EN中文

Economic geography >

2021 , Vol. 41 >Issue 3: 202 - 212

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.03.021

Multi-Scale Temporal and Spatial Differentiation Characteristics of Dunhuang Tourism Flow Based on Social Big Data

  • MA Binbin , 1 ,
  • CHEN Xingpeng , 2, 3, ※ ,
  • CHEN Fangting 1
Expand
  • 1. College of Tourism，Northwest Normal University，Lanzhou 730070，Gansu，China
  • 2. College of Earth and Environmental Sciences，Lanzhou University，Lanzhou 730000，Gansu，China
  • 3. County Economic Development Research Institute，Lanzhou University，Lanzhou 730000，Gansu，China

Received date: 2020-03-16

  Revised date: 2020-09-28

  Online published: 2025-04-30

Fold

Abstract

Based on the social network big data and taking the world cultural heritage site and international tourism city- Dunhuang- as research area,this article reveals the differentiation law of the tourism flow at the multi-time scale and analyzes its dynamic evolution trajectory and characteristics at the 24h tourism flow period applying kernel density,time stratification analysis,climate comprehensive comfort (CCI). It is found that: (1) The change of tourism flow in Dunhuang City shows the distribution characteristics of"single-peak and multiple-mountain". The tourist flow shows the spurt growt on the National Day and the vertiginous drop at the end of the holiday and cold days. (2) The tourist flow in Dunhuang shows significant anti-seasonal,regularity and similarity characteristics during the year. The peak-flow structure was formed during the change ofthe off-season and peak season. (3) The tourism flow was not affected at the weekend. The fluctuation characteristics of the tourism flow within 24 hours were extremely obvious and presented the rapid decline at the beginning and then the slow growth. (4) The spatial distribution of tourism flow in Dunhuang City exhibits the characteristics of "high concentration,multi-center" spatial differentiation,spatial imbalance,and prominent spatial convergence and divergence. (5) The spatial segregation of tourism flow in Dunhuang is remarkable,and the imbalance of tourism development is partially prominent. Contrary to the western tour route,it presents a higher spatial structure in the eastern tour route.

Key words： LBS big data; Dunhuang; tourist flow; seasonal; World Heritage Site; holidays; climate comprehensive comfort (CCI)

Cite this article

MA Binbin , CHEN Xingpeng , CHEN Fangting . Multi-Scale Temporal and Spatial Differentiation Characteristics of Dunhuang Tourism Flow Based on Social Big Data[J]. Economic geography, 2021 , 41(3) : 202 -212 . DOI: 10.15957/j.cnki.jjdl.2021.03.021

