EN中文

Economic geography >

2020 , Vol. 40 >Issue 6: 233 - 240

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.06.025

Temporal and Spatial Differentiation of Tourism Economy-Ecological Efficiency and Its Influencing Factors in Wuling Mountain Area

  • LI Zhilong , 1, 2 ,
  • WANG Diyun , 1, 2, ※
Expand
  • 1. Department of Tourism Management，Hunan University of Technology and Business，Changsha 410205，Hunan，China
  • 2. Tourism Planning and Regional Development Institute，Hunan University of Technology and Business，Changsha 410205，Hunan，China

Received date: 2019-10-14

  Revised date: 2020-03-02

  Online published: 2025-05-14

Fold

Abstract

The study of tourism ecological efficiency has become a new direction of tourism sustainable development. Taking Wuling Mountain Area as the research object, DEA method was used to measure the regional tourism economy-ecological efficiency. The results showed that the overall level of regional comprehensive efficiency was low,the polarization was serious,but the non-equilibrium tended to decrease gradually. MI index shows that the efficiency is in a rapid development stage as a whole during the research period,and the timing pattern is in the shape of "S". ESDA method was used to study the spatial and temporal differentiation characteristics of the elements. The global correlation was shown as "aggregation-random-aggregation process",showing a "U"-shaped change trend. The local correlation index shows that the overall spatial correlation is weak and tends to be balanced from polarization. The influence factor analysis model was established,and the results showed that the research factors were greatly affected by economic factors,while the ecological and environmental factors were less. Economic factors have less influence on economically developed regions than less developed regions,and ecological factors have more influence on economically developed regions than less developed regions.

Key words： Wuling Mountain Area; tourism economy; ecological efficiency; DEA; spatial autocorrelation

Cite this article

LI Zhilong , WANG Diyun . Temporal and Spatial Differentiation of Tourism Economy-Ecological Efficiency and Its Influencing Factors in Wuling Mountain Area[J]. Economic geography, 2020 , 40(6) : 233 -240 . DOI: 10.15957/j.cnki.jjdl.2020.06.025

绩效评价对任何一种类型的组织和管理均具有重要意义。效率是基于投入产出的表征资源利用能力和效果的有效指标[1]。对于已成为国民经济战略性支柱产业的旅游业，其效率研究一直是旅游学科研究的热点问题[2]。有关旅游效率的研究，目前大多从经济学的角度，基于经济指标，评价和测度其经济效率[3-4]。改革开放以来，中国旅游经济保持快速增长，取得了举世瞩目的成就。但同时也面临着环境质量下降、旅游资源过度消耗、生态系统退化等现实困境。旅游对生态环境的影响也逐渐引起了众多学者的关注，有关旅游生态效率的研究也成为了当今旅游生态环境影响方面研究的新亮点[5-6]。
Schaltegger等首次提出生态效率（Eco-efficiency）的概念，是效率思想的延续和发展，其创造性地将经济效率和生态效率两个维度统一起来，兼顾了经济效益与环境效益[7]。生态效率的提出引起了众多研究人员的兴趣[8-9]，经过不断推广和延伸，其内涵不断丰富，外延不断扩展，非生态经济要素也纳入其中[10]，以至脱离了兼顾“生态”与“经济”的本义。旅游生态效率源于生态效率，因此基本沿袭了生态效率基础思想，其评价过程在投入指标中增加了生态环境要素，兼顾生态环境的影响[11]。但是，在产出评价指标体系中，鲜有考虑生态要素指标纳入。现实经济社会发展过程中，往往会产生对生态环境有负面影响的非期望产出。基于此，本文为贴近研究内容，概念上界定为“旅游经济—生态效率”，考虑非期望产出效率测度中，其基本假设修正为：以尽可能少的投入生产尽可能多的期望产出和尽可能少的非期望产出。
环境问题已成为最大的全球问题之一，可持续发展的理论与实践研究正成为全球性的跨世纪课题，旅游可持续发展作为可持续发展研究的重要内容，其旅游生态经济效率的研究逐渐成为旅游可持续发展研究的新方向。因此，将生态环境因素纳入旅游效率评价体系，兼顾“生态”与“经济”要素，能从有效性角度审视旅游业，从单纯规模总量关注到注重综合效益，才能科学引导旅游产业从粗放型向集约型发展转变，具有迫切的现实意义。显然，旅游经济—生态效率研究作为旅游可持续发展研究的重要方向，是可持续发展理论的丰富和补充，具有重要的理论意义。
武陵山片区因地处武陵山脉而得名，地处渝鄂湘黔四省市交界区，涵盖湖北（11）、湖南（37）、重庆（7）、贵州（16）四省市交界地区的71个县（市、区），国土面积17.18万km2。境内有土家族、苗族、侗族等9个世居少数民族。片区经济社会发展滞后，基础设施薄弱、贫困面广、贫困程度深，是我国典型的“老、少、边、穷”地区，是集中连片特困区区域发展与扶贫攻坚“先行先试”试验区。因此，也常成为学者研究连片特困区的首选样本。而片区旅游资源富集。自1990年代以来，片区充分发挥县域旅游资源丰富、特色鲜明的优势，大力发展旅游业，涌现了大批知名旅游地，旅游产业已成为片区经济发展的重要推动力量。
本文拟以武陵山片区为研究对象，综合经济与环境因素，评价研究区域旅游经济—生态效率，在此基础上，探讨研究要素的时空分异规律与影响因素。

