基于多源数据的城市公园网络关注度时空特征与影响因素研究

摘要：【目的】探析城市公园网络关注度变化特征与影响因素，提出城市公园规划管理建议。【方法】借助多源数据测度了福州市主城区131个城市公园的网络关注度，识别公园网络关注度时空变化特征，构建服务功能分布、城市区位特征、周边空间特征、公园自身属性、区域分布质量、用地性质属性6组指标体系，利用地理探测器与多尺度地理加权回归模型（MGWR）分析公园网络关注度的驱动因子及其空间差异性。【结果】①福州市城市公园网络关注度月度差异显著，具有明显的波动性、突变性与周期性；②空间上呈现“一核两片”布局，Moran’s I分析结果显示，网络关注度呈现正相关的空间分布；③道路网密度是公园网络关注度的主要影响因子，公园面积的影响次之，双因子交互作用对公园网络关注度的促进更明显；④指标空间差异系数之和表现为区域分布质量（G5）gt; 周边空间特征（G3）gt; 城市区位特征（G2）gt; 公园自身属性（G4）。【结论】提升城市公园网络关注度水平，重在城市公园服务品质的营造，提升景观环境面貌和游客承载能力，梳理周边道路交通以便捷游客出行。结合城市公园网络关注度随时间变化特征，可为城市公园规划管理提供前瞻性思路。

关键词：城市公园；网络关注度；时空特征；多尺度地理加权回归模型（MGWR）；福州市

中图分类号：TU986"""""" 文献标志码：A开放科学（资源服务）标识码（OSID）：

文章编号：1000-2006（2024）06-0183-10

Spatial and temporal characteristics" and factors influencing the networkattention degree of urban parks based on multi-source data

YE Yongxiang， CUI Tingting， CHEN Xin， ZHU Liying*

（College of Landscape Architecture and Arts， Fujian Agriculture and Forestry University， Fuzhou 350100， China）

Abstract： 【Objective】By analyzing the change characteristics and factors influencing the network attention degree of an urban park network， we made proposals for urban park planning and management. 【Method】 Using the multi-source data， we assessed the network attention degree of" an urban park network consisting of 131 urban parks in the main urban area of Fuzhou City. We identified the spatial and temporal characteristics of the urban park network and devised a six-group index system of service function distribution， urban location characteristics， surrounding spatial characteristics， park attributes， the quality of regional distribution， and land use nature attributes. The driving factors of the network attention degree for the urban parks and its spatial variability were determined using geographic probes and the multi-scale geographically weighted regression model. 【Result】 （1） The monthly differences in urban park network attention degree were significant， with obvious volatility， mutability" and periodicity. （2） Spatially， there was a “one-core and two-slice” layout， and the results of a Moran’s I test showed that the network attention degree presented a positively correlated spatial distribution. （3） The road network density was the main influencing factor， and the park area was the secondary influencing factor， while the interaction of the two factors clearly promoted the network attention degree. （4） The sum of the spatial coefficients of variation of the indexes followed the order of： the quality of the regional distribution （G5） gt; the peripheral spatial characteristics （G3） gt; the characteristics of the city’s location （G2） gt; the attributes of the parks themselves （G4）. 【Conclusion】 Enhancing the level of urban park network attention degree creates a focus on the creation of service quality in urban parks， improving the appearance of the landscape， increasing visitor carrying capacity and the surrounding road transport network， and facilitating tourists. Combined with the temporal changes in the characteristics of the urban park network， the study provides novel insights for the planning and management of urban parks.

Keywords：urban park; network attention degree; spatio-temporal characteristics; multiscale geographically weighted regression（MGWR）; Fuzhou City

城市公园是改善城市生态环境、美化居住环境及保护生物多样性的重要载体[1]，当前对城市公园的研究主要聚焦于游客满意度、供需平衡、游客访问量预测、游客时空分布与影响因素测度[2-6]。信息化、网络化的生活模式为人们访问城市公园提供了便利，其中网络关注度作为虚拟世界活力的表征，可探析景点现实活力的前兆和预测未来旅游空间流动趋势，为景点精准营销和高质量发展提供思路[7-10]。

公园网络关注度是指人们通过网络在搜索平台或旅游网站留下的足迹，它具有辐射性，关注度的上升可带动周边区域的网络关注度水平，有利于维持区域生态系统的完整性并促进经济发展[11-12]。网络关注度还具备验证效果，可用来反馈政策制定的合理性，为区域发展策略的科学性提供参考[13-15]。当前关于网络关注度的研究主要集中在旅游学科，研究对象限定在国家或省域层面、各类旅游景区、社会热点事件。如Clark等[16]利用网络关注度对美国国家公园未来游客进行了预测；Dergiades等[17]研究了社交媒体（推特、脸书和谷歌博客）和网络搜索强度（谷歌）中包含的信息是否会影响金融市场；陶思宇等[11]探究了大熊猫国家公园文化服务流的影响因素和形成机制；杨利等[18]分析了湿地旅游网络关注度时空差异及其影响因素；而郑昭彦[19]从时空维度分析2016年G20峰会对举办地中国杭州景区网络关注度的影响。

