基于数字足迹的自驾车旅游客流时空特征研究

罗秋菊++梁思贤

[摘 要]文章以云南省为研究案例，利用网络游记与照片两种“数字足迹”，研究入滇自驾车旅游客流的时空特征，并与一般入滇旅游客流的特征进行比较，为应用新数据方法研究旅游流时空提供参考，同时丰富时空二元视角下的自驾客流研究成果，也有利于自驾车旅游目的地的营销与管理。研究结果显示：（1）自驾客流出游时间分布集中度较高，黄金周及寒暑假内容易出现客流高峰，与一般入滇客流的时间特征基本保持一致。（2）客源地空间分布上，一则呈现近域性显著、东部集中性明显；二则自驾客流空间距离衰减规律不明显，空间使用曲线出现多次波动，客源地分布与国内经济发达省市的地理分布保持一致。（3）目的地空间分布上，一则自驾客流在云南24个旅游节点内非均衡集中分布，并形成位于4大区域的5条旅游线路；二则与一般入滇客流的“单核放射状”分布形态不同，自驾客流整体呈现多核心、多线状、多区域的“多核线网状”空间分布形态；三则自驾客流网络密度较低，网络结构分层明显，但核心旅游区带动及影响边缘旅游区的能力不强。

[关键词]数字足迹；自驾；旅游流；时空特征；云南省

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2016）12-0041-10

Doi： 10.3969/j.issn.1002-5006.2016.12.011

引言

旅游流是指旅游客流，即游客从客源地向目的地流动的群数量和流动模式[1]，其时空特征一直是旅游地理学研究的热点。已有研究表明，旅游流的特征极易受到交通系统因素的影响，但交通工具的改善与出游交通的选择对各种特殊交通旅游流的形成与时空特征的影响研究却相对缺乏[2]。近年来我国人均收入普遍提高，国民旅游休闲消费增长加快，私家车保有量高（2013年私人轿车保有量占民用轿车保有量的79.26%），国内公路网络系统日益完善（中国高速公路已经仅次于美国稳居世界第二），自驾车旅游呈现“井喷式”发展。《中国自驾游年度发展报告（2014）》显示，2013年我国自驾车出游人数增至17.3亿人次，占国内旅游总人次的53%[3]。可以说，自驾游已成为我国城镇居民出游的主要方式，自驾车旅游客流这种特殊旅游流随之形成，开始引起了国内外学术界的关注。国内学者李昂以生存分析为理论基础建立模型，对世界文化遗产承德避暑山庄与周围寺庙的自驾车旅游客流的时间分布特征进行研究[4]。在自驾客流的空间特征方面，Shin最先关注自驾车旅游流网络特征，运用社会网络分析法对中国台湾南投地区的16个旅游目的地进行空间结构与网络关系分析[5]；卢松等国内学者以安徽黄山市为例，采用旅游流空间使用曲线分析黄山市自驾车入游流的客源市场结构和空间行为模式[6]。这些学者开启了有关自驾车旅游客流这一特殊交通旅游流的研究方向，其定量分析方法对后续相关研究具有借鉴意义。遗憾的是，现有研究仍未在时空二元视角下对自驾客流的分布特征进行细致深入的分析。另外，与一般的自助游客、旅行社团体游客不同，自驾游客的旅游活动不受既定旅游时间、旅游线路和旅游交通安排的影响，旅游行为自主灵活，由此形成的时空特征也与其他类型游客存在差异，然而目前学者们亦未重视这种差异的研究。

自驾车旅游客流的时空研究相对缺乏，原因还在于游客自主控制交通工具，其活动具有较高的灵活性和可变性，客流的时空数据难以实时收集，容易导致数据的及时性、覆盖性和代表性不足，国外学者Girardin因此提出“数字足迹法”。在Web2.0时代，越来越多游客会通过网络及其他通讯设备获取旅游信息，Girardin等认为，“旅游数字足迹”是在整个旅游活动的实现过程中，游客在旅游时移动电话的通话记录、发送的信息，以及旅游前后在网络上和其他信息化系统里所留下的信息搜索记录、博客文章、网络游记、评论与照片等多种形式的图片与文字信息，这种数据蕴含了游客的活动时间与地理位置信息，可真实还原游客实地旅游的时空移动轨迹，为学者研究游客在旅游目的地内的时空行为提供了全新的数据收集方法[7]。Girardin和Vaccari都曾经利用旅游者游时的通话记录、手机短信以及游后发布的图片等数字足迹分别研究了意大利罗马与美国纽约的旅游状况[7-8]，张妍妍等则将网络游记这种数字足迹应用到西安的旅游流网络结构研究中[9]，综上可知，国外的旅游数字足迹研究利用手机足迹为主、网络图片为辅，文本型数据使用率低，国内研究偏向使用网络文本。

