EN中文

JOURNAL OF NATURAL RESOURCES >

2022 , Vol. 37 >Issue 12: 3167 - 3182

DOI: https://doi.org/10.31497/zrzyxb.20221210

Regular Articles

Evolution of spatial pattern of inbound tourism flows and enlightenment of high-quality development of metropolitan tourism: A case stady of Shanghai

  • WANG Chao-hui ,
  • QIAO Hao-hao ,
  • ZHANG Shan-shan ,
  • GAO Yang
Expand
  • School of Geography and Tourism, Anhui Normal University, Wuhu 241000, Anhui, China

Received date: 2021-11-29

  Revised date: 2022-01-27

  Online published: 2022-12-28

Fold

Abstract

Inbound tourism is an important indicator of the international development of a metropolis as well as a focus of related research. Modern means are used to explore the spatial pattern and evolution of inbound tourism flows, and analyze the path and countermeasures of high-quality development and utilization of urban tourism resources by mining the digital footprint information of large samples of inbound tourism in Shanghai. It is found that: (1) The inbound tourism flows in Shanghai generally present a high concentration of centers, and the spatial density is decreasing from the core to the periphery. In the main urban areas, the inbound tourism flows cluster around CBD/RBD, core attractions, cultural and sports venues, distinctive neighborhoods and transport hubs, and stretch into patches; in the peripheral areas, they cluster around tourism attractions, with a distribution characterized by "small clustering and large dispersion". (2) The cross-regional pattern is the main spatial behavioral trajectory of inbound tourism flows in Shanghai, showing a central diffusion dominant characteristic radiating from the centre to the periphery. (3) The core and peripheral nodes of the overall network of inbound tourism flows vary greatly in terms of rank and connectivity, but over time, the scale of the network continues to expand and the structure of the network shows a continuous optimization and balanced development. (4) The rank and centrality of cultural and creative tourism nodes such as New World and Tianzifang continue to increase in the network structure, and the Expo heritage Chinese Art Palace has a significant impact on the network structure, with increasing agglomeration and diffusion functions. (5) Based on the analysis above, the paths and countermeasures are proposed for creative development and forming effective clusters relying on regional cultural resources; making full use of the influence of major events for thematic development, integrating edge nodes and regional resources to create new spaces for network growth; and strengthening the construction of public systems and linking core-edge nodes to promote the high-quality development of regional tourism. The study can provide theoretical guidance for the high-quality development of urban tourism, and give reference for the high-quality development of tourism in similar major events such as the Winter Olympics.

Key words： inbound tourism flows; spatial structure; pattern evolution; tourism resources; high-quality development

Cite this article

WANG Chao-hui , QIAO Hao-hao , ZHANG Shan-shan , GAO Yang . Evolution of spatial pattern of inbound tourism flows and enlightenment of high-quality development of metropolitan tourism: A case stady of Shanghai[J]. JOURNAL OF NATURAL RESOURCES, 2022 , 37(12) : 3167 -3182 . DOI: 10.31497/zrzyxb.20221210

旅游流是旅游者在区域空间上移动及其产生的一系列经济和社会效应的集合，作为旅游行为的典型空间形态，旅游流受到学术领域的持续关注[1]。入境旅游流是旅游流的一种重要类型，通过对入境旅游者在旅游目的地空间分布及轨迹动向的研究，可为城市旅游开发、基础设施及游憩设施的建设布局等提供借鉴与指导[2]。入境旅游流的研究有中观与微观的空间视角尺度，中观视角多为多个城市区域之间尺度，而微观尺度则聚焦城市内部节点之间的流动特征[3]。随着经济转型及城市旅游的快速发展，旅游者在城市内部的空间移动对城市的交通、环境、旅游、文化、基础设施等的影响日益凸显，微观的城市内部旅游流研究日益得到国内外学者的广泛关注[4]。
入境旅游流是旅游地理学研究的热点问题。国外对入境旅游流的研究成果较为丰硕，早期主要使用面板数据，运用计量地理学等学科方法，对入境旅游流的规模进行了预测[5,6]。随着入境游客数量不断增加，研究开始从地理学、地理信息系统等学科视角，关注入境游客的空间移动，总结其流动模式[7,8]，并从旅游设施服务、旅游景点吸引力、旅游成本等方面对入境旅游流的影响因素进行研究[9⇓-11]。改革开放以来，随着旅游交通网络、旅游服务设施等不断完善，中国入境旅游人数趋于稳定增长[2]，国内学界开始重点关注这一领域。早期研究多使用统计数据和调查问卷数据作为研究基础，利用数学模型等方法，对全国和不同区域空间尺度下入境旅游流的空间结构进行了研究，总结其空间扩散路径[12⇓-14]。随着入境游客的数量和行为的动态变化，研究领域开始从时间序列关注入境旅游流的时空演进[15⇓-17]，并从入境旅游地的设施环境、经济发展水平、游客属性差异等方面对入境旅游的影响因素与机制进行了研究[18⇓⇓-21]。随着研究的深入，社会网络分析和GIS空间分析方法引入入境旅游流研究中，其应用越来越广泛[2,22⇓⇓-25]。这些研究一定程度上揭示了入境旅游者在一定区域旅游目的地的分布特征，但对旅游“流”的特性和节点间关联变迁揭示不够，此外如何获取科学的数据也是一个关键的问题。
伴随着互联网快速发展，新地理信息技术的迭代[26,27]，微博、微信、Facebook、Twitter、Panoramio、Youtube、Flicker等网络社交平台的兴起，越来越多的用户热衷于在社交媒体上分享自己的旅行经历，公众成为了地理信息服务和信息提供的共同载体，在这种浪潮下，旅行博客、游记、微博签到数据、旅游照片等成了旅游流研究获取数据的新路径，这种以社交媒体数据为基础的旅游数字足迹研究逐步兴起[28⇓⇓-31]。社交网络平台中有大量带有拍摄时间信息以及经纬度属性的“地理标记照片”，研究者通过这些数据的挖掘，获得精确海量的地理标记照片信息，以此作为入境旅游流研究的数据库。国内外基于数字足迹对旅游流的研究成果主要集中在运用GIS地理信息技术探索入境旅游流的空间分布、旅游热点的特征研究[32,33]；通过对大规模旅游照片内容挖掘，解构旅游者的旅行行为模式，进行旅游线路推荐与旅游目的地预测[34,35]；利用地理标记图片，通过数学算法、空间分析等方法对入境旅游流的空间特征进行探索[3,36,37]。已有的研究利用旅游者数字足迹大数据，描述一定区域范围的旅游地在特定时间节点上或时间内，旅游者到访节点的静态分布特征。而基于旅游数字足迹大数据，分析入境旅游流动态演化特征，剖析一定旅游区域内部节点间相关关系及其变迁，刻画旅游区域内部结构发展演化过程的动态研究有待进一步深入拓展。
本文以上海市为案例地，通过挖掘大样本旅游数字足迹信息，分析入境旅游流空间分布特征及空间行为模式，探索入境旅游流网络空间格局演化特征，探究城市更新背景下的大都市旅游吸引物网络结构变化的规律性，以期为大都市旅游空间优化与高质量发展提供理论指导与实践借鉴。

