EN中文

中国生态旅游 >

2024 , Vol. 14 >Issue 1: 151 - 166

DOI: https://doi.org/10.12342/zgstly.20230089

专栏：旅游经济

中国5A级旅游景区网络关注度时空格局演变与影响因素

  • 李会琴 ,
  • 惠余杰 ,
  • 代姗姗 , * ,
  • 潘婧妍
展开
  • 中国地质大学（武汉）经济管理学院，武汉 430074
* 代姗姗（1985-），女，博士，教授，研究方向为旅游危机管理、旅游经济影响等。E-mail:

李会琴（1978-），女，博士，教授，研究方向为旅游大数据、乡村旅游。E-mail:

收稿日期: 2023-06-25

  修回日期: 2023-10-14

  网络出版日期: 2024-04-30

基金资助

国家社会科学基金项目(19BJY202)

收起

Spatiotemporal evolution of network attention of 5A tourist attractions and its influencing factors in China

  • Li Huiqin ,
  • Hui Yujie ,
  • Dai Shanshan , * ,
  • Pan Jingyan
Expand
  • School of Economics and Management, China University of Geosciences, Wuhan 430074, China
* Dai Shanshan. E-mail:

Received date: 2023-06-25

  Revised date: 2023-10-14

  Online published: 2024-04-30

Fold

摘要

互联网已成为人们出游和景区市场营销决策参考的重要信息渠道。研究基于“百度指数”中国31个省市区（不含港澳台）302家5A级旅游景区的网络关注度大数据，运用地理空间方法，分析全国5A级旅游景区网络关注度空间格局的动态演变及其影响因素。研究发现：（1）2011—2019年5A级旅游景区网络关注度及其空间差异均呈现上升-波动的变化特点，八大区域内与区域间空间差异贡献率一升一降，区域间差异仍主导着整体空间差异。（2）5A级旅游景区网络关注度在空间上呈现“集聚-扩散-新集聚”的特征，集聚中心数量持续增加，集聚范围不断扩张，形成了北京和长三角地区两大集聚区，集聚形态由点状向团状、带状演变。高关注度区域空间分布范围不断扩张，由东部向中西部梯度转移。（3）5A级旅游景区网络关注度的时空格局演化受产业集聚和旅游需求双重驱动，第三产业集聚的影响力在2015年后减弱，旅游需求、市场商业制度环境和交通条件的改善更有利于提升中西部地区的旅游吸引力和旅游市场规模，从而促进了景区网络关注度向该区域转移。

关键词： 5A级旅游景区; 网络关注度; 时空演变; 影响因素

本文引用格式

李会琴 , 惠余杰 , 代姗姗 , 潘婧妍 . 中国5A级旅游景区网络关注度时空格局演变与影响因素[J]. 中国生态旅游, 2024 , 14(1) : 151 -166 . DOI: 10.12342/zgstly.20230089

Abstract

The Internet has become an important information channel for people’s traveling and tourist attractions marketing decision-making. Based on the big data of the network attention of 302 national 5A tourist attractions in 31 provincial-level regions (excluding Hong Kong, Macao and Taiwan), namely “Baidu Index”, the dynamic evolution of the spatial pattern of network attention of 5A tourist attractions nationwide was analyzed by using the geospatial analysis method. The study found that: (1) From 2011 to 2019, the network attention and spatial difference of national 5A tourist attractions showed the changing characteristics of upward fluctuation. The contribution rate of spatial difference in the eight regions increased, while the spatial difference among the eight regions decreased. And the inter-regional difference still dominated the overall spatial difference. (2) The network attention of national 5A tourist attractions presents the characteristic of “agglomeration-diffusion-new agglomeration” in space. The number of agglomeration centers continues to increase, and the agglomeration scope continues to expand, forming two major agglomeration areas in Beijing and the Yangtze River Delta region, and the agglomeration evolves from point to group and belt. The spatial distribution range of high-attention areas has been expanding, with a gradient shift from the eastern to the central and western parts of the country. (3) The evolutionary attribution of the network attention of the national 5A tourist attractions is driven by both industrial agglomeration and tourism demand, and the influence of the tertiary industrial agglomeration has weakened after 2015, and the improvement of tourism demand, market commercial system environment and traffic conditions is more conducive to enhance the tourism attraction and tourism market scale of the central and western regions, thus promoting the transfer of network attention of tourist attractions to this part of the country.

Key words： national 5A tourist attractions; network attention; spatiotemporal evolution; influencing factors

1 引言

旅游景区作为旅游发展中释放游客需求的现实载体，不仅对区域旅游发展至关重要[1-2]，还对区域经济增长[3]、旅游地社会和文化的进步等有着深远的影响[4]。5A级旅游景区是中国旅游景区的最高等级，也是地区旅游发展的名片，对区域旅游的发展速度和旅游规模经济产生非常重要的影响[5]。5A级旅游景区数量从2007年的66家增加至2021年306家，其发展的空间差异性，为区域协调发展带来了挑战与机遇。
随着经济发展和技术进步，互联网已成为人们搜索旅游信息的重要渠道，旅游网络关注度成为旅游目的地管理者和学术界关注的焦点。基于大数据的旅游网络关注度研究不仅为实时监控和预测景区热度提供了重要技术支持，也能为景区客流量预测[6-7]提供参考。国外学者主要将谷歌平台作为数据获取来源，以此量化分析游客选择目的地时的潜在旅游行为[8]，或评估天气[9]、环境污染感知[10]等因素对游客的关注度和出游行为的影响，以此分析或预测城市或国家目的地的旅游市场[11]变化，酒店[12]和赌场[13]等旅游服务吸引力。随着中文互联网的快速发展，微博、微信、抖音、快手等各类新媒体，以及百度、360、必应等搜索引擎为网络关注度的研究提供了丰富的数据[14]。百度指数是大数据的重要组成部分[15-16]，也是衡量景区网络关注度的重要指标之一。众多学者从全国[17]、省域[18]、市域[19]、景区[20-21]等不同尺度探讨了旅游目的地网络关注度的时空特征与影响因素。旅游景区空间集聚程度增强[22]、“景区群”不断增加[23]、高铁布局形成“走廊”效应[24]等因素，促进了旅游产业空间格局从极化分布到均衡分布的发展[25]。旅游地演化升级与其网络关注度存在相互促进的关系[21]。李山等基于2006—2007年中国第一批5A级旅游景区的网络空间关注度数据，发现了5A级旅游景区网络关注度平时高、周末低的周内特征与4月、8月高的季节性特征及其前兆效应[26]。王公为依据中国5A级旅游景区2016年的网络关注度月度指数及波动特征将中国5A级旅游景区按季节性分为4种类型并分析了景区季节性的影响因素[27]。李会琴等发现2017年5A级旅游景区与其网络关注度存在明显的集中分布特征，且二者具有一定的空间耦合性[28]。
旅游景区是旅游产业链组织核心和主要空间载体[22]。旅游景区网络关注度一定程度上反映了景区发展现实与旅游消费市场趋势。已有研究从部分区域或单一年份，分析了景区网络关注度的时空特征。受技术条件、经济水平和气候环境等外部因素影响，景区网络关注度并不会呈现简单的线性发展趋势[29-30]。因此，从长时序、多尺度探讨全国5A级旅游景区网络关注度的演变过程，不仅有助于指导旅游景区的市场营销与品牌建设，也对优化旅游产业布局具有参考作用。

