我国国内旅游流循环空间格局及形成机理

梁逍遥，马丽君

［摘    要］在经济高质量发展和双循环发展格局的背景下，构建旅游内循环成为旅游产业进一步释放消费潜力、实现高质量发展的必要途径。文章利用2019年31个省（区、市）的旅游网络关注度数据，基于旅游流循环强度、流量规模匹配度、流向偏好匹配度3个指标，探究我国国内旅游流循环的空间格局及形成机理。结果表明，各省（区、市）间均存在旅游流双向输出，旅游流循环在不同分析指标下的空间分布格局具有异质性；基于自然断点法、K-均值聚类将旅游流循环划分为不同类型，其中，L-L型旅游流循环个数远多于H-H型，表明国内旅游流循环类型结构不合理；基于二次指派程序（quadratic assignment procedure，QAP）回归分析发现，旅游流循环的影响因素及其边际效应不同。在此基础上，文章提出优化国内旅游流循环空间分布格局、提升旅游流循环质量的建议。

［关键词］旅游流循环；空间格局；形成机理；循环强度；匹配度

［中图分类号］F59

［文献标识码］A

［文章编号］1002-5006（2023）09-0104-14

DOI： 10.19765/j.cnki.1002-5006.2023.00.017

引言

构建以国内大循环为主体、国内国际双循环相互促进的新发展格局，是党中央深刻研判国际、国内发展形势做出的重大战略决策，同时也是推动高质量发展的战略基点。双循环新发展格局于2020年被首次提出1，作为具有战略性、长期性指导意义的新发展决策，学者们基于政治经济学、宏觀经济学等学科经典理论系统阐释了其理论内涵[1-2]、政策体系[3]及时代价值[4-5]，并结合中国发展实践论述了其发展路径[6]，测度了中国经济循环的质量和效率[7-8]。

旅游业作为综合性产业，在释放内需潜力、提振消费市场以及促进国民经济循环等方面具有重要作用。已有学者从经济学角度分析了旅游业融入新发展格局的路径和策略[9-10]，测度了中国31个省份的旅游业内外循环效率[11]。旅游业的发展建立在旅游流的基础之上，因为目的地与客源地需要通过旅游流建立联系，完成各种要素的传递与交换，实现要素流通，从而维持和推动旅游系统的运转和旅游产业发展，故而有学者认为，旅游流具有显著的内循环特征[12]，是推动内循环发展的重要动力[13]。基于此，研究旅游流循环对深化旅游循环、经济循环的认知，构建双循环新发展格局具有重要的理论和实践价值。旅游流是一种复杂的空间动态流，广义上的旅游流是囊括客流、物质流、能量流、信息流等多种流动要素的复杂巨系统，狭义上的旅游流指旅游客流[14]。本文所研究的旅游流为狭义上的旅游流。现有旅游流研究多关注单向旅游流或旅游流网络特征的分析，如国外对旅游流及其网络的时空特征（如空间结构[15]、时空模式[16]、时空演化[17]）和影响因素[18]的研究，国内对旅游流及其网络的空间分布特征[19]、时空演化规律及旅游者空间行为[20]的分析。少量研究从双向流动视角分析了不同国家、地区间的旅游流互动关系[21]，侧重分析国家或地区在旅游流互动关系中的地位[22]和重大事件对旅游互动的影响[23]。

综上，双循环新发展格局提出时间较短，基于经济学的理论研究居多，量化研究正在快速发展。而旅游循环研究成果较少，尤其旅游流循环的研究更少，现有研究多为旅游业如何适应、嵌入新发展格局的质性分析。相比之下，旅游流相关研究成果丰硕，为本研究提供了良好的理论依据和方法借鉴，但其侧重单向旅游流或旅游流网络的分析，对旅游流双向互动关系关注较少，且现有研究尚未对双循环背景下的旅游流循环概念、内涵、分析指标进行明确界定和详细阐释，更未形成系统的分析框架。因此，本文立足于旅游流双向互动关系，将一段时间内两地间的旅游流双向流动现象定义为旅游流循环，提出分析旅游流循环的3个指标（循环强度、流量规模匹配度、流向偏好匹配度），基于此探究国内旅游流循环的空间分布格局，划分旅游流循环类型，识别影响旅游流循环的因素，探究国内旅游流循环空间分布格局的形成机理。从理论上来看，本文界定了旅游流循环的概念，构建相应的分析指标体系和分析框架，深化了旅游流的研究内容，提供了旅游流研究的新视角；从实践上看，分析旅游流循环的空间分布格局为促进地区间旅游循环和旅游联动、优化旅游流循环的空间格局，构建以国内大循环为主体、国内国际双循环相互促进的新发展格局提供参考与借鉴。

1 数据来源与研究方法

1.1 数据来源

百度指数是以百度海量网民行为数据为基础的数据分享平台，网络关注度（搜索指数）及其地域分布特征是该平台的重要功能模块，相关数据最早可追溯至2011年。旅游网络关注度是旅游者搜集旅游信息时留下的网络足迹，是一种旅游信息流。这种信息流对旅游客流既有引导作用[24]，也有“前兆”效应[25]，能够极大程度地反映现实游客流动情况。已有研究基于计量模型[26]、时空分析[27]证实了旅游网络关注度与实际客流量的流量正相关性以及明显的空间协同性[28-29]。因此，以网络关注度为代表的虚拟旅游流通常被认为是现实旅游流的“晴雨表”，用以反映潜在旅游者的需求和地区间的旅游联系[30]。本文依托百度指数平台，收集2019年31个省（区、市）（不包括港澳台）居民对其他各省（区、市）3A级及以上级别景区的网络关注度数据作为分析旅游流循环空间格局的基础数据1，构建31省（区、市）之间的O-D（origin-destination）矩阵。各省（区、市）2019年的常住人口数量、GDP、每10万人口高等学校平均在校生数、移动电话交换机容量、星级酒店数量、旅游资源丰度、高铁和航空最短旅行时间以及空间距离等数据来源于《中国统计年鉴?2020》、各省（区、市）统计年鉴和统计公报、各省（区、市）文旅部官方网站、中国铁路12306网站以及百度地图。

1.2 概念界定

循环是指事物周而复始的运动或变化，特指运行一周而回到原处2。基于此释义，可将旅游流循环界定为旅游者从客源地出发到目的地开展旅游活动，而后返回客源地的过程，即游客从客源地→目的地→客源地，这是狭义上的旅游流循环，也可称之为以客源地为中心的旅游流自循环。但在双循环背景下，要素自由流通和集聚是构建新发展格局的关键内容之一，需要通过促进要素流通助推市场循环、地域空间循环，形成优势互补、协调联动的发展体系[31]。因此，旅游流循环应以旅游流为关键要素，研究其市场和地域空间循环，即研究旅游流在地域间的循环流动。这是广义上的旅游流循环，从这一角度讲，广义的旅游流循环包含了两个或两个以上的旅游流自循环。因此，区域间的旅游流对流是形成广义旅游流循环（下文简称为旅游流循环）的基础。

