摘要： 以中国31个省域作为研究单元， 以入境旅游外汇收入作为入境旅游经济的衡量指标， 运用ESTDA框架，通过ESDA、 LISA时间路径和时空跃迁等方法， 从时空耦合的视角对中国2001~2011年省域入境旅游经济空间格局的时空动态性进行分析。研究发现： 中国入境旅游经济存在弱正相关， 表现为一种弱积聚格局， 入境旅游经济空间差异呈现先缩小后扩大的趋势； 东部沿海旅游经济发达地区具有更加动态的局部空间结构， 而中西部旅游经济欠发达地区具有更加稳定的局部空间结构； 湖北省在空间依赖方向上具有最大的波动性， 而浙江省在空间依赖方向上具有最大的稳定性； 中国入境旅游经济空间格局的演化具有较强的空间整合性， 出现协同高增长趋势的省份主要集中在东部地区， 而出现协同低增长趋势的省份主要集中在中西部地区； 中国入境旅游经济的局部区域结构和空间自相关性非常稳定， 具有一定的路径依赖或锁定特征。

关 键 词： 入境旅游经济； 时空动态性； 探索性空间数据分析； LISA时间路径； 时空跃迁； 空间自相关

空间对于许多社会经济过程的重要性逐步得到学者的关注 [1， 2] 。通过关注空间效应， 空间思维已经被经济学家和地理学家积极的融入到区域经济发展问题的研究中。在区域差异的研究中， 主要反映在对经济不均衡和收敛研究中时空思维的运用， 也即分析经济收敛的空间格局和区域不均衡的动态性 [3] 。空间效应成为目前区域差异研究的重要议题。许多研究已经证明， 空间效应 （空间依赖和空间异质性） 更趋向于一种普遍存在而不是例外 [4] 。然而， 社会经济过程同样具有时间维度。由于日益增加的经济联系性， 邻近的经济单元随着时间的推移可能呈现出极大程度的相似性， 同时区域经济发展过程的空间异质性可能同样不稳定。经济数据的时空维度在分析区域经济发展时具有必不可少的重要性。因此， 实证分析和模型应同时考虑区域经济发展的空间属性和时间属性 [5] 。耦合格局与过程是地理学综合研究的重要理论和方法， 然而， 目前经济发展的空间格局分析和时间过程分析大部分是分离的 [6] 。从时空耦合观点理解经济发展逐步得到研究者的共识，新的方法需要真正的整合空间和时间。

ESDA (Exploratory Spatial Data Analysis， 探索性空间数据分析)方法以空间关联测度为核心， 通过对事物或现象空间分布格局的描述与可视化， 揭示研究对象之间的空间相互作用机制 [7] 。ESDA为解释复杂的空间关系、 格局和趋势以及空间在经济发展中的作用提供了强有力的工具。然而， 目前大部分ESDA方法的运用聚焦于截面数据， 很大程度上忽视了区域经济变化的时间维度 [5] 。Rey和Janikas指出， 应当把时间因素融入到探索性空间数据分析中， 实现探索性空间数据分析 （ESDA） 向探索性时空数据分析(Exploratory Space-time Data Analy-sis, ESTDA)的转变[8] ， 将时间和空间作为同一数据的互补视图来看待， 系统分析空间模式在时间上的演化以及时序行为在空间上的分布。

