中国省域旅游产业集聚对旅游效率的空间溢出效应

胡 奕，李智慧，余芳芳

(湖南师范大学 旅游学院，湖南 长沙 410081)

“十四五”发展时期坚持把质量与效益放在首要位置，着眼于转变经济发展方式，切实推进效率变革、质量变革、动力变革。高质量发展将是未来一段时间经济社会发展的重要方向，旅游高质量发展也将成为旅游业发展的总目标。《“十四五”文化和旅游发展规划》强调，要提高旅游产业治理体系现代化水平，优化旅游产业结构与布局，努力完善旅游高质量发展的机制建设。在高质量发展背景下，旅游效率是衡量区域旅游经济发展的重要指标，旅游产业集聚是旅游经济空间性合作发展的必经之路和提升旅游业竞争力的重要法宝[1]。因此，研究旅游产业集聚对旅游效率的影响，对于实现旅游生产要素资源的区域性流动与优化配置，促进旅游业提质增效具有重要的现实意义。

1 文献综述

旅游效率一直是学界关注的热点话题，国内外学者研究旅游效率主要侧重于测算与评价、时空分异状况、影响因素等方面。在对旅游效率测算与评价方面，李会琴等[2]借助Super-SBM模型，将第三产业从业人员和固定资产、A级景区数量、星级饭店数量、旅行社数量设为投入指标，旅游总收入以及旅游总人数作为产出指标，对湖北省15市(州)综合效率、纯技术效率和规模效率进行了测算；Benito等[3]借助Bootstrap-DEA模型，将旅游就业人数、固定资产投资额、住宿设施数量作为投入指标，国内和国际旅游者人数、平均停留天数作为产出指标评价了120个国际旅游目的地发展效率。在时空分异状况层面，方叶林等[4]以中国大陆31个省区为研究标靶，运用空间马尔科夫链以及脉冲响应模型分析2001—2019年旅游效率的时空演化趋势，发现研究期内旅游效率地域特征明显，东部省区旅游业发展集约化程度较西部省区高，旅游效率在空间范围内容易受到相邻省区旅游效率的辐射作用。王兆峰等[5]以湖南省为例，采用DEA-Malmquist指数及其二次分解法，从动态视角考察2001—2016年14个地市州旅游效率的时空演变过程，发现湖南省旅游效率呈上升态势，年均增长率约为10.9%，旅游分解效率具有圈层集聚特征，并呈现出距离衰减性。在影响因素方面，徐冬等[6]借助地理探测器模型探寻浙江省县域旅游效率空间演变的影响因子，发现经济发展水平、城镇化水平以及交通可达性等是旅游效率提升的重要驱动力；王兆峰等[7]以张家界市为例，运用Tabit模型考察交通方式类别对旅游效率的不同作用机制，发现航运和铁路对张家界市旅游效率作用显著。近年来，学界从多角度探析了对旅游产业集聚与旅游效率的关系，王凯等[1]运用区位熵和DEA模型分别测算中国省际旅游产业集聚水平和旅游业六大部门旅游技术效率，并通过旅游产业集聚与旅游技术效率的回归模型构建来考察二者之间相互作用关系；李姝姝等[8]借助固定效应模型探究旅游产业集聚对旅游效率的影响机制；王新越等[9]基于我国沿海114个城市2010—2017年旅游产业集聚与旅游效率的空间面板数据，采用面板向量自回归模型(PVAR)检验了这些城市旅游产业集聚与效率的互动关系。

综上可见，学界关于旅游效率研究已较为成熟，学术成果较为丰硕，旅游产业集聚对旅游效率的作用机制得到了初步探索，但前者对后者影响仍待深入研究。目前，尚无文献从空间溢出视角探寻旅游产业集聚对旅游效率的空间溢出影响。因此，探究旅游产业集聚对旅游效率的空间溢出影响成为学界的重要关切。有鉴于此，本文基于中国各省区2001—2019年旅游空间面板数据，借助区位熵、Bootstrap-DEA模型，测算旅游产业集聚水平及旅游效率，利用空间自相关分析和空间计量模型，探究旅游产业集聚与旅游效率的空间关联特性以及前者对后者的空间溢出影响，以期为优化旅游集聚模式、促进旅游业高质量发展提供理论参考。

