چارچوب تحلیل رفتار توریستی با هدایت نظریه توپو اطلاعات جغرافیایی و کاربرد آن در شهر دنگ فنگ، چین

با توسعه گردشگری و تغییر در کارکردهای شهری، تحلیل الگوی فضایی جریان‌های گردشگری شهری اهمیت فزاینده‌ای پیدا کرده است. مطالعات موجود با استفاده از داده‌های ردپای دیجیتال مناسب و روش‌های تحقیق، رفتار گردشگران را به خوبی بررسی و تحلیل کرده‌اند. با این حال، اکثر مطالعات تحلیل مکانیسم های داخلی و تصمیم گیری گردشگری را نادیده گرفته اند. این مقاله یک چارچوب جدید برای تجزیه و تحلیل رفتار گردشگران با الهام از اطلاعات جغرافیایی Tupu، شامل سه ماژول پایگاه داده فضایی-زمانی، علائم، تشخیص و پیاده سازی پیشنهاد می کند. ماژول پایگاه داده فضایی-زمانی عمدتاً برای جمع آوری داده ها و پاکسازی داده های ردپای دیجیتالی گردشگران استفاده می شود. ماژول علائم عمدتاً برای آشکار کردن الگوهای فضایی و ساختارهای شبکه‌ای جریان‌های توریستی استفاده می‌شود. ماژول تشخیص و پیاده سازی عمدتا برای تجزیه و تحلیل مکانیزم داخلی و تصمیم گیری گردشگری تحت الگوهای مختلف جریان توریستی استفاده می شود. این مقاله چارچوب تحقیقاتی پیشنهادی را در شهر دنگ فنگ، چین، با استفاده از خاطرات سفر آنلاین به عنوان منبع داده‌های ردپای دیجیتال، برای تجزیه و تحلیل رفتار توریستی آن اعمال کرد. نتایج به شرح زیر بود: جریان های توریستی دنگ فنگ به طور نابرابر توزیع شده بودند، بنابراین یک ساختار هسته-حومه آشکار با رقابت داخلی شدید و قدرت نامتعادل را تشکیل دادند. تفاوت در منابع گردشگری بین مناطق شمالی و جنوبی آن همچنان چالشی برای توسعه گردشگری آینده در دنگ فنگ است. این مقاله چارچوب تحقیقاتی پیشنهادی را در شهر دنگ فنگ، چین، با استفاده از خاطرات سفر آنلاین به عنوان منبع داده‌های ردپای دیجیتال، برای تجزیه و تحلیل رفتار توریستی آن اعمال کرد. نتایج به شرح زیر بود: جریان های توریستی دنگ فنگ به طور نابرابر توزیع شده بودند، بنابراین یک ساختار هسته-حومه آشکار با رقابت داخلی شدید و قدرت نامتعادل را تشکیل دادند. تفاوت در منابع گردشگری بین مناطق شمالی و جنوبی آن همچنان چالشی برای توسعه گردشگری آینده در دنگ فنگ است. این مقاله چارچوب تحقیقاتی پیشنهادی را در شهر دنگ فنگ، چین، با استفاده از خاطرات سفر آنلاین به عنوان منبع داده‌های ردپای دیجیتال، برای تجزیه و تحلیل رفتار توریستی آن اعمال کرد. نتایج به شرح زیر بود: جریان های توریستی دنگ فنگ به طور نابرابر توزیع شده بودند، بنابراین یک ساختار هسته-حومه آشکار با رقابت داخلی شدید و قدرت نامتعادل را تشکیل دادند. تفاوت در منابع گردشگری بین مناطق شمالی و جنوبی آن همچنان چالشی برای توسعه گردشگری آینده در دنگ فنگ است.

کلید واژه ها:

اطلاعات جغرافیایی Tupu ; جریان توریستی ؛ ردپای دیجیتال ؛ دفتر خاطرات سفر آنلاین ; تحلیل شبکه های اجتماعی ; دنگ فنگ

1. مقدمه

جریان توریستی به مهاجرت گردشگران در فضای گردشگری اطلاق می شود [ 1 ] که نشان دهنده جریان گردشگران و تفاوت منابع گردشگری است. علاوه بر این، جریان توریستی پدیده تعامل فضایی بین گره های توریستی را آشکار می کند. تحلیل شبکه‌های تعاملی مبتنی بر جریان توریستی می‌تواند برای بیان پدیده‌های تجمع و انتشار فضایی گردشگران و تحلیل نقش‌ها، عملکردها و تعاملات گره‌های گردشگری مفید باشد. بنابراین، نشان دهنده تخصیص منابع گردشگری منطقه ای و ادغام منطقی فضای گردشگری منطقه است [ 2 ].

مطالعات جریان گردشگر با هدف آشکارسازی رفتار گردشگران از دو منظر منابع داده و روش های تحقیق، به موضوعی داغ در تحقیقات گردشگری تبدیل شده است. از نظر منابع داده، رویکردهای به دست آوردن داده ها به تدریج غنی شده است، از روش های اولیه، سنتی تا روش های پیشرفته و متنوع. روش‌های سنتی اولیه عمدتاً شامل بررسی‌های پرسشنامه [ 3 ، 4 ، 5 ، 6 ] و سالنامه‌های آماری [ 7 ، 8 ، 9 ] بود. با ادغام عمیق اینترنت و صنعت گردشگری، گردشگران از محصولات الکترونیکی مختلف برای ثبت زمان و مسیر سفر استفاده می‌کنند و ردپای دیجیتالی غنی را تشکیل می‌دهند [ 10 ]]. داده‌های ردپای دیجیتالی پیشرفته را می‌توان به روش‌های متنوعی از طریق رویکردهای مختلف به‌دست آورد، مانند خاطرات سفر آنلاین [ 11 ، 12 ، 13 ]، داده‌های ورود به حساب Weibo [ 14 ، 15 ، 16 ]، داده‌های موقعیت‌یابی تلفن همراه [ 17 ، 18 ، 19 ] ، و عکس های دارای برچسب جغرافیایی [ 20 ، 21 ، 22 ]. دارای مزایای کم هزینه جمع آوری، پوشش زمانی و مکانی وسیع، و ردیابی پایدار است [ 23 ]]. بنابراین، داده‌های ردپای دیجیتالی گردشگران به‌دست‌آمده در رسانه‌های اجتماعی، پشتیبانی قوی برای دستیابی به منابع داده برای تحقیقات جریان گردشگران فراهم می‌کند. از نظر روش تحقیق، بر اساس ردپای دیجیتال، رویکردهای مطالعه جریان گردشگر از روش های سنتی جغرافیایی به روش های بین رشته ای و چند نگرشی به تدریج غنی شده است. روش‌های اولیه عمدتاً بر تحلیل الگوی فضایی جریان گردشگر، از جمله تحلیل ویژگی‌های زمانی [ 24 ]، تجزیه و تحلیل ویژگی‌های مکانی [ 25 ]، و تحلیل ویژگی‌های تکامل مکانی-زمانی [ 26 ] تمرکز دارند. با توسعه ادغام بین رشته ای، برخی از محققان از تحلیل شبکه های اجتماعی استفاده کرده اند [ 27 ، 28 ،29 ] برای مطالعه ساختار شبکه ای جریان گردشگر از منظر روابط ساختاری. تجزیه و تحلیل شبکه های اجتماعی می تواند نقش ها، عملکردها و تعاملات فضایی گره ها را کمیت کند [ 8 ]، که روشی بصری تر برای تجزیه و تحلیل رفتار گردشگران است. برای مثال، Bindan Zeng [ 30 ] ویژگی‌های ساختاری شبکه گردشگری ورودی ژاپن را بر اساس روش تحلیل شبکه‌های اجتماعی، با استفاده از داده‌های ردپای دیجیتالی گردشگران تحلیل کرد. هان و همکاران [ 31 ] از نظرسنجی پرسشنامه به عنوان منبع داده استفاده کرد و از تحلیل شبکه اجتماعی برای تجزیه و تحلیل شبکه های گردشگری و روند خرید گردشگران چینی و ژاپنی که از کره بازدید می کردند استفاده کرد.

مطالعات موجود با استفاده از داده‌های ردپای دیجیتال مناسب و روش‌های تحقیق، رفتار گردشگر (یا جریان گردشگر) را به خوبی بررسی و تحلیل کرده‌اند. با این حال، اکثر مطالعات تحلیل مکانیزم داخلی و تصمیم گیری گردشگری را نادیده گرفته اند. یک الگوی رفتار توریستی کامل باید شامل عناصر زیر باشد: اکتساب داده، تجزیه و تحلیل جریان گردشگر، تجزیه و تحلیل مکانیسم های داخلی، و تصمیم گیری گردشگری [ 32 ، 33 ]. این با نظریه Tupu اطلاعات جغرافیایی مطابقت دارد [ 34 ، 35 ]. اطلاعات جغرافیایی Tupu یک روش تجزیه و تحلیل مکانی-زمانی جغرافیایی است که از علائم، تشخیص و اجرا تشکیل شده است [ 36 ]]. برای کشف دانش مکانی و زمانی و قوانین زمین شناسی و ارائه خدمات کاربردی برای توسعه اجتماعی و اقتصادی [ 37 ] استفاده می شود. به عنوان مثال، بر اساس نظریه Tupu اطلاعات جغرافیایی، Du et al. [ 38 ] از داده های طبقه بندی محصولات 2009-2017 برای تجزیه و تحلیل الگوهای کاشت در یک منطقه خاک سیاه استفاده کرد. سپس تصمیمات کشاورزی مربوطه مانند ایجاد سیستم آیش چرخشی زمین زیر کشت، بهبود محتوای آلی خاک، افزایش عملکرد محصول و غیره اتخاذ شد. به طور کلی، اطلاعات جغرافیایی Tupu ترکیبی از شناخت، روش ها و نقشه ها است [ 39 ]. استفاده از آن برای مطالعه ویژگی‌های جریان توریستی ممکن است دیدگاه تحقیقاتی جدیدی برای تحلیل رفتار گردشگران ارائه دهد.

