EN中文

ECOTOURISM >

2024 , Vol. 14 >Issue 3: 621 - 635

DOI: https://doi.org/10.12342/zgstly.20240107

Urban Tourism

Spatial correlation pattern of “distance-agglomeration” of urban tourism industry factors

  • Zhang Kun , 1 ,
  • Xie Chaowu , 1, 2, *
Expand
  • 1. College of Tourism, Huaqiao University, Quanzhou 362021, China
  • 2. Smart Tourism Research Institute, Huaqiao University, Quanzhou 362021, China
* Xie Chaowu. E-mail:

Received date: 2024-04-01

  Revised date: 2024-06-10

  Online published: 2024-09-18

Fold

Abstract

The complexity of urban functions and structure brings new challenges to the spatial layout of tourism industry factors. This study focuses on the main urban area of Fuzhou City and examines the spatial distribution of the six factors of the tourism industry: catering, accommodation, transportation, sightseeing, shopping, and entertainment. Bivariate Ripley’s K function is introduced to reveal the “distance-agglomeration” correlation pattern among these factors. The results show that: (1) the spatial distribution density of the six factors of the tourism industry has a strong correlation with the urban functional zoning, and the pattern of the six factors shows the distribution characteristics of “along the river, large agglomeration and small dispersion”, and forms multiple spatial clusters. (2) The agglomeration hotspots distribution of the six factors of tourism industry has spatial commonality and heterogeneity. The hotspots of catering, shopping, and entertainment factors demonstrate strong spatial correlations, while sightseeing hotspots tend to have a mono-core distribution. Transportation hotspots have a broader distribution range, and accommodation hotspots have a strong tourist flow and transportation orientation. (3) The study identifies four types of “distance-agglomeration” spatial correlation patterns among the six factors of the tourism industry. The patterns include “close distance-strong agglomeration” and “close distance-weak agglomeration”, with the shopping factors at the center. The “long distance-weak agglomeration” pattern is associated with transportation and sightseeing factors, while the “long distance-strong agglomeration” model is centered on entertainment factors. This analysis offers a deepen spatial understanding of the relationships between different factors of the tourism industry.

Key words： urban tourism; industrial factors; spatial correlation; Point of Interest (POI) data; bivariate Ripley’s K function; main urban area of Fuzhou City

Cite this article

Zhang Kun , Xie Chaowu . Spatial correlation pattern of “distance-agglomeration” of urban tourism industry factors[J]. ECOTOURISM, 2024 , 14(3) : 621 -635 . DOI: 10.12342/zgstly.20240107

1 引言

旅游产业要素的空间结构是旅游地理学的重要研究内容之一[1]，其布局与演化直接塑造着城市旅游空间结构的发展与变迁[2]，并对城市功能以及城市空间格局、交通格局和经济格局都有着重要影响[3]。吃、住、行、游、购、娱作为旅游产业的核心要素，构成了旅游产业系统的运作基础[4-5]。随着大众旅游时代的到来，旅游与日常生活之间的界限逐渐模糊[6]，旅游设施与日常休闲设施相互交织[7]，城市旅游产业要素的构成呈现多样化和扩大化趋势。与此同时，城市功能与结构也变得日趋复杂，城市内部空间不断重构[8]。城市功能与结构的复杂性决定了城市旅游产业布局的复杂性，其布局过程不仅需要考虑单一要素布局的合理性，更需要综合考虑不同要素间的相互联系[9]。因此，全面认知旅游产业要素的空间结构，对于提升城市旅游功能、增强城市吸引力和竞争力具有重要意义。
旅游产业要素研究大多聚焦于A级旅游景区[10]、旅行社[11]、酒店[12]、会展场馆[13]等传统旅游要素，随着时代的发展，共享住宿[14-15]、露营地[16]等新业态不断被纳入旅游产业要素研究中，相关研究主要探索其分布特征、区域差异、可达性、影响因素、集聚效应等方面，研究尺度多基于全国、城市群或者省域空间等宏观尺度。随着信息技术的快速发展，带有地理位置标记的大数据为微观尺度下的旅游产业要素研究提供了可能[17]。学界对成都[18]、广州[19]、西安[20]、武汉[21]等城市尺度下的旅游产业要素空间结构以及影响因素等进行了分析探讨。研究发现，城市旅游产业要素空间布局是经济、资源、人口、交通、政策、政府以及重大事件等综合作用的结果，城市尺度下的旅游产业要素多呈现集聚分布态势，不同类型要素的集聚特征呈现多样性[18,22]。也有学者进一步对城市旅游产业要素之间的关联性和关联程度差异性进行了探讨[23-24]。通过文献梳理发现，空间距离引致的关联性和集聚性是理解城市旅游产业功能与结构的重要特质，也是优化旅游产业6要素整体空间布局的重要依据，但是既有研究尚未同时对旅游产业要素关联的空间距离与集聚性进行审视，对于旅游产业要素“距离-集聚”的空间关联结构缺乏认知，这是影响旅游产业空间布局优化的重要知识缺陷。
基于此，研究以旅游产业6要素（吃、住、行、游、购、娱）的兴趣点（Point of Interest，POI）数据为基础，以福州市主城区为研究区域，运用地理空间分析方法，在分析旅游产业6要素空间分布特征的基础上，使用双变量Ripley’s K函数揭示旅游产业6要素在地理空间上的“距离-集聚”关联模式，以期为旅游城市产业要素空间布局和城市功能优化提供科学参考。

