购买
下载掌阅APP,畅读海量书库
立即打开
畅读海量书库
扫码下载掌阅APP

第二章
相关领域研究进展

2.1 相关概念的再认识

2.1.1 旅游流的概念

旅游流研究是从时空结构的角度对旅游行为主体进行考察,是指在旅游客源地(origin)和旅游目的地(destination)之间的相互作用,地理学上也称之为O-D研究。国内语境下,旅游流的概念有广义和狭义之分。早在1998年,唐顺铁和郭来喜就给出了旅游流的广义概念,认为旅游流是指OD之间的双向的旅游信息流、旅游客流、旅游物质流和旅游能量流 [10] ;后来马耀峰做了进一步补充,他指出旅游流是主客之间单双向的游客流、信息流、资金流以及文化流等的组合或集合 [11] 。狭义旅游流即旅游客流,是指游客在O-D间及目的地内部的流动,以往受限于数据获取条件,仅是目的地接待的客流量。由上述可知,在广义旅游流和狭义旅游流的定义中,旅游流的基础都是旅游客流,旅游者发生空间位移的同时,自身携带的各种能量信息流也随之变动,旅游客流的特征与机制也就成为旅游流研究的核心问题。了解游客流动模式对于旅游管理者提供更好的目的地管理决策至关重要 [12] 。本书所研究的旅游流即指研究区江苏省内各个景区接待的旅游客流量和各景区间的多目的地游线客流。

作为旅游流基础性的研究主题,旅游客流的流动模式可以分为目的地内部和目的地间两类 [13-15] 。根据目的地的不同地理尺度,目的地内移动指的是游客在城市或其他尺度目的地区域内的景点之间转移或在景点内的移动 [17] 。旅游吸引物间游线的类型模式研究在目的地规划中被注意到,首先被总结的旅行模式为单目的地和往返式 [18] 。这些研究便于我们认识一个目的地在区域中的地位或角色。微观尺度上,有研究归纳游客在目的地内部的行为,并划分为点线、环形与复合型等3 种模式 [19] 。国内在自然山岳 [20] 、历史街区 [21] 和风景园林 [22] 中的路径模式研究较多 [23] 。近年来,随着跟踪技术的飞速发展,目的地内部的移动越来越受到人们的关注。Orellana等通过分析景区游客的循环运动模式和序列运动模式,并分辨游客偏好 [24] 。Zheng等建立了移动预测模型,可以为游客个性化推荐、吸引管理和实时人群控制提供支持 [25]

图2-1 旅游流及相关研究主题的关系

资源来源:见参考文献[16]。

国内使用结合旅游收入和旅游客流的流质指数来衡量旅游流质量,李振亭等分析了近20年间中国入境旅游流的流量与流质变化特征 [26] ;李振亭和张晓芬通过计算各省区入境旅游流流量与市场份额,并结合旅游流流质指数分析各省区的旅游流质量,采用二维组合矩阵分析中国入境旅游流流量与流质的空间错位 [27] ;黎霞和雷丽采用标准差、变异系数等方法对西部各省(区/市)2000—2012 年入境旅游流流量与流质进行时空差异分析 [28] ;王公为和乌铁红基于流量和流质指数,对内蒙古12盟市入境旅游流的时空分布进行研究 [29] ;黄明元等分析15年间湖南入境客流规模与流质变化 [30] ;郭向阳等构建了旅游流流量与流质耦合度演化模型,对云南省及其16个州市的流量与流质的发展过程及耦合度时空演化进行分析 [31]

2.1.2 旅游流研究的基本特征

截至2018年7月,选择中国知网中以“旅游流”或“旅游空间行为”为主题词的所有期刊论文共518篇(图2-2),然后利用Citespace软件提取其关键词共现网络(图2-3)。

图2-2 国内(中文)旅游流相关文献逐年发表数量(1987—2018)

由图2-2可以看出,国内旅游流相关研究起步较晚、前期发展速度较缓慢,但基本上保持着持续的学科发展,尤其是2005年之后呈现快速增长趋势。其中近3年来,旅游流相关研究的数量逐年减少,与之对应的是旅游流社会网络研究数量仍在逐年增长,且在2016—2018年间出现了量的飞跃。从文献发表数量可以看出,随着研究的逐步深入,近期发表的文献已经可以在前人的基础上进行完善和实证探究,旅游流相关研究正在逐步走向成熟。

通过CiteSpace的主题聚类分析(图2-3),可以看出旅游流研究的几大研究热点,包括旅游流空间结构、旅游流网络、旅游流时空行为等。同时,相当一部分研究采取了社会网络分析法进行研究,研究尺度以宏观尺度(区域、省域)、中观尺度(市)为主,较少涉及景区内部的微观尺度研究。

图2-3 国内(中文)旅游流相关研究关键词共现网络

2.2 旅游流模式与区域交互研究

2.2.1 旅游流空间模式与目的地区域

旅游流空间模式主要有圈层结构理论、核心边缘理论和空间扩散理论三种基本理论 [6,32] 。旅游流圈层结构和核心边缘理论基于地理学的距离衰减性规律,基于静态和单一客源地/目的地间的交互,而目的地间是相互作用的,而且旅游流随季节等因素而动态变化。因此,需要引入空间扩散理论将交互看作空间过程 [33] 。旅游扩散主要有传染扩散、等级扩散和重新区位扩散等三种基本类型。旅游空间扩散模型有Pearce的国内与国际旅游供给需求模型 [34] 、Lundgren的旅游流空间等级模型 [35] 和Britton的旅游流集聚扩散模型 [36] 。与空间扩散模式密切相关的旅游流空间效应研究主要强调旅游流的空间分异。

旅游流扩散的过程也是旅游流场发挥空间效应的过程,并对旅游扩散产生反作用 [37,38] ,薛莹的“旅游流区域内聚”理论认为区域旅游系统是自组织的过程 [39] 。中国国内旅游流表现为 K =3 等级序列的空间场效应模式 [38] 。除了狭义的游客流,旅游营销信息流在网络平台的人际空间扩散规律 [40] ,遗产地旅游意象在省域范围内也存在圈层扩散和迁跃扩散 [41]

现实中地理系统中的扩散都发生在非均质域上,也就是说,空间扩散不仅与距离有关,同时受到空间中的非均质性影响,这又往往形成方向性倾向(directional bias) [42] 。旅游流方向性倾向的形成源于地理边界、交通网络系统、历史文化和经济关联等多种原因,比如由发达国家流向不发达国家,由高纬寒冷地区指向低纬舒适地区,由旅游核心区流向边缘区,由人口集中的地区(客源地)指向旅游资源富集区等 [43,44]