1 武陵山片区旅游经济—生态效率测度

1.1 测度方法

旅游经济生态效率的测度方法可概括为单一比值法、指标体系法、模型法三种类型[12]。其中，模型法中的数据包络分析（DEA）是一个线性规划模型，最早于1978年由运筹学家Charnes等提出[13]，它是一种对若干同类决策单元具有多输入、多输出的相对效率与效益进行比较的有效方法。其基本原理可简要表述为：通过对一个特定单位的效率和一组提供相同服务的类似单位的绩效的比较，它试图使服务单位的效率最大化。详细可参考deap2.1软件用户手册。
由于DEA方法具有如下优势：不直接对数据进行综合，与指标的量纲选取无关；以决策单元输入输出的实际数据求得最优权重，排除了很多主观因素；输入输出之间的关系无需显示表达式等，因而被广泛应用于经济与生态研究领域的效率测度[14-15]。早期较多应用的DEA模型（如CCR-DEA、CCB-DEA）存在未能动态测度效率变化的缺陷，对此，Fare等基于DEA方法给出Malmquist指数方法以测算决策单元的生产率[16]，用来考察跨时期的多投入和多产出变量间的动态生产效率，并由此测定全要素生产率的变化从而实现了动态层面效率变化情况的测度。其Malmquist指数模型可表示为：
t f p = D t x t + 1 , y t + 1 D t x t , y t × D t + 1 x t + 1 , y t + 1 D t + 1 x t , y t 1 2
式中： t f p表示全要素生产率； D t x t , y t表示t期当期的效率水平； D t x t + 1 , y t + 1表示以t期为基期的t+1期的效率水平，又被称作“前沿移动效应”； D t + 1 x t + 1 , y t + 1表示t+1期的效率水平； D t x t + 1 , y t + 1表示以t+1期为基期的t期的技术效率水平。如果 t f p>1，表示效率是增长的；如果 t f p<1，表示效率是下降的。

1.2 指标体系构建与资料收集

目前广泛应用的数据包络分析模型所依赖的基本假设是以尽可能少的投入生产尽可能多的产出。考虑到生态环境要素及非期望产出，旅游经济—生态系统效率评价指标系统可解构为投入指标和产出指标，其中投入指标分为经济指标和生态指标，产出指标可分为期望指标和非期望指标。为了将非期望性产出纳入DEA模型的Malmquist指数测度中，根据经验，一般可采取间接法，通过单调递减函数形式，将非期望产出进行转换[17]，这样就可以在技术不变的条件下，使得转换后的数据作为正常产出纳入到DEA模型的计算中。
在参考相关文献研究的基础上，依照科学性、针对性和现实性原则，构建了旅游经济—生态效率评价指标体系（表1）。
表1 旅游经济—生态效率评价指标体系

