基于圖片大數(shù)據(jù)的入境游客感知和行為演變研究

張坤 李春林 張津沂

[摘 ? ?要]根據(jù)凝視理論，圖片在一定程度上反映了游客在旅游目的地的感知偏好和行為特征。然而，對圖片大數(shù)據(jù)進(jìn)行視覺內(nèi)容分析的旅游研究，由于技術(shù)限制仍處于廣泛探索階段。文章以北京入境游客為研究對象，引入計(jì)算機(jī)視覺領(lǐng)域的場景識別模型，對2004—2013年游客在社交媒體網(wǎng)站Flickr上分享的36 595張照片進(jìn)行視覺內(nèi)容識別與分類，并按照旅游基本活動(dòng)“食、住、行、游、購、娛”的框架將機(jī)器識別出的103類場景進(jìn)行篩選，最終將游客照片劃分為10種主類別28種子類別。基于數(shù)據(jù)結(jié)果，文章對北京入境游客的整體感知特征及行為足跡的時(shí)空演變進(jìn)行了分析。在實(shí)踐方面，研究結(jié)果為旅游目的地管理部門制定針對性的空間發(fā)展和市場政策提供了依據(jù)。在理論方法方面，研究拓展了計(jì)算機(jī)視覺技術(shù)和圖片大數(shù)據(jù)在旅游領(lǐng)域的應(yīng)用范疇。

[關(guān)鍵詞]圖片大數(shù)據(jù);深度學(xué)習(xí);游客感知;游客行為;時(shí)空演變

[中圖分類號]F59

[文獻(xiàn)標(biāo)識碼]A

[文章編號]1002-5006（2020）08-0061-10

Doi： 10.19765/j.cnki.1002-5006.2020.08.012

引言

理解游客在旅游目的地的感知和行為是有效促進(jìn)旅游目的地發(fā)展的重要前提[1]，也是旅游目的地研究的重要議題。對于游客而言，照片起著記錄和回憶其旅行經(jīng)歷的作用[2]，其以微妙又明顯的方式傳遞了游客對目的地的感知，同時(shí)也是反映游客在旅游目的地行為的重要依據(jù)[3-4]。隨著社交媒體平臺的不斷發(fā)展，將游客分享照片的視覺表征作為研究資料進(jìn)行內(nèi)容歸納和頻次分析，已經(jīng)成為探索游客感知和行為的重要研究方法[5-7]。另外，從數(shù)據(jù)特征來說，圖片作為用戶生成內(nèi)容的重要部分，不僅包含有豐富的可視化內(nèi)容，同時(shí)還攜帶大量的時(shí)空信息[8]，是開展旅游研究的一項(xiàng)重要數(shù)據(jù)來源[4， 9]。受視覺內(nèi)容分析技術(shù)的局限，目前關(guān)于游客感知和行為的圖片研究，多是通過人工逐個(gè)識別實(shí)現(xiàn)，一次性能夠分析的圖片數(shù)量往往比較有限[10]。近些年，隨著計(jì)算機(jī)技術(shù)領(lǐng)域的不斷突破，計(jì)算機(jī)視覺與圖片處理技術(shù)使得對大體量的圖片內(nèi)容進(jìn)行識別變得可行。類似的研究在旅游目的地領(lǐng)域已有少量探索，但從目前的研究深度上看，仍是需要不斷探索的一個(gè)方向。

本研究以北京為例，通過應(yīng)用計(jì)算機(jī)視覺領(lǐng)域的深度學(xué)習(xí)模型，對Flickr網(wǎng)站中提取的圖片大數(shù)據(jù)進(jìn)行視覺內(nèi)容分析，試圖拓展圖片大數(shù)據(jù)分析技術(shù)在旅游領(lǐng)域的應(yīng)用范疇。具體研究目標(biāo)包括兩個(gè)方面：第一方面是探索入境游客對北京旅游目的地的感知特征及其演變過程;第二方面為結(jié)合圖片的地理坐標(biāo)信息，解讀游客在旅游目的地的行為特征及時(shí)空演變過程。

1 研究綜述

1.1 圖片與旅游目的地研究

1992年，英國社會(huì)學(xué)家John Urry提出“游客凝視”（tourist gaze）理論[11]，游客凝視重點(diǎn)關(guān)注的是游客對目的地的視覺感知[8]。其提出的“表征圈循環(huán)”（hermeneutic circle of representation）理論認(rèn)為，照片能夠反映旅游目的地形象，旅游者拍攝的照片與旅游目的地形象密不可分，它們共同構(gòu)成一個(gè)自我強(qiáng)化的“表征”[12-14]。由于旅游圖片攜帶豐富的視覺表征信息與非視覺信息[15]，且其反映游客對旅游目的地形象的感知[16]，對旅游目的地形象構(gòu)建有重要的作用[17]，游客分享在網(wǎng)絡(luò)上的圖片成為旅游目的地研究的重要視點(diǎn)[10， 18]。目前，借助旅游圖片數(shù)據(jù)開展的旅游目的地研究主要集中于兩個(gè)方向：一是通過解讀圖片的視覺內(nèi)容分析游客在旅游目的地的感知，服務(wù)于旅游目的地形象優(yōu)化與改善;二是分析游客的行為模式，即利用圖片的地理信息分析游客在旅游目的地活動(dòng)的時(shí)空及演變特征，應(yīng)用于旅游目的地空間發(fā)展。

