组态视角下我国旅游产业发展的类型与路径选择
——基于机器学习方法的探索
廖杨月1,余传鹏1,林春培2,3
(1.华南理工大学旅游管理系,广东 广州 510006;2.华侨大学工商管理学院,福建 泉州 362021;3.华侨大学商务管理研究中心,福建 泉州 362021)
[摘 要]运用机器学习方法识别旅游产业发展的复杂前因和组态路径,以此赋能我国区域协调发展和共同富裕目标实现。文章基于生产函数理论,以我国298个地级及以上城市为研究对象,采用K均值聚类算法将样本城市划分为发展受阻型、稳中求进型和全面辐射型3 种群组类型,运用分类与回归树算法挖掘不同类型城市资源、技术和制度层面多维特征变量与旅游产业发展之间的复杂关系结构。研究发现:1)旅游产业发展的驱动要素具有耦合协调效应,体现为不同类型城市多维特征变量的横向耦合一致性和纵向等级分层性;2)高度相似城市因要素差异化配置获得不同旅游产业发展水平,表明每类城市都有适宜自身发展的组态条件,为推动区域协调发展提供现实基础;3)不同类型城市旅游产业高水平发展的驱动要素具有组合差异性,整体呈现殊途同归的作用效果,发展受阻型城市由“科技筑基–区域开放–文化吸引”驱动,稳中求进型城市由“经济引领–科技创新–数字赋能”驱动,全面辐射型城市由“文化吸引–交通增质”驱动。研究结论为我国城市旅游产业如何依据自身要素禀赋条件获得高水平发展提供了新思路和新参考依据。
0 引言
当前,我国区域发展不充分和不均衡的矛盾仍然突出,寻求新方法和新路径发展区域经济关乎人民福祉,也是新时代背景下我国经济社会发展亟待解决的重大理论和实践问题[1]。党的二十大再次将共同富裕目标写进报告,提出继续推进区域协调发展以更好地满足广大人民群众对美好生活的向往[2]。旅游产业作为我国战略性支柱产业[3],是推动区域经济高质量发展和产业结构优化升级的重要动力[4-6],也将为我国实现共同富裕目标保驾护航。从基本内涵来看,旅游产业是依托旅游资源禀赋条件,以旅游基础设施为载体,通过向消费者提供旅游产品和服务以满足其多样化、个性化旅游需求的综合性行业。2019年的统计数据表明,旅游产业占全球GDP的5.5%,同时提供2.72 亿个工作岗位,成为全球最重要的行业之一[7]。在国家政策扶持和市场经济的推动作用下,引导旅游资源良性集聚并赋能旅游产业发展具有重要战略意义。
1 文献综述与理论框架
1.1 旅游产业发展影响因素的研究进展
旅游产业的较强经济带动作用[21-22]使其成为学术界的重点研究对象,毋庸置疑,旅游产业发展的影响因素和提升策略也成为旅游相关领域的热点讨论问题。部分学者从特定视角研究单一资源要素对旅游产业发展的驱动作用,如Kanwal等研究发现,交通基础设施对旅游业发展的正向影响作用[23];Yasarata等通过定性研究方法得到政治制度和权力结构是旅游业可持续发展的重要因素[24];Erol 等综合专家数据和建模分析验证了区块链这一颠覆性技术对旅游产业发展的积极影响[7]。而随着研究逐步成熟和深入,多元要素综合驱动旅游产业发展[25-26]初步成为共识。Andrades和Dimanche认为,旅游业发展受到目的地形象、基础设施发展、劳动力培训和教育、质量管理和可持续管理等众多因素影响[27]。王新越等研究发现,旅游内核因子、旅游交通因子、转型升级因子及经济支撑因子是影响我国旅游城市旅游业发展的主要因子[11]。Hu等从旅游资源、便利设施、交通、地理、人口、经济6个方面考虑青海和西藏旅游业影响因素的不同[28]。Yang 等则利用空间绘图技术研究得出,旅游资源是海南旅游业发展的原始驱动力,旅游交通和社会经济因素是内生决定因素,而受政府政策影响的旅游企业和客源市场则是外生因素[29]。总体来看,学者们逐渐认为经济发展实力[30]、旅游生态环境[31]、交通连通性[32]、技术创新[33]、旅游文化[12]、贸易开放度[34]和政治环境[35-36]等因素都会影响旅游产业的发展,从而在旅游研究领域内形成一种发展的、整体的多要素视角[37]。
