论文部分内容阅读
[摘 要]游客微观路径选择模式的研究对景区管理、活动规划与营销制定均具有重要参考价值。文章基于空间句法对景区路径空间性影响进行量化分析，综合考虑开放式景区游客及非游客群体路径选择的核心影响因素及路径选择模式，建立路径拟合模型，实现不同群体核心路径的空间生成。研究表明：空间因素（路段连通度、路段控制度及局部选择度）对景区行人路径选择具有重要影响;游客与非游客行人交互作用下，开放式景区主要形成了生活性路径、深度景点游览路径、休闲景点游览路径和通过性路径4类路径;基于空间影响假设进行各类路径拟合，与实际调查路径相比，休闲景点游览路径相似度达到75%，具有较高的准确度。该研究可为景区管理者进行景区路径优化、公共设施优化布置及节庆活动指定方案设计定量化参考。
[关键词]路径选择;空间句法;因子分析;聚类分析;路径识别
[中图分类号]F59
[文献标识码]A
[文章编号]1002-5006（2021）03-0118-09
Doi： 10.19765/j.cnki.1002-5006.2021.03.014
引言
行人路径选择，即分析行人自同一出发地至目的地之间多种路径的选择行为[1]。对于景区而言，重点则是游客路径选择研究，进而可通过量化分析，为旅游管理者作出合理的管理决策提供重要参考[2]。游客路径选择研究内容，主要包含出发地至目的地的路径选择与目的地内部路径选择两种[3]。微观路径选择模式聚焦于目的地区域（如自然景区、文化街区）内部路径的选择行为分析及时空关联性研究。随着信息技术的进步与人性化、精准化的旅游管理思路的普及，微观路径选择模式日益得到重视[4]：首先，微观路径选择模式的研究有助于景区管理者进行更为合理的游客安排，降低游览高峰期由于游客密度过大导致的冲突、踩踏等安全事件频率[5];其次，后现代旅游时代背景下，个性化、体验式游览成为旅游行为的大趋势[6]，景区倾向提供更具针对性、人性化、体验式的游览体验以满足游客需求，进而提升景区吸引力，这使得游客景区游览行为的研究更具参考意义[7];最后，景区公共设施规划与特色化服务提供也依赖游客行为特征作为参考。这一切使得微观路径选择模式的研究对景区管理、活动规划与营销制定等方面均具有重要参考价值[8]。
然而，当前研究往往以景区内游客行为分析为主，对于开放式景区（如南京夫子庙、苏州观前街）而言，忽略了景区内非游客主体（如内部居民、周边居民等生活性行人及通过性行人）与景区游客行为的交互影响。同时，当前研究对景区内部路网所带来的空间影响与行人路径选择间的关系难以量化，主要将相关空间元素（如路径宽度、路径距离、沿线节点数等）作为量化指标与路径行人量进行回归分析[9-10]，而忽略了景区网络结构所带来的整体性空间影响。
这一背景下，本文以开放式景区为研究区域，以景区内行人群体为研究对象，具体研究内容包括：（1）基于空间句法实现景区路径结构的空间量化;（2）结合空间性影响分析景区内部行人微观路径选择模式的核心影响因素;（3）基于聚类分析的路径拟合，对不同群体行人的路径选择进行针对性识别与分析。对于开放式景区内不同行人群体的路径选择模式分析，可为景区管理者进行景区路径优化、公共设施优化布置及节庆活动方案设计提供量化参考依据。
1 文献综述
1.1 行人路徑选择的影响因素与路径分析
行人路径选择的研究重点在于，分析哪些因素在行人进行路径抉择时产生了何种影响[11]。总体而言，其影响因素可以分为3类：地理距离（实际步行距离）、拓扑距离（路径/方向改变次数）和环境因素。最短地理距离是行人路径选择的首要目标[12-13]。最短拓扑距离则可单独对55%～75%的行人路径选择进行解释[14-15]。环境因素总体上可划分为3个方面，即路径特征、沿线土地使用特征及沿线交通环境特征[16]。Ferrer等通过对志愿者进行路径测试，发现宽阔的人行道、高绿化率、充足的照明、大型交叉口少是吸引行人选择该路径的积极因素[17];Sarjala基于智能手机所采集到的通勤路径，发现影响行人路径选择的重要环境因素包括交叉口密度、沿线公共用地面积、坡度及沿线建筑年限[18]。
对于景区而言，最普遍的行人路径选择的主体则是游客，其影响因素主要包括景区路径属性因素与景区环境因素[19]。其中，景区路径属性因素主要包括：行程时间、路线长度、路线曲度、沿线节点数、路径宽度等;Asakura和Iryo基于移动设备采集游客旅游路径数据，结合景区路径拓扑结构特征实现了对不同游客出行路径的识别分析[20]。景区环境因素主要包括：景点类型（土地利用）、路径沿线景点数量、景点占地规模、绿化占地规模、路径沿线行人设施数量（休憩椅等）、路径沿线商业设施等。Vu等基于带有地理标记的游客照片，对香港入境游客的游览路径进行分析，结果表明，对于不同景点，不同国籍的游客群体的游览路径具有特异性[2]。李渊等基于陈述性偏好法（stated preference methods， SP）对于厦门鼓浪屿游客景点偏好进行分析，发现景点类型吸引力依次为音乐文化、自然风光、万国建筑等;而公共设施不足、过度商业化则降低了景点吸引力[21]。
此外，景区内不同群体的路径选择也具有较为显著的差异性。Jubran等研究发现，受教育程度、收入的个体差异在景点可达性的评估上具有显著性差异[22]。刘培学等对山岳型景区游客轨迹进行聚类分析，发现女性游客游览距离较短，中老年游客群体倾向于躲避拥挤，而散客更易选择存在折返且体验较差的游览路径[23]。然而，群体分析仍属于游客主体的群体细分，对于景区内游客群体与居民群体的路径差异性分析则相对缺乏。
1.2 空间因素对路径选择的影响
空间因素对路径选择的影响研究近年来逐步得到重视和发展。多个研究表明，空间因素与街道网络中的行人空间行为联系最为密切[24]，给定路径的中心度水平可用于度量行人通行量[25-27]。具体而言，高通达度的路网结构与行人通行量具有最显著的正向联系[28-29]。路径连通度、路径选择度也是影响行人路径选择的重要因素[27，30]。同时，不同模式的路网结构下，空间因素对路径选择的影响程度也存在差异——在传统网络结构下，空间因素对行人路径选择的影响程度更高[30]。因此，对于传统路网下的开放式景区，分析空间因素的影响更具有研究价值。然而，景区路径选择的既有研究中，对量化空间因素的影响分析涉及较少。 2 研究数据及方法
2.1 南京夫子庙景区
夫子庙秦淮风光带是指以夫子庙建筑为中心、秦淮河为纽带的内秦淮河地带，包括秦淮河两岸的街巷、民居，附近的古迹和风景点[31]。本研究分析区域为中华路、长乐路、平江府路及建康路形成的夫子庙景区核心区域，研究区域详见图1（a）。
2.2 基于空间句法的空间因素获取方法
空间句法是一种通过对包括建筑、聚落、城市甚至景观在内的人居空间结构的量化描述，来研究空间组织与人类社会之间关系的理论和方法[32]。通过轴线分析，空间句法可实现将路网空间拓扑化，并通过不同的量化指标多角度描述路网的潜在空间影响。
2.3 研究数据及其收集途径
本研究按所需数据按数据类型及收集途径分类，包括3个维度共计12项数据，并采用实际问询法对景区内部分行人开展路径实际调查，其具体内容及收集途径如下。
（1） 多维度因素采集