中国入境旅游发展的空间格局和区域差异一直是学术界所关注的热点话题。有学者运用ES-DA方法研究了中国入境和国内旅游流的区域差异特征 [9~11] 。也有学者运用区位熵 （Location Entro-py） 、 基尼系数(Gini Coefficient)、 泰尔指数(TheilIndex)、 标准差(Standard Deviation)、 变异系数(Co-efficient of Variance)、 Kernel密度估计 （Kernel Den-sity Estimation） 等方法分析了不同时期中国入境旅游的空间差异特征及影响因素 [12~25] 。综合目前学者对中国入境旅游经济空间格局和区域差异的研究， 仍然缺乏深入的从时空整合的观点对这一问题进行探讨。Goodchild和Glennon指出空间格局和空间差异具有时间依赖性， 应当研究空间结构的转移和变换过程， 以期发现时空数据的地理动态性 [26] 。基于此， 本研究运用Rey等提出的ES-TDA框架 [8] ， 通过运用ESDA、 LISA时间路径、 LI-SA时空跃迁等方法， 从空间和时间耦合的角度研究中国入境旅游经济空间格局的时空动态性。

1 研究方法与数据来源

 1. .1   全局空间自相关全局空间自相关分析

可以衡量区域之间整体上的空间关联与空间差异程度。Global Moran’ s I值是常用的全局空间自相关度量指标， 其向量表达形式为 [27] ：I=(ns 0⋅z′w ijz′z) （1）式中， n是空间观测单元的数量， z是观测值与均值的离差向量， z′ 是z向量的转置向量， w ij 是二值 （0，1） 空间邻接矩阵， 区域i与j相邻为1， 不相邻为0，S 0 =∑∑w ij 。在生成邻接矩阵时， 因为海南省是一个岛屿， 所以会出现 “孤岛” 现象， 本研究人为定义海南与广东、 广西相邻。在给定显著性水平时， 若Moran’ s I显著为正， 则表示入境旅游外汇收入较高（或较低） 的区域在空间上显著积聚。反之， 若Mo-ran’ s I显著为负， 则表明区域与其周边地区的入境旅游外汇收入水平具有显著的空间差异。1

 1. .2  局部空间自相关采用Moran散点图和Local Moran’ s I 值揭示了局部区域单元在相邻空间的自相关性 [28] 。

1.2.1 Moran散点图Moran 散点图常用来研究局部的空间不稳定性， 是指用散点图的形式， 描述变量标准化值z与其空间滞后量W Z 之间的相关关系。Moran 散点图的四个象限分别对应着某一区域和其周围区域四种不同的局域空间联系， 即高高 （HH， 第一象限） 、 低高 （LH， 第二象限） 、 低低 （LL， 第三象限） 和高低（HL， 第四象限） 。HH 表示具有高属性值的区域被同样具有高属性值的其他区域所包围。HL表示具有高属性值的区域被低属性值的其他区域所包围。LH与LL的含义相反。HH 和LL 表明具有较高的空间正相关, 区域具有集聚性和相似性。HL和LH表示空间负相关, 区域具有分散性和异质性。

1.2.2 Local Moran’ s I统计量Local Moran’ s I可用来进一步度量区域与其周边地区的空间差异程度， 是全局空间自相关Global Moran’ s I的分解形式， 其数学形式为 [28] ：I i =z i ∑ j w ij z j （2）式中， z i 和z j 是区域i和j的标准化的观测值， w ij 是空间权重。4个象限的含义与Moran散点图中象限的解释相同。

