佛教旅游地网络关注度时空分布差异及其影响因素研究——以五台山景区为例

张碧星，周晓丽

(长治学院历史文化与旅游管理系，山西长治 046000)

旅游决策作为一个复杂的决策过程[1]，它涉及环境感知、信息搜集和信息比较与判断等环节，其中处于中间核心环节的是信息搜集，信息的有效搜集影响旅游者对旅游目的地的环境感知[2]．旅游者通过不同的渠道获取信息，结合自身因素对环境进行感知，特别是空间距离的感知对最终旅游决策具有显著影响[3]．随着互联网信息通信技术的迅速发展，网络成为潜在旅游者进行旅游决策制定的重要信息源．潜在旅游者的互联网旅游信息搜索行为可以直接、客观地反映其去旅游目的地或旅游景区的意向，研究旅游者互联网信息搜索行为的时空分布特征可以帮助目的地或景区更好地把握旅游需求的时空分布特征，为促进目的地或景区的旅游发展、市场营销提供决策依据．

宗教旅游目的地作为特殊的一类旅游场所，一方面其特殊精神内涵不仅对具有宗教旅游动机的旅游者具有稳定而较强的吸引力；另一方面其蕴含深邃、丰富的文化及其依赖的优美环境，对非宗教旅游动机旅游者也具有广泛的吸引力．在网络时代下，旅游决策行为也表现出强烈的网络信息搜索倾向，对于宗教旅游地网络关注时空差异研究，特别是对网络关注集中度及其影响因素的研究，不仅可以揭示其旅游需求的时空结构集中状况，而且可以为旅游目的地后续的针对性营销、资源开发和容量管理等提供参考．

大数据背景下，百度、谷歌、新浪等平台都保存了消费者的信息搜索数据，为进行旅游研究提供了便利，因此近几年利用各大网络平台提供的数据，研究旅游者网络关注度的文献较多.从研究的内容看，主要包括以下3方面：第一，旅游者网络关注度的时空分布特征及影响因素研究[4-9]．大多研究是基于百度指数平台获取某目的地或景区特定关键词一定时段的搜索量数据，时间上分析其年际、季度、月度、周内分布规律并探究其影响因素，空间上分析网络关注度的区域、省际和城市关注度差异并探讨其影响因素，研究方法从初期的简单Excel分析到后来的SPSS和Eviews定量指数分析、相关分析和回归分析等．第二，旅游网络关注度和旅游客流的相关性或耦合性研究[10-13]．这些研究多采用定量研究方法，主要为协整检验和格兰杰因果关系检验等，研究结论证明了旅游网络关注度和旅游客流量之间的显著相关性和因果关联性，因此很多学者将网络关注度数据引入目的地或景区的客流量预测研究．第三，基于网络关注度的需求分析和营销策略研究[14-16]．这是近几年网络关注度研究进一步深入的结果，学者利用网络关注度和旅游客流之间的密切相关性，利用网络关注度数据研究需求偏好和相应的营销策略，但这方面的研究刚刚起步，亟待深化．

五台山居我国四大佛教名山之首，其藏传和汉传佛教的空间同一，每年吸引数百万游客来访，在佛教旅游地中具有典型代表性，研究其网络关注度的时空分布特征及影响因素，对于了解和促进该类旅游地发展具有现实意义．

1 数据来源和研究方法

1.1 数据来源

目前关于网络关注度时空分布特征影响因素分析的数据基本来源于百度指数平台特定关键词的用户关注度数据，文中也沿用这一数据来源渠道，获取百度指数平台关于五台山景区的用户关注度数据．在百度指数平台查询到和五台山景区有关的收录关键词包括“五台山旅游攻略”“五台山天气”、“五台山地图” “五台山门票” 和“五台山在哪儿”等，但不同关键词各省市搜索数据的排名存在明显差异，为了研究的便利与统一，且考虑到这些词都含有五台山这一景区名称，因此以“五台山”为关键词，提取了百度指数平台2011—2017年度全国31个省(自治区、直辖市)对“五台山”的日搜索量数据，使用其日网络关注度之和作为五台山全国日网络关注度数据．

其他影响因素数据主要来源于2011—2017年《中国统计年鉴》和互联网信息中心发布的《中国互联网络发展状况统计报告》．

1.2 研究方法

以选取2011年1月—2017年12月各省、自治区和直辖市对五台山的网络关注度数据，借鉴网络关注度时空差异的研究方法，引入区域经济差异的分析方法，采用网络关注度的季节性集中指数(Seasonal concentration index)、地理集中指数(Geographic concentration index)、变异系数(Coefficient of variation)、市场集中度指数(Market concentration index)等指标，采用SPSS 19.0和Eviews 9.0软件分析各省对五台山网络关注度的时空差异特征．

