0 引言
冰雪旅游是以冰雪资源和寒冷气候条件为依托，以冰雪自然、人文景观为旅游吸引物的一种旅游方式，让游客体验冰雪文化内涵的旅游活动，具有季节性、地域性、参与性和健身性等特点［1］。2022年北京冬奥会的成功举办促进了中国冰雪运动的快速发展，也为中国的冰雪经济带来了发展红利。在冬奥会赛事效应和相关政策影响下，国内大众冰雪旅游的需求近年来逐步增长，已从“小众爱好”逐渐成为“大众潮流”。文化和旅游部数据显示，2021—2022年冰雪季，中国冰雪休闲旅游人数为3.44亿人次，是2016—2017年冰雪季1.7亿人次的2倍多，冰雪休闲旅游收入也从2700亿元增加到4740亿元。数据的变化显示，中国的冰雪旅游实现了跨越式发展，冰雪旅游产业正进入快车道［2］。
冰雪旅游最早起源于欧洲和北美地区，随着实践活动的兴起，学者对冰雪旅游的关注和研究逐渐增加，国外研究内容主要包括冰雪旅游动机［3］、市场营销［4］、气候变化对冰雪旅游目的地发展的影响［5］、冰雪旅游者目的地选择的影响因素［6］以及冰雪旅游可持续发展等议题［7］。国内学者主要聚焦于冰雪旅游产业融合发展［8，9］、冰雪旅游经济［10］、冰雪旅游目的地规划开发［11，12］、冬奥赛事效应［13］等议题。近些年有关网络关注度的研究为冰雪旅游的进一步探索提供广阔空间，目前对网络关注度的研究大多使用搜索引擎工具和社交媒体程序来收集数据，国外学者多基于Google Trends、Twitter等网络数据，研究涉及社交媒体对旅游需求的影响机制［14］，网络数据可以帮助提高旅游需求预测的准确性［15］以及游客选择目的地的行为［16］等内容。在中国，百度搜索引擎的广泛应用，使百度指数越来越多地被学者应用于不同行业的研究之中，学者们的研究主要集中于旅游目的地网络关注度的演变及影响因素［17］，网络关注度与游客流量的关系［18］，网络关注度与旅游吸引力的耦合关系［19］等方面，研究对象以区域性景区为主［20］，涉及红色旅游［21］、体育旅游［22］等旅游形式。此外，旅游行为充满了复杂性，国外学者研究认为游客个体特性［23］、旅游目的地属性［24］、产品服务［25］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。在冰雪旅游方面，国外学者提出气候环境变化、居民收入水平、受教育程度等是对网络关注产生影响的显著性要素［26］。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［21，27］；针对冰雪旅游的影响因素研究，主要是从区位条件、经济发展水平等基础性因素出发，以及冰雪旅游资源禀赋［28］、滑雪场和滑冰场数量［29］等因素去考量，并以定性分析居多。
综合来看，已有研究多基于经济学、管理学等视角，对冰雪旅游的价值、现状、经济效益、区域发展等议题展开研究，网络关注度的相关研究也得到学界广泛关注。以上研究为本研究提供了有益借鉴，但仍存在亟待深入和拓展之处：一是在研究范围上，现有研究多以特定滑雪场或冰雪景区为研究对象，鲜少从宏观层面剖析中国网民关注冰雪旅游的时空演化过程；二是在研究内容上，大部分相关主题研究仅验证了各影响因素的特征，并未全面解释中国冰雪旅游网络关注度的演化规律。因此，本文以中国31个省（市、自治区）为研究范围，综合考虑冰雪旅游发展的地域空间属性以及冰雪旅游产业发展与区域经济社会的地理关联性，选取百度指数2011—2020年的数据，旨在从宏观层面揭示中国冰雪旅游在长时间尺度下的发展历程和不同区域尺度的空间差异特征，并结合实证结果分析影响因素的特征与规律。借助网络关注度来分析中国网民对冰雪旅游的关注程度与搜索热度，为中国冰雪旅游在大数据背景下的发展趋势、消费市场的预先规划提供依据与参考。
1 研究方法与数据来源
1.1 研究方法
1.1.1 基于百度指数的冰雪旅游网络关注度测算
百度作为全球最大的中文搜索引擎，2020年在中国搜索引擎市场份额已接近70%，其搜索情况能够体现中国大众的整体网络关注行为［28］。以百度指数为研究工具，利用百度指数中的“搜索指数”“人群画像”“需求图谱”三个模块，综合分析冰雪旅游的大众网络关注度。
