基于小波分析的不同类型旅游景区旅游流时间特征研究——以江苏省125家高等级旅游景区为例

罗 润 ， 周年兴，2 ， 谢秋逸 ， 马世豪

(1.南京师范大学 地理科学学院，南京 210023； 2.江苏省地理信息资源开发与利用协同创新中心，南京 210023； 3.南京农业大学 公共管理学院，南京 210095)

0 引言

《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出，要推动文旅融合发展，建设一批富有文化底蕴的世界级旅游景区。旅游景区作为旅游业的典型载体，在促进消费和加强文化交流等方面发挥重要作用。加强旅游景区建设是弘扬中华文化、增加民生福祉、推动旅游业品质化建设的重要途径。当前，我国已由高速发展阶段转向高质量发展阶段，各地文旅部门积极推行各项政策以促进景区的高质量发展，然而由于景区类型的差异性、旅游资源的多样性和旅游客流的动态性，部分政策的针对性不足。在景区高质量发展背景下，研究不同类型景区客流量的时间特征对促进景区差异化、特色化、品质化发展具有重要意义。

长期以来，旅游流是学界研究的热点和重点，相关学者在旅游流研究领域取得了丰硕的成果[1]。当前旅游流相关研究侧重于旅游客流的时空特征[2-5]、影响因素[6-8]、客流量预测[9]等。由于景区等微观数据的获取难度较大，当前旅游流研究以国际[10-11]、区域[12]、省域[13-14]和市域[15-16]等大中空间尺度的宏观研究为主，基于景区客流量数据的微观研究较少。近年来数字足迹、百度指数和游客点评等网络数据成为景区旅游流研究的重要数据来源，但网络数据具有复杂性、商业操纵性和难辨真伪性等特征，基于网络数据的景区旅游流研究存在一定的局限性。此外，客流量的季节性是旅游景区客流量时间特征研究的主要内容，具体包括季节性特征[17]、成因和影响[18-19]。部分学者研究了山岳[20]、古村落[21]、乡村[22]和主题公园[23]等类型景区旅游流的季节性特征，但较少的样本类型和样本数量使得研究结果的普适性稍显不足。

本研究拟解决的问题包括：(1)江苏省不同类型景区客流量的时间特征；(2)在高质量发展背景下，不同类型的景区如何实现差异化发展。基于江苏省125家不同类型旅游景区的日接待游客量数据，运用小波分析和Mann-Kendall突变检验等方法，揭示不同类型景区客流量的时间特征的差异性，以期为文旅部门制定差异化的文旅决策提供依据。

1 研究区域、研究方法与数据来源

1.1 研究区域

江苏省位于长三角地区，毗邻上海国际大都市，优越的地理位置为江苏省旅游业发展夯实客源市场基础。较高的居民消费水平、齐全的产业类型、立体化的旅游交通为江苏省旅游业发展奠定坚实的经济基础、产业基础和交通基础。“十三五”期间，江苏省紧扣“强富美高”的战略要求开展旅游项目建设，围绕“水韵江苏”的形象定位不断完善旅游产品供给体系，提高旅游产品品质。截至2021年底，江苏省共有5A级旅游景区25家，景区类型丰富多样，具有较高的研究代表性。

1.2 研究方法

1.2.1小波分析。小波分析是在傅里叶变换的基础上发展而来的一种时频局部化分析方法。相比傅里叶变换，小波分析拥有较强的时间频率分析能力，能获取更多时间信息，在自然研究领域应用较广[24]，在旅游研究领域尚未得到广泛应用[25]。本研究运用Matlab软件实现对不同类型景区客流量月度数据的多时间尺度周期性分析。小波实部系数图反映客流量在不同时间尺度的周期变化和分布规律。小波系数为正，说明旅游客流量偏大；小波系数为负，说明旅游客流量偏小。小波方差图反映景区客流量在不同时间尺度的周期波动强弱。

1.2.2Mann-Kendall突变检验法。Mann-Kendall突变检验法(M-K检验法)是一种时间序列的非参数检验方法，通过计算景区客流顺序曲线(UF)和景区客流逆序曲线(UB)，分析序列的变化趋势和突变时间，常用于气象和水文研究当中[26]。当UF值大于0时序列呈上升趋势，小于0时呈下降趋势。当顺序曲线超出置信水平的临界线时，表明上升或者下降趋势显著。若UF和UB两条曲线在两条临界线之间出现交点，交点对应的时间为突变开始的时间。

1.3 数据来源

江苏省125家旅游景区数据来源于江苏省文化和旅游厅旅游景区管理系统，研究期为2017年1月1日至2020年12月31日。依据中华人民共和国文化和旅游部发布的《2019—2020年中国旅游景区发展报告》中旅游景区类型的划分标准，将125个旅游景区划分为自然生态类、历史文化类、现代游乐类和产业融合类四大类型，在景区大类的基础上对景区进行细分(表1)，江苏省各市旅游景区样本数量的空间分布如表2所示。

