EN中文

地理研究 >

2023 , Vol. 42 >Issue 5: 1177 - 1199

DOI: https://doi.org/10.11821/dlyj020220866

中国出境旅游安全事件集群：空间分异及组态致因

  • 谢朝武 , 1, 2 ,
  • 赖菲菲 1 ,
  • 黄锐 1 ,
  • 席建超 3
展开
  • 1.华侨大学旅游学院，泉州 362021
  • 2.中国旅游研究院旅游安全研究基地，泉州 362021
  • 3.中国科学院地理科学与资源研究所，北京 100101

谢朝武（1975-），男，湖南武冈人，博士，教授，博士生导师，主要研究方向为旅游安全、风险与危机管理、文化遗产与旅游地管理。E-mail:

收稿日期: 2022-08-15

  修回日期: 2023-01-10

  网络出版日期: 2023-04-26

基金资助

国家自然科学基金项目(41971182)

收起

China's outbound tourism safety incidents cluster: Spatial differentiation and configuration causes

  • XIE Chaowu , 1, 2 ,
  • LAI Feifei 1 ,
  • HUANG Rui 1 ,
  • XI Jianchao 3
Expand
  • 1. College of Tourism, Huaqiao University, Quanzhou 362021, Fujian, China
  • 2. Center for Tourism Safety & Security Research of China Tourism Academy, Quanzhou 362021, Fujian, China
  • 3. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2022-08-15

  Revised date: 2023-01-10

  Online published: 2023-04-26

Fold

摘要

本文将出境旅游安全事件研究从个体视角推进到集群视角。基于2015—2019年17746起中国出境旅游安全事件，研究首先采用最邻近点指数识别中国出境旅游安全事件集群，并在此基础上利用多样性指数、熵值法、空间自相关等方法分别测度和剖析中国出境旅游安全事件集群的结构类型、规模压力及其空间分布特征，同时借助模糊集定性比较分析法（fsQCA）探讨集群产生的复杂组态致因。研究发现：① 2015—2019年全球共60个目的地存在中国出境旅游安全事件集群，集群内部类型结构复杂、外部规模压力形势较为严峻。② 中国出境旅游安全事件集群多样性和规模压力均存在空间相关性和非均衡分布特征，东南亚地区旅游安全事件集群的内部结构类型与规模压力强度更为突出。③ 中国出境旅游安全事件集群多样性和规模压力的区域异质性是DPSBR多重风险因素差异化耦合作用的结果。其中，高产业发展现状（S）、高游客行为强度（B）和低基础环境驱动（D）是导致各区域事件集群内部结构呈现高度复杂化的主要原因；高产业发展现状（S）和高游客行为强度（B）是导致高外部规模压力的主要原因。随时间推移，高安全风险压力（P）成为各区域形成高集群多样性和高规模压力的关键。

关键词： 中国出境旅游; 旅游安全事件; 集群; DPSBR模型; 引致因素; fsQCA

本文引用格式

谢朝武 , 赖菲菲 , 黄锐 , 席建超 . 中国出境旅游安全事件集群：空间分异及组态致因[J]. 地理研究, 2023 , 42(5) : 1177 -1199 . DOI: 10.11821/dlyj020220866

Abstract

With the expansion of the scale of China's outbound tourism safety incidents, the pattern of incidents is showing the characteristics of the cluster. Therefore, it is of great significance to identify China's outbound tourism safety incidents cluster and analyze their influencing factors. This study aims to identify the internal and external structural characteristics, spatial distribution, and contributing factors of China's outbound tourism safety incidents cluster. First, based on the 17746 safety incidents of China's outbound tourism from 2015 to 2019, this study uses the nearest neighbor index to identify China's outbound tourism safety incidents cluster. On this basis, using methods of diversity index, entropy, and spatial autocorrelation to measure and analyze the structure type, scale pressure, and spatial distribution characteristics of China's outbound tourism safety incidents cluster. At the same time, we use fuzzy-set qualitative comparative analysis (fsQCA) to discuss the causes of the complex configuration of a cluster. The findings are as follows: (1) A total of 60 destinations in the world have experienced clustered China's outbound tourism safety incidents from 2015 to 2019. Its type structure presents complex characteristics, including five incident categories and 38 incident subcategories, such as accident disaster, natural disaster, public health, social security, and business safety. Moreover, there are multiple consequences, such as personal injury, death, disappearance, detention, and property loss. The external pressure situation is serious. (2) The diversity and scale pressure of China's outbound tourism safety incidents cluster have obvious spatial correlation and unbalanced distribution characteristics. The internal structure type and scale pressure intensity of the tourism safety incidents cluster in Southeast Asia are more prominent. (3) The regional heterogeneity of diversity and scale pressure of China's outbound tourism safety incidents cluster is the result of the differential coupling of multiple risk factors of DPSBR. Among them, the higher industrial development status (S), higher the tourist behavior intensity (B), and lower basic environment drive (D) are the main reasons that lead to the higher complexity of the internal structure of each regional incident cluster. The higher industrial development status (S) and higher tourist behavior intensity (B) are the main reasons that lead to higher scale pressure. Over time, the higher security risk pressure (P) has become the key to form higher cluster diversity and higher scale pressure in various regions.

Key words： China's outbound tourism; tourism safety incidents; cluster; DPSBR model; causative factors; fsQCA

1 引言

疫情前中国连续多年成为全球第一大出境客源市场[1]，中国出境旅游目的地更是覆盖了全球200个国家和地区[2]。受全球化新冠肺炎疫情的影响，中国出境旅游业务陷入全面停滞。在后疫情时代，出入境管控政策的调整将带动出境旅游的复苏回暖，中国出境旅游产业仍具有较大的市场潜力。然而，由于全球不同旅游地的风险结构复杂多样，中国出境旅游发展饱受安全事件频发的困扰。根据全国旅行社责任保险统保示范项目出险案例和网络平台数据显示，2015—2019年中国出境游客安全事件达到17746起，伤亡人数突破1.9万人。伴随着事件规模不断扩大，中国出境旅游安全事件越来越呈现为群落性和聚合性的事件形态。在这一背景下，科学辨析中国出境旅游安全事件的集群形态及其引致因素对于推动后疫情时代中国出境旅游市场安全发展具有重要的理论意义和实践价值。
“集群”最早应用于生态领域，表示特定区域环境内各种生物种群相互结合聚集的一种结构单元[3,4]。在安全学领域，集群常与安全事件相结合，用于表征特定时空下集中发生并造成严重伤亡后果的规模化安全事件[5⇓-7]，如交通安全事件集群[8]、公共卫生事件集群[9]、暴恐事件集群[10]、自然灾害事件集群[11]等。在出境旅游活动过程中，旅游行业内部或外部容易发生各种不同严重等级的安全问题。其中，出境游客在特定时空范围内爆发的一系列安全事件所积累形成的事件群落被称为出境旅游安全事件集群。以中国游客为对象的出境旅游安全事件具有鲜明的空间特征，这些相关研究多围绕泰国、东盟、欧洲等热门的出境旅游国家或地区讨论旅游安全事件在偶发状态下的空间结构特征等问题[12⇓-14]，部分研究基于风险评估理论[15]、事故致因理论[16]、灾害风险理论[17]等不同基础理论对引致旅游安全事件的风险因素进行探析。相比于其他理论模型，压力-状态-响应（P-S-R）模型综合考量了社会经济系统与生态系统的影响，能更为有效地反映游客、旅游目的地和环境之间的互动关系[18]，因此已有文献将PSR分析框架及其拓展模型应用于旅游目的地安全环境评价当中[19]。总体上，相关研究主要将出境旅游安全事件的发生归因为目的地基础环境驱动因素（社会经济环境与自然生态环境）、安全风险压力因素（社会治安水平与自然风险威胁）、旅游产业状态因素（产业发展与资源禀赋状况）、地方措施响应因素（安全保障与治理水平）等的共同影响[20⇓-22]，同时亦有学者发现中国出境游客的行为特征是导致安全事件发生的重要原因之一[23]。总体而言，现有研究对个体化、散落化的出境旅游安全事件开展了丰富而有益的探索，但较少针对聚合化、群落化的出境旅游安全事件形态进行系统性分析。虽然部分学者已经关注到目的地旅游安全事件集群的重要性，并指出需从内在结构、外部形态等多重角度进行全面认识[24]，但目前鲜有研究对出境旅游安全事件集群展开量化测度和评估，也尚未对中国出境旅游安全事件集群的引致因素进行实证检验，在厘清其影响因素的作用强度以及相互作用机制等方面存在欠缺。
鉴于此，本研究将从内部结构和外部规模双重视角对中国出境旅游安全事件集群进行综合测度，在揭示其空间分布特征的基础上，构建基于PSR模型的驱动力-压力-现状-行为-响应（Driving force-Pressure-State-Behavior-Response，DPSBR）旅游安全事件集群致因分析框架，同时借助fsQCA模糊集定性比较分析法，分别选择2015年、2019年两个时间截面探明DPSBR影响因素对中国出境旅游安全事件集群的复杂路径模式，并且从不同时间层面对引致因素的作用演变规律进行揭示。本研究有利于丰富中国出境旅游安全的理论研究，为后疫情时代中国出境旅游产业安全健康发展提供科学的治理方案。

2 数据来源与研究方法

2.1 数据来源

出境旅游安全事件是指在出境旅游活动过程中，旅游行业内部或外部发生的可能或已经对旅游地、旅游企业、旅游者等造成不同严重程度影响的各类安全问题或事件的总称[25,26]。本研究的中国出境旅游安全事件数据主要来自“旅行社责任保险统保示范项目”的出险案例数据与合作机构网络监测平台的集成采集案例数据。研究从全国“旅行社责任保险统保示范项目”中筛选出2015—2019年10539条中国游客境外出险案例，并依托合作机构的网络监测平台对中文网站进行集成检索，共采集到2015—2019年来自新华网、人民网、环球网等官方媒体报道的有关中国出境旅游安全事件案例8728条。研究团队将2类案例数据进行交叉比对，删除重复样本，最终形成17746起中国出境旅游安全事件，由此形成了融合团队旅游安全事件和散客旅游安全事件的集成案例数据库。研究对案例事件进行信息解构与分类，事件信息数据包括出险时间、出险地区、坐标信息、事件类型以及事件结果等。此外，本文通过世界银行（https://www.worldbank.org/）、世界经济论坛（https://www.weforum.org/）、欧睿国际数据库（https://www.euromonitor.com/）等官方数据平台获得中国出境旅游安全事件集群影响因素的相关数据。

