基于地理標記照片的城市旅游熱點區域演化特征研究
——以北京市為例

劉培學，姜鑒鐸

（1.南京大學地理與海洋科學學院，南京 210023；2.公安部交通管理科學研究所，無錫 214151）

引言

Flickr 等社交共享平臺所擁有的海量地理標記照片為研究人們各類時空行為提供了大量而有效的數據資源[1]。用戶在此類社交網絡平臺上傳、分享圖片的行為反映了其需求與興趣所在，鑒于此，對特定區域內的地理標記照片進行分析有助于探究游客時空行為偏好，并進一步揭示旅游目的地內部的時空演化格局，對于旅游城市營銷、交通建設和游線設計優化等實踐具有重要的指導意義[2-3]。

城市空間格局演化與旅游流的時空間特征是旅游研究者們共同重點關注的對象，旅游流作為一種具有空間特征的要素，對城市景觀、經濟和文化等維度影響顯著[4]。研究從宏觀的旅游流規模等級結構規律特征[5]，在空間場效應等作用下集聚擴散[6]以及識別我國入境旅游流區域集群[7]等方面，逐漸轉向游客個體層面表現出的旅游行為移動模式[8]和節奏特性[9]。研究內容逐漸向旅游流多維度的動態演化分析擴展，Raun等采用手機數據來測量旅游目的地的空間、時間、成分、社會和動態等維度[10]。地理標記照片、POI和簽到數據在識別旅游景區及歷史區域劃分等方面的潛力被挖掘[11-12]，發現興趣區[13]并進行熱點范圍的劃定[14]的模型方法不斷優化，但面向旅游熱點區域AOI空間特征的長時間演化研究較為缺乏。

目前在國內外相關研究中，地理標記照片數據多應用于旅游流時空特征、軌跡遷移特征挖掘及其相關領域[15-16]。社會網絡分析方法為旅游線路研究提供了一套適宜的方法和工具，有助于理解旅游研究中各類元素之間的關系模式和結構[17]。旅游流網絡結構研究對客源地、目的地及其相關要素進行了有效概括與表達，是多目的地旅游流空間結構研究的有效擴展[18]。城市節點之間聯系較為緊密，旅游空間網絡存在明顯結構分層[19]，于洪雁等通過節點結構參數和網絡整體指標，采用核心-邊緣模型和角色劃分方法探究網絡空間結構特征[20]。秦靜等采用密度聚類和隨機鏈等方法探究入境客流在城市熱點區域空間分布[21]。

本研究通過處理地理照片獲取用于描述長時間跨度城市旅游流分布的點數據和描述旅游流在目的地內部交互的軌跡數據，主要從年度和季節性角度對旅游熱點區域AOI進行詳細識別聚類，對其形態演化特征加以探究，并構建有向加權網絡分析長時間跨度的游客流動網絡結構演化特征，為城市和旅游發展決策提供參考和支持。

1 數據采集與研究設計

1.1 研究區概況

北京是首批“中國優秀旅游城市”之一，具有豐富的旅游資源和發達的旅游產業。位于太行山、燕山和華北平原的結合部，總面積16 410.54 km2，下轄16個市轄區，147個街道、38個鄉和144個鎮。截至2018年底，北京市內共有5A級景區8處、4A級景區79處、3A級及以下景區183處，共有99處全國重點文物保護單位、15處國家森林公園、5處國家地質公園，中軸線是其歷史悠久的重要標志，擁有7處世界遺產。

1.2 數據來源

本研究所用的數據主要包含地理標記照片數據集與矢量地圖數據。照片數據集為YFCC100M（Yahoo Flickr Creative Commons 100 Million Dataset），該數據集包含來自Flickr的總計1億照片對象，時間跨度為2004—2014年，包含行列號、照片唯一標識、用戶唯一標識、用戶名、拍攝時間、上傳時間、描述、經緯度、照片鏈接等多個字段[22]。此類來自社交互聯網的地理標記照片數據具有時間跨度長、空間覆蓋廣、數據量大等優點，有助于深入分析旅游客流特征。另外，2014年后國內訪問該網站不再穩定，使得該數據集具有了較強的時間代表性。矢量地圖數據包含北京市行政區劃、二環路、五環路和街道劃分等，來源于高德地圖（https://lbs.amap.com/）。

