三亞旅游流空間結構及旅游者游覽特征研究

李 屹，王鳳霞

（海南大學 旅游學院，?？?570228）

旅游流是指旅游者在旅游空間場內的遷移現象（章錦河 等，2005）是目前旅游地理學研究熱點之一，流模型描述了動態的地理現象，基于“流”的時空分析成為分析時空數據研究的新的范式（裴韜等，2020），針對旅游流的研究不僅有助于厘清旅游吸引系統的空間格局，而且有益于理解旅游流中旅游者的行為特征（裴韜 等，2020）。20世紀60年代國外最早開始對旅游流進行研究，主要集中在探討旅游流的空間結構和特性（Lawrence, 2015）、資金流與物流（Marco and Alberto, 2019）、客流統計與預測（Bob and Gigi, 2008）等方面；國內于20世紀末才開始興起旅游流研究，從空間尺度看，涉及到微觀如景區（曹芳東 等，2021；李磊 等，2021）、宏觀如市域（閆閃閃 等，2023）、省域（肖剛 等，2020）、城市群（陳金華 等，2021）、經濟帶（黃松 等，2021）、全國（劉軍勝 等，2021）尺度。從數據來源上看，最初有關旅游流的研究多使用統計年鑒（孫婧 等，2022）、客運信息（李康康等，2020）、問卷調查（李磊 等，2019）等作為數據來源，而隨著社交媒體平臺和在線旅游網站的普及和推廣，可以獲取更多的網絡數據來源，如網絡關注度（高楠 等，2020）、GPS 軌跡數據（Zhuo et al., 2019）、手機信令數據（鄧社軍 等，2019）、微博簽到數據（徐敏 等，2019）、地理標記照片（秦靜 等，2018）和旅游網站在線游記（賀小榮 等，2021）等。地理大數據具有即時且海量的特點，能更加理性地映現人地關系，在地理學中有更廣泛的應用前景（程昌秀 等，2018），其中在線游記作為旅游者自愿分享的包含圖像、傳統文本信息、旅游者位置信息的新型旅游數據，可以顯著提高旅游流量描述準確性，逐漸成為旅游流特征研究的重要數據源之一。

文獻梳理發現，目前針對旅游流空間結構研究較少有目的地各景點之間游覽順序（杜家禛 等，2021；蘇建軍 等，2021）及游覽關聯性的視角（熊力 等，2021），“萬物皆有聯”是大數據時代的核心思維（秦昆 等，2022），體現數據足跡價值的關鍵在于數據的挖掘與分析（劉耀林 等，2022），關聯規則挖掘是大數據挖掘的重要分支，但少有學者借助算法對旅游流中的景點進行頻繁模式挖掘（Naixia et al., 2020；盧淑瑩 等，2021）。旅游流不僅體現旅游者流動的特征，同時也反映旅游目的地間的聯系（Naixia et al., 2020），而社會網絡指研究對象間形成的相對穩定的關系體系及形成的復雜網絡結構（Stephen et al., 2009），社會網絡分析已成為社會科學領域發展前沿的重要組成部分（秦昆 等，2022）。因此，國外學者較早將社會網絡分析方法（SNA）應用到旅游流的研究，多從凝聚子群、小世界效應和小團體等方面探究不同客源地旅游者在美國進行多個目的地旅游的空間特征（Yeong-Hyeon, 2006），而國內學者較多從中心性（Xi et al., 2012；楊興柱等，2015）和結構洞（Daniel et al., 1998；程雪蘭等，2021）2 個指標對旅游流網絡結構特征進行表述，然而這類分析大多偏重分析網絡的結構特征（馬麗君 等，2021；王金偉 等，2021；周裕祺 等，2022），忽視了對旅游流空間模式的深入研究（Cheng et al., 2018；朱冬芳 等，2021），如旅游者的游覽時長和游覽類型會影響旅游者對景點的選擇。而錨點理論可以闡明旅游者如何在陌生環境中選擇游覽的景點（Walmsley and Jenkins, 1992），因此應用錨點理論通過研究各景點之間的聯系，可以明確不同游覽時長和游覽類型下的錨點景點，清晰地解釋不同旅游者的游覽模式。

