基于大語言模型的上海迪士尼開業前后上海旅游流網絡特征對比分析

中圖分類號］F592 [文獻標識碼］A [文章編號]1674-3784（2025）07-0018-17

0 引言

主題公園是具有一定規模的，包含一個或多個特定主題，為游客有償提供休閑或文化娛樂產品與服務的園區，通常以營利為目的興建，實行封閉管理[。大型主題公園的建設與運營往往會影響游客的旅游路線安排與目的地選擇[2]，甚至吸引游客專程到項目所在城市進行游覽。例如，環球影城度假區和迪士尼度假區等國際主題公園項目，憑借其全球影響力與品牌號召力，每年都吸引大量游客專程前往[3]。國際主題公園落地中國，一方面是品牌方看中中國市場的巨大消費潛力，另一方面是落地城市也看好大型主題公園項目對區域經濟發展的推動作用[4]

主題公園是旅游研究的重要對象。學者圍繞主題公園的屬性特征、空間結構與游客體驗等開展研究，比如：McClung分析了主題公園相關因素對于城市旅游流的影響，指出主題公園的品牌影響力、地理位置和交通便利性是影響游客選擇的重要因素[5]；Zhang等從空間視角出發，發現主題公園的空間結構和吸引力屬性會影響游客的分布和移動[]；Bigné等7]以主題公園游客情緒對滿意度的影響為切入點，提出愉悅情緒會影響游客的滿意度，從而影響游客流動。這些研究在理論層面深化了對主題公園與游客空間行為之間關系的認識，但以橫截面數據分析為主，也未將主題公園納入城市旅游網絡結構考慮。

上海迪士尼于2016年6月正式投入運營，開園當年就創下了游客接待量超過1100萬的佳績，迅速成為上海最具標志性的旅游地標之一。2023年，上海迪士尼游客總接待量超過1300萬人次，再次刷新園區接待量的歷史記錄，展現出強勁的市場號召力和持續性的旅游吸引力。目前，上海迪士尼投入運營并融入上海旅游發展格局已超過8年，配套設施（如交通體系）日趨完善，旅游平臺中與其有關的旅游線路更加豐富、成熟，上海迪士尼在游客游覽路線中的角色以及對游客旅游線路選擇的影響已基本穩定，通過游客游覽線路分析上海迪士尼對上海城市旅游流網絡的影響的時機已經成熟。本文嘗試通過分析上海迪士尼度假區開業前與開業后的游客游覽路線，構建上海城市旅游流網絡，探究上海迪士尼對上海城市旅游網絡特征的影響，為分析主題公園與城市旅游網絡結構之間的關系提供動態視角。

蔚海燕等曾使用2016—2017年的游客評論數據分析上海迪士尼開業前后的上海旅游流網絡進行分析，發現上海迪士尼開業后，上海旅游流網絡從以上海野生動物園、東方明珠兩者為核心，轉變為上海迪士尼、東方明珠、上海野生動物園構成的三核心結構，且上海浦東新區的景點重要程度有所增加，最熱門旅游路線均涉及浦東新區的熱門景點，體現出上海迪士尼對周邊旅游節點的帶動作用[8]37-41。由于該項研究開展時上海迪士尼僅運營1年，且受限于研究數據（上海38個旅游景點的游客評論），景點數量較少，難以全面覆蓋非傳統旅游景點或游客實際游覽但未點評的旅游景點，其作為新增節點對上海旅游流網絡的影響尚不穩定或尚未充分顯現。

構建目的地旅游流網絡是分析區域旅游流特征的重要方式[9-10]。眾多研究者通過游客游覽線路確定游客訪問節點的共現關系，繼而使用社會網絡分析方法[11-13]，計算相關指標，揭示旅游流網絡的整體與節點特征。這些研究所使用的數據源豐富多樣，包括互聯網上的游記與照片[14]、網絡平臺上出售的旅游線路產品[15]以及游客移動通信設備定位信息[16-17]等。其中，旅游網絡平臺的游客游記是研究者使用最多的數據資源。游客不僅在網絡游記中分享自己的游玩感受，還記錄了具體的行程安排[18]。通過提取網絡游記中的游客游覽線路，研究者可以獲取不同景點在游客游覽線路中的共現情況，構建旅游流網絡，分析不同景點在旅游流網絡中的位置以及景點聯系的緊密度。如，姚占雷等通過網絡游記識別了華東地區AAAAA級景點的共現關系，識別出主要的景點類型[19]。孫媛媛等從39個運河沿岸城市的網絡游記中獲取旅游流數據，運用社會網絡分析法（SNA）和指數隨機圖模型（ERGM）分析城市旅游吸引力、城市環境質量、城市可達性和經濟發展水平對運河沿岸城市旅游網絡特征的影響[20]。上述研究關注的主題雖存在差異，但都采用特定區域范圍內的游覽線路數據，揭示某一時段內的旅游流網絡特征，但受限于研究視角，并未關注網絡結構的時間變化特征。

大語言模型是指使用大量文本數據訓練的深度學習模型，它可以理解語言文本的含義，并生成自然語言文本。自大語言模型誕生以來，涌現出一批將大模型用于自然語言處理的研究。如裴炳森等利用ChatGPT對電信詐騙案件的文本語料進行預處理和知識抽取，構建了案發時間、涉案金額等評估案件影響因素的知識圖譜[21]，也有研究者借助大模型生成新聞報告[22]，或抽取電子病歷信息等[23]。由于大模型具備強大的數據處理能力與文本理解能力，使用大模型進行文本數據處理能夠在提高數據處理效率的同時，取得良好的文本分析效果。