现有对城市公园和网络关注度的研究中，鲜有研究视角将虚拟的网络关注度与城市公园规划相结合。部分研究只将单一公园或单一类别公园作为研究对象进行探讨，网络关注度数据获取多来自百度指数等单一数据平台，缺乏多源数据支撑易造成结果的偏差。基于此，本研究以福州市主城区131个公园作为研究对象，公园类型包括综合公园、社区公园、游园、专类公园，并以百度指数、微信指数、旅游平台数据、地图访问数据作为量化网络关注度的依据开展城市公园网络关注度研究，以期了解福州市主城区城市公园网络关注度时空分布格局及其影响驱动因子，为城市公园管理提供大数据参考。

1 材料与方法

1.1 研究对象及数据来源

1.1.1 研究地概况

福州（118°08′～120°31′E，25°15′～26°39′N）地处欧亚大陆东南边缘，中国东南沿海、福建省中东部的闽江口。自2017年福州市实施“串珠公园”政策[20]以来，福州大力修建城市公园绿地，城市生态基底显著提升，市民生活环境质量得到良好改善。本研究采用编程软件获取福州主城区城市公园名录，通过高德地图进行城市公园地理边界AOI（area of interest，AOI）爬取，最终确定131个具有AOI边界的城市公园作为研究对象。

1.1.2 网络关注度数据来源

城市公园网络关注度代表城市公园线上访客足迹，如果一个城市公园在多个平台均有足迹，则这个城市公园的网络关注度水平较高；反之，在未留下足迹的平台，则视为该城市公园在这一平台的足迹为“0”。本研究数据源自百度指数、微信指数、百度地图访问量、腾讯地图访问量、美团网、携程网、大众点评、马蜂窝，共计8个平台。其中百度指数与微信指数则分别涉及53与55个城市公园，其余6个平台包含了所有131个城市公园，数据来源多样化，可以综合测度衡量城市公园的网络关注度水平。

2022年6月6日—2023年6月8日连续12个月每周获取1次8个平台的数据（即POI数据[8]）。其中：百度指数与微信指数数据采用直接取词法与范围取词法结合，分别获取2 862与2 970条数据，共计5 832条；地图访问量数据为百度地图和腾讯地图中各公园访问量数据，各获取7 074条数据，共计14 148条；旅游平台数据包含携程网、马蜂窝、大众点评及美团网，定期搜集各个旅游平台上公园的评分、评论量数据，各个平台14 148条数据，共计56 592条。综合各类型数据得总计76 572条数据，对其进行标准化处理，利用全局熵值法确定各类数据权重［20-25］，计算获得12个月内131个公园每周的网络关注度值。

1.2 网络关注度影响因子筛选

参考文献[21-24]，并结合前人研究结果，初步确定28个指标，利用SPSS主成分分析功能，剔除公因子方差小于0.5的因子。经过3次主成分分析后，剔除其中5个指标，最后依据主成分分析结果，选取6项21个指标作为城市公园网络关注度的影响因子（表1）。

1.3 研究方法

1.3.1 各平台网络关注度权重计算

通过各个平台获取的网络关注度数据存在量纲不统一的问题，为使多组数据具有可比性，将每周获取的131个公园网络关注度数据（xi）汇总，并进行标准化处理[25]，统一各组数据的量纲，计算公式如下：

i=xi-xi，minxi，max-xi，min×99+1。（1）

式中： xi，max为汇总数据最大值; xi，min为汇总数据最小值;i为标准化的xi。

将每周获取的网络关注度数据引入全局思想，采用全局熵值法[25]对汇总标准化后的一张数据表进行各个平台网络关注度权重计算。

1.3.2 公园网络关注度内在突变性与周期性测度

借鉴水文气象学的Mann-Kendall突变分析与Morlet小波分析［26］探析城市公园网络关注度内在突变性与周期性。其检验统计量z值为正则表示呈增加趋势，反之，则降低；若|z|≥1.96则表示在95％的区间内有显著性变化。Ｍ-Ｋ突变检验则通过计算每个样本的秩，计算统计量UFk（正序列趋势统计量）和UBk（逆序列趋势统计量），若UFk和UBk曲线出现交点，且交点在临界值（±1.96）之间，那么交点对应的时刻就是突变点。

采用Morlet小波分析法中的小波方差图，确定时间序列的不同周期变化。小波分析在时域和频域具有良好的局部化功能，能较好地揭示时间序列的多尺度变化特征，识别不同时间尺度的变化周期[27-30]。

1.3.3 网络关注度各影响因子的作用力测度

利用地理探测器[31-32]识别网络关注度各影响因子的作用力大小，并通过多尺度地理加权回归模型分析影响因子系数的空间异质性。地理探测器是探测地理要素空间分异特性，以揭示其背后驱动力的一种统计学方法。本研究中网络关注度各影响因子作用力大小公式如下：

q=1-∑Lh=1Nhσ2hNσ2。（2）

式中：q为城市公园访客活力驱动因素解释程度；L为因变量或自变量的分层；Nh和σ2h分别为层h的分类数量和方差；N和σ2分别为研究区整体的分类数量和方差。q值越大，说明某驱动因素对城市公园访客活力的解释度越强，反之则越弱。

