基于网络的旅游流动关联规则：解析中国长三角地区城市间及城市内的互动机制及其驱动因素 作者：黄玉琳（Yulin Huang）和金云峰（Yunfeng Jin）

《Systems》：Network-Based Association Rules of Tourist Flows: Decoding Inter- and Intra-Town Interactions and Drivers in the Yangtze River Delta, China Yulin Huang and Yunfeng Jin

　　摘要 尽管游客在旅游流量网络中的多景点游览行为看起来是随机的，但实际上它遵循着潜在的关联规则。这些规则可能由于行政障碍的影响而表现出地域差异。揭示通过游客行为连接的景点关联规则可以为区域旅游规划和资源分配提供理论支持。本研究提出了一个新颖的分析框架，以揭示游客在城镇之间和城镇内部看似随机行为中的隐藏模式和驱动因素，并以长江三角洲绿色和综合生态发展示范区试点区的实证证据作为支持。研究结果表明，该地区的旅游流量网络呈现出明显的层次结构。具有较高中心性的节点主要是高知名度的风景名胜区，它们在网络中同时扮演着“核心”和“枢纽”的双重角色。大多数统计上显著的关联规则出现在城镇内部。相比之下，城镇之间的规则（仅限于上海青浦区的城镇之间）只占了一小部分，其中高水平的旅游景点经常作为增强跨区域游览概率的关键节点。游客流量关联规则强度的决定因素在城镇内部和城镇之间表现出共性和差异性。

1. 引言
旅游流量作为旅游系统的连接纽带，是评估一个地区整体旅游发展水平的重要指标[1]。它指的是游客从起点到目的地以及在一个地区内不同目的地之间的集体空间移动，这种移动是由旅游需求的相似性驱动的[2]。这种流量有效地反映了游客的时空行为模式。游客在城市目的地的空间行为可能涉及多景点的旅行[3]，表现出动态的相互关联和空间重叠特征，共同形成了一个复杂且不断演变的网络系统。揭示支配游客移动网络中表面上随机空间行为的潜在秩序可以为重新配置目的地管理中的资源分配策略提供新的视角。更关键的是，这种对行为规律的认识克服了单一目的地分析的局限性，通过扩展研究视角来涵盖跨景点的游览模式和跨区域的多目的地旅行行为，为区域旅游协同规划提供了科学依据。尽管对游客空间行为的兴趣日益增长[4,5]，但现有研究对由实际游客流动性塑造的相互连接的游览模式关注有限，尤其是在跨越行政边界的情况下。特别是，很少有研究系统地考察行政边界如何影响游客多景点游览行为的机制，尤其是关于共同游览联系的强度及其在空间尺度上的变化。这一限制不仅限制了我们对区域旅游系统作为整合空间而非孤立目的地的理解，也降低了现有发现对城镇级和城镇间旅游规划的实际价值，而这些规划越来越依赖于跨地方游客流动连接的细致证据。大数据的最新进展，特别是基于位置的服务（LBS）数据[6]，创造了新的机会，能够以更高的空间精度和更完整的行为记录来捕捉游客的移动。这些数据不仅能够检测到景点之间的游客流动网络，还能更细致地研究塑造多景点共同游览模式的潜在机制。然而，这些数据的潜力尚未得到充分利用，以阐明行政边界如何影响游客共同游览联系的强度和空间变化。

作为中国主要的旅游“金三角”，中国政府正积极促进长江三角洲地区的综合旅游发展，旨在建立一个可复制的区域旅游发展协同创新模式。然而，目前对于跨区域旅游流量的结构、模式和驱动因素的理解仍然有限。为了弥补这一研究空白，本研究提出了一个新颖的分析框架，以揭示游客随机行为中的隐藏模式和驱动因素。选择长江三角洲绿色和综合生态发展示范区（YDPZ）试点区作为案例研究。本研究旨在回答以下三个问题：（1）基于旅游流量的游客空间行为网络的结构特征是什么？（2）在不同空间尺度上，表征游客随机游览模式的关联规则是什么？（3）哪些因素影响不同空间尺度上游客多景点游览关联的强度？本研究的目标是解码基于网络的旅游流量关联规则，并识别城镇间和城镇内部相互作用的关键驱动因素，从而为YDPZ的综合旅游规划提供基于实证且具有操作性的建议。