旅游學術界向來重視對先進技術和研究方法的運用[24-26]。比如，在文本[27]和圖片內容處理[28]方面，從早期基于規則的決策支持系統[29]到近期的深度神經網絡模型[30]都在旅游研究中得到應用?；赥ransformers的大語言模型[31-33]也得到了較多關注[34]，研究者主要聚焦大模型在旅游線路制定和信息檢索等[35的作用，而應用大模型進行旅游研究數據的處理與分析仍處于探索階段。

本研究嘗試利用大語言模型進行游客游記的篩選與旅游路線的抽取及處理，探索大語言模型在旅游研究數據處理中的應用，希望可以為相關研究提供一條可供借鑒的數據分析路徑。具體地說，本研究從多個旅游平臺獲取旅游者發布的游記，撰寫提示詞，利用大模型識別符合要求的游記內容，并從游記中提取游客游覽線路。在人工校驗與完善后，根據線路節點的共現關系構建上海旅游流網絡，對比上海迪士尼開業前與開業后的網絡特征，分析上海迪士尼對上海旅游流網絡的影響。由于研究過程中不事先限定景點范圍，網絡節點均從游客游記中產生，研究結果可以更全面地反映游客在上海的旅游線路情況，能為探究上海迪士尼對游客線路選擇的影響提供可靠證據。

1 研究數據來源與研究方法

1.1 數據來源與處理

本文的研究數據來源于馬蜂窩、同程旅游、去哪兒和攜程旅游四大游記平臺，這些平臺的游記除了閱讀量更高，其內容還包含了游客游覽線路中的景點名稱，能有效地反映游客在旅游目的地期間的游覽路線。本研究以“上海\"為檢索字段，爬取4個平臺與上海有關的用戶游記，包括游記作者、發布時間以及游記內容等，共計獲得游記5351篇，其中，馬蜂窩游記1484篇，同程旅游游記1514篇，去哪兒游記2005篇，攜程旅游游記348篇。

在數據分析前，本文對可正常訪問的游記數據進行了清洗與預處理，刪除內容為空和內容重復的游記后，調用智譜GLM4-PLUSAPI，撰寫第一輪提示詞對游記內容進行判斷，以篩選符合要求的游記，最終獲得符合要求的游記2878篇。樣本游記的創作時間跨度為2010年5月7日至2024年10月6日，其中，發布時間先于上海迪士尼開園日期（2016年6月16日）的游記有771篇，開園后發布的游記有2107篇。

接下來，本文撰寫第二輪提示詞，使用大模型從游記中提取游客的游覽線路。為了確保數據準確可靠，本文通過不斷迭代優化提示詞，并通過隨機抽取 30% 的游記作為測試集，對篩選和線路提取結果進行人工校驗。針對“是否為游記”的判斷，測試集中所有人工判斷為游記的，均被大模型判斷為“是”，召回率達 100% ；在旅游路線的判斷上，輸出的結果準確率超過 92% ，表明大模型提取游客游覽線路的效果較好。

在完成游記數據與旅游路線數據的采集和提取后，本研究對地名進行了標準化處理。首先對原始數據進行去重，共獲得11468個初始地名記錄。由于不同游客對同一地名的表達方式可能存在差異，本文對指向同一景點的不同名稱進行統一。具體地說，本文從攜程旅游網站獲取了與上海有關的215個熱門景點名稱并構建詞表，使用Python3.12的FuzzyWuzzy庫對游記中出現的地名與詞表中215個上海地名進行匹配，將相似度超過70分的地名視為同一地名，并對未達到匹配要求的地名進行內部匹配。此外，本文通過人工篩查對合并結果進行校驗，并剔除不屬于上海的地名，最終得到2254個獨特的景點名稱。

1.2 社會網絡分析

本研究基于游客實際游覽路線構建有向加權網絡模型，以名稱標準化處理后的景點作為網絡節點，將同一條旅游線路中相鄰景點的共現關系定義為有向邊，并采用共現頻次作為邊權重（每共線1次，則權重增加1）。網絡構建與分析過程主要依托Python3.12環境下的 NetworkX 3.4.2 和 Community 1.0.0bl工具包實現。對比上海迪士尼開業前與開業后的網絡特征，分析上海迪士尼對上海旅游流網絡的影響。其中，中心性分析是社會網絡分析中用以識別網絡中節點重要程度或影響力的方法，主要包括點度中心性、接近中心性與中介中心性分析。子群分析旨在揭示網絡中的社區結構和節點之間的緊密聯系，常見的分析方法包括凝聚子群分析（識別網絡中存在的聚集或“小團體”現象）和核心一邊緣分析（按照節點重要程度，將網絡中的節點劃分為核心節點和邊緣節點）。中心性分析與子群分析主要基于歸一化處理的數據，故雖然迪士尼開業前后的游記數量有差異，但本研究重點關注網絡中景點的排序變化以及子群結構模式的變化，可以最大限度地避免樣本量差異對研究結論的影響。

2 結果與分析

2.1 網絡整體特征

上海迪士尼開業前的網絡節點數量為753，邊的數量1813，平均每位游客游覽景點4.72個，網絡密度為0.03；而開園后的網絡節點數量為1705，邊的數量3954，平均每位游客游覽景點4.05個，網絡密度為0.01。上海旅游流網絡中景點之間的連接程度僅為理論上最大值的 3% 和 1% ，這主要是由于本研究中的旅游網絡為有向網絡，同一線路中的不相鄰景點未被視為共線關系，研究結果表明景點間的直接聯系較為稀疏。上海迪士尼開業后的網絡密度低于開業前，一方面是由于游客訪問的景點更加多元化，使得網絡中的節點數量增加，另一方面是由于游客行程中包含的京點數降低，仃程更具有針對性。

