EN中文

经济地理 >

2020 , Vol. 40 >Issue 8: 185 - 193

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.08.023

旅游经济与管理

中国会展城市旅游微博时空分布特征及其影响因素

  • 蔡卫民 , 1 ,
  • 曾铭 , 2, ※ ,
  • 李冬杰 3
展开
  • 1.湖南师范大学 旅游学院，中国湖南 长沙 410081
  • 2.张家界航空工业职业技术学院 旅游管理系，中国湖南 张家界 427000
  • 3.肇庆学院 旅游与历史文化学院，中国广东 肇庆 526061
※曾铭（1995—），男，湖南涟源人，硕士。主要研究方向为饭店管理、会展管理理论与实践。E-mail：。

蔡卫民（1977—），男，湖南宁乡人，博士，副教授。主要研究方向为产业会展、会展管理理论与实践。E-mail：。

收稿日期: 2019-08-30

  修回日期: 2020-05-30

  网络出版日期: 2025-04-18

基金资助

湖南省社会科学基金项目(17JD55)

收起

Spatial-Temporal Characteristics and Influencing Factors of Tourism Microblogs to China's MICE City Based on Sina Microblog Data

  • CAI Weimin , 1 ,
  • ZENG Ming , 2, ※ ,
  • LI Dongjie 3
Expand
  • 1. College of Tourism，Hunan Normal University，Changsha 410081，Hunan, China
  • 2. Department of Tourism Management，Zhangjiajie Institute of Aeronautical Engineering，Zhangjiajie 427000，Hunan, China
  • 3. College of Tourism and History and Culture，Zhaoqing University，Zhaoqing 526061，Guangdong, China

Received date: 2019-08-30

  Revised date: 2020-05-30

  Online published: 2025-04-18

Fold

摘要

以全国142个会展城市为研究对象，基于新浪微博平台获取2011—2018年会展城市的旅游微博数据，采用核密度、灰色关联等方法分析数据的时空特征及其影响因素。研究发现：①2011—2018年中国会展城市旅游微博时间分布上，年际变化呈现波动递增的趋势；年内变化表现为明显的“双峰一谷”模式，并有“淡季短、旺季长”的特点；节假日特征表现为节前旅游微博数明显下降，在假期第一天达到最低点，随后开始缓慢抬升，并在节后第一天明显上升，至节后第二天上升到稳定区间，总体上表现为“U”型分布。②空间分布上，空间结构由“多核”逐步转变为“弓型”的集群化分布；数据分布在部分地区集中，倾向于向高经济发展水平、高会展业发展水平、高互联网发展水平的城市聚集。③影响因素上，会展业发展水平、经济发展水平等是影响中国会展城市旅游微博时空分布的重要因素；展会数量、展览面积等是影响旅游微博时空分布的重要因素指标。

关键词： 会展城市; 旅游微博; 节假日; 集群化分布; 会展业; 大数据分析

本文引用格式

蔡卫民 , 曾铭 , 李冬杰 . 中国会展城市旅游微博时空分布特征及其影响因素[J]. 经济地理, 2020 , 40(8) : 185 -193 . DOI: 10.15957/j.cnki.jjdl.2020.08.023

Abstract

With the rapid development of Internet and MICE tourism, the MICE city as the carrier of MICE activities has been receiving more and more attention from tourists in recent years. Based on a large quantity of the daily tourism microblogs data of China's MICE cities collected via Sina Microblog platform during 2011-2018, this paper tries to explore the spatial-temporal characteristics and influencing factors of tourists' tourism microblogs to MICE cities(TMMC) by means of nuclear density analysis, grey correlation analysis and so on. The study found that: 1) As for temporal characteristics of TMMC, it shows an fluctuating Increment trend during 2011-2018 and "double peaks and one valley" seasonal fluctuaiton with "Short off season and long peak season" each year. In short time, the holiday feature showed that the pre-holiday attention decreased significantly, reached the lowest point on the first day of the holiday, then began to rise slowly, and increased significantly on the first day after the holiday, and rose to the stable interval on the second day after the holiday. The overall performance was "U" type distribution. 2) As for spatial characteristics of TMMC, the spatial structure is gradually changed from "multi-core" to "arched" clustered distribution. The data distribution is concentrated in some regions, and tends to gather in cities with high economic development level, high development level of exhibition industry, and high Internet development level. 3) Influencing factors such as the development level of the MICE industry, the level of economic development are proved to be important factors influencing the TMMC. Influencing factors indicators such as the number of exhibitions, the exhibition area are proved to be important indicators that affect the TMMC.