Tab.1 Tourism economy-ecological efficiency evaluation index system

指标 类别 内容
投入指标 经济指标 旅游固定资产投资
旅游业从业人数
旅游资源
旅游设施投入
生态指标 旅游环境治理投入资本
旅游能源消耗（万t标准煤）
产出指标 期望产出 旅游收入
非期望产出 旅游污染物排放
如表1，投入指标中，经济指标选用反映资产投入的旅游固定资产投资，反映劳动力投入的旅游业从业人数[18]和反映资源与设施投入的旅游资源、旅游设施投入共四项指标。由于县级行政单位未有旅游行业旅游固定资产投资与旅游业从业人数数据，该两项指标数据通过固定资产投资与第三产业从业人数乘以旅游占比（旅游收入占县域GDP的比重）进行换算。旅游资源指标则根据《旅游景区质量等级的划分与评定》国家标准（GB/T17775-2003）评定细则，认为景观质量与旅游资源关联性较强，选用细则二（景观质量评分细则：1A—50分；2A—60分；3A—75分；4A—85分；5A—90分）所规定的景区最低得分作为相应级别景区旅游资源投入分值。相应研究县级行政单元旅游资源投入值通过单元所有A级景区得分值加权求和得到。旅游设施投入选取旅行社（包括国际旅行社和国内社）与星级酒店，其投入值同样采用相关标准中所评等级设施数量与其相应得分加权求和获得。
生态指标包括旅游环境污染治理和旅游能源消耗[11]。在环境污染指标方面，主要包括旅游产业发展过程中及旅游活动中所产生的污染物治理投入。由于县级未有旅游行业环境类统计数据，旅游环境污染治理指标数据同样通过县域环境治理总投入乘以旅游占比进行换算。旅游能源消耗指标数据通过县域总能源消耗量折算成标准煤（折算标准煤系数参考《综合能耗计算通则GB/T2589-2008》），然后通过旅游占比换算。
产出指标中，期望产出如大多数研究采用旅游收入[3,11,18]。非期望产出采用旅游污染物排放指标。考虑到近些年来自驾游的迅猛发展，汽车尾气排放对空气质量的重要影响，旅游污染物排放指标本文引入旅游空气污染指数（TAPI）来表示。指标数据通过空气污染指数（API）乘以旅游人数占比（旅游人数占县域总人口比重）表示。空气污染指数（Air pollution Index，API）就是将常规监测的几种空气污染物浓度简化成为单一的概念性指数值形式，并分级表征空气污染程度和空气质量状况。指数越大表示污染越严重。作为非期望产出，按上文所述间接法，本文直接取倒数处理。
数据资料于来源相应各省级、地级行政单位统计年鉴、各县级国民经济与社会发展统计公报、《中国环境统计年鉴》《中国能源统计年鉴》、EPS数据库及网络爬虫技术所获取的数据资料。通过上文所述方法换算及相关处理，获得武陵山片区71个县级单位2007—2016年共10年的旅游经济—生态效率测算指标面板数据资料。对于仍存在缺失的数据，采用插值或例比的方法补充完善。本研究忽略产出应对投入的滞后效应，选取当年投入对应当年产出数据计算。

1.3 测度结果

以武陵山片区县级行政单位为决策单元（共计71个），选用CCR-DEA模型分别计算了2007—2016年旅游经济—生态综合效率（计算结果通过软件deap2.1实现）。在此基础上，计算了片区综合效率统计值：均值、标准差及变异系数（表2）。
表2 旅游经济—生态综合效率统计特征

Tab.2 Statistical characteristics of tourism economy-ecological comprehensive efficiency

2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
均值 0.159 0.162 0.185 0.153 0.209 0.196 0.226 0.240 0.195 0.195
标准差 0.212 0.217 0.229 0.201 0.238 0.202 0.238 0.241 0.218 0.203
变异系数 1.333 1.346 1.239 1.315 1.138 1.028 1.055 1.005 1.118 1.039
te≤0.2 55 55 49 62 47 50 41 40 48 48
0.2<te≤0.4 10 10 13 3 17 13 20 19 17 16
0.4<te≤0.6 2 2 5 1 2 4 4 5 2 3
0.6<te≤0.8 0 0 1 3 0 2 2 3 1 1
te>0.8 4 4 3 2 5 2 4 4 3 3
以0.2步长将旅游经济—生态效率进行等级划分，统计了各等级决策单元数（表2）。选取2007、2011、2016年旅游经济—生态效率空间分布进行可视化（图1）。
图1 综合效率空间分布

