摘要
生态旅游、自然保护与社区福祉的协同发展是生态敏感旅游目的地可持续管理的核心。因此，本研究探讨了新疆喀纳斯景区这一议题。通过整合多种来源的数字足迹数据，包括“两步路”户外活动轨迹、在线文本内容、兴趣点（POI）以及自然和社会经济数据，构建了一个全面的游客休闲行为数据集。本研究采用ArcGIS 10.8的核密度估计方法和Geodetector模型，并结合季节性强度指数，分析了四个季节中游客休闲活动的时空特征、强度及其驱动机制。主要研究结果如下：（1）时间模式显示明显的“夏季-秋季高峰期和冬季-春季低谷期”，骑行者和徒步者更偏好秋季，而自驾游客则呈现出双峰型的夏季-秋季分布；（2）空间行为呈现“广泛分散、局部聚集”的特点；虽然季节性路线轨迹大体一致，但休闲活动的强度和节点利用率存在显著差异；（3）Geodetector分析表明，游客偏好的休闲路径是生态基础条件、社会经济调节和设施服务供给之间协同作用的结果，其中自然资源禀赋和社会经济因素起着主导作用，而微地形特征和基础设施的影响相对有限。本研究提供了一种新的研究范式，将地理数据和行为数据相结合，用于解释生态敏感地区的游客休闲行为，并为类似保护区的时空监测和针对性调控提供了参考。
关键词：数字足迹；休闲行为特征；空间异质性；Geodector；驱动机制
1. 引言
在全球对生态旅游需求持续增长和可持续发展概念不断深入的背景下，自然风景区内游客休闲行为与生态旅游发展之间的相互作用已成为学术研究和区域实践中的核心问题（Tang等人，2016年；Wang等人，2025年）。休闲行为通过资源利用模式、活动选择和消费决策显著影响区域生态旅游的发展轨迹（Zhang等人，2024年；Gong，2025年）。近年来，关于休闲偏好的研究呈现出多维度的趋势。国际研究关注健康导向、技术创新、社会公平和大数据应用，多源数据融合成为主流方法（Lehto等人，2024年；Tim De和Jonas，2025年；Wei等人，2023年）。相比之下，国内研究侧重于游客行为统计、影响因素、城乡差异以及文化服务与生态保护之间的协同作用（Wang等人，2025年；Zhou等人，2020年）。相关研究还探讨了休闲空间规划、文化旅游服务、区域旅游体验差异和环境认知等问题（Chen等人，2024年；Cheng，2023年；Shi & Sun，2020年；Wang等人，2020年）。然而，国内研究仍主要依赖于问卷调查，这些调查存在样本量有限、时效性不足和数据维度单一的问题，难以准确描述游客行为和市场动态（Lu等人，2023年）。相比之下，数字足迹数据（GPS轨迹、社交媒体记录、交易数据）能够主动或被动地记录游客的空间移动、偏好和消费行为。它们具有全面性、实时性和多维度特点，是旅游行为研究的重要数据来源。例如，Liu等人（2022年）利用华山GPS轨迹将游客移动分为三种空间模式和三种时空类型。Parkinson等人（2025年）发现，现场GPS数据与第三方基于位置的服务数据在游客流量的宏观层面上具有中等到高度的相关性。Krataitong等人（2025年）通过融合多源数据推导出游客的旅行目的，其结果与官方调查高度一致，从而验证了多源数字足迹在识别移动模式和热点地区方面的价值。此外，数字足迹还被用于游客行为模式识别、旅游知识图谱构建和基础设施供需匹配分析（Dong等人，2023年；Gao等人，2024年；Zhou等人，2024年）。然而，仅描述时空分布不足以揭示行为形成的机制；需要进一步探讨自然条件、社会经济条件和政治因素等多重因素的驱动作用。现有研究表明，低碳旅游行为和休闲生态系统服务供需不匹配受多种维度影响（Li等人，2023年；Sun等人，2024年）。作为空间异质性分析方法，Geodetector已被应用于旅游生态安全（Wang等人，2024年）、旅游网络关注度（Wu等人，2025年）和体育旅游资源分析（Tan等人，2024年）。但在生态敏感旅游目的地休闲行为驱动机制的研究中，其应用主要限于资源评估和生态脆弱性分析，对行为驱动机制的精细解释仍需深入研究。