2 数据来源与研究方法

2.1 数据来源

基于中华人民共和国文化和旅游部截至2021年底的306家5A级旅游景区名单①(①资料来源：文化和旅游部数据服务栏目: 国家级5A旅游景区[EB/OL]. https://sjfw.mct.gov.cn/site/dataservice/rural?type=10. [2021-12-25].)，以景区名称为基本搜索关键词，并与百度搜索中推荐的关键词进行比对，选取数值较高的百度指数，确定最终的关键词。搜索得到2011—2020年全国302家5A级旅游景区（其中4家5A级旅游景区百度指数平台未收录）历年日均网络关注度数据110余万条（包括进入5A级旅游景区目录之前的关注度数据）。考虑到2020年新冠肺炎疫情影响，研究期设置为2011—2019年。剔除掉2020年的数据，再按照景区和对应年份分类整理，共得到近100万条网络关注度数据。
结合旅游资源分类国家标准（GB/T 18972—2017）及相关文献[26]，将景区划分为人文景区与自然景区两类，总计140家人文景区和162家自然景区。利用百度地图提供的坐标拾取系统①(①资料来源：百度地图拾取坐标系统[EB/OL]. https://api.map.baidu.com/lbsapi/getpoint/. [2022-01-02].)提取每一个5A级旅游景区的数据点坐标。由于百度地图拾取的坐标为BD09坐标系，本研究利用在线地图坐标系转换工具②(②资料来源：地图坐标系转换: 在线工具[EB/OL]. https://tool.lu/coordinate. [2022-01-06].)将所有景区的坐标系转换为CGCS坐标系的经纬度坐标数据，并用国家基础地理信息中心提供的1: 25万全国基础地理数据库进行地图绘制③(③资料来源：全国地理信息资源目录服务系统: 1: 25万全国基础地理数据库[EB/OL]. https://www.webmap.cn/commres.do?method=result25W. [2022-01-11].)。
影响因素中与产业规模和旅游需求相关的2011—2019年区域统计数据来源于国家统计局官网④(④资料来源：国家统计局: 国家数据[EB/OL]. https://data.stats.gov.cn/easyquery.htm?cn=E0103. [2022-03-21].)，与辅助环境相关的气候和环境数据来源于国家气象信息中心，市场化指数来源于王小鲁、樊纲等著《中国分省份市场化指数报告》[31]。

2.2 研究方法

采用空间分布研究与地理差异性指标相结合的方法，利用空间分布密度和变差系数、泰尔指数、标准差椭圆（Standard Deviational Ellipse，SDE）等测度空间差异性程度的指标，对全国景区网络关注度的时空差异进行多尺度分析，按自然断点法将所有数据分为5类，利用地理探测器方法分析其与5A级旅游景区网络关注度空间格局演变的相关性。

2.2.1 空间分布密度

为了深入分析5A级旅游景区在全国范围内的具体分布，找到它们分布的高-低密度区，判断非行政单元内景区空间分散或集聚的范围，引入核密度分析方法。假设有n个数（X1, X2, …, Xn）要计算某一个数X的概率密度有多大，公式：
f ( x ) = 1 n n d ∑ i = 1 n k ( x - x i h )
式中，d表示点数据的维数，k( )表示核函数的计算方程，h表示设定的搜索半径，即核带宽，( x - x i)表示假设的某一景区的位置到景区 x i的距离。核函数有很多选择，包括正态（高斯）核函数、四次（球状）核函数、三角（二次曲线）核函数等。

2.2.2 空间差异测度指数

在空间分析的基础上，为定量揭示空间差异性的变化趋势，采用两个空间集中性与差异性的测度公式作为空间差异性的测度指标（表1），指标分别为变异系数（Coefficient of Variation，CV）和泰尔指数（Theil，T）。
表1 空间差异测度指标解释

Tab. 1 Interpretation of measure indicators about spatial difference

指标 公式 解释 地理意义
变异系数 C V = ∑ i = 1 n ( x i - x - h ) 2 n / x - 式中，n为全国5A级景区的数量，xi表示第i个5A级景区的网络关注度； x ¯为其均值 地区间网络关注度分布的离散程度。CV值越大表示5A级景区网络关注度空间差异越显著，反之则越小
泰尔指数 T = T ω + T β = ∑ i = 1 n y i l n ( y i m i / m ) + ∑ i = 1 n y i T i T i = ∑ j = 1 m i y j y i l n ( y j / y i 1 / m i ) 式中，T为全国5A级景区网络关注度的总体差异；Tω和Tβ分别为区域内和区域间5A级景区网络关注度的差异；m是省份的数量；n代表八大区域； m i是i地区的省份数量； y i是i地区网络关注度占总体的比值； T i为区域内各省的泰尔指数； y j为j省网络关注度占总体的比值 泰尔指数值越大，则5A级景区网络关注度差异越大。此外，计算不同区域泰尔指数与全国总体泰尔指数的比值可得到各区域的差异贡献率

