EN中文

Tropical Geography >

2024 , Vol. 44 >Issue 2: 326 - 338

DOI: https://doi.org/10.13284/j.cnki.rddl.003796

Spatial Structure of Tourist Flow in Sanya and Tourists' Visiting Characteristics Based on Anchor Theory

  • Yi Li ,
  • Fengxia Wang
Expand
  • School of Tourism, Hainan University, Haikou 570228, China

Received date: 2023-04-06

  Revised date: 2023-08-07

  Online published: 2024-02-08

Fold

Abstract

The spatial structure of tourist flow represents the tourists' flow pattern, shows the difference of tourism resources, and provides the basis for the balance and sustainable development of tourism. Based on the digital footprint data obtained from the online travel notes on Qunar.com, this article describes and analyzes the spatial structure of tourism flow in Sanya City using the research methods of flow statistics, association rule mining, and social network analysis under the framework of anchor theory; further, it condenses the characteristics of different types of tourists at different time scales. The key findings include: (1) The spatial structure of Sanya's tourism flow is affected by the popularity of scenic spots, showing a flow pattern of "one core and two cores" and several core paths; the core area is located along the coastline, showing the characteristics of coastal tourism city. (2) In the spatial structure of Sanya's tourist flow, the distribution of core nodes is uneven, and the phenomenon of structural holes is obvious, showing the spatial pattern of uneven distribution of scenic spots and fierce competition among scenic spots. (3) In the structure network of Sanya's tourist flow, most tourists are medium-scale travelers, followed by small-scale travelers and large-scale travelers. (4) The tourist attraction system of Sanya's tourist flow is hierarchically distributed and has multiple anchor attractions. Different anchor attractions have different attractions to tourists of different types and time, except for beach tourist destinations and island areas. Therefore, targeted marketing for different types of tourists is a challenge for the future development of Sanya's tourism. In this article, the anchor point theory is introduced into the study of tourism flow. Based on the flow direction statistics, association rule mining and field investigation, the rules of the anchor point selection of tourism flow are established, verified, and supplemented by the social network analysis method. Theoretical support and quantitative data support complement each other. The application of anchor theory and association rule mining not only enriches the theoretical framework in the field of tourism flow, but it also scientifically determines the anchor points of the tourism flow's structure network. This is helpful to understand tourist behavior and mode, and it can provide targeted suggestions for the precision marketing of tropical coastal tourist cities.

Key words： tourism flow; anchor point theory; digital footprint; association rule mining; social network analysis; Sanya

Cite this article

Yi Li , Fengxia Wang . Spatial Structure of Tourist Flow in Sanya and Tourists' Visiting Characteristics Based on Anchor Theory[J]. Tropical Geography, 2024 , 44(2) : 326 -338 . DOI: 10.13284/j.cnki.rddl.003796

旅游流是指旅游者在旅游空间场内的迁移现象（章锦河 等，2005）是目前旅游地理学研究热点之一，流模型描述了动态的地理现象，基于“流”的时空分析成为分析时空数据研究的新的范式（裴韬 等，2020），针对旅游流的研究不仅有助于厘清旅游吸引系统的空间格局，而且有益于理解旅游流中旅游者的行为特征（裴韬 等，2020）。20世纪60年代国外最早开始对旅游流进行研究，主要集中在探讨旅游流的空间结构和特性（Lawrence, 2015）、资金流与物流（Marco and Alberto, 2019）、客流统计与预测（Bob and Gigi, 2008）等方面；国内于20世纪末才开始兴起旅游流研究，从空间尺度看，涉及到微观如景区（曹芳东 等，2021；李磊 等，2021）、宏观如市域（闫闪闪 等，2023）、省域（肖刚 等，2020）、城市群（陈金华 等，2021）、经济带（黄松 等，2021）、全国（刘军胜 等，2021）尺度。从数据来源上看，最初有关旅游流的研究多使用统计年鉴（孙婧 等，2022）、客运信息（李康康 等，2020）、问卷调查（李磊 等，2019）等作为数据来源，而随着社交媒体平台和在线旅游网站的普及和推广，可以获取更多的网络数据来源，如网络关注度（高楠 等，2020）、GPS轨迹数据（Zhuo et al., 2019）、手机信令数据（邓社军 等，2019）、微博签到数据（徐敏 等，2019）、地理标记照片（秦静 等，2018）和旅游网站在线游记（贺小荣 等，2021）等。地理大数据具有即时且海量的特点，能更加理性地映现人地关系，在地理学中有更广泛的应用前景（程昌秀 等，2018），其中在线游记作为旅游者自愿分享的包含图像、传统文本信息、旅游者位置信息的新型旅游数据，可以显著提高旅游流量描述准确性，逐渐成为旅游流特征研究的重要数据源之一。
文献梳理发现，目前针对旅游流空间结构研究较少有目的地各景点之间游览顺序（杜家禛 等，2021；苏建军 等，2021）及游览关联性的视角（熊力 等，2021），“万物皆有联”是大数据时代的核心思维（秦昆 等，2022），体现数据足迹价值的关键在于数据的挖掘与分析（刘耀林 等，2022），关联规则挖掘是大数据挖掘的重要分支，但少有学者借助算法对旅游流中的景点进行频繁模式挖掘（Naixia et al., 2020；卢淑莹 等，2021）。旅游流不仅体现旅游者流动的特征，同时也反映旅游目的地间的联系（Naixia et al., 2020），而社会网络指研究对象间形成的相对稳定的关系体系及形成的复杂网络结构（Stephen et al., 2009），社会网络分析已成为社会科学领域发展前沿的重要组成部分（秦昆 等，2022）。因此，国外学者较早将社会网络分析方法（SNA）应用到旅游流的研究，多从凝聚子群、小世界效应和小团体等方面探究不同客源地旅游者在美国进行多个目的地旅游的空间特征（Yeong-Hyeon, 2006），而国内学者较多从中心性（Xi et al., 2012；杨兴柱 等，2015）和结构洞（Daniel et al., 1998；程雪兰 等，2021）2个指标对旅游流网络结构特征进行表述，然而这类分析大多偏重分析网络的结构特征（马丽君 等，2021；王金伟 等，2021；周裕祺 等，2022），忽视了对旅游流空间模式的深入研究（Cheng et al., 2018；朱冬芳 等，2021），如旅游者的游览时长和游览类型会影响旅游者对景点的选择。而锚点理论可以阐明旅游者如何在陌生环境中选择游览的景点（Walmsley and Jenkins, 1992），因此应用锚点理论通过研究各景点之间的联系，可以明确不同游览时长和游览类型下的锚点景点，清晰地解释不同旅游者的游览模式。
综上，本文基于去哪儿网所获取的游记数据，以旅游流空间结构作为对象，选取中国具有独特地理位置和旅游资源的三亚市为研究区域，基于锚点理论结合传统的社会网络分析方法和改进后的Apriori算法，对三亚市旅游吸引系统的吸引机制进行定量化分析，以期对热带滨海旅游城市的精准营销提供依据。

