基于UGC数据的国内都市旅游流时空特征分析*——以上海为例

朱 尧,邹永广,陈 璐

(华侨大学 旅游学院,福建 泉州362021)

0 引言

近年来,中国互联网用户规模不断扩大。中国互联网络信息中心(CNNIC)的报告显示,截至2017年12月我国网民规模达7.72亿人,普及率达到55.8%①。互联网的普及带动了在线旅游平台的发展,2017年在线旅行预订用户规模达3.76亿,增长率达25.6%②。众多旅游者选择在互联网交互平台上进行游前的计划制定、攻略浏览和产品预订,并且通过旅游社区来分享他们的旅游经历。在此背景下,“由用户产生的内容(user-generated content,UGC)”这一概念被提出,一般指旅游者在UGC平台上通过发布旅游文字和照片、撰写旅游攻略、分享旅游视频等方式留下的游览足迹[1-2]。相比于传统的问卷调查和统计年鉴等数据而言,UGC数据具有内容覆盖广、易获得、数据来源广泛等优点,能保证数据精度与效度。其次,UGC数据从游客自身视角出发,反映了游客流动的轨迹,有助于拓展旅游流研究视角。因此,本研究通过抓取旅游社交网站游客的旅游信息,利用游客文本信息和游记中照片信息,对游客行程、游玩时间进行三角验证,以此丰富旅游数字足迹研究内容。本研究将以典型的都市旅游目的地上海市作为研究对象,旨在探索上海市旅游流的时空分布特征、网络特征和旅游流流动结构特征。以此丰富旅游流的理论研究,为解决旅游目的地全域旅游的发展、旅游流扩散和区域旅游流平衡等问题提供依据。

1 文献综述

旅游流作为空间地理学中最基本的研究问题,主要研究游客在旅游活动过程中的时空分布规律、特征,备受学者关注。探索旅游流的空间特征及流动模式对旅游资源开发具有重要的现实指导意义。学者们主要从国家、省际和市县等不同尺度对旅游流空间结构特征进行探索。就国家尺度而言,如Christaller对欧洲地区旅游流空间结构特征进行研究,发现具有明显的核心边缘结构倾向[3]。国内学者对旅游流空间结构的研究也不断深入,研究发现我国入境旅游目的地的空间形态呈现不平衡、“东渐西递”、由沿海一带向中西部地区扩散的演化特征[4-5]。就省际尺度来说,马耀峰运用数量经济模型探究我国中部六省入境游客的空间分布演变特征,发现中部六省入境旅游流集聚来源地与扩散目的地具有显著的互动效应[6]。部分学者通过问卷调查和旅行社推介线路等研究方法对城市游客空间分布格局、流动机制与流动模式进行探究,发现市际旅游流内部空间分布不均衡,存在明显的分层结构[7-8]。现有研究中,利用数据统计的定量分析方法研究旅游流已经相对成熟,为后续开展相关研究奠定了基础。但如何从旅游者自身视角出发,并更细致描述旅游流网络规律值得进一步探究。

随着科学技术的进步和各学科之间的交叉融合,学者们开始关注社会网络关系理论与UGC数据相结合的研究方法对旅游流的空间结构进行探析,主要从省际尺度开展研究。我国学者研究发现省域内旅游流的空间分布呈现集聚特征[9],其中省域内的自驾客流整体呈现“多核线网状”空间分布形态,网络节点间联系相对均衡[10]。随着研究的不断深入,部分学者将研究视角转向市域等微观尺度来探究游客景区间流动规律,利用新浪微博LBS签到数据、核密度估计、社会网络等研究方法,发现城市旅游流空间分布呈现出“轴线-散点”态势、“一核多中心”的特征,并且对外交通节点与酒店之间的游客流动集中于著名旅游景区[11-13]。

