EN中文

中国生态旅游 >

2022 , Vol. 12 >Issue 5: 814 - 830

DOI: https://doi.org/10.12342/zgstly.20220060

海洋旅游

中国海岸带A级旅游景区百度关注度空间差异及影响因素

  • 李晗 ,
  • 丁志伟 , * ,
  • 刘卓林 ,
  • 张希阳
展开
  • 河南大学 地理与环境学院/黄河中下游数字地理技术教育部重点实验室/区域发展与规划研究中心/环境与规划国家级实验教学示范中心，开封 475004
*丁志伟（1983-），男，博士，副教授，博士生导师，研究方向为城市-区域综合发展。E-mail:

李晗（1999-），女，硕士研究生，研究方向为城市-区域综合发展。E-mail:

收稿日期: 2022-05-09

  修回日期: 2022-10-13

  网络出版日期: 2022-12-06

基金资助

国家自然科学基金项目(42271213)

河南省高校科技创新人才支持计划项目(人文社科类：2021-CX-016)

河南省哲学社会科学规划年度项目(2020BJJ018)

河南省社会科学界联合会调研课题(SKL-2022-2625)

河南大学本科教学改革研究与实践项目(HDXJJG2021-034)

河南大学研究生教育教学改革研究与实践项目(YJSJG2022XJ028)

河南大学研究生培养创新与质量提升行动计划项目资助(SYLKC2022003)

收起

Spatial differences and influencing factors of Baidu’s attention on A-level tourist attractions in China’s coastal zone

  • Li Han ,
  • Ding Zhiwei , * ,
  • Liu Zhuolin ,
  • Zhang Xiyang
Expand
  • The College of Geography and Environmental Science / Key Laboratory of Geospatial Technology for the Middle and Lower Reaches of the Yellow River, Ministry of Education / Research Center of Regional Development and Planning / National Demonstration Center for Environment and Planning, Henan University, Kaifeng 475004, China
*Ding Zhiwei. E-mail:

Received date: 2022-05-09

  Revised date: 2022-10-13

  Online published: 2022-12-06

Fold

摘要

基于百度检索量指标，运用空间分类、核密度、探索性空间数据分析等方法，对中国海岸带A级旅游景区百度关注度的空间差异及影响因素进行分析，以探索海岸带旅游景区网络软实力的差异及其与旅游景区实体建设的关系。结果表明：（1）整体呈现“双核并进”格局并在江浙沪形成“众星捧月”态势。低、较低关注度旅游景区占比高达95%且低值连绵分布状态明显，高关注度旅游景区主要分布在黄海北部和渤海湾。（2）空间关联类型以低低集聚为主，高高集聚仅以渤海湾和江浙沪为中心形成双核集聚态势。高低集聚数量少且主要在高高集聚区附近，体现出局部的极化效应。（3）与实体旅游经济对比，两者吻合度整体较高，但百度关注度下的集聚能力更强且局部核心区有明显收缩，反映网络空间的极化与倍增效应。与新冠肺炎疫情前相比，近期多数旅游景区进行网络化转型且注重运营水平的提升，渤海湾和长江入海口旅游景区表现突出，辽宁省东部与福建省次之，其他地区效应不明显。（4）从影响因素看，实体建设水平与短视频推广是核心影响因素，游客评价与舆论扩散的耦合效应有较大影响，而交通、通讯、区位等基础因子则作用不明显。

关键词： 海洋旅游; 旅游景区; 网络关注度; 空间差异; 新冠肺炎疫情; 百度检索量

本文引用格式

李晗 , 丁志伟 , 刘卓林 , 张希阳 . 中国海岸带A级旅游景区百度关注度空间差异及影响因素[J]. 中国生态旅游, 2022 , 12(5) : 814 -830 . DOI: 10.12342/zgstly.20220060

Abstract

Based on the index of Baidu search volume, this paper adopts spatial classification, kernel density, exploratory spatial data analysis (ESDA) and other methods to analyze the spatial differences and influencing factors of Baidu's attention on A-level attractions in China’s coastal zone and to explore the differences in the network soft power of tourist attractions in the study area and its relationship with the physical construction of those attractions. The results show that: (1) The overall pattern of “dual core development” is presented, and the trend of “stars crowding the moon” is formed in Jiangsu, Zhejiang and Shanghai. Low level attention attractions account for 95% of the total and the value of the level is distributed continuously. High level attention attractions are mainly distributed in the northern Yellow Sea and Bohai Bay. (2) The spatial association type is dominated by LL agglomeration, while HH agglomeration only takes Bohai Bay and Jiangsu, Zhejiang and Shanghai as the center to form a dual core agglomeration trend. The number of HL types is small and mainly near the HH region, reflecting the local polarization effect. (3) Compared with the tourism economy, the degree of coincidence between the two is high as a whole, but the gathering ability under Baidu’s attention is stronger and local core areas have significantly contracted, reflecting the polarization and multiplication effect of cyberspace. Compared with that before the epidemic, most attractions have undergone network transformation and paid attention to the improvement of operation level in the near future. The Bohai Bay and Yangtze River estuary attractions have shown outstanding performance, followed by eastern Liaoning and Fujian, with no obvious effect in other regions. (4) Physical construction level and short video promotion act as the core influencing factors. The coupling effect of tourist evaluation and public opinion diffusion also has a great impact, while the basic factors such as transportation, communication and location have no obvious effect.

Key words： marine tourism; tourist attractions; network attention; spatial differences; epidemic; Baidu retrieval volume

1 引言

旅游景区网络关注度是基于网络数据的旅游信息，反映与旅游相关的不同关键词在一定时间内的“用户和媒体关注度”[1]，不仅是旅游者需求状况和行为习惯在网络上的直观表现，也是衡量一个旅游景区网络宣传效应和网络知名度的重要指标。因此，提升网络关注度对旅游景区的线上营销和游客吸引具有重要的现实意义。海岸带旅游景区拥有特色的自然风光、吸引人的游乐设施和典型的海洋地貌，加之新闻媒体的宣传和旅游景区的网络营销，其“互联网+”效应不断增强，网络关注度较其他普通旅游景区更具有活力。在实体旅游景区建设的支撑下，在新媒体如抖音、快手、小红书等融媒体的宣传和助推下，部分知名海岸带旅游景区的关注度不断提升，为促进海洋经济的高质量发展提供了引领作用。然而，自2020年初新冠疫情暴发之后，中国各大旅游景区旅游接待量均呈下降趋势，滨海旅游接待量亦下降明显，其2020年旅游产业增加值下降24.5%。2021年受疫情多点散发影响，滨海旅游业增加值比上年仅增长12.8%[2]，反映出滨海旅游的吸引力有所下降。因此，不少旅游景区为了提高旅游景区热度、吸引客流，采用“图文、视频”的线上宣传方式，依靠网络流量吸引客流和销售旅游产品，有效促进了传统旅游业向数字化和智能化转型，从而形成线下和线上相结合的全面布局[3]。因此，在新时代背景下研究海岸带旅游景区网络关注度的空间差异，客观分析不同海岸带旅游景区（图1）在网民中的互联网印象，促使网络关注度成为提升旅游景区软实力的重要手段并带来切实的旅游接待量，将有效提升海岸带旅游景区的品牌效应。与此同时，研究海岸带旅游景区网络关注度的空间特征及影响因素，也可为优化海洋旅游产业空间布局、提升海洋旅游综合实力提供虚拟网络空间环境保障，进而为实现海洋旅游景区高质量发展提供相关理论支撑。
图1 海岸带旅游景区分类