數據集原始數據為文本格式，文本行中包含由分隔符相連的各個字段。首先通過字符串切割，定位至經緯度字段，初步篩選出大致位于北京的數據記錄（115.423 411 ～117.514 625N，39.442 758～41.060 816E）。考慮到數據集中沒有排除由于設備誤差造成的錯誤，以及同一人次在同一時間、同一地點可能拍攝多個照片造成數據冗余，對于初次篩選數據需要進行質量控制，得到二次篩選數據。質量控制主要包含兩步，第一步是根據拍攝時間和上傳時間字段，去除上傳時間早于照片拍攝時間的數據記錄，第二步是根據用戶標志、經緯度、拍攝時間3個字段的不同組合進行去重操作，以此確保同一人次在同一時間、同一地點對應一條記錄。進行質量控制之后，對二次篩選數據與矢量地圖數據進行坐標轉換，將兩者轉換到統一的地理坐標系下，在此基礎上，根據北京市行政區劃邊界對初始篩選數據進行疊加處理，使其位于北京市行政區劃內，由此獲得旅游流數據。初次篩選數據共有146 903條，經質量控制而得到的照片數據共有37 395條。

對照片數據按照用戶唯一標識碼進行篩選，并以時間順序對數據進行排序，得到用戶軌跡數據。考慮到用戶存在多次出行的情況，設置一定的時間間隔閾值對軌跡進行切割，得到用戶單次游覽線路。本研究以7天作為時間間隔閾值，選擇以鄉、鎮、街道（以下簡稱為街道）作為網絡分析的空間尺度，即以街道作為網絡中的節點，用戶在街道與街道之間流動作為網絡的邊，對所有邊進行匯總，得到有向加權網絡，以此進行北京市旅游流網絡結構分析。對網絡數據進行整理可得網絡總共包含270個節點，3 470條邊，包含客流量9 149人次。

1.3 研究方法

1.3.1 分區自適應聚類方法及空間形態參數

DBSCAN方法（Density-Based Spatial Clustering of Applications with Noise，具有噪聲的基于密度的空間聚類方法）是一種非監督聚類算法[23]。其核心思想是基于對象所在區域密度的連通性來聚類。該算法需要密度半徑和密度閾值兩個輸入參數。該算法不需事先設定聚類數量，能夠處理任意形狀的聚類簇，且能夠有效識別噪點，對樣本的輸入順序不敏感，因此廣泛用于對空間數據的聚類。在旅游熱區識別方面，與核密度分析方法相比，DBSCAN方法能夠定量判別在空間上形成顯著集群的數據點，對聚類結果進一步處理可對定量旅游熱區的范圍、規模、形態等空間特征展開定量分析，以此為后續的空間特征演化分析提供支撐。對識別出的構成熱區的數據生成最小邊界矩形與最小凸包，在此基礎上選取緊湊度（COR）、密度（DENSITY）、基尼系數（GINI）指標[24]，統計區域內全部聚類形成熱區各項指標的平均值，分析熱區空間特征及其演化。

緊湊度(COR)

式中，A、P分別為各AOI最小凸包的面積、周長。

密度(DEN)

式中，A為最小凸包的面積，n為凸包內旅游流數量。

基尼系數(GINI)

式中，N為區域內凸包個數， 為區域內各個凸包所含旅游流數量的平均值，yi、yj分別為第i、j個凸包內所含旅游流數量。

1.3.2 社會網絡結構參數

網絡整體結構參數選擇網絡密度和網絡同配性（Assortativity），而描述各節點網絡結構特征選擇結構洞（Structural Hole）為參數。網絡密度指網絡中各個點之間聯絡的完善程度，反映了網絡中邊的分布與完備圖的差距。在有向網絡中，網絡中節點數量為N，可能包含的最多邊數為N(N-1)，若網絡中的邊數為m，則網絡密度density=m/(N(N-1))。

（1）網絡同配性

網絡的同配性用以考察點權相近的節點是否傾向于互相連接。Newman于2003年利用Pearson相關系數來描述網絡的同配性[25]，在有向加權網絡中具體表示為：

公式（4）中，kiki、kj分別表示邊eijeij的兩端節點vivi、vj的點權，選擇流出客流為權重口徑計算；M表示網絡的總邊數。若r ＞0r＞0，則網絡為正相關；若r＜0r＜0，則網絡為負相關；若r=0r=0，則網絡為不相關。

