EN中文

中国生态旅游 >

2024 , Vol. 14 >Issue 1: 167 - 182

DOI: https://doi.org/10.12342/zgstly.20230056

专栏：旅游经济

虚拟旅游景区浏览量的规模特征及其影响因素

  • 林娟 , 1, 2 ,
  • 吴彬彬 , 1, * ,
  • 邢舒雨 1
展开
  • 1.福建师范大学文化旅游与公共管理学院，福州 350117
  • 2.智慧旅游福建省高校重点实验室，福州 350117
* 吴彬彬（1999-），女，硕士研究生，研究方向为城市地理。E-mail:

林娟（1988-），女，博士，副教授，研究方向为城市地理。E-mail:

收稿日期: 2023-05-10

  修回日期: 2023-11-07

  网络出版日期: 2024-04-30

基金资助

国家自然科学基金项目(42271254)

国家自然科学基金项目(42371180)

收起

The scale characteristics of virtual tourist attraction view volume and their influencing factors

  • Lin Juan , 1, 2 ,
  • Wu Binbin , 1, * ,
  • Xing Shuyu 1
Expand
  • 1. College of Cultural Tourism and Public Administration, Fujian Normal University, Fuzhou 350117, China
  • 2. The Higher Educational Key Laboratory for Smart Tourism of Fujian Province, Fuzhou 350117, China
* Wu Binbin. E-mail:

Received date: 2023-05-10

  Revised date: 2023-11-07

  Online published: 2024-04-30

Fold

摘要

虚拟现实技术在旅游业的广泛应用催生了虚拟旅游这一新生事物。本研究基于中国542家虚拟旅游景区浏览量数据，运用泰尔系数、核密度分析、回归模型等方法，分析虚拟旅游景区浏览量的规模特征及其影响因素。研究表明：（1）中国虚拟旅游景区规模尚小，省级空间尺度的分布与5A级、4A级旅游景区空间格局基本吻合。（2）虚拟旅游景区浏览量的规模随景区质量等级降低呈现递减规律，且等级越高，内部差异越大；地文景观类和水域景观类的虚拟旅游景区数量较少，但平均浏览量高于其他类型的虚拟旅游景区；东部和西部地区浏览量规模的省际差异大于中部和东北地区；假期与平时的浏览量规模波动幅度较小。（3）虚拟旅游景区浏览量受城市经济属性、社会属性、景区属性等多种因素影响，其中，地区第三产业占比、5A级旅游景区数量和移动手机用户数量等因素的影响最为显著。研究揭示了中国虚拟旅游景区浏览量的基本规律，为虚拟旅游景区发展提供理论支撑。

关键词： 虚拟旅游; 旅游景区; 浏览量; 影响因素; 负二项回归模型

本文引用格式

林娟 , 吴彬彬 , 邢舒雨 . 虚拟旅游景区浏览量的规模特征及其影响因素[J]. 中国生态旅游, 2024 , 14(1) : 167 -182 . DOI: 10.12342/zgstly.20230056

Abstract

The wide application of virtual reality technology in the tourism industry has given birth to the new form of tourism, i.e. virtual tourism. In this paper, we collected data on the views of 542 virtual tourist attractions, analyzed the scale characteristics of the view volume of virtual tourist attractions by using the Thiel coefficient, kernel density analysis, and we built regression models to analyze the influencing factors of the views of virtual tourist attractions. The research shows that: (1) The scale of virtual tourist attractions in China is still small, and the distribution of provincial spatial scale is basically consistent with the spatial pattern of 5A and 4A scenic spots. (2) The scale of view volume decreases with the decrease of scenic spot level, and the higher the level, the greater the internal difference; the number of virtual tourist attractions in the categories of geographic landscape and water landscape is relatively small, but the average view volume is higher than other types of virtual tourist attractions; the provincial differences in the scale of view volume within the eastern and western regions is much larger than that in the central and northeastern regions; the fluctuation in the size of view volume between holidays and weekdays is small. (3) The view volume of virtual tourist attractions are influenced by a variety of factors such as city economic attributes, social attributes, scenic spot attributes, among which the factors of the proportion of regional tertiary industry, the number of 5A-level scenic spots and the number of cell phone users are the most significant. The research reveals the basic law of the view volume of virtual tourist attractions in China, and provides theoretical support for the development of virtual tourist attractions.

Key words： virtual tourism; tourist attractions; view volume; influencing factors; negative binomial regression model

1 引言

虚拟现实技术在旅游业中的应用引致了旅游体验方式的变革，虚拟旅游迅速兴起并成为行业热点[1]。虚拟旅游重新定义了旅游的空间概念，它在游客与旅游地之间加入虚拟旅游地，将新型的三元空间替换传统的二元空间[2]。旅游景区通过提供各种客观的生产服务，给游客带来了主观的旅游体验[3]，虚拟旅游景区同样也能为游客提供超真实性的“沉浸式”旅游体验[1]。虽然有学者认为虚拟旅游始终无法替代现实的旅游经历[4]，但社会各界广泛认为虚拟旅游是现实旅游的一种扩展。虚拟旅游对旅游景区的发展具有重要作用，分析其浏览量的规模特征不仅能为旅游景区提供旅游市场预测[5]、旅游营销等决策支持，而且对提升目的地形象、促进线下引流具有一定的决策参考作用。
虚拟旅游出现以前，已有大量学者对旅游景区客流规模差异进行深入探索。研究发现，交通条件[6]、闲暇时间[7]、气候条件[8]、经济水平[9]等是造成客流量差异的外部因素，旅游资源[10]、等级[11-12]和类型[13]等内部因素也深刻影响了旅游景区客流量规模。随着互联网技术在旅游业的应用发展，旅游景区客流数据来源更加多元。学者们基于百度指数[14]、手机信令数据[15]和社交平台图文数据[16]等，研究发现旅游网站的访问量对现实旅游的游客量具有导引作用[17]。因网络而产生的虚拟旅游流在一定程度上表征了游客需求的地理指向，网络关注所产生的空间信息流实际上是出游行为的一种前兆现象[18]。有关网络搜索、网络关注模拟城市之间虚拟网络结构的研究发现，用户关注度与现实旅游客流在时序维度和空间维度上均具有较高的耦合性[19-20]。因此，虚拟旅游流的研究可为旅游景区人流管理和容量管理提供参考。
综上所述，有关旅游流的研究成果丰硕，但针对虚拟旅游客流网络的研究明显不足。一是网络关注测度通常存在空间的极化与倍增效应等问题[21]，已有虚拟旅游流的研究多以间接测度方法为主，鲜有直接利用虚拟旅游景区浏览量等客观数据来揭示其规模特征与规律。二是旅游景区是旅游产业链组织核心和主要空间载体[22]，目前虚拟旅游流的研究多集中在省际和城市等尺度，较少聚焦到旅游景区这一微观对象。当前，传统旅游地理理论在虚拟空间的适用性尚不明晰，开展虚拟旅游景区浏览量的规模特征、影响因素等相关研究，可为揭示虚拟旅游景区发展规律提供参考，为旅游地理理论的新应用探索提供案例。