2 研究方法与数据来源

2.1 指标选取与说明

核心变量：1)解释变量，旅游产业集聚通过公式(1)区位熵来表示；2)被解释变量，旅游效率借鉴于研究文献[10-13]，旅游效率投入(包含了变换处理的资本投入)指标包括旅行社、旅游景区、星级酒店数量和旅游从业人员数量，产出指标为旅游总收入及旅游总人次。在此，借助Bootstrap-DEA模型测算得出。

控制变量：1)经济发展水平(Pgdp)，地区经济发展状况很大程度上决定了地区基础设施建设以及居民消费潜力，以人均GDP衡量[14]；2)产业结构升级水平(Str)，产业结构转型升级意味着区域产业发展由劳动密集型主导逐渐转向知识技术密集型主导，其必然会带动服务业的蓬勃发展，以第三产业与第二产业生产总值的比重表征[15]；3)交通发展状况(Tra)，交通设施是旅游地与客源地之间的连接轴，是地区旅游业发展的必要条件，借助公路与铁路里程之和与省区土地面积的比重表示[16]；4)信息化水平(Inf)，信息产业发展为地区旅游业宣传和信息获取提供了重要保障，以邮电业务总量度量[10]；5)市场规模(Mar)，在很大程度上决定了旅游消费市场情况，以人口密度表征[17]。

2.2 研究方法

2.2.1 区位熵区位熵能够较为直观的测度某一产业区域性集中的程度和水平，并能较为精准的识别产业集群状况[1]。本文参考了研究文献[18-19]，利用区位熵来衡量中国30省区旅游产业集聚水平，如式(1)：

Aggit=(Tit/Git)/(Ti/Gi)

(1)

式(1)中，Aggit为i年t省区旅游产业区位熵，值越大，表示旅游产业集聚程度越深、水平越高，反之，集聚程度越浅、水平越低；Tit表示i年t省区旅游总收入；Git表示i年t省区的地区生产总值；Ti由i年所有省区旅游总收入加总得到；Gi为i年所有省区的地区生产总值之和。

2.2.2 Bootstrap-DEA模型本文采用Simar等[20]提出的Bootstrap-DEA模型对各省区旅游效率进行测度，它有效修正了传统DEA模型由于样本评价偏差导致的统计误差，广泛应用于效率评价研究，具体步骤详见参考文献[21]。

2.2.3 空间自相关分析遵循空间计量思路，在构建空间计量模型之前需要考虑研究对象的空间相关性，常见的验证方法包括全局和局部空间自相关。其中，全局空间自相关验证的是研究对象整体空间集聚状态，一般借助全局Moran’I指数进行说明[22]。计算公式如式(2)：

(2)

式(2)中，N表示空间单元总数；yi和yj分别为区域单元i和j的观察值，即各省区旅游产业集聚值和旅游效率值；Wij为空间邻接权重矩阵，当i省区与j省区相邻时，Wij为1，反之为0，由于海南省位置独立，故将广东省设定为其“邻居”。

局部空间自相关验证的是某省区与周围省区的空间关联性，通常利用Moran’I散点图进行可视化，散点图包括4个象限，分别表示高-高、低-高、低-低、高-低集聚区。

2.2.4 空间杜宾模型(SDM)空间计量模型具备反映研究对象自身属性及对象间的空间联系特性，因此成为了区域溢出研究的重要选择。考虑到旅游产业集聚对旅游效率的空间溢出效应存在的可能性，本文参考了研究文献[23]，构建空间杜宾模型(SDM)实证旅游产业集聚对旅游效率的作用。模型如下：

(3)