1.1.1 ? ?圖片與游客感知

Stepchenkova和Zhan指出游客攝影照片是分析旅游者對旅游地感知的一個(gè)良好途徑[10];Pan等認(rèn)為照片記錄了當(dāng)時(shí)的現(xiàn)實(shí)并反映了拍照者的內(nèi)心活動(dòng)，旅游照片成為一種可以研究和識別游客對目的地感知的透鏡[19]。研究過程方面，戴光全和陳欣按照拍攝對象將游客攝影照片分為人物類、景觀類、場景類和特寫類，以獲取游客在旅游目的地的行為與感知偏好[20]。Donaire等按照空間類型將照片拍攝題材分為自然景觀、人工景觀、物質(zhì)文化和旅游設(shè)施4類，對游客感知偏好進(jìn)行了研究[3]。Nikjoo等在研究了赴伊朗旅游的游客在社交媒體上分享的照片，將旅游圖片分為沒有人、只有旅游者、只有東道主，以及旅游者和東道主，分析了游客在主客互動(dòng)方面的感知偏好[21]。

整體而言，目前這一類型的研究主要通過內(nèi)容分析法、符號分析法等方法，提取旅游照片的視覺內(nèi)容，并按照一定的分類方法進(jìn)行特征研究，其中，分類方法是這類研究的關(guān)鍵。具體研究過程為，首先通過分類識別出照片的主題和目的地屬性，其次對其頻率、共現(xiàn)、聚類以及照片傳達(dá)出的視覺信息和潛在內(nèi)容進(jìn)行分析，進(jìn)而獲取游客對目的地的感知偏好和行為特征。

1.1.2 ? ?圖片與游客行為

基于圖片的游客行為研究，主要集中于游客核心活動(dòng)區(qū)域（area of interesting，AOI）及時(shí)空演變兩個(gè)方面[22-25]。Hu等利用從Flickr網(wǎng)站中獲取的關(guān)于紐約、巴黎、倫敦等6個(gè)城市從2004—2014年的數(shù)據(jù)，借助圖片附帶的地理坐標(biāo)、文字標(biāo)簽、主題等文字信息，對游客核心活動(dòng)區(qū)域及演變進(jìn)行了系統(tǒng)分析[26]。Vu等利用馬爾科夫鏈對游客在旅游目的地核心區(qū)域之間的空間移動(dòng)模式進(jìn)行了識別[27]。Zhou等基于計(jì)算機(jī)云平臺，將Flickr中的地理標(biāo)記圖片信息與區(qū)域信息一一對應(yīng)，并且對標(biāo)簽進(jìn)行信息分類和研究，建立主題旅游目的地?zé)狳c(diǎn)區(qū)域識別系統(tǒng)，分析熱門旅游地旅游者的偏好變化，包括熱門景點(diǎn)的遷移變化和照片喜好變化，為宏觀管理提供決策依據(jù)[28]。Bilhante等通過Wekipedia和Flickr采集游客熱門活動(dòng)地點(diǎn)（places of interesting，POI）和地理信息圖片，以此作為數(shù)據(jù)基礎(chǔ)分析游客偏好，通過建立日程和旅游路線軌跡算法，構(gòu)建基于游客日程的旅游線路推薦模型，并在3個(gè)城市的實(shí)驗(yàn)中取得較為成功的效果[29]。Stepchenkova和Zhan采集秘魯?shù)腇lickr地理信息圖片，對圖片進(jìn)行分類，并且通過分析圖片構(gòu)成區(qū)別和地理位置分布，研究旅游者對秘魯?shù)母兄驮u價(jià)[10]。

總結(jié)發(fā)現(xiàn)，基于地理坐標(biāo)圖片數(shù)據(jù)的研究涵蓋了旅游目的地形象構(gòu)成要素、旅游目的地空間結(jié)構(gòu)模式和旅游目的地演化過程及規(guī)律幾方面[24， 30]。借助地理信息系統(tǒng)工具進(jìn)行分析是主要做法，包括兩類分析維度，第一是以地理指數(shù)（Moran、LISA等）為指標(biāo)，對空間進(jìn)行“聚集、分散”分析以探索旅游目的地?zé)衢T區(qū)域[3， 27];第二是借助時(shí)空追蹤工具對游客的旅游線路和行為軌跡進(jìn)行總結(jié)和比較[29]。

1.2 基于計(jì)算機(jī)視覺技術(shù)的旅游圖片大數(shù)據(jù)研究

計(jì)算機(jī)視覺技術(shù)是模擬人類視覺的一項(xiàng)重要工具，主要通過對收集到的圖片進(jìn)行分析理解從而輸出圖片相關(guān)信息[31]。與人工識別相比，計(jì)算機(jī)視覺技術(shù)能夠憑借機(jī)器語言的優(yōu)勢實(shí)現(xiàn)對大體量圖片數(shù)據(jù)的內(nèi)容分析?；谶@項(xiàng)技術(shù)，一系列基于圖片內(nèi)容識別的研究已經(jīng)被成功探索，并被廣泛應(yīng)用到醫(yī)學(xué)、安防、無人駕駛、地理學(xué)和城市空間分析規(guī)劃等領(lǐng)域。

在旅游領(lǐng)域，借助計(jì)算機(jī)視覺領(lǐng)域的深度學(xué)習(xí)模型進(jìn)行視覺表征層面的旅游研究，處于起步階段，仍有很大的空間需要探索[32-34]。如，Zhang等利用計(jì)算機(jī)深度學(xué)習(xí)技術(shù)，對來自Flickr的照片進(jìn)行識別和統(tǒng)計(jì)分析，比較了不同國家游客的行為和感知差異[32]。鄧寧等選取Flickr上中國港澳臺地區(qū)、英國和美國旅游者拍攝的北京圖片中的附帶文本信息作為研究素材，采用計(jì)算機(jī)深度學(xué)習(xí)算法從認(rèn)知和情感兩個(gè)層面分析圖片表征內(nèi)容，比較了不同來源地游客在北京旅游目的地形象感知方面的異同[35]。