2 数据来源与研究方法

2.1 数据来源

全景客虚拟旅游网（https://www.quanjingke.com/）是中国首家推出虚拟旅游服务的旅游平台。2009年至今，该网站收集了中国293个城市的虚拟旅游景区，覆盖面广，数据具有代表性和领先性。本研究从各省（区、市）文化和旅游厅网站获取各地旅游景区名录并统计得到5A级、4A级和3A级旅游景区数量分别为285家、3 659家和5 800家；根据该名录于2022年9月24日—2022年10月22日从全景客虚拟旅游网获取了950家虚拟旅游景区浏览量，最终整理筛选出中国542家3A级及以上的虚拟旅游景区浏览量数据共计92 130次。数据采集时间以7天为一个周期，共收集4个周期的浏览量，具体包含国庆假期前一周（19 839次）、国庆假期一周（20 228次）、国庆假期后一周（24 835次）和国庆假期后两周（27 228次）。本研究数据收集窗口期较短，主要是为了避免平台推出新的虚拟旅游景区而对同地区、同类型样本产生影响。采集期内，中国范围内未出现大面积的新冠疫情等影响出游的事件[23]，数据具有较高的稳定性和准确性。

2.2 研究方法

2.2.1 核密度估计

核密度估计是分析地理要素在固定区域内密度大小的一种非参数估计方法，通过核函数对研究区域内样本点赋以不同权重，呈现出更加平滑的密度图以探求领域内的密度属性[24]。本研究采用核密度估计来分析虚拟旅游景区浏览量规模的局部聚集特征和集聚核心。其计算公式为：
f ( x ) = ( 1 / n h ) ∑ i = 1 n k [ ( x - x i ) / h ]
式中， f ( x )为x在该点的核密度估计函数；n表示该区域内虚拟旅游景区的个数；h代表距离衰减值； ( x - x i )为估计点 x到样本点 x i的欧式距离。

2.2.2 位序规模分布

使用齐夫定律表示虚拟旅游景区浏览量的位序规模分布，其表达式为：
l n P = r l n P 1 - q l n R
式中， P r 为位序为R的虚拟旅游景区浏览量，R（R=1, 2, 3, …）为该虚拟旅游景区浏览量在所有虚拟旅游景区中的位序， P 1为虚拟旅游景区中的最大浏览量，q为齐夫参数，根据q的大小可以将模型描述的分布分为3个类型，q≤0.85时为分散均衡型，虚拟旅游景区浏览量的差异不明显；0.85<q<1.2时，虚拟旅游景区浏览量集中分布；q≥1.2时是分布不均匀型，虚拟旅游景区浏览量的差异较大。

2.2.3 泰尔系数

泰尔系数（Theil index）常被用来计算区域内与区域间的差距，值越大则表示浏览量分布越不均衡。其表达如下：
T = T b + T w
T b = ∑ i = 1 n G i l o g ( G i P i )
T w ( i ) = ∑ i = 1 n G i ( ∑ j G i j l o g G i j P i j )
式中， T b为区域间差异， T w为区域内差异， T w ( i )是区域i内部差距。 G i为第i个区域的虚拟旅游景区浏览量占总的区域虚拟旅游景区浏览量的比重， P i为第i个区域的虚拟旅游景区数量占总虚拟旅游景区数量的比重。 G i j为第j个子区域的虚拟旅游景区浏览量占区域旅游景区浏览量的比重， P i j为第j个子区域的虚拟旅游景区数量占区域总虚拟旅游景区数量的比重。

2.2.4 回归模型

负二项回归模型（Negative Binomial Regression, NBR）常用于解释方差与期望值差距较大导致的过度分散事件。本研究采用NBR研究虚拟旅游景区浏览量的影响因素。其表达式如式（6）：
L o g λ = β 0 + β 1 X 1 + β 2 X 2 + · · · + β m X m
式中， β 0为常数项，λ表示虚拟旅游景区浏览量， β m为模型的回归系数，Xm为影响虚拟旅游景区浏览量的各个因素。
当城市中虚拟旅游景区浏览量为零的样本过多时，可采用零膨胀负二项回归（Zero-inflated Negative Binomial Regression, ZINBR）进行研究。ZINBR由一个零分布与一个负二项分布组成[25]。其表达如式（7）：
$P\left(Y=y_{i, \omega, \theta}\right)=\left\{\begin{array}{l} \omega+(1-\omega) \frac{\theta^{\theta}}{(\theta+\mu)^{\theta}} y_{i}=0 \\ (1-\omega)\left(\frac{\theta}{\theta+\mu}\right)^{\theta}\left(\frac{\mu}{\mu+\theta}\right)^{y_{i}} y_{i}=1,2, \ldots \end{array}\right.$
式中， ω大于0，为零膨胀参数，μ为负二项分布的期望， θ为负二项分布的散度参数。
为更精确地解释虚拟旅游景区浏览量的影响因素，本研究建立了多种回归模型，并进行拟合优度检验，以选择最优回归模型，模型选择标准有赤池信息准则（Akaike Information Criterion，AIC）和贝叶斯信息准则（Bayesian Information Criterion，BIC）。其表达如式（8）和式（9）：
A I C = - 2 f _ + 2 q
B I C = - 2 f _ + q l n n
式中， f _为对数似然函数，q为参数个数，n为观测值个数。准则值越小，模型的拟合效果越好。

3 特征分析

3.1 虚拟旅游景区空间分布

从等级和数量上看，虚拟旅游景区中5A、4A和3A级的数量分别为138家、314家和90家，分别占现实旅游景区数量的48.0%，8.5%和1.5%，表明中国虚拟旅游处于发展的起步阶段，不同等级的虚拟旅游景区建设情况存在巨大差异，5A级旅游景区已先行一步，其他旅游景区却发展缓慢。
从空间分布上看，中国虚拟旅游景区存在显著的空间异质特征，虽然总数较少，但大致与中国高等级旅游景区格局一致（表1）。虚拟旅游景区的发展需要建立在雄厚的经济基础之上，因此虚拟旅游景区多集中在经济较为发达的东部地区，数量多达209家，占总量的39%，其中北京市最为密集，共有75家，江苏以56家居第二位。同时，现实旅游景区是发展虚拟旅游的重要基础。计算2022年各省市现实旅游景区与虚拟旅游景区数量的皮尔逊相关系数发现，5A级和4A级虚拟旅游景区的相关系数分别达到0.70和0.45，可见具备优质旅游资源的旅游景区率先建设虚拟旅游。
表1 各省（区、市）现实旅游景区数量与虚拟旅游景区数量

