EN中文

GEOGRAPHICAL RESEARCH >

2021 , Vol. 40 >Issue 1: 263 - 278

DOI: https://doi.org/10.11821/dlyj020190801

Articles

Study on the spatial pattern and image of inbound tourists in the Pan-Yangtze River Delta

  • LU Shuying , 1, 2 ,
  • TAO Zhuomin , 1, 2 ,
  • LI Tao 1, 2 ,
  • PU Rong 1, 2 ,
  • RONG Huifang 1, 2
Expand
  • 1. School of Geographical Science, Nanjing Normal University, Nanjing 210023, China
  • 2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

Received date: 2019-09-12

  Accepted date: 2020-01-03

  Online published: 2021-03-10

Copyright

Copyright reserved © 2019
Fold

Abstract

City is an important space carrier for tourists' activities. Grasping the characteristics of tourists' mobility between cities is the premise and foundation for exploring the tourism links between regional cities, clarifying the mechanism of tourism-affected regional development and optimizing the layout and strategy of urban tourism development in the future. Based on the clustering method, mining algorithm and network analysis method, this paper takes geo-tagged photos as the research object, and analyzes the spatial characteristics of inbound tourists from 52 prefecture-level cities in the Pan-Yangtze River Delta from the perspectives of distribution, type, flow and image. Through the data acquisition, processing, analysis and other steps, some conclusions can be drawn as follows. The results show that according to the degree of inbound tourists, the study area can be divided into the inbound tourism core area, the sub-core area and the marginal area. The core area is highly consistent with the regional economic center, and higher economic level provides a strong support for the development of regional tourism. The sub-core area has prominent tourism resources, rich or special tourist resources can make up for development disadvantages and attract more tourists. The great tourism development potential of marginal area will become key development area in the future. At the same time, the density of inbound tourists' moving networks gradually decreases from the central core area to the outer edge area, forming a four-level network hierarchy, and the density of network structure decreases from east to west. Moreover, the distribution and flow of inbound tourists within the provinces and cities are also differentiated, which are closely related to resource endowments, economic levels, traffic conditions and service reception levels, and the different influencing factors have the difference function degree in different areas. Further quantitative analysis is needed at a later stage. Finally, the image analysis of inbound tourists shows that different regions generally have corresponding local characteristics, and confirm the influence and role of the most essential local characteristics of the destination on its spatial distribution and flow characteristics.

Key words： geo-tagged photographs; inbound tourism; hotspots area; moving characteristics; tourist imagery; Pan-Yangtze River Delta

Cite this article

LU Shuying , TAO Zhuomin , LI Tao , PU Rong , RONG Huifang . Study on the spatial pattern and image of inbound tourists in the Pan-Yangtze River Delta[J]. GEOGRAPHICAL RESEARCH, 2021 , 40(1) : 263 -278 . DOI: 10.11821/dlyj020190801

1 引言

旅游流是旅游业发展的基础和旅游系统的神经中枢或纽带[1],成为一些区域与地方转型发展的重要驱动力[2]。旅游流的强度规模、空间分布与等级结构直接影响到区域城市的旅游联系、旅游产业的空间布局与旅游发展的战略决策[3]。把握旅游者的流动规律,有助于识别旅游热点区域[4]、探究旅游者时空变化特征[5]、分析旅游偏好[6]与旅游目的地形象[7],可为旅游城市规划[8]、旅游线路推荐[9]、区域旅游关系构建[10]等工作提供决策依据。中国是世界第四大入境旅游目的地,研究入境游客分布与旅游流特征,对促进入境旅游的发展,加快中国建设成为旅游强国具有重要意义。
旅游流作为旅游地理学研究的核心内容之一[11],学术研究成果丰硕。梳理国内外相关文献得到：① 研究尺度涵盖国际间的出境、入境[12,13]与国家内部的省域、市域及景区[14,15]。国外学者关于洲际、跨国及特定国家的大尺度研究较多[16],国内学者强调对中小尺度的旅游流研究,以省域和市域为主。② 研究内容多注重通过旅游流的时间分布[17,18]、空间网络结构[19]、影响因素[20]与驱动机制[21]等,梳理旅游者的行为特征[22]、旅游节点的联结程度与旅游流的流动效应[23],预测游客旅游目的地[6]、揭示游客与居民的旅游行为差异[24],针对性优化旅游要素的结构与布局,促进旅游流的流量、流向、节点与交通、景区、餐饮布局配置协调。③ 研究数据由早期的访谈与问卷[25]等一手资料向统计年鉴与公报这类面板数据转变,并逐渐使用网络游记、手机数据[22]、GPS数据[26]与地理标记照片[27]等社交平台大数据,数据质量的精确性与实效性得到极大提高[28],为定量研究不同空间尺度下旅游流的移动特征提供新方法[29]。④ 研究方法由定性向定量研究过渡,数学、地理、物理等相关学科的交叉应用使计量统计、空间分析、推-拉理论与场效应分析、社会网络分析替代了访谈法、归纳法和德尔菲法等[3],随着信息时代的发展要求学者开始尝试聚类、马尔科夫链、频繁算法等快速、高效的研究方法。
城市是游客活动的重要空间载体。国内学者主要从单一空间尺度探究城市游客活动的网络结构[30]、网络演化[31]、空间格局与发展模式[32]等。而城市作为游客流动的重要节点在不同的空间尺度下,往往会形成差异明显的旅游网络。从城市群整体与个体两方面探究节点的网络地位与旅游流空间格局有助于分析各城市的旅游等级、城市间的旅游发展联系及未来区域的合作发展方向。20世纪60年代出现的社会网络分析法为城市旅游流研究提供新视角,多数学者采用UCINET对旅游流动与旅游网络的关系特征进行社会网络分析,具体方法有图论和矩阵方法[33],以数值衡量网络节点的中心度、关联度及网络类型等,该方法重点关注网络节点的相互关系,难以得到城市节点与地理区位的联系情况及重要程度。而ArcGIS能够形成基于地理位置的旅游流空间等级网络,清晰识别各城市节点的关联程度、网络地位及与旅游要素的空间配置关系,一定程度上弥补了UCINET方法的不足。
可以看出,已有研究注重旅游流空间结构的中小尺度分析,以寻求各城市游客流动空间结构和旅游资源合理配置为目的,较为缺乏针对不同城市与空间尺度的旅游研究[8],忽略考虑游客跨区域流动过程中对沿线城市及整体区域构成的流动效应,以及旅游者对目的地的感知意象。为此,本研究选择以地理标记照片为研究对象,对泛长三角区域52个地级城市的入境旅游数据进行分析,从分布、类型、流动、意象等视角与“客观-主观”两方向,探讨泛长三角区域城市入境旅游的空间分布、流动特征与目的地形象,以期明确当前入境旅游在各城市的空间格局与区域差异,总结各城市旅游流动规律与游客意象,把握未来城市入境旅游发展的趋势和方向,为旅游目的地开发旅游产品、提升区域整体旅游形象、开展区域旅游合作等提供科学指导。

