基于PVAR模型大数据的省域星级饭店商圈空间集聚与效率的关系测度

熊慈 王兆峰

摘 要： 区域星级饭店业集聚与效率的关系测度是当前研究的重要问题，基于2000—2017年中国30个省域的面板大数据，采用区位熵指数和DEA-Malmquist模型分别测度了中国省域星级饭店商圈的集聚程度和效率水平，利用PVAR模型检验了商圈星级饭店集聚与星级饭店效率之间的关系。结果表明：①中国星级饭店集聚趋势明显，省际差异较大；②中国星级饭店效率呈波动递增趋势，年均增长率为0.615%，在商圈空间上呈现点状分布格局；③中国星级饭店集聚与星级饭店效率存在依赖自身发展的惯性现象，星级饭店集聚的发展惯性大于星级饭店效率；两者相互冲击对彼此都产生正向的影响，存在双向作用关系，长期来看两者的响应程度有所下降并趋近于较低水平

关键词： 空间集聚；星级饭店效率；PVAR模型；测度

中图分类号： F719.3 文献标識码： A 文章编号： 1674-9448 （2020） 02-0034-08

Measurement of the Relationship Between Spatial Agglomeration and Efficiency of Chinas Provincial Star-rated Hotels Trade Area--An Analysis Based on PVAR Big Data Model

XIONG Ci WANG Zhao-feng

（ College of Tourism， Hunan Nomal University， Changsha 410081，China）

Abstract： The measurement of the relationship between agglomeration and efficiency of regional starrated hotels has been an important problem nowadays. Based on the panel big data of 30 provinces in China from 2000 to 2017， this paper utilizes the location entropy index and DEA-Malmquist model to measure the agglomeration level together with efficiency of Chinas star-rated hotels. At the same time， it establishes a PVAR model to investigate the relationship of which. It comes out that： ①The trend of star hotels in China is obvious， and there are great differences between provinces， the agglomeration degree of star hotels shows an unbalanced feature in space； ②The efficiency of star hotels in China shows an increasing trend with an average annual growth rate of 0.615%，from the perspective of provincial scale， the efficiency of star hotels presents a point distribution pattern in space； ③ Star hotel agglomeration and efficiency have the phenomenon of development by their own inertia scale the development inert of star hotel agglomeration is more than efficiency.Both of them impact each other positively，there is a two-way relationship，in the long run， the degree of response of the two decreased and tended to be lower..

Keywords： spatial agglomeration，efficiency，PVAR model，measurement

一、引言

旅游业是拉动内需、促进经济转型升级和提升城市竞争力的重要途径。星级饭店是拉动中国旅游经济发展的主要力量[1]。自新世纪以来的17年中，星级饭店平均利润率为0.03%，平均客房出租率为56.448%，年均增长率仅为0.044%。可见，中国星级饭店经济效益低下，呈现出一种“高投入、低产出”的粗放型发展模式。提高饭店经营效率是重塑饭店业竞争力和提高旅游业效率的重要内容。集聚是经济空间的重要现象，是提升地方经济竞争力和发展水平的重要机制。从理论层面来看，集聚是饭店商圈空间分布的基本特征，而饭店在地理空间上的柔性集聚能实现规模经济和资源共享效应，促进饭店的创新[2]。创新又可能会对饭店业的效率提升有影响。另一方面，饭店业效率提升所带来的经济收益往往会吸引新的饭店进入，提升区域饭店业的经济密度和集聚水平。虽然饭店业的集聚和效率可能存在着相互影响的关系，然而现有研究很少对两者之间的关系进行实证检验。因此，探讨星级饭店业集聚与效率的关系，对于分析饭店效率的影响机制，科学引导生产要素的区际流动、实现资源优化配置，促进行业健康发展具有重要意义。

