王 坤 雷振仙

（贵州大学旅游与文化产业学院，贵州贵阳 550025）

0 引言

自Sheller等（2006）将流动性范式引入地理学研究，研究者们开始重点关注地理空间中的各种流动现象。骑行旅游的慢速流动过程提高了旅游的灵活性和自主性，增加了旅游的流动性。骑行旅游者处于开放的流动性空间内，强化了旅途本身的吸引物属性，能增强人与地方、空间的互动，使旅游具有开放、互动、重构地方意义的特征（张朝枝 等，2017）。山地因地形起伏、海拔高差、地质地貌构成、生态自然环境等自然条件，适宜开展攀岩、登山、山地自行车、徒步、滑雪等刺激的感官体验型户外活动。山地具有的高梯度效应赋予骑行旅游更强的挑战性和趣味性，更能增强行游结合的旅游体验。特别是新冠病毒疫情防控阶段，境外游和跨省游等远途旅行受到限制，本地游、周边游等近距离休闲度假与居民旅游需求相符合，推动了旅游休闲方式的改变。后疫情时代游客出游行为呈现日常化、休闲化、户外化的趋势，休闲活动与户外运动成为游客日常旅游的首选。骑行旅游既满足低风险出行旅游的愿望，又符合当下居民的社交娱乐需要，以及对绿色健康生活方式的向往，已从小众的运动休闲方式走进大众视野。深入探讨山地空间形态上的骑行旅游活动规律对于协调人地关系、促进生态和谐及可持续性具有重要意义。

近年来，随着自行车运动、自行车赛事等在全球范围内的普及，研究者们逐渐关注到以自行车为主要交通方式的旅游活动。根据骑行旅游具有的骑行属性，现有研究内容主要聚焦骑行旅游的路线选择、骑行旅游体验等方面。Majumdar等（2018）提出影响骑行旅游路线选择的主要因素有路途风景、旅游基础设施、坡度等。胡传东等（2015）基于网络游记，运用内容分析法揭示了川藏线骑行旅游者的旅游体验规律。张朝枝等（2017）基于骑行入藏者的半结构访谈建立了“行为-氛围-情感”的骑行旅游体验模型。王汝辉等（2020）通过扎根理论方法得出了骑行旅游的客观本真性体验和存在本真性之间的互动模型。Han等（2017）探究了骑行旅游属性、感知价值、满意度、欲望和性别在骑行旅游者忠诚度生成过程中的作用。此外，也有研究者关注骑行旅游的空间分布特征，例如：Mou等（2022）对西藏骑行旅游者骑行轨迹开展研究，发现骑行的热点区域为宗教文化景点或风景名胜区，且骑行旅游路线与省道的联系更为密切；吕旭涛等（2018）通过聚类得出骑行旅游主要的两种空间模式为直游型和环游状。随着研究不断地细化和深入，研究者们也逐渐关注到依托山地地貌的骑行旅游活动，例如：Hagen等（2016）在山地骑行赛道的规划中融入旅游者情感和体验的内容，为生活实际应用提供了方法论指导；Pröbstl-Haider等（2018）以国际山地旅游地奥地利为案例地，依托山地骑行市场的复杂性进行骑行旅游产品设计和服务改善等研究，以期为同类型目的地提供借鉴。相关研究者在分析国外山地旅游研究热点时发现，山地自行车已被列入前十位高频关键词（田瑾 等，2020），由此说明对山地骑行旅游的研究具有重要的学术价值。

综上，国内外对于骑行旅游的研究取得了较为丰硕的成果，但还存在以下不足：首先是研究内容方面，现有关于骑行旅游的研究主要集中在骑行旅游体验方面（Han et al.，2017；胡传东 等，2015；王汝辉 等，2020），虽然已有研究关注到骑行旅游空间特征及组织模式（Mou et al.，2022；吕旭涛 等，2018），但较少有关于空间流动的时空演化特征及机制研究。其次是数据来源较为单一，多以访谈、问卷数据为主。随着通信技术的迅猛发展和大数据时代的到来，携程、马蜂窝等OTA平台和两步路、六只脚等户外旅游APP大规模建设及运用，旅游者足迹定位精确度不断提高，以及全球终端定位系统不断多元化、便捷化、低成本化发展，研究者们开始利用GPS进行旅游时空行为方面的研究，对于揭示时空特征和行为模式具有重要的意义（黄潇婷 等，2016；梁景宇 等，2019）。最后是研究区域方面，国内对于骑行旅游的研究大多以川藏线或西藏地区为案例地（Mou et al.，2022；张朝枝 等，2017；吕旭涛 等，2018），而以山地这一特殊且重要的地貌类型为研究区域的相对较少，亟待补充依托山地自然属性及与山地人文效应相关联的骑行旅游方面的研究。