因此，本文基于“数字足迹”，同时使用网络游记与照片两种时空信息丰富的旅游数字足迹，从旅游客流的时空分布角度切入，选择云南省这一国内典型自驾游目的地为研究区域，分析自驾车旅游客流的时空分布特征，并探讨这种特殊交通旅游流与一般入滇旅游流在时空特征上的异同，一方面可以对“数字足迹”的数据获取新方法在旅游客流时空特征研究的应用上做出有益尝试，另一方面也可以从时空二元视角丰富自驾车旅游客流分布特征的研究内容，并通过自驾客流与其他旅游流的差异分析，从实践上为自驾车旅游目的地开发与管理、旅游线路设计及营销、不同景区之间的合作等方面提供理论参考。

1 研究区概况与数据采集

1.1 研究区域概况

云南省地处中国西南边陲，下辖16个州市，拥有世界遗产3处、全国5A级风景名胜区6个以及4A级以上旅游景区46处，是我国著名的旅游目的地。云南省先后建成7条通往全国各地的出省高速公路，而省内现有公路网络也保障了90%以上的乡镇通畅，能有效连接省内的重点景区景点。丰富的旅游资源与便利的交通，促使省内自驾游市场持续升温。2013年“十一”黄金周期间，全省自驾车进出达484万辆次，同比井喷增长69.5%，全省各州市的自驾游占所有旅游形式的比重均超过50%，2014年，云南省获“中国最具潜力自驾游目的地省”称号[3]。云南省自驾车旅游市场发展条件成熟、优势明显，已成为我国典型的自驾车旅游目的地，更是极具代表性的自驾车旅游客流研究案例区域。

1.2 数字足迹采集

Girardin提出 “数字足迹”的数据采集方法，具有真实、客观、高效、准确、成本低、可操作性强的优势，可充分应用于旅游客流的时空研究中[7]。本文同时采用网络游记和照片两种“数字足迹”，游记用于从文字内容上迅速确定旅游时间和旅游节点，而照片则重在印证文字表述的合理性。数据来源方面，本文选择蚂蜂窝旅游网和携程旅行网进行“数字足迹”采集。蚂蜂窝网是目前中国最大的旅游社交网站，收录了大量来自真实旅游用户发表的游记和拍摄的照片，且以自助或自驾游记为主。而携程网是中国目前最大的在线旅游服务网站，拥有超过两亿注册用户以及影响力较大的旅游网络社区。采用这两个网站的数据能够有效覆盖不同类型的自驾游客，丰富数据样本。本文设定研究2014年云南省国内纯自驾游客的网络游记，于2015年3月10日开始进行数据收集，以游记更新时间为准，筛选截止更新到2015年3月21日的游记，利用 Excel统计出符合研究标准的游记作者300位（蚂蜂窝网191位，携程网109位），游记402篇 （蚂蜂窝网238篇，携程网164篇），共计385次完整旅程（蚂蜂窝网221次，携程网164次）。游记数量多于作者数，是由于部分游客会自驾到云南省重游，并发表两篇及以上的游记。

数字足迹的实际筛选标准为：（1）出游时间和逗留时间必须在2014年1月1日至2014年12月31日期间，其中游客逗留时间以实际游览天数为准（不含客源地往返目的地的交通时间）；（2）交通方面，往返于客源地各目的地与（旅游景点）的主要交通工具必须为自驾的小型汽车，即游记作者必须为纯自驾游客；（3）游记必须能够说明作者的出发地，而且通过点击“查看用户资料”时能清晰确定作者的来源地（客源地）；（4）游记最好配有游客实地拍摄的照片，而且文字或照片必须能够表明游客的出游及逗留时间；（5）游记内容必须完整记录旅游行程，以便提取游客的空间信息，并按时间顺序完整还原自驾游客在云南省内逗留并游览的所有旅游景点。

对于符合筛选标准的网络游记，以一段完整旅程为基本单位，使用Excel表格依次录入游记作者、出游时间、逗留时间、客源地、出发地、全程旅游景点等信息。实际录入时，有以下两个重要标准：（1）游记与照片两种“数字足迹”共同确定时间信息，当游记中文字未能表明旅游时间时，则通过照片时间确定，即通过点击照片下方“查看 EXIF 信息” 进行确定。最终402篇游记时间的提取结果中，游记与照片内容确定旅游时间的占94.67%，只有4.33%的自驾游客仅通过照片确定时间，表明此次样本数据所提取时间的可靠性较高。（2）根据时间顺序依次录入游客明确提出逗留游览的旅游景点名称，当游记文字并未正确表达旅游景点名称时，则根据游记照片显示的地点信息进行订正。

