جریان بازدیدکنندگان در یک رویداد فرهنگی در مقیاس بزرگ: ردیابی GPS در هفته طراحی هلند

خلاصه

رویدادهای فرهنگی در مقیاس بزرگ مزایای اقتصادی، اجتماعی و فرهنگی زیادی را برای شهرهای میزبان به همراه دارد. اگرچه هدف تولیدکنندگان رویداد برآوردن نیازهای بازدیدکنندگان است، اما معمولاً بازخوردی از تجربیات بازدیدکنندگان دریافت نمی‌کنند. علاوه بر این، عدم پراکندگی فضایی بازدیدکنندگان ممکن است منجر به دید کمتر برای برخی از فعالیت‌ها و مکان‌ها شود. درک رفتار مکانی و زمانی بازدیدکنندگان و عوامل موثر بر انتخاب مقصد درون رویدادی بازدیدکنندگان، کلید مدیریت رویداد کارآمد و موفق و برنامه ریزی آینده است. در این مقاله به بررسی رابطه بین رفتار مکانی و زمانی بازدیدکنندگان، ساختار فضایی شهر میزبان و ویژگی‌های بازدیدکننده می‌پردازیم. برای انجام این کار، داده ها از 281 بازدیدکننده رویداد با استفاده از ردیابی GPS و نظرسنجی های کاغذی در رویداد هفته طراحی هلند (DDW) 2017 در آیندهوون، هلند جمع آوری شده است. داده ها برای درک منطقه مورد علاقه، جریان بازدیدکنندگان، خوشه های بازدیدکننده و انتخاب منطقه مورد علاقه با استفاده از پردازش داده، تجزیه و تحلیل شبکه، تجزیه و تحلیل خوشه ای و تجزیه و تحلیل دو متغیره استفاده می شود.
دوره-آموزش-حرفه-ای-gis
 نتایج نشان می‌دهد که یکی از سه منطقه رویداد اختصاصی به طور قابل‌توجهی توسط بازدیدکنندگان DDW محبوبیت کمتری داشته است. علاوه بر این، انتخاب مکان‌ها و مناطق مقصد درون رویداد عمدتاً به محدودیت‌های زمانی بازدیدکنندگان بستگی داشت. یافته‌های این مطالعه می‌تواند از سیاست‌های برنامه‌ریزی و مدیریت رویدادهای آینده در شهرهای میزبان خبر دهد. خوشه‌های بازدیدکننده و انتخاب‌های حوزه مورد علاقه با استفاده از پردازش داده، تجزیه و تحلیل شبکه، تجزیه و تحلیل خوشه‌ای و تجزیه و تحلیل دو متغیره. نتایج نشان می‌دهد که یکی از سه منطقه رویداد اختصاصی به طور قابل‌توجهی توسط بازدیدکنندگان DDW محبوبیت کمتری داشته است. علاوه بر این، انتخاب مکان‌ها و مناطق مقصد درون رویداد عمدتاً به محدودیت‌های زمانی بازدیدکنندگان بستگی داشت. یافته‌های این مطالعه می‌تواند از سیاست‌های برنامه‌ریزی و مدیریت رویدادهای آینده در شهرهای میزبان خبر دهد. خوشه‌های بازدیدکننده و انتخاب‌های حوزه مورد علاقه با استفاده از پردازش داده، تجزیه و تحلیل شبکه، تجزیه و تحلیل خوشه‌ای و تجزیه و تحلیل دو متغیره. نتایج نشان می‌دهد که یکی از سه منطقه رویداد اختصاصی به طور قابل‌توجهی توسط بازدیدکنندگان DDW محبوبیت کمتری داشته است. علاوه بر این، انتخاب مکان‌ها و مناطق مقصد درون رویداد عمدتاً به محدودیت‌های زمانی بازدیدکنندگان بستگی داشت. یافته‌های این مطالعه می‌تواند از سیاست‌های برنامه‌ریزی و مدیریت رویدادهای آینده در شهرهای میزبان خبر دهد.

کلید واژه ها:

ردیابی GPS ; بازدیدکنندگان رویداد ؛ تحلیل فضایی ; رفتار فضایی بازدید کننده ; رویدادهای فرهنگی ؛ جریان بازدیدکنندگان ; تجزیه و تحلیل شبکه