式(3)中，yit为i、j省区t年份的旅游效率；Aggit表征i省区在t年份旅游产业集聚程度；Xit涵盖所有的控制变量；ρ和σ分别表示旅游效率和旅游产业集聚的空间滞后项系数；α1是旅游产业集聚的回归系数；α0为常数项；wij表示空间权重矩阵(本文选择的是邻接矩阵)；ηk为控制变量k的回归系数；βk表示控制变量k空间滞后项的回归系数；μi和δt分别为个体固定和时间固定；εit表示随机扰动项。

2.3 数据来源

本文涉及2001—2019年中国30个省区(不包括西藏、港澳台地区)的面板数据，数据来源为：2002—2018年《中国旅游统计年鉴》及其副本，2019年《中国文化和旅游统计年鉴》和2020年《中国文化文物和旅游统计年鉴》、2020年《中国统计年鉴》、各省区国民经济和社会发展统计公报；国家统计局以及EPS官方数据库。文章涉及的价格数据均以2001年为基期利用GDP平减指数进行处理。

3 实证分析

3.1 空间自相关检验

在实证旅游产业集聚对旅游效率的空间溢出效应之前，有必要验证旅游产业集聚和旅游效率是否存在空间相关性，故本文对2001—2019年旅游产业集聚和旅游效率的全局Moran’I指数进行计算。

表1 旅游产业集聚和旅游效率的全局Moran’ I指数

如表1所示，2001—2019年旅游产业集聚的全局Moran’I指数均大于0，虽然数值波动趋势明显，但均在不同水平上通过了显著性检验，说明旅游产业集聚具有显著空间自相关性。旅游效率的全局Moran’I指数在2001—2019年均为正值，除2008、2010、2015、2016和2019年外，其他年份的全局Moran’I指数均通过了5%或10%的显著性检验，基本表明中国省域旅游效率的空间分布具有明显的集聚特征。需要注意的是，尽管研究期内有5个年份旅游效率的全局Moran’I指数存在不够显著的问题，但并不能据此判断任一省区的旅游效率与相邻省区无关，可能是由于当年旅游效率存在空间自相关性的省区较少，也可能是旅游效率正相关和负相关的省区间存在互相抵消的现象，导致全局空间自相关的显著性有所欠缺[16]。

图1 旅游产业集聚与旅游效率的局部 Moran’s I 指数

考虑到全局Moran’I指数只能反映整个区域的空间自相关性，无法客观描绘各个省区间的空间关联状况，故本文根据2001—2019年旅游产业集聚和旅游效率的均值对二者进行局部空间自相关检验，得到了旅游产业集聚和旅游效率的局部Moran’I散点图，如图1所示。在图1中，两个变量的局部Moran’I指数均为正值，并且至少有17个省区处于第一和第三象限，占到30个省区的56.7%，意味着中国旅游产业集聚和旅游效率呈现明显的高-高和低-低的集聚特征。

空间自相关检验结果显示旅游产业集聚和旅游效率均具有明显的空间关联性，研究旅游产业集聚和旅游效率的关系时不能忽略空间因素的影响，为最大限度避免空间效应带来的误差，本文选择空间计量模型进行实证研究。

表2 模型检验结果

3.2 旅游产业集聚对旅游效率的空间效应

3.2.1 模型检验空间面板计量模型包括空间杜宾模型(SDM)、空间滞后模型(SAR)、空间误差模型(SEM)等。为选择合适的空间计量模型，需要进行相应检验，如表2所示。首先，LM检验结果显示SAR模型的LM和Robust LM统计量在1%的水平上通过显著性检验，SEM模型的LM和Robust LM统计量均通过了1%的显著性检验，说明同时存在空间滞后和空间误差效应，因此有必要考虑使用SDM模型。其次，验证SDM模型是否会简化为SAR或者SEM模型，LR和Wald检验结果均通过了1%的显著性检验，拒绝SDM模型会退化的原假设，故SDM模型为最优模型。再次，Hausman检验结果明显拒绝随机效应，故本文选择固定效应。最后，SDM模型的时间和空间固定检验结果均拒绝原假设，故SDM时空固定模型为本文最优模型。