1.2 要素组合驱动下的旅游产业发展模型构建
尽管部分研究已经关注到旅游产业发展的影响因素涉及范围较广且具有区域异质性,但可借鉴的城市旅游产业多元发展路径研究成果仍相对缺乏,因此,如何整合影响要素并识别不同要素组合对旅游产业发展的差异化驱动作用至关重要。根据生产函数理论(production function theory,PFT)[38-40]可知,在一定生产条件下,生产要素(劳动力、资本和技术等)的不同组合会带来差异化的效益产出或增长[41]。对旅游产业而言,不同区域的要素禀赋差异决定其发展拥有自身适宜的资源组合配置方式,继而推动旅游产业的差异化发展。而伴随时代变迁和进步,生产要素的具体类型和构成也在不断变化和更新,主要体现为传统物质资源要素的虚拟化和新要素(如技术、人力资本和能源要素等)的动态纳入[42-43]。结合既往研究成果和实践情况,旅游产业发展的驱动要素主要从以下3个方面展开。1)依据资源禀赋理论可知,资源要素是维系旅游市场存在和拓展的基础[44]。作为一项依托自然资源、基础设施、历史人文风貌和资本投入等基本条件而拓展的业务,旅游产业尤其需要各项基础性资源奠定发展“底座”。具体而言,首先,旅游是经济发展的结果[30,45],城市较强的经济发展实力表明区域市场规模大、经济活力高,能够为各类旅游项目提供丰富的资本来源和投资机会;其次,历史名胜、博物馆等人文遗产彰显独特文化底蕴,能够吸引和招徕游客[12],推动“研学+旅游”模式深度融合发展;再次,完善的交通网络和基础设施(如高速公路、机场、火车站等)能够保证旅游目的地可达性,方便游客流动和出行,从而提高旅游活动的便捷性[32]。此外,拥有良好自然环境(如湖泊、公园、花园等)的城市能够提供游客接触自然世界的机会,吸引源源不断的游客前来观光、休闲和度假[31]。基于上述分析,本文选取经济发展实力、文化吸引能力、交通基础设施和游憩环境质量4个特征变量作为影响旅游产业发展的资源要素。2)内生增长理论主张技术进步是经济增长的驱动因素之一[46-47],据此逻辑,其可能也是推动旅游产业发展方式变革和创新的动力。已有研究关注科技创新赋能旅游产业可持续发展[33],不论是虚拟现实、增强现实等技术为游客提供沉浸式的旅游体验[48],还是智能导览系统、机器人导游等旅游目的地服务方式的全新升级,都是技术创新推动旅游产业发展的具体表现。也有学者发现数字基础设施的建设和完善促进旅游业态的多元化发展[49],如在线旅游平台、在线旅游社区支持旅游业务的在线预订、支付和信息查询,从而拓宽了旅游产业的发展渠道。由此,本文选取科技创新水平和数字基础设施作为影响旅游产业发展的技术要素。3)由制度理论可知,政府财政投入、方针政策等能够对旅游产业发展起到关键的影响作用[50],可见制度要素是稳固旅游产业重要地位和作用的保障。既往研究得出,政府通过提供财政支持、税收优惠、补贴和奖励等方式,加大对旅游产业的投资力度以吸引更多旅游资源聚集,因此,政府扶持力度是驱动旅游产业发展的因素之一[36]。进一步地,也有学者认为区域开放使城市的旅游产业可以充分利用国际市场资源、技术和管理经验,提高旅游竞争力和创新能力[51]。综合前人研究,本文选取政府扶持力度和区域开放程度作为影响旅游产业发展的制度要素。综上所述,资源要素的供给、技术进步的赋能和制度安排的变革都会影响旅游产业发展,从而塑造不同的旅游产业发展路径和模式。
