EN中文

JOURNAL OF NATURAL RESOURCES >

2022 , Vol. 37 >Issue 9: 2367 - 2386

DOI: https://doi.org/10.31497/zrzyxb.20220912

Special Issue of "Innovative Development of Ice and Snow Resources for the 2022 Winter Olympics"

Spatio-temporal evolution and influencing factors of network attention of representative ski resorts in China

  • WANG Chu , 1 ,
  • LU Chang-bao 1 ,
  • BA Duo-xun , 2, 3 ,
  • MA Bin-bin 2 ,
  • QIN Ze-qing 2
Expand
  • 1. School of Economics and Management, Fuzhou University, Fuzhou 350108, China
  • 2. Tourism College, Northwest Normal University, Lanzhou 730070, China
  • 3. Research Center for Gansu Cultural Industry and New Cultural Industry Development, Northwest Normal University, Lanzhou 730070, China

Received date: 2021-11-03

  Revised date: 2022-06-16

  Online published: 2022-12-28

Fold

Abstract

Based on the Baidu index data, the spatio-temporal evolution characteristics and influencing factors of the 26 representative ski resorts in the Chinese mainland were analyzed by using index measurement, spatial geographical analysis, regression model and geographic detector in 2011-2019. The results show that: (1) In terms of temporal evolution, the network attention first increased and then decreased, and gradually stabilized. 2015 and 2016 are the peak years, with obvious seasonal differences. There are two fluctuation peaks, and the distribution pattern is "single peak in the north and south, and double peaks in the middle and east". (2) In terms of spatial characteristics, the national and regional characteristics were first increasing and then decreasing, and the regional differences were significant. The degree of variation first decreased and then increased, and tended to be stable. The national distribution was relatively stable and balanced, and the regional distribution showed the characteristics of unstable agglomeration. The overall distribution of cold and hot spots at the provincial level showed a pattern of "hot in the northeast, but cold in the southwest", and the hierarchical change was mainly stable. (3) As for ski resort, the overall preference level changed greatly, the high preference remained stable and leading, and the other levels mainly changed downward. The classification of cold and hot spots in ski resorts showed a pattern of "hot in the north and cold in the south", and the evolution of the two hot spots in Northeast and North China was relatively stable. (4) In terms of influencing factors, the order of demand side is ski consumption attraction > education background > economic development level > informatization level > ski resort construction level. The proportion of ski trips, ski economic contribution, passenger carrying capacity, abundance of ice and snow tourism resources and the construction level of official media on the supply side have strong explanatory power, and the influence of other factors is not significant.

Key words： ski resort; ice and snow tourism; network attention; spatio-temporal evolution; geographic detector

Cite this article

WANG Chu , LU Chang-bao , BA Duo-xun , MA Bin-bin , QIN Ze-qing . Spatio-temporal evolution and influencing factors of network attention of representative ski resorts in China[J]. JOURNAL OF NATURAL RESOURCES, 2022 , 37(9) : 2367 -2386 . DOI: 10.31497/zrzyxb.20220912

冰雪旅游是一种兼具健身、体验、观光和审美等多种属性与特性的旅游形式,对于调节旅游业淡旺季平衡、促进旅游业可持续发展以及实现健康中国的战略目标有着深远意义。随着2022年北京冬季奥运会（以下简称“冬奥会”）的申办成功以及《冰雪旅游发展行动计划（2021—2023年）》等一系列发展政策的助力,冰雪旅游的发展态势强劲。据《中国冰雪旅游发展报告（2020）》[1]统计,2018年至2019年冰雪季中国冰雪旅游收入约为3860亿元,冰雪旅游人次达2.24亿,冰雪旅游收入与冰雪旅游人次分别较2017年至2018年冰雪季增长了17.1%和13.7%。据第45次《中国互联网络发展状况统计报告》[2]显示,随着互联网持续发展,截至2020年3月,中国网民总量达9.04亿,较2018年底增长7508万,互联网普及率达64.5%,较2018年底提升4.9%。此外,直播、短视频、自媒体等多种新型网络信息传播渠道的涌现,网络已经逐渐成为民众信息获取的关键来源,网络关注度在一定程度上表征了民众认知度、品牌运营效果[3],可为区域冰雪旅游营销战略制定、消费趋势预测、形象塑造提供重要依据。因此,基于网络关注度以探索冰雪旅游的发展特性,是未来中国冰雪旅游综合性发展、实现冰雪运动强国的关键选题。
冰雪旅游未来的开发重点将在滑雪运动上[4],围绕滑雪场开展网络关注度研究以探索冰雪旅游发展有着较强代表性。国外冰雪旅游的发展热潮始于20世纪50年代[4],其研究主要围绕着滑雪场进行,现阶段主题多聚焦于滑雪场所受气候变化的影响[5]、滑雪场发展的可持续性[6]、滑雪场的顾客群体[7]等方面;研究涉及了经济学[8]、气候学[9]等多学科知识,研究方法以DID、OLS[10]等定量研究为主。国内冰雪旅游可追溯至《隋书》中关于“骑木而行”的滑雪内容记载[11],当前研究主题主要集中于冬奥会背景下冰雪旅游的发展[12]、冰雪旅游游客感知[13]、冰雪旅游资源的研究与开发[14]等方面;研究区域多聚焦于东北、华北和西北地区[15⇓-17];研究同样涉及经济学[18]、生态学[19]等多种学科领域,研究方法上,早期以定性分析为主,近年来RMP等定量方法的运用逐渐增多[20]。综合来看,国外关于冰雪旅游的相关研究逐渐趋于成熟,而国内尚处起步阶段。有关旅游网络关注度的研究,国外学者的研究方向主要集中于网络大数据与旅游营销的关系[21]、网络索引数据与旅游目的地选择[22]、网络大数据对于旅游需求的预测等方面[23],主要基于Google Trends、Twitter等网络数据开展研究。国内学者在借鉴国外经验的基础上,研究主要集中在旅游目的地网络关注度的特征与评价[24]、网络关注度与需求联系[25]、网络关注度与客流量差异[26]等方面,数据主要来源于百度指数、微信和微博等平台;研究对象以区域性景区为主[27],涉及到红色旅游[28]、体育旅游[29]等旅游形式。此外,在旅游网络关注度的影响因素研究上,国外学者研究认为游客兴趣和性格[30]、旅游目的地属性[31]、产品服务特性[32]等因素会对游客的网络在线评论与网络关注度产生一定影响,而聚焦在冰雪旅游因素研究上则认为气候环境变化等要素是显著性影响要素之一[33]。国内学者更多从区域经济、信息技术、资源状况、区位条件和人口结构等维度探究了影响因素及其程度[28,34];针对冰雪旅游相关的因素研究,更在多个基础性因素维度上增添了对冰雪旅游资源[35]、滑雪场和冰场数量[36]等具备产业特性因素的影响分析。
当前,因我国滑雪场网络建设水平尚处起步阶段,且各区域网络运营发展差异化较大,所涉及到的有关冰雪网络关注度的研究大多围绕宏观的冰雪运动[36]、冰雪旅游[35]等主题关键词进行,有关滑雪场的研究则主要聚焦于单个滑雪场[37]或某一地区滑雪场[38],鲜有研究运用热点分析、地理探测器等多个数理方法,从全国范围剖析冰雪旅游代表性滑雪场的时空特性及其影响因素。综上,本文基于2011—2019年全国31个省（市、自治区）的百度指数搜索大数据,立足全国、地区、省区和滑雪场多尺度,对中国大陆26个代表性滑雪场的网络关注度时空演变特征,基于需求侧和供给侧两维度探索其背后影响因素,以探究冰雪旅游消费者关注特性和规律,旨在为实现“三亿人参与冰雪运动”的目标、促进区域冰雪旅游网络营销、大众化推广及品牌的构建提供一定的理论借鉴和政策启示。

