基于数字足迹的自驾旅游流时空分布及空间网络特征分析

朱兴林　黄巧燕　姚亮　吐尔逊?买买提　刘泓君

摘要：自駕游正发展成为大众旅游时代的新模式，通过探索自驾旅游流的时空分布和空间网络特征，明确其时空格局的演化机制.以新疆地区为例，采用频次指数统计自驾旅游流跨时间年度、季节、节假日的游客数量，利用GIS空间分析方法阐明旅游流时空分布特征；根据实际需求基于社会网络分析方法中的多个指标建立综合评价体系，深入探究自驾旅游流的网络结构和相互关系.结果表明：新疆自驾游旅游流在时间分布特征方面具有多样性，受季节和节假日的影响，依然保持了持续吸引游客的稳定趋势；在空间分布特征方面，标准差椭圆的重心表明自驾旅游流在空间分布上更偏向新疆西北地区，标准差椭圆长短半轴差距显示旅游流在不同年份之间的分布相对稳定；在空间网络特征方面，新疆自驾旅游流整体网络间存在“涓滴效应”，自驾游客的移动路径和主要聚集区域呈现以乌鲁木齐市为核心，辐射向伊犁、阿勒泰、喀什等三个方向的趋势；旅游节点之间的关联不紧密，辐射牵动作用不明显，旅游流分布较为疏散且呈现明显的规模－序列表征.

关键词：自驾旅游流；GIS空间分析法；社会网络分析方法；时空分布特征；空间网络特征

中图分类号：F 59文献标志码：A文章编号：1001－988Ⅹ（2024）02－0123－12

Spatio－temporal distribution and spatial network characterizationof self－driving tourism flows based on digital footprints

ZHU Xing－lin，HUANG Qiao－yan，YAO Liang，Turun MAMAT，LIU Hong－jun

Abstract：Self－driving tourism is developing into a new mode in the era of mass tourism，and the evolution mechanism of its spatio－temporal pattern is clarified by exploring the spatio－temporal distribution and spatial network characteristics of self－driving tourism flows.Taking Xinjiang region as an example，the frequency index is used to count the number of tourists of self－driving tourism flow across years，seasons and holidays，and the spatial analysis method of GIS is utilized to elucidate the spatio－temporal distribution characteristics of the tourism flow;based on a number of indexes in the method of social network analysis according to the actual demand a comprehensive evaluation system is established，and the network structure and interrelationships of the self－driving tourism flow are explored in depth.The results show that：the self－driving tourism flow in Xinjiang is diversified in terms of temporal distribution characteristics，and still maintains a stable trend of continuously attracting tourists under the influence of seasons and holidays;in terms of spatial distribution characteristics，the center of gravity of the standard deviation ellipse indicates that the self－driving tourism flow is more inclined to the northwestern region of Xinjiang in spatial distribution，and the difference between the long and short semiaxes of the standard deviation ellipse indicates that the distribution of the tourism flow is relatively stable between different years;In terms of spatial network characteristics，there is a“trickle－down effect”between the overall network of self－driving tourism flows in Xinjiang，and the movement paths and main gathering areas of self－driving tourists show the trend of taking Urumqi as the core and radiating to the three directions of Yili，Altay，and Kashgar，etc.;the correlation between tourism nodes is not close，and the radiative effect is not obvious，and the distribution of tourism flows is more sparse and shows a clear scale.

Key words：self－driving tourism flows;GIS spatial analysis method;social network analysis method;spatio－temporal distribution characteristics;spatial network characteristics

在《“十四五”文化和旅游发展规划》中，自驾游产业的发展备受强调，提出了认定高标准自驾车旅居车营地的计划，以及通过服务体系、线路建设、区域多程联运等多项措施来促进自驾旅游的增长.有关《2021年自驾游数据报告》显示，高达70%的旅行者选择了自驾游作为他们中短途或长途旅行的首选方式，表明自驾游已经崭露头角，成为了现代大众旅游中备受欢迎的新兴方式.

