喀斯特景区网络关注度时空特征研究——以小七孔为例

李文路，覃建雄，罗 丽

【经济学与管理学】

喀斯特景区网络关注度时空特征研究——以小七孔为例

李文路1,3，覃建雄2，罗 丽1

（1．西南民族大学 西南民族研究院，四川 成都 610041；2．西南民族大学 旅游与历史文化学院，四川 成都 610041；3．四川省旅游学校，四川 成都 610042）

以贵州典型喀斯特景区——小七孔为案例地，基于百度指数平台，对其2016—2019年的网络关注度时空特征进行研究，得出结论：（1）各年度网络关注度分布变化具有极强的相似性，均呈现“四峰三谷”特征，季度变化趋势呈现波动状态且相对集中，季节性差异较大，淡旺季明显。（2）在周时段上，网络关注度分布特征具有较强相似性，表现为工作日较高，双休日较低，周内表现“日前兆”；周五至顶峰，周六、周日迅速回落等特征。（3）在春节、“五一”和“十一”期间，总体表现为节假日前网络关注度即开始逐渐上升，至第2-4个假日时达到最高峰值，随后迅速下降并趋于平缓状态，且集中程度更加偏向节假日前期。（4）网络关注度地理分布较集中且表现越来越分散趋势。华南、华东和西南等是重点集中区域；华北和华中地区总体较低，但北京市、湖南省较高；西北和东北地区均较低。从省份和城市看，均表现相似特征。根据结论提出了参考建议，以期为小七孔经营管理提供参考价值，也为贵州其他喀斯特景区提供借鉴意义。

网络关注度； 时空特征； 建议； 喀斯特景区

一、引言及研究综述

网络是旅游资讯和信息的载体和传播工具。社会公众通过互联网渠道关注、了解和获取旅游地信息，从而为出游决策提供依据[1]。截至2019年6月，我国网民总规模达8.54亿，其中在线旅行预订用户规模达4.18亿，占网民整体的48.9%[2]。搜索引擎是网民常用的网络工具，其用户规模达6.947亿，且旅行场景下搜索引擎服务使用率高达58.2%[2-3]。目前，百度搜索是国内搜索引擎品牌渗透率的第一名，其用户渗透率高达到90.9%[3]。百度指数是以百度海量网民行为数据为基础的数据分享平台，可以研究关键词搜索趋势，洞察网民兴趣和需求，监测舆情动向，定位受众特征，将它们运用到旅游研究中具有重要价值。为此，基于百度指数的网络关注度旅游研究一直是学界的热点，备受关注。本文借助知网（http：//www.cnki.net/）平台，先以“百度指数”和“旅游”同时作为主题词进行检索，共得到39篇核心期刊文章（表1），再以“百度指数”和“喀斯特”同时为主题词进行检索，结果显示为0篇。通过对这39篇文章归纳发现：基于百度指数平台，绝大多数文献研究某个地区或景区的网络关注度时空特征及影响因素，也有学者关注旅游安全网络关注度的区域差异特征，另有学者运用该平台工具进行游客量或旅游收入预测等等。分析发现，以往文献对研究对象并未做特别的关注和甄选，因此以喀斯特（景区）为研究对象，对其网络关注度时空特征的研究相对缺失。鉴于此，本文以典型喀斯特景区——小七孔为案例地，借助百度指数平台，运用定性和定量相结合的方法，探索其网络关注度时空特征，得出结论和建议，以期为小七孔经营管理提供参考价值，也为贵州其他喀斯特景区提供借鉴。

二、研究设计

（一）案例地概况

我国喀斯特地貌面积有90万km2，主要集中在滇、黔、桂等9省市。贵州全省国土面积的71.9%均属典型喀斯特地貌，所形成的景观和文化资源是贵州旅游资源的主要组成部分，因此，本文对典型喀斯特景区——小七孔的研究对贵州旅游发展具有重要意义。小七孔位于贵州省黔南布依族苗族自治州南端荔波县境内，是中国南方喀斯特世界自然遗产地、荔波樟江国家级风景名胜区和荔波樟江国家旅游示范区的重要组成部分，被誉为“地球绿宝石”和“全球最美喀斯特”。小七孔集山、林、洞、湖、瀑、险滩、急流等于一体，浓缩了贵州喀斯特山水的所有精华，是喀斯特景区的典型代表。近年来，随着贵州旅游业快速发展，小七孔受到国内外广泛关注和聚焦，知名度和美誉度全面提升，2014年接待量首破100万人次，2015年门票收入首破亿元大关，2019年再创历史新高，接待量达到400万人次。

