产业集聚对旅游业全要素生产率的影响_基于中国旅游业省级面板数据的实证研究

产业集聚对旅游业全要素生产率的影响_基于中国旅游业省级面板数据的实证研究
产业集聚对旅游业全要素生产率的影响_基于中国旅游业省级面板数据的实证研究

产业集聚对旅游业全要素生产率的影响——基于中国旅游业省级面板数据的实证研究

郭悦1,钟廷勇2,安烨1

(1.东北师范大学商学院,吉林长春130012;2.重庆工商大学会计学院,重庆400067)

[摘要]文章使用2005—2012年全国各省份的旅游业相关数据作为样本,运用系统矩估计方法,实证分析了产业集聚对旅游业全要素生产率的影响,并探讨了产业集聚对全要素生产率的作用机理。结果表明:第一,我国旅游业的年均全要素生产率增长为8.4%,其中技术进步实现增长10.2%,但是技术效率退化了1.6%,表现在纯技术效率和规模效率的恶化。第二,旅游业产业集聚对各省旅游业的全要素生产率具有显著的正向影响,产业集聚程度较高的地区,旅游业的全要素生产率也较高。第三,旅游业产业集聚对旅游业的技术效率具有显著为正的影响,但是对旅游业的技术进步影响并不显著,产业集聚对旅游业全要素生产率的促进作用主要是通过改善旅游业技术效率实现的。第四,产业集聚能够有效促进旅游业规模效率和纯技术效率的提升,但是二者在程度上存在较大差异,其对规模效率的促进作用小于其对纯技术效率的影响。

[关键词]旅游业;产业集聚;全要素生产率;系统矩估计[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006(2015)05-0014-09

Doi:10.3969/j.issn.1002-5006.2015.05.002

引言

改革开放以来,我国国民经济保持了年均10%的高速增长。目前,这种以投资和出口拉动的高速

增长已经难以为继,国民经济将进入中高速增长的“新常态”。在新常态下,如何拉动内需,使消费成为拉动经济增长的主要动力,优化产业结构,增加服务业在国民经济中的比重成为重要的现实问题。旅游业是许多国家和地区实现经济增长和结构调整的有效切入点和重要突破口,具有综合性强、关联度大、产业链长、涉及行业广等特点。正因如此,国务院于2009年发布了《国务院关于加快发展旅游业的意见》(国发〔2009〕41号),提出要将旅游业培育为国民经济的战略性支柱产业和人民群众更加满意的现代服务业。2014年8月,国务院出台了《关于促进旅游业改革与发展的若干意见》(国发〔2014〕31号),进一步指出“旅游业是现代服务业的重要组成部分”,并提出到2020年,旅游业增加值占国内生产总值的比重超过5%的目标,为将旅游业打造成为战略性支柱产业制定了具体时间表。各地方政府也将旅游业置于经济发展战略的核心。截至2013年,全国共有31个省、自治区、直辖市将旅游业定为支柱产业,其中24个省区市将旅游业定位为战略性支柱产业。

在各地加大对旅游业的投资力度,不断上马新的旅游项目的时候,有学者诟病中国旅游业正在走一条高投入、低产出的发展道路[1]。根据新经济增长理论,经济增长的动力在于要素累积和生产率提高,由于要素累积的有限性,一个产业必须提高生产率,才能获得持续增长的动力。在国务院发布的《关于促进旅游业改革与发展的若干意见》(国发〔2014〕31号)中明确提出要转变旅游业的发展方式,以转型升级、提质增效为主线,推动旅游产品的多样化,并且在旅游开发中注重资源能源节约和环境保护,从粗放型开发向集约型开发转变。产业集聚作为一种世界性的经济现象,受到越来越多专家学者的关注。最早对产业集聚现象进行描述和分析的经济学家是Alfred Marshall[2],他认为产业集聚

[基金项目]本研究受吉林省发改委基金项目“吉林省市政基础设施融资模式研究”(吉发改投资〔2013〕1188号)及国家社会科学基金青年项目“新型城镇化背景下我国旅游业影响经济增长的效应、机制与政策研究”(14CGL023)资助。[This study was supported by grants from Jilin Province Development and Reform Commission(to AN Ye)(No.〔2013〕1188)and the National Social Science Foundation of China on Youth(to ZHAO Lei)(No.14CGL023).]

[收稿日期]2014-08-08;[修订日期]2014-12-23

[作者简介]郭悦(1984—),女,吉林长春人,博士研究生,研究方向为旅游产业经济学;钟廷勇(1984—),男,重庆人,博士,讲师,研究方向为管理决策与管理效率;安烨(1965—),女,吉林长春人,博士,教授,博士生导师,研究方向为产业投融资。

能促进专业化供应商队伍的形成,有利于劳动力市场共享和知识外溢,从而使集中在一起的厂商比单个孤立的厂商更有效率。新竞争优势理论的代表人物Michael E.Porter[3]认为,集聚会以一种创新的发展方式使彼此孤立的中小型企业结合起来,最大程度地整合其自然优势和禀赋,提升产业整体的生产效率和竞争优势,并指出旅游业涉及的行业众多,且行业之间多呈水平式的关联,吃、住、行、游、购、娱是一个整体,是集聚效应最明显,最适合集聚化发展的产业之一,建议国家应把旅游企业集群作为重点培植对象。

本文使用全要素生产率(total factor productivity)对中国旅游业的生产效率进行测量,运用系统矩估计方法实证分析产业集聚对旅游业全要素生产率的影响程度,并探讨产业集聚对旅游业全要素生产率的作用机理。本文有两点创新:首先,在研究方法上,本文考虑到关键变量的内生性问题,采用系统矩估计,使获得的结果更加可靠。第二,本文不仅分析了产业集聚对旅游全要素生产率的总体影响,而且还将旅游业全要素生产率分解为技术进步、规模效率和纯技术效率,并分别计量了产业集聚对这三部分的影响程度,从而具体地剖析了产业集聚对旅游业全要素生产率产生作用的机制和渠道,为地方政府有的放矢地制定旅游产业政策提供了依据。

1文献评述

1.1旅游业集聚

国内外学者对于旅游业集聚的研究始于20世纪末,研究者们试图将产业集聚的分析框架应用到旅游业中去,讨论的话题主要集中在旅游业集聚的原因、影响因素、效应等方面。首先,对于旅游业集聚形成的原因,学者们普遍认为,提升旅游区域的竞争力是旅游业集聚形成的根本原因[4]。根据效用最大化原则,消费者总是希望在有限的时间内,通过有限的花费获得更多的旅游体验。这就要求旅游企业之间结成联盟,以一种创新的方式结合起来,最大限度地整合其自然优势和禀赋,提供更加丰富的产品以满足不同消费者的需求。Jackson和Murphy指出旅游企业集聚的成因主要是外部性,认为旅游企业集聚是为了获得重要的企业联系、互补的技术、技能、信息、市场和跨企业的顾客需求的外溢[5]。第二,对旅游业集聚影响因素的分析中,比较有代表性的是邓冰等的研究,他们认为影响旅游业集聚的因素主要有资源禀赋、客源市场、交通区位、产业链和政策作用等[6]。第三,关于旅游业集聚的效应,James等认为集聚经济的发展有利于减少旅游目的地的漏损,提高旅游目的地的经营收益[7]。Lafferty和Van Fossen通过实证分析证明,集聚在防止旅游目的地衰退的过程中发挥了重要作用[8]。刘佳和赵金金运用全局空间自相关Moran’s I指数、空间关联局域指标(local indicator of spatial association,LISA)分析,考察了中国大陆31个省级区域旅游业集聚与旅游经济增长的空间相关性,结果表明旅游业集聚对区域旅游经济增长有显著的正向影响,并表现为较强的空间溢出效应[9]。王凯和易静基于2010年31个省区的截面数据,考察了产业集聚和旅游业绩效之间的关系,结果发现旅游业集聚对产业利润率和劳动生产率的提高有显著的正向影响作用[10]。冯卫红认为旅游业集聚有利于创新,并且在旅游业集群中,通过组织间的互动,实现知识的产生、传递和积累,从而实现内生增长和竞争力的提升[11]。

1.2旅游业的全要素生产率

国外的学者对旅游业全要素生产率的研究主要关注旅游业的微观领域,先后对酒店业、旅行社、景区景点等旅游行业或具体企业进行全要素生产率的测算[12-13]。国内学者主要关注旅游业的宏观领域,文献中主要分省、分区域对全要素生产率进行测算。其中,比较有影响力的是左冰和保继刚采用生产函数法对1992—2005年中国旅游业全要素生产率进行了研究,结果发现中国旅游业的增长方式属于典型的劳动力驱动型;旅游业年均全要素生产率为2.91%;技术进步速度缓慢的原因主要在于投资效率低下和基础设施投资不足[14]。陈芳对西部12个省区市2000—2010年间的旅游业全要素生产率进行了测算,结果表明这11年间西部省区的旅游业全要素生产率的平均值为0.715,还对影响全要素生产率发展的因素进行了分析,结果发现地区经济发展水平、服务业发展水平、区位条件、固定资产投资规模对旅游业全要素生产率有正向影响[15]。赵磊利用Malmquist指数法测算了2001—2009年中国各省旅游全要素生产率,并对其进行了生产率指数的分解,得到的结果是:中国旅游业全要素生产率的年均增长为12.7%,其中,技术进步创新率为6.7%,技术效率增长为5.6%,技术进步是中国旅游全要素生产率增长的主要源泉[16]。张丽峰使用1997—

2009年的数据对我国31个省的旅游业全要素生产率进行了测度和分解,研究发现我国旅游业全要素生产率年均增长2.5%,我国旅游业属粗放型增长,且存在区域差异,东部旅游业全要素生产率增长最快,其次是中部和西部[17]。

1.3产业集聚对全要素生产率的影响

目前,国内文献中尚无针对产业集聚对旅游业全要素生产率影响的专门分析,本文对产业集聚对其他产业的全要素生产率的影响进行简要综述。刘艳萍运用面板数据回归,对长三角地区制造业行业全要素生产率的影响因素进行实证检验,结果发现产业集聚和企业规模对全要素生产率增长的作用显著,且产业集聚的作用大于企业规模的作用[18]。战炤磊和王凯利用Malmquist生产率指数法测算了2000—2008年江苏省农产品加工业12个细分行业的全要素生产率,并使用面板数据模型分析了产业集聚和企业规模对农产品加工业全要素生产率的影响,结果发现产业集聚对全要素生产率增长有显著正向影响,而企业规模对全要素生产率增长有显著负向影响[19]。李静和李宁周利用1998—2007年中国工业企业微观数据,考察了制造行业集聚指数对全要素生产率的影响程度。文中使用EG 指数表示制造行业集聚指数,采用LP方法计算企业的全要素生产率,结果发现集聚有助于企业全要素生产率的提高,且集聚与生产率之间呈现倒“U”形演化关系[20]。