综上所述,近几年来学界逐渐重视旅游流问题,研究尺度从宏观尺度向微观区域不断细化,而都市作为游客重要的目的地,其内部游客流动规律值得进一步探索。就研究方法而言,目前学者们对UGC数据的应用更多停留在游记文字记载的行程上面,未对游记所记载的行程的准确性进行验证,如果能进一步确保数据信度和效度,将能更精确描绘游客的流动规律。基于此,本研究通过八爪鱼数据挖掘软件获取国内旅游者赴上海旅游流的信息,包括停留时间、旅游线路和旅行时间,并将旅游景区作为旅游节点,同时运用社会网络范式,从微观尺度探究国内游客赴上海市旅游流的空间结构,重新审视上海市整体旅游流网络结构,为推动上海市全域旅游发展提供理论参考。

2 研究设计

2.1 案例地选择

原国家旅游局将2018年作为中国最美-全域旅游年,旨在共同推动旅游市场平衡、充分、可持续发展③。本研究将上海市作为都市旅游流的研究案例地,原因有以下几点：第一,上海作为中国东部经济最发达的城市之一,是典型的都市旅游目的地,旅游资源丰富,截至2017年12月,上海市共有A级旅游景区(点)99个。第二,近年来,上海旅游发展迅速,2017年共接待国内旅游者31845.27万人次,增长7.5%;国内旅游收入4025.13亿元,增长16.9%④。第三,上海市作为中国重要的都市型旅游目的地,在全域旅游具体实施过程中将对国内其他都市型旅游目的地起到重要示范作用。本研究通过大数据挖掘技术抓取上海市2017年旅游UGC数据,分析2017年上海市旅游流空间结构特征和流动模式,旨在为上海市全域旅游发展决策提供依据。

2.2 数据来源与处理

2.2.1 数据获取

通过分析2017年赴上海市国内游客空间分布特征、旅游流流动特征,结合访上海市国内游客到访景区空间分布图(如图1所示)和上海市旅游流网络结构图(如图2所示),发现上海市旅游流流动符合旅游空间结构演变规律,旅游流流动模式逐渐由放射模式向成熟板块模式过渡,内部呈现多种旅游流动模式共存,形成了一核多中心的旅游流流动模式。一核是指以上海外滩、老城隍庙、人民广场为代表的中心城区景点系统,其系统内部呈现以外滩、老城隍庙核心景点为连接,次要景点通过主要景点联结,景点内互动频繁,形成较成熟的旅游板块,系统内呈现出多中心平衡结构,不同类型旅游景点共同构成综合性旅游区。多中心是指以迪士尼、崇明岛为代表的旅游景点为较典型凝聚性旅游景点,以旅游景点为核心,游客集中在景区内游动,但较少与其他旅游景点联系,如迪士尼已经成为国内游客赴上海市旅游的核心景点之一,但目前还未产生较大溢出效应。以朱家角为代表的旅游景点形成较明显的单中心平衡结构,距离中心城区较远,但景区内部自身形成较完整的游览系统,并且能与其他次要景点形成较好的互动。本研究认为在全域旅游的趋势下,上海中心城区旅游资源丰富,形成了较完善的旅游板块模式,其他景区在加快自身建设同时,应与中心景区形成依附,加大景点之间的联动性。

本研究根据旅游市场份额、网站知名度和交互性,选取携程旅游网作为数据采集网站。首先,携程网为中国最大在线旅游服务网站,2017年在线旅游市场份额占比63.9%,拥有庞大的受众群体⑤。其次,携程网已专门开设旅游游记、旅游问答板块,方便游客在线上实现互动和交流。故本研究采用八爪鱼采集器采集2017年国内游客赴上海市旅游UGC数据。于2018年2月1日至2月5日对携程旅游网上有关上海的旅游游记进行抓取,筛选步骤分为三步：

第一步,通过携程网站中游记热度指数排序,以游记中记录的出行时间为准,筛选2017年1月1日至2017年12月31日排名前30%的游记,共收集1589条记录,具体内容包括用户名称、行程信息、停留时间、网站链接。

为了解决粮食水分及质量检测方面的问题，应当从引进先进的检测设备、技术和人员方面入手，提升粮食检测方面的科学性、准确性及有效性，为后续的粮食管理工作提供参考性数据[11]。有条件的企业应当结合自身的粮食仓储类型进行新型检测设备的研发，结合现有的检测设备及技术，对其中存在的问题进行处理和改良，对粮食当中的水分及其他成分进行测量，结合测量结果给出科学的粮食存储方案，避免粮食由于存储方面的问题而变质，造成成本流失[12]。

