, 黄震方, 曹芳东, 张郴南京师范大学地理科学学院,南京210023
The network structure of urban tourist destination and its evolution mode based on big data analysis:Taking the data of Sina weibo sign-in as an example
XUMin, HUANGZhenfang, CAOFangdong, ZHANGChen通讯作者:
收稿日期:2018-03-12
修回日期:2018-05-31
网络出版日期:2019-04-20
版权声明:2019《地理研究》编辑部《地理研究》编辑部 所有
基金资助:
作者简介:
-->
展开
摘要
关键词：
Abstract
Keywords：
-->0
PDF (14626KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
移动互联网时代的“大数据”迅速波及社会经济的各个领域,深刻地影响着社会的发展与转型,成为国家振兴经济,实现社会经济创新发展的新型战略。旅游作为现代社会重要的生活方式和社会经济活动,已被深深地打上了互联网的烙印[1]。近年来,以新浪微博为代表的新兴网络社交媒体得到了迅速发展,使得“互联网+旅游”成为快速融合的统一体。城市旅游地作为旅游活动的重要空间载体,承担着人们外出旅游和参与旅游活动诸多环节的责任和使命,为旅游活动的有效开展和顺利进行,提供了必要的物质场所和基础设施条件。随着当前互联网大数据的兴起和对地理空间的认识加深,越来越多的****开始逐步拓展地理空间的属性和内涵[2,3,4,5,6],“网络范式”的转型和“流空间”的科学认知的不断升温[7,8,9,10],对于城市旅游地的研究不再局限于某一个城市内部要素的分析,而是更多地关注于从不同层面、不同尺度、不同维度来刻画和分析由“流数据”产生的城市间的网络体系及其内在联系[11,12,13,14,15,16,17,18]。城市旅游地网络体系的成长和形成,进一步诠释了当今社会的流动性特质,城市间的人力、物质、信息、技术、资本等各种要素正在以流的形式存在而发生变化,时刻改变着城市旅游地网络体系的特征、功能、结构和关系,成为当前学术界关注的焦点。随着大城市集聚功能的日益增强,地理空间邻近的区域内部,城市之间的联系变得更加紧密而复杂,形成一种非线性的复杂网络关系。正是这种复杂网络的形成产生了更为广泛的空间影响力,将不同性质、不同等级、不同规模的城市聚焦在同一个网络体系之中,在流空间的引导和作用下发挥着各自节点的功能和价值。地理学从关注空间的横向扩展和动态演化,到从时空结构的改变探讨空间流动及其对个体或者社会产生的意义的转向[19],引发了诸多****开始从流数据的掌控和梳理,探讨城市体系的网络空间结构及其城市个体间的关系变化。公路、铁路、航空等交通流和客流的不断深入[20,21],为城市体系网络空间形成的过程表征与内涵的深刻解读提供了客观依据。然而,城市旅游地作为旅游活动的集聚地,综合反映了旅游的功能和地位,成为旅游信息交换和汇集空间。新浪微博社交工具的出现,以其具有信息量大、互动性强、方便快捷的天然优势[22],引发了学术界的广泛关注,从微博信息的传播与扩散[23,24]逐渐转移到对微博网络社会关系的思考[25,26,27],越来越重视对复杂网络中“人与人”关系的重新审视和挖掘。新浪微博正是建立在“粉丝与粉丝”关系不断深化和联系的基础上,进一步形成的不同旅游地节点的复杂性网络关系。相比传统的网络结构分析,这种隐藏在复杂网络中的关系,为网络虚拟空间向地理真实空间的转换研究提供了重要依据,为旅游地理学人地关系内涵的深化与拓展,提供了新的科学视角。此外,新浪微博签到的随时性、共享性、透明化特征,使得从微博签到数据流入手进行中国城市旅游地网络体系结构特征及其演化模式的分析提供了有效的数据支撑,对于及时了解、客观分析、全面掌握流空间下的城市旅游地网络时空结构,就显得格外有效。基于此,借助新浪微博签到数据,通过对中国城市旅游地时空网络特征进行解析,实现对城市旅游地网络结构时空演化模式的提炼,为中国城市旅游地多子网络、多节点特征的有效研判和解读提供理论依据。