Fig.1 Comprehensive efficiency spatial distribution

根据表2统计特征，从其均值可以看出，武陵山片区旅游经济—生态综合效率整体水平较低，约为0.2。其标准差与变异系数较大，反映片区各决策单元差异较大，体现了武陵山片区各县域之间旅游经济—生态效率发展不平衡，区域差异较大。各综合效率等级数目统计两头大、中间小，呈“U”形分布，小于0.2等级数占绝大多数（约为70%），两极分化严重。从统计特征的时间过程上来看，随着时间推移，变异系数趋向于逐渐减小，效率等级统计数目两极分化也趋于减小，反映出片区县域间旅游经济—生态效率非均衡性趋于逐渐减小。
图1中片区效率空间分布可视化更直观地体现了其区域非均衡性特征。武陵山片区2007年旅游经济—生态效率空间分布（图1a）呈现武陵源—永定区与凤凰—铜仁市—江口两个一级中心（te>0.8），绝大部分县域单元其效率低于0.2（占55个之多）。2011与2016年效率空间分布图（对应图1b、图1c）显示出整体上综合效率空间分布仍具有明显非均衡性特征，但较前期逐趋于域均衡，体现在出现更多的一级中心（如武隆县）和最低一级（te≤0.2）逐渐减少。
由于DEA的CCR模型计量的均是相对效率，衡量各决策单元在整个评价体系中的相对表现，对两个处于不同时间范畴的不同评价体系，其效率值不能直接进行比较。为考察跨时期的变量间的动态生产效率，应用deap2.1软件，以整个10年数据作为输入数据文件，DEA模型类型参数选用2=MALMQUIST-DEA，计算了武陵山片区71个县级行政单位2007—2016年的MI指数（tfp值），即全要素生产率。按省级行政划分将武陵山片区可划分为4个分片区，即湖南片区、湖北片区、贵州片区、重庆片区。分别计算了整个片区及4个分片区MI指数均值。其整个片区及四分片区MI指数均值2007—2016年时间数列如图2所示。
图2 MI指数时序分布

Fig.2 MI exponential time series distribution

图2反映了武陵山片区旅游经济—生态效率全要素生产率时序变化。可以看出，整个片区全时段MI指数均值均大于1，多年平均约为1.4。表明武陵山片区旅游经济—生态效率在研究期内整体处于较快发展阶段。时序形态呈现“S”形，变化幅度较小，在2009—2010年与2015—2016年出现两个波峰。各分片区MI指数均值绝大部分大于1（仅贵州片区在2009—2012年略小于1）。4个片区比较，贵州片区略小，研究期其均值约为1.2，其他3个片区较为接近，其中湖南片区最大，研究期均值达到1.49。

2 武陵山片区旅游经济—生态效率时空分异及影响因素

2.1 时空分异分析

本文拟用探索性空间数据分析方法（ESDA）揭示武陵源片区旅游经济—生态效率空间集聚现象和特征。探索性空间数据分析是一种具有识别功能的空间分析方法，用于探测空间分布的非随机性或空间自相关性，分全局空间相关性和局部空间相关性两种测度。
全局空间自相关采用Moran's I 指数反映整个研究区域要素的相似性、相异性及关联解构模式。武陵山区旅游经济—生态效率全局自相关指数可表示为：
I = n ∑ i = 1 n ∑ j = 1 n ω i j x i - x - x j - x - ∑ i = 1 n ∑ j = 1 n ω i j x i - x - 2
式中：n=71，表示武陵山片区71个县级行政单位； x i表示第i个单元的旅游经济—生态综合效率； x -表示71个县级行政单位效率的均值； ω i j表示空间权重。运用ArcGIS10.3空间统计模块计算武陵山片区2006—2017旅游经济—生态综合效率全局空间自相关指数，其时间序列如图3所示。
图3 2007—2016年全局Moran's I指数

