基于多維度大數據融合分析的旅游流研究方法設計
——以廣州市為例

王嘉茵 蘇宇新 凌國明 陳 忱 陳偉釗*

(中山大學新華學院,廣東 東莞512133)

1 概述

旅游流是指旅游客流，即游客從客源地向目的地流動的群數量和流動模式，是旅游系統的神經中樞與紐帶，其有效、準確地獲取數據是旅游流研究的核心問題。傳統的調查方法多采用問卷調查法，受到樣本容量的限制，較難做出全年的評估，對于旅游流時空刻畫存在著一定的缺陷。同時，傳統的問卷調查往往是根據問卷反推游客的限性，因而成為旅游流研究的重要手段。但傳統大數據在旅游流的研究中也僅是單一數據導向，在全域旅游背景下某一區域的旅游流變化已不僅取決于單一因素的影響。因此，若要準確地了解某一區域的真實旅游流時空分布特性，就需要對不同大數據進行融合分析。本文在總結國內外旅游流研究成果的基礎上，提出了一種旅游流研究方法，為城市旅游容量調控、空間優化、線路組織等提供了方法。

2 國內外研究綜述

2.1 國外研究綜述

2.2 國內研究綜述

我國的旅游流研究開始于20 世紀80 年代，目前國內對旅游流的研究主要成果主要集包括旅游流圈層結構研究、旅游流時空分布特性研究和旅游流空間場效應分析三個方面。在旅游流時空分布特性方面，馬曉龍等（2004）通過對旅行社線路組織方式的調查和實地踏勘，按照旅游年鑒提供的統計數據，分析了西安的旅游流的時空變化情況；顏磊等（2009）利用九寨溝世界遺產管理局提供的數據通過小波分析工具定量探討了九寨溝旅游流的時間特性，對客流的多尺度變化特性、變化規律進行了短期預測；閻友兵等（2013）利用1999-2011 年國家統計的旅游人數和旅游收入數據，計算了旅游流流量和流質；閆閃閃等（2016 年）通過新浪微博簽到數據對洛陽市未來旅游客流量進行預測，為空間結構優化、線路設計、旅游營銷等提供了針對性對策；姚云霞等（2016）利用江蘇統計年鑒及其他公開數據通過定量方法、GIS 軟件等對江蘇入境旅游流的時空演變過程及影響因素進行分析；王公為等（2017）利用公開統計數據通過流量和流質兩個指數，以內蒙古12 個盟市最為旅游目的地，分析了入境旅游流的時空分布及變化趨勢。

綜上所述，國內外研究學者常采用計量統計法、GIS 空間分析法、區域經濟學等理論與方法對旅游流時空分布特性開展研究。其中多數研究是通過問卷調研、實地勘探、公開統計數據等傳統方式來獲取相關數據，不僅準確性低、時效弱等弊端明顯，同時會耗費大量的人力、物力和財力，難以反映旅游流真實特性。在大數據背景下，網絡上產生大量的帶有游客活動時間、位置等信息的數字足跡，數據獲取方便、省時省力，且數據準確性、可靠性更高。目前，僅有少數研究涉及到利用旅游大數據進行旅游流研究，且僅是單一數據導向，使用的仍是傳統且基礎的統計和數據發掘方法，只是從大數據源中獲得常規數據，增加的只有數據量，并沒有創新性，因此，利用多源大數據對旅游流時空信息融合分析勢在必行。

3 現存問題

3.1 小尺度、短年限內時空變化規律

現有關旅游流時空分布特性研究主要集中在國際、洲際、一國范圍內或者典型旅游區等大中尺度、長年限上，而城市作為旅游流的主要活動場所和空間載體，城市旅游流的空間特性、分析方法、影響因素、驅動機制、調控措施等在城市旅游快速發展中占據重要地位。同時，旅游流短年限內時空特性變化，如五一、十一黃金周游客爆棚，淡季人跡罕至等現象，也嚴重制約和影響了城市旅游可持續發展。所以要實現旅游地的均衡和可持續發展，解決城市內部旅游供給與需求不匹配等矛盾，迫切需要深入探索旅游流的小尺度、短年限內時空變化規律。