Key words： mice city; tourism microblogs; holidays; clustered distribution; exhibition industry; big data analysis

截至2018年12月，我国网民数量达8.29亿，其中微博用户达3.51亿，网民使用率42.3%[1]。随着信息时代不断发展，微博等典型社交平台不断融入和影响大众生活。同时，社交平台的普及和发展也促进了旅游信息的传播，微博等社交平台成为旅游者的旅游经历分享、信息交流、在线预订的重要途径，也逐渐成为旅游机构、旅游企业的重要营销渠道[2]。近年来，我国会展旅游蓬勃发展，而会展城市作为其重要的空间载体，开始受到越来越多的旅游者关注。国内关于会展城市的研究，在城市层面[3⇓-5]主要为自身竞争力提升、产业发展研究，较少涉及旅游流预测、互联网数据应用方面；在全国层面[6⇓⇓⇓-10]主要为产业数据的效率分析、时空演化研究，涉及微博等网络数据的分析研究较少。参展客商在微博等社交平台上分享和获取会展城市信息，为自身和他人参展提供决策依据，同时形成旅游微博、旅游博客、微博签到等网络数据。研究会展城市网络数据的时空演化规律，将为后续城市旅游地网络结构特征、城际网络关注格局演化、旅游流预测等方面研究提供理论和数据参考。
旅游微博是一种以图文、视频等方式实时记录旅游者游览过程、表达旅游者情感思想的网络游记。旅游者发布的旅游微博、旅游博客、微博签到等网络痕迹数据，是旅游地网络信息流研究、现实旅游流研究以及二者相关性分析的重要参考。目前已有较多学者利用微博数据进行旅游研究，主要涉及旅游目的地形象感知[11]、旅游网络营销[12]、旅游形象设计[13]、旅游流和微博用户时空行为[14-15]等问题，利用城市旅游微博数据进行研究的较少，研究对象多以景区[16]、旅游地[17]为主，较少涉及会展和城市领域。新浪微博是我国著名的网络社交平台，截至目前其月活跃用户达4.62亿，网民使用率达42.3%，是国内最具影响力和代表性的社交平台之一。本文以新浪微博游记为数据源，采用核密度分析、灰色关联分析等方法，分析中国会展城市旅游微博时空特征及影响因素，以期揭示城市旅游微博空间分布规律，为中国会展城市的规划建设、网络营销提供理论指导。

1 研究对象概况、数据来源及研究方法

1.1 研究对象

本文以中国会展城市为研究对象。会展城市选自中国会展经济研究会公布的《2017年度中国城市会展业竞争力指数（CCCECI）报告》。《报告》从城市整体环境、城市会展业水平、会展教育竞争力等维度构建了中国会展城市竞争力指数（CCCECI）[18]，对全国城市进行评价测度，最终公布了2017年国内142个会展城市及其竞争力排名。本文以此为基础，进一步开展会展城市旅游微博的相关研究。

1.2 数据来源

研究数据来源：①会展城市出自商务部中国会展经济研究会（www.cces2006.org/）公布的《2017年度中国城市会展业竞争力指数（CCCECI）报告》。②空间底图来源于国家基础地理信息中心（http://www.ngcc.cn）的全国基础地理数据库，并通过Google Earth获取142个会展城市的经纬度坐标。③旅游微博数据来源于新浪微博平台检索会展城市关键词所得的微博游记数。为确保统一检索口径，文中参考国内主流的会展定义[19]，将各会展城市的检索关键词统一为：“城市名称+会展、城市名称+会议、城市名称+展览会、城市名称+博览会、城市名称+展销会、城市名称+展览、城市名称+交易会”，以上各关键词检索结果加和代表单个城市的游记检索数量，并利用火车采集器软件采集和整理微博游记，剔除官方介绍、商家广告等不属于游客真实发布的游记。④影响因素指标数据来源于中国会展经济研究会发布的《中国展览数据统计报告》（2011—2018年）；各城市统计局公布的统计年鉴、《国民经济和社会发展统计公报》（2011—2018年），其中部分年份报告的指标数据不全，采取指数平滑法进行补充。

1.3 研究方法

1.3.1 核密度估计

核密度分析（Kernel Density Estimation）由美国数学家Emanuel Parzen结合前人成果提出，是一种较好地反映地理要素空间分布规律的可视化工具[20]。该分析通常采用Rosenblatt-parzen函数，其公式为：
f x = 1 n h ∑ i = 1 n k d x - x i h
式中： f x为核函数；n为城市数量；h为带宽； d x - x i为估计点x到观测点 x i处的距离。

