EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 2: 440 - 459

DOI: https://doi.org/10.12082/dqxxkx.2024.230791

行为时空规律揭示与方法探索

基于复杂网络的鼓浪屿旅游街区关联规则识别与特征分析

  • 吴莞姝 , 1, 2 ,
  • 薛影 3 ,
  • 赵凯 4 ,
  • 钮心毅 , 5, 6, * ,
  • 党煜婷 7
展开
  • 1.青岛理工大学建筑与城乡规划学院，青岛 266033
  • 2.城市信息模型（CIM）山东省工程研究中心，青岛 266033
  • 3.华侨大学建筑学院，厦门 361021
  • 4.青岛大学经济学院，青岛 266075
  • 5.同济大学建筑与城市规划学院，上海 200092
  • 6.自然资源部国土空间智能规划技术重点实验室，上海 200092
  • 7.汉中市国土空间规划管理中心，汉中 723000
*钮心毅（1971— ），男，浙江湖州人，教授，博导，主要从事城市空间信息分析、城市规划技术与方法研究。 E-mail: 。

吴莞姝（1988— ），女，河南商丘人，副教授，硕导，主要从事大数据分析、城市规划技术与方法研究。 E-mail: 。

Copy editor: 蒋树芳 黄光玉

收稿日期: 2023-12-23

  修回日期: 2024-02-05

  网络出版日期: 2024-03-27

基金资助

国家自然科学基金项目(51908229)

收起

Identification and Feature of Association Rules of Tourist Blocks in Gulangyu Islet Based on Complex Network

  • WU Wanshu , 1, 2 ,
  • XUE Ying 3 ,
  • ZHAO Kai 4 ,
  • NIU Xinyi , 5, 6, * ,
  • DANG Yuting 7
Expand
  • 1. Qingdao University of Technology，College of Architecture and Urban Planning，Qingdao 266033, China
  • 2. Shandong Engineering Research Center of City Information Modeling，Qingdao 266033, China
  • 3. School of Architecture, Huaqiao University, Xiamen 361021, China
  • 4. Qingdao University，School of Economics，Qingdao 266075
  • 5. Tongji University, College of Architecture and Urban Planning, Shanghai 200092, China
  • 6. Key Laboratory of Spatial Intelligent Planning Technology, Ministry of Natural Resources, Shanghai 200092, China
  • 7. Hanzhong Territorial and Spatial Planning Management Center，Hanzhong 723000, China
*NIU Xinyi, E-mail:

Received date: 2023-12-23

  Revised date: 2024-02-05

  Online published: 2024-03-27

Supported by

National Natural Science Foundation of China(51908229)

Fold

摘要

基于复杂网络分析游客空间行为并挖掘旅游街区之间的关联特征，可以发现用地与功能之间显性和隐性的关联规则，精准识别旅游区用地空间结构，深入掌握旅游区发展现状，为智慧旅游与土地精细化转型提供支撑。本研究以世界文化遗产鼓浪屿为例，基于LBS大数据，使用复杂网络构建游客空间行为网络，利用关联规则分析重要节点的关联特征，进而使用用户画像数据，分析基于不同性别、年龄和客源地游客空间行为的街区关联规则。研究发现，“复杂网络+关联规则”算法可以挖掘游客随机行为中的隐藏规律，有效剖析旅游街区之间显性和隐性的关联规则。在游客空间行为轨迹网络中，各街区兼具“中心”与“枢纽”作用。既服务于本地游客又服务于外地游客的热门旅游街区表现出强关联规则。对外地游客具有较强吸引力的热门景点表现出较高的支持度，具有特色的旅游设施用地表现出较高的提升度。具有同质性的旅游街区之间关联性较强，人口特征差异对旅游街区关联规则影响显著。本研究可为城市更新背景下的旅游区用地整合、结构优化和游览线路调整提供决策参考，对于构建智慧旅游体系具有现实意义。

关键词： 智慧旅游; 游客空间行为; 关联规则; 复杂网络; LBS大数据; 用户画像; 鼓浪屿

本文引用格式

吴莞姝 , 薛影 , 赵凯 , 钮心毅 , 党煜婷 . 基于复杂网络的鼓浪屿旅游街区关联规则识别与特征分析[J]. 地球信息科学学报, 2024 , 26(2) : 440 -459 . DOI: 10.12082/dqxxkx.2024.230791

Abstract

Spatial behavior reflects tourists' choice and preference for the land and function of tourist areas, which is very important for the management decision of tourist destinations. Based on the complex network analysis of tourists' spatial behavior and mining the correlation characteristics between tourist blocks, the explicit and implicit association rules between land use and function can be explored, the spatial structure of tourist areas can be accurately identified, and the development status of tourist areas can be deeply grasped, which provides support for smart tourism and fine land transformation. Taking Gulangyu Island, a world cultural heritage, as a case, this study extracts tourists' spatial behavior through location-based service big data, analyzes the characteristics of tourists' trajectory network by using complex network, explores the correlation characteristics between the internal land use of tourist areas based on tourists' spatial behavior by using association rule algorithm, and then analyzes the block association rules based on tourists' spatial behavior of different gender, age and source areas by using user portrait data. It is found that the algorithm of "complex network + association rules" can mine the hidden rules in tourists' random behavior and effectively analyze the explicit and implicit association rules between tourist blocks. In the trajectory network of tourists' spatial behavior, each block has both the functions of "center" and "hub". Popular tourist blocks that serve both local tourists and foreign tourists show strong association rules. Popular scenic spots with strong attraction to foreign tourists show high support, and the land for tourist facilities with characteristics shows high promotion. There is a strong correlation between homogeneous tourist blocks, and the difference of population characteristics has a significant impact on the association rules of tourist blocks. Theoretically, this study can enrich the cognition of tourism behavior, especially the relevance of land use caused by behavior, and construct association rules according to different demographic characteristics to supplement the demonstration of tourist demographic characteristics; In terms of methods, this study comprehensively uses complex network and association rule algorithm, which can more accurately fit the node and hierarchical structure of tourist behavior network, mine land association rules that are difficult to find by traditional methods, and provide new ideas for the coupling analysis of tourist behavior and tourist area land; In practice, based on the spatial behavior of tourists, the spatial structure of land use in tourist areas can be accurately identified, the development status of tourist areas can be more deeply grasped, the functional layout can be optimized, and the tourist facilities can be improved, thus providing support for smart tourism and fine land transformation.

