EN中文

Economic geography >

2024 , Vol. 44 >Issue 11: 212 - 221

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.11.022

Spatial Pattern and Influencing Factors of Tourism Flow in Xizang Autonomous Region Based on Tourists' GPS Trajectory Data

  • ZHENG Xin , 1 ,
  • WANG Fuyuan , 1, ※ ,
  • LI Junfei 2 ,
  • YANG Zhaoping 1, 3 ,
  • YU Ling 4, 5
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research / Key Laboratory of Regional Sustainable Development Modeling，Chinese Academy of Sciences，Beijing 100101，China
  • 2. School of Geography and Planning，Sun Yat-sen University，Guangzhou 510006，Guangdong，China
  • 3. State Key Laboratory of Desert and Oasis Ecology，Xinjiang Institute of Ecology and Geography，Chinese Academy of Sciences，Urumqi 830011，Xinjiang，China
  • 4. School of Urban Planning and Design，Peking University Shenzhen Graduate School，Shenzhen 518055，Guangdong，China
  • 5. Key Laboratory of Earth Surface System and Human-Earth Relations of Ministry of Natural Resources of China，Shenzhen 518055，Guangdong，China

Received date: 2024-04-18

  Revised date: 2024-10-30

  Online published: 2024-12-18

Fold

Abstract

Tourism flow,as a spatial flow phenomenon that reflects the geographical location changes of tourists,can reveal the changes in the people flow,logistics,and information flow in tourist destinations,with tourists as the main body. Based on the GPS trajectory data of tourists in Xizang Autonomous Region from 2018 to 2019,this study uses the methods of spatial autocorrelation,hotspot analysis,geographical detectors and kernel density estimation to identify and discuss the spatial pattern and influencing factors of tourism flows in Xizang. The research findings show that: 1) The spatial linear corridor agglomeration characteristics and spatial correlation characteristics of the overall tourism flow in Xizang are significant. Lhasa City,Shannan City,Nyingchi City and Qamdo City have formed multiple primary and secondary agglomeration centers of tourism flow,and the "core-edge" structural characteristics are prominent. 2) The tourism flow in Xizang has formed a regional tourism network interwoven with two major and eight minor tourism circuits,promoting the spatial agglomeration and diffusion of tourism flow and related elements. 3) In the east of Lhasa City,the tourist flow hotspots areas form obvious linear agglomeration distribution characteristics in space. There are small-scale isolated hotspots areas in Xigaze City,Nagqu City and Ngari Prefecture. 4) Altitude,population density,tourist attraction density,and tourist reception facility density are the main factors affecting the spatial distribution of tourism flows in Xizang. The interaction of multiple factors,such as altitude and temperature-humidity index,altitude and tourism reception facility density,predominantly shapes the spatial distribution of tourism flow in Xizang. 5) The study proposes that tourism flow structure optimization and high-quality tourism development of Xizang can be promoted in ways like optimizing local loops to improve tourism flow network,enhancing the linkage effect of linear elements on tourism resources,fully leveraging the radiating and driving role of core tourism areas,and scientifically managing environmental risks.

Key words： tourism flow; GPS trajectory data; spatial agglomeration; tourism resources; tourism reception facility; high-quality development

Cite this article

ZHENG Xin , WANG Fuyuan , LI Junfei , YANG Zhaoping , YU Ling . Spatial Pattern and Influencing Factors of Tourism Flow in Xizang Autonomous Region Based on Tourists' GPS Trajectory Data[J]. Economic geography, 2024 , 44(11) : 212 -221 . DOI: 10.15957/j.cnki.jjdl.2024.11.022

