EN中文

地理学报 >

2026 , Vol. 81 >Issue 2: 603 - 624

DOI: https://doi.org/10.11821/dlxb202602017

交通与旅游地理

网络流量和旅游活动对居民生活圈行为的非线性影响——以北京老城为例

  • 崔喆 , 1 ,
  • 张晓东 1, 2 ,
  • 吴兰若 3 ,
  • 何莲娜 1
展开
  • 1.北京市城市规划设计研究院，北京 100045
  • 2.清华大学建筑学院，北京 100084
  • 3.北京城垣数字科技有限责任公司，北京 100045

崔喆(1995-), 男, 北京人, 工程师, 注册城乡规划师, 主要研究方向为城市与区域规划。E-mail:

收稿日期: 2024-09-18

  修回日期: 2025-12-08

  网络出版日期: 2026-02-05

基金资助

国家重点研发计划(2023YFC3804802)

国家重点研发计划(2021YFA1000304)

收起

Nonlinear impacts of online traffic and tourism activities on residents' life circle behavior: A case study of the Old City of Beijing

  • CUI Zhe , 1 ,
  • ZHANG Xiaodong 1, 2 ,
  • WU Lanruo 3 ,
  • HE Lianna 1
Expand
  • 1. Beijing Municipal Institute of City Planning and Design, Beijing 100045, China
  • 2. School of Architecture, Tsinghua University, Beijing 100084, China
  • 3. Beijing Chengyuan Digital Technology Company Limited, Beijing 100045, China

Received date: 2024-09-18

  Revised date: 2025-12-08

  Online published: 2026-02-05

Supported by

National Key R&D Program of China(2023YFC3804802)

National Key R&D Program of China(2021YFA1000304)

Fold

摘要

网络流量引导的旅游活动由景区扩散到城市全域，是介入生活圈社会空间的重要客体。本文以北京老城居民为研究对象，实证检验网络流量和旅游活动对居民15 min生活圈行为的非线性影响、中介机理及其时空异质性。本文构建以居民到15 min生活圈内各细分网格的人均驻留时间表征的居民日常行为作为因变量，以网络流量与旅游活动作为解释变量，包含区位特征、居民属性与建成环境等控制变量的机器学习非线性回归模型，使用可解释机器学习算法进行模型分析。研究发现：① 网络流量与旅游活动对居民15 min生活圈驻留的解释力度高于公共服务设施规模；② 网络流量与外地旅游和居民15 min生活圈驻留存在互斥且边际效应递减，本地休闲旅游的影响呈现先升后降的峰值效应；③ 网络流量制约了适当规模的本地休闲旅游的正向作用，其与外地旅游的高值共现是居民驻留极端低值的必要条件；④ 网络流量通过助推外地旅游和大规模的本地休闲旅游，间接制约了居民的驻留；⑤ 网络流量与旅游活动在历史文化街区内的效应量小于其他圈层，周末的效应量大于工作日。综合可判定研究区存在一定程度的过度旅游现象。

关键词： 15 min生活圈; 网络流量; 过度旅游; 机器学习; 非线性关系; 北京老城

本文引用格式

崔喆 , 张晓东 , 吴兰若 , 何莲娜 . 网络流量和旅游活动对居民生活圈行为的非线性影响——以北京老城为例[J]. 地理学报, 2026 , 81(2) : 603 -624 . DOI: 10.11821/dlxb202602017

Abstract

Online traffic-driven tourism activities, which diffuse from scenic spots to the entire urban area, serve as important objects intervening in the social space of life circles. Taking residents in the Old City of Beijing as the research object, this study empirically tests the nonlinear relationship, mediating mechanism, and spatiotemporal heterogeneity between online traffic, tourism activities, and residents' 15-minute life circle behavior. Using the average dwell time per capita in each subdivided grid within the 15-minute life circle to characterize residents' daily behavior as the dependent variable, a machine learning-based nonlinear regression model is constructed, incorporating explanatory variables including online traffic and tourism activities, as well as control variables including locational characteristics, resident attributes, and built environment. Interpretable machine learning algorithms are used for model analysis. The study finds that: (1) Online traffic and tourism activities have a higher explanatory power for residents' dwell time in 15-minute life circles than the quantity of public service facilities. (2) Online traffic exhibits a mutually exclusive relationship with outbound tourism, accompanied by a diminishing marginal effect, while the impact of local leisure tourism presents a peak effect that first increases and then decreases. (3) Online traffic constrains the positive effect of appropriately quantitated local leisure tourism, and its co-occurrence with high-value outbound tourism is a necessary condition for extremely low resident dwell time. (4) Online traffic indirectly constrains residents' dwell time by boosting outbound tourism and large-scale local leisure tourism. (5) The effect size of online traffic and tourism activities in historical and cultural blocks is smaller than that in other areas, and the effect size on weekends is larger than on weekdays. Collectively, it is determined that there is a certain degree of overtourism in the study area.

Key words： 15-minute life circle; online traffic; overtourism; machine learning; nonlinear relationship; Old City of Beijing

1 引言

随着深度旅游、体验式旅游的盛行，旅游活动逐渐由封闭式景区扩散到无边界旅游空间[1]。以“City Walk”为主要模式，以让游客获得本地居民一样的原真体验[2]为主要特色的“烟火气”旅游、“新型城市旅游（New Urban Tourism）”[3]与非景区型网红旅游[4]成为新热点。北京牛街、苏州平江路等以居住为核心功能的片区，淄博八大局便民市场、昆明大观篆新农贸市场、许昌胖东来超市等便民商业设施都已获得另一重身份——新兴的网红旅游目的地。但流量与游客带来的不只有正面影响，其负面影响也日益严重和广泛，居民与游客的冲突愈加激烈，出现了不少标志性事件，如在富士山脚下便利店前拉黑布遮挡富士山远景[5]、巴塞罗那居民举行反旅游示威并向游客喷水[6]、哈尔施塔特镇建设围栏阻止游客拍照[7]等。受此触发，学界意识到旅游活动与居民生活的冲突可能危及当地社区[8]乃至旅游业本身[9-10]的可持续发展，从而基于居民生活质量与满意度视角提出了“过度旅游（Overtourism）”的概念。联合国旅游组织（UN Tourism）对过度旅游的定义是“旅游对目的地整体或其局部的作用，这种作用对当地居民的感知生活质量和/或游客的体验有着高度的负面影响”[11]。在这一概念引领下，大量文献针对旅游对当地居民的影响进行了定量研究[12]，荟萃分析结果显示游客与居民的对立在游客与居民共享的场所最为严重[12]，但既有研究多以问卷询问居民对旅游的主观态度为基础，其指标相近，粒度较粗，且分析手段以描述性统计为主[13]，尚不能完整回答居民与游客的相互作用模式，也没有为过度旅游的研判监测、机制分析与规划引导提供完整可信的证据。随着多源大数据的涌现，其已成为旅游研究的重要材料，在旅游时空行为模式挖掘[14-15]、旅游活动仿真模拟[15]、旅游影响机制分析[16-17]等场景被广泛应用，提升了旅游研究的精准度[18]。但多数大数据驱动的旅游行为研究仍停留在“就旅游论旅游”的范畴，鲜少利用行为大数据对旅游系统中的主体、客体与媒介[19]进行交叉耦合分析，尚未给游客与居民关系研究提供基于大数据的定量证据。
本文从生活圈时空间行为视角展开分析，以居民“用脚投票”的显示性偏好（Revealed Preference）[20]为基础揭示旅游活动对居民行为的作用规律，为旅游与居民关系的认识提供新思路。生活圈是居民行为的重要空间映射。自生活圈概念诞生以来，经历了从单纯时空范围，到物质空间下个体行为范围，再到家庭、组织、社会文化、多主体互动等多重因素制约下的行为范围的3次转型。第一阶段是“见物不见人”的生活圈，Perry在邻里单元空间模型中将5 min步行距离作为设施服务半径[21]，形成了生活圈的理论雏形。这一概念有着深远的影响，当前常用的以“×分钟覆盖率”为主要指标的空间划界[22-23]与设施配置[24-27]研究即脱胎于此。第二阶段是个体行为视角下的生活圈，有日本学者以人的购买行为提出了“生活圈构成论”[28-29]，奠定了时空行为视角的生活圈研究范式。行为视角下的生活圈并非基于中心地的城市空间单元，而是基于人的活动空间范围，其一般定义为“每一个居民以其居住地为中心向外扩展的，家外惯常的活动空间”[30]。在这种行为范式指导下，有学者引入时空棱柱、活动空间等时间地理学概念进行了“15 min使用率”[31]“定住率”[32-33]等生活圈利用分析、居民活动空间演化分析[34]与基于行为的生活圈划界[35-36]等研究，提出了“15 min城市”[37]等规划理念。第三阶段是家庭、组织、社会文化、多主体互动等多重因素制约下的生活圈，其理论基础是Kajsa等提出的新时间地理学。新时间地理学针对经典时间地理学对不同主体的互动关系关注不足等缺陷，提出了从物质空间制约转向社会文化制约的新研究视角[38]，强调个体日常生活实践中与其他个体、组织等互动的过程，重视由形式和结构描述转向过程与机制解释。在此基础上，生活圈的内涵在物质空间硬环境的基础上拓展到社会空间软环境[39]。相关研究更多关注社会可持续发展[40]与社会治理议题[41]，也有学者提出应警惕生活圈潜藏的社会隔离等社会负面影响[31]。因此仅考虑建成环境对居民行为的影响是不全面的，游客与旅游活动同样是影响旅游区居民行为的重要制约因素，应当以综合视角关注特定时空间中共存的所有事物[42]。本文在15 min生活圈范围内，融合物理空间、游客的行为空间与居民的行为空间，力求对居民在建成环境与旅游活动共同制约下形成的地方秩序空间进行更全面的分析。
游客如何从景区扩散深入到原先鲜为人知的生活圈?八大局市场、大观篆新市场、胖东来超市等场所在缺乏旅游管理主体、缺乏官方营销推介的情况下迅速走红，主要得益于网络平台的流量推送与网络社交媒体的口碑传播。已有研究通过案例分析方法发现网络社交媒体增强了游客前往高评分目的地的出游意愿[43-44]；游客的旅游打卡行为受到网络博主与平台的“软暴力”隐形支配[45]。但旅游活动与网络流量的关系，以及二者协同对居民行为的影响，仍缺乏可信的、全面的实证验证。考虑到网络流量与旅游活动密不可分的关系，本文纳入网络流量要素，考察其凭借吸引游客前往，在影响居民行为的过程中所发挥的间接作用。
研究方法层面，一方面，当前旅游对居民影响的研究多基于线性模型，只能回答是否存在显著影响，以及效应量多少两个问题。而旅游活动与建成环境对居民行为的影响可能是非线性的，如可能存在拐点效应、阈值效应、上凸或下凸的单调非线性效应等。在调节旅游与居民关系的城市治理实践中，需要根据上述非线性变化确定最优规模范围、空间布局方案、政策干预时机等，而线性模型则无助于这些实际问题的解决。基于机器学习的非线性模型及其解释算法为非线性关系的挖掘提供了有力工具，已有较多研究应用此类模型对生活圈的建成环境进行了研究，分析了街区尺度[46]、公共服务设施[33]、区位[47]等空间特征与生活圈行为的非线性关系。因此，引入基于机器学习算法的非线性模型可支撑更精准、更有实践意义的规律挖掘。
另一方面，带有详细定位的社交媒体推送信息具有把客流点对点推送到旅游目的地的能力，使游客可直奔目的地而无需四处探索。由此带来的网络流量的空间效应可能更加不均质，识别这种空间效应需要更精细的视角。为了在更加精细的空间单元上识别网络流量与旅游活动对居民15 min生活圈行为的影响，本文突破采用“15 min使用率”“定住率”等归并指标，把生活圈视作一个整体的传统研究范式，转而基于微观视角以Geohash第七级网格（边长约为150 m）为基础空间单元对15 min生活圈的内部空间进行展开，透视居民在15 min生活圈内的行为规律[48]。这对研究数据的精度与样本量提出了更高要求。传统的问卷数据收集方法很难提供这类数据。随着5G通信网络快速普及，手机信令数据的空间精度得以提高，可更精准识别居民行为与旅游活动。随着生活分享类网络平台的快速发展，具备地理坐标标签的网络平台众源数据的大量涌现，提供了大样本量的“网红”数据，解决了研究数据的获取问题。
综上所述，本文选择北京老城作为研究区域，从时空间行为视角，针对居民在建成环境与旅游活动共同制约下形成的地方秩序空间——15 min生活圈，基于“小红书”网络平台新数据与手机信令行为数据，应用非线性机器学习算法，对网络流量与旅游活动对居民在15 min生活圈内行为的非线性影响、间接影响机理及其时空异质性进行实证分析，继而判断北京老城过度旅游的程度，以期为旅游与居民关系的调节提供更精准的决策参考。