（二）关键词选取及数据来源

长期以来，小七孔对外形象名称包括“小七孔”“大七孔”和“大小七孔”同时并存。基于百度指数平台，本文先以“大小七孔”作为关键词进行检索，发现其并未录入百度指数，因此，将其剔除。又分别以“小七孔”和“大七孔”为关键词，检索2016年1月1日至2019年12月31日时间段并绘制两者的网络关注度年际变化曲线（图1）。发现两曲线变化具有极强的相似性，但“大七孔”百度指数远低于“小七孔”。因此，为了获取数据方便性，本文拟选取“小七孔”作为唯一的检索关键词。基于百度指数平台，检索时间尺度自2016年1月1日至2019年12月31日，获取小七孔4年整体趋势下的日均搜索指数作为基础数据，并借助“趋势研究”和“人群画像”等功能模块进行网络关注度时空分布特征分析。

（三）研究方法

1．周时段分布偏度指数。

周时段分布偏度指数（G index）能够科学测量微时间段尺度内的集中分布特征和分布规律。本文将运用该指数对小七孔十一黄金周的网络关注度进行实证研究。计算公式为：

式中，Xi为分布周内第i天网络关注度与周内网络关注度总数的比值。G指数值为负值时，表明网络关注度偏向于集中分布周内前期；G指数值为正值时，表明网络关注度偏向于集中分布周内后期；G指数值等于0时，表明网络关注度为对称分布。

2．季节性集中指数。

季节性集中指数是测量大时间段尺度内集中分布特征和分布规律的重要指标，又称季节性时间强度指数。本文将运用该指数对小七孔网络关注度季度变化特征进行实证分析。计算公式为：

式中，Xi为各月网络关注度与全年网络关注度的比值。指数值越大，表明季节性差异越大，网络关注度的季节集中程度越高；指数值越接近于0时，表明季节分布越均匀，关注度的季节集中程度越低。

表1 基于“百度指数+旅游”主题词知网检索的核心文献统计

图1 2016—2019年小七孔和大七孔百度指数年际变化曲线对比

3．地理集中指数。

地理集中指数（G）能够科学的衡量网络关注度相关搜索人群地理集中程度。本文将利用该指数实证分析小七孔网络关注度的空间分布特征。计算公式为：

式中，T为全国网络关注度总和，Xi为第i个省区的网络关注度，n为省区总数，其中G值为正值。G值越小，表明网络关注度空间分布越分散；G值越大，表明网络关注度空间分布越集中。

三、小七孔网络关注度时空特征

（一）小七孔网络关注度时间分布特征

1．网络关注度年际变化特征

基于2016—2019年百度指数，对小七孔4个年度的网络关注度进行统计并绘制年际变化趋势图（图2）。分析发现：2016—2018年，小七孔网络关注度以年均增长率19.37%的速度连续两年持续增加；2019年网络关注度较2018年有所下降，下降5.37%。

图2 2016—2019年小七孔百度指数年际变化趋势

2．网络关注度季度变化特征

基于2016—2019年的百度指数，绘制小七孔4个年度的网络关注度季度变化趋势图（图2）。由图2可知，小七孔各年度网络关注度变化趋势具有极高的相似性，总体呈现“四峰三谷”特征，季度变化呈现波动状态且相对集中趋势。网络关注度高峰阶段分布在2月、4月中下旬至5月上旬、7月至8月、9月底至10月初4个阶段，即春季、夏季和早秋，其中7至8月份是最高峰阶段，即为最旺季时期。而晚秋和整个冬季由于气候等影响因素，其网络关注度状态平缓且水平较低，以11月至次年1月份最为显著，是淡季阶段。

图3 2016—2019年小七孔百度指数年际变化曲线对比

为探明小七孔网络关注度季节性集中程度趋势变化，采用季节性集中指数进行测度，计算结果分别为3.06、3.57、3.68和3.72（表2）。指数值越大，表明季节性差异越大，集中程度越高，反之表明季节性差异越小，集中程度低。结合年度各月份百度指数占比情况（表3）发现，随着年度时间的推移，小七孔网络关注度季节性差异越大，集中程度越高。