1 研究方法与数据来源

1.1 研究方法

1.1.1 时间演化方面

（1）年变动指数,用以测量代表性滑雪场的网络关注度年份变动情况,计算公式如下：
Y = H i 1 n ∑ i = 1 n H i
式中： Y为年变动指数; H i为代表性滑雪场第 i年的网络关注度（次）。 Y越接近100%,则网络关注度年变动越小、越稳定[39]。
（2）季节性强度指数,用以测算代表性滑雪场的网络关注度时段分异状况,计算公式如下：
S = ∑ i = 1 12 M i - 8.33 2 12
式中： S为季节性强度指数; M i为代表性滑雪场的各月网络关注度与全年总值之比。 S越大代表越集中某时段,反之越分散[40]。

1.1.2 空间演化方面

（1）地理集中指数,用以反映代表性滑雪场的网络关注度在空间上的集聚情况,计算公式如下：
G = 100 × ∑ i = 1 n X i / T 2
式中： G为地理集中指数; X i为第 i个区域对代表性滑雪场的网络关注度（次）; T为代表性滑雪场总的网络关注度（次）。 G值越接近100,代表网络关注度越集中,反之越分散[41]。
（2）首位度,用以反映代表性滑雪场的网络关注度均衡状况,计算公式如下：
P = X 1 / X 2
式中： P为首位度; X 1与 X 2分别为关注度排名首、次位的地区。 P>2,代表网络关注度空间集聚性较强; P< 2,则代表相对均衡[42]。
（3）热点分析,多用以揭示地区内滑雪场网络关注度的高、低量聚集程度,并以此来度量热点与冷点区域的空间分布特性,计算公式如下：
G i * = ∑ j = 1 m W i j X j - X - ∑ j = 1 m W i j S m ∑ j = 1 m W i j 2 - ∑ j = 1 m W i j 2 m - 1 , X - = ∑ j = 1 m X j m , S = ∑ j = 1 m X j 2 m - X - 2
式中： m为需测算对象的总量（家）; X j代表测算对象 j的属性值; X -为需测算对象的均值（次）; W i j为测算对象 i、 j的空间权重值。通过热点分析可测算出 Z值, Z值越高则为热点地区, Z值越小则为冷点地区, Z值近于0则地区空间聚集不显著[43]。

1.1.3 偏好方面

（1）弹性系数,用以衡量代表性滑雪场的网络关注度与网民数量的相应变化关系,计算公式如下：
E T = Δ G / G Δ N / N
式中： E T为弹性系数; Δ G与 G为代表性滑雪场的网络关注度增量（次）与总量（次）; Δ N与 N为网民的增量（人）与总量（人）;ET >1、 E T=1以及 E T<1,分别代表网络关注度增速大于、同步以及小于网民增速[41]。
（2）变异系数,用以测量代表性滑雪场的网络关注度省区差异程度,计算公式如下：
C V = 1 X - ∑ i = 1 n X i - X - 2
式中： C V为变异系数; X i为 i地区网络关注度（次）; X -为 X i平均值（次）。 C V值越大,代表省区间的网络关注度差异越大,反之越小[28]。
（3）滑雪场偏好系数,用以反映滑雪场受各地区网民关注的偏好程度,计算公式如下：
P i j = X i j V × 100 % , V = ∑ j n X i j
式中： P i j为 i地区对 j滑雪场的偏好系数,介于0~1之间; X i j为 i地区对 j滑雪场的网络关注度（次）; V为 i地区对代表性滑雪场的总体网络关注值（次）。 P i j值越大,偏好越强,反之越弱[42]。

1.1.4 影响因素方面

地理探测器用以分析代表性滑雪场网络关注度时空差异的影响因素,计算公式如下：
q x = 1 - 1 N σ 2 ∑ h = 1 L N h σ h 2
式中： q x为因素 x对代表性滑雪场网络关注度的影响程度,取值在0~1之间, q x值越大,则代表 x解释力越大; L为代表性滑雪场网络关注度 y或因素 x的分层; N和 σ 2代表全体研究区域的单元数（家）及方差; N h和 σ h 2分别代表层 h的单元数（家）及方差[44]。

1.2 数据来源

据2019年《中国滑雪产业白皮书》统计,国内滑雪场共770家,因搜索量较少、涉及敏感词汇或知名度较低等因素,在百度指数中能搜索到的滑雪场仅58家（截至2021年10月30日）,其中多数滑雪场的建设水平、知名度等方面分异较大,并不具备区域研究代表性。因此,综合百度指数所收录关键词数量、各地区冰雪产业发展状况、滑雪场的综合建设水平和地区平衡性原则等要素,选取数量标准依据2019年《中国滑雪产业白皮书》各区域滑雪场数量比例,选取具体雪场标准依据2011—2019年其所在省区已收录的滑雪场百度关注度排序,靠前则选取。最终选取26个具有地区冰雪旅游发展代表性的滑雪场作为研究对象,以探究国内冰雪旅游代表性滑雪场网络关注时空分异的规律与特性。其中,东北、华北地区各8家,均占比30.77%;西北4家,占比15.38%;华东 3家,占比11.54%;华中2家,占比7.69%;西南1家,占比3.85%;这与《中国滑雪产业发展报告（2019）》中各地区滑雪场的统计数量比例总体上基本保持一致（表1）。具体运用Python 3.9.5软件爬取百度指数平台2011年1月1日至2019年12月31日全国31个省（市、自治区）对26个滑雪场的网络关注度逐日数据作为核心数据;31个省（市、自治区）行政区划来源于国家基础地理信息中心（www.ngcc.cn）;各滑雪场的经纬度坐标源自百度地图拾取坐标系统;影响因素中,滑雪场数量、人次与人均消费相关数据来源于2015—2019年《中国滑雪产业白皮书》和携程网数据;滑雪场官方网站和微信公众号数据来源于百度和微信平台搜索数据;人均GDP、交通基础信息、互联网用户、受教育程度、城镇化、社会经济发展水平和环境适宜性等相关数据主要来源于2012—2019年度《中国统计年鉴》、31个省（市、自治区）国民经济和社会发展统计公报、统计年鉴;旅游收入、旅游人次、旅游星级饭店、旅行社数据来源于2019年《中国文化文物和旅游统计年鉴》、31个省（市、自治区）文化和旅游厅与统计局等官方网站。
表1 中国代表性滑雪场名称与百度指数检索关键词

Table 1 Chinese representative ski resort names and Baidu Index search keywords

雪场名称 关键词 地区 雪场名称 关键词 地区
亚布力滑雪场 亚布力滑雪场 黑龙江 怀北国际滑雪场 怀北滑雪场 北京
帽儿山滑雪场 帽儿山 蓟县盘山滑雪场 盘山滑雪场 天津
二龙山滑雪场 宾县二龙山 太原曦岭国际滑雪场 曦岭国际滑雪场 山西
松花湖滑雪场 松花湖 吉林 天山天池国际滑雪场 天山天池风景区 新疆
万达长白山滑雪场 万达长白山国际度假区 可可托海国际滑雪场 可可托海景区
北大壶滑雪场 北大壶滑雪场 西安白鹿原滑雪场 白鹿原滑雪场 陕西
棋盘山滑雪场 棋盘山滑雪场 沈阳 翠华山滑雪场 翠华山滑雪场
东北亚滑雪场 东北亚滑雪场 安吉江南天池滑雪场 安吉滑雪场 浙江
万龙滑雪场 万龙滑雪场 河北 临安大明山滑雪场 临安大明山滑雪场
多乐美地滑雪场 多乐美地滑雪场 济南金象山滑雪场 金象山滑雪场 山东
长城岭滑雪场 长城岭滑雪场 伏牛山滑雪度假乐园 伏牛山滑雪场 河南
南山滑雪场 南山滑雪场 北京 神农架国际滑雪场 神农架滑雪 湖北
军都山滑雪场 军都山滑雪场 西岭雪山滑雪场 西岭雪山滑雪场 四川