2. 文献综述
关于游客空间行为的现有研究主要沿着两条线索发展：一是识别游客的移动模式，二是探索塑造这些行为的因素。为了提供更清晰和系统的概述，表1总结了代表性以往的研究，包括它们的研究重点、空间尺度、主要发现以及与本文研究目标的差异。表1. 以往研究的总结。早期研究主要考察了空间移动模式[8]、旅行路线轨迹[11]、空间行为变化[12,15]和行为意图[16]。在这一领域使用的数据来源中，在线旅行日记为多景点游览行为提供了早期的见解[9]。然而，它们的空间分析仍然局限于市政行政边界，无法捕捉跨区域旅游流量的行为模式，而且这些数据本身存在地理覆盖不均匀和真实性未经验证的问题。一些研究将分析范围扩展到了更广泛的空间尺度。例如，一项研究[14]通过采用元耦合框架来考察中国省级5A级旅游景点之间的文化生态系统服务流动，发现长途游客倾向于偏好本土文化体验。尽管这些研究提供了宝贵的跨区域见解，但其旅游流量数据的粗略空间分辨率限制了它们在较小跨境区域进行细致旅游规划时的实用性。

大数据技术的快速发展显著提高了研究人员捕捉游客流动性模式的能力[15]。常用的数据来源包括社交媒体[17]、社交媒体签到[13]、基于位置的服务（LBS）数据[18]等。其中，LBS数据作为轨迹大数据的一个类别，是通过多种方法收集的，包括蜂窝塔三角测量、GPS定位和Wi-Fi指纹识别。这些数据可以提供相对较高的空间精度，能够更全面地捕捉游客流量，并有助于识别以前难以发现的复杂空间行为模式。现有研究还考察了游客共同游览行为背后的机制。研究表明，城市目的地中某些景点的特征会影响共同游览的模式、空间分布和概率[10]。住宿和景点的空间配置，以及目的地的交通基础设施，显著影响了游客的移动类型。这些移动模式从访问附近的景点到在整个目的地范围内的广泛无限制移动不等[7]。共同出现的空间分布遵循距离衰减模式，即同时访问多个景点的概率与它们之间的距离呈负相关[3]。此外，景点的个体和关系特征（人气、评分、类别、距离）也会影响共同出现的概率。景点游览概率与人气和评分呈正相关。值得注意的是，游客倾向于同时访问标志性地标和不太知名的景点[10]。然而，以往的研究尚未全面调查行政边界如何影响游客多景点游览行为的机制。特别是，对于影响游览关联规则强度的因素及其在空间尺度上的变化关注有限。本研究通过考察城镇间和城镇内部空间尺度上的游客共同游览模式及其驱动因素来回应这一空白。

3. 研究方法
3.1. 研究区域
长江三角洲绿色和综合生态发展示范区（YDPZ）试点区位于中国上海、江苏和浙江三省的交界处。它包括五个城镇：金泽和朱家桥（上海青浦区）；西塘和姚庄（浙江嘉善县）；以及李李（江苏吴江区），总面积为660平方公里（图1）。这些城镇受益于江南水乡的特色风景、丰富的植被资源、发达的经济和悠久的文化遗产，不仅是长江三角洲区域协调发展的重要测试地，也是受欢迎的旅游目的地。自20世纪80年代以来，长江三角洲的旅游整合政策不断增加，促进了更紧密的区域合作，使旅游成为该地区高质量经济增长的关键驱动力。2023年春节假期期间，长江三角洲的旅游收入超过了778亿元人民币，占中国国内旅游收入的20%以上[19]。YDPZ的旅游业在当地经济中发挥着关键作用，因此被选为研究旅游流量关联规则和驱动因素的代表性案例。所采用的方法可以扩展到分析任何具有类似数据可用性的其他区域旅游规划。