2 研究方法与数据来源

2.1 研究区域概况

福州市是福建省省会，为福州都市圈和海峡西岸经济区的重要核心城市。2023年，福州市旅游接待总人数首次突破1亿人次，实现旅游总收入983.89亿元，均位居全省前列 ① 。近年来，福州市着力构建特色文旅集聚式发展的“一核三廊十四片区”产业布局。福州市作为典型的河口盆地型城市，旅游产业发展相对受限，如何做好旅游产业要素空间优化是该类城市旅游业发展面临的重要问题。研究区域确定为《福州市绿地系统规划（2021—2035年）》划定的福州市主城区范围，包括鼓楼区、仓山区、台江区、晋安区（不含宦溪镇、寿山乡和日溪乡）、马尾区、长乐区5个区下辖街道，闽侯县的荆溪镇、上街镇、南屿镇、南通镇、尚干镇、祥谦镇、青口镇以及连江县的琯头镇，共计69个街道及乡镇。

2.2 研究方法

2.2.1 HDBSCAN聚类

HDBSCAN（Hierarchical DBSCAN）聚类是在DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类基础上增加了层次聚类和概率思想，其根据最小聚类点数确定相互可达距离，能够使高密度点位数据保持相同距离，在处理不同密度的点位数据时结果更加稳健[25]，聚类效果在一定程度上优于DBSCAN、K-Means等传统聚类算法[26]。研究运用HDBSCAN聚类工具分析旅游产业要素的空间组团特征，其计算公式为：
d m r e a c h - k ( x ,   y ) = m a x { c o r e k ( x ) ,   c o r e k ( y ) ,   d ( x ,   y ) }
式中， d m r e a c h - k ( x ,   y )表示旅游产业要素POI点x与点y之间的相互可达距离，能够分离出点位数据集中的稀疏点； d ( x ,   y )表示x与y之间的距离； c o r e k ( x )， c o r e k ( y )分别表示第k近邻距离作为x，y的核心距离。研究使用R语言中的dbscan程序包执行HDBSCAN聚类[27]。

2.2.2 全局空间自相关

全局空间自相关常用于描述某属性在整个区域的空间集聚特征，反映空间邻域观测值的空间相关性，Moran’s I是其常用测量指标[28]。研究运用全局空间自相关探索旅游产业要素是否存在空间集聚效应，Moran’s I小于0表示旅游产业要素的空间分布呈现负相关，大于0表示旅游产业要素的空间分布呈现正相关，等于0则表示各空间单元相互独立。Moran’s I值越接近1，表明旅游产业要素空间集聚效应越明显；Moran’s I值越接近-1，则表明旅游产业要素空间异质性越明显。

2.2.3 核密度估计

核密度估计是估计随机变量概率密度函数的一种非参数方法[10]。采用ArcGIS中的核密度工具对旅游产业要素分布进行核密度分析，计算每个输出光栅单元周围点特征的密度，核密度估计值越高，表明旅游产业要素在该处分布密度越大，集聚程度越高。

2.2.4 双变量Ripley’s K函数

Ripley’s K函数常用于分析点要素在不同空间尺度下的分布情况，单变量Ripley’s K函数一般用于揭示单类要素在不同空间尺度下的分布模式[18]，双变量Ripley’s K函数可用于揭示两类要素在不同空间尺度下的集聚、随机与离散等特定关系[29]。研究运用双变量Ripley’s K函数探索旅游产业6要素之间是否存在空间依赖关系，揭示旅游产业要素的空间关联模式。双变量Ripley’s K函数计算公式为：
K ^ 12 ( d ) = A n 1 n 2 ∑ i = 1 n 1 ∑ j = 1 n 2 1 W i j I d ( u i j ) ( i ≠ j )
式中，A为研究区域面积；n1和n2为两类旅游产业要素的POI数量；uij为点i和点j之间的距离；d表示空间尺度，当uij≤d时， I d ( u i j )=1；当uij >d时， I d ( u i j )=0；Wij为以点i为圆心、uij为半径的圆周长在面积A中的比例[30]。在实际的应用过程中，有学者提出对 K ( d )进行开平方的线性变换，即使用 L ( d )来代替 K ( d )，以保持方差稳定性[31]。其计算公式为：
L 12 ( d ) = K ^ 12 ( d ) / π - d
式中， L 12 ( d )大于0表明两类旅游产业要素呈集聚分布， L 12 ( d )小于0表明呈分散分布，等于0则表明无空间关联。一般采用蒙特卡罗法（Monte Carlo）检验 L 12 ( d )函数结果的显著性，即通过蒙特卡罗模拟运算得到 L 12 ( d )函数置信区间的上限和下限，即上下包迹线，如果实际 L 12 ( d )值在包迹线之上，表明两类旅游产业要素之间呈现集聚分布模式；在包迹线之内，表明要素之间呈现随机分布模式；在包迹线之下，表明要素之间呈现离散分布模式； L 12 ( d )值与置信区间差距最大值表示集聚水平[29]。研究使用R语言中的spatstat程序包执行双变量Ripley’s K函数分析[32]。

2.3 数据来源与处理

旅游产业具有较强的综合性。本研究根据国家统计局印发的《国家旅游及相关产业统计分类（2018）》和借鉴学界通常做法[4]，将旅游产业划分为旅游餐饮（吃）、旅游住宿（住）、旅游出行（行）、旅游游览（游）、旅游购物（购）和旅游娱乐（娱）6类。POI数据因精确度高、颗粒度细等优势在旅游产业研究中具有较好的适配性[33]。首先，利用高德地图应用程序接口对福州市主城区范围内的POI数据进行拾取，主要包括POI的名称、经纬度、所属分类、地址信息等要素，采集时间为2022年12月；其次，将采集到的POI经纬度转换为WGS 84坐标，剔除无关或重复的POI；最后，根据旅游产业6要素基本载体，对高德地图POI分类做进一步重分类和优化重组，最终获得旅游产业要素POI数据58 130条（表1）。此外，研究所用的河流数据来自开放街道地图（Open Street Map，OSM）。
表1 旅游产业要素类型与基本载体