表2 2016—2019年小七孔网络关注度季节性集中指数

表3 2016—2019年小七孔各月百度指数及占全年比重

3．网络关注度周时段变化特征

对小七孔网络关注度周时段特征进行分析，需避免法定节假日的影响。为此，考虑获取数据的便捷性和代表性，选择2016—2019各年度7月1日至31日时间段进行分析。2016—2019各年度6月下旬至8月上旬间均没有法定节假日，因此，7月份网络关注度不会受到干扰和影响，以此对小七孔周时段特征进行分析显得更加科学。将小七孔每年度7月份的4个周百度指数日数据按周一至周日相加并求平均值，得出周时段网络关注度，并绘制周时段日均变化曲线（图4）。由图4可知，2016—2019年小七孔网络关注度周时段分布特征具有较强相似性，变化趋势趋同。具体表现为工作日较高，双休日较低；周五达到顶峰，周六和周日迅速回落。这是因为游客一般是周末出游，其客流量远远大于周内客流量，周内显示“日前兆”特征[4]，目的是为了制定相应的出游计划或出游攻略。从年度看，2016—2019年小七孔周时段平均网络关注度排名由大到小依次为2018年、2017年、2019年和2016年，这与前文网络关注度年际变化特征相吻合。

图4 小七孔百度指数周时段变化曲线

4．网络关注度节假日时段变化特征

法定节假日是中国居民外出旅游的高峰期，尤其以春节、“五一”和“十一”最为显著。本文统计了2016—2019年小七孔上述3个假日期间及前后各3天的日均网络关注度指数，五一小长假前后一共9天；春节黄金周和“十一”黄金周均前后共13天，并绘制成变化曲线图（图5、图6和图7）。

由图5可知，春节黄金周前小七孔网络关注度趋于平缓，无明显上升趋势，至假日第2天（大年初一）网络关注度逐渐增加，至假日第5天（大年初四）达到顶峰，随后逐渐下滑并趋于平缓。

图5 春节黄金周小七孔百度指数变化曲线

图6显示，“五一”小长假前小七孔网络关注度即开始逐渐提升，至假日第1或第2天达到最高峰，至节后迅速下降并趋于平缓。但是2019年情况较特殊，其网络关注度在假日第2天后到达高峰后又持续维持了3天，研究发现2019年五一小长假是4天，且第4天假日是周六，很多人选择继续“拼假”延长假期，因而网络关注度维持了高峰值数日。

图6 五一小长假小七孔百度指数变化曲线

由图7可知，十一黄金周前小七孔网络关注度即开始逐步增高，并在假日的第2或第3天达到峰值，随后即开始下降并达到一个稳定状态。

图7 十一黄金周小七孔百度指数变化曲线

为进一步探索小七孔网络关注度假日集中程度状况，选择十一黄金周为代表，采用周时段分布偏度指数进行测度（表4）。数据显示，2016—2019各年度十一黄金周的G指数在均小于0，表明小七孔网络关注度集中程度偏向于黄金周前期，这进一步呼应了上文的分析。

表4 2016—2019年小七孔网络关注度黄金周周时段分布偏度指数

（二）小七孔网络关注度空间分布特征

研究网络关注度空间分布特征有助于细分旅游市场，实施精准营销。为探明2016—2019各年度小七孔网络关注度的地域分布情况，借助百度指数平台“地域分布”功能模块，先后以“城市”“省份”和“区域”三个层次进行检索，得出排名前10的省份和城市（表5）。

表5 2016—2019年小七孔网络关注度排名前十省份和城市

分析发现，从地理区域划分来看，小七孔网络关注度集中分布特征非常明显，各年度在地区空间分布上几乎保持一致，主要集中在华南、西南和华东地区。华南和华东地区经济较发达、人口密度大，且交通便捷、信息网络水平高，而西南地区省份和城市距离小七孔较近，交通方便，多为本地及周边市场，因此，这些地区对小七孔网络关注度相对较高。相较于此，华北和华中地区则总体水平较低，但北京市、湖南省较高；西北和东北地区则均较低。从省份分布来看，各年度贵州、四川、广东和广西分别居于网络关注度前4名，贵州一直保持第1名，广东省排名逐渐提升，四川省排名逐渐下降。从分布城市看，各年度贵阳、成都、黔南、广州、北京、重庆、深圳等7个城市一直居于前10名，其中贵阳一直保持第1名，黔南州、成都和广州排名有所下降，重庆排名有所上升，北京一直处于中下游。以上分析表明城市分布集中度与地理区域分布集中度和省份分布集中基本保持一致。