目的地区域(Tourist Destination District),从旅游者方面看,是其为了度过闲暇时间所选择进行旅游活动的区域 [45] ;从旅游系统看,是旅游要素的空间聚合,如图2-4。既可以根据西南、西北地理分布或行政边界划分,也包括源于长三角 [46] 、珠三角等经济区域的旅游区域,还包括以围绕单一城市或著名目的地的区域旅游系统 [46,47] 。旅游目的地区域包括旅游区、旅游节点和旅游路径等核心空间要素 [48] ,交通条件对目的地区域的影响巨大。比如,穆成林和陆林发现高铁的开通使得黄山区域的旅游空间由单核凝聚结构演化为双核扩展结构 [7]

图2-4 目的地区域空间结构链系模型

资料来源:见参考文献[48,49]。

目的地区域内对于旅游节点、景区空间格局研究等方面,早期集中于空间布局研究,侧重于目的地演化模式、景点空间分布特征、目的地—客源地空间关系等三个方面。对于景点空间分布特征,学者们往往采用最邻近点指数、地理集中度指数、分形指数等数理统计方法 [50-52] 和Voronoi图、密度分析、空间自相关等空间分析方法 [53] ,对多个空间尺度如A级景点、世界遗产等不同类型旅游景点进行了深入的研究,重点探究了景点格局的区域差异、自然地理特征和景点空间的时空演变规律 [54] 等。

2.2.2 旅游流空间分布研究

旅游流空间结构的研究一直是国内外旅游地理学、经济地理学、城市地理学等学科研究的核心内容之一。20世纪60年代,外国科学工作者从区位理论的角度对休憩活动区与旅游流空间结构之间的关系进行探讨,Christer对欧洲周边地区欠发达国家的相关旅游休憩区进行思考,提出旅游者向周边地区出行时可能的扩展范围 [55] ;Opperaiann对马来西亚国内旅游流进行了研究探讨,按照旅游目的、旅游组织、居住国以及过夜区域划分旅游模式,发现游客大多集中在马来西亚半岛西海岸,区域之间旅游流分布严重不平衡 [56] ;Jansen-Verbeke等通过分析旅游者在旅游目的地和旅游客源地之间的关系,揭示了欧洲旅游流在区域间以及区域内的分布特征,指出欧洲的旅游竞争不再是国家与国家之间的竞争而是区域与区域之间的竞争 [57] ;Zillinger提出流动性是旅游系统中最重要的组成部分,旅游者一般会花费较长的时间前往距离较远的地方旅行,研究探讨了旅游者在旅游目的地的停留时间长短与旅游流的空间分布模式之间的关系 [58] ;Connell通过749份问卷调查,分析了洛蒙德湖以及苏格兰第一国家公园的汽车旅游流的空间结构,并对更为详细的个人行程做了进一步探讨 [59] 。Marrocu和Paci以意大利107个省旅游流为研究基础,得出邻近省份旅游流相互之间产生空间依赖性,且距离和人口密度增加对旅游者在选择旅游目的地时产生负面影响,收入、可达性和旅游吸引力对其产生正面影响 [60] 。在这方面,同样,Chua等从空间(如流动方向、回环和中心)、时间(如游客随时间的变化)和人口(如起源分布)模式来描述意大利南部的旅游流,以促进交通基础设施的改善 [61]

国内学者张凌云修正正态分布模型,以偏态分布函数来模拟旅游流空间分布,对旅游流的空间分布模型进行了提炼与推广 [62] ;宣国富等以三亚市为例建立旅游目的地旅游客流空间潜力模型,得出居民的人均可支配收入和航空票价的高低对居民出游产生较大影响 [63] 。旅游流的等级与分区方面,章锦河等分析了1999—2003年我国旅游客流集聚程度由东部地区向西部地区逐步下降的趋势 [38] ;马耀峰和李永军根据中国旅游统计年鉴资料和项目组抽样调查资料,对全国旅游流区域进行了划分 [64] 。杨国良等以1996—2004年四川省国内旅游统计数据借用Zipf指标和差异度指标研究了旅游流的规模等级结构特征 [51]

针对单一目的地的研究方面,牛亚菲等以北京市重要景区为研究对象,分析探讨其旅游流空间变化特征,以及旅游流空间分布和旅游产品供需上的不平衡性 [65] ;熊鹰和董成森以武陵源风景区为研究案例地,分析武陵源风景区旅游客流在景区内的空间分布状态,得出旅游客流在游览路线选择上具有较高的趋同性,导致旅游客流在空间上的集聚程度较高,以至于旅游目的地的旅游生态承载力利用不均衡 [66] ;吴晨研究南京内部旅游线路的网络特征,得出南京核心景区之间联系非常密切,而边缘景区的联系比较低 [67]

入境旅游的相关研究丰富,张佑印等在界定我国六大典型入境旅游区的基础上研究了入境旅游流由旅游区向西扩散的空间特征,并研究了其中的作用机制,即推力、拉力和介质力三种动力要素推动了入境旅游流的西向扩散 [68] ,发现北京集聚旅游流流势存在明显的经济导向和区位导向 [69] 。纪小美等采用探索性时空分析框架,分析研究1987—2013年入境的港澳台和外国游客客流,得出港澳台游客旅游市场空间结构呈现全域极化现象、外国游客市场时空模式呈现多元化现象的结论;港澳台游客空间结构稳定性由西南向中北递减,外国游客市场空间结构的稳定性由沿海向内陆递减 [70] 。张红在北京、上海、西安等旅游热点城市,对境外游客进行抽样调查并经过统计资料的分析,总结出境外游客入境旅游流的空间分布规律特征,为旅游热点城市的旅游业发展提供参考 [71]

旅游流在地理空间进行转移和扩散中,城市主要发挥着两大职能:旅游终端(即旅游目的地)和中转站。Hwang等采用网络分析方法,研究美国多城市(Multicity)旅行模式发现,对亚洲国际游客而言,奥尔良、纽约、洛杉矶是重要旅游目的地,而休斯敦、西雅图则担任了中转站的职能 [72]

图2-5 旅游流O-D作用机制

国内现有旅游流研究中较少从动态机制上出发研究旅游流的时空扩散,特别是多目的地旅行行为。违反了“旅游本质不同于其它休闲方式在于流动”的本质特征,以及旅游线路产品其实多数为多目的地旅行的市场实际情况。需从“旅游流产生、分配、集聚与扩散”的描述转变为对其内在机制的描述,加强对不同地理尺度上的等级扩散行为、宏观尺度上长线多目的地行为等方面的研究 [44] 。国际游客对长途旅行的风险认知、对旅行移动变化的需求、旅行目的的多种利益寻求和信息源差异可能影响游客的多目的地旅行 [73]