为了解决这些不足，本研究以新疆喀纳斯景区为案例进行研究。针对以往研究中样本覆盖不足（Zhao等人，2023年）和行为捕捉滞后（Li & Ye，2023年）的问题，我们构建了一个“数据-行为-影响”分析框架。通过整合高德地图兴趣点、社会经济统计、“两步路”轨迹和在线文本数据，系统分析了游客行为的时空特征及其影响因素，并提出了针对性的优化策略。旨在为喀纳斯景区及类似景区的高质量发展和精细化运营提供理论视角、决策依据和方法工具。
2. 材料与方法
2.1. 研究区域
研究区域位于新疆北部阿勒泰地区的布尔津县和哈巴河县交界处。这里是中国唯一的西伯利亚泰加林景观类型的生态功能区，2010年被列入联合国教科文组织世界遗产暂定名录。喀纳斯景区以独特的垂直山地景观、丰富的生物多样性和图瓦族的独特文化为特色。在中国境内仅有约2000名的蒙古图瓦族居民居住在该地区，他们保留着游牧传统，居住在圆锥形木屋里，并拥有呼麦（喉音歌唱）和choor（传统吹奏乐器）等非物质文化遗产。民间活动如敖包节、赛马和抓山羊等与自然风光一起成为主要旅游吸引点。近年来，如《我的阿勒泰》等热门电视系列剧极大提升了该地区的在线知名度和游客数量，促进了用户生成内容的快速增长，为基于数字足迹的休闲行为研究提供了丰富的数据库。研究区域包括哈纳斯国家自然保护区、白哈巴国家森林公园和贾登峪国家森林公园等多个保护区。根据保护区类型，采用不同的功能分区规定：森林公园划分为核心景观区、一般休闲区、管理服务区和生态保护区；自然保护区划分为核心区、缓冲区和实验区（图1）。现有研究表明，喀纳斯景区的生态承载能力面临不断增加的压力，旅游发展与生态保护之间的矛盾尤为突出（Li & Ye，2023年）。这种矛盾在旅游旺季尤为明显：2025年五一假期的游客数量比去年同期增加了182.14%（Yao，2025年），旺季的最大日承载能力为35,000人，而淡季仅为12,000人。夏季和秋季占年游客流量的约80%，导致“旺季超负荷、淡季闲置”的时空不平衡。准确识别山岳、峡谷和湖泊等典型地形中的游客休闲模式是解决这一问题的关键。喀纳斯景区积累了大量来自“两步路”等户外平台的轨迹和兴趣点数据，为精细提取游客时空轨迹提供了可靠支持。因此，基于数字足迹分析游客休闲行为的时空特征和驱动机制对于该景区的精准监管和可持续发展具有重要的科学价值。
图1. 研究区域概览。(a) 保护区类型，(b) 海拔，(c) 功能分区。
详细说明：
该三面板地图显示了研究区域的详细信息。面板a展示了带有道路、河流和湖泊的保护区。面板b显示了该地区的海拔变化，图例中标出了679.00至4336.00米的海拔范围。面板c说明了功能分区，包括生态保护区、一般休闲区、缓冲区、核心区、实验区和管理服务区。所有面板均包含北箭头和20公里的刻度条。
2.2. 数据来源
游客轨迹和兴趣点（POI）数据来自“两步路”户外平台（https://www.2bulu.com/）。使用“喀纳斯景区”作为关键词，收集了2019年至2024年间徒步、骑行和自驾旅行产生的轨迹和POI数据。数据按季节分类，共得到4,356条有效轨迹（徒步3,159条，骑行74条，自驾1,123条）和24,515个POI（徒步18,432个，骑行565个，自驾5,519个）。
基础地图由中国国家测绘中心提供（http://www.ngcc.cn）。自然因素（坡度、海拔、植被覆盖率和土地利用类型）数据来自地理空间数据云平台（https://www.gscloud.cn）。社会经济数据来自国家统计局数据库（https://data.stats.gov.cn），并结合中国县级统计年鉴和新疆统计年鉴中的交通和财政支出具体模块进行了补充，所有数据均按官方统计规范进行了标准化。
