北京市旅游流时空特征研究

王韩亮 王冰雪 高鑫月 刘文宝

(山东科技大学 测绘与空间信息学院, 山东 青岛 266590)

0 引言

旅游流属于旅游学和地理学的交叉研究,其概念有广义与狭义之分,广义的旅游流是旅游客流、信息流、资金流、物质流、能量流和文化流的集合,狭义的旅游流单指旅游客流[1]。本文所研究的就是狭义上的旅游流。

国外对旅游流的研究最早始于20世纪60年代,研究内容主要集中于旅游流影响[2]、流量统计与预测[3]、空间结构[4]等方面。国内对旅游流的研究从20世纪90年代才逐渐兴起,从研究对象上看,主要分为两部分：一是针对入境旅游流研究,主要包括入境旅游流时空演化[5-6]、扩散特征[7]、空间结构[8-9]、影响因素[10-11]等方面;二是针对国内旅游流的研究,集中在旅游流网络结构特征[12]、空间结构[13-15]、时空分布[16-17]等方面。从研究尺度上看,在国家和区域层面做出的研究较多,对市域旅游流的研究相对匮乏,主要原因就是长时段细粒度化的旅游流数据难以获取。

大数据背景下,网络上产生的大量带有游客活动时间、位置等信息的“数字足迹”,可真实还原游客实地旅游的时空轨迹。因此,本文基于“数字足迹”,采集“去哪儿网”平台提供的游客公开发布的游记数据,试图使用高峰指数、核密度分析法总结北京市旅游流的时空特征,使用社会网络分析法分析其网络结构特征,从实践上为旅游目的地的开发与管理、旅游线路的设计及营销、不同景区之间的合作等方面提供理论参考。

1 研究设计

1.1 研究区域

本研究选取北京市为案例地。北京作为闻名遐迩的东方古都和当代中国的首都,长期以来一直是中国最重要的旅游目的地城市之一,境内文化灿烂,风景秀丽,全市文物古迹多达7 300多项,旅游景点200余处,在旅游资源上有着得天独厚的条件优势。2008年北京奥运会的举办,促使北京的旅游市场进一步升温,游客数量和旅游收入屡创新高。以2019年为例,北京市国内游客接待量达31 833万人次,国内旅游总收入为5 866.2亿元,占当年北京市生产总值的17%(资料来源：北京旅游局)。因此,本文选取北京市作为案例地,将北京市内的旅游景区、景点作为旅游节点,探究北京市旅游流的时空特征以及网络结构特征。

1.2 数据来源及处理

在数据源网站的选择上,考虑到网络平台的权威性,选取目前全球最大的中文在线旅游网站“去哪儿网”(https:∥www.qunar.com/),该网站成立15年来,用户量已累积至6亿人,拥有120万余条度假线路。本文使用网络爬虫技术采集“去哪儿网”公开发布的游记数据,总计6 335篇,时间跨度从2013—2021年,数据结构包括用户id、出游时间、逗留时长、行程节点等游客信息。

由于数据量较大且研究对象为北京市城市旅游流,为进一步甄别有效的数字足迹,在分析之前需要对数据进行必要的清洗。清洗步骤为：(1)部分游客只是将北京作为整个旅游行程中的一站,故将行程中北京市以外的节点剔除;(2)剔除行程中只包含一个景点或者仅重复游览一个景点的数据(例如,一些游客在不同的季节去游玩故宫,旨在体验故宫四季的不同);(3)根据景点的地理位置、知名度等特征,对规模较小、从属于上一级的景点进行归并处理;(4)确定景点数量,剔除游客到达次数小于15的旅游景点,最终保留旅游节点50个;(5)2020年(疫情原因)和2021年数据量少且不完整,将这两年的数据剔除,最终剩余1 680条数据,作为本研究的数据基础。