为进一步探明小七孔网络关注度地理集中程度，借助地理集中指数（G）进行实证分析（表6）。分析显示，2016—2019年，地理集中指数（G）分别是38.54、38.43、38.32和38.18，说明小七孔网络关注度地理分布较集中且表现越来越分散趋势，这表明随着近年来小七孔不断转型升级并实施营销策略，其知名度越来越大，客源市场分布越来越广泛。

表6 2016—2019年小七孔网络关注度度地理集中度指数

四、结论与建议

（一）结论

本文以贵州典型喀斯特景区“小七孔”为研究案例地，基于百度指数平台，对其2016—2019年的网络关注度时空特征进行研究，得出结论：

一是小七孔各年度高峰阶段和低谷阶段时间尺度和节点基本吻合，其网络关注度变化趋势具有极高的相似性，均呈现“四峰三谷”特征。每年度网络关注度季度变化趋势呈现波动状态且相对集中。2月、4月中下旬至5月上旬、7月至8月、9月底至10月初4个阶段为旺季阶段，这与现实旅游客流量淡、旺季相吻合。

二是在周时段上，其分布特征具有较强相似性，变化趋势趋同。具体表现为工作日较高，双休日较低，周内显示“日前兆”特征；周五达到顶峰，周六和周日迅速回落。

三是在春节、五一和十一期间，总体表现为节假日前网络关注度即开始逐渐上升，至第2—4个假日时达到最高峰值，随后迅速下降并趋于平缓状态，且网络关注度集中程度更加偏向节假日前期。

四是网络关注度地理分布较集中且表现出越来越分散的趋势，华南、华东和西南等是重点集中区域；华北和华中地区总体较低，但北京市、湖南省较高；西北和东北地区均较低。从省份看，各年度贵州、四川、广东和广西分别居于网络关注度前4名；从城市看，各年度贵阳、成都、黔南、广州、北京、重庆、深圳等7个城市一直居于前10名。

（二）建议

本文的研究结论为小七孔景区经营管理提供了以下启示，同时对其他类似喀斯特景区也具有参考价值。

第一，善于利用互联网资源和技术科学预判需求动态。信息时代，景区要善于利用互联网资源和技术及时掌握旅游网络关注度信息，科学预判旅游需求动态。这样做有几大益处：其一，有助于预测未来游客量；其二，有益于提升旅游服务和管理水平，尤其能为疫情防控提供重要参考；其三，能够发现潜在旅游市场，为实施精准营销提供依据。

第二，关注网络关注度空间分布特征，细分旅游市场，实施多元营销策略。首先，从网络关注度时间特征看，小七孔在节假日、周、月和季节等时间段上均表现较强的规律性，及时掌握网络关注度信息不仅有助于预测未来游客量，利于提升管理服务水平，同时也为实施精准营销提供了准确时间点参考。其次，从网络关注度空间特征看，建议景区细分不同地域市场。目前看，华南、华东和西南地区为一级市场，华北和华中地区为二级市场，西北和东北地区为三级市场，针对不同市场条件实施不同的营销策略和手段。一级市场是较成熟市场，要加强推介喀斯特旅游新产品、新业态，提升服务质量，增强游客忠诚度。二级市场是潜力市场，实施“一城一策”营销策略，全面铺开，重点推介喀斯特旅游核心产品和新兴产品，提高景区美誉度和知名度。三级市场为潜在市场，要加强推介喀斯特生态观光核心产品，实施重点区域、重点城市突破策略，实施门票降价策略。

第三，关注景区网络关注度时间分布特征，加强智慧景区建设，制定门票预约制度。目前疫情防控常态化背景下，在及时掌握景区网络关注度、预判旅游需求动态基础上，建议小七孔景区启动如下工作：其一，重新科学测度小七孔旅游承载力，合理确定游客接待量上限，为严控游客流量、建立分级预警机制奠定基础。其二，加快智慧景区建设，建立门票预约制度，实施分时段预约策略。其三，建设新型旅游项目，合理规划功能布局，优化设置游览线路，防止出现拥挤现象增加疫情风险和造成局部生态环境压力。

