高嘉诚,刘钥

(白俄罗斯国立大学哲学与社会科学系, 白俄罗斯 明斯克 220030)

0 引言

互联网作为数字时代的底层技术,不仅深刻地改变了人们的生活状态与生活方式,还对我国经济社会发展与人民生活品质改善产生了重要影响[1],其带来的数字红利将不断提高我国居民的整体收入水平.根据马斯洛的人类需求理论,当居民收入水平高于其基本生存需求支出时,将会追求更高层次的消费需求,促进消费升级,旅游消费属于需求层次中较高层次的需求,也是释放消费升级潜能的重要场景.居民通过旅游不仅可以有效配置其闲暇时间,释放工作压力,还能够带动旅游地区的消费经济,刺激周边市场,提供新机遇与新动力.而学界当前对此研究较少,更多的是研究家庭收入、学历水平、家庭资产对家庭旅游消费的影响,普遍认为家庭收入与学历水平越高、家庭资产越多,家庭旅游消费就越高[2-6].关于互联网使用对家庭旅游消费影响的研究较少,并且主要聚焦研究互联网使用对整体家庭旅游消费的影响[1,7],很少讨论地区差异性.此外,学界在研究该议题时,对样本选择偏差与样本自选择偏差关注较少,很可能导致结论不具稳健性.为此,本研究基于2017年中国综合社会调查数据,通过使用局部线性匹配与Heckman两阶段模型控制样本选择偏差以及样本自选择偏差,从微观家庭层面检验互联网使用将对地区家庭旅游出行决策与消费支出产生怎样的影响,采用RIF均值回归分解方法对地区家庭旅游消费差距进行回归分解以探索互联网使用将对该差距产生怎样的影响.

1 理论分析与研究假设

在获得一段满意的旅行经历后,居民家庭会扩大其旅游消费需求,持续追求更加具有体验感的旅行经历,互联网为这种需求的释放提供了强大的引力[8].一方面,在数字时代背景下,大部分潜在游客在旅行前都将借助于旅游网站进行信息搜索,各类搜索网站可以帮助人们在海量信息中搜寻到所需要的信息[8],旅游网站逐渐成为传播旅游信息资源的重要渠道与主要参考[9].另一方面,借助于互联网这项底层技术,社交应用的移动化与全民化趋势不断加强.“微信”便是众多社交应用中的佼佼者[10],借助其朋友圈功能,更多的旅游经历发布、景点推介、攻略推文分享以及旅游产品销售等各类具有刺激性的旅游信息将被分享,这会对居民家庭旅游消费决策产生很大的影响[10].这类信息也被称为“炫耀性旅游消费”信息,一定程度的炫耀性旅游消费的存在不仅符合旅游消费的特征,同时也是顺应时代发展,提振旅游经济所必须的.此外,互联网能够记录用户检索偏好及其行为特点,主动向其推送个性化的服务.一旦居民家庭在互联网上搜寻过旅游信息,此后大量旅游信息将会被定期推送[8],刺激居民家庭做出反应行为.基于此,提出如下假设:

假设1a:互联网使用提高了家庭做出旅游出行决策的可能性;

假设2a:互联网使用有助于促进家庭旅游消费.

但需要注意的是,我国地区间互联网的使用规模目前存在较大差距.据国家统计局数据显示,截止2020年末,东部地区互联网宽带接入用户达到22 280.1万,移动互联网用户达到62 579.1万,而中部地区与西部地区这两项数据则分别为13 470.4万、36 610.9万与12 604.2万、35 661.8万.东部地区互联网发展与使用规模整体远高于中部与西部地区,这很可能导致互联网使用对家庭旅游消费产生地区差异性影响.基于此,提出如下假设:

假设1b:互联网使用对于家庭旅游出行决策的影响存在地区差异性;

假设2b:互联网使用对于家庭旅游消费的影响存在地区差异性;

假设3a:互联网使用扩大了东部与中部地区家庭旅游消费差距;

假设3b:互联网使用扩大了东部与西部地区家庭旅游消费差距.

