江西婺源篁岭景区网络关注度的时空差异及影响因素研究

肖 刚，李晓峰

（江西财经大学旅游与城市管理学院，江西南昌 330013）

随着“互联网+旅游”融合日益加深，游客更加依赖互联网的旅游信息决策自己的出行旅游目的地，尤其是网络关注度是影响游客目的地选择的关键因素，推动景区“互联网+旅游”深度融合发展。尽管婺源篁岭景区旅游宣传形式多样，品牌知名度不断扩大，对游客的旅游吸引力也在不断增强。但是景区对游客承载、客流分流和安全应急等存在不足，导致景区在某个时段的游客拥堵现象，从而影响游客出游体验。通过研究篁岭景区网络关注度有助于了解游客的旅行习惯和旅游偏好，把握景区客源分布特征，为景区科学运营和信息化管理提供决策信息参考，提高游客的旅游体验，提升篁岭景区旅游品质。

网络关注度应用到旅游研究日益增加，研究内容不断丰富，通过国内外文献脉梳理如下：（1）国外研究现状。当前，游客更多地通过互联网来搜索旅游目的地信息。国外关于旅游网络关注度主要借助Google 搜索引擎研究，一是旅游预测模型和精准度分析，如Pan B 等探究确定了最佳的酒店客房需求计量经济学预测模型[1]，Yang Xin 等发现搜索引擎数据有助于减小旅游目的地的访问者人数预测误差[2]，Nder I 和Gunter U发现使用谷歌趋势数据可以提高总需求量和客源市场水平预测的精准度[3]，Zeynalov A 分析了谷歌趋势在预测布拉格的来访者和过夜人数的可靠性[4]，Yi Xiao 等分析旅游交通需求预测[5]。二是网络关注度与旅游客流之间关系，Park Lee 等短期预测了日本游客流向韩国的流量[6]，Dinis G 等预测英国到葡萄牙的游客流入量[7]，Antolini F and Grassini L 预测意大利入境游客人数的优势[8]。（2）国内研究现状。国内对旅游网络关注度的研究较早，研究内容丰富，主要集中在以下几个方面：①旅游信息流。路紫等认为景区网站访问量与游客量之间存在显著的相关性，证明旅游信息流对客流具有导引作用[9]。②游客流。马丽君构建了国内游客量与网络关注度的时空相关模型[10]。黄先开等发现利用百度指数可提高预测的北京故宫的游客量时效性[11]。方叶林等利用百度指数分析了网络关注度与实际游客量之间的“错位特征”及其影响机理[12]。③时空分布特征及影响因素研究。李山等、林志慧等通过百度指数实证分析了景区网络关注度的时空分布特征[13-14]。影响因素主要包括网络发展水平、经济发展水平、人口规模[15-18]和气候舒适度[15]、地理空间距离[18]等。

根据以上文献可知，国外关于旅游网络关注度的研究主要集中在通过网络搜索数据对旅游客流或需求进行预测和利用网络搜索数据进行旅游决策两个方面，而国内主要研究旅游网络关注度与旅游信息流、游客流、分布特征及其影响因素研究，研究成果具有很大学术价值与政策启示，国内对旅游网络关注的研究案例地多以热门城市为主，对于中国传统古村落的研究相对较少,婺源篁岭景区旅游采用网络游记分析[19-20]。本研究分析篁岭景区与旅游网络关注度时空分布差异演变，厘清其影响因素，以期为篁岭景区旅游管理、营销以及网络关注度的提升带来科学指导。

一、数据来源与研究方法

（一）数据来源

本研究利用360 搜索引擎作为的搜索数据分析工具，通过输入关键词“篁岭”，获得全国31 个省级行政单位（除港澳台地区）3 年篁岭景区网络关注度逐日搜索量为基础研究数据，选取2018 年1 月1 日至2020 年12 月31 日为研究时段，分析景区网络关注度的时空分布演变特征。影响因素的指标计算数据来源于《中国互联网网络发展状况统计报告（2018—2020）》和《中国统计年鉴（2018—2020）》等。

