MIRADA A LOS JUEGOS OLÍMPICOS DE RIO 2016 A TRAVÉS DE TWITTER

Condeço-Melhorado1; I. Mohíno Sanz2; B. Moya-Gómez3; J.C. García-Palomares4

1Departamento Geografía, Universidad Complutense de Madrid/. C/ Profesor Arangüren, s/n, 28040 Madrid. acondeco@ucm.es2Departamento Geografía, Universidad Complutense de Madrid/. C/ Profesor Arangüren, s/n, 28040 Madrid. mamohino@ucm.es3Departamento Geografía, Universidad Complutense de Madrid/. C/ Profesor Arangüren, s/n, 28040 Madrid. bmoyagomez@ucm.es4Departamento Geografía, Universidad Complutense de Madrid/. C/ Profesor Arangüren, s/n, 28040 Madrid. jcgarcia@ghis.ucm.es

RESUMEN

Los Juegos Olímpicos (JJOO) suponen importantes inversiones por parte de las ciudades anfitrionas y se espera que impacten positivamente en la economía y la imagen turística de las ciudades y países responsables de su organización. El presente estudio analiza cuestiones menos estudiadas como son la movilidad y el uso que los residentes y visitantes hacen de las diferentes zonas de la ciudad. Para ello contamos con datos geolocalizados de Twitter, cubriendo el periodo anterior, durante y posterior a los juegos. Estos datos ofrecen una gran granularidad espaciotemporal para el análisis de la movilidad y revelan patrones de movilidad que van más allá del lugar de residencia o trabajo que nos ofrecen las fuentes de datos tradicionales.

La metodología desarrollada en este estudio contesta a tres preguntas fundamentales: i) ¿En qué momentos y lugares encontramos las principales concentraciones de Twitter?; ii) ¿En qué medida difieren los patrones de movilidad de residentes y turistas?; iii) ¿Cuál ha sido el efecto de los JJOO en los patrones espaciales y de movilidad de los usuarios? Los resultados han permitido obtener conclusiones que pueden ser útiles para una evaluación de la actividad de los ciudadanos, durante los juegos y una mejor planificación urbana posterior, considerando los cambios de movilidad y patrones espaciales observados después del evento.

Palabras clave: Juegos Olímpicos Rio 2016; Twitter; actividad espacial; estadística espacial

ABSTRACT

The Olympic Games (JJOO) entail important investments by the host cities and are expected to have a positive impact on the economy and the image of organizer cities and countries. In this study we analyse less studied topics, such as mobility and the use that residents and visitors make of different areas of the city. We use geolocated Twitter data, covering the period prior, during and after the games. These data offer a great spatio-temporal granularity for the analysis of mobility and reveal patterns of mobility that go beyond the place of residence or work, offered by traditional data sources.

The methodology developed in this study answers three fundamental questions: i) At what times and places do we find the main concentrations of Twitter users?; ii) To what extent do the mobility patterns of residents and tourists differ? iii) What has been the effect of the Olympic Games on the spatial and mobility patterns of the users? The results draw interesting conclusions that can be useful for an evaluation of citizens’ activity, during the games and a better subsequent urban planning, considering the changes in mobility and spatial patterns observed after the event.