1 研究区域与数据

1.1　研究区域

三亚市是海南省地级市，简称崖，别称鹿城，地理坐标介于18°09′34″－18°37′27″ N、108°56′30″－109°48′28″ E，处于海南岛最南端，年均温25.7℃，年均降水量1 347.5 mm，属于热带季风性气候。三亚市拥有丰富的自然和文化资源，拥有A级及以上景区14处，其中，5A景区3处，4A景区6处，凭借优越的区位条件、自然资源条件及特区政策优势，已形成以旅游业为主导的区域发展模式。

1.2　数据来源及预处理

去哪儿网是国内具有较高影响力的在线旅游运营商，用户较多且游记的数量和质量也较高（陈芳姝 等，2022），选取其游记作为本文的数据来源。使用python爬取去哪儿网从2017-01-01—2022-12-31目的地为三亚的游记共1 904篇，为保证数据分析的质量，制定7个规则对所爬取的数据进行清洗：1）去除不能准确提供游览途径景点的模糊游记；2）去除游览时长与游览景点不符的错误游记（如时长只有1 d但游览多个距离较远的景点等）；3）去除同一用户在相同游览时间相同游览路径的重复游记；4）去除同一用户在相同游览时间而游览路径不同的错误游记；5）去除游览路径中有非三亚市景点的游记；6）去除商家所做的攻略类的游记；7）合并有从属关系的景点，如将过江龙索桥、烟波亭、沧海楼等景点统一归入亚龙湾热带天堂森林公园景点。经清洗后的游记共875篇，包含旅游时间、游览时长、游览类型、游览景点及路径等信息。

2 理论与方法

2.1　锚点理论

锚点理论是Golledge于1978年所提出（Reginald, 1978），该理论阐明某些明显的提示物、标志物是人们对某地空间认知中的锚点，随着人们对于某地认知的不断加深而生成次级锚点，以此不断延伸形成层级分明的空间认知结构。“锚点”是行为地理学的一个核心概念，指被普遍选择和规律到访的地点，在游览过程中的锚点即核心景点，如旅游者在旅游期间游览多个景点，一些最有可能去的景点即锚点，其次为次级锚点等，不同游览类型的锚点可能不同。在锚点理论的框架内，本文旨在系统分析由停留时间定义的网络结构，以及每个景点在结构中扮演的功能角色，阐明各景点的等级排列，明确旅游地的锚点对于提高旅游地竞争力的重要程度。

2.2　研究方法

本文从数据收集与整理入手，借助多种研究方法与计算方式对三亚市旅游流网络进行构建与结构识别，从而得出三亚市旅游流旅游者行为特征，研究框架如图1所示。
图1 三亚旅游流空间结构及旅游者游览特征研究框架

Fig.1 Research framework on the spatial structure of Sanya tourism flow and the characteristics of tourists' visit

2.2.1　流向统计

旅游流的流向是旅游者在2个景点间的移动，如“从亚龙湾到三亚湾”，流向频率的公式（Naixia et al., 2020）为：
Pi = v i V×100%
式中：Pi 为流向频率；vi 为流向i在所有流向中出现的次数；V为所有流向的总数，通过对每个流向的频率进行计算和排序，可以得到旅游流的频繁流向。

2.2.2　关联规则挖掘

Apriori算法是目前使用最为广泛的挖掘关联规则频繁项集的算法，其核心原理是某一项集若是频繁的，则其所有子集也是频繁项集，反之则为非频繁项集（李海杰 等，2022），缺点是Apriori算法在生成每层频繁项集时都需频繁扫描数据集，降低算法效率的同时也导致数据冗余。针对上述瑕疵，本文采用李海杰等（2022）改进后的Apriori算法进行关联规则挖掘，最终分析结果表示为“X==>Y支持、置信、提升”，X和Y分别为关联规则的前件和后件，每个前件或后件都可以由“∧（表示和）”连接的多个景点组成，前件和后件分别代表事件的条件和结果。
1）支持度，表示景点在游览路径中出现的概率（频率）。
｛X｝的支持度= { X } 在游 览路 径中 出现 的次 数 游览 路径 数
2）置信度（Confidence），用于衡量关联规则的可靠程度，表示在前件发生的条件下后件发生的概率。置信度越高则关联规则的可靠程度越高。
｛X｝==>｛Y｝的置信度=   { X , Y } 的支 持度 { X } 的支 持度
3）提升度（Lift），用于判断关联规则中X的出现对Y出现的影响程度。Lift＜1表示为抑制作用，Lift＞1表示为促进作用，Lift=1表示前件不影响后件。
｛X｝==>｛Y｝的提升度= { X } = = > { Y } 的置 信度 { Y } 的支 持度

2.2.3　社会网络分析方法（SNA）

SNA是研究复杂网络的有力工具（杜嵘 等，2022），利用各网络节点间的关系表征数据的属性特征及数据间的结构，从多角度体现旅游流中各景点间的联系。SNA的核心部分是中心性分析与结构洞分析（王朝辉 等，2020），中心性分析可以测度各旅游节点在社会网络中的地位，并突出其在网络结构中的相对重要性（朱丽波，2015），结构洞分析可以配合中心性分析的结果，量化各节点的网络特征，并根据数据定性推断各节点在网络结构中的特征。将游记中涉及到的景点确定为网络节点，以各网络节点为横纵轴，两景点间若有流动便记为1，依次累加建立多值有向关系矩阵，表示各节点间的流动关系，将矩阵导入Ucinet 6.560软件并进行二值化处理，经多次实验后选择断点值为5，得到37×37的矩阵。选择程度中心性、接近中心性和中间中心性的中心性指标与结构洞指标进行分析。

3 结果分析

3.1　流动特性

3.1.1　流向分析

从游记中发现旅游者2017-01-01—2022-12-31六年间在三亚各景点间共有4 337次移动，根据式（2）以及各个景点游客流动的频率对流向进行排序，得到三亚的游客流动排名。图2为频率排名前20的旅游者流向。
图2 三亚旅游流向频率（排名前20）

Fig.2 Frequency of tourism flow in Sanya( top 20)

由图2可知，从亚龙湾－亚龙湾热带天堂森林公园是所有流向中最频繁的旅游流向，占总旅游流量的2.83%，其次为海棠湾－亚龙湾，占总流量的2.20%。旅游者流向的频繁程度反映景点之间的联动关系，双向旅游流为两景点间旅游流向频率的和，其中亚龙湾与亚龙湾热带天堂森林公园（占3.07%），其次为亚龙湾与三亚湾的旅游流联动关系最为显著（双向旅游流占旅游总量的3.04%），以及亚龙湾与海棠湾（占2.54%）。这些景点之间的路线是三亚旅游流的核心路径。

3.1.2　关联规则挖掘

采用Apriori算法对游记中旅游者游览路径的关联规则进行发掘，为获得最佳关联规则进行多次实验，设定参数Minsup=0.1，MinConf =0.6，提升度Lift＞1，共获得20条最佳关联规则（表1）。
表1 关联规则挖掘结果