2 结果分析

2.1 代表性滑雪场网络关注度时间演化特性

2.1.1 年度变化

通过对2011—2019年代表性滑雪场网络关注度数据分析可知（图1a）,网络关注度总体呈现单峰型即先增后减,并且逐渐趋于平稳的态势。PC与移动关注度及总体网络关注度变动趋势几近一致,受冬奥会的成功申办以及相关冰雪事业发展政策的制定等因素影响,峰值年份均集中于2015年、2016年,2011—2016年呈增长态势,增长率为239.77%。其中,受到互联网发展和智能手机普及的影响[45],更多网民通过移动互联网搜索滑雪场信息,使得2012—2013年度网络关注度增长最凸显,增长率为107.83%;虽然网络关注度自2016年后稍有下降,但仍高于2015年之前。在检索渠道上,2014年为转折年,此后移动关注度大于PC关注度且两者差距逐渐保持平稳。整体看来,冬奥会的成功申办显著促进了国内网民对滑雪场的关注度并越发呈现常态化特性。
图1 2011—2019年网络关注度分异、弹性系数及年变动指数

Fig. 1 Differentiation of network attention, elasticity coefficient and annual variation index (2011-2019)

通过式（1）、式（6）测算年变动指数及弹性系数以进一步探索网络关注度与网民数量的变化特性（图1b）。结果表明,2011—2019年间网络关注度的弹性系数整体呈多峰型、增降交错和变化幅度逐渐平缓的特征。峰值拐点为2013年、2017年和2018年,其中2013年与2017年为极值年份,对应弹性系数值为5.98与-3.08;除2012—2016年外弹性系数均小于1,表明代表性滑雪场的网络关注度增速低于网民增速。2011—2019年代表性滑雪场网络关注度的年变动指数中2011年、2012年与100%差距最大,年变动指数分别为40.27%、45.82%,是年变动最不稳定的年份,其余年份更接近100%,代表多数年份网络关注度变动相对较稳定。

2.1.2 月度变化

2011—2019年代表性滑雪场网络关注度的月份分异特性较为明显（表2）。高频次月份主要集中在11月至次年的2月,占全部月份总量的54.49%,低频次月份主要集中在 3-10月,占比45.51%。虽然局部月份仍存在差异,但网络关注度整体上随着气温的降低而增加、随着气温升高而减弱的规律依然十分凸显。其中,2017年1月份的网络关注度达1103873次,是所有月份里的最高值。2011年本身即为网络关注度最少的年份,其5月份更是全部月份里的最低值,为82068次。
表2 2011—2019年中国代表性滑雪场月份网络关注度

Table 2 Monthly Internet attention of representative ski resorts in China (2011-2019) (次)

月份 2011年 2012年 2013年 2014年 2015年 2016年 2017年 2018年 2019年
1 317127 347703 407942 871016 1090398 1096623 1103873 989211 985036
2 224561 241675 331273 782598 927209 892873 725750 760437 737797
3 124857 141755 200629 397387 447055 377476 333390 365708 340512
4 86185 90434 145088 262608 239721 286889 229594 279600 249268
5 82068 87968 124288 268690 229290 311894 243178 267563 240261
6 91668 114701 126814 232172 263226 363131 290211 269130 269476
7 100903 138291 555490 283039 360415 460795 361802 309661 315235
8 108594 144482 543985 342945 396073 435758 366693 343863 313612
9 112550 128640 487340 304630 328427 376228 326342 366347 316292
10 142723 163533 535696 356933 408134 486235 406805 417919 360454
11 240099 270250 501945 492108 659703 706195 554647 563411 490224
12 372415 410413 777624 890325 1023407 1014069 915327 929033 755569
全年 2003750 2279845 4738114 5484451 6373058 6808166 5857612 5861883 5373736
由单月份汇总数据可知（图2a）,各月份总体波动共有两个峰值,分别为11月至第二年的2月即冬季期,以及7月、8月即夏季期;在整体变动规律上,冬春季节（1-5月）为下降态势,春夏时节（5-8月）为上升态势,夏末之时（8-9月）为下降态势,秋冬之季（9-12月）为上升态势。所占比例最高的月份为1月份,占比16.10%;最低月份为 5月份,占比4.14%。这应受滑雪场依赖冬季气候进行发展的业态“天性”、夏季增避暑需求以及寒暑节假日等因素影响。由式（2）测算的季节性强度指数显示（图2b）,指数值均在4以上,表明网络关注度季节差异虽明显,但年份变化不突出,差异状态相对稳定。其中,2015年的指数值最高,为4.72;2016年最低,为4.02。主要由于2015年冬奥会的成功申办促使冬季网络关注度激增,2016年则主要因为冬奥会与冰雪发展相关政策等要素的“后发效应”,共同导致整年各月份搜索量增加,形成了相对均衡的月份搜索分布特性。
图2 2011—2019年中国代表性滑雪场月份网络关注度与季节性强度指数

Fig. 2 Monthly attention and seasonal intensity index of representative ski resorts in China (2011-2019)

2.1.3 滑雪场月度变化

基于2011—2019年数据,26个滑雪场网络关注度月度波动类型可分成单峰与双峰两种（表3）,亚布力滑雪场、北大壶滑雪场等17个滑雪场为单峰型,占比65.38%;松花湖、万达长白山滑雪场等9个滑雪场为双峰型,占比34.62%。单峰型主要集中在东北、华北、西北与西南地区,双峰型主要集中在华东与华中地区,呈“南北为单,中东为双”的格局特性。26个滑雪场季节性强度指数均值为6.21,表明网络关注度主要集中于某几个月份。其中沈阳棋盘山滑雪场指数值最高,为10.00;松花湖滑雪场最低,为1.48。依据季节性强度指数值与区域比例状况等要素,可将26个滑雪场划分为四种类型：强变化（8.54~10.00）、次强变化（6.62~8.26）、次弱变化（4.92~6.40）、弱变化（1.48~4.45）。强变化代表网络关注度季度集中性较强,弱变化代表分布较分散,次强与次弱变化为由集中至分散的过渡类型。其中,沈阳棋盘山滑雪场、太原曦岭国际滑雪场等6个滑雪场为强变化类型,怀北国际滑雪场、军都山滑雪场等7个滑雪场为次强变化类型,济南金象山滑雪场、多乐美地滑雪场等7个滑雪场为次弱变化类型,亚布力滑雪场、松花湖滑雪场等6个滑雪场为弱变化类型。
表3 2011—2019年各代表性滑雪场的网络关注度特性

Table 3 Monthly network attention characteristics of representative ski resorts in China (2011-2019)

滑雪场 类型 季节性强度指数 滑雪场 类型 季节性强度指数
亚布力滑雪场 单峰 4.15(弱) 怀北国际滑雪场 单峰 8.26(次强)
帽儿山滑雪场 单峰 2.60(弱) 蓟县盘山滑雪场 单峰 9.47(强)
二龙山滑雪场 双峰 4.45(弱) 太原曦岭国际滑雪场 双峰 9.81(强)
松花湖滑雪场 双峰 1.48(弱) 天山天池国际滑雪场 单峰 3.91(弱)
万达长白山滑雪场 双峰 2.54(弱) 可可托海国际滑雪场 单峰 6.62(次强)
北大壶滑雪场 单峰 5.96(次弱) 西安白鹿原滑雪场 双峰 8.54(强)
沈阳棋盘山滑雪场 单峰 10.00(强) 翠华山滑雪场 单峰 8.60(强)
东北亚滑雪场 单峰 7.78(次强) 安吉江南天池滑雪场 双峰 5.51(次弱)
万龙滑雪场 单峰 5.05(次弱) 临安大明山滑雪场 单峰 6.92(次强)
多乐美地滑雪场 单峰 6.16(次弱) 济南金象山滑雪场 双峰 6.40(次弱)
长城岭滑雪场 单峰 6.72(次强) 伏牛山滑雪度假乐园 双峰 4.94(次弱)
南山滑雪场 单峰 7.48(次强) 神农架国际滑雪场 双峰 8.68(强)
军都山滑雪场 单峰 8.16(次强) 西岭雪山滑雪场 单峰 5.54(次弱)