2.2.3 旅游流时间分布研究

旅游流的时间分布特征研究,主要包括旅游流的发生时间和停留时间两个方面。首先,是关于旅游流的发生时间研究。20世纪70年代,国外学者在研究旅游对社会经济发展、自然环境的影响中,开始深入探索旅游流时间分布特征,分析研究国际旅游流的中长期波动情况以及影响波动的外部环境因素 [74] 。后期对旅游流时间分布特征的研究,着重于旅游流长期变化及预测,Song等以香港游客量为例,运用结构时间序列模型(STSM)和时变参数(TVP)回归方法,预测不同季度游客到访香港游客量之间的差别 [75] ;Lim和McAleer以澳大利亚客流量为例分析了在不同的季节和不同月份中澳大利亚游客的客流量具体时间分布特征 [76]

国内学者对旅游流发生时间的研究主要从长期变化、年内季节性变化、月内变化和日内变化,或者从闲暇时间以及不同节假日期间的旅游流时间分布特征进行分析研究。陆林以安徽黄山为例,对黄山客流量季节性分布、客流高峰日以及客流集中时段进行客流时间特征分析,指出客流季节性分布差异明显,有明显的客流高峰日 [77] ;张捷等根据时间长短,将旅游目的地旅游流的时间变化划分为四大类型,即长期以年为单位、年内以季节为单位、月内以每周为单位和日内以小时为单位 [5] ;卢松等以安徽省西递、宏村为例进行分析研究,指出古村落在不同季节内旅游客流差距很大,淡旺季明显,普通月中每周旅游客流分布不均,黄金周期间呈现“井喷爆发”态势,每日客流变化多数呈双峰型分布,即每日有两个时间段达到当日客流高峰 [78] 。黄潇婷将时间地理学引入目的地内部的游客时空行为研究,认为游客时空行为是游客在出发地至目的地、旅游目的地内部、返回出发地旅游过程中的空间移动行为和时间分配行为,应用于景区内部旅游者时空行为模式的分析,认为时间、空间、路径和活动信息是景区内部旅游者进行聚类分析的影响要素 [22,79]

中国特殊的节假日的相关研究较多,郭晓东等基于国家颁布的休假调整政策,对国内旅游客流进行时间分布特征研究,指出随着端午、清明、中秋假日的增加,旅游者可以自由选择出游时间,政策的调整也打破了旅游流集中分布于黄金周的时间格局 [80] ;刘泽华等以云南的4座旅游城市的代表性旅游景区为研究案例地,研究探讨十一黄金周期间旅游客流时间分布特征,发现不同景区黄金周客流时间分布多为单峰型,但各个景区的客流高峰值略有差异 [81]

旅游目的地的经济影响在很大程度上依赖于游客停留的时长 [82] ,游客停留目的地的时间长短也是影响游客在目的地区域扩散模式的重要因素之一,进一步影响着地区间经济利益和生产资料的分配 [83] 。史春云则更是将游客在目的地实际住宿天数作为重要变量衡量了长三角目的地旅游经济收益方面的差异 [84]

2.2.4 旅游空间交互的影响因素

细分旅游者类型并比较其中的差异,能够更好地分析旅游运动模式 [85] 。一般来说,游客可以通过社会人口统计、心理和行为特征的标准来划分 [86] 。Cooper发现,收入水平较低的游客更倾向于少游多停留,不同年龄段的游客更喜欢不同的景点 [87] 。Gitelson和Kerstetter发现年轻游客更喜欢休闲旅游,而女性和中等收入游客更喜欢探险旅游 [88]

此外,实际游客流动也是一种游客分类的方式。利用层次聚类,Espelt和Benito根据访问的节点、停留时间等对游客进行划分为四类,分别是非旅游者、兴趣旅游者、博学旅游者和仪式旅游者(Non-tourist,Interested tourists,Erudite tourists,Ritual tourists) [89] ;Cantis等基于单项分析(Monothetic Analysis),根据GPS记录的游客的旅游行为(如行程距离、速度、停留时长和游览景点等)进行分类 [90]

游客方面的身体心理和收入等因素与旅游目的地方面的旅游特性和社会经济因素,会明显影响游客选择旅行线路。Prideaux通过对世界范围内旅游者的流动模式分析,提出旅游流相关影响因素 [91] ,Lew和Mckercher认为地理位置是影响游客对线路模式的选择的重要因素之一 [18] ;Connell和Page发现客源距离及目的地的可达性会影响出游行为 [59] ;尹立杰结合Lancaster特性效用理论研究了关于多目的地旅游影响机制,得出目的地之间的距离、旅游目的地特性因素、旅游方式、受教育水平、职业都是多目的地旅游空间模式的重要影响因素 [92] ;刘法建等认为自然资源、距离、经济发展水平和对外联系度是影响入境游客省级流动的主要动因 [93]

游客的行为也会受到心理因素的影响(比如游客的出游目的和他们的主观认识等)。Poria等发现,地方感强烈,即那些认为地方是个人遗产的一部分的游客比其他人更有可能经常去并且停留更长时间 [94] 。Rid等发现,动机不同的游客(如遗产与自然、真实的乡村体验、学习、阳光与海滩)将会寻找不同的旅游体验 [95] 。同时,不同规模的团队游客的出行距离和出游天数有所区别 [96]

游客空间行为则是由旅游者个体出发,总结提炼出旅游群体的空间运动规律,一般采用问卷调查的研究方法,基于人口学统计特征(如年龄、性别、职业、学历、收入、来源地等)和行为特征(如出游前的感知、动机偏好等)做分析因子。旅游可以看作不同游客对不同属性(吸引物、设施和旅行距离等)的旅游目的地的选择 [97] ,以及两者之间的交互属性,如文化距离 [98] 。基于Lancaster消费特性理论和旅游映像理论的体验最大效用模型 [99] ,为多目的地情境下的旅行选择模式研究提供了理论框架支撑 [100]

2.3 旅游线路模式与网络研究

2.3.1 旅游线路模式研究

游客流动包括游客离开客源地前往特定目的地并在各目的地内活动的行为。人们常用流动模式来描述旅游活动,包括旅游者的构成信息、旅游者的时空规律 [61] 。这可以揭示旅游者如何组织旅行行程,更好地了解游客偏好,对缓解旅游拥挤 [19] 、了解目标市场 [101,102] 和提升旅游管理能力 [103] 都有不同程度的贡献。