季节强度指数（R）可根据季节变动的时间序列，计算各月或各季的季节指数，并据此测算和预测网络关注度时段分异状况［30］。计算公式如下：
式中，R表示季节强度指数，Mi 表示第i月网络关注度与全年总关注度的比值，8.33为平均每月网络关注度与全年总量的比值。R越大代表越集中于某时段，反之则越分散。
地理集中指数（G）是衡量网络关注度在空间上集聚程度的重要指标。为了解近10年来中国冰雪旅游网络关注度的空间分布变化差异，采用地理集中指数作具体分析［32］，计算公式为：
其中，Xi 表示第i个省区的网络关注度（次）；S表示每年排名前10省份的网络关注度总数（次）；n为本文选取的省市总数。G值越接近100，代表网络关注度越集中，反之则越分散。
1.1.2 基于回归模型的影响因素分析
依据研究目的，模型中被解释变量设定为冰雪旅游网络关注度，由于百度指数中提供的日均用户关注度数据为离散型的整数，且零值较多，因此借用陈玉萍等人的研究，建立泊松回归模型进行分析［28］。泊松回归模型通常适用于以计数数据作为因变量来构造模型的情形，一般情况下，这类变量只能在有限范围内取非负整数，同时允许零数据的存在，为保证数据完整性和模型有效性，本文构建以下计量模型：
其中，Yt 表示t省的网络关注度，Xit （i=1，2，∙∙∙，6）分别代表t省的网络普及度、冰雪旅游资源、冰雪赛事效应、人均GDP、青年人群（20~39岁）占比、人均消费支出，β0 表示截距项，β1~β6 表示对应各影响因素的回归系数，εt 为误差项。
1.2 数据来源
本文选取的数据均来自百度指数官方数据，选取的时间范围是2011—2020年，研究范围包括全国31个省、自治区、直辖市（不包括香港、澳门特别行政区及台湾省）。网民数量的数据来自中国互联网信息中心发布的第47次《中国互联网发展状况统计报告》，国民经济数据和人口特征数据来自2020年中国国家统计局发布的统计年鉴。
2 中国冰雪旅游网络关注度的时空差异
2.1 时间差异分析
2.1.1 年度差异
整体来看，中国冰雪旅游网络关注度呈缓慢上升态势（图1a）。2013—2014年，受全球经济影响和金融危机波及，冰雪旅游网络关注度趋势下降。2015年是网络关注度增速最快、增幅最明显的一年，北京-张家口联合申办2022年冬奥会的成功直接映射到网络关注度上，搜索指数增长迅速，涨幅为86.9%。近5年来，随着中国经济的不断发展和居民收入增加，“冰雪旅游”搜索指数呈稳步上涨趋势，2016—2018年期间，冰雪旅游网络关注度搜索指数共增长了41.6个百分点；2018—2019年，增长了6个百分点；2019—2020年，增长了9个百分点。由此推测，经济发展水平与冰雪赛事效应对冰雪旅游网络关注度影响较大，随着北京-张家口冬奥会的落幕，冰雪旅游网络关注度势必迎来新的搜索高峰。
图1
图1
中国冰雪旅游网络关注度相关时间差异变化
Fig.1
Temporal variation of ice-snow tourism network attention in China
在检索渠道方面，PC端搜索指数整体高于移动端搜索指数，PC端的优势在于丰富的信息量、详细的内容展示以及精美的图文表现。2011—2017年，PC端搜索指数虽缓慢下降，但其关注度总量仍然高于移动端总量；2017—2019年，移动搜索指数上升较明显，两年共上升了52.1%，这可能与智能手机的高普及率和使用率有关；2020年，两种搜索指数产生差异性变化，PC端搜索指数上升了15.1个百分点，移动搜索指数下降了0.6个百分点，原因可能在于新冠肺炎疫情导致更多人居家办公和生活，应用PC端的人数增多，搜索信息量增大。未来随着智能手机的进一步发展，加之便捷化和随身性等独特优势，预计移动端的搜索指数会继续攀升，超过PC端搜索指数是大概率事件。
2.1.2 月度差异