交通维度的因素采集，主要采用人工计数法，每月选择非节假日两天进行各路段行人交通量统计，单个路段统计2018年4月—12月18次数据调查;每次调查选择夫子庙景区平峰时段15：00―16：00且避开节假日及夫子庙传统节日，以避免由于行人量过多导致的游览选择受限;临近4条路段选择同一负责人进行行人量统计，以减少不同路段调查时段时间差;共计调查使用26人/次。
空间维度的因素采集，则主要基于百度地图开放数据，应用轴线分割法进行空间路网建模实现量化数据获取。
环境维度的因素采集则主要通过实地调查及百度地图数据源进行获取。
各维度具体所采集的因素及其具体描述如表1所示。
（2） 行人实际路径调查
采用随机问询法对景区内行人的步行路径进行调查，要求被调查者将其步行路径在所给地图上进行绘制。地图路线绘制也是行人路径调查的常用方法之一[33-35]。样本需求量依据下述公式[35]进行估计：
[n=（z2×cv2）/E2] （1）
式（1）中，n为样本需求量;z为标准常量，在95%置信度下取1.96;E为允许的误差幅度，取10%;cv为变异系数（路径标准差与平均行程距离比值），取值0.67，据调查取平均行程1.02 km，标准差0.68 km。进而，以10%为限制阈值（即剔除通行人数少于10%的路段），获得各类行人通行的实际路径，详见图1（b）、图1（c）。
计算得到需调查172人。实际调查人数203人，其中，游客占65%（132人），非游客占35%（71人），游客中32%曾开展游览准备（查阅夫子庙景区游览资料/景点信息，或为跟团游）。非游客中有66%居住地点或工作地点距夫子庙景区在3 km以内，37%为通过性行人。
2.4 调查数据的统计性描述
基于调查及空间句法分析，在剔除非开放路段（如小区内部道路）的基础上，共得到夫子庙景区内49条路段的游客量数据（共计882条行人量调查数据，对单条路段采用18次行人量调查取均值）及屬性数据（单条路段共12条属性数据，合计784条数据）。其中，行人量均值最小值为13人/小时，最大值为6022人/小时，均值为1846人/小时;路段长度为22 m～1100 m，均值211 m;路段沿线景点数最多为6处，均值为0.9。14条路段存在水系，27条路段为步行路段。
3 行人路径选择核心因素分析
对调查数据的12个变量进行KMO检验和Bartlett检验，得出KMO检验系数为0.646>0.5，Bartlett检验的×2统计值的显著性概率p<0.05，适合采用因子分析方法。本文采用主成分方法进行分析：首先，基于特征值≥1，采用公因子方差及碎石图，确定主因子的个数为4（累积贡献率为79.97%）。进而，在采用最大方差法进行因子旋转后，依据各变量因子载荷及其实际含义，实现核心因子的命名。具体各参数的因子载荷及核心因子的贡献度如表2所示。最终得到行人路径选择的4个核心因子，即空间因子、景点因子、商业因子与交通因子。
基于因子分析可知，空间因子是景区路径特征的重要描述，贡献度达35.73%，其中路段选择度对路径空间特征的描述贡献最大（因子载荷0.912）;空间因子为正值，则显示其路径选择更易受路网空间的潜在影响（即路径选择更不具目的性）。
景点因子的贡献度其次，达21.32%，其中，沿线景点数量的相对重要性最高（因子载荷0.882），而沿线景点面积则重要性相对较低（因子载荷0.614）;景点因子为正值则显示景点（数量及面积）是路径选择的吸引因素，为负值则景点（数量及面积）是其排斥因素。
交通因子则主要体现在该路径是否允许机动车通行及日均交通量;交通因子为正值则显示其偏好机动车可通行的路段（往往为具备交通功能的主、次干道），反之则偏好步行街区。
商业因子则主要受路径单位长度商业面积影响。商业因子为正值即商业对其路径选择具有吸引力，为负值则为排斥力。
4 基于核心因子的行人路径选择模式分析
4.1 行人微观路径分析方法
行人路径拟合的选择假设如下：
相邻性假设：对于景区内的路段集合{L1，L2，…，Ln}，处于路段Lj位置的行人仅可从相邻路段集合{Lj1，Lj2，…，Ljn}中选择路段进行通行，并允许行人有多个选择。
同类性假设：对于景区内的路段集合{L1，L2，…，Ln}，若路段Lj的相邻路段集合{Lj1，Lj2，…，Ljn}中存在同一类集合路段，则行人将选择同类路段进行通行。
策略性假设：对于处于同一类集合而不相邻的路段集合S={Ls1，Ls2，…，Lsn}和Q={Lq1，Lq2，…，Lqn}，则处于S集合的行人将采用最短路线距离及最少转角两种策略进行路径选择到达Q集合。 在空间分析的基础上，得到景区路段空间模式，如图2（a）所示。基于景区路径描述的4个核心因子，结合各路径的行人量均值进行路径选择聚类分析，得到不同类描述下的路段集合，如图2（b）所示，蓝色路段为聚类分析后的同一类路段。可知，本类路段共可划分为两个不相邻集合S和Q;基于路径选择假设可知，行人倾向于选择使得集合S和Q连通的最短路径{L8，L9，L10}，及最少转角路径{L12，L11}，如图2（c）所示;结合相邻性假设和同类性假设得到此类路段的最终拟合路径为：{L5→L6→L8→L9→L10→L14→L19→L22}以及{L5→L6→L12→L11→L14→L19→L22}，其路径图如图2（d）所示。
4.2 行人微观路径识别与分析
基于行人路径选择的同类性及策略性，需基于核心因子的描述，对分析路径进行类别分析。本文在对核心因子进行Z-score均值化处理基础上，采用平方欧氏距离（square euclidean distance，SEUCLID）度量下的K均值聚类进行路径聚类。聚类结果顯示，最佳类数为4，其占比分别为38.7%、20.4%、14.3%及26.5%，聚类结果较为均衡。继而结合路径选择假设，开展行人微观路径拟合，最终拟合得到4类路径（图3）。
第1类路径：休闲景点游览路径。4类路径中，其聚类结果中商业因子均值最高（1.331），商业面积对于路径选择吸引力大;交通因子均为负值，其更倾向于无机动车的步行街区。空间因子均值最高（0.832），而景点因子影响较小（0.677），两者均为正向影响，进一步体现出其倾向游览景点，且路径空间影响高（即未明确规划路径，选择随意性较高）。
第2类路径：深度景点游览路径。本类路径的景点因子均值最高（0.778），商业因子均值影响力较低，但仍为积极影响（0.232）。体现本路径中行人最倾向于游览景点，商业购物活动也纳入考虑。空间因子均值较低，且为积极影响（0.294），体现其进行了一定程度的路径规划，但仍受空间潜在影响。
第3类路径：生活性路径。本类路径中，商业因子及景点因子均值为负（?0.467、?0.645），其对景区范围内的商业及景点呈现出“规避”特征;本类交通因子均值为?0.917，且方差最小，呈现出路径选择中偏好无机动车通行的街区道路。进而推测本路径偏向于当地居民的生活性通行路径。而空间因子的负值（?0.321）进一步对其进行了验证，即采用本类路径的行人对路网更为熟悉，且通行目的明确。
第4类路径：通过性路径。本类路径中，商业因子及景点因子均值为负（?0.332、?0.667），同样呈现出“规避”商业及景点;与第3类不同，本类呈现出最高的交通因子均值（0.878），可知其倾向于交通性道路而不是景区内的步行街区，即更倾向于满足通行需求而进行路径的选择。其空间因子均值最小 （?0.305），且方差最小，其进行路径选择时随意性较小。
