基于新浪微博大数据旅游流时空特征探究.docVIP

基于新浪微博大数据旅游流时空特征探究 　　[摘 要]伴随着“互联网+”的普及、智能移动设备的广泛使用，以微博为代表的社交网络位置服务信息逐渐增多，为研究旅游流时空特征提供了新的数据来源和视角。文章利用新浪微博LBS签到数据和核密度估计分析方法，从时空维度对兰州市旅游流特征进行了研究。结果表明：旅游流在时间维度上存在明显的节律性，无论是年变化，还是日变化，均表现出明显的旅游流初现期-高峰期-回落期-休眠期变化特征，季相变化明显，夏半年和冬半年存在较大差异，“双峰”特征显著；日变化呈现偏态“金字塔”形结构特征；在空间维度上，具有典型的“核心（城区）-边缘（周边区域）”结构特征，切合旅游景点和旅游服务接待设施空间分布格局。女性游客签到量大于男性游客，流量变化小于男性；女性游客主要集中在主城区活动，男性游客则偏好户外活动丰富的郊野森林公园。省、内外旅游流在时间维度上存在着明显的“超前-滞后”效应，在空间选择上存在着一定的错位现象。从旅游流活动轨迹来看，表现出明显的“轴线-散点”态势：中山桥―白塔山公园―城隍庙―黄河母亲像―水车博览园为主的“黄河风情线”是主要的轴线，而外围地区主要的景点成为吸引游客的主要“散点”，无论是主城区，还是外围地区，均没有形成闭合的旅游环线 [关键词]新浪微博；LBS签到数据；旅游流时空特征；兰州市 [中图分类号]F59 [文献标识码]A [文章编号]1002-5006（2017）05-0094-12 Doi： 10.3969/j.issn.1002-5006.2017.05.014 引言 伴?S着“互联网+”的普及、移动设备的广泛使用，以及云计算等技术的兴起，数据正在以前所未有的速度爆炸式增长。它不仅深刻影响了人类社会经济系统的变化，同时也重构了全球的虚拟空间和实体空间结构形式[1]。Bakis将其划分为地理空间、网络空间和地理网络空间（geocyberspace）[2]。随着位置感知设备（location aware device，LAD）、位置服务技术（location based service，LBS）等的发展及应用，带有地理空间信息的数据日益受到学者的关注[3-6] 中国互联网信息中心（CNNIC）第35次调查报告显示，截至2014年12月，中国手机网民规模已达5.57亿，微博用户2.49亿，网民使用率为16.8%[7]。2015年3月新浪微博的月活跃用户数（MAU）为1.98亿，日均活跃用户数（DAU）为8900万[8]。新浪微博因其内容组织简单、语言编排容易、使用途径多样（手机、PC等各种终端），已成为国内最具影响力和代表性的社交工具之一，尤其是LBS的应用开发，已成为获取地理空间信息的重要途径，被Goodchild[9]称为志愿者地理信息（volunteered geographic information，VGI）。在LBS中，用户通过移动设备（智能手机、平板电脑等）可以记录当前位置、附言、图片等VGI信息，即签到（check-in），由此产生的带有地理位置的数据称为“签到数据”，该数据包括用户活动的时间、地点、内容等信息，这些信息能反映用户的行为轨迹[10-12]。签到作为微博用户旅游过程中的重要记录，其签到量映射着用户的参与热度，隐含着用户的主观意愿，因此通过追踪微博用户的签到数据，可以得到用户的行为数据、旅游目的地及旅游偏好，这为研究旅游流时空变化提供了新的途径。目前，学者运用LBS签到数据在城市等级规模、城市联系、城市空间区等级方面开展了相关研究[13-15] 旅游流是旅游活动和旅游业发展的基础，旅游流因连接着客源地与旅游目的地而成为旅游系统的神经中枢或纽带[16]。传统的旅游流时空间特征研究，大多围绕“游客-游览活动-景区（点）”进行，包括旅游流模式[17-19]、时空特征[20-22]、驱动力[23-24]、预测[25-26]、旅游流数理模型、旅游流空间效应研究等[27-28]方面。游客空间行为更多是从旅游者个体属性提炼旅游群体空间运动规律，多数研究采用问卷调查的方法，从人口学统计特征（如年龄、性别、职业、学历、收入、来源地等）和行为特征（如出游前的感知、动机偏好等）出发，分析客流量增长速度、客流量年度差异、季节差异、月变化、周变化、日变化[29]等，通常用客流量增长指数[30]和K-Means聚类法[31]测度客流增长速度；采用年际集中指数、年度变动指数、季节变动指数、季节集中指数、淡旺季不均匀系数、12月指数平滑法等计算旅游流的季节差异[32-34]；使用地理集中指数[35]、洛伦兹曲线、基尼系数[28]、游客密度指数[33]测度旅游流集中情况，或根据游客经过的主要交通路线和主要景点到访率，绘制旅游客流流动图[36] 旅游流