綜上，本文基于去哪兒網所獲取的游記數據，以旅游流空間結構作為對象，選取中國具有獨特地理位置和旅游資源的三亞市為研究區域，基于錨點理論結合傳統的社會網絡分析方法和改進后的Apriori算法，對三亞市旅游吸引系統的吸引機制進行定量化分析，以期對熱帶濱海旅游城市的精準營銷提供依據。

1 研究區域與數據

1.1 研究區域

三亞市是海南省地級市，簡稱崖，別稱鹿城，地 理 坐 標 介 于18°09′34″-18°37′27″ N、108°56′30″-109°48′28″ E，處于海南島最南端，年均溫25.7℃，年均降水量1 347.5 mm，屬于熱帶季風性氣候。三亞市擁有豐富的自然和文化資源，擁有A 級及以上景區14 處，其中，5A 景區3 處，4A 景區6處，憑借優越的區位條件、自然資源條件及特區政策優勢，已形成以旅游業為主導的區域發展模式。

1.2 數據來源及預處理

去哪兒網是國內具有較高影響力的在線旅游運營商，用戶較多且游記的數量和質量也較高（陳芳姝 等，2022），選取其游記作為本文的數據來源。使用python 爬取去哪兒網從2017-01-01—2022-12-31 目的地為三亞的游記共1 904 篇，為保證數據分析的質量，制定7個規則對所爬取的數據進行清洗：1）去除不能準確提供游覽途徑景點的模糊游記；2）去除游覽時長與游覽景點不符的錯誤游記（如時長只有1 d 但游覽多個距離較遠的景點等）；3）去除同一用戶在相同游覽時間相同游覽路徑的重復游記；4）去除同一用戶在相同游覽時間而游覽路徑不同的錯誤游記；5）去除游覽路徑中有非三亞市景點的游記；6）去除商家所做的攻略類的游記；7）合并有從屬關系的景點，如將過江龍索橋、煙波亭、滄海樓等景點統一歸入亞龍灣熱帶天堂森林公園景點。經清洗后的游記共875篇，包含旅游時間、游覽時長、游覽類型、游覽景點及路徑等信息。

2 理論與方法

2.1 錨點理論

錨點理論是Golledge 于1978 年所提出（Reginald, 1978），該理論闡明某些明顯的提示物、標志物是人們對某地空間認知中的錨點，隨著人們對于某地認知的不斷加深而生成次級錨點，以此不斷延伸形成層級分明的空間認知結構?！板^點”是行為地理學的一個核心概念，指被普遍選擇和規律到訪的地點，在游覽過程中的錨點即核心景點，如旅游者在旅游期間游覽多個景點，一些最有可能去的景點即錨點，其次為次級錨點等，不同游覽類型的錨點可能不同。在錨點理論的框架內，本文旨在系統分析由停留時間定義的網絡結構，以及每個景點在結構中扮演的功能角色，闡明各景點的等級排列，明確旅游地的錨點對于提高旅游地競爭力的重要程度。

2.2 研究方法

本文從數據收集與整理入手，借助多種研究方法與計算方式對三亞市旅游流網絡進行構建與結構識別，從而得出三亞市旅游流旅游者行為特征，研究框架如圖1所示。

圖1 三亞旅游流空間結構及旅游者游覽特征研究框架Fig.1 Research framework on the spatial structure of Sanya tourism flow and the characteristics of tourists' visit

2.2.1 流向統計 旅游流的流向是旅游者在2個景點間的移動，如“從亞龍灣到三亞灣”，流向頻率的公式（Naixia et al., 2020）為：

式中：Pi為流向頻率；vi為流向i在所有流向中出現的次數；V為所有流向的總數，通過對每個流向的頻率進行計算和排序，可以得到旅游流的頻繁流向。

2.2.2 關聯規則挖掘 Apriori算法是目前使用最為廣泛的挖掘關聯規則頻繁項集的算法，其核心原理是某一項集若是頻繁的，則其所有子集也是頻繁項集，反之則為非頻繁項集（李海杰 等，2022），缺點是Apriori算法在生成每層頻繁項集時都需頻繁掃描數據集，降低算法效率的同時也導致數據冗余。針對上述瑕疵，本文采用李海杰等（2022）改進后的Apriori算法進行關聯規則挖掘，最終分析結果表示為“X==>Y 支持、置信、提升”，X 和Y 分別為關聯規則的前件和后件，每個前件或后件都可以由“∧（表示和）”連接的多個景點組成，前件和后件分別代表事件的條件和結果。

