基于Web地理图片的中国入境游客POI空间格局研究_poi论文

基于Web地理图片的中国入境游客POI空间格局，本文主要内容关键词为：中国论文,格局论文,地理论文,游客论文,图片论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

      随着中国入境旅游的不断发展，至2011年中国已经成为世界第三大入境旅游接待国，据国家旅游局网站2013年入境游客统计数据显示：2013年全年共接待入境游客12 907万人次，实现旅游外汇收入516.64亿美元。在入境旅游者目的构成中，观光休闲和会议商务占据主要地位，两者共占入境旅游人数的62%，因此，研究入境游客的旅游目的地选择和景观兴趣偏好对于进一步开发入境游市场、完善入境游服务具有重要意义。目前国内对此相关研究主要从目的地区域差异和空间形态等角度展开，主要集中在：①空间分布。利用地理空间分析方法研究中国入境游目的地空间形态和演变[1-7]。②区域差异。使用多层次分解的Theil系数对入境游目的地区域差异进行测量和特征分析[8-9]。③影响因素。使用问卷调查和因子分析方法，分析影响入境旅游者目的地选择的影响因素及其影响程度[10-11]。这些研究中，对入境游目的地的定位多为区域、省份或城市等范畴，而定位至景点景区的研究尚不多见；研究方法主要是根据旅游统计数据进行汇总分析，忽略了游客的个体差异，从而难以精确地了解和分析入境游客所感兴趣的旅游地理景观。

      近年来随着手持GPS设备、智能手机在旅游者群体中的普及，旅游者在旅游过程中产生的地理位置数据逐步受到研究者的重视。Rein Ahas[12-13]等提出了利用移动通信用户位置数据进行旅游研究的方法和案例，并指出了该方法的优势与不足。国内研究者也基于个人地理位置数据开展了相关研究，如利用GPS数据研究旅游者的活动节奏[14]、分析测度居民日常活动与出行行为[10，15]等。但使用传统方式获取游客的地理位置信息非常困难，官方旅游统计数据中通常不包括此项数据，使用抽样问卷调查方式代价昂贵且获取的样本数较小，而从电信运营商等组织获取移动用户位置数据会遇到个人隐私、商业机密等方面的阻碍，给相关研究造成一定困难。随着互联网Web 2.0的深入发展、社交网络的兴起和移动互联网的普及，互联网公开的用户共享信息已逐步成为人文地理和旅游研究新的数据来源，具体包括：①旅游博客。通过分析利用旅游者博客日志研究旅游者目的地决策中的信息交互机制[8，16]或游客在特定旅游区的活动模式[21-23]。②位置服务(LBS)数据。利用基于位置的社交网站(如Foursquare、嘀咕网等)上的用户签到信息分析用户的行为模式和相似性[20-21]。③照片地理信息。利用旅游者使用手机或数码相机拍摄的带有经纬度标记的共享照片数据研究旅游者的景观兴趣偏好[22-23]或旅行路线模式[24-26]。

      本研究基于互联网用户共享数据，从地理兴趣点(Point of Interest，POI)的角度分析比较入境游客的景观兴趣偏好。POI指的是游客所感兴趣的地理位置，是地理空间信息的重要组成部分，在基于位置的信息服务中被广泛使用。通过采集分析Flickr网站上中国大陆地区入境游相关的(即居住地在大陆境外的用户在中国境内拍摄并上传的)带有地理坐标的照片数据，采用DBScan聚类分析方法，探测入境游客的POI，并做分类统计分析。在此基础上，使用GIS空间分析方法研究我国入境游POI的空间分布差异，并进一步对不同客源地游客的POI选择偏好进行对比分析。本研究旨在以更加全面而客观的视角探测入境旅游者的地理兴趣点(POI)，并通过研究POI在不同尺度内的空间布局，深入分析我国入境游的各细分市场的选择偏好，为各区域的入境游市场发展模式和市场拓展方向的选择提供科学决策依据，并为我国入境旅游市场的发展提供一定的合理化建议。