2 研究设计

2.1 数据来源本研究数据来源于2017年中国综合社会调查数据(Chinese general social survey,CGSS).中国综合社会调查由中国人民大学中国调查与数据中心发起并负责执行,该调查采用多层概率抽样,对中国大陆各省市自治区10 000多户家庭进行调查,因而样本选取具有相当公信力.剔除缺失数据后,得到有效样本2 747个.

2.2 变量选择

2.2.1 因变量 本研究的第一个因变量为家庭旅游出行.通过问卷调查中相应的问题“在您全家去年全年的总支出中,旅游消费支出有多少?”来判定.将去年有过家庭旅游消费支出赋值为1,将去年没有家庭旅游消费支出赋值为0.本文中的第二个因变量为家庭旅游消费.通过问卷调查中相应的问题“在您全家去年全年的总支出中,旅游消费支出有多少?”来测度.

2.2.2 自变量 本文中的自变量为互联网使用.通过问卷调查中相应的问题“过去一年,您家对于互联网的使用情况”来测度.该问题选项包括“从不”“很少”“有时”“经常”和“非常频繁”,将“经常”和“非常频繁”赋值为1,“从不”“很少”“有时”赋值为0.

2.2.3 控制变量 遵循已有研究,结合问卷调查的实际情况,本文中纳入若干控制变量,其中家庭人口层面的控制变量包括教育年限(户主受教育年限:未接受过教育=0,私塾扫盲班/小学=6,初中=9,职业高中/普通高中/中专/技校=12,大专=15,本科=16,研究生及以上=19)、年龄(受访者的实际年龄)、婚姻状况(户主已婚/同居=1,未婚/离婚/分居=0)、家庭人口(家庭常住人口数)、未成年子女(家中有未成年子女=1,无未成年子女=0)、户籍状况(户主户籍为农村户口=1,城镇人口=0);家庭资产层面的控制变量包括家庭收入(家庭去年全年的收入情况)、房屋资产(家庭有房产=1,无房产=0)、家用汽车(家庭有家用小轿车=1,无家用小轿车=0)、家庭投资(家庭从事投资活动=1,未从事投资活动=0).

2.3 描述性统计按照国家统计局最新标准进行区域划分,将样本分别划分为东部地区、中部地区与西部地区.上述变量的描述性统计见表1.

对比表1统计结果可知,各地区样本的因变量与自变量均存在明显差异.因变量方面,东部地区57.2%的家庭有过旅游出行,家庭旅游消费年均值为7 657.016元,而中部地区和西部地区分别仅30.1%和27.7%的家庭有过旅游出行,家庭旅游消费年均值分别仅为1 415.853元和1 191.588元,中部地区和西部地区无论是旅游出行率还是旅游消费支出均远低于东部地区.自变量方面,东部地区62.5%的家庭经常使用互联网,而中部地区和西部地区分别仅41.0%和39.8%的家庭经常使用互联网,中部地区和西部地区与东部地区存在较大的互联网使用禀赋差距.

此外,各地区样本的部分控制变量同样存在明显差异.如东部地区家庭户主学历水平均值为11.577年,而中部地区和西部地区仅分别为9.416年和9.448年.东部地区仅30.8%的家庭户主为农村户籍,而中部地区和西部地区则高达63.8%和67.9%.东部地区家庭年均收入为125 501.431元,而中部地区和西部地区仅分别为50 535.856元和47 008.176元.东部地区39.6%的家庭有家用汽车,而中部地区和西部地区仅分别22.2%和24.5%的家庭有家用汽车.东部地区20.7%的家庭从事投资活动,而中部地区和西部地区仅分为5.9%和2.4%的家庭从事投资活动.