Tab. 1 Types and basic carriers of tourism industry factors

类别 基本载体 数量（个）
旅游餐饮（吃） 小吃店、快餐店、中餐馆、西餐馆、咖啡厅、茶座、奶茶店、蛋糕甜品店等 31 625
旅游住宿（住） 民宿、旅馆、青旅、经济型酒店、三星级酒店、四星级酒店、五星级酒店等 2 078
旅游出行（行） 公交站、长途汽车站、地铁站、火车站、轮渡港口、机场、充电站、加气站、
加油站、汽车维修店、汽车配件店、汽车租赁公司等		 5 729
旅游游览（游） A级旅游景区、博物馆、纪念馆、科技馆、天文馆、图书馆、文化宫、会展展览
场馆、一般景点、宗教寺庙、城市公园、植物园、动物园、水族馆、露营地等		 3 402
旅游购物（购） 百货商场、购物中心、便利店、商业街、旅游纪念品店、超市、免税店等 13 561
旅游娱乐（娱） 农家乐、度假养老基地、游乐场、电影院、剧场、音乐厅、KTV、酒吧、棋牌室等 1 735

3 结果分析

3.1 空间密度特征

福州市主城区旅游产业要素整体空间分布密度差异明显，呈现阶梯递减的分布特征（表2）。其中，台江区和鼓楼区旅游产业要素密度最高，分别为401.83个/km2和247.64个/km2，仓山区和晋安区旅游产业要素密度次之，分别为97.41个/km2和74.78个/km2，闽侯县、马尾区、长乐区和连江县旅游产业要素密度最低，分别为12.08个/km2、11.96个/km2、11.31个/km2和7.02个/km2。类别上，旅游餐饮、旅游住宿、旅游出行、旅游购物和旅游娱乐类要素分布密度最高的区域都为台江区，其次为鼓楼区；而旅游游览类要素分布密度最高的区域为鼓楼区，其次为台江区。旅游产业6要素空间分布密度的差异性与各区（县）的主导城市功能具有较强的相关性。台江区作为福州市CBD核心区，经济发展水平快速，餐饮、住宿、购物和娱乐等产业发展水平较高，各类产业要素分布相对密集；鼓楼区作为福州市重要文化中心，拥有三坊七巷历史文化街区这一核心旅游资源，旅游产业起步较早，各类旅游产业要素分布较为齐全。此外，台江区和鼓楼区人口密度和人均GDP也位居福州各区（县）前列，为旅游产业要素集聚提供了市场和经济基础。综合来看，福州市主城区旅游产业要素空间分布密度差异明显，空间分布密度与城市功能分区具有较强的关联性。
表2 福州市主城区旅游产业要素密度分布

Tab. 2 Density distribution of tourism industry factors in the urban area of Fuzhou City

区（县） 旅游餐饮 旅游住宿 旅游出行 旅游游览 旅游购物 旅游娱乐 整体密度
台江区 243.91 16.41 18.52 10.78 96.45 15.74 401.83
鼓楼区 148.28 10.59 12.44 18.84 48.27 9.21 247.64
仓山区 54.33 3.41 9.85 4.09 23.52 2.21 97.41
晋安区 41.44 2.17 7.81 3.55 17.57 2.23 74.78
闽侯县 6.37 0.48 1.40 0.62 2.84 0.36 12.08
马尾区 5.61 0.21 1.64 0.91 3.23 0.35 11.96
长乐区 5.22 0.41 1.64 1.07 2.65 0.31 11.31
连江县 2.19 0.12 0.64 1.90 1.95 0.22 7.02

3.2 空间组团特征

运用HDBSCAN算法对旅游产业要素的空间组团特征进行分析。考虑到旅游产业6要素在数量上具有较大差异性，经过多次尝试，将HDBSCAN算法中的2个核心参数：邻域半径（eps）设置为0.0145，最小聚类数量（minPts）设置为30，最终HDBSCAN聚类结果如图1所示。图1中，点表示POI所代表的旅游产业要素，颜色表示旅游产业要素的不同聚类组团，组团0表示噪声点。整体来看，福州市主城区旅游产业要素点格局呈现“沿江、大集聚和小分散”的分布特征：“沿江”主要表现为旅游产业要素沿闽江支流的乌龙江和白龙江呈带状分布；“大集聚”主要表现为旅游产业要素在福州市的晋安区、鼓楼区、台江区和仓山区形成了规模较大的组团分布；“小分散”主要表现为旅游产业要素在福州市的马尾区、长乐区、闽侯县和连江县等地虽然形成了部分聚类组团，但分布数量相对较少。
图1 旅游产业要素HDBSCAN聚类组团的空间分布