作为21世纪最幸福的产业[52],旅游产业承担着满足人民美好生活愿望的职责,亦肩负缩小贫富差距、促进区域协调发展和推动共同富裕实现的重任。一方面,旅游产业的综合特征使其要素禀赋具有多元性、交叉性和复杂性,而在数字经济纵深发展的时代背景下[53],旅游产业如何配置城市不同要素禀赋以更好地推动区域协调发展却未被深入探讨。另一方面,城市作为区域发展的中心载体,其旅游产业高水平发展对区域具有关键意义,而不同城市在规模、类型和功能等方面的差异性削弱了旅游产业发展路径的普适作用[11]。鉴于以往研究忽视了我国不同类型城市多维特征与旅游产业发展之间的差异性[54],本文基于生产函数理论,综合考虑资源、技术和制度3方面要素对旅游产业的影响,并参考相关学者关于多因素综合驱动旅游产业发展相关研究成果[27,29],遴选经济发展实力、文化吸引能力、交通基础设施、游憩环境质量、科技创新水平、数字基础设施、政府扶持力度和区域开放程度8 个特征变量,试图从组态视角探析不同类型城市多维特征变量与旅游产业发展之间的复杂非线性关系,理论框架如图1所示。
图1 理论框架
Fig.1 Theoretical framework
2 研究设计
2.1 样本选择与数据来源
本文样本数据主要选自城市统计年鉴和统计公报等披露的相关指标,数据获取与预处理包括以下步骤。1)考虑到数据的整体质量,收集《中国城市统计年鉴》2016—2019 年298 个地级及以上城市(部分城市因数据缺失或指标不全而被剔除,如港澳台和一些自治州等)特征变量指标数据,保存著录字段包括“城市”“建成区绿化覆盖率”“公园绿地面积”“地方一般公共预算支出”“公共图书馆图书藏量”和“博物馆数量”等。2)基于国民经济和社会发展统计公报获取各城市旅游总收入与旅游总人数结果变量指标数据,与特征变量指标数据进行拼接汇总,样本有效数据共覆盖22个字段指标。3)面板数据因涉及字段指标范围较广而存在部分缺失值,本文根据每列字段数据的横向分布特点及时间演化趋势特征,综合使用多重填补法(如插值法和平滑法)、时间序列模型等对缺失数据进行更有效地填充。4)使用熵权法对含有多个观测指标的变量进行测度并匹配其余变量数据,得到研究所需8个特征变量和其结果变量——旅游产业发展构成的变量矩阵,最终获取可用样本数据1190 条,至此完成数据准备工作。
2.2 变量描述与测度
旅游产业发展是指在一定区域范围内,旅游产业(以旅游活动为核心,涉及旅游经济、旅游资源、旅游服务等方面的产业集群)实现其业务范围、产业规模、收益水平、组织形式、市场地位等多重指标提升和完善的过程[55-56]。本文借鉴既往文献,综合考虑旅游总收入和旅游总人数对结果变量——旅游产业发展(tourism industry development,TID)进行测度[57]。此外,文章的特征变量具体测度指标详见表1。鉴于大多变量都囊括多维度观测指标,而专家咨询法、层次分析法等主观赋权法由专家根据经验判断指标权重,在一定程度上缺乏科学性和合理性。本文使用熵权法[31]对变量进行测度,其依据多维观测指标提供信息量的丰富程度进行赋权,因具备不受数据量纲影响的优势而被广泛应用于各项研究[31,58]。设xij为变量i 的第j 个观测指标值,则第j 个观测指标权重度量为:
其中,pij为变量i 第j 个观测指标的数值比重,ej为变量i 第j 个观测指标的熵值。wj的值越大,说明观测指标j 越能反映变量i 的内在信息。因此,变量i 可测度为:
式(2)中,xij为变量i 第j 个观测指标值,wj则为变量i 第j 个观测指标的权重。
Tab.1 Variable description and measurement
2.3 研究思路和方法
本文研究流程主要包括“旅游产业发展的驱动要素为何”“异质性城市的类型和特点”以及“不同类型城市多维特征变量与旅游产业发展之间的关系”3个部分(图2)。
图2 研究思路和方法
Fig.2 Research ideas and methods
