景區門票等因素的影響。

1.2.1" " 在線評論分數

作為電子口碑的一種，在線評論用于分享旅游經驗并提供推薦信息，可以表達游客旅行的真實經歷和滿意度[42]。由于旅游產品的無形性和異質性[43]，潛在游客在很大程度上要依據口碑來推斷旅游產品質量[44]，而在線評論具有比傳統口碑更強的可得性和更低的交換成本[45]，因此越來越多的游客傾向查看在線評論來獲得旅游產品信息。積極的口碑可以提高潛在游客對旅游產品的信任度，增強他們的出游意愿[46]，并影響到游客的旅游意向[47]、預訂概率[44]、忠誠度[48]以及推薦意圖[49]等。反之，大量的負面評論會損害旅游產品的聲譽和形象，對游客決策產生消極影響。Mauri和Minazzi發現，正面評論可以提高潛在客戶對酒店的預訂意愿[47]，而Zhang等證明了正面在線評分與餐廳受歡迎程度呈正相關關系[50]。本文預期景區同酒店、餐廳類似，在線評論會影響到游客對景區的選擇，進而影響到景區間旅游客流。本文提出以下假設：

H3：在線評論分數會顯著影響景區間旅游客流網絡中聯系的形成，景區的在線評論分數越高，景區越可能被參觀

1.2.2" " 景區等級

我國景區從低到高被劃分為“1A”到“5A”5個等級，這些等級向游客傳達了景區的管理水平、服務質量、環境保護等信息，會影響游客的景區選擇意向。高等級景區通常是旅游目的地的“標志性吸引物”，被用于營銷目的地的獨特性，以求在游客心中樹立強大的正面形象，增加目的地的游客量[51]。Koo等研究發現，澳大利亞大多數國際游客集中在少量的標志性目的地[52]。劉培學等發現，景區等級對江蘇省景區客流規模有正向影響[53]。本文提出以下假設：

H4：景區等級顯著影響景區間旅游客流網絡中聯系的形成，景區等級越高，景區越可能被參觀

游客傾向在長途旅行中參觀更多的高等級景區[54]，然而同一等級的景區往往會因為相互競爭客源而對景區間的共同參觀產生負面影響[14]。當高等級景區和低等級景區鄰近分布，或者兩類景區插花式分布在一些成熟的旅游線路上時，兩類景區也很可能被聯合參觀。Hunt和Crompton發現，美國得克薩斯州泰勒市的主要景區和次要景區之間具有兼容性[11]。Jin等發現，南京的長途游客傾向將主要景區和次要景區結合起來游覽[15]。據此，本文提出以下假設：

H5：高等級景區更有可能與低等級景區共同被參觀

1.2.3" " 景區類型

根據累積吸引力理論[55]，一個目的地內的多個景區可以協同工作以提高目的地的累積效應，從而吸引更多的游客。該理論強調兼容性原則，即通過提供一系列不同類型和主題的景區，目的地區域可以滿足游客的多種旅游動機，并降低未實現旅游期望的風險[56]。相較于景區類型完全相同的旅游線路，包含多種類型景區的旅游線路可以降低游客不滿意的概率[57]。唐曉莉和李山認為，地區間的旅游類型差異越大，其旅游需求的溢出效應就越大[58]。Zhou等的研究表明，景區類型的多樣化對一定區域內景區之間的空間依賴性起到關鍵作用[59]。劉培學發現，當兩個景區都屬于主題游樂類型時，它們之間產生旅游流動的概率比較小[27]。基于上述討論，本文提出以下假設：

H6：不同類型的景區更有可能共同被參觀

1.2.4" " 景區門票

景區門票分為收費和免費兩種。景區收費可以調節游客流量，優化景區環境，提升游客的體驗感和參與感[60]，并培育消費者市場[61]。而免費進入的景區能夠提升公眾支持和使用水平[62]，增加潛在市場、提高游客的忠誠度[63]，例如西湖景區。現實中，旅游目的地中的標志性景區絕大多數實行收費制，并且它們往往是游客的必游之地。然而，旅行社銷售的旅游行程產品中加入免費景區，可以增加旅行時長和景區數量，豐富景區類型，以此提高旅游線路產品的吸引力。自助游游客也可能在參觀收費景區之外再選擇參觀免費景區，既不會增加旅行成本，同時還能獲得更具性價比的旅游體驗。基于上述討論，本文提出以下假設：

H7：擁有不同門票政策（收費/免費）的景區更有可能共同被參觀

1.3 外生協變量效應

外生協變量是指外部情境因素，這些因素具有一定的客觀制約性[31]。外生協變量可以用來識別外部關系對景區間旅游客流網絡的影響。

1.3.1" " 地理鄰近性

景區間的地理距離通常會影響到游客的時間成本和經濟成本。為了最大化旅游效用，游客往往會選擇地理鄰近的景區進行參觀，有利于旅行的靈活性[64-65]。地理鄰近還能為游客選擇景區提供心理支撐[66]，相較于前往距離遠的景區，游客更有意愿和能力參觀鄰近的景區，這樣能更好地克服距離帶來的不確定性和風險。最后，地理鄰近的景區通常意味著景區可以共享大型基礎設施（如機場、高鐵、高速公路等）[67]，這有助于景區間實行合作營銷，從而吸引游客對景區的聯合參觀[14]。

H8：景區間的地理鄰近性顯著影響景區間旅游客流網絡中聯系的形成，地理鄰近的景區更有可能被共同參觀

1.3.2" " 組織鄰近性

本文中的組織鄰近性表示景區組織在行政管理上的歸屬關系，并通過行政區邊界反映出來。地區之間因行政區經濟的存在往往缺乏統一的旅游管理和合作平臺。地方政府往往為了搶奪客源市場而相互競爭，這會限制游客的跨區域流動[68]，尤其是在不發達地區。此外，行政區邊界塑造了一種固有的“分區感”，它會使游客意識到空間分隔和空間差異，限制了他們跨越邊界的旅游行動[69]。Zhong等的研究結果表明，在其他縣沒有絕對吸引力的情況下，游客更傾向在縣域內部流動[17]。Kádár和Gede發現，多瑙河流域的跨界旅游流受到邊界屏蔽效應的顯著影響[9]。基于上述討論，本文提出以下假設：

H9：景區間的組織鄰近性顯著影響景區間旅游客流網絡中聯系的形成，同屬于一個行政區的景區更有可能被共同參觀

綜上，景區間旅游客流網絡關系的形成預期會受到外生機制和內生機制的聯合影響（圖1），本文將通過加權ERGM方法來識別這種聯合影響。

2 研究設計

2.1 案例地及其景區間旅游客流網絡的構建

本文的案例地為四川省。四川省位于中國西南部，素以“天府之國”聞名，全省面積48.6萬平方千米，轄21個市（州）。四川省旅游資源豐富，景區類型齊全，截至2023年9月，全省共有5A級景區16家，4A級景區336家，世界自然和文化遺產5處，數量均居全國前列，并涵蓋了博物館、自然景區、宗教場所、歷史遺產等多種類型1。四川省景區的地區空間分布格局表現出明顯的不均衡性[70]。鑒于四川省知名景區數量多，自然和人文景區類型多樣，地區間文化差異較大，旅游客流量規模大且分布不均衡，本文選擇四川省具有典型性。

