Identificación del espacio urbano por residentes y turistas, a través de datos de "Foursquare" en Barcelona

Barcelona es una importante ciudad turística en el mundo. Según el Informe Anual de Turismo de Barcelona (2014), más de 7,5 millones de turistas la visitaron este año. Los estudios relacionados con el turismo en Barcelona son numerosos, sin embargo, la comparación de actividades y usos del espacio entre turistas y residentes es poco analizada. De hecho, el turismo puede ser un factor dominante del desarrollo urbano, así como una fuente de conflicto social. Por lo tanto, es crucial comprender la situación de convivencia de turistas y residentes en una ciudad turística. El objetivo principal del estudio es identificar usuarios turísticos y usuarios locales a través de sus comportamientos de Foursquare. Además, explora la diferencia entre las actividades geoespaciales y los usos de los puntos de interés (POIs) entre los dos grupos. El período analizado abarca desde abril de 2012 a septiembre de 2013, según el intervalo de monitoreo de los datos de Foursquare. Después de la filtración, el total de los registros durante este período son 80,936 provenientes de 4,250 usuarios de Foursquare. Los POIs de Foursquare son 13,887 en Barcelona. El rango geográfico de los datos cubre aproximadamente la conurbación central del área metropolitana de Barcelona.La metodología incluye cuatro partes. El primer paso es seleccionar indicadores de comportamiento y estandarización. El segundo paso consiste en seleccionar dos muestras de corto período y clasificarlas en turistas y locales por agrupación de K-means. Después del examen manual del resultado inicial, se introduce un umbral de clasificación para mejorar el resultado. Finalmente, el mismo método de identificación se aplica a todo el conjunto de datos.De acuerdo con el resultado, la diferencia de uso de POIs verifica que la identificación sea efectiva, reflejando las actividades típicas de turistas y residentes por separado en la ciudad. Los POIs más visitados de los turistas son: complejos turísticos al aire libre, transporte, restaurantes, hoteles y tiendas. El rango correspondiente de los residentes es: restaurantes, lugares de trabajo, centros turísticos al aire libre, lugares educativos y transporte.Además, independientemente de la duración del período de análisis, los dos grupos tienen diferentes comportamientos de Foursquare. En general, los comportamientos de los turistas: la duración de la estadía, el número de registros y la distancia total de viaje son menores que los del grupo de locales. El cluster de K-means puede identificar efectivamente a los usuarios que poseen los valores extremos de los atributos. Sin embargo, es inevitable introducir una intervención artificial para usuarios sin características extremas.Además, la distribución geoespacial y el tiempo activo también representan diferencias entre los lugareños y los turistas. En términos de escala de movimiento, los turistas parecen más concentrados que los residentes. Con respecto al tiempo activo, el período activo de los turistas es similar todos los días. Por el contrario, los residentes muestran una evidente variación periódica diaria y semanal.Es innegable que este trabajo presenta limitaciones. En primer lugar, los datos de Foursquare tienen sesgo. La alta proporción de check-ins en restaurantes es producto de que Foursquare tiene como objetivo proporcionar información práctica sobre los lugares para los usuarios. Además, la falta de información demográfica de los usuarios también limita el alcance del estudio, debido a su política de privacidad.En resumen, este estudio demuestra que es posible distinguir a los turistas de los residentes a través de los datos de Foursquare, aunque se reconoce la incertidumbre de los datos. Cómo mejorar la precisión de la identificación no supervisada y cooperar con otros conjuntos de datos será objeto de investigación adicional. Además, si el modelo de identificación puede aplicarse universalmente es otro tema que vale la pena probar en el futuro.Barcelona és una important ciutat turística al món. Segons l'Informe Anual de Turisme de Barcelona (2014), més de 7,5 milions de turistes la van visitar aquest any. Els estudis relacionats amb el turisme a Barcelona són nombrosos, però, la comparació d'activitats i usos de l'espai entre turistes i residents és poc analitzada. De fet, el turisme pot ser un factor dominant del desenvolupament urbà, així com una font de conflicte social. Per tant, és crucial comprendre la situació de convivència de turistes i residents en una ciutat turística. L'objectiu principal de l'estudi és identificar usuaris turístics i usuaris locals a través dels seus comportaments de Foursquare. A més, explora la diferència entre les activitats geoespacials i els usos dels punts d'interès (POIs) entre els dos grups. El període analitzat abasta des d'abril de 2012 a setembre de 2013, segons l'interval de monitorització de les dades de Foursquare. Després de la filtració, el total dels registres durant aquest període són 80,936 provinents de 4,250 usuaris de Foursquare. Els POIs de Foursquare són 13,887 a Barcelona. El rang geogràfic de les dades cobreix aproximadament la conurbació central de l'àrea metropolitana de Barcelona.La metodologia inclou quatre parts. El primer pas és seleccionar indicadors de comportament i estandardització. El segon pas consisteix a seleccionar dues mostres de curt període i classificar-les en turistes i locals per agrupació de K-means. Després de l'examen manual del resultat inicial, s'introdueix un llindar de classificació per a millorar el resultat. Finalment, el mateix mètode d'identificació