1. معرفی

رویدادهای فرهنگی و جشنواره های بزرگ در شهرها به عنوان ابزار مهمی برای ساختن تصویر شهر و جذب بازدیدکنندگان شناخته می شوند [ 1 ]. چنین رویدادها و جشنواره‌هایی مزایای اقتصادی، اجتماعی و فرهنگی را برای شهرها به ارمغان می‌آورند که پس از آن می‌توان از آنها برای ایجاد مکان‌هایی برای شرایط زندگی، کار و بازدید بهتر استفاده کرد. شهرها و سازمان‌دهندگان رویدادها مسئولیت ارائه تجربیات مثبت برای بازدیدکنندگان به منظور بهبود رضایت بازدیدکنندگان و تحریک بازدیدهای مکرر را دارند [ 2 ]. رویدادهای بزرگ معمولاً به دلیل هجوم بازدیدکنندگان منجر به نوسانات کوتاه مدت در جمعیت شهر می شود [ 3]]. نوسانات جمعیت شهر ممکن است بر زیرساخت ها و تدارکات تأثیر بگذارد و باعث ایجاد تجربیات منفی برای بازدیدکنندگان و ساکنان شود (به عنوان مثال، ازدحام بازدیدکنندگان یا ازدحام بیش از حد بازدیدکنندگان به دلیل ارتقاء فضاهای عمومی از قبل برجسته و بدتر شدن محیط زیست به دلیل زباله و سر و صدا). علاوه بر این، اگر بازدیدکنندگان در طول یک رویداد به خوبی پیمایش نشوند، تنها مکان‌های برجسته شهر مورد بازدید بازدیدکنندگان قرار می‌گیرند و بنابراین ممکن است از همه مکان‌های نمایشگاه بازدید نشود. این ممکن است منجر به مزایای اقتصادی، اجتماعی و فرهنگی کمتری برای این مکان ها شود.
در طول رویدادهای فرهنگی در مقیاس بزرگ که در مناطق مختلف یک شهر توزیع می شود، به دست آوردن بازخورد جامع در مورد جریان بازدیدکنندگان دشوار است. داشتن چنین بازخوردی می تواند به درک رفتار مکانی و زمانی بازدیدکنندگان، مقاصد درون رویدادی و روابط آنها و انتخاب مقصد درون رویدادی در طول رویداد کمک کند. در نتیجه، پیشنهادات متنوعی را می توان به بازدیدکنندگان و ارائه دهندگان رویداد برای برگزاری بهتر رویدادها و حتی توزیع بازدیدکنندگان ارائه کرد. بنابراین، به منظور ارزیابی سازماندهی رویداد و توسعه سیاست های پایدار برای گردشگری رویداد، بررسی جریان بازدیدکنندگان در طول رویدادهای بزرگ [ 4 ] حیاتی است.
در دو دهه اخیر، با توجه به افزایش در دسترس بودن ابزارهای فناوری اطلاعات و ارتباطات (ICT) (یعنی برنامه های تلفن هوشمند) و سیستم های موقعیت یابی (یعنی سیستم موقعیت یابی جهانی (GPS))، تحقیقات داده محور در مورد گردشگری و جریان گردشگران افزایش یافته است [ 5 ، 6 ]. این فناوری ها امکان ثبت الگوهای تحرک افراد، قسمت ها و مکان فعالیت ها، نقاط مورد علاقه و توپولوژی فعالیت ها را در رابطه با محیط شهری فراهم می کند. به گفته شوال و آحاس (2016) [ 6]، مزایای جمع‌آوری داده‌ها با استفاده از ثبت‌کننده‌های GPS و/یا برنامه‌های تلفن هوشمند مجهز به GPS این است که داده‌هایی با وضوح بالا در زمان و مکان ارائه می‌دهند. آنها به حافظه پاسخ دهندگان وابسته نیستند، بنابراین داده های دقیق تری ارائه می دهند. و آنها بار شرکت کنندگان را کاهش می دهند زیرا جمع آوری داده ها کمتر به پاسخ دهندگان وابسته است. با این حال، چنین داده‌هایی فاقد اطلاعات پیش‌زمینه پاسخ‌دهندگان مانند اطلاعات اجتماعی-جمعیت‌شناسی، یا احساسات درباره موضوعات خاص هستند. بنابراین، ردیابی GPS معمولاً با نظرسنجی آنلاین و/یا کاغذی همراه است.
مطالعات گردشگری مبتنی بر داده‌های کنونی بر تجربیات و جریان‌های گردشگران در محیط‌های مختلف مانند بازدیدکنندگان توریستی در نقاط کانونی درون شهرها (به عنوان مثال، بنادر، مناطق میراثی، مراکز شهر) تمرکز دارد [7 ، 8 ، 9 ، 10 ، 11 ] ، بازدیدکنندگان از پارک های تفریحی و باغ وحش [ 12 ، 13 ، 14 ]، و بازدیدکنندگان از رویدادها [ 2 ، 3 ، 15 ، 16 ، 17 ، 18 ، 19]. این مطالعات با استفاده از مجموعه داده‌های جدید موجود برگرفته از ابزار ICT، درک بازدیدکنندگان از فضا و همچنین الگوهای رفتاری آن‌ها در زمان و مکان و عوامل مؤثر بر این الگوها مانند ویژگی‌های اجتماعی-جمعیت‌شناختی بازدیدکنندگان (یعنی سن، جنسیت) را بررسی می‌کنند. ویژگی های مکانی مکان بازدید (یعنی مبدا بازدید، موقعیت و مرکزیت جاذبه ها، دسترسی به جاذبه ها) و ویژگی های زمانی بازدید (یعنی زمان شروع بازدید، زمان حضور در جاذبه ها). به عنوان مثال، De Cantis و همکاران. (2016) [ 9] بیان می کند که سن، جنسیت، شرکت مسافرتی و دفعات بازدید بازدیدکنندگان (بازدید کننده اول یا دوم بودن) بر الگوهای بازدید آنها در مناطق بندری تأثیر می گذارد و بنابراین می توان از این ویژگی ها برای تقسیم بندی بازدیدکنندگان استفاده کرد. مطالعه اخیر از گونگ و همکاران. (2020) [ 19 ] بر رفتار بازدیدکنندگان از رویداد بادبان و روز پادشاه در آمستردام با استفاده از داده های رسانه های اجتماعی مبتنی بر مکان تمرکز می کند. این مطالعه نشان می‌دهد که بازدیدکنندگان از نظر سن و جنسیت برای بارگذاری‌های رسانه‌های اجتماعی در هر جاذبه متفاوت بودند. علاوه بر این، Birenboim و همکاران. (2013) [ 12 ] بیان می کند که الگوهای زمانی بازدیدکنندگان در پارک های موضوعی تحت تأثیر بودجه زمانی آنها و همچنین محیط کنترل شده پارک (یعنی ساعات کاری و برنامه نمایش) قرار دارد. علاوه بر این، شوال و همکاران. (2011) [ 7]، آرانبورو و همکاران. (2016) [ 10 ] و سوگیموتو و همکاران. (2019) [ 11 ] نشان می‌دهد که به دلیل کاهش فاصله، حرکات بازدیدکنندگان تا حد زیادی توسط مکان شروع بازدیدشان محدود می‌شود و پیکربندی فضایی جاذبه‌ها در انتخاب بازدید از مقاصد داخلی نقش دارد.
این مطالعات تکنیک های مختلفی را به منظور شناسایی و تجسم الگوهای حرکتی از مجموعه داده های مبتنی بر مکان مانند تجمیع مبتنی بر شبکه [ 7 ، 8 ، 9 ]، خوشه بندی مبتنی بر تراکم [ 19 ] و تجزیه و تحلیل شبکه [ 3 ، 10 ، 11 ] اجرا کرده اند. . تجمع و برآورد چگالی مبتنی بر شبکه معمولاً برای شناسایی نقاط مورد نظر (POI)/منطقه مورد علاقه (AOI) و تحلیل شبکه برای شناسایی روابط بین POI/AOI استفاده می شود. نتایج این مطالعات به تدوین سیاست برای برنامه ریزی و مدیریت مقصد، مدیریت تاثیر رویداد و برنامه ریزی حمل و نقل در مکان های توریستی کمک می کند.
تاکنون، بیشتر مطالعات کنونی در مورد درک رویدادهای بزرگ مقیاس با مجموعه داده‌های جدید در دسترس [ 2 ، 15 ، 16 ، 17 ] بر تجربیات ذهنی بازدیدکنندگان متمرکز بوده و جریان بازدیدکنندگان در طول رویداد را در نظر نمی‌گیرند. فقط مطالعات کمی [ 3 ، 18 ، 19] به ترتیب با استفاده از بلوتوث، داده‌های شبکه تلفن همراه و داده‌های رسانه اجتماعی مبتنی بر مکان، رفتار مکانی و زمانی بازدیدکننده را در تنظیمات رویداد فرهنگی در مقیاس بزرگ برجسته می‌کند. این امر نشان می دهد که نیاز به مطالعات بیشتر در مورد رویدادهای فرهنگی بزرگ از نظر درک جریان بازدیدکنندگان (رفتار مکانی و زمانی بازدیدکنندگان، مقاصد درون رویدادی و روابط آنها و عوامل موثر بر انتخاب مقصد درون رویدادی است. ) [ 18 ، 20 ، 21 ]. علاوه بر این، مجموعه داده های این مطالعات [ 3 ، 18 ، 19 ] به طور خاص با هدف جمع آوری داده ها از بازدیدکنندگان رویداد نبود، و بنابراین روش های جمع آوری داده های آنها رویکردهای فرصت طلبانه تری را پیشنهاد می کند.22 ] مانند خراش دادن داده ها از رسانه های اجتماعی، به جای تعامل با بازدیدکنندگان. این مطالعه فعلی به مطالعات موجود در مورد جریان بازدیدکنندگان در طول رویدادهای بزرگ مقیاس از نظر روش جمع آوری داده های GPS و تجزیه و تحلیل کمک می کند.
در این مطالعه، اهداف دو جنبه دارند: (1) درک رفتار مکانی و زمانی بازدیدکنندگان در طول رویداد، از جمله روابط بین مقصدهای درون رویدادی، و (2) درک عوامل تعیین‌کننده بازدیدکنندگان درون رویدادی. انتخاب های مقصد برای هدف اول، از داده‌های GPS ۲۸۱ بازدیدکننده برای شناسایی مقصدهای درون رویدادی بازدیدکنندگان استفاده کردیم که به مناطق مورد علاقه (AOI) اشاره می‌کنند. این مکان‌های AOI بر اساس مکان‌هایی تعیین می‌شوند که بازدیدکنندگان مدت زمان معینی (یعنی بیشتر از 3 دقیقه) را در شعاع 100 متری سپری می‌کنند و میزان بازدید بازدیدکنندگان از آن مکان. سپس، به توزیع این AOI ها در شهر و اینکه بازدیدکنندگان به طور متوسط ​​چه مدت زمانی را در این AOI ها صرف کرده اند، نگاه کردیم. بعد، ما تحلیل شبکه را به منظور درک روابط بین بازدیدهای هر AOI اعمال کردیم. برای هدف دوم، داده‌های GPS بازدیدکنندگان را با جمعیت‌شناسی اجتماعی آن‌ها ترکیب کردیم و تجزیه و تحلیل دو متغیره و تحلیل خوشه‌ای را اعمال کردیم.
این مطالعه در چارچوب پروژه اتحادیه اروپا Horizon 2020 ROCK (بازآفرینی و بهینه‌سازی میراث فرهنگی در شهرهای خلاق و دانش‌آموز) انجام شده است که هدف آن توسعه یک رویکرد سیستمی نوآورانه، مشارکتی و دایره‌ای برای بازآفرینی و استفاده مجدد تطبیقی ​​از مراکز شهرهای تاریخی است. . در این پروژه از رویدادهای بزرگ به عنوان یکی از توانمندسازهای تحول پایدار شهری بهره برداری می شود.
این مقاله به شرح زیر سازماندهی شده است: ابتدا حوزه مورد مطالعه، روش جمع آوری داده ها و ویژگی های نمونه توضیح داده شده است. سپس روش‌هایی که برای تجزیه و تحلیل داده‌ها استفاده می‌شوند معرفی می‌شوند. پس از آن، یافته های پژوهش تبیین می شود. این مقاله با بحث درباره یافته‌ها و اثربخشی روش‌ها برای درک جریان بازدیدکنندگان در رویدادهای فرهنگی در مقیاس بزرگ و با پیشنهادهایی برای سازمان‌دهندگان رویداد و سیاست‌گذاران به پایان می‌رسد.
دوره-آموزش-حرفه-ای-gis

2. مواد و روشها

برای این مطالعه، جمع‌آوری داده‌ها در یک رویداد فرهنگی در مقیاس بزرگ با استفاده از ردیابی و نظرسنجی GPS انجام شد. در این بخش ابتدا مطالعه موردی و حوزه آن معرفی می شود. سپس روش جمع آوری داده ها و ویژگی های نمونه را شرح می دهد. در نهایت روش هایی که برای پردازش و تجزیه و تحلیل داده ها استفاده شده اند توضیح داده می شود.

