سیستم اطلاعات جغرافیایی (GIS)و پایش مخاطرات زیست‌محیطی تحت تغییرات آب و هوا: بررسی گسترده

داده های تلفن همراه غیرفعال برای مطالعه و پایش گردشگری با استفاده از GIS

چکیده 

این مقاله از داده های تلفن همراه غیرفعال برای تجزیه و تحلیل تحرکات پیچیده ای که در یک منطقه ساحلی با الگوهای فصلی فعالیت گردشگری رخ می دهد، استفاده می کند. حجم زیادی از داده های تولید شده توسط کاربران تلفن همراه انتخاب و پردازش شده است تا متعاقباً اطلاعات را در قالب تجسم هایی که برای تحقیق، سیاست و عمل حمل و نقل و گردشگری مفید است نمایش دهد. به طور خاص، تجزیه و تحلیل شامل چهار مرحله بود: (1) یک مجموعه داده حاوی سوابق برای چهار روز – دو مورد در روزهای تابستان و دو در زمستان – انتخاب شد، (2) اینها به صورت مکانی، زمانی و سفرهای متمایز توسط ساکنان محلی جمع‌آوری شدند. گردشگران ملی و گردشگران بین المللی، (3) ماتریس مبدا-مقصد ساخته شد، و (4) تجسم‌های مبتنی بر نمودار برای ارائه شواهدی در مورد ماهیت تحرک‌های مؤثر بر منطقه مورد مطالعه ایجاد شد. نتایج کار ما شواهد جدیدی از چگونگی تجزیه و تحلیل داده‌های غیرفعال تلفن همراه برای مطالعه اثرات فصلی گردشگری در الگوهای تحرک محلی ارائه می‌کند.
کلمات کلیدی: داده های غیرفعال تلفن همراه تحرکات گردشگری ; فصلی بودن گردشگری ; تحرکات شهری ; تجسم داده ها

1. مقدمه 

ادبیات رو به رشدی در مورد کاربردهای متعدد داده های بزرگ برای مطالعات گردشگری وجود دارد [ 1 ]. مطالعات در مقیاس های مختلف را می توان متمایز کرد، از مطالعاتی که به مطالعه گردشگران به صورت جداگانه اشاره می کند تا سایر مطالعاتی که مقاصد گردشگری را به عنوان یک کل تجزیه و تحلیل می کنند [ 2 ، 3 ]. بدیهی است که هر نوع مطالعه به داده هایی با ویژگی های متفاوت نیاز دارد. به عنوان مثال، به منظور مطالعه تجربه گردشگریدر حال حاضر امکان جمع آوری حجم زیادی از اطلاعات “فعال” از تعداد قابل توجهی از گردشگران از طریق بسترهای مختلف وجود دارد که به نظر می رسد مکمل ارزشمندی برای مطالعات مبتنی بر نظرسنجی ها و سایر تکنیک های سنتی است. در حالی که این نوع تجزیه و تحلیل مفید شناخته شده است، سایر منابع داده، مانند سوابق فعالیت برای تراکنش های کارت اعتباری یا داده های جمع آوری شده از اپراتورهای شبکه تلفن همراه (MNO)، دارای نوع دیگری از ارزش هستند، زیرا آنها داده های “غیرفعال” را تقریباً از همه جمع آوری می کنند. گردشگران
داده های تلفن همراه غیرفعال (PMD) به ایجاد مدل های تجربی مکانی-زمانی با وضوح بالا برای تحرک انسان اجازه می دهد [ 4 ]. علاوه بر این، ویژگی‌های این داده‌ها، تمایز جریان بازدیدکنندگان از جمعیت محلی در هر منطقه مورد مطالعه را ممکن می‌سازد. این داده ها تصویر جامع تری از تحرک گردشگران نسبت به نظرسنجی های فردی سنتی یا ردیابی GPS ارائه می دهند. به این دلایل، PMD به طور فزاینده ای برای تجزیه و تحلیل الگوهای تحرک گردشگران و رفتار فضایی آنها در یک مقصد مورد استفاده قرار می گیرد [ 5 ]. محدودیت اصلی این منبع داده، فقدان اطلاعات اجتماعی جمعیت شناختی فردی در مورد مسافران است.
یک پتانسیل کلیدی PMD امکان بازتولید تحلیل ها در مقیاس های زمانی و مکانی مختلف است. در مورد مطالعات گردشگری، امکان اندازه گیری تأثیر رویدادهای خاص بر جریان گردشگران را فراهم می کند. یکی از این احتمالات، بررسی تأثیر فصلی بودن گردشگری بر تحرک کلی در یک شهر یا یک منطقه است. ماهیت فصلی فعالیت گردشگری پیامدهای عمیقی برای مقاصدی دارد که نیاز به برنامه ریزی ارائه خدمات و منابع، مانند حمل و نقل عمومی، هم برای فصل اوج و هم برای فصل کم دارند [ 6 ]. اطلاعات دقیق در مورد تغییرات مکانی و زمانی جریان ها هم برای بخش حمل و نقل و هم برای بخش گردشگری از اهمیت ویژه ای برخوردار است.
با در نظر گرفتن این زمینه، هدف اصلی مقاله ما پیشنهاد و پیاده‌سازی روشی برای اندازه‌گیری فصلی بودن تحرک گردشگری در یک مقصد ساحلی بالغ با استفاده از داده‌های غیرفعال تلفن همراه است. به طور مشخص، اهداف روش شناختی مقاله به شرح زیر است:
  • برای تأیید ارزش بالقوه داده های تلفن همراه برای مطالعه مقیاس های جغرافیایی و زمانی چندگانه رویدادهای فصلی، مانند تحرک گردشگری در شهرها و مناطق.
  • برای پیاده سازی رویکردی که امکان تجسم این تغییرات چندگانه جغرافیایی و زمانی را با استفاده از نمایش های مبتنی بر نمودار فراهم می کند.
علاوه بر این اهداف روش شناختی، هدف مطالعه ما دستیابی به اهداف تحقیقاتی خاص زیر است:
  • برای اندازه‌گیری تأثیر فصلی گردشگری بر پیکربندی مجدد حرکت کلی درون شهری و بین شهری.
  • شناسایی الگوهای حرکتی متمایز گردشگران و افراد محلی.
  • برای بررسی اینکه چگونه شدت های متنوع در فعالیت های گردشگری در مناطق مختلف شهر شامل الگوهای حرکتی و زمان بندی های مختلف می شود.
مطالعه موردی انجام شده در کوستا داورادا (کاتالونیا، اسپانیا) به عنوان نمونه ای معمولی از مقصدی که بر اساس فصلی بودن گردشگری شکل گرفته است، استفاده می شود. به طور خاص، شهرداری سالو، مقصد اصلی در کوستا داورادا، برای تجزیه و تحلیل حرکات بین شهری و درون شهری انتخاب شد. با توجه به دانش نویسندگان، این اولین اثری است که به صراحت به تحلیل فصلی گردشگری با ایجاد تجسم مبدا-مقصد از PMD می پردازد (به بخش 2 برای بررسی ادبیات و بخش 3 مراجعه کنید.برای جزئیات بیشتر در مورد رویکرد روش شناختی). یکی دیگر از ملاحظات در این کار ارائه نتایج یک تجزیه و تحلیل کلان داده است که می تواند توسط تعداد بیشتری از افراد تفسیر شود. برای این منظور، رویکرد ما بر تولید تجسم داده‌های واضح است. این به انتقال اطلاعات به ذینفعان، غنی سازی فرآیندهای تصمیم گیری و ایجاد ارزش بیشتر از داده ها کمک می کند. دومین نکته جدید کار، رویکرد چند مقیاسی اجرا شده است. این نمایش سفرهای انجام شده در داخل شهر مورد مطالعه (داخل شهری) و جریان هایی که در شهرهای اطراف (بین شهری) انجام می شود را ترکیب می کند.
ساختار بقیه این مقاله به شرح زیر است. بخش 2 به تشریح کارهای تحقیقاتی مرتبط با تجزیه و تحلیل تحرک گردشگران با استفاده از PMD می پردازد. بخش 3 مطالعه موردی انتخاب شده را معرفی می کند و روش تعریف شده برای انجام تجزیه و تحلیل PMD را ارائه می دهد. بخش 4 نتایج را با استفاده از دو نوع مختلف تجسم نشان می دهد. مقاله در بخش 5 با بحث و اظهارات پایانی نهایی به اوج خود می رسد.

2. پس زمینه

2.1. داده های تلفن همراه

در طول دو دهه گذشته، تلفن های همراه به نرخ بالایی از نفوذ در جامعه دست یافته اند [ 7]. این حضور فزاینده منجر به این شده است که میلیون‌ها تلفن هر کدام اثر انگشتی را به شکل فهرست خاص خود از رویدادها بر اساس تعامل کاربر، مانند تماس‌ها، سرویس پیام کوتاه (SMS) یا اتصالات 3G/4G تولید کنند. هر رویداد با مکان نزدیکترین برج تلفن همراه مرتبط است و به طور خودکار توسط هر اپراتور شبکه تلفن همراه ذخیره می شود. این فرآیند کاملاً مورد توجه کاربر قرار نمی‌گیرد و معمولاً «داده تلفن همراه غیرفعال» یا سوابق جزئیات تماس (CDR) نامیده می‌شود. مزیت اصلی این نوع داده در مقایسه با سایر روش‌های نظارت بر تحرک انسان، مانند شبکه‌های اجتماعی یا بررسی‌های مستقیم، این است که داده‌های تلفن همراه دارای یک جزء ذاتی مکانی هستند که فقط با تراکم شبکه برج‌های سلولی محدود می‌شود. تجزیه و تحلیل داده‌های تحرک از شبکه‌های اجتماعی و داده‌های تلفن همراه می‌تواند نتایج مشابهی را در برخی از بافت‌های شهری و در انواع خاصی از تجزیه و تحلیل، مانند تجزیه و تحلیل تراکم‌ها یا توزیع زمانی جمعیت به دست آورد. با این حال، مشخص شده است که استفاده از داده های شبکه های اجتماعی می تواند مشکلات جدی ایجاد کند، اگر به جای تحلیل تحرک مکرر، تمرکز بر تحرک کوتاه مدت باشد. 8 ].
داده‌های CDR در طول زمان به‌طور نابرابر نمونه‌برداری می‌شوند، بنابراین گزارش‌ها می‌توانند برای کاربرانی که سطح فعالیت پایین‌تری دارند، بسیار کم باشد. این می‌تواند منجر به تخمین‌های جانبدارانه شود که در سراسر جهان اعمال شوند [ 9 ]. یک راه حل برای این مشکل استفاده از داده سیگنالینگ موبایل (MSD) [ 10 ] است. این نوع داده‌ها می‌توانند نمای دقیق‌تری از ردپای تحرک انسان، به‌ویژه از نظر جنبه زمانی ارائه دهند. MSD به لطف رویدادهای راه‌اندازی شده توسط سیستم‌های مخابراتی (مثلاً تحویل سلول، پیامک یا باز کردن اتصالات داده پراکنده برای انجام برخی از فعالیت‌های پس‌زمینه، از جمله موارد دیگر) امکان جمع‌آوری مداوم فعالیت تلفن همراه را فراهم می‌کند [ 11 ]]. این ویژگی به این معنی است که MSD می تواند جزئیات بیشتری در مورد رفتار کاربران به صورت طولی در زمان اضافه کند و دانه بندی بیشتری نسبت به CDR به دست آورد. جامعه علمی MSD را برای انجام مطالعات تحرک جذاب‌تر می‌داند.
همانند داده‌های CDR، یک مشکل مرتبط با MSD اثر «پینگ پنگ» است که زمانی رخ می‌دهد که نوسانی از یک برج سلولی به برج سلولی دیگر وجود دارد. این اثر با انتقال تلفن کاربر به دکل های تلفن همراه نزدیک به دلیل عملکرد سیستم های مخابراتی یا تعادل بار ایجاد می شود. حرکات نادرست، اغلب به طور مداوم (پرش)، بدون اینکه کاربر حرکت کند، تولید می شود. وو و همکاران [ 12 ] یک راه حل ممکن برای این مشکل پیشنهاد کرد.
همانطور که در بالا ذکر شد، داده های تلفن همراه در سطح برج های سلولی جمع آوری می شوند ( شکل 1در بخش بعدی معرفی خواهد شد). در نتیجه، تراکم برج سلولی تأثیر قابل توجهی بر دقت موقعیت‌یابی دارد. در عین حال، توزیع برج های سلولی در سراسر قلمرو یکسان نیست، که باعث ایجاد تفاوت از نظر دقت بسته به منطقه مورد تجزیه و تحلیل می شود. به عنوان مثال، در مناطق شهری، تراکم دکل های سلولی بسیار بیشتر از مناطق روستایی است و این باعث کاهش قابل توجه دقت در مکان یابی می شود. توزیع این برج ها شبکه ای از سلول ها را مشخص می کند و از این سلول ها برای محاسبه فعالیت درون آنها استفاده می شود. فعالیت با هویت منحصر به فرد هر تلفن همراه شناسایی شده توسط برج سلولی متعلق به سلول ثبت می شود. به عنوان مثال، در طول روز، کاربران فعالیت خود را به برج سلولی مرتبط با محل کارشان مرتبط می‌کنند، و در شب،