2.2 研究方法

2.2.1 全局空间自相关

全局空间自相关可有效揭示中国出境旅游安全事件集群在全球范围内空间相关性的总体趋势，通常用Moran's I统计量进行度量。当Moran's I等于0时，表明中国出境旅游安全事件集群在空间上呈现随机分布；若数值趋近1，说明集群的空间集聚性越强；若趋近-1，则空间分散性越大[27]。计算公式为：
M o r a n ' s   I = n ∑ i = 1 n ∑ j = 1 n W i j ( x i - x - ) ( x j - x - ) ∑ i = 1 n ∑ j = 1 n W i j ∑ i = 1 n ( x i - x - ) = ∑ i = 1 n ∑ j = 1 n W i j ( x i - x - ) ( x j - x - ) S 2 ∑ i = 1 n ∑ j = 1 n W i j
Z I = M o r a n ' s   I - E ( M o r a n ' s   I ) V A R ( M o r a n ' s   I )
式中：Moran's I表示莫兰指数；xi、xj表示空间单元i、j的属性值； x -和S2为序列均值和标准差；n为研究单元数量；Wij为空间权重矩阵；Z(I)表示显著性检验公式。

2.2.2 最邻近点指数

最邻近点指数法用于比较各样本点间的最小距离与模型中最近邻点间的距离[28]，可有效描述中国出境旅游安全事件的空间密度分布特征。研究结合种群分布理论和最邻近点指数对目的地国家的中国游客安全事件的空间分布密度ICD进行测度，以判定目的地是否形成旅游安全事件集群。测度指标如下：
I C D = ∑ i = 1 n m i n   ( d i j ) n 0.5 ( A / n )
式中：ICD为旅游安全事件的空间分布密度指数；min(dij) 代表任一点与最近邻点间的距离；n是旅游安全事件总数；A为目的地国家区域总面积。

2.2.3 多样性指数

本文引入生态学中的Shannon-Wiener物种多样性指数对中国出境旅游安全事件集群内部类型结构的紊乱性进行测度，多样性指数公式为：
H = - ∑ i = 1 n p i l n p i
式中：H为集群多样性测度指标； p i为第i种事件类型数量占事件类型总数的比例；n为事件类型总数。H值越大说明旅游安全事件集群结构类型越复杂，异质化程度越高[29]。

2.2.4 熵值法

熵值法将热力学熵的方法应用于社会系统中，根据熵的特性计算熵值以此判断某一指标的离散程度[30]，它不仅可以避免因主观确定权重而造成的偏误问题，还能有效解决多指标间的信息重叠问题。本文利用熵值法计算中国出境旅游安全事件集群规模压力和影响因素的指标权重，一般而言，若该指标的离散程度越大，说明指标提供的有效信息越小，指标权重也会越小。具体计算步骤如下：
正、负向指标标准化方式：
Y i j = X i j - m i n   ( X i j ) m a x   ( X i j ) - m i n   ( X i j ) Y i j = m a x   ( X i j ) - X i j m a x   ( X i j ) - m i n   ( X i j )               ( i = 1 , 2 , … , n ;   j = 1,2 , … , m )
指标熵值：
P i j = Y j i ∑ i = 1 n Y i j e j = - k ∑ i = 1 n P i j l n P i j               ( k > 0 ,   k = 1 / l n   n ,   e j   ≥ 0 )
变异系数、指标权重及综合评分：
g j = 1 - e j W j = g j ∑ j = 1 m g j               ( 1   ≤   j   ≤ m ) V i = ∑ j = 1 m W j × Y i j
式中：i、j分别表示第i个国家和第j项影响因素；Yij为标准化后的数值；Xij为指标原始数值；Pij为指标所占比例；ej为第j指标的熵值；k为指标数；gj为变异系数；Wj为指标权重；Vi为综合评分值。

2.2.5 fsQCA模糊集定性比较分析法

本文采用模糊集定性比较分析方法（Fuzzy-Set Qualitative Comparative Analysis，fsQCA）来分析中国出境旅游安全事件集群致因的组态影响。QCA方法作为解决复杂因果关系的重要方法，被广泛应用于社会学、政治学、管理学等学科领域[31,32]。fsQCA方法基于布尔代数和集合论原理，能有效识别复杂风险因子影响的“联合效应”和“互动效应”[33]，且该方法能对已有事件的影响因子进行溯因推理，其在小样本研究中也具有一定优势[34]。考虑到旅游安全事件集群是多重风险因素综合作用的结果，故采用fsQCA方法对中国出境旅游安全事件集群的影响致因进行探测。在fsQCA分析中，一致性测度和覆盖性测度是衡量结果可靠性的重要指标[35,36]。其中，一致性和覆盖度的计算公式如下：
一 致 性 测 度 ： C o n s i s t e n c y X i ≤ Y i = ∑ m i n X i , Y i / ∑ X i
覆 盖 度 测 度 ： C o v e r a g e X i ≤ Y i = ∑ m i n X i , Y i / ∑ Y i
式中：Xi表示第i个国家在条件组合X中的隶属度；Yi表示第i个国家在结果Y中的隶属度；一致性取值范围为（0，1），通常判定充分条件一致性合理水平为0.75，较为严格标准为0.8。覆盖度取值范围为（0，1），取值越髙表明其对于因果路径的解释力能力越好[36]。

3 中国出境旅游安全事件集群测度及空间分布

3.1 中国出境旅游安全事件集群测度

3.1.1 集群判别

研究将17746 起事件案例信息根据国家进行统计归类，而后分别导入ArcGIS10.3中绘制出各个国家事件分布的点要素图层，利用最邻近点指数工具测算出各国家的中国游客安全事件的空间密度特征，以判定该国家是否存在中国出境旅游安全事件集群。一般而言，ICD≤0.5和ICD≥1.5分别为聚集分布和均匀分布，0.5< ICD≤0.8为聚集—随机分布；0.8< ICD <1.2为随机分布；1.2≤ICD <1.5为随机—离散分布[37]（如图1）。
图1 中国出境旅游安全事件集群判别分布

Fig. 1 Discrimination of China's outbound tourism safety incidents cluster

从分析结果来看，134个样本国家中共有60个国家的中国出境旅游安全事件ICD值明显小于0.5，P值均达到显著性水平，说明这些国家的中国旅游安全事件集聚密度较高，存在鲜明的集群特征，即中国出境旅游安全事件呈高度凝聚分布态势，且具有较高的空间指向性。研究采用K-means聚类模块对60个国家旅游安全事件集群的ICD指数聚类为5个频次，得到收敛后的结果（如表1）。研究发现，中国出境旅游目的地安全事件集群存在异质性的密度分布格局，其中高集群密度的国家最多，占所有事件集群国家的66%，主要包括泰国、韩国、日本等热门旅游目的地国家；其次是中低集群密度国家，占所有集群国家的10%，中高集群密度和中集群密度国家均占比8.3%；而低集群密度国家数量最少，仅有4个。总体上看，中国出境旅游安全事件集群国家分布范围较为广泛，在亚洲、非洲、美洲等各大洲中均有分布，高集群密度的国家大多为较受中国游客欢迎的出境旅游目的地。
表1 目的地国家旅游安全事件集群密度判别

Tab. 1 Discrimination of cluster density of tourism safety incidents in destination countries

集聚程度 事件集群目的地国家
低集群密度 不丹 古巴 智利 摩洛哥
中低集群密度 巴西 芬兰 卡塔尔 肯尼亚 文莱 约旦
中集群密度 阿根廷 墨西哥 塞舌尔 突尼斯 以色列
中高集群密度 比利时 冰岛 斐济 秘鲁 南非
高集群密度 阿联酋 埃及 爱尔兰 奥地利 澳大利亚 丹麦 德国 俄罗斯 法国 菲律宾 韩国 荷兰 加拿大 柬埔寨 捷克 克罗地亚 老挝 马尔代夫 马来西亚 毛里求斯 美国 缅甸 尼泊尔 挪威 日本 瑞典 瑞士 斯里兰卡 泰国 土耳其 西班牙 希腊 新加坡 新西兰 匈牙利 意大利 印度 印度尼西亚 英国 越南
ANOVA指标 P=0.00；F=654.365；聚类：均方=0.355，df=4；误差：均方=0.001，df=55

3.1.2 集群测度

（1）集群多样性测度。目的地旅游安全事件集群内部结构多样性是判断事件集群类型分布复杂性和无序性的重要标准。本文通过参考《突发事件应对法》《旅游安全管理办法》等法规文件以及相关学者对于出境旅游安全风险类型划分标准[20,38]，将其划分为5个旅游安全事件大类和38种事件亚类，并归类统计出2015—2019年上述60个集群国家10508起中国出境游客事件案例的类型数量，在此基础上将其带入多样性指数进行计算得到2015—2019年各目的地国家的中国出境旅游安全事件集群多样性（如图2）。
图2 2015—2019年中国出境旅游安全事件类型及集群多样性指数

Fig. 2 China's outbound tourism safety incident types and diversity index of cluster from 2015 to 2019

从中国出境旅游安全事件类型上看，意外与灾难类事件在所有事件大类中占比最高，其中，交通事故和意外摔倒是意外与灾难类事件的高发类型，分别为1083起和1327起；生物袭击、涉水事故、意外扭伤等发生频率也相对较高，分别达到334起、334起和317起；踩踏事故发生次数最低，达12起。在自然灾害事件中，台风发生频次高达到228起；其次是火山爆发，达122起；地震发生频次最低，达18起。在公共卫生事件中，食物中毒、突发疾病、原有疾病发作是三种最主要的公共卫生事件类型，分别发生了514起、591起和597起；病毒疫情的发生次数最低，仅有18起。在社会治安事件中，盗窃和抢劫是高发的事件类型，分别为340起和191起；恐怖主义和政变动乱发生频次最低。在业务安全事件中，航班延误和航班取消是主要的事件类型，分别占业务安全事件总数的45.9%和26.5%；物品遗损、票证问题、服务过失的频次相对居中；人员走失的发生频次最低。从多样性指数上看，2015—2019年60个目的地国家的中国出境旅游安全事件集群多样性指数由2015年的65.65上升到2017年的77.05，2019年又下降为70.75，这说明中国出境旅游安全事件集群多样性指数整体呈现波动上升的变化趋势，也反映出中国出境旅游安全事件集群的内部结构愈加复杂多样。
（2）集群规模压力测度。旅游安全事件集群会造成人员受伤、人员死亡、人员失踪、人员滞留以及财产损失等多种负面结果，集群规模压力是衡量目的地旅游安全事件危害程度的重要方式。本文归类统计出2015—2019年中国出境游客在上述60个目的地国家因旅游安全事件导致的人员死亡、人员受伤、人员失踪、人员滞留和财产损失涉及的人员数量，通过熵值法测定5种事件结果的权重系数，并采用线性加权求和方法综合测度目的地旅游安全事件集群的规模压力水平，结果如图3所示。
图3 2015—2019年中国出境旅游安全事件结果及集群规模压力