2.1. منطقه مطالعه

مطالعه موردی این تحقیق رویداد هفته طراحی هلند (DDW) در سال 2017 در آیندهوون هلند است. آیندهوون حدود 225000 نفر جمعیت دارد و در جنوب هلند واقع شده است. DDW یک رویداد سالانه است و برای هفدهمین بار در سال 2017 برگزار شد. از 21 اکتبر آغاز شد و به مدت 9 روز با نمایشگاه، کارگاه، سمینار و مهمانی در حدود 80 مکان مختلف در شهر ادامه یافت. در این رویداد بازدیدکنندگان باید یک بلیط داشته باشند. آثار طراحی 2500 طراح به نمایش گذاشته شد و تقریباً 300000 نفر از نمایشگاه ها بازدید کردند [ 23]]. مکان‌ها هم در داخل ساختمان (یعنی ساختمان‌های سازمانی، کافه‌ها و رستوران‌های خصوصی) و هم در فضای باز بودند و در سه منطقه در شهر، یعنی منطقه مرکز، منطقه Strijp-S و منطقه شرقی توزیع شدند. شکل 1 مکان های نمایشگاه را در سه منطقه در آیندهوون نشان می دهد. از نظر محتوای نمایشگاهی مناطق، منطقه مرکز بر محصولات طراحی سنتی تر تمرکز دارد، Strijp-S یک منطقه نوآورانه تر و متمرکز بر طراحی صنعتی است و منطقه شرق مکان طراحی جایگزین جدید آیندهوون است.
DDW به منظور برقراری ارتباط با نتایج نوآورانه شرکت های مهم شهر (به عنوان مثال، فیلیپس، DAF، ASML) و مؤسسات (یعنی دانشگاه فناوری آیندهوون، آکادمی طراحی)، و همچنین افزایش همکاری بین آنها سازماندهی شده است. این رویداد نقش مهمی در برندسازی آیندهوون دارد زیرا هدف این شهر رهبری صنعت دیجیتال و تبدیل شدن به پایتخت طراحی است.

2.2. روش جمع آوری داده ها و شرح نمونه

داده‌ها در چهار روز مختلف رویداد در اکتبر 2017 جمع‌آوری شد. به پاسخ‌دهندگان در کنار دفتر فروش بلیط، که در نزدیکی ایستگاه قطار مرکزی قرار داشت، نزدیک شد. این مکان از آنجایی انتخاب شد که نقطه ورودی اصلی شهر و رویداد بسیاری از بازدیدکنندگان بود. پاسخگویان از ساعت 9 صبح جذب شدند. به منظور جمع‌آوری داده‌ها در مورد ویژگی‌های بازدیدکنندگان رویداد و رفتار فضایی آن‌ها، ما از رویکرد ترکیبی استفاده از دستگاه‌ها و پرسش‌نامه‌های GPS استفاده کردیم. به پاسخ دهندگان یک دستگاه ثبت GPS داده شد که امکان ضبط مسیرهای بازدیدکنندگان را در هر 3 ثانیه فراهم می کرد.
قبل از انجام آزمایش، ابتدا از شرکت کنندگان خواسته شد تا پرسشنامه ای در مورد سوابق دموگرافیک اجتماعی و آشنایی با رویداد و آشنایی با شهر پر کنند. سپس از آنها خواسته شد که یک دستگاه جی‌پی‌اس به همراه داشته باشند و پرسشنامه دومی را درباره تجربیات ذهنی خود در طول بازدیدشان از این رویداد پر کنند. در این مطالعه، تنها از اولین نظرسنجی در مورد ویژگی های بازدیدکننده و گزارش های مربوط به دستگاه های GPS استفاده شده است. در مقاله دیگری [ 2 ]، از داده های مربوط به تجربیات ذهنی بازدیدکنندگان استفاده کردیم.
در مجموع 317 پاسخ‌دهنده دستگاه‌های GPS را برگرداندند، اما پس از تمیز کردن داده‌ها، گزارش‌های GPS 281 پاسخ‌دهنده برای این مطالعه مفید بودند. در مجموع 69 پاسخ دهنده در 21 اکتبر 2017، اولین روز رویداد، 56 پاسخ دهنده در 24 اکتبر 2017، 68 پاسخ دهنده در 26 اکتبر 2017 و 88 پاسخ دهنده در 28 اکتبر 2017 ثبت نام کردند.
جدول 1 ویژگی های نمونه پاسخ دهندگان را نشان می دهد. اکثریت نمونه زن و جوانتر از 30 سال، دارای شرکت مسافرتی (یعنی شریک زندگی، فرزندان، دوستان یا همکاران) و آشنایی با آیندهوون بودند. در مجموع، 53٪ از پاسخ دهندگان نشان دادند که بازدید خود را با سایر فعالیت ها ترکیب می کنند. 56% از پاسخ دهندگان قبلا هرگز از رویداد DDW بازدید نکرده اند. 40% از پاسخ دهندگان قصد داشتند کمتر از 5 ساعت را در DDW بگذرانند. 56٪ از نمونه در طول آخر هفته از DDW بازدید کردند. در نهایت، 41 درصد از پاسخ دهندگان قبل از ساعت 11، 32 درصد بین ساعت 11 تا 13 و 27 درصد بعد از ساعت 13 به مراسم مراجعه کردند.

2.3. روش های پردازش و تحلیل داده ها

داده‌های GPS توسط الگوریتم Trace Annotator که توسط واحد سیستم‌های شهری و مستغلات دانشگاه فناوری آیندهوون توسعه داده شده است، پردازش شد [ 24 , 25 , 26 , 27]. Trace Annotator داده‌های GPS افراد را از طریق الگوریتم‌های یادگیری ماشینی به یادداشت‌های فعالیت سفر ترجمه می‌کند. این عمدتا شامل یک ماژول تقسیم‌بندی برای تقسیم ردیابی‌های GPS به فعالیت‌ها و سفرها، و ماژول‌های تشخیص برای طبقه‌بندی حالت‌های حمل‌ونقل و انواع فعالیت است. یک شبکه باور بیزی برای تمایز حالت‌های حمل‌ونقل بر اساس شاخص‌های استخراج‌شده مربوط به سرعت، شتاب، دقت اندازه‌گیری GPS و زمینه‌های فضایی مانند فاصله تا جاده استفاده شد. یک فعالیت بازدید با توجه به فاصله زمانی سه دقیقه بین گزارش های متوالی GPS شناسایی می شود. مکان یک فعالیت بر اساس زمان پایان و فرکانس نقاط GPS که در قطر 100 متر ظاهر می شوند تعیین می شود. بر اساس مختصات یک مکان فعالیت، این الگوریتم نقاط GPS را به ترتیب به هم متصل می کند و با استفاده از زمین، داده های نقطه مورد علاقه و داده های شبکه حمل و نقل مشتق شده از نقشه خیابان باز (نسخه OpenStreetMap نسخه 2017، OpenStreet Map Foundation، کمبریج، انگلستان) مطابقت دارد. برای این کار، الگوریتم ابتدا بخش‌های جاده ممکن را در اطراف یک نقطه GPS جستجو می‌کند و سپس محتمل‌ترین آنها را شناسایی می‌کند. پس از آن، الگوریتم حالت های حمل و نقل را تعیین می کند و مسیر انتخاب شده را با شبکه های حمل و نقل مطابقت می دهد.
محصول نهایی که دفتر خاطرات سفر است، اطلاعاتی را در مورد مبدا و مقصد شخص، مدت زمان در AOIهای بازدید شده، حالت های حمل و نقل بین AOI ها ارائه می دهد. این الگوریتم در پروژه های مختلف و برای مطالعات مختلف مانند [ 28 ] استفاده و آزمایش شده است. نمونه ای از یک مسیر GPS برای یک بازدید کننده و حاشیه نویسی آن توسط TA را می توان در شکل A1 در پیوست A یافت .
بر اساس یادداشت‌های فعالیت سفر، ابتدا، روز هفته برای بازدید، زمان شروع بازدید، مکان‌های AOI و AOI پربازدید، مدت زمان بازدیدکنندگان در AOI و زمان ورود بازدیدکنندگان به هر AOI بازدید شده استخراج شد. . علاوه بر داده های آزمایش، داده های آب و هوا (KNMI، موسسه هواشناسی سلطنتی هلند، دی بیلت، هلند) از یک منبع ثانویه جمع آوری شد. دما و وقوع داده‌های باران، که در محدوده‌های ساعتی در دسترس هستند، با زمان رسیدن به هر AOI بازدید شده مطابقت داشتند. داده های آب و هوا به این مطالعه اضافه شد زیرا مشخص شد که آنها بر انتخاب مکان بازدیدکنندگان در مناطق شهری تأثیرگذار هستند [ 29 ، 30 ]. در نهایت، این داده ها با ویژگی های بازدیدکننده مطابقت داده شد.