Table 1 Association rule mining results

规则 支持度（X）/% 支持度（X，Y）/% 可信度/% 提升度

亚龙湾热带天堂森林公园==>

亚龙湾

 23.66 20.11 85 1.33
蜈支洲岛∧亚龙湾热带天堂森林公园==>亚龙湾 4.80 3.98 83 1.3
蜈支洲岛∧海棠湾==>亚龙湾 4.80 3.50 73 1.15
三亚湾∧海棠湾==>亚龙湾 3.89 2.80 72 1.13
海棠湾==>亚龙湾 29.94 21.26 71 1.12
椰梦长廊==>三亚湾 26.74 18.72 70 1.33
蜈支洲岛∧大东海==>亚龙湾 6.74 4.65 69 1.09
三亚湾∧蜈支洲岛==>亚龙湾 7.20 4.90 68 1.08
亚龙湾∧椰梦长廊==>三亚湾 6.29 4.21 67 1.27
蜈支洲岛∧天涯海角==>亚龙湾 5.37 3.55 66 1.04
天涯海角==>亚龙湾 28.00 18.20 65 1.02
大东海==>亚龙湾 36.00 23.40 65 1.02
三亚湾==>亚龙湾 53.26 34.62 65 1.02
三亚湾∧大东海==>亚龙湾 7.89 5.05 64 1.01
三亚免税==>三亚湾 19.20 12.10 63 1.2
椰梦长廊==>亚龙湾 26.74 16.85 63 1
大东海==>三亚湾 36.00 21.96 61 1.17
亚龙湾∧大东海==>三亚湾 10.29 6.27 61 1.16
三亚湾∧椰梦长廊==>亚龙湾 8.34 5.09 61 0.96
三亚免税==>亚龙湾 19.20 11.52 60 0.95
由表1可知，亚龙湾和三亚湾是出现频率与支持度最高的2个景点，在得到的每条关联规则中都包含亚龙湾和三亚湾2个景点中的至少一个，说明亚龙湾和三亚湾与关联规则的结果密切相关，且在前件中支持度较高的景点为三亚湾、蜈支洲岛、大东海、海棠湾、天涯海角和椰梦长廊，后件中出现频率最高的是亚龙湾，表明这些景点在旅游流中最受欢迎。旅游者在游览三亚湾和海棠湾时会游览亚龙湾的可信度达72%，游览三亚湾和亚龙湾热带天堂森林公园时会游览亚龙湾的可信度可达68%，说明亚龙湾和三亚湾与周边热门景点相结合，其关联规则的可信度将显著提高。在对旅游者流动的频繁流向分析中虽然没有发现亚龙湾与蜈支洲岛之间的明确联系（见图2），但关联规则挖掘的结果表明，如果在亚龙湾和蜈支洲岛之间增加第三个吸引点如亚龙湾热带天堂森林公园，二者将会表现出较强的相关性，因此这2个热门景点之间存在隐含的联系。

3.2　锚点选择

锚点是整个旅游流空间结构的基础和核心，往往作为游览路线的开端或结尾，对整个空间结构具有重要作用，因此合理科学地确立锚点选择的标准十分必要。结合相关研究（刘歆 等，2021），确定三亚市旅游流锚点时应注意：1）锚点吸引物具有独特的原真性。原真性是锚点吸引物吸引力价值基础的来源，包括自然和人文等方面。2）开发程度较高但保护状态良好。对景点进行保护性开发，在保持原真性的基础上尽可能地进行开发，配备有完善的基础设施。3）围绕锚点配备较完善的旅游相关设施及服务机构，如游客中心、停车场、商店、医疗、酒店等。4）良好的通达性及道路状况。锚点应具有良好的交通状况，并与周围其他景点建立良好的公共交通连接。5）较强的旅游环境承载力。锚点应具有较强的吸纳外来旅游者的能力，保证当地环境和来访旅游者旅游经历的质量，防止出现不可接受的下降。
结合三亚市景点的开发与利用状况及实地调研结果，初步选取核心锚点为亚龙湾；次级锚点为三亚湾、海棠湾及蜈支洲岛；三级锚点为天涯海角、椰梦长廊及南山；其余景点为四级锚点。

3.3　网络结构

使用Ucinet 6.560软件对二值化后的数据进行社会网络分析，图3显示，整体网络密度为0.778，网络关联度为1，网络效率为1，平均最短路径为1.222，表明三亚市景点间联系较紧密，网络凝聚力较强，网络连通性较好。
图3 三亚市旅游流网络结构

Fig.3 The tourism flow network structure of Sanya

中心性的计算结果如图4所示，中间中心性有2次自然断裂，依据中间中心性的特性可以将网络结构中的各景点分为核心（≥20）、一般（≥5且＜20）、边缘（＜5）3个等级。依据旅游流网络中节点中心性的对比分析，将旅游节点划分为3种类型：1）平衡型旅游节点。出度、入度的数值较高且较均衡，属于旅游流结构网络中的重要核心点，其兼顾扩散与集聚的双重职能，如亚龙湾、三亚湾、蜈支洲岛等节点的程度和中介中心性均排前列，呈现较强的网络控制力及中心地位；西岛的程度中心性处于中上层次，出度与入度都较大且均衡，但其中间中心性处于中间层次，对旅游流结构网络的控制力不足；而南山和后海因其中间中心性处于中下层次，其对网络的掌控力和重要程度明显不如西岛景区，因而成为一般节点。2）中介型旅游节点。在旅游流网络中存在一些节点，其中间中心性格外显著（闫闪闪 等，2021），接近中心性具有双低特征，表明其与其他景点间的来往较密切，流动效率较高，联结互动性较强，且在旅游流空间结构网络中通常处于相邻2个景点的中间位置，起调控联结的中转站作用，如亚龙湾、三亚湾和蜈支洲岛，对网络控制力较强，为重要的中介型旅游节点；相反地，如西岛与亚龙湾等的程度中心性相差不大，但其中间中心性偏低，说明西岛虽为旅游流网络中的重要成员，但未能充当其他节点的联络“媒介”。3）泛泛型旅游节点。该类节点的程度和中间中心性低而接近中心性高，对旅游流网络的控制能力弱，与周围节点的互动性较弱，主要靠平衡型和中介型旅游节点的辐射和扩散增加旅游者的到访率。
图4 三亚市旅游结构的中心性与结构洞指标

Fig.4 Centrality and structural hole index of tourism structure in Sanya City

综上，三亚市各旅游节点呈层级分布，其中亚龙湾、三亚湾、蜈支洲岛、大东海、海棠湾等景点成为三亚旅游流网络结构的核心节点（即具有较高的节点中心度值），这几个核心节点控制了三亚市旅游流网络的循环，且其他大部分节点对这几个核心节点的依赖程度高，此外，邻近核心节点的其他节点的节点中心度较低，因此，可以假设核心节点对其周边景点的旅游流有一定的限制，即旅游流网络中可能存在结构洞。
结构洞是指结构网络中2个节点之间的非冗余联系（David and Ronald, 1995），表征各景点在旅游流网络结构中同质性竞争的强弱，其中效能越大而约束越小的节点，表示该节点结构洞水平高，具有明显优势（程雪兰 等，2021）。三亚湾、蜈支洲岛、大东海等景点的效能值最高而约束度最低，说明这些景点竞争优势明显，受其周边景点客流影响较小。此外，亚特兰蒂斯和1号港湾城的效能值和约束度都较高，表明它们具有旅游流的竞争优势，但受周边景点的影响较大，地处热点区域海棠湾和大东海，与其存在一定程度的客流竞争。因此，应加强核心景点外围游客的控制和引导，使其加强与周围景点的联系，尽量避免和消除结构洞现象对三亚旅游者流量和分布的负面影响。
综上，可以定量化地识别出三亚市旅游流中的核心景点为亚龙湾、三亚湾、蜈支洲岛、大东海、海棠湾、天涯海角、椰梦长廊、亚龙湾热带天堂森林公园及三亚免税，与锚点选择的结果相差无几，将二者进行结合，对锚点选择进行补充。

