广州市旅游景区网络关注度时空特征研究

(西北师范大学 地理与环境科学学院,甘肃 兰州 730070)

广州市旅游景区网络关注度时空特征研究

严江平,宋志红,李 巍

(西北师范大学 地理与环境科学学院,甘肃 兰州 730070)

利用“百度指数”数据分享平台,获取广州市23个4A级及以上景区2016年的网络关注度数据,并利用季节性集中指数、变异系数、回归分析等对广州市旅游景区网络关注度的时空特征进行分析。研究发现:旅游景区网络关注度周内呈现“双休日高、工作日低”的特点;网络关注度年内出现4个波峰,具有“旺季长、淡季短”的特点;“五一”和“十一”网络关注度在假期期间达到顶峰,移动趋势远高于PC趋势,与整体趋势保持一致。全国居民对广州市景区的旅游偏好具有较大差异,以长隆旅游度假区为主的番禺景区群和海珠区的广州塔旅游偏好最强;旅游景区网络关注度省际差异显著,广东、北京等经济发达地区网络关注度较高,东、中、西部省份间的关注度存在差异,西部省份间差异最大。旅游景区网络关注度空间差异是地区人口规模、经济发展水平和距离目的地远近程度等多因素综合影响的结果。

广州市;旅游景区;网络关注度;百度指数

1 引言

互联网的广泛传播和网络资源的共享为社会公众提供了一个开放式[A3]的信息发布和查询平台,作为重要的信息传播媒介,互联网正以不同形式影响着人们的生产和生活。越来越多的人借助互联网来获取所需信息,互联网上的搜索记录反映了人们的关注热点和需求状况,而网络空间中的信息流已逐渐被应用于科学研究领域。国外最早将网络搜索的相关数据应用于流行病监测[1],随后逐渐向社会经济领域延伸,在失业率预测[2]、房屋销量预测[3]等宏观、微观经济领域取得了丰富的成果。网络搜索数据同样被用于旅游研究领域。李山等研究了我国53个5A级旅游景区的网络关注度时间分布特征,发现了景区网络关注度具有“前兆效应”,即周内表现为“日前兆”,年内表现为“旬前兆”[4]。有学者基于不同研究案例地对旅游网络关注度进行研究,验证了旅游网络关注度的“前兆效应”[5]，进一步发现旅游网络关注度与现实客流量之间具有较强的相关性[6-10],网络搜索数据也被应用于旅游预测方面的研究[11-12]。黄先开构建了网络关注度的游客量预测模型,以提高预测精准度[13]。时空动态分析方面,汪秋菊对旅游要素的网络关注度空间演化特征进行了研究[14]。王章郡等利用Google搜索解析分析了我国自驾车市场演变规律[15]，更有学者基于不同研究对象(平遥古城、全国温泉旅游、旅游安全等)对旅游网络关注度时空特征与影响因素进行研究[16-19]。总体来讲,学术界关于旅游网络关注度的研究仍处于起步阶段,研究案例地多为全国范围[4,5]、省域范围[9,20]内的热门旅游景区,以东南沿海城市为案例地进行网络关注度的研究相对较少。

鉴于此,本文以广州市部分具有代表性的国家级旅游景区为研究对象,对广州市旅游景区网络关注度时空特征进行了更深层次的研究,将不同类型的景区进行分类定量分析,并试图解释影响其分布特点的主要因素,以期为广州市旅游开发、规划和网络营销提供有益参考,同时也可丰富信息技术时代旅游者行为的研究内涵。

2 数据来源

2.1 百度指数

百度指数是百度公司推出的一款以用户搜索量和媒体检索量作为基础数据,同时对这些数据进行检验与过滤后相加形成的指数。搜索人数与搜索次数直接决定了百度指数数值,可直观地反映某个关键词在之前一段时间内的搜索频次。本文将百度指数中的用户搜索量(搜索指数)作为网络关注度衡量指标,统计2016年1月至2016年12月广州市23个旅游景区每日的搜索指数数据,研究广州市旅游景区网络关注度的时空分布特征。