用户生成内容（UGC）通过Python 11爬取了2019年至2024年间Ctrip（Trip.com）上与喀纳斯景区相关的旅行日记、评论和旅行指南。经过多轮清洗去除重复和无效条目后，从最初的21,418条内容中保留了16,173条有效记录。各年份的记录数量分别为3,815条（2019年）、1,364条（2020年）、2,288条（2021年）、1,883条（2022年）、3,200条（2023年）和3,623条（2024年）。数据使用Python pandas库进行系统组织并导出为CSV文件，用于后续可视化和分析。
2.3. 方法
(1) 季节性强度指数
用于量化全年游客量的季节性变化（Xu等人，2024年）。月份季节性强度指数计算公式如下：
R=∑i=112(Xi−8.33)²/12
其中R表示季节性强度指数，i表示月份索引，Xi表示第i个月份所占的年游客比例。本研究中的Xi值来自游客在Ctrip网站上发布的喀纳斯景区在线评论，该网站是中国最受欢迎的旅游信息网站之一。由此可以计算出每个月的年游客比例。较高的R值表示喀纳斯景区的游客数量季节性变化较大，而较低的R值则表明全年游客数量较为均匀。
(2) GIS空间分析
本研究采用了核密度分析（包括点和线密度分析），通过空间平滑离散特征（如点和线）来量化地理现象的距离衰减效应（Wang等人，2019年）。我们对喀纳斯景区内徒步者、骑行者和自驾游客的季度注释点和轨迹数据进行了核密度分析，旨在分析空间聚集特征、行为模式和关键轨迹路线。
(3) 地理检测器
这是一种用于检测空间异质性及其驱动力的统计方法，包括四种检测器：因素检测器、交互检测器、风险检测器和生态检测器。该方法在旅游研究中被广泛验证，涵盖了游客密度与景观特征之间的空间关联（Jia等人，2025年）、文化旅游服务需求的交互驱动因素（Song等人，2025年）、时空分布和旅游安全网络关注度（He等人，2024年）等主题。本研究主要使用了因素检测器和交互检测器。因子检测器衡量因子X解释属性Y空间异质性的程度，该程度通过q统计量来量化（Wang & Xu, Citation2017），表达为：(2) q=1−∑h=1LNhσh2Nσ2。在方程(2)中：h=1, 2,..., L；L是自变量X的分层数量；N是研究区域内的单位总数；Nh是第h层中的采样单元数量；σ2是第h层内Y的方差。q的值介于0到1之间，接近1的值表示自变量X对Y的影响更强，Y的空间异质性程度更高。交互作用检测器评估两个因子X1和X2对因变量Y的联合效应是增强、减弱还是独立。
娱乐强度分类。基于Smith（Citation2014）提出的季节强度指数（R值）分类标准（0–2 = 低，2–6 = 中等，>6 = 高）。核密度分析生成一个栅格图，反映标记点的聚集和分散情况。通过将核密度值从高到低分成三个相等的区间，可以将给定区域内的游客点聚类分为高密度、中密度或低密度。
影响因子的选择。喀纳斯风景区内游客的娱乐行为偏好受到多种因素的影响，根据其他学者的研究（Li & Ye, Citation2023），这些因素被分为自然环境因素、社会政治因素和经济活力因素（表1）。本文选择了坡度（x1）、海拔（x2）、植被覆盖度（x3）和土地利用类型（x4）来表征自然环境因素，选择了政府支持（x5）和道路可达性（x6）来表征社会政治因素，并选择了四个三级指标：人均GDP（x7）、年游客量（x8）、旅游收入（x9）和住宿与餐饮（x10）来分析经济活力因素。详情见表1。
表1. 游客娱乐行为偏好的影响因素。下载CSV显示表格。
3.1. 游客行为的时间模式
3.1.1. 季节变化趋势
使用轨迹数量和POI数量作为主要纵轴，总里程作为次要纵轴，我们对三种类型游客的季度行为特征进行了统计分析：徒步游客、骑自行车游客和自动驾驶游客（图2）。
图2. 三种类型游客的季节性行为特征：徒步、骑自行车和自动驾驶。(a) 徒步游客；(b) 骑自行车游客；(c) 自动驾驶游客。
阅读此图的详细描述。