1. .3   LISA 时间路径LISA时间路径通过考虑LISA坐标在Moran散点图中随时间的移动， 使传统的静态LISA具有了动态性 [29] 。在给定的时间， 每个省域单元的LI-SA坐标由入境旅游外汇收入的标准化值及其空间滞后量组成， LISA坐标在2个时间点的转移通过相应的2个时间点的LISA坐标的移动来测度， 其时间路径可表示为[(y i,1 , yL i,1 ),(y i,2 , yL i,2 ),...,(y i,t , yL i,t )]，其中， y i,t 为i省在t年的入境旅游收入， yL i,t 为i省在时间 t 的空间滞后量 [6] 。LISA 时间路径是 LocalMoran’ s I在散点图转移的连续表达， 也可认为是LISA马尔科夫转移矩阵的一种连续性表达 [30] 。通过可视化省域单元的属性值和其空间滞后随时间的成对移动， LISA时间路径可以测度Moran散点图中LISA坐标的稳定性水平， 解释各省区的入境旅游经济在区域范围内的时空协同变化以及确定局部空间差异和经济发展的时空动态性。LISA时间路径的几何特征主要包括相对长度、 弯曲度。1.3.1 LISA时间路径的相对长度LISA时间路径相对长度( N͂ i )的计算公式为 [6] ：N͂ i =N* ∑ t=1T-1 d(Li,t ,L i,t+1 )∑ i=1N∑ t=1T-1 d(Li,t ,L i,t+1 )（3）式中， N为空间单元的数量， T为年度时间间隔， L i,t为空间单元i在时间t的LISA坐标， d(L i,t , L i,t+1 )为空间单元i从时间t到t+1的移动距离。如果Ñ i 大于1， 表明省域单元i的相对移动大于所有省域单元LISA时间路径移动的平均值， 也即省域单元i的移动更加动态性， 否则相反。LISA时间路径的相对长度越长， 表明一个更加移动的局部空间依赖关系和更加动态的局部空间结构。1.3.2 LISA时间路径的弯曲度LISA时间路径弯曲度(D i )的计算公式为 [6] ：如果省域单元i的LISA相对移动比平均值更加曲折， 那么D i 大于1， 否则相反。D i 越大表明LI-SA时间路径越弯曲， 也即表明一个更加变动的局部空间依赖方向和更加波动的区域经济增长过程。

1. .4   数据来源研究区域包括中国大陆31个省、 直辖市、 自治区， 时间跨度为2001~2011年。以入境旅游外汇收入作为中国入境旅游经济的衡量指标， 数据来源于《中国旅游统计年鉴》[31] 。图形数据源于国家1 ∶ 400万基础地理信息数据库。

2 实证分析

2. .1   总体差异分析计算获得2001~2011年31个省域单元入境旅游外汇收入的Global Moran’ s I结果和变化趋势（图1） 。在研究时段内， Global Moran’ s I皆为正值， 表明入境旅游外汇收入的空间分布存在弱正相关， 呈现为一种弱积聚格局， 具体表现为具有较高入境旅游外汇收入的省区在空间上趋于相邻,较低入境旅游外汇收入的省区在空间上趋于相邻。Global Moran’ s I值呈现出了先增高后下降的趋势， 由2001年的0.004增加到2008年0.127再下降到2011年的0.103， 表明中国入境旅游经济差异呈现先缩小后扩大的趋势。图1 2001~2011年中国省域入境旅游外汇收入Moran’ s I值及变化趋势Fig.1 Trends of the Moran’ s I of inbound tourismincome in China, 2001-20112

2. .2 LISA 时间路径几何特征分析根据公式 （3） 和 （4） 计算出LISA时间路径的几何特征。根据计算结果可知， 北京 （3.804） 、 上海（3.625） 和天津 （2.187） 为LISA时间路径相对长度最长的3个省份， 山西 （0.288） 、 宁夏 （0.400） 和甘肃（0.402） 为长度最短的3个省份 （图2a） 。LISA时间路径移动长度较大的省份集中在东部沿海地区， 总体上呈现出由东向西的递减趋势。结果表明， 东部沿海旅游经济发达省份具有更加动态的局部空间结构， 而中西部旅游经济欠发达地区具有更加稳定的局部空间结构。LISA时间路径弯曲度最大的3个省份依次为湖北 （16.816） 山西 （11.790） 和广东 （10.946） ， 最小的3个省份依次为浙江 （1.171） 、 甘肃 （1.180） 和江苏 （1.245） （图2b） 。湖北省在空间依赖方向上具有最大的波动性， 发映出湖北省及其邻居省份具有非常动态的区域经济增长过程。浙江省在空间依赖方向上具有最大的稳定性， 这与浙江省周围同为旅游经济强省具有一定关系。