随着互联网、物联网、云计算的兴起和移动终端设备的广泛使用，数据源结构趋于多元，数据量正以空前的速度增长，这引起了人类经济社会的变革和全球虚拟、实体空间形式的重构[1]。Bakis认为地理空间和网络空间交互融合的过程形成了地理网络空间（geocyberspace）[2-3]。互联网和信息通信技术（ICT）的快速发展也正在改变着旅游的本质，引起了旅游研究方法和管理工具的变革[4]。随着“大数据”时代的到来和新数据源的大量增加，为学者重新思考和审视旅游研究的概念和突破传统研究方法提供了全新的视角。在信息和通信技术的快速发展下，旅游目的地的研究可从时间（spatial）、空间（temporal）、组成（compositional）、动态（dynamic）、社交（social）这5个维度进行测算[5]。随着位置感知设备（location aware device，LAD）、位置服务技术（location based service，LBS）等的发展及应用，带有地理空间信息的数据日益受到学者的关注[6-7]。
旅游流是旅游者旅游活动在地理空间上的投影，是连接目的地和客源地的中枢纽带，一直是旅游学研究的核心问题，旅游流有着空间性与时序性特征[6]。广义旅游流是指旅游客源地与旅游目的地之间或者目的地内部旅游客流、物质流、能量流、文化流等的单向或者双向流动。游客作为旅游活动的主体，狭义的旅游流指旅游客流，由于旅游者相似的旅游需求而引起的集体性空间位移现象，游客是引起客源地到目的地之间信息流、能量流、文化流等其它物质流交互的承载者，因此，游客流成为旅游流研究的重点问题[8]。对于旅游流时空分布特征的研究可以揭示游客的旅游时空行为规律，对于旅游目的地的科学规划、空间治理、旅游安全的保障与旅游行政部门的高效化管理有着指导意义[9]。当前关于旅游流的研究主要集中在旅游流预测[10]、旅游流时空模式[11]、旅游流影响[12-13]、旅游流影响因素[14]等方面。梳理文献发现，学者们基于地理学视角开展的传统旅游流时空间特征研究取得丰富成果，已有研究多以旅游客流量的官方统计资料为基础数据，研究区域多选择城市、景区（点），就研究区域内旅游流在年内、季度、月内等不同时间尺度的分布特征与规律进行了探讨，研究内容包括旅游流时空模式[15]、时空特征[16]、机理机制[17-18]、旅游流预测[19]、流动效应研究[20-21]等方面。
新浪微博是国内最具影响力和代表性的社交工具之一，是中国用户量最多也是第一家集大众娱乐、生活、休闲、服务的信息分享和交流平台，截至2019年6月，中国网民规模达8.54亿人，互联网普及率达61.2%[22]，其中微博用户3.37亿，网民使用率达38.63%。截至2018年微博月活跃用户数（MAU）达2.46亿，连续3年增长7 000万+，日活跃用户（DAU）达2亿[23]。新浪微博因其是LBS的应用开发，可以通过移动终端记录当前的签到信息，主要包括位置、图片、留言、评论等自发地理信息（Volunteered Geographic Information），用户的活动时间、地点、内容等共同构成的带有地理位置的签到数据，可以折射出用户的行为轨迹[6,24]。
在互联网背景下，社交媒体平台记录下了海量的多尺度时段和不同位置点的游客流动数据，为旅游流的研究带来新的契机[25]。近年来，基于社交媒体的VGI大数据研究已被应用于旅游研究中，但仍处于起步探索阶段。Raun通过使用爱沙尼亚国家移动网络运营商的匿名移动定位信息，基于地理、时间和组成维度对外国游客实地访问数据进行了实证分析[5]。Siyang Qin运用大数据技术和电话详细记录（CDR）数据，结合手机实时位置信息，对景区游客流量进行监控，分析游客在景区的旅游行为[7]。Villamediana-Pedrosa基于大数据分析了Facebook中旅游目的地品牌宣传的影响变量[26]。Hausmann运用Flickr和Twitter的社交媒体数据，评估了全球知名度较高的鸟类和生物多样性地区潜在的旅游安全威胁，并认为旅游业发展可以促进对生物多样性地区的保护[27]。Colladon对欧洲7个主要首都城市在TripAdvisor论坛中在线社区检索的用户内容进行了社交网络和语义大数据分析，并进行了旅游需求预测分析[28]。Alonso-Almeida以巴塞罗那为例分析了社交网络对中国游客旅游行为的影响[29]。Barros基于社交照片共享网站（Flickr）和网络平台（Wikiloc）的GPS轨迹数据，以泰德国家公园为研究区域，揭示了游客的行程网络和空间分布特征，探索了社交网络地理标记数据在分析国家公园游客行为方面的价值和潜力[30]。Mehmood收集了安装在韩国济州岛149个不同位置的Wi-Fi路由器实时大数据，分析了2016—2017年游客的行为模式，通过对游客行为方式的统计分析，提出了一种最优的旅游路线推荐系统[31]。Giglio利用Flickr社交媒体中带有地理位置信息的大数据，分析了意大利6个城市的旅游吸引力[32]。闫闪闪基于新浪社交大数据对洛阳市旅游流时空分布特征进行了深入研究，并揭示了洛阳市在不同时间尺度的旅游流规律和空间集聚特征，为旅游流的大数据应用研究提供了借鉴性思路[8]。王录仓应用新浪微博签到数据，从时间空间维度就兰州市的旅游流特征进行了研究，并揭示了兰州市的旅游流特征和活动规律，对旅游流大数据的空间分布特征研究有着贡献意义[6]。陈晓艳以南京市钟山风景名胜区为例，基于微博签到大数据分析了景区的客流波动特征[33]。
梳理文献发现，当前利用社交大数据的旅游研究，主要集中在旅游目的地品牌推广、旅游需求预测、游客行为特征、最优旅游线设计、旅游吸引力评价等方面，研究方法上多以网络文本分析、情感语义分析为主，运用LBS地理签到数据源的旅游流大数据研究相对较少，有待进一步的补充和完善。受碍于传统数据源的局限性和当前研究的不足，旅游流的研究在以下几方面有待进一步完善和讨论：①截至2019年，全球世界遗产总数达1 121项，分布在167个国家，中国拥有世界遗产55项，总数位居世界第一。世界遗产地旅游发展与遗产保护协调是世界性难以回避的矛盾和难题[34]，有必要就世界遗产旅游城市的内部旅游流进行进一步研究。②当前研究多以1年的签到数据为主，未能高精度地揭示连续年份内旅游流在年内、季度、月、周、日、小时等多时间尺度内的分异规律。③旅游流在日内的分布特征和流动轨迹能为旅游目的地精细化管理提供重要参考，关于旅游流在24 h内的空间演化轨迹有待进一步的深入研究。因此，本文选取世界遗产地、国际旅游城市——敦煌作为研究区域。敦煌作为有着极高国际知名度的城市，境内有莫高窟等3项世界文化遗产，作为中国典型的世界遗产旅游城市，在旅游快速发展的同时也面临着一系列问题[35] 。本研究试图回答以下问题：①作为中国典型的国际旅游城市，敦煌市旅游流在不同时间尺度有何变化规律?②运用社交大数据，高分辨率识别敦煌旅游流的空间分布特征。③通过LBS大数据，刻画敦煌市旅游流24 h空间演化轨迹，高精度剖析敦煌旅游发展面临的困境并检验敦煌市旅游空间结构与产品体系是否合理。期望为敦煌以及其他同类型旅游目的地旅游服务实施空间布局的优化、旅游产品及线路的高效重组、旅游客流量的管理调控、节假日旅游安全保障与旅游行政部门的高效化、精细化管理提供科学依据。

1 数据来源与方法

1.1 研究区概况

敦煌位于中国西北内陆，总面积3.12万km2，绿洲面积仅占总面积的4.5%。介于92°13′E~95°30′E，39°40′N~41°40′N之间，地处甘肃、新疆、青海三省区的交汇点，东邻三危山，南接鸣沙山，北部戈壁滩与天山余脉相连，西面沙漠与罗布泊相连。敦煌市下辖9个乡镇、1个农场、1个基地。作为丝绸之路的节点城市，敦煌自古以来就是商贸经济重镇，距今已有2 000多年历史，更是多种人类文明交汇融合的交叉点，中国、印度、希腊、伊斯兰四大文化体系在这里交相辉映，尤以“莫高石窟”“敦煌壁画”闻名海内外。
敦煌历史悠久，在人类历史文化发展中有着重要的地位，境内现存各类文物景点265处，其中世界文化遗产就达3处，分别是莫高窟、汉长城边陲玉门关遗址、悬泉置遗址。现存5A级景点1处（鸣沙山‧月牙泉），4A级景点2处（阳关和雅丹国家地质公园），3A级景点8处。敦煌市以其独特的文化资源和旅游吸引力，先后获评“中国历史文化名城”“中国优秀旅游城市”“国际世界的中国品牌城市”“中国自驾车旅游十大目的地”“中国最值得外国人去的50个地方之一”、首批国家全域旅游示范区等荣誉称号。2018年，敦煌市接待国内外游客1 077.3万人次，同比增长19.64%。全年实现旅游总收入115亿元，增长25.92%。其中，境外游客实现旅游外汇收入1 268.63万美元，同比增长68.79%；国内游客旅游收入114.14亿元，同比增长25.67%[36]。