四川省景區間旅游客流量數據來源參考相關研究[13，18-19， 22-23]，選擇游客在社交平臺發布的游記作為數據基礎。因新冠疫情對旅游發展的深刻影響，本文選擇2019年為研究期。數據采集、篩選和清洗的過程如下：1）以“四川省”為關鍵詞，以2019年1月1日—12月31日為研究時期范圍，利用Python爬蟲技術抓取來自國內知名旅游社交平臺攜程、馬蜂窩和去哪兒的游記數據，共獲取原始游記6548篇（其中，攜程1969篇、馬蜂窩4056篇、去哪兒523篇）；2）刪除商業廣告色彩明顯、單篇游記中景區節點到訪數小于兩個、時空位移無法判斷的游記，篩選出符合條件的游記共1702篇（其中，攜程576篇、馬蜂窩974篇、去哪兒152篇）；3）從篩選后的游記中提取游客的旅游路線信息和景區到訪信息，整理出游客在景區間的流動軌跡數據，共得到172個景區節點，并進而匯總得出景區之間的客流量數據。為了保留關鍵信息剔除游客到訪頻次小于4的景區[19]，最后保留了120個景區，并建立120×120的有向多值矩陣。

以該矩陣為基礎構建一個有向圖G=（V，E），其中V為節點的集合，E為節點間連邊的集合。在圖G中，節點vi∈V表示一個景區，連邊ei，j∈E表示從景區vi到景區vj的旅游客流，連邊的權重wi，j表示從景區vi到景區vj的旅游客流量。

2.2 復雜網絡分析法

利用復雜網絡分析方法分析四川省景區間旅游客流網絡的拓撲結構屬性。拓撲結構屬性反映景區網絡的結構性質和組織方式，采用密度、平均加權度、累計度分布、平均路徑長度和平均集聚系數[71]（表1）。

2.3 加權指數隨機圖模型

2.3.1" " 模型介紹

ERGM是社會網絡分析中一類基于指數族理論的生成性網絡仿真工具。ERGM從網絡中固定行動者之間的隨機關系出發，捕捉節點和網絡拓撲結構之間的相互依賴性[31，72]。與線性回歸或廣義線性模型不同，ERGM拒絕了殘差獨立性的假設，這使得ERGM可以將各種類型的變量納入解釋框架，包括內生結構變量、節點屬性變量和網絡協變量[73]。因此，ERGM可以在微觀層面上充分揭示網絡形成的特征和驅動機制。然而，標準ERGM只能處理二值網絡，即將網絡中個體之間的關系簡化為網絡連邊的存在與否并分別賦值為1或0，這會丟失加權網絡中關系的權重信息并導致估計偏差[74]。因此，本文引入Krivitsky提出的加權ERGM[74]。

加權ERGM將ERGM框架推廣到建模加權網絡，同時保留了傳統ERGM的靈活性和可解釋性。假定Y是加權網絡狀態的隨機變量，y是一個真實加權網絡，γ是行動者之間可能發生關系的所有可能方式的集合，則加權網絡的ERGM具有概率質量函數：

[Prh，gY=y;θ=h（y）exp （θΤg（y））kh，g（θ），y∈γ] （1）

其中，歸一化常數

[kh，gθ=y∈γh（y）exp （θΤg（y））] （2）

[kh，gθ]代表了最大網絡數量（確保網絡結構概率之和在0～1范圍內）；θ為擬合參數向量；T為擬θ的轉置符號，用于將θ從列向量轉化為行向量；[g（y）]為模型中的解釋變量；h（y）為參考分布項，決定了二元權重的基準分布形狀并約束了參數樣本空間。

對于傳統的二值網絡，默認的參考分布是伯努利分布（連邊產生概率為0.5）。而對于一個加權網絡而言，節點之間的加權關系連接使得樣本空間呈指數級增加，相應地，模型的估計也變得更加復雜。為此，加權ERGM要求在添加任何模型項之前指定一個明確的參考分布，以實現對樣本空間的壓縮和對模型計算的簡化[35，75]。

R語言中的ergm.count包提供了對泊松分布、幾何分布、二項分布和離散分布進行參考分布測度的選項，參考分布的選擇應與網絡中相應的權重分布相一致[35，74-75]。考慮到旅游客流網絡的關系強度為非負整數且離散程度高，因此本文選擇二項分布作為參考分布。

2.3.2" " 解釋變量選擇、數據來源、模型設定

根據本文研究假設部分對旅游客流網絡形成機制的分析，選擇表2所示的統計量作為旅游客流網絡中關系形成的關鍵變量，包括網絡內生結構變量、節點屬性變量、外生協變量。其中，網絡內生結構效應用于檢驗網絡自組織的微觀構型，由于適用于加權有向網絡的內生結構效應較少，本文選擇加權邊（sum）、互惠性（mutual（geometric））、加權入度星型結構（nodeicovar）進入模型，這3個網絡內生結構變量在ergm.count包中通過導入旅游客流網絡自動生成。

節點屬性變量和外生協變量屬于驅動網絡關系形成的外生變量。景區屬性方面，本文選取景區的在線評論分數（score）和景區等級（grade）驗證馬太效應，考察是否這些屬性越強的景區越容易與其他景區產生鏈接關系。選取景區等級、景區類型（[type]）和景區門票（ticket）驗證同質效應，考察這些屬性相同或相似的景區之間是否更容易產生游客流。數據來源和變量測量方面，景區的在線評論分數來源于馬蜂窩、攜程和去哪兒，為連續型變量。景區門票信息來源于馬蜂窩網站和各景區官網，為虛擬變量（收費為1，免費為0）。景區等級變量賦值參考李光勤等[76]，將景區按其A級等級進行賦值，從5A到2A依次賦值為5～2，其他景區均賦值為1，為有序分類型變量。各個景區的A級等級數據來源于四川省文化和旅游廳官網1。景區類型參考Leask[1]的分類方法，分為5個大類，分別是：博物館，綠地、公園和動物景區，宗教場所，歷史遺產，購物街區。以上為分類型變量。

外生協變量方面，本文采用景區間最短駕車距離的倒數表征地理鄰近性（distance），距離數據通過高德地圖API端口獲取，為連續型變量。組織鄰近性（city）參考戴靚等[40]，通過景區是否屬于同一地級市（州）來表征，為虛擬變量（是為1，否為0）。

最終，本文構建的加權ERGM設定如下：

[Prh，g=h（y）kh，g（θ）exp{θ0sum+θ1mutual（geometric）+" " " " " " θ2nodeicovar++θ3nodecov（score）+" " " " " "θ4nodefactor（grade）+θ5nodmatch（grade）+" " " " " "θ6nodematch（type）+θ7nodematch（ticket）+" " " " " "θ8edgecov（distance）+θ9edgecov（city）}，" " " " " "y∈γ，h（y）=Binomial]（3）

