EN中文

经济地理 >

2024 , Vol. 44 >Issue 3: 229 - 240

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.03.023

三农、土地与生态

旅游流网络结构韧性特征变化及其影响因素——以贵州省为例

  • 王坤 , 1 ,
  • 陈祥泰 1 ,
  • 黄震方 , 2, ※
展开
  • 1.贵州大学 旅游与文化产业学院，中国贵州 贵阳 550025
  • 2.南京师范大学 地理科学学院，中国江苏 南京 210023
※黄震方（1963—），男，博士，教授，博士生导师，研究方向为旅游地理与旅游规划。E-mail：

王坤（1982—），男，博士，副教授，硕士生导师，研究方向为旅游地理学。E-mail：

收稿日期: 2023-10-23

  修回日期: 2024-03-01

  网络出版日期: 2024-09-12

基金资助

国家自然科学基金项目(41961025)

国家自然科学基金项目(42071175)

教育部人文社会科学研究青年项目(19YJC850004)

贵州省教育厅高校人文社会科学研究项目(2023GZGXRW068)

收起

Change of Structural Resilience Characteristics of Tourism Flow Network and Its Influencing Factors：A Case Study of Guizhou Province

  • WANG Kun , 1 ,
  • CHENG Xiangtai 1 ,
  • HUANG Zhenfang , 2, ※
Expand
  • 1. College of Tourism and Cultural Industry，Guizhou University，Guiyang 550025，Guizhou，China
  • 2. School of Geography，Nanjing Normal University，Nanjing 210023，Jiangsu，China

Received date: 2023-10-23

  Revised date: 2024-03-01

  Online published: 2024-09-12

Fold

摘要

文章通过网络爬虫获取贵州省2010—2022年旅游流数据，构建旅游流网络及其结构韧性的综合评估及攻击指标体系，并借助复杂网络、指数随机图等方法，实证探讨了贵州省旅游流网络结构韧性的变化特征及其影响因素。结果表明：①贵州省旅游流网络结构韧性呈现先下降后上升的态势，旅游流网络联系的增强并未带来网络结构韧性的提升。韧性水平较高的地区多为东南部的旅游中心城市；②分维度来看，贵州省旅游流网络形成了较为典型的“核心—边缘”层级结构，网络的匹配性明显，传输性在不断提升，小团体集聚现象开始凸显；③旅游流网络结构在随机攻击下呈现出鲁棒性特征，而在蓄意攻击下脆弱性较为显著，且在蓄意攻击下网络承受能力随时间推移整体呈现上升趋势，旅游流核心网络不断拓展；④网络内生结构、个体属性以及外生网络变量共同影响着旅游流网络结构韧性变化。其中，网络互惠性、经济水平、产业结构、政府支持与接待能力对旅游流网络结构韧性变化具有显著正向影响，市场规模对旅游流网络结构韧性变化的正向作用不断凸显，而网络边数与空间距离对旅游流网络结构韧性变化具有明显的抑制作用。

关键词： 旅游流; 网络结构韧性; 攻击模拟; 游记文本; 市场规模; 产业结构; 风险防范

本文引用格式

王坤 , 陈祥泰 , 黄震方 . 旅游流网络结构韧性特征变化及其影响因素——以贵州省为例[J]. 经济地理, 2024 , 44(3) : 229 -240 . DOI: 10.15957/j.cnki.jjdl.2024.03.023

Abstract

Based on the tourism flow data from 2010 to 2022 in Guizhou Province obtained through web crawler,this paper constructs the tourism flow network,its structural resilience evaluation and the simulation index system using the methods of the complex networks and the exponential random graph models (ERGM),and explores the evolution process of the resilience of tourism flow network structure (RTFNS) and its influencing factors. The results show that: 1) The RTFNS in Guizhou Province initially decreased and then increased during the studied period. The strengthening of the tourism flow network connection did not necessarily improve the resilience of the tourism flow network structure. Regions with high resilience level were mainly tourism center cities with well-developed tourism and attractive core tourist attractions. 2) In terms of dimensions,the tourism flow network in Guizhou Province has formed a typical "core-edge" hierarchical structure,with obvious matching of the network,increasing transmission. The phenomenon of small-group agglomeration has become prominent. 3) The tourism flow network structure demonstrated robustness characteristics against random attacks. Under intentional attacks,the vulnerability is more significant. However,under intentional attacks,the network's tolerance displayed an overall upward trend over time,and the core network continued to expand. 4) The endogenous structure of the network,the individual attributes,and the exogenous network variables all have a significant impact on the RTFNS. The reciprocity of network structure,the economic level,the industrial structure,the government support and the reception capacity have a significant positive impact on the RTFNS. The positive effect of market size on the RTFNS is increasingly prominent,while the number of network edges and spatial distance have a significant inhibitory impact on the RTFNS.

Key words： tourism flow; network structural resilience; simulation of attack; travelogue text; market scale; industrial structure; risk prevention