2.2 代表性滑雪场网络关注度空间演化特性

2.2.1 地区维度

2011—2019年代表性滑雪场网络关注度在全国和地区层面均呈现先增后减的规律（图3a）。华东、华北和东北地区较高,占全国网络关注度总量的69.35%;华中、华南、西南和西北地区较低,仅占总量的30.65%。由式（7）测算变异系数值以探索网络关注度的地区分异情况（图3b）,全国层面上,变异系数呈现先降后增并趋于平稳的规律特性,说明差异程度先减弱后增强并逐渐趋于稳定。各地区层面上,西北地区变异系数最高,均值为1.02;最低为东北地区,均值为0.10,说明西北地区内部省区网络关注度分异大,而东北地区差异小。差异变动幅度与增长率最大为西南地区,极值差为0.45;最低的是东北地区,极值差为0.12,说明西南地区内部省区的网络关注度差异波动幅度较大而东北较小。
图3 2011—2019年各地区代表性滑雪场网络关注度及变异系数

Fig. 3 Network attention of representative ski resorts in various regions of China (2011-2019)

通过式（3）和式（4）可测算出全国网络关注度的地理集中指数（G）和首位度（P）,用以多角度剖析地区空间上网络关注度的变化差异特性（表4）。结果表明,全国 G值平均为33.53,变动幅度在31~35间,P值平均为1.22,表明网络关注度的空间分布相对平衡。地区层面上,G值分化明显,除去华东以外的其他地区均在50以上,即各地区的网络关注度以集聚性、不均衡分布为主。东北、华东和华中地区以外的地区P的平均值均在2以上,变动并不稳定,即首、次位关注度地区的差异较大,进一步验证了各地区的网络关注度以集聚性分布为主。
表4 2011—2019年中国各地区网络关注度地理集中指数与首位度

Table 4 Geographic concentration index and primacy of network attention in various regions of China (2011-2019)

年份 2011 2012 2013 2014 2015 2016 2017 2018 2019
全国 G 34.37 33.66 31.63 33.17 34.48 33.14 33.68 33.81 33.87
P 1.92 1.35 1.01 1.07 1.05 1.07 1.09 1.19 1.22
东北地区 G 58.61 58.28 57.86 57.82 57.83 58.20 58.10 57.88 57.87
P 1.02 1.01 1.03 1.08 1.03 1.28 1.22 1.16 1.10
华北地区 G 57.82 58.15 54.18 56.78 59.09 57.74 58.53 59.41 59.57
P 2.59 2.61 2.12 2.32 2.73 2.49 2.41 2.47 2.44
西北地区 G 64.23 65.64 62.19 68.04 66.85 64.36 62.49 61.51 60.40
P 2.40 1.89 2.04 2.88 2.77 2.85 2.42 1.70 1.40
华东地区 G 42.14 41.85 39.94 41.38 41.96 41.94 42.41 42.05 41.95
P 1.03 1.02 1.04 1.04 1.06 1.02 1.08 1.09 1.10
华中地区 G 62.59 61.71 58.98 59.59 60.22 59.87 59.44 59.26 59.91
P 1.53 1.50 1.31 1.25 1.19 1.10 1.15 1.13 1.13
西南地区 G 55.36 56.40 53.34 57.44 59.93 66.35 62.52 58.61 58.74
P 1.78 1.73 1.95 2.37 2.53 3.73 2.89 2.19 2.08
华南地区 G 75.26 74.17 73.58 78.79 80.19 79.97 80.48 80.27 81.06
P 3.50 2.92 2.91 4.17 4.63 4.51 4.71 4.61 5.29

2.2.2 省际维度

通过热点分析（Getis-Ord Gi*）以剖析各省（市、自治区）层面网络关注度特性,结果显示,2011—2019年中国代表性滑雪场网络关注度的冷热点区域差异显著,总体呈“东北热—西南冷”格局（图4a）。热点区域为北京、河北和吉林等10个省（市、自治区）,次热点区域为黑龙江、河南和陕西等9个省（市、自治区）,次冷点区域为新疆、广东和湖南等5个省（市、自治区）,冷点区域为西藏、青海和广西等7个省（市、自治区）。截选2011年、2015年和2019年的数据对比分析,可将各省份冷热点的波动划分为上升型（冷转热）、稳定型（冷热不变）和下降型（热转冷）三种变动类型序列（图4b~图4d）。北京、河北、吉林等23个省（市、自治区）位于稳定型序列,广东、福建、江西、湖南和贵州5个省份位于上升型序列;内蒙古、陕西和宁夏3个省区位于下降型序列。整体来看,虽然南方和西北部分省区代表性滑雪场的关注度近年来增长迅速,但冷热点区域格局与序列并未发生显著变化,呈稳定发展态势。
图4 2011—2019年中国代表性滑雪场网络关注度冷热点区域

注：本图基于自然资源部标准地图服务系统下载的标准地图制作,底图无修改,下同。

Fig. 4 China's representative ski resort network focuses on cold and hot spots (2011-2019)

2.2.3 滑雪场维度

基于式（8）测算26个代表性滑雪场2011—2019年网络关注度的偏好系数（表5）,依据均衡性、偏好系数排名与总数情况,将滑雪场分为四个层级：高偏好（1~6名即0~23%）,次高偏好（7~13名即23%~50%）,次低偏好（14~19名即50%~77%）,低偏好（20~26名即77%~100%）,2011年因部分滑雪场无数据,故将次低与低偏好的比例进行调整。结果表明,亚布力滑雪场、帽儿山滑雪场等6个滑雪场为高偏好,军都山滑雪场、天山天池国际滑雪场等7个滑雪场为次高偏好,怀北国际滑雪场、西安白鹿原滑雪场等 7个滑雪场为次低偏好,长城岭滑雪场、翠华山滑雪场等6个滑雪场为低偏好。对比 2011年、2015年和2019年的偏好系数发现,层级序列保持稳定的滑雪场共7家,高偏好占比71.43%,低偏好占比28.57%;层级序列变动的滑雪场共19家,上升变动8家,占比42.11%,呈下降变动的共11家,占比57.89%。这表明2011—2019年间26个代表性滑雪场网络关注度的整体层级变动较大,高偏好滑雪场依然保持稳定领先,其余三个层级的滑雪场则以下降变动为主。
表5 2011—2019年中国各代表性滑雪场网络关注度偏好系数

Table 5 Preference coefficient of network attention of representative ski resorts in China (2011-2019)

滑雪场 2011年 2015年 2019年 2011—2019年总值
亚布力滑雪场 18.69(高) 14.15(高) 14.74(高) 13.79(高)
帽儿山滑雪场 11.27(高) 8.49(高) 9.73(高) 9.84(高)
南山滑雪场 11.16(高) 8.47(高) 7.35(高) 8.28(高)
松花湖滑雪场 10.41(高) 7.25(高) 9.41(高) 8.04(高)
万龙滑雪场 8.76(高) 6.49(高) 9.45(高) 7.57(高)
万达长白山滑雪场 0.00(低) 6.60(高) 1.73(次低) 5.49(高)
军都山滑雪场 6.20(高) 5.44(次高) 3.90(次高) 4.83(次高)
天山天池国际滑雪场 0(低) 3.57(次高) 2.49(次高) 4.58(次高)
北大壶滑雪场 0(低) 4.02(次高) 7.14(高) 3.90(次高)
安吉江南天池滑雪场 4.08(次高) 4.06(次高) 2.21(次低) 3.72(次高)
伏牛山滑雪度假乐园 5.52(次高) 3.15(次高) 2.09(次低) 3.13(次高)
临安大明山滑雪场 0.00(低) 4.63(次高) 3.07(次高) 2.81(次高)
神农架国际滑雪场 2.19(次低) 2.94(次高) 2.94(次高) 2.69(次高)
怀北国际滑雪场 3.84(次高) 2.26(次低) 2.25(次低) 2.42(次低)
西安白鹿原滑雪场 0(低) 2.20(次低) 2.44(次高) 2.30(次低)
西岭雪山滑雪场 0(低) 2.01(次低) 2.65(次高) 2.22(次低)
沈阳棋盘山滑雪场 3.22(次高) 2.29(次低) 1.67(次低) 2.11(次低)
多乐美地滑雪场 3.23(次高) 2.30(次低) 1.71(次低) 1.94(次低)
济南金象山滑雪场 3.09(次高) 2.05(次低) 1.33(低) 1.93(次低)
东北亚滑雪场 2.91(次高) 2.10(次低) 1.08(低) 1.82(次低)
长城岭滑雪场 2.03(次低) 1.63(低) 1.90(次低) 1.66(低)
翠华山滑雪场 1.46(次低) 1.76(低) 1.26(低) 1.65(低)
蓟县盘山滑雪场 1.94(次低) 1.48(低) 1.36(低) 1.50(低)
可可托海国际滑雪场 0(低) 0.21(低) 5.80(次高) 1.22(低)
二龙山滑雪场 0(低) 0.35(低) 0.21(低) 0.48(低)
太原曦岭国际滑雪场 0(低) 0.10(低) 0.08(低) 0.10(低)
运用ArcGIS 10.8软件中“自然间断点（Jenks）”对各代表性滑雪场的网络关注度进行冷热点分级对比,以进一步探究网络关注度空间演变特性。结果表明：整体演化上（图5a）,网络关注度冷热点分级十分明显,总体呈现“北热南冷”的格局。共有两个热点滑雪场集聚区域,一个是以亚布力滑雪场、帽儿山滑雪场、松花湖滑雪场3个热点滑雪场和万达长白山滑雪场、北大壶滑雪场2个次热点滑雪场为代表的黑龙江和吉林地区;另一个是以南山滑雪场和万龙滑雪场2个热点滑雪场以及军都山滑雪场1个次热点滑雪场为代表的北京与河北地区;此外,次热点滑雪场还有新疆的天山天池国际滑雪场和浙江的安吉江南天池滑雪场。单个年份上（图5b~图5d）,2011年、2015年和2019年东北地区和华北地区一直是热点滑雪场的主要集聚地,期间随着冬奥会的成功申办, 2015年南方浙江地区、2019年西部新疆阿勒泰地区相继涌现了次热点滑雪场,京津冀作为冬季奥运会主要承办地,滑雪产业发展迅速,尤其是在河北崇礼地区涌现了一批以万龙滑雪场为代表的热点滑雪场,使得该地区与东北地区的网络关注度差距逐渐缩小,其次新疆北部地区也成为了继东北和京津冀地区之后的第三大网络关注度地区。
图5 2011—2019年中国各代表性滑雪场网络关注度的冷热点分级