另外，由于案例地云南省面积广，旅游景点数量庞大，为更详细分析自驾客流在目的地内部的空间特征，本文参考世界旅游组织（WTO）编制的《云南省旅游发展总体规划》，考虑所有录入旅游景点的地理位置、知名度、客流游览倾向等方面，将云南重新划分为以下24个大型旅游区：N1昆明市区；N2昆明周边旅游区；N3 玉溪旅游区；N4 楚雄旅游区；N5 元阳—建水旅游区；N6 红河东部旅游区（除元阳、建水外的红河州地区）；N7 文山旅游区；N8曲靖旅游区；N9昭通旅游区；N10 西双版纳中部旅游区（以景洪市为主的中部地区，包括野象谷、中科院热带植物园、曼听公园等）；N11 西双版纳外围旅游区（以勐海县、景洪最北部和勐腊县为主的外围地区，包括打洛口岸、望天树景区等）；N12普洱旅游区；N13 临沧旅游区；N14 腾冲旅游区（腾冲县及周边地区）；N15 德宏旅游区；N16大理古城—巍山旅游区；N17苍山洱海旅游区；N18蝴蝶泉—剑川旅游区；N19丽江古城旅游区；N20 大玉龙旅游区；N21泸沽湖旅游区；N22 香格里拉中南部旅游区；N23香格里拉北部旅游区（茨中教堂至奔子栏为界以北的香格里拉地区）；N24怒江旅游区。最后，将24个旅游区抽象为“旅游节点”，并据此对之前每段旅程录入的游客所提景点按时间顺序进行重新整理，最终得出自驾客流的385次“全程旅游节点”空间数据，以此分析自驾客流在云南省内部的空间分布特征。

2 时间特征分析

2.1 出游时间的集中程度

统计录入数据可知，入滇自驾游客出游时间集中在1—2月和7—10月，其中1月、2月客流量分别占客流总量的15.00% 与12.67%，7—10月的客流量均在10.00%左右，可能受假期安排影响；而在国内游传统旺季的5月，入滇自驾客流量仅为5.33%，10月后客流量持续回落至12月的2.33%。此外，据统计自驾游客的逗留时间从1至20天不等，其中，逗留3～6天的游客量占总量的50.33%，逗留10天以上的游客量均在3%以下。可见云南自驾客流出游时间的季节性波动较大，初步呈现出集中趋势。

为进一步分析自驾客流的时间特征，并考虑国内假期因素的影响，本文将出游时间分为6个时间段：H1双休日、H2双休日+年假（即1～6天的年假，具体时间根据游记的文字内容确定）、H3小长假（包括元旦、清明、“五一”及端午等4个小长假）、H4黄金周（包括春节及“十一”2个黄金周）、H5寒暑假（根据2014年全国中小学生的假期安排，本文的寒假是指1月16日至2月16日，并除去期间的春节黄金周；暑假时间为7月10日至8月30日）与H6其他时间，并重新统计每个时间段的自驾客流规模。已有研究表明，集中指数G可以有效衡量旅游流在时间分布的整体集中程度，其计算公式为：

[G=100×i=1nxiT2] （1）

式（1）中：G为旅游流在研究时段上的集中指数；xi为第i个出游时段的旅游客流规模；T为案例出游时段旅游客流总规模；n为案例时段总数[10]。如果自驾客流在上述6个时间段内完全均匀分布，则[G=100×1N=100×16=40.82。]通过计算可得，云南自驾客流出游时间的集中指数G = 44.96；44.96大于40.82，说明云南省自驾车旅游客流在时间上分布较为集中。

2.2 出游时间的高峰情况

自驾客流在H1～H6等6个研究时段内分布集中，说明容易在某些时段形成客流高峰。因此，本文引入饱和曲线与斯泰恩斯峰值指数考察自驾客流出游时间的高峰情况。若饱和曲线单调递减，说明客流在短期快速增长，并具有突出的高峰现象；若曲线上端相对平缓，表明客流在时间分布上比较均衡。同时，曲线上不同点的斜率表示研究时段内旅游流高峰情况，斯泰恩斯因此提出了峰值指数的概念，计算公式为：

[Mn=u1-un（n-1）u1] （2）

式（2）中：Mn为峰值指数；u1为所有研究时段中旅游客流量最大的时段的游客数量；un为旅游流量第n位的对应时段的游客数量；n为第n个时段（1为旅游流规模最大的时段）。计算可得出不同时段在饱和曲线上对应点的峰值指数，Mn的值越大，该点对应时段的旅游流高峰越大[10]。

