国家森林公园网络关注度的空间关联结构研究

陆利军，廖小平，戴湘毅

（1.中南林业科技大学，湖南 长沙 410004；2.湖南工学院，湖南 衡阳 421008；3.“聚落文化遗产数字化技术与应用”湖南省重点实验室，湖南 衡阳 421001；4.首都师范大学，北京 100048）

作为人类活动在地理空间上的投影，空间结构反映了系统中各要素在空间中的相互位置、相互关联、相互作用、集聚程度和集聚规模以及地区的相对平等关系等。在森林旅游研究中，国内学者们对空间结构的关注始于对作为旅游资源形式存在的国家森林公园的空间分布结构这一特殊领域[1-4]，主要研究目的是为了服务国家森林公园发展[5-7]、森林景观和游憩空间设计[8-10]等。亦有研究基于国家森林公园的空间可达性分析了以客流为基础的国家森林公园的旅游空间结构[11-12]。随着研究的不断深入，学者们对国家森林公园空间结构的研究内容趋于丰富。近年来，学者们基于地理学等学科视角，根据拓扑理论[13]、空间句法[14]、生态景观[15]等理论，从不同空间尺度出发，利用遥感影像（RS）、实测数据（GPS）等，通过数理统计和GIS 空间分析方法，对国家森林公园的空间分布与开发布局、空间演化及动力机制、空间竞合作用、空间结构影响进行了广泛研究[16]。上述研究主要以客流和物流为基础，在较大程度上也解释了作为旅游目的地存在的国家森林公园之间的空间联系，而随着以人机交互协作为主要特征的网络新时代的到来和自带定位功能的移动通讯设备的普及，信息流在很大程度上打破了之前单一以客流和物流构建的网络关联，进而逐渐演变成旅游目的地和旅游城市之间的重要关联方式。学者们开始以旅游者生成的网络数据（TGC）为数据来源，利用数理和GIS 空间分析方法，尝试从旅游者的视角出发研究国家森林公园的旅游空间结构。如，王鑫[17]通过卫星传感器数据、新浪微博和Flickr 网站照片的地理位置坐标信息，采用Kernel density 核密度法分析，计算入境游客地理兴趣点（POI），并结合运用数理统计和GIS 空间分析方法对北京北郊国家森林公园进行了空间上的整合分析。任姿等[18]基于旅游者数字足迹，以张家界天门山国家森林公园为例，通过语义网络分析和空间分析，探索旅游者行为数字足迹在国家森林公园的空间响应特征与机制。学界对国家森林公园的旅游空间结构的研究无论是在研究视角、数据来源，还是在研究方法上都在不断丰富、深化。一方面，现有研究多采用遥感影像（RS 数据）或实测数据（GPS 数据），再导入GIS 空间地理信息数据库，然后结合数理统计和GIS 空间分析等方法进行研究；另一方面，旅游数字足迹等自发地理信息（VGI）数据开始被研究者采纳，并出现了运用社会网络分析方法[19-20]研究国家森林公园空间结构的有益尝试。早在1990年，Neil Leiper 从系统论视角提出，旅游空间结构是旅游活动中人（旅游者）和地（旅游资源）互动的结果[21]，而新的数据环境和研究方法的更新发展在相当程度上促使国家森林公园空间结构的研究重心开始从旅游资源等客体要素向旅游者等主体要素转向。综上所述，一方面，互联网数据正成为国家森林公园空间结构测量的可靠数据来源；另一方面，社会网络分析理论与方法为国家森林公园空间结构的测量提供了新的理论解释视角和测量方法。因此，本研究运用社会网络分析方法，通过获取旅游者在互联网上搜索国家森林公园的记录，分析国家森林公园之间的网络空间关联结构及其基本特征，将一方面有助于进一步丰富和完善国家森林公园空间结构理论；另一方面有助于为指导各节点的国家森林公园旅游开发规划、公共管理与市场营销提供有效参考。

