论文部分内容阅读
[摘 要]分析节假日旅游流的时空分异特征有助于获取节假日旅游流的空间行为模式，并为节假日旅游路线组织、旅游应急管理提供重要依据。文章以云南省为案例，选择昆明一大理一丽江一香格里拉、昆明一西双版纳、昆明一石林一弥勒一泸西、昆明一建水一元阳4条旅游运输通道，从时空二元视角获取云南省自驾车和团队旅游流的时空分异特征。结果显示：（1）在7个节假日，昆明一大理一丽江一香格里拉、昆明一西双版纳两条长线运输通道旅游流的集中指数分别为47.38、46.52，昆明一建水一元阳、昆明一石林一弥勒一泸西两条短线旅游运输通道的旅游流集中指数分别为42.41、38.53，均大于完全均衡分布时的集中指数37.8，表明4条旅游运输通道旅游流在7个节假日具有明显的集聚特性，且长线旅游运输通道旅游流的时间集中度均高于短线，自驾旅游流时间的集中度高于团队旅游流。（2）昆明一大理一丽江一香格里拉通道的节假日旅游流规模位居首位，昆明一西双版纳旅游运输通道旅游流受节假日时长的影响较为显著。（3）4条旅游运输通道的节假日旅游流呈现向城镇、重要交通节点及旅游资源富集型通道的聚集特征;昆明一大理一丽江一香格里拉通道的自驾旅游流的基尼系数高达0.86，空间集中度最高。相比自驾游，团队游空间使用曲线呈多峰模式，各相邻波峰呈明显的递减趋势。利用公路交通流大数据能够获取节假日旅游流的时空分异特征，可為节假日旅游管理提供管理启示。
[关键词]交通流数据;旅游流;旅游运输通道;节假日;时空特征
[中图分类号]F59
[文献标识码]A
[文章编号]1002-5006（2019）06-0037-11
Doi： 10.19765/j.cnki.1002-5006.2019.06.009
引 言
随着旅游业的发展，公众假日和旅游节庆活动等引发的短期旅游流在中国旅游业中的地位日益重要。短期旅游流受时间、空间、信息等各项条件的制约，与常规时段的旅游流相比具有不同的特征和影响。自2012年“十一”黄金周高速公路免费通行政策实施以来，假日出游比例迅速上升，在促进旅游业快速发展的同时，也暴露出由节假日旅游流带来的旅游交通拥堵，旅游安全及旅游应急管理等焦点问题。主要原因在于，节假日高强度的旅游流导致旅游交通的延误增加和服务水平的显著恶化，同时降低了旅游流的疏散效率并带来巨大的安全隐患。因此，节假日旅游流也逐渐成为旅游、交通、地理学者的关注热点。国外对节假日旅游流的研究早期源于对节假日旅游流的预测，如Chen等将支持向量回归模型、自适应遗传算法和季节性指标调整相结合，对节假日旅游流量进行了预测。针对节假日旅游流的时空分布特征，Lu等指出7个节假日旅游流的分布特征和规模可能因节假日而异，并将7个节假日与景区的促销活动时间结合，采用峰值指数和k均值聚类算法，研究了黄山风景区8条缆车线路的客流时空分布特征，发现缆车旅游客流在国庆节长假的时间集中度显著高于“五一”小长假，且在时间相同的长假中，旅游客流规模较小时的空间分布集中度高于客流规模较大时的空间分布集中度。对游客规模的研究也逐渐增多，如Park等通过构建一种改进的引力模型，发现自然资源、旅游基础设施等是影响旅游流规模的主要因素。
目前国内学者关于节假日旅游流的研究，主要集中于两个研究时段：一是集中于“十一”黄金周。如李志飞和夏磊以中国29个省市2008-2012年“十一”黄金周为例，通过时间序列分析、游客密度指数、Zipf结构分析法，分析得出旅游流稳步增长，空间上呈交叉梯形格局的时空分布特征。卢松等以世界文化遗产西递、宏村为例，分析了古村落旅游客流时间分布特征，发现黄金周客流呈“井喷”式分布。张子竞等以陕西关中地区为例，通过“黄金周”客流周内波动指数、周内分布偏度指数等得出与文献一致的结论。戢晓峰等针对黄金周过饱和旅游流，提出了基于突变理论的过饱和旅游流应急疏散效率评价方法。此外，姚小云以世界遗产地武陵源为例，对黄金周的客流发展趋势与对策进行了探讨，指出未来黄金周旅游客流整体呈波动增长、自驾车旅游流将持续增长的发展特点和趋势，并从现行休闲制度、黄金周旅游管理、交通发展等方面分析了黄金周客流发展的影响因素。二是对于7个节假日的整体研究。如李伟等以武汉市为例，主要采用地理集中指数、基尼系数等指标，比较分析了7个法定节假日观光游览、探亲访友、商务会议、购物美食4种不同旅游目的的旅游流时空分异特征。戢晓峰等以云南省为例，运用游客集中度系数、洛伦兹曲线等揭示了云南省节假日旅游流的时间分布在省域和市域尺度均呈相对均衡格局，空间分布呈“多核心、边界带状”空间格局，进一步指出旅游资源禀赋是节假日旅游流空间格局形成的主要因素。综合来看，目前节假日旅游流的研究取得了一些初步成果，但仍处于起步阶段。大部分学者主要从景区景点、旅游相关部门获取面板数据，或者结合问卷调查等方法获得研究数据，研究内容大多集中于节假日旅游流的时空特征，但将大数据运用到节假日旅游流时空分布特征，从自驾游、团队游等不同类型旅游群体的视角获取旅游流空间行为模式，并揭示节假日旅游流拥堵现象的研究尚显不足。
随着旅游流的研究已进入“白热化”阶段，逐渐有学者指出，数据的获取成为旅游流研究的制约之一。当前旅游流数据的获取方法逐渐由传统的问卷调查法、深度访谈法、二手面板数据法等过渡到大数据时代下的旅游日记、数字足迹等方法，目前已有部分学者将大数据运用到旅游流的研究中来。如王录仓等利用新浪微博LBS签到数据和核密度估计分析方法，从时空维度对兰州市旅游流特征进行了研究。闫闪闪等基于类似的数据和方法，分析了洛阳市旅游流的年度时空分布特征，发现洛阳市旅游客流量在洛阳牡丹文化节、“十一”黄金周两个节日高度聚集。罗秋菊和梁思贤基于数字足迹，获取了云南省自驾车客流的时空分布特征，发现云南省自驾客流多集中于黄金周及寒暑假，整体的自驾客流网络密度较低。旅游数字足迹与传统的问卷调查等方法相比，在具有代表性、时效性、简单性等优势的同时，面临研究样本受限，旅游者类型不全，加之游客对于空间识别较弱，在游记记录时可能存在误差等问题。公路交通流数据作为大数据类型之一，建立在对不同路段流量不间断、实时、连续的监测和记录的基础之上，具有时效性和准确性，能够真实并且直观地反映流量的时空特征。但目前尚未见有文献报道将公路交通流大数据用于旅游流研究，相比GPS数据，通过公路交通流提取的旅游流数据可以将旅游流的本质——“流动性”特征生动体现出来，并可识别自驾旅游流和团队旅游流的空间行为模式。 为此，本文基于公路交通流大数据，选取当前云南省较为典型的4条旅游运输通道为案例，获取公路旅游运输通道节假日旅游流的时空分异特征，对利用公路交通流数据研究旅游流的时空特征进行有益尝试，同时为节假日旅游流管理、旅游运输通道设计提供参考。
1 研究区域与研究方法
1.1 研究区域概况
云南省地处我国西南边陲，地理环境特殊且经济欠发达。截至2017年年底，云南省拥有A级景区230处，其中，4A级及以上景区77处，昆明、大理、丽江、西双版纳4个城市拥有4A级及以上景区个数占全省景区比例接近50%。目前，云南省高铁覆盖率较低，由于交通条件的限制，尚未形成串联景区景点的旅游闭合环线，更多地体现为“单一道径”形式。云南省大部分旅游流以昆明为重要的旅游交通中转站，再到达其他旅游目的地，节假日旅游依然维持以公路为主要的旅游交通方式，云南省因此成为我国典型的公路旅游流研究案例区域。
1.2 数据来源
本文的公路交通流数据来源于云南省交通流量数据监测平台。已有实证研究表明，云南省的国
内旅游流空间上主要聚集于以昆明为中心的滇中城市群、昆明一大理一丽江一迪庆和昆明一西双版纳旅游发展轴，且旅游运输通道的服务水平是影响旅游流量的关键因素。因此，本文重点分析以昆明为起点的旅游运输通道，依据旅行社官方网站推出的云南省节假日自驾游和团队游旅行线路，选取昆明一大理一丽江一香格里拉、昆明一西双版纳两条著名的旅游运输通道，将其定义为长线旅游运输通道;以及昆明周边的昆明一石林一弥勒一泸西、昆明一建水一元阳两条相对较短的旅游运输通道，将其定义为短线旅游运输通道（图1）;此外，将昆明一西双版纳定义为直达型旅游运输通道。
