成渝經濟圈5A 級旅游景區網絡關注度研究

□文/馮 瀟 范樂瑤

（電子科技大學成都學院 四川·成都）

［提要］ 通過爬蟲程序獲取百度指數平臺上2012～2021 年成渝經濟圈5A 級旅游景區月搜索指數數據，分析各景區網絡關注度的年度和月度趨勢特征；利用Python3 對2012～2019 年月度數據構建SARlMA 模型，并運用網格搜索法對模型進行參數尋優；利用最優模型SARlMA（0，1，1）（0，1，1）12 對2020～2021 年月網絡關注度進行預測，并將預測結果與ARlMA 模型的預測結果進行對比分析。研究表明：（1）成渝經濟圈各5A 級旅游景區的網絡關注度存在較大差異，其中成都市和樂山市的5A 級旅游景區網絡關注度較高；（2）成渝經濟圈5A 級旅游景區網絡關注度時間分布具有顯著的季節性和假期性特征；（3）SARlMA 模型比ARlMA 模型預測精度更高，更能反映成渝經濟圈5A 級旅游景區網絡關注度的趨勢特征。

游客在進行旅游活動之前，通常會通過互聯網對旅游景區進行搜索，而這種網絡關注情況被認為是旅游目的地客流量的前兆。因此，研究旅游景區網絡關注度變化趨勢，對把握游客旅游意向、分析未來潛在客流量、促進旅游持續發展等具有重要意義。

基于百度指數的旅游景區網絡關注度研究主要分為以下四類：第一，探究景區網絡關注度的時空特征，該類研究側重于使用季節性集中指數、地理集中指數等，或通過GIS 空間分析法分析網絡關注度的時空特征。如，杜夢珽等（2020）利用洪崖洞百度指數搜索數據，研究洪崖洞網絡關注度時空分布及變化特征；朱豆豆等（2021）分析新疆8 個熱門景區網絡關注度的時空差異特征，并運用回歸和相關性分析法探究其影響因素。第二，利用景區網絡關注度的時空特征提出相應的營銷策略。如，周曉麗（2019）基于五臺山日網絡搜索數據構建五臺山客源市場的“重要性-發展潛力”矩陣，并提出相應的營銷策略。第三，探究景區網絡關注度和實際客流量的相關關系。如，馬莉等（2018）研究發現長三角地區40 個城市的每日實際游客量與網絡關注度之間存在因果關系，即網絡關注度是游客量變動的前兆。第四，利用景區網絡關注度對未來游客量趨勢進行預測。如，康俊鋒等（2020）基于上海市的百度搜索數據和旅游人數數據構建ARIMA 旅游趨勢預測模型。

本文以成渝經濟圈5A 旅游景區的月百度搜索指數為研究對象，分析2012 年1 月～2021 年12 月5A 級旅游景區網絡關注度的時間變化特征，建立SARIMA 模型對各景區網絡關注度進行預測，以把握未來旅游網絡關注度變化情況，為成渝經濟圈5A 旅游景區及旅游管理相關部門提供決策依據。

一、研究方法

（一）季節性集中指數。季節性集中指數（R）用于反映一年內旅游網絡關注度的季節性變化：

其中，xi為第i 月的網絡關注度。R 值越大，表明年內每月網絡關注度差異越大，即關注度受季節性影響較大，淡旺季較明顯；R 值越接近于0，表明年內每月網絡關注度分布較均勻，即關注度受季節性影響較小，淡旺季不明顯。

（二）ARlMA 模型。ARIMA 模型，即差分自回歸滑動平均模型，是由Box 和Jenkins（1970）提出的時間序列預測方法，該方法通過差分處理將時間序列轉化為平穩時間序列，利用其過去值預測未來值，并將誤差項累加以消除預測中的隨機波動。ARIMA 模型構建的基礎為ARMA（p，q）模型：

其中，p 和q 分別為自回歸階數和移動平均階數。若原序列在d 次差分之后得到平穩時間序列wt，并對wt建立ARMA（p，q）模型，即得到ARIMA（p，d，q）模型。

（三）SARlMA 模型。SARIMA 模型，即季節性差分自回歸滑動平均模型，是在ARIMA 模型的基礎上進行了季節性調節，對具有季節性波動的時間序列有較高的預測精度。該模型可以表示為ARIMA（p，d，q）×（P，D，Q）S，其中，（p，d，q）為模型非季節性部分，與ARIMA（p，d，q）模型參數的含義相同，（P，D，Q）S為模型季節性部分，P 為季節性自回歸階數，D 為季節性差分階數，Q 為季節性移動平均階數，S 為季節性周期長度。