Fig. 3 China's outbound tourism safety incident consequences and scale pressure of cluster from 2015 to 2019

从中国出境旅游安全事件结果上看，人员滞留在所有事件结果类型中占比最高，在研究期内滞留人数均超过13000人；中国出境游客受伤数量相对较高，2018年受伤人数达到3334人；财产损失人数在研究期内整体呈现波动下降的变化趋势，2019年时降至196人；中国出境游客死亡人数由2015年的84人上升至2018年的139人，2019年又降为108人；人员失踪占比最低且呈现出“U”型变化趋势，在2015年和2019年分别为96人和54人，2017年时达到最低，仅有5人失踪。本文利用熵值法对5个事件结果进行赋权，得出人员滞留、受伤、财损、死亡、失踪的权重分别为0.20025、0.19973、0.20030、0.19991以及0.19981。通过对60个目的地国家的中国出境旅游安全事件集群规模压力进行测度分析发现：规模压力在1.39082~1.93575范围内呈现波动变化，具体而言，在2015—2017年期间，集群规模压力由1.77387缓慢下降至1.41742，2018—2019年时反弹到最高点后又骤降至最低。这表明，中国出境旅游安全事件集群规模压力形势较为严峻，且随着时间推移，集群规模压力波动幅度愈加明显。

3.2 中国出境旅游安全事件集群空间分布

3.2.1 全局空间关系变化

本文分别计算2015—2019年中国出境旅游安全事件集群多样性和规模压力的全局Moran's I指数（表2）。结果显示，研究期内中国出境旅游安全事件集群多样性和规模压力均通过了10%的显著性水平，即2015—2019年中国出境旅游安全事件集群多样性和规模压力总体上具有空间依存关系。具体而言，集群多样性的Moran's I指数显著为正，且呈现出先增加后削弱的变化趋势，说明中国出境旅游安全事件集群多样性具有空间正相关关系。在集群规模压力方面，集群规模压力在2015—2016年时的空间集聚效应较低，而在2017—2019年其Moran's I指数由0.2036波动上涨为0.2482，且通过了5%以上的显著性水平，可见2017—2019年中国出境旅游安全事件集群规模压力具有较高空间相关性，且集聚效果呈现波动上升趋势。
表2 中国出境旅游安全事件集群的全局Moran's I估计值

Tab. 2 Global Moran's I estimates of China's outbound tourism safety incidents cluster

年份 中国出境旅游安全事件集群多样性 中国出境旅游安全事件集群规模压力
Moran's I Z（I） P 值 Moran's I Z（I） P 值
2015 0.2494 4.1289 0.0020 0.0383 1.0849 0.0960
2016 0.2530 4.1141 0.0020 0.0774 1.9256 0.0410
2017 0.3366 5.5692 0.0010 0.2036 3.6946 0.0130
2018 0.3208 5.2576 0.0010 0.0949 4.2624 0.0080
2019 0.2733 4.4133 0.0020 0.2482 5.4841 0.0050

3.2.2 集群多样性空间分布

本研究以2015年、2019年为时间节点分析国家尺度下中国出境旅游安全事件集群多样性的空间分布差异，并利用自然断裂法将目的地国家的旅游安全事件集群分为低值区、中低值区、中值区、中高值区、高值区五种类型（如图4a、图4b）。总体上看，中国出境旅游安全事件集群多样性呈现差异化的动态空间分布格局。具体而言，在2015年，中国出境旅游安全事件集群多样性高值区集中分布于俄罗斯、韩国、日本等中国邻近国家；中高值区在澳大利亚、新西兰、美国等地区集中分布；中值区和中低值区主要分布于德国、英国、西班牙等欧洲国家；低值区在埃及、肯尼亚等非洲国家以及巴西、墨西哥等美洲国家呈现连片分布。相比之下，在2019年，中国出境旅游安全事件集群多样性高值区变化明显，主要由邻近国家向泰国、马来西亚、印度尼西亚等东南亚国家蔓延集中，已经形成连片集聚分布态势；中高值区在俄罗斯、美国、法国、土耳其等地呈散点状分布；中值区和中低值区由原先的欧洲国家向加拿大、墨西哥等北美洲国家以及埃及、肯尼亚等非洲国家拓展延伸；低值区呈现明显收缩趋势，主要集中于南非、瑞典、丹麦以及巴西、智利、阿根廷等南美洲国家。可见，中国出境旅游安全事件集群多样性的空间分布并不均衡，且随着时间推移，东南亚国家的集群多样性明显高于其他目的地国家。不仅如此，部分国家地区的集群多样性指数会随着时间推移逐渐增加，这也进一步说明了目的地国家的中国出境旅游安全事件集群的内部结构趋向复杂化。
图4 中国出境旅游安全事件集群的空间分布

注：该图基于国家自然资源部地图技术审查中心标准地图（审图号GS(2016)1666号）绘制，底图边界无修改。

Fig. 4 Spatial distribution of China's outbound tourism safety incidents cluster

3.2.3 集群规模压力空间分布

本文同样利用2015年、2019年两个时间节点对中国出境旅游安全事件集群规模压力进行空间可视化分析（如图4c、图4d）。从集群规模压力的区域空间分布上看，中国出境旅游安全事件集群规模压力的地域差异性突出，具体表现为以东南亚地区为核心向欧洲和北美洲国家拓展集中。从空间演化上看，集群规模压力的高值区稳定不变，泰国的集群规模压力依旧保持在最高水平；中值区和中高值区的空间集聚范围明显扩张，由尼泊尔、马来西亚、美国、意大利、法国、西班牙等地拓展至俄罗斯、越南、新西兰等国家；不同的是，集群规模压力的中低值区和低值区并无呈现明显外扩趋势，其在非洲、南美洲以及欧洲等地区呈现聚集连片分布格局，空间涉及较为广泛。由此可见，中国出境旅游安全事件集群规模压力的空间集聚范围有所扩大，并且主要集中分布于东南亚地区。

4 中国出境旅游安全事件集群组态致因分析

4.1 中国出境旅游安全事件集群影响因素模型构建与指标测度

4.1.1 中国出境旅游安全事件集群影响因素模型构建

事故致因理论认为，安全事故的形成并非单因素影响，而是多重风险因素共同作用的结果[39]，考虑到旅游目的地安全风险是由各类风险要素共同形成的，多重风险因素相互耦合可能会诱发集群化的中国出境旅游安全事件。为此，本文以PSR模型为理论基础构建本研究的模型框架，并对目的地国家的安全风险进行综合测度与分析。压力-状态-响应（Pressure-State-Response，PSR）模型最早由加拿大学者David Rapport提出，并由联合国经济合作和发展组织（OECD）以及联合国环境规划署（UNEP）发展和应用于组织环境评价领域[40,41]，PSR模型能够综合社会、生态等多个层面的评估指标，可以清晰地反映社会-生态复合系统的动态演进和内在逻辑[42]，在区域生态安全评估[43,44]、突发事件影响评估[45]、环境可持续发展[46]以及区域综合风险评估[47,48]等不同领域研究中有着广泛的应用。后来学者在PSR模型的基础上，衍生出了DPSR（Driving force-Pressure-State-Response）、DPSIR（Driving force-Pressure-State-Impact-Response）等多种模型结构，用于解释多重因素影响的相互关系[49,50]。此外，已有文献表明目的地的游客行为对旅游安全事件具有一定影响[23]，因此，本文将游客行为强度也纳入到研究模型中，最终形成了DPSBR（Driving force-Pressure-State- Behavior-Response）理论模型（图5）。本文将分别探讨目的地基础环境驱动因素（D）、安全风险压力因素（P）、产业发展现状因素（S）、游客行为强度因素（B）、安全响应保障因素（R）五类因素对中国出境旅游安全事件集群的复杂引致路径及其演变规律。
图5 中国出境旅游安全事件集群致因DPSBR分析框架

Fig. 5 The DPSBR analysis framework of China's outbound tourism safety incidents cluster

4.1.2 中国出境旅游安全事件集群影响因素指标测度

研究在PSR理论基础上，构建了驱动力-压力-现状-行为-响应（Driving force-Pressure-State-Behavior-Response，DPSBR）影响因素评价模型，以分析各影响因素耦合对中国出境旅游安全事件集群多样性（Diversity）和规模压力（Scale）的影响。基础环境驱动因素（Driving force）是导致中国出境旅游安全事件集群发生的原始动力，考虑到人类所处环境是由经济、社会、生态共同组成的复合系统[51]，为此选用经济环境、社会环境、自然环境三个层面来综合反映旅游目的地的基础环境水平。其中，人均GDP和贸易占GDP比例分别代表经济发展状况和对外开放程度，经济发展水平低意味着旅游地存在较高安全隐患，容易受到风险入侵的威胁[52]；城镇化率、失业率和贫困率反映了旅游地发展水平和社会稳定状况，研究表明城市发展水平与安全治理水平呈正相关，失业问题和贫困问题容易引发社会矛盾，甚至会加剧社会犯罪事件发生[53,54]；自然气候环境异常改变会导致旅游活动受阻，甚至会引发严重的旅游安全问题[55,56]，研究用干旱、洪水等极端天气以及温室气体排放来衡量自然环境异常情况。
目的地安全风险压力（Pressure）是旅游地面临安全风险压力和干扰程度，从现实情况看，目的地安全风险会直接作用于旅游活动从而对旅游安全事件集群产生压迫，这种压力主要来自自然风险、社会治安、公共卫生和事故灾难等四个方面[23]，研究综合考虑选取以上四个维度作为压力因素的评价指标。其中，自然灾害风险不仅会影响旅游活动的正常运行，甚至会对社会经济发展带来严重后果[57]，本文用自然受灾人数和死亡率来表征自然风险压力；凶杀率和恐怖袭击是社会治安压力的有效反映，较差的社会治安状况会阻碍旅游正常运行，对旅游发展具有负面效应[58]；意外中毒死亡率和道路交通死亡率分别表征旅游公共卫生风险情况和事故灾难压力水平，二者均是旅游地安全风险的重要评价维度，压力水平越大表示旅游地风险水平越高[59,60]。
在产业发展现状方面（State），目的地国家的旅游产业发展状况是游客出游决策的重要考虑因素之一[61]，既有研究发现，区域产业发展对安全生产水平的提升具有基础性影响，一般而言，产业发展越成熟的地区，其安全治理水平越高[62]。本文参考前人研究凝练出旅游资源规模、旅游业发展规模以及旅游结构占比三类因子来反映目的地国家旅游产业发展现状[63]，具体以旅游资源禀赋衡量旅游资源规模；以国际旅游人次和收入衡量旅游发展规模；以国际旅游收入占出口总额比例表征旅游结构占比。游客行为强度因素（Behavior）是中国出境游客在目的地国家的行为特征表现，已有研究表明，消费者旅游行为特征对安全风险水平的认知存在差异，而中国游客暴露在风险环境下的几率越大，遭受风险入侵的概率越高[64]。研究根据中国出境游客的行为流动特征和消费特征，将游客行为强度分为中国旅游人次、中国游客消费、游客时空特征三类因子，并且以中国赴目的地旅游人次和中国游客占入境游客比例表征中国旅游人次；以中国出境旅游消费和中国游客消费占入境旅游收入比例代表中国游客消费；以中国游客平均移动距离和停留时间表示游客时空特征。
在安全响应保障因素方面（Response），安全响应保障反映了旅游地对于突发事件的应对处置能力，主要包括目的地政府、企业或个人的安全资源投入。研究在借鉴原有研究的基础上从公共卫生保障、社会治安保障、人员素质保障、基础设施保障和政府治理效能六个方面对其进行测度[23]。其中，公共卫生保障、社会治安保障、基础设施保障均属于社会基本保障，社会保障能提高旅游地系统抵御风险灾害的能力和应变能力[65]，有效降低旅游安全事件发生概率，为此，研究以卫生支出占比反映旅游地对公共卫生的重视程度，以警察服务可靠性反映旅游地社会治安保障，以航空载客量、互联网普及程度、电力供应占比表示旅游地基础设施保障；人员素质是安全生产的基础，具有较高知识技能的员工可以减轻人员不安全行为的发生[66]，降低安全事故发生概率，采用员工培训情况衡量旅游地的人员素质保障水平；政府治理效能反映了旅游地政府安全治理水平，能力越高说明政府越能高效配置安全资源，抵御灾难带来的不良影响[67]，故采用政府效能水平和政府监管质量共同表征政府治理效能。
本文利用熵值法分别对2015年、2019年31个标准化后的操作指标进行赋值（表3），再利用线性加权求和法分别求出60个目的地国家五类影响因素的最终得分。考虑到旅游安全事件集群具有因果复杂性等特征，本文基于fsQCA模糊集定性比较分析方法，解析DPSBR驱动因子对中国出境旅游安全事件集群多样性和规模压力的复杂引致路径及其演变规律。
表3 中国出境旅游安全事件集群致因评估指标构建

