城市旅游流网络结构特征及其影响因素

doi:10.3969/j.issn.1004-9479.2021.01.2019344

摘要/Abstract

摘要：

目前对于旅游流网络形成的影响因素的研究多为区域尺度，因此以上海为例，将国内游客赴上海自由行作为对象，利用网络游记采集2018年上海自由行行程信息，扩充了对旅游节点类型的选取范围，结合社会网络分析法，构建有向旅游流网络，研究国内游客赴上海自由行所形成的旅游流网络结构特征，并通过回归分析研究其影响因素。结果表明，①网络密度较低，网络核心-边缘区结构分层明显，但核心区对边缘区的带动能力有待提高；②目前以核心城区的著名景点以及上海迪士尼乐园为核心旅游节点；③整体而言，网络中旅游节点重要程度的影响因素为核心节点的影响力、旅游节点自身的知名度以及交通便利程度。在此基础上提出了旅游节点应如何提高自身在网络中的重要程度或是融入网络。

关键词: 旅游流, 数字足迹, 社会网络, 网络游记, 回归分析, 上海市

Abstract:

The current studies on the influencing factors of the tourist flow network are more focused on the regional scale, thus Shanghai is taken as an example. Taking domestic tourists who traveled to Shanghai independently as study object and expanding the selection of the tourist nodes, this thesis extracted digital footprint of Shanghai independent travel itinerary during the year 2018 from online travel notes with data mining. Using social network analysis to construct the directed network, the study analyzed the network structure of Shanghai tourist flow. The influencing factors were analyzed through regression model. It is suggested that (1) the network density is quite low, forming a significant core-peripheral structure, and the core zone's effect on the periphery zone needs to be strengthened; (2) the core tourism nodes are the traditional well-known tourist attractions in the downtown area and the Shanghai Disneyland; (3) the influencing factors of the importance of tourism nodes in the network are the influence of the core nodes, the popularity of tourism nodes and the convenience of transportation. Based on these findings, the thesis could guide tourism nodes to strengthen their status in the network or to help them merge into the network.

Key words: tourist flow, digital footprint, social network, online travel notes, regression analysis, Shanghai

李倩, 曲凌雁. 城市旅游流网络结构特征及其影响因素[J]. 世界地理研究, 2021, 30(1): 114-124.

Qian LI, Lingyan QU. The network structure and influencing factors of the tourist flow within the city: The case of Shanghai[J]. World Regional Studies, 2021, 30(1): 114-124.

图/表 7

图1 上海旅游网络结构图

Fig.1 The structure of Shanghai tourist flow network

表1 上海旅游流网络“核心-边缘”模型

Tab.1 "Core periphery" model of Shanghai tourist flow network

类别

具体节点

核心区

（9个）

陆家嘴、外滩、南京路步行街、新天地、豫园、田子坊、迪士尼乐园、东方明珠、上海科技馆

边缘区

（54个）

上海博物馆、静安寺、武康路、思南路、周公馆、孙中山故居纪念馆、迪士尼旗舰店、上海交通大学（徐汇校区）、中华艺术宫、多伦路、甜爱路、1933老场坊、鲁迅公园、外白渡桥、七宝老街、上海市历史博物馆、上海中心、思南公馆、迪士尼小镇、环球金融中心，等（仅列出前20个）

表2 上海旅游流网络节点中心性分析

Tab.2 Centrality analysis of tourism nodes in Shanghai tourist flow network

旅游节点	程度中心性		接近中心性		中间中心性
旅游节点	外向	内向	外向	内向	中间中心性
外滩	27	24	6.51	7.99	1064.71
田子坊	18	18	6.42	7.89	541.19
豫园	17	18	6.41	7.87	291.81
南京路步行街	16	16	6.40	7.86	327.64
陆家嘴	14	7	6.35	7.69	172.00
迪士尼乐园	12	15	6.34	7.84	158.18
东方明珠	10	7	6.33	7.68	41.28
新天地	8	10	6.32	7.76	178.48
1933老场坊	6	5	6.29	7.69	205.59
武康路	5	8	6.28	7.74	267.00
…	…	…	…	…	…
均值	3.65	3.65	5.43	6.28	64.02

表3 上海旅游网络节点结构洞分析

Tab.3 The structural hole analysis of tourism nodes

旅游节点	结构洞
旅游节点	效能大小	效率性	约束性
外滩	30.23	0.86	0.12
田子坊	17.31	0.79	0.16
豫园	16.37	0.74	0.19
南京路步行街	15.67	0.75	0.22
迪士尼乐园	11.19	0.66	0.24
陆家嘴	11.10	0.69	0.26
武康路	8.69	0.87	0.27
新天地	8.14	0.68	0.30
东方明珠	5.94	0.54	0.35
思南路	4.44	0.63	0.46