2. .3  LISA 时间路径的移动方向分析通过对比各省域单元在2001年和2011年Mo-ran散点图中的位置， 可以计算各省域单元LISA坐标点的移动方向。移动方向可以分为 4 个类别： 0°~90°方向表示赢-赢态势， 也即省域单元及其邻居省份的入境旅游经济同时保持高增长趋势（相比于平均水平， 下同） ； 90°~180°方向表示输-赢态势， 也即省域单元本身入境旅游经济呈现低增长趋势 （相比于平均水平， 下同） ， 而其邻居省份保持高增长趋势； 180°~270°方向表示表示输-输态势， 也即省域单元及其邻居省份的入境旅游经济均呈现低增长趋势； 270°~360°方向表示表示赢-输态势， 也即省域单元本身入境旅游经济呈现高增长趋势， 而其邻居省份呈现低增长趋势。0°~90°方向表示正向的协同运动， 180°~270°方向表示负向的协同运动， 这两种运动方向表示省域单元及其邻居省份呈现出整合的空间动态性 [32] 。根据计算结果 （图3） ， 正向协同运动的省份共有6个， 主要是东部入境旅游经济发达省份， 呈现出协同高增长趋势。负向协同运动的省份共有14个，主要为中西部入境旅游经济欠发达地区， 呈现出协同低增长趋势。共同向上移动和共同向下移动的省份共有20个， 占全部省份的64.516%， 表明中国入境旅游经济空间格局的演化具有较强的空间整合性。

2. .4   LISA 时空跃迁分析LISA时间路径的移动方向表明了Moran’ s I散点图的变动趋势， 而Rey提出的Local Moran’ s I转移概率矩阵和时空跃迁 （Space-time Transitions）进一步刻画了Moran’ s I散点图在不同局部相关类型间的转移 [33] 。根据中国入境旅游外汇收入2001~2011年Lo-cal Moran’ s I转移概率计算结果 （表1） 可知， LocalMoran’ s I在类别间的转移非常小， 可能存在的转移是HL→HH、 LL→HL和LL→LH， 可能性概率分别为0.034、 0.011和0.006。结果表明中国入境旅游经济的局部区域结构非常稳定， 省域单元要改变自身的相对位置非常困难。时空跃迁可以刻画Moran’ s I散点图的时空演化。时空跃迁划被分为4种类型： 类型Ⅰ、 类型Ⅱ、类型Ⅲ和类型0 [32] 。类型Ⅰ描述的仅仅是省域单元本身的跃迁， 包括HH t →LH t+1 、 HL t →LL t+1 、 LH t →HH t+1 、 LL t →HL t+1 ； 类型Ⅱ描述的仅仅是省域单元邻居省份的跃迁， 而省域单元本身的状态不发生改变， 包括 HH t →HL t + 1 、 HL t →HH t + 1 、 LH t →LL t + 1 、LL t →LH t+1 ； 类型Ⅲ描述的是省域单元本身和邻居省份均发生跃迁。类型Ⅲ包括类型ⅢA和类型ⅢB。类型ⅢA指的是省域单元本身和其邻居省份的跃迁方向一致， 包括HH t →LL t+1 、 LL t →HH t+1 ； 类型ⅢB指的是省域单元本身和其邻居省份的跃迁方向相反， 包括HL t →LH t+1 、 LH t →HL t+1 。除以上跃迁外， 还有第四种类型即省域单元和其邻居省份仍然同一象限， 没有跃迁， 这一状态被称为类型0。根据4个类型的划分， Moran’ s I的空间凝聚力（Spatial Cohesion） 可以表示为：S t =F 0,tn（5）式中， F 0,t 指t时间段内类型0的跃迁数目， n是所有可能的跃迁数目。根据计算结果， 2001~2011年间中国入境旅游经济的LISA并没有发生显著的时空跃迁， Moran’s I散点保持在同一象限内 （类型0跃迁） 的比例为98.7%， 也即Moran’ s I的空间凝聚力S t =0.987。类型Ⅰ的跃迁有 2 次， 所占比例为 0.6%， 分别是2005~2006年山东从LL跃迁到HL, 2006~2007年辽宁从LL跃迁到HL。类型Ⅱ的跃迁有2次， 所占比例为0.6%， 分别是2010~2011年山东从HL跃迁到HH， 2004~2005年安徽从LL跃迁到LH。没有出现类型Ⅲ的跃迁。研究表明， 中国入境旅游经济的空间相关性和集聚特征存在着高度的稳定性， 具有一定的路径依赖或锁定特征。

