殷 杰，郑向敏，董斌彬，2

(1.华侨大学旅游学院，福建 泉州362021;2黎明职业大学土木建筑工程学院，福建泉州362021)

旅游者决策模型研究发现旅游者决策制定包含信息搜索、假期计划和预定等3个完全不同的活动[1]，其中，信息搜索成为旅游者决策的先决要素。中国互联网络信息中心《2014年第34次中国互联网络发展状况统计报告》(以下简称“《统计报告》”)指出，截至2014年6月，我国网民规模达6.32亿，手机网民规模达 5.27 亿[2]。随着网络的普及与发展，大量信息在网络上交汇，旅游网络信息对旅游者决策以及旅游活动产生了巨大影响。尤其是网络交流的实时性、交互性和易用性等特点使得多数游客倾向于在网络上分享他们的体验或感受，从而使得相关事件的各类舆论信息在网络中得以汇聚和展示[3]。同时，大量旅游者借助互联网进行旅游信息查询，并以此为依据，进行旅游决策，最终完成旅行活动[4]。网络中庞大的数据流是否与现实中的旅游流之间存在一定的内在联系?旅游者的网络搜索行为是否对景区旅游人数造成影响?因此，探讨旅游者搜索行为，分析景区网络关注度与旅游流的内在联系，对指导景区控制游客容量具有一定的指导意义。

一、研究进展

中国互联网络信息中心《统计报告》指出，截至2014年6月，我国搜索引擎用户规模为5.07亿[2]。广大用户按照自身兴趣与喜好进行信息搜索，而这些海量的用户搜索数据被搜索工具记录下来。黄先开等认为被网络记录的用户搜索行为与用户的现实社会行为存在一定的相关性[5]。J.Ginaberg将用户网络行为的数据流运用于流行病监测，构建了基于谷歌数据的监测模型，并验证了搜索数据对于流感疫情有一定的监测能力[6]，此后利用网络信息流的方法被广泛应运于各类预测研究中。

从现有文献来看，对网络关注度的研究主要取得以下3方面进展:(1)对网络关注度的时空分布研究。马丽君等系统收集了城市客流量以及网络关注度数据，构建了游客量与游客网络关注度的时空相关模型[7];林志慧等选取47个旅游景区为研究对象，利用百度指数研究景区网络关注度的时空分布特征[8];刘月红等运用百度指数研究永定土楼网络关注度的时空演变特征[9]。(2)对客流量的预测研究。R.Jorg利用谷歌趋势所提供的网络信息流进行市场规律分析[10];国敏在分析网络搜索量与游客容量相关性的基础上建立了预测模型，并探究基于网络关注度的客流预测方法[11];黄先开等基于百度指数，运用相关计量知识，建立了有无百度关键词的预测模型并将其进行精度比较[5];崔丽敏基于网络搜索行为构建世园会客流量预测和预警模型[12]。(3)对客流量的影响研究。A.P.Davidson和路紫等均发现网站信息流对旅游者行为具有一定的引导作用[13－14];龙茂兴等从空间视角对网络关注度与客流进行探讨，发现二者在区域空间上存在明显的呼应关系[15];汪秋菊等根据消费者购买决策理论，分析旅游目的地客流量与网络关注度的相互关系[16]。

从上述研究成果来看，较多侧重于网络关注度对客流的影响研究，较少关注客流与网络关注度之间的相互影响;同时，大部分研究网络关注度只选取单个关键词作为研究对象，较少选取多个关键词进行研究。基于此，笔者选取多个关键词建立实证模型，分析网络关注度与旅游人数的相互关系。

二、研究设计

(一)案例地选取

鼓浪屿位于厦门岛西南部，面积1.87 km2，常住人口约1.6万人，国家5A级旅游区、全国35个王牌景点之一、福建“十佳”风景区之首，素有“海上花园”之誉。2005年，《中国国家地理》“选美中国”将鼓浪屿评为“中国最美城区”;2006年鼓浪屿入选“外国人最值得去的50个地方金奖”，鼓浪屿每年均有400万以上的海内外游客慕名前来[17]。此外，鼓浪屿多次入选《中国公民旅游关注度》(中国社会科学院旅游研究中心和乐途旅游网联合发布)报告的“20大最受关注国内景区”，其中，鼓浪屿在2011年第三季度的《中国公民旅游关注度》中位列“20大最受关注国内景区”以及“旅游服务综合评价”第一位。基于此，笔者选取鼓浪屿为案例研究地。