2.3.1. رفتار مکانی و زمانی بازدیدکنندگان

برای درک رفتار مکانی و زمانی بازدیدکنندگان، ابتدا سیاهههای مربوط به GPS در شش ضلعی 100 متری تجسم شدند. این کار برای فهمیدن اینکه سیاهههای GPS کجا خوشه‌بندی شده‌اند و اینکه آیا این مکان‌ها خروجی Trace Annotator را نشان می‌دهند انجام شد. در این مطالعه، بر اساس نتایج خروجی Trace Annotator، 17 AOI در نظر گرفته شد زیرا اینها پربازدیدترین آنها بودند (تنها AOIهایی که بیش از 25 بازدیدکننده از آنها بازدید می کردند، در این مطالعه در نظر گرفته شدند تا نتایج از نظر آماری معنی دار شود). . سپس میانگین مدت زمان هر AOI محاسبه و بر روی نقشه نشان داده شد.
پس از آن، به منظور درک روابط بین AOI، تجزیه و تحلیل شبکه بر روی مبدا-مقصد و مقصدهای درون رویدادی هر بازدیدکننده انجام شد. تجزیه و تحلیل شبکه، که از نظریه گراف مشتق شده است، تلاش می کند تا روابط بین گره های داده شده را توصیف کند. در تجزیه و تحلیل شبکه، یک شبکه عمدتاً از مجموعه ای از گره ها و پیوندها (به طور رسمی لبه نامیده می شود) تشکیل شده است. درجه مرکزیت گره های جداگانه را بر اساس موقعیت آنها در ساختار شبکه محاسبه می کند و میزان اتصال آنها را بسته به پیوند آنها با یکدیگر اندازه گیری می کند، که به درک بهتر کل شبکه کمک می کند [31 ]]. در این مطالعه، گره ها مبدأ سفر، مقاصد درون رویدادی (AOIs) و مقصد نهایی سفر در داخل شبکه و لبه ها نشان دهنده ارتباطات بین گره ها هستند. بنابراین می توان از تحلیل شبکه برای بررسی روابط بین موجودات فضایی استفاده کرد.
در این مطالعه، از خروجی های Trace Annotator، یک ماتریس مبدا-مقصد تولید و برای تحلیل شبکه استفاده شد. گره ها به عنوان AOI های بازدید شده هر بازدیدکننده DDW تعریف شدند و پیوندها نشان دهنده حرکات بازدیدکنندگان بین AOI ها بودند. در تحلیل شبکه، در نظر گرفته شد که اگر بازدیدکننده ای به هر دوی آنها مراجعه کند، بین دو AOI رابطه وجود دارد. در این مطالعه، شبکه AOI ها به صورت جهت دار و وزن دهی شده اعمال شد و نتایج معیارهایی را برای مرکزیت AOI ها ارائه کرد.
یکی از کاربردهای اصلی تحلیل شبکه، شناسایی گره های مرکزی در شبکه است [ 32 ]. برجسته ترین گره ها مکان های مرکزی را در شبکه اشغال می کنند. برای تجزیه و تحلیل شبکه، رایج ترین چهار شکل مرکزیت [ 33 ، 34 ] به عنوان درجه، بین، نزدیکی و مرکزیت بردار ویژه شناسایی می شوند. معیارهای مرکزیت اهمیت گره ها را کمیت می کند. شناسایی گره های مرکزی و ارتباط بین آنها به ما امکان می دهد اهمیت گره ها و اتصال بین گره های مختلف را درک کنیم.
مرکزیت درجه، مرکزیت یک گره را با توجه به میزان اتصالات مستقیم به این گره اندازه گیری می کند. هر چه درجه بالاتر باشد، مرکزیت گره بیشتر است. این معمولاً نشان می دهد که آیا یک گره یک مقصد کانونی مانند مبدا، هسته یا مقصد پایانی یک مسیر است [ 30 ]. مرکزیت بین تعداد دفعاتی که یک گره خاص در کوتاه ترین مسیر بین گره های مختلف دیگر در مجموعه گره ها قرار می گیرد، اندازه گیری می کند [ 35]. این نشانگر توانایی یک گره معین را برای ایجاد پل ارتباطی بین جفت گره های دیگر در شبکه نشان می دهد. برای یک رویداد در مقیاس بزرگ، مرکزیت بالای یک AOI به این معنی است که AOI یک واسطه مهم بین جفت AOI های دیگر است، زیرا بسیاری از بازدیدکنندگان در بین بازدید از سایر AOI در آن AOI توقف می کنند. مرکزیت نزدیکی، نزدیکی یک گره به گره‌های دیگر در شبکه، نه تنها به همسایگان نزدیک [ 36 ] را با گنجاندن پیوندهای مستقیم و غیرمستقیم به گره، امتیاز می‌دهد. کوتاه ترین مسیرها را در بین تمام گره ها محاسبه می کند و به هر گره بسته به مجموع کوتاه ترین مسیرها امتیازی اختصاص می دهد. بالاترین امتیاز مرکزیت نزدیکی ممکن برابر با 1 است که نشان می دهد یک گره مستقیماً به هر گره دیگری در شبکه متصل است [ 37]]. برای یک رویداد در مقیاس بزرگ، مرکزیت نزدیکی بالای یک AOI به این معنی است که AOI در بین سایر AOIها در فاصله نزدیک است. علاوه بر اینها، مرکزیت بردار ویژه محاسبه می شود. مرکزیت بردار ویژه اهمیت یک گره را در یک شبکه با در نظر گرفتن اینکه یک گره به خوبی به هم متصل است و اتصالات آنها چند لینک دارد، اندازه گیری می کند. این محاسبه به مرکزیت بردار ویژه سایر گره‌های شبکه که یک گره پیوندهای دریافتی با آنها دارد [ 38] متکی است.]. اندازه گیری مرکزیت بردار ویژه دارای محدوده ای بین 0 و 1 است، جایی که 1 به یک گره بسیار مهم اشاره دارد. برای یک رویداد در مقیاس بزرگ، مرکزیت بردار ویژه بالا به این معنی است که یک AOI مهم است و به خوبی با سایر AOI های مهم (با مقادیر بردار ویژه بالا) مرتبط است. با این حال، لزوماً به این معنی نیست که این AOI بارها مورد بازدید قرار می گیرد. برای این مطالعه، تحلیل و تجسم شبکه در نرم افزار Gephi نسخه 0.9.2 انجام شد.

2.3.2. عوامل تعیین کننده انتخاب های مقصد درون رویدادی

در ابتدا، ما به هر AOI نگاه کردیم و بررسی کردیم که آیا ویژگی های بازدیدکننده، روز هفته، زمان شروع بازدید، مدت زمان AOI، زمان ورود به AOI، دما و وقوع باران در زمان بازدید از AOI بر انتخاب بازدیدکنندگان از AOI تأثیر می گذارد یا خیر. . برای انجام این کار، تحلیل دو متغیره یعنی کای دو پیرسون انجام شد.
پس از آن، تجزیه و تحلیل خوشه‌بندی K-means به منظور یافتن اینکه آیا خوشه‌هایی در بین بازدیدکنندگان برای انتخاب‌های AOI آنها وجود دارد یا خیر، انجام شد. روش خوشه‌بندی K-means یک الگوریتم یادگیری ماشینی بدون نظارت است که نقاط داده‌ای را که شباهت‌های خاصی دارند جمع‌آوری می‌کند و از پالایش تکراری برای تولید نتیجه نهایی استفاده می‌کند [ 39 ، 40 ]. ورودی‌های الگوریتم تعداد خوشه‌های Κ و مجموعه داده‌ها هستند. مجموعه داده ها برای هر بازدیدکننده مشخص می کند که آیا هر AOI بازدید شده است یا خیر. الگوریتم با تخمین های اولیه برای Κ شروع می شودمرکز سپس الگوریتم بین دو مرحله تکرار می شود. در مرحله اول، هر نقطه داده بر اساس مجذور فاصله اقلیدسی به نزدیکترین مرکز خود اختصاص داده می شود. هنگامی که تمام نقاط داده به یک خوشه اختصاص داده می شوند، مرحله اول به پایان می رسد. در مرحله دوم، مرکزها مجددا محاسبه می شوند. این کار با در نظر گرفتن میانگین تمام نقاط داده اختصاص داده شده به خوشه آن مرکز انجام می شود. الگوریتم بین مراحل یک و دو تکرار می شود تا زمانی که الگوریتم به یک نتیجه همگرا شود. در این مطالعه، تجزیه و تحلیل دو متغیره بین خوشه‌های AOI یافت شده و ویژگی‌های بازدیدکننده به منظور بررسی تفاوت بین بازدیدکنندگان متعلق به خوشه‌های مختلف انجام شد. تمامی تجزیه و تحلیل این بخش از طریق بسته نرم افزاری SPSS Statistics 25 انجام شد.

3. نتایج

این بخش ابتدا به معرفی نتایج رفتار مکانی و زمانی بازدیدکنندگان از جمله یافته های تحلیل شبکه می پردازد. سپس، نتایج برای تعیین‌کننده‌های انتخاب مقصد درون رویدادی (AOI) داده می‌شود.