Tab. 1 Number of real tourist attractions and virtual tourist attractions at the provincial level

地区 省（区、市） 现实旅游景区数量（个） 虚拟旅游景区数量（个） 地区 省（区、区） 现实旅游景区数量（个） 虚拟旅游景区数量（个）
东部地区 北京市 191 75 西部地区 内蒙古自治区 257 9
上海市 134 9 广西壮族自治区 650 35
天津市 80 7 重庆市 225 10
河北省 343 10 四川省 723 31
江苏省 498 56 贵州省 516 15
浙江省 793 5 云南省 384 44
福建省 322 5 西藏自治区 105 4
山东省 932 10 陕西省 486 49
广东省 547 23 甘肃省 286 7
海南省 66 8 青海省 142 1
中部地区 山西省 216 9 宁夏回族自治区 77 1
安徽省 501 33 新疆维吾尔自治区 482 1
江西省 384 8 东北地区 辽宁省 264 10
河南省 476 28 吉林省 197 8
湖北省 483 13 黑龙江省 242 3
湖南省 527 15

3.2 浏览量的等级差异

虚拟旅游景区浏览量具有显著的等级差异。研究期间，542家虚拟旅游景区的总浏览量为92 130次，其中，5A级虚拟旅游景区的总浏览量为54 308次，平均浏览量为394次；4A级虚拟旅游景区的总浏览量为30 795次，平均浏览量为98次；3A级虚拟旅游景区的总浏览量为7 027次，平均浏览量为78次（表2）。由此可见，5A级虚拟旅游景区最受游客欢迎，与现实旅游的结论一致[26]，虚拟旅游景区浏览量随景区等级降低而存在逐级递减的规律。
表2 虚拟旅游景区浏览量

Tab. 2 View volume of virtual tourist attractions

虚拟旅游景区 5A级虚拟旅游景区 4A级虚拟旅游景区 3A级虚拟旅游景区 全部虚拟旅游景区
总浏览量（次） 54 308 30 795 7 027 92 130
平均浏览量（次） 393.536 98.073 78.077 169.981
变异系数 2.211 1.288 1.256 2.757
标准差 870.146 126.319 98.076 468.729
极差 5 610 933 647 5 611
虚拟旅游景区等级越高，等级内部差异越大。5A级虚拟旅游景区的变异系数高达2.211、极差为5610，4A级和3A级虚拟旅游景区变异系数均低于1.3、极差均在1000以内。数据表明，5A级虚拟旅游景区虽整体上具有较高的旅游吸引力，但游客仍然显示出特定的偏好特征，其个体差异极大；而等级越低的虚拟旅游景区，等级内部差异越不明显。
本研究按照位序规模法对不同等级的虚拟旅游景区浏览量进行分析（图1），发现5A级虚拟旅游景区具有首位景区特征。5A级虚拟旅游景区浏览量的q值为1.27，符合位序规模法则的发生条件，表明首位的5A级虚拟旅游景区浏览量与同等级的虚拟旅游景区之间已经拉开差距。3A级和4A级虚拟旅游景区浏览量的q值接近0.85，表示这两类虚拟旅游景区浏览量虽也存在等级的内部差异，但是首位度并不明显。
图1 虚拟旅游景区浏览量分等级位序规模

Fig. 1 View volume rank size of A-level virtual tourist attractions

3.3 浏览量的类型差异

游客对不同类型的旅游景区存在偏好差异，地文景观类和水域景观类的虚拟旅游景区的平均浏览量最高。本研究根据《旅游资源分类、调查与评价》（GB/T 18972—2017）的分类方法，将收集的虚拟旅游景区划分为5种类型（表3）。从平均浏览量可以发现，虽然建筑与设施类虚拟旅游景区由于影像参数采集更为便利，数量较多，但游客更偏向于浏览地文景观类和水域景观类的虚拟旅游景区。在现实旅游中，游客对于自然风光类的旅游资源要求更高[27]，对于人文风光类的旅游资源则更看重其旅游基础设施[28]。而在虚拟旅游中，自然风光等地文景观类旅游景区为游客足不出户预览、饱览自然风光提供了极大便利，因此最受关注。
表3 不同类型虚拟旅游景区浏览量

Tab. 3 View volume of different types of virtual tourist attractions

虚拟旅游景区类型 地文景观 水域景观 生物景观 建筑与设施 历史遗迹
平均浏览量（次） 251.8 192.9 88.9 137.4 137.5
数量（个） 129 73 24 252 64
数量占比（%） 23.8 13.5 4.4 46.5 11.8

3.4 浏览量的地区差异

虚拟旅游景区浏览量与其数量的空间分布基本吻合（图2）。本研究对542家虚拟旅游景区浏览量进行核密度分析，发现东部和西部地区虚拟旅游景区浏览量较多，集聚特征开始凸显，中部和东北地区呈现明显的低水平发展，无高度密集区。中国最大的两个集聚中心均位于东部地区，分别是以北京和长三角地区为首的高度集聚区，但东部其他省市的虚拟旅游景区数量较少，浏览量较低，集聚特征也不明显，区域内部差异十分突出。西部大部分地区的虚拟旅游景区数量较少，浏览量也不高，而位于甘肃、四川以及贵州少数地区地级市的虚拟旅游景区凭借其特有的旅游资源吸引大量游客浏览，形成小规模集聚区，与西部其他地区拉开差距。
图2 中国虚拟旅游景区浏览量的核密度分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1822号的标准地图制作，底图无修改。

Fig. 2 Kernel density distribution of virtual tourist attractions view volume in China

中国虚拟旅游景区浏览量的泰尔系数达到0.3870，表明其存在显著的区域差异，且该差异主要体现为东、中、西、东北4个区域的内部差异，泰尔系数为0.3864（表4）。东部地区内部的泰尔系数高达0.3146，远超其他3个区域，证明东部地区的内部差异是中国虚拟旅游景区浏览量总体差异的主要来源。北京和长三角地区经济发达，虚拟旅游景区建设相对完善，对游客的吸引力较高，与东部其他省市形成鲜明对比。西部地区也存在较为显著的内部差异，这是由于该地区各虚拟旅游景区的平均浏览量不高，但个别优质旅游景区（如黄果树大瀑布、九寨沟等）的浏览量处于旅游景区的领先位置，加剧了区域内部差异。此外，中部和东北地区的区域内部差异较小，与该地区虚拟旅游景区总体规模较小有关。
表4 虚拟旅游景区浏览量泰尔系数