1 研究方法与数据来源

1.1 研究区概况

选择上海市作为研究案例，范围确定依据《上海市城市总体规划（1999—2020年）》和《上海市城市总体规划（2017—2035年）》确定的上海市和上海市主城区的范围。主城区包括中心城区（以外环为界，黄埔、徐汇、普陀、杨浦、长宁、静安六个城区以及外环线内的浦东新区）和虹桥、宝山、闵行、川沙四个片区。上海市作为国家中心城市和高度开放的国际化大都市，是中国经济中心、贸易中心、航运中心、金融中心和科技创新中心。截至2020年底，上海市拥有国家4A级及以上旅游景区71家，以及迪士尼主题公园、中华艺术宫等国际知名的旅游吸引物。上海市旅游业发达，是中国入境旅游重要的口岸，国际旅游吸引力巨大[14]。近年来入境旅游发展迅速，2019年接待国际旅游入境者897.23万人次，其中过夜旅游者占比为81.9%，旅游外汇收入超80亿美元。上海市也是国际航空网络上的重要枢纽，拥有浦东和虹桥两个国际机场，航线覆盖全球150多个国家和地区。因此，选择上海市作为案例地开展入境旅游流时空格局与演化特征研究具有典型性与代表性。

1.2 数据来源

研究数据来源于Flickr网站，Flickr是一个以提供免费及付费照片储存、网络社群服务及用户分享的互联网平台。该网站是全球最早也是最专业的图片社交Web 2.0网站，目前已有超1亿用户上传的60多亿张照片，其用户遍布全球且以国外用户为主。通过编写python程序语言来获取2006年至2019年上半年上海市域范围内所有入境旅游数字足迹数据，共获取54389张带有拍摄时间、拍摄地经纬度、用户ID、照片ID、地点ID及照片标题等属性信息的数字足迹数据。
基于数据可得性和入境旅游行为特征研究，在全量样本的基础上通过四步数据筛选控制准则，逐步减少数据干扰，优选数字足迹样本数据。一是根据上传和拍摄时间，删除上传时间早于拍摄时间的错配数据记录；二是删除拍摄者为非入境旅游数字足迹的属性数据记录；三是删除同一游客在同一时间而地理坐标不同的错误数据记录；四是同一游客在同一时间拍摄的具有相同坐标的多条数据记录，删除类同数据记录。经过逐步筛选，不断控制数据质量，持续提升样本数据的精准性，最终获取14274条有效入境旅游数字足迹样本数据，并以此构建入境旅游数字足迹信息数据库。

1.3 研究方法

1.3.1 轨迹追踪分析法

为深入研究入境旅游者游览空间行为路径轨迹模式，采用ArcGIS追踪分析法，将游客照片数字足迹中的地理位置属性以及时间属性添加到空间图层中，解构旅游者的时空拟态行为，可视化表达入境旅游流在上海市境内的游览轨迹，并利用追踪分析模块的数据统计结果解构旅游者的空间行为特征。

1.3.2 社会网络分析法

社会网络分析法主要用于研究现实个体与组群之间的关系，关注行动者之间的联系，引入社会网络到旅游领域研究中，能更加深入地研究旅游地游客空间行为，以揭示旅游流在区域间的流动关系、空间扩散模式以及区位等级差异。社会网络分析方法主要功能的实现是围绕二维矩阵展开，先要确定适当的网络切点值，将数字矩阵转化为二维矩阵，在二维矩阵的基础上利用NetDraw可视化工具绘制出入境旅游移动轨迹网络图，以此来刻画网络空间热点等级和各个节点之间的联系。鉴于目标设定，本文采用社会网络分析法来分析上海市入境旅游流网络特征和空间行为特征。

2 结果分析

2.1 入境旅游流空间行为和网络结构特征

2.1.1 入境旅游流空间行为特征

（1）空间行为格局特征
将入境旅游数字足迹按照经纬度地理信息，与配准后的上海市电子地图进行叠加，然后进行核密度分析。从整体市域尺度上看（图1a、图1b），上海市入境游客数字足迹分布呈现出高度中心集聚的特征，以主城区为热点核心向外围逐步递减。数字足迹以南京路、泰康路、复兴路、方浜中路、黄浦江及世纪大道为扩散轴线形成多个集聚核，同时围绕中环线、天山西路和中山南路形成若干次级核心区，整体呈现“大分散、小集聚”的空间分布格局特征。
图1 上海市入境旅游数字足迹空间分布

Fig. 1 Spatial distribution of digital footprint of inbound tourists in Shanghai

在主城区，通过数字足迹分布图、核密度分布图与《上海市交通图》《上海市行政区划图》《上海市旅游景点分布图》等进行叠加分析，发现入境旅游数字足迹在以外滩—人民广场一带绝对核心区域密集分布（图1c、图1d）。核密度热点和次级热点集中分布在淮海路、南京路、徐家汇、陆家嘴等城市CBD/RBD，及以人民广场为中心的核心组团。入境旅游数字足迹空间在主城区分布格局与旅游吸引物的分布格局基本吻合，主城区外围的次核心节点也表现出相同的特征，入境游客在外滩、静安寺、环黄浦江、东方明珠、七宝老街、田子坊、金茂大厦、迪士尼乐园以及朱家角古镇等重点旅游吸引物区域留下了大量的数字足迹。主城区入境旅游数字足迹空间集聚分布表现出边界模糊、复合成片的特征，这与主城区业态齐全、功能完善、要素空间重叠有关。而在主城区以外的入境旅游数字足迹分布集中区域，呈现边界清晰并与旅游吸引物位置重叠的孤岛式分布特征。入境旅游数字足迹空间集中分布于上海站、虹桥站、上海南站、吴淞码头以及虹口足球场公交枢纽等城市交通枢纽节点，其空间分布与城市主要交通节点、交通干道呈现出较高的契合度，而围绕黄浦江、京沪高速、绕城高速、沪杭高铁、南浦大桥及杨浦大桥等城市主要交通沿线形成线性数字足迹分布。
（2）空间行为轨迹模式特征
通过对数字足迹轨迹追踪，研究入境旅游流空间行为模式，分析上海市入境旅游用户的三种空间行为模式分布特征，即单点行为轨迹、区域内行为轨迹和跨区域行为轨迹。单点行为轨迹模式是指单次旅游活动中只上传了一张照片数字足迹，单点行为模式占全部群体的30.91%，占数字足迹样本的4.88%。区内行为轨迹模式采用的是多点参访模式，但空间范围仅限于同一区域范围内，该模式的比例较低，仅占全部人群样本的5.70%，占总照片数字足迹的7.18%。跨区域行为轨迹模式是入境旅游数字足迹涉及2个及2个以上行政区域，这种模式的游客比例为63.39%，总照片数占全部数字足迹比例达87.94%，人均产生足迹照片8.82张，是入境旅游主导的行为轨迹模式。跨区域行为轨迹模式的照片上传用户数、拍摄照片数和人均拍摄照片数都占比最大，表明多数入境游客到访上海后空间活动范围较大。进一步分析发现，多数跨区域空间行为轨迹是以黄浦区为起点向外围扩散（图2），但是轨迹线指向主城区内比例较大，中心城区以外区域流动较少；跨区域行为轨迹的辐射终点外围向西指向朱家角古镇、枫泾古镇、南翔古镇、佘山度假区、汽车博览园等旅游节点，向东指向浦东机场、地质博物馆、海滨乐园等节点，北至区域到达西沙湿地公园、金鳌山公园及东滩湿地公园一带，向南指向金山城市沙滩、渔人码头和临海港新城一带。
图2 入境旅游空间行为轨迹模式