经计算，本文绘制出客流饱和曲线与峰值指数曲线（见图1，为清晰观察饱和曲线斜率的变化，图中将各峰值指数乘以100），可知入滇自驾客流的饱和曲线和峰值指数曲线均呈单调递减，客流在短期内快速增长，特别是在黄金周期间具有突出的集中趋势和高峰现象，在寒暑假期间也出现了“小高峰”，其他时段的自驾客流规模相近。由此可以确定，入滇自驾游客的出游时间主要受到公共假期时间安排的影响。

结合游记数据分析发现，52.67%的游记作者选择与家人出游，35.33%选择与朋友出行，可见云南自驾游客以中青年为主，家庭出游也需要协调学生或上班族等成员的闲暇时间，自驾游客3～6日的逗留时间加上往返的交通时间，整体出行时间往往长达5～8日。因此，2014年 “春节”黄金周（2014年“春节”黄金周为1月31日—2月6日）、“十一”黄金周、寒暑期等长假所在的1—2月和7—10月成为云南自驾游的旺季。3—5月入滇自驾游客量较少，是受到国家对法定节日调整的影响，“清明”“五一”“端午”等小长假的时间较短，难以满足自驾游耗时较长的条件。

3 空间特征分析

3.1 自驾客流客源市场空间特征

3.1.1 自驾客流客源市场分布

统计本次研究数据发现，入滇自驾游客分布比较广泛，其客源地涉及20个省市自治区（图2），客源市场空间分布具体呈现出如下特征：

（1）近域性比较显著。本省和相邻的四川、重庆、贵州、广西的客源所占比例接近总数的一半，达到47.33%；中部省份湖南、湖北、江西、安徽等均在3%以下，北部省份陕西、山东、天津等比例在1%左右，其中海南和辽宁分别仅收集到1～2位作者的游记。而在数据收集中，西藏、青海、甘肃、宁夏等其余14个省份尚未发现有游客在相关网站上发表符合研究条件的云南自驾游记。

（2）东部集中性明显。由图2可知，入滇自驾游客除来自本省及其周边省份组成的区域（达到47.33%）外，还有东部沿海经济发达的省市，以广东、福建、浙江、上海、江苏和北京为主，6地客源所占比例达45.33%，但是山东、天津等部分东部沿海发达地区所占比例偏低。

3.1.2 自驾客流空间使用曲线

现有研究表明，旅游客流空间使用曲线能够有效描述目的地的旅游客流量随距离的增加而衰减的现象，一般可分为3种类型：基本型曲线、U形曲线与Maxwell-Boltzman形曲线[11]。本文利用“百度电子地图测距工具”计算出自驾游客出发城市的政府所在地与入滇的首个目的地的公路距离（若属于云南省内自驾游，则计算出游客出发城市的政府所在地与旅程中距离最远的目的地的公路距离），绘制云南省自驾车旅游客流空间使用曲线（图3）。结果显示，云南省自驾客流空间使用曲线十分复杂，难以用上述3种曲线解释，客流曲线出现多次波动，说明距离衰减趋势不明显。

随着距离的增加，在0～1000 km的范围内出现了第一次客流分布高峰（也是最高峰），这主要是云南省内及四川、重庆、贵州、广西等周边地区的自驾游客出游的结果；在1200～1400 km范围内出现第二次高峰，这是由于经济发达、城市化水平高的广东省以及湖南、湖北等消费力较强的中部省份均分布在此范围内；在2000～2400 km范围内出现了第三次高峰，此范围主要包括收入水平高、旅游消费普遍的上海、浙江、江苏等省市；在2600～2800 km范围内出现最后一次高峰，北京、天津、山东等省市分布在此范围内，这些地区与云南省公路距离最远。总体上看，云南省自驾旅游的引力场较大，主要集中在2360 km范围内，该范围内旅游客流累计百分比为80.33%。云南省自驾客流空间使用曲线的形态复杂，是因为该省位于我国西南边陲的独特区位，与我国经济发达、自驾出游能力强的中部及东部省市的公路距离较远。已有研究表明，客流高峰的分布一般与经济发达省区、城市密集区的分布相一致[11]。

3.2 自驾客流在云南省内的空间分布特征

“空间”是一种三维概念，可抽象为“点”“线”“面（或区）”3种地域形式[37]，云南省自驾车旅游客流的空间分布特征也可从旅游节点、旅游线路、旅游区域等3方面进行研究。为深入探讨客流分布的空间特征，本文引入社会网络分析法，这种研究方法于20世纪30年代由英国著名人类学家R.布朗提出，至今已被国内外学者运用到不同旅游目的地的客流空间网络结构研究中，有效分析了研究区域内旅游节点的角色功能、关系总和以及整体空间结构特征[12]。