但值得注意的是，客源地（A地）游客到目的地（B地）旅游后，受出游时间的限制，绝大部分游客会选择从B地返回A地，尤其当研究尺度为省或更大的地域单元时，这一现象更加明显，很少有游客在短时间内跨多个省（区、市）旅游。因此，两地间的旅游流循环是研究旅游流循环最重要、最基本的单元，也是本文的分析重点。而两地间旅游流对流形成的两个旅游流自循环则是研究两地间旅游流循环的核心，旅游流循环包含了游客返回客源地的过程，但本文并未考虑这一过程的原因在于：其一，返程游客量无法准确测度，虽然A地游客在B地旅游后，绝大部分游客从B地返回A地，但具体的游客量是多少无统计数据；其二，从企业和政府的角度看，他们更关注的是接待游客所带来的经济、社会和文化效应，游客返程即为回家，其对客源地产生的效应较小，研究意义不大。

故而本文所研究的旅游流循环可简化为旅游流对流，并将其定义为：两地间旅游流的双向流动，即在一段时间内，i地区向j地区输出旅游流（i地区居民到j地区旅游），且j地区向i地区输出旅游流（j地区居民到i地区旅游），则两地间形成旅游流循环。若i地区向j地区单向输出旅游流或j地区向i地区单向输出旅游流，则两地间无法形成旅游流循环。旅游流循环不仅可以反映旅游流循环的流量大小（循环强度），还可以反映旅游流循环的内部结构问题（循环匹配度），具有更高的研究价值。

1.3 分析指标与分析方法

1.3.1    分析指标

在两地间存在旅游流循环的前提下，可采用循环强度、流量规模匹配度、流向偏好匹配度3个指标进一步分析旅游流循环的空间分布格局，具体如下。

（1）循环强度

循环度强度体现的是两地间旅游流双向流动的强度，通过两地间旅游流流量均值来表征[32]，计算方法如下：

[Fij=（Xij+Xji）/2]  （1）

式（1）中，[Fij]代表i、j两地间的旅游流循环强度，[Xij]代表i地区居民对j地区的旅游网络关注度（下同），[Xji]代表j地区居民对i地区的旅游网络关注度（下同）。[Fij]值越大，旅游流循环强度越大，表明两地间旅游流联系越紧密。

（2）匹配度

匹配度主要包括流量规模匹配度和流向偏好匹配度两个分析指标，匹配度越高，对应两地旅游流的互动关系越协调。流量规模匹配度反映的是两地间两条旅游流流量大小的量比关系。计算公式如下：

[Sij=Xij/Xji，  Xij≤XjiXji/Xij，  Xij>Xji]  （2）

式（2）中，[Sij]代表i地区与j地区旅游流循环的流量规模匹配度。[Sij∈（0，1]]，其值越大，流量规模匹配度越高。

流向偏好匹配度反映的是两地间旅游需求偏好的匹配程度，即i地区旅游流对j地区偏好与j地区旅游流对i地区偏好的量比关系。流向偏好可通过计算i地区流向j地区的旅游流流量在该地区旅游流总流出量中的占比得到[33]，计算公式如下：

[Pij=Xij/∑Xi]  （3）

式（3）中，[Pij]代表i地区对j地区的旅游流流向偏好，[∑Xi]代表i地区居民对所有地区的旅游网络关注度总量。在此基础上计算流向偏好匹配度，计算公式如下：

[Mij=PijPji， Pij≤PjiPjiPij， Pij>Pji]   （4）

式（4）中，[Mij]代表i、j两地区间旅游流循环的流向偏好匹配度。[Mij∈（0，1]]，其值越大，流向偏好匹配度越高。

1.3.2    分析方法

（1）自然断点法（natural breaks）

自然断点法是依据数值的统计分布规律对其分级和分类的方法，目的是最大化类与类之间的不同。本文利用ArcMap 10.8中的自然断点法将不同指标下的旅游流循环划分为高、中、低3个等级，通过地图可视化直观展示各等级旅游流循环的空间分布格局。此外，通过对比分析不同指标、不同等级下的旅游流循环空间分布特征，揭示我国国内旅游流循环的空间分布格局。

（2）K-均值聚类（K-means clustering）

K-均值聚类是基于给定的聚类数目K，通过距离度量将具有相似特征的数据成员进行分类组织的经典聚类算法。本文设置K=3，旨在依据旅游流循环强度、规模匹配度、偏好匹配度3个指标将国内旅游流循环划分为3个类型，深入分析各个类型的旅游流循环空间分布格局。

（3）QAP（quadratic assignment procedure）回归分析

QAP回归分析是基于矩陣关系进行定量分析的方法。相比于传统的线性回归，QAP回归能够很好地处理多重共线性问题，分析结果也更加有效和稳健，因而适用于关系型数据的分析[34]。本文的回归分析在Ucinet中进行，旨在分析人口规模、经济发展水平、教育水平、信息化水平、旅游接待能力、旅游资源禀赋、交通条件及地理位置与旅游流循环强度、流量规模匹配度、流向偏好匹配度3个指标的关系及作用程度，从而探究国内旅游流循环空间分布格局的形成机理。

2 旅游流循环强度空间格局分析

2019年的网络关注度数据显示，31个省（区、市）共形成930条旅游流，465个旅游流循环，即所有省（区、市）之间都有旅游流循环。

旅游流循环强度可依托各省（区、市）网络关注度及式（1）直接计算得出，利用ArcMap 10.8的自然断点法将465个旅游流循环分为高强度、中强度、低强度3个等级，并制作旅游流循环强度空间分布格局图（图1）。高强度等级共62个旅游流循环，循环强度值在166.49～491.02之间，涉及21个省（区、市），主要分布在经济发展水平较高、人口较多、旅游资源丰富、交通便捷、空间邻近的省（区、市）之间，因而东部地区1内部以及东中部省（区、市）之间形成的旅游流循环数量较多，如江苏?浙江、北京?河北、江苏?安徽等。中强度等级共127个旅游流循环，循环强度值在72.85～166.48之间，涉及除宁夏、青海、西藏之外的28个省（区、市），东西部省（区、市）之间形成的旅游流循环数量较多。与高强度等级相比，中强度等级中的西部地区内部以及西部地区与其他区域省（区、市）之间的旅游流双向互动关系明显增多，如贵州?广西、湖北?四川、山西?陕西等。低强度等级共276个旅游流循环，循环强度值在6.55～72.84之间，涉及所有省（区、市），主要分布在经济发展水平较低、人口较少以及空间位置较远的省（区、市）之间。因此，低强度等级的旅游流循环以西部各省（区、市）为主导，如宁夏、西藏、青海对应的所有旅游流循环均处于该等级。

总体来看，旅游流循环强度等级越高，涵盖的旅游流循环数量越少，涉及的省（区、市）越少。3个等级包含的旅游流循环数量差距较大，高强度旅游流循环数量较少，低强度旅游流循环数量偏多，结构不是很合理，有较大的提升空间。在空间分布上，旅游循环强度等级由高至低变化时，涉及的核心省（区、市）由东向西变迁，在整体上形成“东高西低”的空间分布格局，即高强度旅游流循环的核心省（区、市）主要分布在东部，中强度旅游流循环的核心省（区、市）主要分布在东中部，低强度旅游流循环的核心省（区、市）主要分布在西部，该分布格局与我国人口“东密西疏”以及经济发展水平“东高西低”的地域格局相似[35]。