Tab. 4 Thiel index of virtual tourist attractions view volume

泰尔系数 T（泰尔系数） Tb（区域间） Tw（区域内） Tw（东部） Tw（中部） Tw（东北） Tw（西部）
数值 0.3870 0.0006 0.3864 0.3146 0.0021 0.0019 0.0679

3.5 浏览量的周期性差异

本研究以国庆假期为参照，发现虚拟旅游景区浏览量无明显周期性差异。将国庆假期前一周至国庆假期后两周划分为4个周期，按照位序规模法对各周期内虚拟旅游景区新增的浏览量进行分析发现（图3），虚拟旅游景区浏览量未受国庆假期影响而产生大幅波动。4个周期的变化趋势基本一致，q值均在1左右，呈帕累托分布形态，周期差异微弱。总体上看，虚拟旅游浏览量在一定程度上不受时间（假期）的影响，尤其是在国庆期间，既没有与现实旅游爆发期协同增长，也没有因现实旅游爆发期而衰弱。
图3 虚拟旅游景区浏览量分周期位序规模

Fig. 3 View volume rank size of virtual tourist attractions in four weeks

4 影响因素分析

4.1 影响因素选取

本研究根据已有文献将虚拟旅游景区浏览量的影响因素归纳为经济、社会、景区属性、信息化等4个维度（表5）。经济方面，地区的城市经济增长状况[29-30]、居民收入状况[31]和城市产业结构先进性[32-33]能充分反映其经济发展现状。经济是发展旅游业的重要支撑，当旅游业与经济水平发展到一定程度以后，虚拟旅游景区的建设得以开展。社会方面，城市区位是影响现实旅游的重要因素，虚拟旅游作为现实旅游的一种补充，更容易满足游客对较远旅游景区的向往[34]；城市所属的行政级别不同，政策和资源配置等方面也不同，导致拥有的虚拟旅游景区建设能力和旅游吸引力有所差异[35]；智慧城市建设反映了城市的智慧化发展水平，虚拟旅游景区建设是其中的重要部分。景区属性方面，景区等级是旅游景区质量的综合评价[8]，等级越高对游客的吸引力越强；旅游景区的经营目的通常对旅游景区未来发展规划有重要影响，经营权归属不同，对虚拟旅游景区建设的投入和成效也有所不同[36]。信息化方面，社会的旅游关注度能够对客流量产生积极作用，尤其是在网络中搜索和浏览旅游信息时，容易接触到虚拟旅游的相关信息，进而转换成虚拟旅游浏览量[18]；移动手机用户数量可以反映当地的网络普及程度[37]，移动手机用户数量越多，浏览虚拟旅游景区的可能性越高。
表5 虚拟旅游景区浏览量影响因素

Tab. 5 Influencing factors of the views volumn of virtual tourist attractions

一级指标 二级指标 指标解释 数据来源
经济因素 居民收入状况 社会零售消费品总额 《中国城市统计年鉴》
城市产业结构先进性 第三产业占比 《中国城市统计年鉴》
城市经济增长状况 GDP增长率 《中国城市统计年鉴》
社会因素 城市等级 直辖市为2，省会和计划单列城市为1，
其他城市为0		 国家发展和改革委员会
城市区位 东部地区为3，中部地区为2，
东北地区为1，西部地区为0		 国家统计局
智慧城市建设 国家智慧城市试点为1，其他城市为0 国家住房和城乡建设部
景区属性因素 旅游资源禀赋 城市所拥有的3A级、4A级、5A级旅游景区数量 各省市文化和旅游厅
旅游景区经营权 国有企业为1，其他企业为0 爱企查
旅游景区等级 5A级旅游景区为2，4A级旅游景区为1，
3A级旅游景区为0		 各省市文化和旅游厅
信息化因素 网络关注度 以“旅游”为关键词，
日期为2022.9.24—2022.10.22.		 百度搜索指数
城市网络普及程度 移动手机用户数量 《中国城市统计年鉴》

4.2 模型结果

4.2.1 模型检验

为了充分揭示虚拟旅游景区浏览量的影响因素，本研究设置两种因变量：一是以单个城市的虚拟旅游景区总浏览量为因变量（模型1和模型2）；二是以单个虚拟旅游景区浏览量为因变量（模型3和模型4），以检验模型的稳健性。在进行回归分析之前，共线性诊断结果显示各个变量的方差膨胀因子（Variance Inflation Factor，VIF）均小于10，表明指标之间不存在多重共线性。
模型1和模型2以城市为基本单元，由于293个地级市中有168个地级市的虚拟旅游景区浏览量为零，因此分别采用零膨胀泊松回归模型（ZIP-toomanyZero）和ZINBR进行回归分析。模型3和模型4以虚拟旅游景区为基本单元，分别采用了普通最小二乘法（Ordinary Least Square，OLS）和NBR进行回归分析，结果如表6所示。本研究运用Stata软件对4个模型进行AIC准则和BIC准则的计算，其中ZINBR的AIC和BIC数值均小于ZIP，表示ZINBR的拟合优度更高，能克服样本0值过多的问题，减少计算结果的偏差；NBR的AIC和BIC数值小于OLS，模型拟合效果更好。因此本研究采用ZINBR和NBR进行影响因素的分析，即模型2和模型4较为合理。
表6 回归结果