對上海迪士尼開業前與開業后游記中涉及的景點出現頻次進行統計，發現兩個網絡中分別有 19.0% 和 19.6% 的節點出現頻次不超過2次，且出現頻次前100的節點占網絡中所有節點總出現頻次的 72.6% 和 62.4% ，體現出游客游覽景點的集中性，且上海迪士尼開業后游客游覽景點相較于開業前更加分散。圖1顯示了上海迪士尼開業前和開業后出現瀕次前100的景點，橫坐標為景點排序，縱坐標為出現瀕次。在上海迪士尼開業前，前二十位的景點累計出現頻次占前100個景點總出現頻次的 68.2% ，前二十五位的景點占比為 72.8% ;在上海迪士尼開業后，這兩項比例分別提高為 69.9% 和 74.2% ，表明雖然在上海迪士尼開業后游客游覽的景點更加分散，但是頭部景點的出現頻次卻更加集中。結合圖1，可以發現前三位的景點出現頻次存在較大差異，且與排名其后的景點拉開差距。表1詳細展示了游客游記中出現頻次最高的25 個景點。上海迪士尼開業后，迪士尼度假區以32.48% 的提及率成為上海最受矚目的景點，上海傳統的標志性景點如外灘、南京路步行街、城隍廟、東方明珠和豫園在上海迪士尼開業后雖仍名列前茅，但游客訪問比例均出現下降，如外灘從 47.60% 降低為 30.71% ，南京路步行街從 30.09% 降低為 19.13% ，城隍廟從 31.65% 降低為 14.14% 。此外，上海迪士尼開業后，上海科技館、上海野生動物園等躋身前二十五位，取代了上海世博園、虹橋機場、甜愛路等，上海博物館（由第十位上升到第八位）和外白渡橋（由第十三位上升到第十一位）等歷史文化類景點的排名也有所上升，而陸家嘴（由第七位下降到第十位）和新天地（由第八位下降到第十二位）等現代都市風光型景點的排名則出現下降。

圖1上海迪士尼開業前與開業后上海Top1OO景點詞頻分布

表1上海迪士尼開業前與開業后上海出現頻次最高的25個景點（由高到低排列）

續表1

2.2 節點中心性分析

2.2.1 點度中心度分析

表2顯示了上海迪士尼開業前和開業后上海旅游流網絡中各節點的點度中心度。其中，內向中心度和外向中心度分別表示在旅游網絡中從其他景點到某個景點的路線數量，以及從某個景點到其他景點的路線數量。上海迪士尼開業前，外灘（100）、城隍廟（80.7）和南京路步行街（76.6）的內向中心度位居前三，表明這些傳統景點是游客從其他景點流向最多的目的地，同時，外灘（100）、城隍廟（69.6）和南京路步行街（68.3）也是外向中心度最高的節點，說明從這3個地方流向其他景點的游客量也最多，體現出這3個節點在上海迪士尼開業前的上海旅游流網絡中不僅是重要的標志性景點，吸引了最多的游客，而且承擔了關鍵的樞紐作用，不同旅游線路的游客在這里交匯再去向不同的景點。上海迪士尼開業后，上海旅游流網絡中節點的內向中心度排名發生顯著變化，雖然外灘（100）仍居首位，但上海迪士尼度假區（94.0）躍升至第二位，南京路步行街（69.9）位列第三；外向中心度方面，外灘（100）繼續保持領先地位，上海迪士尼度假區（67.5）和南京路步行街（64.7）緊隨其后，城隍廟雖內向中心度與外向中心度均居第四位，但已經與前三的節點出現明顯分異，說明上海迪士尼取代了城隍廟在上海旅游網絡結構中的樞紐作用。值得注意的是，田子坊的內向中心度從58.3降至38.8，外向中心度從43.9降至32.9，排名出現明顯下降，而武康路則躋身前十，體現出景點的生命周期變化以及游客需求對上海旅游網絡結構中節點更替的影響。

從整體上看，節點中心度的分析結果表明，上海迪士尼度假區開業8年后，上海迪士尼已經成為上海最具代表性的景點。傳統熱門景點如南京路步行街、城隍廟等在整個旅游流網絡中的重要性相對于其他景點而言未發生明顯改變，只是相較于上海迪士尼，其熱門程度有所降低。在上海迪士尼開業前，游客旅游路線主要圍繞南京路步行街、城隍廟和外灘3個景點展開，集中度較高；在上海迪士尼開業后，上海迪士尼度假區吸引了大量游客，與外灘組成雙核心，削弱了傳統熱門景點對游客的吸引力。此外，節點中心度的變化也體現了游客需求的轉變，如田子坊、新天地在上海迪士尼開業后的旅游流網絡中的重要程度下降明顯，而上海博物館和武康路等新興文化景點的重要性顯著提升，這反映了游客從城市觀光轉向主題游樂與多元文化體驗的需求變化。

表2上海迪士尼開業前與開業后上海點度中心度排名前十的景點

2.2.2 中間中心度分析

網絡中節點的中間中心度反映了節點橋聯其他節點的重要性，中間中心度高的節點是更多出現在其他節點間最短路徑上的節點。上海迪士尼開業前，外灘的中間中心度位居榜首，南京路步行街和田子坊的中間中心度位列第二和第三位，且這3個景點的中間中心度差異不大。這不僅表明它們在游客行程安排中的重要連接作用，能夠串聯其他景點并形成合理的游玩路線，還體現出景點距離鄰近性的影響。外灘與南京路步行街距離近，游客在規劃行程時，出于對出行便捷性和線路連貫性的考量，會將附近的景點集中安排，且這兩個景點的游覽順序具有較高靈活度，使得外灘與南京路步行街在上海旅游流網絡中的連接作用較為相近。田子坊的出現可能是受到了到訪游客群體特征的影響，前往田子坊的游客可能會選擇更多的非熱門景點，從而增強了田子坊在非熱門景點間的橋聯作用。

