EN中文

中国生态旅游 >

2024 , Vol. 14 >Issue 3: 651 - 665

DOI: https://doi.org/10.12342/zgstly.20240118

生态旅游

海南热带雨林国家公园不同出行方式旅游者时空行为特征

  • 徐姝瑶 , 1, 2 ,
  • 洪静萱 1, 2 ,
  • 刘彦彤 1, 2 ,
  • 张玉钧 , 1, 2, *
展开
  • 1.北京林业大学园林学院，北京 100083
  • 2.北京林业大学国家公园研究中心，北京 100083
* 张玉钧（1965-），男，博士，教授，研究方向为国家公园生态旅游、自然保护地游憩规划。E-mail:

徐姝瑶（2000-），女，硕士研究生，研究方向为生态旅游、自然保护地游憩管理。E-mail:

收稿日期: 2024-04-06

  修回日期: 2024-06-18

  网络出版日期: 2024-09-18

基金资助

北京林业大学中央高校基本科研业务费项目（哲学社会科学高质量发展行动计划）(2023SKY19)

收起

Spatio-temporal behavior characteristics of tourists with different travel modes in Hainan Tropical Rainforest National Park

  • Xu Shuyao , 1, 2 ,
  • Hong Jingxuan 1, 2 ,
  • Liu Yantong 1, 2 ,
  • Zhang Yujun , 1, 2, *
Expand
  • 1. School of Landscape Architecture, Beijing Forestry University, Beijing 100083, China
  • 2. National Park Research Center of Beijing Forestry University, Beijing 100083, China
* Zhang Yujun. E-mail:

Received date: 2024-04-06

  Revised date: 2024-06-18

  Online published: 2024-09-18

Fold

摘要

剖析旅游者时空行为特征对国家公园旅游规划和管理具有重要意义。研究利用海南热带雨林国家公园旅游者的GPS轨迹和标注点数据、OSM路网数据以及风景名胜POI数据，运用季节强度指数和相关GIS空间分析方法，分析不同出行方式的旅游者时空行为特征。结果表明：（1）步行、骑行和驾车旅游者的出行时间存在明显的季节性特征，步行和骑行旅游者冬季出行居多，驾车旅游者则以夏季出行为主，且不同季节下不同出行方式的旅游者总里程、总耗时、标注点数和均速变化有所差异；（2）受道路交通和景点的影响，旅游者标注点在空间上分布不均衡，步行旅游者标注点呈整体分散、局部聚集的特征，骑行和驾车旅游者标注点的分布更为集中；（3）步行旅游者轨迹在国家公园范围内分布最广、最密集，骑行和驾车旅游者轨迹则主要分布在道路建设较好的五指山片区。基于研究结果，文章为海南热带雨林国家公园旅游格局优化和可持续发展提出相关建议。

关键词： 旅游者行为; 出行方式; 时空特征; GPS数据; 海南热带雨林国家公园

本文引用格式

徐姝瑶 , 洪静萱 , 刘彦彤 , 张玉钧 . 海南热带雨林国家公园不同出行方式旅游者时空行为特征[J]. 中国生态旅游, 2024 , 14(3) : 651 -665 . DOI: 10.12342/zgstly.20240118

Abstract

It is of great significance to analyze the spatio-temporal behavior characteristics of tourists for the planning and management of tourism in national parks. In this study, the spatio-temporal behavior characteristics of tourists with different travel modes were analyzed by using tourists’ GPS trajectories and marking points data, Open Street Map (OSM) road network and Point of Interest (POI) data of scenic spots in Hainan Tropical Rainforest National Park, combined with the seasonal intensity index and relevant GIS spatial analysis. The results indicate that: (1) there are distinct seasonal characteristics in the travel time of tourists on foot, by bicycle, and by car. Tourists on foot and by bicycle mostly travel in winter, while tourists by car mainly travel in summer. Moreover, there are differences in the total mileage, total time, number of marking points, and average speed of tourists with different travel modes across different seasons. (2) Influenced by road traffic and scenic spots, the tourist marking points are unevenly distributed in space, and the marking points of tourists on foot are scattered as a whole and gathered locally, while the marking points of tourists by bicycle and car are more concentrated. (3) The trajectories of tourists on foot are the most widely and densely distributed in the national park, while the trajectories of tourists by bicycle and car are mainly distributed in Wuzhishan area with good road construction. Based on the research results, relevant suggestions are put forward for optimization of the pattern and sustainable development of tourism in Hainan Tropical Rainforest National Park.