(二)数据来源

1.百度指数。百度指数以网页搜索和新闻搜索为基础，提供免费的海量数据分析服务。它可以用来反映在过去一段时间里不同关键词的“用户关注度”和“媒体关注度”。用户通过百度指数可以监测网站关键词变化数据，以此来关注网络关注度的变化。百度指数直接体现的信息和资讯均是网民搜索、共享和挖掘的重点，能够客观地反映用户的兴趣和需求。因此，笔者选取百度指数作为研究数据，以此研究网络关注度与旅游人数的相互关系。

2.关键词选取。旅游活动已逐渐成为大众活动，越来越多的旅游者通过网络进行旅游信息搜索。黄先开等认为网络搜索关键词的选取是进行网络搜索与经济行为相关性研究的核心环节[5]，而利用单一关键词进行网络关注度研究存在一定的局限性，李世霞等采用关键词组合的方法进行网络关注度研究[18]，因此笔者拟选取多个关键词进行研究。就目前来看，大多数研究者通过技术取词法、直接取词法和范围取词法等3种方法来选取关键词。孙毅等指出直接取词法与范围取词法存在遗漏核心关键词的风险[19]。基于此，笔者利用技术取词法选取关键词。笔者以鼓浪屿、厦门等旅游形象的高频词为依据，选取“鼓浪屿”“厦门鼓浪屿”“鼓浪屿门票”“鼓浪屿图片”等关键词作为基准关键词，然后对这些基准关键词进行百度指数搜索，查询其搜索量和与其相关的关键词。最终选取“鼓浪屿”“鼓浪屿旅游攻略”“鼓浪屿地图”“鼓浪屿门票”以及“鼓浪屿轮渡”等关键词。其中，“鼓浪屿”“轮渡”“地图”属于鼓浪屿旅游形象的高频特征词[20]，“鼓浪屿旅游攻略”则是前往鼓浪屿的重要前提准备，“鼓浪屿门票”则是旅游者较为关心的话题。笔者通过这些关键词搜索量的变化揭示出网络关注度与鼓浪屿景区旅游人数之间的关系。

3.数据获取与处理。借助百度指数的搜索功能，分别获取2011年1月至2014年5月“鼓浪屿”“鼓浪屿旅游攻略”“鼓浪屿地图”“鼓浪屿门票”以及“鼓浪屿轮渡”等5个关键词的百度指数月平均值。通过查询鼓浪屿政务网(http://www.gly.cn/zhwgk/tzhgg/)获取鼓浪屿核心景区旅游人数的月度值。将“鼓浪屿旅游攻略”“鼓浪屿地图”“鼓浪屿门票”“鼓浪屿”以及“鼓浪屿轮渡”分别标记为X1、X2、X3、X4、X5，将进入鼓浪屿核心景区的旅游人数标记为Y(万人)。由于关键词与旅游人数实际数据存在较大差异，因此对其做对数处理，将经过对数处理的旅游人数、“鼓浪屿旅游攻略”“鼓浪屿地图”“鼓浪屿门票”“鼓浪屿”以及“鼓浪屿轮渡”分别标记为 B、B1、B2、B3、B4、B5。如图1 所示，鼓浪屿旅游人数变化趋势基本与“鼓浪屿”“鼓浪屿旅游攻略”以及“鼓浪屿门票”等关键词的变化趋势一致。

图1 鼓浪屿景区关键词与旅游人数变化趋势图Fig.1 Trend of keywords of Gulangyu Islands and tourist arrivals

(三)研究方法

本研究首先对建立的时间序列进行平稳性检验和协整检验，并建立相应的时间序列模型，进而分析变量之间的Granger因果关系，同时运用脉冲响应和方差分解考察变量系统的动态变化特征。

