[摘 要]隨著人們旅游消費能力逐漸增強，對旅游品質的要求越來越高，自由行已經成為人們主要出游方式之一。文章以大陸居民赴臺灣自由行為對象，采用數據挖掘技術采集我國最大旅游分享社區(qū)網站2009年以來的臺灣自由行行程信息，構建了細粒度的旅游流有向網絡，并使用社會網絡理論進行分析。研究表明，該網絡屬于無標度網絡，網絡規(guī)模為2656，但平均路徑只有4.3，網絡密度較低，節(jié)點的度分布滿足冪律分布，網絡核心區(qū)與邊緣區(qū)互動較少。按照時間順序構建旅游流網絡，研究網絡的演化并分析其演化動力，發(fā)現網絡規(guī)模、連接數量都與行程數量近似于比例增長，網絡演化過程中新增加的節(jié)點優(yōu)先鏈接網絡中的明星節(jié)點。文章首次從網絡演化的角度使用社會網絡理論研究旅游流，豐富和拓展了旅游流研究內容。

[關鍵詞]旅游流；社會網絡；網絡演化；動力機制

[中圖分類號]F59

[文獻標識碼]A

[文章編號]1002-5006（2016）10-0113-09

Doi： 10.3969/j.issn.1002-5006.2016.10.021

引言

隨著我國城鎮(zhèn)居民人均可支配收入的增長，人們旅游消費能力逐漸增強，對旅游品質的要求越來越高，越來越多的人不再滿足于走馬觀花式的跟團出游。自由行作為一種新興的出游方式，順應了市場需求，得到快速發(fā)展。數據顯示，從2011年6月試點啟動大陸居民赴臺個人游至2015年2月底，赴臺個人游達累計達218.64萬人次，其中2014年赴臺個人游達117.9萬人次1。可以看出自由行發(fā)展異常迅速，但規(guī)模龐大的自由行旅游流與傳統團體旅游流不同，旅游者具有較強的個性化特征，旅游流覆蓋的旅游資源也更加廣泛。由于赴臺自由行旅游發(fā)展較快、規(guī)模大，本文以此為研究對象。

通過對中國學術期刊數據庫和Science Direct數據庫進行文獻檢索，顯示當前對自由行旅游流的研究甚少。一個地區(qū)的自由行旅游流具有什么樣的網絡特征，該網絡是如何演化的，演化的動力機制是什么？上述問題的回答不但可以豐富旅游流的理論研究，也具有較強的實踐意義，對旅游目的地的資源開發(fā)、區(qū)域旅游的規(guī)劃與政策制定、旅游線路的空間規(guī)劃、旅游危機預測與防范、旅游流擴散與區(qū)域旅游均衡發(fā)展等都有重要指導意義[1-2]。

1相關理論綜述

關于旅游流的研究，學者們依托地理學理論形成了較為系統的旅游流時空研究模式[3]，建立起旅游流理論框架[4-5]。在該理論框架下，國內外學者對旅游流的時空分布[6]、結構模式[7]、影響因素[8]、輻射效應[9]、動力機制[10]等方面進行了理論與實證研究[11]。在上述研究中，主要采用定性研究和以計量統計法、GIS分析法、社會物理學理論方法、區(qū)域經濟學理論方法等為代表的定量研究為主。然而，如何揭示旅游流所形成的網絡特征？學者們發(fā)現社會網絡理論對諸多旅游問題具有強大的解釋力[12]。將不同旅游資源或目的地視為網絡節(jié)點，利用社會網絡理論研究旅游流網絡、解決旅游相關問題受到眾多學者的重視，并取得了一些重要研究成果[13-16]。

由于旅游流要素信息采集的限制，目前國外的相關研究主要集中在目的地之間關系以及組織之間的聯系。Palvovich較早利用網絡密度分析和中心性指標對旅游目的地的演化與轉型問題進行研究，深入研究了原住民、政府、企業(yè)組織間的相互作用和影響[17]。Scott等通過對目的地網絡結構和網絡凝聚力進行分析，發(fā)現旅游目的地的經濟發(fā)展水平越高、規(guī)模越大，其集聚作用越強[18]。Shih運用社會網絡方法對臺灣南投地區(qū)自駕車旅游目的地所構成的網絡進行分析，通過對網絡節(jié)點中心性、結構洞的測算與分析，為當地旅游發(fā)展定位和旅游設施建設提出可行性建議[19]。上述研究均未涉及自由行旅游流研究，也未從整體網視角揭示旅游流網絡的時空演化規(guī)律。