2 研究区域概况与数据来源

2.1 研究区域概况

以上海为引领的泛长三角区域一直是中国对外交往最活跃的区域之一,也是入境旅游最受欢迎的区域之一。统计显示,2017年该区域接待海外旅游者接近300万人次,占全国接待海外旅游总人数比例接近20%,入境旅游规模庞大。同年,其货物进出口总值分别为6327.22和8956.07亿美元,占全国总额比例分别为34.3%和39.6%,国际化程度高。《2019中国入境旅游数据分析报告》显示,上海、杭州、苏州、南京位于最受入境游客欢迎的中国城市前列。与此同时,泛长三角区域是中国三大文化产业带之一,新时期“一带一路”与长江经济带的重要交汇地带,交通路网密度全国领先,主要城市之间实现2~3h抵达[34],未来四年将打造网络连接速度最快的世界级城市群。各地文化、经济、交通和信息等方面协作紧密,区域一体化特征显著,研究该区域城市间入境旅游空间格局具有典型性与代表性。
而一直以来,各界关于泛长三角区域空间范围的划定仍不统一[35]。为明确研究范围,本研究结合2006年《泛长三角区域合作框架协议研究》采取对泛长三角区域范围划定“3+2”模式,即江苏、浙江、上海3省（市）加安徽、江西2省,共52个地级城市,为本研究的具体范围。

2.2 数据来源与处理

本研究通过www.flickr.com/services/api接口抓取2010年1月—2018年12月泛长三角区域范围内带有地理标记的照片及属性数据,其中属性数据包括用户ID,照片ID,用户所属区域,照片拍摄时间、上传时间、拍摄地点（经纬,纬度）及照片标识、描述与评论。该数据集覆盖了从2010年到2018年共9年用户数据,包括7148个用户共163861条记录。对原始数据的处理包括去除用户所属区域为中国大陆境内城市或空白的记录,剔除同一游客在同一天同一经纬度拍摄的多张照片,最后剩下共80940条记录和6602个游客（表1）。
表1 数据处理步骤

Tab. 1 Data processing step

数据处理步骤 记录（条） 游客（人）
原始数据 163861 7148
删除所属区域为中国大陆境内 125632 6602
合并用户相同位置的非移动记录 80940 6602

3 研究方法

3.1 DBSCAN算法

该算法是通过限定领域半径ε及最小点数m两个参数的范围从而描述样本分布紧密程度的一种聚类方法[36]。将该方法引入本研究,即以一定距离内照片数量来划分城市内部旅游热点区。DBSCAN具体的密度描述定义为：假设某点p的领域包含的点数多于m,则形成一个以p作为核心对象的新簇,循环寻找并合并核心对象直接密度可达的点,当没有新点更新簇时算法结束[37]。邻域半径ε及参数簇最小点数m的最优取值可通过k-dist图确定[38]。

3.2 Apriori算法

该算法作为频繁模式挖掘的方式[39],是一种最具影响的挖掘布尔关联规则频繁项集的算法[40]。将该方法引入本研究,举例：泛长三角城市集合为A={上海, 南京, 苏州, …, 杭州},游客的城市转移轨迹数据为D={I1, I2, …, Ii}。假设某个游览方式为P,游客i轨迹为Ii={上海,苏州},而P⊂Ii,则该模式的支持度s加1。如上海市↔苏州市是一个热点出游模式,有20.8%（137/6602）的游客出游轨迹包含了该模式。

3.3 社会网络分析法

社会网络是由一个或多个行动者之间因为互动而形成的相对稳定的关系体系,重点关注行动者间的互动和联系。本研究将该方法运用于旅游流的空间研究,运用ArcGIS10.2可视化技术,直观展示入境游客在城市间流动轨迹所构成的空间层级网络。图中节点的连线越多,表明其旅游联结作用越强,而各节点间联结线段的颜色深浅则体现入境游客的移动频次高低。

4 结果分析

4.1 入境游客热点空间分布特征

4.1.1 入境游客整体分布特征 为反映入境游客在泛长三角区域的整体空间分布情况,本研究将所获取的地理标记照片进行可视化表达（图1）,每点分别代表一张地理标记照片,并以各城市为单元统计入境游客数量,重点关注排名前10的城市（表2）,探讨入境游客对各目的地关注程度。
图1 入境游客及地理照片分布