1.3.2 灰色关联分析

灰色关联理论（Grey Theory）由我国数学家邓聚龙提出，其衍生的灰色关联分析法可用来分析被测度对象（某一会展城市）的全体评价指标（该会展城市各项指标数据）与参考序列指标（该会展城市旅游微博数量）之间的关联程度[21]。利用参考序列 Z 0 = Z 0 1 , Z 1 2 , ⋯ Z 0 N和被测度对象指标数据的比较序列 Z i = Z i 1 , Z i 2 , ⋯ Z i N组成的数列矩阵（如下）结合公式（2）~（4）即可测算会展城市某项指标与其旅游微博数的灰色关联度。
数列矩阵：
Z 0 , Z 1 , Z 2 ⋯ Z n = Z 0 1 ⋯ Z n 1 ⋮               ⋱             ⋮ Z 0 N ⋯ Z n N
无量纲化处理：
Z 0 ' 1 = Z 0 n Z 0 1 , Z i ' 1 = Z i n Z i 1
灰色关联计算：
        n i k = m i n i m i n k Z 0 k - Z i k + ρ m a x i m a x k Z 0 k - Z i k Z 0 k - Z i k + ρ m a x i m a x k Z 0 k - Z i k
r i = 1 n ∑ k = 1 n n i k i = 1,2 , ⋯ , n ; k = 1,2 , ⋯ N ; N = n + 1
式中：i和k分别表示序列个数和长度； m i n i m i n k Z 0 k - Z i k和 m a x i m a x k Z 0 k - Z i k分别表示两组数列的极小差和极大差； ρ表示分辨系数，取值范围介于0~1之间，一般取值为0.5； n i k表示某一会展城市某项指标与其旅游微博数的灰色关联系数； r i为某一会展城市某项指标与其旅游微博数的灰色关联度。

2 中国会展城市旅游微博时空特征分析

2.1 中国会展城市旅游微博时间分布特征

2.1.1 旅游微博年际变化特征

将全部会展城市的每日旅游微博数按年加和，统计分析2011—2018年中国会展城市的旅游微博年际变化情况（图1），图中发现，中国会展城市2011—2018年的旅游微博数量呈波动递增的趋势，年均增长率达4.19%。
图1 2011—2018年中国会展城市旅游微博的年际变化图

Fig.1 Interannual variation of tourism microblogs of China's MICE cities in 2011-2018

2.1.2 旅游微博季节性特征

将全部会展城市的每日旅游微博数按对应月份加和，得到2011—2018年的中国会展城市旅游微博的月度变化趋势（图2左）。通过比较发现，8年间中国会展城市旅游微博的月度变化规律相近，总体上呈现“双峰一谷”特征，3月和11月为两个高峰期，1~2月为低谷，多年的最低值均出现在2月。
图2 2011—2018年中国会展城市旅游微博的季节性变化图

Fig.2 Seasonal changes in the tourism microblogs of China's MICE cities in 2011-2018

将各年的月度数据取均值，可得2011—2018年中国会展城市旅游微博的各月均值趋势图（图2右）。参考旅游流季节划分标准，将月平均旅游微博数大于年平均月旅游微博数的月份划分为旺季，是年平均月旅游微博数的80％~100％的月份划分为平季，小于年平均月网络关注80％的月份划分为淡季[22]。计算后可得，中国会展城市旅游微博分布的旺季为3~6月、9月、11~12月，平季为7~8月、10月，淡季为1~2月。由此可以发现，中国会展城市旅游微博分布季节性明显，具有淡季短、旺季长的特点。

2.1.3 旅游微博节假日特征

展会筹划举办可能受法定节假日影响，引起旅游微博数量波动。本文统计2011—2018年全部会展城市的“十一”“五一”“春节”节假日前后的旅游微博，将全部城市的数据按对应节假日加和，以分析中国会展城市旅游微博节假日特征。由于各年的“春节”“五一”假期的调休放假时间不同，本文统一以假期天数和节前、节后各三天为时间段统计，即春节前后13天、五一前后9天；“十一”放假调休时间固定，为确保统计口径一致，也选取假期天数和节前、节后各三天为时间段，即十一前后13天。由此可得节假日旅游微博分布变化趋势（图3）。图中发现，2011—2018年中国会展城市旅游微博的节假日变化情况基本一致，均表现为旅游微博数在节前明显下降，在假期的第一天达到最低点，随后开始缓慢抬升，并在节后第一天明显上升，至节后第二天上升到稳定区间，总体上表现为“U”型分布。
图3 春节、“十一”和“五一”前后中国会展城市旅游微博变化

Fig.3 Changes in the tourism microblogs of China's MICE cities around the Spring Festival, the National Day and the International Labor day