作为国民经济战略性支柱产业，旅游业对中国经济发展发挥着重要作用，其凭借强大的产业带动作用，促进社会经济平稳健康发展。然而，旅游业在遭受病毒传播、地震等自然和人为灾害的内外部冲击后，其脆弱性特征凸显，暴露出抵抗和恢复能力不足的问题。在游客流动日益频繁、人地关系愈发复杂以及旅游地关联愈发紧密的大环境下，提升旅游流网络应对内外部风险和冲击的能力，增强旅游流网络结构的韧性水平，已成为实现区域旅游业高质量和可持续发展的重要议题。
韧性（Resilience）起源于物理学科，后由Holling引入至生态学科之中[1]，之后受到广泛关注，其含义为系统受到冲击后保证其自身稳定和核心功能运行的能力[2]。总体上，韧性概念的演变经过了工程韧性、生态韧性以及演化韧性3个阶段[3]，韧性的研究范围也从物理系统逐渐扩展至社会经济系统[4]。由于旅游业具有典型的脆弱性特征，韧性思维也被广泛运用到旅游产业系统中，并围绕旅游韧性开展了系列探索[5]。从研究主题上看，旅游韧性相关研究主要集中在旅游产业系统韧性[6]、旅游经济韧性[7-8]、旅游生态韧性[9-10]、旅游供给韧性[11]、旅游目的地韧性[12]等方面。从研究内容上看，主要聚集2个方面：①揭示突发性冲击对旅游业的影响。学者们着重探讨海啸[13]、飓风[14]、洪水[15]、气候变化[16]、COVID-19[6,17]、恐怖袭击[18]、经济危机[19]等自然性或社会性灾害对旅游业产生的冲击和负面效应，综合评估旅游业在面对各类灾害或风险时的抵御力和适应力，并从旅游业危机治理和韧性建设等方面提出政策建议。②探讨旅游韧性的累积性变化。学者们在构建旅游韧性评估指标或体系的基础上，分析核心指标或综合指标体系的时空变化规律，并揭示旅游韧性演变的影响机制和提升策略[7,11]。
随着旅游韧性研究的不断深入，旅游流网络结构韧性逐渐受到关注。已有研究多聚焦于旅游流网络结构韧性的综合评估[20-21]，其评估体系多借鉴层级性、匹配性、传输性、集聚性等城市网络结构韧性评估指标[22-24]。方叶林等在分析旅游流网络结构特征的基础上借助城市网络结构韧性评估体系开展韧性评估，认为中国东部沿海城市群旅游流网络结构韧性具有低层级性、异配性、高传输效率与集聚效应不显著的特点[20]。王章郡等综合评估了重庆市中心城区在新冠疫情冲击下的旅游流网络结构韧性，认为新冠疫情的冲击有助于倒逼旅游流网络结构优化调整[21]。从旅游流网络结构韧性的实证研究上看，层级性、匹配性、传输性、集聚性等城市网络结构韧性评估指标能较好地反映旅游流网络结构的韧性特征，兼顾了旅游流网络应对内外部风险和扰动的抵御能力和适应能力，成为旅游流网络结构韧性评估的重要指标，为后续实证研究提供了评估框架。
综上，既有研究成果为旅游流网络结构韧性研究奠定了基础，但仍有继续深入探讨的空间：①已有研究虽涉及到旅游流网络结构韧性评估，但多从静态视角来评估网络结构韧性水平，缺少对其变化过程的深入探索。②旅游流网络结构韧性变化不仅涉及外部风险因素，而且也涉及旅游流网络自身因素，但如何揭示旅游流网络结构韧性变化的影响因素，尚需进一步研究。基于此，本文以贵州省为例，利用网络爬虫软件爬取携程网站上相关游记文本，并在构建旅游流网络的基础上开展网络结构韧性的综合评估，探索内外部冲击下旅游流网络结构韧性的变化规律，揭示其网络结构、个体属性与外生网络等多维变量对旅游流网络结构韧性变化的影响机制，为推动旅游地旅游流网络结构持续优化提供理论借鉴。

1 研究方法与数据来源

1.1 网络结构韧性评估与攻击指标体系

网络结构韧性是网络拓扑结构所引发的韧性问题，体现了网络在受到外部冲击时维持自身稳定并保持核心功能运转的能力[22]。旅游流网络结构韧性是旅游流网络抵御、适应内外部突发性冲击和累积性压力的影响并不断恢复的能力，关注于旅游流网络中的物理和逻辑连接，强调网络的抗毁性、多样性、协调性和自组织能力[3]。网络结构的属性差异直接影响区域的功能和韧性[25]，网络中的节点等级分布、网络异质性、网络连通性、网络聚集程度等是影响网络功能与结构的重要因素[26-27]。基于此，本文借鉴相关研究成果[20-23]，从层级性、传输性、匹配性和集聚性4个维度来构建旅游流网络结构韧性的评估与攻击框架。
①层级性反映旅游流网络中不同等级节点的分层状况。网络节点度能有效体现网络中节点的重要程度，因此选用网络节点度作为网络结构层级性的评估指标；在旅游流网络逐步受到攻击时，随着节点的依次消失，节点间的联系逐渐断开，网络节点度的平均值能体现旅游流网络结构的层级性变化，因此选用网络平均度作为攻击指标。
②匹配性反映旅游流网络中节点与节点间的相似或相关程度。在评估旅游流网络的匹配性时，可以通过比较节点度与相连节点平均度的差异情况判断节点间的相关程度，因此采用邻近平均度作为评估指标；在模拟攻击时，可通过当前仍处于联系中的节点占据网络节点数的比例来判断网络节点间的相关程度，因此选用孤立节点比例和最大连通子图相对大小作为攻击模拟指标。
③传输性衡量旅游流网络中传播扩散作用强弱。在旅游流网络中，节点传输性的高低取决于该节点到达其余节点的路径长短，因此选取节点平均路径长度作为评估指标；在模拟攻击时，若要判断网络在趋于破碎过程中的传输性强弱，既可通过当前攻击后剩余网络的平均路径长度来衡量网络节点间的传输距离，也可通过计算当前网络联系的效率高低判断网络节点间的通达水平。
④集聚性反映旅游流网络整体或节点局部间的集中聚类程度。旅游流网络中节点集聚程度来源于该节点与其余相连节点的紧密程度，因此选用局部聚类系数作为评估指标；在模拟攻击时，网络集聚性可借助当前网络整体集中程度判断，因此选用平均聚类系数作为模拟攻击指标。
综上，旅游流网络结构韧性的评估及仿真指标见表1。
表1 网络结构韧性评估及攻击指标

Tab.1 Network structure resilience assessment and simulation indicators

维度层 目标层 指标层 指标解释
层级性 评估指标 网络节点度 表示网络中节点度
攻击指标 网络平均度 表示网络中节点度的平均值
匹配性 评估指标 邻近平均度 表示节点的相连节点平均度
攻击指标 孤立节点比例 表示节点间相关程度在受到攻击后的变化
攻击指标 最大连通子图相对大小 表示网络最大连通子图中节点数与网络节点总数比值
传输性 评估指标 节点平均路径长度 表示网络中各节点与其相连节点联系路径长短
攻击指标 网络平均路径长度 表示网络整体节点间联系路径的长短
攻击指标 网络效率 表示网络中节点联系效率总和
集聚性 评估指标 局部聚类系数 表示网络中各节点与其相连节点的集中程度
攻击指标 平均聚类系数 表示网络整体集中程度