地理探测器会基于内置运算程序对多个影响因子进行两两交互，并以表格形式呈现出各组交互结果对因变量作用的大小[33]，记作q（A∩B）。因子交互类型即交互作用对活力的影响有5种：q（X1∩X2）lt;min[q（X1），q（X2）]时交互作用表现为非线性减弱，min[q（X1），q（X2）] lt; q（X1∩X2）lt; max[q（X1），q（X2）]时单因子非线性减弱，q（X1∩X2）gt; max[q（X1），q（X2）]时双因子增强，q（X1∩X2）=q（X1）+q（X2）时表现为独立，q（X1∩X2）gt;q（X1）+q（X2）时为非线性增强。

1.3.4 空间异质性特点测度

多尺度地理加权回归（multiscale geographically weighted regression， MGWR）模型是在传统地理加权回归（GWR）模型的基础上，改进了带宽选择的缺陷，使得不同变量可以选择不同的带宽取值，更好地体现变量间的空间异质性特点，并提高回归分析的准确性[34-36]。

Yi=∑kj=1βbwj（ui，vi）xij+εi。（3）

式中：xij为公园i的第j个预测变量；（ui， vi）为各城市公园i的质心坐标；βbwj为第j个变量回归系数的带宽；k为变量数；εi代表误差项。

2 城市公园网络关注度时空特征

2.1 网络关注度的时间特征

2.1.1 城市公园网络关注度周期性变化

对研究区131个公园样本网络关注度统计发现，在福州地区，网络关注度较高的月份依次为7月、3月和1月，这3个时段分别因为暑期、春节等节假日以及春季天气回暖，市民外出活动较多，对于公园景点的搜索量最高且相对应的市民游玩后发表在旅游平台的评论量也最多。网络关注度较低的分别为学校期末与开学季的6月、9月，学生出行意愿降低，而青少年是网络主力军，城市公园网络关注度在这一期间下降。2月是福州平均气温最低的月份，大风与低温天气下不适宜出行，相对应的网络关注也减少。

将连续获取的52周数据定义为1～52周（记为1w～52w），开展累计距平分析（图1）可知，福州市主城区城市公园发生连续3周以上的波动下滑段4次，分别为10w～14w（时间段08-08—09-11）、23w～26w（11-07—12-04）、28w～32w（12-12—01-15）、42w～45w（03-20—04-16）；发生连续3周以上的波动上升段2次，分别为2w～5w（06-13—07-10）和33w～42w（01-16—03-19）。

利用趋势分析法可得出城市公园网络关注度整体呈现出微弱的上升趋势，关注度的周际倾向率每10周为1.402。为了消除周期变化带来的影响，对数据进行了5周滑动平均处理，结果表明，52周以来网络关注度没有明显的整体上升或下降趋势，而是呈现出波动起伏的状态（图1）。

2.1.2 城市公园网络关注度突变性与周期性分析

为了考察时间序列内部网络关注度的变化特征，采用M-K突变性检验探究时间序列内部特征，结果见图2a。1～4周（1w～4w），城市公园网络关注度表现为短暂下降，自第6周开始，网络关注度有着长达29～30周的下降趋势，第36周后，城市公园网络关注度波动上升。观察UFk与UBk曲线交点，处在±1.96（α=0.05）置信区间有7个交点，其中第14周UFk曲线超过临界值，表明第4周的这一交点是网络关注度突变的开始，而后有6个交点，但UFk与UBk曲线均未超出临界值，突变情况不显著。

运用小波分析对2022年6月至2023年6月每周的城市公园网络关注度进行分析，得到小波变换系数实部时频分布图（图2b）。从图中可知，52周以来网络关注度呈现出不同尺度的周期变化。为进一步分析其周期性，展示小波系数方差（图3），从中可知，51w、23w、11w、7w分别为网络关注度周期变化的第1至第4主周期。通过展示第1主周期实部系数图可知，以51w为时间尺度的第1主周期，则每过30周会有一次周期性变化，第1主周期实部系数等高线处在负值且尚未闭合，预测在该时间点后未来几周福州市主城区城市公园网络关注度将有短暂的下滑。

2.2 网络关注度的空间特征

2.2.1 城市公园网络关注度空间分布格局

利用ArcMap10.7将福州主城区城市公园网络关注度按自然断裂点法分为6个梯度（图4a），从空间分布上看，公园梯度断层明显，各梯度公园数量分别为3、7、16、23、41、41个，

底图审图号：GS（2019）1812。下同。

高关注度的头部公园较少，主要集中在第5、第6梯度的低关注度区。城市公园网络关注度分布聚集，总体呈现“一核两片”的空间结构，即以鼓楼、台江旧城区为核心，高网络关注度城市公园集中分布于此；闽侯县中部与南部以及以长乐为中心的新城区这两个片区城市公园网络关注度相对较低。

2.2.2 空间自相关检验

以城市公园网络关注度为对象，采用莫兰指数（Moran’s I）与LISA分析开展空间自相关分析，结果显示，Moran’s I数值为0.224，通过α=0.01的显著性水平检验，表明福州主城区城市公园网络关注度在空间上不是随机分布，而是呈现正相关的空间分布，城市公园网络关注度的高低会影响到其周边公园的网络关注度。

