長征沿線紅色旅游多尺度空間行為模式挖掘與仿真模擬

［摘" " 要］旅游者空間行為模式是旅游地理學(xué)的重要理論命題。針對長征沿線多尺度紅色旅游空間行為的研究，不僅可以豐富地理學(xué)在人類閑暇活動空間和行為決策方面的理論，還可以為長征國家文化公園建設(shè)的空間結(jié)構(gòu)規(guī)劃、旅游線路優(yōu)化等實踐需求提供支撐。文章獲取了2012—2022年長征沿線紅色旅游軌跡1 576 093條，運用無監(jiān)督學(xué)習(xí)模型分別從大、中、小尺度挖掘紅色旅游者空間行為模式，通過仿真模擬分析評估模式韌性。主要結(jié)論有：1）長征沿線紅色旅游活動尺度越大模式越少，大、中、小尺度下分別形成了17種、56種和81種紅色旅游模式；2）長征沿線已形成8個主要的聯(lián)動區(qū)域，大尺度下主要為2～4個省份間的聯(lián)動，中尺度下以3～6個城市間的聯(lián)動為主，小尺度下則表現(xiàn)為1～3個長征相關(guān)紅色旅游景區(qū)聯(lián)動特征；3）模式網(wǎng)絡(luò)韌性來看，中尺度模式gt;小尺度模式gt;大尺度模式，中小尺度的模式間韌性差異更大。

［關(guān)鍵詞］空間行為模式；模式網(wǎng)絡(luò)韌性；紅色旅游；長征；無監(jiān)督學(xué)習(xí)

［中圖分類號］F59

［文獻標識碼］A

［文章編號］1002-5006（2024）04-0124-15

DOI： 10.19765/j.cnki.1002-5006.2024.04.014

0 引言

2019年7月，中共中央辦公廳 國務(wù)院辦公廳印發(fā)的《長城、大運河、長征國家文化公園建設(shè)方案》[1]指出，要統(tǒng)籌考慮資源稟賦和公眾需求，編制建設(shè)保護規(guī)劃，推進文旅融合工程。作為典型的線性文化遺產(chǎn)，長征沿線紅色資源分布空間跨度大，區(qū)域文化差異明顯[2]。長征國家文化公園建設(shè)涉及15個省區(qū)市，長征主題的紅色旅游融合發(fā)展規(guī)劃需要明確多尺度的協(xié)作范圍和內(nèi)容[3]，包括依據(jù)客觀的紅色旅游聯(lián)系強弱[4]，明確跨省域的紅色旅游產(chǎn)業(yè)空間格局，確定跨市域、縣域的紅色旅游主題線路布局[5]。沿線紅色旅游的融合發(fā)展還需考慮紅色旅游資源和其他類型資源的融合開發(fā)[6]，根據(jù)公眾的客觀旅游行為數(shù)據(jù)科學(xué)確定資源利用組合方案。因此，長征國家文化公園建設(shè)和沿線紅色旅游產(chǎn)業(yè)布局亟須多尺度紅色旅游空間行為研究提供支撐。

空間行為規(guī)律一直是地理學(xué)研究的重要理論命題。運用時間地理學(xué)方法[7-8]，從個體在時間和空間中行為的視角，挖掘和識別人、時間與空間關(guān)系[9]，已被用于解析旅游目的地空間結(jié)構(gòu)和旅游者行為規(guī)律的研究中。人類活動具有尺度效應(yīng)[10]，探索不同尺度旅游行為規(guī)律及其差異是重要的科學(xué)問題[11]。已有研究中的數(shù)據(jù)主要通過問卷調(diào)查[12]或旅行日志[13]收集，研究范圍主要為景區(qū)[14]、城市[15]等中小尺度，在旅游時空行為模式挖掘、行為模式仿真模擬和評估等方面仍缺乏區(qū)域、全國范圍的大尺度旅游空間行為對比分析。

游客產(chǎn)生的時空大數(shù)據(jù)為旅游時空行為研究帶來新的機遇。相較于傳統(tǒng)的數(shù)據(jù)采集方式，基于各種定位技術(shù)的時空數(shù)據(jù)獲取時間更短、數(shù)量更大、精度更高[16]。眾多數(shù)據(jù)類型中，軌跡及其位置數(shù)據(jù)因含有豐富的時空信息而被廣泛運用于旅游者時空行為模式挖掘[17]，通過對游客軌跡數(shù)據(jù)的深入挖掘可以檢測旅游者異常行為模式、挖掘旅游移動規(guī)律和模式、優(yōu)化旅游線路[18]。當前運用軌跡數(shù)據(jù)開展的旅游時空行為研究集中于登山[19]、徒步[20]、騎行[21]等旅游類型，尚沒有針對紅色旅游的時空行為模式研究。此外，在傳統(tǒng)數(shù)據(jù)基礎(chǔ)上發(fā)展而來的旅游時空行為分析方法并不能滿足大數(shù)據(jù)的分析需求，雖然跨學(xué)科的研究方法如深度學(xué)習(xí)、統(tǒng)計物理、復(fù)雜網(wǎng)絡(luò)等給旅游者行為研究提供了全新的研究工具，但前沿技術(shù)和旅游研究問題的結(jié)合仍需探究和擴展。

1 文獻綜述

長征沿線的紅色文化遺產(chǎn)具有類型多樣、數(shù)量龐大、分布廣泛等特征，但由于沿線區(qū)域資源分布不均，導(dǎo)致各區(qū)域發(fā)展基礎(chǔ)差異較大[22]?？茖W(xué)整合長征沿線紅色旅游資源、構(gòu)建紅色主題旅游線路、優(yōu)化紅色旅游產(chǎn)業(yè)空間格局、推進紅色旅游融合發(fā)展成為長征沿線紅色旅游高質(zhì)量發(fā)展的關(guān)鍵[23]。學(xué)者們梳理了長征沿線的A級景區(qū)、紅色旅游經(jīng)典景區(qū)和愛國主義教育示范基地并分析其空間格局，發(fā)現(xiàn)陜北、川貴渝、閩贛-豫鄂湘是主要的長征相關(guān)紅色資源聚集區(qū)域，呈現(xiàn)出“西多東少，南多北少”的空間分布特征，且整體網(wǎng)絡(luò)關(guān)注度偏低[24-27]。目前，針對長征沿線紅色資源的研究較多，但對長征沿線紅色旅游行為的研究仍十分有限。

追蹤技術(shù)的發(fā)展提供了更大尺度、更高精度、更大數(shù)量的旅游者時空行為數(shù)據(jù)[28]，這類數(shù)據(jù)分辨率高、數(shù)據(jù)量大，有效彌補了以往數(shù)據(jù)的缺點，已被廣泛運用于時空行為研究中[29]。如采用計量分析、復(fù)雜網(wǎng)絡(luò)分析等方法[30]，基于數(shù)據(jù)所帶的地理位置和時間信息構(gòu)建出發(fā)地-目的地流（origin-destination flow）進行旅游流研究[31-34]。這些研究采用的點數(shù)據(jù)和流數(shù)據(jù)連續(xù)性較低，部分信息缺乏[35]。相比之下，GPS軌跡每隔一段時間記錄一次使用者位置信息，兼具時間、空間、速度、方向等屬性[36]，連續(xù)性強，旅游者可隨時用移動手機記錄自己的行程并上傳至戶外旅游網(wǎng)站，提高了數(shù)據(jù)精確度和數(shù)據(jù)量，在旅游者移動模式研究中具有獨特優(yōu)勢[37]。