2011—2020年冰雪旅游网络关注度月度变化总体呈现两侧高中间低的“U”形分布规律，具有明显的月度分异特性（图1b）。高频次月份主要集中在每年的11月、12月、1月，数据分别为2 838次、3 704次和2 697次；而7月与8月则是冰雪旅游网络关注的年度低谷时期。由于冰雪旅游信息搜索是冰雪旅游的事前行为，冰雪旅游消费者需要提前做好规划，因此每年11月开始，冰雪旅游网络关注度呈直线上升趋势，网络用户对冰雪旅游的关注度与冰雪旅游出游季在时间上具有明显的“前兆效应”。
2.1.3 季度差异
图1c显示，2011—2020年间，中国的冰雪旅游网络关注度季节强度指数均大于1，且在2015年后，季节强度指数逐年提高。这表明冰雪旅游网络关注度季节性明显，各月分布不均匀，具有旺季短且集中，淡季长而分散的特点。
2.1.4 关键词搜索
在百度指数“需求图谱”模块上，以“冰雪旅游”为关键词搜索，排名前6位的依次为冰酒店、滑雪、冰雪节、吉林雾凇、温泉旅游、哈尔滨冰雪旅游，平均值结果见图1d。2011—2020年，“哈尔滨冰雪旅游”关注度整体呈现先降后升的“V”字形趋势，在2017年达到最大关注度51 070次；“吉林雾凇”关注度整体稳步上涨，在2018年达到最大值142 324次；“温泉旅游”关注度呈现先扬后抑的趋势。“冰酒店”的整体关注度较高，近10年平均关注度都在百万以上，这一现象一方面反映出网络用户的猎奇心理，另一方面也折射出北欧国家建造冰酒店在全球旅游消费者心中产生的广告效应。此外，“滑雪”和“冰雪节”也成为网络用户的搜索热词，体验性冰雪活动和节庆活动依然是中国大众参与冰雪旅游的重要需求。
2.1.5 年龄分布差异
在冰雪旅游网络关注度人群属性特征方面，利用百度指数的“人群画像”模块功能，获取中国近10年来冰雪旅游网络关注度人群的信息流，通过用户IP归属地功能，统计该人群的身份来源和人群属性特征。其中，男性占27%，女性占73%；20~29岁人群占比为40%，30~39岁人群占比为32%，19岁以下人群占比为16%，40~49岁人群占比接近9%，50岁以上人群占比为2.5%，从群体年龄特征来看，青年人群占据绝对优势。
2.2 空间差异
2.2.1 区域整体差异
从整体演进趋势上看，东部和中部在2013—2016年期间的网络关注度均保持增长的趋势，而在2016—2018年期间，东部增长迅速，网络关注度上涨了68.7%；中部次之，上涨幅度为47.2%，而在2019至2020年间，两大区域的上涨幅度更为明显，东部的涨势幅度始终高于中部，并且网络关注度的差距也在逐步拉开。西部地区的冰雪旅游网络关注度在10年间一直处于低谷阶段，增长速度缓慢（图2a）。
图2
图2
中国冰雪旅游网络关注度空间差异变化
Fig.2
Spatial difference of attention of ice-snow tourism network in China
2.2.2 省际差异
具体到省份差异上，利用ArcGIS10.3数据处理软件，分别对中国2011、2016、2020年三个年份的冰雪旅游网络关注度的年均值进行统计分析，发现中国冰雪旅游的网络关注度在不同时间的空间表现差异明显。如图2所示，2011年，冰雪旅游网络高关注区为黑龙江、吉林、北京等地；2016年，冰雪旅游网络关注度除集中在上述地区外，东部沿海区域的江苏、上海和广东等地的冰雪旅游网络关注度贡献率呈增长趋势，中部地区省份亦有启动迹象；2020年，除了传统优势地区外，冰雪旅游网络关注度在东部沿海地区呈现群起之势，尤其以广东、上海等省市为代表，中部地区的河南和西部地区的四川也增长较快。2011—2020年期间，受冬奥赛事效应与政策拉动，北京以平均关注度7 577排名首位，中部区域的黑龙江哈尔滨排名次席，排名第3为吉林长春，东部沿海区域的广州排名第4，排名6，7位的分别是杭州和上海（表1）。从省份来看，关注度较高的人群主要来自中国东部沿海经济发达省市，上述地区互联网普及率高，交通路网发达，旅游消费意愿强烈，冰雪资源相对稀缺，冰雪旅游对以上地区人群形成较强吸引力。
表1 中国冰雪旅游网络关注度排名前10的城市
Tab.1
| 排名 | 城市 | 省份 | 区域 | 关注度/次 |