这个由两行组成的条形图和折线图，第一行有两个面板，第二行有一个面板，显示了三种游客类型的季节性轨迹数量、数据标签数量和总里程。a面板显示了徒步游客的总里程，秋季达到峰值，约为9500公里。轨迹数量（虚线）在秋季达到峰值，约为180条。数据标签数量（实线）在秋季达到峰值，约为700个。b面板显示了骑自行车游客的总里程，秋季达到峰值，约为240公里。轨迹数量（虚线）在秋季达到峰值，约为12条。数据标签数量（实线）在秋季达到峰值，约为18个。c面板显示了自动驾驶游客的总里程，夏季达到峰值，约为2200公里。轨迹数量（虚线）在秋季达到峰值，约为50条。数据标签数量（实线）在夏季达到峰值，约为200条。
对于徒步游客来说，轨迹数量在秋季达到峰值，达到2165条，是春季数量（649条）的3.3倍，是夏季数量（949条）的2.3倍。总里程和POI数量也在秋季达到最高值。主要原因是喀纳斯风景区在秋季提供了最美丽的自然风景和宜人的气候，吸引了更多徒步游客在此季节前来参观。
对于骑自行车游客来说，轨迹数量在春季达到年度峰值，共有24条记录，但年度总轨迹数量仅为徒步游客的1.1%，这反映了骑自行车的特点。从季度分布来看，POI数量从春季的89个稳步增加到秋季的293个，然后在冬季降至18个，表明秋季的骑自行车游客有更强的停车和探索每单位距离的倾向。考虑到喀纳斯地区的气候特点，春季和秋季温度适中，而夏季天气过热且对骑自行车者的身体要求较高，因此骑自行车游客也更喜欢在秋季访问喀纳斯风景区。
对于自动驾驶游客来说，旅行行为表现出明显的季节性模式，夏季和秋季是高峰期，而冬季和春季是低谷期。具体来说，总里程和POI数量都呈现出夏季-秋季的双峰模式（夏季/秋季里程分别为268,000公里和266,000公里；POI分别为1819个和1631个），而在冬季则急剧下降到46,000公里和137个POI。这一模式与Mafengwo 2024年自动驾驶旅行大数据报告中的新疆夏季出行高峰高度一致，共同证实了季节性模式的稳定性。
3.1.2. 季节强度指数
2019年至2024年的平均季节强度指数达到了7.05，表明游客出行具有强烈的季节性。游客活动呈现出典型的“夏季-秋季高峰，冬季-春季低谷”模式，可以描述为“两个高峰，一个低谷，一个临界点”的季节结构（表2）。
表2. 2019年至2024年喀纳斯风景区游客活动的季节强度指数。下载CSV显示表格。
夏季（6月至8月），该地区作为夏季度假胜地的吸引力及其高山湖泊景色吸引了38%至45%的年度游客。秋季（9月至10月），由于“中国最美秋季色彩”的摄影热潮，游客比例保持在25%至30%。春季（4月至5月），由于融雪期间道路湿滑和植被恢复延迟，游客比例降至12%至15%。冬季（11月至3月），极低的温度和有限的可达性导致游客比例骤降至5%至8%。受COVID-19大流行的影响，2020年的季节强度指数（R = 5.20）显著低于其他年份，凸显了系统对外部冲击的敏感性。
3.2. 游客行为的空间模式
3.2.1. 季节性游客注释点的空间分布
注释点代表游客的照片点和文本记录点，在一定程度上反映了游客感兴趣的内容。春季、夏季、秋季和冬季游客的注释点核密度显示出在空间上分散较大、聚集较少的分布模式，反映了游客在宏观上探索、在微观上聚集的行为特征。然而，每个季节的特点还是有明显差异的（图3）。
图3. 季节性游客分布的核密度分析。(a)–(d) 春季、夏季、秋季和冬季游客注释点分布的核密度分析。阅读此图的详细描述。
这幅由四个面板组成的地图，以两两排列的方式展示了风景区内游客分布的核密度分析。每个面板都显示了一张带有地图图例的地图，包括喀纳斯风景区、兴趣点、道路和湖泊。a面板显示了春季游客的分布，核密度值范围从0到1,568,611.88。b面板显示了夏季游客的分布，核密度值范围从0到1,191,796.75。c面板显示了秋季游客的分布，核密度值范围从0到1,564,381.38。d面板显示了冬季游客的分布，核密度值范围从0到78,599.32。所有面板都显示了高密度区域，由较亮的区域表示，主要集中在河流和湖泊附近，特别是在八达巴国家森林公园和贾登玉国家森林公园附近。春季和秋季的核密度值最高，其次是夏季，冬季的值显著较低。