      1 入境旅游者POI的数据来源与研究方法

      1.1 数据获取

      Flickr是著名的照片共享网站，在全球范围内为海量注册用户提供照片上传和共享服务，这些照片数据中很大一部分带有地理位置(经纬度坐标)信息。通过Flickr提供的应用程序接口(API)服务，可以按拍摄地、上传时间等属性检索照片及上传用户的相关信息(如居住地等)。本文利用Flickr的API接口获取该网站2008-2013年在中国大陆地区拍摄的带有经纬度坐标信息的照片数据共200多万条，以及这些照片的上传用户数据5万多条。根据入境游研究需要，将这些数据存入关系数据库后，使用SQL语句从中进一步检索出上传用户居住地为境外的照片数据，同一时间、同一用户在同一经纬度坐标下拍摄的多张照片仅保留一张。经过过滤处理后，最终得到有效的入境游照片数据134 629条，将这些照片拍摄地经纬度数值输入ArcGIS后，标记在中国地图底图上，得到入境游照片地理分布图(图1)。并根据上传数据用户的基本信息，可统计出与这些入境游照片关联的外籍游客数为10 189名，分别来自130个国家和地区。将这些客源国家和地区按其入境游客数排序，结果表明：入境游人数排在前25位的国家和地区的游客数占据了总入境游客数的86%(表1)，因此，入境游客源地的分布基本符合“二八定律”。

      

      图1 Flickr中国入境游照片地理位置分布图

      

      1.2 基于DBScan聚类分析方法的POI探测

      目前对于POI并没有统一的量化的精确定义，通常如果一块地理区域内有多名游客访问，则可认为该地点就是一个POI。本研究中，将入境游客在某地的一次拍照行为视为一次到访，如果在半径为500m的区域内，到访的游客数超过5名，则将该区域视为一个POI。若两个POI区域有交集，则将二者合并为一个POI。因此，针对获取的Flickr照片地理坐标数据，可以使用DBScan聚类方法计算POI。

      DBScan算法[27-28]是一种基于密度的空间数据聚类方法，该算法将具有足够高密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇。其核心概念包括：

      ①给定对象半径r内的邻域称为该对象的r邻域，如果对象的r邻域至少包含最小数目MinPts的对象，则称该对象为核心对象；

      ②给定一个对象集合D，如果p在q的r邻域内(即p到q的距离小于r)，并且q是一个核心对象，则我们说对象p从对象q出发是直接密度可达的；

      

      ③如果存在对象o属于D，使对象p和q都是从o关于r和MinPts密度可达的，那么对于对象p到q是关于r和MinPts密度相连的。

      DBScan通过检查空间集合中每点的r邻域来搜索簇。如果点p的r邻域包含的点多于MinPts个，则创建一个以p为核心对象的新簇。然后，从这些核心对象直接密度可达点出发，继续聚集以找到最大密度相连对象集合，中间涉及一些密度可达簇的合并。当所有核心对象的r邻域都遍历完毕时，该过程结束。

      在本研究中，设置DBScan的邻域半径r=500m，MinPts=5，并在算法执行过程中，对同一用户在同一地点拍摄的多张照片仅计算一次。空间点坐标为每张照片的地理经纬度，根据公式(1)使用球面弧长近似弦长法[29]计算任意两点间的距离。因为地球表面是不规则椭球体，该计算方法会产生一定误差，但并不影响本文的研究目标和结果。

      

      1.3 GIS空间分析方法

      对于获得的入境游POI集合，本文借助ArcGIS9.3进行定量分析，采用的基础底图为下载自国家基础地理信息系统的1∶400万数字化中国地图(shape格式)，首先将这些POI经纬度值(WGS84坐标系)导入ArcGIS并生成图层，再经过转换统一坐标系后将这些点定位至底图上。

      本文采用GIS空间分析方法考察我国入境游POI分布的形态与结构，定量探讨其分布特征和时空差异，使用的GIS分析方法包括空间分布模式工具中的平均最邻近距离分析、空间分析模式中的点要素核密度分析等。