二、文献综述

国外学者对饭店业的集聚效应进行了探究，如Chun W等[3]分析了美国住宿业集聚度与绩效的关系，发现集聚发展可提高企业的经营绩效。Tsang等[4]分析了北京饭店业中不同类型星级饭店集聚产生的效应。Canina等[5]以美国饭店14995 家宾馆为实证对象，采用广义回归模型，以集群中追求高分化的比例、追求低成本的比例及五种宾馆类型为因变量，以基于规模的集群变量、集群中产品质量异质性变量、战略类型的集中或分散程度等为自变量，认为未进行相似投资的企业可以从集聚竞争者的分化中受益。目前，国内多数研究成果集中于对星级饭店集聚或星级饭店效率展开的单独研究。对星级饭店集聚的研究主要集中在特征分析[6-10]，对星级饭店效率的研究主要集中在测度及分解[11-13]和影响因素[14-15]的探析上。其中，张广海等[16]在研究中国星级饭店业TFP影响因素时，发现星级饭店集聚水平有利于TFP的增长。目前，国内文献中尚无针对星级饭店集聚对星级饭店效率關系的专门分析，少数学者以整个旅游行业为背景进行产业集聚与效率的关系研究，如：郭悦[17]、李姝姝[18]、张广海[19]、高俊[20]等。其中，王凯等[1]运用回归模型探究旅游产业集聚程度与产业效率之间的相互关系时，发现星级饭店企业集聚水平和技术效率水平较高，产业集聚对效率增长有显著的积极作用。邴振华等[21]研究发现星级饭店区域集聚度变化与区域经济发展具有高度的相关性，当星级饭店的集聚趋势加快时，将一定程度上拉动经济的增长。综上所述，学者对星级饭店业集聚与效率之间的关系进行定量分析的研究还极为少见，而在研究旅游产业集聚与旅游效率的关系时，或侧重时序动态分析，或侧重静态空间分析，大多采用回归模型方法，两者存在的内生性问题并未得到有效解决，致使结论难以从时序和空间上全面解释星级饭店集聚与效率互动发展的现实。因此，本文基于2000—2017年中国30个省域的面板数据，拟采用面板向量自回归模型（PVAR），在测度中国省域星级饭店的集聚程度和效率水平的基础上，从时序和空间两个维度，检验星级饭店空间集聚与星级饭店效率的关系，以弥补上述研究的不足，从而明确两者间的作用机理，促进星级饭店创新。

三、研究方法与数据来源

（一）集聚的测度模型

目前，国内外测度产业集聚较为常用的方法有区位熵、行业集中度、基尼系数、E-G指数、主成分分析法等。区位熵可以反映出地区层面的产业集聚水平，是国内外学者使用频率较高的衡量集中度的方法。本文结合研究数据的可获取性，采用区位熵指数来衡量中国星级饭店在各省的空间集聚程度，计算公式如下：

式（1）中，Aggit表示第i省t时期的区位熵指数，它表示i省t时期星级饭店收入占全省GDP比重与全国星级饭店收入与全国GDP比重的比值，衡量了一个省份星级饭店产业在全国所占份额，若该指数大于1表示该省星级饭店集聚趋势明显。

（二）效率的测度模型

当前，国内外学者测算效率的方法主要包括数据包络分析（DEA）、随机前沿分析法（SFA）等。随机前沿分析法是一种需要以设定具体的生产函数为前提的参数分析方法，而包括数据包络分析是一种基于线性规划模型来衡量多投入多产出的同类型决策单元（decision marking unit，DUM）相对技术效率的非参数分析法。DEA方法可以避免主观因素造成的误差，使结果具有较强的客观性。因此，本文运用DEA—Malmquist指数法，以构建中国星级饭店业效率的测度模型：

式（2）中d t和d t+1 分别表示以t期的技术为参照的时期t和t+1的距离函数；（x t+1，yt+1）和（x t，yt）分别表示t+1时期和t时期的投入和产出，v和c分别指在可变规模报酬和不变规模报酬前提下的投入和产出向量；TFP代表效率，可以分解为技术效率变化指数（Effch）和技术进步变化指数（Tehch），Effch指数还可以进一步分为纯技术效率变化指数（Pech）和规模效率变化指数（Sech），TFP>1将表明从时期t到时期t+1相对效率提升，TFP<1表示相对效率降低，TFPC=1表示相对效率保持不变。

（三）面板向量自回归模型（PVAR）

面板向量自回归模型 （Panel Data Vector Autoregression，PVAR）结合了向量自回归模型和面板数据的优点，能够反应观测样本的个体差异。它将所有变量均视为内生变量，在真实反映变量相互间的动态作用方面具有优势。本文旨在探讨星级饭店集聚与效率之间是否存在互相关系，具体公式如下：

