EN中文

Tropical Geography >

2021 1 - 12

DOI: https://doi.org/10.13284/j.cnki.rddl.03.闫闪闪-2020-0625上海都市区国内旅游流网络空间关联特征

Space Association Features of Domestic Tourist Flow Network in the Shanghai Metropolitan Area

  • Shanshan Yan , 1, 2 ,
  • Heqing Zhang , 1 ,
  • Chen Jin 3
Expand
  • 1. School of Management, Guangzhou University, Guangzhou 510006, China
  • 2. Gannan Medical College, Ganzhou 341000, China
  • 3. School of Geographical Sciences, Nanjing Normal University, Nanjing 210023, China

Received date: 2020-11-16

  Revised date: 2021-06-11

  Online published: 2021-11-01

Fold

Highlights

A metropolitan area refers to the central urban area and its surrounding hinterland. The area plays a strategic role in the development of its regional tourism economy. As a unique form and organization of regional spatial structure, tourist flows in metropolitan areas present different spatial structures and characteristics. However, the existing research on tourist flow is rarely explained from the perspective of metropolitan areas,. Therefore, this study examined the trip strategy data published by tourists, analyzed the spatial correlation characteristics of the tourist flow network in the Shanghai Metropolitan Area (SMA) from the node and network levels by employingsocial network theory and GIS spatial analysis methods and technologies, The results revealed the following: (1) the tourism nodes in SMAdisplayed obvious hierarchical structural characteristics, and the elite scenic spots occupied an important core position in the tourist flow network. Simultaneously, according to the comparative analysis of degree centrality and intermediary centrality, Shanghai tourism nodes, t could be categorized into four types: agglomeration, diffusion, equilibrium, and intermediary. (2) SMA presented a "single-core radial" spatial distribution pattern with Huangpu District at its center, and Huangpu District as the spatial diffusion source, with the mainstream diffusion directions of southwest (central Huangpu District-Songjiang District), southeast (central Huangpu District-Pudong New Area), northwest (central Huangpu District-Jiading District), and a few tourist flows spreading from central Huangpu District to Baoshan District and Chongming County in the north. (3) The topological structure of the Shanghai urban tourist flow network was characterized by low connection, strong diffusion, and balanced distribution. There were five condensed subgroups with high internal and low external correlations. The core-edge division of the network was significant, and the driving effect of the core area on the edge was limited. (4) There was an exponential relationship between tourist flow and the distance between scenic spots inSMA, which had an evident distance attenuation law. However, the attenuation degree in each distance segment was different, and the distance attenuation law of tourist flow was the most significant at 0–20km. Bycomparing the conclusions of this study with other types of domestic tourist flow networks, it was found that various types of domestic tourist flow networks had the same core-edge structure, but the difference lied in that other types of tourism flow networks showed the characteristics of a multi-center balanced structure, and the core nodes were usually high-grade scenic spots, while the tourist flow network in Shanghai was a "single-core radial" spatial structure with the central city as its core, and the core nodes were high-profile scenic spots without grades in the central city. This study provides an example for exploring analyzing the spatial characteristics of tourist flow networks by using the data of network travel notes and optimizing the spatial structure of tourism destinations in metropolitan areas.

Cite this article

Shanshan Yan , Heqing Zhang , Chen Jin . Space Association Features of Domestic Tourist Flow Network in the Shanghai Metropolitan Area[J]. Tropical Geography, 2021 : 1 -12 . DOI: 10.13284/j.cnki.rddl.03.闫闪闪-2020-0625上海都市区国内旅游流网络空间关联特征

