EN中文

经济地理 >

2025 , Vol. 45 >Issue 8: 207 - 218

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.08.021

旅游经济与管理

中国城市虚拟旅游流网络的时空演化及驱动因素

  • 毛润泽 ,
  • 邵靓杰 ,
  • 刘震 , ※
展开
  • 上海师范大学 旅游学院，中国 上海 200234
※刘震（1993—），男，博士，讲师，研究方向为旅游经济。E-mail：

毛润泽（1976—），男，博士，副教授，硕士生导师，研究方向为旅游产业经济、休闲管理。E-mail：

收稿日期: 2025-03-07

  修回日期: 2025-07-06

  网络出版日期: 2025-10-10

基金资助

教育部人文社会科学研究规划基金项目(24YJA790060)

收起

Spatiotemporal Evolution and Driving Factors of Virtual Tourism Flow Networks in Chinese Cities

  • MAO Runze ,
  • SHAO Liangjie ,
  • LIU Zhen , ※
Expand
  • College of Tourism，Shanghai Normal University，Shanghai 200234，China

Received date: 2025-03-07

  Revised date: 2025-07-06

  Online published: 2025-10-10

Fold

摘要

数字经济环境下，厘清虚拟旅游流的时空演化机制对优化旅游资源配置、促进双循环格局构建具有重要意义。文章基于2011—2022年中国285个城市的旅游搜索指数数据，运用社会网络分析与QAP回归方法，系统分析了虚拟旅游流网络的动态演化规律及其驱动因素。研究发现：①在整体网络层面，虚拟旅游流网络呈现出“扩张—极化—重构”3个阶段演化特征，网络结构从稀疏单核向复杂多核演进，网络密度在2018年达峰值，但之后受新冠疫情冲击断崖式下滑；②在个体网络层面，东部核心城市仍占据主导地位，但中西部城市的网络融入态势日益显著，与其他城市的旅游信息交流不断增强；③核心—边缘分析显示虚拟旅游流由核心城市向边缘城市扩展，城市间联系整体趋于紧密，凝聚子群分析进一步揭示，虚拟旅游流网络逐步突破地域限制，构建起跨区域高可达性结构，同时仍保留一定地理空间特征。④移动设备普及度与市场规模是驱动虚拟旅游流网络演化的主要因素，且其影响效应逐年增强。对不同区域而言，西部地区网络演化更依赖通信基础设施的支撑，而东部地区则主要受市场规模的影响。

关键词： 虚拟旅游流; 时空演化; 社会网络分析; 驱动因素; TOE框架

本文引用格式

毛润泽 , 邵靓杰 , 刘震 . 中国城市虚拟旅游流网络的时空演化及驱动因素[J]. 经济地理, 2025 , 45(8) : 207 -218 . DOI: 10.15957/j.cnki.jjdl.2025.08.021

Abstract

In the context of the digital economy, understanding the spatiotemporal evolution mechanisms of virtual tourism flow is crucial for optimizing tourism resource allocation and facilitating the dual circulation pattern. Based on the tourism search index data of 285 prefecture-level cities in China from 2011 to 2022, this study utilizes the methods of social network analysis and QAP regression to systematically examine the dynamic evolution patterns and driving mechanisms of virtual tourism flow networks from the perspectives of TOE framework. The findings are as follows: 1) The virtual tourism flow network exhibits a three-phase evolutionary pattern of "expansion-polarization-reconstruction". The network structure evolves from a sparse single-core configuration to a more complex multi-core structure, the network density peaked in 2018, but subsequently experienced a cliff-like decline due to the impact of the COVID-19 pandemic. 2) The virtual tourism flow network of eastern core cities still hold a dominant position. The network integration of cities in central and western regions has significantly increased, with growing exchanges of tourism information with other cities. 3) The virtual tourism flows expand from core cities to peripheral cities, with overall intercity connections becoming more cohesive. Cohesive subgroup analysis further reveals that the virtual tourism flow network is gradually overcoming geographical constraints to form a cross-regional, highly accessible structure, while still retaining certain spatial characteristics. 4) The popularity of mobile devices and market scale are key driving factors of the evolution of virtual tourism flow network. Their effects have gradually intensified over time. Regionally, network development in western China relies more heavily on communication infrastructure, whereas the virtual tourism flow network of eastern regions benefit mainly from larger market size.

Key words： virtual tourism flow; spatiotemporal evolution; social network analysis; driving factors; TOE framework

《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》明确提出坚定实施扩大内需战略、培育完整内需体系，是加快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的必然选择。党的二十届三中全会进一步提出加快培育完整内需体系。作为民生产业，旅游业在培育消费新业态、激发内需潜能方面具有重要作用。不同于一般性消费，旅游消费具有显著的产业关联和空间流动特征，能够促进区域间的需求转移和市场联动[1]。有效释放旅游消费需求，实现旅游供给与需求的有效对接，不仅有利于增强国内市场活力，促进消费结构升级，而且有利于优化资源配置，促进区域经济的平衡发展。因此，如何有效引导旅游需求的空间适配，对于全面释放旅游消费红利、推动我国经济增长动能转换具有重要意义。
数字经济时代，以互联网为基础的信息技术凭借其高效的信息传递功能，正深刻改变着人们的消费模式与旅游生产方式，为增强不同地区旅游业之间的互联互通创造了契机。2020年，文化和旅游部等10部委在《关于深化“互联网+旅游”推动旅游业高质量发展的意见》中明确指出，要以数字赋能推动旅游生产方式、服务方式、管理模式创新；《中国数字经济发展研究报告（2024年）》进一步强调要通过数据要素加速赋能文化旅游，推广中国特色文化，提升旅游质量。在数据要素的驱动下，虚拟旅游流作为一种新兴的网络数据形态，通过互联网平台上的旅游信息传播行为逐步形成，并构建起城市间的旅游信息交互关系网络[2]。相较于实体旅游流侧重于反映游客的实际空间移动，虚拟旅游流则以网络搜索数据为载体，体现出旅游者对潜在目的地的关注与出行意愿，具有更强的意向性与前瞻性。通过分析虚拟旅游流网络的动态变化，可以有效揭示城市间旅游联系的强度、方向及空间格局，并为区域旅游协同发展、资源配置优化以及精准化政策干预提供科学依据，从而推动旅游经济高质量发展。
目前，尽管已有研究在虚拟旅游流网络的特征和影响因素等方面取得了一定进展，但从城市层面系统探讨其时空演化过程及驱动因素方面的研究仍较缺乏。鉴于此，本文基于2011—2022年中国285个城市的旅游信息搜索量，通过社会网络分析方法，探讨城市层面虚拟旅游流的时空演化特征与驱动因素，以期为优化旅游资源配置、促进双循环格局构建和高质量发展提供理论支撑和实证借鉴。