从LISA分析结果看（图4b），城市公园网络关注度呈现出“高-高、高-低、低-高、低-低”4种不同的分布集聚区，各公园网络关注度相互依赖性较强。“高-高”与“低-高”区集中分布在旧城区，说明旧城区高网络关注度公园聚集分布且网络关注度差异大，低网络关注度公园错综分布于高网络关注度公园周边。“低-低”聚类区出现在闽侯县中部、东南部以及长乐区，这些区域公园网络关注度整体水平较低，长乐新城区与沿海局部城市公园网络关注度水平较高，形成“高-低”聚类区。

3 网络关注度的影响因子及空间差异

3.1 城市公园网络关注度影响因素探测

以城市公园网络关注度为因变量，21个指标为自变量，利用自然断裂点对自变量进行分层，应用地理探测器工具，探测影响福州市主城区城市公园网络关注度的指标，结果表明，21个指标中有7个通过了αlt;0.01的显著性水平检验（表3）。

由表3可知，城市区位特征（G2）对城市公园网络关注度有驱动作用，组内4个指标均通过P值检验，但除与中心区距离（X8）的q值为0.217外，其他3个指标系数（q值）均在0.15以下，整体驱动效果微弱。周边空间特征（G3）中的道路网密度（X14）是主要影响因子，q值达0.363；公园自身属性（G4）中的公园面积（X15）是次要影响因子，q值为0.270。此外区域分布质量（G5）中停车场数量（X19）的q值为0.160，对城市公园网络关注度有一定影响，而服务功能分布（G1）与用地性质属性（G6）指标经P值检验，对城市公园网络关注度驱动作用均不显著。

3.2 城市公园网络关注度影响因素交互作用探测

城市公园网络关注度具有复杂的内在机制，除了受单因子影响，还会受到不同双因子交互作用的影响，因此，本研究基于地理探测器对城市公园网络关注度任意两个影响因子开展双因子交互作用探测研究。结果表明，双因子交互作用结果只有双因子增强与非线性增强两种，整体呈现增强水平，即任意两两因子进行组合交互，其q值都会有所上升，此次研究依据交互后的q值大小，选取交互作用后q≥0.550的结果进行降序排列，结果见表4。

在q≥0.550的12组交互结果中，分别有6组与X14和X15相关，因此这两个指标是网络关注度的主要交互因子。在单因子探测中，教育医疗POI密度（X3）、住宅住宿POI密度（X6）、平均坡度（X13）未通过αlt;0.01的显著性检验，而在q≥0.550的双因子交互作用中，各有2组与这3个指标相关联，可见这3个指标是网络关注度的间接交互因子。

3.3 网络关注度影响因子空间差异分析

3.3.1 模型选择与对比

将通过地理探测器检验的7个指标进行普通最小二乘法（ordinary least square，OLS）分析及共线性检测，结果各个指标VIF值均小于7.5，通过共线性检验。依次将城市公园网络关注度影响指标进行GWR与MGWR模型计算，结果见表5。3组模型赤池信息准则值（AICc）阶梯式下降且下降量超过3，表明MGWR是3组模型中运行效果最优的模型；与之相反，3组模型调整后R2逐步上升，MGWR是其中拟合效果最为优良的模型。因此，相较于OLS与GWR模型，此次研究选择运行效果更优良、拟合效果更佳的MGWR模型开展网络关注度影响指标空间异质性分析。

3.3.2 各因素空间异质性分析

1）与中心区距离（X8）。城市公园与中心区距离系数在空间上呈现负数（图5a），整体上，旧城区城市公园网络关注度普遍高于周边郊区与新城区。主要因为旧城区中心城市公园周边基础设施分布密集、人口密度大，举办活动次数多，网络宣传曝光度高，相应的公园网络关注度搜索次数较高；而郊区与新城区人口密度小，网络宣传效果差。因此，与中心区距离系数呈现出以旧城区中心为核心，向外系数逐渐降低的多环分布空间格局。

2）平均出行时间成本（X9）。城市公园平均出行时间成本系数均为正值（图5b）。影响系数最低的公园集中分布在仓山区与闽侯县东南部，该区域居住区到达公园所花费的平均时间最少。长乐与马尾区的系数水平最高，主要因为两区位于福州东南沿海区域，居民出行时间成本高。因此，降低长乐与马尾新区城市公园平均出行成本，将极大地提升公园网络关注度水平。

3）周边房价（X10）。福州房价与距离旧城区距离成反比（图5c），与旧城区距离越近房价越高，因此长乐与马尾新区房价水平是最低的。高房价地区往往有更好的商业、医疗、教学、交通资源，相对应的高房价地区城市公园的网络关注度水平大于周边地区。因此，以周边房价为影响因子，高房价水平地区（鼓楼、台江、仓山、闽侯高新区）的系数水平高于较低房价水平地区（闽侯西部、长乐马尾新区）。

4）建筑平均高度（X11）。建筑平均高度与城市公园网络关注度呈现负相关关系（图5d），公园周边建筑过高阻挡公园景观视线，影响整体的远景观感。影响系数水平呈“一核多环”分布，“核心”指旧城区与闽侯东南部分，“二环”为晋安区和与鼓楼区、仓山区接壤地区以及闽侯县中部，“三环”为闽侯县西部、晋安区中部、长乐和马尾区与仓山区接壤位置，“四环”“五环”为长乐新区以及长乐、马尾区沿海地段。可见建筑高度对城市公园网络关注度的负面影响与距离旧城区距离呈负相关，越接近旧城区的地区，公园周边建筑高度的负面影响越小。这与旧城区人口密度、基础设施完善度、互联网宣传力度相关，一定程度弥补了高楼建筑遮挡景观视线的弊端。