Key words： intelligent tourism; visitation behavior of tourists; association rules; complex network; LBS big data; user portrait; Gulangyu Islet

1 引言

游客在客源地与目的地之间及目的地内部的流动是当代社会人类流动的重要组成，对空间游客行为特征与机制的分析一直是旅游流研究的核心问题[1]。空间行为体现了游客对旅游区用地与功能的选择与偏好，对于旅游目的地管理决策至关重要[2]。游客空间行为有广义与狭义之分，广义游客空间行为包括游客的动机行为、决策选择行为、旅行行为以及体验行为等，狭义游客空间行为则指游客在旅游地域范围内移动的游览过程[3]。目前通过运用用户生成数据进行的游客空间行为研究主要围绕在游客空间行为特征[4⇓⇓⇓⇓-9]、游客线路轨迹[10⇓⇓-13]、游客空间行为模式[14⇓-16]以及游客行为异质性[17⇓⇓⇓⇓-22]等方面。
游客空间行为特征研究主要探查游客空间分布特征、行为方式、速度及影响因素等[4⇓⇓⇓⇓-9]。如刘艳平等[4]探讨自驾车游客的时空行为特征，发现游客兴趣点数随着景点距离的增加呈现幂函数式递减；黄潇婷等[6]发现大陆游客在境外旅游呈现全天覆盖型、半日覆盖型、下午覆盖型、全天山上型、半日山上型、中午场馆型、下午场馆型和短时折返型8类行为方式；荣慧芳等[8]探索乡村旅游市场的空间演化特征及影响因素时发现客源地的经济发展水平、旅游地的资源禀赋和服务品质、旅游通道的空间邻近性和交通条件是游客空间演变的直接驱动力。游客线路轨迹研究考察城市与城市之间、城市内部或景区内部游客的路径轨迹[10⇓⇓-13]。如杨兴柱等[11]运用 ArcGIS的空间热点分析以及追踪分析技术挖掘出了游客的单节点轨迹、区域内部轨迹、区域间路径轨迹3种路径方式，李渊等[12]采集了厦门鼓浪屿游客的路径轨迹 GPS数据，归纳出了不同入口上岛旅游者在半天和一天的符合行为特征的旅游轨迹设计方案。游客空间行为模式研究分析游客呈现的空间行为规律，归纳其移动模式类型[14⇓-16]。如Lew等[14]归纳游客在目的地内部的空间行为，主要包括点对点、环游、复杂等3种模式，黄潇婷[15]获取颐和园景区内游客的时间、空间、路径以及活动信息数据，并通过聚类分析得到了6种类型的游客时空行为模式；吴静等[16]运用游客拍摄的照片，研究了南京市内以及与长江三角洲其他城市间的游客流动特征，提炼出了游客在南京与长江三角洲周边城市的线形路线以节点对节点模式为主导,地域以向城市中心流动为多数的空间行为移动模式。游客行为异质性研究根据游客人口统计学特征等差异，研究不同群体的空间行为异质性[17-18]。如王章郡[17]基于与GPS关联的用户信息发现徒步旅游者的客源地逐渐分散,女性比例明显提高,且徒步经验显著下降；张子昂等[18]通过微博签到数据发现女性游客现实生活中的社会制约没能反映在虚拟网络空间中，外地游客相比本地游客在景区中活动时间变化规律更加明显。此外，旅游行为呈现明显的年龄规律[19]，不同的年龄结构对旅游行为有着重要的影响[20⇓-22]。
既有研究多聚焦于游客行为本身，较少关注以游客行为作为联系的旅游街区关联特征。游客行为交织重叠，构成了旅游街区和各类功能之间显性和隐性的关联规则，这种关联可以为旅游区功能优化与资源分配提供决策参考，改善旅游区功能布局和游客体验[23⇓-25]。将海量游客个体的空间行为所形成的复杂网络作为依据，探究各个街区与各类功能之间的关联规则，发掘游客行为特征对用地规划模式的影响，可提升旅游区用地效率，构建智慧旅游体系[26]。
目前，游客空间行为研究较常使用的方法包括社会网络分析[27-28]、引力模型[29]、回归模型[30-31]、离散选择模型[32]等。然而，社会网络分析与引力模型重在解释行为活动[33]，回归模型本质上没有个体行为决策理论为依据，很难解释个体行为与环境之间的作用机理。离散选择模型建立在完全理性个体实现效用最大化的假设上，牺牲了一部分精确性[34]。随着机器学习方法的广泛应用，各类数据挖掘和分析技术带来了丰富的手段和崭新的视角。复杂网络（Complex Network）以其结构复杂、节点数目巨大而呈现出多重复杂性融合、连接多样性、节点多样性、网络动态进化等特征，可用于挖掘游客空间行为轨迹网络中看似随机实则一直遵循的隐藏规律。关联规则（Association Rules）算法用于挖掘物质间所拥有的复杂的关联性或相关性，反映一个事物与其他事物之间的相互依存性和关联性[35]。在庞大的复杂网络中运用关联规则分析其中的关系与特征，一般可以获得清晰易懂的结果，较容易将规则转化为实际操作[36]。将二者综合运用在旅游区用地结构的研究中，可从游客空间行为视角挖掘行为轨迹网络的空间规律[37]。
综上，本研究以世界文化遗产鼓浪屿为例，通过基于位置服务（Location Based Service，LBS）大数据提取游客空间行为，使用复杂网络分析游客轨迹网络特征，基于关联规则算法探究基于游客空间行为的旅游区内部用地之间的关联特征。在理论上，本研究可丰富旅游行为的相关认知，尤其是由行为所引发的用地关联性，并针对不同的人口特征构建关联规则，补充对于游客人口特征的论证；在方法上，本研究综合使用了复杂网络与关联规则算法，能够更加精准的拟合游客行为网络节点与等级结构，挖掘传统方法难以发现的用地关联规则，为游客行为与旅游区用地的耦合分析提供新的思路；在实践上，基于游客空间行为精准识别旅游区用地空间结构，更加深入地掌握旅游区发展现状，优化功能布局，完善旅游设施，为智慧旅游与土地精细化转型提供支撑。

2 研究案例、数据与方法

2.1 研究案例

鼓浪屿位于福建省厦门市，面积约1.89 km2，是国家5A级旅游旅游区，曾获得全国重点文物保护单位、中国最美五大城区等荣誉。2017年7月8日，“鼓浪屿：国际历史社区”被列入世界遗产名录，成为中国第52项世界遗产项目。享誉国际的声誉和优美的旅游区环境为鼓浪屿吸引了大量游客。新冠疫情爆发之前的2019年十一黄金周假期，鼓浪屿累计接待游客32.40万人次①。鼓浪屿景点类型多样（图1），空间功能复合，旅游设施完善，丰富的游客资源和多样的空间环境使其作为旅游研究案例具有典型意义。
图1 鼓浪屿重要景点分布

Fig. 1 Distribution of important scenic spots in Gulangyu Islet

2.2 研究数据

2.2.1 数据来源及处理

（1） LBS大数据
本文使用的LBS大数据来源于极光Aurora Mobile平台，均经过脱敏处理，不包含个人信息。该平台可为手机应用软件提供SDK定位开发环境，同时对约145.2万APPs进行实时监测，可以筛选出手机用户终端在一定时间段内多个APPs记录的位置感知数据。数据采集机制包括周期性位置更新数据和事件触发数据。
数据采集时间为2019年10月1日到10月7日。十一黄金周是外地游客出行的优选时段，能够有效采集到丰富多样的游客行为轨迹，具有一定的代表性。加之2019年新冠疫情尚未爆发，各旅游区正常开放，轨迹数据能够真实有效地反映游客行为偏好。
（2） 街区数据
从OpenStreetMap（OSM）获得鼓浪屿街道网络数据。对照卫星图，对街道网络查漏补缺，并根据不同的街道宽度进行双线处理。数据经过清理、拓扑检查和处理，最终得到鼓浪屿街道共2 992条。基于这些自然街道，划分街区，共得到242个街区。