作为开放式景区，夫子庙景区内的日常行人群体，不仅包括一般景区常见的两类群体：（1）无充分游览计划的休闲类游客，（2）具备一定游览计划的游客（如跟团游客），其形成第1和第2类路径;还包括两类特殊群体：（3）居住于景区内部的当地居民，以及（4）经由景区到达其他位置的通过性人群，其形成第3和第4类路径。这两类特殊群体主要存在于允许居民居住（如浙江西塘古镇）、位于城市交通中心的区域（如苏州观前街），在景区行人路径研究及景区管理中往往被忽视。通过路径拟合获得其4类人群常用路径后，景区可依据路径特征开展针对性管理，如对第1类路径沿线设置更多的导览指引及商业设施，第2类路径沿线设置更丰富的景点解说设施，第3类路径沿线则考虑对居民慢行环境的改善，而第4类路径则可在旅游旺季进行外围交通疏导，减少通过类行人深入景区内部，从而降低高峰时期游客拥挤感知度。此外，对于景区内的路段的封闭或新建规划，也可通过本方法预估调整后的4类行人群体路径变化，从而为景区路径调整规划提供更直观的参考。
4.3 实际路径对比分析与验证
为分析路径拟合效果，以实际调查游客（无游览准备）路径作为第1类路径的实际结果;游客（游览准备）路径作为第2类路径的实际结果;居民（生活型）路径作为第3类路径的实际结果;居民（通过型）路径作为第4类路径的实际结果;采用式（2）进行拟合效果评估：
[F=0.5（lc/Lt+lc/Lf）] （2）
式（2）中，[F]为拟合效果，lc为拟合路径与实际路径的重合长度，Lt为实际路径总长度，Lf为拟合路径总长度。
第1类路径的重合长度占实际长度比值为69.1%，占拟合长度比值为81.4%，最终拟合效果为75.3%;第2类路径的重合长度占实际长度比值为40.4%，占拟合长度比值为45.6%，最终拟合效果为43.0%;第3类路径的重合长度占实际长度比值为33.4%，占拟合长度比值为48.1%，最终拟合效果为40.8%;第4类路径的重合长度占实际长度比值为39.9%，占拟合长度比值为41.4%，最终拟合效果为40.7%。
由拟合效果评估可知，考虑空间性影响下，开放式景区行人路径拟合，对于游客（无游览准备）类具有较好的拟合效果，拟合路径与实际路径的重合度达到69.1%，整体拟合度为75%。对于深度景点路径而言，其拟合效果相对不佳，原因可能在于，路径调查中未考虑游览时间。如Jia等通过手机信令数据分析非居民游客的游览行为，发现其具有明显的时间特征[36]。同时，具备游览准备的游客路径，并不等同于深度游览的旅游，两者存在一定的差异。如Huang等在对游客群体的聚类分析中发现，具有游览准备的游客也会由于娱乐、亲子体验等原因，倾向于更为轻松休闲的设施及路径，即具有游览准备的游客也并不全部选择深度游览[37]。
同时，对于非游客行人群体，其路径拟合效果同样存在误差，其主要原因可能包括：（1）对于居住于景区的当地居民行人群体（第3类路径），其步行目的较为复杂，包括通勤、休闲娱乐、接送儿童等多个目的。其中，通勤、购物等出行目的路径较为明确，但休闲类出行则具有较大的随机性，并体现出近家休闲活动比例较高[38]。这使得进一步的研究可考虑增加对沿线居住密度等土地利用属性的分析，从而对非游客群体的休闲活动有更为明确的识别。（2）对于通过性行人群体，则可能受到公交站点、地铁站点等交通设施的位置影响。因此，后期研究可考虑在影响因素中增加土地利用属性及交通属性因素，从而提高非游客路径的拟合精度。 進一步地，比较游客路径与非游客路径的实际重合比例，计算得到重合度较低（17.35%）。可见，游客与非游客在路径选择上也存在一定程度的道路资源冲突现象，居民会倾向于规避游客数量较多的路径。游客数量的增加使得有限的资源（道路、商业设施等）愈发拥挤，进而导致游客与居民在资源及空间分配上的冲突加剧[39]。这使得在拟合游客、非游客景区路径中，可考虑增加游客-非游客交互参数项（如可新增厌恶参数，将纳入游客路径的路段标记为?1，未纳入的路段则标记为0），从而优化路径选择模式分析。
5 结论
（1）本研究从交通、空间及环境3个维度进行景区路径影响因素量化分析，结果表明：空间因子对景区路径特征描述具备重要作用，其中，路段连通度、路段控制度及局部选择度对路径空间特征的描述贡献最大;而景点数量、商业面积及是否允许机动车通行也是路径特征的重要描述。
（2）基于4类核心因素，本文通过路径聚类及拟合得到4类行人路径。与实际调查路径相比，休闲景点游览路径拟合效果较好，与实际休闲游览路径重合度达到69.1%;深度景点游览路径、生活性路径、通过性路径3类重合度则在40%左右，还具有一定的改善空间。
（3）本文存在以下可优化方向：数据采集上，被调查者回忆路径与实际路径间存在误差，尤其对于游客群体的路径调查，可考虑采用手机信令数据替代采集;在因素分析上，可考虑增加土地利用影响因素、公共交通影响因素;同时可将游客-非游客间的道路资源冲突问题纳入考虑。在拟合结果上，该结果仅为空间路径分布结果，未结合游览顺序进行停留时间及路径方向区分，也可依据手机信令数据进行完善补充。
参考文献（References）
[1] GUO Z. Does the pedestrian environment affect the utility of walking？ A case of path choice in downtown Boston[J]. Transportation Research Part D： Transport and Environment， 2009， 14（5）： 343-352.
[2] VU H Q， LI G， LAW R， et al. Exploring the travel behaviors of inbound tourists to Hong Kong using geotagged photos[J]. Tourism Management， 2015， 46： 222-232.
[3] ZOLTAN J， MCKERCHER B. Analysing intra-destination movements and activity participation of tourists through destination card consumption[J]. Tourism Geographies， 2015， 17（1）： 19-35.
[4] RAUN J， AHAS R， TIRU M. Measuring tourism destinations using mobile tracking data[J]. Tourism Management， 2016， 57： 202-212.
[5] LI Y， YANG L， SHEN H， et al. Modeling intra-destination travel behavior of tourists through spatio-temporal analysis[J]. Journal of Destination Marketing and Management， 2019， 11： 260-269.
[6] KOTILOGLU S， LAPPAS T， PELECHRINIS K， et al. Personalized multi-period tour recommendations[J]. Tourism Management， 2017， 62： 76-88.
