峨眉山旅游景区网络关注度时空格局特征研究

《峨眉山旅游景区网络关注度时空格局特征研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文山泉游景￡网格奚注皮对金格為特征研堯刘小英指导教师：毛长义副教授专业名称：人文地理学研究方向：区域旅游开发二〇一八年五月重庆师范大学硕士学位论文峨眉山旅游景区网络关注度时空格局特征研究硕士研究生：刘小英指导教师：毛长义副教授学科专业：人文地理学所在学院：地理与旅游学院重庆师范大学2018年5月AThesisSubmittedtoChongqingNormalUniversityinPartialFulfillmentoftheRequirementsfortheDegreeo

2、fMasterResearchonspatialandtemporalpatterncharacteristicsofMountEmeinetworkconcernCandidate：LiuXiaoyingSupervisor：MaoChangyiMajor：HumanGeographyCollege：CollegeofGeographyandTourismChongqingNormalUniversityMay，2018重庆师范大学硕士学位论文中文摘要峨眉山旅游景区网络关注度时空格局特征研究摘要信息科技的飞速发展

3、，物联网、PC互联网、移动互联网、大数据、区块链已成为当下社会发展的重要推动力量，对我们的生活有着重要影响。研究如何利用好大数据，对于更好的融入大数据时代具有非凡意义。论文以网络数据——百度指数为数据来源，以省份、地市行政区为单位分别采集了峨眉山景区整体端、移动端、PC端2012年到2016年的日网络关注度指数。利用空间结构理论分析了峨眉山时空分布特征及影响因素。时间分布：采用季节指数、年际变化强度指数分析季节、年特征。同时研究了周、节假日变化特征。空间分析：利用GIS技术对以省份和区域为单位的峨眉山网络关注度进行

4、可视化研究，采用地理集中系数、泰尔指数及其分解研究空间分布的集中度和均衡性，最后对其时间、空间分布影响因素进行探讨。主要结论包括：①网络关注度时间分布特征年际变化：移动端网络关注度不断上升、PC端不断下降，且移动端上升幅度大于PC端的下降幅度，与整体网络关注度不断上升的趋势相符。季节分布：移动端和整体端的季节网络关注度波动大于PC端。周分布：三个端口都表现出了一定的周分布前兆效应，且工作日网络关注高于休息日。黄金周：三个端口十一峰期明显高于五一。②网络关注度空间分布特征可视化特征：以省和区域为单位的网络关注度空间及

5、年际变化差异大，但各端口显示的最高网络关注度一直都是本省。其中整体端，省域角度表现出相邻省份和沿海经济发达地区增长明显的特点，区域角度表现出华北、华东、西南关注度高而西北、东北、华南关注度低的特点；移动端，省域角度网络关注度有一定增长但涨幅小于整体端，区域角度网络关注度增长明显。pc端，2013年省域和区域整体变化规模都较大且各大区域协同下降明显，2013年后呈稳定态势。集中度特征：地理集中度方面，整体端和移动端涨幅明显，pc端持续低靡。差异化特征：省际方面，总体上整体端和移动端差异持续增大，pc端差异先扩大后缩小

6、；区域方面，区域间呈现出整体端和移动端差异不断上涨，pc端先增后降的趋势，区域内各端口的差异不断上升，总体上移动端和整体端单个区域内部的差异远远大于pc端。差异贡献率：省际差异贡献率方面，整体端省际差异主要是由七大区域内差1重庆师范大学硕士学位论文中文摘要异造成，而移动端和pc端省际差异主要是由区域间差异造成；区域内部差异贡献率方面：西南和华东地区内部差异对整体端区域内部差异贡献率最大，华中和西南地区对移动端区域内部差异贡献率最大，华东和华北地区对pc端区域内部差异贡献率最大。③影响因素时间分布特征主要受节假日、季

7、节、气温因素的影响。各端口空间分布特征的影响因素存在差异，但大致集中在旅行社数量、人均GDP、空间距离等方面。关键字：网络关注度，时空格局，峨眉山2重庆师范大学硕士学位论文英文摘要StudyonCharacteristicsofTemporalandSpatialPatternofNetworkAttentioninEmeiMountainScenicSpotAbstractTherapiddevelopmentofinformationtechnology,Internetofthings,PC,mobileIn

8、ternetofthings,bigdataandblockchainbecomethedominantforceofsocialdevelopment,whichhasanimportantinfluenceonourlife.Itisofgreatsignificancetostudyhowtousebigdatatobetterintegrateint