Fig.3 Global Moran's I index in 2007-2016

使用z得分和p值指示统计显著性表明，2011、2012、2013年间Moran's I 指数未通过显著性检验，其他年份则通过置信度为95%的统计检验。由此，根据全局空间自相关分析表明，2007—2010年以及2014—2016年武陵山片区旅游经济—生态效率呈聚集趋势（Moran's I指数均为正）。2011—2013年指示为空间分布的随机模式（显著水平下未能拒绝零假设）。因此，在研究样本期间，武陵山片区旅游经济—生态效率全局相关性显示为“聚集—随机—聚集过程”。图3时序显示聚集强度变化存在“高—低—高”的“U”字型趋势。
局部空间关联指数用于揭示不同空间位置上的高值簇与低值簇，即热点与冷点区域的空间分布规律。通常采用Local Moran's I统计量来反映测度单元相邻区域空间要素的空间关联性与异质性。其计算可表示为：
I i = n 2 ∑ i = 1 n ∑ j = 1 n ω i j × x i - x - ∑ j = 1 n ω i j x j - x - ∑ j = 1 n x i - x - 2 = z i ∑ j = 1 n ω i j z j
式中： z i、 z j分别为研究单元i、j的属性值； ω i j为空间权重矩阵； I i为i单元局部相关指数，表示与其它领域之间的关联程度[19]。
依式（3）可计算出公式中的 z i与 I i值。根据计算值的正负可将武陵山片区旅游经济—生态效率划分为4种类型县域单元：① z i>0， I i>0，决策单元与其相邻单元效率水平均较高，二者的呈正相关关联，属于高高集聚，此类单元为“扩散型”；② z i>0， I i<0，决策单元本身经济发展水平较高，但相邻单元水平较低，二者表现为负相关关联，属于高低集聚，称为“极化型”；③ z i<0， I i<0，决策单元本身经济发展水平较低，但相邻单元水平较高，二者也呈负相关关联，属于低高集聚，称为“沉陷型”；④ z i<0， I i>0，决策单元本身和相邻单元水平均较低，二者呈正相关，属于低低集聚，称为“传染型”。
其结果仍可通过ArcGIS10.3空间统计模块中的Anselin Local Moran's I实现。根据计算，2007—2016年武陵山片区旅游经济—生态效率空间关联类型县域单元数量分布见表3。
表3 空间关联类型县域单元数量分布（单位：个）

Tab.3 Spatial association type number distribution of county units

2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
扩散型 3 3 4 3 4 4 5 4 4 6
极化型 5 5 5 6 6 6 5 6 6 6
沉陷型 5 6 6 6 5 5 6 6 6 6
传染型 9 9 9 6 7 7 8 7 6 5
不显著 49 48 48 48 49 49 47 48 49 48
选取2007、2011、2016年局部关联指数可视化，其结果如图4所示。
图4 旅游经济—生态效率空间关联类型

Fig.4 The spatial correlation type of tourism economy-ecological efficiency

表3反映了武陵山片区旅游经济—生态效率县域单元数量分布情况。从表3反映的情况来看，武陵山片区旅游经济—生态效率总体空间关联表现较弱。关联不显著单元占绝大多数，10年平均约为48个，占比68%。4种类型单元中，扩散型较少，平均为4个，占比5.6%；传染型稍多，平均为7.3个，占比10.3%。这也体现了上文所分析研究区域效率空间分布两极分化的特征。极化型与沉陷型分别平均为5.6个和5.7个，区别不大，占比约为7.9。十年间关联类型总体变化不大。扩散型数量表现为上升趋势，传染型数量表现为下降趋势，极化型与沉陷型变化不大，也体现了空间分布从极化趋于均衡的变化趋势。
研究区域存在两个突出的热点中心，一个是区域东北部的以永定区与武陵源区为核心的张家界片区，另一个是以凤凰县、铜仁区、江口县为核心的片区。其中，武陵源区与永定区研究期均表现为扩散型，而另一个突出热点区存在一些县域单元从极化型到扩散型的变化，如凤凰县、铜仁市、玉屏侗族自治县，2016年该核心区已包括4个县域单元。研究区南部与北部是较为显著的冷点区域。北部如来凤县、龙山县、宣恩县早期均表现为传染型，但到后期逐渐消失，甚至出现了极化型单元，如恩施、丰都。南部如隆回县、洞口县、绥宁县等研究期一直表现为传染型。但邻近县域单元也有一些变化，如如新宁县、新化县、通道侗族自治县后期呈现为极化型。值得一提的是，麻阳苗族自治县在研究期均呈现为沉陷型。