上海迪士尼開業后，上海旅游流網絡發生變化，上海博物館、武康路和黃浦江的中間中心度顯著提升，分別達到39.1、26.9和26.2，成為中間中心度排名前十的節點。上海迪士尼度假區是最高中間中心度的節點，成為游客行程中最重要的橋聯景點。外灘、南京路步行街、城隍廟等中間中心度排名分列第二至第四位，在游客的行程安排中仍然占據重要地位，但與上海迪士尼的中間中心度存在較大差距。原因可能是游客在安排旅游行程時，往往會給上海迪士尼單獨安排一天的時間，這給予游客其他行程日更高的自由度，游客可以根據自身需要在游覽上海迪士尼前后靈活安排其他景點，從而增強了上海迪士尼出現在游客行程安排中其他景點間路徑上的可能性，使其中間中心度與其他熱門景點拉開差距。

表3上海迪士尼開業前與開業后上海中間中心度排名前十的景點

2.2.3 接近中心度分析

接近中心度是衡量一個節點在整個網絡中的可達性的關鍵指標。本研究中，較高的接近中心度意味著游客能夠較為輕松、便捷地抵達該景點，其中內向接近中心度表明多大程度上游客可以容易地從其他景點出發抵達該景點，而外向接近中心度表明多大程度上游客可以容易地從該景點到達其他景點。表4顯示了上海旅游流網絡中接近中心度排名前十的景點。這些景點的接近中心度均超過90，體現出良好的可達性與便捷性。

表4上海迪士尼開業前與開業后上海接近中心度排名前十的景點

在上海迪士尼開業前，外灘是上海旅游流網絡中內向接近中心度最高的景點，新天地、陸家嘴、田子坊、人民廣場和東方明珠、南京路步行街等也都是上海點度中心度和中間中心度排名前列的景點。這些景點不僅是上海的傳統熱門旅游地，也因交通便利成為游客的匯聚地。例如，外灘鄰近多個交通樞紐，方便游客前往周邊的陸家嘴、城隍廟等景點；田子坊與多條公交線路、地鐵站相鄰，游客在游玩后能便捷前往其他區域。外向接近度方面，南京路步行街排名第一位，其他排名前列的熱門景點包括田子坊、新天地、外灘和城隍廟，表明游客可以非常便捷地從這些景點出發前往其他景點。值得注意的是，朱家角古鎮的外向和內向接近中心度均非常高，而從地理位置上看，其與其他景點的距離并非接近，這可能是由于游客往往將朱家角古鎮安排為一日行程中的主要景點，且不同游客在朱家角古鎮之后的游覽行程較為分散，使得朱家角古鎮的接近中心度得以凸顯。

在上海迪士尼開業后，內向與外向接近中心度排名前十的上海景點出現了較大變化。淮海路和靜安寺內向接近中心度排名前列，在一定程度上是交通區位優勢的體現，武康路的內向接近中心度變化以及七寶老街、馬勒別墅、徐家匯書院等景點的外向接近中心度變化，可能主要是受游客需求轉變的影響。上海迪士尼度假區的內向和外向接近中心度均為網絡中的最高值。由于上海迪士尼度假區豐富的游樂項目、獨特的主題體驗、昂貴的門票價格、龐大的園區規模以及相對偏遠的地理位置等，游客大多會花費一整天甚至更多的時間在迪士尼游玩，使得上海迪士尼在游客行程規劃中具有較強的靈活性和獨立性，對游客前序和后續行程安排的影響相對較小。同時，迪士尼強大的市場號召力又使得吸引的游客數量非常大，不管是從熱門與非熱門景點前往上海迪士尼，還是從上海迪士尼前往其他景點的游客數量均非常多，進一步強化了上海迪士尼與其他景點的外向與內向聯系，提升了上海迪士尼的接近中心度。

2.3 景點對分析

景點對代表了游客行程中連續出現的兩個景點的組合，能直觀地反映游客線路安排中的景點搭配，對旅游路線規劃設計有重要參考價值。表5列出了不考慮流動方向情況下，游記中出現頻次前十的景點對。從表格數據來看，上海迪士尼開業前排名前三的景點對均包含外灘，分別為城隍廟一外灘景點對，出現209次、占比 27.11% ，南京路步行街一外灘景點對，出現208次、占比26.98% ，田子坊一外灘景點對，出現149次、占比 19.33% 。這3組均為上海標志性景點的組合，景點地理位置相近，位于上海城區的傳統旅游核心區域，游客在空間上的流動較為集中。

表5上海迪士尼開業前與開業后上海出現頻次排名前十的景點對

在上海迪士尼開業后，出現了3個與迪士尼有關的景點對，分別為上海迪士尼度假區一外灘、上海迪士尼度假區一南京路步行街、上海迪士尼度假區一東方明珠，其中上海迪士尼度假區一外灘與南京路步行街一外灘成為游客訪問頻次最高的兩組景點對。南京路步行街一外灘景點對在上海迪士尼開業后仍然有較的高吸引力，出現238次，占比11. 30% 。

