一 引言

近年来，我国各省市自治区旅游业一直保持稳定增长，但各地区旅游业发展速度和质量参差不齐，且各地区的游客流量本身也具有明显的波动性。造成这种区域差异和波动的原因一直是学界研究的热点之一，国内外学者对此进行了大量的理论分析和实证研究，范围涵盖经济文化、地理气候、社会政治等多个方面(Emanuela&Raffaele，2011；张佑印等，2012；董培海等，2012)，且争论颇多，莫衷一是。

游客需求在客源市场形成一定规模后，其流向和流量将直接影响各旅游目的地的旅游流市场份额，而市场份额大小又取决于各旅游目的地的“吸引力”大小。因此，目的地“吸引力”的影响因素也是决定旅游流流向与流量乃至流质的关键因素。

需要注意的是，当出游市场规模不变，全国各区域旅游目的地市场的竞争关系实际上是一种零和博弈，一个区域旅游市场份额的提高必然是以其他区域市场份额的下降为代价的；同时，旅游过程所产生的资金流、商品流、信息流和游客流不会受到行政区划的约束和限制，必然存在空间依赖；再者，各省份的资源禀赋、基础设施等条件差别迥异(李振亭、马耀峰、李创新等，2012；李伟、胡静、陆汝端等，2013；张佑印、顾静、马耀峰，2013)，因此，在实证检验中，空间依赖与空间异质都不应被忽视。

为了捕获目的地游客接待市场份额区域差异的显著影响因素，本文首先对国内外现有文献进行全面梳理，对所有目的地吸引力影响因素进行频率统计，进而选择频率最高的5种因素，同时将目的地之间的空间异质和空间依赖纳入模型，以2004—2013年全国31个省份的游客流量为样本空间，构建空间计量面板模型，对我国各区域游客接待数量的影响因素进行显著性检验和识别。依据游客接待量对各影响因素单位变化的冲击响应强度，分别测度出各影响因素的开发潜力并绘制相应的潜力区域分布图，进而为目的地旅游市场开发和旅游流区域管控提供依据。

二 文献综述

旅游流主要用来描述具有相似旅游需求的游客群体的空间位移过程(马耀峰、李天顺、刘新平，1999：12—24)。旅游流自客源地向目的地流动的动力系统是当前旅游流研究的焦点之一。旅游流动力系统可细分为游客的内部驱动力(出游意识)、客源地“推力”、目的地“拉力”以及旅游流阻力四部分。20世纪90年代以来，Tolman的“推—拉”理论、O-D理论以及驱动力理论被广泛应用于旅游流及其动力系统研究(晏鲤波，2004)，依据“推—拉”理论和O-D理论，客源地的“推力”和目的地的“拉力”构成了旅游流动力机制的主要来源。Muzaffer对“推”“拉”两个方面进行了明确的界定：“推力”是指游客个体内在的旅游需求；“拉力”则是指特定旅游目的地对游客的吸引致使其离开常住地到目的地旅游的吸引力(Muzaffer，Uysal&Hagan，1993)。“推力”解释了旅游者为什么要出游；“拉力”则解释了游客为何选择该目的地而非其他目的地(杨兴柱、顾朝林、王群，2011)。