2.2.3 标准差椭圆

标准差椭圆（SDE）用于精确揭示地理要素空间分布的重心、范围和形态。椭圆的长轴和短轴分别表示数据在主方向和次方向上的离散程度，面积为数据在空间上的总体离散程度，椭圆平均中心与方位角表示点要素空间分布的相对位置及主趋势方向。公式为：
S D E x = ∑ i = 1 n x i - X - 2 n
S D E y = ∑ i = 1 n y i - Y - 2 n
式中，SDEx、SDEy表示标准差椭圆的圆心的经度和纬度，即5A级旅游景区网络关注度空间分布的平均中心；xi和yi是景区i的空间位置坐标，$(\bar{X}, \bar{Y})$表示所有5A级旅游景区的算数平均中心， n等于5A级旅游景区的总数。
t a n θ = ∑ i = 1 n x i ~ 2 - ∑ i = 1 n y i ~ 2 + ∑ i = 1 n x i ~ 2 - ∑ i = 1 n y i ~ 2 2 + 4 ∑ i = 1 n x i ~ y i ~ 2 2 ∑ i - 1 n x i ~ y i ~
式中，θ表示椭圆正北方与长轴之间的夹角， x i ~和 y i ~是景区i与平均中心的坐标偏差。
S = π σ x σ y
σ x = 2 ∑ i = 1 n x - c o s θ - y - s i n θ 2 n
σ y = 2 ∑ i = 1 n x - s i n θ + y - c o s θ 2 n
式中，S为标准差椭圆的面积， σ x和 σ y为长轴和短轴的长度。

2.2.4 地理探测器

地理探测器广泛应用于探测地理要素空间格局的演变因素和形成机制，是探测空间分异性以及揭示其背后驱动因子的一种统计学工具。主要运用其因子探测器功能来检验某种地理要素Y的空间分异性以及探测某因子X多大程度上解释了属性Y的空间分异。具体做法是比较因子X在不同类别分区上的总方差与其在整个研究区上的总方差，公式如下[32]：
q = 1 - ∑ h = 1 L N h σ h 2 N σ 2 = 1 - S S W S S T
S S W = ∑ h = 1 L N h σ h 2 ,     S S T = N σ 2
式中，h=1, …, L为5A级旅游景区网络关注度Y或影响因素X的分层（strata），即分类或分区； N h和N分别为层h和全区的单元数；σh2和σ2分别是层h和全区5A级旅游景区网络关注度的方差。SSW和SST分别为层内方差之和和全区总方差。q的值域为[0,1]，值越大说明5A级旅游景区网络关注度的空间分异性越明显；如果分层是由X生成的，则q值越大表示X对属性5A级旅游景区网络关注度的解释力越强，反之则越弱。极端情况下，q值为1表明X完全控制了5A级旅游景区网络关注度的空间分布，q值为0则表明X与5A级旅游景区网络关注度没有任何关系，q值表示X解释了100×q%的5A级旅游景区网络关注度。

3 时空特征

3.1 时序演变特征

3.1.1 网络关注度数值的时序变化

5A级旅游景区的历年网络关注度呈现出先持续上升、后平稳波动的演化历程（图1）。2011年，全国5A级旅游景区网络关注度为4 462万次，此后逐年上升，至2016年高点（9 898万次），但之后出现微弱降低。这一变化可能并不代表同期5A级旅游景区全部网络关注度的实际情况。2016年前后，互联网产品形态发生了巨变，原先的网站产品纷纷变成了APP和各类小程序，如微博、微信、小红书等超级APP以及抖音、快手等短视频平台。这些内容平台不允许搜索引擎爬取内容，用户通过搜索引擎获取到的内容越来越少。同时，由于搜狗、必应、360安全搜索等搜索引擎产品的分流，导致2016年后基于百度指数的5A级旅游景区网络关注度出现轻微下降。
图1 2011—2019年全国总体及八大区域5A级旅游景区历年网络关注度

注：根据国务院发布的《地区协调发展的战略和政策报告》将中国分为八大区域。①(①国务院发展研究中心于2005年6月发布的《区域协调发展的战略与政策》报告中提出八大综合经济区的划分方案（不包含港、澳、台），分别为东北（辽宁、吉林、黑龙江）、北部沿海（北京、天津、河北、山东）、东部沿海（上海、江苏、浙江）、南部沿海（福建、广东、海南）、黄河中游（陕西、山西、河南、内蒙古）、长江中游（湖北、湖南、江西、安徽）、西南（云南、贵州、四川、重庆、广西）、西北（甘肃、青海、宁夏、西藏、新疆）。)

Fig. 1 Annual network attention of 5A tourist attractions in China and eight specific regions

从地区尺度来看，东部沿海和北部沿海地区的网络关注度在全国整体占比较高（约占全国总体的1/3以上），2016年达到最高，此后逐年下降，与总体变化趋势保持一致。黄河中游与长江中游地区在全国整体的占比逐年上升，至2019年，黄河中游地区已超过北部沿海地区成为占比第二的地区，5A级旅游景区网络关注度集聚区的空间分布范围由东部向中西部转移。

3.1.2 网络关注度空间差异的时序变化

从变异系数和泰尔指数的数值上来看，5A级旅游景区网络关注度的空间差异性较高。2011—2019年5A级旅游景区网络关注度的变异系数和泰尔指数呈现上升-波动的时序变化特点（图2），5A级旅游景区总体上经历了两段不同的发展时期。2011—2015年，5A级旅游景区网络关注度的空间差异在不断增强，变异系数、泰尔指数均处于上升趋势；2016—2019年，5A级旅游景区网络关注度的变异系数和泰尔指数均处于先降后升的波动变化中，说明其空间差异存在先降后升的变化特征。
图2 5A级旅游景区间空间差异特征动态演化过程

Fig. 2 Dynamic evolution process of spatial difference characteristics among 5A tourist attractions