图1. 研究区域。(a) YDPZ在中国地理位置；(b) YDPZ在长江三角洲的位置；(c) YDPZ在长江三角洲绿色和综合生态发展示范区中的位置；(d) YDPZ的旅游景点空间分布。

3.2. 数据
本研究使用了由中国一家网络技术公司提供的智能手机LBS数据。数据集包含了在2024年11月18日（星期一）至11月24日（星期日）一周内访问YDPZ的游客的足迹。数据集包括活动开始时间、结束时间和位置，并排除了以下人群以避免干扰：（1）当地居民和景区工作人员；（2）停留时间少于10分钟的行人[20]。所有数据集均进行了匿名处理，以确保个人隐私得到完整保护。NDVI数据来自中国区域30米年度最大NDVI数据集[21]，水体数据则来自OpenStreetMap（OSM）。额外的地理空间数据集（包括道路网络、兴趣点（POI）和兴趣区域（AOI）是从AMap开放平台（https://lbs.amap.com/）获取的（访问日期为2024年3月1日）。收集了整个研究区域的POI数据，并筛选出与旅游活动和目的地服务相关的记录。根据AMap的原始分类系统，选择了七类与此研究相关的POI进行分析：交通、文化遗址、景观、体育设施、餐饮设施和公共服务。在预处理过程中去除了重复和无效的记录。AOI数据支持了100个旅游景点的空间划分，其官方列表和边界参考了文化和旅游管理部门以及镇级政府的官方网站。AMap中的AOI边界与官方网站信息进行了交叉核对，以提高景点划分的准确性。这些景点包括城市公园、历史景点、乡村田园风光地、休闲度假村、宗教场所和自然风光。