3.1. نتایج رفتار مکانی و زمانی بازدیدکنندگان

به منظور تجسم توزیع سیاهههای مربوط به GPS، منطقه مورد به شش ضلعی های 100 متری تقسیم شد. شکل 2 توزیع سیاهههای مربوط به GPS را در فضا نشان می دهد. با توجه به خروجی های الگوریتم Trace Annotator، بیشترین مناطق مورد علاقه (AOI) محاسبه شد. جدول 2 نشان دهنده پربازدیدترین AOI توسط بازدیدکنندگان نمونه این مطالعه است که نشان دهنده درصد بازدیدکنندگان و میانگین مدت بازدید در هر AOI است. علاوه بر این، شکل 3 همان اطلاعات را به صورت مکانی نشان می دهد. همه AOI ها با یک یا مجموعه ای از مکان های نمایشگاه مطابقت دارند.
توجه به این نکته ضروری است که شرکت کنندگان در ایستگاه مرکزی (C1) استخدام شدند و اکثر شرکت کنندگان نیز ثبت کننده های GPS را به این مکان بازگرداندند. این نشان دهنده تعداد بالای بازدیدکنندگان و بازدیدکنندگان برای “ایستگاه مرکزی” AOI است. علاوه بر این، مشاهده می شود که تمام AOI ها فقط در مناطق مرکزی و Strijp-S قرار داشتند، به این معنی که هیچ AOI در منطقه شرقی وجود نداشت.
در شکل 3 ، مشاهده می شود که AOI های پربازدید ایستگاه مرکزی (C1) و آکادمی طراحی (C2) و پس از آن Apparaten Fabriek (S1)، Machinekamer (S2)، Beukenlaan (S3) و Market Square (C3) بودند. علاوه بر این، میانگین مدت بازدید طولانی‌ترین مدت برای آکادمی طراحی (C2) بود و پس از آن Piet Hein Eik (S5)، Beukenlaan (S3)، Machinekamer (S2) و Temporary Art Center (C7) قرار دارند، در حالی که 18 Septemberplein (C4)، ایستگاه مرکزی (C1) و موزه فیلیپس (C11) کمترین مکان‌هایی بودند که زمان صرف شده‌اند. برای سهولت در خواندن، از اینجا به بعد فقط کد نام های AOI ذکر خواهد شد.

تجزیه و تحلیل شبکه: مقاصد درون رویدادی و روابط آنها

شاخص های مرکزیت حاصل از تحلیل شبکه در جدول 3 قابل مشاهده است. با توجه به مرکزیت درجه، همانطور که انتظار می رود، C1 بالاترین درجه را دارد. از آنجایی که مبدا همه بازدیدکنندگان و مقصد نهایی اکثر بازدیدکنندگان بوده است. پس از آن C2، C3، C5، S2 و S1 قرار می گیرند. این AOI ها را می توان به عنوان نقاط جذاب برای بازدیدکنندگان در نظر گرفت. با نگاهی به مرکزیت بین همه AOI ها، دوباره C1 دارای بالاترین ارزش است و پس از آن C3 و C2 با نمرات بالا (> 8.8) قرار می گیرند. این بدان معناست که این AOI ها مکان های واسطه ای مهمی بین جفت AOI های دیگر بودند، زیرا بسیاری از بازدیدکنندگان ممکن است بین بازدیدهای خود از سایر AOI ها در C1، C2 و C3 توقف کرده باشند. با در نظر گرفتن مرکزیت نزدیکی، همه AOI ها دارای ارزش مرکزیت نزدیکی بالایی هستند (>0.6). این بدان معنی است که اکثر AOIها قابل دسترسی و در فاصله نزدیک از سایر AOIها بودند. C1، C2، C4، C5، C3 و S3 بالاترین امتیازات را دارند. به ترتیب، که نشان دهنده این است که آنها کمترین فاصله را با سایر گره ها دارند. شاخص های نزدیکی بالای 0.6 همچنین ممکن است نشان دهند که ارتباطات بین AOI از نظر گزینه های تحرک ارائه شده راحت بوده است. در نهایت، با نگاهی به مرکزیت بردار ویژه، دوباره همه AOI ها بالای 0.5 عمل می کنند. نمرات بالا برای AOI های C1، C3، C2، S1، S2، C5 و S4 نشان می دهد که آنها AOI های قابل توجهی بودند و همچنین به خوبی با سایر AOI های قابل توجه مرتبط بودند. یک یافته جالب این است که، اگرچه S4 در مقایسه با اکثر گره‌های دیگر در شبکه، امتیازات نسبتاً پایینی برای معیارهای مرکزیت درجه، بین و نزدیکی دارد، امتیاز مرکزیت بردار ویژه آن بالا است. این ممکن است به این معنی باشد که S4 مکان جالبی برای بازدیدکنندگان نبود، اما پیوندهای مستقیم (بازدید کنندگان) را از AOI های مهم مانند C1، C2 و S1 دریافت کرد.
یک شبکه هدایت‌شده از جریان‌های بازدیدکننده (در قدرت)، که بر اساس ماتریس مبدا-مقصد ساخته شده است، در شکل 4 نشان داده شده است.. اندازه AOI ها متناسب با درجه اندازه گیری مرکزیت است. رنگ AOI ها نشان دهنده مقدار مرکزیت بین (هر چه رنگ تیره تر باشد، مرکزیت بین آن بیشتر است) و رنگ پیوندها نشان دهنده وزن پیوند است (هرچه رنگ تیره تر باشد وزن پیوند بالاتر است). شبکه هدایت شده نشان می دهد که در ناحیه مرکزی، C1، C2 و C3 AOIهای خوبی به هم متصل بودند. پس از حضور در C1، اکثر بازدیدکنندگان به C2 رفتند و بقیه عمدتاً از C3، C4 یا سایر AOIها در مرکز شهر بازدید کردند. علاوه بر این، اکثر بازدیدکنندگان وارد منطقه Strijp-S در S1 شدند که عمدتاً مستقیماً از C1 می‌آمدند و سپس از سایر AOI در منطقه Strijp-S بازدید کردند. پس از بازدید از AOIها در منطقه Strijp-S، بیشتر بازدیدکنندگان به C1 بازگشتند.
با توجه به نتایج این بخش، در طول DDW، C1 گره مهمی بود همانطور که انتظار می رفت، زیرا نقطه شروع (منشا) برای بازدیدکنندگان نمونه ما بود. علاوه بر این، مشاهده می‌شود که C2 به دلیل شاخص‌های مرکزیت بالا، یک AOI مهم بود. علاوه بر این، میانگین طولانی مدت صرف شده در این گره نشان می دهد که C2 جذاب ترین مکان رویداد برای بازدیدکنندگان بوده است. علاوه بر این، با نگاهی به شاخص‌های مرکزیت و میانگین مدت زمان صرف شده در AOI، C3 نیز یک مکان رویداد مهم و جذاب بود. علاوه بر این، C5 دارای شاخص های مرکزیت بالایی است. با این حال، میانگین مدت آن AOI به اندازه C2 و C3 نبود.
از آنجایی که همه این AOIها در ناحیه مرکزی قرار دارند، بررسی AOIها در ناحیه Strijp-S به طور جداگانه نیز مفید است. در میان AOIهای موجود در منطقه Strijp-S، S1، S2 و S3 دارای بالاترین شاخص‌های مرکزیت هستند، که نشان می‌دهد این AOIها، شاخص‌های مهم و متصل در منطقه بودند. علاوه بر این، میانگین زمان صرف شده در این AOI ها مشابه بود، که نشان می دهد این AOI ها جذاب ترین آن ها در منطقه Strijp-S در طول DDW بودند. در نهایت می توان گفت که اگرچه S4 AOI جذابی نبود، اما بازدید مستقیم از گره های مهم و جالب (مرکزیت بردار ویژه بالا) داشت. بنابراین، می توان آن را به عنوان یک AOI مهم در منطقه Strijp-S در نظر گرفت.

3.2. نتایج برای تعیین‌کننده‌های انتخاب‌های مقصد درون رویدادی (AOI).

پس از تعیین AOI ها، تأثیر ویژگی های بازدیدکنندگان و ویژگی های خاص AOI در انتخاب بازدیدکنندگان از AOI مورد بررسی قرار گرفت. C1 (ایستگاه مرکزی) از تجزیه و تحلیل حذف شد زیرا مبدأ سفر بود و مقصد درون رویدادی نبود. داده ها و نتایج را می توان در جدول A1 در پیوست A مشاهده کرد .
بر اساس نتایج، سن بازدیدکنندگان در سطح معنی‌داری 10 درصد نتیجه معناداری را نشان می‌دهد (X2 ( NDF = 15، n = 1120) = chi-square 23.350، p = 0.077)، به این معنی که بین انتخاب تفاوت معنی‌داری وجود داشت. AOI برای گروه های سنی مختلف نتایج نشان می دهد که C7، C9 و S4 بیشتر توسط بازدیدکنندگان زیر 30 سال ترجیح داده می شود، در حالی که S5 توسط بازدیدکنندگان بالای 30 سال ترجیح داده می شود. این ممکن است به محتوای نمایشگاه در این AOI و همچنین فضای منطقه مربوط به خدمات اطراف مربوط باشد. علاوه بر این، بین مدت زمان مورد نظر بازدید از رویداد و انتخاب AOI در سطح 10% ارتباط معنی‌داری وجود دارد (X2 ( NDF = 15, n= 1120) = مربع کای 22.606، p = 0.093). افرادی که قصد داشتند بیش از 5 ساعت از این رویداد بازدید کنند، ترجیح دادند بیشتر C7 و C9 را در بازدیدهای خود قرار دهند. از نظر فاصله، AOI های C7 و C9 نسبتا دورتر از مرکز شهر و مبدا بازدید (C1) هستند. بنابراین، می توان گفت که بازدیدکنندگانی که زمان بیشتری برای بازدید از DDW داشتند، ترجیح می دادند مکان های بیشتری را در برنامه سفر خود لحاظ کنند.
از نظر ویژگی‌های خاص AOI، زمان رسیدن به هر AOI ارتباط معنی‌داری با انتخاب AOI نشان می‌دهد (X 2 (NDF = 15، n = 1120) = chi-square 39.178، p = 0.001). نتایج حاکی از آن است که اکثر بازدیدکنندگان ترجیح می‌دهند قبل از ساعت 13 از AOIهای منطقه مرکزی بازدید کنند. علاوه بر این، مدت زمان در AOI با انتخاب AOI رابطه معناداری دارد (X 2 (NDF = 15، n = 1120) = chi-square 184.092، p< 0.001). به خصوص در C2، C7، S3 و S5، بیشتر بازدیدکنندگان تمایل داشتند بیش از 45 دقیقه وقت بگذارند. این AOI شامل چندین نمایشگاه بود که در فضاهای بزرگ به نمایش درآمدند. این ممکن است باعث شده باشد که زمان بیشتری در این AOI صرف شود. در نهایت، مشخص شد که وقوع باران در زمان رسیدن به AOI رابطه معنی‌داری با انتخاب AOI در سطح 10% نشان می‌دهد (X2 ( NDF = 15، n = 1120) = chi-square 22.604، p = 0.093). . هنگامی که باران وجود داشت، C2، S2، S3 و S4 ترجیح داده شده ترین AOI بودند. این ممکن است به این دلیل باشد که C2 شامل چندین نمایشگاه در یک فضای بزرگ و بسته بود. S2، S3 و S4 از این نظر مشابه بودند و علاوه بر این، این AOI ها حاوی چندین سرویس خوردن و نوشیدن مانند کافه ها و رستوران ها هستند.
این نتایج نشان می‌دهد که انتخاب‌های مقصد درون رویدادی (AOI) بازدیدکنندگان DDW به سن بازدیدکنندگان، مدت زمان مورد نظر آنها برای بازدید و ویژگی‌های خاص AOI، یعنی زمان رسیدن به AOI، مدت زمان در AOI و وقوع باران در زمان رسیدن به AOI مشخص شد که ارتباط بین انتخاب AOI و ویژگی‌های خاص AOI، به ویژه برای جنبه‌های زمانی بسیار معنی‌دار بود. دلیل این انتخاب ها را می توان با ویژگی های نمایشگاه های این AOI ها و همچنین ویژگی های فضایی این AOI ها از نظر خدمات ارائه شده و نوع و اندازه ساختمان های نمایشگاه توضیح داد.

خوشه‌بندی انتخاب‌های مقصد درون رویدادی (AOI).

به منظور درک اینکه آیا در بین بازدیدکنندگان DDW بر اساس انتخاب های AOI آنها خوشه هایی وجود دارد یا خیر، تجزیه و تحلیل خوشه K-means انجام شد. تعداد خوشه ها پس از چندین آزمایش تصمیم گرفته شد که دو عدد باشد. برای دو خوشه، همگرایی در تکرار 8 به دست آمد. دو خوشه AOI در شکل 5 و توزیع فضایی آنها در شکل 6 a,b قابل مشاهده است. خوشه 1 شامل 115 بازدید کننده، خوشه 2 شامل 166 بازدید کننده است. یک آزمون تحلیل واریانس (ANOVA) به منظور بررسی تفاوت بین خوشه ها انجام شد (به پیوست A ، جدول A2 مراجعه کنید.). بر اساس این آزمون، انتخاب بازدیدکنندگان برای بازدید از C4، C7، C8، C9، C11، C12 بین خوشه‌ها تفاوت معنی‌داری نداشت (در سطح معنی‌داری 10%). همانطور که در شکل 5 مشاهده می شود ، خوشه 1 شامل بازدیدکنندگانی است که عمدتاً از AOIها در ناحیه Strijp-S بازدید کرده اند و همچنین از برخی از AOIها در ناحیه مرکزی، عمدتاً C2، بازدید کرده اند. خوشه 2 متشکل از بازدیدکنندگانی است که از AOI ها عمدتاً در منطقه مرکزی بازدید کرده اند و به ندرت بازدید خود را با منطقه Strijp-s ترکیب می کنند.
جدول 4 نتایج تحلیل کای دو بین خوشه های تعیین شده و ویژگی های بازدیدکننده را نشان می دهد. بر اساس آزمون کای اسکوئر پیرسون، تفاوت معنی داری بین خوشه ها از نظر زمان ورود بازدیدکنندگان به رویداد DDW وجود دارد. نتایج نشان می دهد که اکثر بازدیدکنندگانی که در خوشه 1 هستند ترجیح می دهند فعالیت رویداد را زودتر شروع کنند (قبل از ساعت 11 صبح). این امکان وجود دارد که بازدیدکنندگان قبل از شروع رویداد محدودیت زمانی برای بازدید خود در نظر گرفته باشند تا بازدید آنها هر دو منطقه را پوشش دهد. همچنین این امکان وجود دارد که بازدیدکنندگانی که زودتر به آنجا می‌رسند تصمیم به بازدید از هر دو مکان با توجه به سازمان فضایی رویداد داشته باشند. بازدیدکنندگانی که در خوشه 2 هستند (که عمدتاً از منطقه مرکزی بازدید می کنند) ترجیح زیادی برای زمان رسیدن به DDW نشان ندادند.
دوره-آموزش-حرفه-ای-gis