برای دستیابی به فرآیند تجزیه و تحلیل رفتار توریستی کامل‌تر، این مقاله یک چارچوب جدید از دیدگاه نظریه توپو اطلاعات جغرافیایی برای مطالعه رفتار گردشگران پیشنهاد می‌کند و آن را در شهر دنگ فنگ، چین اعمال می‌کند. چارچوب پیشنهادی می‌تواند به مدیران کمک کند تا درک بهتری از الگوی مکانی-زمانی جریان گردشگر داشته باشند و سپس مرجع تصمیم‌گیری مناسب‌تری برای مدیریت برنامه‌ریزی گردشگری در اختیار مدیران قرار دهند. علاوه بر این، تئوری و روش تحلیل رفتار گردشگران را غنی تر می کند.

2. مواد و روشها

2.1. مطالعه موردی و منبع داده

شهر دنگ فنگ در منطقه غربی-مرکزی استان هنان، چین واقع شده است ( شکل 1 ). کوه سونگشان در شمال و کوه جیشان و کوه داکسیونشان در جنوب وجود دارد. در حال حاضر، شهر دنگ فنگ دارای یک میراث فرهنگی جهانی و یک جاذبه گردشگری ملی 5A است. در سال های اخیر، گردشگری در دنگ فنگ دستخوش توسعه شدیدی شده است. با این حال، سهم صنعت گردشگری در اقتصاد این شهر همچنان پایین است. این کشور دارای منابع گردشگری فرهنگی در سطح جهانی است، اما مزایای خود را اعمال نکرده است [ 40 ]. برای استفاده کامل از مزایای منابع گردشگری فرهنگی دنگ فنگ، این مقاله رفتار توریستی دنگ فنگ را تحلیل کرده و تصمیمات گردشگری مربوطه را اتخاذ کرد.

دفتر خاطرات سفر آنلاین عمدتاً توسط گردشگرانی با تجربیات خاص سفر تهیه می شود. این خاطرات سفر، زمان و مسیر سفر گردشگران را با قابلیت ردیابی و جزئیات خوب ثبت می کند [ 41 ]. پس از مقایسه وب‌سایت‌های رایج مسافرتی و رسانه‌های اجتماعی چین، داده‌های خاطرات سفر آنلاین که توسط گردشگران بازدیدکننده از Dengfeng از Qunar.com ( www.qunar.com (دسترسی در 16 ژوئیه 2021))، Ctrip.com ( www.ctrip.com ) تولید شده است. (در 16 ژوئیه 2021 قابل دسترسی است)) و Mafengwo.com ( www.mafengwo.cn (دسترسی در 16 ژوئیه 2021)) به عنوان منابع داده ردپای دیجیتال انتخاب شدند.

2.2. مواد و روش ها

اطلاعات جغرافیایی Tupu مجموعه ای از نقشه های چند بعدی است که از تجزیه و تحلیل علوم زمین برای توصیف وضعیت موجود استفاده می کند و یک مدل مکانی-زمانی برای تجزیه و تحلیل گذشته و آینده مجازی ایجاد می کند [ 42 ]، شامل سه بخش پایگاه داده مکانی-زمانی، علائم، و تشخیص و اجرا. . با الهام از ساختار سلسله مراتبی اطلاعات جغرافیایی Tupu [ 37]، این مقاله سه ماژول از پایگاه داده مکانی-زمانی، تجزیه و تحلیل جریان گردشگر (علائم)، و تصمیم گیری گردشگری (تشخیص و اجرا) را برای مطالعه رفتار گردشگر ایجاد کرد. در میان آنها، ماژول پایگاه داده مکانی-زمانی برای جمع‌آوری داده‌ها و پاکسازی داده‌های ردپای دیجیتالی گردشگران استفاده شد. بر اساس ایجاد پایگاه داده، ماژول علائم برای تجزیه و تحلیل الگوهای جریان توریستی توسط مدل‌های استخراج اطلاعات استفاده شد. با توجه به بیان جریان توریستی از ماژول علائم tupu، ماژول تشخیص و پیاده سازی برای تجزیه و تحلیل مکانیسم های داخلی و تصمیم گیری گردشگری تحت الگوهای مختلف جریان توریستی استفاده شد. شماتیک دقیق در شکل 2 نشان داده شده است .

2.2.1. ایجاد پایگاه داده مکانی-زمانی بر اساس داده های ردپای دیجیتال

ماژول پایگاه داده فضایی-زمانی عمدتاً برای جمع آوری داده ها و پاکسازی داده های ردپای دیجیتالی گردشگران استفاده می شود. ابتدا، این مقاله از خاطرات سفر آنلاین به عنوان منبع داده های ردپای دیجیتال استفاده کرد. ما از جمع‌آورنده اختاپوس ( www.bazhuayu.com (دسترسی در 16 ژوئیه 2021)) برای جمع‌آوری خاطرات سفر در وب‌سایت‌های گردشگری از 1 ژانویه 2015 تا 31 دسامبر 2018 استفاده کردیم. توجه داشته باشید که برخی از خطاهای اطلاعاتی و مشکلات منطقی در خاطرات سفر آنلاین وجود داشت. مانند پست های تبلیغاتی، خاطرات ناقص سفر، خاطرات سفر تکراری، و داده های نقطه ای جدا شده. بنابراین، لازم بود قبل از تجزیه و تحلیل جریان گردشگر، داده ها به صورت دستی پاک شوند. برای داده‌های پاک‌شده، از آمار ریاضی برای جمع‌آوری و تولید پایگاه‌داده جاذبه‌ها استفاده کردیم.

دوم، پایگاه داده مکانی-زمانی ایجاد شد که شامل پایگاهی از خاطرات سفر آنلاین، پایگاه داده مختصات جاذبه ها و پایگاه داده بازدید از جاذبه ها بود. همانطور که در جدول 1 نشان داده شده است، در پایگاه داده ردپای دیجیتال، هر رکورد عمدتاً شامل شناسه کاربر، تاریخ توریست و گره توریستی است . در پایگاه داده مختصات جاذبه، هر رکورد عمدتاً شامل نام جاذبه به همراه طول و عرض جغرافیایی آن است که در جدول 2 نشان داده شده است. همانطور که در جدول 3 نشان داده شده است، در پایگاه داده بازدید از جاذبه، هر رکورد عمدتاً شامل نام جاذبه و تعداد دفعات بازدید گردشگران در سال 2015-2018 است .

2.2.2. تحلیل الگوی فضایی جریان گردشگر

هدف ماژول علائم tupu ایجاد نقشه های چند بعدی با استفاده از مدل های استخراج اطلاعات برای بیان جریان توریستی است. برخی از مدل‌ها برای تحلیل رفتار گردشگران از دو منظر انتخاب می‌شوند: الگوهای فضایی جریان گردشگر و ساختار شبکه‌ای جریان توریست. در این مقاله از مدل مرکز ثقل و تحلیل چگالی سه بعدی برای به تصویر کشیدن پدیده تجمع و انتشار جریان توریستی در فضای گردشگری استفاده شده است. برای تجزیه و تحلیل ساختار شبکه، این مقاله از تحلیل شبکه اجتماعی برای آشکار کردن نقش، عملکرد و تعامل گره‌های توریستی استفاده کرد.

مدل مرکز ثقل [ 41 ] ابزار مهمی برای مطالعه ویژگی های فضایی مرکز ثقل جریان توریستی در فرآیند توسعه منطقه ای است. مدل مرکز ثقل جریان توریستی جاذبه ها را به عنوان واحد محاسباتی پایه در نظر می گیرد و شدت جریان توریستی جاذبه ها را به عنوان وزن تعیین می کند. مرکز ثقل فعالیت های مختلف در منطقه را با شبیه سازی مرکز تعادل کشش بین گره های توریستی با وزن های مختلف محاسبه می کند:

ایکس = \sum n i = 1 w من ، ایکس من \sum n i = 1 w من Y = \sum n i = 1 w من ، y من \sum n i = 1 w من

(1)

جایی که ( $X$ ، $Y$ ) مختصات مرکز ثقل هستند. n تعداد کل جاذبه ها است. ( $x_{i}$ ، $y_{i}$ ) مختصات جغرافیایی جاذبه i هستند که با مختصات طول و عرض جغرافیایی بیان می شوند. و $w_{i}$ وزن جاذبه i است که با شدت جریان توریستی بیان می شود، یعنی جاذبه زمان-فرکانس که در دفتر خاطرات سفر آنلاین ظاهر می شود.

تحلیل تراکم سه بعدی می تواند یکنواختی توزیع فضایی جریان های توریستی را بیان کند. از روش نماد نقطه ثابت برای انتزاع و نمادسازی جاذبه ها استفاده می کند. عناصر شاخص جاذبه ها در سیستم سه بعدی محیط جغرافیایی مجازی بر اساس طول و عرض جغرافیایی قرار می گیرند. نمودارهای تولید شده توسط نمادسازی داده های چگالی ردپای جاذبه ها بر روی عناصر شاخص قرار می گیرند. اندازه نمادهای گرافیکی برای توصیف کمی تفاوت در تراکم توریستی بین جاذبه ها استفاده می شود.