第二步,通过Excel软件将记录中缺失信息的游记删除,缺少信息包括行程信息、旅游时间、行程地点或停留天数,剩余1251条游记,并由一名旅游管理专业研究生浏览数据,将作者姓名及旅游行程完全重复的游记删除,最终得到有效游记共831条。

最后,在构建旅游流网络过程中,将旅游行程只有一个旅游景点的游记记录删除。对游记行程和游览时间描述不精确的游记,通过浏览游记照片共同确定时间、行程信息,即通过观察游记照片的景点顺序和点击照片下方“查看EXIF信息”确定游记行程顺序和事件,以此进行三角验证,确保行程精度与效度。最终得到准确记录游记行程、浏览时间旅游网络游记550条。

(3)亲近中心度分析。亲近中心度表示的是各个旅游景点之间的依赖程度和旅游景点之间的可达性。如表1所示,除迪士尼之外,各个旅游景点的外向亲近中心度和内向亲近中心度数值均较接近,说明游客在上海旅游过程中,以某个或者某些旅游景区为核心游览,再从该类核心景点分散和聚集。而迪士尼作为主题乐园,具有其特殊性,加上地理位置、开业时间较短等原因,尚未与上海市的其他景点实现联动,因此处于孤点状态。

通过对550条旅游网络数据的整理,共整理出110余处景点(区)。为简化分析,选取访问流量大于等于15的景区作为网络节点,共包括东方明珠等36个旅游景区。网络中记录了以上36个旅游景区的流向,结合游记图片、网站互动评论对旅游流走向进行三角验证,并确定游客出行时间,构建36乘36的加权矩阵。在此基础上,将赴上海市旅游的线路关系数据转化为有向的旅游流量数据,即假设AB记为A向B流动一次,B-A记为B向A流动一次,在Excel表中进行网络构建,将各节点之间流动的频次和方向记录在表格中,最终形成36乘36非对称赋值网络矩阵,以此反映上海游客的流动特征。

3 上海市旅游流网络的时空分布特征

3.1 上海市旅游流的时间集聚特征

通过整理2017年上海市访客831条旅游行程数据,发现赴上海市全年旅游客流量较平均,其中在12月和2月相对集中,分别占比11.7%和11%;较低的月份为9月和10月,分别占比5.5%和5.3%;春季访客量较多,共占比32.4%。可能是受假期安排影响,年前商务出行的游客较多。此外,据本研究统计,游客逗留的时间在1天至15天,其中以短暂性停留为主。停留时间在3天以下的占比55.7%,4～6天占比24.1%,逗留超过10天的仅占比5.5%,访问两个旅游景点的游客平均停留天数为3.04天。由此得出,访问游客停留时间较短,一方面可能与上海的商务游客较多有关;另一方面,上海市作为东部沿海发达城市,内外部交通便利,旅游流入流出频率较快。

统计两组患者治疗前后血流变学指标（血小板计数PLT、血小板平均容积MPV、血小板分布宽度PDW、红细胞沉降率）和血小板参数（血浆黏度、全血黏度、血小板黏附率）变化情况[3-4]。

3.2 赴上海市游客分布的空间特征

本研究通过整理上海市访客831条有效游记的数据信息,选取访问频次大于等于15的旅游景区作为研究对象,将前36个景点名称和游客访问景点频次整理至Excel表格中,得到2017年赴上海市游客的旅游空间散点分布图(如图1所示)。

图12017年国内游客到访上海市景区空间散点分布图(前36个)

由图1可以看出,2017年国内游客访上海市旅游景区的空间分布呈现出大分散、一核多中心的特征。以外滩、东方明珠与人民广场为代表的,以黄埔区为代表的中心城区为游客高聚集区,访问频次由中心城区向外逐渐降低。究其原因,黄埔区作为上海的老城区,外滩、城隍庙作为上海的地标性建筑,是游客赴上海旅游的首选景点,吸引了大量的都市旅游游客。而周边的静安区、普陀区相比于其他中心城区,旅游资源丰度不足,但受到中心城区溢出效应影响,成为游客的次级旅游目的地。此外,浦东新区由于迪士尼乐园建成,迪士尼也成为国内游客旅游计划中的重要景点,浦东新区作用不断上升。观察到金山区和奉贤区两地景点的游客到访频次较低,原因在于这两地的旅游资源相对缺乏,且距离市区较远。

