喀斯特景區網絡關注度時空特征研究——以小七孔為例

李文路，覃建雄，羅 麗

【經濟學與管理學】

喀斯特景區網絡關注度時空特征研究——以小七孔為例

李文路1,3，覃建雄2，羅 麗1

（1．西南民族大學 西南民族研究院，四川 成都 610041；2．西南民族大學 旅游與歷史文化學院，四川 成都 610041；3．四川省旅游學校，四川 成都 610042）

以貴州典型喀斯特景區——小七孔為案例地，基于百度指數平臺，對其2016—2019年的網絡關注度時空特征進行研究，得出結論：（1）各年度網絡關注度分布變化具有極強的相似性，均呈現“四峰三谷”特征，季度變化趨勢呈現波動狀態且相對集中，季節性差異較大，淡旺季明顯。（2）在周時段上，網絡關注度分布特征具有較強相似性，表現為工作日較高，雙休日較低，周內表現“日前兆”；周五至頂峰，周六、周日迅速回落等特征。（3）在春節、“五一”和“十一”期間，總體表現為節假日前網絡關注度即開始逐漸上升，至第2-4個假日時達到最高峰值，隨后迅速下降并趨于平緩狀態，且集中程度更加偏向節假日前期。（4）網絡關注度地理分布較集中且表現越來越分散趨勢。華南、華東和西南等是重點集中區域；華北和華中地區總體較低，但北京市、湖南省較高；西北和東北地區均較低。從省份和城市看，均表現相似特征。根據結論提出了參考建議，以期為小七孔經營管理提供參考價值，也為貴州其他喀斯特景區提供借鑒意義。

網絡關注度； 時空特征； 建議； 喀斯特景區

一、引言及研究綜述

網絡是旅游資訊和信息的載體和傳播工具。社會公眾通過互聯網渠道關注、了解和獲取旅游地信息，從而為出游決策提供依據[1]。截至2019年6月，我國網民總規模達8.54億，其中在線旅行預訂用戶規模達4.18億，占網民整體的48.9%[2]。搜索引擎是網民常用的網絡工具，其用戶規模達6.947億，且旅行場景下搜索引擎服務使用率高達58.2%[2-3]。目前，百度搜索是國內搜索引擎品牌滲透率的第一名，其用戶滲透率高達到90.9%[3]。百度指數是以百度海量網民行為數據為基礎的數據分享平臺，可以研究關鍵詞搜索趨勢，洞察網民興趣和需求，監測輿情動向，定位受眾特征，將它們運用到旅游研究中具有重要價值。為此，基于百度指數的網絡關注度旅游研究一直是學界的熱點，備受關注。本文借助知網（http：//www.cnki.net/）平臺，先以“百度指數”和“旅游”同時作為主題詞進行檢索，共得到39篇核心期刊文章（表1），再以“百度指數”和“喀斯特”同時為主題詞進行檢索，結果顯示為0篇。通過對這39篇文章歸納發現：基于百度指數平臺，絕大多數文獻研究某個地區或景區的網絡關注度時空特征及影響因素，也有學者關注旅游安全網絡關注度的區域差異特征，另有學者運用該平臺工具進行游客量或旅游收入預測等等。分析發現，以往文獻對研究對象并未做特別的關注和甄選，因此以喀斯特（景區）為研究對象，對其網絡關注度時空特征的研究相對缺失。鑒于此，本文以典型喀斯特景區——小七孔為案例地，借助百度指數平臺，運用定性和定量相結合的方法，探索其網絡關注度時空特征，得出結論和建議，以期為小七孔經營管理提供參考價值，也為貴州其他喀斯特景區提供借鑒。

二、研究設計

（一）案例地概況

我國喀斯特地貌面積有90萬km2，主要集中在滇、黔、桂等9省市。貴州全省國土面積的71.9%均屬典型喀斯特地貌，所形成的景觀和文化資源是貴州旅游資源的主要組成部分，因此，本文對典型喀斯特景區——小七孔的研究對貴州旅游發展具有重要意義。小七孔位于貴州省黔南布依族苗族自治州南端荔波縣境內，是中國南方喀斯特世界自然遺產地、荔波樟江國家級風景名勝區和荔波樟江國家旅游示范區的重要組成部分，被譽為“地球綠寶石”和“全球最美喀斯特”。小七孔集山、林、洞、湖、瀑、險灘、急流等于一體，濃縮了貴州喀斯特山水的所有精華，是喀斯特景區的典型代表。近年來，隨著貴州旅游業快速發展，小七孔受到國內外廣泛關注和聚焦，知名度和美譽度全面提升，2014年接待量首破100萬人次，2015年門票收入首破億元大關，2019年再創歷史新高，接待量達到400萬人次。