本文选取2017年云南省4条旅游运输通道的主要城镇及交通节点监测的交通流量数据，共选取观测站点31个，数据采集时间分别为2017年元旦、春节、清明节、“五一”节、端午节、中秋节、国庆节7个法定节假日，共29天;所提取的数据包括各条旅游运输通道中各种旅游客运车型在1天、1小时、5分钟的流量统计数据。其中，以天为单位提取的数据共1798条，自驾车和大客车均899条;以小时为单位的数据共43 152条，自驾车和大客车均21 576条;以5分钟为单位的数据共517 824条，自驾车和大客车均258 912条。进一步利用数据分析软件对交通流数据进行分析处理，得到本文所需的基础数据。
1.3 研究方法
时间特征研究首先采取时间层次分析法，对旅游运输通道的节假日旅游流区分各个时段进行分析。其次，利用集中指数G有效衡量旅游流在时间分布上的整体集中程度;最后，采用对比分析法，分析不同节假日时段各旅游运输通道的旅游流规模比重。
集中指数G计算公式为：
式（1）中：G为旅游流在研究时段上的集中指数;x1为第i个出游时段的旅游流规模;T为案例出游时段旅游流总规模;n为案例时段总数。如果旅游流在7个节假日时间段内完全均衡分布，则
空间特征研究首先采用基尼系数度量不同旅游运输通道的节假日旅游流在空间上的分布状况;再借助ArcGIS实现旅游路线、观测站点及各节假日站点流量的可视化表达;最后，运用空间使用曲线进一步分析云南省4条旅游运输通道上旅游流的空间距离衰减特征。
基尼系数的计算公式为：
式（2）中：p1为第j个旅游运输通道的旅游流规模占所有案例旅游运输通道旅游流总规模的比重;Ⅳ为旅游运输通道数量;C为分布均衡度。Gini的值介于0和1之间，值越大表明集中程度越高，空间上分布越不均衡。
2 时间特征分析
2.1 整体一局部变化分析
旅游流在7个节假日呈现显著的时间分异，受法定节假日时长的影响，4条旅游运输通道旅游流主要集中于春节和“十一”两个黄金周，且“十一”黄金周的旅游流量远超过春节。在其余5个小长假中，旅游流较集中于“五一”和清明节，端午、元旦、中秋节次之。
（1）旅游流的日变化特征分析
选取旅游目的地城市具有直达特征的昆明一西双版纳通道，进一步分析“十一”黄金周的旅游流日变化特征。如图2所示，昆明一西双版纳通道在黄金周期间的旅游流呈平V型变化，主要由于西双版纳距离昆明约540 km，出行耗时较长，游客集中于长假第1、第2天出游，并于长假第5、第6天返程，故第4天作为长假时间中点，也是昆明一西双版纳通道的旅游流V端点。
（2）旅游流的小时变化特征分析
本文选择出行集聚特征较显著的長假第1天，进一步分析昆明一西双版纳旅游运输通道黄金周旅游流的小时特征（图3），发现长假第一天旅游流时间分布呈10时-11时、14时-15时的两大高峰及18时-19时的一小高峰结构。整个日变化过程大致可分为3个阶段：第一阶段，遵循正常的作息时间规律，流量从早晨5时开始到10时呈现一个明显的递增态势，并于10时达到流量最高峰;第二阶段，由W型和镜像J型共同组成，由于游客在不同时间点的午休，流量在10时-15时呈现一个W型变化特征，流量从最高峰变至次高峰，再从15时-18时，流量变化呈镜像J型;第三阶段，18时-24时，旅游流量呈递减态势。
（3）旅游流5分钟变化特征分析
选择小时变化速率较大且接近高峰时段的9时-10时，以5分钟为单位，进一步分析昆明一西双版纳通道旅游流的5分钟变化特征（图4）。发现9时-10时，旅游流呈“粗瓶”形状。9：00-9： 40，旅游流近似呈2/3圆状，流量变化较小，于9：45达到流量高峰，之后小幅变化但依然保持较大的旅游流量，以致出现10时-11时的小时高峰现象。小时流量的进一步变化导致日变化特征的形成，3个时间面层层嵌套，相互关联。
2.2 时间集中度
4条旅游运输通道的旅游流在7个节假日具有集聚特征。其中，昆明一石林一弥勒一泸西和昆明一建水一元阳两条短线通道的集中指数分别为38.53、42.41，昆明一大理一丽江一香格里拉和昆明一西双版纳两条通道的集中指数分别为47.38、46.52，均高于37.80，昆明一石林一弥勒通道的集中指数较为接近37.80，表明该通道旅游流在7个节假日的集中性不明显，分布相对均衡。节假日旅游流的时间集中度由高到低依次为昆明一大理一丽江一香格里拉>昆明一西双版纳>昆明一建水一元阳>昆明一石林一弥勒。整体而言，长线通道的节假日旅游流时间集中度明显高于短线通道。将各通道的数据分别按自驾游和团队游进行分析处理，如表1所示，发现4条通道的自驾旅游流在时间上的集中度均高于团队旅游流。 2.3 规模比重对比分析
为进一步分析各个节假日不同旅游运输通道旅游流的高峰情况，统计分析了不同节假日各通道的旅游流规模比重，如图5和图6所示。7个节假日中，昆明一大理一丽江一香格里拉通道的旅游流规模比重最大，呈明显的外圈层分布。在5个小长假中，昆明一西双版纳通道的自驾旅游流和团队旅游流都低于昆明一大理一丽江一香格里拉通道。“十一”和春节两个黄金周，由于能够较好地满足旅游时间需求，两条长线通道的旅游流颇为接近。而在5个小长假，
昆明一西双版纳通道的自驾旅游流与两条短线运输通道较为接近。团队旅游流则在4条通道呈现明显的圈层分布，由外及内依次为昆明一大理一丽江一香格里拉、昆明一西双版纳、昆明一石林一弥勒一泸西、昆明一建水一元阳。中秋节，昆明一西双版纳与昆明一大理一丽江一香格里拉通道的团队旅游流差值较大。
3 空间特征分析
3.1 空间分布特征图
利用ArcGIS 10.5绘制云南省主要旅游运输通道，并表征本文所选择的4条旅游运输通道的节假日旅游流空间分布特征，如图7所示，4条旅游运输通道旅游流在7个节假日呈现“一核、四轴、多散点”的空间分布特征。以昆明市为一核心的旅游流高度聚集，并沿着各条呈放射状的旅游运输通道呈现“多散点、小型化、小聚集”的空间分布特征。以上旅游流的集聚空间分布特征表明，4条旅游运输通道的旅游流空间分布呈现出向城镇、重要高速公路节点、旅游资源富集区域的集聚特征。
（1）依附城镇集聚特征明显
节假日旅游流呈现向旅游运输通道附近的城镇及周边集聚的特征。主要聚集于昆明周边的安宁、宜良、石林、大理市周边的下关、凤仪、上关及昆明一西双版纳通道的玉溪、墨江。这些城镇作为旅游运输通道上重要的节点、中转站，也同样是旅游目的地。游客在旅游运输通道上依附这些城镇提供的住宿、餐饮、旅游交通、休憩、娱乐等旅游服务功能，间接或直接完成整个旅游活动，这些城镇因此成为旅游流的主要聚集区。
（2）旅游运输通道重要交通节点的集聚特征显著
旅游流在7个节假日均倾向于向主要高速路段、节点及其周边聚集。主要集中分布于安楚高速、楚大高速、大丽高速、玉元高速、昆磨高速等高速公路段，尤其在安楚恐龙谷、钱粮桥、楚大下庄、楚大凤仪、丽江关坡、研和等重要交通节点的集聚较为明显。公路运输是云南省主要的旅游交通方式，尤其是近年来云南省高速公路的不断延伸，“尺缩钟慢”效应不断显著，使得云南省节假日旅游流依托高速公路在旅游运输通道上的集聚特征越发明显。
（3）旅游资源富集型通道的集聚特征显著
节假日旅游流与旅游资源丰富度较高的旅游运输通道吻合度较高。旅游流大多聚集于昆明一大理一
丽江一香格里拉通道上的大理南诏风情岛、鸡足山、大理古城、洱海公园、玉龙雪山、拉市海风景区、丽江古城、梅里雪山、普达措国家公园等4A级或5A级景区，其次聚集于昆明一西双版纳的傣族园、原始森林公园、野象谷景区等景区。昆明一石林一弥勒一泸西通道主要以石林5A级风景名胜区、泸西阿庐古洞4A级景区等对节假日旅游流具有较大吸引力，昆明一建水一元阳则主要以建水燕子洞、元阳哈尼梯田等景区引领节假日旅游流规模。4条旅游运输通道的旅游资源丰富度从高到低依次为：昆明一大理一丽江一香格里拉、昆明一西双版纳、昆明一石林一弥勒一泸西、昆明一建水一元阳，与图7中旅游流在4条通道的空间分布一致;昆明一大理一丽江一香格里拉、昆明一西双版纳的旅游流集聚特征较为显著，相比之下，昆明一石林一弥勒一泸西、昆明一建水一元阳的集聚特征稍弱。