1 数据来源与研究方法

1.1 数据来源

由于网络技术的不断创新，学习、社交、消费等一系列活动在网络平台上得以实现[22]。既有研究成果也不断证明网络搜索指数在数据规模和数据准确性方面都具有研究价值[23-24]。因此，本研究以在百度指数中有收录的国家森林公园2011―2018年共计8 a 的日度数据作为研究上述网络关注度的唯一数据来源（因基础分析数据的可获得性影响，只对中国大陆地区的31 个省区节点进行了分析，未涉及港澳台等3个节点，特此说明）。获得研究数据的步骤分别为关键词确定、筛选与合并和数据搜索，获得网络关注度的数据等3 个阶段。

1.1.1 关键词选择

关键词的选取是分析国家森林公园网络关注度空间结构的基础。在关键词的选择上主要有技术取词法、直接取词法和范围取词法等3种方法[25]。基于可操作性，采用“关键词=目的地”的直接取词法生成关键词。

截止2017年底，国内共有881 个国家森林公园[26]。首先，将881 个国家森林公园逐一输入到百度指数平台，获得以“省份+名称+国家森林公园”格式收录的国家森林公园80 个（如，上海+ 东平+国家森林公园），其他801 个关键词为“无效搜索”；其次，运用逐步减少限定词的方法对上述801 个关键词进行多轮更迭，共计获取与国家森林公园呈现一一对应关系的关键词189个（如，火山口国家森林公园，东莞观音山，恒山）；最后，将通过上述两种方法确定的检索关键词进行汇总，最终获得共计269 个在百度指数平台有收录的、与国家森林公园存在对应关系的关键词，部分关键词如下表1所示。

1.1.2 关键词筛选与合并

要测量国家森林公园网络关注度的空间关联结构，首先将269 个搜索关键词按照行政区域划分进行分类；其次，运用Python 工具在百度指数（http://index.baidu.com/v2/index.html#/）爬取269 个搜索关键词自2011年1月1日至2018年12月30日内各关键词的逐日搜索指数数据，再采用直接加总方法确定关键词关注度（表2）。

1.2 研究方法

1.2.1 中心性分析

运用中心性测量某节点国家森林公园网络关注度在整个网络中的重要程度。其中，点度中心度的计算公式为：

由于规模的各异，网络中的节点的绝对中心度无法直接比较，由此Freeman 提出了相对中心度的概念，计算公式如下：

表1 国家森林公园网络关注度搜索关键词（部分）Table1 Key words of national forest parks’ network search (part)

采用中间中心度方法测量某个节点的国家森林公园网络搜索指数影响旅游者对其他节点国家森林公园进行关键词搜索的能力，计算公式如下：

表2 国家森林公园网络关注度的统计（部分）†Table2 Statistics of national forest parks’ network search (part)

式（3）中C B(ni)代表某节点i的中间中心度。gkj代表节点j到达节点k的捷径数，gkj(ni)表示节点j到达节点k的快捷方式上有节点i的路径数量。相对中间中心度的计算公式如下：

1.2.2 结构洞分析

因其对资源流动的控制能力，结构洞使处于中间位置的行动者具有重要的联络地位[27]。本研究运用有效规模、效率、限制度、等级度等指数测算结构洞[28]。有效规模的测量方法是：

式（5）中，j表征与节点i相连的所有节点，q是除了i或j之外的每个第三者。括号内部的量piqmjq代表i节点和j之间的冗余度。piq代表节点i投入到节点q的关系所占比例。

效率的概念在测量结构洞的时候比较简单。即某个节点的效率等于该点的有效规模除以该点所在个体网络的实际规模。限制度的测算方法如下：

式（6）中，piq是在节点i中的全部关系中，投入到节点q的关系的比例。

等级度指的是限制性在多大程度上围绕着一个节点展开，测算方法如下：式（7）中，N是节点i的个体网络中的点数，即节点i的个体网规模。C/N是每一个节点限制度的均值。分母代表最大可能的总和数。