2.2 中国会展城市旅游微博空间分布特征

2.2.1 会展城市分布特征

将全国142个会展城市的经纬度坐标导入ArcGIS10.2软件内，绘制分布图（图4）。图中发现，中国会展城市空间分布总体上呈现东密西疏的空间分布特征，会展城市主要在沿海地区集中分布，聚集形成长三角、珠三角、环渤海、成渝城市群，在西北地区分布稀少。进一步以胡焕庸线[23]来分析，在分界线以东分布有124个会展城市，占总数87.3%，以西分布18个会展城市，仅占总数的12.7%，会展城市分布情况大体与我国人口、资源分布趋势一致。在分界线以东地区自然环境和经济社会发展水平较高，人口稠密，会展业发展基础条件较好，会展城市相对较多；而分界线以西地区人口较稀疏，自然条件和经济社会发展水平相对滞后，会展城市相对较少。
图4 中国会展城市分布图

Fig.4 Distribution of China's MICE cities

2.2.2 旅游微博空间分布特征

本文以会展城市旅游微博数作为权重，运用公式（1）对数据进行计算，利用ArcGIS软件对会展城市旅游微博数据进行核密度分析，得到中国会展城市旅游微博空间分布核密度图（图5）。由图5发现，2011—2018年中国会展城市旅游微博的空间分布呈以下特征：
图5 2011—2018年中国会展城市旅游微博密度图

Fig.5 China's exhibition city tourism microblogs density map in 2011-2018

①呈现明显的空间分异和极化特征。总体上，位于东南、华南、华北、西南地区的会展城市旅游微博数较高，华中、东北地区次之，而西北地区的会展城市旅游微博数则较低；局部上，数据主要在长三角、珠三角、环渤海、成渝地区聚集，多年逐渐形成高旅游微博分布城市集群。
②空间结构由“多核”逐步转变为“弓型”的集群化分布。具体来看，2011—2013年会展城市旅游微博空间结构特征呈现为“多核”分布，形成北京、上海、广州、重庆、武汉的高旅游微博分布核心；至2015年，随着国内城市会展业发展，围绕上海、广州、北京、重庆四个高旅游微博分布核心，杭州、南京、成都、广州、深圳、天津等一批会展城市的旅游微博数量迅速提升，在城市间表现出集群趋势；至2018年，中国会展城市旅游微博分布在长三角、珠三角、环渤海、成渝地区形成集群，中部地区纵向形成多个高旅游微博分布核心，整体呈现“弓型”状的集群化分布。其中，“弓型”集群主要表现为以上海为核心，南京、杭州、宁波为代表的会展城市旅游微博长三角集群；以北京为核心，以天津、廊坊、大连、沈阳为代表的会展城市旅游微博环渤海集群；以广州为核心，以深圳、东莞为代表的会展城市旅游微博珠三角集群；以重庆、成都为代表的会展城市旅游微博成渝集群。综上，2011—2018年中国会展城市旅游微博的空间结构由“多核”逐步转变为“弓型”的集群化分布。
③数据分布在部分地区集中，倾向于向高经济发展水平、高会展业发展水平、高互联网发展水平的城市聚集。从图5来看，中国会展城市旅游微博的空间分布在长三角、珠三角、环渤海、成渝地区形成集群，并出现了北京、上海、广州、重庆、武汉等一批高旅游微博分布核心。其中微博数最高城市为上海，且8年间一直保持第一。同时，在中部会展城市中，长沙、郑州、南昌、合肥4个城市的旅游微博数量多年来迅速成长，逐步发展为各省的旅游微博分布核心；而位于沿海地区的福州、厦门、海口等城市，自2015年起旅游微博数也呈现快速增长趋势，至2017年以后也独立形成旅游微博分布核心。上述会展城市多为直辖市、经济特区、省会城市，经济实力较强。其相较于所在地区，具备公共配套设施齐全、招商宣传吸引力大、展会筹办资金支持充足等优势；同时，各城市会展业发展水平较高，在办展数量、展览总面积、会展企业数量、展馆数量上均领先所在地区，并在多年来形成展会品牌，如中国进出口商品交易会（广州）、中国国际高新技术成果交易会（深圳）、中国西部国际博览会（成都）、中国国际进口博览会（上海）等。上述城市的互联网用户、通信产业固定投资、互联网普及率均排名全国前列，有助于展会网络宣传、参展游客网络信息交流。

3 中国会展城市旅游微博时空分布的影响因素分析

3.1 旅游微博时空分布影响因素的选取与处理

参考相关研究成果[24⇓-26]，本文从会展业发展水平、经济发展水平、互联网发展水平、旅游业发展水平、人口因素、交通条件、配套设施7个方面选取中国会展城市旅游微博时空分布的影响因素；并在借鉴已有研究结果的基础上[27⇓-29]，结合指标相关性、数据可获得性和可量化性，初步选取了39项影响因素指标（表1）。
表1 中国会展城市旅游微博影响因素及初步选取指标