春季显示出明显的聚集模式，有8个高密度核心区域和5个中等密度次级核心区域。高密度集群主要分布在典型的自然景观节点，如喀纳斯湖、黑加仑花园、大峡谷、白桦林和禾木新村。中等密度集群分布在次级旅游景点周围，如托马拉河、白哈巴村、云雾森林景观和美丽峰草原。夏季扩展明显，高密度集群数量增加到12个，增加了季节性活动区域，如禾木云海、吉克普林草原、漂流和花海。中等密度集群扩展到8个，增加了次级热点，如哈巴河景观、夯达克希外大峡谷、加斯库湖和禾木探险区。夏季生活服务设施（包括停车场、住宿、餐饮和娱乐）的核密度显著高于春季。沿道路网络分布的游客注释点比例显著增加，表明游客活动更加依赖基础设施，空间流动性也大幅提高。
秋季出现了明显的变化。低密度集群的范围显著扩大，游客活动向北延伸至哈纳斯保护区内的河流，形成了7个高密度集群和4个中等密度集群。核心区域如喀纳斯湖、禾木河和大巢海滩仍然非常受欢迎，而交通节点如布努阿拉安大桥成为新的聚集中心，反映了秋季游客偏爱自动驾驶观光的特点。
冬季显示出明显的收缩。只有2个高密度集群（喀纳斯湖、禾木新村）和3个中等密度集群（黑加仑花园、云雾森林景观和阿卡哈巴河大峡谷）形成。这种分布与前三个季节形成鲜明对比：不仅集群数量大幅减少，核密度强度也显著降低，充分证实了游客活动的典型季节性，冬季是明显的低谷期。
3.2.2. 季节性游客轨迹分布和路线识别
通过线性密度分析，我们处理了所有四个季节的游客轨迹数据，生成了轨迹密度分布的栅格图（图4）。结果显示，游客路线的整体空间分布在不同季节间基本一致，但在娱乐强度和特定风景节点的使用频率上存在明显的季节性差异。
图4. 季节性访客的线性密度和轨迹分析。(a)–(d) 春季、夏季、秋季和冬季游客轨迹分布的线性密度分析。阅读此图的详细描述。
这幅由四个面板组成的地图，以两两排列的方式展示了地理区域内的游客轨迹和线性密度。每个面板都包括喀纳斯风景区、游客轨迹、兴趣点、道路、湖泊和河流的图例。a面板显示的线性密度值范围从0.00到12,498.72。b面板显示的线性密度值范围从0.00到19,144.24。c面板显示的线性密度值范围从0.00到34,795.17。d面板显示的线性密度值范围从0.00到1,556.26。所有面板都显示白哈巴国家森林公园和贾登玉国家森林公园周围的线性密度较高。
春季轨迹显示出明显的多核心聚集模式，主要分布在喀纳斯湖、月亮湾、神仙湾、黑加仑花园、布努阿拉安大桥和禾木新村周围。叠加POI数据和道路网络信息后，我们识别出三条典型的高密度路线：(1) 喀纳斯湖环形观光路线（沿G219国道的一条支路分布，以月亮湾和神仙湾为关键节点，沿湖岸形成闭合环路）；(2) 黑加仑花园-花海生态体验路线（沿S232省道的一条支路分布，连接一个高山植物园和湿地保护区，轨迹密度在开花季节和黎明/黄昏达到高峰）；(3) 禾木民俗文化体验路线（以禾木新村为中心，沿S229省道分布，通过布努阿拉安大桥连接周围的传统村庄）。这些路线反映了春季游客对开发完善、易于到达的风景区以及独特生态和文化体验的偏好。轨迹的空间模式与该地区的地形、交通网络和服务设施布局紧密相关。
夏季轨迹显示出多核心、高密度的聚集模式，形成了四个主要密度高峰区域（喀纳斯湖区、贾登玉、禾木和白哈巴）。线性密度强度高于春季，活动范围向北延伸至纳伦风景区。围绕生活服务设施的轨迹密度梯度增加，表明对基础设施的依赖性更强。确定了三个主要的影响因素：(1) 游客构成的变化（暑假期间家庭游客增多，对休闲活动和深度体验的需求增加）；(2) 服务供应的改善（设施可用性提高，交通便利性增强，以及那仁景区在6月至8月期间实行的季节性免费政策，这些因素推动了游客数量的增长）；(3) 有利的自然环境条件（平均每天16小时的阳光，气温在15°C至25°C之间，适合户外活动）。秋季的游客轨迹比夏季更加分散，但聚集强度更高，表明游客在空间上的分散程度更大，探索行为也更明显。然而，围绕住宿、餐饮和娱乐等生活服务设施的分布密度下降，表明过夜停留减少，更多的人选择自驾一日游前往次级景点。这种变化可能与秋季的天气条件、旅行动机以及旅游资源的季节性变化有关。冬季的游客轨迹呈现出明显的聚集模式，形成了三个主要的高密度聚集区（喀纳斯湖区、佳든yu和河木）和三个次要的高密度聚集区（白哈巴、那仁和铁热克）。由于低温和积雪覆盖，冬季的线路密度显著低于春季、夏季和秋季，这限制了游客的活动范围，导致活动频率降低。同时，冬季资源开发的不足和设施可用性的限制也影响了空间的分布和活动强度。
