旅游在線搜索與客流波動的動態關聯研究

劉培學 朱知沛 張捷 張曉婉 曾湛荊

[摘 ? ?要]波動是旅游流的重要特征和研究重點，為探索日際時間尺度下景區客流與在線信息流的波動差異和關聯性，文章利用手機大數據長期監測的南京鐘山景區游客量與兩種客戶端搜索量的3種旅游流數據，使用GARCH族方法測算不同旅游流的年內波動性，采用時差相關系數法和滾動相關系數的協動性分析和交叉相關分析方法研究了旅游流之間的整體和動態相關性，并基于VAR的脈沖響應函數研究了游前搜索對景區客流的沖擊效應。分析結果表明：在日際尺度的波動上，電腦客戶端（PC端）上的旅游景區搜索量序列較為平穩，移動客戶端的搜索量與游客量序列具有尖峰厚尾分布和波動叢集性特征;景區客流量和移動搜索量波動均不具有長記憶性，移動搜索指數的高波動影響略長于客流量，兩種波動的假日經濟現象明顯，均具有正向非對稱性，節假日沖擊促進短時集中出游，但不會帶來長期客流或搜索量的顯著增長;旅游搜索與客流波動在不同滯后/領先時差上具有交叉相關性，PC端搜索的波動沖擊會引起游客量在滯后5期達到響應峰值，響應時序動態與移動端相反;法定節假和高溫等季節性因素會引起搜索與客流相關程度在年內的動態變化。

[關鍵詞]旅游流;百度指數;波動;GARCH模型;中山陵

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002-5006（2021）11-0095-12

Doi： 10.19765/j.cnki.1002-5006.2021.11.012

引言

旅游流是游客及其相關和伴生的信息流、資本流等在空間區域內的遷移現象[1]。對旅游流變化規律的深入分析，有助于揭示旅游系統內部各要素間相互作用的關系。波動性是旅游業最為顯著的特征之一，各種旅游信息流和客流在不同時間尺度呈現不同的波動狀態并相互影響[2-3]。旅游需求波動的測量與分析是旅游需求研究的一個重要方面[3]。國內大眾旅游愈加普及，黃金周、寒暑假等節假日造成的短期、集中、高強度的出行對旅游目的地生態和服務系統形成了巨大的波動沖擊。而學界對目的地的季節性關注較多[4-5]，對波動性的關注較少，且集中于國家層面、月度尺度的入境客流波動，對國內游客在中小尺度目的地和細粒度時間內的波動特征還不太明確。

信息空間與現實物理空間的相關關系受到學界的長期關注，旅游活動具有異地性特征，潛在游客對旅游景區信息的掌握不充分，搜尋和關注旅游景區相關資訊是其出游前重要的準備活動，而通過網絡搜索引擎獲取信息來輔助決策往往是最主要方式[6-8]。旅游相關的搜索研究逐漸豐富，成為大數據研究中的一大類型，國外在旅游信息搜索（travel information search，TIS）范疇內展開討論[9]，國內較為偏重其作為“網絡關注度”的價值[10]。現有研究除了分析旅游搜索關注的空間分布特征外[11]，主要集中于探究旅游網站訪問量或網絡搜索量指數（search volume index，SVI）在時間維度上與旅游客流的關系，即網絡信息流的前兆效應[12-15]及耦合關系[16]，進而作為一些社會經濟和旅游問題的預測指標[17]。王碩等對比廬山、華山和八達嶺長城風景名勝區，分析黃金周景區客流量與網絡關注度的變化規律及兩者相關性，總結其網絡前兆期為4天[18]。馬麗君等分析了國內游客量與游客網絡關注度受氣候舒適度因素的影響及兩者的相關性[19]。研究還發現，搜索引擎數據可以呈現不同酒店品牌在信息空間中的競爭格局[20]，旅游經營主體可以通過搜索引擎優化提高在線關注度和口碑[21]。

智能手機的普及和手機網民人數的增加，帶來搜索用戶逐漸由個人電腦端（PC端）向移動端轉移，移動搜索變得日益重要和普遍，百度和Google的移動端搜索量已然超越其PC端，調查顯示，手機搜索用戶數為6.54億，使用率高達80.0%，在各類手機應用使用率中排名第二（中國互聯網絡信息中心《中國互聯網絡發展狀況統計報告》，2018年）。在近年的移動互聯網高速發展中，感知移動性、場景性和低轉移成本促使了大量的用戶從PC搜索到手機搜索轉移。不同的潛在游客人群的搜索行為各不相同，在決定采用何種搜索方式時會綜合考慮時間、位置、需求等具體的情境要素，在復雜事件處理時，PC搜索的使用率高于手機移動搜索[22]。學者們已然注意到不同搜索引擎[23]或客戶端[10]搜索量對游客流的預測效果有所不同，移動平臺相對于傳統平臺的使用行為偏好的差異，帶來的信息流波動與目的地客流波動特征差異和關聯程度變化亟待研究[24]。

旅游需求分析的準確性和時效性對于旅游管理部門和企業都至關重要，但學界對旅游流波動性的研究以低頻長期的指標描述為主，對高頻波動的量化研究較少。居民節假日期間的出游熱潮和前后的劇烈波動，在日際尺度的分析更有價值。城市及景區的游客流量波動在日際尺度下具有明顯的“節日效應”以及由重大事件產生的“剎車效應”[25-26]，對旅游監管部門的應急能力提出更高要求，而這部分研究受數據獲得性的限制也更高。借助于細粒度的手機漫游數據，王茜雅等分析了不同節假日對南京客源市場格局的差異影響[27]。