3.3. 方法
本研究的工作流程如图2所示，主要包含三个组成部分：
(1) 基于位置的服务（LBS）数据和风景数据被整合起来，以分析旅游流量模式并评估旅游流量网络的结构特征。
(2) 使用Apriori算法挖掘城镇内部和城镇之间的旅游流量关联规则。
(3) 采用多元线性回归模型来识别影响城镇间和城镇内部旅游流量关联规则强度的关键决定因素。具体来说，度中心性反映了节点的直接连接数量，接近中心性表示一个节点与其他所有节点的接近程度，而介数中心性则衡量了一个节点在其他节点之间作为桥梁的作用程度[9]。3.3.2. 联合规则挖掘联合规则挖掘是一种无监督学习技术，用于发现大型数据库中变量之间的关系[25,26]。它被广泛应用于旅游研究中，例如在挖掘游客参观模式[27]、检查旅行路线建议[28]以及进行旅游市场分析[29]。本研究使用联合规则挖掘来探索不同景点之间的游客流动内在关系。Apriori算法被用来实现联合规则挖掘。Apriori是一种经典的算法，通过基于反单调性原理的候选项生成来识别频繁项集，即如果一个项集不频繁，那么它的任何超集也不可能频繁。它首先识别满足最小支持度要求的项集，然后从这些频繁项集中导出联合规则[30]。联合规则的形式是A ? B，其中项集A和B分别被称为前件和后件。通常使用三个指标来量化和比较联合规则：支持度、置信度和提升度[31]。支持度衡量的是项集在所有旅游数据交易中的共现频率。置信度是给定前件A的后件B的概率的度量。提升度衡量的是规则的力量，表示在条件A下B发生的概率是否超过了B的独立概率。提升度大于1表示A和B之间存在正相关；小于1则表明它们之间没有显著关联；而等于1则意味着它们的出现是统计独立的。这些指标的计算在公式（2）中给出： ?{ { { { {?{ { { {??????????????????????(?????)=???(??∪??)????????????????????????(?????)=???(??|??)=???(??∪??)???(??)????????????(?????)=?????????????????????(?????)???(??)=???(??∪??)???(??)????(??) (2) 在这个公式中，P(A)代表包含项集A的旅游景点选择的百分比。3.3.3. 对游客流动关联性规则决定因素的回归分析（1）影响因素基于以往的研究并探索可能影响游客流动关联性规则强度的变量，本研究选择了五个类别的独立变量：旅游景点属性差异、空间邻近性、交通可达性、内部设施特点以及周围环境（表2）。表2. 影响因素的选择。（2）多元线性回归多元回归是一种分析因变量与多个预测变量之间关系的统计技术[32]。多元线性回归（MLR）是简单线性回归的扩展，假设因变量与预测变量之间存在线性关系。MLR模型的一般形式在公式（3）中给出。本研究使用MLR模型来识别影响城乡之间及城内空间尺度上游客流动关联性规则强度的关键决定因素。MLR模型以11个预测变量（列在表2中）作为自变量，关联性规则度量提升度作为因变量[33]。为了确保回归结果的统计稳健性，使用方差膨胀因子（VIF）来评估多重共线性。所有独立变量的VIF值都低于10，表明多重共线性没有显著扭曲系数估计[34]。 ^??=??0+∑????=1????????? (3) 在这个公式中，?是模型输出变量，Xjs是独立模型输入变量，ajas是偏回归系数。4. 结果 4.1. 旅游流动网络的结构特征 4.1.1. 整体网络特征更高的网络密度对应于景点之间的更强连接[35]。根据核心-边缘指标的定量结果，整个网络的平均密度为0.082。不同节点类别之间的连接密度呈现出逐渐递减的趋势：核心-核心（0.791）、核心-边缘（0.252）和边缘-边缘（0.031）。这表明旅游流动网络具有显著的层次结构特征；其中，核心节点（14个节点）之间的连接最为紧密，而边缘节点（86个节点）之间的连接较弱，核心节点与边缘节点之间的链接需要进一步改进（图3a）。从核心-边缘节点的空间分布来看，金泽镇的核心节点比例最高，其次是莉莉镇、朱家角镇和西塘镇，而姚庄镇没有核心节点（图3b）。这显示了省级行政区划之间的核心节点分布不平衡：上海管辖的城镇（金泽、朱家角）和江苏管辖的城镇（莉莉）显示出更高的密度，而浙江管辖的城镇（西塘、姚庄）则分布稀疏。图3. 旅游流动网络的整体结构分析。(a) 核心-边缘节点的空间分布和 (b) 五个城镇的核心节点和边缘节点的比例。4.1.2. 单个网络特征为了探索旅游流动网络中游客在各个景点之间的互动模式，我们计算了四个中心性指标：入度中心性、出度中心性、接近中心性和介数中心性。结果呈现在表3中。各景点的入度中心性和出度中心性的分布差异很大，平均值分别为0.108。共有31%的景点其入度中心性和出度中心性高于平均水平，包括西塘古城、青溪乡村公园、朱家角古城、莉莉古城、东方乐园、大观园等地，表明高等级的旅游景点、郊区公园、受欢迎的历史景点和综合公园在旅游流动的空间模式中具有强烈的聚集和扩散效应。表3. 旅游流动网络中主要景点的节点中心性指标。接近中心性反映了网络中其他行动者在较短路径长度内能够到达的节点[36]。如表3所示，西塘古城、太阳岛度假村、圆荡湖、莉莉古城和浙江桃花岛的接近中心性较高，在网络中具有优化的位置和结构优势。