3 旅游流循环匹配度空间格局分析

旅游流循环匹配度包括流量规模匹配度、流向偏好匹配度两个分析指标。与上文一样，旅游流循环匹配度可根据式（2）和式（4）直接计算。

3.1 流量规模匹配度空间格局分析

由网络关注度数据和式（2）计算每个旅游流循环的流量规模匹配度，并利用自然断点法将465个旅游流循环划分为高匹配、中匹配、低匹配3个等级，结果如图2所示。各等级所包含的旅游流循环数量相对均衡，分别为154个、185个、126个，但流量规模匹配度值存在较大差异。高匹配等级的流量规模匹配度在0.73～0.99之间，涉及除西藏之外的30个省（区、市），东中部省（区、市）之间形成的旅游流循环数量较多。可分为两种情况：其一，旅游流循环对应两地相互间的旅游流输出量均较小，如内蒙古?甘肃、北京?宁夏、吉林?山东等；其二，旅游流循环对应两地相互间的旅游流输出量均较大，如北京?湖北、贵州?四川、江苏?安徽等。中匹配等级的流量规模匹配度在0.45～0.72之间，涉及所有省（区、市），东西部省（区、市）之间形成的旅游流循环较多，如上海?重庆、浙江?新疆、天津?内蒙古等。低匹配等级的流量规模匹配度在0.01～0.44之间，同样涉及所有省（区、市），西部省（区、市）对应的旅游流循环占据主导。如西藏对应的30个旅游流循环中有27个为低规模匹配度旅游流循环，这是因为西部地区经济发展水平低、人口密度低，限制了当地居民的出游潜力，但西部地区又因自然资源丰富，旅游优势度较高，对外吸引力较强[30]，导致西部各省（区、市）游客输出规模小，而游客输入规模较大，从而形成规模匹配度较低的旅游流循环。

在空间分布上，随着流量规模匹配度等级的升高，旅游流循环分布趋向集中，集聚方向为自西向东。流量规模高匹配、中匹配等级的旅游流循环多以东、中部省（区、市）为主导，低匹配等级旅游流循环多分布在北部、西部边缘省（区、市）。在地理位置上，高匹配、中匹配、低匹配3个等级中邻近省（区、市）形成的旅游流循环占比分别为20.78%、18.92%、1.59%，即空间距离较近的省（区、市）间较容易形成流量规模匹配度较高的旅游流循环。

3.2 流向偏好匹配度空间格局分析

利用自然断点法将465个旅游流循环分成高匹配、中匹配、低匹配3个等级（图3）。高匹配等级有117个旅游流循環，匹配度在0.74～0.99之间，东部省（区、市）与其他区域省（区、市）形成的旅游流循环数量较多，如广东?山西、北京?四川、山东?重庆等。中匹配等级包含156个旅游流循环，匹配度在0.48～0.73之间，主要分布在西部内部省（区、市）以及西部与其他区域的省（区、市）之间，如宁夏?甘肃、内蒙古?福建、云南?安徽等。低匹配等级有192个旅游流循环，匹配度在0.10～0.47之间。与高、中匹配等级相比，低匹配等级囊括的旅游流循环数量最多，以天津、辽宁、吉林、宁夏等省（区、市）为主导。如天津对应的30个旅游流循环中有23个被划分到低偏好匹配度等级中，这是因为，相对于其他省（区、市），天津本身旅游资源较为匮乏，且相邻的北京对其有一定的屏蔽效应和虹吸效应，导致天津对外旅游吸引力较弱；但天津的经济、交通以及基础设施发展水平较高，居民具备较强的旅游出行能力，导致天津与其他省（区、市）形成的旅游流循环在偏好方面失衡。

3个等级包含的旅游流循环数量不同，但都涉及31个省（区、市），等级越高，包含的旅游流循环数量越少。高匹配、中匹配等级的旅游流循环数量在各省（区、市）的分布差距较小，低匹配等级的旅游流循环数量在各省（区、市）的分布差距相对较大。在空间分布上，高匹配、中匹配、低匹配3个等级所包含的旅游流循环无明显空间集聚或扩散现象，无显著的空间分布差异，比规模匹配度的空间分布更加均衡。在地理位置上，高匹配、中匹配、低匹配3个等级中邻近省（区、市）之间形成的旅游流循环占比分别为18.80%、14.74%、12.50%，可见，随着偏好匹配度等级的升高，邻近省（区、市）间的旅游流循环占比逐渐增加，但3个等级之间的占比相差不大，说明地理位置对流向偏好匹配度的边际效应不大。

4 旅游流循环类型划分及空间分布

为进一步识别旅游流循环特征，本文依据循环强度和匹配度将旅游流循环划分成不同类型。匹配度包括流量规模匹配度与流向偏好匹配度两个指标，为便于分析，本文通过计算两者的几何均值将两个匹配度合二为一，进而结合循环强度进行旅游流循环类型的划分。旅游流循环类型划分采用两种方法：一种是根据循环强度、匹配度的自然断点结果，将旅游流循环划分为9种类型；另一种是利用K-均值聚类将旅游流循环划分3种类型。

根据循环强度、匹配度的自然断点结果，旅游流循环可划分为：H-H（高循环强度-高匹配度，含32个旅游流循环）、H-M（高循环强度-中匹配度，含25个旅游流循环）、H-L（高循环强度-低匹配度，含5个旅游流循环）、M-H（中循环强度-高匹配度，含42个旅游流循环）、M-M（中循环强度-中匹配度，含56个旅游流循环）、M-L（中循环强度-低匹配度，含29个旅游流循环）、L-H（低循环强度-高匹配度，含44个旅游流循环）、L-M（低循环强度-中匹配度，含111个旅游流循环）、L-L（低循环强度-低匹配度，含121个旅游流循环）9个类型。总体而言，循环强度较高、匹配度较高的旅游流循环，多分布在经济发达省（区、市）或距离较近的省（区、市）之间。循环强度较低、匹配度较低的旅游流循环，多分布在东北、西北等区域省（区、市）之间。

为进一步精简旅游流循环类型，凸显类型特征和空间分布规律，利用K-均值聚类对旅游流循环进行分类，结果如图4所示。从图4中可以看到，旅游流循环可分成3个类型：H-H（高循环强度-高匹配度）、M-M（中循环强度-中匹配度）、L-L（低循环强度-低匹配度）。其中，H-H型包括22个旅游流循环，以江苏、北京、广东等经济发达的东部省（区、市）以及旅游资源丰富的西部省（区、市）四川为核心，该类型主要由核心省（区、市）之间的旅游流循环或核心省（区、市）与其相邻省（区、市）之间形成的旅游流循环构成，使得该类型旅游流循环的空间分布具有明显的地理集中性。M-M型包含120个旅游流循环，该类型核心省（区、市）不再局限于浙江、河北等沿海省（区、市），中部省（区、市）如湖北、湖南的核心地位逐渐凸显，旅游流循环的涵盖范围不断向西扩展。L-L型包括323个旅游流循环，西藏、青海、宁夏、海南等省（区、市）的核心地位突出，该类型包含的旅游流循环数量占比达69.50%，反映出我国整体旅游流循环的类型结构不合理。旅游流循环类型从H-H型到L-L型，旅游流循环數量及其涵盖的省（区、市）数量越来越多，单个核心省（区、市）在各自类别中的主导地位逐渐减弱，旅游流循环的空间分布格局不断向西扩散，核心省（区、市）也逐渐向西变迁。与自然断点分类结果相比，K-均值聚类划分结果中的各类型空间集聚效应更加显著，核心区域的主导地位更加突出。