這些結果表明大量游客會將自己的迪士尼之旅安排在到訪外灘、南京路步行街、東方明珠等上海傳統標志性景點前后，游客在外灘與陸家嘴片區的行程緊鄰在浦東新區川沙地區的迪士尼行程。此外，上海迪士尼與上海傳統標志性景點的組合也表明上海迪士尼并非獨立地出現在游客行程中，而是嵌入經典的上海旅游路線，并成為上海新一輪經典旅游路線的重要節點。另外，對比表5中的景點對占比可以發現，上海迪士尼開業后熱門景點對在游客游記中出現的比例更低。以排名第一的上海迪士尼度假區一外灘景點對為例，其出現頻率 （15.00%） 僅可在上海迪士尼開業前熱門景點對中排第八位，稍高于南京路步行街一田子坊的出現頻率 （13.62% ），體現出上海迪士尼開業后游客線路選擇多樣化的特點。

2.4 子群結構分析

子群分析能夠識別網絡中具有密切聯系的節點群組，揭示節點之間的內在關聯性。對上海迪士尼開業前與開業后的上海旅游流網絡進行子群識別，可以在較大程度上反映游客的線路安排與空間流動特征。本文選取上海迪士尼開業前與開業后頻次最高的50個景點進行子群結構分析，這些景點的出現頻次占所有景點的 63.8% 和 54.4% ，能夠較為充分地反映上海旅游流網絡的節點關聯性，且景點相互聯系更加緊密，社區模塊度分別為0.170和0.169，體現出一定的子群結構特征。圖2以不同顏色代表旅游流網絡中的不同子群。在上海迪士尼開業前，上海主要景點間的旅游流網絡由3個子群構成：都市風光子群、文化休閑子群以及外灘子群（表6）。都市風光子群以東方明珠和陸家嘴為核心，主要分布于黃浦江沿岸以東區域，包括上?？萍拣^、上海環球金融中心、金茂大廈等具有影響力的景點。文化休閑子群以田子坊為核心，也包含新天地、1933老場坊、靜安寺以及上海高等院校在內的地方文化、購物休閑和文化教育場所。外灘子群以外灘景點群為核心，除外灘、城隍廟、南京路步行街等外，還包含人民廣場、上海博物館、杜莎夫人蠟像館等景點，集中分布于黃浦區。該子群也包含上海主要對外交通樞紐，反映出外灘子群對外地游客的吸引力。

上海迪士尼開業后，上海主要景點旅游流網絡的子群結構發生變化。原本的三子群結構轉變為五子群結構。上海迪士尼并未成為單獨的子群，而是進入原本的外灘子群，與外灘共同構成該子群的核心。該子群由上海迪士尼、外灘、南京路步行街、人民廣場以及虹橋機場、浦東機場和虹橋火車站組成，表明上海迪士尼與外灘共同成為外地游客心目中的上海標志性景點。對比原本的外灘子群，虹橋火車站取代了上海站，也反映出我國高速鐵路對游客出行到訪目的地的影響。城隍廟與豫園單獨成為子群，表明這兩個景點一定程度上已經逐漸淡出上海標志性景點之列，而由于它們與外灘和南京路步行街的臨近性，仍有遠超其他景點的游客到訪率。原外灘子群的非核心景點“漂移”至都市風光子群或休閑文化子群，如上海杜莎夫人蠟像館進入都市風光子群，上海博物館成為文化休閑子群的重要節點，體現出上海迪士尼嵌入上海旅游流網絡后，游客在線路安排方面做出調整以及相應的游客需求分異。文化休閑子群雖仍以田子坊為核心，但武康路躍升為該子群中心度排名第二的景點，反映出游客在上海開展文化休閑旅游的需求變化。此外，新出現了包含上海野生動物園、上海海昌海洋公園、上海影視樂園、朱家角古鎮、七寶老街等的親子休閑子群。該子群的出現一方面體現了“主題公園與歷史文化資源聯動發展”①的上海旅游發展規劃要求，另一方面反映出中國親子游市場的快速增長②。

3 結論與討論

3.1 結論

本文采集馬蜂窩、同程旅游、去哪兒和攜程旅游等4個旅游平臺的上海相關游記，通過使用大語言模型對游客游覽軌跡進行提取，根據游客旅游線路構建了上海迪士尼開業前與開業后的旅游流網絡，并通過對比兩個網絡的景點中心度、景點對與子群結構等，識別上海迪士尼開業前與開業后上海旅游流網絡特征變化。研究發現：1）上海迪士尼與外灘共同構成上海旅游流網絡的“雙核心”，上海迪士尼是上海旅游游記中游客提及頻次最高、節點中心度最高的節點之一，已經成為上海最具標志性的旅游景點。2）上海迪士尼在上海旅游流網絡中并非孤峰，而是有機地嵌入上海城市旅游格局。游客在游覽上海迪士尼之外，依然會到訪外灘、南京路步行街、東方明珠等傳統標志性景點。3）上海迪士尼在旅游流網絡中具有高中間中心度和接近中心度，表明上海迪士尼在游客行程中不僅出現頻次高，還與網絡中的其他景點有良好的聯通度。這一定程度上得益于上海迪士尼相對偏遠的地理位置以及較長的游覽時間需要。游客往往在上海迪士尼行程當日不會安排其他重要景點的游覽活動，為上海迪士尼在游客行程中的出現位置帶來較強的靈活度，使上海迪士尼可以與更多的其他景點組合。4）上海迪士尼開業后，上海旅游流網絡中的子群數量由上海迪士尼開業前的3個子群（外灘子群、都市風光子群以及文化休閑子群）增加為5個子群。上海迪士尼進入由外灘、南京路步行街等為主要節點的外灘子群，成為外灘以外的核心節點，展現出對外地游客的強吸引力。城隍廟與豫園逐漸淡出上海最具標志性和最具吸引力的景點范圍。親子休閑一古鎮子群的出現集中體現了上海城市旅游發展的供需變化。原外灘子群中非核心景點的“漂移”也體現出都市觀光需求與文化休閑需求的分異。