識別時間序列數據的波動特性的方法上，時間序列法和計量經濟學法是較為有效的旅游客流研究方法，在變異系數和基尼系數等描述性統計方法外，隨機波動模型、廣義自回歸條件異方差（generalized autoregressive conditional heteroskedasticity，GARCH）系列方法及其組合方法已被廣泛應用于旅游研究中，對旅游需求的波動性進行建模。學者還往往選擇使用非線性的Hodrick-Prescott濾波[28]、經驗模態分解方法（empirical mode decomposition，EMD）和小波分析[29]分解目的地的客流波動的趨勢和季節性特征。內容上主要關注時間序列的整體特征，研究視野較狹窄地聚集在入境客流群體，而且大都以月為時間尺度，較金融領域的日際、小時尺度高波動性的廣泛研究存在一定差距[30]。學界開始對旅游流中存在的多時間尺度波動和高頻波動特征的研究開始了探索，對黃山風景區[25]、林芝地區[26]客流進行多尺度波動提取，而Baggio和Sainaghi從復雜性理論視角研究了意大利米蘭23家酒店客房入住率和價格波動的長期記憶性和標度高穩定性[31]。

通過文獻梳理還可以發現，現有研究對物質流、信息流與客流的動態關聯的關注不足，游前行為與實際出游之間長期缺乏基于詳盡數據的動態關聯性研究，這些限制在大數據時代通過獲取大量的旅游數字足跡得到改善[32]。本文基于手機漫游定位大數據獲取的南京市鐘山風景區2017年日際接待長三角地區客流量數據，研究公共節假日等事件對景區中短距離市場日際旅游流波動的沖擊效應，對比相應客源市場不同客戶端搜索指數的波動特征，分析潛在游客需求波動及搜索行為差異，進一步地對旅游客流與信息流之間的協動性和動態關聯特征進行分析。

1 研究數據獲取

南京市鐘山風景名勝區位于南京東北郊紫金山，享有江南四大名山的美譽，是中國四十佳旅游勝地之一，景區以中山陵園為中心，包含各類名勝古跡200多處，如明孝陵景區、中山陵景區、頭陀嶺景區、靈谷景區和鐘山植物園、紫金山天文臺等。鐘山風景區在長三角游客中有較高知名度，客流量大，波動明顯，節假日擁擠風險一直較高，而且兼具自然和人文旅游資源，可以避免單一旅游資源的網絡關注度受到季節因素限制而導致網絡搜索數據缺失或過于集中于某些月份的情況，因此，選擇鐘山風景區作為本研究的案例地。微博簽到數據[33]、地理標記照片數據[34-35]在研究景區客流時間特征中已被廣泛應用，但數據的代表性和有偏性問題有待商榷[36]。因而，筆者選擇具有海量、及時和覆蓋度廣等優勢的手機信令監測數據[37]，使用江蘇移動公司與南京文化和旅游局合作的大數據監測平臺提供的旅游客流數據[38]，平臺根據漫游信息和常駐地屬性，統計停留在景區范圍基站地理圍欄內的非本城市用戶。相關手機信令研究中信令間隔規則以0.5～1小時為主[39]，在平臺建設初期與常規統計手段匹配校對后，綜合判定景區內信令間隔停留超過30分鐘的游客記為1人次較為合適。

遠距離游客在搜索行為上與近距離游客存在時間差異[40]，而外來游客在南京的搜索無法剔除，為減少這些干擾因素，研究客源區域限定為可以當天內到達和游覽鐘山景區的長三角地區（包含江蘇省、安徽省、浙江省和上海市），并去除其中的本市居民（通過手機定位判斷常駐地），取每日到訪鐘山景區的游客量。本文主要研究旅游流的年內每日波動特征，故選擇手機監測平臺穩定運行一段時期后的2017年全年。

百度是最大的中文搜索引擎，百度指數以網民在百度的搜索量為數據基礎，以關鍵詞為統計對象，分析并計算出各個關鍵詞在百度網頁搜索中搜索頻次的加權和[11]。通過百度指數平臺（www.index.baidu.com）可快速準確地獲取客源地每天的目的地關注程度，與實際旅游客流方便對應關聯。本文參考相關文獻研究[15，41]，根據景區名稱、主要景點和其他旅游要素初步確定備選關鍵詞，并根據用戶在出游前同時搜索4～9個關鍵詞的習慣[8]，借助關鍵詞挖掘工具（https：//ci.aizhan.com/）選取搜索量排名前6的“南京中山陵”“中山陵門票”“明孝陵”“中山陵”“靈谷寺”“梅花山”等關鍵詞組成搜索指數。與實際游客量數據相對應，分別收集了6個關鍵詞在長三角地區移動搜索和PC搜索不同平臺來源（根據用戶設備類型確定平臺，根據設備IP地址確定搜索來源地）的2017年每日百度指數，并去除同期來自南京本地的搜索，將6個關鍵詞的不同客戶端百度指數分別按日期相加，得到綜合反映其網絡搜索整體情況的兩類搜索指數。

數據顯示，樣本期內鐘山風景區共接待除南京本地外的長三角地區游客859.9萬人次，平均每日接待23559人次，長三角地區作為主要客源地占景區接待外地游客量的61.1%。來自長三角客源地的日均搜索指數達到2481，以移動端搜索為主，游客量和移動搜索指數受節假日和季節影響而波動顯著，而PC端搜索變化較為平穩（圖1）。

2 研究方法

2.1 波動性分析方法

傳統波動性的度量方法都假設樣本的方差是固定的，然而伴隨經濟理論和實證檢驗的發展，逐漸有學者開始證實許多時間序列數據的方差并不是恒定的，而是會隨時間而發生變化，即異方差性。在自回歸條件異方差（autoregressive conditional heteroskedasticity，ARCH）模型基礎上，學界還提出了廣義自回歸條件異方差（GARCH）及多個衍生模型[42]。

本研究對景區客流時間序列是否存在條件異方差進行檢驗，并基于旅游時間序列數據波動的穩定性和收斂性問題，采用GARCH和指數GARCH（exponential GARCH，EGARCH）模型[43]，分析信息流和客流時間序列波動的特點。一般GARCH模型是GARCH（1，1）模型，其均值方程和條件方差方程，分別為：