1 文献综述

旅游流是指在特定时间内旅游者从起点到目的地的移动集合，是旅游地理学的重要研究对象，对揭示旅游活动的空间格局和市场动态具有重要意义[3]。在此基础上，旅游流网络进一步聚焦于旅游流的整体结构和空间关联，通过连接起点与目的地，展现出旅游活动的时空组织特征与复杂互动关系。关于此方面的研究，主要包含以下几个方面：一是，在网络结构分析方面，学者们采用GIS技术和社会网络分析方法，揭示了我国旅游流网络的核心—边缘结构[4]；二是，在时空演化研究方面，既有文献发现旅游流网络具有显著的季节性变化和时空动态规律[5]；三是，在驱动因素探讨方面，旅游目的地的资源禀赋、地理邻接度以及交通可达性等因素对旅游流网络的形成与演化具有重要影响[6]。此外，部分学者开始关注细分市场游客（如生态旅游、文化旅游）旅游流网络结构的演化特征与驱动机制[7]，并发现数字技术的发展显著改变了旅游流的流动形式和空间结构。
数字技术渗透加快了旅游业的数字化转型，推动了虚拟旅游流的形成与发展。国外研究不仅利用搜索数据深入剖析游客的行为模式[8]，而且以此为基础通过机器学习方法对游客意向与偏好进行建模，提升旅游需求预测的准确性[9]。在国内的研究中，路紫等认为旅游网络信息流对实际旅游客流具有导引作用[10]。在测度方法上，不同学者依托百度指数等大数据平台，实现从现象描述到模型化定量分析的方法转型，如李山等验证网络关注度的客流量预测功能[11]，杨勇等构建了虚拟旅游吸引力与出游潜力指标[12]。在时空演化层面，既有主要从省际和城市群层面讨论虚拟旅游流网络的—空间结构，并揭示了“东强西弱、中部次之”的信息流向格局[13]；同时，通过长三角等典型案例解析都市圈内部虚拟旅游流网络的空间分布、流动特征及其关键驱动因素[2]，对单个城市或景点的网络关注度进行探索[14]，凸显了虚拟旅游流动态演化中的多尺度空间分异与结构复杂性。在驱动因素方面，学者们普遍认为，经济发展水平、旅游资源禀赋、基础设施建设和时空邻近性等因素是虚拟旅游流网络结构演变的重要驱动力[15]。此外，已有研究还评估了虚拟旅游流对旅游经济发展的影响，并发现数字信息交互在提升目的地旅游经济水平和推动旅游目的地产业结构转型发挥了重要作用[16-17]。
在数字化背景下，虚拟旅游流网络的形成与演化不仅受技术进步的直接推动，还与城市自身的发展特点以及外部环境密切相关。TOE理论为分析其驱动因素提供了一个系统性的理论框架，用于解释组织在技术采纳过程中的驱动机制，目前已广泛应用于探讨创新技术是否被组织采纳[18]。该理论强调技术（Technology）、组织（Organization）和外部环境（Environment）三大维度的协同作用[19]，其中，技术维度关注城市的信息基础设施条件；组织维度反映城市的经济发展与旅游市场供需潜力；环境维度则强调空间距离、资源禀赋及交通等外部条件，这些因素虽不直接决定信息互动行为，却对城市间联系的通达性、协同性和限制性具有显著影响[20]。
基于已有文献可以发现，虚拟旅游流网络通过刻画区域间的旅游信息互动关系，能够系统揭示虚拟旅游流的空间关联特性及网络结构[21]。然而，既有研究只在省级和特定区域对虚拟旅游流的网络演化进行了初步探索，缺乏对城市层面的系统分析，且多停留在单一时间节点的数据，缺乏对虚拟旅游流网络动态变化的长期观察，难以全面揭示其在全国范围内的结构演化特征。此外，关于虚拟旅游流网络驱动机制的研究相对薄弱，且缺乏统一分析框架。因此，本研究基于2011—2022年中国城市层面的旅游信息搜索数据，分析城市层面虚拟旅游流网络的时空演化特征，并引入TOE理论，从技术、组织、环境3个层面分时段分区域地讨论了中国城市虚拟旅游流网络演化的多元驱动因素，有助于进一步丰富该理论的研究。

2 研究设计

2.1 虚拟旅游流网络构建

百度作为全球最具权威性的中文搜索引擎，长期稳居中国市场领导地位，拥有较大的市场份额。相较于其他搜索引擎，百度指数不仅能够反映全国用户对某一关键词的搜索量，还能通过用户IP定位，获取不同城市对单个城市的搜索量数据，从而更有效地呈现城市之间的旅游信息交互关系。
鉴于本文旨在探讨虚拟旅游流网络的演化特征，关键词的科学设定对于研究的有效性具有关键意义。本文采用杨勇等[12]的做法，首先从“吃住行游购娱”六大维度筛选关键词，在剔除未收录或收录时段不完整的关键词后，以“城市名+旅游”与“城市名+景点”为核心检索词，对2011—2022年285个城市 ① 之间的搜索指数进行采集，并将这两类关键词搜索量的总和作为旅游流，共获得1949400条数据。在此基础上，本文以各城市为节点，旅游信息流为边，构建城市层面的虚拟旅游流网络，最终得到2011—2022年285×285的非对称虚拟旅游流网络矩阵。
具体而言，本文参考张曦等的做法[22]，以2011年为基准，将当年城市间的旅游信息搜索量的均值作为切分值。若两个城市间的搜索量大于该值，则视为其存在较强的信息流动关系，赋值为1；反之则认为两个城市间的信息流动关系较弱，可以忽略，赋值为0。由此构建出各年份的有向虚拟旅游流网络二值矩阵。