2.2.2 数据预处理

对原始数据进行预处理，具体步骤如下：
（1） 选取2019年10月1日到10月7日7天内所有出现在鼓浪屿范围内的时空位置信息，采集字段包括用户ID、时间戳和经纬度信息。原始数据包含737 373条记录，共识别出76 119个用户；
（2） 基于各有效用户ID，为用户进行画像，画像标签包括性别、年龄与客源地。画像基本方法为业务规则识别和机器学习模型预测两种方法进行组合判断，主要通过“数据平台整合各类深度合作App的真实样本+开发者提供的标签+App行为特征”进行模型训练及预测的方式得到。
性别与年龄的画像规则相似，以性别为例：从所有标签中发现与性别相关的词，进行TAG处理，根据性别标签的用户数进行排序，取用户数大于N的标签集合，整合App样本、TAG标签以及APP行为特征，将这些属性作为输入变量进行机器学习，选择最优分类器，对其他未知用户进行预测。客源地画像规则如下：追溯十一假期出现在鼓浪屿的用户在过去3个月全国范围内的时空轨迹，出现频率最高的位置作为其归属地。统计用户在工作日非工作时段（20:00—07:00）及周末，出现频次最多的坐标地为其客源地址。在此基础上进行算法迭代优化，去除节假日数据，并对上个月预测客源地址的出现次数，赋予25%权重，作为输入变量，参与下个月客源地址的预测，循环周期为1年，从而提升识别准确度。
为了避免鼓浪屿原住民行为特征对计算结果的干扰，基于客源地识别结果，删除鼓浪屿原住民，剩余74 407位游客，共620 425条记录。游客的性别、年龄和客源地分布情况详见图2。其中，男性与女性游客比例相当；16—35岁的游客占比最大，其次为小于16岁的游客；鼓浪屿的游客主要来自于厦门市以外区域。
图2 鼓浪屿游客画像的统计特征

Fig. 2 Statistical characteristics of tourist portraits in Gulangyu Islet

（3）为避免游客短时间内在同一空间位置连续刷手机，留下多条记录对计算结果造成干扰，识别每个用户在较短的时间阈值内位置相同的记录，保留最后一条作为有效数据。时间阈值确定方法为计算相等间隔时差（5、10、15、…、60 s）内的轨迹点数量，发现记录条数的总体数量、增长数量以及增长率的拐点均为10 s，因此确定10 s为时间阈值。经过筛选，共获得74 407位游客，共599 963条记录。同时删除7天内总记录条数小于5的用户信息[9]，最终获得有效用户18 603个，共467 933条有效记录。
（4）基于各等级街道，将鼓浪屿旅游区划分为242个街区。使用SQL Server和ArcGIS平台，将467 933个轨迹点与242个街区进行空间连接，识别每个手机用户ID到访过的街区。到访过的街区赋值为1，未到访过的街区赋值为0。最终基于用户ID、用户画像和街区，构建多维矩阵数据。
具体数据处理过程详见图3。
图3 LBS大数据处理过程

Fig. 3 Processing process of LBS big data

2.3 研究方法

2.3.1 技术路线

本研究基于LBS大数据、用户画像数据与鼓浪屿街区数据，得到可用于研究游客空间行为和街区关联规则的有效数据。首先，使用复杂网络构建游客空间行为网络，分析总体网络特征，包括街区网络节点重要性测度和整体网络联系性测度；其次，基于行为网络，研究旅游街区关联规则，包括重要节点对的关联特征和重要节点个体的关联特征；最后，基于性别、年龄和客源地等个体属性，分析各类游客空间行为和街区关联规则。具体技术路线详见图4。
图4 鼓浪屿旅游街区关联规则识别与特征分析技术路线

Fig. 4 Technical route of identification and feature of association rules of tourist blocks in Gulangyu Islet

2.3.2 主要分析方法

（1） 复杂网络
具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络称为复杂网络，具有较强的异质性，各节点间的连接状态具有不均匀分布性。本研究中基于复杂网络的分析主要是为了发现基于游客空间行为的街区网络的结构和功能中起关键作用的街区节点，评判标准包括点度中心度（Degree Centrality）、接近中心度（Closeness Centrality）与中间中心度（Betweenness Centrality），可从不同的角度衡量街区节点中心作用的强弱，兼顾“中心”和“枢纽” 2方面的考察。
点度中心度可在街区网络分析中刻画街区节点的中心性，一个街区节点的点度中心度越大就意味着这个街区在网络中就越重要，计算公式如下[38-39]：
C = d e g ( x ) / N - 1
式中：x表示基于游客空间行为的街区网络中的一个节点；deg(x)表示街区节点x的度数，且街区网络中有N个节点。
接近中心度反映在街区网络中某一街区节点与其他节点之间的接近程度，描述的是该街区与其他街区的紧密程度，有较大接近中心度的街区通常位于网络中心，而具有较少接近中心度的街区通常是位于外围或者网络末端，计算公式如下[38-39]：
C (u) = 1 ∑ v - 1 n - 1 d ( u , v )
式中：u为待计算接近中心度的街区网络节点；n为所有街区节点的数量；d(u, v)是街区节点v和街区节点u之间的最短距离，即最短路径。
中间中心度表示街区节点的媒介程度，以经过某个街区节点的最短路径数目来刻画节点重要性的指标，计算公式如下[38-39]：
C ( b ) i = ∑ m ≠ i ≠ n ∈ G σ m n ( i ) σ m n
式中：σmn表示从街区节点m到街区节点n之间的最短路径数目；σmn(i)表示从街区节点m到街区节点n经过节点i的最短路径的数目。
（2）关联规则
关联规则是反映一个事物与其他事物之间的相互依存性和关联性，是数据挖掘的一个重要技术，用于从大量数据中挖掘出有价值的数据项之间的相关关系，可从数据库中关联分析出形如“由于某些事件的发生而引起另外一些事件的发生”之类的规则[35]。关联规则的形式是A⇒B，A、B分别为位于规则左侧（lhs）和右侧（rhs）的项集。3个常用于关联规则的度量是支持度（support）、提升度（lift）和置信度（confidence）。支持度是游客对旅游街区的选择中既包含街区项集A又包含街区项集B的情况所占百分比，置信度是包含街区项集A的选择中也包含街区项集B所占的百分比，提升度是置信度与包含选择街区项集B的情况所占百分比的比值，其计算公式如下[35-36]：
s o p p o r t ( A ⇒ B ) = P ( A ⋃ B ) c o n f i d e n c e ( A ⇒ B ) = P ( B | A ) = P ( A ⋃ B ) P ( A ) l i f t ( A ⇒ B ) = c o n f i d e n c e ( A ⇒ B ) P ( A ) = P ( A ⋃ B ) P ( A ) P ( B )
式中：P(A)为游客对街区的选择中包含街区项集A的情况所占的百分比（或概率）。

