基于百度指数的长三角城市群旅游流网络结构演变探究
邓祖涛
(湖北经济学院 旅游与酒店管理学院，湖北 武汉 430205)
摘要： 基于百度指数，构建2012、2015、2018年长三角城市群旅游流关联网络. 从旅游流的流向和流量两个基本属性出发，探讨其时空演变规律，以期为长三角城市群的旅游竞合和一体化提供科学依据和实践指导. 研究结果表明：城市旅游流总量逐步增加，差距趋于减小；城市层级表现为多中心空间格局. 上海、杭州、苏州和南京为第一层级旅游城市，扬州、常州、无锡、绍兴、宁波为第二层级城市，第三层级和第四层级的城市变动较大. 第一和第二层级的城市隶属传统的长三角城市群，安徽省除了合肥为第三层级以外，其它城市都隶属于第四层级；旅游流网络组织不断优化，一级旅游流呈现“辐辏”型-“横V”型-“三角”型演变格局，一级旅游流和二级旅游流构筑城市群旅游流主干网络，其中上海-南京-杭州网络和上海-杭州-宁波网络组建一个更为复杂的“8”字型结构；三级旅游流数量呈下降-上升波动态势. 城市旅游流总量受经济发展水平、信息化水平、旅游资源禀赋、重大事件等因素的影响.
关键词： 旅游流；网络结构演变；百度指数；长三角城市群
旅游流是旅游者在空间内的迁移现象[1]，一直以来是旅游地理学研究的核心问题[2]. 对旅游流研究有助于揭示旅游者的空间移动规律，更好地优化区域旅游空间组织结构. 国外旅游流研究始于20世纪60年代，其研究内容主要包括旅游流模式[3]、空间特征[4-5]、旅游流模型构建及其影响因素[6-7]、旅游流预测[8-9]、旅游流影响[10-11]等方面. 国内旅游流研究相对较晚，始于20世纪80年代中后期，但发展迅速，成果颇丰. 早期主要集中在入境旅游流时空分布特征[12-13]，之后转移到国内旅游流相关研究，主要包括空间特征[14-15]、网络特征[16]、影响因素[17-18]等.
随着信息化的发展和网络普及率的提升，游客越来越依赖于百度、谷歌等网络搜索旅游线路、旅游景点、旅游价格等旅游信息[19]. 这种现象引起了学术界的广泛关注. Yang[20]等使用百度和谷歌搜索趋势数据，通过自回归移动平均模型预测中国游客流量，并对两个搜索查询的数据性能进行评估. Huang[8]等基于百度指数预测旅游流，并发现百度关键词搜索指数的增加与旅游客流的增加呈正相关. Li[21]等将复合搜索指标与广义的动态因子模型(GDFM)相结合，精确预测了北京的游客数量和酒店入住率. 此外，有学者发现了基于搜索引擎的旅游查询比率与该城市的旅游水平有关[22].
综上所述，旅游流研究相对较早，但基于百度等搜索引擎的旅游流研究才刚刚开始，而且主要侧重于两个方面：一是利用相关模型对某旅游景区旅游流预测[23]，二是利用季节集中指数、变差系数、地理集中指数进行旅游景区或旅游地网络关注度的时空特征分析[24-25]. 但是，它们较少分析城市群或多个旅游目的地旅游流网络结构特征. 近年来，社会网络分析法在旅游流研究中得到了广泛应用[26-27]，但这些研究均围绕节点结构特征和整体结构特征来展开，侧重于节点之间关系属性研究. 研究节点之间是否存在关系，取决于阈值大小的设定，不同的阈值会形成不同的关系网络，却缺少考虑节点之间的流量大小. 然而，流量是旅游流一个最基本属性，在空间结构中占有重要地位. 通过流量大小不仅能确定节点的集散能力和角色地位，还能识别网络中不同规模层级的旅游流. 鉴于此，本文从旅游流的流向和流量两个基本属性着眼，以长江三角洲城市群26个城市为研究对象，基于百度指数构建长三角城市群旅游流网络结构，动态地分析城市节点角色变化和城市之间旅游流层级演变并剖析其影响因素，旨在为长三角城市群旅游流网络结构的优化提供科学依据和实践指导.