2.2 研究方法

作为一种科学的研究方法，社会网络分析法能够基于虚拟旅游流构建的城市网络，有效分析不同城市间的复杂关系，并捕捉其动态演变特征[23]，本文通过UCINET软件进行计算分析。

2.2.1 整体网络分析

网络密度由网络中节点间的连线数量计算，从整体上判断各个节点之间的联系密切程度[24]。其计算公式如下：
D = 2 l n ( n - 1 )
式中：D代表网络密度； n代表网络中的节点总量； l代表网络中实际拥有的关系数。
网络效率反映的是虚拟旅游流空间关联网络中各城市之间的连接效率，网络效率越高，城市之间的连线就越少，空间网络就越疏松[25]。计算公式如下：
E = 1 - M m a x M
式中：E为网络效率；M为网络中多余线的数量； m a x M为最大可能多余线的数量。

2.2.2 个体网络分析

中心度是社会网络分析方法中的核心内容，包含了度数中心度、接近中心度和中介中心度等3个方面。其中，度数中心度用来揭示哪些节点城市在网络中处于中心地位，分为出度和入度。计算公式如下：
C R D ( i ) = d ( i )
式中： d ( i )表示与节点i相连的边的数量。
接近中心度反映各节点的网络居中程度，分为内向接近中心度和外向接近中心度。计算公式如下：
C R P ( i ) = ∑ j = 1 n d i j n - 1
式中： d i j为节点 i到 j的最短路径长度； n为网络节点数。
中介中心度则是节点城市对虚拟旅游流的控制能力的反映，计算公式如下：
C R B ( i ) = 2 ∑ ∑ g j k ( i ) / g j k n 2 - 3 n + 2
式中： j≠ k≠ i，且 j< k； n为网络节点数； g j k为节点 j与 k之间的路径数量； g j k i为节点 j与 k之间经过点 i的路径数量。

2.2.3 凝聚子群与核心边缘分析

当两地之间的虚拟旅游流联系极为紧密时，它们会自然聚合成一个次级社群，这个社群被称为“凝聚子群”。凝聚子群分析可以挖掘虚拟旅游流分布格局潜在的空间结构特征，找到虚拟旅游流中凝聚子群的个数以及每个凝聚子群包含的城市[26]。
核心—边缘分析将参与主体划分为核心行动者和边缘行动者两类，本文采用“核心—边缘”模型及密度矩阵分析各城市在网络中的地位。

2.2.4 QAP分析

旅游流作为一种网络关系数据，在采用传统回归分析方法探讨其驱动因素时，常会遇到数据多重共线性的挑战，而QAP方法已被验证为有效解决这一问题的有力工具。

2.3 驱动因素的定义与测度

本文基于TOE框架，从技术、组织、环境维度进行变量选取（图1）。其中，技术层面聚焦技术基础设施与数字化能力对虚拟旅游流网络演化的基础支撑作用，组织层面关注城市内部特征的动态调控，而环境层面则包括地理空间与制度因素等外部条件。驱动因素指标选取及说明见表1。
图1 基于TOE框架的驱动因素

Fig.1 Driving factors based on the TOE framework

表1 驱动因素指标选取及说明

Tab.1 Index selection of driving factors and their explanations

类别 变量 变量定义 测度方式 数据来源
技术 Mob 移动设备普及度 每百人移动电话数量差异矩阵 《中国城市统计年鉴》《中国统计年鉴》，各省（区、市）统计年鉴、国民经济和社会发展统计公报、文化和旅游厅（局）官方发布的数据
Int 互联网普及度 每百人互联网接入数差异矩阵
Com 通信业务水平 人均电信业务总量差异矩阵
组织 Eco 经济发展水平 人均GDP 差异矩阵
Peo 市场规模 常住人口差异矩阵
Gov 政府干预程度 财政支出占GDP比重差异矩阵
环境 Tou 旅游资源禀赋 旅游资源差异矩阵
Tra 交通便捷度 公路密度差异矩阵
Dis 地理临近性 城市间距离差异矩阵 ArcGIS软件测得
技术层面因素包括移动设备普及度、互联网普及度和通信业务水平，具体而言：①移动电话年末用户数作为衡量移动设备普及度的重要指标，直接反映居民使用手机进行旅游信息搜索的能力和频率。②互联网宽带接入数是衡量互联网普及度的重要指标，其普及程度提升了信息传播的速度和范围，增强了虚拟旅游流的覆盖性[27]。③电信业务总量反映一个地区的通信业务水平，较高的电信业务总量通常意味着更完善的通信基础设施和更强的信息流动能力。
组织层面因素包括市场规模、经济发展水平和政府干预程度，具体而言：①市场规模是旅游需求的基本构成要素，人口规模可作为直接表征指标，常住人口越多，潜在旅游需求越大[28]。②经济发展水平决定了居民消费能力，进而影响在线旅游搜索频率[29]，本文以人均GDP来衡量。③政府干预程度作为宏观调控手段，通过制定规划和管理措施影响虚拟旅游流网络的发展，本文通过财政支出占GDP的比重表征[30]。
环境层面因素包括交通便捷度、地理临近性和旅游资源禀赋，具体而言：①便捷的交通网络能够有效降低游客的心理感知距离，进而提升其在线搜索旅游信息的意愿，通过单位面积公路里程数来表征[31]。②地理临近性通过城市间的直线距离数据进行计算，旅游流遵循距离衰减规律，空间距离的增大往往会减少旅游信息的传播范围和游客的出游意愿[32]。③丰富的旅游资源能有效吸引游客并激发旅游需求。旅游资源禀赋通过对世界遗产地、国家级风景名胜区和4A级及以上旅游景区数量加权计算评估[33]。统计数据中部分缺失数据采用插值法进行处理。