1.3 北京旅游流研究体系

本研究以北京市旅游流的时空分布特征和网络结构特征为研究对象。以“月”为时间单位,采用流量占比指数、高峰指数两个指标衡量北京市旅游流的时间特征,其中,流量占比等于某一时间段内的流量比上当年的总流量;采用ArcGIS空间分析方法中的核密度分析法揭示北京市“热点区”和“冷点区”的空间分布特征;采用社会网络分析法研究北京市旅游流的网络结构特征。

1.3.1 时间特征分析

本文在分析北京市客流量的月变化趋势的同时,在此基础使用高峰指数进一步探讨北京市旅游客流量的时间变化规律。高峰指数表示某一时期相对于其他时期利用旅游设施的程度,其计算公式为

式中,Mn为峰值指数;u1为所有研究时段中最繁忙时段的客流量;n为将各个时段按照客流量进行排序之后某个时段的排名,1为旅游流规模最大、最繁忙的时段;un为旅游流量第n位的对应时段的客流量。

1.3.2 空间特征分析

使用地理信息系统(geographic information system，GIS)空间分析法中的核密度分析法可以获知旅游流在整个研究区域的集聚情况。其原理是对输入的离散点数据或线数据使用内插的方法,将输入数据的测量分布在整个表面上,以生成一个可以反映区域内集聚情况的连续表面。

本文所研究的50个景点中,有47个位于主城区,据此,借助ArcGIS 10.2软件,采用核密度分析方法,重点研究北京市主城区的流量密度分布特征。采用詹克斯(Jenks)自然间断点分级法,将分析结果分为1至5五个等级,级别越高表示集聚程度越高,将4以上的区域定义为旅游热点区域。

1.3.3 网络特征分析

对城市旅游流网络结构的评价指标体系由旅游节点结构和旅游网络结构两个方面组成[12]。本文根据研究需要,选取节点结构中的节点中心性、网络结构中的网络规模和网络密度三个评价指标,建立评价指标体系。

2 分析结果

2.1 时间特征

根据北京市2013—2019年的客流量数据,统计各个月份的客流量与相应月份的平均客流量,如图1所示,以此分析北京市旅游流年内整体变化的特征和规律。

从图1可以看出,北京市旅游流的年内变化总体上比较平缓,除3月、11月和12月之外,其余月份的客流量基本上都占全年客流量的10%左右;在上半年,北京市的旅游流变化呈“双峰山岭”分布特征,两个较为突出的主峰分别是2月和4月。2月份的流量水平较高,究其原因,是2月份赋予了人们更加充足的旅游时间：从1月底开始,中小学及各高校陆续进入寒假时间,学生的出游量会有所增加,另外,2013—2019年的春节假期(14年除外),都处于2月份中;4月和5月,天气渐暖,气温温和,是旅游的较佳时期,而且分别经历了清明节和劳动节两个法定节假日,总体客流量较大;6月的气温较为炎热,并不是旅游的最佳时期,但是6月经历了高考和中考,广大的学生群体再次获得了旅行时间,在一定程度上促进了旅游流量的增加,所以相比5月,6月份的客流量不但没有因为气温的原因下降,反而呈上升趋势。在下半年,流量变化呈“阶梯”下降趋势。7月、8月正值暑期,游客有外出的时间,整体流量较大,但8月底至九月初学校开学,客流量有所缓降;10月份北京的气温骤降,尤其在10月下旬,但是有国庆黄金周加持,流量降幅并不大;11、12两个月份的气温,已经不适合出游,流量出现断崖式下跌。

图1 北京市客流量月份图

为进一步探讨北京旅游流在哪些时间段形成了客流高峰,研究引入饱和曲线和高峰指数(图2)。曲线下降的幅度越大,表明客流量在该时间段增长迅速,形成了突出的客流高峰。由图可知,7月、8月、2月和9月,是北京市的客流高峰时段。