目前国内外对于骑行旅游的定义尚未统一，骑行旅游的概念界定仍是研究的热点问题（邓冰 等，2015）。不同的社会经济文化背景下，骑行旅游具有不同的内涵，但研究者们均考虑了距离和时间等基本要素（Simonsen et al.，1998；Ritchie，1998；Lamont，2009）。随着时代的进步，电动车、摩托车等相较于自行车更便捷和省力的骑行方式得到普及，为骑行旅游提供了极大的便利。借鉴以上研究成果，同时为使山地骑行旅游具有广泛性和现代意义，本文将山地骑行旅游的概念界定为：依托山地地貌形态，以自行车、电动车、摩托车等骑行工具为主要交通方式，在离开惯常环境超过10千米且旅行线路海拔在500米以上的地区开展山地观光、休闲、运动等山地旅游活动的旅游形式。基于此，本文将贵州省作为开展山地骑行旅游活动的典型案例地，以骑行旅游的GPS轨迹数据为基础数据源，并融合统计数据、地理信息数据等多源异构数据，探究山地骑行旅游时空演化特征及分异格局的形成机理。与现有研究相比，本文的贡献主要体现在：第一，从较为精确的骑行旅游轨迹数据出发，通过时间和空间两个维度对山地骑行旅游的长期趋势、集聚扩散与演化特征进行细致分析；第二，以县（市、区）为基本地理单元，综合自然、人文等因素实证探讨山地骑行旅游空间格局的影响因素，推动研究从时空描述性分析到形成机理的深化过程。本文的研究成果对于山地骑行旅游空间格局的认识、山地骑行基础设施的合理规划及山地骑行路线的设计具有重要的价值。

1 研究区概况与数据来源

1.1 研究区及骑行市场概况

贵州省地处中国西南内陆地区腹地（见图1a），地势西高东低，是西南地区的交通枢纽。山地是贵州分布面积最大的地貌类型（见图1b），山地和丘陵占总面积的92.5%①贵州省自然资源厅.被称为“沉积岩王国”的贵州，山地和丘陵占全省国土面积的92.5%［EB/OL］.（2021-07-08）［2022-07-15］.https：//zrzy.guizhou.gov.cn/wzgb/zwgk/zfxxgk/fdzdgknr/qtfdxx/xwfbh/202201/t20220121_72377480.html.，以低山（500米～1000米）和中山（1000米～3500米）为主，具有用地条件好，气候舒适度高，适宜休闲、娱乐和运动等优势（周晓琴 等，2017）。贵州是喀斯特地貌典型发育地区，拥有壮美的峰林、石林，奇绝的峡谷、盲谷，神秘的溶洞、天坑等雄奇多彩、陡峭多变的喀斯特景观。

图1 研究区概况图

2015年以来，在“国际山地旅游暨户外运动大会”平台的助推下②赵腾泽，2022.聚焦山地旅游发展，携手共筑崭新未来［N］.中国旅游报，2022-08-25（2）.，贵州省依托丰富的山地资源优势，推动以户外运动为代表的特色业态日趋兴起，促使山地旅游产业向纵深发展。山地骑行旅游集休闲化、大众化、娱乐化为一体，为山地旅游产业与其他产业融合发展开拓了更大的空间，山地骑行旅游市场也迸发出蓬勃生机。需求方面，人们对山地骑行需求急速增长，体现在用户通过各大企业平台获取骑行旅游相关信息并购买骑行旅游产品。旅游攻略平台马蜂窝旅行大数据显示，2020年骑行类的数据增长108%。社区分享平台小红书数据显示，2022年前8个月搜索骑行相关信息的用户频次同比增长了253%。电商平台京东的数据显示，2022年6月以来，京东自行车品类销售量和成交额均增长迅猛③鲁元珍，2022.在城市与自然中穿行：“骑行热”引领出游新风尚［N］.光明日报，2022-09-11（5）.。综合各大企业平台数据，人们对休闲骑行的需求日益增长。

供给方面，贵州省山地骑行旅游资源丰富，有赤水河谷旅游公路、遵义余庆松烟骑行小镇、环梵净山骑行线路、环雷公山骑行线路、龙里县谷脚自行车主题公园等类型丰富、主题多样的骑行线路①曹雯，赵相康，2022.陌上花开缓缓归［N］.贵州日报，2022-03-11（9）.，并且已成功举办普安国际山地自行车邀请赛、中国山地自行车公开赛（普安站）等高级别的骑行赛事②曹雯，2021.“五一”多彩游，春去夏来的别样生活［N］.贵州日报，2021-04-30（7）.。在政策层面，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中明确提出，优先发展城市公共交通，建设自行车道、步行道等慢行网络③张宇，2022.骑行热给旅游市场带来哪些新机会［N］.中国旅游报，2022-10-06（3）.。贵州省多地已有不少支持自行车道及骑行线路建设的政策出台，如贵阳市编制了《贵阳市城市慢行（绿道）系统建设总体规划》，在中心城区和副中心城区打造17个慢行优先区，并构建4条慢行（绿道）主廊道④贵阳市自然资源和规划局.《贵阳市城市慢行（绿道）系统建设总体规划》规划公告［EB/OL］.（2018-12-20）［2022-08-25］.http：//zyghj.guiyang.gov.cn/newsite/zwgk/zfxxgk/fdzdgknr/ghjh/gh/202012/t20201228_65765635.html.，串联中心城区主要的历史人文资源、风景旅游区、自然生态区，凸显贵阳市山地城市特色，打造骑友良好型城市环境。

1.2 数据来源与处理

1.2.1 数据来源

骑行旅游轨迹数据来源于两步路户外旅游网站（www.2bulu.com），该网站主要是中国用户使用的交互式户外旅游共享和社区平台。结合国内研究者对一日游的定义，即居民离开惯常居住地10km以外的其他地方开展旅游活动（徐菊凤，2016），本文借助Python程序爬取了骑行路程为10km以上的行程轨迹数据，初步得到17890条包含轨迹ID、用户ID、出发时间、经纬度、海拔、速度等属性信息的骑行旅游轨迹数据（见表1）。