2 数据来源与数据处理
2.1 数据来源
选取途牛旅游网、驴妈妈旅游网、携程旅游网3个微博认证机构的账号中的用户,即初始种子为3个,各自随机选择一个微博ID作为初始种子,然后运用python编制代码语言,结合selenium自动化测试工具,模拟用户登录进新浪微博,进入初始种子的粉丝页,再继续爬取已经获得的用户的粉丝。由于新浪微博的反爬虫机制的存在及数据获得量的考虑,需要反复重复这一过程（图1）。具体主要分为两个步骤：一是对于用户的爬取,在新浪微博上随机选择3个用户数据ID,分别是：597 6675 573,47 418 292,61 432 258,然后爬取3个初始种子ID的粉丝,获取到大量的新粉丝ID,再爬取新粉丝的粉丝,爬取时间为2017年10月4日—6日,爬取时间限制为3天。通过不断重复这个过程,对新获得的ID判断是否已经爬取过,将没有爬取过的ID保存下来。根据上述爬取的粉丝ID,再次进行微博签到数据信息的爬取,时间为2017年10月7日—10日。所得用户ID数据包含用户的注册地址、注册时间、用户名、用户ID信息,总共获得262028个用户和538843条微博。二是在用户爬取的基础上,进一步获取用户的签到微博信息,通过新浪微博主页,进入ID用户的页面,爬取所有用户信息的签到数据,从而得到爬取到的用户的签到数据,时间涵盖2010年1月1日—2017年10月10日。
显示原图|下载原图ZIP|生成PPT图1微博签到数据爬取的技术流程
-->Fig. 1Technical process of microblog sign-in data crawling
-->
2.2 数据处理
微博签到数据的筛选和处理,首先筛选出标准的签到信息,如“市名·具体地址”,对于不标准的签到信息直接进行删除处理。其次考虑到样本数据存在跨省和跨市,以及主要旅游网站公布的行程出游时间,如途牛旅游网行程安排的最长旅游时间为17日,携程旅游网行程安排的最长旅游时间为15日及以上,因此,本文从获得数据的时间属性来看,认为签到信息中属于旅游的大多数时间在三周以内,超过三周及以上的不再作为本文的数据来源,同时对签到点与注册点相同的微博、两次连续签到点相同且时间跨度三周以上的微博、签到点与注册点时间跨度超过一年的微博、微博内容出现明显的如“开学”“医院”“加班”等字眼视为非旅游数据,最终得173470个有效用户信息和433892条签到数据,这些数据信息中包含了旅游者的签到地点和注册地点（图2）,构成了基于微博签到数据的城市间流的产生与形成,从而构建不同城市旅游地的网络矩阵关系。值得注意的是,从签到地和注册地的空间分布来看,2016年较之2010年明显增多,东部沿海的密集程度明显加深;从覆盖范围来看,2010年除了新疆、吉林、广西外,其余省份均存在签到或注册城市,到了2016年,签到和注册城市已经覆盖全国,东中部明显高于西部地区。从以上两个年份来看,节点的选择具有很好的代表性和典型性。
显示原图|下载原图ZIP|生成PPT图22010年、2016年微博签到数据的签到地和注册地
注：基于国家测绘地理信息局标准地图服务系统下载的标准底图（审图号：GS(2016)1606）制作,底图无修改。
-->Fig. 2Sign-in and registration places of microblog sign-in data (2010, 2016)
-->
3 城市旅游地网络结构的特征分析
3.1 网络节点的空间等级结构特征
节点的空间等级能够较好地反映城市旅游地的在区域中的地位和作用,区别于传统的城市旅游地等级体系划分,本文将不同城市的微博签到数据作为划分城市等级体系的衡量标准,根据ArcGIS中的最佳自然断裂点的分配方式,将城市旅游地划分为五个等级（图3）。通过图可以看出,随着签到城市数量的不断增多,城市旅游地的等级发生了较大变化,2010年,第一等级城市分别为上海和北京,第二等级城市分别为广州、重庆、苏州、厦门、成都、杭州、福州、南京等。2016年的第一等级城市分别为北京和上海,第二等级城市分别为广州、深圳、天津、成都、重庆、厦门、杭州、南京、福州、苏州等。从两个年份的前两个等级来看,上海和北京始终处于微博签到数量最大的城市,属于全国性中心城市,这与城市的旅游发展、城市化发展水平、市场知名度和基础设施条件关系密切,拥有大量的旅游者和粉丝签到。广州在两个年份同属于第二等级城市序列,表明广州在整个区域中的旅游发展地位依然处于领先地位,作为岭南文化的发源地和最富美食特色吸引力的旅游城市在市场上占据一席之地,属于网络体系中的区域性中心城市。