3 时空演化特征分析

3.1 整体网络结构特征演变

本文选取2011、2015、2019和2022年4个不同时间截面，借助Gephi软件绘制虚拟旅游流网络图（图2），图中不同色块被用于直观呈现各城市与其他城市建立强连接关系的数量情况。从时序演化来看，2011—2019年空间关联总数逐年上升，中国城市虚拟旅游流网络结构由简单到复杂、由稀疏到稠密不断演变，且网络中心逐渐分散，到2022年网络搜索量大大降低。可能的原因是，一方面新冠疫情使人们出行受限，降低了旅游意愿与搜索频率；另一方面，随着旅游业数字化发展，用户获取信息的渠道更加多元，社交媒体与在线旅行平台更能满足个性化需求，导致使用百度进行旅游搜索的人数减少。
图2 中国城市虚拟旅游流网络演化

Fig.2 Evolution of the virtual tourism flow network of Chinese cities

由图3可知，网络密度和网络关系数总体呈波动上升趋势，反映出随着时间推移，网络结构逐步完善，具有强搜索关系的城市对数量逐步增加，但2018年达到峰值后逐渐下降，尤其是在2020年出现了显著的断崖式下滑。这主要是由于新冠疫情导致旅游活动大幅减少，居民出行意愿和旅游相关搜索需求急剧下降。同时，严格的新冠疫情防控措施和不确定的出行政策进一步抑制了潜在游客对旅游计划的兴趣。值得注意的是，虽然2019年整体旅游搜索指数达到了峰值，网络密度却较2018年有所下降。这是因为二值化处理仅保留城市间搜索量超过基期均值的连线，部分城市间强搜索关系数量却有所减少，导致网络密度下降。然而，网络效率与网络密度相反，整体上呈逐年下降趋势，表明网络中连线增多，结构逐渐复杂，网络的稳定性得以提升。
图3 中国城市虚拟旅游流网络整体特征演变趋势

Fig.3 Overall characteristic evolution of the virtual tourism flow network of Chinese cities

3.2 个体网络结构特征演变

本文选取2011、2015、2019和2022年4个不同时间截面，采用度数中心度、中介中心度、接近中心度指标分析城市虚拟旅游流的个体网络演化特征。
①出度中心度和入度中心度分别衡量城市的吸引与扩散水平（图4）。首先，2011—2022年各城市出入度显著上升，2019年达到顶峰，表明城市间连接性增强，潜在游客增加。其次，从区域来看，东部城市如北京、上海、广州始终占据核心地位，中西部地区则增长显著。这一现象的出现，一方面得益于东部地区长期积累的经济和信息基础优势，另一方面也反映出中西部地区在交通改善、数字化建设共同推动下与其他城市间的旅游信息互动能力不断增强。最后，从城市来看，北京、上海等城市是全国虚拟旅游流集散中心，而临沂、石嘴山等城市相对边缘化；石家庄、郑州输出能力强但吸引力弱，黄山、张家界则吸引力强但输出能力有限，揭示了城市间旅游流的非对称性。
图4 中国城市虚拟旅游流网络的度数中心度空间分布演化

注：基于自然资源部国家地理信息公共服务平台下载的审图号为GS（2024）0650号的标准地图制作，底图边界无修改。图5、图6同。

Fig.4 Evolution of degree centrality of the virtual tourism flow network of Chinese cities

②中介中心度越高则“桥梁”作用越显著（图5）。首先，2011—2022年各城市中介中心度逐渐增加，城市间差距缩小，虚拟旅游流网络趋于平衡。其次，从区域看，中介中心度未出现明显区域差异；最后，从城市看，上海、北京等城市中介中心度高，辐射带动作用显著，克拉玛依、白山等城市则中介中心度低，需加强与其他城市联系以促进旅游业发展。
图5 中国城市虚拟旅游流网络的中介中心度空间分布演化

Fig.5 Evolution of betweenness centrality of the virtual tourism flow network of Chinese cities

连接越快速高效（图6）。首先，从整体来看，内向与外向接近中心度均呈上升趋势，且分布均衡。其次，从区域来看，内向接近中心度不明显，外向接近中心度则更聚焦于东部及中西部发达城市，这些城市在数字基础设施、信息发布渠道和内容生产能力方面具有优势，能够更高效地将本地旅游信息传播至外部网络空间。最后，从城市来看，在观测期内旅游热门城市及一线城市如北京、上海等具有较高的接近中心度，同时武汉、成都等城市的接近中心度水平也不断提升，说明这些城市的影响力和辐射能力不断增强。
图6 中国城市虚拟旅游流网络的接近中心度空间分布演化

Fig.6 Evolution of closeness centrality of the virtual tourism flow network of Chinese cities

3.3 核心边缘结构特征演变

本文对2011、2015、2019、2022年虚拟旅游流网络进行核心边缘分析，并计算核心区与边缘区的网络密度（表2）。从时间上看，2011—2022年虚拟旅游流核心区城市数量不断增加，从152个增加到185个，而边缘区的城市数量则从133个减少到100个，体现了潜在旅游者从核心城市向边缘城市扩展搜索的趋势。
表2 中国城市虚拟旅游流网络的核心—边缘密度矩阵

Tab.2 Core-periphery density matrix of the virtual tourism flow network of Chinese cities