Keywords: Rio 2016 Olympic Games; Twitter; spatial activity; spatial statistics

1. INTRODUCCIÓN

Los mega eventos deportivos tienen un enorme impacto en el dinamismo urbano de las ciudades anfitriona y suponen un gran impacto en la imagen de la ciudad sede (Ley 1993). De hecho, los objetivos de estas ciudades van más allá de la celebración exclusiva de estos eventos y se refieren al aumento de la atracción turística o la oportunidad de una transformación urbana en algunas zonas de la ciudad. Los Juegos Olímpicos son el paradigma de tales eventos con impactos visibles, antes, durante y después de los juegos, que desafían la capacidad de planificación y gestión de las autoridades públicas. Dichos eventos conllevan importantes inversiones en instalaciones deportivas, infraestructura de transporte, viviendas, oficinas y locales comerciales, telecomunicaciones, hoteles e infraestructura medio-ambiental. Así, muchos de los efectos a largo plazo provienen de inversiones no directamente relacionadas con las instalaciones deportivas, como los provenientes de proyectos de reestructuración urbana y de transporte. Los Juegos Olímpicos constituyen una oportunidad para transformar algunas áreas urbanas que se han vuelto obsoletas en términos de uso, como es el caso de las áreas industriales, en otros usos más relacionados con la economía de servicios (Hiller y Address 2006; Holguin-Veras y otros 2005; Essex and Chalkley 2010).El impacto económico de las inversiones de los Juegos Olímpicos ha sido medido por varios autores como Brunet (1995). Otros impactos se relacionan con el aumento del valor del suelo en las áreas beneficiadas y, en algunos casos, asociados a fenómenos de gentrificación. También los cambios en los patrones de movilidad en las ciudades anfitrionas han sido reconocidos en la literatura. En este sentido, Brunet (1995) muestra que para los Juegos Olímpicos de Barcelona de 1992, hubo un aumento del tráfico en diferentes áreas de la ciudad debido a varias circunvalaciones construidas antes de los juegos.

Más recientemente, gracias a la enorme cantidad de datos disponibles provenientes de redes sociales como Twitter, han habido numerosos estudios que han utilizado los datos de Twitter para analizar diversos tipos de eventos, como la ceremonia de los Oscar (Thelwall et al., 2011), festividades locales (Lee y Sumiya, 2010), amenazas naturales como los terremotos (Sakaki et al., 2010; Vieweg et al. 2010) o tormentas (Wang et al., 2015). Para mega eventos y especialmente para los Juegos Olímpicos, las obras de Kirilenko y Stepchenkova hacen una valiosa contribución a la literatura existente (Kirilenko y Stepchenkova 2017b, Kirilenko y Stepchenkova 2017a). Muchos de estos estudios buscan patrones anómalos de actividad de Twitter mediante el análisis de los períodos antes, durante y después de los eventos, detectando una mayor actividad durante el evento (Hughes y Palen 2009), especialmente en lugares cercanos. Con frecuencia, estos estudios también examinan el contenido de los mensajes para extraer los temas más importantes durante dichos eventos.

En este estudio, queremos explorar el cambio en los patrones de movilidad y utilización del espacio asociado a los Juegos Olímpicos de 2016 celebrados en Río de Janeiro (Brasil). Para ese propósito, usaremos nuevas fuentes de datos provenientes de la red social Twitter que es, sin duda, una de las redes sociales más extendidas, una plataforma para publicar mensajes con un máximo de 140 caracteres, conocidos como tweets. En este sentido, veremos la utilidad que los tweets geolocalizados puedan tener para el estudio de la movilidad y el uso del espacio en un evento de este tipo. Tres preguntas principales serán exploradas en este estudio: 1) ¿Qué hora y lugares concentran la mayor cantidad de usuarios? 2) ¿Son los patrones de movilidad de los residentes y turistas significativamente diferentes unos de otros? 3) ¿Cuál fue el efecto de los Juegos Olímpicos en los patrones de movilidad y uso del espacio de la ciudad?

Frente al estudio de Kirilenko y Stepchenkova (2017a, 2017b), el presente estudio avanza en el análisis de la distribución temporal y espacial de los usuarios de Twitter en Río de Janeiro, analizando los puntos calientes de concentración de usuarios, diferenciando los períodos antes, durante y después de los Juegos Olímpicos, observando el comportamiento de los turistas y residentes durante el período de los juegos, e identificando los posibles cambios en los patrones de actividad de los usuarios de Twitter después de los Juegos Olímpicos.

