环境质量变化对游客福利的影响<br/>——基于旅行费用和条件行为联合数据

环境质量变化对游客福利的影响
——基于旅行费用和条件行为联合数据

2022-01-18段增辉王尔大邱莹莹

生态经济 2022年1期

段增辉，王尔大，邱莹莹

（1. 大连理工大学经济管理学院，辽宁大连 116024；2. 大连海洋大学应用技术学院，辽宁大连 116300）

0 引言

旅行费用法（travel cost method, TCM）是评估湿地等旅游娱乐价值的经典方法[1-3]，作为揭示性偏好法（revealed preference methods, RP），TCM旨在使用旅行费用作为旅游地价格的替代，通过旅行费用的变化得出旅游需求函数，以消费者剩余来估计旅游价值。而湿地价值研究的另一种常用方法——条件价值法（contingent valuation method，CVM）[4-5]，属于陈述性偏好法（stated preference methods SP），通过对所评价的非市场产品建立虚拟的市场环境，询问被访者当非市场产品在质量或数量上发生改变时，被访者的意愿支付或意愿接受补偿，将其作为非市场产品的经济价值。RP所使用数据始终为受访者过去或当前在可观察到的条件下对某些资源的使用行为，而SP则是在假想条件下获得数据，常常带有假设偏差、支付意愿报价随意或战略对策等问题，导致被访者表现出来的陈述行为与其实际行为之间存在较大差异[6]，因此RP所得结果更可靠。但RP使用范围有限，它既不能评估被动使用价值，也不能超出历史观察范围[7]。然而，现实中实施某一政策前，除历史行为外，常常涉及尚未观察到的未来环境质量、价格等相关属性变化的影响。

在这种情况下，将RP和SP数据进行合并的方法，可有效弥补单一方法的缺陷。首先，更完整的数据信息提高了参数估计精度[8]。其次，研究范围不限于历史行为，数据合并可以评估环境质量或价格等属性未来的改变而产生的影响，解决RP适用范围受限的问题。再次，通过适当实验设计，引入假设环境质量或价格水平，可避免多重共线性和内生性问题[9]。最后，可以检验实际行为与假设行为收敛有效性或一致性，使结果更加可靠。

目前，RP-SP相结合的形式主要有三种：离散选择模型、混合选择模型、连续选择模型[10]。其中以连续选择模型为代表，该模型将TCM所需的RP数据和条件行为法（contingent behavior, CB）所需的SP数据相融合，测算由于旅行成本或环境质量水平的变化而导致的未来预期旅行次数的变化所带来的福利变化。TC-CB已应用于对垂钓[11-13]、滨海[9,14-16]、湖泊[8,17]等休闲娱乐需求研究中，如Kipperberg等[18]使用多元Poisson-Gam模型探索在山区和海滩建立风力发电厂政策对游客娱乐休闲需求的影响，认为风能扩展会对当地休闲产生重大的负面外部影响。Deely等[19]则结合实际和条件数据，检验鱼类数量变化对于爱尔兰淡水垂钓者和非垂钓者的影响，结果表明，垂钓者平均消费者剩余为93欧元/天，鱼品数量增加25%的条件行为所带来的边际收益为50.86欧元，鱼品数量增加50%将使边际收益增加89.01欧元。虽然该方法在国外的应用逐渐增多，但国内研究仍极为少见。

TC-CB的一个隐含假设为：实际行为和条件行为均由相同偏好所驱动。若不满足该假设，使用单个偏好结构来描述揭示的和陈述的偏好行为也会造成系数估计的偏差，而连续选择模型研究中实际行为和假设行为之间的一致性仍然是不确定的。一些研究证明了一致性[20-22]，但很多使用连续选择模型的研究发现两个数据集之间不一致[8,17,23-24]。因此，在使用TC-CB将两数据集合并前，需要考虑的一个关键问题是：两种数据能否在统一偏好结构下进行合并，即满足一致性检验。