密度矩阵 2011 2015 2019 2022
核心区 边缘区 核心区 边缘区 核心区 边缘区 核心区 边缘区
核心区 0.387 0.021 0.367 0.061 0.416 0.085 0.224 0.034
边缘区 0.159 0.008 0.124 0.026 0.157 0.026 0.042 0.006
城市数量（个） 152 133 179 106 185 100 185 100
从空间上看：①核心区内部密度由2011年的0.387下降至2015年的0.367，2019年回升至0.416，表明核心城市间的信息流动日趋紧密。但2022年密度骤降至0.224，反映出核心城市间的联系在这一年中显著减弱，这一方面是受新冠疫情影响，另一方面可能由于旅游信息分散或核心区城市竞争加剧。②边缘区内部密度始终较低，从2011年的0.008缓慢上升至2015年的0.026，2019年后基本停滞，2022年微降至0.006，说明边缘城市间的旅游信息联系持续薄弱，提升趋势不明显。③核心区对边缘区的联系密度持续增强，从2011年的0.021上升至2019年的0.085，表明潜在游客由核心城市向边缘城市扩散。但2022年回落至0.034，显示其带动作用减弱。④边缘区对核心区的联系密度从2011年的0.159下降至2022年的0.042，说明边缘城市对核心城市的依赖减弱，反映出边缘城市在吸引潜在旅游者方面的独立性有所提高。

3.4 凝聚子群特征演变

本文通过凝聚子群分析，发现那些存在紧密联系的城市集合。将最大重复数设定为25，最大切分深度设定为3，集中标准设定为0.2时，能够较好地反映网络城市间的联系，且拟合优度达到0.562，故本文将全国285个城市划分为8个凝聚子群，并绘制2011、2015、2019和2022年中国城市虚拟旅游流网络的凝聚子群关系图（图7）。具体特征如下：
图7 中国城市虚拟旅游流网络的凝聚子群关系演化

Fig.7 Evolution of cohesive subgroup relationships of the virtual tourism flow network of Chinese cities

从空间上看，城市虚拟旅游流网络的凝聚子群在4个年份中均呈现以子群Ⅰ为中心的结构。子群Ⅰ主要由北京、上海等核心城市构成，在网络中发挥引领作用，其他子群则以其为依托，形成具有明显地域特征的结构。值得注意的是，内部联系强度越高的子群，其城市间的地理临近性往往越不明显，这一现象在子群Ⅰ中尤为显著，尽管该子群所涵盖的城市在空间上高度分散，却凭借在旅游、经济、政策及交通等多领域的领先地位，构建了强大的跨地域互联网络，有力证明了在高度互联的虚拟旅游流网络中，城市间关系已超越传统地域界限，相较之下，其他子群仍保留一定地域特性。整体而言，虚拟旅游流网络有效弱化了地域分割，极大地提升了城市间的可达性，但并未完全摆脱地理空间的制约，密度较高的凝聚子群依旧集中在东部及中部地区，西部地区不同子群中城市间的联系相对较弱。进一步观察时间维度上的变化，2011—2019年子群间联系显著增强。起初，西北偏远地区仍存在孤立子群，反映了信息互动的不均衡；随后，网络连接不断深化，孤立现象逐渐消失，形成了更为紧密且广泛的联系网络；至2022年，新冠疫情冲击导致这一趋势暂时受阻，子群间联系强度有所减弱。

4 驱动因素分析

本文分别对技术、组织、环境3个维度中的9个变量进行QAP相关性分析和回归分析，进一步分析城市虚拟旅游流网络演化的驱动因素。

4.1 QAP相关分析

参考李敬等的研究[34]，本文将样本内各城市相应的变量取平均值，构建各变量平均值的差异矩阵。在进行QAP回归分析之前，首先使用QAP相关性模型考察各因素与虚拟旅游流网络的相关性，随机置换次数为5000次，结果见表3。从中发现，交通便捷度和旅游资源禀赋在10%显著性水平上通过检验，其他变量均在1%水平上显著，表明所选因素与虚拟旅游流网络关系密切，为后续分析奠定了基础。
表3 QAP相关分析结果

Tab.3 Results of QAP correlation analysis

类别 变量 相关系数
技术 Mob 0.208***
Int 0.189***
Com 0.218***
组织 Eco 0.133***
Peo 0.218***
Gov -0.114***
环境 Tou 0.058*
Tra 0.021*
Dis -0.269***

注：*、**、***分别表示在10%、5%、1%显著性水平下显著。表4~表6同。

4.2 QAP回归分析

根据已有经验，QAP回归模型的R2值通常介于0.125~0.404之间，本文针对整体、分时段及分区域的回归分析结果表明，各模型的拟合优度均适中。为消除变量量纲差异的影响，提升不同变量影响结果间的可比性与解释力，本文采用标准化回归系数进行分析。

4.2.1 整体回归分析

本文对整体进行QAP回归分析，采用逐步回归法，依次纳入技术、组织和环境3组自变量（表4）。结果显示，前两组变量单独进入模型时，R²较低，说明单一维度因素难以全面解释网络演化的复杂性。当3组变量共同纳入后，模型的拟合度显著提升，表明虚拟旅游流网络演化是多维因素共同作用的结果。
表4 整体QAP回归分析结果