旅游空间结构是以旅游地为空间载体，旅游系统各构成要素及其相互作用逻辑关系的外显性空间表现（黄剑锋 等，2015），涉及旅游系统中的目的地、客源地以及旅游通道交通子系统等（Leiper, 1979），是一个复杂动态演化系统。而旅游流连接着旅游客源地与目的地以及目的地内不同要素，其实现也高度依赖于旅游交通系统，因此，旅游流成为洞悉旅游地空间结构的最佳途径和视角，一直是旅游地理学研究的热点（保继刚 等，1999）。旅游流具有广义和狭义之分：广义的旅游流不仅包含游客流，还涵盖物质流、能量流、信息流等游客时空位移所衍生出的多种抽象流动形式；狭义的旅游流指游客往返于交通、景区等节点之间所产生的空间流动现象，即旅游客流（唐顺铁 等，1998）。因其他子流是由旅游客流衍生的，游客流自然成为旅游流研究焦点，本研究对象也趋向于狭义的旅游客流。
国外旅游流研究始于1970年，Williams等（1970）首先探讨了国际旅游流空间行为模式。此后，旅游流研究主题愈加丰富，主要侧重于旅游流流量的季节性分布特征、模拟预测、影响因素3方面，近期重点讨论了游客流动新的采集技术与方法。相关学者运用回归分析、复杂网络、时间序列模型等方法探讨了国家间入境和一国空间范围内的国内旅游流流量季节性分析特征（Zhang et al., 2020），发现季节性变化曲线表现为单峰性、双峰型、多峰型、无峰型4种形态（Wu et al., 2016），自然和制度是客流量季节性分布主要因素（Kozminski et al., 2016）。进而运用探研、标准、推演、综合4种方法模拟预测了未来旅游流流量变化趋势（Chen et al., 2015; Zhu et al., 2018）。有研究指出旅游流影响因素包括4个方面：旅游者自身相关因素（Agiomirgianakis et al., 2017），旅游接待国（地）相关因素（Jin et al., 2019; Zhang et al., 2019; Khalid et al., 2020），两地间旅游交通便捷性，政府政策、社会联系、历史渊源等其他社会因素（Webster et al., 2015; Artal-Tur et al., 2016）。国外学者近年来重点介绍了获取旅游流数据的新兴信息技术和方法，如手机移动通讯数据（Angela et al., 2019）、手机APP软件开发与应用（Hardy et al., 2019）、GPS定位数据（Zheng et al., 2019）、游客所发表的社交媒体数据（Gu et al., 2019）等。
与国外相比，国内关于旅游流研究成果较为丰硕，侧重于旅游流的空间集散特征、空间网络结构、空间效应以及动力机制4方面。国内学者运用核心边缘、增长极、圈层结构、点轴系统、一体化/同城化等经典理论（钟士恩 等，2010），采用探索性时空分析、引力模型、马尔可夫矩阵、位序规模法则、转移态指数等方法（杨国良 等，2006；刘军胜等，2013），探讨了国家、典型区域、省域、城市和景区等不同空间尺度的入境和国内旅游流的空间集聚与扩散特征（秦静 等，2018；查晓莉 等，2019）。并采用游客问卷调查数据重点分析了国内和入境旅游流空间场效应（章锦河 等，2005；马耀峰 等，2008；徐冬 等，2019）。进而从地理学、经济学、心理学等学科视角，基于推拉理论、需求理论、旅游系统理论提出了经典的“推力-拉力-阻力-总动力”的入境旅游流动力机制模型（郑鹏 等，2010；杨兴柱 等，2011a；刘军胜 等，2017）。
旅游流空间网络的研究能从宏观上把握目的地空间所凸显出来的关联结构特征，传统旅游流研究转向“宏观网络”范式与视角（杨兴柱，2011b）。国外对旅游流网络结构研究较少，主要探讨旅游地利益相关者之间的网络关系和旅游目的地空间网络结构2方面（Pforr, 2006; Shih, 2006; Baggio, 2008）。国内对旅游流空间网络结构研究成果集中在入境和国内旅游流2方面，从团队、散客以及主要客源国视角出发，探讨了省域间和重要城市间的入境旅游流网络结构；分析了全国、典型旅游区（珠三角、长三角等）、城市（洛阳、南京等）4个尺度的国内旅游流网络结构特征（刘法建 等，2010；陈浩 等，2011；靳诚 等，2014；郑嬗婷 等，2015；闫闪闪 等，2019；吴姗姗 等，2020）。
综上所述，国内外学者广泛研究了洲际间、国家间、城市群、省域、城市内部、景区内等宏中微观等不同尺度的旅游流时空集散特征，尤其是关于城市内部空间尺度的研究成果非常丰硕，相关研究重点讨论了重要旅游城市如南京、洛阳等的旅游流时空分布特征，但空间尺度集中在城市内部中心城市，很少从都市区视角切入，对都市区这一空间尺度旅游流研究尤其匮乏。都市区是指中心城区以及周边密切联系的所属腹地，在区域旅游经济发展中具有显著的战略引领作用，作为一种独特的区域空间结构形式，其内部游客流动呈现出不同的空间结构和特征。而空间尺度性是人文地理学最重要的基本属性，同一研究对象在不同空间尺度上具有不同的规律特征、结构模式和机理机制，即所谓的空间尺度效应。能否对同一研究对象构建不同空间尺度上的结构模式和机理机制，成为衡量一个人文地理学研究问题是否成熟的重要标志（李小建，2005）。因此，要构建完善的旅游流空间尺度研究体系必须加强对都市区旅游流研究。
综上，目的地本质上是由旅游者在区域范围内不同旅游节点间流动而构成的旅游空间网络系统，“宏观网络”范式与视角成为旅游流关注的重点，通过旅游流空间网络的研究能够更加全面系统地判断旅游目的地空间关联特征、相关旅游节点的布局模式及空间发展阶段，为旅游地空间优化、线路组织、旅游设施布局等提供科学依据（杨兴柱 等，2007）。因此，旅游流网络分析在游客流动中具有重要作用，而数据获取是网络分析的重要前提，记录旅游行程的攻略文本数据为互联网时代的游客流动网络分析提供了新的契机。另外，流动具有空间特征，距离对流动具有显著的影响（杨兴柱 等，2011b）。为此，本研究以具有代表性和典型性的上海都市区为例，通过旅游行程攻略数据挖掘，分析都市区内部旅游流网络拓扑结构、空间特征及其流动距离衰减规律，以期进一步丰富游客流动分析的数据来源，深化了特大城市内部游客流动的节点、网络差异性及其形成机制的认知，为优化都市区内部游客流动提供理论支撑。

1 数据来源与研究方法

1.1　研究区域与数据处理

都市区指在城市功能上具有密切相互作用关系的地理区域，空间结构上包括一至多个中心城市及周边腹地，以县作为基本空间划分单元。在划分方案上，国外通常采用人口规模确定中心城市，所属腹地通常采用与中心城市的通勤指数确定。由于国内通勤联系指标统计数据的缺失，通过通勤联系来划分都市区难以实现，目前关于都市区的划分结果在本质及内涵上与国外相差甚远。在大数据背景下，移动通信数据包含居民详细并带有地理位置的职驻地信息，为这一科学问题的解决提供了有效方式。王德等（2018）利用上海市2周的移动通信数据，以通信联系指数为主要划分指标，以消费联系为辅助指标，科学准确地划分了上海都市区范围。本研究参照王德等（2018）界定的上海都市区范围，面积2 840.03 km2，除中心城区以外，还包括青浦新城、松江新城、长兴岛等（图1）。
图1 上海都市区范围及景区分布

Fig.1 Distribution of Shanghai metropolitan area and scenic spots

选取知名度高、实时更新的去哪儿、百度旅游 1爬虫抓取2018、2019、2020三年间国内游客赴上海旅游的行程攻略数据。数据结构包括游客用户名、日志题目、游览景区、游览时间等，同时剔除一日内游览旅游景区超过4个，游记发表时间和游览时间间隔15 d以上，内容记录不完整，重复的无效游记，最终选取5 237篇作为数据来源。旅游者在上海都市区节点间流动行为需表征为旅游流网络矩阵，矩阵横纵轴均为游客游览的旅游节点。根据游客游览线路可衡量出节点间的流量，如一个游客从上海科技馆流动到迪士尼乐园，则上海科技馆与迪士尼之间产生了1个流量，最终将景区间的游客流量转换为可以计算的数学矩阵。故而，景点间存在的流动路线可作为路径（E），而每一条路径上的流动次数称为流量（l），运用ArcGIS软件对景点间流动进行可视化，并通过Ucinet、SPSS软件分析其网络结构、流动模式以及距离与流量的函数关系。
另外，根据上海市文化和旅游局官方网站 2调查显示，目前上海市域共有3A及以上等级景区130个，本研究所界定的上海市都市区范围未超出上海市域行政边界，因此，首先以3A及以上等级景区作为游客流动节点的选取标准，筛选出75个3A级以上景区作为研究区域范围旅游节点。其次，在数据采集时发现，上海迪士尼、外滩、南京路步行街、人民广场等26个旅游节点虽不是A级以上景区，但却是游客游览的热门景区，活动的重要空间场所，为了能够最大程度完整刻画游客在上海都市区流动空间格局特征，将这26个热门旅游节点也纳入。最后，经过数据整理、清洗时发现，龙华烈士陵园、薰衣草公园、泰会生活文化馆、地址科普馆、仙桥生态村等23个节点虽为4A、3A级旅游景区，且与其他景区之间未产生旅游流直接和间接连接，为孤立型景区，无法将24个景区纳入上海都市区旅游流网络。因此，依据上述上海都市区空间范围、高等级景区、网络构建方法等原则，最终选取78个景区作为旅游节点。