1）支持度，表示景點在游覽路徑中出現的概率（頻率）。

2）置信度（Confidence），用于衡量關聯規則的可靠程度，表示在前件發生的條件下后件發生的概率。置信度越高則關聯規則的可靠程度越高。

3）提升度（Lift），用于判斷關聯規則中X 的出現對Y 出現的影響程度。Lift＜1 表示為抑制作用，Lift＞1表示為促進作用，Lift=1表示前件不影響后件。

2.2.3 社會網絡分析方法（SNA） SNA 是研究復雜網絡的有力工具（杜嶸 等，2022），利用各網絡節點間的關系表征數據的屬性特征及數據間的結構，從多角度體現旅游流中各景點間的聯系。SNA的核心部分是中心性分析與結構洞分析（王朝輝等，2020），中心性分析可以測度各旅游節點在社會網絡中的地位，并突出其在網絡結構中的相對重要性（朱麗波，2015），結構洞分析可以配合中心性分析的結果，量化各節點的網絡特征，并根據數據定性推斷各節點在網絡結構中的特征。將游記中涉及到的景點確定為網絡節點，以各網絡節點為橫縱軸，兩景點間若有流動便記為1，依次累加建立多值有向關系矩陣，表示各節點間的流動關系，將矩陣導入Ucinet 6.560 軟件并進行二值化處理，經多次實驗后選擇斷點值為5，得到37×37 的矩陣。選擇程度中心性、接近中心性和中間中心性的中心性指標與結構洞指標進行分析。

3 結果分析

3.1 流動特性

3.1.1 流向分析 從游記中發現旅游者2017-01-01—2022-12-31 六年間在三亞各景點間共有4 337 次移動，根據式（2）以及各個景點游客流動的頻率對流向進行排序，得到三亞的游客流動排名。圖2為頻率排名前20的旅游者流向。

圖2 三亞旅游流向頻率（排名前20）Fig.2 Frequency of tourism flow in Sanya( top 20)

由圖2可知，從亞龍灣-亞龍灣熱帶天堂森林公園是所有流向中最頻繁的旅游流向，占總旅游流量的2.83%，其次為海棠灣-亞龍灣，占總流量的2.20%。旅游者流向的頻繁程度反映景點之間的聯動關系，雙向旅游流為兩景點間旅游流向頻率的和，其中亞龍灣與亞龍灣熱帶天堂森林公園（占3.07%），其次為亞龍灣與三亞灣的旅游流聯動關系最為顯著（雙向旅游流占旅游總量的3.04%），以及亞龍灣與海棠灣（占2.54%）。這些景點之間的路線是三亞旅游流的核心路徑。

3.1.2 關聯規則挖掘 采用Apriori 算法對游記中旅游者游覽路徑的關聯規則進行發掘，為獲得最佳關聯規則進行多次實驗，設定參數Minsup=0.1，MinConf =0.6，提升度Lift＞1，共獲得20條最佳關聯規則（表1）。

