EN中文

Journal of Geo-information Science >

2024 , Vol. 26 >Issue 2: 408 - 423

DOI: https://doi.org/10.12082/dqxxkx.2024.230042

Understanding the Dining Behavior of Foodie Tourists under the Influence of Travel Partner Effects

  • MOU Naixia , 1 ,
  • BIAN Shudi 1 ,
  • WANG Yanci 1 ,
  • ZHANG Lingxian , 1, * ,
  • ZHENG Yunhao 2 ,
  • Teemu Makkonen 3 ,
  • YANG Tengfei 4
Expand
  • 1. College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China
  • 2. Institute of Remote Sensing and Geographical Information Systems, School of Earth and Space Sciences, Peking University, Beijing 100871, China
  • 3. Karelian Institute, University of Eastern Finland, Joensuu FI-80101, Finland
  • 4. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
*ZHANG Lingxian, Email:

Received date: 2023-02-03

  Revised date: 2023-05-02

  Online published: 2024-03-27

Supported by

National Natural Science Foundation of China(42171460)

Fold

Abstract

Food attracts a large number of foodie tourists to travel together. Although previous research has discussed food tourism mainly from the point of view of customer satisfaction, there is still an evident gap in our knowledge about the travel behavior of foodie tourists and the influences of their travel partners on travel patterns. This paper uses travel diary data from Qunar.com and takes foodie tourists in Chongqing, China as an example to analyze the influence of travel partner types on tourists' "dining trajectories". In this paper, we proposed a research framework for the dining behavior characteristics of foodie tourists from the perspective of travel partners based on travel diaries. As restaurants have the characteristics of various categories and dense distribution, the characteristics of tourists' dining behavior were explored from two aspects: food types and spatial distribution of restaurants. Firstly, the foodie tourists' dining behavior network (the flow network between food types and the flow network between restaurants) was constructed. Secondly, the social network analysis of food network was carried out, and the changes of community relationship between food types were explored by community detection and the results of food network structure index analysis. Then the social network analysis of the restaurant network was carried out, and foodie tourists' dining behavior characteristics were explored by structural indicators of the restaurant network. The results show that: (1) The food network characteristics of tourists with different travel partner roles differed significantly. The nodes of food network of solo tourist (no travel partners) were not connected closely, while the food network of other travel partner role showed obvious small-world characteristics; (2) The role of travel partners influenced tourists' choice of specialty food types. In particular, solo tourists showed a "passive and conservative" type of dining, tourists with three or five friends showed a "try all the specialties" type of dining, and tourists with other travel partner roles showed a "casual/interesting" dinning behavior; (3) The characteristics of restaurant network of tourists with different travel partner roles differed significantly. The restaurant network of travel partners as a couple showed obvious small-world characteristics, while the nodes of restaurant network of other travel partner roles were not connected closely. The results provide basis for destination marketing organizations to formulate marketing material and dining route recommendations for foodie tourists. In the future, it is necessary to understand the impact of interpersonal relationships on human mobility and develop spatiotemporal analysis theory and models for dealing with mobile location big data.

Key words： food tourism; travel diary; travel partner role; social network; dining behavior; food type; restaurant; Chongqing

Cite this article

MOU Naixia , BIAN Shudi , WANG Yanci , ZHANG Lingxian , ZHENG Yunhao , Teemu Makkonen , YANG Tengfei . Understanding the Dining Behavior of Foodie Tourists under the Influence of Travel Partner Effects[J]. Journal of Geo-information Science, 2024 , 26(2) : 408 -423 . DOI: 10.12082/dqxxkx.2024.230042

1 引言

旅游和食物有着密切的联系[1]。食物作为旅游业的重要组成部分[2]，占据游客旅程花销的四分之一，甚至更多[3]。2000年以来，旅游营销组织（DMOs）逐渐意识到可以利用食物吸引游客并增强游客在目的地的体验感[4]，随后，美食旅游（以体验食物为目的的旅游活动）成为旅游研究的热门主题[5]。2018年，Ellis等[6]从文化人类学角度对美食旅游进行概念性的总结，为美食旅游研究提供了概念支持。
美食旅游研究分为2个阶段。① 早期的美食旅游研究集中在供给侧[7]多关注美食对旅游目的地的营销作用，探讨单一美食（葡萄酒[8]、啤酒[9]等）对当地旅游业发展的影响[10]，借助场理论[11]、MOA理论[12]等方法探讨美食节对旅游业的作用。还有学者利用美食的心理学效应为当地旅游业的发展提供依据，以增强目的地美食旅游的竞争力[13-14]。② 近年来，研究视角逐渐转移到需求侧，开始关注美食游客的感受。Robinson等将美食爱好者与一般人群进行甄别，明确美食游客特征[15]。已有美食旅游研究侧重于探讨游客的旅行体验[16]和就餐偏好[17]，缺少对游客就餐移动行为特征的关注[18]。研究游客就餐移动行为不仅能够获取游客就餐行为模式，还可以进一步理解游客视角下旅游地的美食关联结构，为旅游目的地旅游景点管理、餐饮规划与服务提供数据支撑和科学依据。
传统的移动行为研究多采用调查问卷[19]的形式，然而调查问卷数据需要大量人力和时间投入。随着社交媒体平台的发展，地理标记照片[20]、GPS[21]、评论文本[22]、游记数据[23]等众源数据[24]为旅游移动行为研究提供了新的数据源。其中，游记数据包含了餐厅（POI）以及游客旅行感受信息，为游客时空行为模式[25]、旅行体验[26]、情感分析[27]等研究提供了新的数据和视角。早期关于游客行为的研究方法多采用相关性分析[28]、马尔科夫链[29]、聚类分析[30]等空间分析方法，忽略了由游客移动行为产生的兴趣点之间的空间关联关系，而社会网络分析[31]方法的引入可以有效解决该问题。如Mou等[32]使用社会网络分析方法探讨了青岛市旅游流的空间模式。旅游流[33]在游客空间行为研究中扮演了重要角色[34]，投射到美食旅游中，是游客在餐厅之间的流动，是研究游客美食活动空间移动行为模式的关键。
游客行为大多是与旅游同伴沟通协商的结果[35]，旅伴对旅游行为的影响引起了关注[36]。已有研究证实，同伴是影响游客旅游行为[37]和旅行体验[38]的因素。美食作为游客在旅途中最乐意分享的事物之一，促进了游客同旅伴的沟通，增强了游客旅途的幸福感[39]。Schmit等[40]从饮食障碍问题上探讨了同伴的作用和潜在意义，证实了同伴在就餐活动中的价值。旅伴作为旅游活动中最直接的分享对象[41]，探讨不同旅伴角色的游客就餐行为差异变得至关重要。
总的来说，现有美食旅游研究缺少游客就餐行为特征的分析，且忽视了旅伴的影响。本文选取被誉为中国火锅之都的重庆市进行研究，引入社交媒体数据，从网络视角探讨旅伴效应下的游客就餐行为特征，以期从人群移动视角探讨美食旅游中的旅伴效应。