1.2　研究方法

选取网络密度、IN（inequality）指数、DI（dispersion）指数、EI（effectiveness）指数等指标对网络连接度、空间结构予以评价；同时选取程度、中介中心性等指标对各类旅游景点的不同地位和作用进行评价。评价指标公式及含义（刘军， 2004）如表1所示。
表1 上海都市区国内旅游流网络评价指标

Table 1 Network evaluation index

指标 具体指标 计算公式 结果含义

网络

节点

评价

相关

指标

 流入度 C i n i = ∑ j = 1 n l j i

程度中心性（Ci）等于流入度（C ini）与流出度（C outi）之和，程度中心性越大，说明该节点在网络中地位越重要；

中介中心性［C（ni）］代表某个节点对网络中资源控制程度，越大表明该节点在网络中越处于关键位置

流出度 C o u t i = ∑ j = 1 n l i j
程度中心性 C i = C o u t i + C i n i
中介中心性 C ( n i ) = ∑ j = 1 n ∑ k = 1 n g i k ( n i ) g i k , j ≠ i ≠ k 式中：gik是旅游者从旅游节点j到达旅游节点k的捷径数，gik（ni）是旅游者从节点j到达节点k经过节点i的捷径数

整体

网络

评价

指标

 网络密度 D=E/n（n-1） 数值介于0~1之间，越接近1，密度越大
IN指数

I N = 0.5 * ∑ i ∑ j a b s ( M i j - M i j ' ) ∑ i ∑ j M i j

M i j ' = ∑ i ∑ j M i j n * ( n - 1 )

 式中：Mij为节点i到节点j的流量；n为节点数；IN介于0~1之间，数值越大，网络越倾向均衡分布
DI指数

D I = l o g ( n 2 ) - E N l o g ( n 2 )

E N = ∑ i ∑ j ( M i j S ) * l o g ( S M i j )

S = ∑ i ∑ j M i j，即S表示流量总和。

DI指数介于0~1之间，越接近0，网络高度扩散；反之，网络高度聚集

EI指数 E I = 100 × ∑ i a b s ( D i - O i ) ∑ i ( D i + O i ) 式中：Di为i节点的流入度，Oi为i节点的流出度；EI指数介于0~100，越接近0，说明游客在两个方向均有相同程度的流动
除上述指标外，本研究还进一步探究网络的聚集子群和核心-边缘结构。聚集子群分析是以网络中的节点联结度来划分不同密度集群，通过分析网络中各子结构内部之间的关系，找出最具影响力的旅游节点组合，并通过计算各子群内部关联密度，揭示群体中的强弱关系，得出游客偏好的中心节点和路线组合。核心-边缘结构指旅游流网络中存在一些节点居于核心地位，而其他节点被逐渐边缘化的现象；通过划分核心-边缘区，可清晰地表征各节点在网络中的不同定位、作用，通过密度矩阵可衡量核心区的重要程度以及核心区对边缘区的带动效果。

2 结果与分析

2.1　旅游流网络节点关联特征分析

2.1.1　旅游流网络节点程度中心度分析

通过计算得到上海都市区78个旅游景点的程度中心度，根据中心度大小将上海市旅游景点划分为5个等级：1）明星旅游节点，指中心度＞2 000的景点为外滩、上海城隍庙，这2个景点在国内享有较高知名度和影响力；2）核心旅游节点，指中心度介于1 000~2 000的景点，包括田子坊、南京路步行街、豫园、东方明珠4个，这类景点是上海的代表性旅游区，也是国内游客常去的游览胜地。3）次级核心旅游节点，中心度在500~1 000范围内的景点，包括迪士尼、新天地、外白渡桥、1933老场坊、杜莎蜡像馆、甜爱路、上海博物馆、人民广场等12个，这类景点具有一定知名度并且是外地游客、上海本地及周边市民常去的旅游地。4）一般旅游节点，中心度介于100~500的景点数量较多，包括徐家汇天主教堂、上海老街、静安寺、复旦大学、科技馆、鲁迅公园、泰晤士小镇等20个景区，分布在浦东新区、虹口区、徐汇区、黄浦区等上海中心城区主要街区内。5）边缘旅游节点：中心度＜100的其余40个旅游景区，景点关注度、提及度相对较低，在旅游流网络中处于边缘或孤立的地位。

2.1.2　旅游节点程度和中介中心性对比分析

程度中心性衡量网络中节点的核心地位和作用，而中介中心性是刻画网络中节点对其他节点的控制度。通过对比网络中节点的程度和中介中心性指数，可有效反映节点在网络中发挥的作用和角色，由于节点数量较多、篇幅有限，而核心节点在网络中发挥着重要作用，因此计算了排名靠前的明星、核心以及次核心18个节点的程度和中介中心性（表2）。
表2 上海都市区景点程度中心性和中介中心性

Table 2 Degree and intermediary centrality of tourist attractions in Shanghai metropolitan area