2旅游业全要素生产率的测算和产业集聚的衡量

2.1旅游产业全要素生产率的测算

2.1.1基于DEA测算旅游业全要素生产率

钟廷勇和安烨将行业全要素生产率的测算划分为两种类型:基于前沿分析方法下的全要素生产率测算,一般以数据包络分析(data envelopment analysis,DEA)和SFA为代表,二是非前沿分析方法下的全要素生产率的测算,一般以增长核算法和回归分析方法为代表[21]。从现有的文献来看,对行业层面的全要素生产率的测算,多数学者采用DEA方法(如刘艳萍[18],战炤磊和王凯[19],李静和李宁周[20]等都采用DEA制造业全要素生产率的测算)。因此,本文对旅游产业全要素生产率测算也采用DEA方法。

根据Ray和Desli的理论,可以获得基于t期和t+1期基准技术的Malmquist生产指数[22]:

M

t

(x t,y t,x t+1,y t+1)=

D t

C

(x t+1,y t+1)

D t

C

(x t,y t)

(1)

M

t+1

(x t,y t,x t+1,y t+1)=

D t+1

C

(x t+1,y t+1)

D t+1

C

(x t,y t)

(2)可以将Malmquist综合生产指数定义为上述二者的几何平均数:

M(x t,y t,x t+1,y t+1)=[M

t

×M

t+1

]

1

2

=[

D t

C

(x t+1,y t+1)

D t

C

(x t,y t)

×

D t+1

C

(x t+1,y t+1)

D t+1

C

(x t,y t)

]

1

2

(3)

按照Ray和Desli[22]的指数分解方法,可以把技术效率分解为规模效率和纯技术效率两个部分,最后全要素生产率分解为:

TFP=M(x t,y t,x t+1,y t+1)

=[

D t

C

(x t,y t)

D t+1

C

(x t,y t)

×

D t

C

(x t+1,y t+1)

D t+1

C

(x t+1,y t+1)

]

1

D t+1

C

(x t+1,y t+1)

D t

C

(x t,y t)

×

D t+1

C

(x t+1,y t+1)/D t+1

V

(x t+1,y t+1)

D t

C

(x t,y t)/D t

V

(x t,y t)

=Techch×Pech×Sech(4)TFP表示文化产业全要素生产率,分解式的第一项Techch表示技术进步变化情况,Pech表示纯技术效率变化情况,Sech表示规模效率变化。根据公式(4),不仅可以测算旅游业全要素生产率的总体变化趋势,更能清楚地知道全要素生产率变化的主要驱动因素。

2.1.2样本与数据

由于国内尚未建立统一的旅游卫星账户,各省旅游收入的统计口径有很大差别。为了得到较为客观的计量结果,一些学者选择企业层面的数据计算旅游业的全要素生产率,如左冰和保继刚[14]采用旅游企业营业收入之和作为衡量旅游业产出的指标,以旅游企业年末就业人数之和与资本存量之和作为衡量旅游业投入的指标,计量旅游业全要素生产率,本文沿袭了这种数据选取的方法。根据《中国旅游统计年鉴(正副本)》,旅游企业包括旅游景区、星级饭店、旅行社、旅游车船公司和其他旅游企业。2005—2012年间,旅游车船公司及其他旅游企业数据缺失严重,且各年统计口径不一致,所以本文主要以旅游景区、星级饭店、旅行社三部分作为研究样本,利用两种投入、单一产出的投入导向型DEA测算旅游业全要素生产率。劳动投入采用上述3个行业各省的年末从业人员数量之和,资本数据采用上述3个行业各省年末固定资产原值之和,并利用“固定资产投资价格指数”将其平减至2005年不变价格;产出数据采用3个行业各省营业收入

之和,并利用“旅游类居民消费价格指数”折算成2005年不变价格下的旅游收入数据。以上数据来自《中国统计年鉴》和《中国旅游统计年鉴(正副本)》。将以上数据带入DEAP2.1中可以测算出中国各省2005—2012年旅游业全要素生产率(表1)。

在表1中,技术效率变化指数是基于规模报酬可变并且要素自由配置条件下,从t期到t+1期每个省份的实际产出与前沿面最大可能产出之间距离的变化程度,技术效率衡量了一个地区有效使用资源的效率;技术进步变化指数表示各省份旅游生产力从t期到t+1期的变化情况,衡量了各地区旅游业技术升级情况。纯技术效率和规模效率是对技术效率的进一步分解,因此,全要素生产率既可以是技术进步与技术效率的乘积,也可以表示为技术进步、纯技术效率和规模效率的乘积。均值是基于各年数据的几何平均数计算得到的。

表1显示,我国旅游业的年均全要素生产率增长率为8.4%,其中技术进步实现增长10.2%,但是技术效率退化了1.6%,表现在纯技术效率和规模效率的恶化。这至少说明两点:第一,我国旅游业全要素生产率的增长主要由技术进步所推动;第二,我国旅游业管理效率不高,旅游业的发展并没有形成有效的规模经济。

2.2产业集聚的衡量

目前,国内外关于产业集聚测度方法主要有区位熵、行业集中度、基尼系数、赫芬代尔系数、H指数、E—G指数、主成分分析法、CR n指数等。本文主要采用区位熵指数来衡量我国旅游业在各省的空间集聚程度,其计算公式借鉴安烨和钟廷勇[23]计算文化产业区位熵的计算方法:

Agg

it

=

income

it

gdp

it

income

t

gdp

t

(5)其中,Agg it是第i省t时期的区位熵指数,它表示第i省t时期旅游收入占全省GDP的比重与全国旅游收入与全国GDP比重的比值,衡量了一个省份旅游产业在全国所占份额,如果该指数大于1表示该省旅游业产业集聚趋势明显,相应的计算结果见表2。

由表2可知,我国旅游业整体上出现了产业集聚趋势,全国旅游业区位熵指数的均值为1.0012,呈现出产业集聚的趋势,但是这种趋势还十分微弱。此结论与一些学者的研究结果相吻合。杨勇通过空间基尼系数、行业区域集聚系数和区域共同集聚

表1旅游业全要素生产率及其分解值(2005—2012)

Tab.1TFP of China’s tourism industry and its decomposition(2005—2012)

年份Year 2005—2006 2006—2007 2007—2008 2008—2009 2009—2010 2010—2011 2011—2012均值Mean 技术效率Techef

0.945

0.711

1.076

0.461

0.562

4.745

1.008

0.984

技术进步Techch

1.084

1.464

0.995

2.491

2.999

0.156

1.068

1.102

纯技术效率Pech

0.936

0.817

1.101

0.596

0.721

2.821

0.945

0.995

规模效率Sech

1.01

0.87

0.977

0.773

0.78

1.682

1.067

0.99

全要素生产率TFP

1.025

1.041

1.07

1.148

1.685

0.741

1.077

1.084

数据来源:《中国统计年鉴》和《中国旅游统计年鉴》,利用DEAP2.1计算全要素生产率。

表2我国旅游业产业集聚省份分布

Tab.2Agglomeration status of China’s tourism industry in different provinces

省份Province

北京Beijing

天津Tianjin

河北Hebei

山西Shanxi

内蒙古Inner Mongolia 辽宁Liaoning

吉林Jilin

黑龙江Heilongjiang 上海Shanghai

江苏Jiangsu

产业集聚

Agglomeration status

3.576

0.452

0.397

0.651

0.289

0.713

0.385

0.341

2.142

0.683

省份Province

浙江Zhejiang

安徽Anhui

福建Fujian

江西Jiangxi

山东Shandong

河南Henan

湖北Hubei

湖南Hunan

广东Guangdong

广西Guangxi

产业集聚

Agglomeration status

1.127

0.786

0.746

0.802

0.547

0.327

0.653

1.070

1.003

0.745

省份Province

海南Hainan

重庆Chongqing

四川Sichuan

贵州Guizhou

云南Yunnan

陕西Shaanxi

甘肃Gansu

青海Qinghai

宁夏Ningxia

新疆Xinjiang

产业集聚

Agglomeration status

2.768

1.735

1.525

0.786

1.384

0.654

0.634

0.618

1.530

0.964

注:产业集聚变量是基于各省各年算术平均值计算得到。

系数等指标对我国旅游产业集聚现象进行了测算和分析,结果表明我国旅游产业集聚现象已经成为一种客观存在的现象[4]。王凯和易静使用基尼系数和E—G指数作为测量旅游业集聚程度的指标,结果表明旅游业的空间集聚现象存在但程度较低[10]。另外,从产业集聚的空间分布来看,产业集聚程度较高的省份主要有北京、海南、上海、云南、广东等,其区位熵指数超过了1,而产业集聚程度较低的省份主要有天津、河北、吉林、黑龙江、河南、内蒙古等,其区位熵指数低于0.5。

3产业集聚对旅游业全要素生产率影响的实证检验和作用机理分析

3.1计量模型

为了检验产业集聚与旅游业全要素生产率之间的内在关系,本文建立如下基本模型:

ln TFP

it =β

ln agg

it

+∑j=1nβj ln X j it+μit(6)

其中,i、t分别表示省份和年份,j表示控制变量种类,X表示其他控制变量,本文主要选择人均GDP、星级酒店数量、旅行社数量、景区景点数量、旅游业规模(用各省旅游业年末固定资产数衡量)。

各省旅游业全要素生产率的调整可能是一个动态变化过程,当前旅游业全要素生产率可能依赖于过去全要素生产率,为了防止模型设定的偏误,在模型中引入全要素生产率的滞后项,从而得到各省旅游业全要素生产率的动态模型,因此可以将模型(6)修改如下:

ln TFP

it

=

β0+φ

1

ln TFP

it-1

1

ln agg

it

+∑j=1nβj ln X j it+μit(7)

为了考察产业集聚对旅游业全要素生产率的作用机理,建立如下4个方程:

ln Techch

it

=

β0+φ

1

ln Techch

it-1

1

ln agg

it

+∑j=1nβj ln X j it+μit(8)

ln Techef

it

=

β0+φ

1

ln Techef

it-1

1

ln agg

it

+∑j=1nβj ln X j it+μit(9)

ln Pe ch

it

=

β0+φ

1

ln Pech

it-1

1

ln agg

it

+∑j=1nβj ln X j it+μit(10)

ln Sech

it

=

β0+φ

1

ln Sech

it-1

1

ln agg

it

+∑j=1nβj ln X j it+μit(11)

