摘要：运用社会网络分析方法， 基于678篇网络游记中时空信息的提取和分析， 总结了成都自助旅游流网络结构的特点。结果表明：①春熙路是成都自助旅游流网络的集散中心， 网络中有春熙路、宽窄巷子、人民公园等9个核心节点。成都旅游节点划分为5个等级， 其中市级中心节点的控制力和结构优势最强， 旅游网络的主体由春熙路、宽窄巷子、大熊猫基地等17个游客重点游览的节点组成。②成都自助游网络密度较低， 旅游线路偏少；网络中共有8个凝聚子群， 内部紧密相关的有3个；网络中存在明显的核心区和边缘区， 两者密度差异较大。③成都自助游客流四季差异较小， 秋季达到顶峰， 夏季出现小低谷；最受游客欢迎的17个重点游览节点不随季节而变化。
关键词：自助旅游流； 网络结构； 网络游记； 社会网络分析； 成都；
旅游流是旅游业的基础[1], 一直是旅游地理学研究的核心问题之一[2].随着旅游业的快速发展、居民旅游消费能力的提升和旅游观念的日益成熟， 时尚灵活的自助游成为当前越来越多要求旅游高品质游客的选择和主流的旅游模式。自助旅游者相比于传统的团体旅游者更具个性化特征， 旅游流覆盖的旅游资源也更广[3], 我国的自助旅游流规模在近几年呈现出稳步增长的趋势[4].此外， 信息技术和网络的发展使游客可在旅游之后利用社交媒体分享旅途体验和经历， 深度挖掘这些包含大量游客活动时空信息的真实照片和游记[5], 相比于耗时费力的问卷调研、实地访谈等传统研究旅游流的方式具有较高的准确性和可靠性[6].
目前， 国内外旅游流的研究内容主要集中在旅游流时空分布和演化特征[6,7,8,9]、流动模式[10,11]、影响因素[12,13,14,15]、规模预测[16,17,18,19]等方面；研究方法主要包括数理统计、社会网络分析、GIS分析等；研究数据来源主要是问卷调查和统计数据， 对大数据的挖掘和使用仍存在较大的利用空间；研究尺度多集中在国家级[20,21,22]、区域[23,24]、省级[25]等较大的空间尺度上， 对城市内部[26,27]旅游流的研究稍显不足。城市是现代旅游的资源和目的地， 也是旅游业重要的载体和发展空间， 旅游流发展已成为影响城市内部空间结构变化越来越重要的因素[28], 但旅游空间结构不合理、旅游线路供给与需求不匹配等在城市旅游快速发展过程中出现的问题[6], 大大降低了游客的旅游体验质量和满意度， 阻碍旅游业的发展。本文通过对成都市自助游网络游记的数据挖掘， 利用社会网络方法分析自助游游客在城市内部的流动规律和特点， 把握各节点在旅游网络中的地位和关系， 以期对组织旅游目的地线路、布局旅游服务设施、规划城市交通、优化旅游空间结构、开展景区间合作与全域旅游工作等提供科学的指导依据。
1 研究设计
案例地概况：据2016年成都市旅游局国内旅游抽样调查报告， 2016年参加旅行社组织的游客所占比例不足10%, 表明成都散客化趋势明显， 以“自由行”占绝对优势。据《成都市国民经济和社会发展统计公报》， 2017年成都接待国内游客2.1亿人次， 比上年增长了4.9%;国内旅游收入2946.2亿元， 增长了21.5%;旅游业收入3033.42亿元， 同比增长了21.2%.此外， 成都旅游在发展过程中面临着旅游交通拥堵、旅游设施布局和空间结构不合理、旅游节点间发展不平衡等问题和困境。因此， 以成都为案例地， 对城市自助旅游流的研究具有典型代表性和现实意义。
研究方法：本文主要运用社会网络分析方法， 以地理学的视角对游客微观个体流动所构成的宏观联系和空间结构展开研究， 从整体结构特征 （网络规模密度、凝聚子群、核心边缘分析） 和节点结构特征 （度数中心性、接近中心性、中间中心性、结构洞分析） 两方面分析成都自助旅游网络结构。
数据获取：本研究数据来自以“自由行”为核心的马蜂窝旅游网上游客真实分享的网络游记。马蜂窝旅游网为全球60000多个目的地提供旅游攻略， 截至2017年11月已积累1.3亿用户， 且用户数量在不断增加， 其中80%的用户来自移动端， 月均活跃用户1亿， 是我国最大的旅游分享社区网站。本文采集马蜂窝旅游网上2017年1-12月以成都为目的地的游记：所选取的游记须有照片辅助验证文本数据的真实性；作者为外地自助游散客；游记内容要完整记录行程， 可还原旅游线路；去除重复的和时间地点不清晰的游记， 去除单一旅游节点、营销型和纯攻略性的游记；合并同一作者对同一次旅程分开写的几篇游记， 最后一共整理了678篇符合标准的有效游记。
数据处理：游记中游客选择旅游节点的频次见表1.