4. بحث و نتیجه گیری

تحقیقات در مورد جریان بازدیدکنندگان در طول رویدادهای بزرگ هنوز محدود است اما برای برنامه ریزی و مدیریت رویداد، توسعه حمل و نقل و مدیریت تأثیر بسیار مهم است. این مطالعه از نظر جمع‌آوری داده‌های آن با ثبت‌کننده‌های GPS و یک نظرسنجی، و تجزیه و تحلیل داده‌ها برای درک جریان بازدیدکنندگان و انتخاب‌های مقصد درون رویدادی بازدیدکنندگان، به معدود مطالعات موجود در مورد رویدادهای مقیاس بزرگ کمک می‌کند.
اگرچه شهر سه منطقه را برای DDW اختصاص داده است، تنها دو مورد از آنها (مرکزی و Strijp-S) به اندازه کافی مورد بازدید قرار گرفتند که دارای AOI در نظر گرفته شوند. نتایج نشان می‌دهد که بازدیدکنندگان DDW AOI را در منطقه مرکزی و منطقه Strijp-S (غرب) ترجیح می‌دهند تا در ناحیه شرقی شهر. منطقه شرق یک منطقه جدید «طراحی جایگزین» از شهر است. از آنجایی که مفهوم طراحی این منطقه جدید است، در مقایسه با مناطق مرکز و Strijp-S برای بازدیدکنندگان DDW کمتر شناخته شده بود. علاوه بر این، جذاب ترین AOI ها، که C2 و C3 هستند، در منطقه بسیار مرکزی و شلوغ شهر، نزدیک به یکدیگر، به ایستگاه مرکزی قطار و سایر فعالیت ها و خدمات مانند فروشگاه ها، کافه ها و بارها هستند. همین امر در مورد جذاب ترین AOI های ناحیه Strijp-S که S1، S2 و S3 هستند، صدق می کند. علاوه بر این، مشخص شده است که منطقه مرکزی و منطقه Strijp-S به یکدیگر متصل هستند، به ویژه توسط جریان بازدیدکنندگان بین C1 تا S1. این نتایج نشان می‌دهد که نقاط جذاب شهر مجدداً مهم‌ترین نقاط در طول رویداد DDW بودند. علاوه بر این، عامل فروپاشی فاصله ممکن است بر جریان‌ها به مکان‌های دور در داخل مناطق تأثیر بگذارد. این نیز می تواند دلیلی برای جذابیت محدود منطقه شرق باشد. به منظور توزیع جریان ها به سایر مکان های کمتر بازنمایی شده، محتوای نمایشگاه و مکان آن ها باید در رویدادهای آتی تجدید نظر شود. علاوه بر این، عامل کاهش فاصله را می توان با تقویت ارائه انواع گزینه های حرکتی (به عنوان مثال، اتوبوس ها و دوچرخه های مرتبط با رویداد) در بسیاری از AOI ها حذف کرد. عدم پراکندگی فضایی بازدیدکنندگان ممکن است به دلیل نیاز به یک سیستم راه یاب واضح تر از نظر نقشه ها، جاده ها و علائم حمل و نقل باشد. بهبود در این جنبه ها می تواند از بازدیدکنندگان کمک کند تا راه خود را بیابند و مکان های مختلف شهر را در طول رویداد DDW کشف کنند. برای این منظور، مدیران شهری باید خدمات ناوبری فعلی را در محل ارزیابی کنند.
انتخاب های مقصد درون رویدادی (AOI) عمدتاً تحت تأثیر سن بازدیدکنندگان، مدت زمان بازدید از DDW مورد نظر بازدیدکنندگان، زمان رسیدن به AOI، مدت زمان در AOI و وقوع باران در زمان ورود به AOI قرار داشت. سن بازدیدکنندگان ممکن است بر اساس محتوای نمایشگاه در AOI ها و مکان و فضای AOI ها اختلاف سلیقه ایجاد کرده باشد. علاوه بر این، انتخاب‌های AOI بازدیدکنندگان با محدودیت‌های زمانی مرتبط بود. محدودیت‌های مربوط به زمان (مانند زمان شروع رویداد) نیز بر انتخاب مناطق نمایشگاه تأثیرگذار بود. به منظور به حداکثر رساندن بازه زمانی بازدیدکنندگان و هدایت بازدیدکنندگان در مناطق مختلف بر اساس سلیقه بازدیدکنندگان، می توان سفرهای موضوعی با مدت زمان معین را سازماندهی کرد.
این مطالعه ثابت می‌کند که داده‌های GPS همراه با یک نظرسنجی یک رویکرد معتبر برای مطالعات آینده در مورد جریان بازدیدکنندگان در رویدادهای بزرگ است. با این حال، فرآیند جمع‌آوری داده‌ها یک محدودیت برای استخدام تعداد بیشتری از پاسخ‌دهندگان است، زیرا مردم باید در دفتر فروش بلیط توقف کنند تا به سؤالات نظرسنجی پاسخ دهند و در مورد ثبت‌کننده‌های GPS آموزش ببینند. علاوه بر این، توزیع و جمع‌آوری ثبت‌کننده‌های GPS در یک مکان خاص یکی دیگر از محدودیت‌های این مطالعه است زیرا بازدیدکنندگانی که رویداد را با بازدید از مکان دیگری شروع می‌کنند ممکن است از AOI‌های مختلف بازدید کنند. بنابراین، این رویکرد را می توان در مطالعات آتی با توسعه یک برنامه کاربردی اختصاصی برای گوشی های هوشمند کاربرپسند بیشتر کرد. این برنامه همچنین می تواند سوالاتی در مورد انتخاب بازدیدکنندگان برای AOI ها را در خود جای دهد. یکی دیگر از محدودیت‌های مطالعه این بود که اگر بیش از 25 بازدیدکننده از آن بازدید می‌کردند، مکانی را AOI در نظر گرفتیم. دلیل آن انجام تجزیه و تحلیل دو متغیره با تعداد کافی نمونه از بازدیدکنندگان بود. با این حال، این ممکن است باعث سوگیری برای نمایش شبکه شود زیرا ممکن است مکان های دیگری بازدید شده و در ماتریس مقصد مبدا گنجانده شده باشد. همچنین تعجب آور بود که ویژگی های بازدیدکننده (به جز سن و مدت زمان مورد نظر برای بازدید) قابل توجه نبود. این ممکن است به این دلیل باشد که ویژگی های بررسی شده متمایز نبوده یا به این دلیل است که نمونه ما همگن بود. این موضوع باید در مطالعه آینده بیشتر مورد بررسی قرار گیرد. این ممکن است باعث سوگیری برای نمایش شبکه شده باشد زیرا ممکن است مکان های دیگری بازدید شده و در ماتریس مقصد مبدا گنجانده شده باشد. همچنین تعجب آور بود که ویژگی های بازدیدکننده (به جز سن و مدت زمان مورد نظر برای بازدید) قابل توجه نبود. این ممکن است به این دلیل باشد که ویژگی های بررسی شده متمایز نبوده یا به این دلیل است که نمونه ما همگن بود. این موضوع باید در مطالعه آینده بیشتر مورد بررسی قرار گیرد. این ممکن است باعث سوگیری برای نمایش شبکه شده باشد زیرا ممکن است مکان های دیگری بازدید شده و در ماتریس مقصد مبدا گنجانده شده باشد. همچنین تعجب آور بود که ویژگی های بازدیدکننده (به جز سن و مدت زمان مورد نظر برای بازدید) قابل توجه نبود. این ممکن است به این دلیل باشد که ویژگی های بررسی شده متمایز نبوده یا به این دلیل است که نمونه ما همگن بود. این موضوع باید در مطالعه آینده بیشتر مورد بررسی قرار گیرد.
به طور کلی، این مطالعه بینش های مفیدی را برای مدیران رویداد و برنامه ریزان شهری برای رویدادهای سازماندهی بهتر ارائه کرد. این نشان می‌دهد که درک جریان بازدیدکنندگان در رویدادهای بزرگ می‌تواند نشان دهد که چه مقدار از فضا توسط پروفایل‌های بازدیدکننده مختلف مصرف می‌شود و بنابراین میزان جذب مکان‌های مختلف در شهر را نشان می‌دهد. با پیشنهادات ارائه شده در این تحقیق، رویدادهای بزرگی مانند DDW می تواند پتانسیل نمایشگاه ها را برای بازدیدکنندگان بیشتر و تکراری افزایش دهد. همچنین به برنامه ریزی رویداد بیشتر برای گروه های هدف مختلف کمک خواهد کرد. در آینده، این رویکرد می‌تواند برای سناریوهای مدل‌سازی برای پیش‌بینی نتایج مداخلات رویدادهای مختلف برای رویدادهای سازمان‌یافته و پایدار بیشتر گسترش یابد.

پیوست اول

Ijgi 09 00661 g0a1 550
شکل A1. ( الف ) مسیر GPS یک بازدیدکننده؛ ( ب ) خروجی Annotator ردیابی از مسیر GPS یک بازدیدکننده
جدول
جدول A1. نتایج آزمون کای دو بین AOI و متغیرهای ویژه بازدیدکننده و AOI خاص.
جدول
جدول A2. تجزیه و تحلیل ANOVA مراکز خوشه نهایی.