Tab.1 Influencing factors and preliminary selection indicators of tourism microblogs of China's MICE cities

目标层 准则层指标 方案层初步选取指标
中
国
会
展
城
市
旅
游
微
博
的
影
响
因
素
A		 经济发展水平（B1） GDP/亿元（C1）
第三产业增加值/亿元（C2）
规模以上工业总产值占全市GDP比重/% （C3）
进出口总额/亿元（C4）
外商直接投资额/亿元（C5）
财政收入/亿元（C6）
互联网发展水平（B2） 移动电话用户/万户（C7）
互联网接入用户/万户（C8）
互联网普及率/% （C9）
通信产业固定资产投资额/亿元（C10）
人口因素（B3） 人口总数/万人（C11）
城镇人口比重/% （C12）
人均可支配收入/元（C13）
社会消费零售品总额/亿元（C14）
交通条件（B4） 客运量/亿人（C15）
旅客周转量/亿人·km （C16）
货运量/万t （C17）
交通网络密度/km/km2 （C18）
配套设施（B5） 星级饭店数量/个（C19）
旅行社数量/个（C20）
租赁和商务服务业固定资产投资额/亿元（C21）
租赁和商务服务业从业人员/个（C22）
会展业发展水平（B6） 展会数量/场（C23）
展览总面积/万m2 （C24）
会展企业数量/个（C25）
会展场馆数量/座（C26）
展馆总面积/m2 （C27）
细分行业top3项目/个（C28）
境外办展数量/个（C29）
UFI成员/个（C30）
UFI认证项目/个（C31）
会展业政府主管机构/个（C32）
会展专业高等院校/个（C33）
会展业民间社团/个（C34）
会展业研究机构/个（C35）
旅游发展水平（B7） 旅游总收入/亿元（C36）
旅游接待总人次/万人次（C37）
旅游总收入占GDP比例/%（C38）
景区数量/个（C39）

注：其中的旅客周转量指该城市的年运送旅客人数与运送距离的乘积；交通网络密度指在该城市区域内公路道路网的总里程与该区域面积的比值；UFI成员和项目是指该城市被国际展览联盟认证的举办单位和举办项目；细分行业TOP3是指该城市按行业细分展览面积排名前3的举办项目数量。

基于指标选取的科学性和合理性，本文利用Pearson相关分析法对指标进行筛选。以2011—2018年为8个时间点，分别统计每年的142个会展城市的39项指标数据和旅游微博数据，单个年份每个城市计算出旅游微博数与指标间的相关系数，将相关性不显著的指标予以剔除，并仅保留所有会展城市均显著相关的指标，最后将全部会展城市保留的指标系数对应分别计算算术平均数。仅保留8个年份均显著相关的指标，并计算8年的相关系数均值，最终选出了展会数量、会展企业数量、星级饭店数量在内的14项指标，作为中国会展城市旅游微博时空分布影响因素评价指标，指标和Pearson相关系数结果见表2。
表2 中国会展城市旅游微博影响因素评价指标及其相关系数

Tab.2 Evaluation indicators and related coefficients of influencing factors of tourism microblogs in China's Convention and MICE cities

影响因素 评价指标 Pearson相关系数
经济发展水平 GDP/亿元（X1） 0.917**
第三产业增加值/亿元（X2） 0.897**
互联网发展水平 移动电话用户/万户（X3） 0.919**
互联网接入用户/万户（X4） 0.928**
人口因素 城市人口总数/万人（X5） 0.777**
人均可支配收入/元（X6） 0.860**
交通条件 年旅客周转量/亿人·km （X7） 0.630*
年旅客运输量/亿人（X8） 0.767*
配套设施 星级饭店数量/个（X9） 0.920*
会展业发展水平 展会数量/场（X10） 0.935**
展览总面积/万m2 （X11） 0.903**
会展企业数量/个（X12） 0.845**
旅游发展水平 旅游总收入/亿元（X13） 0.922**
旅游接待总人次/万人次（X14） 0.777**