3.4　空间格局

三亚旅游流总体呈现“一心两核”的空间格局，形成目的地之间竞争激烈且分布失衡的网络格局（图5）。其主要特征可以总结为：
图5 三亚市旅游流空间格局

Fig.5 Spatial pattern of tourist flows in Sanya

1）三亚市网络结构中每一个旅游节点的集聚能力和扩散能力均不同，根据其集聚和扩散效应主要分为平衡型、中介型和泛泛型3种类型。
2）亚龙湾、三亚湾和蜈支洲岛是三亚旅游流中最核心的节点，同时也能将周边其他景点连接成网络，从而提高三亚旅游流的循环效率。
3）结构洞测量揭示了3个内部联系紧密，但内部关系不同的景点集群，大东海和1号港湾城与海棠湾和亚特兰蒂斯具有从属关系，但大东海和海棠湾具有高效能值和低约束度，而1号港湾城和亚特兰蒂斯的效能值和约束度都较高，虽是从属关系但也存在竞争；亚龙湾和亚龙湾热带天堂森林公园都具有高效能值和低约束度，且亚龙湾－亚龙湾热带天堂森林公园的流量最高，因此二者具有协同作用。
4）三亚旅游流的核心节点基本分布在沿海岸线区域，其中三亚湾、亚龙湾和海棠湾相互连接，共同构成三亚旅游流的核心区，说明“沿海岸线”是三亚旅游流空间格局中的一个关键特征，并在一定程度上对相对内陆的景点形成“循环垄断”，造成沿海和内陆景点旅游流规模的巨大差异。三亚市呈现滨海旅游城市的特征。

3.4　基于游览时长的不同类型旅游者空间行为特征分析

停留时间的长短会影响旅游者的旅游活动，因此游览时长不同的旅游者在景点选择方面存在差异（Xi et al., 2012），短期旅游者倾向于游览主要景点，而长期旅游者由于景点等级被削弱，更多选择在较短距离游览更多景点，因此旅游者的停留时间和空间行为之间的关系存在时间异质性。根据游记中所记录游览时长，2017-01-01—2022-12-31六年间三亚市旅游者的平均游览时长为4.5 d，所以共分为3个时间尺度，小尺度（≤4 d）、中尺度（＞4 d但≤7 d）和大尺度（≥8 d）（Debbage, 1991）。据《旅游资源分类、调查与评价（GB T18972—2003）》（尹泽生 等，2003），可将各游览景点划分为4种主类、8种亚类、13种类型（图6）。
图6 三亚旅游流分尺度时间异质性特征

图注：AAA包括鹿回头和海誓山盟，AAD包括亚龙湾、大东海、三亚湾、海棠湾、椰梦长廊、小东海、皇后湾、太阳湾和龙仔湾，AAF包括天涯海角，ACL包括大小洞天和落笔洞，AEA包括蜈支洲岛、西岛、凤凰岛和牛王岛，BAA包括三亚河，EBF包括崖州古城，FAE包括南山、千古情、妈祖庙和爱上图书馆，FAB包括奥特莱斯、亚特兰蒂斯、半山半岛、鸟巢度假村和三亚海昌梦幻海洋不夜城，FAD包括亚龙湾热带天堂森林公园和水稻国家公园，FDB包括百花谷，FDC包括后海、天涯镇和博后村，FDG包括1号港湾城和三亚免税。

Fig.6 Characteristics of time heterogeneity of tourism flows in Sanya at scale

总体上，各尺度各游览类型的旅游者都倾向于游览沙滩型旅游地和岛区，即地文景观类旅游地，表明三亚市以其独特的沿海和热带岛屿优势成为国内屈指可数的热带滨海旅游城市。具体地：
1）小尺度下的单人旅行更多倾向于游览综合自然旅游地，闺蜜旅行趋向于游览综合自然旅游地和岛礁，家庭旅行多喜爱游览综合自然旅游地、综合人文旅游地和地质地貌过程行迹，情侣旅行多趋向于游览地质地貌过程行迹、综合人文旅游地和居住地与社区，三五好友旅行偏爱游览综合人文旅游地；
2）中尺度下的单人旅行更偏好游览综合自然旅游地、地质地貌过程行迹和居住地与社区，闺蜜旅行更热衷于游览地质地貌过程行迹、综合人文旅游地和居住地与社区，家庭旅行更钟爱游览综合自然旅游地、岛礁、社会经济文化活动遗址遗迹、综合人文旅游地和居住地与社区，情侣旅行更倾向于游览岛礁、河段、社会经济文化活动遗址遗迹、综合人文旅游地和居住地与社区，三五好友旅行多愿意游览综合自然旅游地、岛礁、社会经济文化活动遗址遗迹、综合人文旅游地和居住地与社区；
3）大尺度下的单人旅行更偏向游览综合自然旅游地、岛礁、河段和居住地与社区，闺蜜旅行更倾心于游览综合自然旅游地、河段、综合人文旅游地和居住地与社区，家庭旅行多侧重于游览综合自然旅游地、河段、综合人文旅游地和居住地与社区，情侣旅行多偏好于游览综合自然旅游地和综合人文旅游地，三五好友旅行更趋向于游览综合自然旅游地和地质地貌过程行迹。
三亚市旅游流锚点结构特征如图7所示，亚龙湾景点兼具集聚与扩散效应，并处于整个旅游流结构网络的最核心地位，因此成为三亚旅游流网络的核心锚点；其次为三亚湾、蜈支洲岛与海棠湾3个景点，在整个网络结构中承担重要且不可或缺的分流与引流作用，因此成为三亚旅游流网络的次级锚点；以此类推，南山、椰梦长廊等其余核心节点成为三级锚点；西岛等一般节点成为四级锚点；鸟巢度假村等边缘节点成为五级锚点。锚点吸引力可以是多重的，而不是单一的，同时由于距离衰减效应，2个景点的空间距离越近，发生交互的可能性越高，根据不同游览时长的旅游者对游览景点选择的不同，长期旅游者的游览网络较松散，游览层级较模糊，中期旅游者的景点游览模式趋于等级化，而短途游客集中游览多个锚点景点，因此旅游流层次结构可以通过景点在整个网络结构中扮演的锚定角色构建；增加游览时长可以减弱吸引系统层次性对流量的影响；同一个旅游目的地可以有多个锚点景点，且作为锚点的景点在整个逗留网络中各不相同。由此可见，根据游览时间及旅游者类型的参差，锚点吸引物可以是多个而不是单一的，同时作为锚点的吸引力因停留时间网络而存在差异。
图7 三亚旅游流锚点特征

