目的地区域内旅游线路模式及客流影响因素研究

刘培学，陆佑海，张金悦，张建新，张宏磊

[摘    要]基于大样本数据的分析有助于深入揭示游客在目的地区域内迁移模式与扩散的空间特征。文章以江苏省为例，研究游客在省域尺度的区域内聚和扩散，对多节点线路距离和游客移动步长分布特征进行了刻画，使用最优标度回归模型分析了多种因素对各景区接待不同移动模式游客量的影响程度。结果表明：（1）外来游客在江苏省内的多节点模式空间距离呈现指数型分布规律，相应距离模式上的游客量呈现幂指数分布，游客在高等级景区间转移的移动步长呈现指数分布;（2）省域客流内聚于南京、苏州、扬州与无锡的三角地带，“烟花三月下扬州”的季节性使得客流在苏中地区较为活跃;（3）景区等级、创建年限、所在城市和距离市中心距离等因素对游客的不同移动模式选择有普遍的显著影响，在重要性程度上差异明显。多节点模式游客偏好高价门票型景区，受景区区位便利性影响更强，而单节点模式受景区面积和季节性影响较大，高等级景区和高满意度会促使游客继续游览下一节点。文章在大数据支持下总结了游客移动规律特征，对比不同模式客流偏好的多因素影响机制，有助于深入大尺度目的地区域内部以景区为节点的游客空间行为研究，也为在实践中具体评价游线质量，优化景区间交通体系，并促进目的地全域协调发展提供了应用方法参考。

[关键词]目的地区域;旅游线路;游客偏好;数字足迹;最优标度回归

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2022）06-0014-13

Doi： 10.19765/j.cnki.1002-5006.2022.06.007

引言

游客在客源地与目的地之间及目的地内部的流动是当代社会人类流动的重要组成，大众旅游呈现多样的模式特征，对旅游移动模式特征与机制的分析一直是旅游流研究的核心问题[1]。了解游客流动模式对于旅游管理者进行目的地管理决策至关重要[2]，比如文化旅游主管部门在组织区域精品旅游线路组合的征集和遴选时，往往缺少游客行为偏好特征的数据与研究支撑。旅游线路模式是游客在目的地区域内停留和消费的空间上做出连续性选择的组合，对游线进行统计和分析可以重新审视各旅游目的地的定位差异[3]。旅游线路模式还会驱动目的地区域空间分异[4]，枢纽和门户型目的地在这一分异过程中获益更多[5]。

相关研究以中观（城市为主）和微观（景区内部为主）地理尺度的线路模式分类为主，大尺度区域内空间流动特征的研究较少，其数据来源主要依赖旅行社线路产品。随着移动手机集成GPS、移动互联网等现代信息通信技术的飞速发展，大规模、高精度的人类空间交互数据的可获取程度不断提高。这在一定程度上解决了旅游流研究领域精细数据获取困难的问题，为旅游流的研究提供了新的数据来源与研究视角，促成了新时代背景下该领域的发展。而游客移动模式与目的地区域是相互作用的[6]，并在微观、中观和宏观区域不同尺度上形成多样的空间流动格局[7]。因而，本文在传统旅游客流的研究领域之外，关注到旅游学界有必要回答的问題：大样本条件下大尺度区域内部的游客移动的模式与偏好特征是怎样的，并呈现出哪些时间与空间规律。

手机信令对应的数字足迹对分析游客移动具有广泛覆盖度的优势，提供了更大尺度研究的技术基础，而且数据有较好的鲁棒性，受使用者属性偏差影响较小[8]。基于此，本研究利用基于手机信令漫游数据的旅游客流监测平台，在2017年3―5月随机获取江苏省204家5A级与4A级景区间的18.8万人次省外客流数据，总结大尺度区域中的游客空间移动模式和线路特征，探索省域内部景区节点旅游流空间分布特征和时间变化，选择最优标度回归模型对不同移动方式游客对比分析及景区客流影响因素研究。本研究将为政策制定者更好地配置和管理潜力地区的旅游资源的空间优化提供支撑，通过明确客源偏好及其影响因素，有助于旅游营销机构和服务企业对线路组织进行更有针对性的优化提供参考。

1 研究综述

1.1 游客时空行为与旅游线路模式

旅游客流在目的地内部的运动模式影响区域旅游产品的开发和线路的组织，地理学视角的研究对目的地提出了许多的空间认知模型[9]。Lew与McKercher归纳游客在目的地内部的空间行为，主要分为点对点、环游、复杂等3种模式[10]。Orellana等探索了自然旅游区游客的两种运动模式（循环模式和序列模式），以发现游客的偏好[11]。国内学者进行了广泛的探索，吴必虎等较早研究中国居民出游规律，特别是目的地选择的类型偏好和空间范围规律[12]。史春云等比较分析了我国旅行社线路空间模式类型特征[5]及其对旅游经济的差异影响[13]。李山等针对大尺度区域旅游圈定量分析了旅游线路的游时和旅径等特征[14-15]。靳诚等构建了南京市景点间游客流动网络，发现流动符合基于幂函数的威尔逊流动模型，存在明显流量距离衰减特征[16]。

游客时空行为相关研究以中观和微观地理尺度的模式分类为主，在山岳[17]、主题乐园[18]、历史街区[19]和古典园林[20]中的时空行为和路径类型研究较为丰富。聚焦景区为节点的目的地区域旅游流研究正在增多，查晓莉等研究上海迪士尼游客在不同尺度区域内的空间分布形态和旅游流动特征[21]，穆成林和陆林研究了高铁开通前后黄山旅游目的地区域客流空间结构由凝聚趋向扩展的影响[22]。在研究尺度方面，目前仍局限于城市内部或者以城市为节点的区域旅游客流空间结构的变化，对目的地区域的主要节点——旅游景区间的移动特征尚待深入。

总体上看，无论在何种空间尺度，大部分研究都是从现象描述或简单归纳的角度分析游客的时空行为模式，普遍缺乏一般化的数学模型对时空行为的生成机理做出解释[3]。原因除了由于游客的旅行安排具有随机性和多样性外，目的地的相关因素，如旅游资源类型与分布、城市经济规模和交通可达性等具有复杂性，以及地理环境的多变，使得反映人地关系的游客时空行为变得复杂[23]。基于Lancaster消费特性理论的研究认为，旅游空间选择行为受空间属性以及对游客的不同效用所影响[24]，相关研究据此在多目的地旅行选择模式上构建了多因素的系统框架[25]。旅游可被视为不同游客对不同属性（吸引物、设施和旅行距离等）的旅游目的地的选择[26]，因此，影响游客旅行空间模式选择的因素在大体上可以分为两类变量：影响游客决策和行为的游客变量和目的地特征变量。为了更好地理解旅行中的运动模式，许多研究将游客分为不同的类型进行差异比较[27]。一般来说，游客可以通过社会人口统计、心理和行为特征的标准来划分[28]。Cooper发现，收入水平较低的游客更倾向于少移动多停留，不同年龄段的游客喜欢不同的景点[29]。Gitelson和Kerstetter发现，年轻游客更喜欢休闲旅游，而女性和中等收入游客更喜欢探险旅游[30]。外部的目的地因素方面，不同行为模式的游客偏好受到景区级别[31]、所在城市[32-33]、交通区位[34]和气候舒适度[35]等因素的综合影响。Lew和McKercher认为，地理位置是影响游客对线路模式的选择的重要因素之一[9];Connell和Page认为，游客线路模式形成的原因包括距离衰减率和目的地的可达性[36]。732561F6-AB66-430D-BBF4-682109458B46

虽然学界对景区客流的影响因素有长期和广泛的讨论[37-38]，但对游客需求侧偏好的关注相对较少，更加缺少对不同行为模式游客在多种影响因素下的偏好差异进行的量化研究分析。实际上，游客流动本身也是一种游客分类的方式[39]，根据游客的旅游行为（如行程长度、平均速度、游览景点数量和逗留时间）等分类比较有助于推断游客行为的影响因素[40]。

1.2 大数据驱动的移动模式研究

大数据广泛驱动着人类移动（human mobility）模式的研究，更详细真实的个体粒度的海量时空轨迹数据被用来研究和总结人类在社会中的空间移动规律，并形成了人类移动模式的新研究流程和度量方法[41-42]。Brockmann等发现了美元纸币移动步长的幂律分布特征[43]，Song等基于手机信令数据发现了人类的空间移动模式中的标度异常现象[42]。基于北京出租车GPS轨迹数据集的研究发现，出租车乘客的乘车距离服从指数分布，而不是之前认为的幂律分布[44]。在考察移动步长、回转半径、停留时间等描述人类移动的特征之后，学界关注点开始转为研究不同的因素对人类移动行为方面的影响，Kung等使用手机信令数据集研究发现，通勤距离和通勤时间在不同的地区和不同社会阶层人群呈现不同的模式[45]。

近年来，随着人群轨迹跟踪技术的飞速发展，大尺度区域内的游客移动也越来越受到人们的关注，采用各类数字足迹的研究逐渐增多[46]，比如使用游记数据分析长江中游城市群旅游流空间格局[47]，利用新浪微博签到数据研究洛阳国内客流分布[48]，基于地理标记照片分析北京入境客流迁移的空间特征[49]。但此类基于社交媒体用户生成内容的数据仍存在较大的有偏性[50]，在出游全过程的数据完整性方面存在不足[51]，对大尺度区域内的大样本研究相对较少[52]，尚无法让我们全面地认识一个节点在目的地区域中的地位或角色[22]。在现有研究基础上，需要总结大样本条件下大尺度区域内部游客移动模式，游客在目的地选择上存在哪些偏好（比如多样性和高等级偏好[53]），以及与目的地区域和节点两种尺度上各类属性之间的匹配关联。

2 研究设计

2.1 研究区概况与数据来源

随着交通水平和出游力的扩展，目的地区域的定义从提出时的“一日游”所能达到的特定区域[52]，已扩展为更大范围的网络化区域[22]，地理区域或行政区域均可，也包括以围绕单一城市或著名目的地的区域旅游系统[54]。本文选择国内著名的省级旅游目的地——江苏省为研究区域。江苏辖江临海，地跨江淮，拥有多元文化及地域特征，是旅游资源的富集区和重要客源地，在高等级旅游景区的数量和质量上位居全国前列。同时，从2016年起，江苏省旅游局与相关电信运营公司逐步建设江苏旅游客情监测平台，根据手机信令定位数据和用户登记信息综合确定客源地信息，具体而敏感的信令得以隔离和保密，分析对象包括进入省域范围内国内手机用户，重点是高等级的旅游景区的游客。2017年，该平台共监测204家国家4A级及以上景区，其中，4A级景区179家，5A级景区25家，具有较好的覆盖度和代表性。

本文针对游客移动行为模式，抽取江苏各景区省内外客流量数据。时间方面，受海量数据和系统运算能力限制，选择2017年3―5月间。根据其间各景区范围内监测的外省手机漫游信息，脱敏并随机抽取了省外游客共18.8万人次，受信息敏感性要求，未获取具体客源地属性。与许多大数据研究不同的是，本文涉及的大数据已通过监测平台进行数据清洗的前置工作。线路数据规则为7天时间内的连续出行，从外省用户在江苏省内移动通讯网络记录漫游注册的日期开始，以7天为浮动窗口的周期，以便减少多次出游的干扰;记录其在此期间的到访景区线路序列。与景区年客流总量数据略有差异的是，溱潼古镇、天宁禅寺与何园3个景区因范围调整或设备异常未纳入本次抽样统计，同时，根据实际情况，合并了城市内部位置紧邻且产品类型相似的扬州瘦西湖-宋夹城-大明寺、个园-东关街和淮安漕运博物馆-淮安府署景区等景区组合线路为单一节点，共获取了约4.4万人次的4A级与5A级景区线路顺序组合。

综合上述的文献研究和相关数据的可获得性[55]，本文选取了景区级别、类型、面积、创建年限、门票价格和季节波动率等自身属性，以及外部的交通区位、满意度和所在城市旅游规模等影响因素。景区级别按照2017年的景区挂牌级别确定，分为4A级和5A级两种;旅游经济规模采用城市当年旅游收入，来自《江苏统计年鉴》（2018）;交通区位选择距离所在地市城区中心（参考百度地图热力图确定）的直线距离;门票价格选择携程网等网络平台折扣后的日常价格。

2.2 方法选取

为比较游客偏好不同出游线路类型的差异，本文数据与问卷调查等方式相比缺少结构化的游客属性信息，依賴景区多维属性和相关因素，这些针对景区客流影响因素普遍为分类变量，因而本文采用最优标度变换来处理统计分析中对分类变量进行量化的问题。普通二乘回归依赖于对线性、正态性、同方差性和误差项独立性的严格假设，在处理一种分类变量时便需要引入多个哑变量逐个处理，而最优标度回归使用一个最优的缩放过程来缩放因变量和自变量，可以获得回归系数，识别解释变量的相对重要性[56]。并且，最优标度回归非常适合包含多种类别数据[57]，其根据数据之间的关联，利用最优标度变换为原始分类变量的每一个类别找到最佳的量化评分，随后在相应的模型中使用量化评分代替原始变量进行后续分析，解决了分类变量难以和连续变量纳入同一量化体系的问题，因而广泛应用于分类变量和连续变量同时进行回归分析的问题。最优标度回归分析的本质是在归一化限制下找到满足式（1）最小的一组解，如下计算公式所示：

[σ（yr;b;yj）=Gryr-j∈JpbjGjyj′WGryr-j∈JpbjGjyj] （1）

式（1）中，[yr]是因变量r的量化向量，[yj]是自变量j的量化向量，[Gj]是自变量j的指标矩阵，[Gr]是因变量的指标矩阵，[bj]是自变量j的回归系数。归一化对各类变量做不同的限制，并利用非线性变化进行量化，量化结果要满足以下算式：732561F6-AB66-430D-BBF4-682109458B46

[yjDjyj=nw]                             （2）

式（2）中，[Dj]是变量j的对角矩阵，[nw]是各变量的加权和。经过量化向量和回归系数的更新和收敛测试的反复迭代，最终求得最优标度回归结果，计算过程基于SPSS 23.0软件平台。

3 旅游线路模式与距离特征

3.1 旅游线路模式分类

根据2017年3―5月份在江苏省内景区间外省游客的手机漫游信息，脱敏并随机抽取了18.8万人次景区游客，获取了其中4.4万人次的4A级与5A级景区线路组合。游客以7天为浮动窗口，并对游客的具体景区线路组合进行分析。共有195个景区纳入游客的多节点游线中，累计共有12.3万人次景区间流动，客流量最高的路线为夫子庙与钟山风景区之间（3965人次）。根据景区线路之间的关联情况，可以进一步统计各月的旅游线路模式。

从表1中可以发现，大部分游客出游单一目的地，游客占比为76.7%，而数量增加为2家、3～4家时，游客占比分别为14.8%、7.0%。大量游客选择连续到访2～4个景区这种较为闲适的流动路径，只有1.5%的游客选择在一周之内较为集中地游览5～10个景区。游客倾向于在4月份出行，而在3月和5月则相对较少，表明季节对于游客的出行及移动模式有一定影响。

抽取3―5月样本的省外游客到访各景区的游客量（分为到访单节点模式和多节点线路两种类型）与全年接待省外游客总量对应情况，进行双变量相关性检验（表2）。年接待省外客流总量与抽样的各景区客流总量的相关性为0.812，与多景区模式客流相关性略低（0.716），抽样具有代表性。景区扩散到其他节点的客流与单节点客流的相关性最低，不同行为模式间可能存在不同的影响机制。

景区在多节点线路中移动1次即被认为存在1次有向关联，根据线路人次汇总后得到有向关联矩阵[58]，以连接线的粗细程度来反映景区间游客移动量，阈值大于等于10人次的共计1061条边，阈值大于等于100人次的共206条（图1）。游客移动线路以网络形式表现为以夫子庙为核心，集中在南京、苏州、扬州与无锡的景区，可以发现，游客的旅游网络多以夫子庙为中心，从夫子庙向其他景点进行扩散，离夫子庙越近，景区间游客的数量越多，反之越远则人数越少，体现了线路网络中核心城市核心景点的中心性作用。

3.2 旅游线路距离特征

在了解了旅游流动的线路模式之后，再对旅游流动的长度模式进行分析，通过计算每个点之间的平均距离对游客移动距离进行统计，对流动节奏进行分析[41]。通过游客移动的距离可以发现游客在景区间的转移情况，以及总游线的长度分布特征。从表3中可发现，在不考虑客流量的情况下，游线距离代表了线路组合丰富程度和景区组合的可能性，此时游线距离的均值在3月、4月、5月分别为118.1 km、126.8 km、113.4 km。考虑线路上的游客量后，实际客流量的均值则分别为50.8 km、57.0 km、47.9 km。

按照线路频数汇总多节点游线不同长度的游客量分月分布特征，即当游线长度增加时，产生的成本也会逐渐增加，相应的长距离旅游线路模式的概率降低（图2）。4月的游线线路总数4924条，显示出春季出游和小长假带来线路的多样性增加;4月游线平均长度为57.0 km，较3月和5月受距离约束更少。各月份在80 km～100 km、200 km～210 km和290 km～300 km等距离區段频率均较高，呈现超过指数趋势线的特征，可以对应1小时、2小时和3小时旅游交通圈。

按照旅游人次汇总游线不同长度的游客量分月分布特征（图3），在距离为10 km ～30 km时旅游人次显著升高，不同于线路长度的指数分布，而是幂指数分布（y=14901x?1.369，R? =0.895），5月客流随距离衰减的幂指数达到?1.384。而随着距离的增加则显著性地下降。这也是对旅游长度模式的一个具体表现，符合距离衰减规律，即游客在选择旅游线路的时候，会考虑旅游所涉及的交通成本及时间成本，随着距离的增加，旅游人次会逐渐减少，但在80 km和200 km附近区段存在局部高值。

3.3 节点移动步长分布

游客多节点旅行模式的步长分布是指从某目的地转移至下一站目的地的距离分段分布情况，可以通过景区间移动的有向矩阵计算得出。游客在目的地间转移的移动步长频率呈现指数分布（图4），对比发现，整体受各景区间距离的分布影响。统计江苏各景区间平均距离为185.9 km，集中在70 km ～80 km、130 km～200 km和280 km～310 km等距离区段，但各景区距离最近的其他景区的平均距离即最邻近距离为7.2 km，所以游客以最邻近距离范围30 km以内选择下一景区的频率最高。中远程移动则在70 km～80 km和200 km～220 km等多个步长区段有较高分布。

4 旅游线路的时间变化

受获取数据限制，暂时无法进行全年的季节变化分析，但3—5月是江苏旅游的旺季，旅游线路与客流规模的时间变化依然值得关注。旅游流非常集中在前30家景区，3―5月各景区接待的多节点客流量最高值约为23 000人次。由月度时间变化图可知（图5），总体来看，苏南旅游联系较为密集，苏北、苏中地区旅游联系主要集中在西部，与高铁、高速等便利交通线路具有很高的一致性。随季节升温，4月份旅游旺季的到来带来沿海地区景区游览适宜性的提高，旅游流逐步覆盖江苏全境。扬州及附近在3月及4月份网络密集，扩散范围较大，与“烟花三月下扬州”的文化传统和季节特征存在关联关系。5月客流网络收缩，线路上平均客流量降低，但与3月相较更集中在扬州-南京-苏州组成的三角区域。732561F6-AB66-430D-BBF4-682109458B46

采用旅游流扩散距离的方法量化扩散的时空变动。因为城市内部的旅游流动并不能称为扩散，我们选择3个主要城市为扩散源，并分析这3个春季月份的时间变化情况（表4）。假设旅游流进入江苏省某地级市单元后以等比例向省内所有景区均匀扩散，通过非本市景区与某城市中心距离的均值可以得到分城市旅游流的扩散距离标准值。该标准值是扩散流均匀扩散的数值表征，扩散距离若小于该标准值，则表明实际扩散流扩散较均匀，扩散更偏重于近距离扩散，若扩散距离大于标准值，则表明实际扩散流更偏重于远距离扩散[59]。根据计算的距离扩散指标，对江苏省客流跨城市扩散3个主要中心城市——南京、苏州及扬州的多目的地旅游扩散流的空间分布实际时空演变进行分析，得出南京是最主要的扩散中心，苏州与扬州扩散量较少，且扩散时间多集中在4月份。但从扩散距离来看，苏州扩散距离的均值最大，且南京、苏州、扬州3个城市的扩散距离均小于其对应的标准值，表明三市的出流扩散偏向于近距离扩散，苏州均值与标准值较为接近，近远扩散相对均衡。

5 旅游景区不同模式客流的影响因素研究

不同移动模式客流在景区偏好上的影响因素可分为景区属性条件和区域基础环境两种。从旅游目的地因素分析，潜在旅游目的地的可达性、旅游资源的区域空间分布等因素均会影响游客的行程模式[60]。景区属性方面，选择景区门票价格（其中，收费景区共131家，均值为51.4元），景区等级（5A与4A级），景区类型，景区品质和景区季节波动。景区品质指标选取携程网的满意度点评分（均值为4.5）和点评量（均值为1588.4），先分别按百分制标准化，再按各70%和30%的权重进行加成作为满意度指数（均值为63.4）。选择常用的基尼系数（Gini coefficient，G）为2017年各个景区月度客流变化的季节性测度指标[61-62]。根据景区资源特性和细分市场，参考已有研究[34]，把江苏4A级及以上景区细分为自然景观（51家）、历史文化（98家）、红色旅游（12家）、主题娱乐（20家）4种类型。所在城市对景区客流的影响巨大，因此，区域基础环境方面选择了景区所在13个城市及其旅游收入规模（2017年各城市旅游收入均值为1031.9亿元），以及城市内交通区位3个指标。城市内交通区位指标选取景区与市中心距离（均值为25.5 km）。

本文选择从景区接待不同模式客流量的角度，分析不同移动模式游客群体的偏好和关注的因素，因变量设定为各景区接待单节点与多节点/游线流出与流入的4种移动模式游客人次（y1～y4）、抽样总客流（y5）和景区年省外客流量（y6）。与城市旅游经济规模（income）、门票价格（price）、市中心距离（distance）均采用其对数形式（门票价格存在较多免费的0值，采用加1后取对数处理）。在模型中设置景区等级（level）为有序标度级别（4A为0，5A为1），景区类型（type）和所在城市（city）为名义标度级别，创建年限（year）为创建为4A级景区时间距2017年的时限，采用有序标度，其他为数字标度。基于最优标度回归分析方法对景区客流量的影响因素进行估计（表5），除单节点模式调整后的R2（0.227）较低外，其余均达到0.3～0.5之间，模型对景区的游客流出规模的解释力最高（表5）。模型显著水平较高，方差分析显示均为0.001水平下显著。

结果表明，距离市中心距离、所在城市、景区等级和创建年限对游客的不同移动模式有显著影响，而所在城市旅游经济规模对多种模式客流均无显著影响。区位条件方面，旅游客流随景区距离市中心越远而降低，对多节点模式游客衰减影响（?0.310）超过单节点游客（?0.293），对景区吸引游客的限制作用（?0.324）超过景区向外扩散（?0.268）。景区面积对单节点模式游客和景区接待客流總规模的影响显著（0.243），而对多节点模式无显著影响，并非游客关注的重点。景区类型对景区吸引其他节点的游客有一定影响（0.087），表现了游客在线路计划中存在组合不同类型景区进行多样体验的偏好。

景区季节性属性对单节点模式游客量有负向作用（?0.190），季节性强的景区往往产品单一导致市场竞争力较低。而景区的网络满意度评价越高，单节点模式游客量越低，客流的模式类型更加丰富，而且高满意度带来的游览体验有利于促进游客扩散到其他景区。

在指标作用程度上，距离市中心距离、景区等级和所在城市等因素的重要性普遍较高。单节点移动模式游客更重视景区等级（重要性为0.318），受所在城市的影响小于多节点模式。多节点模式游客和选择节点流入时会考虑门票价格，但与一般印象不同的是，门票价格对景区客流量的系数均为正向影响。这表现了价格因素在对旅游流影响方面的复杂性，一方面，近几年免费景区增多，很多知名度较高的景区，比如玄武湖、钟山风景区，能吸引大量的游客量，所以对景区的流出影响并不显著;另一方面，高票价景区往往具有较强的市场营销能力吸引更多的游客，在这类景区流入量上表现出来。

6 结论与展望

本文以覆盖省域全部高等级旅游景区的手机信令长期监测和针对性大样本抽样数据，将景区接待游客量与景区间线路游客流动数据结合，对两种旅游客流的相关性进行了检验，并在空间交互上对距离阈值的相关性进行了分析。研究了省域尺度大样本游客的旅游移动模式规律，将游客移动模式距离与目的地区域空间集聚尺度建立了关联，最后对多种旅行模式到访各景区客流的游客偏好影响因素进行了研究，得出以下结论。

第一，根据大样本抽样的游客线路模式统计，随着距离的增加，旅游人次会逐渐减少，但在80 km和200 km区段存在局部高值;多节点线路长度在80 km～100 km与200 km～210 km等是线路长度的区段阈值。外来游客在江苏省内的旅游线路距离呈现指数型分布规律，相应距离模式上的游客量呈现幂指数分布。游客在高等级景区间转移的移动步长呈现指数分布，景区间最邻近距离为7.2 km，游客在最邻近距离范围30 km以内的移动频率最高。在时间变化上，季节出游高峰会带来线路类型多样性的增加，出游受距离的约束降低。732561F6-AB66-430D-BBF4-682109458B46

第二，省域客流內聚于南京、苏州、扬州与无锡的三角地带，“烟花三月下扬州”的季节特性导致4月份旅游客流相对集中于扬州、泰州、镇江等苏中地区。整体来看，南京是旅游流扩散的主要源节点，苏南城市间联系密切，东部滨海城市，如南通、盐城、连云港处于省内旅游线路网络的外缘。

第三，景区等级、创建年限、所在城市和距离市中心距离等因素对游客的不同移动模式选择有普遍的显著影响，在重要性程度上差异明显。多节点模式游客偏好高价门票型景区，受景区区位便利性因素影响更大，而单节点模式游客会受景区面积和季节性影响。高满意度和高等级景区有助于游客继续扩散游览下一目的地。

旅游线路对目的地区域的资源整合和产业集聚具有重要影响，本文基于大量数据总结了游客移动规律特征，包括游客出游线路中景区数量、移动步长、游线长度的偏好选择，不仅方便游客更好规划旅行计划，也有助于旅行社、景区和在线旅游运营商等市场主体评价线路质量，优化时间与距离安排。政府部门可以借助游线模式特征规划目的地空间结构，优化景区间交通体系，并利用区域内线路的时空热点变化规律促进全域协调发展。不同模式客流影响机制的对比研究揭示了目的地与过境地具有不同涵义和地位，旅游景区应结合自身产品、等级和区位条件进行调整，优化市场定位和竞争合作策略。

本研究还存在一些不足之处。对于区域内部客流影响因素和相应指标体系的研究方面，即使借助大数据和新的测度工具的支撑，本文选取的景区尺度因素指标仍较少，并影响了模型的解释力。景区市场营销投入与服务质量等影响也应受到关注，然而这些因素在景区层面千差万别，既缺乏准确的统计资料，也缺乏科学量化方法，因而暂未考虑。同时，对于景区所处的不同目的地区域，其客流影响因素的空间效应方面应有所不同，有待进一步的研究。再者，对旅游线路季节性演化的研究还不全面，应在积累更长时间跨度数据后进行完整分析，并积极采用空间随机游走模型等动态模型分析旅游目的地之间的空间关系形成和演化机理。游客在城市或其他尺度目的地区域内的景点之间转移或在景点内的移动，存在广泛的区域内聚和扩散效应，还应在多尺度框架下进行深入阐释。未来研究还可以将游客的出行安排归纳为一种有附加约束的定向问题，构建多目的地旅游出行仿真模型，有效再现游客的多目的地出行和决策过程。

参考文献（References）

[1] MOU N， YUAN R， YANG T， et al. Exploring spatio-temporal changes of city inbound tourism flow： The case of Shanghai， China[J]. Tourism Management， 2020， 76： 103955.

[2] VU H Q， LI G， LAW R， et al. Exploring the travel behaviors of inbound tourists to Hong Kong using geotagged photos[J]. Tourism Management， 2015， 46： 222-232.

[3] 史春云， 朱传耿， 赵玉宗， 等. 国外旅游线路空间模式研究进展[J]. 人文地理， 2010， 25（4）： 31-35. [SHI Chunyun， ZHU Chuangeng， ZHAO Yuzong， et al. Research progress of spatial patterns of travel itineraries in foreign countries[J]. Human Geography， 2010， 25（4）： 31-35.]

[4] OPPERMANN M. Length of stay and spatial distribution[J].Annals of Tourism Research， 1994， 21（4）： 834-836.

[5] 史春云， 张宏磊， 朱明. 国内旅游线路模式的空间格局与特征分析[J]. 经济地理， 2011， 31（11）： 1918-1922. [SHI Chunyun， ZHANG Honglei， ZHU Ming. Fengshui character and spatial differentiation of settlement based on karst landform pattern： take three karst areas as examples in Guizhou province[J]. Economic Geography， 2011， 31（11）： 1918-1922]

[6] LAU G， MCKERCHER B. Understanding tourist movement patterns in a destination： A GIS approach[J]. Tourism & Hospitality Research， 2006， 7（1）： 39-49.

[7] 薛莹. 旅游流在区域内聚： 从自组织到组织——区域旅游研究的一个理论框架[J]. 旅游学刊， 2006， 21（4）： 47-54. [XUE Ying. On the regional implosion of tourist flows： From self -organization to organization[J]. Tourism Tribune， 2006， 21（4）： 47-54.]

[8] WESOLOWSKI A， EAGLE N， NOOR A M， et al. The impact of biases in mobile phone ownership on estimates of human mobility[J]. Journal of the Royal Society Interface， 2013. Doi： 10.1098/rsif.2012.0986.732561F6-AB66-430D-BBF4-682109458B46

[9] LEW A， MCKERCHER B. Trip destinations， gateways and itineraries： the example of Hong Kong[J]. Tourism Management， 2002， 23（6）： 609-621.

[10] LEW A， MCKERCHER B. Modeling tourist movements： A local destination analysis[J]. Annals of Tourism Research， 2006， 33（2）： 403-423.

[11] ORELLANA D， BREGT A K， LIGTENBERG A， et al. Exploring visitor movement patterns in natural recreational areas[J]. Tourism Management， 2012， 33（3）： 672-682.

[12] 吳必虎， 唐俊雅， 黄安民， 等. 中国城市居民旅游目的地选择行为研究[J]. 地理学报， 1997， 52（2）： 3-9. [WU Bihu， TANG Junya， HUANG Anmin， et al. A study on destination choice behavior of Chinese urban residents[J]. Acta Geographica Sinica， 1997， 52（2）： 3-9.]

[13] 史春云. 旅行模式对目的地旅游经济影响的空间差异——以长三角世博旅游线路为例[J]. 旅游学刊， 2013， 28（6）： 102-110. [SHI Chunyun. The impact of travel patterns on the spatial discrepancy of the tourist economy of urban destinations in the Yangtze river delta area： A case study of the 2010 Shanghai World Expo itineraries[J]. Tourism Tribune， 2013， 28（6）： 102-110.]

[14] 李山， 王铮. 适度旅游圈时空规模的可计算模型[J]. 地理学报， 2009， 64（10）： 1255-1266. [LI Shan， WANG Zheng. Computable models on the temporal and spatial scale of an optimum tourism destination circle[J]. Acta Geographica Sinica， 2009， 64（10）： 1255-1266.]

[15] 李山， 王铮， 钟章奇. 旅游空间相互作用的引力模型及其应用[J]. 地理学报， 2012， 67（4）： 526-544. [LI Shan， WANG Zheng， ZHONG Zhangqi. Gravity model for tourism spatial interaction： basic form， parameter estimation， and applications[J]. Acta Geographica Sinica， 2012， 67（4）： 526-544.]

[16] 靳诚， 徐菁， 黄震方， 等. 南京城市内部景点间游客流动特征分析[J]. 地理学报， 2014， 69（12）： 1858-1870. [JIN Cheng， XU Jing， HUANG Zhenfang， et al. Analyzing the characteristics of tourist flows between the scenic spots in inner city based on tourism strategies： A case study in Nanjing[J]. Acta Geographica Sinica， 2014， 69（12）： 1858-1870.]

[17] LIU P， XIAO X， ZHANG J， et al. Spatial configuration and online attention： A space syntax perspective[J]. Sustainability， 2018， 10（1）： 221.

[18] 黄潇婷， 张晓珊， 赵莹. 大陆游客境外旅游景区内时空行为模式研究——以香港海洋公园为例[J]. 资源科学， 2015， 37（11）： 2140-2150. [HUANG Xiaoting， ZHANG Xiaoshan， ZHAO Ying. Temporal-spatial behavior patterns of Chinese mainland tourists at Ocean Park Hong Kong[J]. Resources Science， 2015， 37（11）： 2140-2150.]

[19] LI Y， XIAO L， YE Y， et al. Understanding tourist space at a historic site through space syntax analysis： The case of Gulangyu， China[J]. Tourism Management， 2016， 52： 30-43.

[20] 黄潇婷. 基于时间地理学的景区旅游者时空行为模式研究——以北京颐和园为例[J]. 旅游学刊， 2009， 24（6）： 82-87. [HUANG Xiaoting. A study on temporal-spatial behavior pattern of tourists based on time-geography science [J]. Tourism Tribune， 2009， 24（6）： 82-87.]732561F6-AB66-430D-BBF4-682109458B46

[21] 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. [ZHA Xiaoli， XU Yuchen， LU Lin， et al. Geographical distribution and flows of Chinese visitors to Shanghai Disneyland[J]. Tourism Tribune， 2019， 34（6）： 58-73.]

[22] 穆成林， 陆林. 京福高铁对旅游目的地区域空间结构的影响——以黄山市为例[J]. 自然资源学报， 2016， 31（12）： 2122-2136. [MU Chenglin， LU Lin. The impact of Beijing-Fuzhou high-speed rail on the spatial structure of tourist destination districts： a case study of Huangshan city[J]. Journal of Natural Resources， 2016， 31（12）： 2122-2136.]

[23] 刘旸. 旅游者时空行为分析与旅游出行仿真模型研究[D]. 北京： 清华大学， 2017. [LIU Yang. Research on Tourists Spatiotemporal Behaviors and Tourism Travel Simulation Model[D]. Beijing： Tsinghua University， 2017.]

[24] PAPATHEODOROU A. Why people travel to different places[J].Annals of Tourism Research， 2001， 28（1）： 164-179.

[25] 毛端谦， 张捷， 包浩生. 基于Lancaster特性理论的旅游目的地选择模式——理论分析与江西省旅游客流的实证研究[J]. 地理研究， 2005， 24（6）： 992-999. [MAO Duanqian， ZHANG Jie， BAO Haosheng. A tourist destination choice model based on Lancasterian characteristics theory and destination image theory： Theoretical analysis and case study[J]. Geographical Research， 2005， 24（6）： 992-999.]

[26] 阮文奇， 張舒宁， 郑向敏. 中国游客赴泰旅游流网络结构及其形成机理研究[J].世界地理研究， 2018， 27（4）： 34-44. [RUAN Wenqi， ZHANG Shuning， ZHENG Xiangmin. A study on the network structure of Chinese tourists traveling to Thailand and its formation mechanism[J]. World Regional Studies， 2018， 27（4）： 34-44.]

[27] BIRNEY B A. Criteria for successful museum and zoo visits： children offer guidance[J]. Curator the Museum Journal， 1988， 31（4）： 292-316.

[28] DIBB S. Market segmentation： Conceptual and methodological foundations（the 2nd edition）[J]. Journal of Targeting Measurement & Analysis for Marketing， 2000， 9（1）： 92-93.

[29] COOPER C P. Spatial and temporal patterns of tourist behaviour[J]. Regional Studies， 1981， 5（5）： 359-371.

[30] GITELSON R J， KERSTETTER D L. The relationship between sociodemographic variables， benefits sought and subsequent vacation behavior： A case study[J]. Journal of Travel Research， 1990， 28（3）： 24-29.

[31] 阿荣高娃， 孙根年， 乔少辉， 等. 内蒙古A级景区客流量估算模型——5个单因素方差分析与多元回归建模[J]. 干旱区资源与环境， 2019， 33（12）： 193-200. [AH-RONG Gaowa， SUN Gennian， QIAO Shaohui， et al. Models for estimation of tourist flow in A-class scenic spots in Inner Mongolia[J]. Journal of Arid Land Resources and Environment， 2019， 33（12）： 193-200.]

[32] 刘嘉毅， 陈玲， 陶婷芳. 旅游舆情网络关注度城市差异——来自289个城市百度指数的实证研究[J]. 信息资源管理学报， 2018， 8（3）： 93-101. [LIU Jialing， CHEN Ling， TAO Tingfang. Urban differences in network attention to tourism public opinion： An empirical study from Baidu index of 289 cities[J]. Journal of Information Resources Management， 2018， 8（3）： 93-101.]732561F6-AB66-430D-BBF4-682109458B46

[33] 刘法建， 张捷， 陈冬冬. 中国入境旅游流网络结构特征及动因研究[J]. 地理学报， 2010， 65（8）： 1013-1024. [LIU Fajian， ZHANG Jie， CHEN Dongdong. The structure characteristics and dynamical factors of Chinese inbound tourist flow network[J]. Acta Geographica Sinica， 2010， 65（8）： 1013-1024.]

[34] 李鹏， 虞虎， 王英杰. 中国3A级以上旅游景区空间集聚特征研究[J]. 地理科学， 2018， 38（11）： 1883-1891. [LI Peng， YU Hu， WANG Yingjie. Spatial agglomeration characteristics of from 3A-class to 5A-class scenic spots in China[J]. Scientia Geographica Sinica， 2018， 38（11）： 1883-1891.]

[35] 刘海洋， 王乃昂， 叶宜好， 等. 我国沙漠旅游景区客流时空特征与影响因素——以鸣沙山、沙坡头、巴丹吉林为例[J]. 经济地理，2013， 33（3）： 156-163. [LIU Haiyang， WANG Naiang， YE Yihao， et al. Analysis of spatial and temporal characteristics of Chinese desert tourism scenic， with examples of Mingshashan， Shapotou and Badanjilin[J]. Economic Geography， 2013， 33（3）： 156-163.]

[36] 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.

[37] PRIDEAUX B. Factors affecting bilateral tourism flows[J]. Annals of Tourism Research， 2005， 32（3）： 780-801.

[38] 劉敏， 郝炜. 山西省国家A级旅游景区空间分布影响因素研究[J]. 地理学报， 2020， 75（4）： 878-888. [LIU Min， HAO Wei. Spatial distribution and its influencing factors of national A-level tourist attractions in Shanxi province[J]. Acta Geographica Sinica， 2020， 75（4）： 878-888.]

[39] ESPELT N G， DONAIRE BENITO J A. Visitors behavior in heritage cities： the case of Girona[J]. Journal of Travel Research， 2006， 44（4）： 442-448.

[40] CANTIS S D， FERRANTE M， KAHANI A， et al. Cruise passengers behavior at the destination： Investigation using GPS technology[J]. Tourism Management， 2016， 52： 133-150.

[41] 刘瑜， 康朝贵， 王法辉. 大数据驱动的人类移动模式和模型研究[J]. 武汉大学学报（信息科学版）， 2014， 39（6）： 660-666. [LIU Yu， KANG Chaogui， WANG Fahui. Towards Big Data-driven Human Mobility Patterns and Models[J]. Geomatics and Information Science of Wuhan University， 2014， 39（6）： 660-666.]

[42] SONG C， KOREN T， WANG P， et al. Modelling the scaling properties of human mobility[J]. Nature Physics， 2010， 6（10）： 818-823.

[43] BROCKMANN D， HUFNAGEL L， GEISEL T. The scaling laws of human travel[J]. Nature， 2006， 439（7075）： 462-465.

[44] LIANG X， ZHENG X， Lv W， et al. The scaling of human mobility by taxis is exponential[J]. Physica A Statistical Mechanics & Its Applications， 2012， 391（5）： 2135-2144.

[45] KUNG K S， GRECO K， SOBOLEVSKY S， et al. Exploring universal patterns in human home-work commuting from mobile phone data[J]. Plos One， 2014， 9（6）. Doi： 10.1371/journal.pone. 0096180..732561F6-AB66-430D-BBF4-682109458B46

[46] 黄潇婷， 柴彦威， 赵莹， 等. 手机移动数据作为新数据源在旅游者研究中的应用探析[J].旅游学刊， 2010， 25（8）： 39-45. [HUANG Xiaoting， CHAI Yanwei， ZHAO Ying， et al. On the application analysis of mobile data source in the study of tourists[J]. Tourism Tribune， 2010， 25（8）： 39-45.]

[47] 刘大均. 长江中游城市群旅游流空间格局及发展模式[J]. 经济地理， 2018， 38（5）： 217-223. [LIU Dajun. Spatial pattern and development model of tourist flow in urban agglomeration in the middle reaches of the Yangtze River[J]. Economic Geography， 2018， 38（5）： 217-223.]

[48] 閆闪闪， 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. [YAN Shanshan， LIANG Liuke， SUO Zhihui， et al. Big data based spatiotemporal distribution characters of tourism flow in Luoyang[J]. Economic Geography， 2017， 37（8）： 216-224.]

[49] 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. [QIN Jing， LI Langping， TANG Mingdi， et al. Exploring the spatial characteristics of Beijing inbound tourist flow based on geotagged photos[J]. Acta Geographica Sinica， 2018， 73（8）： 1556-1570.]

[50] YUAN Y， LU Y， CHOW T E， et al. The missing parts from social media-enabled smart cities： Who， where， when， and what？[J]. Annals of the American Association of Geographers， 2020， 110（2）： 462-475.

[51] ZHANG J. Big data and tourism geographies—An emerging paradigm for future study？[J]. Tourism geographies， 2018， 20（5）： 899-904.

[52] 杨新军， 马晓龙， 霍云霈. 旅游目的地区域（TDD）及其空间结构研究——以西安为例[J]. 地理科学， 2004， 24 （5）： 620-626. [YANG Xinjun， MA Xiaolong， HUO Yunpei. Tourist destination district and its spatial structure[J]. Scientia Geographica Sinica， 2004， 24（5）： 620-626.]

[53] 唐晓莉， 李山. 区域间旅游需求溢出测度的缺口模型及其验证[J]. 旅游学刊， 2016， 31（6）： 17-37. [TANG Xiaoli， LI Shan. An optimized gap model to measure inter-regional tourism spillover effects： A demand perspective[J]. Tourism Tribune， 2016， 31（6）： 17-37.]

[54] 徐敏， 黄震方， 曹芳东， 等. 基于在线预订数据分析的旅游流网络结构特征与影响因素——以长三角地区为例[J]. 经济地理， 2018， 38（6）： 193-202. [XU Min， HUANG Zhenfang， CAO Fangdong， et al. The network structure features and influence factors of tourism flows based on online data analysis—Taking the Yangtze River Delta Region as an example[J]. Economic Geography， 2018， 38（6）： 193-202.]

[55] 靳诚， 徐菁. 南京市对外交通节点与酒店之间游客流动空间特征分析[J]. 人文地理， 2016， 31（5）： 55-62. [JIN Cheng， XU Jing. Study on the tourists flow among external transport nodes and hotels in Nanjing[J]. Human Geography， 2016， 31（5）： 55-62.]

[56] LAI K. Influence of event image on destination image： The case of the 2008 Beijing Olympic Games[J]. Journal of Destination Marketing & Management， 2018， 7： 153-163.732561F6-AB66-430D-BBF4-682109458B46

[57] ALMEIDA A， GARROD B. A CATREG model of destination choice for a mature Island destination[J]. Journal of Destination Marketing & Management， 2018， 8： 32-40.

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

[59] 张宏磊. 交通系统要素变动下的旅游流时空响应[D]. 南京： 南京大学， 2012. [ZHANG Honglei. The Role of Transport in Spatial-temporal Changes of Tourist Flows[D]. Nanjing： Nanjing University， 2012.]

[60] DREDGE D. Destination place planning and design[J]. Annals of Tourism Research， 1999， 26（4）： 772-791.

[61] 刘泽华， 章锦河， 彭红松， 等. 旅游季节性测度指标的敏感度研究[J]. 地理学报， 2018， 73（2）： 295-316. [LIU Zehua， ZHANG Jinhe， PENG Hongsong， et al. Sensitivity analysis of the measures of tourism seasonality[J]. Acta Geographica Sinica， 2018， 73（2）： 295-316.]

[62] KOENIG N， BISCHOFF E E. Seasonality of tourism in Wales： A comparative analysis.[J]. Tourism Economics， 2003， 9（3）： 229-254.

Travel Itinerary Patterns and Factors Affecting Tourist Flow within Destination District

LIU Peixue1， LU Youhai2， ZHANG Jinyue2， ZHANG Jianxin2， ZHANG Honglei2

（1. School of Business Administration， Nanjing University of Finance and Economics， Nanjing 210023， China;

2. School of Geography and Ocean Science， Nanjing University， Nanjing 210023， China）

Abstract： Large-sample data are helpful in determining the spatial characteristics of tourist movement patterns and diffusion at tourism destinations. This paper describes the tour distance distribution and displacement distribution characteristics of a multi-node model for tourists. We applied the regional cohesion and diffusion of tourist flow from outer areas of a Chinese province （Jiangsu） to its cities to analyze various models with respect to optimal scale regression. We also investigated the effect of various factors on the number of tourists who adopted different travel patterns at a number of scenic spots; we undertook a comparative analysis of tourist preferences.

This paper found that the distance of the multi-node movement of tourists in Jiangsu province followed an exponential distribution; the number of tourists on the corresponding distance mode showed a power-law distribution. The tourist flow was concentrated in the triangular area of Nanjing， Suzhou， and Yangzhou; it followed the seasonal characteristics of “Heading east for Yangzhou among hazy vernal hues”， which led to a concentrated tourist flow in central Jiangsu in April. The attractiveness of scenic spots， the age of establishments catering to tourists， the city where such establishments were located， and the distance from the city center had an extensive， significant effect on the tourists choice of different mobility modes; however， the importance of those factors varied conspicuously. In the multi-node model， we considered travel ticket prices when we selected tourists and nodes for inflow. However， in contrast to received opinion， such ticket prices had a positive effect on the passenger flow coefficient for the scenic spots. The tourist flow to scenic areas decreased with distance from the city center. The effect on attenuation for multi-node tourists （-0.310） exceeded that for single-node tourists （-0.293）; the restrictive effect on the attraction for tourists （-0.324） exceeded the outward diffusion of the scenic area （-0.268）. Factors such as distance from the city center and attractiveness of the scenic spots and the city generally displayed great importance. In contrast to multi-node travel， single-node travel was characterized by greater attention being devoted to the attractiveness of scenic spots （importance， 0.318） and was less affected by the attractiveness of the city. After visiting a very attractive scenic spot or obtaining a high degree of satisfaction， tourists would be motivated to continue their visit for the next node.

Our results provide support for policy makers to better allocate and manage the spatial optimization of tourism resources in popular spots and regions with greater tourist potential. Clarifying tourist preferences and the associated influencing factors would help tourism marketing agencies and service enterprises conduct targeted optimization in their travel itineraries.

Keywords： tourism destination district; travel itinerary; tourist preferences; digital footprints; categorical regression

[責任编辑：吴巧红;责任校对：周小芳]732561F6-AB66-430D-BBF4-682109458B46