Fig. 1 Spatial distribution of HDBSCAN cluster group of tourism industry factors

在具体类别上，旅游产业6要素都形成了多个紧凑型的空间组团，但组团数量和组团分布具有一定差异性。从组团数量来看（表3），旅游出行类要素形成的空间聚类组团数量为15个，是组团数量最多的旅游产业要素类型；旅游餐饮、旅游游览和旅游购物类要素组团数量次之，分别为13、12和11个；旅游住宿和旅游娱乐类要素形成的组团数量较少，分别为7个和3个。从组团空间分布来看，各类旅游产业要素都在仓山区、鼓楼区、台江区和晋安区形成了规模最大的组团，并且最大组团内的旅游产业要素占比超过或接近50%。除最大组团外，旅游产业6要素的聚类组团分布具有一定的空间差异，如旅游餐饮类要素在闽侯县的上街镇、南屿镇和南通镇形成了较大的空间组团；旅游住宿类要素在长乐区形成了较大的空间组团。此外，从噪声点占比来看，旅游游览和旅游娱乐类要素噪声点占比最高，旅游餐饮和旅游购物类要素的噪声点占比最小。综合来看，福州市主城区旅游产业要素的空间组团分布具有大类一致性和细分差异性的特征。
表3 旅游产业要素HDBSCAN聚类组团分布

Tab. 3 The distribution of HDBSCAN cluster group of tourism industry factors

类别 HDBSCAN聚类组团
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
旅游餐饮 0.98 1.88 0.14 2.22 72.71 0.40 0.33 0.24 0.36 11.62 2.71 4.74 1.58 0.11 - -
旅游住宿 15.06 52.33 4.28 7.17 2.79 9.52 2.69 6.16 - - - - - - - -
旅游出行 11.59 2.53 58.81 0.75 0.54 1.08 0.38 0.87 1.03 1.22 6.49 5.92 6.13 1.17 0.73 0.75
旅游游览 30.29 49.03 0.91 1.06 1.41 2.06 1.24 1.94 3.03 4.54 2.42 0.94 1.12 - - -
旅游购物 3.38 2.96 69.68 0.80 0.46 10.51 0.44 3.75 1.39 5.04 1.36 0.22 - - - -
旅游娱乐 31.28 59.50 4.15 5.07 - - - - - - - - - - - -

注：单元格内的数值为该组团内旅游产业要素占比（%）；-表示不存在该组团。

3.3 空间集聚特征

全局空间自相关结果表明（表4），旅游产业6要素的全局Moran’s I值都为正值，且通过了0.1显著性水平检验，表明6要素呈现出显著的空间正相关，具有较强的空间集聚效应，即旅游产业要素分布数量较多的街道在空间上趋于相邻，分布数量较少的街道在空间上也趋于相邻。比较而言，旅游餐饮和旅游娱乐类要素空间集聚效应最高，旅游出行和旅游购物类要素空间集聚效应次之，旅游游览和旅游住宿类要素空间集聚效应相对较低。
表4 旅游产业要素全局空间自相关检验

Tab. 4 Global spatial autocorrelation test of tourism industry factors

指标 旅游餐饮 旅游住宿 旅游出行 旅游游览 旅游购物 旅游娱乐
Moran’s I 0.409 0.112 0.322 0.151 0.375 0.403
SD 0.071 0.067 0.074 0.076 0.072 0.073
p值 0.000 0.058 0.000 0.029 0.000 0.000
进一步运用ArcGIS核密度工具对福州市主城区旅游产业要素集聚热点进行分析（图2）。结果表明，旅游产业要素集聚热点呈现“一核多点”分布特征。其中，“一核”表现为旅游产业6要素集聚热点主要集中在晋安区、鼓楼区和台江区的交汇地带，该地带不仅有三坊七巷历史文化街区、鼓山等重要旅游资源，也拥有福州市最为繁华的商业中心-东街口商圈，集购物消费、美食餐饮、文化娱乐等城市功能为一体，因此各类旅游产业要素都在该处形成了核心热点区域；“多点”则体现为各类旅游产业要素除在晋安区、鼓楼区和台江区的交汇地带形成集聚性热点外，在闽侯县、仓山区以及长乐区等地也有集聚热点分布。
图2 旅游产业要素核密度估计

Fig. 2 Kernel density estimation of tourism industry factors

分类别来看，旅游产业6要素的集聚热点具有一定的空间异质性。（1）旅游餐饮类要素的高密度区域除集中在晋安区、鼓楼区和台江区的交汇地带外，在仓山区也形成热点集聚区。仓山万达广场作为福州大型购物中心之一，餐饮企业呈现高密度分布，旅游餐饮类要素在该处大量聚集。（2）旅游住宿类要素集聚热点呈现“多核”分布，在城门镇、上街镇和漳港街道形成了多个热点区，相关要素主要围绕商务中心、高校、机场以及重要交通节点等布局。（3）旅游出行类要素集聚热点具有较大的分散性，在鼓楼区、晋安区、台江区和仓山区形成了集中连片的分布特征，与重点交通干线以及客流集聚区相契合，具有较强的客流导向性和交通导向性。（4）旅游游览类要素集聚热点主要集中在鼓楼区和台江区，特别是以南街街道、东街街道和安泰街道为核心，围绕三坊七巷历史文化街区形成了高度集聚热点，具有明显的单核分布特征。（5）旅游购物类要素集聚热点分布范围较广，在上街镇、罗星街道、吴航街道和金峰镇也形成了中密度等级分布区域，其空间分布与福州市商业综合体具有较强的关联性。（6）旅游娱乐类要素在东街街道、南街街道、安泰街道、上海街道、义洲街道等区域也形成了一定的集聚热点，并与旅游餐饮、旅游住宿类要素的热点分布具有一定重叠性，热点区域主要集中在客流集聚区和商业综合体。总体来看，旅游产业6要素的集聚热点分布具有较强的空间共性和异质性，旅游餐饮、旅游购物和旅游娱乐类要素的热点具有空间耦合性，旅游游览类要素热点围绕三坊七巷历史文化街区呈单核分布，旅游出行类要素的热点分布范围较广，旅游住宿类要素的热点分布具有较强的客流和交通导向性。