表1 旅游景区分类

表2 江苏省四类旅游景区样本数量的空间分布

2 结果与分析

2.1 不同类型景区客流量的趋势性分析

运用Eviews 10.0软件的Hodrick-Prescott Filter(HP滤波)对江苏省4类景区的日均客流量数据进行因素分解，将趋势因素和周期因素相剥离。2017年1月1日至2020年12月31日江苏省四类景区的客流量趋势存在共性和特性。共性方面，四类景区在2017—2020年客流量的总体发展趋势较为一致，均呈“下跌—上升—下跌—上升”的波动趋势，与近年来旅游发展环境存在密切关系。特性方面，四类景区客流量的趋势曲线形态存在较大差异，主要体现在4条趋势曲线形成的“峰”和“谷”的数量和落差上。产业融合类景区的趋势因素曲线呈“单峰双谷”型，峰谷落差居四类景区之首。历史文化类和现代游乐类景区呈“双峰双谷”型，自然生态类呈“多峰多谷”型。其中，2020年四类景区旅游客流量趋势曲线呈现波动幅度大、波动频率高的特征，方向上呈现“下跌—上升—下跌”的趋势。受疫情影响，自2020年1月1日起，现代游乐类、自然生态类、产业融合类、历史文化类景区的客流量呈下跌趋势，趋势因素分别在1月18日、2月8日、2月27日、3月8日达到年内最低值。随着疫情情况好转，自然生态类、现代游乐类、历史文化类、产业融合类景区的客流量呈上升趋势，趋势因素分别在9月24日、9月25日、10月18日、10月24日达到年内最高值。现代游乐类和自然生态类景区的客流量在前期下跌和后期上升反应较快，产业融合类和历史文化类景区的客流量波动具有一定的滞后性。

2.2 不同类型景区客流量的周期性分析

运用小波分析法进一步研究不同类型景区客流量的周期性(图1)。四类景区的周期性存在共性和特性。共性方面，四类景区在每年1月和7月附近各形成一个低谷值，在每年4月和10月附近各形成一个高峰值，约6个月出现1次客流量高低交替现象，说明周期性主要受到景区客流量传统淡旺季的影响。特性方面，四类景区的第一主周期存在明显差异。产业融合类和历史文化类景区在第一主周期形成了2.5个客流量周期峰谷，约19个月形成一个旅游客流量交替周期。现代游乐类和自然生态类景区在第一主周期形成了8个客流量周期峰谷，约6个月形成一次客流量“低-高”交替周期。

图1 四类景区的小波方差图

2.3 不同类型景区客流量的突变性分析

运用Mann-Kendall突变检验法分析不同类型景区客流量的突变性差异(图2)。四类景区旅游客流量的突变点在数量和分布上存在一定差异。2017—2019年，产业融合类景区的UF与UB曲线在临界线以内无交点，即未形成突变点。历史文化类景区UF与UB曲线在2017年1月、2017年5月附近形成交点，且在临界值以内，说明以上2个月份为突变开始的月份。1月是旅游淡季，1月过后历史文化类景区的游客量逐渐增加，在2017年1月形成突变点。春季旅游景区客流量较多，5月之后客流量开始下降，在2017年5月形成突变点。现代游乐类景区的UF与UB曲线在2017年4月、2019年3月形成交点，且在临界值以内，说明以上2个月份为突变开始的月份。自然生态类景区UF与UB曲线在2017年3月、2017年5月、2018年7月、2019年1月、2019年3月附近出现交点，且在临界值以内，说明以上5个月份为突变开始的月份。受新冠疫情的影响，旅游景区处于暂停经营状态，旅游客流量锐减，四类景区在2020年均存在突变点。现代游乐类、自然生态类、产业融合类、历史文化类景区分别于2020年1月、2020年2月、2020年4月、2020年7月附近形成突变点。

图2 四类景区的Mann-Kendall突变检验图

2.4 不同类型景区客流量的季节性分析

为研究不同类型景区客流量的季节性，基于景区客流量月均数据，对景区的淡旺季进行划分(表3)。将高于平均游客量的110%的月份定为旺季月份，低于平均客流量90%的月份定为淡季月份，其他为平季。将月平均客流量的110%～120%(不含120%)、120%～140%(不含140%)、140%～160%(不含160%)、不低于160%依次设定为旺季不旺、旺季较旺、旺季过旺、旺季极旺。将月平均客流量的80%～90%(不含80%)，60%～80%(不含60%)、40%～60%(不含40%)、不高于40%依次设定为淡季不淡、淡季较淡、淡季过淡、淡季极淡。