綜合來說，圖片承載著豐富的游客活動(dòng)信息，對研究游客對旅游目的地的感知偏好和時(shí)空演變有重要意義[23]。隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，借助機(jī)器學(xué)習(xí)的優(yōu)勢對照片進(jìn)行內(nèi)容分析成為當(dāng)前旅游研究的熱點(diǎn)，但如何有效結(jié)合不同議題開展研究還存在一定的探索空間。

2 研究過程、數(shù)據(jù)與方法

2.1 研究步驟

本研究將“游客感知”及“游客行為”作為關(guān)注點(diǎn)，通過圖片大數(shù)據(jù)的“視覺、時(shí)間、空間”3個(gè)方面數(shù)據(jù)信息，揭示“游客在旅游目的地的感知特征以及演變規(guī)律”和“游客行為的空間特征及其演變規(guī)律”，為旅游目的地發(fā)展提供借鑒。其中，圖片視覺內(nèi)容和時(shí)間信息，用于支持游客在旅游目的地感知特征以及演變規(guī)律的分析;圖片時(shí)間、空間信息用于支持游客行為特征及演變規(guī)律分析。具體的數(shù)據(jù)處理與分析過程分為4個(gè)步驟：（1）數(shù)據(jù)獲取與凈化，（2）圖片大數(shù)據(jù)視覺內(nèi)容分析，（3）基于視覺內(nèi)容分析結(jié)果的分類，（4）時(shí)空演變分析。

2.2 數(shù)據(jù)獲取與凈化

本研究使用的數(shù)據(jù)來自YFCC100M（Yahoo Flickr Creative Commons 100 Million）數(shù)據(jù)集。YFCC100M是雅虎公司在2014年發(fā)布的公開圖片數(shù)據(jù)集，收錄了從2004年到2014年用戶上傳到Flickr網(wǎng)站中的接近1億張照片附屬信息。其中，包括Flickr用戶ID（Uid）、照片拍照時(shí)間以及上傳時(shí)間、拍攝地點(diǎn)、圖片的標(biāo)簽、主題、描述以及圖片下載鏈接等內(nèi)容[36]。本研究主要選取了4種類型的信息用于開展下一步的系統(tǒng)分析工作，包括：（1）Pid與Uid，用于識別照片數(shù)量以及用戶歸屬地信息;（2）拍攝時(shí)間，主要用于從時(shí)間角度分析游客感知和行為趨勢變化;（3）照片的經(jīng)緯度位置，主要用于對游客足跡點(diǎn)的空間分布進(jìn)行分析;（4）下載鏈接，主要用于獲取原照片對照片進(jìn)行視覺內(nèi)容的分析。

數(shù)據(jù)獲取和篩選的過程包括：首先，依據(jù)圖片的地理坐標(biāo)信息提取出Flickr YFCC 100M數(shù)據(jù)庫中位于北京行政邊界內(nèi)的照片信息，共144 968條。其次，通過調(diào)用應(yīng)用程序接口（application programming interface，API）數(shù)據(jù)，對用戶的歸屬地信息進(jìn)行追溯，共獲取到36 595條入境游客圖片信息。另外需要說明的是，由于YFCC100M數(shù)據(jù)庫中2014年的照片數(shù)據(jù)只到3月份，故本研究將時(shí)間跨度設(shè)定在2004—2013年，共計(jì)10年。

2.3 圖片大數(shù)據(jù)視覺內(nèi)容分析

在計(jì)算機(jī)視覺領(lǐng)域，深度學(xué)習(xí)在近年來迅速發(fā)展并取得了一定的成果，在圖片識別與分類領(lǐng)域產(chǎn)生了許多深度學(xué)習(xí)模型，本研究所應(yīng)用的為場景識別模型，該模型采用了He等在2015年提出的殘差神經(jīng)網(wǎng)絡(luò)（ResNet）[37]（圖1）。與其他架構(gòu)相比，該深度學(xué)習(xí)架構(gòu)具有強(qiáng)大的表征能力，具有高召回率與高精度，召回率達(dá)到90%，錯(cuò)誤識別率為0.1%。

通過執(zhí)行場景識別深度學(xué)習(xí)模型，北京入境游客的每張旅游圖片將獲得一個(gè)場景特征的標(biāo)簽，輸出的結(jié)果共包括103類場景類別。

2.4 基于視覺內(nèi)容分析結(jié)果的分類

圖像內(nèi)容的分類標(biāo)準(zhǔn)對旅游研究起著導(dǎo)向性的作用。因此根據(jù)旅游場景內(nèi)容之間的關(guān)聯(lián)程度將輸出的103類場景歸納為6個(gè)大類，10個(gè)二級子類（表1）。6個(gè)大類為食、住、行、游、購、娛，10個(gè)子類包括美食感知、居住感知、交通感知、建筑感知、動(dòng)物感知、文化感知、植物感知、自然風(fēng)光感知、購物感知以及娛樂感知。為了突出場景的代表性，同時(shí)減少數(shù)據(jù)偏差（模型錯(cuò)誤識別率為0.1%），研究選取了照片數(shù)大于100的場景進(jìn)行研究，共計(jì)30類場景。另外，在照片數(shù)大于100的場景中，藍(lán)天以及陰天多數(shù)情況是由于作為面積較大的背景而被識別。為了減少計(jì)算機(jī)視覺模型對實(shí)際主題的識別偏差，本研究將藍(lán)天和陰天兩個(gè)場景刪除。按照代表性和相關(guān)性兩個(gè)原則綜合對103類場景進(jìn)行篩選分析，共選出了28類與旅游相關(guān)的場景，共計(jì)25 281條照片數(shù)據(jù)開展后續(xù)的研究。

