خلاصه

در حال حاضر جابجایی جمعیت به منظور گردشگری به یک پدیده رایج تبدیل شده است. همانطور که گرفتن داده های بزرگ در ردپای دیجیتالی توریست آسان تر می شود، می توان ویژگی های منطقه ای مربوطه و نیروهای محرکه را برای منابع گردشگری و مناطق مقصد در سطح کلان تجزیه و تحلیل کرد. بر اساس داده‌های جریان‌های توریستی به نانجینگ در پنج تعطیلات ملی کوتاه مدت در چین، این مطالعه ابتدا نرخ سفر مناطق منبع گردشگری (315 شهر) و شاخص تمرکز جغرافیایی جاذبه‌های بازدید شده (51 نقطه دیدنی) را محاسبه کرد. سپس از شاخص متریک خودهمبستگی فضایی برای تجزیه و تحلیل همبستگی جهانی نرخ سفر مناطق منبع گردشگری و شاخص تمرکز جغرافیایی مقاصد گردشگری در پنج تعطیلات ملی کوتاه مدت استفاده شد. سرانجام، یک روش یادگیری ماشینی بدون نظارت اکتشافی برای تجزیه و تحلیل و نقشه‌برداری منابع گردشگری و جاذبه‌های بازدید شده با اتخاذ نرخ سفر و شاخص تمرکز جغرافیایی بر این اساس به عنوان متغیرهای منطقه‌ای استفاده شد. نتایج نشان می دهد که هر دو منطقه منبع و سینک الگوهای تمایز منطقه ای متمایز را در متغیرهای منطقه ای مربوطه بیان می کنند. این روش مطالعه یک ابزار عملی برای تجزیه و تحلیل منطقه‌بندی داده‌های بزرگ در جریان‌های توریستی فراهم می‌کند، و همچنین می‌تواند برای سایر مطالعات مبدا-مقصد (OD) اعمال شود. نتایج نشان می دهد که هر دو منطقه منبع و سینک الگوهای تمایز منطقه ای متمایز را در متغیرهای منطقه ای مربوطه بیان می کنند. این روش مطالعه یک ابزار عملی برای تجزیه و تحلیل منطقه‌بندی داده‌های بزرگ در جریان‌های توریستی فراهم می‌کند، و همچنین می‌تواند برای سایر مطالعات مبدا-مقصد (OD) اعمال شود. نتایج نشان می دهد که هر دو منطقه منبع و سینک الگوهای تمایز منطقه ای متمایز را در متغیرهای منطقه ای مربوطه بیان می کنند. این روش مطالعه یک ابزار عملی برای تجزیه و تحلیل منطقه‌بندی داده‌های بزرگ در جریان‌های توریستی فراهم می‌کند، و همچنین می‌تواند برای سایر مطالعات مبدا-مقصد (OD) اعمال شود.

کلید واژه ها:

منطقه بندی جغرافیایی ; داده های جریان توریستی ؛ تعمیم نقشه کشی ; تعامل جغرافیایی ; تحلیل منطقه ای شاخص تمرکز جغرافیایی نقاط دیدنی

1. معرفی

گردشگری، یک فعالیت عمده بین منطقه ای، می تواند الگوهای تعامل فضایی بین منطقه ای و ویژگی های منطقه ای را تا حدی منعکس کند [ 1 ، 2 ]. زنجیره مبدا-مقصد سفر (OD) تشکیل شده توسط گردشگرانی که از یک منطقه به منطقه دیگر حرکت می کنند، می تواند به عنوان یک واحد جریان توریستی در نظر گرفته شود، و زنجیره های OD سفر همه گردشگران با هم جریان گردشگری را تشکیل می دهند [ 3 ]. به طور کلی، منطقه مبدأ توریستی را می توان به عنوان منطقه مبدا در نظر گرفت، در حالی که مقصد را می توان به عنوان منطقه سینک درک کرد. هنگامی که بسیاری از گردشگران از یک منطقه مبدا به یک مقصد سفر می کنند، یک منبع و سینک تشکیل می شود [ 4 ، 5 ]]. جریان توریستی می تواند الگوهای حرکت توریستی منطقه ای را منعکس کند و از طریق این الگوهای حرکتی، عوامل محرک الگوهای رفتار گردشگران و ویژگی های منطقه ای منابع گردشگری را می توان بیشتر مورد بررسی قرار داد [ 6 ]. در سال‌های اخیر، با توسعه مداوم اینترنت و فناوری‌های ارتباطات سیار، نمونه بزرگی از داده‌های بزرگ در جریان گردشگران پدیدار شده است [ 7 ، 8 ، 9 ، 10 ].]. با ظهور کلان داده‌ها در مورد جریان گردشگر و توجه روزافزون محققان به مطالعه الگوهای رفتار سفر، به‌ویژه در میان جغرافیدانانی که بر فضا و منطقه تمرکز می‌کنند، بیشتر محققان بر روی داده‌های بزرگ گردشگری تمرکز می‌کنند. سیستم های اطلاعات جغرافیایی (GIS) و یادگیری ماشین به طور فزاینده ای در مطالعه رفتار گردشگری معرفی می شوند.
انگیزه سفر گردشگران معمولاً تحت تأثیر شرایط ترافیکی، شرایط اقتصادی، تفاوت های فرهنگی و آب و هوای منطقه است [ 10 ، 11 ، 12 ، 13 ]. طول تعطیلات نیز بر مسافت سفر و مدت اقامت تأثیر می گذارد [ 14 ]. برای مثال، گردشگران در مناطق سردسیر اغلب به تفرجگاه هایی با آب و هوای گرم سفر می کنند [ 15 ]; گردشگران تمایل دارند مسیرهای سفر با حمل و نقل راحت را انتخاب کنند [ 16 ]. گردشگران با شرایط اقتصادی خوب ممکن است تمایل بیشتری به انتخاب مقاصد گران‌تر داشته باشند [ 17 و 18 ]]؛ و تفاوت‌های فرهنگی ممکن است باعث شود گردشگران مقصدهایی را انتخاب کنند که با فرهنگ‌های بومی آنها متفاوت است یا نقاط دیدنی مرموز اما معروف [ 19 ، 20 ، 21 ]. در یک کلام، عوامل زیادی بر جریان گردشگری تأثیر می‌گذارند. خود شباهت فضایی قابل توجه و تمایز منطقه ای این عوامل، و همچنین عدم تعادل منطقه ای منابع گردشگری، منجر به تمایز منطقه ای مناطق مبدا و غرق می شود. علاوه بر این، نسبت گردشگران به جمعیت بازار محلی در زمان‌های مختلف متفاوت است.
جریان گردشگری یکی از حوزه های اصلی تحقیقاتی در جغرافیای گردشگری است. در حال حاضر تحقیق در مورد جریان گردشگری شامل جنبه های زیر است. (1) از نظر دیدگاه تحقیق، تعداد زیادی از محققان بر چارچوب نظری و مفاهیم جریان گردشگری تمرکز می‌کنند و به چارچوب نظری جریان گردشگری کمک زیادی می‌کنند [ 22 ، 23 ]. برخی از محققان به اثرات فضایی جریان گردشگری اهمیت می دهند و مسیر حرکت گردشگران را از جنبه های ساختار فضایی و الگوهای فضایی بررسی می کنند [ 24 ، 25 ]. برخی از محققان بر ویژگی‌های تکامل زمانی و مکانی جریان گردشگری تمرکز می‌کنند و فرآیند تغییر را از منظر مکان و زمان تحلیل می‌کنند [ 26 ].]. سایر محققان در مورد اثرات اجتماعی-اقتصادی جریان های گردشگری، مانند اثرات راه آهن پرسرعت [ 27 ، 28 ] نگران هستند. علاوه بر این، توسعه صنعتی و رشد اقتصادی ناشی از گردشگری به یک کانون تحقیقاتی تبدیل شده است [ 29 ]. (2) از نظر داده های تحقیق، پرسشنامه ها، مصاحبه ها و داده های آنلاین برای مدتی داده های اصلی تحقیق جریان گردشگری بوده اند [ 30 ، 31 ]. در سال‌های اخیر، داده‌های ردیابی مبتنی بر GPS و داده‌های سیگنال‌دهی ایستگاه پایه، دقت و کمیت داده‌ها را بسیار بهبود بخشیده است [ 32 ، 33 ، 34]. امروزه با نزدیک شدن به عصر کلان داده، دستیابی به داده ها در مورد جریان گردشگری آسان تر شده است. (3) از نظر روش تحقیق، تحلیل آماری سنتی [ 35 ]، تحلیل فضایی [ 36 ، 37 ] و مدل های گرانشی [ 38 ] گنجانده شده است. اخیراً، روش‌های تحلیل داده‌های مرتبط با شبکه‌های اجتماعی، مانند روش شبکه پیچیده [ 39 ، 40 ] و روش تعامل فضایی GIS [ 41 ، 42 ]، توجه آکادمیک فزاینده‌ای را به خود جلب کرده‌اند. (4) تجسم ابزار اصلی برای پردازش داده های بزرگ گردشگری است [ 43]. تجزیه و تحلیل هوشمند و علمی همراه با بیان تصویری واضح به عنوان یک راه مهم برای افزایش درک پاسخ دهندگان از اطلاعات و دانش جریان گردشگری در نظر گرفته می شود. در حال حاضر، تحقیق در مورد تجسم کلان داده های گردشگری عمدتاً بر اساس روش های تحلیل GIS موجود است [ 44 ، 45 ، 46 ] و روش های جدیدی که به طور کامل ویژگی های جریان گردشگری را در نظر می گیرند، پیشنهاد شده است.
محققین از نظر نوآوری روش شناسی اکتساب داده ها پیشرفت تحقیقاتی چشمگیری داشته اند. از نظر مطالعات روی منبع و سینک گردشگری، محققان عمدتاً بر ویژگی‌های ساختار فضایی، عوامل مؤثر اصلی و مکانیسم شکل‌گیری منبع یا سینک تمرکز کردند [ 47 ، 48 ]. با این حال، تعداد کمی از محققان تجمع منطقه ای و تمایز فضایی را برای هر دو منطقه منبع و غرق در نظر می گیرند. این عمدتاً به دلیل این واقعیت محدود می شود که در گذشته به دست آوردن آمار دقیق جریان توریست در سراسر کشور دشوار بود و بسیاری از روش های تقسیم منطقه ای پیشرفته در تجزیه و تحلیل جریان های توریستی معرفی نشده اند [ 49 ].]. برخی از محققان جریان گردشگری را از منظر ساختار فضایی و مکانیسم‌های تأثیرگذار با استفاده از فناوری GIS و مدل‌های تحلیل شبکه پیچیده تحلیل می‌کنند. با این حال، آنها نمی توانند اساساً بر ویژگی های محلی سازی مناطق منبع و غرق تمرکز کنند، که درک عمیق تر از ویژگی های منطقه ای جریان های گردشگری را دشوار می کند. این مطالعه داده‌های جریان گردشگری را برای 51 نقطه دیدنی در نانجینگ در طول پنج تعطیلات ملی کوتاه مدت در سال 2018 جمع‌آوری کرد و نرخ سفر را برای هر شهر مبدأ و شاخص تمرکز جغرافیایی برای هر نقطه دیدنی در نانجینگ محاسبه کرد. سپس با استفاده از روش یادگیری ماشینی، منطقه‌بندی و نقشه‌برداری جغرافیایی برای تقسیم‌بندی جغرافیایی مناطق و نقشه‌برداری مناطق مبدا و سینک انجام شد.

