区域旅游业技术效率及其影响因素分析——基于DEA-PCR两阶段法的实证研究

□赵定涛 董慧萍 [中国科学技术大学 合肥 230026]

引言

随着经济社会的不断发展，旅游业已成为全球经济中发展势头最强劲、规模最大的产业之一，在区域经济发展中的产业地位和经济作用逐步增强，对区域经济的拉动性、社会就业的带动力、以及文化与环境的促进作用日益显现。在我国，旅游业更是扩内需、调结构、促就业、惠民生的重要抓手和实现经济发展方式转型升级的切入点和突破口。2009年12月1日，国务院颁发了《关于加快发展旅游业的意见》，突出强调要把旅游业培育成国民经济的战略性支柱产业和人民群众更加满意的现代服务业，标志着旅游业在国民经济发展中战略地位的确立。改革开放以来,我国旅游业发展突飞猛进，成绩显著，然而中国国家旅游局局长邵琪伟指出中国目前只是旅游大国，离旅游强国还存在着很大差距，最大的问题就是“一流资源，二流开发，三流服务”。

由经济增长理论可知，促进产业增长的两大直接途径是增加要素投入和改善效率。短期内要素投入可能会给经济带来高增长，但是由于要素收益递减规则，这种高增长是不可持续的。因此，效率问题成为旅游产业亟待重点关注的问题。当前中国各区域旅游业投入产出效率究竟存在怎样的差异？是什么因素影响了旅游业的投入产出效率？区域旅游的发展呈现怎样的特点和态势？这是本文力图研究的问题。

一、文献回顾

最早提出技术效率测量概念的是Farrell 和Afriat[1]，是用来衡量一个企业在等量要素投入条件下，其产出与最大产出的距离，距离越大，则技术效率越低。通常在固定的技术水平条件下，一个生产单位的综合技术效率是指实际产出与其生产前沿面之间的差值，见图1所示。其中，将所有可能的投入产出向量所组合的集合称之为生产可能集，而当中有效率的投入产出向量称之为生产前沿面[1]。

图1 技术效率图示

目前，对于某个行业或者企业运行效率的研究，国内外的很多学者运用前沿分析法，其中非常具有代表性的是数据包络分析法（DEA，Data Envelopment Analysis）和随机前沿分析法（SFA，Stochastic Frontier Analysis）。本文梳理了关于旅游产业效率的现有研究，对作者的主要观点进行了总结，详细内容可见表1。

表1 国内外旅游业效率的相关研究

可以看出，国内外旅游业效率研究中DEA和SFA都得到了较为广泛的应用，然而尽管SFA具有较好的随机扰动项的排除功能，但其单一产出指标的设定使得其并不是太适合旅游业的效率评价。国外关于旅游业地研究较多的集中在微观层面，如对景点、旅行社和酒店等旅游业内部的微观实体进行研究，在宏观层面上进行分析研究的很少，对于影响因素的覆盖面也较小；国内有少量宏观层面的分析，但多停留在效率的估计及比较，没有深入分析区域间究竟存在怎样的差异，造成这些差异的真正原因又是什么，而这些恰恰是区域旅游主管部门和旅游企业深切关注的问题；在影响因素的指标选取方面，较为缺乏具备实际可操作性的因素验证。

本文通过构建两阶段DEA模型，首先对中国各地区2008年旅游业的区域技术效率差异进行了评价分析，然后结合已有研究和新业态构建了影响因素指标体系，通过主成分回归探究区域旅游业效率差异的成因，并根据不同类型区域给出了相应的政策建议。

二、模型及变量选择

（一）DEA评价方法

DEA 方法最初由美籍运筹学家Charnes 和Cooper于1978年提出，是一种评价多投入多产出决策单元(DMU，Decision Making Units)效率的方法。其核心思想是在保持决策单元的投入或者产出不变的条件下，借助于数学方法确定一个最小投入或最大产出边界，即相对有效的生产前沿面。接着运用投射后的决策单元偏离生产前沿面的程度来说明它们是否相对有效[10]。

假设有n个决策单元DMUj，它的投入表示为xj=(x1j,x2j,…,xmj)T，产出则为yj=(y1j,y2j,…,ymj)T。DMUj的效率问题就是考虑以下线性规划模型：