1 研究区域概况和研究方法
1.1 研究区域概况
长江三角洲简称长三角，最初是一个自然地理概念，泛指入江潮水顶托所形成的三角洲陆地，后来逐步发展成为一个经济概念. 本文研究的长三角城市群是以2014年《国务院关于依托黄金水道推动长江经济带发展的指导意见》为依据，范围涉及上海市、江苏省、浙江省和安徽省，由上海、南京、无锡、苏州、常州、南通、盐城、扬州、镇江、泰州、杭州、宁波、嘉兴、湖州、绍兴、金华、舟山、台州、合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城26个城市组成. 2018年，长三角城市群旅游人次24.31亿，旅游总收入34 392.58亿元.
1.2 数据来源
据统计，旅游流文献数据主要来源于三个方面：一是抽样调查、网络游记，二是百度指数(Baidu Index)、谷歌趋势(Google Trends)，三是引力模型. 抽样调查和网络游记能获得现实的旅游流，而百度指数、谷歌趋势和引力模型则只能得到潜在的相对旅游流. 鉴于抽样调查和网络游记的样本数量有限，引力模型中旅游流又跟城市规模、城市间距离高度相关. 本文基于百度指数来搜集旅游流数据，以此来反映旅游者在城市之间的流动倾向和关注倾向. 以上海为例，在百度指数输入“上海旅游+上海旅游景点+上海旅游攻略”三个叠加关键词，接着分别选取长三角城市群中其它城市，通过这些城市对上海旅游的搜索指数日均值，来表征它们对上海旅游的关注度. 同理，获得其它城市旅游的搜索指数日均值，并构建长三角城市群旅游流网络研究的基础数据. 本文数据采集选取2012、2015和2018年三个时段.
1.3 研究方法
根据既有文献的研究成果[29]，选用两两城市之间旅游关注度乘积来表征它们之间的旅游流. 公式为：
T ij =T i-j ×T j-i
(1)
式(1)中，T i-j 表示城市i 对城市j 的旅游关注度；T j-i 表示城市j 对城市i 的旅游关注度；T ij 为i 城市和j 城市之间的旅游流，其值越大，表示两城市之间的旅游联系更加紧密，反之，旅游联系越松散.
面对高薪岗位，她仍坚守信仰；每天与钱物打交道，她仍坚守清贫；女儿身患重病，她仍坚守工作岗位……她是游成令，一名普通的食品药品基层监管人员，虽无惊天动地之举，却在自己的岗位上展现出责任担当与无私奉献。
RT ij =T ij /max(T ij )
(2)
式(2)中，RT ij 表示i 城市和j 城市之间的旅游流相对值，即相对旅游流；T ij 含义同上；max(T ij )表示i 城市和j 城市之间的最大旅游流.
相对旅游流是用来表征i 城市和j 城市之间旅游流层级及其相对地位，其值越大，表示i 城市和j 城市之间的旅游流层级越高. 公式为：
为了反映城市在旅游流网络中的地位和层级，选用该城市与其它城市之间的旅游流之和来表征. 其值越大，表示该城市的层级越高，地位越高. 公式为：
(3)
式(3)中，T i 表示i 城市的旅游流总量；T ij 含义同上.
2 长三角城市群旅游流网络时空变化
2.1 城市层级特征
统计数据表明，三个时段下的长三角地区城市旅游日均搜索指数总和不断增加，且增幅差异较大. 2012—2015年，日均搜索指数由35 032增加到70 992，增幅达102.6%. 2015—2018年，日均搜索指数由70 992增加到73 227，增幅仅为3.1%. 三个时段下的城市旅游流总量变异系数分别为0.731、0.836和0.769，表明长三角城市旅游流总量之间差异呈波动上升态势.