2. منطقه مطالعه و توصیف داده ها

برای یک گردشگر منفرد، محل عزیمت منطقه مبدا را تشکیل می دهد، در حالی که مقصد، منطقه سینک است. هر منطقه منبع و منطقه سینک مربوط به آن با هم یک جریان کامل گردشگری را تشکیل می دهند. بنابراین، در این مطالعه، منطقه منبع سرزمین اصلی چین و منطقه سینک نانجینگ است، همانطور که در شکل 1 نشان داده شده است.. نانجینگ مرکز استان جیانگ سو در شرق چین با مساحت 6587 کیلومتر مربع است. در سال 2017، مساحت ساخته شده 1398.69 کیلومتر مربع، با جمعیت ساکن 8.335 میلیون نفر، جمعیت شهری 6.859 میلیون نفر و نرخ شهرنشینی 82.3 درصد بوده است. نانجینگ یک شهر تاریخی مشهور در چین است که مرکز سیاسی، اقتصادی و فرهنگی بسیاری از سلسله‌های گذشته است. نانجینگ یکی از شهرهای بزرگ توریستی چین است که هر ساله تعداد زیادی گردشگر خارجی را به خود جذب می کند.
این مطالعه بر اساس داده‌های ردیابی گردشگر در طول پنج تعطیلات ملی در سال 2018 است که توسط پلت فرم نظارت بر داده‌های بزرگ گردشگری نانجینگ ارائه شده است. مناطق مبدأ شهرهایی در سطح استان در سرزمین اصلی چین هستند، در حالی که مقصد نانجینگ است. داده های اصلی جریان گردشگران از شهرهای داخلی به 51 نقطه دیدنی نانجینگ را ثبت می کنند. در این مطالعه، داده‌ها بر اساس جدول 1 جمع‌آوری شد که جزئیات پنج تعطیلات کوتاه مدت شامل نام رسمی، مدت زمان و تعداد کل گردشگران در طول هر تعطیلات در پنج تعطیلات کوتاه مدت را توضیح می‌دهد.
جدول 2 ساختار داده های جریان گردشگر را نشان می دهد. این جدول شامل محل عزیمت گردشگران، مقصد، زمان بازدید و نقاط دیدنی آنهاست. از طریق ژئوکدینگ می توانیم مختصات جغرافیایی شهرهای مبدأ و شهرهای مقصد را بدست آوریم. علاوه بر این، از طریق تاریخ بازدید شده، می توانیم تعیین کنیم که رکورد مربوط به کدام تعطیلات است. از آنجایی که این مطالعه بر جریان گردشگری از تمام شهرهای داخلی به نانجینگ متمرکز است، ویژگی‌های دقیق نقاط دیدنی در تجزیه و تحلیل دخالت نداشتند. در عوض، ویژگی‌های آنها در سطح شهر نانجینگ تجمیع و انتزاع شد.

3. روش شناسی

3.1. نرخ سفر از مبدا به نانجینگ

منطقه بندی به طبقه بندی اشیاء فضایی بر اساس یک یا چند ویژگی مرتبط با مکان مکانی اشاره دارد [ 50 ]]. اصل این طبقه بندی از این ایده پیروی می کند که ویژگی های اشیاء جغرافیایی باید در یک دسته مشابه باشند، در حالی که ویژگی های اشیاء جغرافیایی باید در دسته های مختلف کاملاً متفاوت باشند. در این مطالعه پنج ویژگی وجود دارد، یعنی پنج ویژگی نسبت برای پنج تعطیلات مربوطه. تعداد گردشگران از هر مبدأ با جمعیت هر شهر مبدأ مرتبط است و در این تحقیق سعی شده است این عارضه جانبی ناشی از جمعیت حذف شود. بنابراین، ویژگی نسبت گردشگران از شهرهای مبدأ به جمعیت مبدا است. پنج ویژگی نسبت به عنوان پنج متغیر برای مدل‌سازی، تحلیل و نقشه‌برداری منطقه‌بندی استفاده شد. در این مطالعه، ASetمجموعه ای از ویژگی هایی را نشان می دهد که در تجزیه و تحلیل داده های مکانی شرکت داشتند و برای هر ویژگی، ASet = { A 1 , A 2 , …, A n } شامل مجموعه x = { a 1 , a 2 , …, a n است. }، که در آن n برابر با 5 است. در معادله (1)، P i کل جمعیت شهر i را نشان می دهد و P i _t تعداد گردشگران از شهر i به نانجینگ را در طول تعطیلات t نشان می دهد.. نسبت جریان گردشگر از شهر i در دوره t برابر است

آتی=پمن _ تیپمن ( t = 1 , 2 , 3 , 4 , 5 ) .آتی=پمن_تیپمن (تی=1،2،3،4،5).
برای پهنه بندی جغرافیایی چند متغیره، لازم است اصل مجاورت بین واحدهای منطقه ای تعریف شود، یعنی به چه نوع رابطه ای بین دو منطقه، مجاورت می گویند. در مدل‌سازی GIS، انواع زیادی از روابط مجاورت تعریف می‌شوند، مانند قانون ملکه با یال‌های مشترک، قاعده روک با نقاط و یال‌های مشترک، قانون وزن فاصله معکوس، و k-nearest [ 51 ]. با توجه به پیوستگی مناطق، این مقاله از قواعدی مانند k-nearest که مجاورت توپولوژیکی ندارند استفاده نکرده و در عوض از قانون ملکه برای مدل سازی مفهومی رابطه فضایی استفاده کرده است.