|---|---|---|---|---|
| 1 | 北京 | — | 东部 | 7757 |
| 2 | 哈尔滨 | 黑龙江 | 中部 | 6217 |
| 3 | 长春 | 吉林 | 中部 | 5173 |
| 4 | 广州 | 广东 | 东部 | 3559 |
| 5 | 沈阳 | 辽宁 | 东部 | 2401 |
| 6 | 杭州 | 浙江 | 东部 | 2379 |
| 7 | 上海 | — | 东部 | 2299 |
| 8 | 南京 | 江苏 | 东部 | 2264 |
| 9 | 石家庄 | 河北 | 东部 | 2155 |
| 10 | 济南 | 山东 | 东部 | 1624 |
2.2.3 地理集中指数
表2 中国冰雪旅游网络关注度地理集中指数
Tab.2
| 年份 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 |
|---|---|---|---|---|---|---|---|---|---|---|
| G值 | 37.71 | 35.52 | 38.93 | 33.64 | 34.24 | 36.53 | 35.94 | 35.46 | 34.67 | 31.75 |
3 中国冰雪旅游网络关注度的影响因素分析
3.1 模型的构建
3.1.1 指标的选取
冰雪旅游网络关注度受多种因素的综合影响，本研究的选取依据主要有以下两方面：第一，已有研究表明旅游网络关注度是现实游客量的前兆，也验证二者之间存在双向的因格兰关系［30］，因此，影响现实客流量时空分布的因素也会影响冰雪旅游网络关注度；第二，由于冰雪旅游具有明显的资源性、季节性特征，并且在大型赛事前后具有波动大的特征，因此选取冰雪旅游资源和大型冰雪赛事两项指标作为冰雪网络关注度时间分布的主要影响因素。在空间分布特征上，根据上文研究，冰雪网络关注度受客源地经济发展水平、网络发达程度的影响，并综合考虑其他相关因素如人口年龄结构、消费支出等对网络关注度的影响，选取以上指标作为冰雪旅游网络关注的空间影响因素。
3.1.2 数据分布特征分析
（1）经济发展水平。选取两个评价因子衡量地区经济发展水平：一是人均GDP，二是人均消费支出。人均GDP体现一个地区的经济实力，人均GDP越高，地区内基础设施和公共服务水平越高，人们休闲娱乐和出游动机也更强烈。人均消费支出则展现了该地区居民的消费能力和消费水平。在人们进行冰雪旅游的决策过程中，人均GDP决定地区居民平均收入水平，属于前提条件，可自由消费支出成为居民进行冰雪旅游体验的关键限制条件［31］。因此，地区经济发展水平是决定冰雪旅游市场需求的主要经济因素。
（2）网络发达程度。根据中国互联网信息中心发布的报告，截至2020年12月，中国网民规模接近10亿，网络普及率达到70%
（3）人口统计特征。由于冰雪运动本身具有冒险性和刺激性，以及网络用户年龄、受教育程度、参与冰雪运动的技术等级不同，网络用户对冰雪旅游的认知存在差异。本研究依据《中国统计年鉴》的年龄划分标准，选取2020年中国0~14岁、15~64岁、65岁及以上年龄段的人口占比作为年龄结构的指标，将其与冰雪旅游网络关注度分别进行相关性分析。结果显示，冰雪旅游网络关注度与15~64岁年龄段人口占比的相关性较为显著（P＜0.01）。由于15~64岁区间的人口年龄跨度较大，为便于更加精准地锁定冰雪旅游年龄群体，通过上文百度指数“人群画像”模块统计数据发现：20~39岁的青年人群占比最多，更为关注冰雪旅游信息，因此选取该年龄段人群作为变量，具体数据以各省份的统计年鉴为准。
表3 中国冰雪旅游基地适宜度评定分级
Tab.3
（5）冰雪赛事效应。大型体育赛事对赛事举办地的旅游业拉动作用已成为学者们的共识，大型冰雪赛事同样对当地冰雪旅游带来激励效应，也会导致网民对该地区冰雪旅游信息的网络搜索量激增，并且冰雪赛事效应与冰雪旅游网络关注度存在显著的相关性关系（P＜0.01），因此，本文选取中国曾经举办或即将举办大型赛事的城市（表4），筛选标准为曾举办过中国冬季运动会及以上等级赛事（包括冬奥会、冰雪世界杯、世锦赛、亚冬会、冬运会）的地区，并以此作为解释变量。最终选出以下9个城市：哈尔滨、长春、乌鲁木齐、北京、张家口、南京、重庆、海拉尔、上海，将赛事举办城市所在省份记为1，其余省份记为0。