Fig. 1 The distribution of inbound tourists and geo-tagged photos

表2 旅游目的地城市热度排名

Tab. 2 The rank of heat destination city

排名 城市名称 所属省份（市） 游客数量 照片数量 平均拍摄照片数量
1 上海 上海 2082 17768 8.53
2 杭州 浙江 1339 13296 9.93
3 苏州 江苏 1053 10247 9.73
4 南京 江苏 885 7030 7.94
5 黄山 安徽 459 4639 10.1
6 嘉兴 浙江 481 3534 7.34
7 无锡 江苏 387 2366 6.11
8 宁波 浙江 352 3499 9.94
9 舟山 浙江 219 1766 8.06
10 合肥 安徽 171 1200 7.02
从泛长三角区域的整体范围看,区域入境旅游层级结构特征明显。其中,以上海为核心,由东向西分上、下两路分别延伸至杭州、南京的范围圈（包括江苏的苏州、常州、无锡,浙江的嘉兴、宁波、舟山）,聚集大量入境游客,成为泛长三角东部旅游核心区。上海是中国重要入境口岸,具有极强的旅游枢纽功能,旅游涓滴效应与标杆效应显著,入境游客量（2082）远高于其他城市,是区域旅游发展龙头。杭州（1339）、苏州（1053）和南京（885）凭借独特的资源优势和强大的经济基础,成为游客入境华东地区的重要游览选项。嘉兴（481）、无锡（387）、宁波（352）与舟山（219）受到沪宁苏杭的旅游辐射作用,承接较多入境游客。总体来看,核心区城市交流合作密切,旅游业发展水平高,4A级及以上景区在整个泛三角区域占比大,城际高铁与交通网络完善,入境旅游集聚效应不断增强。
合肥、黄山、绍兴一线以东,核心区以西的范围圈（包括江苏的扬州、泰州、南通、镇江,浙江的湖州、金华,安徽的滁州、宣城、池州,江西的南昌、上饶）,组成泛长三角中部旅游次核心区,是次一级的入境游客聚集区。黄山入境游客量（459）最多,主要是旅游资源和高速铁路的双重作用。合肥（171）入境游客量次之,与省会城市功能、邻近旅游核心区等因素相关。该区域旅游资源特色突出且识别度高,旅游业是部分城市的支柱性产业,高速铁路建设取得成效,强化了“时空压缩”效应,承接核心区游客实力凸显,逐渐成为华东地区旅游发展的重要区域。
剩余城市拥有小规模入境游客聚集区,构成泛长三角旅游边缘区。这些城市社会经济发展水平较低,地形条件复杂,但旅游资源较为丰富。入境游客聚集区与旅游景区分布较为吻合,旅游发展潜力较高但旅游功能有待强化,应着力提升旅游发展水平,反哺社会经济发展,促进二者实现互惠共利。
4.1.2 各省入境游客聚类分布特征 为突出展示泛长三角区域各省（市）旅游热点区,本研究利用聚类运算得出各省（市）入境游客空间聚类分布表（表3）。可以发现：各省入境旅游集聚特征存在差异,且与区域旅游资源、社会经济等密切相关。
表3 各省（市）入境游客聚类空间分布

Tab. 3 Cluster spatial distribution of inbound tourists of each province (city)

聚类图 热门地点
合肥市：包公园、逍遥津、三国遗址公园
黄山市：黄山风景区、西递、宏村、屯溪老街、呈坎
池州市：九华山风景区、牯牛降
宣城市：绩溪龙川、查济古村
安庆市：天柱山风景区
南京：钟山风景区、玄武湖公园、夫子庙、总统府、南京博物院
苏州：园林、周庄古镇、同里古镇、金鸡湖、苏州博物馆、虎丘景区
无锡：太湖鼋头渚、灵山胜境、锡惠公园、清名桥历史街区、无锡影视城
常州：中华恐龙园、春秋淹城
扬州：瘦西湖、大明寺、个园、何园、扬州博物馆
九江：庐山
南昌：滕王阁、八一起义纪念馆
上饶：婺源、江岭、思源村
景德镇：古窑民俗博物馆、浮梁古县衙景区
萍乡：武功山
鹰潭：龙虎山
杭州市：西湖、雷锋塔、灵隐寺、西溪湿地、宋城
嘉兴市：西塘、乌镇、南湖
宁波市：天一阁博物馆、溪口景区、月湖公园、象山影视城
舟山市：普陀山、枸杞岛、东极岛
绍兴市：鲁迅故里、柯岩景区、沈园
陆家嘴
外滩
南京路步行街
城隍庙
人民广场
迪士尼
（1）安徽省（表3a）入境游客在空间上形成“双核”聚集,分别为以黄山为中心的皖南聚集区、以合肥为中心的皖中聚集区。皖南聚集区范围明显高于皖中聚集区,由于皖南拥有全省超过60%的5A级景区,并以黄山为中心的皖南7市开展紧密合作,联手打造的皖南国际文化旅游示范区发展成效显著,有效提升皖南的国际知名度与美誉度。安徽省区域旅游发展极不平衡,入境游客前往皖北与皖西旅游的数量较少,与旅游资源知名度、区域经济发展水平及发展政策等因素相关。皖中入境游客多选择与历史人物或事件纪念相关的人文旅游地,皖南游客偏好山川景观、田园景色与徽州文化等旅游资源。（2）江苏省（表3b）旅游热度分区明显,从苏北、苏中到苏南热度逐渐提升,入境游客偏好江苏省具有历史文化底蕴的人文旅游目的地,在六朝古都南京、太湖明珠无锡、园林古镇苏州形成“三核”聚集,其余各市形成小规模游客聚集区。苏南地区拥有全省接近80%的5A级旅游景区,高质量的旅游资源是形成游客聚集的主要原因,发达的经济条件促进旅游基础设施的完善与服务接待水平的提高,是影响大规模游客聚集的关键因素。（3）江西省（表3c）入境游客聚集在九江、南昌、景德镇与上饶等江西内部独享的世界级旅游景区。江西经济发展水平普遍较低,旅游发展主要依靠自身旅游资源的综合吸引力。全省旅游资源禀赋较为均衡,但只有九江、南昌、景德镇与上饶的入境旅游发展突出,一方面由于省内仅南昌拥有国际机场,承接游客实力凸显,九江、景德镇和上饶区位临近,交通便捷承接游客转移;另一方面,南昌滕王阁、九江庐山风景区、景德镇古窑民俗博物馆与上饶婺源江湾景区等旅游发展较早,积累了一定知名度,对入境游客吸引力较大。而游客未在其他城市形成大规模聚集的主要影响因素有发展政策、地理区位与交通网络等。（4）浙江省（表3d）入境游客高度聚集于人文资源丰富的杭州与嘉兴,次一级游客聚集地为人文旅游资源与自然资源配置协调的宁波、舟山与绍兴[41],其余地市均有一定规模的入境游客聚集区。西湖风景区、西塘与乌镇等人文资源极具江南特色,作为浙江省旅游金名片,是入境游客的首位景点选择。宁波天一阁的藏书文化、舟山普陀山的宗教文化及绍兴老酒的酒文化激发入境游客的认知兴趣,同时具备交通优势与临近沪杭的区位优势,是入境游客次要考虑景点。（5）上海市（表3e）入境游客呈明显的核心-边缘分布特征,中心城区与浦东新区形成两大核心聚集区。上海以城市旅游为主,偏好人文旅游资源。热门景点主要归纳为两类,一类是位于浦东新区具有世界级旅游城市名片形象的东方明珠、世贸大厦等标志性建筑,另一类是位于中心城区富有生活气息的城隍庙、田子坊、豫园等传统建筑。