Key words： tourist behavior; travel mode; spatio-temporal characteristics; GPS data; Hainan Tropical Rainforest National Park

1 引言

旅游者时空行为是指旅游者在前往目的地、体验目的地和返回出发地的旅游过程中所发生的空间移动行为和时间分配行为[1]，旅游者时空行为的多样性促成旅游目的地体验与出行路径的多样性[2]。在国家公园这样的特殊旅游区域，旅游者时空行为研究尤为关键，它不仅影响旅游者的旅游体验，还直接关系到生态环境的保护和资源的合理利用。国家公园管理者通过分析精确的旅游者行为数据，可以获知旅游时空环境中存在的热点和问题[3]，并通过旅游规划进行更加科学的旅游者流量控制，避免某些区域过度拥挤，从而减轻对环境的压力。同时，了解旅游者的行为模式和需求，也有助于优化旅游设施布局和服务，提高旅游者满意度。因此，旅游者时空行为的研究结果可以作为国家公园旅游管理和可持续发展的重要依据。
20世纪90年代初期，时间地理学理论和方法被引入我国，时空行为研究逐渐成为城市地理学研究的重要领域[4]。黄潇婷[5]较早将时间地理学方法应用到旅游者时空行为模式的研究中，证明了旅游者时空行为研究在景区动态管理、旅游线路优化和旅游分时规划等方面的应用价值[6]。随后，全球定位系统（Global Positioning System，GPS）的不断完善为更好地理解旅游者时空行为提供了数据支持[7]。国内外学者开始利用GPS数据研究不同尺度的旅游者时空行为，研究内容主要集中在旅游者行为的时间与空间特征、旅游者路径轨迹模式、旅游流空间网络、旅游者时空行为影响等方面。例如，刘艳平等[8]通过挖掘GPS轨迹数据，探讨了西藏自驾车旅游者在大尺度范围内移动的空间行为特征，并分析了旅游者行为背后的时间制约因素。Zheng等[9]利用去哪儿网的地理定位旅游博客数据，研究了中国赴北欧旅游者行为的季节特征和复杂网络效应。Liu等[10]在对GPS轨迹数据和地理标记照片数据处理分析的基础上，总结了山地景区旅游者移动的3种空间模式，并根据旅游者时间分配特征对其活动的时空行为进行聚类。邝蒨等[11]使用旅游者活动轨迹数据，挖掘得到6种轨迹模式，并分析了若尔盖县草地景观质量与旅游活动的时空响应关系。出行方式会直接影响旅游者活动空间和聚集区域[12]，部分学者区分出自驾[8,13⇓-15]、徒步[16⇓-18]、骑行[19]等出行方式的旅游者，并对其时空行为规律进行探究。同一旅游目的地可能存在多种出行方式，不同出行方式对旅游者的出行时间、路线选择、旅游体验等都会产生显著影响，表现出的旅游者时空行为特征也存在差异，但现有研究对此关注较少。
相比于传统景区，国家公园占地面积较大，通常跨越多个省市，旅游者可以选择的出行方式较为多样。但同时国家公园内出行方式的选择会受到生态保护政策的约束，旅游者仅允许在指定区域选择指定的出行方式进行旅游体验，以减少其旅游过程和行为对国家公园生态环境的直接影响[20]。在此背景下，旅游者利用不同出行方式呈现出的不同时空行为规律，能够反映出旅游者的游玩偏好和国家公园的旅游发展特征。研究基于网络平台抓取旅游者的基础信息、GPS轨迹、标注点位置等数据，通过季节强度指数、GIS空间分析等方法对不同出行方式下的海南热带雨林国家公园旅游者时空行为特征进行对比分析，总结不同出行方式下旅游者行为在月度及季节性活动规律、空间移动特征及偏好等方面的异同，旨在为海南热带雨林国家公园差异化引导和管理不同出行方式旅游者行为提供参考依据，促进海南热带雨林国家公园旅游格局优化和可持续发展。

2 研究对象、数据与方法

2.1 研究对象

海南热带雨林国家公园位于海南岛中南部，地理坐标为北纬18°33′16″~19°14′16″，东经108°44′32″~110°04′43″，总面积4 269 km2，约占海南岛陆域面积的12.1%，涉及五指山、琼中、白沙、东方、陵水、昌江、乐东、保亭和万宁9个县（市），分为五指山、鹦哥岭、尖峰岭、霸王岭、吊罗山、黎母山、毛瑞7个片区。公园内已形成由外围支撑、内外联通、内部串联3部分组成的道路体系，点线结合、环网交错，可以实现旅游者进入国家公园以及公园内部交通循环畅通[21]（图1）。其中，外围支撑体系指国家公园所在区域的重要交通干线，包括G98环岛高速，G9813、G9811、S10、S15等邻近高速，G223、G225等环岛国道；内外联通体系指在外围快速交通与国家公园内部交通之间建立直接联系的道路，包括G224、G361、G540等国道，S307、S314、S315等省道，X705、X782、X590、X620等县道；内部串联体系指连接起旅游景点、服务点和社区的国家公园内部及周边道路，即图1中的其他道路。
图1 海南热带雨林国家公园范围及道路体系

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)3333号的标准地图制作，底图无修改；海南热带雨林国家公园范围参考《海南热带雨林国家公园规划（2019-2025年）》绘制。

Fig. 1 Scope and road system of Hainan Tropical Rainforest National Park

为满足旅游发展需求、提升旅游者出行体验，2016年五指山市开始规划建设五指山单车运动绿道。该绿道大范围穿过海南热带雨林国家公园范围，配套推出智慧骑行导引系统和“雨林天路自行车绿道骑行路线”。2022年，海南省省委、省政府决策部署了重大基础设施项目——环热带雨林国家公园旅游公路项目。该项目于2023年4月26日正式开工，旨在提高国家公园的整体性保护、建设和管理，为旅游者提供无障碍全域环绕国家公园的游览路径。