2 研究区域、方法与数据

2.1 研究区域

本文选择北京老城作为研究区域。北京老城指明清时期北京城护城河及其遗址以内的区域，其面积约为62.5 km2 [49]，是世界文化名城的瑰宝，古都历史文脉延续传承至今。同时，北京老城内也有一定面积的现代风貌区，其游客数量较少，网红属性较弱，可作为对照组提高样本的多样性。将研究区域按照Geohash第七级网格进行划分，网格尺寸约为150 m×150 m，其面积与《城市居住区规划设计标准》（GB50180-2018）规定的居住街坊面积大体相当，约为15 min生活圈面积的1/140。居住人口的数据来源为智慧足迹手机信令，该数据由中国联通手机用户的基站接入信息进行脱敏、降噪、聚合等处理后得到，相对真实、可靠、准确。2023年末，中国联通的手机用户市场占有率为19.2% ① ，具有一定的代表性。根据《城市居住区规划设计标准》规定的人均居住区用地面积限额进行推算，并结合用地数据进行召回率与正确率比对，综合确定网格内居住人口下限为80人（仅联通用户），老城内满足该下限条件的网格共2246个。上述居住网格的15 min步行可达网格为15 min生活圈研究范围（图1）。
图1 研究范围

Fig. 1 Location of the study area

2.2 研究样本

为剥离居民在15 min生活圈内部的微观行为规律，将居民到其15 min步行可达范围内另一个网格驻留形成的联系作为研究样本。为避免交通行为与就业行为干扰，驻留时间设定为0.5~6.0 h之间。由于居住地15 min范围内存在大量水系、道路等不会产生实际驻留行为的用地，将其纳入模型不仅无实际意义，也会大幅增加计算成本，故将其剔除。火车站、长途车站非居民日常活动场所，也将其剔除。图2为研究样本的图示，图中每一条箭头为一条样本。
图2 研究样本示意

Fig. 2 Schematic diagram of research samples

2.3 变量选取与数据来源

因变量方面，以样本的人均驻留时间表征居民15 min生活圈行为。具体定义为“一个居住网格的所有居民前往15 min步行可达范围内另一个网格的总驻留时间与该居住网格的居民数量之商”。由于就业地与居住地过于接近会使生活行为与就业行为产生重叠，剔除就业地在居住地15 min步行可达范围内的用户，并剔除数据异常（包括未知性别、未知年龄、总记录时间过短或大于全月时间、日均工作时间大于12 h、驻留地多样性过低等）的用户。由于生活圈行为指居民的家外惯常行为，故剔除人均驻留时间小于10 min的样本。数据来源为智慧足迹手机信令。
自变量方面，解释变量为网络流量与旅游活动。网络流量通过“小红书”平台上具有地理标签的笔记数量表征。“小红书”用户可在该平台上通过短视频、图文等形式记录生活点滴，分享生活方式。据官方统计数据，截至2019年7月，该平台月活跃用户数突破1亿 ① ，具有一定代表性和广泛性，可用于测度地理空间的网络热度。数据采集时间为2024年6月，研究范围内共有笔记2580515条。封闭管理的面状目的地将笔记数量平均分配至出入口所在的网格，开放式管理的面状、带状目的地将笔记数量平均分配到各个网格。旅游活动变量包括外地到访者数量、周末工作日客流比例、本市外区到访者数量。其中外地到访者数量反映外地旅游情况，其余两个变量反映本地短途旅游情况。数据来源为智慧足迹手机信令。
控制变量考虑区位属性、居住地建成环境属性、居民属性与生活圈建成环境属性。区位属性包括居住网格中心与居民驻留网格中心间的最短步行距离以及居住地所属圈层。步行距离通过调用百度地图API的路径规划服务获得。由于圈层包含潜在顺序关系，将其按顺序进行数值型转换，圈层边界的数据来源为《首都功能核心区控制性详细规划（街区层面）（2018—2035年）》[49]。居住地建成环境属性包括建筑层数。居民属性方面，除居民数量、年龄、性别特征外，将反映居民“时间贫困”状况的工作时长指标纳入模型，居民属性数据来源为智慧足迹手机信令。生活圈建成环境方面，参考生活圈“5D”要素（密度、多样性、设计、公交可达性、区域可达性）[50]，结合国家[51]、北京市[52]对生活圈配套设施的要求，确定零售商业设施、文化体育设施、餐饮设施、教育设施、医疗设施、绿地6类设施（用地），数据来源为高德地图兴趣点（Point of Interest, POI）、兴趣面（Area of Interest, AOI）。为反映场所的吸引力与质量，加入大众点评星级，数据采集时间为2024年6月。
手机信令的时间范围为2024年3月、6月、9月、12月，其中包含清明节假期（6月8—10日）与中秋节假期（9月15—17日）。参与模型分析的居民共193228人。由于GBDT类算法对数据缺失有针对性的处理策略，故不对缺失值进行处理。变量详细说明与描述性统计见表1。
表1 变量说明与描述性统计