1.2.1 季节性集中指数和地理集中指数 季节性集中指数(R)主要是用来反映研究对象时间分布集中程度的一个指标，用其来比较判断不同年份五台山网络关注度月度时间分布集中程度，R值越大，说明信息检索的淡旺季差异越大，其公式为[2]76

其中,xi为各月网络搜索指数占全年比重．

地理集中指数(G)是用来反映被研究对象地理区域分布集中程度的一个指标，文中用其反映五台山网络信息搜索用户省际间的空间集中程度,G值越接近100，说明信息用户的搜索地越集中,值越小，则说明越分散，其公式为[17]367

其中，n为样本数量；pi为i地区网络信息搜集量；P为网络信息搜集总量．

1.2.2 变异系数 变异系数(VC)，也称变差系数、离散系数，是一组样本数据的标准差与其平均值的百分比，用来测算数据离散程度，是一种相对差异量数．用来测量集中量数相差较大的数据变异情况的比较变差系数，离散系数越大，说明数据样本的离散程度越大，其平均数的代表性越差．文中使用变异系数测量五台山网络关注度的省际差异程度,VC值越大，意味着五台山网络关注度的省际间差异越大，其计算公式为[18]346

1.2.3 市场集中度指数 市场集中度是指特定市场中前几位最大企业所占的市场份额．一般来讲，市场集中度越高，说明大企业的市场支配能力越强，则企业间的竞争程度就越低；反之，竞争加剧．经常使用的集中度计量指标有行业集中率(Concentration rate)、赫芬达尔系数(Herfindahl index)和首位度(Primacy index)．文中使用赫芬达尔系数(H)衡量五台山网络关注度的时间集中程度和地理集中程度,H值越接近1，表示五台山网络关注度的时间和空间分布聚集程度越高；反之,H值越接近0，五台山网络关注度的时空聚集程度越低，其计算公式为[19]102

其中,n为样本数量；Pj为j地域或j月占总数的比重．

使用赫芬达尔系数(H)、首位度(P)和行业集中率(RC)衡量五台山网络关注度的省际集中程度．首位度计算公式为[19]102

其中,p1,p2分别为提名前两位省份的搜索量.P值越大，说明搜索量越集中，越不均匀．

行业集中率计算公式为[21]306

其中,∑(Xi)n为排名前n位省份的搜集量总和；∑(Xi)N为全部搜集量总和.RC值越大说明搜索量越集中．

2 五台山网络关注度的时空特征分析

2.1 五台山网络关注度的时间差异分析

大多关于网络关注度时间分布的研究均证明了网络关注度的年际递增和周内工作日高、周末低的分布规律，研究发现五台山旅游网络关注度的年际和周内分布亦符合这一规律，因此不再单独列出，这里仅分析五台山网络关注度的月度差异变化．

通过2011—2017年五台山各月网络关注度占全年的比重(表1)可见，若以高于各月平均占有率8.33%为分界线，每年4—10月可以看成是五台山旅游网络关注度的旺季，11月到次年3月为五台山网络关注度的淡季．网络关注度的旺季时段正好也是五台山旅游的高峰期，尤其是每年7—8月，正值暑期，五台山由于气候清凉等因素，正处于旅游高峰期，因此关于五台山的网络关注度也比较高；10月以后，五台山气温急剧下降，甚至出现降雪，旅游开始进入淡季，关于五台山的网络关注度也比较低．但是总体来看，五台山各月网络关注度的差异并不像一些景区那么明显，淡旺季之间的差异相对较小．

表1 2011—2017年五台山各月网络关注度占全年的比重

采用赫芬达尔系数和季节性集中指数对2011—2017年五台山网络关注度的各月指数进行测算，结果列于表2.可以看出，2011—2017年五台山网络关注度的季节性集中指数分别为1.787 3,1.622 6,3.676 6,1.544 4,1.794 3,1.510 9和1.775 0，除 2013年五台山网络关注度的季节差异特别明显，季节集中指数高达3.676 6外，其余年份五台山网络关注度的季节性差异相对较小，在1.7左右徘徊，近7年五台山网络关注度的季节差异波动不大．结合五台山网络关注度的赫芬达尔系数各年均低于0.1，说明五台山网络关注度的淡旺季差异相对比较小，相对淡旺季差异明显的景区而言五台山各月网络关注度分布比较均匀，这也说明宗教旅游地和一般自然风景类旅游地比较虽存在旅游接待季节性差异，但变化较小．