（四）指标说明与数据来源

本研究以中国大陆30个省域2000—2017年星级饭店的面板大数据为样本，采用各省域星级饭店营业收入和GDP构建饭店区位熵指数。在计算星级饭店效率时，以星级饭店从业人数、固定资产原值作为投入指标，以星级饭店营业收入作为产出指标。为了避免货币价值变动带来的影响，本研究基于“国内生产总值指数”、“旅游类居民价格指数”、“固定资产投资价格指数”，以2000年为价格基期，分别对GDP、星级饭店营业收入、固定资产值进行平减处理。以上数据均来自2001—2018年《中国旅游统计年鉴》、《中国旅游统计年鉴副本》、《中国统计年鉴》。

四、中国星级饭店商圈集聚和效率的特征

（一）星级饭店集聚的商圈时空特征

（1）时间演化特征。中国星级饭店集聚年度均值变化图（图1）显示，星级饭店区位熵指数整体呈增长态势，表明研究期间内星级饭店的集聚程度整体呈现上升态势。具体来看，从2000年0.967增长到2017年的1.054，年均增长率为0.511%，这是因为星级饭店为了追求集聚所带来正向外部效益和资源、信息和客源共享效益，会出现明显的集聚倾向。2007年前区位熵指数年度均值小于1，说明集聚水平不高，竞争优势不明显。2007年及以后其区位熵指数年度均值大于1，说明具有一定的集聚优势。17年中有3个时期出现波动，其中，2000—2002年区位熵指数出现先升后降的小幅度波动，受“非典”的影响，2002年区位熵指数出现17年间最低值0.966；2008—2010年区位熵出现先增后减的态势，可能是受到了金融风暴下投资与消费紧缩所带来的负向影响；2010—2016年区位熵指数呈现先快速上升、后缓慢下降的态势。2017年区位熵达到18年最高值1.054。

（2）空间分布特征。基于各地各年的区位熵指数计算结果，借助ARCGIS10.2软件可得到区位熵指数均值的空间分布图（图2）。从大三区域来看，东部地区的集聚度（1.736）>西部地区集聚度（0.701）>中部地区集聚度（0.442），星级饭店集聚度呈现出“东部高于西部，西部高于中部”的空间格局。从各省域来看，星级饭店集聚度省域分布差异明显，空间分布不均衡性强。北京、上海的区位熵均值在1.686～7.943之间，超过全国星级饭店区位熵平均值（1.012），浙江、广东、甘肃和新疆区位熵均值在0.929～0.928之间，具有较高水平。广西、宁夏、江苏、云南、辽宁、重庆、四川、湖南、天津的区位熵均值在0.531～1.685，内蒙古、河南、黑龙江等13个省域的集聚度均值则在0.0.530以下，远没有达到全国平均集聚水平。从区位熵的定义可以看出，区位熵的大小主要取决于星级饭店的产值，而在全国星级饭店收入排名中处于前几位的山东和四川，其区位熵很低，可见星级饭店在山东和四川的行业发展过程中处于劣势；反之，在全国星级饭店收入排名靠后的新疆、重庆，其区位熵很高，说明星级饭店在这些地区的行业中竞争优势明显。

（二）星级饭店效率的时空特征

（1）时序演变特征。星级饭店效率指数年度均值时间变化（图3）显示，中国星级饭店效率指数整体呈波动递增态势，从2000年的0.924增长到2017年的1.011，年均增长率为0.615%。按照谷—峰—谷的周期划分方式，中国星级饭店星级饭店效率指数波动经历了三个周期，2000—2008年为第一个周期，2003年全球爆发“非典”事件，人们出游减少，星级饭店消费市场不景气，使得2002—2003年出现最低值0.913，经过2004年的恢复和调整，星级饭店效率指数在2005—2006年达到峰顶值1.014。随着2008年金融风暴的爆发，使得星级饭店效率指数出现滑坡，并在2007—2008年滑到峰谷值0.934。2008—2011年为第二个周期，峰谷值出现在2007—2008年、2010—2011年，峰顶值出现在2009—2010年，该时期的波动可能是对经济危机的后期响应。2011—2017年为第三个周期，峰谷值出现在2010—2011年和2016—2017年，峰顶值出现2013—2014年。该时期除2010—2011年的指数小于1以外，2011—2017年均大于1，说明星级饭店在该时期的运营效率不断提升。从效率分解结果来看，技术效率变动指数出现-0.2%负增长，技术进步变动指数实现1.284%的增长。另外，星级饭店全要素生产率变动指数的平均值为0.982，技术效率变动指数为1.001，技术进步变化指数为0.982，可见星级饭店规模集聚引致的回报高于技术进步引致的回报。