[7] ZHENG W， HUANG X， LI Y. Understanding the tourist mobility using GPS： Where is the next place？[J]. Tourism Management， 2017， 59： 267-280.
[8] XIA J， ZEEPHONGSEKUL P， PACKER D. Spatial and temporal modeling of tourist movements using semi-Markov processes[J]. Tourism Management， 2011， 32（4）： 844-851.
[9] DENSTADLI J M， JACOBSEN J K S. The long and winding roads： Perceived quality of scenic tourism routes[J]. Tourism Management， 2011， 32（4）： 780-789.
[10] EBY D W， MOLNAR L J. Importance of scenic byways in route choice： A survey of driving tourists in the United States[J]. Transportation Research Part A： Policy and Practice， 2002， 36（2）： 95-106.
[11] LI H， ZHANG J， XIA L， et al. Comparing the route-choice behavior of pedestrians around obstacles in a virtual experiment and a field study[J]. Transportation Research Part C： Emerging Technologies， 2019， 107： 120-136. [12] BROACH J， DILL J. Pedestrian route choice model estimated from revealed preference GPS data[C]// Transportation Research Board 93rd Annual Meeting. Washington， D C： Transportation Research Board of the National Academies， 2014， 250： 1-19.
[13] GUO Z， LOO B P Y. Pedestrian environment and route choice： Evidence from New York City and Hong Kong[J]. Journal of Transport Geography， 2013， 28： 124-136.
[14] HILLIER B， IIDA S. Network and psychological effects in urban movement[C]// International Conference on Spatial Information Theory. Ellicottville： Springer-Verlag Press， 2005， 3693： 475-490.
[15] LERMAN Y， YODAN R， OMER I. Using space syntax to model pedestrian movement in urban transportation planning[J]. Geographical Analysis， 2014， 46（4）： 392-410.
[16] FARJANA S， TAN Y. Development and validity of a virtual street walkability audit tool for pedestrian route choice analysis—SWATCH[J]. Journal of Transport Geography， 2018， 70： 148-160.
[17] FERRER S， RUIZ T， MARS L. A qualitative study on the role of the built environment for short walking trips[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2015， 33： 141-160.
[18] SARJALA S. Built environment determinants of pedestrians and bicyclists route choices on commute trips： Applying a new grid-based method for measuring the built environment along the route[J]. Journal of Transport Geography， 2019， 78（6）： 56-69.
[19] ZHAO X， LU X， LIU Y， et al. Tourist movement patterns understanding from the perspective of travel party size using mobile tracking data： A case study of Xian， China[J]. Tourism Management， 2018， 69： 368-383.
[20] ASAKURA Y， IRYO T. Analysis of tourist behaviour based on the tracking data collected using a mobile communication instrument[J]. Transportation Research Part A： Policy & Practice， 2007， 41（7）： 684-690.
[21] 李淵， 谢嘉宬， 杨林川. 基于SP法的旅游者景点选择需求偏好与规划应对[J]. 旅游学刊， 2018， 33（12）： 91-101. [LI Yuan， XIE Jiacheng， YANG Linchuan. The preference of tourist attraction selection and planning response based on SP method[J]. Tourism Tribune， 2018， 33（12）： 91-101.]
[22] JUBRAN H， XIA J， VEENENDAALAND B， et al. Building a conceptual framework for determining individual differences of accessibility to tourist attractions[J]. Tourism Management Perspectives， 2015， 16： 28-42.
[23] 刘培学， 廖茂林， 张捷， 等. 山岳型景区游客轨迹聚类与体验质量差异研究——以世界遗产地三清山为例[J]. 旅游学刊， 2018， 33（5）： 56-67. [LIU Peixue， LIAO Maolin， ZHANG Jie， et al. Tourist spatial behavior and experience quality in mountain resorts： A case study of mount Sanqingshan[J]. Tourism Tribune， 2018， 33（5）： 56-67.] [24] LERMAN Y， OMER I. Urban area types and spatial distribution of pedestrians： Lessons from Tel Aviv[J]. Computers Environment and Urban Systems， 2016， 55： 11-23.
[25] MANSOURI M， UJANG N. Space syntax analysis of tourists’ movement patterns in the historical district of Kuala Lumpur， Malaysia[J]. Journal of Urbanism： International Research on Place Making and Urban Sustainability， 2017， 10（2）： 1-17.
[26] JIANG B， LIU C. Street-based topological representations and analyses for predicting traffic flow in GIS[J]. International Journal of Geographical Information Science， 2009， 23（9-10）： 1119-1137.
[27] OMER I， KAPLAN N. Using space syntax and agent-based approaches for modeling pedestrian volume at the urban scale[J]. Computers， Environment and Urban Systems， 2017， 64： 57-67.
[28] SHATU F， YIGITCANLAR T， BUNKER J. Shortest path distance vs. least directional change： Empirical testing of space syntax and geographic theories concerning pedestrian route choice behavior[J]. Journal of Transport Geography， 2019， 74： 37-52.
[29] MANSOURI M， UJANG N. Space syntax analysis of tourists movement patterns in the historical district of Kuala Lumpur， Malaysia[J]. Journal of Urbanism International Research on Placemaking & Urban Sustainability， 2017， 10（2）： 1-17.
[30] PERVER K， RODRIGUEZ D， KHATTAK A. Space syntax and walking in a new urbanist and suburban neighborhoods[J]. Journal of Urban Design， 2008， 13（1）： 5-28.
[31] 廖仁靜， 李倩， 张捷， 等. 都市历史街区真实性的游憩者感知研究——以南京夫子庙为例[J]. 旅游学刊， 2009， 24（1）： 55-60. [LIAO Renjing， LI Qian， ZHANG Jie， et al. Tourists perceived study on the authenticity of urban historical blocks― Taking Confucius Temple in Nanjing as an example[J]. Tourism Tribune， 2009， 24（1）： 55-60.]
[32] HILLIER B， PENN A， HANSON J， et al. Natural movement： Or， configuration and attraction in urban pedestrian movement[J]. Environment & Planning B Planning & Design， 1993， 20（1）： 29-66.
[33] BORGERS A， TIMMERMANS H. Indices of pedestrian behavior in shopping areas[J]. Procedia Environmental Sciences， 2014， 22： 366-379.
[34] OZBIL A， ARGIN G， YESILTEPE D. Pedestrian route choice by elementary school students： The role of street network configuration and pedestrian quality attributes in walking to school[J]. International Journal of Design Creativity and Innovation， 2016， 4（2）： 67-84.
[35] BONSALL P W. Issues in survey planning and design[J]. Transport Planning and Traffic Engineering， 1997. Doi： 10.1016/b978-034066279-3/50014-1.
[36] JIA F， CHENG X， DUAN Z. Analyzing the activity areas of non-resident tourists of Shanghai Expo using cellular phone data[J]. Procedia Social & Behavioral Sciences， 2013， 96： 1136-1145.
[37] HUANG X， HUANG X， LI M， et al. Tourists spatial-temporal behavior patterns in theme parks： A case study of Ocean Park Hong Kong[J]. Journal of Destination Marketing & Management， 2020， 15（9）. Doi：10.1016/j.jdmm.2020.100411.