其中,Techch、Techef、Pech、Sech分别表示旅游

业的技术进步、技术效率、纯技术效率和规模效

率。通过以上4个方程,可以明确产业集聚对旅游

业全要素生产率的作用渠道。

3.2计量方法

由于本文的模型中考虑被解释变量的滞后项,

以及模型中的解释变量可能存在内生性问题,为了

得到一致无偏的估计量,一般采用工具变量法或者

广义矩估计法。但是正如Baltagi等[24]指出,工具变

量法或者固定效应法能够解决内生性的前提是样

本的时间跨度特别长,如果在较短的面板模型中固

定效应不能消除内生性问题,估计的系数将是有偏

且非一致的。此时广义矩估计是最好的选择。广

义矩估计分为差分矩估计(DIF—GMM)和系统矩

估计(SYS—GMM),Blundell和Bond[25]证明在满足

一定的初始条件下,SYS—GMM比DIF—GMM估

计的参数更为一致。本文通过AR检验和Sargan检

验验证模型设定合理性和工具变量选用的有效性。

3.3回归结果与分析

3.3.1产业集聚对旅游业全要素生产率的总体

影响

本文首先基于方程(7)的产业集聚对旅游业全

要素生产率的影响进行普通最小二乘估计

(ordinary least squares,OLS),具体结果见表3的第

2列,产业集聚变量系数为0.415,并且在1%显著水

平下通过假设检验,其他控制变量在5%下显著,这

表明产业集聚对旅游业全要素生产率具有很强的

促进作用。OLS估计方式是将全部数据堆积在一

起然后估计出参数,忽略了数据的面板特征,由于

模型是基于省级面板数据,区域异质性和时期异质

性会影响不同区域旅游业全要素生产率,比如赵磊[16]

认为中国旅游全要素生产率存在显著的时空差异

性,区域旅游资源禀赋、区位因素等会影响各区域

全要素生产率,不考虑区域异质性会导致参数估计

的偏误,因此在第3列采用了固定效应模型进行估

计,结果发现产业集聚依然在1%显著水平下通过

检验,区别于OLS估计的结果,FE估计的产业集聚

对旅游业全要素生产率的影响更大,其系数为

0.839,是OLS估计结果的两倍多,因此FE有效修正

了OLS的偏误。由于将被解释变量滞后一期引入

模型中导致了内生性问题的产生,因此在第4列中,

本文采用工具变量法对其估计。工具变量有3个:

分别是全要素生产率滞后2期、技术效率滞后2期、

技术进步滞后2期,结果发现前两个工具变量有效克服了内生性问题,估计的产业集聚依然显著,其结果要高于OLS但是低于FE,其他控制变量显著性与二者相似。表3的最后一列是采用系统矩估计进行参数估计。广义矩估计分为差分矩估计(DIF—GMM)和系统矩估计(SYS—GMM)两种方法,由于前者的有限样本特征较差,特别是在滞后期与随后的一阶差分项存在弱相关时,工具变量将变得较弱,而后者将差分方程和水平方程结合在一起,从而有效提供了估计的有效性,因此本文主要采用系统矩估计。从估计结果来看,产业集聚对旅游业全要素生产率的影响依然显著,其系数较之IV估计有所提升。另外,其他控制变量显著性与前面基本相似。为了增强对模型的估计结果的可靠性,需要对模型设定和工具变量的选择进行检验,主要采用AR检验和Sargan检验。结果AR(1)在1%下显著,而在AR(2)中不显著,这表明本文采用SYS—GMM是合适的,另外从Sargan检验来看,其值在1%下通过检验,表明工具变量的选择也是有效的。

从表3可以看出,产业集聚对旅游业全要素生产率产生了极强的促进作用,这意味着各地区通过产业集聚能够提升旅游业的生产效率,继而提升旅游业的整体竞争力。但是旅游业规模对旅游业全要素生产率产生负面影响,这一点在上述4种估计中得到了一致性的结论。可能的原因是,我国旅游业尚处于起步阶段,在增加对旅游业的固定资产投资,扩大旅游业规模的同时,管理、服务、营销等方面却相对滞后,这无形中伤害了旅游业的全要素生产率的提升。另外,从表3中可以看出旅行社数量和景区数量的增加有利于旅游业全要素生产率的提高,但是星级酒店数量的增加对旅游业全要素生产率的提高具有负面影响。

3.3.2产业集聚对旅游业全要素生产率的作用渠道分析

上面的分析表明,产业集聚在总体上有利于旅游业全要素生产率的提升,但是并不清楚这种积极的影响是通过哪种渠道进行传导的,因此,下面基于方程(8)~(11),采用SYS—GMM进一步考察产业集聚对旅游业全要素生产率的作用机制,估计结果见表4。

表4中第2列显示的是产业集聚对旅游业全要素生产率的影响,从估计结果来看,这种影响是显著的。根据理论分析来看,全要素生产率可以分解为技术进步、技术效率两部分,另外技术效率可以进步细分为规模效率和纯技术效率,为了弄清楚产业集聚对全要素生产率的作用渠道,本文首先将产业集聚变量和其他控制变量对技术进步进行SYS—GMM估计,结果如第3列所示。从估计结果

表3产业集聚与旅游业全要素生产率的估计结果

Tab.3The estimation results of the agglomeration status and the TFP of China’s tourism industry

变量Variable 集聚水平ln agg

旅游业规模ln size

人均GDP ln gdp

旅行社数量ln travel

星级酒店数量ln hotel

景区景点数量ln spot

常数项cons

AR检验值AR(1)

AR(2) Sargan检验值Sargan 普通最小二乘估计OLS

0.415***

(6.47)

-0.339***

(-4.08)

-0.003

(-0.04)

0.451***

(4.29)

-0.184**

(-2.06)

0.136***

(3.27)

2.626***

(3.41)

固定效应模型FE

0.839***

(8.42)

-0.548***

(-3.45)

0.104

(0.54)

0.211

(0.53)

-0.235*

(-1.66)

0.132**

(2.51)

6.452**

(2.56)

工具变量法IV

0.482***

(7.74)

-0.381***

(-4.57)

-0.043

(-0.50)

0.562***

(5.40)

-0.238***

(-2.73)

0.147***

(3.51)

3.250***

(4.00)

系统矩估计SYS—GMM

0.648***

(7.73)

-0.502***

(-4.63)

-0.060

(-0.61)

0.704***

(5.28)

-0.229*

(-1.88)

0.126**

(2.37)

4.290***

(4.55)

-5.67[0.000]

-1.59[0.113]

61.16[0.28]

注:表中圆括号中为Z统计量,方括号内为P值;***、**、*分别代表在1%、5%、10%的显著性水平。

来看,虽然产业集聚变量为正,但是除了景区数量外,产业集聚变量及其他变量并不显著,这说明当前我国旅游业的产业集聚虽然从理论上应该促进旅游业的技术进步,但是目前这种促进效应并没有显现出来。同样地,将产业集聚对旅游业技术效率进行回归时发现,产业集聚具有非常强的显著性,除了人均GDP和星级酒店数量不显著外,其他控制变量都显著。值得注意的是,产业集聚对技术效率的影响程度要超过其对全要素生产率的总体影响,结合其对技术进步的不显著的影响来看,说明当前我国旅游业中的产业集聚对全要素生产率的影响主要通过技术效率发挥作用。

由于技术效率可以进一步分解为纯技术效率和规模效率,而产业集聚可能会形成规模经济,那么,产业集聚对技术效率强烈的促进效应到底源于纯技术效率的提升,还是源于规模效率的改善呢?因此将产业集聚对纯技术效率和规模效率进行回归,其结果见表4的最后两列。结果表明,产业集聚对旅游业的纯技术效率和规模效率都具有较强的促进效应,但是对纯技术效率的影响要超过规模效率。具体说来,产业集聚对纯技术效率的影响为0.422,而对规模效率的影响只有0.258,二者之和为0.68,正好与产业集聚对技术效率的影响相近。

基于以上分析可以看出,产业集聚与旅游业全要素生产率之间确实存在较强的内在联系,在旅游业产业集聚水平较高的地区,产业集聚通过形成规模经济,促进集聚区纯技术效率的提升以此改善该地区总体技术效率,从而推动旅游业全要素生产率的提高,由于我国旅游业发展尚处于初级阶段,产业集聚尚未对旅游业的技术进步形成实质性的促进作用。

4研究结论

本文利用2005—2012年我国各省份作为样本,运用系统矩估计方法,实证分析了产业集聚与旅游业全要素生产率之间的内在关系,并实证探讨了产业集聚对全要素生产率的作用机理,实证结果表明:

第一,我国旅游业的年均全要素生产率增长率为8.4%,其中技术进步实现增长10.2%,但是技术效率退化了1.6%,表现在纯技术效率和规模效率的恶化。这至少说明两点:首先,我国旅游业全要素生产率的增长主要由技术进步所推动;其次,我国旅游业管理效率不高,旅游业的发展并没有形成有效的规模经济。

第二,旅游业产业集聚对各省旅游业的全要素生产率具有显著为正的影响,产业集聚程度较高的

表4产业集聚对旅游业全要素生产率的作用渠道估计结果Tab.4The estimation results of the industrial agglomeration effect on the TFP

变量Variable 集聚水平ln agg

旅游业规模ln size

人均GDP ln gdp

旅行社数量ln travel

星级酒店数量ln hotel

旅游景点数量ln spot

常数项cons

变量个数N

AR检验AR(1)

AR(2)

Sargan检验Sargan 全要素生产率TFP

0.648***

(7.73)

-0.502***

(-4.63)

-0.060

(-0.61)

0.704***

(5.28)

-0.229*

(-1.88)

0.126**

(2.37)

4.290***

(4.55)

210

-5.67

[0.00]

-1.59

[0.113]

29.852

[0.31]

技术进步率Techch

0.003

(0.02)

-0.016

(-0.08)

0.032

(0.17)

-0.204

(-0.79)

-0.351

(-1.49)

0.599***

(5.86)

0.535

(0.29)

210

-7.556

[0.00]

-3.588

[0.165]

130.802

[0.45]

技术效率Techef

0.670***

(4.96)

-0.456***

(-2.64)

-0.055

(-0.34)

0.876***

(4.08)

0.097

(0.49)

-0.463***

(-5.42)

3.266**

(2.16)