2.5 時(shí)空演變分析

本研究用于空間分析的方法主要包括全局莫蘭指數(shù)、漁網(wǎng)分割、密度分析和點(diǎn)的時(shí)序追蹤。全局莫蘭指數(shù)（Morans I）是衡量空間自相關(guān)程度比較常用的指數(shù)類型，利用莫蘭指數(shù)，能夠反映空間中所有數(shù)據(jù)的相關(guān)性，從而展示空間的整體聚散程度。Morans I >0表示空間正相關(guān)性，其值越大，空間相關(guān)性越明顯。Morans I<0表示空間負(fù)相關(guān)性，其值越小，空間差異越大，Morans I=0，空間呈隨機(jī)性，用于反映旅游目的地景點(diǎn)片區(qū)游客的聚散情況。點(diǎn)的時(shí)序追蹤可以根據(jù)游客拍攝圖片的時(shí)間追蹤游客的行為足跡。將漁網(wǎng)分割（fishnet）和密度分析結(jié)合可以將游客在研究區(qū)域的足跡熱點(diǎn)有效可視化[38-39]。

3 數(shù)據(jù)結(jié)果

3.1 北京入境游客感知特征及演變規(guī)律

3.1.1 ? ?北京入境游客感知特征

根據(jù)場景的分類方法，對北京的入境游客感知偏好進(jìn)行整體分析。和“游”相關(guān)的活動(dòng)占據(jù)了旅游圖片的90%，另外美食與出行分別占到5%與3%，娛樂、購物以及居住則比較少，這反映出游客在拍攝旅游圖片時(shí)更多傾向于拍攝觀光游覽相關(guān)的場景（圖2）。對占主要地位的“游”子類進(jìn)行統(tǒng)計(jì)分析，“游”相關(guān)的各種感知場景中，建筑感知的數(shù)量最多，占到總數(shù)的63%，為核心感知類型;自然風(fēng)光感知、植物感知以及文化感知的差異不大，動(dòng)物感知的照片數(shù)量較少。

對5類不同的“游”感知子類進(jìn)行分析得出，建筑感知中的中式古建筑數(shù)量最多，占據(jù)了建筑感知的90%，說明對于入境游客而言，北京古建筑（如故宮、天壇、頤和園等）是最主要的吸引物，這也符合北京旅游吸引物的主要特征。但以舞臺和文字為代表的非物質(zhì)文化類感知相對較弱，說明北京在京劇等舞臺表演方面的文化旅游市場仍具一定發(fā)展?jié)摿?。對于自然風(fēng)光感知而言，夜景與山峰分別占到圖片數(shù)的38%與35%，說明從入境游客感知角度，夜景與山峰是北京比較典型的風(fēng)光類吸引物;對于文化感知而言，舞臺與文字照片數(shù)量差別不大，分別占圖片總數(shù)的58%與42%;對于植物感知而言，綠植場景有關(guān)的圖片數(shù)量最多，占到圖片數(shù)的80%。對于動(dòng)物類感知而言，圖片全部為和熊貓有關(guān)的場景圖片，這說明從入境游客感知角度，熊貓作為中國旅游形象的代表，形成了較高的吸引力。

3.1.2 ? ?北京入境游客感知的演變規(guī)律

根據(jù)圖片附帶的時(shí)間信息以及深度學(xué)習(xí)模型識別的輸出結(jié)果，得出游客10年間對北京旅游目的地感知偏好的演變過程。圖3展示了10年間入境游客感知類別的年際變化，其中，圖3（a）展示的是10年間各種感知類型照片總數(shù)的年際變化，圖3（b）展示的是10年間各種感知類型占比的年際變化。

具體得出以下結(jié)論：（1）2004—2005年所有感知類型的照片數(shù)量均不多，2005年之后照片數(shù)量明顯增多，部分原因是Flickr平臺建立之初用戶使用尚不普通;（2）在游覽觀光活動(dòng)的各種感知類型中，建筑感知始終是游覽觀光活動(dòng)的主體;（3）建筑感知的年際變化大，動(dòng)物感知的年際變化小;（4）2011年之后建筑感知照片比例減少，其他感知照片比例增加，說明旅游目的地的市場吸引物趨于多元化。

3.2 北京入境游客行為的點(diǎn)-線-網(wǎng)演變規(guī)律

本小節(jié)數(shù)據(jù)結(jié)果通過三部分的內(nèi)容呈現(xiàn)，分別為北京入境游客足跡熱點(diǎn)區(qū)域演變過程，北京入境游客行為的線路演變和入境游客行為的空間網(wǎng)絡(luò)結(jié)構(gòu)演變。3部分的內(nèi)容以“點(diǎn)-線-網(wǎng)”的層次逐步遞進(jìn)。

3.2.1 ? ?北京入境游客足跡熱點(diǎn)區(qū)域演變過程

利用ArcGIS軟件的創(chuàng)建漁網(wǎng)功能將北京行政范圍劃分成5 km×5 km大小的網(wǎng)格，統(tǒng)計(jì)每個(gè)網(wǎng)格中所分布的游客足跡點(diǎn)及有足跡點(diǎn)分布的網(wǎng)格數(shù)量，并將圖層導(dǎo)入Geoda中進(jìn)行全局莫蘭指數(shù)分析，數(shù)據(jù)結(jié)果顯示莫蘭指數(shù)逐年增加（表2），說明同一景點(diǎn)片區(qū)游客聚集程度不斷增加，即旅游目的地景區(qū)吸引力不斷增強(qiáng)。另外，游客足跡點(diǎn)所涉空間范圍數(shù)據(jù)顯示，游客游覽范圍在2008—2009年最大，覆蓋到北京總面積的30.16%，可見奧運(yùn)會(huì)對當(dāng)年的旅游拉動(dòng)效果明顯。同時(shí)，游客足跡覆蓋范圍圖（圖4）顯示，2006—2007年，北京市旅游目的地的活躍范圍在各個(gè)方向均顯著擴(kuò)大，北京北部山區(qū)因自然文化資源基礎(chǔ)較好，優(yōu)先和中心城區(qū)產(chǎn)生連接，北京南部地區(qū)旅游資源相對較為薄弱，以從中心城區(qū)向外逐漸延伸為主，且發(fā)展方向不穩(wěn)定。