Tab. 1 Variable description and descriptive statistics

类型 变量名称 变量说明 平均值 标准差
因变量 人均驻留时间 居住网格内所有居民前往15 min步行可达范围内另一个网格的总驻留时间与该网格内居民数量之商(min/人) 99.87 193.32
解
释
变
量		 网络流量 小红书笔记数量 居民驻留网格内小红书笔记数量(条) 396.61 3333.78
旅游活动 周末工作日客流
比例		 居民驻留网格内周末日均客流与工作日日均客流之比(不含节假日) 1.15 0.31
本市外区到访人次 到访过居民驻留网格，居住地在本市且所在行政区与驻留网格不同，且与驻留网格的直线距离大于3 km的居民总到访次数(人次) 16205.72 21343.91
外地到访人次 到访过居民驻留网格的外地到访者(当月在北京市出现少于10 d)的总到访次数(人次) 5289.24 9123.59
控
制
变
量		 区位属性 网格间步行时间 居住网格与驻留网格之间的最短步行时间(s) 598.56 198.20
居住地所属圈层 历史文化街区=0；其他成片传统平房区=1；二环内非平房区=2 1.20 0.95
居住地建成
环境属性		 居住地平均建筑
层数		 按建筑基底面积加权的居住网格平均建筑层数(层) 5.24 4.53
居民属性 男性居民占比 居住网格内男性居民占总居民数量的比例 0.56 0.09
平均年龄阶段 0~6岁=1；7~12岁=2；13~15岁=3；16~18岁=4；19~24岁=5；25~29岁=6；30~34岁=7；35~39岁=8；40~44岁=9；45~49岁=10；50~54岁=11；55~59岁=12；60~64岁=13；65~69岁=14；70岁以上=15，所有居民的平均值 9.89 0.67
平均工作时长 居住网格内居民在就业地的月均总驻留时长(h) 55.41 19.77
生活圈建成
环境属性		 大众点评星级 居民驻留网格内商铺大众点评星级的平均值 3.85 0.20
零售商业设施
数量		 居民驻留网格内超市、便利店、菜市场等零售商业设施POI数量(不含家电卖场、家居建材市场等专业市场)(个) 0.72 1.37
文化体育设施
数量		 居民驻留网格内体育馆、博物馆、图书馆等文化体育设施POI数量(个) 0.69 1.44
餐饮设施数量 居民驻留网格内餐馆、饮品店等餐饮设施POI数量(个) 3.56 7.90
教育医疗设施
数量		 居民驻留网格内中学、小学、幼儿园、医院、社区卫生服务中心等教育医疗设施POI数量(不含高校、培训机构)(个) 0.34 1.06
绿地面积 居民驻留网格内公园绿地、防护绿地、广场等绿地的总面积(m2) 10.63 17.12

2.4 研究方法

2.4.1 模型构建与验证

为研究网络流量、旅游活动与居民15 min生活圈行为之间的非线性规律，本文选择梯度提升决策树（Gradient Boosting Decision Tree，GBDT）类型的机器学习算法。GBDT算法属于机器学习中集成学习（Ensemble Learning）中的提升（Boosting）算法。该类算法的特征在于采用类似人类学习知识的串行方式训练模型，将基本模型进行层层叠加，每一轮后续模型都基于前一轮的学习结果，采用梯度提升的方式不断迭代，修正之前的错误，直至达到最优拟合[53]。由于GBDT算法无需在训练前指定规则的非线性曲线形态（如幂律曲线、正态分布曲线等）；特征共线性问题对模型结果影响不大；可灵活处理缺失和异常数据；无需进行特征归一化处理等，其在生活圈行为的非线性关系分析上得到了广泛应用[33,54 -55]。
虽然基础GBDT算法有着优异的性能，但对于大样本量和大特征量的数据表现一般[56]，对于分类变量（如性别）也缺乏针对性的处理方法[57]。针对上述问题，一系列GBDT算法的优化改进算法被提出，其中性能较优异，应用较广泛的包括2016年提出的XGBoost[58]、2017年提出的LightGBM[56]和2019年提出的CatBoost[57]。这些算法的区别主要在于决策树的构建策略以及分类变量的处理方法等方面。
由于本文的样本数量较多，且包括性别、空间圈层等分类变量，故本文使用XGBoost、LightGBM和CatBoost 3个主流的GBDT改进算法进行模型训练，并选择验证表现最好的一个用于模型解释。验证方法使用重复K折验证法（Repeated K-Fold），该方法将K折验证法（K-Fold）进行多次重复，以得到更稳健的验证结果。K折验证法指将数据集随机分为K份，进行K轮模型训练与验证，各份数据集轮流作为测试集，剩余的K-1份作为训练集[59]。验证指标选择平均绝对误差（Mean Absolute Error, MAE）和R2值。

2.4.2 模型解释

本文使用可解释机器学习方法对回归模型进行解释，使用相对重要性指标衡量自变量对回归结果的贡献，使用单向部分依赖图（Partial Dependence Plot, PDP）分析单个自变量对因变量的非线性影响，双向部分依赖图分析一对自变量对因变量的联合影响。
（1）相对重要性。GBDT算法及其衍生算法使用自变量导致损失值的变化量表征其相对重要性，即具有某一变量的模型与不具有该变量的模型之间的损失值差异[53]，公式为：
I i 2 = ∑ n = 1 N I n i 2
式中： I n i 2表示在第 n次迭代中，加入第 i个自变量后，模型损失值的减小量。用于回归任务的模型的损失值一般选择均方差（Mean Square Error, MSE）或MAE。MAE一般用于评估模型的整体稳定性，而MSE一般用于严格控制模型的最大误差，本文选择MAE。相对重要性使用百分比表示，所有自变量的相对重要性之和为100%。
（2）部分依赖图。部分依赖图基于边际效益分析的思路，用于可视化因变量与单个自变量或一对自变量的依赖关系[60]。单向部分依赖图的X轴为自变量取值，Y轴为自变量变化导致因变量变化的边际效应；双向部分依赖图的X轴为自变量1的取值，Y轴为自变量2的取值，自变量1与自变量2对因变量的联合影响在图中使用等值线表示。
部分依赖图通常使用蒙特卡洛方法求得近似解[61]：
f S ^ x S = 1 n ∑ i = 1 n f ^ x S ,   x C i
式中： S代表待分析自变量的集合，当计算单向部分依赖图时， S为数值的集合，当计算双向部分依赖图时， S为二元数组的集合； C代表其他自变量的集合； x S代表待分析自变量的具体取值； x C代表其他自变量的具体取值，特殊地， x C i为共 n行的数据集中第 i行的其他自变量具体取值； f S ^ x S代表以训练完成的机器学习回归模型 f ^为基础，消除其他自变量 C影响后，仅关于待分析自变量 S的函数，即部分依赖图。上式的含义是，当待分析自变量 S取特定值 x S时，其函数值为将该特定值与其他自变量各行的真实值 x C i共同代入模型 f ^后的多个输出结果的平均值。

2.4.3 中介效应检验

中介效应指解释变量通过影响中介变量，对因变量的间接影响。本文将旅游活动作为中介变量，假设网络流量影响旅游活动的发生，旅游活动进而影响居民行为，因此网络流量通过影响旅游活动从而影响居民行为。本文基于Hayes等开发的PROCESS v4.3 for R[62]，使用Bootstrap法检验中介效应。Bootstrap法通过有放回的重复抽样，可以得到相对于Sobel法等传统方法更精确的结果，同时不要求样本服从正态分布[63]。重复抽样次数设定为5000次，置信区间设定为95%。若置信区间内不包含0，则说明中介效应显著。

3 结果分析

3.1 模型验证

本文构建相关性矩阵检查多重共线性问题，所有变量之间的相关系数均小于0.8，在容许范围内 ③ 。因此，本文保留所有变量进行模型训练。解释变量的空间分布如图3所示。北京老城的游客与流量由传统景点扩散逐渐渗透到生活圈，东四、牛街等传统上以居住功能为核心的片区成为网络流量集聚与游客打卡的新热门目的地。
图3 解释变量空间分布

Fig. 3 Spatial distribution of explanatory variables

使用重复K折验证法，对XGBoost、LightGBM和CatBoost三大GBDT衍生算法，以及随机森林算法与OLS线性回归算法进行模型验证。K值设为5折，重复3次，即每种模型进行3×5 = 15次训练与验证。由于随机森林与OLS算法无法处理空值，使用平均值填充空值。XGBoost、LightGBM、CatBoost和随机森林算法的超参数均使用Optuna工具进行自动调优。验证结果如表2所示。CatBoost算法训练的回归模型误差较小，拟合度较高，故选择CatBoost模型进行解释与分析。CatBoost模型的超参数设定为：One-Hot编码最大尺寸（One Hot Max Size）为5，树深度（Depth）为8，随机子空间比例（RSM）为0.578，L2正则化系数（L2 Leaf Reg）为6，学习率（Learning Rate）为0.013、迭代次数（Iterations）为1986次、贝叶斯采样套袋强度（Bagging Temperature）为0.921、随机排序强度（Random Strength）为2.866。
表2 模型验证结果

Tab. 2 Model validation results

模型 平均绝对误差 R2
XGBoost 72.660 (0.678) 0.512 (0.009)
CatBoost 72.585 (0.592) 0.515 (0.006)
LightGBM 72.993 (0.627) 0.508 (0.007)
随机森林 73.573 (0.684) 0.494 (0.007)
OLS 102.987 (0.389) 0.224 (0.003)

注：括号外为验证指标的平均值，括号内为标准差。

3.2 变量相对重要性

表3报告了变量的相对重要性。解释变量方面，反映网红旅游属性的4项解释变量的相对重要性大于各项公共服务设施变量。表明网络流量与旅游活动已对居民日常行为产生了深远影响，它们的影响力度甚至超越了部分物理空间属性。其中，表征旅游活动的3个变量排名相对靠前，而小红书笔记表征的网络流量对居民15 min生活圈行为的直接影响一般，其相对重要性为2.43%，处于所有变量的中游水平。
表3 变量相对重要性