Tab. 3 Construction of causation evaluation index of China's outbound tourism safety incidents cluster

影响因素层 子维度层 指标操作层 数据来源 属性 2015年权重 2019年权重
基础环境驱动因素 经济环境驱动 D1人均GDP [68] ＋ 0.275 0.300
D2贸易占GDP比例 [68] ＋ 0.137 0.155
社会环境驱动 D3总失业率 [68] - 0.137 0.072
D4城镇化率 [68] ＋ 0.210 0.212
D5贫困率 [68] - 0.087 0.096
自然环境驱动 D6气候变化/极端天气 [68] - 0.105 0.110
D7温室气体排放总量 [68] - 0.049 0.054
安全风险压力因素 自然风险压力 P1自然受灾人数 [69] ＋ 0.100 0.101
P2自然灾害死亡率 [69] ＋ 0.099 0.216
社会治安压力 P3凶杀率 [68] ＋ 0.199 0.183
P4恐怖主义发生率 [70] ＋ 0.209 0.125
公共卫生压力 P5意外中毒死亡率 [68] ＋ 0.129 0.131
事故灾难压力 P6道路交通死亡率 [68] ＋ 0.263 0.244
产业发展现状因素 旅游资源规模 S1旅游资源禀赋 [71] ＋ 0.357 0.369
旅游发展规模 S2国际旅游收入 [68] ＋ 0.155 0.153
S3国际旅游人次 [68] ＋ 0.271 0.248
旅游结构占比 S4国际旅游收入占出口总额的比例 [68] ＋ 0.217 0.230
游客行为强度因素 中国旅游人次 B1中国赴目的地旅游人次 [72] ＋ 0.163 0.151
B2中国游客占入境游客比例 [72] ＋ 0.179 0.232
中国游客消费 B3中国出境旅游消费 [72] ＋ 0.120 0.106
B4中国游客消费占入境旅游收入比例 [72] ＋ 0.172 0.241
游客时空特征 B5中国游客平均移动距离 [73] ＋ 0.169 0.150
B6中国游客平均停留时间 [74] ＋ 0.198 0.120
安全响应保障因素 公共卫生保障 R1卫生支出占国内生产总值的比例 [68] ＋ 0.129 0.130
社会治安保障 R2警察服务可靠性 [75] ＋ 0.179 0.142
人员素质保障 R3员工培训水平 [75] ＋ 0.118 0.155
基础设施保障 R4航空载客量 [68] ＋ 0.065 0.072
R5互联网普及程度 [68] ＋ 0.156 0.147
R6电力供应占比 [68] ＋ 0.047 0.062
政府治理效能 R7政府效能水平 [76] ＋ 0.141 0.150
R8政府监管质量 [76] ＋ 0.166 0.143

4.2 中国出境旅游安全事件集群组态致因分析

4.2.1 变量校准

在fsQCA研究中，需要提前将因果变量的原始值转移到模糊分数中并进行数据校准，校准就是给案例赋予集合隶属分数的过程。本研究结合案例中各变量测度值分布情况和前人研究的校准方法[77,78]，将各因果变量的5%、50%、95%分位值计为完全不隶属度、交叉点和完全隶属度（表4，见第1189页）。通过这3个阈值的设定，利用fsQCA算法将因果变量测量值转换为0-1的模糊得分。
表4 条件和结果变量校准信息

Tab. 4 Calibration information of condition and outcome variables

条件和结果变量 校准
完全不隶属于 交叉点 完全隶属
2015年 集群多样性 0.000 1.099 2.573
集群规模压力 0.000 0.003 0.162
基础环境驱动 0.287 0.534 0.750
安全风险压力 0.151 0.280 0.456
产业发展现状 0.038 0.104 0.467
游客行为强度 0.064 0.124 0.356
安全响应保障 0.194 0.472 0.784
2019年 集群多样性 0.000 1.126 2.686
集群规模压力 0.000 0.002 0.123
基础环境驱动 0.265 0.536 0.765
安全风险压力 0.133 0.201 0.437
产业发展现状 0.038 0.116 0.492
游客行为强度 0.067 0.143 0.469
安全响应保障 0.230 0.480 0.781

4.2.2 单个条件的必要性分析

单变量必要性检验是模糊集条件组合分析的前提，当某个条件的一致性水平大于0.9时，该条件可认为是结果的必要条件[33]。利用fsQCA3.0软件工具对事件集群规模压力和多样性的必要条件进行检验，表5结果显示：2015年、2019年两个年份的DPSBR风险因素的一致性均小于0.9，这表明DPSBR模型中单一的结构变量并非是事件集群结果产生的必要条件。因此，需要进一步探索中国出境旅游安全事件集群规模压力和多样性结果产生的多重因子交互影响。
表5 DPSBR风险因素必要条件分析

Tab. 5 Necessary condition analysis of DPSBR risk factors

前因条件变量 事件集群多样性 事件集群规模压力
一致性 覆盖度 一致性 覆盖度
2015年 基础环境驱动 0.641923 0.576508 0.683983 0.501587
基础环境驱动 0.540827 0.536842 0.638961 0.517895
安全风险压力 0.546483 0.503911 0.629004 0.473599
安全风险压力 0.669141 0.645634 0.705628 0.555935
产业发展现状 0.633439 0.649746 0.758009 0.634880
产业发展现状 0.588547 0.513572 0.673160 0.479642
游客行为强度 0.765288 0.778777 0.815152 0.677338
游客行为强度 0.496289 0.436025 0.589611 0.422982
安全响应保障 0.674797 0.591571 0.693074 0.496126
安全响应保障 0.494875 0.504869 0.573593 0.477822
2019年 基础环境驱动 0.602921 0.586389 0.651731 0.528576
基础环境驱动 0.645041 0.638749 0.671283 0.554322
安全风险压力 0.605299 0.618321 0.635845 0.541638
安全风险压力 0.610734 0.576652 0.639104 0.503207
产业发展现状 0.659987 0.700685 0.714053 0.632167
产业发展现状 0.630774 0.575457 0.683503 0.519988
游客行为强度 0.698370 0.763461 0.791446 0.721500
游客行为强度 0.578804 0.515271 0.617515 0.458422
安全响应保障 0.627717 0.575880 0.662322 0.506700
安全响应保障 0.569294 0.600502 0.586966 0.516303

注：斜体字表示逻辑运算的“非”。

4.2.3 条件组态的充分性分析

条件组态的充分性分析主要用于揭示不同前因条件构成的复杂路径对产生结果的充分性，从集合论角度解释为多个条件构成的组态集合是否为结果集合的子集。研究根据fsQCA算法生成真值表，并参考Ragin和杜运周等提出的标准[36,79]，选择一致性阈值为0.8，频数阈值为1进行充分性分析。本文采用组态研究中普遍采用的解的类型，即中间解作为汇报类型，并结合简单解对核心条件以及辅助条件加以区分。
（1）集群多样性的路径模式及演变。研究分别对不同年份下中国出境旅游安全事件集群多样性的组态构型进行分析（见表6）。其中，2015年和2019年总体解的一致性分别为0.8517和0.8054，均符合标准；2015年总体解的覆盖度为0.4751，表明其解释了约47%高集群多样性的引致原因，2019年的组态构型则解释了约50%的高集群多样性的引致原因。
表6 2015年和2019年中国出境旅游安全事件集群多样性组态致因构型

Tab. 6 Cause configuration of diversity configuration of China's outbound tourism safety incidents cluster in 2015 and 2019

构型 原始覆盖度 唯一覆盖度 一致性 典型国家
2015年 M1: 基础环境驱动*安全风险压力*产业发展现状*游客行为强度 0.288795 0.070342 0.852818 马尔代夫 希腊
M2: 基础环境驱动*产业发展现状*游客行为强度*安全响应保障 0.404737 0.186285 0.850037 越南 泰国
总体一致性：0.851711 总体覆盖度：0.47508
2019年 M3: 基础环境驱动*产业发展现状*游客行为强度*安全响应保障 0.309103 0.119565 0.819082 马尔代夫 泰国
M4: 基础环境驱动*安全风险压力*游客行为强度*安全响应保障 0.285326 0.032609 0.834161 美国 新西兰
M5: 基础环境驱动*安全风险压力*游客行为强度*安全响应保障 0.355299 0.083899 0.870216 菲律宾 印度尼西亚
总体一致性：0.805391 总体覆盖度：0.50747

