中国旅游业效率评价及其态势研究——基于三阶段DEA-Malmquist指数法*

屈有明， 李彦华， 闫 磊

(1. 中北大学 经济与管理学院， 山西 太原 030051；2. 内蒙古北方重工业集团有限公司 防务事业部运营计划部， 内蒙古 包头 014033)

近年来， 在中国经济下行压力持续加大的情况下， 中国旅游投资仍然保持着逆流而上的态势， 成为当今的投资热点和最具潜力的投资领域， 旅游相关政策与红利正在加快释放， 旅游业已成为中国的支柱产业， 其战略地位日益显著。 在当今信息化时代， 旅游业与周边产业密切相关， 是跨领域、 跨行业的综合性和战略性产业。 旅游业是劳动密集型产业， 能够有效地增加就业渠道和提供就业机会。 但目前中国旅游业的增长仍处于粗放型增长阶段， 主要依靠资源和人力的投入拉动旅游总量扩张。 短期内， 旅游业的投入必然带动区域的经济增长， 但从长远看， 这种做法将不可避免地导致地区旅游资源的过度开发和人力资源浪费， 从而导致旅游业效率下降， 阻碍旅游业效益最大化。 为了避免该现象发生， 促进旅游业投入要素集约化， 使旅游业可持续发展， 对中国旅游业进行效率评价具有现实意义。

目前， Fried等人所提出的三阶段DEA是考察环境因素影响效率最常用的方法， 其认为投入和产出松弛变量是由环境因素、 随机因素和管理水平共同作用所致， 并指出将决策单元置于同一外部环境下(剔除环境因素和随机因素)进行效率评价， 更能真实地反应决策单元的发展情况。 三阶段DEA方法已得到广泛的应用。[1-4]旅游业效率情况成为当前研究热点， 研究视角主要集中于区域视角， 吴媛媛[5]、 王慧[6]、 韩瑛[7]、 王少华[8]、 王凯[9]、 鄢慧丽[10]、 魏俊[11]等的研究主要是从中国各个省份以及四大区域的角度去研究， 也有经济区域的研究， 如陈梅[12]、 龚艳[13]研究的是长江经济带。 Malmquist指数应用于生产效率变化的测算， 目前， 三阶段DEA和Malmquist指数相结合应用较为流行， 王兆峰[14]、 申鹏鹏[15]分别对中国中部地区和江苏省的旅游全要素生产率进行了测算。 本文采用三阶段DEA-Malmquist指数法通过剔除环境因素和随机因素的影响， 对中国旅游全要素生产率进行科学评价。

1 研究方法

1.1 传统Malmquist指数

Malmquist指数是基于传统DEA模型衡量决策单元动态效率的重要方法， 早期的Malmquist指数是Fare(1992年)[16]等人基于Caves等计算结果， 参考同一时期两个不同前沿面得出两个Malmquist指数， 使其平均值为决策单元的Malmquist指数。 当其数值>1时， 表示全要素生产率(TFP)相对于前一年提高； 当其数值<1时， 表示全要素生产率(TFP)相对于前一年下降。 在此基础上， 全要素生产率(TEP)可分解为技术效率变化指数(TE)和技术进步变化指数(TC)， 即TFP=TE*TC； 而技术效率变化指数又能分解为纯技术效率变化指数(PEC)和规模效率变化指数(SEC)。 在FGNA分解的基础上， Zofio(2007年)[17]进一步将TC分解为纯技术变化(PTC)和规模技术变化(STC)， 即TC=PTC*STC,反映了t到t+1期决策单元生产技术的变化程度——创新效应， Zofio分解是Malmquist指数形式最完全的一个分解形式。 最终， MI=(PEC*SEC)*(PTC*STC),表示全要素生产率的进步情况,当Malmquist指数的数值>1时， 则第o个决策单元MI呈递增趋势， 反之则相反； 另外， 以上任意一指数>1,表示其对MI指数的提高有促进作用， 反之则相反。

1.2 构建SFA回归模型

Fried(2002年)[18]认为， 实际情况下基于DEA模型得到的投入和产出松弛变量受环境变量、 随机因素、 管理水平的影响。 松弛变量是投入目标值与实际投入值之差， 即表示的是DUM由无效到有效的改进值。 因此， 需考察环境变量对DUM效率值的影响程度， 通过构建SFA模型将环境变量和随机因素进行分解， 然后将其剔除。 于是就需要在SFA模型中将松弛变量对环境变量以及混合误差项进行回归。 利用BCC模型得到的各DMU投入松弛变量， 将其作为因变量， 环境变量作为自变量， 基于m个投入变量构建m个SFA回归方程， 第n个方程如下：

Snk=fn(αk，βn)+vnk+unk;

n=1,2,…,k=1,2,…,K,

(1)

n=1,2,…,N;k=1,2,…,K.