3.4 空间关联模式

双变量Ripley’s K函数结果显示（图3），旅游产业6要素两两之间关联的集聚程度在观测范围内都高于随机分布的上限值， L 12 ( d )曲线都位于包络线上方，表明在可观测距离内，6要素两两之间的关联均呈现显著集聚性，具有较强的空间依赖关系。从横轴来看，6要素集聚的地理范围主要集中在9 km或14 km内；从纵轴 L 12 ( d )曲线与包络线差距来看，即旅游产业6要素关联的集聚水平，旅游餐饮与旅游住宿类要素，旅游餐饮与旅游娱乐类要素，旅游住宿与旅游娱乐类要素关联的集聚水平最高，而旅游出行和旅游游览类要素关联的集聚水平相对较低，表明旅游产业6要素的关联在空间尺度上存在差异性。为直观地揭示旅游产业6要素的空间关联模式，基于均值法将要素关联的地理范围划分为远距离和近距离2类，并根据 L 12 ( d )曲线与包络线的差值将要素关联的集聚水平划分为高集聚和弱集聚2类，最终旅游产业6要素之间共形成了4类“距离-集聚”空间关联模式：“近距离-强集聚”模式、“近距离-弱集聚”模式、“远距离-弱集聚”模式和“远距离-强集聚”模式（图4）。
图3 旅游产业6要素双变量Ripley’s K函数

Fig. 3 Bivariate Ripley’s K function for the six factors of tourism industry

图4 旅游产业要素“距离-集聚”空间关联模式

Fig. 4 The spatial correlation pattern of “distance-agglomeration” of tourism industry factors

3.4.1 “近距离-强集聚”空间关联模式

“近距离-强集聚”空间关联模式主要表现为旅游餐饮、旅游住宿与旅游购物类要素之间的空间关联。根据图3，该类模式的地理集聚范围主要集中在9 km内，并以旅游购物类要素为核心。由于大型旅游购物中心通常位于城市中心和核心商圈，而旅游餐饮和旅游住宿类要素通常也围绕城市核心商圈进行布局，使得旅游餐饮、旅游住宿与旅游购物类要素的空间分布具有较强的耦合性和依赖性。此外，旅游餐饮、旅游住宿和旅游购物3类要素的空间耦合也会带来显著的产业集聚效应，实现经济效益最大化，如在鼓楼区形成了福州市最大的旅游产业要素核心集聚区。因此，旅游餐饮、旅游住宿与旅游购物类要素关联在近距离内呈现高度的集聚性。

3.4.2 “近距离-弱集聚”空间关联模式

“近距离-弱集聚”空间关联模式主要表现为旅游出行、旅游游览与旅游购物类要素之间的空间关联。该类模式的地理集聚范围主要集中在9 km内，呈现以旅游购物类要素为核心的分布特征，但旅游出行、旅游游览与旅游购物类要素间关联的集聚水平相较于旅游餐饮、旅游住宿与旅游购物类要素间关联的集聚水平较弱。原因可能在于，旅游出行与旅游游览类要素除在晋安区、鼓楼区以及台江区的交汇地带呈现集中分布外，在核心集聚区外围区域也有一定数量分布，特别是这两类要素的空间集聚性相对较弱。因此，旅游出行、旅游游览与旅游购物类要素间的关联在近距离内呈现相对较弱的集聚性。

3.4.3 “远距离-弱集聚”空间关联模式

“近距离-弱集聚”空间关联模式主要表现为旅游餐饮、旅游娱乐、旅游住宿类要素与旅游出行、旅游游览类要素之间的关联。该类模式的地理集聚范围主要集中在14 km内，呈现以旅游游览和旅游出行类要素为核心的分布特征。从 L 12 ( d )曲线与包络线的差值来看，旅游游览与旅游娱乐类要素在10 km附近出现集聚峰值，旅游出行与旅游游览、旅游住宿类要素，旅游住宿与旅游游览类要素都在12 km附近出现集聚峰值。原因可能在于，旅游游览类要素涵盖范围较广，空间分布具有较强的广泛性，导致其他要素与旅游游览类要素的关联也具有广泛性和普遍性。此外，根据全局空间自相关分析结果也可以发现，旅游出行和旅游游览类要素的空间集聚性相对较弱。因此，旅游住宿、旅游娱乐与旅游餐饮类要素围绕旅游游览和旅游出行类要素空间关联的集聚水平虽然较低，但集聚的地理范围相对较广。

3.4.4 “远距离-强集聚”空间关联模式

“远距离-强集聚”空间关联模式主要表现为旅游购物、旅游住宿、旅游餐饮与旅游娱乐类要素之间的空间关联，以及旅游餐饮与旅游住宿要素之间的空间关联。该类模式的地理集聚范围主要集中在14 km之内，呈现以旅游娱乐类要素为核心的分布特征。从 L 12 ( d )曲线与包络线的差值来看，旅游住宿、旅游娱乐与旅游餐饮类要素在12 km附近出现集聚峰值，旅游购物、旅游餐饮与旅游娱乐类要素在9 km附近出现集聚峰值。由于旅游餐饮、旅游住宿和旅游购物3类要素的空间分布较为集中，而旅游娱乐类要素在中心城区和中心城区外围都有一定数量的分布，导致要素间的空间关联具有延伸性，呈现远距离、强集聚的分布特征。此外，旅游餐饮与旅游住宿类要素间也具有较强的空间关联性，主要原因在于二者不仅是旅游业发展的基础，也是当地居民休闲的基础，因此集聚范围相对较广，集聚水平较高。
综合来看，旅游产业6要素之间形成了4类较为明显的“距离-集聚”空间关联模式。其中，“近距离-强集聚”和“近距离-弱集聚”模式呈现以旅游购物类要素为核心的单核分布，“远距离-弱集聚”模式呈现以旅游出行和旅游游览类要素为核心的双核分布，而“远距离-强集聚”呈现以旅游娱乐类要素为核心的单核分布。在空间依赖关系上，旅游购物、旅游娱乐与旅游住宿和旅游餐饮类要素之间的空间依赖关系较强，旅游娱乐与旅游购物类要素，旅游住宿与旅游餐饮类要素之间的空间依赖关系也较强。