4.2 入境游客的空间流动特征

入境游客游览偏好的差异性使得旅游线路组合具有多样性,多元的旅游线路组合构成了相互交织的旅游流网络,形成了区域间旅游联系的不同格局。通过各旅游节点间的流量统计能够识别区域内部的主要旅游流及总体流动框架、重要的旅游节点城市向外辐射的能力。因此,本研究在分析旅游流的空间特征时,首先将旅游流划分为跨省（市）转移与省内转移2种类型（表4）,通过Apriori算法分别获取游客在不同城市之间的转移数据,探索主要旅游流形成的网络等级结构,并探讨各省内主要旅游节点城市之间游客转移特征。
表4 入境旅游流分类

Tab. 4 Inbound tourism flow classification

类型 游览城市数（个） 游客量（人）
省（市）际转移 2 1378
≥ 3 76
省内转移 安徽 2 83
≥ 3 17
江苏 2 412
≥ 3 93
江西 2 68
≥ 3 20
浙江 2 451
≥ 3 77
4.2.1 入境游客空间转移类型 首先统计游客路径转移类型,从入境游客的游览路径中提取途经的城市（表4）。大部分入境游客在一次旅程中选择游览1~3个城市,由于本研究探究入境游客的转移模式,故剔除仅有1个城市标记的游客记录。从表3可以得出,入境游客的游览城市数量以2个为主,仅有少数游客选择3个及以上的城市进行游览转移。
4.2.2 跨省（市）旅游流转移 本研究在统计各城市旅游流量的基础上,绘制泛长三角入境旅游流网络等级结构图（图2）。可以看出：① 泛长三角入境旅游流网络结构整体较紧密,网络密度由中部核心区向外部边缘区逐渐降低。东部各旅游节点流动性强,南北部旅游节点较为独立,流动性较弱。② 根据旅游对流情况,构建一个包含四等级的空间结构体系。第一等级包括上海↔苏州、上海↔杭州的两条最强旅游对流,主要由于上海、杭州与苏州城市等级与地理区位相近,城市关联度高。第二等级是上海↔苏州、上海↔杭州与次一级的南京、黄山构成了“两面一线”的旅游对流,“两面”指南京、上海、杭州与苏州、上海、杭州分别构成三角形面,“一线”指杭州与黄山旅游对流,体现入境游客从沪宁杭转移的首位城市多为黄山市。第三等级是上述旅游对流与再次一级的合肥、无锡、上饶、宁波、舟山、湖州、扬州和台州形成旅游拓展对流,多经由黄山、上海做出重要延伸。第四等级是其余城市与上述框架建立城市对流关系,由于游客的时间、经济及自我精力的限制,转移能力在该等级受到削弱。③ 从东部地区看,上海、苏州、杭州、南京依托发达的经济条件与完善的交通网络承接高流量的游客转移,成为外国游客的首选入境口岸;中部地区的黄山、上饶凭借旅游基础及快速交通等,具有较高游客量的转移;作为中西部地区重要的旅游集散中心,无锡、宁波、嘉兴等城市受上海、杭州、苏州的扩散联结作用,是入境游客的重要中转城市。④ 除去传统热门入境城市,出现扬州、舟山、绍兴与苏州、上海相互转移的模式,表明运河文化、宗教文化、江南水乡等旅游产品在入境旅游中的吸引力,及未来旅游发展的巨大潜力。
图2 泛长三角区域入境旅游流网络等级结构

Fig. 2 Hierarchical structure of inbound tourism flow network in the Pan-Yangtze River Delta region

4.2.3 省内旅游流转移情况 本研究在统计各城市旅游流量的基础上,绘制泛长三角入境游客省内移动轨迹图（图3）。可以发现：
图3 各省入境游客移动轨迹

Fig. 3 Moving track of inbound tourists from all provinces

（1）安徽省（图3a）入境旅游流呈现双核联动模式,黄山和合肥作为核心旅游节点,承担交通集散中心和旅游集散中心双重任务。入境旅游流以黄山↔合肥、黄山↔宣城旅游对流为最强关联,而黄山↔池州、黄山↔滁州、合肥↔六安是次一级旅游流。黄山与合肥形成区域旅游发展的集散扩展轴,两核心节点承接境外游客并向周围次级节点输送,拉动中南部城市入境旅游发展。安徽省北部与西部由于旅游资源与地形条件制约游客的入境转移,降低旅游核心区对其形成的空间溢出效应,旅游一体化发展缓慢。
（2）江苏省（图3b）入境旅游网络形成以南京、苏州与无锡为顶点的高流量三角形架构,并附带南京↔扬州、无锡↔常州的两条强对流。苏南城市旅游关联密切,旅游流网络密度高,丰富的旅游吸引物、发达的社会经济条件与邻近上海的区位优势对入境游客转移决策影响明显。苏中、苏北受苏南旅游极化效应明显,城市间旅游关联较浅,缺乏重要的交通枢纽或旅游集散中心,加之高等级景区禀赋处于劣势,入境旅游发展处于滞后水平。
（3）江西省（图3c）入境游客高流量转移集中在北部地区,九江、南昌、景德镇与上饶作为核心旅游节点,建立强旅游对流联系,南部以萍乡与吉安形成强对流关系。江西省强旅游对流与省内旅游资源分布高度吻合,但旅游资源的空间非转移性、省内丘陵地形的阻碍性、快速交通的落后性导致入境游客的转移城市组合单一,游客在城市内部旅游衔接性差,其旅游流的规模、效益均受到制约,影响江西省入境旅游流的空间展布与延伸。
（4）浙江省（图3d）以杭州↔嘉兴旅游对流为最强关联,是上海↔杭州热门一线的重要环节,充分发挥了嘉兴的资源禀赋与地理区位优势;次一级旅游流经杭州扩散与湖州、舟山、宁波、温州、金华联结形成旅游对流。浙江省的旅游资源、交通网络与入境旅游流形成良性耦合关系,通过“以线穿针,由线织面”的形式将浙江省的入境旅游流空间向全域网络化格局推进。
上述4.1章节和4.2章节研究以静态和动态两个视角、全域和省域两个维度,系统探究了泛长三角区域入境游客的空间分布及流动特征,并对比国内学者的既有研究,梳理了旅游资源禀赋[42]、区域经济发展水平、交通便捷度和旅游接待能力等因素对这些特征的影响。但这多为从城市旅游吸引的客观条件分析,一定程度忽视入境游客主观偏好的影响。为弥补这一不足,研究将进一步聚焦于体现入境游客主观偏好的旅游意象,并将游客意象与地理区位相结合,构建基于地理位置的游客意象空间分布图。以便清晰地识别游客意象的空间差异,形成对入境游客分布与流动特征的主客观、系统性解释,为优化现有的旅游建设与营销策略提供依据。