2 研究方法

通过获取网络游记数据以及餐厅POI信息，对数据进行清洗并构建就餐行为数据集，基于旅伴信息对游记数据进行分类，结合餐厅特色及多个本地生活消费平台上的餐厅信息提取食物类型，使用邻接矩阵和OD矩阵分别生成游客就餐的食物网络和餐厅网络。采用社会网络分析法分析食物网络以探究游客在不同食物类型之间的移动及食物类型之间的交互关系，分析餐厅网络计算餐厅网络结构指标探究游客就餐空间移动特征。具体方法及其逻辑关系如图1所示。
图1 研究框架

Fig. 1 Research framework

社会网络分析法用于分析社会网络的关系结构及其属性，能够对节点之间的关系进行精确的量化分析。本文使用该方法探讨由游客就餐移动行为引起的餐厅（食物类型）节点之间的交互作用。将餐厅（食物类型）抽象为节点，游客的流动具象成边，移动频次为权重。根据节点和边信息，使用邻接矩阵构建就餐流动网络。选取中心性、平均聚类系数、平均路径长度等指标来评估网络结构，使用社区探测挖掘网络中节点的聚集现象。
（1）中心性
中心性用于分析节点在网络中的中心地位以及关键程度，包括度中心性、中介中心性和接近中心性3个指标。其中，度中心性（式（1））是描述网络中节点中心性最直接的度量指标，说明节点在网络中的重要性，主要用于检测食物网络和餐厅网络中的核心节点；中介中心性（式（2））是指在网络中一个节点在所有最短路径中出现的频率，即经过某个节点的最短路径数目来刻画节点的重要性。该指标用于找出餐厅网络中充当中介者角色的餐厅节点；接近中心性（式（3））主要用于分析具体节点与其他节点之间的接近程度，如果一个节点的接近中心性数值较高，说明该节点和较多节点有着直接联系，该指标能够帮助发现餐厅网络中和其他餐厅节点直接关联关系较强的餐厅节点。
C D ( N i ) = ∑ J = 1 g x i j                     ( i ≠ j )
式中： C D ( N i )表示节点（餐厅、食物类型节点）i的度中心性； ∑ J = 1 g x i j用于计算节点i与其他g-1个j节点之间的直接联系的数量。
B C i = ∑ s ≠ i ≠ t n s t i g s t
式中: n s t i表示经过节点s到节点t之间经过节点i的最短路径的路径数量，2家餐厅之间（s和t）通过餐厅i时的最短路径数； g s t表示连接节点s和节点t的最短路径的路径数量，即餐厅节点s和t直接连通的最短路径数。
  C C i = 1 1 N - 1 ∑ j = 1 N d i j
式中： C C i表示接近中心度； d i j表示节点i到节点j的距离（2个节点之间的直接连通距离设定为1），即2家餐厅节点之间的连通路径数。
（2）平均聚类系数
聚类系数可以理解为网络中某一节点的邻接节点之间相互连接的程度。平均聚类系数是网络中所有节点的聚类系数的平均值，用于衡量网络节点关联的紧密程度，是评价网络内部节点交流效率的重要参考指标，具体可以用于分析食物网络和餐厅网络中各节点之间的关联程度，结合平均路径长度指标可以判断网络的小世界效应。
C - = 1 n ∑ i = 1 n 2 R i k i ( k i - 1 )
式中： C -为平均聚类系数； n为网络中食物类型或者餐厅的总数； R i为食物类型（餐厅）节点i邻节点的关系数（三角形计数）； k i为节点i的度值。
（3）平均路径长度
网络的平均路径长度（也称特征路径长度或平均距离）L就是任意2个节点之间距离的平均值。反映了任意节点之间的平均距离以及网络的整体效率，用于说明2家餐厅之间连通需要借助的平均节点数。
L = 1 1 2 N ( N - 1 ) ∑ i ≥ j d i j
式中： N为节点数； d i j表示餐厅i和餐厅j之间可以连通的路径（本文认定网络中2个相连节点之间的路径长度为1）长度。
（4）社区探测
复杂的流动网络中存在一些内部联系紧密的次级团体，这些团体被称为社区。本文使用Louvain算法[42]探测社区结构，它是一种基于模块度[43]的社区发现算法。该算法先将节点自身作为社区标签，每个节点遍历自己的所有邻居节点，尝试将自己的社区标签更新成邻居节点的社区标签，选择模块度增量最大(贪婪思想)的社区标签，直到所有节点都不能通过改变社区标签来增加模块度。因此，模块度作为度量网络社区划分优劣的量化标准，成为社区探测评价中一种常用指标。本文使用社区探测探究食物类型之间的关联关系，以此分析游客的就餐食物类型结构。
Q = 1 2 m ∑ i , j A i j - k i k j 2 m δ ( c i ,   c j )
式中： m表示食物网络中所有边的权重之和（边的数目）；i、j表示不同的食物类型节点； A i j表示该网络中节点i和节点j之间交互的频次； k i表示所有与节点i相连的边的权重之和（度数）； c i表示节点i所属的社区， ( c i ,   c j )表示2个社区是否一致，若社区一致，则 δ ( c i ,   c j )为1，否则为0。