Fig. 5 Cold and hot spot classification of network attention of representative ski resorts in China (2011-2019)

2.3 影响因素

2.3.1 需求侧影响因素

网络关注度作为消费者的一种需求表达,受客源地多种要素影响[46]。参考既有研究成果[35,42,47]与数据的可获取性,以网络关注度NA作为被解释变量,选取以下5个主要因素为解释变量：经济发展水平PC（人均GDP）、信息化水平IP（移动互联网与互联网宽带接入用户）、受教育程度ED（大专以上人数占常住人口的比例）、滑雪消费吸引力ST（滑雪总人次）,滑雪场建设水平AP（滑雪场年平均接待人次）。选取以下计量模型:
N A = α 0 + α 1 P C + α 2 I P + α 3 E D + α 4 S T + α 5 A P + φ
式中： α 0为截距项; φ为误差项; α 1、 α 2、 α 3、 α 4、 α 5代表经济发展水平PC、信息化水平IP、受教育程度ED、滑雪消费吸引力ST、滑雪场建设水平AP对网络关注度NA的回归系数[48]。
借助SPSS 26.0软件对2019年31个省（市、自治区）网络关注度和相关指标因素开展分析,进行Pearson相关性分析（表6）,得到经济发展水平、信息化水平、受教育程度、滑雪消费吸引力、滑雪场发展水平与网络关注度的相关性均在0.45以上,且都在1%水平下显著,代表被解释变量与各解释变量之间相关性较强;为避免共线性问题,进行VIF检验,得到VIF值均在5以下,表示变量间不存在共线性问题,总体满足多元回归分析要求。
表6 相关性分析

Table 6 Correlation analysis

指标 NA PC IP ED ST AP
NA 1 0.700** 0.467** 0.670** 0.564** 0.501**
PC 0.700** 1 0.230 0.766** -0.008 0.242
IP 0.467** 0.230 1 -0.138 0.158 0.638**
ED 0.670** 0.766** -0.138 1 0.207 0.141
ST 0.564** -0.008 0.158 0.207 1 0.214
AP 0.501** 0.242 0.638** 0.141 0.214 1

注：*、**表示变量分别通过5% 、1% 的显著性检验。

多元回归分析结果表明（表7）,代表性滑雪场的网络关注度方程模型的判定系数R²为0.904,调整后的R²为0.885,F变化量为47.287（P=0.000）,DW为2.329,代表模型有着较好的拟合性和解释力,自变量可解释因变量的90.4%。各影响因素中,影响程度的大小依次为滑雪消费吸引力ST>受教育程度ED>经济发展水平PC>信息化水平IP>滑雪场建设水平AP,标准化回归系数分别为0.424、0.364、0.332、0.331、0.067,各因素除去滑雪场建设水平外均通过了5%的显著性检验,表示与网络关注度呈显著正相关,而单从滑雪场年接待人次为代表指标来看,滑雪场建设水平对于代表性滑雪场的网络关注影响并不凸显。
表7 多元回归分析结果

Table 7 Multiple regression analysis results

指标 非标准化系数 标准化系数 t Sig. 共线性统计
B 标准误差 Beta VIF
常量 -17.463 2.625 -6.652 0.000
PC 1.490 0.579 0.332 2.574 0.016 4.351
IP 0.001 0.000 0.331 3.148 0.004 2.894
ED 0.657 0.242 0.364 2.713 0.012 4.717
ST 0.094 0.016 0.424 5.915 0.000 1.346
AP 0.258 0.335 0.067 0.770 0.448 1.959
R² 0.904
Adj. R² 0.885
F 47.287
DW 2.329

2.3.2 供给侧影响因素

代表性滑雪场的网络关注度,还受滑雪场所在地供给要素影响,综合已有研究和数据可获得及时效性[35,36,42],以滑雪场所在地为供给侧研究对象,以2019年代表性滑雪场所在地的网络关注度总值为被解释变量,运用地理探测器从冰雪旅游资源、滑雪产业发展水平、滑雪产业信息化水平、交通建设和住宿接待水平、社会经济发展水平、社会环境适宜性6个维度选取14个代表性指标（表8）,分析各因子对于网络关注度的影响程度。
表8 代表性滑雪场网络关注度供给侧影响因素

Table 8 Supply side influencing factors of network attention of representative ski resorts

维度 指标编号 指标阐释
冰雪旅游资源 冰雪旅游资源丰度X1 根据程志会等[50]关于区域冰雪旅游资源开发适宜性的研究成果并通过专家赋值测算获得
滑雪产业发展水平 滑雪场建设水平X2 滑雪场数量占全国总量的比例/%
滑雪人次占比X3 滑雪人次占年度总人次比例/%
滑雪经济贡献X4 滑雪消费占地区GDP比例/%
滑雪产业信息化水平 区域信息化建设水平X5 移动互联网用户与互联网宽带用数量/万户
官方媒体建设水平X6 拥有官方网站与微信公共号的滑雪场占滑雪场总量的比例/%
交通建设和住宿接
待水平		 公路建设条件X7 公路总里程数/万km
客运承载力X8 旅客客运量/万人次
星级饭店数量X9 星级饭店数量/家
旅行社数量X10 旅行社总量/家
社会经济发展水平 居民经济条件X11 城镇居民人均可支配收入/元
城市发展水平X12 城镇化率/%
社会环境适宜性 绿化环境条件X13 人均公园绿地面积/m²
空气质量水平X14 空气质量优良天数比率/%
因地理探测器不能进行因子影响方向的判定,所以先通过Pearson分析进行相关性检验[49],结果网络关注度与各因素间的相关系数均在0.2以上,且通过了5%的显著性检验,呈现显著正相关。其次,为提升数据识别有效性,对数据进行标准化处理,运用ArcGIS 10.8软件中的“Jenks”板块将各因素从数值变量转变成类型变量,在此基础上运用地理探测器进行因子探测。
结果表明（表9）：影响供给侧代表滑雪场网络关注度的影响因素主要集中在冰雪旅游资源、滑雪产业发展水平、交通建设和住宿接待条件、滑雪产业信息化水平四个维度;在通过显著性检验条件下,滑雪人次占比（0.869）、滑雪经济贡献（0.737）、客运承载力（0.718）、冰雪旅游资源丰度（0.674）、官方媒体建设水平（0.558）5个因子的解释力较强。一定程度上表明,旅游资源丰度会影响滑雪产业发展水平,尤其体现在滑雪人次和滑雪消费等方面,消费者在滑雪活动前往往会通过滑雪场的官方网站或微信进行相关信息搜索与查阅,使得官方媒体建设水平与网络关注呈显著正相关特性;在交通建设方面,作为滑雪者开展滑雪活动的基础性条件和重要的关注内容,客运承载力是连接需求侧和供给侧的关键因素;此外,以星级饭店数量和旅行社为代表的住宿接待水平解释力较弱,也反映了当前滑雪客群以不过夜和短时消费为主,这与伍斌等统计分析的结果一致①（①详见：2019年《中国滑雪产业白皮书》第10页。）;社会经济发展水平与社会环境适宜性对于代表性滑雪场的解释力并不显著,并非关键影响因素。
表9 地理探测器分析结果