تحلیل شبکه های اجتماعی نقش ها، عملکردها و ارتباطات جاذبه ها را بر اساس روابط ساختاری بررسی می کند. این عمدتا شامل سه عنصر است: گره ها، روابط، و اتصالات. [ 43 ] هر جاذبه در منطقه معادل یک نقطه در ساختار شبکه اجتماعی است. رابطه نگاشت بین نقاط در ساختار شبکه اجتماعی نشان دهنده ارتباط بین جاذبه ها است. اتصال نشان دهنده دسترسی ترافیک بین جاذبه ها است.

شاخص های ارزیابی تحلیل شبکه های اجتماعی عمدتاً از دو بخش تشکیل شده است: ساختار تک گره و ساختار کلی شبکه [ 44 ].

حفره های ساختاری و شاخص های مرکزیت ابزار مهمی برای اندازه گیری نقش و عملکرد گره ها هستند. استفاده از این شاخص‌ها می‌تواند موقعیت رقابتی و درجه اصلی گره‌های توریستی را در شبکه جریان توریستی تعیین کند.

حفره های ساختاری درجه موقعیت مطلوب یک گره در شبکه را نشان می دهد. گره‌هایی که سوراخ‌های ساختاری بیشتری دارند، کمتر تحت تأثیر گره‌های اطراف قرار می‌گیرند و در نتیجه مزیت رقابتی منطقه‌ای قوی دارند. به طور کلی، اندازه موثر و معیارهای محدودیت برای اندازه گیری سوراخ های ساختاری استفاده می شود.

هر چه مقدار اندازه موثر بیشتر باشد، گره ها در شبکه کمتر تکرار می شوند و احتمال وجود حفره های ساختاری بیشتر می شود. می توان آن را به صورت زیر محاسبه کرد:

E اس من = \sum j n (1-_\sum q n پ من ق متر j q) ، ق \neq i ، j ، w h e r e پ من ق = ( z من ق + z q من ) \sum n j ( z من ج + z j i ), من \neq j, متر j q = ( z j q + z q j ) حداکثر ( z j k + z k j ) ، j \neq k

(2)

جایی که $z_{i q}$ تعداد اتصالات از گره i به گره q است . $p_{i q}$ رابطه تناسبی بین گره i و گره q است، یعنی تعداد اتصالات بین گره i و گره q تقسیم بر تمام اتصالات گره i است . $m_{j q}$ استحکام حاشیه ای بین j و q است که تعداد اتصالات بین گره های j و q تقسیم بر حداکثر تعداد اتصالات بین گره j و سایر گره ها است. و n تعداد گره ها در شبکه جریان توریستی است.

هرچه مقدار محدودیت کمتر باشد، وابستگی گره به گره های دیگر کمتر است و گره دارای حفره ساختاری توانایی بیشتری دارد. می توان آن را به صورت زیر محاسبه کرد:

سی تی من = \sum j n (پ من ج + \sum q n پ من ق پ q j) 2 ، ق \neq من ، ج

(3)

جایی که $p_{i j}$ رابطه تناسبی بین گره i و گره j است . $p_{i q}$ رابطه تناسبی بین گره i و گره q است . $p_{q j}$ رابطه تناسبی بین گره q و گره j است . و n تعداد گره ها در شبکه جریان توریستی است.

مرکزیت نشان دهنده درجه موقعیت هسته یک گره در شبکه است. گره هایی با ارزش مرکزی بالاتر، سطح نفوذ و تسلط بالایی در شبکه جریان توریستی دارند. به طور کلی، از سه معیار مرکزیت درجه، مرکزیت نزدیکی و مرکزیت بینابینی برای اندازه گیری مرکزیت استفاده می شود.

هرچه مقدار مرکزیت درجه بالاتر باشد، ارتباطات بیشتری با گره های دیگر دارد و موقعیت آن اهمیت بیشتری دارد. مرکزیت درجه به مرکزیت درون درجه ای و مرکزیت برون درجه تقسیم می شود که به صورت زیر قابل محاسبه است:

سی د (من n) (n من) = \sum j = 1 ل آر من ج (من n) سی D (o u t) (n i) = \sum j = 1 l R i j (o u t)

(4)

جایی که $C_{D (i n)} (n_{i})$ مرکزیت در درجه است، $C_{D (o u t)} (n_{i})$ مرکزیت خارج از درجه است، l تعداد گره های توریستی در شبکه است، $R_{i j (i n)}$ نشان می دهد که یک اتصال جهت دار از گره j به گره i و وجود دارد $R_{i j (o u t)}$ نشان می دهد که یک اتصال جهت دار از گره i به گره j وجود دارد.

هرچه مقدار مرکزیت نزدیکی بیشتر باشد، فاصله توریستی بین گره و سایر گره‌ها کوتاه‌تر است و دسترسی به گره بهتر است. مرکزیت نزدیکی را می توان به مرکزیت در نزدیکی و مرکزیت خارج از نزدیک تقسیم کرد که به صورت زیر قابل محاسبه است:

سی ج (n من) = 1 \sum ل j = 1 د ( n من ، n j )

(5)

جایی که $C_{c} (n_{i})$ مرکزیت نزدیکی است، $d (n_{i}, n_{j})$ کوتاه ترین فاصله مسیر بین گره است $n_{i}$ و گره $n_{j}$ ، و هر دو مرکزیت در نزدیکی و مرکزیت خارج از نزدیک با این فرمول بیان می شوند.

هرچه مقدار مرکزیت بین‌سازی بیشتر باشد، نقش مرکز حمل‌ونقل آشکارتر است و کنترل گره روی سایر گره‌های توریستی قوی‌تر می‌شود. می توان آن را به صورت زیر محاسبه کرد:

سی ب (n من) = \sum j ل \sum ک ل g j k ( n من ) g j k ، j \neq k \neq i

(6)

جایی که $C_{B} (n_{i})$ مرکزیت بین گره i است، $g_{j k} (n_{i})$ تعداد کوتاهترین خطوط سفر از گره j به گره k و از طریق گره سفر i در شبکه است، و $g_{j k}$ تعداد کوتاهترین خطوط سفر از گره j به گره k است.

نشانگر هسته- پیرامون یک راه ضروری برای اندازه گیری ارتباط بین گره های توریستی است. اول، شاخص هسته- پیرامون از تراکم نسبی گره ها در شبکه جریان توریستی برای طبقه بندی جاذبه ها به مناطق هسته و لبه استفاده می کند [ 45 ]]. دوم، می تواند انسجام را در نواحی هسته و لبه تعیین کند. سوم، می تواند ارتباطات بین ناحیه هسته و ناحیه لبه را کمیت کند. این اتصالات شامل اثر محرک ناحیه هسته در ناحیه لبه و اثر محرک ناحیه لبه بر روی ناحیه هسته است. مقادیر بالاتر نشان دهنده تعامل قوی تر است. علاوه بر این، وضعیت هسته و وضعیت لبه نه تنها توسط سطح توسعه خود جاذبه تعیین می شود، بلکه مهمتر از آن، توسط پیوند و اثر محرک بین جاذبه های مختلف تعیین می شود. می توان آن را به صورت زیر محاسبه کرد [ 46 ]:

ρ = \sum من ، ج آ من ج δ من ج

(7)

δ من ج = ⎧⎩⎨⎪⎪ 1 i f ج من = سی O R E a n d ج j = سی O R E 0 i f ج من = پ E R I پ اچ E R Y a n d ج j = پ E R I پ اچ E R Y . o t h e r w i s e ⎫⎭⎬⎪⎪

(8)

جایی که $ρ$ اساساً یک ضریب همبستگی پیرسون غیر عادی است که به جای بردارها به ماتریس ها اعمال می شود. $a_{i j}$ وجود یا عدم وجود یک تساوی را در داده های مشاهده شده نشان می دهد، $δ_{i j}$ (که متعاقباً ماتریس الگو نامیده می شود) وجود یا عدم وجود کراوات را در تصویر ایده آل نشان می دهد. $c_{i}$ اشاره به کلاس (هسته یا حاشیه) است که بازیگر i به آن اختصاص داده شده است، و “.” مناطق خارج از مورب ماتریس را در خارج از بلوک های هسته و لبه نشان می دهد. ضریب همبستگی $ρ$ بین داده‌های مشاهده‌شده و تصویر ایده‌آل با یافتن تصویر ایده‌آل با بیشترین چگالی بلوک‌های هسته و کوچک‌ترین چگالی بلوک‌های لبه به حداکثر می‌رسد. سپس ساختار هسته- پیرامونی شبکه تعیین می شود.