Fig.7 The tourist flow anchor feature of Sanya

3.5　旅游者停留时间网络特征分析

停留时间网络特征从游记数、流向占比、整体网络密度、平均最短路径和特征向量集中化指数5个方面对小、中、大尺度分别进行表述。
1）在875篇游记中小中大尺度分别有428、357和90篇，景点流向占比分别为42.42%、45.45%和12.13%，由此可见，中尺度旅游者的占比最大且移动轨迹较为复杂，所游览的景点较其他2个尺度也更繁多。
2）整体网络密度是游览轨迹数与整体网络的比值，网络密度越高表明网络中各景点的联系越紧密、越有吸引力（李俊良，2020）。小中大尺度整体网络密度分别为0.49、0.63和0.45，因此中尺度停留网络比其他2个尺度更加集中，表明中尺度旅行的旅游者集中游览多个旅游景点，而小、大尺度旅行的旅游者对于景点的游览往往是分层级进行的。
3）平均最短路径是停留时间网络中全部景点对建立联系所需经过的其他景点数的最小值的平均值，其值越小网络连通性越好（唐承辉 等，2022）。小中大尺度平均最短路径分别为1.45、1.21和1.49，同时，中尺度旅行的流向占比最大且游览景点更丰富，表明中尺度旅行的网络体系较复杂、各景点间关联性较强。
4）集中化程度指数显示网络的集中程度（马丽君 等，2022）。小中大尺度指数分别为0.51%、0.38%和0.45%，表明小尺度旅行的停留时间网络最集中，各景点的吸引力较大，可判断小尺度旅行所游览的景点多为旅游流网络中核心节点即锚点，且游览类型不同锚点也不同。
综上，三亚旅游流结构网络的中尺度旅行的旅游者占多数，且所游览的景点较扁平化，倾向于选择通达性好且更具特色的景点，可以在较短距离内游览更多的景点，小尺度旅行由于旅行时间的限制，选择优先游览核心景点，大尺度旅行的旅游者占比最小，旅行时间充足，所游览景点除核心景点外，逐级向一般景点和边缘景点扩散。

4 讨论与结论

4.1　讨论

本研究使用去哪儿网游记作为主要数据来源，与三亚市旅游和文化广电体育局所统计的三亚市旅游接待情况 1变化趋势基本一致；Apriori算法为经典挖掘算法，本文使用改进后的Apriori算法对三亚市旅游者所游览景点进行关联规则挖掘，减少了运算过程的数据冗余与运算时间，提高了运算效率；与Naixia等（2020）研究青岛市旅游流时采用的CARMA算法不同，虽CARMA算法可以实现在线数据关联分析且在线调整阈值，但CARMA算法更适用于电子商务等动态数据的在线关联分析发掘，对于旅游流的静态关联分析采用Apriori算法更为合适；卢淑莹等（2021）在泛长三角区域入境游客空间格局与意象的研究中也采用Apriori算法，表明Apriori算法在旅游流研究中的运用具有科学性；旅游流网络结构中心性与结构洞的研究方法与杨兴柱（2015）、Daniel（1998）等基本一致，但其仅对旅游流网络的结构特征进行分析，而本研究基于锚点理论更深层次地揭示了在不同游览类型和时间尺度下旅游者的游览模式，并总结三亚市旅游流的网络结构及空间格局。
综上可知，三亚市旅游流网络结构表现出突出的分层等级结构和景点分布特征，使得旅游流不断对旅游相关区域产生经济拉动和能量供给，从而有效驱动相关配套设施的更新和改善功能，使之成为综合功能区（周李 等，2020）。城市旅游流的发展有利于传统游憩场所功能的不断优化和文旅空间的逐步融合，如2018—2021年半山半岛和爱上图书馆等的游览次数不断增加，因此在旅游流的影响下，针对旅游者不同需求的产业业态逐渐丰富，驱使城市功能转变为新型文旅空间，即城市旅游流具有赋能效应（周李 等，2020）；旅游流增加的同时也要求配套附加产业的服务和产能有相应的提升，但近年来景区食宿等同质化现象和恶性竞争及市场秩序问题严重，如百花谷商业街在4年间的到访次数逐年减少，而1号港湾城即“大菠萝”在近年来的到访次数不断攀升，结合2021年的“海胆蒸蛋”事件，为防止供大于求及“黑天鹅”事件的发生，应尽量整合同类型商铺、优化配套设施布局，提高旅游品质，即城市旅游流具有倒逼效应（周李 等，2020）；旅游者在有限时间内想要游览尽可能多的景点就需要相应交通设施和线路的完善，三亚市旅游流的核心景点亚龙湾、三亚湾和蜈支洲岛等景点都分布于沿海岸线区域，为增强一般景点与边缘景点的到访率，现已开通凤凰机场―亚龙湾、亚龙湾―天涯海角等旅游专线，极大地缩短了景点间转移的时间，提高了旅游流的循环效率，即城市旅游流应具有联通效应（周李 等，2020）。但三亚市旅游资源集中于沿海岸线区域，造成内陆与沿海地区旅游业发展的不平衡，同时景点的集中游览给交通、住宿、公共设施等造成极大的压力，也对当地居民的生活质量有所干扰，因此，优化三亚市旅游空间布局至关重要。
由此提出以下建议：1）进一步加强对核心景点旅游资源的保护。核心节点凭借其自身的资源禀赋等优势，可能在旅游旺季突破旅游生态承载力，因此需建立较完善且健康的流量预警系统来缓解承载压力，同时避免以牺牲景区资源而快速增加经济效益的行为，加强对景区原真性资源的可再生能力的培育；2）加强处于网络边缘景点的宣传能力提高景区知名度。边缘节点难以与核心景点在资源等方面相互竞争，但仍具备一定的独特优势，应注重培养将自身优势资源转化为旅游产品的能力，利用好旅游者的好奇心，打造独特的游客吸引物等；3）加强核心与边缘节点的联动效应，促进区域内协调发展，提高整体网络密度。核心节点具有较强的集聚与辐射能力，在防止马太效应出现的同时依托自身优势，与周边景点加强合作与联系，以提高整体网络密度，增强网络整体联系程度，避免同质化现象，促进三亚市旅游互补联动和协调发展。