3.2.1 自驾客流“点”状空间分布

中心性是社会网络分析法的重要指标之一。本文采用这种指标分析自驾客流在云南省24个旅游节点的空间分布情况，以及各节点在整体自驾车旅游客流中的位置。中心性包括程度中心度、接近中心度和中介中心度3种测量指标：程度中心度有内外向之分，分别表示客流在某个旅游节点的进出活动，并揭示某旅游节点是属于旅游网络的集聚点、核心点还是扩散点，从而衡量节点在网络中的中心位置。同理，接近中心度也有内外两种，分别表示节点与其他节点联系越少、客流通达性越低，反之亦然。中介中心度衡量旅游节点作为中间者的能力，节点的该值越高代表起到的客流中介作用越强，且一般会位于旅游线路的中间。

云南省24个旅游节点的自驾客流规模统计结果显示，大理古城—巍山旅游区、苍山洱海旅游区、丽江古城旅游区、昆明市区、香格里拉中南部旅游区、泸沽湖旅游区、昆明周边旅游区、西双版纳中部旅游区、大玉龙旅游区、曲靖旅游区及玉溪旅游区等11个景区的旅游流规模已占到了总规模的75%。本文根据385次自驾旅程的研究数据，利用Ucinet6.237软件分析出云南省自驾客流中心度指标的结果（表1）。从3种中心度指标结果来看，大理古城—巍山、苍山洱海区、丽江古城区和昆明市区等4点的值较高，位于第一梯队，属于自驾客流空间网络结构中的旅游核心和集散中心；西双版纳中部、香格里拉中南部、昆明周边等点则位于第二梯队，结果仅次于第一梯队的旅游节点，属于次旅游核心和次集散中心。第三梯队中，泸沽湖、大玉龙与蝴蝶泉—剑川等3点的中心度指标较高，是云南自驾路线中的重要旅游目的地与旅游通道；玉溪、曲靖、元阳—建水与腾冲等旅游区的中心度与泸沽湖等相近，也是重要的旅游目的地；其中玉溪与曲靖的内外向接近度的差值较大，对客流的聚集能力较强，说明这两点多为旅游起汔点。西双版纳外围、文山等旅游区的中心度指标较低，位于第四梯队，中介中心度不高，但与其他节点联系较多，属于一般目的地。而普洱、昭通、临沧、怒江等四点的中心度指标结果最低，属于边缘目的地。综上所述，在云南省的旅游空间上，自驾客流具有较为明显的非均衡集中分布特征，大理古城—巍山旅游区等11个旅游节点能够聚集绝大部分的自驾客流，是因为这些旅游节点在自驾客流网络中占据旅游核心、次核心、通道、起汔点等重要位置，能有效集聚与扩散自驾客流。

3.2.2 自驾客流“线”状空间分布

云南省自驾车旅游客流的整体网络密度为0.4042，24个节点组成的网络理论上有552条连接关系，实际仅出现223条，说明自驾客流网络密度较低，整体旅游线路较少。在旅游流研究中，社会网络的凝聚子群分析可揭示网络内部的子结构，找出在旅游联系上具有高度凝聚力的旅游节点集合，并根据各节点群之间的密度，得出旅游客流集散的旅游线路以及旅游线路组合内的核心节点[12]，本文据此分析揭示自驾客流在云南省的“线”状空间分布状况。使用凝聚子群分析前，需要对自驾客流量数据进行处理，选择合适的断点值获得二分矩阵。断点值的选择需要通过多次测试，避免太高易造成客流网络不连接出现过多孤立节点或太低导致节点完全连接、关系不明显。本文经反复测试，最终切分值取为3，利用Ucinet6.237软件得出云南省自驾客流网络凝聚子群分析结果（表2）。

从表2可知，在凝聚子群最小成员数为3的条件下，云南省自驾车旅游客流网络中出现8个子群派系，有些派系之间联系异常紧密，例如派系4与派系5联系紧密是由于前往怒江旅游区的客流一般会选择在大理古城区停留，而有些派系之间不存在任何联系（如派系4与派系6）。以派系密度高于或等于0.500为线路组合标准，同时考虑组合派系内旅游节点的空间邻近性和自驾车旅游客流的游览倾向性，可以发现云南自驾客流主要分布在5条旅游线路上：“昆明—玉溪—楚雄—曲靖”的滇中旅游线，“昆明—大理—丽江—香格里拉”的滇西北旅游线，“昆明—西双版纳”的滇西南旅游线，“昆明—昆明周边—红河—文山”的滇东南旅游线和“大理—腾冲—德宏”的滇西旅游线，而且统计结果显示，分布于前3条“轴线”上的客流量明显多于后两条“轴线”。另外，在5条旅游线路里，派系1和派系4均与所在旅游线路内的其他派系联系紧密（派系密度均高于0.500），结合中心性指标结果分析可知，入滇自驾车旅游客流的“线”状空间分布同时存在昆明市区、大理古城区与丽江古城区等3个核心。

