孙 婧, 吴忠才

(湖南理工学院 经济与管理学院, 湖南 岳阳 414006)

0 引言

旅游流可以从广义和狭义两个维度进行理解, 广义上是指客源地与目的地, 或者目的地内部之间单向、双向旅游客流、信息流、资金流等各种流的集合; 狭义上是指旅游者的流动.本文从狭义维度出发, 以关注旅游客流量为主.旅游流的研究最早以定性研究为主.Pearce[1]首次提出旅游流的概念, 认为旅游流不是随机分布的, 受到国与国之间的吸引力、旅行成本等因素的影响; Matley[2]进一步指出旅游流的分布具有不平衡性, 其主要原因以各国的气候、政治、货币兑换率等因素为主.

目前旅游流研究主要围绕四个方面展开.第一, 旅游流时空网络结构研究.有从旅游流网络结构空间分布特征入手的, 比较不同地区的分布特征和整体聚散趋势[3]; 有从网络中每个节点的聚散能力入手的, 寻找核心与边缘节点, 划分出凝聚子群[4]; 也有从旅游流网络的时间变化趋势出发, 总结时空变化特点, 预测未来结构变化趋势[5].第二, 旅游流流量的模拟统计与预测.预测分析方面主要是模型选用不同, 有的采用自适应粒子群算法对长短期记忆(LSTM)神经网络进行优化, 建立景区旅游流量预测模型[6]; 有的基于灰色预测模型进行评估和改善, 构建了GM(1,1)优化模型, 提高了预测精度, 扩大了模型的适用范围[7]; 有的提出了一种将统计方法与BPNN 模型相结合的旅游流量预测智能模型系统[8]; 有的构建线性回归, 采用自回归分布滞后模型(ADLM), 通过旅游流自身波动情况进行未来流量的预测[9].第三, 旅游流的影响因素与推动力.影响指标的选择可归纳为旅游者自身条件因素(收入、受教育程度、年龄等)和旅游目的地、客源地的经济状况、基础设施、人口数量等, 然后运用多元线性回归, 计算各影响因素的正负性和程度[10,11].第四, 旅游流的扩散效应和带动效应[12].旅游流在不同地域之间呈现空间关联性特点, 旅游流的溢出效应是指本地区的旅游活动对邻近地区旅游流所产生的外部性影响[13], 可能是正面的促进作用, 也可能是负面的抑制作用[14,15].溢出效应的研究主要以定量研究为主, 有的运用缺口模型找出溢出因子对于溢出效应的作用机理[16], 有的运用因子分析法分析国内旅游流的集聚扩散效应[17].近年来, 有学者将空间计量模型引入到旅游流溢出效应研究中, 对比分析了全国入境和国内旅游流溢出效应[18], 以及雾霾对中国市域旅游流影响的空间效应[19], 为分析旅游流的空间差异性及影响因素提供了新的视角.

综上所述, 学者们对旅游流从不同维度, 采用不同方法展开分析, 但是仍然存在一定不足.第一,对于旅游流的研究范围往往较大且单一, 多以全国为研究范围, 考虑市域及以下区域范围的较少, 考虑某个城市群旅游流的相关性和差异性的分析更是少之又少.第二, 对于旅游流的时空分异及影响因素的研究多以简单的线性回归为主, 没有考虑其空间的相关性与溢出效应, 对旅游流产生的直接效应和间接效应关注度不够, 导致研究结论存在一定的偏差.本文选取长三角城市群旅游流作为研究对象, 分析2010—2018年长三角城市群旅游流时空分布的差异性和相关性, 运用空间计量杜宾模型将旅游流的影响因素空间化, 以弥补旅游流空间溢出效应分析的不足, 为推动区域旅游业协调平稳发展提供一定的参考性建议.