为了比较长三角城市群旅游流网络中城市层级演变特征，以2012、2015和2018年各城市旅游流总量为研究数据，应用ArcGIS软件中的自然断裂法来对城市层级进行聚类分析. 如表1所示，2012年，长三角城市群旅游流总量的第一层级为上海、杭州、苏州和南京，它们分别占城市群旅游流总量的17.56%、12.21%、11.39%和11.28%，四者合占52.45%. 2015年，第一层级为上海、苏州、杭州，它们分别占城市群旅游流总量的19.78%、15.81%和14.99%，三者合占50.58%. 与2012年相比，2015年第一层级所占比重减少，但上海、杭州、苏州各自占比却有一定的增长. 2018年，第一层级为上海、杭州、南京、苏州，它们分别占城市群旅游流总量的17.48%、14.16%、13.53%和13.19%，四者合计占59.07%. 与2012年和2015年相比，2018年第一层级所占比重有了明显地提升. 在长三角城市群中，上海、杭州、苏州和南京具有绝对竞争优势. 上海为国际大都市，是全国经济、金融、贸易中心，区位优势明显，与全国各大城市的交通十分便捷，全国最重要的目的地城市和客源地城市. “上有天堂，下有苏杭”. 苏州和杭州拥有丰富的旅游产品，如苏州的古典园林、水乡古镇、太湖风光，杭州的西湖、千岛湖和浓厚的历史文化在国内外都享有很高的知名度. 南京为历史古都，文化底蕴深厚，拥有明孝陵、中山陵、夫子庙等丰富的人文资源. 总之，上海、苏州、杭州、南京能成为长三角城市群旅游流网络中第一层级城市或核心城市，与它们拥有发达的经济发展水平、信息化水平、丰富的旅游资源以及承办了许多重大事件和活动有密切关系.
前文述及城市网络水平与旅游流强度有着较密切的关系，而决定城市网络水平的则是该城市的经济发展水平. 一般而言，经济发展水平高的城市，更有资金和能力进行城市网络建设. 上海、苏州等城市经济发展水平高，其城市网络建设也达到了较高的水平. 此外，经济发展水平还影响着城市旅游资源开发深度. 经济发展水平较高的城市，高级别的旅游景区会相应多些. 由此可见，经济发展水平对城市旅游流总量会产生既直接又间接的影响. 本文对城市旅游流总量和经济发展水平进行相关性分析. 结果显示，三个时段下两者之间的相关系数分别为0.868、0.931和0.904，且在0.001水平下显著，表明城市旅游流总量和经济发展水平具有较强的显著相关性.
浮云一别，流水百年。由封闭、贫穷、落后、缺乏生机，到开放、富强、文明和充满活力的历史巨变，这些成就的取得得益于中国共产党的领导，得益于四十年的改革开放，得益于中国人民永远向上的力量。
表1 长三角城市群城市层级分布
前已述及，长三角城市群旅游流网络得到了一定优化. 但是，其旅游流网络仍呈现不均衡态势，核心城市和重要旅游城市主要集中在传统的长江三角洲范围内，而边缘旅游城市大多数分布在安徽省，少数分布在苏北和浙南地区. 合肥为安徽省会城市，在安徽省旅游业发展中承担核心城市功能，但在长三角城市群旅游流网络中却被归为一般旅游城市(第三层级)，表明合肥的旅游业发展与江苏、浙江中的核心城市和重要城市存在着较大差距，安徽省融入长三角旅游一体化道路还很漫长. 研究还发现，长三角城市群旅游流呈现“多中心网格化”格局，这与文献[15]中得出的“多层级核”的结构特征观点相同. 不过，两者的研究时段、研究方法和研究数据不同. 本文是基于百度指数，测算的是2012、2015和2018年城市旅游关注度，而文献[15]则是借助引力模型，计算的是2000年和2010年旅游流潜力.
2.2 长三角城市群旅游流网络组织特征
为了进一步分析长三角城市群旅游流网络组织的时空演化特征，以2012、2015和2018年两两城市之间的旅游流为基础数据，构建长三角城市群旅游流网络组织矩阵. 根据长三角城市间相对旅游流大小，将其分为四个等级，如表2所示，即一级旅游流(0.501～1.000)、二级旅游流(0.301～0.500)、三级旅游流(0.100～0.300)、四级旅游流(≤0.100)，同时，利用ArcGIS软件对三级以上的旅游流进行直观展示，如图1所示.