表4 中国承办冬运会及以上赛事城市列表
Tab.4
| 赛事 | 举办城市 |
|---|---|
| 冬奥会 | 北京、张家口 |
| 冰雪世锦赛和世界杯 | 上海、南京、重庆 |
| 亚冬会和冬运会 | 哈尔滨、长春、乌鲁木齐、海拉尔 |
采用Stata 16统计软件与冰雪旅游网络关注度进行线性相关性分析，指标数据来源于《中国统计年鉴》（2015—2020），结果见表5。表5显示： 1） 中国冰雪旅游网络关注度与冰雪赛事效应、冰雪旅游资源、青年人群占比的相关系数分别为0.71、0.77、0.66，反映出这三项指标与中国冰雪旅游网络关注度高度相关。2）中国冰雪旅游网络关注度与网络普及度、人均GDP、人均消费支出的相关系数为0.53、0.52、0.49，达到了中度相关，说明地区性的经济发展水平、人均消费支出和网络普及度是影响中国冰雪网络关注度空间分布差异的基本因素。为进一步验证各因素对冰雪旅游网络关注度的影响程度，建立泊松回归和多元线性回归模型。
表5 冰雪旅游网络关注度时空差异影响因素的相关性分析
Tab.5
| 网络关注度 | 网络普及度 | 冰雪赛事效应 | 冰雪旅游资源 | 人均GDP | 青年人群占比 | 人均消费支出 | |
|---|---|---|---|---|---|---|---|
| 网络关注度 | 1.00 | — | — | — | — | — | — |
| 网络普及度 | 0.53 | 1.00 | — | — | — | — | — |
| 冰雪赛事效应 | 0.71 | 0.15 | 1.00 | — | — | — | — |
| 冰雪旅游资源 | 0.77 | -0.10 | 0.70 | 1.00 | — | — | — |
| 人均GDP | 0.52 | 0.01 | 0.05 | -0.04 | 1.00 | — | — |
| 青年人群占比 | 0.66 | 0.25 | 0.07 | -0.09 | 0.01 | 1.00 | — |
| 人均消费支出 | 0.49 | 0.46 | 0.53 | 0.15 | 0.18 | 0.31 | 1.00 |
3.2 模型的检验及结果分析
依据本文的研究目的，结合泊松回归，进行模型拟合，模型结果见表6。
表6 泊松模型回归结果
Tab.6
| Yt | 泊松回归 | Z | OLS法 | t值 |
|---|---|---|---|---|
| 网络普及率 | 0.49 | 3.51*** | 1.85 | 0.22 |
| 冰雪旅游资源 | 0.97 | 68.30*** | 8.77 | 2.68** |
| 冰雪赛事效应 | 0.79 | 66.96*** | 6.62 | 5.05** |
| 人均GDP | 2.77 | 17.91*** | 1.37 | 0.62 |
| 青年人群占比 | -0.63 | -33.17*** | -1.76 | -2.87*** |
| 人均消费支出 | 0.32 | 32.61*** | 0.43 | 2.42** |
| -5.66 | 10.20*** | -42.63 | -2.84** | |
| F | 17.96*** | |||
| R2 | 0.82 |
3.2.1 模型检验
为保证假设检验的可靠性，对回归方程进行异方差和多重共线性检验。异方差检验（White检验和BP检验）结果显示，两者均在1%的显著性水平下拒绝原假设，说明模型不存在异方差。利用方差膨胀因子（VIF）检验回归方程的多重共线性，结果显示各变量的VIF值均小于10，说明变量不存在多重共线性。
表7 稳健回归结果
Tab.7
| 影响因素 | 网络普及度 | 冰雪旅游资源 | 冰雪赛事效应 | 人均GDP | 青年人群占比 | 人均消费支出 |