Tab. 6 Regression results


影响因素
变量		 城市浏览量模型 旅游景区浏览量模型
模型1
ZIP		 模型2
ZINBR		 模型3
OLS		 模型4
NBR
经济因素 社会零售消费品总额 0.40***
(86.94)		 0.28**
(2.21)		 96.95**
(2.28)		 0.35***
(4.07)
第三产业占比 0.05***
(106.51)		 0.06***
(4.11)		 4.33
(1.57)		 0.02***
(4.02)
GDP增长率 -0.01***
(-3.11)		 -0.11*
(-1.87)		 -0.83
(-0.06)		 0.04
(1.48)
社会因素 城市等级 -0.57***
(-46.12)		 -0.38
(-1.11)		 — —
城市区位 -0.16***
(-45.73)		 -0.15*
(-1.75)		 -16.43
(-0.91)		 -0.09**
(-2.31)
智慧城市建设 0.34***
(43.55)		 0.57***
(3.19)		 22.74
(0.45)		 0.07
(0.60)
景区属性 5A级旅游景区数量 0.18***
(78.08)		 0.24***
(2.88)		 — —
4A级旅游景区数量 -0.01***
(-21.47)		 -0.01
(-1.05)		 — —
3A级旅游景区数量 0.00***
(22.58)		 0.01*
(1.80)		 — —
旅游景区经营权 — — 66.09
(1.50)		 0.20**
(2.01)
旅游景区等级 — — 183.82***
(5.84)		 0.83***
(13.79)
信息化因素 网络关注度 -0.32***
(-65.55)		 -0.35**
(-2.45)		 -53.57
(-1.60)		 -0.14*
(-1.83)
_cons 3.40***
(100.40)		 3.29***
(4.13)		 — —
移动手机用户数量 0.00***
(-3.25)		 0.00***
(-3.24)		 -0.14
(-1.64)		 0.00***
(-3.21)
_cons 0.64***
(3.62)		 0.64***
(3.59)		 -220.99
(-1.25)		 2.780***
(7.65)
模型选择统计量 /lnalpha — -0.05
(-0.44)		 — -0.06
alpha — 0.95 — 0.94
Log likelihood -43 103.47 -1210.75 — -3182.20
AIC 86 232.94 2449.50 8123.89 6386.39
BIC 86 281.43 2501.72 8166.77 6433.56
Vuong 12.00*** 2.78*** — —

注：*、**、***分别表示在10%、5%、1%水平显著。模型1、2、4中的( )内为z值，模型3中的( )内为t值。

4.2.2 结果分析

在4类影响因素中，经济因素、景区属性和信息化因素对虚拟旅游景区浏览量的结果显著，且模型2与模型4的结论基本一致，而在社会因素方面，两个模型则存在部分差异。
在经济因素方面，首先，两个模型中的社会零售消费品总额与虚拟旅游景区浏览量存在强烈正相关。居民收入与旅游消费之间具有正向影响[38]，居民消费能力越高，越倾向于浏览虚拟旅游景区以满足其精神文化需求。其次，两个模型的第三产业占比对虚拟旅游景区浏览量均有显著促进作用。第三产业比重越大的城市，产业结构发展越先进[33]，这对加快虚拟旅游景区建设和提高游客吸引力有一定的助益。最后，城市的GDP增长率与城市尺度虚拟旅游景区浏览量呈显著负相关，这可能是受到了城市经济发展阶段的影响，但其在旅游景区尺度并未通过显著性检验。总体而言，旅游业的发展必须以经济基础作为支撑的结论在虚拟旅游发展中依然适用[39]。
在社会因素方面，城市等级并未显著影响虚拟旅游景区浏览量，但地理位置的差异对虚拟旅游景区浏览量存在显著影响，且在旅游景区尺度的影响略高于在城市尺度的影响。与旅游关注的空间差异结论相同，位于中部和西部地区的旅游景区更能吸引东部地区游客的关注[40]。在现实旅游中，距离在一定程度上限制了出游行为，交通网络覆盖面的提高可以激发游客的旅游动机[41]。在虚拟旅游中，偏远的旅游景区不受地理位置和交通时间的限制，因此更具有吸引力。智慧城市发展战略推动了旅游业的智慧化升级，因此，模型2中智慧城市建设的指标显著为正。但智慧城市建设对单个虚拟旅游景区浏览量的影响却不显著，表明该政策对虚拟旅游景区的作用参差不齐，还需针对性出台虚拟旅游景区示范与扶持政策。
在景区属性方面，旅游景区的等级在两个模型中均显示出了强显著性，5A级旅游景区数量对虚拟旅游景区浏览量有显著影响。无论是现实旅游还是虚拟旅游，游客均更加青睐5A级旅游景区，优质且丰富的旅游资源使虚拟旅游景区具备更强的吸引力。同时，5A级旅游景区产生了巨大经济效应，旅游景区或地方政府拥有雄厚的经济实力去创建虚拟旅游景区[42]，进而获取更高的浏览量。而3A级旅游景区数量对浏览量的影响较低，4A级旅游景区则不具备显著影响，再次验证了前文所述的游客对高等级旅游景区具有偏好的结论。另外，虚拟旅游景区浏览量还与其经营权有关，受欢迎的虚拟旅游景区大部分为国有企业。作为国民经济的主导力量，国有企业的资金优势对建设旅游景区大有裨益。
在信息化因素方面，模型2和模型4的移动手机用户数量虽均为显著负相关但系数极小，说明城市的网络普及程度对虚拟旅游景区浏览量影响并不强烈。由回归模型可知，虚拟旅游景区浏览量并非依赖居民的移动互联网普及率，可能与城市的信息化建设关系更加密切。令人意外的是，旅游的网络关注度与虚拟旅游景区浏览量呈现负相关。一方面，旅游网络关注度高的城市往往现实旅游条件更完备，当地居民更有可能选择现实旅游，体现出现实旅游的不可替代性；另一方面，旅游网络关注度低的城市可能是欠发达地区，反而由于景观的差异性吸引了发达地区的浏览量。

5 结论与启示

5.1 结论

本研究收集中国虚拟旅游景区数量及其在4个周期内的浏览量记录，采用核密度分析、位序规模分布、泰尔系数和回归模型等方法，对虚拟旅游景区的空间分布、浏览量的规模特征与影响因素进行分析，结论如下。
第一，中国虚拟旅游景区建设正处于初步发展阶段，总体上数量较少，空间分布与中国高等级旅游景区分布格局基本一致。5A级旅游景区的虚拟旅游覆盖率遥遥领先，4A级旅游景区从数量上占据了优势，而3A级旅游景区在总量和比例上均十分滞后，中国虚拟旅游景区发展还存在巨大的空间。
第二，虚拟旅游景区浏览量的规模在等级、类型和区域方面存在显著差异。虚拟旅游景区浏览量随景区等级降低而存在逐级递减规律，旅游景区等级越高，等级内部差异越大，5A级虚拟旅游景区首位度特征明显。从平均浏览量上看，地文景观类和水域景观类的虚拟旅游景区更受到游客青睐。东部和西部地区浏览量规模的内部差异远大于中部和东北地区，东、西部地区出现的高度集聚区，区域内部差异较大，而中部和东北地区呈现低水平发育，集聚区较少。另外，2022年国庆期间在国内旅游市场平稳运行的情况下，虚拟旅游景区浏览量并未因假期而出现显著的周期性波动，与现实旅游景区的客流量规律相反，说明虚拟旅游打破了时间与空间的限制，构成了相对稳定的虚拟客流网络。
第三，经济和景区属性对虚拟旅游景区浏览量具有关键性影响，经济水平与旅游景区等级越高，虚拟旅游景区浏览量越多。此外，虚拟旅游景区浏览量还受到社会因素的综合作用，偏远城市虽处于区位劣势，却反而能吸引游客浏览，表明信息技术的发展重塑了网络地理空间，打破了传统地理位置对偏远旅游景区的制约。