2011—2019年5A级旅游景区网络关注度标准差椭圆分布及其平均中心的示意图（图3）进一步论证了景区空间差异性呈现先增强后减弱趋势。从平均中心的移动轨迹来看，2011—至2015年向东移动（40.0 km），2016—2019年向西北移动（67.1 km），东西方向偏移距离大于南北方向偏移距离。与宁志中等关于中国旅游景区时空格局演变研究[23]进行对比发现，平均中心的移动轨迹虽然存在着差别，但在分布位置上具有相似性，均位于河南省中部地区。本研究中标准差椭圆的覆盖范围相对更小，扁率也更低，说明5A级旅游景区网络关注度的集聚程度比5A级旅游景区的集聚程度更弱，方向趋势性更不明显。
图3 2011—2019年中国5A级旅游景区网络关注度平均中心与标准差椭圆分布示意

注：基于自然资源部标准地图服务网站GS(2019)1822号标准地图制作，底图边界无修改。

Fig. 3 Diagram of ellipse distribution of average center and standard deviation of network attention in 5A tourist attractions in China from 2011 to 2019

根据泰尔指数相关公式可分别计算出全国5A级旅游景区网络关注度的总体差异，及八大区域内和八大区域间5A级旅游景区网络关注度的差异。泰尔指数值越大，则5A级旅游景区网络关注度差异越大。此外，计算不同类型和不同区域泰尔指数与全国总体泰尔指数的比值可得到两类空间差异和各区域的空间差异贡献率。结果表明，5A级旅游景区网络关注度的区域内差异贡献率呈逐年上升趋势，但其占比较低（7.47%）。而区域间差异贡献率虽呈逐年下降趋势，但其占比较高（92.53%）。说明5A级旅游景区网络关注度的空间差异主要是由区域间差异导致的。

3.1.3 网络关注度区域内差异贡献率的时序变化

图4列出了2011—2019年5A级旅游景区网络关注度的八大区域差异贡献率。比较所有区域差异贡献率的9年均值发现，长江中游地区是八大区域中对总体差异贡献率最高的区域（16.84%）。其次是西北地区（15.69%），黄河中游地区是八大区域中对总体差异贡献率最低的区域（9.79%）。可见，在所有区域中，长江中游地区内的5A级旅游景区网络关注度空间差异最大，对全国5A级旅游景区网络关注度的空间差异产生了较大作用，黄河中游地区网络关注度则最为均衡。在网络关注度从东部向中西部转移的过程中，部分区域呈团块状或带状，并促进了空间均衡性的提升，如黄河中游地区的忻州、晋中、洛阳、大同等为核心的“S”形带状区域；同时，在部分区域的点状集聚加剧了空间的不均衡性，最为典型的是长江中游地区，网络关注度主要集聚于武汉黄鹤楼景区。西北地区的网络关注度集聚于青海湖和甘肃鸣沙山月牙泉景区。这反映了辛普森定律在多维尺度上耦合与脱钩性的细致呈现：整体均衡性增强，但局部集聚性增强。
图4 2011—2019年5A级旅游景区网络关注度八大区域差异贡献率动态演化过程

Fig. 4 Regional spatial difference contribution rate evolution of the network attention of 5A tourist attractions of the eight regions from 2011 to 2019

3.2 空间演变特征

将5A级旅游景区2011年1月1日—2019年12月31日的百度指数按年相加，得到各景区的年度网络关注度情况。并选取2011年、2015年、2019年3个年份，使用核密度分析方法，以年度网络关注度80次/km2为最高层次与次高层次的分界线，以10次/km2为划分间隔，使用9个层级来剖析全国5A级旅游景区空间分布规律。同时以地级市为单位运用GIS分层设色法，按城市中所有5A级旅游景区网络关注度的平均值，对城市进行梯度划分。年度网络关注度高于80万次的城市处于第一梯队，40万~80万次的城市处于第二梯队，小于40万次的处于第三梯队。结果如图5。2019年，全国5A级旅游景区网络关注度呈现两大集聚团块、两条集聚带和多集聚中心的模式。两大集聚团块为北京人文景区集聚团块、长三角综合型集聚团块。两条集聚带为中原城市群与山西中部城市群人文景区集聚带、武陵山（渝黔交界处）自然景区集聚带。
图5 中国5A级旅游景区网络关注度核密度图

注：基于自然资源部标准地图服务网站GS(2019)1822号标准地图制作，底图边界无修改。

Fig. 5 Kernel density of network attention of national 5A tourist attractions in China

3.2.1 北京和长三角地区为全国两大高关注度集聚区

基于全国5A级旅游景区网络关注度核密度图，在3个时间截面的地图中，北京和长三角地区始终为两大高密度关注区（图5）。古都北京资源丰富、历史悠久，人文类景区成为关注度核心。如颐和园（网络关注度为104.7~266.93万次）、故宫博物院（44.49~159.33万次）、天坛公园（19.45~50.87万次）。此外，还有恭王府，八达岭-慕田峪长城等高关注度景区。北京各景区的网络关注度呈先增长后略有下降的趋势，但始终保持在高位。然而以北京为核心的高关注度圈层辐射范围有限，2011年，北京周边仅河北省秦皇岛市进入了该圈层，2015年及之后，该高关注度圈层中仅增加了唐山、石家庄与保定。
长三角地区网络关注度仅次于北京，并逐渐由以苏州为单核的多圈层结构向以苏州、金华为双核的多圈层结构演化，总体网络关注度先升后降。苏州的古典园林、刘伯温故居等历史文化型景区，金华的东阳横店影视城等现代科技类景区，叠加温州的雁荡山、杭州的千岛湖等自然类景区，共同构成了长三角城市群丰富多样的景区网络。景区分布密度大，各景区之间联系紧密，景区网络关注度处于较高水平，辐射范围也比北京更广。

3.2.2 高关注度集聚形态由散点状向团状、带状演化

长三角地区网络关注度以苏州、金华、杭州等高关注度城市为节点，集聚范围迅速扩大，并出现了逐步向长江中下游地区转移的趋势，形成以苏州-杭州-武汉为核心的“△”形团状结构。以忻州、晋中、洛阳、大同为核心的中原城市群与山西中部城市群，形成人文类5A级旅游景区网络关注度集聚带。集聚带逐渐发展壮大，集聚范围扩张迅速，集聚程度不断增强，由点状向团状、带状转变，并呈现出向西部延伸的趋势，形成了多圈层连片“S”形带状结构。这一区域沿太行山系与吕梁山系间的汾河流域，以及太行山系与吕梁山系间的黄河干流水系分布，范围较广，包含了众多历史文化古城。自然类景区以重庆贵州交界地带为起点，沿武陵山逐渐扩散，集聚态势由点状逐步演变成“^”形带状结构，包含铜仁市梵净山旅游区、重庆武隆等喀斯特地貌为主的自然类景区。

3.2.3 高关注度区域空间分布范围不断扩张，由东部向中西部梯度转移

基于历年的核密度图，高关注度景区的空间分布范围不断扩张，伴随着景区网络关注度从东部向中西部梯度转移。图5及表2显示，全国5A级旅游景区的集聚中心不断增多。2011年集聚中心仅有北京和长三角两个地区；2015年集聚中心增加为9处，新增武汉、西安、延边朝鲜族自治州、海南藏族自治州、忻州、开封和珠三角城市，其中北京、长三角、珠三角位于东部地区，延边朝鲜族自治州、开封、忻州和武汉位于中部地区，西安和海南藏族自治州位于西部地区。从处于第一和第二梯队城市来看，2011年，第一梯队城市仅有金华。2015年新增7个第一梯队城市，共8个，其中杭州、北京、温州、金华位于东部地区，延边朝鲜族自治州、武汉、忻州位于中部地区，海南藏族自治州位于西部地区。2019年又增加了广元、南昌、晋中、萍乡、铜仁5个新的城市，杭州退出第一梯队序列，共12个，其中东部地区3个，中部地区6个，西部地区3个。
表2 5A级旅游景区网络关注度处于第一和第二梯队城市与集聚中心数量

Tab. 2 The network attention of 5A tourist attractions in the first and second tier cities and agglomeration centers

年份 东部地区 中部地区 西部地区
第一梯队 第二梯队 集聚中心 第一梯队 第二梯队 集聚中心 第一梯队 第二梯队 集聚中心
2011 1 6 2 0 4 0 0 1 0
2015 4 14 3 3 12 4 1 7 2
2019 3 15 2 6 8 6 3 6 4

4 影响因素

4.1 影响因素的选取

网络关注度的集聚与扩散受到传统经济发展理论的影响，如早期的空间互动理论，克鲁格曼、藤田昌久等开创的空间经济学，波特的竞争优势模型，产业梯度转移理论等。综合各类经济地理理论，网络关注度的影响因素主要包括3个方面。一是产业规模化优势的影响。基于波特的竞争优势模型，在产业的导入期和成长期，产业区域优势会不断增强。随着销售同一类型商品的企业越来越多，配套基础设施、成熟技术工人、娴熟销售服务人员以及顺畅的销售渠道等优势不断增强[33]，企业将尽量在同类型企业集聚的地方布局以获取集聚优势[34]。二是消费能力的影响。基于空间互动理论，零售商会倾向于在靠近消费者的地域进行空间格局[35]。因此，认为旅游市场需求是网络关注度的主要推动因素。三是辅助环境的影响。企业趋向于选择竞争者较少的区位从事产业经济活动，即由市场拥挤效应带来的外迁[36]，在拥挤效应下，景区经营者可以选择气候更舒适和市场商业制度环境更好的景区进行开发[37]。技术发展也会对网络关注度产生影响，交通的发达使得运输成本大幅降低，消费者和产品的流动性不断增加，更多的企业愿意去较远的地区发展[38]，信息技术飞速发展、电子商务的不断普及，增加了人们外出旅游时查看旅游攻略的行为频次。
综合上述相关理论，本研究在演化机制方面选择产业规模、旅游需求、辅助环境3个维度的11项指标进行分析。产业规模化驱动因子包括每平方千米土地创造的GDP（X1）、每平方千米土地创造的住宿业企业资产总额（X2）、5A级旅游景区密度（X3）；旅游需求驱动因子包括人口密度（X4）、大专及以上学历人口密度（X5）、人均GDP（X6）、互联网宽带用户密度（X7）；辅助环境驱动因子包括年平均气温（X8）、市场化指数（X9）、铁路网密度（X10）、公路网密度（X11）。

4.2 各因素影响能力的演变过程

基于地理探测器方法的分析结果（表3和图6），5A级旅游景区网络关注度的演化归因包括三方面。第一，受产业规模化和旅游需求双重驱动。从因子探测器结果（q值）来看，X1、X2、X3、X5和X7对5A级旅游景区网络关注度空间特征的影响力较强。旅游业的发展与制造业等具有相似性，如都受到资本、劳动力、技术和管理能力等因素的影响。传统经济地理学中关于空间演化的理论，也对5A级旅游景区网络关注度空间格局的演化具有借鉴意义。旅游业的规模化优势不断增强，5A级旅游景区与其他类型旅游企业相互依托、集聚布局，这种集聚同样也促进了5A级旅游景区的传播与营销。高学历的潜在旅游者的集聚和互联网用户的基础为5A级旅游景区的传播与营销提供了需求驱动。北京地区与长三角地区是全国的两大景区集群[23]，也是两大高关注度集聚区，进一步证明了现实中5A级旅游景区分布是5A级旅游景区网络关注度时空分布的主要影响因素。
表3 中国5A级景区网络关注度演变格局影响因素作用强度（地理探测器q×100值）变化趋势

Tab. 3 Trend of influencing intensity (geodetector q-value) of the network attention of Chinese 5A tourist attractions

年份 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
2011 6.28** 9.46*** 10.15*** 2.82 6.15** 7.79*** 8.72** 3.52 6.45** 5.99** 1.94
2015 8.13** 8.36*** 9.57*** 4.03 8.37*** 7.04*** 6.75*** 4.90** 7.82*** 6.40*** 3.40**
2019 7.51** 6.51** 6.93*** 1.56 7.90** 5.46*** 2.90 3.48 6.92*** 5.73** 1.81

注：***、**、*分别代表系数在0.01、0.05、0.1水平显著。

图6 各影响因素对中国5A级旅游景区网络关注度的贡献率雷达图

Fig. 6 Radar chart of the contribution rate of influencing factors to the network attention of Chinese 5A tourist attractions

第二，产业规模化的影响力在2015年后减弱。从时间变化趋势来看，探测因子对5A级旅游景区网络关注度空间分布的影响在2015年前后达到峰值，2016—2019年，X2、X3、X6与X7的q值显著下降。这一结果在一定程度上解释了网络关注度在2015年前不断集聚，2015年后，由东部地区向中西部地区梯度转移。随着区域集聚的景区数量不断增加，也会加剧旅游企业、景区和目的地之间的竞争。在市场需求规模不变的条件下，由于5A级旅游景区间和邻近旅游地之间的竞争不断加剧，景区收入会降低，从而导致旅游企业趋向于选择竞争者较少的区位，通过特许经营、加盟、合作等方式从事景区经营活动[36]。这和制造业中某些资本密集型、技术密集型产业的分布出现的相对扩散现象类似[39]。5A级旅游景区网络关注度空间集聚的演化形态符合库兹涅茨定理所描述的倒U形分布，先向首都都市圈和长三角集群集聚，然后向中西部地区扩散。
第三，旅游需求、市场商业制度环境和交通条件的改善促进了景区网络关注度向中西部地区转移。X5的探测因子q值持续增加。X9和X10探测因子q值较高。5A级旅游景区网络关注度的向中西部转移，主要体现在向人口集聚的区域和市场条件较好的区域转移。如武汉三特索道管理的贵州梵净山景区、华侨城集团托管的平遥古城等。市场条件较好的区域也逐渐开始培育本土旅游景区经营公司，如西安曲江文化旅游（集团）有限公司和陕西旅游集团对5A级旅游景区历史文化创意产品与文化演艺产品进行倾力打造，迅速提升了西安5A级旅游景区的网络关注度。四川省南充市与广元市早在2007年签订相关合作协议，深入推动旅游产业发展，促进了南充市阆中古城景区与广元市剑门蜀道风景名胜区的网络关注度不断提升。发达的高铁使得运输成本和旅行的时间成本大幅降低，消费者和产品的流动性不断增加，更多的企业愿意去较远的地区发展，如华侨城集团的业务不断向中西部地区扩展。

5 结论与讨论

5.1 结论

本研究从多尺度剖析了中国5A级旅游景区网络关注度的空间动态演变格局，有助于在宏观层面理解旅游者的出游决策行为，为面向可持续和公平的旅游规划管理提供参考和借鉴。
（1）整体上看，5A级旅游景区网络关注度2011—2015年处于快速增长期，宏观层面的空间差异性呈上升趋势，东部沿海地区的空间差异性减弱；2016—2019年，网络关注度处于平稳波动期，宏观层面的空间差异性得到抑制，长江中游地区空间差异性增强。研究期内八大区域间差异贡献率持续下降，区域内差异贡献率持续上升，但区域间差异仍对整体空间差异起主导作用。
（2）5A级旅游景区网络关注度空间分布的核密度图显示，网络关注度在空间上呈现出先集聚后扩散并形成新集聚区的趋势。首先，从集聚中心来看，全国形成了北京地区和长三角地区的持续高关注度区域。从演化趋势来看，网络关注度从东部地区向中西部地区梯度转移，集聚中心数量持续增加。从演化形态来看，网络关注度的集聚范围不断扩张，由点状向团状、带状转变。
（3）从地理探测器分析结果来看，5A级旅游景区网络关注度的演化归因受产业规模化和旅游需求双重驱动，产业规模化的影响力在2015年后减弱，旅游需求、市场商业制度环境和交通条件的改善促进了景区网络关注度向中西部转移。产业规模化、旅游需求、辅助环境共同推进了旅游数字媒介的空间动态演化进程。在东部的发达地区，旅游业和经济的高度集聚已经促进景区网络关注度溢出效应的产生，交通便利、市场环境较好的区域对景区网络关注度产生了较显著的拉力，促进了网络关注度在空间上的均衡分布与扩散。

5.2 讨论

研究发现旅游业与城镇化之间存在密切的双向互动作用[40]。在景区的空间布局研究中，大规模和大体量的景区群已经在中西部地区出现[23]。然而，本研究表明，景区群的网络关注度的规模与体量在中西部地区较小。目前，除了大同-平遥-洛阳人文景区高关注带、渝鄂黔自然景区高关注带外，其他的中西部集聚中心依然为单中心或双中心模式。结合衡量空间差异性程度的指标，网络关注度从东部地区向中西部地区扩散的过程中，降低了全国层面的空间差异性程度；然而，中西部地区新的集聚中心的形成，加强了中部和西部地区的空间差异性程度。这一结果表明，由于辛普森总体与局部脱钩悖论的存在，空间差异性无法在多维尺度上恒定地改善。空间差异性受到边界、规模和情景所影响。
在全面推进美丽中国建设的宏观背景下，5A级旅游景区承载着中国的重要自然景观和文化遗产，是促进公众对自然与人文的景观和遗产的认知，建设文化强国、树立文化自信和文化认同[41]、推动遗产文化传播弘扬[42]的重要载体。5A级旅游景区的数字媒介传播承载着社会经济文化的多重使命，是缩小区域差异[43]、提升居民与游客幸福感的重要手段[44-45]。对5A级旅游景区网络关注度空间分布的差异性的研究，也是理解文化复兴与共同富裕的基础，揭示网络关注度的空间演化机制，将促进未来全局性与公平的文化发展传播规划与管理，为区域空间规划和数字媒介发展战略的制定提供科学参考。
本研究存在一些局限性。一是数据可获取性限制了研究期跨度，在研究起始阶段仍有部分景区不属于高等级（4A、5A级）景区，这也是本研究在对象选择上的局限性。在今后的研究进程中，被评为5A级旅游景区的时间应作为重要划分依据，分时分类对各景区网络关注度的时空特征进行探讨，以衡量其对高A级景区网络关注度的综合影响。二是网络关注度仅仅是反映景区发展程度的一个方面，对于5A级旅游景区的多维地理空间特征还需要进一步探讨，在未来，应利用更具体和真实的数据以获得更全面的研究结果。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
保继刚, 等. 旅游开发研究: 原理·方法·实践[M]. 北京: 科学出版社, 1996.

[Bao Jigang, et al. Research on Tourism Development: Principles, Methods and Practice[M]. Beijing: Science Press, 1996.]

[2]
龚勤林, 邹冬寒, 周沂, 等. 高级别景区对旅游发展的影响及其空间效应研究[J]. 地理科学进展, 2022, 41(8): 1364-1377.

DOI

[Gong Qinlin, Zou Donghan, Zhou Yi, et al. Influence of high-level scenic spots on tourism development and its spatial effect[J]. Progress in Geography, 2022, 41(8): 1364-1377.]

DOI

[3]
Lee C C, Chang C P. Tourism development and economic growth: A closer look at panels[J]. Tourism Management, 2008, 29(1): 180-192.

DOI

[4]
文连阳, 吕勇. 民族地区文化旅游资源社会效益估算: 湖南湘西州的案例[J]. 西南民族大学学报(人文社科版), 2016, 37(6): 125-129.

[Wen Lianyang, Lü Yong. Estimation of social benefits of cultural tourism resources in ethnic areas: A case study of Xiangxi Prefecture, Hunan Province[J]. Journal of Southwest University for Nationalities (Humanities and Social Science), 2016, 37(6): 125-129.]

[5]
张洪, 石婷婷, 鲍涵. 中国5A级旅游景区空间结构特征研究[J]. 华侨大学学报(哲学社会科学版), 2019(4): 80-90.

[Zhang Hong, Shi Tingting, Bao Han. The spatial structure characteristics of China’s 5A-level tourist attractions[J]. Journal of Huaqiao University (Philosophy & Social Sciences), 2019(4): 80-90.]

[6]
Yang X, Pan B, Evans J A, et al. Forecasting Chinese tourist volume with search engine data[J]. Tourism Management, 2015, 46: 386-397.

DOI

[7]
谢谦, 陆明, 谢春山. 基于LBS和深度学习的旅游景区客流量的高时频预测[J]. 地球信息科学学报, 2023, 25(2): 298-310.

DOI

[Xie Qian, Lu Ming, Xie Chunshan. High-temporal-frequency forecast of tourist flow for tourist attraction based on LBS and deep learning[J]. Journal of Geo-Information Science, 2023, 25(2): 298-310.]

[8]
Padhi S S, Pati R K. Quantifying potential tourist behavior in choice of destination using Google Trends[J]. Tourism Management Perspectives, 2017, 24: 34-47.

DOI

[9]
Rosselló J, Waqas A. The influence of weather on interest in a “sun, sea, and sand” tourist destination: The case of Majorca[J]. Weather, Climate, and Society, 2016, 8(2): 193-203.

DOI

[10]
Xu X, Reed M. Perceived pollution and inbound tourism in China[J]. Tourism Management Perspectives, 2017, 21: 109-112.

DOI

[11]
Antolini F, Grassini L. Foreign arrivals nowcasting in Italy with Google Trends data[J]. Quality & Quantity, 2019, 53: 2385-2401.

[12]
Pan B, Wu D C, Song H Y. Forecasting hotel room demand using search engine data[J]. Journal of Hospitality and Tourism Technology, 2012, 3(3): 196-210.

DOI

[13]
Kim W H, Malek K. Forecasting casino revenue by incorporating Google Trends[J]. International Journal of Tourism Research, 2018, 20(4): 424-432.

DOI

[14]
梁逍遥, 马丽君. 我国国内旅游流循环空间格局及形成机理: 基于网络关注度的分析[J]. 旅游学刊, 2023, 38(9): 104-117.

[Liang Xiaoyao, Ma Lijun. The spatial pattern and formation mechanism of domestic tourist flow circulations: Analysis based on network attention data[J]. Tourism Tribune, 2023, 38(9): 104-117.]

[15]
Li J G, Li J W, Yuan Y Z, et al. Spatiotemporal distribution characteristics and mechanism analysis of urban population density: A case of Xi’an, Shaanxi, China[J]. Cities, 2019, 86: 62-70.

DOI

[16]
Wang B, Loo B P Y. The hierarchy of cities in Internet news media and Internet search: Some insights from China[J]. Cities, 2019, 84: 121-133.

DOI

[17]
林志慧, 马耀峰, 刘宪锋, 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.

[Lin Zhihui, Ma Yaofeng, Liu Xianfeng, et al. Spatial and temporal features of network attention of scenic areas[J]. Resources Science, 2012, 34(12): 2427-2433.]

[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]
汪秋菊, 黄明, 刘宇. 城市旅游客流量: 网络关注度空间分布特征与耦合分析[J]. 地理与地理信息科学, 2015, 31(5): 102-106, 127.

[Wang Qiuju, Huang Ming, Liu Yu. Research on spatial feature and coupling correlation between urban tourist flow and network attention-degree[J]. Geography and Geo-Information Science, 2015, 31(5): 102-106, 127.]

[20]
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.]

[21]
许艳, 陆林, 赵海溶. 乌镇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.]

[22]
Yang Y, Wong K K F. Spatial distribution of tourist flows to China’s cities[J]. Tourism Geographies, 2013, 15(2): 338-363.

DOI

[23]
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

[24]
Wang D G, Niu Y, Qian J. Evolution and optimization of China’s urban tourism spatial structure: A high speed rail perspective[J]. Tourism Management, 2018, 64: 218-232.

DOI

[25]
吴媛媛, 宋玉祥. 中国旅游经济空间格局演变特征及其影响因素分析[J]. 地理科学, 2018, 38(9): 1491-1498.

DOI

[Wu Yuanyuan, Song Yuxiang. Spatial pattern evolution and influence factors of tourism economy in China[J]. Scientia Geographica Sinica, 2018, 38(9): 1491-1498.]

DOI

[26]
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.]

[27]
王公为. 中国5A级旅游景区季节性时空分布及影响因素研究: 基于网络关注度的数据[J]. 西部经济管理论坛, 2019, 30(5): 73-79.

[Wang Gongwei. Study on seasonal spatial and temporal distribution and influencing factors of 5A grade tourist scenic spots in China: Based on the data of online attention[J]. West Forum on Economy and Management, 2019, 30(5): 73-79.]

[28]
李会琴, 李丹, 董晓晴, 等. 中国5A级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 patterns 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.]

[29]
梁璐, 符鸿燕, 李九全, 等. 网红城市网络关注度时空动态演变及影响因素研究: 以西安市为例[J]. 地理科学, 2022, 42(9): 1566-1576.

DOI

[Liang Lu, Fu Hongyan, Li Jiuquan, et al. Spatio-temporal dynamic evolution and influencing factors of net celebrity city network attention: A case of Xi’an[J]. Scientia Geographica Sinica, 2022, 42(9): 1566-1576.]

DOI

[30]
冯晓兵. 中国民宿网络关注时空特征及影响因素研究[J]. 世界地理研究, 2022, 31(1): 154-165.

DOI

[Feng Xiaobing. A study on the spatial and temporal characteristics of network attention and its influencing factors of China’s homestay[J]. World Regional Studies, 2022, 31(1): 154-165.]

DOI

[31]
王小鲁, 胡李鹏, 樊纲. 中国分省份市场化指数报告(2021)[M]. 北京: 社会科学文献出版社, 2021.

[Wang Xiaolu, Hu Lipeng, Fan Gang. Marketization Index of China’s Provinces:Neri Report(2021)[M]. Beijing: Social Sciences Literature Publishing House, 2021.]

[32]
贾垚焱, 胡静, 刘大均, 等. 长江中游城市群A级旅游景区空间演化及影响机理[J]. 经济地理, 2019, 39(1): 198-206.

[Jia Yaoyan, Hu Jing, Liu Dajun, et al. Spatial evolution and influence mechanism of A-level scenic spots in urban agglomeration in the middle reaches of the Yangtze River[J]. Economic Geography, 2019, 39(1): 198-206.]

[33]
陈虹, 章国荣. 中国服务贸易国际竞争力的实证研究[J]. 管理世界, 2010(10): 13-23.

[Chen Hong, Zhang Guorong. An empirical study on the international competitiveness of China’s service trade[J]. Management World, 2010(10): 13-23.]

[34]
颜银根, 安虎森. 演化经济地理: 经济学与地理学之间的第二座桥梁[J]. 地理科学进展, 2013, 32(5): 788-796.

DOI

[Yan Yingen, An Husen. The second bridge between economics and geography[J]. Progress in Geography, 2013, 32(5): 788-796.]

DOI

[35]
方远平, 闫小培. 服务业区位论: 概念、理论及研究框架[J]. 人文地理, 2008, 23(5): 12-16.

[Fang Yuanping, Yan Xiaopei. Service industrial location: Concept, theory and research framework[J]. Human Geography, 2008, 23(5): 12-16.]

[36]
何雄浪, 王舒然. 贸易成本、技术溢出与产业空间均衡[J]. 产经评论, 2020, 11(4): 93-108.

[He Xionglang, Wang Shuran. Trade costs, technology spillover, and economic geography equilibrium[J]. Industrial Economic Review, 2020, 11(4): 93-108.]

[37]
高海锋. 市场化程度对商贸流通业发展的影响机理研究: 评《商贸流通业的创新与发展》[J]. 科技管理研究, 2022, 42(3): 248.

[Gao Haifeng. Study on the mechanism of the influence of marketization degree on the development of commercial circulation industry: Comment on innovation and development of commercial circulation industry[J]. Science and Technology Management Research, 2022, 42(3): 248.]

[38]
Tabuchi T. Urban agglomeration and dispersion: A synthesis of Alonso and Krugman[J]. Journal of Urban Economics, 1998, 44(3): 333-351.

DOI

[39]
Wall R S, Burger M J, Bert van der Knaap G A. The geography of global corporate networks: The poor, the rich, and the happy few countries[J]. Environment and Planning A: Economy and Space, 2011, 43(4): 904-927.

DOI

[40]
赵磊, 陈衍, 刘颖. 旅游业、新型城镇化与经济增长[J]. 旅游科学, 2022, 36(6): 20-44.

[Zhao Lei, Chen Yan, Liu Ying. Tourism, new urbanization, and economic growth[J]. Tourism Science, 2022, 36(6): 20-44.]

[41]
Zhang C X, Fong L H N, Li S N, et al. National identity and cultural festivals in postcolonial destinations[J]. Tourism Management, 2019, 73: 94-104.

DOI

[42]
白凯. 中国旅游发展笔谈: 非物质文化遗产的保护与旅游利用[J]. 旅游学刊, 2019, 34(5): 1.

[Bai Kai. Discussion forum of China tourism development: Protection and tourism utilization of intangible cultural heritage[J]. Tourism Tribune, 2019, 34(5): 1.]

[43]
陈秀琼, 黄福才. 中国入境旅游的区域差异特征分析[J]. 地理学报, 2006, 61(12): 1271-1280.

[Chen Xiuqiong, Huang Fucai. Temporal change of regional disparity in Chinese inbound tourism[J]. Acta Geographica Sinica, 2006, 61(12): 1271-1280.]

DOI

[44]
Su L J, Yang X J, Swanson S R. The impact of spatial-temporal variation on tourist destination resident quality of life[J]. Tourism Management, 2022, 93: 104572.

DOI

[45]
Uysal M, Berbekova A, Kim H. Designing for quality of life[J]. Annals of Tourism Research, 2020, 83: 102944.

DOI

Options
文章导航

/

〈 〉