旅游景点 程度中心性 中介中心性 类型
流入度 流出度 中心度
外滩 1 494 1 426 2 920 958.36 均衡型节点
城隍庙 1 394 947 2 341 201.10 集聚型节点
田子坊 912 919 1 831 404.02 均衡型节点
南京路步行街 1 022 733 1 755 306.16 集聚型节点
豫园 853 807 1 660 235.36 集聚型节点
东方明珠 804 804 1 608 156.42 均衡型节点
新天地 423 495 918 401.51 中介型节点
外白渡桥 411 419 830 81.58 均衡型节点
迪士尼 389 383 772 340.52 中介型节点
1933老场坊 224 433 657 209.68 扩散型节点
杜莎蜡像馆 314 315 629 144.55 均衡型节点
甜爱路 308 307 619 201.17 均衡型节点
上海博物馆 313 296 609 119.47 均衡型节点
环球金融中心 293 292 585 180.03 均衡型节点
人民广场 300 281 581 57.21 均衡型节点
南翔 185 396 581 29.56 扩散型节点
武康路 227 353 580 96.21 扩散型节点
多伦路文化街 276 288 564 107.04 中介型节点
均值 563.44 549.67 1 113.33 235.00
标准差 400.67 310.54 701.19 205.80
最大值 1 494.00 1 426.00 2 920.00 958.36
最小值 185.00 281.00 564.00 29.56
依据旅游流网络中节点程度和中介中心性对比分析结果，将旅游节点划分为4种类型：1）集聚型旅游节点。这类节点流入度明显高于流出度的景点，属于网络中典型的集聚点，包括上海城隍庙、南京路步行街、豫园等，如上海外滩的程度中心性位列第2位，但流入度显著高于流出度，此类节点对其他景点人流的吸纳效应极强；中介中心性位居前列，说明其在整个网络中处于关键地位。2）扩散型旅游节点。指流出度明显大于流入度，属于网络中的辐射点，对旅游流有较强的外向扩散作用，如1933老场坊、南翔、武康路的程度中心度分别位列第10、16、17等不同位次，但三者的共同点都是流出度显著高于流入度；不同点在于中介中心性，1933老杨坊处于中间层次，对网络的控制力一般，而南翔和武康路中介中心性位于末位，对网络控制力极弱、对其他景点影响力极差。3）均衡型旅游节点。流入、流出度数值较高且均衡，属于网络中的重要核心点，其兼顾聚集与辐射的双重职能，如外滩的程度、中介中心性均位列第1，呈现极强的网络控制力及中心地位。东方明珠景区的程度中心性位于第6位置，流入和流出度数值较大且吻合，但中介中心度位于下层，对网络的控制能力较弱。上海杜莎蜡像馆、甜爱路也属于核心点，流入、流出度数值也相差无几；但这两个景点的中介中心性位于中下层次，其对网络的掌控力和重要程度明显不如东方明珠景区。4）中介型旅游节点。还有一些景点在程度、中介中心性上存在着不同程度的反向关系，比如新天地、迪士尼虽然程度中心度偏低，但中介中心性却格外显著，分别处于第3、4位序，因为这一景点通常位于2个相邻景点的中间位置上，起联结调控的中转站作用。再者，多伦路文化街的程度中心度虽处于末位，但中介作用却较为显著，对网络控制力较强，为重要的中介型旅游节点。反之，外白渡桥的程度中心度与之相当，但中介性却偏低，说明该景点虽为网络中的重要成员却很少充当其他节点的联络“媒介”。

2.2　旅游流网络空间结构特征分析

将旅游流网络中路径流量进行分级，得到不同等级流量的旅游流网络空间分布（图2），可以看出，网络中路径流量在空间上存在显著差异，整体上呈现以主城区黄浦区为核心的“单核放射状”空间分布形态，以黄浦区为空间扩散源点，主流扩散方向为西南（中心城区黄浦区—松江区）、东南（中心城区黄浦区—浦东新区）、西北（中心城区黄浦区—嘉定区），还有少量旅游流从中心城区黄浦区扩散至北部的宝山区和崇明县。而中心城区黄浦区则呈现出不规则五角星型特征，外围由东方明珠、外滩、上海杜莎蜡像馆、田子坊、上海城隍庙等节点联结而成，并在核心区黄浦区内部存在2个三叉星结构，第1个是以外滩为核心，向东方明珠、南京路步行街（杜莎夫人蜡像馆）、城隍庙（豫园）等北、西、东3个方向延伸的空间结构；第2个是以上海新天地为中心，朝田子坊、南京路步行街（杜莎夫人蜡像馆）、豫园（城隍庙）等南、西、东方向扩散的三角形格局。
图2 上海都市区旅游流网络空间分布

Fig.2 Spatial distribution of tourism flow network in Shanghai metropolitan area

2.3　旅游流网络整体关联特征分析

2.3.1　网络密度及指数分析

通过计算获得上海都市区旅游流网络密度以及IN指数、DI指数和EI指数，结果显示网络密度为0.173 9，密度值较低说明网络联结性极低且较为松散。IN指数为0.771 6，更偏向于判断标准值0，表明上海都市区旅游流网络结构趋向分散。DI指数计算结果为0.208 6，更加接近0，说明上海都市区旅游流网络更加趋向于扩散式的分布特征而非集聚式。EI指数的计算结果为42.364 5，更加接近于判断标准值0，说明上海都市区旅游流在流入和流出2个方向上有较为相等均衡的流动路径。由此可将上海都市区旅游流网络总体特征归纳为：联结低、扩散强、结构松散、趋于均衡分布的散状格局。

2.3.2　聚集子群分析

聚集子群分析是为了揭示网络中的重要子结构，可识别出联系最紧密的节点组合子群，通过分析子群内部密度、关联密度，可判断节点间关系亲疏，找出最受欢迎、最常组合的旅游线路。选取平均值作为断点值进行二值化处理，计算得到上海旅游流网络的5个聚集子群：1）子群1：以外滩、蜡像馆、迪士尼、东方明珠、南京路步行街等为核心，还包括野生动物园、环球金融中心、白渡桥、人民广场、上海中心大厦、滨江大道、乐高探索中心等16个景区；2）子群2：包括复旦大学、1933老杨坊、多伦路文化街、世纪公园、同济大学、鲁迅公园、甜爱路、海洋水族馆等28个景区，成员数量最多，以1933老场坊、多伦路文化节、甜爱路为核心；3）子群3：由新天地、田子坊、静安寺、徐家汇天主教堂、上海世博园等16个景区组成，以田子坊、新天子等主要核心节点；4）子群4：由上海欢乐谷、泰晤士小镇、老码头、佘山国家森林公园等10个景区组成，以泰晤士小镇为主要核心景区；5）子群5：由上海城隍庙、豫园、南翔、上海老街等8个景区组成，景区数量最少。
图3 上海都市区旅游流网络集聚子群