综上所述,中部地区和西部地区与东部地区家庭存在较大的禀赋差距,这意味着实证分析互联网使用对家庭旅游消费影响的过程中,不仅应当对样本进行得分匹配以尽可能消除样本自选择偏差,还应当对匹配后的样本进行Heckman两阶段估计以尽可能消除样本选择偏差,充分考察互联网使用对家庭旅游消费影响的地区差异性.

2.4 模型设定家庭旅游消费是否可以被观测到,取决于家庭是否有过旅游出行,即家庭是否旅游出行的变量对家庭旅游消费的变量产生“样本选择”问题.为了消除可能存在的样本选择偏差问题,本研究采用Heckman两阶段模型予以解决.第一阶段运用Probit模型估计家庭旅游出行选择方程,并计算逆米尔斯比率;第二阶段将逆米尔斯比率作为解释变量加入家庭旅游消费结果方程,利用OLS估计纠正样本选择偏差问题.

第一阶段家庭旅游出行选择方程的设定如式(1)～(2).TCOTi是二值因变量,取1时表示家庭有过旅游出行,取0时表示家庭没有过旅游出行.TCOTi的取值取决于潜变量TCOTi*;INTi表示互联网使用,Xi表示一系列控制变量,α0、α1与α2为待估参数,εi表示随机干扰项.

TCOTi=(TCOTi*≥0)

(1)

TCOTi*=α0+α1*INTi+α2*Xi+εi

(2)

第二阶段家庭旅游消费结构方程设定如式(3)(4).式(3)表示家庭是否有过旅游出行对家庭旅游消费产生了样本选择偏差.其中,TCi表示家庭旅游消费.如果家庭有过旅游出行,则家庭旅游消费可以被观测到;否则,家庭旅游消费不可观测.式(4)中,Zi表示一系列控制变量,λi是逆米尔斯比率,β0、β1、β2与β3为待估参数,μi表示随机干扰项.

(3)

TCi=β0+β1*INTi+β2*Zi+β3*λi+μi

(4)

如果回归模型式(4)中逆米尔斯比率λi的估计系数β3显著不等于零,则表明模型中存在样本选择偏差,此时如果直接运用OLS估计会导致估计偏差,而采用Heckman两阶段模型则可以得到一致性估计.

3 实证结果分析

为了使样本数据更加正态化,本文中对虚拟变量以外的变量均作取对数处理.此外,为了消除可能存在的样本自选择偏差,降低控制变量对Heckman两阶段模型估计结果的干扰,先基于Probit模型通过局部线性匹配对样本进行得分匹配,匹配前后各控制变量标准偏误绝对值的削减见表2.

表2 匹配前后各控制变量标准化百分比偏差变动

观察表2,各个控制变量在完成数据匹配后,均实现了较大程度的偏误削减.其中,户籍状况实现了最大程度的偏误削减,降幅达到94.2%,偏误削减幅度最小的控制变量为婚姻状况,但降幅也达到了49.7%.总体上看,各控制变量在匹配后均呈现偏误大幅缩减、丨T丨值大幅下降的趋势,这表明局部线性匹配较好地消除了处理组与控制组各控制变量的现实差异.因而,互联网使用具有随机性,样本自选择偏差得到较好控制.

3.1 家庭旅游出行选择方程的估计结果在消除样本自选择偏差后,本文中基于匹配后的数据,运用Heckman两阶段模型消除可能存在的样本选择偏差,相应估计结果见表3与表4.

表3 家庭旅游出行选择方程的估计结果

表4 家庭旅游消费结果方程的估计结果

观察表3全部样本的估计结果可知,在1%显著性水平上,互联网使用显著提升了家庭旅游出行的几率,根据互联网使用的系数0.346计算出风险几率比,显示经常使用互联网将使得家庭旅游出行几率提升41.3%,这验证了假设1a.此外,λ在1%的水平上显著不为0,表明存在样本选择偏差,使用Heckman两阶段模型估计全部样本是适当的.控制变量方面,教育水平、婚姻状况、家庭收入、家用汽车与家庭投资均对家庭旅游出行产生正向影响,提升了家庭旅游出行的几率,但婚姻状况不显著;年龄、家庭人口、未成年子女、户籍状况与房屋资产均对家庭旅游出行产生负向影响,但仅年龄与户籍状况显著.