旅游流动网络的平均介数中心性为0.030。共有22%的景点介数中心性高于平均水平，占总网络介数中心性值的84.44%，表明景点之间存在显著的两极分化。西塘古城、太阳岛度假村、姚庄市民广场、浙江桃花岛和莉莉古城的介数中心性远高于平均水平，这意味着高等级的旅游景点、休闲度假村、受欢迎的历史景点在网络中扮演着重要的“桥梁”角色。4.2. 旅游流动之间的关联规则使用Apriori算法来探索城市郊区休闲空间中的共同访问模式关联规则。经过多次实验以确定最佳参数组合后，共获得了56条关联规则记录，其中41条在统计上显著（图4）。从空间分布角度来看，大多数显著的关联规则（80.49%）发生在单个镇区内，而19.51%的有意义关联规则跨越了镇级行政边界（全部发生在上海市青浦区的金泽镇和朱家角镇之间）。总体而言，它们仍然遵循地理距离的原则（图5）。图4. 关联规则分析结果。图5. 关联规则分析的空间分布。4.2.1. 城内尺度图4显示，当关联规则的前件是琉璃博物馆、莉莉古城、上海张马风景区、太阳岛度假村或包国寺时，支持度最高，表明历史景点和休闲度假村是镇级旅游流动中最受欢迎的类别。当关联规则的后件是莉莉古城、朱家角古城和西塘古城时，该规则的支持度、置信度和提升度都相对较高，表明它们与前件具有很强的吸引力，并且有形成强关联的潜力。在这些关联中，与莉莉古城和西塘古城有强关联的地点主要是相邻的历史景点和中小型（社区公园和口袋公园）。对于朱家角古城，除了包国寺外，与其强关联的景点也主要是附近的类型，包括历史遗址、口袋公园、度假区休闲场所和娱乐场所（图5）。4.2.2. 城际尺度如图5所示，城际旅游流动的关联规则集中在金泽古城和朱家角古城，这两个城镇都位于上海市境内。对跨区域关联规则的分析显示，历史景点、综合公园和具有田园景观和生态风光的郊区公园通常是游客选择进行跨区域访问的景点类型（图4），高等级的旅游景点通常作为增强跨区域访问概率的关键节点（87.5%的关联规则涉及4A级景点）。例如，如果在大观园和东方乐园之间添加朱家角古城（4A级），关联规则的置信度和提升度将进一步提高。4.3. 影响旅游流动关联规则的因素使用向后消除方法，从相关变量构建了一个多元线性回归模型，目的是识别影响城内和城际空间尺度上旅游流动模式关联规则的关键驱动因素。4.3.1. 城内尺度旅游流动的影响因素表4显示，面积差异（p < 0.05）和水域面积差异（p < 0.01）与提升度值有显著的正面关联。NDVI差异和道路网络密度与提升度值呈负相关（p < 0.05）。其中，道路网络密度的负面影响最大（β = ?0.479），而水域面积差异的正面影响最大（β = 0.445）。这表明在城内旅游流动中，道路网络密度较低的地区游客同时访问多个目的地的概率更高。这种现象的发生是因为较低的道路网络密度增强了景点之间的连通性，加强了游客对共同位置景点的感知，从而增加了他们访问集群景点的意愿。景点之间水覆盖率的较大差异显著增强了游客的共访行为。这一发现证实了水域景观是多目的地访问模式的关键决定因素。表4. 多元线性回归结果。4.3.2. 城际尺度旅游流动的影响因素本研究的实证结果表明，在所考察的影响因素中（表4），景区差异（β = 0.891, p < 0.001）对关联规则强度的正向影响最显著，表明游客在跨区域多景点访问时倾向于选择面积尺度有显著差异的景点组合。此外，水域面积差异（β = 0.450）、景点间交通设施密度（β = 0.818）和内部娱乐设施密度差异（β = 0.758）在1%的统计水平上也显著，并表现出正向方向效应。这些结果表明，在城际旅游流动中，水域覆盖率的较大差异、较高的景点间交通设施密度和较大的娱乐设施密度差异显著增强了游客之间的共访行为。此外，地理距离、NDVI差异和沿途的商业设施密度对提升度值有显著的负面影响，表明较短的景点间距离、较小的NDVI差异和较低的沿途商业设施密度与较强的跨目的地共访模式相关。4.3.3. 城内和城际旅游流动影响因素的比较图6表明，旅游流动关联规则强度的影响因素在不同空间尺度（城乡之间和镇内）上既有共性也有差异。具体来说，影响镇内关联规则强度的最显著因素是水域面积差异，其次是道路网络密度。相比之下，影响镇界关联规则强度的主要因素是面积差异，其次是景点间交通设施密度。这些发现表明，游客在关联多个景点访问时最关心的因素是旅游景点的属性。然而，特定的驱动因素在不同的空间尺度上有所不同。在镇级层面，游客更关注景点之间的水域景观差异，突显了江南水城风光的独特魅力作为关键吸引因素。另一方面，在镇际层面，游客更关注面积差异，表明跨区域多景点访问的驱动力主要是景点之间的规模差异，这通常与所提供的服务多样性和质量有关。此外，交通可达性也是影响关联规则强度的另一个重要因素。在各个乡镇内部，旅游流动的强度主要受道路网络密度的影响；而在不同乡镇之间，则受到相互吸引力之间的交通设施密度的影响。此外，跨乡镇的关联规则强度还受到其他因素的影响，包括空间邻近性、内部设施特征以及周围环境，但这些因素对同一乡镇内部的关联规则没有显示出统计学上的显著影响。图6展示了乡镇内部和乡镇之间关键影响因素的双向分组柱状图。注意：空白单元格代表从最终模型中移除的变量。