5 国内旅游流循环空间格局的形成机理

与单向旅游流不同，旅游流循环由两地的旅游流双向互动形成，其循环强度、匹配度受到两地相关因素的共同影响。因此，分析国内旅游流循环空间格局的形成机理时需综合考察旅游流循环涉及的两个地区情况。旅游流循环强度的影响因素分析需计算旅游流循环涉及两地相关影响因素的均值，如经济发展水平在与循环强度进行回归分析时，采用两地经济发展水平的均值。旅游流循环匹配度的影响因素分析需计算旅游流循环涉及两地相关影响因素的匹配度，该匹配度是指两个地区间影响因素的量比关系，如经济发展水平在与旅游流循环匹配度进行回归分析时，采用两地经济发展水平的比值（甲地经济发展水平/乙地经济发展水平或乙地经济发展水平/甲地经济发展水平，比值[∈（0，1]]）进行分析。

陈哲和龙茂兴[36]、苏卉和康文婧[37]、许艳等[38]、李磊等[12]的研究表明，人口规模、经济发展水平、教育水平、信息化水平、旅游接待能力、旅游资源禀赋、交通条件、地理位置是影响旅游流流动的重要因素，故本文以上述因素作为自变量，以2019年国内旅游流循环的循环强度、流量规模匹配度、流向偏好匹配度为因变量，基于二次指派程序（quadratic assignment procedure，QAP）回归分析，揭示国内旅游流循环空间分布格局的形成机理。其中，人口规模以2019年年末各省（区、市）的常住人口数量为测度指标[39]。经济发展水平以2019年各省（区、市）的GDP总量为测度指标[40]。教育水平以2019年各省（区、市）的每10万人口高等学校平均在校生数为测度指标[37]。信息化水平以2019年各省（区、市）的移动电话交换机容量为测度指标，旨在描述地区的信息化基础设施建设情况[41]。旅游接待能力以2019年各省（区、市）的星级酒店数量为测度指标[42]。旅游资源禀赋基于各省（区、市）A级及以上级别景区数量利用旅游资源丰度公式计算得出[43]，反映地区的旅游资源规模和丰裕程度。两地间的交通条件以交通便捷度为测度指标，指该地区通过高铁或航空到达另一地区的最短时间[44]。地理位置以两省（区、市）行政中心所在地之间的空间距离为测度指标[45]。基于以上指标，构建影响因素矩阵，进行QAP回归分析，同时为消除不同量纲的影响，对研究数据进行离差标准化处理[12]。

5.1 循环强度影响因素分析

如表1所示，旅游流循环强度的回归模型R2为0.633，回归模型拟合度好，拥有良好解释力。人口规模、经济发展水平、教育水平、信息化水平、旅游接待能力、旅游资源禀赋、交通条件以及地理位置均通过显著性检验，表明以上因素均对旅游流循环强度有显著影响。具体而言，两地的经济、教育、信息化以及旅游接待能力的平均水平越高，意味着旅游流循环对应两地居民的出行能力、信息搜集能力、旅游需求以及旅游设施的平均水平越高，相应地，两地间旅游流循环强度越高。旅游资源禀赋的平均水平反映了两地综合的旅游资源规模，决定其吸引力大小，因此，两地的旅游资源规模也对旅游流循环强度有助推作用。这也表明，旅游者倾向选择经济发展水平、旅游发展水平以及基础设施水平较高的目的地[46]。此外，人口规模、交通条件、空间距离与旅游流循环强度呈负相关。从理论上讲，人口规模是旅游流动的基础，人口规模越大，旅游流流量越大，故而人口规模与旅游流循环强度应为正相关。本文研究结果与此相悖，其原因在于，回归模型中自变量较多，变量之间存在一定的相关性，其他强相关因素影响了人口规模的作用力和路径，使其与旅游流循环强度呈负相关，同时，本文仅用2019年一年数据进行分析，可能存在异常值的影响。交通便捷程度是指两地间的交通用时，用时越短，交通越便捷，越有利于两地间的旅游流动，相应地，旅游流循环强度越高。根据距离衰减理论，两地间的空间距离直接影响旅游信息的辐射范围以及旅游者的游览时间、费用，即空间距离是制约旅游流动的重要阻力[47]，因此，邻近省（区、市）之间形成的旅游流循环强度较高，与上文的空间格局分析结果相一致。

5.2 流量规模匹配度影响因素分析

旅游流循环规模匹配度的回归模型R2为0.339。根据已有经验，QAP回归模型的确定性系数一般低于普通最小二乘法模型，R2多在12.5%～40.3%之间[12，47-48]。因而，此回归模型的确定性系数仍在合理范围之内，模型解释力较好。如表1所示，两地间的交通条件通过显著性水平1%的检验，即两地间的交通用时越短，旅游双向流动越便利，对应的旅游流循环流量规模匹配度越高。教育水平也通过了显著性水平5%的检验，表明两地间的教育水平匹配度越高，旅游流循环规模匹配度也越高。人口规模通过了显著性水平为10%的检验，即两地的人口规模越接近，两地的旅游流双向输出规模越均衡。在前文分析规模匹配度的空间分布格局时发现，邻近省（区、市）之间形成高规模匹配度旅游流循环的占比较高，从而认为，地理位置邻近可能对规模匹配度有促进作用，但结合回归分析结果，地理位置对规模匹配度无显著影响。这是因为两地间交通条件的改善产生时空压缩效应，克服了空间距离对旅游流流动的抑制作用，即交通便捷程度对规模匹配度的促进作用克服了空间距离对其的抑制作用。

5.3 流向偏好匹配度影响因素分析

如表1所示，偏好匹配度的回归模型R2为0.208，模型解释力较好。其中，旅游接待能力对偏好匹配度的正向作用最强，即两地间的旅游接待能力越匹配，对应的旅游流循环偏好匹配度越高，这是因为旅游接待能力会直接影响旅游者对目的地的感知和印象，进而影响旅游者的个体偏好。经济发展水平影响居民的出行能力，教育水平影响居民的信息搜集和接收能力，因而两地的经济发展水平、教育水平匹配度越高，对应的旅游流循环偏好匹配度越高。空间距离与偏好匹配度呈负相关，即两地间的空间距离越远，对应的旅游流循环偏好匹配度越低，但与其他因素相比，空间距离对偏好匹配度的影响力较小。因此，当空间距离与其他因素共同作用时，其他强相关因素会掩盖空间距离的作用，出现远距离省（区、市）间的旅游流循环偏好匹配度较高的情况，这与前文偏好匹配度的空间分布格局分析结果一致。

QAP分析结果中，所有变量对旅游流循环强度的作用均通过显著性检验，但部分变量对匹配度的作用未通过显著性检验。其中，常住人口与偏好匹配度无显著相关性，这是因为偏好匹配度为旅游流循环对应两地彼此偏好指数的比值，与人口规模无关。经济发展水平、旅游接待能力均与规模匹配度无显著相关性，信息化水平在规模匹配度、偏好匹配度的回归模型中均未通过显著性检验，这表明尽管以上因素的平均水平对旅游流循环的整体流量有促进作用，但具体到两地旅游流的匹配关系时，其作用并不显著。同理，旅游资源禀赋对旅游流循环强度存在正向影响，但对规模匹配度和偏好匹配度无显著影响，其原因在于，匹配度高意味着旅游流循环对应两地在流量、流向上的均衡性和对称性，这就要求两地对彼此吸引力相当。在此情境下，两地旅游资源的互补性比旅游资源的丰裕度作用更为突出。除此之外，本文仅使用了一年的截面数据进行分析，不排除影响因素出现异常值的情况，另外，统计意义上的不显著并不意味着自变量对因变量没有影响，因为这种影响可能因为自变量之间的相互作用而被掩盖。