Fig. 2 Trajectory pattern of inbound tourism spatial behavior

2.1.2 入境旅游流网络结构特征

根据入境旅游流数字足迹经纬度地理位置信息，运用Web检索确定游客到访的具体地点，筛选出到访地点在三个及以上，且到访地是上海市旅游吸引物的足迹信息，将筛选后的数据整理成游客移动轨迹数据集，建构空间移动轨迹数据组成的入境旅游流数据库。为了清晰勾勒入境旅游流空间分布格局特征，在数据处理过程中将空间紧邻且具有同质性的地物进行合并，将虹桥机场与虹桥站合并为虹桥枢纽，外滩观光隧道并入外滩，上海美术馆、梅赛德斯广场并入中华艺术宫，城市规划馆、博物馆、人民广场、人民公园、上海历史博物馆、上海大剧院统一用人民广场指代等，然后在此数据库基础上建立数据矩阵，运用社会网络方法深入分析。
（1）入境旅游流网络结构
用旅游流网络节点的数量来衡量入境旅游流的网络规模，当网络中有n个旅游节点，则该网络图中最多可以有n(n-1)个数量关系。旅游流网络密度以入境游客在旅游网络中实际产生的关系数量与理想状态下最多可能出现的关系数量之比表示，网络节点间的连接数量及紧密程度决定着网络密度值的大小，密度越大表示节点之间建立的联系越多，网络越紧密。上海市入境旅游流网络选择以1为切点的网络密度为0.1218，入境旅游流网络中共有43个节点之间建立了联系（图3）。其中，人民广场、中华艺术宫、东方明珠、金茂大厦、黄浦江、陆家嘴、外滩、豫园、静安寺、新天地及南京路等11个节点构成了入境游客旅游网络中心，游客到访率最高；环球金融中心、浦东机场、朱家角、田子坊等11个节点形成次级网络中心，游客到访率较高。
图3 上海市入境旅游流总体网络

Fig. 3 Overall social network of inbound tourism flow in Shanghai

（2）网络分布平衡程度
通常以中心度和中心势来测度旅游节点在整体旅游网络中的中心地位，中心度用来衡量某一节点在与其他节点发生联系时占据的影响力及支配程度，中心势则是衡量某一节点在整体网络中的整合一致性，反映整体旅游流网络的平衡程度[38]。
程度中心度是用来衡量和筛选节点是否居于旅游网络的核心位置，分为外向和内向程度中心性，分别表示某一节点与其他节点发生的向外和向内联系。相应的程度中心势用来衡量旅游流网络整体的集聚或分散程度，值越高表示越集聚，反之则相对分散[38]。对比程度中心性的均值和中心势（表1）可以发现上海市入境旅游网络平均每个节点与5.116个其他节点之间存在相互联系，较高的程度中心势表明其旅游网络发育不平衡，表现在外滩、人民广场、豫园、南京路、东方明珠等11个节点的程度中心度在10以上，承担着区域旅游的集散与服务功能，而七浦等20个节点的内外向程度中心度都在4以下，表明还在发展的过程中；接近中心度的值表示某一点与其他点之间的联系紧密程度，而接近中心势与程度中心势类似表示整个网络的集中程度，接近中心度仍是前11个节点的数值相对较高，表明旅游者的轨迹选择中大都包含了这些点，龙华寺、迪士尼乐园、龙华旅游城和上海马戏城这四个节点的外向中心度小而内向中心度大，二者差异超过10，表明这四个节点作为进入点时向其他点的转移较少，而依赖于其他节点；中介中心度是衡量某一节点的关键性及对其他节点的支配作用，而中介中心势越低表明旅游网络中的节点更倾向于依赖核心节点，对比中介中心性的均值和中心势可以发现上海市平均每个节点在旅游网络中承担了1.648次的中介职能，中介中心势的数值为0.2098，表明核心节点在旅游网络中的支配作用明显，对其他节点的影响作用显著。
表1 上海入境旅游流网络节点结构指标