3.2.3 自驾客流“区”状空间分布

在旅游流研究中，核心-边缘分析可以衡量区域内旅游流分布的不平衡性、核心景区的强度以及它们与边缘景区的联系程度，从而优化旅游流的结构[17]。本文使用Ucinet6.237软件对云南省自驾客流网络进行核心—边缘模型分析，探究自驾客流的“区”状分布特征和不同片区旅游节点之间的关系。结果显示，核心区包括昆明市区、昆明周边旅游区、玉溪旅游区、元阳—建水旅游区 文山旅游区、曲靖旅游区、西双版纳中部旅游区、大理古城—巍山旅游区、苍山洱海旅游区、丽江古城旅游区等10个旅游节点，边缘区则包括其余14个节点，从地理位置来看，云南省自驾客流主要集中分布的区域包括滇中片区、滇东南片区、滇西北片区以及滇西南的西双版纳旅游区。在核心-边缘密度分析结果中，自驾客流整体网络密度为0.4042，而核心区的内部密度高达0.456，核心旅游节点之间的自驾客流互动联系频密，但在边缘区内的旅游节点间密度仅为0.044，说明云南省自驾车旅游客流网络存在明显的结构分层；核心区对边缘区的关联带动效应为0.193，远低于核心区内部的0.456，说明核心区带动、影响边缘区旅游节点的作用并不明显，但边缘区受核心区的辐射联系（0.193）仍强于边缘区内旅游节点间的联系（0.044）。

4 结论与讨论

4.1 结论

本文以云南省这一典型自驾游目的地为案例，基于“数字足迹”采集研究数据，探究自驾车旅游客流的时空分布特征，研究发现：（1）基于数字足迹研究的自驾车旅游客流在出游时间上的分布集中度较高，整体受假期时间安排的影响，在黄金周假期和寒暑假容易形成客流的高峰。（2）基于数字足迹的云南省自驾旅游流客源市场空间结构具有明显的近域性与东部集中性特征，本省与周边省市以及东部沿海地区的客源占了90%以上的绝对比重；自驾客流空间使用曲线出现多次“高峰”，距离衰减规律不明显，其引力场较大，主要集中在2360km范围内，整体客源市场空间分布与国内经济发达省市的地理位置分布基本保持一致。（3）基于数字足迹的入滇自驾客流空间结构具有“点”“线”“区”3种分布形态：一是自驾客流在云南24个旅游节点间非均衡集中分布，其中昆明市区、大理古城—巍山旅游区、丽江古城区等11个核心节点具有明显优势，充当着旅游核心目的地、集散点、旅游通道等重要角色，能够聚集70%以上的自驾客流；二是自驾客流围绕昆明市区、大理古城区与丽江古城区等3个核心集中分布在滇中线、滇西北线、滇西南线、滇东南线和滇西线等5条线路上，而且客流在前3条线路上的分布集中度高于后两条线路；三是自驾客流集中分布在滇中（昆明、玉溪等）、滇西北（大理、丽江等）、滇东南（元阳—建水、文山等）以及滇西南（西双版纳）等4个区域；因此云南省自驾客流整体呈现多核心、多线状、多区域的“线网状”空间分布形态。（4）基于数字足迹的云南省自驾客流整体空间网络密度较低，网络结构分层明显，核心区内的旅游节点客流联结密度很高，但整体带动、影响边缘区的旅游节点的作用不大，省内24个自驾车旅游区发展十分不平衡。