選用馬爾可夫鏈蒙特卡羅極大似然估計方法（Markov chain Monte Carlo maximum likelihood estimation，MCMC MLE）對模型中的參數θ進行估計[77]，通過t統計量檢驗顯著性。赤池信息準則（Akaike information criterion，AIC）和貝葉斯信息準則（Bayesian information criterion，BIC）是以信息量為基礎的比較準則，用于評估模型不同迭代輪次下的擬合優度，兩個值越小，模型的擬合效果越好。

3 結果分析

3.1 景區間旅游客流網絡的統計特征與復雜結構特征

對四川省景區間旅游客流網絡中的節點加權度和邊權重進行描述性統計分析（表3），其中，邊權重是指邊所連接的兩個景區之間的客流數量，節點加權度是指與節點相連的邊權重之和。1）節點加權度的均值為55.283，表示每個景區平均可以吸引超過55名游客，標準差較大表明景區之間在吸引游客方面的差別較大。邊權重的均值為3.258，代表兩個景區之間的平均客流量為3.258，標準差較大景區間客流量差距明顯。2）節點加權度和邊權重的偏度值為正，表明它們的分布曲線右側具有長尾特征，說明存在少量熱門景區和熱門景區間線路。節點加權度和邊權重的峰度值都大于3，表現出明顯的尖峰厚尾特征，說明熱門與冷門的景區和景區連邊的出現概率高于正態分布的預測。3）節點加權度和邊權重的Jarque-Bera（J-B）統計量結果均顯著并且J-B值遠大于0，說明它們顯著偏離正態分布。

四川省景區間旅游客流網絡為稀疏網絡。理論上，網絡中的120個景區可形成14 280條旅游客流聯系，而實際聯系僅有1018條，其網絡密度為0.071。可見，四川省景區間旅游客流網絡是常見的稀疏網絡，景區之間的交互程度較低，邊效應可能無法對景區之間的關系鏈接起到推動作用。

四川省景區間旅游客流網絡為無標度網絡。計算得出累積度分布的冪律擬合指數為2.156，符合冪律分布，這說明網絡具有顯著的無標度特性，旅游客流大多分布在核心景區間，其中，節點度排名前20%的景區控制了75.1%的旅游客流，在一定程度上符合帕累托法則，推測擇優鏈接機制對于促進景區間旅游客流網絡形成具有重要影響。從表4來看，排名靠前的景區大多是四川省著名的標志性景區，比如寬窄巷子、春熙路、武侯祠等，而排名靠后的邊緣景區大多不具備高的知名度。根據上文分析，景區網絡邊的權重也存在不均衡性（表4），排名前20%的網絡邊的客流量占據了客流總量的63.9%，而客流量為1的邊占比為53%。其中，高權值邊構成了四川省景區客流網絡的骨干網。從地域分布來看，客流量排名前20的景區有15個位于成都市，客流量排名前20的連邊有18條位于成都市（表4）。此外，觀察圖2也可以發現，旅游客流骨干網和核心景區集中在成都市，成都市以外的其他市（州）的景區間旅游客流聯系較為稀疏。

四川省景區間旅游客流網絡可達性較差，節點聯系不緊密。將四川省景區間旅游客流網絡的平均路徑長度、平均集聚系數與同等規模的G（N，L）隨機網絡模型進行對比，以此考察網絡的小世界特性。網絡的平均路徑長度為2.829，即120個景區中的任意兩個之間平均需要接近3步才能建立旅游客流聯系，大于隨機網絡的1.929，這說明景區間旅游客流網絡最短路徑不夠優化，網絡可達性較差；網絡的平均集聚系數為0.402，大于隨機網絡的0.138，景區間旅游客流網絡整體具備一定的集聚特征，但平均路徑長度過長，網絡效率低，不符合小世界網絡的標準。

3.2 形成機制分析

本文對四川省景區間旅游客流網絡進行加權ERGM估計與擬合，結果如表5所示。其中，模型1僅包含景區節點屬性變量，模型2在模型1的基礎上加入了外部協變量，為外生機制檢驗模型；模型3進一步加入網絡內生結構變量，它同時估計了網絡外生機制與內生機制。通過3個模型的AIC和BIC值的對比，從模型1到模型3，擬合優度逐漸提高，說明內生機制變量的加入有助于提高模型的擬合優度，本文的結果解釋也以模型3為準。此外，隨著內生結構變量的加入（模型2到模型3），所有外生變量的影響系數都呈現出下降的趨勢，這與劉林青等[32]的研究結果類似，表明互惠性和星型結構等內生結構變量是景區間旅游客流網絡形成的重要因子。可見，四川省景區間旅游客流網絡是網絡內生結構變量、節點屬性變量和網絡外生協變量共同作用的結果。

3.2.1" " 內生結構效應

變量[sum]反映了網絡關系連接的基準傾向，估計值為負值且顯著，表明網絡整體的連通性較差，節點間的相互作用較少。一些景區與其他景區建立旅游客流關聯的能力有限，這從一定程度上反映了旅游客流網絡具有上文所述的復雜性特質，它不是一個隨機網絡[78]。

變量mutual（geometric）的估計值顯著且為正，表明四川省景區間旅游客流網絡中擁有比預期更多的互惠性網絡構局，同時表明景區間游客流關系的建立受到網絡自組織演化的互惠機制驅動，H1成立。互惠性構局有利于景區間的旅游信息、知識和資源流動，促進旅游客流的共享，進一步推動旅游客流網絡向聚合性生長。互惠性的正向效應也暗示了四川省景區間旅游客流網絡格局具有穩定性[79]，除非受到外界巨大干擾，否則這種網絡格局將持續。

變量nodeicovar的估計值統計顯著且為正，并且大于mutual（geometric）的估計值。這一方面表明，四川省景區間旅游客流網絡受到擇優鏈接機制驅動，H2成立。景區間旅游客流聯系傾向嵌入以核心景區為中心的入度星型結構中，在集聚效應和中介效應的作用下，擁有優越結構位置的核心景區更容易接收來自新景區的旅游客流。另一方面表明，該網絡的擇優鏈接效應強于互惠效應。這一結果與上文網絡結構特征中的冪律分布結果一致，旅游客流網絡中的景區入度分布不均勻，少量的高入度景區接收來自多個景區發出的旅游客流聯系。

3.2.2" " 節點屬性效應

變量nodecov（score）的參數估計值顯著且為正，說明景區的在線評論分數是驅動景區被參觀的積極因素，H3成立。景區的在線評論分數可以反映景區的口碑，口碑更高的景區相對更容易獲得潛在消費者的青睞和游后游客的推薦，也更容易與其他景區發展旅游客流聯系。

nodefactor（grade）系數不顯著，意味著景區等級不是影響景區間旅游客流網絡的顯著因子，H4不成立，這與劉培學等的研究結果不同[53]。一些低等級景區和非A級景區也同樣具備一定的客流吸引力，且這些景區大多擁有其他文旅品牌，因此在網絡中占據較高的地位。例如，寬窄巷子雖然是2A級景區，但作為首批5家“全國示范步行街”的一員，寬窄巷子2019年的游客接待量占四川省旅游總人次的5.6%，且2.5千米半徑內的錦里、青羊宮、人民公園、四川博物院、成都博物館、四川科技館等非A級景區大都與其具有較高的客流依賴度1；春熙路、太古里、九眼橋等地處核心商圈，是游客前往四川的熱門打卡地；新世紀環球中心夜間經濟示范點位的設立有助于增強景區的夜間吸引力。同時，作為5A級景區的九寨溝景區直到2019年9月28日才恢復全域開放，這導致九寨溝在網絡中的地位不高，與其客流依賴度較強的黃龍景區也同樣受到影響（黃龍對九寨溝的依賴度為45.2%；九寨溝對黃龍的依賴度為33.3%）。