表4 上海市旅游流网络凝聚子群密度矩阵

Tab.4 The density matrix of the cohesive subgroups

子群	1	2	3	4	5	6	7
1	0.338	0.107	0.168	0.059	0.024	0.042	0.039
2	0.123	0.009	0.013	0	0	0.013	0.01
3	0.118	0.013	0	0.029	0	0	0.016
4	0.118	0	0	0.1	0.12	0	0
5	0	0	0.114	0.12	0.1	0	0.022
6	0.008	0.026	0	0.029	0	0.119	0
7	0	0	0	0	0	0	0
8	0	0	0	0	0	0	0.111

表5 变量原始数据的描述性统计

Tab.5 Descriptive statistics of variables’ original data

	变量名称	平均值	标准差
被解释变量	效能大小	3.44	5.07
	交通便捷度（缓冲区内地铁站个数）	2.51	1.54
	旅游接待能力（缓冲区内三星级以上酒店个数）	12.79	9.41
解释变量	旅游资源禀赋（缓冲区内旅游节点个数）	5.79	3.99
	商业便捷度（缓冲区内购物中心个数）	7.11	5.26
	旅游节点知名度（百度指数）	982.13	1587.22
	是否为核心节点	0.14	0.35
	距离最近的核心节点的距离（米）	3535.14	6934.82

表6 回归结果

Tab.6 Regression result

变量	（1）以是否为核心节点衡量核心节点的影响	（2）以距离最近的核心节点的距离衡量核心节点的影响
交通便捷度	0.482^*** （0.169）	0.330^* （0.192）
旅游接待能力	0.079 （0.110）	0.076 （0.126）
旅游资源禀赋	-0.116 （0.110）	-0.287^** （0.129）
商业便捷度	-0.013 （0.089）	0.030 （0.101）
旅游节点知名度	0.049^** （0.024）	0.053^* （0.028）
核心节点的影响力	1.906^*** （0.213）	-0.219^*** （0.031）
常数项	-0.351 （0.290）	1.609^*** （0.456）
$R 2$	0.664	0.564
样本数	63	63

表6 回归结果

Tab.6 Regression result

变量	（1）以是否为核心节点衡量核心节点的影响	（2）以距离最近的核心节点的距离衡量核心节点的影响
交通便捷度	0.482^*** （0.169）	0.330^* （0.192）
旅游接待能力	0.079 （0.110）	0.076 （0.126）
旅游资源禀赋	-0.116 （0.110）	-0.287^** （0.129）
商业便捷度	-0.013 （0.089）	0.030 （0.101）
旅游节点知名度	0.049^** （0.024）	0.053^* （0.028）
核心节点的影响力	1.906^*** （0.213）	-0.219^*** （0.031）
常数项	-0.351 （0.290）	1.609^*** （0.456）
$R 2$	0.664	0.564
样本数	63	63

