在全球化和网络互联时代,区域经济活动跨越市场分割,空间个体孤立发展的状态逐渐被打破,本地生产要素在促进区域自身经济增长的同时,也开始对其周边地区形成渗透和辐射[1],即区域经济增长呈现出空间溢出效应[2]。信息化导致了“时空压缩”并不断改造着传统的地理空间[3,4],使得不同区域间的经济联系变得日益紧密,因而信息技术的进步和扩散被认为是促进区域增长溢出的关键驱动力[5,6]。旅游业是典型的信息密集型产业[7],信息技术的进步和应用对生产率的增长起到了决定性作用,信息条件的改善提升了信息的可贸易性进而重塑了区域间的旅游产业关联[8]。近年来兴起的“智慧旅游”、旅游“515”战略、“旅游信息化十三五规划”等建设热潮,驱动着旅游产业空间格局的演变[9],使其呈现出新的经济地理特征[10]。在此背景下,每一地区都需要根据自身与周边区域的关联,不断调整发展策略[1],以求融入到旅游信息化的建设中。因此,从空间关联视角探讨信息化与旅游产业发展的关系显得尤为重要。

目前,国内外关于信息化对旅游产业发展的影响研究集中在企业管理领域。基于信息化对传统旅游产业改造效应（Transformational Effects）的认知[11],学者们从管理理论和案例实证层面分析了信息技术对旅游企业的组织变革[12]、服务创新[13,14]和旅游流预测[15]等方面的促进作用。信息技术的应用和扩散推动着旅游产业生产方式的“网络化”转 变[16],以信息技术为支撑的决策系统指导着旅游企业“更聪明地工作”[17,18],在催生出一系列新的服务业态的同时也提升了旅游产业的运行效率[19]。

在旅游产业发展影响因素的研究中,Buhalis等[11]、Bethapudi[20]和Balandin等[21]一致认为,信息化是推动旅游产业发展的必不可少的要素。Zaidan通过调查迪拜和阿联酋国家的旅行代理商,研究了信息技术应用、供应商的网络营销等对提升区域旅游产业的战略地位的影响,认为信息技术提升了该地区的旅游国际化程度、巩固了迪拜的国际旅游目的地形象[22]。此外,资本、劳动力和信息化等都对旅游产业的增长具有重要贡献,信息化与旅游产业存在耦合协调发展[23,24,25];但也有研究表明,信息技术的高成本[22]、电子商务的不成熟[26]、人才的匮乏[11]以及消费者的低接受度[27]等也会阻碍旅游产业的发展。

Brida等[28]、金鹏等[24]、孙媛媛[25]等少数学者通过构建计量模型,检验了信息化对旅游产业发展的影响,但均忽视了空间效应。新经济地理学理论表明,地理空间的异质性和邻近性影响并决定着不同地区间的产业协作和发展溢出[1, 5],溢出效应的存在将推动区域经济的协同增长。信息化具有显著的空间异质性[29],其溢出和扩散[5, 30]对旅游产业发展具有重要影响。理论研究表明,信息技术的远距离传输和网络化中介功能将重构区域间的旅游产业关联模式[31]、促进旅游知识的转译以及旅游创新的扩散和溢出[32]。但是,信息化的扩散和溢出并不能突破距离的限制[5,6],服务业中普遍存在的缄默知识和不可编码知识的传递仍然需要人们面对面的交流[5, 32],而且各区域对信息和知识的获取及利用也依赖于其原有的知识吸收能力[33]。这种区域差异影响并强化了空间集聚和空间溢出[5],而“影子效应”则有可能限制了空间溢出[34],在三者的交互作用下,信息化对旅游产业发展的空间效应尚未可知。因此,很有必要从空间溢出视角探讨信息化对旅游产业发展的影响。

总的来看,国内外关于信息化对旅游产业发展的影响研究已经取得了相对丰富的成果,但多数研究集中在微观的企业管理领域,并主要从组织变革、服务创新以及效率提升等角度审视旅游产业发展,很少从区域经济层面展开探讨;而仅有的几篇实证研究也都预设了旅游产业发展完全依赖于区域自身的固有属性,较少考虑信息化引致的时空压缩和空间关联,而从空间视角考察信息化对旅游产业发展的空间溢出效应的研究几乎没有。

鉴此,本文根据新经济地理学理论,同时参考了信息地理学和旅游地理学的相关研究,提出如下疑问：信息化对旅游产业发展的全局空间溢出效应如何?信息化基础设施和信息技术消费又分别有何影响?针对上述疑问,本文构建了空间计量模型,利用中国大陆地区31个省份2001-2014年的面板数据,实证检验了信息化基础设施和信息技术消费对旅游产业发展①（①由于国内缺乏旅游业增加值的直接统计数据,本文采用包含旅行社和星级饭店的旅游企业营业收入作为替代,以此衡量旅游产业发展水平。）的空间溢出效应。本研究既弥补了传统研究对空间效应的关注不足,又为“互联网+”与“旅游+”的融合互动提供理论借鉴。

空间面板计量模型能够兼顾区域自身的固有属性及其空间联系,因而被广泛应用于区域增长溢出的研究中[35]。鉴于信息化对旅游产业发展具有空间溢出影响的可能性,本文选用空间面板杜宾模型（SPDM）来考察信息化基础设施和信息技术消费对旅游产业发展的影响。模型构建如下：

yit=ρ∑j=131wijyjt+γxit+∑j=131αwijxit+μi+νt+εit（1）

式中：yit和xit分别表示第i省份的被解释变量和解释变量;ρ、γ以及α分别为被解释变量的空间自相关系数、解释变量的系数和空间溢出系数;wij为31×31的空间权重矩阵,yjt表示第j省份的被解释变量,二者乘积wijyjt为空间滞后被解释变量;μi和νt分别为空间和时期效应;εit为扰动项且服从独立分布。

式（1）中,当α=0时,此模型退化为空间面板自回归模型（SPAR）;当 α=-ργ时,此模型退化为空间面板误差模型（SPEM）。可见,SPAR和SPEM是SPDM的特例。需要注意的是,SPDM估计出来的系数并不代表真实的边际效应,只有对SPDM的估计结果进行分解才能对变量的边际效应作合理解释。

空间效应分解的核心思想是采用偏微分的方法将SPDM模型估计出来的系数分解为直接效应（Direct Effect）和间接效应（Indirect Effect）。前者代表解释变量对该区域本身的影响,后者代表对邻近地区的影响,即“空间溢出效应”。借鉴LeSage和Pace的研究[36],将（1）式合并同类项后可得：

Y=[I-ρW]-1×[kIN+X'γ+WX'γ+ε*]（2）

式中：Y为 N×1维因变量的向量;k为常系数项;IN为元素均为1的 N×1维向量; X'为 N×M维的解释变量矩阵; ε*为误差项;N=31,其余变量含义同式（1）。

对（2）式中的因变量 Y取其期望 E(Y),并对第 k个解释变量求其偏微分,可得：

∂EY∂x1k⋯∂EY∂xNk=[I-ρW]-1Iγk+Wγk（3）

式中：右端矩阵对角线上的元素均值 γk即为直接效应数值,代表该地区第 k个解释变量对因变量的产出弹性;非对角线上的元素均值即为间接效应数值,代表该地区第 k个解释变量对其邻近地区因变量的间接效应;直接效应与间接效应的算术和为总效应大小。

（1）被解释变量与核心解释变量（表1）。① 旅游产业发展（ln Y）：因国内缺乏旅游产业增加值的直接统计数值,本文借鉴王坤等的研究[37],采用各省市区旅游企业的营业收入来代表旅游产业发展水平。不同的是,因相关数据在观察期间内统计口径发生变化,本文只选择了包含旅行社和星级饭店两类旅游企业的营业收入来反映旅游产业发展水平。② 信息化基础设施（ln ICT1）：信息化进程的推进强烈依赖于基础设施的建设和布局,本文采用能直接反映信息技术基础设施建设情况,也是众多学者所选用的移动电话交换机容量来反映信息化基础设施建设水平[24, 38]。③ 信息技术消费（ln ICT2）：信息技术消费是衡量信息化水平的主要内容和依据。部分学者采用信息化综合指数来表征信息化水平,但因其所涉及的指标众多且统计口径不一,加上计算方法不一致,难以进行深入分析。相比而言,邮电业务额包含网络（互联网和移动终端）、固话、移动电话、邮政报刊和函件、特快专件等营业数额,基本上涵盖了信息技术消费的各个方面,在观察期内统计口径一致且不存在数据缺失,因而适合量化反映信息技术消费水平[39]。

表1   变量设定与说明

Tab. 1   Variable description and explanation

新窗口打开

（2）控制变量（表1）。① 固定资产投资（ln FC）：有关旅游产业的数据均来源于《中国旅游统计年鉴（副本）》,由于该统计资料在观察期内统计口径发生变化,为保证相关数据在时间上的可比性以及与被解释变量的一致性,仅选取旅行社和星级饭店两类旅游企业的固定资产原值来反映旅游产业固定资产投资情况。已有关于旅游产业发展的相关实证分析也选取了这一指标[40,41]。② 劳动力（ln LAB）：旅游业是人力资源密集型产业,劳动力要素投入是推动旅游产业发展的重要因素,选取旅行社和星级饭店两类旅游企业的从业人数来表示。③ 旅游资源禀赋（ln RES）：旅游资源是吸引游客的核心要素,资源赋存情况是各地区发展旅游产业的基础和前提。借鉴Yang等的研究[38],采用加权平均法计算各省区旅游资源赋存情况,包含4A级及以上旅游景区数、国家级风景名胜区数、优秀旅游城市数、世界遗产数,对应的权重数值分别为1、2、3、4。④ 可进入性（ln ACC）：可进入性是旅游产业发展的重要保障,借鉴向艺等的研究[42],采用各省市区公路和铁路总里程数与其土地面积的比值来表征。⑤ 环境质量（ln ENV）：环境是旅游产品的重要组成,环境质量可采用各省市区环境保护投资与当地GDP比值来反映[43]。⑥ 旅游接待规模（ln INF）：旅游业是资源依赖型产业,旅游接待规模反映了各省市区旅游业的接待容量和能力,采用旅行社和星级饭店的数值和来反映旅游接待规模[42]。⑦ 服务经济占比（ln STR）：旅游业是一项综合性较高的服务产业,服务经济比重反映了旅游经济的发展环境,采用各省市区服务业增加值与当地GDP的比值来表示。⑧ 旅游产业集聚（ln CLU）：旅游经济活动和相应产业要素在空间上的集聚水平影响着区域内旅游产业发展的格局,借鉴刘佳等的研究,采用各省市区旅游业总收入的区位熵来表示[44]。

（3）数据说明。为消除数据的异方差性、保证平稳性,本文采用各变量的自然对数进行实证分析。不同于传统的空间邻接和地理距离矩阵,研究采用经济距离作为空间权重[45],这样设定的基本假设是经济水平越高的地区对周边地区的影响越大,符合不同省份相互作用和影响的实际情况。原始数据主要来源于《中国统计年鉴》（2001-2015年）、《中国旅游统计年鉴（副本）》（2001-2015年）和《中国环境统计年鉴》（2001-2015年）,为消除价格变动的影响,采用居民消费价格指数（CPI）将变量统一缩减为2000年的价格水平。

在运用空间计量模型测度信息化对旅游产业发展的空间效应之前,需要验证信息化和旅游产业发展在空间上的自相关性。本文通过计算2001-2014年信息化基础设施、信息技术消费与旅游产业发展的全域Moran's I 指数（表2）来加以检验。

表2   信息化与旅游产业发展的全域自相关检验

Tab. 2   The test of spatial correlation of ICT and tourism industry growth

注：***、**、*分别表示在0.01、0.05和0.1的水平下显著。

新窗口打开

表1显示信息化基础设施和信息技术消费的空间自相关检验Moran's I 指数均为正值,其中信息技术消费在2001-2014年Moran's I指数均表现出不同程度的显著性,信息化基础设施在2001-2009年Moran's I指数较为显著,旅游产业发展在2008-2014年Moran's I指数至少通过0.1的显著性检验,基本上可以说明信息化和旅游产业发展具有较强的空间自相关性。虽然2010-2014年信息化基础设施以及2002-2007年旅游产业发展的Moran's I并不显著,但这并不能判断任一地区的信息化与邻近区域无关：一方面这与邻接矩阵强制割裂了原有的空间联系有关,另一方面这种相关性可能只存在于部分地区,或者存在正向相关和负向相关的地区相互抵消,使得全域空间自相关在统计上不显著,因此需要计算局域Moran's I指数来考察局域层面的空间自相关性[46]。

鉴于全域Moran's I指数均等化了地区差异,无法细致反映省域间的空间关联,本文选取2002年、2008年和2014年信息化基础设施的局域Moran's I指数散点图（图1）进行分析。图1显示,3个年份的Moran's I数值都至少大于0.13,并且至少有18个省份处于第一、三象限,占到全部省份的58.1%,说明中国信息化基础设施主要呈现高高和低低空间集聚模式,这进一步印证了上文全域Moran's I指数所表明的信息化呈现全局正的空间自相关性的初步判断。

显示原图| 下载原图ZIP| 生成PPT

图1   2002年、2008年和2014年信息化基础设施的Moran’s I散点图

Fig. 1   The Moran scatter plot of ICT infrastructure (2002, 2008 and 2014)

空间自相关性分析验证了信息化与旅游产业发展都具有较强的空间关联性,研究二者关系时不能忽视空间因素,采用空间面板计量模型可以尽可能地避免忽视空间效应而带来的偏误。

在选择空间面板计量模型的具体形式时,需要结合LM和Robust LM统计量来判断。表3给出了相应的检验结果,可以看出,SPLM模型的LM和Robust LM统计量均通过了0.01的显著性检验,SPEM模型的LM统计量也通过了0.01的显著性检验,而Robust LM统计量只通过了0.03的显著性检验,从数值上来看SPLM模型要优于SPEM模型,结果也表明信息化对旅游产业发展的影响具有空间关联性。其次,在确认SPLM模型要优于SPEM模型的基础上,还需要进一步建立SPDM模型,并检验其是否可以退化为SPLM或SPEM形式。SPDM简化为SPLM和SPEM的Walds_Spatial lag和LR_Spatial lag的统计量均通过了0.01的显著性检验,表明SPDM不可退化为空间计量模型的简化形式,SPDM为最优模型。进一步地,Hausman统计量通过了0.01的显著性检验,说明固定效应模型为本研究的最优模型。实际上,本文所考察的截面单位属于全样本范围,固定效应模型能比较好地解释某些个体特质[47]。因此,本文运用SPDM固定效应模型进行参数估计,同时也估计了标准面板个体固定效应,分别采用Elhorst提供的空间计量软件包和Eviews 6.0软件实现,估计结果如表4所示。

表3   模型识别检验

Tab. 3   The results of spatial panel model identification