3 基于游客空间行为的复杂网络结构特征

3.1 旅游区总体结构特征

基于游客空间行为构建复杂网络，发现大部分街区网络节点存在178~230条对外联系线（图5（a）），节点间的联系十分复杂，联系网十分庞大。由于鼓浪屿作为国际社区，还存在一定数据的原住民街区，为了有效筛选出旅游区域并避免游客偶然到访行为对整体网络结构产生影响，对数据进行截尾处理。选取网络连接数小于178的街区，共38个，主要包括鼓浪屿边缘区域的绿地、功能较为单一的居民楼、社区服务设施等，其点度中心度、接近中心度与中间中心度在全局上处于较低水平（图5（b）、图5（c）、图5（d））。综上，对连接数小于178的街区予以删除，并对剩余204个主要旅游街区的中心度进行空间可视化。
图5 鼓浪屿游客空间行为网络特征

Fig. 5 Characteristics of spatial behavior network of tourists in Gulangyu Islet

截尾处理后鼓浪屿街区整体网络结构整合度较高。在游客空间行为轨迹网络中，各街区兼具“中心”与“枢纽”作用。点度中心度较高的街区集中在热门景点；接近中心度较高的街区为厦门海底世界所在街区；中间中心度较高的街区分布在码头、旅游服务设施与边缘区域。游客最常采用的时以服务设施为枢纽进行串联的旅游线路。
点度中心度较强的节点包括人气较高的风景名胜区、旅游景点，受大众青睐的餐饮住宿和通行率较高的交通码头等等，多为文保用地、公园用地、商业服务业用地和交通场站用地等；点度中心度较弱的节点主要是一些较为偏远且景观性不强的景点和废弃已久的码头等（图5（e））。接近中心度较强的节点主要为街道交叉口等枢纽位置，这些网络节点可达性较高，与其他景点的连接性也较强，是人流较大的重要枢纽点；接近中心度较弱的节点主要为鼓浪屿外围一些偏远的景点与海岸（图5（f））。中间中心度较高的街区分布在码头、旅游服务设施与边缘区域，表明游客最常采用的时以服务设施为枢纽进行串联的旅游线路；而“枢纽”作用最弱的节点可达性均较低，位置一般都很偏远，是人流稀少的节点（图5（g））。

3.2 主要街区节点的关联网络

由于鼓浪屿街区较多，网络结构复杂，若将242个网络节点全部进行网络联系测度，其规律恐难以明显分辨，因此，选取被选择频率最高的街区节点进行分析。分别以20、30和50为阈值进行试验并对比，发现20个节点网络较为稀疏，难以有效反映主要的网络结构特征，50个节点网络过于密集，难以有效提取主要的关联规则。因此，选出被选择频率最高的30个网络节点进行分析（图6（a））。网络联系性的节点为日光岩（X42）、菽庄花园（X240）、钢琴码头（X225）、黄家花园（X23）和厦门海底世界（X126）（图6（b））。此外，闽台特产城（X89）、皓月园（X24）、林四喜·闽南传家菜（X86）、日光岩寺（X25）、龙头路商业街（X73）、国民党善后救济总署（X46）、马约翰广场（X27）、吴氏宗祠（X131）、升旗山（X50）也起到重要的联系作用。从土地使用功能可看出，网络联系性较强的用地主要为人气较高的景点、受大众青睐的餐饮住宿商业区以及码头。
图6 30个街区网络节点的联系网络图

注:图(b)中“联系线权重”为2个街区节点之间游客流动次数。

Fig. 6 Contact network diagram of 30 block nodes

4 基于复杂网络的旅游街区关联规则

4.1 总体关联规则

基于由游客空间行为所构建的街区关联网络，使用关联规则挖掘出关联性最高的30对节点对，分析节点对之间的空间联系与形成机制（图7）。鼓浪屿沙滩（X205）与浪荡山及山脚下酒店别墅（X87）的关联规则提升度最高，表明游客对浪荡山旅游区的选择度是较低的，但二者之间的关联性很强，很大可能被同时选择。海底世界东北门游客休憩区（X124）与海底世界（X126）关联的提升度较高，但支持度相对较低，也表明游客在所有景点中选择海底世界和海底世界东北门休憩区旅游区的频率较少，但只要选择了其中一个，大概率也会前往另一个。日光岩寺（X25）和日光岩（X42）的支持度最高，表明同时选择二者的占比较大。
图7 30对节点对关联特征

Fig. 7 Associated features of 30 pairs of node

图8是关联度较高的街区节点对的关联规则。横轴代表街区项集A，纵轴代表街区项集B，二者分别位于规则的左侧和右侧。红色圆圈代表位于左侧和右侧街区的关联度，尺寸越大表明支持度越高，颜色越深代表提升度越高。关联规则的右侧为浪荡山及山脚下酒店别墅（X87）、厦门海底世界（X126）、菽庄花园（X240）与日光岩（X42），表明这4个节点在整体网络中存在较强的关联。鼓浪屿游客更多的体现为多节点式、链式旅游的空间行为模式。且不同于部分研究发现游客对于自然景观的偏好[4]，鼓浪屿游客对人文景点的选择率更高。相较之下，与日光岩、菽庄花园相关联的用地多于与浪荡山、厦门海底世界关联的用地。将高支持度与高提升度的典型节点的关联规则进行详细分析。
图8 30对节点对的关联规则示意图

注：横轴代表街区项集A，纵轴代表街区项集B，二者分别位于规则的左侧和右侧。红色圆圈代表位于左侧和右侧街区的关联度，圆圈尺寸越大表明支持度越高，圆圈颜色越深代表提升度越高。

Fig. 8 Schematic diagram of association rules of 30 pairs of nodes

4.2 典型节点的关联规则

4.2.1 强关联规则节点

厦门海底世界（X126）的支持度与提升度均较高，为强关联规则。主要原因在于厦门海底世界是融生态保护、海洋知识、海洋水产、科教，观光于一体的大型海洋水族馆，不仅对外地游客具有较高的吸引力，对本地游客而言也是较为重要的亲子休闲场所，因此，吸引人群类型与范围较广，可以反复参观游览。与其关联性最强的街区分别为东北门和东南门的游客休憩区（X124、X116）（图9），这表明在海底世界游览结束的人群大概率会在出入口的游客休憩区稍作歇息，因此，留下的定位点数据较多。东南门休憩区的支持度（0.028）远高于东北门休憩区（0.011）。据现场调查与分析发现，厦门海底世界南部紧邻龙头路商业街（图10），而龙头路商业街上的座椅等休憩设施较为缺乏，因此前往东南部休憩区的游客部分来自于厦门海底世界，部分来自于南部繁华的龙头路商业区[24]。
图9 第126号网络节点厦门海底世界关联规则