1.2 数据来源

旅游流数据的获取是制约旅游流研究准确性、可靠性和科学性的基本问题之一[37]。传统的旅游流研究数据多来自于官方旅游人次统计和问卷调查数据，由于受样本量的限制和数据采集、调研地点的制约，传统数据无法揭示游客活动的多时间尺度和空间特征，更无法分析游客的活动轨迹。随着“大数据”时代的来临，尤其是社交媒体平台记录下了海量的多尺度时段和不同位置点的游客流动足迹数据，有效地弥补了传统数据的不足与局限性，为旅游流的高精度研究带来新的契机。
本文以中国最具影响力和代表性的社交平台——新浪微博用户的签到数据为对象，通过进入新浪微博API开放平台，在位置服务接口选用“获取某位置及周边动态”应用接口，在获得授权后，输入数据采集点的经纬度、签到范围、时间区间等时空数据抓框架，最后接入编好的程序进行数据采集。结合研究需要，数据采集的内容包括：用户性别、所在地、签到时间、签到经纬度、签到文本内容[33]。在分析之前对数据进行了清洗与筛选，剔除了位置信息模糊和敦煌本地的用户数据，总有效数据样本为34 180条。将签到位置的坐标数据导入ArcGIS，进行坐标与投影转换，并与敦煌市行政区划图关联匹配以做进一步的时空大数据可视化分析。经验证，研究中的大数据与敦煌市2016—2018年游客接待量的年内变化曲线高度契合，呈现对应的比例关系，数据具有科学性和精准性，可以高精度揭示敦煌旅游流的时空分布特征。

1.3 研究方法

为了高精度地揭示旅游流的年内时空变化规律，本研究运用时间分层方法选取“年、季、月、周、日”为时间尺度单位，参考已有研究，采用签到频次指数分析旅游流在多尺度时间内的分布特征[8]。签到频次F为某一时间签到次数与总签到次数的比值，公式如下：
F = T / O
式中：F为签到频次；T为某一时间签到次数；O为总的签到次数。
运用综合舒适度（CCI）分析敦煌市每天的旅游综合舒适度，公式如下：
S = 0.6 T - 24 + 0.07 R - 70 + 0.5 V - 2
式中：S为综合舒适度；T为每天平均气温；R为每天相对湿度；V为平均风速。当S≤4.55，天气舒适；4.55<S≤6.95，天气较舒适；6.95<S≤9.00，天气不舒适；S>9.00，天气极不舒适[38]。
采用GIS提供的Kernel 核密度分析方法对旅游签到大数据进行空间可视化表达。核密度主要分析点要素在不同地理空间位置的发生概率，可以反映点要素在空间上的分布形态和特征，核密度值越高则事件发生概率越高，点越密集，反之则越分散。 f h x为核函数；x-xi表示x到xi的距离；h>0为宽度，值越大表面分布越密集[39-40]。计算公式如下：
λ ^ h s = ∑ i = 1 n 3 π h 4 1 - s - s i 2 h 2 2
式中：S为签到数据的空间位置； s i为以S为圆心、h为半径的空间范围内第i个签到数据的位置；h的大小决定研究对象nuclear density的空间分布的平滑程度。研究中搜索半径为1 km，并采用分位数分类方法，核密度分析图中颜色由绿到红色表示核度由大到小，核密度值越高则代表旅游流空间集聚性越高。为了更加直观地揭示旅游流的空间分布特征，在核密度分析的基础上，运用ArcScene制作敦煌市旅游流3D立体图，其中高度越高则表示旅游流强度和旅游签到频次越高。

2 敦煌市旅游流时间分布特征及规律

2.1 敦煌市旅游流年内整体变化分析

通过分析敦煌市游客在2016年7月—2019年6月3年间每天的签到频次数据，分析敦煌旅游流在年内的变化规律与特征。根据游客每天的签到频次数据，结合季节和天气变化特征，绘制形成敦煌市旅游流年内变化峰林结构图，图中对特殊节点和时间段进行了标注说明，如图1。分析图1可以发现，敦煌市旅游流年内变化呈现“单峰多山岭”的分布特征，图中显著凸出的主峰为“十一”黄金周，该阶段敦煌市游客数量呈井喷式增长，连续三年来游客签到频次处于高位波段，2016年度的签到频次为9.51%，2017年为12.64%，2018年为12.28%。
图1 敦煌市游客签到频次年内变化特征

Fig.1 The characteristics of tourist check-in frequency in Dunhuang City during the year

在峰林结构中另一个比较突出的阶段是春节期间，该阶段游客的签到频次出现连续高位波段特征。敦煌市游客签到频次的年内变化呈现显著的“分形”结构，图中参差不齐的凸形峰林和犬牙交错的凹形谷地，以及无数个不规则交互变化的丛林状结构，共同组成了敦煌市客流量年内变化的峰林结构图。总体来看，敦煌市年内客流量呈现显著的反季节性、规律性及相似性特征，客流量年内峰林结构在淡季、旺季交替转化的过程中形成。5月初到10月中旬为敦煌旅游的旺季，客流量较大，游客签到频次始终处于较高位波段，该阶段的波动幅度较小，波位特征趋于平稳，呈现相似性特征。11月初到4月末为敦煌旅游淡季转旺季阶段，由于受到元旦、春节等节假日和旅游促销活动的影响，客流量在11月初、元旦、春节期间出现高波段特征，游客的反季节性增长趋势凸显，但是该阶段客流量波段变化幅度较大，波位在0.22%~10%之间呈周期性交替波动，客流量变化呈现一定的规律性。
按照敦煌旅游大数据客流量峰林结构可以高精度地划分敦煌旅游的淡旺季，以2018年度旅游流大数据为例，本研究科学地划分了敦煌旅游淡旺季的时段、持续时间、主要特征以及典型的月（周），见表1。分析发现，敦煌旅游的淡季持续的时间为12月初至1月初，该阶段呈现天气寒冷，气候舒适度低，客流量较小且波动幅度大的特征；敦煌旅游淡季转旺季的时段为1月中旬至2月末，3月初至4月末，受到春节长假的影响该阶段客流量反季节性特征明显，随着气候逐渐适宜，客流量呈波动性增长趋势，旅游开始回温；敦煌旅游的旺季是5月初至10月中旬，该阶段5、6月气候相对舒适，并伴随清明、“五一”假期，游客量持续增长，7、8月份西北内陆天气虽然炎热，但是由于正值暑假和毕业季，客流量趋于平稳，且始终保持在较高位波段，9、10月酷暑逐渐结束，伴随着“十一”黄金周等节假日，该阶段客流量处于高位波段，呈现井喷式增长态势；敦煌旅游旺季转淡季的时间段为10月末至11月末，该阶段天气渐冷，由于经历了“十一”黄金周的井喷式增长，该阶段客流量急剧回落，波动幅度较大，敦煌旅游进入淡季阶段。
表1 敦煌市旅游淡旺季划分及主要特征

Tab.1 Time division of off-season and peak season and their main characteristics in Dunhuang City

时段 持续时间 主要特征 典型月 典型周
淡季 12月初至1月初 天气寒冷，气候舒适度低，客流量较小且波动幅度大 1月 12.30~1.30
淡季转旺季 1月中旬至2月末
3月初至4月末		 客流量反季节性特征明显，气候逐渐适宜，客流量呈波动性增长趋势，逐渐回温 2月 3.2~3.16
旺季 5月初10月中旬 气候舒适，伴随清明、“五一”、暑假、“十一”黄金周等节假日，该阶段客流量处于高位波段 5月、10月 9.30~10.07
旺季转淡季 10月末至11月末 天气渐冷，客流量回落且波动幅度较大 11月 11.15~12.01

2.2 敦煌市旅游流变化的季节性特征分析

根据敦煌市2016—2018年度游客签到频次的大数据，绘制形成敦煌市旅游流的季节性变化趋势图（图2）。按照中国气象局的标准，春夏秋冬四季的划分标准为：3~5月为春季、6~8月为夏季、9~11月为秋季、12~2月为冬季。分析发现，敦煌市客流量的季节性差异特征明显，敦煌市客流量主要集中在夏季和秋季，总体来看敦煌市客流量呈现夏季客流量>秋季客流量>春季客流量>冬季客流量。
图2 敦煌市游客签到频次的季节性变化

Fig.2 Seasonal variation of check-in frequency of tourists in Dunhuang

为了进一步揭示敦煌市旅游流的季节性变化规律，探究其差异特征，本研究引入季节性指数和气候综合舒适度（CCI）。计算得出2016—2018年敦煌市旅游客流量的季节性指数均趋于11.218，季节性指数偏大且在三年间呈现稳定态势，说明敦煌市旅游流的季节性差异呈现连续性固化态势。分析气候舒适度发现CCI≤4.55，舒适时段主要集中在6、7、9月；4.55<CCI≤6.95，较舒适时段主要集中在4、5、8月；6.95<CCI≤9.00，气候不舒适；CCI>9.00，气候极不舒适，该阶段主要集中在1、2、3、10、11、12月份。对比分析发现气候极不舒适的10月份却是旅游旺季，1、2、3、11、12月等天气舒适度极低的月份旅游客流量的波动幅度较小，敦煌旅游流的反季节性特征明显，说明季节和气候因素虽然影响旅游流的出游时间，但不起决定作用（图3）。
图3 敦煌气候综合舒适度指数

Fig.3 Comprehensive climate comfort index in Dunhuang

2.3 敦煌市旅游流月内变化分析

根据敦煌市旅游流“峰林结构”以及淡旺季特征，选取1、5、7、10月为敦煌市旅游客流量的典型代表月份，深入分析敦煌市旅游流的月内变化规律，如图4。1月份敦煌旅游客流量变化的峰林结构图总体呈“W”结构，总体上处于低位波段，元旦期间和月末游客较多，且月内客流量波动幅度较大，呈现不稳定态势。5月份为敦煌旅游的平季，此时敦煌气候舒适并伴随着“五一”小长假，该阶段客流量处于高位波段且波动幅度较小，客流量在五一假期形成短暂小高峰后逐步回落趋于平稳。7月份为敦煌旅游的旺季，此时正值暑期和学校毕业季，该阶段客流量呈不断上升态势，旅游流处于高位波段且波动幅度小。11月份为敦煌旅游旺季转淡季的阶段，随着“十一”黄金周的到来，敦煌旅游在10月1—5日呈井喷式增长；随着假期的尾声和天气逐渐寒冷，客流量呈断崖式下跌，10月7日以后敦煌旅游逐步进入淡季阶段。
图4 各典型月敦煌市游客签到频次变化

Fig.4 The variation of check-in frequency of tourists in Dunhuang in each typical month

2.4 敦煌市旅游流周内变化分析

旅游流在周内的变化特征和规律是旅游目的地需要重点关注的时间变化规律之一[1]。为了揭示旅游流在一周7天内的变化特征和规律，回答双休日是否影响敦煌旅游流的变化这一问题，本研究绘制了敦煌在平季、淡季、旺季、总体的旅游客流变化趋势，如图5所示。分析发现，敦煌市旅游客流量在周内的变化并未出现明显的规律性特征，周六、周日工作休闲制度并未对敦煌市周内旅游流的变化产生影响，敦煌客流量周内的波动特征在旺季、平季、总体上趋于一致，客流量最大值出现在周三，淡季期间客流量最大值则出现在周二。总体来看，敦煌客流量在周内的变化并未在工作日和周末之间产生明显差异，主要原因是敦煌客源结构以外地游客为主，受距离成本影响游客出行不需要考虑是否周末这一时间因素。
图5 敦煌游客签到频次周内变化

Fig.5 Variation of check-in frequency of tourists in Dunhuang within a week

2.5 敦煌市旅游流日内变化特征分析

旅游流的日内变化规律是游客时间行为研究中最小的尺度单元[1]。为了更精确地解析敦煌旅游流的日内变化规律，高分辨率揭示游客在一日24 h内不同时间点的分布特征和变化规律，本研究分析了敦煌市24 h内的高精度旅游流变化趋势，如图6所示。分析发现，2016—2018年敦煌市旅游流在24 h内的波动趋势一致，但波动特征极为明显，日内变化规律呈“√”型。最低值出现在3∶00~5∶00时段，5∶00后逐渐增加，8∶00~12∶00时段为旅游流持续增长的第一阶段，13∶00~17∶00时段旅游流趋于平稳，18∶00~1∶00时段为旅游流持续增长的第二阶段，1∶00~3∶00，游客签到频次骤减。从敦煌市旅游流24 h内的变化特征和规律中可以发现，敦煌市形成了较为完整的不同时段的旅游吸引力，游客白天以敦煌莫高窟、月牙泉、敦煌古城、雅丹魔鬼城为主要旅游目的地，夜幕降临游客开始走进敦煌夜市、党河风情线，在敦煌剧院观赏《又见敦煌》《丝路花雨》等实景演出。由此可见，敦煌已初步形成了较为丰富和完善的白天—夜间全天候旅游产品体系。
图6 敦煌游客签到频次日内变化

Fig.6 Variation of check-in frequency of tourists in Dunhuang within a day

3 敦煌市旅游流空间分异特征

3.1 敦煌市旅游流空间聚集特征分析

从敦煌市游客签到的核密度分析来看，敦煌市旅游流呈现出“高集聚、多中心”的空间分异特征，空间不均衡性、空间收敛性与发散性突出。形成了核心—边缘旅游流等级结构和一核多中心的旅游流热点区。敦煌旅游流核心热点区主要集中于敦煌市主城区及近郊，主要包括鸣沙山—月牙泉景区、敦煌莫高窟世界文化遗产、敦煌古城、党河风情线、敦煌夜市、敦煌莫高窟数字展示中心等。次核心热点区主要包括雅丹国家地质公园、玉门关世界文化遗产、阳关世界文化遗产等区域。综合来看，敦煌市旅游流主要以高等级旅游景区和高级别世界文化遗产为核心呈集聚化分布，以城市主城区为核心呈依附状扩散，以道路交通和旅游服务设施为依托呈寄生状延伸。
图7 敦煌市旅游流核密度图

Fig.7 Kernel density of tourist flow in Dunhuang

3.1.1 以高等级旅游资源为核心呈集聚化分布

敦煌市旅游流的高密度区主要集中在敦煌高级别的旅游资源分布区域，从旅游流核密度分布图可以发现，旅游流高密度区主要集中在雅丹国家地质公园、世界文化遗产—玉门关遗址、阳关长城遗址旅游区（AAAA旅游景区）、敦煌莫高窟世界文化遗产、敦煌古城、鸣沙山—月牙泉国家级风景名胜区（AAAAA级景区）、莫高窟数字展示中心。这些旅游资源有着较高的文化旅游价值，是敦煌旅游的核心吸引力和主要旅游目的地。以莫高窟为代表的世界文化遗产享誉世界，是敦煌的城市名片和敦煌文化的象征，有着极高的历史文化价值，每年吸引着数以万计的国内外游客。鸣沙山—月牙泉，古往今来以“沙漠奇观”著称于世，是集旅游观光、度假休闲、滑沙健身、文化交流和地质科研于一体的国内外知名风景旅游区。雅丹魔鬼城、玉门关、阳关遗址、敦煌古城以其独特的魅力和历史文化价值吸引着众多游客。这些高等级的旅游资源共同构成了敦煌的旅游核心吸引力，是游客在敦煌首选的旅游目的地，更是敦煌旅游流的热点区。

3.1.2 以城市主城区为核心呈依附状扩散

从敦煌市全域宏观尺度分析，敦煌市主城区为敦煌旅游流的高密度区且分布范围广。主城区有着完备的旅游接待服务设施，各类资源要素聚集，能满足游客“食住行游购娱”的旅游需求和消费需要。敦煌党河风情线、敦煌夜市、敦煌博物馆、敦煌公园、敦煌飞天公园、祥云广场，是游客在敦煌城区主要旅游活动的主要目的地。敦煌夜市和党河风情线是游客体验敦煌美食和欣赏敦煌城市夜景的最佳目的地，敦煌反弹琵琶雕塑更成为游客的必到打卡地。敦煌主城区成为游客集散、游憩、休闲、娱乐的核心区域，也是敦煌旅游流高度集中的核心区域。位于市区和近郊的敦煌大剧院、又见敦煌剧场、敦煌山庄、敦煌盛典剧场是著名的敦煌大型实景演出剧《又见敦煌》《敦煌盛典》《丝路花雨》《大梦敦煌》的演出地。

3.1.3 以道路交通和旅游服务设施为依托呈寄生状延伸

敦煌市主要交通干道与主干路网节点是旅游流的高集聚区。敦煌国际机场、敦煌车站、敦煌火车站也是游客的主要集散中心，G3011、G215是途经敦煌境内、连接周边城市、途经敦煌国际机场、敦煌市郊的主要通道。敦煌景观大道则是敦煌旅游的大动脉，起点接莫高窟专线，自东向西沿鸣沙山北侧，途经“又见敦煌”、敦煌国际酒店、会展中心、雷音寺、丝绸之路文化遗产博览城等，西面与国道215线相交，通往阳关、玉门关和雅丹景区。沿线共有5处景观节点，分别是会展中心文化休闲景观节点、南台堡综合服务节点（党河大桥西侧）、秦家湾绿洲田园景观节点、敦煌影视城丝路文化景观节点和西出口丝路文化景观节点。敦煌市区有着完备的旅游基础服务设施，有着敦煌市阳光沙州大酒店、太阳宾馆、敦煌宾馆、敦煌山庄、飞天大酒店等高星级酒店和其他休闲、娱乐、购物设施。鸣沙山—月牙泉、敦煌古城等景区周边遍及各类旅游接待与服务设施，也是旅游流的主要集聚区。

3.2 敦煌市旅游流24 h动态变化与空间集聚特征

为了更准确高精度地揭示敦煌旅游流在日内的动态变化与集聚特征，本研究将24 h划分为0~3 h、3~6 h、6~9 h、9~12 h、12~15 h、15~18 h、18~21 h、21~24 h共8个时间段，进一步分析敦煌市旅游流空间集聚特征及日内动态变化规律（图略）。敦煌旅游流在日内呈偏态分布。从时间尺度分析，0~3 h敦煌旅游流强度由强渐弱，3~6 h为旅游流强度最弱时段，6~18 h为敦煌市旅游流逐步增长阶段，18~21 h敦煌市旅游流急速增长，在21~24 h达到最大强度。从空间分布特征分析发现：0~3h敦煌市旅游流主要集中在主城区和月牙泉鸣沙山景区周边，敦煌古城、阳关景区、玉门关遗址等其它景区（点）旅游流强度极弱。3~6 h进入深夜，游客由于舟车劳顿进入睡眠休息阶段，该阶段旅游流以主城区为主。但是随着时间的推移，6~9 h旅游流扩散趋势开始明显，游客开始从主城区向鸣沙山—月牙泉景区扩散。9~12 h敦煌古城、莫高窟、莫高管数字展示中心旅游流平稳增加。12~15 h鸣沙山—月牙泉景区、莫高窟和阳关遗址景区旅游流迅速增长。15~18 h玉门关、雅丹魔鬼城景区旅游流强度逐渐增加，主城区、莫高窟、鸣沙山—月牙泉景区旅游流处于平稳态势而莫高窟数字展示中心旅游流强度减弱。18~21 h由于游客开始回流，敦煌主城区和鸣沙山月牙泉景区、莫高窟数字展示中心旅游流逐步增加，在21~24 h时段主城区及鸣沙山—月牙泉景区旅游流强度达到最大，该阶段敦煌古城、莫高窟数字展示中心附近也是旅游流的次热点区，雅丹魔鬼城、阳关、玉门关景区属于旅游流低值区。其主要原因是，该阶段景区暂停开放，游客活动主要集中在商业区、酒吧、酒店、宾馆、夜市等，而主城区、莫高窟数字展示中心（火车站）、鸣沙山月牙泉景区、敦煌古城周边有着完备的旅游服务设施和多元的夜间旅游产品。
表2 敦煌市旅游流24 h主要轨迹

Tab.2 main track of tourist flow in Dunhuang within a day

旅游流轨迹 时间
敦煌市区→鸣沙山月牙泉→莫高窟 6~24 h
敦煌市区→敦煌古城 6~12 h
敦煌市区→阳关景区 9~15 h
敦煌市区→玉门关→雅丹魔鬼城 6~18 h
敦煌市区→莫高窟数字展示中心 6~次日3 h
莫高窟→敦煌市区 18~21 h
莫高窟数字展示中心→敦煌市区 18~24 h
敦煌古城→敦煌市区 18~24 h
阳关景区→敦煌市区 15~21 h
雅丹魔鬼城→玉门关→敦煌市区 18~21 h

3.3 敦煌市旅游流24 h空间演化轨迹

敦煌市旅游流空间偏聚性特征显著，旅游发展的不均衡性较为突出，旅游流在空间上呈现：点（城区、景区）—轴（旅游交通、景观大道）的演化轨迹。总体来看，敦煌市旅游流主要集中在（东线）主城区、鸣沙山—月牙泉和莫高窟周边，其次为阳关遗址景区，而西线区域对于游客的吸引力明显不足，雅丹魔鬼城、玉门关只吸引少量游客，旅游流强度很弱。从旅游流分布集中的城区及近郊分析来看，受敦煌旅游景区的点状分布形态影响，该区域旅游流的分布也呈现出明显的点—轴状分布特征，以市区为核心沿着主要交通道路形成了西南、东北多条旅游流轴线。敦煌旅游流24 h的演化轨迹如图8，可以发现敦煌市区是旅游流的主要集散中心，市区、鸣沙山—月牙泉景区是游客晚间旅游活动的主要场所。敦煌市面积广袤，除了城区近郊旅游景区较为集中，其它区域旅游景区分布极为分散，这在一定程度上割裂了敦煌市旅游线路的空间组织形态。距离敦煌市区较远的阳关景区、玉门关景区、雅丹魔鬼城以观光为主，缺乏体验与休闲的旅游产品和完备的基础服务设施，游客在该区域的游玩空间较小、滞留时间较短。该区域景区零散分布，交通路网不健全且通达度较低，导致旅游流呈斑块状零散分布。通过分析敦煌市旅游流24 h空间演化轨迹发现，敦煌市旅游东线区域呈现较为高效的空间组织形态，旅游流强度高，旅游流持续时间较长，已形成闭合的旅游线路和成熟的24 h旅游产品体系，而西线区域的旅游流空间结构形态呈割裂状，旅游流强度偏弱，且持续时间较短，旅游流主要集中在白天时段，还未形成闭合的旅游线路和成熟的旅游产品体系。
图8 敦煌市旅游流24 h空间演化轨迹

Fig.8 Spatial evolution trajectory of tourist flow within a day in Dunhuang City

4 讨论与建议

从敦煌市旅游流的多尺度时空分布特征与24h动态演化轨迹来看，敦煌市旅游空间结构、旅游产品供给和旅游产品体系不合理，主要表现为：①敦煌市旅游流的季节性差异呈现连续固化态势，还未形成四季性的旅游产品体系，尤其是冬春旅游产品明显供给不足，这不利于敦煌市旅游的健康可持续发展。②敦煌旅游淡旺季明显，“十一”黄金周游客呈井喷式增长，假期结束又呈断崖式下跌，在旺季阶段面临着诸如旅游供需矛盾突出、文化遗产与生态环保承载压力大、客流量与游客环境容量调控难度高等方面的问题。而在淡季阶段则面临着旅游流波动幅度大、旅游接待服务设施利用率不高等问题。③敦煌市旅游流空间偏聚性特征显著，东线、西线区域间旅游发展的不均衡性较为突出，旅游地空间结构呈割裂状，尤其是西线区域还未形成高效的旅游空间组织形态和成熟的产品体系。
基于以上突出问题，本文提出以下发展建议：①创新四季旅游产品，缓解季节性差异。由于敦煌市客流量的季节性差异特征明显，客流主要集中在夏季和秋季，春季冬季旅游产品供给不足。旅游管理部门应该采取必要措施缩小旅游的季节差异性，通过推出四季旅游产品对客流量进行科学的分流、引导与调控。首先，进一步打造以“塞外冰雪，丝路奇缘”为主题的敦煌文博冰雪节，将大漠冰雪旅游作为敦煌冬春旅游的新名片，提升冰雪旅游产品的规模和吸引力。近年来，敦煌市也相继出台了冬春旅游产品优惠活动和奖励补贴等系列优惠政策，但是依然未能提振冬春旅游市场活力。当前丝绸之路（敦煌）国际文化博览会和敦煌行·丝绸之路国际旅游节等重要节庆多在旺季举办，这不利于客流的分流，在今后应该错峰举办多元化文化旅游节庆活动，以缓解淡旺季差异。其次，应该进一步重视微博、抖音短视频、微信公众号等新媒体营销，促进敦煌冬春季旅游产品的精准化营销和高效投放，以拓展其客源市场规模和挖掘市场潜力。②挖掘西线旅游资源潜力，拓展旅游流时间空间。针对敦煌市旅游流空间偏聚性特征显著，东线、西线区域间旅游发展的不均衡性问题，应深入挖掘西线区域旅游资源潜力，拓展阳关景区、玉门关景区、雅丹魔鬼城等景区的旅游产品形态。通过打造房车营地、塞外风情或沙漠主题旅馆等方式，科学布局一定旅游接待服务设施，增加融合历史文化元素的参与式旅游体验活动，延伸游客在该区域的游玩空间和滞留时间，促进西线区域由观光型产品向参与体验型旅游产品转变，通过强化西线区域旅游产品的接待服务功能，进而弱化敦煌市旅游流“核心—边缘”等级结构。③优化旅游空间结构，助推全域协同发展。以全国全域旅游示范区建设为契机，实现东—西线旅游产品及线路的高效重组，针对西线区域旅游流呈斑块状零星分布的现状，应进一步加强交通路网建设，提升东—西区域间旅游交通的通达度和辐射效应，实现零散分布旅游景点的串联协同发展，进而促进旅游服务实施的高效利用和空间布局的优化。④借力新媒体大数据平台，促进旅游地空间高效治理。以大数据、新媒体、智慧旅游为平台，促进旅游行政部门的高效化管理。依托游客大数据信息，高精度揭示旅游流轨迹与游客行为偏好，科学规划旅游线路，促进目的地高效精准营销，进一步拓展潜在客源市场。尤其是在旅游旺季和旅游流高峰时段对旅游流核心热点区客流进行科学分流、引导与调控，以提升游客旅游体验、确保旅游安全、减少生态环境与文物保护压力，进而促进敦煌世界遗产地旅游的健康可持续发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Graham S, Marvin S. Telecommunications and the city:electronic spaces,urban places[M]. London: Routledge, 1996:211-236.

[2]
H.巴凯斯, 路紫. 从地理空间到地理网络空间的变化趋势——兼论西方学者关于电信对地区影响的研究[J]. 地理学报, 2000, 55(1):104-110.

[3]
高春东, 郭启全, 江东. 网络空间地理学的理论基础与技术路径[J]. 地理学报, 2019, 74(9):1709-1723.

DOI

[4]
Law R, Buhalis D, Cobanoglu C. Progress on information and commu-nication technologies in hospitality and tourism[J]. International Journal of Contemporary Hospitality Management, 2014, 26(5):727-750.

[5]
Raun J, Ahas R, Tiru M. Measuring tourism destinations using mobile tracking data[J]. Tourism Management, 2016, 57:202-212.

[6]
王录仓, 严翠霞, 李巍. 基于新浪微博大数据的旅游流时空特征研究——以兰州市为例[J]. 旅游学刊, 2017, 32(5):94-105.

[7]
Siyang Q, Jie M, Xuzhao W, et al. Applying big data analytics to monitor tourist flow for the scenic area operation management[J]. Discrete Dynamics in Nature and Society, 2019, 2019(1):1-11.

[8]
闫闪闪, 梁留科, 索志辉, 等. 基于大数据的洛阳市旅游流时空分布特征[J]. 经济地理, 2017, 37(8):216-224.

[9]
张铁生, 孙根年. 旅游地客流量峰林结构及成因探析——湖南凤凰入境旅游与国内旅游的比较[J]. 旅游科学, 2014(1):48-57,79.

[10]
Wu B Q, Wu J F, Shi X T, et al. Visiting probability model:a new method for tourist volume forecasting[J]. Asia Pacific Journal of Tourism Research. 2019, 24(12):1155-1168.

[11]
Liu P, Zhang H, Zhang J, et al. Spatial-temporal response patterns of tourist flow under impulse pre-trip information search:from online to arrival[J]. Tourism Management, 2019, 73:105-114.

[12]
Zhang Y, Li X, Wu T. The impacts of cultural values on bilateral international tourist flows:a panel data gravity model[J]. Current Issues in Tourism, 2017, 22(8):1575-1590.

[13]
Accetturo A, Cascarano M, Degasperi P, et al. The effects of common culture and language on economic exchanges:evidence from tourist flowsl[J]. Regional Studies, 2019, 53(11):1-16.

[14]
Zeng B, He Y. Factors influencing Chinese tourist flow in Japan-a grounded theory approachl[J]. Asia Pacific Journal of Tourism Research, 2019, 24(1):56-69.

[15]
Lew A, Mckercher B. Modeling tourist movements a local destination analysis[J]. Annals of Tourism Research, 2006, 33:403-423.

[16]
Connell J, Page S J. Exploring the spatial patterns of car-based tourist travel in Loch Lomond and Trossachs National Park,Scotland[J]. Tourism Management, 2008, 29(3):561-580.

[17]
Zhang J, Jensen C. Comparative advantage:explaining tourism flows[J]. Annals of Tourism Research, 2007, 34(1):223-243.

[18]
Munoz T G. Inbound international tourism to Canary Islands:a dynamic panel data model[J]. Tourism Management, 2006, 27(2):281-291.

[19]
Munoz T G. German demand for tourism in Spain[J]. Tourism Management, 2007, 28(1):12-22.

[20]
林岚, 康志林, 甘萌雨, 等. 基于航空口岸的台胞大陆旅游流空间场效应分析[J]. 地理研究, 2007, 26(2):403-412.

[21]
张佑印, 顾静, 马耀峰. 旅游流研究的进展、评价与展望[J]. 旅游学刊, 2013, 28(6):38-46.

[22]
中国互联网络信息中心. 中国互联网络发展状况统计报告[R]. 2019.

[23]
新浪微博数据中心. 2018微博用户发展报告[R]. 2019.

[24]
Naaman M, Zhang A X, Brody S, et al. On the study of diurnal urban routines on Twitter[C]// Breslin J G,Ellison N B,et al.Proceedings of the 6th International Conference on Weblogs and Social Media. Dublin,Ireland:2012:58-265.

[25]
刘法建, 张捷, 章锦河, 等. 旅游流空间数据获取的基本方法分析——国内外研究综述及比较[J]. 旅游学刊, 2012, 27(6):101-109.

[26]
Villamediana-Pedrosa J D, Vila-Lopez N, Küster-Boluda Inés. Secrets to design an effective message on facebook:an application to a touristic destination based on big data analysisl[J]. Current Issues in Tourism, 2019, 22(11-15):1841-1861.

[27]
Hausmann Anna, Toivonen Tuuli, Fink Christoph. Assessing global popularity and threats to important bird and biodiversity areas using social media data[J]. Science of the Total Environment, 2019, 683:617-623.

DOI

[28]
Colladon A F, Guardabascio B, Innarella R. Using social network and semantic analysis to analyze online travel forums and forecast tourism demand[J]. Decision Support Systems, 2019, 24(1):2-35.

[29]
María-del-Mar Alonso-Almeida, Fernando Borrajo-Millán, Yi L. Are social media data pushing overtourism? The case of Barcelona and Chinese tourists[J]. Sustainability, 2019, 11(12):2-17.

[30]
Barros C, Borja Moya-Gómez, Javier Gutiérrez. Using geotagged photographs and GPS tracks from social networks to analyse visitor behaviour in national parks[J]. Current Issues in Tourism, 2020, 23(10):1291-1319.

[31]
Mehmood F, Ahmad S, Kim D. Design and development of a real-time optimal route recommendation system using big data for tourists in Jeju Island[J]. Electronics, 2019, 8(5):1-22.

[32]
Giglio S, Bertacchini F, Bilotta E, et al. Using social media to identify tourism attractiveness in six italian cities[J]. Tourism Management, 2019, 72:306-312.

[33]
陈晓艳, 张子昂, 胡小海, 等. 微博签到大数据中旅游景区客流波动特征分析——以南京市钟山风景名胜区为例[J]. 经济地理, 2018, 38(9):206-214.

DOI

[34]
陈志军, 徐飞雄, 刘嘉毅. 世界自然遗产地旅游发展与遗产保护协调的战略管理研究——基于崀山的实证分析[J]. 中南林业科技大学学报:社会科学版, 2016, 10(6):68-76.

[35]
刘姗姗. 敦煌市旅游环境承载力分析[D]. 兰州: 西北师范大学, 2014.

[36]
敦煌市人民政府. 敦煌市2018年国民经济和社会发展统计公报[EB/OL]. http://www.dunhuang.gov.cn/lidunhuang/jjshfzqk/20190715/10515356333dc8.html?keywords=,2019-07-15.

[37]
Ahas R, Aasa A, Roose A, et al. Evaluating passive mobile positioning data for tourism surveys:an Estonian case study[J]. Tourism Management, 2008, 29(3):469-486.

[38]
刘多森, 蔡蔚祺. 北京郊区乡村旅游季节性特征及其影响因素[J]. 地理科学进展, 2012, 31(6):817-824.

[39]
马斌斌, 陈兴鹏, 马凯凯, 等. 中国乡村旅游重点村空间分布、类型结构及影响因素[J]. 经济地理, 2020, 40(7):190-199.

DOI

[40]
王新越, 候娟娟. 山东省乡村休闲旅游地的空间分布特征及影响因素[J]. 地理科学, 2016, 36(11):1706-1714.

DOI

Options
Outlines

/

〈 〉