空间视角下城市旅游全要素生产率的收敛性分析

樊 玲 玲，侯 志 强，曹 咪，施 亚 岚

(1.华侨大学旅游学院，福建 泉州 362000；2.南充文化旅游职业学院，四川 南充 637000)

0 引言

旅游业作为国民经济的战略性主导产业[1]，其增长质量对国民经济增长具有重要意义[2]。国务院发布的《关于促进旅游业改革与发展的若干意见》明确提出：转变旅游业发展方式，旨在以转型升级、提质增效为主线，实现粗放式发展向集约化发展转变；同时，“十四五”时期进一步明确以高质量为主题的经济发展要求，而提升全要素生产率有利于推动经济高质量发展。可见，在追求旅游业高质量发展的过程中，旅游效率问题不容忽视。旅游要素发展水平是衡量旅游业成熟程度的重要标志[3]，全要素生产率是衡量国家和地区经济增长质量、管理效率及技术进步的重要指标[4]，因此，旅游全要素生产率的优化和提升[5]是实现旅游业高质量发展的有效切入点和重要突破口。

国外旅游全要素生产率研究主要围绕要素资源配置效率水平的变化[6]，着眼于微观的旅游企业部门[7]，涉及旅游酒店[8]、旅行社[9]、航空公司[10]、景区(景点)[11]等的全要素生产率测算[12]，并进一步揭示其影响因素；随着信息技术对旅游经济的带动作用凸显，技术进步与旅游全要素生产率的关系研究日益增多[13,14]，此外，旅游业碳生产率及其影响因素研究等相继开展[15,16]。国内研究多集中于旅游全要素生产率的测评[17,18]，同时涉及不同研究尺度的旅游全要素生产率的时间演化特征[19,20]、空间分布规模[21,22]、内在结构[23,24]、耦合性[25,26]、影响因素[27,28]、经济敛散性[29,30]分析等方面。尽管相关研究内容趋于多样化并取得丰硕成果[31,32]，但在敛散性分析中，多数实证研究倾向于选取时间或空间单一维度作为切入点，多采用传统经典收敛模型，对空间因素考虑不足，难以真正揭示旅游全要素生产率收敛性的时空演变规律。因此，本文基于2007-2018年中国旅游城市面板数据，通过构建投入产出指标体系，对中国旅游全要素生产率进行测算；在此基础上，将空间因素引入经典β收敛检验分析中，建立空间面板计量模型检验旅游全要素生产率的空间收敛性，将经典β收敛和空间β收敛两种模型进行对比，并分区域讨论其分异特征，以期系统全面地明确地区之间的旅游全要素生产率流动方向，有利于认清关键影响因素，推进旅游全要素生产率高低值区整体向好发展，实现旅游业高质量发展。

1 研究方法与数据来源

1.1 研究方法

(1)

(2)空间相关性分析。旅游全要素生产率空间分布的差异性促使其在变化中可能存在空间相关性，本文主要对其进行全局空间自相关分析[36]，用Moran′sI指数衡量空间自相关程度：当指数值等于0时，说明观测属性不存在空间相关性，呈随机分布；在(0,1]区间说明观测属性存在空间正相关，在[-1,0)区间则存在空间负相关。

(3)空间收敛性检验。本文运用收敛性分析检验不同地区旅游全要素生产率的收敛(发散)特征，并揭示地区间的差异是扩大还是缩小。根据收敛条件，经典收敛模型主要有σ收敛、β收敛和俱乐部收敛，经典β收敛应用最广泛，其分为绝对β收敛(式(2))和条件β收敛(式(3))，本文用最小二乘线性回归(OLS)模型进行运算：前者假设不同地区的资源禀赋、生产条件、经济水平、政府支持等条件相同，伴随时间推移，各地区旅游全要素生产率收敛于相同水平；后者则考虑地区间的上述条件差异性，地区旅游全要素生产率随着时间推移将收敛于各自稳定水平。但经典β收敛侧重分析旅游全要素生产率在时间演变中的收敛特征，对空间因素考虑不足，进而产生对旅游全要素生产率收敛特征的结果偏差。因此，本文将空间因素引入经典β收敛检验，建立空间计量下旅游全要素生产率的β收敛模型，并与经典β收敛模型进行差异对比分析。空间β收敛模型可分为空间滞后模型(SAR)(式(4))、空间误差模型(SEM)(式(5))和空间杜宾模型(SDM)(式(6))。