2.2 数据来源与处理

研究数据主要来源于“两步路户外网”“Open Street Map”及“高德地图开放平台”。其中，两步路户外网是国内重要的户外资源共享和社区互动网站，主要提供2种类型的GPS数据，包括由手机GPS自动记录用户移动信息生成的线型轨迹数据，反映用户在空间上的移动过程、移动范围、移动方式和移动速度等；以及由用户主动上传照片、文字的标注点数据，反映用户的停留点和兴趣点。Open Street Map（OSM）网站是一个由志愿者创建和维护的免费、开放的地图数据库和在线地图服务平台，提供全球可自由使用、编辑和分发的地理信息数据。高德地图开放平台则是地理信息系统（Geographic Information System，GIS）和位置服务的开发平台，提供丰富的地理数据和服务。
首先，利用Python网络爬虫技术对两步路户外网的相关数据进行采集，分别以“海南热带雨林国家公园”与“五指山”“吊罗山”“鹦哥岭”等国家公园片区名作为关键词，并将海南热带雨林国家公园正式宣布设立之日作为数据采集的起点日期，获取2021年10月12日—2024年2月18日期间的2 941条用户轨迹。根据研究范围剔除时间、空间信息残缺的数据，并基于两步路户外网的出行方式分类，筛选出数据量相对较大的“步行”“骑行”“驾车”3种类型的用户轨迹，最终获得2 748条轨迹数据（包含2 301条步行轨迹、119条骑行轨迹和328条驾车轨迹）和27 018个标注点数据（包含21 310个步行标注点、1 733个骑行标注点和3 975个驾车标注点）。
其次，从OSM网站上导出海南省范围的道路，利用ArcGIS 10.8筛选出涉及海南热带雨林国家公园内部及周边的道路，并区分出高速、国道、省道等各级道路，精细刻画海南热带雨林国家公园道路现状。此外，利用高德地图开放平台获取“风景名胜”大类的兴趣点（Point of Interest，POI），并将其理解为景点，删除研究范围之外的数据，合并名称重复的数据，最终得到有效景点共61个。

2.3 研究方法

2.3.1 季节强度指数

利用季节强度指数对旅游者数量的年内变化进行分析，探讨其季节性差异[8]。以月为研究单元的季节强度指数计算公式为：
R = ∑ i = 1 12 ( X i - 8.33 ) 2 12
式中：R代表季节强度指数；i代表月份；Xi代表第i月旅游者数量占全年的比重。R越大，海南热带雨林国家公园旅游者数量的季节性差异越明显，R越趋近于0，则代表全年分布越均匀。

2.3.2 GIS空间分析

GIS空间分析是指利用地理信息系统技术和工具对地理空间数据进行处理、分析和解释的过程。研究主要利用核密度分析、多环缓冲区分析和线密度分析来处理和分析旅游者标注点数据和轨迹数据。其中，核密度分析将离散要素（包括点要素和线要素）进行空间平滑处理，形成连续分布密度图[22]，能够较好地反映地理空间分布中的距离衰减效应[23]。研究通过计算旅游者标注点的核密度，揭示步行、骑行和驾车旅游者标注点在不同区域内的聚集程度，以分析不同出行方式旅游者沿道路和景点的空间分布特征。
多环缓冲区分析指在要素周围的一系列指定距离内创建多个环状缓冲区，常用于统计相关要素在不同空间范围内的分布情况[8]。研究利用多环缓冲区工具，统计不同等级道路和景点周边的旅游者标注点数，以分析不同出行方式旅游者在距离各级道路和景点不同范围内的空间聚集情况，探讨标注点数随道路及景点距离变化的分布规律。
线密度分析通过计算线状要素在每个输出栅格像元邻域内的密度，确定线状要素在地理空间中的密度分布情况，有助于理解和研究线状要素的分布模式、热点区域以及空间关联性等。研究利用线密度工具对旅游者轨迹数据进行处理，以揭示旅游者在不同区域的轨迹密度，分析不同出行方式旅游者轨迹的分布热点和空间特征。

3 结果与分析

3.1 时间行为特征分析

3.1.1 月度变化特征

以总里程、轨迹数、标注点数、耗时为主纵坐标，以均速为次纵坐标，统计步行、骑行和驾车旅游者行为的月度变化情况（图2）。研究结果显示，步行旅游者轨迹数在7月最多，其次是12月、1月和11月，受轨迹数影响，该4个月的总里程、标注点数和总耗时也明显高于其他月份。在均速方面，4—7月步行旅游者均速逐渐下降，7月开始又逐渐上升，11月达到最高均速。骑行旅游者轨迹数在2月最多，其次是1月和12月，这3个月的总里程、标注点数和总耗时也较高。骑行旅游者均速在4月达到第一个高峰，随后逐渐下降至8月开始上升，10月达到第二个高峰。驾车旅游者轨迹数在1月最多，其次是6月、7月和8月，其总里程、标注点数和总耗时不同于步行、骑行旅游者与轨迹数相对一致的变化规律，表现出总里程在4月、7月和1月较高，标注点数在7月、1月和11月较高，总耗时在4月、7月和6月较高。在均速方面，3—6月驾车旅游者均速波动下降，6月达到最低均速，随后又呈现波动上升趋势。
图2 旅游者行为的月度变化特征