Fig. 1 The classification of coastal tourist attractions

在网络关注度应用初期，相关研究主要集中在社会舆论传播和网络产品宣传方面[4⇓-6]。随着旅游活动的增加和旅游形式的拓展，越来越多的学者基于Google和百度平台，对旅游业的网络关注度进行探索。其中，早期学者主要集中在现实中的旅游客流量与网络关注度之间的关系上。李山等[7]基于中国第一批66个5A级旅游景区的百度指数数据，发现了旅游景区的网络关注度对旅游景区游客量时间上的前兆作用。马丽君等[8]分析了客流量及游客网络关注度的影响因素，并构建出游客量与网络关注度的时空相关模型。此后也不断有学者通过区域网络关注度的时空特征分析，印证旅游业现实发展与网络关注的匹配性[9⇓⇓⇓⇓-14]。近年来随着网络大数据的不断增加，学者采用的测度指标更加多元，如网络游记[15]、百度指数[16-17]、微博用户数[18-19]、抖音粉丝量[20]等。由于常用指标如百度指数、微博用户数在微观尺度单元不具优势，且词条库常常难以被收录到，因而分析大范围的旅游经济分异格局的文献并不多见。由于百度检索量可基于搜索功能逐一检索记录，因而可以解决上述指标面临的问题，故有学者基于镇域尺度、旅游景区尺度对跨省级和流域范围的旅游经济空间分异现象进行了探索分析[21]。
在研究区域方面，受经济发展导向思维和旅游者固有的旅游资源偏向影响，早期研究区域多局限于广州[22]、厦门[23]、南京[24]等个别沿海城市，近些年则多基于宏观视角对全国范围的特色化旅游产业展开研究[25⇓-27]，而对区域化旅游景区的探索长期以来一直处于被搁置的状态。从研究对象来看，不乏有学者对国家湿地公园[28]、邮轮旅游[29]、红色旅游[30]等具体的旅游活动展开研究，但基于网络关注度对海洋旅游经济和海岸带旅游景区的研究却鲜有人涉足。从研究方法看，在对旅游景区集聚性进行描述时，学者多采用核密度分析[18]、地理集中指数[31]与赫芬达尔系数[32]来表示样本之间的分布情况。在进行时间变化规律研究时，学者多采用周内分布偏度指数[33]、季节集中指数等[34]。在进行影响因素分析时，有学者从定性角度出发，对影响网络关注的因子进行机理性质分析[35-36]，还有学者通过相关性分析[37]、空间回归分析[38]等定量分析方法对影响因素进行科学计算，而将两者结合分析者罕见。
总结而言，关于海岸带旅游的虚拟关注度研究不多且数据获取较为困难，因而寻求新的网络关注度指标来探索特色海岸带旅游景区的旅游关注度差异，能有效地为疫情防控下海岸带旅游经济的复苏与振兴提供新思路。那么在新形势下，如何获取评价海岸带旅游景区的网络关注度新指标?如何分析虚拟网络关注度与实体经济旅游景区建设的关系?如何诊断疫情前后海岸带旅游的关注度差异?这些问题都成为海岸带旅游景区网络虚拟实力提升的新思考点。基于此，本研究基于百度检索量的网络关注度指标，通过大数据的海量检索和空间可视化对比分析，深入关注海岸带旅游景区网络关注度的差异并解析其影响因素，以期为探索海岸带旅游景区网络关注度空间分异规律提供新思考，为海洋经济活力提升和沿海地区产业结构升级提供相关理论支撑。

2 数据来源及方法

2.1 数据来源

（1）旅游景区名录及数量数据。我国海岸带地理形态复杂，学者对海岸带宽度的确定并无完全统一的说法。国际经济合作与发展组织（Organization for Economic Cooperation and Development，OECD）环境理事会认为，划分海岸带时主要有自然地理标示、行政边界划定、距离划定、依据环境单元划定及采用综合方式划定5种方式。本研究采用县域行政边界对海岸带的范围进行划定，如图2灰色地带所示。值得说明的是，考虑到沿海诸多岛屿（包括南海诸岛和台湾省在内）数据获取难度较大，因此，本研究基于数据的可获得性，访问各省、市文化和旅游厅的官方网站，同时结合国家文化和旅游部政务服务门户的“我要查询”功能公布的5A级旅游景区数据以及宁志中等人对中国旅游景区分析的数据方法[39]，最终确定1377个A级旅游景区研究单元（图2a）。其中，5A级旅游景区34个，4A级旅游景区411个，3A级旅游景区737个，2A级旅游景区157个，A级旅游景区1个。同时根据贾跃千和李平对海洋旅游资源的分类[40]以及我国海岸带旅游景区的属性，将海岸带旅游景区分为4种类型（图2b），包括海岛旅游景区、海岸带自然旅游景区、海洋主题旅游景区以及其他人工休闲旅游景区。
图2 海岸带A级旅游景区研究范围与空间类型图

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)2893号的标准地图制作，底图无修改。

Fig. 2 Research scope and spatial type of A-level tourist attractions in China’s coastal marine

（2）空间矢量数据。首先通过百度地图坐标拾取系统获取各旅游景区的经纬度坐标（http://aqsc.shmh.gov.cn/gis/getpoint.htm），之后经ArcGIS软件处理后生成旅游景区的空间位置数据（图2）。
（3）百度检索量数据。首先在百度（https://www.baidu.com）平台首页输入旅游景区名称，之后在“搜索工具”中将搜索时间截止到2022年1月1日；最后点击搜索按钮并记录旅游景区的累计检索量。
（4）影响因子数据。经济社会统计数据来源于各地市统计年鉴、统计公报以及官方统计数据，旅游景区建设数据主要通过各旅游景区官方网站和咨询相关人员获得，旅游景区等级在文化和旅游厅官网直接获取，旅游景区微博、抖音作品数和获赞数通过微博和抖音平台查询获取。