1)基于我国旅游产业发展的前因条件和组态路径研究问题,结合生产函数理论和文献回顾,选取多维度下经济发展实力、文化吸引能力、交通基础设施、游憩环境质量、科技创新水平、数字基础设施、政府扶持力度和区域开放程度8 个重要的特征变量,旨在研究不同类型城市旅游产业发展的多元化驱动路径。
2)确定数据来源,获取本文所需变量的字段指标数据并过滤处理,采用熵权法进行变量测度,将相应特征变量进行最小最大值归一化后,采用K均值(K-means)算法将具有相似特征的城市进行群组划分(异质性城市类型识别),依据不同类型城市群整体特征均值绘制特征差异雷达图并为城市群命名,初步识别不同类型城市的整体性差别。
3)以根据总体样本中位数离散化后的旅游产业发展为决策属性,8个特征变量为条件属性,使用决策树中的分类与回归树(classification and regression tree,CART)算法[17]挖掘3类异质性城市群旅游产业发展的潜在决策规则,采用随机森林集成算法验证特征变量重要性,探析不同类型城市群多维特征变量与旅游产业发展之间的复杂关系结构以及不同特征变量组态条件对旅游产业发展的差异化影响,得出研究结论并为旅游产业相关部门提供管理启示和发展策略。
3 数据分析和结果
3.1 异质性城市类型和特点
聚焦不同类型城市旅游产业发展的多元组态路径,本研究关键在于结合已处理的城市特征变量样本数据识别出要素禀赋具有异质性特征的城市类型。聚类分析是将相似特征的事物进行群组识别和探析的一种机器学习方法,而K-means 聚类以数据点之间的欧式距离为迭代条件,不断更新聚类中心直至全局最优,能够较好地满足研究需要。本文对8个特征变量进行K-means聚类,结合肘方法、模型评估指标轮廓系数以及样本数据分布特征确定聚类簇数。当聚类个数k 为1~3 个时,簇内平方和(cluster sum of square, CSS)下降幅度大,当k 超过4时,簇内平方和CSS的变化逐渐放缓,说明聚类最佳簇数在3附近[59];而k=3时,轮廓系数取值最优,进一步验证了聚类效果。此外,通过增加样本数据的聚类簇数(k=4或k=5)进行群组划分发现,各类城市群的样本数量呈现两极分化态势,说明增加簇数并未有效区分样本城市类型。综上所述,文章将聚类簇数设置为3,最终从1190 条城市特征变量样本数据中学习得到3 类特征相似的城市群(称为“簇”),基本信息如表2所示。
表2 城市群类型信息
Tab.2 The type information of city clusters
获取3类城市群的多维特征均值和样本总体特征均值绘制雷达图(图3),可以大致看出,不同类型城市群具有明显异构性。簇-Ⅰ城市群在经济发展实力、文化吸引能力和交通基础设施等8 个特征变量上的均值都处于最低水平,说明该类城市整体上各项资源禀赋条件和能力水平受限,表现为地理区位优势较弱、经济发展水平较低或基础设施建设不足,因此将其命名为发展受阻型城市群。例如,内蒙古鄂尔多斯旅游资源大多集中于草原、沙漠等单一自然景观,城市建设和规划相对滞后,缺乏清晰的城市形象和特色地标,旅游业整体品牌影响力较低;广东河源地理位置优越,但酒店、餐饮、交通等旅游配套设施不够完善,具有高知名度的核心景点较少,难以吸引更多游客和提升旅游产业竞争力。簇-Ⅱ城市群在8 个特征变量上的均值接近样本总体水平,说明该类城市综合条件较为均衡,能够依托区域特色旅游资源获得进一步发展,因此将其命名为稳中求进型城市群。例如,桂林“山水甲天下”,其坐拥漓江、阳朔、世外桃源等著名景点,也有各种广西民族文化和特色美食;湖北宜昌则以三峡风光为主要特色,太子山国家森林公园、木兰天池等自然景点和龙舟文化独具魅力。簇-Ⅲ城市群在各项特征变量上的均值都处于高水准,发展潜力巨大,表现出经济实力强、区位条件优越、资源禀赋全面等特点,因此将其命名为全面辐射型城市群。例如,北京拥有丰富的文化遗产、传统美食、现代化城市风貌和自然景观,故宫、长城、三里屯、香山和十三陵等景点吸引无数游客领略中华文明的博大精深和盎然生机。从特征均值雷达图可以大致看出,发展受阻型城市→稳中求进型城市→全面辐射型城市8 个特征变量的取值同时依次增大,从侧面反映不同类型城市群多维特征变量具有一定的耦合关系[60],在某种程度上证实了Chen 等提出的经济-环境-交通-旅游耦合协调发展观点[61]。结合表2可知,随着城市资源禀赋、技术能力和制度保障水平的提高,旅游产业发展为高水平的概率也逐渐增大。