当客源市场产客量确定后，旅游流市场份额将由各省份旅游业的相对“拉力”决定。国外学者对目的地供给要素所产生的旅游流“拉力”进行了一系列理论分析和实证研究。Murphy等对目的地旅游产品和服务供给进行了分析，得出目的地资源质量、环境、基础设施等供给要素在旅游流流向和流量中的显著影响(Murphy，Pritchard&Smith，2000)。Prideauxhe(2000)和Jameel(2007)利用面板计量模型，强调了交通条件和距离因素在旅游流变化中的关键作用。Jie Zhang等指出旅游流必然伴随着贸易流，并对旅游产品竞争力所包含的资源禀赋、技术水平、基础设施等要素进行了实证检验，证实了其对旅游流的重要影响(Jie Zhang&Camilla J.，2007)。更进一步，Crouch等则通过构建旅游目的地竞争力模型，在时间维度上识别出各竞争要素的动态特征：各区域的比较优势将随着时间变化而此消彼长(Crouch&Ritchie，1999)。与此同时，国内学者应用GIS方法、O-D模型、社会网络方法以及重力模型等方法对目的地“拉力”要素在旅游流流动过程中的作用进行了相关研究，并得到类似结论。保继刚等认为旅游流驱动力影响因素包括旅游资源禀赋、区位特征、经济水平等(保继刚、龙江智，2005)，而目的地距离则是旅游流阻力的重要来源(保继刚，1992)。彭华重点强调了旅游产品对游客的吸引力作用(彭华，1999)。吴必虎、吴晋峰等则强调了目的地基础设施和交通便利性对旅游流流向和流量的重要影响(吴必虎，1994；吴晋峰、包浩生，2005)。

近期国内外相关研究的一个重要发现是：传统观点中的经济因素在旅游流影响因素中的地位明显下降，非经济因素对旅游流的影响愈加突出，休假制度(李飞，2009)、文化差异、区位(邱明、陈忠祥，2005)、移民状况、家庭结构(杨学燕、金海龙，2004)、恩格尔系数(陈超、谢红彬，2006)、公路密度及人均公路密度(陈世斌，2005)、受教育程度(王斌、赵荣，2002)等指标对旅游流的影响已得到广泛证实。在这些非经济要素中，空间因素对旅游流的影响一直未受到应有重视(Darragh，Peterson&Dwyer，1983)，目前仍停留在对旅游流的时空演变和空间分布的描述性研究，鲜见将空间因素(空间异质和空间依赖)作为独立变量加以考虑。实际上，旅游流对空间因素极为敏感，旅游流的变化受地理空间因素的影响显著(Fesenmaier&Lieber，1987；Golledge&Timmermans，1988；Fotheringham，1981)。但这一影响仅在旅游流空间场效应的研究中有所涉及，如章锦河等利用场强、位势等概念对全国旅游流空间区域格局和皖南旅游市场的旅游流扩散规律进行了定量测度(章锦河、张婕、李娜，2005；章锦河、张婕、刘泽华，2005)；马耀峰等采用空间方法系统分析了入境游客的时空动态机制(马耀峰、王冠孝、张佑印，2008)；王永明等以上海入境旅游为例，探讨了其对长江流域各省份的空间场效应(王永明、马耀峰、王美霞，2010)；杨国良等采用“假设—实证”方法，用齐夫结构和差异度指标研究了旅游流的规模等级结构(杨国良、张婕、艾南山、刘波，2006)；史春云等验证了首位分布和规模—位序理论在旅游区域核心—边缘空间结构演变过程中的有效性(史春云、张婕、尤海梅，2007)；文琦等则采用地理集中指数对1995—2006年入境旅游目的地空间形态及演变过程进行了刻画(文琦、杜忠潮、李玲，2009)。为了明确和验证地理空间效应在旅游流流向、流质等方面的重要影响，本文将空间关联效应(空间异质和空间依赖)作为独立解释变量纳入旅游流动力系统计量模型，这也是对旅游流研究一次重要的尝试和探索。

国内外现有文献的研究成果是本文解释变量选择的主要依据和来源。本文将从旅游目的地视角，在充分考虑空间关联效应基础上，对现有文献中出现频率最高的5种影响因素进行显著性检验和识别，进而对目的地旅游市场开发潜力进行测度并提出旅游流管控的相关建议。

三 空间计量模型的构建

如前所述，旅游流动力系统具有明显的空间关联效应，但其空间关联效应的具体形式还有待进一步检验和分析。依据艾瑟琳等的研究成果(Anselin，Rey&Montouri，1991；Anselin，2003；Anselin&Bera，1998；Anselin&LeGallo，2006)，我们初步建立通用形式的空间计量模型：

$ \begin{array}{l} Y = \rho {W_1}Y + X\beta + \xi \\ \xi = \lambda {W_2}\xi + \varepsilon \\ \varepsilon \sim N(0, {\sigma ^2}{I_n}) \end{array} $