3.2 空间集中度
节假日旅游流在4条旅游运输通道的空间集中度较高，均衡度较低。4条通道整体基尼系数为0.88，进一步分别计算4条通道自驾和团队旅游流的空间基尼系数和均衡度，如表2所示。显然，可知自驾旅游流在昆明一石林一弥勒一泸西通道的基尼系数仅为0.67，旅游流空间分布相对均衡;昆明一大理一丽江—香格里拉通道的基尼系数高达0.86，旅游
流空间分布较为集中，其余两条通道居中，表现出旅游流在通道的集中分布特征。
3.3 空间使用曲线
目前，较多学者采用空间使用曲线描述旅游流随旅行距离增加而逐渐衰减的现象，较为常見的旅游流空间使用曲线有基本型曲线、U型曲线、Maxwell-Boltzman型曲线3种类型。旅游流空间使用曲线会随着旅游地等级、旅游地所处的区位及旅游地空间结构的差异而不同。近年来，由于“十一”长假安排、高速公路收费优惠政策以及旅游者对在短时间内能够游览多个旅游目的地的需求，大多旅游者倾向于优先选择沿线旅游资源丰富、且不间断分布的旅游运输通道，而昆明一大理一丽江一香格里拉通道正好能够满足这样的要求。因此，本文以昆明一大理一丽江一香格里拉通道为例，分析“十一”黄金周自驾游和团队游的旅游流空间距离衰减特征。利用“百度电子地图测距工具”计算自驾游和团队游客从昆明市中心出发到各个旅游目的地附近途经站点的公路距离，绘制出自驾游和团队游空间使用曲线（图8），两曲线均较多由U型和倒U型曲线共同组合而成。
由图8可知，自驾游曲线在距离昆明大约15 km处出现了第一次高峰，也是最高峰。此处位于昆明市西山区城郊结合处，作为昆明西向交通的重要节点，因周边多个生态游乐园和生态公园的较强吸引力，使得自驾旅游流量快速增加。在远离昆明进入楚雄后，自驾旅游流呈明显衰减之势，出现第一次波谷。而后，自驾旅游流伴随沿途禄丰恐龙谷、彝人古镇等景点的吸引力呈上升趋势，但增长趋势不明显。在250-320 km范围内出现第二次波峰，这主要因为此范围位于大理州，而大理州旅游资源禀赋较高，A级以上景区规模仅次于昆明市。第三次波峰位于距离昆明市500 km附近，该处临近丽江市古城区，是云南省自驾游线路的核心节点，丽江古城、束河古镇、拉市海、玉龙雪山等高知名度景点的集中分布使其自驾旅游流集聚上升，但与旅游资源禀赋相当的大理州相比，由于交通相对便捷的昆明一大理一腾冲一瑞丽等通道对旅游流部分分流，进而对丽江旅游流形成冲击，致使其旅游流曲线峰值较大理有所下降。第四次峰值出现于昆明一大理一丽江一香格里拉通道的终点旅游目的地，旅游流进一步下降。 与自驾游相比，团队游的旅游目的地更为明确，路线更为规律，因而其所呈现的空间使用曲线波动较为规律;随着旅行距离的增加，各个波峰呈明显的递减趋势，但相邻波峰间的差距相对缩小。总体上看，自驾和团队旅游流多集聚于以昆明周边景点及以大理、丽江、香格里拉3个旅游城市為核心的范围。
4 结论与讨论
4.1 结论
本文选取云南省旅游流较为集中的4条旅游运
输通道为案例，提取2017年节假日自驾游和团队游的公路交通流量数据，从时空二元视角对比分析了自驾游和团队游的旅游流时空分异特征，得出以下结论：
（1）7个节假日中，4条旅游运输通道的国庆节旅游流占比最大，聚集特征更加显著。对昆明一西双版纳通道“十一”黄金周的旅游流进行时间层次分析，发现“十一”黄金周旅游流的变化通常由短时集聚变化引起，逐渐累加形成小时旅游流高峰，进而呈现旅游流拥堵状态。
（2）从时间集中度看，一方面，节假日长线旅游运输通道旅游流的时间集中度均高于短线旅游运输通道。主要由于短线通道在7个节假日都成为游客选择景点的必经通道，而长线直达式通道的旅游流则主要集中于两个黄金周。特别在“五一”等小长假，游客倾向于选择短线通道。另一方面，4条旅游运输通道自驾旅游流的时间集中度较高，且均高于团队旅游流，由于自驾车旅游流规模较大，该现象也是引起节假日旅游流拥堵的主要原因之一。
（3）昆明一大理一丽江一香格里拉通道的节假日旅游流规模位居首位。对于两条长线通道而言，昆明一大理一丽江一香格里拉通道主要由于沿线旅游资源成“点一轴”式不间断分布，与旅游资源呈“端点”式分布的昆明一西双版纳通道相比略显优势。在中秋节，由于“十一”黄金周的“虹吸效应”，昆明一西双版纳通道团队的旅游流规模比重较端午节明显下降，说明直达型的长线通道旅游流受假日时间安排的影响较大，该现象目前尚未引起管理部门及旅游企业的足够重视。5个小长假，昆明一石林一弥勒一泸西、昆明一建水一元阳两条短线通道的自驾旅游流与昆明一西双版纳通道基本一致，主要由于自驾游客倾向于选择与昆明距离较近的通道。
（4）4条通道的旅游流在7个节假日呈现“一核、四轴、多散点”的空间分布特征，且呈现向城镇、重要高速公路节点、旅游资源富集区域的集聚特征，空间集中度较高，均衡度较低。其中，在昆明一大理一丽江一香格里拉通道的基尼系数高达0.86，空间集中度达到最高，在昆明一石林一弥勒一泸西通道的基尼系数为0.67，旅游流空间分布相对均衡。这主要由于昆明一大理一丽江一香格里拉通道的距离较长，旅游流主要聚集于沿线城市的各个景点，也进一步反映了旅游流高度聚集的昆明一大理一丽江一香格里拉通道应成为节假日旅游流管理的重点关注对象;昆明一石林一弥勒一泸西通道距离较短，沿线旅游资源禀赋较高且分布较为均衡，游客可在短时内游览多个景点。
（5）公路交通流大数据可直观揭示旅游流随旅行距离增加而逐渐衰减的现象。“十一”黄金周，昆明一大理一丽江一香格里拉通道的自驾游空间使用曲线的距离衰减规律不明显，团队游空间使用曲线的衰减较为规律，呈现多峰模式，且各个相邻波峰分别在楚雄、大理、丽江、香格里拉等节点呈递减态势，终点香格里拉的旅游流占比在3%以下。这主要是由于昆明一大理一丽江一香格里拉通道的路程较长，且在沿线的大理、丽江两个旅游城市已吸引了大部分的旅游流，致使最终到达香格里拉的旅游流进一步减少。
4.2 管理启示
本研究可为区域旅游交通组织、景区应急管理提供理论依据。研究结果表明，云南省节假日旅游流在4条通道上的时空分异特征显著，自驾旅游流在时间分布上呈现较高的集中度，由此可能导致节假日旅游交通拥堵、旅游路线客流集聚。同时，研究结果还表明，4条通道的旅游流空间分布呈现出向城镇、重要高速公路节点、旅游资源富集区域的集聚特征，这说明旅游运输通道对旅游流的集散具有重要引导作用。因此，本文提出以下几点管理启示与建议：
（1）交通管理部门应当充分掌握并预测节假日游客的出行规律，以此为基础编制旅游交通应急疏散预案，并提前发布旅游客流预警信息和诱导信息。
（2）交通与旅游部门应实现信息共享。通过在旅游运输通道沿线建设旅游服务区等设施诱导部分旅游流，景区、景点应实时掌握通道旅游流拥堵状况，提前制定应急管理措施、完善景区疏散体系，在提升游客体验感的同时，保障游客安全。
（3）交通管理部门应加强旅游运输通道的规划建设和管理，提升旅游运输通道的服务水平，为沿线旅游城市、景区之间的合作提供设施基础。
4.3 研究展望
本文尝试用公路交通流大数据揭示节假日自驾和团队旅游流的时空分布特征，但本文仅选择了旅游流较多的4条公路旅游运输通道进行时空二元视角分析，未将利用其他交通方式的旅游群体考虑在内，今后研究会对更多的旅游运输通道与交通方式进行分析。此外，本文建立的公路交通流大数据
分析方法除了能够在分析旅游流时空特征上发挥实质性作用，还可用于节假日旅游流预测。
Spatial and Temporal Differentiation Characteristics of Holiday Tourism Flow