表1 GPS轨迹属性表（部分举例）

1.2.2 数据处理

考虑到自行车、电动车、摩托车有可能是中国居民外出工作和生活的重要交通工具，如何精确识别骑行旅游的数据是本文数据处理的关键。本文逐一阅读获取的数据，并从以下2个方面进行仔细甄别：（1）基于用户ID属性信息删除同一用户从同一起点到达同一终点的多条轨迹相似的骑行数据，这可能是用户日常通勤等活动的数据。（2）从骑行旅游具有的观光休闲特征出发，只保留三类骑行轨迹，即骑行目的地为旅游景区或风景名胜区等具有观光游览属性的目的地，或者沿河或沿湖风景道骑行，以及在景区内骑行的轨迹数据。

甄别出骑行旅游轨迹后，考虑到GPS定位不可避免地受到复杂因素的影响而导致错误数据，因此要制定筛选规则对GPS轨迹数据进行处理。筛选规则具体如下：（1）删除骑行路程、骑行时间、骑行速度等属性信息不完整的轨迹数据；（2）删除创建年份在2013年至2021年以外的骑行轨迹数据；（3）基于轨迹ID属性信息删除因天气、地形等因素导致的不稳定状况而上传的重复数据；（4）考虑到山地的高梯度效应，在山地骑行的最大速度比平原或城市更快，因此将骑行速度的阈值设置为30m/s，大于30m/s的异常数据可能是错误将驾车数据记录成骑行数据；（5）为突出山地骑行的特性，删除骑行海拔高度为500米以下的骑行轨迹。经过逐条阅读骑行轨迹并多次按照规则筛选，最终得到7205条骑行旅游的GPS轨迹数据，其中包含24386915个具有经纬度信息、骑行速度、时间等属性的轨迹点。

2 研究方法

2.1 季节性强度指数

旅游活动具有时间上的不均衡特征，通常被称为季节性，山地骑行旅游是否具有季节性需要进一步验证。通常情况下，旅游需求时间分布的集中性是由旅游季节性引起的，可以用季节性强度指数R来衡量（唐鸿 等，2021）。本文用R来反映山地骑行旅游的时间集中分布程度，值越大，表示时间集中分布于某个时段；值越小表示在全年分布比较均匀。其计算公式为：

式（1）中，R为旅游需求的时间分布强度指数；xi为各月游客量占全年游客量的百分比。

2.2 经验模态分解法

经验模态分解法（Empirical Mode Decomposition，EMD）是对时间序列进行平稳化处理的方法，即将信号以不同尺度的波动或趋势逐级分解（Huang et al.，1998），分解产生的数据序列被称为本征模函数分量（IMF）。不同本征模函数意味着不同尺度下波动的幅度随时间变化的趋势不同，趋势分量（Res）是单调函数或者均值函数，可以代表长期趋势或平均状态。本文使用经验模态分解法将山地骑行旅游的月度波动序列分解成平稳序列，研究山地骑行旅游的时序变化特征。

2.3 复杂网络分析

为构建贵州省骑行旅游流网络，根据骑行旅游的起始地和目的地，本文将骑行旅游流转化为有向加权网络，网络的节点为县（市、区），边为节点之间骑行旅游流流量。关系总数指网络中各节点间直接联系的总数；节点度指标用于分析网络中节点的控制能力，平均节点度表示节点连接边的平均度；网络直径表示任意两点之间最短距离的最大值；平均路径长度指网络中节点两两之间距离的平均长度，反映县（市、区）之间骑行的畅通程度。

2.3.1 节点度

节点度是反映网络结构中各节点在网络中地位的重要指标（李苑君 等，2021），该值越高，表示该节点在网络中越处于较中心的位置，与其他节点的联系强度越高。节点度采用与该节点所有连接的节点Tij的总数来衡量。对于有向加权网络，度Di可分为出度Oi与入度Ii，出度表示节点对网络资源的控制能力，入度表示节点对网络资源的吸引能力。具体计算方法为：

2.3.2 平均聚类系数

网络的凝聚性反映网络整体联系的密切程度，通常采用聚类系数（Clustering Coefficient，CC）揭示网络的联通情况。单个节点的聚类系数为节点i与邻节点之间实际存在的边数与可能存在的总边数之比（席强敏 等，2022），而所有节点的平均聚类系数衡量了网络的整体凝聚力，数值越大说明节点之间的联系越紧密。平均聚类系数的具体计算方法为：

式（5）中，n为网络中的节点数量；di为节点i与相邻节点之间实际存在的边数；k代表与节点i相邻的节点数。

2.4 地理探测器分析方法

地理探测器是探索空间分层异质性背后驱动力的统计学方法，广泛应用于空间分异特征等方面的分析（王劲峰 等，2017）。本文主要利用地理探测器模型中的因子探测和交互探测识别山地骑行旅游空间分异的主要驱动因素及各因素间的交互作用。该模型如下：

式（6）中，q值表示度量因素对于山地骑行旅游空间分异的影响程度，取值范围为［0，1］，取值越大，说明该因素解释力越强，反之则越弱；h为山地骑行旅游空间分异影响因素的分类数；σ2和分别表示因变量在全范围及分类h内的方差；SST和SSW分别为全范围总方差与分类层内方差和；N和Nh分别表示全范围内和分类层内h的单元数。为探究影响因素两两相互作用对空间分异的影响程度，通过比较单一因子的q值和双因子交互（Xi∩Xj）的q值来判断因子之间减弱或增强对因变量的解释力。