2.2 研究方法

（1）空间等级差异法——Jenks自然断裂点。该方法基于数据的样本方差对数据进行迭代分析，能最大程度保证数据组内差异最小、组间差异最大的特征[41]。考虑到我国海岸带旅游景区数量较多且不同景区网络关注度差值较大，采用Jenks自然断裂点分级法对旅游景区的网络关注度进行分级，从而能够直观科学地反映其空间分异特征。
（2）空间集聚分析法——Kernel密度分析。Kernel密度分析能够较为精确地反映要素的空间集聚或离散状态，在空间聚类分析中具有特有的优势[42]。现基于沿海旅游景区的百度检索量指标对沿海地区旅游网络关注度的空间集散情况进行测算，以此来反映海岸带地区网络旅游空间发展的“冷热”地区。
（3）空间关联分析法——ESDA空间分析法。探索性空间数据分析（Exploratory Spatial Data Analysis，ESDA）在量化地理要素的空间关联性方面具有很好的解释效果，同时还可以解释变量在空间上的集聚状态[43]。因此运用局部自相关分析方法，可以具体测度哪个研究单元对全局空间自相关的贡献更大，能有效弥补空间过程的潜在不稳定问题。
（4）空间回归分析法。由于评价结果具有空间自相关性，所以借助空间回归分析方法对海岸带旅游网络关注水平进行定量化影响因素分析。常见的空间回归模型有空间滞后模型和空间误差模型两种，与传统的普通最小二乘法（Ordinary Least Squares，OLS）模型相比拟合优度更高[44]，因此本研究基于空间回归分析方法进行影响因子分析。

3 结果与分析

3.1 等级比例与空间分布

为了探究我国海岸带旅游景区的等级分布情况，本研究采用Jenks自然断裂点分级功能将海岸带地区1 377个A级旅游景区标准化后的百度检索量数值分为5个等级（表1）。由表1可知，在等级比例上，我国海岸带A级旅游百度关注度等级数量呈现明显的差异。其中，低关注度旅游景区数量最多，达1 216个，占总数的88.3%，反映旅游景区整体网络关注效应依然不明显，需要进一步促进旅游景区的网络化进程。较低关注度旅游景区次之，占总数的7.0%，主要是一些知名度较低的旅游景区，虽进行了网络化转型但实质性效果不明显。中等、较高和高关注度旅游景区数量均较少，三者共65个，占比为4.7%，反映出虽已有知名旅游景区立足品牌优势进行网络化转型，但因其在运营体系和推介部门仍有不足之处，所以优质旅游景区的网络带动作用仍不突出。尤其是高关注度旅游景区分布最少（1.0%），包括厦门鼓浪屿、温州雁荡山、秦皇岛山海关等14个旅游景区，仅在自己所属的区域“独自”发光。总体来看，我国海岸带旅游景区网络关注度等级分布不均，局部凸显和局部塌陷的效应并存，因此需要从旅游景区的整体结构上加速网络转型的进程，从而产生出切实的网络联动效应。
表1 海岸带A级旅游景区网络关注等级分布

Tab. 1 Level-of-attention distribution of A-level tourist attractions in China’s coastal zone

等级 海岸带旅游景区分布
高关注度景区（14个） 福建（1）：厦门鼓浪屿
山东（3）：烟台大悦城、烟台山旅游区、烟台将军谷景区
上海（1）：上海喜时尚工业旅游景区
浙江（3）：温州雁荡山、舟山朱家尖、嘉兴东湖景区
广东（1）：深圳玫瑰海岸
河北（2）：秦皇岛山海关景区、唐山湾国际旅游岛月岛景区
辽宁（3）：营口鲅鱼圈滨海旅游度假区、大连黑岛旅游度假区、大连龙门旅游度假区
较高关注度景区（15个） 山东（7）；辽宁（2）；上海市（2）；福建（2）；
海南（1）广东（1）
中等关注度景区（36个） 上海市（6）；辽宁（6）；天津（2）；山东（6）
较低关注度景区（96） 山东（24）；浙江（6）；广东（9）；辽宁（16）；江苏（3）；福建（6）；广西（2）；
海南（10）；上海（14）；河北（6）；天津（4）
低关注度景区（1216） 山东（322）；浙江（197）广东（139）；辽宁（127）；江苏（111）；福建（118）；
广西（40）；海南（54）；上海（58）；河北（43）；天津（7）
根据评价结果进行空间矢量化处理（图3a），可以发现我国旅游景区海岸带百度关注度整体呈现出中北部高、南部低的非均质性空间格局。高关注度的14个旅游景区在渤海湾东部海岸带、江浙沪交界海岸带出现小范围集聚，且旅游景区类型均以自然景观和海岛旅游为主。其中，渤海湾东部沿岸旅游景区以“人文风情”“十大必去旅游景点”为代表的推荐型网页为支撑，江浙沪交界海岸带则以“怎么玩”“几月份最好”为主题的攻略型搜索为主，反映出高关注度旅游景区在攻略路线方面的倾向性。较高关注度旅游景区多分布在黄海北部和渤海湾海岸带，在台湾海峡和琼州海峡沿岸亦有零星分布，总体呈现北密南疏的特点。中等关注度旅游景区在整体格局上与较高关注旅游景区类似，但该等级旅游景区在天津、上海以及浙江北部的分布最为密集，尤其在江浙沪交界地带最为突出。
图3 海岸带A级旅游景区网络关注度空间分级、核密度以及空间关联图

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)2893号的标准地图制作，底图无修改。

Fig. 3 The core density and spatial correlation of Baidu retrieval volume of A-level tourist attractions in China’s coastal zone

3.2 空间集聚与关联特征

从核密度分布看（图3b），目前我国海岸带旅游景区网络关注度呈现渤海湾海岸带和江浙沪海岸带“双核并进”的态势，初步形成了一个一级热点区和一个次热点区。一级热点区以海岸带自然类旅游景区为主且主要分布在辽宁和山东两省，另有部分海岛型旅游景区分布在东南沿海一带。不难发现，该区域旅游景区数量多达544个，占比达36.6%，其独特的海岛旅游资源，加之有力的网络宣传促使其在全国的旅游景区旅游网络关注格局中遥遥领先。二级热点区主要分布在江苏、浙江、福建三省以及上海市。由于该区域是全国旅游经济的示范区和国家信息化水平高地，因此在经济实力支撑、互联网环境保障和现代化旅游基础设施建设的三重影响下，产生了正向促进效应，形成了一个高值集聚区。从空间关联效应看（图3c），高高集聚区虽然在环渤海地区凸显，但长三角地区亦有不错的表现，从侧面印证了长三角地区旅游景区网络化效应的地域集聚和局部特色。而低低集聚区的旅游景区数量高达611个，且在空间上主要集中在渤海湾南岸以及广西的大范围地区，说明整体区域网络关注水平出现了“低低”集聚的正向关联效应。结合现实发现，该类型旅游景区与实际网络宣传状况相一致，百度检索以“旅游景区概况”主题居多，游客多以“试探性了解”目的为主，缺乏吸引力的品牌效应和“路线攻略型”旅游前准备信息。因此，在后期的发展中，该类型旅游景区应进一步提升总体旅游网络关注水平并扩散旅游景区影响力，从而促进旅游景区旅游网络经济的健康发展。