[nodematch（grade）]的估計值統計顯著且為負，說明不同等級景區之間更具兼容性，游客在選擇旅游景區時更愿意選擇不同等級景區的組合，H5成立。對于區域旅游來說，區域內的高等級景區雖然是游客必游之地但數量畢竟有限，游客為了獲得更多元和豐富的旅游體驗會同時選擇其他低等級的景區。[nodematch（type）]的估計值顯著且為負，說明不同類型景區之間更具兼容性，H6成立。不同類型的景區能夠創造了多樣化的旅游吸引力，滿足游客的多元需求，吸引更多的游客在不同類型的景區間流動。[nodematch（ticket）]的估計值為負值但不顯著，表明景區在入場費政策方面的異質性并不會顯著影響景區間的旅游客流聯系，H7不成立。其原因可能是游客對價格不敏感，門票在整個旅游行程總花費中的占比較小。

3.2.3" " 外生協變量效應

[edgecov（distance）]的參數估計值顯著且為正，表明地理鄰近性對景區間旅游客流聯系有正面影響，即兩景區距離越近越有利于形成旅游客流聯系，H8成立。正效應的結果與相關研究結論一致[14，20，64-65]，地理鄰近性鼓勵了游客的多景區流動，當游客選擇下一個景區時，他們傾向于參觀距離較近的景區。[edgecov（city）]的參數估計值顯著且為正，表明市域行政邊界效應存在，游客更傾向于在同一市（州）的景區間流動，H9成立，這與相關研究結果一致[9，17]。

3.3 MCMC診斷和穩健性檢驗

3.3.1" " MCMC診斷

當模型中存在內生結構變量時，需要使用MCMC診斷（Markov chain Monte Carlo diagnostics，MCMC diagnostics）來評估模型是否足以提供目標分布的準確近似值，從而確保模型收斂的可靠性[80]。圖3展示了模型3中所有變量的MCMC檢驗結果，包括蹤跡圖和密度圖（圖3）。蹤跡圖顯示了每個采樣網絡中的樣本統計量與觀測網絡之間的差異，好的模擬應盡量避免較長的平坦位（鏈長期保持相同狀態）和在一個方向上連續步長太多，所有變量的差值變化需在一個水平線上下小幅度震蕩（形狀類似于“白噪聲”序列）。密度圖是蹤跡圖中樣本統計偏差值的（平滑）直方圖，好的模擬應以0為中心并近似呈正態分布[80]。圖3中所有變量擬合都沒有發現明顯的異常，且所有變量的聯合p值達到0.6283，這代表模型3是穩定的，其有效性證明算法收斂至目標概率分布。

3.3.2" " 穩健性檢驗

為判別加權ERGM估計結果是否適配不同的模型設定，本文借鑒劉林青等[81]的做法，利用標準ERGM的擬合結果來評估加權ERGM結果的穩健性。首先對有向加權網絡進行二值化處理，將存在旅游客流聯系的景區間連邊的權重設置為1，否則為0，以此構建有向二值網絡，然后使用標準ERGM進行模型估計（表6）。與加權ERGM結果（表5）進行對比發現，標準ERGM中的[istar（2）]1符號發生了改變，而其他變量的系數符號和顯著性與加權ERGM基本保持一致。標準ERGM將四川省景區間旅游客流網絡中的所有邊等同看待，即使一些景區間的關系強度遠低于核心景區間的強度，仍會導致網絡中大量權重不對稱的邊具有等同的地位。顯然，這種做法很大程度上提升了邊緣景區的大量弱發送效應的負向影響，從而抵消或超過核心景區的強接收效應的正向影響，最終導致擇優鏈接效應對四川省景區間旅游客流網絡的影響發生偏差。因此，從模型的擬合效果及估計結果的合理性來看，本文將加權ERGM作為旅游客流網絡影響機制的研究方法更具有適用性。

4 結論與討論

4.1 結論

本文旨在識別景區間旅游客流網絡的內-外生機制，特別是以往研究所忽略的網絡內生機制。基于四川省景區間旅游客流網絡數據，利用復雜網絡方法識別了網絡結構，并引入加權ERGM，闡釋了影響該網絡形成的內生和外生機制。主要結論如下。

1）四川省景區間旅游客流網絡為稀疏網絡和無標度網絡，但不具備小世界特性。核心的景區節點和網絡連邊大量集聚在成都市。

2）景區間旅游客流網絡的形成受到內生機制和外生機制的協同影響。其中，內生機制為網絡內生結構效應，由網絡自組織機制驅動；外生機制包括景區屬性效應和外部情境效應。

3）在網絡內生結構效應中，互惠性對景區間旅游客流網絡形成產生顯著影響。星型結構正向促進景區間旅游客流網絡中聯系的形成，網絡中存在擇優鏈接偏好。在節點屬性效應方面，在線評論分數、景區等級同質性、景區類型同質性均會對景區間旅游客流聯系形成產生顯著影響。在外部情境效應方面，地理鄰近性和組織鄰近性對景區間客流聯系建立產生正向影響。

4.2 討論

景區間旅游客流網絡的形成機制是旅游流網絡研究體系的重要一環，其屬于微觀水平上的研究，對認識游客空間選擇規律、把握不同水平上旅游客流規律均具有重要意義。目前，相關研究缺乏內生機制和外生機制的聯合效應探索，因此對其形成機制的認識存在局限。本研究旨在揭示景區間旅游客流網絡形成的內-外生機制，并嘗試做出以下兩個方面的創新：第一，識別出了影響景區間旅游客流網絡形成的內生機制，以此更全面地揭示了該網絡形成的內-外生機制；第二，通過引入了加權ERGM方法，它能夠同時估計出網絡內生結構效應、節點屬性效應和外生協變量效應，有助于豐富旅游流網絡形成機制的分析方法。

從內生機制來看，本文識別出了影響四川省景區間旅游客流網絡形成中的互惠效應和擇優鏈接效應。互惠機制的納入有助于解釋網絡的自組織原則[82]，本文發現互惠性正向促進了景區間旅游客流網絡的形成。本文同時發現該網絡受到擇優鏈接機制的顯著影響，而該機制已在旅游治理網絡[83]、旅游投資網絡[84-85]的研究中被證實，說明該機制對更廣泛的旅游網絡均具有顯著影響。