3 骑行旅游的时空特征

3.1 时序演化特征分析

3.1.1 总体演化特征

为揭示山地骑行旅游的长期趋势特征，本文采用箱图和核密度演进对其进行分析。由山地骑行旅游轨迹点密度的箱型图可知（见图2a）：（1）贵州省山地骑行旅游轨迹点密度大体呈现稳步上升趋势。这与道路设施不断完善、低碳出行理念的普及等因素密切相关。（2）2020年暴发的新冠肺炎疫情导致中国的旅游业受到了极大的冲击，但是山地骑行旅游的轨迹点密度在2020年并未呈现下降趋势，反而与2019年相比，各县（市、区）内轨迹点密度小幅度上涨。说明疫情影响下山地骑行旅游成为众多无法进行跨区域远距离旅游的游客的替代选择，而随着疫情缓和，更多样化的旅游方式导致2021年山地骑行旅游的轨迹点数量略有下降。

进一步探讨山地骑行旅游的时序动态演进特征，本文将研究范围分成2013—2015年、2016—2018年、2019—2021年3个时间段，分别对应山地骑行旅游萌芽期、快速发展期、稳定期。由核密度演化分析（见图2b）可知：（1）曲线形态上，曲线整体出现右移，右拖尾特征明显，说明贵州省大部分县（市、区）的山地骑行旅游轨迹点密度在低值聚集，少数县（市、区）向高值靠拢。2019—2021年核密度曲线右尾小幅抬高，说明山地骑行旅游轨迹点密度的高等级单元有扩张趋势。（2）峰值变化上，波峰有先变宽后变窄的情况，且波峰呈现下降的趋势，表明贵州省各个县（市、区）山地骑行旅游发展情况的差距逐渐变小。

图2 山地骑行旅游时序演化特征

3.1.2 季节性特征

本文采用季节性强度指数揭示贵州山地骑行旅游的季节性特征。结果显示（见图3a），2013—2021年山地骑行旅游轨迹的季节强度指数分别为8.045、12.930、7.331、2.009、1.883、2.552、2.805、2.610和2.250，数值较大，说明山地骑行旅游存在明显的季节性差异。2013—2015年的季节性强度数值较大，原因是骑行旅游轨迹数量较少，仅分布在个别月份。2016年后季节性强度指数的变动形态总体呈“倒U形”，其中2019年季节性强度最大，说明2019年各月差异最为突出。

本文以月度数据为基准统计骑行旅游轨迹数量的月度分布特征（见图3b），虚线表示骑行旅游轨迹数量的月度平均值。由图可知，低于平均值的月份为1月、2月、11月、12月，均为天气较为寒冷的冬季月份。骑行旅游轨迹数量较多的月份集中于4月～5月和7月～9月，其中7月、8月为骑行旅游轨迹数量的峰值。从月度变化趋势看，骑行轨迹数量在春季呈上升趋势（3月～5月），春夏相交呈下降趋势（5月～6月），夏季及夏秋之际轨迹数量上升并持续处于较高水平（7月～10月），冬季呈下降趋势（11月～12月、1月～2月）。可以看出，贵州山地骑行旅游活动的季节性较为明显，与当地气候条件密切相关，贵州典型的避暑性气候使得夏季成为山地骑行旅游活动的旺季。

图3 山地骑行旅游的季节性特征

3.1.3 波动性特征

为深入分析贵州山地骑行旅游的时间波动特征，本文以采集的轨迹数据作为数据源，构建2013年1月至2021年12月（共计108个月）山地骑行旅游的月度序列数据集，并在Matlab中采用经验模态分解法对其进行分解，得到不同频率下的3个IMF分量和一个残差Res趋势项（见图4），并计算每个分量周期及方差贡献率（见表2）。

图4的结果显示，初始信号（Signal）随着时间的推移逐渐呈现非平稳的波动趋势，表明贵州山地骑行旅游在时序上逐渐呈现周期性波动特征。残差分量图（Res）的结果呈逐渐上升的趋势，表明贵州山地骑行旅游活动呈现逐年增加的趋势。近年来，贵州省以山地旅游产品为发展重点，旅游公路、驿站等山地旅游基础设施不断完善，推动了贵州山地骑行旅游活动的发展。结合表2可知，IMF1、IMF2、IMF3的平均周期分别为4个月、9个月和21～22个月，方差贡献率分别为6.48%、11.64%、4.68%，其中IMF2分量的方差贡献率较高，说明贵州骑行旅游时序的波动以中低频率波动为主。结合初始信号可以看出，贵州省不同年份骑行旅游的峰值集中出现在4月～8月，与IMF2为9个月的波动周期大致吻合，进一步验证了贵州山地骑行旅游活动的季节性特征和避暑度假旅游的目的地特征。

表2 各分量周期及方差贡献率

图4 山地骑行旅游EMD波动图

3.2 空间演化特征分析

山地骑行旅游的空间结构特征是山地骑行旅游要素的空间抽象，空间结构要素具体可抽象为点、线、面等具有内涵的符号，点、线、网络和区域面要素在空间上组合分布，构成相互关联的有机整体。点要素在空间内集聚形成骑行旅游的极核区域，点和面要素叠加后显示出骑行旅游的冷热区域，点与点之间的连线形成骑行旅游的空间网络状结构。由于2013年和2014年骑行旅游轨迹偏少，本文选取2015年作为起始年份，并选取2018年、2021年作为时空演化的时间节点进行分析。