選擇合適的方法提取行為規(guī)律是旅游者時空行為模式挖掘的關(guān)鍵。聚類分析是軌跡行為模式挖掘的一種有效方法，學(xué)者們將經(jīng)典的點聚類算法擴展后運用于軌跡數(shù)據(jù)，常見的有K均值聚類算法（K-means clustering algorithm，K-means）[18]、基于密度的聚類算法（density-based spatial clustering of applications with noise，DBSCAN）[38]、層次聚類（hierarchical cluster analysis，HCA）[39]等。眾多研究方法中，DBSCAN不受預(yù)設(shè)閾值的限制，在沒有先驗條件的情況下能有效檢測出任意簇類，被廣泛運用于行為模式挖掘[40]。針對DBSCAN算法運算時間較長、閾值設(shè)定困難等問題，Campello等提出的HDBSCAN（hierarchical DBSCAN）算法融入了層次聚類的思想，有效解決了DBSCAN閾值設(shè)定的問題，從所產(chǎn)生分層樹的多個分支中選擇聚類[41]，更具靈活性且計算速度也更快，已在旅游[42]、生物醫(yī)學(xué)[43]、城市規(guī)劃[44]等研究中得到廣泛運用。

2 研究數(shù)據(jù)和方法

2.1 研究數(shù)據(jù)

本研究系統(tǒng)梳理了長征沿線的紅色旅游景區(qū)，并進一步篩選出與長征直接相關(guān)的紅色旅游景區(qū)。參考現(xiàn)有文獻，對長征相關(guān)紅色旅游景區(qū)的甄選原則如下：1）歷史事件，1934年10月—1936年10月長征期間發(fā)生歷史事件的遺址、遺跡；2）空間范圍，長征所途經(jīng)的15個省市區(qū)；3）重要人物，長征沿線區(qū)域參與過長征的革命先烈故居、紀念館和人物生平館。最終得到3110處紅色旅游景區(qū)（10.64%為A級景區(qū)，39.23%為愛國主義教育基地），其中512處（16.46%）與長征直接相關(guān)。此外，根據(jù)長征沿線15個省市/區(qū)文化和旅游局公開的A級景區(qū)名單（截止時間為2022年12月31日），整理得到長征沿線A級景區(qū)共6592處，逐一查詢和校準，統(tǒng)一為WGS-84坐標系，建立基礎(chǔ)信息數(shù)據(jù)集，用于劃分模式類型。

軌跡數(shù)據(jù)來自六只腳網(wǎng)站（http：//www.foooooot. com/），該平臺是國內(nèi)大型的旅游軌跡記錄平臺之一，擁有廣大的用戶群體，2010年上線至2022年12月31日網(wǎng)站累計軌跡數(shù)量約600多萬條，累計地理標記照片5000多萬張。本研究以15省市區(qū)名稱為限定詞，從網(wǎng)站上根據(jù)區(qū)域搜索并獲取長征沿線區(qū)域2012年1月—2022年10月的原始軌跡1 576 093條，剔除信息不完整、時間錯誤的軌跡，結(jié)合紅色旅游景區(qū)篩選軌跡，最終獲得長征相關(guān)的紅色旅游軌跡64 208條，結(jié)合軌跡長度劃分為大尺度（500千米以上）、中尺度（100千米～500千米）和小尺度（0～100千米）3種空間尺度，所有的軌跡坐標均轉(zhuǎn)換為WGS-84坐標系。

2.2 研究方法

2.2.1" " 模式挖掘模型

層次密度聚類算法（HDBSCAN）[45]將密度聚類算法和層次聚類結(jié)合，基于相互可達距離構(gòu)建樹形層次結(jié)構(gòu)，并評估每一個樣本的隸屬度[46]，取值范圍為[0， 1]，隸屬度為0時該條軌跡被視為噪聲軌跡（noise trajectory，NT），為1則視為為中心軌跡（center trajectory，CT），中心軌跡代表所在簇類的典型特征，其余的為邊界軌跡（boundary trajectory，BT）。算法需要輸入[min_sample]和[min_][cluster_size]值，具體有以下3個步驟。

1）相似度值空間轉(zhuǎn)換

首先輸入相似度矩陣，基于核心距離（[corek（x）]）、可達距離（reachability distance，RD）和相互可達距離（mutual reachability distance，MRD）進行密度估計[47]，實現(xiàn)空間轉(zhuǎn)換。3種距離的表達公式如下：

[corek（x）=d（x， Nk（x））， k=min _sample ] （1）

[dRD-k（x，p）=max{corek（x）， d（x， p）}] （2）

[dMRT-k（x，p）=max{corek（x）， corek（p）， d（x，p）}] （3）

式（1）～式（3）中，[Nk（x）]代表第[k]條軌跡的鄰近軌跡，[k]為最小采樣數(shù)量，是該算法需輸入的參數(shù)之一。[corek（x）]是CT鄰域的最小半徑，BT的[corek（x）]值無窮大，MRD則為兩兩CT之間的歐式距離，生成的MRD矩陣作為下一步運算的輸入值。

2）形成最小生成樹和層次結(jié)構(gòu)

采用Boruvka算法構(gòu)建最小生成樹。首先以每一條軌跡為頂點，MRD矩陣值為權(quán)重，形成加權(quán)圖。然后選擇任一頂點作為樹的開始，依次遍歷聯(lián)通圖中的每個點和邊，選擇權(quán)重最小的邊合并到樹中，重復(fù)這一步驟直到所有的頂點和邊都包含在樹中。隨后，通過Union-Find算法判斷兩個頂點之間的連通性，若連通則視為同一個簇，不連通則將兩條軌跡劃分為不同的簇。同一類別內(nèi)的樹邊按照權(quán)重升序排列，遍歷圖中的所有頂點后獲取層次結(jié)構(gòu)。

3）簇類壓縮和提取

結(jié)合輸入的[min_cluster_size]值壓縮樹結(jié)構(gòu)。自上而下遍歷和分割每一個樹節(jié)點，判斷樹分裂后的樣本子集數(shù)目，保留超過該值的樹分支并繼續(xù)分裂，刪除小于該值的分支節(jié)點，最終形成壓縮的簇樹。但所劃分的部分簇仍包含在其他簇中，因此引入[λ]和[Scluster]判斷聚類結(jié)果的穩(wěn)定性。

[λ=1corek（x）] （4）

[Scluster=p?ci（λp-λdeath）] （5）

式（4）和式（5）中，[ci]表示聚類簇的集合，[λp]表示單個樣本離開上一樹節(jié)點時對應(yīng)斷點的倒數(shù)，[λdeath]表示樹分裂時對應(yīng)斷點長度的倒數(shù)。隨后計算鄧恩指數(shù)（Dunn validity index，DVI），依次迭代確定模型的最佳參數(shù)設(shè)置，其值越大代表模型效果越好，公式如下：

[DVI=minm≠n{minxi∈Ωmx||xi-xj||}maxxj∈Ωnmaxxi，xj∈Ω{||xi-xj||}] （6）

2.2.2" " 模式韌性仿真模擬模型

剔除景區(qū)活動外的軌跡點后，模式可以被抽象為網(wǎng)絡(luò)結(jié)構(gòu)。在旅游流動網(wǎng)絡(luò)中，景區(qū)遭遇惡劣天氣、地震和泥石流災(zāi)害、突發(fā)疫情等會迫使游客結(jié)束自己的旅游行程或改變旅游線路，對于一部分模式來說，局部變動不影響其整體的結(jié)構(gòu)，只有面臨較大面積和強度的攻擊時，才會失效；而另一部分模式則會因為較小的變動而徹底消失，這一現(xiàn)象體現(xiàn)了模式的韌性。本研究借鑒復(fù)雜網(wǎng)絡(luò)中韌性評估的方法，對所提取模式網(wǎng)絡(luò)的韌性開展評估。相關(guān)公式如下：

[Q（p）=EfEpre] （7）

[Ep=112N（N-1）I≠J∈N1dpij] （8）

[Epre=112N（N-1）I≠J∈N1dpreij] （9）

式（2）～式（9）中，[dij]代表景區(qū)節(jié)點間的最短拓撲距離，[p]為移除景區(qū)節(jié)點的比率，[Q（p）]變化曲線代表了網(wǎng)絡(luò)性能的變化。根據(jù)韌性量化的面積計算法[48]，計算曲線起點到閾值點的曲線面積，得到模式網(wǎng)絡(luò)的韌性測度模型，[pmax]為網(wǎng)絡(luò)失效的臨界點，韌性模型如下：

[R=0pmaxQ（p）df=0pmaxEpEpredf] （10）

[pmax=NpN] （11）

隨后，本研究運用Python進行模式網(wǎng)絡(luò)韌性的仿真模擬，模型主要包括以下3個層面：1）旅游流動仿真層，通過模式提取出的網(wǎng)絡(luò)模擬游客在景區(qū)間的流動情況；2）隨機異常事件仿真層，模擬景區(qū)受異常事件擾動的情景；3）韌性測度模型，基于第一層和第二層的結(jié)果評估大、中、小尺度模式在受到外部干擾時的韌性。仿真模擬過程中，閾值的大小代表了網(wǎng)絡(luò)性能的裂變程度，韌性則反映了模式的“擾動-適應(yīng)-恢復(fù)-崩潰”全過程的性能，即模式在受到外部擾動時產(chǎn)生變化、適應(yīng)變化、局部恢復(fù)、整體崩壞的過程。韌性高的模式抵抗外部擾動的能力越強，韌性低的模式抵抗外部擾動的能力越弱。

3 長征沿線紅色旅游空間行為模式

3.1 大尺度紅色旅游模式

根據(jù)所提取的大尺度行為模式，長征沿線紅色旅游已形成8個聯(lián)動區(qū)域（圖1）?？傮w上，平均行程長度在883.93千米～2630.84千米之間，模式2的行程最長，模式1的行程最短。從空間上可劃分為8個聯(lián)動區(qū)域，聯(lián)動區(qū)一有陜西、寧夏、青海、甘肅、河南，包括模式3、模式6、模式12；聯(lián)動區(qū)二有四川、重慶、陜西、河南、貴州、云南，包括模式4、模式5、模式7、模式9；聯(lián)動區(qū)三有四川、重慶、湖北，包括模式10；聯(lián)動區(qū)四有云南、貴州、湖南、江西、湖北，包括模式8、模式16；聯(lián)動區(qū)五有湖南、湖北、河南、江西，包括模式11、模式15；聯(lián)動區(qū)六有江西、福建，包括模式14；聯(lián)動區(qū)七有四川、云南、貴州、重慶，包括模式1；聯(lián)動區(qū)八有重慶、四川、甘肅，包括模式2、模式17。提取各模式的起止點發(fā)現(xiàn)，陜西、云南、河南、湖北、江西、青海和甘肅是主要的出發(fā)地，四川、重慶、貴州、湖南、陜西、甘肅、福建則是主要的結(jié)束地；重慶、貴陽、長沙、西安、武漢等是長征沿線游客開展大尺度紅色旅游過程中重要的中轉(zhuǎn)地。

路網(wǎng)建設(shè)程度是開展大尺度紅色旅游活動的基礎(chǔ)，將大尺度紅色旅游各模式的軌跡匹配到國家級干線公路的路網(wǎng)中，提取模式所依托的道路。G318、G320、G210、G107、G312、G109、G108、G212等是大尺度紅色旅游模式主要依托的道路，其中，南北縱向的有G210、G212，G312、G318、G320為東西橫向的公路，G107、G109、G108則從北京向其他?。ㄊ校┹椛?。具體來看，G318沿線形成了模式10，G320沿線形成了模式1、模式8和模式15，G210沿線形成了模式7、模式9和模式13，G107沿線形成了模式11、模式15，G312、G109沿線形成了模式3和模式12，G108沿線形成了模式4～模式6，G212沿線形成了模式2。

3.2 中尺度紅色旅游模式

長征沿線中尺度紅色旅游形成了56種空間行為模式，大部分軌跡跨越市區(qū)邊界在省內(nèi)流動，主要為一日游。平均旅游距離在138千米～349千米之間，平均旅游時長集中于6小時～14小時之間（表1）。從空間分布來看（圖2），模式數(shù)量整體由西南部向東北部下降，模式較多的區(qū)域為四川和貴州，甘孜、阿壩、遵義、郴州、贛州、桂林等與周邊市（區(qū)）間已發(fā)展形成成熟且類型多樣的紅色旅游模式。甘孜州與周邊市（區(qū)）之間形成的模式最多，以延安市、武漢市和重慶市為主的模式雖較少，但相較于其他模式，其平均旅游時長較長，旅游效率更高。此外，根據(jù)停留點提取游客在單個景區(qū)內(nèi)的停留時長，計算單條軌跡在景區(qū)內(nèi)的停留時間和旅游總時長的比值，模式14的占比最高，模式46的占比最低，在其他方面花費的時間遠大于景區(qū)內(nèi)游玩的時間。

結(jié)合軌跡的語義信息對模式進行解讀（表1），可將模式按照景區(qū)類別劃分為紅色旅游主導(dǎo)型、“紅色+自然觀光”型、“紅色+人文風(fēng)情”型、“紅色+康養(yǎng)度假”型、“紅色+休閑娛樂”型和混合型6類。隸屬于“紅色+自然觀光”型的模式最多（32.14%），主要分布于福建、甘肅、廣西、貴州、湖南、四川、云南，聯(lián)動的城市有白銀—武威—金昌、貴陽—遵義—銅仁、張家界—湘西—恩施、郴州—永州—邵陽、雅安—成都—甘孜、阿壩—成都、桂林—柳州、張掖—酒泉、福州—莆田、大理—麗江，停留時長占出游時長約2.78%～17.07%?！凹t色+人文風(fēng)情”型（19.64%）主要位于福建、貴州、湖北、湖南、陜西、四川、重慶，聯(lián)動城市有三明—寧德—福州、遵義—畢節(jié)、貴陽—黔東南—黔南、信陽—黃岡、湘潭—株洲、西安—咸陽、甘孜—阿壩、成都—廣元—南充，景區(qū)停留時長占比在5.16%～11.29%之間。紅色主導(dǎo)型占比為16.07%，主要在福建、甘肅、貴州、湖南、江西、陜西、四川、云南省內(nèi)的部分市（區(qū)）或邊界區(qū)域，聯(lián)動區(qū)域有龍巖—三明、畢節(jié)—六盤水、白銀—平?jīng)觥獞c陽、黃岡—信陽、郴州—永州、贛州—吉安、延安—渭南—商洛、昆明—曲靖，該類型模式景區(qū)停留時長占比約3.66%～24.42%，游客傾向于在紅色景區(qū)內(nèi)花費更多的時間。

其余模式中，7.14%為“紅色+休閑娛樂”型，主要分布于重慶、寧夏和湖南，具體表現(xiàn)為常德—懷化—張家界、固原—吳忠—銀川、沙坪壩區(qū)—九龍坡區(qū)城市（區(qū)）間的聯(lián)動。23.21%為混合型，四川、貴州、廣西、湖南、湖北、云南、青海、甘肅等是這類模式主要分布的省份，相較于其他類型，這一類型的平均行程長度和旅游時間更長，所跨范圍更廣，涉及上述省區(qū)內(nèi)的多個城市，形成了桂林—柳州—河池、安順—貴陽—黔南—黔東南、長沙—湘潭—岳陽、麗江—大理—迪慶等聯(lián)動區(qū)域，以及以桂林、南寧、長沙、武漢為中心的向外擴散模式。