210

-7.499

[0.00]

-3.348

[0.232]

90.812

[0.38]

纯技术效率Pech

0.422***

(3.93)

-0.278**

(-2.00)

-0.074

(-0.59)

0.639***

(3.74)

-0.026

(-0.17)

-0.310***

(-4.52)

2.369**

(1.97)

210

-7.217

[0.00]

-3.062

[0.489]

76.812

[0.33]

规模效率Sech

0.258***

(3.83)

-0.194**

(-2.24)

0.026

(0.33)

0.241**

(2.27)

0.141

(1.47)

-0.162***

(-3.85)

0.961

(1.28)

210

-7.484

[0.00]

-0.307

[0.76]

47.209

[0.36]

注:表中圆括号中为Z统计量,方括号内为P值;***、**、*分别代表在1%、5%、10%的显著性水平。

地区,旅游业的全要素生产率也较高。

第三,旅游业产业集聚对旅游业的技术效率具有显著为正的影响,但是对旅游业的技术进步的影响并不显著,产业集聚对旅游业全要素生产率的促进作用主要是通过改善旅游业技术效率实现的。

第四,产业集聚能够有效促进旅游业规模效率和纯技术效率的提升,但是二者存在较大差异,其对规模效率的促进作用要小于其对纯技术效率的影响。产业集聚对旅游业全要素生产率的作用机理为:通过旅游业在空间上的集聚产生两种效应,分别改善旅游业纯技术效率和规模效率,进而导致旅游业技术效率的提升,最后达到促进旅游业全要素生产率提高的目的。

本文的研究结论在政策上的启示为:第一,旅游企业在引进技术的同时,应着重提高管理水平,增加人力资源开发的投入,从而提高现有技术的使用效率。第二,旅游企业应树立区域营销的观念,加强与邻近旅游企业的合作,通过优势互补为旅游者提供更丰富多样的旅游产品,提高旅游者的满意度,从而增强所在区域的旅游产业竞争力。第三,政府应在信息、资金、政策等方面对本地旅游产业集聚的形成和发展加以扶持,建立中介组织并设立专项基金,鼓励企业利用产业链等市场关联及社会网络等非市场关联,促进产业集聚的知识外溢,充分发挥旅游产业集聚的规模效应。

本研究尚有不足之处,期待在后续的研究中加以完善。首先,本文使用宏观数据对旅游产业集聚对旅游业全要素生产率的影响进行分析,期待以后进行一些微观的调研,对产业集聚对旅游业生产效率的影响程度及机制进行更深入细致的观察和剖析。同时,在本文使用的模型中,控制变量的选取不够全面,随着研究的深入,将在模型中加入更多的控制变量,以期对旅游产业全要素生产率的影响因素有更全面的把握。

参考文献(References)

[1]Lin Yuanyuan.Studying on Economic Performance of China

Regional Tourism Industry and Its Effecting Factors[D].

Nanjing:Nanjing University of Aeronautics and Astronautics,

2010.[林源源.我国区域旅游业经济绩效及其影响因素研究

[D].南京:南京航空航天大学,2010.]

[2]Marshall A.Principles of Economics[M].London:Macmillan,

1890:24.

[3]Porter M E.Clusters and new economics of competition[J].

Harvard Business Review,1998,11:77-91.

[4]Yang Yong.An empirical study on the fluctuation trend of

regional agglomeration degree of China’s tourism industry[J].

Tourism Tribune,2010,25(10):37-42.[杨勇.中国旅游业区域

聚集程度变动趋势的实证研究[J].旅游学刊,2010,25(10):37-

42.]

[5]Jackson J,Murphy P.Tourism destination as clusters:Analytical

experience from the New World[J].Tourism and Hospitality Research,2002,4(1):36-52.

[6]Deng Bing,Yu Xi,Wu Bihu.Tourism industry cluster and its

influential factors[J].Journal of Guilin Institute of Tourism,2004, 15(6):53-57.[邓冰,俞曦,吴必虎.旅游业的集聚及其影响因素初探[J].桂林旅游高等专科学校学报,2004,15(6):53-57.] [7]James G,Hosier A,Woo https://www.360docs.net/doc/8b4151081.html,ing Cluster-based Economic

Strategy to Minimize Tourism Leakages[R].New York:Global Economic Development Practice(GEDP),2002:1-59.

[8]Lafferty G,Fossen A V.The role of clusters in preventing

tourism decline:A conceptual and empirical examination[J].

International Journals of Services Technology and Management, 2005,6(2):1-59.

[9]Liu Jia,Zhao Jinjin.Spatial association and function mechanism

between tourism industrial structure and tourism industrial cluster in China[J].Journal of Capital University of Economics and Business,2013,(3):40-49.[刘佳,赵金金.中国旅游产业结构与旅游产业集聚空间关联与相互作用的实证研究[J].首都经济贸易大学学报,2013,(3):40-49.]

[10]Wang Kai,Yi Jing.Correlation between regional agglomeration

and performance of tourism industry:A case study of31 provinces of China[J].Progress in Geography,2013,32(3):465-474.

[王凯,易静.区域旅游业集聚与绩效的关系研究——基于中国31个省区的实证[J].地理科学进展,2013,32(3):465-474.] [11]Feng Weihong.The innovation mechanism of tourism cluster:

The summery and exploratory based on cases[J].Reformation&Strategy, 2013,29(11):100-104.[冯卫红.旅游业集群创新机制:基于案例的总结和探讨[J].改革与战略,2013,29(11):100-104.] [12]Such M J S,Zamora M D M.Spanish productivity:A regional

approach[J].Annals of Tourism Research,2006,33(3):666-683.

[13]Blake A,Sinclair M T.Tourism productivity:Evidence from the

United Kingdom[J].Annals of Tourism Research,2006,33(4): 1099-1120.

[14]Zuo Bing,Bao Jigang.Tourism total factor productivity and its

regional variation in China from1992to2005[J].Acta Geographica Sinica,2008,63(4):417-427.[左冰,保继刚.

1992—2005年中国旅游业全要素生产率及省级差异[J].地理学报,2008,63(4):417-427.]

[15]Chen Fang.The Efficiency of Inter-provincial Tourism Industry

of the Western Region[D].Chongqing:Chongqing Technology and Business University,2013.[陈芳.西部地区省级旅游业效率研究[D].重庆:重庆工商大学,2013.]

[16]Zhao Lei.An empirical study on difference and convergence of

total factor productivity of China’s tourism[J].Tourism Tribune, 2013,28(11):12-23.[赵磊.中国旅游全要素生产率差异与收敛实证研究[J].旅游学刊,2013,28(11):12-23.]

[17]Zhang Lifeng.Total factor productivity and convergence of

tourism industry based on the DEA-Malmquist index model[J].

Journal of Arid Land Resources and Environment,2014,28(7): 183-187.[张丽峰.基于DEA-Malmquist指数模型的旅游业全要素生产率研究[J].干旱区资源与环境,2014,28(7):183-187.] [18]Liu Yanping.Industrial agglomeration,enterprise scale and TFP

growth:Analysis based on panel data of manufacturing industries in Yangtze River Delta[J].Technology Economics,

2010,29(2):54-59.[刘艳萍.产业集聚、企业规模与全要素生产率增长——基于长江三角洲制造业行业面板数据的分析[J].技术经济,2010,29(2):54-59.]

[19]Zhan Shaolei,Wang Kai.Industrial agglomeration,enterprise

scale and TFP in agriculture industry based on the data of Jiangsu Province[J].Journal of Zhongnan University of Economics and Law,2012,194:134-140.[战炤磊,王凯.产业集聚企业规模与农产品加工业全要素生产率——来自江苏的证据[J].中南财经政法大学学报,2012,194:134-140.]

[20]Li Jing,Li Ningzhou.Manufacturing agglomeration and total

factor productivity:A study based on manufacturing firm level Data[J].Journal of Hefei University of Technology:Social Sciences,2013,27(5):10-16.[李静,李宁周.制造业集聚和全要素生产率——基于制造业微观数据经验研究[J].合肥工业大学学报:社会科学版,2013,27(5):10-16.]

[21]Zhong Tingyong,An Ye.Literature review of elements

mismatching and total factor productivity loss[J].Taxation and Economy,2014,(2):25-30.[钟廷勇,安烨.要素错配与全要素生产率损失前沿文献评述[J].税务与经济,2014,(2):25-30.] [22]Ray S C,Desli E.Productivity growth,technical progress,and

efficiency change in industrialized countries:Comment[J].

American Economic Review,1997,87:1033-1039.

[23]An Ye,Zhong Tingyong.The distribution and trend of the scale

and structure of creative industries in Jilin Province[J].Taxation and Economy,2012,(5)106-112.[安烨,钟廷勇.吉林省文化创意产业规模、结构的时空分布和趋势——基于信息熵和区位熵的分析[J].税务与经济,2012,(5):106-112.]

[24]Baltagi B H.Econometric Analysis of Panel Data(the3rd

Edition)[M].New Y ork:John Wiley&Sons,Ltd,2005:33.

[25]Blundell R,Bond S.Initial conditions and moment restrictions

in dynamic panel data models[J].Journal of Econometrics, 1998,87:115-143.

The Effects of Agglomeration on the Total Factor Productivity of China’s Tourism Industry: An Empirical Study Based on China’s Provincial Panel Data

GUO Yue1,ZHONG Tingyong2,AN Ye1

(1.School of Business,Northeast Normal University,Changchun130012,China;

2.School of Accounting,Chongqing Technology and Business University,Chongqing400067,China)

Abstract:Based on a data of China’s30provinces for the period from2005to2012,we conducted an empirical analysis to examine how agglomeration affects the total factor productivity(TFP)of China’s tourism industry using the GMM estimation method.The article is organized as follows.We first discuss the background and significance of the research.Next,we present a brief literature review covering agglomeration and TFP within the tourism industry,and the impacts of agglomeration on the TFP of other industries.The third section of the article focuses on our application of data envelopment analysis(DEA)and the Malmquist Index to measure the TFP of the tourism industry.We used the location quotient(LQ)to measure the agglomeration level of China’s tourism industry in different provinces.In the fourth section,we illustrate empirical models and use four different methods(the method of ordinary least squares,the fixed effect model,instrumental variables,and the system-generalized method of moments)to estimate the effects of agglomeration on the TFP of China’s tourism industry.Subdividing TFP into technical progress and technical efficiency,and technical efficiency into pure technical efficiency and scale efficiency,we analyze how agglomeration affects each of these categories using the SYS-GMM estimation method.The four main findings of our study were as follows.First,the average annual TFP growth rate of China’s tourism industry was8.4%.