|---|---|---|---|---|---|---|
| 回归系数 | 1.85 （0.20） | 8.45** （2.31） | 6.62*** （3.22） | 1.37* （2.00） | －1.76*** （－3.06） | 0.43** （2.28） |
3.2.2 影响因素分析
从结果来看，泊松回归最为显著，是较为合适的模型且R2=0.82，表明模型的拟合度较好。具体得出如下结果：网络普及率、冰雪赛事效应、人均消费支出、人均GDP、青年人群占比、冰雪旅游资源均显著影响冰雪旅游网络关注度。其中网络普及率、城市知名度、人均消费支出、冰雪旅游资源与冰雪旅游网络关注度呈正向影响，青年人群占比与冰雪旅游网络关注度呈负向影响。具体分析如下：
（1）人均GDP对冰雪旅游网络关注度的影响高度相关，回归系数达到了2.77，这说明网络用户或潜在旅游者所在地区的经济发展水平越高，他们参与冰雪旅游的动机就越浓厚，对信息的搜索也趋于强烈，反映出冰雪旅游具有较高水平消费的特征。这一研究结果颠覆了以往旅游网络关注度研究中将地方旅游资源禀赋作为第一要素的结果，地区的经济发展水平在冰雪旅游网络关注度中成为首要影响因素。
（2）冰雪旅游资源的回归系数为0.97，在本次研究中对冰雪旅游网络关注度的影响程度排在第二位。这一结果强调了冰雪资源禀赋丰富的地区和省份，依然是冰雪旅游网络关注度的主要因素。中国冰雪旅游资源重地黑龙江、吉林在本次研究中获得较大网络关注度；而北京、张家口和延庆地区依托原有的冰雪资源与冬奥会的大力建设，拓展和丰富了冰雪资源和冰雪场馆，在近几年打造高质量的冬季旅游产品与品牌建设，不断拓宽冰雪旅游消费市场，网络搜索指数也呈逐年上升趋势。
（3）冰雪赛事效应的系数为0.79，呈显著性关系，反映中国冰雪旅游网络关注度与冰雪赛事效应紧密相连，从冰雪赛事角度考量对旅游目的地产生的影响，冰雪赛事影响力的大小是关键因素，应从赛事的级别、规模、特色等方面综合考虑，通常赛事影响力和网络关注度的排序为冬奥会＞世界级赛事＞中国赛事。一部分人群以现场观赛的形式前往赛事举办地观赛，同时将赛事举办地作为旅游目的地；另一部分人群通过线上搜索、观看、互动等方式关注比赛，这两类人群都会带动冰雪赛事旅游目的地的网络关注度。
（4）网络普及率的系数为0.49，虽然影响较小，但仍对冰雪旅游网络关注度产生正向影响作用。分析原因可能是由于中国各区域、省份之间存在网络普及率的差异格局，上文研究中也提出中国网络关注度的空间特征呈现“东部高、西部低、中部缓慢”的差异格局，2020年第47次《中国互联网络发展状况统计报告》显示：广东、上海、浙江等城市互联网普及率和网民数量高于其他省区。因此，各地区网络普及率的差异对冰雪旅游网络关注度产生了较小程度的正向影响。
（5）人均消费支出在冰雪旅游网络关注度中的回归系数最小，仅为0.32。这一方面说明当前中国大众冰雪旅游平均消费水平不高，还有相当大的消费潜力亟待挖掘；另一方面也表明随着人均消费支出的增加，大众在文化娱乐、体育、休闲消费方面的选择更加多元化，消费项目更加多样，冰雪旅游消费支出的增加受影响程度不大。
（6）青年人群占比呈现负相关，系数值为－0.63，分析原因可能在于两方面：一是冰雪旅游作为一种相对消费较高的旅游项目，对收入水平和经济能力有一定要求，而搜索人群中的青年群体很多是在校学生，没有收入来源，影响到其后续的搜索行为；二是青年人群可以通过更多的社交媒体平台来获取信息。相较于百度搜索，青年人群更倾向于通过微博、小红书、微信等多渠道搜索冰雪旅游信息，并且在这些平台进行互动和讨论，以便获取更全面的冰雪旅游信息，以上因素可能是影响青年人群占比呈现负相关的原因。
4 研究结论与讨论
4.1 研究结论
（1）时间上，近10年中国冰雪旅游网络关注度总体呈现持续增长趋势，与中国经济发展水平相关，并存在增长曲线协同效应；在PC端的搜索指数高于移动端。冰雪旅游网络关注度有明显的前兆效应，每年11月、12月和1月为搜索高峰期。冰雪旅游网络关注度季节性差异明显，具有旺季短且集中，淡季长而分散的特征。在冰雪旅游网络热门搜索词上，“冰酒店、滑雪、冰雪节”排名居前，而“吉林雾凇”和“哈尔滨冰雪旅游”是网络用户偏爱的地点名词。