旅游流是指游客及其所承载的信息、资本、物质、能量、文化等在空间区域内的迁移现象[1]。作为反映游客动态时空分布特征的空间组织形式[2]，旅游流在解构旅游现象与旅游者行为规律方面具有重要作用[3]。旅游流空间布局能够反映旅游地旅游要素的空间组织形式与关联关系，揭示旅游者流动过程中的信息、物质与能量流动及变化[4]。旅游流影响因素研究有助于识别旅游流空间模式形成的驱动因子，明晰客源地与目的地的空间关系与作用机理[5]。因此，旅游流空间分布与影响因素研究对于加强旅游地管理和可持续发展具有重要意义。
近年来，已有在旅游流空间结构的研究持续展开，且大多聚焦于旅游流网络的时空演变[5]、结构韧性[6]、空间效应[7]等方面。如蒋依依等[5]从网络中心度视角探索全球旅游流的空间演化规律；Liu等[8]基于多层交通网络探索旅游流网络空间模式，揭示出不同交通方式与游客转移能力的空间关联性。在旅游流的影响因素方面，学界多根据研究对象的性质与特点，选取一个或多个相关因子进行系统研究。具体而言，相关研究讨论了区域贸易协定[9]、语言[10]、新冠肺炎[11]等因素对跨国旅游流的影响。如刘大均等[12]发现自然灾害（如地震）对旅游流空间集聚态势、空间组织模式均造成一定影响；李磊等[13]发现旅游资源、旅游服务水平、气候舒适度和空间邻近性等因素能够对我国避暑旅游流空间结构产生影响。在研究区选取方面，相关学者从不同空间尺度对旅游流开展研究，主要涉及宏观尺度（全球[5]、全国[14]）、中观尺度（省域[15]、市域[3]）与微观尺度（主题乐园[16]）等。其中，在宏观和中观尺度，主要关注旅游网络结构、时空分异特征及影响因素；而在微观尺度，则聚焦于旅游流与具体旅游要素（如旅游者行为、网络关注度）之间的相互作用关系。
西藏自治区（以下简称西藏）自然地理条件复杂多样，生态环境脆弱，自然和人文旅游资源独特[17]。在高海拔、社会经济水平低、交通不发达等客观条件的约束下，西藏旅游活动形成以自驾游为主体的基本规律[18]。目前，尽管已有学者聚焦西藏特定类型游客群体的时空行为进行思考[19]，但基于旅游GPS轨迹数据并从区域尺度探索旅游目的地之间的轨迹通道研究仍然缺乏，涵盖多种旅游活动类型的西藏旅游流整体格局的相关研究有待补充，特别是气候条件、自然资源、旅游发展等自然和人文要素对西藏旅游流轨迹的塑造作用及其作用程度仍然有待挖掘。在此背景下，基于多类型旅游GPS轨迹数据探索西藏旅游流空间分布特征及其成因，有利于优化西藏旅游流空间布局，促进区域旅游网络的完善。
本文基于两步路轨迹记录与共享平台，首先选取2018—2019年西藏范围内游客GPS轨迹点数据进行空间分析，系统分析旅游流空间分布的集疏特征与冷热点区域，挖掘旅游地旅游者时空行为规律，揭示区域旅游流时空规律与作用机理；然后从自然地理、社会经济、旅游资源、旅游服务维度切入，采用地理探测器模型识别与区域旅游流相关的关键因素，发现区域旅游流的空间异质性与分异规律，为揭示旅游流影响机理和推动区域旅游业高质量发展提供科学依据和理论参考。

1 研究方法与数据来源

1.1 研究区概况

西藏自治区包括6个地级市、1个地区（以下简称地市），分别为那曲市、山南市、林芝市、日喀则市、拉萨市、昌都市和阿里地区，下辖74个市辖区、县（以下简称区县），总面积120.28万km2，平均海拔4000 m以上，被称为“世界屋脊”。西藏自然和人文旅游资源丰富，是我国重要的旅游目的地。西藏已逐步形成由航空、铁路、公路构成的立体交通网络，其中包括青藏铁路、拉日铁路、拉林铁路、青藏公路（G109）、新藏公路（G219）、川藏公路（G318、G317）、滇藏公路（G214）等主干通道。目前，西藏旅游发展呈现向好态势，旅游总收入由2000年的6.75亿元上升到2019年的559.28亿元，年均增长26.17%；旅游者人数由2000年的60.83万人次上涨到2019年的4012.15万人次，年均增长24.67%。

1.2 数据来源与处理

本文使用的西藏旅游流GPS轨迹数据来自“两步路”平台（https://www.2bulu.com/），这一平台的GPS轨迹数据涵盖游客开展户外活动的经纬度、高度、时间、运动类型、发表的文字和照片等信息，已在游客时空行为研究中得到应用[20]，具有一定成熟度与代表性。考虑到2020—2022年新冠肺炎疫情对旅游业的冲击较大，旅游流网络结构特征及游客出行规律对比非疫情期间具有特殊性，而2023年又处于旅游业复苏期，旅游流尚未完全回归常态，本文选取2018—2019年GPS轨迹数据进行分析。具体做法是：首先在“两步路”官网上对轨迹进行搜索，研究区选取“西藏”，轨迹类型选取“驾车”“步行”“骑行”“水上”“陆地滑行”“雪地滑行”“其他”等7类。然后借助Python的Selenium和TransBigData工具对筛选后的西藏旅游流GPS轨迹数据进行爬取、合并与栅格化处理，获得初始GPS轨迹点数据33272882个。其中，TransBigData工具能够对交通时空大数据进行快速处理与分析，其提供的核心方法“数据栅格化”通过将交通GPS数据的经纬度映射到地理格网中实现地理空间数据集成[21]。最后通过对初始数据进行检查、去除缺值与重复数据等操作，最终获得GPS轨迹点30715056个，旅游流GPS轨迹7152条。行政边界矢量数据分别来源于中国自然资源部标准地图服务网站（http://bzdt.ch.mnr.gov.cn/）和西藏自治区自然资源厅网站（http://zrzyt.xizang.gov.cn/），自然地理条件（气象、植被覆盖、海拔、河流水系、坡度）、社会经济要素（人口密度、GDP、道路）、旅游景点与服务设施等数据来源与处理见表1。
表1 西藏旅游流影响因素指标体系与数据来源

Tab.1 Index system and data sources of influencing factors of tourism flow in Xizang