其中，Y是一个n×1维向量，β是与外生(解释)变量X(n×k)相关的参数向量(k×1)，W₁和W₂分别表示与被解释变量相关的空间权重矩阵和与随机扰动项相关的空间权重矩阵，两者可以相同，也可以不同，可根据研究问题加以灵活设定，本文采用相同的行标准化(RowStandardized)空间权重矩阵。当W₁≠0，W₂=0时，即为空间滞后模型；当W₁=0，W₂≠0时，即为空间误差模型；当W₁、W₂同时为零时，即为普通OLS回归模型(沈体雁、冯等田、孙铁山，2010；LeSage&Kelley，2014)。

(一) 变量选取和数据来源

基于中国知网数据库，以“旅游流”为主题进行文献检索，总共检索出文献1407篇(包括期刊、会议和学位论文)，其中至少被引用1次的文献为572篇，近一年(2013—2014年)未被引用的文献数量为85篇，因此，本文使用的文献数量为657篇；以“旅游流”为关键词进行文献检索，总共检索出相关文献1 149篇文献，至少被引用1次的为400篇(包括期刊、会议和学位论文)，近一年(2013—2014年)未被引用的为56篇，因此，本文使用的文献数量为456篇。国外文献基于ScienceDirect数据库，以Tourism-flow、Tourist-flow(含Tourists-flow)为检索指标，分别检索出3440篇和2456篇相关文献，其中篇名和摘要中含有检索指标的分别为20篇和18篇。本文将在其中选取出现频率最高的5个变量为模型解释变量(如表 1所示)。

本文首先引入被解释变量旅游流规模(Tourists)，该指标以各省份游客接待数量表示，实际上反映了该区域相对于其他区域对旅游流的吸引力大小以及在全国旅游市场的相对份额，相关数据来自《中国旅游统计年鉴》。解释变量的选择主要基于表 1的文献统计数量指标，依次选择气候舒适度(ICL)、旅游资源禀赋(Resource)、交通条件(Traffic)、安全指数(Safty)、产业结构(Structure)5个在文献中出现频率最高的变量。气候本身就是特殊的旅游资源，对旅游流具有一定的吸引力(席建超、赵美凤、葛全胜，2011)，本文使用各区域气候舒适度年度累积值作为气候指标(受篇幅所限，本文在此省略其具体计算方法)，其中所涉及的温度、风速、日照数据来自中国国家气象局数据库；交通条件决定了目的地的可进入性，是旅游流顺利进入目的地的硬件条件，也是提升旅游流市场份额的必要条件，该指标数据来自2004—2013年的《中国统计年鉴》；目的地安全指数是游客人身财产的重要保障，利用31个省份各年度的刑事案件数量，经过去量纲和归一化获得，数据来自2004—2013年的《中国检察年鉴》；产业结构使用第三产业在当地GDP中的占比，反映了该地区游客服务能力和接待设施质量水平，该指标数据来自2004—2013年的《中国统计年鉴》。

在空间截面维度上，由于考察对象以省份为单位，地区差异小的变量指标将不被考虑，如闲暇时间长短在我国各地都是以国家法定节假日为准，区域间基本一致，因此不纳入计量模型。此外，2008年北京奥运会、2010年上海世博会的成功举办，无疑对我国城镇居民出游率具有显著正面影响，而2003年SARS和2008年金融危机的负面效应也不可忽视，我们通过虚拟变量的设置来反映这些重大事件对出游率的影响。最后，如前文所述，旅游流的产生机理和动力系统具有明显的空间关联性，一方面，空间个体之间的独立效应与交互效应已经在有关社会经济的既往研究中得到普遍证实；另一方面，旅游流在资源禀赋优良区域“聚集”的事实也促使我们将空间关联效应纳入模型(Novelli，Schmitz&Spencer，2010；Seetanah，2011)。空间关联效应包括空间异质和空间依赖两个方面。一方面，旅游目的地在地理空间维度具有明显差异——目的地空间异质性，该异质性主要包括目的地旅游资源禀赋差异、经济发展水平不同而导致的游客接待能力差异、基础设施差异以及交通条件差异等，这些都是旅游流的重要影响因素。另一方面，旅游目的地游客接待还存在明显的空间依赖，这种关联主要来自两条微观传导路径的耦合作用(赵磊，方成，吴向明，2014)：一条路径是旅游流的空间扩散机制，该机制会因为旅游者和区域的不同而呈现出多种模式，国内外已有大量研究成果对其进行分析、验证(卞显红，2003；卢天玲，2008；李山、王静，2009；黄潇婷，2009)；另一条则是由于游客需求与供给的空间恒等关系，在假定出游市场游客需求一定时，各目的地则存在明显的竞争关系，是一种零和博弈，任一地区游客接待数量的增加必然伴随着其他地区游客数量的相应降低。因此，本文引入空间计量方法，将空间关联效应作为独立的解释变量纳入模型。