表3 景点淡旺季类型

受疫情影响，2020年景区客流量季节性发生显著变化，因此，将2020年与2017—2019年分开研究(表4)。2017—2019年，4月、10月和3月是四类景区共同的旺季。1月和12月是四类景区共同的淡季。历史文化类景区10月份客流量最大，其他三类景区4月份最旺。淡旺月极差由大到小依次为现代游乐类、自然生态类、产业融合类、历史文化类景区。2020年，四类景区淡季集中在上半年，上半年的旅游需求产生挤压效应，旺季主要集中在下半年。四类景区10月份游客量达到最大，2月份达到最小。相比2017—2019年，2020年四类景区淡旺月极差显著增大，呈“旺季极旺、淡季极淡”的特征。

表4 四类景区旅游客流量淡旺季特征

2017—2019年不同亚类景区淡旺季特征存在差异性(表5)。多数类型景区客流量在4月或10月达到最大，工业旅游类景区为8月，城市公园类和体育运动类景区为3月，宗教文化类景区为2月。冬季是多数类型景区的淡季，但宗教文化类、城市公园类和文化遗迹类景区最淡的月份在6月或7月。仅5类景区的旺季持续4个月，其他11类景区旺季较短。体育运动类景区淡季最长，科技教育和工业旅游类景区淡季最短。休闲度假类景区极差最大，文博院馆类景区极差最小。

表5 16个亚类旅游景区客流量淡旺季特征

2020年不同亚类景区淡旺季的月份、长度和淡旺程度发生显著变化。乡村田园类景区在3月份客流量达到最大，其他类景区在10月份客流量达到最大。受疫情影响，多数景区在2月客流量达到最小。乡村田园和城市公园类景区的旺季持续3个月，其他类型景区旺季持续4个月及以上。乡村田园类景区淡季最长，宗教文化类景区淡季最短。相比2017—2019年，客流量淡旺月极差显著增大，红色旅游类景区极差最大，乡村田园类景区极差最小。

3 结论与讨论

3.1 结论

(1)趋势性方面，四类景区客流量总体呈现“下跌—上升—下跌—上升”的波动趋势，产业融合类、历史文化类、自然生态类和现代游乐类景区游客量的趋势曲线分别呈“单峰双谷”“双峰双谷”“多峰多谷”和“双峰双谷”型。

(2)周期性方面，四类景区客流量存在多个周期，四类景区的第一主周期存在明显差异。产业融合和历史文化类景区19个月形成一个旅游客流量交替周期，呈现“长周期”特征。现代游乐和自然生态类景区6个月出现1次客流量高低交替现象，呈现“短周期”特征。

(3)突变性方面，四类景区客流量的突变点数量和分布存在明显差异。产业融合类景区呈现“突变点少、春季集中”的特征，现代游乐类和历史文化类景区呈现“突变点多、春冬集中”的特征，自然生态类景区呈现“突变点多、四季分散”的特征。

(4)季节性方面，地质地貌类、乡村田园类、科技教育类和文博院馆类等16种亚类景区在淡旺季长度、月度分布、淡旺程度、淡旺月极差等方面存在显著差异。

(5)受新冠疫情影响，2020年景区旅游流的时间特征存在特殊性。2020年四类景区客流量呈现“波动幅度大、波动频率高”的特征，均在2020年形成突变点，景区旺季集中分布于下半年，淡季集中分布于上半年。淡旺季极差显著增大，四类景区呈“旺季极旺、淡季极淡”的特征，具有显著的马太效应。

3.2 讨论

景区发展要遵循“各美其美，美美与共，彰显特色，错位发展”的原则。自然生态类景区存在“淡季较淡”的问题，在保护生态环境的同时，加强淡季旅游产品的打造，将“春秋两季型”转变为“四季旅游”。历史文化类景区旺季程度不高且较短，可加强连续性和阶段性旅游节庆活动的打造，延长旺季长度，提高旺季程度。产业融合类景区存在淡季较淡的现象，需兼顾“延长板”和“补短板”，在打造“旅游+”系列产品时亟需挖掘特色，增强核心竞争力。现代游乐类景区在保障游乐设施安全的前提下，重点打造夜间旅游产品。将短期旅游爆点转变为持续性吸引力，注重增强旅游体验和塑造旅游口碑，激发潜在旅游需求，延长旺季，缩短淡季。

研究揭示了江苏省125家不同类型景区客流量的时间特征，提出了促进不同类型景区差异化和品质化发展的建议。受篇幅和数据的限制，本研究仅分析了2017—2020年不同类型景区客流量的时间特征，未从较长的时间尺度研究其时空演变规律，也未深度挖掘不同类型景区客流量时间特征的差异性的影响因素。后续可就具体类型的景区开展较长时间尺度内旅游客流量的时空演变及其影响因素研究。