中国城市旅游发展的时空演化及影响因素——基于动态空间马尔科夫链模型的分析
|
|
胡森林, 焦世泰, 张晓奇
|
Spatio-temporal evolution and influencing factors of China's tourism development: Based on the non-static spatial Markov chain model
|
|
HU Sen-lin, JIAO Shi-tai, ZHANG Xiao-qi
|
|
表5 动态空间马尔可夫链模型的回归结果（从旅游发展高/较高水平类型转出情形）
|
Table 5 Regression results of dynamic spatial Markov chains (transfer out from high level)
|
|
| 解释变量 | 较高—低 | | 较高—高 | | 高—中 | | 高—较高 | | 二进制 | 反距离平方 | 二进制 | 反距离平方 | 二进制 | 反距离平方 | 二进制 | 反距离平方 | | 市场化水平 | 1.181***
（2.864） | 1.013***
（2.703） | | -0.020
（-0.182） | -0.015（-0.137） | | 1.380**（2.070） | 0.629*
（1.745） | | 0.193*
（1.807） | 0.199*
（1.970） | | 星级酒店密度 | -16.526**（-2.247） | -13.956**
（-2.199） | | 0.650**（1.956） | 0.645*
（1.930） | | -2.220（-0.730） | -2.278（-0.633） | | -0.451
（-1.354） | -0.443
（-1.362） | | 旅游资源禀赋 | -0.288（-0.986） | -0.341
（-1.282） | | -0.001
（-0.071） | 0.006
（0.270） | | -2.964**（-2.282） | -2.646**
（-2.117） | | -0.001
（-0.042） | -0.001
（-0.043） | | 商业网密度 | 0.036（0.077） | 0.092
（0.777） | | -0.007（-0.376） | -0.008（-0.380） | | 0.029
（0.022） | 0.186
（0.243） | | 0.021（1.238） | 0.021
（1.225） | | 路网密度 | 2.898（1.501） | 2.738
（1.421） | | 0.184（0.452） | 0.120
（0.277） | | -0.252
（-0.118） | -0.045
（-0.021） | | 0.367（0.943） | 0.360
（0.904） | | 产业结构 | 6.026
（0.624） | 7.878
（0.847） | | -0.035（-0.018） | -0.045（-0.023） | | -22.208*
（-1.723） | -16.925
（-1.632） | | -1.206
（-0.710） | -1.225
（-0.725） | | 对外开放度 | 1.648
（0.837） | 2.123
（1.249） | | 0.064
（0.089） | -0.005
（-0.007） | | -3.834
（-0.680） | -0.512
（-0.232） | | -0.481
（-0.803） | -0.472
（-0.808） | | 互联网发展 | -39.805*（-1.683） | -48.836**
（-2.208） | | -4.740（-1.442） | -4.313（-1.372） | | 25.086**（1.957） | 13.765
（1.123） | | 1.600（1.196） | 1.571
（1.190） | | 经济发展水平 | 0.160（0.312） | 0.192
（0.550） | | 0.032（0.274） | 0.019
（0.168） | | -4.400*
（-1.760） | -2.874*
（-1.686） | | -0.087
（-0.727） | -0.088
（-0.733） | | 空间因素 | -0.187*
（-1.778） | -76.882（-0.671） | | 0.009（0.961） | 8.284
（0.579） | | -0.206
（-1.565） | 64.542
（0.695） | | -0.0004
（-0.038） | 1.519
（0.087） | | intercept | -10.064**（-2.115） | -10.905**
（-2.265） | | -2.475**（-2.380） | -2.394**（-2.295） | | 5.204（1.011） | 3.365
（0.839） | | -0.334
（-0.388） | -0.299
（-0.344） | | Log-Likelihood | -26.096 | -27.876 | | -193.99 | -194.26 | | -12.850 | -14.462 | | -191.98 | -191.97 | | Observations | 781 | 781 | | 703 | 703 | | 767 | 767 | | 762 | 762 |
|
|
|