3.2.2 ? ?北京入境游客行為的線路演變規(guī)律

根據(jù)時(shí)間屬性對游客游覽點(diǎn)進(jìn)行追蹤，獲取游客旅游線路數(shù)據(jù)。數(shù)據(jù)顯示：（1）北京六環(huán)以內(nèi)旅游線路數(shù)量由疏變密，同時(shí)高聚集范圍由中心區(qū)域向外圍擴(kuò)散;（2）六環(huán)以外遠(yuǎn)郊地區(qū)，旅游線路在不同時(shí)間段向不同方向進(jìn)行擴(kuò)散。

具體來看（圖5），六環(huán)以內(nèi)2004—2005年城市區(qū)域高聚集度線路除在二環(huán)以內(nèi)分布外，西北頤和園、圓明園等是最主要的線路方向，說明這一階段入境市場的吸引物主要為傳統(tǒng)型世界文化遺產(chǎn)景區(qū)景點(diǎn)。之后，伴隨北部奧林匹克公園及東北部798創(chuàng)意藝術(shù)片區(qū)等的生長成熟，旅游線路高密度區(qū)向北部和東北部擴(kuò)散，最終形成了以中心城區(qū)為原點(diǎn)向西北、北、東北3個(gè)方向等距擴(kuò)散的路線結(jié)構(gòu)，同時(shí)內(nèi)部的線路更為緊密和多元。

六環(huán)以外遠(yuǎn)郊地區(qū)，以長城為主要吸引物的旅游線路始終是主要擴(kuò)散方向，且線路聚集程度不斷增加，其中，以北偏西的八達(dá)嶺、居庸關(guān)長城，北偏東的慕田峪長城線路最為聚集。2008—2009年遠(yuǎn)郊高聚集度路線擴(kuò)散方向最為密集，除以長城為特色的傳統(tǒng)成熟路線外，西南爨底下村和靈山景區(qū)相結(jié)合的旅游線路發(fā)展明顯，這一階段歷史村鎮(zhèn)成為入境旅游新的吸引物。2010—2011年和2012—2013年，遠(yuǎn)郊高聚集度路線的擴(kuò)散方向有所減少，高聚集線路向傳統(tǒng)景區(qū)八達(dá)嶺、十三陵路線回歸，遠(yuǎn)郊次聚集度線路以北京周口店猿人遺址、盧溝橋片區(qū)、爨底下村片區(qū)、古北水鎮(zhèn)司馬臺長城片區(qū)為代表。值得注意的是，西南部靈山片區(qū)旅游線路呈孤島型，說明靈山片區(qū)因距城區(qū)較遠(yuǎn)多為單點(diǎn)式旅游。

3.2.3 ? ?北京入境游客行為的空間網(wǎng)絡(luò)結(jié)構(gòu)演變

對照“點(diǎn)-線-網(wǎng)-面”的空間構(gòu)成，抽象化繪制北京旅游目的地層級結(jié)構(gòu)時(shí)空演變圖（圖6）。其中，點(diǎn)元素為參照游客聚集點(diǎn)抽離出的不同聚集級別的景區(qū);線元素為參照游客足跡路徑分布抽離出的不同聚集級別的旅游線路;網(wǎng)為由點(diǎn)、線元素交織的網(wǎng)絡(luò)系統(tǒng);面為點(diǎn)、線、網(wǎng)共同組成的3類面狀區(qū)域（核心區(qū)、次核心區(qū)、邊緣區(qū)）。

具體來看，2004—2005年，北京旅游市場規(guī)模相對較小，主要聚集在核心區(qū)域，次核心區(qū)及邊緣區(qū)域景點(diǎn)片區(qū)級別相對較低，游客的空間流動(dòng)主要在中心城區(qū)的有限節(jié)點(diǎn)，周邊景點(diǎn)的吸引力不足，空間流向不均衡。2006—2007年，較高聚集的景點(diǎn)片區(qū)增多，旅游市場不僅集中在中心城區(qū)，次核心區(qū)的順義、昌平發(fā)展軸線迅速增多。2008—2009年，北京奧運(yùn)會(huì)的舉辦整體顯著提升了旅游目的地的吸引力，旅游目的地的空間結(jié)構(gòu)快速生長，形成了從核心區(qū)到次核心區(qū)，再到邊緣區(qū)的逐級放射式擴(kuò)展態(tài)勢。這一階段邊緣區(qū)景點(diǎn)片區(qū)吸引力在核心區(qū)的協(xié)同帶動(dòng)作用下也有所增強(qiáng)，從整體上來看，開始形成較為均衡的目的地層級。2010—2011年，旅游目的地整體層級結(jié)構(gòu)有所回縮，可以看出大型體育賽事對旅游目的地的影響時(shí)效性較短，核心區(qū)和次核心區(qū)重新成為接待游客的主要片區(qū)。2012—2013年，旅游目的地層級結(jié)構(gòu)呈現(xiàn)回縮后的再度理性發(fā)展，形成了從中心到邊緣擴(kuò)散趨勢穩(wěn)定，擴(kuò)散方向較為均衡，全方位、多層次、有重點(diǎn)的旅游目的地層級結(jié)構(gòu)。