二、實證分析

（一）數據來源。百度指數是以網民海量搜索數據形成的數據分享平臺，提供了2011 年至今各關鍵詞的每日搜索量數據。基于百度指數平臺，本文將景區關鍵詞檢索到的移動端搜索指數和PC 端搜索指數之和稱作“網絡關注度”，反映游客在互聯網上對成渝經濟圈5A 級旅游景區的關注程度。將成渝經濟圈中所有5A 級景區的代表性關鍵詞進行搜索，發現重慶市黔江區濯水景區沒有被百度指數收錄，故本文以成渝經濟圈的11個5A 級景區為研究對象，其中四川省7 個、重慶市4 個，如表1 所示。本文通過Python 爬蟲程序搜索景區關鍵詞，獲取了2012 年1 月～2021 年12 月11 個景區每月百度移動端和PC端搜索指數數據。（表1）

表1 成渝經濟圈5A 級旅游景區地域分布與搜索關鍵詞一覽表

（二）成渝經濟圈5A 級旅游景區網絡關注度時間分布特征

1、景區網絡關注度年度分布特征。分類匯總求出11 個5A

級旅游景區的年度網絡關注度，并繪制圖1。從整體來看，2012～2017 年游客對成渝經濟圈內5A 級旅游景區的網絡關注度呈逐年上升趨勢，而2018～2021 年的關注度均較2017 年有不同程度的下降，其中2020～2021 年受新冠肺炎疫情的影響，游客出行受到一定限制，故11 個景區整體關注度下降較明顯。從各旅游景區網絡關注度數量上看，11 個景區的網絡關注度存在明顯差異，受網絡關注最高的5A 級旅游景區是成都市青城山-都江堰旅游景區，其次是樂山市樂山大佛景區和峨眉山景區。2012～2021 年3 個景區的網絡關注度遠高于其他8 個景區，表明3 個景區的知名度較高，游客出游意愿更強。而受網絡關注最低的兩個景區是鄧小平故里旅游區和朱德故里景區。與其他9 個景區不同，鄧小平故里旅游區和朱德故里景區屬于紅色文化型旅游景區，而游客對兩個景區網絡關注度較低，表明這兩個景區的紅色文化影響力和知名度有待進一步的提升。（圖1）

圖1 成渝經濟圈5A 旅游景區網絡關注度年度變化圖

2、景區網絡關注度月度分布特征。圖2 顯示了每年成渝經濟圈5A 級旅游景區網絡關注度月度分布情況。從平均值變化趨勢上看，平均值曲線表現為倒“V”型，其中7～8 月是成渝經濟圈旅游備受關注的高峰時期，說明成渝地區能夠吸引更多的學生和家長，暑假期間該地區親子游、畢業游等市場火爆。此外，4 月和10 月也是受關注較高的時間段，說明清明節、“五一”節和國慶節成渝地區氣候較為適宜，同樣是旅游、登山的熱點時段。而11 月～次年1 月成渝經濟圈5A 級旅游景區關注度為全年最低，說明成渝地區冬季氣溫較寒冷，游客出游意愿不強。對比每年網絡關注度月度變化趨勢，發現2012～2019 年的成渝經濟圈5A 級旅游景區網絡關注度月度變化趨勢近似，而受疫情因素影響，2020 年2 月和2021 年8 月的關注度走勢與其他年份差異較大。計算2012～2021 年成渝經濟圈5A 級旅游景區的季節性強度指數，結果見表2。表2 顯示，每年的季節性集中指數均大于1，表明成渝經濟圈5A 級旅游景區網絡關注度的季節性差異顯著，存在明顯的淡季和旺季。（圖2、表2）

表2 成渝經濟圈5A 級旅游景區網絡關注度季節性強度指數一覽表

圖2 成渝經濟圈5A 級旅游景區網絡關注度月度變化圖

（三）實證分析。選取2012～2019 年成渝經濟圈5A 級旅游景區的月網絡關注度數據為訓練集，基于Python3 建立SARIMA 模型，對2020～2021 年月網絡關注度進行預測，同時建立ARIMA 模型進行對比分析。

1、平穩性檢驗。圖3 顯示，2012～2019 年成渝經濟圈5A 級旅游景區的網絡關注度變化情況與趨勢，從圖中可識別出該序列為非平穩時間序列，且具有周期性，故需要對原始序列數據進行差分處理，使其變為平穩時間序列。根據單位根（ADF）檢驗結果，1 階差分后的檢驗統計量的值為-3.0657，小于顯著性水平5%的臨界值，即1 階差分后的序列是平穩的，無需進行2階差分，因此確定非季節性差分階數d=1。（圖3、表3）