based on Highway Traffic Flow Big Data： A Case Study of 7
Holidays in 2017 in Yunnan Province
JI Xiaofeng1，2， GE Yicheng1，2， CHEN Fang2
（1.School of Traffic Engineering， Kunming University of Science and Technology， Kunming 650504， China; 2.Yunnan Integrated Transportation Development and Regional Logistics Management Think Tank， Kunming 650504， China）
Abstract： Highway traffic flow data is one type of big data. Compared to GPS data， the tourism flowdata extracted from highway traffic flow can vividly reflect the essence of tourism flow- "mobility"characteristics， and can identify the spatial behavior patterns of self-driving tourism and group tourismflow. Yunnan province as an example， a typical case study area of highway tourism flow in China， andbased on the trafficc flow data analysis platform of Yunnan province， this paper further selects four typicaltourist transport corridors in Yunnan province， namely Kunming-Dali-Lijiang-Shangri-Ia， Kunming-Xishuangbanna， Kunming- Shilin- Mile- Luxi， Kunming- Jianshui- Yuanyang， as specific cases， andtakes Kunming-Dali- Lijiang as a case study. Shangri- La and Kunming- Xishuangbanna tourist transport
corridors are defined as long-distance tourist transport corridors， and Kunming-Shilin-Mile-Luxi andKunming- Jianshui- Yuanyang tourist transport corridors are defrned as short- term tourist transportcorridors. The road traffic flow data of self-driving and group travel during the holidays in 2017 wereextracted， and the spatial and temporal characteristics of self- driving and group travel during theholidays were obtained from the perspective of space-time duality.
The results show that： （1） During the seven holidays， the concentration index of tourism flow inKunming- Dali- Lijiang- Shangri- La and Kunming- Xishuangbanna long- distance transport corridorsis 47.38 and 46.52 respectively， while that in Kunming- Jianshui- Yuanyang and Kunming- Shilin-Mile-Luxi short-distance transport corridors is 42.41 and 38.53 respectively， which are all higher thanthat in the case of complete equilibrium distribution. The results show that the four tourist transportcorridors have significant agglomeration characteristics in seven holidays， and the time concentration ofthe long- term tourist transport corridors is higher than that of the short- term ones， and the timeconcentration of the self-driving tourist flow is higher than that of the team tourist flow. （2） Kunming-Dali- Lijiang- Shangri- La Passage has the largest holiday tourist flow scale. and Kunming-Xishuangbanna tourist transport channel has a significant impact on the holiday duration. （3） Theholiday tourism flow of the four tourist transport corridors presents the spatial distributioncharacteristics of "scattered points， miniaturization and small agglomeration". Among them， theagglomeration characteristics to cities， important traffic nodes and tourist resource-enriched corridorsare particularly significant; the Gini coefficient of the self- driving tourism flow of Kunming- Dali-Lijiang- Shangri- La corridor is as high as 0.86， with the highest spatial concentration. Compared withself-driving tour， the use curve of team tour space shows a multi-peak pattern， and the adjacent peaksshow a significant decreasing trend.