5. 讨论
5.1. 旅游流网络的特征和跨区域关联规则
本研究揭示了研究区域（YDPZ）内的旅游流网络在乡镇层面上呈现出明显的层次结构，核心节点主要集中在上海管辖范围内的城镇。这一发现与之前关于长江三角洲地区旅游流网络结构的大规模（省级和市级）研究结果一致[37]。中国东部沿海城市的旅游流网络通常展现出以经济强市为中心的“核心-边缘”结构[38]，进一步证明了旅游吸引网络结构的普遍性。此外，本研究还通过中心性分析研究了旅游景点的位置，并识别了旅游流网络中的关键节点。当前的网络结构中，旅游景点的中心性存在显著差异。中心性较高的节点，如西塘古镇、青溪乡村公园和朱家角古镇，既是网络中的“核心”，也是“枢纽”。

关联规则挖掘分析显示，大多数统计上显著的共同 visiting 形式（80.49%）发生在单个乡镇范围内，只有少数关联跨越了不同的乡镇——主要集中在上海市青浦区的两个相邻乡镇之间。这表明区域旅游发展既受到竞争也受到合作的影响[40]，但竞争可能 currently 起着更重要的作用。一个可能的原因是不同乡镇之间的风景和旅游产品具有高度的同质性，这可能削弱了游客进行跨乡镇共同来访的意愿和实际行为。此外，高水平的旅游景点往往作为关键节点，增强了跨区域游览的可能性。这一发现为长江三角洲地区的旅游流模式提供了微观层面的洞察，为解决限制旅游要素流动的行政边界效应提供了实证证据。

5.2. 乡镇内部和跨乡镇旅游流关联规则的决定因素
本研究采用了双尺度（乡镇内部和乡镇之间）的分析框架，发现影响旅游流关联规则强度差异的因素在不同空间尺度上既存在共性也存在差异。与之前关注单个景点访问量[41]或旅游流网络[23]影响因素的研究不同，本研究考察了旅游共同 visiting 模式中关联规则强度的决定因素（图7）。在共性方面，面积差异、NDVI 差异和水域面积差异都对旅游流关联规则强度的差异产生了显著影响，这意味着游客在做出共同 visiting 选择时会对不同的景点属性有明显的偏好[42]。具体来说，景点规模的差异、植被覆盖度对比（通过 NDVI 差异衡量）和水域面积差异都对共同 visiting 概率产生了显著的正面影响。

5.3. 对区域旅游管理和发展的一些建议
长江三角洲地区拥有巨大的未开发旅游发展潜力，需要自上而下的旅游管理和服务政策来促进区域经济的协调增长。基于我们的实证发现，我们提出以下建议：
- 加强核心景点的辐射效应和聚集效应，并整合边缘景点的旅游服务资源，以提高整个目的地的吸引力。研究表明，研究区域内的旅游流网络呈现出明确的核心-边缘结构，以高级景点和受欢迎的旅游节点为主，而边缘旅游景点相对孤立[48]。因此，应优先促进这些关键节点之间的协同发展和连通性。例如，可以通过班车服务和联票制度将东方乐园等高吸引力核心景点与金泽镇的农业旅游和水上运动目的地等边缘农村节点联系起来，从而延长游客的行程并放大核心景点的溢出效应。这种方法不仅增强了核心景点的辐射效应，也提高了边缘节点的可访问性和吸引力。
- 提高风景区域之间的连通性，并通过合理的空间规划优化基础设施布局。根据我们的发现，大部分显著的旅游共同 visiting 规则发生在单个乡镇内部，而跨乡镇的强关联规则仅占很小比例，表明区域旅游活力不足。为了促进区域旅游一体化，规划工作应超越一般的连通性提升，专注于开发基于差异化旅游资源的跨乡镇互补路线。例如，鉴于水域在引导旅游流量中的重要作用，可以建立水上巴士线路，将朱家角的传统古镇观光与圆荡湖周围的生态和水滨休闲体验连接起来，并辅以主题班车服务和慢行系统，如自行车绿道和步行走廊。同时，应更有策略地沿这些跨乡镇路线分布商业设施、住宿和生活方式服务，以满足不同目的地的功能需求，从而提升游客体验并加强区域旅游一体化。