[1] 龙茂兴，孙根年，马丽君，等．区域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（3）： 93-97．

[2] 国家互联网信息中心．第44次中国互联网网络发展统计报告[R]．2019．

[3] 国家互联网信息中心．中国网民搜索引擎使用情况研究报告[R]．2019．

[4] 李山，邱荣旭，陈玲．基于搜索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（6）：102-107．

[5] 林志慧，马耀峰，刘宪锋，等．旅游小七孔网络关注度时空分布特征分析[J]．资源科学，2012（12）：2427-2433．

[6] 张丽峰，丁于思．北京5A级旅游小七孔网络关注度分布特征研究[J]．资源开发与市场，2014（11）：1382-1384，1370．

[7] 蔡杰．基于搜索指数的旅游地景观关注度比较研究——以杭州“西湖十景”为例[J]．资源开发与市场，2015（6）：756-759．

[8] 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（4）：61-72．

[9] 徐凡，尤玮，周年兴，等．基于搜索指数的网络空间关注时空分布研究——以长三角5A级景区为例[J]．资源开发与市场，2016（4）：489-493．

[10] 李霞，曲洪建．邮轮网络关注度的时空特征和影响因素——基于搜索指数的研究[J]．统计与信息论坛，2016（4）：101-106．

[11] 普拉提·莫合塔尔，伊力亚斯·加拉力丁．新疆旅游景区的网络关注度时空特征——基于搜索指数的分析[J]．黑龙江民族丛刊，2016（2）：81-85．

[12] 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（7）：196-202，207．

[13] 何小芊，刘宇，吴发明．基于搜索指数的温泉网络关注度时空特征研究[J]．地域研究与开发，2017（1）：103-108，124．

[14] 何小芊，张艳蓉，刘宇．旅游洞穴网络关注度的时空特征研究——以中国最美五大旅游洞穴为例[J]．中国岩溶，2017（2）：275-282．

[15] 杨利，李冬杰，都刘宁，等．国家公园类小七孔网络关注度时空变化特征研究——以泛长三角地区为例[J]．资源开发与市场，2017（9）：1142-1146，1154．

[16] 刘佳，刘宁．基于泰尔指数的亲子游网络关注度区域差异研究——以我国31个省份为研究区域[J]．资源开发与市场，2018（7）：1015-1020．

[17] 孙晓蓓，杨晓霞，张枫怡．基于搜索指数的中国A级旅游洞穴小七孔网络关注度分布特征研究[J]．西南师范大学学报（自然科学版），2018（4）：81-88．

[18] 严江平，宋志红，李巍．广州市旅游小七孔网络关注度时空特征研究[J]．资源开发与市场，2018（1）：88-93，22．

[19] 何琛，瓦哈甫·哈力克，朱永凤．新疆旅游关注度的时空差异及其影响因素[J]．湖南师范大学自然科学学报，2018（3）：16-24．

[20] 丁鑫，汪京强，李勇泉．基于搜索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（5）：709-714．

[21] 马莉，刘培学，张建新，等．景区旅游流与网络关注度的区域时空分异研究[J]．地理与地理信息科学，2018（2）：87-93．

[22] 张碧星，周晓丽．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[J]．西北师范大学学报（自然科学版），2018（6）：103-109，123．

[23] 管陈雷，胡志毅．基于搜索指数的重庆马拉松网络关注度时空特征研究[J]．重庆师范大学学报（自然科学版），2018（5）：136-142．

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

[25] 刘嘉毅，陈玲，陈玉萍．旅游舆情网络关注度时空演变特征与影响因素[J]．地域研究与开发，2019（1）：88-94．

[26] 郑玉莲，陆林，赵海溶．芜湖方特网络关注度分布特征及与客流量关系研究——以PC端和移动端搜索指数为例[J]．资源开发与市场，2018（9）：1315-1320．