The results show that the spatial and temporal characteristics of holiday tourism flow in YunnanProvince are significant， and the self- driving tourism flow shows a high concentration in timedistribution， which may lead to holiday tourism traffic congestion and tourist routes passenger flowconcentration. In addition， the spatial distribution of tourism flow of the four tourism transportcorridors shows the characteristics of agglomeration to cities， important highway nodes and tourismresource-rich areas， which shows that tourism transport corridors play an important guiding role in thedistribution of tourism flow. Therefore， this study can provide theoretical basis for regional tourismtraffic organization and emergency management of scenic spots.
Keywords： traffic flow data; tourist flows; tourist transportation corridor; holidays; spatiotemporalcharacteristics
[关键词]交通流数据;旅游流;旅游运输通道;节假日;时空特征
[中图分类号]F59
[文献标识码]A
[文章编号]1002-5006（2019）06-0037-11
Doi： 10.19765/j.cnki.1002-5006.2019.06.009
引 言
随着旅游业的发展，公众假日和旅游节庆活动等引发的短期旅游流在中国旅游业中的地位日益重要。短期旅游流受时间、空间、信息等各项条件的制约，与常规时段的旅游流相比具有不同的特征和影响。自2012年“十一”黄金周高速公路免费通行政策实施以来，假日出游比例迅速上升，在促进旅游业快速发展的同时，也暴露出由节假日旅游流带来的旅游交通拥堵，旅游安全及旅游应急管理等焦点问题。主要原因在于，节假日高强度的旅游流导致旅游交通的延误增加和服务水平的显著恶化，同时降低了旅游流的疏散效率并带来巨大的安全隐患。因此，节假日旅游流也逐渐成为旅游、交通、地理学者的关注热点。国外对节假日旅游流的研究早期源于对节假日旅游流的预测，如Chen等将支持向量回归模型、自适应遗传算法和季节性指标调整相结合，对节假日旅游流量进行了预测。针对节假日旅游流的时空分布特征，Lu等指出7个节假日旅游流的分布特征和规模可能因节假日而异，并将7个节假日与景区的促销活动时间结合，采用峰值指数和k均值聚类算法，研究了黄山风景区8条缆车线路的客流时空分布特征，发现缆车旅游客流在国庆节长假的时间集中度显著高于“五一”小长假，且在时间相同的长假中，旅游客流规模较小时的空间分布集中度高于客流规模较大时的空间分布集中度。对游客规模的研究也逐渐增多，如Park等通过构建一种改进的引力模型，发现自然资源、旅游基础设施等是影响旅游流规模的主要因素。
目前国内学者关于节假日旅游流的研究，主要集中于两个研究时段：一是集中于“十一”黄金周。如李志飞和夏磊以中国29个省市2008-2012年“十一”黄金周为例，通过时间序列分析、游客密度指数、Zipf结构分析法，分析得出旅游流稳步增长，空间上呈交叉梯形格局的时空分布特征。卢松等以世界文化遗产西递、宏村为例，分析了古村落旅游客流时间分布特征，发现黄金周客流呈“井喷”式分布。张子竞等以陕西关中地区为例，通过“黄金周”客流周内波动指数、周内分布偏度指数等得出与文献一致的结论。戢晓峰等针对黄金周过饱和旅游流，提出了基于突变理论的过饱和旅游流应急疏散效率评价方法。此外，姚小云以世界遗产地武陵源为例，对黄金周的客流发展趋势与对策进行了探讨，指出未来黄金周旅游客流整体呈波动增长、自驾车旅游流将持续增长的发展特点和趋势，并从现行休闲制度、黄金周旅游管理、交通发展等方面分析了黄金周客流发展的影响因素。二是对于7个节假日的整体研究。如李伟等以武汉市为例，主要采用地理集中指数、基尼系数等指标，比较分析了7个法定节假日观光游览、探亲访友、商务会议、购物美食4种不同旅游目的的旅游流时空分异特征。戢晓峰等以云南省为例，运用游客集中度系数、洛伦兹曲线等揭示了云南省节假日旅游流的时间分布在省域和市域尺度均呈相对均衡格局，空间分布呈“多核心、边界带状”空间格局，进一步指出旅游资源禀赋是节假日旅游流空间格局形成的主要因素。综合来看，目前节假日旅游流的研究取得了一些初步成果，但仍处于起步阶段。大部分学者主要从景区景点、旅游相关部门获取面板数据，或者结合问卷调查等方法获得研究数据，研究内容大多集中于节假日旅游流的时空特征，但将大数据运用到节假日旅游流时空分布特征，从自驾游、团队游等不同类型旅游群体的视角获取旅游流空间行为模式，并揭示节假日旅游流拥堵现象的研究尚显不足。
随着旅游流的研究已进入“白热化”阶段，逐渐有学者指出，数据的获取成为旅游流研究的制约之一。当前旅游流数据的获取方法逐渐由传统的问卷调查法、深度访谈法、二手面板数据法等过渡到大数据时代下的旅游日记、数字足迹等方法，目前已有部分学者将大数据运用到旅游流的研究中来。如王录仓等利用新浪微博LBS签到数据和核密度估计分析方法，从时空维度对兰州市旅游流特征进行了研究。闫闪闪等基于类似的数据和方法，分析了洛阳市旅游流的年度时空分布特征，发现洛阳市旅游客流量在洛阳牡丹文化节、“十一”黄金周两个节日高度聚集。罗秋菊和梁思贤基于数字足迹，获取了云南省自驾车客流的时空分布特征，发现云南省自驾客流多集中于黄金周及寒暑假，整体的自驾客流网络密度较低。旅游数字足迹与传统的问卷调查等方法相比，在具有代表性、时效性、简单性等优势的同时，面临研究样本受限，旅游者类型不全，加之游客对于空间识别较弱，在游记记录时可能存在误差等问题。公路交通流数据作为大数据类型之一，建立在对不同路段流量不间断、实时、连续的监测和记录的基础之上，具有时效性和准确性，能够真实并且直观地反映流量的时空特征。但目前尚未见有文献报道将公路交通流大数据用于旅游流研究，相比GPS数据，通过公路交通流提取的旅游流数据可以将旅游流的本质——“流动性”特征生动体现出来，并可识别自驾旅游流和团队旅游流的空间行为模式。 为此，本文基于公路交通流大数据，选取当前云南省较为典型的4条旅游运输通道为案例，获取公路旅游运输通道节假日旅游流的时空分异特征，对利用公路交通流数据研究旅游流的时空特征进行有益尝试，同时为节假日旅游流管理、旅游运输通道设计提供参考。
1 研究区域与研究方法
1.1 研究区域概况
云南省地处我国西南边陲，地理环境特殊且经济欠发达。截至2017年年底，云南省拥有A级景区230处，其中，4A级及以上景区77处，昆明、大理、丽江、西双版纳4个城市拥有4A级及以上景区个数占全省景区比例接近50%。目前，云南省高铁覆盖率较低，由于交通条件的限制，尚未形成串联景区景点的旅游闭合环线，更多地体现为“单一道径”形式。云南省大部分旅游流以昆明为重要的旅游交通中转站，再到达其他旅游目的地，节假日旅游依然维持以公路为主要的旅游交通方式，云南省因此成为我国典型的公路旅游流研究案例区域。
1.2 数据来源
本文的公路交通流数据来源于云南省交通流量数据监测平台。已有实证研究表明，云南省的国
内旅游流空间上主要聚集于以昆明为中心的滇中城市群、昆明一大理一丽江一迪庆和昆明一西双版纳旅游发展轴，且旅游运输通道的服务水平是影响旅游流量的关键因素。因此，本文重点分析以昆明为起点的旅游运输通道，依据旅行社官方网站推出的云南省节假日自驾游和团队游旅行线路，选取昆明一大理一丽江一香格里拉、昆明一西双版纳两条著名的旅游运输通道，将其定义为长线旅游运输通道;以及昆明周边的昆明一石林一弥勒一泸西、昆明一建水一元阳两条相对较短的旅游运输通道，将其定义为短线旅游运输通道（图1）;此外，将昆明一西双版纳定义为直达型旅游运输通道。