3.2 多維大數據信息需要融合分析

在全域旅游背景下，某一區域的旅游流變化已不再取決于單一因素的影響，因此僅靠單一數據分析很難得到真實可靠的分布特性，同時由于數據的表征方式對結果的解釋有不同側重影響，因此若要準確地了解某一區域的真實旅游流時空分布特性，就需要對不同大數據信息進行融合分析，而旅游流數據融合據目前尚處于探索研究階段。

4 研究方法設計

本研究方法設計分為數據分析獲取、數據清洗篩選、多維大數據信息融合及旅游流時空分布設計四個部分，研究技術路線圖如圖1 所示。

圖1 技術路線圖

4.1 數據獲取

在大數據背景下，網絡上將產生大量的帶有游客活動時間、位置等信息的數字足跡，這些可以在一定程度上反映游客在某一區域的行為趨勢。本方法首先對城市市熱門旅游景區以及主要交通樞紐點進行梳理，如廣州塔、北京路、長隆水上樂園等熱門地的POI（Point of Interest）點。其次，根據POI 點的經緯度信息，整理POI 點附近5 km 內的飯店、酒店、旅行社、購物、娛樂等與旅游者活動有關的POIID。此后，通過線下問卷調查的方式獲取廣州市游客使用頻率較高的軟件功能，如微博簽到、抖音地理位置分享、馬蜂窩游記等；再根據軟件功能特性對數據結構進行劃分，如微博簽到數據結構包含用戶ID、簽到時間、簽到地點等信息。最后，利用網絡爬蟲根據關鍵詞在POIID 附近對游客使用熱門軟件功能產生的信息根據已劃分的數據結構標準進行為期數個月的收集，組成初始數據集。

4.2 數據清洗

由于初始數據集是綜合性、非定制數據，其中包含了諸多無用數據，所以為保障結果的科學性和準確性，需要對初始數據集進行全面清洗才可以應用于后續的分析。數據清洗篩選階段可選用刪除法、回歸法、均值平滑法等對數據先進行預處理，一方面可以解決數據缺失問題，另一方面可以去除初始數據中的噪聲。接著，先制定數據清洗篩選標準，再通過小規模的實地調查來獲得諸多參數，建立統計模型對數據中的時空信息進行數據挖掘，識別出游客群體；之后，根據用戶屬性特性剔除地域來源不清晰、信息不完整的數據信息；此后剔除月份內數據不完整或數據量較少的月份，最終剩余的數據，就作為本研究的數據基礎。

4.3 多維大數據信息融合

多維大數據信息融合在大數據時代具有非常重要的價值與意義。在旅游流研究中，影響旅游流時空分布特性的因素往往不止一個，所以利用不同的數據源可以提供來自不同側面的重要信息，提高數據的精度和結果的可靠性。這里可選用D－S 證據、神經網絡等算法，對從微博、抖音、馬蜂窩、攜程等網絡平臺數據中提取出的特性信息，進一步評估或推理得到的局部決策信息進行融合分析，進一步挖掘數據的價值，提升信息的作用；最后，還將對不同平臺數據進行交互驗證，排出異常點，提高數據結果的置信度，防止決策失誤。

4.4 旅游流時空分布設計

本方法首先將基于多維大數據信息融合后，可采用時間分層法、軟件頻次指數分析城市旅游流年內季節、月內、周內、日內時間分布特性；接著利用GIS 空間分析、Kernel 核密度方法繪制城市旅游流核密度“季相變化”圖、不同屬性游客旅游流核密度圖等可視化城市旅游流空間分布特性；最后，綜合分析預測城市未來一年內旅游流時空分布特性，同時建立城市旅游流時空分布特性分析的統計模型及通用型旅游流研究模型，幫助研究學者、城市政府或旅游企業重新認知客源市場、有針對性地開發旅游資源、設計旅游產品和旅游線路線。

結束語

本文在對現有國內外研究進行綜述的基礎上，探究了傳統旅游流研究中擬解決的關鍵問題，同時結合多源大數據針對性的提出了一種旅游流時空分布特性研究方法。這種方法不僅可以解決城空間結構不合理等矛盾，對城市構建全面的客源市場分析、城市旅游供需空間優化及旅游管理部門全面地認知客源群體等具有顯著的社會價值；還是一次多源大數據信息融合分析理論的驗證，對大數據在旅游流時空分布特性研究上的應用有深刻的現實指導意義和極強的理論價值。