在游客旅游流模式中,以旅游线路模式为主的研究较早、较成熟。Oppermann将游客旅游线路空间模式按照单目的地和五种多目的地旅行模式两类分成7种模式 [104] 。Uysal等研究了1995—2004年亚太地区的旅游流(如旅游人次和旅游倾向)的空间格局 [105] 。Ahas等探索了爱沙尼亚的旅游空间格局和时间格局(如时间季节变化和游线所花费的时间),以促进区域规划发展 [106] 。在国内研究中,楚义芳在针对较大尺度的旅游线路设计问题时,指出了旅游线路分为周游型和逗留型两类空间模式 [107] ;吴必虎 [108] 、陆林 [109] 、宣国富等 [63] 、卢天玲 [110] 等则是在中国旅游发展的实际情况下,重点研究了旅游者行为规律与线路模式;陈秀琼和黄福才 [111] 、杨兴柱等 [112] 、刘法建等 [113] 、吴晋峰和潘旭莉 [114] 探讨了社会网络分析在旅游线路研究中的运用;史春云等从文献综述的角度出发,根据不同尺度旅游线路模式,对其理论基础、空间模型、目的地类型、游客旅行行为特征、模式选择影响因素等方面进行了总结 [115] ,并以旅行社网站公布的中远程旅游线路报价单为数据来源,比较分析我国旅行线路空间模式、格局和特征 [116] ;朱明等则建立了针对旅游线路空间模式的约束条件,从中总结出国内7种主要的线路模式 [117]

图2-6 旅游线路的空间模式

资料来源:见参考文献[115],转引自Oppermann[104]。

由于游客旅游线路和目的地选择的差异化,旅游线路的数据较难获取 [118] 。旅行社线路是宏观旅游线路研究的重要途径之一 [110] 。李山等在旅行社的公开旅游线路报价单的基础资料上,研究得出国内观光旅游线路设计中的游时会随客源地与目的地之间的距离呈对数式增长 [119] ;朱竑等基于境外旅游经营商的中国旅游线路,重新审查了中国国际级旅游目的地 [120] ;叶红基于国内两大著名旅行社的线路和数据,研究了区域旅游线路节点选择对旅游目的地的影响 [121]

旅游线路模式可以看作游客在一个旅游主导的区域内,安排吃住行游购娱等要素空间上的理性与非理性选择的一种流动性组合。线路节点的选择不仅制约了外来旅游者在区内的消费规模和消费水平,还直接关系到目的地区域的资源开发、线路衍生产业的创新、旅游产业集聚的发展、目的地营销以及目的地区域生产力水平。目的地与过境地具有不同涵义和地位,通过统计和分析旅游线路,可以重新审视旅游目的地的定位 [120] 。旅游流动的枢纽中心和门户型的目的地是在各类节点中获得的优势较多的 [116] ,相对于游客活动分布的空间差异,旅游线路模式导致的旅游经济影响的空间差异则要大得多 [83]

2.3.2 旅游线路的网络研究

深入认识网络有助于人们了解所处的世界。从欧拉提出图论到现在,网络研究从数学领域的图论发展到社会科学领域的社会网络分析,再到系统科学领域的复杂网络理论。复杂网络既是数据的表现形式,也是一种研究数据的手段。复杂网络具有两个主要特性,即小世界特性 [122] 和无标度特性 [123] 。社会网络和复杂网络分析方法在许多领域被广泛应用,并发挥了重要作用。从社会网络的角度出发,人在社会环境中的相互作用可以表达为基于关系的一种模式或规则,而基于这种关系的有规律的模式反映了社会结构,这种结构的量化分析是社会网络分析的出发点 [124]

目的地空间行为的分析可以有地域逻辑、竞争逻辑和网络逻辑 [125] 。一个复杂的系统由许多相互关联的元素组成 [126] ,通过分解系统的组成部分是无法理解整个系统的 [127] 。网络分析方法自面世以来,得到许多科学领域如系统科学、物理学、信息科学、生物科学以及社会科学的积极响应。目的地通常也被称作复杂系统 [128,129] ,近年来,学者们也逐渐引用了社会网络分析(social network analysis,SNA)的核心思想作为旅游流分析的重要手段,以各种“关系”作为研究出发点,探讨由各种关系所构成的旅游流网络的形成、演化与旅游过程及旅游目的地发展之间的内在联系。

社会网络不是分析个体的行为和态度,而是关注这些相互作用是如何构成一个框架或结构的,这些框架或结构本身就值得被分析和研究 [130] 。Bhat和Milne解释说SNA的重点“不是针对一个人或一个组织,也不是二元关系,而是关系的整体模式,它构成了所有组织运作的环境” [131] 。社会网络研究者揭示了旅游目的地的一些有趣特征,这种复杂性综合体现在一些旅游网络的特征上,如①非线性关系 [132] ;②自组织行为 [133,134] ;③模块化结构的出现 [135] ;④某些事件的鲁棒性或脆弱性 [136] 。这些特征在先前的许多旅游研究中都有描述,例如McKercher解释说“旅游功能以一种非线性、非确定性和动态的方式,其中旅游系统的功能类似于生活的生态社区” [137]

旅游流具有跨区域流动的特性,即由旅游流引发的,旅游场源点之间连接与耦合而形成网络。旅游流空间网络的“点”是各旅游场源点,“线”是各旅游场源点之间的旅游流联系,这种联系是旅游流源点之间的空间相互作用,其强度可以通过旅游流相关系数来表示 [38]

正如一些研究指出的那样,旅游网络代表了近20年来流行的研究领域 [138] 。人们对SNA的日益关注与网络所描述的一些优势有关。在目的地层面,旅游社会网络能够代表“整体旅游产品”,提供一个完整的目的地视图,考虑到目的地之间的关系,协调政策和相关行动,能更好地支持当地发展 [139-141] 。围绕各方行动者,旅游社会网络有助于管理利益相关者和协作,特别是在可持续旅游领域,有助于建立社区能力、协调政策和相关行动,发展集体愿景,关注长期关系、创建社会资本、支持冲突管理和资源共享 [131,142,143]

根据方法工具方面分析,可以根据定性或定量方法区分旅游社会网络的论文。针对国际文献的综述统计发现,超过一半的报告文章使用定性证据(57%),而定量方法较不发达(36%);还有小部分是概念框架性的(2%)或文献综述性的(5%) [127]

选择中国知网中以“旅游”+“社会网络”为主题词的所有期刊论文共495篇,提取其关键词共现网络(图2-7)。目前社会网络分析法成为国内研究旅游流空间结构、空间关联、空间网络等研究热点的主流方法。