(二) 空间自相关检验

1. Moran’s I指数统计量检验

在引入空间效应之前，还需对空间相关性作一正式检验。空间自相关检验最为常用的是著名学者莫兰(Moran)在20世纪上半叶提出的莫兰指数(Moran’s I)统计量(Moran，1948；Michael，Kristian&Gleditsch，2012)，包括全域空间相关和局域空间相关检验两种。全域空间Moran’s I的计算公式为：

$ Moran's\;I=n \frac{\sum\limits_{i=1}^{n} \sum\limits_{i=1}^{n} w_{i j}\left(x_{i}-\overline{x}\right)\left(x_{j}-\overline{x}\right)}{\sum\limits_{i=1}^{n} \sum\limits_{j=1}^{n} w_{i j} \cdot \sum\limits_{i=1}^{n}\left(x_{i}-\overline{x}\right)^{2}} $

如果将属性值的方差S²带入公式则可得：

$ {Moran}^{\prime} s\; I=n \frac{\sum\limits_{i=1}^{n} \sum\limits_{i=1}^{n} w_{i j}\left(x_{i}-\overline{x}\right)\left(x_{j}-\overline{x}\right)}{S^{2} \sum\limits_{i=1}^{n} \sum\limits_{j=1}^{n} w_{i j}} $

其中，$S^{2}=\frac{1}{n} \sum\limits_{i}\left(x_{i}-\overline{x}\right)^{2}$，$\overline{x}=\frac{1}{n} \sum\limits_{i=1}^{n} x_{i}$，x_i表示第i个地区的观测值，n为区域样本数量，w_ij为空间邻接权重矩阵，较为常见的测度标准有空间邻接(具有公共边界或公共顶点)、空间距离和经济距离三种。区域邻接时，矩阵元素w_ij取值为1，区域不相邻时则取值为0。本质上，Moran’s I是区域观测值与其空间相邻区域的相关系数，因此，Moran’s I的取值范围为[-1，1]，取值在正1附近时表明空间正相关，具有空间集聚效应(相似值聚集形成H-H型或L-L型空间分布)，而取值在负1附近时表明空间负相关(相异值聚集形成H-L-H型)。如果Moran’s I接近于0时，则表明为空间随机分布类型。

对局域空间相关来说，Anselin于1995年提出了局部莫兰指数I_i，用来检验局部地区空间相关性的存在。其计算公式为：

$ I_{i}=\frac{\left(x_{i}-\overline{x}\right)}{S^{2}} \sum\limits_{i \neq j} w_{i j}\left(x_{j}-\overline{x}\right) $

各变量经济含义与全域Moran’s I指数相同。

此外，Geary’ C，Getis-Ords等也都可以作为全域或局域空间自相关检验的有效工具，具体的计算公式不再赘述。为了保证空间自相关检验的稳健性，本文同时采用Moran’s I指数和LMerror(Robust)、LMlag(Robust)以及似然比Lratios、Walds统计量作为空间相关的检验统计量，利用正态分布和不同自由度的卡方分布假设来检验各区域空间相关性的存在(如表 2所示)。

