Ukryj
Pokaż wszystkie
Analiza ruchu turystycznego w mieście na podstawie danych portalu Flickr. Studium przypadku miasta Kielce
Streszczenie w języku polskim
Wiedza na temat zachowań turystów w przestrzeni miejskiej jest niewielka, mimo że turyści generują ogromne ilości danych w sieci, tzw. Big Data. Te źródła danych wykorzystywane są jednak coraz częściej przy użyciu nowoczesnych technologii do śledzenia obecności turystów w atrakcyjnych turystycznie obszarach miejskich. Celem artykułu jest rozpoznanie zachowań turystów miejskich przy wykorzystaniu danych zawartych w serwisie społecznościowym Flickr. Dla zobrazowania aktywności czasowo-przestrzennej użytkowników portalu – przy założeniu, że mogą one stanowić wskaźnik wielkości ruchu turystycznego i zainteresowania przestrzenią miasta – zastosowano metody uczenia maszynowego. Wyniki analiz pokazały, że w większości przypadków aktywność użytkowników portalu w postaci liczby geolokalizowanych zdjęć pokrywała się z rzeczywistą liczbą odwiedzających najważniejsze atrakcje turystyczne Kielc. Opracowanie może stanowić przyczynek do nowego nurtu badań w geografii cyfrowej. W podsumowaniu zawarto także ograniczenia przyjętej metodyki badań.
Słowa kluczowe
Pełny tekst:
PDFBibliografia
Ash J., Kitchin R., Leszczynski A. (2018). Introducing Digital Geographies. W: J. Ash, R. Kitchin, S. Leszczynski (Eds.), Digital Geographies (s. 1–10). London: Sage. DOI: https://doi.org/10.4135/9781529793536.n1
Ashworth G.J., Page S.J. (2011). Urban Tourism Research: Recent Progress and Current Paradoxes. Tourism Management, 32(1), 1–15. DOI: https://doi.org/10.1016/j.tourman.2010.02.002
Awati R. (2023). What Is a Heat Map (Heatmap)? Online: https://www.techtarget.com/searchbusinessanalytics/definition/heat-map (dostęp: 20.11.2023).
Bank Danych Lokalnych Głównego Urzędu Statystycznego (BDL GUS). Online: https://bdl.stat.gov.pl/BDL (dostęp: 20.11.2023).
Beiqi S., Zhao J., Chen P.-J. (2016). Exploring Urban Tourism Crowding in Shanghai via Crowdsourcing Geospatial Data. Current Issues in Tourism, 20(11), 1–24. DOI: https://doi.org/10.1080/13683500.2016.1224820
Domènech A., Mohino I., Moya-Gómez B. (2020). Using Flickr Geotagged Photos to Estimate Visitor Trajectories in World Heritage Cities. International Journal of Geo-Information, 9(11). DOI: https://doi.org/10.3390/ijgi9110646
Elwood S., Goodchild M.F., Sui D.Z. (2012). Researching Volunteered Geographic Information: Spatial Data, Geographic Research, and New Social Practice. Annals of the Association of American Geographers, 102(3), 571–590. DOI: https://doi.org/10.1080/00045608.2011.595657
García-Palomares J.C., Gutiérrez J., Mínguez C. (2015). Identification of Tourist Hot Spots Based on Social Networks: A Comparative Analysis of European Metropolises Using Photo-Sharing Services and GIS. Applied Geography, 63, 408–417. DOI: https://doi.org/10.1016/j.apgeog.2015.08.002
Gardzińska A., Mańkowski T., Milewski D., Tokarz A. (2010). Region jako obszar badań systemu informacji turystycznej. W: A. Panasiuk (red.), Informacja turystyczna (s. 79–108). Warszawa: C.H. Beck.
Gągolewski M., Bartoszuk M., Cena A. (2016). Przetwarzanie i analiza danych w języku Python. Warszawa: Wydawnictwo Naukowe PWN.
Girardin F., Calabrese F., Dal Fiore F., Ratti C., Blat J. (2009). Digital Footprinting: Uncovering Tourists with User-Generated Content. Pervasive Computing, IEEE Pervasive Computing, 7(4), 36–43. DOI: https://doi.org/10.1109/MPRV.2008.71
Gołembski G. (red.). (2011). Sposoby mierzenia i uwarunkowania rozwoju funkcji turystycznej miasta. Przykład Poznania. Poznań: Wydawnictwo Uniwersytetu Ekonomicznego w Poznaniu.
Goodchild M.F. (2007). Citizens as Sensors: The World of Volunteered Geography. GeoJournal, 69(4), 211–221. DOI: https://doi.org/10.1007/s10708-007-9111-y
Grzyb M. (2019). Grupowanie gęstościowe. Algorytm DBSCAN – teoria. Online: https://mateuszgrzyb.pl/grupowanie-gestosciowe-dbscan-teoria (dostęp: 20.11.2023).