Table 9 Geodetector analysis results

维度 探测因子 q值 维度 探测因子 q值
冰雪旅游资源 冰雪旅游资源丰度X1 0.674** 交通建设和住宿
接待水平		 公路建设条件X7 0.195
滑雪产业发展水平 滑雪场建设水平X2 0.558 客运承载力X8 0.718*
滑雪人次占比X3 0.869*** 星级饭店数量X9 0.129
滑雪经济贡献X4 0.737** 旅行社数量X10 0.084
滑雪产业信息化水平 区域信息化建设水平X5 0.227 社会经济发展水平 居民经济条件X11 0.371
城市发展水平X12 0.263
官方媒体建设水平X6 0.558** 社会环境适宜性 绿化环境条件X13 0.0728
空气质量水平X14 0.366

注：* 、**、***表示变量分别通过0.1、0.05、0.01的显著性检验。

3 结论与讨论

3.1 结论

基于2011—2019年百度指数中31个省（市、自治区）对中国大陆26个代表性滑雪场的数据,结合弹性系数、年变动指数和季节性强度指数分析26个代表性滑雪场网络关注度的时空演变特征,运用回归模型和地理探测器揭示其影响机理。研究发现：
（1）时间演化上,各代表性滑雪场网络关注度呈先增后减且逐渐趋于平稳的规律。 2015年、2016年为峰值年份,主要受冬奥会的成功申办和相关发展政策所影响,多数年份小于网民增速;季节性差异明显,共有11月至次年2月、7月、8月两个波动峰值,不同峰形的滑雪场地区分布呈“南北为单,中东为双”的格局,与滑雪场的季节“天性”和消费者夏季避暑需求以及节假日等要素联系密切。
（2）空间特性上,网络关注度在全国31个省（市、自治区）和各地区整体均呈先增后减的规律特性,地区差异显著,主要集中于华东、华北和东北地区。变异系数总体呈先降后增并逐渐平稳的特性,全国与地区的地理集中指数和首位度分异较大,全国呈相对平衡特性,地区则以分布集聚性、不均衡、不稳定为主要特性。省区冷热区域总体呈“东北热—西南冷”格局,上升型主要位于南方省区,整体序列变化仍以稳定型为主。
（3）滑雪场层面上,滑雪场偏好层级分为高、次高、次低、低四类,总体偏好层级变动较大,高偏好滑雪场保持稳定领先,其余三个层级的滑雪场则以下降变动为主;滑雪场冷热点分级呈“北热南冷”的格局,东北、华北两个热点集聚区域演变较为稳定,浙江地区、新疆阿勒泰地区热点滑雪场发展迅速。
（4）影响因素上,需求侧维度的经济发展水平、信息化水平、受教育程度、滑雪消费吸引力,滑雪场建设水平与网络关注度正向相关性显著,影响程度依次为滑雪消费吸引力>受教育程度>经济发展水平>信息化水平>滑雪场建设水平。供给侧的滑雪人次占比、滑雪经济贡献、客运承载力、冰雪旅游资源丰度、官方媒体建设水平5个因子对网络关注度的解释力较强,住宿接待水平、社会经济发展水平与社会环境适宜性维度内的因素对于网络关注度影响并不显著。

3.2 讨论

基于百度指数所收录的搜索大数据,选择中国大陆26个代表性滑雪场来探究2011—2019年中国冰雪旅游网络关注度的时空演变特征及影响因素,旨在为中国冰雪旅游的高质量、均衡化和持续性发展提供一定的实践思考与理论支撑。部分分析结论更蕴藏着较为有趣的探索导向,如网络关注度月波动变化呈单峰型或双峰型的滑雪场分布,并不必然与大众认知中主要受气候等自然要素的影响相匹配。本研究也为中国冰雪旅游产业未来高质量发展带来一定启示：（1）应有效借助当前系列政策东风和市场关注热度,多途径放大冬奥效应、共享冬奥遗产,注重冰雪旅游的产业体系化建设、全域性协同布局和可持续性迭代升级;（2）可尝试将以崇礼—北京为中心,东北地区和西北地区为“两翼”且能广泛辐射带动全国其他区域的“雁阵”格局作为未来战略发展之重[17];（3）加快区域资源利用的内涵式转化,强化冰雪旅游产业与区域优质文化、社会经济、信息化和交通网络的融合力度,完善滑雪场综合性建设以及产业人才培育机制,形成冰雪景观、冰雪赛事和冰雪节庆等在内的多元优质产品供给体系,满足国内外多群体游客需求,为打造具有国际影响力的冰雪强国奠定产业基础。
综合对比国内外相关主题的研究成果和产业现实可发现,本研究存在着仍待完善的内容：（1）仅基于一种网络数据平台,尤其是百度指数本身关于河北崇礼区太舞小镇、密苑云顶、富龙滑雪场以及新疆北部丝绸之路国际滑雪场、阿勒泰将军山滑雪场和内蒙古阿尔山太伟滑雪场等知名滑雪场的数据缺少,使得研究存在着一定的数据局限性,并且对于2011年以前以及2019年以后的滑雪场网络关注度的数据研究未能涉及。（2）影响代表性滑雪场网络关注度时空分异特性的因素是复杂的、多元的和综合的,并非仅包含冬奥会成功申办、滑雪场建设和信息化水平等几个方面,正如部分国内外学者认为其还应存在显著受消费者偏好、旅游目的地属性、区域冰雪文化、区位条件和政策战略等因素影响的规律[30,31,35];尤其是气候环境变化对于滑雪场和冰雪旅游的适应性发展影响,已逐渐引起更多国外学者关注[33,52],而当前国内相关研究尚处起步阶段。（3）相较于文章的数据背景,滑雪场和冰雪旅游已进入了新的特殊发展时期。2020年初新冠肺炎疫情的突发使得滑雪场和冰雪旅游产业发展进入“寒冬期”,随着国内疫情形势逐渐趋稳,新疆和吉林等区域滑雪场的网络关注度相继呈现显著复苏迹象[52],在后冬奥效应和疫情常态化等多重时代背景叠加下,国内滑雪场和冰雪旅游产业未来发展或将面临更多新机遇与新挑战。因此,基于微博、微信等多个社交媒体和OTA大型旅游企业、UGC旅游网站平台等网络数据,选取更加全面的滑雪场数量和更加完整的研究年限,从多个影响维度来探索其形成机理和要素影响力,如在气候环境变化大背景下冰雪旅游产业可持续性发展研究;在网络关注相关分析基础上,探索后冬奥与后疫情时期滑雪场和冰雪旅游产业的市场恢复性建设以及展开区域分异化研究,应是未来再行文探究中国冰雪旅游的网络关注度与综合发展等相关问题的重要方向与关键选题。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李琤. 冰雪冷资源成为旅游热经济. 中国文化报, 2020-01-10(007).

[LI C. The cold resources for ice and snow become a tourist hot economy. China Culture Daily, 2020-01-10( 007).]

[2]
中国互联网络信息中心(CNNIC). 第45次《中国互联网络发展状况统计报告》, http://www.cac.gov.cn/2020-04/27/c_1589535470378587.htm, 2020-04-28.

[China Internet Network Information Center. The 45th China Statistical Report on Internet Development, http://www.cac.gov.cn/2020-04/27/c_1589535470378587.htm, 2020-04-28.]

[3]
肖刚, 林文凯, 李文明, 等. 江西省红色旅游经典景区网络关注度的时空演变及影响因素. 旅游论坛, 2021, 14(6): 72-80.

[XIAO G, LIN W K, LI W M, et al. The spatial and temporal evolution of the network attention of red tourist attractions in Jiangxi province and its influencing factors. Tourism Forum, 2021, 14(6): 72-80.]

[4]
王玲. 国内外冰雪旅游开发与研究述评. 生态经济, 2010, (3): 66-69, 127.

[WANG L. A summary on the ice-snow tourism development and research at home and abroad. Ecological Economy, 2010, (3): 66-69, 127.]

[5]
STEIGER R, POSCH E, TAPPEINER G, et al. The impact of climate change on demand of ski tourism: A simulation study based on stated preferences. Ecological Economics, 2020, 170: 106589, https://doi.org/10.1016/j.ecolecon.2019.106589.

DOI

[6]
POLDERMAN A, HALLER A, VIESI D, et al. How can ski resorts get smart? Transdisciplinary approaches to sustainable winter tourism in the European Alps. Sustainability, 2020, 12(14): 5593, https://doi.org/10.3390/su12145593.

DOI

[7]
KURT M, KARIN T, ANDREAS S, et al. The effect of price on word of mouth: First time versus heavy repeat visitors. Tourism Management, 2017, 70(2): 453-459.

DOI

[8]
MORENO G J, SANCHEZ P L, CRISTOBAL F E, et al. The economic sustainability of snow tourism: The case of ski resorts in Austria, France, and Italy. Sustainability, 2018, 10(9): 1-20.

DOI

[9]
BALLOTTA L, FUSAI G, KYRIAKOU I, et al. Risk management of climate impact for tourism operators: An empirical analysis on ski resorts. Tourism Management, 2020, 77: 104011, https://doi.org/10.1016/j.tourman.2019.104011.

DOI

[10]
FALK M. Gains from horizontal collaboration among ski areas. Tourism Management, 2017, 60: 92-104.

DOI

[11]
韩杰, 韩丁. 对我国滑雪旅游若干问题的研讨. 经济地理, 2001, 21(4): 500-503.

[HAN J, HAN D. The discussion of several problems of ski tourism in China. Economic Geography, 2001, 21(4): 500-503.]

[12]
常晓铭, 刘卫国. “一带一路”背景下北京冬奥会推动我国冰雪旅游产业融合发展研究. 北京体育大学学报, 2020, 43(7): 86-96.

[CHANG X M, LIU W G. A study on Beijing Winter Olympics promoting the development and the integration of ice and snow tourism industry against the background of the "Belt and Road". Journal of Beijing Sport University, 2020, 43(7): 86-96.]

[13]
朱晓柯, 杨学磊, 薛亚硕, 等. 冰雪旅游游客满意度感知及提升策略研究: 以哈尔滨市冰雪旅游为例. 干旱区资源与环境, 2018, 32(4): 189-195.

[ZHU X K, YANG X L, XUE Y S, et al. The tourist satisfaction perception and promotion strategy of ice-snow tourism in Harbin. Journal of Arid Land Resources and Environment, 2018, 32(4): 189-195.]

[14]
张雪莹, 张正勇, 刘琳. 新疆冰雪旅游资源适宜性评价研究. 地球信息科学学报, 2018, 20(11): 1604-1612.

DOI

[ZHANG X Y, ZHANG Z Y, LIU L. Suitability evaluation of ice and snow tourism resources in Xinjiang. Journal of Geo-Information Science, 2018, 20(11): 1604-1612.]

[15]
鲁承琨. 哈尔滨市生态环境冰雪旅游产业开发研究. 环境工程, 2020, 38(12): 217.

[LU C K. Study on the development of ice and snow tourism industry in Harbin ecological environment. Environmental Engineering, 2020, 38(12): 217.]

[16]
李晓峰, 李建民. 京津冀冰雪产业一体化发展研究. 体育文化导刊, 2020, (11): 20-25, 31.

[LI X F, LI J M. Integration development of ice and snow industry in Beijing, Tianjin and Hebei. Sports Culture Guide, 2020, (11): 20-25, 31.]

[17]
把多勋, 王储. 西北五省滑雪场空间分异特征及其影响因素研究. 中国生态旅游, 2021, 11(6): 869-883.

[BA D X, WANG C. Research on the spatial differentiation characteristics and influencing factors of ski resorts in the five provinces of Northwest China. Journal of Chinese Ecotourism, 2021, 11(6): 869-883.]

[18]
郭鹏. 冰雪“冷资源”绿色“热经济”: 《冰雪经济法律保障研究》述评. 商业经济研究, 2021, (14): 193.

[GUO P. Ice and snow "cold resources" and green "hot economy": A review of the Study on the Legal Guarantee of Ice and Snow Economy. Journal of Commercial Economics, 2021, (14): 193.]

[19]
王秀荣, 赵嵘, 于涵, 等. 理论雪期和滑雪气候适宜度评价: 以长白山滑雪场为例. 应用生态学报, 2020, 31(4): 1259-1266.

DOI

[WANG X R, ZHAO R, YU H, et al. Theoretical snow period and assessment of skiing climate suitability: With Changbai Mountain ski resort as an example. Chinese Journal of Applied Ecology, 2020, 31(4): 1259-1266.]

DOI

[20]
何胜保. 北京冬奥会张家口赛区冰雪旅游开发的昂普(RMP)模型分析. 山东体育学院学报, 2020, 36(5): 37-46.

[HE S B. RMP analysis of ice snow tourism development in Zhangjiakou area of Beijing Winter Olympic Games. Journal of Shandong Sport University, 2020, 36(5): 37-46.]

[21]
PARK S B, OK C M, CHAE B K. Using twitter data for cruise tourism marketing and research. Journal of Travel & Tourism Marketing, 2016, 33(6): 885-898.

[22]
PADHI S S, PATI R K. Quantifying potential tourist behavior in choice of destination using google trends. Tourism Management Perspectives, 2017, 24: 34-47.

DOI

[23]
ÖNDER I. Forecasting tourism demand with google trends: Accuracy comparison of countries versus cities. International Journal of Tourism Research, 2017, 19(6): 648-660.

DOI

[24]
龚箭, 杨舒悦. 基于网络评论的旅游目的地评价研究: 以我国31个省市自治区为例. 华中师范大学学报: 自然科学版, 2018, 52(2): 279-286.

[GONG J, YANG S Y. Study on tourism destination evaluation based on web reviews: Taking 31 provinces in China for example. Journal of Central China Normal University: Natural Sciences, 2018, 52(2): 279-286.]

[25]
张嫚, 黄凌云. 负面网络关注度对旅游业发展的影响: 基于旅游需求的空间关联分析. 旅游学刊, 2021, 36(7): 81-91.

[ZHANG M, HUANG L Y. Tourism development and public attention to negative online information: Based on the spatial correlations of tourism demand. Tourism Tribune, 2021, 36(7): 81-91.]

[26]
方叶林, 程雪兰, 黄震方, 等. 国家重点风景名胜区网络关注度与游客量的错位特征及机理. 经济地理, 2020, 40(4): 204-213.

[FANG Y L, CHENG X L, HUANG Z F, et al. The dislocation characteristics and mechanism of network attention and tourists about Chinese national scenic spots. Economic Geography, 2020, 40(4): 204-213.]

[27]
许艳, 陆林, 赵海溶. 乌镇景区网络关注度动态演变与空间差异分析. 经济地理, 2020, 40(7): 200-210.

[XU Y, LU L, ZHAO H R. Dynamic evolution and spatial differences of network attention in Wuzhen Scenic Area. Economic Geography, 2020, 40(7): 200-210.]

[28]
高楠, 张新成, 王琳艳. 中国红色旅游网络关注度时空特征及影响因素. 自然资源学报, 2020, 35(5): 1068-1089.