从表 2的统计结果可以看出，所有空间相关统计量都是在1%的显著性水平上高度显著的，从而拒绝了不存在空间相关的原假设。至此，我们得出空间相关性明确存在的判断。

2. Moran’s I散点图

在通过Moran’s I指数、似然比Lration、LM等统计量的显著性水平得出空间相关性存在的结论后，还可通过Moran’s I散点图以更加直观的方式刻画特定变量的空间聚集特征。Moran’s I散点图(各点坐标：(Z_i，W_iZ_i))描绘的是变量观测值Z和同一变量的空间加权平均WZ之间的二维坐标图。其中Z_i为第i个空间样本的特定变量观测值，W为标准化的空间权重矩阵，W×Z即为该观测值周边相邻样本值的空间加权均值。现采用2013年《中国旅游统计年鉴》中全国31个省份的旅游客流接待人数绘制Moran’s I散点图(如图 1)。

图 1表明，全国31个省份中，有7个落在第二、第四象限，占全部截面单位的22.5%，也就是说，剩余77.5%的截面单位位于第一、第三象限。这表明全国近四分之三省份呈现出H-H型或L-L型的空间集聚特征。具体来说，长三角地区(江、浙、沪)与中部安徽、东部山东，中部3个省份(湖南、湖北、重庆)与南方4个省份(福建、广西、广东、海南)位于第一象限，说明这一区域目的地“吸引力”强，并且周边区域的空间滞后值也高，空间集聚效应明显；贵州、江西、河南3个省份位于第二象限，这3个省份紧邻第一象限的三大区域，说明该地区观测值较低，但周边空间滞后均值较高，因而与目的地发展强省存在较大差距，未受到周边发达地区的有效带动，属于H-L型区域；北部6个省份(黑龙江、吉林、河北、陕西、山西、内蒙古)和西北5个省份(甘肃、青海、西藏、新疆、宁夏)位于第三象限，该区域目的地竞争力和周边区域空间滞后均值都较全国落后，正面空间关联效应不显著；最后，北京、云南、四川、辽宁位于第四象限，反映了这4个省份自身的旅游目的地竞争力较强，但周边区域的目的地发展水平空间滞后较多，也即这些区域旅游发展“独善其身”，对周边的关联带动效应不明显，这实际上为我国旅游目的地开发提供了突破口与切入点。

实际上，在空间面板数据模型中，空间关联包括时间序列相关、空间依赖和时空关联三种模式(Baiker，2005；LeSage&Pace，2008：112—157)。为了充分反映三种关联的存在，本文同时给出了面板单位的Moran’s I散点图(如图 2所示)。由图 2可知，在面板时空两个维度上，旅游客流同样显示出明显的空间自相关性：第一、第三象限的观察值数量明显高于落入第二、第四象限的观察值数量，也就是说，H-H型和L-L型的空间集聚特征明显。这再一次验证了前文所作的存在空间自相关的判断，为在空间计量模型中纳入独立的空间相关变量提供了更加充分的证据。

(三) 空间面板模型设定

通过对目的地视角的旅游流吸引力影响因素研究成果的梳理与甄别，结合上述空间关联效应的检验结果，本文引入空间自相关计量模型(Spatial Auto-Correlation Model)：

$ \small{\begin{aligned}Tourist= \rho W \cdot { Tourists }+\beta_{i t}^{1} X_{i t}^{1} &+\beta_{i t}^{2} X_{i t}^{2}+\beta_{i t}^{3} X_{i t}^{3}+\beta_{i t}^{4} X_{i t}^{4}+\beta_{i t}^{5} X_{i t}^{5}+\beta_{i t}^{6} X_{i t}^{6}+\xi \\ \xi &=\lambda W \xi+\varepsilon \\ \varepsilon & \sim N\left(0, \sigma^{2} I_{n}\right) \end{aligned}} $

其中，Tourists为旅游流；X¹至X⁵分别表示旅游资源禀赋、气候舒适度、交通基础设施、产业结构以及目的地安全指数；X⁶=dum_n为虚拟变量，表示2003年SARS、2008年奥运会(含金融危机)、2010年上海世博会等重大事件对旅游流的影响。