[38] 赵莹， 柴彦威， 桂晶晶. 中国城市休闲时空行为研究前沿[J]. 旅游学刊， 2016， 31（9）： 30-40. [ZHAO Ying， CHAI Yanwei， GUI Jingjing. Prospects for urban leisure studies in China： A perspective of space-time behavior[J]. Tourism Tribune， 2016， 31（9）： 30-40.].
[39] TSAUR S， YEN C， TENG H. Tourist–resident conflict： A scale development and empirical study[J]. Journal of Destination Marketing & Management， 2018， 10： 152-163.
[关键词]路径选择;空间句法;因子分析;聚类分析;路径识别
[中图分类号]F59
[文献标识码]A
[文章编号]1002-5006（2021）03-0118-09
Doi： 10.19765/j.cnki.1002-5006.2021.03.014
引言
行人路径选择，即分析行人自同一出发地至目的地之间多种路径的选择行为[1]。对于景区而言，重点则是游客路径选择研究，进而可通过量化分析，为旅游管理者作出合理的管理决策提供重要参考[2]。游客路径选择研究内容，主要包含出发地至目的地的路径选择与目的地内部路径选择两种[3]。微观路径选择模式聚焦于目的地区域（如自然景区、文化街区）内部路径的选择行为分析及时空关联性研究。随着信息技术的进步与人性化、精准化的旅游管理思路的普及，微观路径选择模式日益得到重视[4]：首先，微观路径选择模式的研究有助于景区管理者进行更为合理的游客安排，降低游览高峰期由于游客密度过大导致的冲突、踩踏等安全事件频率[5];其次，后现代旅游时代背景下，个性化、体验式游览成为旅游行为的大趋势[6]，景区倾向提供更具针对性、人性化、体验式的游览体验以满足游客需求，进而提升景区吸引力，这使得游客景区游览行为的研究更具参考意义[7];最后，景区公共设施规划与特色化服务提供也依赖游客行为特征作为参考。这一切使得微观路径选择模式的研究对景区管理、活动规划与营销制定等方面均具有重要参考价值[8]。
然而，当前研究往往以景区内游客行为分析为主，对于开放式景区（如南京夫子庙、苏州观前街）而言，忽略了景区内非游客主体（如内部居民、周边居民等生活性行人及通过性行人）与景区游客行为的交互影响。同时，当前研究对景区内部路网所带来的空间影响与行人路径选择间的关系难以量化，主要将相关空间元素（如路径宽度、路径距离、沿线节点数等）作为量化指标与路径行人量进行回归分析[9-10]，而忽略了景区网络结构所带来的整体性空间影响。
这一背景下，本文以开放式景区为研究区域，以景区内行人群体为研究对象，具体研究内容包括：（1）基于空间句法实现景区路径结构的空间量化;（2）结合空间性影响分析景区内部行人微观路径选择模式的核心影响因素;（3）基于聚类分析的路径拟合，对不同群体行人的路径选择进行针对性识别与分析。对于开放式景区内不同行人群体的路径选择模式分析，可为景区管理者进行景区路径优化、公共设施优化布置及节庆活动方案设计提供量化参考依据。
1 文献综述
1.1 行人路徑选择的影响因素与路径分析
行人路径选择的研究重点在于，分析哪些因素在行人进行路径抉择时产生了何种影响[11]。总体而言，其影响因素可以分为3类：地理距离（实际步行距离）、拓扑距离（路径/方向改变次数）和环境因素。最短地理距离是行人路径选择的首要目标[12-13]。最短拓扑距离则可单独对55%～75%的行人路径选择进行解释[14-15]。环境因素总体上可划分为3个方面，即路径特征、沿线土地使用特征及沿线交通环境特征[16]。Ferrer等通过对志愿者进行路径测试，发现宽阔的人行道、高绿化率、充足的照明、大型交叉口少是吸引行人选择该路径的积极因素[17];Sarjala基于智能手机所采集到的通勤路径，发现影响行人路径选择的重要环境因素包括交叉口密度、沿线公共用地面积、坡度及沿线建筑年限[18]。
对于景区而言，最普遍的行人路径选择的主体则是游客，其影响因素主要包括景区路径属性因素与景区环境因素[19]。其中，景区路径属性因素主要包括：行程时间、路线长度、路线曲度、沿线节点数、路径宽度等;Asakura和Iryo基于移动设备采集游客旅游路径数据，结合景区路径拓扑结构特征实现了对不同游客出行路径的识别分析[20]。景区环境因素主要包括：景点类型（土地利用）、路径沿线景点数量、景点占地规模、绿化占地规模、路径沿线行人设施数量（休憩椅等）、路径沿线商业设施等。Vu等基于带有地理标记的游客照片，对香港入境游客的游览路径进行分析，结果表明，对于不同景点，不同国籍的游客群体的游览路径具有特异性[2]。李渊等基于陈述性偏好法（stated preference methods， SP）对于厦门鼓浪屿游客景点偏好进行分析，发现景点类型吸引力依次为音乐文化、自然风光、万国建筑等;而公共设施不足、过度商业化则降低了景点吸引力[21]。
此外，景区内不同群体的路径选择也具有较为显著的差异性。Jubran等研究发现，受教育程度、收入的个体差异在景点可达性的评估上具有显著性差异[22]。刘培学等对山岳型景区游客轨迹进行聚类分析，发现女性游客游览距离较短，中老年游客群体倾向于躲避拥挤，而散客更易选择存在折返且体验较差的游览路径[23]。然而，群体分析仍属于游客主体的群体细分，对于景区内游客群体与居民群体的路径差异性分析则相对缺乏。
1.2 空间因素对路径选择的影响
空间因素对路径选择的影响研究近年来逐步得到重视和发展。多个研究表明，空间因素与街道网络中的行人空间行为联系最为密切[24]，给定路径的中心度水平可用于度量行人通行量[25-27]。具体而言，高通达度的路网结构与行人通行量具有最显著的正向联系[28-29]。路径连通度、路径选择度也是影响行人路径选择的重要因素[27，30]。同时，不同模式的路网结构下，空间因素对路径选择的影响程度也存在差异——在传统网络结构下，空间因素对行人路径选择的影响程度更高[30]。因此，对于传统路网下的开放式景区，分析空间因素的影响更具有研究价值。然而，景区路径选择的既有研究中，对量化空间因素的影响分析涉及较少。 2 研究数据及方法
2.1 南京夫子庙景区
夫子庙秦淮风光带是指以夫子庙建筑为中心、秦淮河为纽带的内秦淮河地带，包括秦淮河两岸的街巷、民居，附近的古迹和风景点[31]。本研究分析区域为中华路、长乐路、平江府路及建康路形成的夫子庙景区核心区域，研究区域详见图1（a）。
2.2 基于空间句法的空间因素获取方法
空间句法是一种通过对包括建筑、聚落、城市甚至景观在内的人居空间结构的量化描述，来研究空间组织与人类社会之间关系的理论和方法[32]。通过轴线分析，空间句法可实现将路网空间拓扑化，并通过不同的量化指标多角度描述路网的潜在空间影响。
2.3 研究数据及其收集途径
本研究按所需数据按数据类型及收集途径分类，包括3个维度共计12项数据，并采用实际问询法对景区内部分行人开展路径实际调查，其具体内容及收集途径如下。
（1） 多维度因素采集
交通维度的因素采集，主要采用人工计数法，每月选择非节假日两天进行各路段行人交通量统计，单个路段统计2018年4月—12月18次数据调查;每次调查选择夫子庙景区平峰时段15：00―16：00且避开节假日及夫子庙传统节日，以避免由于行人量过多导致的游览选择受限;临近4条路段选择同一负责人进行行人量统计，以减少不同路段调查时段时间差;共计调查使用26人/次。