1.平稳性检验。时间序列的平稳性检验一般采用ADF检验进行。进行时间序列的平稳性检验主要是避免回归分析中的伪回归现象。

2.协整检验。协整检验说明的是变量之间的长期均衡关系。如果变量间存在协整关系，即可从自回归分布滞后模型中导出误差修正模型(VECM模型)，而VECM模型多应用于具有协整关系的非平稳时间序列。

3.Granger因果关系检验。Granger因果关系检验主要用来说明变量之间的因果关系，这样能够直观反映各变量之间的相互作用关系。

4.脉冲响应分析。该方法主要用于检测在误差项上施加一个冲击后各变量今后一段时间内的反应。

5.方差分解。该方法主要用来说明各自变量对因变量变化的贡献程度，即各自变量对因变量变化的影响力大小。

三、实证分析

(一)平稳性检验

C.Granger等认为如果利用非平稳性变量序列进行普通最小二乘法回归，极有可能会因为出现伪回归现象而导致错误的结论[21]，因而数据序列的平稳性检验对于数据分析而言非常重要。从图1可以看出，只有 B3有明显的趋势，B、B1、B2、B3、B4、B5等6个变量均有截距项，因此，对B3序列进行含趋势和常数项的检验，其他5个变量只进行常数项无趋势的检验。检验结果如表1所示。

根据表1的ADF检验结果可知，在水平状态下，原变量序列并非同阶单整。而在一阶差分下的变量序列ADF值均小于5%水平下的临界值，因此可以说明6个变量序列是一阶单整。

表1 ADF检验Table 1 ADF test

(二)协整检验

由于数据非平稳性，传统的直接回归分析会造成结果出现“伪回归”，因此，笔者对变量进行协整检验。由于变量数多于2个，首先要建立VAR模型确定最优滞后长度，而确定最优滞后阶数需要综合考虑LR(似然比)统计量、FPE最终预测误差、AIC(Akaike)信息准则、SC(Schwartz)信息准则、HQ(Hannan-Quinn)信息准则[22]。由表2可知，滞后阶数为1是VAR模型的最优滞后长度，即建立滞后一阶的VAR模型较为合理。

笔者选用Johansen的MLE(极大似然估计法)来检验多个变量间的协整关系，结果如表3所示。根据迹统计量和最大特征值统计量与相应的5%临界值比较发现，Johansen协整检验拒绝不存在协整方程的假设，但是又接受存在至多1个协整方程的假设，因此变量间仅存在1个协整方程，说明变量间存在协整关系，其标准化协整方程如下:

B=4.126B1－ 5.135B2－ 1.212B3+10.012B4－3.134B5+ecm (ecm表示误差均衡项)

根据协整方程显示“鼓浪屿旅游攻略”和“鼓浪屿”的搜索量对旅游人数有正向促进作用，而“鼓浪屿地图”“鼓浪屿门票”以及“鼓浪屿轮渡”的搜索量对旅游人数有一定的抑制作用。

表2 VAR模型滞后阶数选取标准Table 2 Selection criteria of VAR model lag order

表3 Johansen协整检验结果Table 3 Results of Johansen cointegration test

(三)VECM模型

1.模型稳定性检验。VECM模型平稳性检验方法采用的是AR(Auto-regressive)单位根检验。由图2所知，在AR单位根检验图中，全部的特征根均不大于1(所有点均在单位圆内)，由此判定建立的VECM模型稳定有效，故可以对该模型进行脉冲响应以及方差分解分析。

2.Granger因果检验。为了进一步研究景区网络关注度与景区旅游人数的关系，避免变量之间长期因果关系，笔者基于VECM模型进行Granger因果关系检验(表4)，检验变量之间是否存在因果关系，从而可以通过一个变量的表现来预测另一个变量[23]。

表4 基于VECM模型的Granger因果关系检验Table 4 Granger causality test based on VECM model

(续表4)

图2 VECM模型的单位根检验Fig.2 Test of VECM model unit

通过检验发现B1、B2、B3以及B4等关键词的关注度的变化是引起B变化的Granger原因。相对应地，B的变化是引起B4关注度变化的Granger原因。由此表明，景区网络关注度和旅游人数之间存在着相互影响的内在关系。