Este análisis corresponde a una fase preliminar de un estudio más amplio que actualmente estamos llevando a cabo y que será presentado pela primera vez en el XVIII Congreso TIG. En la siguiente sección describiremos brevemente la transformación urbana realizada por Río de Janeiro en el contexto de los Juegos Olímpicos, la sección 3 muestra los datos y los métodos se presentan en la sección 4. La sección 5 contiene los resultados preliminares de este estudio y en la sección 6 se analizan las principales conclusiones.

2. CAMBIOS URBANOS DEBIDO A LOS JUEGOS OLÍMPICOS EN RÍO DE JANEIRO

Los Juegos Olímpicos de Rio 2016 supusieron una gran transformación urbana gracias a los nuevos recintos deportivos y varios proyectos en áreas como movilidad, vivienda y medioambiente. Cuatro áreas principales recibieron la mayor parte de inversión (Figura 1): Barra, Deodoro, Maracanã y Copacabana. Barra es una zona muy atractiva y dinámica, tanto en patrimonio natural como en zonas de ocio, que en los últimos años ha experimentado la mayor expansión residencial en la ciudad de Río. Aquí se construyó el Parque Olímpico, hogar de 14 de las 31 instalaciones deportivas y con importantes inversiones en áreas residenciales y comerciales e infraestructura de transporte. Las inversiones incluyen más de 2400 pisos de lujo (Comité Olímpico Brasileiro 2009) y dos nuevas líneas de autobuses rápidos (BRT) (Transolímipica y Transcarioca) que conectan esta zona con el norte y el centro de la ciudad.

El área de Deodoro es más periférica y económicamente menos desarrollada, con varias favelas cercanas. Fue la segunda área más importante en términos de instalaciones olímpicas, nuevas zonas de ocio y nuevas conexiones BRT. El área de Maracaná incluye algunos de los íconos más famosos de Río, como el estadio Maracaná o el Sambódromo. También incluye el centro de la ciudad y el área del puerto. Para los Juegos Olímpicos, se construyó una nueva área residencial, cerca del estadio Maracaná, destinada a la clase media. Además, se llevó a cabo una reestructuración completa del área del puerto, con nuevas zonas residenciales (para clases más bajas), de ocio y turísticas. Finalmente, Copacabana es un área privilegiada, gracias a sus playas, montañas y famosas atracciones turísticas. Este es un área densamente poblada que no experimentó cambios notables, en términos de instalaciones deportivas y áreas residenciales. Sin embargo, con respecto a la infraestructura de transporte, si se benefició de la construcción de la línea 4 del metro, extendiendo la línea 1 existente y conectando con Barra. Además de estas áreas olímpicas, se realizaron otras mejoras en la infraestructura vial en diferentes partes de la ciudad.

Figura 1 - Principales áreas olímpicas en Río de Janeiro

Algunos de los sitios olímpicos que se abrieron al público general después del período olímpico, han tenido mucho éxito, como es el caso del Parque Olímpico. En otros casos, estaba claro que las instalaciones no estaban planeadas para las necesidades reales de la ciudad y por lo tanto su impacto ha sido menor, sino prácticamente nulo. Uno de los ejemplos más paradigmáticos fue la infraestructura de Canoe Slalom (área Deodoro) que se inauguró como una piscina gigante justo después de los juegos y se cerró en diciembre de 2016. Este fue también el caso de 31 torres residenciales, ubicadas frente al Parque Olímpico (Barra), que a día de hoy siguen ofertando muchos de los pisos para venta.