（2）空间上，中国各省（市、区）之间的冰雪旅游网络关注度呈现空间错位分布，表现为从北往南与从东往西呈双向梯度递减趋势。冰雪旅游网络关注度排名前5位的省（市）依次是北京、黑龙江、吉林、广东和辽宁，从演进趋势看，东部地区增长较快、中部地区次之，西部地区增长缓慢。地理集中指数显示，冰雪旅游网络关注度一类是以广州和上海等为代表的经济水平与网络用户密集的东部沿海地区；另一类是以北京、哈尔滨、长春等城市为代表的冰雪资源丰富、交通区位与网络用户人群相对靠近的区域。
（3）网络普及度、冰雪赛事效应、冰雪旅游资源、人均GDP、人均消费支出是形成冰雪旅游网络关注度时空差异的主要影响因素。根据泊松回归分析显示：人均GDP对冰雪旅游网络关注度影响效果最大；地方冰雪旅游资源对冰雪旅游网络关注度也有显著正向影响；举办大型冰雪赛事对拉动该地区冰雪旅游网络关注度有正向影响；网络普及度作为基本指标对冰雪旅游网络关注度存在正相关性，但影响效应不高；人均消费支出受到大众多元化消费的影响，效应较弱；而青年人群占比与冰雪旅游网络关注度呈现负相关。
4.2 建议
（1）实施大数据赋能下的冰雪旅游产业成长战略，构建冰雪智慧旅游服务体系。在大数据网域中，政府、行业组织和企业应合力搭建冰雪旅游信息共享平台、电子商务平台与冰雪旅游信息数据库，利用大数据的监控与反馈，加强对冰雪旅游市场的动态需求和消费趋势的预测，关注冰雪旅游消费者的口碑信息，制定更有针对性和有效性的冰雪旅游市场营销策略，更好地满足冰雪旅游者多层次、多样化的信息需求和消费需求。
（2）根据冰雪旅游网络关注度的时空分布规律，可在时间与空间两个维度上实施差异化精准营销战略。找准宣传时机，加强网络宣传密度，在每年的11、12月与次年1月通过官方网站、微信公众号、微博等网络渠道进行密集的营销推广，创新多样化营销方式。针对个人需求，特别是中、青年人的需求，实行按需推送和个性化定制服务，推出营销措施。
（3）基于“强化优势、消化弱势、扩大中端”的原则，提出面向未来的中国冰雪旅游空间优化布局方案。冰雪节庆和赛事是提升网络关注度的重要因素，从世界冰雪强国的发展经验来看，举办大型冰雪赛事和节庆活动无疑对推动当地冰雪旅游业的发展起到至关重要的作用。因此，在赛事对冰雪旅游目的地的促进方面，需要重点考虑在赛事规模、项目遴选、目的地旅游定位、产业发展需求上相融合，建议借鉴澳大利亚各州“因地制宜”举办冰雪赛事的经验：选择经济基础好、交通发达、冰雪场馆设施完善、能够接纳大量游客的一线城市举办大型或国际性冰雪赛事；选择冰雪资源丰富、自然景观优越、基础设施和交通较为完备的东北地区和新疆地区举办国际中等规模冰雪赛事；选择部分西部和中部二、三线城市，通过当地对于冰雪场馆设施和景区的改造，举办小型冰雪赛事，营造冰雪氛围，推广冰雪运动。
4.3 研究展望
本文运用百度指数对中国2011—2020年间冰雪旅游网络关注度相关数据进行探索性的研究，从时间、空间两个维度上，围绕中国、区域和省际三个方面来分析中国冰雪旅游网络关注度的时空差异特征，并发现人均GDP、冰雪旅游资源、冰雪赛事效应、网络普及度和人均消费支出是中国冰雪旅游网络关注度的主要影响因素。本文在研究视角上丰富了网络关注度与冰雪旅游的相关性研究，补充了近10年中国冰雪旅游网络关注度的相关数据，对于准确把握中国冰雪旅游消费者的关注热点、潜在需求和消费倾向发挥了一定的价值和作用。本研究仍存在可进一步研究的内容：（1）网络用户对于冰雪旅游消息的检索不仅限定于百度搜索，也包括网站信息、社交媒体平台、点评服务文本数据和相关冰雪旅游APP数据等。（2）由于时间原因，本研究对2020年以后的冰雪网络关注度的数据研究尚未涉及，特别是对2022年北京冬奥会这一重大赛事相关影响因素的数据。后续研究会考虑纳入冰雪旅游目的地区位条件、服务水平等相关因素，从更多维度来探究中国冰雪旅游的网络关注度。
参考文献
国内外冰雪旅游开发与研究述评
.