（二）研究方法

本研究分析方法，主要包括年际变动指数（Yi）、年际集中指数（Y）、季节集中度指数（S）、变差系数（CV）、地理集中度（G）、赫芬达尔系数（H）和首位度（P）指数，具体分析方法如下：

（1）年际变动指数。年际变动指数用来说明篁岭景区网络关注年际间差异的相对值。

式中：Xi表示篁岭景区的年网络关注度；n 为年度数。Yi值越接近100%，说明篁岭景区网络关注度的年际变动强度越小，时间差异越小；反之，时间差异越大。

（2）年际集中指数。年际集中指数反映篁岭景区网络关注度在某一时段的集中、分散和均匀程度。

式中：Xi为第i 年的网络关注度占总时间段的百分比的值；n 为年度数。Y 值越大，说明篁岭景区网络关注度的年际差异性越大，即网络关注度年际集中性越强；反之，篁岭景区网络关注度年际集中性越弱，即网络关注度分布越均匀。

（3）季节集中度指数。季节集中度指数用以反映篁岭景区网络关注度的时间集中程度。

式中：Xi表示各月篁岭景区网络关注度占全年的比值。S 值越大，反映篁岭景区网络关注度越集中于某个或某些时段，时间差异越大；反之，时间差异越小。

（4）变差系数。变差系数又称离散系数或单位风险，用以衡量某一时点区域之间及内部子区域的差异程度。

式中：Xi表示各地区的篁岭景区网络关注度；X 为其均值；CV 反映地区间篁岭景区网络关注度分布的离散程度。CV 值越大，说明篁岭景区网络关注度空间差异越显著；反之，空间差异越小。

（5）地理集中度。地理集中度是衡量客源市场地理来源和聚集程度的重要指标。

式中：Pi表示第i 个地区的篁岭景区网络关注度，P 表示所有省份篁岭景区网络关注度的总量。一般来说，G 的取值在0～100 之间，G 值越接近100，篁岭景区的网络关注度越集中；反之，G 值越接近0，篁岭景区的网络关注度越分散。

（6）赫芬达尔指数。赫芬达尔指数是衡量区域经济规模指标集聚程度的重要指标，取值范围为0-1。

式中：Si表示各地区篁岭景区网络关注度与总量的比值。H 值越接近1，说明篁岭景区网络关注度地区或区域集中度越高；反之，H 值越接近0，集中程度越低。

（7）首位度指数。首位度指数是衡量区域规模经济指标主导性的重要指标，常以区域第一大城市与第二大城市的经济规模之比作为评判标准。

式中：P1、P2分别为规模最大、第二大的地区对篁岭景区的网络关注度。一般认为，P＜2，集聚适中，区域结构正常；P＞2，则表现为集中过度，空间结构不均衡。

二、研究案例地简介

篁岭古村,坐落于江西省婺源县江湾镇，村中徽派古建筑形态多样，以“晒秋”闻名遐迩。篁岭村旅游开发采用“以屋换屋”的形式，通过吸纳社会资本，对徽派古建实施异地搬迁上山，集中开发运营，保留了古村文化的原真性和原味性，创造了乡村旅游“篁岭模式”，篁岭景区先入选国家4A 级旅游景区，“篁岭晒秋”入选最美中国符号，随后又相继获得“中国最美休闲农村”、“中外最美外景地”、“全国特色景观旅游名村”、“2019 网友最喜爱的十大古村镇”等称号。

三、婺源篁岭景区网络关注度的时空差异分析

由于自然因素、社会因素和游客因素的影响，从年际、月际和节假日三个方面来分析篁岭景区网络关注度的时间特征，从总地区、区域间和区域内三个方面来分析篁岭景区网络关注度的空间特征。

（一）婺源篁岭景区网络关注度的时间差异分析

（1）年度差异

通过360 趋势获取篁岭景区逐日网络关注度数据，计算得到2018—2020 年篁岭景区的年网络关注度（图1），由图1 可以看出，篁岭景区的网络关注度总体上呈递减趋势，且变动幅度较大，2019 年相较2018 年下跌了32.21%，2020 年相较2019 年下降了49.57%，这是由于2019 年是新中国成立70 周年，游客倾向选择红色旅游景区出游，分散了游客对篁岭景区的网络关注。2020 年因疫情原因降低了游客出游意愿，导致篁岭景区的网络关注度下降。