3.3 虚实对比

为了进一步研究海岸带旅游景区虚拟网络关注水平与其实际接待量之间的空间相似性，选取百度关注度和旅游接待量进行虚实经济差异的对比分析。（图4）。
图4 沿海县市A级旅游景区虚（百度关注度）实（游客接待量）对比图

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)2893号的标准地图制作，底图无修改。

Fig. 4 Contrast and analysis of virtual (Baidu’s atention) and real (Tourist reception) difference of A-level tourist attractions in China’s coastal cities

由图4可知，虚拟百度关注度等级与实际的接待量等级空间格局基本对应，均表现出以江浙沪为主核心区的空间分异格局，但仍然存在局部差异。第一，在集聚能力上百度关注度胜于旅游接待量，形成以浙江和上海为中心的两个高值集聚区，以环渤海为支撑的次级集聚中心，较旅游接待量在上海形成的一个高值集聚中心更具有虚拟场域上的集中优势；第二，在梯级差异上旅游接待量优于百度关注度。旅游接待量呈现中值区围绕高值区分布、低值区围绕中值区分布的梯级趋势，相比之下，百度关注度的网络化逐级扩散现象不明显，出现了极端分布的小范围现象，也体现出虚拟空间网络推介的极化和倍增效应。第三，浙江省的宁波、舟山以及温州等区域的旅游景区百度关注具有发展潜力。究其原因，该区域旅游景区不仅具有地域品牌优势和特色推介宣传点，而且在产业升级转型、信息化水平、旅游消费点等方面的实体经济支撑较强，因而虚拟空间的网络关注度综合效应明显。从长远发展来看，该部分旅游景区应提高网络宣传意识，通过互联网平台打造线上旅游品牌，实现旅游景区网络关注水平和旅游接待量的良性循环。第四，线上线下融合的力度有待进一步增强。从空间格局上看，实体经济的局部发力和特色化宣传不够，因此优质的旅游景区应着力开阔旅游产业网络化转型的眼光和眼界，转变旅游业发展模式和理念，进一步打开“智慧旅游”在沿海地带的主流市场，将海岸带打造成为全国旅游经济虚实融合的示范带，助力新一轮旅游经济的高质量发展。

3.4 疫情前后变化

虽然旅游业受新冠肺炎疫情冲击的程度前所未有，且网络化转型存在诸多不确定性，但部分旅游景区的“互联网+”探索确实带来了成功的转型模式，因此为进一步明晰疫情出现对旅游网络化发展的刺激作用，选取2020年1月1日和2022年1月1日两个时间节点，对疫情发生前后的旅游景区网络关注水平进行对比分析（图5）。
图5 海岸带A级旅游景区疫情前后网络关注度对比及地区旅游网络化变动

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)2893号的标准地图制作，底图无修改。

Fig. 5 Comparison of network level-of-attention of tourist attractions before and after epidemic situation and difference of regional tourism network change in China’s coastal zone

首先，从图5c中可以直观发现各个地区的旅游关注度均出现不同程度的正增长，但内部增长状况略有差异。疫情发生后，高、低关注度旅游景区数量分别减至11个和1 058个，而中等、较高和较低关注度旅游景区均则出现了不同程度的增加，其中中等关注度景区增加最多，反映出疫情的发生使海岸带旅游景区网络关注度两极化趋势减弱。不难发现，低关注度旅游景区减少的数量远高于高关注度旅游景区，这是因为高关注度旅游景区知名度高且对突发性公共事件的感应相对敏感，因而其“互联网+”的网络推介效应明显；虽然部分低关注度旅游景区借助了网络宣传效应的“东风”，提高了自身的网络关注程度，但由于数量少，因而其总体网络宣传效应不佳。此外，从疫情发生后网络关注度增长的空间特征来看，增长最快的是河北省沧州市、渤海东岸的烟台市和大连市，长江入海口的嘉兴市、舟山市、宁波市以及福州市，其次是辽宁省东部、渤海西岸以及台湾海峡西岸，最后是福州市以南地区。总的来说，疫情的出现虽使得部分传统旅游产业出现了局部的塌陷，但其也间接促进了旅游产业的转型，刺激了海岸带旅游景区的网络化发展和新一轮竞合。

4 影响因素分析

一般来看，景区的百度关注度多与资源禀赋宣传、管理者的官方运营、新闻媒体的报道、优质创作者的网络扩散相关，因此旅游景区的资源特色、等级和网络推广运营者（包括短视频、微博、微信等融媒体）是其核心因素。而“网络明星”旅游景区则是基于特色旅游景区项目推广和旅游景区达人短视频来吸引游客，所以新媒体宣传是影响其关注度的重要指标。此外，旅游景区百度关注的提升与旅游景区的实体经济水平、现代化接待设施、交通便捷性及地形特点也相关，因此在选择影响因子时也应将其考虑在内。
从已有研究来看，网络关注度主要与社会经济基础、“互联网+”环境、旅游资源、两地间距离相关，因此学者选择经济发展水平和网络发达程度两个指标的最多，旅游资源次之，之后是距离因素等其他指标。其中，马丽君等[45]从距目的地距离和经济发展水平两方面选取指标，对旅游景区网络关注度的影响因素进行定量化分析；何晓芊等[46]从旅游资源数量与质量、区域经济发展水平、区位条件三方面对温泉旅游网络关注度进行动因分析，发现区域经济发展水平直接决定了旅游景区的发展程度。另外，通过上述空间分异结果亦发现，旅游景区关注度的集聚核心区与当地旅游接待量和经济发展水平相呼应。因此，考虑到指标的可获取性和网络经济特点，本研究从地区发展环境、旅游景区自身建设以及网络化水平3个方面选取指标（表2）。
表2 影响因子指标体系

Tab. 2 Impact factor index system

一级指标 二级指标 三级指标 指标单位 指标解释
地区发展环境 经济条件 地区生产总值（X1） 亿元 反映地区经济实力的支撑
人均可支配收入（X2） 元 反映居民富裕程度的支撑
交通条件 公路里程（X3） 公里 反映地区交通条件的支撑
服务条件 第三产业从业人员比重（X4） % 反映景区发展的服务支撑
人口基数 地区常住人口（X5） 万人 反映地区人口基数的支撑
景区自身建设 实体建设 地区旅游总收入（X6） 亿元 反映景区的经济实力
地区景区等级总得分（X7） 分 反映景区等级水平
网络建设 抖音、微博发布视频数（X8） 个 反映景区互联网服务意愿
抖音、微博视频获赞数（X9） 个 反映景区游客网络认可度
地区网络化水平 网络发育 固定互联网宽带用户数（X10） 万户 反映地区的互联网潜在游客
邮电业务总量（X11） 亿元 反映地区的网络化发育水平