5）道路网密度（X14）。城市公园周边道路网密度水平正相关影响城市公园网络关注度（图5e），整体上，随道路网密度的上升，城市公园网络关注度水平的影响力也呈现自东南沿海向西北城区递增趋势。可见，其影响趋势与福州市主城区的路网密度相契合，表明高密度的路网体系，可为居民提供便捷的游览途径，进而提高城市公园的网络关注度。但地处东南沿海的长乐和马尾新区的道路网密度对网络关注度的影响作用较弱，需与周边的基础设施建设、人口密度等多种因素组合才能促进城市公园网络关注度水平提升。

6）公园面积（X15）。公园面积对网络关注度影响作用较小（图5f），空间上，公园面积对网络关注度水平影响力与道路网密度系数的分布相似，呈现出以长乐区与其他市辖区接壤线为边界东南低、西北高的影响趋势。这与旧城区人口密度大、公园游客承载力大相关，即面积大的公园能承载更多的人流，承办大型活动，助推公园网络关注度的提升；新城区地理位置较偏，人口密度小，因此公园面积对网络关注度的推动作用小于旧城区。

7）停车场数量（X19）。停车场数量对城市公园网络关注度有极大的推动作用，影响系数自北向南按5层递减（图5g），旧城区影响系数大于新城区。这表明完善的停车场配套设施更能吸引市民驱车前往，从而增加公园受访活力，提升其网络关注度水平。

4 讨 论

通过累计距平、趋势分析法、M-K趋势检验、小波分析法研究了福州市主城区城市公园网络关注度的波动起伏、升降趋势、突变节点与周期性变化；通过自然断裂点法与空间自相关分析了城市公园网络关注度的空间分布与集聚类型；利用地理探测器与多尺度地理加权回归模型，探究了影响城市公园网络关注度的影响因子及因子的空间异质性。

1）福州市主城区城市公园网络关注度月度差异明显，节假日假期与气温舒适的月份网络关注度普遍较高。网络关注度的周变化呈多次波动上升与下降趋势，整体来看，网络关注度水平呈现微弱的上升趋势，第6周是网络关注度突变的开始，经历30周的波动下降后回升。网络关注度呈现多个周期变化主周期，51周是其第1主周期，每过30周会呈现出一次周期变化。

2）城市公园网络关注度梯度断层明显，公园网络关注度聚集在第5、第6梯度。空间分布呈现以旧城区为核心，闽侯县中南部与新城区为片区的“一核两片”布局格式。空间集聚效果明显，“高-高”“低-高”区集中分布于旧城区及周边，“低-低”“高-低”区聚集于新城区及周边地区。

3）各组指标差异系数之和表现为区域分布质量（G5）gt;周边空间特征（G3）gt;城市区位特征（G2）gt;公园自身属性（G4）。道路网密度（X14）影响系数最高，完善、便捷的交通体系会刺激市民的出行意愿。停车场数量（X19）是影响城市公园网络关注度的主要因素，公园配套停车场等设施提升公园服务品质，吸引市民驱车前往，为公园注入访客活力。公园面积（X15）对城市公园网络关注度有一定的助推作用，而具有社会经济属性的周边房价（X10）、建筑平均高度（X11）与城市公园网络关注度呈负相关。

通过福州市主城区城市公园网络关注度的时间分析可知，高网络关注度的城市公园集中分布于旧城区，新城区城市公园网络关注度普遍较低。基于此，提出以下建议：①节假日期间城市公园网络关注度较高，根据网络关注度相对客流量的“前兆效应”[37]，应提前对节假日虚拟线上活动进行预热，提升线下客流量的合理管控与分流能力。②完善城市公园配套设施建设、梳理公园周边道路交通，将提升公园的环境面貌与游客承载能力，同时降低市民游客出行时间成本，从而提升城市公园吸引力。③注重城市公园区域组团发展，发挥高网络关注度的辐射带动作用，形成高关注度公园带动低关注度公园、区域网络关注度协同并进的发展格局。④政策上要向新城区倾斜，新城区发展起步晚，人口密度、城市基础设施均不如旧城区，导致新城区城市公园网络关注度水平普遍低于旧城区，故应增强新城区基础设施建设，提升新城区服务水平，在公园修建中强化地域特色、文化内涵等因素。

此次研究将视角从景区景点引入更为微观的城市公园，借助多源数据量化福州市主城区131个城市公园网络关注度，探讨了城市公园网络关注度时空变化特征，并分析了城市公园网络关注度的驱动因子及其空间特征差异，对城市公园的活力提升与规划建设具有指导意义。在后续的研究中，将继续定期获取网络关注度的数据，进行长时间的时空特征研究，同时将景观季相、网络宣传度、政府政策引导、游客访问特征等纳入指标体系，以期获得更为全面有力的解释效果。

参考文献（reference）：

［1］刘源， 张凯云， 王浩. 城市公园绿地整体性发展分析[J]. 南京林业大学学报（自然科学版）， 2013，37（6）：101-106.LIU Y， ZHANG K Y， WANG H. Research on overall development of the urban public park[J]. J Nanjing For Univ （Nat Sci Ed）， 2013，37（6）：101-106.DOI：10.3969/J.ISSN.1000-2006.2013.06.002.