3.3. 地理检测器结果分析
3.3.1. 因素检测结果
q值表示每个驱动因素对休闲行为偏好的独立解释能力。从高到低排序，q值如下：x2 > x5 > x9 > x10 > x7 > x3 > x4 > x6 > x1 > x8（表3）。这种梯度分布揭示了喀纳斯景区旅游系统的驱动机制：自然禀赋构成了空间差异的基本框架，社会经济因素发挥着核心调节作用，而设施和服务则提供了同质化的支持。这一模式与Leiper（引用1979年）提出的旅游系统多维模型相符，证实了成熟景区的旅游活动是由多个维度的协同作用驱动的。值得注意的是，有效的宏观监管和源地区的经济发展共同增强了景区的吸引力，使游客更倾向于选择喀纳斯作为目的地。宏观层面的资源禀赋（海拔）和社会经济因素（政府投资、源地区经济水平）主导了驱动系统，而微观地形特征（坡度）和基础设施（内部交通）的影响相对有限。这一现象体现了成熟景区的典型特征：通过系统的规划和管理，原本限制性的微观因素得到了有效缓解，其空间异质性对游客行为的影响显著降低。
表3. 地理检测器因素检测结果。
下载CSV
显示表格
(1) 自然禀赋构成了空间差异的刚性框架
海拔因素（x2），其q值为0.809，成为核心驱动因素。由海拔形成的垂直地带性决定了喀纳斯的景观特征。在2000–3000米的海拔范围内，高山草甸、泰加林和冰川湖泊的复合系统构成了核心吸引力。相比之下，中等和低海拔的河谷，如月亮湾和卧龙湾，由于交通便利性良好，成为受欢迎的休闲聚集地。此外，海拔差异直接决定了生态敏感度的程度。高海拔地区由于气候条件恶劣、生态脆弱性高，不适合开展开发和旅游活动；这些地区大多是自然保护区的核心区域。植被覆盖（x3）和坡度（x1）虽然影响相对较小，但反映了景区成熟规划和管理有效地消除了它们的空间变异性。例如，完善的步道系统减少了坡度的阻碍作用，统一的班车系统将内部交通转化为均质化的服务，从而降低了它们对游客空间选择的解释能力。
(2) 社会经济因素主导了旅游系统的动态分配
旅游收入（x9）和政府支持（x5）具有较高的解释能力，突显了经济和政策双重驱动的显著效果。政府支持（财政投资、政策偏好）在空间上分布不均，关键区域（如佳든yu门户区和核心景点）获得了大量投资。旅游收入直接反映了这一投资的结果。这两个因素共同描绘了旅游系统的“核心”和“动脉”；它们的空间异质性直接决定了旅游服务能力和经济活动强度的空间差异，从而为游客行为的空间分布提供了强有力的解释。同时，人均GDP（x7）的相对重要性反映了旅游源地区经济水平的空间差异，这是形成高端游客市场和影响目的地企业结构的基本驱动力。
(3) 设施和服务保障系统的平衡与顺畅性
住宿和餐饮场所的数量（x10）具有较高的解释能力。研究表明，在植被稀少的地区，如游客中心，住宿和餐饮设施的密度与游客满意度呈正相关。然而，在保护区和缓冲区内，这种关系表现出显著的负相关。因此，住宿和餐饮的空间布局必须平衡服务供应效率和生态保护的双重目标。分析当前的旅游活动热点空间分布可以揭示景区住宿和餐饮设施的供应匹配状况，并识别出优化的潜在区域。相比之下，景区内部的交通（x6）的解释能力相对较低。这并不意味着它不重要；相反，它表明在喀纳斯这样一个成熟的景区，统一的班车系统成功地“均化了”这一因素的服务效率。这意味着出色的管理有效地消除了这些因素可能造成的空间障碍和体验差异，将其从“决定性变量”转变为高效且普遍可及的“基础支持”，从而不再成为游客选择空间差异的主要因素。