3.3 小尺度紅色旅游模式

小尺度空間行為模式共有81種，平均行程長度在10.75千米～70.37千米之間，平均旅游時長在1.86小時～13.06小時之間（表2），聚集于城市內(nèi)部或景區(qū)周邊。遵義、龍巖、雅安、曲靖、黃岡城市內(nèi)的模式最多（圖2）。在遵義市內(nèi)，圍繞茍壩會議舊址、婁山關(guān)紅軍戰(zhàn)斗遺址、黃陂洞戰(zhàn)斗遺址、四渡赤水戰(zhàn)役遺址等24個與長征相關(guān)的紅色旅游景區(qū)形成了相應(yīng)的模式，包括模式43、模式45、模式49和模式50。龍巖的古田會議舊址、才溪鄉(xiāng)調(diào)查舊址景區(qū)、中央蘇區(qū)（閩西）歷史博物館等是游客主要開展紅色旅游的景區(qū)，在長汀縣、上杭縣和新羅區(qū)形成了模式69～模式71。雅安的東部是小尺度紅色旅游模式分布的區(qū)域，以蒙頂山紅軍戰(zhàn)壕、天全縣紅軍紀念館、紅軍百丈關(guān)戰(zhàn)役紀念館等7個紅色旅游景區(qū)為主，其中與長征相關(guān)的景區(qū)有6個，在雨城區(qū)和天全縣境內(nèi)。此外，贛州、郴州、福州、西寧、長沙、武漢、泉州、孝感、麗江的紅色旅游模式也較多，涉及紅色景區(qū)112個，其中，與長征直接相關(guān)的紅色旅游景區(qū)19個。從停留時間來看，3.7%的模式中，游客在景區(qū)內(nèi)的停留時間占總旅游時長的比例在50%以上，模式29的比例最高，達98.6%，該模式在寧夏境內(nèi)，主要圍繞六盤山長征紀念館景區(qū)開展旅游活動。

根據(jù)景區(qū)類型劃分，小尺度紅色旅游模式中紅色主導(dǎo)型占比最多達30.49%，涉及的紅色旅游景區(qū)有170個，31.76%的景區(qū)與長征直接相關(guān)，空間上主要分布于陜西北部、寧夏東部、湖北東部、福建西南部、云南東北部和四川東部的城市內(nèi)，延安、龍巖、贛州、曲靖的紅色主導(dǎo)型模式較多，包括長征第一山、于都長征大橋、花山寨會議舊址等在內(nèi)的20個與長征相關(guān)的景區(qū)，該類型模式的景區(qū)停留時間占總出游時長的比例約為6.43%～98.60%。“紅色+人文風(fēng)情”型模式占比19.75%，與紅色主導(dǎo)型相比行程更短、時間更長，包含紅色旅游景區(qū)58個，與長征直接相關(guān)的景區(qū)60.34%。該類型模式出現(xiàn)在四川、云南、貴州、湖北、湖南、福建和陜西，西安、遵義、福州、長沙、廣元等城市是主要的分布地，以茍壩會議舊址、紅軍血戰(zhàn)劍門關(guān)遺址、紅四方面軍長征出發(fā)地紀念館、紅軍飛奪瀘定橋紀念館等35個紅色景區(qū)為主，景區(qū)停留時間占比約5.96%～46.69%，仍低于紅色主導(dǎo)型模式。

“紅色+自然觀光”型模式約20.99%，模式間的差異增大，共有紅色旅游景區(qū)52個，65.38%為與長征直接相關(guān)的景區(qū)，四川、云南、湖南、湖北、甘肅和云南等省是該類模式主要分布區(qū)域，具體有遵義、麗江、張家界、荊州、廣安、雅安、張掖、孝感等城市，景區(qū)停留時長的占比進一步縮小，約5.00%～36.34%。此外，14.81%的模式屬于“紅色+休閑娛樂”型，平均行程長度更短，主要在貴陽、遵義、桂林、隴南等城市，所涉及的32個紅色景區(qū)中78.13%與長征直接相關(guān)，紀念館和烈士陵園是這類模式主要的紅色景區(qū)，景區(qū)內(nèi)的停留時長更短，占比在9.44%～24.04%之間?；旌闲驼急燃s11.11%，分布于長沙、福州、重慶、南寧、麗江等城市。

4 長征沿線紅色旅游模式韌性仿真模擬

隨機擾動情景下大尺度紅色旅游模式的韌性有較大的差異（圖3）。模式失效的閾值在8.30%～52.20%，大部分在30%以下，韌性集中于0.08～0.50之間。模式3的閾值最高，該模式位于聯(lián)動區(qū)一，游客在青海、甘肅、寧夏、陜西之間流動，當52.20%的城市節(jié)點失效時，模式網(wǎng)絡(luò)狀態(tài)將徹底轉(zhuǎn)變。模式4的閾值最低，屬于聯(lián)動區(qū)二，游客從河南出發(fā)，沿G108、G310等國道前往陜西、四川開展旅游活動，已形成固定的旅游線路，因此僅8.30%的城市節(jié)點受到?jīng)_擊時即面臨崩壞的風(fēng)險。不同模式的韌性和閾值變化基本相同，部分模式有較大變動。模式9韌性最高，屬于聯(lián)動區(qū)二，游客從陜西出發(fā)，由北向南依次到達四川、重慶等紅色旅游目的地，到貴州后結(jié)束行程。模式7和模式17的韌性也較高，分別為0.42和0.41。模式1閾值較高但韌性略低，游客在四川、云南、重慶和貴州之間相互流動，各城市聯(lián)系緊密，游客的旅游線路較固定，大致沿云南—貴州—重慶—四川的順序開展旅游活動，外部沖擊下流動效率將快速下降。模式6閾值較低，但韌性上升，從河南向陜西、甘肅流動，雖然流向單一但城市間旅游線路多樣。從區(qū)域來看，分別統(tǒng)計了各聯(lián)動區(qū)內(nèi)模式的韌性，聯(lián)動區(qū)四、聯(lián)動區(qū)五內(nèi)模式的韌性較低，聯(lián)動區(qū)二、聯(lián)動區(qū)八內(nèi)模式的韌性差異較大，聯(lián)動區(qū)七的韌性則較均勻。

相比于大尺度模式，隨機擾動情景下中尺度紅色旅游模式的韌性差異更大（圖3）。模式失效的閾值在0%～66.70%之間，韌性在0～0.72之間，遠高于大尺度模式。模式22、模式34、模式39、模式51、模式55閾值最高，分別位于河南、江西、青海、四川和云南境內(nèi)，聯(lián)動區(qū)有信陽—武漢、贛州—龍巖、西寧—海西、成都—阿壩—甘孜、麗江—迪慶，當66.70%的節(jié)點失效時，模式徹底消失。模式5、模式10、模式12、模式21、模式35、模式52、模式53的閾值最低，分布于福建、廣東、河南、云南、青海、寧夏，涉及的聯(lián)動區(qū)有福州—莆田、云浮—佛山、韶關(guān)—郴州、信陽—黃岡、大理—麗江、銀川—海西、固原—吳忠。從韌性來看，韌性值大小與閾值大小的變化基本一致，江西、重慶、甘肅、湖南的模式韌性較高，廣東、陜西、貴州韌性較低，四川、福建、廣西、青海境內(nèi)模式的韌性差異較大。江西紅色旅游模式的韌性最高，包括模式15、模式31、模式61和模式62，聯(lián)動區(qū)主要為贛州—吉安。廣東省紅色旅游模式的韌性最低，包括模式10～模式12，聯(lián)動區(qū)有梅州—河源、韶關(guān)—郴州、云浮—佛山。模式類型來看，“紅色+休閑娛樂”型的韌性整體較低，混合型、“紅色+自然觀光”型的韌性整體較高，“紅色+自然觀光”型、紅色主導(dǎo)型模式間韌性差異較大。