图3 不同类型城市群特征均值雷达图
Fig.3 Radar map of different types of city clusters’feature mean value
3.2 多维特征变量与旅游产业发展相关性分析
文章绘制了3类城市多维特征变量之间以及单个特征变量与旅游产业发展之间的相关关系散点矩阵图(图4)。一方面,各城市多维特征变量之间虽大体呈现正向相关关系,但也有部分变量之间的关系并不清晰,为进一步探究多维特征变量不同组合对旅游产业发展的影响提供基本前提。另一方面,从整体视角来看,在变量数目较多的情况下,所研究的8个特征变量大多与旅游产业发展存在一定程度上的正相关关系,证明了旅游产业发展不是由单一特征变量决定,同时也受其他因素影响。从分类视角来看,不同城市特征变量与旅游产业发展之间的关系更加清晰,表明聚类划分能够将具有相似特点的研究对象从非线性的、复杂的情境中剥离以简化复杂问题,利于后续深入研究不同类型城市特征变量对旅游产业发展的影响。在相关性分析的基础上,多维特征变量之间及其与旅游产业发展之间的复杂关系难以被有效识别,因此,后文采用决策树CART算法揭示不同类型城市多要素组合影响旅游产业发展的“黑箱”效应。
注:红色点为发展受阻型城市,绿色点为稳中求进型城市,蓝色点为全面辐射型城市。
图4 多维特征变量与旅游产业发展散点矩阵图
Fig.4 Scatter matrix diagram of multidimensional feature variables and tourism industry development
3.3 多维特征变量对旅游产业发展的影响分析
针对研究主张从客观数据中挖掘有价值知识规则并试图呈现多维特征变量组合对旅游产业发展的影响,文章采用决策树CART 算法[62]捕捉特征变量与结果变量之间的非对称因果关系。作为机器学习的基础算法之一,决策树正被广泛应用于管理学理论与实践研究,而决策树CART 算法的优势在于能够揭开特征变量与结果变量之间的“黑箱”机制以清晰呈现多变量复杂关系结构[18],凝练后的决策规则可丰富现有管理理论和指导旅游管理实践。文章使用基尼系数评估条件属性分裂最佳选择及明确决策规则有效性,将损失函数取值减少最快的方式作为决策树模型的生长原理,并通过限制决策树的迭代次数避免模型过拟合[63]。具体而言,结合研究目的与样本规模,文章基于不同类型城市群划分,以8个城市特征变量为条件属性,离散化后的旅游产业发展为决策属性,设置决策树的最大深度为3,运用CART算法分别构建3类城市群的决策树模型,并使用随机森林算法验证特征重要性,深度挖掘我国旅游产业发展的多元组态路径。
3.3.1 发展受阻型城市群决策树
图5 发展受阻型城市群决策树
Fig.5 Decision tree of the hindered city cluster