注：M1~M5分别表示作用路径1~5；“*”表示逻辑“和”；斜体字表示逻辑“非”；黑体字表示“核心条件”。

2015年引致高集群多样性的组态路径有2条：组态M1显示，对于基础环境较差的地区，在较高产业发展状态和游客行为强度影响下，再加上安全风险压力的辅助作用，容易产生高水平的事件集群多样性，代表国家是马尔代夫和希腊。这些国家虽然地方基础环境水平不高，但安全风险较低，地方借助其独特的海岛资源大力发展旅游产业，吸引了众多的中国游客休闲度假，持续庞大的游客基数加剧了集群化旅游安全事件的发生，事件结构类型较为复杂。组态M2与组态M1具有一定相似性，二者均显示低基础环境以及高产业发展状态和游客行为强度发挥了核心作用，与之不同的是，组态M2更加强调安全保障响应水平缺失的影响，其典型国家是越南和泰国。此类国家旅游产业发展程度较高，接待的中国游客数量大，但由于基础环境较差以及安全保障响应不足导致集群多样性呈现较高水平。
2019年产生高集群多样性的组态路径有3条，其中组态M3和2015年的组态M2呈现出相同作用路径，即产业发展现状、游客行为强度的存在和基础环境的缺失发挥了核心性作用，安全响应保障的缺失发挥辅助性作用。组态M4显示，当安全风险压力和游客行为强度同时存在时，即使在基础环境和安全保障响应水平较好的地区也会产生高水平的集群多样性，该组态的核心因素是安全风险压力和游客行为强度，代表性国家为美国和新西兰。此类国家社会经济发达程度较高，具备完善的社会基础安全保障水平，但该地区长期暴露于高风险压力环境中，高水平游客行为强度的作用会进一步加剧集群多样性的形成。组态M5表明，在基础环境较差、安全保障水平不足的地区，在高水平游客行为强度和风险压力水平的共同作用下会产生高集群多样性，该组态的核心因素是基础环境的缺失以及安全风险压力和游客行为强度的存在，代表国家为菲律宾和印度尼西亚。该类国家或区域面临着自身发展落后、安全保障不足且风险压力大等多重不利因素，加上游客行为强度较高，旅游安全事件集群的内部结构更趋庞杂。
进一步对比2015年和2019年中国出境旅游安全事件集群多样性的组态致因构型可以发现，较高的游客行为强度和旅游产业发展水平、较差的基础环境水平是导致2015年地区事件集群内部结构高度复杂化的核心条件，风险压力较低或者安全保障不足会加剧旅游地集群多样性的形成。而2019年形成地方高集群多样性的核心条件增加了安全风险压力因素的作用，旅游产业发展程度则成为可有可无的因素，在组态代表国家中也涌现出美国、新西兰等发达国家，这与此类国家本身所具有的自然风险、社会治安风险和公共卫生风险较高有关。由此可见，旅游安全事件集群多样性影响因子的组态路径呈现出区域非均衡性特征，不同国家的基础环境、旅游产业发展程度以及游客行为强度的异质性是导致区域集群内部类型呈现不同混杂程度的主要原因，而随着时间推移，地方安全风险压力的复杂交互作用成为不同区域形成高集群多样性的关键。
（2）集群规模压力的路径模式及演变。研究进一步解析不同年份下高集群规模压力的组态构型（见表7）。总体上看，2015年和2019年总体解的一致性分别为0.8131和0.8052，总体解的覆盖度分别为0.4952和0.4530，这说明2015年和2019年组态结果的有效性和解释程度均较高。具体而言，2015年产生高集群规模压力的组态路径有2条：组态H1显示以高产业发展状态和高游客行为强度为核心条件，以低安全风险压力和高安全保障响应为辅助条件可以成为形成高集群规模压力的组态路径，代表国家为澳大利亚和法国。该类组态说明旅游地自身风险压力偏低且安全保障响应水平完善，旅游产业的高度发展以及游客行为强度的增加会导致区域产生高水平的集群压力。组态H2与组态H1具有相似的特征，即均存在较高旅游产业发展水平和游客行为强度，并且辅助条件都有高安全保障响应水平的作用，但区别在于组态H2强调高基础环境水平的影响，其代表区域为日本和韩国。该类国家也属于旅游产业高度发展的发达国家，其安全保障水平和基础环境较好，但由于高强度的中国游客行为特征导致该旅游地的集群规模压力呈现较高水平。
表7 2015年和2019年中国出境旅游安全事件集群规模压力组态致因构型

Tab. 7 Cause configuration of scale pressure configuration of China's outbound tourism safety incidents cluster in 2015 and 2019

构型 原始覆盖度 唯一覆盖度 一致性 典型国家
2015年 H1: 安全风险压力*产业发展现状*游客行为强度*安全响应保障 0.446753 0.015584 0.828251 澳大利亚、法国
H2: 基础环境驱动*产业发展现状*游客行为强度*安全响应保障 0.479654 0.048484 0.822569 日本、韩国
总体一致性：0.813078 总体覆盖度：0.49524
2019年 H3: 基础环境驱动*安全风险压力*游客行为强度*安全响应保障 0.336049 0.042362 0.819265 马来西亚、新西兰
H4: 基础环境驱动*产业发展现状*游客行为强度*安全响应保障 0.410591 0.116904 0.838602 日本、韩国
总体一致性：0.805214 总体覆盖度：0.45295

注：H1~H4分别表示作用路径1~4；“*”表示逻辑“和”；斜体字表示逻辑“非”；黑体字表示“核心条件”。

2019年产生高集群规模压力的组态路径有2条：组态H3显示，当旅游地存在较高基础环境水平和安全保障响应时，在高水平的游客行为强度和安全风险压力交互作用下会导致事件集群结果急剧恶化，典型国家为马来西亚和新西兰。此类国家的社会经济发展水平较高、安全保障响应水平系统完善，但是旅游地容易遭受洪涝、海啸等自然灾害的侵扰，安全风险压力较高，在高游客行为强度的综合作用下导致形成高旅游安全事件集群规模压力。组态H4和2015年的组态H2的作用路径相同且代表区域一致，两者同样体现出高产业发展水平和高游客行为强度的核心影响作用，同时高基础环境驱动和高安全保障响应加剧了高集群规模压力的产生。
比较而言，导致高事件集群规模压力的影响路径并没有发生明显改变。2015年和2019年的共同条件在于高产业发展现状和高游客行为强度均发挥了核心性作用，安全保障响应因素发挥了辅助性作用。需要关注的是，2019年集群规模压力仍然以产业发展现状和游客行为强度为基础要素，但其核心要素增加了安全风险压力的影响，且覆盖的国家是基础环境和安全响应保障水平较好的国家。从实际来看，游客出游经常遭遇摔倒、扭伤、突发疾病等一般性意外事件，此类个人意外事件存在一定比例，且与目的地的基础风险因素关联较小，因此即使在基础环境和安全响应保障水平较高的国家，游客活动强度较大的目的地还是会伴随着较高的旅游安全事件集聚。综合来说，旅游安全事件集群规模压力的组态致因构型随时间改变不大，各国家内部的产业发展现状和游客行为强度的异质化组合是导致区域旅游安全事件集群呈现不同严重程度的主要因素，但随时间推移，地方安全风险压力和游客行为强度的相互耦合作用同样成为了致使不同区域形成高集群规模压力的重要原因。

5 结论与讨论

5.1 结论

研究利用最邻近指数、多样性指数等方法对中国出境旅游安全事件集群进行判别和测度，并对事件集群内部结构多样性和外部规模压力的空间格局演化特征进行刻画分析，最后采用模糊集定性比较分析法探析事件集群的组态致因，得出以下研究结论：
（1）2015—2019年全球共60个目的地存在集群性中国出境旅游安全事件，就事件集群内部多样性而言，涉及意外与灾难、自然灾害、公共卫生、社会治安、业务安全等5种事件大类和38种事件亚类，集群类型结构具有复杂化和无序化特征；就事件集群外部规模压力而言，涉及人员受伤、人员死亡、人员失踪、人员滞留以及财产损失等多重后果，集群外部压力形势较为严峻。
（2）中国出境旅游安全事件集群多样性和规模压力总体上存在显著的空间自相关性。在区域分布方面，俄罗斯、韩国、日本等中国邻近目的地的旅游安全事件集群呈现出更加复杂化的内部结构，且随着时间推移，泰国、马来西亚、印度尼西亚等东南亚国家的集群多样性要明显高于其他目的地国家；中国出境旅游安全事件集群在以泰国为核心的东南亚国家中呈现出较高危害性和严重性，且俄罗斯、美国以及意大利、法国等欧洲发达国家的事件集群规模压力也相对较高。
（3）中国出境旅游安全事件集群多样性和规模压力的区域异质性的产生是DPSBR风险因素耦合作用的结果。其中，高产业发展现状（S）、高游客行为强度（B）和低基础环境因素（D）是导致地方事件集群的内部结构呈现高度复杂化的主要原因；而在事件集群高规模压力的组态致因中，高产业发展现状（S）、高游客行为强度（B）发挥了核心作用，高基础环境因素（D）只起到辅助性作用。随时间演进，地方安全风险压力（P）的交互耦合作用愈加凸显，且成为区域形成高集群多样性和高规模压力的关键。