1.2.3 块模型分析

运用块模型分析各节点间的相互关联关系。最常见的块模型分析方法有CONCOR 和层次聚类方法。借鉴马丽君等的研究成果将4 种模块的位置重新定义命名为双向溢出板块、主收益板块、主溢出板块、经纪人板块[29]，基本公式如表3所示。

表3 块模型分析中的4 种板块†Table3 Four plates in analysis method of the block models

2 国家森林公园网络关注度的空间关联结构分析

2.1 国家森林公园网络关注度的空间关联网络关系分析

本研究首先运用SPSS22.0 软件测算获得各节点之间的斯皮尔曼相关系数矩阵；进而构造二值邻接矩阵。基于适用和可比性原则，选择学术界目前运用较多的取中位数的做法确定中位数0.727为临界值，并运用下式（8）构造用于整体网分析的二值矩阵。

以上述二值矩阵为基础，运用UCINET 6 软件生成空间关联结构图（图1），图中的单个节点代表了具体的节点，节点间的连线代表节点之间的关联关系。不难看出，图中只有1 个孤立节点，这说明，各节点之间存在普遍关联关系。从整体上看，此网络关注度空间关联结构有两个特征：第一，存在相对联系并不紧密的个别节点，例如天津节点与其他30 个节点之间没有关联，青海和湖北与其他30 个节点之间仅具有两条连接；第二，除天津、青海和湖北之外的28 个节点相互构成的主网络的内部联系相对紧密，具有一定的“共现性”。

图1 国家森林公园网络关注度的空间关联结构Fig.1 Network structure of national forest parks’ network search

2.2 国家森林公园网络关注度的空间关联网络结构分析

2.2.1 中心性分析

结合网络搜索数据，运用中心度具体测量方式式（1）、式（2）和式（3），得到各节点的网络关注的中心性测量数据结果（表4）。

2.2.1.1 点度中心度

绝对点度中心度展示的是在网络中所处的各节点之间的直接关联。从整体网络中的“个体网网络密度”上看，山东在网络中的绝对点度中心度数值最高，为23，相对点度中心度为76.667，说明，山东与网络中的其他23 个节点之间存在联系；其次为吉林、福建、湖南和甘肃4 个节点，其绝对点度中心度数值为22，相对点度中心度为73.333。网络内所有节点的绝对点度中心度的均值为15.096 8，共有20 个节点的绝对点度中心度高于该均值，仅有11 个节点的绝对点度中心度低于该均值，其中，天津的绝对点度中心度的数值最低，为0。结合图1所示的网络结构可视图可知，天津与网络中的其他30 个节点均无联系，处于完全孤立状态；湖北和青海与其他节点之间也仅有两条联系，处于网络的边缘位置。

整体上看，各节点对网络关注度形成的个体网络密度大致呈现两极式分布，中西部地区普遍高于东部地区。但也有部分东部节点，如山东、福建和广东的网络密度高于中西部地区各节点的个体网络密度均值。上述规律既符合优质国家森林公园资源大都分布在中西部地区这一事实特征，也大致契合了各节点之间关于国家森林公园的网络信息交流实际。

2.2.1.2 中间中心度

中间中心度所测量的是网络中的节点对资源控制的程度。从上表4中的测量结果看，陕西、山东和上海等3 个节点的绝对中间中心度领先，其绝对中间中心度数值分别为17.074，16.695 和14.285。这说明上述节点在网络扮演主要网络信息集散中心角色，控制着网络信息资源，是各节点间信息联系的桥梁。同理，黑龙江、北京、天津和重庆等8 个节点的绝对中间中心度数值为0，说明上述8 个节点在网络中没有为其他节点起到任何中间连接作用。

表4 国家森林公园网络关注度中心度测量结果†Table4 The centrality measurement of national forest parks’ network search