参照已有研究文献[24]，表3中SDM模型的Log-likelihood(极大似然值)最大，AIC(赤池信息量)和BIC(贝叶斯信息量)较SAR和SEM模型最小，说明SDM模型的拟合度最优，再次说明SDM模型为本文研究最适用模型。

从表3的回归结果可以看出：1)SDM回归模型中，旅游效率空间滞后项系数显著为正，说明旅游效率在一定程度上依赖相邻省区旅游效率状况，佐证了中国旅游效率具有空间关联性特征的结论。2)在SAR、SEM和SDM时空双固定模型中，旅游产业集聚对旅游效率的影响均显著为正，表明研究结论具有稳健性。3)旅游产业集聚与旅游效率的回归系数为正且在1%的水平上通过了显著性检验，说明在地区旅游产业集聚的带动下，旅游效率相应提升。旅游效率与旅游产业集聚空间交互性的回归系数显著为负，意味着旅游产业集聚负向外部性作用明显，相邻省区的旅游产业集聚会抑制本地旅游效率的向好。

表3 模型回归结果

3.2.2 空间效应分解参考研究文献[23]，SDM模型中解释变量的回归系数不能有效反映其对被解释变量的边际效应，因此需要采用偏微分分解法，将旅游产业集聚对旅游效率的空间影响分解，以便厘清旅游产业集聚对旅游效率的直接影响、空间溢出及总体作用。具体分解结果如表4所示：

表4 空间效应分解

1)直接效应。旅游产业集聚对旅游效率具有正向促进作用，并在1%的水平上通过了显著性检验，表明旅游产业集聚水平每提升1%，本省区旅游效率会相应改善0.2418%。可见，旅游产业集聚即技术、知识、人才以及设施设备等集中所带来的规模效应，会节约旅游业发展的资本投入，增强要素资源流通，提升旅游服务质量，促进旅游效率正向爬升。在旅游产业集聚过程中，经济发展水平、产业结构升级水平、交通发展状况和市场规模都是旅游效率提升的积极驱动因素。地区经济发展一方面能够增加居民收入，进而刺激旅游消费，增加旅游产出；另一方面区域经济发展能够加强地区基础设施建设，提升旅游供给水平，从而改善旅游效率。产业结构升级带动服务业优化转型，加速区域“服务化”进程，改善旅游业基础设施及旅游服务质量，增强旅游吸引力，成为旅游效率提升的重要引擎。交通设施建设是旅游业发展的必要条件，能够改善旅游地的可达性，增加区域旅游流，进而保障旅游经济稳定增长。市场规模一定程度上决定了旅游市场广阔程度，当本省区市场规模较大时，旅游需求相对旺盛，旅游消费激增。而信息化水平对旅游效率的直接效应显著为负，可能是因为信息化建设投入成本较高，加之对不同省区旅游效率的作用存在差异，导致中和结果为负[16]。

2)间接效应。相邻省区旅游产业集聚会明显抑制本省区旅游效率的提高，可能因为旅游产业集聚对本省区旅游效率的正向作用使其在旅游发展竞争中更胜一筹，在一定程度上吸纳了邻近省区的生产要素和旅游发展资源，最终对“邻居”的旅游业发展产生屏蔽效应[25]。在影响因素中，经济发展水平、产业结构升级水平和市场规模的系数为正，交通发展状况和信息化水平的作用为负。其中，经济发展水平和交通发展状况的间接效应并不显著。产业结构升级水平的间接效应为0.0986，表明相邻省区在产业结构优化升级过程中，对本省区产业结构调整产生示范效应，从而促进本省区旅游效率的协同提升。信息化水平的系数为负，可能是信息化设施设备在空间上存在不合理的集聚与竞争。市场规模的空间溢出效应显著为正，表明相邻省区市场规模会正向影响本省区旅游效率，可能是因为在国内短途旅游发展蒸蒸日上的背景下，邻近省区始终是本省区的重要客源市场，相邻省区的人口变动成为影响本省区旅游产出的重要因素。

3)总效应。核心解释变量和控制变量的总效应均在5%的水平上通过了显著性检验。其中，旅游产业集聚系数为0.1422，表明旅游产业集聚形成的规模效益对旅游效率的提升大有裨益。市场规模系数值最大(0.4006)，意味着市场规模是改善旅游效率的关键因素，旅游流对区域旅游发展的作用不可小觑；产业结构升级水平的系数值位列第二，表明产业结构变革为旅游业提供了良好的发展环境，是提高旅游效率的重要驱动力；交通发展状况对旅游效率的总影响值为0.1706，证实了交通建设与旅游效率存在协同关系，交通可达性对区域旅游业发展起着基础性作用；信息化水平对旅游效率的总效应值为负，表明区域信息化设施建设与旅游发展配套性较差，信息化建设的无序扩张与布局的问题亟待解决。

4 结论与对策

4.1 结论

采用区位熵及Bootstrap-DEA模型对2001—2019年我国30个省区的旅游产业集聚水平和旅游效率进行测算，借助空间自相关分析法探析旅游产业集聚及旅游效率的空间关联性，运用空间杜宾模型实证旅游产业集聚对旅游效率的空间溢出影响。结论如下：1)2001—2019年，旅游产业集聚和旅游效率均具有明显的空间自相关性，二者主要呈现高-高和低-低的空间集聚态势，探讨前者对后者的影响时有必要考虑空间因素的影响。2)旅游产业集聚能够显著促进旅游效率的提升，但空间溢出效应显著为负，且旅游产业集聚的正向促进作用明显大于其负向空间溢出作用。3)经济发展水平、产业结构升级水平以及市场规模的直接和间接效应值均为正；交通发展状况对旅游效率具有正向作用，但对相邻省区的影响为负；信息化对旅游效率的直接影响和空间效应均显著为负。

4.2 对策

根据文章研究结论，提出了以下对策。

1)发挥集聚优势，推进集聚创新。旅游产业集聚是旅游效率的重要提升力，因此要充分利用产业集聚的规模特征与效应，探寻旅游产业集聚新模式。各省区要增强产业集聚的政策扶持，制定切实可行的旅游发展规划，合理配置旅游要素资源，加速产业合作融合步伐，谋求层次多元的旅游集聚区域；企业要顺应产业集群化发展的时代浪潮，寻求最佳合作模式，借鉴企业伙伴的发展长处，规避企业间的恶意竞争，在友好互助中推进旅游产业集聚高质量转型，从而为旅游业提质增效蓄力。

2)加强省区互动，善用溢出效应。省区间旅游产业集聚以及旅游效率的空间关联特性鲜明，旅游产业集聚对旅游效率具有显著的空间溢出效应，因此要加强省区间旅游产业集聚以及旅游效率的互动交流，寻求改变负向空间溢出效应的最佳途径。为此，要切实加强省区间合作，拓宽旅游生产资源与要素的沟通渠道，增强知识和技术等空间溢出，加速推进区域旅游发展一体化进程；各省区要竭力缩减相邻省区旅游产业集聚带来的负向影响，变“被动抑制”为“主动学习”，吸取经验教训，护佑省区间旅游发展的协同共进。

3)聚焦多方因素，助力效率提升。旅游业发展涉及面广，改善旅游效率涉及诸多因素，因此关注影响因素作用方向，融合多方力量以提升旅游效率。各省区需要加快经济发展步伐，完善社会公共基础设施，提高居民可支配收入和消费能力；聚力于产业结构优化升级，加速产业“服务化”进程，将科技创新与人才培养置于关键位置；加大交通设施建设投入，增强区域可达性，发展快速交通，减少时间成本；利用市场规模优势，合理开发特色旅游资源，增强区域旅游吸引力；有序布局信息化设施，预防盲目发展，保障“旅游+互联网”的深度融合。