(2)

1.3 调整后的Malmquist指数

2 数据来源和变量选取

本文选取30个省(市、 区)的旅游业作为决策单元， 以2010～2017年为数据样本区间。 选取旅游从业人数(人)、 星级饭店数量(家)、 旅行社数量(家)和A级景区数量作为投入变量， 用于反映旅游业的资本要素和劳动要素投入， 选取旅游总收入(万元)和旅游总人次(人)作为产出变量， 分别反应旅游业经济产出和社会产出， 投入产出数据均源于《中国旅游统计年鉴》。 本文环境变量的选取借鉴于金春雨(2012年)研究文献： ①居民收入水平。 空闲资金是居民将旅游欲望转变为实际旅游出行， 潜在需求转化为实际需求不可缺失的经济基础。 本文选取农村家庭人均可支配收入指标(2010～2013年)和城镇家庭人均可支配收入(2014～2017年)指标， 数据来源于《中国统计年鉴》和各省统计年鉴。 ②居民出游偏好。 居民对旅游目的地的选择一定程度上影响了旅游业的发展方向， 本文选取各省(市、 区)接待游客人数占全国接待游客人数的比重与该省(市、 区)人口占全国人口的比重之比反应居民处于偏好， 数据来源于《中国统计年鉴》和《中国旅游统计年鉴》。 ③区位因素。 区位不同使经济发展水平存在差异， 造成各区域旅游区获得的客源市场份额也有所差异。 本文将各省(市、 区)分为东中西三大区域， 设置dum1、 dum2两个虚拟变量， 若DUM位于东部地区， 则dum1为1， 若位于东部地区之外， 则dum1为0； 若DUM位于西部地区， 则dum2为1， 若位于西部地区之外， 则dum2为0。 ④居民出游便利程度。 出游便利程度直接影响居民是否出游和旅游目的地的选择， 地区出游便利程度越高， 吸引的游客越多， 对地区旅游业的发展影响越大。 本文采用各省(市、 区)之间距离的平均值刻画各地区居民出游便利程度。

3 实证分析

3.1 传统Malmquist指数分析

分析表 1 可知， 从全要素生产率指数(TEP)看， 在考察期内， 全要素生产率指数均值为1.128。 其中， 超过均值省(市、 区)有9个， 分别为青海、 黑龙江、 吉林、 天津、 内蒙古、 陕西、 贵州、 上海和宁夏。 全要素生产率指数低于均值且低于1的省(市、 区)有6个， 依次是广东、 浙江、 辽宁、 甘肃、 新疆和河北， 其指数最低为河北0.899。

从技术效率指数(TE)看， 在考察期内， 综合技术效率指数的均值为1.064， 其中超过均值的省(市、 区)有11个， 且均超过1； 其余指数未超过均值且低于1的省份有6个， 分别是湖南、 山东、 广东、 重庆、 辽宁和河北。 从纯技术效率指数(PEC)看， 其中超过均值的省(市、 区)有14个， 其中指数未超过均值且低于1的省(市、 区)有7个， 依次为重庆、 广东、 湖南、 青海、 山东、 辽宁和河北。 从规模效率指数看， 有12个省(市、 区)效率指数高于均值， 且效率指数超过1,其中指数未超过均值且低于1的省(市、 区)有3个， 依次为重庆、 河北和辽宁。