3.3 上海市旅游流空间分布特征

为进一步探究上海市游客旅游流的线状空间分布特征,本研究利用网络密度分析和凝聚子群分析对上海市旅游流线路进行探究(结果如表1)。网络密度描述的是图中各个点之间的总体关联程度,试图对线的分布进行汇总,以此测量图在多大程度上具有这种完备性。在进行网络密度测量之前,需要将多值网络作二分值处理。为保证网络信息量的有效性,将所有数值排序,比较平均数、中位数和众数的取值,最终确定截断值为2,该值较能反映矩阵大部分信息,符合本研究需要。

该工程最早设想扩建第3厂房，安装12台600 MW机组，年发电量增加46亿kW·h(占原年发电量146亿kW·h的31.5%)，其中6台为第3厂房的第1期工程。

(2)访客景点空间分布呈现较明显的大分散特征。老城区旅游资源丰富,马太效应明显,对邻近景点的辐射效应明显,如上海外滩、东方明珠、豫园等中心景点的访问频次高,并且旅游流互动频繁,是典型的“明星”节点。此外,新区受访游客较多,形成新的空间聚集区域,如迪士尼访问频次较高,但中心度较低,是典型的“问题性”景点,需加大与其他旅游节点的联系。

中心度概念最早出现在社会计量学的“明星”概念中,目的是寻找网络结构中最受关注的中心人物;现在中心度指标用来测量网络结构中节点的作用和相互关系,能够较好帮助我们了解旅游流的空间分布状态和旅游目的地中景点间的相互关系[14-15]。因此,本研究采用程度中心度、亲近中心度和中介中心度来测量上海市游客的空间分布特征及上海市各景点在旅游流中的中心位置。其中在有向网络中,程度中心度分为外向程度中心度和内向程度中心度,表示该节点的“辐射度”和“吸引度”;中介中心度表示节点在旅游过程中作为“桥”的作用;亲近中心度表示节点间的亲密程度和可达性。本研究利用Ucinet6软件对旅游线路关系数据进行网络中心度分析,结果如表1所示。

3.信息化意识不强。良好的图书管理信息化氛围能够为图书管理信息化发展创造良好条件。近年来，各级党政机关高度重视政务信息化工作，做了大量工作，但对机关内部图书管理的信息化工作还没提上工作日程，宣传推广力度不够，图书管理信息化认识不够深刻。图书管理人员的信息化意识普遍不强，影响其信息化技术应用，很多图书管理人员的图书管理信息化认识也只停留在简单地使用图书管理系统，图书管理工作的本质并没有发生根本变化，这在一定程度上阻碍了机关图书管理信息化发展。

(1)程度中心度分析。在旅游流研究中,外向程度中心度越大表示旅游者从该节点流出量越大,内向程度中心度越大表示旅游流流入量越大。由表1可见,从外向程度中心度观察,外滩的外向程度中心度数值最大,为129次,即旅游者从外滩流向其他景点共129次,说明外滩作为上海的代表性旅游景点,是游客的首选景点。其次是东方明珠和豫园,分别为76次和50次。从内向程度中心度看,外滩内向程度中心度数值为86,即其他景点流向外滩流动次数共86次;其次是东方明珠和人民广场,均为69次。从整体来看,外滩是整个上海旅游流的核心,它对其他景区的辐射和吸引能力较强。外向程度中心度、内向程度中心度均值分别为19.72、17.72,方差分别为578.76、405.60,说明上海市各景点互动流量差别较大,景点互动呈现较明显的非均衡分布特征。2017年迪士尼的外向、内向程度中心度数值均为0,表明与其他旅游景点毫无联系,是明显的孤立性景点。分析其原因,首先,上海迪士尼具备完整的产业链条,能够满足旅游者在食住行游购娱等方面的需求。其次,上海迪士尼相对于周边其他景点来说,所需费用较高,对于大多数国内旅游者来说,单次旅行计划只将上海迪士尼作为唯一的目标景点前往旅游,因此内外联动性不强。