圖3 2012～2021 年成渝經濟圈5A 級旅游景區網絡關注度月時序圖

表3 序列差分ADF 檢驗結果一覽表

2、SARlMA 模型與ARlMA 模型構建。對1 階差分后的序列數據繪制自相關函數（ACF）與偏自相關函數（PACF）圖。圖4顯示ACF 和PACF 在12 階、24 階位置出現尖峰，表明序列有周期為12 個月的波動，故SARIMA 模型中季節性周期長度S為12。為更準確地確定SARIMA（p，1，q）（P，D，Q）12模型的其余參數，本文通過網格搜索法進行遍歷尋參，選擇貝葉斯信息準則BIC 作為模型的評估指標，并繪制熱力圖5 所示。圖5 顯示，當非季節性自回歸階數p 和移動平均階數q 分別取0、1，且季節性自回歸階數P、差分階數D 和移動平均階數Q 分別取0、1、1 時，SARIMA 模型的BIC 有最小值485.0，此時模型最優。（圖4、圖5）

圖4 成渝經濟圈5A 級旅游景區網絡關注度月度數據的ACF 與PACF 圖

圖5 不同參數下SARIMA 模型BIC 值熱力圖

繪制圖6，對SARIMA（0，1，1）（0，1，1）12模型的殘差序列進行診斷，可知該模型殘差序列基本穩定，無趨勢或季節項，且殘差服從正態分布，不存在自相關，故可判定該模型殘差序列為白噪聲序列，說明SARIMA（0，1，1）（0，1，1）12模型提取序列信息較充分，擬合效果較好。同理，基于網格搜索法對ARIMA（p，1，q）模型進行遍歷尋參，如圖7 所示，此時最優模型為ARIMA（1，1，1）。（圖6、圖7）

圖6 SARIMA（0，1，1）（0，1，1）12 模型殘差診斷圖

3、模型預測與對比分析。運用建立的SARIMA（0，1，1）（0，1，1）12模型和ARIMA（1，1，1）模型對2020 年1 月～2021 年12 月成渝經濟圈5A 級旅游景區網絡關注度進行預測，并采用均方根誤差（RMSE）作為模型的評估指標：

其中，y＾i為預測值；yi為真實值。模型的擬合結果和預測結果如圖8 所示，可看出SARIMA（0，1，1）（0，1，1）12模型的擬合效果優于ARIMA（1，1，1）模型，且SARIMA（0，1，1）（0，1，1）12模型更能夠預測后疫情時代游客對成渝經濟圈5A 級旅游景區網絡關注度的趨勢變化。根據表4 中的RMSE 計算結果可以得知，SARIMA（0，1，1）（0，1，1）12模型在訓練集和測試集上的誤差均小于ARIMA（1，1，1）模型，表明利用SARIMA（0，1，1）（0，1，1）12預測成渝經濟圈5A 級旅游景區網絡關注度的準確度更高，實用性更強。（圖8、表4）

表4 SARIMA 模型和ARIMA 模型預測誤差對比一覽表

?

圖8 SARIMA 模型和ARIMA 模型擬合預測對比圖

三、結論

本文基于2012 年1 月～2021 年12 月百度指數平臺的月搜索數據，對成渝經濟圈5A 級旅游景區網絡關注度的年度、月度變化趨勢進行統計分析，利用SARIMA 模型對景區網絡關注度月度變化趨勢進行預測，并與ARIMA 模型進行對比分析。

總地來看：（一）受疫情因素影響，2020～2021 年游客對成渝經濟圈5A 級旅游景區整體關注度呈下降趨勢。2012～2021年11 個5A 級旅游景區的網絡關注度之間存在較大差異，游客對青城山-都江堰、峨眉山和樂山大佛關注度較高，出游意愿更強。（二）成渝經濟圈5A 級旅游景區網絡關注度的季節性差異顯著，存在旺季和淡季之分，即7～8 月暑假期間通常是成渝經濟圈地區旅游備受關注的旺季時期，而寒冷的冬季則是旅游網絡關注度的淡季時期。（三）SARIMA 模型比ARIMA 模型更能夠擬合并預測成渝經濟圈5A 旅游景區的趨勢特征，具有較好的實用性。但該模型完全依賴于數據本身，沒有考慮疫情等其他影響因素，因此研究過程具有一定的局限性，未來可引入網絡關注度的影響因素，并組合其他時間序列模型對網絡關注度進行預測研究。