While the annual growth rate of technological progress increased by10.2%,the technical efficiency declined by1.6%.This indicated a decrease in both pure technical efficiency and scale efficiency.

Second,agglomeration had a significant positive affect on the TFP of the tourism industry at the provincial level,with a higher degree of agglomeration corresponding to an increase in TFP.Third, agglomeration had a significant positive impact on tourism’s technical efficiency,but its role was insignificant in relation to tourism’s technological progress.The mechanism whereby agglomeration influenced TFP was mainly by improving technical efficiency rather than technical progress.Fourth, while agglomeration was found to improve both scale efficiency and pure technical efficiency,the difference between them was considerable.Agglomeration was found to have a stronger impact on pure technical efficiency than on scale efficiency.In the last section,we present our conclusions and discuss the limitations of our study and future research directions.

Keywords:tourism industry;agglomeration;total factor productivity(TFP);GMM estimation method

面板数据分析简要步骤与注意事项(面板单位根—面板协整—回归分析)

面板数据分析简要步骤与注意事项(面板单位根检验—面板协整—回归分析) 面板数据分析方法: 面板单位根检验—若为同阶—面板协整—回归分析 —若为不同阶—序列变化—同阶建模随机效应模型与固定效应模型的区别不体现为R2的大小,固定效应模型为误差项和解释变量是相关,而随机效应模型表现为误差项和解释变量不相关。先用hausman检验是fixed 还是random,面板数据R-squared值对于一般标准而言,超过0.3为非常优秀的模型。不是时间序列那种接近0.8为优秀。另外,建议回归前先做stationary。很想知道随机效应应该看哪个R方?很多资料说固定看within,随机看overall,我得出的overall非常小0.03,然后within是53%。fe和re输出差不多,不过hausman检验不能拒绝,所以只能是re。该如何选择呢? 步骤一:分析数据的平稳性(单位根检验) 按照正规程序,面板数据模型在回归前需检验数据的平稳性。李子奈曾指出,一些非平稳的经济时间序列往往表现出共同的变化趋势,而这些序列间本身不一定有直接的关联,此时,对这些数据进行回归,尽管有较高的R平方,但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归(spurious regression)。他认为平稳的真正含义是:一个时间序列剔除了不变的均值(可视为截距)和时间趋势以后,剩余的序列为零均值,同方差,即白噪声。因此单位根检验时有三种检验模式:既有趋势又有截距、只有截距、以上都无。 因此为了避免伪回归,确保估计结果的有效性,我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先,我们可以先对面板序列绘制时序图,以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和(或)截距项,从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述:在非平稳的面板数据渐进过程中,Levin andLin(1993)很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al.(2002)的改进,提出了检验面板单位根的LLC法。Levin et al.(2002)指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25~250之间,截面数介于10~250之间)的面板单位根检验。Im et al.(1997)还提出了检验面板单位根的IPS法,但Breitung(2000)发现IPS法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。 由上述综述可知,可以使用LLC、IPS、Breintung、ADF-Fisher和PP-Fisher5种方法进行面板单位根检验。 其中LLC-T、BR-T、IPS-W、ADF-FCS、PP-FCS、H-Z分别指Levin,Lin&Chu t*

中国旅游业发展现状要点

中国出入境旅游市场分析 【摘要】: 随着中国改革开放的深入、中国经济的持续增长和国民收入水平的迅速提高,中国旅游业的发展出现了前所未有的变化,中国潜力巨大的出境旅游市场已引起全球瞩目,但是入境旅游市场却持续低迷,出境旅游这一高额利润市场也受到国内外旅行社的普遍关注。本文采用市场学中的消费者行为理论对中国出入境旅游市场现状的分析,揭示我国旅游贸易逆差的原因,以及入境旅游市场目前存在的问题及原因。针对相关问题提出个人建议及解决措施。 【关键词】: 出境旅游入境旅游旅游逆差 旅游业是为满足旅游者在旅游活动中产生的食、行、游、住、购、娱等需求,提供相关旅游产品与服务为主的复合性产业,主要包括:观光产业、度假产、康体产业,商务产业、文化产业、娱乐产业、教育产业等等。而在一定条件下商业、餐饮业、旅游地产业等产业也由于本身具有重要特色而会归入其范围内。因而,旅游业可说是一种无烟产业,优势明显。 在当今时代,旅游业已成为全球经济中发展势头最强劲和规模最大的产业之一,在促进经济、社会可持续协调发展,解决就业,帮助扶贫开发方面成效显著,产业不断提高。作为经济发展的支柱性产业之一的中国旅游业对社会经济的拉动、社会就业的带动、以及对文化的提升与环境的改善作用也日益显现。 改革开放以来中国旅游业发展迅速,旅游业已经成为国民经济的一个重要产业,我国旅游人数逐年增长,旅游资源日益丰富,旅游市场日趋完善。在中国旅游业发展势头强劲的现象之下我们来看一下中国出入境旅游业发展的分析。 一、我国出入境游客数量状况 据国家旅游局发布的《2013年中国旅游业统计公报》统计数据显示2013年全国国内旅游人数32.62亿人次,比上年增长10.3%。全国国内旅游收入26276.12亿元人民币,比上年增长15.7%。入境旅游人数12907.78万人次,比上年下降 2.5%。其中:外国人2629.03万人次,下降 3.3%;香港同胞7688.46万人次,下降2.3%;澳门同胞207 4.03万人次,下降2.0%;台湾同胞516.25万人次,下降3.3%。中国国家旅游局3日宣布,截至2014年11月,中国内地公民当年出境游首破1亿人次。 从旅游局发布的数据来看,我国旅游市场中出入境游客数量分布不均,我国入境旅游市场处于低迷状态,出境旅游市场则发展良好,这就造成了我国旅游业的贸易逆差,近几年来我国旅游业贸易逆差持续增大,据有关数据显示,2012年我国旅游业境外消费1020亿美元,贸易逆差519亿美元;2013年境外消费1287亿美元,贸易逆差769亿美元;2014年前6个月境外消费700亿美元,逆差470亿美元,预计2014年贸易逆差会超过1000亿美元。 二、出现旅游贸易逆差持续增长的原因

全要素生产率的概念界定和内涵

1.全要素生产率的概念界定和内涵(金融发展对中国全要素生产率增长的影响:作用机制 与实证分析,周杰琦) 目前学界对于全要素生产率概念的界定仍未达成共识,全要素生产率是个内涵和外延模 糊的概念(郑玉歆,1999)。全要素生产率概念的界定对于本文后续理论分析以及实证研究都尤为重要。荷兰学者Tibergen(1942)将时间因素引入到柯布一道格拉斯生产函数中,开创性提出全要素生产率的概念。全要素生产率引起学界的广泛关注最早起源于Solow(1957)开创性的研究工作,其目前已成为分析经济增长源泉以及评价经济增长质量的重要指标。按照Solow 经济增长理论,全要素生产率是指,各种生产投入要素(如资本、劳动投入、 能源、自然资源等)贡献之外的、由技术进步、技术效率、管理创新、社会经济制度等因素所导致的产出增加。在此意义上,全要素生产率也称为Solow 剩余。全要素生产率变动被解释为生产函数的整体移动,而要素投入变化则指要素投入沿着生产函数本身的移动。在新古典经济增长理论中,全要素生产率被解释是外生的技术进步,因此,技术进步独立于经济体的其他任何变量而产生。有的学者认为,Solow 剩余“测量了我们在经济增长源泉中无法全部解释和分析的因素”,它不仅包含:依赖创新推动的技术进步、通过模仿学习获得的技术进步以及技术效率提升,还包含了一系列未知的复杂因素,如数据测量误差、模型变量遗漏、模型设定偏误、经济周期波动的干扰等。然而,Jorgerson 和Griliches(1967)却认为,Solow剩余不过是投入要素不恰当测量所造成的结果,如果投入要素被正确测量,Solow 剩余则不复存在。由上可见,即便从索洛剩余的角度来界定全要素生产率,学术界对全要素生产率的内涵和外延也未能形成一致的认识。这种局面容易导致有关全要素生产率的研究出现混乱,甚至妨碍该研究领域的深入向前发展。 以中国情况为例,目前,由于概念定义、数据处理以及研究方法的不同,国内外研究对 中国全要素生产率平均增长率的测算结果存在较大分歧,比如,Young(2003)测算的结果为1.4%,Chow (2002) 测算的结果为2.68%,郭庆旺等(2005)测算的结果为0.891%。不过,绝大多数研究都认为,全要素生产率增长率对经济增长的贡献率相对较低,表明中国经济是典型的粗放型增长,因此,提高全要素生产率对经济增长的贡献率是中国未来经济发展的一个重要战略选择。为了使本文后续对全要素生产率的估计结果与其它研究更具可比性、允许采用多种方法估测全要素生产率、以及后面的实证结果能够得到清楚的解释,在本文研究中,笔者对全要素生产率的概念及其内涵做出更为全面而广泛的解释。笔者分析的全要素生产率是指:刨除了资本、劳动、土地、能源、原材料等要素投入的贡献和作用之外,其它所有可以促进经济增长的因素的有机综合体。本文所指的全要素生产率不仅包括Solow 经济增长理论假定的非体现的、能提高生产效率的技术进步(如创新的管理和组织方法、研究开发投入、创新活动、政策法律等),还包含了与资本质量提高、劳动者素质改进紧密联系的体现式的技术进步(如投资先进的现代化设备、教育进步所引起的劳动者素质提高)。按照体现型技术的理论,技术进步可以体现在要素投入质量上的改进。就资本投入而言,体现型的技术进步意味着,资本设备在设计、质量和功效方面的改善。对劳动投入而言,体现型的技术进步意味着,劳动者教育水平的提高及知识技能的改进。此外,随机因素和数据测量误差也包括在全要素生产率当中。 从全要素生产率增长来源的类别来看,全要素生产率的变动可以进一步分解为技术进步变化率、技术效率变动率、资源配置效率、规模效率变化等等。技术进步变化率不能完全表示全要素生产率的变动,从经济学意义来看,技术进步主要是指新的知识和技能、新生产工艺、新采用的设备或改进的旧设备、研究开发以及新组织管理框架等在经济生产活动中得到广泛应用,进而引起人们劳动生产率、经济活动水平的提高。技术效率变动率也不能完全代表全要素生产率的变动。技术效率刻画了生产中现有技术的使用状况,Farrell(1957)首先提出了技术效率的估测方法,Farrell(1957)的技术效率是指在给出一定要素投入下,某企业的实际