Fig. 2 Monthly variation characteristics of tourist behavior

3.1.2 季节性变化特征

根据不同月份的轨迹数，分别计算海南热带雨林国家公园内步行、骑行和驾车旅游者的季节强度指数，结果显示，3种出行方式的旅游者季节强度指数约为8.25，说明旅游者出行的季节性较为明显。以阳历3—5月为春季，6—8月为夏季，9—11月为秋季，12—次年2月为冬季，进一步统计不同季节步行、骑行、驾车旅游者的总里程、轨迹数、标注点、耗时和均速，并将总里程、轨迹数、标注点数、耗时作为主纵坐标，将均速作为次纵坐标，绘制并分析旅游者行为的季节性变化特征图（图3）。
图3 旅游者行为的季节性变化特征

Fig. 3 Seasonal variation characteristics of tourist behavior

首先，步行旅游者的轨迹数在夏季（30.68%）和冬季占比（32.25%）较高，受其影响，步行旅游者的总里程、标注点数和总耗时在夏、冬两季也较高。在速度方面，旅游者在秋季的步行速度（4.45 km/h）最高，进一步分析其原因，认为秋季海南气候适宜，且相比于旅游旺季的寒暑期，旅游者在秋季可能遇到人流的减少，步行更容易保持较高的速度。
其次，骑行旅游者的轨迹数在冬季占比（52.10%）远高于其他季节，相应的骑行旅游者总里程、标注点数和总耗时在冬季也明显高于其他季节。此外，旅游者的骑行均速在秋季（13.82 km/h）最高，在夏季（10.75 km/h）最低。结合骑行自身特点和海南省全年气温变化，推测是因为夏季气温较高，较长路程的骑行相对于步行和驾车来说，对旅游者身体素质要求较高，夏季长时间、高均速骑行易导致脱水或晒伤，因此，选择夏季骑行的旅游者较少，且骑行均速较低。
最后，驾车旅游者的轨迹数在夏季占比（36.28%）明显高于其他季节，结合马蜂窝发布的《2023自驾游大数据报告》进一步分析，海南作为自驾游热门城市之一，暑期是自驾游的出行高峰期，受此影响，海南热带雨林国家公园的驾车旅游者轨迹数在夏季最多，驾车旅游者的总里程、标注点数和总耗时也最多，同时，数量较多的驾车旅游者导致道路上车流量增加，从而容易造成交通拥堵，进一步影响驾车速度，这也解释了夏季驾车旅游者均速相比于其他季节较低的原因。

3.2 空间行为特征分析

3.2.1 标注点空间分布

标注点代表旅游者的拍照点和文字记录点，一定程度反映了旅游者感兴趣的内容。通过核密度分析，形成反映标注点聚集与分散的栅格图（图4），将核密度值从大到小每3个范围区间划分为1个等级，则可以将旅游者标注点在一定区域内的聚集程度划分为高密度、中密度、低密度。
图4 不同出行方式旅游者标注点核密度分析图

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)3333号的标准地图制作，底图无修改。

Fig. 4 Kernel density analysis of tourists’ marking points with different travel modes

研究发现，步行旅游者标注点的密度分析核在空间上较为分散，但局部呈聚集状，形成了以尖峰岭、霸王岭雅加景区、五指山革命根据地纪念园、鹦哥岭、黎母山、五指山景区、吊罗山天湖为核心的7个高密度区域，以及以毛道乡为核心的1个中密度区域。骑行旅游者标注点的密度分析核范围较大，且明显高密度聚集在五指山和黎母山片区，而在尖峰岭和吊罗山片区也有一定密度的聚集，形成了以黎母山、水满乡、阿陀岭为核心的3个高密度区域，以及以尖峰岭、吊罗山白水岭为核心的2个中密度区域。驾车旅游者标注点的密度分析核大部分聚集在五指山片区，小部分分散在靠近国家公园边界的区域，且沿道路分布最为明显，形成了以五指山景区、朱德亭、什冲村、吊罗山热带低地雨林野外科普教育基地为核心的4个高密度区域，以及以尖峰岭天池、霸王岭雅加景区为核心的2个中密度区域。
将从OSM网站上获取的海南热带雨林国家公园内部及周边道路数据导入ArcGIS 10.8，发现80%以上的标注点分布在道路800 m范围内。利用多环缓冲区工具，以20 m为间隔在道路800 m范围内生成多环缓冲区，并统计各缓冲区环内标注点数（图5）。研究发现，步行、骑行、驾车旅游者上传的标注点分布在各级道路附近的占比呈现相同趋势，皆表现为：其他道路>国道>县道>高速>省道，标注点数量在其他道路附近的最多，而在省道附近最少。究其原因是海南热带雨林国家公园内部及周边的道路以其他道路为主，这一类型的道路分布最为密集，旅游者活动范围最大，而省道分布较少，仅有小部分S314穿过国家公园范围。
图5 旅游者标注点数与各级道路的关系