2.2. مطالعات تحرک گردشگری بر اساس داده های تلفن همراه

اگرچه استفاده و تجزیه و تحلیل این نوع داده ها هنوز نسبتاً جدید است و هزینه اقتصادی بالایی را برای به دست آوردن این داده ها در بر دارد [ 13 ]، آنها در تعداد زیادی از مطالعات تحرک استفاده شده اند [ 14 ]. لازم به ذکر است که جدای از مطالعات گردشگری، تلاش هایی برای استفاده از PMD برای بررسی سایر مسائل جغرافیایی از جمله تفاوت های نسلی در تحرک فضایی [ 15 ]، مهاجرت داخلی [ 16 ]، برآورد نرخ سواد [ 17 ]، انجام شده است. اندازه گیری تفکیک قومی [ 18 ، 19]، نقشه برداری تغییرات در محل سکونت [ 20 ]، ردیابی جابجایی جمعیت پس از بلایا [ 21 ]، یا اخیراً، چگونه می توان از PMD برای اطلاع رسانی جنبه های مختلف پاسخ COVID-19 استفاده کرد [ 22 ].
به طور خاص، مطالعاتی نیز وجود دارد که از PMD برای تحقیق در مورد تحرک گردشگران استفاده می‌کنند. یکی از مطالعات پیشگام در این زمینه توسط Ahas و همکاران ارائه شده است. [ 23 ]. در آن کار، نویسندگان الگوهای اصلی حرکت فصلی گردشگران در سطح منطقه‌ای در استونی را تحلیل کردند. نتایج یک فصلی قوی در مناطق ساحلی در طول تابستان و مناطق داخلی در طول فصل زمستان به همراه داشت. در مرجع [ 24 ]، همان نویسندگان «اولین تماس» را که توسط گردشگران در استونی برای شناسایی نقطه اصلی ورود به این کشور انجام می‌شد، تجزیه و تحلیل کردند، و این امر آنها را قادر می‌سازد تا مقداری واگرایی بین الگوهای گردشگران لتونی و روسی را تشخیص دهند.
راون و همکاران [ 25 ] مجموعه داده سه ساله بازدیدکنندگان خارجی در استونی را تجزیه و تحلیل کرد. آنها بر پنج بعد (مکانی، زمانی، ترکیبی، اجتماعی و پویا) تمرکز کردند و تحرکات بین مقصدی و درون مقصدی را در سطح ملی تحلیل کردند. نتایج نشان داد که مناطق کوچکتر مقصد را می توان در داخل کل کشور با پارامترهای جغرافیایی، زمانی و ترکیبی بازدیدها متمایز کرد. در یک کار جدیدتر [ 26]، همان نویسندگان با استفاده از موقعیت یابی غیرفعال موبایل و داده های GPS در استونی و اسرائیل، تأثیر دروازه های مهم را بر جریان های گردشگری ملی نشان دادند. در هر دو مورد، بیشتر گردشگران وقت خود را صرف بازدید از مناطق نزدیک به دروازه کردند و کاهش چشمگیری در بازدید از مناطقی که فاصله ای با محل دروازه داشتند، مشاهده شد.
در مرجع [ 27 ]، داده های تلفن همراه برای تکمیل و اعتبارسنجی نظرسنجی های سنتی چهره به چهره در مورد گردشگری انجام شده در عربستان سعودی استفاده شد. نتایج، مقاصد محبوب برای گردشگران داخلی و چگونگی استقبال شهرهای نزدیک از بازدیدکنندگان از محبوب‌ترین مقاصد را مشخص کرد.
چن و همکاران [ 28 ] از PMD برای پیش‌بینی الگوهای رفتار سفر گردشگران استفاده کرد. با استفاده از داده‌های تلفن همراه یک ماهه از آندورا، نویسندگان الگوریتم‌های پیش‌بینی متفاوتی را اعمال کردند و در بهترین حالت، پیش‌بینی اقامت‌های کوتاه‌مدت آینده با نرخ موفقیت 94.8 درصد با استفاده از حافظه بلند مدت کوتاه‌مدت (LSTM) به دست آمد. با همان مجموعه داده، در مرجع [ 29]، همان نویسندگان الگوهای گردشگری اسپانیایی و فرانسوی را در آندورا تحلیل کردند. آنها دریافتند که بسته به کشور محل اقامت (اسپانیا یا فرانسه)، گردشگران بیشتر به شهرهای خاصی در آندورا سفر می کنند. با استفاده از همان مجموعه داده، مطالعه دیگری استراتژی های بازاریابی مختلف در گردشگری را با گنجاندن تجربیات گردشگران و ارزیابی تأثیر رویدادهای توریستی ارزیابی کرد [ 30 ].
در مرجع [ 31 ]، نویسنده یک پلت فرم برای پردازش CDR از کاربران تلفن همراه در هاینان (چین) به منظور شناسایی رفتارهای مختلف توریست ایجاد کرد. مشابه مطالعات قبلی، در مرجع [ 32 ]، نویسندگان چارچوبی برای کشف گروه های توریستی با استفاده از مجموعه داده های مشابه از هاینان طراحی کردند. چن و همکاران [ 33] چارچوب تحلیلی برای کشف الگوهای سفر ارزشمند گردشگران ارائه کرد. آنها یک معماری سه لایه (داده، الگوریتم و لایه کاربردی) تعریف کردند. یک بستر آزمایشی در هاینان (چین) برای اعتبار بخشیدن به چارچوب تعریف شده پیشنهاد شده است. یک مطالعه جدید با استفاده از داده های تلفن همراه (CDR) از پکن نشان داد که روش های تجزیه و تحلیل کلان داده می تواند تعیین کند که جاذبه های گردشگری اصلی کجا هستند و مسیرهای توریستی را در یک شهر ترسیم کنند [ 34 ]. همین کار بیان کرد که داده‌های تلفن‌های همراه می‌توانند اطلاعات بی‌درنگ درباره رفتارهای گردشگران را به‌موقع و مؤثر ارائه دهند.
PMD برای مطالعه جنبه های مختلف سفرهای گردشگری داخلی در فرانسه با استفاده از مجموعه داده های 18 میلیون کاربر در 154 روز متوالی استفاده شده است [ 35 ]. این تحلیل 18380 سفر گردشگری داخلی را در 32 شهر از بزرگترین شهرهای فرانسه استخراج کرد. یک روش طبقه بندی با استفاده از داده های تلفن همراه برای تعیین پروفایل های مختلف مرتبط با گردشگری در ایتالیا تعریف شد [ 36 ]. نویسندگان نشان دادند که تعیین ساکنان و مسافران طولانی مدت با مجموعه داده ای که فقط یک ماه را پوشش می دهد دشوار است. با این حال، مشخصات گردشگران را می توان به راحتی در چنین مدت کوتاهی طبقه بندی کرد، به خصوص در مورد گردشگرانی که به طور مداوم در حال حرکت هستند.

2.3. مشارکت های اصلی این کار

استفاده از PMD برای تجزیه و تحلیل تحرک افراد به خودی خود موضوع جدیدی نیست، اما درست است که این داده ها یک سری محدودیت ها را ارائه می دهند که ممکن است با توجه به هر مطالعه موردی مهم باشند. از این نظر، پیشنهاد برنامه های کاربردی جدید و تعیین مزایا و معایب PMD در هر زمینه مهم است.
اگر مطالعات بررسی شده در این بخش را با اهداف اصلی تحقیق حاضر مقایسه کنیم، می توان مشاهده کرد که برخی از آنها [ 23 ، 24 ، 25 ، 26 ، 33 ] فصلی بودن را در یک زمینه کلی تحلیل کردند. در مورد حرکات بین شهری و درون شهری، فقط مراجع [ 25 ، 26] این نوع جنبش ها را در سطح ملی شامل می شد. کار فعلی این حرکات بین شهری و درون شهری را در مقیاس محلی تعیین می کند، با در نظر گرفتن پیامدهای تحرک ناشی از پیکربندی مجدد فصلی، تفاوت بین تحرک با توجه به مبدا بازدیدکنندگان، و چگونگی تراکم منابع گردشگری در یک منطقه. جریان ها را در محیط اطراف خود شرایط می دهد.
در نهایت، در مورد نحوه تجسم نتایج، اکثر مطالعات از نمودارهای ساده یا نقشه های موضوعی برای توصیف روابط فضایی یا تراکم جمعیت استفاده کرده اند. فقط مراجع [ 34 ، 35 ] تجسم‌های نوآورانه‌تری را اضافه کردند – برخی از آنها مختص PMD هستند – که به نمایش جریان‌های حرکت و توزیع گردشگران به روشی قابل درک‌تر کمک می‌کنند. با این حال، Xu و همکاران. [ 37] پیشنهاد کرد که علم شبکه و خروجی های آن محققان گردشگری را قادر می سازد بینش های بهتری از جریان گردشگر شناسایی کنند. به دنبال این ایده، ما استفاده از تجسم‌های مبتنی بر نمودارهای مختلف را برای تحلیل اثرات فصلی بر تحرک مقصد توریستی پیشنهاد می‌کنیم. این بازنمایی ها باید برای محققان و همچنین برای سهامداران مهم (مثلاً دولت های محلی یا سازمان های گردشگری) قابل خواندن تر باشد.

