徐松华

(武汉商学院 武汉旅游研究院，湖北 武汉 430056)

2014年以来，武汉市国内游客人数增长明显放缓，年均增长率回调至20%以内，武汉市国内游客市场也随着经济新常态的变化，步入客源结构调整的新阶段. 地理学意义上的“热点”具有高值且被其他同样具有高值的要素所包围，并具有显著统计学意义的地理要素. 单个高值要素往往容易引起注意，但可能不具有统计学显著性意义. 因此，准确识别具有统计学意义的武汉市国内游客市场的热点区域，探讨客源分布的集中区域，对于武汉市制定针对性的客源开拓战略、高效拓展客源市场具有十分重要的意义.

国外对旅游客源市场的空间分布研究，主要集中在旅游者的空间位移及分布特征[1-2]. 国内学者比较关注的是旅游客源市场空间结构及演化规律[3-8]，研究方法也由简单的数量描述性研究逐渐转向利用地理集中指数、客源地吸引半径等地理指标体系来度量旅游地客源的空间聚集形态和程度，以及使用距离衰减、引力结构等模型对旅游地客源市场空间结构特征进行研究. 总体来看，国内学者都将距离衰减规律作为研究的基本假设，多采用地理集中指数、客源吸引半径、引力模型等定量研究的方法. 热点分析是基于空间自相关理论，可以有效识别具有统计学意义上的地理要素的高值或低值属性的聚集区域，被广泛应用于零售设施、犯罪活动等方面的空间分布研究[9-13]. 本文以地(市)级区域为空间研究尺度，将武汉市国内游客市场分为329个地市客源区域，在构建空间权重矩阵的基础上，运用热点分析法(Getis-Ord Gi*统计指数)来识别武汉市国内游客分布的热点区域，以期为武汉市国内游客市场的开拓提供理论指导.

1 研究设计

1.1 研究区域

武汉国内游客来自国内31个省份(不含港澳台地区)，但本文剔出了湖北省内游客，仅限于以湖北省外的国内游客为研究对象. 将北京、上海、天津和重庆四个直辖市，按市区和郊区划分为8个地(市)级区域，海南划分为海口、三亚和其它县市3个地(市)级区域，其它省区根据现有行政区划，划分为318个地(市)级区域. 所以，武汉市国内游客市场因此被划分为329个地(市)级游客市场. 此外，在研究期内(2012年3月—2018年10月)，海南省于2015年新设三沙市，但三沙市的设立对武汉市国内游客市场结构影响很小，在此忽略之，故武汉仍为329个地(市)级国内游客市场.

1.2 数据来源及准备

首先利用ARCGIS在线服务功能，获取全国行政区划图，经地理配准和校正，依前述区划法将全国30个省市区划分为329个地(市)级研究区域，随后为各研究区域添置“行政代码”属性字段和赋值，以形成工作底图. 然后以2012—2018年《武汉国内旅游抽样调查问卷资料》为数据源，通过Spss提取游客“客源地”“年份”和“游客数”等属性数据，最后通过ArcGIS 10.2中将空间数据导入工作底图，并计算武汉329个地(市)级游客市场的份额，从而构建2012—2018年武汉市国内游客的地理分布数据库.

1.3 研究方法

1.3.1 多距离空间聚类(Ripley’s K函数分析)Ripley’sK函数可对一定距离范围内的空间相关性(要素聚类或扩散)进行汇总，以探讨要素的空间聚集扩散随邻域大小变化的规律. Ripley’sL(d)函数是Ripley’sK(d)函数的一种常见变体，具体定义如式(1)：

(1)

式(1)中，d是预期距离，n为研究区域内游客市场数量，A代表研究区面积，dij为游客市场之间的距离，Wi，j为权重(当dijd，Wi，j=0). 此外，DiffK定义如式(2)：

DiffK=L(d)-d

(2)

如果DiffK>0，则观测距离L(d)相对于预期距离d(分析尺度)的随机分布的聚类程度更高. 如果DiffK<0，则观测距离L(d)相对于预期距离d的随机分布的离散程度更高. 如果DiffK取得最大值且L(d)大于置信区间上限(HiConfEnv)值，则该距离的空间聚类程度最高且具有统计显著性. 如果DiffK取得最小值且L(d)小于置信区间下限(LwConfEnv)值，则该距离的空间离散程度最高且具有统计显著性.

1.3.2 局域Getis-Ord Gi*指数法(热点分析)Getis-Ord Gi*统计量由Getis和Ord提出并进一步修改，是一种基于距离权矩阵的局部空间自相关指标，能探测高值聚集和低值聚集. 通过得到的z得分和p值，可以探查高值或低值要素在空间上发生聚类的位置，高值聚集区称为热点区，低值聚集区称为冷点区. Getis-Ord Gi*计算公式如式(3)：

(3)

其中，Xj是要素J的属性值，Wi，j是要素i和j之间的空间权重，且Xj的平均值和标准差定义如式(4)：

(4)

由于Gi*统计的是Z的得分，无需进一步转换计算. 如果要素z得分高且p值小，则表示存在一个高值的空间聚类. 如果z得分低并为负数且p值小，则表示存在一个低值的空间聚类.z得分越高(或越低)聚类程度就越大. 如果z得分接近于零，则表示不存在明显的空间聚类. 本文依据329个地(市)级的市场份额来计算武汉市国内游客空间分布的热点聚集区特征.