4 结论与讨论

4.1 研究结论

文章以福州市主城区旅游产业6要素的POI数据为基础，运用HDBSCAN聚类、核密度估计、全局空间自相关分析了旅游产业要素的空间分布特征，在此基础上使用双变量Ripley’s K函数揭示了城市旅游产业要素的“距离-集聚”空间关联模式。主要结论如下。
（1）分布特征上，福州市主城区旅游产业要素空间密度在区（县）分布呈现阶梯递减特征，台江区和鼓楼区密度最高。分类型来看，旅游餐饮、旅游住宿、旅游出行、旅游购物和旅游娱乐类要素分布密度最高的区域为台江区，而旅游游览类要素分布密度最高的区域为鼓楼区，旅游产业6要素空间分布密度与城市功能分区具有较强的相关性。此外，旅游产业要素点格局呈现“沿江、大集聚和小分散”的分布特征，6要素都形成了多个空间组团。
（2）集聚特征上，福州市主城区旅游产业要素具有较强空间自相关性，集聚热点呈现“一核多点”的分布特征，不同类型产业要素的集聚热点分布具有空间共性和异质性。其中，旅游餐饮、旅游购物和旅游娱乐类要素的集聚热点分布具有较强的空间耦合性，旅游游览类要素的集聚热点围绕三坊七巷历史文化街区呈单核分布，旅游出行类要素的集聚热点分布范围较广，旅游住宿类要素的集聚热点分布具有较强的客流导向性和交通导向性。
（3）空间关联上，双变量Ripley’s K函数揭示了旅游产业6要素之间形成的4类“距离-集聚”空间关联模式，集聚范围主要集中在9 km或14 km内。其中，“近距离-强集聚”和“近距离-弱集聚”模式以旅游购物类要素为核心呈现单核分布，“远距离-弱集聚”模式以旅游出行和旅游游览类要素为核心呈现双核分布，而“远距离-强集聚”模式以旅游娱乐类要素为核心呈现单核分布。

4.2 研究讨论

旅游产业要素空间结构优化是推动城市功能完善的重要驱动力。研究以福州市主城区为研究区域，对城市旅游产业6要素空间关联模式展开了探索，为当前城市旅游产业要素空间结构研究作出了有益拓展和补充。从研究区域来看，当前对城市旅游产业要素微观研究主要集中在成都、西安、武汉等传统热门旅游城市，相较之下，福州市作为典型的河口盆地型城市，该类城市旅游产业发展相对受限，旅游产业要素空间分布更加具有集聚性，旅游产业要素围绕三坊七巷历史文化街区这一核心吸引物形成了高集聚热点中心。在空间关联上，以往研究尚未同时对旅游产业要素关联的空间距离与集聚性进行审视，研究运用双变量Ripley’s K函数揭示了旅游产业6要素的空间依赖关系，构建了旅游产业要素“距离-集聚”空间关联模式的分析框架，进一步扩展了旅游产业要素空间结构的研究内容，同时也为认知旅游产业要素关联属性提供了更加精确的地理学空间视角。
研究结论可为城市旅游产业要素空间布局和功能优化提供参考依据。一是优化城市旅游功能分区，推动城市旅游产业一体化发展。目的地可以根据本地旅游产业要素分布状况，优化城市旅游功能布局，打造“核心引领、外围扩散”的多层级城市旅游功能架构，发挥核心旅游功能区的龙头效应和外围区的共振效应。一方面，依托城市核心旅游资源，打造集旅游、休闲、娱乐、商贸为一体的综合性功能区；另一方面，不同地区结合本地资源特色，构建特色鲜明、相互支撑的城市旅游功能分区结构。二是强化旅游产业6要素布局的互补性和协调性。针对“近距离-高集聚”关联的旅游产业要素，应加强产业要素布局的科学引导，防止要素过度集中而导致资源配置效率低下；针对“近距离-弱集聚”或“远距离-强集聚”关联的旅游产业要素，要强化区域间旅游协作，做好旅游产业发展的动态调控；针对“远距离-弱集聚”关联的旅游产业要素，应完善旅游配套设施建设，加强城市周边区域交通、住宿、娱乐等配套设施建设，提升旅游资源可进入性，增强旅游产业综合效益。
研究作为城市旅游产业要素空间关联模式的探索性分析，后续还需在以下方面进行深入探究：一方面，研究仅基于截面数据分析城市旅游产业要素的空间关联模式，未来研究可从历时性视角出发，通过引入时间序列数据探索城市旅游产业要素空间关联的演化特征；另一方面，在研究区域上，未来可基于不同类型城市对旅游产业要素空间关联展开对比分析。此外，近年来中国城乡旅游发展巨大变化，游客时空行为也发生较大改变，未来可以从城乡对比视角切入，系统探索城乡旅游产业要素关联的结构变迁与驱动因素。

真诚感谢匿名审稿专家以及编辑部老师在论文评审过程中付出的时间和精力，专家对研究概念明晰、逻辑思路、结果呈现等方面的修改意见，获益匪浅，特此感谢！

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
黄震方, 黄睿, 葛军莲. 中国式现代化理论视角的旅游地理研究: 科学问题与学术使命[J]. 经济地理, 2023, 43(5): 16-25.