图1 2018－2020 年篁岭景区全国网络关注度

（2）月际差异

通过对2018-2020 年篁岭景区逐日网络关注度进行计算月网络关注度，从图2 和表1 中可以看出，景区网络关注度数值的变化趋势呈现出“双峰”形态，1—3 月份指数上升而3—5 月份急速下降趋势，形成第一个波峰，5—7 月份指数表现平稳而7—9 月又出现上升变化，9—12 月份数值开始回降，形成第二个波峰。2020 年上半年因疫情影响，景区的网络关注度持续低迷，但2020 年下半年走势与2018 年和2019 年相同，从图中可以看出，网络关注度高峰期在3 月份，主要是因为3 月份篁岭景区油菜花盛开的时间，促进景区网络关注度陡然上升；下半年的网络关注度集中在9 月份和10 月份，主要是因为中秋节和国庆节，为游客提供了旅游的闲暇时间，从而提高了景区的网络关注度。

图2 2018－2020 年篁岭景区全国网络关注度各月分布曲线图

通过公式（3）计算篁岭景区网络关注度的季节集中度指数（表1），分别为8.2470、8.2468、8.2469，表明篁岭景区网络关注度存在较强的季节性差异，春季为主要的高峰期，春天油菜花盛开提高了游客对篁岭景区的网络关注度，而夏季、秋季和冬季的网络关注度有明显的下降，尤其是篁岭景区夏季天气炎热，游客的出游意愿低，景区网络关注度最低。

表1 2018－2020 年篁岭景区网络关注度季节值及季节性强度指数

（3）节假日差异

游客出游需要闲暇时间，节假日出游意愿增加（表2），根据2018—2020 年篁岭景区的逐日网络关注度数据，分析国家法定节假日节前两周到节后一周的数据。

根据表2，从整体上来看，每个节日篁岭景区进入网络搜索高峰期的时间都较早，在节假日期间，网络用户对篁岭景区的关注明显下降，但节后篁岭景区的网络搜索量并未持续下降，而是呈现显著的上升趋势，据推测可能是因为节假日期间景区游客人流量大，许多游客为避开庞大的客流而选择“错峰旅游”，在节假日结束前往篁岭景区旅游。

表2 2018－2020 年篁岭景区网络关注度与节假日的关系

通过分析篁岭景区节假日期间的网络关注度数据，发现呈现节前先上升后下降——节中持续稳定在谷底——节后上升的趋势，这个趋势演变与游客的旅游需求和旅游心理相符合，节假日游客出行决策前网络关注度会升高，游客做出旅游决策网络关注度会下降；节中游客出游网络关注度会持续低迷；节后选择错峰旅游的游客会在网上搜索旅游信息为出游做准备，网络关注度会回升。

（二）篁岭景区网络关注度的空间差异分析

（1）省域差异

通过统计2018—2020 年全国31 个省级行政区（除港澳台地区）的篁岭景区网络关注度，发现广东、江苏、浙江、上海、山东、北京、安徽等地关注度排名相对靠前，其中北京、上海、广东等排名始终位居前列；宁夏、青海、新疆和西藏4 个西部省份排名始终靠后，这表明经济发达程度影响篁岭景区的网络关注度。通过省域空间分布图（图3）可知，篁岭景区网络关注度空间分布呈现出“东、中部省域高、西部省域低”的格局，这说明篁岭景区网络关注度表现出空间距离衰减规律特征。