综合上述度数中心性和中间中心性数值大小和强弱程度，可以将节点划分为3 个部分：第一部分包括广东、甘肃、福建、湖南、吉林、山西、山东、陕西和四川等9 个节点，这些节点对其他节点也具有较强的控制能力，是网络中的“明星”；第二部分包括辽宁、河北、安徽、江西、上海、浙江、广西、海南、河南、宁夏、云南和重庆等12 个节点，这些节点对其他节点仅存在一定程度的影响力；第三部分包括新疆、西藏、天津、青海、内蒙古、江苏、湖北、黑龙江、贵州和北京等10 个节点，对其他节点具有较为有限的控制能力。测量结果既符合优质国家森林公园资源大都分布在中西部地区这一事实特征，也与各节点之间国家森林公园的网络信息交流强度存在高度一致性。

2.2.2 国家森林公园网络关注度的结构形态与影响力分析

本研究主要采用Burt给出的结构洞计算方法，运用式（5）、式（6）和式（7）分别从有效规模、效率、限制度和等极度4 个方面对结构洞进行测算（表5）。

表5 国家森林公园网络关注度的结构洞测量结果†Table5 Results of structural caves of national forest parks’ network search measurement

1）有效规模数值越大的节点在网络中行动越自由，越不受限制。山东、福建、甘肃和吉林等6个节点的有效规模计算数值处于优势地位，在网络中对其他25 节点之间的互动关联具有较强的控制力，受到的约束程度较弱；北京、湖北、青海、新疆和天津在有效规模计算数值方面处于相对弱势地位，在网络中所具有的竞争能力较弱，受到的相关约束较大。

2）效率数值越大的节点在网络中的行动越高效。江苏、湖北、青海、浙江、西藏和黑龙江等6个节点在效率计算上得分较高，在网络中的行动效率最高；内蒙古、安徽、山西、江西和天津的得分最低，在网络中的行动效率最低。

3）限制度是结构洞测量中唯一的一个逆向维度。限制度测量值越大，意味着该节点在网络中受到的约束越多。青海、湖北、江苏、北京和新疆等5 个节点在限制度计算上的得分最高，在网络中受到的制约越强；而甘肃、吉林、陕西、福建、山东和天津等6 个节点的得分最低，在网络中受到的限制较弱。

4）等极度数值越高的节点在网络中的控制力越强。浙江、西藏、河北、福建和陕西等5 个节点在等极度数值方面表现最佳，在网络中的控制力较强；而北京，青海、湖北、新疆和天津等5个节点在等极度数值上最低，在网络中的控制力较弱。

综合上述4 种结构洞指数的分析结果，可以将节点划分为3 组：第一组包括河北、福建、山东、上海、湖南、甘肃、黑龙江、吉林和陕西等9 个省区节点在国家森林公园网络关注度方面具有较为显著的结构洞优势；第二组包括内蒙古、北京、安徽、江苏、浙江、广东、广西、河南、湖北、宁夏、青海、四川、西藏、云南和重庆等15 个省区节点的结构洞优势处于中等水平；第三组包括天津、贵州、山西、海南、江西、辽宁和新疆等7个省区节点，在国家森林公园网络关注度方面缺乏有效的结构洞优势。

2.2.3 国家森林公园网络关注度的空间关联板块特征分析

本研究主要运用CONCOR 方法进行块模型分析。参照图1中的网络结构关系，将分割深度设定为2，收敛标准设定为0.2，将网络所涉及的所有节点分割为4 个板块（图2）。第一板块由黑龙江、吉林、福建、内蒙古、湖北、湖南、山西、宁夏、安徽、广西、上海、江西、山东、云南、广东、河南和甘肃等共计17 个省区节点构成；第二板块由江苏、辽宁、海南、贵州、河北、西藏、陕西和四川等共计8 个省区节点构成；第三个板块由青海、浙江、北京和新疆等共计4 个省区节点构成；第四个板块由天津和重庆等2 个省区节点构成。处于同一凝聚子群内的网络信息关注度具有较强的相似性。