      平均最邻近距离分析工具(Average Nearest Neighbor)测量每个要素与之最邻近要素之间的距离，并计算平均值，再测量平均距离与假定为随机分布距离的相似程度。该工具进行统计后返回Z-Score值。Z-Score值为负且越小，则要素分布越趋向于聚类分布，相反为离散分布[29]。本文使用平均最邻近距离工具分析入境游POI聚集程度及演变趋势。

      点要素核密度分析工具使用核函数计算点要素在其周围邻域中的密度，并将该测量的数值分布到整个平面上，以生成一个连续的表面，对点要素的分布特征提供可视化展示。本文使用核密度分析方法研究入境游POI的空间分布特征。

      2 中国入境游客POI空间分布格局

      2.1 中国入境游客POI总体空间分布特征

      使用DBScan算法计算Flickr网站上获取的入境游照片经纬度数据后，共得到1882个聚集，即在中国大陆境内探测出1 882个入境游POI，对每个POI包含的所有照片经纬度坐标计算平均值，求出该POI中心点坐标，将这些POI中心点的经纬度数据录入ArcGIS，并在底图上标注后，得到入境游POI分布状况图(图2)；同时，针对每个POI计算其到访率(即到访游客数/样本游客数)，可以得出各POI的访问热度，表2显示了前十大热门POI的到访率数据，同时在图2中标注了它们的具体位置。此外，采用GIS空间分析模块的密度分析法，对点数据进行处理，进一步得出入境游客POI在我国境内的空间分布密度图(图3)。

      

      

      图2 中国入境游客POI空间分布图

      

      图3 中国入境游客POI空间分布密度图

      由入境游客POI分布图(图2)以及空间密度分析图(图3)，可以明显看出入境旅游者的地理兴趣点在我国境内的空间分布特征：①入境旅游者的兴趣点选择非常集中，一级中心集聚区是由北京和上海两个超级集聚中心以及以广州为核心的两广地区形成的次级集聚中心组成。②在北上广三大核心集聚区的辐射下，中部地区也逐渐形成了以西安和成都为中心的二级集聚区。③一级中心集聚区和二级中心集聚区中间形成了显著的过渡渐进带，从而形成整体的自东向西梯度递减态势。④我国的西部地区和东北地区的集聚呈飞地式点状结构，还未形成扩散和蔓延态势。由此可见，我国目前的入境游客POI整体分布形态呈现由东部向西部逐渐递减的趋势，并已形成“一级中心集聚带、二级中心集聚区、三级点状飞地”的基本空间格局。在东部地区已经形成北京、上海和广州三大一级集聚中心，并且这三大集聚中心有带状扩散融合的趋势；在中部地区逐渐形成以西安和成都为核心的二级集聚中心，并以此为中心向四周梯度扩散，逐渐形成集聚区；而西部地区和东北地区则形成了以拉萨、乌鲁木齐和哈尔滨为中心的三个点状飞地区，这三个城市的空间集聚态势仍相对独立，与周边的区域扩散性不明显。因此我国入境游客POI整体格局仍以“东渐西递”的态势发展。

      2.2 入境游客POI核心集聚区内部空间分布特征

      我国入境游客POI空间分布整体呈现明显的区域不均衡性和差异性，同时，在三大核心集聚区域内部，也具有不同的集聚方式和空间分布特征。研究采取上述相同的技术手段，对环渤海地区、泛长三角地区以及华南地区这三大一级核心集聚区内部入境游客POI的空间分布特征进行分析。