從外生機制來看，本文將景區節點屬性（包括景區個體屬性和景區間關系屬性）與外部情境因素結合起來，可以更好地揭示景區間旅游客流網絡形成的外生機制。在以往研究中，李倩和曲凌雁[24]僅探索了景區個體屬性的作用；Liu等研究了景區間關系屬性和外部情境的影響，但沒有將景區個體屬性納入討論[14]；Hernández等系統地分析了景區間旅游客流網絡的外生影響因素，但沒有將內生機制納入研究[20]。因此，本文研究結果比以往研究要更深入和全面，并得到了一些新的發現。比如，本文沒有觀察到景區等級影響的馬太效應，這與以往的研究結論不同[20，52-53]。這并非代表景區等級不重要，而是說明一些客流量高的低等級景區和非A級景區同樣能吸引游客。隨著互聯網用戶日益增多，景區可以通過旅游社交平臺、自媒體等非官方渠道獲得（潛在）游客的關注和青睞，官方質量認證的高等級A級景區所帶來的客流效應在一定程度上被削弱[86]。

從分析方法來看，本文引入的加權ERGM通過保留關系權重來緩解標準ERGM擬合的偏誤，能夠更準確地識別復雜網絡影響機制[40]，但目前還未應用于旅游客流網絡研究中。加權ERGM方法通過保留邊權重的做法可以避免標準ERGM在二值化處理過程中造成的信息丟失，更準確地模擬真實的景區間旅游客流網絡，這樣有助于從內-外生機制多層次、多角度地剖析了景區間旅游客流網絡的形成機制。

本研究也存在不足，需要在未來研究中進一步分析。第一，由于游記數據存在樣本規模小、數據全面性低等問題[34]，本文的研究結果不可避免地存在一些偏差，未來研究需要結合多源時空數據（微博簽到數據、地理標記數據、手機定位數據、問卷調查數據等），以提高樣本的數據質量和代表性。第二，隨著通信與信息技術、在線社交網絡的快速發展，網紅事件開始使景區發展突破質量等級和地域的限制，對游客空間行為產生顯著影響，因此未來有必要探索網紅效應、熱點事件等對旅游景區網絡結構的影響。第三，受制于加權ERGM的估計負荷問題[40]，本文只選取了基于入度的星型結構來探討擇優鏈接機制，未來研究可以基于更先進的社會網絡統計建模工具，更精準地識別景區間旅游客流網絡的內-外生機制。

4.3 實踐啟示

基于上述研究結果，針對四川省景區間旅游客流網絡發展實際，未來可考慮采取的管理建議和政策啟示如下。第一，互惠機制是四川省景區間旅游客流網絡形成的內在邏輯，需重視網絡中的互惠性，加大景區間的互惠旅游合作，提高景區間的信任水平，以促進四川省旅游業的協調發展和提高抗風險能力。四川省景區間旅游客流網絡存在明顯的擇優鏈接趨勢，四川省旅游部門應著力培育和建設一批世界級旅游景區，充分發揮其示范引領作用，不斷提升四川省旅游產業的知名度、美譽度和影響力，帶動邊緣景區發展最終實現旅游業的協調發展與可持續發展。第二，景區的口碑對景區擴展旅游客流聯系具有正向作用，景區應全面提升旅游服務質量，重視口碑傳播和社交媒體營銷，以維護和提升景區的口碑。景區間在等級和類型上的異質效應表明，地方旅游部門和旅行社在設計旅游線路時應重視景區等級和景區類型的兼容性，促進不同等級和不同類型的景區間的捆綁銷售和聯合營銷。第三，當前四川省內的游客流動仍然受制于地理距離和市（州）域行政壁壘的影響，其中地理距離的阻礙作用較小，政府應繼續堅持“快進慢游”的旅游交通發展方針，推進多種交通方式的聯運建設，打通景區最后一公里。此外，需加強城際交流促進要素交互，進一步強化跨市（州）景區間合作的政策支撐，實現資源共享與合作開發，避免惡性競爭。

參考文獻（References）

[1] LEASK A. Progress in visitor attraction research： Towards more effective management[J]. Tourism Management， 2010， 31（2）： 155-166.

[2] LUE C C， CROMPTON J L， FESENMAIER D R. Conceptualization of multi-destination pleasure trips[J]. Annals of Tourism Research， 1993， 20（2）： 289-301.

[3] SHIH H Y. Network characteristics of drive tourism destinations： An application of network analysis in tourism[J]. Tourism Management， 2006， 27（5）： 1029-1039.

[4] GAO J， PENG P， LU F， et al. A multi-scale comparison of tourism attraction networks across China[J]. Tourism Management， 2022， 90： 104489.

[5] 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.]

[6] 蔣依依， 劉焱序， 王寧， 等. 2004—2019年全球旅游流網絡中心度時空演變[J]. 地理研究， 2022， 41（3）： 698-712. [JIANG Yiyi， LIU Yanxu， WANG Ning， et al. The spatial dynamics of global inbound tourism network centrality during 2004—2019[J]. Geographical Research， 2022， 41（3）： 698-712.]

[7] ZHU H. Multilevel understanding dynamic changes in inbound tourist flow network （ITFN） structure： Topology， collaboration， and competitiveness[J]. Current Issues in Tourism， 2021， 24（14）： 2059-2077.

[8] BENDLE L J. The structures and flows of a large tourist itinerancy network[J]. Current Issues in Tourism， 2018， 21（1）： 103-122.

[9] KáDáR B， GEDE M. Tourism flows in large-scale destination systems[J]. Annals of Tourism Research， 2021， 87： 103113.

[10] 葉曉旋， 曲鳴亞， 保繼剛. 基于地理標記照片的粵港澳大灣區入境旅游流轉移規律及空間結構特征[J]. 地理研究， 2023， 42（8）： 2152-2171. [YE Xiaoxuan， QU Mingya， BAO Jigang. Exploring the spatial structure and characteristics of inbound tourist flow in Guangdong-Hong Kong-Macao Greater Bay Area based on geotagged photos[J]. Geographical Research， 2023， 42（8）： 2152-2171.]

[11] HUNT M A， CROMPTON J L. Investigating attraction compatibility in an east Texas city[J]. International Journal of Tourism Research， 2008， 10（3）： 237-246.

[12] 楊興柱， 吳靜. 南京市旅游流網絡結構特征歷時性比較[J]. 旅游科學， 2015， 29（4）： 35-46. [YANG Xingzhu， WU Jing. A diachronic comparison of the characteristics of the structure of tourism flow network in Nanjing[J]. Tourism Science， 2015， 29（4）： 35-46.]

[13] 吳中堂， 劉建徽， 袁俊. 大陸居民赴臺灣自由行旅游流網絡分析及演化研究[J]. 旅游學刊， 2016， 31（10）： 113-121. [WU Zhongtang， LIU Jianhui， YUAN Jun. Network analysis and evolutionary studies based on tourist flows of mainland residentss self-service traveling in Taiwan[J]. Tourism Tribune， 2016， 31（10）： 113-121.]

[14] LIU B， HUANG S S， FU H. An application of network analysis on tourist attractions： The case of Xinjiang， China[J]. Tourism Management， 2017， 58： 132-141.