DOI

[Huang Zhenfang, Huang Rui, Ge Junlian. Tourism geography research from the perspective of Chinese path to modernization: Scientific issues and academic mission[J]. Economic Geography, 2023, 43(5): 16-25.]

DOI

[2]
虞虎. 大都市传统工业区休闲旅游转型对城市功能演化的影响[J]. 经济地理, 2016, 36(11): 214-223.

[Yu Hu. Impact of leisure tourism transformation in metropolitan traditional industrial zone on urban function evolution[J]. Economic Geography, 2016, 36(11): 214-223.]

[3]
王朝辉, 陆林, 方婷, 等. 世博建设期上海市旅游住宿产业空间格局演化[J]. 地理学报, 2012, 67(10): 1423-1437.

[Wang Chaohui, Lu Lin, Fang Ting, et al. Spatial pattern evolution of Shanghai tourist lodging industry during the World Expo construction period[J]. Acta Geographica Sinica, 2012, 67(10): 1423-1437.]

DOI

[4]
李柏文. 新时代旅游产业体系的特征与建设[J]. 旅游学刊, 2018, 33(10): 7-9.

[Li Bowen. Characteristics and construction of tourism industry system in the new era[J]. Tourism Tribune, 2018, 33(10): 7-9.]

[5]
戴斌, 束菊萍. 旅游产业关联: 分析框架与北京的实证研究[J]. 北京第二外国语学院学报, 2005, 27(5): 7-15.

[Dai Bin, Shu Juping. Industrial correlation in tourism: Analysis structure and quantitative study on Beijing[J]. Journal Beijing Second Foreign Language Institute, 2005, 27(5): 7-15.]

[6]
孙九霞, 李菲, 王学基. “旅游中国”: 四十年旅游发展与当代社会变迁[J]. 中国社会科学, 2023(11): 84-104, 206.

[Sun Jiuxia, Li Fei, Wang Xueji. “Tourism China”: Forty years of tourism development and contemporary social changes[J]. Social Sciences in China, 2023(11): 84-104, 206.]

[7]
邹光勇, 刘明宇, 刘鹏, 等. 公共景区门票价格管理理论述评: 基于国际比较视角[J]. 旅游学刊, 2021, 36(6): 60-73.

[Zou Guangyong, Liu Mingyu, Liu Peng, et al. Admission pricing policy in the public scenic spots: An international comparison approach[J]. Tourism Tribune, 2021, 36(6): 60-73.]

[8]
周素红, 邓丽芳. 基于T-GIS的广州市居民日常活动时空关系[J]. 地理学报, 2010, 65(12): 1454-1463.

DOI

[Zhou Suhong, Deng Lifang. Spatio-temporal pattern of residents’ daily activities based on T-GIS: A case study in Guangzhou, China[J]. Acta Geographica Sinica, 2010, 65(12): 1454-1463.]

DOI

[9]
虞虎, 刘青青, 陈田, 等. 都市圈旅游系统组织结构、演化动力及发展特征[J]. 地理科学进展, 2016, 35(10): 1288-1302.

DOI

[Yu Hu, Liu Qingqing, Chen Tian, et al. Organizational structure, drivers of change, and development characteristics of metropolitan tourism system[J]. Progress in Geography, 2016, 35(10): 1288-1302.]

DOI

[10]
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.]

[11]
孙景荣, 张捷, 章锦河, 等. 中国区域旅行社业效率的空间分异研究[J]. 地理科学, 2014, 34(4): 430-437.

DOI

[Sun Jingrong, Zhang Jie, Zhang Jinhe, et al. Spatial differentiation of efficiency of Chinese regional travel service industry[J]. Scientia Geographica Sinica, 2014, 34(4): 430-437.]

DOI

[12]
Peiró-Signes A, Segarra-Oña M D V, Miret-Pastor L, et al. The effect of tourism clusters on U.S. hotel performance[J]. Cornell Hospitality Quarterly, 2015, 56(2): 155-167.

[13]
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.

[Ren Guoyan. The agglomeration characteristics and influencing factors of exhibition venues in Yangtze River Delta[J]. Economic Geography, 2014, 34(9): 86-92.]

[14]
Lee Y J A, Jang S, Kim J. Tourism clusters and peer-to-peer accommodation[J]. Annals of Tourism Research, 2020, 83: 102960.

[15]
贾文通, 黄震方, 洪学婷, 等. 共享民宿空间集聚特征及其影响机制研究: 以北京市Airbnb为例[J]. 中国生态旅游, 2021, 11(5): 751-766.

DOI

[Jia Wentong, Huang Zhenfang, Hong Xueting, et al. Spatial clustering characteristics and influencing mechanism of peer-to-peer accommodations: The case of Airbnb in Beijing[J]. Journal of Chinese Ecotourism, 2021, 11(5): 751-766.]

DOI

[16]
厉新建, 殷婷婷, 李姗, 等. 中国露营地空间分布及其影响机制[J]. 经济地理, 2023, 43(5): 205-218.

DOI

[Li Xinjian, Yin Tingting, Li Shan, et al. Spatial distribution and influencing mechanism of campsites in China[J]. Economic Geography, 2023, 43(5): 205-218.]

DOI

[17]
蒋依依, 邓宁, 高秉博, 等. 地球信息科学在旅游休闲领域研究的辩证审视[J]. 地球信息科学学报, 2024, 26(2): 227-241.