2.2 景区与关键词选择

广州是我国重要的旅游城市,也是改革开放的前沿地、南方最大的对外通商口岸和最著名的港口城市之一。广州市旅游资源丰富、文物古迹众多,拥有国家级旅游景区49个,其中5A级景区2个、4A级景区23个、3A级景区23个、2A级景区1个。2016年，广州市全年接待过夜游客5940.56万人次,同比增长5.0%;旅游业总收入实现3217.05亿元,同比增长12.0%。

本文选取广州市25个4A级及以上景区,代表了广州市旅游景区的最高水平,也是游客关注度较高的热点旅游景区。首先我们将景区名称作为关键词搜索对象,获取景区在2016年1月1日至2016年12月31日的“搜索指数”数据,在关键词搜索中发现“圆玄道观”未被百度指数收录,故没有百度指数数据;“白云山风景名胜区”、“九龙湖旅游度假区”和“莲花山旅游区”与我国多地景区同名,会影响搜索结果,因此剔除这4个样本。长隆旅游度假区未被百度指数收录,但可搜索到长隆旅游度假区包含的长隆欢乐世界、长隆野生动物世界、长隆水上乐园3个旅游景区的百度指数数据,故以这三个旅游景区的搜索量代表长隆旅游度假区的网络关注度。将可搜索到百度指数数据的旅游景区作为基础关键词,利用长尾关键词挖掘工具爱站网(http://ci.aizhan.com/)上的SEO综合查询对基础关键词进行拓展,选择排名靠前的关键词,对这些关键词进行筛选再找出可替代其名称的相关关键词,最后确定搜索量排名第一的基础关键词或相关关键词。部分关键词有多重意思,指向性不明确,如广州塔别名“小蛮腰”,搜索量远远高于广州塔,但“小蛮腰”不仅包含广州塔,还是当今流行的网络用语,故搜索量较高,因此仍选择广州塔作为关键词的搜索对象,共计23个旅游景区作为分析样本(表1)。搜索发现,“正佳广场”2016年6月24日搜索量达到9247次,该日的搜索量超过平日搜索量均值的两倍标准差,显然为异常值。调查发现,2016年6月24日广州正佳广场启动“共享经济”行动计划,吸引消费者使用手机搜索“正佳广场”关键词来参与活动,因此不能用来反映旅游关注度,本文利用插值法对该日的数据进行了处理。

表1 广州市4A级及以上景区百度指数搜索关键词

3 景区网络关注度时间分布特征

3.1 景区网络关注度周时段分布特征

我们将23个景区2016年1月1日至2016年12月31日百度指数中的“搜索指数”数值按星期相加求均值,得到周内网络关注度的日均分布情况(图1)。观察发现,景区网络关注度具有明显的周内分布规律,表现为“双休日高、工作日低”的特征,周二比周一关注度有所下降,周三最低,周四、周五逐日上升,周六达到最高峰,周日略有下降,但仍高于工作日期间的关注度。这一分布特征与工作日旅游人数少、周末旅游人数多相吻合,与李山等研究的旅游景区网络关注度是旅游景区现实游客量的重要前兆之一,在周内表现为“日前兆”的说法相悖[4]。可能的解释：一是广州市的常住人口不断增多,2016年广州市常住人口达1404万人,比2015年增长了4.0%,他们距离旅游目的地较近,多以短途旅游为主,因此当日的网络搜索可为当日的出行做准备。二是随着无线网的日益普及,人们的上网方式逐渐由PC转向手机,出游不再倾向于提前搜索旅游信息,而是临时制定出游计划,随时在手机上进行旅游信息搜索,因此出现景区网络关注度与现实旅游流开始吻合迹象。