3.2. شاخص تمرکز جغرافیایی نقاط دیدنی

تعداد زیادی از جاذبه های موجود در نانجینگ امکان انتخاب ترجیحات مختلف شخصی را فراهم می کند. این الگوی توسعه نابرابر منطقه ای را می توان با شاخص های تمرکز جغرافیایی اندازه گیری کرد. این مقاله شاخص غلظت جغرافیایی را برای هر نقطه دیدنی محاسبه می کند. در این مطالعه، شاخص تمرکز جغرافیایی، میزان تمرکز گردشگر را زمانی که گردشگران از مکان‌های مختلف آمده‌اند، نشان می‌دهد، یعنی میزان عدم تعادل بین مناطق مختلف. بنابراین، GSet مجموعه ای از ویژگی ها را در نقطه منظره نانجینگ s نشان می دهد و برای هر نقطه منظره، GSet = { G 1 , G 2 , …, G n } شامل مجموعه است.y = { g 1 ، g 2 ، …، g n }، که در آن n = 5. سپس، شاخص تمرکز جغرافیایی یک نقطه منظره g t در طول تعطیلات t [ 52 ] است.

gتی= 100 ×∑i = 1n(ایکسمن/ تی)2———–⎷،�تی=100×∑من=1�(ایکسمن/تی)2،

که در آن n مجموع شهرهای مبدا، T کل گردشگران مقصد، و X i مجموع حجم توریستی شهر مبدا i است. از فرمول، نتیجه محاسبه نه تنها متاثر از متعادل بودن یا نبودن توزیع گردشگران است، بلکه تحت تأثیر توزیع منطقه ای تعداد شهرهای مبدا نیز قرار می گیرد. در این مطالعه، تعداد شهرهای مبدا بر روی 315 مشخص شده است، بنابراین مقدار G نشان می دهد که آیا توزیع گردشگران متعادل است یا خیر. با توجه به معادله (2)، هر چه مقدار G بزرگتر باشد ، توزیع توریست نامتعادل تر است. در مقابل، مقدار G کوچکتر استیعنی توزیع گردشگر متعادل تر است. بنابراین، این مطالعه مناطق را بر اساس نرخ سفر در مکان‌های مبدا به مناطق تقسیم می‌کند، در حالی که در مکان‌های غرق، شاخص‌های تمرکز جغرافیایی هر یک از پنج تعطیلات ملی کوتاه‌مدت برای انجام تقسیم‌بندی منطقه‌ای استفاده شد.

3.3. موران I شاخص خودهمبستگی فضایی جهانی

شاخص موران I یک مدل آماری فضایی برای تشخیص و اندازه‌گیری خودهمبستگی فضایی، از جمله خود همبستگی فضایی جهانی و خودهمبستگی فضایی محلی است [ 53 ]. در این مقاله، از شاخص جهانی موران برای اندازه‌گیری اینکه آیا همبستگی مکانی یا خود شباهت محلی در نرخ سفر توریستی گردشگران از شهرهای مختلف در سطح استان به نانجینگ در تعطیلات کوتاه دوره‌های مختلف وجود دارد، استفاده می‌شود. فرمول شاخص موران I که برای اندازه گیری خودهمبستگی فضایی جهانی استفاده می شود به شرح زیر است [ 54 ]:

من=n∑ni = 1∑nj = 1wمن ج(ایکسمن–ایکس¯¯¯) (ایکسمن–ایکس¯¯¯)∑ni = 1∑nj = 1wمن ج∑ni = 1(ایکسمن–ایکس¯¯¯)2،من=�∑من=1�∑�=1��من�(ایکسمن-ایکس¯)(ایکسمن-ایکس¯)∑من=1�∑�=1��من�∑من=1�(ایکسمن-ایکس¯)2،

که در آن n تعداد شهرهای سطح استان یا تعداد نقاط دیدنی را نشان می دهد، X i نرخ سفر شهر در سطح استان i یا شاخص تمرکز جغرافیایی نقطه دیدنی i است و ماتریس وزن فضایی w ij نشان دهنده مقدار است. رابطه نزدیکی جغرافیایی بین هر دو عنصر (شهر در سطح استان) i و شهر در سطح استان j یا بین نقطه منظره i و نقطه منظره j .

با فرض نرمال بودن و تصادفی‌سازی، Moran’s I میانگین یا مقدار مورد انتظار مشاهدات را بر اساس واحدهای منطقه‌ای پایه (شهرهای سطح استان یا نقاط دیدنی) محاسبه می‌کند و در نهایت به عنوان آزمون معنی‌داری آماری، Z-score با تشخیص خودهمبستگی فضایی انجام شد. از هر متغیر منطقه ای برای هر تعطیلات دوره کوتاه. فرمول محاسبه امتیاز Z به شرح زیر است [ 55 ]:

ز=من–– 1n – 1Va r ( I)——√.ز=من–1�-1�آ�(من).

مقدار واریانس Moran’s I در اینجا با فرض استاندارد سازی داده می شود و فرمول محاسبه خاص به شرح زیر است:

Va r ( I) =n [n2+ 3 − 3 n ) B + 3آ2− n سی] – ک[ (n2− n ) B+6آ2– 2 n C]( n − 1 ) ( n − 2 ) ( n − 3 )آ2،�آ�(من)=�[�2+3-3�)ب+3آ2-�سی]-ک[(�2-�)ب+6آ2-2�سی](�-1)(�-2)(�-3)آ2،

در حالیکه

A =∑i = 1n∑j = 1nwمن ج، B = ∑i = 1n∑j = 1nwمن ج2، سی =∑i = 1n⎛⎝∑j = 1nwمن ج⎞⎠2، K = n∑ni = 1(ایکسمن–ایکس¯)4nσ4.آ=∑من=1�∑�=1��من�، ب=∑من=1�∑�=1��من�2، سی=∑من=1�(∑�=1��من�)2، ک=�∑من=1�(ایکسمن-ایکس¯)4��4.
اگر مقدار مورد انتظار Moran’s I کمتر از صفر باشد، و مقدار مشاهده شده Moran’s I بزرگتر از مقدار مورد انتظار باشد، نشان می دهد که متغیر منطقه ای شده یک الگوی توزیع تجمیع را ارائه می دهد و با خود همبستگی فضایی مثبت سازگار است. اگر مشاهده موران Iکمتر از مقدار مورد انتظار است، نشان می دهد که یک الگوی توزیع گسسته ارائه می دهد و با خود همبستگی فضایی منفی سازگار است. در این مقاله از خودهمبستگی فضایی جهانی برای سنجش اینکه آیا متغیرهای منطقه ای الگوی تجمع فضایی دارند یا نه در سطح منبع یا در سطح جاذبه استفاده می شود. اگر الگوی خوشه بندی فضایی قابل توجهی وجود داشته باشد، پیش نیازی برای منطقه بندی بعدی و نقشه برداری منطقه ای فراهم می کند.

3.4. مدل سازی منطقه ای جغرافیایی

پس از محاسبه نرخ سفر برای هر شهر مبدأ و شاخص تمرکز جغرافیایی برای هر نقطه دیدنی در نانجینگ، و همچنین شناسایی رابطه مجاورت بین شهرها و بین نقاط دیدنی، یک درخت پوشا حداقل ساخته شد که می‌تواند هر دو ساختار فضایی را منعکس کند. واحدهای جغرافیایی و مقادیر مشخصه درگیر در محاسبه. این مطالعه از بردارهای صفت x i و x j اشیاء i و j برای اندازه گیری تفاوت بین i و j استفاده کرد و هزینه d ( i, j ) و یال ( v i , v) را به هم مرتبط کرد.j ) برای همبستگی زمینه های مختلف اندازه گیری. هنگامی که یک مقیاس قابل مقایسه برای ویژگی ها، مانند انحراف معیار وجود دارد، معمولاً مربع فاصله اقلیدسی بین x i و x j انتخاب می شود [ 56 ]:

د( i , j  ) = د(ایکسمن، ایکسمن) =∑nl = 1(ایکسمن l– ایکسj l)2.د(من، �)=د(ایکسمن، ایکسمن)=∑ل=1�(ایکسمنل- ایکس�ل)2.
مسیر از گره v 1 تا گره v k دنباله ای از گره ها ( v 1 , v 2 , …, v k ) است که توسط یال های ( v 1 , v 2 , …, v k ) به هم متصل شده اند . , ( v k −1 , v k ). برای هر گره v i و v j ، حداقل یک مسیر برای اتصال آنها وجود دارد. یک خوشه فضایی زیرمجموعه ای از گره های متصل است و هدف ما تقسیم گراف G به خوشه مجزا C است.( G 1، …، G c ). پرداختن به این موضوع بهینه سازی دشوار است زیرا این تابع بر اساس معیار یکنواختی درون خوشه ای است. در این مقاله، انتظار می‌رود که ویژگی یک متغیر تصادفی با تغییرات پیوسته باشد که می‌تواند تنها یک درخت پوشا حداقلی را در بین معیارهای مختلف ایجاد کند. در نهایت، درخت حداقل دهانه قطعه بندی می شود. بهترین سیاست تقسیم بندی این است که سعی شود بیشترین شباهت ویژگی های ویژگی در گروه و حداکثر تفاوت ویژگی های ویژگی بین گروه ها حفظ شود.