上述方程表示规模报酬不变，即传统的CCR模型，计算可得到综合技术效率（EFF）。如果添上附加限制条件方程将表示规模报酬可变，即BCC模型，可求得纯技术效率（TE）。而规模效率等于综合技术效率除以纯技术效率，表示的是两个有效的生产前沿面之间的距离，即SE=EFF/TE。方程中的θ值（0＜θ≤1）为第j个决策单元DMU的相对效率，如果θ值 等于1，就说明该决策单元是技术有效的，否则θ值越低说明效率越低、资源配置不合理程度越高。

（二）主成分回归法

由于旅游业的高关联性特征，使得在指标选取过程中很难避免多重共线性的存在，因此直接对变量进行回归，使得显著性检验失去意义，结果也存在较大的偏差。为了避免这种情况，本文利用原始数据对自变量进行主成分回归分析。多元统计中的主成分回归方法是采用较少的新变量（主成分）代表原来的变量，这些新变量是原变量的线性组合，他们正交的新变量捕捉了尽可能多的原变量的变差，包含了原变量的大部分信息，而且消除了原变量的多重共线性，降低了变量的系数，从而很好地解决了上述问题。

（三）样本及指标选取

本文选取全国30个省、直辖市和自治区（以下为方便统称为省）的2008年旅游业的截面数据作为DEA模型中的决策单位DMU，主要考虑2008年我国人均GDP突破3000美元，标志着休闲大众旅游时代的到来，而之前旅游业一直都处在起步阶段，数据变动较大，时间序列分析存在偏差，因此选取2008年作为立足点进行分析是恰当的。研究对象中不包括港、澳、台地区，投入产出指标主要来源于《中国旅游年鉴2009》、《中国旅游统计年鉴2009》和各省政府网站，影响因素指标主要来源于《中国统计年鉴2009》、《中国旅游统计年鉴2009》和慧科搜索数据库，指标选取如图2。

图2 投入产出及影响因素指标体系

本文在参考相关研究以及旅游业本身特点的基础上，选取了投入产出的指标，其中工农业示范点是新形势下旅游业的重要组成部分，加入它是对旅游新业态的侧面考察。影响因素方面，主要做如下考察：

1．区位条件。区位条件是区域发展差异化的重要因素。在旅游业中，可达性解决了旅游目的地首要问题——“能来”，同时，部分地区的难以到达性亦可能转化成旅游的原动力——“想来”，从而构成区域发展潜力。本文采用高速公路里程数来衡量区域的可达性。

2．经济发展水平。区域的经济发展水平对于旅游业的发展有着显著的影响。多项研究表明，旅游需求是基于基本需求满足基础上的高层需求，人均GDP达到3000美元以上旅游业将迎来井喷期，因此本文选取人均GDP对地方经济发展水平进行考察。然而一方面较高的区域经济发展水平会带来商务旅游的发达，另一方面由于旅游的体验性消费特点，使得区域旅游消费能力存在随地理位移递减的扩散辐射效应，即消费发生在区域外。

3．旅游企业数量及资产规模。旅游企业作为旅游活动的服务者和组织者，是旅游市场运作的主体，显然直接影响旅游业的投入产出效率。旅游企业的数量及资产规模反映了地方旅游业的活力和地位，同时这两个指标的结合能考察地方旅游企业平均规模的大小，从而探究当下环境中区域旅游发展的定位，哪种方式更有利于资源整合，大力促进中小旅游企业发展还是着力培养旅游龙头企业？

4．媒体报道量。随着网络媒体和社交网络等新业态的不断普及，媒体报道及宣传对旅游业的影响不可忽视。旅游业的研究中基本将旅游业同其他产业做同样的处理，而忽视了旅游业体验性消费的特点，即旅游业的产品需求是引导型、开发型的，有别于其他产业。本文采用慧科搜索数据库中各地区的所有地方媒体的报道总量来进行考察。