国内使用社会网络分析的旅游研究非常丰富。对省域或城市旅游流网络 [144] 、都市圈旅游经济网络结构 [145] 、跨界旅游区网络结构和跨界景区内游线网络 [146] 进行探讨。除了区域层面,还对入境旅游 [147] 、农民旅游、自助游与线路游 [148] 的网络进行了细分研究与对比。李创新等构建了入境游客转移数量模型、入境旅游流空间集中指数模型、入境旅游流转移态矩阵,基于1994—2008年入境旅游统计数据和入境游客抽样调查数据,定量测评陕西、四川、云南三省入境旅游流集聚指数与扩散指数、入境旅游流集聚态指数与扩散态指数 [149] 。虞虎等以中国农民省际旅游数据构建旅游流网络,分析网络结构特征及其趋势 [150]

图2-7 国内(中文)旅游社会网络研究关键词共现网络

网络分为拓扑网络、权重网络、有向网络三种类型,但由于网络规模本身庞大,在复杂网络研究领域,鲜有研究有向网络相关特征的文献。目前研究的网络类型以拓扑网络为主,然而实际上,我们更需要考虑到网络连接的概率或可能性问题,以及连接线(边)上的权重大小,加权网络的研究需要对拓扑网络的定量研究方法进行大量的改进,如权重的计算、节点强度及强度与度的关系、聚类系数等。现有的国内外大量研究仍主要以二值网络进行数据处理和计算,丢失了大量的信息 [151]

同时,国内外对于复杂网络的研究中,少有考虑到网络的地理空间特性(如距离衰减),近年来空间网络的研究得到了部分学者的重视 [152,153] 。Barthélemy认为网络增长应该考虑选择已有节点同新增节点的距离特征,而不仅仅表现在无标度网络模型的择优(偏好)特征上 [152] 。此外,一些学者对航空网 [154] 、铁路网 [155] 、城市公共交通网络 [156] 及“小世界”的城市网络 [157] 的研究为空间网络研究做了很大的补充与完善。地理网络不同于常见社会网络 [158] ,不仅具备一般节点偏向于连接辐射中心的特征(如首位度、辐射源和枢纽等),更具有空间邻近连接的空间短路径特征(较短的空间距离、时间距离、感知距离等) [159]

2.4 基于大数据的旅游空间行为研究

城市或区域层面,现有研究以城市统计游客量,特别是入境游客量为主。而目的地景区层面,从单纯的景区位置、等级或类型等属性到旅游流,大多数以某个景区为例,或以少量的问卷抽样调查。旅游流研究主要受制于缺乏统一口径和规则的大规模、细颗粒度和精确的客流数据。而伴随信息革命的日益深化,“互联网+”的理念与技术开始走入生活,智能移动设备得到了全球范围内的普及使用 [160] 。数据正以前所未有的速度与规模在现代社会爆炸式增长,“大数据时代”已然来临。基于云计算对大数据的处理与应用模式,具有4V特点:Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值) [107] 。在大数据时代背景下,大数据给我们的生产生活提供了海量的信息,人们的生活方式发生了潜移默化的改变,产业进行着日新月异的变革,科学研究领域亦迎来了全新的突破与进展。仅仅就旅游流的相关研究而言,大数据在一定程度上解决了旅游流研究领域数据获取困难的问题,为旅游流的研究提供了新的数据来源与研究视角(表2-1),促成了新时代背景下该领域的发展与新生。既有的传统旅游流研究成果已然是著述颇丰,然而当前对大数据背景下旅游流研究领域成果进行系统梳理的研究还相对较少 [8]

表2-1 大数据相关旅游地理研究

资料来源:见参考文献[8]。

2.4.1 旅游大数据来源

1.手机信令与漫游数据

长期以来,传统的GPS调查法在样本规模等方面受到成本的制约 [161] 。目前大数据时代,在国内已经出现了将手机信令数据作为数据支撑来源的研究,它基于特定的基站,对目标用户位置、状态信息连续不断地追踪,从而完整而全面地记录目标用户数据。相较传统数据而言,手机信令数据更有近似全样本性、全时性,以及借助定位基站而附带的空间信息等明显价值,这对于观察游客的空间行为特征、归纳旅游流空间分布规律提供了新的视角。其中,申卓和王德利用手机信令数据,分析和归纳了观赛球迷的分布特征、活动特征 [162] ;方家等基于上海市手机信令数据,对樱花节引发大客流的时空分布规律以及游客行为的改变进行了分析,并尝试对大客流进行预警 [163] 。近些年来,越来越多由政府或企业精心打造的智慧旅游大数据平台开始出现,这也为旅游流相关研究提供了数据支撑。譬如,吴晨 [67] 、戴文等 [164] 、王茜雅等 [165] 的研究均基于南京市智慧旅游大数据监测平台的数据。

2.网络搜索数据

针对和基于互联网的旅游研究从网站类型和网站访问者的时空分布开始 [166,167] 。在互联网技术高度发达的今天,旅游相关数据和研究更加丰富,特别是对各种搜索指数的利用。人们倾向于在一些搜索引擎上浏览旅游目的地及旅游线路等相关信息来辅助决策,由此在搜索引擎上会留下海量浏览记录或痕迹,客观反映了人们的兴趣与需求,这为做好网络关注度的时空分布特征与旅游地规模预测等研究打下了基础。

谷歌搜索网页量较早作为关注度的影响因素指标 [93] ,网络链接数据的价值也被研究者们逐渐认知,景区网络链接和游客在数量上存在显著的正相关 [93] 。这种关联表明景区链接数对景区吸引力具有指示作用,也可以作为测度旅游吸引力的新数据源。后期公开“谷歌趋势”与“百度指数”等数据后,研究转移为以搜索指数为主 [168] 。百度指数是以搜索行为数据为基础的数据分析服务平台,可直接反映出特定关键词在过去一段时间的“用户关注度”“媒体关注度”与每天的变化趋势,以此来发现、共享、挖掘互联网上最有价值的信息和资讯,是国内研究者重要参考数据来源之一 [169,170] 。谷歌搜索引擎是英语世界中影响最广泛的互联网搜索工具,谷歌集中了全球一半的搜索量,是研究国际影响力的有力工具。

3.网络运营与在线内容数据

Web 2.0的出现,使得一批以用户主导而生成的内容互联网产品受到了当今社会人们的追捧,这促使人们习惯于通过社交网络共享平台来分享自己的生活与出行,由此网络上产生大量的带有游客活动时间、空间等信息的数字足迹,可以真实反映用户的时空运动轨迹,为揭示旅游流时空分布特征、总结游客时空行为模式、进行旅游流时空演变与驱动机制分析等研究提供了数据来源。