空间维度的因素采集，则主要基于百度地图开放数据，应用轴线分割法进行空间路网建模实现量化数据获取。
环境维度的因素采集则主要通过实地调查及百度地图数据源进行获取。
各维度具体所采集的因素及其具体描述如表1所示。
（2） 行人实际路径调查
采用随机问询法对景区内行人的步行路径进行调查，要求被调查者将其步行路径在所给地图上进行绘制。地图路线绘制也是行人路径调查的常用方法之一[33-35]。样本需求量依据下述公式[35]进行估计：
[n=（z2×cv2）/E2] （1）
式（1）中，n为样本需求量;z为标准常量，在95%置信度下取1.96;E为允许的误差幅度，取10%;cv为变异系数（路径标准差与平均行程距离比值），取值0.67，据调查取平均行程1.02 km，标准差0.68 km。进而，以10%为限制阈值（即剔除通行人数少于10%的路段），获得各类行人通行的实际路径，详见图1（b）、图1（c）。
计算得到需调查172人。实际调查人数203人，其中，游客占65%（132人），非游客占35%（71人），游客中32%曾开展游览准备（查阅夫子庙景区游览资料/景点信息，或为跟团游）。非游客中有66%居住地点或工作地点距夫子庙景区在3 km以内，37%为通过性行人。
2.4 调查数据的统计性描述
基于调查及空间句法分析，在剔除非开放路段（如小区内部道路）的基础上，共得到夫子庙景区内49条路段的游客量数据（共计882条行人量调查数据，对单条路段采用18次行人量调查取均值）及屬性数据（单条路段共12条属性数据，合计784条数据）。其中，行人量均值最小值为13人/小时，最大值为6022人/小时，均值为1846人/小时;路段长度为22 m～1100 m，均值211 m;路段沿线景点数最多为6处，均值为0.9。14条路段存在水系，27条路段为步行路段。
3 行人路径选择核心因素分析
对调查数据的12个变量进行KMO检验和Bartlett检验，得出KMO检验系数为0.646>0.5，Bartlett检验的×2统计值的显著性概率p<0.05，适合采用因子分析方法。本文采用主成分方法进行分析：首先，基于特征值≥1，采用公因子方差及碎石图，确定主因子的个数为4（累积贡献率为79.97%）。进而，在采用最大方差法进行因子旋转后，依据各变量因子载荷及其实际含义，实现核心因子的命名。具体各参数的因子载荷及核心因子的贡献度如表2所示。最终得到行人路径选择的4个核心因子，即空间因子、景点因子、商业因子与交通因子。
基于因子分析可知，空间因子是景区路径特征的重要描述，贡献度达35.73%，其中路段选择度对路径空间特征的描述贡献最大（因子载荷0.912）;空间因子为正值，则显示其路径选择更易受路网空间的潜在影响（即路径选择更不具目的性）。
景点因子的贡献度其次，达21.32%，其中，沿线景点数量的相对重要性最高（因子载荷0.882），而沿线景点面积则重要性相对较低（因子载荷0.614）;景点因子为正值则显示景点（数量及面积）是路径选择的吸引因素，为负值则景点（数量及面积）是其排斥因素。
交通因子则主要体现在该路径是否允许机动车通行及日均交通量;交通因子为正值则显示其偏好机动车可通行的路段（往往为具备交通功能的主、次干道），反之则偏好步行街区。
商业因子则主要受路径单位长度商业面积影响。商业因子为正值即商业对其路径选择具有吸引力，为负值则为排斥力。
4 基于核心因子的行人路径选择模式分析
4.1 行人微观路径分析方法
行人路径拟合的选择假设如下：
相邻性假设：对于景区内的路段集合{L1，L2，…，Ln}，处于路段Lj位置的行人仅可从相邻路段集合{Lj1，Lj2，…，Ljn}中选择路段进行通行，并允许行人有多个选择。
同类性假设：对于景区内的路段集合{L1，L2，…，Ln}，若路段Lj的相邻路段集合{Lj1，Lj2，…，Ljn}中存在同一类集合路段，则行人将选择同类路段进行通行。
策略性假设：对于处于同一类集合而不相邻的路段集合S={Ls1，Ls2，…，Lsn}和Q={Lq1，Lq2，…，Lqn}，则处于S集合的行人将采用最短路线距离及最少转角两种策略进行路径选择到达Q集合。 在空间分析的基础上，得到景区路段空间模式，如图2（a）所示。基于景区路径描述的4个核心因子，结合各路径的行人量均值进行路径选择聚类分析，得到不同类描述下的路段集合，如图2（b）所示，蓝色路段为聚类分析后的同一类路段。可知，本类路段共可划分为两个不相邻集合S和Q;基于路径选择假设可知，行人倾向于选择使得集合S和Q连通的最短路径{L8，L9，L10}，及最少转角路径{L12，L11}，如图2（c）所示;结合相邻性假设和同类性假设得到此类路段的最终拟合路径为：{L5→L6→L8→L9→L10→L14→L19→L22}以及{L5→L6→L12→L11→L14→L19→L22}，其路径图如图2（d）所示。
4.2 行人微观路径识别与分析
基于行人路径选择的同类性及策略性，需基于核心因子的描述，对分析路径进行类别分析。本文在对核心因子进行Z-score均值化处理基础上，采用平方欧氏距离（square euclidean distance，SEUCLID）度量下的K均值聚类进行路径聚类。聚类结果顯示，最佳类数为4，其占比分别为38.7%、20.4%、14.3%及26.5%，聚类结果较为均衡。继而结合路径选择假设，开展行人微观路径拟合，最终拟合得到4类路径（图3）。
第1类路径：休闲景点游览路径。4类路径中，其聚类结果中商业因子均值最高（1.331），商业面积对于路径选择吸引力大;交通因子均为负值，其更倾向于无机动车的步行街区。空间因子均值最高（0.832），而景点因子影响较小（0.677），两者均为正向影响，进一步体现出其倾向游览景点，且路径空间影响高（即未明确规划路径，选择随意性较高）。
第2类路径：深度景点游览路径。本类路径的景点因子均值最高（0.778），商业因子均值影响力较低，但仍为积极影响（0.232）。体现本路径中行人最倾向于游览景点，商业购物活动也纳入考虑。空间因子均值较低，且为积极影响（0.294），体现其进行了一定程度的路径规划，但仍受空间潜在影响。
第3类路径：生活性路径。本类路径中，商业因子及景点因子均值为负（?0.467、?0.645），其对景区范围内的商业及景点呈现出“规避”特征;本类交通因子均值为?0.917，且方差最小，呈现出路径选择中偏好无机动车通行的街区道路。进而推测本路径偏向于当地居民的生活性通行路径。而空间因子的负值（?0.321）进一步对其进行了验证，即采用本类路径的行人对路网更为熟悉，且通行目的明确。
第4类路径：通过性路径。本类路径中，商业因子及景点因子均值为负（?0.332、?0.667），同样呈现出“规避”商业及景点;与第3类不同，本类呈现出最高的交通因子均值（0.878），可知其倾向于交通性道路而不是景区内的步行街区，即更倾向于满足通行需求而进行路径的选择。其空间因子均值最小 （?0.305），且方差最小，其进行路径选择时随意性较小。
作为开放式景区，夫子庙景区内的日常行人群体，不仅包括一般景区常见的两类群体：（1）无充分游览计划的休闲类游客，（2）具备一定游览计划的游客（如跟团游客），其形成第1和第2类路径;还包括两类特殊群体：（3）居住于景区内部的当地居民，以及（4）经由景区到达其他位置的通过性人群，其形成第3和第4类路径。这两类特殊群体主要存在于允许居民居住（如浙江西塘古镇）、位于城市交通中心的区域（如苏州观前街），在景区行人路径研究及景区管理中往往被忽视。通过路径拟合获得其4类人群常用路径后，景区可依据路径特征开展针对性管理，如对第1类路径沿线设置更多的导览指引及商业设施，第2类路径沿线设置更丰富的景点解说设施，第3类路径沿线则考虑对居民慢行环境的改善，而第4类路径则可在旅游旺季进行外围交通疏导，减少通过类行人深入景区内部，从而降低高峰时期游客拥挤感知度。此外，对于景区内的路段的封闭或新建规划，也可通过本方法预估调整后的4类行人群体路径变化，从而为景区路径调整规划提供更直观的参考。