表1 成都自助游游客到访旅游节点频次统计
考虑到低频次的旅游节点在分析中意义较小， 所以舍去频次≤5的节点， 最后本研究共涉及旅游节点38个：春熙路 （含IFS国际金融中心） 、宽窄巷子、大熊猫繁育研究基地、锦里、都江堰景区 （含二王庙、安澜索桥、离堆公园等） 、杜甫草堂、武侯祠、远洋太古里、人民公园、青城山景区、文殊院、玉林路 （含歌曲《成都》中的网红“小酒馆”） 、九眼桥 （含兰桂坊酒吧街） 、青羊宫、四川大学 （望江校区） 、天府广场、金沙遗址博物馆、琴台路 （含琴台故径和蜀风雅韵川剧院） 、四川博物院、锦江剧场 （芙蓉国粹川剧） 、浣花溪公园、东郊记忆、大慈寺、成都博物馆、黄龙溪古镇、熊猫邮局、U37创意仓库、奎星楼街、泡桐树街、西岭雪山、熊猫乐园、小通巷、望江楼公园、环球中心、安仁古镇 （含建川博物馆、刘氏庄园） 、洛带古镇、百花潭公园、街子古镇。然后提取每篇游记中的时间和空间信息， 在Excel表格中按次序输入作者、客源地、标题、出游时间、游客每日的旅游节点线路等， 再将文本信息转换为数学语言， 如果节点间存在一次直接对流那么则记为1, 否则就记为0, 最终得到了一个38×38的多值有向关系矩阵。
2 结果及分析
2.1 旅游流网络构建
使用社会网络分析工具Ucinet对Excel中建立好的多值有向关系矩阵进行处理， 然后导入到软件Net Draw当中， 绘制成都市自助游网络结构图 （图1） .
图1 成都自助旅游网络结构
2.2 旅游流网络结构分析
为了更直观地体现游客选择的偏好并让自助旅游网络具有较好的连接效果， 对38×38的多值有向关系矩阵进行二值化处理， 在多次测试验证后， 最终选定以1为断点值。若大于1, 赋值为1, 反之为0.利用UCINET软件计算分析网络节点结构特征、网络整体结构特征和季节网络特征。
网络节点结构特征：成都自助旅游网络中的38个节点结构指标数值见表2. （1） 节点中心性分析。中心性是衡量个体在网络中权力和地位的指标[29].度数中心性表示一个旅游节点对其他节点的集聚力与辐射力大小[29].所选择的38个旅游节点平均每个与11.92个其他节点有流入和流出关系。内向度数中心度和外向度数中心度差别较大。外向度数中心度较高， 多数游客是从该节点分散到其他节点， 扩散作用较强；反之， 内向度数中心度较高， 较多游客流向该节点， 集聚作用较强。出入度排名最高的是春熙路， 说明它是成都自助旅游流的集散中心， 对旅游流具有较强的集聚效应和辐射效应。度数中心性方差较大， 表明成都自助游网络结构不均衡。接近中心性表示旅游节点之间旅游流的通畅程度[29].由表2可知， 春熙路、宽窄巷子、太古里、人民公园、锦里、武侯祠、杜甫草堂、文殊院的内向和外向接近中心度都较高， 表明这些节点很受欢迎且与其他节点之间的流动通畅性好， 位于网络中心， 不同游客的旅游路线组合通常都包含这些节点。此外， 外向接近中心度大于内向接近中心度， 节点作为流出点时与核心节点相连， 如大熊猫基地与宽窄巷子每日有多班景区直通车， 游客游览完熊猫基地后直接流向市区宽窄巷子；反之， 外向接近中心度小于内向接近中心度， 这类节点直接与核心景区连接作为进入点， 通达性好， 如锦江剧场受附近春熙路的辐射， 旅游流从春熙路流向锦江剧场。