[yt=xtyt-i+ut] （1）

[σ2t=ω+αu2t-1+βσ2t-1] （2）

其中，[xt]為1×（k+1）維解釋變量向量，[k=1，][2，…，T]，[ut]是誤差項，[σ2t]是[ut]的條件方差，w為波動方程的均值。式（2）為條件方差方程，表示在時刻t，條件方差可依賴于t-1時的隨機誤差項的平方[u2t-1]（ARCH項）和上一期方差的預測值[σ2t-1]（GARCH項）。將GARCH（1，1）模型擴展到GARCH（p，q）模型，其條件方差方程為：

[σ2t=ω+i=1pαiu2t-i+j=1qβjσ2t-j] （3）

式（3）中，p是ARCH項的自相關階數，q是GARCH項的滑動階數，要求：ω>0，α≥0，β≥0，α+β<1，1≤i≤p，1≤j≤q。

沖擊的不均衡性也是研究的重點[44]，主要是分析積極和消極事件沖擊的不對稱性，或者如果一般模型不能滿足兩個平穩條件（即ARCH和GARCH參數均大于零，且ARCH和GARCH參數之和小于1），EGARCH可以成為另一種對波動率進行建模的方法。EGARCH（p，q）模型為：

[ln（σ2t）=ω+i=1pαiut-iσt-i+i=1pγiut-iσt-i+j=1qβjln（σ2t-j）]（4）

若[γi]不等于0，則時間序列波動具有非對稱性，即好消息和壞消息對波動的影響程度是不同的;αi表示規模效應，表明波動性的大小隨沖擊的方向（正向或負向旅游需求沖擊）而增大;βj表示波動持久性的程度。

判斷滯后期通常有3種方法：LR似然比（likelihood ratio）統計量、AIC信息準則（Akaike information criterion）和SC施瓦茲準則（Schwarz criterion）。大部分研究中，時間序列很難滿足LR統計量所要求的隨機誤差正態分布狀態，常用AIC或SC值最小準則選擇滯后期。

2.2 協動性分析方法

協動性是用來測量兩種序列在波動方向一致性和相互聯系緊密性的特征，表達各變量間同漲同落，具有共同波動趨勢。兩兩之間波動的Pearson相關系數顯示了協動性特征。當相關系數為正值且數值較大時，說明兩序列的波動方向一致，并且相互聯系緊密，即可以定量確證兩種序列間的波動具有較強的協動性。由同期相關系數衡量的是旅游需求線上與線下波動的同步程度，而協動性是比同步性內涵更寬泛的概念，線上線下傳導往往存在時滯，因而本研究主要采用交叉相關（cross correlation）方法分析不同時滯的相關系數衡量景區客流與搜索流之間的協動性水平[45]。為了更好地分析3種序列之間的波動沖擊的時間滯后關系，本研究通過建立游客量與不同平臺的搜索指數的VAR（vectro autoregression）向量自回歸模型，利用脈沖響應函數（impulse response function）分析在線搜索對旅游流的動態影響，即將到訪游客量作為因變量時，來自搜索指數一個標準差的隨機擾動所產生的影響，得到脈沖響應函數圖、客流響應峰值和對應期數。脈沖響應函數是基于VAR模型分析變量間動態影響關系的工具。由于VAR模型中的系數只能反應局部的動態關系，無法通過分析系數估計值來評價VAR模型回歸結果，利用脈沖響應函數可以了解研究中各變量間動態影響的關系。

進一步地，使用滾動相關系數考察協動性隨時間推移的動態演化情況，對于樣本觀測區間為[{1，2，…，N}]的序列{xt}和{yt}，在滾動窗口長度為m時，在T時刻兩個序列x和y的滾動相關系數為

[ρx，y，T=covxt，ytvar（xt）var（yt）] （5）

式（5）中，[var（xt）]為m期內xt的方差，[t=T-g+1，][T-g+2，…，T]，而T=g，g+1，…，N。

3 旅游信息流與客流波動特征

3.1 時間序列基本統計特征

首先要對時間序列的統計特征進行分析，以便了解研究樣本的基本統計特征及規律，一般包括數據的均值、標準差、中位數、峰度、偏度等。游客量和搜索指數的基本統計量如表1所示，游客量和移動搜索指數偏度（skewness）分別為3.966和2.715，游客量序列呈明顯左偏性，峰度（kurtosis）分別為27.374和11.662，遠大于3，序列顯著異于正態分布，具有典型的“尖峰（leptokurtic）厚尾（thick-tailed）”特征，即均值附近與尾區的概率值比正態分布大，而其余區域的概率比正態分布小;同時，J-B統計量為在0.05的水平下顯著，拒絕原假設，兩時間序列不服從正態分布。而PC搜索指數則為正態分布，波動較為平穩，峰值不明顯。

然后，對3種序列使用單位根檢驗（ADF）進行平穩性檢驗，得到的結果如表2所示。結果顯示，t統計量在0.01的水平下顯著小于臨界值，序列存在單位根的零假設不成立，即3種時間序列均是平穩序列。然后，進行ARCH-LM檢驗，以各序列及其一階滯后項分別建立OLS回歸方程，然后用得到的殘差進行ARCH-LM檢驗（滯后期lag=7），發現F和LM統計量（T×R?）對應的P值小于0.05，故拒絕原假設，該時間序列存在明顯的ARCH效應，適合采用GARCH模型對客流與移動搜索序列波動進行 擬合。

3.2 旅游流波動記憶性的GARCH模型分析

3.2.1 ? ?客流波動的GARCH模型

GARCH波動模型需要建立兩個方程：一個均值方程和一個方差方程。根據序列滯后15項的自相關圖確定序列具有較高的自相關性和偏相關性（partial correlation，PAC），客流和移動搜索指數序列滯后1期的PAC分別為0.682和0.847，因而以當期客流或移動搜索與前值的線性回歸為均值方程AR（1）式（6）和式（8）[43]。GARCH（p，q）中p與q的確定原則為在各項擬合顯著（各項的概率小于0.05）的基礎上，且SC值最小與R2較高[44]，并對殘差進行ARCH-LM檢驗確認，GARCH（2，1）模型比GARCH（1，1）模型更好地消除了游客量序列的異方差性 （表3），擬合效果更好的式（7）表明，客流波動具有顯著的異方差效應，波動叢集性（volatility clustering）明顯，即幅度較大的變化相對集中在某些時段里。