本文以白洋淀景区为研究对象，从以下三个方面展开研究：首先，使用TCM分析当前环境状态下各因素对游客旅游需求的影响及消费者剩余。其次，检验实际行为和条件行为的一致性，即游客的旅行成本偏好是否受到假想策略或场地质量属性变化的影响。最后，使用TC-CB结合的新方法评价在环境质量发生改善和恶化的假想策略对福利的影响。研究可为自然资源非市场价值评价研究提供新视角，并为景区在现有基础上验证假想规划策略提供参考。

1 模型变量选取

1.1 变量说明

TCM的核心思想是假定其他因素保持不变，旅行次数会随着游客旅行费用的增加而减少，旅行费用是需求函数中价格的替代。虽然每位游客的门票费用是固定的，但通过观察距景点不同距离、产生不同交通、食宿等旅行成本的受访者，即可绘制出需求曲线。需求量是受预算和时间约束的效用最大化问题的结果，可用个人之间旅行费用的变化得出娱乐需求曲线，然后可通过计算消费者剩余来估计旅游价值，影响需求的其他控制变量也包含在候选解释变量集合中。

具体地，本文TCM模型中的因变量为游客过去12个月中至白洋淀景区的旅行次数，TC-CB模型中因变量包括实际行为和条件行为，即过去的12个月中至白洋淀景区的旅行次数和环境状况变化后未来12个月至白洋淀景区的旅行次数。此外模型中引入了两个环境质量虚拟变量，一个表示环境质量改善，另一个表示环境质量恶化。对于实际行为，环境质量为当前环境。对于环境改善下的条件行为，将环境质量改善虚拟变量设置为1，将环境质量恶化虚拟变量设置为0。同样地，对于环境恶化下的条件行为，将环境质量恶化虚拟变量设置为1，将环境质量改善虚拟变量设置为0。

为了衡量环境变化对福利的影响，在旅行费用变量和环境质量虚拟变量之间指定了交互变量。交互变量可能使旅行费用变量的斜率由于环境质量的变化而变化，从而引起消费者剩余的变化。

综上所述，表达式如下：

式中：tiq表示在环境状况q下受访者i的旅行次数，在TCM中，q为当前环境状况，在TC-CB模型中，q表示当前及假设环境状况；TCi表示受访者i的旅行费用；Dq为表示环境状况好坏的虚拟变量，q=1表示环境质量改善，q=2代表环境质量恶化；TCi·Dq表示旅行费用与环境质量虚拟变量的交互变量；xki表示可能与旅行次数相关的其他自变量。

1.2 旅行费用组成

在TCM分析中，旅行费用（TC）是需求曲线中价格的代理，其系数定义了消费者剩余。旅行成本的测量，尤其是交通成本和时间机会成本，仍然是一个经验问题。游客至白洋淀景区的花费包括交通费用、基础门票费用、食宿费用、购买旅游商品的费用、娱乐休闲项目的费用及旅行时间成本。对于交通费用，国外游客大多采用自驾游的交通方式，因此计算交通费用通常采用游客居住地与景区之间的距离乘以油价的方式。但国内交通方式更多元化，除私家车外也采用火车、客车、飞机等方式，因此在交通费用上，本研究采用直接询问游客至白洋淀景区的单程费用而非游客居住地至景区之间的距离。在时间机会成本方面，采用单位时间成本和旅行时间相乘得到旅行时间，包括旅途中的时间和在景区内的时间，单位时间成本为工资的三分之一，即：

式中：参数c为旅行费用分摊比例。TCM模型中的一个标准假设是旅行费用仅用于一个旅游地。如果所有的旅行费用都是为了进入一个特定的景区而产生的，那么可直接进行费用估算。但是，一次旅行可能有多个目的地，对于多目的地的情况，旅行费用代表这些目的地的共同费用。一种常见的做法是将参与多个目的地旅行的游客排除在外。然而，被排除的受访者可能具有很高的使用价值，导致人均收益被高估，而总收益被低估[25]。此外，排除多目的地旅行的游客可能会对样本产生显著偏差，特别是在社会人口特征方面[26]。以同样的方式处理所有的观测结果可能会高估效益，从而高估研究对象的经济价值[27]。