(2)

(3)

(4)

(5)

(6)

式中：ttfpi,t和ttfpi,t+1分别为第t、t+1年第i个城市的旅游全要素生产率；α为常数项；β为收敛性的判定系数，当β<0时，旅游全要素生产率趋于收敛，反之则趋于发散；εi,t为误差项；n为研究城市数量；xk,i,t、θk分别为控制变量及其估计系数，当θk=0时，为绝对β收敛，反之为条件β收敛；wij为空间权重，本文采用城市之间的地理距离衡量；ρ为空间溢出方向和程度的空间效应系数；φi,t为空间自相关的误差项；φ为控制变量和空间权重矩阵的空间交互效应的系数。

1.2 指标选取

(1)旅游全要素生产率测度指标。全要素生产率测算的科学性取决于投入、产出指标选取的客观性。经济生产活动中最基本的投入生产要素包括土地、资本和劳动力，因土地要素对旅游活动开展制约较小，且相关官方统计及已有研究[37,38]未将其纳入统计指标体系中，因此，考虑数据的可获取性并借鉴相关研究成果[39]，本文主要从资本、劳动力、旅游吸引物及旅游服务设施4个要素方面选取投入指标(表1)。资本要素选取城市固定资本存量表征，旅游固定资产投入是最理想指标，但统计数据中缺乏该指标，因此本文利用全社会固定资产投资转化为固定资本存量来代替，利用永续盘存法计算得到[40]；劳动力要素用城市第三产业从业人数表征，理想指标为旅游业从业人数，但地级市层面缺失该指标，因此本文用第三产业从业人数代替。虽然城市固定资本存量和第三产业从业人数的选取在一定程度上会扩大实际要素的投入，但考虑数据的可获取性以及城市旅游业发展的综合性特征，其仍具有一定代表性。旅游资源禀赋是旅游吸引力的核心要素，本文选取具有代表性的国家4A级及以上景区并对其进行加权综合，以此代表旅游吸引物要素；旅游服务设施一般用星级饭店和旅行社数量衡量，由于研究区域旅行社数据存在严重缺失且旅行社进入门槛比星级饭店低，整体市场波动性大，因此本文用星级饭店数量表征。在产出指标选取方面，旅游产出主要表现为旅游规模和旅游收益，分别选取旅游总人次和旅游总收入衡量(表1)。

表1 旅游全要素生产率测度指标Table 1 Measurement indexes of tourism total factor productivity

(2)控制变量指标。1)经济发展水平(EI)[15]，本文用人均GDP表示，其从旅游投入、旅游需求方面决定旅游规模。2)旅游发展潜力(PI)[41]，本文用旅游总收入占GDP比例表示。地区旅游发展潜力是旅游产业发展活力的重要体现，旅游产业发展活力越强，越能推进旅游产业规模扩大、旅游效率提升。3)对外开放程度(OP)[15],本文用实际利用外资投资金额表示。伴随跨境旅游人数不断增加，旅游业也呈现出对外联系度极高的特征。4)产业结构(IND)[42]，本文用第三产业增加值占GDP比例表示。产业结构的差异会影响资源的投入和转移，进而促进区域经济结构的合理化和效率提升，旅游业作为第三产业的重要组成部分，对区域产业结构升级转化具有积极的正向作用。

1.3 数据来源

本文研究对象为地级及以上旅游城市，依据数据的可获得性，选取数据完整的172个旅游城市作为样本对象。研究数据主要来源于EPS数据库、《中国城市统计年鉴》《中国旅游统计年鉴》、各地级市统计年鉴以及国民经济和社会发展统计公报。部分旅游城市存在数据缺失，利用均值补缺方式进行完善。为消除价格影响，采用GDP平减方法对收入指标进行处理。