4.2　结论

本文的理论贡献是将锚点理论应用于旅游流结构网络与旅游吸引系统研究中，基于流向统计、关联规则挖掘及实地调研情况确立了旅游流锚点选择的规则，并借助社会网络分析方法进行验证和补充，理论支撑与定量化数据支撑相辅相成。同时，将旅游者的游览时长分尺度进行研究，相关学者很少用到该理论解释旅游者空间行为的潜力（Sanghoon et al., 2018），锚点理论与关联规则挖掘的应用，不仅丰富了旅游流领域的理论框架，同时较科学地确定旅游流结构网络的锚点，有助于理解旅游者的游览行为与模式。得出的主要结论为：
1）三亚市旅游流的空间结构受景点受欢迎程度的影响，呈现“一心两核”和若干核心路径的流动格局，核心区处于沿海岸线区域，展现滨海旅游城市的特征；
2）在三亚市旅游流的空间结构中核心节点分布不均匀且结构洞现象明显，形成景点分布不平衡，且各景点间竞争激烈的空间格局；
3）三亚市旅游流结构网络中进行中尺度旅行的旅游者占多数，其次为小尺度旅行，大尺度旅行的旅游者最少；
4）三亚市旅游流的旅游吸引系统呈分级分布且有多个锚点吸引物，不同的锚点吸引物除沙滩型旅游地和岛区外，对不同游览类型和游览时间的旅游者吸引力不同。

1 资源来源：三亚市旅游和文化广电体育局. lwj.sanya.gov.cn。

李 屹：数据收集、整理、处理与可视化，文章的写作；

王凤霞：文章的指导、修改及资金支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Bob M and Gigi L. 2008. Movement Patterns of Tourists within a Destination. Tourism Geographies, 10(3): 355-374.

曹芳东，黄震方，黄睿，徐敏. 2021. 江苏省高速公路流与景区旅游流的空间关联及其耦合路径. 经济地理，41（1）：232-240.

Cao Fangdong, Huang Zhenfang, Huang Rui, and Xu Min. 2021. Spatial Correlation and Coupling Path between Expressway Flow and Scenic Tourist Flow in Jiangsu Province. Economic Geography, 41(1): 232-240.

陈芳姝，王丽华. 2022. 基于“认知-情感”理论的达古冰川景区旅游形象感知研究. 黑龙江生态工程职业学院学报，35（2）：44-48.

Chen Fangshu and Wang Lihua. 2022. Research on Tourism Image Perception of Dagu Glacier Scenic Area Based on "Cognitive-Emotional" Theory. Journal of Heilongjiang Vocational College of Ecological Engineering, 35(2): 44-48.

陈金华，杨雪可. 2021. 港珠澳大桥对粤港澳大湾区旅游流网络的影响. 华侨大学学报（哲学社会科学版），（1）：44-53.

Chen Jinhua and Yang Xueke. 2021. Influence of Hong Kong-Zhuhai-Macao Bridge on Tourist Flow Network in Guangdong-Hong Kong-Macao Greater Bay Area. Journal of Huaqiao University (Philosophy and Social Sciences), (1): 44-53.

Cheng J, Jianquan C, and Jing X. 2018. Using User-Generated Content to Explore the Temporal Heterogeneity in Tourist Mobility. Journal of Travel Research, 57(6): 779-791.

程昌秀，史培军，宋长青，高剑波. 2018. 地理大数据为地理复杂性研究提供新机遇. 地理学报，73（8）：1397-1406.

Cheng Changxiu, Shi Peijun, Song Zhangqing, and Gao Jianbo. 2018. Geographical Big Data Provides New Opportunities for Geographical Complexity Research. Geographical Journal, 73(8): 1397-1406.

程雪兰，方叶林，苏雪晴，李经龙. 2021. 中国东部沿海5大城市群旅游流网络结构空间分布特征研究. 地理科学进展，40（6）：948-957.

Cheng Xuelan, Fang Yelin, Su Xueqing, and Li Jinglong. 2021. Study on the Spatial Distribution Characteristics of Tourist Flow Network Structure in the Five Major Urban Agglomerations in Eastern China. Geographical Science Progress, 40(6): 948-957.

Daniel J B, Kenneth D B, and Bruce C S. 1998. Relationships and Unethical Behavior: A Social Network Perspective. The Academy of Management Review, 23(1): 14-31.

David K and Ronald S B. 1995. Structural Holes: The Social Structure of Competition. Administrative Science Quarterly, 40(2): 350.

Debbage K G. 1991. Spatial Behavior in a Bahamian Resort. Annals of Tourism Research, 18(2): 251-268.

邓社军，宇泓儒，陆曹烨，刘冬梅，唐玉成，白桦. 2019. 基于手机信令数据的旅游交通出行网络特性. 交通运输研究，5（6）：28-35.

Deng Shejun, Yu Hongru, Lu Caoye, Liu Dongmei, Tang Yucheng, and Bai Hua. 2019. Characteristics of Tourism Transportation Network Based on Mobile Phone Signaling data. Transportation Research, 5(6): 28-35.

杜家禛，靳诚，徐菁，周玉翠. 2021. 长江三角洲虚拟旅游流空间格局及其影响因素分析. 南京师大学报（自然科学版），44（2）：48-54.

Du Jiazhen, Jin Cheng, Xu Jing, and Zhou Yucui. 2021. Characteristics of Tourism Transportation Network Based on Mobile Phone Signaling Data. Transportation Research, 44(2): 48-54.

杜嵘，陈洁萍. 2022. 基于社会网络分析方法的南京主城边缘带绿色空间景观系统评估. 中国园林，38（4）：68-73.

Du Rong and Chen Jieping. 2022. Landscape System Assessment of Green Space in Urban Fringe of Nanjing Based on Social Network Analysis. China Gardens, 38(4): 68-73.

高楠，张新成，王琳艳. 2020. 中国红色旅游网络关注度时空特征及影响因素. 自然资源学报，35（5）：1068-1089.

Gao Nan, Zhang Xincheng, and Wang Linyan. 2020. The Spatial and Temporal Characteristics and Influencing Factors of China's Red Tourism Network Attention. Journal of Natural Resources, 35(5): 1068-1089.

贺小荣，徐海超，夏凡. 2021. 红色旅游流的空间网络结构及其影响因素——以遵义市为例. 旅游论坛，14（6）：61-71.

He Xiaorong, Xu Haichao, and Xia Fan. 2021. The Spatial Network Structure of Red Tourism Flow and Its Influencing Factors-Taking Zunyi City as an Example. Tourism Forum, 14(6): 61-71.

黄松，王梦飞，李燕林. 2021. 基于在线平台的旅游信息流流空间特征——以珠江—西江经济带核心城市为例. 广西师范大学学报（自然科学版），39（2）：162-173.

Huang Song, Wang Mengfei, and Li Yanlin. 2021. Spatial Characteristics of Tourism Information Flow Based on Online Platform: A Case Study of Core Cities in the Zhujiang-Xijiang Economic Belt. Journal of Guangxi Normal University (Natural Science Edition), 39(2): 162-173.

Lawrence J B. 2015. The Structures and Flows of a Large Tourist Itinerancy Network. Current Issues in Tourism, 21(1): 103-122.

李海杰，苗蕾，聂磊，佟璐. 2022. 基于关联规则和主成分分析的高铁旅客购票行为特征研究. 铁道科学与工程学报，20（6）：1-11.

Li Haijie, Miao Lei, Nie Lei, and Tong Lu. 2022. Study on the Characteristics of High-Speed Railway Passengers' Ticket Purchase Behavior Based on Association Rules and Principal Component Analysis. Journal of Railway Science and Engineering, 20(6): 1-11.