本研究采用以成本分摊的方式处理多目的地问题，使用该地对旅行决定的影响比重[26]和旅行费用比例[28]两种分摊方式，并取平均值。首先通过调查问卷询问受访者“白洋淀景区是否是这次旅行的唯一目的地”，以识别多目的地旅行。如果为多目的地旅行，进一步以“考虑每个目的地旅行花费，白洋淀景区的旅行费用占总费用多大比例”，以及“在旅行决策中访问白洋淀景区的权重”两个问题计算旅行花费。参数c的计算是所示两个百分比的平均值，对于单目的地旅行而言，该值为1。

1.3 计数模型

由于旅行次数值取非负整数，因此以计数模型代替线性模型来构建白洋淀景区的需求模型。作为计数模型的典型代表，泊松和负二项式模型在价值评价中应用较为普遍。标准泊松分布将因变量的均值和方差约束为相等，由于这一特性（即等离散度，equi-dispersion），泊松模型可能过于局限，因为在实际应用中，数据常常会过度分散。当使用截面数据时，通常选择负二项式模型处理过度分散[29]。在本研究中也将负二项式模型应用于RP数据的TCM模型中，其概率函数为：

式中：i代表受访者；q表示环境状况；tiq为游客的实际旅行次数或计划旅行次数；xiq为解释变量的向量，μ为q环境状况下的平均旅行次数；α为Gamma分布参数。

对于TC-CB模型，在环境质量改善和恶化的情况下，将真实和条件行为数据汇总在一起可生成面板数据，其中一项是基于实际行为的观察，另一项是基于条件行为的观察。而在处理面板数据时，泊松模型可解决未观察到的异质性问题，负二项式和泊松模型之间的差距不明显。泊松面板估计量依赖于较弱的分布假设，使用具有聚类鲁棒误差的泊松面板估计量可能会更稳健[30]。

泊松回归模型的概率密度函数为：

混合泊松估计假设tij服从泊松分布：

观测在个体之间是独立的，但不一定是同一个体。因此，回归扰动可以在个体水平上进行聚类，从而校正针对同一个体的重复观测可能不独立的情况。这使得统计显著性的度量具有稳健性，并控制了对于给定i上q的过度分散和相关。扰动项影响估计量的方差-协方差矩阵，但不影响系数[31]。

就稳健性而言，面板数据的泊松模型与横截面数据具有相同的属性。只要正确指定条件平均值，即使数据不完全遵循泊松分布，仍然是一致、稳定的[30]。随机效应负二项式模型是处理随机效应泊松模型过度分散的替代方法。假设tiq|γiq～Poisson(γiq)、γiq|δi～Gamma(λiq,δi)以及，相应的概率函数为：

在RE-NB中，假设分散程度在个体之间随机变化并且δi/(1+δi)～Beta(r,s)，运算后的概率密度函数为：

1.4 消费者剩余计算

马歇尔消费者剩余（CS）是一种福利衡量方式，可用于计算旅游带来的净收益。总CS通过整合相关价格范围内的需求曲线得出。负二项式模型和随机效应泊松模型的需求曲线都是半对数形式，因此，TCM模型中计算每次旅行消费者剩余的公式为：

式中：λ为平均旅行次数，βTC为旅行费用系数。

TC-CB模型中消费者剩余的计算公式为：

式中：λ±为环境质量改变后的年平均旅行次数，λ*为当前环境质量下的年平均旅行次数。若交互项影响不显著，公式（13）可简化为：

2 数据收集

2.1 研究区域

安新白洋淀景区地处京、津、石腹地，总面积366平方千米，位于河北省中部安新县境内，是华北地区最大的淡水湖泊，著名的湿地自然保护区，于2007年被评为国家5A级旅游景区，享有“北地西湖”“华北明珠”之誉。白洋淀景区内有143个淀、39个小岛、10万亩荷塘、12万亩芦荡，淀内自然资源丰富，大型水生植物47种、哺乳动物14种、鸟类197种，设有荷花大观园、白洋淀文化苑、荷花淀休闲岛等8个精品景点，其中白洋淀旅游码头全长317米，占地91亩，建有60个船位，可同时停600艘船只，景区吃、住、行、游、购、娱整合配套。2017年4月1日，中共中央、国务院印发通知，决定设立河北雄安新区。雄安新区规划范围涉及中国河北省雄县、容城、安新3县及周边部分区域，而3县环绕白洋淀，可以说白洋淀是雄安新区的重要生态和旅游资源，2018年12月，国务院正式批复的《河北雄安新区总体规划（2018—2035年）》中就包含了白洋淀的规划建设。因此，选取白洋淀景区作为研究对象，具有一定的代表性和实践意义。