3. LOS DATOS

Twitter tiene más de 270 millones de usuarios activos en todo el mundo. Aproximadamente el 80% de los usuarios activos de Twitter acceden al servicio a través de un teléfono móvil, y alrededor del 1% de los usuarios optan por compartir sus ubicaciones según las coordenadas de sus dispositivos (Lansley y Longley, 2016). Desde 2010, permite incluir la ubicación de los usuarios mediante la asignación de coordenadas o el nombre de un lugar mientras twittean, lo que permite localizar los tweets geográficamente, tanto en el espacio como a lo largo del tiempo (Blanford et al., 2015). Los Tweets geoetiquetados representan aproximadamente el 1% de todos los mensajes que se envían con el servicio de Twitter (Blanford et al., 2015). Gracias a su granularidad espacio-temporal, estos datos ofrecen un enorme potencial para estudiar los patrones de movilidad de sus usuarios, revelando movimientos que van más allá de los datos basados en el hogar de residencia que ofrecen las fuentes de datos demográficas convencionales (Longley et al., 2015).

Los datos utilizados para este estudio se descargaron a través de Twitter Streaming API durante un año (desde abril de 2016 hasta marzo de 2017). Solo se descargaron los tweets geoetiquetados, seleccionando aquellos que cubrían el área de estudio. Además de las coordenadas, cada tweet también contiene información sobre la identificación del usuario, la fecha y hora en que se publicó el tweet, la configuración del idioma del dispositivo, el tipo de dispositivo y el texto del mensaje o el número de amigos y seguidores. En total, se han descargado más de 2,9 millones de tweets en los municipios de Rio de Janeiro y Niteroi. Los datos se cargaron en un SIG (ArcGIS 10.4.1) para su posterior análisis y cartografía, una vez realizado un pre-proceso de limpiar los datos de bots y usuarios compulsivos que no se mueven, que excluyó a más de 36 mil tweets.

4. MÉTODOS

Los datos Twitter fueron procesados en el SIG utilizando una metodología que pasa por considerar usuarios, en vez de mensajes (tweets) y normalizar la actividad de los usuarios a lo largo del día. El mismo usuario a menudo publica varios tweets desde la misma ubicación al mismo tiempo. El número de dichos tweets puede ser extremadamente alto con algunos usuarios, lo que lleva a una sobreestimación de la presencia de este tipo de usuarios en estos lugares y horarios. Por lo tanto, es necesario analizar usuarios únicos en lugar de tweets. Con este fin, los tweets se agregaron espacialmente y temporalmente (cada cuarto de hora) dependiendo de la identificación del usuario, para obtener la presencia de usuarios activos únicos en cada unidad espacial en lugar de la cantidad de tweets publicados. La agregación espacial de los datos de Twitter se basó en hexágonos con lados que miden 200 m (400 m de diámetro), para mitigar el problema de la unidad espacial modificable (Openshaw, 1984), ya que tienen igual tamaño y forma.

El uso de Twitter varía a lo largo del día, generalmente aumenta durante la noche y disminuye a la mañana y al medio día. De acuerdo con nuestros datos el uso de Twitter es más alto alrededor de las 8-9 p. m. (más del 7%), cayendo a menos del 1% alrededor de las 4 a. m. Este comportamiento impone un sesgo cuando queremos comparar los patrones de movilidad diaria de los usuarios de Twitter. Por lo tanto, los datos se agruparon por intervalo de tiempo (mañana, tarde, noche y noche) y se normalizaron igualando el número total de usuarios a 100,000 para cada intervalo de tiempo, según:

T zhn=T zhTh

∗100000

donde T_zhn es el número normalizado de usuarios activos únicos en la zona z en el intervalo de tiempo h; T_zh es el número de usuarios activos únicos en la zona z en el intervalo de tiempo h y T_h es el número total de twiteros activos en el intervalo de tiempo h.

5. RESULTADOS

El análisis de la distribución de los usuarios de Twitter a lo largo del tiempo refleja los posibles cambios en los períodos anteriores, durante y después de los Juegos Olímpicos. Teniendo en cuenta que los Juegos Olímpicos comenzaron el 5 de agosto y finalizaron el 21 de agosto, observamos que el evento tuvo un impacto importante en el número de usuarios en el área de estudio (Figura 2), con un aumento justo antes del inicio de los Juegos Olímpicos, alcanzando un máximo en la tercera semana (14/08/2016 - 20/08/2016) y disminuyendo después. También podemos observar un pequeño aumento durante los Juegos Paralímpicos. Creemos que el aumento de usuarios se debe principalmente a turistas, equipos de atletas y otros profesionales que llegan a Río para los Juegos Olímpicos.