李俊良. 2020. 科研合作网络特征分析及比较——以我国“双一流”大学与美国知名大学为例. 情报探索，（4）：35-43.

Li Junliang. 2020. Analysis and Comparison of Scientific Collaboration Network Characteristics: A Case Study of China's Double First-Class Universities and Famous American Universities. Intelligence Exploration, (4): 35-43.

李康康，戢晓峰. 2020. 云南省团队游空间结构及其聚散效应研究. 旅游研究，12（3）：41-51.

Li Kangkang and Ji Xiaofeng. 2020. Research on the Spatial Structure of Team Tourism in Yunnan Province and Its Clustering Effect. Tourism Research, 12(3): 41-51.

李磊，陆林，穆成林，孙小龙. 2019. 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，39（5）：207-216.

Li Lei, Lu Lin, Mu Chenglin, and Sun Xiaolong. 2019. The Spatial Structure Evolution of Tourism Flow in Typical Tourist Cities in the Era of High-Speed Rail Network-Taking Huangshan City as an Example. Economic Geography, 39(5): 207-216.

李磊，陶卓民，赖志城，李涛，琚胜利. 2021. 长征国家文化公园红色旅游资源网络关注度及其旅游流网络结构分析. 自然资源学报，36（7）：1811-1824.

Li Lei, Tao Zhuomin, Lai Zhicheng, Li Tao, and Ju Shengli. 2021. Analysis of Red Tourism Resources Network Attention and Tourist Flow Network Structure of Changzheng National Cultural Park. Natural Resources Journal, 36(7): 1811-1824.

刘军胜，马耀峰，刘焱序. 2021. 中国入境过夜游客目的地选择时空分异与城市类型识别. 旅游学刊，36（7）：104-118.

Liu Junsheng, Ma Yaofeng, and Liu Yanxu. 2021. Spatial-Temporal Differentiation and Urban Type Identification of Inbound Overnight Tourist Destination Selection in China. Tourism Journal, 36(7): 104-118.

刘歆，吕博学，邢文路. 2021. “欧洲工业遗产之路”模式下京津冀区域工业遗产旅游开发研究. 工业建筑，51（10）：217-224.

Liu Xin, Lu Boxue, and Xing Wenlu. 2021. Research on the Development of Industrial Heritage Tourism in Beijing-Tianjin-Hebei Region under the Mode of "European Industrial Heritage Road". Industrial Architecture, 51(10): 217-224.

刘耀林，刘启亮，邓敏，石岩. 2022. 地理大数据挖掘研究进展与挑战. 测绘学报，51（7）：1544-1560.

Liu Yaolin, Liu Qiliang, Deng Min, and Shi Yan. 2022. Research Progress and Challenges of Geographic Big Data Mining. Journal of Surveying and Mapping, 51(7): 1544-1560.

卢淑莹，陶卓民，李涛，濮蓉，荣慧芳. 2021. 泛长三角区域入境游客空间格局与意象研究. 地理研究，40（1）：263-278.

Lu Shuying, Tao Zhuomin, Li Tao, Pu Rong, and Rong Huifang. 2021. Research on the Spatial pattern And Image of Inbound Tourists in the Pan-Yangtze River Delta Region. Geographical Research, 40(1): 263-278.

马丽君，邓思凡. 2021. 省际入境与国内旅游流网络结构特征及比较分析. 地理与地理信息科学，37（5）：133-142.

Ma Lijun and Deng Sifan. 2021. Structural Characteristics and Comparative Analysis of Interprovincial Inbound and Domestic Tourist Flow Networks. Geography and Geographic Information Science, 37(5): 133-142.

马丽君，刘聪. 2022. 上海迪士尼对长三角国内旅游流网络结构的影响——基于网络关注度的分析. 云南地理环境研究，34（2）：1-10.

Ma Lijun and Liu Cong. 2022. The Impact of Shanghai Disney on the Structure of Domestic Tourism Flow Network in the Yangtze River Delta-Analysis Based on Network Attention. Yunnan Geographical Environment Research, 34(2): 1-10.

Marco A and Alberto A G. 2019. Flight Availability and International Tourism Flows. Annals of Tourism Research, 79(C): 102642-102642.

Naixia M, Yunhao Z, Teemu M, Tengfei Y, Jinwen J T, and Yan S. 2020. Tourists' Digital Footprint: The Spatial Patterns of Tourist flows in Qingdao, China. Tourism Management, 81: 104151.

裴韬，舒华，郭思慧，宋辞，陈洁，刘亚溪，王席. 2020. 地理流的空间模式：概念与分类. 地球信息科学学报，22（1）：30-40.

Pei Tao, Shu Hua, Guo Sihui, Song Ci, Chen Jie, Liu Yaxi, and Wang Xi. 2020. Spatial Patterns of Geographic Flows: Concepts and Classifications. Journal of Earth Information Science, 22(1): 30-40.

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（8）：1556-1570.

Qin Jing, Li Langping, Tang Mingdi, Sun Yan, and Song Xinrui. 2018. Spatial Characteristics of Inbound Tourism Flows in Beijing Based on Geotagged Photos. Geography, 73(8): 1556-1570.

秦昆，喻雪松，周扬，张凯，刘东海，王其新，贾涛，肖锐，卢宾宾，许刚，余洋，孟庆祥. 2022. 全球尺度地理多元流的网络化挖掘及关联分析研究. 地球信息科学学报，24（10）：1911-1924.

Qin Kun, Yu Xuesong, Zhou Yang, Zhang Kai, Liu Donghai, Wang Qixin, Jia Tao, Xiao Rui, Lu Binbin, Xu Gang, Yu Yang, and Meng Qingxiang. 2022. Research on Network Mining and Association Analysis of Global Scale Geographical Multivariate Flow. Journal of Geo-Information Science, 24(10): 1911-1924.

Reginald G G. 1978. Representing, Interpreting, and Using Cognized Environments. Papers of the Regional Science Association, 41(1): 168-204.

Sanghoon K, Gyehee L, Jinwon K, and Deukhee P. 2018. Identifying the Spatial Structure of the Tourist Attraction System in South Korea Using GIS and Network Analysis: An Application of Anchor-Point Theory. Journal of Destination Marketing & Management, 9: 358-370.

Stephen P B, Ajay M, Daniel J B, and Giuseppe L. 2009. Network Analysis in the Social Sciences. Science, 323(5916): 892-895.

苏建军，关丽，张毓. 2021. 丝绸之路经济带沿线国家旅游资源与入境旅游发展空间格局特征与差异. 世界地理研究，30（3）：509-519.

Su Jianjun, Guan Li, and Zhang Yu. 2021. Spatial Pattern Characteristics and Differences of Tourism Resources and Inbound Tourism Development in Countries along the Silk Road Economic Belt. World Geography Research, 30(3): 509-519.

孙婧，吴忠才. 2022. 长三角城市群旅游流时空分异与溢出效应研究. 湖南理工学院学报（自然科学版），35（2）：58-65.