與國外相比，國內學者在應用社會網絡理論對旅游流研究方面成果更豐碩。楊興柱等首次借助社會網絡理論和方法，研究了城市旅游流網絡結構特征和評價指標體系，并對南京市16個景區(qū)組成的旅游流網絡結構進行了實證分析[20]，但該研究對象采集的時空尺度較短，網絡節(jié)點較少。張妍妍等通過采集游客的數字足跡并結合社會網絡分析法，總結了西安國內散客旅游流時間及網絡結構特[21]。吳晉峰[22]、王奕祺等[23]、楊新菊等[24]、王金瑩等[25]等應用社會網絡理論與分析方法對我國入境旅游進行深入研究，揭示其網絡分布與結構特征。但這些文章只收集了部分城市的入境數據，忽略了一些重要城市，其網絡測量有一定的誤差。雖然呂麗等運用該理論構建了上海世博會客流向長三角區(qū)域空間擴散的網絡，分析了每個城市節(jié)點的集聚、中轉和擴散客流的能力[9]，但事實上上海世博會旅游者的旅游行程中多數選擇單一目的地——上海世博會，擴散的旅游者占百分比較少。

上述對社會網絡理論在旅游流研究的應用尚局限于網絡結構的特征分析，尚未涉及旅游流網絡的演化[26-27]，研究對象方面也未涉及到自由行旅游流。究其原因，基于傳統的通過問卷、訪談、政府官方統計等數據采集方法很難獲得長時間、不間斷的旅游流網絡數據[28]。因此，本文提出將先進的數據挖掘技術作為獲取旅游流數據的重要工具，可以在較短的時間內對分布在互聯網上大規(guī)模的旅游數據進行抓取和自動化處理，通過人工的數據校驗，獲得適用于研究的長時間段的大樣本數據。

本文采用數據挖掘的方法獲取2009年以來馬蜂窩旅行網（http：//www.mafengwo.cn）上的大陸居民赴臺灣自由行行程和行程中每一站信息，構建遍歷時間較長的自由行旅游流網絡，并基于社會網絡分析理論研究臺灣自由行的旅游流網絡特征。首次應用社會網絡理論分析旅游流網絡的時空演化，拓展了社會網絡理論在旅游流網絡分析中的應用，為研究分析各類旅游流網絡的演化機制提供了新的思路和理論方法。

2數據來源及與研究方法

2.1數據來源

隨著我國經濟的發(fā)展，越來越多的人在休閑度假時選擇自由行。在出發(fā)前，通過查閱其他人的游記、旅游經驗是制定自由行線路的重要資源和依據。馬蜂窩旅行網是國內最大的旅游分享社區(qū)網站，注冊游客超過5000萬，真實點評達到1600萬條，在國內具有較大的影響力。其網站對海量的游記進行分類，并可根據目的地提供當地的游記與行程安排。本研究選取大陸游客分享的臺灣自由行游記（www.mafengwo.cn/xc/12684/），共909條線路，采集時間為2014年3月18日，行程發(fā)布的起始時間為2009年4月10日。

數據采集通過數據挖掘技術實現。首先通過網絡爬蟲抓取上述909條行程的頁面文本，定義需要采集的字段，即行程中每一天中的每一站（以下稱之為節(jié)點）名稱以及行程發(fā)布的時間。由于個體之間對同一個旅游景點的認識不同，相同的節(jié)點會有不同的稱呼，如臺北101大樓，游記中分別稱為：“101游大樓”“101大廈”“臺北101大樓”等，需要對數據進行人工校驗處理，同一地點采用相同的名稱。由于不刪減游記標注的每一站內容，使得本研究數據具有以下特征：

（1）數據粒度較細。社會網絡視角下的旅游流研究大多只收集游客經過的城市或知名景區(qū)，在數據獲得上通常采用問卷與訪談法。本研究通過數據挖掘的方式，不但保留游客歷經的城市、旅游景區(qū)，還包括酒店、客棧、餐飲店、商業(yè)街等，涵蓋旅游業(yè)中的吃、住、行、游、購、娛，統計數據粒度精細。所構成的旅游流網絡不但反應了臺灣旅游流的空間分布特征，而且反應了游客的偏好。