注：**、*分别表示在0.01、0.05水平（双侧）上显著相关。

3.2 旅游微博时空分布影响因素的灰色关联分析

本文在研究中尝试利用灰色关联分析法探讨中国会展城市旅游微博与影响因素之间的内在联系。以2011—2018年为8个时间点，分别统计每年的142个会展城市的39项指标数据和旅游微博数据；将每年各会展城市的旅游微博数作为参考序列，影响因素评价指标数据作为比较序列，利用公式（2）~（4）进行灰色关联度分析，测算出8年间各指标的灰色关联度，并计算8年均值（表3）。从表3中的均值结果可以发现中国会展城市旅游微博与影响指标之间灰色关联度大小依次为：展会数量、展览总面积、GDP、移动电话用户、互联网接入用户、第三产业增加值、旅游总收入、旅游接待总人次、会展企业数量、星级饭店数量、人均可支配收入、城市人口总数、年旅客运输量、年旅客周转量。其中，关联度最高指标为展会数量，最低为年旅客周转量，说明展会数量对会展城市旅游微博的影响最大，而年旅客周转量影响则最小。
表3 2011—2018年中国会展城市旅游微博评价指标的灰色关联度

Tab.3 Gray correlation degree of China's exhibition city tourism microblogs evaluation index in 2011-2018

指标 2011 2012 2013 2014 2015 2016 2017 2018 8年均值
X1 0.8318 0.8497 0.8341 0.8484 0.8546 0.8429 0.8551 0.8462 0.8454
X2 0.8484 0.8415 0.8231 0.8289 0.8444 0.8343 0.8138 0.8304 0.8331
X3 0.8371 0.8369 0.8470 0.8456 0.8423 0.8414 0.8406 0.8406 0.8414
X4 0.8433 0.8317 0.8514 0.8198 0.8465 0.8185 0.8439 0.8365 0.8365
X5 0.8032 0.7822 0.7968 0.8051 0.7830 0.7797 0.7961 0.7886 0.7918
X6 0.7871 0.7972 0.7921 0.7779 0.8065 0.7839 0.8158 0.7972 0.7947
X7 0.7187 0.7230 0.7203 0.7244 0.7277 0.7008 0.7214 0.7184 0.7193
X8 0.7385 0.7482 0.7177 0.7527 0.7171 0.7214 0.7151 0.7332 0.7305
X9 0.8172 0.8131 0.7847 0.7873 0.8156 0.7984 0.8084 0.8008 0.8032
X10 0.8741 0.8602 0.8772 0.8571 0.8763 0.8515 0.8590 0.8619 0.8647
X11 0.8665 0.8637 0.8547 0.8618 0.8596 0.8311 0.8555 0.8462 0.8549
X12 0.8091 0.7968 0.7983 0.8023 0.8148 0.8216 0.7878 0.8021 0.8041
X13 0.8088 0.8077 0.8302 0.8375 0.8417 0.8457 0.8234 0.8277 0.8278
X14 0.8072 0.8381 0.8275 0.8335 0.8300 0.8111 0.8128 0.8188 0.8224
按影响因素计算各指标的算术平均值，可得影响因素关联度结果；再计算8年均值，可得其关联度排序依次为：会展业发展水平、经济发展水平、互联网发展水平、旅游发展水平、配套设施、人口因素、交通条件（表4）。可以看出，会展业发展水平对中国会展城市旅游微博的影响最大，交通条件影响最小。
表4 2011—2018年中国会展城市旅游微博影响因素的灰色关联度

Tab.4 Grey correlation degree of factors affecting tourism microblogs in China's MICE cities in 2011-2018

影响因素 2011 2012 2013 2014 2015 2016 2017 2018 8年均值
经济发展水平 0.8401 0.8456 0.8286 0.8387 0.8495 0.8386 0.8345 0.8383 0.8392
互联网发展水平 0.8402 0.8343 0.8492 0.8327 0.8444 0.8300 0.8423 0.8386 0.8389
人口因素 0.7952 0.7897 0.7945 0.7915 0.7948 0.7818 0.8060 0.7929 0.7933
交通条件 0.7286 0.7356 0.7190 0.7386 0.7224 0.7111 0.7183 0.7258 0.7249
配套设施 0.8172 0.8131 0.7847 0.7873 0.8156 0.7984 0.8084 0.8008 0.8032
会展业发展水平 0.8499 0.8402 0.8434 0.8404 0.8502 0.8347 0.8341 0.8367 0.8412
旅游发展水平 0.8080 0.8229 0.8289 0.8355 0.8359 0.8284 0.8181 0.8233 0.8251