Table 1 Node structure index of inbound tourism flow in Shanghai

旅游节点 程度中心性 接近中心性 中介中心性 节点等级特征
外向 内向 外向 内向
外滩 26 21 8.171 15.970 21.981 核心旅游吸引物
豫园 18 18 8.124 15.489 7.930 核心旅游吸引物
人民广场 17 20 8.155 15.441 12.887 核心旅游吸引物
南京路 14 18 8.124 15.273 6.014 核心旅游吸引物
中华艺术宫 13 6 7.910 15.217 3.379 核心旅游吸引物
陆家嘴 11 11 8.015 15.000 1.193 核心旅游吸引物
金茂大厦 11 13 8.046 15.108 4.144 核心旅游吸引物
东方明珠 11 13 8.046 15.054 4.276 核心旅游吸引物
黄浦江 11 10 8.000 15.054 4.199 核心旅游吸引物
静安寺 10 9 7.955 15.000 1.455 核心旅游吸引物
新天地 10 2 7.940 14.789 1.059 核心旅游吸引物
浦东机场 7 8 7.807 14.789 0.059 一般旅游吸引物
玉佛寺 7 7 7.910 18.557 0.265 一般旅游吸引物
环球金融中心 6 7 7.940 14.583 0.403 一般旅游吸引物
老城厢 6 8 7.925 14.737 0.916 一般旅游吸引物
城隍庙 5 3 7.850 14.286 0.315 一般旅游吸引物
朱家角 5 4 7.850 14.634 0.075 一般旅游吸引物
田子坊 4 6 7.880 14.286 0.045 一般旅游吸引物
徐家汇 4 9 7.636 14.094 0.072 一般旅游吸引物
法租界 4 1 7.706 14.286 0.085 一般旅游吸引物
滨江公园 3 1 7.865 14.094 0.020 一般旅游吸引物
虹桥枢纽 3 2 7.706 14.433 0.078 一般旅游吸引物
丝绸博物馆 2 4 7.650 14.000 0 一般旅游吸引物
七浦 2 1 7.735 14.000 0 边缘旅游吸引物
M50创意园 2 2 7.721 13.907 0 边缘旅游吸引物
1933老场坊 2 0 8.502 2.306 0 边缘旅游吸引物
世纪公园 1 0 8.468 2.326 0 边缘旅游吸引物
外白渡桥 1 2 7.807 13.376 0 边缘旅游吸引物
龙华寺 1 3 2.326 15.441 0 边缘旅游吸引物
动物园 1 0 7.721 14.141 0 边缘旅游吸引物
七宝 1 0 8.400 2.326 0 边缘旅游吸引物
水族馆 1 0 8.350 2.326 0 边缘旅游吸引物
植物园 0 1 8.350 2.326 0 边缘旅游吸引物
龙华旅游城 0 1 2.326 15.789 0 边缘旅游吸引物
摩西会馆 0 1 8.171 2.326 0 边缘旅游吸引物
上海马戏城 0 1 2.326 16.279 0 边缘旅游吸引物
中山公园 0 1 2.326 16.279 0 边缘旅游吸引物
城市发展历史陈列馆 0 1 8.219 2.326 0 边缘旅游吸引物
迪士尼 0 3 2.326 15.498 0 边缘旅游吸引物
南浦大桥 0 1 8.333 2.326 0 边缘旅游吸引物
上海科技馆 0 4 8.219 2.326 0 边缘旅游吸引物
交通科技馆 0 1 8.350 2.326 0 边缘旅游吸引物
体育场 0 2 8.333 2.326 0 边缘旅游吸引物
均值 5.116 5.116 7.256 11.731 1.648 —
标准差 5.946 5.739 2.002 5.642 4.088 —
总和 220 220 316.52 532.817 70.85 —
中心势/% 50.907 38.719 — — 20.98 —
总体来看，上海市入境旅游流网络分布呈现不平衡特征，较多的节点依赖于核心节点并通过核心节点与其他点相联系，外围节点之间的联系甚少，多直接与核心节点相流通而不是通过次级核心逐级扩散。上海市入境旅游数字足迹空间分布具有强中心集聚特征，中心旅游节点对入境游客的吸引力具有垄断性特征，以外滩、人民广场、豫园、东方明珠等在内的11个核心节点构成了上海市入境旅游的集聚核心、集散中心和集散枢纽。
（3）核心边缘关系分析
结合实际数据，利用核心—边缘模型来判定各个旅游节点在整体社会网络中的核心或边缘地位，运用Ucinet软件中的核心—边缘模型分析上海入境旅游网络的核心—边缘密度矩阵（表2）和组成节点[38]。
表2 核心—边缘密度矩阵

Table 2 Core-edge density matrix

类别 核心 边缘
核心 0.735 0.151
边缘 0.148 0.013
综合软件输出的数据指标界定入境旅游核心节点，分别为外滩、豫园、金茂大厦、人民广场、中华艺术宫、陆家嘴、田子坊、东方明珠、南京路、静安寺、黄浦江等，这一结果与前述分析吻合。在整体网络平均密度为0.1218的情况下，核心节点之间的密度值达到了0.735，而边缘成员间的密度仅为0.013，表明上海市入境旅游网络中节点间存在明显的等级差异，中心节点间联系紧密，而外围节点间联系不足；核心与边缘之间的联结度相对不高，核心节点对外围节点的带动影响效应还有待提高。

2.2 入境旅游流网络格局演化

为进一步刻画入境旅游流网络的空间演进和旅游资源的开发演化，对不同时间周期的入境旅游网络结构特征进行对比分析。考虑核心节点吸引物开发时序以及重大事件引发的城市更新产生的旅游影响效应，将2010世博会举办、2016迪士尼开园作为节点时间窗口，将研究周期划分为上海世博会前、世博会开幕（2010年5月1日）—迪士尼建成（2016年6月15日）、迪士尼开园（2016年6月16日）至2019上半年三个阶段（下文分别简称为前世博时期、世博时期和迪士尼时期），对三个时期网络结构特征进行对比分析（图4~图6），来刻画入境旅游流空间演进特征。
图4 前世博时期上海市入境旅游网络

Fig. 4 Shanghai's inbound tourism network during pre-Expo period

图5 世博时期上海市入境旅游网络

Fig. 5 Shanghai's inbound tourism network in Expo period

图6 迪士尼时期上海市入境旅游网络

Fig. 6 Shanghai's inbound tourism network in Disney period

2.2.1 网络格局特征变迁

对比三个时期上海市入境旅游流网络特征，在前世博时期网络切点值选择1时，共有35个节点建立了整体网络，网络密度为0.0471；世博时期网络节点数达到41个，网络密度为0.0616；迪士尼时期网络节点数量为43个，网络密度为0.0383。
随着时间推移，上海市入境旅游数字足迹分布的空间区域日益扩散，网络节点间的联络日益密切（表3）。前世博时期入境旅游空间网路节点等级中，主要由外滩、豫园、人民广场、南京路、黄浦江、东方明珠、金茂大厦7个核心吸引物节点，以及陆家嘴、静安寺、玉佛寺、新天地、浦东机场、七宝古镇、老城厢、城隍庙、虹桥枢纽、七浦、外白渡桥、龙华寺、上海动物园等13个一般吸引物节点组成。在世博时期，网络结构由10个核心节点和14个一般节点组成，其中中华艺术宫（世博园）、陆家嘴、环球金融中心成为核心吸引物节点，朱家角、丝绸博物馆、中山公园、徐家汇等4个节点由边缘节点变成一般吸引物节点。到了迪士尼时期，网络结构中核心节点共有11个核心节点和16个一般节点组成，其中迪士尼、田子坊成为这一时期的核心节点，新天地、滨江公园、M50创意园、法租界、1933老场坊、摩西会馆、城市发展历史陈列馆成为这一时期的一般吸引物，玉佛寺、丝绸博物馆、龙华寺等由一般吸引物变为边缘吸引物。
表3 上海市入境旅游三个阶段网络中心度指数