注：景区等级得分按照5A级10分，4A级8分，3A级6分，2A级4分，A级2分的标准赋值，地区景区总得分为地区内所有景区的累计分值。

考虑到所选变量之间可能存在多重影响因子的共线性，选用多元回归模型对标准化后的各项指标量进行逐次回归分析，并对各项指标值进行共线性检验。诊断结果（表3）显示，所选指标X1和X5的方差膨胀因子（Variance Inflation Factor，VIF）大于10，说明可能存在多重共线性，因此对X1和X5 2项因子进行剔除处理。由表3可知，抖音、微博发布视频数（X8）是影响海岸带旅游景区网络关注度的最主要因素，且均呈现正向影响，与前述的影响因子预判一致。地区旅游总收入（X6）、地区旅游景区等级总得分（X7）次之，足见旅游景区自身建设水平也是影响网络关注度水平提升的重要一环。而公路里程（X3）、第三产业从业人员比重（X4）以及邮电业务总量（X11）对网络关注水平的影响较小，反映出基础设施、产业环境等方面的影响作用不明显。
表3 沿海城市旅游景区百度关注度影响因子的参数估计结果

Tab. 3 Parameter estimation of factors influencing tourism Baidu attention in China’s coastal cities

指标 最小二乘法OLS 空间滞后模型SLM 空间误差模型SEM 方差膨胀因子VIF
常量 -0.033 -0.030 -0.029
人均可支配收入（X2） 0.100 0.052 0.081 33.579
公路里程（X3） 0.089 0.040 0.092 4.174
第三产业从业人员比重（X4） 0.016 0.014 0.014 4.583
地区旅游总收入（X6） 0.344* 0.292* 0.409** 1.351
地区景区等级总得分（X7） 0.267* 0.249* 0.273** 15.432
抖音、微博发布视频数（X8） 0.456* 0.503** 0.430** 10.309
抖音、微博视频获赞数（X9） -0.040 -0.099 0.010 6.161
固定互联网宽带用户数（X10） -0.345 -0.277 -0.371* 7.806
邮电业务总量（X11） 0.029 0.034 0.018 6.323
R-squared 0.857 0.867 0.861 4.174
AIC -113.863 -115.014 -114.517 4.583
SC -90.681 -89.900 -91.335 1.351
log L 68.932 70.507 -114.517 15.432

注：*、**、***分别表示通过0.1、0.01、0.001的显著性检验。

具体来看（表3），地区旅游总收入（X6）、地区旅游景区等级总得分（X7）以及抖音、微博发布视频数（X8），在3种模型下均通过了显著性检验，反映出旅游景区自身质量、市场品牌和虚拟经济的融合效应，也反映出新时代旅游景区重视专门化网络营销部门的重要性。从现实情况看，旅游收入是旅游景区实体建设质量的表征，可为旅游景区基础设施现代化建设以及网络化运营提供后备资金支持，因此提升旅游景区的星级、信誉和现代服务业水平，不仅是实体层面广泛吸引客源的重要支撑，也是资源开发与社会认可的重要体现，更为网络化推介提供实体经济支撑。其中，微博发布视频数（X8）的系数值达到0.503，且在两种空间模型下均通过0.01的显著性水平检验，反映出优质的旅游创作者和高质量的短视频作品对旅游景区百度关注度提升的重要性。此外，百度、微博以及抖音平台作为中国主流网络信息共享平台，均可最直观地反映社会热点话题，同时在信息时效性上具有很强的互通性，因而旅游景区在网络推介时要注意多平台的同步推送并发挥其网络倍增效应。此外，还发现公路里程、第三产业从业人员比重以及邮电业务总量的系数值较小且在3个模型下均未通过显著性检验，反映出交通条件已经不再是旅游业发展的限制性条件，对网络旅游的影响逐渐减低，作用甚至是微乎其微。
为了更深入地分析影响关注度空间格局分异的内部因子，研究选取关注度值大于557万的15个高水平海岸带海洋旅游景区的120 551万个词条进行统计分析，将检索信息归纳为广告宣传（新闻报道）、攻略路线（旅游平台、社交平台）、基础信息（旅游网站、官网设计）、文学感染（人文历史特色）、突发事件（热点话题）5类（图6）。总结发现，以鼓浪屿、雁荡山等为代表的高关注度旅游景区不仅在百度平台涵盖丰富的“线路攻略”“吐槽贴吧”型网页，而且在微博、抖音等平台均发布数百视频作品，因而在智慧服务提供、特色路线推介和短视频运营推广的融合推动下，其以较高的出镜频次、百度检索量和存在感不断地吸引游客关注。此外，大多旅游景区10%以上的旅游信息转发自微博网页，且不少视频来源于西瓜视频与抖音短视频的合作平台，因此多种短视频平台的综合推介也是影响高关注度旅游景区形成的重要原因。而在众多信息中，攻略路线方面的占比高达35%，其中包括微博信息在内的社交平台占比15%，与微博抖音作品对百度检索量的贡献相呼应，因此知名度很高的旅游景区也需要配合攻略和便民措施才可以产生综合效应；基础信息占比次之，其中15%的搜索比重为旅游景区的收费标准，体现出居民倾向于通过信息化平台来了解旅游景区的基本概况；突发状况内容占比10%，从侧面反映出特殊时期（以疫情、海洋灾害为代表）的一些自然灾害、刑事案件等方面的事件也能产生影响；以人文历史文化特色为代表的文学感染力信息占10%，反映出旅游景区加强内在文化建设的重要性。值得一说的是，人们往往通过旅游网站和新闻关注去了解旅游景区的自然风光与人文风情，之后通过短视频或者微博微信号来进一步感受网民留下的真实感受，实现网络端“观看-体验-体会-尝试”的动机后，才会真正去实体旅游景区体验并在网络端畅谈自己的感受并进行短视频的推介或吐糟，进而形成网络端的新一轮循环。
图6 高百度关注度景区形成的内部影响因子解析

Fig. 6 Analysis of internal influence factors of high Baidu attention scenic spot formation

5 结论与讨论

5.1 结论

基于海岸带1 377个A级海洋旅游景区的百度检索量数据，运用空间分类、Kernel密度、ESDA空间分析、空间计量分析等方法，对中国海岸带A级旅游景区网络关注度的空间差异进行研究，并探讨其影响因素。研究发现：（1）整体呈现“双核并进”格局并在江浙沪形成“众星捧月”态势。低、较低关注度旅游景区占比高达95%，且低值连绵分布状态明显，高关注度旅游景区主要分布在黄海北部和渤海湾。其中，高关注度旅游景区以海岛旅游景区和海岸带自然旅游景区为主。（2）从空间集聚看，整体格局呈现出以渤海湾和江浙沪海岸带为中心的双核集聚态势。从空间关联格局看，低低集聚区在南部海岸带密布，而高高集聚区主要集中在大连、江浙沪以及长江入海口沿岸。（3）从虚实对比看，两者均表现出以江浙沪为核心的特征但在集聚能力上百度检索量胜于旅游接待量，但在梯级差异上旅游接待量优于百度检索量。（4）从疫情影响看，疫情的发生使海岸带旅游景区网络关注度等级两极化趋势减弱。其中，提升最快的是渤海东西两岸旅游景区和长江入海口旅游景区，辽宁东部与台湾海峡沿岸次之。（5）从影响因素看，旅游景区短视频推广和营销是核心因素，旅游景区实体经济水平、旅游景区等级是次要影响因素，而旅游景区的交通条件和地方通讯服务水平等虽有影响但作用不大。从高水平区内部数据解析看，“攻略路线”主题是影响旅游景区网络关注水平的核心维度，游客评价与舆论扩散的耦合效应亦有较大影响，而交通、通讯、区位等基础因子则作用不明显。