Han S., Ren F., Wu C., Chen Y., Du Q., Ye X. (2018). Using the TensorFlow Deep Neural Network to Classify Mainland China Visitor Behaviours in Hong Kong from Check-in Data. ISPRS International Journal of Geo-Information, 7(4). DOI: https://doi.org/10.3390/ijgi7040158
Hickey R.J. (1996). Noise Modelling and Evaluating Learning from Examples. Artificial Intelligence, 82(1–2), 157–179. DOI: https://doi.org/10.1016/0004-3702(94)00094-8
Jażdżewska I. (red.). (2008). XXI Konwersatorium Wiedzy o Mieście. Funkcja turystyczna miast. Łódź: Wydawnictwo Uniwersytetu Łódzkiego.
Kowalczyk A. (2001). Geografia turyzmu. Warszawa: Wydawnictwo Naukowe PWN.
Kurek W. (red.). (2012). Turystyka. Warszawa: Wydawnictwo Naukowe PWN.
Lijewski T., Mikułowski B., Wyrzykowski J. (1985). Geografia turystyki Polski. Warszawa: Państwowe Wydawnictwo Ekonomiczne.
Liszewski S. (1999). Przestrzeń turystyczna miasta (przykład Łodzi). Turyzm, 9(1), 51–73. DOI: https://doi.org/10.18778/0867-5856.9.1.04
Matczak A. (1989). Problemy badania funkcji turystycznej miast Polski. Acta Universitatis Lodziensis. Turyzm, (5), 25–37. DOI: https://doi.org/10.18778/0860-1119.5.03
Otwarte Dane (2023). Rejestr zabytków nieruchomych. Online: https://dane.gov.pl/pl/dataset/1130,rejestr-zabytkow-nieruchomych (dostęp: 20.11.2023).
Page S. (1995). Urban Tourism. London–New York: Routledge.
Palaniappan S. (2023). On Doing a Thorough Exploratory Data Analysis with Pandas in Python. Online: https://medium.com/@drsamypal/on-doing-a-thorough-exploratory-data-analysis-with-pandas-in-python-b210c8c69d88 (dostęp: 20.11.2023).
Panourgias C. (2023). Clustering with DBSCAN. Online: https://medium.com/@panourgiaschris/clustering-with-dbscan-b573a6056ad1 (dostęp: 20.11.2023).
Rahmadian R., Feitosa D., Zwitter A. (2021). A Systematic Literature Review on the Use of Big Data for Sustainable Tourism. Current Issues in Tourism, 25(11), 1–20. DOI: https://doi.org/10.1080/13683500.2021.1974358
Rath S.R. (2022). Traffic Sign Recognition Using PyTorch and Deep Learning. Online: https://debuggercafe.com/traffic-sign-recognition-using-pytorch-and-deep-learning (dostęp: 20.11.2023).
Rodrigo J.A., Ortiz J.E. (2021). Skforecast: Time Series Forecasting with Python and Scikit-Learn. Online: https://cienciadedatos.net/documentos/py27-time-series-forecasting-python-scikitlearn.html (dostęp: 20.11.2023).
Rogacewicz B. (2018). Machine Learning – przydatne narzędzia i biblioteki. Online: https://nofluffjobs.com/pl/log/wiedza-it/machine-learning-przydatne-narzedzia-i-biblioteki (dostęp: 20.11.2023).
Sinclair M., Ghermandi A., Sheela A.M. (2018). A Crowdsourced Valuation of Recreational Ecosystem Services Using Social Media Data: An Application to Tropical Wetland in India. Science of the Total Environment, 642, 356–365. DOI: https://doi.org/10.1016/j.scitotenv.2018.06.056
Strzyż M. (2018). Wyżyna Kielecka (342.3). W: A. Richling, J. Solon, A. Macias, J. Balon, J. Borzyszkowski, M. Kistowski (red.), Regionalna geografia fizyczna Polski (s. 421). Poznań: Bogucki Wydawnictwo Naukowe.
Warszyńska J., Jackowski A. (1978). Podstawy geografii turyzmu. Warszawa: PWN.
Wilkins E.J., Wood S.A., Smith J.W. (2020). Uses and Limitations of Social Media to Inform Visitor Use Management in Parks and Protected Areas: A Systematic Review. Environmental Management, 67, 120–132. DOI: https://doi.org/10.1007/s00267-020-01373-7
Wood S.A., Guerry A.D., Silver J.M., Lacayo M. (2013). Using Social Media to Quantify Nature-Based Tourism and Recreation. Scientific Reports, 3. DOI: https://doi.org/10.1038/srep02976
Zhong L., Sun S., Law R. (2019). Movement Patterns of Tourists. Tourism Management, 75, 318–322. DOI: https://doi.org/10.1016/j.tourman.2019.05.015
DOI: http://dx.doi.org/10.17951/b.2024.79.0.17-31
Data publikacji: 2024-04-19 10:37:17
Data złożenia artykułu: 2023-12-06 15:29:29
Statystyki
Wskaźniki
Odwołania zewnętrzne
- Brak odwołań zewnętrznych
Prawa autorskie (c) 2024 Andrzej Tucki, Jacek Osojca, Dariusz Dobrowolski
Powyższa praca jest udostępniana na lcencji Creative Commons Attribution 4.0 International License.