1 研究方法与数据来源

1.1 研究方法

1.1.1 空间自相关检验

“空间自相关”可理解为经济或地理距离相近的区域之间, 其变量的取值具有一定的相关性.如果区域变量是高值与高值集聚或低值与低值集聚则可称该区域存在“空间正相关性”; 如果区域变量是高值与低值集聚则称该区域存在“空间负相关性”.本文采用当下最流行的莫兰指数进行相关性检验.莫兰指数检验可分为全局和局部莫兰指数, 全局莫兰指数(global Moran’sI)的表达式为

其中S2表示样本方差,n为样本城市的个数,wij表示i地区与j地区之间的空间权重.本文选取的是01 邻接矩阵, 即如果区域i与区域j有公共边界或节点, 则wij= 1; 反之, 则wij= 0.全局莫兰指数I的取值范围为[−1,1], 当I∊ (0,1]时, 表示空间正相关, 当I∊[- 1,0)时, 表示空间负相关, 当I= 0时, 表示空间呈随机分布的状态.

但是全局莫兰指数只能观测研究区域整体的正负相关性, 无法识别局部“热点”和“冷点”区域.局部莫兰指数(local Moran’sI)的表达式为

当Ii取值为正时, 表示区域i的高值被周围的高值所包围或低值被周围的低值所包围; 当Ii取值为负时, 表示区域i的高(低)值被周围的低(高)值所包围.

1.1.2 空间面板杜宾模型

在空间计量经济学中, 最常见的三种模型分别是: 空间滞后模型(SLM)、空间误差模型(SEM)和空间杜宾模型(SDM).SDM 模型可简化为空间滞后模型(SLM)或空间误差模型(SEM), 它同时考虑了解释变量和被解释变量的空间依赖效应, 更具一般性特征.SDM 模型的表达式为

其中Y与X分别为因变量和自变量;σWX和λWY分别表示邻居自变量和因变量的空间滞后变量;σ、λ、β即为相应的系数;μ、ν分别为个体效应、时间效应;ε为独立同分布的随机误差项.如果λ= 0 且σ≠ 0, 则SDM模型可简化为SLM 模型; 如果σ+βλ= 0, 则为SEM 模型.

1.2 指标选取与数据来源

选取2010—2018年长三角地区26 个城市的国内游客数量作为因变量.对于旅游流的影响因素, 从五个方面展开分析: 第一, 区域经济发展水平(PGDP), 选取人均GDP 作为经济发展水平的衡量指标[20].第二, 市场规模(POP).以各地区每年常住人口数量作为旅游市场规模的衡量指标.第三, 旅游基础设施(HOTEL、TOUR、ROAD).旅游基础设施主要包括三个方面: 一是星级宾馆饭店(HOTEL).由于各酒店床位数量难以统计, 所以只选取星级宾馆饭店数量作为要素值.二是旅行社(TOUR).旅行社是旅游客源的组织者, 是连接旅游服务供应部门和旅游消费者的纽带.三是交通运输条件(ROAD).旅游者到目的地观光的基础物质条件是交通设施, 旅游目的地的交通条件影响着游客的可进入性, 故选取公路网密度作为交通运输条件的指标.第四, 旅游资源禀赋(RESOURCE).搜集长三角地区各城市拥有的2A 级及以上旅游景区的数量, 参考袁媛[21]、李莹英[22]等对于旅游资源禀赋的赋值方法, 对各市等级景区进行加权和表征.第五, 外商投资(INS).外商投资能够间接提升某地区旅游发展质量和吸引力, 故运用各市各年份外商直接投资总额进行表征.

实证研究采用2010—2018年长三角城市群所包含的25 个地级市和一个直辖市(上海)的面板数据.数据来源于各市《国民经济和社会发展统计公报》、《中国城市统计年鉴》、Wind 经济数据库和城市旅游局官方网站等.此外, 由于数据存在量纲、数值量级不一致, 本文对所有变量进行了标准化处理.

2 长三角城市群旅游流的时空分异与空间自相关检验

2.1 长三角城市群旅游流的时空分异

为揭示长三角城市群旅游流的整体分布格局和演化规律, 运用ArcGIS 10.7, 将2010年和2018年的长三角城市群国内客流量可视化(图1).研究发现: 首先, 从整体上来看, 长三角城市群旅游流有逐年增长的趋势.但是各个城市旅游流存在明显的差异性, 旅游流的分布呈现“东南高西北低”的局面, 并且空间格局存在着不同层级的“核心—边缘”演化特点.其次, 从时间维度和空间距离的角度来看: 2010年26个城市中, 上海的旅游流位居首位, 接下来依次是距离上海较近的苏州、无锡, 还有杭州和南京.到2018年以后,旅游流排名前五的城市, 周边邻近的城市旅游流显著增加, 比如与上海、苏州空间邻近的湖州、嘉兴的旅游流增长速度远远高于宣城、盐城等距离较远的城市; 总之, 旅游流存在正向空间溢出效应, 旅游流较高的城市能带动旅游流较低的城市共同发展, 其带动效应明显.

图1 不同时期长三角城市群国内旅游流

2.2 长三角城市群旅游流的全局自相关检验

通过Geoda 计算长三角城市群旅游流2010—2018年全局莫兰指数I(表1), 探索近年来长三角城市群旅游流的总体空间集聚状态.从表1 可看出, 各年份长三角城市群旅游流全局莫兰指数均为正数, 其数值在0.117～0.183 之间波动, 并且均通过了5%的显著性检验, 这表明长三角城市群旅游流存在着显著的正向空间相关性, 反映出长三角地区26 个城市之间的旅游流存在集聚现象.

表1 长三角城市群旅游流的全局莫兰指数值

进一步细化分析各年份数值, 可发现2011年长三角城市群旅游流达到了峰值, 这是国家推进长三角一体化, 推动各城市联合发展的结果, 使该年城市群旅游流的集聚程度最大化.到2013年, 全局莫兰指数下降到了近年来的最低值, 说明2012—2013年长三角旅游流的空间相关性在不断减小, 这是因为长三角地区各城市政府为提升自身旅游产业的竞争力对旅游产业结构进行调整, 导致了各城市游客吸引力分散化.2013—2018年旅游流的全局莫兰指数值呈逐年上升的趋势, 说明长三角城市群旅游流的空间关联性不断增强.

2.3 长三角城市群旅游流的局部自相关检验

从全局莫兰指数I来看, 长三角城市群旅游流是具有空间相关性的, 但无法从全局空间相关性检验中看出各城市冷热点的分布, 这就需要进行局部的空间相关性检验.限于篇幅, 只绘出长三角地区2010年和2018年26 个城市旅游流的局部莫兰指数散点图(图2).

从图2 可看出大多数的城市都位于第一和第三象限, 说明长三角城市群的旅游流存在着明显的正向空间相关性.在2010年(图2(a))中位于第三象限的城市最多, 包括14 个城市(占比为53.8%), 然而第一象限仅包括苏州和上海两个城市(占比为7.69%), 说明2010年长三角地区大部分城市客流量处于较低水平, 并且长三角地区城市群之间旅游发展差异较大.到2018年(图2(b)), 第一象限的城市从2个增加到了7 个, 包括与上海和苏州邻近的嘉兴、从第四象限跳转到第一象限的宁波以及与宁波邻近的绍兴、金华和台州, 说明了高值旅游流地区带动了周边旅游流的发展, 并以地理位置为主要依据形成了多个集群.

图2 不同时期长三角城市群旅游流局部莫兰指数散点图

3 长三角城市群旅游流的空间计量实证分析

3.1 空间模型的检验与识别

根据表2 检验结果发现, SEM 与SLM 模型的拉格朗日乘子检验(LM)均在1%水平上显著, 但是SLM的稳健拉格朗日乘子检验(Robust LM)并没有通过显著性检验, 说明SEM 模型更优于SLM 模型.但是仅仅使用SEM 会忽略自变量的空间项WX和因变量的空间滞后项WY造成模型遗漏变量偏差, 模型估计量不再具有一致性[23].反之, 如果只是忽略了扰动项的空间依赖性, 模型仍然是无偏估计, 只是会产生一定的效率损失.SDM 作为SEM 的一般形式, 是能得到无偏系数估计的模型.因此, 需要结合LR 检验进行模型的最优化选择, 考察SDM 是否可以简化为SEM.由LR test spatial error 检验在1%水平上显著可知,SDM 不可简化为SEM.SDM 空间面板模型又可分为固定效应模型和随机效应模型, 通过Hausman 检验统计值为22.98(P= 0.002)拒绝了无固定效应的原假设, 应选择具有固定效应的SDM.固定效应包括时间固定效应、空间固定效应和双固定效应, 通过联合显著性检验可知LR test ind 统计值为12.77(P= 0.078), 不能拒绝原假设, 所以本文最后选择具有空间固定效应的SDM 模型进行实证研究.

表2 空间计量模型检验

3.2 空间计量参数估计结果分析

表3 列出了随机效应、空间固定效应、时间固定效应和双固定效应四种SDM 模型的回归结果.经比较分析, 可发现空间固定效应SDM 的R2和Log-L的数值分别为0.833 和450.626, 均大于其他三个模型,说明空间固定效应SDM 模型的拟合程度最高, 再次证明了选用该模型的正确性.但是所得到的自变量回归系数并不能直接反映对因变量的影响程度, 所以不能直接从数值的大小进行分析, 只能从系数的正负性来分析其对于被解释变量的影响.

表3 长三角城市群旅游流的SDM 回归结果

从旅游流的影响因素角度分析, 可发现旅游基础设施中的旅行社数量、旅游资源禀赋以及外商投资均对本地旅游流有正向促进作用, 但其作用强度存在明显差异.对于影响因素的空间交互作用, 除了W×TOUR 和W×ROAD 以外, 其他影响因素的空间效应都至少通过了10%的显著性水平检验, 但是其影响的正负性并不相同.W×RESOURCE、W×POP 的回归系数为正数, 说明了邻近地区旅游资源越丰富、旅游市场规模越庞大, 对于本市旅游流的促进作用越明显.W×HOTEL、W×TOUR、W×INS 以及W×PGDP的回归系数为负数, 说明邻近地区基础设施越完备、经济越发达、外商对于其地区旅游业的投入越多, 会对本市旅游业的发展产生一定的竞争效应和过道效应, 抑制本市旅游客流量的增加.

3.3 空间效应分解分析

空间固定效应SDM 所得到的回归系数不能直接表示边际效应, 所以运用偏微分分解的方式将自变量对因变量的影响分解为直接效应、间接效应和总效应, 结果见表4.

表4 长三角城市群旅游流的空间效应分解

在直接效应中, TUOR、RESOURCE 和INS 三个解释变量对于本地区旅游流的影响较为显著, 均通过了1%显著水平检验.其中TOUR的回归系数最大为0.753, 表明旅游基础设施中的旅行社每增加一个单位,会让本地区旅游流增加0.753 个单位.而本地区的旅游资源禀赋和外商投资每增加一个单位, 会让本地区旅游流分别增加0.196 和0.15 个单位.TOUR 的直接效应说明了本地区自身基础设施的建设对于本地区旅游业的发展起到了至关重要的作用.

在间接效应(又称溢出效应)中, 不同因素对旅游流的正负性影响不同.RESOURCE和POP的溢出效应对旅游流的增长产生了积极作用, 其回归系数分别为0.468 和0.886, 表明邻近地区的旅游资源增加一个单位或者市场规模扩大一个单位, 本地区的旅游流会相应增加0.468 或0.886 个单位.INS、PGDP 和HOTEL的溢出效应对旅游流的增长产生了消极作用, 并且INS 的间接效应负面影响最大, 其回归系数为−0.396,表明邻近地区的外商投资增加一个单位会导致本地区的旅游流减少0.396 个单位.邻近地区经济发展水平提高一个单位或旅游基础设施中的星级宾馆饭店数量增加一个单位, 会导致本地区旅游流0.236 个单位或者0.265 个单位的下滑.

在总效应中, 市场规模对长三角旅游流的影响最大, 当市场规模增加1 个单位时, 长三角旅游流增加1.051 个单位.其次是旅游资源禀赋, 当旅游资源增加一个单位时, 长三角旅游流会增加0.664 个单位.但是PGDP 的回归系数为负数−0.227, 说明了区域经济发展不平衡, 省会城市或直辖市经济发展过快会产生一定的虹吸效应, 抑制周边地区的发展, 最后导致长三角区域旅游业发展不平衡, 对长三角地区整体的旅游流产生消极影响.

4 结束语

本文以长三角地区26 个市域单元作为研究对象, 借助ArcGIS10.7 可视化分析、全局莫兰指数和局部莫兰指数空间相关性检验、空间杜宾模型以及空间效应分解等方法, 分析了长三角城市群2010—2018年旅游流的时空分异与溢出效应.研究表明: 第一, 长三角城市群旅游流的空间结构呈现“东南高西北低”的局面, 并且存在着不同层级的“核心—边缘”演化特点.从直观的角度来看, 旅游流较高的城市能带动旅游流较低的城市共同发展, 其带动效应明显.第二, 长三角城市群旅游流表现出正向空间自相关, 高值旅游流地区带动了周边旅游流的发展, 并以地理位置为主要依据形成了多个集群.第三, 通过一系列空间模型的识别检验, 选择空间固定效应的SDM 作为长三角城市群旅游流影响因素及溢出效应的解释模型.第四,在模型的空间效应分解中, 本地区旅游基础设施中的旅行社数量、旅游资源禀赋和外商投资都对本地区的旅游流有直接的推动作用.在溢出效应中, 外商投资的间接效应负面影响最大, 人口规模的溢出效应成为了旅游流增长最积极的因素.在长三角旅游流的整体驱动因素中, 市场规模成为旅游流增长的核心积极因素.但是需要注意的是, 并不是区域经济越发达旅游客流量就越大, 区域经济平稳发展, 才能抑制虹吸效应, 促进长三角地区旅游流整体的发展.

基于以上分析, 为推动长三角城市群区域旅游的均衡发展, 可以从以下几个方面加强: 第一, 加强城市群区域之间的合作, 整合区域旅游资源共同发展.长三角的旅游区域可以划分为以上海为核心的东部区域、以杭州为核心的东南区域、以南京为核心的中部区域和以合肥为核心的西部区域, 可以发挥这四个核心区域所具有的商业中心、海洋资源丰富、名胜古迹丰富、美食文化历史悠久等特点, 并将这些优势资源进行整合, 形成具有长三角城市群特色的旅游项目, 避免因竞争产生的内耗和过道效应, 带动长三角地区旅游的整体发展.第二, 加强对已有旅游资源的保护, 适度开发新兴旅游资源.从模型空间效应分解可看出, 旅游资源禀赋对长三角旅游流的直接效应、溢出效应和总效应都起到了积极促进作用.所以地区间的旅游资源是吸引游客的关键因素之一, 对原有的旅游资源禀赋加以保护也是更好地利用资源的前提.与此同时, 在保护周围环境的前提之下, 适当开发新兴旅游资源, 为该地区带来更多的旅游财富和效应.第三, 加强旅游业的基础设施建设, 改善区域旅游环境, 树立旅游品牌形象.提高城市交通便利程度, 优化游客接待能力, 比如增加星级宾馆饭店数量、旅行社的投入.当然旅游基础设施的投入需要大量的资金作为基础, 形成地区旅游文化特色和品牌效应, 吸引更多的投资, 进一步缩小区域旅游的差异性, 优化长三角地区旅游的整体发展空间格局.