[TOURt=14930.438+0.751TOURt-1+μt ? ? ? ? ? ? ? ? （12.594） ? ? ? ?（19.287） ?] （6）

[σ2t=1.330E+08+0.316u2t-1+0.632σ2t-1-0.354σ2t-2 ? ? ? ? （14.357） ? ? ? ? ? ? ? ? ? ? ? （11.530） ? ? ? （26.683） ? ? （-14.229）]（7）

根據式（7），[μt]為擾動項，[σ2t]為[μt]的條件方差。系數α與β的和為0.584，即GARCH（2，1）模型中ARCH項和GARCH項系數之和遠小于1，說明景區日際客流的波動不具有長記憶性，節假日沖擊對后期預測關聯性一般。而且，滯后1期的信息加大波動的效果（b1）超過了滯后2期減少波動的效果（b2）。

3.2.2 ? ?移動搜索指數的GARCH模型

類似地，對移動搜索指數波動建立GARCH模型，按照SC最小的規則確定p與q（表3），選取GARCH（1，1）模型即可在0.05水平下各項擬合顯著，且殘差序列不再存在ARCH效應，擬合結果為以下兩個方程。

[MOSt=361.033+0.791MOSt-1+μt ? ? ? ? ? ? ? ? ? （5.317） ? ? ? ? ?（21.846） ?] （8）

[σ2m（t）=28461.26+0.498u2m（t-1）+0.157σ2m（t-1） ? ? ? ? ? ? ?（10.017） ? ? ? ? ? ? ? ? （7.888） ? ? ? ? ? ?（2.379）] （9）

根據式（9）顯示，GARCH項系數為0.157，遠小于1，說明當期的條件方差較少的取決于其自身的滯后項。系數α與β之和為0.655，移動搜索指數的波動同樣不具有長記憶性，對比可見，移動搜索指數的高波動影響期略長于客流量。

3.3 旅游流波動非對稱性的EGARCH模型分析

為了考察兩種旅游流序列是否存在非對稱性，即利空消息對需求造成的下降影響是否和利好消息的帶動影響一致，采用了EGARCH模型[3]。同樣根據各項擬合顯著且SC最小等原則，分別為游客量序列和移動搜索指數序列確定了EGARCH（1，2）和EGARCH（1，1）模型，擬合結果為式（10）和式（11）。

[lnσ2t=1.674-0.112ut-1σt-1+0.571ut-1σt-1+ ? ? ? ? ? ?（6.349） ? ? ?（-5.922） ? ? ? ? ?（23.821） ? ? ? ? ? ? 1.157ln（σ2t-1）-0.238ln（σ2t-2） ? ? ? ? ? ? ? ?（420.879） ? ? ? ? ? ?（-18.322）] （10）

[lnσ2m（t）=1.249-0.094um（t-1）σm（t-1）+ ? ? ? ? ? ? ? （3.867） ? ? ?（-4.943） ? ? ? ? ? ? ? 0.408um（t-1）σm（t-1）+0.889ln（σ2m（t-1）） ? ? ? ? ? ? ? ? ? （18.628） ? ? ? ? ? ? ?（31.109）] （11）

結果顯示，在無明顯危機影響的情況下，旅游流波動主要受節假日催化的正向沖擊影響，這與金融領域常見的負面沖擊“杠桿效應”不同。客流的負向波動主要受節前抑制作用和淡季影響，并不明顯，客流量波動的非對稱性系數γt=0.571，而移動搜索指數的系數γm=0.408，顯示出客流量的非對稱性更強。參數bt和bm分別為1.157和0.889，表明兩種序列都是波動集中出現的，而且客流波動的叢集性稍強于移動搜索波動。

4 網絡關注與客流波動的動態關聯

4.1 網絡搜索與客流波動的時差相關分析

采用交叉相關分析，計算15期（d）內3個序列兩兩之間的時差領先滯后的關系，滯后（lag）和領先（lead）是相應的交叉相關系數，最大系數出現的滯后期為領先/滯后期。根據表4，游客量與移動搜索指數波動趨于一致，在7d內的相關性均超過序列的2倍標準差（±0.105），表明兩者顯著相關性，游客量在當天或滯后1d的相關性較高。游客量與PC搜索指數在滯后12d內的多數時間具有顯著相關性，在游客量當期或滯后2d的相關性較高，在0d、7d、13d等間隔的相關性較低，兩者波動在兩周左右時間內存在時差性。

4.2 網絡搜索與客流波動的脈沖響應分析

使用平穩的3種時間序列建立VAR模型，根據SC最小的準則選擇滯后期為2，進而利用脈沖響應函數可以了解研究中某變量的當期沖擊引起的其他變量15d內的動態響應關系（圖2）。景區接待游客游覽后，引起PC端搜索指數響應的峰值為第4期（圖2c），而移動端為第3期（圖2b）;同等沖擊水平下，PC端搜索指數的響應更強更持久。移動搜索指數對游客量的帶動主要是前兩期，而后促進實際出游的效應逐漸下降（圖2d），PC搜索指數對游客量的帶動則從第4期后開始顯現正向影響（圖2g），兩種搜索具有明顯的響應時序差異。

4.3 時間序列的滾動窗口動態關聯

本文中計算滾動相關系數時采用的滾動時窗長度m設為14 d，這是考慮到著重于客流和搜索指數的年內波動主要集中以7 d為周期，根據上文分析，時差相關顯著相關最長在14 d，而且部分節假往往跨兩個周，采用2倍平均周期的滾動時窗，既可以比較全面概括時間序列的關聯性特征，又避免了由于時窗長度過短導致的動態趨勢表現不充分的問題。根據式（5）計算兩序列當期的滾動關聯系數，為減少偶然波動和方便呈現，將其按每周平均后結果如圖3。