Fig. 5 The relationship between tourists’ marking points and roads at all levels

具体来看，步行旅游者和驾车旅游者的标注点数与各级道路关系的结果相似，67.77%的步行旅游者标注点和57.94%的驾车旅游者标注点分布在其他道路附近，标注点数量整体随着与其他道路的距离增加而持续下降，且在0~40 m范围内下降幅度最大。以此推测，步行和驾车旅游者对其他道路的依赖较大，距离其他道路0~40 m处是步行和驾车旅游者最感兴趣的游玩范围。此外，骑行旅游者的标注点有49.96%分布在其他道路，40.46%分布在国道（主要为G224）附近，且在距离国道0~80 m范围内骑行旅游者上传的标注点总数多于在其他道路0~80 m范围内上传的标注点总数。在标注点数量与道路距离的关系方面，标注点数量随着与其他道路、国道距离的增加而波动下降，皆在0~40 m范围内下降幅度最大。以此推测，骑行旅游者对其他道路和国道的依赖较大，距离道路0~40 m处也是骑行旅游者最感兴趣的游玩范围。
进一步研究旅游者标注点与景点的距离关系，利用ArcGIS 10.8对一定距离范围内的标注点数进行频数统计，发现距离景点6 000 m范围内，步行、骑行、驾车3种出行方式的旅游者标注点数均占各自总数的80%以上。以100 m为间隔在景点6 000 m范围内生成多环缓冲区，统计各缓冲区环内标注点数（图6），并计算步行、骑行、驾车旅游者标注点到景点的平均距离，其结果分别为2 054 m、2 189 m、2 083 m。首先，55.1%的步行旅游者标注点分布在距离景点2 000 m范围内，标注点数占比在900~1 000 m范围内达到峰值，随后波动下降，并在4 400 m后保持在较低水平，这说明景点对步行旅游者具有较大吸引力，步行旅游者偏好在距离景点0~1 000 m范围内游玩，且围绕景点存在一定的空间聚集。其次，骑行旅游者的标注点数占比在1 100~1 200 m范围内形成第一个高峰，随后在1 200~1 600 m范围内快速下降，至此已有51.12%的骑行旅游者标注点分布在0~1 600 m距离范围内；1 600 m后骑行旅游者的标注点数呈波动上升状态，至2 800~2 900 m范围内形成第二个高峰，而后整体呈波动下降趋势，至3 200 m处标注点数量已占总数的81.65%。由此可见，骑行旅游者会被景点吸引，同时也注重沿途风景，因此骑行者标注点数与景点距离的关系，并非随着距离增加而整体呈现下降趋势，反而是在2 800~2 900 m处又形成一定的空间聚集。最后，驾车旅游者在距离景点较近范围内保持着较高的标注点数占比，并在200~300 m范围内达到峰值，随后整体呈现波动下降趋势，在距离景点1 700m范围内超过半数，说明景点对驾车旅游者也有较大的吸引力，旅游者标注点聚集在景点附近，且到景点0~300 m的距离区间是驾车旅游者喜欢的游玩范围。
图6 旅游者标注点数与景点的距离关系

Fig. 6 Distance relationship between tourists’ marking points and scenic spots

3.2.2 轨迹分布与路线识别

利用ArcGIS 10.8的线密度工具，将像元大小设置为20 m，搜索半径设置为200 m，分别对步行、骑行、驾车旅游者轨迹数据进行处理，形成反映旅游者轨迹分布密度的栅格图（图7）。研究发现，步行旅游者轨迹主要在海南热带雨林国家公园的尖峰岭、霸王岭、五指山、鹦哥岭、黎母山和吊罗山这6个片区的局部地区密集分布，进一步识别其中较受欢迎的步行路线。（1）尖峰岭片区的步行旅游者轨迹在西南部最为密集，步行旅游者由县道X782海尖线进入国家公园范围，随后主要分为两条路线进行游玩：其一，旅游者沿乡道001继续前行，途经将军岩、鹿泪瀑、独岭、鸣凤谷，到达天池，该路线长度约15.4 km，沿途景点较多；其二，旅游者在进入尖峰岭片区后，沿003乡道一路直达尖峰岭主峰，该路线长约13.8 km，以登高为主要特色。（2）霸王岭片区的步行旅游者轨迹在西北部最为密集，主要识别出两条路线：其一，旅游者通过县道X705进入公园范围，沿乡道向东前往白石潭景区，通过景区内的观光木栈道——“钱道”，欣赏根宝石、金腰带藤、迎客榕、元宝石等景观；其二，旅游者进入公园后，向东南方向前往雅加景区，沿着“乐道”、“情道”、“康道”3条观光木栈道游览雨林风光。（3）五指山片区的步行旅游者轨迹整体呈现出2个环线，不同于骑行、驾车旅游者轨迹在环线公路部分处于线密度值最大区间，步行旅游者轨迹线密度值最大的区域是围绕水满乡的雨林体验路线，主要包括2条具体路线：其一，从水满乡出发，沿金山路向北拾级而上进入五指山景区，经过娘母庙、五指山寨，沿登山木栈道行至昌化江之源后，转入树根古道继续前行，最终抵达五指山第一峰；其二，从水满乡出发，沿水满路向东南方向前行，经过五指山蝴蝶牧场，进入热带雨林风景区，依次到达五指山雨林谷漂流、观山平台、听泉台。（4）鹦哥岭片区的步行旅游者轨迹集中在东部，旅游者沿国道G361作为主要道路进入国家公园，途经鹦哥岭瀑布和鹦哥岭水库。（5）黎母山片区的步行旅游者轨迹在东部最为密集，旅游者主要通过乡道Y104进入国家公园，前往石臼景区、黎母仙姑庙等。（6）吊罗山片区的步行旅游者轨迹集中在南部，旅游者从海南热带雨林国家公园（吊罗山）牌楼沿道路进入国家公园，随后沿乡道Y124登高，依次到达河谷石滩、热带低地雨林野外科普教育基地、石晴瀑布、草木欣荣观景台、吊罗山天湖和苗王墓等景点。
图7 不同出行方式旅游者轨迹分布密度识别