大数据与旅游业

大数据与旅游 “不是随机样本,而是全体数据;不是精确性,而是混杂性;不是因果关系,而是相关关系。”如今,从硅谷到中关村,“大数据”是一个热门话题,一个大规模生产、分享和应用数据的时代正在开启。在这一背景下,包括旅游业在内的以终端消费者作为服务目标市场的行业,迎来了新的发展机遇。 “大数据”时代到来了 北京网友leio_wb最近想去迪拜旅游,便在手机的googlemap(谷歌地图)下载迪拜的离线地图,当他3月20日登陆google+(类似facebook、人人网的社交网站)时,却意外地发现个人主页上多了不少有关迪拜旅游的账户推荐。这让leio_wb大为感慨:为什么google+会知道自己的需求呢? 答案是“大数据”挖掘。 “大数据”被视为云计算之后的又一科技热点。对于“大数据”,目前还没有比较准确的定义,但是一般认为“大数据”就是指无法用现有的软件工具提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合。 随着信息技术尤其是互联网的发展,人们生产数据的能力越来越强。宽带普及带来的巨量日志和通讯记录,社交网络每天不断更新的个人信息,非传统IT 设备产生的数据信息,以及持续增加的各种智能终端产生的图片及信息,这些爆炸性增长的数据充斥整个网络。

中国旅游研究院政策所副研究员唐晓云说,除了数据量大之外,“大数据”不同于传统数据地方更在于即时性、非结构化。这就使得传统数据处理部门无法进行传统意义上的存储、管理和分析。 难道这些数据真的一文不值的吗?不。人们发现通过一定的方法,可以在这些纷繁复杂的数据中发现价值。 首都经济贸易大学旅游管理系副教授李云鹏说,“大数据”之大,并不仅仅在于其容量之大,更多的意义在于,人类可以“分析和使用”的数据在大量增加,通过这些数据集的交换、整合和分析,人类可以发现新的知识,创造新的价值,知识的边界在不断延伸。 前景广阔超越传统 提到“大数据”在旅游行业的应用,不得不提到一家名为Hopper的旅游网站。据了解,Hopper通过“大数据”技术的应用,为游客提供最佳的旅游景点推荐。截至目前,Hopper声称自己已经抓取了“超过5亿页旅游数据”,而这一数字有望在今年年底达到10亿。 除Hopper外,社交旅游网站Tripl、酒店整合搜索引擎De-alAngel、酒店声誉管理公司Ol-ery、基于互动式地图的一站式旅游解决方案Georama、有关餐厅质量检验的数据收集平台HD-Scores、行程记录和体验分享平台Esplorio等均已在“大数据”应用领域开始了一定的尝试。

大数据在旅游业中的应用

天津财经大学 题目:大数据在旅游业中的应用分析 院系名称:商学院旅游系 专业班级:酒店1202班 学号:2012112534 姓名:周黎 指导教师:谢芳 2014 年 12月 20 日

摘要 大数据被视为云计算之后的又一科技热点。对于大数据,目前还没有比较准确的定义,但是一般认为大数据就是指无法用现有的软件工具提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合。本文分析了在大数据时代下旅游业的状况和发展前景以及旅游业在大数据下的应用,并给出了旅游业在大数据下的挑战。 关键词:旅游业大数据数据挖掘

目录 一、前言 二、旅游大数据的现状 三、大数据在旅游业的发展前景 四、大数据在旅游业中的应用(一)大数据在旅游景区中的应用(二)大数据在旅行社中的应用(三)大数据在酒店中的应用 1、大数据有助于精确酒店行业市场定位 2、大数据成为酒店行业市场营销的利器 3、大数据支撑酒店行业收益管理 4、大数据创新酒店行业需求开发(四)大数据在旅游交通中的应用 1.应用大数据解决交通堵塞 2.应用大数据处理恶劣天气的道路情况 3.应用数据评估路况 4.定位拥挤路段 (三)大数据对旅游业的影响 1.提高服务质量 2.改善经营管理 3.改变营销策略 六、大数据带来新挑战

一、前言 数据被视为云计算之后的又一科技热点。对于大数据,目前还没有比较准确的定义,但是一般认为大数据就是指用现有的软件工具提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合。 随着信息技术尤其是互联网的发展,人们生产数据的能力越来越强。宽带普及带来的巨量日志和通讯记录,社交网络每天不断更新的个人信息,非传统IT设备产生的数据信息,以及持续增加的各种智能终端产生的图片及信息,这些爆炸性增长的数据充斥整个网络。 旅游行业是大数据应用前景最广阔的行业之一,有了大数据,可以准确预知客流趋向,进而采取相应的措施疏导客流;有了大数据,可以知道游客喜欢什么样的产品,进而开发建设适销对路的产品;有了大数据,还可以知道游客需要什么样的公共服务,进而改进旅游公共服务。 二、旅游大数据的现状 目前,支撑旅游的技术逐渐成熟和完善,有关政策环境日益优异。 (1)云计算、物联网、移动通信互联网助力旅游进入建设阶段 2009年,温家宝总理在无锡提出“感知中国”,拉开了我国物联网建设的新局面。国内不少地方正在和准备建设云计算中心。同时3G的推出,极大地推动了移动互联网的发展,使人们随时随地可以上网。智能手机和平板电脑的发展,为旅游提供了强劲硬件支撑。 (2)政策环境日益优化 国家中长期科技发展规划纲要首先提到的优先主题:重点研究开发旅游等现代服务业领域发展所需的高可信网络软件平台及大型应用支撑软件、中间件、嵌入式软件、网格计算平台与基础设施,软件系统集成等关键技术,提供整体解决方案。从政策层面上把旅游和云计算(网格计算)结合起来,作为信息产业优先发展的主题,也说明了基于云计算技术的旅游信息平台是旅游的基础。 三、大数据在旅游业的发展前景 提到“大数据”在旅游行业的应用,不得不提到一家名为Hopper的旅游网站。据了解,Hopper通过“大数据”技术的应用,为游客提供最佳的旅游景点推荐。截至目前,Hopper声称自己已经抓取了“超过5亿页旅游数据”,而这一数字有望在今年年底达到10亿。除Hopper外,社交旅游网站Tripl、酒店整合搜索引擎De-alAngel、酒店声誉管理公司Ol-ery、基于互动式地图的一站式旅游解决方案Georama、有关餐厅质量检验的数据收集平台HD-Scores、行程记录和体验分享平台Esplorio等均已在“大数据”应用领域开始了一定的尝试。 随着“大数据”的应用热潮,国内旅游行业也开始重视“大数据”的应用。 “智游啦”是一家基于“大数据”挖掘、为游客提供“微攻略”的旅行规划服务网站。记者在网站上看到,只要游客点击想要去的地方,便会自动弹出相关的吃住行游购娱产品,这些产品不是简单的列表,而是基于网络评价的好坏筛选

面板数据分析简要步骤与注意事项面板单位根面板协整回归分析

面板数据分析简要步骤与注意事项 面板单位根—面板协整—回归分析) 步骤一:分析数据的平稳性(单位根检验) 按照正规程序,面板数据模型在回归前需检验数据的平稳性。李子奈曾指出,一些非平稳的经济时间序列往往表现出共同的变化趋势,而这些序列间本身不一定有直接的关联,此时,对这些数据进行回归,尽管有较高的R平方,但其结果是没有任何实 际意义的。这种情况称为称为虚假回归或伪回归( spurious regression )。他认为平稳的真正含义是:一个时间序列剔除了不变的均值(可视为截距)和时间趋势以后,剩余的序列为零均值,同方差,即白噪声。因此单位根检验时有三种检验模式:既有趋势又有截距、只有截距、以上都无。 因此为了避免伪回归,确保估计结果的有效性,我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先,我们可以先对面板序列绘制时序图,以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和(或)截距项,从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述:在非平稳的面板数据渐进过程中 ,Levin andLin(1993) 很早就发现这些估计量的极限分布是高斯分布 , 这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al. (2002) 的改进, 提出了检验面板单位根的LLC法。Levin et al. (2002)指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25?250之间,截面数介于10?250之间)的面板单位根检验。Im et al. (1997) 还提出了检验面板单位根的 IPS 法, 但 Breitung(2000) 发现 IPS 法对限定性趋势的设定极为敏感 , 并提出了面板单位根检验的 Breitung 法。Maddala and Wu(1999)又提出了 ADF-Fisher 和 PP-Fisher 面板单位根检验方法。 由上述综述可知,可以使用 LLC、IPS、Breintung 、ADF-Fisher 和 PP-Fisher5 种方法进行面板单位根检验。其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS、H-Z 分 别指 Levin, Lin & Chu t* 统计量、 Breitung t 统计量、 lm Pesaran & Shin W 统 量、计 ADF- Fisher Chi-square 统计量、PP-Fisher Chi-square 统计量、Hadri Z 统计 量,并且 Levin, Lin & Chu t* 统计量、 Breitung t 统计量的原假设为存在普通的单位根过程, lm Pesaran & Shin W 统计量、 ADF- Fisher Chi-square 统计量、 PP-Fisher Chi-square 统计量的原假设为存在有效的单位根过程, Hadri Z 统计量的检验原假设为不存在普通的单位根过程。 有时,为了方便,只采用两种面板数据单位根检验方法,即相同根单位根检验 LLC(Levin-Lin-Chu )检验和不同根单位根检验 Fisher-ADF 检验(注:对普通序列(非面板序列)的单位根检验方法则常用 ADF检验),如果在两种检验中均拒绝存在单位根的原假设则我 们说此序列是平稳的,反之则不平稳。 如果我们以 T(trend )代表序列含趋势项,以 I (intercept )代表序列含截距项, T&I 代表两项都含,N (none)代表两项都不含,那么我们可以基于前面时序图得出的结论,在单位根检验中选择相应检验模式。 但基于时序图得出的结论毕竟是粗略的,严格来说,那些检验结构均需一一检验。具体操作可以参照李子奈的说法:ADF检验是通过三个模型来完成,首先从含有截距和趋势项的模型开始,再检验只含截距项的模型,最后检验二者都不含的模型。并且认