(四)脉冲响应

脉冲响应分析所描述的是在误差项的基础上施加一个标准差大小的脉冲，这将直接影响模型内生变量当前和将来的取值大小，它还会通过模型动态结构影响其他内生变量[24]。因此，笔者基于VECM模型分别给变量施加一个正标准差新息(新息指随机扰动项)，可以得到各变量的脉冲响应路径。图3表示变量B受到自身以及其他变量冲击时产生的响应，具体表现如下:(1)B对自身冲击的响应表现为先产生负向影响，从第3期开始产生正向影响，并在第3、4期达到最大值，此后产生波动影响，最后趋于平稳。该响应表明旅游人数会受到自身冲击的影响，短期内表现为人数下降，之后人数变化产生波动，最后趋势趋于平稳。(2)B对B1冲击的响应表现为前2期产生正向影响，此后开始波动变化，至第9期趋于平稳。这表明“鼓浪屿旅游攻略”关注量的增加短期内会促进旅游人数的增加，之后产生波动影响，但这种正向影响将会长期存在。(3)B对B2冲击的响应表现为前3期为正向影响，且在第3期达到峰值，此后开始波动下降，并于第7期开始逐渐趋于0。这种表现说明“鼓浪屿地图”关注量的增加同样在短期内会对旅游人数产生正向影响，长期来看，这种影响将趋于0。(4)B对B3冲击的响应表现为整体围绕横轴上下波动，负向、正向影响交替，从第9期开始趋于0。该结果表明短期内“鼓浪屿门票”关注量的增加一定程度上会造成旅游人数的下降，但长期来看，这钟负向影响会逐渐消除。(5)B对B4冲击的响应表现为前3期产生强烈的正向影响，并在第3期达到峰值，此后开始波动下降，最终趋于平缓。该结果说明短期内“鼓浪屿”关注量的增加会导致旅游人数的增加，但是在长时间的作用下这种正向影响逐渐消失。(6)B对B5冲击的响应主要表现为产生正向影响，这种影响较为波动，且在第6期达到峰值，长期来看，正向影响趋势逐渐减弱。这表明“鼓浪屿轮渡”关注量的增加会导致旅游人数的增加，长期来看，正向影响逐渐减弱。

图3 变量B对各变量冲击的响应Fig.3 Variable B response to shocks

(五)方差分解

方差分解可以用于研究模型的动态特征，最终得出不同结构冲击对变量变化的重要性。其主要方法是通过分析每一个结构冲击对内生变量变化的贡献度来确定重要性[25]。因此，通过方差分解能够判断对VECM模型中的变量产生影响的各个随机扰动项的相对重要性程度。笔者借助方差分解来分析各关键词的关注度对旅游人数的贡献率。

图4表示各变量对变量B的方差分解，各变量对变量B的重要程度具体表现如下:(1)变量B对自身的贡献率，即旅游人数对自身的贡献。前3期内出现大幅度下降，在第3～4期出现短暂的平稳后趋于缓慢下降，最终贡献率基本维持在50%的水平。(2)变量B1对B的贡献率，即“鼓浪屿旅游攻略”关注度对旅游人数的贡献。前2期呈现明显的增长，在第2～4期内呈现短暂平稳后逐步上升，在第5期时达到峰值，此后出现稍许下降，但贡献率基本维持在30%的水平。(3)变量B2对B的贡献率，即“鼓浪屿地图”关注度对旅游人数的贡献。前3期出现缓慢的增长，此后贡献率基本维持在3%的水平。(4)变量B3对B的贡献率，即“鼓浪屿门票”关注度对旅游人数的贡献。其在观察期内基本保持稳定趋势，贡献率基本维持在2%的稳定水平。(5)变量B4对B的贡献率，即“鼓浪屿”关注度对旅游人数的贡献。前3期出现明显的增长趋势，至第3期达到峰值，此后出现缓慢下降，至第6期开始基本维持在4%的稳定水平。(6)变量B5对B的贡献率，即“鼓浪屿轮渡”对旅游人数的贡献。前3期存在明显的增长趋势，此后呈现缓慢的增长，至第6期开始贡献率水平基本维持在9.5%的稳定水平。