Table 3 Network centrality index of three stages of inbound tourism in Shanghai

旅游节点 程度中心性 接近中心性 中介中心性
外向 内向 外向 内向
外滩 13 15 8 9 15 12 4.76 30.25 18.98 5.79 30.78 15.30 19.56 13.20 17.14
人民广场 6 8 6 11 13 7 4.70 20.17 17.82 5.63 29.63 15.18 11.56 7.05 6.86
豫园 8 10 7 6 11 4 4.71 28.78 18.06 5.74 28.57 15.13 9.85 5.49 10.63
南京路 3 5 7 7 7 4 4.68 27.78 17.90 5.73 28.17 15.02 6.19 2.25 5.57
东方明珠 2 7 6 8 8 3 4.68 27.40 17.75 5.77 28.40 14.29 6.54 0.44 1.34
黄浦江 3 10 3 5 7 5 4.68 27.40 18.06 5.70 27.40 15.07 3.51 2.36 9.78
金茂大厦 3 10 4 4 5 3 4.68 27.97 17.37 5.68 27.40 14.91 2.53 0.57 3.27
中华艺术宫 — 6 3 — 4 5 — 27.21 17.90 — 26.49 14.31 — 2.16 3.15
静安寺 2 1 1 3 2 1 5.69 25.81 17.67 4.61 26.85 14..12 5.96 0.00 2.12
陆家嘴 5 4 4 1 7 0 5.62 27.78 17.67 4.70 27.59 14.49 3.18 1.28 4.14
新天地 1 3 1 2 2 1 5.64 26.32 16.6 4.67 27.21 14.96 0.76 1.41 3.97
老城厢 1 1 0 4 3 1 5.70 26.14 17.37 4.60 26.32 15.75 1.79 0.00 2.30
环球金融中心 — 5 1 — 5 3 — 26.67 17.08 — 26.14 14.75 — 0.80 2.4
城隍庙 1 1 0 2 3 1 5.66 26.64 15.83 4.63 25.64 14.64 0.04 0.13 0.81
玉佛寺 2 1 0 0 0 0 4.24 25.32 16.08 2.86 25.64 14.19 1.66 0.00 0.18
法租界 0 0 0 0 1 2 2.86 25.48 17.08 2.86 26.49 14.44 0.31 0.00 1.70
虹桥枢纽 1 2 2 0 0 1 4.86 25.32 16.94 2.86 25.16 14.24 0.02 0.00 1.13
徐家汇 0 1 0 0 0 1 2.86 24.69 15.65 2.86 24.24 14.19 0.14 0.00 2.21
朱家角 0 2 2 0 0 2 2.86 26.14 16.80 2.86 25.81 14.09 0.39 0.00 0.32
浦东机场 1 3 2 0 1 1 4.90 25.14 17.23 2.86 26.14 13.85 0.36 0.00 0.64
田子坊 0 0 2 0 1 2 2.86 25.97 17.83 2.86 25.97 14.44 0.57 0.00 3.18
滨江公园 0 0 1 1 1 1 2.86 24.54 16.14 5.78 26.31 14.49 0.00 0.00 0.21
丝绸博物馆 0 2 0 0 0 0 2.86 25.64 15.65 2.86 25.32 14.04 2.63 0.00 0.41
七浦 1 1 0 0 0 0 4.82 23.12 13.85 2.86 24.54 14.34 0.46 0.00 0.22
M50创意园 — 0 1 — 0 0 — 23.95 15.89 — 25.97 14.44 — 0.00 0.32
1933老场坊 0 0 0 0 0 3 2.86 24.69 15.65 2.86 24.24 14.29 0.00 0.00 0.38
七宝 1 0 0 2 0 0 4.60 23.12 16.27 5.85 25.16 13.35 2.04 0.00 0.07
世纪公园 0 0 1 0 2 0 2.86 23.53 16.94 2.86 26.14 13.53 1.31 0.00 0.51
外白渡桥 1 0 0 0 0 1 4.82 23.67 2.38 2.86 24.84 19.71 0.00 0.00 0.00
龙华寺 1 0 0 0 0 0 4.82 23.44 15.77 2.86 28.84 14.09 0.12 0.00 0.04
动物园 0 0 0 0 0 0 2.86 24.54 19.34 2.86 25.16 13.18 0.70 0.00 0.00
体育场 0 1 0 0 0 0 2.86 23.67 14.59 2.86 25.81 13.53 0.00 0.00 0.06
水族馆 — 0 0 — 0 1 — 22.35 15.77 — 22.60 13.99 — 0.00 0.25
植物园 0 0 0 1 0 0 2.86 24.54 19.34 5.95 22.75 2.38 0.00 0.00 0.00
摩西会馆 0 0 1 0 1 0 2.86 22.99 16.67 2.86 26.14 13.95 0.00 0.00 0.07
城市发展历史陈列馆 0 0 1 1 0 0 2.86 23.44 15.77 2.86 25.64 14.09 0.00 0.00 0.00
交通科技馆 0 0 0 0 0 0 2.86 24.69 2.38 2.86 23.95 15.95 0.00 0.00 0.00
中山公园 0 1 0 0 0 0 4.82 24.48 18.22 2.68 22.44 2.38 0.00 0.00 0.00
迪士尼 — — 3 — — 0 — — 17.52 — — 14.75 — — 6.50
南浦大桥 0 0 0 0 1 0 — — 2.44 — — 16.02 0.00 0.00 0.04
上海科技馆 0 0 0 0 0 0 2.68 25.48 2.38 2.68 24.09 15.16 0.00 0.00 0.00
龙华旅游城 0 0 0 0 0 0 — 23.33 2.38 — 23.44 2.38 — 0.00 0.00
上海马戏城 0 0 0 0
1.33
22.41		 0 0 — 24.85 16.87 — 20.62 14.34 — 0.00 0.00
均值 1.33 2.04 1.56 2.04 1.56 3.87 24.94 15.24 4.08 25.15 13.50 2.35 0.89 2.20
中心势/% 34.5 32.13 16.06 32.13 26.07 — — — — — — 17.72 27.6 15.3

注：中心势数据为百分比值。每项中心性数值从左到右分别对应前世博时期、世博时期、迪士尼时期的中心性指数。

2.2.2 网络中心度演化

从整体节点中心性指标演化上来看，大多数节点的外向程度中心性、内向程度中心性总体上处于持平或变小的趋势，外向接近中心性、内向接近中心性相较于前世博时期和世博时期都呈现一定程度的减小。中介中心性指标上，除人民广场、南京路、东方明珠等节点在这一指标上持续减小以外，黄浦江、豫园、新天地、中华艺术宫、陆家嘴、法租界、环球金融中心、田子坊、徐家汇、老城厢、虹桥枢纽等节点吸引物的中介中心性均有不同程度的提高，其中黄浦江、新天地、田子坊三个阶段的中心性稳步上升态势明显。进一步分析入境旅游网络结构的中心势变化情况，网络节点外向程度中心势指数在第三个时期逐步降低，反映出节点间等级差异逐步缩小；而网络中介中心势指数呈现逐步降低，反映出网络中处于核心地位的旅游节点对网络的整体影响功能日益增强，中心势总体变化特征揭示了上海市入境旅游网络结构的不断优化与均衡发展。