（2）數據量大。對馬蜂窩旅行網上的大陸居民赴臺灣自由行行程進行了全樣本挖掘，提取行程中作者標記的關鍵節(jié)點的所有字段，包括景區(qū)、住宿、餐飲、商業(yè)購物點和出發(fā)地等共2656個網絡節(jié)點。

2.2研究方法

基于社會網絡理論對采集的旅游數據進行處理分析，構建大陸居民赴臺灣自由行旅游流的有向網絡。通過旅游流動力機制理論和網絡效應理論分析本文構建的旅游流網絡形成機制，借助復雜網絡中小世界模型和無標度網絡模型分析本網絡的演化。按照游客出行的行程節(jié)點順序連接網絡，建立非對稱鄰接矩陣[V]，矩陣[V]中行[i]和列[j]分別代表游客標記的不同節(jié)點。矩陣單元中[V（i，j）]表示游客從行程節(jié)點行[i]到[j]的連接，如果沒有從節(jié)點行[i]去到[j]，[V（i，j）]值為0，否則其值為1。

研究測量的指標包括旅游流網絡的小世界特性指標和整體網絡的評價指標。其中，小世界特性指標主要包括網絡的平均路徑長度、聚類系數和節(jié)點的度分布規(guī)律。整體網絡的評價指標包括：網絡規(guī)模、密度、中心性、凝聚子群和核心邊緣。

2.2.1 旅游流網絡的小世界特性指標

評價網絡小世界特性的主要指標是網絡的平均路徑長度和節(jié)點的聚類系數。近年來，學者們通過大量的研究和實驗證明，大量規(guī)模很大的網絡其平均路徑很短。網絡中任意兩點的距離[dij]指連接點[i]和[j]兩個點的最短路徑的邊數。網絡中不是所有節(jié)點都具有相同的度，實驗證明目前社會網絡的度分布主要表現為：泊松分布、冪律分布、指數分布。

2.2.2 整體網絡的評價指標

本研究選取了反映社會網絡主要特征的5個指標：網絡規(guī)模、密度、中心性、凝聚子群和核心邊緣來對臺灣自由行的旅游流網絡進行分析。

中心性是社會網絡分析中的重點之一，反映了網絡中各個節(jié)點的重要性，分別包括程度中心性、接近中心性和中間中心性。由于本旅游流網絡是有向的，程度中心性又分為外向程度中心度和內向程度中心度，分別反映了某節(jié)點的聚集與輻射能力。如果旅游者從某節(jié)點流向其他點，則稱為外向程度中心性，反之，稱為內向程度中心性。接近中心性反映節(jié)點在網絡居于中心的程度，一個節(jié)點的接近度越大，則該節(jié)點越居于網絡的中心。對于有向網絡，又分為外向接近中心度和內向接近中心度。中間中心性反映了宏觀上某個節(jié)點對其他點的控制和依賴程度，一個節(jié)點的中間中心性越高，對其他節(jié)點的控制性越強。

3研究結果及分析

3.1旅游流網絡的統計特征

大陸居民赴臺自由行旅游流的整體網絡如圖1所示，在909條行程中，出現節(jié)點2656個，出現頻率較高的節(jié)點除了知名的旅游景點如臺北故宮博物院、101大樓、七星潭、船帆石外，還包括夜市、商業(yè)街等。在出現頻率超過100次的62個節(jié)點中，77.42%為自然與人文景觀，8.06%為購物商業(yè)區(qū)，14.51%為夜市與小吃店。令人驚奇的是小吃店：阿柑姨芋圓、賴阿婆芋圓、公正街包子店的出現頻率都不低于100次。同時，統計顯示絕大部分節(jié)點出現的頻次較低，85.70%的節(jié)點出現頻次不超過10次。

3.2網絡的小世界特征

本旅游流網絡的平均路徑距離為4.3。盡管網絡中有2656個節(jié)點，13354條連接，但網絡的平均路徑長度只有4.3，意味著該網絡具有良好的可達性和旅游的便捷性。通過計算可知，該網絡密度很低，只有0.0019，說明大部分節(jié)點之間的聯系并不緊密。

聚類系數分析。使用Ucinet軟件，沿著“Network→Cohesion→Clustering Coffcient”可得到該網絡的聚類系數和節(jié)點的聚類系數。臺灣自由行旅游流網絡的聚類系數較低，值為0.229，網絡沒有表現出較強的聚集性。