中间中心性表示旅游节点对网络中其他节点的依赖程度和控制力大小[29].每个旅游节点在网络中充当中介的平均次数为27.21, 标准差为43.47, 表明不同旅游节点控制力差异较大。春熙路、宽窄巷子、远洋太古里、人民公园、都江堰、锦里、大熊猫基地、武侯祠、文殊院、杜甫草堂、东郊记忆、青城山的中间中心度大于均值， 说明这些节点对其他节点控制力强， 其他旅游节点对它们的依赖程度高， 在成都旅游网络中处于相对关键的位置。此外， 熊猫乐园、西岭雪山、环球中心、街子古镇、安仁古镇、洛带古镇的中间中心度为0, 这些节点对其他旅游节点控制力极弱， 依赖性强， 在旅游发展中缺乏优势和竞争力。 （2） 结构洞分析。结构洞指标是帮助识别旅游流网络中的优势和劣势节点。宽窄巷子、远洋太古里、文殊院、人民公园、锦里、杜甫草堂、大熊猫基地、武侯祠等节点的结构洞水平较高， 拥有较多优势和竞争力；春熙路约束最小、效能最大、结构洞程度最高， 优势明显；安仁古镇、西岭雪山、环球中心、洛带古镇、熊猫乐园处于劣势地位。 （3） 划分旅游节点层次。依据中心度 （点入度与点出度之和） 对节点进行层级划分 （表3） , 进一步分析旅游节点在旅游网络中的地位。中心度大于45的为市级中心节点；中心度35-45的为市级副中心节点；中心度25-35的为区域级中心节点；中心度15-25的为区域级副中心节点；节点中心度小于15的为一般节点。
表2 成都自助游节点结构指标
表3 节点层次划分
总体来说， 成都自助旅游流网络中充当着集散和枢纽重要角色的核心节点有9个：春熙路、宽窄巷子、远洋太古里、文殊院、人民公园、锦里、杜甫草堂、武侯祠、大熊猫基地， 其他旅游节点大多需要通过这9个具有明显优势的节点流动， 整体旅游流网络不均衡性较强。此外， 节点数据分析结果与图1吻合。图1中圆圈越大， 表示该节点的游客偏好度和客流量越大；节点连线越粗， 表示游客在节点间的流动越多。除去9个核心节点外， 图1中圆圈面积较大且联系紧密的节点还有青羊宫、四川大学、九眼桥、天府广场、四川博物院、都江堰、琴台路、玉林路， 这17个游客主要关注和游览的节点形成了成都自助旅游网络的主体。把这17个节点对比成都旅游官方微博、宣传片和旅游官方网站首页中推荐的21个节点， 发现两者契合度仅52% （表4） .政府推广的21个节点中有10个不是游客重点关注的节点， 分析发现这10个节点距市中心较远且大多为近距离客源市场乡村休闲游类型， 如桃花故里、通济花海、花舞人间等， 对外地游客吸引力不足。游客重点关注的17个节点中有6个没有包含在政府推广的节点内， 进一步分析游记内容发现成都市政府没有推广作为市民公园的人民公园， 但对外地自助游客来说， 在公园内喝茶、采耳、逗鸟或躺在竹椅上听戏发呆， 这些能体验到成都别样悠闲惬意文化的日常却深深地吸引着他们；玉林路成为游览重点， 可能与歌曲《成都》走红相关， 不少游客因为歌词慕名而来：走到玉林路的尽头， 坐在“小酒馆”的门口， 这也为创新音乐等旅游营销宣传形式提供了一种思路。
表4 游客重点游览节点与官方推广节点对比
表5 凝聚子群密度矩阵
注：R-squared=0.35.1:宽窄巷子、锦里、成都博物馆、大熊猫基地、武侯祠、都江堰、文殊院、杜甫草堂、人民公园、四川博物院、金沙遗址、沅花溪公园、青羊宫；2:洛带古镇、百花潭公园、黄龙溪古镇；3:玉林路、春熙路、琴台路、远洋太古里、九眼桥、环球中心、四川大学、锦江剧场；4:大慈寺、天府广场、东郊记忆、熊猫邮局、U37创意仓库、望江楼公园；5:青城山、西岭雪山；6:熊猫乐园、街子古镇；7:奎星楼街、小通巷、泡桐树街；8:安仁古镇。
网络整体结构特征： （1） 规模与密度分析。38×38多值有向矩阵的网络规模， 可能出现的路径最多1406条， 而实际观察到的仅有453条， 网络密度为0.322, 表明成都各旅游节点之间存在联系不够紧密、旅游流互动弱、旅游线路偏少的问题。 （2） 凝聚子群分析。凝聚子群是网络中具有较强、直接、紧密、积极关系的行动者子集合[18].通过UCINET软件的CONCOR法得到成都自助游网络共有8个凝聚子群 （表5） , 其中有3个内部联系紧密， 即子群1、3、7, 表明游客在这3个子群内部的各个节点之间流动频繁， 这与子群1、子群3包含较多核心节点、子群7内部三个文艺小资美食类节点空间距离近有关。此外， 子群1和3、子群3和4、子群5和6的密度都高于0.5, 表明这些子群之间联系紧密。其中， 子群5和子群6内的节点都在成都市西、西北方向， 相对靠近， 这可能是游客选择它们组合旅游线路的原因。子群8与其他子群联系都较弱， 可能与安仁古镇位置偏远且成都古镇类景点较多有关。为了让各子群间的关系更加清晰， 以网络平均密度0.322作为断点值对表5进行二值化处理， 绘制成都自助旅游流空间网络简化图 （图4） . （3） 核心边缘分析。核心边缘分析可量化节点在整体网络中的地位。核心节点间的密度为0.842, 表明核心节点间网络紧密， 连接强度高；而边缘节点之间的密度仅为0.071, 联系较弱；核心节点与边缘节点间密度为0.295, 核心区域对边缘区域的影响带动作用较弱， 成都自助旅游流网络具有明显的结构分层， 见表6.
图2 旅游流空间网络简化图
表6 核心-边缘密度矩阵
旅游流季节网络分析：提取游记中的出游时间信息并分析， 发现成都自助游客流在10月出现小高峰， 8月出现小低谷 （图3） , 整体季节差异较小， 与成都旅游官方统计结果吻合。十月秋高气爽， 是成都旅游气候最佳的时段之一， 又恰逢“十一”小长假， 这是出现小高峰的主要原因；8月少有长假， 不少客源市场距离成都较远， 且成都旅游多与川藏其他景点进行线路组合， 恰逢酷暑且四川盆地夏季多雨、多洪水、泥石流等客观不适游性， 导致客流全年最低的现象。绘制成都旅游流四季网络结构图 （图4） , 发现游客重点游览的节点并未因季节不同而变化， 宽窄巷子、春熙路、大熊猫基地等17个节点仍是最受游客欢迎的节点。进一步分析发现， 这17个节点并无明显季节性， 四季皆适游， 这可能是成都自助游客流季节差异较小的原因。从图4可知， 春夏秋三季出现了较多的孤立节点 （与其他节点没有产生联系的节点为孤立节点， 如图4a中西岭雪山、环球中心、街子古镇、安仁古镇4个节点） , 但春秋季主要节点间连线粗， 这表明春秋两季旅游流网络具有密度高、路径多、主要节点间联系紧密的特点；夏季节点间连接相对稀疏， 表明夏季旅游流网络密度低、路径少， 主要节点间连接不紧密；冬季网络中孤立节点最少、有联系的节点最多。进一步观察发现， 春夏秋三季为孤立节点的西岭雪山在冬季不是孤立节点， 表明其淡旺季明显， 应积极思考景区新发展。
图3 成都自助旅游流网络时间分布
图4 成都自助游网络季节变化
3 结论与讨论
本文通过挖掘成都自助游游记数据， 分析其网络结构特征， 得出以下结论： （1） 在成都自助游网络选取的38个旅游节点中， 春熙路的凝聚效应和辐射效应最强， 是成都市自助旅游流的集散中心；网络中不同旅游节点流动的通畅程度存在显着差异， 较多节点需要通过春熙路、宽窄巷子、太古里、文殊院、人民公园、锦里、杜甫草堂、大熊猫基地、武侯祠等9个核心节点产生联系；将成都旅游网络节点划分为5个等级， 其中春熙路、宽窄巷子、远洋太古里、人民公园为市级中心节点， 对其他节点具有较强的控制力， 在旅游网络中具有结构优势；安仁古镇、西岭雪山、环球中心、洛带古镇、熊猫乐园等处于劣势地位的节点， 应注意避免同质化竞争， 找准自身特色和定位， 积极与优势节点合作。 （2） 春熙路、宽窄巷子、大熊猫基地等17个游客游览的重点节点组成了成都市自助游流动网络的主体， 但官方推广的节点与之重合度仅52%.外地自助游散客市场庞大， 因此研究其真实的游览节点和路径对旅游部门更好地认识旅游吸引物、把握游客行为和实现精准营销具有重要的现实指导意义。 （3） 成都自助游网络总体密度较低， 旅游节点间的旅游线路总数相对较少；网络中共有8个凝聚子群， 其中3个内部紧密联系， 关系密切的子群、子群内部成员间可联合营销， 增强客流量， 优化旅游线路组织和产品开发；网络结构中存在明显的核心区域和边缘区域， 密度差异较大， 两者要积极主动地加强联系， 推出新的旅游线路和产品， 增强热门线路的衔接， 完善节点间的各类交通， 为游客带来新的旅游体验， 进一步发展和升级旅游网络。 （4） 成都自助游客流四季差异整体较小， 在秋季达到顶峰， 夏季出现小低谷， 可针对有暑假的在校师生打造研学旅游产品， 积极营销， 并提前做好因假期、天气等因素导致的淡旺季应对措施和大流量热门节点的配套服务设施布局；部分季节性较强的节点， 如西岭雪山等在全域旅游的大背景下要积极思考景区发展的新思路， 如举办特色旅游节庆活动等；春熙路、宽窄巷子、大熊猫基地等17个节点仍是每个季节游客游览的重点， 城市公共服务设施和资源要侧重于这17个节点并重视安保工作， 加强旅游信息化建设， 推广智慧旅游， 为城市管理创造更有利的条件。
网络游记是游客情感的真实表露， 能有效获取旅游节点间的流动数据， 本研究为旅游管理和城市规划提供了一定的参考依据， 但由于游记中游客属性数据难以获取， 将来的研究可补充游客属性分析其流动规律与特征的内在机制。此外， 成都以“休闲美食之都”吸引了大量游客慕名而来并且游线多与九寨沟、重庆、稻城亚丁、峨眉山等市外旅游节点连接， 今后的研究可进一步综合考虑“食、宿、行”等要素以及区域旅游对城市旅游流的影响。
参考文献
[1] 保继刚， 楚义芳， 彭华。旅游地理学[M].北京：高等教育出版社， 1999.
[2] 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, （6） ∶101-109.
[3] 吴中堂， 刘建徽， 袁俊。大陆居民赴台湾自由行旅游流网络分析及演化研究[J].旅游学刊， 2016, 31 （10） ∶113-121.
[4] 戢晓峰， 李俊芳， 陈方。基于社会网络分析的云南省自助游空间结构研究[J].干旱区资源与环境， 2016, （6） ∶204-208.
[5] 杨敏， 李君轶， 杨利。基于旅游数字足迹的城市入境游客时空行为研究---以成都市为例[J].旅游科学， 2015, （3） ∶59-68.
[6] 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.
[7] 汪德根。京沪高铁对主要站点旅游流时空分布影响[J].旅游学刊， 2014, 29 （1） ∶75-82.
[8] 张妍妍， 李君轶， 杨敏。基于旅游数字足迹的西安旅游流网络结构研究[J].人文地理， 2014, 29 （4） ∶111-118.
[9] 张佑印， 马耀峰， 赵现红。中国一级城市入境旅游流时空演变模式分析[J].城市问题， 2008, （2） ∶90-94.
[10] Lew A, Mc Kercher B. Modeling Tourist Movements:A Local Destination Analysis[J]. Annals of Tourism Research, 2006, 33 （2） ∶403-423.
[11] 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， 2015, 69 （12） ∶1858-1870.
[12] 杨兴柱， 顾朝林， 王群。旅游流驱动力系统分析[J].地理研究， 2011, 30 （1） ∶23-36.
[13] Balli F, Balli H O, Louis R J. The Impacts of Immigrants and Institutions on Bilateral Tourism Flows[J]. Tourism Management, 2016, （52） ∶221-229.
[14] Zhang J, Jensen C. Comparative Advantage:Explaining Tourism Flows[J]. Annals of tourism research, 2007, 34 （1） ∶223-243.
[15] Prideaux B. Factors Affecting Bilateral Tourism Flows[J]. Annals of Tourism Research, 2005, 32 （3） ∶880-801.
[16] Song H, Witt S F. Forecasting International Tourist Flows to Macau[J]. Tourism Management, 2006, 27 （2） ∶214-224.
[17] 杨国良， 张捷， 刘波， 等。旅游流流量位序规模分布变化及其机理以四川省为例[J].地理研究， 2007, 26 （4） ∶662-672.
[18] 杨兴柱， 顾朝林， 王群， 等。南京市内部旅游客流空间测度与模拟[J].地理科学， 2011, 31 （7） ∶802-809.
[19] 阎友兵， 贺文娟。国内旅游流流量与流质的时空演化分析[J].经济地理， 2013, （4） ∶179-185.
[20] 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.
[21] Santana-Gallego M, Ledesma-Rodríguez F J, Pérez-Rodríguez J V. International Trade and Tourism Flows:An Extension of the Gravity Model[J]. Economic Modelling, 2016, 52 （10） ∶1026-1033.
[22] 王永明， 马耀峰， 王美霞。中国重点城市入境旅游空间关联网络特征及优化[J].人文地理， 2013, （3） ∶142-147.
[23] 卞显红， 沙润， 杜长海。长江三角洲城市入境旅游流区域内流动份额分析[J].人文地理， 2007, （2） ∶32-38.
[24] 陈浩， 陆林， 郑嬗婷。基于旅游流的城市群旅游地旅游空间网络结构分析---以珠江三角洲城市群为例[J].地理学报， 2011, 66 （2） ∶257-266.
[25] 付琼鸽， 刘大均， 胡静， 等。湖北省旅游流网络结构的特征与优化[J].经济地理， 2015, （3） ∶191-196.
[26] 王娟， 胡静， 贾？焱， 等。城市旅游流的网络结构特征及流动方式以武汉自助游为例[J].经济地理， 2016, （6） ∶176-184.
[27] 杨兴柱， 吴静。南京市旅游流网络结构特征历时性比较[J].旅游科学， 2015, 29 （4） ∶35-46.
[28] 杨兴柱。城市旅游流构成要素与基本特征[J].旅游论坛， 2013, 6 （5） ∶7-12.
[29] 刘军。整体网分析讲义：UCINET软件使用指南[M].上海：格致出版社， 2009∶47-110.