Tab.4 Results of overall QAP regression analysis

类别 变量 回归模型1 回归模型2 回归模型3
技术 Mob 0.104*** 0.065*** 0.103***
Int 0.038* 0.030* 0.025*
Com 0.135*** 0.102*** 0.121***
组织 Eco 0.057*** 0.041**
Peo 0.165*** 0.154***
Gov -0.122*** -0.083***
环境 Tou 0.033*
Tra 0.021
Dis -0.287***
R2 0.058 0.087 0.181
①在技术层面，移动设备普及度和通信业务水平对虚拟旅游流网络演化有显著正向作用，且回归系数较高，表明随着移动设备的普及和通信技术的进步，城市间的搜索量显著增加。相比之下，互联网普及度虽有显著的正向影响，但系数较低，可能是因为人们在搜索旅游信息时更依赖移动设备而非传统的固定互联网接入。
②在组织层面，市场规模、经济发展水平和政府干预程度均对虚拟旅游流网络演化有显著影响。市场规模较大的城市不仅能吸引更多潜在游客，同时也产生更高的旅游需求。此外，较高的经济发展水平为这些城市提供了更完善的基础设施和经济条件，既能够吸引外部游客的参与，也能够促进本地居民的旅游需求。然而，政府预程度的提升会在一定程度上限制虚拟旅游流的自由发展。
③在环境层面，旅游资源禀赋对虚拟旅游流呈现显著但较弱的正向影响。这表明旅游资源在旅游活动中占据重要地位，但在互联网时代，游客已不再高度依赖传统的A级旅游景区，新兴旅游资源逐渐成为主导。交通便捷度指标未达到显著性，可能是由于越来越多游客倾向于通过高铁和飞机进行跨区域出行。相比之下，地理临近性则表现出显著性影响，地理接近的城市间信息流动更频繁。

4.2.2 分时段回归分析

本文分时段进行QAP回归分析（表5）。该分析旨在揭示虚拟旅游流网络中各因素的作用机制如何随着时间的推移发生变化。
表5 分时段QAP回归分析结果

Tab.5 Results of time-segment QAP regression analysis

类别 变量 2011 2015 2019 2022
技术 Mob 0.046** 0.118*** 0.129*** 0.143***
Int 0.064** 0.022 0.032 0.035
Com 0.148*** 0.134*** 0.120*** 0.057***
组织 Eco 0.017* 0.059*** 0.093*** 0.005
Peo 0.117*** 0.137*** 0.149*** 0.180***
Gov 0.093*** 0.077*** 0.099*** -0.045*
环境 Tou 0.071*** 0.079*** 0.061** 0.080***
Tra 0.033** 0.051 0.055 0.062***
Dis 0.224*** 0.314*** 0.316*** 0.243***
R2 0.139 0.212 0.233 0.138
在技术层面，移动设备普及度和通信业务水平在各年份中均驱动了虚拟旅游流网络的演化。具体而言：①移动设备的影响力逐年增强，其回归系数的持续上升，这反映出人们对移动设备在旅游信息搜索与获取中的依赖度不断提高。②通信业务水平虽然对虚拟旅游流网络演化起到促进作用，但其影响逐年递减，可能与通信技术的成熟有关，初期的快速发展推动了虚拟旅游流网络的形成，但随着基础设施的完善，其对网络结构的边际优化作用逐渐减弱。③互联网普及度仅在2011年对虚拟旅游流网络的演化产生显著影响，表明其在早期阶段为网络的扩展提供了动力，但随着互联网的广泛覆盖，人们更多依赖移动设备进行旅游搜索。
在组织层面：①市场规模在各个年份均对虚拟旅游流网络产生显著影响，且回归系数逐年上升，表明其在虚拟旅游流网络演化中的作用愈发突出。②政府干预程度的影响相对稳定，说明政策调控对虚拟旅游流网络的结构和演化形成了一定的限制。③经济发展水平在2015年和2019年对虚拟旅游流网络的流向表现出显著的引导作用，说明区域经济发展的作用逐渐凸显。
在环境层面：①地理邻近性在各年份对虚拟旅游流网络均产生了显著负向影响且回归系数较高，在2019年影响最大。②旅游资源禀赋的影响相对稳定，一直以来都在一定程度上塑造着虚拟旅游流网络的结构。③交通便捷度在2011和2022年对虚拟旅游流网络产生了显著的正向影响，可能的原因是2011年高铁和飞机出行尚未完全普及，公路仍是游客出行的主要方式；到2015和2019年，铁路和航空的发展削弱了公路的影响；2022年受新冠疫情的影响，游客更倾向于周边游，公路密度的影响再次显现[35]。

4.2.3 分区域回归分析

考虑到地区发展、资源禀赋的差异性，本文又分区域进行了QAP回归分析，探讨相关因素在不同地区的作用机制（表6）。
表6 分区域QAP回归分析结果

Tab.6 Results of regional QAP regression analysis

类别 变量 东部 中部 西部
技术 Mob 0.004 0.027 0.052**
Int 0.104** 0.260*** 0.116**
Com 0.053 0.038 0.078**
组织 Eco 0.004 0.032** 0.010
Peo 0.057** 0.034 0.221***
Gov -0.009 -0.043 -0.106**
环境 Tou 0.083* 0.021 0.1033**
Tra 0.047** 0.022 0.007
Dis 0.359*** 0.514*** 0.400***
R2 0.143 0.345 0.243
在技术层面：①互联网普及度对中部地区的虚拟旅游流网络结构塑造作用最为显著，相比之下，其对东部地区的影响最小，可能是由于东部地区互联网普及率已处于较高水平，进一步提升对网络的边际影响减弱。②通信业务水平则主要推动西部地区虚拟旅游流网络的演化，其显著的正向作用表明，西部地区通信基础设施的改善有效增强了网络节点间的链接和网络结构的优化。③西部地区传统互联网接入条件较弱，居民对移动设备的依赖更高，因此移动设备普及度仅对西部地区有显著影响。
在组织层面：①经济发展水平仅对西部地区有显著的正向影响，说明由于西部地区整体经济基础较弱，经济水平的提升对网络连通性作用更为直接和显著。②市场规模对虚拟旅游流网络的影响存在显著的区域性差异，东部地区凭借庞大的市场规模，在网络的形成与扩展中占据了核心地位，而西部地区人口稀少，市场规模的增长同样促进了区域内部网络的连通性，并推动了虚拟旅游流向外拓展。③政府干预程度对西部地区的虚拟旅游流网络演化产生了抑制作用，在一定程度上限制了网络结构的自由调整和市场化演进。
在环境层面：①地理临近性对东、中、西部地区的虚拟旅游流网络均产生显著负向影响，且系数较高。②旅游资源禀赋对东、西部地区有显著正向影响，而中部地区的资源效应未通过显著性检验。③交通便捷度仅对东部地区产生显著影响，主要因为东部地区交通基础设施完善、城市联系紧密，便捷交通能有效促进旅游信息流动，而中西部地区地广人稀、交通水平滞后，便捷度提升对信息流动的促进作用有限。