图3 2018－2020 年篁岭景区网络关注度空间分布图

（2）区域间差异

本研究通过公式（4）、（5）、（6）和（7），计算2018—2020 年对篁岭景区的各省网络关注度，探究中国31个省市（除港澳台地区）篁岭景区网络关注度的省域间差异和区域间差异（表3）。根据省域间差异可知，全国各省的篁岭景区网络关注度省域间结构比较稳定，聚集适中，但各地区间的差异和区域集中度均逐年上升。各年的变差系数都大于1，表明各省间的篁岭景区网络关注度的差异较为显著；赫芬达尔指数都更趋向于0，表明不同省市之间篁岭景区网络关注的聚集程度较低；各年的首位度都小于2，说明篁岭景区网络关注度分布的区域结构正常，聚集适中；各年的各省间网络关注度地理集中度指数较小，呈逐年上升趋势，说明各地区篁岭景区网络关注度区域集中度较低，集中度在逐年升高，集中趋势越来越明显。

表3 2018—2020 年篁岭景区网络关注度的省域间差异和三大区域间差异

而根据东、中、西部区域间差异可知，三大区域间的变差系数维持在0.6—0.7 之间，2019 年的区域间景区网络关注度的空间差异最大；赫芬达尔系数都接近0.5，表明区域间的景区网络关注度的空间分布较为集中；三年的首位度都小于2，表明篁岭景区网络关注度的区域分布结构正常；地理集中度指数均在60 以上，2019 年甚至达到了70，可知2018—2020 年三个区域的景区网络关注度集中度较高。

（3）区域内差异

运用公式（4）、（5）、（6）和（7），测算2018—2020 年中国东部、中部和西部三个区内的篁岭景区网络关注度数据（表4）。从变异差数来看，呈现西—中—东部递减趋势，且三个区域内的变差系数都在逐年增加，西部地区内空间差异最大，接着中、东部地区；从赫芬达尔指数来看，呈现东—西—中部递增的趋势，东部波动较小，中部和西部波动较大；从首位度指数来看，呈现出逐年增大且稳定程度在逐年降低，东部和西部区域内集中程度较低，区域结构较为稳定，中部区域内的集中度升高，区域结构不稳定。从地理集中度来看，呈现东—西—中部递增趋势，但波动较大，中部地区内的集聚程度最高，接着依次为西、东部地区。

表4 2018－2020 年篁岭景区网络关注度的区域内差异

四、婺源篁岭景区网络关注度的影响因素

根据文献研究发现，影响景区网络关注度因素主要包括网络发展水平、经济发展水平、人口规模[15-18]和气候舒适度[15]、地理空间距离[18]等。鉴于数据获取的可获得性与完整性，本研究选取各地区人均GDP、GDP 规模、互联网普及率、各地区人们的文化教育水平和年龄结构以及各省省会距篁岭景区的空间直线距离作为相关计算指标。由于各地区网络关注度数据的获取限制和数据链的不完整，本研究选取指标数据来源于2018 年《中国统计年鉴》，具体结果（见表5）与分析如下：

表5 篁岭景区网络关注度时空差异影响因素的相关性分析

（一）经济发展水平

网络用户或潜在旅游者所在地区的经济发展基础越好，出游的意愿就越强烈[21]。研究结果显示，篁岭景区网络关注度与各地区的GDP 规模和人均GDP 均呈显著正相关性（P＜0.01），相关性系数分别为0.716 和0.516。由此可见，地区的经济发展水平与篁岭景区网络关注度的分布差异有着非常紧密的联系。

（二）网络发达程度

互联网技术的高速发展扩大了人们搜集信息的途径，对游客进行旅游决策产生了重大的影响。研究结果显示，地区的网络发达程度与篁岭景区网络关注度呈显著正相关性（P＜0.01），相关性系数为0.489，这表明篁岭景区网络关注度空间差异与地区的网络发达程度存在相关性。

（三）社会人口统计特征

网络用户的文化教育水平和年龄差异影响游客对景区的认知差异，通过参考邹永广等[21]选取的旅游网络关注度影响因素分析中的社会人口特征评价指标。研究结果显示，初中、高中、大专及以上教育程度与篁岭景区网络关注度呈显著正相关性（P＜0.01），相关性系数分别为0.489、0.575、0.654；年龄结构与篁岭景区网络关注度也呈显著正相关，但显著水平较弱，相关性系数分别为0.428、0.549、0.462。从结果中可以看出，三个不同层次的受文化教育水平和三个不同层次的年龄结构和篁岭景区网络关注度之间的相关性系数都为正数且都大于0.4，这表明各地区文化教育程度和年龄结构差异是篁岭景区网络关注度差异的影响因素之一。