[15] JIN C， CHENG J， XU J. Using user-generated content to explore the temporal heterogeneity in tourist mobility[J]. Journal of Travel Research， 2018， 57（6）： 779-791.

[16] 查曉莉， 徐雨晨， 陸林， 等. 上海迪士尼國內旅游流地理分布與流動特征[J]. 旅游學刊， 2019， 34（6）： 58-73. [ZHA Xiaoli， XU Yuchen， LU Lin， et al. Geographical distribution and flows of Chinese tourists to Shanghai Disneyland[J]. Tourism Tribune， 2019， 34（6）： 58-73.]

[17] ZHONG L， SUN S， LAW R. Movement patterns of tourists[J]. Tourism Management， 2019， 75： 318-322.

[18] 閆閃閃， 靳誠. 洛陽城區旅游流空間網絡結構特征[J]. 地理科學， 2019， 39（10）： 1602-1611. [YAN Shanshan， JIN Cheng. Characteristics of spatial network structure of tourist flow in urban area of Luoyang[J]. Scientia Geographica Sinica， 2019， 39（10）： 1602-1611.]

[19] 周李， 吳殿廷， 虞虎， 等. 基于網絡游記的城市旅游流網絡結構演化研究——以北京市為例[J]. 地理科學， 2020， 40（2）： 298-307. [ZHOU Li， WU Dianting， YU Hu， et al. Evolution of urban tourism flow network structure based on network travel notes： A case study of Beijing city[J]. Scientia Geographica Sinica， 2020， 40（2）： 298-307.]

[20] HERNáNDEZ J M， SANTANA-JIMéNEZ Y， GONZáLEZ-MARTEL C. Factors influencing the co-occurrence of visits to attractions： The case of Madrid， Spain[J]. Tourism Management， 2021， 83： 104236.

[21] 馬斌斌， 陳興鵬， 陳芳婷. 基于社交大數據的敦煌旅游流多尺度時空分異特征[J]. 經濟地理， 2021， 41（3）： 202-212. [MA Binbin， CHEN Xingpeng， CHEN Fangting. Multi-scale temporal and spatial differentiation characteristics of Dunhuang tourism flow based on social big data[J]. Economic Geography， 2021， 41（3）： 202-212.]

[22] MOU N， ZHENG Y， MAKKONEN T， et al. Tourists’ digital footprint： The spatial patterns of tourist flows in Qingdao， China[J]. Tourism Management， 2020， 81： 104151.

[23] 李磊， 陶卓民， 陸林， 等. 貴州省避暑旅游流網絡結構特征及其影響因素[J]. 地理研究， 2021， 40（11）： 3208-3224. [LI Lei， TAO Zhuomin， LU Lin， et al. Structural characteristics and influencing factors of summer tourism flow network in Guizhou province[J]. Geographical Research， 2021， 40（11）： 3208-3224.]

[24] 李倩， 曲凌雁. 城市旅游流網絡結構特征及其影響因素——以上海市為例[J]. 世界地理研究， 2021， 30（1）： 114-124. [LI Qian， QU Lingyan. The network structure and influencing factors of the tourist flow within the city： The case of Shanghai[J]. World Regional Studies， 2021， 30（1）： 114-124.]

[25] 張小青， 張建新， 劉培學， 等. 邊疆省域旅游流的網絡結構及影響因素——基于在線預訂數據分析的云南省實證研究[J]. 世界地理研究， 2022， 31（4）： 837-848. [ZHANG Xiaoqing， ZHANG Jianxin， LIU Peixue， et al. Tourist flow network structure and its influencing factors in peripheral tourism areas—An empirical study of Yunnan province based on online booking data[J]. World Regional Studies， 2022， 31（4）： 837-848.]

[26] 劉培學， 陸佑海， 張金悅， 等. 目的地區域內旅游線路模式及客流影響因素研究[J]. 旅游學刊， 2022， 37（6）： 14-26. [LIU Peixue， LU Youhai， ZHANG Jinyue， et al. Travel itinerary patterns and factors affecting tourist flow within destination district[J]. Tourism Tribune， 2022， 37（6）： 14-26.]

[27] 劉培學. 旅游空間交互網絡與區域嵌套機制研究[M]. 南京： 南京大學出版社， 2022： 133. [LIU Peixue. Research on Tourism Spatial Interaction Network and Regional Nesting Mechanism[M]. Nanjing： Nanjing University Press， 2022： 133.]

[28] LIU L， ZHANG Y， MA Z， et al. An analysis on the spatiotemporal behavior of inbound tourists in Jiaodong Peninsula based on Flickr geotagged photos[J]. International Journal of Applied Earth Observation and Geoinformation， 2023， 120： 103349.

[29] 朱鶴， 龍江智， 劉家明， 等. 大數據應用視角下旅游流國際研究的進展與展望[J]. 旅游導刊， 2023， 7（3）： 78-97. [ZHU He， LONG Jiangzhi， LIU Jiaming， et al. Progress and prospects of international research on tourism flow from the perspective of big data application[J]. Tourism and Hospitality Prospects， 2023， 7（3）： 78-97.]

[30] BORGATTI S P， MEHRA A， BRASS D J， et al. Network analysis in the social sciences[J]. Science， 2009， 323（5916）： 892-895.

[31] LUSHER D， KOSKINEN J， ROBINS G. Exponential Random Graph Models for Social Networks： Theory， Methods， and Applications[M]. Cambridge： Cambridge University Press， 2013： 23-28.

[32] 劉林青， 閆小斐， 楊理斯， 等.國際貿易依賴網絡的演化及內生機制研究[J]. 中國工業經濟， 2021（2）： 98-116. [LIU Linqing， YAN Xiaofei， YANG Lisi， et al. Research on the evolution and endogenous mechanism of international trade dependence network[J]. China Industrial Economics， 2021（2）： 98-116.]

[33] WU X， HUANG Z， PENG X， et al. Building a spatially-embedded network of tourism hotspots from geotagged social media data[J]. IEEE Access， 2018， 6： 21945-21955.

[34] PARK S， ZHONG R R. Pattern recognition of travel mobility in a city destination： Application of network motif analytics[J]. Journal of Travel Research， 2022， 61（5）： 1201-1216.

[35] PILNY A， ATOUBA Y. Modeling valued organizational communication networks using exponential random graph models[J]. Management Communication Quarterly， 2018， 32（2）： 250-264.

[36] DRESSLER F. Self-organization in Sensor and Actor Networks[M]. Hoboken： John Wiley amp; Sons Press， 2008： 19-21.

[37] BORGATTI S P， EVERETT M G， JOHNSON J C. Analyzing Social Networks[M]. London： Sage Press， 2018： 14-15.

[38] GIULIANI E. Network dynamics in regional clusters： Evidence from Chile[J]. Research Policy， 2013， 42（8）： 1406-1419.

[39] PAN Z. Varieties of intergovernmental organization memberships and structural effects in the world trade network[J]. Advances in Complex Systems， 2018， 21（2）： 1850001.