（二）關鍵詞選取及數據來源

長期以來，小七孔對外形象名稱包括“小七孔”“大七孔”和“大小七孔”同時并存。基于百度指數平臺，本文先以“大小七孔”作為關鍵詞進行檢索，發現其并未錄入百度指數，因此，將其剔除。又分別以“小七孔”和“大七孔”為關鍵詞，檢索2016年1月1日至2019年12月31日時間段并繪制兩者的網絡關注度年際變化曲線（圖1）。發現兩曲線變化具有極強的相似性，但“大七孔”百度指數遠低于“小七孔”。因此，為了獲取數據方便性，本文擬選取“小七孔”作為唯一的檢索關鍵詞。基于百度指數平臺，檢索時間尺度自2016年1月1日至2019年12月31日，獲取小七孔4年整體趨勢下的日均搜索指數作為基礎數據，并借助“趨勢研究”和“人群畫像”等功能模塊進行網絡關注度時空分布特征分析。

（三）研究方法

1．周時段分布偏度指數。

周時段分布偏度指數（G index）能夠科學測量微時間段尺度內的集中分布特征和分布規律。本文將運用該指數對小七孔十一黃金周的網絡關注度進行實證研究。計算公式為：

式中，Xi為分布周內第i天網絡關注度與周內網絡關注度總數的比值。G指數值為負值時，表明網絡關注度偏向于集中分布周內前期；G指數值為正值時，表明網絡關注度偏向于集中分布周內后期；G指數值等于0時，表明網絡關注度為對稱分布。

2．季節性集中指數。

季節性集中指數是測量大時間段尺度內集中分布特征和分布規律的重要指標，又稱季節性時間強度指數。本文將運用該指數對小七孔網絡關注度季度變化特征進行實證分析。計算公式為：

式中，Xi為各月網絡關注度與全年網絡關注度的比值。指數值越大，表明季節性差異越大，網絡關注度的季節集中程度越高；指數值越接近于0時，表明季節分布越均勻，關注度的季節集中程度越低。

表1 基于“百度指數+旅游”主題詞知網檢索的核心文獻統計

圖1 2016—2019年小七孔和大七孔百度指數年際變化曲線對比

3．地理集中指數。

地理集中指數（G）能夠科學的衡量網絡關注度相關搜索人群地理集中程度。本文將利用該指數實證分析小七孔網絡關注度的空間分布特征。計算公式為：

式中，T為全國網絡關注度總和，Xi為第i個省區的網絡關注度，n為省區總數，其中G值為正值。G值越小，表明網絡關注度空間分布越分散；G值越大，表明網絡關注度空間分布越集中。

三、小七孔網絡關注度時空特征

（一）小七孔網絡關注度時間分布特征

1．網絡關注度年際變化特征

基于2016—2019年百度指數，對小七孔4個年度的網絡關注度進行統計并繪制年際變化趨勢圖（圖2）。分析發現：2016—2018年，小七孔網絡關注度以年均增長率19.37%的速度連續兩年持續增加；2019年網絡關注度較2018年有所下降，下降5.37%。

圖2 2016—2019年小七孔百度指數年際變化趨勢

2．網絡關注度季度變化特征

基于2016—2019年的百度指數，繪制小七孔4個年度的網絡關注度季度變化趨勢圖（圖2）。由圖2可知，小七孔各年度網絡關注度變化趨勢具有極高的相似性，總體呈現“四峰三谷”特征，季度變化呈現波動狀態且相對集中趨勢。網絡關注度高峰階段分布在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個階段，即春季、夏季和早秋，其中7至8月份是最高峰階段，即為最旺季時期。而晚秋和整個冬季由于氣候等影響因素，其網絡關注度狀態平緩且水平較低，以11月至次年1月份最為顯著，是淡季階段。