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2019)3333号的标准地图制作，底图无修改。

Fig. 7 Identification of trajectory distribution density of tourists with different travel modes

骑行旅游者轨迹主要分布在尖峰岭、五指山和黎母山3个片区，尤其在五指山片区最为密集，由线密度分析识别出的骑行旅游者轨迹与五指山市雨林天路自行车绿道骑行路线的大8字复合环线基本重合，骑行旅游者主要通过山海高速（S10）和国道G224进入环线范围，进入环线后的具体路线如下：从五指山市出发，沿国道G224向北前往毛阳镇，途经阿陀岭、朱德亭，到达毛阳镇后转入乡道065，前往牙胡村观赏牙胡梯田景观；之后沿着县道X583继续骑行，经过琼崖公学纪念亭、五指山大峡谷漂流、牙排水库后，达到水满乡；从水满乡右转，路过五指山热带雨林风景区和红峡谷景区，到达南圣镇后，再经过10 km的平缓路段回到市区，由此便完成了第一个环线。接着，从五指山市再次出发，沿高速S26（五指山连接线）一路骑行，在番阳镇转入海三高速（G9811），到达番阳互通后向右进入国道G540，经过五指山革命根据地纪念园后，再次达到毛阳镇，完成大8字复合环线的全部路程。该路线难度较大，里程共计167 km，累计爬升2 212 m，是凝聚五指山片区风景精华的经典骑行路线。此外，在尖峰岭、黎母山片区的骑行旅游者的轨迹路线与步行旅游者相似。
驾车旅游者轨迹主要分布在尖峰岭、霸王岭、五指山和吊罗山这4个片区，识别出的具体路线与步行、骑行旅游者相似。但相比于步行、骑行旅游者，驾车旅游者大多将海南热带雨林国家公园视为海南自驾游的一部分，以海三高速（G9811）和山海高速（S10）为骨架串联起的交通网络能与周边县（市）有效连通，因此，这2条高速以及与之相连接的其他级别道路上的驾车旅游者轨迹分布密集。

4 结论与讨论

4.1 结论

研究基于步行、骑行和驾车3种出行方式，利用两步路户外网的旅游者标注点数据和轨迹数据，探讨海南热带雨林国家公园旅游者的时空行为特征，研究结果显示：
（1）步行、骑行和驾车旅游者前往海南热带雨林国家公园的游玩时间均较为集中，但皆具有明显的季节性特征。受国内寒暑假制度的影响，旅游者大多选择在夏季或冬季出游，结合海南气候情况和不同出行方式特点，选择步行、骑行这两类具有一定运动量的出行方式的旅游者在气温相对凉爽的冬季最多，而选择驾车的旅游者在夏季最多。同时，不同季节下的旅游者出行速度也有所差异，步行、骑行旅游者的均速在秋季最高，而驾车旅游者的均速在冬季最高。
（2）道路和景点共同影响着海南热带雨林国家公园旅游者标注点的空间分布，不同出行方式的旅游者标注点在不同片区分布不均衡，步行旅游者标注点在多个片区的局部聚集，骑行和驾车旅游者标注点则集中分布在少数片区。3种出行方式的旅游者皆表现出对道路的较强依赖性，尤其是连通各村镇之间的乡道、村道等其他道路，旅游者标注点在距离道路0~40 m范围内形成了一定的空间聚集，且相比于步行和驾车旅游者，骑行旅游者在国道周边的标注点聚集更为明显。此外，步行和驾车旅游者对景点更感兴趣，其标注点在景点附近形成高密度的空间聚集，骑行旅游者感兴趣的游玩范围则兼顾景点与沿途风景，骑行标注点在较大范围的空间中形成高密度分布。
（3）步行旅游者轨迹在海南热带雨林国家公园内分布最广、最密集，主要涉及尖峰岭、霸王岭、五指山、鹦哥岭、黎母山和吊罗山6个片区，在步行过程中喜欢通过公园栈道串联经典景点。骑行旅游者轨迹受自行车绿道建设的影响，主要分布在海南热带雨林国家公园五指山片区，且具体路线与“雨林天路自行车绿道骑行路线”的大8字复合环线基本重合。驾车旅游者轨迹同样主要分布在五指山片区，受路况影响较大，驾车旅游者通常选择路面质量较高的高速、国道等作为出行的主要移动道路，并通过以高速、国道为骨架连接起的交通网络实现与景点的连通。