4.3 游客的旅游地意象分析

国内外学者对旅游目的地意象分析多采用问卷调查、网络游记等方式,具有耗时大和范围小的缺点,而地理标记照片附带的游客评价,为目的地意象分析提供了良好的研究素材。本研究采用内容分析法对游客评价语义进行处理,该方法是通过从原文或者有意义的素材中,将抽离出来的使用“情景”,做出可再现的和有效推断的研究技术[43]。
地理标记照片所附带标识及评论是入境游客对旅游目的地的真实游览体验,反映出旅游目的地特色及正、负面形象。为了展示不同区域特定的地理标记信息及游客对旅游目的地的意象,本研究将6602名游客的所有地理标记照片附带评价作为语义分析内容,并将研究区域划分为717块独立格网,逐一统计每个格网中频次最高的评价词,通过ArcGIS10.2进行可视化表达。
为揭示入境游客聚集区的内在联系,识别各聚集区旅游吸引力,本研究将分析地理标记照片附带的游客旅游评价。游客对旅游目的地的评价蕴含众多有意义信息,包括游客参观地点、游览活动类型和地点特色等内容。由于分析对象为入境游客,故语言为英文（港澳台游客的繁体词语一并翻译为英文）。基于地理位置的词云标记图（图4）,每个格网中体现的关键词为该区域最高频词,网格颜色表示词语频次的高低。
图4 基于地理位置的入境游客意象

Fig. 4 Location-based image of inbound tourists

语义分析反映游客对旅游目的地的多方面意象,包括城市知名景点、区域特色和地方文化等。从区域看,旅游核心区景点数量多且知名度高,游客意象相对集中在杭州的“west lake（西湖）”、南京的“xuanwu lake（玄武湖）”、苏州的“garden（园林）”等地方特征显著、语义指向清晰的旅游景点。同时,上海的“city（城市）”词频最高,国际化大都市的旅游形象突出,入境游客对其城市现代化特征认同度高。旅游次核心区的知名旅游景点较少,游客意象以区域的综合形象为主,合肥的“park（公园）”、黄山的“village（乡村）”是典型代表,多具有目的地普遍性特征,不特定指向某一景点。旅游边缘区的意象词频较低,意象类型较为分散,包括“lushan（庐山）”“wuyuan（婺源）”等旅游景点、“humid（潮湿）”“abstrat（抽象）”等游客体验、“porcelain（瓷器）”等传统文化,缺乏鲜明集中的目的地形象。
从省份看,入境游客对安徽省意象集中于“village（乡村）”“park（公园）”“ancient town（古镇）”“huang mountain（黄山）”“flower（花）”,以自然风光为主,田园景色、山川云海、油菜花海对游客影响较深;江苏省游客意象关键词主要有“urban、city（城市）”“building（建筑）”“garden（园林）”“eat（吃）”等,游客意象丰富,对现代化城市景观、苏州园林、江南美食文化等意象较深;入境游客对江西省意象主要是“summer（夏天）”“porcelain（瓷器）”“lushan（庐山）”等,体现山川景观与陶瓷文化是两大核心元素,但其总体旅游意象内涵较少、特征不明显;浙江省的“west lake（西湖）”旅游意象突出,“college（大学）”“xitang（西塘）”等意象元素集中,是浙江旅游的核心元素;上海市游客高频词有“airport（机场）”“holiday（假期）”“street（街道）”等,印证上海作为泛长三角区域最重要的游客入境口岸,是游客假期的重要旅游目的地,具有国际建筑风格的街道景观使游客意象深刻。
对比泛长三角区域入境游客意象内容和入境游客空间分布与流动的客观条件,进一步印证了旅游目的地具备的最本质的地方性特征对入境游客空间分布和流动特征的影响及作用。
综合来看：① 入境游客偏好与旅游资源高知名度、高质量密切相关。旅游资源知名度越高、独特性越大,其对入境游客的吸引力越大、空间积聚性越强。② 区域经济水平与旅游发展不完全拟合,经济发达的城市在旅游资源富足的前提下为旅游基础设施提供物质保障;但经济发展较弱的城市可凭借优质旅游资源依靠政策扶持发展旅游业,弥补经济短板。③ 入境游客对比国内游客,对国际航线具有更显著的依赖性,具备国际机场的城市为游客入境提供条件,而城市间便捷的交通网络为游客区域内扩散提供便利。这些入境旅游空间分布与流动特征为区域入境旅游发展提供极其重要的参考。

5 结论与讨论

5.1 结论

（1）泛长三角区域依据入境游客聚集程度可划分为入境旅游核心区、次核心区与边缘区。核心区城市交流合作密切,入境旅游集聚效应显著;次核心区的旅游资源特色突出,承接核心区游客实力凸显;边缘区游客聚集区与景区分布吻合,旅游发展潜力较高但旅游功能有待强化。
（2）各省市内部旅游热点区呈现不均衡分布。安徽入境游客在皖中和皖南形成“双核”聚集,皖南的山川景观、田园景色与徽州文化对入境游客吸引显著;江苏入境游客在南京、苏州、无锡形成“三核”聚集,游客偏好钟山风景区、苏州园林这类文化底蕴深厚的人文旅游目的地;江西入境游客主要聚集在九江、南昌与上饶等内部独享的世界级旅游景区;浙江省入境游客高度聚集于杭州与嘉兴,西湖风景区、西塘与乌镇是游客的首位景点选择;上海入境游客呈现明显的核心—边缘分布特征,中心城区与浦东新区是两大核心聚集区。
（3）入境游客省际转移的旅游流网络密度由中部核心区向外部边缘区逐渐降低,依据旅游对流构建了一个包含四等级的空间结构体系。第一等级包括上海↔苏州、上海↔杭州两条最强旅游对流;第二等级是上海↔苏州、上海↔杭州与次一级的南京、黄山构成了“两面一线”的旅游对流;第三等级是上述旅游对流与再次一级的合肥、无锡、上饶、宁波、舟山、湖州、扬州和台州形成旅游拓展对流;第四等级是其余城市与上述框架建立城市间的对流关系。
（4）在省内转移中,安徽黄山与合肥之间形成了区域旅游发展的集散扩展轴,承接入境游客并向周围次级节点输送;江苏形成以南京、苏州与无锡为顶点的高流量三角形架构,并附带南京↔扬州、无锡↔常州的两条强对流;江西入境游客高流量转移集中在北部地区,九江、南昌与上饶是核心旅游节点;浙江省以杭州↔嘉兴旅游对流为最强关联,次一级旅游流经杭州扩散与湖州、舟山、宁波、温州、金华联结形成旅游对流。
（5）针对入境游客的旅游意象,从区域看,核心区集中在地方特征显著、语义指向清晰的旅游景点;次核心区以地区的综合形象为主,多具有目的地普遍性特征,不特定指向某一景点;边缘区意象词频较低,意象类型较为分散,缺乏集中鲜明的目的地形象。从省域看,入境游客对安徽省的意象以自然风光为主,田园景色、山川云海、油菜花海对游客影响较深;江苏省旅游意象丰富,现代化城市景观、苏州园林、江南美食文化等意象突出;江西省总体旅游意象内涵较少、特征不明显;浙江省的西湖、大学和西塘意象元素集中,是浙江旅游的核心元素;上海具有国际建筑风格的街道景观使游客意象深刻。