在面臨外部干擾時，小尺度紅色旅游模式的整體韌性程度略高（圖3）。模式失效的閾值在0%～77.80%之間，韌性在0～0.71之間，除去局部高值和低值，整體高于大中尺度模式。模式69的閾值最高為77.80%，屬紅色主導(dǎo)型，在福建龍巖市長汀縣境內(nèi)。模式5～模式6、模式8、模式37、模式68、模式27～模式30、模式55～模式56、模式25、模式32、模式41、模式53、模式60～模式63的閾值最低，主要位于陜西商洛、甘肅定西、廣東梅州、湖北荊門、寧夏固原等城市。韌性的變化和閾值變化的趨勢基本一致，模式74閾值居中但韌性最高，約為0.71，位于重慶市內(nèi)，涉及紅色景區(qū)28個。模式80閾值較高但韌性低，該模式在湖南省郴州市內(nèi)，共有6個紅色景區(qū)。各城市模式的韌性差異較大，整體由長征沿線的中部區(qū)域向北部、南部區(qū)域遞減，由東部向西部遞增。贛州、龍巖、延安、長沙、重慶、遂寧、桂林、南寧、武漢、常德等城市的模式韌性較高，遵義、貴陽、西安、張家界、十堰、宜昌、固原、商洛、定西、三明等城市的模式韌性較低，龍巖、雅安、湘潭、咸陽、德陽城市內(nèi)模式韌性差異較大。各類型模式的韌性均呈兩極分化，紅色主導(dǎo)型和“紅色+休閑娛樂”型的韌性略高，“紅色+康養(yǎng)度假”型的韌性略低，另外3種類型的則較均勻。

5 結(jié)論和討論

5.1 結(jié)論

本研究以時間地理學(xué)為理論基礎(chǔ)，以長征沿線為研究區(qū)域，構(gòu)建了長征沿線紅色旅游景區(qū)和軌跡數(shù)據(jù)集，運用無監(jiān)督學(xué)習(xí)模型挖掘大、中、小3個尺度下紅色旅游行為模式，基于仿真模擬方法評估模式網(wǎng)絡(luò)的韌性，所得結(jié)論如下。

1）大尺度紅色旅游已形成8個主要的聯(lián)動區(qū)域，共有模式17種，主要為2～4個省份間的聯(lián)動。各模式的平均行程長度在883.93千米～2630.84千米之間，其中，橫向聯(lián)動區(qū)域3個，縱向聯(lián)動區(qū)域5個，G318、G320、G210等是大尺度紅色旅游時空行為模式主要依托的道路。

2）中尺度紅色旅游模式有56種，主要表現(xiàn)為2～4個城市間的聯(lián)動，部分模式涉及5個及以上的城市。模式數(shù)量空間分布由西南部向東北部遞減，四川和貴州的中尺度模式最多。從類型上來看“紅色+自然觀光”型最多，而紅色主導(dǎo)型主要在福建、甘肅、貴州、湖南、江西、陜西、四川、云南境內(nèi)，各類型模式所涉及的聯(lián)動區(qū)差異顯著。

3）小尺度紅色旅游模式有81種，表現(xiàn)為1～3個長征相關(guān)紅色旅游景區(qū)聯(lián)動特征。平均行程長度在10.75千米～70.37千米之間，平均旅游時長在1.86小時～13.06小時之間，以紅色主導(dǎo)型為主，相比于大尺度和中尺度在景區(qū)內(nèi)的停留時間占比更長，其中，遵義、龍巖、雅安、曲靖、黃岡形成的小尺度模式最多。

4）模式網(wǎng)絡(luò)韌性從高到低依次為中尺度模式、小尺度模式、大尺度模式，中、小尺度的模式韌性差異更大。大尺度模式中，貴州—重慶—陜西—河南之間形成的模式9韌性水平最高，聯(lián)動區(qū)四（云南—貴州—湖南—江西—湖北）和聯(lián)動區(qū)五（湖南—湖北—河南—江西）的整體韌性水平較低。中尺度下，龍巖—三明—廈門、長沙—湘潭—懷化、贛州—吉安等聯(lián)動區(qū)域形成的模式韌性最高，廣東中尺度模式的韌性略低。小尺度下，贛州、龍巖、延安、長沙、重慶境內(nèi)模式的韌性較高，遵義、貴陽、西安、張家界境內(nèi)模式的韌性則較低。

5.2 討論

本文研究結(jié)果顯示，從旅游者軌跡大數(shù)據(jù)中挖掘旅游模式的無監(jiān)督學(xué)習(xí)方法是有效可行的，所提出的研究框架為旅游者行為模式研究提供了思路和方法上的參考，該分析框架同樣適用于其他類型的旅游活動及旅游目的地時空間行為模式分析。學(xué)者們已初步嘗試將更多的軌跡信息納入時空行為模式提取的方法中[49]，并以景區(qū)為研究范圍對旅游者時空行為模式進行探索[50]，然而這些方法僅適用于中小尺度軌跡時空行為模式挖掘。因此，本研究對現(xiàn)有算法進行優(yōu)化，加入對旅游情景和尺度的考量，所構(gòu)建的HDBSCAN模型結(jié)合了密度聚類和層次聚類的優(yōu)勢，自動選擇參數(shù)閾值，有效提取了游客行為模式，真實地展現(xiàn)了旅游者時空行為規(guī)律。研究結(jié)果從理論層面加深對時間地理學(xué)的理解和應(yīng)用，豐富了旅游時空行為的理論研究，同時為其他旅游活動行為規(guī)律的探索提供了啟示，研究框架和方法可用于各種旅游情景下的時空行為模式分析。

運用仿真模擬模型能夠準確刻畫旅游目的地受異常情況擾動的情景，所構(gòu)建的韌性測度模型有效衡量了模式網(wǎng)絡(luò)的韌性，是對模式評估的有益嘗試，所得結(jié)果較為直觀且易于理解。網(wǎng)絡(luò)局部擾動具有傳遞性，Ruiz-Martin等[51]、Zhou和Wang[52]、Kim[53]、Brede和De Vries[54]開展的多項研究已證實，連通子圖、網(wǎng)絡(luò)效率能夠很好地表征遭受攻擊時網(wǎng)絡(luò)結(jié)構(gòu)的變化，在生態(tài)產(chǎn)業(yè)[55]、城市路網(wǎng)[56]、航線評估[57]、災(zāi)害恢復(fù)[58]中已有較多的運用，且取得了較好的研究成果。因此，本研究初步嘗試將這一方法運用到旅游行為模式網(wǎng)絡(luò)中，模式網(wǎng)絡(luò)是游客在旅游流動中形成的具有特定拓撲結(jié)構(gòu)性能的完整的空間組合形式。面對同樣的擾動情景，不同的模式表現(xiàn)出不同的韌性水平，仿真模擬結(jié)果和模型為理解行為模式提供了新的解讀視角和方法論[59]?？傮w來看，中尺度的整體韌性水平較高，大尺度的整體韌性水平最低，福建龍巖、江西贛州、湖南長沙、湖北武漢的中小尺度模式的韌性均較高，貴州遵義、寧夏固原等城市內(nèi)部及與周邊城市之間韌性較低，即已經(jīng)發(fā)展出了固定的旅游模式。