[40] 戴靚， 劉承良， 王嵩， 等. 長三角城市科研合作的鄰近性與自組織性[J]. 地理研究， 2022， 41（9）： 2499-2515. [DAI Liang， LIU Chengliang， WANG Song， et al. Proximity and self-organizing mechanisms underlying scientific collaboration of cities in the Yangtze River Delta[J]. Geographical Research， 2022， 41（9）： 2499-2515.]

[41] 李維維， 崔婷， 馬曉龍， 等. 杭州市旅游景區吸引力空間格局及成因研究[J]. 旅游科學， 2023， 37（2）： 19-39. [LI Weiwei， CUI Ting， MA Xiaolong， et al. A study on the spatial patterns and causes of the attractiveness of scenic spots in Hangzhou[J]. Tourism Science， 2023， 37（2）： 19-39.]

[42] TAECHARUNGROJ V， MATHAYOMCHAN B. Analysing TripAdvisor reviews of tourist attractions in Phuket， Thailand[J]. Tourism Management， 2019， 75： 550-568.

[43] COHEN S A， COHEN E. New directions in the sociology of tourism[J]. Current Issues in Tourism， 2019， 22（2）： 153-172.

[44] YE Q， LAW R， GU B， et al. The influence of user-generated content on traveler behavior： An empirical investigation on the effects of e-word-of-mouth to hotel online bookings[J]. Computers in Human Behavior， 2011， 27（2）： 634-639.

[45] LITVIN S W， GOLDSMITH R E， PAN B. Electronic word-of-mouth in hospitality and tourism management[J]. Tourism Management， 2008， 29（3）： 458-468.

[46] 張補宏， 周旋， 廣新菊. 國內外旅游在線評論研究綜述[J]. 地理與地理信息科學， 2017， 33（5）： 119-126. [ZHANG Buhong， ZHOU Xuan， GUANG Xinju. A review on the research of domestic and foreign tourism online reviews[J]. Geography and Geo-Information Science， 2017， 33（5）： 119-126.]

[47] MAURI A G， MINAZZI R. Web reviews influence on expectations and purchasing intentions of hotel potential customers[J]. International Journal of Hospitality Management， 2013， 34： 99-107.

[48] GAVILAN D， AVELLO M， MARTINEZ-NAVARRO G. The influence of online ratings and reviews on hotel booking consideration[J]. Tourism Management， 2018， 66： 53-61.

[49] BEREZINA K， BILGIHAN A， COBANOGLU C， et al. Understanding satisfied and dissatisfied hotel customers： Text mining of online hotel reviews[J]. Journal of Hospitality Marketing amp; Management， 2016， 25（1）： 1-24.

[50] ZHANG Z， YE Q， LAW R， et al. The impact of e-word-of-mouth on the online popularity of restaurants： A comparison of consumer reviews and editor reviews[J]. International Journal of Hospitality Management， 2010， 29（4）： 694-700.

[51] WEIDENFELD A. Iconicity and flagshipness of tourist attractions[J]. Annals of Tourism Research， 2010， 37（3）： 851-854.

[52] KOO T T R， LAU P L， DWYER L. The geographic dispersal of visitors： Insights from the power law[J]. Journal of Travel Research， 2017， 56（1）： 108-121.

[53] 劉培學， 張捷， 張建新， 等. 旅游景區客流規模特征與影響因素研究——以江蘇省204家景區為例[J]. 地理科學， 2021， 41（11）： 1992-2001. [LIU Peixue， ZHANG Jie， ZHANG Jianxin， et al. The rank-size distribution and influencing factors of tourist flow： A case study of 204 scenic spots in Jiangsu province[J]. Scientia Geographica Sinica， 2021， 41（11）： 1992-2001.]

[54] 陳健昌， 保繼剛. 旅游者的行為研究及其實踐意義[J]. 地理研究， 1988， 7（3）： 44-51. [CHEN Jianchang， BAO Jigang. A study of tourist behavior and its practical significance[J]. Geographical Research， 1988， 7（3）： 44-51.]

[55] MATTHEWS Y， SCARPA R， MARSH D. Cumulative attraction and spatial dependence in a destination choice model for beach recreation[J]. Tourism Management， 2018， 66： 318-328.

[56] LUE C C， CROMPTON J L， STEWART W P. Evidence of cumulative attraction in multidestination recreational trip decisions[J]. Journal of Travel Research， 1996， 35（1）： 41-49.

[57] WEIDENFELD A， BUTLER R W， WILLIAMS A M. Clustering and compatibility between tourism attractions[J]. International Journal of Tourism Research， 2010， 12（1）： 1-16.

[58] 唐曉莉， 李山. 區域間旅游需求溢出測度的缺口模型及其驗證[J]. 旅游學刊， 2016， 31（6）： 17-37. [TANG Xiaoli， LI Shan. An optimized gap model to measure inter-regional tourism spillover effects： A demand perspective[J]. Tourism Tribune， 2016， 31（6）： 17-37.]

[59] ZHOU B， YANG B， LIU Y. Compatible effect or competitive effect： An investigation of attraction spatial interdependency[J]. Tourism Economics， 2019， 25（8）： 1182-1199.

[60] 魏峻， 段小紅， 楊智茹. 國有博物館收費展覽研究——以廣東省博物館為例[J]. 故宮博物院院刊， 2022（5）： 16-26; 133. [WEI Jun， DUAN Xiaohong， YANG Zhiru. The non-free exhibitions in state-run museums： A case study of Guangdong Provincial Museum[J]. Palace Museum Journal， 2022（5）： 16-26; 133.]

[61] CHUNG J Y， KYLE G T， PETRICK J F， et al. Fairness of prices， user fee policy and willingness to pay among visitors to a national forest[J]. Tourism Management， 2011， 32（5）： 1038-1046.

[62] KIRCHBERG V. Entrance fees as a subjective barrier to visiting museums[J]. Journal of Cultural economics， 1998， 22： 1-13.

[63] LI Q， QUAN H， WANG L. Beneficiaries of free admission to scenic areas： A cost-benefit analysis of scenic areas for public welfare from the perspective of stakeholders[J]. Tourism Management Perspectives， 2020， 35： 100696.

[64] MCKERCHER B. The implicit effect of distance on tourist behavior： A comparison of short and long haul pleasure tourists to Hong Kong[J]. Journal of Travel amp; Tourism Marketing， 2008， 25（3/4）： 367-381.

[65] MCKERCHER B， LAU G. Movement patterns of tourists within a destination[J]. Tourism Geographies， 2008， 10（3）： 355-374.

[66] 楊興柱， 顧朝林， 王群. 旅游流驅動力系統分析[J]. 地理研究， 2011， 30（1）： 23-36. [YANG Xingzhu， GU Chaolin， WANG Qun. Study on the driving force of tourist flows[J]. Geographical Research， 2011， 30（1）： 23-36.]

[67] MARROCU E， PACI R. Different tourists to different destinations. Evidence from spatial interaction models[J]. Tourism Management， 2013， 39： 71-83.

[68] TANG C， QIU P， DOU J. The impact of borders and distance on knowledge spillovers—Evidence from cross-regional scientific and technological collaboration[J]. Technology in Society， 2022， 70： 102014.