5.2 讨论

对比已有关于泛长三角区域旅游流相关的部分文献发现,泛长三角区域在线预订国内旅游流网络在阈值为5000的条件下,仅存在苏州-上海、杭州-上海两条连线[42]。这与本研究入境网络等级结构中第一等级的上海↔苏州、上海↔杭州相吻合,体现无论国内或国外市场,上海、苏州与杭州都是旅游者首要考虑的旅游目的地。而本研究入境旅游网络四等级结构与长三角已有城市三等级网络结构[44]（以上海、南京为一级城市,杭州、常州、无锡和苏州为三级城市）存在一定异同点,体现旅游发展对城市等级网络具有重构力。一方面,高等级城市如上海、南京在人口、经济、基础设施等方面具有优势,为旅游发展提供从业人员、资金扶持与旅游设施,助力旅游产业发展。一般来说,城市等级越高,旅游发展程度越高。另一方面,优质旅游资源为邻近城市提供重要发展机遇。如黄山、上饶、舟山这类城市等级较低,依靠自身旅游资源优势与政策扶持,在入境旅游网络中居较高地位,并通过旅游业的蓬勃发展,促进城市等级的提升。
基于以上城市与旅游发展之间关系特征的认识,本研究提出以下区域城市与旅游发展的相关建议:
（1）推动跨区域优质旅游景区开展深度合作,通过“以强带弱”的旅游发展策略,打破跨省市行政区划的协同合作将有利于城市旅游的进一步发展。上海作为区域旅游发展龙头,其余城市与上海建立旅游联动关系,是实现自身乃至泛长三角区域旅游跨越式发展的重要路径。通过构建上海知名景点与冷门旅游节点搭配的优质旅游产品,发挥上海旅游枢纽功能,疏散入境游客至各省热门区域,再分流至省内冷门景区,优化整体旅游流空间结构。国家以及区域旅游相关部门,应该正确引导上海与其他城市的合作关系,促进区域旅游联合开发。不同的城市应注重旅游特色化、差异化发展,从资源、文化、服务等方面着手,建立自身旅游发展优势。
（2）根据上述对各省市游客的空间聚集与转移轨迹特征分析,提出以下建议：交通方面,可通过供给快速交通提升区域旅游区位的可达性,使各旅游要素通过交通轴相互传导,旅游核心节点对边缘旅游节点产生涓滴效应,实现入境旅游流的规模、分布在省内空间的全方位展布。资源方面,挖掘本地旅游资源优势,构建特色鲜明且吸引力强的旅游产品,树立本地旅游品牌形象,避免与核心区域旅游产品同质化。旅游设施方面,传统旅游城市应注重完善旅游设施与服务质量,保持自身旅游吸引力;新兴旅游城市依靠政府支持建设基本旅游服务设施,满足入境游客的基本需求。
本研究仍有以下不足需要进一步探索:
（1）研究数据来源有待进一步补充,本研究选择国外Flickr社交平台用户发布的地理标记照片作为研究数据,探讨区域入境旅游流格局与游客意象,但仍需要纳入更多平台数据来丰富研究数据,提高数据的可信度与科学度,综合反映入境旅游流特征。
（2）入境旅游流的空间分布格局是多因素综合作用的结果,包括主观的游客地方依恋性、自我旅游动机与客观的目的地资源禀赋、经济发展水平、交通便捷度等,由于本研究数据限制,未定量分析相关影响因素,这是本文欠缺的地方, 也是后续需要研究和解决的问题。

真诚感谢二位匿名评审专家在论文评审中所付出的时间和精力,对论文逻辑思路梳理、网络结构探讨等方面的修改意见,使本文获益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Boniface B, Cooper C. The Geography of Travel and Tourism. Oxford: Butterworth-Heinemann, 1994: 1-6.

[2]
王永明, 王美霞, 吴殿廷, 等. 基于ZINB模型的中国省域间入境旅游流影响因素. 经济地理, 2018,38(11):234-240.

[ Wang Yongming, Wang Meixia, Wu Dianting, et al. Determinants of inbound tourism flows between provinces in China based on ZINB model. Economic Geography, 2018,38(11):234-240.]. DOI: 10.15957/j.cnki.jjdl.2018.11.028.

[3]
董培海, 李庆雷, 李伟. 中国旅游流研究的现状、问题及展望. 世界地理研究, 2015,24(4):152-162.

[ Dong Peihai, Li Qinglei, Li Wei. A study on the present situation, problems and prospect of Chinese tourist flow. World Regional Studies, 2015,24(4):152-162.]. DOI: 10.3969/j.issn.1004-9479.2015.04.017.

[4]
Jiang Kai, Yin Huagang, Wang Peng, et al. Learning from contextual information of geo-tagged web photos to rank personalized tourism attractions. Neurocomputing, 2013,119:17-25. DOI: 10.1016/j.neucom.2012.02.049.

DOI

[5]
李春明, 王亚军, 刘尹, 等. 基于地理参考照片的景区游客时空行为研究. 旅游学刊, 2013,28(10):30-36.

DOI

[ Li Chunming, Wang Yajun, Liu Yin, et al. A study of the temporal-spatial behavior of tourists based on georeferenced photos. Tourism Tribune, 2013,28(10):30-36.]. DOI: 10.3969/j.issn.1002-5006.2013.010.004.

