西南五省区区域旅游产业的空间效应分析

何 花 贾光宁

（①西藏大学经济与管理学院 ②西藏大学财经学院 西藏拉萨 850000）

一、引言

旅游业被誉为新世纪的朝阳产业和战略性产业，资源消耗低，带动系数大，综合效益好。2019年我国居民年均出游已达4次，休闲旅游成为我国城乡居民日常生活的重要组成部分。旅游业作为一个综合性产业涉及国民经济的多个行业和部门，具有产业关联度高、综合带动能力效应强的特点。曾国军和蔡建东（2012）研究发现旅游产业对国民经济的增长拉动作用显著。进入新世纪以来，中国旅游经济出现高速增长的态势,旅游收入年增长率超过10%，旅游人次年增长率超过15%[1]。

随着旅游产业对区域经济发展的贡献度的不断增强，越来越多的学者关注旅游发展和经济增长的关系问题。陈奉伟（2013）采用柯布－道格拉斯（C-D）生产函数研究了劳动力和资本对旅游贡献的增长程度[2]。杨立勋等（2013）选取西北五省区作为研究对象，发现促进其旅游产业的发展应注重资本和劳动力投入[3]。刘少和、梁明珠（2015）发现资源、资本、智力等因素对旅游产业有不同作用[4]。鲁欣和宋慧晶（2021）通过构造PVAR模型分析了2001-2019年山西省地级市旅游业发展、经济增长和居民生活水平的关系，发现山西省旅游发展与经济增长存在相互影响[5]。另外随着空间计量经济学的发展，空间面板模型被广泛引入到旅游产业分析中，最早刘佳（2013）研究了中国31个省级区域旅游产业集聚与旅游经济增长的空间相关[6]。吴玉鸣（2014）利用面板数据估计了资本和劳动对旅游经济增长的贡献，检验了旅游经济增长过程中的空间溢出效应[7]。陈刚强和李映辉（2017）通过构建地理权重回归模型探究了我国省域旅游经济及其子行业增长存在β趋同，技术溢出是增长趋同的主要原因[8]。侯志强（2018）以中国30个省域2001-2005年的面板数据为基础建立空间计量模型，探究了交通设施对区域经济增长效应的空间溢出效应，发现空间溢出效应占总效应大概3/4左右[9]。随着信息化不断对时间和空间的压缩，传统的地理空间被不断被改造，王龙杰等（2019）采用中国31个省份的面板数据构建空间计量经济模型，测算了信息化对旅游产业发展的直接影响和空间溢出影响[10]。吴良平（2020）通过构建空间计量模型探究了中国省域入境旅游的影响因素，并验证了不同的自变量之间存在显著的空间溢出效应[11]。吕洁华等（2020）通过引入环境因素的三阶段数据包络分析分析，构建空间滞后变系数回归模型探究我国旅游产业的空间效应[12]。王新越和芦雪静（2020）选取我国2001-2018年的中国省际旅游数据，对31个省的旅游产业专业化、多样化集聚进行规律性分析，并运用空间计量模型实证探究东、中、西三大区域产业聚集对经济增长的作用[13]。

综上可见，学者们对旅游产业的研究，往往是构建C-D生产函数，且大都从较为宏观的地域范围分析旅游产业发展，较少将研究范围聚焦在某一地区。事实上，由于我国地域广阔，区域经济和旅游发展差异越来越明显，对不同区域的旅游产业进行深入研究显得尤为迫切。此外，大多学者采用时间序列或者截面数据，忽略了旅游业区域发展的空间效应及区域的空间关联或者溢出效应。鉴于此，在前人研究基础上，本文采用2009-2019年的空间面板数据模型对西南五省区区域旅游产业进行探究，从时间和空间两个维度，使分析更具科学性和针对性。

西南五省区包括西藏自治区、四川省、贵州省、云南省和重庆市，不仅地域相邻，在区域经济活动和旅游行为上也具有比较明显的空间相关性。西南五省区以山地、高原为主，地形独特，自然资源丰富，俨然已成为我国旅游业的一个重要增长级，旅游市场潜力巨大。由此，科学的估计我国西南五省区投入旅游业生产过程中的生产要素对产出增长的贡献具有重要的现实意义。

二、理论基础及变量选取

（一）区域旅游生产函数理论基础

为了获得西南五省区旅游产业的弹性估计和空间效应分析，我们以C-D生产函数为基础，根据罗伯特×索洛提出的新古典经济增长理论，将其运用到旅游产业上，即资本、劳动和技术决定着旅游产业经济增长。因此，引入旅游业资源水平这个新因素，结合面板数据，可得到旅游产业生产函数：