 3 结 论

通过对2001~2011年间中国入境旅游经济空间格局的时空动态性分析， 可以发现， 在研究时段内：1）中国入境旅游经济存在弱正相关， 呈现为一种弱积聚格局， 入境旅游经济空间差异呈现先缩小后扩大的趋势。2）LISA时间路径移动长度较大的省份集中在东部沿海地区， 总体上呈现出由东向西的递减趋势。结果表明， 东部沿海旅游经济发达地区具有更加动态的局部空间结构， 而中西部旅游经济欠发达地区趋向于具有更加稳定的局部空间结构。湖北省在空间依赖方向上具有最大的波动性， 发映出湖北省及其邻居省份具有非常动态的区域经济增长过程。浙江省在空间依赖方向上具有最大的稳定性， 这与浙江省周围同为旅游经济强省具有一定关系。3）LISA时间路径的移动方向类型中， 中国入境旅游经济出现协同变动的省份共有20个， 表明中国入境旅游经济空间格局的演化具有较强的空间整合性。其中， 出现协同高增长的省份主要集中在东部地区， 而出现协同低增长趋势的省份主要集中在中西部入境旅游经济欠发达地区。4）中国入境旅游经济Local Moran’ s I在类别间的转移概率非常小， 表明中国入境旅游经济的局部区域结构非常稳定， 省域单元要改变自身的相对位置非常困难。5）从Moran’ s I的时空跃迁类型来看， 2001~2011年间并没有发生显著的时空跃迁， Moran’ s I散点保持在同一象限内 （类型 0 跃迁） 的比例为98.7%， 表明中国省域入境旅游经济的空间相关性和集聚特征存在着高度的稳定性， 具有一定的路径依赖或锁定特征。

参考文献 ：[1] Goodchild M F, Anselin L, Appelbaum R P, et al. Toward spa-ially integrated social science [J]. International Regional Sci-ence Review, 2000,  23(2): 139-159.[2] Krugman P. The role of geography in development [J]. Interna-tional Regional Science Review, 1999,  22(2): 142-161.[3] Rey S J. Spatial analysis of regional income inequality[C]//Goodchild M et al. Spatially integrated social science: exam-ples in best practice. Oxford: Oxford University Press, 2004:280-299.[4] Abreu M, Groot D, Florax R. Space and growth [J]. Région etDéveloppement, 2005,  21:13-40.[5] Ye X Y, Carroll M C. Exploratory space-time analysis of localeconomic development [J]. Applied Geography, 2011, 31(3):1049-1058.[6] Rey S J, Ye X. Comparative spatial dynamics of regional sys-tems[C]//Páez J et al. Progress in spatial analysis: theory, com-putation, and thematic applications. Heidelberg: Springer, 2010.[7] Anselin L. Spatial econometrics: Methods and models [M]. Dor-drecht: Kluwer, 1988.[8] Rey S J, Janikas M V. STARS: Space-time analysis of regionalsystems [J]. GeographicalAnalysis, 2006,  38(1): 67-86.[9] Yang Y, Wong K K F. Spatial distribution of tourist flows to Chi-na's cities [J]. Tourism Geographies, 2013,  15(2): 338-363.[10] Zhang Y, Xu J H, Zhuang P J. The spatial relationship of touristdistribution in Chinese cities [J]. Tourism Geographies, 2011,  13(1):75-90.[11] Yang X Z, Wang Q. Exploratory space-time analysis of inboundtourism flows to China cities [J]. International Journal of Tour-ism Research, 2014,  16(3): 303-312.[12] Wen J J, Sinha C. The spatial distribution of tourism in China:trends and impacts [J]. Asia Pacific Journal of Tourism Re-search, 2009,  14(1): 93-104.[13] 乌铁红， 张 捷， 李文杰， 等. 中国入境旅游经济发展水平的空间格局演变及成因 — —基于入境旅游经济区位熵的分析[J]. 干旱区资源与环境, 2009,  23(5): 189~194.[14] 任 瀚， 苗长虹. 中国入境旅游业时空变异机制的定量分析[J].人文地理, 2007,  22(3): 56~59.[15] 王良健， 李晶晶， 陈锦龙. 中国省际旅游业发展演进的时空特征[J]. 地理科学进展, 2010,  29(10): 1249~1255.[16] 赵安周， 白 凯， 卫海燕. 中国入境旅游重心演变与省域空间分异规律[J]. 陕西师范大学学报(自然科学版), 2011,  39(4):97~102.[17] 王淑新, 何元庆, 王学定. 中国入境旅游经济的集聚与分散的实证分析[J].中国软科学, 2011,(10):123~130.[18] Wang S X, He Y Q, Wang X D, et al. Regional disparity andconvergence of China's inbound tourism economy [J]. ChineseGeographical Science, 2011,  21(6):715-722.[19] 郭金海， 韩 雪， 罗 浩， 等. 省域入境旅游经济的区域差异及发展模式[J]. 中国人口 · 资源与环境, 2009, 19(5): 131~135.[20] 宣国富. 中国入境旅游规模结构的省际差异及影响因素[J].经济地理, 2012, 32(11):156~161.[21] 陈秀琼， 黄福才. 中国入境旅游的区域差异特征分析[J]. 地理学报, 2006, 61(12): 1271~1280.[22] 靳 诚， 陆玉麒， 徐 菁. 1995年来中国省际入境旅游相对优势演化的空间特征分析[J]. 人文地理, 2010, 25(1): 148~154.[23] 陆 林， 余凤龙. 中国旅游经济差异的空间特征分析[J]. 经济地理, 2005,  25(3): 406~410.[24] 汪德根， 陈 田. 中国旅游经济区域差异的空间分析[J]. 地理科学, 2011,  31(5): 528~536.[25] 叶护平， 韦燕生. 中国旅游业发展区域差异的系统分析. 华中师范大学学报(自然科学版), 2005,  39(3): 395~398.[26] Goodchild M, Glennon A. Representation and computation ofgeographic dynamics[C]//Hornsby K S, et al. UnderstandingDynamics of geographic domains. Boca Raton: CRC Press,2008, 13-30.[27] Cliff A D, Ord J. Spatial processes, models and applications[M]. London: Pion, 1981. [28] Anselin L. Local Indicators of Spatial Association—LISA [J].GeographicalAnalysis, 1995,  27(2): 93-115.[29] Ye X Y. Comparative space time dynamics [D]. Santa Barbara:University of California, Santa Barbara and San Diego StateUniversity, 2010.[30] Ye X Y, Rey S. A framework for exploratory space-time analy-sis of economic data [J]. The Annals of Regional Science,2013,  50(1): 315-339.[31] 中华人民共和国国家旅游局.中国旅游统计年鉴[M].北京:中国旅游出版社,2002~2012.[32] Rey S J, Murray, A T, Anselin L.Visualizing regional incomedistribution dynamics [J]. Letters in Spatial and Resource Sci-ences, 2011, 4 4(1): 81-90.[33] Rey S J. Spatial empirics for economic growth and convergence[J]. GeographicalAnalysis, 2001,  33(3): 195-214.