Fig.3 Cohesive subgroup of tourist flow network in Shanghai metropolitan area

密度计算结果显示：1）子群1内部密度值最高为0.478，并且对子群2、3、5都有一定的关联、带动作用。“南京路步行街—外滩—南京路步行街”“迪斯尼—东方明珠—外滩”2条高频率旅游线路上的节点隶属于子群1并且关系最密切。“外滩—1933老场坊—多伦路文化街”“外滩—田子坊—上海新天地”“外滩—城隍庙—豫园”等线路上的节点分别属于子群1和子群2、5，说明子群1对其他子群存在着较弱的连带作用。2）子群2内部成员最高，但成员之间密度值为0.212，说明成员之间关联程度不强，旅游线路选择通常将距离邻近的“1933老场坊—多伦路文化街—甜爱路”组合在一起，并存在“多伦路—南京路步行街”“甜爱路—新天地”等景点组合，说明子群2对子群1、3有些许带动作用。3）子群3内部密度值为0.543，说明内部成员关系较为密切，距离临近的“田子坊—思南路—新天地—淮海路”是流动频次最高的线路组合形式。4）子群4、5内部成员较少，内部成员之间的联系密度也极低，分别为0.167、0.198。总体上，上海市旅游景点构成的聚集子群既存在内部相互关联度较高，又存在外部带动作用偏低的特征，部分子群的密度存在较大程度的分层差异。

2.3.3　核心-边缘分析

为了进一步明晰上海市旅游流网络是否属于核心—边缘结构，以及核心区对边缘区的带动效应，对上海市游客流动关系矩阵进行核心边缘分析。结果表明，测算的拟合系数为0.879，核心边缘结构验证通过。其中，核心区景区25个，为外滩、上海城隍庙、田子坊、南京路步行街、豫园、东方明珠、迪士尼、新天地、外白渡桥、1933老场坊、蜡像馆、人民广场、上海博物馆、环球金融中心、甜爱路、武康路、南翔、多伦路文化街、静安寺、徐家汇天主教堂、上海老街、上海科技馆、复旦大学、思南路、淮海路。泰晤士小镇、金茂大厦、鲁迅公园、上海交通大学、七宝古镇、同济大学、上海世博园、M50创意园、上海自然博物馆、海洋水族馆等其余53个景点则属于边缘区。从空间分布形态上看，核心区可划分为4个团状聚集结构，集中在黄浦区、虹口区、浦东新区、徐汇区等4个城市中心城区。边缘区则较为分散的包围在核心区边界或郊区的地区。
同时，25个核心节点间的网络密度为0.773，远高于上海市网络整体密度0.173 9，说明核心节点间关联更加紧密；而53个边缘节点间的密度仅为0.186，远不及网络整体密度以及核心成员关联密度，说明上海市旅游流网络“分层”结构现象明显，大部分核心节点从属或依附于边缘节点；而核心区与边缘区的连接密度为0.038，高于边缘节点间的密度但却远低于核心节点间的关联密度，表明上海市旅游流网络边缘区受核心区的带动效应有限。因此，上海市除了加强核心景区的优化升级，应更重视以上边缘景区旅游吸引力、接待力、服务水平、基础设施等的完善，通过制定两者联合营销方案、产品规划、线路设计等策略加强核心区与边缘区之间的连接强度，实现旅游业均衡全面发展。

2.4　不同距离控制下的旅游流网络关联特征分析

空间距离是游客流动最显著的影响因素，由于本研究区域景点间实际距离介于0~68 km，故以20 km为间隔，绘制不同距离范围内的流动特征（图4）。可以看出，游客流动的距离衰减规律明显，但不同距离期间段范围内旅游流流量衰减度差异显著，0~20 km期间段内，空间距离增加，旅游流流量迅速减弱，流量占总流量的86.44%（图4-a）；在20~40 km空间距离内，流量减弱度急剧降低，流量占比迅速下降为11.81%（图4-b）；在40~60 km范围内，流量随距离递减的趋势已不显著，该距离内流量占比为1.68%（图4-c）；距离在60~80 km内，衰减特征极为微弱，流量占比仅为0.07%（图4-d）。其次，空间形态上，0~20 km范围内的旅游流呈现出中心城区黄浦区、虹口区、徐汇区主要景区构成的核心组团，以及其他3个零星组团的空间分布形态，分别为东南区域浦东新区的迪士尼、上海野生野生动物园、周浦花园组团，西南部松江区的上海欢乐谷、辰山植物园、泰晤士小镇组团，西北部宝山区的南翔、顾村、滨江大道组团；20~40 km区段的旅游流由中心城区向四周扩展趋势非常显著，核心边缘结构尤为突出；40~60 km区段的旅游流呈现出由中心城区向东南部浦东新区迪士尼片区，及西南部松江区上海欢乐谷片区为主流扩散方向，而北部宝山区为次要扩散方向的特征；60~80 km区段内旅游流零散的存在于古猗园、辰山植物园、新杨古镇、上海野生动物园4个偏远节点之间，连接路径呈现出“之”字形特征，数值较小可忽略不计。综上，0~20 km内旅游流距离衰减规律最为显著，流量占比高达86%，几乎概括了上海都市区内部旅游流网络主要特征。
图4 不同距离控制下的上海都市区旅游流网络空间特征

Fig.4 Spatial characteristics of tourism flow under control of different distance

进一步通过SPSS曲线估计拟合出景点间距离与流量的回归方程，以3 km为间隔，以距离为自变量，流量为因变量进行回归分析。地理学研究中要素之间的相互作用通常用引力模型表达，在距离影响上有幂函数和指数函数2种形式，计算结果显示，幂函数回归方程为Tij =2 487.6/dij 2.345，R 2（Sig）为0.823；指数函数回归方程为Tij=3 423.5/e0.456 dij，R 2（Sig）为0.945。
由此可见，以上2种函数方程均较好地解释了景点间距离与流量的对应关系，显著性P值为0.000，表明两者都通过了显著性检验，但指数函数的R 2值0.945明显高于幂函数R 2值0.823，表明指数函数回归效果比幂函数更显著，上海市景点间空间距离与旅游流流量的关系更符合指数形态分布。