4 结论与讨论

4.1 结论

①中国会展城市旅游微博时间分布上，年际呈现波动递增的趋势；在过去的8个年度中，年内分布表现出相似的特征：“双峰一谷”模式，淡季短、旺季长；各年的节假日特征相似，各年均表现为旅游微博数在节前明显下降，在假期的第一天达到最低点，随后开始缓慢抬升，并在节后第一天明显上升，至节后第二天上升到稳定区间，总体上表现为“U”型分布。
②中国会展城市旅游微博空间分布上，会展城市分布情况大体与我国人口、资源分布趋势一致；旅游微博空间分布特征上，呈现明显的空间分异和极化特征。总体上，位于东南、华南、华北、西南地区的会展城市旅游微博数较高，华中、东北地区次之，而西北地区城市旅游微博数较低；局部上，多年来逐渐在长三角、珠三角、环渤海、成渝地区形成高旅游微博分布城市集群，空间结构由“多核”逐步转变为“弓型”状的集群化分布；数据分布在部分地区不断集中，倾向于向高经济发展水平、高会展业发展水平、高互联网发展水平的城市聚集。
③中国会展城市旅游微博时空分布的影响因素上，会展业发展水平、经济发展水平、互联网发展水平、旅游业发展水平、人口因素、交通条件、配套设施是旅游微博的主要影响因素；展会数量、展览总面积等14个指标是旅游微博的主要影响指标；通过灰色关联分析，指标中的展会数量与旅游微博关联度最大，年旅客周转量关联度最小；影响因素中的会展业发展水平对中国会展城市旅游微博的影响最大，交通条件的影响最小，其余因素的影响程度相近。

4.2 讨论

微博作为一种新型的社会媒体、用户交流平台，是旅游网络营销的重要渠道，其在旅游业应用研究上也是较新的研究热点。旅游者发布的旅游微博、旅游博客、微博签到等网络痕迹数据，是旅游地网络信息流研究、现实旅游流研究以及二者相关性分析的重要参考。当前，旅游微博数据研究主要涉及旅游网络营销、形象设计、目的地形象感知、现实客流分布等方面，但较少城市间旅游微博时空分布，本文利用中国会展城市的旅游微博数据开展研究，一定程度上为该领域提供了补充。同时，在研究对象上，当前时空分布研究较多以景区、城市旅游地为对象，涉及会展领域的研究较少，本文以会展城市作为对象开展研究，丰富了旅游微博的可结合领域。在时间分布方面，本文在闫闪闪等的研究[15]基础上，证实会展城市旅游微博时间分布也具备一定季节性特征，呈现出淡旺季特点，但在节假日分布特征则不同于景区、城市旅游地，表现为正U型分布；同时，基于静恩明等的研究[2]，本文证实了会展城市旅游微博也具有明显的空间分异和极化特征，并在时间尺度上进行了多年对比，探析了其空间变化特征；在影响因素方面，已知的影响因素有会展业发展水平、经济发展水平等，本文在前人的研究基础上，验证了上述因素对会展城市旅游微博时空分布的影响；同时筛选和总结出上述因素的各类评价指标，并测度了指标数据与旅游微博数据的关联程度，进一步探析了各影响因素和指标对旅游微博数据的影响程度，发现了以展会数量等指标为代表的会展业发展水平影响作用最显著，而以年旅客周转量等指标为代表的交通条件影响作用最小，并否定和剔除了会展场馆数量、互联网普及率等指标对会展城市旅游微博的影响假设。此外，当前学者较多采用单一年份开展旅游微博数据研究，而本文选取2011—2018年逐日旅游微博作为研究数据，分析了年、月、特殊节日的分布规律，在较长的时间尺度（8年）和较细的时间单位（逐日）进行旅游微博数据分析，能够更好和更全面地探究会展城市旅游微博时空分布的客观规律，确保研究结论的科学、客观和严谨。
但本研究仍存在不足之处，有待日后完善：首先，本文用旅游微博游记数作为数据源开展研究，而在微博大数据中还有微博签到数、微博转发量、评论量、点赞量等数据指标，因此后续研究还可进一步拓宽数据来源；其次，会展定义包括节事活动，即特殊事件、文化节庆、体育赛事等，考虑到各城市的节事活动举办频率和规模不同，名称和歧义较多，数量统计存在较大难度，故本文未将城市中的各类节事活动纳入关键词检索，因此现有关键词还有待进一步精确和扩充；另外，影响因素方面仍有城市会展业扶持政策、城市美誉度、展会品牌吸引力等难以量化统计的评价指标未纳入分析，仍需开展后续研究和完善。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
中国互联网络信息中心发布第43次《中国互联网络发展状况统计报告》[J]. 国家图书馆学刊, 2019, 28(2):13.

[2]
静恩明, 郭风华, 李仁杰, 等. 基于新浪旅游博客的河北省A级景区网络关注度研究[J]. 地理与地理信息科学, 2015, 31(3):118-122.

[3]
王春才, 周彦. 北京构建国际会展中心城市须具备的关键要素[J]. 城市问题, 2014(11):39-43.