进一步观察表3东部地区、中部地区与西部地区样本的估计结果可知,互联网使用分别在10%、1%与1%显著性水平上提升了东部地区、中部地区与西部地区家庭旅游出行的几率,根据各地区互联网使用的系数0.197、0.452、0.426计算出风险几率比,显示经常使用互联网将使得东部地区家庭旅游出行几率提升21.8%,中部地区家庭旅游出行几率提升57.1%,西部地区家庭旅游出行几率提升53.1%,这验证了假设1b.此外,仅东部地区λ显著不为0,表明仅东部地区样本存在选择偏差,中西部地区样本不存在选择偏差.因此,在第二阶段家庭旅游消费结果方程的估计中,中西部地区直接使用OLS估计即可.

3.2 家庭旅游消费结果方程的估计结果观察表4全部样本的回归结果可知,在1%显著性水平上,互联网使用显著促进了家庭旅游消费,根据互联网使用的系数0.756,计算其弹性,显示经常使用互联网将使得家庭旅游消费提升113.0%,这验证了假设2a.

进一步观察表4东部地区、中部地区与西部地区样本的回归结果可知,互联网使用均在1%显著性水平上促进了东部地区、中部地区与西部地区家庭的旅游消费,根据各地区互联网使用的系数0.658、1.079、1.065计算其弹性,显示经常使用互联网将使得东部地区家庭旅游消费提升93.1%,中部地区家庭旅游消费提升194.2%,西部地区家庭旅游消费提升190.1%,这验证了假设2b.

综上所述,互联网使用对家庭旅游出行与家庭旅游消费的促进效应均表现为中部地区最强,西部地区次之,东部地区最弱.

需要注意的是,尽管互联网使用对中西部地区家庭旅游消费的促进效应均高于东部地区,但这也很可能是因为中西部地区互联网使用整体较低,目前正处于互联网使用收益递增阶段,而东部地区互联网使用整体较高,已经进入递减阶段.那么,东部地区与中西部地区互联网使用的差异是否会影响地区间的家庭旅游消费差距?如果影响,互联网使用对该差距的贡献如何?为此,本研究运用RIF均值回归分解方法对各地区家庭旅游消费差距进行分解,考察各地区互联网使用的差异将如何影响地区间的家庭旅游消费差距.

RIF均值回归分解方法是基于Oaxaca-Blinder分解方法的一种改进.根据本文中所设定的基准模型,可以将各地区家庭旅游消费的差距表示如下:

Δ=ElnTCt丨Xi=Xt-ElnTCc丨Xi=Xc=Xtγt-Xcγc=Xtγt-Xtγc+Xtγc-Xcγc

(5)

在式(5)中,Δ代表各地区家庭旅游消费的差距,Xt与Xc分别代表东部地区家庭与中西部地区家庭包括自变量与控制变量在内的一系列特征变量矩阵,γt和γc为待估系数向量.

对式(5)进行公因式提取,得到:

Δ=Xtβt-βc+(Xt-Xc)βc

(6)

在式(6)中,等式右边第一项为各地区家庭旅游消费差距中的系数差距,代表各地区家庭特征变量所引起的旅游消费动机与倾向差距;第二项为各地区家庭旅游消费差距中的特征差距,代表各地区家庭特征变量差距所引起的旅游消费差距.在此基础上引入再中心化影响函数方法(recentered influence function, RIF),利用这种方法,可以具体研究在均值条件下,第K个回归变量在系数差距和特征差距中的贡献.相应分解结果见表5与表6.