[6]
Majid A, Chen Ling, Chen Gencai, et al. A context-aware personalized travel recommendation system based on geotagged social media data mining. International Journal of Geographical Information Science, 2013,27(4):662-684. DOI: 10.1080/1365881 6.2012.696649.

DOI

[7]
Li Dongying, Zhou Xiaolu, Wang Mingshu. Analyzing and visualizng the spatial interactions between tourists and locals: A Flickr study in ten US cities. Cities, 2018,74:249-258. DOI: 10.1016/j.cities.2017.12.012.

DOI

[8]
Shao Hu, Zhang Yi, Li Wenwen. Extraction and analysis of city's tourism districts based on social media data. Computers Environment & Urban Systems, 2017,65:66-78. DOI: 10.1016/j.compenvurbsys.2017.04.010.

[9]
Yu Yaxin, Zhao Yuhai, Yu Ge, et al. Mining coterie patterns from Instagram photo trajectories for recommending popular travel routes. Frontiers of Computer Science, 2017,11(6):1007-1022. DOI: 10.1007/s11704-016-5501-y.

DOI

[10]
鲁小波, 陈晓颖, 马斌斌. 东北亚各国间旅游流规模与潜力分析. 干旱区资源与环境, 2015,29(11):208-213.

[ Lu Xiaobo, Chen Xiaoying, Ma Bingbing. Tourism flow scales and potentials among Northeast Asian countries. Journal of Arid Land Resources and Environment, 2015,29(11):208-213.]. DOI: 10.13448/j.cnki.jalre.2015.388.

[11]
Pearce D G. Form and function in French resorts. Annals of Tourism Research, 1978,5(1):142-156. DOI: 10.1016/0160-7383(78)90008-7.

DOI

[12]
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.

DOI

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

[13]
唐弘久, 保继刚. 我国主要入境客源地游客的时空特征及影响因素. 经济地理, 2018,38(9):222-230, 239.

[ Tang Hongjiu, Bao Jigang. Spatio-temporal characteristics and influencing factors of tourists from main inbound tourist source for mainland China. Economic Geography, 2018,38(9):222-230, 239. ]. DOI: 10.15957/j.cnki.jjdl.2018.09.026.

[14]
Orellana D, Bregt A K, Ligtenberg A, et al. Exploring visitor movement patterns in natural recreational areas. Tourism Management, 2011,33(3):672-682. DOI: 10.1016/j.tourman.2011.07.010.

[15]
Yoshimura Y J, Sobolevsky S, Ratti C, et al. An analysis of visitors' behavior in the Louvre Museum: A study using Bluetooth data. Environment and Planning B: Planning and Design, 2014,41(6):1113-1131. DOI: 10.1068/b130047p.

[16]
张佑印, 顾静, 马耀峰. 旅游流研究的进展、评价与展望. 旅游学刊, 2013,28(6):38-46.

[ Zhang Youyin, Gu Jing, Ma Yaofeng. Tourist flow: Research progress, evaluation and outlook. Tourism Tribune, 2013,28(6):38-46.]. DOI: 1002-5006 (2013) 06-0038 -09.

[17]
Santana-Gallego M, Ledesma-Rodríguez F J, Pérez-Rodríguez J V. International trade and tourism flows: An extension of the gravity model. Economic Modelling, 2015,52(15):267-276. DOI: 10.1016/j.econmod.2015.10.043.

[18]
Guo Yongrui, Zhang Jie, Yang Yang, et al. Modeling the fluctuation patterns of monthly inbound tourist flows to China: a complex network approach. Asia Pacific Journal of Tourism Research, 2015,20(8):1-12. DOI: 10.1080/10941665.2014.-948024.

DOI

[19]
Lazzeretti L, Petrillo C S. Tourism Local Systems and Networking. Amsterdam: Elsevier, 2013: 20-34.

[20]
Balli F, Balli H O, Louis R J. The impacts of immigrants and institutions on bilateral tourism flows. Tourism Management, 2016,52:221-229. DOI: 10.1016/j.tourman.2015.06.021.

[21]
杨兴柱, 顾朝林, 王群. 旅游流驱动力系统分析. 地理研究, 2011,30(1):23-36.

[ Yang Xinzhu, Gu Chaolin, Wang Qun. Study on the driving force of tourist flows. Geographical Research, 2011,30(1):23-36.]. DOI: 10.11821/yj2011010003.

[22]
Zhao Xi, Lu Xiaoni, Liu Yuanyuan, et al. Tourist movement patterns understanding from the perspective of travel party size using mobile tracking data: A case study of Xi'an, China. Tourism Management, 2018,69:368-383. DOI: 10.1016/j.tourman.2018.06.026.

[23]
Vita G D. The long-run impact of exchange rate regimes on international tourism flows. Tourism Management, 2014,45(1):226-233. DOI: 10.1016/j.tourman.2014.05.001.

[24]
García-Palomares J C, Gutiérrez J, Mínguez C. Identification of tourist hot spots based on social networks: A comparative analysis of European metropolises using photo-sharing services and GIS. Applied Geography, 2015,63:408-417. DOI: 10.1016/j.apgeog. 2015.08.002.

[25]
朱玮, 魏晓阳. 基于时间效用模型的大型展会游客时空行为模式: 以2014青岛世园会为例. 旅游学刊, 2019,34(1):73-81.

[ Zhu Wei, Wei Xiaoyang. Spatio-temporal behavior patterns of large-scale exhibition tourists based on the temporal utility model: A case study of 2014 Qingdao International Horticultural Exposition. Tourism Tribune, 2019,34(1):73-81.]. DOI: 10.19765/j.cnki.1002-5006.2019.01.012.

[26]
East D, Osborne P, Kemp S, et al. Combining GPS & survey data improves understanding of visitor behaviour. Tourism Management, 2017,61:307-320. DOI: 10.1016/j.tourman.2017.02.021.

[27]
陈晓艳, 张子昂, 胡小海, 等. 微博签到大数据中旅游景区客流波动特征分析: 以南京市钟山风景名胜区为例. 经济地理, 2018,38(9):206-214.

[ Chen Xiaoyan, Zhang Ziang, Hu Xiaohai, et al. Characteristics of tourists flow in scenic spots based on Weibo Check-in big data: A case study of Zhongshan Scenic Spot in Nanjing. Economic Geography, 2018,38(9):206-214.]. DOI: 10.15957/j.cnki.jjdl.2018.09.024.