2.2.3. تصمیم گیری گردشگری بر اساس تشخیص توپو

ماژول تشخیص tupu عمدتا برای تجزیه و تحلیل مکانیسم های داخلی و تصمیم گیری گردشگری استفاده می شود. در این مقاله، تشخیص tupu با ترکیب نتایج مدل مرکز ثقل، تجزیه و تحلیل چگالی سه بعدی و تحلیل شبکه اجتماعی ایجاد شد. ابتدا محل مرکز ثقل بر روی تشخیص توپو مشخص شد تا پدیده انباشتگی جریان توریستی در فضای گردشگری را به تصویر بکشد که توسط مرکز ثقل توپو هدایت می شد. دوم، جاذبه‌های محبوب بر روی تشخیص tupu علامت‌گذاری شدند تا پدیده انتشار جریان‌های توریستی را به تصویر بکشند که با چگالی سه‌بعدی توپو نشان داده شده است. سوم، جاذبه‌ها و مسیرها با یادداشت‌ها و گرافیک‌های مختلف روی تشخیص tupu مشخص شده‌اند که توسط شبکه اجتماعی tupu نشان داده شده است. قدرت نامتعادل جاذبه‌ها را می‌توان برای تحلیل ساختار شبکه‌ای جریان توریستی تجسم کرد. در نهایت، تصمیمات گردشگری بر اساس نتایج تحلیل گرفته شد و تصمیمات گردشگری عمدتاً شامل توسعه استراتژی‌های متمایز برای پرورش جاذبه‌ها و ارتقای جریان‌های گردشگری بین جاذبه‌ها بود.

3. نتایج

3.1. ایجاد پایگاه داده های مکانی و زمانی

داده‌های خاطرات سفر آنلاین جمع‌آوری و پاکسازی شد و در مجموع 404 داده موجود باقی ماند که شامل 1635 بازدید از 22 جاذبه می‌شود. سپس پایگاه یادداشت های آنلاین سفر، پایگاه مختصات جاذبه ها و پایگاه بازدید از جاذبه ها ساماندهی شد. پایگاه داده خاطرات سفر آنلاین در جدول 4 نشان داده شده است .

3.2. تحلیل جریان توریستی

3.2.1. الگوهای فضایی جریان توریستی

(1): تحلیل الگوی تراکم فضایی جریان توریستی: مدل مرکز ثقل

پدیده تراکم فضایی جریان توریستی بر اساس مدل مرکز ثقل، همانطور که در شکل 3 نشان داده شده است، مشاهده شد . مرکز ثقل جریان توریستی در دنگ فنگ از سال 2015 تا 2018 نسبتاً ثابت باقی مانده است. این مرکز در منطقه 0.25 مایلی در ناحیه شمالی دنگ فنگ متمرکز شده است. در طول سال‌ها، مرکز ثقل جریان توریستی در سال‌های 2015-2016 از شمال شرقی به جنوب غربی، در سال‌های 2016-2017 به شمال شرقی و سپس از سال 2017 تا 2018 به شمال غربی تغییر مکان داد. با این حال، جابجایی کوچک، با فاصله افست تجمعی تنها تقریباً 0.48 مایل.

(2): تحلیل الگوی انتشار فضایی جریان توریستی: تحلیل تراکم سه بعدی

همانطور که در شکل 4 نشان داده شده است، پدیده انتشار فضایی جریان توریستی با استفاده از چگالی سه بعدی به صورت بصری تحلیل شد . از سال 2015 تا 2018، تعداد گردشگران دنگ فنگ سال به سال افزایش یافت. معبد شائولین، جنگل پاگودا، دهکده سان دنگ فنگ، آکادمی سونگ یانگ و قله جونجی محبوب ترین مکان های بازدید بودند. همه آنها در منطقه شمالی دنگ فنگ قرار داشتند. این نتیجه نشان داد که گردشگران تمایل بیشتری به بازدید از جاذبه‌های با میراث فرهنگی و ویژگی‌های منطقه‌ای قوی داشتند که منجر به تفاوت معناداری در توزیع فضایی جریان‌های گردشگری شد.

3.2.2. ساختارهای شبکه جریان توریستی

بر اساس دیدگاه روابط ساختاری، تحلیل شبکه های اجتماعی برای آشکار کردن نقش ها، عملکردها و تعاملات گره های توریستی، همانطور که در شکل 5 و شکل 6 نشان داده شده است، استفاده شد . اندازه گره ها در شکل 5 و شکل 6 سطح گره ها را نشان می دهد و ضخامت اتصالات بین گره ها حجم جریان های توریستی را نشان می دهد.

(1): تجزیه و تحلیل ساختار تک گره: حفره های ساختاری و شاخص های مرکزیت

اندازه و محدودیت موثر برای اندازه گیری سوراخ های ساختاری استفاده شد و نتایج در شکل 5 نشان داده شده است.الف، ب. گره های توریستی با مقادیر اندازه موثر بالاتر و مقادیر محدودیت کمتر دارای مزیت رقابتی منطقه ای قوی هستند. مقادیر اندازه موثر آکادمی سونگ یانگ، معبد ژونگیو و معبد شائولین نسبتاً بالاتر بود و مقادیر محدودیت آنها کمتر بود. این سه جاذبه کمتر تحت تأثیر جریان های توریستی جاذبه های اطراف خود قرار گرفتند و مزیت های رقابتی آشکاری داشتند. پیست اسکی سونگشان و رصدخانه ژوگونگ دارای مقادیر اندازه موثر نسبتا کمتر و مقادیر محدودیت بالاتری بودند. این نشان داد که هر دو بیشتر به توسعه جریان‌های توریستی از جاذبه‌های اطراف وابسته بودند. بدین ترتیب این دو جاذبه در رقابت در مضیقه بودند. با این حال، مقادیر مؤثر مقیاس و مقادیر محدودیت معبد اول پدرسالار، مراسم موسیقی ذن شائولین، و معبد Huishan نسبتاً بالاتر بودند. این نشان داد که اگرچه آنها از نظر جریان توریستی مزیت رقابتی داشتند، اما همچنان به شدت به جاذبه های اطراف وابسته بودند. دلیل احتمالی ممکن است این باشد که هر دو جاذبه در دنگ فنگ معروف هستند اما در “نقطه داغ” گردشگری قرار دارند. آنها توسط معبد شائولین و آکادمی سونگ یانگ احاطه شده بودند، که میراث فرهنگی عمیق تری دارند و جریان گردشگران را از هم جدا کردند.

برای اندازه گیری درجه مرکزیت از مرکزیت درون درجه و مرکزیت برون درجه استفاده شد و نتایج در شکل 5 c,d نشان داده شده است. گره‌های توریستی با ارزش مرکزی در درجه بالاتر و ارزش مرکزیت خارج از درجه، ارتباطات بیشتری با گره‌های دیگر دارند و بنابراین نقش پیشرو در شبکه جریان توریستی دارند. نتایج نشان داد که معبد شائولین و آکادمی سونگ یانگ دارای مقادیر مرکزی نسبتاً بالاتر و مقادیر مرکزیت خارج از درجه هستند، که نشان می‌دهد آنها به شدت به گره‌های دیگر متصل هستند. این نشان داد که آنها رقابت اصلی و نقش مسلط در سیستم گردشگری منطقه ای داشتند.

برای اندازه گیری مرکزیت نزدیکی از مرکزیت در نزدیکی و مرکزیت بیرونی استفاده شد و نتایج در شکل 5 e,f نشان داده شده است. گره های توریستی با مقادیر مرکزیت در نزدیکی بالاتر و مقادیر مرکزیت خارج از نزدیکی، مجاورت بیشتری با گره های دیگر دارند و بنابراین دسترسی بالاتری در فرآیند انتقال جریان گردشگر دارند. نتایج نشان داد که آکادمی سونگ یانگ، معبد شائولین و معبد ژونگ یوه دارای ارزش مرکزی نسبتاً نزدیک و ارزش مرکزی خارج از نزدیکی هستند که نشان می‌دهد این جاذبه‌ها ارتباط نزدیک‌تری با جاذبه‌های دیگر دارند. این امر نشان داد که آنها از دسترسی فضایی بالاتری برخوردار بوده و جایگاه مرکزی در فضای گردشگری را به خود اختصاص داده اند.

مرکزیت بین تعداد گره هایی را که به عنوان ایستگاه های انتقال در شبکه جریان توریستی عمل می کنند، کمیت می کند، و نتایج در شکل 5 g نشان داده شده است. گره‌های توریستی با ارزش‌های مرکزیت میانی بالاتر، ظرفیت واسطه‌ای بالاتری در فرآیند انتقال جریان توریستی دارند. نتایج نشان داد که معبد Zhongyue، آکادمی Songyang و معبد شائولین دارای ارزش مرکزی نسبتاً بالاتری بودند. این نشان داد که این سه جاذبه با فرض عملکرد کانال‌های گردشگری، نقش ترانزیت را در شبکه جریان توریستی ایفا می‌کنند.

(2): تجزیه و تحلیل ساختار کلی شبکه: نشانگر هسته-پیرامون

همانطور که در شکل 6 نشان داده شده است، نشانگر هسته-حاشیه جاذبه ها را به نواحی هسته و لبه طبقه بندی کرده و میزان تعامل بین نواحی را تعیین می کند .. نتایج نشان داد که جاذبه‌ها در ناحیه هسته در یک الگوی «صفحه» و «محور نقطه» توزیع شده‌اند و جریان‌های توریستی هسته‌ای یک «خط جریان» بدون بسته و الگوی «مثلث» بسته با گره‌های متعدد در مجموعه تشکیل می‌دهند. چگالی در ناحیه هسته بیشتر از داخل ناحیه لبه بود (0.625 در مقابل 0.077). این نتیجه نشان داد که گردشگران در منطقه مرکزی متمرکز شده اند و به ندرت به منطقه لبه سرازیر می شوند. علاوه بر این، اگرچه اتصالات در ناحیه لبه وجود داشت، اما درجه تعامل نسبتاً پایین بود. علاوه بر این، چگالی پیوند ناحیه هسته به ناحیه لبه بیشتر از ناحیه لبه به ناحیه هسته بود (259/0 در مقابل 223/0). ناحیه هسته اتصال داخلی قوی را نشان می دهد و کمتر به ناحیه لبه هدایت می شود، اما همچنان بیشتر از ناحیه لبه به ناحیه هسته است. به طور کلی،

3.3. تصمیم گیری گردشگری

تشخيص tupu با شانه كردن توپو چند علامتي (مدل مركز گرانش، آناليز تراكم سه بعدي و تحليل شبكه اجتماعي)، همانطور كه در شكل 7 نشان داده شده است، ايجاد شد .