6 结论与展望

6.1 研究结论

本文依托百度指數平台，收集2019年31个省（区、市）居民对其他省（区、市）景点的旅游网络关注度数据，从旅游流循环强度、流量规模匹配度、流向偏好匹配度3个指标分析旅游流循环的空间分布格局，基于自然断点法和K-均值聚类对旅游流循环进行类型划分，利用QAP回归分析探究国内旅游流循环空间分布格局的影响因素，结果发现。

（1）各省（区、市）间均存在旅游流双向输出，共形成465个旅游流循环。根据自然断点法和ArcMap可视化结果，旅游流循环在不同指标下的空间分布格局具有明显的空间不均衡性，且各省（区、市）对应的旅游流循环在循环强度和匹配度上存在较大差距，与市域旅游流网络结构的不平衡现象一致[13]。因此，未来仍需将优化国内旅游流循环空间分布、促进国内旅游流的空间均衡作为重点，尤其对外循环依赖性较高、处于低等级的边缘地区，需充分挖掘其旅游潜力，提升边缘地区在旅游流内循环中的地位和作用。

（2）国内旅游流循环类型特征鲜明。根据K-均值聚类可将旅游流循环划分为3个类型（H-H型、M-M型、L-L型），每个类型都存在多个核心地区，同时，也存在相对边缘的地区，这与现有旅游流网络结构的研究结论一致[49-50]。由H-H型到L-L型，核心地区逐渐西移。总体来看，H-H型的旅游流循环个数偏少，表明旅游流循环整体质量较低，需注重协调循环强度和匹配度的发展步伐，有侧重地提升旅游流双向互动强度和匹配度。尤其当旅游流循环对应两地在经济、社会等方面发展水平相差较大时，应充分发挥主导方的扩散力与辐射力，注重促进两地的协调性均衡发展，避免因劣势方对主导方的过分依赖而产生过度极化或集聚阴影效应，提升旅游流循环的双向互动溢出效应，致力于构建健康、稳定的旅游流循环空间格局，以促进国内整体旅游流循环网络的均衡发展。

（3）国内旅游流循环的影响因素及其边际效应不同，导致旅游流循环强度、流量规模匹配度、流向偏好匹配度的空间分布格局不同。其中，两地的人口规模、经济发展水平、信息化水平、教育水平、旅游接待能力、旅游资源禀赋和地理位置均与旅游流循环强度显著相关，流量规模匹配度受人口规模、教育水平以及交通条件的影响，流向偏好匹配度与经济发展水平、教育水平、旅游接待能力以及地理位置显著相关。因此，为进一步优化国内旅游流循环空间分布格局，需着力于不同指标的核心影响因素，采取差异化、针对性的提升策略。如增强循环强度应致力于促进地区间的旅游联动，充分利用地区旅游资源的异质性、互补性，提高地区间循环强度。为提升规模匹配度，需着力推进两地间的经济、社会发展的协调性，改善两地间的交通条件，畅通两地间流动通道。为提升偏好匹配度，需着重从地区旅游建设、旅游营销等多方面入手，抓住游客求异心理，强化两地居民对彼此的良好感知，激发潜在旅游需求。综上，为构建旅游流循环健康、稳定的空间格局，需地区间建立信息互通、产品互补、营销互动、客源互送的良性协作关系。

本文与以往的旅游流网络结构研究均聚焦旅游流这一关键要素，并基于互联网数据构建流量矩阵展开分析[30，51-52]。但两者的研究对象不同，本文的研究对象为旅游流循环，是对旅游流双向互动关系的分析，而旅游流网络结构的研究对象为旅游流网络及网络中的节点[53-54]。研究对象的差异决定了分析指标的不同，本文基于流量、流向两个维度构建了循环强度、规模匹配度、偏好匹配度3个分析指标，而旅游流网络结构研究则基于流量或关系数量从个体网、整体网两个维度构建了中心度、网络密度、核心-边缘模型等多个分析指标[55]。最后，本文基于已有的旅游流网络结构相关研究选取了影响旅游流循环的主要因素及QAP回归分析方法[47-48]，但由于因变量属性存在差异，使得本文与旅游流网络结构研究结果既有共性也有差异。具体而言，本文所用因变量本质上是基于流量及其量比关系构建的矩阵，而以往旅游流网络结构研究中的因变量本质上是基于流量、关系数量构建的矩阵[46，56]，因而，本文中旅游流循环强度的影响因素分析结果与以往研究结果存在相似性，进一步印证了较高的经济发展水平、教育水平等因素对旅游流的促进作用，交通用时长、空间距离大对旅游流的负向作用，但旅游流循环匹配度的影响因素分析结果与以往研究存在较大差异。

6.2 研究不足与展望

（1）由于客观限制，本文分析所用数据为网络关注度，并非两地间的现实旅游流。尽管已有研究证明两者存在极强的正相关性，但网络关注度并不能完全代表实际旅游流，而是尽可能真实地反映现实情况。随着网络普及、用户数量激增，网络关注度对现实旅游流预测的准确性和全面性在不断增强，网络关注度是现有相对全面、便捷地反映现实客流量的工具。因此，未来可寻求更加多样化、准确化的数据，进一步提高结论的可靠性和可用性。

（2）本文以2019年的网络关注度数据为基础分析了国内旅游流循环的空间分布格局。未来可拓宽时间尺度和空间尺度，如研究国内旅游流循环的历时性演变，同时可结合时事，对比分析事件发生前后旅游流循环的时空变动特征，分析旅游流循环的韧性，提升应对突发事件的能力，为旅游循环、经济循环抵抗外生冲击提供参考。还可以研究区域内循环、外循环的空间分布格局，为促进区域内、外旅游联动和区域协调发展提出建议。

（3）本文聚焦旅游流循环，分析其空间格局、类型及形成机理，尚未分析旅游流循环的网络结构特征。未来可利用社会网络分析法，通过关联性分析、中心性分析、网络密度、块模型、核心-边缘模型等方法刻画旅游流循环的网络特征，识别各省（区、市）在旅游流循环网络中的关键作用和地位，为提升旅游流循环网络质量提供参考。

参考文献（References）

[1] 王维平， 陈雅. “双循环”新发展格局释读——基于马克思主义政治经济学总体性视域[J]. 中国特色社会主义研究， 2021（1）： 36-43. [WANG Weiping， CHEN Ya. Explanation of new development paradigm of “dual circulation”： From the overall perspective of Marxist political economy[J]. Studies on Socialism with Chinese Characteristics， 2021（1）： 36-43.]

[2] 黎峰. 國内国际双循环： 理论框架与中国实践[J]. 财经研究， 2021， 47（4）： 4-18. [LI Feng. Dual circulations of domestic and international economy： Theoretical framework and Chinese practice[J]. Journal of Finance and Economics， 2021， 47（4）： 4-18.]

[3] 黄群慧. 新发展格局的理论逻辑、战略内涵与政策体系——基于经济现代化的视角[J]. 经济研究， 2021， 56（4）： 4-23. [HUANG Qunhui. The theoretical logic， strategic implication and policy system of the new development pattern： An economic modernization perspective[J]. Economic Research Journal， 2021， 56（4）： 4-23.]

[4] 詹成付. 深入理解和准确把握新发展阶段的基本内涵和重大意义[J]. 人民论坛， 2020（35）： 6-9. [ZHAN Chengfu. Deeply understand and accurately grasp the basic connotation and great significance of the new development stage[J]. Peoples Tribune， 2020（35）： 6-9.]

[5] 薛安伟. 中国构建“双循环”新发展格局的重大意义——学习习近平总书记关于新发展格局的重要论述[J]. 毛泽东邓小平理论研究， 2020（9）： 20-27; 108. [XUE Anwei. The significance of building a new development pattern of “dual circulation” in China： Studying the important discourse of President Xi Jinping on the new development pattern[J]. Studies on Mao Zedong and Deng Xiaoping Theories， 2020（9）： 20-27; 108.]

[6] 裴长洪， 刘洪愧. 构建新发展格局科学内涵研究[J]. 中国工业经济， 2021（6）： 5-22. [PEI Changhong， LIU Hongkui. Research on the scientific connotation of new development pattern[J]. China Industrial Economics， 2021（6）： 5-22.]

[7] 黄仁全， 李村璞. 中国经济国内国际双循环的测度及增长动力研究[J]. 数量经济技术经济研究， 2022， 39（8）： 80-99. [HUANG Renquan， LI Cunpu. Measurement and growth dynamics of the domestic and international dual circulation of Chinas economy[J]. Journal of Quantitative & Technological Economics， 2022， 39（8）： 80-99.]

[8] 丁曉强， 张少军. 中国经济双循环的测度与分析[J]. 经济学家， 2022（2）： 74-85. [DING Xiaoqiang， ZHANG Shaojun. Measurement and analysis of Chinas economic dual circulation[J]. Economist， 2022（2）： 74-85.]

[9] 杜书云， 牛文涛. “双循环”格局下旅游新业态的培育逻辑[J]. 贵州社会科学， 2022（3）： 118-124. [DU Shuyun， NIU Wentao. The logic in the cultivation of new forms of tourism industry in the “dual-circulation” structure[J]. Guizhou Social Sciences， 2022（3）： 118-124.]

[10] 李鹏， 邓爱民. “双循环”新发展格局下旅游业发展路径与策略[J]. 经济与管理评论， 2021， 37（5）： 21-30. [LI Peng， DENG Aimin. The development path and strategy of tourism under the new development pattern of “dual circulation”[J]. Review of Economy and Management， 2021， 37（5）： 21-30.]

[11] 杨淋杰， 李翠林， 车国庆. 中国旅游内外循环效率的区域差异及分布动态演进[J]. 统计与决策， 2021， 37（21）： 57-61. [YANG Linjie， LI Cuilin， CHE Guoqing. Regional differences and dynamic distribution evolution of internal and external cycle efficiency of tourism in China[J]. Statistics & Decision， 2021， 37（21）： 57-61.]

[12] 李磊， 陶卓民， 陆林， 等. 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. [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.]

[13] 方叶林， 黄震方， 李经龙， 等. 中国市域旅游流网络结构空间分异及其效应研究——基于携程旅行网的大数据挖掘[J].自然资源学报， 2022， 37（1）： 70-82. [FANG Yelin， HUANG Zhenfang， LI Jinglong， et al. Research on the spatial differentiation and effects of network structure in tourism flow in Chinese cities： Big data mining based on Ctrip[J]. Journal of Natural Resources， 2022， 37（1）： 70-82.]

[14] WILLIAMS A V， ZELINSKY W. On some patterns in international tourist flows[J]. Economic Geography， 1970， 46（4）： 549-567.

[15] WANG Y， CHEN H， WU X. Spatial structure characteristics of tourist attraction cooperation networks in the Yangtze River Delta based on tourism flow[J]. Sustainability， 2021， 13（21）. DOI： 10.3390/su132112036.

[16] HAN Y， YANG G， ZHANG T. Spatial-temporal response patterns of tourist flow under entrance tourist flow control scheme[J]. Tourism Management， 2021， 83. DOI： 10.1016/j.tourman.2020.104246.

[17] SHAO Y， HUANG S， WANG Y， et al. Evolution of international tourist flows from 1995 to 2018： A network analysis perspective[J]. Tourism Management Perspectives， 2020， 36： 100752.

[18] GIDEBO H B. Factors determining international tourist flow to tourism destinations： A systematic review[J]. Journal of Hospitality Management and Tourism， 2021， 12（1）： 9-17.

[19] 程雪兰， 方叶林， 苏雪晴， 等. 中国东部沿海5大城市群旅游流网络结构空间分布特征研究[J]. 地理科学进展， 2021， 40（6）： 948-957. [CHENG Xuelan， FANG Yelin， SU Xueqing， et al. Spatial distribution characteristics of network structure of tourism flow in five major urban agglomerations of coastal China[J]. Progress in Geography， 2021， 40（6）： 948-957.]

[20] 卢淑莹， 黄鑫， 陶卓民. 基于地理标记照片的入境游客空间特征与移动轨迹——以南京市为例[J]. 自然资源学报， 2021， 36（2）： 315-326. [LU Shuying， HUANG Xin， TAO Zhuomin. Spatial patterns and moving trajectory of inbound tourists based on geo-tagged photos： A case study of Nanjing city[J]. Journal of Natural Resources， 2021， 36（2）： 315-326.]

[21] 朱晓翔. 中国与“海上丝绸之路”国家间旅游流双向互动关系分析[J]. 太平洋学报， 2017， 25（8）： 81-93. [ZHU Xiaoxiang. Study on the mutual interaction of tourism markets between China and other maritime Silk Road countries[J]. Pacific Journal， 2017， 25（8）： 81-93.]

[22] 刘法建， 张捷， 章锦河， 等. 中国入境旅游流网络省级旅游地角色研究[J]. 地理研究， 2010， 29（6）： 1141-1152. [LIU Fajian， ZHANG Jie， ZHANG Jinhe， et al. Roles and functions of provincial destinations in Chinese inbound tourist flow network[J]. Geographical Research， 2010， 29（6）： 1141-1152.]

[23] 王洁洁， 孙根年， 舒镜镜. 20年来中美关系及危机事件对旅游流双向互动的影响[J]. 旅游学刊， 2009， 24（5）： 12-19. [WANG Jiejie， SUN Gennian， SHU Jingjing. [The influence of Sino-US relations and crisis events on the two-way interaction of tourism flow in 20 years[J]. Tourism Tribune， 2009， 24（5）： 12-19.]

[24] 路紫， 赵亚红， 吴士锋， 等. 旅游网站访问者行为的时间分布及导引分析[J]. 地理学报， 2007（6）： 621-630. [LU Zi， ZHAO Yahong， WU Shifeng， et al. The time distribution and guide analysis of visiting behavior of tourism website users[J]. Acta Geographica Sinica， 2007（6）： 621-630.]

[25] 李山， 邱荣旭， 陈玲. 基于百度指数的旅游景区络空间关注度： 时间分布及其前兆效应[J]. 地理与地理信息科学， 2008（6）： 102-107. [LI Shan， QIU Rongxu， CHEN Ling. Cyberspace attention of tourist attractions based on Baidu index： Temporal distribution and precursor effect[J]. Geography and Geo-Information Science， 2008（6）： 102-107.]

[26] 黃先开， 张丽峰， 丁于思. 百度指数与旅游景区游客量的关系及预测研究——以北京故宫为例[J]. 旅游学刊， 2013， 28（11）： 93-100. [HUANG Xiankai， ZHANG Lifeng， DING Yusi. Study on the predictive and relationship between tourist attractions and the Baidu index： A case study of the Forbidden City[J]. Tourism Tribune， 2013， 28（11）： 93-100.]

[27] 马丽君， 孙根年， 黄芸玛， 等. 城市国内客流量与游客网络关注度时空相关分析[J]. 经济地理， 2011， 31（4）： 680-685. [MA Lijun， SUN Gennian， HUANG Yunma， et al. A correlative analysis on the relationship between domestic tourists and network[J]. Economic Geography， 2011， 31（4）： 680-685.]

[28] 龙茂兴， 孙根年， 龙珍付. 遵义红色旅游网络关注度的客流响应研究[J]. 地理与地理信息科学， 2013， 29（5）： 98-101; 118. [LONG Maoxing， SUN Gennian， LONG Zhenfu. Tourist flows response to degree of consumer network attention to Zunyi tourism[J]. Geography and Geo-Information Science， 2013， 29（5）： 98-101; 118.]

[29] 汪秋菊， 黄明， 刘宇. 城市旅游客流量——网络关注度空间分布特征与耦合分析[J]. 地理与地理信息科学， 2015， 31（5）： 102-106; 127. [WANG Qiuju， HUANG Ming， LIU Yu. Research on spatial feature and coupling correlation between urban tourist flow and network attention-degree[J]. Geography and Geo-Information Science， 2015， 31（5）： 102-106; 127.]

[30] 杨勇， 眭霞芸， 刘震. 中国省际虚拟旅游流网络结构的空间演变特征研究[J]. 地理科学进展， 2022， 41（8）： 1349-1363. [YANG Yong， SUI Xiayun， LIU Zhen. Spatial pattern changes of the network structure of Chinas inter-provincial virtual tourism flow[J]. Progress in Geography， 2022， 41（8）： 1349-1363.]

[31] 荣晨， 盛朝迅， 易宇， 等. 国内大循环的突出堵点和应对举措研究[J]. 宏观经济研究， 2021（1）： 5-18; 78. [RONG Chen， SHENG Chaoxun， YI Yu， et al. A study on outstanding blocking points and countermeasures of the domestic grand cycle[J]. Macroeconomics， 2021（1）： 5-18; 78.]

[32] 沈丽珍， 陈少杰， 汪侠. 流动空间视角下的同城化地区发展阶段划分与特征[J]. 地理研究， 2021， 40（9）： 2558-2571. [SHEN Lizhen， CHEN Shaojie， WANG Xia. Development stage segmentation and characteristics of urban integration area in China based on the space of flows[J]. Geographical Research， 2021， 40（9）： 2558-2571.]

[33] 孙根年. 国际旅游支付方程、支付等级与旅游偏好[J]. 地理学与国土研究， 2001， 17（1）： 50-54. [SUN Gennian. International tourism payment equation， payment grade and tourism inclination[J]. Geography and Territorial Research， 2001， 17（1）： 50-54.]

[34] 张新成， 梁学成， 高楠， 等. 长征主题红色旅游资源关注度的空间网络结构及其形成机制分析[J]. 旅游科学， 2021， 35（3）： 1-23. [ZHANG Xincheng， LIANG Xuecheng， GAO Nan， et al. An analysis of the spatial network structure and formation mechanism of the attention degree of Long-March-themed red tourism[J]. Tourism Science， 2021， 35（3）： 1-23.]

[35] 胡煥庸. 中国人口之分布： 附统计表与密度图[J]. 地理学报， 1935， 2（2）： 33-74. [HU Huanyong. The distribution of population in China： With statistics maps[J]. Acta Geographica Sinica， 1935， 2（2）： 33-74.]

[36] 陈哲， 龙茂兴. 户外旅游网络关注度时空特征研究[J]. 地理与地理信息科学， 2020， 36（5）： 80-85; 94. [CHEN Zhe， LONG Maoxing. A study on temporal and spatial characteristics of network attention to outdoor tourism[J]. Geography and Geo-Information Science， 2020， 36（5）： 80-85; 94.]

[37] 蘇卉， 康文婧. 红色旅游经典景区网络关注度时空特征及影响因素研究[J]. 干旱区资源与环境， 2022， 36（5）： 200-208. [SU Hui， KANG Wenjing. Spatial-temporal characteristics of the network attention to classical red tourist attractions[J]. Journal of Arid Land Resources and Environment， 2022， 36（5）： 200-208.]

[38] 许艳， 陆林， 赵海溶. 乌镇景区网络关注度动态演变与空间差异分析[J]. 经济地理， 2020， 40（7）： 200-210. [XU Yan， LU Lin， ZHAO Hairong. Dynamic evolution and spatial differences of network attention in Wuzhen scenic area[J]. Economic Geography， 2020， 40（7）： 200-210.]

[39] 方叶林， 程雪兰， 黄震方， 等. 国家重点风景名胜区网络关注度与游客量的错位特征及机理[J]. 经济地理， 2020， 40（4）： 204-213. [FANG Yelin， CHENG Xuelan， HUANG Zhenfang， et al. The dislocation characteristics and mechanism of network attention and tourists about Chinese national scenic spots[J]. Economic Geography， 2020， 40（4）： 204-213.]

[40] 邹永广， 林炜铃， 郑向敏. 旅游安全网络关注度时空特征及其影响因素[J]. 旅游学刊， 2015， 30（2）： 101-109. [ZOU Yongguang， LIN Weiling， ZHENG Xiangmin. Spatial-temporal characteristics and influential factors of network attention tourism security[J]. Tourism Tribune， 2015， 30（2）： 101-109.]

[41] 王龙杰， 曾国军， 毕斗斗. 信息化对旅游产业发展的空间溢出效应[J]. 地理学报， 2019， 74（2）： 366-378. [WANG Longjie， ZENG Guojun， BI Doudou. Spatial spillover effects of ICT on tourism industry growth[J]. Acta Geographica Sinica， 2019， 74（2）： 366-378.]

[42] 向艺， 郑林， 王成璋. 旅游经济增长因素的空间计量研究[J]. 经济地理， 2012， 32（6）： 162-166. [XIANG Yi， ZHENG Lin， WANG Chengzhang. A spatial econometric analysis on the factors of tourism economic growth[J]. Economic Geography， 2012， 32（6）： 162-166.]

[43] 马丽君， 孙根年， 杨睿， 等. 城市气候舒适度与游客网络关注度时空相关分析[J]. 地理科学进展， 2011， 30（6）： 753-759. [MA Lijun， SUN Gennian， YANG Rui， et al. A correlative analysis of the spatial and temporal relationship between climate comfort degree and tourist network attention for typical cities[J]. Progress in Geography， 2011， 30（6）： 753-759.]

[44] 马莉， 刘培学， 张建新， 等. 景区旅游流与网络关注度的区域时空分异研究[J]. 地理与地理信息科学， 2018， 34（2）： 87-93. [MA Li， LIU Peixue， ZHANG Jianxin， et al. Research on spatial and temporal difference between tourist flow and web search behavior in scenic spots[J]. Geography and Geo-Information Science， 2018， 34（2）： 87-93.]