2.2.3 核心边缘关系演进

对上海市入境旅游流网络节点间的核心—边缘关系分析显示，三阶段共性特征明显，均为明显的等级差异，中心区联系紧密，外围间联系不足，核心与边缘之间的联结度相对不高，核心节点对外围节点的带动影响还有待提高。
从三阶段演化来看（表4），汇聚到网络中心的核心节点不断增多，越来越多的旅游节点接近网络中心，节点等级差异有下降趋势，世博时期网络核心节点间联系的关系指数最大，迪士尼时期的关系指数最小。这与建设世界著名旅游城市的战略推进，滨江休闲旅游区、城市中心商务区、迪士尼园区、外围古镇古村以及特色乡村旅游开发密切相关，使得入境旅游者在上海市有了更多的出行节点选择，加之近年来世界旅游休闲度假市场发展等因素的驱动，使得上海市入境旅游流网络空间范围日趋扩散，节点间等级均衡化发展的趋势更加明显。
表4 上海市入境旅游流网络核心边缘关系

Table 4 Core-edge relationship of inbound tourism flow network in Shanghai

演进阶段 核心—核心 核心—边缘 边缘—核心 边缘—边缘
前世博时期 0.619 0.061 0.071 0.005
世博时期 0.967 0.143 0.148 0.009
迪士尼时期 0.482 0.059 0.063 0.005

3 结论与启示

3.1 研究结论

基于Flickr网站用户分享的大样本照片类旅游数字足迹，以ArcGIS时空分析技术、空间轨迹追踪技术、社会网络分析方法，分析上海市入境旅游流空间分布特征、行为轨迹模式，研究入境旅游流空间网络结构特征，探索入境旅游流网络空间格局演化特征与规律。主要结论如下：
（1）入境旅游流空间分布具有高度中心集聚特征，分布密度最高等级的区域位于黄浦区中心地带以及以外滩为中心的黄浦江滨江地带，总体分布以该区域为热点核心向外围梯度扩散，呈现“大分散、小集聚”的空间分布格局。在主城区空间集聚表现出边界模糊、复合成片的分布特征，主城区以外呈现边界清晰与旅游吸引物空间重叠的孤岛式分布格局特征。
（2）主城区内入境旅游流围绕南京路、淮海路、徐家汇、陆家嘴等城市CBD/RBD以及人民广场中心片区形成高度集聚分布，围绕外滩、黄浦江、东方明珠、迪士尼以及七宝、七浦古镇、佘山度假区等旅游吸引物形成空间集聚，围绕中华艺术宫、上海国展中心、上汽赛车场等文体场馆，形成空间相对集聚分布，在都市外围区域以旅游吸引物为核心呈现空间集中分布的特征。
（3）跨区域行为模式是上海入境旅游流主导行为模式，占比最大，且多是从中心城区向外围放射状扩散并连接沿线节点，呈现中心区主导特征。而区内行为模式与单点行为模式的旅游流行为模式，多集中黄浦区、浦东区的核心区域以及上海市标志性旅游吸引物。
（4）入境旅游流总体网络结构中，人民广场、中华艺术宫、东方明珠、金茂大厦、黄浦江、陆家嘴、外滩、豫园、静安寺、新天地、南京路等11个节点构成了入境旅游流网络空间结构中心，是网络高集聚与扩散功能强的核心吸引物。核心节点之间的联系紧密，但核心节点与外围节点联系不足，核心与边缘之间的联结度不高，核心节点对边缘节点与外围节点的带动效应不强。
（5）前世博、世博、迪士尼不同时期入境旅游流网络构成的节点总数、核心节点数、一般节点数呈现阶段递增特征。在入境旅游流网络规模不断增长的同时，网络节点的平均中介中心度指数相对值在逐步增大，核心节点的集聚与扩散效应不断加强；网络外向程度中心势与中介中心势指数在逐步降低，入境旅游网络结构中各个节点间等级差异在逐步缩小，网络结构不断优化与均衡发展。
（6）城市更新背景下的旅游资源高效开发利用对网络格局变迁影响显著。上海世博会引发世博园区域快速更新，产生中华艺术宫世博遗产，在世博及其后十年间，对上海旅游发展影响大，网络结构中处于较高等级，中介中心性指数持续增长，揭示世博旅游资源高质量利用对上海旅游发展格局产生深刻而持久的影响，并已经成为上海市标志性的旅游吸引物。新天地、田子坊、M50创意园等文创旅游资源的开发利用，持续推动入境旅游流网络结构变迁，表征了入境旅游消费行为模式与偏好的变化，揭示了基于城市更新背景下的文化旅游资源高质量开发利用，对入境旅游集聚与扩散产生日趋显著影响。迪士尼的建成开园，快速推动入境旅游流网络结构的变化，网络特征揭示了高品质主题公园对入境旅游影响的品牌与扩散效应，对上海市旅游发展格局与国际旅游竞争力产生积极显著的影响效应。
研究将静态的入境旅游数字足迹与动态的游客轨迹相结合，通过重大城市更新工程时间节点窗口入境旅游流网络空间结构的比较，揭示了大都市入境旅游流网络空间节点及其等级的动态更新过程，刻画了入境旅游流空间节点之间联系的动态变化与演化过程。从静态结构来看，与北京等[3,32,33,36,37]大城市入境旅游流结构中的历史街区具有绝对的核心地位类似，上海市入境旅游网络结构的核心则表现出中心城区的垄断性，而在入境游客轨迹特征上也显示了跨区主导的行为模式[12,13,16,19,21,22,25,37]。随着时间推移，特色街区建设、世界博览会、迪士尼主题公园等多途径城市更新产生的旅游新兴节点，不断推动网络规模扩张和节点等级的发展演化，推动旅游流网络空间的不断优化，带动上海市都市旅游产业的快速发展。