3 研究区概况、数据来源及预处理

3.1 研究区概况

重庆地处中国西南部，背靠四川省，总面积8.24万km2。重庆是渝菜的发源地，也是火锅的发源地之一，于2007年3月被中国烹饪协会授予“中国火锅之都”的美誉。重庆饮食文化喜麻辣，以使用各种材料创作新菜为优势。重庆地方菜以味型鲜明，主次有序为特色，又以麻、辣、鲜、嫩、烫为重点，吸引了大量美食爱好者，因此选取重庆市作为研究区域对游客就餐行为进行分析。

3.2 数据来源与预处理

数据来自于全球最大的中文在线旅行网站去哪儿网（https://www.qunar.com/）。该平台提供的游记数据不仅包含基础信息，还包含游客自发填写的出行时间、旅伴角色（游记数据包含5种旅伴角色：独自一人、闺蜜（指2名及以上女性游客同行）、家庭、情侣、三五好友（指2名及以上性别不唯一的游客同行））、人均消费等信息。本文获取了重庆市2012—2020年831篇以美食为主题的地理标记游记（表1）和重庆市的餐厅数据。因原始数据中存在许多非餐厅的节点信息，所以需要进行预处理，本文采取的处理规则为：① 去除非餐厅节点；② 去除孤点，提取出647篇有效游记数据和游记涉及的424家餐厅信息（图2）。由于需要考虑游客在不同食物类型之间的移动特征，游记数据无法提供餐厅的食物类型信息，因而结合餐厅特色菜品以及本地生活消费平台提取食物类型，最终统计得到有效食物类型41类（详细类目如图3（f）所示）。
表1 网络游记数据示例

Tab. 1 Example records of online travel diaries

用户ID 游记ID 出行时间 旅伴角色 途中餐厅POI序列
186091972@qunar 5530681 2014-10-01 家庭 6070128；9195332；6852971；8016406…
160294179@qunar 7438399 2018-10-01 情侣 33236336；17975509；23480649；27582399…
171774996@qunar 7443083 2018-11-12 三五好友 3396427；6603853；3392592；6874328
238865295@qunar 6817707 2017-04-29 独自一人 14476019；11686767；16271967；13944207…
162778022@qunar 7627441 2020-10-04 闺蜜 16993010；6834944；11686506；14527923
图2 重庆市网络游记涉及的餐厅分布

Fig. 2 The location of Chongqing and the restaurants included in the data

图3 游客食物类型流动变化

Fig. 3 The food types explored by tourists travelling with different types of partners

4 结果分析

4.1 旅伴效应下游客就餐引起的食物网络结构差异

4.1.1 构建不同旅伴角色的食物网络

游客在同一位置的附近有多家餐厅可以选择，而此时餐厅的食物类型可能会影响游客就餐的选择。因此本文以餐厅的食物类型作为变量，分析游客在不同食物类型之间的转移特征。
图3反映了不同旅伴角色游客在食物类型之间的转移，箭头代表游客2次就餐活动在食物类型之间的转移方向，连接线的宽度表明食物类型之间的转移比例。图中可见重庆火锅、川菜、特色小吃、面馆、酸辣粉5种食物类型占据较高比例，彼此之间交互密切，说明游客选择就餐食物类型时容易受到旅游地饮食文化的影响。其中，独自一人和旅伴角色为情侣的游客在重庆火锅和重庆火锅之间交互最为频繁，分别占据网络的6.5%、8.8%；旅伴角色为闺蜜、家庭、三五好友的游客在重庆火锅和川菜之间来往密切，频率高达6%、5.5%、8.2%。以上食物类型中，川菜和重庆火锅之间的交互占据了整体网络的18.4%，由此可见，赴重庆市美食旅游的游客主要以体验川菜和重庆火锅为主。

4.1.2 不同旅伴角色下的食物网络结构评估

通过计算食物网络结构指标对网络进行评估，如表2所示。不同旅伴角色食物网络中的节点数量占据总体食物类型的半数或以上，统计发现不同旅伴角色下的食物网络中的节点重复率达34.1%，说明游客在选择食物类型时存在一定相似性，这表明重庆美食具有明显的代表性食物，不同旅伴角色游客均倾向选择旅游地具有代表性的食物类型。从网络平均度上看，情侣网络的平均度为6.16，远高于其他网络，表明一次旅行中旅伴角色为情侣的游客食物选在类型种类更多。由平均加权度数值可见，三五好友网络的平均加权度最高，为7.857，说明旅伴角色为三五好友的游客在不同食物类型之间流动更加频繁。从平均聚类系数指标可见，独自一人网络的平均聚类系数处于较低水平，节点之间联系的紧密程度较低，说明独自旅行的游客在就餐选择食物类型时目的性较弱，群体偏好差异明显，食物类型之间呈现单次链接，无明显聚集现象。而其他网络的平均聚类系数相对较高，节点之间联系的紧密程度高，说明网络形成明显的社区，游客更倾向于选择同一个社区的食物类型。
表2 不同旅伴角色游客食物类型流动网络结构指标