（2）結構洞指網絡中兩個節點之間非冗余的聯系，結構洞占據者能夠在“資源獲取”和“信息傳遞”上占有優勢，從而比網絡中不占據結構洞的成員更具競爭優勢。結構洞指標可由結構洞的有效規模來衡量。節點i的有效規模可以表示為：

式中，j代表與i相連的所有節點；q是除 i 或 j 之外的其他節點；piqmjq代表節點i、j之間的冗余度，其中piq代表i投入q的關系所占比例，mjq為j到q關系的邊際強度，等于j到q的關系取值除以j到其他點關系中的最大值。節點的結構洞有效規模越大，則其擁有的結構洞優勢越大。

2 北京市旅游熱點分布整體特征與演化

圖1 北京市旅游熱區整體分布特征

首先對北京市內旅游流數據的整體作為研究對象進行核密度分析。由圖1可知，北京市內旅游流分布廣泛，其中核密度值較高的區域可視為旅游熱區[26-27]，北京旅游客流集中分布于五環內，零散分布于五環外的少數區域（古北口鎮、八達嶺鎮、渤海鎮、南口鎮、延壽鎮、香山街道、首都機場街道、清水鎮、亦莊鎮）。二環內大部分區域均為熱區，說明二環內集中了大量高質量旅游資源，且旅游資源分布較為均勻。在五環以內，旅游熱區大多分布在南二環以北、北五環以南一帶；在五環以外，旅游熱區呈稀疏分布。由此可見，北京市旅游熱區的整體分布呈現出二環內聚集，二環外到五環內分散，五環外稀疏的層次化格局。

結合北京市的環路建設情況，分別以不同環路作為區域范圍，統計各個環路內所包含的照片數量，旅游流集中分布在二環內，而在其他各區域中的數量分布較為均勻。若分別以二環和五環作為界限進行劃分，則二環內、二環外五環內、五環外分別擁有46.4%、33.5%、20.1%的數據量，可以將二環路和五環路視為劃分北京市內不同旅游流集聚區的分界線，并將五環內區域作為旅游熱區分析的重點。本研究以核心區、主城區、郊區分別指代二環內、二環外五環內、五環外區域。旅游流分布密度不同，其中核心區最為密集，主城區較為集中，郊區最為稀疏。

分別提取2004—2013各年度旅游流數據，并采用100 m作為柵格邊長、2 000 m作為搜索半徑對各年度數據進行核密度分析（圖2）。自2004—2008年，五環內區域旅游熱度逐年升高，其中，二環中心偏西區域（中軸線故宮博物院、中南海附近）為持續而顯著的旅游熱區，北五環西南角（頤和園附近）與北五環中南部（奧林匹克公園附近）為逐漸興起的旅游熱區，東二環偏東與北五環以南區域的旅游熱度逐漸升高。2008年奧運會為北京旅游發展的關鍵節點，自2009—2013年，旅游熱區分布較為穩定，五環東南部（望京）、東三環（三里屯）的熱度逐漸升高。具體分月度來說，1月與2月的熱度在全年相對較低，4月、7月與8月的熱度相對較高。

3 旅游熱區識別與形態演化

3.1 基于分區自適應聚類方法的AOI識別

對旅游流數據應用空間聚類算法，通過聚類結果識別北京市內旅游熱區，而不同區域和時間的分布密度不同。因此，對各個年度、月度數據采用相同密度半徑與密度閾值進行DBSCAN聚類難以充分描繪不同時間段的旅游流分布特征。鑒于此，本研究采用分區和自適應的策略對DBSCAN加以改進。其中，分區思想用于密度半徑的選取，分別以200、500、1 000 m作為核心區、主城區、郊區的密度半徑長度。自適應思想以核心對象內部包含的旅游流占整個區域的比例作為判定依據，能夠適應不同區域在各個時間段的旅游流分布特征，有助于彌補以定值作為密度閾值的局限。研究以1/50為臨界點，若某一點的密度半徑鄰域內聚集了區域中不少于1/50的照片，則認為該點為核心對象。對研究區域進行分區自適應空間聚類后，即可獲得各個區域內構成熱區的旅游流（圖3）。為排除因少數用戶拍攝大量照片造成的數據密集，形成虛假的聚類熱區，按熱區內用戶數量對聚類結果進行過濾，排除容納用戶數小于5的聚類區，聚類識別AOI共248個，內部包含圖片20 831張。