5.4. 局限性和未来方向
尽管本研究推进了旅游流研究，但仍存在一些局限性。当前研究仅探讨了乡镇内部和跨乡镇层面上游客随机多目的地访问的关联规则。然而，这些规则也可能受到游客的社会经济属性（如性别、教育背景、职业）和个人偏好的影响[49]。将这些潜在影响因素纳入分析框架将有助于更全面地理解游客行为。此外，分析基于的是在非高峰季节单周收集的 LBS 数据，可能无法完全捕捉到游客的空间行为模式，特别是在节假日高峰期间的长途旅行者。此外，本研究未考虑季节性和节日相关活动模式及景观特征变化对旅游流关联规则的影响。因此，识别出的驱动因素（如对水域面积差异的偏好）可能在不同季节或主要节日（如春节）期间发生变化。例如，具有独特水域景观的景点在夏季或节假日期间的吸引力可能会增加，因为人们对水上休闲和娱乐活动的需求更高。同样，NDVI 差异的影响也可能随时间和植被条件及视觉景观质量的变化而变化。未来的研究应使用更長期和多时段的数据来更精确地揭示这些关联规则及其时空异质性。

6. 结论
揭示游客随机访问行为的隐藏模式，并有效分析不同尺度下景点共同 visiting 的显性和隐性关联规则及其驱动因素，对于优化区域旅游管理和规划至关重要。通过利用 LBS 轨迹数据并结合复杂网络分析与关联规则挖掘，本研究提出了一种新颖的研究框架，用于分析旅游流网络的结构以及乡镇内部和之间的互动及其驱动因素。该研究全面分析了跨区域旅游流的特征和互动，并将其应用于 YDPZ 的案例研究。结论如下：
- 研究区域内旅游流的整体网络特征呈现出明显的层次结构，核心节点之间的旅游流量、核心节点与边缘节点之间的旅游流量以及边缘节点之间的旅游流量显示出从密集到稀疏的逐步下降趋势。节点之间的空间结构不平衡，主要集中在上海市的金泽镇和朱家角镇。
- 在旅游流网络结构中，中心性较高的节点主要包括高级旅游景点、郊区公园、受欢迎的历史景点和交通便利性高的休闲度假村。这些节点具有强烈的聚集和扩散效应，在网络中既充当“中心”也充当“枢纽”的双重角色。
- 大多数显著的关联规则发生在单个乡镇内部；所有有意义的跨乡镇关联规则仅发生在上海市青浦区的金泽镇和朱家角镇之间，并且仍然遵循地理距离的原则。高级旅游景点往往作为关键节点，增强了跨区域游览的可能性。
- 旅游景点选择行为的关联规则在应对不同空间尺度的影响因素时表现出共性和差异性。面积差异、NDVI 差异和水域面积差异是影响乡镇内部和跨乡镇关联规则的共同因素。空间异质性的影响体现在：道路网络密度对乡镇内部的关联规则有显著影响，而跨乡镇关联规则则主要由地理距离、相互景点之间的交通设施密度、内部休闲设施密度差异以及沿途商业设施密度共同决定。总之，所提出的框架在当前案例研究中被证明是可行的，并可能为其他地区的类似研究提供有用的参考。