از آنجایی که یک روش یادگیری ماشینی بدون نظارت برای این مطالعه استفاده شد، تعداد خوشه‌ها باید از پیش تعیین می‌شد. این به دانش قبلی بستگی دارد و می توان آن را با آزمون شبه F Calinski–Harabasz [ 57 ] آزمایش کرد. آماره شبه F Calinski–Harabasz نسبتی است که واریانس بین خوشه ای و واریانس درون خوشه ای را منعکس می کند. به عبارت دیگر، می تواند شباهت های درون گروهی و تفاوت های بین گروه ها را به درستی منعکس کند. فرمول به شرح زیر است:

اف=(آر2nج– 1)(1- _آر2n –nج)،اف=(آر2�ج-1)(1-آر2�-�ج)،

در حالیکه

آر2=اساستی– اساسEاساستی،آر2=اساستی-اساس�اساستی،

که در آن SST تفاوت بین گروه ها را منعکس می کند و SSE شباهت های درون یک گروه را منعکس می کند. دو فرمول به شرح زیر است:

اساستی=∑i = 1nج∑j = 1nمن∑k = 1nv(vکمن ج–vک¯¯¯)2،اساستی=∑من=1�ج∑�=1�من∑ک=1��(�من�ک-�ک¯)2،
اساسE=∑i = 1nج∑j = 1nمن∑k = 1nv(vکمن ج–vکتی¯¯¯)2،اساس�=∑من=1�ج∑�=1�من∑ک=1��(�من�ک-�تیک¯)2،

که در آن n تعداد مناطق است. nمن�منتعداد ویژگی های گروه I است . nج�جتعداد کل مناطق است؛ nv��تعداد متغیرهای شرکت کننده در منطقه بندی است. vکمن ج�من�کمقدار متغیر k عامل j در گروه i است . و vک¯¯¯�ک¯میانگین متغیر k است . vکتی¯¯¯�تیک¯میانگین متغیر k در گروه i است. این مقاله از آزمون شبه F Calinski–Harabasz برای تعیین و ارزیابی تعداد بهینه گروه ها استفاده می کند.

4. نتایج

4.1. اندازه گیری خودهمبستگی فضایی متغیرهای منطقه ای

همانطور که در جدول 3 نشان داده شده است ، نرخ سفر با شاخص جهانی Moran’s I برای پنج تعطیلات ملی کوتاه مدت محاسبه شده است. در جدول 3 ، امتیاز Z پنج تعطیلات ملی کوتاه مدت، بزرگتر از 2.58 است. این بدان معناست که در سطح اطمینان 99 درصد، نرخ سفر در هر پنج تعطیلات ملی کوتاه مدت، الگوی تجمع فضایی قابل توجهی را به ویژه در روز جهانی کارگر ارائه می دهد. از طریق تجزیه و تحلیل خودهمبستگی فضایی فوق، می توان نتیجه گرفت که نرخ سفر در هر پنج تعطیلات ملی کوتاه مدت یک شباهت منطقه ای در سطح شهر در سطح استان ارائه می دهد. این نتیجه پیش نیازی برای تجزیه و تحلیل بیشتر منطقه‌بندی در میان شهرهای مبدا فراهم می‌کند.
خود همبستگی فضایی شاخص تمرکز جغرافیایی همه نقاط دیدنی در طول یک تعطیلات خاص برای کشف اینکه آیا همبستگی فضایی را در همه نقاط دیدنی در نانجینگ ارائه می‌دهد و اینکه آیا الگوی تراکم را در سطح وسیع‌تری ارائه می‌دهد، استفاده می‌شود. جدول 4 الگوی توزیع کلی شاخص تمرکز جغرافیایی محاسبه شده توسط Moran’s I جهانی را نشان می دهد.برای هر تعطیلات ملی کوتاه مدت بدیهی است که مقدار Z-امتیاز آزمون همبستگی مکانی شاخص غلظت لکه های منظره در تمام تعطیلات بزرگتر از 2.58 است که نشان می دهد شاخص تمرکز جغرافیایی نقطه منظره در تعطیلات مختلف ملی کوتاه مدت دارای شباهت مکانی و اثر تراکم است. و تمام سطوح معنی داری بیش از 99٪ است.
واضح است که اثر تراکم فضایی قابل توجهی روی منبع و سینک وجود دارد و این تجمع نیز به دلیل ویژگی های تقاطع متقابل پیچیدگی خود را دارد. به عنوان مثال، برای منطقه A، نرخ سفر ممکن است در روز سال نو و روز جهانی کارگر بالا باشد، اما نرخ سفر ممکن است در سایر تعطیلات ملی کوتاه مدت بسیار پایین باشد. از آنجایی که هم منابع توریستی و هم سینک ها از پنج متغیر منطقه‌بندی استفاده می‌کنند، بیان ویژگی‌های منطقه‌بندی و مقررات جریان توریستی برای پنج تعطیلات با استفاده از روش‌های تحلیلی ساده دشوار است. بنابراین، روش نقشه‌برداری جغرافیایی جایگزین می‌تواند شباهت‌های درون مناطق و تفاوت‌های بین مناطق را به صورت علمی و واضح نشان دهد.

4.2. منطقه ای کردن شدت جریان توریستی

روش نقشه‌برداری جغرافیایی با استفاده از نرخ سفر پنج تعطیلات در هر شهر مبدأ به عنوان متغیر منطقه‌ای دنبال شد. از طریق آزمون شبه F ، مقدار پیک را زمانی به دست آوردیم که مقدار آزمون شبه F 13 بود. این بدان معنی است که کل منطقه را می توان به 13 منطقه تقسیم کرد. این 13 بخش می توانند بیشترین شباهت ها را در منطقه وسیع تر و بزرگترین تفاوت ها را بین مناطق مختلف حفظ کنند. در همین حال، از آنجایی که نانجینگ و سایر شهرهای استان جیانگ سو نرخ سفر نسبتاً بالاتری نسبت به شهرهای خارج از جیانگ سو دارند، نانجینگ و سایر شهرهای استان جیانگ سو به عنوان دو منطقه جغرافیایی مجزا و مستقل در نظر گرفته می شوند و در تجزیه و تحلیل منطقه ای تقسیم بندی نمی شوند. همانطور که درشکل 2 ، سرزمین اصلی چین به 15 منطقه جغرافیایی تقسیم شده است که با اعداد رومی از I تا XV کدگذاری شده است.
بدیهی است که واحدهای جغرافیایی تقسیم شده جدید با واحدهای اداری استانی نشان داده شده در شکل 1 همخوانی ندارند، اما شباهت های خاصی دارند. به عنوان مثال، ناحیه III از نظر موقعیت جغرافیایی با استان آنهویی شباهت هایی دارد و ناحیه چهارم دارای شباهت های جغرافیایی با چهار منطقه اداری استانی شامل پکن و تیانجین و استان های هبی و شاندونگ است. منطقه VI شباهت های جغرافیایی با دو استان هیلونگجیانگ و جیلین دارد.
از آنجایی که در مقادیر نرمال شده در بین مناطق مختلف بسیار متفاوت است، استفاده از نمودار کادر یکسان برای ارائه همه مقادیر دشوار است. بنابراین، 13 واحد به‌دست‌آمده با روش منطقه‌بندی، با توجه به مقادیر استاندارد شده به دو گروه تقسیم می‌شوند. واحدهای با مقادیر نرمال شده بزرگتر گروه بندی شده و با نمودارهای جعبه ای کنار هم ارائه می شوند، همانطور که در شکل 3 الف نشان داده شده است. همانطور که در شکل 3 ب نشان داده شده است، واحدهای با مقادیر نرمال شده کوچکتر گروه بندی شده و با نمودارهای جعبه ای کنار هم ارائه می شوند .
همانطور که در شکل 3 الف نشان داده شده است، میانگین نرخ توریست بخش III در تمام تعطیلات کوتاه همیشه بالاترین است، در حالی که نوسان نرخ سفر نیز آشکار است. در شکل 2 و شکل 3الف، می توان دید که بخش III، با بیشترین نوسان، در مجاورت نانجینگ است و بخش III شباهت های زیادی با مرز اداری استان آنهویی دارد. مناطق VI، IV، XI و X دارای میانگین نرخ سفر مشابه و نوسانات نسبتاً کمتری هستند. در مقایسه با سایر واحدها، میانگین نرخ سفر بخش XII بیشتر است و نوسانات به جز روز سال نو بیشتر است. به طور کلی، به جز بخش های VI و XII، واحدهای فوق تقریباً به نانجینگ نزدیک هستند. این نتیجه نشان می‌دهد که آن واحدهایی که نرخ سفر بالاتری دارند، عمدتاً در مناطق اطراف نانجینگ توزیع شده‌اند و اثر نزدیکی قابل‌توجهی را نشان می‌دهند.
همانطور که در شکل 3 ب نشان داده شده است، نرخ سفر بخش XV در هر پنج تعطیلات زیاد است و از نرخ سفر نسبتاً ثابتی به جز جشنواره Qingming برخوردار است. بخش‌های VI، X، VIII و XIII نرخ‌های سفر مشابهی را نشان می‌دهند و نرخ سفر آن‌ها در نوسان متوسطی است. میانگین نرخ سفر در بخش های V و XIII معمولاً در این تعطیلات ملی کوتاه مدت کم است، به جز روز سال نو، در حالی که بخش V نوسانات بیشتری را تجربه می کند و XIII از کمترین نوسان برخوردار است. به طور کلی، مقادیر میانگین و کمتر حاشیه تمام واحدهای ارائه شده در شکل 3 ب به طور کلی بالاتر هستند، و مقادیر حاشیه پایین تر تمایل دارند در روز سال نو ثابت باشند.