表5 东部与中部地区家庭旅游消费差距的RIF均值回归分解结果

表6 东部与西部地区家庭旅游消费差距的RIF均值回归分解结果

3.3 东部与中部地区家庭旅游消费差距的分解结果观察表5的特征差距可以发现,在1%显著性水平上,互联网使用的特征差距系数为0.201,占总差距的7.704%,表明互联网使用将通过产生禀赋差距效应,扩大中部地区和东部地区家庭间的旅游消费差距,这验证了假设3a.值得注意的是,尽管互联网使用的系数差距不显著,但影响方向为负,这很可能是因为当前中部地区正处于互联网使用收益递增阶段,而东部地区已经进入递减阶段,如果能够缩小中部地区与东部地区之间互联网使用的禀赋差距,互联网使用将很可能抑制系数差距效应,缩小中部地区和东部地区家庭间的旅游消费差距.

3.4 东部与西部地区家庭旅游消费差距的分解结果观察表6的特征差距可以发现,在1%显著性水平上,互联网使用的特征差距系数为0.208,占总差距的7.664%,表明互联网使用将通过产生禀赋差距效应,扩大西部地区和东部地区家庭间的旅游消费差距,这验证了假设3b.值得注意的是,尽管互联网使用的系数差距不显著,但影响方向为负,这很可能是因为当前西部地区正处于互联网使用收益递增阶段,而东部地区已经进入递减阶段,如果能够缩小西部地区与东部地区之间互联网使用的禀赋差距,互联网使用将很可能抑制系数差距效应,缩小西部地区和东部地区家庭间的旅游消费差距.

4 结论与建议

4.1 结论旅游消费作为拉动内需,促进绿色低碳发展,推动经济可持续性高质量增长的重要动力,如何促进旅游消费提升、确保各地区家庭旅游消费均衡发展是当前的重要议题.本研究利用2017年中国综合社会调查数据,深入分析了互联网使用对各地区家庭旅游消费差距的影响,主要结论如下:

1)互联网使用提升了家庭旅游出行的几率,但存在地区差异性,对中部地区提升效应最强,西部次之,东部最弱.

2)互联网使用促进了家庭旅游消费,但存在地区差异性,对中部地区促进效应最强,西部次之,东部最弱.

3)中西部地区与东部地区之间互联网使用的差距,扩大了中西部地区与东部地区家庭间的旅游消费差距.

4.2 建议基于以上研究结论,提出以下几点建议:

1)加速互联网基础设施建设,促进家庭旅游意愿形成.政府部门应当积极推动互联网基础设施建设,支持互联网发展.通过对互联网行业进行相应的政策补贴,激励其提高服务质量、降低相应费用,不断提高家庭互联网可及性,拓宽改善家庭获取信息渠道,促进家庭旅游意愿的积极形成.

2)构建良好互联网消费环境,激发家庭旅游消费潜能.政府部门应当动态总结提炼家庭旅游消费的新趋势,努力探究发现家庭旅游消费升级的新增长点,将互联网数字资源与旅游实体资源的高效对接,为激发家庭旅游消费潜能提供长期稳定的物质环境基础,确保家庭获得感、体验感不断提升.此外,旅游服务供给方也应更加关注家庭旅游消费的实际需求,引导和培育旅游内容消费、旅游体验消费、旅游智能消费等旅游消费新业态,促进旅游消费提质扩容.

3)缩小地区数字鸿沟,促进旅游消费协调发展.尽管中西部地区与东部地区在互联网基础设施建设方面存在差距,但本研究发现互联网对中西部地区家庭无论是旅游出行意愿还是旅游消费支出的刺激与冲击效应均强于东部地区,这些家庭在使用互联网后展现出巨大的消费潜力.因此,政府部门应加大财政投入力度,推进我国互联网基础设施建设与推广的同时,重点扶持中西部地区互联网基础设施的投资与建设力度,强化中西部地区家庭对互联网的使用,推进中西部地区旅游消费高速增长与升级,促进各地区旅游消费协调发展.