度分布。定義任意節(jié)點的度為[k]，[P（k）]為網絡中度為[k]的節(jié)點在整個網絡中所占的概率，通過觀察[P（k）]的分布圖成指數趨勢衰減，即[P（k）=akγ]，為常系數，[γ]為冪律指數，故使用對數坐標即冪律分布模型擬合，得到節(jié)點的內向度分布圖和外向度分布圖如圖2所示。由圖2網絡的度分布圖可知，臺灣自由行的旅游流網絡模型為無標度網絡。

3.3整體網評價指標分析

中心性分析。通過構造旅游流有向圖，計算出其鄰接矩陣，為1-model非對稱矩陣，沿以下Ucinet 6.0操作即可以獲得表1中的分析值：Network→Centrality→Degree，Network→Centrality→Closeness，Network→Centrality→Multiple Measures。

由表2可知，大陸居民赴臺灣自由行旅游流網絡節(jié)點的程度中心性均值為5.03，即平均每個節(jié)點與5.03個其他節(jié)點存在旅游流集聚與輻射聯系。因為自由行旅游流的網絡是有向網絡，故程度中心性又分為內向程度中心性和外向程度中心性，分別表示節(jié)點的集聚與輻射能力。內向和外向的標準差和方差都較大，表明網絡存在一定的不均衡，具體線表現為西門町、101大樓、臺北故宮博物院等明星節(jié)點的中心度遠遠其他大量節(jié)點的外向中心度與內向中心度。對于輻射能力較強的旅游流節(jié)點如西門町、101大樓、臺北故宮博物院、墾丁大街等可以設置旅游信息咨詢中心，提供信息咨詢服務，引導或加速旅游流的擴散。

接近中心性分析。接近中心性顯示一個網絡節(jié)點在大陸居民赴臺灣自由行旅游流網絡中接近中心的程度，其值越小接近中心度越高，越處于整個網絡的中心，與其他旅游節(jié)點之間的通達性越好。由表1可知，本旅游流網絡節(jié)點的接近中心性數值相差很小，外向接近中心性其均值為1.04，標準差為0.17；內向接近中心性其均值為1.21，標準差為0.22。說明對于絕大部分節(jié)點來說，其離網絡中心的距離相差較少，即網絡的聚集中心不顯著。

中間中心度分析。中間中心度體現了一個旅游節(jié)點在旅游流網絡中對其他節(jié)點控制和依賴的程度，其值越高，對其他節(jié)點的控制性越強，越是網絡中的關鍵節(jié)點。程度中心性較高的旅游流網絡節(jié)點如西門町，其中間中心度也較高?？偟膩砜矗韭糜瘟骶W絡節(jié)點的中間中心度相對均衡，網絡對核心節(jié)點的依賴度不高。但少數幾個節(jié)點依然起到關鍵作用，其程度中心性、接近中心性和中間中心性都比較高。

凝聚子群分析。凝聚子群揭示了網絡中部分行動者之間相對較強的、直接緊密的聯系；進行凝聚子群分析是為了進一步了解網絡的子結構。由表2可知，本網絡中存在內部關系相對緊密的7個子結構，其中第一個內部聯系密度最大為0.014，是整個旅游網絡密度的7.4倍，表明1子群中成員之間旅游流動頻繁，聯系緊密。

核心-邊緣分析。利用核心-邊緣模型，可以發(fā)掘旅游節(jié)點在網絡中處于核心還是邊緣位置，找出整個網絡中的核心角色。通過該模型可以量化核心對邊緣的關聯與帶動效應，幫助分析各旅游節(jié)點在旅游流網絡中所處的地位。沿著Network→core-periphery→categorical路徑展開，分析出核心邊緣的組成節(jié)點及密度矩陣。由密度矩陣可知，在旅游流整體網絡密度為0.0019的情況下，核心區(qū)密度高達0.042，是整體網密度的22.11倍。核心區(qū)成員與邊緣區(qū)成員的聯系密度為0.003，略高于整體網的平均密度，連接不緊密。說明臺灣自由行的旅游流從核心區(qū)向邊緣區(qū)擴散、帶動的能力較弱。因此要積極培育核心區(qū)的帶動作用，制定相關政策與措施，促進核心區(qū)旅游節(jié)點服務創(chuàng)新，帶動邊緣區(qū)發(fā)展。