2.2 影响因素分析

为进一步探究武陵山片区旅游经济—生态效率影响因素，构建旅游经济—生态效率影响因子模型如下：
T P F = f G D P , I S , R E , I n f , E R
模型以全要素生产率TPF作为被解释变量，解释变量选择经济水平、产业结构、资源禀赋、基础设施、环境规制5个因子。
经济水平（GDP）：区域经济水平与旅游产业的发展有着密切的关系，其在一定程度上影响区域旅游发展水平，因此，可认为经济水平是影响旅游经济—生态效率的因子，模型采用国民经济发展水平（GDP）来衡量区域经济水平指标。
产业结构（IS）：产业结构的优化有利于旅游产业的健康发展，从而会对旅游经济效率产生影响，可作为模型一解释变量。模型产业结构指标（IS）采用第三产业的占比来表征。
资源禀赋（RE）：资源禀赋这里是指决策单元旅游资源禀赋。旅游资源是旅游发展赖以存在的基础，必然会对旅游经济—生态效率产生重要影响，因此可选作模型解释变量。旅游资源禀赋变量量化依然采用上文所述《旅游景区质量等级的划分与评定》国家标准（GB/T17775-2003）评定细则，选用细则二所规定的景区最低得分作为相应级别景区资源禀赋评估得分值。决策单元资源禀赋评估值通过单元所有A级景区得分值加权求和得到。
基础设施（Inf）：基础设施是决策县域旅游活动顺利开展的重要客观条件，因此会对旅游经济—生态效率产生一定程度的影响，可作为分析模型的解释变量。其中，交通是旅游基础设施中最为重要的一类设施，对于区域旅游业的发展有着非常重要的影响。由此，模型选用交通条件来衡量决策单元基础设施水平，这里采用公路网密度来作为评价指标。
环境规制（ER）：考虑到对生态效率的影响，引进环境规制作为模型解释变量。关于环境规制对于产业效率的影响，学术界有着不同的观点。由于政府干预模式和规制工具的差异，对于环境规制评价也存在较大差异。鉴于当前中国环境规制行政命令型强于市场型，模型采用环境污染治理占国民生产总值的比例来作为衡量指标。
为消除异方差，对所有原始变量时间序列数据进行取对数，则构建武陵山片区旅游经济—生态效率影响因素分析模型如下：
l n T P F i , t = α i + β 1 i l n G D P i , t - 1 + β 2 i l n I S i , t - 1 + β 3 i l n R E i , t - 1 + β 4 i l n I n f i , t - 1 + β 5 i l n E R i , t - 1 + u i , t
式中：下标i表示研究地域单元；t表示年份，即2007—2016年，考虑到影响的滞后效应，采用当年的解释变量解释次年的被解释变量；uit表示随机误差项。
为消除其他特殊因素造成的随机误差和简化计算，拟将研究区域分片考察经济生态效率的影响因素。可按省级行政划分将武陵山片区可划分为4个分片区，即湖南、湖北、贵州、重庆片区。各研究单元变量值采用所包括县级行政单元值的均值。
时间序列的平稳性是时间序列分析的基础，为了避免伪回归问题，需要对时间序列的平稳性进行检验。单位根检验为时间序列平稳性检验常用的正式检验方法。单位根检验采用ADF检验，对处理后的数据序列单位根检验。其贵州片区与怀化片区存在单位根，其余序列为一阶单整过程（达到5%显著水平）。对贵州片区与怀化片区序列取一阶差分后进行单位根检验，其则均达到平稳过程（5%显著水平）。
研究表明，多个非平稳的时间序列，其变量的线性组合形成的变量可能是平稳序列，这就是研究者非常关注的协整。对于多变量协整分析最为常用的方法是Johansen协整检验法。依据5个研究片区，将时间序列分为五组，分别进行协整分析。协整分析结果中，其拟然比统计量最大的协整关系参数见表4。
表4 协整关系参数值