3.2 討論

本文聚焦上海迪士尼開業前與開業后上海城市旅游流網絡的變化，研究思路與蔚海燕等[8]35基本相似，均通過游客游覽軌跡構建旅游流網絡以分析網絡特征，但研究發現上卻存在較大差別。蔚海燕等發現，上海迪士尼開業后，上海城市旅游呈現“三核心”的結構，上海迪士尼、東方明珠與野生動物園共同組成上海旅游流網絡的核心[8]41。然而，本研究卻發現上海迪士尼與外灘是當前上海旅游流網絡的核心。時間因素和數據范圍是產生這一區別的重要原因。從數據方面來看，蔚海燕等的游客游覽路線通過特定38個景點的游客點評獲得，以7天作為時間窗口期，通過相同點評者ID以及點評時間確定游客游覽線路[8]35，較難覆蓋游客未點評景區，尤其是外灘、南京路步行街等無須購買門票即可游覽的景區。本研究通過游客撰寫的游記提取游覽線路，更加全面地覆蓋了游客單次行程中到訪的景點，不僅網絡節點數量大幅提升，還包含更廣泛意義上的封閉式與開放式景點。從時間尺度來看，已有研究聚焦上海迪士尼開業前后兩年內的游客點評數據，上海迪士尼在游客游覽路線中的作用體現得尚不充分，本研究關注上海迪士尼開業前至開業后8年的游客游記，對上海迪士尼在上海旅游流網絡中的作用進行判斷的時機相對更成熟。比如，上海迪士尼有機嵌入上海原本的旅游流網絡這一發現就是需要一定時間才可以觀察得到的結論。

另外，8年時間中游客需求、上海旅游供給與交通服務等也在不斷演變，為游客在上海的旅游流動提供了新的機會與目標，影響了上海旅游流網絡結構。例如，迪士尼站所屬的上海11號線與其他地鐵線路的聯動性大幅提升，多條地鐵線路為游客提供了便捷的換乘網絡，增強了游客在上海迪士尼與上海其他景點之間的流動。交通便捷性在東京迪士尼樂園發展過程中的作用可以為理解上海迪士尼融入城市旅游格局的過程提供參考。東京迪士尼樂園位于東京千葉縣浦安市，盡管所在區域旅游資源相對單一，主要依賴迪士尼樂園，但隨著地鐵巴士線路的豐富和發展，東京迪士尼成為東京交通網的一部分，游客可以便捷地往返迪士尼樂園與周邊區縣的景點。主題公園對城市旅游網絡的影響不僅是樂園本身帶來的經濟效益與社會效益，還有借助交通、政策等因素[36]進一步激發與激活的影響[37]。便捷的交通條件可以促使位置較為偏遠的大型主題樂園有效接入城市旅游流網絡。上海迪士尼開業8年間上海城市交通的發展，推動上海迪士尼嵌入上海城市旅游格局，帶來了游客旅游線路以及上海旅游流網絡特征的長期變化。

上海迪士尼雖然位于浦東新區，但其與浦東新區其他景點之間的聯系在上海旅游流網絡中并不突出。由于在上海迪士尼游玩通常需要一整天時間，加上前往野生動物園等景點需要額外換乘（地鐵16號線 + 公交），游客往往選擇放棄這些相對不便的景點。這使得上海迪士尼的交通優勢反而削弱了其與周邊景點的聯動效應，其吸引力不僅未能有效地帶動周邊流量，反而因行程時間的沖突性，一定程度上抑制了游客對上海迪士尼周邊非核心景點的訪問意愿。近年來，上海市著力引導上海迪士尼與周邊景區的協同發展，如上海市人民政府辦公廳印發的《“十四五”時期深化世界著名旅游城市建設規劃》明確提出，要開展國際旅游度假區旅游城提升工程，重點推動上海迪士尼與周邊文旅資源的功能互補③。2025 年上海薰衣草節也強調以“薰衣草 + ”為主題，通過跨景區票務優惠與主題線路等聯動迪士尼小鎮、上海野生動物園等6 大主體④。雖然這些政策對提升上海迪士尼與周邊景區聯動方面卓有成效，但其真正地參與群體仍以本地游客為主。對于旅游行程緊湊的外地游客而言，仍希望可以到訪上海更具標志性和代表性的景點，浦東新區內部景區聯動舉措對其線路安排的影響仍較有限。

本文中上海迪士尼開業后的上海旅游流網絡包含疫情期間的游客出游軌跡。其中，發布時間在2019年12月31日至2023年1月7日的游記數量為751篇，占開業后總樣本的 26.09% 。由于常態化疫情防控期間游客仍有良好的流動性，真正受到疫情影響的樣本數量可能更少。然而，疫情對上海迪士尼開業后上海旅游流網絡特征的影響仍然值得討論。首先，核心景點（如上海迪士尼、外灘）的訪問率可能受到疫情防控措施和游客風險規避心理的影響出現明顯下降，游客會更傾向選擇人流量少的開放空間。其次，疫情造成的出行限制可能促使旅游空間活動從高度集聚轉向相對分散，增強與行政區或功能片區內的景點聯系，削弱跨區景點間的空間聯系。在不受疫情影響的情況下，本文中熱門景點的出現頻率以及中心程度可能會更高，跨區域的景點對以及子群出現頻率也會有所提升。