5 结论与讨论

5.1 主要结论

本文基于2011—2022年中国285个城市百度搜索指数数据，运用社会网络分析方法与TOE理论框架，系统解析了虚拟旅游流网络的时空演化特征及多维驱动因素。主要结论如下：
①中国城市虚拟旅游流网络整体呈阶段性演化。网络密度呈现“波动上升—峰值下降”的非线性特征，2018年达到峰值后有所下降，2020起受新冠疫情冲击显著下滑。网络结构由稀疏单核向复杂多核演进，城市间信息流动效率与均衡性持续提升。
②中国城市虚拟旅游流网络区域协同与极化并存。个体网络分析显示，东部核心城市仍占主导，但中西部城市网络融入度显著增强。同时，输入导向型城市与输出导向型城市在旅游信息流动上呈现出明显的非对称性，揭示了虚拟旅游流个体网络的异质性特征。
③中国城市虚拟旅游流网络呈现小团体分化与动态重构特征。旅游信息搜索由核心区向边缘区扩散，边缘区独立性提升，旅游信息多中心化特征显现。同时凝聚子群分析发现核心城市群通过跨域连接打破地理壁垒，形成强辐射网络；西部子群则因基础设施滞后呈现“孤岛效应”，印证“数字鸿沟”对虚拟旅游流的空间制约。
④中国城市虚拟旅游流网络演化受技术、组织和环境共同驱动。移动设备普及度与市场规模为关键驱动力，地理临近性和政府干预程度呈显著抑制作用。分时段看，移动设备普及度的驱动效应逐年增强，市场规模的影响相对稳定且长期显著，资源禀赋的作用则呈现边际递减的趋势。分区域看，西部对技术因素的依赖更高，而东部则主要受组织层面的影响。

5.2 对策建议

根据上述结论，本文得到如下启示：
①增强虚拟旅游流网络韧性，优化信息流动环境。虚拟旅游流网络中城市间的联系水平经历新冠疫情冲击后显著下滑，亟需提升其稳定性与恢复力。地方政府应推动OTA平台与城市文旅部门合作，建立本地旅游智能推荐机制；鼓励景区开展短视频拍摄、实景直播、数字导览等线上推广活动，并通过补贴形式支持企业采购设备、培训线上运营人才，形成稳定的信息供给体系。
②推动区域协同发展，强化中西部城市的数字旅游竞争力。虚拟旅游流网络呈现区域协同与极化并存的特点，政府应鼓励东部城市与中西部城市开展平台联营，实现内容互推、用户共建，如在携程、美团上设立“成渝—长三角联合推广专区”；建议由文旅管理部门牵头，高校、企业和景区联合建立“文旅数字实验室”，形成内容共建、数据共享、技术孵化机制，推动信息流的高效传播与可达性。
③优化核心—边缘动态协同机制，促进信息流均衡分布。虚拟旅游流网络的演化过程中，核心城市与边缘城市间的协同机制至关重要。政府应通过精准推荐技术将部分核心城市游客引导至周边城市；边缘城市可通过打造地方IP、鼓励本地达人发布文旅短视频等方式增强曝光度，同时，政府可设立传播激励机制，如流量奖补、旅游内容创新大赛等，以激发各方积极性，提升旅游信息传播效果。④因地制宜提升数字化环境下的旅游吸引力，驱动虚拟旅游流网络高质量发展。根据虚拟旅游流的时空异质性，东部城市应发挥技术与市场优势，探索大模型、AIGC在旅游宣传与服务中的场景化应用，如用AI行程推荐、虚拟导游等；中西部城市则优先夯实基础，如建设文旅数据中心，以人工智能等新型数字化技术驱动旅游服务升级和数字化转型。

5.3 讨论

本文可能的边际贡献在于：①在理论框架上，将TOE理论引入虚拟旅游流网络的影响因素研究，作为适用于数字化条件下分析组织行为和技术应用的经典模型，TOE框架有助于从技术、组织与环境3个维度系统识别虚拟旅游流的驱动因素，拓展了TOE理论在旅游领域的应用边界，弥补了传统旅游流研究在数字化语境下解释力不足的问题。②在研究方法上，考虑到虚拟旅游流具有复杂的网络结构特征，本文采用社会网络分析方法，突破了以往仅关注虚拟旅游流规模与特征的研究范式，系统揭示了地区间旅游信息流动的结构特征与互动机制，丰富和拓展了虚拟旅游流研究的理论视野。③在数据应用上，本文基于2011—2022年285个城市的长期动态数据，克服了以往研究对省际或区域尺度依赖较强、缺乏微观动态演变分析的问题，提供了虚拟旅游流在数据层面的参考与借鉴。
尽管本文在理论与实证层面均进行了系统探讨，但仍存在以下不足之处：①本文以百度搜索指数为主要数据源，但随着旅游信息获取渠道的多元化，抖音、小红书等社交媒体平台逐渐成为游客获取旅游信息的重要渠道。未来研究可以进一步拓展数据来源，分析社交媒体环境下虚拟旅游流网络的演化特征。②本文主要聚焦于虚拟旅游流网络的结构演化及驱动因素分析，尚未深入探讨虚拟旅游流网络对实际旅游流动或地方旅游产业竞争力的具体影响，未来研究可以此为基础，进一步深化对虚拟旅游流影响效应的相关研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
王佳莹, 张辉. 中国旅游业高质量发展的现实逻辑与战略路径[J]. 旅游学刊, 2024, 39(12):17-28.