Tab. 2 The network structure indicators for the food types sampled by foodie tourists travelling with different travel partner types

旅伴角色 节点数/个 平均度 平均加权度 平均聚类系数
独自一人 28 3.286 5.536 0.548
闺蜜 21 3.000 5.619 0.659
家庭 20 3.000 5.500 0.703
情侣 25 6.160 6.360 0.647
三五好友 28 3.571 7.857 0.599
计算游客食物网络的度中心性指标分析网络中的关键食物类型（图4）。由图4可见，不同旅伴角色食物网络的度中心性大致呈现递减走向，可见游客就餐偏好具有目的地特色的食物类型。特色不明显的食物类型在游客食物网络中处于劣势地位，如自助餐、烤肉、包子等。独自一人、闺蜜、情侣、三五好友网络的度中心性峰值位于重庆火锅，反映出重庆火锅节点在以上网络中的核心地位；家庭网络的度中心性峰值位于川菜和特色小吃，可见旅伴角色为家人的游客更偏好口味丰富的食物类型，可能是家庭成员的年龄段差异较大，在就餐选择时需要综合考虑群体对食物类型的接受度，重庆火锅口味辛辣，不同年龄人群对辛辣的耐受力不同[44]，因此川菜和特色小吃取代重庆火锅而在家庭食物网络中占据优势地位。
图4 不同旅伴角色食物网络度中心性变化

Fig. 4 Degree centrality of food types per different travel partner types

4.2 旅伴效应下游客就餐引起的特色食物关系差异

4.2.1 不同旅伴食物网络社区探测

社区探测过程中会优先根据节点之间的交互以及关键程度进行裂解，分裂成众多子团，并根据核心节点重要程度呈现分级特征。随着解析度[45]（裂解程度）的增加，高等级子团对低等级子团不断吸引优化，最终根据模块度指标判断社区分布最优解。模块度作为社区探测有效性的指标，当模块度出现断崖式下滑时，此时的社区探测结果不再可靠。
对食物网络进行社区探测，统计模块度以及社区数量。由图5可见，独自一人、闺蜜、家庭、情侣、三五好友及整体的解析度分别在0.7~1.5、0.7~1.4、0.6~1.2、0.9~1.1、0.7~1.1、0.8~0.9区间时，模块度最大且处于平稳状态。研究从区间里选取0.7（家庭）、0.8（独自一人、闺蜜、三五好友、整体）、0.9（情侣）作为关键解析度数值，对社区探测结果进行可视化，如图6所示。图6反映了不同旅伴角色食物网络社区探测的最优解。① 度中心性排名前5的食物类型（重庆火锅、川菜、特色小吃、面馆、酸辣粉）在不同旅伴角色食物网络中所属社区不同。其中，独自一人网络将其划分到3个社区，彼此之间的关系存在明显割裂，说明独自一人出行的游客在单次旅程中体验到的特色食物类型较少。研究证明旅游花销是游客出行考虑的因素之一，旅伴的加入可以在花销一定的基础上，提升消费水平，扩大体验食物类型的范围[46]，而独自一人旅行缺少这个优势，在旅程中无法充分体验当地特色食物，正如花销较高的川菜和重庆火锅不会在一个社区内出现，因而独自一人在旅程中体验特色食物类型时呈现“被动保守型”。三五好友网络将其划分到一个社区，可见5种食物类型在三五好友网络中关系密切。研究显示游客的行为容易受到好友的制约[37]，旅伴角色为三五好友的游客在旅途中为满足所有个体需求而偏向充分体验目的地特色食物类型，因而三五好友在旅程中体验特色食物类型时呈现“遍历型”。闺蜜、家庭、情侣将其划分到2个社区，说明这3种旅伴角色游客群体在体验地方特色食物时对食物类型有明显的体验偏好。从心理学上分析发现闺蜜、家庭和情侣拥有比普通好友更为亲密的关系，其中闺蜜关系的形成来自于个体之间的相似性，这种相似性体现在态度、兴趣、价值观和个性等多种方面，且闺蜜之间拥有更强烈的认同感[47]，因此，闺蜜在旅途中选择食物类型的兴趣表现出相似性，比较容易达成一致；从社会学上分析，家人被视为最亲近的关系，研究显示，家庭同行（亲子游、携老游）时，成年子代往往作为家庭旅游决策的核心层[48]出现，因此在成年人的决策中往往会因为受到孝道观念[49]或者舐犊之情的影响而优先考虑老人或儿童的需求，由于群体需求的相似性，因而家庭旅游群体的就餐意愿更容易表现出一致性；男女性别的有效搭配能够帮助提升旅行的满意度，浪漫的伴侣帮助游客更加沉浸式的享受旅行中的美食[50]。情侣同行更追求浪漫的旅行体验，不会过度追求体验到特色食物的种类。因此这3类旅伴角色的游客在体验特色食物类型时呈现“随意/兴趣型”。② 5种特色食物类型引导的社区包含更多种食物类型，说明这5种食物类型串联起食物网络的主体。其他小型社区包含的食物类型与这5种食物类型存在明显的分离，如三五好友网络中的米线、烤鱼、熟食熏酱等食物类型。说明不具地域特色的食物类型在网络属于边缘位置。不同旅伴角色食物网络中的边缘节点存在一定的相似性，如饮品在独自一人、闺蜜、情侣和三五好友的食物网络中的均位于边缘位置，这说明不具有地域特色的食物类型在食物网络中处于劣势地位。
图5 食物网络的社区探测指数分布

Fig. 5 Community detection based on food type variation of tourists with different travel partner types

图6 社区探测最优结果

Fig. 6 The optimal results of community detection

4.2.2 特色食物类型之间关联关系

5种食物类型作为网络中的关键节点不仅影响其他节点的社区分布，彼此之间也互相影响。在社区探测过程中，节点之间的交互频次影响社区分布，随着解析度的增加，网络中的核心节点会根据彼此之间的交互程度吸收其他社区节点。通过社区探测算法运行过程（图5）中5种食物类型在不同社区之间的分级变化得到彼此之间的关联关系（图7）。可见：① 川菜在不同旅伴角色社区变化中一般位于第一、二层级核心，表明川菜作为特色食物类型（重庆原隶属于四川，川菜在重庆的发展历史悠久）在不同旅伴网络中具有强代表性，不容易受其他食物类型干扰，是游客就餐选择的主要食物类型之一；② 据图7（a）、（b）、（c）、（e）可以看出，重庆火锅对其他食物类型具有明显的吸引作用，表明重庆火锅在独自一人、闺密、家庭和三五好友网络中和其他关联食物类型交互密切。酸辣粉在以上网络中常处于边缘位置，表明在重庆特色美食中，酸辣粉容易作为附属节点被其他特色食物吸引；③ 图7（a）、(d）、（e）均为3层结构，在社区探测的初始阶段，特色食物类型之间就形成比较稳定的3层结构。随着社区探测的深入，三五好友的各层级之间关系变化明显，说明5种食物类型在三五好友网络中存在密切的关联；而独自一人和情侣的各层级之间关系变化不够显著，说明5种食物类型在这2个网络中关系疏离。图7（b）、（c）均为4层结构， 5种食物类型初始关系疏离，主体以川菜、重庆火锅为核心，各层级之间联系不强。
图7 不同旅伴食物流动社区分级

Fig. 7 Classification map of for the five most commonly mentioned food types per different travel partner types

4.3 旅伴效应下游客就餐引起的餐厅网络结构差异

4.3.1 构建不同旅伴角色的餐厅网络

不同旅伴角色餐厅网络涉及不同数量的餐厅节点，根据游客就餐轨迹数据构建OD矩阵生成餐厅网络并进行可视化，结果如图8所示。游客的就餐路线在空间分布上具有高度集聚特征，主要集中在重庆市主城区，就餐行为呈现“单核心辐射型”模式。不同旅伴角色游客的空间分布和流向存在一定差异。其中，独自一人就餐餐厅分布不均衡，客流转移范围较小，最多跨越3个区县范围。而有旅行同伴的游客在目的地的餐厅之间转移范围较大，一般跨越4~5个区县，多次出现远距离的转移。有研究者证实游客在出行时首要考虑安全要素[46]，旅伴的加入会增加旅程的安全属性，因而有旅伴的游客会比无旅伴的游客有更多远距离的转移。
图8 游客就餐餐厅网络

Fig. 8 The network of foodie tourists' dining trajectories in Chongqing

4.3.2 不同旅伴角色下的餐厅网络结构评估

为深度探究不同旅伴角色餐厅网络的结构差异，对餐厅网络结构指标进行计算，结果如表3所示。由表3所示，不同旅伴角色餐厅网络平均度均不超过1.5，平均聚类系数均不超过0.1，表明游客选择就餐餐厅时重复率低，各餐厅节点间交互作用不明显。不同旅伴角色的网络的平均加权度和平均度的差值较小，表明在餐厅网络中的客流移动多为单频次活动，网络结构松散。这主要是因为重庆市餐厅分布密集、数量多，且社交媒体平台没有明显的舆论导向输送客流。三五好友和闺蜜网络的平均路径长度分别为5.829、5.635，远超其他网络，表明这2种类型网络的中各个餐厅节点之间的连通性低，网络结构比较分散。独自一人、家庭和情侣的网络平均路径长度分别为4.968、4.996和4.987，意味着这3个网络中的节点之间的联系更紧密。其中，情侣网络还具有较高的平均聚类系数，网络存在明显的小世界效应。
表3 不同旅伴角色餐厅网络结构指标

Tab. 3 The network structure indicators for restaurants visited by foodie tourists travelling with different travel partner types

网络名称 节点数/个 平均度 平均加权度 平均聚类系数 平均路径长度
独自一人 119 1.227 1.303 0.023 4.968
三五好友 170 1.259 1.294 0.049 5.829
家庭 94 1.117 1.170 0.019 4.996
闺蜜 96 1.198 1.229 0.026 5.653
情侣 115 1.304 1.383 0.059 4.987
分别计算不同旅伴角色餐厅网络的3个中心性指标来测算餐厅网络中的关键节点。图9展示了度中心性排名前十餐厅。部分餐厅节点在不同旅伴角色餐厅网络中重复出现，如好又来酸辣粉（八一路总店）、花市豌杂面、重庆好吃街等。这些节点均位于重庆市主城区，在本地生活消费平台有较高评论量以及评分，在餐厅网络中占据核心位置。从中介中心性的计算结果来看，在三五好友、情侣和家庭网络中，花市豌杂面、好又来酸辣粉和重庆好吃街等节点的中介中心性比较高；在闺蜜网络中，重庆好吃街、好又来酸辣粉和八一好吃街的中介中心性较高；在独自一人网络中，好又来酸辣粉和陈建平麻花总店的中介中心性较高。说明以上餐厅节点在网络中对游客就餐流的控制力比较强，起到就餐中介的作用，其余节点对这些节点的依赖程度较高。从接近中心性的计算结果来看，各餐厅节点的接近中心性较为一致，表明这些节点在空间上的分布比较均衡，其中，闺蜜网络中的李子坝梁山鸡的接近中心性接近1，说明在闺蜜网络中，该餐厅节点和更多的节点有密切关联。
图9 关键餐厅中心性变化