（1）色谱条件：XBridgeTM-C18色谱柱（250 mm×4.6 mm，5 μm）；填充剂为十八烷基硅烷键合硅胶；流动相为乙腈-0.5%氨水，梯度洗脱：0～45 min，30%～60%乙腈；45～80 min，60%～80%乙腈；体积流量0.5 mL/min；检测波长235 nm；柱温30 ℃；进样量20 μL。理论板数按乌头碱计算不低于6 500。
基于此认识，各个市场主体开始试水这一行业，第一个吃螃蟹的是中邮速递易。在2012年，中邮速递易推出第一台智能快递柜，开拓了智能快递柜行业，也将物流末端配送推进了智能化时代。通过中邮速递易智能快递柜，快递员只需在经过用户同意后，将包裹投递在智能快递柜中，以实现集约化配送。用户可以随时凭借取件码或二维码在智能快递柜中取件。颠覆了人力配送模式，解决了快递员和用户时间不交集问题，同时还帮助物流企业实现了降低人力成本、提升配送效率的目标。
图1 长三角城市群旅游流网络组织示意
微电影《幸福的味道》是为了参加首农集团“共筑千亿首农梦”微电影大赛而拍摄的，影片以60年代知青插场为背景，讲述了知青杜少海与静宜之间的感情故事。他们在苹果树下相识相知，艰苦条件下共同工作。后来，知青返城开始，静宜返城，两人分开。几十年后，两位两鬓斑白的老人在苹果树下再次相遇，岁月改变了他们的容颜，却改变不了熟悉的场景、熟悉的味道。
经第十三届全国人民代表大会第一次会议审议批准，2018年全国地方政府债务限额为209974.30亿元。其中，一般债务限额123789.22亿元，专项债务限额86185.08亿元。
图1和表2还显示，三级旅游流以2012年最多，达41条，其次是2018年，达31条，2015年排名最后，仅有13条. 它们构成长三角城市群旅游流一般网络. 2012年，合肥与上海、南京、杭州之间、芜湖与南京之间形成三级旅游流，2015年只有合肥与上海和南京形成三级旅游流，到了2018年，增加了合肥与苏州、杭州的三级旅游流. 此外，扬州、镇江、南通、舟山、湖州、金华等城市和其它城市之间旅游流等级不稳定. 江苏的泰州和盐城、安徽除合肥、芜湖外的城市都没有和其它城市形成三级旅游流，表明长三角城市群旅游流网络不平衡现象依然突出.
三个时段下的二级旅游流以2012年最多，达11条，表明2012年城市之间的旅游流较为分散，城市间的旅游差距较小. 2015和2018年旅游流数量都是6条，但其组成却发生了较大变化. 上海-宁波旅游联系得到了加强，由原来的三级旅游流晋升为二级旅游流，并形成了由上海-杭州-宁波构筑的三角形网络，该网络与一级旅游流组成一个“8”字型网络结构. 此外，苏州-杭州、苏州-无锡、杭州-绍兴等也发展成为二级旅游流. 上述的二级旅游流和一级旅游流一起构成城市群旅游流主干网络.
表2 长三角城市群旅游流等级分布
注： 四级旅游流(≤0.100)比较多，限于篇幅，不在表中列出.
3 旅游流网络时空格局演变的影响因素
3.1 信息化水平
1)城市间的旅游流总量逐步增强，但差距趋于减小. 长三角城市群旅游流网络表现为多中心的空间格局，由2012年的“4+5+8+9”格局演变为2015年的“3+2+5+16”格局，再演变为2018年的“4+5+5+12”格局. 上海、苏州、杭州、南京成为长三角城市群第一层级城市. 扬州、常州、绍兴、宁波受到旅游者越来越多的旅游关注，和无锡一起共同构成第二层级. 第三层级城市变化较大，第四层级城市数所占比重最多，三个时段依次为34.6%、61.5%和46.2%. 总的来看，长三角城市群旅游流网络分布不均衡现象依然存在，第一层级和第二层级都分布在传统的长三角地区. 安徽省的8个城市与其它18个城市相比，旅游流总量偏小，除合肥以外，都属于第四层级城市，即边缘城市.
从图1、表2可以看出，三级以上旅游流数以2012年最多，达56条，其次是2018年，达42条，最少的是2015年，仅有22条，表明长三角城市群旅游流网络呈分散-集聚-分散演变特征. 具体而言，2012年，长三角城市群拥有4条一级旅游流，即上海-杭州(1.000)、上海-苏州(0.929)、上海-南京(0.738)、上海-无锡(0.525)，其中上海-杭州为城市之间最大旅游流. 这些旅游流都是以上海为中心，在空间形态上表现为辐辏型，它们构成城市群旅游流骨架网络. 2015年，一级旅游流减少为3条，即上海-苏州(1.000)、上海-杭州(0.897)、苏州-无锡(0.504)，其中上海-苏州为城市之间最大旅游流. 图1和表2显示，2012年的上海-南京、上海-无锡由一级旅游流降为二级旅游流，表明南京和无锡的旅游吸引力下降. 2015年的3条一级旅游流在空间形态上表现为横“V”型，它们构成城市群旅游流骨架网络. 2018年，一级旅游流增加为5条，上海-苏州依然是最大旅游流，需要说明的是南京的旅游吸引力得到了提升，形成了南京-苏州、南京-杭州2条一级旅游流. 原因是除了它们自身拥有较好的旅游资源和城市环境外，宁杭高铁的开通也起了很重要的作用. 2018年5条一级旅游流分别形成了2个三角形骨架网络，即上海-杭州-南京、上海-苏州-南京，表明长三角城市群旅游流网络更趋于优化和成熟，旅游流相对分散.