17/

01/

01/

01/

01/

01/

01/

01/

01/

01/

01/

01/

01/0

100002000030000400005000060000700008000090000

Number of users

Figura 2 - Total de usuarios de Twitter por semana

Para determinar las diferencias entre residentes y turistas en términos de patrones de actividad, primero es necesario diferenciar entre ambos grupos de usuarios. Definimos turistas como los usuarios que únicamente han publicado durante las 4 semanas de los Juegos Olímpicos, incluida una semana antes y una semana después de los juegos. Suponemos que un turista no interesado en los Juegos, no vendría a Río durante este período, teniendo en cuenta los precios elevados de los billetes de viaje y el alojamiento. Siguiendo este supuesto, hemos capturado a más de 15 mil turistas en el área de estudio, concentrados sobre todo en la segunda y especialmente la tercera semana, lo que representa alrededor del 30% de todos los usuarios activos en nuestros datos (Tabla 1).

Tabla 1 - Usuarios de Twitter y mensajes (tweets) durante las semanas de los Juegos Olímpicos

Semana Usuarios Turistas Usuarios Residentes Tweets Turistas Tweets Residentes

24/07/2016 – 30/07/2016

1,690 13,429 2,937 54,531

31/07/2016 - 06/08/2016

4,103 15,155 9,098 63,223

07/08/2016 – 13/08/2016

5,316 16,624 14,598 70,466

14/08/2016 – 20/08/2016

6,121 19,087 15,740 80,149

21/08/2016 – 27/08/2016

3,124 15,132 5,674 57,818

Periodo total 15,235 36,373 48,047 326,187

Los residentes son más activos, enviando más de cuatro mensajes al día. Sin embargo, los turistas registraron un mayor aumento de la cantidad de mensajes, especialmente en la segunda y tercera semanas de los juegos, mientras que los residentes presentan un comportamiento más estable. El patrón de actividad diaria de los turistas es similar al de los residentes (Figura 3), sin embargo, el número de turistas se mantiene estable después de las 10 a. m. ya que son más flexibles en términos de rutinas. Los residentes por otro lado, aumentan su actividad después de las horas de trabajo, alcanzando un máximo a las 7 p.m.

0h 1h 2h 3h 4h 5h 6h 7h 8h 9h 10h 11h 12h 13h 14h 15h 16h 17h 18h 19h 20h 21h 22h0.01.02.03.04.05.06.07.08.0

Residents Tourists

Figura 3 – Actividad (número de usuarios) de los residentes y turistas en Río de Janeiro durante el curso de un día laborable típico (martes a jueves)

De los mensajes de Twitter es posible extraer el idioma del usuario para analizar la diversidad de turistas durante los Juegos Olímpicos. La figura 4 muestra que una semana antes y después de los juegos, el portugués era el idioma predominante de los turistas en Río (especialmente en la semana anterior), pero cuando comenzaron las competiciones olímpicas, la situación se revirtió y el inglés pasó a ser el idioma más utilizado, seguido del portugués y el español. Asimismo, se observa una mayor diversidad lingüística durante los Juegos Olímpicos.

21/08/2016

14/08/2016

07/08/2016

31/07/2016

24/07/2016

0 500 1000 1500 2000 2500 3000

pt en es id ru it frnl ja de sv Other tr

Figura 4 - Idioma de los turistas (usuarios de Twitter) del 24/07/2016 al 27/08/2016 (pt-portugués; en-inglés; es-español; id-indonesio; ru-ruso; it-italiano; fr-francés; nl- Holandés; ja-japonés; de-alemán; sv-sueco; tr-turco)

Gracias a la información geoespacial de los tweets, podemos identificar dónde se concentran los usuarios y cómo cambian estas ubicaciones a lo largo del tiempo. En este caso, se calculó la media de los usuarios para los días hábiles típicos (martes a jueves) y se usó el valor normalizado de los usuarios para comparar las diferencias a lo largo del día. Antes de los Juegos Olímpicos, la actividad se concentraba en áreas alrededor del centro de la ciudad y Copacabana (figura 5). Durante los Juegos Olímpicos, estas áreas permanecen activas, pero los cambios más altos provienen de las áreas de Barra y Deodoro, que muestran un aumento en el número de usuarios. Una vez finalizados los Juegos Olímpicos, Deodoro disminuyó significativamente la actividad de usuarios a niveles similares al periodo previo a los Juegos Olímpicos, mientras que Barra se mantuvo con una actividad significativa después. Los patrones de movilidad de los turistas se concentran en un número limitado de áreas en la ciudad (figura 6) y que coinciden los lugares más visitados, incluyendo el centro y las áreas olímpicas.

Figura 5 - Patrón diario de usuarios de Twitter, comparando antes, durante y después de los Juegos Olímpicos

Figura 6 - Patrón espacial de usuarios de Twitter, diferencia entre residentes y turistas

El análisis de autocorrelación espacial basado en el indicador Global Moran y el indicador local de Moran (LISA) permite saber si las concentraciones de usuarios observadas son estadísticamente significativas. Ambos análisis se calcularon para los períodos anteriores, durante y posteriores a los Juegos Olímpicos, utilizando el método de medición de distancia inversa con un radio de 1800 m. El índice Global Moran muestra un valor positivo (y significativo a 0,01) para la actividad de los usuarios de Twitter en todos los períodos analizados, comprobando el patrón de concentración espacial de los usuarios en algunas zonas de la ciudad.

Tabla 2 - Estadísticas del indicador global de Moran (umbral de distancia = 1800 m)

Before During AfterGlobal Moran’s Index 0.241 0.183 0.236z-score 56,059 43.974 59.551p-value 0.000 0.000 0.000

El índice de Moran local muestra la distribución de los clusters espaciales (significativos al nivel 0,01), identificando áreas de alta concentración de usuarios, también rodeadas por áreas similares (HH), las de baja concentración de usuarios que están a su vez rodeadas por otras de baja concentración de usuarios, así como zonas consideradas outliers. En el caso de los outliers puede ocurrir que zonas de alta concentración estén rodeadas por zonas de baja concentración de usuarios (HL) o el caso contrario (LH). Como era de esperar, las áreas de HH se encuentran principalmente en el centro de la ciudad, y en el área de Copacabana y Barra. Durante los Juegos Olímpicos, los grupos HH están más concentrados y hay dos nuevos grupos asociados con las áreas Olímpicas de Barra y Deodoro. Después de los Juegos, el Cluster de Deodoro desaparece, mientras que el área de Barra sigue siendo atractiva para los usuarios de Twitter, reflejando el un fallo en las expectativas de uso para esta área.

Figura 10. Resultados del análisis LISA (umbral de distancia = 1800 m) antes, durante y después de los Juegos Olímpicos

6. CONCLUSIONES

La presente comunicación expone los resultados preliminares de un estudio sobre el impacto de los Juegos Olímpicos de Rio 2016 en los patrones espaciales analizados a través de datos de Twitter. Esta fuente ha demostrado ser muy útil para la identificación de los patrones espaciales de los usuarios, antes durante y después de los Juegos, gracias a su desagregación espaciotemporal. Nuestro análisis nos ha permito contestar a las preguntas de investigación inicialmente planteadas y que se presentan a continuación. En primer lugar, hemos detectado que la actividad de los usuarios de Twitter se incrementa de forma significativa durante los Juegos. Durante los juegos se observa la presencia de una mayor variedad de lenguas, y a diferencia de los periodos no olímpicos, donde dominan los usuarios de lengua portuguesa, durante los juegos es el inglés la lengua con mayor presencia.

Respecto a las diferencias de actividad de residentes y turistas, durante los juegos se observa que en ambos casos los lugares más frecuentados son el centro y las zonas olímpicas, y como

sería de esperar los turistas tienen una menor dispersión espacial en otras zonas de la ciudad. Finalmente, sobre el efecto de los Juegos Olímpicos en los patrones de actividad y uso del espacio por parte de los usuarios, nuestro análisis muestra un incremento de actividad en algunas áreas olímpicas como es el caso de Barra, si comparamos la situación antes y después de los juegos. Asimismo, observamos que otras zonas como Deodoro, donde ha ocurrido un importante intento de reestructuración urbana, con la destrucción de parte de algunas de sus favelas, no han recibido la actividad esperada después de los juegos.

BIBLIOGRAFíA

Brunet F (1995) An economic analysis of the barcelona ’92 olympic games: resources, financing, and impact. In: Miquel de Moragas Spà and Miquel Botella (ed) T he keys of success: the social, sporting, economic and communications impact of Barcelona ’92, Bellaterra.

Comité Olímpico Brasileiro (2009) Dossie de candidatura do Rio de Janeiro a sede dos Jogos Olímpicos de 2016. Rio de Janeiro

Essex S, Chalkley B (2010) Urban transformation from hosting the Olympic Games. Barcelona

García-Palomares JC, Salas-Olmedo MH, Moya-Gómez B, Condeço-Melhorado A, Gutiérrez J (2017) City dynamics through Twitter: Relationships between land use and spatiotemporal demographics. Cities. doi: 10.1016/j.cities.2017.09.007

Hiller HH, Address C (2006) Post-event Outcomes and the Post-modern Turn: The Olympics and Urban Transformations. Eur Sport Manag Q 6:317–332.

Holguin-Veras J, Xu N, Levinson HS, Paaswell RE, Mcknight CE, Weiner RD, Ozbay K, Ozmen-Ertekin D (2005) An Investigation on the Aggregate Behavior of Firm Relocations to New Jersey (1990–1999) and the Underlying Market Elasticities. Networks Spat Econ 5:293–331. doi: 10.1007/s11067-005-3037-z

Hughes AL, Palen L (2009) Twitter adoption and use in mass convergence and emergency events. Int J Emerg Manag 6:248. doi: 10.1504/IJEM.2009.031564

Kirilenko AP, Stepchenkova SO (2017a) Sochi 2014 Olympics on Twitter: Perspectives of hosts and guests. Tour Manag 63:54–65. doi: 10.1016/j.tourman.2017.06.007

Kirilenko AP, Stepchenkova SO (2017b) Sochi Olympics on Twitter: Topics, Geographical Landscape, and Temporal Dynamics. Springer, Cham, pp 215–234

Law CM (1993) Urban Tourism, Attracting Visitors to Large Cities, Mansell. London

Lee R, Sumiya K (2010) Measuring geographical regularities of crowd behaviors for Twitter-based geo-social event detection. In: Proceedings of the 2nd ACM SIGSPATIAL International Workshop on Location Based Social Networks - LBSN ’10. ACM Press, New York, New York, USA, p 1

Sakaki T, Okazaki M, Matsuo Y (2010) Earthquake shakes Twitter users. In: Proceedings of the 19th international conference on World wide web - WWW ’10. ACM Press, New York, New York, USA, p 851

Thelwall M, Buckley K, Paltoglou G (2011) Sentiment in Twitter events. J Am Soc Inf Sci Technol 62:406–418. doi: 10.1002/asi.21462

Vieweg S, Hughes AL, Starbird K, Palen L (2010) Microblogging during two natural hazards events. In: Proceedings of the 28th international conference on Human factors in computing systems - CHI ’10. ACM Press, New York, New York, USA, p 1079