2.2 五台山网络关注度的省际差异分析

以各省网络关注度指数比上五台山的全国网络关注度指数得出各省五台山网络关注度的全国市场占有率，结果见表3，可见五台山网络关注度存在显著的省际差异特征．

表2 2011—2017年五台山网络关注度的赫芬达尔系数和季节性集中指数

具体而言，对五台山网络关注度最高的省份是北京、山西和河北，连续7年它们的网络关注度市场占有率都排在31个省、自治区和直辖市的前三位.从空间区位看，这3个省距离五台山最近，出游比较便利，成为五台山的重要客源市场.山东、广东、河南的五台山网络关注度市场占有率仅次于北京、山西和河北，这6个省7年的网络关注度平均市场占有率超过了五台山全国网络关注度的40%，市场集中度较高；但是西藏、青海、宁夏、海南和新疆连续7年对五台山的网络关注度市场占有率均排在31个省(市、区)的最后5位，这几个省份普遍距离五台山较远，经济发展水平及网络普及程度相对滞后，5个省份网络关注度平均市场占有率之和仅占五台山全国网络关注度的5.5%，难以成为五台山的目标市场．

对五台山网络关注度的变差系数、赫芬达尔系数、首位度和地理集中度指数进行计算，结果列于表4．2011—2017年31个省、自治区和直辖市对五台山的网络关注度变差系数约0.7，2017年达到0.715 0，差异波动，呈现“增—减—增—减”态势.具体来看2011—2012年呈上升趋势，2013年出现了明显幅度的减少，2014—2015年连续增加，2016—2017年又开始减少，但从整体来看其波动变化较小；赫芬达尔系数在0.04～0.05波动，说明各省对五台山的网络关注度积聚程度较低，关注较为分散，且7年波动不大；首位度在1.0～1.2，说明对五台山关注度最高的省份和次高省份差距不大，结构较为合理；地理集中指数在21～22，变化幅度较小，从省际的角度来看对五台山网络关注度虽不均衡，但未过度集中于某一区域．进一步统计2011—2017年排名前10的省份网络关注度比重(表4)可见，7年间排名前10的省份网络关注度比重均超过55%，省际间分布的集中程度较高．

3 五台山网络关注度影响因素的相关性分析

3.1 影响因素的选取

旅游者对目的地或景区的网络关注度是在需求的制约下，为降低决策的风险而在互联网上主动进行信息搜索的行为结果[21]．因此，凡是影响旅游者需求的因素和影响旅游者信息获取行为的因素都是影响网络关注度的因素．根据市场营销的研究结果“需求=人口规模+购买力+购买欲望”，客源地的人口规模和购买力是旅游需求最重要的两个影响因素[22]；潜在旅游者的信息来源渠道多种多样，在需求唤起的约束下，旅游者既可以主动地通过互联网搜索自己所需信息，也可以通过亲朋好友的口碑推荐或其他渠道获取所需信息，而客源地互联网发达程度和潜在旅游者的受教育程度是影响其通过互联网主动检索所需信息的重要因素．这些因素的提取和之前学者的研究基本相似，差距较大的是文中选取了各省的人均消费水平而非人均GDP代表客源地的购买力，结合宗教文化作为宗教旅游地的核心[23]及五台山旅游者学历程度构成情况[24]，选取了大专及以上人数占总人数的比例而非绝对人数代表各省的受教育程度，因为绝对人数又潜在地受到了人口规模这一因素的影响，对于多位学者采用的两地间经济联系指标文中进行了剔除，一方面是因为在理论分析中没有这一指标考虑，另一方面是因为学者对两地间经济联系强度的计算公式涉及两地的人口规模、距离和国内生产总值(即地方经济发展水平)，与指标中几个因素重叠，意义不大．因此，最后选取了31个省、自治区和直辖市的互联网普及率、人均消费水平、人口规模、距离五台山的距离和大专及以上人数占人口总数的比例作为可能的影响因素进行研究，分别记为X1,X2,X3,X4,X5，各省网络关注度作为被解释变量，记为Y．

表3 2011—2017年各省(市、区)五台山网络关注度比率(%)

3.2 影响因素的实证分析

由于2018年《中国统计年鉴》尚未出版，2017年《中国统计年鉴》统计的是2016年中国各省区的经济、人口等情况，因此笔者以2011—2016年网络关注度和以上5个影响因素为数据源采用Eviews进行面板数据的协整检验和回归检验．

表4 2011—2017年五台山网络关注度的省际差异测算

为了减少共线性和异方差出现的概率，将所有的变量取对数进行检验．协整检验理论的前提是各自变量单整阶数不高于因变量单整阶数，因此首先对各变量进行ADF单位根检验，结果见表5.变量X4距离是特征变量，不随时间变化而变化，因此属于常数序列，其他变量均在面板数据单位根检验(LLC方法)对应的P值远小于显著性水平0.01上，拒绝存在单位根的假设，为0阶单整平稳变量，满足协整关系检验的前提条件．