图4 变量B的方差分解Fig.4 Variance decomposition of variable B

四、结论与讨论

(一)研究结论

笔者以厦门鼓浪屿为例，基于2011年1月至2014年5月鼓浪屿核心景区旅游人数的月度数据以及“鼓浪屿旅游攻略”“鼓浪屿地图”“鼓浪屿门票”“鼓浪屿”和“鼓浪屿轮渡”等百度关键词搜索数据，通过ADF检验和协整检验，建立了VECM模型，基于该模型进行了Granger因果关系检验、脉冲响应分析和方差分解，以此探究旅游人数与以百度关键词为代表的网络关注度之间的相互关系，得出以下主要结论。

1.景区网络关注度与旅游人数存在协整关系。通过协整检验发现景区网络关注度与旅游人数存在协整关系。B1和B4关注度的增加会促使进入鼓浪屿核心景区的人数增加。B2、B3以及B5关注度的增加反而会促使进入鼓浪屿核心景区的人数减少。通过搜索“鼓浪屿地图”“鼓浪屿门票”以及“鼓浪屿轮渡”等关键词，旅游者发现鼓浪屿存在拥挤、门票价格高等问题，部分旅游者会改变前往鼓浪屿的旅游意愿，对旅游人数产生反向影响。

2.景区网络关注度与旅游人数存在Granger因果关系。通过检验发现B1、B2、B3以及B4等关键词的关注度变化是引起B变化的Granger原因。相对应地，B的变化是引起B4关注度变化的Granger原因。

3.景区网络关注度与旅游人数存在脉冲响应关系。通过脉冲响应分析发现景区网络关注度和旅游人数之间的短期效应明显，长期关系趋于平稳，具体表现在:(1)当B受到B1、B2、B4的冲击时表现为前期产生正向影响，此后正、负影响波动产生，最终影响逐渐趋于平稳。(2)当B受到自身、B3、B5的冲击时表现为前期产生负向影响，此后正、负影响波动产生，最终影响逐渐趋于平稳。

4.景区网络关注度对旅游人数变动的贡献程度。虽然变量B对自身贡献存在下降趋势，但依旧贡献最大。各关键词对旅游人数贡献大小依次为B1、B5、B4、B2、B3。

(二)讨论

景区网络关注度是旅游者对景区关注的直观体系，各百度关键词是旅游者对景区的关注点。此外，景区网络关注度与旅游人数存在相关关系，景区网络关注度对景区旅游人数的预测具有一定作用。因此，景区管理者应注重以下管理策略的实施。

1.及时调整旅游服务重点。各时间段内旅游者对景区关注的重点并不完全一致，这些关注点往往可以通过百度关键词来反映，如鼓浪屿轮渡调整后其关键词的搜索次数明显高于去年同期的搜索次数。因此，景区管理者可以通过百度关键词的变化来调整景区的服务重点，如针对“鼓浪屿轮渡”搜索量的增加，鼓浪屿相关方面应做出相应调整，发布轮渡相关信息，为旅游者提供便利。

2.及时加强旅游营销。网络关注度的变化是引起旅游人数变化的Granger原因，因此景区可以根据旅游者的搜索关键词来加强营销重点，迎合旅游需求，争取吸引更多的旅游者。如针对“鼓浪屿地图”搜索量的增加，景区营销者可以在鼓浪屿地图方面加强营销宣传，发布鼓浪屿电子地图、手绘地图等;又如针对“鼓浪屿轮渡”搜索量的增加，景区应加强轮渡方面的营销，提供便捷购票服务、提升轮渡服务质量等。

3.完善景区旅游信息。景区可以通过各关键词对旅游人数变化的贡献来完善相关旅游信息，丰富网站内容，加强信息的准确性和可获取性。如针对“鼓浪屿旅游攻略”搜索量的增加，景区管理者可在景区网站发布更多鼓浪屿攻略信息，确保攻略信息的全面性、可靠性。同时，应根据实际情况及时发布信息。如针对“鼓浪屿”搜索量的上升，景区管理者应及时发布景区的相关旅游人次、旅游流量等信息，将景区的最新情况告知旅游者。

越来越多的旅游者通过网络进行旅游信息搜索，这使得网络空间信息流与现实世界旅游流之间存在相关性。笔者通过建立VECM模型并使用因果检验、脉冲响应和方差分解等方法分析旅游景区网络关注度与旅游人数的动态关系，验证了信息流和旅游流之间的关系，这能够为景区旅游营销、完善旅游信息和调整服务重点提供一定的借鉴和启示。

[1]KENNETH F H.Information processing，and touring，planning，theory[J].Annals of Tourism Research，2008，35(3):712－731.