四 实证结果及其分析 (一) 实证结果

依前文所述，本文对含有空间关联效应的面板模型进行估计，回归结果如表 3所示。表 3第一列给出了普通最小二乘OLS估计结果，5个变量仅产业结构变量不显著，其余4个变量均在1%的水平上高度显著，但该模型遗漏了空间变量，无法保证其估计结果是最优线性无偏，使用其估计结果显然不妥。第二列至第五列分别给出了基于31个省份空间邻接权重矩阵的空间滞后(SLM)模型、空间误差(SEM)模型、空间自回归(SAC)模型以及使用空间广义矩估计方法的SAC模型。其中SLM模型和SEM模型分别考虑了空间邻接单位的因变量滞后加权平均值和随机扰动项的空间相关。根据前文所述的空间关联检验结果，这两种模型显然不够全面，因而本文采用同时含有因变量空间滞后和误差项空间滞后的SAC模型。

需要注意的是，基于目的地视角的旅游流“吸引力”系统的相关影响因素众多，且这些因素本身具有明显的相关性，即相互制约，又互为因果。例如，除了上述5个主要变量外，民俗文化、节事会展、地理空间、历史沉淀、区位、物价水平乃至居民态度等都会对旅游流产生重要影响，而这些变量只是同一区域实体的不同方面，相关性不可避免。为了避免内生性对模型估计效率的负面影响，在估计方法上，本文采用空间系统广义矩模型(System-Spatial-GMMModel，SP-GMM模型)进行估计，该模型由于同时使用了水平方程和差分方程的工具变量，使固定效应与随机效应差分后皆被消除，因而无需进行豪斯曼检验。此外，本文采用Bootstrap自抽样方法提取稳健的BS标准误，从而大幅度提升了统计推断的效果。

根据表 3第五列SP-GMM模型估计结果。我们发现在考虑了空间滞后和空间误差效应之后，除产业结构(Structure)外，其余4个变量仍然在1%的水平上高度显著，并且纳入空间效应的模型具有更高的拟合优度，再次表明模型设定在纳入空间效应后估计效果得到了明显改善。

(二) 稳健性检验

虽然表 3的实证结果符合我们的理论预期和经验结果，但为了获得更加稳健的实证依据，我们采用空间距离权重矩阵重复实证分析过程。空间距离权重矩阵采用了与邻接矩阵不同的判别标准，以欧氏距离阀值d_max定义权重，在阀值d_max以内矩阵元素取值为W_ij=1，在阀值d_max以外矩阵元素取值为W_ij=0。检验结果如表 4所示，除系数值和个别变量的显著性有微小变化外(从1%显著性变为5%显著性)，包括系数符号在内的其他的统计结果基本一致，从而表明本文的模型构建是稳健而有效的。鉴于空间距离对旅游流地理空间分布的重要作用，本文将采用空间距离矩阵的实证结果作为旅游流市场开发潜力的测度依据。

(三) 实证结果分析

通过表 3与表 4的对比可以发现：首先，显著的空间自相关表明地理邻接和空间距离皆会对旅游流在各省份的分配产生影响，而显著的空间误差相关则表明除了因变量的空间滞后均值之外，随机干扰项包含的不可观测因素也存在明显的空间自相关，这实际上反映了受时间、成本、交通等一系列因素影响的旅游流动力系统的复杂性，符合我们的理论和经验预期，这也是引入空间关联效应的主要原因。其次，安全指数的系数都为高度显著(1%的显著性水平)，且为负值，反映了治安情况对旅游流的重要影响，被逮捕人数每增加1%^①，将致使旅游流人数降低约23人；旅游资源禀赋、气候舒适度以及交通条件都有着高度显著、高系数值的特点，反映了这3个因素对旅游流的影响程度，也是后续考虑旅游流调控和潜力开发的重要维度。最后，比较资源禀赋与气候条件的系数值我们发现，基于地理距离权重矩阵的系数值明显高于空间邻接矩阵的估计结果，这实际上说明了游客具有“差异消费”的特征，相对于游客常住环境来说，资源禀赋差异度(包括气候差异)较大的区域对游客具有更大的“吸引力”，一般来说，这种差异随着空间距离的增加而增加，因而基于空间邻接矩阵的关联性在资源维度和气候维度反而更低。