      2.2.1 环渤海地区。环渤海地区主要包括京津、辽东半岛和山东半岛区域，区域内包括北京、天津、沈阳、大连、太原、济南、青岛等多座城市，这些城市中主要以北京和天津这两大城市为核心。尤其北京作为我国最重要的出入境口岸城市之一，同时凭借着悠久的历史文化和丰富的文物古迹以及现代商务和会展业的发展，已经成为我国目前最重要的入境游接待城市之一。同时，根据上述我国入境游客POI分布图以及空间密度分析图(图4)可以看出：①环渤海地区已经成为我国入境游客POI分布的两个超级核心集聚区之一，并具有非常显著的区域集聚效应；②该区域内部的集聚格局是以北京城区为圆心呈典型的同心圆式圈层结构拓展；③区域内除了京津地区呈现规则的圈层式拓展格局外，以大连为核心的辽东半岛和以青岛为核心的山东半岛的入境游客POI分布也呈现出显著的带状拓展。这与环渤海区域的入境游发展总体态势是基本一致的。

      

      图4 环渤海地区入境游客POI空间分布密度图

      

      图5 泛长三角地区入境游客POI空间分布密度图

      2.2.2 泛长三角地区。泛长三角地区作为目前我国经济发展最重要的区域之一，其入境旅游同样在全国占据了举足轻重的地位。根据我国入境游客POI空间密度分析图(图5)可以看出：①其区域中包括的上海、江苏、浙江和安徽三省一市，上海作为我国最大的工业基地和海港，全国三大航空港之一，东部最大的航空枢纽，我国的水陆交通中心，是我国乃至亚洲的重要金融中心之一，因此该区域对入境旅游者的吸引是以上海这一集聚核心展开的，其集聚力和扩散能量非常强大；②区域内的苏宁杭地区不但具有一些对入境旅游者极具吸引力的观光休闲旅游资源，而且该地区的商务旅游也由于其强大的经济基础而充满活力；③该区域内的皖南区域则拥有独特且具有国际品位的自然和文化旅游资源，因此与江浙沪地区的入境旅游吸引物相得益彰，从而使该地区的入境旅游者POI分布以长江中下游黄金水道为轴线逐级向腹地延伸扩散。

      2.2.3 华南地区。华南地区不仅是我国南部重要的地理分区，也是我国最早的经济发展集聚区，它主要包括广东、广西、海南三省以及香港和澳门两个特别行政区，并且在珠三角城市群的基础上沿着珠江流域不断辐射扩散而形成了更大范围的区域社会经济集聚区。因此，该区域一直是我国经济社会的重要发展极之一。

      就入境游而言，该区域的港澳地区一直是我国入境旅游的重要组成部分，且该区域毗邻世界经济和旅游产业发展极具潜力的东南亚地区，其中的广深珠地区是我国对外改革开放的窗口和门户，也是海外旅游者在我国境内旅游的最重要通道。根据我国入境游客POI空间密度分析图(图6)可以看出：①这一区域的入境游客以广东和广西两省为核心集聚区，其中桂北旅游区和珠三角城市群是两个集聚核，并分别以这两个集聚核心向外进行圈层扩散，从而辐射到整个华南区域，乃至泛珠三角地区；②该区域中的桂北旅游区主要是以桂林为代表的独特自然风光和民族风情成为我国传统的入境旅游重点区域，而珠三角城市群主要是依赖广州这一重要的出入境口岸城市以及区域内强大的外向型经济基础成为我国入境游客的重要集聚和扩散地区。

      

      图6 华南地区入境游客POI空间分布密度图

      Fig.6 Spatial density distribution of inbound tourists POI in Southern China area

      2.3 入境游客POI空间分布的时空集聚及演化趋势

      由前文论述可见，中国入境游客POI的总体空间分布以及每个核心集聚区内部POI的空间分布均呈现集聚与扩散的过程性特征。为进一步了解入境游客POI的空间集聚与扩散的演化特征，研究继续使用DBScan算法根据Flickr网站上中国入境游照片的上传年度(2008-2013年)分别计算出不同年度的入境游POI集合，使用GIS空间分析模式工具集中的平均最邻近距离工具(Average Nearest Neighbor)分别测量这些集合中每个POI与其最邻近POI的距离，再计算平均距离与假定随机分布距离的相似程度，得到返回的Z-Score值，结果见表3。从表3可以看出，中国大陆地区入境游的POI空间分布一直表现高集聚特征，且集聚度逐年(2009年除外)缓慢下降。