5.2 启示

本文研究了虚拟旅游景区浏览量的规模特征差异和影响因素，丰富了虚拟旅游在空间规模方面的相关内容。
首先，本研究发现中国虚拟旅游景区还处于初步发展阶段，虽已有国家层面的《旅游景区质量等级的划分与评定》和部分省市的《智慧旅游景区等级划分与评定》等相关标准，但关于虚拟旅游景区建设的细则不多，对虚拟旅游的客流规模、建设成效等也没有具体指示，亟需新的行业标准或建设指南为众多旅游景区提供发展方向。
其次，根据虚拟旅游景区浏览量的规模特征，游客对高等级、自然风光类旅游景区的偏好与现实旅游的研究结论无异，旅游资源仍然是决定虚拟旅游发展质量的本底因素。目前，许多历史文化旅游景区已经关注虚拟旅游与文化保护相结合，自然风光类旅游景区亦可顺应游客的偏好，借虚拟旅游这一窗口展示旅游资源，提高旅游吸引力，推动客流量增长。
最后，相比现实旅游景区，虚拟旅游突破了时空的限制，新的时代背景下对旅游者地域分布和空间移动的研究也需要进一步延伸。从空间上看，位于偏远地区的旅游景区虽然处于区位劣势，但可以通过发展虚拟旅游扩大旅游景区的知名度，弥补地理位置上的缺陷，促进线上的浏览量转化为现实的客流量。从时间上看，虚拟旅游浏览量可排除季节性、周期性的影响，其波动情况是游客需求的真实反应，可以为现实旅游景区的客流预测提供参考。未来可深入研究虚拟旅游景区浏览量与现实客流量之间的转换问题，进一步分析二者之间是否存在地理阻力。
本研究仍存在些许不足。在数量上，虚拟旅游景区样本无法覆盖全部旅游景区，致使虚拟旅游景区浏览量统计数据存在样本量分布不均的问题。在时间上，本研究仅以一个月为例测度和剖析虚拟旅游景区浏览量变化，之后可尝试拓展样本时序，对虚拟旅游景区展开长时序观测和研究，更深入地探究浏览量的规模特征变化和影响因素。囿于数据的可得性，也未能分析各个虚拟旅游景区之间客源市场的差异。未来可从这些方面深耕，加深对虚拟旅游的理论与实践认识。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Cho Y H, Wang Y C, Fesenmaier D R. Searching for experiences: The web-based virtual tour in tourism marketing[J]. Journal of Travel & Tourism Marketing, 2002, 12(4): 1-17.

[2]
崔彤彤, 姜洪涛. 虚拟旅游体验、真实性和满意度对实地旅游意向的影响研究: 以敦煌莫高窟为例[J]. 地理与地理信息科学, 2023, 39(3): 122-129.

[Cui Tongtong, Jiang Hongtao. Influence of virtual tourism experience, authenticity and satisfaction on on-site tourism intention: A case study of the Mogao Grottoes in Dunhuang[J]. Geography and Geo-Information Science, 2023, 39(3): 122-129.]

[3]
贾慧敏, 张运来. 虚拟旅游产品体验中游客幸福感的生成机制研究: 基于具身体验视角[J]. 旅游科学, 2022, 36(3): 17-35.

[Jia Huimin, Zhang Yunlai. A research on the generation mechanism of tourist well-being in virtual reality tourism product experience: Based on the embodied experience view[J]. Tourism Science, 2022, 36(3): 17-35.]

[4]
甘露, 谢雯, 贾晓昕, 等. 虚拟现实体验能替代实地旅游吗? 基于威士伯峰虚拟现实体验的场景实验分析[J]. 旅游学刊, 2019, 34(8): 87-96.

[Gan Lu, Xie Wen, Jia Xiaoxin, et al. Could the VR experience replace on-site travel? Experimental analysis of the VR scene of Valspar Peak[J]. Tourism Tribune, 2019, 34(8): 87-96.]

[5]
王雨晨, 焦育琛. 虚拟旅游体验与游客实地旅游意愿: 基于SOR理论的双刃剑效应检验: 以莫高窟虚拟景区为例[J]. 旅游论坛, 2023, 16(2): 95-105.

[Wang Yuchen, Jiao Yuchen. Virtual tourism experience and tourist on-site tourism willingness: A double-edged sword effect test based on SOR theory: Taking the Mogao Grottoes virtual scenic area as an example[J]. Tourism Forum, 2023, 16(2): 95-105.]

[6]
张文新, 刘欣欣, 杨春志, 等. 城际高速铁路对城市旅游客流的影响: 以南京市为例[J]. 经济地理, 2013, 33(7): 163-168.

[Zhang Wenxin, Liu Xinxin, Yang Chunzhi, et al. Study on the impact of high speed railway on urban tourism: Taking Nanjing as an example[J]. Economic Geography, 2013, 33(7): 163-168.]

DOI

[7]
刘泽华, 顾宗欣, 王楠楠, 等. 闲暇时间约束对中山陵景区国内客源市场空间结构的影响[J]. 地理研究, 2013, 32(9): 1737-1746.

DOI

[Liu Zehua, Gu Zongxin, Wang Nannan, et al. The influence of leisure time constraint on spatial structure of domestic tourist market of Dr. Sun Yat-sen’s Mausoleum[J]. Geographical Research, 2013, 32(9): 1737-1746.]

DOI

[8]
Aylen J, Albertson K, Cavan G. The impact of weather and climate on tourist demand: The case of Chester Zoo[J]. Climatic Change, 2014, 127(2): 183-197.

DOI

[9]
Aratuo D N, Etienne X L, Gebremedhin T, et al. Revisiting the tourism-economic growth nexus: Evidence from the United States[J]. International Journal of Contemporary Hospitality Management, 2019, 31(9): 3779-3798.

DOI

[10]
Widawski K, Oleśniewicz P, Rozenkiewicz A, et al. Protected areas: Geotourist attractiveness for weekend tourists based on the example of Gorczański National Park in Poland[J]. Resources, 2020, 9(4): 35.

DOI

[11]
邓纯纯, 吴晋峰, 吴珊珊, 等. 中国A级景区等级结构和空间分布特征[J]. 陕西师范大学学报(自然科学版), 2020, 48(1): 70-79.

[Deng Chunchun, Wu Jinfeng, Wu Shanshan, et al. Grade structure and spatial distribution characteristics of A-grade scenic spots in China[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2020, 48(1): 70-79.]