3 结论与讨论

采用移动互联网时代的网络大数据挖掘方法，通过去哪儿网、百度等旅游网站攻略库获取包含文字、图片、景点、浏览时间、交通路线等一系列旅游行程的详细信息，将文本数据转化为蕴含空间信息的游客流动轨迹，运用GIS空间分析技术、社会网络分析对上海都市区旅游流网络空间关联特征进行分析，得到如下结论：
1）上海都市区旅游节点具有明显的等级分层结构特征，知名度较高的明星景区在旅游流网络中占据重要核心地位。同时，依据上海市旅游节点程度中心性、中介中心性对比分析，可将旅游节点划分为集聚型、扩散型、均衡型、中介型4种类型。其中，海城隍庙、南京路步行街、豫园为集聚型旅游节点，1933老场坊、南翔、武康路为扩散型旅游节点，新天地、迪士尼为中介型旅游节点，其余为均衡型旅游节点。
2）上海都市区旅游流整体关联特征分析表明，网络密度、IN、DI、EI指数分别为0.173 9、0.771 6、0.208 6、42.364 5，网络呈现连接度较低、朝均衡扩散方向发展趋势；上海都市区旅游流网络在空间上呈现以主城区黄浦区为核心的“单核放射状”，及向西南松江、东南浦东新区、西北嘉定区为主流扩散方向的空间分布形态。
3）上海都市区旅游流聚集子群分析得出2个内部密度较高子群及1对关联密度显著子群；为核心—边缘型网络，且核心区密度略高于整体网络密度，其节点组成的聚集子群具有高密度特征，在提升整体网络连接度上发挥支配作用；核心—边缘区存在强弱分层结构，核心区对边缘区的辐射、联动效应偏低。因此培育边缘区旅游新亮点、均衡分流核心区客流、提升城区第三产业综合竞争力将成为上海都市区旅游业未来发展的关键环节。
4）上海都市区旅游流与景点间距离存在指数对应关系，具有明显的距离衰减规律，但各距离段内衰减程度差异明显，在0~20 km距离内，流量随距离递增而衰减的趋势最为显著，流量值几乎占据全部旅游流流量，充分证明距离衰减规律在城区内部旅游流动中真实存在。就空间形态而言，不同距离控制下的旅游流网络具有明显的空间异质性，如0~20 km内的游客流动主要发生在中心城区核心节点之间，而20~60 km内则为核心—边缘、边缘—边缘节点的互动。
本研究对象集聚在国内旅游流，将其与其他类型的国内旅游流网络结构特征进行对比分析，以揭示都市区旅游流一般规律性特征。当前其他类型国内旅游流网络研究成果主要集中在典型旅游区和城市2个空间尺度上，选取长三角、珠三角、黄河流域等为旅游区的代表性案例，及南京、洛阳等为城市典型案例（郑嬗婷等，2015；陈浩等，2011；靳诚等，2014；吴姗姗等，2020；闫闪闪等，2019），对比发现：先前研究表明珠三角旅游流网络是以广州、深圳、珠海为中心，长三角以上海、杭州为核心，黄河流域呈现出以省会城市郑州、西安等为核心；在城市空间尺度上，如南京市表现为以中山陵系统、夫子庙系统、中心城区为核心，龙门石窟片区、白马寺片区、中心城区丽景门片区为洛阳市3个主要核心区。因此，其他类型国内旅游流网络的多中心平衡结构非常显著，但上海都市区旅游流网络则为以中心城区为核心的“单核放射状”空间分布特征。同时，其他类型案例地具有高中心性的核心和次核心节点通常为5A、4A高等级景区，而上海都市区核心和次核心节点大多为中心城区黄浦区的高知名度、开放性的无等级景区，具有中心城区无等级的高知名度景区向其他高等级景区扩散旅游流的特征。综上所述，不同类型国内旅游流网络都为相同的核心边缘型结构，但差异在于其他类型的旅游流网络呈现出多中心平衡结构特征，核心节点通常为高等级景区，而上海都市区旅游流网络是以中心城区为核心的“单核放射状”空间结构，核心节点为中心城区无等级的高知名度景区。
因此，对上海都市区旅游流网络提出以下政策建议：第一，继续提升上海都市区内环核心区旅游竞争力，中环和外环近郊和远郊区的松江、金山、青浦、南汇和奉贤区等边缘和孤立区在完善旅游产品体系、升级旅游基础设施等的同时，尤其要加强其与黄浦区、徐汇区核心区的旅游合作，发挥核心区对边缘区带动能力，逐步使旅游流向边缘区扩散联动发展，带动边缘区积极跃升为上海都市区旅游发展次核心。第二，依据上海都市区旅游节点的地位和作用分析结果，设置旅游接待与服务设施。如上海城隍庙、南京路步行街、豫园为集聚型旅游节点，表明该类旅游景区多为游客行程的结束，应在此类旅游节点布局餐饮、酒店等接待设施；1933老场坊、南翔、武康路这类扩散型旅游节点则为游客行程起始点，可将旅游综合服务中心、旅游交通枢纽点布局在此类节点；新天地、迪士尼等中介型旅游节点在上海都市区旅游网络中发挥着重要的“桥梁”连接作用，应重点设置旅游信息服务、旅游营销中心等。第三，根据节点间派系分析结论设计旅游线路，可推出以下符合游客流动特征的专题旅游线路，如现代都市旅游线路，即外滩—东方明珠—环球金融中心—金茂大厦等；家庭亲子旅游线路，即上海迪士尼—上海博物馆—上海科技馆—上海野生动物园等；文化历史旅游线路，即鲁迅公园—上海博物馆—上海玻璃博物馆—多伦路文化街等；水乡古镇游，即南翔景区—新杨古镇—泰晤士小镇；都市购物旅游线路，即思南路—武康路—淮海路—新天地等。
本研究尚存在一些不足，需要在如下方面进一步探讨：首先，在数据来源方面，旅游行程隶属于旅游攻略，部分是旅游者在出行前制定的对未来游览景点的编排和组合，在实际执行过程中可能存在变更，可能在一定程度上影响研究的真实性。其次，在研究区域范围节点选择方面，研究范围仅限于上海市区，网络节点未包含中心市区以外的旅游景区，如迪斯尼乐园在上海旅游业中占据着一定的市场份额，未来应进一步扩展研究区域范围和所囊括的旅游节点。最后，景点之间的流动特征在较短的距离内呈现显著的距离衰减规律，但当引力模型的空间摩擦系数大到一定程度，距离与流量的关系可能从负相关转化为正相关，这技术问题也需要进一步的探讨。

1 去哪儿网网址. https://travel.qunar.com；百度旅游网址. https://lvyou.baidu.com。

2 上海市文化和旅游局官方网站. https://whlyj.sh.gov.cn/。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Agiomirgianakis G, Serenis D and Tsounis N. 2017. Short-and Long-Run Determinants of Tourist Flows: the Case of South Korea. Advances in Applied Economic Research, 24: 861-872.

Angela C A, Laura F M, Ana M M and Gustavo R G. 2019. Science Mapping of Tourist Mobility 1980-2019. Technological Advancements in the Collection of the Data for Tourist Traceability. Sustainability, 11(17): 4738.