在基于位置的社交网络服务(如Facebook、Twitter、微信、微博、马蜂窝等)中,将用户当前位置上传进而形成带有位置标签(Geo-tag)的数据称为签到数据 [171] ,签到数据在旅游流研究中游客移动行为轨迹分析中得到了广泛的应用。通常情况下,签到数据不但具有地理位置信息,还包含该位置上所承载的兴趣点(Point of Interest,POI)语义信息。

这些签到数据获取方便、省时省力,数据容量大且准确性、可靠性更高,为旅游流研究提供新的契机,还保证了研究结果的科学性、准确性;但是签到数据也有一个明显的局限性,用户只有在主动签到时才能得到记录,海量签到数据中,平均到用户个人的轨迹数据比较稀疏。此类数据可分为以下几种:

在线旅游网站(OTA)的数据还包含网站游线、预订、评价等数据,这些数据目前已被作为新的数据来源投入到新的研究之中。徐敏等通过获取去哪儿网、携程旅行网、途牛旅游网、欣欣旅游网、淘宝旅行网等五个在线旅游网站上的预订数据分析长三角地区旅游流网络结构特征与影响因素 [46] 。通过马蜂窝、去哪儿、驴妈妈、游多多等旅游社交分享网站,可以获取大量旅游目的地的游记或攻略,在一些详细的游记中有比较确切的时间、地点和旅游线路,通过文本分析、路径分析等方法进行数据的挖掘,揭示其旅游线路和旅游日程,可以很明确地得到游客的实际旅游空间行为的时间变化,然后采用社会网络分析的方法研究旅游者在旅游节点间的时空转移 [172]

便携消费电子产品的普及和移动互联的发展,产生大量带有位置和时间标签的照片,一些学者已使用这些照片研究游客的游览时空轨迹。如一些专门的图片分享网站Flickr、Panoramic等上分享旅游过程中的照片可以获取到照片的拍摄时间、上传时间和上传者,通过技术处理可以得到游客的时空旅游行为轨迹以及照片色彩信息 [173]

微博、微信两大社交通讯软件(国外与之相类似的是Facebook、Twitter等),是国内信息化时代下兴起的使用最为广泛的社交工具。用户在社交网络上留下的旅游数字足迹数量巨大,近五年的国内旅游流的研究中,基于微博签到数据的旅游流研究成为领域热点。仅就新浪微博发布的2015年度微博旅游发展报告中的数据而言,参与新浪微博旅游景点话题的用户数已经达到了5.47亿,利用微博签到工具进行景点签到的用户达到了1 390万次。刘大均等整理分析了旅游机构官方微博账号的空间分布及其影响因素 [174] 。张子昂等运用用户微博数据研究钟山风景名胜区内部游客活动特征 [175] 。张妍妍等利用游记和照片获取西安的旅游数字足迹 [176]

2.4.2 基于大数据的旅游流多尺度时间特征研究

目前,旅游客流的时间变化规律分为年际变化、年内季节变化、月度变化、每周和每日变化等多个尺度。旅游的时间与季节特征研究方面,马耀峰应用年度变动指数、年度结构变化、年度分布变化、季节变动指数、月际集中指数等对中国入境旅游流的时间分布特征进行系统研究 [11] ;钟静等以西递和周庄为例,对历史文化村镇旅游流季节性特征进行比较。相关研究表明,两地在旅游流季节分布不均匀性、季节分布模式和季节划分方面均存在一定差异 [177] ;赵伟采用希芬达尔-希斯曼指数、年季变动指数等,研究了福建省入境旅游流的时间结构 [178]

限于传统旅游流研究中数据获取难度与成本较大,多来源于问卷调查数据与统计年鉴等面板数据,研究者很难对微观尺度下的旅游流时间分布做出分析,其研究成果多集中于年、季、月内时间分布。利用大数据可以比较清晰地揭示出游客客流的分秒内时间变化,而利用游记、攻略、照片抑或是网络签到数据,则可以比较明确地分析游客的年、月、日内时间分布特征。

大数据背景下出现的海量、精准、实时数据使得进行小尺度旅游流时间分布分析具有可能性,在此基础上进行的研究可细微至周、日、小时内的时间分布。李山等利用百度指数关键词搜索数据,获得中国第一批66个5A级旅游景区每天的网络关注度数据,并对其中具有完整数据系列的53个景区展开统计分析,研究旅游景区网络空间关注度在时间分布上的特征 [168] ;李伟等对目的地特殊时段的旅游流时间分布特征进行了研究,发现在各时间段上来武汉观光游览的游客分布较为均匀,探亲访友、商务会议、购物美食在时间上分布的集中度较高,旅游流在短期内涌涨,具有明显的突出高峰 [179] ;唐佳和李君轶以西安为例,基于大规模微博签到数据,得出游客在重要旅游节点可分为“多峰波动型”“日间活跃型”和“夜间活跃型”三种日内时间分布模式 [180] ;张腾基于新浪微博签到数据,以上海迪士尼度假区为例,运用小波分析和核密度分析等方法分析了主题公园客流的多时间尺度特征和空间分布规律 [181] ;陈晓艳等通过爬取微博大数据,运用时间分层法、经验模态分解法,探索了旅游区内部客流波动特征,得出钟山风景区不同类型游客均具有“M”型签到时间规律,但性别、地域属性不同表现出明显的签到周期波动差异 [182]

2.4.3 基于大数据的旅游流多尺度空间特征

按照研究对象的空间尺度,可将游客空间行为研究划分为宏观、中观和微观三个尺度的研究。宏观主要指游客从客源地到目的地及多目的地之间的流动规律研究,如国际或省际;中观尺度主要指游客在某个区域目的地内部的分布和移动模式;小尺度游客空间行为研究,指游客在单个旅游景区内部的空间分布规律、行为模式等研究 [183]

1.旅游流空间分布特征

传统旅游流对国内旅游流空间分布特征的研究主要在省域、城市两个尺度上展开。利用大数据可明确分析出游客在旅游目的地或者旅游景区内部空间上的游览路径、分布特征和规律,还可以分析出不同时间、不同空间的客源地理分布情况,有助于定量分析旅游目的地的热点景区、旅游景区内的热门景点。杨兴柱等借助于新兴网络媒介Panoramio,提取其中游客的地理标记照片信息数据,研究分析基于地理标记照片的南京市游客空间分布格局和路径轨迹模式 [184] ;张少杰利用相关技术,爬取了来自Flicker与Panoramio的地理标记照片数据,采用空间热点分析、追踪分析、社会网络分析、核密度分析等多种方法,对大西安旅游圈地理标记照片信息进行可视化展示与全方位分析,揭示游客时空分布和路径轨迹模式 [185] ;罗秋菊和梁思贤以云南省为研究案例,利用网络游记与照片两种“数字足迹”,研究入滇自驾车旅游客流的时空特征 [186] ;王录仓等利用新浪微博LBS签到数据和核密度估计分析方法,从时空维度对兰州市旅游流特征进行了研究,结果表明在空间维度上,具有典型的“核心(城区)—边缘(周边区域)”结构特征,切合旅游景点和旅游服务接待设施空间分布格局 [187] ;秦静等立足入境旅游流在北京城市内部微观空间特征,使用密度聚类(P-DBSCAN)、马尔科夫随机链等方法探索入境游客热点区域与流动空间特征 [188] ;闫闪闪等根据游客微博签到经纬度数据,采用ArcGIS中核密度分析法,分析洛阳市旅游流空间分布特征 [189]