5.2 讨论

本研究基于A级旅游景区的百度检索量数据来分析海岸带旅游景区的百度关注差异，并对造成旅游景区百度关注水平空间异质性的原因进行探究，对于海岸带旅游业的线上线下双向发展、旅游资源的优化组合以及海岸带旅游产业转型升级都具有启示意义。首先，低关注度旅游景区应着力强化网络宣传与推介力度。从结果分析看，我国海岸带南部大部分地区的旅游网络化发展整体处于“塌陷”状态，因此低关注度旅游景区应该充分发挥地域特色、资源优势等，提升特色项目宣传和营销，确立品牌优势，依靠旅游景区质量打开市场，从而促进网络关注度的全面提升。其次，江浙沪交界集聚区作为海岸带海洋旅游景区的重要支撑，已经具备旅游业发展的基本要素，对整个海岸带乃至全国的海洋旅游景区都具有一定的影响力，但在特色化宣传、营销和管理思路上仍存在一定短板，因此需要在明晰短板的基础上，加强网络端与游客互动，优化特色项目以吸引游客的兴趣和参与度，推动旅游景区网络关注度的局部亮点提升并形成辐射带动效应。最后，进一步打造亮点并进行创新营销。优质旅游景区要充分发挥自身的扩散带动作用，搭建多维度的信息化支撑平台，开拓云旅游、线上直播、线上营销新发展模式，以满足疫情背景下游客的多维需求（图7）。
图7 低网络关注度景区转型策略图

Fig. 7 Strategy map for transformation of scenic spots with low network attention

与以往的研究相比，本研究利用直观性强、覆盖面广的百度检索量数据对旅游景区百度关注度空间结构差异及影响因素进行分析，并对海岸带海洋旅游景区百度检索量的影响要素进行内外部双重分析，对提高旅游过程中旅游者的线上参与度具有重要的理论意义，能为扩宽已有的旅游网络关注度视角、促进疫情常态化防控形势下旅游产业的网络宣传与营销提供理论支撑，也能为海洋旅游产业的高质量发展提供一些新视角。但本研究也存在不足之处，例如仅基于单一平台获取旅游景区的关注度数据，使得研究指标选择的综合性不够、多元性对比不强等，因此以后选择多元化指标进行对比和综合分析是研究进一步提升的重点。此外，限于数据获取的难度，缺乏时间维度上的演化分析，也是以后研究需要强化的点。总之，本研究基于新时代海洋旅游产业高质量发展的背景，探索性分析海岸带旅游景区百度关注度，并进行了虚实对比、疫情前后对比，有利于了解中国海岸带旅游景区网络关注的差异，以期能为该类型旅游景区的创新性发展提供新思考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李君轶. 国内旅游市场研究: Internet环境下的新透视[M]. 北京: 科学出版社, 2010.

[ Li Junyi. Research on Domestic Tourism Market: A New Perspective in the Internet Environment[M]. Beijing: Science Press, 2010.

[2]
董志文, 孙静, 李钰菲. 我国沿海城市海洋旅游发展水平测度[J]. 统计与决策, 2018, 34(19): 130-134.

[ Dong Zhiwen, Sun Jing, Li Yufei. Measurement of development level of marine tourism in China’s coastal cities[J]. Statistics & Decision, 2018, 34(19): 130-134.]

[3]
卢毅, 宋有欣, 曲薪霖, 等. 新冠疫情对滨海旅游业发展的影响与对策研究[J]. 产业与科技论坛, 2022, 21(8): 20-22.

[ Lu Yi, Song Youxin, Qu Xinlin, et al. Research on the impact and countermeasures of the new crown epidemic on the development of coastal tourism[J]. Industrial & Science Tribune, 2022, 21(8): 20-22.]

[4]
任轶群, 魏玖长. 公共危机事件公众关注度的影响因素分析[J]. 统计与决策, 2010, 26(1): 67-70.

[ Ren Yiqun, Wei Jiuchang. Analysis on the influencing factors of public attention in public crisis events[J]. Statistics & Decision, 2010, 26(1): 67-70.]

[5]
李贞芳, 古涵, 杨孟丹. 网络媒体的舆论功能研究[J]. 国际新闻界, 2008(10): 60-64.

[ Li Zhenfang, Gu Han, Yang Mengdan. Public opinion function of Internet media[J]. Chinese Journal of Journalism & Communication, 2008(10): 60-64.]

[6]
许波. 基于网络口碑的网上书店销售研究[D]. 合肥: 合肥工业大学, 2010.

[ Xu Bo. Research on nnline bookstore sales based on internet word of mouth[D]. Hefei: Hefei University of Technology, 2010.]

[7]
李山, 邱荣旭, 陈玲. 基于百度指数的旅游景区络空间关注度: 时间分布及其前兆效应[J]. 地理与地理信息科学, 2008, 24(6): 102-107.

[ Li Shan, Qiu Rongxu, Chen Ling. Cyberspace attention of tourist attractions based on Baidu index: Temporal distribution and precursor effect[J]. Geography and Geo-Information Science, 2008, 24(6): 102-107.]

[8]
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.

[ Ma Lijun, Sun Gennian, Huang Yunma, et al. Spatial and temporal correlation analysis of urban domestic passenger flow and tourists’ online attention[J]. Economic Geography, 2011, 31(4): 680-685.]

[9]
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.

[ Long Maoxing, Sun Gennian, Ma Lijun, et al. Comparative analysis of spatial and temporal dynamics of regional tourism network attention and passenger flow: Taking Sichuan as an example[J]. Regional Research and Development, 2011, 30(3): 93-97.]

[10]
汪秋菊, 刘宇. 基于网络关注度的旅游景区客流量预警: 研究框架与实证分析: 以国家游泳中心水立方为例[J]. 旅游论坛, 2014, 7(5): 9-15, 25.

[ Wang Qiuju, Liu Yu. Scenic spots for warning of tourist flaw volume based on degree of consumer attention of travel network: Research framework and empirical analysis[J]. Tourism Forum, 2014, 7(5): 9-15, 25.]

[11]
王章郡, 方忠权, 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.