[12]
麻学锋, 周华, 谭佳欣, 等. 旅游地成长与高级别景区形成的耦合路径与机制: 以张家界为例[J]. 经济地理, 2021, 41(6): 205-212.

[Ma Xuefeng, Zhou Hua, Tan Jiaxin, et al. Coupling path and mechanism between the tourism development and the formation system of high-level scenic spots: A case study of Zhangjiajie[J]. Economic Geography, 2021, 41(6): 205-212.]

[13]
罗润, 周年兴, 谢秋逸, 等. 基于小波分析的不同类型旅游景区旅游流时间特征研究: 以江苏省125家高等级旅游景区为例[J]. 地域研究与开发, 2022, 41(6): 99-104.

[Luo Run, Zhou Nianxing, Xie Qiuyi, et al. Study on the temporal characteristics of tourist flow in different types of scenic spots based on wavelet analysis: A case study of 125 high-level scenic spots in Jiangsu Province[J]. Areal Research and Development, 2022, 41(6): 99-104.]

[14]
韩军辉, 杨雨婷, 甄林芝, 等. 新冠疫情冲击下平遥古城网络关注度的影响因素研究[J]. 干旱区资源与环境, 2023, 37(3): 203-208.

[Han Junhui, Yang Yuting, Zhen Linzhi, et al. Research on the factors influencing network attention to Pingyao Ancient City under the impact of COVID-19[J]. Journal of Arid Land Resources and Environment, 2023, 37(3): 203-208.]

[15]
刘培学, 张捷, 张建新, 等. 旅游景区客流规模特征与影响因素研究: 以江苏省204家景区为例[J]. 地理科学, 2021, 41(11): 1992-2001.

DOI

[Liu Peixue, Zhang Jie, Zhang Jianxin, et al. The rank-size distribution and influencing factors of tourist flow: A case study of 204 scenic spots in Jiangsu Province[J]. Scientia Geographica Sinica, 2021, 41(11): 1992-2001.]

DOI

[16]
郑群明, 洪心妍. “申遗”让游客感知到世界遗产地哪些变化? 基于泉州市UGC网络数据[J]. 中国生态旅游, 2023, 13(3): 438-452.

DOI

[Zheng Qunming, Hong Xinyan. What changes have tourists perceived of World Heritage Site after the successful inscription on the World Heritage List? An analysis of UGC web data of Quanzhou[J]. Journal of Chinese Ecotourism, 2023, 13(3): 438-452.]

DOI

[17]
路紫, 赵亚红, 吴士锋, 等. 旅游网站访问者行为的时间分布及导引分析[J]. 地理学报, 2007, 62(6): 621-630.

[Lu Zi, Zhao Yahong, Wu Shifeng, et al. The time distribution and guide analysis of visiting behavior of tourism website users[J]. Acta Geographica Sinica, 2007, 62(6): 621-630.]

[18]
李山, 邱荣旭, 陈玲. 基于百度指数的旅游景区络空间关注度: 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.

[Li Shan, Qiu Rongxu, Chen Ling. Cyberspace attention of tourist attractions based on Baidu index: Temporal distribution and precursor effect[J]. Geography and Geo-Information Science, 2008, 24(6): 102-107.]

[19]
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

[Yang Yong, Sui Xiayun, Liu Zhen. Spatial pattern change of the network structure of China’s inter-provincial virtual tourism flow[J]. Progress in Geography, 2022, 41(8): 1349-1363.]

DOI

[20]
唐鸿, 许春晓. 中国红色旅游经典景区网络关注度时空演变及影响因素[J]. 自然资源学报, 2021, 36(7): 1792-1810.

DOI

[Tang Hong, Xu Chunxiao. Spatio-temporal evolution and influencing factors of Chinese red tourism classic scenic spots network attention[J]. Journal of Natural Resources, 2021, 36(7): 1792-1810.]

DOI

[21]
李晗, 丁志伟, 刘卓林, 等. 中国海岸带A级旅游景区百度关注度空间差异及影响因素[J]. 中国生态旅游, 2022, 12(5): 814-830.

DOI

[Li Han, Ding Zhiwei, Liu Zhuolin, et al. Spatial differences and influencing factors of Baidu’s attention on A-level tourist attractions in China’s coastal zone[J]. Journal of Chinese Ecotourism, 2022, 12(5): 814-830.]

DOI

[22]
宁志中, 王婷, 杨雪春. 2001年以来中国旅游景区时空格局演变与景区群形成[J]. 地理研究, 2020, 39(7): 1654-1666.

DOI

[Ning Zhizhong, Wang Ting, Yang Xuechun. Spatio-temporal evolution of tourist attractions and formation of their clusters in China since 2001[J]. Geographical Research, 2020, 39(7): 1654-1666.]

DOI

[23]
文化和旅游部. 国庆假期全国国内旅游出游4.22亿人次, 国内旅游收入2872.1亿元[EB/OL]. (2022-10-07) [2023-07-18]. https://www.gov.cn/xinwen/2022-10/07/content_5716040.htm.

[Ministry of culture and tourism. The number of domestic tourism trips was 422 million, and the domestic tourism revenue was 287.21 billion yuan during the National Day holiday[EB/OL]. (2022-10-07) [2023-07-18]. https://www.gov.cn/xinwen/2022-10/07/content_5716040.htm.]

[24]
汤国安, 杨昕. ArcGIS地理信息系统空间分析实验教程[M]. 2版. 北京: 科学出版社, 2012.

[Tang Guoan, Yang Xin. ArcGIS Spatial Analysis Experiment Tutorial[M]. 2nd ed. Beijing: Science Press, 2012.]

[25]
马艳磊, 朱欣焰, 岳瀚, 等. 基于空间回归模型的道路交通事故影响因子分析[J]. 测绘地理信息, 2023, 48(3): 126-131.

[Ma Yanlei, Zhu Xinyan, Yue Han, et al. Analysis of influencing factors for road traffic accidents based on spatial regression model[J]. Journal of Geomatics, 2023, 48(3): 126-131.]

[26]
阿荣高娃, 孙根年, 乔少辉, 等. 内蒙古A级景区客流量估算模型: 5个单因素方差分析与多元回归建模[J]. 干旱区资源与环境, 2019, 33(12): 193-200.

[A Ronggaowa, Sun Gennnian, Qiao Shaohui, et al. Models for estimation of tourist flow in A-class scenic spots in Inner Mongolia[J]. Journal of Arid Land Resources and Environment, 2019, 33(12): 193-200.]

[27]
刘佳, 高峰, 张生瑞. 滨海旅游目的地游客感知价值的影响因素研究: 以广西北海银滩国家级旅游度假区为例[J]. 中国生态旅游, 2021, 11(4): 644-657.