[28]
马丽君, 孙根年, 黄芸玛, 等. 城市国内客流量与游客网络关注度时空相关分析. 经济地理, 2011,31(4):680-685.

[ Ma Lijun, Sun Gennian, Huang Yunma, et al. A correlative analysis on the relationship between domestic tourists and network attention. Economic Geography, 2011,31(4):680-685.]. DOI: 10.15957/j.cnki.jjdl.2011.04.026.

[29]
Liu Yu, Liu Xi, Gao Song, et al. Social sensing: A new approach to understanding our socio-economic environments. Annals of the Association of American Geographers. 2015,105(3):512-530. DOI: 10.1080/00045608.2015.1018773.

DOI

[30]
陈浩, 陆林, 郑嬗婷. 基于旅游流的城市群旅游地旅游空间网络结构分析: 以珠江三角洲城市群为例. 地理学报, 2011,66(2):257-266.

DOI

[ Chen Hao, Lu Lin, Zheng Shanting. The spatial network structure of the tourism destinations in urban agglomerations based on tourist flow: A case study of the Pearl River Delta. Acta Geographica Sinica, 2011, 66(2):257-266.].

[31]
干青亚, 邱枫, 刘文生, 等. 基于GIS-SNA的长江三角洲城市群旅游流网络演化. 华东经济管理, 2016,30(8):35-40.

[ Gan Qingya, Qiu Feng, Liu Wensheng, et al. Evolution of tourist flow network of urban agglomeration in the Yangtze River Delta based on GIS-SNA. East China Economic Management, 2016,30(8):35-40.]. DOI: 10.3969/j.issn.1007-5097.2016.08.006.

[32]
刘大均. 长江中游城市群旅游流空间格局及发展模式. 经济地理, 2018,38(5):217-223.

[ Liu Dajun. Spatial pattern and development model of tourist flow in urban agglomeration in the middle reaches of the Yangtze River. Economic Geography, 2018,38(5):217-223.]. DOI: 10.15957/j.cnki.jjdl.2018.05.026.

[33]
刘军. 整体网分析讲义: UCINET软件实用指南. 上海: 格致出版社、上海人民出版社, 2009: 87-89.

[ Liu Jun. Lectures on Whole Network Approach: A Practical Guide to UCINET. Shanghai: Truth &Wisdom Press and Shanghai People′s Publishing House, 2009: 87-89.]

[34]
文嫮, 韩旭. 高铁对中国城市可达性和区域经济空间格局的影响. 人文地理, 2017,32(1):99-108.

[ Wen Hu, Han Xu. The impacts of high-speed rails on the accessibility and the spatial pattern of regional economic development in China. Human Geography, 2017,32(1):99-108.]. DOI: 10.13959/j.issn.1003-2398.2017.01.014.

[35]
王怀成, 张连马, 蒋晓威. 泛长三角产业发展与环境污染的空间关联性研究. 中国人口·资源与环境, 2014,24(S1):55-59.

[ Wang Huaicheng, Zhang Lianma, Jiang Xiaowei. Study on evolution of industrial and pollution gravity centers and its spatial correlation in Pan Yangtze River Delta. China Population, Resources and Environment, 2014,24(S1):55-59.]

[36]
Ester M, Kriegel H P, Sander J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise. In: AAAI Press. Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining. Portland, USA: AAAI Press, 1996: 226-231.

[37]
李新延, 李德仁. DBSCAN空间聚类算法及其在城市规划中的应用. 测绘科学, 2005,(3): 51-53+5.

[ Li Xinyan, Li Deren. DBSCAN spatial clustering algorithm and its application in urban planning. Science of Surveying and Mapping, 2005,(3): 51-53+5.]

[38]
周红芳, 王鹏. DBSCAN算法中参数自适应确定方法的研究. 西安理工大学学报, 2012,28(3):289-292.

[ Zhou Hongfan, Wang Peng. Research on adaptive parameters determination in DBSCAN algorithm. Journal of Xi'an University of Technology, 2012,28(3):289-292.]. DOI: 10.19322/j.cnki.issn.1006-4710.2012.03.007.

[39]
Agrawal R, Srikant R. Fast algorithms for mining association rules. In: Morgan Kaufmann. Proceedings of the 20th International Conference on Very Large Data Bases. San Francisco: Morgan Kaufmann, 1994: 487-499.

[40]
赵洪英, 蔡乐才, 李先杰. 关联规则挖掘的Apriori算法综述. 四川理工学院学报(自然科学版), 2011,24(1):66-70.

[ Zhao Hongying, Cai Lecai, Li Xianjie. Overview of association rules Apriori mining algorithm. Journal of Sichuan University of Science & Engineering (Natural Science Edition), 2011,24(1):66-70.]

[41]
马仁锋, 倪欣欣, 张文忠, 等. 浙江旅游经济时空差异的多尺度研究. 经济地理, 2015,35(7):176-182.

[ Ma Renfeng, Ni Xinxin, Zhang Wenzhong, et al. A multi-scale research on tourism economic spatial-temporal difference in Zhejiang province. Economic Geography, 2015,35(7):176-182.]. DOI: 10.15957/j.cnki.jjdl.2015.07.026.

[42]
徐敏, 黄震方, 曹芳东, 等. 基于在线预订数据分析的旅游流网络结构特征与影响因素: 以长三角区域为例. 经济地理, 2018,38(6):193-202.

[ Xu Min, Huang Zhenfang, Cao Fangdong, et al. The network structure features and influence factors of tourism flows based on online data analysis: Taking the Yangtze River Delta Region as an example. Economic Geography, 2018,38(6):193-202.]. DOI: 10.15957/j.cnki.jjdl.2018.06.024.

[43]
Garry H T. An over view of content analysis. The Marketing Review, 2003,3(4):479-498.

DOI

[44]
苗洪亮, 周慧. 中国三大城市群内部经济联系和等级结构的比较: 基于综合引力模型的分析. 经济地理, 2017,37(6):52-59.

[ Miao Hongliang, Zhou Hui. A comparative analysis on economic linkage and hierarchical structure of the top three urban agglomerations in China: Using a Synthesized Gravity Model. Economic Geography, 2017,37(6):52-59.]. DOI: 10.1597/j. cnki.jjdl.2017.06.008.

Options
Outlines

/

〈 〉