图2 基于子群内外关系的凝聚子群Fig.2 Condensed subgroups based on inner and outer relations of subgroups

根据Burt 的块模型分析方法计算可得出上述四个板块对国家森林公园的网络关注结构，进而确定各个板块的属性（表6）。第一板块的期望内部关系比例为53.333%，而该板块的实际内部关系比例达到了79.02%，远高于期望值。该板块的总溢出数值为143，总受益数值为171，板块外接收关系数值为58，板块外发出关系数值为30；第二板块的期望内部关系比例为23.333%，该板块的实际内部关系比例达到了33.89%，高于期望值。该板块的总溢出数值为59，总受益数值为57，板块外接收关系数值为37，板块外发出关系数值为39。根据Burt 的板块属性判断基本规则（表3），可以判定第一和第二板块位于“双向溢出”板块，或者“主收益”板块；而从板块外的接收、发出关系来看，第一板块的接收程度要大于第二板块，所以，第二板块属于“双向溢出”板块，而第一板块属于“主收益”板块。从图2中不难发现，位于第一板块的节点大都来自中西部地区，也符合优质的国家森林公园资源主要集中在中西部地区的现实情况。

表6 国家森林公园网络关注度的空间关联板块的溢出效应Table6 Spillover effects of spatial correlation plates in the network of national forest parks

第三板块的期望内部关系比例为10%，该板块的实际内部关系比例达到了15.38%，高于期望值。该板块的总溢出数值为13，总受益数值为6，板块外接收关系数值为4，板块外发出关系数值为11；第四板块的期望内部关系比例为6.667%，该板块的实际内部关系比例为0%，低于期望值。该板块的总溢出数值为19，总受益数值为0，板块外接收关系数值为0，板块外发出关系数值为19。

根据上述信息可以判断，上述两个板块位于“经纪人”板块和“主溢出”板块。从这两个板块对国家森林公园网络关注信息的接收和发送关系上看，第四板块的总溢出和板块外发出关系数值均高于第三板块。即，第三板块属于“经纪人”板块，而第四板块则属于“主溢出”板块。第三板块作为“经纪人”，既接收其他板块中关于国家森林公园网络关注信息的溢出，也对其他板块发出信息。在整个网络中充当“桥梁”的作用；第四板块则主要是向其他板块溢出国家森林公园网络关注信息，而并没有接收来自其他板块的任何信息溢出。

为了进一步分析上述4 个板块之间关于国家森林公园网络关注的空间联系，本研究以整体网络密度数值0.503 2 为临界值，高于临界值0.503 2的赋值为1，低于临界值0.503 2 的赋值为0，进而得出像矩阵（表7）。像矩阵较为直观地反映出了上述4 个板块对国家森林公园网络关注信息的传导机制。

表7 国家森林公园空间关联板块的密度矩阵和像矩阵Table7 Density and image matrices of spatial correlation plates in national forest parks

如上表7所示，第一板块和第二板块不仅在自己的板块内存在较为清晰的国家森林公园相关信息流动关系，而且还接收来自其他板块的信息溢出，一方面，这说明该板块内的节点对自己及其他板块内所涉及的国家森林公园均存在较高的关注度；另一方面，该板块内的国家森林公园也受到了其他板块的高度关注；第三板块和第四板块所涉各节点内的国家森林公园资源十分有限，所以主要表现为对其他板块的国家森林公园网络关注的溢出。

3 结论与建议

3.1 研究结论

本研究主要通过社会网络分析的方法，以百度指数中有收录的269 个国家森林公园2011—2018年的日度数据为基础数据，对网络关注度的空间关联结构进行了系统的空间关联结构分析。通过测量分析得出如下结论：

