基于DEA方法的智慧旅游城市效率及冗余分析

2023-04-20侯旭东

旅游纵览 2023年4期

侯旭东

摘要：本文首先阐述智慧旅游城市的概念，并且以申请专利授权数量和一般公共预算支出为投入指标，以旅游总人数和旅游总收入为产出指标，构建DEA模型对原国家旅游局于2012年公布的18个“国家智慧旅游试点城市”进行旅游业效率评价及冗余分析。其次，通过对测算结果进行分析，发现18个智慧旅游城市旅游业效率均不理想，并且大部分城市都出现了科技投入冗余及旅游总人数冗余。最后提出控制地区规模、加大科技对旅游业发展的倾斜力度及培养复合人才一系列建议，以提高各个智慧旅游城市的旅游业效率。

关键词：智慧旅游城市；DEA；效率研究；冗余分析

中图分类号：F592.7 文献标识码：A

引言

2010年，国际商业机器公司（International Business Machines Corporation，IBM）提出智慧城市的概念，将互联网、大数据、云计算等技术运用在城市规划、设计、建设、管理中，让城市的公共管理更加的高效互联，提高政府运作机制，为市民创造美好生活[1]。我国在发展智慧城市的背景下提出了智慧旅游城市这一概念，利用物联网、互联网、区块链等信息技术手段，围绕旅游产业，建立广泛覆盖和深度互联的城市信息网络，从而全面提升游客的吃、住、行、游、购、娱的智能化旅游体验，并为旅游管理和公共服务提供创新型决策依据及手段[2]。2012年，原国家旅游局公布了18个“国家智慧旅游试点城市”，包括北京、武汉、成都、福州、南京、大连、厦门、苏州、温州、烟台、洛阳、无锡、常州、南通、扬州、镇江、黄山、武夷山[3]。

国内从2003年起开始对于旅游业效率进行研究。2003—2007年为研究的起步阶段，此阶段的文献数量不到10篇；2007—2011年，随着旅游学者对旅游业效率的重视，其相关的文章数量也逐渐提高，其测算方法主要是数据包络分析（Data envelopment analysis，DEA）和随机前沿方法（Stochastic Frontier Approach，SFA），此阶段也被认为是研究的探索阶段。2011年，“十二五”规划将旅游业正式定为国民经济战略支柱产业，研究旅游业效率的文章也大幅增加，方法也逐渐多样[4]。然而当前对于旅游业效率的研究主要还是定量研究，研究方法也主要采用SFA、DEA和改进型DEA[5]。

本文使用数据包络分析的方法，以各市专利授权数及一般公共预算支出为投入指标，以各市旅游总人数和旅游总收入为产出指标，对18个智慧旅游城市旅游业效率及投入产出冗余进行分析，并针对分析结果给出针对性的建议。

一、指标体系及评价模型

（一）指标确定及数据来源

截至目前，智慧旅游城市的旅游效率评价，其体系尤其是评价指标的选取并不确定，但有不少学者也开始进行了相应的研究，建立合理的评价指标。通常的效率评价指标考虑的是人、财、物的投入，产出为收入或利润。而智慧旅游城市的旅游业效率评价指标在考虑资本及劳动力投入的同时，还需要考虑科技创新研究的投入。结合之前学者对智慧旅游城市评价的研究以及数据包络分析方法对指标的限制，其指标的选取原则：①科学性，其指标的选择依据科学的态度，借鉴前人的研究基础及结果，并结合数据包络方法对指标的限制条件，即DMU≥max{p×q，3（p+q）}，对一系列指标进行客观及合理的取舍，使评价结果可信度更高、科学性更强；②相关性，智慧旅游城市在旅游产业的发展上除了投入资本及劳动力，还要考虑科技创新指标，因此其产出指标也应该与旅游收入及旅游获益相关；③可获取性，其效率评价指标的选取应该真实可信，其来源不仅与社会发展水平相关还应该考虑数据的可获取性及权威性，能够真实反映测算出来的结果。

故本文DEA模型的投入和产出指标如表1所示。其数据来源于各个城市的统计年鉴。目前各个城市只公布了2021年统计年鉴，其数据为2020年数据，所以本次分析只对18个智慧旅游城市2020年的数据进行静态分析。

（二）模型评价

二、效率测算结果

（一）指标描述性分析

本文选取的是18个“国家智慧旅游试点城市”包括北京、武汉、成都、福州、南京、大连、厦门、苏州、温州、烟台、洛阳、无锡、常州、南通、扬州、镇江、黄山、武夷山。其投入指标为2020年各个城市的旅游总人数、旅游总收入，其产出指标为专利授权数、一般公共预算支出。数据来源于各个城市2021年统计年鉴，各指标描述性统计分析如表2所示。