未来中国旅游业发展趋势

未来中国旅游业发展趋势 在线旅游格局鲜明,巨头之下无完卵 2018年是中国在线旅游二十年的收局之年,风云变幻,群雄割据,在2018年末迎来了同程艺龙的上市,但是已经无关大局了,在这个格局鼎定的一年中,携程依然是在线旅游的龙头老大,但是格局已经悄然改变。 在互联网的国度中,“消灭你、但与你无关”的跨界威胁从未停止,即使是携程这样的老大,也面临着跨界巨头来势汹汹的威胁,在在线旅游的格局中,携程去哪儿、美团点评、阿里飞猪将会在2019年呈现出更加清晰的市场格局,场景迁移成为重要手段,在巨头之下,资本寒冬带来的是在线旅游企业第二梯队、第三梯队的真正艰难时刻。之所以说场景迁移非常关键就在于随着手机里app越来越多,很多非常用场景的app就会被弃置甚至删除,常用场景的app才得以保留。携程因为是是行业龙头,且在酒店、航空、景区、游记攻略等方面都有联动效应,且它是行业的龙头企业,折扣力度大,才得以在手机中保留。携程2017年年度销售总额(GMV)达到6000亿,是行业当之无愧的巨无霸。 其他的在线旅游企业,诸如马蜂窝、同程艺龙、途牛、驴妈妈、众信

等无论是在资讯还是在SKU方面远远不及携程,跨界巨头进入旅游业后,首先承压的就是这些第二梯队、第三梯队成员,面临app被删除的可能性巨大。 如果把餐饮娱乐等泛休闲旅游进行合并的话,美团点评这一巨头就进入了视野,从2015年开始,美团点评在酒店、景区等领域陆续发力,已经取得一定的效果。美团点评在餐饮端的良好应用场景,成功的绑架了一大批都市人群,使之成为都市人群的必备app,在场景迁移中,由餐饮向泛旅游的酒店、景区的迁移较为平滑,而且积分通用、激励券互动等都能够带来良好的转化效果,这种场景的迁移极易被使用,配合专业化团队,能够润物细无声的带来客户,这也是华南区美团点评在长隆门票销售代理逆袭携程的重要原因。 因此,美团点评虽然在目前的在线旅游中份额并不太高,但是未来的发力不可小视,2019年这种资本寒冬中,这样润物无声的巨头介入,更添行业压力。 阿里飞猪的成长则是依托于阿里集团,能够充分享受阿里淘宝、天猫、支付宝、蚂蚁金融、阿里白条、借呗、花呗……等整个阿里系的资源,2016年阿里飞猪的年销售总额达到1000亿,2018年双11,购买旅行商品的用户同比增长了30%;机票公务舱产品销售同比增长300%,据阿里飞猪负责人介绍,阿里飞猪预计到2020年GMV将达到万亿。

如何用DEAP进行全要素生产率分析

一、软件的具体操作 1.建一个文件夹,里面必须有四个文件(Dblank;deap;deap.000;123.dta)前三个文件在一般下载的DEAP Version 2.1中都有,直接复制过来就可以,第四个文件是一个数据文件,一般先在excel中先输入,再复制到一个记事本下就可以,注意在记事本下的数据只有数据,不包括决策单元的名称和投入、产出的名称,并且一定要先放产出,后是投入。例子具体见123电子表格和123记事本。 2.对命令Dblank文件进行修改,修改后保存为12 3.ins文件 3.打开deap软件,运行123.ins 4,回车后自动会有123.out 注意事项:(1) 123.dta;Dblank;123.ins都用记事本打开; (2)数据文件名和命令文件名一定要一样,如例子中都用123 (3)文件夹中一定要包括deap.000文件,如果没有这个文件,打开deap软件,就会出现一闪就没有了的情况。 二,结果的分析 在文件夹中打开123.out,看如下: 1) firm crste vrste scale 1 0.687 1.000 0.687 drs 2 0.814 1.000 0.814 drs 3 0.319 0.709 0.450 drs 4 1.000 1.000 1.000 - 5 1.000 1.000 1.000 - 6 0.336 0.425 0.791 drs 7 0.642 0.648 0.991 irs 8 0.379 0.381 0.994 irs 9 0.702 0.750 0.936 irs 10 1.000 1.000 1.000 - 11 0.304 0.461 0.659 irs 12 0.352 1.000 0.352 irs 13 1.000 1.000 1.000 - 14 0.594 0.929 0.639 irs 15 0.402 1.000 0.402 irs mean 0.635 0.820 0.781 firm:代表例子中的15的样本 crste:技术效率,也叫综合效率 vrste:纯技术效率 scale:规模效率(drs:规模报酬递减;-:规模报酬不变;irs:规模报酬递增) crste=vrste×scale 2)

大数据智慧旅游案例分析

大数据智慧旅游案例分析 来源:时间:2016-03-07 11:57:38作者: 随着“互联网+”被写入政府工作报告、国家旅游局局长李金早对于“旅游+” 发展战略的提出,酝酿多年的“互联网+”和“大数据思维”以“旅游+大数据”的智慧旅游形式开始在全国范围内推进,并逐渐在一些地区形成了“政府主导、企业运作、产业化推进”的发展模式。大数据智慧旅游服务具有充分收集、分析、整合 大数据,以调配旅游服务资源的功能。旅游业相关主体依据搜集到的游客消费 动向、旅游资源状况、自然环境变化等数据进行量化分析,并及时调整、制定 相应的策略,可为游客提供更好的服务。 收集、分析、整合大数据 小编觉得大数据智慧旅在需要搜集到的游客消费动向、通讯数据,互联网 数据,自然环境变化等数据进行量化分析的同时,也会用大数据理念重新审视一些东西。例如: 以大数据理念重新审视公共WIFI:可以获取游客的手机号码,可以针对游 客进行线上市场调研问卷,可以推送旅游APP资讯。免费WIFI服务不再只是一个营销卖点;以大数据理念重新审视一卡通:可以将旅游一卡通服务看做是最直接获得旅游消费清单的工具,一种便捷的游客旅游消费轨迹数据采集方式。而 不只是促销手段;以大数据理念重新审视旅游手机应用:它是游客信息关注行为、 游客旅行轨迹数据采集平台和进行游客满意度调研与促进反馈的途径之一。而 不仅仅是传统智慧旅游倡导的为游客导游、导览、导购、导航服务的移动终端; 以大数据理念重新审视旅游资讯网,高效的消费者旅游信息关注数据采集、高 效的旅游网络营销效果评估工具、智慧化的旅游信息服务提供平台。而传统意 义上的旅游资讯网是旅游目的地品牌形象,旅游信息服务平台。 旅游资讯网只能宣传推广旅游目的地;以大数据理念重新审视旅游呼叫中心,高效的游客需求数据采集工具、高效的旅游CRM维护平台、高效的旅游新产品

面板数据分析步骤

转载:面板数据分析的思路和Eviews操作: 面板数据一般有三种:混合估计模型;随机效应模型和固定效应模型。首先,第一步是作固定效应和随机效应模型的选择,一般是用Hausman检验。 如果你选用的是所有的企业,反映的是总体的效应,则选择固定效应模型,如果你选用的是抽样估计,则要作Hausman检验。这个可以在Eviews 5.1里头做。 H0:应该建立随机效应模型。 H1:应该建立固定效应模型。 先使用随机效应回归,然后做Hausman检验,如果是小概率事件,拒绝原假设则应建立固定效应模型,反之,则应该采用随机效应模型进行估计。 第二步,固定效应模型分为三种:个体固定效应模型、时刻固定效应模型和个体时刻固定效应模型(这三个模型的含义我就不讲了,大家可以参考我列的参考书)。如果我们是对个体固定,则应选择个体固定效用模型。但是,我们还需作个体固定效应模型和混合估计模型的选择。所以,就要作F值检验。相对于混合估计模型来说,是否有必要建立个体固定效应模型可以通过F检验来完成。 H0:对于不同横截面模型截距项相同(建立混合估计模型)。SSEr H1:对于不同横截面模型的截距项不同(建立时刻固定效应模型)。SSEu

F统计量定义为:F=[( SSEr - SSEu)/(T+k-2)]/[ SSEu/(NT-T-k)] 其中,SSEr,SSEu分别表示约束模型(混合估计模型的)和非约束模型(个体固定效应模型的)的残差平方和(Sum squared resid)。非约束模型比约束模型多了T–1个被估参数。需要指出的是:当模型中含有k 个解释变量时,F统计量的分母自由度是NT-T- k。通过对F统计量我们将可选择准确、最佳的估计模型。 在作回归是也是四步:第一步,先作混合效应模型:在cross-section 一栏选择None ,Period也是None;Weights是cross-section Weights,然后把回归结果的Sum squared resid值复制出来,就是SSEr 第二步:作个体固定效用模型:在cross-section 一栏选择Fixed ,Period也是None;Weights是cross-section Weights,然后把回归结果的Sum squared resid值复制出来,就是SSEu 第三步:根据公式F=[( SSEr - SSEu)/(T+k-2)]/[ SSEu/(NT-T-k)]。计算出结果。其中,T为年数,不管我们的数据是unbalance还是balance 看observations就行了,也即Total pool (balanced) observations:的值,但是如果是balance我们也可以计算,也即是每一年的企业数的总和。比如说我们研究10年,每一年又500加企业,则NT=10×500=5000。K为解释变量,不含被解释变量。 第四步,根据计算出来的结果查F值分布表。看是否通过检验。检验准则:当F> Fα(T-1, NT-T-k) , α=0.01,0.05或0.1时,拒绝原假设,则结论是应该建立个体固定效应模型,反之,接受原假设,则不能建立个体固定效应模型。

中国旅游业发展前景

中国旅游业发展前景 中国旅游业发展前景 2008-5-16 进入21世纪的中国旅游业,在加入北京2008将举办奥运会,全球经济一体化和世界多元化形成以及中国经济持续增长等时代特点的推动下,将发生一系列新的变化,其新趋势较为显著的表现在以下几个方面: 一、工业旅游,农业旅游将会蓬勃发展旅游发展的初级阶段,人们主要以游览名胜古迹和自然景观为目标。随着教育,经济,文化的发展,人们的旅游需求呈现出多样化的特点。进入21世纪,人们的旅游需求向多层次方向发展,因而工业旅游农业旅游将成为新的热点。 (一)工业旅游的兴起所谓工业旅游,就是以工业企业的生产线,生产工具,产品和厂区等为对象的专项参观活动。20世纪工业旅游起源于法国,当时雪铁龙公司让游客参观其生产流水线,欣赏其汽车生产工艺。后来,世界各地著名现代化工业企业纷纷仿效,汽车、钢铁、飞机、酿酒、饮料、陶瓷等行业先后开放生产制作过程,让游客一饱眼福。甚至,在美国,生产美元的印钞厂也向游人开放。对游客来说,游览工业企业生产过程和生产工艺,最初是出于好奇心理,后来在参观过程中增长了许多知识,开阔了视野,尤其是专业爱好者,还侍机加深了对生产企业的了解。而对于工业企业来说,不仅能获得一定的门粟收入,而且通过旅游等宣传,使企业树立起良好的公众形象,提高了产品的知名度和美誉度,起到了不花钱发布广告的作用。所以,工业旅游发展将势不可挡。在我国,20世纪90年代以前,工业企业很少对公众开放,90年代后工业旅游悄然兴起。例如,神龙轿车,可口可乐等著名公司均把生产车间对游客开放;青岛海尔集团和青岛啤酒厂,南京熊猫集团,柳州两面针集团,浙江农夫山泉公司均让公众参观;南京还推出了钢铁是怎样炼成的这样一条工业旅游线路,让旅游者了解到南钢最先进的生产流水线。我国工业旅游的出现,填补了我国旅游产品中的一页空白,为旅游业的发展拓宽了思路。通过工业旅游,宣传了工业企业的产品和品牌,