(四) 31个省份变量维度旅游流市场开发潜力测度

在旅游流动力系统的众多影响因素中，气候条件“完全”不以人的意志为转移。以表 4中SP-GMM模型回归结果为基础，将回归结果中的“气候”因素减除(因气候条件不以人的意志为转移，仅给出中长期气候变量的空间差异测度)，在不同变量维度上分别以全国最优值数量和各省份的最优值数量为基准，本文测度出各省份的旅游流市场开发的“中长期”潜力值和更具可行性的“短期”潜力值，见表 5。

为了更加直观地描述各省份旅游流开发潜力的大小，本文将表 5所得出的各省份不同变量维度开发潜力绘制成如下“中长期”区域差异分布图(如图 3(a)(b)(c)所示)和可行性更高的“短期”潜力分布图(如图 3(d)(e)(f)所示)。由于各省份的社会经济、资源文化环境等先天禀赋改变的难度较大，导致应用“中长期”开发潜力的可行性不高，因此，在实际的开发过程中应以短期开发潜力为准。

五 结论与讨论

本文分析表明，空间关联效应是旅游流的重要影响因素之一。一直以来，学界对旅游流的影响因素做了大量理论与实证研究，而空间相关性却一直未被关注。空间相关性对旅游流的影响可从三个方面理解：一方面，各地区的旅游流竞争是一种零和博弈，一个地区的旅游流市场份额的增加必然伴随着其他区域旅游流份额的降低；另一方面，旅游流的地理空间分布是以旅游线路为单位，并不局限于某一省份的行政区划范围，因而单位游客的出游很可能跨越两个乃至更多省份，从而产生空间关联效应；再一方面，即使旅游活动本身局限在某一省域范围之内，但旅游流衍生出的信息流、资金流、商品流、文化流等也具有明显的空间溢出效应，会将该影响传播至省域之外，从而产生区域关联性。

旅游目的地市场开发需综合考虑多个层面的因素。首先，就目的地“吸引力”视角，需考虑资源禀赋、安全指数、基础设施、可进入性(交通)等因素的综合作用。某种条件的改善(如经济发展水平提高而导致的基础设施改善)并不一定意味着旅游流的变化和市场份额的提高，而某些关键变量(如社会治安和资源禀赋)的提升是旅游业发展的前提。举例来说，如果某地区的社会治安状况恶劣，游客的人身财产安全得不到保障，即使资源禀赋、气候条件优良，也无法对旅游流产生足够“吸引力”，此时的社会安全将成为旅游流的“阻力”。其次，市场至少包括“供”“需”两方面，因而旅游流的流动过程必然受到客源地“推力”影响，对旅游流的准确把握和预测需综合考虑“推力”和“拉力”两个方面。再次，旅游流流动过程存在于整个国民经济环境中，食住行游购娱六要素中所涉及的任何产业变动都会对旅游流产生直接或间接影响。最后，旅游流是由个体游客组成的群体，游客心理、个体差异、社会文化、自然环境等因素同样会对旅游流产生重要影响。

对于无法人为改变的气候变量，从反季市场开发角度，我们可以变换思路，从旅游产品开发、设计、营销组合策略等角度与气候条件进行匹配，满足探险、户外等特殊游客群体的需求。哈尔滨冰雪旅游、南北极极地探险旅游等都是与气候舒适度明显背离的反季旅游开发成功的案例。

另外，还需强调的是，空间关联效应分离出了空间截面个体之间的独立效应和交互效应，其高度显著的系数估计值和大幅改善的拟合优度说明我们引入空间效应的正确性，也为我国旅游市场开发过程中的区域合作与协调发展提供了依据。