4.3. منطقه ای کردن سینک جریان توریستی

نقشه برداری از تقسیمات جغرافیایی منطقه ای بر اساس شاخص تمرکز جغرافیایی در هر نقطه دیدنی در شکل 4 نشان داده شده است . مقدار شبه آزمون F نشان می دهد که مقدار پیک آزمون شبه F 6 است، بنابراین آستانه 6 در اینجا برای تقسیم جغرافیایی مناسب است. همانطور که در شکل 4 نشان داده شده است، رودخانه یانگ تسه، بزرگترین رودخانه چین، از شهر می گذرد .. منطقه شهری اصلی نانجینگ در سمت جنوبی رودخانه یانگ تسه واقع شده است و عمدتاً توسط بخش I و II پوشانده شده است. بنابراین مناطق مرکز شهر عمدتاً در بخش I و سایر مناطق مرکز شهر در ضلع شمالی بخش II قرار دارند. همچنین، بیشتر 51 جاذبه نظارت شده در نانجینگ عمدتاً در مناطق شهری توزیع شده اند ( شکل 1 را ببینید ).
برای تفسیر ویژگی‌های منطقه‌بندی و مفاهیم آن‌ها از شش بخش در شکل 4 ، نمودارهای باکس خط میانگین در شکل 5 ترسیم شده‌اند . آبسیسا در شکل 5 پنج تعطیلات کوتاه مختلف را نشان می‌دهد، و مختصات مقادیر واریانس استاندارد شده شاخص‌های غلظت جغرافیایی را نشان می‌دهد. همانطور که از شکل 5 مشاهده می شودمقادیر شاخص تمرکز جغرافیایی تقسیم IV بیشتر از سایر بخش ها و همه آنها از آستانه چارک بالایی بالاتر است. مقادیر استاندارد شده شاخص تمرکز جغرافیایی بخش VI به طور کلی در طول هر تعطیلات کوتاه بالا است و از آستانه چارک بالایی هر تعطیلات کوتاه فراتر می رود. مقادیر استاندارد شده بخش III در طول هر تعطیلات کوتاه همه نزدیک به آستانه چارک هستند. در بخش دوم، مقادیر استاندارد شده در طول هر تعطیلات کوتاه مقدار متوسطی را نشان می‌دهند که بین آستانه متوسط ​​پایین و آستانه چارک بالایی است. بخش I و بخش V پایین ترین هستند و همه زیر آستانه چارک پایین هستند. به طور کلی، اگر محل تقسیم نزدیک به منطقه مرکز شهر نانجینگ باشد،

5. بحث

5.1. پایایی داده ها و شناخت جریان توریستی

آمار بازدید گردشگران مورد استفاده در این مقاله از پلت فرم نظارت بر داده های بزرگ گردشگری اداره فرهنگ و گردشگری نانجینگ است. داده ها از China Mobile است که در حال حاضر بزرگترین ارائه دهنده ارتباطات تلفن همراه در چین است. تا دسامبر 2018، 925 میلیون کاربر China Mobile، 315 میلیون کاربر China Unicom و 303 میلیون کاربر China Telecom وجود دارد. کاربران China Mobile 59.95٪ از کل را به خود اختصاص داده اند. این بدان معناست که نمونه داده‌های مورد استفاده در این مطالعه را می‌توان تقریباً 95/59 درصد از کل حجم نمونه در نظر گرفت. این نسبت کاربران برای تکمیل کار پژوهشی این مقاله و اطمینان از پایایی داده های تحقیق کافی است.
در حال حاضر، کاربران تلفن همراه در چین اساساً سیستم نام واقعی را اتخاذ کرده اند. سیستم نام واقعی به این معنی است که هر شماره تلفن همراه با اطلاعات مکان مبدأ فردی مطابقت دارد، بنابراین می توان تعیین کرد که گردشگران از کدام استان و شهر در سطح استان آمده اند. این نقطه منظره بازدیدکنندگان را از طریق ایستگاه پایه نظارت و مکان یابی می کند. نظارت در فواصل منظم انجام می شود. هنگامی که کاربران با یک شماره تلفن همراه در چند نوبت در یک دوره زمانی تحت نظارت قرار می گیرند، کاربران مکرر در طول پردازش داده ها حذف می شوند، که به گردشگران اجازه می دهد تا به طور منحصر به فرد در یک نقطه دیدنی خاص در هر روز نظارت شوند. بنابراین، کل مجموعه داده، تمام گردشگران فردی را که منبع را تشکیل می‌دهند، ثبت می‌کند و کل آمار توریستی که در 51 نقطه منظره نظارت شده است، سینک را تشکیل می‌دهد.

5.2. رابطه بین منطقه ای شدن و شناخت جغرافیایی

در ژئوفضا اشیاء و پدیده های پیچیده جغرافیایی مختلفی وجود دارد. این اشیاء و پدیده ها ممکن است چیزهای طبیعی مانند محیط یا پدیده های اجتماعی و رویدادهای ناشی از فعالیت ها و رفتار انسان باشند. برخی از این موارد خاص و برخی دیگر انتزاعی هستند. این اشیا یا پدیده ها نمایانگر دنیای واقعی هستند. GIS این پدیده ها یا اشیاء را انتزاع می کند، به صورت ترکیبی انتخاب و ساده می کند تا اشیا یا پدیده ها را در دنیای واقعی دیجیتالی، اطلاعاتی و فکری کند. در این فرآیند، یک نقشه همواره به عنوان حامل اطلاعات و دانش جغرافیایی مهم عمل کرده است. چه با استفاده از GIS سنتی و چه از داده های بزرگ فعلی و GIS هوشمند تحت تأثیر هوش مصنوعی (AI)، استفاده از نقشه ها از تجزیه و تحلیل و بیان دنیای واقعی انتزاعی جدایی ناپذیر است.
یک مسئله مهم در حال حاضر این است که چگونه می توان قوانین و دانش را از داده های مکانی-زمانی عظیم و داده های جریان اجتماعی به روشی هوشمندانه تر و کارآمدتر استخراج کرد. این یک مشکل در مورد فناوری است، اما همچنین مشکل چگونگی درک بهتر داده های مکانی-زمانی و نحوه بیان داده های جریان اجتماعی است. تحقیقات در مورد انتزاع، سنتز و ساده سازی داده های سنتی ادامه دارد. با این حال، آنچه در حال حاضر پیش روی ما است این است که چگونه ترکیب، انتزاع و ساده‌سازی داده‌های جریان اجتماعی و حتی داده‌های جریان بلادرنگ را افزایش دهیم. تحلیل جریان توریستی به عنوان نوعی جریان داده بزرگ و نحوه استفاده موثر، بهتر و هوشمندانه از آن برای نشان دادن قوانین و دانش پنهان در منطقه، کار اکتشافی بسیار معناداری است.
پنج تعطیلات ملی کوتاه مدت در این مطالعه در فصول مختلف اتفاق می افتد و منطقه مورد مطالعه کل سرزمین اصلی چین است. منطقه مورد مطالعه وسیع است و منطقه از نظر آب و هوا، آداب و رسوم و اقتصاد بسیار متفاوت است. برای تعطیلات ملی کوتاه مدت، مردم در مناطق مختلف ترجیحات متمایزی در مورد تعطیلات مختلف دارند، اما در برخی مکان‌ها احتمال شباهت ترجیحی نیز وجود دارد. این فرض امکان تقسیم جغرافیایی منبع گردشگری را فراهم می کند. بنابراین، به ویژه مهم است که ابتدا تعیین کنیم که آیا این نرخ‌های سفر دارای اثر تجمع فضایی هستند یا خیر.
منطقه سینک در این مطالعه شامل 51 نقطه دیدنی اصلی در نانجینگ است. آن نقاط دیدنی از نظر فاصله تا مرکز شهر متفاوت است و انواع مختلف جاذبه ها منجر به سطوح مختلف محبوبیت برخی از نقاط دیدنی در فصول مختلف می شود. علاوه بر این، شناخت نقاط دیدنی و پیشینه‌های فرهنگی متنوع بازدیدکنندگان ممکن است بر میزان تمرکز جغرافیایی یک نقطه منظره خاص تأثیر بگذارد. بنابراین، باید به این موضوع اهمیت داد که آیا ورود گردشگران به یک نقطه دیدنی خاص، اثر تجمع فضایی دارد یا خیر. این مطالعه از شاخص تمرکز جغرافیایی برای اندازه‌گیری اینکه آیا منبع ورود گردشگران به نقاط دیدنی مختلف در طول تعطیلات ملی کوتاه دوره‌های مختلف تجمع دارد یا خیر استفاده کرد.
اگر شاخص تمرکز جغرافیایی این نقاط دیدنی در تعطیلات ملی کوتاه مدت مختلف نیز تجمیع شود، ضرورت انجام تحلیل منطقه‌ای و ترسیم شاخص تمرکز جغرافیایی بر اساس تعطیلات ملی کوتاه‌مدت مختلف را نشان می‌دهد. اگر تراکم از نظر آماری معنی دار باشد، تقسیم بندی جغرافیایی و نقشه برداری برای هر دو منبع و سینک انجام می شود و ویژگی ها و مقررات منطقه بندی تشریح و توضیح داده می شود.