3.2.1 轨迹空间演化特征

本文将研究区域划分为5km×5km的网格，以山地骑行旅游轨迹点与基础地理信息网格数据关联进行空间可视化（见图5）。从栅格轨迹点的空间分布变化来看：（1）骑行旅游发展模式上表现为多核心协同发展。2015年骑行旅游在兴义、安龙等多地出现增长极，并以贵阳为中心形成一个一级集聚核，同时以赤水、仁怀、凯里、龙里等为中心形成多个次级集聚核。不同等级集聚核沿着东西方向和南北轴线两侧分布，延绵连接成轴，且沿轴线两侧的骑行旅游轨迹密度呈梯度递减分布状态。2018年和2021年，骑行旅游轨迹的空间分布均呈现“一极多核”特征，核心区主要位于贵州省中部地区，其中贵阳市及周边的安顺、黔南州等是骑行旅游轨迹的极核区域，而距离核心区较远的黔东南等则是低密度区域。（2）从空间分布的范围和强度来看，2015—2021年，核心区域有向外延伸的趋势，且集聚核的空间辐射范围得到扩大，集聚效应明显。分区域而言，以贵阳为核心的极核区域范围较大，由东西和南北两侧向外延伸。而以兴义、仁怀、赤水、凯里为核心的集聚区域范围较小，但也显示出与周围区域连成轴线且不断向外围延伸的趋势。

图5 骑行旅游轨迹点空间栅格分布特征

3.2.2 空间聚类演化特征

本文综合运用ArcGIS中的空间连接工具将骑行旅游的轨迹点与贵州省范围叠加，借助聚类及异常值分析工具分析山地骑行旅游轨迹点空间聚集类型（见图6）。基于山地骑行旅游轨迹的空间集聚特征，发现各类型集聚区域既存在差异也存在一定关联，表现为以下3个方面：（1）2015年骑行旅游轨迹点密度的高-高集聚区位于兴义、亨册、锦屏，而低-低集聚区位于盘州、六枝。2018年、2021年高-高集聚区的分布相似，主要位于贵州省中部的贵阳市及其周边龙里、平坝等，2021年雷山也成为高-高集聚区。（2）从集聚类型的变化过程看，高-高集聚区的空间分布趋于稳定，而其余集聚类型随时间变化呈现变动性特征。2018年和2021年黄平、盘州均形成骑行旅游轨迹点密度高于周边的孤岛区域，观察发现，高-高集聚区的周围易形成低-高集聚区。（3）大部分县（市、区）的集聚状况表现不显著，原因可能是骑行道路建设有待改善，仍然存在未划分自行车道、停靠不便、补给点不足等问题，目前适合骑行的景区较少，相关的配套服务仍然匮乏。但不显著的集聚状况有改善的趋势，低碳环保出行理念的普及和人们对自然、健康生活方式的追求，是骑行旅游快速发展的重要促进因素。

图6 空间分布及异常值聚类分析

3.2.3 空间网络演化特征

本文使用GPS轨迹数据，从爬虫获取的数据中筛选出起点和终点坐标，运用Python程序逆地理编码技术调用百度地图API，将起始坐标和终点坐标解析成具体位置，在ArcGIS 10.5中构建骑行旅游流的O-D（Origin-Destination）流动网络结构（见图7），分别从网络凝聚性和网络结构两个方面进行分析，总结贵州省山地骑行旅游流动网络的演变特征规律。

图7 贵州省山地骑行旅游流动网络

（1）骑行旅游网络的凝聚性

本文使用Gephi数据处理软件进行网络凝聚性分析，测度了贵州省山地骑行旅游网络的关系总数、平均度、网络直径、平均路径长度和平均聚类系数，并重点分析骑行旅游者流动所构成的网络指标变化（见表3）。

表3 三个时期网络的平均聚类系数、平均路径长度与网络直径

结果显示：①从时间节点看，骑行旅游流动的关系总数从39增大到79，骑行流动涉及的县（市、区）显著增加，网络呈现明显的生长趋势。②网络节点的平均度不断增大，说明骑行网络中的节点对周边的吸引力增强，每个节点连接边的平均数随着时间不断增加，说明节点的联系性增强。2015年，骑行旅游流网络节点大多为孤立节点，节点之间联系性不强，多数处于中断状态，说明骑行旅游的路径不长，跨县（市、区）流动少。2018年县（市、区）之间联系路径较为完整，已形成典型的网络式空间结构。③网络直径呈变小趋势，说明节点间的最长距离变短，骑行网络流动效率提高。平均路径长度随时间演变值越来越小，说明网络中节点的连接度不断增大，与平均度不断增大的结果相符。④同时，骑行旅游流网络的平均聚类系数从0.165增加到0.265，反映出网络中各节点联系的密切程度进一步增强。以上结果说明骑行旅游流动网络逐渐体现出“小世界效应”，县（市、区）之间骑行旅游要素流动效率逐渐提高。