[2]
杜家禛, 徐菁, 靳诚. 基于百度指数的长江三角洲虚拟旅游流流动特征和影响因素分析[J]. 长江流域资源与环境, 2021, 30(2):290-301.

[3]
马丽君, 梁逍遥. 入境旅游流循环质量的网络结构及影响因素[J]. 资源科学, 2024, 46(11):2321-2333.

DOI

[4]
王佳红, 袁媛, 杨洪波, 等. 城郊生态旅游流网络结构特征与集聚联动模式研究——以北京市为例[J]. 地理科学进展, 2024, 43(10):2052-2066.

DOI

[5]
Mou N, Yuan R, Yang T, et al. Exploring spatio-temporal changes of city inbound tourism flow:The case of Shanghai,China[J]. Tourism Management, 2020,76:103955.

[6]
李爽, 刘静静, 安康. 基于线上数据的中国省域旅游流网络结构特征与空间效应研究[J]. 统计与信息论坛, 2023, 38(1):116-128.

[7]
王金伟, 王国权, 刘乙, 等. 井冈山红色旅游流时空分布及网络结构特征[J]. 自然资源学报, 2021, 36(7):1777-1791.

DOI

[8]
Ruan W Q, Zhang S N. Can tourism information flow enhance regional tourism economic linkages?[J]. Journal of Hospitality and Tourism Management, 2021,49:614-623.

[9]
Zhang Y S, Li G, Muskat B, et al. Tourism demand forecasting:A decomposed deep learning approach[J]. Journal of Travel Research, 2021, 60(5):981-997.

[10]
路紫, 匙芳, 王然, 等. 中国现实地理空间与虚拟网络空间的比较[J]. 地理科学, 2008, 28(5):601-606.

[11]
李山, 邱荣旭, 陈玲. 基于百度指数的旅游景区网络空间关注度:时间分布及其前兆效应[J]. 地理与地理信息科学, 2008, 24(6):102-107.

[12]
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.

DOI

[13]
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[J]. 陕西师范大学学报(自然科学版), 2021, 49(6):43-53.

[14]
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.

DOI

[15]
徐菁, 靳诚. 中国省域间旅游关注网络格局及其影响因素空间异质性分析[J]. 旅游学刊, 2020, 35(6):14-24.

[16]
韩剑磊, 明庆忠, 史鹏飞, 等. 区域旅游经济效率与网络优势度的关联组合及影响因素构型分析[J]. 人文地理, 2021, 36(4):168-176.

[17]
王金伟, 王启翔, 陆大道. 数字经济、旅游经济与新型城镇化时空耦合格局及影响因素——以长三角地区为例[J]. 地理研究, 2024, 43(12):3301-3326.

DOI

[18]
谭海波, 范梓腾, 杜运周. 技术管理能力、注意力分配与地方政府网站建设——一项基于TOE框架的组态分析[J]. 管理世界, 2019, 35(9):81-94.

[19]
Shree D, Singh R K, Paul J, et al. Digital platforms for business-to-business markets:A systematic review and future research agenda[J]. Journal of Business Research, 2021,137:354-365.

[20]
苏振, 郭峦. 如何提升文旅融合效率?——基于TOE框架的组态效应研究[J]. 广西大学学报(哲学社会科学版), 2023, 45(2):122-130.

[21]
张广海, 袁洪英. 中国城市旅游信息流空间网络格局及其复杂性[J]. 经济地理, 2023, 43(1):197-205.

DOI

[22]
张曦, 郭淑芬. 中国工业技术创新效率空间关联及其影响因素[J]. 科学学研究, 2020, 38(3):525-535.

[23]
刘军. QAP:测量“关系”之间关系的一种方法[J]. 社会, 2007, 27(4):164-174.

[24]
冯颖, 侯孟阳, 姚顺波. 中国粮食生产空间关联网络的结构特征及其形成机制[J]. 地理学报, 2020, 75(11):2380-2395.

DOI

[25]
王俊, 徐金海, 夏杰长. 中国区域旅游经济空间关联结构及其效应研究——基于社会网络分析[J]. 旅游学刊, 2017, 32(7):15-26.

[26]
顾秋实, 叶浩彬, Vu H Q, 等. 新兴葡萄酒旅游目的地空间网络结构及其影响因素——基于社会网络分析方法[J]. 地理科学, 2022, 42(9):1619-1626.

DOI

[27]
刘震, 杨勇, 程玉. 互联网能否驱动旅游业效率提升?——影响机制与经验证据[J]. 旅游学刊, 2022, 37(9):77-91.

[28]
朱海艳, 孙根年, 李君轶. 中国省市国内旅游经济差异影响因素的空间计量研究[J]. 干旱区资源与环境, 2019, 33(5):197-202.

[29]
王坤, 黄震方, 曹芳东, 等. 泛长江三角洲城市旅游经济发展的空间效应[J]. 长江流域资源与环境, 2016, 25(7):1016-1023.

[30]
杜传忠, 曹效喜, 刘书彤. 数据要素市场化与地区绿色低碳发展——来自数据交易平台建设的准自然实验[J]. 经济与管理研究, 2025, 46(4):25-44.

[31]
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

[32]
吴晋峰, 包浩生. 旅游流距离衰减现象演绎研究[J]. 人文地理, 2005, 20(2):62-65.

[33]
林玉英, 靳一东, 张发梓, 等. 中国优秀旅游城市旅游经济空间格局演变特征及影响因素[J]. 地理科学, 2024, 44(6):973-983.

DOI

[34]
李敬, 陈澍, 万广华, 等. 中国区域经济增长的空间关联及其解释——基于网络分析方法[J]. 经济研究, 2014, 49(11):4-16.

[35]
邬雪, 杨勇, 施泰宇. 新冠疫情对旅游市场空间格局的影响——以长三角地区为例[J]. 世界地理研究, 2025, 34(1):181-192.

DOI

Options
文章导航

/

〈 〉