显示原图|下载原图ZIP|生成PPT图32010年、2016年城市旅游地网络等级体系格局
注：基于国家测绘地理信息局标准地图服务系统的标准底图（审图号：GS(2016)1606）制作,底图无修改。
-->Fig. 3Hierarchical structure of urban tourist destination network (2010, 2016)
-->
深圳、厦门、成都、杭州、南京、重庆、苏州、长沙、福州等城市尽管在不同年份中排列顺序不同,但依然处于所有旅游城市中的前十位,表明了城市的个性和特色以及市场的吸引物成为旅游者愿意前往的重要因素,属于网络体系中的区域性中心城市,而始终处于排序第三等级的昆明、宁波、常州、大连、无锡、青岛、石家庄等城市,尽管也具备独特的旅游资源和市场产品卖点,但相比较而言,地位略低于第一、第二等级城市,属于网络体系中的区域性次中心城市。晋中、朝阳、西昌、东莞、广安、秦皇岛、汕头等城市排名位置靠后,相对于排名靠前的城市而言,市场吸引力和产品体系有待进一步提升和完善,属于网络体系中的地方性中心城市,其他剩余城市无论在城市规模上,还是在签到数据上均低于上述城市,属于网络体系中的地方性次中心城市。从空间的布等级来看,东部地区明显占据优势,2010年和2016年,第一和第二等级城市分别占城市总数的13.31%和22.26%。2016年,第二和第三等级的城市主要集中在京津冀、长三角、珠三角和成渝地区,旅游发展的地域差异成为影响微博签到数据差异的主要因素,成为旅游发展不均衡的重要瓶颈。
3.2 网络体系的层级结构特征
为了进一步理清整个城市旅游地网络体系中节点城市及其在网络中的作用及城市对在空间联系上呈现的规律,对其网络进行签到数据的去重和重新组合。同时,兼顾考虑不同等级的城市对在总数中的比例,以及不同的比例下能否覆盖前文中涉及的全国性中心城市、区域性中心城市、区域性次中心城市、地方性中心城市和地方性次中心城市等不同级别的城市,按照微博签到城市对的排列顺序,经过多次比例划分和尝试,最后确定为四个不同比例,即0~10%、10%~30%、30%~60%、60%~100%四个数据组,能够较好地满足既有城市对数量,也包含了不同城市等级数量的要求,以此分析旅游地域网络的层级结构特征（图4）。从整个网络体系的分级层次来看：
显示原图|下载原图ZIP|生成PPT图4微博签到数据流空间下的旅游地网络体系格局
注：基于国家测绘地理信息局标准地图服务系统的标准底图（审图号：GS(2016)1606）制作,底图无修改。
-->Fig. 4Network system structure under the flow space formed by microblog sign-in data
-->
第一层次等级,作为微博签到数据的0~10%的城市对组合,两个年份包含的城市对分别是上海-重庆、北京-长春、沈阳-大连、重庆-奉节、长沙-广州等,分别包含了1个和8个城市对,上海和北京在这一阶段分别发挥着各自的作用。从空间分布态势上来看,尚未形成明显的网络体系和空间结构。
第二层次等级,是微博签到数据的10%~30%的城市对组合,分别包括了5个和27个城市对,空间上呈现出一定的网络性,但结构特征并不明显,在原有北京-长春、天津-福州、南通-苏州的基础上,转变为2016年的西安-宁波、辽阳-朝阳、广州-汕头、广州-深圳、长沙-晋中、信阳-郑州、朝阳-长沙、潍坊-聊城、莆田-安顺、连云港-常州,大连-海城、济南-菏泽、绵阳-成都等。尽管空间上的网络性并不紧密,但相对2010年而言,城市间的联系强度明显增强,东部城市与中部城市的关联性密切。