Tab. 3 Relative importance of variables

变量 相对重要性(%) 排名
解释变量
驻留地网红旅游属性
小红书笔记数量 2.43 11
周末工作日客流比例 4.74 6
本市外区到访者数量 3.69 9
外地到访者数量 4.40 7
控制变量
区位属性
网格间步行时间 48.20 1
居住地所属圈层 1.94 12
居住地建成环境属性
居住地平均建筑层数 5.41 4
居民属性
男性居民占比 6.52 2
平均年龄阶段 4.90 5
平均工作时长 5.48 3
驻留地建成环境属性
零售商业设施数量 1.29 14
文化体育设施数量 1.04 15
餐饮设施数量 1.77 13
教育医疗设施数量 0.73 16
绿地面积 4.13 8
大众点评星级 3.33 10
控制变量方面，网格间步行距离对居民人均驻留时间的相对重要性为48.20%，显著高于其他变量，表明步行距离是居民在15 min生活圈内部行为的决定性因素，在“15 min生活圈居住区”内部进一步细分“5 min生活圈居住区”“10 min生活圈居住区”并分层梯度配建设施十分必要。在其他控制变量中，性别、年龄、工作时长等个人属性对居民15 min生活圈行为有较强影响，这与部分前序研究的发现[33]相似。

3.3 单变量非线性关系

由于部分自变量具有长尾特征，为避免极端数值影响可视化效果，除绿地面积、网格间步行时间、居住地所属圈层、公共服务设施数量、地铁站有无、公交车站有无外，其余变量制图时进行后2.5%缩尾。图4为居民在15 min步行可达范围内各网格的人均驻留时间与解释变量的单向PDP图，图5为其与控制变量的单向PDP图，图中横轴为自变量取值，纵轴为因变量（居民在网格内的人均驻留时间）取值。
图4 解释变量与居民15 min生活圈行为的非线性关系

Fig. 4 Non-linear relationship between explanatory variables and residents' 15-minute life circle behavior

图5 控制变量与居民15 min生活圈行为的非线性关系

Fig. 5 Nonlinear relationship between control variables and residents' 15-minute life circle behavior

解释变量方面，小红书笔记数量（图4a）与外地到访人次（图4b）均与居民人均驻留时间呈单调负相关，且曲线形态均为下凸型。小红书笔记数量曲线在0~500条之间快速下降，在500~1000条之间降幅变缓，在1500条左右趋于收敛。外地到访人次曲线前段快速下降，至10000人次左右趋于收敛（相当于日均联通用户83人次，按市占率计算相当于实际人口434人次）。二者表明网络流量和外地游客旅游活动与居民15 min生活圈行为出现了互斥，且这种负向影响的边际效应呈现递减趋势。这提示网络流量与外地旅游的影响在其发展前期就有较强负外部性，其“有无”比“多寡”更重要。如在网红化与旅游化的前期不加以控制，当出现相当规模的网络流量、外地旅游后，再将其与居民生活之间求得平衡并非易事。从收敛值的相对位置来看，1000条小红书的位序为前7%，10000人次外地到访的位序为前10%，具有1000条以上小红书笔记数量或外地到访大于10000人次的网格约占14%，这已超出“少数个别地区”的范畴。且它们的空间分布较分散，已不局限在少数旅游街区内，导致15 min步行可达范围内包含上述网红旅游网格的居住网格比例高达74%，即北京老城内近3/4的居住地受到了较强（处于已收敛区间）的网红旅游影响，反映出游客已成为塑造北京老城15 min生活圈地方秩序的重要主体。根据过度旅游的定义，可认为北京老城内存在一定程度的过度旅游现象。
反映短途短程休闲消费旅游的两个变量——周末工作日客流比例与本市外区居民到访对居民15 min生活圈的影响均呈现峰值效应（图4c、4d）。周末工作日客流比例在峰值1.25时最吸引居民驻留，在其前后分别呈现促进和抑制作用。可能的解释是：该比例较小时，场所对居民日常活动的吸引力较弱；而当该比例过大时，周末短途消费旅游的外来人群会降低周边居民的前往意愿。本市外区到访在峰值22526人次前对居民生活圈驻留有较强的促进作用，在其后缓慢下降。表明一定规模的本市休闲消费旅游对周边居民有一定的吸引作用，但若规模继续提高则转为轻微抑制作用。
多数控制变量的变化规律与既有研究类似，包括步行时间、圈层、建筑层数、零售商业设施、文化体育设施、教育医疗设施。居住空间方面，网格间步行时间与居民人均驻留时间基本符合平方反比规律（图5a）。随着居住地所属圈层由历史文化街区—二环内传统平房区—二环内非平房区变化，居民的人均驻留时间随之上升（图5b）。平均建筑层数越高的居住区，其居民在生活圈内部的驻留就越少（图5c）。应警惕高层住宅对“宅男宅女”的潜在影响。公共服务设施方面，网格内餐饮设施（图5j）的数量达到50家后，对人均驻留时间的提升作用不再明显，呈现阈值效应。根据餐饮设施的实际分布，餐饮设施数量在50个以上的网格多为大型商业综合体，这一阈值效应反映出大型商业综合体的规模效应不显著。零售商业（图5h）、文化体育（图5i）、教育医疗（图5k）3类设施的促进作用在达到峰值后逆转为遏制作用，这与相关研究的结论类似[33]，说明公共服务设施并不是“多多益善”。大众点评星级在3.7分之前星级越高，周边居民到访越多；在3.7分之后则出现了逆转（图5g）。这与不少美食家的主观感受相符，如《舌尖上的中国》总导演陈晓卿认为“餐厅评分3.5~4.0分之间通常有好吃的东西” ④ ，原因是过高的星级可能并没有反映出顾客的真实评价，其背后可能存在“买分”“刷好评”等营销行为。
工作时长、年龄、绿地等控制变量与一般常识和既有研究结论产生了出入。一般常识认为，工作时长越长，即可自由支配的时间越少，在15 min生活圈内的活动就越少。但模型结果显示，工作时长越长，在15 min生活圈内部的活动时长反而更多（图5f）。这可能是因为居民的工作时间越长，其非工作出行就越被固定在15 min生活圈内部，其生活模式更倾向于“两点一线”；而工作时间短的居民会在更广阔的空间范围内进行日常活动，不仅仅局限在15 min生活圈内部。焦健等利用时间调查数据发现“时间贫困人群”下班后进行其他活动的时间预算只有约60 min[64]。以此为前提进行推演，若进行一次30 min的简单活动，时间贫困人群的单程出行时长会被限制在15 min以内，他们的日常活动就会被约束在15 min生活圈以内[64]。本文的发现为该逻辑推演提供了基于行为大数据的实证结果支撑。同理，平均年龄呈现“U”型分布（图5e）也是出于相同的原因。年轻群体的工作时间通常较长，使其在生活圈内的驻留时间显著高于中年群体，接近身体机能退化，活动范围随之缩小的较高龄群体水平。进一步从社会角度考虑，在这种“时间贫困引发空间约束”的前提下，如果15 min生活圈内缺少必要的实体设施，则时间贫困人群要么无法得到社会服务，成为被社会排斥的对象；要么通过线上方式获得服务，成为“家里蹲”。即使15 min生活圈内设施应有尽有，居民长期在15 min生活圈内生活，仍会缺少与更广阔的城市空间的互动。就此，部分学者预测的15 min城市会让居民日常生活孤岛化，加剧城市社会分异[65]即成为了现实，时间贫困人口则首当其冲。最后应注意到，空间干预对解决这一社会问题的预期效果不佳，因此“解铃还须系铃人”，必须从时间干预的角度介入解决。绿地面积（图5l）的影响虽在后半段与既有研究结论相似，呈现先上升后稳定的阈值效应，但在前半段略有下降，这可能与小面积绿地多为道路两旁绿化带，其可进入性较差，服务效能较低有关。

3.4 双变量非线性关系

使用双向PDP图分析网络流量与旅游活动对居民15 min生活圈驻留的联合作用。由于变量分布具有长尾特征，为提高可读性，制图时对自变量进行后5%缩尾，结果如图6。双向PDP图类似等高线图，横轴、纵轴均为待分析变量，图中曲线为因变量的等值线，其形态取决于横轴、纵轴两变量自身变化规律与相对重要性。当两变量均未收敛时，若横轴要素的相对重要性始终为0，即因变量只随纵轴变化而变化，则只会有水平方向的等值线；反之，则只会有垂直方向的等值线。
图6 网络流量与旅游活动对居民15 min生活圈行为的联合作用

Fig. 6 Joint effect of online traffic and tourism activities on residents' 15-minute life circle behavior

周末短程休闲旅游方面，分别反映周末工作日客流比例、本市外区到访与小红书笔记数量联合作用的双向PDP图中，居民人均驻留时间最长（黄色）的区域都仅出现在图像左上方（图6a、6b）。当小红书数量上升至约300条之后，受到网络流量的负面影响，上述黄色区域并未继续向右延伸，以水平方向等值线为主。这一结果表明网络流量制约了适当规模的市内周末休闲旅游通过提升社区多样性与活力带来的正面促进作用。
外地旅游方面，外地到访与小红书笔记数量的双向PDP图左上方以垂直等值线为主，右下方以水平等值线为主，低值区位于右上方（图6c），表明这两个变量的相对重要性均随变量值上升而减小，缺少二者任何一个要素都不会导致居民驻留极端低值的出现，二者的高值共现为居民驻留极端低值的必要条件。