(2)中介中心度分析。中介中心度表示一个旅游景点在旅游过程中对旅游者流动的控制作用。如表1所示,中介中心度最高的是外滩和人民广场,说明这两个景点在旅游者流动过程中担任着重要的“桥”作用,是游客整个旅游过程的必经节点,其他旅游景点应加强与它们的联系,有助于吸引更多游客。而新场古镇、迪士尼等旅游景点的中介中心度小于1,说明这些景点未起到中介作用,旅游者很少通过该两个景点与其他旅游景点产生联系。整体来看,中介中心度方差为1553.77,表明各个景点之间地位差别较大,发展不均衡。中介中心度均值为26.06,仅有外滩、新天地等10个旅游景点中介中心度大于26.06,说明其他大部分景点未起到较强中介作用,并对这10个旅游景点有较大路径依赖。

表1 上海市旅游流节点中心度指标计算结果

2.2.2 网络矩阵构建

3.3.3 上海市旅游流“区状”空间分布对比

空间一直是地理学中重要的研究话题,其可以抽象为点、线、面三种不同的空间形式。应用在旅游流的空间研究中,可以将其抽象为旅游景点、旅游线路、旅游区,从而对其空间结构进行探析。本研究通过Netdraw软件对网络关系矩阵进行可视化分析,如图2所示。节点之间的连线表示各个景区之间的联系程度,连线越粗说明旅游景点之间流动次数越频繁。从中可以看出,外滩、人民广场是国内游客赴上海旅游的核心景点,这两个景点与上海其他景点之间流动频繁。外滩与豫园、人民广场、东方明珠、南京路之间的旅游流动较为密切,说明该五处旅游景点已经构成了一个较完整的旅游区。而迪士尼和1933老场坊在考察时段仍处于“孤岛”状态,未与其他旅游景点形成较紧密的联系。

通过凝聚子群分析能揭示旅游流网络中的内部结构,将各凝集子群的网络密度与总体网络密度相比,有利于揭示旅游流现状空间分布特征。本研究通过Ucinet6软件对旅游流网络进行凝聚子群分析,最终得到上海市旅游流的凝聚子群分析结果,整个旅游流线有4个二级凝聚子群和7个三级凝聚子群。进一步分析上海市旅游流网络子群密度矩阵(如表2所示),以东方明珠、外滩代表的块1和以豫园、朱家角代表的块2,其内部网络密度分别为0.26和0.18,大于整体网络密度0.1。说明这两块内部联系相对紧密,是游客在上海游玩时比较常规的游览路线。而其他部分的旅游景点内部网络密度均低于0.1,说明其他凝聚子群内部联系疏散,尚未形成完整的旅游线路。从各个凝聚子群之间的密度来看,块1和块2之间的密度为0.43,远高于网络整体密度0.1,说明在上海市旅游过程中,游客在块1和块2的旅游景点中流动较频繁。由外白渡桥、静安寺构成的块4内部网络密度虽然只有0.08,内部联系较弱,但与块1、块2和块3之间的网络密度分别为0.39、0.16、0.16,说明块4内的景点属于依附性旅游景点。其他块内部网络游客流动密度较低,说明尚未形成比较成熟的旅游线路,并且与其他外部景点联系的网络密度也较低,表明这些景点目前处于孤立点,仅靠自身影响力吸引游客。

在我国最早出现“图书馆”一词的文献应是梁启超主编的《时务报》。据《上海地方志》资料显示，1896 年8月，由黄遵宪、梁启超在上海创办的维新派机关报《时务报》（旬刊）。在《时务报》第六、七册连载的译自日文的《古巴岛述略》一文中，首次出现“图书馆”一词。