3.4旅游流網絡演化研究

3.4.1 網絡演化的時空特征分析

上述分析可以得知大陸居民赴臺灣自由行旅游流網絡在本質上屬于無標度網絡，無標度網絡有兩個顯著特點：增長和優(yōu)先連接。將909條形成按照時間先后排列，每增加一條行程所構成的旅游流網絡矩陣為[Ai]，[1≤i≤909]，通過計算可以獲得的網絡規(guī)模和節(jié)點之間的連接規(guī)模，二者在行程數量維度的分布圖如圖3中（a）和（b）所示。

隨著時間的延伸，即隨著行程數量的增加，旅游流網絡的規(guī)?？焖僭黾?，當網絡規(guī)模超過450之后，網絡規(guī)模與行程數量成比例增長。與此同時，網絡鏈接的數量和行程數量成比例增長。由此可以發(fā)現，隨著行程的增加，旅游者會探索新的旅游節(jié)點：新的酒店民宿或景觀景點等，致使自由行旅游流網絡的規(guī)模不斷增長。

在空間上該自由行旅游流網絡是如何演化的呢？由圖3（a）和（b）可知，當網絡規(guī)模超過450之后，網絡規(guī)模、網絡中的連接數量都與行程數量成正比，顯然此時網絡規(guī)模與網絡中的連接數量成正比。這說明隨著網絡在空間上旅游節(jié)點的增加，網絡中旅游節(jié)點之間的連接數量成比例增長。例如網絡中增加了[k]個旅游節(jié)點，網絡連接增加的數量為[k]的某個倍數，與網絡總體的規(guī)模沒有直接關系。隨著網絡空間節(jié)點的增加，網絡連接并未與網絡節(jié)點總數或網絡連接總數按照某個函數關系增長，這印證了自由行旅游流網絡的鄰接矩陣是一個稀疏矩陣。

新增加的行程與中心度較高的旅游節(jié)點有什么關系呢？隨著行程的增加，筆者從圖3（c）中觀察中心度較高的節(jié)點臺北故宮博物院和西門町的連接數量同步增加，只是增加的速度有所變化。圖3（c）中[j]為外向中心度，[k]為內向中心度。中心度較低的恒春古城其中心度增加極不穩(wěn)定，在不同分區(qū)段保持零增長。這充分說明了該網絡的無標度性，隨著行程的增加，網絡規(guī)模也會增加，但是，新增加的行程優(yōu)先連接網絡中中心度較高的節(jié)點。

3.4.2 網絡演化的動力機制

在網絡增長的前期，中心度較高的節(jié)點出現并保持穩(wěn)定。網絡增長的主要動力可以采用傳統旅游流動力機制理論解釋，即“推—拉”理論：旅游流網絡的動力系統是由旅游者的內部驅動力和旅游客源地的外部驅力，以及旅游流阻力共同作用形成的。

隨著行程的增加，網絡規(guī)模迅速擴大，此時旅游者可以輕易獲得前人的旅游經驗。此時，僅僅使用傳統理論來解釋是不夠的，應增加網絡效應理論。網絡效應又稱為“網絡外部性”，根據網絡的特點可分為直接網絡效應、間接網絡效應和雙邊網絡效應。直接網絡效應中用戶的收益直接受到使用相同或類似產品的其他用戶的總數的影響。間接網絡效應認為基本產品的用戶總數影響了該基本產品的互補產品種類供給，從而間接影響了該用戶的收益。可見，網絡效應理論和無標度網絡的特點是十分吻合的。因此，大陸居民赴臺灣自由行旅游流網絡的增長動力為前期網絡增長動力基于推拉理論，中后期網絡增長動力基于推拉理論和網絡 效應。

4結論與展望

4.1結論

本文通過對國內最大的旅游分享網站馬蜂窩旅行網中大陸居民赴臺灣自由行的行程進行全樣本數據挖掘，構建了大陸居民赴臺灣自由行的旅游流網絡，經過小世界特征檢驗和整體網絡特征分析可知該旅游流網絡為無標度網絡，網絡平均路徑較小，為4.3。大陸居民赴臺灣自由行旅游流網絡節(jié)點較多，網絡密度很低。網絡中關鍵節(jié)點的程度中心性、中間中心性、接近中心性都比較高，這意味著關鍵節(jié)點不但擁有較強的旅游流聚集能力，還有較強的擴散能力，以及對其他節(jié)點的控制能力。說明大陸赴臺自由行中，人們大多會去眾所周知的旅游景區(qū)，但探險求異的開拓精神很強，會去探索新的游玩去處。

運用社會網絡分析方法對旅游流的研究目前主要集中在旅游流的網絡分布特征研究，結合旅游流實際情況提出建議。其數據采集通常是暫態(tài)性的，即只展示了某一個時間的網絡特征；網絡規(guī)模較小，即網絡節(jié)點的數量較小，通常不超過100個；數據獲取的方法和能力有限，主要是問卷、訪談或政府部門公開的統計數據。本文拓展了旅游流數據獲取的方法，通過數據挖掘能夠獲取遍歷時間較長的大樣本數據，使得旅游流網絡的分布特征、統計特征更加接近實際網絡；同時因有了相當長的時間序列，可以分析旅游網絡的演化特征和規(guī)律。

研究發(fā)現，自由行旅游流網絡與團體旅游網絡存在很大差異，劉宏盈等[29]通過搜集相關旅行社的團體旅游數據建立了泛北部灣區(qū)域的旅游流網絡，規(guī)模為11。由該文中旅游流空間示意圖可以看出該團體旅游網絡的鄰接矩陣不是稀疏矩陣；其旅游節(jié)點的接近中心性均值為91.322，與9個節(jié)點的接近中心性值相近。該網絡的中間中心性均值為10.45，標準差僅為0.69。相比之下，本文構建的臺灣自由行旅游流網絡其對應的鄰接矩陣為稀疏矩陣，中間中心性的均值為1.2，小于明星節(jié)點中間中心性值的均值。同樣地，臺灣自由行旅游流網絡的內向與外向接近中心度的標準差與均值的比值，相對于團體旅游網絡要大很多。說明自由行旅游流網絡中關鍵旅游節(jié)點擁有更強的聚集和輻射能力，對其他旅游節(jié)點有更強控制和依賴程度。其根本原因是，針對一條旅游線路團體旅游采納的人數遠遠高于自由行，而線路中的著名旅游景區(qū)團體旅游流和自由行旅游流都會經過。團體旅游注重多人之間的共性統一，而自由行則體現旅游者的個性化特征。

4.2研究局限與展望

在數據收集方面，本文雖然采集了馬蜂窩旅游網的全樣本數據，但是忽略了一些小規(guī)模的旅游分享網站和旅游博客門戶，因此自由行旅游流數據可以進一步補充。數據分析方面，本文側重基于社會網絡的旅游節(jié)點“關系”分析，未結合GIS工具進行旅游節(jié)點的空間分布分析。網絡演化方面，本文僅從時間角度和空間角度進行仿真，對其特征進行描述，尚未建立網絡演化的數學模型。

未來，自由行將越來越普及，自由行旅游流的規(guī)模將迅速增長，將會吸引更多的學者對自由行旅游流展開研究。隨著多種研究方法的融合和交叉學科研究，以及基于大數據和云計算平臺的應用，將逐步完善自由行旅游流相關的理論體系。

參考文獻（References）

[1]Morley C， Rosselló J， Santana-Gallego M. Gravity models for tourism demand： Theory and use[J]. Annals of Tourism Research， 2014， 48： 1-10.

[2]Zhang J， Jensen C. Comparative advantage： Explaining tourism flows[J]. Annals of Tourism Research， 2007， 34（1）： 223-243.

[3]Sarrión-Gavilán M D， Benítez-Márquez M D， Mora-Rangel E O. Spatial distribution of tourism supply in Andalusia[J]. Tourism Management Perspectives， 2015， 15： 29-45.

[4]Wang Sujie， Hu Ruijuan， Cheng Weihong. A literature review on overseas tourism research under the perspective of social network [J]. Tourism Tribune， 2009，（7）： 90-95. [王素潔， 胡瑞娟， 程衛(wèi)紅. 國外社會網絡范式下的旅游研究述評[J]. 旅游學刊， 2009， （7）： 90-95.]

[5]Sun Zhongwei， Lu Zi. A geographical perspective to the elementary nature of space of flows [J]. Geography and Geo-Information Science， 2005， 21（1）： 109-112. [孫中偉， 路紫. 流空間基本性質的地理學透視[J].地理與地理信息科學，2005， 21（1）： 109-112.]

[6]Yang Y， Fik T， Zhang J. Modeling sequential tourist flow： Where is the next destination？[J]. Annals of Tourism Research， 2013， 43（7）： 297-320.

[7]Xue Ying. On the regional implosion of tourist flows： From self-organization to organization [J]. Tourism Tribune， 2006， 21（4）： 47-54. [薛瑩. 旅游流在區(qū)域內聚： 從自組織到組織—區(qū)域旅游研究的一個理論框架[J]. 旅游學刊， 2006， 21（4）： 47-54.]

[8]Prideaux B. Factors affecting bilateral tourism flows[J]. Annals of Tourism Research， 2005， 32（3）： 780-801.

[9]Lve Li， Lu Lin， Ling Shanjin. An analysis on the spatial diffusion network of Shanghai World Expo tourists[J]. Tourism Tribune， 2013， 28（6）： 111-119. [呂麗，陸林，凌善金. 上海世博會旅游者空間擴散網絡分析[J]. 旅游學刊，2013， 28（6）：111-119.]

[10]Kim J H， Moosa I A. Forecasting international tourist flows to Australia： A comparison between the direct and indirect methods[J]. Tourism Management， 2005， 26（1）： 69-78.

[11]Tremblay P. The economic organization of tourism[J]. Annals of Tourism Research， 1998， 24（4）：837-859.

[12]Chen R， Liang C Y， Hong W C， et al. Forecasting holiday daily tourist flow based on seasonal support vector regression with adaptive genetic algorithm[J]. Applied Soft Computing， 2015， 26： 435-443.

[13]Hong T， Ma T， Huan T C. Network behavior as driving forces for tourism flows[J]. Journal of Business Research， 2015， 68（1）： 146-156.

[14]Shih H Y. Network characteristics of drive tourism destinations： An application of network analysis in tourism[J]. Tourism Management， 2006， 27（5）： 1029-1039.

[15]Zhang Y， Findlay C. Air transport policy and its impacts on passenger traffic and tourist flows[J]. Journal of Air Transport Management， 2014， 34： 42-48.

[16]Wu Jinfeng， Pan Xuli. Study on the relationship between inbound tourism flows network and aviation network[J]. Tourism Tribune， 2010， 25（11）： 39-43.[吳晉峰，潘旭莉. 入境旅游流網絡與航空網絡的關系研究[J]. 旅游學刊， 2010， 25（11）： 39-43.]

[17]Pavlovich K. The evolution and transformation of a tourism destination network： The Waitomo Caves， New Zealand [J]. Tourism Management， 2003，24（2）： 203-216.

[18]Scott N， Cooper C， Baggio R. Destination networks： Four Australian cases[J]. Annals of Tourism Research， 2008， 35（1）： 169-188.

[19]Shih H Y. Network characteristics of drive tourism destinations： An application of network analysis in tourism[J]. Tourism Management， 2006， 27（5）： 1029-1039.

[20]Yang Xingzhu， Gu Chaolin， Wang Qun. Analyze of driving force of tourist flow[J]. Geographical Research， 2011， 30（1）：23-36. [楊興柱， 顧朝林， 王群. 旅游流驅動力系統分析[J]. 地理研究， 2011， 30（1）： 23-36.]

[21]Zhang Yanyan， Li Junyi， Yang Min. The tourism flow network structure of Xian based on tourism digital footprint[J]. Human Geography， 2014， （4）： 111-118. [張妍妍， 李君軼， 楊敏. 基于旅游數字足跡的西安旅游流網絡結構研究[J]. 人文地理， 2014，（4）： 111-118. ]

[22]Wu Jinfeng. Distribution of inbound foreigner tourist flows and its property and structure characters in China[J]. Journal of Arid Land Resources and Environment， 2014， （7）： 177-182. [吳晉峰. 入境外國旅游流網絡分布、性質和結構特征研究[J]. 干旱區(qū)資源與環(huán)境， 2014， （7）： 177-182.]

[23]Wang Yiqi，Wu Jinfeng，Han Lining，et al. Geographical distribution and network structure characteristics of Beijing inbound tourist flows[J]. Journal of Arid Land Resources and Environment， 2014， （6）： 202-208. [王奕祺， 吳晉峰， 韓立寧，等. 北京入境旅游流地理分布與網絡特征研究[J]. 干旱區(qū)資源與環(huán)境， 2014， （6）：202-208.]

[24]Yang Xinju， Wu Jinfeng， Tang Lan， et al. The geographical distribution and network structure of foreign independent tourist flows in China[J]. Tourism Tribune， 2014， 29（5）： 87-96. [楊新菊， 吳晉峰， 唐瀾， 等. 旅華外國散客旅游流地理分布和網絡結構研究[J]. 旅游學刊， 2014， 29（5）： 87-96.]