旅游流扮演着连接旅游目的地与客源地的纽带角色，被视为构成旅游系统的核心.长期以来，它一直是旅游学研究的重要议题之一.由于相似的旅游需求，引发游客集体性的空间移动现象［1］.游客是推动旅游活动的主要推动者，他们的行为引发了物质、能源、信息等多种资源的流动.因此，旅游客流一直都是旅游研究的核心关注领域和热点.

旅游流具备时间和空间两个主要维度，共同构成了旅游现象的时空分布特征.关于旅游流的时间特征，现有研究主要关注其长期趋势、季节性变化以及每日波动情况等几个方面.这些时间特征对于评估和管理旅游目的地的经济活动至关重要.深入研究旅游流的时间特征，有助于规划旅游地的发展、优化市场销售策略以及有效管理景区的容量，从而为旅游业的可持续增长提供了重要的依据［2－4］.研究表明，旅游目的地的地理结构，特别是客源地的空间分布及其组合方式，在很大程度上塑造了旅游地客流的季节性分布特征和距离主要客源地在一日游范围内的旅游地客流的每日时间变化特征［5－8］.此外，旅游目的地的旅游资源和环境的季节性特征也是决定客流在一年内分布的关键因素［9－10］.

旅游流作为一种空间现象，其空间结构既是内在特征，也是鲜明标志.研究旅游流的空间分布特点、相互影响和规律对于旅游资源的开发、管理、企业经营、产品设计以及市场拓展等领域具有重要理论和实际价值.探究旅游流的空间分布特征一直是国内外旅游流研究的关键焦点［11－16］.可以预见未来研究将朝着从定性分析和统计描述到模型构建和规律研究的纵深方向发展，以更全面地理解旅游流的空间分布特征.旅游流是一个涉及游客群体的主观行为，其空间移动会对所经过或涉及的地理空间产生一系列影响和作用，这就是旅游流的空间效应特性［17］.因此，研究旅游流的空间效应的基本任务是分析旅游流在地理空间中的传播和扩散特征，包括其影响的范围和程度［18－21］.

新疆拥有世界级的“三山夹两盆”地理奇观，旅游资源丰富且种类完备，拥有最适合自驾游的大尺度景观体系，具备强有力撬动全国旅游市场大循环格局的基础条件，被誉为“自驾旅游者的天堂”，已成为我国自驾游营地重点建设地区和优秀自駕游线路聚集地区.自驾游作为旅游业的主要的发力点，在旅游业发展中有着极为重要的现实意义.本文以来疆自驾游客为研究对象，借鉴GIS空间分析和社会网络分析方法，通过分析自驾旅游流的时空分布特征和空间网络特征，明确旅游流时空格局的演化机制，以期为促进旅游业发展提供理论指导和科学依据.

1 数据来源与研究方法

1.1 数据来源与处理

信息时代，“数字化生存”成为一种大众生活方式，人们不断在网络留下自己的数字足迹.所谓数字足迹，指用户在使用数字设备或互联网后保存在服务器端的关于用户使用记录、浏览历史、情感体验和使用反馈等方面的数据.旅游游记是数字足迹的一个子集，通常包含了游客个人经历、感受、所见所闻以及对途径旅游地区的描述，在学术研究中具有重要的价值，可以用于分析旅游地点的吸引力和可持续性，了解旅游者的需求和偏好，有助于提高旅游业的竞争力和可持续性［22－26］.

本文数据主要来源于线上用户生成内容（User－Generated Content，UGC），利用Python脚本采取网络爬虫技术，以“新疆自驾游”为关键词，通过遍历新浪微博、马蜂窝旅游游记和携程旅行网URL内容获取关于新疆自驾游旅游游记作为原始数据样本，共采集2018—2023年5147条游记数据.根据前面的设计进行爬取代码的编写，使用模拟浏览器对目标网站发起请求，得到目标网站响应的HTML源码.使用相应的解析库对HTML源码进行解析，将新疆维吾尔自治区文化和旅游厅官网查询获得已评级的旅游景区名录作为相关提取字段.