DOI

[Jiang Yiyi, Deng Ning, Gao Bingbo, et al. A dialectical examination of geo-information science in the field of tourism and recreation[J]. Journal of Geo-Information Science, 2024, 26(2): 227-241.]

[18]
李莉, 侯国林, 夏四友, 等. 成都市休闲旅游资源空间分布特征及影响因素[J]. 自然资源学报, 2020, 35(3): 683-697.

DOI

[Li Li, Hou Guolin, Xia Siyou, et al. Spatial distribution characteristics and influencing factors of leisure tourism resources in Chengdu[J]. Journal of Natural Resources, 2020, 35(3): 683-697.]

DOI

[19]
肖博鸿, 马源. 广州历史街区旅游要素空间分布与交通可达性关联研究[J]. 经济地理, 2024, 44(4): 231-240.

DOI

[Xiao Bohong, Ma Yuan. Correlation study between spatial distribution of tourism elements and transportation accessibility in historic districts of Guangzhou City[J]. Economic Geography, 2024, 44(4): 231-240.]

DOI

[20]
李维维, 马晓龙. 中国大城市旅游休闲业态的空间格局研究: 西安案例[J]. 人文地理, 2019, 34(6): 153-160.

[Li Weiwei, Ma Xiaolong. Spatial pattern and mechanisms of the tourism and leisure industry in China’s big cities: A case study of Xi’an[J]. Human Geography, 2019, 34(6): 153-160.]

[21]
李亚娟, 罗雯婷, 王靓, 等. 城市旅游休闲热点区演变特征及驱动机制研究: 以武汉市为例[J]. 人文地理, 2021, 36(1): 183-192.

[Li Yajuan, Luo Wenting, Wang Jing, et al. Evolution characteristics and driving mechanism of the urban tourism and leisure hot spots: A case study of Wuhan[J]. Human Geography, 2021, 36(1): 183-192.]

[22]
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

[23]
杜志强, 李钰. 旅游产业空间分布及关联性分析方法: 以常州市为例[J]. 地理信息世界, 2019, 26(3): 25-30.

[Du Zhiqiang, Li Yu. Approaches for spatial pattern and correlation analysis of tourism industries: A case study of Changzhou City[J]. Geomatics World, 2019, 26(3): 25-30.]

[24]
万红莲, 王晓利, 黄敏, 等. 基于POI数据的关中平原城市群县域旅游要素空间格局及影响因素研究[J]. 干旱区资源与环境, 2024, 38(6): 200-208.

[Wan Honglian, Wang Xiaoli, Huang Min, et al. Spatial pattern of county tourism elements in Guanzhong Plain urban agglomeration and influencing factors: Point of interest-based analysis[J]. Journal of Arid Land Resources and Environment, 2024, 38(6): 200-208.]

[25]
吴雪琴, 胡伟平, 巫细波. 空间关联视角下广州市餐饮业空间分布特征及影响因素研究[J]. 地球信息科学学报, 2023, 25(11): 2232-2248.

DOI

[Wu Xueqin, Hu Weiping, Wu Xibo. Research on the spatial distribution and influencing factors of the catering industry in Guangzhou from the perspective of spatial correlation[J]. Journal of Geo-Information Science, 2023, 25(11): 2232- 2248.]

[26]
Campello R J G B, Moulavi D, Sander J. Density-based clustering based on hierarchical density estimates[C]// Pacific-Asia Conference on Knowledge Discovery and Data Mining. Berlin, Heidelberg: Springer, 2013: 160-172.

[27]
Hahsler M, Piekenbrock M, Doran D. Dbscan: Fast density-based clustering with R[J]. Journal of Statistical Software, 2019, 91(1): 1-30.

DOI

[28]
余颖, 刘青, 李贵才. 深圳高新电子信息企业空间格局演化及其影响因素[J]. 世界地理研究, 2020, 29(3): 557-567.

DOI

[Yu Ying, Liu Qing, Li Guicai. The spatial evolution of Shenzhen high-tech electronic information technology agglomeration pattern and locational determinants[J]. World Regional Studies, 2020, 29(3): 557-567.]

DOI

[29]
湛东升, 孟斌. 基于社会属性的北京市居民居住与就业空间集聚特征[J]. 地理学报, 2013, 68(12): 1607-1618.

DOI

[Zhan Dongsheng, Meng Bin. Spatial clustering analysis of residential and employment distribution in Beijing based on their social characteristics[J]. Acta Geographica Sinica, 2013, 68(12): 1607-1618.]

DOI

[30]
刘小恺, 刘茂松, 黄峥, 等. 宁夏沙湖4种干旱区群落中主要植物种间关系的格局分析[J]. 植物生态学报, 2009, 33(2): 320-330.

DOI

[Liu Xiaokai, Liu Maosong, Huang Zheng, et al. Pattern analysis of inter-specific relationships in four arid communities in Sand Lake, Ningxia Hui Autonomous Region, China[J]. Chinese Journal of Plant Ecology, 2009, 33(2): 320-330.]

DOI

[31]
Besag J. Spatial interaction and the statistical analysis of lattice systems[J]. Journal of the Royal Statistical Society Series B: Statistical Methodology, 1974, 36(2): 192-225.

[32]
Baddeley A, Turner R. Spatstat: An R package for analyzing spatial point patterns[J]. Journal of Statistical Software, 2005, 12(6): 1-42.

[33]
时姗姗, 席建超. 青藏高原旅游城镇化测度研究[J]. 地理研究, 2024, 43(2): 377-393.

DOI

[Shi Shanshan, Xi Jianchao. Measurement of tourism urbanization on the Tibetan Plateau[J]. Geographical Research, 2024, 43(2): 377-393.]

Options
Outlines

/

〈 〉