[2]中国互联网络信息中心.第34次中国互联网络发展状况统计报告[EB/OL].(2014-07-21)[2015-01-26].http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/.

[3]许鑫，姚占雷，柳向楠.会展旅游的网络信息实证分析——以上海世博会为例[J].旅游论坛，2011，4(4):100－104.

[4]冯娜，李君轶，张高军.基于因特网的重大事件旅游客流前兆效应研究——以西安世园会为例[J].河南科学，2013，31(2):244－249.

[5]黄先开，张丽峰，丁于思.百度指数与旅游景区游客量的关系及预测研究——以北京故宫为例[J].旅游学刊，2013，28(11):93－100.

[6]GINABERG J，MOHEBBI M H，PATEL R S，et al.Detecting influenza epidemics using search engine query data[J].Nature，2009(2):1012－1014.

[7]马丽君，孙根年，黄芸玛，等.城市国内客流量与游客网络关注度时空相关分析[J].经济地理，2011，31(4):680－685.

[8]林志慧，马耀峰，刘宪锋，等.旅游景区网络关注度时空分布特征分析[J].资源科学，2012，34(12):2427－2433.

[9]刘月红，黄远水.福建永定土楼网络空间关注度的时空演变——基于百度指数的分析[J].乐山师范学院学报，2014，29(1):62－68.

[10]JORG R.Discovering Trends in Software Engineering with Google Trend[J].ACM SIGSOFT Software Engineering Notes，2007，32(2):1－2.

[11]国敏.基于网络搜索技术的游客量预测方法研究——以故宫和泰山景区为例[D].北京:首都师范大学，2012:18－23.

[12]崔丽敏.基于网络搜索行为的世园会客流量预测预警研究[D].青岛:青岛理工大学，2013:27－35.

[13]DAVIDSON A P，YU Y M.The internet and the occidental tourist:Analyses of Taiwan's tourism websites from the perspective of western tourist[J].Information Technology ＆ Tourism，2005(7):91－102.

[14]路紫，赵亚红，吴士锋，等.旅游网站访问者行为的时间分布及导引分析[J].地理学报，2007，62(6):621－630.

[15]龙茂兴，孙根年，龙珍付.遵义红色旅游网络关注度的客流响应研究[J].地理与地理信息科学，2013，29(5):98－101.

[16]汪秋菊，贾宇，刘宇，等.奥运场馆水立方的客流量与网络关注度关系分析[J].东北石油大学学报，2013，37(5):118－125.

[17]佚名.鼓浪屿概览[EB/OL].[2015-05-19].http://www.gly.cn/glyfq/jqgk/glygl/index.htm.

[18]李世霞，田至美.基于百度指数的旅游目的地网络关注度影响因素分析——以青岛为例[J].首都师范大学学报:自然科学版，2014，35(1):56－59.

[19]孙毅，吕本富.网络搜索与经济行为相关性研究综述[J].管理评论，2011，23(7):72－77.

[20]付业勤，王新建，郑向敏.基于网络文本分析的旅游形象研究——以鼓浪屿为例[J].旅游论坛，2012，5(4):59－66.

[21]GRANGER C，NEWBOLD P.Spurious regressions in economics[J].Journal of Economics，1974，2(2):111－120.

[22]杨旭，万鲁河，王继富，等.基于VECM模型的经济增长与环境污染和能源消耗关系研究[J].地理与地理信息科学，2012，28(5):75－79.

[23]李强.产业转移、人力资本积累与中部经济增长[J].数理统计与管理，2011，30(1):107－117.

[24]向延平，蒋才芳.旅游外汇收入、FDI和GDP关系的脉冲响应分析[J].数理统计与管理，2013，32(5):896－902.

[25]高铁梅.计量经济分析方法与建模:EViews应用及实例:第一版[M].北京:清华大学出版社，2006:269－271.