4.3 实际路径对比分析与验证
为分析路径拟合效果，以实际调查游客（无游览准备）路径作为第1类路径的实际结果;游客（游览准备）路径作为第2类路径的实际结果;居民（生活型）路径作为第3类路径的实际结果;居民（通过型）路径作为第4类路径的实际结果;采用式（2）进行拟合效果评估：
[F=0.5（lc/Lt+lc/Lf）] （2）
式（2）中，[F]为拟合效果，lc为拟合路径与实际路径的重合长度，Lt为实际路径总长度，Lf为拟合路径总长度。
第1类路径的重合长度占实际长度比值为69.1%，占拟合长度比值为81.4%，最终拟合效果为75.3%;第2类路径的重合长度占实际长度比值为40.4%，占拟合长度比值为45.6%，最终拟合效果为43.0%;第3类路径的重合长度占实际长度比值为33.4%，占拟合长度比值为48.1%，最终拟合效果为40.8%;第4类路径的重合长度占实际长度比值为39.9%，占拟合长度比值为41.4%，最终拟合效果为40.7%。
由拟合效果评估可知，考虑空间性影响下，开放式景区行人路径拟合，对于游客（无游览准备）类具有较好的拟合效果，拟合路径与实际路径的重合度达到69.1%，整体拟合度为75%。对于深度景点路径而言，其拟合效果相对不佳，原因可能在于，路径调查中未考虑游览时间。如Jia等通过手机信令数据分析非居民游客的游览行为，发现其具有明显的时间特征[36]。同时，具备游览准备的游客路径，并不等同于深度游览的旅游，两者存在一定的差异。如Huang等在对游客群体的聚类分析中发现，具有游览准备的游客也会由于娱乐、亲子体验等原因，倾向于更为轻松休闲的设施及路径，即具有游览准备的游客也并不全部选择深度游览[37]。
同时，对于非游客行人群体，其路径拟合效果同样存在误差，其主要原因可能包括：（1）对于居住于景区的当地居民行人群体（第3类路径），其步行目的较为复杂，包括通勤、休闲娱乐、接送儿童等多个目的。其中，通勤、购物等出行目的路径较为明确，但休闲类出行则具有较大的随机性，并体现出近家休闲活动比例较高[38]。这使得进一步的研究可考虑增加对沿线居住密度等土地利用属性的分析，从而对非游客群体的休闲活动有更为明确的识别。（2）对于通过性行人群体，则可能受到公交站点、地铁站点等交通设施的位置影响。因此，后期研究可考虑在影响因素中增加土地利用属性及交通属性因素，从而提高非游客路径的拟合精度。 進一步地，比较游客路径与非游客路径的实际重合比例，计算得到重合度较低（17.35%）。可见，游客与非游客在路径选择上也存在一定程度的道路资源冲突现象，居民会倾向于规避游客数量较多的路径。游客数量的增加使得有限的资源（道路、商业设施等）愈发拥挤，进而导致游客与居民在资源及空间分配上的冲突加剧[39]。这使得在拟合游客、非游客景区路径中，可考虑增加游客-非游客交互参数项（如可新增厌恶参数，将纳入游客路径的路段标记为?1，未纳入的路段则标记为0），从而优化路径选择模式分析。
5 结论
（1）本研究从交通、空间及环境3个维度进行景区路径影响因素量化分析，结果表明：空间因子对景区路径特征描述具备重要作用，其中，路段连通度、路段控制度及局部选择度对路径空间特征的描述贡献最大;而景点数量、商业面积及是否允许机动车通行也是路径特征的重要描述。
（2）基于4类核心因素，本文通过路径聚类及拟合得到4类行人路径。与实际调查路径相比，休闲景点游览路径拟合效果较好，与实际休闲游览路径重合度达到69.1%;深度景点游览路径、生活性路径、通过性路径3类重合度则在40%左右，还具有一定的改善空间。
（3）本文存在以下可优化方向：数据采集上，被调查者回忆路径与实际路径间存在误差，尤其对于游客群体的路径调查，可考虑采用手机信令数据替代采集;在因素分析上，可考虑增加土地利用影响因素、公共交通影响因素;同时可将游客-非游客间的道路资源冲突问题纳入考虑。在拟合结果上，该结果仅为空间路径分布结果，未结合游览顺序进行停留时间及路径方向区分，也可依据手机信令数据进行完善补充。
参考文献（References）
[1] GUO Z. Does the pedestrian environment affect the utility of walking？ A case of path choice in downtown Boston[J]. Transportation Research Part D： Transport and Environment， 2009， 14（5）： 343-352.
[2] VU H Q， LI G， LAW R， et al. Exploring the travel behaviors of inbound tourists to Hong Kong using geotagged photos[J]. Tourism Management， 2015， 46： 222-232.
[3] ZOLTAN J， MCKERCHER B. Analysing intra-destination movements and activity participation of tourists through destination card consumption[J]. Tourism Geographies， 2015， 17（1）： 19-35.
[4] RAUN J， AHAS R， TIRU M. Measuring tourism destinations using mobile tracking data[J]. Tourism Management， 2016， 57： 202-212.
[5] LI Y， YANG L， SHEN H， et al. Modeling intra-destination travel behavior of tourists through spatio-temporal analysis[J]. Journal of Destination Marketing and Management， 2019， 11： 260-269.
[6] KOTILOGLU S， LAPPAS T， PELECHRINIS K， et al. Personalized multi-period tour recommendations[J]. Tourism Management， 2017， 62： 76-88.
[7] ZHENG W， HUANG X， LI Y. Understanding the tourist mobility using GPS： Where is the next place？[J]. Tourism Management， 2017， 59： 267-280.
[8] XIA J， ZEEPHONGSEKUL P， PACKER D. Spatial and temporal modeling of tourist movements using semi-Markov processes[J]. Tourism Management， 2011， 32（4）： 844-851.
[9] DENSTADLI J M， JACOBSEN J K S. The long and winding roads： Perceived quality of scenic tourism routes[J]. Tourism Management， 2011， 32（4）： 780-789.