本文选取2017年云南省4条旅游运输通道的主要城镇及交通节点监测的交通流量数据，共选取观测站点31个，数据采集时间分别为2017年元旦、春节、清明节、“五一”节、端午节、中秋节、国庆节7个法定节假日，共29天;所提取的数据包括各条旅游运输通道中各种旅游客运车型在1天、1小时、5分钟的流量统计数据。其中，以天为单位提取的数据共1798条，自驾车和大客车均899条;以小时为单位的数据共43 152条，自驾车和大客车均21 576条;以5分钟为单位的数据共517 824条，自驾车和大客车均258 912条。进一步利用数据分析软件对交通流数据进行分析处理，得到本文所需的基础数据。
1.3 研究方法
时间特征研究首先采取时间层次分析法，对旅游运输通道的节假日旅游流区分各个时段进行分析。其次，利用集中指数G有效衡量旅游流在时间分布上的整体集中程度;最后，采用对比分析法，分析不同节假日时段各旅游运输通道的旅游流规模比重。
集中指数G计算公式为：
式（1）中：G为旅游流在研究时段上的集中指数;x1为第i个出游时段的旅游流规模;T为案例出游时段旅游流总规模;n为案例时段总数。如果旅游流在7个节假日时间段内完全均衡分布，则
空间特征研究首先采用基尼系数度量不同旅游运输通道的节假日旅游流在空间上的分布状况;再借助ArcGIS实现旅游路线、观测站点及各节假日站点流量的可视化表达;最后，运用空间使用曲线进一步分析云南省4条旅游运输通道上旅游流的空间距离衰减特征。
基尼系数的计算公式为：
式（2）中：p1为第j个旅游运输通道的旅游流规模占所有案例旅游运输通道旅游流总规模的比重;Ⅳ为旅游运输通道数量;C为分布均衡度。Gini的值介于0和1之间，值越大表明集中程度越高，空间上分布越不均衡。
2 时间特征分析
2.1 整体一局部变化分析
旅游流在7个节假日呈现显著的时间分异，受法定节假日时长的影响，4条旅游运输通道旅游流主要集中于春节和“十一”两个黄金周，且“十一”黄金周的旅游流量远超过春节。在其余5个小长假中，旅游流较集中于“五一”和清明节，端午、元旦、中秋节次之。
（1）旅游流的日变化特征分析
选取旅游目的地城市具有直达特征的昆明一西双版纳通道，进一步分析“十一”黄金周的旅游流日变化特征。如图2所示，昆明一西双版纳通道在黄金周期间的旅游流呈平V型变化，主要由于西双版纳距离昆明约540 km，出行耗时较长，游客集中于长假第1、第2天出游，并于长假第5、第6天返程，故第4天作为长假时间中点，也是昆明一西双版纳通道的旅游流V端点。
（2）旅游流的小时变化特征分析
本文选择出行集聚特征较显著的長假第1天，进一步分析昆明一西双版纳旅游运输通道黄金周旅游流的小时特征（图3），发现长假第一天旅游流时间分布呈10时-11时、14时-15时的两大高峰及18时-19时的一小高峰结构。整个日变化过程大致可分为3个阶段：第一阶段，遵循正常的作息时间规律，流量从早晨5时开始到10时呈现一个明显的递增态势，并于10时达到流量最高峰;第二阶段，由W型和镜像J型共同组成，由于游客在不同时间点的午休，流量在10时-15时呈现一个W型变化特征，流量从最高峰变至次高峰，再从15时-18时，流量变化呈镜像J型;第三阶段，18时-24时，旅游流量呈递减态势。
（3）旅游流5分钟变化特征分析
选择小时变化速率较大且接近高峰时段的9时-10时，以5分钟为单位，进一步分析昆明一西双版纳通道旅游流的5分钟变化特征（图4）。发现9时-10时，旅游流呈“粗瓶”形状。9：00-9： 40，旅游流近似呈2/3圆状，流量变化较小，于9：45达到流量高峰，之后小幅变化但依然保持较大的旅游流量，以致出现10时-11时的小时高峰现象。小时流量的进一步变化导致日变化特征的形成，3个时间面层层嵌套，相互关联。
2.2 时间集中度
4条旅游运输通道的旅游流在7个节假日具有集聚特征。其中，昆明一石林一弥勒一泸西和昆明一建水一元阳两条短线通道的集中指数分别为38.53、42.41，昆明一大理一丽江一香格里拉和昆明一西双版纳两条通道的集中指数分别为47.38、46.52，均高于37.80，昆明一石林一弥勒通道的集中指数较为接近37.80，表明该通道旅游流在7个节假日的集中性不明显，分布相对均衡。节假日旅游流的时间集中度由高到低依次为昆明一大理一丽江一香格里拉>昆明一西双版纳>昆明一建水一元阳>昆明一石林一弥勒。整体而言，长线通道的节假日旅游流时间集中度明显高于短线通道。将各通道的数据分别按自驾游和团队游进行分析处理，如表1所示，发现4条通道的自驾旅游流在时间上的集中度均高于团队旅游流。 2.3 规模比重对比分析
为进一步分析各个节假日不同旅游运输通道旅游流的高峰情况，统计分析了不同节假日各通道的旅游流规模比重，如图5和图6所示。7个节假日中，昆明一大理一丽江一香格里拉通道的旅游流规模比重最大，呈明显的外圈层分布。在5个小长假中，昆明一西双版纳通道的自驾旅游流和团队旅游流都低于昆明一大理一丽江一香格里拉通道。“十一”和春节两个黄金周，由于能够较好地满足旅游时间需求，两条长线通道的旅游流颇为接近。而在5个小长假，
昆明一西双版纳通道的自驾旅游流与两条短线运输通道较为接近。团队旅游流则在4条通道呈现明显的圈层分布，由外及内依次为昆明一大理一丽江一香格里拉、昆明一西双版纳、昆明一石林一弥勒一泸西、昆明一建水一元阳。中秋节，昆明一西双版纳与昆明一大理一丽江一香格里拉通道的团队旅游流差值较大。
3 空间特征分析
3.1 空间分布特征图
利用ArcGIS 10.5绘制云南省主要旅游运输通道，并表征本文所选择的4条旅游运输通道的节假日旅游流空间分布特征，如图7所示，4条旅游运输通道旅游流在7个节假日呈现“一核、四轴、多散点”的空间分布特征。以昆明市为一核心的旅游流高度聚集，并沿着各条呈放射状的旅游运输通道呈现“多散点、小型化、小聚集”的空间分布特征。以上旅游流的集聚空间分布特征表明，4条旅游运输通道的旅游流空间分布呈现出向城镇、重要高速公路节点、旅游资源富集区域的集聚特征。
（1）依附城镇集聚特征明显
节假日旅游流呈现向旅游运输通道附近的城镇及周边集聚的特征。主要聚集于昆明周边的安宁、宜良、石林、大理市周边的下关、凤仪、上关及昆明一西双版纳通道的玉溪、墨江。这些城镇作为旅游运输通道上重要的节点、中转站，也同样是旅游目的地。游客在旅游运输通道上依附这些城镇提供的住宿、餐饮、旅游交通、休憩、娱乐等旅游服务功能，间接或直接完成整个旅游活动，这些城镇因此成为旅游流的主要聚集区。
（2）旅游运输通道重要交通节点的集聚特征显著
旅游流在7个节假日均倾向于向主要高速路段、节点及其周边聚集。主要集中分布于安楚高速、楚大高速、大丽高速、玉元高速、昆磨高速等高速公路段，尤其在安楚恐龙谷、钱粮桥、楚大下庄、楚大凤仪、丽江关坡、研和等重要交通节点的集聚较为明显。公路运输是云南省主要的旅游交通方式，尤其是近年来云南省高速公路的不断延伸，“尺缩钟慢”效应不断显著，使得云南省节假日旅游流依托高速公路在旅游运输通道上的集聚特征越发明显。
（3）旅游资源富集型通道的集聚特征显著
节假日旅游流与旅游资源丰富度较高的旅游运输通道吻合度较高。旅游流大多聚集于昆明一大理一
丽江一香格里拉通道上的大理南诏风情岛、鸡足山、大理古城、洱海公园、玉龙雪山、拉市海风景区、丽江古城、梅里雪山、普达措国家公园等4A级或5A级景区，其次聚集于昆明一西双版纳的傣族园、原始森林公园、野象谷景区等景区。昆明一石林一弥勒一泸西通道主要以石林5A级风景名胜区、泸西阿庐古洞4A级景区等对节假日旅游流具有较大吸引力，昆明一建水一元阳则主要以建水燕子洞、元阳哈尼梯田等景区引领节假日旅游流规模。4条旅游运输通道的旅游资源丰富度从高到低依次为：昆明一大理一丽江一香格里拉、昆明一西双版纳、昆明一石林一弥勒一泸西、昆明一建水一元阳，与图7中旅游流在4条通道的空间分布一致;昆明一大理一丽江一香格里拉、昆明一西双版纳的旅游流集聚特征较为显著，相比之下，昆明一石林一弥勒一泸西、昆明一建水一元阳的集聚特征稍弱。
3.2 空间集中度
节假日旅游流在4条旅游运输通道的空间集中度较高，均衡度较低。4条通道整体基尼系数为0.88，进一步分别计算4条通道自驾和团队旅游流的空间基尼系数和均衡度，如表2所示。显然，可知自驾旅游流在昆明一石林一弥勒一泸西通道的基尼系数仅为0.67，旅游流空间分布相对均衡;昆明一大理一丽江—香格里拉通道的基尼系数高达0.86，旅游