總體上看，北京市旅游目的地層級結(jié)構(gòu)的時(shí)空演變由一個(gè)關(guān)聯(lián)度較低、孤立發(fā)展的稀疏網(wǎng)絡(luò)，首先發(fā)展成為彼此聯(lián)系但相對不平衡的網(wǎng)絡(luò)體系，再逐步向相互關(guān)聯(lián)、層級間均衡化的網(wǎng)絡(luò)模式演化，這也總結(jié)并印證了城市型旅游目的地的空間發(fā)展基本規(guī)律。

4 結(jié)論與建議

4.1 旅游目的地發(fā)展與市場建設(shè)

結(jié)合北京入境游客的感知和行為空間演變規(guī)律，本文有以下幾個(gè)方面可以為旅游目的地發(fā)展和市場建設(shè)提供借鑒：

第一，在保持傳統(tǒng)古建的歷史文化吸引力的前提下，豐富北京旅游吸引物的多元性。利用游客對于京劇、夜景場景的感知偏好，加強(qiáng)京劇、夜景產(chǎn)品相關(guān)的旅游公共服務(wù)體系建設(shè);利用熊貓對入境游客的吸引力，開發(fā)更多熊貓相關(guān)主題產(chǎn)品。

第二，文化藝術(shù)創(chuàng)意區(qū)、國際大型活動(dòng)賽場、自然和人文結(jié)合的特色村鎮(zhèn)，是北京旅游發(fā)展近幾年更新生長以保持旅游吸引力的代表，同時(shí)也表明了近年來旅游市場需求的新變化。未來城市型旅游目的地應(yīng)密切關(guān)注游客旅游消費(fèi)新動(dòng)向，適時(shí)推出新型多元的旅游景區(qū)景點(diǎn)。

第三，經(jīng)典線路的打造對旅游目的地空間發(fā)展尤為重要，以北京為例，長城、十三陵作為經(jīng)典旅游線路在10年間一直保持著較高的吸引力，并逐步帶動(dòng)了北京北部郊區(qū)旅游的整體發(fā)展。在景區(qū)從無到有、從有到優(yōu)的生長過程中，應(yīng)及時(shí)識別、并合理結(jié)合周邊已成熟景區(qū)的經(jīng)驗(yàn)，宣傳打造獨(dú)具特色的旅游線路，實(shí)現(xiàn)片區(qū)旅游吸引力的捆綁提升，促進(jìn)新開發(fā)景區(qū)的逐漸成熟。

4.2 圖片和計(jì)算機(jī)視覺技術(shù)在旅游目的地研究中的優(yōu)勢和不足

圖片大數(shù)據(jù)和計(jì)算機(jī)視覺技術(shù)是本研究的創(chuàng)新點(diǎn)。社交媒體圖片大數(shù)據(jù)的優(yōu)點(diǎn)包括，用戶信息和時(shí)空信息的可捕捉性、視覺識別內(nèi)容的豐富性，以及不同類別信息交互的可能性。如，游客感知和行為可以與人口統(tǒng)計(jì)、地理信息充分結(jié)合，和以往基于文本大數(shù)據(jù)的旅游目的地感知研究相比，可以更為精準(zhǔn)地實(shí)現(xiàn)不同感知主題的時(shí)空可視化分析。計(jì)算機(jī)視覺技術(shù)方面，對于圖片量較大的數(shù)據(jù)，計(jì)算機(jī)視覺技術(shù)可以在較短的時(shí)間內(nèi)完成工作任務(wù)。相對傳統(tǒng)的人工識別，節(jié)約了較多的人力成本。對于本研究具體使用的場景識別深度學(xué)習(xí)模型，其為揭示旅游目的地游客的感知和行為提供了豐富的證據(jù)和信息。作為初步的嘗試，本研究為跨學(xué)科技術(shù)“計(jì)算機(jī)視覺”在旅游研究中的廣泛應(yīng)用打開了一扇門。

首先，圖片大數(shù)據(jù)和計(jì)算機(jī)視覺技術(shù)的不足也較為明顯。數(shù)據(jù)方面，本研究以Flickr網(wǎng)站上共享的照片作為數(shù)據(jù)源，由于Flickr在世界各國的普及程度各不相同，這一定程度影響了研究的結(jié)果。其次，對于計(jì)算機(jī)視覺技術(shù)，本研究選擇采用的場景識別模型輸出的103類場景是確定的，盡管對輸出的場景偏差進(jìn)行了篩選修正，但不能完全忽視場景類別的有限性對游客感知偏好詮釋能力的影響，尤其是關(guān)于文化屬性的感知偏好。和以往基于文本大數(shù)據(jù)的旅游目的地形象研究文獻(xiàn)相比，本研究中機(jī)器學(xué)習(xí)模型僅識別出舞臺和文字兩類和文化相關(guān)的圖片，雖然數(shù)據(jù)結(jié)果更為具體和精確，但文本大數(shù)據(jù)可析出的和文化相關(guān)的類別更為深入和廣泛。

盡管圖片大數(shù)據(jù)和計(jì)算機(jī)視覺存在一定的局限，但不可否認(rèn)的是，多來源的圖文大數(shù)據(jù)融合、社交媒體大數(shù)據(jù)和非網(wǎng)絡(luò)數(shù)據(jù)的融合是未來旅游研究的趨勢之一。同時(shí)，隨著人工智能技術(shù)的不斷優(yōu)化，以及旅游學(xué)科和跨學(xué)科之間合作的深化，研究問題驅(qū)動(dòng)下的旅游大數(shù)據(jù)研究將更加成熟。

參考文獻(xiàn)（References）

[1] MIAH S J， VU H Q， GAMMACK J， et al. A big data analytics method for tourist behaviour analysis[J]. Information & Management， 2017， 54（6）： 771-785.