本研究通過游記分析游客出游線路，揭示了上海旅游流網絡從以外灘為核心的“單中心結構\"向以上海迪士尼和外灘為核心的“雙核心結構”的轉變，刻畫了上海迪士尼在上海旅游流網絡中的位置與聯系。借助大語言模型進行網絡文本信息抽取，本研究展現了大語言模型在旅游數據分析與處理中的作用，為旅游大數據分析提供了可供借鑒的技術路徑。基于本文研究發現，旅游企業和行業管理部門可以更為清晰地把握上海游客流動的基本特征與旅游景點關聯結構，進行相應的產品與線路開發設計。例如，創新產品組合，將上海迪士尼納入上海經典游線，開發更多樣化的含上海迪士尼的多日包價或半包價旅游產品；圍繞同子群景點，開發主題性游覽線路，推出具有一定靈活性的多日景點套票，增強子群內非核心景點的吸引力；國際旅游度假區內或浦東新區其他景點應著力開發面向非上海本地游客的多日主題性研學產品或親子休閑產品，降低上海迪士尼對其遮蔽效應。

3.3 研究不足與展望

本文通過提取網絡游記中的游客游覽路線，對比上海迪士尼開業前與開業后的上海旅游流網絡特征，研究結果對于理解主題公園與城市旅游發展有一定的參考價值。本文的研究不足主要體現在3個方面。第一，由于數據來源網站的更新與維護，發布時間較久的游記內容存在更多信息缺失情況，致使實際獲取到的有效游記數量與網站所顯示的游記總量存在偏差，且上海迪士尼開業后的樣本量也高于開業前的樣本量。雖然本文研究發現主要基于景點排序以及標準化后的指標得出，但景點出現頻次降低也會對景點間連接造成影響，在進行前后對比時需要更加審慎。第二，本文僅選取旅游網絡游記這一長文本內容展開分析，并未考慮短文本、圖片、視頻等多模態信息，未來可以拓展研究數據，進行多模態信息的抽取與處理，對比基于多模態信息的旅游流網絡特征與基于游記內容的旅游流網絡特征。第三，本文使用智譜清言大模型進行數據清洗與處理，雖然為游客游覽線路的分析提供了新的數據處理思路，但受限于大模型技術黑箱與不同模型的技術差異，數據處理準確度受到提示詞與模型類別的影響。

雖然本文結合了人工核驗以提高數據處理結果的準確性，但隨著大語言模型的不斷迭代，大語言模型或版本的不同以及提示詞的差異可能產生不同的數據處理結果。未來研究可比較不同大語言模型的數據處理與分析結果，對大語言模型輔助數據處理的可靠性進行更加準確地判斷。

注釋

① 資料來源：https：//www.shanghai.gov.cn/202114bgtwj/ 20210720/ee9d412010604d68a32ddbe7107f9cf2.html. ② 資料來源：https：//www.ctaweb.org.cn/index.php？m L= homeamp;c=Viewamp;a=indexamp;aid=854oamp;lang=cn. ③ 資料來源：https：//www.shanghai.gov.cn/nw12344/ 20210622/aa237680c16d4433a2ce1951a3b204de.html.

④ 資料來源：https：//www.shanghai.gov.cn/nwl7239/20250512/96007b7067d046bbafde37a16daad778.html.

參考文獻

[1］謝婷．五部委聯合發文規范主題公園建設[J]．就業 與保障，2018（5）：5.

[2]趙瑩，汪麗，黃瀟婷，等．主題公園演藝項目對旅游者 活動空間的影響：基于時空可達性的分析[J]：旅游學 刊，2017（12）：49-57.

[3]于秋陽，徐亞征．論迪士尼科技與文化融合發展及其 啟示[J]．經濟問題探索，2012（6）：40-46.

[4]毛潤澤，何建民．上海迪士尼樂園對其周邊區域產業 發展的影響研究：基于國際經驗借鑒[J]．華東經濟管 理，2010（5）：1-5.

[5]MCCLUNG G W. Theme park selection： factors influencing attendance[J].Tourism management，1991 （2）：132-140.

[6]ZHANG Y，LI X R，SU Q. Does spatial layout matter to theme park tourism carrying capacity？ [J]. Tourism management，2017，61：82-95.

[7]BIGNE JE，ANDREU L，GNOTH J. The theme park experience：an analysis of pleasure，arousal and satisfaction[J]. Tourism management，2005，26：833-844.

[8]蔚海燕，戴澤釩，許鑫，等．上海迪士尼對上海旅游流 網絡的影響研究：基于驢媽媽游客數字足跡的視角 [J]．旅游學刊，2018（4）：33-45．

[9]BAGGIO R. Network analysis of a tourism destination[D]. Queensland： The University of Queensland， 2008.

[10]BAGGIO R，SCOTT N，WANG Z. What network analysis of the WWW can tell us about the organisation of tourism destinations[C]//CAUTHE 2007： Tourism-Past Achievements， Future Challenges， Sydney：University of Technology Sydney，2007.

[11]LUO Q J，ZHONG D X. Using social network analysis to explain communication characteristics of travel-related electronic word-of-mouth on social networking sites[J]. Tourism management，2015，46： 274- 282.

[12]PAN X，RASOULI S，TIMMERMANS H. Investigating tourist destination choice：effect of destination image from social network members[J]. Tourism management，2021，83：104217.

[13]MINNAERT L. Stakeholder stories：exploring social tourism networks[J]. Annals of tourism re search，2020，83：102979.

[14]張妍妍，李君軼，楊敏．基于旅游數字足跡的西安旅 游流網絡結構研究[J]．人文地理，2014（4）：111- 118.

[15]李磊，陶卓民，陸林，等．貴州省避暑旅游流網絡結構 特征及其影響因素[J]．地理研究，2021（11）：3208- 3224.

[16]SHIH H-Y. Network characteristics of drive tourism destinations：an application of network analysis in tourism[J]. Tourism management，2006，27：1029- 1039.