表5 变量的单位根检验结果

进行序列的协整关系检验[25]，对模型进行回归后，预测其残差项(e)，若残差项是单整序列，则说明存在协整关系．根据计算结果对回归后残差项(e)进行平稳性检验，残差序列为平稳的0阶单整序列，结果说明各变量之间存在协整关系，因变量和自变量存在内在长期稳定关系，可基于此进行面板数据回归分析[26]．

为了确定面板数据是固定效应模型还是随机效应模型[27]，采取HAUSMAN检验，检验结果为卡方统计量130.04，P值为0.000，即在1%水平下拒绝原假设，使用固定效应模型．基于Eviews对被解释变量和解释变量进行固定效应模型回归，结果见表6．从回归结果来看，拟合方程的R2为0.9998，调整的R2为0.9997，解释程度达99.9%，模型拟合结果较好．除了变量X4在10%水平上显著外，其余自变量均在5%水平上显著，且自变量互联网普及度、人均消费水平、人口规模和大专以上占比系数均显著为正，说明它们对网络关注度呈正向影响，距离变量系数显著为负，说明距离对网络关注度呈现负向作用．各自变量影响程度从高到低排列为距离、人口规模、人均消费水平、互联网普及率和大专以上人数占人口总数的比率．

表6 回归模型估计结果

*在10%水平上.

4 结论与讨论

4.1 结论

基于百度指数，使用2011—2017年全国31个省、自治区和直辖市对五台山的网络关注度指数，分析了五台山网络关注度的时空分布特征和影响因素，结论如下：

1)五台山网络关注度的时间分布存在季节性差异，每年的4—10月是五台山网络关注度的高峰期，11月到次年3月是五台山网络关注度的淡季，但总体而言，季节性波动差异不大．

2)五台山网络关注度存在省际间的显著差异，北京、山西、河北、山东、河南、广东等排名靠前，西藏、青海、宁夏、海南和新疆排名靠后，且存在较大差距．2011—2017年省际间变异系数在0.7左右波动，省际差异较大．各省对五台山的网络关注度聚集程度较低，关注相对比较分散．

3)通过相关分析发现，距离、互联网普及率、受教育程度、地区人口规模和人均消费水平等因素是五台山网络关注度空间分布差异的主要影响因素．网络用户所在地区距离五台山越近、受教育程度越高、所在地互联网越发达、人口规模越大、人均消费水平越高，对五台山的网络关注度也越高，反之亦然．但是各因素对五台山网络关注度的影响程度不一，影响最大的是距离因素，对五台山网络关注度呈阻碍作用；客源地的人口规模和人均消费水平，对五台山网络关注度有较高的正向贡献；互联网普及率和受教育程度的正向贡献相对较低．

4.2 讨论及建议

在本研究中，对于网络搜索关键词选取的针对性、准确性有待提高，文中主要通过PC端进行了信息搜集与分析，而对于移动客户端未涉及，因此在信息搜集完整性有待提高与区别；另一方面，在选择对搜索的影响因素时，影响因素的选择面还不够宽，主观性较强，未通过定量分析进行筛选，因此在科学性方面有待提高．

1)注重制定差异化营销策略．由于宗教旅游地具有的稳定香客资源，使其在季节性差异方面表现相对观光型旅游地来说不明显，但如能保持一定程度的差异，对促进旅游区的发展特别是经济发展具有一定现实意义；宗教旅游地空间吸引力与其他类型旅游地具有一致性，即都存在明显吸引的空间距离衰减．在时间差异方面，游客对五台山的网络关注度存在季节性差异，但季节性差异不大，结合五台山目前的季节性表现出旺季不够旺的特点，今后应进一步加强五台山的旺季营销．选择每年的4—10月强化营销，尤其是在公共假日来临之前，加强营销．旅游淡季，由于宗教型旅游地吸引的特殊性，保持一定营销力度即可；在空间差异方面，注重北京、山西、河北、山东、河南等山西周边省份目标市场的营销推广活动，改善和周边省份的交通通达性；加强在距离稍远但是经济发达省份的旅游推广和宣传，吸引远距离客源市场的游客来访．

2)注重游客满意度的提高．新媒体时代旅游者的信息获取渠道发生了较大的变化，越来越多的潜在旅游者在互联网终端主动搜索所需信息，而已游游客也会将自己的出游经历和感受发布在互联网上成为其他潜在游客的信息源，因此注重游客满意度的提高，既有助于促使游客发布正面的口碑评价给其他游客，也有利于提高旅游地游客的重游率．宗教型旅游地与其他类型旅游地在这方面存在着普遍的一致性．