三、实证结果分析

（一）技术效率评价

本文运用Matlab7.0软件，综合考虑DEA的CCR模型和BCC模型，对各DMU的技术效率进行了分析，结果见表2。

表2 基于DEA求得的区域旅游产业效率值

在不考虑环境变量和随机因素影响情况下，2008年我国各省市旅游产业综合技术效率均值为0.752，纯技术效率均值为0.848，规模效率均值为0.887。其中同时技术有效和规模有效的有八个省市分别是天津、上海、广东、吉林、黑龙江、河南、重庆和贵州，只占样本数的26.7%，他们构成了我国区域旅游产业的效率前沿面。江苏、海南、湖南、四川、青海、宁夏等六个省是纯技术有效而非规模有效，这些区域按照现有的产出计算，其投入很难再减少了。其他的16个省市既非技术有效也非规模有效，即使减少其部分投入，也有可能保持当前的产出水平不变。

进一步比较东部、中部、西部地区旅游产业的平均技术效率，如图3所示。图中明确显示出，总效率和规模效率均值呈现出中部地区最高，其次是东部，西部最低。这与整个国民经济发展水平呈现的中部地区低于东部地区的特点不同。进一步分析原始投入产出发现，中部地区旅游产出低，但是相对的景区数、从业人数等投入也较少，而DEA衡量的是投入产出之间的转换关系，（相对于中部地区）东部地区的投入增量大于产出增量，这可能是造成中部地区技术效率高于东部地区的原因。而纯技术效率依然是东、中、西逐渐降低的趋势。

图3 2008年东中西部平均技术效率

第一，我国旅游产业技术效率普遍较低，从投入角度看，导致技术无效率的主要原因是资源的非有效利用，大部分地区景区资源冗余。其中，辽宁、广西、山西的旅游从业人数冗余；安徽、湖北、云南、陕西、新疆星级饭店数量冗余；内蒙古、江西旅行社数量过多。北京的星级饭店和旅游从业人数都冗余，河北、山东的旅行社和从业人数则过多。30个省市数据中除少数DEA有效省市以外，其他无效率决策单元都需做较大调整才能达到前沿水平。从产出角度看，各省市的境内外旅游收入和人数都还有很大提升空间。

第二，我国区域旅游产业的发展格局和地区分布差异也较大，很大程度上受到地理区位、地区经济发达程度、国家相关政策以及管理体制等条件的影响。对于既处于技术有效又处于规模最大的地区，虽然他们在投入产出效率上都是优秀的，但也是有区别的，例如天津、上海和广东，由于经济比较发达，表现为人文旅游资源丰富、旅游企业多、旅游从业人数多，在产出方面国际旅游收入明显高于其他省市。而中西部地区是，虽然投入不大，处于起步阶段，但是投入产出的相对效率较高，例如吉林、黑龙江、河南、重庆、贵州五省，因此，也在发展良好之列。

通过波士顿矩阵工具，综合纯技术效率和规模效率两个方面，以平均值为界将30个地区划分为四种类型，如图4所示。

图4 波士顿矩阵及其象限地区

第一象限类型为“双高型”，即纯技术效率及规模效率均高于平均值的省市，包括上海北京、天津、福建、广东、吉林、黑龙江、河南、湖南、重庆、贵州、四川和云南13个省市，这些区域或者旅游资源丰厚，或者区位和经济实力优势明显，或者二者兼备，具有大力发展旅游产业的基础条件和环境优势，今后应着重促进区域内城市间优势互补与错位发展，更多地着力于潜在需求的引导与潜在市场的拓展。

第二象限类型为“低高型”，其纯技术效率低于平均值，但规模效率高于平均值。包括安徽、湖北、江西、山西、陕西、河北、广西和内蒙古8个省市，这些区域的旅游产业急需提高现有产业资源的利用效率。

第三象限类型为“双低型”，包括甘肃、山东和新疆3个省市，以新疆为例，其纯技术效率为0.3397，规模效率为0.5349，两者均有较大的提升空间。这类省市的改善更为困难，一方面要注重管理水平的提高，另一方面要促进生产规模的扩大。

第四象限类型为“高低型”，包括江苏、浙江、辽宁、海南、青海和宁夏6个省市，其纯技术效率高于均值，规模效率低于均值。后续发展的重点是扩大生产规模，实现资源的集中优化配置。

（二）影响因素分析

由于各因素之间存在着多重相关性，如果采用最小二乘法进行回归，估计结果有时会很不理想。为了消除回归分析中自变量之间的近似线性关系，本文采用了主成分与回归分析相结合的主成分回归法。它可以克服回归问题中由于自变量之间的高度相关而产生的分析困难。

X1、X2、X3、X4、X5分别表示公路里程、人均GDP、旅游企业资产规模、企业数量和媒体报道量。首先我们利用SPSS对五个因素进行主成分分析，ESSL是因子提取的结果，是未经旋转的因子载荷的平方和。它给出的是每个成分的特征值说明的方差占总方差的百分比和累计百分比，提取特征值大于1的，前三个因子为主成分，累计百分比是82.236。

表3 总方差分解

根据因子得分系数和原始变量的标准化值，可以计算每个观测量的各因子的得分数，并可以据此对观测量进行进一步的分析。旋转后的因子（主成分）表达式可以写成：

同时，我们得到两个独立的主因子F1（实力因子），F2（设施因子），剔除了随机干扰。我们以每个因子的得分值作为自变量，以区域旅游产业的总效率值Y为因变量进行逐步回归分析，最终得到总效率值和自变量之间的关系，结果可见表5。

回归结果显示因变量和自变量存在着显著的线性关系，可以建立线性方程（通过了F检验）。结果中方差膨胀因子VIP都是1，说明变量之间已无多重共线性。DW 检验值为1.787 和2.084，均在2的上下浮动，可见残差序列几乎不存在自相关，因此回归方程能很好地解释变量。另外，方程共有两个自变量，应该参考调整的判定系数0.797。因变量能够被模型很好地解释，因为拟合优度也显示较高。综上所述，研究所得的回归结果被证实具备合理性，其方程可表示为：

表4 旋转后的因子载荷阵

下面将表达式（1）、（2）分别带入到回归方程式（3）中，化简可得到最原始的五个解释变量与旅游产业总效率值之间的关系式，将系数保留3位小数，其表达式可写为：

从R2等值判断，我们得到的回归方程拟合程度优良，从回归系数的符号来看，我们发现公路里程、人均GDP、旅游企业资产规模、企业数量和媒体报道量均对旅游产业的效率起正向拉动作用，影响强度系数分别为：0.015、0.107、0.043、0.108、0.131。由此得到，五大因素对旅游效率的影响程度由强到弱依次为：媒体报道量、企业数量、人均GDP、旅游企业资产规模和公路里程。

表5 各方程系数表

结果可以看出，区位条件、经济发展水平、旅游资产规模对旅游业的发展具有显著的促进作用，然而多嵌入在区域特性里面，具有主管部门的不可操作性，因此对效率的影响效果不是特别明显；而媒体报道量和企业数量的显著影响很好地证实了旅游业的消费需求的引导型、开发型特点，同时二者的实际可操作性使得地方旅游主管部门应当充分地重视，一方面应当结合传媒新业态适时更新宣传方式，加强区域间的宣传合作，突破行政区域限制，形成线路旅游，避免“满天星”的无序竞争和重复建设；另一方面，积极培养龙头型旅游集团企业，充分整合区域旅游资源，大力促进旅游中小型企业的建设，增强区域旅游业的活力。

四、结论

本文通过构建两阶段DEA模型，对2008年我国区域旅游业技术效率及影响因素进行了实证研究。研究发现，我国旅游业在效率水平上存在显著的区域差异，技术与规模效率同时有效的地区只占样本数的26.7%，还存在很大的上升空间。区域总效率和规模效率均值呈现出中部最高，东部次之，西部最低的形势，中部正处于享受规模效益的发展阶段；纯技术效率依然是东、中、西逐渐降低的趋势，说明在旅游资源开发利用水平上依然与地区经济发展有着密切关系。

从投入角度来看，导致区域技术无效率的主要原因是资源的非有效利用，我国大部分地区存在景区资源冗余的现象，这主要是因为缺乏区域间的规划整合，存在不同区域间各自为战，存在无序开发，重复建设等诸多资源浪费现象。此外，辽宁、广西、山西地区的旅游从业人员存在冗余；安徽、湖北、云南、陕西、新疆星级饭店数量存在冗余；内蒙古、江西旅行社数量过多；北京的星级饭店和旅游从业人数都存在冗余；河北、山东的旅行社和从业人员存在冗余。

影响因素方面，五个指标均对旅游业的发展起着正向拉动作用。影响强度大小依次为：媒体报道量、企业数量、经济发展水平、旅游企业资产规模和区位条件。其中，区位条件、经济发展水平、旅游资产规模尽管在地方旅游也发展中起着至关重要的作用，然而因其区域的路径依赖和长期性，使得旅游主管部门难以直接操作从而促进旅游业发展；而旅游业的消费者需求存在需引导、需开发的特点，使得媒体报道量和企业数量可以作为地方旅游主管部门切实有力的“抓手”。

[1]TIMOTHY J,COELLI D S,et al.效率与生产率分析引论[M].王忠玉,译.北京：中国人民大学出版社，2002.

[2]BARROS C P,BOTTI L,NICOLAS P,et al.Performance of French destinations:Tourism attraction perspectives [J].Tourism Management,2011,32(1):141-146.

[3]Köksal C D,AKSU A A.Efficiency evaluation of A-group travel agencies with data envelopment analysis (DEA):A case study in the Antalya region,Turkey[J].Tourism Management,2007,(28):830-834.

[4]CHEN Ching-Fu.Applying the stochastic frontier approach to measure hotel managerial efficiency in Taiwan[J].Tourism Management,2007(28):696-702.

[5]Ramo′n Fuentes.Efficiency of travel agencies:A case study of Alicante,Spain[J].Tourism Management,2011,(32):75-87.

[6]朱顺林.区域旅游产业的技术效率比较分析[J].经济体制改革,2005,(2):116-119.

[7]杨勇,冯学钢.中国旅游企业技术效率省际差异的实证分析[J].商业经济与管理,2008,(8):68-74.

[8]顾江,胡静.中国分省区旅游生产效率模型创建与评价[J].同济大学学报（社会科学版），2008,19(4):93-98.

[9]朱承亮,岳宏志,严汉,平李婷.基于随机前沿生产函数的我国区域旅游产业效率研究[J].旅游学刊，2009,(12):18-22.

[10]魏权龄.数据包络分析[M].北京：科学出版社，2004.

[11]田里.旅游经济学[M].北京：高等教育出版社,2002:208.

[12]郭岚,张勇,李志娟.基于因子分析与DEA 方法的旅游上市公司效率评价[J].管理学报，2008，5(2):258-262.

[13]简玉峰,刘长生.随机前沿函数、酒店管理效率及其影响因素研究[J].旅游论坛，2009,(4):540-544.

[14]傅利平,王中亚.基于DEA模型的资源型城市经济发展效率实证研究[J].电子科技大学学报（社科版），2010,12(6):20-23

[15]ARGENTI.J.Corporate collapse:the cause and symptoms [M].New York:Wiley,1976.

[16]BARROS C P.Evaluating the efficiency of a small hotel chain with a Malmquist productivity index[J].International Journal of Tourism Research,2005,(7):173-184.

[17]CHARNES A，COOPER W W,RHODES E.Measuring the efficiency of decision making units [J].European Journal of Operational Research,1978,2(6):429-444.

[18]CHIANG W E,TSAI M H,WANG L S M.A DEA evaluation of Taipei hotels [J].Annals of Tourism Research,2004,(31):712-715.

[19]FARRELL M J.The Measurement of Productive Efficiency[J].Journal of the Royal Statistical Society,1975,120(3):253-290.

[20]FNCHS M.Strategy development in tourism destinations:a DEA approach [J].The Poznan University of Economics Review,2004,(1):52-73.

[21]HWANG S,CHANG T.Using data envelopment analysis to measure hotel managerial efficiency change in Taiwan[J].Tourism Management,2003,(24):357-369.

[22]SIGALA M.Using data envelopment analysis for measuring and benchmarking productivity in the hotel sector [J].Journal of Travel and Tourism Marketing,2004,(16):39-60.

[23]SIMAR L,WILSON P W.Estimation and inference in two-stage:semi-parametric models of production processes [J].Journal of Econometrics,2007,(136):31-64.

[24]WOBER K W.Data envelopment analysis [J].Journal of Travel &Tourism Marketing,2006,(4):91-108.