1）各节点网络关注虽在程度上略有差异，但其整体波动基本同步。虽然旅游者对各节点的网络关注有所差别，但是对上述网络关注度在各个年度周期内基本呈现同步波动态势。而从整体网络密度上看，各省区节点的网络关注之间存在普遍关联关系，主要具有如下两个特征：第一，存在相对联系并不紧密的个别节点，例如天津省区节点与其他30 个节点之间没有关联，青海和湖北与其他29 个节点之间仅具有两条连接；第二，除天津、青海和湖北之外的28 个节点相互构成的主网络的内部联系相对紧密，具有一定的“共现性”。

2）从个体网络密度上看，各节点对网络关注度形成的个体网络密度大致呈现两极式分布。位于中西部地区的节点，其网络密度普遍高于东部地区的节点。且各节点的网络关注结构存在等级差异。一方面，综合度数中心性和中间中心性数值大小和强弱程度，可以将31 个省区节点划分为3 个部分：第一部分包括广东等9 个节点，这些节点对其他节点也具有较强的控制能力，是网络中的“明星”；第二部分包括辽宁等12 个节点，这些节点对其他节点仅存在一定程度的影响力；第三部分包括新疆等10 个节点，对其他节点具有较为有限的控制能力。测量结果既符合优质国家森林公园资源大都分布在中西部地区这一事实特征，也与各节点之间国家森林公园的网络信息交流强度存在高度一致性。

3）综合4 种结构洞指数的分析结果，可以将节点划分为3 组：第一组包括黑龙江、福建和浙江等9 个节点，在网络关注度方面具有较为显著的结构洞优势；第二组包括吉林、辽宁和重庆等15 个节点，在结构洞优势中处于中等水平；第三组包括天津、云南和贵州等7 个节点，在网络中缺乏有效的结构洞优势。

4）国家森林公园的空间关联网络可以划分为4 个板块：第一板块属于“主收益”板块；第二板块属于“双向溢出”板块；第三板块属于“经纪人”板块；第四板块则属于“主溢出”板块。其中，位于第一板块的省区节点虽然也向其他板块的省区节点发出联系，但是，相对而言，这一板块接收来自位于其他板块的省区节点的信息溢出的比例更大一些；位于第二板块的省区节点既向其他板块的省区节点发出联系，同时也接收来自其他板块的省区节点发出的联系；第三板块作为“经纪人”，既接收其他板块中关于国家森林公园网络关注信息的溢出，也对其他板块发出信息。在整个网络中充当“桥梁”的作用；第四板块则主要是向其他板块溢出国家森林公园网络关注信息，而并没有接收来自其他板块的任何信息溢出。

5）网络关注度在很大程度上反应了各个节点国家森林公园的空间分布规律，但是并不完全取决于资源禀赋和产业发展。通常认为，网络关注度是与该地区的国家森林公园禀赋和旅游产业发展状态密切相关的。网络关注度虽说在很大程度上反应出了国家森林公园的资源分布，以及旅游产业发展的基本情况，但是，两者之间并不完全匹配，甚至是形成了一定程度的反差。以黑龙江为例，从黑龙江的国家森林公园资源禀赋来看，其排名无疑是位于节点前列的（截止2017年底，共有66 个国家森林公园坐落在黑龙江辖区内），黑龙江在反应其作为信息媒介者能力的点度中心性测量以及对资源控制的程度中间中心性等测量上，与其他30 个节点相比均处于中等偏下水平。又比如上海，截止2017年底，上海辖区内只有4家国家森林公园，但是，上海在反应其作为信息媒介者能力的点度中心性测量、对资源控制程度的中间中心性等测量以及结构洞测量上，与其他30 个节点相比均处于第一梯队。可见，网络关注度的研究不仅需要关注网络中各节点本身具有的资源禀赋，还需要对上述各节点之间的信息交互形式做出系统的探索。因为，这种信息交互形式根植于互联网络环境，与实体地理空间的空间结构相比，还存在着较大区别。