6. نتیجه گیری و جهت گیری های آینده

6.1. نتیجه گیری

این مطالعه رویکرد و روش تحلیلی جدیدی را برای تحلیل جریان های گردشگری از دیدگاه منطقه ای ارائه می دهد. در حال حاضر، داده‌های جریان به شکل اصلی داده‌ها در زمینه تحقیقات جغرافیایی از جمله جریان انسانی، لجستیک، جریان اطلاعات، جریان سرمایه و جریان فناوری تبدیل شده‌اند [ 58 ، 59 ، 60 ]. در میان این اشکال، جریان توریستی یکی از مهم ترین انواع داده های جریان افراد مختلف است. بیان و تحلیل جریان توریستی با مدل سازی سنتی GIS مانند نقطه، خط و سطح متفاوت است [ 61 ، 62 ].]. داده‌های جریان منفرد شامل منطقه مبدا و مقصد گردشگران است که با هم واحد جریان توریستی را تشکیل می‌دهند. به عنوان محتوای اصلی تحلیل منطقه ای جغرافیایی، منطقه بندی نیز یکی از اهداف اصلی تحلیل فضایی GIS و مدل سازی مسئله است. منطقه‌بندی داده‌های جریان باید کاربرد و مقیاس‌پذیری روش‌های سنتی منطقه‌سازی را مورد بازنگری قرار دهد. بر اساس داده‌های جریان توریستی با ویژگی‌های سری زمانی، این مقاله از یک روش یادگیری ماشینی برای منطقه‌ای کردن منبع و داده‌های جریان گردشگر استفاده می‌کند که مفهومی امکان‌پذیر برای تحلیل ساختار منطقه‌ای داده‌های جریان ارائه می‌دهد.
در تجزیه و تحلیل داده‌های جریان توریستی با نانجینگ به عنوان مقصد گردشگری، منطقه منبع جریان توریستی در این مقاله، شهر در سطح استان را به عنوان واحد اصلی در نظر می‌گیرد و منطقه سینک جریان توریستی، نقطه دیدنی را به عنوان شی اصلی در نظر می‌گیرد. پس از تجزیه و تحلیل منطقه ای، مناطق منبع جریان توریستی به 15 بخش و مقاصد جریان توریستی به شش بخش تقسیم می شوند. در بین تقسیمات مبدأ، بسیاری از آنها با تقسیمات موجود یا بیشتر تقسیمات اداری استانی شباهت دارند. بسیاری از استان‌های چین تا حدودی شباهت خود را با فرهنگ داخلی استان و تفاوت‌های فرهنگی بین استان‌های مختلف حفظ کرده‌اند [ 63 ، 64 ]]. از نظر محیط کالبدی جغرافیایی، مناطقی با ویژگی های جغرافیایی کالبدی یکسان تا حدودی با محدوده استان های مجاور همخوانی دارند. تفاوت در محیط جغرافیایی باعث ایجاد تفاوت در اقتصاد، حمل و نقل و آب و هوا می شود [ 65 ]. بر این اساس، شکل‌گیری این تقسیم‌بندی‌ها با نرخ سفر به‌عنوان متغیر منطقه‌بندی، همبستگی خاصی با محیط اجتماعی و طبیعی دارد.
برای مناطقی که شامل مناطق اصلی شهری نانجینگ می شود، شاخص های تمرکز جغرافیایی منبع در تمام تعطیلات کوتاه کمتر است و شاخص های تمرکز جغرافیایی تعطیلات کوتاه مختلف پایدارتر است. بسیاری از نقاط دیدنی شناخته شده که عمدتاً در منطقه مرکز شهر واقع شده اند، از نظر حمل و نقل و سایر امکانات پشتیبانی، توسعه یافته و راحت تر هستند. بنابراین، گردشگران غیرمحلی تمایل دارند به چنین نقاط دیدنی سفر کنند، در حالی که نقاط دیدنی دورافتاده و غیرمحبوب به احتمال زیاد توسط افرادی با هدف متمرکز بازدید می شوند. این مطالعه نشان می‌دهد که روش‌های منطقه‌بندی و تحلیل نقشه‌برداری جریان توریستی را می‌توان به تحلیل منطقه‌ای و کاربرد سایر داده‌های جریان OD نیز تعمیم داد.

6.2. دستورالعمل های آینده

در این تحقیق از نرخ سفر و شاخص تمرکز جغرافیایی گردشگران مختلف تعطیلات کوتاه به عنوان متغیرهای منبع منطقه‌سازی و سینک استفاده شده است. هدف اصلی، منطقه‌بندی و نقشه‌برداری منابع و سینک‌های جریان توریستی بر اساس این متغیرهای منطقه‌ای شده است. با این حال، اگرچه این مطالعه منبع و سینک را به عنوان یک کل برای کشف ویژگی‌های منطقه‌ای خود جریان می‌گیرد، ارتباط احتمالی نتایج منطقه‌بندی بین منبع و سینک مورد بررسی قرار نگرفت. تحلیل‌های آینده کاوش بیشتری را انجام خواهند داد و چند الگو انتزاع خواهند شد. کشف این تفاوت منطقه ای منابع گردشگری در انواع مختلف نقاط دیدنی، که در مطالعات بعدی نیز مورد توجه قرار خواهد گرفت، کار جالب و معناداری بیشتری خواهد بود. علاوه بر این، در این پژوهش از آمار فراوانی گردشگران برای انجام تقسیم‌بندی جغرافیایی منبع استفاده شده است. تحقیقات آتی ممکن است نیاز به در نظر گرفتن میزان استفاده از تعداد گردشگران از شهر مربوطه و ایجاد تقسیمات جغرافیایی داشته باشد. برای آشکار کردن کامل ویژگی منطقه‌ای شدن منبع گردشگری، باید بینش‌های بیشتری به دست آید.