3.2 研究启示

都市旅游资源的高质量开发与高效率利用，对于都市旅游可持续发展影响显著，对都市经济、社会、文化发展影响作用深远，以上海市为例研究都市旅游流空间格局变迁，为都市旅游可持续发展与资源的高质量开发利用提供理论指导，为北京等类同大都市旅游开发与发展提供借鉴。
大都市中心城区作为现代都市的核心功能区，也是都市旅游发展的重点和热点区域，该区域商业设施齐全、文化赋存多元、旅游资源富集、综合交通便捷、配套服务完善。在城市更新发展过程中，旅游资源的持续开发与产品迭代升级，特别是有效利用富有内涵底蕴的都市文化旅游资源进行创意开发，能够形成特色旅游产品，有效提升都市旅游竞争能力和入境影响力。借鉴上海新世界、田子坊、M50创意园等传统区域开发模式，推进都市传统老旧区域有机更新，寻求都市旅游创意开发新路径，通过挖掘城市本底和区域文化旅游资源赋存，利用城市更新的多种模式与路径，强化文化旅游资源的创意开发，推进文化休闲街区、文化创意园区、特色主题文化场馆等新型业态的开发建设，培育都市文化休闲旅游地理空间组团，推动都市核心吸引物空间体系形成集聚，不断促进都市旅游吸引力和旅游流网络规模与节点等级的扩展提升。
上海世博旅游资源的开发与有效利用，大大促进了入境旅游网络连接度和节点的中心功能，对大都市旅游发展产生重大而深远的积极影响，上海世博资源开发经验，可为当前冬奥会旅游开发与后续有效利用及其高质量发展提供启示与借鉴。世博会、冬奥会等类同国际性重大事件，从其筹备、举办到后事件时期的旅游开发，对都市旅游与入境旅游发展产生重要正向效应，大大提升举办地的国际影响力与国际旅游目的地形象。要充分利用重大事件的持续发展效应，依托主题场馆资源和产业配套资源，谋划冬奥会等重大事件举办场馆及其设施的后续升级和转型发展，注重高能级、文化性与主题化打造，在特定产品类型中形成拳头产品，使之成为提升旅游国际竞争力与国际影响力的重要路径。
坚持都市旅游高质量发展，统筹都市区、城郊结合部、乡村区域的协调发展，充分利用大都市城郊与乡村生态、文化、遗存、民俗等资源，建设环城游憩带与乡村度假地，开发乡村度假业态，建设都市旅游扩散网络结构新空间。上海市研究成果可为北京等大都市旅游发展提供借鉴，要充分利用冬奥会北京、延庆、张家口三个赛区的举办机遇，整合场馆资源，进行后事件主题旅游产品开发，以冬奥会重大事件旅游为契机，整合沿线传统旅游资源和新兴旅游资源，聚合旅游要素资源，提升整体吸引力，构建多元产品供给体系。加快推进都市旅游服务体系建设与品质升级，发挥都市核心旅游节点的集聚与扩散功能，推动网络结构新空间不断形成与扩展。
推进大都市公共服务、集散体系、信息体系与导览系统的建设，建构便捷的全域旅游公共服务体系。通过便捷的信息和交通集散，不断强化核心节点在都市旅游网络结构中的核心作用，促进旅游流的快速集散，形成核心节点吸引、一般节点中介、边缘节点扩散的网络空间结构，强化大都市区域核心节点、一般节点与边缘节点的联动与合作，提升旅游流结构网络中边缘节点的融入度，增强旅游流网络中集聚型景点和核心路径（线路）的带动作用，提升网络的均衡发展[38,39]，推进资源的高质量利用和都市旅游的高质量发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
VU H Q, LI G, LAW R, et al. Exploring the travel behaviors of inbound tourists to Hong Kong using geotagged photos. Tourism Management, 2015, 46(1): 222-232.

DOI

[2]
吴晋峰, 潘旭莉. 京沪入境旅游流网络结构特征分析. 地理科学, 2010, 30(3): 370-376.

[ WU J F, PAN X L. Characteristic of Beijing and Shanghai inbound tourists flow network. Scientia Geographica Sinica, 2010, 30(3): 370-376.]

DOI

[3]
秦静, 李郎平, 唐鸣镝, 等. 基于地理标记照片的北京市入境旅游流空间特征. 地理学报, 2018, 73(8): 1556-1570.

DOI

[ QIN J, LI L P, TANG M D, et al. Exploring the spatial characteristics of Beijing inbound tourist flow based on geotagged photos. Acta Geographica Sinica, 2018, 73(8): 1556-1570.]

DOI

[4]
LEW A A, MCKERCHER B. Trip destinations, gateways and itineraries: The example of Hong Kong. Tourism Management, 2002, 23(6): 609-621.

DOI

[5]
GARÍN-MUÑOZ T, MONTERO-MARTÍN L F. Tourism in the Balearic Islands: A dynamic model for international demand using panel data. Tourism Management, 2007, 28(5): 1224-1235.

DOI

[6]
SONG H Y, WITT S F. Forecasting international tourist flows to Macau. Tourism Management, 2006, 27(2): 214-224.

DOI

[7]
JANSEN-VERBEKE M, SPEE R. A regional analysis of tourist flows within Europe. Tourism Management, 1995, 16(1): 73-80.

DOI

[8]
HWANG Y H, GRETZEL U, FESENMAIER D R. Multicity trip patterns: Tourists to the United States. Annals of Tourism Research, 2006, 33(4): 1057-1078.

DOI

[9]
PRIDEAUX B. Factors affecting bilateral tourism flows. Annals of Tourism Research, 2005, 32(3): 780-801.

DOI PMID

[10]
KHADAROO J, SEETANAH B. The role of transport infrastructure in international tourism development: A gravity model approach. Tourism Management, 2008, 29(5): 831-840.

DOI

[11]
GARÍN-MUN-OZ T. Inbound international tourism to Canary Islands: A dynamic panel data model. Tourism Management, 2006, 27(2): 281-291.

DOI

[12]
马耀峰, 李永军. 中国入境后旅游流的空间分布研究. 人文地理, 2001, 16(6): 44-46, 35.

[ MA Y F, LI Y J. Research on spatial region-division of inbound tourist flow in China. Human Geography, 2001, 16(6): 44-46, 35.]

[13]
卞显红, 沙润, 杜长海. 长江三角洲城市入境旅游流区域内流动份额分析. 人文地理, 2007, 22(2): 32-38.

[ BIAN X H, SHA R, DU C H. Analysis on regional floating share of inbound tour flow in the Yangtze River Delta. Human Geography, 2007, 22(2): 32-38.]

[14]
魏颖, 马耀峰, 李创新. 口岸城市入境旅游流空间扩散路径实证研究: 以上海市为例. 旅游科学, 2010, 24(5): 32-39.

[ WEI Y, MA Y F, LI C X. An empirical research on spatial diffusion paths of inbound tourist flows in Chinese port cities: A case study of Shanghai. Tourism Science, 2010, 24(5): 32-39.]

[15]
唐弘久, 保继刚. 我国主要入境客源地游客的时空特征及影响因素. 经济地理, 2018, 38(9): 222-230, 239.

[ TANG H J, BAO J G. Spatio-temporal characteristics and influencing factors of tourists from main inbound tourist source for China. Economic Geography, 2018, 38(9): 222-230, 239.]

[16]
马晓龙. 西安旅游区入境旅游流时空演变及系统调控. 人文地理, 2006, 21(4): 88-93.

[ MA X L. Tempo-spatial of oversea tourists flow and its systematical adjusting in Xi'an tourism districts. Human Geography, 2006, 21(4): 88-93.]

[17]
李创新, 马耀峰, 张颖, 等. 1993—2008年区域入境旅游流优势度时空动态演进模式: 基于改进熵值法的实证研究. 地理研究, 2012, 31(2): 257-268.

[ LI C X, MA Y F, ZHANG Y, et al. Dynamic evolution mode of regional dominance indexes of Chinese inbound tourism flows during 1993 to 2008: An empirical research based on modified entropy technology. Geographical Research, 2012, 31(2): 257-268.]