表2 上海市旅游流网络子群密度矩阵

3.3.2 上海市旅游流“线”状空间分布对比

用户注册信息成功，登录时通过执行FSDataInputStream.readLine()方法，对user.dat中的用户信息进行身份验证。

为探究旅游流网络的块状分布,利用Ucinet 6软件对网络进行核心-边缘分析,核心-边缘模型能够探讨网络分布的非均衡性以及核心区域与边缘区域的关联程度,结果如表3所示。核心区域共有16个旅游景点,主要包括东方明珠、外滩、淮海路、城隍庙、豫园、人民广场等;边缘区域主要包括迪士尼、徐家汇天主教堂、泰晤士小镇、崇明、上海植物园等20个旅游景点。从地理位置看,旅游流主要集中于虹口、黄埔、徐汇中心城区。从目的地类型看,以观光游览、大众型旅游景点为主,如徐家汇天主教堂虽然在中心城区,但其旅游景观类型并未处于核心景点。整体来看,核心区域网络密度为0.36,是整体网络密度的3.6倍,说明核心节点之间互动频繁。边缘网络密度为0.02,说明整个旅游流网络形成了明显的分层结构。核心区域对边缘区域的联结密度仅为0.04,表明核心区域对边缘区域“涓滴效应”较低,联动效应不明显。

3.4 流动模式分析

文奇的“奇点”理论提出后，并没有立即获得人们的广泛认同，只是得到一部分人的支持，如库兹韦尔。库兹韦尔于1990年出版《智能机器时代》(The Age of Intelligent Machines)一书，认为随着计算机性能的不断提升，未来经过足够多的时间，人类将会创造比他自身更聪明的实体[27]。库兹威尔的推断是基于计算能力的指数级增长及技术的加速循环规则。

“匠心”，或者说“工匠精神”，不是我们曾经认为的能挣大钱、发大财就是“先进”、就是“代表”。那种精雕细琢、精益求精，代表的是一个时代的精神和气质。为什么只有八千多万人口的德国，却能创造出2300个世界名牌？比起德国人、日本人，我们究竟缺少了什么？其实，瓶嘴儿上的“匠心”，不是不能为，而是不想为，因为这与赚钱无关，甚或加大成本影响利润。

表3 上海市旅游景区核心-边缘表

4 研究结论与讨论

4.1 研究结论

本研究以我国典型都市旅游目的地上海市为例,采用大数据挖掘技术获取上海市旅游者UGC数据,运用社会网络研究范式,构建并分析了上海市旅游流空间网络结构。

(1)访客景点时间分布呈现“平勺性”特征,游客停留时间短。游客旅游流量全年幅度变动较小,主要受到假期时间安排的影响,春节期间流量有较大增长,暑期过后有较少减幅。

3.3.1 上海市旅游流“点”状空间分布

淮河流域的行蓄洪区主要分布在安徽沿淮地区，原有4个蓄洪区和17个行洪区。2009年《淮河干流行蓄洪区调整规划》实施后，行蓄洪区调整为6个蓄洪区和7个有闸控制的行洪区，面积25.83万hm2，其中蓄洪区 18.93万 hm2，行洪区 6.90万 hm2。调整后的行蓄洪区增加了蓄洪区的面积比重，这有益于湿地生态的恢复和扩展。行蓄洪区内有大面积的湿地分布。

(3)访客流动模式多样化。目前上海旅游景点可以划分为3个景点系统,分别是以外滩为代表的多中心平衡结构、以迪士尼为代表的初级凝聚模式和以朱家角景区为代表的单中心平衡结构。访客旅游流线路呈现双核多点格局,东方明珠、外滩为核心的线路1和以豫园、上海博物馆为代表的线路2内部联系紧密,构成了上海市旅游流的核心组成部分,并且主要流动存在于主要旅游节点之间,次要流动存在于主要节点以次要节点之间,一般流动存在于次要节点与次要节点之间。