Artal-Tur A, Pallardo-Lopez V J and Requena-Silvente F. 2016. Examining the Impact of Visa Restrictions on International Tourist Flows Using Panel Data. Estudios De Economia, 43(2): 265-279.

Baggio R. 2008. Network Analysis of a Tourism Destination.Australia: The University of Queensland.

保继刚，楚艺芳. 1999. 旅游地理学. 修订版. 北京：高等教育出版社. [Bao Jigang and Chu Yifang. 1999. Tourism Geography. Revised Edition. Beijing: Higher Education Press. ]

陈浩，陆林，郑嬗婷. 2011. 基于旅游流的城市群旅游地旅游空间网络结构分析——以珠江三角洲城市群为例. 地理学报，66（2）：257-266. [Chen Hao, Lu Lin and Zheng Shanting. 2011. The Spatial Network Structure of the Tourism Destinations in Urban Agglomerations Based on Tourist Flow: A Case Study of the Pearl River Delta. Acta Geographica Sinica, 66(2): 257-266. ]

Chen R, Liang C Y, Hong W C and Gu D X. 2015. Forecasting Holiday Daily Tourist Flow Based on Seasonal Support Vector Regression with Adaptive Genetic Algorithm. Applied Soft Computing, 26: 435-443.

Gu, Q S, Zhang H P, Chen M and Chen C C. 2019. Regionalization Analysis and Mapping for the Source and Sink of Tourist Flows. Isprs International Journal of Geo-Information, 8(7): 314.

Hardy A and Aryal J. 2019. Using Innovations to Understand Tourist Mobility in National Parks. Journal of Sustainable Tourism, 28(2): 263-283.

黄剑锋，陆林. 2015. 空间生产视角下的旅游地空间研究范式转型：基于空间涌现性的空间研究新范式. 地理科学，35（1）：47-55. [Huang Jianfeng and Lu Lin. 2015. The Paradigm Transformation of Space in Tourism Destination from Perspective of Production of Space: A New Paradigm of Space Based on Emergence of Space. Scientia Geographica Sinica. 35(1): 47-55. ]

靳诚，徐菁，黄震方，曹芳东. 2014. 南京城市内部景点间游客流动特征分析. 地理学报，69（12）：1858-1870. [Jin Chen, Xu Jing, Huang Zhenfang and Cao Fangdong. 2014. Analyzing the Characteristics of Tourist Flows Between the Scenic Spots in Inner City Based on Tourism Strategies: A Case Study in Nanjing. Acta Geographica Sinica, 69(12): 1858-1870. ]

Jin X, Qu M Y and Bao J G. 2019. Impact of Crisis Events on Chinese Outbound Tourist Flow: A framework for Post-Events Growth. Tourism Management, 74: 334-344.

Khalid U, Okafor L E and Shafiullah M. 2020. The Effects of Economic and Financial Crises on International Tourist Flows: A Cross-Country Analysis. Journal of Travel Research, 59(2): 315-334.

Kozminski C and Michalska B. 2016. The Seasonal Nature of Tourist Flows in Relation to Meteorological Conditions as Illustrated by the Case of Zachodniopomorskie Voivodeship. Bulletin of Geography-Socio-Economic Series, 34: 33-45.

Leiper N. 1979. The Framework of Tourism: Towards a Definition of Tourism, Tourist, and the Tourist Industry. Annals of Tourism Research, 6(4): 390-407.

李小建. 2005. 经济地理学研究中的尺度问题. 经济地理，25（4）：433-436. [Li Xiaojian. 2005. Scale and Economic Geography Inquiry. Economic Geography, 25(4): 433-436. ]

刘法建，张捷，陈冬冬. 2010. 中国入境旅游流网络结构特征及动因研究. 地理学报，65（8）：1013-1024. [Liu Fajian, Zhang Jie and Chen Dongdong. 2010. The Characteristics and Dynamical Factors of Chinese Inbound Tourist Flow Network. Acta Geographica Sinica, 65(8): 1013-1024. ]

刘军. 2004. 整体网分析. 上海：格致出版社. [Liu Jun. 2004. Overall Network Analysis. Shanghai: Gezhi Publishing House. ]

刘军胜，马耀峰. 2013. 西部各省区入境游客集聚扩散空间转移态势分析. 陕西师范大学学报（自然科学版），41（1）：88-94. [Liu Junsheng and Ma Yaofeng. 2013. Research on the Spatial Transfer Situation of Inbound Tourist Flows in Western Provinces of China. 2013. Journal of Shanxi Normal University (National Science Edition), 41(1): 88-94. ]

刘军胜，马耀峰. 2017. 基于发生学与系统论的旅游流与目的地供需耦合成长演化与驱动机制研究——以西安市为例. 地理研究，36（8）：1583-1600. [Liu Junsheng and Ma Yaofeng. 2017. The Evolution and Driving Mechanism of the Supply and Demand Coupling about Tourism Flow and Destination System Based on the Genesis and System Theory: Taking Xi'an as an Example. Geographical Research, 36(8): 1583-1600. ]

马耀峰，王冠孝，张佑印. 2008. 中国典型区域入境旅游流空间场效应实证研究——以四川省为例. 资源科学，30（11）：1747-1753. [Ma Yaofeng, Wang Guanxiao and Zhang Youyin. 2008. Empirical Research on Spatial Field Effects of Inbound Tourist Flows in China: Case Study of Sichuan Province. Resources Science, 30(11): 1747-1753. ]

Pforr C. 2006. Tourism policy in the making: An Australian Network Study. Annals of Tourism Research, 33(1): 87-108.

秦静, 李郎平, 唐鸣镝, 孙岩, 宋昕芮. 2018. 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, 73（11）：1556-1570. [Qin Jing, Li Langping, Tang Mingdi, Sun Yan, Song Xinrui. 2018. Exploring the Spatial Characteristics of Beijing Inbound Tourist Flow Based on Geotagged Photos. Acta Geographica Sinica, 73（11）：1556-1570. ]

Shih H Y. 2006. Network Characteristics of Drive Tourism Destinations: An Application of Network Analysis in Tourism. Tourism Management, 27(5): 1029-1039.