本文的研究結(jié)果可為長征國家文化公園相關(guān)政策、規(guī)劃和方案的制定提供科學(xué)參考，具有較大的實踐意義。長征國家文化公園建設(shè)需要多區(qū)域合作共同推進，加大、加深區(qū)域融合發(fā)展力度是長征沿線紅色旅游發(fā)展的關(guān)鍵環(huán)節(jié)，當前對長征紅色旅游的研究仍以紅色資源為主，缺乏對宏觀的、整體的融合發(fā)展情況的研究。因此，本研究將旅游軌跡作為主要的研究數(shù)據(jù)，對長征沿線紅色旅游行為模式進行系統(tǒng)、深入的挖掘。結(jié)果表明，長征沿線紅色旅游分別在大尺度、中尺度和小尺度層面表現(xiàn)出明顯的融合趨勢。大尺度上共形成8個省際聯(lián)動區(qū)域，聯(lián)動格局已形成，但部分聯(lián)動區(qū)內(nèi)模式韌性較弱。中尺度下部分城市與與周邊市（區(qū)）間已發(fā)展出成熟的模式，形成了遵義—貴陽、贛州—龍巖、甘孜—阿壩等為代表的城際聯(lián)動。小尺度模式則體現(xiàn)了雅安、延安、郴州等城市內(nèi)部區(qū)（縣）間的融合發(fā)展態(tài)勢，圍繞部分長征相關(guān)紅色旅游景區(qū)形成了韌性較高的行為模式。因此，針對韌性較高的模式、聯(lián)動區(qū)域或景區(qū)，應(yīng)建立典型示范區(qū)，總結(jié)和推廣融合發(fā)展經(jīng)驗，韌性較低的則需在鞏固現(xiàn)有合作的基礎(chǔ)上，進一步豐富合作形式。此外，“紅色+自然觀光”型和“紅色+人文風(fēng)情”型的模式受游客青睞，在進行長征沿線紅色旅游線路規(guī)劃時可參考這類組合方式。

研究存在以下幾方面的局限性。從實踐應(yīng)用來看，雖然本文識別了長征沿線紅色旅游者時空行為模式及韌性水平，但這主要是為實踐中旅游產(chǎn)業(yè)規(guī)劃布局提供一種科學(xué)的參考。要進一步形成具體的可落地實施的規(guī)劃方案，還需要對這些關(guān)鍵節(jié)點和線路開展調(diào)查研究和訪談，將軌跡挖掘與實地考察、統(tǒng)計數(shù)據(jù)、專家經(jīng)驗相結(jié)合，實現(xiàn)傳統(tǒng)方法和大數(shù)據(jù)技術(shù)的融合，才能更為科學(xué)地指導(dǎo)長征沿線紅色旅游產(chǎn)業(yè)的發(fā)展。另外，鑒于旅游軌跡語義信息、社會屬性信息的獲取和識別困難，本研究沒有劃分游客群體，在進一步的研究中，應(yīng)嘗試結(jié)合線上和線下的方法，識別不同的游客群體并針對性開展時空行為的研究。在仿真模擬時，受數(shù)據(jù)獲取的限制，本研究所設(shè)定的異常事件仿真模擬的情景為無差別的隨機攻擊，但模式網(wǎng)絡(luò)中單個景區(qū)節(jié)點所面臨的異常擾動事件各不相同，在數(shù)據(jù)可獲得的情況下，可以考慮基于歷史數(shù)據(jù)構(gòu)建單個景區(qū)遭受異常事件的仿真模擬情景。

參考文獻（References）

[1] 戴俊騁. 國家文化公園研究的路徑分析[J]. 旅游學(xué)刊， 2023， 38（6）： 40-51. [DAI Juncheng. Path analysis of national cultural park research[J]. Tourism Tribune， 2023， 38（6）： 40-51.]

[2] 劉魯， 郭秋琪， 吳巧紅. 立足新時代，探索新路徑——“國家文化公園建設(shè)與遺產(chǎn)活化”專題研討會綜述[J]. 旅游學(xué)刊， 2022， 37（8）： 150-158. [LIU Lu， GUO Qiuqi， WU Qiaohong. Based on the new era and exploring new paths—Summary of the special seminar on “national cultural park construction and heritage activation”[J]. Tourism Tribune， 2022， 37（8）： 150-158.]

[3] 李淥， 徐珊珊， 何景明. 文化記憶與鄉(xiāng)村振興： 長征國家文化公園的社區(qū)參與——基于貴州省清鎮(zhèn)市觀游村索橋紅軍渡的個案研究[J]. 旅游科學(xué)， 2022， 36（3）： 72-90. [LI Lu， XU Shanshan， HE Jingming. Cultural memory and rural revitalization： Community participation in the long march national cultural park： Based on the case of cable bridge hongjundu construction project of guanyou village in Qingzhen city， Guizhou[J]. Tourism Science， 2022， 36（3）： 72-90.]

[4] 單雅雯， 史達. 紅色文化遺產(chǎn)活化的異質(zhì)性增權(quán)網(wǎng)絡(luò)——基于城市紅色旅游資源的行動研究[J]. 旅游學(xué)刊， 2023， 38（3）： 92-106. [SHAN Yawen， SHI Da. Heterogeneous empowerment network for activating red cultura heritage： An action research based on urban red tourism resources[J]. Tourism Tribune， 2023， 38（3）： 92-106.]

[5] 王兆峰， 李琴. 長征沿線紅色文化遺產(chǎn)空間分布特征及旅游高質(zhì)量發(fā)展[J]. 山地學(xué)報， 2022， 40（4）： 581-596. [WANG Zhaofeng， LI Qin. Spatial distribution of red cultural heritage and high-quality tourism development along the Long March[J]. Mountain Research， 2022， 40（4）： 581-596.]

[6] 王兆峰， 陳勤昌. 長征紅色非物質(zhì)文化遺產(chǎn)： 內(nèi)涵特質(zhì)、傳承挑戰(zhàn)與活化路徑[J]. 旅游學(xué)刊， 2023， 38（6）： 28-39. [WANG Zhaofeng， CHEN Qinchang. Red intangible cultural heritage of the long march： Connotation and qualities， inheritance challenges， revitalization and utilization[J]. Tourism Tribune， 2023， 38（6）： 28-39.]

[7] 張文佳， 季純涵， 謝森鍇. 復(fù)雜網(wǎng)絡(luò)視角下時空行為軌跡模式挖掘研究[J]. 地理科學(xué)， 2021， 41（9）： 1505-1514. [ZHANG Wenjia， JI Chunhan， XIE Senkai. Pattern mining of spatio-temporal behavior trajectories by complex network analysis[J]. Scientia Geographica Sinica， 2021， 41（9）： 1505-1514.]

[8] 梁嘉祺， 姜珊， 陶犁. 旅游者時空行為模式與難忘旅游體驗關(guān)系研究[J]. 旅游學(xué)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.]

[9] CHOE Y， LEE C K， CHOI J， et al. Identifying tourist spatial and temporal patterns using GPS and sequence alignment method[J]. Journal of Travel Research， 2023， 62（6）： 1181-1201.

[10] 艾廷華， 張翔. 地理信息科學(xué)中尺度概念的詮釋與表達[J]. 測繪學(xué)報， 2022， 51（7）： 1640-1652. [AI Tinghua， ZHANG Xiang. An interpretation and representation of scale concept in geo-information sciences[J]. Acta Geodaetica et Cartographica Sinica， 2022， 51（7）： 1640-1652.]