流空间分布较为集中，其余两条通道居中，表现出旅游流在通道的集中分布特征。
3.3 空间使用曲线
目前，较多学者采用空间使用曲线描述旅游流随旅行距离增加而逐渐衰减的现象，较为常見的旅游流空间使用曲线有基本型曲线、U型曲线、Maxwell-Boltzman型曲线3种类型。旅游流空间使用曲线会随着旅游地等级、旅游地所处的区位及旅游地空间结构的差异而不同。近年来，由于“十一”长假安排、高速公路收费优惠政策以及旅游者对在短时间内能够游览多个旅游目的地的需求，大多旅游者倾向于优先选择沿线旅游资源丰富、且不间断分布的旅游运输通道，而昆明一大理一丽江一香格里拉通道正好能够满足这样的要求。因此，本文以昆明一大理一丽江一香格里拉通道为例，分析“十一”黄金周自驾游和团队游的旅游流空间距离衰减特征。利用“百度电子地图测距工具”计算自驾游和团队游客从昆明市中心出发到各个旅游目的地附近途经站点的公路距离，绘制出自驾游和团队游空间使用曲线（图8），两曲线均较多由U型和倒U型曲线共同组合而成。
由图8可知，自驾游曲线在距离昆明大约15 km处出现了第一次高峰，也是最高峰。此处位于昆明市西山区城郊结合处，作为昆明西向交通的重要节点，因周边多个生态游乐园和生态公园的较强吸引力，使得自驾旅游流量快速增加。在远离昆明进入楚雄后，自驾旅游流呈明显衰减之势，出现第一次波谷。而后，自驾旅游流伴随沿途禄丰恐龙谷、彝人古镇等景点的吸引力呈上升趋势，但增长趋势不明显。在250-320 km范围内出现第二次波峰，这主要因为此范围位于大理州，而大理州旅游资源禀赋较高，A级以上景区规模仅次于昆明市。第三次波峰位于距离昆明市500 km附近，该处临近丽江市古城区，是云南省自驾游线路的核心节点，丽江古城、束河古镇、拉市海、玉龙雪山等高知名度景点的集中分布使其自驾旅游流集聚上升，但与旅游资源禀赋相当的大理州相比，由于交通相对便捷的昆明一大理一腾冲一瑞丽等通道对旅游流部分分流，进而对丽江旅游流形成冲击，致使其旅游流曲线峰值较大理有所下降。第四次峰值出现于昆明一大理一丽江一香格里拉通道的终点旅游目的地，旅游流进一步下降。 与自驾游相比，团队游的旅游目的地更为明确，路线更为规律，因而其所呈现的空间使用曲线波动较为规律;随着旅行距离的增加，各个波峰呈明显的递减趋势，但相邻波峰间的差距相对缩小。总体上看，自驾和团队旅游流多集聚于以昆明周边景点及以大理、丽江、香格里拉3个旅游城市為核心的范围。
4 结论与讨论
4.1 结论
本文选取云南省旅游流较为集中的4条旅游运
输通道为案例，提取2017年节假日自驾游和团队游的公路交通流量数据，从时空二元视角对比分析了自驾游和团队游的旅游流时空分异特征，得出以下结论：
（1）7个节假日中，4条旅游运输通道的国庆节旅游流占比最大，聚集特征更加显著。对昆明一西双版纳通道“十一”黄金周的旅游流进行时间层次分析，发现“十一”黄金周旅游流的变化通常由短时集聚变化引起，逐渐累加形成小时旅游流高峰，进而呈现旅游流拥堵状态。
（2）从时间集中度看，一方面，节假日长线旅游运输通道旅游流的时间集中度均高于短线旅游运输通道。主要由于短线通道在7个节假日都成为游客选择景点的必经通道，而长线直达式通道的旅游流则主要集中于两个黄金周。特别在“五一”等小长假，游客倾向于选择短线通道。另一方面，4条旅游运输通道自驾旅游流的时间集中度较高，且均高于团队旅游流，由于自驾车旅游流规模较大，该现象也是引起节假日旅游流拥堵的主要原因之一。
（3）昆明一大理一丽江一香格里拉通道的节假日旅游流规模位居首位。对于两条长线通道而言，昆明一大理一丽江一香格里拉通道主要由于沿线旅游资源成“点一轴”式不间断分布，与旅游资源呈“端点”式分布的昆明一西双版纳通道相比略显优势。在中秋节，由于“十一”黄金周的“虹吸效应”，昆明一西双版纳通道团队的旅游流规模比重较端午节明显下降，说明直达型的长线通道旅游流受假日时间安排的影响较大，该现象目前尚未引起管理部门及旅游企业的足够重视。5个小长假，昆明一石林一弥勒一泸西、昆明一建水一元阳两条短线通道的自驾旅游流与昆明一西双版纳通道基本一致，主要由于自驾游客倾向于选择与昆明距离较近的通道。
（4）4条通道的旅游流在7个节假日呈现“一核、四轴、多散点”的空间分布特征，且呈现向城镇、重要高速公路节点、旅游资源富集区域的集聚特征，空间集中度较高，均衡度较低。其中，在昆明一大理一丽江一香格里拉通道的基尼系数高达0.86，空间集中度达到最高，在昆明一石林一弥勒一泸西通道的基尼系数为0.67，旅游流空间分布相对均衡。这主要由于昆明一大理一丽江一香格里拉通道的距离较长，旅游流主要聚集于沿线城市的各个景点，也进一步反映了旅游流高度聚集的昆明一大理一丽江一香格里拉通道应成为节假日旅游流管理的重点关注对象;昆明一石林一弥勒一泸西通道距离较短，沿线旅游资源禀赋较高且分布较为均衡，游客可在短时内游览多个景点。
（5）公路交通流大数据可直观揭示旅游流随旅行距离增加而逐渐衰减的现象。“十一”黄金周，昆明一大理一丽江一香格里拉通道的自驾游空间使用曲线的距离衰减规律不明显，团队游空间使用曲线的衰减较为规律，呈现多峰模式，且各个相邻波峰分别在楚雄、大理、丽江、香格里拉等节点呈递减态势，终点香格里拉的旅游流占比在3%以下。这主要是由于昆明一大理一丽江一香格里拉通道的路程较长，且在沿线的大理、丽江两个旅游城市已吸引了大部分的旅游流，致使最终到达香格里拉的旅游流进一步减少。
4.2 管理启示
本研究可为区域旅游交通组织、景区应急管理提供理论依据。研究结果表明，云南省节假日旅游流在4条通道上的时空分异特征显著，自驾旅游流在时间分布上呈现较高的集中度，由此可能导致节假日旅游交通拥堵、旅游路线客流集聚。同时，研究结果还表明，4条通道的旅游流空间分布呈现出向城镇、重要高速公路节点、旅游资源富集区域的集聚特征，这说明旅游运输通道对旅游流的集散具有重要引导作用。因此，本文提出以下几点管理启示与建议：
（1）交通管理部门应当充分掌握并预测节假日游客的出行规律，以此为基础编制旅游交通应急疏散预案，并提前发布旅游客流预警信息和诱导信息。
（2）交通与旅游部门应实现信息共享。通过在旅游运输通道沿线建设旅游服务区等设施诱导部分旅游流，景区、景点应实时掌握通道旅游流拥堵状况，提前制定应急管理措施、完善景区疏散体系，在提升游客体验感的同时，保障游客安全。
（3）交通管理部门应加强旅游运输通道的规划建设和管理，提升旅游运输通道的服务水平，为沿线旅游城市、景区之间的合作提供设施基础。
4.3 研究展望
本文尝试用公路交通流大数据揭示节假日自驾和团队旅游流的时空分布特征，但本文仅选择了旅游流较多的4条公路旅游运输通道进行时空二元视角分析，未将利用其他交通方式的旅游群体考虑在内，今后研究会对更多的旅游运输通道与交通方式进行分析。此外，本文建立的公路交通流大数据
分析方法除了能够在分析旅游流时空特征上发挥实质性作用，还可用于节假日旅游流预测。
Spatial and Temporal Differentiation Characteristics of Holiday Tourism Flow
based on Highway Traffic Flow Big Data： A Case Study of 7
Holidays in 2017 in Yunnan Province
JI Xiaofeng1，2， GE Yicheng1，2， CHEN Fang2
（1.School of Traffic Engineering， Kunming University of Science and Technology， Kunming 650504， China; 2.Yunnan Integrated Transportation Development and Regional Logistics Management Think Tank， Kunming 650504， China）