唐顺铁，郭来喜. 1998. 旅游流体系研究. 旅游学刊，13（3）：38-41. [Tang Shuntie and Guo Laixi. 1998. Study on Tourism Flow System. Tourism Tribune, 13(3): 38-41. ]

王德，顾家焕，晏龙旭. 2018. 上海都市区边界划分——基于手机信令数据的探索. 地理学报，73（10）：1896-1909. [Wang De, Gu Jiahuan and Yan Longxu. 2018. Delimiting the Shanghai Metropolitan Area Using Mobile Phone Data. Acta Geographica Sinica, 73(10): 1896-1909. ]

Webster C and Ivanov S. 2015. Geopolitical Drivers of Future Tourist Flows. Journal of Tourism Futures, 1(1): 58-68.

Williams A V and Zelinsky W. 1970. On Some Patterns in International Tourist Flows. Economic Geography, 46(4): 549-567.

Wu L J and Cao G H. 2016. Seasonal SVR with FOA Algorithm for Single-Step and Multi-Step Ahead Forecasting in Monthly Inbound Tourist Flow. Knowledge-Based Systems, 110: 157-166.

吴姗姗，王录仓，刘海洋. 2020. 黄河流域旅游流网络结构特征研究. 经济地理，40（10）：202-212. [Wu Shanshan, Wang Lucang and Liu Haiyang. 2020. Study on the Structural Characteristics of Tourism Flow Network in the Yellow River Basin. Economic Geography, 40(10): 202-212. ]

徐冬，黄震方，黄睿. 2019. 基于空间面板计量模型的雾霾对中国城市旅游流影响的空间效应. 地理学报，74（4）：814-830. [Xu Dong, Huang Zhenfang and Huang Rui. 2019. The Spatial Effects of Haze on Tourism Flows of Chinese Cities: Empirical Research Based on the Spatial Panel Econometric Model. Acta Geographica Sinica, 74(4): 814-830. ]

闫闪闪，靳诚. 2019. 洛阳城区旅游流空间网络结构特征. 地理科学，39（10）：1602-1611. [Yan Shanshan and Jin Chen. 2019. Characteristics of Spatial Network Structure of Tourist Flow in Urban Area of Luoyang. Scientia Geographica Sinica, 39(10): 1602-1611. ]

杨国良，张捷，艾南山，刘波. 2006. 旅游流齐夫结构及空间差异化特征：以四川省为例. 地理学报，61（12）：1281-1289. [Yang Guoliang, Zhang Jie, Ai Nanshan and Liu Bo. 2006. Zipf Structure and Difference Degree of Tourist Flow Size System: A Case Study of Sichuan Province. Acta Geographica Science, 61(12): 1281-1289. ]

杨兴柱，顾朝林，王群. 2007. 南京市旅游流网络结构构建. 地理学报，62（6）：609-620. [Yang Xingzhu, Gu Chaolin and Wang Qun. 2007. Urban Tourism Flow Network Structure Construction in Nanjing. Acta Geographica Sinica, 62(6): 609-620. ]

杨兴柱，顾朝林，王群. 2011a. 旅游流驱动力系统分析. 地理研究，30（1）：23-36. [Yang Xingzhu, Gu Chaolin and Wang Qun. 2011a. Study on the Driving Force of Tourist Flows. Geographical Research, 30(1): 23-36. ]

杨兴柱，顾朝林，王群，卢松. 2011b. 城市旅游客流空间体系研究——以南京市为例. 经济地理，31（5）：868-873. [Yang Xingzhu, Gu Chaolin, Wang Qun and Lu Song. 2011b. Spatial System of Urban Tourist Flows a Case Study of Nanjing. Economic Geography, 31(5): 868-873. ]

查晓莉，徐雨晨，陆林，赵海溶. 2019. 上海迪士尼国内旅游流地理分布与流动特征. 旅游学刊，34（6）：58-73. [Zha Xiaoli, Xu Yuchen, Lu Lin and Zhao Hairong. 2019. Geographical Distribution and Flows of Chinese Tourists to Shanghai Disneyland. Tourism Tribune, 34(6): 58-73. ]

Zhang B R, Li N, Shi F and Law R. 2020. A Deep Learning Approach for Daily Tourist Flow Forecasting with Consumer Search Data. Asia Pacific Journal of Tourism Research, 25(3): 323-339.

Zhang Y S, Xu L and Wu T. 2019. The Impacts of Cultural Values on Bilateral International Tourist Flows: A Panel Data Gravity Model. Current Issues in Tourism, 22(8): 967-981.

章锦河，张捷，李娜，梁琳，刘泽华. 2005. 中国国内旅游流空间场效应分析. 地理研究，24（2）：293-303. [Zhang Jinhe, Zhang Jie, Li Na, Liang Lin and Liu Zehua. 2005. An Analysis on Spatial Field Effect of Domestic Tourist Flows in China. Geographical Research, 24(2): 293-303. ]

郑鹏，马耀峰，王洁洁，李君轶，杨敏. 2010. 基于“推—拉”理论的美国旅游者旅华流动影响因素研究. 人文地理，25（5）：112-117. [Zheng Peng, Ma Yaofeng, Wang Jiejie, Li Junyi and Yang Min. 2010. A Study of The Influencing Factors of the Inbound Tourists From the U.S.A Based on “Push-Pull” Theory. Human Geography, 25(5): 112-117. ]

Zheng W M, Zhou R, Zhang Z M, Zhong Y H, Wang S R, Wei S R and Ji H P. 2019. Understanding the Tourist Mobility Using GPS: How Similar are the Tourists?. Tourism Management, 71: 54-66.

郑嬗婷，陆林，陈浩. 2015. 长江三角洲团队旅游者区内游空间网络结构研究——基于旅行社推荐线路. 资源科学，37（12）：2371-2380. [Zheng Shanting, Lu Lin and Chen Hao. 2015. Team Tourist Flow Spatial Networks in The Yangtze River Delta Based on The Line Recommended by Travel Agencies. Resources Science, 37(12): 2371-2380. ]

钟士恩，张捷，韩国圣，王岚，张宏磊. 2010. 旅游流空间模式基本理论：问题分析及其展望. 人文地理，25（2）：31-36. [Zhong Shi’en, Zhang Jie, Wang Lan and Zhang Honglei. 2010. Spatial Patterns Tourist Flow Problems and Prospects. Human Geography, 25(2): 31-36. ]

Zhu L, Lim C and Xie W J. 2018. Modelling Tourist Flow Association for Tourism Demand Forecasting. Current Issues in Tourism, 21(8): 902-916.

Options
Outlines

/

〈 〉