要素层 指标层 说明 数据来源与处理
自然
地理
条件		 海拔（N1） 区县海拔均值 中国科学院资源环境科学数据中心
（https://www.resdc.cn/），1 km分辨率
坡度（N2） 区县坡度均值 运用ArcGIS平台的坡度工具对海拔数据计算生成
含氧量（N3） 区县含氧量均值，计算方法参考石磊等的研究[28] 中国科学院资源环境科学数据中心
（https://www.resdc.cn/），1 km分辨率
植被覆盖率（N4） 区县植被指数（Normalized Difference Vegetation Index，NDVI）均值
温湿指数（N5） 区县温湿指数均值，计算方法参考Zhong等的研究[29]
风寒指数（N6） 区县风寒指数均值，计算方法参考Zhong等的研究[29]
河流密度（N7） 区县河流密度均值 西藏自治区自然资源厅
（http://zrzyt.xizang.gov.cn/）
社会
经济
要素		 人均GDP（E1） 区县人均GDP均值 中国科学院资源环境科学数据中心
（https://www.resdc.cn/），1 km分辨率
第三产业占比（E2） 区县第三产业占GDP百分比均值
人口密度（E3） 区县人口密度均值
旅游
资源
禀赋		 旅游景点密度（R1） 区县旅游景点密度均值。旅游景点包含A级旅游景区、世界遗产、自然保护区、森林公园、湿地公园、风景区、人文古迹、寺庙等景点 高德地图开放平台
（https://lbs.amap.com/）
旅游
服务
水平		 旅游接待设施密度（S1） 区县旅游接待设施密度均值。旅游接待设施包括休闲餐饮、休闲娱乐、酒店住宿、休闲购物和交通设施 高德地图开放平台
（https://lbs.amap.com/）
道路密度（S2） 区县交通路网密度均值。交通路网包含高速公路、国道和省道 西藏自治区自然资源厅
（http://zrzyt.xizang.gov.cn/）

1.3 研究方法

1.3.1 核密度估计

核密度估计方法是测度空间中随机变量概率密度函数的非参数估计方法，能够反映研究对象空间分布的密度特征与集聚差异[22]。本文采用核密度方法刻画西藏旅游流与旅游景点的空间集散特征，判断旅游流与旅游景点空间分布的集聚或离散态势。

1.3.2 空间自相关

全局空间自相关能够测度区域属性值分布的集聚、离散或随机变化，判断其整体的空间关联特征[23]。局部空间自相关通过测度区域属性值在局部地区的空间关联特征，反映属性值的局部集聚或离散效应[24]。本文基于西藏旅游流GPS轨迹强度，分别使用全局莫兰指数（Global Moran's I）和局部莫兰指数（Local Moran's I）测度西藏旅游流的全局和局部自相关性，确定西藏旅游流的整体空间集聚特征，以及西藏旅游流集聚和离散的具体空间位置。

1.3.3 Getis-Ord Gi*（热点分析）方法

Getis-Ord Gi*（热点分析）方法是用于识别局部空间关联与异质单元的空间统计方法，通过评估属性值的z得分反映其局部空间集聚或离散状态[25]。本文使用Getis-Ord Gi*方法来识别西藏GPS旅游轨迹的局部空间集聚区域，热点区表示西藏旅游流的高值集聚区，冷点区表示西藏旅游流的低值集聚区。参考已有研究[26]，考虑到本研究区面积以及数据的可视化效果，网格单元大小设置为10 km×10 km。

1.3.4 地理探测器

地理探测器是探测空间分异性并揭示其背后驱动力的统计学方法，被广泛应用于分析地理要素格局演变和地域空间分异等方面[27]。本文首先运用地理探测器的因子探测模块分析被解释变量（74个区县旅游流强度）与解释变量（13个旅游流影响因子，见表1）的空间关系，判断解释变量对被解释变量的解释力，即影响程度。
西藏旅游发展受到自然条件、经济发展、旅游资源、交通设施等多种要素的影响。结合已有研究与西藏资源本底现状，本文从自然地理条件、社会经济要素、旅游资源禀赋和旅游服务水平4个维度选取13项指标探讨基于县域尺度的西藏旅游流影响因素与作用规律（表1）。其中，自然地理条件采用海拔、坡度、含氧量[28]、植被覆盖率、温湿指数[29]、风寒指数[29]、河流密度[30]表征；社会经济要素选取人均GDP[6]、第三产业占比、人口密度3项指标；旅游资源禀赋采用旅游景点密度[31]表示；旅游服务水平采用旅游接待设施密度[26]和道路密度[32]表征。本文以西藏74个区县为基本单元，将各区县旅游流强度作为因变量，以上述13项指标作为自变量，运用GeoDetector软件对西藏旅游流空间格局进行因子探测。

1.4 GPS轨迹数据有效性验证

为验证文中所用数据的有效性，本文采取不限制爬取时间与轨迹类型的方式进行验证，即通过不同时间尺度西藏旅游流数据的对比分析，检验2018—2019年西藏GPS轨迹数据能否有效地反映西藏旅游流空间格局。将研究区限定于“西藏”，采用与1.2节同样的方法，爬取截至2022年10月搜索到的前7000条轨迹数据，获取GPS 36136672个轨迹点（图1）。由于两套数据均为大数据，如果二者所呈现空间格局基本相近，则反映本文选取分析样本具有一定的代表性和有效性。在有效性验证方面，首先运用ArcGIS构建10 km格网，分别统计单位网格内初始数据与对比数据的GPS轨迹点，获取包含12568个网格的shapefile面数据；其次提取12568个网格的属性信息（ID，初始GPS轨迹点Y，对比GPS轨迹点X）。运用SPSS进行正态性检验与皮尔逊相关性分析结果显示，两变量均服从正态分布，并存在显著线性相关关系（相关系数r=0.724）。因此，可以确定本文所选取数据能够有效反映西藏旅游流的空间结构特征。
图1 西藏GPS轨迹初始数据与对比数据