3.2 经济发展水平
表1显示，2012年跟2018年长三角城市群中的第二层级城市完全相同，即都是扬州、常州、无锡、绍兴和宁波. 它们地处第一层级城市外围，区位条件较好，加之相对丰富的旅游资源，使之成为重要旅游城市. 不过，它们所占城市群旅游流总量比重有所减少，由2012年的27.75%降为2018年的23.3%. 2012和2018年，南京都属于第一层级城市，但在2015年却归入第二层级，表明南京在2015年的旅游地位有所下降. 第三层级城市的构成变化较大. 2012年拥有合肥、镇江、南通、湖州、嘉兴、舟山、金华和台州8个城市，2015和2018年降为5个. 层级变化较大的为南通、金华和台州，它们直接降为第四层级. 三个时段下的第四层级城市数呈现先增加后减少的态势，表明长三角城市群城市旅游获得了较大发展，不少城市的旅游流等级得到了晋升.
3.3 旅游资源
旅游资源是旅游业发展的基础，其层级、丰富度、知名度和美誉度会直接影响旅游者对旅游目的地的选择，进而影响城市旅游流大小. 一般而言，在一定的旅游时间内，旅游者一般会选择去有吸引力和有价值的旅游景区游玩，所以高级别的旅游景区(点)常常成为旅游者在网上搜索的主要对象. 在这里，选用国家旅游局颁布的“4A”和“5A”景区来表征高级别旅游资源. 对“4A”和“5A”景区分别赋值5分和10分，然后通过城市内“4A”和“5A”景区数求得该城市的旅游资源价值. 通过SPSS软件对城市旅游流总量和旅游资源价值进行相关性分析. 结果显示，三个时段下两者之间的相关系数分别为0.804、0.887和0.824，且在0.001水平下显著，表明城市旅游流总量和旅游资源价值有着密切的关系.
3.4 重大事件
城市旅游有多种类型，不仅有观光旅游、度假旅游，还有商务旅游、会展旅游、节事旅游、体育旅游等多种形式. 当一个城市举办了重要会议、展览和体育赛事等重大事件时，就会引起人们的关注，促使其出游行为的发生. 重大事件有事前、事中和事后效应. 也就是说，一个重大事件产生的效应，不仅仅限于当期，也可能在前期和后期吸引了很多人的关注. 例如，为保障2016年的G20峰会顺利召开，杭州市政府在2015年通过网络、电视、广播等媒体进行了大量宣传. 这引起了人们的高度关注，导致杭州市旅游搜索指数迅速攀升，在长三角城市群中仅次于上海和苏州.
4 结论与对策
伴随信息化和网络化时代的到来，城市之间的旅游关注会更为频繁，信息化背景下的城市群旅游流网络研究将成为一个新的研究方向. 本文基于百度指数，构建了长三角城市群旅游流网络，选取2012年、2015年、2018年三个时段，分析了2012—2018年长三角城市群旅游流网络时空演变特征及其影响因素，并得到以下结论：
伴随信息网络的发展，人们利用手机、电脑等工具查找旅游景区信息、预订酒店、购买景区门票已成为其旅游行为中的重要组成部分. 百度是常用的搜索引擎，通过它能了解其他城市的旅游景区、旅游线路、旅游价格等信息. 所以，城市网络信息化水平就成为城市旅游关注度和旅游流的一个重要影响因素. 为此，本文对城市旅游流总量和城市信息化水平进行相关性分析. 根据数据获得的可得性和可靠性，选取了互联网用户数来表征城市的信息化水平. 分析结果显示，三个时段下两者之间的相关系数分别为0.836、0.884和0.919，且在0.001水平下显著，表明城市旅游流总量和信息化水平具有较强的显著相关性.