“大数据”在我国旅游业的运用现状及前景分析

“大数据”在我国旅游业的运用现状及前景分析 随着“大数据”的应用热潮,国内一些旅游企业、旅游研究机构、旅游管理部门已经开始关注、研究和应用“大数据”。本文简要介绍了分析了大数据在我国旅游业中的运用现状,找出了一些问题,对未来“大数据”在旅游业的应用前景进行分析提出相关对策。 一、何谓“大数据” 随着信息技术尤其是互联网的发展,人们生产数据的能力越来越强。宽带普及带来的巨量日志和通讯记录,社交网络每天不断更新的个人信息,非传统IT设备产生的数据信息,以及持续增加的各种智能终端产生的图片及信息,这些爆炸性增长的数据充斥整个网络。 英国人维克托?迈尔?舍恩伯格及肯尼斯?库克耶在所著的《大数据时代》中指出,大数据带来的信息风暴正在变革我们的生活、工作和思维,大数据开启了一次重大的时代转型,同时大数据具有4V 特点:V olume(大量)、Velocity(高速)、Variety(多样)、Value(价值)。从此,“大数据”成为全球热门的互联网热词,被用来描述和定义信息爆炸时代产生的海量数据。越来越多的行业开始关注大数据,并且开始把收集、分析、利用“大数据”作为行业未来发展的重要途径。 二、“大数据”在国内旅游业中应用的现状 在信息化时代,需求越来越个性化旅游者更多地依靠网络、智能移动终端、App软件来满足自己的旅游需求,旅游行业的数据变的越

来越重要,每次航班预订、酒店入住、汽车租赁都能产生大量的结构性数据。但是随着旅游者在线安排行程,在社会化媒体进行评级、撰写点评、博文、点赞,产生大量的非结构性数据和碎片化数据。如何利用这些“大数据”?是未来旅游行业发展的重要研究方向。 以国内知名的自助旅游网站蚂蜂窝为例,蚂蜂窝目前注册用户中80%都来自移动端,日均活跃用户已突破了300万,每天都会沉淀大量的用户信息。如何对这些信息进行分析, 利用? 首先,蚂蜂窝有超过50%的员工是技术研发人员,通过自行研发的旅游攻略引擎,对超过1000万的用户信息进行了关键数据的提取和分析,覆盖了国内外50万个旅游景区、60万家酒店以及158万家餐厅。 其次,科学的数据分析流程,当海量的UGc(用户生成内容)产生后,蚂蜂窝的旅游攻略引擎会对其进行自动化的语义分析、数据分析,提取酒店、餐厅、购物、拍照、联系方式、点评等关键信息,由系统分门别类进行归类,再经过后期的人工分析和编辑。 最后,信息的利用,以旅游攻略、调查报告等形式出炉,一方面为其他用户提供更丰富和准确的旅游消费决策参考,另一方面为oTA (在线旅游网站和旅行社)提供更精准的旅游产品研发和营销参考。以去泰国普吉岛度假为例:一位刚去过普吉岛的用户撰写完游记后,蚂蜂窝的攻略引擎会从游记中提取出机票、行程、住宿、美食等关键信息,归类岛普吉岛的攻略和点评中。比如机票该用户提到了亚航、

【最新2019】中国“全要素生产率”或降为2.7%word版本 (1页)

【最新2019】中国“全要素生产率”或降为2.7%word版本 本文部分内容来自网络整理,本司不为其真实性负责,如有异议或侵权请及时联系,本司将立即删除! == 本文为word格式,下载后可方便编辑和修改! == 中国“全要素生产率”或降为2.7% 中国社会科学院副院长蔡昉10日表示,中国的全要素生产率正在呈现持续下滑态势,并将在“十三五”时期进一步降为2.7%。 图片源自网络 请看相关报道: China should take actions to cope with its falling total factor productivity ( TFP ), a senior expert with a government think tank said Sunday . 1月10日,政府智囊团的一位资深专家表示,中国应采取措施应对全要素生产率下滑态势。 全要素生产率( total factor productivity , TFP ),也称总和要素生产率,是各种要素投入水平既定的条件下,所达到的额外生产效率,是分析经济增长源泉的重要因素。经济增长、人均收入和财富水平提高最终要依赖全要素生产率的提高。 中国社会科学院副院长蔡昉在第七届中国经济前瞻论坛上说,在人口红利 ( demographic dividend )消失以后,中国经济增长要寻找新动力。目前,我国全要素生产率增速呈现下行趋势,他预测全要素生产率“十三五”时期会下降到2.7%。 他指出,要通过四方面措施进行调整:改革户籍制度( reform household registration system );大力推进教育改革,把义务教育扩大到更大范围( expand compulsory education to more people ),提高劳动力的质量( increase the quality of labor force );解决各个领域的产能过剩( overcapacity )问题,进一步降低杠杆率( leverage ratios );创造好的制度条件、政策环境,让企业能够自由进入,并让那些不再有生产力提高潜力和没有竞争力的企业退出( create a policy environment where promising enterprises can easily enter the market and non - competitive ones are forced to exit )。

面板数据的分析步骤

面板数据的分析步骤 面板数据的分析方法或许我们已经了解许多了,但是到底有没有一个基本的步骤呢?那些步骤是必须的?这些都是我们在研究的过程中需要考虑的,而且又是很实在的问题。面板单位根检验如何进行?协整检验呢?什么情况下要进行模型的修正?面板模型回归形式的选择?如何更有效的进行回归?诸如此类的问题我们应该如何去分析并一一解决?以下是我近期对面板数据研究后做出的一个简要总结,和大家分享一下,也希望大家都进来讨论讨论。 步骤一:分析数据的平稳性(单位根检验) 按照正规程序,面板数据模型在回归前需检验数据的平稳性。李子奈曾指出,一些非平稳的经济时间序列往往表现出共同的变化趋势,而这些序列间本身不一定有直接的关联,此时,对这些数据进行回归,尽管有较高的R平方,但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归(spurious regression)。他认为平稳的真正含义是:一个时间序列剔除了不变的均值(可视为截距)和时间趋势以后,剩余的序列为零均值,同方差,即白噪声。因此单位根检验时有三种检验模式:既有趋势又有截距、只有截距、以上都无。 因此为了避免伪回归,确保估计结果的有效性,我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先,我们可以先对面板序列绘制时序图,以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和(或)截距项,从而为进一步的单位根检验的检验模式做准备。 单位根检验方法的文献综述:在非平稳的面板数据渐进过程中,Levin andLin(1993) 很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al. (2002)的改进,提出了检验面板单位根的LLC 法。Levin et al. (2002) 指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25~250 之间,截面数介于10~250 之间) 的面板单位根检验。Im et al. (1997) 还提出了检验面板单位根的IPS 法,但Breitung(2000) 发现IPS 法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。 由上述综述可知,可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5种方法进行面板单位根检验。 其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS 、H-Z 分别指Levin, Lin & Chu t* 统计量、Breitung t 统计量、lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square 统计量、Hadri Z统计量,并且Levin, Lin & Chu t* 统计量、Breitung t统计量的原假设为存在普通的单位根过程,lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量的原假设为存在有效的单位根过程,Hadri Z统计量的检验原假设为不存在普通的单位根过程。 有时,为了方便,只采用两种面板数据单位根检验方法,即相同根单位根检验LLC (Levin-Lin-Chu)检验和不同根单位根检验Fisher-ADF检验(注:对普通序列(非面板序列)的单位根检验方法则常用ADF检验),如果在两种检验中均拒绝存在单位根的原假设则我们

国内旅游业发展现状

国内旅游业发展现状 旅游业具有“无烟产业”和“永远的 朝阳产业”的美称,它已经和石油业、汽车业并列为世界三大产业。旅游业一般分为国际旅游业和国内旅游业。国内旅游业是为国内旅游者服务的一系列相关的行业,它关系到国内游客、旅行方式、膳宿供应设施和其它各种事物,改革开放以来,我国的旅游业有了非常迅速的发展,但是比较而言,我国国内旅游业发展的广度深度都远远不能适 应经济发展和人民生活水平提高的需要。随着市场经济的发展和人民收入水平的进一 步提高,人民对旅游消费的需求将进一步上升,国内旅游业在国民经济中的地位和作用越来越重要。因此,研究和探讨我国国内旅游业发展的现状、趋势及对策,具有十分重要的意义。 一、国内旅游业的发展现状分析 改革开放以来,我国国内旅游发展迅速,覆盖面广,但总的说来仍然处于一种低消费、

大众化、低水平、中近距离旅游的状况。旅游基础设施、服务设施建设发展很快,但仍不能适应国内旅游发展速度的要求。主要表现在: 1、从总的旅游人数和回笼货币来看,旅游人次数稳步增加,旅游消费额逐步提高。以下表可以看出1985年到1988年,1988年到1992年,人数平均每年增长10%以上, 旅游消费总额平均年增长率亦在10%以上。 2、从旅游消费方式和旅游消费结构来看,绝大部分属于观光旅游,文化型、享受型极少。即走马观花式的参观型旅游活动多,而修学、健身、寻根、考察、探奇、了解风土人情的专项特点旅游较少,一般游客住低档旅馆,饮食简单。据统计,在旅游消费结构中,吃住行比重高达85%,游览购物仅占15%。旅游整体消费水平低,据不完全统计1985—1992年,国内旅游人均消费额仅58元。 3、从旅游的地域性和客源分布来看, 国内旅游热点多集中在经济较发达,知名度 较高,旅游基础设施较完善的旅游胜地,如

相关文档
最新文档