第三层次等级,包含了微博签到数据的30%~60%城市对组合,分别包括了广州-北京、福州-厦门、唐山-石家庄、中山-广州、南京-苏州等13个城市对以及上海-邢台、北京-长春、合肥-上虞、济南-德州、太原-晋中、杭州-衢州、延安-安康、福州-三明、承德-秦皇岛、重庆-达州、克拉玛依-乌鲁木齐、南京-无锡、青岛-聊城、广州-东莞、成都-西昌、苏州-张家港、宁波-益阳、深圳-广州等60个城市对,在网络空间中,北京和上海发挥了全国性中心城市的作用,加强了与周边城市及中西部地区城市的联系程度,区域性中心城市的作用明显增强,网络体系结构特征初显。
第四层次等级,囊括了网络体系中绝大多数城市对,属于微博签到数据的60%~100%范畴,包含了275个城市对,这一阶段城市对间的联系更为密切,不同区域的核心城市地位突出。其中,上海-厦门、北京-西安、成都-北京、无锡-上海、南京-宁波、中山-成都、哈尔滨-太原等,构成了2010年整个旅游网络体系的重要支撑,同时网络中又分为若干个小的子网络,核心城市凭借自己的旅游集聚和吸引功能,扩大了对周边城市的旅游影响,吸引着新的节点城市不断融入。此外,2016年的网络节点中更多地呈现出点状式分布态势,城市对的数量急剧增多,包含了北京-贵阳、成都-上海、深圳-东莞、无锡-南京、石家庄-邯郸、滨州-淄博、青岛-临沂、兰州-株洲、大连-济南等在内的4523个城市对,微博签到在城市间形成的“数据流”变得越来越密集,呈现更加复杂的网络化形态。同时,东西部城市旅游功能的不断强化,城市间的旅游联系程度也变得越来越紧密,网络化的程度不断加深,城市对的联系更为密集,空间上的形态更为复杂多变。
4 时空演化模式
4.1 网络联系强度分析
随着全球流动的不断加强,网络联系的测度目前应用于航空、铁路、企业、港口等多个行业组织,为了有效地对旅游地网络体系的节点间的联系进行测度分析,借鉴Tayor等提出的网络联系强度测度模型[28],其表征一个城市与其他城市相互联系的总和,反映一个城市在整个网络体系中的对外联系状况,数学表达式为：式中：
为了进一步直观地揭示城市旅游地网络体系的空间结构特征及网络节点城市在整个网络中的地位和作用,根据爬取的城市微博签到数据的排列顺序,选择所有城市签到数前30%的30%为网络联系强度的测度依据,以促使整个网络体系的简单化和直观化,同时又囊括了全国性中心城市、区域性中心城市、区域性次中心城市和地方性中心城市,对于有效揭示网络空间结构的特征提供了有利条件。根据上述公式,得到城市旅游地网络节点的对外联系强度,将结果进行地理信息的空间化,绘制成图5。
显示原图|下载原图ZIP|生成PPT图5城市旅游地网络节点对外联系强度格局
注：基于国家测绘地理信息局标准地图服务系统的标准底图（审图号：GS(2016)1606）制作,底图无修改。
-->Fig. 5External linkage intensity structure of urban tourist destination network nodes
-->
结果表明,2010年网络体系包含城市对17个,城市的对外联系强度大于5的只有上海和北京,其他城市的对外联系强度系数基本处于0.3~1之间,表征了网络中城市的对外联系呈现了以上海和北京为指向的空间结构,整个网络集聚能力不强,城市间联系程度有待提升,网络联系强度多数为弱联系。对于2016年的网络体系,呈现了明显加强的态势,层级结构特征明显,城市对间联系的强弱关系变得更加复杂而多样,成为这一阶段的主要空间特征。对于北京和上海而言,对外城市的联系强度系数均大于5,城市对的联系更多地发生在与全国性中心城市和区域性中心城市之间,比如北京-上海、北京-广州、北京-成都、北京-福建、北京-南京、上海-重庆、上海-厦门、上海-南京、上海-福州以及广州-福建、广州-厦门、广州-成都、深圳-广州、深圳-杭州、深圳-上海等,其他多数城市的对外联系强度系数总体上处于1~5之间,占据整个城市对的67.26%,成为支撑全国性中心城市和区域中心城市网络联系形成的重要纽带。
对比两个年份发现,除了全国性中心城市的核心作用在加强以外,区域中心城市和次中心城市及地方性中心城市也明显增多,长沙、南昌、哈尔滨、无锡、昆明、佛山、温州等城市间的相互联系进一步加强,较好地融入了全国性中心城市的核心网络体系,成为整个网络体系的重要节点。综合上述分析,全国性中心城市和区域性中心城市在对外的联系强度和对外联系的城市数量上均有明显提升,次中心城市和地方中心城市尽管在对外联系强度上明显弱于全国性和区域性中心城市,但呈现明显的空间指向性,较好地融入全国性和区域性中心城市的网络体系,在加强自身与周边城市联系的同时,积极发挥着与主要核心城市的紧密关系。从整个地域空间分异来看,东部地域系统的城市通常具有更高的对外联系强度和城市数量,中西部地域系统除了成都和重庆以外,其他城市间的网络关联程度相对较低,但向东部城市的空间指向性得到加强。此外,从东西部地域系统的各自内部来看,低等级城市通常需要依赖地域中心城市的联系才能有效地融入更高级别的城市,且多数属于单向流动。以上这些,共同构成了城市旅游地网络联系和以全国性中心城市为核心、区域性中心城市和次中心城市为重要支撑、地方性中心城市不断融入的旅游复杂网络空间结构。
4.2 演化模式提炼
地域系统模式一般分为单中心发育模式和多中心发育模式。对于单中心发育模式而言,主要出现在地域系统发展的初始阶段,以某一个单一城市为核心,向周围城市不断扩散,这一时期的核心城市对外联系不断加强,通常形成放射形、环状和扇形的空间结构。为了有效地揭示城市旅游地网络结构的演化模式和类型,在图5的基础上,对其两个不同年份形成的网络结构进行总结和抽象,提炼旅游网络空间结构的演化模式（图6）。微博签到数据的大小和方向在一定程度上反映了旅游活动的发生频率和旅游者活动的空间指向,相比较而言,2010年的城市旅游地网络体系,形成了以北京、上海、广州为核心的放射性空间结构。其中,北京和上海的对外联系强度作用明显,多数表现为周边低等级城市向核心城市的单向流动,网络节点的对向流动相对较弱,核心城市占据网络体系的绝对主导地位,不断吸收着周边城市的各类要素向核心城市聚聚和转移,从而形成了核心城市对外联系的不断扩张和周围城市不断向核心城市集聚成为这一阶段的主要特征,要素流动具有明显的中心城市指向性。结合上文中的图5来看,尽管这一时期城市对的强联系也存在,但城市对数量较少,整个网络体系呈现出相对较低的对外旅游联系,核心城市与周边城市的旅游功能均有待加强,地域的系统性有待进一步完善,多层次、多中心的复杂网络格局尚未形成,突出表现为典型的不同旅游地域系统内的单中心发育模式。
显示原图|下载原图ZIP|生成PPT图6城市旅游地网络结构演化模式
-->Fig. 6Evolution mode of urban tourist destination network structure
-->
相对于单中心模式而言,多中心发育模式,通常在不同的地域系统内部呈现不同核心主体,与周围的中小城市共同构成了多层次、多体系的复杂空间网络格局。相比较2010年,2016年的城市网络体系呈现更为明显的多中心、多网络特征。从流量的规模和网络体系的联系强度来看,这一时期的网络格局呈现出以北京、上海、广州、深圳为核心的多地域、多中心网络层级结构,核心城市的主导地位更加突出。从图5的对外联系强度来看,全国性中心城市、区域性中心城市的作用更为显著,城市对强联系在数量上明显增多,除了全国性中心城市如北京、上海的对外联系强度较大以外,区域性中心城市之间的强联系也在明显加强,在接受全国性中心城市辐射的同时,对于周边旅游城市的成长起到重要的支撑和扶持作用,这一阶段城市对的双向流动明显,要素空间流动的指向性具有明显的层级性特征。与此同时,从城市对外旅游联系强度来看,尽管这一时期的成都和重庆对外联系强度总体上小于北上广,但在空间上也形成了具有明显区域性中心的双核心空间结构,相对于单中心和多中心而言,双核空间结构具有自身独有的特征,在同一个由成都和重庆组成的成渝旅游目的地地域系统中,成都的对外联系强度略高于重庆,但两个核心城市又各自形成了以自己为核心的子网络体系,不同的子网络体系相互交叉、互有重叠,构成了以成都和重庆两个城市为核心的区域性双核心发展模式。
5 结论与讨论