2)长三角城市群旅游流网络由2012年的“辐辏型”格局演变为2015年的“横V型”，再演变为2018年的“三角型”，即以上海、杭州和南京为中心的“三角型”和以上海、南京、苏州为中心的“三角型”，它们共同构成了长三角城市群旅游流骨架网络. 2015年和2018年二级旅游流数虽然相同，但其组成已发生较大变化. 二级旅游流和一级旅游流一起构成长三角城市群旅游流主干网络，其中上海-杭州-宁波网络和上海-南京-杭州网络组建一个更为复杂的“8”字型网络结构. 三级旅游流数量呈现下降-上升波动态势.
溢流室压力随喷浆速度升高的变化幅度较小。当前所研究的喷浆速度范围10～180 m/min与沟槽内表面速度21 m/s(即1260 m/min)相差巨大，所以喷浆速度的升高对流道内流速的影响很小，环形流道内浆流流速主要靠沟槽辊转速带动。
3)长三角城市群旅游流网络结构受经济发展水平、信息化水平、旅游资源禀赋和重大事件等因素的影响.
根据以上结论，提出如下建议：
1)加快城市经济发展，促进信息化建设. 受地理位置、经济基础、交通条件等因素的影响，长三角城市群各城市之间经济发展水平和信息化水平存在着显著差异. 从省市分布来看，江苏、浙江和上海市经济发展速度较快，信息化水平较高，而安徽省经济发展速度较慢，信息化水平较低；江苏和浙江内部也存在着不平衡，苏南发展水平要高于苏北，浙北比浙南发展快些. 加快苏北、浙南和安徽城市的经济发展是促进长三角城市群信息化建设和旅游一体化发展的重要举措. 为此，一方面要发挥上海、杭州、苏州、南京核心城市的功能，通过扩散效应来带动周边地区城市的发展，另一方面积极培育南通、盐城、金华、台州、安庆、池州、芜湖等新的经济增长点，提高信息化水平，为“互联网+旅游”奠定基础.
（1）混凝土在冬季进行浇筑，因此混凝土初始温度设置为 12.7℃。左右两侧设置为绝热边界条件，并且考虑热固耦合将四周及底部设置为固定约束。为了将混凝土裂缝降到最少，结合 COMSOL 参数化扫描，将导热系数设置为变量 T1（2.3(W/(m.k))-10.3(W/(m.k))）。
2)加强旅游营销，提高知名度. 城市旅游景区层级会影响旅游者的关注度，进而影响城市旅游流总量和旅游业发展. 统计显示，2018年长三角城市群中的上海、杭州、苏州、南京拥有162处高级别的旅游资源，占高级别旅游资源总数的31.7%. 未来要深度挖掘本城市既有的文化、生态等特色旅游资源，提升旅游资源等级和吸引力. 同时，通过举办重大活动、体育赛事、会展等营销手段来扩大城市旅游影响力和知名度.
本文借助百度指数，基于信息流视角研究了长三角城市群旅游流网络结构. 鉴于选取的对象、时段、影响因素等原因，该研究仍存在一些不足：1)没考虑城市之间的距离因素. 既有文献表明，距离的作用虽然在减小，但仍是不可忽视的影响城市旅游流的因素，如何将距离因素和信息流因素相结合是未来的一个研究方向，也是一个难点. 2)本文在分析旅游流网络结构的影响因素时，仅考虑了经济发展水平、信息化水平、旅游资源禀赋和重大事件四个因素，未来应该纳入更多的因素变量加以分析.
参考文献：
[1] 章锦河，张 捷，李 娜，等.中国国内旅游流空间场效应分析[J].地理研究，2005(2)：293-303.
[2] PEARCE D. Tourism Today： A Geographical Analysis[M]. 2nd ed. Harlow： Longman， 1995.
[3] LUNDGREN J O J. The tourist frontier of Nouveau Quebec： Functions and regional linkages [J]. Tourist Review， 1982， 37(2)： 10-16.
[4] HONG T MA T， HUAN T C. Network behavior as driving forces for tourism flows[J]. Journal of Business Research， 2015， 68(1)： 146-156.
[5] LEE S H， CHOI J Y， YOO S H， et al. Evaluating spatial centrality for integrated tourism management in rural areas using GIS and network analysis [J]. Tourism Management， 2013， 34(2)： 14-24.
[6] LIU P， ZHANG H L， ZHANG J， et al. Spatial-temporal response patterns of tourist flow under impulse pre-trip information search： From online to arrival [J]. Tourism Management， 2019， 73(8)： 105-114.