4.2 讨论

研究通过大量的旅游者行为数据，探索性地分析海南热带雨林国家公园旅游者行为的时间变化和空间分布，进一步总结不同出行方式下的旅游者时空行为规律，具有一定理论意义。同时，在实践意义上能够帮助国家公园管理者预测不同出行方式下的旅游者行为及体验需求，进一步调整旅游发展策略。从研究结果来看，3种出行方式的旅游者多数选择在寒暑假期间前往海南热带雨林国家公园进行旅游体验，旅游时间较为集中；而在空间分布上，步行旅游者在不同片区的分布相对均衡，但骑行和驾车旅游者主要集中在五指山片区，在旅游高峰期，容易对五指山片区的生态环境造成较大压力。因此，国家公园管理者需重视核心景点的分流与保护，可以通过分时开放、预约、限流等方式控制旅游者数量，适当升级其他片区的道路环境和服务设施，开发并宣传经典旅游路线，来吸引旅游者，实现片区分流[2]。同时，考虑到步行是海南热带雨林国家公园旅游者的主要出行方式，需重视公园内步道规划和建设，以减少旅游活动对生态环境的干扰，并为旅游者提供多样化的旅游体验。而驾车对生态环境的影响较大，需完善国家公园外围的停车设施，加强旅游者驾车管理，引导旅游者使用更为环境友好的出行方式进入并探索国家公园。
研究仍存在部分问题需要进一步思考。首先，GPS数据无法显示与旅游者相关的属性信息以及能够反映旅游者心理活动的文本信息，难以对旅游者时空行为进行更深层次的分析，后续研究可以结合其他网络平台的相关数据，并通过问卷调查、跟踪观察及访谈等方式补充旅游者信息，以获得更加全面深入的分析结果。其次，轨迹数据分析部分主要讨论了旅游者的轨迹分布和流动情况，分析维度不够丰富和深入，后续研究将引入聚类分析、仿真模型等方法对不同出行方式旅游者的行为模式和影响因素进行探究，以提高研究的精度和深度。最后，研究结果发现不同出行方式旅游者所依赖的道路类型存在异同，部分道路上会同时发生旅游者步行、骑行、驾车行为，但研究未能进一步分析不同出行方式旅游者之间相互影响所导致的旅游者时空行为变化，因此，后续研究还需进一步探讨不同出行方式的国家公园旅游者之间的时空关联。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
黄潇婷. 旅游者时空行为研究[M]. 北京: 中国旅游出版社, 2011.

[Huang Xiaoting. Tourists Spatial-temporal Behavior Study[M]. Beijing: China Travel & Tourism Press, 2011.]

[2]
梁嘉祺, 姜珊, 陶犁. 旅游者时空行为模式与难忘旅游体验关系研究[J]. 旅游学刊, 2021, 36(10): 98-112.

[Liang Jiaqi, Jiang Shan, Tao Li. Research on the relationship between spatial-temporal behavior patterns and memorable tourism experiences[J]. Tourism Tribune, 2021, 36(10): 98-112.]

[3]
黄潇婷. 基于时空行为研究的旅游时间规划理论思考[J]. 旅游学刊, 2013, 28(9): 10-11.

[Huang Xiaoting. Theoretical thinking on tourism time planning based on the study of spatial-temporal behavior[J]. Tourism Tribune, 2013, 28(9): 10-11.]

[4]
柴彦威, 塔娜. 中国时空间行为研究进展[J]. 地理科学进展, 2013, 32(9): 1362-1373.

DOI

[Chai Yanwei, Ta Na. Progress in space-time behavior research in China[J]. Progress in Geography, 2013, 32(9): 1362-1373.]

DOI

[5]
黄潇婷. 基于时间地理学的景区旅游者时空行为模式研究: 以北京颐和园为例[J]. 旅游学刊, 2009, 24(6): 82-87.

[Huang Xiaoting. A study on temporal-spatial behavior pattern of tourists based on time-geography science: A case study of Summer Palace, Beijing[J]. Tourism Tribune, 2009, 24(6): 82-87.]

[6]
黄潇婷. 时间地理学与旅游规划[J]. 国际城市规划, 2010, 25(6): 40-44.

[Huang Xiaoting. Time geography and tourism planning[J]. Urban Planning International, 2010, 25(6): 40-44.]

[7]
郎月华, 李仁杰, 傅学庆. 基于GPS轨迹栅格化的旅游行为空间模式分析[J]. 旅游学刊, 2019, 34(6): 48-57.

[Lang Yuehua, Li Renjie, Fu Xueqing. Spatial pattern analysis of tourist behavior based on rasterization of GPS trajectories[J]. Tourism Tribune, 2019, 34(6): 48-57.]

[8]
刘艳平, 保继刚, 黄应淮, 等. 基于GPS数据的自驾车游客时空行为研究: 以西藏为例[J]. 世界地理研究, 2019, 28(1): 149-160.

[Liu Yanping, Bao Jigang, Huang Yinghuai, et al. Study on spatio-temporal behaviors of self-driving tourists based on GPS data: A case study of Tibet[J]. World Regional Studies, 2019, 28(1): 149-160.]

[9]
Zheng Y H, Mou N X, Zhang L X, et al. Chinese tourists in Nordic countries: An analysis of spatio-temporal behavior using geo-located travel blog data[J]. Computers, Environment and Urban Systems, 2021, 85: 101561.

[10]
Liu W B, Wang B X, Yang Y, et al. Cluster analysis of microscopic spatio-temporal patterns of tourists’ movement behaviors in mountainous scenic areas using open GPS-trajectory data[J]. Tourism Management, 2022, 93: 104614.