Fig.1 Initial data and comparative data of GPS trajectory in Xizang

2 结果与分析

2.1 基于GPS轨迹大数据的西藏旅游流空间结构分析

2.1.1 西藏旅游流的空间集聚特征

由图2可知：①西藏GPS旅游轨迹点整体呈现东密西疏、南密北疏的态势。其中高密度地区在整体上规模较小，在空间上形成多个集聚中心，重点集聚区分布在拉萨南部、山南西北部，次级旅游流密度中心主要分布在拉萨、林芝北部和昌都南部，在日喀则市、那曲市和阿里地区也有少量分布。②西藏旅游流在空间上形成以高密度地区为中心，向周边地区逐渐扩散并递减的态势。其中，西藏东部形成以拉萨南部、山南西北部为主，周边区域为辅的“拉萨—山南”旅游流组团式集聚格局；拉萨和林芝北部以及昌都南部的旅游流密度不及“拉萨—山南”组团，但存在多个次级中心呈线性分布，具备组团式开发的潜力；日喀则市、那曲市和阿里地区的旅游流密度整体较低，分布较为松散，说明这些区域旅游利用程度整体偏低，旅游利用效率仍然有待提升。
图2 西藏旅游流空间核密度分析

Fig.2 Kernel density of tourism flow in Xizang

2.1.2 西藏旅游流的空间关联特征

利用ArcGIS软件对西藏及其下辖7个地市的GPS旅游轨迹进行空间自相关分析。由表2可知，西藏及各地市全局空间自相关统计检验均通过了99%的可信度检验。西藏旅游流的莫兰指数值为0.28，且z值较大，说明西藏旅游流的整体空间集聚特征明显。从各地市来看，莫兰指数值均大于0，说明各地市旅游流在空间上均呈集聚态势。
表2 西藏旅游流全局莫兰指数

Tab.2 Moran's Index of tourism flow in Xizang

Moran's I z-score p-value
西藏 0.28 85.85 0.00
拉萨市 0.24 8.37 0.00
昌都市 0.31 43.02 0.00
日喀则市 0.31 30.74 0.00
林芝市 0.36 23.10 0.00
山南市 0.25 25.07 0.00
那曲市 0.33 46.98 0.00
阿里地区 0.39 34.01 0.00
局部空间自相关结果显示，县域尺度上的西藏旅游流空间分布存在明显的差异特征。差异区域大部分分布在西藏东南部，存在“高—高”“高—低”“低—高”“低—低”4种集聚类型，西北部存在少量集聚地区。其中：①旅游流“高—高”集聚地区主要分布在旅游流分布密集的拉萨南部，包括堆龙德庆区和曲水县。此外，存在旅游流次级核心的林芝东部（波密县和察隅县）、昌都南部（左贡县）旅游流也呈现“高—高”集聚趋势，表明这部分区域旅游流分布密集且与周边区域互为正向促进态势。②“低—低”集聚区域主要分布在昌都（乃东区、琼结县、曲松县、隆子县）和日喀则（桑珠孜区、岗巴县），说明这部分区域旅游流的空间集聚效应较弱，区域旅游活动受到空间制约作用。③“高—低”集聚区出现在那曲的比如县和昌都的丁青县，表明这2个县的旅游流密度显著高于周边地区，短期内拉动周边地区旅游发展难度较大。④“低—高”集聚区分布在那曲市的嘉黎县、昌都市的洛隆县和阿里地区的改则县，说明这部分地区的旅游流集聚态势明显低于周边区域，这既与区域旅游发展自身基础较差存在关联，也与这部分区域和周边地区在旅游资源、旅游产业、旅游配套设施等方面的差异显著相关。

2.1.3 西藏旅游流的空间冷热点特征

运用ArcGIS软件对GPS旅游轨迹点进行空间展示，并将同一网格（5 km×5 km）内的GPS轨迹点进行地理加权叠加（图3a）。结果显示，西藏旅游流网络基本覆盖西藏大部分地区，GPS旅游轨迹在空间分布上呈现明显的线性集聚特征。西藏南部地区旅游轨迹密度高于北部地区，东部地区高于西部地区，拉萨以东地区旅游轨迹分布较为密集。此外，西藏旅游流轨迹在空间上形成沿重要交通网络环绕的闭合环线式结构特征。其中，2条大旅游环线为：拉萨—日喀则—阿里地区—那曲—拉萨（G219—G317—G6）、拉萨—山南—林芝—昌都—那曲—拉萨（G219—G214—G6）；8条小旅游环线为：拉萨—山南—林芝—拉萨、拉萨—那曲—拉萨、林芝—昌都—林芝、拉萨—山南—日喀则—拉萨、昌都—那曲—昌都、日喀则—那曲—阿里地区—日喀则、日喀则内部、林芝内部。各旅游环线相互交织形成区域旅游网络，通过交通路网串联西藏景区景点，依托旅游基础设施与配套服务设施支撑旅游活动，成为促进西藏旅游要素流动与扩散的重要空间载体。
图3 西藏旅游流空间格局与冷热点分布

Fig.3 Spatial pattern and hotspots distribution of tourism flow in Xizang

结合Getis-Ord Gi*指数，西藏旅游流的冷热点格局差异性明显，热点区域规模大于冷点区域（图3b）。热点区域基本集中在拉萨以东部地区，日喀则南部、阿里地区和那曲市西南部呈现零星热点分布。置信度高于99%的热点单元集聚规模较大，主要分布在拉萨和山南西北部、林芝北部、昌都南部、日喀则中部。这部分热点区域在空间上形成了明显的线性分布特征。冷点区域规模较小，分布较为分散，在西藏各地市均有分布。

2.2 成因分析

2.2.1 因子探测结果

因子探测结果显示在95%置信区间下通过显著性检验的7个指标（表3），包括N1、N2、N5、N7、E3、R1、S1。以上各项因子对西藏旅游流的解释力（q值）从强到弱排序为：N1（0.78）>E3（0.63）>R1（0.62）>S1（0.61）>N5（0.30）>N2（0.29）>N7（0.27）。对通过显著性检验的因子进行交互探测分析，结果表明所有探测因子交互作用后都能够增强对西藏旅游流空间分布的解释力度（表4），说明各因子共同作用导致了西藏旅游流的空间分异。其中，海拔与温湿指数、海拔与旅游接待设施密度、坡度与温湿指数的交互作用最强，解释力均达到0.90，对于促进西藏旅游流强度具有明显作用。例如，适宜的海拔与温湿指数能够在地形和气候方面共同提升旅游者的旅游适宜性，吸引游客开展旅游活动。然而，海拔较高与温湿不适宜区域通过改变空气含氧量和环境温湿度，挑战旅游者的生理承受能力，增加了旅游流的客观约束条件。此外，人口密度与各项因子交互作用强度较高，一方面说明人口空间分布代表的客观自然环境条件会影响旅游流的集聚与离散，人口密度与自然地理条件相关因子交互作用有利于增加旅游者的游憩潜力；另一方面，人口密度所反映的社会经济条件与区域差异又影响旅游服务支撑体系的供给能力。因此，人口密度与旅游资源禀赋、旅游服务水平等因子交互作用，通过增强旅游者游憩机会的可供性影响旅游流强度。
表3 西藏旅游流影响因素指标体系与因子探测结果

Tab.3 Index system and factor detection results of influencing factors of tourism flow in Xizang

要素层 指标层 p值 q统计量
自然地理条件 N1海拔 0.00 0.78
N2坡度 0.04 0.29
N3含氧量 0.46 0.15
N4植被覆盖率 0.37 0.46
N5温湿指数 0.03 0.30
N6风寒指数 0.05 0.23
N7河流密度 0.01 0.27
社会经济要素 E1人均GDP 0.18 0.53
E2第三产业占比 0.16 0.16
E3人口密度 0.02 0.63
旅游资源禀赋 R1旅游景点密度 0.02 0.62
旅游服务水平 S1旅游接待设施密度 0.01 0.61
S2道路密度 0.18 0.27
表4 西藏旅游流影响因素交互探测结果

Tab.4 Interactive detection results of influencing factors of tourism flow in Xizang

N1 N2 N7 N5 R1 S1 E3
N1 0.78
N2 0.89 0.29
N7 0.85 0.78 0.27
N5 0.90 0.90 0.57 0.30
R1 0.85 0.76 0.73 0.72 0.62
S1 0.90 0.80 0.77 0.73 0.67 0.61
E3 0.86 0.85 0.77 0.75 0.72 0.74 0.63

2.2.2 影响因素分析

①自然地理条件。西藏地形地貌复杂多变，海拔、坡度等地形因子与旅游流分布的空间特征具有较强的相关性，其旅游流增长态势随海拔和坡度升高逐渐放缓。此外，地势平缓的东南部作为“一江两河”（图4d，雅鲁藏布江、拉萨河与年楚河）平原地区，人口分布集聚，与旅游流热点地区分布在空间上呈现一致性（图4a、图4b）。借助ArcGIS分别统计西藏旅游流与地形要素、河流空间分布的数理统计关系，结果发现海拔5000 m以下区域拥有93.62%的旅游流GPS轨迹，坡度40°以下集聚着97.24%的旅游流GPS轨迹，10 km以内的河流缓冲区存在78.05%的旅游流GPS轨迹。在气候舒适性方面，数理统计发现西藏存在97.94%的旅游流分布在温湿指数55以下的体感不舒适区域（图4c）。区域较低的温湿指数与较高的海拔因素相互作用，降低了旅游者在游憩活动中的舒适程度，因而旅游流密度较低。
图4 西藏自然地理要素与旅游热点区域分布

Fig.4 Distribution of natural geographical elements and tourism hotspots in Xizang

②社会经济要素。旅游活动受到区域自然地理与社会经济要素的综合作用，人口密度代表的区域社会经济发展水平能够反映旅游要素及配套设施的供给能力，其在空间上呈现的东南高、西北低的分布趋势也与旅游流存在相似性。其中，以拉萨、山南、日喀则为代表的东南部地区，人口高度集聚，在基础设施建设、交通网络体系、旅游服务配套、旅游产品供给等方面拥有较为成熟的条件，能够为游客提供相对舒适的旅游环境与支撑体系。而人口稀疏的西北部地区经济发展水平较低，同时区域自然地理条件复杂且不适宜人类活动，旅游要素配置与旅游支撑体系不完善，制约着旅游活动的开展。
③旅游资源禀赋。旅游资源禀赋高的区域通常对旅游者更具吸引力[21]。在以西藏东南部如布达拉宫、大昭寺、罗布林卡、巴松措、卡定沟、扎什伦布寺等为代表的旅游资源密集地区（图5），地形地貌条件相对适宜，周围旅游景区密集，成为西藏旅游高热度与高吸引力的主导因素。尽管西部的阿里地区拥有神山圣湖、札达土林自然保护区，北部的那曲拥有色林错自然保护区等重要旅游景区，但景区数量较少，且区域海拔较高、气候舒适性较差，加之自然保护区以自然生态系统与生物多样性严格保护为主，不适宜开展大规模的旅游活动。
图5 西藏旅游景区核密度与旅游热点区域分布

Fig.5 Distribution of tourist attractions and tourism hotspots in Xizang

④旅游服务能力。旅游服务设施通过反映旅游地的接待能力，影响游客的旅游体验[33]。西藏旅游服务设施集中分布在拉萨和山南西北部，分布趋势呈现出由中心向边缘递减的格局。这部分区域与旅游流集聚区域高度重合，说明旅游要素配套水平整体较高，对旅游活动的支撑能力较强。此外，旅游服务设施核心区外缘的日喀则东部、林芝西北部、那曲南部等区域，与西藏旅游流的次级分布中心存在一定重合，旅游服务设施密度较高，但集中度较低、规模较小。其他区域旅游接待能力水平整体偏低，旅游活动的开展同时受到旅游资源禀赋、自然地理与社会经济条件的约束，旅游流密度较低。

3 结论与讨论

3.1 结论

本文在已有针对特定群体的西藏旅游流结构与游客行为特征研究的基础上[22,26-27]，依托GPS轨迹大数据进一步分析了西藏旅游流网络格局特征及其成因。主要结论如下：①西藏旅游流空间集聚态势基本呈现以拉萨南部、山南西北部为重点集聚区，以拉萨、林芝北部和昌都南部为次级集聚区，以高值区为中心向周边逐渐扩散并递减的分布态势。②西藏东南部地区空间关联特征明显，西北部地区空间关联性较弱。西藏旅游流在空间上形成“两大”“八小”旅游闭合环线。其中，两大旅游环线分别是沿G219—G317—G6走向的“拉萨—日喀则—阿里地区—那曲—拉萨”旅游线路，以及沿G219—G214—G6走向的“拉萨—山南—林芝—昌都—那曲—拉萨”旅游线路。拉萨以东地区为热点区域集中区，冷点区域规模较小且分布较为分散。③在影响因素方面，通过显著性检验的因子涉及自然地理条件、社会经济要素、旅游资源禀赋与旅游服务水平4个维度，其中海拔、人口密度、旅游景点密度与旅游接待设施密度是影响西藏旅游流空间格局的主导因素。通过显著性检验的各因子两两交互作用有助于增强西藏旅游流强度，其中海拔、坡度等地形要素与温湿指数共同作用（解释力为0.90），通过改变旅游适宜性影响旅游流空间分布。

3.2 讨论

本文运用旅游GPS轨迹数据揭示了西藏旅游流空间结构特征，刻画了西藏不同旅游地之间的旅游流全过程轨迹路径，并从区域尺度探索了影响旅游流空间结构的影响因素及其交互作用机理，对于优化区域旅游流空间布局、加强区域内旅游线路空间组织具有积极意义。研究表明，自然地理条件优越、社会经济发展水平高、旅游资源集聚、旅游服务水平高的地区，更有利于发挥旅游流的集聚效应与规模效应[34]。
①自然地理因素方面，西藏以高原和山地为主的地形地貌条件与空气含氧量和游客舒适度密切相关。Chang等的研究表明，海拔超过3000 m时游客高原反应明显，超过4000 m部分游客会因缺氧而出现不舒适症状[35]，也揭示了本研究中旅游流密度随海拔升高而逐渐降低的客观原因。同时，西藏的高原高山气候条件还通过温湿指数对旅游流产生影响。研究发现西藏大范围的旅游气候体感不舒适区，对旅游活动造成一定挑战，旅游流密度也伴随体感不舒适程度增加而下降。此外，西藏旅游流与河流分布的高度交叉，反映出区域旅游发展对自然条件具有依赖性[36]，证明了河流密集的区域具有更高的旅游发展优势。
②社会经济要素方面，结合王超等的研究[17]发现，人口集聚的区域，在旅游要素投入、旅游基础设施建设、提升游客接待能力等方面具备优势，有利于旅游流的空间集聚。旅游资源作为旅游活动的重要吸引物[37]，其规模与重要程度对于带动西藏旅游业发展产生了重要影响。旅游资源集中分布能够吸引旅游产业集聚，促进餐饮娱乐、酒店住宿、休闲购物、交通设施等旅游支撑要素集中布局[26]，也能够促进旅游流的规模化聚集。
③交通要素在本研究因子探测分析部分未通过显著性检验，这可能是因为地理探测器选取县域作为空间单元进行分析有关。作为旅游活动的关键要素，交通条件不仅影响旅游活动的可进入性，对于改善游客到达不同旅游景点、旅游服务区之间的交通时间成本也具有促进作用[38]。因此，为进一步验证西藏交通网络与游客GPS轨迹点空间分布的关系，本文以西藏高速公路、国道、省道为参照物，建立了1~10 km缓冲区开展与旅游流的空间关系分析。当缓冲区距离设置为1 km、5 km、10 km时，缓冲区内游客GPS轨迹点占比GPS轨迹点总量分别为57.55%、85.22%和88.48%（图6）。该结果说明西藏旅游流轨迹呈现出沿西藏交通网络集聚分布的显著态势。西藏的代表性国道G109（青藏公路西宁至拉萨段）、G318（川藏公路南线）、G317（川藏公路北线）、G214（滇藏公路）、G219（新藏公路）的10 km缓冲区范围内，集聚的旅游景区和旅游服务设施POI数量分别占比POI总量的52%和87%，说明国道等交通干线是西藏的主要旅游交通廊道。
图6 西藏道路网络与旅游流GPS轨迹分布

Fig.6 Distribution of road network and tourism flows in Xizang

3.3 政策启示

上述研究结果有助于优化区域旅游流空间格局，可为促进区域旅游高质量发展提供以下启示：①优化局域旅游环线，形成多层次多中心旅游网络。例如，依托已有旅游资源以及成熟的旅游环线，进一步扩充相邻区域之间以及区域内部的小型旅游环线，完善区域旅游线路组织结构。②充分加强线性要素（如道路、河流）对旅游资源的串联功能，推进沿线特色旅游资源整合利用，通过交通、河流等网络的结构性特征促进旅游发展与生态保护。同时，关注旅游服务设施的合理配比与生态化建设，保证其在自然承载力范围内满足旅游需求。③发挥旅游核心区域对周边区域的辐射效应，挖掘旅游流次级核心区域特色旅游资源，可通过节事活动、户外探险、科普研学等提升区域旅游吸引力，通过区域联动协同推进区域旅游高质量发展与旅游流空间结构优化。④科学管控区域旅游流对生态环境可能造成的胁迫作用，在环境承载力范围内推动旅游高质量发展。如针对西藏等生态环境较为脆弱、旅游流密度较高的地区，要加强环保设施建设，积极开展环境教育以促进旅游者环境责任行为；而对于人口密集、社会经济发展水平较高的地区，应面向市场需求开发精品化、具有地方特色的休闲度假产品，关注旅游特色挖掘与质量提升。

3.4 不足与展望

本研究仍然存在一些局限性。①旅游流GPS轨迹数据的属性信息有待进一步挖掘。未来可开展不同季节的多时间尺度研究，或不同轨迹类型的旅游者时空行为研究。②考虑到西藏地广人稀，部分边境地区可能存在信号遮挡而影响旅游者记录GPS轨迹的现象，后续可结合多源数据进行旅游流研究来弥补这一局限。③西藏生态环境脆弱，旅游流的生态风险和区域效应有待进一步挖掘和评估。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
章锦河, 张捷, 李娜, 等. 中国国内旅游流空间场效应分析[J]. 地理研究, 2005, 24(2):293-303.

[2]
Mou M X, Yuan R Z, Yang T F, et al. Exploring spatio-temporal changes of city inbound tourism flow:The case of Shanghai,China[J]. Tourism Management, 2020,76:103955.

[3]
秦静, 李郎平, 唐鸣镝, 等. 基于地理标记照片的北京市入境旅游流空间特征[J]. 地理学报, 2018, 73(8):1556-1570.

DOI

[4]
唐顺铁, 郭来喜. 旅游流体系研究[J]. 旅游学刊, 1998 (3):38-41.

[5]
蒋依依, 刘焱序, 王宁, 等. 2004—2019年全球旅游流网络中心度时空演变[J]. 地理研究, 2022, 41(3):698-712.

DOI

[6]
石建中, 范齐. 亚太经合组织旅游流网络结构演化及影响因素[J]. 自然资源学报, 2022, 37(8):2169-2180.

DOI

[7]
方叶林, 黄震方, 李经龙, 等. 中国市域旅游流网络结构空间分异及其效应研究——基于携程旅行网的大数据挖掘[J]. 自然资源学报, 2022, 37(1):70-82.

DOI

[8]
Liu S, Zhang J,Liu, P X, et al. Discovering spatial patterns of tourist flow with multi-layer transport networks[J]. Tourism Geographies, 2020, 25(1):113-135.

[9]
Khalid U, Okafor L E, Burzynska K. Do regional trade agreements enhance international tourism flows?Evidence from a cross-country analysis[J]. Journal of Travel Research, 2022a, 61(6):1391-1408.

[10]
Khalid U, Okafor L E, Sanusi O I. Exploring diverse sources of linguistic influence on international tourism flows[J]. Journal of Travel Research, 2022b, 61(3):696-714.

[11]
Li L, Tao Z, Lu L, et al. The impact of COVID-19 on the regional tourism flow network:An empirical study in Hubei Province[J]. Current Issues in Tourism, 2022, 25(2):287-302.