DOI

[Liu Jia, Gao Feng, Zhang Shengrui. Research on the perceived value of tourists and its influencing factors in coastal tourism destinations: A case study of Beihai Silver Beach[J]. Journal of Chinese Ecotourism, 2021, 11(4): 644-657.]

DOI

[28]
刘建国, 张妍, 黄杏灵. 基于感知情境的北京不同类型旅游景区游客满意度研究[J]. 地理科学, 2018, 38(4): 564-574.

DOI

[Liu Jianguo, Zhang Yan, Huang Xingling. Tourism satisfaction of different types of tourist attractions in Beijing based on perceived situation[J]. Scientia Geographica Sinica, 2018, 38(4): 564-574.]

DOI

[29]
唐鸿, 许春晓. 长沙市休闲旅游资源空间分布特征及形成机制[J]. 经济地理, 2022, 42(12): 214-223.

DOI

[Tang Hong, Xu Chunxiao. Spatial distribution characteristics and formation mechanism of urban leisure tourism resources in Changsha City[J]. Economic Geography, 2022, 42(12): 214-223.]

DOI

[30]
方叶林, 黄震方, 李经龙, 等. 中国市域旅游流网络结构空间分异及其效应研究: 基于携程旅行网的大数据挖掘[J]. 自然资源学报, 2022, 37(1): 70-82.

DOI

[Fang Yelin, Huang Zhenfang, Li Jinglong, et al. Research on the spatial differentiation and effects of network structure in tourism flow in Chinese cities: Big data mining based on Ctrip[J]. Journal of Natural Resources, 2022, 37(1): 70-82.]

DOI

[31]
康韵婕, 杨建平, 哈林, 等. 冰冻圈旅游经济区发展水平及影响因素分析: 以大香格里拉地区为例[J]. 世界地理研究, 2022, 31(5): 1083-1095.

DOI

[Kang Yunjie, Yang Jianping, Ha Lin, et al. Analysis on the development level and influencing factors of the cryosphere tourism economic zone: Taking the Greater Shangri-La region as an example[J]. World Regional Studies, 2022, 31(5): 1083-1095.]

DOI

[32]
丁娟, 焦华富, 李俊峰. 产业演进对旅游城市空间形态演变的作用机理: 以黄山市为例[J]. 地理研究, 2014, 33(10): 1966-1976.

[Ding Juan, Jiao Huafu, Li Junfeng. Study on the mechanisms of evolution of urban industry on the evolvement of tourism urban spatial morphology: Taking Huangshan city as an example[J]. Geographical Research, 2014, 33(10): 1966-1976.]

DOI

[33]
冀雁龙. 产业结构变迁视角下旅游发展对经济增长的影响: 基于中国2000—2020年省级面板数据的实证检验[J]. 旅游论坛, 2022, 15(5): 49-59.

[Ji Yanlong. Impact of tourism development on economic growth from the perspective of industrial structure change: The empirical test based on China’s provincial panel data from 2000 to 2020[J]. Tourism Forum, 2022, 15(5): 49-59.]

[34]
杨勇. 数字经济如何重塑区域旅游经济地理空间格局?[J]. 旅游科学, 2022, 36(6): 1-19.

[Yang Yong. How does digital economy reshape the geographical spatial pattern of regional tourism economy?[J]. Tourism Science, 2022, 36(6): 1-19.]

[35]
张毓, 孙根年, 苏建军. 基于行政级别的长三角地区城市规模与国内旅游关系演变研究[J]. 陕西师范大学学报(自然科学版), 2016, 44(5): 102-108.

[Zhang Yu, Sun Gennian, Su Jianjun. Relation and evolution of city scale and domestic tourism development in the Yangtze River Delta based on the administrative level[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2016, 44(5): 102-108.]

[36]
郑向敏. 旅游景区(点)经营权转让亟须科学合理的制度安排[J]. 旅游学刊, 2005, 20(3): 11-12.

[Zheng Xiangmin. There is an urgent need for scientific and reasonable institutional arrangements for the transfer of management rights of tourist attractions (spots)[J]. Tourism Tribune, 2005, 20(3): 11-12.]

[37]
罗婉琳, 王芳, 丁志伟. 中国红色景区抖音网络关注度的空间差异及其影响因素[J]. 经济地理, 2023, 43(3): 198-210.

DOI

[Luo Wanlin, Wang Fang, Ding Zhiwei. Spatial difference and influencing factors of Douyin’s network attention of red scenic spots in China[J]. Economic Geography, 2023, 43(3): 198-210.]

DOI

[38]
白倩文, 吴晋峰, 罗维, 等. 旅游目的地选择行为的收入群体差异: 以北京、武汉、西安城镇居民为例[J]. 人文地理, 2020, 35(5): 150-160.

[Bai Qianwen, Wu Jinfeng, Luo Wei, et al. Discrepancy of tourism destination choice among the different income groups: A case study of Beijing, Wuhan and Xi’an[J]. Human Geography, 2020, 35(5): 150-160.]

[39]
罗文斌, 徐飞雄, 贺小荣. 旅游发展与经济增长、第三产业增长动态关系: 基于中国1978—2008数据的实证检验[J]. 旅游学刊, 2012, 27(10): 20-26.

[Luo Wenbin, Xu Feixiong, He Xiaorong. Study on the dynamic relationship between tourism expansion and economic growth in China (1978-2008): Based on the cointegration test and Granger causality test model[J]. Tourism Tribune, 2012, 27(10): 20-26.]

[40]
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.

[Xu Jing, Jin Cheng. Analysis of network patterns and spatial heterogeneity of influencing factors of inter-provincial tourism attention in China[J]. Tourism Tribune, 2020, 35(6): 14-24.]

[41]
李保超, 王朝辉, 李龙, 等. 高速铁路对区域内部旅游可达性影响: 以皖南国际文化旅游示范区为例[J]. 经济地理, 2016, 36(9): 182-191.

[Li Baochao, Wang Chaohui, Li Long, et al. The influence of high-speed railways on accessibility of tourism in the region: A case study of southern Anhui international cultural tourism destination[J]. Economic Geography, 2016, 36(9): 182-191.]

[42]
袁诚, 侯哲灏, 陈景祺. 中国5A级景区分布特征及其经济效应探讨[J]. 地域研究与开发, 2015, 34(4): 74-79.

[Yuan Cheng, Hou Zhehao, Chen Jingqi. Distribution features and economic effect of national 5A tourist attractions in China[J]. Areal Research and Development, 2015, 34(4): 74-79.]

Options
文章导航

/

〈 〉