温室气体排放强度：农田“单位产量的GWP”-温室气体强度（Greenhouse Gas Intensity，GHGI），表示农业中生产单位产量的粮食对气候的影响（Li et al.，2004；Mosier et al.，2006；Qin et al.，2010；Shang et al.，2011）。根据公式：

1.4 技术路线

本文以武汉市国内游客地理分布数据库为基础，运用增量空间自相关、热点分析等空间统计学方法，定量测度武汉市客源市场的空间作用距离和329个地(市)级游客市场之间的空间关系，并探究武汉市国内游客的热点区域位置和空间分布特征. 各项研究的逻辑关系如图1所示.

2 结果与分析

2.1 统计性描述

2012—2018年武汉市国内地(市)级游客市场的基本统计结果如表1所示，可以看出，武汉市国内游客市场的份额从2012年的7.28%下降至2018年的6.31%，且呈持续下降的趋势；4年间的标准差和偏度均呈减小的趋势；但均值和中位值相对稳定，变化不大. 这6项统计指标综合反映了武汉市国内游客市场空间分布差异趋于缩小，客源空间分布呈均衡发展的态势.

表1 武汉市国内游客市场份额描述统计结果

2.2 确定空间距离阀值

为了进一步研究观测距离是如何影响武汉国内游客各地(市)级客源市场空间作用的关系，运用ArcGIS 10.2中多距离空间聚类分析(Ripleys K函数)工具进行分析，选用L(d)作为K函数的变换形式. 经过多次探索性分析后，将起始距离设定为680 km，共进行16次迭代运算，每次迭代距离增量为1 km. 结果表明：观测距离L(d)对各游客市场的空间分布影响明显，当观测距离等于826.24 km时，观测距离和预期距离的差值DiffK达到最大，如图2所示，而且观测距离L(d)均大于置信区间的高值HiConfEnv，这表明各游客市场聚类程度最高，空间作用关系较强；超过826.24 km后，各游客市场聚类程度都存在不同程度的减小，在空间上不能聚为同类. 因此，826.24 km是武汉市国内游客市场空间聚类的最合适距离，可以将该距离作为各游客市场空间关系存在的空间距离阀值.

图2 武汉市国内游客分布多距离空间聚类图

2.3 构建空间权重矩阵

空间权重矩阵是对地理要素之间存在的空间关系的一种量化，并通过距离计算，以N阶稀疏矩阵的形式存在. 每个要素只有一行和一列，行/列要素交叉组合值即为权重，予以量化这些行要素和列要素之间的空间关系. 本文采用可变权重来量化数据要素之间的空间，通过反距离方法测度邻近要素有不同量级的空间作用或影响，并通过赋值不同权重来反映该变化. 空间权重矩阵R具体算法如式(5)：

(5)

式(5)中，D是距离度量，d是空间距离阀值.

利用ARCGIS软件，选择反距离法来定义要素之间的空间关系，并将P设为默认值1，空间阀值设为826.24 km，成功运行后则构建了武汉市国内游客分布的地(市)级客源市场空间权重矩阵，该矩阵的主要统计信息如表2所示.

表2 武汉市国内游客市场空间权重矩阵统计结果

其中，西藏阿里地区近邻数最少，只有1个和田地区；河南驻马店市近邻数最多、为115，主要原因是西藏阿里地处边境，周边地市分布稀少且区域宽广；而河南驻马店地处中国内陆腹地，有“天中”之称，周边地市分布密集，因此，在826.24 km范围内，西藏阿里近邻数最少，河南驻马店市近邻数最多. 由于对空间权重矩阵进行了标准化，空间权重值受近邻数的影响较大，在826.24 km范围内近邻要素越少，各近邻要素分获的空间权重值就越大. 所以西藏阿里地区只有1个近邻和田地区，之间的空间权重值为最大权重值1. 值得注意的是，空间权重值大小只能反映近邻要素空间影响的差异，不同要素的空间权重值相比较没有实际意义.

2.4 热点市场分析

为了进一步研究武汉市国内游客热点市场的位置及空间分布特征，借助ArcGIS 10.2热点分析工具(Getis-Ord Gi*)，使用上述生成的武汉市国内游客市场空间权重矩阵，分年度依次以329个地(市)级游客市场为研究单元，以市场份额为分析字段予以热点分析. 将Z值进行可视化表达，得出Z得分大于1.96且符合95%置信度(概率似然值P<0.05)的热点市场分布如图3(来源于国家基础地理信息中心“1∶100万全国基础地理数据库”)所示.