在稳中求进型城市中,经济发展实力、文化吸引能力、科技创新水平、交通基础设施、游憩环境质量和数字基础设施都会对旅游产业发展产生较大影响。如图6 所示,稳中求进型城市群决策树的左子树中,在经济发展实力水平较低(≤0.08)的情况下,当文化吸引能力较弱(≤0.07)时,交通基础设施的较低配置会推动城市大概率获得高水平旅游产业发展(如玉林、咸宁和娄底等),反之则阻碍旅游产业发展(如毕节、西宁和菏泽等);当文化吸引能力提升(>0.07)时,科技创新水平的较高配置(>0.01)会赋能城市旅游产业发展(如舟山和开封等),反之则不利于城市旅游产业发展(如赤峰)。根据稳中求进型城市群决策树的右子树可知,在经济发展实力水平较高(>0.08)的情况下,当科技创新水平较低时(≤0.01),游憩环境质量的较高配置会推动城市大概率获得高水平旅游产业发展;当科技创新水平较高时(>0.01),数字基础设施在影响旅游产业发展的过程中发挥正向影响作用,表现为当数字基础设施由较低配置(≤0.07)转为较高配置(>0.07)时,该部分城市获得高水平旅游产业发展的经验证据样本数占比明显增加(12.5%→62.5%)。
图6 稳中求进型城市群决策树
Fig.6 Decision tree of the stable city cluster
在全面辐射型城市中,文化吸引能力、科技创新水平、交通基础设施和经济发展实力都会对旅游产业发展产生较大影响。与前两类决策树不同,该类决策树的分叉规则纯度较高,特征组合展现的决策路径使得该类城市大概率获得高水平旅游产业发展。如图7 所示,全面辐射型城市群决策树的左子树由文化吸引能力和科技创新水平两个节点构成,当文化吸引能力相对较弱(≤0.04)时,科技创新水平并未在旅游产业发展过程中起到明显的赋能作用(如珠海、中山和乌鲁木齐等)。该类城市群决策树的右子树由文化吸引能力、交通基础设施和经济发展实力3个节点构成,在文化吸引能力较强(>0.04)的情况下,当交通基础设施水平较低(≤0.04)时,文化吸引能力的进一步增强(>0.09)会促进城市旅游产业高水平发展(如金华、赣州和嘉兴等),反之会阻碍城市旅游产业发展(如盐城、泰州等);而当交通基础设施水平较高(>0.04)时,经济发展实力的较高配置(>0.11)赋能城市获得高水平旅游产业发展的概率接近100%(如上海、长沙和成都等)。
图7 全面辐射型城市群决策树
Fig.7 Decision tree of the fully radiant city cluster
决策树能够详尽展现特征变量不同取值组合对旅游产业发展的影响,但为了避免过拟合以进一步提高决策树模型的泛化能力,文章采用后剪枝的方式对决策树进行规则凝练[64],并通过置信度与支持度评估决策规则的拟合效果。从表3决策规则的支持度可以看出,每类城市群样本量在高水平与低水平旅游产业发展中的占比明显不均衡,发展受阻型城市群获得低水平旅游产业发展的比重较高,而其余两类城市群获得高水平旅游产业发展的占比偏高。进一步观察发现,规则置信度大多处在70%~100%之间,拟合效果较好。此外,不存在3 类城市群旅游产业发展的共同分裂属性,表明不同类型城市旅游产业发展的驱动模式具有较大异质性。进一步地,在各城市群决策树的分裂节点中,相同特征变量的不同取值组合会影响城市获得不同水平的旅游产业发展。这说明在高度相似的城市群中,特征变量与旅游产业发展之间存在复杂非线性关系。
表3 不同城市群的旅游产业发展水平决策规则表
Tab.3 Decision rules of tourism industry development level in different city clusters
结合城市类型与特点对决策规则表进行深入分析发现,发展受阻型城市群获得低水平旅游产业发展的概率较高(支持度85.12%),少数城市主要依靠城市科技创新水平提升、区域开放和文化吸引推动旅游产业发展;但该类城市大多资源条件受限,尚未得到政府财政的全面支持,旅游目的地在一定程度上仍未被有效开发,阻碍了该类城市旅游产业高水平发展。稳中求进型城市群获得高水平旅游产业发展的概率明显增加,在经济发展实力相对较低的情境下,文化吸引能力的较低配置与交通基础设施的较高配置会阻碍该类城市旅游产业发展(置信度68.26%);而当文化吸引能力和科技创新水平较高配置时,该类城市获得高水平旅游产业发展的概率较大(置信度87.50%)。此外,在经济发展实力相对较高的情形下,科技创新水平的较低配置与游憩环境质量的较高配置或者科技创新水平与数字基础设施的较高配置都能推动城市旅游产业高水平发展。全面辐射型城市群拥有完善的资源配置条件,因此,该类城市群只要满足基本的文化吸引能力要求(>0.04)以及推动交通基础设施持续完善(>0.04),就能在较高置信度下获得高水平旅游产业发展。