[17]SCOTT N，COOPER C，BAGGIO R. Destination networks： four Australian cases [J]. Annals of tourism research，2008（1）：169-188.

[18]張文，頓雪霏．探討大陸游客對臺灣旅游目的地形象 的感知：基于網上游記的內容分析[J].北京第二外 國語學院學報，2010（11）：75-83.

[19]姚占雷，許鑫，李麗梅，等．網絡游記中的景區共現現 象分析：以華東地區首批國家5A級旅游景區為例 [J]．旅游科學，2011（2）：39-46.

[20]孫媛媛，時少華．基于網絡游記的運河沿岸城市旅游 流網絡結構特征及影響因素研究［J]．旅游導刊， 2023（5）：43-65.

[21]裴炳森，李欣，吳越．基于ChatGPT的電信詐騙案件 類型影響力評估[J]．計算機科學與探索，2023（10）： 2413-2425.

[22]曾文龍，劉丹，張超．基于大模型的智能抄清：事件要 點抽取與報告生成[J]．網絡安全與數據治理，2023 （12）：20-26.

[23]喻金龍，張磊，許寧，等．ChatGPT在風濕科中醫電 子病歷癥狀信息預處理中的應用[J]．中華中醫藥學 刊，2025（3）：24-29.

[24]DIMAGGIO P，NAG M， BLEI D. Exploiting affinities between topic modeling and the sociological perspective on culture： application to newspaper coverage of US government arts funding[J]. Poetics，2013 （6）： 570-606.

[25]EGGER R，YU J. A topic modeling comparison between IDA，NMF Top2Vec，and BERTopic to demystify Twitter posts[J/OL]. Frontiers in sociology， 2022，7： 886498.[2025-02-04]. https：//doi. org/10. 3389/fsoc.2022. 886498.

[26]VAYANSKY I， KUMAR S A. A review of topic modeling methods[J/OL]. Information systems， 2020，94：101582.[2025-02-04]. https：//doi.org/ 10.1016/j. is.2020.101582.

[27] LAUREATECD P，BUNTINE W，LINGER H. A systematic review of the use of topic models for short text social media analysis[J]. Artificial intelligence review，2023（56）：14223-14255.

[28]YANG F X，LI Y，LI X，et al. The beauty premium of tour guides in the customer decision-making process：：an AI-based big data analysis [J/OL]. Tourism management，2022，93：104575.[2025-02- 04].https：//doi. org/10.1016/j. tourman. 2022. 104575.

[29] RITA P，MOUTINHO L. An expert system for national tourist offices[J]. Annals of tourism research， 1994（1）： 143-145.

[30]YANG Y W，FAN Y，JIANG L，et al. Search query and tourism forecasting during the pandemic：when and where can digital footprints be helpful as predic tors？ [J/OL]. Annals of tourism research，2022，93： 103365.[2025-02-04]. https：//doi. org/10.1016/j. annals.2022.103365.

[31]DEVLIN J，CHANG M W，LEE K，et al. BERT： pre-training of deep bidirectional transformers for language understanding[C]//Proceedings of the 2019 conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies，volume 1 （long and short papers）.Minneapolis ： Association for Computational Linguistics，2019： 4171-4186.

[32] CARVALHO 1，IVANOV S. ChatGPT for tourism： applications，benefits and risks[J]. Tourism review， 2024（2）：290-303.

[33]FESENMAIER DR，WOBER K. AI，ChatGPT and the university[J/OL]. Annals of tourism research， 2023，101：103578.[2025-02-04].https：//doi.org/ 10.1016/j.annals. 2023.103578.

[34]ZHANG H X，LIU R H，EGGER R. Unlocking uniqueness：analyzing online reviews of Airbnb experiences using BERT-based models[J]. Journal of travel research，2024（7）：1688-1708.

[35]SHIJ，LEE M W，GIRISH V G，et al. Embracing the ChatGPT revolution： unlocking new horizons for tourism[J]. Journal of hospitality and tourism tech

[37]王大悟．主題樂園長盛不衰十大要素論析：以美國迪斯尼世界為案例的實證研究［J]．旅游學刊，2007（2）：33-37.

Comparative Analysis of Shanghai's Tourist Flow Network Before and After the Opening of Shanghai Disney Resort Based on Large Language Model

Tu Qirui，Wang Yuan，Gao Niying，Wang Renwu （School of Economics and Management，East China Normal University，Shanghai 2Oo062， China）

Abstract： Since its inception，Shanghai Disney Resort has been widely expected to exert a significant influence on the tourism landscape of both Shanghai and the broader East China region. Although the park has been in operation for over eight years and its impact on the city's tourism patterns has largely stabilized， systematic research comparing the structural changes in Shanghai’s tourist flow network before and after the park's opening remains limited. This study collcts tourist travelogues from multiple online travel platforms and leverages a pre-trained large language model to extract tourist itineraries，and constructs tourist attraction association networks for the periods before and after the opening of Shanghai Disney Resort.Social network analysis was applied to examine and compare the characteristics of these networks. The findings reveal that the opening of Shanghai Disney Resort transformed the city’s tourist flow network from a single-core structure centered on the Bund to a dual-core structure anchored by both the Bund and Disney. Rather than emerging as an isolated sub-network，Shanghai Disney has been organically integrated into the existing tourist flow structure and has significantly influenced the sub-group characteristics of previously non-core attactions. The study demonstrates the potential of large language models in enhancing itinerary extraction and network construction in tourism studies，thereby enriching methodological approaches in the field. The findings offer valuable insights for the coordinated development of theme parks and urban tourism.

Keywords： Shanghai Disney Resort； social network analysis； large language model; centrality； subgroupstructure

[責任編輯：呂觀盛]