注：红色圆圈代表位于左侧和右侧街区的关联度，圆圈尺寸越大表明支持度越高，圆圈颜色越深代表提升度越高。

Fig. 9 Association rules of Xiamen Underwater World, No.126 network node

图10 第126号网络节点厦门海底世界空间联系

Fig. 10 Spatial connection of Xiamen Underwater World, No.126 network node

4.2.2 高支持度节点

支持度最高的节点为菽庄花园（X240）与日光岩（X42）所在街区。选择所有与菽庄花园（X240）关联的街区，分析其关联规则（图11）。当菽庄花园（X240）位于规则的右侧时，支持度最高的是与其相邻的菽庄旅游驿站（X0）（0.025）。菽庄旅游驿站是鼓浪屿文化旅游发展中心游客中心下设的3个服务点之一，其他2个为三丘田游客中心和内厝澳游客中心。该结果表明既到访过菽庄花园、又就近选择驿站服务的游客占比较大。置信度最高的是“黄家花园（X23）-皓月园（X24）”（0.562），表明到访过这两个景点的游客中，有50%以上概率会到访菽庄花园。黄家花园毗邻菽庄花园，而皓月园距离较远，因此，应加强三者之间的交通和导引。菽庄花园（X240）与观海园（X7）、延平公园（X4）、黄家花园（X23）、厦门图书馆鼓浪屿分馆（X18）、金沙洲（X14）、钢琴码头（X225）、皓月园（X24）、他城壹悦庭院海景别墅（X167）、日光海岸别墅酒店（X22）关联规则的提升度均大于1，说明菽庄花园与上述街区的相关性较高。其中，钢琴码头、他城壹悦庭院海景别墅、皓月园均距离菽庄花园较远（图12），应加强其在交通、设施与导引系统中的联系。
图11 第240号网络节点菽庄花园关联规则

注：红色圆圈代表位于左侧和右侧街区的关联度，圆圈尺寸越大表明支持度越高，圆圈颜色越深代表提升度越高。

Fig. 11 Association rules of Shuzhuang Garden, No.240 network node

图12 第240号网络节点菽庄花园空间联系

Fig. 12 Spatial connection of Shuzhuang Garden, No.240 network node

选择所有与日光岩（X42）关联的街区，分析其关联规则（图13）。当日光岩（X42）位于规则的右侧时，支持度最高为日光岩寺（X25）（0.039），其次为亚热带植物引种园观赏植物区（X58）（0.022）、林屋（X34）（0.020）以及钢琴码头（X225）-菽庄花园X240（0.018），均距离日光岩较近。日光岩作为鼓浪屿的最热门景点之一，其周边区域应进行整体打造，注重旅游项目的多样化，从而提升对游客的吸引力。
图13 第42号网络节点日光岩关联规则

注：红色圆圈代表位于左侧和右侧街区的关联度，圆圈尺寸越大表明支持度越高，圆圈颜色越深代表提升度越高。

Fig. 13 Association rules of Sunlight Rock, No.42 network node

与菽庄花园相同，置信度最高的是“黄家花园（X23）-皓月园（X24）”（0.566），表明到访过这2个景点的游客中，亦有50%以上概率会到访日光岩。这进一步印证了皓月园与其他热门景点的较强关联性。皓月园位于鼓浪屿的东南角，虽区位不佳却对游客具有较强的吸引力，后续应着重加强该景点与其他区域的联系（图14）。除了上述街区，日光岩（X42）与多数民宿酒店所在街区关联规则的提升度均大于1，存在较强的相关性。这其中大部分均为酒店，表明到访过日光岩的游客更倾向于在鼓浪屿留宿。
图14 第42号网络节点日光岩空间联系

Fig. 14 Spatial connection of sunlight rock, No.42 network node

4.2.3 高提升度节点

提升度较高的节点是浪荡山及山脚下酒店别墅（X87）。与浪荡山及山脚下酒店别墅（X87）关联最为紧密的是鼓浪屿沙滩（X205）（图15），提升度远大于1（3.310），为前30条关联规则中最高，表明二者不仅空间上毗邻，同时被游客到访的概率也较高。
图15 第87号网络节点浪荡山及山脚下酒店别墅关联规则

Fig. 15 Association rules of Langdang mountain and hotel villa at the foot of the mountain, No.87 network node

浪荡山位于鼓浪屿西部海岸边，位置较为偏远如图16所示。与其他景点间的关联度相对较低，和东侧的大众游览路线距离较远，导致来这里的游客可选择性较少，仅能到鼓浪屿沙滩游玩。后续除了通过优化游览路线、提升指引等措施增强浪荡山热门景点的联系，还应注重打造其本身的旅游产品和项目以提升吸引力。
图16 第87号网络节点浪荡山及山脚下酒店别墅空间联系

Fig. 16 Spatial connection of Langdang Mountain and hotel villa at the foot of the mountain, No.87 network node

4.3 旅游街区关联特征的异质性

为了基于不同旅游群体的空间行为特征分析旅游街区关联的异质性，需要将街区和不同属性的游客个体都作为节点构建网络。2-模网络允许存在2种类型的节点，因此，选择该类网络进行异质性分析，设置一类节点为不同属性的游客，二类节点为旅游街区，根据不同群体游客的空间行为构建2-模网络，以体现游客对节点选择的倾向性。2-模网络主要体现的是游客与街区之间的关联，构建该类网络之后，选取不同群体选择度最高的街区节点进行对比分析并空间可视化，从而发现街区关联的异质性特征。
预处理后的有效数据共包含18 603名游客，加之被选择频率最高的30个街区网络节点，2-模网络则共包括18 603+30个节点。在反复随机抽样、对比后发现其结果具有相似性，构建一个小规模的2-模网络。

4.3.1 基于性别的异质性特征

通过对比发现，男性游客更愿意前往酒店、餐饮等旅游服务设施，到访用地功能组合为“休憩+餐饮+野外休闲”模式，更多体现为居住式的旅游。在空间上，男性游客轨迹主要分布在鼓浪屿中部和西部的沿海区域（图17，图18）。而女性游客更愿意前往热门景点、文化旅游景点以及特色产品体验区域，到访用地功能组合为“热门景点+文化艺术体验+购物”模式，更多体现为打卡式旅游，空间上主要集中在鼓浪屿东南部。虽然以往研究发现女性游客步行经验比男性不足[17]，但在鼓浪屿这种步行旅游区，女性表现出更加踊跃的步行意愿。
图17 基于性别的2-模随机子网

Fig. 17 2-modular random subnet based on gender

图18 基于性别的节点选择倾向空间分布

Fig. 18 Spatial distribution of node selection tendency based on gender

4.3.2 基于年龄的异质性特征

各年龄段人群皆会前往日光岩（X42）、皓月园（X24）、钢琴码头（X225）、内厝澳码头（X162）等节点。16—25岁游客倾向于到访他城壹悦庭院海景别墅（X167）、柏文熊亲子度假酒店（X193）、浪荡山及山脚下酒店别墅（X87）、吴氏宗祠别墅（X131）、升旗山（X50）等节点。26—35岁游客更倾向于前往黄家花园餐厅（X23）、国民党善后救济总署（X46）、菽庄花园（X240）、林四喜·闽南传家菜（X86）、万国建筑博物馆（X75）、闽台特产城（X89）、龙头路商业街（X85）等节点。36—45岁游客更倾向于他城壹悦庭院海景别墅（X167）等节点。对比可见，16—24岁游客更加愿意到访户外休闲区和酒店等旅游服务区；26—35岁游客更愿意到访热门景点和特色体验区；36—45岁游客更加倾向前往旅游服务设施（图19，图20）。
图19 基于年龄的2-模随机子网