［2］GUO S H，YANG G G，PEI T，et al．Analysis of factors affecting urban park service area in Beijing：perspectives from multi-source geographic data[J]．Landsc Urban Plan，2019，181：103-117．DOI： 10.1016/j.landurbplan.2018.09.016.

［3］邵旻煜， 苏晓毅. 城市公园分布与周边人口活动密度及交通便利性分析[J]. 西南林业大学学报（社会科学）， 2019，3（1）：76-79. SHAO M Y， SU X Y. Study on urban park distribution， population density and traffic condition[J]. J Southwest For Univ （Soc Sci）， 2019，3（1）：76-79.

［4］李丹丹， 郑钰旦， 邵锋， 等. 城市口袋公园使用后评价（POE）研究[J]. 中国城市林业， 2018，16（3）：41-46. LI D D， ZHENG Y D， SHAO F， et al. Research on urban vest-pocket parks by using POE[J]. J Chin Urban For， 2018，16（3）：41-46. DOI：10.3969/j.issn.1672-4925.2018.03.009.

［5］何仲禹， 李岳昊. 基于开放数据的上海城市公园使用活跃度时空特征研究[J]. 中国园林， 2020，36（10）：45-50. HE Z Y， LI Y H. The temporal-spatial characteristics of usage activeness of urban parks in Shanghai based on open data[J]. Chin Landsc Archit， 2020，36（10）：45-50. DOI：10.19775/j.cla.2020.10.0045.

［6］达婷， 李琰， MATHIAS K G. 基于场所依恋的城市滨水公园社会连接研究[J]. 南京林业大学学报（自然科学版）， 2023，47（6）：227-235. DA T， LI Y， MATHIAS K G. Research on social connectivity of urban waterfront park based on place attachment[J]. J Nanjing For Univ （Nat Sci Ed）， 2023，47（6）：227-235. DOI：10.12302/j.issn.1000-2006.202212019.

［7］梁改童， 高敏华， 白洋. 新疆5A级旅游景区网络关注度时空分布特征研究[J]. 西北师范大学学报（自然科学版）， 2021，57（2）：118-126. LIANG G T， GAO M H， BAI Y. A study on the spatial and temporal distribution characteristics of the network attention degree of 5A tourist attractions in Xinjiang[J]. J Northwest Norm Univ （Nat Sci）， 2021，57（2）：118-126. DOI：10.16783/j.cnki.nwnuz.2021.02.019.

［8］杨利， 李冬杰， 都刘宁， 等. 国家公园类景区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， 2017，33（9）：1142-1146， 1154. YANG L， LI D J， DU L N， et al. Study on temporal and spatial variation of network attention in national park scenic spots： a case study of Pan-Changjiang River Delta[J]. Resour Dev Mark， 2017，33（9）：1142-1146， 1154. DOI：10.3969/j.issn.1005-8141.2017.09.024.

［9］李磊， 陶卓民， 赖志城， 等. 长征国家文化公园红色旅游资源网络关注度及其旅游流网络结构分析[J]. 自然资源学报， 2021，36（7）：1811-1824. LI L， TAO Z M， LAI Z C， et al. Analysis of the internet attention and tourism flow network structure of red tourism resources in Long March National Cultural Park[J]. J Nat Resour， 2021，36（7）：1811-1824. DOI：10.31497/zrzyxb.20210713.

[10]徐凡， 尤玮， 周年兴， 等. 基于百度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， 2016，32（4）：489-493. XU F， YOU W， ZHOU N X， et al. Tourist attention based on Baidu Index of network： temporal and space distribution： taking 5A grade scenic spot in Changjiang River delta as an example[J]. Resour Dev Mark， 2016，32（4）：489-493. DOI：10.3969/j.issn.1005-8141.2016.04.021.

[11]陶思宇， 周忠学. 基于旗舰物种的生态系统文化服务供需及流研究：以大熊猫国家公园为例[J]. 生态学杂志， 2022，41（8）：1643-1652. TAO S Y， ZHOU Z X. The supply， demand， and flow of ecosystem cultural services based on flagship species： case of the Giant Panda National Park， China[J]. Chin J Ecol， 2022，41（8）：1643-1652. DOI：10.13292/j.1000-4890.202206.009.

[12]蔚海燕， 戴泽钒， 许鑫， 等. 上海迪士尼对上海旅游流网络的影响研究：基于驴妈妈游客数字足迹的视角[J]. 旅游学刊， 2018，33（4）：33-45. YU H Y， DAI Z F， XU X， et al. The impact of Shanghai Disneyland on Shanghai’s tourist flow network from the perspective of tourists’digital footprints on the Lyumama website[J]. Tour Tribune， 2018，33（4）：33-45. DOI：10.3969/j.issn.1002-5006.2018.04.009.

[13]戴璐， 白彩全， 梁龙武. 中国红色旅游政策实施对网络关注度的空间溢出效应：基于语义分析与空间计量的实证[J]. 自然资源学报， 2021，36（11）：2778-2796. DAI L， BAI C Q， LIANG L W. Spatial spillover effect of the red tourism policy on public online attention in China： an empirical study based on semantic analysis and spatial econometric model[J]. J Nat Resour， 2021，36（11）：2778-2796. DOI：10.31497/zrzyxb.20211105.