从技术进步指数(TC)看， 技术进步指数均值为 1.041， 其中青海、 内蒙古、 黑龙江、 天津、 吉林、 河南、 江苏、 北京、 山东、 安徽、 河南、 广西和福建13个省(市、 区)的效率指数超过均值且高于1； 其中指数低于均值且低于1的省(市、 区)有9个， 依次为海南、 辽宁、 江西、 宁夏、 浙江、 贵州、 山西、 新疆和甘肃。 从纯技术进步指数看， 其中指数超过均值且高于1的省(市、 区)有17个， 指数未超过均值且低于1的省(市、 区)有11个， 居于末三位的分别是甘肃、 宁夏和青海。 从规模技术进步指数看， 其中指数超过均值且高于1的省(市、 区)有8个， 指数未超过1且低于均值的省(市、 区)有3个， 依次是广东、 贵州和江西。 大部分省(市、 区)的全要素生产率指数的增长主要受益于纯技术效率和规模技术进步的共同作用。

表 1 第一阶段各省(市、 区)全要素生产率指数及其分解

3.2 类似SFA回归分析

由表 2 可知， 居民可支配收入对旅游从业人数和旅行社数量投入冗余2010～2017年间的影响均显著且为负， 表明随着中国居民生活水平的提高， 出游人数增多， 促使旅游行业服务人员和中介的需求增加， 从而减少旅游从业人员数量和旅游社数量投入冗余， 旅游业效率随之提高； 对星级饭店数量和A级景区数量投入冗余的影响在2010～2017年间均不显著。 出游偏好对旅游从业人数投入冗余2017年的影响在10%的水平下显著， 2011年不显著， 2012年在5%的水平下显著， 其余年份均在1%的水平下显著， 影响方向由正转负； 对星级饭店数量和旅行社数量投入冗余2010～2017年间的影响整体上均通过显著性检验且为正； 对A级景区数量投入冗余影响由显著转变为不显著。 表明出游偏好的增加导致资本投入冗余的提高， 同时拉低了劳动力投入冗余， 前者反映了旅游业粗放式增长的特点， 后者反映了旅游业劳动密集型的特点。 Dum1和Dum2为控制变量， 反应区位因素对投入冗余的影响， 结果显著。 出游便利程度对四个投入变量的投入冗余影响方向均有正转变为负， 虽然2017年星级饭店数量呈现正向影响， 但是仅在10%的水平下通过显著性检验， 表明近年来中国交通基础设施不断完善， 出游便利程度提高， 从而减少了相关投入冗余。

表 2 第二阶段SFA回归结果

3.3 调整后的Malmquist指数分析

3.3.1 整体分析

在环境因素和随机因素被剔除后， 30个省(市、 区)的旅游效率各类指数有较大的变化(见表 3)。

表 3 第三阶段各地区全要素生产效率指数及其分解

分析表 3 可知， 从全要素生产率指数看， 在考察期间内， 67%的省(市、 区)的旅游全要素生产率指数下降， 说明中国旅游全要素生产率整体被高估。 其中外界环境较好的北京、 广东、 河北、 山东、 福建、 吉林和海南下降较多， 且低于全国平均水平， 属于“高输入、 高输出、 低效率”类型， 表明旅游投入产出效率的高低与环境因素密不可分。 江苏、 浙江、 上海属于“高输入、 高输出、 高效率”类型， 而青海、 新疆、 内蒙古、 宁夏和陕西属于“低输入、 低输出、 高效率”类型。

从综合技术效率指数看， 83%的省(市、 区)的综合技术效率有不同程度的提高， 主要受益于规模技术效率的提高， 纯技术效率的变化不大。 其中辽宁、 山东、 湖南和广东综合效率指数超过了1， 北京和云南综合效率值下降且低于1， 出现环境较好的省(市、 区)纯技术效率被高估、 规模技术效率被低估以及环境相对较差的地方规模技术效率被高估、 纯技术效率被低估的现象。

从技术进步指数看， 该指数与全要素生产率指数趋势保持一致， 83%的省(市、 区)技术进步指数有不同程度的下降， 说明全要素生产率指数的降低主要受制于技术进步指数的下降。 与综合技术效率相对应的是， 西部较为落后的地区纯技术进步指数被低估， 规模技术进步被高估； 东部较为发达的地区纯技术进步指数被高估， 规模技术指数被低估。 表明进入新常态后， 原来旅游业的发展模式与当今经济发展形式以及现有条件下的游客需求不协调， 因此， 调整第三产业投入结构， 提高行业服务管理水平， 从而转变经济发展方式势在必行。

3.3.2 区域分析

由表 4 可知， 实际情况下全国旅游全要素生产率指数均值为1.114， 年均增长11.4%， 各地区旅游业全要素生产率呈现东北>西部>中部>东部的状态。 东北地区年均增长21.6%， 东部地区年均增长7.1%。 在环境因素和随机因素被剔除后， 全国旅游全要素生产率均值为1.115， 各地区综合技术效率均有所提升， 技术进步指数有不同程度的下降。 西部地区综合技术效率被低估的程度掩盖了技术进步被高估的程度， 使整体全要素生产率提高， 其他地区则相反， 全要素生产率均有所下降。 分析表明， 环境因素对中国旅游全要素生产率有很大的影响， 各地区应提高自主创新水平的， 同时加强管理工作， 进一步改善自身旅游全要素生产率。

表 4 第一阶段与第三阶段各区域全要素生产率指数值对比分析

由表 5 可知， 实际情况下， 全国综合技术效率值指数均值为1.059， 受益于纯技术效率和规模效率的共同作用， 其中综合技术效率增长速度最快的是东北地区， 年均增长11.9%， 呈现东北>西部>中部>东部状态。 在环境变量和随机因素被剔除后， 全国综合技术效率均值为1.147， 各地区规模效率指数均有不同程度的提升， 说明各地区规模效率均被低估， 低估程度西部地区最高， 西部地区的规模效率年均增长速度由8.1%提升到24.5%。 从纯技术效率指数看， 仅仅东部地区得到了提升， 说明东部地区纯技术效率被低估， 其余地区纯技术效率均被高估， 高估程度最大的是东北地区， 东北地区纯技术效率年均增长速度由6.3%下降到0.7%， 基于此， 各地区综合技术效率状态变为西部>东北>东部>中部。 各地区的综合技术效率值均得到了提升， 西部地区综合技术效率被严重低估， 年均增长率由8.1%提升到31.7%。 虽然东北地区、 中部地区和西部地区的纯技术效率值有所被高估， 但其高估程度被规模效率的低估程度所掩盖， 从而综合技术效率也得到了提升。 由此可以说明， 中国各地区的旅游效率有很大的提升空间。 各地区应继续扩大旅游投入规模， 进一步提升自身旅游综合技术效率。

表 5 第一阶段和第三阶段中国各地区综合技术效率指数及其分解

由表 5 可知， 综合技术效率的变化主要受制于规模效率的变化， 纯技术效率影响较小。 从年度变化趋势上看(见图 1)， 西部地区和东北地区的综合技术效率和规模效率上下浮动最大， 这可能是因为该地区自身区位因素和经济发展较为落后， 受国家政策的影响较大， 且与地区产业结构的变动有关。 但各地区综合技术效率和规模效率整体呈上升趋势， 且各地区差异逐渐缩小。

由表 6 可知， 实际情况下， 全国综合技术进步指数均值为1.040， 年均增长4%， 主要受益于规模技术进步指数提升， 而规模技术进步指数为0.984， 阻碍了综合技术进步指数的提高。 综合技术进步指数整体呈现东北>东部>西部>中部的状态， 东北地区最高， 年均增长6.9%， 中部最低， 年均增长3.1%。 在环境因素和随机因素被剔除后， 全国各地区的技术进步指数和纯技术进步指数变化很大， 西部地区纯技术进步指数有0.968提升到1.004， 东部、 东北、 中部三个地区的纯技术进步均有不同程度的下降， 且均小于1， 另外， 各地区的规模技术变化较小。 全国技术进步指数为0.983， 主要受制于纯技术进步指数的下降， 说明在引进外来技术的同时， 更要注重科技创新水平的提升， 尤其是自身创新能力， 创新科技发展经济。

表 6 第一阶段和第三阶段中国各地区技术进步指数值及其分解

图 1 2010～2017年中国各地区旅游投入综合技术效率指数变化

由图 2 可知， 在整个考察期内， 东北地区技术进步指数上下浮动最大， 东部地区技术进步指数总体上高于全国平均水平， 中部地区整体上低于全国平均水平， 在2011～2013年和2015～2017年间， 西部和中部地区技术进步指数超过东部地区， 呈现创新效应。 从整体上看， 各地区技术进步指数呈上升趋势波动幅度较小， 差异逐渐缩小。

图 2 2010～2017年中国各地区旅游投入技术进步指数变化趋势

4 结论与政策建议

本文运用三阶段DEA-Malmquist指数法对中国30个省(市、 区)2010～2017年旅游业全要素生产率进行了测度。 结论如下：

1) 实际情况下， Malmquist指数测算结果显示： 就全国整体而言， 旅游业全要素生产率为1.019， 综合技术效率为1.008， 进步指数为1.020， 全要素生产率的提升主要受益技术进步指数， 尤其是规模技术变化的提升。 从区域层面看， 各地区旅游业全要素生产率和综合技术效率呈现东北>西部>中部>东部的状态， 技术进步指数呈现东北>东部>西部>中部的状态， 且各类均大于1， 存在“创新效应”和“追赶效应”。 从省(市、 区)层面看， 各省(市、 区)的旅游全要素生产率排名与地区经济发展水平关联不显著， 沿海地区的一些发达省(市、 区)全要素生产率排名靠后， 比如北京、 江苏、 浙江和广东等地， 然而西部一些较为落后的省(市、 区)排名靠前， 比如青海、 贵州和宁夏等地； 中部省份排名较为居中。

2) 由SFA回归模型回归结果得， 中国旅游业全要素生产率受环境因素和随机因素的影响非常显著。 居民生活水平、 居民出游便利程度的提高能够促进旅游资源的配置， 提高旅游业全要素生产率。 旅游偏好和区位因素的增强会导致旅游资源未充分发挥效益， 影响旅游业全要素生产率的提高。

3) 环境因素和随机因素被剔除后， 中国旅游全要素生产率指数变化显著。 就全国整体而言， 中国旅游业全要素生产率指数显著提升， 主要受益于综合技术效率的提升， 尤其是纯技术效率的贡献。 从区域层面看， 各地区旅游业全要素生产率和综合技术效率呈现西部>东北>东部>中部的状态， 技术进步指数呈现东北>西部>东部>中部的状态， 东部地区和中部地区的技术进步指数下降且小于1， 且中部地区低于全国平均水平。 从省(市、 区)层面看， 各省旅游全要素生产率排名变化较大。 外界环境较好的北京、 广东、 河北、 山东、 福建、 吉林和海南属于“高输入、 高输出、 低效率”类型。 江苏、 浙江、 上海属于“高输入、 高输出、 高效率”类型， 而青海、 新疆、 内蒙古、 宁夏和陕西属于“低输入、 低输出、 高效率”类型。

鉴于以上结论， 笔者提出以下建议：

扩大旅游供给， 从而扩大旅游发展规模， 打破规模瓶颈。 尤其是中国中西部地区， 旅游规模效益被严重低估。 中国中西部地区旅游资源相对分散， 未能充分发挥其特色旅游资源对游客的吸引力， 应整合旅游资源， 打破局部市场的局限性， 扩大旅游影响力， 发挥旅游业资源优势。 另外， 以提升 A级景区为代表的旅游产品， 重点加强3A级以上景区建设， 优化5A级景区布局。 支持中西部地区开发高质量的旅游产品。 加强A级景区审查退出机制， 实现高级景区退出机制常态化。

创新旅游产品， 拓展发展新领域， 满足游客多样化需求。 旅游偏好成为游客是否出行和目的地选择的重要依据， 旅游偏好的增强会导致旅游业投入冗余， 阻碍的旅游业综合技术效率的提高。 实施“旅游+”战略， 推动旅游与现代服务业、 新型工业化、 农业现代化和城镇化的融合。 另外， 为打破区位因素和出游便利程度的限制， 发展自身旅游特色的同时， 引进其他地区旅游特色， 满足临近区域游客需求。

打造旅游发展新引擎， 推动旅游业可持续发展， 向集约化模式转变。 目前中国旅游业增长方式为粗放型， 依靠高投入拉动发展， 不适合长远发展。 各地区应加快旅游互联网基础设施建设， 规范旅游业和互联网合作， 探索“旅游+互联网”新型旅游产业体系， 实现景区在线售票、 WiFi覆盖、 智能导游、 信息推送等服务。 另外， 不同效率类型的省(市、 区)， 提升效率侧重点不同， “双高型”应侧重服务管理的创新， 提高技术效率。 “高低型”和“低高型”分别侧重于服务管理创新和规模效应。 “双低型”应重点发展自身旅游特色， 选择合适的路径打造自身的旅游产业。