上海热门旅游景点空间分布特征研究

叶伟婷 陈能 张萌萌 黄晓玲

本文通过网络爬虫技术获取上海市综合排名前200的热门景点作为研究对象，利用GIS技术分析其分布情况，通过最近邻分析法、地理集中指数、Ripleys K函数进行定量分析，分析总结上海市热门旅游景点的空间结构特征。最终得出：①上海市热门旅游景点在空间上呈现出明显的聚集分布，最近邻分析得到的ANN为-0.48，Z值为-14.06;②计算得出其地理集中指数等于16.98，景点分布集中，且黄浦区、浦东新区所占比重较大;③通过Ripleys K函数来描述热门旅游景点在不同空间尺度上的分布特征，结果表明在0～27km的空间尺度上，景点都呈聚集分布。

引言

分析研究旅游景点的空间分布特征，了解其空间分布情况，有利于为相关部门的旅游规划提出建设性意见，实现旅游资源的合理利用与开发，进一步带动区域旅游业发展。现有研究从3个方面研究旅游景点空间分布格局。①空间规划布局研究。周锐等以GIS可视化平台为基础，从土地适宜性方面出发，量化了影响旅游景点选址的因素，提出了新的景点选址分析模型。②空间可达性研究。潘竟虎等针对中国4A级及以上旅游景点的空间可达性和县域单元的整体可达性进行了探究，以GIS技术为辅助，栅格成本加权距离算法为手段结合利用空间关联方法对比了县域可达性的差异性。③空间聚集性和空间可达性综合旅游地形成机制研究。邓华侨在探讨自然地理环境因素等对成都市旅游景點空间布局和可达性所产生的影响基础上总结了其空间特征。目前，研究多表现在宏观尺度，中微观尺度的研究不足，数量很不可观，对于不同类型景点之间的差异对比研究也为数不多。本文从空间分析角度着手，通过GIS空间分析与空间模式识别分析方法对上海市热门旅游景点空间分布状态进行了研究，探究旅游景点空间尺度层面分布格局的内在规律，同时为上海市建设国际旅游城市，制定更加科学的旅游发展规划提供一定的科学理论参考。

一、数据处理与分析

（一）数据来源

本文研究对象为热门旅游景点，旨在比较具有特异性的旅游景点的空间分布差异，所以在数据来源的确定方面通过综合比较几种常用旅游类门户网站排名，最终确定数据来源。综合对比分析了目前国内常用的几种旅游类服务网站的用户访问量、用户覆盖率等信息发现，去哪儿网的市场影响力更大，用户覆盖范围广、发展更全面，最终选取去哪儿网作为上海市热门旅游景点数据的数据来源。通过Python网络爬虫从去哪儿网上获取人气和点评量综合排名前200的热门旅游景点，并根据旅游景点分类标准和区域特色，将景点分为6种类型：园林观赏类、历史文化类、艺术欣赏类、科技文化类、休闲购物类、海派文化类。

（二）旅游景点分布特征分析

上海市区位优越、人口密集，每年旅游人口数众多。由于区域经济发展差异以及地铁公共交通布局等关系，旅游景点的分布整体呈现中心聚集，但不同类型的景点分布情况各有差异。

1.基于最近邻分析的空间集聚性分析

最近邻分析是将区域中点的分布相比较于同一区域中点的理论意义的随机分布进行的。这个方法源于植物生态学定义的一个间距指数，用于比较观测到的一个区域的植物聚落图式与随机分布之间的异同，Clark和Evans于1954年提出最近邻分析这一理论概念，King在1969年将这种方法引入城镇聚落的空间分布分析中。后来NNA作为一种新空间分析方法被引用其他学科，例如人文地理、城市地理学。理论上，假设所有的点完全随机分布，那么其密度倒数值的一半等同于其平均距离。最近邻指数（R尺度）由结果值与分布图观测值的比值得到。

最近邻分析的过程主要为：首先，测算出区域内所有要素的质心和其最近距离要素的质心位置之间的距离;其次，计算总体的平均值。假如距离值小于随机状况下的平均距离，则为聚类要素;反之如果这个距离值大于随机模式中的平均值，就看作分散要素。

平均最近邻比率计算公式为：

ANN=Do/De（1）

式中，Do为实测要素与其最近邻要素质心距离的平均值：

Do=∑di/n（2）

De为随机分布模式下的距离期望值：

De=0.5/sqrt（n1/A）（3）

上面公式中，di表示要素i与其最邻近要素之间的距离，n为研究区域内所有点要素总量，n1表示各类景点的数量，A为所在研究区域的面积。均匀分布情况下ANN大于1;随机分布状况下ANN接近于1;聚集分布模式下则ANN小于1。为了更好地反映出实际观测的平均距离与期望值的差异程度，一般用正态分布进行检验，通过公式（4）（5）可以得到Z值及其置信水平：

Z值计算公式为：

Z=（Do-De）/SE（4）

SE计算公式为：

SE=0.26136/sqrt（n12/A）（5）

式中Z值为负且越小，则越能反映出点分布呈聚集状态，反之则为离散分布。利用Arcgis10.2软件导入热门旅游景点shp类型的数据，并利用ArcToolBox工具箱中的分析模式进行相关分析，最终得到各类热门旅游景点的ANN，并根据相关公式检验其显著性，结果见表1。

由表1可知，上海市所有景点的ANN均不超过1，Z值为-14.06，呈现出显著聚集状态。其中Z值小于-2.58的仅有园林观赏类，说明该类景点在空间上呈现出显著聚集状态;艺术欣赏类、历史文化类以及科技文化类3类景点ANN接近（分别为0.88、0.87、0.85），Z值均小于-1，聚集分布的显著程度不高，为聚集-随机分布;休闲购物类ANN为1.00（p=0.97）、海派文化类景点ANN为0.94（p=0.49），且Z值分别为-0.38、-0.69，更加趋近于0，说明景点呈随机分布状态。

2.地理集中指数

地理集中指数能够衡量研究对象的集中程度。如果地理集中指数G值越大，说明旅游景点分布越不平衡;反之，地理集中指数越小说明景点分布均衡化程度高。

G=100·sqrt∑（Xi/T）2（6）

其中，Xi为第i个子区的景区数量，T为研究区域景点总数量，Xi为子区域内景点总数。G取值范围为小于100但大于1，分布越集中则G值越趋近于100;反之分布越分散，G值越趋近于1。

3.基于Ripley's K函数（多距离空间聚类分析）的空间尺度分析

为了展现出点空间分布依赖尺度的程度，Ripley通过K（d）函数来衡量相关结果，并广泛地应用到地理学、景观生态学中。K函数统计结果在很大程度上会由于研究区域面积大小的不同而产生差异。点所在研究区域面积大小不同，所呈现的点排列模式也有所差异，可划分为聚类或离散。采用由Ripley所提出的点格局分析法，克服了只能从单一尺度进行空间分布格局分析的传统方法所表现出的缺憾之处，不同空间尺度下地理实体的空間分布特征有所差异，由此所产生的分析结果更具有说明性和全面性。K（d）值则可以反映出景点在空间尺度上的分布格局，计算公式如下。

K（d）=A·∑（δij（d）/n2） （1

其中，A代表所研究区域面积;n表示研究区域内景点个数;d表示空间尺度，dij表示点i到点j之间的距离;当dij≦d时，δij（d）=1，反之则δij（d）=0;Besag提出用L（d）代替K（d），L（d）与

d的关系图可以对多尺度空间格局进行分析与检验。简化如下：

L（d）=sqrt（K（d）/π）-d（8）

点数据的分布类型通常由L（d）函数的偏离值大小来判断。当L（d）<0时，为均匀分布;当L（d）=0时，属于随机分布;当L（d）>0时，L（d）值的大小与空间聚集性呈正相关。随机分布下所得观测K值落在置信区间范围内;特定距离下如果K期望值位于K观测值下方，则该分布的聚类程度比随机分布更高;若K观测值位于K预期值下方，则为离散分布;如果K观测值位于置信区间上方，则说明该距离下为显著空间聚类;反之为显著空间离散。

二、结果分析

本文通过最近邻分析计算达到上海热门旅游景点的最近邻指数为0.48，Z值为-14.06（p<0.05），证明上海旅游景点的空间聚集分布特征十分明显。地理集中指数为16.98，表明景点分布集中，其中黄浦区、浦东新区的景点数量比重稍大。不同类型的旅游景点表现上有所差异，海派文化类、休闲购物类景点呈随机分布状态。经过分析可以发现，上海热门旅游景点的空间分布格局以2.7km为起点，在0～27km的空间尺度范围内，在递增尺度为2.7km的空间上，景点的空间分布都呈现出聚集分布状态。由3种空间点格局分析方法分析检验得出上海市热门旅游景点整体空间分布为聚集状态的结论。

三、结语

本文利用GIS空间分析和计量地理学方法对上海市旅游热门景点的空间结构进行了初步探索与研究，计算了共6类200个热门旅游景点的空间分布特征，所得结论如下：①以定量分析上海市热门旅游景点为基础可知，其具有显著的空间聚集分布特征;②基于地理集中指数的分析可以看出热门景点分布集中，且黄浦、浦东新区为主要的热门旅游区域;③通过分析上海市热门旅游景点可以发现景点分布格局依赖于特定的空间尺度，随着尺度的变化，景点的空间聚集性也相应发生变化。

针对上海市热门旅游景点分布不均衡，景点集中分布于个别区域中的情况，据核心—边缘理论可在集聚区域发展多个旅游核心区域，利用核心区域高度集聚的有利条件来促进边缘地带发展，扩大区域旅游发展的广度，逐步实现旅游发展均衡化。

（作者单位：上海师范大学环境与地理科学学院）