参考文献 26

1	Onder I, Koerbitz W, Hubmann-Haidvogel A. Tracing tourists by their digital footprints: The case of Austria. Journal of Travel Research, 2014, 55(5): 566-573
2	阮文奇,张舒宁,郑向敏. 中国游客赴泰旅游流网络结构及其形成机理研究.世界地理研究,2018,27(4):34-44.
	Ruan W, Zhang S, Zheng X. A study on the network structure of Chinese tourists' traveling to Thailand and its formation mechanism. World Regional Studies, 2018,27(4):34-44
3	吴中堂, 刘建徽, 袁俊. 大陆居民赴台湾自由行旅游流网络分析及演化研究. 旅游学刊, 2016, 31(10):113-121.
	Wu Z, Liu J, Yuan J. Network analysis and evolutionary studies based on tourist flows of Mainland residents' self-service traveling in Taiwan. Tourism Tribune, 2016, 31(10):113-121.
4	徐敏,黄震方,曹芳东,等.基于在线预订数据分析的旅游流网络结构特征与影响因素——以长三角地区为例.经济地理, 2018,38(06):193-202.
	Xu M, Huang Z, Cao F, et al. The network structure features and influence factors of tourism flows based on online data analysis—Taking the Yangtze River Delta Region as an example. Economic Geography, 2018,38(06):193-202.
5	廖继武.核心-边缘结构对旅游客流时间分布的影响——以广东肇庆市为例.地域研究与开发,2019,38(1):100-105.
	Liao J. Impact on the travel time of tourist flow by the core-peripheral structure. Areal Research and Development,2019,38(1):100-105.
6	李磊,陆林,穆成林,等.高铁网络化时代典型旅游城市旅游流空间结构演化——以黄山市为例.经济地理,2019,39(05):207-216+225.
	Li L, Lu L, Mu C, et al. Spatial structure evolution of tourist flow in typical tourist cities in the period of high-speed rail networking: A case study of Huangshan City. Economic Geography, 2019,39(05):207-216+225.
7	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.人文地理,2014,29(4):111-118.
	Zhang Y, Li J,Yang M. The tourism flow network structure of Xi' an based on tourism digital footprint. Human Geography, 2014,29(4):111-118.
8	朱尧,邹永广,陈璐. 基于UGC数据的国内都市旅游流时空特征分析——以上海为例. 旅游论坛,2019,12(4):33-41.
	Zhu Y, Zou Y, Chen L. Analysis of spatial characteristics of urban tourism flow based on UGC data - Take Shanghai as an example. Tourism Forum, 2019,12(4):33-41.
9	王录仓, 严翠霞, 李巍. 基于新浪微博大数据的旅游流时空特征研究——以兰州市为例. 旅游学刊, 2017, 32(5):94-105.
	Wang L, Yan C, Li W. Research on spatial-temporal characteristics of tourist flow based on Sina Microblog LBS data: an case study of Lanzhou. Tourism Tribune, 2017, 32(5):94-105.
10	戴文,丁蕾,吴晨,刘培学,张义杰.基于大数据的旅游流时空分布特征研究——以南京市为例.现代城市研究,2019(02):38-44.
	Dai Wen, Ding Lei, Wu Chen, et al. Big data based spatial-temporal distribution pattern of tourism flow: A case study of Nanjing. Modern Urban Research, 2019(02):38-44.
11	蔚海燕, 戴泽钒, 许鑫,等. 上海迪士尼对上海旅游流网络的影响研究——基于驴妈妈游客数字足迹的视角. 旅游学刊, 2018, 33(4):33-45.
	Yu H, Dai Z, Xu X, et al. The impact of Shanghai Disneyland on Shanghai's tourist flow network: From the perspective of tourists'digital footprints on the Lvmama Website. Tourism Tribune, 2018, 33(4):33-45.
12	Girardin F, Calabrese F, Fiore F D, et al. Digital footprinting: Uncovering tourists with user-generated content. IEEE Pervasive Computing, 2008, 7(4):36-43.
13	Zheng Y T, Zha Z J, Chua T S. Mining travel patterns from geotagged photos. Acm Transactions on Intelligent Systems & Technology, 2012, 3(3):1-18.
14	Salasolmedo M H, Garciapalomares J C, Gutierrez J. Tourists' digital footprint in cities: comparing big data sources. Tourism Management, 2017, 66:13-25.
15	杨兴柱, 顾朝林, 王群. 南京市旅游流网络结构构建. 地理学报, 2007, 62(6):609-620.
	Yang X, Gu C, Wang Q. Urban tourism flow network structure construction in Nanjing. Acta Geographica Sinica, 2007, 62(6):609-620.
16	申通远, 朱玉杰. 创新合作社会网络中企业中心性特征的影响因素.技术经济,2018,37(11):22-32+80.
	Sheng T,Zhu Y. Influencing factors of firm's centrality in innovation coordination network.Technology Economics,2018,37(11):22-32+80.
17	Maine E M, Vining S A R. The role of clustering in the growth of new technology-based firms. Small Business Economics, 2010, 34(2):127-146.
18	Chhetri A, Chhetri P, Arrowsmith C, et al. Modelling tourism and hospitality employment clusters: A spatial econometric approach. Tourism Geographies, 2016, 19(3):1-27.
19	Peiro-Signes A, Segarra-Ona M D V, L Miret-Pastoret al. The effect of tourism clusters on U.S. Hotel Performance. Cornell Hospitality Quarterly, 2015, 56(2):155-167.
20	马远,徐俐俐."一带一路"沿线国家天然气贸易网络结构及影响因素.世界经济研究,2017(03):109-122.
	Ma Y, Xu L. Network structure and influence factors of gas trade about the countries along "the Belt and Road". World Economy Studies,2017(03):109-122.
21	查晓莉,陆林.基于旅游数字足迹的访沪国内旅游者时空行为研究.旅游研究,2017,9(04):63-73.
	Zha X, Lu L. Study of the spatial-temporal behavior of domestic tourists in Shanghai, China based on tourism digital footprint. Tourism Research, 2017,9(04):63-73.
22	郭雅婷,贾铁飞.基于旅游数字足迹的访沪国内游客时空行为特征研究.资源开发与市场,2017,33(09):1147-1152.
	Guo Y, Jia T. Study on Temporal-spatial behavior characteristics of domestic tourists in shanghai based on tourists' digital footprints. Resource Development & Market, 2017,33(09):1147-1152.
23	张鲜鲜,李婧晗,左颖,等.基于数字足迹的游客时空行为特征分析——以南京市为例.经济地理,2018,38(12):226-233.
	Zhang X, Li J, Zuo Y, et al. Study on spatial-temporal characteristics of tourist behavior based on digital footprints: Taking Nanjing for example. Economic Geography, 2018,38(12):226-233.
24	金准.产品结构变动对旅游流空间结构的优化效应分析———以杭州为例. 旅游学刊,2006,21(7) : 42-47.
	Jin Z. An analysis of optimization effects of the changes in product spatial structure of tourist flow: A case study on Hangzhou. Tourism Tribune,2006,21(7) : 42-47.
25	汪秉宏,韩筱璞.人类行为的动力学与统计力学研究.物理,2010,39(01):28-37.
	Wang B, Han X. The dynamics and statistical mechanics of human behaviors. Physics, 2010,39(01):28-37.
26	冯学刚,黄成林. 旅游地理学. 北京:高等教育出版社, 2006.
	Feng X, Huang C. Tourism geograhy. Beijing: Higher Education Press, 2006.

[1]	沈泽洲, 王承云. 上海参与全球科技创新网络地位研究[J]. 世界地理研究, 2023, 32(2): 93-103.
[2]	闫姗姗, 刘承良. 中国对外技术转移网络的空间演化及其影响因素[J]. 世界地理研究, 2023, 32(1): 19-30.
[3]	张小青, 张建新, 刘培学, 魏瑞兵, 唐璐. 边疆省域旅游流的网络结构及影响因素[J]. 世界地理研究, 2022, 31(4): 837-848.
[4]	李文辉, 邱晓晴. 基于社会网络的城市疫情空间扩散及治理研究[J]. 世界地理研究, 2022, 31(3): 637-648.
[5]	郑晴晴, 周素红, 文萍. 边界效应下居民跨珠海-澳门边界活动特征与机制分析[J]. 世界地理研究, 2022, 31(3): 662-672.
[6]	王瑞莉, 刘玉, 王成新, 李梦程, 唐永超, 薛明月. 黄河流域经济联系及其网络结构演变研究[J]. 世界地理研究, 2022, 31(3): 527-537.
[7]	吴丽君, 朱宇, 颜俊, 柯文前, 林李月. “一带一路”沿线国家或地区间人口迁移的空间格局及其演化特征[J]. 世界地理研究, 2022, 31(2): 249-258.
[8]	杨雨, 盛科荣. 中国城市网络关联格局的演变及影响因素：基于企业网络视角[J]. 世界地理研究, 2021, 30(6): 1208-1218.
[9]	赵蕾, 韦素琼, 游小珺. 基于SNA的全球电子信息制造业贸易网络演化特征及机理研究[J]. 世界地理研究, 2021, 30(4): 708-720.
[10]	韩剑磊, 明庆忠, 史鹏飞, 骆登山. 多维“流”视角下区域旅游网络结构特征及其作用机制分析——以云南省为例[J]. 世界地理研究, 2021, 30(3): 645-656.
[11]	叶滨鸿, 程杨, 王利, 李东晔, 杨林生. 北极地区地缘经济关系演变研究[J]. 世界地理研究, 2021, 30(2): 234-244.
[12]	朱尧, 邹永广, 李强红, 李志强. 网络关系视角下中国公民出境旅游安全感知事件时空分布特征[J]. 世界地理研究, 2020, 29(6): 1304-1312.
[13]	张清源, 李磊, 陆林. 旅游体验视角下旅游流网络结构比较研究[J]. 世界地理研究, 2020, 29(6): 1213-1225.
[14]	田卫民, 孟帅康, 王桀. 云南、广西面向东盟的旅游经济联系及社会网络演化[J]. 世界地理研究, 2020, 29(6): 1226-1236.
[15]	梅大伟, 修春亮, 冯兴华. 中国城市信息网络结构演变特征及驱动因素分析[J]. 世界地理研究, 2020, 29(4): 717-727.