منابع

  1. بائو، جی جی. Ma، LJC جغرافیای گردشگری در چین، 1978-2008: از کجا، چه چیزی و کجا؟ Prog. هوم جئوگ. 2011 ، 35 ، 3-20. [ Google Scholar ]
  2. Pandy، WR; راجرسون، CM صنعت اشتراک زمانی آفریقا: مطالعه ای در جغرافیای گردشگری. گاو نر Geogr. اجتماعی-اقتصادی سر. 2013 ، 21 ، 97-109. [ Google Scholar ] [ CrossRef ]
  3. یوین، ز. جینگ، جی. Yaofeng، M. پیشرفت تحقیق جریان گردشگر، ارزیابی و چشم انداز. تور. Trib./Lvyou Xuekan 2013 ، 28 ، 38-46. [ Google Scholar ]
  4. Degen، W. تأثیر راه‌آهن پرسرعت پکن-شانگهای بر جریان گردشگر و توزیع زمان-فضا. تور. Trib./Lvyou Xuekan 2014 ، 29 ، 75-82. [ Google Scholar ]
  5. فنگ، ن. لی، جی. تحلیل زوجی از اطلاعات گردشگری آنلاین برونگرایی، جریان گردشگران ورودی: موردی از جریان گردشگران ورودی آمریکایی، کانادایی. تور. قبیله 2014 ، 29 ، 79-86. [ Google Scholar ]
  6. شی، ی. وانگ، ZF; گروه مدیریت صنعت فرهنگ، دانشگاه بازرگانی هونان؛ کالج بازرگانی دانشگاه جیشو. تحلیل اکتشافی تجمع و انتشار جریان توریستی هونان بر اساس شبکه ترافیک. Areal Res. توسعه دهنده 2014 ، 3 ، 1-28. [ Google Scholar ]
  7. فوکس، ام. هاپکن، دبلیو. Lexhagen، M. تجزیه و تحلیل داده های بزرگ برای تولید دانش در مقاصد گردشگری – موردی از سوئد. جی. مقصد. علامت گذاری. مدیریت 2014 ، 3 ، 198-209. [ Google Scholar ] [ CrossRef ]
  8. ایرودین، ر. ساماراویرا، S. راه حل کلان داده برای توسعه سریلانکا: مطالعه موردی از سفر و گردشگری. در مجموعه مقالات کنفرانس بین المللی 2013 پیشرفت در فناوری اطلاعات و ارتباطات برای مناطق نوظهور (ICTer)، کلمبو، سریلانکا، 11-15 دسامبر 2013. ص 207-216. [ Google Scholar ]
  9. شیانگ، ز. Fesenmaier، DR تجزیه و تحلیل داده های بزرگ، طراحی گردشگری و گردشگری هوشمند. در تجزیه و تحلیل در طراحی هوشمند گردشگری ; Springer: Cham, Switzerland, 2017; صص 299-307. [ Google Scholar ]
  10. لی، جی جی. Xu، LZ; تانگ، ال. وانگ، سی. لی، ال. داده های بزرگ در تحقیقات گردشگری: مروری بر ادبیات. تور. مدیریت 2018 ، 68 ، 301-323. [ Google Scholar ] [ CrossRef ]
  11. مارس، R. وودساید، AG تست تئوری رفتار گردشگری برنامه ریزی شده در مقابل تحقق یافته. ان تور. Res. 2005 ، 32 ، 905-924. [ Google Scholar ] [ CrossRef ]
  12. میلر، دی. مریلیز، بی. کوغلان، الف. گردشگری شهری پایدار: درک و توسعه رفتارهای حامی محیط زیست بازدیدکنندگان. J. Sustain. تور. 2015 ، 23 ، 26-46. [ Google Scholar ] [ CrossRef ]
  13. Woodside, AG; Hsu، SY; مارشال، آر. نظریه عمومی پیامدهای فرهنگ ها بر رفتار گردشگری بین المللی. اتوبوس جی. Res. 2011 ، 64 ، 785-799. [ Google Scholar ] [ CrossRef ]
  14. بوهالیس، د. قانون، R. پیشرفت در فناوری اطلاعات و مدیریت گردشگری: 20 سال بعد و 10 سال پس از اینترنت – وضعیت تحقیقات گردشگری گردشگری. تور. مدیریت 2008 ، 29 ، 609-623. [ Google Scholar ] [ CrossRef ]
  15. مارتین، BG آب و هوا، آب و هوا و گردشگری – یک دیدگاه جغرافیایی. ان تور. Res. 2005 ، 32 ، 571-591. [ Google Scholar ] [ CrossRef ]
  16. خان، SAR؛ دونگ، QL؛ وی، اس بی؛ زمان، ک. ژانگ، ی. شاخص رقابت پذیری سفر و گردشگری: تأثیر حمل و نقل هوایی، حمل و نقل ریلی، خدمات مسافرتی و حمل و نقل بر گردشگری بین المللی ورودی و خروجی. جی. ایر. ترانسپ مدیریت 2017 ، 58 ، 125-134. [ Google Scholar ] [ CrossRef ]
  17. لوکا، سی. درآمد و هزینه در صنعت گردشگری: شواهد سری زمانی از قبرس. تور. اقتصاد 2006 ، 12 ، 603-617. [ Google Scholar ] [ CrossRef ]
  18. Min, L. تحقیق در مورد تفاوت درآمد بین ساکنان شهری و روستایی در طول توسعه گردشگری در zhangjiajie. J. Jishou Univ. نات. علمی اد. 2011 ، 3 ، 103-106. [ Google Scholar ]
  19. ایواشیتا، سی. نمایندگی رسانه ای بریتانیا به عنوان مقصدی برای گردشگران ژاپنی: فرهنگ و گردشگری عامه پسند. تور. گل میخ. 2006 ، 6 ، 59-77. [ Google Scholar ] [ CrossRef ]
  20. اسمیت، اس. احساس مکان: مکان، فرهنگ و گردشگری. تور. بازآفرینی Res. 2015 ، 40 ، 220-233. [ Google Scholar ] [ CrossRef ]
  21. آستاوا، IP; ترییونی، NN; سانتوسا، IDMC گردشگری پایدار و فرهنگ هماهنگ: مطالعه موردی مدل فرقه در گردشگری روستا. J. Phys. Conf. سر. 2018 , 953 , 012057. [ Google Scholar ] [ CrossRef ]
  22. هونگ سونگ، پی. لین، ال. Xingfu، L. ساختار شبکه ای جریان گردشگری فرامرزی بر اساس روش شبکه اجتماعی: موردی از منطقه دریاچه لوگو. علمی Geogr. گناه 2014 ، 34 ، 1041-1050. [ Google Scholar ]
  23. کرامپون، ال. Tan, K. مدلی از جریان گردشگری به اقیانوس آرام. تور. Rev. 1973 , 28 , 98-104. [ Google Scholar ] [ CrossRef ]
  24. همسون، جی. مکلنن، اس. میلز، جی. جانسون، پی. مکدونالد، دی. جامعه، شیرها، دام و پول: تحلیل فضایی و اجتماعی نگرش به حیات وحش و ارزش حفاظتی گردشگری در درگیری انسان و گوشتخوار در بوتسوانا. Biol. حفظ کنید. 2009 ، 142 ، 2718-2725. [ Google Scholar ] [ CrossRef ]
  25. Tsai، PW; چن، ZS; Xue، XS; چانگ، جی اف بررسی تاثیر جریان گردشگری بر نرخ ارز خارجی توسط مدل های سری زمانی و iabc. در پیشرفت در پنهان کردن اطلاعات هوشمند و پردازش سیگنال چند رسانه ای، Pt I ; Springer: Cham, Switzerland, 2018; جلد 81، ص 225–232. [ Google Scholar ]
  26. یانگ، XZ; وانگ، کیو. تحلیل فضا-زمان اکتشافی جریان‌های گردشگری ورودی به شهرهای چین. بین المللی جی. تور. Res. 2014 ، 16 ، 303-312. [ Google Scholar ]
  27. کلی، جی. حیدر، دبلیو. ویلیامز، PW ارزیابی رفتاری گزینه های حمل و نقل گردشگری برای کاهش مصرف انرژی و گازهای گلخانه ای. J. Travel Res. 2007 ، 45 ، 297-309. [ Google Scholar ] [ CrossRef ]
  28. بیگر، تی. ویتمر، A. حمل و نقل هوایی و گردشگری – چشم اندازها و چالش ها برای مقاصد، خطوط هوایی و دولت ها. J. Air Transp. مدیریت 2006 ، 12 ، 40-46. [ Google Scholar ] [ CrossRef ]
  29. پاپاتئودورو، ا. روسلو، جی. Xiao, H. بحران اقتصادی جهانی و گردشگری: پیامدها و دیدگاه ها. J. Travel Res. 2010 ، 49 ، 39-45. [ Google Scholar ] [ CrossRef ]
  30. کلابرز، ام. تیمرمنز، اچ. اندازه‌گیری رفتار مصرف‌کننده گردشگری با استفاده از فرار: یک موتور مصاحبه چندرسانه‌ای برای آزمایش‌های انتخابی و ترجیحی بیان‌شده. در فناوری اطلاعات و ارتباطات در گردشگری 1999 ; Springer: وین، اتریش، 1999; صص 179-190. [ Google Scholar ]
  31. عجیب.؛ پترسون، ZD گزارش نادرست ناخواسته در مورد اقدامات خودگزارشی رفتار پرخاشگرانه جنسی: یک مطالعه مصاحبه. J. Sex Res. 2017 ، 54 ، 971-983. [ Google Scholar ] [ CrossRef ]
  32. کاواسه، ج. کوراتا، ی. Yabe، N. زمان و مکان گردشگران در حال مشاهده نمایشگاه‌ها: به سوی پیچیدگی بررسی‌های فعالیت گردشگری با کمک GPS. در مجموعه مقالات فناوری اطلاعات و ارتباطات در گردشگری 2012، هلسینبورگ، سوئد، 25-27 ژانویه 2012. ص 415-425. [ Google Scholar ]
  33. ژنگ، دبلیو. هوانگ، XT; لی، ای. درک تحرک گردشگران با استفاده از GPS: مکان بعدی کجاست؟ تور. مدیریت 2017 ، 59 ، 267-280. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. Dijk، JV; Jong, TD ردیابی های GPS پس از پردازش در بازسازی مسیرهای طی شده در یک محیط GIS: انتخاب زیر مجموعه شبکه و تنظیم ویژگی. ان GIS 2017 ، 23 ، 203-217. [ Google Scholar ] [ CrossRef ]
  35. لی، اچ. Gao, W. مطالعه تفاوت منطقه ای توسعه گردشگری در استان گوانگدونگ بر اساس تجزیه و تحلیل آماری فضایی. J. Xinyang هنجار. دانشگاه نات. علمی اد. 2016 ، 29 ، 71-74. [ Google Scholar ]
  36. لی، MM; نیش، ال. هوانگ، XT; Goh, C. تحلیل مکانی- زمانی هتل ها در مقصد گردشگری شهری. بین المللی جی. هاسپ. مدیریت 2015 ، 45 ، 34-43. [ Google Scholar ] [ CrossRef ]
  37. کلاین، سی. هائو، اچ. الدرمن، دی. Kleckley، JW; گری، اس. تحلیل فضایی گردشگری، کارآفرینی و اکوسیستم کارآفرینی در کارولینای شمالی، ایالات متحده آمریکا. تور. طرح. توسعه دهنده 2014 ، 11 ، 305-316. [ Google Scholar ] [ CrossRef ]
  38. مورلی، سی. روسلو، جی. سانتانا-گالگو، M. مدل های جاذبه برای تقاضای گردشگری: نظریه و استفاده. ان تور. Res. 2014 ، 48 ، 1-10. [ Google Scholar ] [ CrossRef ]
  39. باجو، آر. اسکات، ن. Cooper, C. Science Network یک بررسی با تمرکز بر گردشگری. ان تور. Res. 2010 ، 37 ، 802-827. [ Google Scholar ] [ CrossRef ]
  40. ژانگ، اچ پی؛ ژو، XX; گو، ایکس. ژو، ال. جی، جی ال. روش تانگ، GA برای تجزیه و تحلیل و تجسم الگوهای کانون جریان مشابه بین گروه‌های منطقه‌ای مختلف. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 328. [ Google Scholar ] [ CrossRef ]
  41. وانگ، اچ. هوانگ، اچ. Ni، X. Zeng، W. آشکارسازی ویژگی‌های مکانی-زمانی و الگوهای سفر شهری: یک مطالعه تجزیه و تحلیل و تجسم در مقیاس بزرگ با داده‌های GPS تاکسی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 257. [ Google Scholar ] [ CrossRef ]
  42. ژو، ایکس. ژانگ، H.-P. جی، جی. تانگ، G.-A. روشی برای استخراج الگوهای حرکتی بین مناطق: مطالعه موردی مسافران مترو در شانگهای. دسترسی IEEE 2019 ، 7 ، 67795–67806. [ Google Scholar ] [ CrossRef ]
  43. آگیومیرگیاناکیس، جی. سرنیس، دی. Tsounis، N. تعیین کننده های کوتاه مدت و بلند مدت جریان های توریستی: مورد کره جنوبی. در پیشرفت در تحقیقات اقتصادی کاربردی ; Springer: Cham, Switzerland, 2017; صص 861-872. [ Google Scholar ]
  44. هان، ی. وانگ، اس. رن، ی. وانگ، سی. گائو، پی. چن، جی. پیش‌بینی جریان کوتاه‌مدت مسافر در سطح ایستگاه در یک شبکه مترو در سطح شهر با استفاده از شبکه‌های عصبی کانولوشنال نمودار فضایی-زمانی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 243. [ Google Scholar ] [ CrossRef ]
  45. Lu، ZB; رائو، WM؛ وو، YJ; گوا، ال. Xia، JX یک رویکرد فیلتر کالمن برای تخمین جریان پویا برای شبکه‌های جاده‌ای شهری با استفاده از داده‌های چند سنسوری. J. Adv. حمل و نقل. 2015 ، 49 ، 210-227. [ Google Scholar ] [ CrossRef ]
  46. لی، ایکس. هوانگ، جی. تانگ، جی. پیش بینی جریان مسافر بر اساس مدل تخمین ماتریس od. جی. راه آهن چین. Soc. 2008 ، 30 ، 7-12. [ Google Scholar ]
  47. الکساندر، ال. جیانگ، اس. مورگا، م. Gonzalez، MC سفرهای مبدا-مقصد بر اساس هدف و زمان روز استنباط شده از داده های تلفن همراه. حمل و نقل. Res. سی ظهور. تکنولوژی 2015 ، 58 ، 240-250. [ Google Scholar ] [ CrossRef ]
  48. میاه، اس جی. Vu، HQ; گامک، جی. McGrath، M. یک روش تجزیه و تحلیل داده های بزرگ برای تجزیه و تحلیل رفتار گردشگران. Inf. مدیریت 2017 ، 54 ، 771-785. [ Google Scholar ] [ CrossRef ]
  49. Nie, YM; Zhang, HM یک رویکرد آرامش برای تخمین جداول سفر مبدا-مقصد. شبکه تف کردن اقتصاد 2010 ، 10 ، 147-172. [ Google Scholar ] [ CrossRef ]
  50. لنکفورد، منطقه‌بندی PM: نظریه و الگوریتم‌های جایگزین. Geogr Anal. 1969 ، 1 ، 196-212. [ Google Scholar ] [ CrossRef ]
  51. گتیس، ع. Aldstadt, J. ساخت ماتریس وزن های فضایی با استفاده از یک آمار محلی. Geogr. مقعدی 2004 ، 36 ، 90-104. [ Google Scholar ] [ CrossRef ]
  52. مارکون، ای. Puech, F. اندازه گیری های تمرکز جغرافیایی صنایع: بهبود روش های مبتنی بر فاصله. جی. اکون. Geogr. 2010 ، 10 ، 745-762. [ Google Scholar ] [ CrossRef ]
  53. لوئیس، DB آمار ابتدایی برای جغرافیدانان ، ویرایش سوم. Guilford Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2010; پ. 464. [ Google Scholar ]
  54. مورل، اف. Sedillot، B. اندازه گیری غلظت جغرافیایی در صنایع تولیدی فرانسه. Reg. علمی اقتصاد شهری 2004 ، 29 ، 575-604. [ Google Scholar ] [ CrossRef ]
  55. وو، اچ. هیز، ام جی. ویس، ا. Hu, Q. ارزیابی شاخص بارش استاندارد شده، شاخص چین-z و آماری z-score. بین المللی جی.کلیماتول. 2001 ، 21 ، 745-758. [ Google Scholar ] [ CrossRef ]
  56. آسونکائو، آر.ام. Neves، MC; کامارا، جی. Da Costa Freitas، C. تکنیک‌های منطقه‌بندی کارآمد برای واحدهای جغرافیایی اجتماعی-اقتصادی با استفاده از حداقل درختان پوشا. بین المللی جی. جئوگر. Inf. علمی 2006 ، 20 ، 797-811. [ Google Scholar ] [ CrossRef ]
  57. Maulik، U. Bandyopadhyay, S. ارزیابی عملکرد برخی از الگوریتم‌های خوشه‌بندی و شاخص‌های اعتبار. IEEE Trans. الگوی مقعدی ماخ هوشمند 2002 ، 24 ، 1650-1654. [ Google Scholar ] [ CrossRef ]
  58. مارتی، PF مقدمه ای بر همگرایی دیجیتال: کتابخانه ها، آرشیوها و موزه ها در عصر اطلاعات. Libr کوارت 2010 ، 80 ، 1-5. [ Google Scholar ] [ CrossRef ]
  59. آندریس، سی. شی، ال. فریرا، جی، جونیور چالش های جریان های اجتماعی. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 70 ، 197-207. [ Google Scholar ] [ CrossRef ]
  60. Andris, C. ادغام داده های شبکه های اجتماعی در سیستم های gisystem. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 2009–2031. [ Google Scholar ] [ CrossRef ]
  61. فضاهای جغرافیایی غیر اقلیدسی Midler، JC: نگاشت فواصل عملکردی. Geogr. مقعدی 1982 ، 14 ، 189-203. [ Google Scholar ] [ CrossRef ]
  62. وانگ، YX; وانگ، FH; ژانگ، ی. لیو، ی. تعیین مناطق شهرنشینی «منبع-غرق» در چین: شواهدی از داده های برنامه تلفن همراه. شهرها 2019 ، 86 ، 167–177. [ Google Scholar ] [ CrossRef ]
  63. لی، کیو. Xu، MX; لیو، گیگابایت؛ ژائو، YG; Tuo، DF اثرات تجمعی یک کود شیمیایی 17 ساله بر کیفیت خاک سیستم کشت در منطقه تپه ای لس، چین. J. Plant Nutr. علم خاک 2013 ، 176 ، 249-259. [ Google Scholar ] [ CrossRef ]
  64. Lu، GN; باتی، م. استروبل، جی. لین، اچ. زو، تبر; چن، ام. بازتاب ها و گمانه زنی ها در مورد پیشرفت در سیستم های اطلاعات جغرافیایی (GIS): دیدگاه جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 346-367. [ Google Scholar ] [ CrossRef ]
  65. سول، دی. گاتهام تغذیه: اقتصاد سیاسی و جغرافیای غذا در شهر نیویورک، 1790-1860. J. Interdiscipl. تاریخچه 2018 ، 48 ، 417-418. [ Google Scholar ] [ CrossRef ]
Ijgi 08 00314 g001 550
شکل 1. منطقه مطالعه (تمام شهرهای سرزمین اصلی چین و تمام نقاط دیدنی در نانجینگ).
Ijgi 08 00314 g002 550
شکل 2. نتایج منطقه‌بندی شدت جریان توریستی. کل چین به 15 منطقه تقسیم شده است و هر بخش با اعداد رومی رمزگذاری شده است.
Ijgi 08 00314 g003 550
شکل 3. جعبه های کنار هم برای نتایج منطقه ای سازی شهرهای چین.
Ijgi 08 00314 g004 550
شکل 4. نتیجه منطقه بندی سینک. (توجه: کل نانجینگ به شش منطقه تقسیم شده است و هر منطقه با اعداد رومی رمزگذاری شده است.).
Ijgi 08 00314 g005 550
شکل 5. نمودارهای خطی میانگین برای نتایج منطقه‌بندی نقاط دیدنی در نانجینگ.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید