黄松　孟斌

[摘要]采用社交媒体数据，以路径分析为基础，通过空间关联分析和社会网络分析方法，从游客签到行为对北京市文保单位的关联度进行定量测度与分析。研究发现：1）北京市文保单位存在显著的空间关联性;2）北京市文保单位的空间关联性存在显著的空间差异：城区内部的文保单位之间联系紧密，在城市整体空间范围内，八达岭长城和城区内的文保单位关联程度密切，西郊的文保单位则关联性较弱;3）北京市文保单位组团以天安门、故宫为核心，包含节点数量最多，覆盖范围最广;4）北京市文保单位网络结构核心节点突出，整体网络结构尚欠合理。

[关键词]文保单位;关联性;微博数据;北京市

[中图分类号]K 87[文献标志码]A[文章编号]1005-0310（2019）04-0021-09

A Spatial Correlation Analysis of Beijing Cultural Relics

Protection Units Supported by Visitor Check-in Data

Huang Song，Meng Bin

（College of Applied Arts and Science， Beijing Union University， Beijing 100191， China）

Abstract： Based on social media data and path analysis， this paper measures and analyzes the relevance degree of Beijing’s cultural relics protection units from the tourists’ check-in behavior through spatial association analysis and social network analysis. This study finds out that： 1） There is a significant spatial correlation among the cultural protection units in Beijing; 2） The cultural relics protection units’ correlation in Beijing is unevenly distributed. The cultural relics protection units within the urban areas are closely linked and the relationships between the cultural relics protection units and Badaling Great Wall are close too. And there is a general lack of interaction between Beijing’s cultural relics protection units， especially the interaction between the cultural heritage of Western suburban areas; 3） Tiananmen and the Forbidden City are the core of the Beijing Cultural Protection Unit Group， with the largest number of nodes and the widest coverage; 4） The core nodes of the network structure of the cultural and social security units in Beijing are prominent， and the overall network is not reasonably structured.

Keywords： Cultural relics protection units; Relevance; Micro-blog data; Beijing

0引言

自党的十八大以来，习近平总书记多次提到保护和传承中国传统文化的重要意义，并对文化遗产保护事业给予高度重视，在2014年2月25日于首都北京考察工作时指出：“历史文化是城市的灵魂，要像爱惜自己的生命一样保护好城市历史文化遗产。”具有重要传统文化价值的文化遗产是我们优秀文化的具体载体，也是展示我们悠久文化的重要方式。文物保护单位作为文化遗产保护的一种制度，它是指在中国境内由各级政府列入名单、正式公布、明令保护的不可移动或不宜移动的一组群体文物（极个别为单体文物），一般由文物本体、附属物、历史风貌及人文、自然环境等要素有机组成，且相互印证、不可分割[1]。根据《文物保护管理暂行条例》规定，我国文物保护单位（简称：文保单位）

划分为国家级、省（自治区、直辖市）级和县（市）级3个级别。文保单位包括具有历史、艺术、科学价值的古文化遗址、古墓葬、古建筑、石窟寺和石刻等不同种类，是文化遗产最重要的载体形式。

近几年，文化遗产整体保护的研究愈发受到学者们的关注。文化遗产整体保护思想最早开始于二战之后的经济复苏时期，它强调文化遗产的保护不仅仅保护建筑物，还需要保护与其相关的历史环境。随着人们对于文化遗产的认识加深，文化遗产的整体保护还涉及保护理念、认知方法、价值评估、保护主体、规划方法、保护法制体系和保护体制机制

等[2-3]。从1964年《威尼斯宪章》中提出的“历史环境”概念到1987年《华盛顿宪章》中提出的“历史城镇与城区”概念，都是对文化遗产整体保护的进一步扩展和延伸。从1948年梁思成先生主编的《全国重要文物建筑简目》中把北京作为历史文化遗产進行整体保护到1982年历史古城保护制度创立，从历史建筑的整体性保护措施

[4-5]、文化效能[6]到农业文化遗产的整体保护思路[7]、生态教育[8]，从庙会的文化空间[9]、武术文化[10]、盐文化

[11]等非物质文化遗产等整体性保护到线性

文化遗产的关联保护网络[12-14]，这都表明不论是物质文化遗产还是非物质文化遗产，其整体保护愈发受到重视。

基于文化遗产整体保护理念，张兵[3]提出了文化遗产保护中“关联性”的概念，文化遗产的关联性包含了历史（时间）的关系、区域（空间）的关系、文化（精神）的关系、功能（要素和结构）的关系。许多学者基于历史、文化、功能等三个方面对文化遗产的关联性进行研究

[15-17]，但是很少有学者从空间关联的角度研究文化遗产的整体性。

社会网络指的是社会行动者及其间的关系的集合[18]，社会网络分析则是综合运用图论、数学模型研究行动者间的关系模式，并探讨这些关系模式对结构中成员或整体的影响，适用于研究群体的互动关系和群体结构——这种结构可以是社会结构，也可以是经济结构，其研究核心是这种结构怎么影响以及在多大程度上影响网络成员的行为[19]。社会网络分析方法一般应用在企业管理、社会关系、共词分析、文献计量等领域，而在文化遗产领域中，主要是文化遗产旅游地发展中利益集团的关系[20-21]，关注的也是人或者和人相关的团体的网络关系，而对于文化遗产自身的网络关系的研究则较为缺乏。

近年来，随着信息技术发展和大数据技术的兴起，在文化遗产领域中，大数据也受到广泛关注，主要应用在文化遗产数字化保护（平台）[22-26]、文化遗产感知[27]、文化遗产传播[28]、文化遗产的市场开发[29-30]等方面。但是，将大数据作为社交媒体数据在文化遗产关联性中的应用相对缺乏。以微博为代表的社交媒体数据，具有活跃用户多、涉及领域多、信息量大等特点，对发现文化遗产的空间关联提供了可能，因此，本文利用游客社交媒体数据中的签到数据和文本数据，从实际空间和文本空间两个角度去构建文物保护单位的时空关联，挖掘潜在的文物保护单位间的关联，为文物保护单位更好地进行整体保护提供有意义的建议。

1数据与方法

1.1数据来源与数据预处理

1.1.1数据来源

本文主要以社交媒体中的微博数据为研究对象，微博数据包含用户id、微博id、发布时间、文本等信息，同时，随着LBS技术的广泛应用，部分微博数据包含了较为精确的位置信息，为挖掘其背后的空间关联提供了可能。微博具有文本长度短、内容形式多样、文本格式复杂、语言表达独特等特点，由于其巨大的用户群体，微博数据成为数据挖掘的金矿，在推荐系统、舆情分析等研究中得到广泛应用。

在中国，微博是一个重要的社交网络和信息传播平台，拥有大量的活跃用户。据2018年第四季度财报显示，微博月活跃用户达4.62亿，连续三年增长7 000多万，日活跃用户增至2亿，日均文字发布量达1.3亿。本研究通过部署分布式数据爬虫，获取了2017年在北京签到的新浪微博数据，获取的微博数据约1 100万条，涉及用户100万名左右。

除了微博数据，本文还从北京市政府数据资源网获取北京地区文保单位数据。其中，国家级文保单位128个，已经可视化的有88个;市级文保单位357个，已经可视化的有275个。经过删除重复项等处理，最后共保留379个文保单位（图1）。

1.1.2数据预处理

由于本研究的对象是来京游玩的游客，所以对原始微博数据进行处理，主要筛选规则如下：

规则1：用户在2017年中发微博总量在3～1 000条。

规则2：用户所发最后一条微博和第一条微博的时间间隔需要小于等于30天[31]。

依据以上规则，本文筛选出可能的游客数量为115 557名，涉及微博的数量为695 573条。

1.2研究方法

1.2.1基于朴素贝叶斯分类模型的游客微博识别与提取

本文利用Python机器学习框架Scikit-Learn作为分类模型，对微博是否为游客所发进行精确筛选。Scikit-Learn是一款简单有效的数据挖掘和数据分析工具，集成了成熟的机器学习的算法，可以广泛用于解决监督和非监督分类问题

[32]，其中，特征选取采用IF-IDF方法计算，在常用的7种统计学分类方法中，朴素贝叶斯（Naive Bayes）处理微博数据优势较为明显[33]。

本文从数据预处理阶段筛选出的695 573条微博中随机抽出10 500条微博，人工交叉判定微博是否属于旅游的微博，其中，不属于旅游的微博则为类别0，属于旅游的微博则为类别1，不确定则为类别2，利用Scikit-Learn模型，通过样本数据对模型进行训练并對原始数据进行分类。通过比较，本文采用的模型分类准确率的均值为0.958，测试准确率为0.950，结果显示，本文选择的朴素贝叶斯分类模型能够较好地对微博是否为游客微博进行判定。本文最终筛选出游客微博84 703条，涉及用户10 117名。这些游客游玩时间的平均值为7.16天，众数为3天，根据《北京旅游统计便览》（2017卷）统计，2016年国内（来京）旅游者平均在京停留时间4.11夜①，也从侧面表明采用微博数据研究游客行为的可行性。

①资料来源：2016年国内（来京）旅游者基本情况，载于《北京旅游统计便览》2017卷，2017年3月出版。

1.2.2社会网络分析

社会网络分析就是要对社会网络中行为者之间的关系进行量化研究，其主要涉及度数、密度、捷径、距离和关联图等几个概念[18]。Vincent D Blondel等[34]基于模块化优化提出一种启发式社区探测算法，能够从大型社会网络中快速识别出不同的社区。算法主要分为两个阶段：

第一个阶段：首先对于一个拥有N个节点的加权网络中的每个节点都指定一个不同的社区，然后将每个节点i尝试放入到邻近节点j的社区C中，并计算模块化收益

ΔQ，若ΔQ均为消极的，则节点i留在原社区;若ΔQ为积极的，则节点i移入ΔQ最大的社区，重复对每个节点进行计算，直到每个节点的ΔQ都无法提升。

Q=in+ki，in2m-tot+ki2m2-in2m-tot2m2-ki2m2。（1）

in表示社区C内部边的权重之和，tot表示与社区C内节点相关联的边的权重之和，ki表示与节点i相关联的边的权重之和，ki，in表示节点i与C 内部节点相连的边的权重之和，m是整个网络边的权重之和。

第二个阶段：以第一阶段生成的社区为节点，边的权重则为对应两个社区的节点相连的权重之和，重复第一阶段的步骤。

通过上述两个阶段，不断迭代，直到不能生成新的社区为止。

2结果与分析

2.1游客签到路径分析

游客签到路径是游客实际到访的文保单位、旅游景点和交通设施等节点的空间关联的具体体现。根据游客签到时间和签到位置，构建出所有游客的签到路径（图2）。

由图2可以看出：

1） 游客的签到路径覆盖范围主要集中在首都功能核心区和城市功能拓展区。这些游客的签到路径覆盖范围约占据北京的1/2，但主要集中在东城区、西城区、朝阳区、海淀区、丰台区、石景山区、昌平区等靠近城市中心的区县。游客的签到路径覆盖范围和文保单位的空间分布具有密切的联系，北京城市中心几个区县分布着大量的文保单位，这些区域距离北京南站、首都机场等主要交通枢纽较近，且这些地区的轨道交通、公共交通等也都极为便利，所以吸引了大量的游客。门头沟地区虽然分布着数量不少的文保单位，但仅有国家重点文物保护单位爨底下村吸引了少量的游客。而同样偏远的区域则因为拥有着数量不等的著名景点吸引了许多的游客，例如房山区的十渡，每年夏天都会有非常多的游客前往度假;大兴区的北京野生动物园，这一景点的特色也吸引了很多游客;延庆区的国家重点文物保护单位八达岭长城和古崖居、北京十六景之一的龙庆峡和玉渡山，密云区的蟠龙山长城和国家级重点文物保护单位司马台长城等，都吸引了较多游客。

2） 远郊区县也有覆盖，西北部山区覆盖较少。门头沟区和怀柔区是涉及最少的地区，怀柔区一方面因为旅游资源相对较少，另一方面地理位置距离火车站、机场较远，城市近郊区与怀柔相连的交通需要花费较长时间，所以游客很少前往。

由于数据量巨大，图2无法看出游客签到路径与文保单位的关联，因此，根据三类游客人数分布，分别从短期游客（游玩1至4天）、长期游客（游玩5至7天）和深度游游客（游玩8天至31天）三类中随机抽取4名、2名和3名（图3）。

通过图3可以看出，游客签到路径的关键节点与文保单位高度吻合，但同时路径中也包括著名的旅游景点和交通节点。其中，一名游客在北京游玩了世界文化遗产十三陵、颐和园、天坛、八达岭长城、故宫和国家级重点文物保护单位圆明园遗址、天安门等，除此之外，该游客还前往了北大、前门、王府井、什刹海、奥林匹克公园等景点或商场。在他的旅游路径中，文化遗产的体验占据了很大一部分行程。其他几名游客的签到路径涉及的节点，除了机场、火车站、交通枢纽等，也大都与一些知名度很高的文保单位如八达岭长城、颐和园、故宫、潭柘寺等相吻合，说明游客路径可以反映文保单位的空间关联性。从图3也可以初步看出，在北京众多文保单位中，联系最为密切的是故宫、天安门、八达岭长城等知名度很高的文保单位。

2.2基于社会网络分析的北京市文保单位关联研究

微博签到数据反映的是游客实际到访的任何地方，所以会出现一些休闲娱乐场所、交通节点及大型游乐设施等与文保单位无关的地方。如图3所展示的情况，游客微博签到路径包括如三里屯、朝阳大悦城等休闲购物场所，也会出现首都机场、北京南站、北京西站等交通枢纽，还有就是十渡等休闲度假之地。为了排除这些非文保单位因素的影响，

更好地挖掘文保单位之间的关联性，本文利用社区探测方法，进一步分析文保单位之间的关联性。

构建基于游客签到数据的文保单位关联矩阵（图4），然后利用1.2.2中提到的社区探测算法，对文保单位间的关联进行组团发现，结果如图5所示。

从图5可以看出，46×46的文保单位关联网络被划分为3个组团。第一个组团以天安门、故宫、和天坛为首，次一级包含国家博物馆、南锣鼓巷和广福观。这一组团规模最大，包含的节点最多，共有24个节点，覆盖的范围也是3个组团中最广的，南起天坛，北至水关长城，西起中央电视台，东至法国邮政局旧址，基本覆盖整个城区。这一组团的成员性质较为相似，都是文化内涵较为丰富的著名旅游景点，其中以皇城文化为主，其次是祈福祭祀文化。同時，这一组团节点位置相对接近，主要集中在天安门附近，其次是首都博物馆一块、颐和园一块。 第二个组团以

王府井、大栅栏商业建筑、全聚德烤鸭店门面为主。组团规模较小，仅有9个节点，覆盖的范围相对较小，不过节点分布较为集中，主要是可园一块和大栅栏商业建筑一块。这一组团的成员性质主要为商业和建筑遗址。第三个组团以景山为主，其次是国家大剧院、孔庙、工人体育馆等。这一组团的规模同王府井组团的规模相近，共有13个节点。由于节点非常分散，所以这一组团覆盖的范围也较广，从城区西南方向穿过城区延伸向城区东北方向。这一组团的节点性质更多是以休闲为主，如景山、三里屯、工人体育馆等。

同时可以发现：

1） 第一组团在组团联系中占核心位置，该组团不仅节点数量最多，在联系强度上也最高。

第一个组团中的核心天安门、故宫与其他两个组团的核心王府井、景山、全聚德烤鸭店门面都有较强且直接的联系，这种关联强度在整个关联网络中都可以排在前列。而第二个

组团与第三个组团的相互联系强度很弱，这意味着第一个

组团在整个组团联系中占有核心位置，是联系枢纽。

2） 第一个组团的每一个成员几乎都与其他组团的有所联系，而另外两个组团的成员则主要与本组团的成员联系较为密切。

在第一个组团中，人民大会堂、天坛、南锣鼓巷等节点除了同自身组团内的节点相互联系，还与第三个组团有着直接的联系，而第三个组团和第二个组团内的其他节点与其他组团节点的联系较弱，更多的还是与其自身内部的节点相互关联。

3） 不同组团内部联系紧密性也存在差异，第一个组团内部联系最为紧密。

隶属于第一个组团的节点成员在内部的联系非常多而且强度很强，如天安门与故宫，故宫与南锣鼓巷、天安门与国家博物馆、天安门与天坛，还有诸如颐和园、广福观、凝和庙等文保单位与天安门或者天坛有所连接，组团内部大部分的文保单位节点都与几个主要节点有所连接，这意味着

第一个组团是一个联系紧密且核心很突出的整体。而在

第三個组团内部，几乎只有一半的文保单位节点与景山有直接的联系，湖广会馆、旧式铺面房等与其他节点的联系都不显现，说明他们处于孤立状态，而且，国立蒙藏学校旧址、孔庙等文保单位虽然与景山有所联系，但是强度不是很高，所以第三个组团

相对于第一个组团来说，更加松散，核心凸显不明显。相对于第一个、第三个组团来说，第二个组团则最为松散。整个组团中，只有王府井、全聚德烤鸭店门面、大栅栏商业建筑、京奉铁路正阳门东车站旧址等几个节点有所联系，联系强度不高且联系方向较为分散，而剩余的德胜门箭楼、可园、旧宅院等位于北边的文保单位节点均处于孤立状态或者说与其他节点的联系非常弱。

3结论与讨论

3.1结论

本研究通过2017年在北京地区签到的游客的微博信息构建游客的路径，并结合社会网络方法探究文保单位的时空关联性，主要结论如下：

1） 社交媒体大数据和社会网络分析方法在研究文保单位之间的关联方面具有很高的可行性。本文利用2017年社交媒体大数据中的微博数据，并结合社区探测方法，对北京市文保单位空间关联性进行深入分析，得出游客视角下文保单位空间关联网络结构特点等，有利于文保单位的整体保护和发展。

2） 北京市文保单位存在显著的空间关联性，同时可以发现，文保单位的空间关联性也存在空间差异，城区内部的文保单位之间联系紧密;在城市整体空间范围内，八达岭长城和城区内的文保单位关联程度密切，西郊的文保单位则关联性较弱。

3） 北京文保单位组团以天安门、故宫为核心，包含节点数量最多，覆盖范围最广，整体网络结构尚欠合理。故宫-天安门组团是规模最大、包含节点数量最多、覆盖范围最广的组团，并且与其他组团联系也是最为密切的，处在核心位置，是串联其他文化遗产的关键所在。对文保单位空间关联组团的分析，一方面可以发现文保单位关联网络中薄弱的节点，从而有针对性地加以重点投入，提升整体保护利用水平;另一方面，文保单位的空间关联结果可以发现游客的行为规律，更好地规划旅游路线和交通等服务设施，提升游客的旅游体验。

3.2讨论

文化遗产分为物质文化遗产和非物质文化遗产，在北京除了数量众多的文物保护单位，还拥有大量的非物质文化遗产。本文仅针对北京地区的文保单位进行文化遗产关联性分析，在研究内容上具有一定的局限性。今后还应加强对历史街区等线性文化遗产、非物质文化遗产的研究，同时还应扩大数据来源，进一步提高数据的准确度，从而能够更好地体现文化遗产的关联性。除此之外，还应在时间维度更加深入和完善相关方面的研究。

[参考文献]

[1]王运良. 中国“文物保护单位”制度研究[D].上海：复旦大学，2009.

[2]刘恩彤.我国历史文化遗产整体保护策略探索[J].西安建筑科技大学学报（社会科学版），2018，37（1）：60-63+95.

[3]张兵.历史城镇整体保护中的“关联性”与“系统方法”——对“历史性城市景观”概念的观察和思考[J].城市规划，2014，38（S2）：42-48+113.

[4]邹怡情，刘娜奇，剧楚凝.北京社稷坛（中山公园）整体保护策略研究[J].北京规划建设，2019（1）：37-43.

[5]杨晓东，牛建忠，刘碧莉.天坛整体保护与城市发展探讨[J].北京规划建设，2012（2）：91-93.

[6]秦红岭.从两个新视角审视北京老城建筑遗产整体保护[J].前线，2018（6）：79-81.

[7]张金德.从“文”“物”保护到聚落整体保护[J].政协天地，2018（4）：72.

[8]丁绍刚，黄俏俏.生态博物馆理论与践行模式对我国农业文化遗产保护的意义[J].中国农史，2017，36（6）：130-138.

[9]陈勤建.当代语境下庙会文化空间整体保护及重构——以上海龙华庙会及宁波梁祝庙会等为研究对象[J].西北民族研究，2016（3）：106-113.

[10]王胜鹏.散杂居少数民族武术文化遗产的保护与传承——以山东回族为例[J].黑龙江民族丛刊，2015（4）：140-144.

[11]耿怀民.运城现存盐文化遗产整体保护初探[J].文物世界，2018（4）：36-39+30.

[12]王丽萍.文化遗产廊道构建的理论与实践——以滇藏茶马古道为例[J].贵州民族研究，2011，32（5）：61-66.