[ Wang Zhangjun, Fang Zhongquan, Du Kun. The spatiotemporal evolution of cyberspace attention of self-driving tourism in China: Analysis based on Google search analysis[J]. Areal Research and Development, 2011, 30(5): 112-117.]

[12]
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.

[ Huang Xiankai, Zhang Lifeng, Ding Yusi. Study on the predictive and relationship between tourist attractions and Baidu index: A case study of the Forbidden City[J]. Tourism Tribune, 2013, 28(11): 93-100.]

[13]
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.

[ Wang Shuo, Zeng Kefeng, Tong Jie, et al. A correlative analysis of the relationship between tourists and tourist network attention for scenic spots in special session[J]. Economic Geography, 2013, 33(11): 182-186.]

DOI

[14]
张丽峰, 丁于思. 北京5A级旅游景区网络关注度分布特征研究[J]. 资源开发与市场, 2014, 30(11): 1382-1384, 1370.

[ Zhang Lifeng, Ding Yusi. Research on distribution features of network attention of 5A grade scenic areas in Beijing[J]. Resource Development & Market, 2014, 30(11): 1382-1384, 1370.]

[15]
李泓波, 倪倩倩. 基于网络文本分析的乾陵旅游景区旅游形象感知研究[J]. 湖北农业科学, 2021, 60(21): 201-205.

[ Li Hongbo, Ni Qianqian. Study on perceiving image of tourism destination of Qian Tomb based on the web text mining[J]. Hubei Agricultural Sciences, 2021, 60(21): 201-205.]

[16]
许艳, 陆林, 赵海溶. 乌镇旅游景区网络关注度动态演变与空间差异分析[J]. 经济地理, 2020, 40(7): 200-210.

[ Xu Yan, Lu Lin, Zhao Hairong. Dynamic evolution and spatial difference of network attention in Wuzhen scenic area[J]. Economic Geography, 2020, 40(7): 200-210.]

[17]
黄文胜. 基于百度指数的广西旅游网络关注率矩阵及营销策略研究[J]. 地域研究与开发, 2019, 38(5): 101-104.

[ Huang Wensheng. Research on Guangxi tourism network attention rate matrix and marketing strategies on Baidu Index[J]. Areal Research and Development, 2019, 38(5): 101-104.]

[18]
静恩明, 郭风华, 李仁杰, 等. 基于新浪旅游博客的河北省A级旅游景区网络关注度研究[J]. 地理与地理信息科学, 2015, 31(3): 118-122.

[ Jing Enming, Guo Fenghua, Li Renjie, et al. Analysis of scenic network attention-degree of A-Grade tourist attractions in Hebei province: Based on Sina Travel Blogs[J]. Geography and Geo-Information Science, 2015, 31(3): 118-122.]

[19]
曹炜. 基于微博大数据分析的安徽旅游企业微博营销策略研究[J]. 三峡大学学报(人文社会科学版), 2020, 42(3): 59-68.

[ Cao Wei. On Microblog marketing strategies of Anhui tourism industry: An analysis of Microblog-based big data[J]. Journal of China Three Gorges University (Humanities & Social Sciences), 2020, 42(3): 59-68.]

[20]
丁志伟, 马芳芳, 张改素. 基于抖音粉丝量的中国城市网络关注度空间差异及其影响因素[J]. 地理研究, 2022, 41(9): 2548-2567.

DOI

[ Ding Zhiwei, Ma Fangfang, Zhang Gaisu. Spatial differences and influencing factors of urban network attention by Douyin fans in China[J]. Geographical Research, 2022, 41(9): 2548-2567.]

DOI

[21]
丁志伟, 黄逦茗, 谢慧钰, 等. 中原城市群镇域经济空间格局及其影响因素[J]. 经济地理, 2019, 39(11): 60-68.

[ Ding Zhiwei, Huang Liming, Xie Huiyu, et al. Economic spatial pattern and its influencing factors of Central Plains urban agglomeration at town scale[J]. Economic Geography, 2019, 39(11): 60-68.]

DOI

[22]
严江平, 宋志红, 李巍. 广州市旅游景区网络关注度时空特征研究[J]. 资源开发与市场, 2018, 34(1): 88-93, 22.

[ Yan Jiangping, Song Zhihong, Li Wei. Study on the spatiotemporal characteristics of network attention in Guangzhou scenic spot[J]. Resource Development & Market, 2018, 34(1): 88-93, 22.]

[23]
丁鑫, 汪京强, 李勇泉. 基于百度指数的旅游目的地网络关注度时空特征与影响因素研究: 以厦门市为例[J]. 资源开发与市场, 2018, 34(5): 709-714.

[ Ding Xin, Wang Jingqiang, Li Yongquan. Study on characteristics and influencing factors of network attention degree of tourist destinations based on Baidu index: A case of Xiamen city[J]. Resource Development & Market, 2018, 34(5): 709-714.]

[24]
常直杨, 邹树平. 南京市旅游网络关注度时空特征及影响因素分析[J]. 电子商务, 2018(10): 3-9.

[ Chang Zhiyang, Zou Shuping. Spatial and temporal characteristics and influencing factors of Nanjing tourism network attention[J]. E-Business Journal, 2018(10): 3-9.]

[25]
李会琴, 李丹, 董晓晴, 等. 中国5A级旅游景区分布及网络关注度空间格局研究[J]. 干旱区资源与环境, 2019, 33(10): 178-184.

[ Li Huiqin, Li Dan, Dong Xiaoqing, et al. Spatial pattern of 5A-level tourist attractions and their network attention degrees in China[J]. Journal of Arid Land Resources and Environment, 2019, 33(10): 178-184.]

[26]
唐鸿, 许春晓. 中国红色旅游经典旅游景区网络关注度时空演变及影响因素[J]. 自然资源学报, 2021, 36(7): 1792-1810.

[ Tang Hong, Xu Chunxiao. Temporal and spatial evolution and influencing factors of Chinese red tourism classic scenic spots network attention[J]. Journal of Natural Resources, 2021, 36(7): 1792-1810.]

DOI

[27]
高彩霞, 刘家明, 李凤娇, 等. 国家级旅游度假区的空间分异及影响因素[J]. 中国生态旅游, 2022, 12(3): 386-398.

[ Gao Caixia, Liu Jiaming, Li Fengjiao, et al. The spatial differentiation of national tourist resorts and influencing factors[J]. Journal of Chinese Ecotourism, 2022, 12(3): 386-398.]

[28]
季国斌, 刘明月, 施伟秋, 等. 国家湿地公园网络关注度时空特征与影响因素研究: 以西溪国家湿地公园为例[J]. 生态经济, 2020, 36(8): 133-138.

[ Ji Guobin, Liu Mingyue, Shi Weiqiu, et al. Research on temporal and spatial characteristics and influencing factors of network attention of national wetland park: A case study of Xixi National Wetland Park[J]. Ecological Economy, 2020, 36(8): 133-138.]