（2）骑行旅游网络结构演化特征

贵州省山地骑行旅游流动网络由分散、单一结构逐渐转变为多辐射节点、多样化结构。2015年只有少数县（市、区）形成骑行旅游流动的连线，高骑行流的空间分布具有一定的随机性和偶然性。2018年贵州省中部地区的花溪、清镇、观山湖、南明、修文、龙里逐渐成为高等级节点，形成由中心向外围的辐射式网络结构。2021年高等级节点向外部扩散，向外围延伸并将平坝、乌当包含在内，这些节点的节点度均较高，形成了复杂的空间网络化结构。同时依托于高等级赛事和骑行基础设施的建设，都匀-麻江、雷山-凯里、兴义-安龙、赤水-习水-仁怀形成多个次级网络轴线。综上，贵阳市同时具有控制能力和吸引能力，在全省骑行网络中的功能和地位最突出，具有高辐射力度。随着骑行旅游的发展，遵义的仁怀、习水也逐渐成为整体网络的辐射中心。

4 山地骑行旅游空间格局的形成机制

4.1 山地骑行旅游空间格局的驱动因子选择

4.1.1 模型构建

当前学界针对旅游现象时空格局的影响因素研究，主要集中在旅游者属性特征、客源地特征、旅游者由客源地向目的地流动的原因等诸多方面（刘法建 等，2010；李磊 等，2021）。山地骑行旅游空间格局的形成是多要素综合作用的结果，既受到传统旅游空间驱动要素的作用，又受到骑行特性和山地梯度等自然特性的影响。借鉴相关研究成果（荣慧芳 等，2020；李涛 等，2020；张荣天 等，2022），结合贵州省山地骑行旅游的特征，在数据可获取的基础上，本文选取经济发展水平、区域市场规模、山地自然要素、气候环境条件、交通便利程度、旅游资源禀赋6项指标作为地理探测器的探测因子（见表4）。在旅游研究中，通常旅游者某一行为的空间表征可抽象为由轨迹组成的足迹空间，山地骑行旅游这一行为在空间上可表征为山地骑行旅游的轨迹点，因此本文将县（市、区）的轨迹点密度数据作为因变量。

表4 山地骑行旅游空间格局驱动因子指标选取、含义、计算方法及数据来源

4.1.2 最优分类参数选择

通过空间数据离散化确定空间分层异质性的最佳尺度是运用地理探测器的关键环节，判断离散化分类结果的最优参数可通过地理探测器结果的q统计量来评价，q值越大分区效果越好。在R语言中调用GD包（Song et al.，2020），运用相等间隔分类（equal breaks）、自然断点分类（natural breaks）、分位数分类（quantile breaks）、几何间隔分类（geometric breaks）、标准差分类（standard deviation breaks）5种分类方式，本文将分类等级数设置5～10类，从中筛选出q值最大的空间尺度作为地理探测器分析的参数。

4.2 山地骑行旅游驱动因素探测结果

4.2.1 主导因子探测

本文综合运用地理探测器探测山地骑行旅游空间格局主导因子，结果表明（见表5），各影响因子对山地骑行旅游空间分布特征均有显著的驱动作用（p值均小于0.1），因子影响力从大到小依次为：人口密度（0.808）＞人均可支配收入（0.621）＞人均地区生产总值（0.546）＞地势起伏度（0.540）＞路网密度（0.456）＞旅游景点密度（0.373）＞年雨天数量（0.274）＞海拔高度（0.237）＞年平均气温（0.173）。由此可知，人口密度对山地骑行旅游空间分异格局的影响程度最大，其次为经济发展水平，地势起伏度也有较强的解释力，说明山地自然要素具有的高梯度效应对山地骑行旅游空间格局分异有影响，路网密度对山地旅游空间格局的分异也有一定的解释力。从驱动因子解释力大小来看，总体上表现为受经济发展水平的影响较大，受气候环境条件的影响较小，而受山地自然要素的影响居中的特点。

表5 山地骑行旅游空间分异格局因子探测结果

4.2.2 交互作用探测

本文运用地理探测器分析探测因子中各要素对山地骑行旅游空间格局的影响是否存在交互作用，即一种因素是增强或是减弱其他因素的驱动作用（见表6）。

表6 山地骑行旅游空间分异影响因子交互探测结果

（1）总体上，多数因子交互后呈现双因子增强或是非线性增强的效果（蓝色和黄色填充占比为81%）。这表明两两影响因子之间交互会大概率增强对山地骑行旅游空间分异格局的解释力度。经济发展水平、山地自然要素、气候环境条件、交通便利程度两两交互后因子解释力均呈显著增强趋势。山地骑行旅游的空间分异格局不是单一影响因素造成的，而是多影响因素交互耦合作用的结果。交互探测中的减弱作用主要发生在区域市场规模与其他影响因素之间，说明区域市场规模与其他因素交互作用会削弱区域市场规模对山地骑行旅游空间分异格局的强解释力。

（2）交互影响差异上，人均可支配收入和年雨天数量交互后的解释力最强，解释值为0.974，说明人均可支配收入的提高和天气状况的改善将进一步促进山地骑行旅游轨迹密度的空间集聚，属于社会因素和自然因素交互作用增强的结果。但人口密度和海拔高度交互后有非线性减弱的趋势，说明影响因素之间交互作用不一定有增强解释力的效果。气候环境条件中年雨天数量和年平均气温的解释力有差异，山地自然要素中海拔高度和地势起伏度也有差异，原因可能是降雨等天气状况直接阻碍了骑行旅游活动，地势起伏度与海拔高度相比是更容易被骑行旅游者感知到的因素。