[13]王丽萍.滇藏茶马古道线形遗产区域保护研究[J].地理与地理信息科学，2012，28（3）：101-105.

[14]王丽萍.文化线路与滇藏茶马古道文化遗产的整体保护[J].西南民族大学学报（人文社科版），2010，31（7）：26-29.

[15]杨紫凯，林高瑞，杨燕如.动态整体性视角下庆城历史文化名城保護策略研究[J].建筑与文化，2018（12）：143-146.

[16]杨开.未来应推进基于网络关联性的“黟县盆地”整体保护[J].中国建筑装饰装修，2018（9）：126.

[17]魏青.从鼓浪屿文化遗产地保护管理规划的编制与实施谈规划系统中的整体性、关联性与动态性[J].中国文化遗产，2017（4）：32-43.

[18]朱庆华，李亮.社会网络分析法及其在情报学中的应用[J].情报理论与实践，2008（2）：179-183+174.

[19]曹炜威，杨斐，官雨娴，等.成渝经济圈城市群的经济联系网络结构[J].技术经济，2016，35（7）：52-57+128.

[20]时少华，孙业红.社会网络分析视角下世界文化遗产地旅游发展中的利益协调研究——以云南元阳哈尼梯田为例[J].旅游学刊，2016，31（7）：52-64.

[21]时少华.基于社会网络分析的农业文化遗产地旅游村落治理研究——以云南元阳哈尼梯田两村为例[J].商业研究，2016（11）：177-185.

[22]朱海勇，孟斌，张景秋.数字化技术和三山五园文化遗产保护与利用[J].北京联合大学学报（自然科学版），2016，30（1）：21-25.

[23]鲍泓，刘宏哲.大数据时代文化遗产数据挖掘的认识[J].北京联合大学学报（自然科学版），2015，29（3）：1-4.

[24]朱灿.大数据思维下贵州傩戏面具的保护研究[J].四川戏剧，2017（8）：41-43.

[25]崔莹.论影像化在非物质文化遗产保护中的作用和意义[J].云南民族大学学报（哲学社会科学版），2018，35（6）：38-42.

[26]胡静.大数据背景下科学保护文化遗产的探索[J].文物鉴定与鉴赏，2017（12）：91-93.

[27]杨微石，郭旦怀，逯燕玲，等.基于大数据的文化遗产认知分析方法——以北京旧城中轴线为例[J].地理科学进展，2017，36（9）：1111-1118.

[28]吴祐昕，吴波，麻蕾.互联网大数据挖掘与非遗活化研究[J].新闻大学，2013（3）：66-71+53.

[29]谭必勇，陈艳.文化遗产的社交媒体保护与开发策略研究——基于“长尾效应”的讨论[J].情报科学，2018，36（3）：20-25.

[30]肖鹰.利用大数据促进开平碉楼与村落个性化营销[J].现代营销（下旬刊），2018（4）：69-70.

[31]GIRARDIN F， CALABRESE F， FIORE F D， et al. Digital footprinting： uncovering tourists with user-generated content[J]. IEEE Pervasive Computing， 2009， 7（4）：36-43.

[32]SWAMI A， JAIN R. Scikit-learn： machine learning in python[J]. Journal of Machine Learning Research， 2012， 12（10）：2825-2830.

[33]杨忆，李建国，葛方振.基于Scikit-Learn的垃圾短信过滤方法实证研究[J].淮北师范大学学报（自然科学版），2016，37（4）：39-41.

[34]BLONDEL V D， GUILLAUME J L， LAMBIOTTE R， et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics： Theory and Experiment， 2008（10）：90-102.

（责任编辑李亚青）

[收稿日期]2019-05-10

[基金项目]国家自然科学基金项目（41671165），北京市属高校高水平教师队伍建设支持计划高水平创新团队建设计划项目（IDHT20180515），北京联合大学人才强校优选计划（BPHR2017EZ01）。

[作者简介]黄松（1992—），男，安徽合肥人，北京联合大学应用文理学院硕士研究生，主要研究方向为文化遗产区域保护。

[通讯作者]孟斌（1971—），男，安徽肥东人，北京联合大学应用文理学院教授，博士，主要研究方向为数据挖掘、地理信息科学。E-mail：mengbin@buu.edu.cn