随着互联网技术的不断发展,引发了一场信息技术带来的地理学革命,打破了地理学对传统空间的理解和认知,开始逐步转向在信息技术引领下的网络空间及其在地理学中的意义探讨,进一步深化了对网络社会空间与地理学空间关系的深刻解读。本文借助新浪微博签到数据,探讨了城市旅游地作为网络节点的等级空间分布及其在网络中的层级结构特征,测度了网络体系中节点的对外联系强度,提炼了城市旅游地网络结构的演化模式,为信息技术在旅游地理学中的应用及其在理论上的深化提供了有力的佐证。主要研究结论如下：（1）区别于传统的城市旅游地等级体系划分标准,以新浪微博签到数据为依据的划分结果为,北京和上海始终处于第一等级城市,属于全国性中心城市,引领和带动作用明显,广州、深圳、天津、成都、重庆、厦门、杭州、南京、苏州、郑州等城市作为第二等级城市,将其列为区域性中心城市,成为旅游地域系统网络结构形成的主力军;昆明、宁波、常州、大连、无锡、青岛、石家庄及晋中、扬州、东莞、汕头、盐城等城市分别作为区域性次中心城市和地方性中心城市,成为复杂旅游网络体系中的重要支撑点;其他剩余城市为地方性次中心城市;上述等级体系的划分,为城市旅游地的等级划分提供了新的研究视角。
（2）从城市旅游地网络体系的层级结构来看,形成了以北京、上海、广州为核心的旅游网络体系,具有区域性的天津、成都、杭州、南京、重庆等城市起到重要的支撑作用,成为整个网络体系中的重要组成部分。从城市对网络层级结构来看,占据整个网络城市对流量前10%的省会城市承担着整个区域网络的主导地位,成为中国旅游发展的重要增长极。从整个旅游网络的节点层级来看,核心城市凭借自身的旅游集聚和吸引功能,吸引着新的节点城市不断融入,点状式分布态势越来越明显。城市对的数量急剧增多,微博签到在城市间形成的“数据流”变得越来越密集,呈现更加复杂的网络化形态。此外,东西部城市旅游功能的不断强化,城市间的旅游联系程度也变得越来越紧密,网络化的程度不断加深,城市对的联系更为密集,空间上的形态变得更为复杂多变。
（3）从整个旅游网络节点的对外联系强度来看,全国性中心城市和区域性中心城市对外联系强度明显高于区域次中心城市和地方性中心城市,体现了城市对间的强联系态势。区域次中心城市和地方性中心城市对外联系强度相对较弱,但表现出强烈的空间指向性,促使了旅游地网络结构呈现复杂化的同时,也表现明显的规律性特征。通过对比旅游网络结构演化过程发现,单中心发育模式在一定时期不同旅游地域系统内占据主导,逐渐转向以北京、上海、广州为核心的多地域、多中心的发育模式,核心城市的主导地位更加突显。此外,整个旅游网络体系呈现的多中心发育模式主导的同时,以成都和重庆为核心的区域性双核心空间结构发育模式同样并存。
（4）纵观整个旅游地域网络体系的形成和过程演变,不难发现,城市在网络结构中扮演着极其重要色角色和地位,全国性中心城市和区域性中心城市,不仅成为引领和带动周边城市旅游发展的核心主体,还作为整个旅游网络体系重要的关联主体,吸引着周围城市旅游要素的集聚与核心城市的旅游溢出,极化和涓滴效应并存。究其原因,主要来源于流空间的作用和价值,促使着不同旅游地域网络城市间旅游要素的不断流动和关联作用,对于进一步深化认知流空间的内涵与外延及其流在空间结构中的影响和意义,提供了良好的示范和展演。与此同时,为新流动式范式下重新认知和揭示复杂网络体系特征和对节点、网络、结构、空间及其相互关系的深刻解读,提供了一次理论尝试。当然,微博签到数据作为流要素众多类型中的一种表现形式,对于旅游地域网络系统及其形成的空间结构分析,难免出现一定偏颇,加上微博签到数据中旅游信息的剥离也存在难点,为复杂网络的旅游系统研究带来不便。因此,未来需要加大对旅游多源异构流数据的不断收集和获取,更加全面地分析和揭示流空间及其形成的复杂网络结构特质,从多尺度、多体系、多源异构数据的综合视角研究旅游地域系统网络及其空间结构形成的内在机理,成为今后研究的重点领域。
The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
| [1] | . |
| [2] | . |
| [3] | . |
| [4] | . . |
| [5] | . . |
| [6] | . . |
| [7] | . . |
| [8] | . |
| [9] | . |
| [10] | . . |
| [11] | . . |
| [12] | . |
| [13] | . |