4.3 山地骑行旅游空间分异的形成机理

地理探测器的分析结果揭示了探测因子在以贵州省为案例地的山地骑行旅游空间格局分异上的解释能力差异。本文进一步对山地骑行旅游空间格局的影响因素进行归纳提炼，剖析其形成机理（见图8）。

图8 山地骑行旅游空间分异的形成机理

（1）区域市场规模是骑行旅游空间格局形成的核心推动力。①人是旅游活动的特定承担者，人口密度较大的区域存在更多潜在的骑行旅游者，形成骑行旅游消费。②从骑行轨迹信息中可知，骑行距离为10km～25km的轨迹数量占骑行轨迹总数量的40.69%，说明较短距离的骑行旅游活动占据了骑行旅游市场大部分市场份额，多数骑行旅游者由于体能储备等原因更倾向于较短距离的骑行旅游活动，这与相关研究结论一致（Lamont，2009）。客源市场本地化是骑行旅游市场的主要特征之一，随着游客出行休闲化的变化，骑行旅游活动逐渐成为可以随时随地进行的日常活动。

（2）经济发展水平是山地骑行旅游空间分异的向心凝聚力。人均可支配收入和人均地区生产总值的探测结果均显示，经济发展水平对山地骑行旅游空间格局的形成有较强的解释力。经济发展水平是影响旅游发展的基础性因素，人均可支配收入直接影响旅游需求大小，消费能力的提升可以促进骑行旅游消费。较强的经济吸引力形成旅游凝聚力，区域经济发展水平的提升催生多样化的旅游方式和与时俱进的旅游观念，同时区域的经济发展水平使旅游产业投资增加，间接促进骑行旅游要素的空间集聚。

（3）山地自然条件是进行山地骑行活动的基础，同时地形是最难以被人类行为改变的空间要素之一，是山地骑行旅游空间分异格局形成的基本约束力。山地自然条件包含山地自然要素、气候环境条件及旅游资源禀赋。

①山地自然要素主要表现为山地的地势起伏度对山地骑行旅游空间格局的影响。在游记中有骑行旅游者提到：“又要开始一段超爽的下坡。”“喜闻乐见的是各种陡峭的、直上直下的陡坡！”“今天大约70公里的路程，都是在崇山峻岭中穿行。时而上坡时的奋力蹬踏，时而下坡时的风驰电掣，反反复复。”“四天三百公里的骑行旅游宣告结束。困难没有想象那么多，其实，迈出旅行的第一步，最困难的此刻就已经过去。”山地地形增加了骑行旅游的难度，对于骑行旅游者造成一定心理上和身体上的挑战，但同时也伴随着克服困难的成就感和愉悦感。

②气候环境条件中，旅游活动的开展需要一定的气候条件。优良的气候条件本身是天然且重要的旅游吸引物，同时气候是开展户外旅游活动的决定性因素。贵州省是典型的山地气候，主要表现在夏季的避暑性气候，结合前述季节性和波动性研究，发现夏季是开展山地骑行旅游活动的旺季。“这里是贵州黔西南州，有全国最大面积的喀斯特地貌，拥有小众美景和世外桃源，是开展山地户外运动的天堂，尤其是这里夏季均温25℃，被称为避暑胜地，在黔西南夏日的清风中来一场骑行活动，消夏又减脂，再好不过了。”可见，不少骑行旅游者会选择夏季作为骑行旅游的季节是因为山地目的地的避暑性气候。

③旅游资源禀赋有助于骑行旅游的空间集聚。骑行旅游者在游记中提及，“来到景区内的下纳灰村住下，我们每个人租辆单车，在奇妙的峰林和美丽的村庄中穿行，呈现在眼前的是一座座奇美的峰林和阡陌纵横色彩斑斓的田野，还有白墙黛瓦古朴的村寨”。风景优美的景区适宜开展骑行等休闲旅游活动，骑行旅游的慢速流动方式更能使旅游者对地方景物产生亲切感。

（4）交通便利程度是影响山地骑行旅游空间分异格局的重要支撑力。骑行旅游活动往往沿着国道、省道、县道等交通干线进行，线状基础设施所经过的地带形成骑行旅游轨迹集聚的轴线，骑行驿站、休憩点、观景台等骑行旅游相关要素沿交通基础设施集聚。骑行旅游游记中反复提及由贵州茅台镇至赤水市的骑行旅游公路：“邻近中午，终于见到了久违的阳光，结束了茅台镇的游览，决定开始骑行茅台镇至赤水市的路程，这150公里是我这次骑行的主要路段。”“这是一条专用的自行车公路，依赤水河而建，风景秀丽，于是走走停停，悠悠转转。”这条骑行线路是远近闻名的骑行旅游通道，促进了旅游沟通和游客流动。可见交通基础设施对于山地骑行旅游时空分异的形成具有重要作用，骑行旅游者沿着骑行交通线路在起点和终点间形成旅游流动，同时骑行旅游公路的建设促使骑行旅游越来越广泛和流行，骑行旅游流动逐渐频繁。

