APA引用格式：
Burzynska, K., Khalid, U., & Okafor, L. E. (2025). Is tourism becoming more globally interconnected or regionally concentrated? A network analysis approach. Journal of Travel Research, 60(X), 1–25. https://doi.org/10.1177/00472875251378507
1. 简介
在全球化与区域化力量并存的背景下，国际旅游流动究竟是日益"无国界"的全球互联，还是仍受制于地理邻近性和文化相似性的区域集中？这一问题对旅游政策制定、目的地营销和资源配置具有重要战略意义。
研究问题：
- 国际旅游网络整体呈现全球互联特征还是区域集中特征？
- 这种网络结构随时间如何演变（1995-2021）？
- 基于实际旅游流动算法检测的"社区"结构与传统地理、经济分类（如地理区域、收入水平、发展程度）相比，哪个更能解释旅游流动模式？
主要发现：
- 区域集中占主导：国际旅游网络主要表现为区域集中而非全球互联，且这一趋势在1995-2021年间持续强化（E-I指数从-0.55降至-0.62）。
- 社区结构：算法检测到的旅游社区绝大多数为"本地型"（Local，166个）和"全球-本地型"（Glocal，10个），几乎不存在"全球型"（Global）社区。
- 传统分类失效：基于地理、收入或发展程度的传统国家分组对旅游流动模式的解释力逐渐减弱，而基于实际流动数据检测的网络社区结构更具解释力。
- 疫情冲击：2020-2021年新冠疫情期间，区域化趋势进一步强化。
研究方法：
- 网络科学方法（Social Network Analysis）：将190个国家视为节点，双边旅游流量视为边权，构建有向加权网络。
- 社区检测算法：使用Louvain算法（基于模块度最大化）和Infomap算法（基于信息论）识别旅游社区（Mesoscale结构）。
- E-I指数（External-Internal Index）：测算社区内部联系与外部联系的比率，量化区域集中程度（负值表示区域集中，正值表示全球互联）。
2. 研究背景与理论框架
2.1 全球化与区域化的理论张力
传统观点认为，技术进步、交通成本下降和数字化平台应推动旅游向"无国界"方向发展（全球化视角）。然而，实证研究表明，旅游流动受地理距离、文化相似性、语言邻近性和历史联系影响显著（区域化视角）。例如，McKercher et al. (2008)发现80%的国际旅行发生在距离1,000公里以内的国家之间。
本文引入"全球在地化"（Glocalization）概念，认为旅游网络可能同时存在全球互联和区域集中两种力量。理论上可识别三种社区类型：
- 本地型（Local）：E-I指数显著为负，旅游流动主要发生在社区内部；
- 全球型（Global）：E-I指数显著为正，社区充当连接不同区域的桥梁；
- 全球-本地型（Glocal）：E-I指数接近零，内部和外部联系相对均衡。
2.2 网络结构的两个分析层级
宏观网络层级（Whole Network）：考察全球旅游网络整体的碎片化程度随时间的变化。
中观社区层级（Mesoscale Community）：识别具体的旅游社区（社区被定义为内部联系强于外部联系的国家群组），分析各社区的全球-本地连接模式及其演变。
环形图（Circular Plots）展示旅游流动模式（1995, 2010, 2019, 2020, 2021）
说明：图1基于地理区域（UN地理区划），图2基于UN发展组别，图3基于世界银行收入组别。线条粗细代表流量大小，箭头表示流动方向。可见大多数流量发生在同一区域/组别内部（如欧洲内部、东亚内部），跨大洲联系相对稀疏。
3. 数据来源和变量界定
3.1 数据来源
UN Tourism（世界旅游组织）双语旅游数据库：涵盖1995-2021年190个客源国和目的地国之间的双边旅游流量。旅游流量定义为入境并停留至少一晚的国际游客数量（过境旅客不计入）。
数据处理：
- 为保持样本一致性，仅保留在全部27个年份（1995-2021）中均有数据的国家，最终形成190×190的27个有向加权邻接矩阵。
- 对缺失值采用两种处理方式：（1）视为零流；（2）多重插补法（Multiple Imputation），构建147国样本进行稳健性检验。
3.2 核心变量与测度
旅游网络构建：
- 节点（Nodes）：190个国家
-
边（Edges）：
，表示t年从i国到j国的旅游流量（有向加权）
社区检测：
- Louvain算法：基于模块度（Modularity）最大化原则，将网络分割为内部联系紧密的社区。优点包括计算效率高、适合大型网络、可考虑边权。
- Infomap算法（稳健性检验）：基于随机游走和信息压缩原理，可处理有向网络。
E-I指数（外部-内部指数）：
采用Danchev & Porter (2018)提出的加权版本：
其中为社区内部旅游流量权重，
为社区外部流量权重。指数范围为[-1, 1]：
- 负值：区域集中（内部流量>外部流量）
- 正值：全球互联（外部流量>内部流量）
- 接近0：全球-本地平衡
4. 研究设计与方法论
4.1 分析策略