圖2 2004—2013年北京市主城區分年度旅游熱區分布

圖3 DBSCAN空間聚類分析結果示意

3.1 AOI形態演化特征

根據緊湊度、密度、基尼系數等空間形態指標，對旅游熱區形態特征加以概括，并分別從年度和月度視角描述熱區空間形態演化特征。在空間聚類分析過程中，由于2004與2005年的數據量較為稀疏，主城區和郊區分別在2004年和2005年未產生符合要求的旅游熱區。由圖4可知，核心區各熱區內旅游流分布密度遠大于主城區和郊區，郊區AOI密度較小，客流吸引力有待提升。從2004—2013年，三大區域內旅游熱區AOI的緊湊度整體呈現上升趨勢，其中核心區在2009年后趨于穩定，緊湊度呈現出COR郊區＞COR主城區＞COR核心區的大小關系，而郊區的形態存在緊湊性增大的發展趨勢。AOI基尼系數整體呈現核心區最大而郊區最小的特征，說明旅游流在郊區熱區內的分布更為均衡。核心區和主城區在2010年前處于數值波動較大的發展狀態，在2010年后的基尼系數趨于穩定，處于各個熱區內旅游流分布較為平衡的穩定狀態；郊區的基尼系數持續波動，在2013年出現顯著提升，均衡程度的波動反映出游客的不均衡流動。

由圖5可知，AOI緊湊度方面，核心區月度波動幅度較小；主城區在1月數值較小，在其他月份相對穩定；郊區整體呈現上半年上升，下半年下降的趨勢。緊湊度的月度變化特征反映出北京市核心區與主城區內旅游熱區的形態特征較為穩定；郊區內旅游熱區形態在上半年由疏散狀向緊湊狀發展，而在下半年的發展趨勢則相反，其季節性特征較為明顯。基尼系數方面，基尼系數的月度變化反映出核心區內旅游熱區在2月、12月的旅游流分布較為均衡，在大多數時間內分布相對不均，其中在1月、3月、8月和11月的數值超過0.5，分布不均程度較為嚴重；主城區內旅游熱區的旅游流分布在各月度較為均衡，整體呈現均衡發展的格局；郊區內旅游熱區的旅游流分布在年初的1—2月為均衡狀態，在其余月份的分布不均程度提升。密度方面，三大區域在7—8月的密度均有顯著提升，主城區和郊區在下半年的密度較上半年有顯著提升，初春3月與晚秋11月是核心區AOI獨占的熱門時段。

圖4 北京旅游AOI分年度緊湊度、基尼系數、密度

圖5 北京旅游AOI分月緊湊度、基尼系數、密度

4 旅游客流網絡特征

地理標記照片所代表的旅游客流在以鄉、鎮、街道尺度節點的網絡中包含了3 470條游客軌跡（圖6），就空間分布可見，網絡流呈現匯聚特征，位于五環外郊區的節點多與五環內的節點相連接，網絡流在五環內區域匯聚，郊區節點之間的連接在一定程度上依靠位于五環內城區節點的中繼作用。

進而對網絡流按其對應的客流量進行分級，如圖7所示，網絡流的空間分布隨著客流量的增加而收縮。客流量較少的網絡流能夠覆蓋北京市大范圍區域，隨著客流量增大，網絡流收縮至五環內區域及少數郊區，當客流量繼續增大時，可以發現擁有客流量最大的網絡流繼續收縮至五環內區域。結合網絡流的流向可以得知，位于五環外的郊區節點大多起到接收客流的作用，是重要的旅游目的地，且以這類節點作為終點的網絡邊，起點多位于五環內，這些位于五環內的節點能夠向郊區節點輸送客流，是重要的客源地。結合五環內的節點同樣承擔了網絡中流向最大的客流轉移這一情況可知，五環內的熱門節點能夠同時起到客流接收和輸送的作用，在網絡中起到了重要的集散作用。