（5）其他因素：骑行赛事和旅游产业基础对骑行旅游有助推作用。骑行赛事有利于营造骑行氛围，促进城市骑行文化形成，同时骑行赛事的举办推动地方绿道等基础设施不断完善。有骑行旅游者在游记中提及：“到印江的时候，刚好遇到环梵净山自行车赛印江站，整座城市氛围好到爆炸！随处可见整装的骑友。这座城市的人们对成功举办自行车赛事充满了自豪感，对骑行者特别友好。”“我来参加比赛顺便借此机会游览整座城市。”贵州常在百里杜鹃、万峰林等景区内举办盛大的骑行赛事，骑行路线串联不同景观形成的比赛路线为骑行者提供独特的体验，骑行者可以在慢速流动过程中感知旅游地形象。旅游产业基础较好的城市，拥有更快捷、更便利的旅游通道，骑行风景道的建设范围更广，旅游景区、风景名胜区内部署的骑行配套设施等均推动了骑行旅游空间格局的形成。

5 结论与讨论

5.1 研究结论

本文以GPS骑行轨迹数据为数据源，研究过程融合统计数据、基础地理信息数据、网络文本数据等多源数据，综合运用季节性强度指数、经验模态分解法、复杂网络分析、地理探测器等方法探讨了山地骑行旅游的时空特征及其形成机理，主要得出以下结论：

（1）贵州山地骑行旅游发展呈稳步上升趋势，县（市、区）之间差距缩小，具有明显的季节性特征，夏季和冬季分别是骑行旅游活动的旺季和淡季。山地骑行旅游时序变化具有波动性和周期性，时序波动以中低频率为主，波动周期主要为9个月，波动峰值出现在4月～8月，符合山地旅游目的地避暑性特征。

（2）贵州山地骑行旅游时空演化呈多核心协同发展，逐渐形成以贵阳市为极核区域，兴义、仁怀、赤水、凯里为孤立核点，以东西走向和南北走向为骑行旅游发展轴线，骑行网路演化成路径完整、连接紧密的“小世界网络效应”，形成以花溪、清镇、观山湖、南明、修文、龙里等高等级节点由中心向外围辐射的空间结构模式。

（3）贵州山地骑行旅游空间分异格局受到经济发展水平、山地自然要素、气候环境条件等因素的共同影响，其中受人口密度、经济发展水平、地势起伏度、路网密度等因素的驱动作用较为明显。因子之间交互作用多呈现协同增强效应，人均可支配收入和年雨天数量的交互作用对空间分异格局的驱动作用更突出。

（4）贵州山地骑行旅游空间分异的形成机理为：区域市场规模是山地骑行旅游空间格局形成的核心推动力；经济发展水平是山地骑行旅游空间格局形成的向心凝聚力；山地自然条件是山地骑行旅游空间分异格局形成的基本约束力；交通便利程度是影响山地骑行旅游空间分异格局的重要支撑力。

5.2 讨论

（1）后疫情时代，掌握骑行旅游者出行规律，对合理布局骑行旅游基础设施，科学规划骑行旅游线路和提升居民旅游便利性具有积极意义。本文在一定程度上弥补了现有对骑行空间格局形成机理研究的不足，对形成机理的深化研究是建立在对时间和空间特征进行描述性分析的基础之上，对研究内容从特征层面到机制层面的深入探讨，深度探寻其形成机制是对作用过程的有效揭示。研究结果表明山地骑行旅游增长极的出现及形成过程越来越表现为对人口、经济、骑行专用道等的依赖性，逐渐突破了山地地形地貌等地表障碍，同时山地高梯度效应带来骑行难度但也伴随着挑战成功的快乐，使骑行旅游更具功能性、更具仪式感。

（2）贵州省山地骑行旅游时空格局的形成是一个长期的、复杂的过程。本文通过地理探测器分析方法，得出贵州省山地骑行旅游时空格局是由自然要素和社会经济要素等共同作用形成的。贵州省在提升山地骑行旅游发展水平时，一是需要加强骑行线路沿线的旅游配套，提升服务水平，要合理规划路线，加强乡村绿道的建设，建设一批乡村绿道景观带，美丽乡村要跟城市绿道有效衔接。二是通过行业协会的自律机制，通过规范化、标准化管理，提升骑行等户外体育旅游的市场治理现代化水平，并通过设计、组织个性化或地域属性强的骑行活动，拓宽骑行领域用户，增强用户黏性。三是完善户外体育旅游的顶层设计，相关部门要出台系列促进措施、相关规划，推动户外体育旅游大发展，发挥综合带动作用，同时完善自行车产业链，推动国内自行车产业走多元化、高端化、专业化、智慧化发展路径。

（3）休闲时代，骑行、露营等小众旅行方式越来越受到关注，利用实时记录位置信息的GPS轨迹数据能将旅游行为可视化成空间动态图形。本文也存在未解决的问题，有待将来深入思考：首先，两步路户外旅游平台上的数据只记录了少部分骑行旅游群体的骑行轨迹，相较于实际骑行旅游群体的时空运动模式可能存在一定的偏差，未来研究将进一步拓宽骑行旅游数据获取的途径，涵盖更多的骑行旅游群体。其次，已有研究者提出团队骑行旅游和个人骑行旅游在时空动态模式上可能存在一定的差异（Mou et al.，2022），而现有的数据无法将团队骑行旅游和个人骑行旅游作进一步区分。最后，本文的研究内容偏向于群体的整体分析，而忽视了骑行旅游者的社会人口信息，如年龄、性别、经济收入等属性特征的细分，未来的研究可尝试从更为精确、具有个体信息的数据切入，期望得到更加充实、完善的理论模型和实证结论。