5.2 讨论

本研究将出境旅游安全事件研究从个体视角推进到集群视角。已有研究发现，中国出境旅游安全事件呈现复杂多样的类型特征[12,14,38]，本文通过构建集群多样性指数验证了这一结果。已有文献表明，从“个体性事件”研究转向“群体性事件”研究已成为当前安全地理研究的新趋势[11,80]。在旅游安全领域，相关学者也积极倡导从群体性视角剖析目的地旅游安全事件问题[24]，本研究对这一呼吁做出了回应。但与以往文献相比，本文更加聚焦于集群性中国出境旅游安全事件，且基于结构化指标和规模化样本数据剖析了中国出境旅游安全事件集群在各目的地的时空集聚态势。这既是对旅游安全事件集群概念研究的有益补充，也为中国出境旅游安全问题提供新的见解。不仅如此，研究将PSR理论应用到事件集群致因分析中，并建构起DPSBR影响因素模型框架，丰富和拓展了该理论在旅游安全研究中的结构维度和理论应用边界[81,82]。此外，研究细化了分年份中国出境旅游安全事件集群引致因素的组合影响，避免了现有文献中仅从单一时段分析单一因素影响的研究不足[21,23]。
本研究的创新在于，一是转变传统个体旅游事件的研究视角，以聚合形态下的旅游安全事件集群作为切入点，从内部特征和外部规模双重维度对中国出境旅游安全事件集群进行系统解构，为重新审视出境安全事件问题提供了新的视角；二是基于PSR理论构建了DPSBR集群致因分析框架，拓展了出境旅游安全研究的理论分析情境，为中国出境旅游安全事件集群的前因机制研究提供了理论分析框架；三是从整体性视角探讨DPSBR风险因素对中国出境旅游安全事件集群影响的联合效应，并从不同时间截面对中国出境旅游安全事件集群的复杂组态路径进行全面揭示，为中国出境旅游安全事件集群的科学管控提供了理论依据。
加强出境旅游安全事件集群的科学管控对于后疫情时代中国出境旅游安全健康发展具有重要意义。首先，相关部门需围绕集群内外部结构特征建立多样化的集群评估体系，科学研判中国出境旅游安全事件集群内部类型结构、规模密度的风险等级及其在各旅游地的空间集聚情况；其次，可构建出境旅游安全事件集群监测与预警系统，搭建多样化的风险信息监测渠道，面向各相关主体提供分层级、分类型的旅游安全事件集群预警信息；最后，可依托于DPSBR框架体系健全出境旅游安全管理响应机制，包括与目的地政府形成联动协同治理模式、制定产业分阶段防控方案、搭建出境客流高峰识别平台、重点投送安全保障资源等，有效预防和遏制旅游安全事件向集群方向演化升级。
另外，研究也存在一些局限。囿于数据可得性等原因，本文未能对疫情背景下中国出境旅游安全事件集群进行剖析，鉴于新冠肺炎疫情对中国出境旅游产业的影响是长期且全方位的，未来研究可进一步围绕疫情背景与出境旅游安全事件集群的影响关系进行跟踪探讨。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力，评审专家对本文文献综述、指标选取、图文展示、研究讨论方面的修改意见，使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
殷杰, 郑向敏, 李实. 合作态势与权力角色: “一带一路”沿线国家旅游合作网络解构. 经济地理, 2019, 39(7): 216-224.

[Yin Jie, Zheng Xiangmin, Li Shi. Cooperation situation and power role: Deconstruction of tourism cooperation network of countries along the Belt and Road Initiative. Economic Geography, 2019, 39(7): 216-224.]. DOI: 10.15957/j.cnki.jjdl.2019.07.024.

DOI

[2]
蒋依依, 温晓金, 刘焱序.2001-2015 年中国出境旅游流位序规模演化特征. 地理学报, 2018, 73(12): 2468-2480.

[Jiang Yiyi, Wen Xiaojin, Liu Yanxu. Evolutionary characteristics of China's outbound tourism flow in rank-size distribution from 2001 to 2015. Acta Geographica Sinica, 2018, 73(12): 2468-2480.]. DOI: 10.11821/dlxb201812014.

DOI

[3]
Hernández-García E, López C, Pigolotti S, et al. Species competition: Coexistence, exclusion and clustering. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2009, 367(1901): 3183-3195. DOI: 10.1098/rsta.2009.0086.

DOI

[4]
Barnes D K A, Arnold R J. Ecology of subtropical hermit crabs in S.W. Madagascar: Cluster structure and function. Marine Biology, 2001, 139(3): 463-474. DOI: 10.1007/s002270100592.

DOI

[5]
Prasannakumar V, Vijith H, Charutha R, et al. Spatio-temporal clustering of road accidents: GIS based analysis and assessment. Procedia-Social and Behavioral Sciences, 2011, 21: 317-325. DOI: 10.1016/j.sbspro.2011.07.020.

DOI

[6]
Lu Y, Qiu L, Lyu X, et al. Human stampede causative factors and cluster risk: A multi-dimensional analysis based on ISODATA and Fuzzy Theory. International Journal of Disaster Risk Reduction, 2021, 66: 102581. DOI: 10.1016/j.ijdrr2021.102581.

DOI

[7]
Johnson L T, Taylor R B, Groff E R. Metropolitan local crime clusters: Structural concentration effects and the systemic model. Journal of Criminal Justice, 2015, 43(3): 186-194. DOI: 10.1016/j.jcrimjus.2015.03.002.

DOI

[8]
Roy D, Deshpande V, Linder M H. A cluster-based taxonomy of bus crashes in the United States. Computational Statistics, 2021, 36(3): 1621-1638. DOI: 10.1007/s00180-021-01073-8.

DOI

[9]
Hamblion E L, Burkitt A, Lalor M K, et al. Public health outcome of tuberculosis cluster investigations, England 2010-2013. Journal of Infection, 2019, 78(4): 269-274. DOI: 10.1016/j.jinf.2018.12.004.

DOI PMID

[10]
Piatkowska S J, Lantz B. Temporal clustering of hate crimes in the aftermath of the Brexit Vote and terrorist attacks: A comparison of Scotland and England and Wales. The British Journal of Criminology, 2021, 61(3): 648-669. DOI: 10.1093/bjc/azaa090.

DOI

[11]
Chen B. Stress-induced trend: The clustering feature of coal mine disasters and earthquakes in China. International Journal of Coal Science & Technology, 2020, 7(4): 676-692. DOI: 10.1007/s40789-020-00334-z.

DOI

[12]
李月调, 谢朝武. 赴泰中国游客安全事故时空分布研究. 中国安全科学学报, 2016, 26(6): 169-174.

[Li Yuetiao, Xie Chaowu. Research on temporal and spatial distribution of travel accidents for Chinese tourists in Thailand. China Safety Science Journal, 2016, 26(6): 169-174.]. DOI: 10.16265/j.cnki.issn1003-3033.2016.06.030.

DOI

[13]
黄锐, 谢朝武. 中国赴东盟地区旅游安全事故风险因子的组态影响探测: 基于HEVP框架的模糊集定性比较分析. 经济地理, 2021, 41(7): 202-212.

[Huang Rui, Xie Chaowu. The detection of the configuration impact of the risk factor on the Chinese tourists' safety accidents in ASEAN: A qualitative comparative analysis of fuzzy sets based on HEVP framework. Economic Geography, 2021, 41(7): 202-212.]. DOI: 10.15957/j.cnki.jjdl.2021.07.022.

DOI

[14]
朱尧, 邹永广. 中国游客赴欧洲旅游安全感知事件空间特征研究. 地域研究与开发, 2019, 38(6):74-79.

[Zhu Yao, Zou Yongguang. Study on perceived spatial characteristics of China travel safety in Europe. Areal Research and Development, 2019, 38(6):74-79.]. DOI: 10. 3969 /j. issn. 1003-2363. 2019. 06. 014.

DOI

[15]
刘浩龙, 葛全胜, 席建超. 区域旅游资源的灾害风险评估: 以内蒙古克什克腾旗为例. 资源科学, 2007, 29(1): 118-125.

[Liu Haolong, Ge Quansheng, Xi Jianchao. Disaster risks assessment of regional tourism resources: A case study of Inner Mongolia Keshiketeng Banner. Resources Science, 2007, 29(1): 118-125.]. DOI: 10.3321/j.issn:1007-7588.2007.01.018.

DOI

[16]
方雪, 谢朝武, 黄锐. 扎根理论下国内漂流旅游安全事故成因机制. 中国安全科学学报, 2022, 32(4): 23-29.

DOI

[Fang Xue, Xie Chaowu, Huang Rui. Formation mechanism of safety accidents in domestic drifting tourism based on GT. China Safety Science Journal, 2022, 32(4): 23-29.]. DOI: 10.16265/j.cnki.issn1003-3033.2022.04.004.

DOI

[17]
邹永广. 旅游安全评价: 研究现状与述评. 旅游学刊, 2020, 35(7): 133-146.

[Zou Yongguang. A literature review and current research status on tourism safety evaluation. Tourism Tribune, 2020, 35(7): 133-146.]. DOI: 10.19765/j.cnki.1002-5006.2020.07.015.

DOI

[18]
Ruan W, Li Y, Zhang S, et al. Evaluation and drive mechanism of tourism ecological security based on the DPSIR-DEA model. Tourism Management, 2019, 75: 609-625. DOI: 10.1016/j.tourman.2019.06.021.

DOI

[19]
肖爱连, 吴孝政. 事故因果连锁、PSR框架与旅游安全评价. 求索, 2009, 29(5): 77-79.

[Xiao Ailian, Wu Xiaozheng. Causal linkage of accidents, PSR framework and tourism safety evaluation. Qiu Suo, 2009, 29(5): 77-79.]

[20]
谢朝武, 黄锐, 陈岩英. “一带一路”倡议下中国出境游客的安全保障: 需求、困境与体系建构研究. 旅游学刊, 2019, 34(3): 41-56.

[Xie Chaowu, Huang Rui, Chen Yan ying. Safety guarantees for outbound Chinese tourists under the Belt and Road initiative: Demands, dilemmas, and system construction. Tourism Tribune, 2019, 34(3): 41-56.]. DOI: 10.19765/j.cnki.1002-5006.2019.03.009.

DOI

[21]
黄锐, 谢朝武, 赖菲菲. 中国游客赴东盟地区旅游安全风险: 特征、成因及治理路径. 广西社会科学, 2022, 38(5): 70-80.

[Huang Rui, Xie Chaowu, Lai Feifei. Safety risks of Chinese tourists traveling to ASEAN region: Characteristics, causes and management paths. Social Sciences in Guangxi, 2022, 38(5): 70-80.]. DOI: 10.3969/j.issn.1004-6917.2022.05.009.

DOI

[22]
邹雅真, 谢朝武. 大陆游客赴台旅游安全事件结果特征及其引致因素研究. 旅游学刊, 2016, 31(8): 81-89.

[Zou Yazhen, Xie Chaowu. Research on result characteristics and triggering factors of safety-related events of mainland residents' travels to Taiwan. Tourism Tribune, 2016, 31(8): 81-89.]. DOI: 10.3969/j.issn.1002-5006.2016.08.013.

DOI

[23]
黄锐, 谢朝武. 中国出境旅游安全事故时空分布格局及形成机制. 人文地理, 2019, 34(6): 120-128.

[Huang Rui, Xie Chaowu. Temporal and spatial distribution patterns and formation mechanism of Chinese outbound tourists' safety accidents. Human Geography, 2019, 34(6): 120-128.]. DOI: 10.13959/j.issn.1003-2398.2019.06.014.

DOI

[24]
谢朝武, 黄锐. 目的地旅游安全事件集群: 概念框架与测度体系研究. 旅游学刊, 2022.

[Xie Chaowu, Huang Rui. Destination tourism safety incidents cluster: Conceptual framework and measurement system. Tourism Tribune. 2022.]. DOI:10.19765/j.cnki.1002-5006.2022.00.024.