圖6 北京市旅游流網絡

對整體網絡規模、客流量和密度分析（表1），北京市旅游流網絡在2004—2013年間網絡規模和客流量逐漸增加，密度的變化較為平穩，整體呈現擴張態勢。網絡同配性年度特征結果顯示，旅游流網絡整體呈現負相關特征，點權較大的節點傾向和點權較小的節點建立連接，反映出網絡中較熱門節點對較冷門節點具有帶動作用。根據數值變化情況可以得知，以2008年為拐點同配性代表的網絡負相關程度先上升后下降，但在2013年旅游流網絡節點間開始正向關聯。網絡同配性月度特征方面（表2），旅游流網絡整體仍然呈現負相關特征，網絡中較熱門節點對較冷門節點具有帶動作用，在7月與10月等傳統旺季更為明顯。

西長安街、東華門與什剎海3個節點始終位列各年份不同結構參數的前5名，反映出以上3個節點在北京市旅游流網絡中處于穩定的中心位置，與其他節點間聯系最為密切，并具有最強的集散、控制能力與競爭優勢。青龍橋節點具有較強的集散能力，占據了具有控制優勢的位置。2008年后，奧運村、亞運村與三里屯3個節點開始躋身優勢位置，奧運會對北京城市國際化有巨大推動。結合節點的地理分布狀況可知，優勢節點分布范圍從天安門周邊（西長安街、什剎海、東華門、大柵欄）逐漸擴散到位于西北五環的青龍橋、北三環的亞運村和奧運村、東三環的三里屯附近，節點分布形成了“一個中心，多個次中心”的格局，中心為包含西長安街、什剎海、東華門的天安門周邊節點集群；青龍橋、奧運村、亞運村、三里屯構成了位于核心節點周邊的次中心節點集群。季節性來看（表2），1月的望京、6月的三里屯、8月的天壇與9月的建外（建國門外大街）節點的躋身前列，反映出各節點在對應月份的網絡中的強勢位置。

表1 旅游流網絡特征年度變化

表2 旅游流網絡特征月度變化

圖7 按流動路徑流量分級的旅游流網絡空間分布

5 結論與展望

本研究基于YFCC100M地理標記照片數據集，分別從空間點分布聚類和軌跡網絡角度，結合分區與自適應思想優化旅游流數據應用空間聚類方法，探究北京市的2004—2013年旅游熱點區域空間分布及其形態特征演化，以及旅游流網絡整體結構特征和網絡節點演化過程，得到以下結論：第一，北京市旅游流集中分布在五環以內區域，城市環路也是劃分旅游流聚集程度的分界線，二環內中軸線附近區域為旅游熱點，北五環以南的頤和園、奧林匹克公園、望京三區域為次級熱點。奧運會的舉辦對城市旅游帶動明顯，帶動奧運村、亞運村與三里屯三個節點的興起形成了“一個中心，多個次中心”的格局。第二，北京市核心區與主城區內旅游流聚集區由分散的條帶狀向緊湊的團塊狀發展，郊區內AOI中客流分布較為均衡，空間形態和客流密度仍處在發展階段。主城區與核心區內聚集區空間形態月度特征較為穩定，在7、8月份的客流集聚密度與分布不均衡性最高。第三，北京市旅游流網絡在2004—2013年間，網絡規模和客流量逐漸增加，直徑和密度的變化較為平穩，整體呈現擴張態勢。旅游流網絡整體呈現負相關特征，網絡中較熱門節點對較冷門節點具有帶動作用，但存在向正相關演化的趨勢。

本文對地理標記照片數據，利用分區與自適應優化空間聚類算法識別旅游熱點區域，利用多種形態參數探究演化過程和季節性特征，使旅游集聚區域分析結果更為全面。然而，研究受限于數據集固有時間段展開，今后可以在不同時間跨度和空間廣度方面可以結合其他來源大數據進行延伸和驗證對比研究，進一步分析空間演化和季節波動的機制。在數據分析與挖掘方面，未來還可以結合照片標簽、用戶評論、相機設備詳情等屬性信息，以及對游客游覽傾向、出行偏好、目的地體驗與滿意度作進一步探究。