4.2 讨论：与一般旅游客流的异同及研究贡献

交通工具的选择容易影响游客的时间与空间活动，因此自驾游客时空特征与一般旅游客流存在一定的差异，本文对比分析入滇自驾车旅游客流与一般入滇旅游客流在时空特征上的异同，可以深入揭示自驾客流的时空特性。对比研究发现：（1）时间特征方面，一般旅游客流出游时间集中在1月、7月、8月、10月，在黄金周与寒暑假期间容易形成客流高峰[13]，这与基于数字足迹研究得出的自驾客流时间规律保持一致；但是作为一般旅游流出游淡季的2月和9月，却是自驾客流的出游旺季，由此可见入滇自驾客流的旅游旺季持续时间更长。（2）在客源市场空间分布方面，与一般旅游客流的研究结 果[14]相似，自驾客流大部分来自云南以及相邻的四川、重庆、广西、贵州等省，其中广西、贵州等经济发展水平较低省份的客源比例不高，湖南、湖北、江西等中部省份的客源比重较低。对于一般旅游流而言，北京、上海、浙江、江苏等东部沿海经济发达省市客源比例偏低[14]，但是这些省市却成为云南自驾旅市场的重要客源地并占据近40%的市场总量。（3）客流在云南省内的“点”状空间分布特征方面，现有研究发现一般旅游流集中分布在昆明市、大理州、丽江市、西双版纳州、红河州、玉溪市与楚雄州，这6个旅游点能聚集60%以上的客流[14-16]；而本文研究发现，自驾客流集中分布在大理古城区、苍山洱海区、丽江古城区、昆明市区、香格里拉中南部、泸沽湖、昆明周边区、西双版纳中部、大玉龙旅游区、曲靖及玉溪等11个核心旅游节点，并聚集70%以上的自驾客流；由此可见，两种旅游客流均呈非均衡集中的“点”状分布特征，但是自驾客流集中分布的旅游景点（区）数量更多、范围更广。（4）本文将云南16州市具体划分成24个旅游景区（点），比现有研 究[14-16]更细致的区域划分能够更准确反映自驾游客的游览倾向以及自驾客流的分布特点；针对一般旅游流研究未深入分析客流集中的旅游景点在空间结构上的功能与位置问题，本文利用社会网络分析法揭示了自驾客流集中分布的11个核心节点的网络特征，对现有研究内容进行了补充。（5）客流在云南省内的“线”状与“区”状空间分布特征方面，一般旅游流集中分布在“昆明—玉溪—楚雄—曲靖”的滇中旅游线、“昆明—大理—丽江—香格里拉”的滇西北旅游线与“昆明—西双版纳”的滇西南旅游线，区域上集中分布在滇中与滇西北两大区域，其他诸多区域仍处于一种旅游产业发展的“边缘”位置[14-16]；而本文研究发现，自驾客流除了集中分布在上述3条线路外，同时亦分布在“昆明—昆明周边—红河—文山”的滇东南旅游线和“大理—腾冲—德宏”的滇西旅游线，区域上则集中分布在滇中、滇东南、滇西南与滇西北等4大区域，区域之间存在“核心-边缘”结构；综上所述，一般旅游流呈现以昆明为旅游线路核心的“单核放射状”空间分布形态，而自驾客流则呈现以昆明市区、大理古城区、丽江古城区为核心的“多核线网状”空间分布形态，自驾客流的空间分布范围更广、空间特征更为丰富和复杂。另外，一般旅游客流的研究并未关注客流分布集中的核心旅游区与客流较少的边缘旅游区之间的关 系[14-16]，本文也对此进行了补充。

在旅游流时空特征为研究热点及我国自驾游迅速发展的双重背景下，本文基于“数字足迹”开展的入滇自驾车旅游客流时空特征研究具有重要意义：（1）与传统数据采集方法相比，“数字足迹”具有客观、及时、高效、廉价、代表性强的优势，可被充分利用于旅游流时空规律研究[9]，但目前应用这种方法研究旅游流的学者仍属少数，该方法的运用并不成熟，本文采用网络游记与照片两种“旅游数字足迹”的案例研究可为未来应用“数字足迹”法的旅游流时空研究提供参考。（2）有助于进一步明确云南省自驾车旅游市场的拓展。例如东部沿海地区占据客流市场总量的50%以上，但中部地区市场份额偏低，因此在保持东部优势的同时，应大力开拓湖南、湖北、安徽、江西等中部客源市场。（3）目前旅游客流的空间特征研究并未重视各区域在整体旅游流空间结构中的位置与关系，使其空间优化的结论缺乏更严谨的理论基础[12]。本文引入社会网络分析方法，分析入滇自驾客流分布的旅游节点在整体空间网络结构及内部节点的位置、功能与关系，对现有研究进行了补充。（4）本文在时空二元视角下探讨自驾客流的分布特征，可以丰富自驾旅游流研究的视角与内容。此外，本文通过对比分析自驾客流与一般旅游流两种不同类型旅游客流在时空特征上的异同，深入揭示了自驾车旅游客流时空分布规律的独特性，有利于自驾车旅游目的地制定更适应市场需求的营销与管理方案。例如，云南省自驾客流网络结构分析说明核心旅游区带动、影响边缘区内旅游节点的能力有限，因此，要积极提升核心区竞争力并逐步向边缘区扩散联动，而未来学界需要进一步加强自驾客流等特殊交通旅游流的研究，尤其是在数据收集、研究方法等方面需要更多的探索和尝试，为自驾车旅游的目的地的发展提供理论 指导。

参考文献（References）

[1] Ma Yaofeng， Li Tianshun. Research on Inbound Tourist Flow in China [M]. Beijing： Science Press， 1999： 12-24. [马耀峰，李天顺. 中国入境旅游研究 [M]. 北京： 科学出版社， 1999： 12-24.]

[2] Lu Song. Research progress and revelation of tourism transport[J]. Tropical Geography， 2009， 29（4）： 394-399. [卢松. 旅游交通研究进展及启示[J]. 热带地理. 2009， 29（4）： 394-399.]