3.5 中介效应检验

本文采用Bootstrap方法对中介效应进行检验。由于通过单向PDP图发现驻留地的本市外区到访人次与周末工作日客流比例与居民到访大致呈现先升后降的非线性关系，而中介效应检验方法基于线性回归模型，故将这两个变量在峰值前后进行分段，分别进行中介效应检验。中介效应检验结果如表4所示。
表4 网络流量（X）—旅游活动（M）—居民行为（Y）的中介效应Bootstrap检验结果

Tab. 4 Bootstrap test results for the mediating effect of online traffic (X) - tourism activities (M) - resident behavior (Y)

中介要素(M) 路径 效应量系数 标准误 95%置信区间
下限 上限
外地到访人次 X→Y(总效应) -0.122*** 0.022 -0.165 -0.079
X→M 0.365*** 0.002 0.362 0.369
M→Y -0.147*** 0.022 -0.190 -0.104
X→M→Y(中介效应) -0.054** 0.007 -0.068 -0.040
中介效应/总效应：37.56%
本市外区到访人次（< 20965） X→Y(总效应) -0.253*** 0.037 -0.325 -0.181
X→M 0.067*** 0.002 0.064 0.070
M→Y 0.235*** 0.062 0.115 0.356
X→M→Y(中介效应) 0.016** 0.004 0.008 0.024
中介效应/|总效应|：6.25%
本市外区到访人次(≥ 20965) X→Y(总效应) -0.082*** 0.026 -0.133 -0.031
X→M 0.189*** 0.002 0.185 0.193
M→Y -0.235*** 0.038 -0.309 -0.162
X→M→Y(中介效应) -0.044** 0.006 -0.057 -0.033
中介效应/总效应：53.95%
周末工作日客流比例(< 1.1692) X→Y(总效应) -0.152*** 0.031 -0.213 -0.090
X→M 0.021*** 0.002 0.019 0.024
M→Y 0.694*** 0.052 0.592 0.797
X→M→Y(中介效应) 0.015** 0.002 0.012 0.018
中介效应/|总效应|：9.83%
周末工作日客流比例(≥ 1.1692) X→Y(总效应) -0.155*** 0.029 -0.213 -0.098
X→M 0.177*** 0.003 0.171 0.182
M→Y -0.338*** 0.035 -0.407 -0.269
X→M→Y(中介效应) -0.060** 0.005 -0.070 -0.049
中介效应/总效应：38.49%

注：**表示P < 0.05，***表示P < 0.01。X→M→Y路径的统计显著性根据95%置信区间的下限和上限确定，若下限和上限之间不包含0，则在95%的置信水平上显著，反之则不显著；其他路径的统计显著性根据P值确定。

从远距离、长时间观光旅游活动来看，网络流量对外地到访人次有显著的正向促进作用，外地到访人次对居民到访又存在显著的负向抑制作用，中介效应量系数的95%置信区间均小于0，说明中介效应显著。中介效应占总效应的比重接近四成，说明观光旅游在网络流量降低居民到访上扮演了部分中介的作用。从短途休闲旅游活动来看，网络流量也显著促进了本市外区到访人次与周末工作日客流比例。在前段，本市外区到访人次与周末工作日客流比例的中介效应量系数与总效应符号相反，说明它们形成了遮掩效应，网络流量对居民到访的负面作用被它们部分遮掩，修正为正向作用。但这种遮掩效应的效应量较弱，占总效应的比例小于10%。在后段，与观光旅游类似，休闲旅游也在网络流量降低居民到访上扮演了部分中介的作用（中介效应与总效应同号，且95%置信区间内不包含0）。综上所述，网络流量通过助推外地观光旅游和大规模的本地休闲旅游，间接制约了居民的驻留。

3.6 时空异质性分析

由于研究区域内居住区的空间形态多样，在空间肌理、街巷尺度、建筑形态等方面存在较大差异，并且居民与游客在工作日与周末也可能呈现差异性的行为模式，均可能造成网络流量与旅游活动对居民行为影响的差异，有必要对时间与空间的异质性进行讨论。将研究对象按时间（工作日与周末）和空间（历史文化街区、其他成片传统平房区与非平房区）进行分组非线性回归，以识别网络流量、旅游活动与居民行为在不同时空区位的关系的差异。
（1）空间异质性分析。图7为按空间圈层分组的解释变量与居民15 min生活圈驻留的非线性回归单向PDP图。从变化趋势来看，除历史文化街区内周末工作日客流比例在前段（0~1.25）呈现与其他圈层不同的平稳波动态势外，各空间圈层内解释变量对居民行为的影响趋势大致相同。这反映出网络流量与旅游活动对居民行为的非线性影响趋势在不同空间圈层未出现颠覆性变化。历史文化街区内周末工作日客流比例在前段的正效应不显著可能是因为历史文化街区内产业空间细碎、功能混合度较高，一些工作日到访较高的网格内同样会有一些居民服务设施吸引居民前往。从效应量上看，历史文化街区内各解释变量的效应量明显小于其他成片传统平房区和老城内非平房区。其解释可能是：首先，对历史文化街区之外的居民而言，网络流量与旅游活动已经由历史文化街区扩散到其他成片传统平房区和非平房区，它们对其中居民行为的影响也随之扩大。其次，对历史文化街区内的居民而言，由于网络流量与旅游活动已广泛分布到历史文化街区内，多数社区服务设施均已具有网红旅游属性，其居民已没有太多“用脚投票”前往其他非网红旅游场所的选择余地，即虽然会受到网红旅游的影响，但外出买菜、就餐等属于强刚性需求，在居民活动决策的权衡取舍中很难被网红旅游的负效应所撼动。
图7 解释变量与居民15 min生活圈行为的非线性关系（按空间圈层分组）

Fig. 7 Nonlinear relationship between explanatory variables and residents' 15-minute life circle behavior (grouped by spatial layers)

（2）时间异质性分析。图8为按周末、工作日分组的解释变量与居民15 min生活圈驻留的非线性回归单向PDP图。小红书笔记数量与外地到访两个单调减的变量，周末的变化幅度均大于工作日；周末工作日客流比例大于1.25时，周末的斜率与工作日接近；本市外区到访的影响在周末和工作日未见明显差异。以上反映出网络流量与旅游活动干扰居民周末行为的效应量高于工作日，继而可能会打乱居民惯常行为的时间序列，影响到居民工作与休息的时间节律，对生活圈的地方秩序产生更加深远的影响。
图8 解释变量与居民15 min生活圈行为的非线性关系（按周末、工作日分组）

Fig. 8 Nonlinear relationship between explanatory variables and residents' 15-minute life circle behavior (grouped by weekend and weekday)

4 讨论

本文证实了网络流量与旅游活动对居民15 min生活圈惯常行为有着边际效益递减的负面影响，且这种影响的相对重要性高于公共服务设施规模。根据联合国旅游组织对过度旅游的定义[11]，由于旅游已对居民行为产生了一定影响，15 min生活圈在网络流量与旅游活动作用下发生了一定程度的异化，且高网络流量或高旅游活动的范围较广，因此可认为实证案例地——北京老城总体存在一定程度的过度旅游现象。
网络流量与旅游活动影响居民15 min生活圈行为的内部机理如何?怎样应对蔓延到居住区的过度旅游?本部分将通过案例分析，对网络流量与旅游活动对居民形成影响的机理、可能后果与应对策略进行初步讨论。

4.1 机理分析

本文选择北京老城内的牛街地区 ⑤ 为案例，基于手机信令数据对比分析该地区在2019年6月与2024年6月的到访行为特征，以探讨网红旅游干预居民行为的机理。牛街是近年来网红化、旅游化较为突出的生活性商业服务中心之一。手机信令数据显示，该地区2024年6月外地游客到访量是2019年同期的5.36倍，而2024年北京市全年接待外地游客3.7亿人次，为2019年3.18亿人次的1.16倍 ⑥ 。该地区的小红书笔记数量也接近西单等传统商圈。
到访牛街的居民与游客行为数据显示，外地客流对居民形成了时间挤压，这可能是外地旅游活动与居民生活行为互斥的原因之一。一方面，时间挤压表现为周末向工作日的挤压，2019年6月牛街地区工作日15 min步行范围内日均到访量与周末的比例为1∶1.25，而2024年6月这一比例为1∶0.99，15 min生活圈居民周末的到访量反而略低于工作日，显示出周末的大客流已经对本地居民形成了一定的驱逐。另一方面则表现为每日高峰时段的挤压。对比2019年6月与2024年6月牛街地区的日均逐小时客流量曲线（图9），发现随着外地客流占据12—21时之间的高峰时段（灰色曲线），15 min步行范围内的本地客流（蓝色曲线）出现了早高峰前移，晚高峰周末与工作日客流量倒挂，以及下午时段（14—18时）客流略显减少的情况。时间挤压现象的出现可能与游客和居民对排队容忍程度的差异有关。随着客流提升，排队现象也愈加严重，15 min可达的公共服务设施叠加排队时间，造成居民实际进店时间远高于15 min，迫使居民错峰前往或另觅他处。
图9 2019年6月和2024年6月牛街地区日均逐小时客流量

注：步行15 min范围内客流规模较小，为更好展示其分时变化特征，对其单独进行了纵坐标放大。

Fig. 9 Average hourly passenger flow in Niujie area in June 2019 and June 2024

除直接侵入生活圈的时空组织，形成对居民的时间挤压外，网络流量与旅游活动也会间接引导业态变化，导致新增大量与当地居民需求不适配的商业业态，造成设施类型比例失衡，并通过租金上涨挤占了原有社区服务类业态的生存空间。牛街地区的POI数据显示，2023—2025年新增的公共服务设施以奶茶店、咖啡店、餐馆、酒吧等餐饮业态为主。
从社会空间的角度分析，旅游活动也会影响街道日常活动与社区邻里氛围，从而影响居民行为。社区成员相互交流并对街道环境进行非正式监视的“街道眼”是塑造社区邻里氛围与凝聚力的重要一环[66]。从这一视角进行分析，当网络流量引导的旅游活动介入生活圈后，“街道眼”可能发生主客体的转换：从社区成员相互交谈问候的“交流之眼”、监督陌生人的“监督之眼”，转变成了外来游客好似在动物园内一样好奇窥探的“观察之眼”。

4.2 后果推断与政策建议

本文分析结果显示网络流量与旅游活动对居民日常生活的影响是负面的，研究区的“过度旅游”现象已在一定程度上发生。如果任凭这种现象蔓延，有可能导致居民外迁，进而启动“居民外迁—房屋空置—商铺租用空置房屋—社区环境恶化—更多居民外迁”的链式反应。类似热核反应，这一反应也会在自动持续循环的过程中不断自发放大，直至反应原料——居民被消耗殆尽，最终摧毁历史积淀传承的社区非物质记忆。因此有必要对深入生活圈的网络热度与旅游活动进行干预，防范过度旅游的进一步蔓延。建议从以下5方面进行干预。
（1）设施供给。居民对部分公共服务设施的需求存在阈值天花板，生活圈内公共服务设施的规模并不是多多益善，当前部分城市更新项目选择的“景区+社区”模式缺少行为依据，一味迎合游客需求突破居民需求的阈值天花板对于居民日常生活并无裨益，反而会吸引过量游客，损害居民生活安宁环境权益，并挤占其他设施的空间。首先，应对公共服务设施进行上限控制与结构控制，如纽约在“埃塞克斯十字”（Essex Crossing）城市更新项目中规定商业设施用地的上限为40%，并规定各类商业设施的规模比例[67]，避免了过度商业化与绅士化[68]。其次，应主动选择设施业态，保护传统便民设施。如苏州双塔市集在更新过程中坚持不对外招商，优先支持老商户提档升级，保留了杂货铺、钥匙铺、裁缝摊和修锁摊等社区小店。最后，资本是网红场所供给过程中的重要一环[69]，应审慎控制“住改商”更新项目的信贷支持力度，防范还贷需求导致的过度逐利行为。
（2）空间设计。小红书热度与外地到访客流的负外部性前期较强，后期较弱，其“有无”比“多寡”更重要，只要有了网络流量和旅游活动，不管规模如何，就会对居民产生较大影响。这对于空间治理的意义是“堵不如疏”，应通过合理的动静分区设计，在整体嘈杂的旅游城区内保持多个基本没有网红旅游场所的宁静的居住街区。北京老城的传统街巷格局是动静分区的典范，北京老城以南北向大道为脊椎，向东西伸出鱼骨状的小巷，商业集中于大道，居住区则僻处小巷，形成了秩序井然的城市肌理[70]。当前北京老城以公房申请式腾退为契机开启了新一轮更新，部分地区的腾退后利用缺乏规划分区引导，腾出一处即招商一处，形成了散点式分布的网红旅游场所。按照本文发现的下凸形曲线判断，在片区总网络流量或旅游活动规模固定的前提下，散点分布模式对社区居民的负面影响远大于集聚模式，若任其蔓延可能会历史性地触动老城的动静格局。应参考国外案例经验，在指标控制之上进行空间分布干预，严格保护北京老城的动静格局。从产业发展角度看，适当集聚对消费商业健康发展也有一定的促进作用。
（3）网络宣传。网络流量通过吸引旅游活动对生活圈产生间接负面影响。应重视网络对游客的引导作用，慎重开展“网红打卡地”城市营销，引导游客在打卡、出片之外回归旅行本质，避免被网络流量裹挟。如维也纳市发起“享受维也纳，而不是打卡维也纳”（Enjoy Vienna Not #Vienna）活动 ⑦ ，旨在遏制打卡式旅游，鼓励游客通过自己的感官，而不是通过镜头来欣赏维也纳。又如阿姆斯特丹市发起“远离”运动（Stay Away Campaign），当网民搜索特定关键词时自动弹出宣传视频，警告不端旅游行为会受到相应惩罚。
（4）行为引导。游客对本地居民的时间挤压是旅游活动影响居民决策的重要原因。应侧重针对位于生活圈深处、辐射居民数量较多的网红旅游目的地，通过预约、限额、限时等策略加强对游客行为的引导。
（5）治理优化。游客群体的介入对于基层社区治理而言是新的挑战。网红旅游背景下的社区公共事务除了提供社区服务外，也包括了游客带来的经济利益与居民所付出的显性与隐性生活成本之间的博弈。相比于乡村基层治理，城市社区治理易呈现组织松散、事权上收、议事协商流于形式、议价能力弱等特征。可借鉴乡村旅游中的乡村治理模式，创新利益共享机制、业态准入机制，理顺产权主体、治理主体、社群主体、开发主体等多元主体间的关系，化社区网红化、旅游化的危机为契机，更好实现社区治理现代化。

5 结语

旅游地理研究通常关注旅游业自身的发展与效益，生活圈研究通常关注居民与物理环境的关系。本文从跨领域视角出发，关注到网红旅游与在地社区的关系，针对火热的旅游活动与喧嚣的网络流量背后沉默的大多数——当地居民，力图考察其15 min生活圈与外来游客、网络流量等社会环境要素之间的关系。为实现研究目的，本文应用了小红书、手机信令等新数据，提出了以居民到各细分网格的人均驻留时间表征居民生活圈行为并构建非线性机器学习模型的新分析方法，这些新数据与新方法可供未来相关研究借鉴。最后，本文的结论有助于读者思考：“网红”是不是双刃剑?城市活力究竟是谁的活力?网络流量转化的游客“留量”与居民的“留量”关系几何?旅游的可持续发展应当如何与社区的可持续发展相辅相成?
未来可继续提高网红旅游与生活圈关系研究的深度。空间维度上可增加其他旅游城市数据，增加样本规模，提高结论精度。时间维度上可依托时序数据探讨网络流量与旅游活动的时间变化模式及其相互作用，研究网红旅游效应的时间滞后性与持续性。机制层面上可将大数据与小数据相融合，结合新时间地理学研究框架，构建包含孕育计划、活动实现、影响反馈3个主要阶段的完整企划，对居民的决策机理等进行分析；还可面向实施干预层面，探讨不同干预策略的实施绩效。另外，网红旅游对城市的影响是深远、广泛的。可拓展研究视角，关注网红旅游对城市交通、住房等方面的冲击。还可针对各种特殊群体与空间展开研究，如大学生与大学校园。大学旅游近年来成为了旅游新热点。相比于普通居民，大学生的惯常日常活动范围可能更局限在大学校园内，旅游对大学生日常行为的影响可能更明显，大学校园内的过度旅游现象可能更显著。
致谢：感谢刘丹在本文构思过程中提出的宝贵意见，感谢梁弘、顾重泰、王良对本文数据采集、模型调试等方面提供的宝贵帮助，感谢匿名审稿专家的宝贵意见。
声明：在本文非采购数据的采集过程中，未对网站经营者设置的反爬虫措施进行规避，也未对服务器的防抓取措施进行破解。本文提出的观点与建议仅作为学术探讨。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Huang Tai, Wei Man, Xi Jianchao. The influence mechanism of urban tourism attractions amenity on tourists' consumption difference: A case of Suzhou paradise forest world scenic spot. Human Geography, 2025, 40(1): 144-153.

[黄泰, 卫嫚, 席建超. 城市旅游景区舒适性对游客消费差异的影响机制: 以苏州乐园森林世界景区为例. 人文地理, 2025, 40(1): 144-153.]

[2]
Gravari-Barbas M, Guinand S. Introduction: Addressing tourism-gentrification processes in contemporary metropolises// Guinand S, Gravari M. Tourism and Gentrification in Contemporary Metropolises. London: Routledge, 2017: 1-21.

[3]
Füller H, Michel B. 'Stop being a tourist !' new dynamics of urban tourism in Berlin-Kreuzberg. International Journal of Urban and Regional Research, 2014, 38(4): 1304-1318.

DOI

[4]
Zhou Meng, Lu Xiaoli, Zhu Jingmin, et al. An exploratory study on non-scenic net-popular tourism destinations from the perspective of media pilgrimage. Tourism Science, 2023, 37(1): 59-74.

[周梦, 卢小丽, 朱静敏, 等. 媒介朝圣视角下非景区型网红旅游地的探索性研究. 旅游科学, 2023, 37(1): 59-74.]

[5]
Munakata Yūsuke. A black curtain that hid mount Fuji was installed in front of a convenience store at Kawaguchi lake, and the initiative to improve public manners continues. 2024-05-21. https://www.asahi.com/articles/ASS5N452QS5NUZOB002M.html.

[棟形祐水. 富士山を隠した黒い幕河口湖コンビニ前に設置 マナー改善まで継続. 2024-05-21. https://www.asahi.com/articles/ASS5N452QS5NUZOB002M.html. 2024-05-21.]

[6]
Jack G. Barcelona anti-tourism protesters fire water pistols at visitors. 2024-06-09. https://edition.cnn.com/2024/07/08/travel/barcelona-tourism-protests-scli-intl/index.html.

[7]
Euronews Travel. Let it Go: Austrian town that looks just like Frozen builds fence to stop selfie-taking tourists. 2023-05-19. https://www.euronews.com/travel/2023/05/19/let-it-go-austrian-town-that-looks-just-like-frozen-builds-fence-to-stop-selfie-taking-tou.

[8]
Schweinsberg S, Wearing S, Lai P H. Host communities and last chance tourism. Tourism Geographies, 2021, 23(5-6): 945-962.

DOI

[9]
Mihalic T. Conceptualising overtourism: A sustainability approach. Annals of Tourism Research, 2020, 84: 103025. DOI: 10.1016/j.annals.2020.103025.

[10]
World Tourism Organization. Making tourism more sustainable: A guide for policy makers. Madrid: World Tourism Organization, 2005. https://www.e-unwto.org/doi/epdf/10.18111/9789284408214.

[11]
World Tourism Organization. 'Overtourism'? Understanding and managing urban tourism growth beyond perceptions. Madrid: World Tourism Organization, 2018. https://www.e-unwto.org/doi/epdf/10.18111/9789284419999.

[12]
Mckercher B, Wang D, Park E. Social impacts as a function of place change. Annals of Tourism Research, 2015, 50: 52-66.

DOI

[13]
Nunkoo R, Smith S L J, Ramkissoon H. Residents' attitudes to tourism: A longitudinal study of 140 articles from 1984 to 2010. Journal of Sustainable Tourism, 2013, 21(1): 5-25.

DOI

[14]
Liu Jun, Chen Jiaqi, Feng Bing, et al. Spatial-temporal behavior pattern of red tourists in Zunyi city based on trajectory data. Journal of Geo-Information Science, 2024, 26(2): 424-439.

[刘俊, 陈佳淇, 冯冰, 等. 基于轨迹数据的遵义市红色旅游者时空行为模式研究. 地球信息科学学报, 2024, 26(2): 424-439.]

DOI

[15]
Chen Jiaqi, Wang Shenghong, Wang Shengbin, et al. Mining and simulating of tourists' behavior patterns in multi-scale red tourism along the long March route. Tourism Tribune, 2024, 39(4): 124-138.

[陈佳淇, 王胜宏, 王圣斌, 等. 长征沿线红色旅游多尺度空间行为模式挖掘与仿真模拟. 旅游学刊, 2024, 39(4): 124-138.]

[16]
Liu Jun, Wang Shenghong, Yu Yunyun, et al. The impact of climate change on cherry blossom-viewing tourism based on Weibo big data in China. Acta Geographica Sinica, 2022, 77(9): 2292-2307.

DOI

[刘俊, 王胜宏, 余云云, 等. 基于微博大数据的气候变化对中国赏樱旅游的影响. 地理学报, 2022, 77(9): 2292-2307.]

DOI

[17]
Chuang I T, Benita F, Tunçer B. Effects of urban park spatial characteristics on visitor density and diversity: A geolocated social media approach. Landscape and Urban Planning, 2022, 226: 104514. DOI: 10.1016/j.landurbplan.2022.104514.

[18]
Liu Jun, Yu Yunyun, Hu Sike, et al. Big data in tourism research: Literature review and future prospects. Tourism Science, 2025, 39(1): 1-23.

[刘俊, 余云云, 胡思可, 等. 大数据在旅游研究中的应用: 研究回顾与未来展望. 旅游科学, 2025, 39(1): 1-23.]

[19]
Wu Bihu. The tourism system: An interpretation of tourism activities and tourism science. Tourism Tribune, 1998(1): 20-24.

[吴必虎. 旅游系统: 对旅游活动与旅游科学的一种解释. 旅游学刊, 1998(1): 20-24.]

[20]
Pirie G H. Thoughts on revealed preference and spatial behaviour. Environment and Planning A: Economy and Space, 1976, 8(8): 947-955.

DOI

[21]
Perry C. "The neighborhood unit":From the regional plan of New York and its environs (1929)// Richard T L. The City Reader. 7th Edition. London: Routledge, 2020: 557-569.

[22]
Han Zenglin, Li Yuan, Liu Tianbao, et al. Spatial differentiation of public service facilities' configuration in community life circle: A case study of Shahekou district in Dalian city. Progress in Geography, 2019, 38(11): 1701-1711.

DOI

[韩增林, 李源, 刘天宝, 等. 社区生活圈公共服务设施配置的空间分异分析: 以大连市沙河口区为例. 地理科学进展, 2019, 38(11): 1701-1711.]

DOI

[23]
Guo Rong, Li Yuan, Huang Mengshi. Research on optimization strategy of walking network in 15-minute community life circle of Harbin. Planners, 2019, 35(4): 18-24.

[郭嵘, 李元, 黄梦石. 哈尔滨15分钟社区生活圈划定及步行网络优化策略. 规划师, 2019, 35(4): 18-24.]

[24]
Zhou Xian. Assessing the distribution of public service facilities in unit planning based on the perspective of the 15-minute community-life circle: Evidence from Huangpu district of Shanghai. Urban Planning Forum, 2020(1): 57-64.

[周弦. 15分钟社区生活圈视角的单元规划公共服务设施布局评估: 以上海市黄浦区为例. 城市规划学刊, 2020(1): 57-64.]

[25]
Zhou Dailin, Huang Huiming. Community life cycle public facility configuration study based on demand-supply correlation: A case study of Guangzhou. Urban Development Studies, 2019, 26(12): 1-5, 18.

[周岱霖, 黄慧明. 供需关联视角下的社区生活圈服务设施配置研究: 以广州为例. 城市发展研究, 2019, 26(12): 1-5, 18.]

[26]
Sun Daosheng Chai Yanwei. Study on the urban community life sphere system and the optimization of public service facilities: A case study of Qinghe area in Beijing. Urban Development Studies, 2017, 24(9): 7-14, 25, 2.

[孙道胜, 柴彦威. 城市社区生活圈体系及公共服务设施空间优化: 以北京市清河街道为例. 城市发展研究, 2017, 24(9): 7-14, 25, 2.]

[27]
Weng M, Ding N, Li J, et al. The 15-minute walkable neighborhoods: Measurement, social inequalities and implications for building healthy communities in urban China. Journal of Transport & Health, 2019, 13: 259-273.

[28]
Shimokobe Atsushi. Testimony on Postwar Land Planning. Tokyo: Nihon Keizai Hyoronsha, 1994.

[下河辺淳. 戦後国土計画への証言. 東京: 日本経済評論社, 1994.]

[29]
Sugiura Yoshio. Empire of Geometry: Before the acceptance of central place theory in Japan. Geographical Review of Japan Ser. A, 1996, 69(11): 857-878.

[杉浦芳夫. 幾何学の帝国: わが国における中心地理論受容前夜. 地理学評論 Ser. A, 1996, 69(11): 857-878.]

[30]
Sun Daosheng. Research on Urban Community Life Sphere Planning. Nanjing: Southeast University Press, 2020.

[孙道胜. 城市社区生活圈规划研究. 南京: 东南大学出版社, 2020.]

[31]
Abbiasov T, Heine C, Sabouri S, et al. The 15-minute city quantified using human mobility data. Nature Human Behaviour, 2024, 8(3): 445-455.

DOI

[32]
Shen Zhenjiang, Lin Xinyi, Ma Yan. On the combination of Japanese urban master plan and "life circle" concept in recent years. Urban and Rural Planning, 2018(6): 74-87.

[沈振江, 林心怡, 马妍. 考察近年日本城市总体规划与生活圈概念的结合. 城乡规划, 2018(6): 74-87.]

[33]
Luo Xueyao, Zhang Wenjia, Chai Yanwei. Research on threshold effects of built environment settings in 15-minute life-circles. Geographical Research, 2022, 41(8): 2155-2170.

[罗雪瑶, 张文佳, 柴彦威. 15分钟生活圈的建成环境阈值效应研究. 地理研究, 2022, 41(8): 2155-2170.]

DOI

[34]
Liu T B, Chai Y W. Daily life circle reconstruction: A scheme for sustainable development in urban China. Habitat International, 2015, 50: 250-260.

[35]
Chai Yanwei, Li Chunjiang, Xia Wanqu, et al. Study on the delineation model of urban community life circle: Based on Qinghe district in Haidian district, Beijing. Urban Development Studies, 2019, 26(9): 1-8, 68.

[柴彦威, 李春江, 夏万渠, 等. 城市社区生活圈划定模型: 以北京市清河街道为例. 城市发展研究, 2019, 26(9): 1-8, 68.]

[36]
Sun Daosheng, Chai Yanwei, Zhang Yan. The definition and measurement of community life circle: A case study of Qinghe area in Beijing. Urban Development Studies, 2016, 23(9): 1-9.

[孙道胜, 柴彦威, 张艳. 社区生活圈的界定与测度: 以北京清河地区为例. 城市发展研究, 2016, 23(9): 1-9.]

[37]
Moreno C, Allam Z, Chabaud D, et al. Introducing the "15-minute city": Sustainability, resilience and place identity in future post-pandemic cities. Smart Cities, 2021, 4(1): 93-111.

DOI

[38]
Zhang Yan, Chai Yanwei. "New" time-geography: A review of recent progresses of time-geographical researches from Kajsa Ellegard in Sweden. Human Geography, 2016, 31(5): 19-24, 46.

[张艳, 柴彦威. “新”时间地理学: 瑞典Kajsa团队的创新研究. 人文地理, 2016, 31(5): 19-24, 46.]

[39]
Chai Yanwei, Li Chunjiang, Zhang Yan. A new time-geography research framework of community life circle. Progress in Geography, 2020, 39(12): 1961-1971.

DOI

[柴彦威, 李春江, 张艳. 社区生活圈的新时间地理学研究框架. 地理科学进展, 2020, 39(12): 1961-1971.]

DOI

[40]
Chai Yanwei, Li Chunjiang. Urban life cycle planning: From research to practice. City Planning Review, 2019, 43(5): 9-16, 60.

[柴彦威, 李春江. 城市生活圈规划: 从研究到实践. 城市规划, 2019, 43(5): 9-16, 60.]

[41]
Liu Yungang, Hou Lulu. Study on urban-rural governance based on a life circle approach. Shanghai Urban Planning Review, 2016(2): 1-7.

[刘云刚, 侯璐璐. 基于生活圈的城乡管治理论研究. 上海城市规划, 2016(2): 1-7.]

[42]
Hägerstrand T. Time-geography: Focus on the corporeality of man, society, and environment. The science and praxis of complexity, 1985, 3: 193-216.

[43]
Siegel L A, Tussyadiah I, Scarles C. Exploring behaviors of social media-induced tourists and the use of behavioral interventions as salient destination response strategy. Journal of Destination Marketing & Management, 2023, 27: 100765. DOI: 10.1016/j.jdmm.2023.100765.

[44]
Xiao Ning, Yang Jinhua, Xu Yuanzhao, et al. Influence of internet celebrity blogger and internet celebrity scene on travel intention and word-of-mouth recommendation. Human Geography, 2024, 39(1): 184-192.

[肖宁, 杨金华, 徐元诏, 等. 网红博主与网红场景对出游意愿和口碑推荐的影响. 人文地理, 2024, 39(1): 184-192.]

[45]
Yang Ying, Ma Yiran. Formation mechanism of perception deviation of internet-famous place image: From the perspective of the society of spectacle theory. Economic Geography, 2024, 44(2): 219-227.

[杨莹, 马怡然. 景观社会视角下网红景点形象感知偏差形成机制. 经济地理, 2024, 44(2): 219-227.]

DOI

[46]
Zhang W J, Zhao Y J, Jason Cao X, et al. Nonlinear effect of accessibility on car ownership in Beijing: Pedestrian-scale neighborhood planning. Transportation Research Part D: Transport and Environment, 2020, 86: 102445. DOI: 10.1016/j.trd.2020.102445.

[47]
Ding C, Cao X Y, Yu B, et al. Non-linear associations between zonal built environment attributes and transit commuting mode choice accounting for spatial heterogeneity. Transportation Research Part A: Policy and Practice, 2021, 148: 22-35.

DOI

[48]
Ellegård K, Liu Bochu, Zhang Yan, et al. Concept of project in time-geography and its empirical case studies. Human Geography, 2016, 31(5): 32-38.

[Ellegård K, 刘伯初, 张艳, 等. 时间地理学的企划概念及其研究案例. 人文地理, 2016, 31(5): 32-38.]

[49]
People's Government of Beijing Municipality. Detailed Regulatory Plan for the Core Area of the Capital (Block-level) (2018-2035). 2020-08-30. https://ghzrzyw.beijing.gov.cn/zhengwuxinxi/ghcg/xxgh/sj/202008/t20200829_1993379.html.

[北京市人民政府. 首都功能核心区控制性详细规划(街区层面)(2018—2035年). 2020-08-30. https://ghzrzyw.beijing.gov.cn/zhengwuxinxi/ghcg/xxgh/sj/202008/t20200829_1993379.html.]

[50]
Ewing R, Cervero R. Travel and the built environment: A meta-analysis. Journal of the American Planning Association, 2010, 76(3): 265-294.

DOI

[51]
Ministry of Housing and Urban-Rural Development of the People's Republic of China. Standard for Urban Residential District Planning and Design (GB 50180-2018). Beijing: China Architecture & Building Press, 2018.

[中华人民共和国住房和城乡建设部. 城市居住区规划设计标准(GB50180-2018). 北京: 中国建筑工业出版社, 2018.]

[52]
People's Government of Beijing Municipality. Configuration index of residential public service facilities in Beijing. 2015-02-19. https://www.beijing.gov.cn/zhengce/gfxwj/201905/t20190522_58262.html.

[北京市人民政府. 北京市居住公共服务设施配置指标. 2015-02-19. https://www.beijing.gov.cn/zhengce/gfxwj/201905/t20190522_58262.html.]

[53]
Friedman J H. Greedy function approximation: A gradient boosting machine. Annals of Statistics, 2001, 29(5): 1189-1232.

[54]
Zhang W J, Lu D M, Zhao Y J, et al. Incorporating polycentric development and neighborhood life-circle planning for reducing driving in Beijing: Nonlinear and threshold analysis. Cities, 2022, 121: 103488. DOI: 10.1016/j.cities.2021.103488.

[55]
Shao Q F, Zhang W J, Cao X Y, et al. Threshold and moderating effects of land use on metro ridership in Shenzhen: Implications for TOD planning. Journal of Transport Geography, 2020, 89: 102878. DOI: 10.1016/j.jtrangeo.2020.102878.

[56]
Ke G L, Meng Q, Finley T, et al. LightGBM:A highly efficient gradient boosting decision tree//Todd K L. Advances in Neural Information Processing Systems. New York: Curran Associates, Inc., 2017: 3146-3154.

[57]
Prokhorenkova L, Gusev G, Vorobev A, et al. CatBoost: Unbiased boosting with categorical features. 2019-01-20. http://arxiv.org/abs/1706.09516.

[58]
Chen T Q, Guestrin C. XGBoost:A scalable tree boosting system//Krishnapuram B, Shah M, Smola A, et al. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: Association for Computing Machinery, 2016: 785-794.

[59]
Kuhn M, Johnson K. Applied Predictive Modeling. 2013 ed. New York: Springer, 2013.

[60]
Hastie T. The Elements of Statistical Learning:Data Mining, Inference, and Prediction. New York: Springer, 2009.

[61]
Molnar C. Interpretable Machine Learning. 2nd ed. Morrisville: Lulu Press, 2022.

[62]
Hayes A F. Introduction to Mediation, Moderation, and Conditional Process Analysis:A Regression-based Approach. New York: Guilford Publications, 2017.

[63]
Preacher K J, Rucker D D, Hayes A F. Addressing moderated mediation hypotheses: Theory, methods, and prescriptions. Multivariate Behavioral Research, 2007, 42(1): 185-227.

DOI PMID

[64]
Jiao Jian, Wang De, Cheng Ying. Daily activity patterns and characteristics of the time-poverty people in Shanghai. City Planning Review, 2023, 47(4): 31-44.

[焦健, 王德, 程英. 上海市时间贫困人群的日常活动模式与特征. 城市规划, 2023, 47(4): 31-44.]

[65]
Glaeser E. The 15-minute city is a dead end: Cities must be places of opportunity for everyone. 2021-05-28.https://blogs.lse.ac.uk/covid19/2021/05/28/the-15-minute-city-is-a-dead-end-cities-must-be-places-of-opportunity-for-everyone.

[66]
Jacobs J. The Death and Life of Great American Cities. New York: Random House, 1992.

[67]
Nycedc, Nychpd, Manhattan Community Board 3. Essex crossing development (Seward Park). 2012-03-21.https://edc.nyc/sites/default/files/2019-06/essex_crossing_ulurp_application_and_filed_modifications.pdf.

[68]
Michael K. Essex crossing is the anti-hudson yards. 2019-11-07. https://www.nytimes.com/2019/11/07/arts/design/essex-crossing.html.

[69]
Zhou Lin, Chen Chen, Xie Yuanyi, et al. Space production of the "internet-famous" urban regeneration in historic districts of shanghai: A case study on regeneration of Yuyuan road, Changning district. Urban Planning International, 2024. DOI: 10.19830/j.upi.2023.463.

[周琳, 陈晨, 谢苑仪, 等. 上海历史地段城市更新“网红化”的空间生产机制研究: 以长宁区愚园路更新改造为例. 国际城市规划, 2024. DOI: 10.19830/j.upi.2023.463.]

[70]
Wu Liangyong. Beijing's Old City and Juer Hutong. Beijing: China Architecture & Building Press, 1994.

[吴良镛. 北京旧城与菊儿胡同. 北京: 中国建筑工业出版社, 1994.]

Options
文章导航

/

〈 〉