[GAO N, ZHANG X C, WANG L Y. Spatio-temporal characteristics and influencing factors of Chinese red tourism network attention. Journal of Natural Resources, 2020, 35(5): 1068-1089.]

DOI

[29]
舒丽, 张凯, 王小秋, 等. 基于百度指数的我国体育旅游网络关注度研究. 北京体育大学学报, 2020, 43(6): 110-122.

[SHU L, ZHANG K, WANG X Q, et al. Network attention of China's sports tourism based on Baidu index. Journal of Beijing Sport University, 2020, 43(6): 110-122.]

[30]
SOHRABI B, VANANI I R, NASIRI N, et al. A predictive model of tourist destinations based on tourists' comments and interests using text analytics. Tourism Management Perspectives, 2020, 35: 100710, https://doi.org/10.1016/j.tmp.2020.100710.

DOI

[31]
NIEZGODA A, NOWACKI M. Experiencing nature: Physical activity, beauty and tension in Tatra National Park: Analysis of Tripadvisor Reviews. Sustainability, 2020, 12(2): 601, https://doi.org/10.3390/su12020601.

DOI

[32]
SONG J, JAI T M, LI X. Examining green reviews on TripAdvisor: Comparison between resort/luxury hotels and business/economy hotels. International Journal of Hospitality & Tourism Administration, 2020, 21(2): 165-187.

[33]
ABRAHAMS Z, HOOGENDOOM G, FITCHETT J M. Glacier tourism and tourist reviews: An experiential engagement with the concept of "Last Chance Tourism". Scandinavian Journal of Hospitality and Tourism, 2022, 22(1): 1-14.

DOI

[34]
焦珊珊, 李明, 田逢军, 等. 中国红色旅游经典景区网络关注度分布格局及驱动机制. 经济地理, 2022, 42(1): 211-220.

[JIAO S S, LI M, TIAN F J, et al. Distribution pattern and driving mechanism of network attention of Chinese red tourism classic scenic spots. Economic Geography, 2022, 42(1): 211-220.]

[35]
陈玉萍, 刘嘉毅, 郭修金. 基于网络关注度的中国冰雪旅游产业发展启示. 天津体育学院学报, 2020, 35(5): 519-524.

[CHEN Y P, LIU J Y, GUO X J. Enlightenment of China's ice-snow tourism industry development based on online attention. Journal of Tianjin University of Sport, 2020, 35(5): 519-524.]

[36]
张慧婕, 石灵珊, 刘利. 大数据透视下的我国冰雪运动网络关注度探究. 体育与科学, 2019, 40(1): 114-120.

[ZHANG H J, SHI L S, LIU L. Research on online attention of ice and snow sports in China from the perspective of big data. Journal of Sports and Science, 2019, 40(1): 114-120.]

[37]
刘悦, 吕兴洋, 周晓丽. 冰雪旅游景区网络关注度和实际客流量之间的关系研究: 以成都西岭雪山景区为例. 山西师范大学学报: 自然科学版, 2021, 35(4): 96-102.

[LIU Y, LYU X Y, ZHOU X L. Study on the relationship between network attention and actual passenger flow of ice and snow scenic spots: Take Chengdu Xiling Snow Mountain Scenic Spot as an example. Journal of Shanxi Normal University: Natural Science Edition, 2021, 35(4): 96-102.]

[38]
刘明月. 冰雪旅游网络关注度时空特征及影响因素研究: 以哈尔滨市为例. 武汉: 华中师范大学, 2020.

[LIU M Y. A study on the spatial and temporal characteristics and influencing factors of research in the ice and snow tourism network: Taking Harbin as an example. Wuhan: Central China Normal University, 2020.]

[39]
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. 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. Journal of Northwest Normal University: Natural Science, 2021, 57(2): 118-126.]

[40]
保继刚, 楚义芳. 旅游地理学(第三版). 北京: 高等教育出版社, 2016.

[BAO J G, CHU Y F. Tourism Geography (Third Edition). Beijing: Higher Education Press, 2016.]

[41]
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. 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. Resource Development & Market, 2017, 33(9): 1142-1146, 1154.]

[42]
唐鸿, 许春晓. 中国红色旅游经典景区网络关注度时空演变及影响因素. 自然资源学报, 2021, 36(7): 1792-1810.

[TANG H, XU C X. Spatio-temporal evolution and influencing factors of Chinese red tourism classic scenic spots network attention. Journal of Natural Resources. Journal of Natural Resources, 2021, 36(7): 1792-1810.]

DOI

[43]
崔娜娜, 冯长春, 宋煜. 北京市居住用地出让价格的空间格局及影响因素. 地理学报, 2017, 72(6): 1049-1062.

DOI

[CUI N N, FENG C C, SONG Y. Spatial pattern of residential land parcels and determinants of residential land price in Beijing since 2004. Acta Geographica Sinica, 2017, 72(6): 1049-1062.]

[44]
王劲峰, 徐成东. 地理探测器: 原理与展望. 地理学报, 2017, 72(1): 116-134.

DOI

[WANG J F, XU C D. Geodetector: Principle and prospective. Acta Geographica Sinica, 2017, 72(1): 116-134.]

[45]
吴吉义, 李文娟, 黄剑平, 等. 移动互联网研究综述. 中国科学: 信息科学, 2015, 45(1): 45-69.

[WU J Y, LI W J, HUANG J P, et al. Key techniques for mobile internet: A survey. Scientia Sinica: Informationis, 2015, 45(1): 45-69.]

DOI

[46]
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. 经济地理, 2016, 36(7): 196-202, 207.

[ZHANG X M, CHENG S W, LIU X L, et al. Spatial-temporal characteristics and influencing factors of network attention to ancient city destination: A case of Pingyao. Economic Geography, 2016, 36(7): 196-202, 207.]

[47]
任涛, 游茂林, 张志彬. 2020年东京奥运会中国居民网络关注度的时空特征变化及其影响因素. 首都体育学院学报, 2021, 33(6): 595-603.

[REN T, YOU M L, ZHANG Z B. Spatio-temporal evolution and influencing factors of Chinese residents' internet attention to Tokyo 2020 Olympic Games. Journal of Capital University of Physical Education and Sports, 2021, 33(6): 595-603.]

[48]
李霞, 曲洪建. 邮轮旅游网络关注度的时空特征和影响因素: 基于百度指数的研究. 统计与信息论坛, 2016, 31(4): 101-106.

[LI X, QU H J. Spatial-temporal characteristics and influential factors of network attention to cruise tourism: Based on Baidu Index. Journal of Statistics and Information, 2016, 31(4): 101-106.]

[49]
阮文奇, 郑向敏, 李勇泉, 等. 中国入境旅游的“胡焕庸线”空间分布特征及驱动机理研究. 经济地理, 2018, 38(3): 181-189, 199.

[RUAN W Q, ZHENG X M, LI Y Q, et al. Spatial distribution characteristics and driving mechanism of "Hu Line" in inbound tourism in China. Economic Geography, 2018, 38(3): 181-189, 199.]

DOI

[50]
程志会, 刘锴, 孙静, 等. 中国冰雪旅游基地适宜性综合评价研究. 资源科学, 2016, 38(12): 2233-2243.

DOI

[CHENG Z H, LIU K, SUN J, et al. The comprehensive evaluation of suitability of ice-snow tourism base in China. Resources Science, 2016, 38(12): 2233-2243.]

[51]
HOOGENDOOM G, STOCKIGT L, SAARINEN J, et al. Adapting to climate change: The case of snow-based tourism in Afriski, Lesotho. African Geographical Review, 2021, 40(1): 92-104.

DOI

[52]
张梦菡, 董锁成, 李富佳, 等. 中国滑雪旅游网络关注度评估及后疫情时期复苏对策: 以四大滑雪区域为例. 中国生态旅游, 2022, 12(1): 140-156.

[ZHANG M H, DONG S C, LI F J, et al. Evaluation of web visibility on ski tourism and recovery countermeasures for the post-COVID-19 period: A case study of four major ski regions in China. Journal of Chinese Ecotourism, 2022, 12(1): 140-156.]

Options
Outlines

/

〈 〉