Tab.4 Cointegration relation parameter values

整个片区 湖南片区 湖北片区 贵州片区 重庆片区
lnTPF 1.000000 1.000000 1.000000 1.000000 1.000000
lnGDP -0.434046*** -0.475402*** -0.425976** -0.684503** -0.380673***
lnIS -0.085821*** -0.085767** -0.084956*** -0.083671** -0.085743***
lnRE -0.137228** -0.217253** -0.133218** -0.135620* -0.116543**
lnInf -0.180954** -0.388243** -0.534068*** -1.129266** -0.234046***
lnER -0.056732** -0.055783** -0.058409** -0.053762** -0.068702**

注：本结果由Eviews8.0计算得出；***、**、*分别表示1%、5%和10%的水平下显著。

将协整关系写成数学运算式（系数保留3位小数），并令其等于vecm，以武陵山整个片区为例，可表示为：
v e c m = l n T P F - 0.434 l n G D P - 0.086 l n I S - 0.137 l n R E - 0.181 l n I n f - 0.057 l n E R
从表4所显示武陵山片区旅游经济—生态效率影响因素协整关系系数来看，所选取的影响效率的影响因子与被解释变量全要素生产率存在长期均衡关系。其解释变量系数符号均为负，表示其与被解释变量呈正相关关系。就整体而言，经济水平对全要素生产率影响最大，其地区差异表现较为明显，从大到小依次是：贵州片区、湖南片区、湖北片区、重庆片区；基础设施对全要素生产率的影响次于经济水平，地区差异影响从大到小排列依次是：湖南片区、贵州片区、湖北片区、重庆片区；再次是资源禀赋对全要素生产率的影响，其地区差异也较大，对湖南片区影响最大，其次依次为贵州片区、湖北片区、重庆片区。产业结构要素对全要素影响较小，地区差异也不明显。环境规制因子对全要素生产率影响最弱，但区域差异较为显著，影响最大的是重庆片区，其次依次是湖北片区、湖南片区、贵州片区。由此可得如下结论：武陵山片区旅游经济—生态效率受经济因子影响较大，生态因子影响较小。其中，经济因子对经济较为发达地区影响较弱，对经济欠发达地区影响较强，生态环因子对经济较发达地区影响较强，对经济欠发达地区影响较弱。

3 结论与讨论

以武陵山片区为研究对象，综合经济与环境因素，对研究区域旅游经济—生态效率进行了测度，并以此为基础，探讨研究要素的时空分异规律与影响因素，研究结论归纳如下：
①采用DEA方法，对武陵山片区71个县级行政单位2007—2016年的经济—生态效率进行了测度，测度结果表明：武陵山片区旅游经济—生态综合效率整体水平较低，县域之间发展不平衡，两极分化严重。时间过程反映出片区县域间旅游经济—生态效率非均衡性趋于逐渐减小；全要素生产率计算结果表明武陵山片区旅游经济—生态效率在研究期内整体处于较快发展阶段，时序形态呈现“S”形，变化幅度较小。
②采用探索性空间数据分析方法研究了陵源片区旅游经济—生态效率空间集聚现象和特征，结果表明：武陵山片区旅游经济—生态效率全局相关性显示为“聚集—随机—聚集过程”，其时序过程显示聚集强度变化存在“高—低—高”的“U”字型趋势；局部空间相关指数显示研究要素总体空间关联表现较弱，总体变化不大，扩散型略有上升趋势，传染型略有下降趋势，极化型与沉陷型变化不大，体现了空间分布从极化趋于均衡的变化趋势。
③构建了武陵山片区旅游经济—生态效率影响因子分析模型。分析了5个影响因子对区域旅游经济—生态效率的影响。其协整方程分析表明：武陵山片区旅游经济—生态效率受经济因子影响较大，生态因子影响较小；其中，经济因子对经济较为发达地区影响较弱，对经济欠发达地区影响较强，生态因子对经济较发达地区影响较强，对经济欠发达地区影响较弱。
旅游经济—生态效率的研究有效将经济效率与生态效率统一起来，成为旅游可持续发展研究的重要内容，具有较好的研究前景，但因受旅游产业的特殊性，其研究仍存在一定局限性：旅游产业的综合性决定了其构成的复杂性，生态效率虽然兼顾了经济效益与环境效益，但旅游产业还受社会、文化、政治等多因素的影响。仅从经济与生态两方面考虑，难以诠释众多的旅游现象，难以科学反映旅游业综合绩效。由于这些因素的无法量化的客观存在，决定了其综合效率定量测度的困难。综合多要素旅游效率的测度应是未来旅游效率研究的重要方向。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Farrell M J. The measurement of productive efficiency[J]. Jour-nal of Royal Statistical Society, 1957, 120(3):253-278.