[11]
邝蒨, 陈佳淇, 王胜宏, 等. 若尔盖县高寒草地景观质量和游客轨迹时空响应研究[J]. 中国生态旅游, 2023, 13(5): 907-922.

DOI

[Kuang Qian, Chen Jiaqi, Wang Shenghong, et al. Study on the spatiotemporal response of landscape quality and tourist trajectories in alpine grassland of Zoige County[J]. Journal of Chinese Ecotourism, 2023, 13(5): 907-922.]

DOI

[12]
徐欣, 胡静. 基于GPS数据城市公园游客时空行为研究: 以武汉东湖风景区为例[J]. 经济地理, 2020, 40(6): 224-232.

[Xu Xin, Hu Jing. Study on spatiotemporal behavior of urban park tourists based on GPS data: A case study of Wuhan East Lake scenic area[J]. Economic Geography, 2020, 40(6): 224-232.]

[13]
贾骏骐, 白长虹, 韦鸣秋. 基于数字足迹的自驾车游客时空行为特征研究: 以内蒙古赤峰市为例[C]// 2020中国旅游科学年会论文集旅游业高质量发展. 北京, 2020: 26-39.

[Jia Junqi, Bai Changhong, Wei Mingqiu. Study on temporal and spatial behavior characteristics of self-driving tourists based on digital footprint: A case study of Chifeng City, Inner Mongolia[C]//Proceedings of 2020 China Tourism Science Annual Conference:High-quality Development of Tourism. Beijing, 2020: 26-39.]

[14]
杨斌, 陈晓键. 基于网络日志内容分析的自驾游时空行为研究: 以陕西汉中市为例[J]. 西部人居环境学刊, 2017, 32(5): 76-82.

[Yang Bin, Chen Xiaojian. A study on self-driving trip’s temporal-spatial behavior based on the analysis of web logs: A case study of Hanzhong City[J]. Journal of Human Settlements in West China, 2017, 32(5): 76-82.]

[15]
罗秋菊, 梁思贤. 基于数字足迹的自驾车旅游客流时空特征研究: 以云南省为例[J]. 旅游学刊, 2016, 31(12): 41-50.

[Luo Qiuju, Liang Sixian. Temporal and spatial characteristics of self-driving tourist flows based on tourism digital footprints: A case study in Yunnan Province[J]. Tourism Tribune, 2016, 31(12): 41-50.]

[16]
塔娜. 基于GPS轨迹数据的北京户外登山旅游者时空行为研究[D]. 北京: 北京第二外国语学院, 2021.

[Ta Na. Research on the spatiotemporal behavior of outdoor mountaineers in Beijing based on GPS track data[D]. Beijing: Beijing International Studies University, 2021.]

[17]
胡阳光. 基于GPS轨迹数据的徒步旅游时空行为特征与发展策略: 以浙江莫干山为例[D]. 南京: 南京师范大学, 2021.

[Hu Yangguang. Spatial-temporal behavior characteristics and development strategies of hiking based on GPS trajectory data: A case study of Moganshan, Zhejiang Province[D]. Nanjing: Nanjing Normal University, 2021.]

[18]
赵欧逸. 基于VGI数据的国内滇西北徒步旅游者时空行为与景观偏好研究[D]. 昆明: 云南师范大学, 2023.

[Zhao Ouyi. Research on spatio-temporal behavior and landscape preference of domestic hikers in Northwest Yunnan based on VGI data[D]. Kunming: Yunnan Normal University, 2023.]

[19]
Mou N X, Liu Z W, Zheng Y H, et al. Cycling in Tibet: An analysis of tourists’ spatiotemporal behavior and infrastructure[J]. Tourism Management, 2022, 88: 104418.

[20]
程占红, 牛莉芹. 基于环境认知的生态旅游者对景区管理方式的态度测量[J]. 人文地理, 2016, 31(2): 136-144.

[Cheng Zhanhong, Niu Liqin. Measurement on the attitude of eco-tourists towards the management means of scenic resort based on the environmental cognition[J]. Human Geography, 2016, 31(2): 136-144.]

[21]
叶超, 李陆勋, 刘宏波, 等. 海南热带雨林国家公园交通体系规划布局分析[J]. 科技和产业, 2021, 21(3): 206-209.

[Ye Chao, Li Luxun, Liu Hongbo, et al. Analysis on the planning for transportation system in Hainan Tropical Rainforest National Park[J]. Science Technology and industry, 2021, 21(3): 206-209.]

[22]
赖长强, 巫细波. 基于GIS方法的特大型城市酒店空间布局特征研究: 基于广州酒店POI数据分析[J]. 现代城市研究, 2019(8): 66-74.

[Lai Changqiang, Wu Xibo. A study on spatial distribution characteristics of megacity hotels based on GIS method: A data analysis based on POI data of Guangzhou hotels[J]. Modern Urban Research, 2019(8): 66-74.]

[23]
曲昭伟, 王鑫, 宋现敏, 等. 基于出租车GPS大数据的城市热点出行路段识别方法[J]. 交通运输系统工程与信息, 2019, 19(2): 238-246.

[Qu Zhaowei, Wang Xin, Song Xianmin, et al. Urban hotspot travel section identification method based on taxi GPS large data[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(2): 238-246.]

Options
文章导航

/

〈 〉