1.2 指数随机图模型

指数随机图模型（ERGM）是一种借助回归思想来识别网络关系模式的重要工具[28]，其原理是先假设一个随机生成的网络图G=（V，E），有二元随机变量Y=[Yij]表示为V中i和j之间的连接边e∈E，则由所有Yij组成的网络矩阵为G的邻接矩阵，指数随机图模型则为利用指数族分布形式表示Y的元素联合分布的模型[28]。其表达式如下：

P θ Y = y = 1 k e x p ∑ H θ H g H ( y )

式中： θ H为网络的系数向量； g H y = ∏ y i j ∈ H y i j为网络统计量；H为网络对应的构局；k=k（q）为常数项。

1.3 案例地概况

贵州省山地旅游资源丰富，溶洞、天坑、瀑布、温泉、民族文化等自然和人文旅游资源为游客提供了独特的山地观光、户外运动、康养度假的旅游场所，被称为“山地公园省”，是典型的山地旅游目的地。近年来，贵州省以“后发赶超者”的姿态积极推动旅游目的地建设，持续完善旅游产品和服务体系，不断凸显山地旅游品牌。特别是自2015年开始连续举办的国际山地旅游大会，使得山地旅游形象和品牌影响力持续扩大，旅游经济增长迅速，2019年贵州省旅游总人数达到11.4亿人次，旅游收入12318.86亿元①，旅游业成为贵州经济发展的支柱型产业。虽然2020年新冠疫情对旅游业造成巨大冲击，但在《国务院关于支持贵州在新时代西部大开发上闯新路的意见》（国发〔2022〕2号）中提出了繁荣发展贵州省文化和旅游产业的若干举措，成为谱写贵州省旅游产业发展新篇章的行动指南。基于此，本文将研究时段划分为2010—2014、2015—2019和2020—2022年3个时期。

1.4 数据来源及网络构建

首先，获取基础数据。通过网络爬虫技术爬取携程旅行网中有关2010—2022年贵州省游记数据，共搜集5135条有效的游记文本；其次，构建旅游流网络。以贵州省88个县级行政区（下文简称“县域”）单元为节点，选取其中包含2个及以上县域的行程，借助Python软件将上述筛选出的行程依据游客游览的先后顺序拆分为节点对，如：云岩区—花溪区—南明区可分为云岩区—花溪区与花溪区—南明区，共拆分出3296个节点对，县域间存在的流动次数以1为阈值，得到2个县域间的流量，据此构建旅游流网络矩阵；最后，利用自然断裂点分类方法将旅游流网络划分为3个层级，并据此生成贵州省旅游流网络层级分布图（图1）。
图1 2010—2022年各时期贵州省旅游流网络层级分布

Fig.1 The tourism flow network of Guizhou at different stages from 2010 to 2022

由图1可知，2010—2014年贵州省旅游流网络整体较为稀疏，网络结构以第三层级为主，各个节点间的联系较为松散，旅游流动水平整体较弱；2015—2019年贵州省旅游流网络较为稠密，游客流动更显频繁；2020—2022年，受新冠疫情的影响，网络间部分节点联系中断，流量锐减，旅游流网络发育水平出现一定倒退。

2 旅游流网络结构韧性时空演化

2.1 网络层级性

在网络节点度统计的基础上，借助网络节点度的频率分布特征，得到网络节点度的分布规律，进而分析旅游流网络整体的层级特征（图2）。2010—2014、2015—2019和2020—2022年旅游流网络节点度分布斜率分别为-1.0884、-1.0447、-1.0128，其绝对值均大于1，表明贵州省旅游流网络的层级性较为明显，存在影响力较强的核心节点，占据了网络中的大量流量，网络非均质化现象较为明显。从时间演变来看，网络节点度分布斜率的绝对值不断减小，表明旅游流网络的层级性不断降低，核心节点的地位有所削弱，网络中“核心—边缘”间的差异在缩小。
图2 贵州省各时期旅游流网络节点度分布

Fig.2 Distribution of node degree of tourism flow network in Guizhou at different stages

从空间分布来看（图3），2010—2014年，网络节点度等级较高的县域主要集中于贵阳市下辖区县、镇宁县、荔波县等旅游发展水平较高地区，在网络中具有较高的层级性。层级性较低的地区多分布于高层级节点周围，形成较为典型的“核心—边缘”结构。其中，2015—2019年网络节点度总体上较上一阶段有明显提升，该阶段旅游流网络节点的层级性空间分布主要以“东北—西南”一线为界，该线东南地区高层级节点较多，包括镇远县、雷山县、镇宁县等县域，该线西北地区网络节点度值较低。2020—2022年受新冠疫情冲击，高层级节点的网络节点度下降明显，部分低层级节点缺失，使得网络中节点的层级差距有所减小。总体来看，贵州省旅游流网络高层级节点主要呈点状零散分布于旅游产业发展良好的地区，低层级节点广泛分布于周边地区，网络节点度的分布表现出明显的“零散核心节点+广泛边缘节点”的空间分布规律。
图3 贵州省各时期旅游流网络节点度和邻近平均度空间分布

Fig.3 Spatial distribution of node degree and neighborhood average degree of tourism flow network in Guizhou at different stages

2.2 网络匹配性

邻近平均度是网络中各节点与邻接节点的度平均值，其与网络节点度的相近程度能够反映网络的匹配特征。因此，借助邻近平均度和网络节点度的线性关系计算得到度关联，来反映旅游流网络整体匹配性。3个时期贵州省旅游流网络的度关联程度分别为0.0646、0.1960、0.0824，均为正值，说明贵州省旅游流网络匹配性较强，网络中的联系路径具有同质化和单一化特征。从时间演变来看，度关联数值先升后降表明贵州省旅游流网络的匹配性经历了先增强再减弱的变化过程。
从图3的邻近平均度和网络节点度的空间分布来看，2010—2014年邻近平均度高值区主要集中于贵州省“东北—西南”一线的东南地区，同时该地区分布较多高层级节点，西北地区邻近平均度较低，节点基本为低层级节点，网络节点度的空间分布与邻近平均度有较强的相似性，表明网络具有较为明显的同配性特征。2015—2019年邻近平均度高值区仍集中于“东北—西南”一线的东南地区，其网络节点度值整体较高，该线的西北地区邻近平均度有所提升，但整体水平低于东南地区。可见，该时期网络节点度与邻近平均度在空间分布上的相似性进一步提升，网络同配性增强。2020—2022年贵州省“东北—西南”一线的东南地区维持了较高的网络节点度与邻近平均度，但是该线的西北地区邻近平均度下降明显，其网络节点度与邻近平均度出现错位，部分高层级节点邻近平均度较低，网络同配性有所下降。

2.3 网络传输性

平均路径长度通过测度节点间距离的平均值来反映网络传输特征。3个时期旅游流网络平均路径长度分别为2.635、2.442、2.423，表明旅游流网络中流量传递平均需要至少2个节点进行中转，网络传输效率整体较低。其中，2015—2019年旅游流网络平均路径长度有所下降，网络传输效率提升，节点间可达性和扩散性增强，旅游流扩散成本相对下降。2020—2022年旅游流网络中传输路径较长的网络线路受到较为明显的冲击，使得网络中介节点减少，进一步缩短了旅游流网络中节点间的平均传输距离。
根据自然断裂点方法将各节点的平均路径长度由低到高划分为低、较低、中等、较高、高5个等级（图4）。3个时期旅游流网络节点平均路径长度等级呈现明显的时空异质性。其中，2010—2014年平均路径长度处于较高及以上等级的节点占网络中所有节点的55.8%，2015—2019年降至25.0%，2020—2022年继续下降至23.9%，说明网络中节点平均路径长度整体处于降低趋势，节点间通达性增强，相互联系成本下降，各个节点传输性增强。
图4 贵州省各时期旅游流网络节点平均路径长度等级空间分布

Fig.4 Spatial distribution of average path length of tourism flow network nodes in Guizhou at different stages

2.4 网络集聚性

网络聚类系数通过描绘网络中各节点与其相连节点的集中程度，较好地体现了旅游流网络的集聚特征。从整体来看，3个时期贵州省旅游流网络的平均聚类系数分别为0.450、0.480、0.434，均低于0.8，说明贵州省旅游流网络中存在小团体集聚现象，但是集聚效果不够突出，网络整体集聚性不显著。从时间上看，贵州省旅游流网络平均聚类系数先上升后下降，说明2015—2019年贵州省旅游流网络中节点间相互联系更为密切，网络聚类效应提升。可能原因是2020—2022年旅游产业发展受阻，旅游流部分中断，聚类效应减弱，导致贵州省旅游流网络集聚性减弱。
从网络节点的局部聚类系数来看（图5），2010—2014年较多网络节点处于孤立状态，主要分布于“东北—西南”一线的西北地区，影响网络节点间的集聚联系，聚类效应不足。2015—2019年网络节点的局部聚类系数整体有所提升，孤立节点数量减少，特别是“东北—西南”一线的西北地区局部聚类系数提升明显，聚类效应上升，促进了集聚团体内部节点间的信息、人员、资源的往来，带动了边缘节点的提升发展。2020—2022年，由于新冠疫情的影响，网络中众多节点联系中断，节点局部聚类系数明显下降，“东北—西南”一线的西北地区局部聚类系数下降，高数值局部聚类系数节点明显减少，东南地区部分节点局部聚类系数下降至较低水平，网络整体聚类效应下降。
图5 贵州省各时期旅游流网络局部聚类系数空间分布

Fig.5 Spatial distribution of local clustering coefficients of tourism flow network in Guizhou at different stages

2.5 网络结构总体韧性

综合层级性、匹配性、传输性与集聚性的节点值，并通过熵值法计算3个时期的维度权重值（表2），进而得到旅游流网络结构中各节点的总体韧性（图6）。
表2 韧性测度的维度权重

Tab.2 Dimension weights of resilience measures

时期 2010—2014年 2015—2019年 2020—2022年
层级性 0.477 0.537 0.541
匹配性 0.137 0.138 0.087
传输性 0.057 0.096 0.056
集聚性 0.328 0.229 0.317
图6 贵州省各时期旅游流网络结构总体韧性空间分布

Fig.6 Spatial distribution of tourism flow network structure resilience in Guizhou at different stages

从测度结果来看，3个时期贵州省旅游流网络结构韧性的均值分别为0.348、0.327和0.334，表明贵州省旅游流网络结构韧性水平呈现先下降后上升的趋势。具体如下：
①2010—2014年，贵州省旅游流网络结构总体韧性的空间分布主要以“东北—西南”一线为分界线，该线的西北地区整体韧性值较低，各节点应对风险的抵抗和恢复能力较差；该线的东南地区节点韧性水平较高，特别是镇宁、荔波、镇远、雷山等有知名旅游景区的县域，网络节点度和邻近平均度值均较高，传输效率较强，韧性水平总体较强。可见，对旅游流网络结构韧性影响较大的主要是旅游业发展较为成熟、核心旅游景区吸引力较强的旅游中心城市。
②2015—2019年，旅游流网络结构总体韧性的分布仍主要以“东北—西南”一线为分界线。该线西北地区的韧性水平较前一阶段有所提升，但相较于整体而言仍处于较低水平。镇宁、荔波、雷山等东南地区县域的韧性水平普遍较高，且充分发挥了核心节点的辐射带动作用。该时期，旅游流动最为频繁，网络节点数量最为丰富，部分节点韧性达到3个时期的峰值。但是，旅游流网络结构的总体韧性在3个时期中最低，原因在于网络中较多节点旅游业发展处于起步阶段，韧性水平较低，从而拉低了该阶段整体旅游流网络结构韧性。可见，旅游流网络联系的增多并未促进旅游流网络结构韧性的提升。
③2020—2022年，受新冠疫情影响，贵州省旅游流网络中众多节点韧性下降，“东北—西南”一线的西北地区各节点韧性水平下降明显，未能有效抵抗外来风险的冲击。而东南地区虽然整体韧性水平有所影响，但是此前韧性水平较高的镇宁、荔波、雷山等县域较为有效地抵抗了冲击，仍保持较高的韧性水平，为疫情后旅游产业的恢复发展奠定了基础。此外，部分低韧性节点由于难以抵御风险冲击，使得旅游流网络结构得到优化，网络结构的总体韧性有所提升，这进一步印证了旅游流网络受到外部冲击后会倒逼网络结构进行优化调整的结论[21]。

3 基于攻击模拟的旅游流网络结构韧性变化

由于旅游流网络在现实中并不是独立于外界而存在的，其发展与社会、自然、经济等因素存在密切联系，会受到各类潜在风险的威胁。因此，本文通过模拟各类潜在风险的攻击来揭示旅游流网络结构韧性的变化特征。
节点的构成对于旅游流网络有着直接影响，其状态与功能对旅游流网络结构韧性有着重要作用。通过对旅游流网络中的节点采用随机攻击和蓄意攻击2种模拟攻击方式，来探索贵州省旅游流网络结构韧性的变化特征。随机攻击以同样的概率随机攻击旅游流网络中的各个节点，并剔除对应节点及联系，记录网络结构韧性攻击指标值，直至网络中节点被全部删除后停止攻击，进而观察整个过程中旅游流网络结构韧性攻击指标的变化情况。此种攻击方式可用于模拟地震、海啸、暴雨等不可抗力的自然灾害造成的随机事件对于旅游流网络结构产生的影响；蓄意攻击是依据网络节点度由高到低逐个删除网络节点，记录网络结构韧性攻击指标值，直至网络中所有节点被删除后停止攻击，进而观察整个攻击过程中旅游流网络结构韧性攻击指标的变化情况。此种攻击方式主要模拟公共卫生事件、军事行动和恐怖袭击等重大社会突发事件对于旅游流网络结构所产生的影响。综上，借助Python编程对贵州省旅游流网络分别采取随机攻击与蓄意攻击，通过逐个删除对应网络中的节点来观察指标变化情况，进而揭示2种攻击下旅游流网络结构韧性的变化特征（图7、图8）。
图7 随机攻击下旅游流网络结构韧性特征值变化

Fig.7 Resilience change of the tourism flow network structure under random attacks

图8 蓄意攻击下旅游流网络结构韧性特征值变化

Fig.8 Resilience changes of the tourism flow network structure under intentional attacks

3.1 不同攻击情景下韧性变化特征

图7展示了随机攻击下贵州省旅游流网络结构指标的状态变化。其中，平均路径长度在随机攻击初期表现较为平稳，网络效率呈现波动下降趋势，二者在攻击比例达到约60%时下降幅度增大，此时网络传输性受到明显破坏。平均聚类系数整体表现出波动下降趋势，且3个时期基本都在攻击比例约90%后下降至0值，网络集聚性随着攻击的深入不断减弱。网络平均度在波动中大致呈现出线性下降的特征，网络层级性不断降低。孤立节点比例初期上升幅度较缓，在攻击比例达到约60%时出现拐点，进而上升幅度开始增大，此时最大连通子图相对大小不断趋近于0，网络匹配性减弱。
图8展示了蓄意攻击下贵州省旅游流网络结构指标的变化情况。其中，平均路径长度均呈现出先上升到峰值而后逐渐下降的趋势，网络效率近似幂律曲线下降表明网络传输性在攻击初期即受到严重破坏。平均聚类系数随着攻击比例的不断提升而波动下降，且在攻击比例达到约60%时平均聚类系数值为0，网络集聚性较随机攻击减弱速度更为明显。网络平均度随着攻击深入迅速下降且在攻击比例达到60%前达到曲线拐点，网络层级性降低速度较快。孤立节点比例则随着攻击深入表现为波动上升趋势，并相继达到1，最大连通子图大小在攻击比例达到约40%时已低于0.2，网络匹配程度减弱明显。
特别值得注意的是，观察图8发现2010—2014年的贵州省旅游流网络在遭受蓄意攻击末期时，网络效率与孤立节点比例2个指标均出现一定程度的突变。具体表现为：在攻击比例发展至约70%时，网络效率由下降转为上升，并在攻击比例达到约93%时出现峰值；孤立节点比例则在攻击比例达到约70%时由波动上升转变为下降趋势，而后在攻击比例达到约93%时出现谷值进而转为上升。由此可知，2010—2014年贵州省旅游流网络的边缘部分内部相对独立，与网络核心部分间形成的流动程度较弱，核心与边缘节点间层级性明显，进而使得在攻击比例达到约70%时，众多高中心度节点缺失，且处于网络结构边缘的节点间联系程度所受影响有限，进而出现孤立节点比例下降、网络效率提升的突变状况。
对比2种不同攻击状态下贵州省旅游流网络结构韧性的变化情况，随机攻击状态下旅游流网络仍能在较长的一段时期内保持较好的网络通达性和运转水平，但在蓄意攻击时旅游流网络结构指标整体变化幅度较大，网络受到冲击所产生的负面效应更为明显，难以较好地保持运转效率与通达性，且在更早的时期趋于破碎。说明贵州省旅游流网络在面对随机攻击时表现出鲁棒性，而在蓄意攻击时则表现出明显的脆弱性，贵州省旅游流网络在受到随机攻击时较蓄意攻击表现出更强的结构韧性。因此，旅游地需要重视改善旅游流网络在面对诸如公共卫生事件、恐怖袭击等蓄意攻击时的脆弱性，而蓄意攻击的推进又是由节点中心度所决定，进而需对旅游流核心网络进行识别并重点保护。

3.2 旅游流核心网络识别

贵州省旅游流网络在面对蓄意攻击时表现出更为明显的脆弱性，网络更早趋于破碎。在蓄意攻击过程中，随着攻击比例不断提升，旅游流网络将不断分裂直到彻底破碎，因而将各时期旅游流网络开始崩溃前所能担负的最大攻击比例作为旅游流网络在蓄意攻击下的最大承受能力，并以此识别核心网络结构[29]。
由图8可知，在3个时期的贵州省旅游流网络中，当攻击比例分别达到约19%、29%、26%时，平均路径长度达到峰值，整体网络传输性最弱，网络分裂程度较高；网络平均度与网络效率成幂律曲线下降且基本处于拐点，表明网络整体已受到蓄意攻击的严重影响，网络中各节点间相互联系程度减弱，网络开始崩溃。因此，3个时期中贵州省旅游流网络在蓄意攻击下的崩溃临界点分别为19%、29%与26%。逾渗理论认为网络发展过程中存在一个临界点，当网络密度超过该临界点时，网络将达到完全联结状态，形成一个空间集团，不同形态网络该临界点存在差别。其中，连续区的密度临界点为0.500[23]。根据表3可知，2010—2014、2015—2019与2020—2022年贵州省旅游流网络在蓄意攻击达到阈值前所有被攻击节点形成的网络密度分别为0.929、0.585和0.588，均对应高于初始网络密度，且都超过了临界点0.500，说明在以上阈值内所分别形成的网络具有强联结性，核心网络特性明显。因此，可以判断得出蓄意攻击时前19%、29%、26%的节点所分别形成的网络为各个时期贵州省旅游流网络的核心网络（图9）。
表3 2010—2022年各时期贵州省旅游流网络密度

Tab.3 The density of tourism flow network in Guizhou at different stages from 2010 to 2022

时期 2010—2014 2015—2019 2020—2022
初始网络密度 0.113 0.110 0.113
崩溃临界点前网络密度 0.929 0.585 0.588
图9 2010—2022年各时期贵州省旅游流核心网络结构

Fig.9 Core network structure of tourism flow in Guizhou at different stages from 2010 to 2022

图9中，2010—2014年贵州省旅游流核心网络节点数量有限，网络内部联系较为稀疏；2015—2019年核心网络节点数量增加，网络内部联系进一步加强，核心网络在网络结构占比中提升明显；2020—2022年受新冠疫情影响，核心网络中节点数量减少，网络内部联系受到打击，在整体网络的占比略微下降。综合来看，贵州省旅游流核心网络处于拓展丰富的趋势中，主要分布于贵州省“东北—西南”一线的东南地区，逐渐由贵州东部、南部地区向贵州全域扩展，核心网络对边缘网络的带动效应波动提升，需加强对旅游流核心网络的保护与发展，进而促进整体网络结构韧性的提升。

4.1 模型及变量选取

指数随机图模型（ERGM）可通过网络内生结构变量、个体属性变量与外生网络变量等多种变量来解释网络连接关系、网络形成过程以及网络结构的多因素影响。本文采用该方法来揭示旅游流网络结构韧性变化的影响机制。
指数随机图模型的被解释变量通常为网络节点的连接关系。本文将旅游流网络中节点间韧性值乘积平方根与节点连接关系相乘，得到韧性网络后进行二值化处理，并将其作为被解释变量[28]。从网络内生结构变量、个体属性变量与外生网络变量3种变量类型中选取影响因素作为解释变量（表4）。
表4 旅游流网络结构韧性演化的影响因素

Tab.4 Driving factors of tourism flow network structure resilience

影响因素 结构变量 示意图 变量解释
网络内生结构 边数 网络节点连接倾向
互惠性 网络节点交互关系形成倾向
个体属性 经济水平[30] 经济水平高的节点是否越倾向发生连接
产业结构[31] 产业结构层级高的节点是否越倾向发生连接
市场规模[32] 市场规模大的节点是否越倾向发生连接
政府支持[32] 政府支持力度大的节点是否越倾向发生连接
接待能力[33] 接待能力高的节点是否越倾向发生连接
外生网络 空间距离[34] 韧性网络与空间距离矩阵是否存在依赖性

4.2 结果及分析

借助R语言中的马尔科夫链蒙特卡洛极大似然法进行参数估计，通过不断迭代优化估计参数直至达到稳定状态，并采用AIC、BIC检验拟合程度，结果见表5。其中，模型a、模型c与模型e表示网络内生结构变量与个体属性变量的综合分析，模型b、模型d与模型f则在上述模型基础上添加外生网络变量的影响。
表5 指数随机图模型计量结果

Tab.5 Measurement results of ERGM

量 2010—2014年 2015—2019年 2020—2022年
模型a 模型b 模型c 模型d 模型e 模型f
边数 -3.611***（0.799） -3.242***（0.868） -4.868***（0.424） -4.482***（0.435） -6.112***（0.453） -5.530***（0.484）
互惠性 3.184***（0.335） 3.031***（0.329） 2.977***（0.161） 2.933***（0.162） 2.954***（0.189） 2.886***（0.190）
经济水平 -0.067（0.089） -0.017（0.094） 0.054**（0.019） 0.055**（0.020） 0.044***（0.012） 0.044***（0.012）
产业结构 1.591***（0.407） 1.491***（0.398） 0.907**（0.346） 1.047**（0.336） 1.662***（0.335） 1.567***（0.345）
市场规模 -0.909***（0.264） -0.751*（0.294） 0.018（0.118） 0.059（0.125） 0.365**（0.115） 0.312**（0.115）
政府支持 -0.042（0.039） -0.015（0.039） 0.006（0.015） 0.001（0.015） 0.026*（0.013） 0.028*（0.013）
接待能力 0.024*（0.011） 0.020（0.011） 0.043***（0.009） 0.035***（0.009） 0.024*（0.012） 0.033**（0.012）
空间距离 -0.039***（0.008） -0.020***（0.004） -0.023***（0.005）
AIC 796.100 773.059 3127.824 3105.561 2289.833 2264.343
BIC 834.592 817.050 3175.771 3160.358 2335.411 2316.432

注：***、**、*分别表示通过1%、5%、10%的显著性检验；括号内表示t值。

①网络内生结构变量中，网络边数均通过了1%的显著性检验，说明旅游流网络结构韧性的变化受自身网络结构的显著影响，与自身边数等结构特征具有明显联系。互惠性均通过显著性检验，且变量系数均为正值，说明网络节点间交互关系对旅游流网络结构韧性提升具有推动作用。
②个体属性变量中，经济水平变量在模型a、模型b中均未通过显著性检验，而在模型c~模型f中则呈现显著的正向作用，说明经济水平随着时间推移对旅游流网络结构韧性的正向促进作用逐渐凸显，地区经济增长将为旅游业提供重要的基础保障，有助于提升旅游流网络结构韧性；产业结构在3个时期均表现出显著的正向效应，说明产业结构的优化升级可为旅游产业提供更多的资源要素与发展空间，促进旅游流网络结构韧性的提升；市场规模在模型a、模型b中呈现显著的负向作用，在模型e、模型f中则表现出显著正向作用，说明在旅游产业发展初期，追求过大的规模效应，投入过多的资源与配套设施建设，较易超出旅游市场当前承受范围，形成负面影响。随着旅游产业发展趋于稳定，适当扩大市场规模则有助于为旅游产业吸引更丰富的客流，推动旅游产业进一步发展，提升旅游流网络结构韧性。政府支持在模型e、模型f中，即2020—2022年表现出对旅游流网络结构韧性的显著正向影响，说明旅游产业在面对外部风险冲击及后续的恢复中，往往需要依托政府的宏观调控和政策干预。接待能力在模型a、模型c~模型f中呈现显著正向作用，说明接待能力的提升能够增强旅游目的地整体配套设施完善度，增强旅游目的地吸引力，促进旅游流网络结构韧性的提升。
③外生网络变量中，空间距离呈现出显著的负向效应，但这种负向效应随时间推移处于波动下降的趋势中，说明旅游目的地间的空间距离越近，越有助于形成旅游产业的协同发展，进而提升旅游流网络结构韧性。但是，随着旅游产业发展水平的提升、交通通达性的改善以及各项基础保障设施的完善等多重因素的共同作用，空间距离对于旅游流网络结构韧性的限制被不断削弱。

5 结论与讨论

5.1 结论

本文借助复杂网络理论、情景模拟和指数随机图模型等研究方法，以贵州省为例，分析了旅游流网络结构韧性的时空演化过程，并模拟不同攻击情景下网络结构韧性的变化特征，进而揭示网络结构韧性演化的影响因素。得到结论如下：
①从整体上看，贵州省旅游流网络具有显著的层级性特征，核心节点地位较高但随时间推移有所削弱，节点间联系存在同质化、单一化特征，网络匹配性明显，传输效率不断提升，网络中呈现小团体集聚现象，但集聚水平不高。从空间分布上看，旅游流网络结构韧性分布主要以贵州省“东北—西南”一线为界，韧性水平较高的地区主要集中在东南部旅游业发展较为成熟、核心旅游景区吸引力较强的旅游中心城市。
②贵州省旅游流网络在随机攻击下较蓄意攻击表现出更强的结构韧性，在面对随机攻击时表现出鲁棒性，而在蓄意攻击下则呈现出明显的脆弱性。蓄意攻击状态下，3个时期网络承受能力分别为19%、29%和26%，在达到以上攻击比例后，网络趋于崩溃。同时，借助崩溃临界点进一步识别贵州省旅游流核心网络，核心网络节点逐步从东南地区向贵州全域拓展。
③贵州省旅游流网络结构韧性变化受到网络内生结构、个体属性与外生网络中的多种因素的综合影响。其中，网络互惠性、经济水平、产业结构、政府支持与接待能力对旅游流网络结构韧性变化具有显著的正向影响，市场规模对提升旅游流网络结构韧性变化的正向作用不断凸显，而网络边数与空间距离对旅游流网络结构韧性变化具有较为明显的抑制作用。

5.2 讨论

①旅游流网络结构韧性体现了网络抵御、适应外部冲击并不断恢复的能力，对分析旅游流网络结构的负面效应，提升区域旅游业安全水平具有积极作用。已有研究多集中于旅游流网络结构韧性的综合评估[20-21]，缺乏情境模拟下网络结构韧性的演化分析。本文在旅游流网络结构韧性综合评估的基础上，通过情境模拟揭示随机攻击和蓄意攻击下网络结构韧性的变化，所采取的网络攻击模拟方法可供同类研究借鉴。
②旅游流网络联系规模的增加并不一定能增强网络结构韧性，网络联系质量是提升网络结构韧性的关键。通过情境模拟发现，旅游流网络结构在面对蓄意冲击时表现出更强的脆弱性，网络中核心节点受到冲击时更易使网络趋于崩溃。因此，区域旅游流网络结构韧性提升需要遵循“核心引领、扁平发展”的路径，完善旅游核心城市的风险防范体系，加强风险识别和风险承受能力提升。要充分发挥旅游核心城市引领带动作用，推动边缘城市节点在挖掘自身旅游特色与优势的前提下，与旅游核心城市建立紧密联系，丰富旅游线路，实现旅游流网络“核心—边缘”结构的协同健康发展，综合提升旅游流网络结构韧性的整体水平。
③重视旅游流网络结构韧性演化过程中多重因素的综合作用，为区域旅游业高质量发展提供坚实保障。旅游目的地应不断优化产业结构，加大经济投入力度，完善交通、信息等各类基础设施，改善区域交通通达性，提升旅游地整体接待能力和服务质量；应逐步扩大旅游市场规模，逐步削弱空间距离对旅游业发展的限制，综合提升旅游流网络结构韧性。同时，在遭受风险冲击时，旅游目的地应积极发挥政府的宏观调控作用，保障旅游地旅游业平稳健康发展。
④本文在数据来源和研究尺度等方面还存在一定的局限性：本文仅抓取了携程网上的相关游记数据，数据来源有所局限；在空间尺度上，由于景区层面统计数据获取困难，本文仅选取了县域尺度开展研究，也存在一定局限性。因此，在未来的相关研究中，可进一步丰富旅游流数据的来源渠道，开展多尺度和多区域的比较研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Holling C S. Resilience and stability of ecological systems[J]. Annual Review of Ecology and Systematics, 1973, 4(1):1-23.

[2]
谢永顺, 王成金, 韩增林, 等. 哈大城市带网络结构韧性演化研究[J]. 地理科学进展, 2020, 39(10):1619-1631.

DOI

[3]
魏冶, 修春亮. 城市网络韧性的概念与分析框架探析[J]. 地理科学进展, 2020, 39(3):488-502.

DOI

[4]
Boschma R. Towards an evolutionary perspective on regional resilience[J]. Regional Studies, 2015, 49(5):733-751.

[5]
叶欣梁, 何一, 孙瑞红. 脆弱与反脆弱:旅游业韧性研究进展与述评[J]. 旅游学刊, 2023, 38(10):31-48.

[6]
谢朝武, 赖菲菲, 黄锐. 疫情危机下旅游韧性体系建设与旅游高质量发展[J]. 旅游学刊, 2022, 37(9):3-5.

[7]
方叶林, 王秋月, 黄震方, 等. 中国旅游经济韧性的时空演化及影响机理研究[J]. 地理科学进展, 2023, 42(3):417-427.

DOI

[8]
狄乾斌, 陈科其, 陈小龙. 疫情冲击下北京市旅游业经济韧性测度及其影响因素[J]. 经济地理, 2023, 43(1):133-140.

DOI

[9]
Dogru T, Marchio E A, Bulut U, et al. Climate change:Vulnerability and resilience of tourism and the entire economy[J]. Tourism Management, 2019,72:292-305.

[10]
郭向阳, 明庆忠, 杨春宇, 等. 喀斯特生态脆弱区旅游生态系统韧性时空变化及多尺度障碍因素——以贵州省为例[J]. 经济地理, 2023, 43(10):190-200.

DOI

[11]
王庆伟, 梅林, 姜洪强, 等. 中国旅游城市星级饭店韧性时空分异及影响因素[J]. 地理科学, 2022, 42(8):1483-1491.

DOI

[12]
杨秀平, 贾云婷, 翁钢民, 等. 城市旅游环境系统韧性的系统动力学研究——以兰州市为例[J]. 旅游科学, 2020, 34(2):23-40.

[13]
Calgaro E, Lloyd K. Sun,sea,sand and tsunami:Examing disaster vulnerability in the tourism community of Khao Lak,Thailand[J]. Singapore Journal of Tropical Geography, 2008, 29(3):288-306.

[14]
Forster J, Schuhmann P W, Lake I R, et al. The influence of hurricane risk on tourist destination choice in the Caribbean[J]. Climatic Change, 2012, 114:745-768.

[15]
Marshall N A, Tobin R C, Marshall P A, et al. Social vulnerability of marine resource users to extreme weather events[J]. Ecosystems, 2013, 16:797-809.

[16]
Tervo-Kankare K. Entrepreneurship in nature-based tourism under a changing climate[J]. Current Issues in Tourism, 2019, 22(11):1380-1392.

DOI

[17]
Ntounis N, Parker C, Skinner H, et al. Tourism and hospitality industry resilience during the Covid-19 pandemic:Evidence from England[J]. Current Issues in Tourism, 2022, 25(1):46-59.

[18]
Liu A, Pratt S. Tourism's vulnerability and resilience to terrorism[J]. Tourism Management, 2017, 60:404-417.

[19]
Khalid U, Okafor L E, Shafiullah M. The effects of economic and financial crises on international tourist flows:A cross-country analysis[J]. Journal of Travel Research, 2020, 59(2):315-334.

[20]
方叶林, 苏雪晴, 黄震方, 等. 中国东部沿海五大城市群旅游流网络的结构特征及其韧性评估——基于演化韧性的视角[J]. 经济地理, 2022, 42(2):203-211.

DOI

[21]
王章郡, 周小曼, 方忠权. 基于新冠疫情冲击的城市旅游流网络结构韧性评估——以重庆市中心城区为例[J]. 干旱区资源与环境, 2022, 36(11):148-157.

[22]
魏石梅, 潘竟虎. 中国地级及以上城市网络结构韧性测度[J]. 地理学报, 2021, 76(6):1394-1407.

DOI

[23]
郭卫东, 钟业喜, 冯兴华. 基于脆弱性视角的中国高铁城市网络韧性研究[J]. 地理研究, 2022, 41(5):1371-1387.

DOI

[24]
彭翀, 陈思宇, 王宝强. 中断模拟下城市群网络结构韧性研究——以长江中游城市群客运网络为例[J]. 经济地理, 2019, 39(8):68-76.

DOI

[25]
Crespo J, Suire R, Vicente J. Lock-in or lock-out?How structural properties of knowledge networks affect regional resilience[J]. Journal of Economic Geography, 2014, 14(1):199-219.

[26]
吴康, 方创琳, 赵渺希. 中国城市网络的空间组织及其复杂性结构特征[J]. 地理研究, 2015, 34(4):711-728.

DOI

[27]
赵渺希, 黎智枫, 钟烨, 等. 中国城市群多中心网络的拓扑结构[J]. 地理科学进展, 2016, 35(3):376-388.

DOI

[28]
徐维祥, 周建平, 周梦瑶, 等. 长三角协同创新网络韧性演化及驱动机制研究[J]. 科技进步与对策, 2022, 39(3):40-49.

DOI

[29]
吴迪, 王诺, 于安琪, 等. “丝路”海运网络的脆弱性及风险控制研究[J]. 地理学报, 2018, 73(6):1133-1148.

DOI

[30]
王倩, 赵林, 于伟, 等. 中国旅游经济系统韧性的时空变化特征与影响因素分析[J]. 地理与地理信息科学, 2020, 36(6):113-118.

[31]
邵秀英, 冯敬, 王阳华. 山西省旅游经济韧性时空特征及影响因素研究[J]. 国土资源科技管理, 2022, 39(6):96-111.

[32]
王兆峰, 张先甜. 黄河流域旅游经济系统韧性的时空差异特征及其影响因素[J]. 地理与地理信息科学, 2023, 39(3):112-121.

[33]
杨丽, 王姣姣, 付玉慧, 等. 中国夜间旅游资源的空间分布特征及影响因素研究[J]. 资源开发与市场, 2023, 39(12):1673-1683.

[34]
盛科荣, 张红霞, 赵超越. 中国城市网络关联格局的影响因素分析——基于电子信息企业网络的视角[J]. 地理研究, 2019, 38(5):1030-1044.

DOI

Options
文章导航

/

〈 〉