18个城市旅游总人数均值为8 513.36万人次，最大值为武汉25 911.90萬人次，最小值武夷山1 078.57万人次，标准差6 427.05万元。旅游总收入均值1 220.23亿元，最大值为成都3 005.20亿元，最小值228.89亿元，标准差为875.04亿元。专利授权数均值46 487件，最大值北京162 824件，最小值武夷山255件，标准差42 780件。一般公共预算支出均值14 232 028.89万元，最大值北京71 161 762万元，最小值武夷山295 957万元，标准差15 249 500.80万元。由此可见，由于城市规模的不同，指标之间的差距也较大，其投入及产出指标较大的均为二线以上的城市，其中北京的两个投入指标均为最大值，而武夷山的投入和产出指标均为最小值。

（二）指标相关性分析

使用SPSS软件对选取的投入产出指标进行相关性分析，其结果如表3所示。结果表示各指标之间均呈正相关，指标之间相关系数最小值0.542，最大值0.931，其中专利授权数与旅游总人数之间的相关系数为0.542，与旅游总收入之间的相关系数为0.754。一般公共预算支出与旅游总人数之间的相关系数为0.642，与旅游总收入之间的相关系数为0.767。证明本文所选取的指标较为合适，可用于数据包络分析进行效率测算。

（三）模型测算结果

根据投入与产出数据，运用DEAP 2.1软件VRS计算的智慧旅游城市旅游业效率结果如表4所示，由其结果可以看出，所测决策单元旅游业效率均不理想，综合技术效率平均值为0.259，纯技术效率平均值为0.670，规模效率平均值为0.359，纯技术效率为1的城市有武汉、成都、黄山、洛阳、武夷山，说明在目前的技术水平上，抛开规模效率，其投入资源的使用对这5个城市是有效果的。然而综合技术效率为1的只有武夷山一家，说明武汉、成都、黄山、洛阳这4个城市由于智慧城市的建设较早，且城市规模大，此时处于规模无效的状态，所以即便纯技术效率有效，但是综合技术效率仍然无效，其改进的重点应该放在提升规模效益上面。除了武夷山规模报酬不变，其他的17个智慧旅游城市均为规模报酬递减的状态，其原因主要为城市规模较大，管理上效率下降，导致生产要素按相同比例同时增加时，产量增加的比例小于投入要素的变化比例。除武夷山外，所有的智慧旅游城市的旅游业效率都没有达到最优，甚至大多数都处于很低的水平，在旅游业方面的科技和资金投入都没有达到最优配置。

三、冗余分析

（一）投入冗余

同样通过数据包络分析测算出科技投入冗余和资金预算投入冗余，如表5所示，可以看出大多数智慧旅游城市都存在科技投入冗余，说明城市的科技投入没有完全运用到旅游产业的发展当中，在智慧旅游方面，不够重视科技创新。

其投入冗余比例如表6所示，科技投入冗余在17%以上的城市浙江省有1例为温州，江苏省有5例分别为南京、苏州、无锡、常州和扬州。说明在智慧旅游城市中，江浙地区的科技创新投入虽多，但重点不在旅游业方面。财政预算投入冗余仅北京市，且冗余比例较低，说明财政预算的投入方面没有出现投入浪费且投入效率较好。

（二）产出冗余

产出冗余如表7所示，可以看出只有旅游总人数出现产出冗余，而旅游总收入没有出现冗余，表明2020年采取的一系列政策对人们外出旅游造成不小的影响，50%智慧旅游城市的旅游总人数没有达到最优状态。

其产出冗余比例如表8所示，冗余比例在17%以上的城市有北京、大连、南京、苏州。表明特殊时期管控政策对大城市尤其是二线以上的城市影响较大，旅游总人数受限。

四、建议

（一）控制地区规模

由效率测算结果可以看出，除武夷山以外所有的智慧旅游城市都处于规模报酬递减状态，影响投入效益的产出。因此不可盲目扩充规模，造成资源的浪费和公共管理方面的滞后。应合理调整城市发展的规模结构，提升管理效率，健全制度机制，使收益最大化，实现最优水平。

（二）倾斜科技力度

由投入冗余可以看出，大部分智慧旅游城市在科技创新投入方面力度不小，但其重点没有放在旅游产业方面，所以在旅游业效率方面出现冗余状态，政府应该制定相应政策，鼓励对旅游产业科技创新的投资，关注旅游业发展，加大对旅游产业的科技扶持力度，更好地实现旅游智慧化，从而提升旅游产业效益及旅游业的服务质量，同时还能提高旅游管理水平。

（三）培养复合人才

互联网时代及大数据时代，传统的旅游人才培养方案已经不能满足社会对人才的需求。高校在培养旅游人才和在职旅游从业者的继续教育方面，要结合实际需要和社会的整体发展需求，培养懂得互联网技术及大数据技术同时具备旅游服务素质的人才。