通过调用高德地图的API接口获取之前提取的相关字段例如那拉提景区、喀拉峻景区、天山天池风景区等595个POI点，获取的数据结构包括用户ID、游客来源、签到时间、签到经纬度、内容等信息.由于获取的数据较多，且一些数据并不是游客签到数据，因此在分析之前要对数据进行清洗：首先，将同一次旅行中按照景点或游玩天数划分的多篇游记进行整合，同一风景区区内的景点予以合并，以该旅游区的名称录入；其次，针对一些游记内容较为简短，无法提供足够的行程信息、噪声信息和重复信息的情况，将其剔除以确保整体信息的准确性和完整性；最后，出游时间和出发地信息以游记正文文字记录为准，为避免信息偏差，对于一些时间信息缺失的情况，通过查看游记图片的EXIF信息获取出游时间跨度，而出发地信息缺失的情况，则通过访问发布者主页进行信息抽取来完善.在阅读和提取数据字段时，除了采集数据字段外，还包含出游与截止时间、城市之间以及景区之间的流动等相关信息.

1.2 研究方法

1.2.1 核密度估计分析法

本文针对自驾旅游流时空变化研究是以旅游流的跨时间的年度变化特征、年内旅游流的季节性变化特征和节假日变化特征3个时间尺度为单位的，因此，本文基于网络爬虫技术获取的2018—2023年旅游游记大数据，采用时间分层方法，通过频次指数统计新疆旅游流跨时间年度、年内季节、节假日的时间分布.并且基于Kernel核密度方法分析新疆自驾旅游流时空分布特征，选择默认的搜索半径，通过几何间隔法进行分类［27］.其中，在核密度分析专题地图中，颜色由红到蓝依次表示核度由大到小，核度大代表活动越频繁、空间集聚度越高.计算公式为：

其中，h（x）代表在点x处的核密度估计值，即估计的概率密度函数在点x处的值；n表示样本数；xi是样本的第i个观测值；h是核宽带（或平滑参数），它是一个正数，用于控制核的宽度；K（u）是核函数，通常是一个满足一些特定条件的非负函数.

利用标准差椭圆揭示新疆自驾旅游流的空间分布形态，同时表示旅游流重心的位置变化以及移动趋势［28］.计算公式为：

其中，xi代表数据点i在x轴上的值；代表x轴上所有数据点的均值；N代表数据点的总数.

其中，yi代表每个数据点在y轴上的值；代表y轴上所有数据点的均值；N代表数据点的总数.

1.2.2 社会网络分析法

为深入探究新疆自驾旅游流的网络结构和相互关系，根据实际需求采用了社会网络分析方法中的多个指标建立一个综合评价体系，包括网络密度、中心度、凝聚子群、核心－边缘和结构洞等，并且使用UCINET软件进行数据分析和计算，以便更全面地理解自驾旅游流的网络结构以及其中的互动关系，其计算公式为：

其中，实际边数为网络中已经存在的连接数；N为网络中的节点数.

该公式将实际边数除以可能的最大连接数，以表示网络中的连接程度：整体网络密度的值在0到1之间，越接近1表示网络越密集，越接近0表示网络稀疏.

绝对度数中心度，记为DC，其计算公式为：

其中，Rij是网络中关联关系，有权网络为关联关系强度，无权网络则是有联系赋值为1，无联系赋值为0，N为网络节点数.

接近中心度，记为C（i），其计算公式为：

其中，d（i，j）代表节点i到节点j之间的最短路径长度；∑表示求和操作，遍历节点j，计算节点i到所有其他节点的最短路径长度，然后求倒数.

中间中心度，记为C_B（i），其计算公式为：

其中，σ（s，i，t）代表节点s到节点t的最短路径中，经过节点i的数量；σ（s，t）代表节点s到节点t的总最短路径数量.

2 新疆自驾旅游流时空特征分析

2.1 旅游流的时间变化特征

根据2018—2023年游客自驾游在网络平台发布的网络游记频次统计数据，绘制了新疆自驾旅游流的跨时间年度变化特征图（图1），研究旅游流的跨时间的年度变化特征、年内旅游流的季节性变化特征和节假日变化特征及其规律.

从年度变化特征角度，2018—2019年新疆自驾旅游人数保持相对较高的水平，游客数量在这段时间内呈现出稳步增长的趋势，反映了新疆地区作为旅游目的地的吸引力.2020—2022年，受疫情期间出行限制和健康担忧的影响，来疆自驾旅游人数锐减.随着疫情结束，2023年来疆自驾旅游人数恢复甚至高于疫情前的水平，这一显著的趋势表明了旅游业的韧性和适应能力，以及游客对新疆地区的持续兴趣；从季节性变化特征角度，在7—10月，游客数量呈现出明显的单峰集中特征，这表明了在夏季末至秋季初期的这个时间段内新疆自驾旅游活动达到了高峰，游客更倾向于选择在此期间前来游览；从节假日变化特征角度，可以观察到五一劳动节和国庆节这两个重要的节假日是新疆自驾旅游人数最多的时期.

2.2 旅游流的空间变化特征

2.2.1 客源空间特征

针对新疆自驾旅游的客源地空间特征，通过统计数据并利用ArcGIS软件进行可视化处理，可以明显观察到来自不同地区的游客呈现出一定的分布特征.如图2，来自北京、广东、四川、浙江的游客数量最为显著，占据新疆自驾旅游客源地的主导地位.其次是陕西、福建、重庆、辽宁、天津以及新疆本地的游客也占有相当份额.这一客源地空间特征的出现，通常与多种因素有关：北京、广东、四川、浙江等地具有较强的经济实力和较高的车辆拥有率，这为居民提供了进行自驾旅行的基础条件；新疆自然风光秀丽、文化多元，吸引了广泛的游客，其中包括了来自不同地区的游客；交通网络的改善和旅游宣传的提升也对客源地的空间分布产生了积极影响.

2.2.2 旅游流跨时间年度的空间特征

利用标准差椭圆帮助可视化不同年份新疆自驾游旅客人数分布特征，比较它们之间的差异和关系.通过标准差椭圆的形状、大小和方向，可以了解新疆不同年份的自驾旅游人数分布是否有显著变化或相关性.

整体上，新疆自驾游旅游流空间分布格局呈现“东北—西南”的空间分布态势：长轴沿“阿勒泰地区—阿克苏地区”，短轴沿“铁门关市—双河市分布”；从重心经纬度来看，标准差椭圆重心呈现“V”型的移动轨迹但都位于新疆西北部，说明新疆自驾游旅游流在空间分布上更偏向西北地区；从长短半轴来看新疆自驾旅游流呈西北—东南轴线蔓延的特征，自驾旅游流的标准差椭圆长半轴 2018—2023年逐渐延长，表明新疆地区旅游业的吸引力在西北—东南方向上加强.标准差椭圆短半轴2018—2020年缩短，2020—2023年伸长，表明新疆地区旅游流在西北—东南表现为先收缩后扩散的趋势.2018—2023年标准差椭圆长短半轴差距不大，表示新疆自駕旅游流在不同年份之间的分布相对稳定，没有明显的时空变化.

2.2.3 旅游流季节性的空间特征

利用ArcGIS的核密度估计工具，对新疆地区的旅游流数据进行了季节性的空间特征分析.核密度估计考虑了每个点周围的邻域范围内的游客数量，并生成了密度表面图，探究各个季节旅游流空间分布的密度和集聚情况.

结果显示，季节性旅游流在新疆地区存在明显的空间差异：空间分布呈现出相似的模式，夏秋季节的核度估计图中，颜色渐变较浅，说明在这两个季节内，旅游流量相对均匀地分布在新疆的各个地区.这可能表示夏秋季节是新疆旅游活动的高峰期，吸引了游客前往各个景区.与之不同的是，春冬两季，尤其是冬季的核度估计图显示更大范围的深色区域，这意味着自驾旅游流量相对更为集中，这是因为新疆一些特定景区在冬季增加了许多的旅游活动，如滑雪胜地、冰雪景点度假温泉等，为游客提供了独特的旅游体验，因此吸引了更多的流量.

3 新疆自驾旅游流空间网络特征分析

3.1 旅游流网络整体特征分析

根据旅游流网络的构建思路［29］，以新疆 92个景区节点分别为旅游客源地和目的地，构建了92×92的景区之间旅游流的旅游线路矩阵，其中矩阵的单元值代表某客源地到目的地的旅游线路数据.利用UCINET软件绘制出新疆92个景区间旅游流空间网络结构图，如图5所示.空间网络结构图描绘了自驾游客在新疆地区的流动关系和空间分布，展示了自驾旅游流在地理空间中的联系和走向，以及不同地点之间的相互关系.通过该结构图，可以清晰看出自驾游客在新疆的移动路径和主要聚集区域呈现以乌鲁木齐市为核心，辐射向伊犁、阿勒泰、喀什等三个方向的趋势.

通过UCINET软件计算得出，新疆自驾旅游流网络中节点之间的实际联系数量为102，而92个节点在理论上可出现的联系数为92×91=8372，网络密度为网络中实际联系数与理论上联系数之比，所以新疆自驾旅游流流网络的网络密度为0.0125，网络密度较低.总体上，新疆自驾旅游流网络中的旅游节点之间的联系较为稀疏.

3.2 旅游流网络节点特征分析

3.2.1 中心性分析

利用UCINET软件对研究区域整体旅游流网络的节点指标进行计算，由于篇幅限制，仅展示分析结果前十名的景区（表2～3），并将所有节点指标利用ArcGIS软件进行可视化处理，如图6所示.

在旅游流网络中，外向度数中心性反映了一个节点对其他节点的辐射能力，即优先吸引力；与此相反，内向度数中心性则反映了一个节点对其他节点的吸收能力，即次级吸引力.通过分析外向度数中心性的计算结果，观察到位列前十的景区拥有多样化的旅游资源、享有较高的知名度和口碑以及提供良好的旅游服务和便捷的交通方式.另一方面，就内向度数中心性值较高的景区而言，游客接待能力比较强，是次级的旅游目的地，因景区内部能提供多样化的旅游服务和设施以满足游客的需求，且往往处在旅游产业繁荣的地区内，所以能够吸引更多地游客滞留.

接近中心性衡量了节点之间旅游流通达程度，因此反映了节点在网络中的亲近性和联系紧密度.节点的接近中心性值越高，表示该节点与其他节点之间的距离较近，在传递信息和接收信息等方面处于有利地位.通过分析接近中心性的计算结果，外向接近中心性较高的景区靠近主要交通枢纽、城市中心等地理位置，便于游客抵达和离开，在宣传和营销方面具有更多的竞争力.内向接近中心性较高的景区更多地是游客的中转站，游客在这里滞留一段时间然后继续前往其他景区，更侧重于提供滞留游客的优质体验.

中介中心性衡量了一个节点在网络中的中介作用，即它在不同节点之间传递信息、联系或旅游流的程度.根据计算结果，在中介中心性方面表现出较高数值的旅游节点在整个旅游网络中扮演着关键的角色，具备着多重联系、信息传递和合作能力.它们位于众多旅游节点之间的最短路径上，负责促进不同节点之间的信息传递，充当着连接不同景区的纽带，并掌握着旅游系统中的重要有效资源.其中，天山天池风景区的中介中心性最高，得益于其旅游资源丰富、交通便利、区位优势明显，并且积极参与合作和推广活动，与其他景区、旅行社和平台进行合作，共同推动旅游业的发展.

3.2.2 结构洞分析

反映节点的信息传播能力和资源获取能力.本文利用UCINET软件计算出有效规模、效率、限制度、等级度四个指标，确定新疆旅游流网络中哪些节点在同质性竞争具有优势.其中，效率和限制度是两个最为重要的指标，节点的效率越高、限制度越小，则说明节点在信息或资源传递方面具有更高的能力和自由度，可以更好地适应市场变化，吸引更多的游客，实现长期可持续的发展.取效率和限制度差值计算结果前十名如表4所示，并将全部景区的结构洞分析结果利用ArcGIS软件进行数据可视化处理.

3.2.3 核心－边缘分析

核心－边缘分析有助于识别哪些节点在網络中的重要性较高，这些节点可能是热门旅游目的地、重要的信息传播点或资源集散地和在旅游流网络中扮演着关键角色.利用UCINET软件对旅游流网络进行核心－边缘分析（表5）.可以看出核心区内的景区通常是受游客欢迎的热门目的地，因其自然美景、文化遗产、娱乐设施或其他吸引力而备受游客青睐；并且拥有大量关于周边景点、住宿、餐饮等方面的信息，能提供游客所需的服务和设施；通过导游书、旅游网站和社交媒体上的大力推广，游客更容易准确寻找这些景区位置，因此在旅游网络中具有较高的可见性.

3.2.4 凝聚子群分析

凝聚子群能够揭示网络中的组团现象，识别出网络内部的子系统.通过凝聚子群分析找出新疆自驾旅游流网络是由哪些子系统组成的，并找出联系紧密的子群.本文运用UCINET软件中强调关系相关性的CONCER法对新疆自驾旅游流网络进行分析得到，在3级层面上，有8个子群.

由表6－7可知，新疆自驾旅游流网络，子群间和各子群内部存在不同程度的联结关系.第1子群、第2子群和第4子群子群内部密度高，数值分别为0.016、0.033和0.2，内部联系相对紧密，其他子群内部不存在联系.第5子群和第7子群之间的联系最为紧密，密度为0.25.第5子群对其他子群发出的联系最多，第7子群接收其他子群的联系数量最多，可以说这两个子群于其他子群之间的联系较为紧密.第1子群组成的子群主要靠内部联系，与其它子群间的联系较少，在网络中存在感最弱.新疆自驾旅游流网络中，节点间存在着联系紧密的小群体，网络组团特征显著.

4 结论与讨论

4.1 结论

本文基于2018—2023年的网络游记，以新疆地区为例，通过分析自驾游客旅游流的时空分布和空间网络特征，借鉴GIS空间分析和社会网络分析方法化进行了数据可视化处理和定量分析，阐明了旅游流时空结构的演变机制，得出以下结论：

1）跨时间年度变化方面， 2018—2019年新疆自驾旅游人数稳步增长，2023年疫情后恢复并超过疫情前水平，突显了新疆旅游业韧性和游客持续兴趣.从季节性变化特征来看，7—10月份是新疆自驾旅游的高峰期，五一劳动节和国庆节这两个重要节假日也是理想的自驾旅游时机.

2）空间分布形态方面，标准差椭圆法表明新疆自驾游旅游流在2018—2023年空间分布格局呈现以西北部为重心，沿“东北—西南”方向分布的态势；标准差椭圆长短半轴差距不大，表示自驾旅游流在不同年份之间的分布相对稳定；核密度估计分析显示旅游流夏秋季分布相对均匀，春冬季更为集中，季节性变化显著影响空间分布.