[69] JEURING J H G， HAARTSEN T. The challenge of proximity： The （un）attractiveness of near-home tourism destinations[J]. Tourism Geographies， 2017， 19（1）： 118-141.

[70] 郭凌， 孫根緊. 四川省A級旅游景區空間結構分析[J]. 統計與決策， 2015（24）： 118-121. [GUO Ling， SUN Genjin. Analysis of spatial structure of A-level tourist attractions in Sichuan province[J]. Statistics amp; Decision， 2015（24）： 118-121.]

[71] PóSFAI M， BARABASI A L. Network Science[M]. Cambridge： Cambridge University Press， 2016： 49-67.

[72] ROBINS G， LEWIS J M， WANG P. Statistical network analysis for analyzing policy networks[J]. Policy Studies Journal， 2012， 40（3）： 375-401.

[73] SNIJDERS T A B， PATTISON P E， ROBINS G L， et al. New specifications for exponential random graph models[J]. Sociological Methodology， 2006， 36（1）： 99-153.

[74] KRIVITSKY P N. Exponential-family random graph models for valued networks[J]. Electronic Journal of Statistics， 2012， 6： 1100-1128.

[75] KRIVITSKY P N， HUNTER D R， MORRIS M， et al. ERGM 4： New features for analyzing exponential-family random graph models[J]. Journal of Statistical Software， 2023， 105： 1-44.

[76] 李光勤， 胡志高， 曹建華. 制度變遷與旅游經濟增長——基于雙重差分方法的“局改委”政策評估[J]. 旅游學刊， 2018， 33（1）： 13-24. [LI Guangqin， HU Zhigao， CAO Jianhua. Institutional change and tourism economic growth： Policy evaluation of replacing the TB with the TDC based on the double difference method[J]. Tourism Tribune， 2018， 33（1）： 13-24.]

[77] HUNTER D R， KRIVITSKY P N， SCHWEINBERGER M. Computational statistical methods for social network models[J]. Journal of Computational and Graphical Statistics， 2012， 21（4）： 856-882.

[78] LIU X， DERUDDER B， LIU Y. Regional geographies of intercity corporate networks： The use of exponential random graph models to assess regional network-formation[J]. Papers in Regional Science， 2015， 94（1）： 109-126.

[79] JIANG Z Q， WANG P， MA J C， et al. Unraveling the effects of network， direct and indirect reciprocity in online societies[J]. Chaos， Solitons amp; Fractals， 2023， 169： 113276.

[80] ROY V. Convergence diagnostics for markov chain monte carlo[J]. Annual Review of Statistics and Its Application， 2020， 7（1）： 387-412.

[81] 劉林青， 陳紫若， 田畢飛. 結構依賴如何影響貿易網絡形成及演化： 以“一帶一路”為例[J]. 世界經濟研究， 2020（6）： 106-120; 137. [LIU Linqing， CHEN Ziruo， TIAN Bifei. How does structural dependence affect the formation and evolution of trade network： An empirical analysis based on “the Belt and Road”[J]. World Economy Studies， 2020（6）： 106-120; 137.]

[82] GARLASCHELLI D， LOFFREDO M I. Patterns of link reciprocity in directed networks[J]. Physical Review Letters， 2004， 93（26）： 268701.

[83] 張凌媛， 吳志才. 鄉村旅游社區多元主體的治理網絡研究——英德市河頭村的個案分析[J]. 旅游學刊， 2021， 36（11）： 40-56. [ZHANG Lingyuan， WU Zhicai. Network governance of multiple subjects in a rural tourism community： A case study of Hetou village in Yingde city[J]. Tourism Tribune， 2021， 36（11）： 40-56.]

[84] LIU B， LUO C， MENG F， et al. Modeling venture capital networks in hospitality and tourism entrepreneurial equity financing： An exponential random graph models approach[J]. International Journal of Hospitality Management， 2021， 95： 102936.

[85] 羅超亮， 劉冰， 姜暉. “誰”在投資中國文旅創業板塊——基于“領投-跟投”關系的研究[J]. 旅游學刊， 2023， 38（1）： 66-80. [LUO Chaoliang， LIU Bing， JIANG Hui. “Who” invests in new culture and tourism ventures in China？—A study on “leader-follower” relationships in venture capital syndication[J]. Tourism Tribune， 2023， 38（1）： 66-80.]

[86] GAO Y， SU W， ZANG L. Does regional tourism benefit from the official quality rating of tourist attractions？ Evidence from China’s top-grade tourist attraction accreditations[J]. Journal of China Tourism Research， 2022， 18（2）： 268-293.

Analysis of Endogenous and Exogenous Mechanisms in the Formation of Tourist Flow Networks among Scenic Areas—Based on the Valued Exponential Random Graph Model

WANG Yongming， GONG Chao， FAN Min

（School of Tourism， Hunan Normal University， Changsha 410081， China）

Abstract： The formation mechanisms of tourist flow networks among scenic areas is a key issue in tourist flow network research. Existing studies have predominantly concentrated on the exogenous mechanisms of tourism network formation， often overlooking the endogenous one. This paper aims to provide a more comprehensive examination of both endogenous and exogenous mechanisms in the formation of tourist flow networks among scenic areas. Taking Sichuan province， China as a case study， this paper constructed a weighted directed network of tourist flows among scenic areas utilizing travelogues on travel social platforms. Then， it applied the valued exponential random graph model （ERGM） to quantitatively simulate and identify the endogenous and exogenous mechanisms affecting the formation of the tourist flow network. The results show： 1） the tourist flow network between scenic areas in Sichuan province is characterized by sparsity and scale-free properties， yet it does not exhibit the small-world network feature; most of the core scenic area nodes and network edges are concentrated in Chengdu city. 2） The formation of the tourist flow network among scenic areas in Sichuan province is a result of synergistic effects of endogenous and exogenous mechanisms. The endogenous mechanism is manifested by the effects of the network endogenous configuration， and the exogenous mechanism includes effects resulting from properties of scenic areas and external contexts of tourist network. 3） For the endogenous mechanism， the reciprocity mechanism has a significant impact on the formation of tourist flow network. The star configuration positively facilitates the development of links in the tourist flow network， and there is a preferential attachment mechanism in the tourist flow network. In terms of the node property effects， online review scores， homogeneity in scenic area grades and types all have positive impacts on the formation of tourist flow connections between scenic areas. In terms of external contextual effects， the geographic and organizational proximity significantly affect the establishment of links in the tourist flow network. First among this paper’s theoretical contributions， this paper identifies the endogenous mechanisms that affect the formation of tourist flow networks between scenic areas， and further comprehensively reveals the endogenous and exogenous mechanisms that contribute to the formation of the network. Second， by introducing the valued ERGM method， this paper simultaneously estimates the internal structure effects， node property effects， and external contextual effects of the network， which helps to enrich the analytical methods of the formation mechanisms of tourism flow networks.

Keywords： tourist flow network; endogenous and exogenous mechanisms; scenic areas; valued exponential random graph model; complex network; Sichuan province

[責任編輯：鄭" " 果；責任校對：吳巧紅]