（2）空间分布特征。各省区的星级饭店效率指數的均值空间分布图（图4）显示，星级饭店效率指数呈现点状分布格局，北京、上海、甘肃和宁夏的指数在0.955～1.015之间，处于最高水平。以这四个省域为中心，星级饭店全要素生产指数在全国地区形成了三大增长极，分别是京津冀地区、上海、江苏、安徽和河南地区以及甘肃、宁夏、青海和四川地区。这些地区的指数在0.983～0.994，处于较高水平。而云南、新疆、重庆、辽宁和海南出现了指数整体低增长。从地区分布格局来看，效率指数是以京津冀、东北三省、长三角地区、西部甘肃、宁夏、青海、四川为中心逐步向外递减。

五、星级饭店商圈集聚与效率的关系分析

（一）单位根检验

为了避免伪回归，在对PVAR 模型估计之前需要对面板各变量进行平稳性检验，若数据不平稳，需进一步对差分序列进行检验。本文采用LLC、IPS方法分别对星级饭店集聚、星级饭店效率 2 个变量进行单位根检验。由表1可知，在10%的显著性水平下2个变量的P值均小于0.05，即拒绝“存在单位根”的零假设，因此数据平稳。

（二）滞后阶数的选择

为保证PVAR模型参数估计的有效性，需要确定PVAR模型的最佳滞后阶数。本文利用连玉君[23]的 PVAR2 程序包，根据AIC、BIC 和 HQIC准则选择模型的滞后阶数，计算结果如下表2所示。从判定结果可知，AIC、BIC、HQIC 信息准则说明选取滞后四阶的PVAR 模型是合理的。

（三）PVAR 模型建立及估计

采用广义矩估计 （GMM ）方法对面板自向量回归模型（PVAR）进行有效估计，由于本文构建的 PVAR 模型包含时间效应和固定效应，可能会造成系数估计有偏。因此，在模型估计之前，使用截面均值差分法和前向均值差分法分别消除时间效应和固定效应。所得结果见表3。

以星级饭店集聚为解释变量，其滞后一期对自身有0.762的显著影响，星级饭店效率的滞后4期对其有0.139的显著作用，其他滞后期数的变量对其无显著影响；以星级饭店效率为解释变量，除其滞后2期对自身无显著影响外，其滞后1期、滞后3期和滞后4期均对自身有显著的正向影响；滞后4期的星级饭店集聚对其有0.146的正向作用。由以上分析可知，星级饭店集聚、星级饭店效率存在依赖自身发展的惯性发展的现象，其滞后1期都促进了各自的提高。星级饭店集聚的滞后4期对星级饭店效率产生了正向作用，说明星级饭店集聚的增加能够促进星级饭店星级饭店效率。总之，星级饭店集聚与星级饭店存在相互促进的作用。

（四）脉冲响应分析

为了进一步分析各变量之间的交互动态关系，本文采用 500次蒙特卡罗（Monte-Carlo）模拟，追踪了6期，得到变量之间冲击的脉冲响应图。结果如图5所示。其中，横轴表示追溯期数，纵轴表示被解释变量对各解释变量的响应大小，脉冲响应函数曲线为中间实线，外侧两条线表示两倍标准差的置信区间。

两个变量均受其自身滞后的正向影响较显著，随着时间的推移，这种影响逐渐减小。这说明星级饭店集聚和星级饭店效率存在一定程度上的路径依赖现象。星级饭店集聚对星级饭店效率的冲击做出正向响应，初始响应值为0，随后产生较大的正响应状态，并且响应值在第3期末达到最大，最终趋向于平稳。可见，星级饭店集聚对星级饭店效率产生正向促进作用，但影响不具有长期性，星级饭店效率依赖于星级饭店集聚的稳定性。星级饭店效率对来自星级饭店集聚的冲击做出正向响应，具体来看，星级饭店效率最初响应为正，并且响应值在当期达到最大，随后减弱至第3期达到负值，最终收敛于很小的正向响应值。可知，星级饭店集聚能够促进效率的提升。总之，星级饭店集聚与星级饭店效率之间存在相互促进的动态关联性。

（五）方差分解

为说明冲击对星级饭店集聚和星级饭店效率的影响， 使用面板模型的方差分解来加以说明，结果如表4所示。第6个预测期和第10个预测期的方差分析结果已相差不大，说明第6个预测后每一种冲击对某一变量的解释力度保持稳定。在对星级饭店效率误差项的分解中，其自身贡献的方差贡献率达到91%，星级饭店集聚贡献了9%，说明星级饭店效率存在自我加强机制。在对星级饭店集聚误差项的分解中，其自身贡献的方差贡献率达到95.4%，星级饭店效率贡献了4.6%，说明星级饭店集聚主要依赖自身惯性发展。星级饭店集聚与星级饭店效率存在对彼此的解释能力，星级饭店集聚对星级饭店效率（9%）大于星级饭店效率对星级饭店集聚的貢献率（4.6%），所以星级饭店效率对星级饭店集聚的影响要大于星级饭店集聚对星级饭店效率的影响。

六、结论和建议

（一）结论

本文利用2000—2017年中国30个省域的面板数据，采用区位熵指数和DEA—Malmquist模型测度了中国星级饭店集聚水平和效率状况，并建立PVAR模型考察星级饭店集聚与星级饭店效率的关系，从而得出以下结论：

（1）星级饭店集聚水平整体呈上升态势。从2000年0.967增长到2017年的1.054，年均增长率为0.511%。星级饭店集聚水平在各省域之间的发展存在较大差异。北京、上海等地区表现为星级饭店的高度集聚，但是内蒙古、河南、黑龙江等地区的星级饭店集聚水平处于较低水平，没有形成集聚趋势。

（2）星级饭店的效率整体上呈波动递增趋势。从2000年的0.924增长到2017年的1.011，年均增长率为0.615%。技术效率变动指数出现-0.2%负增长，技术进步变动指数实现1.284%的增长。星级饭店效率在空间分布上呈现出点状分布格局，高效率值主要集中在京津冀、东北三省、长三角地区等地区。

（3）PVAR模型的GMM估计表明：星级饭店效率对星级饭店集聚具有显著的促进作用，星级饭店集聚对星级饭店效率具有显著的正向影响。脉冲分析响应表明：两者相互冲击对彼此都产生正向的影响，存在双向作用关系，长期来看两者的响应程度有所下降并趋近于较低水平。方差分析表明：星级饭店集聚对星级饭店效率的影响要大于星级饭店效率对星级饭店集聚的影响。

（二）建议

（1）提升星级饭店商圈集聚水平，提高饭店业效率。星级饭店集聚对饭店效率具有正向影响，因此政府或主管部门要科学地做好中国星级饭店规划，积极引导星级饭店的集聚发展，充分发挥星级酒店集聚在人才、资本、信息、知识、市场等方面的优势，提升星级饭店效率增长，特别是高端酒店集群效应有利于扩大城市商圈辐射效应，进一步提升区域城市商务交流以及旅游、休闲度假、会展的接待能力，助推城市经济高质量健康增长。

（2）推动区域星级饭店商圈集群创新，增强扩散效应，提升城市竞争能力。星级饭店效率的快速增长依赖于纯技术效率的快速提升，而纯技术效率的快速提升来源于创新，因此星级饭店集聚所带来的创新效应将成为实现星级饭店效率提升的关键。各省域要鼓励高端星级饭店的集群发展，推动集聚内部的创新与学习，打造区域内部的创新示范区和增长极。集群内的星级饭店注重在服务、产品、设施等方面的创新与改善，积极引进和利用前沿的技术，通过创新实现融合，在产品与对客服务方面实现质的突破，增强星级饭店乃至城市的核心竞争力。

参考文献：

[1]王凯， 易静， 肖燕， 等. 中国旅游产业集聚与产业效率的关系研究[J]. 人文地理， 2016（2）：120-127.

[2]傅慧. 产业集群的集聚效应：基于饭店业的分析[J]. 商业经济与管理， 2007（1）：76-80.

[3]Chun W A.Kalnins.Algglomenration Effects and Performance：A Test of the Texas Lodging Industry[J].Strategic Management Journal，2001，22：969-988.

[4]Tsan E W K，Yip P S L.Competition，agglomeration，and performance of Beijing hotel[J].The Service Industries Journal，2009，（2）：155171.

[5]Canina L， Enz C A，Harrison J s. Agglomeration effects and strategic orientations：Evidence from the US lodging industry[J].Academy of Management Journal， 2005，48（4）：565-581.

[6]李庄容. 基于竞争视角的广州高星级饭店集聚分析[J]. 经济地理， 2007， 27（4）：697-700.

[7]张玲，皮平凡，陈建斌.城市饭店业集聚形成机理及集聚模式——以广州为例[J]. 社会科学家， 2012（12）：91-95.

[8]方叶林， 黄震方， 王坤， 等. 中国星级饭店相对效率集聚的空间分析及提升策略[J]. 人文地理， 2013（1）：121-127.

[9]闫丽英， 韩会然， 陈婉婧， 等. 北京市住宿业空间分布格局及影响因素研究[J]. 经济地理， 2014， 34（1）：94-101.

[10]陈佳妮， 席宇斌. 上海饭店业集聚的时空演变研究[J]. 旅游研究， 2015（4）：62-68.

[11]孙景荣， 张捷， 章锦河， 等. 中国城市饭店业效率的空间特征及优化对策[J]. 经济地理， 2012， 32（8）：155-159.

[12]張洪， 程振东. 基于数据包络分析的中国星级饭店效率评价及区域差异分析[J]. 资源开发与市场， 2014， 30（10）：1207-1212.

[13]张琰飞. 基于DEA-Malmquist模型的中国星级饭店经营效率时空演化研究[J]. 地理科学， 2017， 37（03）：406-415.

[14]胡宇娜， 梅林， 魏建国. 中国饭店业效率的时空演变及驱动机制[J]. 世界地理研究， 2017，26（3）：114-123.

[15]张大鹏，舒伯阳.中国星级饭店经营效率及其影响因素的实证研究——基于随机前沿分析方法（SFA）[J]. 经济管理，2018，33（9） ：138-154.

[16]张广海，高俊.中国星级饭店业TFP时空特征与影响因素研究[J]. 旅游学刊，2018，33（12） ：66-75.

[17]郭悦，钟廷勇，安烨.产业集聚对旅游业效率的影响——基于中国旅游业省级面板数据的实证研究[J]. 旅游学刊， 2015， 30（5）：14-22.

[18]李姝姝， 邢夫敏， 章玲玲. 旅游产业集聚对区域旅游业效率的影响研究 ——基于中国省际面板数据的实证分析[J]. 世界地理研究， 2017， 26（3）：134-146.

[19]张广海， 汪立新. 我国旅游产业集聚与效率关系研究[J]. 商业研究， 2016， 62（11）：186-192.

[20]高俊， 张琳林. 中国旅游产业集聚、效率与旅游经济关系研究[J]. 资源开发与市场， 2017， 33（8）：1005-1010.

[21]邴振华， 高峻. 长三角区域旅游产业集聚水平研究[J]. 旅游科学， 2010， 24（1）：86-94.

[22]Banker R， Charnes A， Cooper W. Some Models for EstimatingTechnical and Scale Inefficiencies in Data Envelopment Analysis[J]. Management Science， 1984， 30（9）： 1078-1092.

[23]连玉君， 苏治. 融资约束、不确定性与上市公司投资效率[J]. 管理评论， 2009， 21（1）：19-26.

收稿日期： 2020-05-10

基金项目： 国家自然科学基金（41771162），教育部人文社科规划基金项目（20YJA790068）

作者简介： 熊慈（1994—），女，湖南师范大学硕士研究生，主要研究方向：旅游经济大数据.