s'aplica a tot el conjunt de dades.D'acord amb el resultat, la diferència d'ús de POIs verifica que la identificació sigui efectiva, reflectint les activitats típiques de turistes i residents per separat a la ciutat. Els POIs més visitats dels turistes són: complexos turístics a l'aire lliure, transport, restaurants, hotels i botigues. El rang corresponent dels residents és: restaurants, llocs de treball, centres turístics a l'aire lliure, llocs educatius i transport. A més, independentment de la durada del període d'anàlisi, els dos grups tenen diferents comportaments de Foursquare. En general, els comportaments dels turistes: la durada de l'estada, el nombre de registres i la distància total de viatge són menors que els del grup de locals. El clúster de K-means pot identificar efectivament als usuaris que posseeixen els valors extrems dels atributs. No obstant això, és inevitable introduir una intervenció artificial per a usuaris sense característiques extremes.A més, la distribució geoespacial i el temps actiu també representen diferències entre els habitants i els turistes. En termes d'escala de moviment, els turistes semblen més concentrats que els residents. Pel que fa al temps actiu, el període actiu dels turistes és similar cada dia. Per contra, els residents mostren una evident variació periòdica diària i setmanal.És innegable que aquest treball presenta limitacions. En primer lloc, les dades de Foursquare tenen biaix. L'alta proporció de check-ins en restaurants és producte que Foursquare té com a objectiu proporcionar informació pràctica sobre els llocs per als usuaris. A més, la manca d'informació demogràfica dels usuaris també limita l'abast de l'estudi, a causa de la seva política de privacitat.En resum, aquest estudi demostra que és possible distingir els turistes dels residents a través de les dades de Foursquare, tot i que es reconeix la incertesa de les dades. Com millorar la precisió de la identificació no supervisada i cooperar amb altres conjunts de dades serà objecte d'investigació addicional. A més, si el model d'identificació pot aplicar universalment és un altre tema que val la pena provar en el futur.Barcelona is an important touristic city in the world. According to Annual Report of Tourism of Barcelona (2014), more than 7.5 million tourists visited here in that year. The studies related to tourism of Barcelona are numerous; however, the comparison of activities and land uses between tourists and locals is scarcely analyzed. In fact, tourism may be a dominant factor of urban development as well as a source of social conflict. Therefore, it is crucial to understand the co-living situation of tourists and residents in a touristic city. The main objective of the study is to identify touristic users and local users through their Foursquare behaviors. Furthermore, it explores the difference of geospatial activities and POIs’ usages between the two groups. The analytical period is from April of 2012 to September of 2013, based on the monitoring span of Foursquare data. After filtration, the total check-ins during this period is 80,936 coming from 4,250 Foursquare users. The POIs of Foursquare are 13,887 in Barcelona. The geographic range of data roughly covers the central conurbation of the Metropolitan area of Barcelona.The methodology includes four parts. The first step is to select indicators of behavior and standardization. The second step consists of selecting two short-period samples and classifying them into tourists and locals by K-means clustering. After the manual examination of the initial result, a threshold of classification is introduced to improve the result. Finally, the same method of identification is applied to the whole dataset. According to the result, the difference of POI usages verifies that the identification is effective. It reflects the typical activities of tourists and locals separately in the city. The most visited POIs of tourists are: outdoor resorts, transport, restaurants, hotel, and store. The corresponding rank of locals is restaurants, workplaces, outdoor resorts, educational places, and transport. Moreover, the two groups appear different Foursquare behaviors, regardless of the length of analyzing period. In general, behaviors of tourists -- the stay duration, number of check-ins, and total travel distance, are smaller than the local group. K-means clustering can effectively identify users who possess the extreme values of attributes. However, it is unavoidable to introduce artificial intervention for users without extreme-characteristics.Besides, the geospatial distribution and active time also embody differences between locals and tourists. In terms of movement scale, tourists seem more concentrated than the residents. With regard to the active time, tourists’ active period is similar every day. On the contrary, locals show an evident periodic variation daily and weekly.It is undeniable that this paper has several limitations. Firstly, Foursquare data has bias. The high proportion of check-ins is restaurants because Foursquare aims to provide practical information about places for users. What’s more, the lack of demographic information of users also limits the scope of the study, due to the privacy policy.In sum, this study demonstrates that it is possible to distinguish tourists from locals via Foursquare data, though the uncertainty of data is recognized. How to improve the accuracy of the unsupervised identification and cooperate with other datasets will be the object of further investigation. Furthermore, whether the identification model can be universally applied is another issue that is worth to test in the future.Peer Reviewe