[4]
王佩良, 蔡梅良, 彭培根. 中小城市会展产业发展路径研究——以郴州为例[J]. 湖南社会科学, 2018(4):152-158.

[5]
余构雄, 戴光全. 标志性政府运作型展览会对城市展览业发展的负面效应——以广交会为例[J]. 当代经济管理, 2017, 39(1):66-72.

[6]
鄢慧丽, 何彪, 徐帆, 等. 中国城市展览业效率研究——基于30个省会城市的DEA分析[J]. 旅游论坛, 2018, 11(3):17-24.

[7]
刘震, 楼嘉军. 中国城市展览业发展状况评价[J]. 城市问题, 2018(6):51-60.

[8]
汪秋菊, 黄明, 姚佳. 绩效视角下中国展览业时空演化格局及耦合关系[J]. 地理与地理信息科学, 2020, 36(1):136-142.

[9]
杨欣, 金李梅. 中国会展业时空分布特征[J]. 经济地理, 2014, 34(8):96-102.

[10]
肖晔, 赵林, 吴殿廷. 中国会展业与会展教育耦合协调度评价及影响因素[J]. 经济地理, 2020, 40(3):119-128.

DOI

[11]
冯捷蕴. 北京旅游目的地形象的感知——中西方旅游者博客的多维话语分析[J]. 旅游学刊, 2011, 26(9):19-28.

[12]
于静, 李君轶. 微博营销信息的时空扩散模式研究——以曲江文旅为例[J]. 经济地理, 2013, 33(9):6-12.

[13]
周欣琪, 郝小斐. 故宫的雪:官方微博传播路径与旅游吸引物建构研究[J]. 旅游学刊, 2018, 33(10):51-62.

[14]
唐佳, 李君轶. 基于微博大数据的西安国内游客日内时间分布模式研究[J]. 人文地理, 2016, 31(3):151-160.

[15]
闫闪闪, 梁留科, 索志辉, 等. 基于大数据的洛阳市旅游流时空分布特征[J]. 经济地理, 2017, 37(8):216-224.

[16]
陈晓艳, 张子昂, 胡小海, 等. 微博签到大数据中旅游景区客流波动特征分析——以南京市钟山风景名胜区为例[J]. 经济地理, 2018, 38(9):206-214.

DOI

[17]
徐敏, 黄震方, 曹芳东, 等. 基于大数据分析的城市旅游地网络结构特征及其演化模式——以新浪微博签到数据为例[J]. 地理研究, 2019, 38(4):937-949.

DOI

[18]
2018中国城市会展业竞争力指数发布会暨国际会展功能区(集聚区)高端论坛在蓉隆重举行——权威发布《2017年度全国城市会展业竞争力指数研究成果》[J]. 中国会展, 2018(23): 98-99.

[19]
王云龙. 会展活动与旅游活动的比较——兼论会展旅游概念的界定[J]. 旅游学刊, 2003(5):47-51.

[20]
麻学锋, 刘玉林. 旅游产业成长与城市空间形态演变的关系——以张家界为例[J]. 经济地理, 2019, 39(5):226-234.

[21]
刘中艳, 罗琼. 省域城市旅游竞争力测度与评价——以湖南省为例[J]. 经济地理, 2015, 35(4):186-192.

[22]
张晓梅, 程绍文, 刘晓蕾, 等. 古城旅游地网络关注度时空特征及其影响因素——以平遥古城为例[J]. 经济地理, 2016, 36(7):196-202,207.

[23]
李佳洺, 陆大道, 徐成东, 等. 胡焕庸线两侧人口的空间分异性及其变化[J]. 地理学报, 2017, 72(1):148-160.

DOI

[24]
任国岩. 长三角会展场馆空间集聚特征及影响因素[J]. 经济地理, 2014, 34(9):86-92.

[25]
刘大均, 胡静, 程绍文, 等. 中国旅游微博空间分布格局及影响因素——以新浪旅游微博为例[J]. 地理科学, 2015, 35(6):717-724.

DOI

[26]
刘婷, 符纯洁, 韩雷. 中国城市会展产业发展水平影响因素的实证研究[J]. 统计与决策, 2011(9):106-109.

[27]
丛丽, 吴必虎, 寇昕. 北京市会议产业空间格局及其影响因素研究[J]. 经济地理, 2013, 33(5):77-83.

[28]
方忠权. 广州会展企业空间集聚特征与影响因素[J]. 地理学报, 2013, 68(4):464-476.

[29]
付向阳, 黄涛珍. 内蒙古旅游经济影响因素的灰色关联分析[J]. 统计与决策, 2015(3):142-145.

Options
文章导航

/

〈 〉