[11] 黃劍鋒， 陸林， 宋玉. 微觀視角下旅游情境人地關(guān)系的理論與經(jīng)驗[J]. 地理學(xué)報， 2021， 76（10）： 2360-2378. [HUANG Jianfeng， LU Lin， SONG Yu. Theoretical and empirical exploration of human-environment relationship in tourism context from a microcosmic perspective[J]. Acta Geographica Sinica， 2021， 76（10）： 2360-2378.]

[12] 牛璟祺， 劉靜艷. 具身感知情境下的游客環(huán)境責(zé)任行為意向——敬畏感與預(yù)期自覺情緒的喚起[J]. 旅游學(xué)刊， 2022，37（5）： 80-95. [NIU Jingqi， LIU Jingyan. Environmentally responsible behavior intentions based on embodied perceptions： The arousal of awe and anticipated self-conscious emotions[J]. Tourism Tribune， 2022， 37（5）： 80-95.]

[13] 周李， 吳殿廷， 虞虎， 等. 基于網(wǎng)絡(luò)游記的城市旅游流網(wǎng)絡(luò)結(jié)構(gòu)演化研究——以北京市為例[J]. 地理科學(xué)， 2020， 40（2）： 298-307. [ZHOU Li， WU Dianting， YU Hu， et al. Evolution of urban tourism flow network structure based on network travel notes： A case study of Beijing city[J]. Scientia Geographica Sinica， 2020， 40（2）： 298-307.]

[14] 李淵， 郭晶， 黃競雄， 等. 海島型旅游地空間形態(tài)對旅游者行為的影響研究——以福建省5個旅游島為例[J]. 旅游學(xué)刊， 2022， 37（6）： 27-42. [LI Yuan， GUO Jing， HUANG Jingxiong， et al. Research on the influence of the spatial form of island-type tourism destination on tourists’ behavior： The case of five tourism islands in Fujian[J]. Tourism Tribune， 2022， 37（6）： 27-42.]

[15] LIU Z， WANG A， WEBER K， et al. Categorisation of cultural tourism attractions by tourist preference using location-based social network data： The case of Central， Hong Kong[J]. Tourism Management， 2022， 90： 104488.

[16] YU L， ZHAO P J， TANG J Q， et al. Changes in tourist mobility after COVID-19 outbreaks[J]. Annals of Tourism Research， 2023， 98： 103522.

[17] PARK S， ZU J Y， XU Y， et al. Analyzing travel mobility patterns in city destinations： Implications for destination design[J]. Tourism Management， 2023， 96： 104718.

[18] LIU W， WANG B， 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.

[19] 劉俊， 楊璐瑜， 王勝宏， 等. 氣候變化與登山旅游——基于游客大數(shù)據(jù)的分析與模擬[J].旅游學(xué)刊， 2022， 37（9）： 141-154. [LIU Jun， YANG Luyu， WANG Shenghong， et al. Climate change and mountaineering： Analysis and simulation based on tourist big data[J]. Tourism Tribune， 2022， 37 （9）： 141-154.]

[20] LIU J， YANG L， ZHOU H， et al. Impact of climate change on hiking： Quantitative evidence through big data mining[J]. Current Issues in Tourism， 2021， 24（21）： 3040-3056.

[21] MOU N， LIU Z， ZHENG Y， et al. Cycling in Tibet： An analysis of tourists’ spatiotemporal behavior and infrastructure[J]. Tourism Management， 2022， 88： 104418.

[22] 中共中央辦公廳 國務(wù)院辦公廳 中共中央辦公廳、國務(wù)院辦公廳印發(fā)《長城、大運河、長征國家文化公園建設(shè)方案》[EB/OL]. [2019-12-05]. www.gov.cn/xinwen/2019-12/05/content_5458839.htm. [The General Office of the CPC Central Committee， General Office of the State Council. The General Office of the CPC Central Committee and the General Office of the State Council have issued the “construction plan for the Great Wall， Grand Canal， and Long March National Cultural Park” [EB/OL]. [2019-12-05]. www.gov.cn/xinwen/2019-12/05/content_5458839.htm.]

[23] 王釗， 黃文杰. 長征紅色旅游景區(qū)的演化及其形成機制研究[J]. 經(jīng)濟地理， 2021， 41（11）： 209-217. [WANG Zhao， HUANG Wenjie. The evolution and formation mechanism of red tourism attractions in Long March[J]. Economic Geography， 2021， 41（11）： 209-217.]

[24] 鄒建琴， 明慶忠， 劉安樂， 等. 中國紅色旅游經(jīng)典景點空間分布格局及其影響因素異質(zhì)性[J]. 自然資源學(xué)報， 2021， 36（11）： 2748-2762. [ZOU Jianqin， MING Qingzhong， LIU Anle， et al. Spatial distribution pattern of classic red tourism scenic spots and heterogeneity of its influencing factors in China[J]. Journal of Natural Resources， 2021， 36（11）： 2748-2762.]

[25] 王兆峰. 長征國家文化公園沿線紅色旅游經(jīng)典景區(qū)高質(zhì)量發(fā)展影響因素探究[J]. 河南大學(xué)學(xué)報（社會科學(xué)版）， 2022， 62（6）： 35-42; 153. [WANG Zhaofeng. Research on the influencing factors of high-quality development of classic red tourism scenic spots along the Long March national cultural park[J]. Journal of Henan University （Social Sciences Edition）， 2022， 62（6）： 35-42;153.]

[26] 張新成， 梁學(xué)成， 高楠， 等. 長征主題紅色旅游資源關(guān)注度的空間網(wǎng)絡(luò)結(jié)構(gòu)及其形成機制分析[J]. 旅游科學(xué)， 2021， 35（3）： 1-23. [ZHANG Xincheng， LIANG Xuecheng， GAO Nan， et al. An analysis of the spatial network structure and formation mechanism of the attention degree of Long-March-themed red tourism resources[J]. Tourism Science， 2021， 35（3）： 1-23.]

[27] 李磊， 陶卓民， 賴志城， 等. 長征國家文化公園紅色旅游資源網(wǎng)絡(luò)關(guān)注度及其旅游流網(wǎng)絡(luò)結(jié)構(gòu)分析[J]. 自然資源學(xué)報， 2021， 36（7）： 1811-1824. [LI Lei， TAO Zhuomin， LAI Zhicheng， et al. Analysis of the internet attention and tourism flow network structure of red tourism resources in Long March national cultural park[J]. Journal of Natural Resources， 2021， 36（7）： 1811-1824.]

[28] RAMOS V， YAMAKA W， ALORDA B， et al. High-frequency forecasting from mobile devices’ big data： An application to tourism destinations’ crowdedness[J]. International Journal of Contemporary Hospitality Management， 2021， 33（6）： 1977-2000.

[29] LV H， SHI S， GURSOY D. A look back and a leap forward： A review and synthesis of big data and artificial intelligence literature in hospitality and tourism[J]. Journal of Hospitality Marketing amp; Management， 2022， 31（2）： 145-175.

[30] 胡宇娜， 馬鑫濤， 劉繼生， 等. 基于GPS數(shù)據(jù)的海島型目的地游客時空行為相似性研究——以山東長島為例[J]. 地理科學(xué)， 2022， 42（11）： 1954-1962. [HU Yuna，MA Xintao，LIU Jisheng，et al. Similarity of spatio-temporal behavior of tourists in island-based destinations based on GPS data： A case study of Changdao island in Shandong province[J]. Scientia Geographica Sinica， 2022， 42（11）： 1954-1962.]

[31] XU D， ZHANG J， HUANG Z， et al. Tourism community detection： A space of flows perspective[J]. Tourism Management， 2022， 93： 104577.