| [14] | . . |
| [15] | . . |
| [16] | . |
| [17] | . |
| [18] | . 国际旅游对航空运输高度依赖,入境旅游流网络与航空网络有密切关 系。应用社会网络分析法,利用中国大陆城市与国境外城市间的国际航班信息,对由45个大陆城市与4个境外城市、110个外国城市组成的中国航空国际网络的 结构特征及其对中国入境旅游的影响进行研究。得出结论：①中国航空国际网络是核心—边缘网络;网络中核心节点数量偏少且主要是出入境口岸城市,香港、北 京、上海、广州、首尔、新加坡等城市是核心节点;边缘节点数量偏多,许多重要的入境旅游目的地城市和客源地城市在中国航空国际网络中的地位不够重要。②中 国航空国际网络对入境旅游具有决定性影响,不仅决定其空间组织模式,而且决定入境客源国结构,还影响旅游城市的入境旅游接待规模。③从拓展中国入境旅游外 国市场和扩大规模的角度看,中国航空国际网络结构亟待改善：首先,要与世界主要国家的国际枢纽机场建立更多的国际航班联系;其次,要提升我国北京、上海和 广州等机场在国际航空网络中的枢纽地位;第三,要在我国中西部地区培育国际枢纽机场,改变枢纽机场集中分布在东部沿海地区的空间分布格局;第四,要充分发 挥香港的枢纽作用,拓展入境旅游外国市场。 . 国际旅游对航空运输高度依赖,入境旅游流网络与航空网络有密切关 系。应用社会网络分析法,利用中国大陆城市与国境外城市间的国际航班信息,对由45个大陆城市与4个境外城市、110个外国城市组成的中国航空国际网络的 结构特征及其对中国入境旅游的影响进行研究。得出结论：①中国航空国际网络是核心—边缘网络;网络中核心节点数量偏少且主要是出入境口岸城市,香港、北 京、上海、广州、首尔、新加坡等城市是核心节点;边缘节点数量偏多,许多重要的入境旅游目的地城市和客源地城市在中国航空国际网络中的地位不够重要。②中 国航空国际网络对入境旅游具有决定性影响,不仅决定其空间组织模式,而且决定入境客源国结构,还影响旅游城市的入境旅游接待规模。③从拓展中国入境旅游外 国市场和扩大规模的角度看,中国航空国际网络结构亟待改善：首先,要与世界主要国家的国际枢纽机场建立更多的国际航班联系;其次,要提升我国北京、上海和 广州等机场在国际航空网络中的枢纽地位;第三,要在我国中西部地区培育国际枢纽机场,改变枢纽机场集中分布在东部沿海地区的空间分布格局;第四,要充分发 挥香港的枢纽作用,拓展入境旅游外国市场。 |
| [19] | . . |
| [20] | . . |
| [21] | . . |
| [22] | . <p>运用空间分析法、位序-规模法则、多元回归等方法,对中国旅游微博的空间分布格局进行分析,并揭示旅游微博空间分布的影响因素。研究表明:① 中国旅游微博以政府旅游微博为主体,旅游专业网站微博为重要补充,旅游景区、旅游协会微博所占比重较小。② 旅游微博东密西疏的梯度分布格局较为突出,省际分布集中性强,且大多分布在人口规模大、行政级别高的城市。③ 旅游微博规模分布满足齐夫法则,双分形结构明显,但不同类型旅游微博规模等级结构以及发育程度差异较大。④ 旅游微博空间分布受人口规模、信息化程度、旅游资源禀赋等因素的综合影响,不同类型旅游微博空间分布的影响因素表现出一定的差异性。</p> . <p>运用空间分析法、位序-规模法则、多元回归等方法,对中国旅游微博的空间分布格局进行分析,并揭示旅游微博空间分布的影响因素。研究表明:① 中国旅游微博以政府旅游微博为主体,旅游专业网站微博为重要补充,旅游景区、旅游协会微博所占比重较小。② 旅游微博东密西疏的梯度分布格局较为突出,省际分布集中性强,且大多分布在人口规模大、行政级别高的城市。③ 旅游微博规模分布满足齐夫法则,双分形结构明显,但不同类型旅游微博规模等级结构以及发育程度差异较大。④ 旅游微博空间分布受人口规模、信息化程度、旅游资源禀赋等因素的综合影响,不同类型旅游微博空间分布的影响因素表现出一定的差异性。</p> |
| [23] | . |
| [24] | . |
| [25] | . . |
| [26] | . . |
| [27] | . . |
| [28] | . |