3種波動之間的關聯系數整體穩定，出現顯著變化的時間段體現在春節（第4周，簡記為W4）、8月暑期及靈谷寺螢火蟲季節（W28～W30）、國慶中秋（W39～W41）和年底（W49～W50）期間。在春節、清明（W14）、國慶的附近時段，兩種搜索流與客流的關聯（ρ-tp與ρ-tm）變化是同向增減的，假日出游旺盛使得兩種不同客戶端的搜索行為有所趨同。PC搜索指數與客流量的關聯（ρ-tp）機制較為復雜，一般情況下兩序列當期間存在明顯不同步的滯后效應，因此以負向關聯為主，系數一般在-0.4到-0.6附近波動，僅春節期間（W4）、暑假特別是大暑節氣附近（W30）和國慶期間（W41）為正值，兩次黃金周跨時較長能夠實現同向波動，而大暑前后的搜索指數較為穩定，但高溫抑制了潛在出游，人們取消或者延后了出游計劃，實際客流量下降較大。移動搜索與客流關聯系數ρ-tm能夠反映網絡出游意愿和實際到達的關系，在4月清明節（W14）之后到勞動節假期（W18）之前的3周（W15～W17），移動搜索與游客量的關聯性降低，應為潛在游客在為“五一”出游進行搜索準備，而并未實際出游，小長假之后又迅速回落;W45之后旅游市場進入傳統淡季，潛在游客的移動端的在線搜索意愿逐步降低，而且下降幅度快于實際客流減少的幅度，因而與客流量相關性減弱。

5 結論與討論

5.1 主要結論

本文以鐘山風景區的長三角地區每日到訪游客量與不同平臺的搜索指數作為研究對象，利用GARCH族模型分析了3種時間序列的波動率差異，采用時差交叉相關、滾動相關分析與VAR模型的脈沖響應函數對近距離旅游流與網絡搜索信息流的日際時間動態相關性進行研究，得到以下結論。

（1）景區客流量和移動平臺搜索指數的年內日際序列分布具有尖峰厚尾特征，而波動具有叢集性。PC端搜索指數波動較為平穩，呈現正態分布。在一定程度顯示出潛在游客的游前搜索已部分遷移到移動端搜索平臺，并具有差異化搜索行為特征。

（2）景區客流量和移動搜索指數在日際尺度的波動均不具有長記憶性，移動搜索指數的高波動影響略長于客流量。兩種波動的假日經濟現象明顯，均具有正向非對稱性，但節假日沖擊并不會帶來長期客流或搜索量的顯著增長，主要節假前會存在僅搜索準備而暫未實際出游的客流抑制效應。

（3）景區客流量與不同平臺搜索在不同時差上具有交叉相關性。客流量與移動搜索指數的日際尺度波動趨于一致，在當期或滯后1d的相關性較高，與PC搜索指數在滯后2d的相關性較高并存在以7d為間隔的“周”期性關聯。移動端與PC端搜索指數沖擊引起游客量響應的動態變化，表現出兩種搜索指數對應的搜索行為習慣的差異，而客流帶來的PC端搜索響應程度更強更持久。

（4）法定節假和季節性因素會引起搜索與客流相關程度的波動變化。兩種搜索指數與客流的當期相關性為正負對應關系，僅春節、清明節和國慶節前后是同向變化的。高溫帶來的氣候舒適限制會抑制潛在出游意愿，冬季的潛在游客的移動端的在線搜索意愿逐步降低，會減弱與實際到訪客流量的相關性。

5.2 討論與展望

本文探索性地比較了不同平臺網絡搜索數據的波動特征差異，研究了在線搜索與景區實際接待游客量的整體和動態協動性關系。搜索引擎作為目的地營銷的重要手段，針對不同平臺的搜索引擎營銷策略差異有著廣泛的實踐需求。研究結果可以為景區營銷和管理實踐工作提供指導，利用不同平臺網絡信息搜索與客流量在時間維度上的耦合關系，適時開展多種旅游營銷推廣活動，在節假日前期應加強PC端搜索優化和對應網絡信息的完善，提高游客從線上搜索行為向線下旅游體驗行為的轉化，實現精準營銷。今后還應利用游前搜索與客流的節假日波動特征，開展客流預測和擁擠預警等方面的研究和應用。

國內研究對在線旅游信息流是游客流的因果關系的“導引”[13]，還是僅為“前兆”現象仍有爭論[17]。針對搜索數據和客流量的時序相關分析和脈沖響應分析，結果傾向于搜索指數是反映客源地潛在游客出游計劃行為的指標。搜索指數（與網站訪問、目的地的網絡營銷內容關注量不同）指示的不是客源地所有居民接受的信息，而是大量實際游客（已預訂相關旅游產品）和潛在游客（搜索后可能因距離、花費、安排等原因而放棄或推遲）制定游前計劃這一階段的旅游行為。游前搜索作為游前行為的一部分，反映了旅游異地消費和體驗的特性。另外，與部分研究將旅游流序列的波動的長記憶性與重游聯系起來的結論不同[46]，本研究認為旅游流在日際時間尺度上不存在長記憶性，且與具體到個人游客的重游行為并無關聯，僅反映客源市場與目的地的群體性特征。

然而，搜索引擎大數據研究的是大樣本條件下的統計特征，并不能完全解釋游客搜索行為的特征，搜索主體與出游主體存在不一致。同時，游客信息搜索行為的內在機制復雜，不同游客在關鍵詞搜索的頻率、時間上應有較大差異，有待采用實驗方法和大規模問卷調查進一步探索。另外，案例地在研究期內客流量穩定且未發生明顯負面影響，其波動性特征特別是非對稱性，對其他景區的參考性可能存在一定限制，有必要對突發危機事件（如新冠肺炎疫情沖擊）影響及恢復過程中產生的高頻數據進行深入研究。而對于手機信令監測所得的詳盡客源地數據還有待在未來研究中細化分析，在中短程客源市場內，不同生命周期或者季節性目的地，在不同客源地的協同性應有所不同，未來應拓展進行更多其他類型目的地的案例研究。

參考文獻（References）

[1] 章錦河， 張捷， 李娜， 等. 中國國內旅游流空間場效應分析[J]. 地理研究， 2005， 24（2）： 293-303. [ZHANG Jinhe， ZHANG Jie， LI Na， et al. An analysis on spatial field effect analysis of domestic tourism flows in China[J]. Geographical Research， 2005， 24（2）： 293-303.]