2.旅游流空间结构特征

对于旅游流空间结构模式的研究较集中在对大量时空信息的挖掘下,采用社会网络分析法构建网络,继而进行节点结构特征和整体结构特征分析,最后归纳总结研究对象网络结构特征。林文辉等通过网络爬虫技术搜集互联网旅游出行数据,结合GIS空间分析方法和社会网络分析手段,研究了杭州市旅游流的空间网络特征,并分析这些特征产生的原因 [190] ;周慧玲和许春晓对湖南旅游流空间网络进行分析后发现,该网络具有集聚性、优势子结构有区域指向并具跨越之势、节点的功能各异等特征,并提出湖南旅游空间政策的制定策略 [191] ;王娟等基于对网络游记中时空信息的提取、整理和挖掘,通过社会网络分析方法,归纳武汉自助游流动网络结构特征和流动方式特征 [192] ;曲静和吴铭通过“火车头采集器”在携程网和百度旅游网站搜集到458篇网络游记,运用社会网络法分析甘肃省外地散客旅游流的时空及网络结构特征 [193] ;梁玥琳和胡孟姣以宁波市宁海县为例,以社会网络分析为基础理论,利用Ucinet 6.0对宁海县旅游大数据平台中的节点线路模块数据进行处理,探究微观尺度旅游流移动规律以及由此形成的网络空间结构特征,并解析其空间效应 [194] ;干青亚等利用SNA构建了长三角城市群的网络游记线路及旅游流网络,在不同旅游节点之间建立网络关系,分析其旅游流网络的演化特征 [195] ;严江平等则通过限定时间、限定地点、限定目标游客类别在“马蜂窝”网站记录下的440篇游记作为论文的基础数据,综合应用社会网络分析方法,研究得出兰州市外地游客旅游流的时空行为特征 [196] ;张妍妍等利用游记和照片,采用数据挖掘方式提取旅游数字足迹的时空信息,总结西安国内散客旅游流时间及网络结构特征 [176]

3.旅游流动态时空演化

旅游流的时空演化规律影响区域旅游产品的开发和线路的组织,对旅游流时空演化特征的研究也是近年来国内研究的热点。旅游流时空演化既包括旅游客源市场空间结构的变化,还包括旅游流在目的地内部的运动模式变化。于静和李君轶综合运用观察法、信息追踪法和社会网络时空分析法等方法,结合UCINET软件,对微博营销信息的时空扩散规律进行研究 [40] 。吴静等利用新地理信息技术,采集500个游客GPS地理标记照片,运用GIS空间分析方法,分析游客在南京城市内部及其与长三角其他城市空间流动特性,并提炼游客空间行为一般模式 [197] ;吴中堂等采用数据挖掘的方法获取2009年以来马蜂窝旅行网上的大陆居民赴台湾自由行行程和行程中每一站信息,采用社会网络理论分析旅游流网络的时空变化 [198] ;靳诚等以南京市为例,利用旅游攻略中的数据,构建了景点间游客流动的关系矩阵,对游客流动的格局、模式和机制进行了系统的分析 [199] ;王茜雅等以南京市为例,使用南京智慧旅游大数据平台获取数据,研究工作日、周末、3天小长假、“十一”期间来宁游客客源情况,基于集聚性差异、距离衰减、SPSS多元回归和空间吸引力研究不同时段来宁客源市场的空间结构动态变化 [165]

2.4.4 基于大数据的人类空间移动行为模式研究

随着精准定位的智能手机与高速移动互联网络通信技术的发展,大量人类地理标记数据被低成本和高精度地获取、整理、保存。大数据时代的到来使得基于个体粒度的海量时空轨迹获取人类移动模式成为可能 [200] ,基于大数据的人类移动模式研究形成了新的研究流程,形成了人类移动模式的基本度量方法(图2-8)。而针对大尺度区域中的游客空间移动模式的总结与研究还较弱,现以相关学科的研究展开介绍。

随着技术进步,人类移动轨迹数据的可获得性也得到了提高,真实记录的行为数据可以用以分析归纳人类社会中丰富的空间规律。比如Song等构建了探索和偏好返回模型来研究手机信令数据,分析了空间移动模式中存在的标度异常现象 [201] 。Brockmann等发现了美元流转数据间接记录的人类空间移动的步长幂律分布特征 [202]

图2-8 大数据驱动的人类移动模式研究流程

资料来源:见参考文献[200]。

关于个体空间移动模式建模,针对单一交通方式下出行者的空间运动模式,近年来也发表了一批实证研究成果,包括利用GPS数据研究出租车乘客 [203] 、私家车驾驶者和航空乘客的出行模式、利用客流记录数据研究地铁和公交乘客的出行模式等 [204]

除了追踪个人的连续行为,群体的行为特征也是关注的热点。文献基于更大规模的GPS数据研究了出租车乘客的乘车距离分布特征,所分析的一个数据集包含了北京市万余辆出租车在3个月内的GPS轨迹数据,其中记录的出租车乘客出行共有1 203万次。通过严格的统计推断和检验,发现出租车乘客的乘车距离更应该满足指数分布的特征,而非先前认定的幂律分布 [203] 。佛罗伦萨的私家车出行单次行驶里程都近似服从指数分布 [205] 。研究发现伦敦地铁乘客的乘车距离分布不是幂律也不是指数,而是近似负二项分布 [206]

学者们在对人类移动的特征,如移动步长、回转半径、驻留时间等属性维度进行广泛的探索之后,逐步转为综合性或针对性地研究各类因素对人类移动的营销。针对多个手机数据的研究发现了通勤距离和通勤时间在不同的地区呈现不同的模式,并注意到不同的社会阶层会影响人群的出行模式 [207] 。Wesolowski等基于肯尼亚1 500万手机用户持续一年的通信位置数据,讨论了使用者社会经济属性偏差对估计手机用户移动性的影响。结果表明基于手机数据分析移动模式具有较好的鲁棒性,受使用者属性偏差影响较小 [208]