[27] 黄文胜．基于搜索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（5）：101-104．

[28] 生延超，吴昕阳．游客满意度的网络关注度演变及空间差异[J]．经济地理，2019（2）：232-240．

[29] 曾可盈，周丽君．基于搜索指数的东北三省4A级及以上小七孔网络关注度分析[J]．东北师大学报（自然科学版），2019（1）：133-138．

[30] 阮文奇，张舒宁，李勇泉，等．中国赴泰旅游需求时空分异及其影响因素[J]．旅游学刊，2019（5）：76-89．

[31] 戴文，丁蕾，刘培学，等．城市旅游流客源地分布及预测研究——以南京市为例[J]．资源开发与市场，2018（5）：676-681．

[32] 黄先开，张丽峰，丁于思．搜索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（11）：93-100．

[33] 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——以不同客户端搜索指数为例[J]．人文地理，2017（3）：152-160．

[34] 吴潇，陈绍志，赵荣．基于搜索指数的森林公园客流量影响因素分析[J]．林业资源管理，2017（1）：27-30，62．

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

[36] 秦梦，刘汉．搜索指数、混频模型与三亚旅游需求[J]．旅游学刊，2019（10）：116-126．

[37] 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个省市区旅游安全的搜索指数[J]．人文地理，2014（6）：154-160．

[38] 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（2）：101-109．

[39] 孙瑾瑾，李勇泉．中国旅游安全网络关注度的影响因素分析——基于中国省际面板数据的实证检验[J]．资源开发与市场，2018（5）：693-697．

[40] 周慧玲，许春晓．中国城市旅游信息流空间网络结构特征分析[J]．统计与决策，2019（20）：91-94．

[41] 刘慧悦．旅游者网络信息需求与景区游客量的关联性研究——以四川九寨沟为例[J]．情报科学，2017（7）：39-43，69．

Spatial-Temporal Characteristics of Karst Ecotourism Area in Guizhou：Take Xiaoqikong as an Example

LI Wenlu1,3, QIN Jianxiong2, LUO li1

( 1. Southwest Ethnic Research Institute, Southwest Minzu University, Chengdu 610041, Sichuan, China;2. College of Historical Culture and Tourism, Southwest Minzu University, Chengdu 610041, Sichuan, China;3. Sichuan Tourism School, Chengdu 610042, Sichuan, China )

Based on Baidu index, this paper takes Xiaoqikong, a typical karst eco-tourism area in Guizhou province, as a case to study its spatial and temporal characteristics of network attention from 2016 to 2019. The conclusions are as following: (1) there is a strong similarity in the distribution of network attention in each year, showing the feature of "four peaks and three valleys". The seasonal variation trend shows a state of fluctuation and is relatively concentrated, the seasonal difference is large, and the off-peak season is obvious. (2) in terms of the weekly period, the distribution characteristics of network attention have strong similarity, which is manifested as the higher working day, the lower weekends, and the "daily precursor" in the week; Friday to the peak, Saturday, Sunday fell quickly and other characteristics. (3) during the Spring Festival, May Day and National Day, the overall performance is that the network attention starts to rise before the holiday, reaches the peak in the second to the fourth holiday, then rapidly declines and flattens, and the concentration degree of network attention is more inclined to the early stage of the holiday. (4) the geographical distribution of network attention is relatively concentrated and increasingly dispersed. South China, east China and southwest China are the focus areas. It is lower in north and central China, but higher in Beijing and Hunan. Lower in the northwest and northeast. Both provinces and cities show similar characteristics. According to the conclusion, the paper puts forward some suggestions to provide reference value for Xiaoqikong experience management and other karst scenic spots in Guizhou.

network attention, spatial and temporal characteristics, suggestions, Karst ecotourism area

F592.7

A

1673-9639 (2020) 05-0053-10

2020-07-22

四川省社会科学重点研究基地项目“中国南方喀斯特建立国家公园体制研究”（GJGY2019-ZC020）。

李文路（1987-），男，山东菏泽人，博士研究生，四川省旅游学校旅游规划研究院执行院长，研究方向：民族地区生态旅游与资源经济。

覃建雄（1965-），男，贵州荔波人，教授，博士生导师，研究方向：区域旅游与可持续发展。

罗 丽（1989-），女，四川省遂宁人，博士研究生，研究方向：民族地区生态旅游与资源经济。

（责任编辑 陈 俭）（责任校对 张凤祥）（英文编辑 田兴斌）