      由此可见，我国入境游客的地理兴趣偏好一直较为集中，结合我国入境游客POI总体空间分布特征可以看出，我国东西部地区入境游客POI的分布总体差异较大，且部分区域集聚程度极高，但随着中西部省份旅游经济持续较快增长和交通条件的不断改善，区域入境旅游有逐步向更均衡状态发展的趋势。

      

      2.4 入境游客细分市场POI选择偏好的空间分异

      根据我国入境游客源市场的特点，将入境游客划分为港澳台、欧洲、北美、东亚(日韩)和东南亚五个主要细分市场，再分别汇总各细分市场中所有游客访问每个POI的数据，并依据POI所在省份进行归类，得到各个细分市场POI访问量分省统计排名数据，表4给出了每个细分市场POI访问量排名前六的省份列表，其中参与度是指各细分市场中参与该省所含POI的人数占该群体游客样本总数的比例；主要POI是指各省在各细分市场中参与次数排在前列的POI地理名称。从表4可以看出不同细分市场对POI选择偏好具有以下主要特征。

      ①每个细分市场的POI选择仍然具有高集聚性，一级中心集聚区中的北上广三大城市均是五大细分市场POI参与度前六名，尤其是京沪两个超级集聚中心在五大细分市场的POI参与度排在前两位，且优势明显。

      ②细分市场的POI选择偏好具有明显的文化异质性驱动特征。以西安为代表的POI二级集聚中心的主要客源市场是欧洲和北美，这两个细分市场的POI访问量排名第三的均为陕西省，紧随京沪之后，而四川和云南也分别进入北美和欧洲市场的POI排名前六。这主要由于欧美旅游市场与我国传统文化和民族习惯的巨大差异，欧美游客更偏爱具有中国传统特色的历史古迹、人类遗址及文化圣地，而西安、桂林、丽江、成都等西部旅游城市正是中国传统历史文化和自然风光旅游的代表城市，西安古迹、桂林山水、丽江古城等是具有国际影响力的著名景区[30-31]。

      ③细分市场的POI选择具有显著的地缘性倾向。港澳台和东南亚市场对于广东和福建两省POI的参与度相对于其他三个细分市场明显较高，这主要是受地缘因素影响，并与因此而产生的经济互动性有关。与其他入境游客群体相比，日韩游客POI选择偏好的一个显著特点是山东和辽宁进入该群体POI参与度的前六名，这两个国家与我国这两个省份一衣带水，隔海相望，且具有较大规模的经贸来往与民间交流，这些均为受地缘因素影响的表现。

      

      3 结论

      基于互联网空间数据信息，运用DBScan聚类分析方法，探测我国入境游客的POI，并通过GIS空间分析，对入境游客POI的空间分布进行研究，结果表明：

      ①我国入境游客POI分布具有显著的空间分异特征，其分布密度呈现由东向西逐渐递减的态势，并已形成“一级中心集聚带、二级中心集聚区、三级点状飞地”的基本空间格局。

      ②三大核心集聚区内部，入境游客POI分布同样具有空间的异质性和不均衡性特征。其中环渤海集聚区内主要呈同心圆式的圈层结构拓展态势；泛长三角区域的入境游客POI分布则以长江中下游黄金水道为轴线呈现“点—轴”模式扩散；华南地区则形成“两广”旅游资源互补型的双中心扩散交融的格局。

      ③虽然入境游客POI分布具有显著的空间集聚性，但通过时间序列的研究发现，这种高度的空间集聚性有逐步向更均衡状态转变的趋势。

      ④细分客源市场的POI选择偏好不仅存在高集聚性特征，同时细分市场的选择偏好明显受到文化异质性因素和地缘性因素的影响。如欧美市场对四川和陕西等中部地区的偏好显著，而东亚的日韩市场则对辽宁和山东的选择偏好突出。

标签：poi论文;  空间分析论文;  空间数据论文;  集聚效应论文;  地理论文;  城市选择论文;