Y it=A·Kitα·L itβ·R itγ·eεit(1)其中：Yit代表i地区第t年的旅游产业经济产出；A代表旅游产业的技术水平，为按照恒定比例增长的技术进步，传统上为希克斯中性生产率项；Kit代表i地区第t年旅游产业的资本投入量；L it代表i地区第t年旅游产业的劳动投入量；Rit代表i地区第t年旅游产业的旅游业资源水平；εit代表随机干扰项，衡量其它未观测因素对区域旅游产业的影响。

对C-D生产函数取对数，得到：

在希克斯中性技术进步条件下，规模报酬不变，即α+β+γ=1，将α、β、γ做正规化处理：

其中，α*为资本对旅游经济增长的产出弹性，β*为劳动对旅游经济增长的产出弹性，γ*为资源对旅游经济增长的产出弹性。

（二）变量选取及数据来源

吴玉鸣（2014）指出按照生产函数的定义，决定区域旅游产出(Y)的主要因素是旅游产业资本投入(K)和劳动投入(L)[7]，故将区域旅游生产函数设定为柯布－道格拉斯形式，并以各省域的旅游企业营业收入作为旅游经济产出的衡量指标，以旅游业固定资产投资额和年末从业人员数作为旅游经济增长的投入指标。

从有形的投入来看，就业人数、固定资产投入、技术进步以及旅游资源等定量因素已成为旅游业发展的重要因素。鉴于此，本文将选取旅游业营业收入Y作为被解释变量，选取旅游业固定资产投资额K、旅游企业从业人员数L、4A级旅游区（点）的总量R作为解释变量。为了研究新世纪以来旅游产业的发展情况，从西南各省的统计公报以及国家旅游年鉴收集了以上各变量2009至2019年西南五省的年度数据。

三、研究方法

（一）空间自相关性及检验

检验区域变量的空间相关性存在与否，空间统计学一般使用空间自相关指数Moran I，计算公式为：表示第i地区的观测值,n为地区总数,W ij为二进制的邻接空间权重矩阵。通常情况下，邻接标准为两个地区的相邻取值1，否则为0。如果各地区的经济行为为空间正相关，Moran I值较大负相关则越小。由于我们研究的是西南五省区的旅游产业，所以在这里我们对W ij选择的是一阶地理相邻权重矩阵。

（二）普通空间面板模型及其检验

基于时间和截面空间上取得的二维数据构建的计量模型，称为面板数据模型。标准面板模型是指不考虑任何空间因素的传统面板数据模型，如式（2）所示。作为旅游产业的三个基本要素：固定资产、旅游资源、劳动就业，它们相互影响，在旅游业的发展中发挥了不可忽视的作用。吴玉鸣（2010）指出纳入空间效应的旅游产业区间溢出问题研究还比较少见。但是，传统的面板数据模型难以明晰区域旅游产业发展的辐射带动作用，而空间面板数据模型却可以在展示区域差异的同时，探究区域旅游产业的空间效应。

进行空间计量分析时，运用的空间常系数实证模型主要有空间滞后模型（SLM）和空间误差模型（SEM）。空间滞后模型（SLM）主要探讨因变量在一个地区是否具有空间溢出效应，模型为：

其中，ρ表示空间自回归系数，W·lnYit为空间滞后因变量。SLM模型主要讨论因变量在一个地区是否有扩散现象（溢出效应）。SLM模型在本文中探讨旅游产业水平的发展即特指旅游业营业收入水平在西南地区是否有扩散现象。

空间误差模型（SEM）是当模型的误差项在空间上相关时所要构建的模型，其模型的表达式为：

其中，λ为空间误差系数，μ为正态分布的随机误差向量。参数λ衡量了样本观察值中的空间依赖作用。SEM模型主要讨论误差项之间的空间相关性，在本文中指的是影响旅游产业发展水平的除资本、劳动、资源外的其他因素的空间相关性。

在实际应用中，由于空间作用的存在，使得空间滞后变量和被忽略的空间相关误差项作为模型中的解释变量，所以构建出空间滞后模型（SLM）和空间误差模型（SEM）。对于这两个模型的进一步选择，目前主要是基于空间相关性极大似然估计的假设检验LM(error)和LM（lag）及其稳健形式。按照上述方法选择空间面板模型后，利用LR检验方法进一步检验面板数据属于空间混合效应还是空间固定效应，以及利用Haus man检验来检验是空间随机模型较好，还是空间固定模型更好。