图2 北京市旅游流饱和曲线及峰值指数曲线

由于以上分析结果仅基于一种数据源(网络游记数据),故分析结果的有效性和准确性有待验证。研究从北京市文化和旅游局收集北京市2015—2019年各月份的游客接待量数据和旅游收入数据(数据地址：http:∥whlyj.beijing.gov.cn/zwgk/zxgs/tjxx/history/),见图3、图4。

图3 各月份接待人数

图4 各月份旅游收入

将图1与图3、图4进行对比分析,可以很直观地发现它们的总体变化趋势具有很强的同步性。为进一步说明三组数据具有较强的相关性,研究使用埃菲沃斯(EViews)软件,对北京市每个月的平均客流量占比(图1)、平均接待人数(图3)、平均旅游收入(图4)数据进行相关性检验,结果显示：(1)平均接待人数与平均旅游收入的相关系数为0.916 319 496,旅游接待人数与旅游收入呈显著正相关;(2)平均客流量占比与平均接待人数、平均旅游收入的相关系数分别为0.744 490 811和0.644 317 281,具有较强的相关性。以上结果表明,网络游记数据与北京市文化和旅游局发布的官方数据具有很强的相关性,说明研究所使用的游记数据具有较强的代表性,能够反映北京市旅游流的真实情况。

2.2 空间特征

基于各个景点的游客流量统计数据,利用ArcGIS中的核密度分析法对北京市旅游流的集聚情况进行表征。从图5可以看出,北京市的旅游流空间分布具有明显的等级分异特征,旅游流的密度分布具有显著的不均衡性。具体来看：北京市旅游流整体上呈“小聚集、大分散”的分布特征,在中心城区主要集中于东城区的北半部分,在非中心城区则以“小型化、斑块化”的状态分布。旅游流呈现如此鲜明的等级分异特征,旅游吸引物是首要影响因素,其次为各城区的交通便捷度。

图5 北京市主城区旅游热点集聚分布[审图号为京S(2021)023号]

从旅游吸引物来看,东城区的景点数量最多,约占据整个主城区景点的30%,它们大多盘踞在东城区的北部。在这些景点中,不乏像故宫、天坛、北海公园这样的5A级、4A级景区,这些景区作为城市的品牌象征,对外来游客和本地居民有较强的吸引力。西城区、丰台区和石景山区内的旅游吸引物较少(景点数：石景山区0,丰台区1,西城区3),且景点对游客吸引力不强,因此没有热点区域。海淀区的颐和园,作为保存最为完整的一座皇家行宫御苑,是中国近代史的重要见证,历史背景颇为雄厚,朝阳区的鸟巢、水立方,作为北京奥运会的标志性建筑,自2008年奥运会举办以来,知名度大增,对游客的吸引力较大,因此,海淀区和朝阳区的热点区域以这些景点为中心,呈斑点状分布。

从北京市各城区的交通便捷度来看,王德利等人采用问卷调查的方式,选取公共设施满意度、道路通达满意度、通勤满意度、日常生活满意度及到达市中心的便捷度五项反映区域出行便捷性的指标,统计北京市主城区内居民出行满意度的空间分异特征[18]。结果显示,东城区、西城区、朝阳区西部以及海淀区的东南部,各个指标都处于很高的水平,所以旅游热点区域大多散布在这些区域;而丰台区、石景山区、海淀区和朝阳区的绝大部分区域,由于城市建设与城市交通基础设施发展不协调、道路网络规划不尽合理等原因,各项指标值均偏低,故在这些区域鲜有旅游热点区,整体客流量水平较低。

2.3 网络特征

此部分的研究,首先使用格菲(Gephi)软件绘制北京市旅游流网络结构图,接着使用乌西内特(Ucinet)软件的网络模块,分别计算北京市旅游流网络的网络规模、密度和节点中心性三方面的指标数值,据此分析北京市的网络结构特征。