[7] SANTERAMO F G， MORELLI M. Modelling tourism flows through gravity models： A quantile regression approach [J]. Current Issues in Tourism， 2016， 19(11)： 1077-1083.
[8] HUANG X K， ZHANG L F， DING Y S. The Baidu Index： Uses in predicting tourism flows—A case study of the Forbidden City [J]. Tourism Management， 2017， 58(2)： 301-306.
[9] JACKMAN M， GREENIDGE K. Modelling and forecasting tourist flows to Barbados using structural time series models [J]. Tourism and Hospitality Research， 2010， 10(1)： 1-13.
[10] MARROCU E， PACI R. They arrive with new information： Tourism flows and production efficiency in the European regions [J]. Tourism Management， 2011， 32(4)： 750-758.
[11] ZIEBA M. Tourism flows and the demand for regional and city theatres in Austria [J]. Journal of Cultural Economics， 2016， 40(2)： 191-221.
[12] 马耀峰，王冠孝，张佑印.中国典型区域入境旅游流空间场效应实证研究：以四川省为例[J].资源科学，2008(11)：1747-1753.
[13] 张佑印，马耀峰，顾 静.北京间接入境聚集旅游流流势时空演化规律研究[J].旅游学刊，2011，26(10)：31-35.
[14] 邓祖涛，周玉翠，梁 滨.武汉城市圈旅游流集聚扩散特征及路径分析[J].经济地理，2014，34(3)：170-175.
[15] 黄 泰.长三角城市群旅游流潜力格局演变及其影响因素[J].资源科学，2016，38(2)：364-376.
[16] 刘大均.长江中游城市群旅游流空间格局及发展模式[J].经济地理，2018，38(5)：217-223.
[17] 吴必虎，唐俊雅，黄安民，等.中国城市居民旅游目的地选择行为研究[J].地理学报，1997，52(2)：3-9.
[18] 王德刚，陈 田，陆 林，等.区域旅游流空间结构的高铁效应及机理：以中国京沪高铁为例[J].地理学报，2015，70(2)：214-233.
[19] 马丽君，龙 云.基于网络关注度的湖南省居民旅游需求时空特征[J].经济地理，2017，37(2)：201-208.
[20] YANG X， PAN B， EVANS J A， et al. Forecasting Chinese tourist volume with search engine data [J]. Tourism Management， 2015， 46(2)： 386-397.
[21] LI X， PAN B， LAW R， et al. Forecasting tourism demand with composite search index [J]. Tourism Management， 2017， 59(4)： 57-66.
[22] XIANG Z， PAN B. Travel queries on cities in The United States： Implications for search engine marketing for tourist destinations [J]. Tourism Management， 2011， 32(1)： 88-97.
[23] 孙 烨，张宏磊，刘培学，等.基于旅游者网络关注度的旅游景区日游客量预测研究：以不同客户端百度指数为例[J].人文地理，2017，32(3)：152-160.
[24] 徐 凡，尤 玮，周年兴，等.基于百度指数的网络空间关注时空分布研究：以长三角5A级景区为例[J].资源开发与市场，2016，32(4)：489-493.
[25] 丁 鑫，汪京强，李勇泉.基于百度指数的旅游目的地网络关注度时空特征与影响因素研究：以厦门市为例[J].资源开发与市场，2018，34(5)：709-714.
[26] 付琼鸽，刘大均，胡 静，等.湖北省旅游流网络结构的特征与优化[J].经济地理，2015，35(3)：191-196.
[27] 喻 琦，马仁锋，叶持跃，等.长三角城市群旅游空间结构分析[J].统计与决策，2018，34(13)：113-116.
[28] 蒋大亮，孙 烨，任 航，等.基于百度指数的长江中游城市群城市网络特征研究[J].长江流域资源与环境，2015，24(10)：1654-1664.
中图分类号： F592.7
文献标志码： A
文章编号： 2095-4476(2019)11-0037-07
收稿日期： 2019-09-02；修订日期： 2019-10-17
基金项目： 国家社会科学基金项目(15BJY128)
作者简介： 邓祖涛(1969— )，男，湖北荆州人，湖北经济学院旅游与酒店管理学院教授，博士，主要研究方向：旅游空间结构.
(责任编辑：陈 丹)
标签：旅游流论文; 网络结构演变论文; 百度指数论文; 长三角城市群论文; 湖北经济学院旅游与酒店管理学院论文;