تمرکز بالای گردشگری در منطقه شمالی ( شکل 7 ) یک محدودیت برای توسعه گردشگری در مناطق مرکزی و جنوبی است. بنابراین، برای ساخت آتی دنگ فنگ به عنوان یک شهر گردشگری، بررسی نحوه برخورد صحیح با تفاوت منابع گردشگری در مناطق شمالی و جنوبی و حل مشکل توسعه نامتوازن گردشگری در جاذبه های شمالی و جنوبی حائز اهمیت است. از این منظر، توصیه های زیر ارائه می شود.

اولاً، با توجه به خط سیر مرکز ثقل جریان توریستی ( شکل 3 و شکل 7 )، باز شدن دره Daxiongshan Xianren حداقل تا حدی به توسعه گردشگری در مناطق جنوبی کمک کرد، اما این منطقه همچنان فاقد بود. جذابیت قوی برای گردشگران بنابراین، شهر دنگ فنگ باید پروژه های گردشگری ویژه ای را در دره Daxiongshan Xianren توسعه دهد و استراتژی های بازاریابی متفاوتی را برای ایجاد تعادل بین توسعه گردشگری مناطق شمالی و جنوبی توسعه دهد.

ثانیاً، با توجه به نتایج حفره‌های ساختاری ( شکل 5 ب)، رصدخانه نجومی دنگ فنگ، واقع در منطقه مرکزی، به دلیل مقدار کم محدودیت آن، کمتر در برابر تأثیرات منفی جاذبه‌های مجاور آسیب‌پذیر بود. بنابراین، شبیه سازی پتانسیل گردشگری رصدخانه نجومی دنگ فنگ ممکن است راه حلی بالقوه برای ایجاد تعادل بین توسعه گردشگری مناطق شمالی و مرکزی ارائه دهد.

ثالثاً، با توجه به نتایج مرکزیت ( شکل 5 c,d)، معبد شائولین و آکادمی سونگ یانگ دارای درجه بالایی از ارزش مرکزی بودند و جاذبه های اصلی در شبکه جریان توریستی بودند. از این رو در گردشگری دنگ فنگ جایگاه غالبی را به خود اختصاص دادند. در آینده، اگر ارتباطات جریان توریستی بین این جاذبه‌های اصلی و جاذبه‌های منطقه جنوب – مرکزی تقویت شود، از جمله از طریق بازاریابی ترکیبی، امکان ارتقای توسعه گردشگری در مناطق شمالی و جنوبی وجود خواهد داشت.

4. بحث

در ادبیات موجود، بیشتر مطالعات رفتار توریستی عمدتاً بر جریان‌های توریستی ورودی یا جریان‌های توریستی شهرهای معروف و محبوب [ 47 ] تمرکز می‌کنند و شهرهای کوچک و نامشخصی را که دارای پتانسیل توسعه گردشگری هستند نادیده می‌گیرند. این احتمالاً نقطه ضعفی برای بهبود رقابت پذیری کلی گردشگری کشور است. بنابراین، تمرکز بر رفتار توریستی شهرهای کوچک و ناشناخته با پتانسیل توسعه گردشگری می تواند ضروری باشد. با این حال، اغلب محبوبیت کمتری از جاذبه ها و تعداد گردشگران کمتر در این نوع شهر وجود دارد. این همچنین منجر به حجم کمتری از داده های جمع آوری شده از خاطرات سفر آنلاین شد.

نماینده بودن نمونه نیز موضوع مهمی است. معرف بودن نمونه به درجه ای اشاره دارد که یک نمونه می تواند جامعه زیربنایی را نشان دهد. ارزیابی نمایندگی نمونه دو رویکرد کلی دارد [ 48]. اولین رویکرد، بررسی فرآیند انتخاب نمونه است تا ببینیم آیا نمونه از طریق روش های نمونه گیری احتمالی به دست آمده است یا خیر. با این حال، داده‌های خاطرات سفر آنلاین یکی از انواع اطلاعات جغرافیایی داوطلبانه (VGI) است که در ایجاد اطلاعات جغرافیایی داوطلبانه و غیر کارشناسی مشترک است. بنابراین، این رویکرد برای ارزیابی نمایندگی داده‌های دفتر خاطرات سفر آنلاین مناسب نیست. رویکرد دوم در ارزیابی نمایندگی نمونه، مقایسه نمونه با جامعه بر روی متغیرهای مقایسه است، نه بر روی متغیرهای هدف. متغیرهای مقایسه آن دسته از متغیرهایی هستند که اعتقاد بر این است که به روش خاصی با متغیرهای هدف مرتبط هستند و باید هم برای نمونه و هم برای جامعه قابل دستیابی باشند. یانگ و همکاران [ 49] نمایندگی شبکه AmeriFlux از برج های کوواریانس گردابی را برای نشان دادن محیط های موجود در ایالات متحده با مقایسه شباهت های زیست محیطی بین مناطق اکو ارزیابی کرد. به طور مشابه، ما همبستگی بین توزیع گردشگران را در بین جاذبه‌های به‌دست‌آمده از وب‌سایت‌های مختلف سفر مقایسه کردیم و نتایج در جدول 5 نشان داده شده است. همبستگی بین توزیع‌های گردشگران به‌دست‌آمده از وب‌سایت‌های مختلف سفر معنادار است. این می تواند نشان دهد که داده های نمونه برای تجزیه و تحلیل توزیع فضایی تعداد واقعی بازدیدکنندگان معتبر هستند.

علاوه بر این، همانطور که در جدول 6 نشان داده شده است، تعداد واقعی گردشگران را از وب سایت دولتی دفتر گردشگری دنگ فنگ جمع آوری کردیم . روند رو به افزایش تعداد خاطرات سفر آنلاین با تعداد واقعی گردشگران به شهر دنگ فنگ مطابقت دارد. ممکن است به این معنی باشد که داده های نمونه برای تحلیل تغییرات توزیع فضایی گردشگران از سال 2015 تا 2018 معتبر هستند.

مطالعات موجود در مورد گردشگری در شهرهای کوچک و ناشناخته عمدتاً از تحلیل کیفی استفاده کرده است. به عنوان مثال، لی [ 50 ] وضعیت فعلی توسعه گردشگری در دنگ فنگ را ترسیم کرد و مشکلات موجود را تحلیل کرد. پولیدو-فرناندز و همکاران. [ 51] نوع شناسی گردشگری روغن زیتون را مشخص کرد و فعالیت های اصلی آن را در حوزه مدیترانه بر اساس یک بررسی کتابشناختی کامل و یک پانل متخصص شناسایی کرد. مطالعات آنها گردشگری را از منظرهای مختلف مورد تجزیه و تحلیل قرار داد و از اهمیت عملی خاصی برخوردار بود. با این حال، به دلیل عدم تحلیل کمی، آنها ذهنی هستند. بنابراین، تحلیل کمی وضعیت فعلی گردشگری ضروری است. روش های زیادی برای مطالعه کمی رفتار گردشگران وجود دارد. این مقاله یک چارچوب کامل برای مطالعه تجزیه و تحلیل رفتار گردشگران، ترکیبی از نظریه Tupu اطلاعات جغرافیایی و تجزیه و تحلیل جریان توریست ارائه می دهد. توجه داشته باشید که این مقاله به دنبال ارائه یک چارچوب تحلیل است، نه مدل خاص. این چارچوب توانایی (1) ارائه یک دیدگاه تحقیقاتی جدید برای تجزیه و تحلیل رفتار گردشگران را نشان می دهد، (2) درک جامع تری از الگوهای جریان توریستی ایجاد می کند و (3) داده های ورودی/جدید و مدل های تجزیه و تحلیل را برای کاربردهای آینده آن در مکان های دیگر می گیرد. این به اندازه کافی به غنی سازی بدنه دانش در مورد تجزیه و تحلیل رفتار گردشگران از دیدگاه تئوری Tupu اطلاعات جغرافیایی کمک می کند.