表1 關聯規則挖掘結果Table 1 Association rule mining results

由表1可知，亞龍灣和三亞灣是出現頻率與支持度最高的2個景點，在得到的每條關聯規則中都包含亞龍灣和三亞灣2個景點中的至少一個，說明亞龍灣和三亞灣與關聯規則的結果密切相關，且在前件中支持度較高的景點為三亞灣、蜈支洲島、大東海、海棠灣、天涯海角和椰夢長廊，后件中出現頻率最高的是亞龍灣，表明這些景點在旅游流中最受歡迎。旅游者在游覽三亞灣和海棠灣時會游覽亞龍灣的可信度達72%，游覽三亞灣和亞龍灣熱帶天堂森林公園時會游覽亞龍灣的可信度可達68%，說明亞龍灣和三亞灣與周邊熱門景點相結合，其關聯規則的可信度將顯著提高。在對旅游者流動的頻繁流向分析中雖然沒有發現亞龍灣與蜈支洲島之間的明確聯系（見圖2），但關聯規則挖掘的結果表明，如果在亞龍灣和蜈支洲島之間增加第三個吸引點如亞龍灣熱帶天堂森林公園，二者將會表現出較強的相關性，因此這2個熱門景點之間存在隱含的聯系。

3.2 錨點選擇

錨點是整個旅游流空間結構的基礎和核心，往往作為游覽路線的開端或結尾，對整個空間結構具有重要作用，因此合理科學地確立錨點選擇的標準十分必要。結合相關研究（劉歆 等，2021），確定三亞市旅游流錨點時應注意：1）錨點吸引物具有獨特的原真性。原真性是錨點吸引物吸引力價值基礎的來源，包括自然和人文等方面。2）開發程度較高但保護狀態良好。對景點進行保護性開發，在保持原真性的基礎上盡可能地進行開發，配備有完善的基礎設施。3）圍繞錨點配備較完善的旅游相關設施及服務機構，如游客中心、停車場、商店、醫療、酒店等。4）良好的通達性及道路狀況。錨點應具有良好的交通狀況，并與周圍其他景點建立良好的公共交通連接。5）較強的旅游環境承載力。錨點應具有較強的吸納外來旅游者的能力，保證當地環境和來訪旅游者旅游經歷的質量，防止出現不可接受的下降。

結合三亞市景點的開發與利用狀況及實地調研結果，初步選取核心錨點為亞龍灣；次級錨點為三亞灣、海棠灣及蜈支洲島；三級錨點為天涯海角、椰夢長廊及南山；其余景點為四級錨點。

3.3 網絡結構

使用Ucinet 6.560 軟件對二值化后的數據進行社會網絡分析，圖3 顯示，整體網絡密度為0.778，網絡關聯度為1，網絡效率為1，平均最短路徑為1.222，表明三亞市景點間聯系較緊密，網絡凝聚力較強，網絡連通性較好。

圖3 三亞市旅游流網絡結構Fig.3 The tourism flow network structure of Sanya

中心性的計算結果如圖4所示，中間中心性有2 次自然斷裂，依據中間中心性的特性可以將網絡結構中的各景點分為核心（≥20）、一般（≥5 且＜20）、邊緣（＜5）3 個等級。依據旅游流網絡中節點中心性的對比分析，將旅游節點劃分為3種類型：1）平衡型旅游節點。出度、入度的數值較高且較均衡，屬于旅游流結構網絡中的重要核心點，其兼顧擴散與集聚的雙重職能，如亞龍灣、三亞灣、蜈支洲島等節點的程度和中介中心性均排前列，呈現較強的網絡控制力及中心地位；西島的程度中心性處于中上層次，出度與入度都較大且均衡，但其中間中心性處于中間層次，對旅游流結構網絡的控制力不足；而南山和后海因其中間中心性處于中下層次，其對網絡的掌控力和重要程度明顯不如西島景區，因而成為一般節點。2）中介型旅游節點。在旅游流網絡中存在一些節點，其中間中心性格外顯著（閆閃閃 等，2021），接近中心性具有雙低特征，表明其與其他景點間的來往較密切，流動效率較高，聯結互動性較強，且在旅游流空間結構網絡中通常處于相鄰2個景點的中間位置，起調控聯結的中轉站作用，如亞龍灣、三亞灣和蜈支洲島，對網絡控制力較強，為重要的中介型旅游節點；相反地，如西島與亞龍灣等的程度中心性相差不大，但其中間中心性偏低，說明西島雖為旅游流網絡中的重要成員，但未能充當其他節點的聯絡“媒介”。3）泛泛型旅游節點。該類節點的程度和中間中心性低而接近中心性高，對旅游流網絡的控制能力弱，與周圍節點的互動性較弱，主要靠平衡型和中介型旅游節點的輻射和擴散增加旅游者的到訪率。