[12]
刘大均, 陈君子, 贾垚焱. 8·8九寨沟地震对区域旅游流地理分布及其流动的影响[J]. 干旱区资源与环境, 2020, 34(7):201-208.

[13]
李磊, 陶卓民, 陆林, 等. 贵州省避暑旅游流网络结构特征及其影响因素[J]. 地理研究, 2021, 40(11):3208-3224.

DOI

[14]
杨勇, 眭霞芸, 刘震. 中国省际虚拟旅游流网络结构的空间演变特征研究[J]. 地理科学进展, 2022, 41(8):1349-1363.

DOI

[15]
Mou N X, Liu Z W, Zheng Y H, et al. Cycling in Tibet:An analysis of tourists' spatiotemporal behavior and infrastructure[J]. Tourism Management, 2022,88:104418.

[16]
查晓莉, 徐雨晨, 陆林, 等. 上海迪士尼国内旅游流地理分布与流动特征[J]. 旅游学刊, 2019, 34(6):58-73.

[17]
王超, 阚瑷珂, 曾业隆, 等. 基于随机森林模型的西藏人口分布格局及影响因素[J]. 地理学报, 2019, 74(4):664-680.

DOI

[18]
刘艳平, 保继刚, 黄应淮, 等. 基于GPS数据的自驾车游客时空行为研究——以西藏为例[J]. 世界地理研究, 2019, 28(1):149-160.

[19]
朱冬芳, 虞虎, 刘青青, 等. 入藏旅游流网络结构特征与组织模式:基于团队游和自助游视角的比较分析[J]. 地理科学进展, 2021, 40(5):812-824.

DOI

[20]
Zeng X T, Zhong Y D, Yang L F, et al. Analysis of forest landscape preferences and emotional features of Chinese forest recreationists based on deep learning of GeoTagged Photos[J]. Forests, 2022, 13(6):892.

[21]
Yu Q, Yuan J. Transbigdata:A Python package for transportation spatio-temporal big data processing,analysis and visualization[J]. The Journal of Open Source Software, 2022, 7(71):4021.

[22]
孙才志, 李欣. 基于核密度估计的中国海洋经济发展动态演变[J]. 经济地理, 2015, 35(1):96-103.

[23]
郭源园, 李莉. 西部内陆省区区域经济差异影响因素——以重庆为例[J]. 地理研究, 2017, 36(5):926-944.

DOI

[24]
李俊翰, 高明秀. 滨州市生态系统服务价值与生态风险时空演变及其关联性[J]. 生态学报, 2019, 39(21):7815-7828.

[25]
Shaker R R, Altman Y, Deng C B, et al. Investigating urban heat island through spatial analysis of New York City streetscapes[J]. Journal of Cleaner Production, 2019,233:972-992.

[26]
李维维, 陈田, 马晓龙. 西安城市旅游休闲业态空间热点特征及形成机制[J]. 地理科学, 2020, 40(3):437-446.

DOI

[27]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

[28]
石磊, 黄晓清, 尼玛吉, 等. 西藏自治区旅游气候适应性分析[J]. 冰川冻土, 2015, 37(5):1412-1419.

DOI

[29]
Zhong L S, Yu H, Zeng Y X. Impact of climate change on Tibet tourism based on tourism climate index[J]. Journal of Geographical Sciences, 2019, 29(12):2085-2100.

DOI

[30]
Arif M, Behzad H M, Tahir M, et al. Nature-based tourism influences ecosystem functioning along waterways:Implications for conservation and management[J]. Science of the Total Environment, 2022,842:156935.

[31]
王秀伟, 李晓军. 中国乡村旅游重点村的空间特征与影响因素[J]. 地理学报, 2022, 77(4):900-917.

DOI

[32]
王甫园, 王开泳, 虞虎, 等. 珠三角城市群生态游憩空间分异特征及关联性因素[J]. 地理研究, 2020, 39(9):2148-2164.

DOI

[33]
荣慧芳, 陶卓民. 基于网络数据的乡村旅游热点识别及成因分析——以江苏省为例[J]. 自然资源学报, 2020, 35(12):2848-2861.

DOI

[34]
Eusébio C, Carneiro M J, Rodrigues V, et al. Factors influencing the relevance of air quality in the attractiveness of a tourism destination:Differences between nature-based and urban destinations[J]. Tourism Management Perspectives, 2022,44:101045.

[35]
长安, 葛全胜, 方修琦, 等. 青藏铁路旅游线气候适宜性分析[J]. 地理研究, 2007, 26(3):533-540.

[36]
Iversen S V, van der Velden N, Convey I, et al. Impacts of woodland planting on nature-based recreational tourism in upland England-A case study[J]. Landscape and Urban Planning, 2023,230:104587.

[37]
Hernandez J M, Santana-Jimenez Y, Gonzalez-Martel C. Factors influencing the co-occurrence of visits to attractions:The case of Madrid,Spain[J]. Tourism Management, 2021,83:104236.

[38]
汪德根, 陈田, 陆林, 等. 区域旅游流空间结构的高铁效应及机理——以中国京沪高铁为例[J]. 地理学报, 2015, 70(2):214-233.

DOI

Options
Outlines

/

〈 〉