3）空间网络特征方面，从整体结构特征角度，新疆自驾旅游流网络中的旅游节点之间的关联不紧密，辐射牵动作用不明显，旅游流分布较为疏散且呈现明显的规模—序列表征.从节点结构特征角度，属于核心节点的景区具有较强的旅游资源控制能力，对边缘节点存在“涓滴效应”，在自驾旅游流网络同质性竞争具有优势；凝聚子群分析结果表明，新疆自驾旅游流网络空间分布不均匀，子群内部之间联系较少，节点间存在着联系紧密的小群体，网络组团特征显著.

4.2 讨论

基于前述研究，提出以下建议：第一，加强网络宣传，推动新疆旅游信息广泛发布，提升自驾旅游知名度.调整发展关注点至周边城市群节点景区，开拓市场，推动次级吸引力景区开发.第二，利用乌鲁木齐市中心地位，解决自驾游游客关注的服务设施问题，完善自驾游配套设施，规范接待流程；加强与周边城市旅游联系与合作，促进自驾游客引流.第三，推进疆内其他城市核心景区建设与重点营销，以高竞争力景区吸引自驾游客，将影响力扩散至周边景区.推动主题自驾线路制定，提高自驾游市场活力.第四，专注于生态旅游，打造生态旅游品牌.改进目的地旅游租车系统，健全旅游城市交通接驳体系，以适应自驾游客交通需求.

囿于现阶段技术，本文研究尚存在不足之处：首先，网络游记可能存在信息的片面性和主观性，分析结果可能受到游记作者的主观观点和个人经验的影响，并且游记数据依赖于游客的分享和记录，可能无法代表全部自驾游客的行为.其次，虽然使用GIS空间分析和社会网络分析方法是合理的，但可能受到地理数据的分辨率和准确性的影响，无法捕捉到旅游流复杂的空间关系.最后，虽然在进行时空分布和规律性分析时采用多年的平均值以平滑疫情期的影响，且针对不同季节的变化进行季节性调整更好地区分季节性影响和疫情期影响使数据更具代表性，但依然会影响到自驾旅游流时空分布及空间网络特征以及规律性.未来可考虑结合网络游记数据与其他数据来源，如旅游统计数据、移动应用轨迹数据等，利用多元数据来源的综合分析有助于减轻样本偏差，提高数据的全面性和代表性；选择更合适的模型参数和算法，确保算法的选择符合自驾游客旅游流的实际情况，以提高模型对旅游流特征的拟合度和准确性；利用时间序列分析方法，观察疫情期和非疫情期内自驾旅游流的趋势变化，确定是否存在疫情导致的临时性波动还是长期趋势的影响，以及进行敏感性分析测试研究结果对于疫情影响的鲁棒性，观察结果的变化情况.

参考文献：

［1］杜久升，冯云超，王羽等.河南省乡村旅游特色村空间分布格局及影响因素研究［J］.西北师范大学学报（自然科学版），2023，59（5）：127.

［2］陈志军.旅游流与资源禀赋对旅游发展时空差异的影响研究［D］.贵阳：贵州师范大学，2023.

［3］王银银，陆林，王芳.入皖自驾旅游流时空特征及空间格局演化机制［J］.资源开发与市场，2020，36（1）：73.

［4］焦赛.旅游经济学视角下乡村研学旅游地规划建设研究［D］.昆明：昆明理工大学，2022.

［5］胡婷，张朝枝，赵莹，等.山地文化旅游对目的地客流时间分布的影响——基于泰山客流的大数据分析［J］.山地学报，2023，41（3）：435.

［6］许丹丹，王茜雅，张建新，等.基于大数据的多时间尺度城市旅游流特征研究——以南京市为例［J］.现代城市研究，2020（1）：113.

［7］戢晓峰，戈藝澄，陈方.基于公路交通流大数据的节假日旅游流时空分异特征——以云南省2017年7个节假日为例［J］.旅游学刊，2019，34（6）：37.

［8］罗秋菊，梁思贤.基于数字足迹的自驾车旅游客流时空特征研究——以云南省为例［J］.旅游学刊，2016，31（12）：41.

［9］王琪林，杨霞，方怡.四川省旅游资源丰裕度与旅游网络关注度空间错位演变及影响因素分析［J］.旅游科学，2023，37（1）：43.

［10］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.

［11］PORTO N，GARBERO N，ESPINOLA N.Spatial distribution of touristic flows in a gravity model in South America［J］.Journal of Tourism Analysis，2018，25（1）：39.

［12］LAU P L，KOO T T R.Multidimensional decomposition of gini elasticities to quantify the spatiotemporality of travel and tourism distribution［J］.Tourism Manage，2022，88：104422.

［13］ZHANG W，JIANG L.Effects of high－speed rail on sustainable development of urban tourism：evidence from discrete choice model of Chinese tourists preference for city destinations［J］.Sustainability，2021，13：10647.

［14］杨璐.基于数字足迹的海南省旅游流网络结构特征及优化研究［D］.海口：海南大学，2023.

［15］程小蝶.山地旅游流網络空间格局演化及影响机理［D］.贵阳：贵州大学，2023.

［16］杜家禛，徐菁，靳诚.基于百度指数的长江三角洲虚拟旅游流流动特征和影响因素分析［J］.长江流域资源与环境，2021，30（2）：290.

［17］丁杰，沈新.旅游型乡村空间活力的分布特征及其影响机制：基于多源数据的宏村实证分析［J］.旅游科学，2023，37（5）：61.

［18］闫闪闪，徐红罡.节庆事件对区域旅游流空间网络的影响效应和机制研究［J］.人文地理，2023，38（1）：181.

［19］李爽，刘静静，安康.基于线上数据的中国省域旅游流网络结构特征与空间效应研究［J］.统计与信息论坛，2023，38（1）：116.

［20］肖妮.中国全域旅游发展水平的测度及时空演化与空间效应研究［D］.长春：东北师范大学，2019.

［21］XIAOBIN M，BIAO S，GUOLIN H，et al.Evaluation and spatial effects of tourism ecological security in the Yangtze River Delta［J］.Ecol Indic，2021，131：108190.

［22］ZENG Z，WANG X.Spatial effects of domestic tourism on urban－rural income inequality［J］.Sustainability，2021，13（16）：9394.

［23］郭昊，刘军胜.黄河中下游城市群旅游经济网络结构演化及其差异［J］.西北师范大学学报（自然科学版），2023，59（6）：96.

［24］郭珊菲.基于腾讯位置大数据的景区客流时空特征分析［D］.南京：东南大学，2022.

［25］柴瑞阳.基于旅游数字足迹的风景道旅游流时空分布影响机理研究［D］.北京：北京交通大学，2022.

［26］吴诗婕.基于网络游记的城市假期旅游流时空演化及影响因素研究［D］.重庆：重庆大学，2022.

［27］段德忠，杜德斌，刘承良.上海和北京城市创新空间结构的时空演化模式［J］.地理学报，2015，70（12）：1911.

［28］赵学伟，张志斌，冯斌，等.西北内陆中心城市物流企业空间分异及区位选择——以兰州市为例［J］.干旱区地理，2022，45（5）：1671.

［29］程雪兰.长三角城市群旅游流网络结构特征及影响机理研究［D］.合肥：安徽大学，2022.

（责任编辑 武维宁）

收稿日期：2023－12－16;修改稿收到日期：2024－03－08

基金项目：交通强国驱动的交通工程专业新工科人才培养体系转型升级探索与实践（XIGXPTJG－202213）；交通运输工程校级重点学科开放课题（XJAUTE2022K02）；中国学位与研究生教育学会项目（2020MSA274）

作者简介：朱兴林（1971—），女，新疆乌鲁木齐人，副教授，博士.主要研究方向为交旅融合、交通安全与环境.E－mail：zxl3740965@163.com

*通信联系人，硕士研究生.主要研究方向为交旅融合、交通安全与环境.E－mail：1090963240@qq.com