Fig. 19 2-modular random subnet based on age

图20 基于游客年龄特征的节点选择倾向空间分布

Fig. 20 Spatial distribution of node selection tendency based on age

4.3.3 基于客源地的异质性特征

由随机抽样结果可见，十一期间鼓浪屿大多为外地游客，本地游客较少。外地游客到访的均为热门景点，体现为“文化景点+购物商贸+住宿餐饮+特色体验”的打卡式旅游模式。在空间上，外地游客的轨迹覆盖区域较大，到访街区较为分散（图21，图22）。以往研究发现外地游客相比本地游客在景区中活动规律更加明显[18]，而在鼓浪屿，本地游客的行为特征也较为明显。由于本地游客多因特定目的出行，到访街区主要以户外休闲、艺术体验和宗教信仰功能为主，空间分布较为集中，主要位于鼓浪屿东南部的密集功能区，轨迹呈现出“单节点式”。
图21 基于客源地的2-模随机子网

Fig. 21 2-modular random subnet based on tourist source area

图22 基于游客客源地特征的节点选择倾向空间分布

Fig. 22 Spatial distribution of node selection tendency based on tourist source area

5 基于街区关联特征的旅游区规划路径

（1） 路径一：步行旅游区应寻求全域旅游模式下的差异化、特色化发展道路
在步行旅游区内，游客更多地选择邻近街区之间的游览路线，更倾向于逐个体验各个街区的特色与风情。因此，每个街区均存在较高的被选择可能性。为了从整体上提升步行旅游区内的游客体验，应以全域旅游发展模式为导向，对各个街区进行内涵挖掘、精准定位，并结合周边街区特征进行整片打造，为游客提供既具有连续性、有呈现出差异化的整体旅游体验。
（2） 路径二：核心景点附近的旅游服务功能仍需进一步强化
在旅游区内，网络联系性最强的节点一般为核心景点所在街区。然而研究发现，某些核心景点虽然与其他核心景点存在较强的关联，但到访这里的游客反而更倾向于选择距离较远的旅游服务设施。例如，游览过西南部菽庄花园的游客更多选择在东北部他城壹悦庭院海景别墅住宿，而未选择附近的酒店或民宿。因此，应进一步加强热门旅游区域位于边缘区的核心景点周边的旅游服务功能，从而提升游客的一站式旅游体验。
（3） 路径三：远离热门区域的景点应整合周边资源进行组团式发展
研究发现较多位置偏远的景点，与其他景点间的关联度相对较低，导致来这里的游客可选择性较少，但该类景点与周边的服务设施联系紧密。因此，远离热门区域的景点应寻求组团式发展的可能性，增设多样旅游路线，注重打造其本身的旅游产品和项目以提升吸引力，并强化景点服务内容以及与周边景点、设施之间的组织联系，形成具有自身特色的旅游区域，增强对游客的吸引力。
（4） 路径四：针对不同群体制定更加明确且完善的旅游服务产品
鼓浪屿作为慢生活体验区，虽为游客提供了较为多样的旅游服务，但是每类服务针对的群体特征不够明确，服务产品特色与质量仍需加强。例如，男性游客倾向于在海边、林地等野外休闲区域活动，但沿海区域的体验项目和配套设施略显不足，不能较好的满足男性群体的休闲和运动需求。慢生活体验区、观光打卡区、户外运动休闲区、历史文化街区等各类区域服务的对象、产品类型进一步明确，并在此基础上完善相关的配套设施，从而针对性的提供特色化旅游体验。

6 结论与讨论

6.1 结论

本研究基于LBS轨迹数据，使用复杂网络与关联规则算法将游客空间行为与旅游街区进行空间耦合，发现游客空间行为视角下旅游街区之间的关联特征，并深入分析不同旅游人口特征所导致的关联特征差异。研究发现：
（1） 在信息和数字时代，人对于空间的探索与体验不断扩展。“复杂网络+关联规则”算法可以挖掘游客随机行为中的隐藏规律，有效剖析旅游街区之间显性和隐性的关联规则，发现难以直接观察到的强关联要素，细化各类游客的空间行为偏好，为城市更新背景下的旅游区用地整合、结构优化和游览线路调整提供决策参考，对于构建智慧旅游体系具有现实意义。
（2） 在游客空间行为轨迹网络中，各街区兼具“中心”与“枢纽”作用。游客表现为多节点式、链式旅游的空间行为模式。中心度较强的节点包括热门景点、受大众青睐的餐饮住宿和通行率较高的交通设施所在街区。位于边缘区域的景点与旅游设施的被选择度较低。游客多表现为短距离、邻近街区之间的空间行为特征。
（3） 既服务于本地游客又服务于外地游客的热门旅游街区表现出强关联规则。对外地游客具有较强吸引力的热门景点表现出较高的支持度，表明在整个旅游系统中被选择的概率较高；具有特色的旅游设施用地表现出较高的提升度，表明该类街区常与其他街区被一同到访，是旅游线路中重要的节点。
（4） 虽然相邻街区的关联度较高，但某些具有同质性的旅游景点，尤其是历史人文景点，虽然空间距离较远，相互之间的关联性依然较强。因此，在难以改变空间布局的情况下，应注重加强关联性较强的同质景点在道路交通、旅游导引与服务设施上的联系，打造完整而流畅的旅游线路。
（5） 人口特征的差异在旅游街区关联规则中表现显著。男性游客更倾向于居住式旅游，而女性游客热衷于打卡式旅游。在26~35岁游客的空间行为轨迹网络中，热门景点和特色体验区之间的关联性更强。外地游客空间行为加强了“文化景点+购物商贸+住宿餐饮+特色体验”的打卡式旅游模式，而本地游客多因特定目的出行，空间分布较为集中。

6.2 讨论

本研究证实了Lew等[14]的结论，游客路线选择差异较大，且沿途目的地的重要性各不相同。由基于游客空间行为的鼓浪屿街区网络结构可以发现，各街区节点的中心度差异较大，中心度较强的节点功能类型明显。Lew等[14]认为节点可以表现出一种或多种目的地类型的特征，包括单一目的地、旅游目的地、枢纽目的地等。本研究结果进一步细化了这种目的地的划分，鼓浪屿街区兼具“中心”与“枢纽”作用，并非单一的目的地类型，游客表现为多节点式、链式旅游的空间行为模式。此外，本研究关于异质性的结论与以往研究有所不同[17-18]，例如，本地游客与外地游客的活动规律同样具有显著特征。以上结论有助于强化游客空间行为与街区网络结构的理论基础，并在一定程度上补足对于游客空间行为异质性的认知。
本研究尚存在以下不足：首先，针对鼓浪屿的研究结论较为具体，后续应扩大案例研究，加强对于研究结论的验证，从而提升研究结论与分析框架的广泛性；其次，关联规则只表示规则前件和后件中的项明显地同时出现，并不代表因果关系，难以进行因果关系的推论。后续可在当前研究框架的基础上，进一步丰富游客行为要素，并使用因果识别等前沿分析方法探索用地关联规则的影响因素与作用路径，从而为旅游区的优化布局以及未来规划的预测与研判提供理论支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Mou N X, Yuan R Z, Yang T F, et al. Exploring spatio-temporal changes of city inbound tourism flow: The case of Shanghai, China[J]. Tourism Management, 2020, 76:103955. DOI:10.1016/j.tourman.2019.103955

[2]
Vu H Q, Li G, Law R, et al. Exploring the travel behaviors of inbound tourists to Hong Kong using geotagged photos[J]. Tourism Management, 2015, 46:222-232. DOI:10.1016/j.tourman.2014.07.003

[3]
林岚, 许志晖, 丁登山. 旅游者空间行为及其国内外研究综述[J]. 地理科学, 2007, 27(3):434-439.