3. روش شناسی

3.1. مطالعه موردی

با توجه به فرض این مقاله، PMD را می توان با استفاده از تکنیک های کلان داده و تجسم داده ها برای مطالعه الگوهای حرکتی بسیار خاصی که در برخی از مقاصد گردشگری رخ می دهد، تجزیه و تحلیل کرد. در این مورد، ما به بی‌نظمی‌های شدید در تحرک اشاره می‌کنیم که بین فصل‌ها و زمان‌ها اتفاق می‌افتد، اما همچنین به تمرکز فضایی بیشتر بازدیدکنندگان در اطراف خدمات و جاذبه‌های گردشگری اصلی تبدیل می‌شود. برای ارزیابی چنین الگوهایی، ما بر تحرکات گردشگری در سالو تمرکز کردیم ( شکل 2 را ببینید ).
سالو یک شهر نسبتا کوچک در منطقه ساحلی استان تاراگونا (کاتالونیا، اسپانیا) است. بر اساس داده های رسمی برای سال 2019، سالو دارای 27476 نفر جمعیت است. همراه با Cambrils و Vila-seca (به ترتیب 33898 و 22187 سکنه)، Costa Daurada مرکزی، یکی از مقاصد اصلی توریستی در اسپانیا را تشکیل می دهد. سالو، هم از نظر تعداد اتاق های هتل و هم از نظر تعداد بازدیدکنندگان ملی و بین المللی در سال، منطقه اصلی گردشگری در این منطقه است. در طول سال 2018، کامبریلز، سالو و ویلا سکا در مجموع 2.8 میلیون گردشگر را پذیرفتند که 11.9 میلیون گردشگر را در طول شب صرف کردند. این ارقام 51.2 درصد از تعداد کل گردشگران و 59 درصد از تعداد کل اقامت های شبانه در کل کوستا داورادا را تشکیل می دهند. تاراگونا و رئوس، دو شهر اصلی منطقه (134515 و 104373 نفر)
جاذبه اصلی کوستا داورادای مرکزی در گردشگری آفتاب و ساحل آن نهفته است. به جز در مورد Reus، سه شهر دیگر و Tarragona در ساحل هستند و سواحل با کیفیت خوبی دارند. در مورد ویلا-سکا، منطقه اصلی شهری کمی دورتر از ساحل واقع شده است، اما در هسته ثانویه لا پیندا است که فعالیت توریستی عمدتاً در آن متمرکز است. یکی دیگر از منابع مهم گردشگری PortAventura World است، یک پارک موضوعی که در سال 2019 بیش از 5.2 میلیون بازدیدکننده داشته است. لازم به ذکر است که در سال 2019 PortAventura همچنین رکوردی برای بازدید در کمپین های هالووین (بیش از 900000 بازدید) و کریسمس (بیش از 500000) به ثبت رساند. . در نهایت، تاراگونا و رئوس نیز گردشگری شهری، فرهنگی و تفریحی را جذب می‌کنند.
با توجه به شدت حضور بخش گردشگری، سالو را می توان به سه منطقه بسیار متفاوت تقسیم کرد: (1) منطقه PortAventura و استراحتگاه گردشگری مرتبط، (2) منطقه توریستی در کنار ساحل، جایی که هتل ها و بسیاری از محل اقامت، رستوران ها و پیشنهادات اوقات فراغت واقع شده است، و (3) منطقه مسکونی، جایی که این فعالیت ها حضور تقریباً حکایتی دارند.
تحرک گردشگران در این منطقه قبلاً از دیدگاه‌های مختلف با استفاده از سایر منابع داده و با ارائه دیدگاهی کاملاً خاص مورد بررسی قرار گرفته است. مطالعات متعددی وجود دارد که از داده‌های حمل‌ونقل عمومی جمع‌آوری‌شده توسط یک سیستم خودکار جمع‌آوری کرایه برای درک موضوعاتی مانند تأثیر فصلی گردشگری بر شبکه حمل‌ونقل اتوبوسی [ 38 ، 39 ]، برای تعیین پوشش فضایی شبکه‌های حمل‌ونقل عمومی و فضایی آن‌ها استفاده کرده است. وابستگی به موسسات اقامتی گردشگری [ 40 ] و شناسایی گروه هایی از کاربران حمل و نقل عمومی بر اساس الگوهای سفر آنها [ 6 ]]. مطالعه دیگری استفاده از داده‌های حمل‌ونقل عمومی و بررسی‌ها را به منظور تعیین پروفایل‌های توریستی که استفاده از حمل‌ونقل عمومی را بر خودروهای شخصی ترجیح می‌دهند، ترکیب کرد [ 41 ]. مطالعات دیگر با استفاده از ثبت‌کننده‌های GPS برای ردیابی گردشگران سفر دریایی به منظور درک رفتارهای فضایی آن‌ها در شهر تاراگونا، داده‌ها را جمع‌آوری کردند [ 42 ، 43 ]. در تمام این مطالعات، رفتارها و الگوهای تحرک گردشگری وجود داشت که از اهمیت بالایی برخوردار بودند، اما می توانند به سرعت در زمان و مکان تغییر کنند. در چنین بستر ناپایداری، داشتن اطلاعات با کیفیت و توانایی تجزیه و تحلیل آن با چابکی می تواند در بسیاری از شرایط ضروری باشد.

3.2. داده ها

در این کار، ما از PMD استفاده کردیم، که دو نوع رکورد توصیف شده در بخش پس‌زمینه (CDR و MSD) را با هم ترکیب کرد. به این ترتیب، هر رکورد هر بار که با شبکه تعامل داشت، اطلاعات مکانی-زمانی در مورد تلفن ارائه می‌کرد، هم برای رویدادهای فعال از CDR (مثلاً تماس‌ها، پیامک‌ها، اتصالات داده) و هم برای رویدادهای غیرفعال خاصی از MSD (مثلاً تغییرات در منطقه تحت پوشش، به روز رسانی شبکه، از جمله). این داده ها دانه بندی مکانی-زمانی بالایی دارند که معمولاً در مناطق شهری پرجمعیت بیشتر از مناطق پراکنده یا روستایی است. داده‌های ارائه شده توسط برخی اپراتورها همچنین شامل اطلاعات جمعیت‌شناختی مرتبط با کاربران، مانند سن و جنسیت بود، اما ما فقط به سوابق ناشناس و جمع‌آوری‌شده دسترسی داشتیم. تمام رکوردهای داده تلفن همراه ساکنان اسپانیا از شبکه Orange – Orange Espagne SAU، به دست آمده است. که زیرمجموعه اسپانیایی شرکت چندملیتی فرانسوی Orange است – در حالی که داده های خارجی ها از اپراتورهای تلفن همراه در کشورهای مختلف (شرکای Orange) تهیه شده است. پیش پردازش این داده ها باید توسط Nommon Solutions and Technologies انجام شود، که شریک فناوری Orange Espagne است که قرارداد همکاری دارد و به آنها امکان دسترسی مستقیم به داده ها از شبکه Orange را می دهد.
جدول 1 تعداد کاربران نارنجی را در اسپانیا برای گروه های سنی مختلف و درصد کل جمعیتی که آنها نمایندگی می کنند نشان می دهد. ساختار نمونه کاربران نارنجی مشابه ساختار جمعیت در اسپانیا با غلبه آشکار گروه های سنی متوسط ​​و بالا است، بنابراین می توان این نمونه را نمونه خوبی از کل جمعیت دانست. این داده ها را می توان برای مطالعه دو مورد از پروفایل هایی که می خواهیم تجزیه و تحلیل کنیم، ساکنان یک منطقه خاص و سفرهای بازدیدکنندگان ملی به آن منطقه استفاده کرد.
به طور مشابه، تنها نمونه ای از بازدیدکنندگان بین المللی به طور مستقیم در دسترس است. جدول 2 مقایسه بین تعداد کل گردشگران و بازدیدکنندگان اسپانیا در طول نوامبر 2019 و اندازه نمونه موثر گردشگران و بازدیدکنندگان خارجی را نشان می دهد [ 44 ]. این درصدها نیز نمونه مناسبی از تعداد کل بازدیدکنندگان بر اساس کشور مبدا در نظر گرفته می شود.
با توجه به سؤالات پژوهشی پیشنهادی و هزینه‌های ذکر شده برای دسترسی و پردازش این داده‌ها، جابجایی‌های جمعیتی انتخاب‌شده برای منطقه مورد مطالعه، جابجایی‌های جمعیتی بودند که بین شهرداری‌های تاراگونا، رئوس، کامبریلز، سالو و ویلا-سکا با سطح بالاتری اتفاق افتاد. تفکیک برای سالو، که در آن سه منطقه اصلی این مقصد مهم گردشگری (مسکونی، مناطق توریستی، و PortAventura) متمایز شدند. ماتریس های مبدأ-مقصد (OD) در چهار روز نماینده مورد نیاز بودند، که بین تحرک در تابستان و زمستان و اینکه آیا آن یک روز هفته یا آخر هفته بود، تمایز قائل شد. روزهای انتخاب شده برای نشان دادن فعالیت معمول در تابستان، چهارشنبه، 8 اوت 2018، و شنبه، 11 اوت 2018 بود. علاوه بر این، چهارشنبه، 23 ژانویه 2019، و شنبه، 26 ژانویه 2019 روزهای نماینده دوره زمستانی بود. چهار محدوده زمانی مختلف در نظر گرفته شد: صبح زود (06.00-10.59)، ظهر (11.00-15.59)، بعد از ظهر (16.00-21.59)، و شب (22:00-05.59). در نهایت، تشخیص اینکه آیا این حرکات توسط (1) کاربران ساکن در منطقه مورد مطالعه و مجاورت آن (استان تاراگونا؛ ملی و ساکن در منطقه حداقل به مدت حداقل سه هفته)، (2) بازدیدکنندگان ملی (نارنجی) انجام شده اند، مهم بود. مشتریان یا برآوردهای برون یابی)، یا (3) کاربران ساکن خارج از کشور (کاربران رومینگ).
امروزه تعداد رکوردهای PMD تولید شده برای اسپانیا حدود 1.5 میلیارد در روز است. لازم به ذکر است که برای هر مطالعه، کل مجموعه داده باید تجزیه و تحلیل شود، حتی اگر فقط چند شاخص برای گروه خاصی از کاربران محاسبه شود. به عنوان مثال، حداقل 3 هفته رکورد معمولاً برای مشاهده الگوهای طولی و استنباط ویژگی‌ها، مانند محل سکونت یا نوع فعالیت انجام شده (یعنی تجارت یا گردشگری) تجزیه و تحلیل می‌شود. بنابراین می توان گفت که حجم داده های مورد استفاده در مطالعه قبل از فیلتر کردن و انتخاب اطلاعات لازم، حدود 315000 یا 350000 میلیون رکورد می باشد. برای پردازش این حجم از داده ها، Nommon Solutions از سرورهایی از خدمات وب آمازون (AWS) استفاده می کند، که در آن ویژگی ها به نیازهای یک پروژه خاص بستگی دارد. در تحلیل های خود،
Nommon Solutions کیفیت و سودمندی داده های PMD را با پردازش داده های خام برای به دست آوردن یک مجموعه داده غنی شده که برای تجزیه و تحلیل رفتارهای جمعیت مطالعه موردی طراحی شده است تضمین می کند ( شکل 3 را ببینید ). این فرآیند را می توان در مراحل زیر خلاصه کرد:
  • پیش پردازش و تمیز کردن. بر اساس داده های ناشناس اپراتور تلفن همراه ( جدول 3 )، یک مرحله پیش پردازش برای تسهیل مدیریت، سفارش و گروه بندی داده ها برای مراحل بعدی انجام می شود. در همین مرحله، وظایف پاکسازی داده ها و کنترل کیفیت نیز انجام می شود. این وظایف برای سوابق داده های تلفن همراه ناشناس و داده های نمایه کاربر اعمال می شود.
    شکل 1 نمایشی از یک سناریوی ممکن برای تجزیه و تحلیل PMD را نشان می دهد. در اکثریت قریب به اتفاق مطالعات، مکان تلفن همراه بر اساس مکان دکل های تلفن همراه استفاده شده از شبکه تلفن همراه است ( جدول 3 را ببینید.). Tessellation Voronoi بر اساس مکان های برج سلولی ساخته می شود و برای تعیین موقعیت هر کاربر در یک لحظه خاص استفاده می شود. به این ترتیب، هر چند ضلعی حداکثر سطح دانه بندی را تعریف می کند. لایه چند ضلعی Voronoi برای منطقه بندی و برون یابی فعالیت کاربر در هر سلول، بسته به مجموعه داده های دیگر، مانند داده های جمعیت شناختی اجتماعی یا کاربری و پوشش از سیستم اطلاعات اشغال زمین اسپانیا (SIOSE) استفاده می شود. ما نه به محل آنتن ها و نه به مجموعه ورونوی دسترسی داشتیم، فقط به سفرهایی که قبلاً در سطح شهرداری یا منطقه جمع آوری شده بودند.
  • انتخاب نمونه بالقوه مرحله بعدی انتخاب کاربرانی است که فعالیت تلفن همراه آنها اطلاعات صحیحی را در منطقه مورد مطالعه ارائه می دهد. هدف اصلی این مرحله ساختن نمونه ای است که شامل سازش بین کمیت و کیفیت باشد. برخی از شاخص هایی که باید در نظر گرفته شوند، تعداد رکوردهای ایجاد شده و فاصله زمانی بین آنها هستند. در مورد بازدیدکنندگان خارجی، از آنجایی که مدت فعالیت آنها محدود به چند روز خاص است و فعالیت آنها عمدتاً در فرودگاه ها شروع و پایان می یابد، رفتار خاصی لازم است.
  • استخراج فعالیت و سفر. در این مرحله، شاخص های فعالیت و سفر از سوابق داده های تلفن همراه تولید می شود. این مرحله به دو کار فرعی تقسیم می‌شود: (1) شناسایی و توصیف اقامت‌ها و فعالیت‌ها، و (2) شناسایی و توصیف سفر و مراحل. اولین مورد مسئول تجزیه و تحلیل رکوردهای متوالی در همان سلول تلفن همراه است، و زمانی که برای مدت طولانی‌تر از یک آستانه خاص باقی می‌مانند (مثلاً به طور متوسط ​​30 دقیقه، اما به کاربری زمین و سایر ملاحظات متغیر بستگی دارد) به‌عنوان ماندگار شناخته می‌شوند. . باقی مانده هایی که با فعالیت ها مطابقت دارند، شناسایی می شوند. وظیفه دوم وظیفه تعریف سفرهای انجام شده با استفاده از فعالیت ها و مراحل شناسایی شده در کار قبلی است. برای هر سفر، لیستی از ویژگی ها تعریف می شود: مقصد، زمان شروع و پایان، یک روش حمل و نقل و یک مسیر. بین سفرهای مسافت متوسط ​​و طولانی و حرکات کوتاه مدت در محیط های شهری تمایز قائل شده است. برای سفرهای طولانی، تطبیق نقشه و سرعت متوسط ​​سفر برای تعیین حالت حمل و نقل کافی است. برای سفرهای کوتاه‌تر، تکنیک‌های تلفیق داده‌ها نیز برای تعیین یک روش حمل و نقل ضروری هستند (به عنوان مثال، شبکه‌های حمل و نقل، فرودگاه‌ها، ایستگاه‌های اتوبوس، بررسی‌ها، کاربری زمین).
  • برون یابی نمونه به کل جامعه. مرحله چهارم وظیفه برون یابی نمونه انتخاب شده به کل جامعه را بر عهده دارد. دو نوع مختلف در نظر گرفته می شود: ساکنان کشور مورد مطالعه و خارجی. برای اولین مورد از عوامل مختلفی مانند بخش سرشماری استفاده می شود و برای خارجی ها از تعداد کل بازدیدکنندگان رسمی تقسیم بندی شده بر اساس ملیت، نوع بازدید کننده و نقطه ورود استفاده می شود. تحرک گردشگران بین‌المللی و سایر بازدیدکنندگان از داده‌های کاربرانی که در شبکه Orange در حال رومینگ هستند، تحلیل می‌شود. تجزیه و تحلیل داده های رومینگ ویژگی های زیر را ارائه می دهد: (1) از آنجایی که آنها مشتریان Orange اسپانیا نیستند، تنها اطلاعات اجتماعی جمعیت شناختی موجود، ملیت اپراتور تلفن همراه هر کاربر است. بنابراین به عنوان نماینده ملیت آنها در نظر گرفته می شود. (2) کاربران رومینگ می توانند در طول اقامت خود به شبکه های مختلف متصل شوند، بنابراین درصد کاربران حاضر در نمونه نسبت به تعداد کل بازدیدکنندگان خارجی بیشتر از سهم بازار اپراتور است. و (3) بسیاری از این کاربران تعداد سوابق کافی برای تجزیه و تحلیل تحرک خود تولید می کنند، بنابراین این داده ها معمولاً از تجزیه و تحلیل حذف می شوند.
  • تولید خروجی مرحله آخر مسئول تولید مجموعه داده نهایی، اضافه کردن وضوح های مکانی و زمانی مختلف و تقسیم بندی مورد نیاز برای تجسم رفتار جمعیت انتخاب شده است. نتایج این مرحله مجموعه‌ای از ماتریس‌های OD با قراردادهای نام‌گذاری مختلف است که برای تحلیل بصری پیشنهادی ادغام و تطبیق داده‌ایم ( جدول 4 را ببینید ).