在统计的基础上,通过建立偏好返回模型 [201] 、层次性交通系统模型 [209] 、空间随机游走模型 [210] 、周期性随机游走模型 [211] 等模型描述和理解人的空间行为,研究行为规律的深层机制。近年来,由数据驱动的空间交互新模型丰富和发展了空间交互网络研究的理论与方法。引力模型作为最早的空间交互强度预测模型 [212] ,主张两个主体之间的交互量与其规模成正比,与两地间距离的幂函数成反比。与类比物理定律得来的引力模型不同,介入机会模型完全是从个体对目的地选择的决策过程出发提出模型假设的 [213] 。介入机会模型的假设中体现了个体选择旅游目的地时的行为决策的微观机制,用次序而非空间距离来度量各目的地的相对关系 [210] 。在研究人口迁移、居住或就业地选址等长时间尺度的空间交互行为时使用这类静态模型,在研究交通出行、疾病传播、旅游流动等连续过程问题时,需要采用空间随机游走模型等动态模型。

2.5 国内外研究主题内容对比与展望

2.5.1 国内研究进展

由于中国广阔的地理环境成为巨大的实验室,信息技术和移动应用普及,大尺度和大规模旅游流研究具有数据获取的巨大优势,我国研究相对较丰富。

传统对于旅游流的研究主要以宏观地域尺度研究对象为主,研究数量最多,研究内容最广,研究视角多样,研究方法多元,综合来看主要是从旅游流理论体系研究、旅游流时空模式研究、旅游流测度研究、旅游流驱动机理的研究、旅游流空间辐射效应研究等五个方面进行。而对微观尺度下旅游流研究涉及较少,且研究手段匮乏,多以问卷、访谈、活动日志为主,由于样本的研究量少,同时由于依赖被调查者的配合和回忆,因此数据质量难以保证。近年来ICTs的发展为旅游研究提供了新的视角和方法,其中社交网络的流行更是提供了许多带有游客时空信息的旅游数据,有许多数据给微观地域尺度的旅游流研究提供了新的视角以及方法指引,采集旅游者的时空活动大数据成为可能,大数据对于发现事物发展规律具有小样本无法比拟的优势。

虽然有信息技术手段参与,但所得样本量往往仍然仅为数百 [214] ,与传统调查差别不大。旅游流的定量研究需要精准的数据支撑,而大数据由于具体到个人的签到轨迹较为稀疏,以及社交网络签到数据一般不能完全覆盖到各类人群,对大数据的精确性与可靠性提出了一定质疑。

2.5.2 研究主题对比与展望

在Web of Science核心合集中,主题选择tourist flow+destination及tourist flow+movement,共得到文献280篇。提取旅游流国际(英文)关键词共现矩阵和关键词关联时间线。

由图2-9可知,国际上的旅游流研究主要着眼于季节性、可持续性、气候变化、经济影响、环境影响、目的地选择等研究领域,主要应用重力模型等研究方法,采用面板数据与大数据作为数据来源,研究案例遍及南非、欧洲、意大利、罗马尼亚等地区。而从图2-10揭示的旅游流国际研究的关键词时间线来看,国际研究重点从最初的交通转变为对旅游需求与方法模型的探索、全球化与国际旅游、重力模型与旅游目的地选择、气候变化与中国文化旅游,到近期的可持续性与满意度、绩效评估。

对比国内外的研究热点,可以发现,国内研究侧重于对游客时空行为的探索,注重研究旅游流空间结构、空间网络等内容,主要应用社会网络分析法;而国外研究较多集中于运用引力模型去揭示旅游流的时空演变规律,出发点立足于气候变化、可持续性等方面。

图2-9 旅游流国际(英文)研究的关键词共现网络

图2-10 旅游流国际研究的关键词时间线

从发展趋势看,国内已有研究在时间分布特征、空间结构模式、时空演化特征、规模预测等领域均形成了相对完善的研究成果。近年来,随着“全域旅游”概念的深入人心,未来的研究应从提高旅游者满意度的指向和更好地服务旅游业的发展角度出发,进一步研究影响目的地旅游流时空变化的因素及作用机制,建立基于旅游大数据的旅游流预测、分流等分析机制及区域旅游综合管理模式,为旅游目的地管理提供依据。同时目前的研究多侧重于对旅游客流的研究分析,局限于狭义的旅游流,以后需要向信息流、物质流研究进一步延伸拓展。

2.5.3 研究方法对比与展望

当前,旅游流定量研究方法主要包括计量统计法、GIS分析法、社会学网络分析法、区域经济学理论方法以及其他相关方法。物理学理论方法也成为旅游流研究的重要方法,运用较多的是推—拉理论分析旅游流的动力机制、运用引力模型分析旅游流交互和时空演化,以及运用空间场效应分析旅游流的辐射效应 [38]

从未来趋势来看,由于大数据将成为旅游流定量研究的重要数据来源,如何进一步提升数据挖掘方法在旅游流研究中的应用,是今后旅游流研究方法的主要发展趋势。同时,此前借鉴的方法多为国外及其他学科研究使用方法,缺乏原创性,未来的研究方法将逐渐向本土化、原创性方向转化。在方法的应用上,国外已经用社会网络分析法来研究更深层次的旅游流网络形成机制,而我国现在利用社会网络描述旅游流的时空分布特征,旅游流网络结构动因及限制因素等研究有待深入。

大数据研究方法既可以在海量信息中直接发现和展示出社会现象的规律,避免定性方法在案例选择方面的样本偏差,又能够充分发挥传统定性分析方法的价值,还可以以数据可视化的方式将海量数据和信息可视化,清晰揭示数据间的作用模式和信息背后的规律性。但是,随着信息化程度的不断加深,网络上会出现越来越多的结构化、非结构化数据,如何正确地挖掘、存储并使用此类数据,并且使得数据具有可信度成为一种新的技术难题。

目前大数据背景下的旅游流研究方法虽有所更新,开始着重于对数据挖掘方法的使用与探索,但适应大数据的研究范式还待探索,研究主题方面还应逐渐丰富。现阶段使用较为频繁的研究方法多为数据挖掘方法,侧重于从海量数据中关联的角度出发获取模式或规律。然而,单纯的数据导向性也决定了数据挖掘方法难以直接揭示人类移动性的深层机理;而近年来越来越多的人工智能方法被应用到旅游预测中,主要有遗传算法、粗糙集方法、模糊时间序列、灰色理论和深度学习等 [215] wDH5GOo00Jg5gPytyH0rzEUVamDrPMEswQd1pAA7vDeqF/eAALKtI2Wv+2IhseZZ

点击中间区域
呼出菜单
上一章
目录
下一章
×