[45] 楚纯洁， 周金风， 姚蒙. 山岳型景区网络关注度时空分布及差异比较研究——以河南省4个5A级景区为例[J]. 地域研究与开发， 2021， 40（6）： 111-117. [CHU Chunjie， ZHOU Jinfeng， YAO Meng. Comparative study on spatial-temporal distributions and differences of network attention to mountain scenic spots： A case of four 5A scenic spots in Henan province[J]. Areal Research and Development， 2021， 40（6）： 111-117.]

[46] 石建中， 范齐. 亚太经合组织旅游流网络结构演化及影响因素[J]. 自然资源学报， 2022， 37（8）： 2169-2180. [SHI Jianzhong， FAN Qi. The evolution and influencing factors of APEC tourism flow network structure[J]. Journal of Natural Resources， 2022， 37（8）： 2169-2180.]

[47] 韩剑磊， 明庆忠， 史鹏飞， 等. 基于百度指数的中国省域旅游信息流网络结构特征及其影响因素分析[J]. 陕西师范大学学报（自然科学版）， 2021， 49（6）： 43-53. [HAN Jianlei， MING Qingzhong， SHI Pengfei， et al. Analysis of the structural characteristics and influencing factors of tourism information flow network in China based on Baidu index[J]. Journal of Shaanxi Normal University （Natural Science Edition）， 2021， 49（6）： 43-53.]

[48] 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[J].地理学报， 2010， 65（8）： 1013-1024. [LIU Fajian， ZHANG Jie， CHEN Dongdong. The structure characteristics and dynamical factors of Chinese inbound tourist flow network[J]. Acta Geographica Sinica， 2010， 65（8）： 1013-1024.]

[49] 虞洋， 宋周莺， 史坤博. 基于百度指数的中国省域间信息联系网络格局及其动力机制[J]. 经济地理， 2019， 39（9）： 147-155. [YU Yang， SONG Zhouying， SHI Kunbo. Network pattern of inter-provincial information connection and its dynamic mechanism in China： Based on Baidu index[J]. Economic Geography， 2019， 39（9）： 147-155.]

[50] 王朝辉， 乔浩浩， 张姗姗， 等. 入境旅游流空间格局演化及大都市旅游高质量发展——以上海市为例[J]. 自然资源学报， 2022， 37（12）： 3167-3182. [WANG Chaohui， QIAO Haohao， ZHANG Shanshan， et al. Evolution of spatial pattern of inbound tourism flows and enlightenment of high-quality development of metropolitan tourism： A case study of Shanghai[J]. Journal of Natural Resources， 2022， 37（12）： 3167-3182.]

[51] 朱冬芳， 虞虎， 劉青青， 等. 入藏旅游流网络结构特征与组织模式——基于团队游和自助游视角的比较分析[J]. 地理科学进展， 2021， 40（5）： 812-824. [ZHU Dongfang， YU Hu， LIU Qingqing， et al. Network structure characteristics and organizational models of tourist flow to Tibet： Comparative analysis based on group and self-guided tours[J]. Progress in Geography， 2021， 40（5）： 812-824.]

[52] 侯贺平， 王靓， 任婉倩， 等. 基于数字足迹的河南省A级景区旅游流网络特征研究[J]. 地域研究与开发， 2022， 41（1）： 91-97. [HOU Heping， WANG Jing， REN Wanqian， et al. Research on characteristics of tourism flow networks of A-level scenic spots in Henan province based on digital footprint[J]. Areal Research and Development， 2022， 41（1）： 91-97.]

[53] 戢晓峰， 于淼， 陈方， 等. 新冠疫情前后自驾旅游流空间结构特征及影响： 以云南省为例[J]. 干旱区资源与环境， 2022， 36（12）： 184-190. [JI Xiaofeng， YU Miao， CHEN Fang， et al. Influence of the COVID-19 on the spatial structure of self-driving tourist flow during the golden week of Spring Festival： Case of Yunnan province[J]. Journal of Arid Land Resources and Environment， 2022， 36（12）： 184-190.]

[54] 蒋依依， 刘焱序， 王宁， 等. 2004—2019年全球旅游流网络中心度时空演变[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.]

[55] 周李， 吴殿廷， 虞虎， 等. 基于网络游记的城市旅游流网络结构演化研究——以北京市为例[J]. 地理科学， 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.]

[56] 王娟， 孟凤娇， 封洁洁. 基于用户生成内容的成渝城市群旅游客流网络结构演化及机理研究[J]. 地域研究与开发， 2022， 41（1）： 85-90. [WANG Juan， MENG Fengjiao， FENG Jiejie. User generated content-based tourist flow network structure evolution and mechanism in Chengdu-Chongqing urban agglomeration[J]. Areal Research and Development， 2022， 41（1）： 85-90.]

The Spatial Pattern and Formation Mechanism of Domestic Tourist Flow

Circulations—Analysis Based on Network Attention Data

LIANG Xiaoyao， MA Lijun

（School of Business， Xiangtan University， Xiangtan 411105， China）

Abstract： The high-quality economic development and the “dual circulation” development pattern with domestic circulation as the mainstay and domestic and international circulations reinforcing each other are major strategies put forward by the Central Committee of the Communist Party of China （CPC） based on a penetrating analysis of domestic and international situations while taking into account the actual condition of Chinas economic and social development. They have pointed out the way forward for bringing Chinas economy to a new stage of development and opening up new prospects for the development of the cause. As a strategic pillar industry that integrates the primary， secondary and tertiary industries， tourism plays an important role in unleashing the potential of domestic demand， revitalizing the consumer market and ensuring smooth flow of economic activity. Tourist flow is a vital link connecting all elements in the tourism system and can reflect the group characteristics of tourists， making it a classical and important topic in tourism research.

With the domestic tourists flow among 31 provinces， autonomous regions and municipalities as the object， this study explored the spatial pattern and formation mechanism of domestic tourist flow circulations based on network attention data in 2019. To present the characteristics of tourist flow circulations as accurately as possible， we selected three indicators， namely， circulation intensity， scale matching degree and preference matching degree. The results show that： First， the two-way flow of domestic tourists in 31 provinces， autonomous regions and municipalities formed 465 tourist flow circulations， and the spatial pattern of circulations under different indicators was heterogeneous. Second， when all three indicators were considered， these circulations could be divided into different types through natural breaks and K-means clustering. Generally， the number of tourist flow circulations in L-L type was much more than that of H-H type， which indicated that the structure of domestic tourism circulations was unreasonable. Third， through QAP analysis， it was found that the factors influencing the three indicators and their marginal effects are different. Based on the above， we can find that domestic tourist flow circulations were characterized by uneven spatial distribution and unreasonable structure. To optimize the spatial pattern and improve the quality of domestic tourist flow circulations， we need to take targeted measures based on core elements.

In conclusion， this study put forward a new concept in the field of tourist flow—tourist flow circulations， along with three indicators defined for its evaluation. The spatial distribution pattern， types and formation mechanism have all been revealed. The analytical framework developed in this study provides a meaningful reference for future research on circulation in tourism and economy. Moreover， the results of this study may help managers to learn more about domestic tourists and contribute to the high-quality development of tourism.

Keywords： tourist flow circulations; spatial pattern; formation mechanism; circulation intensity; matching degree

[責任编辑：王    婧；责任校对：郑    果]