[25]Wang Jinying，Wu Jinfeng，Tang Lan，et al. Distribution of Asian inbound tourist flows and structural characteristics[J]. Resources Science， 2013， 35（8）： 1701-1709. [王金瑩， 吳晉峰， 唐瀾， 等. 亞洲入境旅游流地理分布及網絡結構特征分析[J]. 資源科學， 2013， 35（8）： 1701-1709.]

[26]Zhang Youyin， Gu Jing， Ma Yaofeng. Tourist flow： Research progress， evaluation and outlook[J]. Tourism Tribune， 2013， 28（6）： 38-46. [張佑印， 顧靜， 馬耀峰. 旅游流研究的進展， 評價與展望[J]. 旅游學刊， 2013， 28（6）： 38-46.]

[27]Tang Liming， Wei Jiming， Zhao Miaoxi. Features of regional travel itineraries complex networks： Taking Fujian Province as an example[J]. Tourism Tribune， 2014， 29（6）： 57-66. [湯黎明， 魏冀明， 趙渺希. 區(qū)域旅游線路的復雜網絡特征——以福建省為例[J]. 旅游學刊， 2014， 29（6）： 57-66.]

[28]Pang Wen. China's inbound Tourist Flows and the Structure of Complex Networks and Role Positioning Research[D]. Xi'an： Shannxi Normal University， 2012. [龐聞. 中國入境旅游流復雜網絡的結構特征與角色定位研究[D]. 西安： 陜西師范大學， 2012.]

[29]Liu Hongying， Wei Liliu， Zhang Juan. The research on the characteristic of network structure of area tourist flows based on the tourism routine[J]. Human Geography， 2012， （4）： 131-136. [劉宏盈， 韋麗柳， 張娟. 基于旅游線路的區(qū)域旅游流網絡結構特征研究[J]. 人文地理， 2012， （4）： 131-136.]

Abstract： Nowadays， as people's capacity for tourism consumption has been gradually enhanced， the demand for a quality touristic experience is accordingly higher and higher. Maninland residents's self-service travelling has also become one of the main travel modes chosen by tourists.

The network research of tourist flows has caught the attention of many scholars. This paper presents a new method of data acquisition on tourist flows： we used a web-crawler to classify the data of self-service travelling notes in Taiwan on www.mafengwo.cn， which is the biggest tourist community website in China. Data mining technology was used in order to collect the self-service travelling information in Taiwan from the largest tourism sharing community websites since 2009. First of all， our web-crawler analyzed 909 of text pages from the network to define the fields， take down the names of everyday trips in each station （hereinafter referred to as a node）， as well as the announced trip time and schedule. The research data presents the following characteristics： data granularity is fine， but the data volume is very large. This paper aims at analyzing this travel data based on social network theory. After a directed network of tourism flows was established， with the help of small world-based and scale-free network models， the evolution of this network was analyzed. In terms of the order of touristsjourney nodes， an asymmetric adjacency matrix was built. The matrix rows and columns represent the different nodes which are marked by tourists. This paper selected five indicators which can represent the main characteristics of a social network， i.e. network size， density， centricity， cohesive subgroups and the core-periphery relation. Centrality analysis was used to analyze the network of tourist flows. The results of this study showed that the network is scale-free， the network size is 2656， but the path of the network is only 4.3. From the brief findings of the model we found that the network density is low， the degree distribution of the nodes fits power-law distribution， and the center-edge interaction of the network is minimal. In the end， we constructed this tourist flows network in chronological order， to research the evolution of the network and to analyze its evolution power.

Within this research， the dynamic of maninland residents's self-service travelling in Taiwan is： the earlier stage of the network growth is based on the push-pull theory， and in the mid- to late stage of growth this growth is based on the push-pull theory along with the network effect. According to the characteristics of the network nodes， especially the distribution features of the extroverted and introverted， the key network node should be taken seriously with the tourism administrative department. They can forecast crises， and guide and diffuse tourist flows in advance. The question of how to control and diffuse tourist flows through the structure of the network properties and dynamic mechanisms will be one of the most important areas for future research. Another noteworthy point is that this article first researched the tourist flows from the perspective of the network evolution using social network theory. This research method not only enriches the research content and research perspective of tourist flows， but also provides much pertinence and significance in its practical applications.

Keywords： tourist flows； social network； network evolution； dynamic mechanism

[責任編輯：劉 魯；責任校對：吳巧紅]