A Summary on the Ice-Snow Tourism Development and Research at Home and Abroad
.
中国冰雪旅游发展报告(2023),2023
.
China ice-snow tourism Development Report(2023),2023
.
The use of visitor understanding in skiing management and development decisions at the Cairngorm Mountains,Scotland
.
An analysis of snow options for ski resort establishment
.
Managing for climate change in the Alpine ski sector
.
Using ski destination choice criteria to segment Finnish ski resort customers
.
The spatial differentiation of the suitability of ice-snow tourist destinations based on a comprehensive evaluation model in China
.
冰雪产业与旅游产业融合发展的动力机制与实现路径探析
.
Exploration & Analysis on the Dynamic Mechanism and Way of Implementation of the Integrated Development of the Ice & Snow Industry and the Tourism Industry
.
互联网+冰雪旅游"产业发展路径选择——以黑龙江省为例
.
From Modernization to Modernity——Exploration of Modernity in Chinese Literature and Art since 1990
.
冰冻圈旅游经济区发展水平及影响因素分析——以大香格里拉地区为例
.
Analysis on the development level and influencing factors of the cryosphere tourism economic zone——Taking the Greater Shangri-La Region as an example
.
中国滑雪场空间格局、形成机制及其结构优化
.
Spatial pattern,formation mechanism and structure optimization of China's Ski Resorts
.
西北五省滑雪场空间分异特征及其影响因素研究
.
Research on the spatial differentiation characteristics and influencing factors of ski resorts in the five provinces of Northwest China
冬奥旅游遗产的创造、识别与利用
.
The creation, recognition and utilization of Winter Olympic tourism Heritage
.
Forecasting tourism demand with google trends: Accuracy comparison of countries versus cities
Using twitter data for cruise tourism marketing and research
Quantifying potential tourist behavior in choice of destination using google trends
中国代表性滑雪场网络关注度时空演变及影响因素
.
Spatio-temporal evolution and influencing factors of network attention of representative ski resorts in China
.
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
.
Analysis of the Internet attention and tourism flow network structure of red tourism resources in Long March National Cultural Park
省域国家森林公园网络关注度与旅游吸引力动态耦合协调关系
.
Coupling coordination relationship between network attention and tourism attraction of national forest park in provincial scale
.
中国主要城市旅游要素网络关注空间演化特征
.
Evolution characteristics of 24 major cities'network attention degree of six elements of tourism in China
中国红色旅游网络关注度时空特征及影响因素
.
Spatio-temporal characteristics and influencing factors of Chinese red tourism network attention
.
基于百度指数的我国体育旅游网络关注度研究
.
Network Attention of China's Sports Tourism Based on Baidu Index
.
A predictive model of tourist destinations based on tourists' comments and interests using text analytics
Experiencing nature: Physical activity, beauty and tension in Tatra National Park: Analysis of Tripadvisor Reviews
Examining green reviews on TripAdvisor: Comparison between resort/luxury hotels and business/economy hotels
Glacier tourism and tourist reviews: An experiential engagement with the concept of "Last Chance Tourism"
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
.
Spatio-temporal Differences and Influencing Factors of Wetland Tourism Network Attention in 31 Provinces ( Municipalities and Autonomous Ｒegions) in China's mainland
,
基于网络关注度的中国冰雪旅游产业发展启示
.
Enlightenment of China's Ice-Snow Tourism Industry Development Based on Online Attention
.
大数据透视下的我国冰雪运动网络关注度探究
.
Research on online attention of ice and snow sports in China from the perspective of big data
.
我国沙漠旅游景区客流时空特征与影响因素——以鸣沙山、沙坡头、巴丹吉林为例
.
Analysis of spatio-temporal characteristics of Chinese desert tourism scenic, with examples of Mingshashan, Shapotou and Badanjilin
.
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
.
Spatial-Temporal Characteristics and Influencing Factors of Network Attention to Ancient City Destination: A Case of Pingyao
.
中国家政服务业发展时空演变特征及影响因素
.
Spatio-temporal evolution and influencing factors of domestic service industry development in China
.