Fig. 9 Centrality metrics of the nodes (restaurants) based on the dining trajectories of foodie tourists

5 结论与讨论

5.1 结论

具象化分析旅伴影响下的游客就餐行为差异能够深度刻画旅伴角色对游客行为的限制作用。本文基于旅伴效应下的游客就餐行为模式，分别从食物类型和餐厅2个方面分析了旅伴对游客就餐行为的影响，并利用重庆市2012—2020年美食游记数据进行了实证分析，得出以下结论：
（1）旅伴影响游客对食物类型的选择，这一现象在与家人同行的旅程中表现尤为显著。与年龄相仿的旅伴构成不同，家庭成员的年龄段组成复杂。综合考量不同年龄段的就餐需求，口味丰富的川菜和特色小吃成为家庭就餐时的优先选择。
（2）旅伴的加入可以帮助游客体验到更多的特色食物类型。其中，游客同旅伴的亲密关系会影响特色食物类型的体验程度。随着亲密程度加深，游客在旅程中更加考虑旅行同伴的感受，游客就餐偏好的一致性表达更加明显。
（3）旅伴影响游客的就餐转移范围。旅伴增强旅程的安全性，促使游客尝试远距离转移。无旅伴游客的客流转移范围较小，最远跨越3个区县，旅伴的加入有效扩大了游客的转移范围，最远延伸至5个区县。

5.2 讨论

本文证实在具体旅游情境下，旅伴会对游客的行为造成一定的影响。因此目的地政府应该针对不同旅伴角色，如闺蜜游、家庭游、情侣游（蜜月游）等典型结伴旅游市场，策划个性化的同伴旅游主题活动，打造个性鲜明的旅游目的地形象，扩大结伴旅游市场，加强对游客结伴同行的宣传和倡导力度，利用社交媒体平台在旅游中发挥的重要作用，在旅游共享平台上发布针对不同旅伴角色游客偏好的个性化旅行攻略，加强舆论引导，提升目的地的网络热度，吸引游客消费。旅行社可以根据不同旅伴角色游客的人物特点以及旅行需求制定个性化旅游路线，同时提供结伴游的优惠政策，丰富本地旅游企业的同伴旅游产品供给。
游客的餐饮消费集中分布在城市的主城区。为实现旅游地空间结构优化并拉动周边地区旅游经济发展，建议周边地区积极创办美食节活动，实现人群引流，促进“多核心、覆盖式”就餐行为模式的形成；当地旅游部门应积极发挥地域特色美食的引导作用，充分挖掘美食旅游潜力，为迎合不同客源地、年龄段游客的口味需求，餐厅应加强自身建设，在保证当地特色的同时为游客增加更多口味选择。
本文通过对不同旅伴角色游客就餐行为的差异分析游客就餐行为中的旅伴效应，填补了美食旅游中旅伴研究的空白。但仍存在不足，当前研究仅关注游客同旅伴的人际关系差异，未能细粒度的探究旅行同伴的个人属性信息，后续研究可通过调查问卷等形式统计旅伴的个人信息，针对旅伴的年龄、性别、社会关系等要素进行深度分析，进一步挖掘旅伴效应下的游客就餐行为差异。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Telfer D J, Wall G. Linkages between tourism and food production[J]. Annals of Tourism Research, 1996, 23(3):635-653. DOI:10.1016/0160-7383(95)00087-9

[2]
Pizam A, Jeong G H, Reichel A, et al. The relationship between risk-taking, sensation-seeking, and the tourist behavior of young adults: A cross-cultural study[J]. Journal of Travel Research, 2004, 42(3):251-260. DOI:10.1177/0047287503258837

[3]
Correia A, Moital M, Da Costa C F, et al. The determinants of gastronomic tourists’ satisfaction: A second-order factor analysis[J]. Journal of Foodservice, 2008, 19(3):164-176. DOI:10.1111/j.1745-4506.2008.00097.x

[4]
Cohen E, Avieli N. Food in tourism[J]. Annals of Tourism Research, 2004, 31(4):755-778. DOI:10.1016/j.annals.2004.02.003

[5]
Getz D, Robinson R N S. “foodies” and their travel preferences[J]. Tourism Analysis, 2014, 19(6):659-672. DOI: 10.3727/108354214X14116690097693

[6]
Ellis A, Park E, Kim S, et al. What is food tourism?[J]. Tourism Management, 2018, 68:250-263. DOI:10.1016/j.tourman.2018.03.025

[7]
Robinson R N S, Getz D. Food enthusiasts and tourism: Exploring food involvement dimensions[J]. Journal of Hospitality & Tourism Research, 2016, 40(4):432-455. DOI:10.1177/1096348013503994

[8]
Getz D, Brown G. Critical success factors for wine tourism regions: A demand analysis[J]. Tourism Management, 2006, 27(1):146-158. DOI:10.1016/j.tourman.2004.08.002.

[9]
Plummer R, Telfer D, Hashimoto A, et al. Beer tourism in Canada along the Waterloo-Wellington ale trail[J]. Tourism Management, 2005, 26(3):447-458. DOI:10.1016/j.tourman.2003.12.002

[10]
Vázquez-Martinez U J, Sanchís-Pedregosa C, Leal-Rodríguez A L. Is gastronomy a relevant factor for sustainable tourism? An empirical analysis of Spain country brand[J]. Sustainability, 2019, 11(9):2696. DOI:10.3390/su11092696

[11]
Lau C, Li Y P. Analyzing the effects of an urban food festival: A place theory approach[J]. Annals of Tourism Research, 2019, 74:43-55. DOI:10.1016/j.annals.2018.10.004

[12]
Yang F X, Wong I A, Tan X S, et al. The role of food festivals in branding culinary destinations[J]. Tourism Management Perspectives, 2020, 34:100671. DOI:10.1016/j.tmp.2020.100671

[13]
Hillel D, Belhassen Y, Shani A. What makes a gastronomic destination attractive? Evidence from the Israeli Negev[J]. Tourism Management, 2013, 36:200-209. DOI:10.1016/j.tourman.2012.12.006

[14]
Huang Y F, Zhang Y, Quan H. The relationship among food perceived value, memorable tourism experiences and behaviour intention: The case of the Macao food festival[J]. International Journal of Tourism Sciences, 2019, 19(4):258-268. DOI:10.1080/15980634.2019.1706028

[15]
Robinson R N S, Getz D. Food enthusiasts and tourism[J]. Journal of Hospitality & Tourism Research, 2016, 40(4):432-455. DOI:10.1177/1096348013503994

[16]
Kaushal V, Yadav R. Understanding customer experience of culinary tourism through food tours of Delhi[J]. International Journal of Tourism Cities, 2020, 7(3):683-701. DOI:10.1108/IJTC-08-2019-0135

[17]
Vu H Q, Li G, Law R, et al. Exploring tourist dining preferences based on restaurant reviews[J]. Journal of Travel Research, 2019, 58(1):149-167. DOI:10.1177/0047287517744672

[18]
Lee Y J, Pennington-Gray L, Kim J. Does location matter? Exploring the spatial patterns of food safety in a tourism destination[J]. Tourism Management, 2019, 71:18-33. DOI:10.1016/j.tourman.2018.09.016

[19]
Liu Y, Shi J, Jian M. Understanding visitors' responses to intelligent transportation system in a tourist city with a mixed ranked logit model[J]. Journal of Advanced Transportation, 2017, 2017:1-13. DOI:10.1155/2017/8652053.

[20]
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

[21]
Liu W B, Wang B X, Yang Y, et al. Cluster analysis of microscopic spatio-temporal patterns of tourists' movement behaviors in mountainous scenic areas using open GPS-trajectory data[J]. Tourism Management, 2022, 93:104614. DOI:10.1016/j.tourman.2022.104614

[22]
Mathayomchan B, Taecharungroj V. “How was your meal?” examining customer experience using Google maps reviews[J]. International Journal of Hospitality Management, 2020, 90:102641. DOI:10.1016/j.ijhm.2020.102641

[23]
梁嘉祺, 姜珊, 陶犁. 基于网络游记语义分析和GIS可视化的游客时空行为与情绪关系实证研究——以北京市为例[J]. 人文地理, 2020, 35(2):152-160.

[ Liang J Q, Jiang S, Tao L. Empirical research on the relationship between spatial-temporal behavior and emotion of tourists based on semantic analysis of online travel blogs and GIS visualization: A case of Beijing[J]. Human Geography, 2020, 35(2):152-160. ] DOI:10.13959/j.issn.1003-2398.2020.02.017

[24]
李渊, 郭晶, 陈一平. 基于多源数据的旅游者视觉行为模式与感知评估方法[J]. 地球信息科学学报, 2022, 24(10):2004-2020.

DOI

[ Li Y, Guo J, Chen Y P. A new approach for tourists' visual behavior patterns and perception evaluation based on multi-source data[J]. Journal of Geo-information Science, 2022, 24(10):2004-2020. ] DOI:10.12082/dqxxkx.2022.210840

[25]
Mou N X, Liu Z W, Zheng Y H, et al. Cycling in Tibet: An analysis of tourists' spatiotemporal behavior and infrastructure[J]. Tourism Management, 2022, 88:104418. DOI:10.1016/j.tourman.2021.104418

[26]
Shao J, Chang X S, Morrison A. How can big data support smart scenic area management? An analysis of travel blogs on Huashan[J]. Sustainability, 2017, 9(12):2291. DOI:10.3390/su9122291

[27]
Alaei A R, Becken S, Stantic B. Sentiment analysis in tourism: Capitalizing on big data[J]. Journal of Travel Research, 2019, 58(2):175-191. DOI:10.1177/0047287517747753

[28]
Kádár B. Measuring tourist activities in cities using geotagged photography[J]. Tourism Geographies, 2014, 16(1):88-104. DOI:10.1080/14616688.2013.868029

[29]
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

[30]
Huang X T, Li M X, Zhang J, et al. Tourists’ spatial-temporal behavior patterns in theme parks: A case study of Ocean Park Hong Kong[J]. Journal of Destination Marketing & Management, 2020, 15:100411. DOI:10.1016/j.jdmm.2020.100411

[31]
程雪兰, 方叶林, 苏雪晴, 等. 中国东部沿海5大城市群旅游流网络结构空间分布特征研究[J]. 地理科学进展, 2021, 40(6):948-957.

DOI

[ Cheng X L, Fang Y L, Su X Q, et al. Spatial distribution characteristics of network structure of tourism flow in five major urban agglomerations of coastal China[J]. Progress in Geography, 2021, 40(6):948-957. ] DOI:10.18306/dlkxjz.2021.06.005

[32]
Mou N X, Zheng Y H, Makkonen T, et al. Tourists' digital footprint: The spatial patterns of tourist flows in Qingdao, China[J]. Tourism Management, 2020, 81:104151. DOI: 10.1016/j.tourman.2020.104151

[33]
朱冬芳, 虞虎, 刘青青, 等. 入藏旅游流网络结构特征与组织模式——基于团队游和自助游视角的比较分析[J]. 地理科学进展, 2021, 40(5):812-824.

DOI

[ Zhu D F, Yu H, Liu Q Q, et al. Network structure characteristics and organizational models of tourist flow to Tibet: Comparative analysis based on group and self-guided Tours[J]. Progress in Geography, 2021, 40(5):812-824. ] DOI:10.18306/dlkxjz.2021.05.008

[34]
周李, 吴殿廷, 虞虎, 等. 基于网络游记的城市旅游流网络结构演化研究——以北京市为例[J]. 地理科学, 2020, 40(2):298-307.

DOI

[ Zhou L, Wu D T, Yu H, et al. Evolution of urban tourism flow network structure based on network travel notes: A case study of Beijing city[J]. Scientia Geographica Sinica, 2020, 40(2):298-307. ] DOI:10.13249/j.cnki.sgs.2020.02.015

[35]
朱腾腾, 谢礼珊, 吴一景. 多方价值共创:旅游虚拟社区结伴同游意愿的形成[J]. 旅游学刊, 2021, 36(12):99-113.

[ Zhu T T, Xie L S, Wu Y J. Multiple actors’ value co-creation: Development of co-creation intention with companionship travel in virtual tourist communities[J]. Tourism Tribune, 2021, 36(12):99-113. ] DOI:10.19765/j.cnki.1002-5006.2021.12.013

[36]
Su L J, Cheng J, Wen J, et al. Does seeing deviant other-tourist behavior matter? The moderating role of travel companions[J]. Tourism Management, 2022, 88:104434. DOI:10.1016/j.tourman.2021.104434

[37]
黄潇婷, 刘春. 旅游同伴角色对旅游者行为的制约影响——以香港海洋公园为例[J]. 人文地理, 2016, 31(2):128-135.

[ Huang X T, Liu C. Companion constraints on tourist behavior: A case study of Hongkong ocean park[J]. Human Geography, 2016, 31(2):128-135. ] DOI:10.13959/j.issn.1003-2398.2016.02.020

[38]
龙潜颖, 徐彤. 旅游同伴对个体旅游体验影响机制研究[J]. 旅游科学, 2022, 36(5):38-58.

[ Long Q Y, Xu T. Understanding the impact of travel companions on tourist experiences[J]. Tourism Science, 2022, 36(5):38-58. ] DOI: 10.16323/j.cnki.lykx.20220907.001

[39]
范梦余, 陈怡宁, 张辉. 湖南旅游客源市场结构与目的地形象感知——基于地理标记照片的实证分析[J]. 经济地理, 2021, 41(12):223-232.

[ Fan M Y, Chen Y N, Zhang H. Tourist market structure and destination image perception in Hunan province based on geotagged photos[J]. Economic Geography, 2021, 41(12):223-232. ] DOI:10.15957/j.cnki.jjdl.2021.12.024

[40]
Schmit S E, Bell N J. Close relationships and disordered eating: Partner perspectives[J]. Journal of Health Psychology, 2017, 22(4):434-445. DOI:10.1177/1359105315603478

PMID

[41]
陈晔, 张辉, 董蒙露. 同行者关乎己?游客间互动对主观幸福感的影响[J]. 旅游学刊, 2017, 32(8):14-24.

[ Chen Y, Zhang H, Dong M L. Accompanying travelers matters? The impact of tourist-to-tourist interaction on tourists' subjective well-being[J]. Tourism Tribune, 2017, 32(8):14-24. ] DOI:10.3969/j.issn.1002-5006.2017.08.007

[42]
Blondel V D, Guillaume J L, Lambiotte R, et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics: Theory and Experiment, 2008, 2008(10): P10008. DOI:10.1088/1742-5468/2008/10/P10008

[43]
Newman M E J. Fast algorithm for detecting community structure in networks[J]. Physical Review E, 2004, 69(6 Pt 2):066133 DOI:10.1103/PhysRevE.69.066133

[44]
Cooper M C. The elderly travellers[J]. Travel Medicine and Infectious Disease, 2006, 4(3/4):218-222. DOI: 10.1016/j.tmaid.2005.06.004

[45]
Zheng Y H, Mou N X, Zhang L X, et al. Chinese tourists in Nordic countries: An analysis of spatio-temporal behavior using geo-located travel blog data[J]. Computers, Environment and Urban Systems, 2021, 85:101561. DOI: 10.1016/j.compenvurbsys.2020.101561

[46]
苗学玲, 保继刚. “众乐乐”:旅游虚拟社区“结伴旅行”之质性研究[J]. 旅游学刊, 2007, 22(8):48-54.

[ Miao X L, Bao J G. Grounded theory of non-standardized groups travel[J]. Tourism Tribune, 2007(8):48-54. ] DOI:10.3969/j.issn.1002-5006.2007.08.013

[47]
Chen X L, Mak B. Understanding Chinese girlfriend getaways: An interdependence perspective[J]. Annals of Tourism Research, 2020, 81:102878. DOI:10.1016/j.annals.2020.102878

[48]
白凯, 符国群. 家庭旅游决策研究的中国化理论视角与分析思路[J]. 旅游学刊, 2011, 26(12):49-56.

[ Bai K, Fu G Q. Perspective of the theory of localization in the study of family travel decision-making and train of thoughts for analysis[J]. Tourism Tribune, 2011, 26(12):49-56. ] DOI: 10.3969/j.issn.1002-5006.2011.12.014

[49]
白凯, 张娇, 璩亚杰. 双元孝道对家庭旅游决策行为的影响研究[J]. 旅游科学, 2018, 32(1):62-73.

[ Bai K, Zhang J, Qu Y J. A research on the impact of dual filial piety on family tourism decision-making behavior[J]. Tourism Science, 2018, 32(1):62-73. ] DOI:10.16323/j.cnki.lykx.2018.01.005

[50]
Stone M J, Soulard J, Migacz S, et al. Elements of memorable food, drink, and culinary tourism experiences[J]. Journal of Travel Research, 2018, 57(8):1121-1132. DOI: 10.1177/0047287517729758

Options
Outlines

/

〈 〉