[32] 張麗娜， 李仁杰， 張軍海， 等. 位置照片表征的景區(qū)游客拍照行為時空模式[J]. 旅游科學(xué)， 2020， 34（1）： 88-103. [ZHANG Lina， LI Renjie， ZHANG Junhai， et al. Spatial and temporal patterns of tourists’ photographing behavior represented by location photos[J]. Tourism Science， 2020， 34（1）： 88-103.]

[33] 楊振山， 蘇錦華， 楊航， 等. 基于多源數(shù)據(jù)的城市功能區(qū)精細化研究——以北京為例[J]. 地理研究， 2021， 40（2）： 477-494. [YANG Zhenshan， SU Jinhua， YANG Hang， et al. Exploring urban functional areas based on multi-source data： A case study of Beijing[J]. Geographical Research， 2021， 40（2）： 477-494.]

[34] 劉培學(xué)， 朱知沛， 張捷， 等. 旅游在線搜索與客流波動的動態(tài)關(guān)聯(lián)研究——以南京鐘山風(fēng)景名勝區(qū)為例[J]. 旅游學(xué)刊， 2021， 36（11）： 95-105. [LIU Peixue， ZHU Zhipei， ZHANG Jie， et al. Dynamic correlation analysis of online travel information search and volatility in daily tourist arrivals： A case study of Zhongshan mountain national park in Nanjing[J]. Tourism Tribune， 2021， 36（11）： 95-105.]

[35] XU Y， LI J， XUE J， et al. Tourism geography through the lens of time use： A computational framework using fine-grained mobile phone data[J]. Annals of the American Association of Geographers， 2021， 111（5）： 1420-1444.

[36] MARIANI M， BAGGIO R. Big data and analytics in hospitality and tourism： A systematic literature review[J]. International Journal of Contemporary Hospitality Management， 2022， 34（1）： 231-278.

[37] TAN Y， YANG L， LIU Y， et al. How does air quality affect tourist travel volume and destination preference？ An analysis based on mobile tracking data[J]. Current Issues in Tourism， 2023， 26（16）： 2629-2646.

[38] 楊靖， 鄭伯紅， 李云飛， 等. 旅游者空間路徑聚類與旅游活動模式實證研究——以張家界為例[J].經(jīng)濟地理， 2023， 43（3）： 211-218. [YANG Jing， ZHENG Bohong， LI Yunfei， et al. Tourists’spatial path clustering and tourism activity pattern： An example of Zhangjiajie[J]. Economic Geography， 2023， 43（3）： 211-218.]

[39] 李淵， 郭晶， 陳一平. 基于多源數(shù)據(jù)的旅游者視覺行為模式與感知評估方法[J]. 地球信息科學(xué)學(xué)報， 2022， 24（10）： 2004-2020. [LI Yuan， GUO Jing， CHEN Yiping. A new approach for tourists’ visual behavior patterns and perception evaluation based on multi-source data[J]. Journal of Geo-information Science， 2022， 24（10）： 2004-2020.]

[40] BHATTACHARJEE P， MITRA P. A survey of density based clustering algorithms[J]. Frontiers of Computer Science， 2021， 15（1）：1-27.

[41] CAMPELLO R J G B， MOULAVI D， SANDER J. Density-based clustering based on hierarchical density estimates[C]//Pacific-Asia Conference on Knowledge Discovery and Data Mining. Berlin： Springer Berlin Heidelberg， 2013： 160-172.

[42] KRIEGEL H P， KR?GER P， SANDER J， et al. Density-based clustering[J]. Wiley Interdisciplinary Reviews： Data Mining and Knowledge Discovery， 2011， 1（3）： 231-240.

[43] MOU N， YUAN R， YANG T， et al. Exploring spatio-temporal changes of city inbound tourism flow： The case of Shanghai， China[J]. Tourism Management， 2020， 76： 103955.

[44] MELVIN R L， GODWIN R C， XIAO J， et al. Uncovering large-scale conformational change in molecular dynamics without prior knowledge[J]. Journal of Chemical Theory and Computation， 2016， 12（12）： 6130-6146.

[45] MCINNES L， HEALY J， ASTELS S. HDBSCAN： Hierarchical density based clustering[J]. The Journal Open Source Softw are.， 2017， 2（11）： 205.

[46] ANKERST M， BREUNIG M M， KRIEGEL H P， et al. OPTICS： Ordering points to identify the clustering structure[J]. ACM Sigmod Record， 1999， 28（2）： 49-60.

[47] LIU X， LI D， MA M， et al. Network resilience[J]. Physics Reports， 2022， 971： 1-108.

[48] LATORA V， MARCHIORI M. Efficient behavior of small-world networks[J]. Physical Review Letters， 2001， 87（19）： 198701.

[49] 劉培學(xué)， 陸佑海， 張金悅， 等. 目的地區(qū)域內(nèi)旅游線路模式及客流影響因素研究[J]. 旅游學(xué)刊， 2022， 37（6）： 14-26. [LIU Peixue， LU Youhai， ZHANG Jinyue， et al. Travel itinerary patterns and factors affecting tourist flow within destination district[J]. Tourism Tribune， 2022， 37（6）： 14-26.]

[50] 巫誠誠， 陳大偉. 考慮空間視角的開放式景區(qū)行人路徑選擇模式研究——以南京夫子廟景區(qū)為例[J]. 旅游學(xué)刊， 2021， 36（3）： 118-126. [WU Chengcheng， CHEN Dawei. Recognizing historical scenic area’s pedestrian path on the spatial perspective： Case study of Confucius Temple scenic spot， Nanjing， China[J]. Tourism Tribune， 2021， 36（3）： 118-126.]

[51] RUIZ-MARTIN C， LOPEZ-PAREDES A L， WAINER G A. Applying complex network theory to the assessment of organizational resilience[J]. IFAC-Papers OnLine， 2015， 48（3）： 1224-1229.

[52] ZHOU Y， WANG J. Efficiency of complex networks under failures and attacks： A percolation approach[J]. Physica A： Statistical Mechanics and Its Applications， 2018， 512： 658-664.

[53] KIM Y， CHEN Y S， LINDERMAN K. Supply network disruption and resilience： A network structural perspective[J]. Journal of Operations Management， 2015， 33： 43-59.

[54] BREDE M， DE VRIES B J M. Networks that optimize a trade-off between efficiency and dynamical resilience[J]. Physics Letters A， 2009， 373（43）： 3910-3914.

[55] LI X， XIAO R. Analyzing network topological characteristics of eco-industrial parks from the perspective of resilience： A case study[J]. Ecological Indicators， 2017， 74： 403-413.

[56] XU Z， CHOPRA S S. Network-based assessment of metro infrastructure with a spatial-temporal resilience cycle framework[J]. Reliability Engineering amp; System Safety， 2022， 223： 108434.

[57] YANG Y， LIU W. Resilience analysis of maritime silk road shipping network structure under disruption simulation[J]. Journal of Marine Science and Engineering， 2022， 10（5）： 617.

[58] 徐陽， 彭澎， 陸鋒， 等. 新冠肺炎疫情前后游客出行行為的時空特征研究——以中國香港為例[J]. 地理研究， 2022， 41（12）： 3199-3213. [XU Yang， PENG Peng， LU Feng， et al. Exploring spatio-temporal characteristics of tourist travel behavior before and after COVID-19： A case study in Hong Kong， China[J]. Geographical Research， 2022， 41（12）： 3199-3213.]

[59] LI S， YANG Y， ZHONG Z Q， et al. Agent-based modeling of spatial spillover effects in visitor flows[J]. Journal of Travel Research， 2021， 60（3）： 546-563.