2.2 环境指标选取

本文所使用的SP数据是以问卷的形式询问受访者在环境质量改善和环境质量恶化两种假想策略下，未来12个月的旅行次数。为使游客更清晰明确地理解“环境质量改善”和“环境质量恶化”的含义，本文在归纳相关文献后[32-34]，通过实地调研结合游客的感知视角和景区的属性现状，并在当地管理人员的指导和建议下，列出多种可代表环境质量的属性，最后通过游客对属性重要程度进行打分的预调研形式确定指标集，包括湿地面积、生物多样性、水下能见度、景区垃圾数量。白洋淀景区当前状况及假想策略中环境质量改变状况如表1所示。为避免游客对所设置的属性水平变化认知不敏感而产生的假设偏差，在问卷设计时，引入了附带彩色图片的可视化研究方法。首先，拍摄白洋淀景区各属性当前状态的照片，然后，在此基础上模拟出环境质量改善和恶化两种假设情景所对应属性变化的图片。调研时通过向游客展示各种情景下的图片，使受访者更直观清晰地理解当前及假设景区的环境状况。

表1 当前及假设情景环境属性描述

2.3 问卷收集

调研小组开展了为期10天的预调研和正式调研收集游客数据。预调研地点为景区码头，每隔约10分钟随机选取游客进行问卷访谈，调查游客对白洋淀景区各种旅游属性的关注情况，获得有效结果30份。在预调查的基础上，修改和完善预调查问卷，以更科学、更简明的方式展现给受访者，从而使调查过程更顺利，调查结果更合理。完善最终问卷后，调研小组于2018年9月中旬进行了正式调研工作，调研地点分布在景区码头、荷花大观园景区廊道和游客服务中心，游客相对集中，且参与程度较高。调研小组总计发放问卷400份，其中有效问卷352份，有效率达88%。受访游客的社会经济特征如表2所示。

表2 受访游客的社会经济特征

3 结果分析

3.1 实际行为模型结果

采用泊松模型和负二项式模型对RP数据的需求函数进行构建，回归结果如表3所示。与需求法则相符，旅行费用系数为负，且在1%显著水平下显著，表明旅游需求随旅行费用的增加而减少。此外，剔除10%显著水平下的非显著变量，对旅游需求产生影响的变量分别为性别（Gen）、受教育程度（Edu）、旅行人数（Peo）、在景区内时间（Hrs）及婚姻状况（Mari）。具体地，性别对旅行次数产生正向影响，即男性的旅游需求大于女性。受教育程度与旅行次数呈正相关，受教育程度越高，游客旅行需求越高。旅行人数对旅行次数产生正向影响。在景区内时间对旅行次数产生负向影响，游客在景区内时间越长，旅行次数越少。婚姻状况对旅行次数产生显著影响，已婚已育游客的旅行需求要多于已婚未育和未婚的游客。

表3 实际行为回归结果

3.2 TC-CB模型结果

数据组合时需检验实际行为数据与条件行为数据偏好的一致性，一种方法是使用代表未来行为的虚拟变量和旅行成本或CB虚拟变量和收入间交互变量检测一致性[24,35]。借鉴该方法，本研究使用旅行成本及环境变化虚拟成本间的交互变量（TCi·Dq）检验数据一致性，系数为假想策略对旅行成本系数的边际效应，若交互变量对旅行次数产生显著影响，交互变量使旅行费用变量的斜率随着环境质量的变化而变化，表明游客消费偏好不一致。表4和表5中三种模型的TC·Betterquality（Betterquality表示环境质量改善）和TC·Worsequality（Worsequality表示环境质量恶化）的系数均不显著，且TC变量的系数基本一致，说明景区环境改善和恶化均未改变游客在旅行费用上的偏好产生，实际行为与条件行为数据偏好具有一致性，属于同一需求函数。

表4 环境质量提高后的回归结果

表5 环境质量恶化后的回归结果

在环境质量改善情景下，旅行费用具有显著性并对旅行需求产生负向影响。环境质量对旅行需求产生显著的正向影响，环境质量改善会增加游客旅行次数，使其上升到原来的1.798倍（在随机效应泊松模型中，irrbetterquality=1.798）。在环境质量恶化情景下，旅行费用同样对旅行需求产生显著的负向影响。环境质量会对旅行需求产生显著的负向影响，环境质量恶化会减少游客旅行次数，使其降低到原来的0.247倍（在随机效应泊松模型中，irrworsequality=0.247）。此外，TC-CB模型中受访者社会统计变量的影响与TCM模型中基本相同，除受教育程度、旅行类别、在景区内时间及婚姻状况外，在环境质量变化后，年龄和工作变量也会对旅行次数产生影响。

3.3 消费者剩余

在实际行为的TCM模型中，泊松模型和负二项式模型的总体结果基本相同，但由赤池信息准则（AIC）和Alpha的显著性可知存在过度分散，所以消费者剩余计算以NB模型回归结果为准。类似地，在环境质量改善和恶化策略的TC-CB模型中，由赤池信息准则（AIC）和Alpha的显著性可知，随机效应模型优于混合模型。此外，由于基于较弱的分布假设，具有聚类稳健标准误差的随机效应泊松模型估计值可能比随机效应负二项模型估计值更稳健（即使数据过度分散）。因此，在改变环境质量后，消费者剩余的计算以随机效应泊松模型回归结果为准[30]。各模型下的旅行次数预测结果和相应的消费者剩余如表6所示。

表6 消费者剩余

首先，游客实际到白洋淀景区的旅行次数预测值为平均每年1.86次，而在环境改善和恶化后的陈述旅行次数分别为3.31次和0.45次，这与表2和表3中虚拟变量给出环境改善后旅行次数会变为原来的1.789倍和0.247倍的结果基本一致。其次，环境质量改变只会影响游客的旅行次数，而与游客消费偏好无关，因此无论环境质量是否改变，游客每次旅行的消费者剩余不变，均为909.09元。最后，当前每个游客每年的消费者剩余为1 690.90元，当环境质量改善时，每位游客每年的消费者剩余将增加1 318.18元，当环境质量恶化时，每位游客每年的消费者剩余将减少1 218.81元。

4 结论与政策建议

4.1 结论

在我国自然资源非市场价值评价研究中，极少有陈述性与显示性偏好联合方法的研究，本文首次将TC-CB法运用到湿地旅游价值评价中。此外，与常规研究不同，本文不仅分析了环境质量改善的条件行为，而且分析了环境质量恶化后游客的条件行为。在分析游客实际行为的基础上，将旅行费用法与条件行为结合，通过构建游客旅游需求函数，重点分析了湿地景区环境变化对游客旅游需求和消费者剩余的影响。SP-RP数据合并弥补了单一方法的一些缺陷，使数据结构包含更完整的信息，进而提高了参数估计精度，数据也不仅限于历史行为，可了解某一替代策略是时候可能产生的影响，实践意义更大。本文主要结论如下：

（1）旅行费用对游客的旅游需求产生负向影响，当前环境状况下消费者剩余为909.09元/人，白洋淀景区年游客数为266.7万人（该数据由安新县旅游局行业管理部门提供），由此可知该景区总消费者剩余为24.24亿元。

（2）游客在实际行为与条件行为中的消费偏好存在一致性，环境质量改变只会直接影响游客旅行需求，而不会使旅行费用产生变化间接对旅行需求产生影响。环境质量改善使游客平均旅行次数上升1.45次/年，并使每位游客每年的消费者剩余增加1 318.18元。类似地，环境质量恶化使游客平均旅行次数降低1.41次/年，并使每位游客每年的消费者剩余减少1 281.81元。