[10] EBY D W， MOLNAR L J. Importance of scenic byways in route choice： A survey of driving tourists in the United States[J]. Transportation Research Part A： Policy and Practice， 2002， 36（2）： 95-106.
[11] LI H， ZHANG J， XIA L， et al. Comparing the route-choice behavior of pedestrians around obstacles in a virtual experiment and a field study[J]. Transportation Research Part C： Emerging Technologies， 2019， 107： 120-136. [12] BROACH J， DILL J. Pedestrian route choice model estimated from revealed preference GPS data[C]// Transportation Research Board 93rd Annual Meeting. Washington， D C： Transportation Research Board of the National Academies， 2014， 250： 1-19.
[13] GUO Z， LOO B P Y. Pedestrian environment and route choice： Evidence from New York City and Hong Kong[J]. Journal of Transport Geography， 2013， 28： 124-136.
[14] HILLIER B， IIDA S. Network and psychological effects in urban movement[C]// International Conference on Spatial Information Theory. Ellicottville： Springer-Verlag Press， 2005， 3693： 475-490.
[15] LERMAN Y， YODAN R， OMER I. Using space syntax to model pedestrian movement in urban transportation planning[J]. Geographical Analysis， 2014， 46（4）： 392-410.
[16] FARJANA S， TAN Y. Development and validity of a virtual street walkability audit tool for pedestrian route choice analysis—SWATCH[J]. Journal of Transport Geography， 2018， 70： 148-160.
[17] FERRER S， RUIZ T， MARS L. A qualitative study on the role of the built environment for short walking trips[J]. Transportation Research Part F： Traffic Psychology and Behavior， 2015， 33： 141-160.
[18] SARJALA S. Built environment determinants of pedestrians and bicyclists route choices on commute trips： Applying a new grid-based method for measuring the built environment along the route[J]. Journal of Transport Geography， 2019， 78（6）： 56-69.
[19] ZHAO X， LU X， LIU Y， et al. Tourist movement patterns understanding from the perspective of travel party size using mobile tracking data： A case study of Xian， China[J]. Tourism Management， 2018， 69： 368-383.
[20] ASAKURA Y， IRYO T. Analysis of tourist behaviour based on the tracking data collected using a mobile communication instrument[J]. Transportation Research Part A： Policy & Practice， 2007， 41（7）： 684-690.
[21] 李淵， 谢嘉宬， 杨林川. 基于SP法的旅游者景点选择需求偏好与规划应对[J]. 旅游学刊， 2018， 33（12）： 91-101. [LI Yuan， XIE Jiacheng， YANG Linchuan. The preference of tourist attraction selection and planning response based on SP method[J]. Tourism Tribune， 2018， 33（12）： 91-101.]
[22] JUBRAN H， XIA J， VEENENDAALAND B， et al. Building a conceptual framework for determining individual differences of accessibility to tourist attractions[J]. Tourism Management Perspectives， 2015， 16： 28-42.
[23] 刘培学， 廖茂林， 张捷， 等. 山岳型景区游客轨迹聚类与体验质量差异研究——以世界遗产地三清山为例[J]. 旅游学刊， 2018， 33（5）： 56-67. [LIU Peixue， LIAO Maolin， ZHANG Jie， et al. Tourist spatial behavior and experience quality in mountain resorts： A case study of mount Sanqingshan[J]. Tourism Tribune， 2018， 33（5）： 56-67.] [24] LERMAN Y， OMER I. Urban area types and spatial distribution of pedestrians： Lessons from Tel Aviv[J]. Computers Environment and Urban Systems， 2016， 55： 11-23.
[25] MANSOURI M， UJANG N. Space syntax analysis of tourists’ movement patterns in the historical district of Kuala Lumpur， Malaysia[J]. Journal of Urbanism： International Research on Place Making and Urban Sustainability， 2017， 10（2）： 1-17.
[26] JIANG B， LIU C. Street-based topological representations and analyses for predicting traffic flow in GIS[J]. International Journal of Geographical Information Science， 2009， 23（9-10）： 1119-1137.
[27] OMER I， KAPLAN N. Using space syntax and agent-based approaches for modeling pedestrian volume at the urban scale[J]. Computers， Environment and Urban Systems， 2017， 64： 57-67.
[28] SHATU F， YIGITCANLAR T， BUNKER J. Shortest path distance vs. least directional change： Empirical testing of space syntax and geographic theories concerning pedestrian route choice behavior[J]. Journal of Transport Geography， 2019， 74： 37-52.
[29] MANSOURI M， UJANG N. Space syntax analysis of tourists movement patterns in the historical district of Kuala Lumpur， Malaysia[J]. Journal of Urbanism International Research on Placemaking & Urban Sustainability， 2017， 10（2）： 1-17.
[30] PERVER K， RODRIGUEZ D， KHATTAK A. Space syntax and walking in a new urbanist and suburban neighborhoods[J]. Journal of Urban Design， 2008， 13（1）： 5-28.
[31] 廖仁靜， 李倩， 张捷， 等. 都市历史街区真实性的游憩者感知研究——以南京夫子庙为例[J]. 旅游学刊， 2009， 24（1）： 55-60. [LIAO Renjing， LI Qian， ZHANG Jie， et al. Tourists perceived study on the authenticity of urban historical blocks― Taking Confucius Temple in Nanjing as an example[J]. Tourism Tribune， 2009， 24（1）： 55-60.]
[32] HILLIER B， PENN A， HANSON J， et al. Natural movement： Or， configuration and attraction in urban pedestrian movement[J]. Environment & Planning B Planning & Design， 1993， 20（1）： 29-66.
[33] BORGERS A， TIMMERMANS H. Indices of pedestrian behavior in shopping areas[J]. Procedia Environmental Sciences， 2014， 22： 366-379.
[34] OZBIL A， ARGIN G， YESILTEPE D. Pedestrian route choice by elementary school students： The role of street network configuration and pedestrian quality attributes in walking to school[J]. International Journal of Design Creativity and Innovation， 2016， 4（2）： 67-84.
[35] BONSALL P W. Issues in survey planning and design[J]. Transport Planning and Traffic Engineering， 1997. Doi： 10.1016/b978-034066279-3/50014-1.
[36] JIA F， CHENG X， DUAN Z. Analyzing the activity areas of non-resident tourists of Shanghai Expo using cellular phone data[J]. Procedia Social & Behavioral Sciences， 2013， 96： 1136-1145.
[37] HUANG X， HUANG X， LI M， et al. Tourists spatial-temporal behavior patterns in theme parks： A case study of Ocean Park Hong Kong[J]. Journal of Destination Marketing & Management， 2020， 15（9）. Doi：10.1016/j.jdmm.2020.100411.
[38] 赵莹， 柴彦威， 桂晶晶. 中国城市休闲时空行为研究前沿[J]. 旅游学刊， 2016， 31（9）： 30-40. [ZHAO Ying， CHAI Yanwei， GUI Jingjing. Prospects for urban leisure studies in China： A perspective of space-time behavior[J]. Tourism Tribune， 2016， 31（9）： 30-40.].
[39] TSAUR S， YEN C， TENG H. Tourist–resident conflict： A scale development and empirical study[J]. Journal of Destination Marketing & Management， 2018， 10： 152-163.