3.2 研究建议

互联网技术的发展深刻地影响了科学研究的内容与方法，信息已然成为丰富的经济资源，而人们的注意力则更是一种稀缺资源。本研究所涉及的网络搜索指数体现的则是旅游者对国家森林公园的关注程度。通过分析各节点的网络关注的空间分布特征，关于节点旅游空间的优化和旅游产业的网络营销主要有两点启示。

1）借助网络营销手段提升旅游推广的联动效应。由网络关注度构成的网络结构中心性分析结果可以看出，节点在关注度联合互动方面存在较大的差距。加大对国家森林公园的营销力度，尤其是提高网络营销的整合程度，可以提高各节点的网络关注的联动效应。一方面，对节点进行有针对性的森林旅游营销，提升知名度。以黑龙江为代表节点的东北三省为例，东北三省因其独特的国家森林公园资源禀赋而独具先天优势，但是，独特的森林资源禀赋并未高效率转化为森林旅游知名度和网络关注度。在“互联网+”的背景下，通过以网络营销为主要工具的整合营销方式，能够促进东北三省与国内其他各节点之间的信息互动。另一方面，推进“互联网+”战略，强化节点之间的网络联系，并尝试从技术层面推进节点国家森林公园的数字化运营广度和深度，从而进一步提高国家森林公园的知名度。

2）运用差异化策略凸显国家森林公园发展特质。其中，包括山东、上海、吉林和江西等节点在内的各节点构成了森林旅游的核心圈层。对于这一核心圈层而言，如何基于其优质的国家森林公园，提升其旅游特性，进而打造更加具有特色的森林旅游产品和旅游业态，提高旅游者对其的关注度和直接搜索行为尤其重要。包括四川、重庆、海南和安徽等节点在内的各节点构成了国内森林旅游的过渡圈层，基于对这一圈层各节点的森林资源要素禀赋、交通区位和经济发展状况的基本特征，尤其是对上述节点在网络信息关注结构和相互关系上的近似性特征的掌握，在森林旅游发展过程中，需要避免因子群中自身的近似凝固态而导致多中心割据和旅游发展恶性竞争，进而凸显各国家森林公园发展的特质。包括江苏、北京、西藏、贵州、天津、新疆和湖北等节点在内的各节点构成了国内森林旅游发展的边缘圈层，对于这一圈层来说，如何一方面进一步加强其自身资源建设；另一方面扩大其森林旅游交流和合作，尤其是要促进上述各节点与其他节点之间的游客、信息等要素的自由流动，从而逐步形成多中心、多网络协同发展的合理旅游空间格局是值得深入思考的问题。

3.3 研究不足

本研究通过网络搜索指数对各节点的网络关注进行分析，了解了旅游者搜索行为网络结构，基本达到了预期的研究目的。但是，仍然存在诸多不足。

1）关于研究数据的来源：论文虽然搜集了多年的旅游者搜索数据，但将百度搜索指数作为唯一数据来源，略显单一。

2）关于关键词选用：关键词的选取在很大程度上决定了论文研究结论的有效程度。论文在关键词选择方面主要采用的是“直接取词法”和“技术取词法”相结合的“复合取词方法”，很好地满足了研究需要。但是，应该关注的是，截止2017年底，全国共有881 个国家森林公园分别分布在31 个省区，而论文涉及的、在百度指数中有收录的国家森林公园只有269 个，占比仅30%，那么，剩余的612 个因未达到有效搜索量而暂时未被百度指数收录的关键词所形成的长尾效应会表现出什么样的特征？值得进一步研究探索。

3）关于社会网络研究方法的运用：社会网络理论不仅是一种分析工具，更是一种思维方式，从整体上看，论文更多的只是从工具层面上运用社会网络分析工具，构建网络关注度的空间关联结构，对社会网络理论的框架构建甚少涉及，这一部分内容有待进一步深入探讨。