[2]
马晓龙. 国内外旅游效率研究进展与趋势综述[J]. 人文地理, 2012, 27(3):11-17.

[3]
徐冬, 黄震芳, 胡小海, 等. 浙江省县域旅游效率空间格局演变及影响因素[J]. 经济地理, 2018, 38(5):197-207.

DOI

[4]
方叶林, 黄震方, 李东和, 等. 中国省域旅游业发展效率测度及其时空演化[J]. 经济地理, 2015, 35(8):189-195.

[5]
Gössling S, Peeters P, Ceron J P, et al. The eco-efficiency of tourism[J]. Ecological Economics, 2005, 54(4):417-434.

[6]
姚治国, 陈田, 尹寿兵, 等. 区域旅游生态效率实证分析——以海南省为例[J]. 地理科学, 2016, 36(3):417-423.

DOI

[7]
Schaltegger S, Sturm A. Ökologische rationalität[J]. Die Un-ternehmung, 1990, 44(4):273-290.

[8]
彭薇, 熊科. 环境压力视角的广东省市域生态效率综合评价[J]. 经济地理, 2018, 38(8):179-186.

DOI

[9]
佟连军, 宋亚楠, 韩瑞玲, 等. 辽宁沿海经济带工业环境效率分析[J]. 地理科学, 2012, 32(3):294-300.

DOI

[10]
Camarero M, Castillo J, Andrés J, et al. Eco-efficiency and convergence in OECD countries[J]. Environmental & Resource,Economics, 2013, 55(1):87-106.

[11]
彭红松, 章锦河, 韩娅, 等. 旅游地生态效率测度的SBM-DEA模型及实证分析[J]. 生态学报, 2017, 37(2):628-638.

[12]
姚治国, 陈田. 旅游生态效率研究进展[J]. 旅游科学, 2016, 30(6):74-91.

[13]
Charnes A, Cooper W W, Rhodes E. Measuring the efficiency of DMU[J]. European Journal of Operational Research, 1978, 2(6):429-444.

[14]
曹芳东, 黄震方, 吴江, 等. 国家级风景名胜区旅游效率测度与区位可达性分析[J]. 地理学报, 2012, 67(12):1686-1 697.

[15]
郭露, 徐诗倩. 基于超效率DEA的工业生态效率——以中部六省2003—2013年数据为例[J]. 经济地理, 2016, 36(6):116-121.

[16]
Fare R, Grosskopf S, Lovell C A K. Productivity change in Swedish pharmacies 1980-1989:a nonparametric Malmquist approach[J]. Journal of Productivity Analysis, 1992, 3(1-2):85-101.

[17]
Cooper W W, Seiford, L M, Tone K. Data Envelopment Anal-ysis:a comprehensive text with models,applications,references and DEA-Solver Software[M]. New York: Springer Science and Business Media, 2007.

[18]
马晓龙. 2000—2011年中国主要旅游城市全要素生产率评价[J]. 资源科学, 2014, 36(8):1626-1 634.

[19]
Anselin L. The local indicators of spatial association-LISA[J]. Geographical Analysis, 1995, 27(2):93-115.

Options
Outlines

/

〈 〉