DOI

[25]
罗冬晖. 关于旅游保险发展的思考. 云南财经大学学报, 2008, 23(5): 112-116.

[Luo Donghui. A thinking about the development of China's tourism insurance. Journal of Yunnan Finance and Trade Institute, 2008, 23(5): 112-116.]. DOI: 10.167537/j.cnki.jynufe.2008.05.01.

DOI

[26]
Mansfeld Y, Pizam A. Tourism, Security and Safety: From Theory to Practice. Burlington, MA: Elsevier Butterworth-Heinemann, 2006: 2-22.

[27]
孟斌, 王劲峰, 张文忠, 等. 基于空间分析方法的中国区域差异研究. 地理科学, 2005, 25(4):11-18.

[Meng Bin, Wang Jingfeng, Zhang Wenzhong, et al. Evaluation of regional disparity in China based on spatial analysis. Scientia Geographica Sinica, 2005, 25(4): 11-18.]. DOI: 10.3969/j.issn.1000-0690.2005.04.002.

DOI

[28]
林兰. 重化工业集群式创新机制与空间响应研究. 地理学报, 2016, 71(8): 1400-1415.

DOI

[Lin Lan. Innovation dynamics and spatial response of heavy-chemical industry: Rethinking the cluster innovation. Acta Geographica Sinica, 2016, 71(8): 1400-1415.]. DOI: 10.11821/dlxb201608009.

DOI

[29]
申庆喜, 李诚固, 周国磊, 等. 2002-2012年长春市城市功能空间耦合研究. 地理研究, 2015, 34(10): 1897-1910.

DOI

[Shen Qingxi, Li Chenggu, Zhou Guolei, et al. The coupling of functional urban spaces: A case study of Changchun from 2002 to 2012. Geographical Research, 2015, 34(10): 1897-1910.]. DOI: 10.11821/dlyj201510008.

DOI

[30]
李航, 李雪铭, 田深圳, 等. 城市人居环境的时空分异特征及其机制研究: 以辽宁省为例. 地理研究, 2017, 36(7):1323-1338.

DOI

[Li Hang, Li Xueming, Tian Shenzhen, et al. Temporal and spatial variation characteristics and mechanism of urban human settlements: Case study of Liaoning Province. Geographical Research, 2017, 36(7):1323-1338.]. DOI: 10.11821/dlyj201707011.

DOI

[31]
Misangyi V F, Greckhamer T, Furnari S, et al. Embracing causal complexity. Journal of Management, 2017, 43(1): 255-282. DOI:10.1177/0149206316679252.

DOI

[32]
周磊, 黄麒, 魏玖长. 基于组态视角的突发事件应急信息传播效果研究: 以“安徽疾控”为例. 公共管理与政策评论, 2021, 10(6): 79-92.

[Zhou Lei, Huang Qi, Wei Jiuzhang. Research on the effect of emergency information communication based on configuration perspective: Take WeChat official account of Anhui CDC as an example. Public Administration and Policy Review, 2021, 10(6): 79-92.]. DOI: 10.3969/j.issn.2095-4026.2021.06.007.

DOI

[33]
张明, 杜运周. 组织与管理研究中QCA方法的应用: 定位、策略和方向. 管理学报, 2019, 16(9): 1312-1323.

[Zhang Ming, Du Yunzhou. Qualitative Comparative Analysis(QCA) in management and organization research: Position, tactics, and directions. Chinese Journal of Management, 2019, 16(9): 1312-1323.]. DOI: 10.3969/j.issn.1672-884x.2019.09.005.

DOI

[34]
张明, 陈伟宏, 蓝海林. 中国企业“凭什么”完全并购境外高新技术企业: 基于94个案例的模糊集定性比较分析(fsQCA). 中国工业经济, 2019, 36(4): 117-135.

[Zhang Ming, Chen Weihong, Lan Hailin. Why do Chinese enterprises completely acquire foreign high-tech enterprises: A fuzzy set Qualitative Comparative Analysis (fsQCA) based on 94 cases. China Industrial Economics, 2019, 36(4): 117-135.]. DOI: 10.19581/j.cnki.ciejournal.2019.04.007.

DOI

[35]
张子昂, 保继刚. 多重距离对中国入境与出境旅游流的影响: 基于组态的视角. 地理科学, 2021, 41(1): 13-21.

DOI

[Zhang Zi'ang, Bao Jigang. Effects of multiple distances on inbound and outbound tourism flows in China: A configuration-based perspective. Scientia Geographica Sinica, 2021, 41(1): 13-21.]. DOI: 10.13249/j.cnki.sgs.2021.01.002.

DOI

[36]
Ragin C C. Redesigning Social Inquiry:Fuzzy Sets and Beyond. Chicago: University of Chicago Press, 2008.

[37]
潘竟虎, 李俊峰. 中国A级旅游景点空间结构的计量地理分析. 经济地理, 2013, 33(9): 154-160.

[Pan Jinghu, Li Junfeng. Analysis on spatial structure of A-grade scenic spots in China based on quantitative geography model. Economic Geography, 2013, 33(9): 154-160.]. DOI: 10.3969/j.issn.1000-8462.2013.09.024.

DOI

[38]
谢朝武, 张俊, 陈岩英. 中国出境旅游安全风险的区域分布研究. 中国安全科学学报, 2018, 28(1): 155-160.

DOI

[Xie Chaowu, Zhang Jun, Chen Yanying. Regional distribution of safety risk in China outbound tourism. China Safety Science Journal, 2018, 28(1): 155-160.]. DOI: 10.16265/j.cnki.issn1003-3033.2018.01.026.

DOI

[39]
高恩新. 特大生产安全事故的归因与行政问责: 基于65份调查报告的分析. 公共管理学报, 2015, 12(4): 58-70.

[Gao Enxin. The attribution, blame game of mass serious industrial accidents in contemporary China: Based on analysis of 65 investigation reports. Journal of Public Management, 2015, 12(4): 58-70.]. DOI: 10.16149/j.cnki.23-1523.2015.04.006.

DOI

[40]
仝川. 环境指标研究进展与分析. 环境科学研究, 2000, 13(4): 53-55.

[Tong Chuan. Review on environmental indicator research. Research of Environmental Sciences, 2000, 13(4): 53-55.]. DOI: 10.13198/j.res.2000.04.56.tongch.015.

DOI

[41]
Hammond A. Environmental Indicators: A Systematic Approach to Measuring and Reporting on Environmental Policy Performance in the Context of Sustainable Development. Washington D C, USA: World Resource Institute, 1995.

[42]
Li S, Li R. Evaluating energy sustainability using the Pressure-State-Response and improved matter-element extension models: Case study of China. Sustainability, 2019, 11(1): 290. DOI: 10.3390/su11010290.

DOI

[43]
张家其, 吴宜进, 葛咏, 等. 基于灰色关联模型的贫困地区生态安全综合评价: 以恩施贫困地区为例. 地理研究, 2014, 33(8): 1457-1466.

DOI

[Zhang Jiaqi, Wu Yijin, Ge Yong, et al. Eco-security assessments of poor areas based on gray correlation model: A case study in Enshi. Geographical Research, 2014, 33(8): 1457-1466.]. DOI: 10.11821/dlyj201408006.

DOI

[44]
Han B, Liu H, Wang R. Urban ecological security assessment for cities in the Beijing-Tianjin-Hebei metropolitan region based on fuzzy and entropy methods. Ecological Modelling, 2015, 318: 217-225. DOI: 10.1016/j.ecolmodel.2014.12.015.

DOI

[45]
朱传波, 汪政. 非常规突发事件应急管理中的情景分析框架与方法研究. 科技管理研究, 2013, 33(22): 225-227.

[Zhu Chuanbo, Wang Zheng. Study on scenario analysis framework and relevant methods for unconventional emergency management. Science and Technology Management Research, 2013, 33(22): 225-227.]. DOI: 10.3969/j.issn.1000-7695.2013.22.050.

DOI

[46]
彭建, 吴健生, 潘雅婧, 等. 基于PSR模型的区域生态持续性评价概念框架. 地理科学进展, 2012, 31(7):933-940.

[Peng Jian, Wu Jiansheng, Pan Yajing, et al. Evaluation for regional ecological sustainability based on PSR model: Conceptual framework. Progress in Geography, 2012, 31(7): 933-940.]. DOI: 10.11820/dlkxjz.2012.07.012.

DOI

[47]
王国萍, 闵庆文, 丁陆彬, 等. 基于PSR模型的国家公园综合灾害风险评估指标体系构建. 生态学报, 2019, 39(22):8232-8244.

[Wang Guoping, Min Qingwen, Ding Lubin, et al. Comprehensive disaster risk assessment index system for national parks based on the PSR model. Acta Ecologica Sinica, 2019, 39(22):8232-8244.]. DOI: 10.5846/stxb201901240182.

DOI

[48]
杨海峰, 翟国方. 灾害风险视角下的城市安全评估及其驱动机制分析: 以滁州市中心城区为例. 自然资源学报, 2021, 36(9): 2368-2381.

DOI

[Yang Haifeng, Zhai Guofang. Spatial assessment and driving mechanism of urban safety from the perspective of disaster risk: A case study of Chuzhou central city. Journal of Natural Resources, 2021, 36(9): 2368-2381.]. DOI: 10.31497/zrzyxb.20210914.

DOI

[49]
左伟, 王桥, 王文杰, 等. 区域生态安全评价指标与标准研究. 地理学与国土研究, 2002, 18(1): 67-71.

[Zuo Wei, Wang Qiao, Wang Wenjie, et al. Study on regional ecological security assessment index and standard. Geography and Territorial Research, 2002, 18(1): 67-71.]. DOI: 10.3969/j.issn.1672-0504.2002.01.017.

DOI

[50]
崔馨月, 方雷, 王祥荣, 等. 基于DPSIR模型的长三角城市群生态安全评价研究. 生态学报, 2021, 41(1): 302-319.

[Cui Xinyue, Fang Lei, Wang Xiangrong, et al. Urban eco-security assessment in the urban agglomerations based on DPSIR model: A case study of Yangtze River Delta, China. Acta Ecologica Sinic, 2021, 41(1): 302-319.]. DOI: 10.5846/stxb201905060914.

DOI

[51]
王群, 杨万明, 朱跃, 等. 贫困区旅游地社会-生态系统恢复力时空分异研究: 以安徽境内大别山区12个贫困县(市)为例. 地理科学, 2021, 41(6): 1030-1038.

DOI

[Wang Qun, Yang Wanming, Zhu Yue, et al. Spatio-temporal differentiation of tourism socio-ecological system resilience in poor area: A case study of 12 poverty-stricken counties in the Dabie mountain of Anhui Province. Scientia Geographica Sinica, 2021, 41(6): 1030-1038.]. DOI: 10.13249/j.cnki.sgs.2021.06.012.