[18]
郑鹏. 基于社会宏观与个体微观视角的入境旅游流驱动模式. 地理科学进展, 2013, 32(10): 1501-1510.

DOI

[ ZHENG P. Driving force model for inbound tourist flow from macroscopic and microcosmic perspectives. Progress in Geography, 2013, 32(10): 1501-1510.]

DOI

[19]
刘法建, 张捷, 陈冬冬. 中国入境旅游流网络结构特征及动因研究. 地理学报, 2010, 65(8): 1013-1024.

DOI

[ LIU F J, ZHANG J, CHEN D D. The characteristics and dynamical factors of Chines inbound tourist flow network. Acta Geographica Sinica, 2010, 65(8): 1013-1024.]

[20]
张子昂, 保继刚. 多重距离对中国入境与出境旅游流的影响: 基于组态的视角. 地理科学, 2021, 41(1): 13-21.

DOI

[ ZHANG Z A, BAO J G. Effects of multiple distances on inbound and outbound tourism flows in China: A configuration-based perspective. Scientia Geographica Sinica, 2021, 41(1): 13-21.]

DOI

[21]
张佑印, 顾静, 马耀峰, 等. 北京入境旅游流分级扩散模式及动力机制分析. 人文地理, 2012, 27 (5): 120-127.

[ ZHANG Y Y, GU J, MA Y F, et al. Study on diffusion model and dynamic mechanism of Beijing inbound tourists' flow. Human Geography, 2012, 27(5): 120-127.]

[22]
刘宏盈. 广东入境旅游流西向扩散距离衰减规律研究. 经济地理, 2012, 32(11): 162-165, 170.

[ LIU H Y. The distance attenuation rules of Guangdong inbound tourism flow's western towards diffuse. Economic Geography, 2012, 32(11): 162-165, 170.]

DOI

[23]
王金莹, 吴晋峰, 唐澜, 等. 亚洲入境旅游流地理分布及网络结构特征分析. 资源科学, 2013, 35(8): 1701-1709.

[ WANG J Y, WU J F, TANG L, et al. Distribution of Asian inbound tourist flows and structural characteristics. Resources Science, 2013, 35(8): 1701-1709.]

[24]
姚云霞, 管卫华, 李在军. 江苏省入境旅游流的时空演变及影响因素分析. 旅游科学, 2016, 30(5): 52-62.

[ YAO Y X, GUAN W H, LI Z J. An analysis of the temporal-spatial evolution of inbound tourist flow of Jiangsu province and its influencing factors. Tourism Science, 2016, 30(5): 52-62.]

[25]
王奕祺, 吴晋峰, 韩立宁, 等. 北京入境旅游流地理分布与网络特征研究. 干旱区资源与环境, 2014, 28(6): 202-208.

[ WANG Y Q, WU J F, HAN L N, et al. Geographical distribution and network structure characteristics of Beijing in bound tourist flows. Journal of Arid Land Resources and Environment, 2014, 28(6): 202-208.]

[26]
刘耀林. 新地理信息时代空间分析技术展望. 地理信息世界, 2011, 9(2): 21-24.

[ LIU Y L. The expectation of spatial analysis technology in New Era of geographic information. Geomatics World, 2011, 9(2): 21-24.]

[27]
李君轶, 唐佳, 冯娜. 基于社会感知计算的游客时空行为研究. 地理科学, 2015, 35(7): 814-821.

DOI

[ LI J Y, TANG J, FENG N. Tourists' spatio-temporal behavior based on socially aware computing. Scientia Geographica Sinaca, 2015, 35 (7): 814-821.]

[28]
SALAS-OLMEDO M H, MOYA-GÓMEZ B, GARCÍA-PALOMARES J C, et al. Tourists' digital footprint in cities: Comparing big data sources. Tourism Management, 2018, 66(3): 13-25.

DOI

[29]
WALDEN-SCHREINER C, LEUNG Y F, TATEOSIAN L. Digital footprints: Incorporating crowd sourced geographic information for protected area management. Applied Geography, 2018, 90(1): 44-54.

DOI

[30]
ORSI F, GENELETTI D. Using geotagged photographs and GIS analysis to estimate visitor flows in natural areas. Journal for Nature Conservation, 2013, 21(5): 359-368.

DOI

[31]
KISILEVICH S, MANSMANN F, KEIM D. P-DBSCAN: A density based clustering algorithm for exploration and analysis of attractive areas using collections of geo-tagged photos. In: Association for Computing Machinery. Proceedings of the 1st International Conference and Exhibition on Computing for Geospatial Research & Application. New York: Association for Computing Machinery, 2010: 1-4.

[32]
HU Y J, GAO S, JANOWICZ K, et al. Extracting and understanding urban areas of interest using geotagged photos. Computers, Environment and Urban Systems, 2015, 54(11): 240-254.

DOI

[33]
GARCÍA-PALOMARES J C, GUTIÉRREZ J, MÍNGUEZ C. Identification of tourist hot spots based on social networks: A comparative analysis of European metropolises using photo-sharing services and GIS. Applied Geography, 2015, 63(9): 408-417.

DOI

[34]
CHEN Y Y, CHENG A J, HSU W H. Travel recommendation by mining people attributes and travel group types from community-contributed photos. IEEE Transactions on Multimedia, 2013, 15(6): 1283-1295.

DOI

[35]
MAJID A, CHEN L, CHEN G C, et al. A context-aware personalized travel recommendation system based on geotagged social media data mining. International Journal of Geographical Information Science, 2013, 27(4): 662-684.

DOI

[36]
丁娟, 李俊峰. 基于Web地理图片的中国入境游客POI空间格局. 经济地理, 2015, 35(6): 24-31.

[ DING J, LI J F. Spatial patterns of Chinese inbound tourist POI: An analysis of geographic information from web pictures. Economic Geography, 2015, 35(6): 24-31.]

[37]
卢淑莹, 黄鑫, 陶卓民. 基于地理标记照片的入境游客空间特征与移动轨迹: 以南京市为例. 自然资源学报, 2021, 36(2): 315-326.

[ LU S Y, HUANG X, TAO Z M. Spatial patterns and moving trajectory of inbound tourists based on geo-tagged photos: A case study of Nanjing city. Journal of Natural Resources, 2021, 36(2): 315-326.]

DOI

[38]
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. 经济地理, 2020, 40(3): 225-233, 240.

[ WANG C H, 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. Economic Geogpahy, 2020, 40(3): 225-233, 240.]

[39]
王金伟, 王国权, 刘乙, 等. 井冈山红色旅游流时空分布及网络结构特征. 自然资源学报, 2021, 36(7): 1777-1791.

[ WANG J W, WANG G Q, LIU Y, et al. Spatio-temporal distribution and network structure of red tourism flow in Jinggangshan. Journal of Natural Resources, 2021, 36(7): 1777-1791.]

DOI

Options
Outlines

/

〈 〉