圖3 2016—2019年小七孔百度指數年際變化曲線對比

為探明小七孔網絡關注度季節性集中程度趨勢變化，采用季節性集中指數進行測度，計算結果分別為3.06、3.57、3.68和3.72（表2）。指數值越大，表明季節性差異越大，集中程度越高，反之表明季節性差異越小，集中程度低。結合年度各月份百度指數占比情況（表3）發現，隨著年度時間的推移，小七孔網絡關注度季節性差異越大，集中程度越高。

表2 2016—2019年小七孔網絡關注度季節性集中指數

表3 2016—2019年小七孔各月百度指數及占全年比重

3．網絡關注度周時段變化特征

對小七孔網絡關注度周時段特征進行分析，需避免法定節假日的影響。為此，考慮獲取數據的便捷性和代表性，選擇2016—2019各年度7月1日至31日時間段進行分析。2016—2019各年度6月下旬至8月上旬間均沒有法定節假日，因此，7月份網絡關注度不會受到干擾和影響，以此對小七孔周時段特征進行分析顯得更加科學。將小七孔每年度7月份的4個周百度指數日數據按周一至周日相加并求平均值，得出周時段網絡關注度，并繪制周時段日均變化曲線（圖4）。由圖4可知，2016—2019年小七孔網絡關注度周時段分布特征具有較強相似性，變化趨勢趨同。具體表現為工作日較高，雙休日較低；周五達到頂峰，周六和周日迅速回落。這是因為游客一般是周末出游，其客流量遠遠大于周內客流量，周內顯示“日前兆”特征[4]，目的是為了制定相應的出游計劃或出游攻略。從年度看，2016—2019年小七孔周時段平均網絡關注度排名由大到小依次為2018年、2017年、2019年和2016年，這與前文網絡關注度年際變化特征相吻合。

圖4 小七孔百度指數周時段變化曲線

4．網絡關注度節假日時段變化特征

法定節假日是中國居民外出旅游的高峰期，尤其以春節、“五一”和“十一”最為顯著。本文統計了2016—2019年小七孔上述3個假日期間及前后各3天的日均網絡關注度指數，五一小長假前后一共9天；春節黃金周和“十一”黃金周均前后共13天，并繪制成變化曲線圖（圖5、圖6和圖7）。

由圖5可知，春節黃金周前小七孔網絡關注度趨于平緩，無明顯上升趨勢，至假日第2天（大年初一）網絡關注度逐漸增加，至假日第5天（大年初四）達到頂峰，隨后逐漸下滑并趨于平緩。

圖5 春節黃金周小七孔百度指數變化曲線

圖6顯示，“五一”小長假前小七孔網絡關注度即開始逐漸提升，至假日第1或第2天達到最高峰，至節后迅速下降并趨于平緩。但是2019年情況較特殊，其網絡關注度在假日第2天后到達高峰后又持續維持了3天，研究發現2019年五一小長假是4天，且第4天假日是周六，很多人選擇繼續“拼假”延長假期，因而網絡關注度維持了高峰值數日。

圖6 五一小長假小七孔百度指數變化曲線

由圖7可知，十一黃金周前小七孔網絡關注度即開始逐步增高，并在假日的第2或第3天達到峰值，隨后即開始下降并達到一個穩定狀態。

圖7 十一黃金周小七孔百度指數變化曲線

為進一步探索小七孔網絡關注度假日集中程度狀況，選擇十一黃金周為代表，采用周時段分布偏度指數進行測度（表4）。數據顯示，2016—2019各年度十一黃金周的G指數在均小于0，表明小七孔網絡關注度集中程度偏向于黃金周前期，這進一步呼應了上文的分析。

表4 2016—2019年小七孔網絡關注度黃金周周時段分布偏度指數

（二）小七孔網絡關注度空間分布特征

研究網絡關注度空間分布特征有助于細分旅游市場，實施精準營銷。為探明2016—2019各年度小七孔網絡關注度的地域分布情況，借助百度指數平臺“地域分布”功能模塊，先后以“城市”“省份”和“區域”三個層次進行檢索，得出排名前10的省份和城市（表5）。