[14]GUO X J，YAO H L，CHEN X P，et al．A study on the online attention of emergency events of torrential rain in Shanxi and Henan[J]．Water，2022，14（14）：2183．DOI： 10.3390/w14142183.

[15]刘娟， 殷豪， 曹可心， 等. 深圳市不同类型公园服务评价及提升策略[J]. 深圳大学学报（理工版）， 2021，38（4）：433-440. LIU J， YIN H， CAO K X， et al. Service evaluation and promotion strategies for different types of parks in Shenzhen[J]. J Shenzhen Univ （Sci Eng）， 2021，38（4）：433-440. DOI：10.3724/SP.J.1249.2021.04433.

[16]CLARK" M， WILKINS" E J， DAGAN" D T， et al. Bringing forecasting into the future： using Google to predict visitation in U.S. national parks[J]. J Environ Manage， 2019，243：88-94. DOI：10.1016/j.jenvman.2019.05.006.

[17]DERGIADES" T， MILAS" C， PANAGIOTIDIS" T. Tweets， Google trends， and sovereign spreads in the GIIPS[J]. Oxf Econ Pap， 2015，67（2）：406-432. DOI：10.1093/oep/gpu046.

[18]杨利， 谢慧， 谢炳庚. 中国大陆31个省（市、自治区）湿地旅游网络关注度时空差异及其影响因素[J]. 湖南师范大学自然科学学报， 2022，45（4）：77-85. YANG L， XIE H， XIE B G. Spatio-temporal differences and influencing factors of wetland tourism network attention in 31 Provinces （Municipalities and Autonomous Regions） in China’s mainland[J]. J Nat Sci Hunan Norm Univ， 2022，45（4）：77-85. DOI：10.7612/i.issn.2096-5281.2022.04.009.

[19]郑昭彦. 重大事件对举办地景区网络关注度的影响：以杭州G20峰会为例[J]. 地域研究与开发， 2019，38（5）：111-114. ZHENG Z Y. Influence of major events on network attention of the locations’ scenic spots： a case from G20 summit in Hangzhou City[J]. Areal Res Dev， 2019，38（5）：111-114. DOI：10.3969/j.issn.1003-2363.2019.05.021.

[20]上官莎逸， 刘健， 余坤勇， 等. 福州城市公园绿地可达性影响因素[J]. 福建农林大学学报（自然科学版）， 2018，47（4）：494-502. SHANG G S Y， LIU J， YU K Y， et al. Factors affecting accessibility of urban park green space in Fuzhou[J]. Agric For Univ， 2018，47（4）：494-502. DOI：10.13323/j.cnki.j.fafu（nat.sci.）.2018.04.018.

[21]关文川， 吴志峰， 吴卓， 等. 基于微信宜出行数据的城市人口活动时空探测及其影响因素分析[J]. 现代城市研究， 2021，36（8）：2-9. GUAN W C， WU Z F， WU Z， et al. Study on spatial-temporal detection and influencing factors of urban population activity based on Easygo data[J]. Mod Urban Res， 2021，36（8）：2-9. DOI：10.3969/j.issn.1009-6000.2021.08.001.

[22]秦诗文， 杨俊宴， 冯雅茹， 等. 基于多源数据的城市公园时空活力与影响因素测度：以南京为例[J]. 中国园林， 2021，37（1）：68-73. QIN S W， YANG J Y， FENG Y R， et al. Spatiotemporal vitality and influencing factors of urban parks based on multi-source data： a case study of Nanjing[J]. Chin Landsc Archit， 2021，37（1）：68-73. DOI：10.19775/j.cla.2021.01.0068.

[23]李方正， 钱蕾西， 臧凤岐， 等. 基于腾讯出行大数据的北京市郊野公园游憩使用及影响因素研究[J]. 风景园林， 2019，26（4）：77-82. LI F Z， QIAN L X， ZANG F Q， et al. Study on recreational use and influencing factors of country parks in Beijing based on Tencent travel big data[J]. Landsc Archit， 2019，26（4）：77-82. DOI：10.14085/j.fjyl.2019.04.0077.06.

[24]钮心毅， 康宁. 上海郊野公园游客活动时空特征及其影响因素：基于手机信令数据的研究[J]. 中国园林， 2021，37（8）：39-43. NIU X Y， KANG N. Spatio-temporal characteristics and influencing factors of tourist activities in Shanghai country parks： a study based on mobile phone signaling data[J]. Chin Landsc Archit， 2021，37（8）：39-43. DOI：10.19775/j.cla.2021.08.0039.

[25]潘雄锋， 刘清， 彭晓雪. 基于全局熵值法模型的我国区域创新能力动态评价与分析[J]. 运筹与管理， 2015，24（4）：155-162. PAN X F， LIU Q， PENG X X. Evaluation and analysis of regional innovation ability in China based on overall entropy method[J]. Oper Res Manag Sci， 2015，24（4）：155-162. DOI：10.3969/j.issn.1007-3221.2015.04.023.

[26]陈赟， 沈浩， 王晓慧， 等. 基于Mann-Kendall趋势检验的城市能源碳达峰评估方法[J]. 上海交通大学学报， 2023，57（7）：928-938. CHEN Y， SHEN H， WANG X H， et al. Assessment method for urban energy carbon emission peak based on Mann-Kendall trend test[J]. J Shanghai Jiao Tong Univ， 2023，57（7）：928-938. DOI：10.16183/j.cnki.jsjtu.2021.524.

[27]孔锋， 孙劭， 王一飞， 等. 近56 a来中国东部地区雨涝事件时空演变特征[J]. 长江流域资源与环境， 2018，27（7）：1554-1564. KONG F， SUN S， WANG Y F， et al. Temporal and spatial variation pattern of waterlogging events in eastern China in recent 56 years[J]. Resour Environ Yangtze Basin， 2018，27（7）：1554-1564. DOI：10.11870/cjlyzyyhj201807015.

[28]曹伟征， 邢贞相， 李衡， 等. 佳木斯地区1956—2010年径流量时间序列变异分析[J]. 水土保持研究， 2018，25（6）：126-130. CAO W Z， XING Z X， LI H， et al. Time series analysis on runoff in Jiamusi area from 1956 to 2010[J]. Res Soil Water Conserv， 2018，25（6）：126-130. DOI：10.13869/j.cnki.rswc.2018.06.019.

[29]马新萍， 白红英， 冯海鹏， 等. 52 a来秦岭南北径流变化对比及影响因素[J]. 干旱区地理， 2013，36（6）：1032-1040. MA X P， BAI H Y， FENG H P， et al. Runoff variation and its influencing factors compared between south and north of Qinling Mountains during 50 years[J]. Arid Land Geogr， 2013，36（6）：1032-1040. DOI：10.13826/j.cnki.cn65-1103/x.2013.06.011.

[30]罗润， 周年兴， 谢秋逸， 等. 基于小波分析的不同类型旅游景区旅游流时间特征研究：以江苏省125家高等级旅游景区为例[J]. 地域研究与开发， 2022，41（6）：99-104. LUO R， ZHOU N X， XIE Q Y， et al. Study on the temporal characteristics of tourist flow in different types of scenic spots based on wavelet analysis ：a case study of 125 high-level scenic spots in Jiangsu Province[J]. Areal Res Dev， 2022，41（6）：99-104. DOI：10.3969/j.issn.1003-2363.2022.06.017.

[31]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. WANG J F， XU C D. Geodetector： principle and prospective[J]. Acta Geogr Sin， 2017，72（1）：116-134. DOI：10.11821/dlxb201701010.

[32]张瑞， 李朝奎， 姚思妤， 等. 融合地理探测器和地理加权回归的太原市建设用地变化因素研究[J]. 测绘通报， 2022（5）：106-109， 119. ZHANG R， LI C K， YAO S Y， et al. Study on the change factors of construction land in Taiyuan by integrating geographic detector and geographically weighted regression[J]. Bull Surv Mapp， 2022（5）：106-109， 119. DOI：10.13474/j.cnki.11-2246.2022.0150.

[33]文妙霞， 何学高， 刘欢， 等. 基于地理探测器的宁夏草地植被覆被时空分异及驱动因子[J]. 干旱区研究， 2023，40（8）：1322-1332. WEN M X， HE X G， LIU H， et al. Analysis of the spatiotemporal variation characteristics and driving factors of grassland vegetation cover in Ningxia based on geographical detectors[J]. Arid Zone Res， 2023，40（8）：1322-1332. DOI：10.13866/j.azr.2023.08.13.

[34]凡来， 张大玉. 基于MGWR的华北地区传统村落空间分异特征及影响因素研究[J]. 中国园林， 2022，38（10）：56-61. FAN L， ZHANG D Y. Study on spatial differentiation characteristics and influencing factors of traditional villages in north China based on MGWR model[J]. Chin Landsc Archit， 2022，38（10）：56-61. DOI：10.19775/j.cla.2022.10.0056.

[35]黄颙昊， 杨新苗， 岳锦涛. 基于多尺度地理加权回归模型的城市道路骑行流量分析[J]. 清华大学学报（自然科学版）， 2022，62（7）：1132-1141. HUANG Y H， YANG X M， YUE J T. Urban street bicycle flow analysis based on multi-scale geographically weighted regression model[J]. J Tsinghua Univ （Sci Technol）， 2022，62（7）：1132-1141. DOI：10.16511/i.cnki.qhdxxb.2022.26.014.

[36]王强， 崔璐明， 鄢慧丽. 黄河流域区域经济差异影响因素的空间异质性：基于MGWR模型的实证研究[J]. 地域研究与开发， 2023，42（2）：7-13. WANG Q， CUI L M， YAN H L. Spatial heterogeneity of driving factors of the regional economic disparity in the Yellow River basin ： a multiscale geographically weighted regression approach[J]. Areal Res Dev， 2023，42（2）：7-13. DOI：10.3969/j.issn.1003-2363.2023.02.002.

[37]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. SUN Y， ZHANG H L， LIU P X， et al. Forecast of tourism flow volume of tourist attraction based on degree of tourist attention of travel network： a case study of Baidu Index of different clients[J]. Hum Geogr， 2017，32（3）：152-160. DOI：10.13959/j.issn.1003-2398.2017.03.020.

（责任编辑 郑琰燚）