3.3. تجسم داده ها

ماتریس OD از پیش پردازش شده یک جدول نسبتا کوچک است که می تواند با استفاده از ابزارهای استاندارد تجزیه شود. با این حال، هنوز روابط زیادی برای استخراج الگوهای جالب از داده‌ها بدون کمک تکنیک‌های خاص، مانند تجسم مناسب داده‌ها وجود دارد. برای مثال، لازم بود لحظات و/یا مکان‌های حداکثر ازدحام، زمانی که تحرک بین شهری یا درون شهری غالب بود، یا اینکه چگونه قطب‌های اصلی جاذبه PortAventura و منطقه توریستی (نزدیک ساحل) در زمان‌ها و فصول مختلف، در میان دیگر الگوهای جالب تحرک.
در بخش 2، نمونه های زیادی از تحقیقات را دیده ایم که از PMD برای مطالعه تحرکات گردشگری استفاده کرده اند. در میان این مطالعات، تعداد بسیار کمی به مرحله تجسم بیشتر توجه می کردند و معمولاً نمودارها و نقشه های رایج ترسیم می شد. در این مقاله، تجسم داده ها را یک مرحله مهم در نظر می گیریم. الگوهای فصلی در مقیاس های مختلف (درون شهری و بین شهری) را می توان با انواع تجسم های مبتنی بر نمودار نشان داد که از متغیرهای بصری مختلف (مانند رنگ، اندازه، جهت) به خوبی استفاده می کنند. پس از آزمایش با انواع مختلف نمودارها، ما فکر می کنیم که دو تجسم مناسب ترین برای این مطالعه موردی بودند: نقشه های جریان و نمودارهای آبرفتی. در حالی که انواع مختلف نقشه‌های جریان رایج‌تر هستند، نمودارهای آبرفتی نوع خاصی از نمودارهای محور موازی هستند که در ادبیات بررسی شده مورد استفاده قرار نگرفته‌اند. با این حال، 6 ، 45 ]. در این مقاله، ما از پلتفرم R و چندین بسته R برای اهداف مدیریت داده و مصورسازی داده ها استفاده کرده ایم. شرح این روش ها در اسکریپت های R به اشتراک گذاشته شده در مخزن Git خودشان ( https://github.com/gratet/pmd-seasonality-visualisations -دسترسی شده در 21 فوریه 2021) به تفصیل آمده است. پلتفرم R همراه با پایتون، یک چارچوب قدرتمند برای علم داده و تجسم داده ها [ 46 ] است که دسترسی به تمام منابع لازم برای این مرحله از تحقیق را فراهم می کند.

4. نتایج

ماتریس اصلی OD استخراج شده از مخزن داده هنوز دارای 6272 ردیف است که بدون یافتن راهی مناسب برای ارائه آن، اطلاعات بسیار زیادی است. تولید تجسم‌های مناسب معمولاً در این موارد بسیار جالب است. با این حال، همه نمودارها یا نقشه ها به یک شکل کار نمی کنند و هر سؤال باید به روش خاصی حل شود. در این بخش ابتدا چند جزییات از تجسم‌های انتخاب شده را توضیح می‌دهیم و سپس از این شکل‌ها برای پاسخگویی به سؤالات تحقیق پیشنهادی استفاده می‌کنیم.

4.1. تجسم تحرکات گردشگری با استفاده از داده های تحرک

تجسم های وجهی می توانند به ویژه برای مقایسه تاریخ ها و بازه های زمانی مختلف مفید باشند. ما چندین اسکریپت R را برای ایجاد انواع نمایش ها توسعه داده ایم. از بین تمام ارقام ایجاد شده، واضح ترین و مفیدترین آنها برای پاسخ به اهداف مطالعه پیشنهادی در اینجا گنجانده شده است. همانطور که در بالا ذکر شد از شکل های دو نوع نقشه جریان (نمودار فضایی) و نمودارهای آبرفتی استفاده شده است.
شکل 4 ، شکل 5 و شکل 6 ، نقشه های جریان هستند که تحرک را در سه منطقه سالو – پورت آونتورا، مسکونی و توریستی – و بین این مناطق و مهم ترین شهرداری های اطراف (تاراگونا، رئوس، کامبریلز و ویلا-سکا) نشان می دهد. این شکل ها نمودارهای فضایی هستند. به عبارت دیگر گراف هایی هستند که گره ها در یک فضای جغرافیایی مختصات قرار دارند. گره ها، که به صورت دایره نشان داده می شوند، در مرکز ناحیه اصلی شهری در هر شهرداری یا منطقه قرار دارند. تقریباً در همه موارد، این مکان با منطقه اصلی شهری منطبق است. با این حال، در مورد Vila-seca، در تابستان، بخش عمده ای از جمعیت عمدتا در لا پیندا متمرکز شده است [ 47 ]] که نزدیک ترین قسمت شهرداری به دریا است ( شکل 2 را ببینید ).
این گره ها بر اساس جمعیت ساکن اندازه می شوند. لبه ها تعداد حرکت ها را نشان می دهند و ضخامت (اندازه) آنها به گونه ای کوچک می شود که روی هم قرار نگیرند. جهت آنها، که با نوک پیکان نشان داده می شود، نشان می دهد که آیا این یک رفت و برگشت است، به طوری که همه آنها در یک زمان نشان داده می شوند. به طور کلی، خطوطی که در جهات مخالف یکدیگر قرار دارند، در صورت امکان به صورت موازی نشان داده شده اند تا در خوانایی اختلال ایجاد نشود. در موارد دیگر از خطوطی با انحنای کافی استفاده شده است تا دورترین جابجایی ها را با وضوح بیشتری نشان دهند. لبه های خود حلقه برای نشان دادن تحرک داخلی هر یک از مناطق سالو استفاده شده است. در هر دو مورد، لبه ها و گره ها، از یک رنگ برای نشان دادن شهرداری یا منطقه ای استفاده شده است که هر مجموعه سفر از آنجا شروع می شود. سرانجام، برای اینکه بتوانیم نمودارها را به درستی بر اساس نقشه‌برداری نمایش دهیم، تصمیم گرفتیم وجه‌ها را بر اساس تاریخ بسازیم و بر اساس بازه‌های زمانی تفکیک نکنیم. ارقام به دست آمده مقدار قابل توجهی از الگوهای تحرک هر گروه جمعیت را روشن می کند. شکل 7 ترکیبی از تمام نقشه های جریان قبلی را نشان می دهد که در آن سه نمایه انتخاب شده (محلی، بازدیدکنندگان ملی و گردشگران بین المللی) را می توان به صورت نسبی با هم مقایسه کرد. این رقم تفاوت مطلق سفرهای بین روزهای تابستان و زمستان (تابستان منهای سفرهای زمستانی) را اندازه گیری می کند.
شکل 8 و شکل 9نمودارهای آبرفتی وجهی هستند که اطلاعات را با استفاده از تقریباً همان متغیرهای بصری نشان می دهند. برخلاف نقشه‌های جریان قبلی، در این مورد، نمودارهای آبرفتی بر سفرهای داخلی بین سه پهنه سالو و سفرها از مناطق فرعی سالو به سایر شهرداری‌ها متمرکز شده‌اند. این بدان معناست که سفرهای شهرداری‌های دیگر به سالو نشان داده نمی‌شود، زیرا مزیت‌های اصلی نمودارهای آبرفتی، مانند خوشه‌بندی صفات، از بین می‌رود. در یک نمودار آبرفتی، بلوک ها نشان دهنده خوشه های گره ها هستند و میدان های جریان بین بلوک ها نشان دهنده تغییرات در ترکیب این خوشه ها در طول زمان هستند. ارتفاع یک بلوک نشان دهنده اندازه خوشه و ارتفاع یک میدان جریان نشان دهنده اندازه اجزای موجود در دو بلوک متصل به فیلد جریان است.
برخی از واژگان اولیه برای توصیف این طرح ها ضروری است. اساساً نمودارهای آبرفتی در محور، آبرفت، لایه، لود و جریان مرتب می شوند. در نمودارهای آبرفتی این اثر از دو محور مبدأ و مقصد سفرها استفاده شده است و آبرفت نشان دهنده گروه سفرهای خوشه ای است. هر رنگ سفرها را بر اساس محل سکونت (محلی، اسپانیایی و خارجی) نشان می دهد.