圖4 三亞市旅游結構的中心性與結構洞指標Fig.4 Centrality and structural hole index of tourism structure in Sanya City

綜上，三亞市各旅游節點呈層級分布，其中亞龍灣、三亞灣、蜈支洲島、大東海、海棠灣等景點成為三亞旅游流網絡結構的核心節點（即具有較高的節點中心度值），這幾個核心節點控制了三亞市旅游流網絡的循環，且其他大部分節點對這幾個核心節點的依賴程度高，此外，鄰近核心節點的其他節點的節點中心度較低，因此，可以假設核心節點對其周邊景點的旅游流有一定的限制，即旅游流網絡中可能存在結構洞。

結構洞是指結構網絡中2個節點之間的非冗余聯系（David and Ronald, 1995），表征各景點在旅游流網絡結構中同質性競爭的強弱，其中效能越大而約束越小的節點，表示該節點結構洞水平高，具有明顯優勢（程雪蘭 等，2021）。三亞灣、蜈支洲島、大東海等景點的效能值最高而約束度最低，說明這些景點競爭優勢明顯，受其周邊景點客流影響較小。此外，亞特蘭蒂斯和1號港灣城的效能值和約束度都較高，表明它們具有旅游流的競爭優勢，但受周邊景點的影響較大，地處熱點區域海棠灣和大東海，與其存在一定程度的客流競爭。因此，應加強核心景點外圍游客的控制和引導，使其加強與周圍景點的聯系，盡量避免和消除結構洞現象對三亞旅游者流量和分布的負面影響。

綜上，可以定量化地識別出三亞市旅游流中的核心景點為亞龍灣、三亞灣、蜈支洲島、大東海、海棠灣、天涯海角、椰夢長廊、亞龍灣熱帶天堂森林公園及三亞免稅，與錨點選擇的結果相差無幾，將二者進行結合，對錨點選擇進行補充。

3.4 空間格局

三亞旅游流總體呈現“一心兩核”的空間格局，形成目的地之間競爭激烈且分布失衡的網絡格局（圖5）。其主要特征可以總結為：

圖5 三亞市旅游流空間格局Fig.5 Spatial pattern of tourist flows in Sanya

1）三亞市網絡結構中每一個旅游節點的集聚能力和擴散能力均不同，根據其集聚和擴散效應主要分為平衡型、中介型和泛泛型3種類型。

2）亞龍灣、三亞灣和蜈支洲島是三亞旅游流中最核心的節點，同時也能將周邊其他景點連接成網絡，從而提高三亞旅游流的循環效率。

3）結構洞測量揭示了3個內部聯系緊密，但內部關系不同的景點集群，大東海和1號港灣城與海棠灣和亞特蘭蒂斯具有從屬關系，但大東海和海棠灣具有高效能值和低約束度，而1號港灣城和亞特蘭蒂斯的效能值和約束度都較高，雖是從屬關系但也存在競爭；亞龍灣和亞龍灣熱帶天堂森林公園都具有高效能值和低約束度，且亞龍灣-亞龍灣熱帶天堂森林公園的流量最高，因此二者具有協同作用。

4）三亞旅游流的核心節點基本分布在沿海岸線區域，其中三亞灣、亞龍灣和海棠灣相互連接，共同構成三亞旅游流的核心區，說明“沿海岸線”是三亞旅游流空間格局中的一個關鍵特征，并在一定程度上對相對內陸的景點形成“循環壟斷”，造成沿海和內陸景點旅游流規模的巨大差異。三亞市呈現濱海旅游城市的特征。

3.4 基于游覽時長的不同類型旅游者空間行為特征分析

停留時間的長短會影響旅游者的旅游活動，因此游覽時長不同的旅游者在景點選擇方面存在差異（Xi et al., 2012），短期旅游者傾向于游覽主要景點，而長期旅游者由于景點等級被削弱，更多選擇在較短距離游覽更多景點，因此旅游者的停留時間和空間行為之間的關系存在時間異質性。根據游記中所記錄游覽時長，2017-01-01—2022-12-31 六年間三亞市旅游者的平均游覽時長為4.5 d，所以共分為3個時間尺度，小尺度（≤4 d）、中尺度（＞4 d但≤7 d）和大尺度（≥8 d）（Debbage, 1991）。據《旅游資源分類、調查與評價（GB T18972—2003）》（尹澤生 等，2003），可將各游覽景點劃分為4種主類、8種亞類、13種類型（圖6）。

圖6 三亞旅游流分尺度時間異質性特征Fig.6 Characteristics of time heterogeneity of tourism flows in Sanya at scale

總體上，各尺度各游覽類型的旅游者都傾向于游覽沙灘型旅游地和島區，即地文景觀類旅游地，表明三亞市以其獨特的沿海和熱帶島嶼優勢成為國內屈指可數的熱帶濱海旅游城市。具體地：

1）小尺度下的單人旅行更多傾向于游覽綜合自然旅游地，閨蜜旅行趨向于游覽綜合自然旅游地和島礁，家庭旅行多喜愛游覽綜合自然旅游地、綜合人文旅游地和地質地貌過程行跡，情侶旅行多趨向于游覽地質地貌過程行跡、綜合人文旅游地和居住地與社區，三五好友旅行偏愛游覽綜合人文旅游地；

2）中尺度下的單人旅行更偏好游覽綜合自然旅游地、地質地貌過程行跡和居住地與社區，閨蜜旅行更熱衷于游覽地質地貌過程行跡、綜合人文旅游地和居住地與社區，家庭旅行更鐘愛游覽綜合自然旅游地、島礁、社會經濟文化活動遺址遺跡、綜合人文旅游地和居住地與社區，情侶旅行更傾向于游覽島礁、河段、社會經濟文化活動遺址遺跡、綜合人文旅游地和居住地與社區，三五好友旅行多愿意游覽綜合自然旅游地、島礁、社會經濟文化活動遺址遺跡、綜合人文旅游地和居住地與社區；

3）大尺度下的單人旅行更偏向游覽綜合自然旅游地、島礁、河段和居住地與社區，閨蜜旅行更傾心于游覽綜合自然旅游地、河段、綜合人文旅游地和居住地與社區，家庭旅行多側重于游覽綜合自然旅游地、河段、綜合人文旅游地和居住地與社區，情侶旅行多偏好于游覽綜合自然旅游地和綜合人文旅游地，三五好友旅行更趨向于游覽綜合自然旅游地和地質地貌過程行跡。

三亞市旅游流錨點結構特征如圖7所示，亞龍灣景點兼具集聚與擴散效應，并處于整個旅游流結構網絡的最核心地位，因此成為三亞旅游流網絡的核心錨點；其次為三亞灣、蜈支洲島與海棠灣3個景點，在整個網絡結構中承擔重要且不可或缺的分流與引流作用，因此成為三亞旅游流網絡的次級錨點；以此類推，南山、椰夢長廊等其余核心節點成為三級錨點；西島等一般節點成為四級錨點；鳥巢度假村等邊緣節點成為五級錨點。錨點吸引力可以是多重的，而不是單一的，同時由于距離衰減效應，2 個景點的空間距離越近，發生交互的可能性越高，根據不同游覽時長的旅游者對游覽景點選擇的不同，長期旅游者的游覽網絡較松散，游覽層級較模糊，中期旅游者的景點游覽模式趨于等級化，而短途游客集中游覽多個錨點景點，因此旅游流層次結構可以通過景點在整個網絡結構中扮演的錨定角色構建；增加游覽時長可以減弱吸引系統層次性對流量的影響；同一個旅游目的地可以有多個錨點景點，且作為錨點的景點在整個逗留網絡中各不相同。由此可見，根據游覽時間及旅游者類型的參差，錨點吸引物可以是多個而不是單一的，同時作為錨點的吸引力因停留時間網絡而存在差異。

圖7 三亞旅游流錨點特征Fig.7 The tourist flow anchor feature of Sanya

3.5 旅游者停留時間網絡特征分析

停留時間網絡特征從游記數、流向占比、整體網絡密度、平均最短路徑和特征向量集中化指數5個方面對小、中、大尺度分別進行表述。

1）在875 篇游記中小中大尺度分別有428、357和90篇，景點流向占比分別為42.42%、45.45%和12.13%，由此可見，中尺度旅游者的占比最大且移動軌跡較為復雜，所游覽的景點較其他2個尺度也更繁多。

2）整體網絡密度是游覽軌跡數與整體網絡的比值，網絡密度越高表明網絡中各景點的聯系越緊密、越有吸引力（李俊良，2020）。小中大尺度整體網絡密度分別為0.49、0.63 和0.45，因此中尺度停留網絡比其他2個尺度更加集中，表明中尺度旅行的旅游者集中游覽多個旅游景點，而小、大尺度旅行的旅游者對于景點的游覽往往是分層級進行的。

3）平均最短路徑是停留時間網絡中全部景點對建立聯系所需經過的其他景點數的最小值的平均值，其值越小網絡連通性越好（唐承輝 等，2022）。小中大尺度平均最短路徑分別為1.45、1.21和1.49，同時，中尺度旅行的流向占比最大且游覽景點更豐富，表明中尺度旅行的網絡體系較復雜、各景點間關聯性較強。

4）集中化程度指數顯示網絡的集中程度（馬麗君 等，2022）。小中大尺度指數分別為0.51%、0.38%和0.45%，表明小尺度旅行的停留時間網絡最集中，各景點的吸引力較大，可判斷小尺度旅行所游覽的景點多為旅游流網絡中核心節點即錨點，且游覽類型不同錨點也不同。

綜上，三亞旅游流結構網絡的中尺度旅行的旅游者占多數，且所游覽的景點較扁平化，傾向于選擇通達性好且更具特色的景點，可以在較短距離內游覽更多的景點，小尺度旅行由于旅行時間的限制，選擇優先游覽核心景點，大尺度旅行的旅游者占比最小，旅行時間充足，所游覽景點除核心景點外，逐級向一般景點和邊緣景點擴散。

4 討論與結論

4.1 討論

本研究使用去哪兒網游記作為主要數據來源，與三亞市旅游和文化廣電體育局所統計的三亞市旅游接待情況①資源來源：三亞市旅游和文化廣電體育局.lwj.sanya.gov.cn。變化趨勢基本一致；Apriori 算法為經典挖掘算法，本文使用改進后的Apriori算法對三亞市旅游者所游覽景點進行關聯規則挖掘，減少了運算過程的數據冗余與運算時間，提高了運算效率；與Naixia 等（2020）研究青島市旅游流時采用的CARMA 算法不同，雖CARMA 算法可以實現在線數據關聯分析且在線調整閾值，但CARMA算法更適用于電子商務等動態數據的在線關聯分析發掘，對于旅游流的靜態關聯分析采用Apriori算法更為合適；盧淑瑩等（2021）在泛長三角區域入境游客空間格局與意象的研究中也采用Apriori 算法，表明Apriori算法在旅游流研究中的運用具有科學性；旅游流網絡結構中心性與結構洞的研究方法與楊興柱（2015）、Daniel（1998）等基本一致，但其僅對旅游流網絡的結構特征進行分析，而本研究基于錨點理論更深層次地揭示了在不同游覽類型和時間尺度下旅游者的游覽模式，并總結三亞市旅游流的網絡結構及空間格局。

綜上可知，三亞市旅游流網絡結構表現出突出的分層等級結構和景點分布特征，使得旅游流不斷對旅游相關區域產生經濟拉動和能量供給，從而有效驅動相關配套設施的更新和改善功能，使之成為綜合功能區（周李 等，2020）。城市旅游流的發展有利于傳統游憩場所功能的不斷優化和文旅空間的逐步融合，如2018—2021年半山半島和愛上圖書館等的游覽次數不斷增加，因此在旅游流的影響下，針對旅游者不同需求的產業業態逐漸豐富，驅使城市功能轉變為新型文旅空間，即城市旅游流具有賦能效應（周李 等，2020）；旅游流增加的同時也要求配套附加產業的服務和產能有相應的提升，但近年來景區食宿等同質化現象和惡性競爭及市場秩序問題嚴重，如百花谷商業街在4年間的到訪次數逐年減少，而1號港灣城即“大菠蘿”在近年來的到訪次數不斷攀升，結合2021 年的“海膽蒸蛋”事件，為防止供大于求及“黑天鵝”事件的發生，應盡量整合同類型商鋪、優化配套設施布局，提高旅游品質，即城市旅游流具有倒逼效應（周李 等，2020）；旅游者在有限時間內想要游覽盡可能多的景點就需要相應交通設施和線路的完善，三亞市旅游流的核心景點亞龍灣、三亞灣和蜈支洲島等景點都分布于沿海岸線區域，為增強一般景點與邊緣景點的到訪率，現已開通鳳凰機場—亞龍灣、亞龍灣—天涯海角等旅游專線，極大地縮短了景點間轉移的時間，提高了旅游流的循環效率，即城市旅游流應具有聯通效應（周李 等，2020）。但三亞市旅游資源集中于沿海岸線區域，造成內陸與沿海地區旅游業發展的不平衡，同時景點的集中游覽給交通、住宿、公共設施等造成極大的壓力，也對當地居民的生活質量有所干擾，因此，優化三亞市旅游空間布局至關重要。

由此提出以下建議：1）進一步加強對核心景點旅游資源的保護。核心節點憑借其自身的資源稟賦等優勢，可能在旅游旺季突破旅游生態承載力，因此需建立較完善且健康的流量預警系統來緩解承載壓力，同時避免以犧牲景區資源而快速增加經濟效益的行為，加強對景區原真性資源的可再生能力的培育；2）加強處于網絡邊緣景點的宣傳能力提高景區知名度。邊緣節點難以與核心景點在資源等方面相互競爭，但仍具備一定的獨特優勢，應注重培養將自身優勢資源轉化為旅游產品的能力，利用好旅游者的好奇心，打造獨特的游客吸引物等；3）加強核心與邊緣節點的聯動效應，促進區域內協調發展，提高整體網絡密度。核心節點具有較強的集聚與輻射能力，在防止馬太效應出現的同時依托自身優勢，與周邊景點加強合作與聯系，以提高整體網絡密度，增強網絡整體聯系程度，避免同質化現象，促進三亞市旅游互補聯動和協調發展。

4.2 結論

本文的理論貢獻是將錨點理論應用于旅游流結構網絡與旅游吸引系統研究中，基于流向統計、關聯規則挖掘及實地調研情況確立了旅游流錨點選擇的規則，并借助社會網絡分析方法進行驗證和補充，理論支撐與定量化數據支撐相輔相成。同時，將旅游者的游覽時長分尺度進行研究，相關學者很少用到該理論解釋旅游者空間行為的潛力（Sang‐hoon et al., 2018），錨點理論與關聯規則挖掘的應用，不僅豐富了旅游流領域的理論框架，同時較科學地確定旅游流結構網絡的錨點，有助于理解旅游者的游覽行為與模式。得出的主要結論為：

1）三亞市旅游流的空間結構受景點受歡迎程度的影響，呈現“一心兩核”和若干核心路徑的流動格局，核心區處于沿海岸線區域，展現濱海旅游城市的特征；

2）在三亞市旅游流的空間結構中核心節點分布不均勻且結構洞現象明顯，形成景點分布不平衡，且各景點間競爭激烈的空間格局；

3）三亞市旅游流結構網絡中進行中尺度旅行的旅游者占多數，其次為小尺度旅行，大尺度旅行的旅游者最少；

4）三亞市旅游流的旅游吸引系統呈分級分布且有多個錨點吸引物，不同的錨點吸引物除沙灘型旅游地和島區外，對不同游覽類型和游覽時間的旅游者吸引力不同。