[2] TUNG V W S， RITCHIE J R B. Exploring the essence of memorable tourism experiences[J]. Annals of Tourism Research， 2011， 38（4）： 1367-1386.

[3] DONAIRE J A， CAMPRUB? R， GAL? N. Tourist clusters from Flickr travel photography[J]. Tourism Management Perspectives， 2014， 11： 26-33.

[4] ALBERS P C， JAMES W R. Travel photography： A methodological approach[J]. Annals of Tourism Research， 1988， 15（1）： 134-158.

[5] LI J， XU L， TANG L， et al. Big data in tourism research： A literature review[J]. Tourism Management， 2018， 68： 301-323.

[6] VECCHIO P D， MELE G， NDOU V， et al. Creating value from social big data： Implications for smart tourism destinations[J]. Information Processing & Management， 2018， 54（5）： 847-860.

[7] XIANG Z， DU Q， MA Y， et al. A comparative analysis of major online review platforms： Implications for social media analytics in hospitality and tourism[J]. Tourism Management， 2017， 58： 51-65.

[8] URRY J， LARSEN J. The Tourist Gaze 3.0 [M]. Thousand Oaks： SAGE Publications， 2011： 155-188.

[9] EDENSOR T. Staging tourism： Tourists as performers[J]. Annals of Tourism Research， 2000， 27（2）： 322-344.

[10] STEPCHENKOVA S， ZHAN F. Visual destination images of Peru： Comparative content analysis of DMO and user-generated photography[J]. Tourism Management， 2013， 36： 590-601.

[11] 劉丹萍. 旅游凝視： 從?？碌蕉蚶颷J]. 旅游學(xué)刊， 2007， 22（6）： 91-95. [LIU Danping. Tourist gaze： From Foucault to Urry[J]. Tourism Tribune， 2007， 22（6）： 91-95. ]

[12] 董慧云. 基于社交網(wǎng)絡(luò)圖片元數(shù)據(jù)分析的旅游目的地形象測量研究[D]. 北京： 北京第二外國語學(xué)院， 2017. [DONG Huiyun. Research on Tourism Destination Image Measurement Based on Social Network Photos Metadata [D]. Beijing： Beijing International Studies University， 2017. ]

[13] 黃燕， 趙振斌， 褚玉杰， 等. 互聯(lián)網(wǎng)時(shí)代的旅游地視覺表征： 多元建構(gòu)與循環(huán)[J]. 旅游學(xué)刊， 2015， 30（6）： 91-101. [HUANG Yan， ZHAO Zhenbin， CHU Yujie， et al. The visual representation of tourism destinations in the internet era： Multiple constructions and circulations[J]. Tourism Tribune， 2015， 30（6）： 91-101. ]

[14] JENKINS O. Photography and travel brochures： The circle of representation[J]. Tourism Geographies， 2003， 5（3）： 305-328.

[15] BALOMENOU N， GARROD B. Photographs in tourism research： Prejudice， power， performance and participant-generated images[J]. Tourism Management， 2019， 70： 201-217.

[16] LI S， SCOTT N， WALTERS G. Current and potential methods for measuring emotion in tourism experiences： A review[J]. Current Issues in Tourism， 2015， 18（9）： 805-827.

[17] HUNT J. D. Image as a factor in tourism development[J]. Tourism Recreation Research， 2016， 13（3）： 1-7.

[18] 吳佩諭， 黃遠(yuǎn)水. 旅游照片的符號屬性對旅游意向的影響研究——以微信朋友圈旅游照片為例[J]. 資源開發(fā)與市場， 2019， 35（7）： 993-1000. [WU Peiyu， HUANG Yuanshui. Study on influence of symbolic attributes of travel photos on travel intention — Taking travel photos of WeChat friends circle as an example[J]. Resource Development & Market， 2019， 35（7）： 993-1000. ]

[19] PAN S， LEE J， TSAI H. Travel photos： Motivations， image dimensions， and affective qualities of places[J]. Tourism Management， 2014， 40： 59-69.

[20] 戴光全， 陳欣. 旅游者攝影心理初探——基于旅游照片的內(nèi)容分析[J]. 旅游學(xué)刊， 2009， 24（7）： 71-77. [DAI Guangquan， CHEN Xin. An initial discussion about tourists photographic psychology—Based on the content analysis of tourist photos[J]. Tourism Tribune， 2009， 24（7）： 71-77. ]

[21] NIKJOO A， BAKHSHI H. The presence of tourists and residents in shared travel photos[J]. Tourism Management， 2019， 70： 89-98.

[22] CAI G， LEE K， LEE I. Itinerary recommender system with semantic trajectory pattern mining from geo-tagged photos[J]. Expert Systems with Applications， 2018， 94： 32-40.

[23] BATISTA E SILVA F， MAR?N HERRERA M A， ROSINA K， et al. Analysing spatiotemporal patterns of tourism in Europe at high-resolution with conventional and big data sources[J]. Tourism Management， 2018， 68： 101-115.

[24] CHUA A， SERVILLO L， MARCHEGGIANI E， et al. Mapping Cilento： Using geotagged social media data to characterize tourist flows in southern Italy[J]. Tourism Management， 2016， 57： 295-310.

[25] GARC?A-PALOMARES J C， GUTI?RREZ J， M?NGUEZ C. Identification of tourist hot spots based on social networks： A comparative analysis of European metropolises using photo-sharing services and GIS[J]. Applied Geography， 2015， 63： 408-417.

[26] HU Y， GAO S， JANOWICZ K， et al. Extracting and understanding urban areas of interest using geotagged photos[J]. Computers， Environment and Urban Systems， 2015， 54： 240-254.

[27] 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.

[28] ZHOU X， XU C， KIMMONS B. Detecting tourism destinations using scalable geospatial analysis based on cloud computing platform[J]. Computers， Environment and Urban Systems， 2015， 54： 144-153.

[29] BRILHANTE I R， MACEDO J A， NARDINI F M， et al. On planning sightseeing tours with TripBuilder[J]. Information Processing & Management， 2015， 51（2）： 1-15.

[30] SUN Y， FAN H， BAKILLAH M， et al. Road-based travel recommendation using geo-tagged images[J]. Computers Environment & Urban Systems， 2015， 53： 110-122.

[31] BARIK D， MONDAL M. Object identification for computer vision using image segmentation[J]. 2010 2nd International Conference on Education Technology and Computer， 2010（2）： 170-172.

[32] ZHANG K， CHEN Y， LI C. Discovering the tourists behaviors and perceptions in a tourism destination by analyzing photos visual content with a computer deep learning model： The case of Beijing[J]. Tourism Management， 2019， 75： 595-608.

[33] ZHANG K， CHEN D， LI C. How are tourists different？ — Reading geo-tagged photos through a deep learning model[J]. Journal of Quality Assurance in Hospitality & Tourism， 2020， 21（2）： 234-243.

[34] DENG N， LI R. Feeling a destination through the “right” photos： A machine learning model for DMOs photo selection[J]. Tourism Management， 2018， 65： 267-278.

[35] 鄧寧， 劉耀芳， 牛宇， 等. 不同來源地旅游者對北京目的地形象感知差異——基于深度學(xué)習(xí)的Flickr圖片分析[J]. 資源科學(xué)， 2019， 41（3）： 416-429. [DENG Ning， LIU Yaofang， NIU Yu， et al. Different perceptions of Beijings destination images from tourists — An analysis of Flickr photos based on deep learning method[J]. Resources Science， 2019， 41（3） ： 416-429. ]

[36] SHAMMA D A， SHAMMA D A， FRIEDLAND G， et al. YFCC100M： The new data in multimedia research[J]. Communications of the ACM， 2016， 59（2）： 64-73.

[37] HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition [C]// Proceedings of the ?IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770-778.

[38] 馬林兵， 魏慧麗， 曹小曙. 基于FCD數(shù)據(jù)的城市有效路網(wǎng)密度評價(jià)——以廣州荔灣區(qū)和越秀區(qū)為例[J]. 地理研究， 2015， 34（3）： 541-554. [MA Linbing， WEI Huili， CAO Xiaoshu. Evaluating the valid density of road network in urban based on FCD — Case of Liwan and Yuexiu distric in Guangzhou city[J]. Geographical Research， 2015， 34（3）： 541-554. ]

[39] 禹文豪， 艾廷華. 核密度估計(jì)法支持下的網(wǎng)絡(luò)空間POI點(diǎn)可視化與分析[J]. 測繪學(xué)報(bào)， 2015， 44（1）： 82-90. [YU Wenhao， Ai Tinghua. The visualization and analysis of POI features under network space supported by kernel density estimation[J]. Acta Geodaetica et Cartographica Sinica， 2015， 44（1）： 82-90. ]

Abstract： Analyzing user-generated content （UGC） has become an essential mean for DMOs （destination management organizations） to enhance the tourists experience in destinations. At present， UGC-based tourism research is still text centered. The tourists behavior of taking photos is to establish a relationship among traveling companions， scenes， and tourism destination. The Photo can be regarded as an important data source for tourism research. Tourists photos contain not only the visual content about the destination， but also much other information related to the photos， e. g. ， geographical location and shooting time， which is of great significance for the research about tourist behavior， tourism recommendation， and tourism marketing. Due to the technological limitations of extensive visual content analysis， most of the visual content analysis was conducted manually in previous studies. Recently， with the technological breakthrough in the field of computer vision， it is quite possible to process massive visual data through a machine learning approach. Several prior pieces of research have been explored in the field of tourism research; it still holds a great potential to explore and contribute to this prevalent issue. Taking Beijing as an example， this study applied a deep learning model in the field of computer vision - scene understanding to recognize the visual content of inbound tourists photos on Flickr. Two objectives were obtained; the first one is the inbound tourists preferences and behavior in Beijing; the other is the evolution of tourists preferences and behaviors. The conducting process of this study is described as followed. Firstly， it applied the deep learning model of scene recognition， which is used to recognize the visual content of tourists photos. As the output， 103 scenes were identified. Secondly， according to the correlation between the tourism scenes， the 103 scenes were induced into six categories and ten sub-categories. Six significant categories included food， commendation， transportation， sightseeing， shopping， and entertainment. Ten sub-categories included food perception， living perception， traffic perception， building perception， animal perception， plant perception， natural scenery perception， shopping perception， and entertainment perception. In the next step， data statistics， Moran index， fishnet/ density analysis， and route tracking tools were carried out for analyzing tourists perception /preference and behavior. The main results of the study contained： （1） the overall characteristics of the inbound tourists preference and perception; （2） the evolution process of tourists perception and preference about Beijing; （3） the spatial evolution of tourists itineraries; （4） the changing spatial structure of Beijing as a tourism destination. Theoretically， this study explored the feasibility of interdisciplinary technology in tourism research. Practically， this research provided references for DMOs to formulate development and management policies.

Keywords： big pictorial data; deep learning; tourists perception; tourists behavior; spatio-temporal evolution

[責(zé)任編輯：劉 ? ?魯;責(zé)任校對：王 ? ?婧]