4.2. فصلی بودن در مقیاس درون شهری و بین شهری

برای پرداختن به سؤالات پژوهشی مطرح شده در مقدمه، ابتدا می خواهیم الگوهای اصلی را که به لطف تجزیه و تحلیل خود می بینیم، برجسته کنیم. بعداً می توان ملاحظاتی با ماهیت کلی تر استخراج کرد.
اولین نمودار آبرفتی ( شکل 8 ) سفرهای انجام شده در روزهای تابستان را در هر دو سطح درون شهری و بین شهری، همه گروه های جمعیتی آن زمان (ساکنان محلی، بازدیدکنندگان ملی و بازدیدکنندگان خارجی) نشان می دهد. امکان دیدن سفرها به تفکیک محل سکونت کاملاً واضح است که افراد محلی (آلوویوم قرمز) از نظر تحرک بین شهری غالب هستند. در عین حال، بازدیدکنندگان، اعم از ملی و بین‌المللی، تمایل دارند تا در مسافت‌های کوتاه در یک منطقه شهری (تحرک درون شهری) انجام دهند. این الگوهای هر پروفایل پیامدهای عمیقی برای تحرک کلی منطقه دارد. سفرهای غالب در زمستان بین شهری است (و عمدتاً توسط مردم محلی انجام می شوددر حالی که در تابستان به دلیل غلبه تحرکات گردشگری شهری در مسافت های کوتاه، سفرهای درون شهری به وضوح بیشتر است.
در شکل 9 ، اهمیت ساکنان محلی در فصل زمستان بیشتر از نقشه های جریان قبلی مشهود است. مقایسه بین دو نمودار آبرفتی ( شکل 8 و شکل 9 ) امکان اندازه گیری اثر فصلی گردشگری در تحرک کلی در منطقه را فراهم می کند. باید گفت که مقیاس عمودی، جایی که تعداد سفرها اندازه گیری می شود، تقریباً سه برابر کوچکتر از مقیاس موجود در نمودارهای آبرفتی تابستانی وجهی است. از سوی دیگر، تعداد سفرها به تفکیک بازه های زمانی مطابق با انتظارات است، یعنی در صبح تعداد سفرها در آخر هفته کمتر از روزهای هفته است، در حالی که تعداد سفرهای شبانه در آخر هفته بیشتر است.
شکل 4 هم جمعیت محلی ساکن در سالو و هم جمعیت سایر شهرداری های استان تاراگونا را نشان می دهد ( شکل 2 را ببینید ). به طور کلی، تعداد سفرها در تابستان بیشتر از زمستان است. این یافته کمک می کند تا نشان دهد که فصلی بودن فعالیت های گردشگری در این منطقه همچنین حاکی از تحرک بیشتر جمعیت محلی در تابستان است. این می تواند به رشد فعالیت های اقتصادی در تابستان و همچنین به تحرک بیشتر افراد محلی برای اوقات فراغت در طول ماه های تابستان مربوط باشد. تحقیقات قبلی انجام شده در منطقه مورد مطالعه نیز با استفاده از داده های مسافران حمل و نقل عمومی در طول سال این وضعیت را برجسته کرده است [ 39 , 41]. این مطالعات به این نتیجه رسیدند که فصلی بودن فعالیت گردشگری مستلزم بازتعریف سلسله مراتب عملکردی منطقه ای در طول سال است، شهرهای توریستی ساحلی منطقه ای با تمرکز بیشتر جریان هستند. مطالعه حاضر به ما اجازه می دهد تا این وضعیت را نه تنها به جریان حمل و نقل عمومی مرتبط کنیم، همانطور که در جریان های کلی در منطقه اتفاق می افتد. علاوه بر این، اکنون می توانیم نشان دهیم که این تفاوت ها در سطح درون شهری نیز قابل توجه است و در توریستی ترین منطقه سالو متمرکز شده است. برای مثال، با در نظر گرفتن سفرهای رئوس به سه منطقه سالو (به عنوان مثال، تمرکز در روز چهارشنبه)، سفرها به منطقه PortAventura چند صد نفر افزایش می‌یابد (از سفرهای 1421 تا 1910)، تقریباً مشابه مناطق مسکونی. منطقه سالو (از 5609 تا 5971 سفر). از سوی دیگر، سفرها به منطقه توریستی به وضوح دو برابر (از 2084 به 4471) افزایش می یابد. تحرک داخلی سه منطقه تعریف شده در سالو نیز تضاد بین تابستان و زمستان را تجربه می کند که در منطقه توریستی با تقریباً سه برابر تعداد سفرها قابل توجه تر است. در میان مردم محلی، در زمستان به نظر می رسد که تحرک در روزهای هفته کمی بیشتر از آخر هفته است. تحرک داخلی در منطقه PortAventura نیز فعالیت کمتری در آخر هفته نشان می دهد (حدود نیمی از سفرها).
در شکل 5، تمام سفرهایی که ساکنان اسپانیا از خارج از استان تاراگونا انجام می دهند در نظر گرفته می شود. در این صورت تضاد بین تعداد سفر در تابستان و زمستان بسیار بیشتر است. این منطقی است، زیرا به وضوح تمرکز بیشتری از بازدیدکنندگان اسپانیایی در تابستان وجود دارد. این رقم همچنین می تواند در ابتدا روی سفرهای بین Reus و سه منطقه سالو متمرکز شود، اما تضاد در سفرهای Tarragona (10 برابر بزرگتر در تابستان)، Cambrils و Vila-seca (20 برابر بزرگتر در تابستان) بسیار زیاد است. ، در هر دو مورد). جزئیات ماتریس های OD به گونه ای است که در زمستان می توانند لبه ها یا جریان های کمتر از ده سفر را بین شهرداری های منطقه نشان دهند. اگر تحرک داخلی مناطق سالو را در نظر بگیریم، تفاوت ها قابل توجه است (بیش از 50 یا 60 برابر در تابستان). جذابیت منطقه توریستی برای گردشگران اسپانیایی کاملا مشخص است. پس از رسیدن به مقصد، بیشتر سفرها و فعالیت های آنها در همان منطقه متمرکز می شود و منطقه مسکونی و PortAventura را در موقعیت ثانویه قرار می دهند. بر خلاف آنچه که با مردم محلی ، تعداد کل سفرهای گردشگران اسپانیایی در آخر هفته بیشتر از طول هفته است. این مقدار توسط بازدیدکنندگان ملی کوتاه مدت آخر هفته که این مقصد دریافت می کند توضیح داده می شود [ 48 ].
شکل 6الگوهای سفر گردشگران بین المللی (کاربران رومینگ) را نشان می دهد. این الگوها تا حدودی شبیه به الگوهای بازدیدکنندگان اسپانیایی است، اما تضاد با مردم محلی بسیار بیشتر است. به عنوان مثال، تحرک داخلی توریستی ترین منطقه سالو در طول تابستان بسیار زیاد است (تا 300 برابر بیشتر از زمستان). فقدان بازدیدکنندگان کوتاه مدت یا آخر هفته در مورد گردشگری بین المللی توضیح می دهد که چرا در آن صورت، هیچ رشدی در سفرهای جهانی در تعطیلات آخر هفته مشاهده نمی شود. از سوی دیگر، تمایل به تمرکز سفرها در یک منطقه کوچک نیز بیشتر از مورد بازدیدکنندگان اسپانیایی است. به عبارت دیگر، کار ما نشان می دهد که گردشگران بین المللی تمایل دارند در طول اقامت خود سفرهای مسافت کمتری نسبت به گردشگران داخلی داشته باشند. این نتیجه با ادبیات تحرک گردشگران در شهر مطابقت دارد [ 49 ]. مطالعات قبلی همچنین تاکید کرده‌اند که بازدیدکنندگان مکرر (که می‌توانند توسط اسپانیایی‌ها در منطقه مورد مطالعه نشان داده شوند) تمایل دارند از منطقه بزرگ‌تری در شهر نسبت به بازدیدکنندگانی که برای اولین بار بازدید می‌کنند استفاده کنند [ 50 ]. در نهایت، مشاهده شد که گردشگران بین المللی وزن بیشتری از تحرک مرتبط با PortAventura دارند. علاوه بر این، برخلاف آنچه برای گردشگران اسپانیایی اتفاق افتاد، تحرک آنها در منطقه تم پارک در طول روزهای هفته بیشتر است.
در نهایت، مقایسه جهانی را می توان بدون از دست دادن بافت جغرافیایی انجام داد. در شکل 7، نقشه تفاوت بین تابستان و زمستان، در طول هفته و آخر هفته را نشان می دهد. در این شکل، تفاوت بین تابستان و زمستان اغراق آمیز است، حتی برای آن دسته از سفرهایی که برای برخی از بازه های زمانی در زمستان بسیار کوچک یا حتی بی اثر هستند. با توجه به اندازه این شکل، برچسب‌ها را نمی‌توان به همه فلش‌ها اضافه کرد، اما برخی از تفاوت‌های مهم را می‌توان به خوبی خواند که در نقشه‌های قبلی دیده نمی‌شد. گردشگران بین‌المللی و اسپانیایی‌ها الگوهای سفر کاملاً مشابهی در دو فصل دارند، اما جالب است که جابجایی داخلی در منطقه پارک موضوعی بین آخر هفته‌ها و اواسط هفته متفاوت است. به نظر می رسد اسپانیایی ها ترجیح خاصی برای بازدید از پارک در آخر هفته دارند، در حالی که گردشگران بین المللی در طول هفته بیشتر از این پارک دیدن می کنند. این نوع الگو مورد توجه است،

5. بحث و نتیجه گیری

5.1. یافته ها و مشارکت های اصلی

مطالعه ما ما را قادر به نشان دادن تغییرات کلی تحرک ناشی از فصلی بودن گردشگری در یک مقصد ساحلی کرده است. رویکرد ما مطالعه تحرک بین شهری و درون شهری را با پروفایل های مختلف جمعیت (محلی، گردشگران ملی و گردشگران بین المللی) ترکیب می کند. از طریق این روش، دانش عمیق‌تری از تحرک در منطقه به دست می‌آید، همراه با شواهد جدیدی که به مطالعات مبتنی بر نظرسنجی قبلی درباره جمعیت ساکن یا داده‌های حمل‌ونقل عمومی اضافه می‌شود [ 39 ، 41 ، 48 ]]. به همین مناسبت، داشتن رکورد کامل تر، تمایز بین گردشگران داخلی و بین المللی را امکان پذیرتر کرد. این برای مطالعه رفتار فضایی بازدیدکنندگان مختلف مفید است و برای برنامه ریزی و مدیریت گردشگری مورد توجه است.
فصلی بودن به ویژه سالو و مناطق توریستی تر آن را تحت تأثیر قرار می دهد، اما به بازتعریف الگوهای حرکتی کلی در منطقه نیز کمک می کند. تحرک جمعیت محلی نیز در تابستان بیشتر است. این یافته‌ها شواهد جدیدی در مورد کاربرد PMD برای مطالعه تحرک در مناطقی ارائه می‌کنند که بازدیدکنندگان نقش کلیدی در تحرک کلی دارند. همچنین شواهدی در مورد کاربرد PMD برای تجزیه و تحلیل قسمت های فصلی، مانند گردشگری ساحلی ارائه می دهد.
با توجه به مسائل روش‌شناختی مطرح‌شده در این مطالعه، ما علاقه‌مندیم بدانیم که PMD تا چه اندازه برای مطالعه تحرک فصلی گردشگران در مقیاس‌های مختلف مفید است و همانطور که سایر نویسندگان پیشنهاد کرده‌اند [ 37 ]]، اینکه آیا تجسم‌های نمودار پیشنهادی واقعاً به تجزیه و تحلیل این داده‌ها کمک می‌کنند یا خیر. این کار تحقیقاتی نشان می دهد که چگونه می توان PMD را برای به دست آوردن اطلاعات و دانش ارزشمند برای تصمیم گیری در گردشگری تجزیه و تحلیل کرد. به طور خاص، ما یک مطالعه موردی انجام داده‌ایم که نشان می‌دهد چگونه می‌توان PMD را جمع‌آوری کرد و پیچیدگی آن را کاهش داد تا اطلاعات مفیدی در مورد تحرک افراد محلی و بازدیدکنندگان مرتبط با فصلی گردشگری استخراج کنیم. با توجه به ماهیت این اطلاعات، برای درک بهتر و به اشتراک گذاری دانش استخراج شده، لازم است تجسم های واضح و مبتکرانه ای ارائه شود.
PMD نمونه خوبی از تحرک کل جمعیت ساکن در یک منطقه (هم ساکنان و هم بازدیدکنندگان) ارائه می دهد. به عنوان مثال، این یک منبع داده فراگیرتر است که به دستگاه‌های مدرن با GPS یا سایر برنامه‌های مبتنی بر اینترنت (مانند تلفن‌های هوشمند، تبلت‌ها، ابزارهای پوشیدنی) نیاز ندارد، بلکه هر تلفن همراهی می‌تواند پس از اتصال به شبکه داده تولید کند. به عنوان یک نتیجه، PMD اجازه می دهد تا مشخصات پروفایل های مختلف جمعیت. در این مطالعه این با تقسیم جمعیت به سه گروه مختلف (ساکنان محلی، گردشگران اسپانیایی و گردشگران بین‌المللی) انجام شده است. علاوه بر این مزیت، PMD وضوح فضایی کاملاً همگن و چند مقیاسی را به ویژه در مناطق شهری بسیار پرجمعیت که شبکه تلفن همراه متراکم تر است، ارائه می دهد. این ویژگی مطالعه فصلی گردشگری را تسهیل می کند، از آنجایی که می توان شکاف های زمانی مختلف را انتخاب کرد و برنامه ریزی جمع آوری داده ها را می توان در هر زمان انجام داد. در این تحقیق، ما چهار روز نماینده – دو روز در هفته و دو روز در آخر هفته – در تابستان و زمستان انتخاب کردیم، اما بسیاری از بازه‌های زمانی و بازه‌های زمانی دیگر را می‌توان با استفاده از تکنیک‌های مشابه تجزیه و تحلیل کرد. این در یک بخش بسیار متغیر مانند گردشگری ضروری است.
در نهایت، کار ما تجسم های نوآورانه ای را برای مطالعه جریان های تحرک گردشگری ارائه می دهد. پس از انجام بررسی ادبیات ارائه شده در بخش 2 ، مشخص شده است که بیشتر تحلیل‌های تحرک گردشگران انجام شده با استفاده از PMD، تجسم‌های دقیقی را ارائه نمی‌دهند که بتواند به درک دانش استخراج‌شده از آن مقادیر زیادی داده کمک کند. این ممکن است به نوع مشکل مورد مطالعه و نیازهای مختلف برای خلاصه کردن داده ها بستگی داشته باشد. اکثر آثار بررسی شده نتایج خود را به صورت جدولی (جدول و ماتریس های OD) یا با استفاده از نمودارهای خطی یا نواری ساده ارائه کردند. فقط چند مقاله هر نوع تجسم مبتنی بر نقشه را ارائه کردند [ 27 ، 32 ، 34 ، 35 ، 36 ] یا راه های جایگزین پیشنهادی برای نمایش جریان های تحرک در مناطق توریستی (به عنوان مثال، استفاده از کارتوگرام در مرجع [ 26 ]). با این حال، در گستره وسیع‌تر، پیشنهادهای جالبی برای ابزارها و انواع جدیدی از تجسم‌های کاربردی برای تحرک شهری وجود دارد که می‌توان آن‌ها را به منظور یافتن راه‌های بهتر برای تحلیل مشکلات، مانند فصلی بودن گردشگران و تغییرات جریان، در مقیاس‌های زمانی- مکانی مختلف بررسی کرد. . به عنوان مثال، یک مطالعه جالب تجسم پروفایل های مکانی-زمانی ( ضربه های شهری ) را برای مناطق شهری پیشنهاد کرد [ 51]. علاوه بر این، با هدف ادغام افراد غیرمتخصص در فرآیند ایجاد پرس و جو، مطالعه دیگری یک روش پرس و جو بصری مبتنی بر نمودار برای داده های عظیم مسیر انسان پیشنهاد کرد [ 52]. این کار تحقیقاتی هیچ گونه تجسم جدیدی ارائه نمی دهد، اما دو نوع تجسم را اعمال می کند که قبلاً در تحلیل های تحرک گردشگری پذیرفته نشده بودند. نقشه‌های جریان و نمودارهای آبرفتی در نمایش جریان‌ها، توزیع و نسبت تحرک گروه‌های جمعیتی تعریف‌شده در مطالعه موردی پیشنهادی مفید هستند. از یک طرف، نقشه‌های جریان یک چشم‌انداز جغرافیایی اضافه می‌کنند که به زمینه‌سازی این جریان‌ها کمک می‌کند که در کدام جهت این جریان‌ها رخ می‌دهند. از سوی دیگر، نمودارهای آبرفتی دید مناسبی را برای کمی سازی بهتر نسبت این جریان ها ارائه می دهند. نمودارهای آبرفتی ترسیم حرکات بین شهری و درون شهری را تسهیل می کنند، زیرا نقشه جریان باید تجسم هایی را در مقیاس های مختلف ایجاد کند تا همه شهرها (بین شهری) و مناطق فرعی آنها (درون شهری) را پوشش دهد. با این حال،

5.2. محدودیت ها

تجزیه و تحلیل ارائه شده در اینجا یک نمای منطقی دقیق از ساختار تحرک های گردشگری ارائه می دهد. با این حال، محدودیت هایی وجود دارد که باید در مطالعات آتی مورد توجه قرار گیرد. به عنوان مثال، در دسترس بودن داده ها، تحت تأثیر چگالی شبکه تلفن همراه، با MNO متفاوت است و این ناهمگونی داده ها می تواند بر نوع تجزیه و تحلیلی که می تواند انجام شود تأثیر بگذارد. نکته دیگری که باید به آن توجه داشت این است که نمی توان تضمین کرد که صاحب گوشی کاربر واقعی است (به عنوان مثال، کاربر می تواند یک کارمند یا یکی از بستگان باشد، در میان سایر احتمالات). این نکته با توجه به اینکه در بسیاری از موارد از داده های جمعیت شناختی استفاده می شود، می تواند عدم قطعیت را به نتایج اضافه کند. علاوه بر این، مسائل مربوط به حریم خصوصی داده ها جنبه های مهم PMD هستند. 53 ]. این مقررات تضمین می کند که نه افراد و نه مکان آنها قابل شناسایی نیست. MNO مسئول ناشناس سازی داده ها است تا کاربران را نتوان شناسایی کرد. به عنوان مثال، زمانی که تحرک کاربر بین دو ناحیه کمتر از یک آستانه (یعنی کمتر از صد) باشد، از تحلیل حذف می‌شود.
اگرچه دانه بندی فضایی داده ها امکان سطح بالایی از جزئیات را فراهم می کند، در سناریوهای خاص کاستی هایی وجود دارد. نمونه ای از این مشکل در ناحیه PortAventura رخ می دهد. از آنجایی که این یک پارک موضوعی با مساحت قابل توجهی (تا 825.7 هکتار) است، نمی توان ثبت صحیح حرکات داخل پارک را تضمین کرد. این به دلیل نزدیکی به منطقه توریستی-مسکونی la Pineda و توزیع برج های سلولی در این منطقه است، به این معنی که برخی از حرکات داخل پارک را می توان به عنوان تحرک بین شهری با Vila-seca در نظر گرفت.
یکی دیگر از محدودیت های مهم PMD ناشی از هزینه دسترسی و پردازش داده ها است. این موضوع به ارائه دهنده شبکه و سیستم طراحی شده برای بهره برداری از این داده ها بستگی دارد. در این کار، نشان دادیم که فصلی بودن را می توان با انتخاب چند روز نماینده به درستی نشان داد. این محدودیت هزینه این نوع تحلیل را کاهش می دهد. با این حال، عدم تعیین میانگین روز می تواند بر نتایج تأثیر بگذارد (به عنوان مثال، انتخاب روزهای دارای رویدادهای خاص، جشنواره های موسیقی و غیره). علاوه بر این، بسته به اپراتور، دسترسی به این نوع داده ها می تواند توسط یک شریک واسطه انجام شود. در این زمینه، تکرارپذیری تحقیق می تواند به دو دلیل به خطر بیفتد: (1) استفاده از داده های ناشناس و اختصاصی، و (2) پیش پردازش داده ها با استفاده از نرم افزار اختصاصی در یک محیط بسته. 46 ].
آخرین محدودیت مربوط به پیروی از الزامات (ایستا و فضا) است که برای گنجاندن این تجسم ها در یک مقاله مجله باید رعایت شود. به عنوان مثال، استفاده از نمودارهای وجهی مزایای زیادی دارد، اما در صورت وجود محدودیت فضا، همه ترکیبات متغیرها را نمی توان به درستی نشان داد. برای مثال، ایجاد نقشه‌های جریان وجهی دقیق‌تر، خواندن برچسب‌ها و فلش‌ها را دشوار می‌کند. از این نظر، اشکال جدید تجسم های تعاملی برای وب می تواند به کاربران کمک کند تا نتایج تحقیق [ 54 ] را درک کنند یا حتی نمودارها را به صورت تعاملی مرتب کنند [ 55 ]. با این حال، نمایش اطلاعات بیش از حد در یک نمودار می تواند بر خوانایی تأثیر بگذارد، و درجاتی از تعمیم همیشه ضروری است.

5.3. کار آینده

دستورالعمل های فوری برای کار آینده شامل سایر منابع داده برای غنی سازی و تلاش برای تأیید اعتبار PMD مورد استفاده در کار تحقیقاتی فعلی است. در بخش نتایج، قبلاً اشاره کردیم که داده های ورودی PortAventura را می توان برای این منظور استفاده کرد. نوع دیگری از داده ها می تواند سوابق اعتبارسنجی کارت هوشمند آژانس حمل و نقل منطقه ای در منطقه مورد مطالعه باشد، جایی که نویسندگان نسخه خطی فعلی تجربه قبلی دارند [ 6 ]]. سوابق تراکنش‌های کارت اعتباری نیز می‌تواند مفید باشد، زیرا این داده‌ها منشأ دارنده کارت را نشان می‌دهند، که برای شناسایی خارجی بودن بازدیدکننده مفید است. گسترش احتمالی دیگر، مشخص کردن PMD با نوع حمل و نقل (ماشین، اتوبوس، دوچرخه و غیره) است که برای انجام حرکات بین مناطق مختلف مطالعه موردی استفاده می شود و اکنون مشخص شده است که طول مدت اقامت می تواند یک عنصر مهم برای تجزیه و تحلیل باشد. نتایج این تحلیل برای ذینفعان بالقوه، مانند سیاست گذاران، به منظور تصمیم گیری در زمینه تحرک یا برنامه ریزی شهری مفید خواهد بود. از سوی دیگر، تکرار این رویکرد در مقاصدی دیگر که با چالش مدیریت فصلی تقاضای گردشگری نیز روبرو هستند، جالب خواهد بود.
در نهایت، یک جنبه جالب برای بررسی و تأیید در مطالعات آینده، امکان تکرار همان مطالعه در طول همه‌گیری COVID-19 است. بحران کنونی بهداشت جهانی و محدودیت‌های اعمال شده توسط دولت‌های مختلف برای مبارزه با شیوع ویروس، تأثیر عمیقی بر تحرک انسان به طور کلی و فعالیت‌های گردشگری به‌ویژه داشته است. یک مطالعه جدید با استفاده از داده های تلفنی در طول سطوح مختلف محدودیت ها برای تجزیه و تحلیل تأثیر COVID-19 بر گردشگری، به ویژه با تجزیه و تحلیل تأثیر روی هر یک از پروفایل های تعریف شده در این کار (ساکنان محلی، گردشگران اسپانیایی و گردشگران بین المللی).

مشارکت های نویسنده

مفهوم سازی، آرون گوتیرز; مدیریت داده، بنیتو زاراگوزی؛ تحلیل رسمی، بنیتو زاراگوزی و آرون گوتیرز. تامین مالی، آرون گوتیرز؛ تحقیق، بنیتو ساراگوزی؛ روش شناسی، سرجیو تریلز; مدیریت پروژه، آرون گوتیرز؛ منابع، آرون گوتیرز; نرم افزار، Sergio Trilles; نظارت، آرون گوتیرز؛ اعتبار سنجی، سرجیو تریلز; تجسم، بنیتو ساراگوزی؛ نوشتن – پیش نویس اصلی، بنیتو ساراگوزی، سرجیو تریلز و آرون گوتیرز. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

تحقیقاتی که توسط وزارت اسپانیایی de Ciencia e Innovación (شماره کمک هزینه CSO2017-82156-R)، AEI/FEDER، UE، Departament d’Innovació، Universitats i Empresa، Generalitat de Catalunya (شماره کمک مالی 2017SGR22)، Administració Publica de Catalunya، Generalitat de Catalunya (شماره کمک مالی 2018 EAPC 00002) و Generalitat Valenciana از طریق Subvenciones para la realización de proyectos de I+D+i desarrollados por grupos de investigation emergentes program (GV0/52). سرجیو تریلز توسط برنامه کمک هزینه تحصیلی پسادکتری Juan de la Cierva وزارت علوم و نوآوری اسپانیا (IJC2018-035017-I) تأمین مالی شده است.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست

بیانیه رضایت آگاهانه

قابل اجرا نیست

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. لی، جی. خو، ال. تانگ، ال. وانگ، اس. لی، ال. داده های بزرگ در تحقیقات گردشگری: بررسی ادبیات. تور. مدیریت 2018 ، 68 ، 301-323. [ Google Scholar ] [ CrossRef ]
  2. علایی، ع. بکن، اس. Stantic، B. تجزیه و تحلیل احساسات در گردشگری: سرمایه گذاری بر داده های بزرگ. J. Travel Res. 2019 ، 58 ، 175-191. [ Google Scholar ] [ CrossRef ]
  3. e Silva، FB; هررا، مام؛ روزینا، ک. Barranco، RR; فریره، اس. Schiavina, M. تجزیه و تحلیل الگوهای مکانی و زمانی گردشگری در اروپا با وضوح بالا با منابع داده های معمولی و بزرگ. تور. مدیریت 2018 ، 68 ، 101-115. [ Google Scholar ] [ CrossRef ]
  4. چن، سی. ما، جی. سوسیلو، ی. لیو، ی. وانگ، ام. وعده داده های بزرگ و داده های کوچک برای تحلیل رفتار سفر (معروف به تحرک انسان). ترانسپ Res. قسمت ظهور. تکنولوژی 2016 ، 68 ، 285-299. [ Google Scholar ] [ CrossRef ]
  5. ریف، جی. Schmücker, D. کاوش روش‌های جدید ردیابی بازدیدکنندگان با استفاده از منابع کلان داده: فرصت‌ها و محدودیت‌های داده‌های تلفن همراه غیرفعال برای گردشگری. جی. مقصد. علامت گذاری. مدیریت 2020 ، 18 ، 100481. [ Google Scholar ] [ CrossRef ]
  6. گوتیرز، آ. دومنک، آ. زاراگوزی، بی. Miravet, D. پروفایل استفاده گردشگران از حمل و نقل عمومی از طریق داده های کارت سفر هوشمند. J. Transp. Geogr. 2020 ، 88 ، 13. [ Google Scholar ] [ CrossRef ]
  7. هوارد، PN; مظاهری، ن. اصلاحات مخابرات، استفاده از اینترنت و پذیرش تلفن همراه در کشورهای در حال توسعه. توسعه دهنده جهانی 2009 ، 37 ، 1159-1169. [ Google Scholar ] [ CrossRef ]
  8. لنورمند، م. پیکورنل، ام. Cantú-Ros، OG; توگورس، آ. لوائل، تی. هرانز، آر. بارتلمی، ام. فریاس مارتینز، ای. راماسکو، جی جی منابع مختلف اطلاعات تحرک را بررسی می کند. PLoS ONE 2014 ، 9 ، 1-10. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. بلوندل، وی دی. Decuyper، A. کرینگز، جی. بررسی نتایج در مورد تجزیه و تحلیل مجموعه داده های تلفن همراه. EPJ Data Sci. 2015 ، 4 ، 10. [ Google Scholar ] [ CrossRef ]
  10. خو، ی. لی، جی. ژو، جی. پارک، اس. لی، کیو. جغرافیای گردشگری از طریق دریچه استفاده از زمان: یک چارچوب محاسباتی با استفاده از داده های دقیق تلفن همراه. ان صبح. دانشیار Geogr. 2020 ، 1-25. [ Google Scholar ] [ CrossRef ]
  11. Janecek، A. والریو، دی. هومل، کالیفرنیا؛ ریچیاتو، اف. Hlavacs, H. شبکه سلولی به عنوان یک حسگر: از داده های تلفن همراه تا نظارت بر ترافیک جاده ای در زمان واقعی. IEEE Trans. هوشمند ترانسپ سیستم 2015 ، 16 ، 2551-2572. [ Google Scholar ] [ CrossRef ]
  12. وو، دبلیو. وانگ، ی. گومز، جی بی. Anh، DT; آنتوناتوس، اس. ژو، ام. یانگ، پی. یاپ، جنرال الکتریک؛ لی، ایکس. کریشناسوامی، اس. و همکاران وضوح نوسان برای داده‌های برج تلفن همراه برای فعال کردن مدل‌سازی تحرک. در مجموعه مقالات پانزدهمین کنفرانس بین المللی IEEE در سال 2014 در مورد مدیریت داده های تلفن همراه، بریزبن، استرالیا، 14 تا 18 ژوئیه 2014. جلد 1، ص 321-328. [ Google Scholar ]
  13. سورنسن، A.Ø. بیلند، جی. بول-برگ، اچ. لندمارک، AD; اختر، م.م. اولسون، نه استفاده از داده های تلفن همراه برای تجزیه و تحلیل تعداد مسافران قطار. J. Rail Transp. طرح. مدیریت 2018 ، 8 ، 123-144. [ Google Scholar ]
  14. جیانگ، اس. فریرا، جی. گونزالس، MC الگوهای تحرک انسانی مبتنی بر فعالیت استنتاج شده از داده های تلفن همراه: مطالعه موردی سنگاپور. IEEE Trans. کلان داده 2017 ، 3 ، 208-219. [ Google Scholar ] [ CrossRef ]
  15. ماسو، ا. سیلم، اس. Ahas, R. تفاوت های نسلی در تحرک فضایی: مطالعه ای با داده های تلفن همراه. مردمی Space Place 2019 , 25 , e2210. [ Google Scholar ] [ CrossRef ]
  16. Blumenstock، JE استنباط الگوهای مهاجرت داخلی از سوابق تماس تلفن همراه: شواهدی از رواندا. Inf. تکنولوژی توسعه دهنده 2012 ، 18 ، 107-125. [ Google Scholar ] [ CrossRef ]
  17. اشمید، تی. بروکشن، اف. سالواتی، ن. زبیرانسکی، تی. ساخت شاخص‌های جمعیت‌شناختی اجتماعی برای مؤسسات آماری ملی با استفاده از داده‌های تلفن همراه: برآورد نرخ سواد در سنگال. JR Stat. Soc. سر A (Stat. Soc.) 2017 ، 180 ، 1163-1190. [ Google Scholar ] [ CrossRef ]
  18. سیلم، اس. آحاس، ر. Mooses, V. آیا گروه های سنی جوانتر کمتر تفکیک شده اند؟ اندازه گیری تفکیک قومیتی در فضاهای فعالیت با استفاده از داده های تلفن همراه. J. Ethn. مهاجرت گل میخ. 2018 ، 44 ، 1797-1817. [ Google Scholar ] [ CrossRef ]
  19. Yip، NM; فارست، آر. Xian, S. بررسی تفکیک و تحرک: استفاده از یک برنامه ردیابی فعالیت در تلفن همراه. شهرها 2016 ، 59 ، 156-163. [ Google Scholar ] [ CrossRef ]
  20. کامنجوک، پ. آسا، ا. سلین، جی. نقشه برداری تغییرات محل سکونت با داده های موقعیت یابی غیرفعال موبایل: مورد استونی. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 1425-1447. [ Google Scholar ] [ CrossRef ]
  21. بنگتسسون، ال. لو، ایکس. تورسون، ا. گارفیلد، آر. Von Schreeb, J. بهبود پاسخ به بلایا و شیوع با ردیابی جابجایی جمعیت با داده های شبکه تلفن همراه: یک مطالعه مکانی پس از زلزله در هائیتی. PLoS Med. 2011 ، 8 ، e1001083. [ Google Scholar ] [ CrossRef ]
  22. Grantz، KH; مردیث، منابع انسانی؛ کامینگز، دی. متکالف، CJE; گرنفل، بی تی؛ Giles، JR; مهتا، س. سلیمان، س. لابریک، آ. کیشور، ن. و همکاران استفاده از داده های تلفن همراه برای اطلاع از تجزیه و تحلیل اپیدمیولوژی همه گیر COVID-19. نات. اشتراک. 2020 ، 11 ، 1-8. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. آحاس، ر. آسا، ا. مارک، Ü. پی، تی. Kull, A. فضاهای گردشگری فصلی در استونی: مطالعه موردی با داده های موقعیت یابی موبایل. تور. مدیریت 2007 ، 28 ، 898-910. [ Google Scholar ] [ CrossRef ]
  24. آحاس، ر. آسا، ا. رز، ا. مارک، Ü. Silm، S. ارزیابی داده های موقعیت یابی غیرفعال تلفن همراه برای نظرسنجی های گردشگری: مطالعه موردی استونیایی. تور. مدیریت 2008 ، 29 ، 469-486. [ Google Scholar ] [ CrossRef ]
  25. راون، جی. آحاس، ر. Tiru, ​​M. اندازه گیری مقاصد گردشگری با استفاده از داده های ردیابی تلفن همراه. تور. مدیریت 2016 ، 57 ، 202-212. [ Google Scholar ] [ CrossRef ]
  26. راون، جی. شوال، ن. Tiru, ​​M. دروازه‌های جریان‌های گردشگری درون ملی: با استفاده از دو نوع فناوری ردیابی اندازه‌گیری شد. بین المللی جی. تور. شهرها 2020 . [ Google Scholar ] [ CrossRef ]
  27. علواد، ز. الکویلیت، دبلیو. السبایی، س. آلفارس، ع. النصاری، م.م. Ragab، AM تجزیه و تحلیل سوابق جزئیات تماس برای پشتیبانی از آمار گردشگری در عربستان سعودی: یک مطالعه اکتشافی. در مجموعه مقالات چهاردهمین مجمع جهانی آمار گردشگری، ونیز، ایتالیا، 23 تا 25 نوامبر 2016. [ Google Scholar ]
  28. چن، NC; زی، دبلیو. Welsch, RE; لارسون، ک. Xie, J. پیش‌بینی‌های جامع مکان بازدید بعدی گردشگران بر اساس سوابق جزئیات تماس با استفاده از روش‌های یادگیری ماشینی و یادگیری عمیق. در مجموعه مقالات کنگره بین المللی IEEE 2017 در مورد داده های بزرگ (کنگره BigData)، هونولولو، HI، ایالات متحده آمریکا، 25 تا 30 ژوئن 2017؛ صص 1-6. [ Google Scholar ]
  29. چن، NC; زی، جی. تین، پ. آلونسو، ال. ناگاکورا، تی. لارسون، ک. الگوهای گردشگری داده کاوی. در دسترس آنلاین: https://papers.cumincad.org/data/works/att/caadria2017_070.pdf (در 12 دسامبر 2020 قابل دسترسی است).
  30. لنگ، ی. نوریگا، ا. پنتلند، ای. ویندر، آی. لوتز، ن. آلونسو، L. تجزیه و تحلیل پویایی گردشگری و رویدادهای خاص از طریق فراداده تلفن همراه. arXiv 2016 , arXiv:1610.08342. [ Google Scholar ]
  31. لینگ، اف. سان، تی. زو، ایکس. چن، کیو. تانگ، ایکس. Ke، X. رفتارهای سفر معدنی گردشگران با داده های تلفن همراه: مطالعه موردی در هاینان. در مجموعه مقالات دومین کنفرانس بین المللی IEEE در کامپیوتر و ارتباطات (ICCC) در سال 2016، چنگدو، چین، 14 تا 17 اکتبر 2016؛ صص 1524-1529. [ Google Scholar ]
  32. زو، ایکس. سان، تی. یوان، اچ. هو، زی. میائو، جی. بررسی الگوی حرکت گروهی از طریق داده های سلولی: مطالعه موردی گردشگران در هاینان. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 74. [ Google Scholar ] [ CrossRef ]
  33. چن، کیو. هو، زی. سو، اچ. تانگ، ایکس. یو، ک. درک الگوهای سفر گردشگران از داده های تلفن همراه: مطالعه موردی در هاینان. در مجموعه مقالات کنفرانس بین‌المللی IEEE 2018 درباره داده‌های بزرگ و محاسبات هوشمند (BigComp)، شانگهای، چین، 15 تا 17 ژانویه 2018؛ ص 45-51. [ Google Scholar ]
  34. کوین، اس. من، ج. وانگ، ایکس. لی، سی. دونگ، اچ. Ge, X. استفاده از تجزیه و تحلیل داده های بزرگ برای نظارت بر جریان گردشگران برای مدیریت عملیات منطقه دیدنی. گسسته. دین نات. Soc. 2019 ، 2019 ، 8239047. [ Google Scholar ] [ CrossRef ]
  35. ونهوف، م. هندریککس، ال. پوسر، ا. ورستراتن، جی. پلوتز، تی. Smoreda، Z. بررسی استفاده از داده های تلفن همراه برای تجزیه و تحلیل سفرهای گردشگری داخلی. در دسترس آنلاین: https://journals.openedition.org/netcom/2742 (در 12 دسامبر 2020 قابل دسترسی است).
  36. مامه ای، م. Colonna، M. تجزیه و تحلیل طبقه بندی گردشگران از داده های شبکه سلولی. J. Locat. سرویس مبتنی بر 2018 ، 12 ، 19-39. [ Google Scholar ] [ CrossRef ]
  37. خو، ی. لی، جی. بلی، ا. پارک، اس. مشخص کردن شبکه های مقصد از طریق ردیابی تحرک گردشگران بین المللی – مطالعه موردی با استفاده از مجموعه داده موقعیت یابی تلفن همراه در سراسر کشور. تور. مدیریت 2021 , 82 , 104195. [ Google Scholar ] [ CrossRef ]
  38. گوتیرز، آ. Miravet, D. عوامل تعیین کننده استفاده توریستی از حمل و نقل عمومی در مقصد. پایداری 2016 ، 8 ، 908. [ Google Scholar ] [ CrossRef ]
  39. دومنک، آ. میراوت، دی. گوتیرز، ا. داده‌های کارت سفر با اتوبوس برای تجزیه و تحلیل تحرک در مناطق توریستی. J. Maps 2020 ، 16 ، 40–49. [ Google Scholar ] [ CrossRef ]
  40. دومنک، آ. گوتیرز، A. ارزیابی مبتنی بر GIS از اثربخشی و پوشش فضایی شبکه‌های حمل و نقل عمومی در مقاصد گردشگری. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 83. [ Google Scholar ] [ CrossRef ]
  41. گوتیرز، آ. Miravet، D. Estacionalidad turística y dinámicas metropolitanas: Unálisis a partir de la movilidad en transporte público en el Camp de Tarragona. کشیش جئوگر. نورته جی دی. 2016 ، 89 ، 65-89. [ Google Scholar ] [ CrossRef ]
  42. دومنک، آ. گوتیرز، آ. Clavé، SA رفتار فضایی مسافران کروز و سطوح هزینه در مقصد. تور. طرح. توسعه دهنده 2020 ، 17 ، 17-36. [ Google Scholar ] [ CrossRef ]
  43. دومنک، آ. گوتیرز، آ. Anton Clavé, S. محیط ساخته شده و تحرک گردشگران سفر دریایی شهری. ان تور. Res. 2020 , 81 , 102889. [ Google Scholar ] [ CrossRef ]
  44. INE. Estadística de Movimientos Turísticos en Fronteras (FRONTUR) نوامبر 2019. Datos Provisionales. در دسترس آنلاین: https://www.ine.es/daco/daco42/frontur/frontur1119.pdf (در 12 دسامبر 2020 قابل دسترسی است).
  45. زاراگوزی، بی. Giménez-Font، P. تجزیه و تحلیل داده های بصری برای تعیین گستره جغرافیایی کبروها. J. Cult. میراث. 2021 . [ Google Scholar ] [ CrossRef ]
  46. ساراگوزی، BM; تریلز، اس. Navarro-Carrión، JT به کارگیری فناوری‌های کانتینر در یک پروژه GIScience: چشم‌اندازی از تحقیقات بازتولیدپذیر. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 138. [ Google Scholar ] [ CrossRef ]
  47. پوژول-پردیس، ام. Gutiérrez, A. Segregación residencial de la población extranjera en un destino turístico maduro: El caso de La Pineda (Costa Dorada). Lurralde Investigación y Espacio 2017 ، 40 ، 167–192. [ Google Scholar ]
  48. گوتیرز، آ. میراوت، دی. Saladié، Ò. Anton Clavé، S. انتخاب حالت حمل و نقل توسط گردشگرانی که از یک ایستگاه راه آهن پرسرعت محیطی به مقصد خود منتقل می شوند: شواهد تجربی از Costa Daurada. پایداری 2019 ، 11 ، 3200. [ Google Scholar ] [ CrossRef ]
  49. 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 ]
  50. مک کرچر، بی. شوال، ن. نگ، ای. Birenboim، A. اولین و تکرار رفتار بازدید کننده: ردیابی GPS و تجزیه و تحلیل GIS در هنگ کنگ. تور. Geogr. 2012 ، 14 ، 147-161. [ Google Scholar ] [ CrossRef ]
  51. میراندا، اف. دورایسوامی، اچ. لاگه، م. ژائو، ک. گونسالوز، بی. ویلسون، ال. حسیه، م. سیلوا، سی تی نبض شهری: تسخیر ریتم شهرها. IEEE Trans. Vis. محاسبه کنید. نمودار. 2017 ، 23 ، 791-800. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  52. وانگ، ز. یوان، ی. چانگ، ال. سان، ایکس. Luo, X. یک روش پرس و جوی بصری مبتنی بر نمودار برای داده های عظیم مسیر انسانی. دسترسی IEEE 2019 ، 7 ، 160879–160888. [ Google Scholar ] [ CrossRef ]
  53. پارلمان، E. مقررات (EU) 2016/679 پارلمان اروپا و شورای 27 آوریل 2016 در مورد حمایت از اشخاص حقیقی در مورد پردازش داده های شخصی و در مورد جابجایی آزادانه این داده ها، و لغو بخشنامه 95 /46/ec (مقررات عمومی حفاظت از داده ها). خاموش J. Eur. اتحادیه L 2016 ، 119 ، 1-88. [ Google Scholar ]
  54. تریلز، اس. گرانل، سی. دگبلو، ا. Bhattacharya، D. دستورالعمل های تعاملی: ارتباطات عمومی تحقیقات مبتنی بر داده در شهرها. PLoS ONE 2020 , 15 , e0228008. [ Google Scholar ] [ CrossRef ]
  55. زاراگوزی، بی. Giménez-Font، P. بلدا-آنتولی، آ. Ramón-Morte، A. تجزیه و تحلیل مبتنی بر نمودار برای تولید بافت جغرافیایی از یک کاداستر تاریخی در اسپانیا (قرن 17 و 18). تاریخچه روشها J. Quant. بین رشته ای تاریخچه 2019 ، 52 ، 228-243. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00098 g001 550
شکل 1. سلول های شهری، روستایی و ایزوله در یک شبکه تلفن همراه. معمولاً از چند ضلعی های Voronoi برای ساخت این سلول ها استفاده می شود، اما این هندسه ها با شش ضلعی جایگزین می شوند تا بر مفهوم سلول تأکید شود.
Ijgi 10 00098 g002 550
شکل 2. نقشه موقعیت منطقه مورد مطالعه. نقشه اصلی شهرداری های اصلی منطقه و منطقه بندی پیشنهادی سالو (مسکونی، PortAventura و مناطق توریستی) را نشان می دهد. نقشه مرجع منطقه مورد مطالعه را در بافت استان تاراگونا، کاتالونیا و اسپانیا نشان می دهد.
Ijgi 10 00098 g003 550
شکل 3. گردش کار توسط Nommon Solutions برای پردازش داده های تلفن همراه استفاده می شود.
Ijgi 10 00098 g004 550
شکل 4. نقشه های جریان تحرک درون شهری و بین شهری در سالو ساکنان استان تاراگونا.
Ijgi 10 00098 g005 550
شکل 5. نقشه های جریان تحرک درون شهری و بین شهری در سالو گردشگران اسپانیایی (از خارج از استان تاراگونا).
Ijgi 10 00098 g006 550
شکل 6. نقشه های جریان تحرک درون شهری و بین شهری در سالو گردشگران بین المللی.
Ijgi 10 00098 g007 550
شکل 7. افزایش فصلی در تعداد سفر برای ساکنان محلی، اسپانیایی و گردشگران بین المللی.
Ijgi 10 00098 g008 550
شکل 8. نمودارهای آبرفتی تحرک تابستانی ساکنان محلی، گردشگران ملی و گردشگران بین المللی در سالو را نشان می دهد. تحرک درون شهری حرکات بین مناطق مختلف Salou-PortAventura (PA)، Residential (Res)، توریستی (Tour) را نشان می دهد، در حالی که تحرک بین شهری حرکت از این مناطق به مهم ترین شهرداری های منطقه – Cambrils را نشان می دهد. (C)، Reus (R)، Tarragona (T) و Vila-seca (VS).
Ijgi 10 00098 g009 550
شکل 9. نمودارهای آبرفتی تحرک زمستانی ساکنان محلی، گردشگران ملی و گردشگران بین المللی در سالو را نشان می دهد. تحرک درون شهری حرکات بین مناطق مختلف Salou – PortAventura (PA)، Residential (Res)، توریستی (Tour) را نشان می دهد، در حالی که تحرک بین شهری حرکت از این مناطق و به مهم ترین شهرداری های منطقه را نشان می دهد. Cambrils (C)، Reus (R)، Tarragona (T) و Vila-seca (VS).

مقالات داخلی و بین المللی

داده های تلفن همراه غیرفعال برای مطالعه و پایش گردشگری با استفاده از GIS

مطالب مرتبط ...

2 نظرات

دیدگاهتان را بنویسید