منابع

  1. Getz, D. رویدادها مطالعات. در نظریه، تحقیق و سیاست برای رویدادهای برنامه ریزی شده ؛ Elsevier Butterworth-Heinemann: آمستردام، هلند، 2007. [ Google Scholar ]
  2. دین، جی. بورگرز، آ. فنگ، تی. تجربیات فوری ذهنی در طول رویدادهای فرهنگی در مقیاس بزرگ در شهرها: یک آزمایش برچسب گذاری جغرافیایی. پایداری 2019 ، 11 ، 5698. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  3. ورسیکله، ام. نویتنز، تی. دلافونتین، ام. Van de Weghe، N. استفاده از بلوتوث برای تجزیه و تحلیل دینامیک فضایی و زمانی حرکت انسان در رویدادهای جمعی: مطالعه موردی جشن های گنت. Appl. Geogr. 2012 ، 32 ، 208-220. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. لو، آ. مک کرچر، بی. مدل سازی جنبش های توریستی: تحلیل مقصد محلی. ان تور. Res. 2006 ، 33 ، 403-423. [ Google Scholar ] [ CrossRef ]
  5. شوال، ن. کوان، ام.-پی. Reinau، KH; هاردر، اچ. پسر کفاش همیشه پابرهنه می رود: پیاده سازی GPS و سایر فناوری های ردیابی برای تحقیقات جغرافیایی. Geoforum 2014 ، 51 ، 1-5. [ Google Scholar ] [ CrossRef ]
  6. شوال، ن. آحاس، ر. استفاده از فناوری های ردیابی در تحقیقات گردشگری: دهه اول. تور. Geogr. 2016 ، 18 ، 587-606. [ Google Scholar ] [ CrossRef ]
  7. شوال، ن. مک کرچر، بی. نگ، ای. Birenboim، A. موقعیت هتل و فعالیت توریستی در شهرها. ان تور. Res. 2011 ، 38 ، 1594-1612. [ Google Scholar ] [ CrossRef ]
  8. مک کرچر، بی. شوال، ن. نگ، ای. Birenboim، A. اولین و تکرار رفتار بازدیدکننده: ردیابی GPS و تجزیه و تحلیل GIS در هنگ کنگ. تور. Geogr. 2012 ، 14 ، 147-161. [ Google Scholar ] [ CrossRef ]
  9. دی کانتیس، اس. فرانته، ام. کاهانی، ع. Shoval، N. رفتار مسافران کروز در مقصد: بررسی با استفاده از فناوری GPS. تور. مدیریت 2016 ، 52 ، 133-150. [ Google Scholar ] [ CrossRef ]
  10. آرانبورو، آی. پلازا، بی. استبان، م. گردشگری فرهنگی پایدار در مقاصد شهری: آیا فضا اهمیت دارد؟ Sustainability 2016 , 8 , 699. [ Google Scholar ] [ CrossRef ][ Green Version ]
  11. سوگیموتو، ک. اوتا، ک. سوزوکی، S. تحرک بازدیدکنندگان و ساختار فضایی در یک مقصد گردشگری شهری محلی: ردیابی GPS و تجزیه و تحلیل شبکه. پایداری 2019 ، 11 ، 919. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. بیرنبویم، ا. آنتون کلاو، اس. روسو، AP؛ شوال، ن. الگوهای فعالیت زمانی بازدیدکنندگان پارک موضوعی. تور. Geogr. 2013 ، 15 ، 601-619. [ Google Scholar ] [ CrossRef ]
  13. بیرنبویم، ا. Reinau، KH; شوال، ن. هاردر، اچ. اندازه‌گیری و تحلیل با وضوح بالا تجربیات بازدیدکنندگان در زمان و مکان: مورد باغ‌وحش آلبورگ در دانمارک. پروفسور Geogr. 2015 ، 67 ، 620-629. [ Google Scholar ] [ CrossRef ]
  14. شرق، دی. آزبورن، پی. کمپ، اس. Woodfine, T. ترکیب GPS و داده‌های نظرسنجی درک رفتار بازدیدکنندگان را بهبود می‌بخشد. تور. مدیریت 2017 ، 61 ، 307-320. [ Google Scholar ]
  15. پترسون، آر. گتز، دی. تجربیات رویداد در زمان و مکان: مطالعه بازدیدکنندگان از مسابقات جهانی اسکی آلپاین 2007 در Åre، سوئد. Scand. جی. هاسپ. تور. 2009 ، 9 ، 308-326. [ Google Scholar ] [ CrossRef ]
  16. پترسون، آر. Zillinger، M. زمان و فضا در رفتار رویداد: ردیابی بازدیدکنندگان توسط GPS. تور. Geogr. 2011 ، 13 ، 1-20. [ Google Scholar ] [ CrossRef ]
  17. زاکریسون، آی. زیلینگر، ام. احساسات در حرکت: تجارب گردشگران در زمان و مکان. Curr. تور مسائل. 2012 ، 15 ، 505-523. [ Google Scholar ] [ CrossRef ]
  18. نیلبه، ک. آحاس، ر. سیلم، اس. ارزیابی فاصله سفر بازدیدکنندگان رویدادها و بازدیدکنندگان منظم با استفاده از داده های موقعیت یابی موبایل: مورد استونی. J. فناوری شهری. 2014 ، 21 ، 91-107. [ Google Scholar ] [ CrossRef ]
  19. گونگ، وی ایکس؛ دامن، دبلیو. بوزون، آ. هوگندورن، SP توصیف جمعیت برای مدیریت جمعیت با استفاده از داده های رسانه های اجتماعی در رویدادهای شهر. رفتار سفر. Soc. 2020 ، 20 ، 192-212. [ Google Scholar ] [ CrossRef ]
  20. تیگلند، جی. تأثیرات رویدادهای بزرگ بر گردشگری: مورد بازی‌های المپیک زمستانی . موسسه تحقیقاتی نروژ غربی: Sogndal، نروژ، 1996. [ Google Scholar ]
  21. Bohlin, M. سفر به رویدادها. در ارزیابی رویدادها: تجربیات اسکاندیناوی ; Mossberg, LL, Ed. Cognizant Communication Corporation: نیویورک، نیویورک، ایالات متحده آمریکا؛ سیدنی، استرالیا؛ توکیو، ژاپن، 2000; صص 13-29. [ Google Scholar ]
  22. لین، ND؛ آیزنمن، اس بی. موصلی، م. میلوزو، ای. کمپبل، AT سیستم های سنجش شهری: فرصت طلبانه یا مشارکتی؟ در مجموعه مقالات نهمین کارگاه آموزشی سیستم‌ها و برنامه‌های محاسباتی سیار، دره ناپا، کالیفرنیا، ایالات متحده آمریکا، 25 فوریه 2008. صص 11-16. [ Google Scholar ]
  23. هفته طراحی هلندی آیندهوون، هفته طراحی هلندی 2017 جهان را گسترش داد. موجود به صورت آنلاین: https://www.ddw.nl/en/press/press-archive/146/dutch-design-week-2017-stretched-the-world (در 22 فوریه 2019 قابل دسترسی است).
  24. فنگ، تی. Timmermans، تشخیص حالت حمل و نقل HJP با استفاده از GPS و داده های شتاب سنج. ترانسپ Res. قسمت C 2013 ، 37 ، 118-130. [ Google Scholar ] [ CrossRef ]
  25. فنگ، تی. Timmermans، HJP Map تطبیق داده های GPS با شبکه های اعتقاد بیزی. JE Asia Soc. ترانسپ گل میخ. 2013 ، 10 ، 100-112. [ Google Scholar ]
  26. فنگ، تی. Timmermans، HJP تشخیص نوع فعالیت از ردیابی GPS با استفاده از اطلاعات مکانی و زمانی. یورو J. Transp. Infrast. 2015 ، 15 ، 662-674. [ Google Scholar ]
  27. فنگ، تی. Timmermans، HJP استخراج یادداشت های فعالیت سفر از داده های GPS: به سوی یکپارچه سازی نیمه خودکار. Procedia Environ. علمی 2014 ، 22 ، 178-185. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. دین، جی. فنگ، تی. لوب، اف. Arentze، T. تصمیمات انتخاب مسیر کاربران دوچرخه الکترونیکی: تجزیه و تحلیل داده های ردیابی GPS در هلند. در فن آوری های زمین فضایی برای توسعه محلی و منطقه ای ; Kyriakidis, P., Hadjimitsis, D., Skarlatos, D., Mansourian, A., Eds. AGILE 2019; یادداشت های سخنرانی در اطلاعات جغرافیایی و نقشه برداری. Springer: Cham, Switzerland, 2020. [ Google Scholar ] [ CrossRef ]
  29. لومان، ام. Hübner, A. رفتار توریستی و آب و هوا: درک نقش ترجیحات، انتظارات و سازگاری در محل. تور موندس 2013 ، 8 ، 44–59. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. مک کرچر، بی. شوال، ن. پارک، ای. کاهانی، ع. تأثیر [محدود] آب و هوا بر رفتار گردشگران در یک مقصد شهری. J. Travel Res. 2015 ، 54 ، 442-455. [ Google Scholar ] [ CrossRef ]
  31. Shih، HY ویژگی های شبکه مقاصد گردشگری محرک: کاربرد تحلیل شبکه در گردشگری. تور مناگ. 2006 ، 27 ، 1029-1039. [ Google Scholar ] [ CrossRef ]
  32. واسرمن، اس. فاوست، ک. تجزیه و تحلیل شبکه های اجتماعی: روش ها و کاربرد . انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 1994. [ Google Scholar ]
  33. فریمن، LC مرکزیت در شبکه اجتماعی: I. شفاف سازی مفهومی. Soc. شبکه 1979 ، 1 ، 215-239. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. فریمن، ال سی دروازه بان، وابستگی به جفت، و مرکزیت ساختاری. کیفیت مقدار. 1980 ، 14 ، 585-592. [ Google Scholar ] [ CrossRef ]
  35. Scott, J. Social Network Analysis: A Handbook ; انتشارات سیج: لندن، بریتانیا، 2000. [ Google Scholar ]
  36. دژن، ا. Forse, M. معرفی شبکه های اجتماعی ; انتشارات سیج: لندن، بریتانیا، 1999. [ Google Scholar ]
  37. هانسن، دی. اشنایدرمن، بی. اسمیت، MA; Himelboim، I. تجزیه و تحلیل شبکه های رسانه های اجتماعی با NodeXL: بینش هایی از یک جهان متصل ، ویرایش دوم. انتشارات مورگان کافمن: بوستون، MA، ایالات متحده آمریکا، 2020. [ Google Scholar ]
  38. Ruhnau، B. مرکزیت بردار ویژه یک مرکزیت گره؟ Soc. شبکه 2000 ، 22 ، 357-365. [ Google Scholar ] [ CrossRef ]
  39. نا، س. شومین، ال. یونگ، جی. تحقیق در مورد الگوریتم خوشه بندی k-means: یک الگوریتم خوشه بندی k-means بهبود یافته. در مجموعه مقالات سومین سمپوزیوم بین المللی فناوری اطلاعات هوشمند و انفورماتیک امنیتی، جینگگانشان، چین، 2 آوریل 2010; صص 63-67. [ Google Scholar ] [ CrossRef ]
  40. فرانتی، پ. Sieranoja، S. چقدر می توان k-means را با استفاده از مقداردهی اولیه و تکرار بهتر بهبود بخشید؟ تشخیص الگو 2019 ، 93 ، 95-112. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00661 g001 550
شکل 1. محل نمایشگاه ها و مناطق [ 2 ].
Ijgi 09 00661 g002 550
شکل 2. توزیع سیاهههای مربوط به GPS در شش ضلعی های 100 متری و مکان نمایشگاه های DDW.
Ijgi 09 00661 g003 550
شکل 3. میانگین مدت بازدیدکنندگان در هر AOI بر حسب دقیقه. توجه: اندازه AOI با تعداد بازدیدها متناسب است (هرچه یک AOI بزرگتر باشد، تعداد دفعات آن بیشتر است).
Ijgi 09 00661 g004 550
شکل 4. شبکه هدایت شده از جریان بازدیدکنندگان.
Ijgi 09 00661 g005 550
شکل 5. توزیع بازدیدهای AOI در هر خوشه.
Ijgi 09 00661 g006 550
شکل 6. توزیع فضایی بازدیدهای AOI در هر خوشه: ( الف ) خوشه 1، ( ب ) خوشه 2.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید