EN中文

Economic geography >

2020 , Vol. 40 >Issue 4: 204 - 213

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.04.023

The Dislocation Characteristics and Mechanism of Network Attention and Tourists about Chinese National Scenic Spots

  • FANG Yelin , 1 ,
  • CHENG Xuelan 1 ,
  • HUANG Zhenfang 2 ,
  • GUO Biebei 1
Expand
  • 1. School of Business，Anhui University，Hefei 230601，Anhui，China
  • 2. College of Geographic Science，Nanjing Normal University，Nanjing 210023，Jiangsu，China

Received date: 2019-08-13

  Revised date: 2019-12-29

  Online published: 2025-04-08

Fold

Abstract

This article uses the Baidu index to construct the attention network of Chinese national scenic spots，reveal the characteristics of network structure，and further analyze the "dislocation" characteristic between network attention and actual visitors and its impact mechanism. The attention network of Chinese national scenic spots has rhombic structure characteristics. The four vertices of the rhombus are located in Beijing，Guangdong，Sichuan and Shanghai. The characteristics of network structure are greatly influenced by the development of regional economy. On the whole，most of the Chinese national scenic spots are in the category of "name does not correspond to reality"，which is basically located in the northwest of the population demarcation line; the areas of "name is less than reality" and "name is worthy of reality" are mainly staggered in the southeast of the population demarcation line. The influence mechanism of tourists in Chinese national scenic spots is relatively complex，and the network attention is only one of the factors，not the decisive factor，which is also the main cause of its "dislocation phenomenon". The actual tourists of Chinese national scenic spots is the result of the combined efforts of many factors，and network attention is one of the interactive leading factors only in the Central and Western regions. In the future，we need to further improve the "assessment and evaluation mechanism" of Chinese national scenic spots，for different types，there is a need for targeted publicity and marketing.

Key words： network attention; tourists; dislocation relationships; Chinese national scenic spots; economic dependence; advertising and marketing

Cite this article

FANG Yelin , CHENG Xuelan , HUANG Zhenfang , GUO Biebei . The Dislocation Characteristics and Mechanism of Network Attention and Tourists about Chinese National Scenic Spots[J]. Economic geography, 2020 , 40(4) : 204 -213 . DOI: 10.15957/j.cnki.jjdl.2020.04.023

网络关注度与现实游客之间到底有何关系?在国家重点风景名胜区的发展过程中，我们发现一些有趣的现象。例如，天坑地缝2017年的网络关注度在所有国家重点风景名胜区中排名77位，但游客到访量排名221位；云居山—柘林湖2017年的网络关注度在所有国家重点风景名胜区中排名190，但游客到访量排名为27位。网络关注度似乎与现实游客到访量之间没有显著的正相关，然而在某些景区（点）却表现出正相关。如仙居、鼓浪屿—万石山、三清山等地网络关注度与现实游客到访量排名相对一致。网络关注度与游客量至少存在“名不副实”“名副其实”“名小于实”三种关系，这些“错位现象”的内部机理到底如何?仍需进一步深化研究。
国家重点风景名胜区是重要的旅游资源，是休闲度假旅游发展的物质基础。按照《风景名胜区条例》，风景名胜区是指具有观赏、文化或者科学价值，自然景观、人文景观比较集中，环境优美，可供人们游览或者进行科学、文化活动的区域[1]。旅游资源是旅游业发展的基础。近年来，虽然旅游资源在旅游业发展中的作用有所下降[2]，但高品质的旅游资源仍然是旅游发展的基础。以国家风景名胜区为代表的高品质旅游资源，每年吸引了大量的国内外游客，对地方旅游业发展起到重要的推动作用。新时代，旅游发展面临着新问题，中国大陆旅游发展总体上处于观光游览旅游向休闲度假旅游的转变阶段，旅游网络营销对于区域旅游转型升级具有重要的作用。当前旅游发展离不开网络营销，网络关注对于旅游地发展具有十分重要的影响[3]。
以互联网媒体为平台的网络信息正逐渐成为影响旅游者出游的主要因素[4-5]，旅游网络信息流逐渐成为旅游学科内研究的重要方向之一，随着大数据技术的兴起，旅游网络信息流在游客预测[6-7]、市场营销[8-9]、与现实旅游流的关系[10-11]，以及目的地开发与规划[12⇓-14]等方面取得一定的成绩。百度指数作为旅游网络信息流的衡量指标之一，由于其受众多、简单易行，且符合中国人搜索习惯，逐渐被许多研究者认可。前期大量文献利用百度指数分析旅游地网络舆情，取得显著的成绩[15⇓⇓⇓⇓-20]。各地区网络关注度实际上是相互的，它们之间最终会形成一个网络，网络结构会对现实旅游经济产生影响，随着研究的不断推进，部分学者开始关注此方面的研究[21⇓-23]。总结前期国内研究成果，发现旅游网络关注度研究主要集中在以下方面：网络关注度时空演化特征研究、网络关注度对目的地市场营销的带动作用、网络关注度的影响机理研究，以及网络关注度与其他社会热点问题的结合研究等方面。
前期研究大致认同这样的观点：网络关注度与游客到访量之间存在一定的正向关系，这样的观点值得商榷。一方面样本数量较少，部分研究结果局限于某个景区（点），无法进行纵向比较；另一方面，从游客浏览景区网站再到游客去景区旅游之间仍有一个过程，网络关注度对目的地的影响作用似乎被“高估”。除此之外，部分研究忽视了网络关注度与现实游客量排名之间存在不一致现象，即“错位现象”。揭示错位现象背后的机理，对于促进国家重点风景名胜区宣传营销及高质量发展，具有重要的理论及现实意义。本文在对国家重点风景名胜区网络关注度与现实游客量指标测度的基础上，分析两者错位的内部机理，进而提出国家重点风景名胜区发展对策建议。

1 研究方法、指标选择与数据获取

1.1 研究方法

1.1.1 中心性

中心性是社会网络分析中重要的指标之一，一般分为网络的中心势和节点中心度，节点中心度分为度数中心度、接近中心度与中间中心度三类[24]。中心度可分为相对中心度和绝对中心度，为了便于比较，本文计算的各项中心度均为相对中心度。
①度数中心度。测量的是网络图中一个点与其他点的交往能力，计算公式为[25]：
M R D i = M A D i n - 1
式中： M R D i为分别点i的相对度数中心度； M A D ( i )为点i的绝对度数中心度，是指网络中与点i相连的其他点的个数。
②接近中心度。测量网络中的节点在多大程度上不受其他节点的控制，计算公式为[25]：
M R P i - 1 = M A P i - 1 / n - 1 ∑ j = 1 n d i j n - 1
式中： M R P i - 1、 M A P i - 1分别表示点i的相对接近中心度和绝对接近中心度； d i j表示点i和j之间的捷径距离。
③中间中心度。测量的是网络中一个点在多大程度上位于其他点的“中间”，是一种“控制能力”指数，计算公式为[25]：
M R B i = 2 M A B i n 2 - 3 n + 2 = 2 ∑ j n ∑ k n b j k i n 2 - 3 n + 2 = 2 ∑ j n ∑ k n g j k i / g j k n 2 - 3 n + 2
式中： M R B i、 M A B i为分别点i的相对中间中心度、绝对中间中心度； b j k i表示点i能控制点j、k交往的能力； g j k表示点i、k之间存在的捷径数目； g j k i表示点j、k之间存在的经过点i的捷径数目，其中 g j k i= g j k i / g j k。

1.1.2 地理探测器

地理探测器是探测空间分异性，以及揭示其背后驱动因子的一种新的统计学方法，此方法无线性假设，具有优雅的形式和明确的物理含义[26]。其表达式为[27]：
q = 1 - 1 n σ 2 ∑ i = 1 L n i σ i 2
式中：q为探测因子对因变量空间分异的解释程度，取值[0,1]，值越大说明该因素对因变量空间分异的影响越大。通过各因素之间q值的对比，可以识别出影响游客到访量的关键因素。n为研究区域的总样本数； σ 2为研究区域的总离散方差；L为次级区域样本数； n i、 σ i 2分别为区域i的样本数和离散方差。

1.2 指标选择与数据来源

本研究数据主要分为两大部分，一部分来源于网络挖掘，即百度指数。百度指数是百度公司推出的一款基于互联网数据搜索的在线应用软件，能够准确地反映用户关注度情况。借助百度指数搜索平台（www.baidu.com），以中国大陆所有国家重点风景名胜区作为关键词，为了使网络数据能够与现实游客进行比较，国家重点风景名胜区数量来源于《中国城市建设统计年鉴2018》。搜索统计时间为2017年全年，即2017年1月1日至2017年12月31日的整体日均值。将网络关注度分为内部关注度（本省对内部国家重点风景名胜区的关注度）与外部关注度（外省对国家重点风景名胜区的关注度），网络关注度是内部关注度与外部关注度的和，最终得到231×31×2的关注度数据量，作为研究的网络数据库，如图1所示。需要注意的是，部分景区名称的百度搜索结果会出现除旅游景区之外的情况，如“黄山”会包含黄山牌香烟。因此这类情况在搜索栏中会加上“景点+风景名胜区”进行搜索，这样保证了原始数据的真实性。
图1 国家重点风景名胜区网络关注度

Fig.1 Network attention of Chinese national scenic spots

构建省域国家重点风景名胜区游客到访量影响机理，利用地理探测器分析其影响机理。国家重点风景名胜区游客到访量的影响因素主要包括：
①基础设施状况。交通设施是旅游业发展的基础，而互联网普及率对游客搜索具有重要的影响，研究分别选择全社会客运量（ET）与互联网普及率（WL）2项指标来代替。大部分文献利用公路里程、铁路里程、航空里程等指标来代替区位交通，本研究利用全社会客运量（万人）表示交通区位，该指标一定程度上反映了游客出游能力，更能代表地区交通状况[28-29]。
②社会经济状况。①经济因素（EC）：用人均GDP（万元）表示。人均GDP相对于GDP总量更加能反映地区经济状况。2000年中国人均GDP为0.794万元，2016年为5.398万元，人均GDP发生了质的飞跃，年均增长率达到27.082%。②人口规模（RK），人口规模大小可能会对内部关注度有影响，采用《中国统计年鉴》的常住人口数表示。③市场因素（SC）：市场是检验旅游发展质量的基础，研究利用樊纲、王小鲁等发明的市场化指数来代表市场状况[30]，该指数基本上能够反映中国大陆各地区市场化状况。④城镇化因素（CS）：人口城镇化是城镇化表现之一，农村人口向城市集聚，一定程度上意味着农村居民职业的非农化过程以及生活方式、思想意识由乡村转向城市的过程，利用城镇人口与总人口比重来代表城镇化水平[31]。⑤产业结构因素：产业结构高级化与合理化指数是产业结构研究中的常用指标[32]，研究分别从产业结构合理化（CH）与产业高级化（CG）视角研究旅游量影响机理。
③网络关注度。将内部关注度（InB）与外部关注度（OutB）纳入国家重点风景名胜区的影响机理模型，进而与其他因素的影响大小进行比较，分析关注度与到访量之间发生错位的主要原因。
该部分数据如无特殊说明，均来自《中国旅游统计年鉴2018》《中国统计年鉴2018》、中国网络信息中心（CNNIC）《中国互联网统计报告2017》，以及国家统计局官网。

2 空间特征与错位关系

2.1 空间特征

2017年国家重点风景名胜区空间分布如图2（左）所示，空间上总体表现出东多西少、南多北少、东南多西北少的空间分布格局；从中国地形的三级阶梯上看，主要分布在第二、第三阶梯上；从人口分界线的角度看，主要分布在人口分界线的东南方。国家重点风景名胜区百度指数表现出东部>中部>西部的总体格局，2017年东中西百度指数之和分别为92 397、46 948、32 172。从省份角度看，山西（20 196）、辽宁（19 288）、海南（14 983）境内国家重点风景名胜区的百度指数分别占到前三位；上海目前没有国家重点风景名胜区，因而搜索量为0，此外，重庆（132）与新疆（289）境内的国家重点风景名胜区百度指数相对较低。
图2 国家重点风景名胜区与网络关注度空间分布特征

Fig.2 Spatial distribution characteristics of Chinese national scenic spots and its network attention

利用反距离插值绘制国家重点风景名胜区百度指数空间分布图，结果如图2（右）所示。高值区主要集中分布在以下地区：以泰山、五台山为核心向周边递减的华北片区；以华山、武当山为核心向周边递减的川陕交界片区；以太湖—莫干山—黄山—九华山—庐山—岳阳楼洞庭湖—凤凰为主线的沿长江经济带片区；以大理—西双版纳—三亚热带海滨为主线的片区；以青海湖—九寨沟—黄龙—峨眉山为核心的青藏高原边缘片区。此外，从单个景点视角看，凤凰古城（32 049）、九寨沟（28 628）、青城山—都江堰（16 601）、黄山（15 505）、三亚热带海滨（14 983）等国家重点风景名胜区百度指数排在前五位。

2.2 网络特征

为了分析国家重点风景名胜区网络关注度的空间特征，选取不同的断点值构建关注度网络，结果如图3所示。从图中3可以看出，东中部地区网络密度明显高于西部及边疆省份。国家重点风景名胜区关注度网络实际上形成近似的菱形结构，为了更加客观清晰地表达这种结构，分别取不同的断点值进行比较。当断点值GE取值为均值760时，可以发现国家重点风景名胜区形成的网络非常复杂，但网络中仍有几个孤立点，如西藏。总体上网络结构由四周向中心逐渐密集，反映了东中部地区是国家重点风景名胜区旅游活动的集中区域。当断点值GE取值3 000时，国家重点风景名胜区关注度菱形结构更加显著，菱形的四个顶点分别位于北京、广东、四川、上海。通过分析发现：国家重点风景名胜区网络结构具有很强的经济依赖性，菱形结构内基本包含了中国经济最为发达的京津冀、珠三角、成渝经济圈以及长三角地区。区域经济条件是国家重点风景名胜区发展的基础，决定了网络结构的基本空间态势。
图3 不同阈值下的网络结构特征

Fig.3 Network structure characteristics under different thresholds

将国家重点风景名胜区关注度纳入所在省份，利用Ucinet软件计算网络中心度指数，结果见表1。从表1可以看出：①外部度数中心度最小值为上海，数值为0，主要是因为上海没有国家重点风景名胜区，因此外界对其关注为0，但上海内部度数中心度数值为0.181，超过东部地区均值（0.158），表明上海地区对全国其他国家重点风景名胜区网络关注度较大。外部度数中心度最大值为四川（0.399），四川是西部旅游大省，拥有一大批高品质旅游资源，外界对其网络关注度较大。内部度数中心度最小值为西藏（0.014），最大值为广东（0.241）。受主客观条件的影响，西藏内部国家重点风景名胜区旅游发展总体滞后，因而关注度较低；广东是旅游经济大省，也是国家首批重点风景名胜区所在地，内部关注度相对较高。②外部接近中心度最小值为西藏（0.250），最大值为四川（0.909），内部接近中心度最小值同样为西藏（0.249），最大值为北京（0.484）。③中间中心度最大值为四川（0.368），最小值为上海（0）。表明四川对整个网络的控制能力较大，而上海较小。④从东中西三大地带来看，外部度数中心度表现出中部最大，东部最小的格局，外界对中部地区国家重点风景名胜区最感兴趣。内部度数中心度东部最大，西部最小，表明东部地区对其他地区国家重点风景名胜区关注度最大。接近中心度总体上表现出东部大于中部、中部大于西部的格局，接近中心度主要检验节点不受控制的能力，也就是在网络中的地位，分析结果表明东部地区在网络中的地位大于中部，中部大于西部。中间中心度反映了节点在多大程度上位于“中间”位置，总体上表现出中部大于东部，东部大于西部的格局。
表1 网络中心度计算结果

Tab.1 Calculation results of network centrality

省份 度数中心
度（Out）		 度数中心
度（In）		 接近中心
度（Out）		 接近中心
度（In）		 中间中
心度		 省份 度数中心
度（Out）		 度数中心
度（In）		 接近中心
度（Out）		 接近中心
度（In）		 中间中
心度
北京 0.034 0.200 0.263 0.484 0.251 广东 0.096 0.241 0.556 0.462 0.251
天津 0.013 0.090 0.264 0.417 0.030 广西 0.015 0.085 0.251 0.405 0.012
河北 0.069 0.136 0.417 0.429 0.251 海南 0.074 0.040 0.500 0.361 0.080
山西 0.099 0.096 0.577 0.417 0.318 重庆 0.039 0.116 0.492 0.400 0.150
内蒙古 0.011 0.068 0.250 0.385 0.000 四川 0.399 0.147 0.909 0.448 0.368
辽宁 0.086 0.108 0.517 0.400 0.251 贵州 0.121 0.072 0.625 0.380 0.084
吉林 0.018 0.082 0.250 0.395 0.026 云南 0.183 0.074 0.750 0.385 0.171
黑龙江 0.049 0.079 0.250 0.400 0.278 西藏 0.021 0.014 0.250 0.249 0.005
上海 0.000 0.181 0.250 0.448 0.000 陕西 0.114 0.116 0.600 0.411 0.365
江苏 0.116 0.212 0.600 0.455 0.368 甘肃 0.041 0.060 0.251 0.385 0.036
浙江 0.308 0.173 0.833 0.455 0.368 青海 0.060 0.026 0.370 0.357 0.096
安徽 0.201 0.116 0.732 0.405 0.341 宁夏 0.016 0.030 0.251 0.361 0.010
福建 0.192 0.116 0.714 0.400 0.368 新疆 0.054 0.047 0.253 0.385 0.010
江西 0.270 0.090 0.833 0.385 0.287 Min 0.000 0.014 0.250 0.249 0.000
山东 0.112 0.161 0.577 0.429 0.357 Max 0.399 0.241 0.909 0.484 0.368
河南 0.103 0.170 0.600 0.448 0.251 东部 0.101 0.158 0.519 0.468 0.236
湖北 0.089 0.129 0.536 0.417 0.358 中部 0.135 0.104 0.543 0.406 0.257
湖南 0.379 0.106 0.857 0.400 0.342 西部 0.105 0.070 0.475 0.376 0.130

2.3 错位关系

2.3.1 景点错位

网络关注度是否会带来游客量增加?根据国家重点风景名胜区网络关注度与现实游客排名之间的关系，可以大致分为三类：①“名不副实”类：网络关注度排名非常靠前，但实际游客量却相对较少。比如湖南桃花源、南山等景区，网络关注度排名分别为第49、55位，游客排名分别为230、215位，很多旅游者关注了这两个景区，但现实到访量却相对较少。②“名小于实”类：网络关注度排名相对较低，但现实游客到访量排名却相对靠前。如江西的云居山—柘林湖、浙江的浣江—五泄，网络关注度排名分别为190、191位，但现实游客量排名分别为27位、62位。③“名副其实”类：网络关注度排名与实际游客到访量排名大致相当，比如福建鼓浪屿—万石山，网络关注度排名比现实游客量排名靠前1位，甘肃崆峒山网络关注度排名与现实游客量排名都位居79名。网络关注度与现实游客数之间的关系如图4所示。“名不副实”“名小于实”“名副其实”三大类别国家重点风景名胜区个数分别占到总数的46.75%、38.53%、14.72%，国家重点风景名胜区“名不副实”类占到大多数。
图4 国家重点风景名胜区“错位”现象

Fig.4 Dislocation phenomenon of Chinese national scenic spots

2.3.2 省份错位

为了进一步分析省份之间的错位关系，利用国家重点风景名胜区游客人数绘制空间分布图，插值结果如图5。通过与图2（右）对比可以发现：网络关注度数值与实际游客人数之间同样存在一定的差异。从省域角度，分别对网络关注度与实际游客到访量进行排序，根据其排序关系，同样可将各地区大致划分为三类。①网络关注度排名靠前，超过实际到访游客数量的地区主要有：黑龙江、辽宁、河北、山西、安徽、海南、甘肃、宁夏、青海、四川、西藏，这些地区国家风景名胜区的发展实际上存在“名不副实”的现象，尤其是山西（-21）、青海（-19）等地。②关注度排名靠后，但实际游客到访量却相对较多，位于这些地区的省份主要有：内蒙古、天津、陕西、河南、湖北、江苏、浙江、福建、广东、广西、贵州等地，这些地区国家重点风景名胜区旅游发展存在“名小于实”的现象，国家重点风景名胜区仍需进一步加强宣传，尤其是广西（22）、湖北（14）。③网络关注度与实际游客到访量大致相当的地区主要有：北京、吉林、山东、重庆、湖南、江西、云南、新疆等地，旅游发展实际上是“名副其实”的。此外，省域风景名胜区数量与百度指数之间也存在一定的错位现象，它们之间并不存在显著的正相关，片面增加国家重点风景名胜区个数不一定会带动游客数的增加。
图5 国家重点风景名胜区游客分布及错位关系

Fig.5 Tourists distribution and dislocation relationships of Chinese national scenic spots

3 机理分析

前文的分析大致说明国家重点风景名胜区网络关注度与现实游客到访量之间存在一定的“错位现象”，透过现象可以反映出一些核心问题。游客到访国家重点风景名胜区不仅仅受其名气的影响，还受目的地、客源地以及现实旅游条件的影响，而网络关注度只是其中的一个影响因素。归纳起来，网络关注度与现实游客到访量之间存在“错位”的主要原因有以下几点。

3.1 基础设施状况

旅游发展需要基础设施先行，基础设施是连接客源地与目的地的桥梁。旅游交通与核心城市是影响国家重点风景名胜区的两大核心因素，两者的缓冲区与国家重点风景名胜区的关系如图6所示。从图6可以看出，以人口分界线为界限，东部地区交通网密度总体上超过中西部地区，东部地区城市密度总体上超过西部地区，便利的交通可达性与优越的服务设施使得旅游客观上能够实现，也使得国家重点风景名胜区游客数量东部大于中西部地区。
图6 主要交通与核心城市缓冲区分析

Fig.6 Buffer analysis of main traffic and core cities

3.2 网络结构特征

网络结构特征主要包括现实网络与虚拟网络，现实网络主要包括交通网（公路、铁路、航空等）。虚拟网络主要是根据各省相互关注度构成的网络，虚拟网络受到现实网络的影响，国家重点风景名胜区关注度总体上形成的“菱形”网络基本上奠定了现实游客的分布格局；另一方面，网络中各节点在网络中的中心性会影响其现实游客访问量，各省的中心性指数大致表现出东部大于中部，中部大于西部的总体格局，影响了现实游客的分布。

3.3 其他社会经济条件

为了便于分析，构建省域尺度的国家重点风景名胜区游客影响机理。国家重点风景名胜区现实游客除了受关注度的影响，还受到其他社会经济因素的影响，如经济因素（EC）、人口规模（RK）、市场因素（SC）、城镇化因素（CS）、产业结构因素（产业结构高级化CG、产业结构合理化CH）。利用地理探测器构建包括基础设施、社会经济、网络关注度在内的影响模型，分析结果见表2。
表2 游客量影响因素探测结果

Tab.2 Detection results of tourists

探测因子 全国 东部地区 中部地区 西部地区
InB 0.123 0.231 0.124 0.158
OutB 0.256 0.109 0.095 0.272
EC 0.428 0.318 0.385 0.103
RK 0.160 0.202 0.188 0.306
WL 0.162 0.146 0.157 0.126
ET 0.215 0.235 0.314 0.411
SC 0.358 0.406 0.203 0.215
CS 0.208 0.210 0.124 0.204
CG 0.132 0.135 0.085 0.157
CH 0.230 0.216 0.132 0.302
主导交互因子 EC∩ET SC∩CH InB∩SC OutB∩CH
主导交互因子q值 0.503 0.525 0.497 0.454
从表2的分析结果可以发现：①国家风景名胜区游客量的影响因素实际上是一种“合力”作用的结果，交互主导因子值基本上都大于单个因子的影响值。就全国而言，区域经济与交通因素的交互作用，是影响游客数量的关键因素。东部地区市场化因素与产业结构合理化的交互作用，是影响游客数量的关键因素；中部地区的内部关注度与市场化因素的交互作用，是影响游客数量的关键因素；西部地区的外部关注度与产业结构合理化的交互作用，是影响游客数量的关键因素。②就单个因子而言，不同地区具有差异。区域经济因素是影响全国国家重点风景名胜区的关键因素，而在东中西不同地带，影响国家重点风景名胜区游客数量的关键因素分别为：市场化因素、区域经济、交通因素。③网络关注度仅仅是影响国家重点风景名胜区游客量的因素之一，在中西部地区对游客具有较大的影响，但主要是作为主导交互因子之一进行影响的。也就是说，网络关注度和其他社会经济因素（如市场化因素、产业结构）结合起来，进而影响游客数量。需要指出的是，国家重点风景名胜区游客数量除了受到基础设施状况、网络结构特征、社会经济条件的影响，也受到法律法规、支持政策以及社区态度等因素的影响，它们共同形成的“合力”，导致了国家重点风景名胜区游客的空间分异。

4 结论与建议

4.1 研究结论

网络关注度的深化研究需要与现实游客量结合起来。本文以国家重点风景名胜区百度指数为例，构建网络并分析其结构特征，进一步揭示网络关注度与现实游客之间的“错位关系”与机理，主要结论有：
第一，国家重点风景名胜区关注度网络具有菱形结构特征，菱形的四个顶点分别位于北京、广东、四川、上海，网络结构特征受现实经济发展的影响较大。从东中西三大地带来看，外部度数中心度表现出中部最大，东部最小的格局；内部度数中心度东部最大，西部最小。接近中心度总体上表现出东部大于中部、中部大于西部的格局。中间中心度总体上表现出中部大于东部，东部大于西部的格局。
第二，根据网络关注度与现实游客的关系，将景点与省份划分为“名不副实”“名小于实”“名副其实”三大类别。就单个景区（点）而言，国家重点风景名胜区总体上“名不副实”类占到大多数，人口分界线西北侧大部分国家重点风景名胜区“名不副实”。“名副其实”“名小于实”的地区主要交错分布在人口分界线东南侧。
第三，国家重点风景名胜区游客量的影响机制相对复杂，网络关注度只是其中的一个影响因素，而不是决定因素，这也是导致“错位现象”的主要原因。地理探测器分析表明：就单个因子而言，区域经济是影响全国国家重点风景名胜区的关键因素，游客量是诸多因素“合力”作用的结果。网络关注度在中西部地区作为交互主导因子之一，对游客量产生重要影响。
第四，由于数据量十分庞大，本文仅仅收集了2017年数据，其他年份是否如此仍需进一步验证。搜索方式是否会对结果产生根本性影响，尚需进一步验证。如论文对于部分景点采用“景点+风景名胜区”进行搜索，具有一定的代表性，但能否覆盖大多数游客对于景点的网络关注度，还有待进一步比较研究。

4.2 相关建议

网络关注度与现实游客量的错位只是表面现象，内在反映的是旅游经济增长的动力系统问题。未来国家重点风景名胜区发展，需要做好以下几点：①进一步完善国家级风景名胜区的“考核评价机制”[33]，引入退出机制，逐步废除国家重点风景名胜区的“终身制”。研究发现省域国家重点风景名胜区个数与关注度之间并无显著的正相关，并且关注度与游客量之间存在错位现象，因此需要引入市场化的考核评价机制，由注重数量增加到注重质量的提升。②一方面需要“就旅游谈旅游”，加强内部基础设施的提升，以及旅游发展的政策法规需要进一步完善；另一方面也需要“跳出旅游谈旅游”，注重与旅游相关的外部基础设施、外部社会经济条件的完善，为国家重点风景名胜区旅游发展营造良好的社会经济环境。③在当前品牌旅游资源旅游发展过程中，国家重点风景名胜区虽然具有一定的历史，但是与国家5A级景区、世界遗产相比，仍缺少知名度，营销需要具有针对性。针对“名不副实”类景区（点），除了进行资源本身的宣传营销，也需要结合资源所处的自然、社会环境寻找亮点进行营销；“名小于实”类景区（点）宣传营销时应突出资源本身。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
吴必虎, 俞曦. 旅游规划原理[M]. 北京: 中国旅游出版社, 2010.

[2]
方叶林. 中国省域旅游业发展效率:测度、演化及机理[M]. 北京: 北京师范大学出版社, 2016.

[3]
王芳. 基于百度指数的中国大陆5A级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.

[4]
Skadberg Y X, Skadberg A N, Kimmel J R. Flow experience and its impact on the effectiveness of a tourism website[J]. Information Technology & Tourism, 2005, 7(3):147-156.

[5]
Davidson A P, Yu Y M. The Internet and the occidental tourist:An analysis of Taiwan's tourism websites from the perspective of Western tourists[J]. Information Technology & Tourism, 2005, 7(2):91-102.

[6]
黄先开, 张丽峰, 丁于思. 百度指数与旅游景区游客容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.

[7]
张斌儒, 黄先开, 刘树林. 基于网络搜索数据的旅游收入预测[J]. 经济问题探索, 2015(8):154-160.

[8]
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个省市区旅游安全百度指数[J]. 人文地理, 2014, 29(6):154-160.

[9]
蔡卫民, 彭晶, 覃娟娟. 韶山的全国网络关注热度矩阵及推广策略研究[J]. 旅游科学, 2016, 30(4):61-72.

[10]
冯娜, 李君轶. 外向在线旅游信息流与入境旅游流的耦合分析——以美加入境旅游流为例[J]. 旅游学刊, 2014, 29(4):79-86.

[11]
罗秋菊, 梁思贤. 基于数字足迹的自驾车旅游游客流时空特征研究——以云南为例[J]. 旅游学刊, 2016, 31(12):41-50.

[12]
路紫, 刘娜, Zui Z. 澳大利亚旅游网站信息流对旅游人流的导引:过程、强度和机理问题[J]. 人文地理, 2007, 22(5):88-93.

[13]
王超, 骆克任. 基于网络舆情的旅游包容性发展研究——以湖南凤凰古城门票事件为例[J]. 经济地理, 2014, 34(1):161-166.

[14]
石张宇, 房丽. 安徽省旅游景区网络关注度时空特征研究[J]. 安庆师范学院学报:自然科学版, 2016, 22(4):106-111.

[15]
李山, 邱荣旭, 陈玲. 基于百度指数的旅游景区网络空间关注度: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.

[16]
马丽君, 孙根年, 黄芸玛, 等. 城市国内游客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.

[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.

[18]
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.

[19]
孙烨, 张宏磊, 刘培学, 等. 基于旅游者网络关注度的旅游景区日游客量预测研究——以不同客户端百度指数为例[J]. 人文地理, 2017, 32(3):152-160.

[20]
刘嘉毅, 陈玲, 陶婷芳. 旅游舆情网络关注度城市差异——来自289个城市百度指数的实证研究[J]. 信息资源管理学报, 2018(3):93-101.

DOI

[21]
熊丽芳, 甄峰, 王波, 等. 基于百度指数的长三角核心区城市网络特征研究[J]. 经济地理, 2013, 33(7):67-73.

[22]
赵映慧, 高鑫, 姜博. 东北三省城市百度指数的网络联系层级结构[J]. 经济地理, 2015, 35(5):32-37.

[23]
郝修宇, 徐培玮. 基于百度指数和引力模型的城市网络对比——以京津冀城市群为例[J]. 北京师范大学学报, 2017, 53(4):479-485.

[24]
方叶林, 黄震方, 涂玮. 社会网络视角下长三角城市旅游经济空间差异[J]. 热带地理, 2013, 33(2):212-218.

[25]
刘军. 整体网分析讲义——UCINET软件实用指南[M]. 上海: 格致出版社, 2009.

[26]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

[27]
丁悦, 蔡建明, 任周鹏, 等. 基于地理探测器的国家级经济技术开发区经济增长率空间分异及影响因素[J]. 地理科学进展, 2014, 33(5):657-666.

DOI

[28]
冯科, 吴次芳, 陆张维, 等. 中国土地经济密度分布的时空特征及规律——来自省际面板数据的分析[J]. 经济地理, 2008, 28(5):817-820.

[29]
方叶林, 黄震方, 李经龙, 等. 中国省域旅游经济增长的时空跃迁及其趋同研究[J]. 地理科学, 2018, 38(10):1616-1623.

DOI

[30]
樊纲, 王小鲁, 马光荣. 中国市场化进程对经济增长的贡献[J]. 经济研究, 2011(9):4-16.

[31]
余凤龙, 黄震方, 曹芳东, 等. 中国城镇化进程对旅游经济发展的影响[J]. 自然资源学报, 2014, 29(8):1297-1309.

DOI

[32]
干春晖, 郑若谷, 余典范. 中国产业结构变迁对经济增长和波动的影响[J]. 经济研究, 2011(5):4-17.

[33]
刘瑞明, 李林, 亢延锟, 等. 景点评选、政府公共服务供给与地区旅游经济发展[J]. 中国工业经济, 2018(2):118-136.

Options
Outlines

/

〈 〉