3.3.2. 互动检测结果
互动检测用于确定影响因素之间是否存在交互效应，并评估两个因素对喀纳斯景区游客休闲偏好的联合效应是增强还是减弱。结果显示，对于十个影响因素中的任意两个，它们对游客休闲偏好的交互效应都大于它们各自效应的总和。然后我们对几个特别重要的互动进行了深入分析。
(1) 海拔-植被互动对景观美学的非线性增强效应
自然地理因素之间存在显著的非线性增强效应。具体来说，当海拔（x2）与植被覆盖（x3）相互作用时，产生的q值高达0.852，远超过单个因素的解释能力。这表明海拔和植被覆盖之间的协同效应显著增强，共同提升了景观的美学价值，产生了独特的“海拔-植被”增强效应。这种效应源于高海拔地区植物种类的独特垂直分层，例如泰加林和高山草甸的交错分布。这种模式为游客提供了多样的视觉体验，从而显著提升了景区的核心吸引力。
(2) 政策-海拔调节对景观吸引力的显著协同效应
政府支持（x5）与海拔（x2）之间的互动产生了显著的协同效应。政策干预通过调节人类活动的强度，在不同海拔梯度之间实现了保护和利用之间的平衡。在高海拔地区，政策调节主要起到生态屏障的作用：它限制了基础设施开发和游客流量，从而保护了景观的真实性与完整性。在中低海拔地区，政策调节转向了体验优化功能，通过科学的旅游路线设计和设施布局提升了景观的可访问性和观赏质量。这种基于海拔的政策调节通过空间控制解决了旅游活动与生态保护之间的矛盾，使不同海拔水平的自然景观实现了最大化的吸引力。
(3) 植被覆盖对住宿和餐饮设施布局的调节效应
住宿和餐饮场所数量（x10）与植被覆盖（x3）之间的互动的q值超过0.75。这表明住宿和餐饮设施的空间布局不仅仅是一个经济决策，还应与植被覆盖这一关键生态约束因素紧密结合。当这些设施扩展到植被覆盖较少的地区（如游客中心周围）时，它们对自然景观的影响相对较小，有助于提高服务满意度。然而，如果在植被覆盖较高的地区（如自然保护区的核心区和缓冲区）进行类似的扩展，很可能会引发生态冲突和风险。因此，迫切需要根据植被覆盖特征实施空间分区控制策略，例如在植被覆盖较低的地区适度集中，在植被覆盖较高的地区严格限制，以确保生态保护和合理利用之间的协同效应。
4. 结论与建议
4.1. 结论
通过整合多源数字足迹，包括“两步路”户外活动轨迹、在线文本内容以及自然和社会经济数据，本研究构建了一种结合地理和行为数据的新研究范式。它揭示了生态敏感型旅游目的地的游客休闲行为模式、时空分布特征和驱动机制。从时间上看，游客行为表现出明显的“夏季和秋季高峰，冬季和春季低谷”，骑自行车的人和徒步旅行者更喜欢秋季，而自驾游客则呈现出夏季和秋季的双峰模式。从空间上看，行为呈现出“广泛分散、局部聚集”的分布特征。尽管四季的路线轨迹总体一致，但在休闲强度和节点利用上存在显著差异。游客路线的整体空间分布高度一致，但某些景点的休闲强度和使用频率在不同季节间有显著变化。首选的休闲路径是由生态基线条件、社会经济调节以及设施和服务提供的协同作用共同决定的，所有成对因素的互动都表现出二元增强效应。本研究开发的方法论和管理策略具有广泛的适用性。整合多源数字足迹的分析框架和Geodetector可以应用于其他生态敏感型山区景区，如九寨沟和黄山。提出的策略，包括基于海拔的分区、双账户资金池和淡季产品矩阵，为解决类似景区的季节性不平衡和保护与发展之间的矛盾提供了参考。此外，基于社区的共管机制为少数民族地区的旅游可持续发展提供了宝贵的经验。
4.2. 优化策略
4.2.1. 建立海拔梯度和功能分区管理系统
在山区生态系统中，自然地理因素之间的互动不仅是驱动景观动态的关键机制，也是维持生态稳定性的重要保障。海拔与植被覆盖之间的强烈互动表明，植被类型的垂直差异化是景观吸引力的核心。为了确保这一核心景观元素的可持续性，建议建立与现有保护区法律法规兼容的海拔梯度管理系统，并优化和整合喀纳斯景区的现有功能分区。通过差异化的控制策略，这一垂直空间治理框架和功能分区的优化整合可以实现生态保护和旅游的协同发展，为生态敏感型旅游目的地的可持续管理提供参考。
4.2.2. 建立生态和服务双账户资金池
旅游经济和生态保护的协调发展需要建立一种互利的互动机制。建立闭环财务管理机制可以有效解决“优先发展而非保护”的持续困境。九寨沟景区是一个典型案例，实施生态收入再投资机制后，水质透明度提高了30%，游客满意度也得到了提升，这证实了环境质量与旅游体验之间的紧密联系。基于这一逻辑，我们建议建立生态和服务双账户资金池，将门票收入的一定比例用于其中。生态账户的资金将优先用于冰川监测网络、泰加林恢复项目和水质净化系统升级，从而加强自然资源的可持续管理。服务账户中的资金将用于提升旅游基础设施的绿色和智能化发展。Wunder（Citation2000）提出的生态旅游经济激励框架为这一资金池设计提供了理论基础。这种分配机制不仅体现了生态优先的原则，同时也考虑了提升游客体验的需求，从而为旅游业的可持续发展提供了制度保障。
4.2.3 创造冰雪文化、健康与教育融合模式
卡纳斯景区的游客休闲行为具有显著的季节性差异。冬季游客标注点的核密度和轨迹的线密度明显低于其他季节，这一现象与Butler的旅游区生命周期理论中的“季节性低谷”特征高度吻合。游客的空间聚集和观察行为实际上反映了资源利用效率的季节性波动，这意味着冬季的生态价值转化途径相对受限，导致游客停留时间较短。因此，采用时空错配策略可能是应对这一挑战的有效方法。基于此，景区可以考虑设计一个非季节性的生态季票产品系统。通过构建一个高度灵活的主题矩阵，包括雪地探索、积雪摄影、跨境文化体验、极地温泉养生以及生态研究之旅，冬季旅游产品可以从单一的景观观赏转变为多元化的生态体验。
4.2.4 促进旅游合规性与生态反馈机制
夏季观察到游客轨迹穿越白哈巴国家森林公园的生态保护区，并聚集在哈纳斯自然保护区的河流周边区域。秋季时，一些游客甚至进入哈纳斯保护区的核心区域。这些行为引发了合规性问题，需要进一步核实、监测和规范。根据《关于划定和严格遵循生态保护红线的若干意见》，只要不损害主要的生态功能，生态旅游可以在红线区域内进行，但必须满足两个基本条件：首先，不得对水体等敏感环境造成实质性破坏（如水污染、植被践踏）；其次，游客数量必须严格控制在环境的承载能力范围内。为了解决这些问题，我们提出以下三层控制和优化措施：
1) 在入口处设置教育模块，要求游客观看一段关于生态保护规则、野生动物接触禁忌、废物管理指南以及图瓦族传统游牧智慧的短片，随后进行小测验。同时，将秋季旅游主要引导至一般休闲区域，并推出一条以哈纳斯金秋景色为特色的摄影路线，连接泰加森林、永久冻土湿地等景点。
2) 在生态保护区内划定适当的休闲区域，安装电子围栏实时监控游客入侵情况，并利用植被缓冲带进行物理隔离。建立生态承载能力的早期预警机制，根据河流生态流量等指标限制每日游客数量，并实行时间段预约制度以实现精细化的游客分流。
3) 培训图瓦村民成为“生态管理者”（生态导游和文化讲解员）。他们将带领游客参与草地种植等生态恢复活动，同时向游客介绍当地人与自然和谐共生的生活方式。所产生的收入将返还给社区保护基金。
5. 本研究的局限性
本研究存在三个主要局限性。首先，在数据来源方面，研究主要依赖于“Two-Step Road”平台上的用户上传的户外轨迹数据。由于该用户群体主要为年轻的户外爱好者，因此在年龄结构、活动偏好和参与动机上存在系统性偏差，这可能在一定程度上影响研究结果的普遍性。其次，在方法论上，本研究未对游客消费行为进行定量分析，也缺乏跨年份的动态比较，这使得难以全面揭示休闲行为背后的经济驱动机制或长期变化趋势。未来的研究应整合多期面板数据和经济指标来解决这一不足。第三，在实际应用方面，研究主要关注具有高解释力的驱动因素，而未系统分析其他影响因素，因此未能完全阐明整个因素体系的运行路径。此外，缺乏对在线评论文本的情感分析及分级评估（优秀、一般、较差），限制了对游客体验的多层次、细致理解。
数据可用性声明
支持本研究结论的数据可向相应作者提出合理请求后获取。
打赏