Sun Jing and Wu Zhongcai. 2022. Study on Spatial-Temporal Differentiation and Spillover Effect of Tourism Flow in Yangtze River Delta Urban Agglomeration. Journal of Hunan University of Science and Technology (Natural Science Edition), 35(2): 58-65.

唐承辉，张衔春. 2022. 全球城市区域合作网络结构演变——以粤港澳大湾区为例. 经济地理，42（2）：25-34.

Tang Chenghui and Zhang Xianchun. 2022. Evolution of Global Urban Regional Cooperation Network Structure: A Case Study of Guangdong-Hong Kong-Macao Greater Bay Area. Economic Geography, 42(2): 25-34.

Walmsley D J and Jenkins J M. 1992. Tourism Cognitive Mapping of Unfamiliar Environments. Annals of Tourism Research, 19(2): 268-286.

王朝辉，汤陈松，乔浩浩，张伟，邢露雨. 2020. 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，40（3）：225-233.

Wang Chaohui, Tang Chensong, Qiao Haohao, Zhang Wei, and Xing Luyu. 2020. The Spatial Structure Characteristics of Rural Tourism Flow Based on Digital Footprint: A Case Study of Huzhou City, Zhejiang Province. Economic Geography, 40(3): 225-233.

王金伟，王国权，刘乙，雷婷，孙洁，王欣. 2021. 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，36（7）：1777-1791.

Wang Jinwei, Wang Guoquan, Liu Yi, Lei Ting, Sun Jie, and Wang Xin. 2021. Spatial-Temporal Distribution and Network Structure Characteristics of Red Tourism Flow in jinggangshan. Journal of Natural Resources, 36(7): 1777-1791.

Xi Y L, Fang W, Bihu W, Billy B, Kurt A S, and Zhihua X. 2012. A Social Network Analysis of Overseas Tourist Movement Patterns in Beijing: The Impact of the Olympic Games. International Journal of Tourism Research, 14(5): 469-484.

肖刚，李文明，章辰. 2020. 江西省旅游线路网络空间结构及影响因素研究. 地域研究与开发，39（5）：88-92.

Xiao Gang, Li Wenming, and Zhang Chen. 2020. Spatial Structure and Influencing Factors of Tourist Route Network in Jiangxi Province. Regional Research and Development, 39(5): 88-92.

熊力，李华，刘大均，简代飞. 2021. 成都旅游流空间格局的季节差异研究. 旅游论坛，14（3）：81-94.

Xiong Li, Li Hua, Liu Dajun, and Jian Daifei. 2021. Study on the Seasonal Difference of Spatial Pattern of Tourist Flow in Chengdu. Tourism Forum, 14(3): 81-94.

徐敏，黄震方，曹芳东，张郴. 2019. 基于大数据分析的城市旅游地网络结构特征及其演化模式——以新浪微博签到数据为例. 地理研究，38（4）：937-949.

Xu Min, Huang Zhenfang, Cao Fangdong, and Zhang Chen. 2019. The Network Structure Characteristics and Evolution Model of Urban Tourism Destinations Based on Big Data Analysis: Taking Sina Weibo Check-in Data as an Example. Geographical Research, 38(4): 937-949.

闫闪闪，张河清，靳诚. 2021. 都市区国内旅游流网络空间关联特征. 热带地理，41（6）：1313-1324.

Yan Shanshan, Zhang Heqing, and Jin Cheng. 2021. Spatial Correlation Characteristics of Domestic Tourism Flow Network in Metropolitan Area. Tropical Geography, 41(6): 1313-1324.

闫闪闪，徐红罡. 2023. 节庆事件对区域旅游流空间网络的影响效应和机制研究. 人文地理，38（1）：181-192.

Yan Shanshan and Xu Honggang. 2023. Research on the Effect and Mechanism of Festival Events on the Spatial Network of Regional Tourism Flow. Human Geography, 38(1): 181-192.

杨兴柱，吴静. 2015. 南京市旅游流网络结构特征历时性比较. 旅游科学，29（4）：35-46.

Yang Xingzhu and Wu Jing. 2015. A Diachronic Comparison of the Structural Characteristics of Tourist Flow Network in Nanjing. Tourism Science, 29(4): 35-46.

Yeong-Hyeon H. 2006. Multicity Trip Patterns. Annals of Tourism Research, 33(4): 1057-1078.

尹泽生，魏小安，汪黎明，陈田，牛亚菲，李宝田，潘肖澎，周梅，石建国. 2003. 旅游资源分类、调查与评价 GB/T 18972-2003. 北京：中华人民共和国国家质量监督检验检疫总局.

Yin Zesheng, Wei Xiaoan, Wang Liming, Chen Tian, Yafei Niu, Li Baotian, Pan Xiaopeng, Zhou Mei, and Shi Jianguo. 2003. Classification, Investigation and Evaluation of Tourism Resources GB/T 18972-2003. Beijing: General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China.

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. Spatial Field Effect Analysis of Domestic Tourist Flow in China. Geographical Research, 24(2): 293-303.

周李，吴殿廷，虞虎，王永明，马腾，胡灿. 2020. 基于网络游记的城市旅游流网络结构演化研究——以北京市为例. 地理科学，40（2）：298-307.

Zhou Li, Wu Dianting, Yu Hu, Wang Yongming, Ma Teng, and Hu Can. 2020. Research on the Evolution of Urban Tourism Flow Network Structure Based on Network Travel Notes: Taking Beijing as an Example. Geographical Science, 40(2): 298-307.

周裕祺，许艳，李冬花，蒋伟峰，吴锶梦，陆林. 2022. 黄山市旅游流网络结构特征研究——团队游与自助游的比较分析. 华中师范大学学报（自然科学版）），56（5：853-863.

Zhou Yuqi, Xu Yan, Li Donghua, Jiang Weifeng, Wu Simeng, and Lu Lin. 2022. Study on the Characteristics of Tourism Flow Network Structure in Huangshan City: Comparative Analysis of Team Tour and Independent Tour. Journal of Central China Normal University (Natural Science Edition), 56(5): 853-863.

朱冬芳，虞虎，刘青青，刘丽敏. 2021. 入藏旅游流网络结构特征与组织模式——基于团队游和自助游视角的比较分析. 地理科学进展，40（5）：812-824.

Zhu Dongfang, Yu Hu, Liu Qingqing, and Liu Limin. 2021. The Network Structure characteristics and Organization Mode of Tourism Flow in Tibet: A Comparative Analysis Based on the Perspective of Team Tour and Independent Tour. Geographical Science Progress, 40(5): 812-824.

朱丽波. 2015. 科学合作网络的中心性分析. 图书馆学研究，（3）：97-101.

Zhu Libo. 2015. Centrality Analysis of Scientific Cooperation Network. Library Science Research, (3): 97-101.

Zhuo L, Weiguo J, Wenjie W, Xuan L, and Yue D. 2019. Exploring Spatial-Temporal Change and Gravity Center Movement of Construction Land in the Chang-Zhu-Tan Urban Agglomeration. Journal of Geographical Sciences, 29(8): 1363-1380.

Options
Outlines

/

〈 〉