图3 2012—2018武汉市国内游客热点城市分布演变

2.4.1 武汉市国内客源热点区域分布相对稳定如表3所示，2012—2018年，武汉市国内游客热点市场数量依次为12、12、13、14，市场份额依次为39.58%、40.28%、42.59%、42.21%，均稳步增长，而且各热点市场分布区域变动较小，在此期间，北京市区、郑州、成都、长沙、南昌、杭州、南京、广州、深圳、西安和上海均为热点城市，是武汉市国内客源分布的核心热点区域. 这表明武汉市国内游客空间分布既相对稳定，又存在局部的结构化调整，游客来源向多中心市场扩散，武汉市国内游客市场发展更为均衡. 这与前面描述性统计分析相一致，进一步验证了武汉市国内游客存在多中心扩散的态势.

表3 武汉国内游客市场热点分析Z值情况

2.4.2 武汉市国内游客热点区域在空间上呈近似“椭圆状”分布武汉市国内游客热点市场有11个沿“椭圆状”分布在武汉周边(以2018年例)，如图4(来源于国家基础地理信息中心“1∶100万全国基础地理数据库”)所示. 从东西长轴方向上，东端是上海、西端是成都，从南北短轴方向上，南端是长沙、北端是郑州. 该椭圆上的热点城市主要是湖北邻近的省级客源中心，由于沪蓉沿江高铁运输效应的逐步显现，椭圆长轴方向上的上海、南京、合肥、重庆和成都5大城市的热点效应会进一步加强. 经由地理计算，发现该椭圆长轴为980 km，短轴为400 km，11个热点城市直线距离武汉市大约在300～500 km范围内. 另外，深圳、广州和北京3个热点市场，在南北方向上分布于椭圆两端，遥相呼应.

图4 武汉国内游客热点城市空间分布特征

2.4.3 以热点市场为中心，武汉市国内游客市场形成6大客源聚集区地理学意义上的热点被高值围绕，因此，各热点市场及其周边区域，均是游客市场份额较高的区域. 运用ArcGIS 10.2邻域和分组分析工具，对武汉市14个热点城市进行空间分组发现，武汉市形成了以广州、深圳为中心的“珠三角”国内游客客源区，以长沙、南昌为中心的“湘赣”国内游客客源区，以上海、杭州、南京、合肥为中心的“长三角”国内游客客源区，以成都、重庆为中心的“川渝”国内游客客源区，以郑州、西安为中心的“陕豫”国内游客客源区，以北京为中心的“京津冀”国内游客客源区，如图5(来源于国家基础地理信息中心“1∶100万全国基础地理数据库”)所示. 这六大客源区包括76个地(市)级客源区域，客源总占比高达57.98%，是武汉市国内游客分布的核心区域.

3 结论与建议

3.1 结论

借助ArcGIS 10.2分析软件，运用多距离空间聚类、空间权重矩阵及热点分析等空间分析方法，对武汉市国内游客空间分布进行研究，得出以下主要结论.

1)热点分析相较于局部空间自相关分析，更能有效地探测武汉市国内游客分布的高值聚集区，并通过Z值大小比较高值聚集的程度.

2)得出武汉市国内游客热点分布区域的空间规律，在2012—2018年间，武汉市国内客源热点区域分布相对稳定，在空间上沿武汉周边300～500 km范围内呈近似“椭圆状”分布.

3)发现武汉市国内游客分布的集中区，即武汉市国内近60%的游客集中分布在以主要热点城市为核心的“长三角”“湘赣”“陕豫”“珠三角”“川渝”和“京津冀”六大客源区域.

3.2 建议

根据上述研究结论，对武汉市国内游客市场的发展提出如下建议.

1)根据空间分布特征，武汉市需要加快沿江高铁、“西武”高铁、“南武”高铁的工程建设，完善米字型的高铁网状结构，实现“长三角”“湘赣”“豫陕”和“川渝”四大客源富集区游客在3小时内可抵达武汉，有效地减小距离的阻尼作用，从而巩固“长三角”和“湘赣”客源市场，拓展陕西、四川和重庆的客源市场.

2)积极培育新的热点城市. 一方面重点拓展重庆和合肥市场，巩固二者的热点城市地位；另一方面积极开发石家庄和厦门的客源市场，将之培育成为武汉市国内游客的新热点市场. 武汉市国内游客市场开发要在渗透中拓展客源，以点带面，从而促进客源市场的均衡发展.

3)将“京广”高铁线打造成黄金客源线. 借助北京、广州和深圳在南北两翼的客源引擎作用，突出长沙、郑州的区域勾连和辐射作用，重点开发韶关、衡阳、岳阳、信阳、漯河、邯郸和保定等次级游客市场，将“京广”高铁线打造成武汉国内旅游的黄金客源线.

总之，本文利用热点分析工具，对武汉市国内游客空间分布的聚集区域进行了定量研究，描述其空间的分布特征. 但限于篇幅，未讨论形成该空间分布的成因及影响机制，后期将加强调查，搜集资料，运用地理加权回归等空间统计学方法进一步开展相关研究. 此外，武汉市依托热点市场形成的国内游客聚集区的空间范围也有待后续的深入探讨.