本研究采用描述性网络分析结合历时比较，而非传统计量经济学因果推断。研究设计分为三个递进层次：
第一层级：可视化分析
使用环形图（Circular Plots）直观展示旅游流动在不同地理、收入和发展组别之间的分布，识别明显的区域集中模式。
第二层级：社区结构识别
应用Louvain算法逐年检测旅游社区，回答"哪些国家实际构成紧密的旅游群组"这一问题，而非基于先验地理划分。
第三层级：连通性量化
计算网络层级和社区层级的E-I指数，追踪1995-2021年间区域集中程度的变化轨迹。
4.2 稳健性设计
算法稳健性：使用Infomap算法重复社区检测，验证结果不依赖于特定算法选择。
样本稳健性：
- 110国子样本：仅使用无缺失数据的110个国家，验证结果不受插补方法影响。
- 147国插补样本：使用多重插补处理缺失值，验证190国主要结果的稳健性。
时间稳健性：排除2020-2021年疫情影响，检验1995-2019年的趋势是否一致。
5. 主要实证结果和结论
5.1 旅游流动的区域集中模式（可视化证据）
环形图显示：
- 欧洲：67.9%的旅游流量来自欧洲内部（2019年数据）
- 东亚：84.5%为区域内流动
- 北美：35.5%为区域内流动，但拉丁美洲和加勒比地区56.2%的游客来自北美
- 非洲：1995年主要来自欧洲（43.5%），但2019年已转变为以区域内流动为主（40.3%→持续增长）
结论：大多数地区呈现显著的区域集中特征，且这一模式在1995-2019年间保持稳定。疫情期间（2020-2021），区域化趋势进一步强化。
5.2 算法检测的社区结构
基于Louvain算法的国际旅游社区世界地图（1995, 2010, 2019, 2020, 2021）
说明：不同颜色代表不同社区。可见地理边界在社区形成中起重要作用，但也存在跨大陆社区（如1995年欧洲-非洲跨洲社区，亚洲-大洋洲社区）。
社区数量演变（图5）：
- 社区数量在5-8个之间波动，无明确下降趋势（若全球化深化，预期应看到社区数量减少，社区规模扩大）。
- 1995年：6个社区；2004年增至8个（区域化趋势）；2010年降至5个；2021年维持在6个。
结论：社区数量的波动和稳定表明，区域化和全球化两种力量长期并存，但区域化力量始终占主导。
5.3 E-I指数：区域化趋势的量化证据
网络层级结果（图6）：
- 算法社区：E-I指数始终为负（1995年：-0.55；2021年：-0.62），且呈下降趋势，表明区域集中程度随时间增强。
- 传统地理分组：E-I指数从负值上升趋近于零（2021年为-0.03），表明传统地理边界对旅游流动的解释力下降。
- 收入/发展分组：同样呈现E-I指数上升趋势，表明基于经济水平的分类解释力也在减弱。
社区层级结果（图7-8）：
- 社区类型分布：在176个社区-年份观测中，166个（94%）为"本地型"（Local），10个（6%）为"全球-本地型"（Glocal），无"全球型"（Global）社区。
- 时间演变：将样本分为1995-2008和2009-2021两期比较，本地型社区的E-I指数显著下降（更负），表明即使在全球化呼声高的时期，旅游流动的区域集中仍在强化。
社区数量时间序列（1995-2021）
说明：展示Louvain算法检测到的社区数量随时间波动，无显著下降趋势。
网络层级E-I指数趋势（1995-2021）
说明：四条曲线分别代表地理区域、UN发展组别、世行收入组别和算法检测社区的E-I指数。算法社区（点线）始终为负且下降，而传统分组（实线）趋近于零。
社区类型分布（Local vs Glocal vs Global）
说明：柱状图显示绝大多数社区为Local类型（166个），少数为Glocal（10个），无Global社区。
分时期E-I指数均值比较（1995-2008 vs 2009-2021）
说明：Local和Glocal社区的E-I指数在后一时期均显著下降（更负），证实区域化趋势加强。
5.4 稳健性检验结果
使用Infomap算法、110国子样本和147国插补样本的检验均确认：
- 绝大多数社区为Local类型；
- E-I指数呈下降趋势（区域化增强）；
- 2020-2021年疫情未改变这一趋势，反而强化了区域化。
6. 结论与启示
核心结论：
国际旅游网络并非如传统假设的那样日益全球互联，而是呈现显著且日益增强的区域集中特征。基于实际流动数据检测的算法社区结构比传统的地理、经济分类更能准确描述旅游流动模式。
理论贡献：
挑战了"旅游日益无国界"的假设，证实了"全球在地化"（Glocalization）框架下区域力量的主导地位。中观网络结构（Mesoscale）是理解全球旅游动态的关键。
政策启示：
- 区域营销优先：目的地营销资源应优先投入区域内合作与营销，而非昂贵的全球推广。
- 基础设施投资：应加强区域内交通和数字基础设施建设，利用现有的区域集中优势。
- 危机应对：疫情期间区域旅游的快速复苏能力表明，区域化结构具有韧性，未来危机管理应重视区域内部协调。
研究局限：
- 数据限制：使用入境人次而非停留天数或消费额，可能无法完全反映联系强度；缺乏国内旅游数据。
- 方法限制：社区检测算法需将网络对称化（虽保留权重），可能损失部分方向性信息。
未来研究方向：
结合住宿数据区分短途购物与长期度假，纳入国内旅游数据以全面评估"旅游距离"偏好，以及探讨区域集中对旅游可持续性的影响。