DOI

[ Lin L, Xu Z H, Ding D S. Spacial behavior of tourists research[J]. Scientia Geographica Sinica, 2007, 27(3):434-439. ] DOI:10.3969/j.issn.1000-0690.2007.03.025

[4]
刘艳平, 保继刚, 黄应淮, 等. 基于GPS数据的自驾车游客时空行为研究——以西藏为例[J]. 世界地理研究, 2019, 28(1):149-160.

[ Liu Y P, Bao J G, Huang Y H, et al. Study on spatio-temporal behaviors of self-driving tourists based on GPS data: A case study of Tibet[J]. World Regional Studies, 2019, 28(1):149-160. ]

[5]
杨敏, 李君轶, 杨利. 基于旅游数字足迹的城市入境游客时空行为研究——以成都市为例[J]. 旅游科学, 2015, 29(3):59-68.

[ Yang M, Li J Y, Yang L. The study on spatio-temporal behaviors of inbound tourists based on tourists' digital footprints: A case study of Chengdu[J]. Tourism Science, 2015, 29(3):59-68. ] DOI:10.16323/j.cnki.lykx.2015.03.005

[6]
黄潇婷, 张晓珊, 赵莹. 大陆游客境外旅游景区内时空行为模式研究——以香港海洋公园为例[J]. 资源科学, 2015, 37(11):2140-2150.

[ Huang X T, Zhang X S, Zhao Y. A study on the temporal and spatial behavioral patterns of mainland Chinese tourists in overseas tourist attractions: a case study of Hong Kong ocean park[J]. Resources Science, 2015, 37(11):2140-2150.] DOI:CNKI:SUN:ZRZY.0.2015-11-006

[7]
张丽娜, 李仁杰, 张军海, 等. 位置照片表征的景区游客拍照行为时空模式[J]. 旅游科学, 2020, 34(1):88-103.

[ Zhang L N, Li R J, Zhang J H, et al. Spatial and temporal patterns of tourists' photographing behavior represented by location photos[J]. Tourism Science, 2020, 34(1):88-103. ]

[8]
荣慧芳, 陶卓民, 李涛, 等. 基于网络数据的苏南乡村旅游客源市场时空特征及影响因素分析[J]. 地理与地理信息科学, 2020, 36(6):71-77.

[ Rong H F, Tao Z M, Li T, et al. Spatial-temporal evolution and influencing factors of rural tourist market in southern Jiangsu based on network data[J]. Geography and Geo-Information Science, 2020, 36(6):71-77. ] DOI:10.3969/j.issn.1672-0504.2020.06.011

[9]
吴莞姝, 党煜婷, 钮心毅. 基于手机定位数据的游客步行行为特征及与旅游区功能布局关系研究[J]. 地球信息科学学报, 2023(6):1-17.

[ Wu W S, Dang Y T, Niu X Y. Research on the walking behavior characteristics of tourists based on mobile phone positioning data and its relationship with the functional layout of tourist areas[J]. Geo-Information Science, 2023(6):1-17. ] DOI:10.12082/dqxxkx.2022.220546

[10]
苏红霞, 张雪, 艾欣, 等. 基于UGC数据的乌兹别克斯坦国际游客行为时空特征研究[J]. 世界地理研究, 2019, 28(3):213-222.

[ Su H X, Zhang X, Ai X, et al. A study on spatio-temporal behavior of international tourists in Uzbekistan based on User Generated Content[J]. World Regional Studies, 2019, 28(3):213-222. ] DOI:10.3969/j.issn.1004-9479.2019.03.2017365

[11]
杨兴柱, 蒋锴, 陆林. 南京市游客路径轨迹空间特征研究——以地理标记照片为例[J]. 经济地理, 2014, 34(1):181-187.

[ Yang X Z, Jiang K, Lu L. Urban tourist path trajectory spatial characteristics—An empirical analysis of geotagged photos[J]. Economic Geography, 2014, 34(1):181-187. ] DOI:10.15957/j.cnki.jjdl.2014.01.029

[12]
李渊, 刘嘉伟, 严泽幸, 等. 基于卫星定位导航数据的景区旅游者空间行为模式研究——以鼓浪屿为例[J]. 中国园林, 2019, 35(1):73-77.

[ Li Y, Liu J W, Yan Z X, et al. Spatial behavior patterns of tourists based on satellite navigation data—a case study of gulangyu[J]. Chinese Landscape Architecture, 2019, 35(1):73-77. ] DOI:10.3969/j.issn.1000-6664.2019.01.014

[13]
张骏, 古风, 卢凤萍. 城市旅游空间行为路径分析及优化——以南京市为例[J]. 地理与地理信息科学, 2011, 27(1):85-89.

[ Zhang J, Gu F, Lu F P. Analysis and optimization of city tourism spatial behavior path: A case study of Nanjing[J]. Geography and Geo-Information Science, 2011, 27(1):85-89. ]

[14]
Lew A, Mckercher B. Trip destinations, gateways and itineraries: the example of Hong Kong[J]. Tourism Management, 2002, 23(6):609-621. DOI:10.1016/S0261-5177(02)00026-2

[15]
黄潇婷. 基于时间地理学的景区旅游者时空行为模式研究——以北京颐和园为例[J]. 旅游学刊, 2009, 24(6):82-87.

[ Huang X T. A study on temporal-spatial behavior pattern of tourists based on time-geography science—a case study of summer Palace, Beijing[J]. Tourism Tribune, 2009, 24(6):82-87. ] DOI:10.3969/j.issn.1002-5006.2009.06.019

[16]
吴静, 杨兴柱, 孙井东. 基于新地理信息技术的南京市游客流动性空间特征研究[J]. 人文地理, 2015, 30(2):148-154.

[ Wu J, Yang X Z, Sun J D. The spatial characteristics of tourist flows in Nanjing based on the new geographic information technology[J]. Human Geography, 2015, 30(2):148-154. ] DOI:10.13959/j.issn.1003-2398.2015.02.022

[17]
王章郡, 温碧燕, 方忠权, 等. 徒步旅游者的行为模式演化及群体特征分异——基于 “方法-目的链” 理论的解释[J]. 旅游学刊, 2018, 33(3):105-115.

[ Wang Z J, Wen B Y, Fang Z Q, et al. Change of behavior patterns and differentiation of group characteristics of hiking tourists: Explanation based on means-end chain theory[J]. Tourism Tribune, 2018, 33(3):105-115. ] DOI:10.3969/j.issn.1002-5006.2018.03.015

[18]
张子昂, 黄震方, 靳诚, 等. 基于微博签到数据的景区旅游活动时空行为特征研究——以南京钟山风景名胜区为例[J]. 地理与地理信息科学, 2015, 31(4):121-126.