2 结果分析

2.1 旅游全要素生产率测算分析

(1)时序变化特征分析。基于构建的旅游投入产出指标体系，测算172个旅游城市的旅游全要素生产率，通过求解年均值，对不同区域旅游全要素生产率指数及其分解指标进行对比分析(表2)。从时序变化看，2007-2018年全国范围内旅游全要素生产率年均增长率为12.5%，其中技术进步增长14.3%，表明全国旅游全要素生产率增长多依赖于技术进步。分区域而言，旅游全要素生产率增长均值按中部、西部、东部依次递减，整体表现为增长态势，中、西部区域的增长均值超过全国，东部区域与全国的增长趋势相似；东部主要依靠技术进步的推动，中、西部则表现为技术效率和技术进步双向增长动力。

表2 2007-2018年旅游全要素生产率指数及其分解Table 2 Tourism total factor productivity index and its decompositions from 2007 to 2018

(2)核密度特征分析。为进一步分析旅游全要素生产率在时间演变下的集聚差异，本文采用高斯正态分布的Kernel密度函数对2009年、2012年、2015年及2018年的旅游全要素生产率进行全局和分区域的Kernel密度估计(图1)。在全国层面，不同年份旅游全要素生产率的核密度函数呈单峰分布，表明旅游全要素生产率不存在严格的两极分化现象，但存在一定的“极化”现象；各年份核密度曲线由宽峰逐渐转向尖峰，体现旅游全要素生产率的趋同演变；旅游全要素生产率曲线并未出现明显的左右偏移，表明旅游全要素生产率基本保持相对稳定发展趋势。在区域层面，各区域核密度曲线波峰呈现先变高后变矮的趋势，形态呈现由宽峰向尖峰再向宽峰转变。与2009年相比，2012年、2015年的波峰逐渐变高，说明旅游全要素生产率在对应区间范围内的城市数量占比增加，曲线形态逐渐变陡峭，说明区域旅游全要素生产率的地区差异逐渐缩小；相比2015年，2018年的波峰变矮，表明对应区间范围内的城市数量占比减少，曲线形态相对平缓，表明地区差异又有扩大趋势。整体而言，核密度曲线以“单峰”形式为主导，区域旅游全要素生产率的地区差异呈现“缩小—扩大”特征；西部区域曲线形态呈现向右偏移趋势，表明西部区域旅游全要素生产率逐渐升高，向高值区发展。

图1 中国旅游全要素生产率的Kernel密度估计Fig.1 Kernel density estimation of China′s tourism total factor productivity

2.2 旅游全要素生产率空间收敛性检验

在空间收敛分析前需对旅游全要素生产率进行空间相关检验(表3)。由表3可知，除2012-2013年外，2007-2018年旅游全要素生产率的Moran′sI均为正数(0.007～0.049)，且均通过显著性检验，表现为正向空间相关性，说明邻近城市之间旅游全要素生产率的影响存在空间依赖性。

表3 旅游全要素生产率的空间相关性检验Table 3 Spatial correlation test of tourism total factor productivity

根据以下原则选择最优空间计量模型[43]：赤池信息准则(AIC)值越低，解释力越高；LogL和R2统计值越高，Sigma2统计值越低，表明模型拟合度越高。在此基础上，本文对旅游全要素生产率空间收敛进行空间滞后模型(SAR)、空间误差模型(SEM)和空间杜宾模型(SDM)测算(表4)。其中，SDM模型的R2和LogL统计值最大，Sigma2统计值和AIC值最小，空间绝对β收敛和空间条件β收敛均显示SDM模型的结果为最优。因此，本文在全局性和区域性空间收敛分析中采用SDM模型估计结果。

表4 旅游全要素生产率的β收敛回归结果Table 4 β convergence regression results of tourism total factor productivity

(1)全局性空间收敛分析。1)绝对收敛模型和条件收敛模型的β估计系数均为负且通过1%显著性水平检验，说明全国范围内旅游全要素生产率发展存在收敛趋势，体现地区间旅游全要素生产率差异不断缩小，即旅游全要素生产率低值区对高值区存在“追赶效应”。2)经典β收敛和空间β收敛模型下，旅游全要素生产率绝对β收敛速度均小于条件β收敛速度，说明地区旅游发展条件差异性加快了旅游全要素生产率的收敛速度，进而缩短收敛周期，使得旅游全要素生产率的收敛性检验更准确可靠。3)在考虑空间因素的影响下，经典绝对和条件β收敛速度(0.075、0.079)小于空间绝对和条件β收敛速度(0.081、0.085)，说明空间因素对旅游全要素生产率的收敛具有加速作用。4)由表5可知，旅游技术进步指数在绝对收敛和条件收敛模型的β系数均为负且通过显著性检验，说明其有实现稳态均衡水平收敛趋势；旅游技术效率指数在绝对收敛和条件收敛模型的β系数均为负，且条件收敛模型的β系数通过显著性检验，说明收敛趋势的存在使地区间旅游技术效率差异缩小；但旅游技术进步指数和旅游技术效率指数的收敛速度均小于旅游全要素生产率。

表5 旅游全要素生产率分解指标的β收敛回归结果Table 5 β convergence regression results of decomposition indexes of tourism total factor productivity

在空间条件β收敛模型中，旅游发展潜力、对外开放程度和产业结构3个控制变量的估计系数均通过显著性检验，其中旅游发展潜力和对外开放程度对旅游全要素生产率收敛具有显著的正向作用，产业结构对其具有显著的负向作用。原因可能在于：1)旅游发展潜力反映旅游产业发展活力，当旅游市场规模扩大或旅游需求增加，企业经营者出于对利润的追求，无论是增加投入要素还是加大技术创新，都会推进旅游全要素生产率提升；2)对外开放程度可通过技术溢出和资本供给提升旅游全要素生产率，落后地区旅游业在接受外来资本和先进技术之后会拥有更高的边际产出，缩小地区间差异，进而促进旅游全要素生产率提升；3)产业结构主要表现为合理化和高度化，虽然旅游产业规模扩大符合产业结构合理化，但很多地区存在对旅游业的盲目、重复甚至破坏性建设，导致旅游产业结构趋同、不协调等，不利于旅游产业结构升级和高度化，阻碍旅游全要素生产率的提升。而空间因素对收敛模型的加速作用，更多体现为上述控制变量在空间作用下的空间溢出效应。地区间的相互作用加速推进旅游全要素生产率高值区对低值区在旅游要素、资源、信息、资金和技术等方面的交流与互动，特别是地理距离相近地区的旅游全要素生产率的相互影响更密切，进而促进其空间差异缩小、收敛速度加快、收敛周期缩短。

(2)区域性空间收敛分析。考虑到区域间存在异质性，本文分析不同区域条件β收敛的差异性(表6)。1)东、中、西区域旅游全要素生产率表现为明显的收敛趋势。三大区域的经典收敛和空间收敛的β估计系数均小于0，并通过1%的显著性水平检验，且空间收敛性大于经典收敛性，表明三大区域内部旅游全要素生产率存在明显“后发赶超”趋势及空间溢出效应。2)不同区域的收敛差异性明显，经典收敛和空间收敛的收敛速度表现出西部、东部、中部递减的分布格局。原因可能在于：西部区域旅游业发展得到地方和中央政府的大力支持，在采用先进技术推进技术进步的同时不断实现资源优化配置，切实提升旅游发展要素的利用效率，区域内旅游全要素生产率增长的边际效应显著提升，收敛趋势明显；东部区域整体旅游发展水平较高且区域内差异相对较小，区域内旅游全要素生产率虽有提升，但由于整体发展水平相对均衡，技术和资本的投入对改善当前东部区域旅游生产率提升的边际效应在递减，进而使得区域内生产率的收敛趋势相对较慢；中部区域经济发展改善、旅游产业规模扩大加快了区域旅游发展进程，促进旅游生产率提升，但区域内整体旅游发展水平低且内部差异大，阻碍了整体旅游全要素生产率提升，进而使得区域内生产率的收敛趋势不明显。

表6 分区域旅游全要素生产率的β收敛回归结果Table 6 β convergence regression results of tourism total factor productivity in various regions

(3)稳健性分析。为确保回归结果的有效性，本文利用Rook邻近权重、经济距离权重和经济地理嵌套权重[44]对前文得出的结果进行稳健性分析(表7)。结果显示，在3种不同的空间权重下，旅游全要素生产率在空间条件收敛模型中的β系数均为负且通过1%显著性水平检验，与表4中旅游全要素生产率的空间β收敛回归结果一致，由此证明本文结果稳健。

表7 不同空间权重下的稳健性分析Table 7 Robustness analysis for different spatial weights

3 结论与讨论

本文基于2007-2018年中国172个旅游城市的面板数据，采用Malmquist指数对旅游全要素生产率进行测算，在此基础上将空间因素引入收敛性检验过程中，对旅游全要素生产率的经典收敛性和空间收敛性进行估计检验，并对比不同区域的分异特征，得出以下结论：1)中国旅游全要素生产率及其分解指标呈现波动发展，整体表现为增长态势，而“单峰”形式的核密度分布特征则体现其在时间序列上的趋同演变；各区域旅游全要素生产率提升的推动力存在差异，全国和东部区域表现为技术进步的单项驱动增长，中、西部区域表现为技术效率和技术进步的双向驱动增长。2)中国旅游全要素生产率存在显著的经典和空间收敛趋势，旅游全要素生产率的绝对β收敛、条件β收敛均通过显著性检验，绝对收敛速度小于条件收敛速度，验证了旅游全要素生产率差距不断缩小的客观事实，与赵磊的研究结论相似[33]；空间因素对收敛速度具有加速作用，即旅游全要素生产率的空间差异随时间推移表现为进一步缩小的趋势。3)东、中、西部区域旅游全要素生产率同样表现为空间收敛性，且各区域收敛速度存在差异。无论是经典收敛还是空间收敛，各区域的收敛速度均表现为西部>东部>中部的空间分布格局，空间收敛速度大于经典收敛速度，这与各区域的经济发展水平、旅游技术条件、资本流动性等有关。

根据以上实证结论提出以下对策建议：1)在旅游全要素生产率方面，推进由旅游内生效率驱动的旅游发展模式转变，实现技术效率和技术进步的双向驱动是核心问题。一方面，立足城市旅游资源特色，借助信息技术平台，以旅游消费需求为导向，精准定位多样化需求，实现旅游供需匹配并优化资源配置，从而减少旅游发展的“生产冗余”和盲目的“要素驱动”现象，实现效率最大化。另一方面，加速5G基站、旅游数据技术平台等新基建的建设与发展，进一步提升信息技术对旅游业务的嵌入作用，充分发挥其融合的创新效应和网络效应，进而实现旅游业的“内涵式”建设。2)在空间收敛方面，区域旅游需考虑空间溢出效应，推进技术扩散的广度和深度，深化区域合作。首先，借鉴“分层网络协同发展”思路，逐渐形成“增长极—增长群—增长区域”的空间合作发展道路，调整区域旅游空间发展结构。其次，发挥高值区对低值区的溢出效应和辐射带动作用，建设相宜联动的合作机制并促进交流与合作；低值区积极借鉴吸收管理经验和技术知识信息，选择性吸收与融合并加强人才资本质量培养与引进，提升生产效率。再者，制度环境是制约生产效率提升的重要因素，政府需为空间相互作用的实现创造条件，运用行业政策引导其增长方式实现集约式转变。3)在区域空间差异方面，各区域需因地制宜制定符合自身发展的旅游发展战略或措施。东部区域旅游市场化程度和发展水平较高，生产效率提升更侧重于产业结构转型升级以及技术创新能力和管理效率的提升，并注重技术手段的迭代升级。中、西部区域需在“中部崛起”“西部大开发”等政策体系支持下，发挥其在劳动力、资源、政策等方面的优势，通过引进技术和管理经验等实现“追赶效应”；但中、西部区域在人才的综合素质和专业水平等方面依然存在短板，要注重人才培育与引进，提升整体人才资本质量。