[2] 余向洋， 沙潤， 朱國興， 等. 基于EMD的景區客流波動特征及其組合預測——以黃山風景區為例[J]. 地理科學進展， 2012， 31（10）： 1353-1359. [YU Xiangyang， SHA Run， ZHU Guoxing， et al. Research on fluctuation characteristics and combined forecasting of tourist arrivals in Huangshan scenic areas[J]. Progress In Geography， 2012， 31（10）： 1353-1359.]

[3] KIM S S， WONG K K F. Effects of news shock on inbound tourist demand volatility in Korea[J]. Journal of Travel Research， 2016， 44（4）： 457-466.

[4] 張捷， 都金康， 周寅康， 等. 觀光旅游地客流時間分布特性的比較研究——以九寨溝、黃山及福建永安桃源洞鱗隱石林國家風景名勝區為例[J]. 地理科學， 1999， 19（1）： 50-55. [ZHANG Jie， DOU Jinkang， ZHOU Yinkang， et al. A comparison approach to temporal characteristics of tourist flows to sightseeing destinations： With case samples of national parks of Jiuzhaigou， MT. Huangshan and Taoyuandong—Lingyin Stone Forest Park [J]. Scientia Geographica Sinica， 1999， 19（1）： 50-55.]

[5] 萬田戶， 馮學鋼， 黃和平. 江西省山岳型風景名勝區旅游季節性差異——以廬山、井岡山、三清山和龍虎山為例[J]. 經濟地理， 2015， 35（1）： 202-208. [WAN Tianhu， FENG Xuegang， HUANG Heping. Differences of tourism seasonality among mountain resorts in Jiangxi： Examples of Mt. Lushan， Jinggang Sanqing and Longhu[J]. Economic Geography， 2015， 35（1）： 202-208.]

[6] PAN B， XIANG Z， LAW R， et al. The dynamics of search engine marketing for tourist destinations[J]. Journal of Travel Research， 2011， 50（4）： 365-377.

[7] XIANG Z， PAN B. Travel queries on cities in the United States： Implications for search engine marketing for tourist destinations[J]. Tourism Management， 2011， 32（1）： 88-97.

[8] 李君軼， 楊敏. 基于關鍵詞選擇的在線旅游信息搜尋行為模式研究[J]. 旅游學刊， 2013， 28（10）： 15-22. [LI Junyi， YANG Min. The keywords-based online information seeking behavior of tourists[J]. Tourism Tribune， 2013， 28（10）： 15-22.]

[9] ZHENG X， KARL W， DANIEL R F. Representation of the online tourism domain in search engines[J]. Journal of Travel Research， 2008， 47（2）： 137-150.

[10] 孫燁， 張宏磊， 劉培學， 等. 基于旅游者網絡關注度的旅游景區日游客量預測研究——以不同客戶端百度指數為例[J]. 人文地理， 2017， 32（3）： 152-160. [SUN Ye， ZHANG Honglei， LIU Peixue， et al. Forecast of tourism flow volume of tourist attraction based on degree of tourist attention of travel network： A case study of Baidu index of different clients[J]. Human Geography， 2017， 32（3）： 152-160.]

[11] 鄒永廣， 林煒鈴， 鄭向敏. 旅游安全網絡關注度時空特征及其影響因素[J]. 旅游學刊， 2015， 30（2）： 101-109. [ZOU Yongguang， LIN Weiling， ZHENG Xiangmin. Spatial-temporal characteristics and influential factors of network attention tourism security[J]. Tourism Tribune， 2015， 30（2）： 101-109.]

[12] DAVIDSON A P， YU Y M. The Internet and the occidental tourist： An analysis of Taiwans tourism websites from the perspective of Western tourists[J]. Information Technology & Tourism， 2005， 7（2）： 91-102.

[13] 路紫， 趙亞紅， 吳士鋒， 等. 旅游網站訪問者行為的時間分布及導引分析[J]. 地理學報， 2007， 62（6）： 621-630. [LU Zi， ZHAO Yahong， WU Shifeng， et al. The time distribution and guide analysis of visiting behavior of tourism website users[J]. Acta Geographica Sinica， 2007， 62（6）： 621-630.]

[14] 路紫， 劉娜， ZUI Z. 澳大利亞旅游網站信息流對旅游人流的導引： 過程、強度和機理問題[J]. 人文地理， 2007， 21（5）： 88-93. [LU Zi， LIU Na， ZUI Z. The guiding effect of information flow of australian tourism website on tourist flow： Process， intensity and mechanism[J]. Human Geography， 2007， 21（5）： 88-93.]

[15] LIU P， ZHANG H， ZHANG J， et al. Spatial-temporal response patterns of tourist flow under impulse pre-trip information search： From online to arrival[J]. Tourism Management， 2019， 73： 105-114.

[16] 馮娜， 李君軼. 外向在線旅游信息流與入境旅游流的耦合分析——以美加入境旅游流為例[J]. 旅游學刊， 2014， 29（4）： 79-86. [FENG Na， LI Junyi. A couple analysis of the extraversion online tourism information and inbound tourist flow： A case of the American and Canadian inbound tourist flow[J]. Tourism Tribune， 2014， 29（4）： 79-86.]

[17] 李山， 邱榮旭， 陳玲. 基于百度指數的旅游景區絡空間關注度： 時間分布及其前兆效應[J]. 地理與地理信息科學， 2008， 24（6）： 102-107. [LI Shan， QIU Rongxu， CHEN Ling. Analysis on inbound tourism market and its development measures of Gansu province[J]. Geography and Geo-Information Science， 2008， 24（6）： 102-107.]