图1 广州市旅游景区网络关注度周内变化

3.2 景区网络关注度月时段分布特征

本文将23个景区2016年1月1日至2016年12月31日网络关注度按月相加求均值,得到月内网络关注度的日均分布情况(图2)。总体来看,旅游景区网络关注度存在月度差异,不同于以往学者研究的月内网络关注度在一年中出现双峰或三峰,广州市旅游网络关注度全年出现四个波峰,主高峰在7月，次高峰在10月，其他两个小高峰分别为2月和4月;景区网络关注度最低的月份是1月、11月和12月,是两个关注度低谷。参照游客量季节划分标准,将月网络关注度大于年平均月网络关注度的月份划分为旺季,为年平均月网络关注度80%—100%的月份划分为平季,小于年平均月网络关注度80%的月份划分为淡季[21]。经计算发现,广州市旅游景区网络关注度的旺季为4月、5月、6月、7月、8月、10月,平季是2月、3月、9月,淡季是1月、11月、12月,可见网络关注度具有旺季长、淡季短的特点。通过引入季节性集中指数I来分析广州市旅游景区网络关注度的季节分布特征[21],计算公式为:

(1)

式中,I为景区网络关注度的季节性集中指数,用来描述网络关注度季节变化程度;Xi为各月网络关注度占全年的百分比。I值越大,则网络关注度年内各月差异越大；I值越小，则网络关注度年内各月分布均匀。计算得出广州市23个景区网络关注度的I值为1.73,说明景区网络关注度在2016年各月分布较均匀,季节性差异小。

图2 广州市旅游景区网络关注度季节变化

统计单个景区月时段日均网络关注度数据,并绘制各景区网络关注度月度分布图,23个景区分为“单峰型、双峰型、三峰型、四峰型”,其中单峰型景区1个、双峰型景区10个、三峰型景区3个、四峰型景区9个,见表2。计算各景区网络关注度季节性集中指数,可将23个景区分为4个等级。其中,长隆水上乐园I值为7.36,各月网络关注度差异最大;南越王墓博物馆、长隆欢乐世界等6个景区I值在2.03—3.48之间,各月网络关注度差异较大;广州塔、中山纪念堂等13个景区I值在1.03—1.89之间,各月网络关注度差异较小,黄花岗、正佳广场、陈家祠3个景区的I值分别为0.62、0.98、0.94,各月网络关注度分布相对均匀。景区景观的季节变化、气候舒适度、节假日等因素影响景区网络关注度的季节性分布。长隆水上乐园作为唯一一个单峰型景区,季节性集中指数最高,除峰值月份外,其他月份网络关注度分布相对均衡,夏季由于天气炎热,适宜水上运动,7月又处于暑期,更是增大了出游率。双峰型景区峰值月份多在4月、10月或7月、10月,三峰型景区峰值月份2月、4月、10月或4月、7月、10月,四峰型景区峰值月份在2月、4月、7月和10月。2月正处于春节期间,由于广州春节期间气温较高,适宜户外活动,吸引北方游客南下,出游人数增多;3—5月除了双休日之外,还有法定假日“清明节”、“五一劳动节”等节日在此时段聚集。此外,此时广州气候宜人,正是出游的最佳时机。6月下旬,学校陆续放暑假让大众有更多的空余时间旅游,导致7月份广州旅游景区网络关注度达到全年的最高峰;10月秋高气爽,是一个适宜旅游的“黄金季节”,同时又迎来7天长假,因此此时的网络关注度又形成一个高峰。

表2 广州市旅游景区网络关注度月度分布特征

3.3 景区网络关注度节假日分布特征

本文以“五一”、“十一”为例,对假期前后与期间网络关注度特征进行分析,选取了“五一”假期前五天,假期三天和假期后三天共计11天的网络关注度;“十一”国家法定假期为7天,因此选取假期前五天,假期七天及假期后三天共计15天的网络关注度,将2016年假期期间广州市旅游景区在搜索指数下的整体趋势、PC趋势和移动趋势的网络关注数据整理后进行分类研究。从图3可见,“五一”期间,网络关注度整体趋势曲线呈现一个明显的倒“V”形,网络关注度假期期间出现“井喷”现象,在节假日期间高度集中,假期第二天达到最高峰,“五一”期间网络关注度与假期前后差异明显。移动趋势曲线图与整体趋势曲线图保持一致,网络关注度PC趋势曲线图在假期前一天达到关注度最高峰,假期期间呈现缓慢下降趋势。

图3 “五一”广州市旅游景区网络关注度分布特征

从图4可见,“十一”期间,网络关注度整体趋势曲线图在假期前两天出现上升趋势,9月30日之后直线上升,10月2日的网络关注度最高,其次是1日和3日,3日后呈现平缓下降趋势,整体趋势图形成一个倒“U”形,不同于“五一”网络关注度整体趋势曲线图的倒“V”形,“十一”期间游客对景区网络关注度相对分散。移动趋势曲线图仍然与整体趋势曲线图保持一致,PC趋势图在假期前一天出现曲线高峰,假期期间变化不显著。

图4 “十一”广州市旅游景区网络关注度分布特征

从以上分析可见,旅游景区整体关注度高峰出现在假期期间,移动趋势曲线图始终高于PC趋势曲线图,并与整体趋势保持一致。移动趋势曲线图在假期期间达到顶峰,而PC趋势曲线图在假期前后变化不显著,只在假期前两天象征性地比其他时间稍高。截至2012年6月底,我国手机网民规模达3.88亿人,手机网民规模首次超越台式电脑用户[22],表明网民搜索习惯已发生变化,逐渐由PC终端转向移动终端,游客更倾向于假期期间搜索目标景区的旅游信息,而不是提前在PC终端上查询,这一习惯的变化进一步弱化了网络关注度的前兆效应。

4 景区网络关注度空间分布特征

4.1 景区旅游偏好空间分布特征

定量分析旅游偏好的方法有多种,我国学者孙根年提出的旅游偏好指数能直观地反映游客对某一景区的偏好程度,且简单易行[23]。因此,本文利用旅游偏好指数的衡量指标来分析全国网民对广州市旅游景区的关注程度,即偏好程度,计算公式为:

(2)

式中,Xi为第i个景区的网络关注度;X为全部景区的网络关注度的总值;P的取值范围在0—1之间,P值越趋近于1,则游客对该景区的旅游偏好程度越强。

我们将搜集到广州市23个旅游景区2016年的网络关注度数据进行了整理分析,计算出全国网民对广州市23个旅游景区的偏好系数。研究结果表明,网民对长隆欢乐世界、广州塔、长隆水上乐园3个景区的网络关注度最高,属于最强偏好,偏好系数分别为13.26%、11.56%、11.54%,日均网络关注度为2952—3392;对长隆野生动物园、岭南印象园、百万葵园、白水寨4个景区的旅游偏好较强,偏好系数为5.31%—7.14%,日均网络关注度为1359—1827;对广州动物园、华南植物园等9个景区的旅游偏好较弱,偏好系数为2.10%—4.61%,日均网络关注度为539—1181;对南越王墓博物馆等7个景区的旅游偏好最弱,偏好系数为0.57%—1.73%,日均网络关注度为148—445。

图5 全国居民对广州市景区旅游偏好空间分布

利用全国网民对广州市23个景区网络关注度的旅游偏好系数,借助Ssurfer 8.0制图软件,以景区为中心,选择0.5%为间隔,绘制旅游偏好系数等值线图(图5),分析广州市23个景区网络关注度的空间分布特征。从图5可见,等值线最密集的是以长隆旅游度假区为主的番禺景区群,旅游偏好最强;其次是位于海珠区的广州塔,旅游偏好较强;旅游偏好系数较大的还有增城白水寨、天河区华南植物园和正佳广场等景区,形成部分零散的关注度中心;位于南沙区的百万葵园、南沙天后宫等景区旅游偏好系数也相对较大;越秀区景区群集聚了广州动物园、越秀公园、中山纪念堂等在内的6大景区,该地区景区网络关注度普遍处于中等偏下水平;位于花都区的石头记矿物园周围只有一条等值线,是旅游偏好系数最小的景区。