2.3.1 网络规模及密度

根据1 680条游客路径数据,建立赋值矩阵,在赋值矩阵的基础上建立二分矩阵,此时需要选择合适的断点值,经过反复测试,选择8为断点值,此时在44个旅游节点之间存在旅游空间联系。基于二分矩阵,使用Gephi软件构建北京市旅游流网络结构图(图6),在网络图的绘制过程中,分别使用程度中心性和流量渲染节点的大小和连线的粗细。

图6 北京市旅游流网络结构图

在北京市总体旅游节点中,44个旅游节点实际仅存在308个联结数量,网络密度低至0.162 8,说明北京市各旅游节点之间的联动性较差,网络结构十分松散。

2.3.2 中心性

将北京市旅游流网络中各节点的程度中心性、亲近性和中介性数值整理成表1。从各指标的均值来看,内外向的程度中心性的均值均为7,表明在北京市旅游流网络中,所选取的44个旅游节点平均每个节点与7个其他节点存在旅游流集聚与辐射联系;内外向亲近性的均值不高,且方差较小,说明各旅游节点之间的联系普遍不太紧密;中介性的均值为49.205,表明平均每个节点在网络中充当旅游流中介者的次数为49.205,但其过高的方差,表明相当一部分节点之间并无直接联系,是核心节点间接使它们发生了联结。

结合分析表1和图6,可以发现南锣鼓巷、八达岭长城、故宫、天安门广场等节点的程度中心性很高,说明这些节点的集聚和辐射能力很强,在网络中居于核心地位,可以在这些节点设置游客服务中心或次级游客服务中心,提供旅游信息咨询和旅游特色商品。为了更直观地对比各个节点中介性的差异,将节点的中介性用图7进行展示,可以看出,天安门广场、南锣鼓巷、八达岭长城、天坛的中介性指标很高,其他旅游节点对它们具有较强的依赖性。对于各项中心性指标都比较低的节点,如北京自然博物馆、大观园、香山公园等,这些节点与主要旅游节点有很少的联结,加大旅游项目的开发力度,做大做强旅游品牌,提升交通的通达性,加强与核心节点组合旅游线路最为重要。

表1 北京市旅游节点结构指标

图7 北京市旅游节点中介中心性指标比较

3 结束语

本研究基于“去哪儿网”的游记数据,对北京市旅游流的时空及网络特征进行研究,得出以下结论：

(1)受气温舒适度和休闲时间的影响,北京市旅游流在2月、7月至9月形成客流高峰。在上半年,北京市旅游客流量的变化呈“双峰山岭”型分布特征,两个主峰分别是二月和四月;在下半年,除11月、12月份因气温较冷影响了外出活动的便利性,其余月份在全年都处于较高水平。

(2)北京市旅游流的空间分布具有显著的等级分异特征,总体上呈现“小聚集、大分散”的特征,在中心城区高度集中于东城区的北部,在非中心城区则以“小型化、斑块化”的特征分布。对流量较高的节点进行分析,发现它们大都属于历史文化遗迹。北京市旅游流的空间分布特征表明：旅游吸引物是游客空间集聚的主导因素,景点的文化底蕴是特色要素。

(3)在北京市旅游流网络中,所选取的44个旅游节点平均每个节点与7个其他节点存在着旅游流集聚与辐射联系;平均每个节点充当旅游流中介者的次数为49.205。但旅游网络中各旅游节点之间分布十分不均衡,网络密度也很低(0.162 8),只在几个比较受欢迎的节点之间存在较强的联动性。

同传统方法相比,“旅游数字足迹”具有获取成本低、时空结合性强、处理方便等优点,但是,每一种数据都有其自己的优缺点和适用空间尺度,没有哪一种数据可以完整记录所有游客的流动轨迹,这在一定程度上会影响研究结果的准确性和科学性。使用多源数据进行交互验证和融合,就可以有效解决上述问题,但本文的数据源只有一种,而且在数字足迹提取的规范性和科学性等问题上,也需要进一步探讨。应融合不同类型、不同平台的旅游数据,将有助于更好地揭示旅游流发展特征,以期为城市旅游提供智能化支持。