[ Zhang Z A, Huang Z F, Jin C, et al. Research on spatial-temporal characteristics of scenic tourist activity based on sina microblog: A case study of Nanjing Zhongshan Mountain National Park[J]. Geography and Geo-Information Science, 2015, 31(4):121-126. ] DOI:10.3969/j.issn.1672-0504.2015.04.024

[19]
苏红霞. 英国旅游者出游年龄规律研究[J]. 人文地理, 2012, 27(1):156-160.

[ Su H X. On the age patterns of British tourists[J]. Human Geography, 2012, 27(1):156-160. ] DOI:10.13959/j.issn.1003-2398.2012.01.026

[20]
钟章奇, 李山, 张秀云, 等. 旅游者中位年龄的几个市场指示意义[J]. 旅游学刊, 2013, 28(7):73-81.

[ Zhong Z Q, Li S, Zhang X Y, et al. Several implications of tourist Median age in the tourism market[J]. Tourism Tribune, 2013, 28(7):73-81. ]

[21]
马丽君, 何镜如, 王哲. 我国城镇人口年龄结构变化对城镇旅游发展的影响[J]. 经济地理, 2014, 34(10):157-163.

[ Ma L J, He J R, Wang Z. Effects of changes in the age structure of urban population in China on the development of tourism[J]. Economic Geography, 2014, 34(10):157-163. ]

[22]
张丽峰. 我国人口结构对旅游消费的动态影响研究[J]. 干旱区资源与环境, 2015, 29(3):193-198.

[ Zhang L F. The impact of population structure dynamic on the tourism consumption in China[J]. Journal of Arid Land Resources and Environment, 2015, 29(3):193-198. ] DOI: 10.13448/j.cnki.jalre.2015.104

[23]
Newsome D, Moore S A, Dowling R K. Natural area tourism: Ecology, impacts, and management[M]. Channel View Publications. 2013. DOI:10.1016/j.jort.2013.09.008

[24]
Marion J L, Leung Y F, Eagleston H, et al. A review and synthesis of recreation ecology research findings on visitor impacts to wilderness and protected natural areas[J]. Journal of Forestry, 2016, 114(3):352-362. DOI:10.5849/jof.15-498

[25]
Ziesler P S, Pettebone D. Counting on visitors: A review of methods and applications for the National Park service’s visitor use statistics program[J]. Journal of Park and Recreation Administration, 2018, 36(1):39-55. DOI: 10.18666/jpra-2018-v36-i1-8104

[26]
Carvalho Ribeiro S, Migliozzi A, Incerti G, et al. Placing land cover pattern preferences on the map: Bridging methodological approaches of landscape preference surveys and spatial pattern analysis[J]. Landscape and Urban Planning, 2013, 114:53-68. DOI:10.1016/j.landurbplan.2013.02.011

[27]
韩冬, 黄丽华. 基于旅游数字足迹的旅游流网络结构研究——以内蒙古自治区为例[J]. 干旱区资源与环境, 2018, 32(3):192-197.

[ Han D, Huang L H. Study on the structure of tourism flow based on tourism digital footprints—a case Inner Mongolia Autonomous Region[J]. Journal of Arid Land Resources and Environment, 2018, 32(3):192-197. ]

[28]
王朝辉, 汤陈松, 乔浩浩, 等. 基于数字足迹的乡村旅游流空间结构特征——以浙江省湖州市为例[J]. 经济地理, 2020, 40(3):225-233,240.

[ Wang C /zh, Tang C S, Qiao H H, et al. Spatial structure characteristics of rural tourism flow based on digital footprint: Taking Huzhou city in Zhejiang Province for example[J]. Economic Geography, 2020, 40(3):225-233,240. ] DOI:10.15957/j.cnki.jjdl.2020.03.025

[29]
Hagishima S, Mitsuyoshi K, Kurose S. Estimation of pedestrian shopping trips in a neighborhood by using a spatial interaction model[J]. Environment and Planning A, 1987, 19:1139-1152. DOI:10.1068/a191139

[30]
李渊, 杨璐, 高小涵. 鼓浪屿街道空间体验分析与提升策略[J]. 规划师, 2019, 35(14):24-31.

[ Li Y, Yang L, Gao X H. Preference and spatial improvement strategies of street space of gulangyu island[J]. Planners, 2019, 35(14):24-31. ] DOI:10.3969/j.issn.1006-0022.2019.14.004

[31]
祖武, 李渊, 王绍森. 空间行为特征与商业业态分析——以厦门鼓浪屿龙头路为例[J]. 华中建筑, 2019, 37(9):88-93.

[ Zu W, Li Y, Wang S S. Spatial behavior characteristics and business format analysis: A case study of the leading road in gulangyu islet, Xiamen[J]. Huazhong Architecture, 2019, 37(9):88-93. ]

[32]
Lee M, Khelifa A, Garrow L A, et al. An analysis of destination choice for opaque airline products using multidimensional binary logit models[J]. Transportation Research Part A: Policy and Practice, 2012, 46(10):1641-1653. DOI:10.1016/j.tra.2012.08.009

[33]
张凌云. 旅游地引力模型研究的回顾与前瞻[J]. 地理研究, 1989, 8(1): 76-87.

DOI

[ Zhang L Y. Review and prospect of research on tourist gravity models[J]. Journal of Geographical Research, 1989, 8(1):76-87.] DOI:10.11821/yj1989010011

[34]
王灿, 王德, 朱玮, 等. 离散选择模型研究进展[J]. 地理科学进展, 2015, 34(10):1275-1287.

DOI

[ Wang C, Wang D, Zhu W, et al. Research progress in discrete choice models[J]. Progress in Geography, 2015, 34(10):1275-1287.] DOI:10.18306/dlkxjz.2015.10.008

[35]
Agrawal R, Imielinski T, Swami A. Database mining: A performance perspective[J]. IEEE Transactions on Knowledge and Data Engineering, 1993, 5(6):914-925. DOI: 10.1109/69.250074

[36]
Mattiev J, Kavšek B. A compact and understandable associative classifier based on overall coverage[J]. Procedia Computer Science, 2020, 170:1161-1167. DOI:10.1016/j.procs.2020.03.050

[37]
张妍妍, 李君轶, 杨敏. 基于旅游数字足迹的西安旅游流网络结构研究[J]. 人文地理, 2014, 29(4):111-118.

[ Zhang Y Y, Li J Y, Yang M. The tourism flow network structure of Xi'an based on tourism digital footprint[J]. Human Geography, 2014, 29(4):111-118. ]

[38]
Freeman L C. A set of measures of centrality based on betweenness[J]. Sociometry, 1977, 40(1): 35. DOI:10.2307/3033543

[39]
Freeman L C. Centrality in social networks conceptual clarification[J]. Social Networks, 1978, 1(3):215-239. DOI:10.1016/0378-8733(78)90021-7

Options
文章导航

/

〈 〉