DOI

[29]
李霞, 曲洪建. 邮轮旅游网络关注度的时空特征和影响因素: 基于百度指数的研究[J]. 统计与信息论坛, 2016, 31(4): 101-106.

[ Li Xia, Qu Hongjian. Spatial and temporal characteristics and influencing factors of cruise tourism network attention: Based on Baidu index[J]. Journal of Statistics and Information, 2016, 31(4): 101-106.]

[30]
高楠, 张新成, 王琳艳. 中国红色旅游网络关注度时空特征及影响因素[J]. 自然资源学报, 2020, 35(5): 1068-1089.

[ Gao Nan, Zhang Xincheng, Wang Linyan. Spatial and temporal characteristics and influencing factors of Chinese red tourism network attention[J]. Journal of Natural Resources, 2020, 35(5): 1068-1089.]

DOI

[31]
邹永广, 林炜铃, 郑向敏. 旅游安全网络关注度时空特征及其影响因素[J]. 旅游学刊, 2015, 30(2): 101-109.

[ Zou Yongguang, Lin Weiling, Zheng Xiangmin. Spatial and temporal characteristics of tourism safety network attention and its influencing factors[J]. Tourism Tribune, 2015, 30(2): 101-109.]

[32]
柴海燕, 刘雨, 尹春香. 武汉旅游网络关注度时空分布特征分析: 基于百度指数[J]. 国土资源科技管理, 2021, 38(1): 97-106.

[ Chai Haiyan, Liu Yu, Yin Chunxiang. On spatial-temporal distribution characteristics of Wuhan tourism network attention based on Baidu index[J]. Scientific and Technological Management of Land and Resources, 2021, 38(1): 97-106.]

[33]
许艳, 陆林, 赵海溶. 乌镇旅游景区网络关注度动态演变与空间差异分析[J]. 经济地理, 2020, 40(7): 200-210.

[ Xu Yan, Lu Lin, Zhao Hairong. Dynamic evolution and spatial differences of network attention in Wuzhen scenic area[J]. Economic Geography, 2020, 40(7): 200-210.]

[34]
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): 196-202, 207.

[ Zhang Xiaomei, Cheng Shaowen, Liu Xiaolei, et al. Spatial-temporal characteristics and influencing factors of network attention to ancient city destination: A case of Pingyao[J]. Economic Geography, 2016, 36(7): 196-202, 207.]

[35]
王芳. 基于百度指数的中国大陆5A级旅游景区旅游信息流网络空间格局研究[D]. 南京: 南京师范大学, 2015.

[ Wang Fang. Research on the spatial pattern of tourism information flow network in 5A-level scenic spots in mainland of China based on Baidu index[D]. Nanjing: Nanjing Normal University, 2015.]

[36]
徐凡, 尤玮, 周年兴, 等. 基于百度指数的网络空间关注时空分布研究: 以长三角5A级旅游景区为例[J]. 资源开发与市场, 2016, 32(4): 489-493.

[ Xu Fan, You Wei, Zhou Nianxing, et al. Tourist attention based on Baidu index of network: Temporal and space distribution: Taking 5A grade scenic spot in Changjiang River Delta as an example[J]. Resource Development & Market, 2016, 32(4): 489-493.]

[37]
李瑞莹. 基于旅游数字足迹的厦门市旅游景区(点)的关注度与共现效应研究[D]. 福州: 福建师范大学, 2019.

[ Li Ruiying. Study on the attention and co-occurrence effect of Xiamen tourism scenic spots based on tourism digital footprint[D]. Fuzhou: Fujian Normal University, 2019.]

[38]
赵芮, 孟怡伟, 刘卓林, 等. 基于网络关注度水平的郑汴洛A级旅游景区空间格局及其影响因素[J]. 河南大学学报(自然科学版), 2021, 51(3): 268-279.

[ Zhao Rui, Meng Yiwei, Liu Zhuolin, et al. Spatial pattern and influencing factors of A-class tourist attractions in Zhengzhou-Kaifeng-Luoyang based on network attention level[J]. Journal of Henan University (Natural Science), 2021, 51(3): 268-279.]

[39]
宁志中, 王婷, 杨雪春. 2001年以来中国旅游景区时空格局演变与旅游景区群形成[J]. 地理研究, 2020, 39(7): 1654-1666.

DOI

[ Ning Zhizhong, Wang Ting, Yang Xuechun. Spatio-temporal evolution of tourist attractions and formation of their clusters in China since 2001[J]. Geographical Research, 2020, 39(7): 1654-1666.]

DOI

[40]
贾跃千, 李平. 海洋旅游和海洋旅游资源的分类[J]. 海洋开发与管理, 2005(2): 77-81.

[ Jia Yueqian, Li Ping. Classification of marine tourism and marine tourism resources[J]. Ocean Development and Management, 2005(2): 77-81.]

[41]
牟乃夏, 刘文宝, 王海银. ArcGIS10地理信息系统教程[M]. 北京: 测绘出版社, 2012: 329-331.

[ Mou Naixia, Liu Wenbao, Wang Haiyin. ArcGIS 10 Tutorial: From Beginner to Master[M]. Beijing: Surveying and Mapping Press, 2012: 329-331.]

[42]
焦利民, 李泽慧, 许刚, 等. 武汉市城市空间集聚要素的分布特征与模式[J]. 地理学报, 2017, 72(8): 1432-1443.

DOI

[ Jiao Limin, Li Zehui, Xu Gang, et al. The characteristics and patterns of spatially aggregated elements in urban areas of Wuhan[J]. Acta Geographica Sinica, 2017, 72(8): 1432-1443.]

DOI

[43]
蒋明卓, 李殿生, 苏欢. 快速城市化地区生态系统服务价值演化及空间自相关特征分析: 以河南省洛阳市为例[J]. 林业经济, 2020, 42(7): 51-61.

[ Jiang Mingzhuo, Li Diansheng, Su Huan. Analysis on the evolution service value and its autocorrelation pattern in rapid urbanization area: Taking Luoyang city in Henan province as an example[J]. Forestry Economics, 2020, 42(7): 51-61.]

[44]
魏建飞, 丁志伟. 我国中部城乡经济协调发展的时空格局研究[J]. 河南科学, 2018, 36(10): 1621-1633.

[ Wei Jianfei, Ding Zhiwei. Spatial pattern of urban-rural economic coordinated development of Central China[J]. Henan Science, 2018, 36(10): 1621-1633.]

[45]
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.

[ Ma Lijun, Long Yun. Spatialtemporal characteristics of residents tourism demand in Hunan province based on network attention[J]. Economic Geography, 2017, 37(2): 201-208.]

[46]
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): 103-108, 124.

[ He Xiaoqian, Liu Yu, Wu Faming. Analysis on the temporal and spatial characteristics of network attention of hot spring tourism based on Baidu index[J]. Areal Research and Development, 2017, 36(1): 103-108, 124.]

Options
文章导航

/

〈 〉