[3] Ma Congling. The situation and trends of the development of self-driving travel in China[J]. China Economic & Trade Herald， 2014，10（29）： 46-47. [马聪玲. 我国自驾游发展的现状与趋势[J]. 中国经贸导刊， 2014，10（29）： 46-47.]

[4] Li Ang. Temporal characteristics of self-driving tourist flows： A case study of Chengde Mountain Resort and its outlying temples[A] // The Proceedings of Annual National Planning Conference 2013[C]. Beijing： China Architecture & Building Press， 2013： 108-116. [李昂. 自驾车旅游客流时间分布特征研究——以承德避暑山庄与周围寺庙为例[A] // 2013中国城市规划年会论文集（04-风景旅游规划）[C]. 北京： 中国建筑工业出版社， 2013： 108-116.]

[5] Shih H Y. Network characteristics of drive tourism destinations： An application of network analysis in tourism[J]. Tourism Management， 2006， 27（5）： 1029-1039.

[6] Lu Song， Ji Hui， Cai Yunfeng. A study on the spatial travel behavior of self-driving tourists into Huangshan City[J]. Geographical Research， 2013， 32（1）： 179-190. [卢松， 吉惠， 蔡云峰. 黄山市自驾车入游流旅行空间行为研究[J]. 地理研究， 2013， 32（1）： 179-190.]

[7] Girardin F， Blat J， Calabrese F， et al. Digital foot-printing： Uncovering tourists with user- generated content[J]. IEEE Pervasive Computing， 2008， 7（4）： 36-43.

[8] Vaccari A， Liu L， Biderman A， et al. A holistic frame-work for the study of urban traces and the profiling of urban processes and dynamics[A] // Proceedings of 12th International IEEE Conference on Intelligent Transportation Systems[C]. New York： Institute of Electrical and Electronics Engineers， Inc.， 2009： 1-6.

[9] Zhang Yanyan， Li Junyi， Yang Min. The tourism flow network structure of Xian based on tourism digital footprint[J]. Human Geography， 2014， 29 （4）： 111-118. [张妍妍， 李君轶，杨敏. 基于旅游数字足迹的西安旅游流网络结构研究[J]. 人文地理， 2014， 29 （4）： 111-118.]

[10] Xuan Guofu， Lu Lin， Wang Degeng， et al. Spatial characteristics of tourist flows in coast resorts[J]. Geographical Research， 2004， 23（1）： 115-124. [宣国富， 陆林， 汪德根， 等. 三亚市旅游客流空间特性研究[J]. 地理研究， 2004， 23（1）： 115-124.]

[11] Liu Fajian， Zhang Jinhe， Chen Dongdong. On the application of social network analysis in tourism research[J]. Tourism Forum， 2009， 2（2）： 172-177. [刘法建， 章锦河， 陈冬冬. 社会网络分析在旅游研究中的应用[J]. 旅游论坛， 2009， 2（2）： 172-177.]

[12] Yu Le， Li Qinglei， Li Wei， et al. Study on the temporal variation characteristics of domestic tourist flows and its influencing factors in Yunnan[J]. Tourism Overview， 2014， （2）： 67-68. [余乐， 李庆雷， 李伟， 等. 云南国内旅游流时间演变特征及其影响因素分析[J]. 旅游纵览， 2014， （2）： 67-68.]

[13] Li Weiqian. The Dynamic Change Rule of Domestic Tourist Flows to Yunnan： A Case Study of Dali[D]. Kunming： Yunnan Normal University， 2014. [李玮谦. 来滇国内旅游流的动态变化研究——以大理为例[D]. 昆明： 云南师范大学， 2014.]

[14] Zhang Haiyan， Li Wei. The temporal and spatial distribution characteristics of domestic tourist flows into Yunnan[J]. China Collective Economy， 2011， （04）：166-167. [张海燕， 李伟. 国内来滇旅游流时空分布特征研究[J]. 中国集体经济， 2011， （04）：166-167.]

[15] Peng Hongsong， Lu Lin， Lu Xingfu， et al. The network structure of cross-border tourism flow based on the social network method： A case of Lugu Lake region[J]. Scientia Geographica Sinica， 2014， 34（9）： 1041-1050. [彭红松， 陆林， 路幸福， 等. 基于社会网络方法的跨界旅游客流网络结构研究——以泸沽湖为例[J]. 地理科学， 2014， 34（9）： 1041-1050.]

[26] Dong Peihai， Li Wei. The study of spatial structure and sptimization about domestic tourist flows to Yunnan 2010[J]. Tourism Forum， 2012， 5（4）： 95-102. [董培海， 李伟. 2010年来滇国内旅游流空间结构及其优化研究[J]. 旅游论坛， 2012， 5（4）： 95-102. ]