4.2 研究讨论

本研究较详尽地分析了2017年国内游客赴上海旅游时空分布的特征与规律。在时间分布规律上,与典型旅游型目的地如洛阳市[12]220、兰州市[13]96存在差异。访上海市游客量受季节性影响较小,全年各季度流量较平均,符合都市型旅游目的地访客时间的分布规律。在空间分布上,形成以上海虹口、徐汇构成的核心旅游聚集区、其他地区散点分布的斑块化、大分散旅游格局,而迪士尼访客人次增长较快,为热门旅游目的地,游客访问空间格局逐渐从一核多中心向双核多点模式转变。在流动模式上,整体流动模式从放射模式向成熟板块模式发展,旅游流动空间结构由点轴模式向多中心结构发展,符合旅游空间结构发展规律[16]。迪士尼自2017年6月26日开业以来,游客访问频次高,已成为游客访上海市核心旅游景点之一,这与学者研究迪士尼对上海旅游流影响的结果一致。但在旅游流流动方面,本研究发现迪士尼景区的访问人次高,但较少对其他景点产生溢出效应,即尚未与其他景点产生联动,这一结论与学者研究迪士尼对上海市旅游流影响的结果存在差异[17]。究其缘由,可能在于数据来源和处理方式不同,从而导致研究结果存在差异。首先,在数据来源方面,本研究在国内最大的在线旅游网络平台抓取数据,市场份额占比高、受众广,目前被较多学者所接受与认可。其次,在数据处理方式上,本研究采用旅游游记中的旅游行程与游记照片作为数据来源,通过两者三角验证来确保数据信度与效度;并以每篇游记为基本单位,对游记中访客的访问景点顺序进行编码,不少学者利用该方式同样取得研究成果[2]42[18]。因此,对于研究结果的差异性希望有更多学者探讨。但整体来看,上海市旅游流空间结构逐渐向“成熟板块”发展。

综上,本研究基于UGC数据对上海市旅游流时空特征进行探究是一次有益的尝试。第一,收集2017年有关上海旅游UGC大数据,确定游客行程、出游时间等信息,与其他UGC数据相比,利用游记图片、网站互动评论对出游时间、旅游行程模糊的游记进行了三角验证,进一步提高数据的准确性。第二,通过时空二元视角,利用空间点、线、面的空间格局探析上海市旅游者流动方式、流动特征,为旅游流研究提供新的视角。第三,通过深入剖析上海市旅游流,旨在更全面把握上海市旅游流的结构特征,以便为上海市全域旅游发展提供决策依据,也为其他都市旅游城市发展提供借鉴意义。此外,文章也存在些许局限,例如,仅采集了携程网单个旅游网站的数据,未结合多个旅游网站数据进行三角验证,因此旅游数据可以进一步补充;其次,文章集中于UGC数据的行程信息来探究旅游流的空间分布是一次很好的尝试,但如何进一步使用UGC数据,研究旅游体验、服务评价、目的地全域旅游的发展等值得进一步探讨。

注释

① 第41次《中国互联网络发展状况统计报告》发布.http：//tech.sina.com.cn/i/2018-01-31/doc-ifyrcsrv9714983.shtml.

② 2017年在线旅游行业用户规模及使用情况.https：//wenku.baidu.com/view/0a008ff751e2524de518964bcf 84b9d528 ea2c1a.html.

③ 国家旅游局宣布2018年为“美丽中国—全域旅游年”.http：//www.cnta.gov.cn/xxfb/jdxwnew2/201801/t20180112_853351.shtml.

④ 2017年上海旅游业统计公报.http：//lyw.sh.gov.cn/lyj_website/HTML/DefaultSite/lyj_xxgk_lytj_2017/2018-03-09/Detail_139660.htm.

为此，COAR提出五项基本要件：（1）提升本地机构在保存并提供多元且有价值的研究产品方面的服务能力，将重心聚焦于服务能力而不仅仅是资源；（2）通过采取互操作的标准和实践，将本地服务与全国、区域和全球网络相连，突出本地与全球之间的关联与协作；（3）重新分配资金以支持类似同行评议等并为网络加值，加强机构知识库在知识增值方面的分量；（4）改进用于评估学术贡献的更广范围的质化和量化指标程序，善用更加平衡的质化和量化评估手段；（5）引入确保共享空间能代表全球研究群体需求的原则和管理，要求各机构知识库树立全局意识，在全球的高度站位思考［7］。

⑤ 2018年中国在线旅游竞争格局分析,携程系占据半壁江 山.https：//www.qianzhan.com/analyst/detail/220/180627-5f0bf9d9.html.