Abstract： Highway traffic flow data is one type of big data. Compared to GPS data， the tourism flowdata extracted from highway traffic flow can vividly reflect the essence of tourism flow- "mobility"characteristics， and can identify the spatial behavior patterns of self-driving tourism and group tourismflow. Yunnan province as an example， a typical case study area of highway tourism flow in China， andbased on the trafficc flow data analysis platform of Yunnan province， this paper further selects four typicaltourist transport corridors in Yunnan province， namely Kunming-Dali-Lijiang-Shangri-Ia， Kunming-Xishuangbanna， Kunming- Shilin- Mile- Luxi， Kunming- Jianshui- Yuanyang， as specific cases， andtakes Kunming-Dali- Lijiang as a case study. Shangri- La and Kunming- Xishuangbanna tourist transport
corridors are defined as long-distance tourist transport corridors， and Kunming-Shilin-Mile-Luxi andKunming- Jianshui- Yuanyang tourist transport corridors are defrned as short- term tourist transportcorridors. The road traffic flow data of self-driving and group travel during the holidays in 2017 wereextracted， and the spatial and temporal characteristics of self- driving and group travel during theholidays were obtained from the perspective of space-time duality.
The results show that： （1） During the seven holidays， the concentration index of tourism flow inKunming- Dali- Lijiang- Shangri- La and Kunming- Xishuangbanna long- distance transport corridorsis 47.38 and 46.52 respectively， while that in Kunming- Jianshui- Yuanyang and Kunming- Shilin-Mile-Luxi short-distance transport corridors is 42.41 and 38.53 respectively， which are all higher thanthat in the case of complete equilibrium distribution. The results show that the four tourist transportcorridors have significant agglomeration characteristics in seven holidays， and the time concentration ofthe long- term tourist transport corridors is higher than that of the short- term ones， and the timeconcentration of the self-driving tourist flow is higher than that of the team tourist flow. （2） Kunming-Dali- Lijiang- Shangri- La Passage has the largest holiday tourist flow scale. and Kunming-Xishuangbanna tourist transport channel has a significant impact on the holiday duration. （3） Theholiday tourism flow of the four tourist transport corridors presents the spatial distributioncharacteristics of "scattered points， miniaturization and small agglomeration". Among them， theagglomeration characteristics to cities， important traffic nodes and tourist resource-enriched corridorsare particularly significant; the Gini coefficient of the self- driving tourism flow of Kunming- Dali-Lijiang- Shangri- La corridor is as high as 0.86， with the highest spatial concentration. Compared withself-driving tour， the use curve of team tour space shows a multi-peak pattern， and the adjacent peaksshow a significant decreasing trend.
The results show that the spatial and temporal characteristics of holiday tourism flow in YunnanProvince are significant， and the self- driving tourism flow shows a high concentration in timedistribution， which may lead to holiday tourism traffic congestion and tourist routes passenger flowconcentration. In addition， the spatial distribution of tourism flow of the four tourism transportcorridors shows the characteristics of agglomeration to cities， important highway nodes and tourismresource-rich areas， which shows that tourism transport corridors play an important guiding role in thedistribution of tourism flow. Therefore， this study can provide theoretical basis for regional tourismtraffic organization and emergency management of scenic spots.
Keywords： traffic flow data; tourist flows; tourist transportation corridor; holidays; spatiotemporalcharacteristics