（三）空间杜宾模型

空间杜宾模型（SDM）由空间滞后模型扩展而来，基本表达形式：

与SLM相比，SDM既包含了因变量的空间滞后，还加入了自变量的空间滞后变量。在本文中SDM模型是探究旅游产业水平的发展（在本文中特指旅游业营业收入水平）在西南地区是否有扩散现象，而且也探究文中所研究的三个影响旅游产业发展水平的重要因素即资本、劳动、资源这三个自变量的扩散现象。在一定条件下，SDM可以退化成SLM和SEM。最后，要根据Wald检验结果的显著与否判断空间杜宾模型是否适用。

四、实证结果和分析

（一）空间自相关性检验

运用全局空间相关性检验统计量Moran I对西南五省区从2009年到2019年间的旅游产业的空间效应进行检验。检验结果如表1：

表1 2009-2019年西南五省区旅游产业莫兰指数

由于旅游业的高度关联性，旅游产业水平容易受外界波动影响，如2008年末席卷全球的金融危机、冰冻雨雪等灾害的冲击，以及2014年对于旅游行业来说是并购重组年，无论是酒店还是旅行社，甚至在线旅游市场，都发生了多起大规模并购事件，都会使得西南地区的旅游业发展受到影响。但近年来可以看出西南地区的旅游业经济开始复苏，其旅游业经济呈现正的相关性，虽然显著性不高，但仍为正相关，且旅游业经济的相互关联性越来越高。目前随着西南地区经济的高速稳定发展，旅游业发展水平也会稳步上升。

（二）标准面板模型的建立

面板模型主要包括混合模型、固定效应模型和随机效应模型。本部分通过Hausman检验以及F检验来确定最终的面板模型。首先，进行Hausman检验，若拒绝原假设，应该选用固定效应。其次，对面板数据模型的三种形式（变系数模型、固定影响模型和不变参数模型）进行检验，对于一般的面板模型yit=αit+xitβit+uit，检验如下两个假设：

若接受H2为不变参数模型，检验结束。若拒绝H2，则进一步检验假设H1。若接受H1，则为变截距模型；若拒绝H1，则为变系数模型。

对于本文的面板模型，截面个数N=5、解释变量个数K=3、时间长度T=11，chow检验统计量F=12.440，PValue=0.000，在1%的显著水平下，拒绝H2，排除混合模型；通过Hausman检验，卡方统计量chi2（3）=0.040，PValue=0.998，接受H1，最终选择随机效应模型。

（三）普通空间面板模型的选择和建立

由表2可知，通过LM检验，空间误差模型（SEM）统计量均要优于空间滞后模型（SLM），且P值通过了显著性检验，因而本文选取SEM模型。

表2 空间相关性检验（LM经验）结果

空间相关分析已经定量证明了西南五省区旅游产业的发展具有空间效应。通过上述的分析可知，最终选择空间误差模型。基于此，本文利用LR检验方法进一步检验面板数据属于空间混合效应还是空间固定效应，以及利用豪斯曼检验空间随机模型或空间固定模型的效果。结果可知，LR检验统计量(39.700)在5%显著性水平下拒绝原假设，排除空间混合模型；Hausman检验统计量(0.040)所对应的P值在5%显著水平下不拒绝原假设，即应建立空间随机效应模型。

（四）空间误差模型的建立

由表3可得，空间误差模型中拟合优度为0.795，对数似然值为-38.837，模型拟合效果较好；解释变量显著性方面，固定资产投资和4A景区数量对于旅游收入解释作用十分显著；从经济意义方面，临近地区的旅游收入的误差冲击该地区旅游收入有外生空间效应。综合考虑拟合优度、对数似然比、解释变量的显著性和经济意义这四个方面，采用空间误差模型。

表3 空间误差模型的回归结果

（五）空间杜宾模型的建立

通常空间相关性指的是误差项之间的空间相关性、解释变量的空间相关性以及被解释变量的空间相关性。不同于空间滞后模型和空间误差模型，空间杜宾模型不仅考虑了解释变量的空间相关性，还考虑了被解释变量的空间相关性。

由表4回归结果可知，模型大部分解释变量十分显著，通过LR检验和Wald可知，空间杜宾模型不能退化为空间误差模型。由此，本文应构建一个附有随机效应的空间面板杜宾模型。

表4 空间杜宾模型的回归结果

（六）不同模型回归结果汇总分析

通过表5可以得出：SEM的拟合优度最高，为0.795；其次是随机效应模型，为0.791，均比SDM回归的拟合优度高。空间误差模型的对数似然值为-38.837，空间杜宾模型的对数似然值为-18.018，SDM的对数似然值绝对值要小于SEM，说明SDM模型明显优于普通空间面板模型。

五、总结与建议

（一）弹性系数估计分析

根据表5的SEM参数估计结果，经计算得到：旅游资本投入的弹性系数为0.184，通过了显著性为1%的显著性水平检验；而旅游劳动力投入的弹性系数为0.247，没有通过显著性水平检验；旅游资源投入的弹性系数是0.894，通过了显著性为1%的显著性水平检验。这表明，西南地区旅游产业的发展中，旅游资源投入对西南地区旅游产出的贡献要大于旅游资本投入和旅游劳动投入，且旅游劳动投入的贡献率最小。根据SDM参数估计结果计算后得到：旅游资本投入的弹性系数为0.117，通过了显著性为1%的显著性水平检验；而旅游劳动投入的弹性系数为0.043，不显著；旅游资源投入的弹性系数是0.219，通过了显著性为1%的显著性水平检验。

表5 不同模型回归结果汇总

综上所述，从OLS、SEM、SDM估计结果可以看出，不管采用何种估计方法的模型，均能发现旅游资本和旅游资源的系数估计值总为正，但旅游劳动和旅游产出的弹性系数的大小和显著性不尽一致。总体而言，用不同估计方法和空间权值条件得到的旅游资本产出弹性约在0.117-0.202之间，旅游资源产出弹性在0.219-0.894之间。这意味着，在不考虑其他因素作用的情况下，西南五省旅游资本每增加1%，产出则相应增加约0.117%-0.202%；而旅游资源每增加1%，产出则相应增加约0.219%-0.894%。而且，在旅游投入产出生产函数中，旅游资源的弹性大于资本的弹性，即旅游资源投入的贡献大于旅游资本投入的贡献。

（二）空间效应分析

由表5可知，西南五省的旅游产出不但由该地区的旅游资本、劳动和资源投入决定，同时还由其邻近省域旅游产业产出的空间溢出效应以及解释变量（旅游资本、劳动、资源）的空间溢出效应决定。

从SEM模型来看，西南五省的旅游产业支出的空间滞后变量参数虽没有通过显著性检验，但邻近省域的旅游产出对本地区旅游产出存在着不太明显的空间溢出效应。西南五省的旅游经济发展很不均衡。目前而言，西南地区的旅游业经济的空间作用还不太明显，但随着时间的递进和政策的完善，差距终会缩小，影响必会显著。

从SDM模型来看，根据对数似然值最大原则获得可取的最佳估计结果显示，SDM的旅游产业支出的空间滞后变量参数通过了显著性检验，这表明邻近省域的旅游产出对本地区旅游产出存在着明显的空间溢出效应。当邻近省域的旅游产出每增长1%，将导致本地区的旅游产出增加0.221%。旅游资本、旅游资源、人员投入都具有明显的空间溢出效应，当邻近省域的旅游资本投入每增长1%，导致本地区旅游产出增加0.258%；当邻近省域的旅游劳动投入每增长1%，将导致本地区的旅游产出增加0.323%；当邻近省域的旅游资源投入增加1%，本地区的旅游产出将增加0.579%。这是由于现在大部分的旅游政策都是以特色旅游线为主，故邻近省份的旅游劳动投入和资源投入的空间效应显著。

因此，在西南五省的旅游研究中考虑邻近省域旅游的地理空间溢出效应是有必要的，而忽略这种效应将导致有偏且不一致的估计结果。

（三）综合分析及建议

西南地区旅游的经济增长存在着空间相关性。近年来，西南五省之间的旅游产业发展的空间依赖性在不断加强，旅游的产业集群现象明显，在旅游经济估计研究中必须充分考虑地区旅游经济增长过程中的空间相关性。

资本、资源和劳动投入对西南旅游经济产出的弹性系数均为正，且资源对旅游经济增长的贡献非常明显。从SEM模型来看，西南地区的旅游经济增长主要依赖于资本要素投入驱动和资源要素投入驱动，呈现一种资本、资源密集型的特征，劳动力要素的贡献尚未充分发挥出来。且资源驱动能力要优于资本，这说明先天的资源优势很重要。所以要加大对西南地区的旅游资源开发的投入，例如可以完善景区基础设施建设，加强宣传投入，提高旅游品牌知名度。从SDM模型来看，西南地区的旅游劳动投入溢出效应明显，在西南地区旅游经济增长过程中，旅游劳动的投入增长将会带动周围省域的旅游产出增长，周边省域的旅游劳动投入对本省的旅游经济增长也存在着显著的正向促进作用。由此，五省区应联合推动区域旅游一体化，加强区域旅游合作，例如建设西南旅游环线精品，加强区域交通网络规划等。