[18] 王碩， 曾克峰， 童潔， 等. 黃金周風景名勝區旅游客流量與網絡關注度相關性分析——以廬山、華山、八達嶺長城風景名勝區為例[J]. 經濟地理， 2013， 33（11）： 182-186. [WANG Shuo， ZENG Kefeng， TONG Jie， et al. A correlative analysis of the relationship between tourists and tourist network attention for scenic spots in special session[J]. Economic Geography， 2013， 33（11）： 182-186.]

[19] 馬麗君， 孫根年， 黃蕓瑪， 等. 城市國內客流量與游客網絡關注度時空相關分析[J]. 經濟地理， 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[J]. Economic Geography， 2011， 31（4）： 680-685.]

[20] ZHENG X， ROB L. Online competitive information space for hotels[J]. Journal of Hospitality Marketing & Management， 2013， 22（5）： 530-546.

[21] PARASKEVAS A， KATSOGRIDAKIS I， LAW R， et al. Search engine marketing： Transforming search engines into hotel distribution channels[J]. Cornell Hospitality Quarterly， 2011， 52（2）： 200-208.

[22] 陳明紅， 溫杰堯， 曾慶彬， 等. 從PC搜索到手機搜索的用戶轉移行為意向研究[J]. 情報科學， 2018， 36（7）： 71-77. [CHEN Minghong， WEN Jieyao， ZENG Qingbin， et al. A study on user switching behavioral intention from pc search to mobile search[J]. Information Science， 2018， 36（7）： 71-77.]

[23] YANG X， PAN B， EVANS J A， et al. Forecasting Chinese tourist volume with search engine data[J]. Tourism Management， 2015， 46： 386-397.

[24] KIM D， LEHTO X Y， MORRISON A M. Gender differences in online travel information search： Implications for marketing communications on the internet[J]. Tourism Management， 2007， 28（2）： 423-433.

[25] 余向洋， 汪麗. 黃山風景區客流波動的多時間尺度特征分析[J]. 旅游科學， 2014， 28（2）： 1-11. [YU Xiangyang， WANG Li. An analysis on multiple time scale features of the fluctuations of tourist arrivals in Huangshan scenic areas[J]. Tourism Science， 2014， 28（2）： 1-11.]

[26] 吳江， 張秀香， 葉玲翠， 等. 不同時間尺度周期的旅游客流量波動特征研究——以西藏林芝市為例[J]. 地理研究， 2016， 35（12）： 2347-2362. [WU Jiang， ZHANG Xiuxiang， YE Lingcui， et al. ? A time scale study on the tourist flow in Nyingchi， Tibet[J]. Geographical Research， 2016， 35（12）： 2347-2362.]

[27] 王茜雅， 張建新， 劉培學， 等. 大數據視角下城市客源市場空間結構動態研究——以南京市為例[J]. 資源開發與市場， 2018， 34（1）： 77-82. [WANG Xiya， ZHANG Jianxin， LIU Peixue， et al. Study on spatial structure of urban tourist market from perspective of big data： A case study of Nanjing city[J]. Resource Development & Market， 2018， 34（1）： 77-82.]

[28] HODRICK R J， PRESCOTT E C. Postwar U.S. business cycles： An empirical investigation[J]. Social Science Electronic Publishing， 1997， 29（1）： 1-16.

[29] 袁林旺， 俞肇元， 黃震方， 等. 游客變化的多尺度波動特征及作用過程分析——以鹽城麋鹿生態旅游區為例[J]. 旅游學刊， 2009， 24（7）： 27-33. [YUAN Linwang， YU Zhaoyuan， HUANG Zhenfang， et al. An analysis of multi-fluctuation characteristics and functional process of tourist flow[J]. Tourism Tribune， 2009， 24（7）： 27-33.]

[30] GUO Y， ZHANG J， YANG Y， et al. Modeling the fluctuation patterns of monthly inbound tourist flows to China： A complex network approach[J]. Asia Pacific Journal of Tourism Research， 2015， 20（8）： 942-953.

[31] BAGGIO R， SAINAGHI R. Complex and chaotic tourism systems： Towards a quantitative approach[J]. International Journal of Contemporary Hospitality Management， 2011， 23（6）： 840-861.

[32] 李君軼， 唐佳， 馮娜. 基于社會感知計算的游客時空行為研究[J]. 地理科學， 2015， 35（7）： 814-821. [LI Junyi， TANG Jia， FENG Na. Tourists spatio-temporal behavior based on socially aware computing[J]. Scientia Geographica Sinica， 2015， 35（7）： 814-821.]

[33] 陳曉艷， 張子昂， 胡小海， 等. 微博簽到大數據中旅游景區客流波動特征分析——以南京市鐘山風景名勝區為例[J]. 經濟地理， 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 city[J]. Economic Geography， 2018， 38（9）： 206-214.]

[34] 楊興柱， 蔣鍇， 陸林. 南京市游客路徑軌跡空間特征研究——以地理標記照片為例[J]. 經濟地理， 2014， 34（1）： 181-187. [YANG Xingzhu， JIANG Kai， LU Lin. Urban tourist path trajectory spatial characteristics： An empirical analysis of geotagged photos[J]. Economic Geography， 2014， 34（1）： 181-187.]

[35] 秦靜， 李郎平， 唐鳴鏑， 等. 基于地理標記照片的北京市入境旅游流空間特征[J]. 地理學報， 2018， 73（8）： 1556-1570. [QIN Jing， LI Langping， TANG Mingdi， et al. Exploring the spatial characteristics of Beijing inbound tourist flow based on geotagged photos[J]. Acta Geographica Sinica， 2018， 73（8）： 1556-1570.]

[36] YUAN Y， LU Y， CHOW T E， et al. The missing parts from social media-enabled smart cities： Who， where， when， and what？[J]. Annals of the American Association of Geographers， 2019， 110（2）： 462-475.

[37] 黃瀟婷， 柴彥威， 趙瑩， 等. 手機移動數據作為新數據源在旅游者研究中的應用探析[J]. 旅游學刊， 2010， 25（8）： 39-45. [HUANG Xiaoting， CHAI Yanwei， ZHAO Ying， et al. On the application analysis of mobile data source in the study of tourists[J]. Tourism Tribune， 2010， 25（8）： 39-45.]