4 结论与讨论
4.1 研究结论
本文通过K-means聚类算法对我国相似城市进行群组划分,在明确异质性城市类型和特点基础上,采用决策树CART 算法聚焦分析多维特征变量不同组态对城市旅游产业发展的影响,试图利用机器学习方法挖掘我国旅游产业发展的要素配置组合,为不同类型城市旅游产业发展提供路径选择策略,从而进一步推动区域协调发展以赋能共同富裕目标实现。研究过程中得出以下主要结论。
1)我国旅游产业发展的“资源–技术–制度”驱动要素具有耦合协调效应,大致体现为特征变量在各维度上占据的地位由低向高变化时,城市获得高水平旅游产业发展的概率也随之由小变大,即多维特征变量在同类型城市群内部具有横向耦合一致性,而在不同类型城市群外部具有纵向等级分层性,整体分布类似同心圆结构样式。
2)在不同类型城市群决策树模型中,旅游产业发展水平的概率分布具有差异性。从整体分布态势来看,多维特征变量正向驱动旅游产业发展,表现为从发展受阻型城市到稳中求进型城市再到全面辐射型城市获得高水平旅游产业发展的概率不断提升,侧面反映出多维特征变量的规模经济特点。
3)多维特征变量的不同组合推动相同类型城市获得不同水平旅游产业发展,表明特征变量的差异化组态配置会影响城市旅游产业的发展。“科技创新水平-区域开放程度-文化吸引能力较高配置”是发展受阻型城市获得高水平旅游产业发展的驱动路径,而“科技创新水平较低配置-经济发展实力不足-游憩环境质量不佳”为该类城市旅游产业发展的受阻路径。“经济发展实力不足-文化吸引能力较弱”阻碍稳中求进型城市旅游产业发展,而“经济发展实力-科技创新水平-数字基础设施较高配置”为该类城市旅游产业的提升路径。“文化吸引能力提升-交通基础设施完善”则促进全面辐射型城市旅游产业高水平发展。
4)不同类型城市拥有殊途同归的旅游产业发展路径,体现出不同城市有适宜自身发展的资源、技术和制度配置方式。从关注城市旅游产业发展的主要矛盾方面来看,发展受阻型城市受科技创新水平影响最大,稳中求进型城市受经济发展实力影响最大,全面辐射型城市则受文化吸引能力影响最大,进一步证实了聚类划分的有效性与合理性,也刻画出我国城市旅游产业可选择发展路径的独特性、多样性特征。
4.2 管理启示
相关研究结论为如何推进我国不同类型城市旅游产业高水平发展以实现区域协调和共同富裕目标带来有价值的管理启示。
一是对国家管理部门而言,应进一步强调多方要素禀赋的重要性,通过资源合理配置推动城市旅游产业与经济、社会和环境等耦合发展,推动发展受阻型城市、稳中求进型城市向全面辐射型城市看齐以及全面辐射型城市旅游产业发展取得更大成果。具体而言,捍卫资源要素在城市旅游产业发展中的基础性作用,持续加强旅游基础设施建设,全方位打造符合人民企盼的旅游目的地,满足游客对美好生活的向往和追求,如进一步推动城市旅游品牌创新、交通高效便捷和游憩环境优化等,助力旅游产业配套设施全面优化布局。坚持技术要素、制度要素在城市旅游产业发展中的动力性及保障性作用,提升城市技术创新能力与加大数字基础设施建设以赋能旅游业高效、快速发展,同时注重旅游相关支持性政策条例的制定和实施。特别地,管理部门应该突破以往重点考虑东、中、西部地理区位差异的思维定势及局限性,依据异质性城市类型设立差异化的城市旅游产业发展标杆,促进不同类型城市制定和遵循个性化的旅游产业发展方案与路径,充分激活城市资源、技术和制度等要素禀赋的比较优势,赋能我国旅游产业多元化、高水平发展。