DOI

[52]
Aznar-Crespo P, Aledo A, Melgarejo-Moreno J. Social vulnerability to natural hazards in tourist destinations of developed regions. Science of The Total Environment, 2020, 709: 135870. DOI: 10.1016/j.scitotenv.2019.135870.

DOI

[53]
Fajnzylber P, Lederman D, Loayza N. What causes violent crime? European Economic Review, 2002, 46(7): 1323-1357. DOI: 10.1016/S0014-2921(01)00096-4.

DOI

[54]
Siagian T H, Purhadi P, Suhartono S, et al. Social vulnerability to natural hazards in Indonesia: Driving factors and policy implications. Natural Hazards, 2014, 70(2): 1603-1617. DOI: 10.1007/s11069-013-0888-3.

DOI

[55]
Barbhuiya M R, Chatterjee D. Vulnerability and resilience of the tourism sector in India: Effects of natural disasters and internal conflict. Tourism Management Perspectives, 2020, 33: 100616. DOI: 10.1016/j.tmp.2019.100616.

DOI

[56]
Beck U. Climate for change, or how to create a green modernity? Theory, Culture & Society, 2010, 27(2-3): 254-266. DOI: 10.1177/0263276409358729.

DOI

[57]
李宁, 张正涛, 陈曦, 等. 论自然灾害经济损失评估研究的重要性. 地理科学进展, 2017, 36(2): 256-263.

DOI

[Li Ning, Zhang Zhengtao, Chen Xi, et al. Importance of economic loss evaluation in natural hazard and disaster research. Progress in Geography, 2017, 36(2): 256-263.]. DOI: 10.18306/dlkxjz.2017.02.011.

DOI

[58]
杨钦钦, 谢朝武. 游客微-宏观安全感知与出游意愿的互动效应: 基于巴黎恐袭的案例研究. 旅游学刊, 2018, 33(5):68-78.

[Yang Qinqin, Xie Chaowu. The effect of interaction between tourists' micro-macro safety perceptions and micro-macro travelling intentions under the background of terrorist attacks. Tourism Tribune, 2018, 33(5): 68-78.]. DOI: 10.3969/j.issn.1002-5006.2018.05.011.

DOI

[59]
席建超, 刘浩龙, 齐晓波, 等. 旅游地安全风险评估模式研究: 以国内10条重点探险旅游线路为例. 山地学报, 2007, 25(3): 370-375.

[Xi Jianchao, Liu Haolong, Qi Xiaobo, et al. The risk assessment model of tourism destination:Taking ten adventure tourism lines as a case study. Journal of Mountain Science, 2007, 25(3): 370-375.]. DOI: 10.3969/j.issn.1008-2786.2007.03.017.

DOI

[60]
Tsaur S, Tzeng G, Wang K. Evaluating tourist risks from fuzzy perspectives. Annals of Tourism Research, 1997, 24(4):796-812. DOI: 10.1016/S0160-7383(97)00059-5.

DOI

[61]
周露, 孙根年. 20年来中日韩三国出入境旅游互动关系分析. 干旱区资源与环境, 2014, 28(1): 175-182.

[Zhou Lu, Sun Gennian. The interaction analysis between inbound and outbound tourism of Japan, Korea and China in the past 20 years. Journal of Arid Land Resources and Environment, 2014, 28(1): 175-182.]. DOI: 10.13448/j.cnki.jalre.2014.01.022.

DOI

[62]
Han H, Al-Ansi A, Chua B, et al. The post-coronavirus world in the international tourism industry: Application of the theory of planned behavior to safer destination choices in the case of US outbound tourism. International Journal of Environmental Research and Public Health, 2020, 17(18): 6485. DOI: 10.3390/ijerph17186485.

DOI

[63]
方叶林, 黄震方, 段忠贤, 等. 中国旅游业发展与生态环境耦合协调研究. 经济地理, 2013, 33(12): 195-201.

[Fang Yelin, Huang Zhenfang, Duan Zhongxian, et al. Coupling and coordinating about Chinese tourism developing and eco-environment. Economic Geography, 2013, 33(12): 195-201.]. DOI: 10.3969/j.issn.1000-8462.2013.12.031.

DOI

[64]
许晖, 许守任, 王睿智. 消费者旅游感知风险维度识别及差异分析. 旅游学刊, 2013, 28(12): 71-80.

[Xu Hui, Xu Shouren, Wang Ruizhi. Study on dimension identification and variance analysis of consumers' perceived risk in travel. Tourism Tribune, 2013, 28(12): 71-80.]. DOI: 10.3969/j.issn.1002-5006.2013.12.008.

DOI

[65]
Plough A, Fielding J E, Chandra A, et al. Building community disaster resilience: Perspectives from a large urban county department of public health. American Journal of Public Health, 2013, 103(7): 1190-1197. DOI: 10.2105/AJPH.2013.301268.

DOI PMID

[66]
张西林. 旅游安全事故成因机制初探. 经济地理, 2003, 23(4): 542-546.

[Zhang Xilin. A brief research on the causes and machanism in tour security accidents. Economic Geography, 2003, 23(4): 542-546.]. DOI :10.15957/j.cnki.jjdl.2003.04.024.

DOI

[67]
Detotto C, Giannoni S, Goavec C. Does good governance attract tourists? Tourism Management, 2021, 82: 104155. DOI: 10.1016/j.tourman.2020.104155.

DOI

[68]
世界银行(IBRD).2015年和2019年全球发展指数. https://databank.worldbank.org/2022-05-29.

[International Bank for Reconstruction and Development. World development indicators in 2015 and 2019. https://databank.worldbank.org/2022-05-29.]

[69]
健康指标与评估研究所(IHME). 2015年和2019年全球自然受灾人数、自然受灾死亡率. https://www.healthdata.org/2022-05-30.

[Institute for Health Metrics and Evaluation. Global number of people affected by natural disasters and deaths from natural disasters in 2015 and 2019. https://www.healthdata.org/2022-05-30.]

[70]
全球恐怖主义数据库(GTD). 2015年和2019年全球恐怖主义发生率. https://www.start.umd.edu/data-tools/global-terrorism-database-gtd2022-05-30.

[Global Terrorism Database. Global incidence of terrorism in 2015 and 2019. https://www.start.umd.edu/data-tools/global-terrorism-database-gtd2022-05-30.]

[71]
联合国教科文组织(UNESCO). 2015年和2019年全球旅游资源状况. https://www.unesco.org/en2022-05-30.

[United Nations Educational, Scientific, and Cultural Organization. The state of global tourism resources in 2015 and 2019. https://www.unesco.org/en2022-05-30.]

[72]
欧睿国际数据库(EI). 2015年和2019年中国出境旅游人数和消费. https://www.euromonitor.com/2022-05-30.

[Euromonitor International. Chinese outbound tourism and consumption in 2015 and 2019. https://www.euromonitor.com/2022-05-30.]

[73]
法国国际展望与信息研究中心(CEPII). 两个国家间的地理距离数据. http://www.cepii.fr/CEPII/en/welcome.asp2022-05-30.

[Centre détudes prospectives et d'informations internationals. Geographic distance data between two countries. http://www.cepii.fr/CEPII/en/welcome.asp2022-05-30.]

[74]
旅行社责任保险统保示范项目. 2015年和2019年中国出境旅游意外保险. https://www.chinatourins.com/#/home2022-05-30.

[Unified Insurance Demonstration Project of Travel Agency Liability Insurance. Accident insurance for Chinese outbound travel in 2015 and 2019. https://www.chinatourins.com/#/home2022-05-30.]

[75]
世界经济论坛(WEF). 2015年和2019年旅游竞争力报告. https://www.weforum.org/2022-05-30.

[World Economic Forum. The travel & tourism competitiveness report 2015 and the travel & tourism competitiveness report 2019. https://www.weforum.org/2022-05-30.]

[76]
世界银行(IBRD). 2015年和2019年全球治理指数. https://databank.worldbank.org/2022-05-29.

[International Bank for Reconstruction and Development. Worldwide governance indicators in 2015 and 2019. https://databank.worldbank.org/2022-05-29.]

[77]
牛晓晨, 邢源源, 孟凡臣. 跨国技术并购因素组态与创新绩效因果关系研究: 基于模糊集定性比较分析. 中国软科学, 2020, 35(8):20-35.

[Niu Xiaochen, Xing Yuanyuan, Meng Fanchen. A study on causality between technology acquiring cross-border factors configurations and innovation performance: A fsQCA approach. China Soft Science, 2020, 35(8): 20-35.]. DOI: 10.3969/j.issn.1002-9753.2020.08.003.

DOI

[78]
Garcia-Castro R, Francoeur C. When more is not better: Complementarities, costs and contingencies in stakeholder management. Strategic Management Journal, 2016, 37(2): 406-424. DOI: 10.2139/ssrn.2482946.

DOI

[79]
杜运周, 贾良定. 组态视角与定性比较分析(QCA): 管理学研究的一条新道路. 管理世界, 2017, 33(6): 155-167.

[Du Yunzhou, Jia Liangding. Configuration perspective and Qualitative Comparative Analysis (QCA): A new approach to management research. Management World, 2017, 33(6): 155-167.]. DOI: 10.19744/j.cnki.11-1235/f.2017.06.012.

DOI

[80]
Wang H, Liu Z, Liu Z, et al. GIS-based analysis on the spatial patterns of global maritime accidents. Ocean Engineering, 2022, 245: 110569. DOI: 10.1016/j.oceaneng.2022.110569.

DOI

[81]
黄锐, 谢朝武. 压力、状态与响应: 疫情危机下酒店员工职业前景认知的组态影响研究. 旅游学刊, 2021, 36(9): 103-119.

[Huang Rui, Xie Chaowu. Pressure, state and response: Configurational analysis of antecedents of hotel employees′career prospect perceptions following the COVID-19 pandemic crisis. Tourism Tribune, 2021, 36(9):103-119.]. DOI: 10.19765/j.cnki.1002-5006.2021.09.011.

DOI

[82]
殷杰, 郑向敏. 高聚集游客群系统的结构解析与运行机理: 理论与实践双重视角的研究. 经济管理, 2018, 40(8): 120-134.

[Yin Jie, Zheng Xiangmin. The study on the construction and operating mechanism of the system of highly aggregated tourist crowd: Based on the dual perspective of theory and practice. Business and Management Journal, 2018, 40(8): 120-134.]. DOI: 10.19616/j.cnki.bmj.2018.08.008.

DOI

Options
文章导航

/

〈 〉