表5 2016—2019年小七孔網絡關注度排名前十省份和城市

分析發現，從地理區域劃分來看，小七孔網絡關注度集中分布特征非常明顯，各年度在地區空間分布上幾乎保持一致，主要集中在華南、西南和華東地區。華南和華東地區經濟較發達、人口密度大，且交通便捷、信息網絡水平高，而西南地區省份和城市距離小七孔較近，交通方便，多為本地及周邊市場，因此，這些地區對小七孔網絡關注度相對較高。相較于此，華北和華中地區則總體水平較低，但北京市、湖南省較高；西北和東北地區則均較低。從省份分布來看，各年度貴州、四川、廣東和廣西分別居于網絡關注度前4名，貴州一直保持第1名，廣東省排名逐漸提升，四川省排名逐漸下降。從分布城市看，各年度貴陽、成都、黔南、廣州、北京、重慶、深圳等7個城市一直居于前10名，其中貴陽一直保持第1名，黔南州、成都和廣州排名有所下降，重慶排名有所上升，北京一直處于中下游。以上分析表明城市分布集中度與地理區域分布集中度和省份分布集中基本保持一致。

為進一步探明小七孔網絡關注度地理集中程度，借助地理集中指數（G）進行實證分析（表6）。分析顯示，2016—2019年，地理集中指數（G）分別是38.54、38.43、38.32和38.18，說明小七孔網絡關注度地理分布較集中且表現越來越分散趨勢，這表明隨著近年來小七孔不斷轉型升級并實施營銷策略，其知名度越來越大，客源市場分布越來越廣泛。

表6 2016—2019年小七孔網絡關注度度地理集中度指數

四、結論與建議

（一）結論

本文以貴州典型喀斯特景區“小七孔”為研究案例地，基于百度指數平臺，對其2016—2019年的網絡關注度時空特征進行研究，得出結論：

一是小七孔各年度高峰階段和低谷階段時間尺度和節點基本吻合，其網絡關注度變化趨勢具有極高的相似性，均呈現“四峰三谷”特征。每年度網絡關注度季度變化趨勢呈現波動狀態且相對集中。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個階段為旺季階段，這與現實旅游客流量淡、旺季相吻合。

二是在周時段上，其分布特征具有較強相似性，變化趨勢趨同。具體表現為工作日較高，雙休日較低，周內顯示“日前兆”特征；周五達到頂峰，周六和周日迅速回落。

三是在春節、五一和十一期間，總體表現為節假日前網絡關注度即開始逐漸上升，至第2—4個假日時達到最高峰值，隨后迅速下降并趨于平緩狀態，且網絡關注度集中程度更加偏向節假日前期。

四是網絡關注度地理分布較集中且表現出越來越分散的趨勢，華南、華東和西南等是重點集中區域；華北和華中地區總體較低，但北京市、湖南省較高；西北和東北地區均較低。從省份看，各年度貴州、四川、廣東和廣西分別居于網絡關注度前4名；從城市看，各年度貴陽、成都、黔南、廣州、北京、重慶、深圳等7個城市一直居于前10名。

（二）建議

本文的研究結論為小七孔景區經營管理提供了以下啟示，同時對其他類似喀斯特景區也具有參考價值。

第一，善于利用互聯網資源和技術科學預判需求動態。信息時代，景區要善于利用互聯網資源和技術及時掌握旅游網絡關注度信息，科學預判旅游需求動態。這樣做有幾大益處：其一，有助于預測未來游客量；其二，有益于提升旅游服務和管理水平，尤其能為疫情防控提供重要參考；其三，能夠發現潛在旅游市場，為實施精準營銷提供依據。

第二，關注網絡關注度空間分布特征，細分旅游市場，實施多元營銷策略。首先，從網絡關注度時間特征看，小七孔在節假日、周、月和季節等時間段上均表現較強的規律性，及時掌握網絡關注度信息不僅有助于預測未來游客量，利于提升管理服務水平，同時也為實施精準營銷提供了準確時間點參考。其次，從網絡關注度空間特征看，建議景區細分不同地域市場。目前看，華南、華東和西南地區為一級市場，華北和華中地區為二級市場，西北和東北地區為三級市場，針對不同市場條件實施不同的營銷策略和手段。一級市場是較成熟市場，要加強推介喀斯特旅游新產品、新業態，提升服務質量，增強游客忠誠度。二級市場是潛力市場，實施“一城一策”營銷策略，全面鋪開，重點推介喀斯特旅游核心產品和新興產品，提高景區美譽度和知名度。三級市場為潛在市場，要加強推介喀斯特生態觀光核心產品，實施重點區域、重點城市突破策略，實施門票降價策略。

第三，關注景區網絡關注度時間分布特征，加強智慧景區建設，制定門票預約制度。目前疫情防控常態化背景下，在及時掌握景區網絡關注度、預判旅游需求動態基礎上，建議小七孔景區啟動如下工作：其一，重新科學測度小七孔旅游承載力，合理確定游客接待量上限，為嚴控游客流量、建立分級預警機制奠定基礎。其二，加快智慧景區建設，建立門票預約制度，實施分時段預約策略。其三，建設新型旅游項目，合理規劃功能布局，優化設置游覽線路，防止出現擁擠現象增加疫情風險和造成局部生態環境壓力。

[1] 龍茂興，孫根年，馬麗君，等．區域網絡關注度與客流量時空動態比較分析——以四川為例[J]．地域研究與開發，2011（3）： 93-97．

[2] 國家互聯網信息中心．第44次中國互聯網網絡發展統計報告[R]．2019．

[3] 國家互聯網信息中心．中國網民搜索引擎使用情況研究報告[R]．2019．

[4] 李山，邱榮旭，陳玲．基于搜索指數的旅游景區絡空間關注度：時間分布及其前兆效應[J]．地理與地理信息科學，2008（6）：102-107．

[5] 林志慧，馬耀峰，劉憲鋒，等．旅游小七孔網絡關注度時空分布特征分析[J]．資源科學，2012（12）：2427-2433．

[6] 張麗峰，丁于思．北京5A級旅游小七孔網絡關注度分布特征研究[J]．資源開發與市場，2014（11）：1382-1384，1370．

[7] 蔡杰．基于搜索指數的旅游地景觀關注度比較研究——以杭州“西湖十景”為例[J]．資源開發與市場，2015（6）：756-759．

[8] 蔡衛民，彭晶，覃娟娟．韶山的全國網絡關注熱度矩陣及推廣策略研究[J]．旅游科學，2016（4）：61-72．

[9] 徐凡，尤瑋，周年興，等．基于搜索指數的網絡空間關注時空分布研究——以長三角5A級景區為例[J]．資源開發與市場，2016（4）：489-493．

[10] 李霞，曲洪建．郵輪網絡關注度的時空特征和影響因素——基于搜索指數的研究[J]．統計與信息論壇，2016（4）：101-106．

[11] 普拉提·莫合塔爾，伊力亞斯·加拉力丁．新疆旅游景區的網絡關注度時空特征——基于搜索指數的分析[J]．黑龍江民族叢刊，2016（2）：81-85．

[12] 張曉梅，程紹文，劉曉蕾，等．古城旅游地網絡關注度時空特征及其影響因素——以平遙古城為例[J]．經濟地理，2016（7）：196-202，207．

[13] 何小芊，劉宇，吳發明．基于搜索指數的溫泉網絡關注度時空特征研究[J]．地域研究與開發，2017（1）：103-108，124．

[14] 何小芊，張艷蓉，劉宇．旅游洞穴網絡關注度的時空特征研究——以中國最美五大旅游洞穴為例[J]．中國巖溶，2017（2）：275-282．

[15] 楊利，李冬杰，都劉寧，等．國家公園類小七孔網絡關注度時空變化特征研究——以泛長三角地區為例[J]．資源開發與市場，2017（9）：1142-1146，1154．

[16] 劉佳，劉寧．基于泰爾指數的親子游網絡關注度區域差異研究——以我國31個省份為研究區域[J]．資源開發與市場，2018（7）：1015-1020．

[17] 孫曉蓓，楊曉霞，張楓怡．基于搜索指數的中國A級旅游洞穴小七孔網絡關注度分布特征研究[J]．西南師范大學學報（自然科學版），2018（4）：81-88．

[18] 嚴江平，宋志紅，李巍．廣州市旅游小七孔網絡關注度時空特征研究[J]．資源開發與市場，2018（1）：88-93，22．

[19] 何琛，瓦哈甫·哈力克，朱永鳳．新疆旅游關注度的時空差異及其影響因素[J]．湖南師范大學自然科學學報，2018（3）：16-24．

[20] 丁鑫，汪京強，李勇泉．基于搜索指數的旅游目的地網絡關注度時空特征與影響因素研究——以廈門市為例[J]．資源開發與市場，2018（5）：709-714．

[21] 馬莉，劉培學，張建新，等．景區旅游流與網絡關注度的區域時空分異研究[J]．地理與地理信息科學，2018（2）：87-93．

[22] 張碧星，周曉麗．佛教旅游地網絡關注度時空分布差異及其影響因素研究——以五臺山景區為例[J]．西北師范大學學報（自然科學版），2018（6）：103-109，123．

[23] 管陳雷，胡志毅．基于搜索指數的重慶馬拉松網絡關注度時空特征研究[J]．重慶師范大學學報（自然科學版），2018（5）：136-142．

[24] 劉嘉毅，陳玲，陶婷芳．旅游輿情網絡關注度城市差異——來自289個城市搜索指數的實證研究[J]．信息資源管理學報，2018（3）：93-101．

[25] 劉嘉毅，陳玲，陳玉萍．旅游輿情網絡關注度時空演變特征與影響因素[J]．地域研究與開發，2019（1）：88-94．

[26] 鄭玉蓮，陸林，趙海溶．蕪湖方特網絡關注度分布特征及與客流量關系研究——以PC端和移動端搜索指數為例[J]．資源開發與市場，2018（9）：1315-1320．

[27] 黃文勝．基于搜索指數的廣西旅游網絡關注率矩陣及營銷策略研究[J]．地域研究與開發，2019（5）：101-104．

[28] 生延超，吳昕陽．游客滿意度的網絡關注度演變及空間差異[J]．經濟地理，2019（2）：232-240．

[29] 曾可盈，周麗君．基于搜索指數的東北三省4A級及以上小七孔網絡關注度分析[J]．東北師大學報（自然科學版），2019（1）：133-138．

[30] 阮文奇，張舒寧，李勇泉，等．中國赴泰旅游需求時空分異及其影響因素[J]．旅游學刊，2019（5）：76-89．

[31] 戴文，丁蕾，劉培學，等．城市旅游流客源地分布及預測研究——以南京市為例[J]．資源開發與市場，2018（5）：676-681．

[32] 黃先開，張麗峰，丁于思．搜索指數與旅游景區游客量的關系及預測研究——以北京故宮為例[J]．旅游學刊，2013（11）：93-100．

[33] 孫燁，張宏磊，劉培學，等．基于旅游者網絡關注度的旅游景區日游客量預測研究——以不同客戶端搜索指數為例[J]．人文地理，2017（3）：152-160．

[34] 吳瀟，陳紹志，趙榮．基于搜索指數的森林公園客流量影響因素分析[J]．林業資源管理，2017（1）：27-30，62．

[35] 張斌儒，黃先開，劉樹林．基于網絡搜索數據的旅游收入預測——以海南省為例[J]．經濟問題探索，2015（8）：154-160．

[36] 秦夢，劉漢．搜索指數、混頻模型與三亞旅游需求[J]．旅游學刊，2019（10）：116-126．

[37] 林煒鈴，鄒永廣，鄭向敏．旅游安全網絡關注度區域差異研究——基于中國31個省市區旅游安全的搜索指數[J]．人文地理，2014（6）：154-160．

[38] 鄒永廣，林煒鈴，鄭向敏．旅游安全網絡關注度時空特征及其影響因素[J]．旅游學刊，2015（2）：101-109．

[39] 孫瑾瑾，李勇泉．中國旅游安全網絡關注度的影響因素分析——基于中國省際面板數據的實證檢驗[J]．資源開發與市場，2018（5）：693-697．

[40] 周慧玲，許春曉．中國城市旅游信息流空間網絡結構特征分析[J]．統計與決策，2019（20）：91-94．

[41] 劉慧悅．旅游者網絡信息需求與景區游客量的關聯性研究——以四川九寨溝為例[J]．情報科學，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

四川省社會科學重點研究基地項目“中國南方喀斯特建立國家公園體制研究”（GJGY2019-ZC020）。

李文路（1987-），男，山東菏澤人，博士研究生，四川省旅游學校旅游規劃研究院執行院長，研究方向：民族地區生態旅游與資源經濟。

覃建雄（1965-），男，貴州荔波人，教授，博士生導師，研究方向：區域旅游與可持續發展。

羅 麗（1989-），女，四川省遂寧人，博士研究生，研究方向：民族地區生態旅游與資源經濟。

（責任編輯 陳 儉）（責任校對 張鳳祥）（英文編輯 田興斌）