[38] 顧秋實， 張海平， 陳旻， 等. 基于手機信令數據的南京市旅游客源地網絡層級結構及區域分異研究[J]. 地理科學， 2019， 39（11）： 1739-1748. [GU Qiushi， ZHANG Haiping， CHEN Min， et al. Hierarchical network structures and regional differentiations of tourist source destinations of Nanjing based on cellular signaling data[J]. Scientia Geographica Sinica， 2019， 39（11）： 1739-1748.]

[39] 申卓， 王德. 基于手機信令數據的大型足球賽事球迷當日空間行為特征研究[J]. 人文地理， 2018， 33（3）： 34-43. [SHEN Zhuo， WANG De. A research on the spatial behavior characteristics of fans of large football matches based on cell phone signaling data[J].Human Geography， 2018， 33（3）： 34-43.]

[40] 馬莉， 劉培學， 張建新， 等. 景區旅游流與網絡關注度的區域時空分異研究[J]. 地理與地理信息科學， 2018， 34（2）： 87-93. [MA Li， LIU Peixue， ZHANG Jianxin， et al. Research on spatial and temporal difference of tourist flow and web search behavior in scenic spots[J]. Geography and Geo-Information Science， 2018， 34（2）： 87-93.]

[41] 黃先開， 張麗峰， 丁于思. 百度指數與旅游景區游客量的關系及預測研究——以北京故宮為例[J]. 旅游學刊， 2013， 28（11）： 93-100. [HUANG Xiankai， ZHANG Lifeng， DING Yusi. Study on the predictive and relationship between tourist attractions and the Baidu index： A case study of the forbidden city[J]. Tourism Tribune， 2013， 28（11）： 93-100.]

[42] 陳婷婷. 人民幣實際有效匯率波動與我國進出口貿易的動態關聯性研究——基于TVP-VAR模型[D]. 杭州： 浙江財經大學， 2016. [CHEN Tingting. Dynamic Relationship between RMB Real Effective Exchange Rate Volatility and Chinas Import and Export Trade-based on TVP-VAR Model[D]. Hangzhou： Zhejiang University of Finance and Economics， 2016.]

[43] BALLI F， CURRY J， BALLI H O. Inter-regional spillover effects in New Zealand international tourism demand[J]. Tourism Geographies， 2015， 17（2）： 262-278.

[44] BALLI H O， TSUI W H K， BALLI F. Modelling the volatility of international visitor arrivals to New Zealand[J]. Journal of Air Transport Management， 2019， 75： 204-214.

[45] 余向洋， 沙潤， 胡善風. 近鄰景區客流季節性比較及其動態關聯研究——以西遞、宏村、黃山為例[J]. 地理研究， 2013， 32（1）： 191-200. [YU Xiangyang， SHA Run， HU Shanfeng. Dynamic relation and comparative analysis of tourism seasonality of neighbor scenic areas： Case studies of Xidi， Hongcun and Huangshan[J]. Geographical Research， 2013， 32（1）： 191-200.]

[46] AL-SHBOUL M， ANWAR S. Long memory behavior in Singapores tourism market[J]. International Journal of Tourism Research， 2017， 19（5）： 524-534.

Dynamic Correlation Analysis of Online Travel Information Search and Volatility in Daily Tourist Arrivals： A Case Study of Zhongshan Mountain National Park in Nanjing

LIU Peixue1， ZHU Zhipei1， ZHANG Jie1， ZHANG Xiaowan1，2， ZENG Zhanjing1

（1. School of Geography and Ocean Science， Nanjing University， Nanjing 210023， China;

2. School of Business， Anhui University， Hefei 230601， China）

Abstract： The volatility in tourist arrivals has been the focus of tourism research. Search engines have become an important tool for destination marketing， as they can satisfy a wide range of practical needs with different marketing strategies from various platforms. The dynamic correlation analysis among information， material and passenger flow has become focus of attention in the information/digital age. As technology usage becomes more widespread， it is possible to acquire large digital footprints of tourists. This study examines the difference and correlation between tourist volume forecasting based on Baidu index and fluctuations in tourist arrivals based on mobile signal data at the interdiurnal timescale. To do this， GRACH model was applied for modeling and forecasting the volatility of yearly tourist arrivals. Pearson correlation and cross-correlation analysis were used to analyze the overall and dynamic correlation between tourist volume. The impulsive effect of online travel information search on tourist volume was investigated by using impulse response function in the VAR model. The results show the volatility of tourist volume at the destination and mobile search is similar， with “peak thick tail” distribution characteristics and volatility clusters. To a certain extent， it illustrates that tourists online travel information search behaviors have partially transferred to mobile device. Moreover， the volatility in tourist volume and mobile search at interdiurnal timescale has no long-term memory. However， the influence of high volatility of mobile search index is slightly longer than that of tourist volume. In addition， national holidays and seasonal factors could lead to the changes in the correlation between online search behavior and actual tourist volume. Specifically， the effects of holidays on short-term tourist flow are significant， but without significant effects on long-term tourist flow. The high temperature could constraint tourists potential travel intentions， and the willingness of mobile search behaviors gradually declines during winter. Lastly， the fluctuation effect of PC search causes the peak response of tourist volume at a lag of 5. The dynamic sequence of response time by PC is opposite to that of mobile devices， representing the differences of online search behavior habits corresponding to the two search indexes. Search engines have become a central part of destination marketing strategy and， as such， it is essential that different platforms with different search engines should differentiate marketing strategies. It can realize the precision marketing by applying the coupling relations between online travel information search and tourist volume at timescales， organizing a variety of tourism marketing activities， optimizing PC search index and improving online information at the early stage of holidays， and promoting the conversion rate from tourists online search behavior to offline tourism experience.

Keywords： tourism flow; Baidu index; volatility; GARCH; Sun Yat-sen Mausoleum

[責任編輯：劉 ? ?魯;責任校對：吳巧紅]