二是从城市方面来看,应该依据自身具备的异质性要素禀赋基本条件,因地制宜选择恰当的旅游产业发展策略。发展受阻型城市(如鄂尔多斯、拉萨和河源等)应该加大科技创新建设力度,保障城市基本技术需求,促进“技术+旅游”融合以实现旅游产业创新发展;发挥政府在旅游市场经济中的宏观调控作用,通过对外开放模式调整、资金倾斜投入等方式提高旅游产业的整体服务水平;注重游憩环境质量的提升,合理开发旅游目的地,为旅游产业发展提供基础条件保障。稳中求进型城市(如潮州、延安、桂林等)应结合当地自然风光和人文历史开发文化旅游产品,推出更具特色和品质的旅游线路,提升游客对目的地的认知和体验以增加旅游消费;同时紧跟数字时代发展步伐,在筑牢旅游产业发展技术底座的基础上,加大数字基础设施建设以赋能旅游产业数字化转型和发展。全面辐射型城市(如北京、上海和成都等)拥有完善的资源组合配置条件,但在交通和文化方面仍有一定提升空间,应积极响应国家出台的“交旅融合”政策,持续优化交通设施建设布局,提升交通便捷性以满足游客交通需求;同时通过博物馆、主题公园和历史遗迹等旅游资源打造城市特色品牌,有效吸引游客规模聚集以推动旅游产业持续健康发展。
4.3 研究贡献
本文可能的研究贡献在于以下3 个方面。其一,拓展了旅游产业发展影响因素的研究视角。以往研究大多基于单一视角考虑旅游产业发展的驱动要素[23,57],缺乏从全局角度看待多维特征变量对旅游产业发展的组态影响。本文基于生产函数理论,将8 个特征变量和旅游产业发展纳入同一理论分析框架,不仅从更加整体和宏观的层面加深了对旅游产业发展影响因素的认识和理解,还将该理论中的要素禀赋结构化为资源要素、技术要素和制度要素3 个维度,进一步拓展了生产函数理论的外延并增强其在旅游管理领域的适用性。其二,推进了多维特征变量与旅游产业发展之间的非线性关系研究。以往研究倾向于剖析特征变量与旅游产业发展之间的线性或简单非线性关系[12],在一定程度上忽视了旅游产业发展的综合性和复杂型,未能揭示变量之间的非对称相关关系。本文着重探讨不同要素组合与旅游产业发展之间的复杂关系结构,进一步升华了相关研究主题。其三,引入机器学习方法解决旅游领域的实际难题。旅游产业发展一直是旅游研究领域的热点及重点问题,但囿于研究方法的局限性,现有文献依据地理区位差异将地级市划分为东、中、西部城市[10-11],并由此得出不同区位城市的普适性旅游产业发展路径。考虑到相同区位城市在资源、技术和制度等方面的异质性特征,本文使用聚类算法将城市多维特征变量进行群组划分,并采用决策树方法挖掘不同类型城市旅游产业发展的复杂前因和组态路径,不仅弥补了旅游产业发展未能精准施策的不足,还可能推动后续研究采用新方法解决旅游管理实践中涌现的新的复杂问题。
4.4 研究局限及展望
作为一项将机器学习方法引入旅游领域的探索性研究,本文也存在一些不足。一方面,尽管机器学习方法能突破预设理论模型的局限性,深入挖掘变量间潜在的有价值、有意义知识规律和规则,但其可能只适用于特定研究对象,因此,如何推广结论以增强普适性仍需进一步思考和完善。另一方面,由于客观数据获取受限,只遴选影响旅游产业发展的代表性特征变量进行分析,可能使研究结果存在一定的片面性。此外,考虑城市要素禀赋的动态演化,结合时间序列数据进一步探析不同类型城市的旅游产业发展模式也是未来的研究方向。
图片来源于微信公众平台公共图片库
国家社科基金资助期刊
中国最具国际影响力学术期刊(人文社科类)
全国中文核心期刊
中国人文社会科学期刊AMI综合评价(A刊)权威期刊
《中文社会科学引文索引》(CSSCI)来源期刊
欢迎转载,转载请联系《旅游学刊》编辑部授权
(lyxkwx@163.com)