（四）地理空间距离

旅游客源地与旅游目的地的空间距离会影响游客的出行意愿[22]。研究结果显示，各省与篁岭景区的地理空间距离和篁岭景区网络关注度呈显著负相关性（P＜0.01），相关性系数为-0.702，这表明篁岭景区网络关注度的空间分布表现出距离衰减规律的特征，由此可见，地理空间距离远近是影响篁岭景区网络关注度空间分布差异的主要因素之一。

五、结论与对策建议

（一）研究结论

本研究以婺源篁岭景区为案例地，以“篁岭”为关键词，通过360 指数，获取了2018—2020 年全国31 个省（除港澳台地区）的篁岭景区逐日网络关注度数据，运用多种分析方法，从年际、月际和节假日三个时间尺度，从省域、区域内和区域间三个空间尺度，分析了篁岭景区网络关注度的空间差异演变及其影响因素，主要结论如下：

（1）时间分布差异：从年际变化来看，篁岭景区网络关注度总体呈现下降趋势，年际差异较大，年际集中性较强。从月际变化来看，呈现“双峰双谷”的形态，季节性差异较大；从节假日变化来看，呈现节前先上升后下降—节中持续稳定在谷底—节后上升的趋势，错峰旅游现象明显。

（2）空间分布差异：从省域区差异来看，呈现东、中部地区高，西部地区低的空间分布特点；从区域间差异来看，各省的篁岭景区网络关注度空间差异较大，区域结构比较稳定，聚集适中；三大区域间的篁岭景区网络关注度存在空间差异，区域分布结构正常，集中度较高；从区域内差异来看，东部、中部、西部三个区域篁岭景区网络关注度的区域内分布差异都比较明显，变异差数呈现东部—中部—西部递增趋势，赫芬达尔指数呈现东部—西部—中部递增趋势，地理集中度指数普遍呈现东部—西部—中部递增趋势。

（3）影响因素：通过相关性分析，发现经济发展水平、网络发达程度、社会人口统计特征和地理空间距离都是引起篁岭景区网络关注度差异的主要因素。其中，地理空间距离与篁岭景区网络关注度呈现显著负相关性，经济发展水平、网络发达程度和社会人口统计特征与篁岭景区网络关注度呈现显著正相关性。

（二）对策建议

（1）增加营销活动，创新旅游产品。篁岭旅游淡季策划更实惠、更新颖的旅游活动和产品，吸引更多网络用户或潜在旅游者的关注，降低淡季对景区带来的影响。针对东部、中部和西部区域设计不同的旅游产品，可以推出特色精品旅游路线，或者进行不同区域的旅游联动，满足游客的多样化需求，提升游客的旅游体验。

（2）拓宽宣传途径，提高品牌知名度。针对互联网普及率低的地区，景区可以加大线下宣传，拓宽宣传渠道。线上篁岭景区可以通过微信、微博、抖音等新媒体平台发布景区的旅游资讯或旅游短视频；线下可以在旅游杂志、电视或公交站台等地投放广告，注重宣传内容的创新性和趣味性，加深篁岭品牌在人们脑中的印象，提高品牌知名度。

（3）完善基础设施，提升旅游质量。为游客提供更加多元化的交通工具，提高交通通达度，缩短游客花在路程上的时间。同时，景区内部的设施也要进行健全完善，在便捷的生活设施的基础上，提高游客的参与度，使游客能够更加投入地感受篁岭古村的魅力，为游客提供更加优质的服务。

（4）挖掘旅游数据，加强信息化建设。加强篁岭景区的信息化建设，有利于景区根据更加全面和真实的游客信息进行旅游产品开发和精准化营销。景区也可以根据旅游大数据进行游客流量的预测，从而对景区的分流和疏散进行科学地规划，为游客提供更佳的旅游体验。