居民对不同类型和不同级别旅游景区的偏好存在很大差异,景区等级与知名度、景观的独特性与多样性、吸引物的可参与性等是影响旅游景区网络关注度的重要因素。长隆野生动物园与广州动物园属于同类旅游资源,但两者的网络关注度相差甚远。原因是:长隆野生动物园属5A级景区,具有较高的旅游资源品质和知名度,景区独特的观光方式、多样性和可参与性的娱乐项目吸引着游客的目光,同时又有水上乐园和欢乐世界两大旅游景区相邻,加大了关注度。广州塔是广州市的地标性建筑,知名度较大,因此旅游偏好强。中山纪念堂、黄花岗公园、广州烈士陵园、南海神庙这些具有纪念意义或用于朝拜目的的景区,旅游资源相对单调、重游率不高,或因目标游客相对较少,因此旅游偏好较弱。广州属于亚热带季风气候,常年气温较高,百万葵园、华南植物园这些以植物观光为主的旅游景区具有较高的关注度。

图6 广州市旅游景区网络关注度空间分布

4.2 旅游景区网络关注度全国分布特征

对广州市23个旅游景区的关键词进行搜索,从百度指数人群画像的地域分布中统计2016年全年对广州市旅游景区有关注的省份,结果显示,国内31个省、直辖市、自治区和香港特别行政区、台湾省都有关注,将“地区”限制在这些省份,统计各省2016年日均网络关注度数据,利用ArcGIS软件画出景区网络关注度的省域分布图(图6)。从图6可见,广州市旅游景区网络关注度全国分布不均衡,广东省关注度最高,日均网络关注度可达17418,北京、浙江、江苏、上海等东部经济发达地区也具有较高的网络关注度,日均网络关注度为2089—2693;江西虽与广东接壤,但与山东、河南、湖南、湖北、广西、福建、四川等14个省份位于网络关注度的第三层级,日均网络关注度为1006—1999;重庆、云南、黑龙江、吉林等7省市同处于网络关注度的第四层级,日均网络关注度为539—978;西部经济欠发达地区网络关注度普遍偏低,新疆、西藏、青海、宁夏日均网络关注度均低于500;香港、台湾的日均网络关注度也未超过500。

分析广州市23个旅游景区网络关注度的空间均衡程度,将广州市旅游景区有关注度的33个省区作为研究对象,计算各省区对广州市旅游景区网络关注度的变异系数[24]。由于广东省网络关注度明显高于其他地区,为避免干扰计算结果,将剩下的32个省区划分为东部、中部、西部进行分析。东部包括北京、浙江、江苏、上海、福建、山东、河北、辽宁、天津、海南10个省市;中部有湖南、河南、湖北、江西、安徽、山西、黑龙江、吉林8个省,西部地区包括四川、广西、陕西、贵州、重庆、云南、内蒙古、甘肃、新疆、宁夏、青海、西藏12个省区,香港、台湾位于我国东部,考虑到分析的需要将并列入东部地区。

变异系数(CV)是标准差与平均数的比值,变异系数越大,网络关注度空间分布越不均衡。计算结果显示,广州市旅游网络关注度省际间变异系数为0.57,说明各省市间的差异大,东部地区网络关注度的变异系数为0.52,各省网络关注度差异较大,分布不均衡;中部地区网络关注度的变异系数为0.34,省际间差异较小,网络关注度分布较均衡;西部地区网络关注度变异系数达0.73,各省区网络关注度差异大,网络关注度分布极不均衡。研究发现,同样处于西部地区的四川、陕西两省的网络关注度远高于西藏、青海、宁夏,其中四川的日均网络关注度是西藏的57倍,这是西部地区网络关注度变异系数大的重要原因;东部、中部、西部区域间变异系数为0.31,三个区域间的网络关注度差异不大。

4.3 网络关注度全国分布差异的影响因素

鉴于数据的可获得性和指标选取的合理性,本文主要分析国内31个省区的人口规模、经济发展水平(人均可支配收入)、网民普及率与两地间的距离对广州市旅游景区网络关注度的影响。人口为2015年统计值，人均可支配收入数据来源于各省份统计局网站，网民普及率来源于第39次中国互联网络发展状况统计报告[25]，地理距离为各省区政府所在地至广州市政府所在地的空间距离,可利用百度地图获取。所选四个变量内部存在线性相关关系,为避免多重共线性现象生,本文采用多元线性逐步回归法进行分析,结果见表3。

表3 回归系数及检验结果

纳入方程的是人均可支配收入(X1)、人口规模(X2)和两地间的距离(X3),反映地区信息技术水平的网民普及率未被纳入回归方程,因此广州市旅游景区网络关注度的线性回归方程模型为:y=0.619X1+0.506X2-0.314X3,方程模型的判定系数R2=0.868,调整后R2=0.852,F=56.753,表明回归模型拟合状况良好,三个自变量可解释因变量的86.8%。回归系数的膨胀因子VIF小于5,容差大于0.5,因此各变量之间共线性不显著。以上分析表明,人均可支配收入对广州市旅游网络关注度影响最大,其次是人口规模,两地间的距离与网络关注度为负相关。网民普及率在以往研究中被列为旅游网络关注度的影响因素,在本文中由于地区网络关注度与当地经济发展水平具有很强的相关性,经济发展水平越高的地区,网民普及率相对较高,因此网民普及率对旅游网络关注度的影响被经济发展水平因素所包含。

除广东省外,距广州市1000km范围内的省区包括湖南、福建、广西、湖北、江西、海南、香港和台湾,这8个省份网络关注度占总关注度的26%;距离在1000—1500km之内的有浙江、江苏、上海、湖南、贵州、安徽、重庆、云南,这8个省份的网络关注度占总关注度的32%。距离广州市1500km内的16个省份网络关注度仅占总体网络关注度的58%,说明广州市旅游网络关注度虽存在距离衰减现象,但距离衰减现象不显著。海南、香港两地距离广州近,网络关注度排名靠后,原因是两地人口基数小,网民规模相对较少,因此网络关注度排名靠后;北京距离广州市较远,但网络关注度处于领先地位,北京与广州均是经济高度发达的城市,两地之间商务活动频繁,使北京对广州关注度不断增加,同时旅游关注度也在增长;上海、浙江、江苏人均可支配收入在30000元以上,具有较强的旅游消费能力和旅游动机,所以网络关注度较高;四川、河南、山东、陕西4省份距离广州市1000km以外,四省是人口大省,网民规模较大,因此网络关注度较大;四川、河南、陕西属于内陆省份,对广州市这种沿海城市的向往更加热切,这也是网络关注度较高的原因所在;新疆、青海、宁夏、西藏距离广州市远,经济发展落后、人口基数小,造成3地网络关注度排名靠后。以上分析说明,地区网络关注度空间差异是区域人口规模、经济发展水平和距离目的地远近程度等多重因素综合影响的结果。

5 结论与讨论

广州市旅游景区网络关注度周内呈现“双休日高、工作日低”的特点,这一分布特征与工作日旅游人数少、周末旅游人数多相吻合。旅游景区整体网络关注度全年出现四个波峰,7月是主高峰,次高峰为10月,2月和4月是两个小高峰;全年网络关注度旺季长、淡季短,网络关注度各月分布较均匀,季节性差异小。23个景区可分为单峰型、双峰型、三峰型和四峰型,其中单峰型景区季节性集中指数最大,网络关注度季节性差异明显,其他三种类型景区季节性集中指数相对较小。“五一”和“十一”网络关注度在假期期间达到顶峰,其他时间分布相对平稳,移动曲线图始终高于PC曲线图,并与总体趋势保持高度一致,表明游客搜索习惯的变化,由PC终端逐渐转向移动终端。

全国居民对广州市景区的旅游偏好具有较大差异,以长隆旅游度假区为主的番禺景区群和海珠区的广州塔旅游偏好最强;旅游景区的网络关注度在全国分布不均衡,广东、北京、浙江、江苏、上海5省市关注度较高,存在距离衰减现象,但不显著;32个省(市、区)之间网络关注差异明显,东部、中部、西部省份间的关注度存在较大差异,西部省份间差异最大,分布极不均匀,中部各省份差异较小。网络关注度客源地经济发展水平对广州市旅游网络关注度影响最大,其次是人口规模,两地间的距离与网络关注度成负相关。

本文优化了关键词的选词方法,有别于以往关键词选取的主观性,使搜索结果更切合实际;系统分析了广州市旅游景区网络关注度的时空分布特征,通过对网络关注度周内与节假日分布规律的分析,改变了此前李山等关于网络关注度前兆效应的假设;在前人研究的基础上,检验了广州市旅游网络关注度的影响因素,否定了网民普及率是广州市旅游网络关注度的重要影响因素的假想。本研究不足主要体现在:仅以百度指数的搜索数据作为网络关注度的衡量指标,搜索数据虽然具有一定代表性,但仍不全面,搜索范围有待进一步拓宽。此外,广州市旅游景区网络关注度年内出现四个高峰,与以往学者研究的出现两个或三个高峰有所不同,因此关于网络关注度的时间分布特征在不同地域对比分析是未来研究重点关注的问题。

[1]Ginsberg J,Mohebbi M H,Patel R S,et al.Detecting Influenza Epidemics Using Search Engine Query Data[J].Nature,2009,457(2)∶1012-1014.

[2]Francesco D.Predicting Unemployment in Short Samples with Internet Job Search Query Date[R].Mpra Paper,2009.

[3]Wu L,Brynjolfsson E.The Future of Prediction：How Google Searches Foreshadow Housing Prices and Sales[R].Working Paper,2009.

[4]李山,邱荣旭,陈玲.基于百度指数的旅游景区络空间关注度：时间分布及前兆效应[J].地理与地理信息科学,2008,24(6)∶102-107.

[5]林志慧,马耀峰,刘宪峰,等.旅游景区网络关注度时空分布特征分析[J].资源科学,2012,34(12)∶2427-2433.

[6]王硕,曾克峰,童洁,等.黄金周风景名胜区旅游客流量与网络关注度相关性分析——以庐山、华山、八达岭长城风景名胜区为例[J].经济地理,2013,33(11)∶182-186.

[7]龙茂兴,孙根年,马丽君,等.区域旅游网络关注度与客流量时空动态比较分析——以四川为例[J].地域研究与开发,2011,30(3)∶93-97.

[8]龙茂兴,孙根年,龙珍付.遵义红色旅游网络关注度的客流响应研究[J].地理与地理信息科学,2013,29(5)∶98-102.

[9]马威,张耀南,敏玉芳.基于互联网搜索数据的甘肃省旅游客源地时空分析[J].中国沙漠,2016,36(3)∶857-864.

[10]马丽君,孙根年,黄芸玛,等.城市国内客流量与游客网络关注度时空相关分析[J].经济地理,2011,31(4)∶680-685.

[11]Choi H,Varian H.Predicting the Present with Google Trents[J].Economic Record,2012,88(S1)∶2-9.

[12]Yang Y,Pan B,Song H.Predicting Hotel Room Demand Using Destination Market Organizations WEB Traffic Date[J].Journal of Travel Research,2014,53(4)∶443-447.

[13]黄先开,张丽峰,丁于思.百度指数与旅游景区游客量的关系及预测研究——以北京故宫为例[J].旅游学刊,2013,28(11)∶93-100.

[14]汪秋菊,刘宇,李新,等.中国主要城市旅游要素网络关注空间演化特征[J].世界地理研究,2017,26(1)∶45-55.

[15]王章郡,方忠全,杜坤.中国自驾车旅游网络空间关注度的时空演变——基于Google搜索解析的分析[J].地域研究与开发,2011,30(5)∶112-117.

[16]张晓梅,程绍文,刘晓蕾,等.古城旅游地网络关注度时空特征及其影响因素——以平遥古城为例[J].经济地理,2016,36(7)∶196-203.

[17]何小芊,刘宇,吴发明.基于百度指数的温泉旅游网络关注度时空特征研究[J].地域研究与开发,2017,36(1)∶103-109.

[18]邹永广,林炜铃,郑向敏.旅游安全网络关注度时空特征及影响因素[J].旅游学刊,2015,30(2)∶101-109.

[19]林炜铃,邹永广,郑向敏.旅游安全网络关注度区域差异研究——基于中国31个省市区旅游安全的百度指数[J].人文地理,2014,29(6)∶154-160.

[20]马丽君,龙云.基于网络关注度的湖南省居民旅游需求时空特征[J].经济地理,2017,37(2)∶201-208.

[21]卢松,陆林,王莉,等.古村落旅游客流时间分布特征及其影响因素研究——以世界文化遗产西递、宏村为例[J].地理科学,2004,24(2)∶250-256.

[22]中国互联网络信息中心.第30次中国互联网络发展状况统计报告[R].2012.

[23]孙根年.国际旅游支付方程、支付等级与旅游偏好[J].地理学与国土研究,2010,17(1)∶50-54.

[24]周彩萍,戈冬梅.旅游规模差异及其位序规模体系研究——以浙江省为例[J].经济地理,2010,30(2)∶345-350.

[25]中国互联网络信息中心.第39次中国互联网络发展状况统计报告[R].2017.

StudyonTemporalandSpatialCharacteristicsofNetworkAttentioninGuangzhouScenicSpot

YAN Jiang-ping,SONG Zhi-hong,LI Wei

(College of Geography and Environment Science,Northwest Normal University,Lanzhou 730070,China)

Based on dates for 2016 about network attention of 4A and above level scenic spots in Guangzhou obtained from the “Baidu index" data sharing platform,this paper analyzed the temporal and spatial characteristics of the network attention degree of tourist attractions in Guangzhou by using the seasonal concentration index,coefficient of variation,regression analysis.The authors found that the network of tourist attractions showed “weekend high,low working days" features,there were four peaks in the year,with the characteristics of “long peak season and short slow season",the “Labor Day" and “National Day" Internet attention peak during the holiday,and mobile trends were much higher than PC trends,consistent with the overall trends,the tourist search habits changed,from the PC terminal gradually turned to the mobile terminal.There were differences among citizens around the country about the tourist preference of Guangzhou scenic areas,and the most popular scenic were Panyu scenic areas and the Guangzhou tower in Haizhu district.Beijing and other economically developed provinces had higher levels of Internet attention.There was a difference in the degree of attention between the eastern,central and western provinces;the difference degree in the western region was maxi.The spatial differences of tourism scenic spots were the result of the combined effects of factors such as the size of the population,the level of economic development and the degree of distance.The level of economic development had the greatest impact on the attention of Guangzhou′s tourism network,followed by the population size.The distance between the two places was negatively correlated with the network concern.

Guangzhou City;tourist attractions;network attention;Baidu index

2017-11-03；

2017-12-19

国家社会科学基金项目(编号:14BSH029)。

严江平(1959-),男,江苏省无锡人,副教授,硕士生导师,主要研究方向为气象学与气候学、旅游管理。

宋志红(1992-),女,河南省安阳人,硕士研究生,主要研究方向为旅游景区规划管理。

10.3969/j.issn.1005-8141.2018.01.016

F592.68

A

1005-8141(2018)01-0088-06