تغییر در مرکز گرانش اندک بود ( شکل 3)، با فاصله افست تجمعی تنها تقریباً 0.48 مایل. با این حال، فرض تغییرات در رفتارهای گردشگران کافی بود. مرکز ثقل جریان توریستی در سال‌های 2015-2016 از شمال شرقی به جنوب غربی تغییر مکان داد. افشای رسوایی Yongxin Shi در سال 2015 شور و شوق گردشگران را برای معبد شائولین کاهش داد، که منجر به تغییر مرکز ثقل جریان توریستی به جنوب غربی از سال 2015 به 2016 شد. در 2016-2017، مرکز ثقل جریان توریستی به سمت شمال شرقی برگشت، که ممکن است به دلیل باز شدن منطقه دیدنی داکسیونشان باشد. اگرچه منطقه دیدنی سونگشان (شامل منطقه دیدنی شائولین، منطقه دیدنی سونگ یانگ و منطقه منظره ژونگ یوئه) یک مرکز تاریخی و فرهنگی است، برخی از گردشگران به دلیل توسعه محصولات گردشگری جدید به منطقه دیدنی داکسیونشان سرازیر شدند. این منجر به تغییر در مرکز ثقل جریان گردشگران شد. با این حال، در مراحل اولیه توسعه منطقه دیدنی داکسیونشان، به دلیل رشد سریع تعداد گردشگران، مشکلاتی در مدیریت گردشگری و ارائه خدمات ظاهر شد. علاوه بر این، جاذبه های منطقه دیدنی داکسیونشان عمدتاً به مناظر طبیعی و امکانات تفریحی مربوط می شد. در مقایسه با منطقه دیدنی Songshan، که فرهنگ و طبیعت را با هم ترکیب می‌کرد، منطقه دیدنی Daxiongshan برای مدت طولانی در حفظ جذابیت خود برای گردشگران مشکل داشت. در نتیجه، مرکز ثقل جریان توریستی از سال 2017 تا 2018 به سمت شمال غربی تغییر مکان داد. مشکلاتی در مدیریت گردشگری و ارائه خدمات به دلیل رشد سریع تعداد گردشگران پدیدار شد. علاوه بر این، جاذبه های منطقه دیدنی داکسیونشان عمدتاً به مناظر طبیعی و امکانات تفریحی مربوط می شد. در مقایسه با منطقه دیدنی Songshan، که فرهنگ و طبیعت را با هم ترکیب می‌کرد، منطقه دیدنی Daxiongshan برای مدت طولانی در حفظ جذابیت خود برای گردشگران مشکل داشت. در نتیجه، مرکز ثقل جریان توریستی از سال 2017 تا 2018 به سمت شمال غربی تغییر مکان داد. مشکلاتی در مدیریت گردشگری و ارائه خدمات به دلیل رشد سریع تعداد گردشگران پدیدار شد. علاوه بر این، جاذبه های منطقه دیدنی داکسیونشان عمدتاً به مناظر طبیعی و امکانات تفریحی مربوط می شد. در مقایسه با منطقه دیدنی Songshan، که فرهنگ و طبیعت را با هم ترکیب می‌کرد، منطقه دیدنی Daxiongshan برای مدت طولانی در حفظ جذابیت خود برای گردشگران مشکل داشت. در نتیجه، مرکز ثقل جریان توریستی از سال 2017 تا 2018 به سمت شمال غربی تغییر مکان داد. منطقه دیدنی داکسیونشان برای مدت طولانی در حفظ جذابیت خود برای گردشگران مشکل داشت. در نتیجه، مرکز ثقل جریان توریستی از سال 2017 تا 2018 به سمت شمال غربی تغییر مکان داد. منطقه دیدنی داکسیونشان برای مدت طولانی در حفظ جذابیت خود برای گردشگران مشکل داشت. در نتیجه، مرکز ثقل جریان توریستی از سال 2017 تا 2018 به سمت شمال غربی تغییر مکان داد.

با توجه به نتایج تحلیل چگالی سه بعدی ( شکل 4معبد شائولین، جنگل پاگودا، دهکده سان دنگ فنگ، آکادمی سونگ یانگ و قله جونجی محبوب ترین جاذبه ها بودند و معبد ژونگیو در رتبه هشتم قرار گرفت. با این حال، نتایج تجزیه و تحلیل شبکه های اجتماعی نشان داد که آکادمی سونگ یانگ، معبد شائولین و معبد ژونگیو دارای مزیت های رقابتی قوی هستند. به نظر می رسید که این نتایج متناقض باشند. دلیل احتمالی ممکن است این باشد که درجه سودمندی یک جاذبه نه تنها به سطح توسعه خود جاذبه بستگی دارد، بلکه مهمتر از آن، به ارتباط و تأثیر محرک جاذبه بر سایر جاذبه ها نیز بستگی دارد. آکادمی سونگ یانگ، معبد شائولین و معبد ژونگیو در مقایسه با سایر جاذبه‌ها، تعامل بیشتری از جریان گردشگران با جاذبه‌های اطراف داشتند. اگرچه این جاذبه ها از شدت جریان توریستی کم برخوردار بودند، آنها ارتباط نزدیکی با گره های اطراف داشتند و کمتر تحت تأثیر جاذبه های دیگر قرار گرفتند. بنابراین، آنها گره هایی با مزیت های رقابتی قوی در شبکه گردشگری بودند.

با توجه به نتایج تحلیل شبکه های اجتماعی ( شکل 7)، مسیرهای اصلی در مقایسه با مسیرهای مهم و مسیرهای رایج نسبتا کوتاه هستند، که به این معنی است که جریان های توریستی تحت تأثیر کاهش فاصله قرار می گیرند. این می تواند منجر به تمرکز بالای گردشگران در مناطق اصلی و محدودیتی برای توسعه گردشگری در مناطق حاشیه ای شود. بنابراین، راهنمایی ترافیک در اطراف منطقه مرکزی نیاز به توجه دارد. سرزندگی کلی بازار گردشگری دنگ فنگ از طریق اقداماتی مانند بهینه سازی حمل و نقل عمومی و کوتاه کردن مسیرهای گردشگری ارتقا خواهد یافت. علاوه بر این، جاذبه‌های رقابتی قوی کمتری در منطقه شمالی وجود داشت و در نتیجه جاذبه‌ها و مسیرهای جایگزین و گلوگاه‌هایی در جریان‌های گردشگری ایجاد نمی‌شد. بنابراین، شهر دنگ فنگ باید به طور فعال پروژه های گردشگری ویژه ای را برای پرورش جاذبه های سودمند با رقابت قوی، مانند جنگل بتکده، توسعه دهد. دهکده سان دنگ فنگ، معبد فاوانگ و بتکده در معبد سونگیو. با حفظ مزیت رقابتی معبد Zhongyue، باید به تبدیل آن به یک جاذبه اصلی توجه شود. سپس، معبد Zhongyue می‌تواند جاذبه‌های دیگر را خوشه‌بندی کند و تابش کند و رقابت ناسالم داخلی را کاهش دهد.

بدیهی است که کاربران رسانه های اجتماعی نمی توانند تعداد واقعی گردشگران را منعکس کنند، بنابراین دفتر خاطرات سفر آنلاین نمی تواند مسیرهای کامل سفر گردشگران را به طور دقیق منعکس کند [ 12 ]. علاوه بر این، مسافران جوان و تحصیل کرده بیشتر از این وب سایت های مسافرتی آنلاین استفاده می کنند [ 41 ]. از این دیدگاه ها، داده های ردپای دیجیتالی که بر اساس یادداشت های روزانه سفر آنلاین گرفته می شود، ممکن است بر دقت نتایج تحلیل رفتار گردشگران تأثیر بگذارد. در آینده، تلاش‌ها برای ترکیب داده‌های سفر آنلاین با داده‌های نظرسنجی رسمی، زیرا دومی بر اساس یک نمونه تصادفی طبقه‌بندی‌شده از کل جمعیت [ 52 ] است، می‌تواند دقت داده‌ها را به طور قابل‌توجهی بهبود بخشد.

5. نتیجه گیری ها

این مقاله یک چارچوب تحقیقاتی جدید برای تجزیه و تحلیل رفتار گردشگران، با الهام از نظریه Tupu اطلاعات جغرافیایی، پیشنهاد کرد. برخلاف تحلیل سنتی رفتار گردشگران، این چارچوب تلاش می‌کند تا روش‌های جمع‌آوری داده‌ها، تجزیه و تحلیل جریان گردشگر، تجزیه و تحلیل مکانیزم داخلی و تصمیم‌گیری گردشگری را به‌طور سیستماتیک شرح دهد، بنابراین فرآیند تجزیه و تحلیل رفتار گردشگران کامل‌تر را ارائه می‌کند و دیدگاه تحقیقاتی جدیدی را برای تحلیل رفتار گردشگر ایجاد می‌کند. برای تأیید اعتبار چارچوب، این مقاله از شهر دنگ فنگ، چین، به عنوان مطالعه موردی برای تحلیل رفتار گردشگران استفاده کرد. ابتدا، خاطرات سفر آنلاین 2015-2018 را به عنوان منبع داده انتخاب کردیم و داده ها را برای تحقق ساخت مجموعه داده پاک کردیم. سپس، روش‌های کمی سنتی تحلیل فضایی (مدل مرکز ثقل و تحلیل چگالی سه‌بعدی) و تحلیل شبکه اجتماعی برای تجزیه و تحلیل الگوی فضایی و ساختار شبکه‌ای جریان‌های توریستی ترکیب شدند. در نهایت، مکانیسم داخلی جریان گردشگر را تحلیل کردیم و تصمیمات گردشگری را اتخاذ کردیم. نتیجه گیری را می توان به صورت زیر خلاصه کرد:

در ابتدا، نتایج مدل مرکز ثقل نشان داد که دره داکسیون‌شان شیانرن، به‌عنوان یک گره توریستی نوظهور، در حفظ جذابیت خود برای گردشگران در مقایسه با سایر گره‌های گردشگری مشکل دارد. ارتقاء شهرت و افزایش تبلیغات آن ضروری است. دو راه حل جایگزین وجود دارد: یکی استفاده از تبلیغات مشترک با جاذبه های محبوب، دیگری بهینه سازی حمل و نقل عمومی و کوتاه کردن مسیرهای گردشگری بین گره اصلی و دره Daxiongshan Xianren.

ثانیاً، بر اساس نتایج تحلیل تراکم سه بعدی، گردشگران ترجیح می دهند از جاذبه هایی با میراث فرهنگی قوی و ویژگی های منطقه ای بازدید کنند. بنابراین، ترویج مشترک همین نوع جاذبه ها برای دستیابی به توسعه جمعی مساعد است. برخی از مسیرهای گردشگری موضوعی، مانند “معبد شائولین، آکادمی سونگ یانگ و معبد ژونگیو” را می توان برای شکل دادن به گردشگری مذهبی (بودیسم، کنفوسیوس و تائوئیسم) ایجاد کرد.

ثالثاً، همانطور که نتایج تجزیه و تحلیل شبکه های اجتماعی نشان می دهد، معبد شائولین گره اصلی شبکه جریان توریستی در شهر دنگ فنگ بود. علاوه بر این، این اثر تجاری مهم گردشگری در چین داشت. شهر دنگ فنگ می تواند با بهره گیری از گردشگری طبیعی و گردشگری انسانی معبد شائولین، توسعه کل صنعت گردشگری را ارتقا دهد.

منابع

ژانگ، جی. ژانگ، جی. لی، ن. لیانگ، ی. لیو، زی. تحلیلی بر اثر میدان فضایی جریان‌های توریستی داخلی در چین. Geogr. Res. 2005 ، 24 ، 293-303. [ Google Scholar ]
لی، کیو. چن، ی. Luan، X. ساختارهای شبکه جریان گردشگری انواع مختلف گردشگران با استفاده از یادداشت‌های سفر آنلاین: مطالعه موردی استان یوننان. Geomat. Inf. علمی دانشگاه ووهان 2022 ، 1-14. در دسترس آنلاین: https://kns.cnki.net/kcms/detail/42.1676.TN.20210915.1006.005.html (دسترسی در 19 ژانویه 2022).
مک گرات، جی.ام. پریم، دی. لاف، سهم اقتصادی گردشگری میراث W.: مطالعه موردی پنسیلوانیا. تور. اقتصاد 2017 ، 23 ، 1131-1137. [ Google Scholar ] [ CrossRef ]
دزسی، س. روسو، ر. ایلیس، م. ایلیس، جی. باداراو، ع. نقش گردشگری روستایی در احیای اجتماعی و اقتصادی سرزمین لاپوس (شهرستان مارامورس، رومانی). در مجموعه مقالات چهاردهمین کنفرانس بین المللی ژئوکنفرانس علمی چند رشته ای (SGEM)، آلبنا، بلغارستان، 17 تا 26 ژوئن 2014. صص 783-790. [ Google Scholar ]
مک کرچر، بی. وانگ، سی. Lau, GKK چگونه گردشگران یک مقصد را مصرف می کنند. اتوبوس جی. Res. 2006 ، 59 ، 647-652. [ Google Scholar ] [ CrossRef ]
اسمال وود، CB; بکلی، LE; مور، SA تحلیلی از الگوهای حرکت بازدیدکنندگان با استفاده از شبکه های مسافرتی در یک پارک دریایی بزرگ، شمال غربی استرالیا. تور. مدیریت 2012 ، 33 ، 517-528. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
میشلیاوتسوا، تحلیل SE جریان های توریستی در جنوب اروپا (با استفاده از مثال اسپانیا). Geogr. وستن 2015 ، 3 ، 111-114. [ Google Scholar ] [ CrossRef ]
چن، سی. لیو، جی. مائو، اچ. وانگ، آر. ژو، بی. چن، N. ساختار شبکه فضایی جریان های توریستی کشاورز بین استانی در چین. Acta Geogr. گناه 2013 ، 68 ، 547-558. [ Google Scholar ]
لیو، اف. ژانگ، جی. چن، دی. ویژگی ها و عوامل دینامیکی شبکه جریان گردشگران ورودی چینی. Acta Geogr. گناه 2010 ، 65 ، 1013-1024. [ Google Scholar ]
Mou، NX; یوان، RZ; یانگ، TF; ژانگ، HC; تانگ، جی دبلیو. مککنن، تی. بررسی تغییرات مکانی-زمانی جریان گردشگری ورودی شهر: مورد شانگهای، چین. تور. مدیریت 2020 , 76 , 103955. [ Google Scholar ] [ CrossRef ]
هیو یون، پی. Sooyeop, S. A مطالعه ای در مورد رفتار و الگوهای گردشگران داخلی در استفاده از اطلاعات گردشگری آنلاین: تمرکز بر تفاوت مراحل سفر. جی. تور. لیس. Res. 2019 ، 31 ، 5-22. [ Google Scholar ]
لئونگ، XY; وانگ، اف. وو، بی اچ؛ بای، بی. ستاهورا، کالیفرنیا؛ Xie, ZH تحلیل شبکه اجتماعی الگوهای جنبش گردشگران خارج از کشور در پکن: تأثیر بازی های المپیک. بین المللی جی. تور. Res. 2012 ، 14 ، 469-484. [ Google Scholar ] [ CrossRef ]
چوی، اس. Lehto، XY; موریسون، نمایش تصویر مقصد AM در وب: تجزیه و تحلیل محتوای وب سایت های مرتبط با سفر ماکائو. تور. مدیریت 2007 ، 28 ، 118-129. [ Google Scholar ] [ CrossRef ]
چن، ایکس. ژانگ، ز. هو، ایکس. هوانگ، ز. لیو، ال. ویژگی‌های جریان گردشگران در نقاط دیدنی بر اساس داده‌های بزرگ بررسی در Weibo: مطالعه موردی نقطه منظره ژونگشان در شهر نانجینگ. اقتصاد Geogr. 2018 ، 38 ، 206-214. [ Google Scholar ]
سو، ایکس. اسپایرینگ، بی. هویمیجر، پ. Scheider، S. مسافران یک روزه و گردشگران به کجا می روند: مقایسه توزیع مکانی-زمانی بازدیدکنندگان چینی در هنگ کنگ با استفاده از داده های Weibo. آسیا پک جی. تور. Res. 2020 ، 25 ، 505-523. [ Google Scholar ] [ CrossRef ]
بله، ز. نیوینگ، ا. Clarke, G. درک تحرک گردشگران چینی و رفتارهای مرتبط با مصرف در لندن با استفاده از بررسی‌های Sina Weibo. محیط زیست طرح. ب مقعد شهری. سیتی Sci. 2021 ، 48 ، 2436-2452. [ Google Scholar ] [ CrossRef ]
کواچ، ز. ویدا، جی. الکس، ا. Kovalcsik، T. ترکیب رسانه های اجتماعی و داده های موقعیت یابی موبایل در تجزیه و تحلیل جریان های توریستی: مطالعه موردی از Szeged، مجارستان. پایداری 2021 ، 13 ، 2926. [ Google Scholar ] [ CrossRef ]
سودا، م. کریزان، اف. بارلیک، پی. استفاده از داده های موقعیت یابی تلفن همراه در گردشگری: بازدیدکنندگان خارجی در اسلواکی چه کسانی هستند؟ کی می آیند و کجا می مانند؟ Geogr. کاس Geogr. J. 2019 ، 71 ، 203-225. [ Google Scholar ] [ CrossRef ]
Caruso, MC; جولیانو، آر. پمپئی، اف. Mazzenga، F. مدیریت تحرک برای گشت و گذار هوشمند. در مجموعه مقالات کنفرانس بین المللی 2017 فناوری های الکتریکی و الکترونیکی برای خودرو، تورینو، ایتالیا، 15-16 ژوئن 2017؛ صص 1-6. [ Google Scholar ] [ CrossRef ]
گالو، جی. سیگنورلو، جی. فارینلا، جنرال موتورز؛ توریسی، الف. بهره برداری از تصاویر اجتماعی برای درک رفتار گردشگران. در مجموعه مقالات نوزدهمین کنفرانس بین المللی تجزیه و تحلیل و پردازش تصویر (ICIAP)، کاتانیا، ایتالیا، 11 تا 15 سپتامبر 2017؛ ص 707-717. [ Google Scholar ]
شولز، جی. Jeznik، J. ارزیابی داده های توئیتر دارای برچسب جغرافیایی برای تجزیه و تحلیل جریان های توریستی در اشتایر، اتریش. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 681. [ Google Scholar ] [ CrossRef ]
دومنک، آ. موهینو، آی. مویا گومز، بی. استفاده از عکس‌های دارای برچسب جغرافیایی فلیکر برای تخمین مسیر بازدیدکنندگان در شهرهای میراث جهانی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 646. [ Google Scholar ] [ CrossRef ]
چن، کیو. ویفنگ، ال. Dongyuan، Y.; بین، آر. Feng, L. اندازه گیری توزیع فضایی جریان های توریستی بر اساس داده های سیگنالینگ سلولی: مطالعه موردی شانگها. در مجموعه مقالات کنفرانس سیستم های حمل و نقل هوشمند IEEE 2019 (ITSC)، اوکلند، نیوزیلند، 27 تا 30 اکتبر 2019؛ صص 2584-2590. [ Google Scholar ] [ CrossRef ]
چوا، ا. سرویلو، ال. مارچگیانی، ای. Moere، AV Mapping Cilento: استفاده از داده های رسانه های اجتماعی دارای برچسب جغرافیایی برای توصیف جریان های توریستی در جنوب ایتالیا. تور. مدیریت 2016 ، 57 ، 295-310. [ Google Scholar ] [ CrossRef ]
آساکورا، ی. Iryo, T. تجزیه و تحلیل رفتار گردشگران بر اساس داده های ردیابی جمع آوری شده با استفاده از ابزار ارتباطی سیار. ترانسپ Res. Pt. یک عمل سیاستی 2007 ، 41 ، 684-690. [ Google Scholar ] [ CrossRef ]
جیانگ، ی. ون، ایکس. لیو، ی. ویژگی‌های تکاملی جریان گردشگری خارجی چین در توزیع رتبه‌بندی از سال 2001 تا 2015. Acta Geogr. گناه 2018 ، 73 ، 2468-2480. [ Google Scholar ]
چانگ، ام جی. هرزبرگر، آ. فرانک، کالیفرنیا؛ لیو، جی جی پویایی گردشگری بین المللی در جهان جهانی شده: رویکرد تحلیل شبکه اجتماعی. J. Travel Res. 2020 ، 59 ، 387-403. [ Google Scholar ] [ CrossRef ]
کاسانووا، سی. گالیگو، آ. گارسیا سانچز، MR تحلیل شبکه اجتماعی در گردشگری. Curr. تور مسائل. 2016 ، 19 ، 1190-1209. [ Google Scholar ] [ CrossRef ]
Shih، HY ویژگی های شبکه مقاصد گردشگری محرک: کاربرد تحلیل شبکه در گردشگری. تور. مدیریت 2006 ، 27 ، 1029-1039. [ Google Scholar ] [ CrossRef ]
Zeng، الگوی BD جریان گردشگران چینی در ژاپن: دیدگاه تحلیل شبکه اجتماعی. تور. Geogr. 2018 ، 20 ، 810-832. [ Google Scholar ] [ CrossRef ]
هان، اچ. پارک، بی. مطالعه ای در مورد شبکه توریستی در گردشگران ورودی چینی با استفاده از تحلیل شبکه های اجتماعی. J. Hotel Resort 2017 ، 16 ، 135–150. [ Google Scholar ]
ساور، ام. ویستوپیل، جی. نووتنا، م. Widawski، K. جریان های توریستی اروپای مرکزی: الگوهای درون منطقه ای و پیامدهای آنها. موراو. Geogr. Rep. 2021 , 29 , 278-291. [ Google Scholar ] [ CrossRef ]
شو، اچ. ممکن است.؛ هوانگ، ی. نیش، سی. وو، سی. تکامل مکانی-زمانی کیفیت جریان گردشگران ورودی با استفاده از چارچوب ESDA-GIS. منبع. علمی 2014 ، 36 ، 1860-1869. [ Google Scholar ]
Rang-qun, Z. رویکردهای تحقیق در مورد geo-Information TuPu. علمی Surv. نقشه 2009 ، 34 ، 14-16. [ Google Scholar ]
چن، ی. Qi، Q.-W.; یانگ، جی.- اس. نظریه های اساسی Geo-Info-TUPU. علمی Geogr. گناه 2006 ، 26 ، 306-310. [ Google Scholar ]
ژانگ، اچ. وانگ، کیو. لو، ایکس. لی، اچ. در چارچوب جغرافیایی روش Tupu اطلاعات جغرافیایی. Geo-Inf. علمی 2003 ، 5 ، 101-103. [ Google Scholar ]
یانگ، سی. ایده توپو اطلاعات جغرافیایی و اقدامات آن. J. Geo-Inf. علمی 2020 ، 22 ، 697-704. [ Google Scholar ]
دو، جی. ژانگ، آر. لیانگ، کالیفرنیا؛ هو، ام. استخراج سنجش از دور و تجزیه و تحلیل الگوی فضایی الگوهای کشت در منطقه خاک سیاه شمال شرق چین در سطح شهرستان. ترانس. چانه. Soc. کشاورزی مهندس 2021 ، 37 ، 133-141. [ Google Scholar ]
ژانگ، اچ. ژو، سی. Lv، G. وو، زی. لو، اف. وانگ، جی. یو، تی. لو، جی. Ge، Y. Qin, C. مفهوم و وراثت اطلاعات جغرافیایی Tupu. J. Geo-Inf. علمی 2020 ، 22 ، 653-661. [ Google Scholar ]
لیو، آ. تو، س. لیو، ام. لیو، اف. ویژگی های تکامل و مکانیسم توسعه تجاری سازی گردشگری در یک سایت میراث مذهبی: مطالعه موردی منطقه دیدنی معبد شائولین. Geogr. Res. 2015 ، 34 ، 1781-1794. [ Google Scholar ]
مو، ن. ژنگ، ی. مکونن، تی. یانگ، تی. تانگ، جی. آهنگ، Y. ردپای دیجیتالی گردشگران: الگوهای فضایی جریان های توریستی در چینگدائو، چین. تور. مدیریت 2020 , 81 , 104151. [ Google Scholar ] [ CrossRef ]
چن، اس. چن، ایکس. شناخت و عمل علم اطلاعات جغرافیایی. Geo-Inf. علمی 2004 ، 6 ، 4-10. [ Google Scholar ]
چن، اچ. لو، ال. ژنگ، اس. ساختار شبکه فضایی مقاصد گردشگری در تجمعات شهری بر اساس جریان توریستی: مطالعه موردی دلتای رودخانه مروارید. Acta Geogr. گناه 2011 ، 66 ، 257-266. [ Google Scholar ]
شائو، YH; هوانگ، اس اس. وانگ، YY; Li، ZY; Luo، MZ تکامل جریان های توریستی بین المللی از 1995 تا 2018: دیدگاه تحلیل شبکه. تور. مدیریت چشم انداز 2020 , 36 , 100752. [ Google Scholar ] [ CrossRef ]
ژائو، JY مطالعه بر روی ساختار شبکه گردشگری ورودی شهرهای کلیدی توریستی در استان هنان. در مجموعه مقالات هفتمین کنفرانس بین المللی آموزش، مدیریت، اطلاعات و مهندسی مکانیک (EMIM)، شنیانگ، چین، 28 تا 30 آوریل 2017؛ صص 673-680. [ Google Scholar ]
بورگاتی، اس پی؛ Everett، MG مدل های ساختارهای هسته / پیرامونی. Soc. شبکه 1999 ، 21 ، 375-395. [ Google Scholar ] [ CrossRef ]
چن، دبلیو. کای، جی. Fan, Z. مطالعه رفتار زمانی- فضایی گردشگران داخلی در کوه Wuyi بر اساس ردپای دیجیتالی گردشگری. تور. انجمن 2020 ، 13 ، 47–59. [ Google Scholar ]
ژانگ، جنرال موتورز؛ Zhu، AX نمایندگی و سوگیری فضایی اطلاعات جغرافیایی داوطلبانه: یک بررسی. ان GIS 2018 ، 24 ، 151-162. [ Google Scholar ] [ CrossRef ]
فیهوا، ی. زو، تبر; ایچی، ک. White, MA; هاشیموتو، اچ. نمانی، RR ارزیابی نمایندگی شبکه AmeriFlux با استفاده از داده های MODIS و GOES. جی. ژئوفیس. Res. Biogeosci. 2008 ، 113 ، G04036. [ Google Scholar ] [ CrossRef ]
لی، سی. تحلیل وضعیت فعلی و اقدامات متقابل توسعه گردشگری در شهر دنگ فنگ. تور. Overv. 2016 ، 8 ، 100-101. [ Google Scholar ]
پولیدو-فرناندز، جی. کاسادو-مونتیلا، جی. Carrillo-Hidalgo, I. معرفی گردشگری روغن زیتون به عنوان یک گردشگری با علاقه خاص. Heliyon 2019 , 5 , e02975. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لاموندیا، جی. اسنل، تی. Bhat، CR رفتار مسافر و تحلیل ارزش ها در زمینه مقصد تعطیلات و انتخاب حالت سفر مطالعه موردی اتحادیه اروپا. ترانسپ Res. رکورد 2010 ، 2156 ، 140-149. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]

شکل 1. توزیع جاذبه ها در دنگ فنگ: ( الف ) شهر دنگ فنگ، استان هنان. ( ب ) توزیع جاذبه ها در دنگ فنگ.

شکل 2. چارچوب تحلیل شبکه جریان توریستی با الهام از نظریه توپو اطلاعات جغرافیایی.

شکل 3. تکامل مرکز ثقل جریان های توریستی در دنگ فنگ از 2015 تا 2018: ( الف ) موقعیت مرکز ثقل. ب ) تکامل مرکز گرانش.

شکل 4. فراوانی بازدید از جاذبه های دنگ فنگ از 2015 تا 2018: ( الف ) توزیع ردپای دیجیتال در سال 2015. ( ب ) توزیع ردپای دیجیتال در سال 2016. ( ج ) توزیع ردپای دیجیتال در سال 2017. ( د ) توزیع ردپای دیجیتال در سال 2018.

شکل 5. ساختار تک گره جریان های توریستی در دنگ فنگ: ( الف ) اندازه موثر. ( ب ) محدودیت؛ ( ج ) مرکزیت در درجه؛ ( د ) مرکزیت خارج از درجه؛ ( ه ) مرکزیت در نزدیکی. ( f ) مرکزیت خارج از نزدیکی. ( ز ) مرکزیت میانی.

شکل 6. ساختار شبکه کلی جریان توریستی در دنگ فنگ بر اساس شاخص هسته-پیرامون.

شکل 7. الگوی فضایی و ساختار شبکه ای جریان گردشگر در دنگ فنگ.

مقالات داخلی و بین المللی

1 نظر

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه