论文部分内容阅读
[摘 要]贸易效率是评估货物与服务贸易市场开发程度的有效指标，对识别其市场潜力与揭示其全球贸易发展格局能发挥重要作用。为此，文章以2011—2017年我国入境旅游118个客源地的年度数据为样本，构建异质性随机前沿引力模型，分别引入7个自然因素和8个人为因素作为贸易引力模型和非效率项的解释变量，采用STATA 15.0进行估计。结果发现：我国入境旅游贸易效率总体均值为0.5989，效率损失较大，且整体呈下降的态势，表明我国入境旅游发展形势较为严峻。我国入境旅游重要客源市场主要集中在大洋洲、北美洲、欧洲、东亚及东南亚地区;随着“一带一路”合作倡议得到更多响应，亚洲国家成为我国入境旅游规模新的增长点，如越南、缅甸和蒙古国。影响入境旅游贸易效率波动的因素已由我国的旅游资源禀赋、空气质量和服务业发展环境等内部因素，转变成客源国社会稳定、“一带一路”沿线国家身份以及双边自由贸易协定签订与否等外部因素，作用方式也由单边发展到双边相互作用，反映出我国入境旅游发展环境复杂化趋势。
[关键词]入境旅游;贸易效率;异质性随机前沿引力模型;影响因素
[中图分类号]F59
[文献标识码]A
[文章编号]1002-5006（2021）03-0029-15
Doi： 10.19765/j.cnki.1002-5006.2021.03.008
引言
入境旅游是衡量国际旅游发展水平的关键指标，在我国从旅游大国迈向旅游强国的进程中发挥重要作用。但随着国际贸易环境的复杂化，我国旅游出口贸易不稳定因素增多，市场结构与贸易格局发生了明显变化。21世纪以来，受SARS、汶川地震及美国次贷危机等一系列事件冲击，我国入境旅游规模分别在2003年、2008年、2009年发生严重下滑，甚至在2012—2014年出现负增长，后续持续保持个位数的增长率，整体呈波动式减速发展态势1。相较于出境旅游平均两位数的增长率，这一现象引发了学术界对我国入境旅游发展前景的担忧[1]。我国入境旅游客源市场是否还有拓展空间呢？对比邻国日本入境旅游的高增长率，我国出现的停滞不前甚至倒退现象，进一步将这一问题推上关注的热点。
为此，学者们从入境旅游影响因素角度，采用定性或定量分析方法探究我国入境旅游发展的阻力因素，认为是内外部因素共同作用的结果。其中，内部阻力因素主要包括国家旅游形象[2]、旅游价格[3]、旅游接待设施[4-5]、空气质量[6]、贸易开放度[7]、经济发展水平[8]等;外部阻力因素主要包括国际金融环境[9-10]、外国媒体宣传[11]、汇率[12]、贸易或政治沖突[13-14]等。以上研究只探讨了入境旅游发展问题产生的可能原因，并未解答是否存在发展空间问题本身。贸易效率是国际贸易学理论中判断市场开发程度的一个重要指标[15]，即实际贸易与贸易潜力的比值。学者将此指标引入旅游研究领域，用以评估我国典型区域入境旅游市场开发程度，可有效解决市场潜力测度问题 [16-17]。关于贸易效率测度方法，综合Wang和Greene优点的异质性随机前沿引力模型是应用较为广泛的方法之一[18-23]。其中，贸易非效率模型既可以估计效率与影响因素的相关关系，还可以分离个体异质性和考虑非效率项非单调性的问题，在提高估计精准度方面有显著成效。因此，本文将利用此模型对我国入境旅游贸易效率及其影响因素进行深入研究，为开拓国际市场提供理论参考依据。
1 文献回顾
目前，关于入境旅游效率的研究成果主要集中在研究主体、量化方法和影响因素等方面。在研究主体方面，以目的地为主体的文献居多，主要关注其旅游生产效率问题。学术界普遍使用一般均衡理论中的投入-产出分析方法[24]，聚焦目的地旅游产业投入要素与产出结果之间的关系，以旅游生产效率指标评估发展效益。目的地的空间范围由城市扩展到全国，如浙江省11个地级市[25]、泛珠三角区域9省[26]、“一带一路”沿线省（区）[27]以及中国东部、中部和西部区域[28]等范围。入境旅游生产效率可以协助目的地发掘旅游相关资源投入的无效耗费，为优化其资源配置结构提供支撑。同时，受旅游资源有限性的约束以及绿色发展的追求，最大化入境旅游供给能力成为了目的地旅游产业可持续发展的选择之一。但入境旅游是客源地国际旅游者向目的地流动的形式，具有国际贸易的一般特征，其发展效率受双边共同影响。由此，部分学者转移到对目的地和客源地双边关系的关注，空间范围涉及跨国界的典型区域。如在“一带一路”合作倡议下，我国与其沿线国家贸易互动快速升温，直接影响了我国入境旅游贸易效率，整体呈上升趋势[16-17]。然而，目前关于我国与全球客源地之间入境旅游贸易效率研究成果仍然不足，不利于系统全面认识我国入境旅游发展格局。为此，本文将研究样本拓宽至全球范围，试图揭示我国入境旅游客源市场开发现状。
旅游效率测度可以有效评估与监测旅游发展绩效，对其产业发展战略制定有着至关重要的作用[29]。目前，数据包络分析方法（data envelopment analysis，DEA）和随机前沿分析方法（stochastic frontier analysis，SFA）是衡量前沿效率的主流方法。DEA方法是以线性规划为工具的一种评价方法，对于评价复杂系统的多投入和多产出具有独到之处[30]。独立使用DEA方法在衡量中国区域旅游效率[31]、城市入境旅游发展效率[25]中得到广泛应用。与其他方法组合使用也为测度入境旅游效率提供了新选择，如传统DEA与Bootstrap-DEA组合方法对中国旅游业发展效率的估计[32]、与面板Tobit方法结合对西北5省（区）入境旅游效率的测度[33]，以及构建超效率DEA模型评估泛珠三角区域9省的入境旅游发展效率[26]。因为DEA没有考虑统计误差的影响，以致存在无法确认随机干扰因素对效率影响的弊端，所以学术界开始关注SFA方法[34]。 SFA是典型的参数估计方法，通过分离随机误差项和技术非效率项，可以避免将任何与前沿面的偏离都计入技术非效率项[35]。因此，SFA在解决统计误差、不确定经济环境以及技术非效率等问题方面具有良好效果，适用于研究更有可能出现这些问题的发展中国家和转型经济国家的效率问题[36]。SFA可以单独估计出非效率项的影响参数，一定程度上既能弱化数据测量误差对估计结果的负面影响，还能分离出非效率的影响因素[37]。在贸易效率测度中，SFA分析方法常与贸易引力模型结合应用，提升了贸易效率计量的准确度，优化了貿易效率影响因素的估计结果。SFA在越南与其主要贸易伙伴[38]、罗马尼亚和欧盟国家[39]、中国与RCEP（regional comprehensive economic partnership）伙伴国[40]、中印[41]等贸易效率评估的实证研究中得到了充分验证。目前，SFA方法已成为旅游效率测度的常用方法[42-43]，在入境旅游发展效率[28]、低碳旅游组织提供效率[44]、酒店经营与管理效率[45-46]、区域旅游产业效率[47-48]、民族地区旅游经济效率[49]、旅游企业技术效率[50] 测度等方面得到广泛应用。为测度入境旅游贸易效率，少数学者采用此方法，评估我国与“一带一路”沿线国家的入境旅游贸易效率，得出“一带一路”国家级顶层合作倡议为提升我国入境旅游贸易效率做出重要贡献的结论[16-17]。以上实证研究中，多数学者采用的是Battese和Coelli的SFA模型[16-17，28，38-41，44-49]。此模型忽视了个体不可观测的异质性和非效率项非单调性的问题，在应用面板数据进行估计时，可能导致效率估计发生严重偏误[51]。而综合了Wang和Greene优点的异质性SFA模型，不仅能分离出个体异质性，还通过修正非效率项的分布假设，允许非效率项存在非单调变化，考虑非效率项期望值和方差的异质性[20]，可以获得更稳健的效率估计值，能有效解释相关因素对非效率项的影响[51-52]。
在入境旅游效率影响因素方面，学术界主要从目的地单边、目的地与客源地双边进行了探究。目的地单边视角下，入境旅游接待国的旅游生产率影响因素涉及国家发展宏观层面、产业发展条件中观层面，以及旅游企业资源配置微观层面。国家宏观发展方面，社会经济水平[25]、信息技术水平[53]、法律制度质量[54]、国际市场竞争力与贸易开放度[31]、城市化率[37]对入境旅游效率具有显著正向影响，而空气质量指数或PM 2.5暴露值[55]对其具有负向影响。旅游产业发展条件中的接待设施与配套功能[26]、旅游资源禀赋与区位优势[37]、产业结构[27]等因素对入境旅游效率产生积极作用。旅游企业主体的创新活力、资本与技术等要素投入有助于提高入境旅游效率，但从业人员的过剩已经成为效率提升的一个阻碍[27]。目的地与客源地双边视角下，两国之间的汇率、国际航线和航班数量与入境旅游贸易效率显著相关，能促进其提升[56]。双方拥有服务开放承诺（如自由贸易协定、服务贸易协定）对入境旅游贸易效率产生明显促进作用，如“一带一路”倡议成员国身份显著影响我国与各国客源地的入境旅游贸易效率，形成正相关关系[17]。然而，考虑到随着时间的推移，各因素对入境旅游贸易效率的影响作用与相关关系可能会发生变化，因此，有必要进行动态跟踪观察，为其发展战略的制定提供更为及时的参考依据。同时，考虑入境旅游是目的地和客源地双边贸易互动的结果，本文认为有必要同时引入来自目的地、客源地及双边关系的影响因素，有利于精准掌握入境旅游贸易效率及发展规律，而现有相关文献忽视了同时从3个方面选取变量的研究[16-17]。
综上可知，关于入境旅游贸易效率，现有研究的空间尺度只涉及典型区域，缺乏全球尺度的研究;在研究方法方面，SFA在效率估计方面已经得到广泛认可，但在入境旅游贸易效率估计研究中主要采用的是Battese和Coelli的SFA模型，未考虑个体异质性和非效率项非单调性的问题，可能导致估计结果出现严重偏误;在非效率项影响因素方面，学者们多是从目的国、客源国、双边关系中某一个或两个角度来选取影响因素，缺少同时从3个角度的研究。为此，本文将空间尺度由区域范围扩展到全球，综合考虑目的国、客源国以及双边关系以确定非效率项的解释变量，借鉴Wang和Greene的异质性随机前沿引力模型，分析入境旅游贸易效率与影响因素，充分考虑个体固定效应和非效率项非单调性问题，力求获得更稳健的估计结果。
2 研究方法与变量说明
2.1 异质性随机前沿引力模型
Aigner等、Meeusen和Julien最早建立截面数据随机前沿模型[57-58]，Pitt和Lee、Battese和Coelli将此思想应用到面板数据[59-60]，成为效率测量的主流工具。传统的面板数据随机前沿模型基本形式如下：
[yit=α+xitβ+vit-uit] （1）
其中，yit表示t期产出向量;xit是影响产出的投入向量;β是待估参数向量;vit是随机误差项，代表投入之外其他影响产出的不可观测因素;uit是非效率项，表示生产的无效率程度，假定其随时间单调递增、递减或者不变;α是截距项，假定不可观测效应在所有个体之间完全同质。受限于上述假定，传统模型忽视了非效率项中边际效应的非单调性和个体不可观测的异质性，可能导致估计偏误[51]。因此，Greene[19]在传统模型基础上分离出个体异质性，构建出真实的固定效应随机前沿模型（true fixed effects stochastic frontier analysis，TFE-SFA）：
[yit=αi+xitβ+vit-uit] （2）
[y*it=αi+xitβ+vit] （3）
其中，αi代表自变量中不可观测的异质性，yit*代表前沿水平;vit服从正态分布N（0，σv2）;uit服从半正态分布N+（0，σu2）;vit、uit、xit互不相关。然而，uit具有相同均值和方差的假定，忽视了个体异质性对非效率的均值和方差的显著影响。Wang[18]认为可以引入非效率项的异质性影响因素，加上对非效率边际效应非单调性问题的考虑，对uit的分布假设进行了修正，形式如下： [uit～N+μit， σ2it] （4）
[μit=μ0+zitω] （5）
[σ2uit=expσ0+zitγ] （6）
其中，μit、σit是uit均值和方差，μ0、σ0是常数项，zit表示影响非效率项的外生变量向量。uit服从截断正态分布，不仅允许向量zit对效率的边际效应存在非单调变化，而且还充分考虑了非效率项期望值和方差的异质性，从而能够揭示非效率如何受异质性影响，利于得出更可靠的效率估计值[20]。ω、γ是待估参数向量。
参考Battese和Coelli对效率的定义[60]，得出贸易效率计算公式：
[TE=yity*it=expαi+xitβ+vit-uitexpαi+xitβ+vit =exp （-uit）] （7）
综合Wang和Greene的研究方法[18-19]，式（2）～式（7）组成本文所采用的异质性随机前沿模型的基本结构。
2.2 模型设定
入境旅游是国际贸易的重要组成部分之一[61]，不仅会受到与其密切相关的因素影响，还必将受到国际贸易大环境的影响。为此，在模型的变量选择时，本文利用贸易引力模型的解释变量来刻画国际贸易环境，而非效率项中的解释变量则直接从影响入境旅游的角度进行选取。
引力模型（gravity model，GM）概念来源于物理学中万有引力定律，于20世纪60年代被引入贸易规模的研究中。其中，国家经济体量对应物体质量，地理距离对应物体间距离。因此，经济体量（如GDP）和地理距离是贸易引力模型的两大核心变量[38-41]。同时，人口[62]、人均GDP[63]、共同边界[64]、共同语言与文化或殖民历史[65]等短期内基本不变的自然因素也获得学术界认可，成为刻画国际贸易大环境的常用变量，并成功应用于对外投资、农产品贸易、入境旅游、综合贸易等领域的实证研究中[16-17，23，40-41，52，66]。虽然有少数学者尝试将国际金融发展环境[67]、经济组织[68]、民主进步[69]等因素引入贸易引力模型，但未得到广泛应用与认同。在此，本文主要借鉴唐睿和冯学钢、Armstrong的模型设定思路[17，70]，选取目的国和客源国GDP与人口数量、地理距离、边界和语言等7个最常使用的自然因素作为入境旅游贸易引力模型的解释变量。
基于入境旅游效率影响因素的文献回顾，我国的旅游资源禀赋、空气质量和接待设施与配套功能等内部因素是研究中的重要关切点[26，37，55]，而客源地汇率、“一路一带”沿线国家身份，以及体现双边关系的自由贸易协定签订与否等是外部重要影响因素[17，56]。同时，考虑到国际形势错综复杂与充满变数，本文增加了对客源地社会稳定度和服务业发展环境的关注。因此，遵循变量数据的可获得性和旅游经济相关性原则，本文选定目的地国的旅游资源禀赋、PM2.5和服务业就业人员占比等内部因素，客源国的实际有效汇率、社会稳定度、服务业就业人员占比和是否是“一带一路”沿线国家，以及体现双边关系的自由贸易协定签订与否等外部因素，共同作为非效率项的外生变量。
依据式（2）～式（7），本文的异质性随机前沿引力模型（true fixed effects stochastic frontier analysis gravity model，TFE-SFA-GM）设定如下：
[lnITNijt=αi+β1lnGDPit+β2lnGDPit+β3lnPOPit+β4lnPOPjt+β5lnDistij+β6Borderij+β7Langij+vijt-μijt] （8）
[vijt～N0，σ2v， uijt～N+μijt，σ2ijt， μijt=μ0+zijtω， σ2ijt=expσ0+zijtγ] （9）
[zijt=TRit， PM2.5it， S_TIEit， S_TIEjt， REERjt， PSjt， BRj， FTAijt] （10）
[TEijt=ITNijtITN*ijt=exp （-uijt）] （11）
式（8）是随机前沿引力方程，式（9）是随机误差项和非效率项的分布特征，式（10）是影響非效率项期望值和方差的外生变量，式（11）是贸易效率计算方程。
其中，ITNijt代表t年j国入境中国旅游人数（人次），反映中国旅游贸易出口规模;GDPit和GDPjt分别表示中国和客源地经济规模（美元）;POPit和POPjt分别代表中国和客源地人口数量，反映旅游市场规模;Distij代表两国首都之间距离（km），反映旅游交通成本;Borderij和Langij分别代表中国与客源地是否有共同边界和共同语言，有则数值为1，反之为0。TRit代表中国世界遗产数量占总数的比例，反映中国旅游资源禀赋;PM2.5it代表中国PM2.5年均暴露量（μg/m3），反映中国空气质量;S_TIEit和S_TIEjt分别代表中国和客源地服务业就业人员占总就业人数比例，反映各自社会的服务经济发展程度，间接表征中国的旅游接待能力、客源地的旅游消费需求程度;REERjt代表客源地实际有效汇率，反映客源地货币的对外价值和相对购买力，间接反映国际旅游者的购买力;PSjt代表客源地的国内政治环境稳定度，反映客源地出境旅游可能性;B&Rjt代表客源国是否是“一带一路”沿线国家，是则数值为1，反之为0;FTAijt代表中国与客源地是否签订自由贸易协定的虚拟变量，反映国际旅游区域一体化水平，有则数值为1，反之为0。
2.3 样本和数据说明
虽然我国入境旅游从2008年就出现了减缓迹象，但考虑汶川地震、美国次贷危机等重大事件的冲击及数据的平稳性，本文选择2011—2017年作为研究时段。世界旅游组织数据显示，中国入境旅游客源地数量已有200多个，但受入境旅游与贸易效率影响因素相关数据可获取性的限制，本文遴选出118个客源地作为研究样本，共1770个观测值，构成面板数据。 各客源地入境中国旅游人数ITN数据来源于世界旅游组织。GDP、POP、S_TIE数据来源于世界银行数据库，GDP以2010年不变价美元计价。Dist、Border、Lang和REER数据来源于法国国际信息与展望研究中心数据库（Centre d’Etudes Prospectives et d’Informations Internationales，CEPII）。中国世界遗产全球占比（TR）来源于世界遗产委员会《世界遗产名录》。PM2.5数据来源于世界发展指标数据库（World Development Indicators，WDI）。PS数据来源于全球治理指标数据库（Worldwide Governance Indicators，WGI）。B&R数据来源于中国一带一路官方网站（https：//www. yidaiyilu.gov.cn）。FTA数据来源于中国自由贸易区服务网站（http：//www.mofcom.gov.cn）。
3 模型检验与结果分析
3.1 模型检验
首先，为确保估计模型的稳健性，本文使用STATA 15.0软件对传统引力模型分别进行最小二乘法（ordinary least squares，OLS）、固定效应（fixed effects，FE）和随机效应（random effects，RE）估计，作为异质性随机前沿引力模型的基准参考，如表1中模型（1）～模型（3）。估计结果显示，OLS、FE和RE的解释变量系数符号基本与理论预期一致，且多数在1%水平上显著，说明本文的引力模型能较好拟合中国入境旅游贸易规模。Hausman检验值在5%水平上显著，即拒绝适用RE模型的原假设，证明FE模型具有更高估计效率。
然后，通过对TFE-SFA-GM模型假设条件逐步放松，本文得到不同约束条件下的估计结果，如表1中模型（4）～模型（8）。其中，模型（4）假设uijt=0，即不存在非效率项，表明系统处于随机前沿面上;模型（5）假设μit=0，表明仅非效率项均值在前沿面上，只考虑方差的异质性;模型（6）假设ω=0，表明非效率项均值偏离前沿面，但只考虑方差的异质性;模型（7）假设γ=0，表明无效率项方差不受外生变量影响，即为同方差，只考虑均值的异质性;模型（8）假设完全无约束，即同时考虑非效率项均值和方差的异质性。
最后，与FE模型对比，TFE-SFA-GM模型得到的解释变量系数符号与之完全一致，说明该模型设定合理。由于采用极大似然估计方法，TFE-SFA-GM模型可以揭示地理距离、共同边界与语言等不随时间变化的因素对贸易规模的影响，弥补了FE无法估计此类变量的缺陷。在TFE-SFA-GM模型中，似然比检验量LR1的原假设为“不存在非效率项”，LR2的原假设为“不存在完全异质性的非效率部分”。根据表1结果所示，LR1、LR2均在1%水平上拒绝原假设，说明存在非效率项的模型更有效，且非效率项均值和方差都会受到外生变量影响。由此判断，充分考虑了非效率项异质性的模型（8）明显优于其他模型。因此，本文主要基于模型（8）分析中国入境旅游贸易规模和贸易效率的影响因素。
3.2 入境旅游贸易规模影响因素分析
由表1模型（8）的估计结果可知，我国经济规模变量（GDPit）在1%的水平上显著为负，即对入境旅游贸易规模扩大产生抑制作用。我国GDP快速增长的同时，人均收入水平和物价出现大幅上涨，可能已超过大部分客源地收入水平增长的幅度，致使旅行成本增加，从而成为入境旅游者的阻力影响因素。客源地经济规模变量（GDPjt）在1%的水平上显著为正，表明客源地经济规模的扩大有助于提升进入中国的旅游者规模，可能是因为客源地GDP与公民可自由支配收入同步增加，更多潜在旅游者获得了充足资金支持。我国人口数量（POPit）未通过显著性检验，可能是因为我国人口数量长期位居世界前列，相较于多数客源地来说属于绝对领先，从而导致其失去影响意义。客源地人口数量（POPjt）的系数在1%的水平上显著为正，表明客源地人口基数越大，客源地进入中国开展国际旅游的旅游者人数可能会越多。地理距离（Distij）的影响在1%的水平上显著为负，表明两国距离越远，导致以交通成本为代表的贸易成本越高，是入境旅游者明显的阻碍因素。共同边界（Borderij）和共同语言（Langij）在1%的水平上显著为正，反映出两国相邻与拥有共同语言有利于增强彼此之间贸易联系，从而促进我国入境旅游贸易规模的扩大。
3.3 入境旅游贸易效率影响因素分析
本文将从非效率项的均值和方差两个方面分析外生变量对入境旅游贸易效率的影响。从模型（8）中无效率项的结果来看，外生变量对无效率项均值的影響要大于对方差的影响。
在无效率项均值模型中，我国世界遗产数量占比（TRit）和服务业就业人员占比（S_TIEit）在10%水平上显著为负，即对入境旅游贸易效率影响显著为正，说明拥有越多具有国际影响力的旅游资源和越发达的服务经济社会，越有可能吸引更多入境旅游者，从而提升我国对客源地的贸易效率均值。其中，服务业就业人员占比（S_TIEit）系数接近于0，表明我国服务业发展环境的提升对贸易效率的促进作用偏小。PM2.5暴露值（PM2.5it）未通过显著性检验，但其与非效率项正相关的系数表明，我国空气质量在研究期内对入境旅游者的负面影响仍然存在，只是不明显，这与我国近年来实施了大量环境保护措施息息相关。PM2.5暴露值已由2011年的70.54μg/m3下降到2017年的52.66μg/m3，说明取得显著成效。客源国的服务业就业人员占比（S_TIEjt）和社会稳定度（PSjt）在1%的水平上对非效率项有显著负向影响，即对入境旅游贸易效率有正向影响，说明推动客源地服务经济发展和维持社会稳定有利于增加国际旅游消费需求，是提升贸易效率的重要助力因素。客源地实际有效汇率（REERjt）在1%水平上显著为正，说明各客源地出境旅游者的购买力与我国入境旅游贸易效率负相关，反映出我国高消费水平旅游者的严重流失现象。与邻国日本作对比，其国际高端旅游消费者规模整体呈上升趋势，而我国基本停滞不前，甚至出现倒退，这可能与我国和个别发达国家的政治摩擦有关系。客源地“一带一路”沿线国家身份（B&Rj）在1%水平上显著为负，即对入境旅游贸易效率有着正向影响，说明相较于其他国家或地区，提高我国对“一带一路”沿线国家贸易效率的可能性更大，同时也体现出“一带一路”倡议对发展区域经济做出的重要贡献。双边自由贸易协定（FTAijt）在1%显著水平上为负，即对入境旅游贸易效率有着正向积极影响，说明国际旅游区域一体化水平有利于提高我国入境旅游贸易效率，为双边旅游贸易互动提供政策支持。 在无效率项方差模型中，客源地社会稳定度（PSjt）和“一带一路”沿线国家身份（B&Rj）在1%显著水平上为负，即对贸易效率的不稳定性有抑制作用，说明维持社会稳定和支持“一带一路”倡议的客源地更容易与我国有着较强的贸易联系，有助于降低我国入境旅游贸易效率的波动。双边自由贸易协定（FTAijt）在1%显著水平上为正，即签订自由贸易协定会扩大贸易效率的不确定性。分析其原因可能是自由贸易协定内容中存在排他性条款，又或者是与我国签订自由贸易协定的国家或地区较多，加剧了这些国家或地区之间的竞争，从而导致贸易效率波动的可能性变大。然而，我国世界遗产数量占比（TRit）、PM 2.5暴露值（PM 2.5it）和服务业就业人员占比（S_TIEit）未通过显著性检验，说明我国旅游资源禀赋、空气质量和服务业发展环境等内部因素对贸易非效率波动的影响不突出，侧面反映出这些因素不是我国入境旅游的主要发展阻力。
4 入境旅游贸易效率的时空分析
根据式（11）计算得出，2011—2017年我国在全球范围内的入境旅游贸易效率总体均值为0.5989，表明贸易效率达到了最优水平的59.89%。然而，由于各客源地社会环境和经济发展水平差异较大，贸易效率总体均值的代表性有限，因此，本文将从时间和空间维度对贸易效率分布及变化进行深入分析。使用ArcMap10.2软件，本文绘制2011—2017年我国入境旅游主要客源地贸易效率及总体年均值趋势图（图1），以及入境旅游118个客源国各年份及其总体均值时空分布图（图2）1。根据入境旅游贸易效率值分布特征，本文将其分为5种类型：[0.4001，0.5000]为不成熟客源地，[0.5001，0.6000]为一般成熟客源地，[0.6001，0.7000]为比较成熟客源地，[0.7001，0.8000]为非常成熟客源地，[0.8001，0.9000]为优质客源地。
由图1可知，研究期内入境旅游贸易效率年平均值呈时序下降走势，由2011年的0.6232降低到2017年的0.5780。其中，2013—2015年間下降幅度较大，贸易效率年均值在2014年直接下跌一个档次，于2016年开始减缓。进一步研究发现，近52%客源地贸易效率在研究期内出现持续下降现象，其他则呈波动式的变化轨迹。
对比客源地类型占比的时间分布特征（图2）发现，在2011—2017年期间，不成熟客源地由5.93%上升到13.56%，一般成熟客源地则由33.90%上升至53.39%。对应来看，比较成熟、非常成熟和优质客源地均呈下降趋势。其中，只有蒙古国、缅甸和纳米比亚曾短暂成为我国入境旅游的优质客源地。如图2a～图2g所示，分析我国长期的主要入境旅游客源地发现，越南、新西兰、加拿大、澳大利亚和蒙古国则基本保持非常成熟客源地类型。然而，相较于其他几个发达国家，越南和蒙古国较高的贸易效率值看似十分突兀，但结合现实情况可以发现其存在的合理性。如这两国均与中国接壤，拥有显著的地缘优势，并且近年来双边贸易得到快速发展。日本、马来西亚、德国、哈萨克斯坦和荷兰等非常成熟客源地分别都在2013年退居为比较成熟客源地类型。其中，受“钓鱼岛事件”影响，日本入境中国的旅游者规模持续缩小，由2011年的365.81万人次减少到2017年268.00万人次。随后，韩国、法国、英国、泰国、新加坡、俄罗斯和菲律宾等主要入境旅游市场也相继退出我国非常成熟客源地类型。其中，英国和新加坡的贸易效率下降幅度最大;而韩国在“萨德事件”之后，其贸易效率也加速下跌。美国是我国非常成熟的入境旅游客源地，但随着两国之间政治或贸易摩擦不断增多，其贸易效率值呈高速下降态势，于2017年降为比较成熟类客源地。意大利、瑞士、葡萄牙、芬兰、西班牙和奥地利等国家长期属于我国入境旅游的一般成熟客源地，但贸易效率值也均出现下降趋势。
然而，对于部分“一带一路”沿线国家来说，其贸易效率出现了增长变化，如越南、蒙古国、老挝、尼泊尔、肯尼亚、埃塞俄比亚、赞比亚和白俄罗斯等国家。其中，越南和蒙古国的贸易效率值分别于2013年、2016年开始逐年增长（图1）。由此表明，“一带一路”国家级顶层合作倡议为提升我国入境旅游贸易效率做出了积极贡献。
由图2h可知，研究期内我国非常成熟的客源市场主要集中在大洋洲、北美、西欧、东欧、东亚及东南亚等地区。其中，除了俄罗斯、蒙古国、韩国、菲律宾和越南与中国相邻外，其他大部分客源地均远离中国。从客源地发达程度来看，既有发达国家，又有发展中国家，说明我国入境旅游市场有均衡发展的趋势。比较成熟类客源地主要分布在中亚、南亚、南欧、北欧及南美地区，一般成熟客源地大部分都集中在南非，而不成熟客源地基本分布在南美洲。
随着时间的推移，我国入境旅游客源市场类型空间分布特征发生了明显变化，如图2a～图2g所示。大洋洲地区的澳大利亚和新西兰，在研究期内一直保持非常成熟类客源地，贸易效率值最大达0.7883，最小也有0.7209，属于我国长期稳定的入境旅游客源市场。北美洲的美国和加拿大基本是非常成熟客源地类型，只是美国的贸易效率值在2017年减少到0.6983，由此降为比较成熟类客源地，但仍未动摇其作为我国入境旅游主要市场的地位。东欧的俄罗斯在2011—2014年一直是非常成熟客源地类型，2015年之后变为比较成熟客源地。中、西欧地区的荷兰、法国、英国、德国陆续在2013年、2014年由非常成熟客源地转变为比较成熟客源地。在东亚地区的日本和韩国也相继在2013年、2017年发生同样转变，但蒙古国则长期处于非常成熟类。中亚地区的哈萨克斯坦于2014年降级为比较成熟客源地。东南亚地区整体表现优异，如越南一直保持非常成熟类型;菲律宾、新加坡及马来西亚均在非常类和比较类之间变化;而缅甸的贸易效率则于2016年开始跳跃式增长，直到2017年的0.8230，转变为优质客源地。南美地区大部分国家在2014年之前都属于比较成熟类客源地，之后大部分转变为一般成熟类型。而非洲多数国家或地区长期都是一般成熟类客源地，仅极少数国家如阿尔及利亚、冈比亚、马达加斯加在前期短暂成为比较成熟客源地。 5 结论与讨论
5.1 研究结论
本文以2011—2017年我国与118个客源地相关入境旅游年度数据为研究样本，首先，构建与检验了异质性随机前沿引力模型，筛选出入境旅游规模与贸易效率主要影响因素作为解释变量;其次，利用以上模型分别估计出入境旅游规模、贸易效率与其主要影响因素的相关关系及作用强度;最后，根据入境旅游贸易效率分析其时空变化特点，从而得出以下结论。
第一，我国入境旅游贸易效率离最优水平有较大差距，且表现出整体下降态势，须警惕入境旅游客源市场流失的风险。研究期内，相对于前沿面来说，我国入境旅游贸易效率年平均损失高达40.11%。与此同时，无论是贸易效率年均值，还是各客源地每年的贸易效率值，均出现时序上的下滑态势。结果导致优质客源地寥寥无几，非常成熟类和比较成熟类客源地数量持续减少;而一般成熟类客源地数量绝对领先，2017年占比高达53.39%;不成熟类客源地数量占比也由5.93%上升到13.56%。随着我国参与国际贸易不断深化，我国入境旅游易受国际大环境和区域小环境影响的脆弱性表现愈发突出。比如，由美国次贷危机引发的国际金融危机，以及近些年我国面临的领土争端，与个别西方国家频发的政治或贸易冲突，对我国入境旅游市场消费需求产生消极影响，并导致我国国际旅游形象严重受损。
第二，我国入境旅游的重要客源市场主要聚集在远距离的跨洲际地区，近距离的洲际内客源市场开发相对不充分，但也显现发展机遇。贸易效率均值大于0.7000的客源市场主要集中在大洋洲、北美洲、欧洲以及亚洲的东部和东南部地区，大部分都是发达国家，正是长期以来我国入境旅游主要市场1。然而近年来，在“一带一路”合作倡议的积极带动下，亚洲部分发展中国家异军突起，成功跻身我国入境旅游人数排名前十强，如越南、缅甸和蒙古国。加之，近距离的洲际内市场在交通成本方面优势明显，蕴含巨大市场潜力。从长远发展来看，挖掘亚洲内客源市场是补充和拓宽我国入境旅游国际消费市场的一个良好机遇，同时也是稳定并提升我国入境旅游贸易效率的有效措施。
第三，我国入境旅游贸易效率影响因素的类型从内部型向外部型转变，来源由单边扩展到双边，其发展环境愈发复杂。虽然我国旅游资源禀赋、服务业发展环境对贸易效率均值有促进作用，空气质量不存在显著抑制作用，但考虑到这些因素对非效率项方差的影响均不显著，因此，本文认为我国入境旅游贸易效率的不稳定性受上述内部因素的影响不大。然而，客源国的社会稳定、“一带一路”沿线国家身份以及双边是否签订自由贸易协定，不仅对非效率项均值有显著影响，对其方差也有显著影响。这说明上述3个外部因素与贸易效率不稳定性具有显著相关性，可能导致贸易效率发生明显波动。在国际社会不确定性因素逐渐增多的背景下，我国入境旅游贸易效率波动的诱因出现由内部因素转向客源地与双边关系的外部因素的迹象，且目的地和客源地共同影响着目的地的入境旅游发展。
5.2 研究讨论
在主要研究结论之外，本文还发现了我国入境旅游发展中的一些新情况，需要进一步核实。从理论上推断，经济体量（GDPit）是替代物体质量的常用变量，根据万有引力定律基本内容，双边的GDP与贸易规模一般成正相关关系[39-41]。但是，本文得出了我国GDP与入境旅游规模显著负相关结果。分析其成因，可能是因为GDP与物价水平一般呈正相关关系，近年来，随着我国GDP产值高速增长，物价水平迅速抬升，导致入境旅游成本增加，对入境旅游者消费需求产生了消极影响[56]。改革开放初期，我国社会经济发展水平低，旅游服务配套设施及服务质量相对落后，需要大力扩大GDP规模，以社会整体发展带动入境旅游业务。进入21世纪之后，我国GDP有了突破性的提升，于2010年超越日本成为世界第二大经济体，社会服务环境得到全面改善，为接待入境旅游者提供高水平服务提供了保障。但随之产生的物价上涨结果，成为了国际旅游者进入中国的新障碍[9]。本文利用计量方法，透过GDPit这一解释变量的估计结果，间接证实了这一问题的存在。所以，在激发国际旅游者消费需求时，我国物价水平是一个不容忽视的因素，可以考虑给予一定的补偿或优惠，如现已实施的“离境退税”政策等。
为改善空气污染问题（如雾霾），中国政府以举办“2008年北京奥运会”为契机，陆续颁布一系列严格的环境治理与保护政策和措施，投入大量人力和物力，“蓝天保卫战”取得突出成效。然而，在对入境旅游规模的影响研究方面，雾霾仍是显著的阻力因素[55]，但并不等同于其对旅游效率的影响也是如此。因此，本文尝试将PM2.5it解释变量引入非效率项，得到其对非效率项均值和方差分别产生不显著的正相关和负相关结果，说明雾霾对我国入境旅游贸易效率及其不稳定性的抑制作用不突出，已经不是主要的限制性因素。对比现有研究，本文补充了雾霾因素与入境旅游贸易效率关系的研究，结果虽然仍发挥消极作用，但已不显著。可见，雾霾对入境旅游的作用关系发生了动态变化，这一结论与现实社会积极倡导环境保护并取得成效相呼应。
由本研究可知，我国入境旅游对西方市场的依赖程度较高，潜在风险较大。其中，随着国际贸易环境日趋复杂，受我国与少数国家之间的政治或贸易摩擦等不可控因素影响，我国入境旅游贸易效率频繁波动，可能出现国际旅游资源浪费现象。在可持续发展理念指导下，政府或旅游企业可以尝试培育或挖掘新市场。如借“一带一路”合作倡议的东风，继续深化我国与沿线国家的经贸合作，稳定政治关系，为扩大我国入境旅游市场规模持续发力。与此同时，市场开发的风险评估也必不可少，如客源地国内局势、收入水平以及两国间政治关系、自由贸易合作等方面是其重要考虑因素。在入境旅游发展不稳定性增强的背景下，还可以考虑大力发展国内旅游，补足国际旅游的空缺，维持旅游业战略性支柱产业的地位。总之，我国入境旅游贸易效率损失比较严重，有必要继续开拓国际市场。
当前，我国入境旅游发展受到国内外环境的综合影响，本文关于其贸易效率影响因素的研究可能不够全面，如签证制度、免税政策、旅游品牌形象、国际金融环境及贸易或政治冲突等因素，对应的影响与作用关系在文中没有体现，后续有必要继续补充研究。但相较于已有文献，本文将我国入境旅游客源国范围扩大至全球，采用综合Wang和Greene优点的异质性SFA模型评估入境旅游贸易效率，有效克服了现有研究方法忽视个体不可观测的异质性和非效率项非单调性的缺陷，提高了效率估计值的稳健性。同时，在非效率项解释变量的选择方面，本文从贸易互动视角同时引入了来自目的地、客源地与双边关系的影响因素，更为全面地考虑到入境旅游的发展环境。最终，本文揭示出我国入境旅游贸易效率损失较为严重的现状，展示了其全球发展的时空格局，为准确识别客源地市场与挖掘其市場潜力提供了方向，对制定或更新入境旅游全球发展战略具有现实指导意义。 参考文献（References）
[1] 罗浩， 张瑜璇. 中国的入境旅游客源市场收敛吗？[J]. 旅游学刊， 2018， 33（7）： 28-39. [LUO Hao， ZHANG Yuxuan. Are China’s inbound tourism source markets converging？[J]. Tourism Tribune， 2018， 33（7）： 28-39.]
[2] 蒋依依. 以国家形象与旅游形象有机融合促进入境旅游持续发展[J]. 旅游学刊， 2018， 33（11）： 9-11. [JIANG Yiyi. The organic integration of national image and tourism image promotes the sustainable development of inbound tourism[J]. Tourism Tribune， 2018， 33（11）： 9-11.]
[3] 王純阳， 黄福才. 基于VAR模型的入境旅游需求影响因素研究——以美国客源市场为例[J]. 江西财经大学学报， 2010（1）： 39-45. [WANG Chunyang， HUANG Fucai. A study on the influencing factors of inbound tourism demand based on VAR model： Taking the source market of the United States as an example[J]. Journal of Jiangxi University of Finance and Economics， 2010（1）： 39-45.]
[4] 赵东喜. 中国省际入境旅游发展影响因素研究——基于分省面板数据分析[J]. 旅游学刊， 2008， 23（1）： 41-45. [ZHAO Dongxi. Study on the influencing factors of the development of China’s provincial inbound tourism： Analysis based on the provincial panel data[J]. Tourism Tribune， 2008， 23（1）： 41-45.]
[5] 王永明， 王美霞， 吴殿廷， 等. 基于ZINB模型的中国省域间入境旅游流影响因素[J]. 经济地理， 2018， 38（11）： 234-240. [WANG Yongming， WANG Meixia， WU Dianting， et al. Determinants of inbound tourism flows between provinces in China based on ZINB model[J]. Economic Geography， 2018， 38（11）： 234-240.]
[6] XU X， REED M. Perceived pollution and inbound tourism in China[J]. Tourism Management Perspectives， 2017， 21： 109-112.
[7] 万绪才， 王厚廷， 傅朝霞， 等. 中国城市入境旅游发展差异及其影响因素——以重点旅游城市为例[J]. 地理研究， 2013， 32（2）： 337-346. [WAN Xucai， WANG Houting， FU Zhaoxia， et al. The intercity difference and influencing factors of inbound tourism development in China： Taking the major tourism cities as an example[J]. Geographical Research， 2013， 32（2）： 337-346.]
[8] 刘法建， 张捷， 陈冬冬. 中国入境旅游流网络结构特征及动因研究[J]. 地理学报， 2010， 65（8）： 1013-1024. [LIU Fajian， ZHANG Jie， CHEN Dongdong. The characteristics and dynamical factors of Chinese inbound tourist flow network[J]. Acta Geographica Sinica， 2010， 65（8）： 1013-1024.]
[9] 田纪鹏. 国内外旅游服务贸易逆差研究前沿与展望[J]. 旅游学刊， 2019， 34（1）： 136-148. [TIAN Jipeng. Frontier and prospect of research on tourism and travel-related services trade deficit both at home and abroad[J]. Tourism Tribune， 2019， 34（1）： 136-148.]
[10] 曹芙蓉， 孙梦阳， 赵晓燕. 经济环境因素对旅游认知影响的实证分析： 以金融危机对旅京入境旅游者的影响为例[J]. 北京行政学院学报， 2011（4）： 81-84. [CAO Furong， SUN Mengyang， ZHAO Xiaoyan. An empirical study on the influence of economic factors on tourism awareness[J]. Journal of Beijing Administration Institute， 2011（4）： 81-84.] [11] 刘长生， 简玉峰. 中国入境旅游市场需求的影响因素研究[J]. 产业经济研究， 2006（4）： 54-61. [LIU Changsheng， JIAN Yufeng. The analysis on affecting factors of Chinese inbound tourism market demand[J]. Industrial Economics Research， 2006（4）： 54-61.]
[12] 潘盛俊. 实际汇率变动对中国入境旅游的影响研究[J]. 统计与决策， 2013（16）： 124-127. [PAN Shengjun. Study on the impact of real exchange rate fluctuations on China’s inbound tourism[J]. Statistics & Decision， 2013（16）： 124-127.]
[13] 李中建， 孙根年. 中日关系、国民好感度及对旅游互动的影响[J]. 浙江大学学报（ 理学版）， 2019， 46（4）： 493-502. [LI Zhongjian， SUN Gennian. Sino-Japanese relations， national favorability and their impact on tourism interaction[J]. Journal of Zhejiang University （Science Edition）， 2019， 46（4）： 493-502.]
[14] 方远平， 谢蔓， 毕斗斗， 等. 中国入境旅游的空间关联特征及其影响因素探析——基于地理加权回归的视角[J]. 旅游科学， 2014， 28（3）： 22-35. [FANG Yuanping， XIE Man， BI Doudou， et al. An exploratory analysis on the spatial correlation characteristics and influential factors of inbound tourism in China： A geographical weighted regression perspective[J]. Tourism Science， 2014， 28（3）： 22-35.]
[15] 张燕， 高志刚. 基于随机前沿引力模型的中澳雙边贸易效率及潜力研究[J]. 国际经贸探索， 2015， 31（12）： 20-30. [ZHANG Yan， GAO Zhigang. A study of bilateral trade potential and efficiency based on stochastic frontier gravity model[J]. International Economics and Trade Research， 2015， 31（12）： 20-30.]
[16] 殷杰， 郑向敏， 董斌彬. 21世纪海上丝绸之路沿线国家旅游贸易： 潜力、效率及其影响因素[J]. 东南亚纵横， 2015（11）： 8-14. [YIN Jie， ZHENG Xiangmin， DONG Binbin. The 21st century maritime silk road tourism trade： Potential， efficiency and its influencing factors[J]. Crossroads： Southeast Asian Studies， 2015（11）： 8-14.]
[17] 唐睿， 冯学钢. 中国入境旅游效率测算及影响因素——基于“一带一路”沿线国家随机前沿引力模型的实证[J]. 经济问题探索， 2018（7）： 60-67. [TANG Rui， FENG Xuegang. The measurement of inbound tourism efficiency and its influencing factors in China： The empirical study on the stochastic frontier gravity model of countries along “the Belt and Road”[J]. Inquiry into Economic Issues， 2018（7）： 60-67.]
[18] WANG H J. Heteroscedasticity and non-monotonic efficiency effects of a stochastic frontier model[J]. Journal of Productivity Analysis， 2002， 18（3）： 241-253.
[19] GREENE W H. Reconsidering heterogeneity in panel data estimators of the stochastic frontier model[J]. Journal of Econometrics， 2005， 126（2）：269-303.
[20] GREENE W H. Distinguishing between heterogeneity and inefficiency： Stochastic frontier analysis of the world health organization’s panel data on national health care systems[J]. Health Economics， 2004， 13（10）： 959-980. [21] 苏治， 连玉君. 中国上市公司代理成本的估算——基于异质性随机前沿模型的经验分析[J]. 管理世界， 2011（6）： 174-175; 188. [SU Zhi， LIAN Yujun. Estimation of agency cost of listed companies in China： An empirical analysis based on heterogeneous stochastic frontier model[J]. Management World， 2011（6）： 174-175; 188.]
[22] 张会清. 中国与“一带一路”沿线地区的贸易潜力研究[J]. 国际贸易问题， 2017（7）： 85-95. [ZHANG Huiqing. A study of trade potential between China and the areas along “the Belt and Road Initiative”[J]. Journal of International Trade， 2017（7）： 85-95.]
[23] 舒家先， 唐璟宜. 金融异质性对中国对外直接投资效率影响研究——基于随机前沿引力模型[J]. 财贸研究， 2019， 30（5）： 59-69. [SHU Jiaxian， TANG Jingyi. Impact of financial heterogeneity on the efficiency of China’s foreign direct investment： Based on stochastic frontier gravity model[J]. Finance and Trade Research， 2019， 30（5）： 59-69.]
[24] 冯学钢， 唐睿. “21世纪海上丝绸之路”沿线省市入境旅游市场效率研究[J]. 南京审计大学学报， 2017， 14（4）： 1-11. [FENG Xuegang， TANG Rui. A study on the efficiency of inbound tourism market in provinces along “the Maritime Silk Road in the 21st Century”[J]. Journal of Nanjing Audit University， 2017， 14（4）： 1-11.]
[25] 涂玮， 黄震方， 方叶林， 等. 入境旅游发展效率时空格局演化及驱动因素——以浙江为例[J]. 华东经济管理， 2013， 27（12）： 14-20. [TU Wei， HUANG Zhenfang， FANG Yelin， et al. The space-time pattern evolution and its driving mechanism of inbound tourism development efficiency： Based on a case study of Zhejiang province[J]. East China Economic Management， 2013， 27（12）： 14-20.]
[26] 何俊阳， 贺灵， 邓淇中. 泛珠三角区域入境旅游发展效率评价及影响因素[J]. 经济地理， 2016， 36（2）： 195-201. [HE Junyang， HE Ling， DENG Qizhong. Inbound tourism development efficiency and influencing factors in inland nine provinces of the Pan-Pearl River Delta[J]. Economic Geography， 2016， 36（2）： 195-201.]
[27] 唐睿， 馮学钢. 入境旅游效率与出口地理方向——基于“一带一路”沿线地区DEA-面板Tobit的实证[J]. 当代经济管理， 2018， 40（10）： 76-84. [TANG Rui， FENG Xuegang. Inbound tourism efficiency and geographical direction of export： An empirical study based on DEA-Panel Tobit in “the Belt and Road” area[J]. Contemporary Economic Management， 2018， 40（10）： 76-84.]
[28] 何昭丽， 孙慧， 张振龙. 中国入境旅游发展效率及其影响因素研究[J]. 干旱区地理， 2017， 40（6）： 1282-1289. [HE Zhaoli， SUN Hui， ZHANG Zhenlong. Technical efficiency and influencing factors of China’s inbound tourism[J]. Arid Land Geography， 2017， 40（6）： 1282-1289.]
[29] CHEN C M， DELMAS M A， LIEBERMAN M B. Production frontier methodologies and efficiency as a performance measure in strategic management research[J]. Strategic Management Journal， 2015， 36（1）， 19-36.
[30] 郭际， 吴先华， 吴崇. 基于DEA-Tobit模型的我国高校科技投入产出绩效评价及政策启示[J]. 科技管理研究， 2013， 33（23）： 65-70. [GUO Ji， WU Xianhua， WU Chong. Performance evaluation and policy suggestions of S&T input-output activities of China universities based on DEA-Tobit model[J]. Science and Technology Management Research， 2013， 33（23）： 65-70.] [31] CHAABOUNI S. China’s regional tourism efficiency： A two-stage double bootstrap data envelopment analysis[J]. Journal of Destination Marketing & Management， 2018， 11： 183-191.
[32] SONG M， LI H. Estimating the efficiency of a sustainable Chinese tourism industry using bootstrap technology rectification[J]. Technological Forecasting & Social Change， 2019， 143： 45-54.
[33] 唐睿， 冯学钢， 周成. “丝绸之路经济带”入境旅游市场效率研究——基于西北五省（区）DEA-面板Tobit的实证[J]. 国际经贸探索， 2017， 33（7）： 4-18. [TANG Rui， FENG Xuegang， ZHOU Cheng. The study on market efficiency of inbound tourism market in “Silk Road Economic Belt”： Based on DEA-Panel Tobit analysis of northwest five provinces （districts）[J]. International Economics and Trade Research， 2017， 33（7）： 4-18.]
[34] ASSAF A G， TSIONAS M G. A review of research into performance modeling in tourism research： Launching “the Annals of Tourism Research” curated collection on performance modeling in tourism research[J]. Annals of Tourism Research， 2019， 76： 266-277.
[35] 姚樹洁， 姜春霞， 冯根福. 中国银行业的改革与效率： 1995-2008[J]. 经济研究， 2011， 46（8）： 4-14. [YAO Shujie， JIANG Chunxia， FENG Genfu. Banking reform and efficiency in China： 1995-2008[J]. Economic Research Journal， 2011， 46（8）： 4-14.]
[36] FRIES S， TACI A. Cost efficiency of banks in transition： Evidence from 289 banks in 15 post-communist countries[J]. Journal of Banking & Finance， 2005， 29（1）： 55-81.
[37] 李亮， 赵磊. 中国旅游发展效率及其影响因素的实证研究——基于随机前沿分析方法（SFA）[J]. 经济管理， 2013， 35（2）： 124-134. [LI Liang， ZHAO Lei. An empirical study on the efficiency of China’s tourism development and its influencing factors： Based on stochastic frontier analysis[J]. Business Management Journal， 2013， 35（2）： 124-134.]
[38] DOAN T N， XING Y. Trade efficiency， free trade agreements and rules of origin[J]. Journal of Asian Economics， 2018， 55： 33-41.
[39] VIORICA E D. Econometric analysis of foreign trade efficiency of E. U. members using gravity equations[J]. Procedia Economics and Finance， 2015， 20： 670-678.
[40] 周曙东， 郑建. 中国与RCEP伙伴国的贸易效率与影响因素——基于随机前沿引力模型的实证分析[J]. 经济问题探索， 2018（7）： 89-97. [ZHOU Shudong， ZHENG Jian. Trade efficiency between China and RCEP partners and its determinants： Empirical analysis based on stochastic frontier gravity model[J]. Inquiry into Economic Issues， 2018（7）： 89-97.]
[41] 陈继勇， 严义晨. 中印两国贸易的竞争性、互补性与贸易潜力——基于随机前沿引力模型[J]. 亚太经济， 2019（1）： 71-78; 155. [CHEN Jiyong， YAN Yichen. The trade competitiveness， complementarity and potential between China and India[J]. Asia-Pacific Economic Review， 2019（1）： 71-78; 155.] [42] TSIONAS E G， ASSAF A G. Short-run and long-run performance of international tourism： Evidence from Bayesian dynamic models[J]. Tourism Management， 2014， 42： 22-36.
[43] ASSAF A G， TSIONAS M. The estimation and decomposition of tourism productivity[J]. Tourism Management， 2018， 65： 131-142.
[44] LIU Changsheng. On the evaluation approach of “low-carbon tourism” service providing efficiency and its empirical study： Based on the empirical inspection of environmental protection and transport tourism service in Zhangjiajie[J]. Tourism Tribune， 2012， 27（3）： 90-98. [刘长生. 低碳旅游服务提供效率评价研究——以张家界景区环保交通为例[J]. 旅游学刊， 2012， 27（3）： 90-98.]
[45] ANDERSON R I， FISH M， XIA Y， et al. Measuring efficiency in the hotel industry： A stochastic frontier approach[J]. International Journal of Hospitality Management， 1999， 18（1）： 45-57.
[46] 张大鹏， 舒伯阳. 中国星级饭店经营效率及其影响因素的实证研究——基于随机前沿分析方法（SFA）[J]. 经济管理， 2018， 40（9）： 138-154. [ZHANG Dapeng， SHU Boyang. An empirical study on the efficiency of China’s star-rated hotel and its influencing factors： Based on stochastic frontier analysis[J]. Business Management Journal， 2018， 40（9）： 138-154.]
[47] 朱承亮， 岳宏志， 严汉平， 等. 基于随机前沿生产函数的我国区域旅游产业效率研究[J]. 旅游学刊， 2009， 24（12）： 18-22. [ZHU Chengliang， YUE Hongzhi， YAN Hanping， et al. Study on the efficiency of regional tourism industry in China： Based on stochastic frontline production and cost function estimation[J]. Tourism Tribune， 2009， 24（12）： 18-22.]
[48] 张鹏， 于伟， 徐东风. 我国省域旅游业效率测度及影响因素研究——基于SFA和空间Durbin模型分析[J]. 宏观经济研究， 2014（6）： 80-85; 112. [ZHANG Peng， YU Wei， XU Dongfeng. Study on provincial tourism efficiency and its influencing factors in China ： An analysis based on SFA and Durbin model[J]. Macroeconomics， 2014（6）： 80-85; 112.]
[49] 吴芳梅， 曾冰. 环境约束下民族地区旅游经济效率及其影响因素研究[J]. 经济问题探索， 2016（7）： 177-184. [WU Fangmei， ZENG Bing. Study on the tourism economic efficiency and its influencing factors in ethnic regions under environmental constraints[J]. Inquiry into Economic Issues， 2016（7）： 177-184.]
[50] 楊勇. 中国旅游企业技术效率测度及比较研究——基于产业潜力的随机前沿分析[C]. 中国旅游研究院. 2015中国旅游科学年会论文集， 2015： 62-73. [YANG Yong. Measurement and comparison of technical efficiency of Chinese tourism enterprises： A stochastic frontier analysis based on industrial potential[C]// China Tourism Academy. Proceedings of the 2015 China Tourism Science Annual Conference， 2015： 62-73.]
[51] 边文龙， 王向楠. 面板数据随机前沿分析的研究综述[J]. 统计研究， 2016， 33（6）： 13-20. [BIAN Wenlong， WANG Xiangnan. A literature review on the stochastic frontier analysis in panel data[J]. Statistical Research， 2016， 33（6）： 13-20.] [52] 常向陽， 王雪梅， 韩振兴. 中国与“一带一路”沿线国家的农产品贸易潜力——基于异质性随机前沿引力模型的实证分析[J]. 世界农业， 2018（4）： 87-95. [CHANG Xiangyang， WANG Xuemei， HAN Zhenxing. The agricultural trade potential of China and the countries along “the Belt and Road”： An empirical analysis based on the heterogeneous stochastic frontier gravity model[J]. World Agriculture， 2018（4）： 87-95.]
[53] 张建伟， 窦攀烽， 焦士兴. 基于DEA-ESDA的河南省入境旅游效率区域差异研究[J]. 世界地理研究， 2019， 28（1）： 111-120. [ZHANG Jianwei， DOU Panfeng， JIAO Shixing. Study on regional difference of inbound tourism efficiency in Henan province based on DEA-ESDA[J]. World Regional Studies， 2019， 28（1）： 111-120.]
[54] GOZGOR G， LAU C K M， ZENG Y， et al. The effectiveness of the legal system and inbound tourism[J]. Annals of Tourism Research， 2019， 76： 24-35.
[55] 李磊， 刘旖. 空气质量外部性对超大城市入境旅游规模的影响[J]. 生态经济， 2019， 35（10）： 124-129. [LI Lei， LIU Qi. Study on public negative externality of air quality on inbound tourism in megacities[J]. Ecological Economy， 2019， 35（10）： 124-129.]
[56] 乔宁宁， 陈建宝. 宏观经济波动对我国入境旅游发展的影响分析[J]. 旅游学刊， 2013， 28（2）： 44-51. [QIAO Ningning， CHEN Jianbao. Impact of macroeconomic fluctuations on China’s inbound tourism[J]. Tourism Tribune， 2013， 28（2）： 44-51.]
[57] AIGNR D， LOVELL C A K， SCHMIDI P. Formulation and estimation of stochastic frontier production function models[J]. Journal of Econometrics， 1977， 6（1）： 21-37.
[58] MEEUSEN W， JULIEN V D B. Efficiency estimation from Cobb-Douglas production functions with composed error[J]. International Economic Review， 1977， 18（2）： 435-444.
[59] PITT M M， LEE L F. The measurement and sources of technical inefficiency in the Indonesian weaving industry[J]. Journal of Development Economics， 1981， 9（1）： 43-64.
[60] BATTESE G E， COELLI T J. Frontier production functions， technical efficiency and panel data： With application to paddy farmers in India[J]. Journal of Productivity Analysis， 1992， 3（1/2）： 153-169.
[61] 戴斌. 旅游服务贸易统计规则厘清与算法修正[J]. 旅游学刊， 2016， 31（3）： 13-15. [DAI Bin. Clarification of statistical rules of tourism service trade and algorithm amendmen[J]. Tourism Tribune， 2016， 31（3）： 13-15. ]
[62] LINNEMANN H. An econometric stub of international trade flows[J]. Journal of the Royal Statal Society Series， 1967， 130（1）： 633-634.
[63] LEAMER E E. The commodity composition of international trade in manufactures： An empirical analysis[J]. Oxford Economic Papers， 1974， 26（3）： 350-374.
[64] MCCALLUM J T. National borders matter： Canada-US regional trade patterns[J]. American Economic Review， 1995， 85（3）： 615-623. [65] FEENSTRA R C. Border effects and the gravity equation： Consistent methods for estimation[J]. Scottish Journal of Political Economy， 2002， 49（5）： 491-506.
[66] 史朝興， 顾海英， 秦向东. 引力模型在国际贸易中应用的理论基础研究综述[J]. 南开经济研究， 2005（2）： 39-44. [SHI Chaoxing， GU Haiying， QIN Xiangdong. A review on the theoretical basis of the application of gravity model in international trade[J]. Nankai Economic Studies， 2005（2）： 39-44.]
[67] BERGSTRAND J H. The gravity equation in international trade： Some microeconomic foundations and empirical evidence[J]. Review of Economics & Statistics， 1985， 67（3）： 474-481.
[68] BERGSTRAND J H. The generalized gravity equation， monopolistic competition， and the factor-proportions theory in international trade[J]. Review of Economics & Statistics， 1989， 71（1）： 143-153.
[69] EICHENGREEN B， LEBLANG D. Democracy and globalization[J]. BIS Working Papers， 2006， 20（3）： 289-334.
[70] ARMSTRONG S P. Measuring trade and trade potential： A survey[J]. Asia Pacific Economic Papers， 2007， 368： 1-18.
[关键词]入境旅游;贸易效率;异质性随机前沿引力模型;影响因素
[中图分类号]F59
[文献标识码]A
[文章编号]1002-5006（2021）03-0029-15
Doi： 10.19765/j.cnki.1002-5006.2021.03.008
引言
入境旅游是衡量国际旅游发展水平的关键指标，在我国从旅游大国迈向旅游强国的进程中发挥重要作用。但随着国际贸易环境的复杂化，我国旅游出口贸易不稳定因素增多，市场结构与贸易格局发生了明显变化。21世纪以来，受SARS、汶川地震及美国次贷危机等一系列事件冲击，我国入境旅游规模分别在2003年、2008年、2009年发生严重下滑，甚至在2012—2014年出现负增长，后续持续保持个位数的增长率，整体呈波动式减速发展态势1。相较于出境旅游平均两位数的增长率，这一现象引发了学术界对我国入境旅游发展前景的担忧[1]。我国入境旅游客源市场是否还有拓展空间呢？对比邻国日本入境旅游的高增长率，我国出现的停滞不前甚至倒退现象，进一步将这一问题推上关注的热点。
为此，学者们从入境旅游影响因素角度，采用定性或定量分析方法探究我国入境旅游发展的阻力因素，认为是内外部因素共同作用的结果。其中，内部阻力因素主要包括国家旅游形象[2]、旅游价格[3]、旅游接待设施[4-5]、空气质量[6]、贸易开放度[7]、经济发展水平[8]等;外部阻力因素主要包括国际金融环境[9-10]、外国媒体宣传[11]、汇率[12]、贸易或政治沖突[13-14]等。以上研究只探讨了入境旅游发展问题产生的可能原因，并未解答是否存在发展空间问题本身。贸易效率是国际贸易学理论中判断市场开发程度的一个重要指标[15]，即实际贸易与贸易潜力的比值。学者将此指标引入旅游研究领域，用以评估我国典型区域入境旅游市场开发程度，可有效解决市场潜力测度问题 [16-17]。关于贸易效率测度方法，综合Wang和Greene优点的异质性随机前沿引力模型是应用较为广泛的方法之一[18-23]。其中，贸易非效率模型既可以估计效率与影响因素的相关关系，还可以分离个体异质性和考虑非效率项非单调性的问题，在提高估计精准度方面有显著成效。因此，本文将利用此模型对我国入境旅游贸易效率及其影响因素进行深入研究，为开拓国际市场提供理论参考依据。
1 文献回顾
目前，关于入境旅游效率的研究成果主要集中在研究主体、量化方法和影响因素等方面。在研究主体方面，以目的地为主体的文献居多，主要关注其旅游生产效率问题。学术界普遍使用一般均衡理论中的投入-产出分析方法[24]，聚焦目的地旅游产业投入要素与产出结果之间的关系，以旅游生产效率指标评估发展效益。目的地的空间范围由城市扩展到全国，如浙江省11个地级市[25]、泛珠三角区域9省[26]、“一带一路”沿线省（区）[27]以及中国东部、中部和西部区域[28]等范围。入境旅游生产效率可以协助目的地发掘旅游相关资源投入的无效耗费，为优化其资源配置结构提供支撑。同时，受旅游资源有限性的约束以及绿色发展的追求，最大化入境旅游供给能力成为了目的地旅游产业可持续发展的选择之一。但入境旅游是客源地国际旅游者向目的地流动的形式，具有国际贸易的一般特征，其发展效率受双边共同影响。由此，部分学者转移到对目的地和客源地双边关系的关注，空间范围涉及跨国界的典型区域。如在“一带一路”合作倡议下，我国与其沿线国家贸易互动快速升温，直接影响了我国入境旅游贸易效率，整体呈上升趋势[16-17]。然而，目前关于我国与全球客源地之间入境旅游贸易效率研究成果仍然不足，不利于系统全面认识我国入境旅游发展格局。为此，本文将研究样本拓宽至全球范围，试图揭示我国入境旅游客源市场开发现状。
旅游效率测度可以有效评估与监测旅游发展绩效，对其产业发展战略制定有着至关重要的作用[29]。目前，数据包络分析方法（data envelopment analysis，DEA）和随机前沿分析方法（stochastic frontier analysis，SFA）是衡量前沿效率的主流方法。DEA方法是以线性规划为工具的一种评价方法，对于评价复杂系统的多投入和多产出具有独到之处[30]。独立使用DEA方法在衡量中国区域旅游效率[31]、城市入境旅游发展效率[25]中得到广泛应用。与其他方法组合使用也为测度入境旅游效率提供了新选择，如传统DEA与Bootstrap-DEA组合方法对中国旅游业发展效率的估计[32]、与面板Tobit方法结合对西北5省（区）入境旅游效率的测度[33]，以及构建超效率DEA模型评估泛珠三角区域9省的入境旅游发展效率[26]。因为DEA没有考虑统计误差的影响，以致存在无法确认随机干扰因素对效率影响的弊端，所以学术界开始关注SFA方法[34]。 SFA是典型的参数估计方法，通过分离随机误差项和技术非效率项，可以避免将任何与前沿面的偏离都计入技术非效率项[35]。因此，SFA在解决统计误差、不确定经济环境以及技术非效率等问题方面具有良好效果，适用于研究更有可能出现这些问题的发展中国家和转型经济国家的效率问题[36]。SFA可以单独估计出非效率项的影响参数，一定程度上既能弱化数据测量误差对估计结果的负面影响，还能分离出非效率的影响因素[37]。在贸易效率测度中，SFA分析方法常与贸易引力模型结合应用，提升了贸易效率计量的准确度，优化了貿易效率影响因素的估计结果。SFA在越南与其主要贸易伙伴[38]、罗马尼亚和欧盟国家[39]、中国与RCEP（regional comprehensive economic partnership）伙伴国[40]、中印[41]等贸易效率评估的实证研究中得到了充分验证。目前，SFA方法已成为旅游效率测度的常用方法[42-43]，在入境旅游发展效率[28]、低碳旅游组织提供效率[44]、酒店经营与管理效率[45-46]、区域旅游产业效率[47-48]、民族地区旅游经济效率[49]、旅游企业技术效率[50] 测度等方面得到广泛应用。为测度入境旅游贸易效率，少数学者采用此方法，评估我国与“一带一路”沿线国家的入境旅游贸易效率，得出“一带一路”国家级顶层合作倡议为提升我国入境旅游贸易效率做出重要贡献的结论[16-17]。以上实证研究中，多数学者采用的是Battese和Coelli的SFA模型[16-17，28，38-41，44-49]。此模型忽视了个体不可观测的异质性和非效率项非单调性的问题，在应用面板数据进行估计时，可能导致效率估计发生严重偏误[51]。而综合了Wang和Greene优点的异质性SFA模型，不仅能分离出个体异质性，还通过修正非效率项的分布假设，允许非效率项存在非单调变化，考虑非效率项期望值和方差的异质性[20]，可以获得更稳健的效率估计值，能有效解释相关因素对非效率项的影响[51-52]。
在入境旅游效率影响因素方面，学术界主要从目的地单边、目的地与客源地双边进行了探究。目的地单边视角下，入境旅游接待国的旅游生产率影响因素涉及国家发展宏观层面、产业发展条件中观层面，以及旅游企业资源配置微观层面。国家宏观发展方面，社会经济水平[25]、信息技术水平[53]、法律制度质量[54]、国际市场竞争力与贸易开放度[31]、城市化率[37]对入境旅游效率具有显著正向影响，而空气质量指数或PM 2.5暴露值[55]对其具有负向影响。旅游产业发展条件中的接待设施与配套功能[26]、旅游资源禀赋与区位优势[37]、产业结构[27]等因素对入境旅游效率产生积极作用。旅游企业主体的创新活力、资本与技术等要素投入有助于提高入境旅游效率，但从业人员的过剩已经成为效率提升的一个阻碍[27]。目的地与客源地双边视角下，两国之间的汇率、国际航线和航班数量与入境旅游贸易效率显著相关，能促进其提升[56]。双方拥有服务开放承诺（如自由贸易协定、服务贸易协定）对入境旅游贸易效率产生明显促进作用，如“一带一路”倡议成员国身份显著影响我国与各国客源地的入境旅游贸易效率，形成正相关关系[17]。然而，考虑到随着时间的推移，各因素对入境旅游贸易效率的影响作用与相关关系可能会发生变化，因此，有必要进行动态跟踪观察，为其发展战略的制定提供更为及时的参考依据。同时，考虑入境旅游是目的地和客源地双边贸易互动的结果，本文认为有必要同时引入来自目的地、客源地及双边关系的影响因素，有利于精准掌握入境旅游贸易效率及发展规律，而现有相关文献忽视了同时从3个方面选取变量的研究[16-17]。
综上可知，关于入境旅游贸易效率，现有研究的空间尺度只涉及典型区域，缺乏全球尺度的研究;在研究方法方面，SFA在效率估计方面已经得到广泛认可，但在入境旅游贸易效率估计研究中主要采用的是Battese和Coelli的SFA模型，未考虑个体异质性和非效率项非单调性的问题，可能导致估计结果出现严重偏误;在非效率项影响因素方面，学者们多是从目的国、客源国、双边关系中某一个或两个角度来选取影响因素，缺少同时从3个角度的研究。为此，本文将空间尺度由区域范围扩展到全球，综合考虑目的国、客源国以及双边关系以确定非效率项的解释变量，借鉴Wang和Greene的异质性随机前沿引力模型，分析入境旅游贸易效率与影响因素，充分考虑个体固定效应和非效率项非单调性问题，力求获得更稳健的估计结果。
2 研究方法与变量说明
2.1 异质性随机前沿引力模型
Aigner等、Meeusen和Julien最早建立截面数据随机前沿模型[57-58]，Pitt和Lee、Battese和Coelli将此思想应用到面板数据[59-60]，成为效率测量的主流工具。传统的面板数据随机前沿模型基本形式如下：
[yit=α+xitβ+vit-uit] （1）
其中，yit表示t期产出向量;xit是影响产出的投入向量;β是待估参数向量;vit是随机误差项，代表投入之外其他影响产出的不可观测因素;uit是非效率项，表示生产的无效率程度，假定其随时间单调递增、递减或者不变;α是截距项，假定不可观测效应在所有个体之间完全同质。受限于上述假定，传统模型忽视了非效率项中边际效应的非单调性和个体不可观测的异质性，可能导致估计偏误[51]。因此，Greene[19]在传统模型基础上分离出个体异质性，构建出真实的固定效应随机前沿模型（true fixed effects stochastic frontier analysis，TFE-SFA）：
[yit=αi+xitβ+vit-uit] （2）
[y*it=αi+xitβ+vit] （3）
其中，αi代表自变量中不可观测的异质性，yit*代表前沿水平;vit服从正态分布N（0，σv2）;uit服从半正态分布N+（0，σu2）;vit、uit、xit互不相关。然而，uit具有相同均值和方差的假定，忽视了个体异质性对非效率的均值和方差的显著影响。Wang[18]认为可以引入非效率项的异质性影响因素，加上对非效率边际效应非单调性问题的考虑，对uit的分布假设进行了修正，形式如下： [uit～N+μit， σ2it] （4）
[μit=μ0+zitω] （5）
[σ2uit=expσ0+zitγ] （6）
其中，μit、σit是uit均值和方差，μ0、σ0是常数项，zit表示影响非效率项的外生变量向量。uit服从截断正态分布，不仅允许向量zit对效率的边际效应存在非单调变化，而且还充分考虑了非效率项期望值和方差的异质性，从而能够揭示非效率如何受异质性影响，利于得出更可靠的效率估计值[20]。ω、γ是待估参数向量。
参考Battese和Coelli对效率的定义[60]，得出贸易效率计算公式：
[TE=yity*it=expαi+xitβ+vit-uitexpαi+xitβ+vit =exp （-uit）] （7）
综合Wang和Greene的研究方法[18-19]，式（2）～式（7）组成本文所采用的异质性随机前沿模型的基本结构。
2.2 模型设定
入境旅游是国际贸易的重要组成部分之一[61]，不仅会受到与其密切相关的因素影响，还必将受到国际贸易大环境的影响。为此，在模型的变量选择时，本文利用贸易引力模型的解释变量来刻画国际贸易环境，而非效率项中的解释变量则直接从影响入境旅游的角度进行选取。
引力模型（gravity model，GM）概念来源于物理学中万有引力定律，于20世纪60年代被引入贸易规模的研究中。其中，国家经济体量对应物体质量，地理距离对应物体间距离。因此，经济体量（如GDP）和地理距离是贸易引力模型的两大核心变量[38-41]。同时，人口[62]、人均GDP[63]、共同边界[64]、共同语言与文化或殖民历史[65]等短期内基本不变的自然因素也获得学术界认可，成为刻画国际贸易大环境的常用变量，并成功应用于对外投资、农产品贸易、入境旅游、综合贸易等领域的实证研究中[16-17，23，40-41，52，66]。虽然有少数学者尝试将国际金融发展环境[67]、经济组织[68]、民主进步[69]等因素引入贸易引力模型，但未得到广泛应用与认同。在此，本文主要借鉴唐睿和冯学钢、Armstrong的模型设定思路[17，70]，选取目的国和客源国GDP与人口数量、地理距离、边界和语言等7个最常使用的自然因素作为入境旅游贸易引力模型的解释变量。
基于入境旅游效率影响因素的文献回顾，我国的旅游资源禀赋、空气质量和接待设施与配套功能等内部因素是研究中的重要关切点[26，37，55]，而客源地汇率、“一路一带”沿线国家身份，以及体现双边关系的自由贸易协定签订与否等是外部重要影响因素[17，56]。同时，考虑到国际形势错综复杂与充满变数，本文增加了对客源地社会稳定度和服务业发展环境的关注。因此，遵循变量数据的可获得性和旅游经济相关性原则，本文选定目的地国的旅游资源禀赋、PM2.5和服务业就业人员占比等内部因素，客源国的实际有效汇率、社会稳定度、服务业就业人员占比和是否是“一带一路”沿线国家，以及体现双边关系的自由贸易协定签订与否等外部因素，共同作为非效率项的外生变量。
依据式（2）～式（7），本文的异质性随机前沿引力模型（true fixed effects stochastic frontier analysis gravity model，TFE-SFA-GM）设定如下：
[lnITNijt=αi+β1lnGDPit+β2lnGDPit+β3lnPOPit+β4lnPOPjt+β5lnDistij+β6Borderij+β7Langij+vijt-μijt] （8）
[vijt～N0，σ2v， uijt～N+μijt，σ2ijt， μijt=μ0+zijtω， σ2ijt=expσ0+zijtγ] （9）
[zijt=TRit， PM2.5it， S_TIEit， S_TIEjt， REERjt， PSjt， BRj， FTAijt] （10）
[TEijt=ITNijtITN*ijt=exp （-uijt）] （11）
式（8）是随机前沿引力方程，式（9）是随机误差项和非效率项的分布特征，式（10）是影響非效率项期望值和方差的外生变量，式（11）是贸易效率计算方程。
其中，ITNijt代表t年j国入境中国旅游人数（人次），反映中国旅游贸易出口规模;GDPit和GDPjt分别表示中国和客源地经济规模（美元）;POPit和POPjt分别代表中国和客源地人口数量，反映旅游市场规模;Distij代表两国首都之间距离（km），反映旅游交通成本;Borderij和Langij分别代表中国与客源地是否有共同边界和共同语言，有则数值为1，反之为0。TRit代表中国世界遗产数量占总数的比例，反映中国旅游资源禀赋;PM2.5it代表中国PM2.5年均暴露量（μg/m3），反映中国空气质量;S_TIEit和S_TIEjt分别代表中国和客源地服务业就业人员占总就业人数比例，反映各自社会的服务经济发展程度，间接表征中国的旅游接待能力、客源地的旅游消费需求程度;REERjt代表客源地实际有效汇率，反映客源地货币的对外价值和相对购买力，间接反映国际旅游者的购买力;PSjt代表客源地的国内政治环境稳定度，反映客源地出境旅游可能性;B&Rjt代表客源国是否是“一带一路”沿线国家，是则数值为1，反之为0;FTAijt代表中国与客源地是否签订自由贸易协定的虚拟变量，反映国际旅游区域一体化水平，有则数值为1，反之为0。
2.3 样本和数据说明
虽然我国入境旅游从2008年就出现了减缓迹象，但考虑汶川地震、美国次贷危机等重大事件的冲击及数据的平稳性，本文选择2011—2017年作为研究时段。世界旅游组织数据显示，中国入境旅游客源地数量已有200多个，但受入境旅游与贸易效率影响因素相关数据可获取性的限制，本文遴选出118个客源地作为研究样本，共1770个观测值，构成面板数据。 各客源地入境中国旅游人数ITN数据来源于世界旅游组织。GDP、POP、S_TIE数据来源于世界银行数据库，GDP以2010年不变价美元计价。Dist、Border、Lang和REER数据来源于法国国际信息与展望研究中心数据库（Centre d’Etudes Prospectives et d’Informations Internationales，CEPII）。中国世界遗产全球占比（TR）来源于世界遗产委员会《世界遗产名录》。PM2.5数据来源于世界发展指标数据库（World Development Indicators，WDI）。PS数据来源于全球治理指标数据库（Worldwide Governance Indicators，WGI）。B&R数据来源于中国一带一路官方网站（https：//www. yidaiyilu.gov.cn）。FTA数据来源于中国自由贸易区服务网站（http：//www.mofcom.gov.cn）。
3 模型检验与结果分析
3.1 模型检验
首先，为确保估计模型的稳健性，本文使用STATA 15.0软件对传统引力模型分别进行最小二乘法（ordinary least squares，OLS）、固定效应（fixed effects，FE）和随机效应（random effects，RE）估计，作为异质性随机前沿引力模型的基准参考，如表1中模型（1）～模型（3）。估计结果显示，OLS、FE和RE的解释变量系数符号基本与理论预期一致，且多数在1%水平上显著，说明本文的引力模型能较好拟合中国入境旅游贸易规模。Hausman检验值在5%水平上显著，即拒绝适用RE模型的原假设，证明FE模型具有更高估计效率。
然后，通过对TFE-SFA-GM模型假设条件逐步放松，本文得到不同约束条件下的估计结果，如表1中模型（4）～模型（8）。其中，模型（4）假设uijt=0，即不存在非效率项，表明系统处于随机前沿面上;模型（5）假设μit=0，表明仅非效率项均值在前沿面上，只考虑方差的异质性;模型（6）假设ω=0，表明非效率项均值偏离前沿面，但只考虑方差的异质性;模型（7）假设γ=0，表明无效率项方差不受外生变量影响，即为同方差，只考虑均值的异质性;模型（8）假设完全无约束，即同时考虑非效率项均值和方差的异质性。
最后，与FE模型对比，TFE-SFA-GM模型得到的解释变量系数符号与之完全一致，说明该模型设定合理。由于采用极大似然估计方法，TFE-SFA-GM模型可以揭示地理距离、共同边界与语言等不随时间变化的因素对贸易规模的影响，弥补了FE无法估计此类变量的缺陷。在TFE-SFA-GM模型中，似然比检验量LR1的原假设为“不存在非效率项”，LR2的原假设为“不存在完全异质性的非效率部分”。根据表1结果所示，LR1、LR2均在1%水平上拒绝原假设，说明存在非效率项的模型更有效，且非效率项均值和方差都会受到外生变量影响。由此判断，充分考虑了非效率项异质性的模型（8）明显优于其他模型。因此，本文主要基于模型（8）分析中国入境旅游贸易规模和贸易效率的影响因素。
3.2 入境旅游贸易规模影响因素分析
由表1模型（8）的估计结果可知，我国经济规模变量（GDPit）在1%的水平上显著为负，即对入境旅游贸易规模扩大产生抑制作用。我国GDP快速增长的同时，人均收入水平和物价出现大幅上涨，可能已超过大部分客源地收入水平增长的幅度，致使旅行成本增加，从而成为入境旅游者的阻力影响因素。客源地经济规模变量（GDPjt）在1%的水平上显著为正，表明客源地经济规模的扩大有助于提升进入中国的旅游者规模，可能是因为客源地GDP与公民可自由支配收入同步增加，更多潜在旅游者获得了充足资金支持。我国人口数量（POPit）未通过显著性检验，可能是因为我国人口数量长期位居世界前列，相较于多数客源地来说属于绝对领先，从而导致其失去影响意义。客源地人口数量（POPjt）的系数在1%的水平上显著为正，表明客源地人口基数越大，客源地进入中国开展国际旅游的旅游者人数可能会越多。地理距离（Distij）的影响在1%的水平上显著为负，表明两国距离越远，导致以交通成本为代表的贸易成本越高，是入境旅游者明显的阻碍因素。共同边界（Borderij）和共同语言（Langij）在1%的水平上显著为正，反映出两国相邻与拥有共同语言有利于增强彼此之间贸易联系，从而促进我国入境旅游贸易规模的扩大。
3.3 入境旅游贸易效率影响因素分析
本文将从非效率项的均值和方差两个方面分析外生变量对入境旅游贸易效率的影响。从模型（8）中无效率项的结果来看，外生变量对无效率项均值的影響要大于对方差的影响。
在无效率项均值模型中，我国世界遗产数量占比（TRit）和服务业就业人员占比（S_TIEit）在10%水平上显著为负，即对入境旅游贸易效率影响显著为正，说明拥有越多具有国际影响力的旅游资源和越发达的服务经济社会，越有可能吸引更多入境旅游者，从而提升我国对客源地的贸易效率均值。其中，服务业就业人员占比（S_TIEit）系数接近于0，表明我国服务业发展环境的提升对贸易效率的促进作用偏小。PM2.5暴露值（PM2.5it）未通过显著性检验，但其与非效率项正相关的系数表明，我国空气质量在研究期内对入境旅游者的负面影响仍然存在，只是不明显，这与我国近年来实施了大量环境保护措施息息相关。PM2.5暴露值已由2011年的70.54μg/m3下降到2017年的52.66μg/m3，说明取得显著成效。客源国的服务业就业人员占比（S_TIEjt）和社会稳定度（PSjt）在1%的水平上对非效率项有显著负向影响，即对入境旅游贸易效率有正向影响，说明推动客源地服务经济发展和维持社会稳定有利于增加国际旅游消费需求，是提升贸易效率的重要助力因素。客源地实际有效汇率（REERjt）在1%水平上显著为正，说明各客源地出境旅游者的购买力与我国入境旅游贸易效率负相关，反映出我国高消费水平旅游者的严重流失现象。与邻国日本作对比，其国际高端旅游消费者规模整体呈上升趋势，而我国基本停滞不前，甚至出现倒退，这可能与我国和个别发达国家的政治摩擦有关系。客源地“一带一路”沿线国家身份（B&Rj）在1%水平上显著为负，即对入境旅游贸易效率有着正向影响，说明相较于其他国家或地区，提高我国对“一带一路”沿线国家贸易效率的可能性更大，同时也体现出“一带一路”倡议对发展区域经济做出的重要贡献。双边自由贸易协定（FTAijt）在1%显著水平上为负，即对入境旅游贸易效率有着正向积极影响，说明国际旅游区域一体化水平有利于提高我国入境旅游贸易效率，为双边旅游贸易互动提供政策支持。 在无效率项方差模型中，客源地社会稳定度（PSjt）和“一带一路”沿线国家身份（B&Rj）在1%显著水平上为负，即对贸易效率的不稳定性有抑制作用，说明维持社会稳定和支持“一带一路”倡议的客源地更容易与我国有着较强的贸易联系，有助于降低我国入境旅游贸易效率的波动。双边自由贸易协定（FTAijt）在1%显著水平上为正，即签订自由贸易协定会扩大贸易效率的不确定性。分析其原因可能是自由贸易协定内容中存在排他性条款，又或者是与我国签订自由贸易协定的国家或地区较多，加剧了这些国家或地区之间的竞争，从而导致贸易效率波动的可能性变大。然而，我国世界遗产数量占比（TRit）、PM 2.5暴露值（PM 2.5it）和服务业就业人员占比（S_TIEit）未通过显著性检验，说明我国旅游资源禀赋、空气质量和服务业发展环境等内部因素对贸易非效率波动的影响不突出，侧面反映出这些因素不是我国入境旅游的主要发展阻力。
4 入境旅游贸易效率的时空分析
根据式（11）计算得出，2011—2017年我国在全球范围内的入境旅游贸易效率总体均值为0.5989，表明贸易效率达到了最优水平的59.89%。然而，由于各客源地社会环境和经济发展水平差异较大，贸易效率总体均值的代表性有限，因此，本文将从时间和空间维度对贸易效率分布及变化进行深入分析。使用ArcMap10.2软件，本文绘制2011—2017年我国入境旅游主要客源地贸易效率及总体年均值趋势图（图1），以及入境旅游118个客源国各年份及其总体均值时空分布图（图2）1。根据入境旅游贸易效率值分布特征，本文将其分为5种类型：[0.4001，0.5000]为不成熟客源地，[0.5001，0.6000]为一般成熟客源地，[0.6001，0.7000]为比较成熟客源地，[0.7001，0.8000]为非常成熟客源地，[0.8001，0.9000]为优质客源地。
由图1可知，研究期内入境旅游贸易效率年平均值呈时序下降走势，由2011年的0.6232降低到2017年的0.5780。其中，2013—2015年間下降幅度较大，贸易效率年均值在2014年直接下跌一个档次，于2016年开始减缓。进一步研究发现，近52%客源地贸易效率在研究期内出现持续下降现象，其他则呈波动式的变化轨迹。
对比客源地类型占比的时间分布特征（图2）发现，在2011—2017年期间，不成熟客源地由5.93%上升到13.56%，一般成熟客源地则由33.90%上升至53.39%。对应来看，比较成熟、非常成熟和优质客源地均呈下降趋势。其中，只有蒙古国、缅甸和纳米比亚曾短暂成为我国入境旅游的优质客源地。如图2a～图2g所示，分析我国长期的主要入境旅游客源地发现，越南、新西兰、加拿大、澳大利亚和蒙古国则基本保持非常成熟客源地类型。然而，相较于其他几个发达国家，越南和蒙古国较高的贸易效率值看似十分突兀，但结合现实情况可以发现其存在的合理性。如这两国均与中国接壤，拥有显著的地缘优势，并且近年来双边贸易得到快速发展。日本、马来西亚、德国、哈萨克斯坦和荷兰等非常成熟客源地分别都在2013年退居为比较成熟客源地类型。其中，受“钓鱼岛事件”影响，日本入境中国的旅游者规模持续缩小，由2011年的365.81万人次减少到2017年268.00万人次。随后，韩国、法国、英国、泰国、新加坡、俄罗斯和菲律宾等主要入境旅游市场也相继退出我国非常成熟客源地类型。其中，英国和新加坡的贸易效率下降幅度最大;而韩国在“萨德事件”之后，其贸易效率也加速下跌。美国是我国非常成熟的入境旅游客源地，但随着两国之间政治或贸易摩擦不断增多，其贸易效率值呈高速下降态势，于2017年降为比较成熟类客源地。意大利、瑞士、葡萄牙、芬兰、西班牙和奥地利等国家长期属于我国入境旅游的一般成熟客源地，但贸易效率值也均出现下降趋势。
然而，对于部分“一带一路”沿线国家来说，其贸易效率出现了增长变化，如越南、蒙古国、老挝、尼泊尔、肯尼亚、埃塞俄比亚、赞比亚和白俄罗斯等国家。其中，越南和蒙古国的贸易效率值分别于2013年、2016年开始逐年增长（图1）。由此表明，“一带一路”国家级顶层合作倡议为提升我国入境旅游贸易效率做出了积极贡献。
由图2h可知，研究期内我国非常成熟的客源市场主要集中在大洋洲、北美、西欧、东欧、东亚及东南亚等地区。其中，除了俄罗斯、蒙古国、韩国、菲律宾和越南与中国相邻外，其他大部分客源地均远离中国。从客源地发达程度来看，既有发达国家，又有发展中国家，说明我国入境旅游市场有均衡发展的趋势。比较成熟类客源地主要分布在中亚、南亚、南欧、北欧及南美地区，一般成熟客源地大部分都集中在南非，而不成熟客源地基本分布在南美洲。
随着时间的推移，我国入境旅游客源市场类型空间分布特征发生了明显变化，如图2a～图2g所示。大洋洲地区的澳大利亚和新西兰，在研究期内一直保持非常成熟类客源地，贸易效率值最大达0.7883，最小也有0.7209，属于我国长期稳定的入境旅游客源市场。北美洲的美国和加拿大基本是非常成熟客源地类型，只是美国的贸易效率值在2017年减少到0.6983，由此降为比较成熟类客源地，但仍未动摇其作为我国入境旅游主要市场的地位。东欧的俄罗斯在2011—2014年一直是非常成熟客源地类型，2015年之后变为比较成熟客源地。中、西欧地区的荷兰、法国、英国、德国陆续在2013年、2014年由非常成熟客源地转变为比较成熟客源地。在东亚地区的日本和韩国也相继在2013年、2017年发生同样转变，但蒙古国则长期处于非常成熟类。中亚地区的哈萨克斯坦于2014年降级为比较成熟客源地。东南亚地区整体表现优异，如越南一直保持非常成熟类型;菲律宾、新加坡及马来西亚均在非常类和比较类之间变化;而缅甸的贸易效率则于2016年开始跳跃式增长，直到2017年的0.8230，转变为优质客源地。南美地区大部分国家在2014年之前都属于比较成熟类客源地，之后大部分转变为一般成熟类型。而非洲多数国家或地区长期都是一般成熟类客源地，仅极少数国家如阿尔及利亚、冈比亚、马达加斯加在前期短暂成为比较成熟客源地。 5 结论与讨论
5.1 研究结论
本文以2011—2017年我国与118个客源地相关入境旅游年度数据为研究样本，首先，构建与检验了异质性随机前沿引力模型，筛选出入境旅游规模与贸易效率主要影响因素作为解释变量;其次，利用以上模型分别估计出入境旅游规模、贸易效率与其主要影响因素的相关关系及作用强度;最后，根据入境旅游贸易效率分析其时空变化特点，从而得出以下结论。
第一，我国入境旅游贸易效率离最优水平有较大差距，且表现出整体下降态势，须警惕入境旅游客源市场流失的风险。研究期内，相对于前沿面来说，我国入境旅游贸易效率年平均损失高达40.11%。与此同时，无论是贸易效率年均值，还是各客源地每年的贸易效率值，均出现时序上的下滑态势。结果导致优质客源地寥寥无几，非常成熟类和比较成熟类客源地数量持续减少;而一般成熟类客源地数量绝对领先，2017年占比高达53.39%;不成熟类客源地数量占比也由5.93%上升到13.56%。随着我国参与国际贸易不断深化，我国入境旅游易受国际大环境和区域小环境影响的脆弱性表现愈发突出。比如，由美国次贷危机引发的国际金融危机，以及近些年我国面临的领土争端，与个别西方国家频发的政治或贸易冲突，对我国入境旅游市场消费需求产生消极影响，并导致我国国际旅游形象严重受损。
第二，我国入境旅游的重要客源市场主要聚集在远距离的跨洲际地区，近距离的洲际内客源市场开发相对不充分，但也显现发展机遇。贸易效率均值大于0.7000的客源市场主要集中在大洋洲、北美洲、欧洲以及亚洲的东部和东南部地区，大部分都是发达国家，正是长期以来我国入境旅游主要市场1。然而近年来，在“一带一路”合作倡议的积极带动下，亚洲部分发展中国家异军突起，成功跻身我国入境旅游人数排名前十强，如越南、缅甸和蒙古国。加之，近距离的洲际内市场在交通成本方面优势明显，蕴含巨大市场潜力。从长远发展来看，挖掘亚洲内客源市场是补充和拓宽我国入境旅游国际消费市场的一个良好机遇，同时也是稳定并提升我国入境旅游贸易效率的有效措施。
第三，我国入境旅游贸易效率影响因素的类型从内部型向外部型转变，来源由单边扩展到双边，其发展环境愈发复杂。虽然我国旅游资源禀赋、服务业发展环境对贸易效率均值有促进作用，空气质量不存在显著抑制作用，但考虑到这些因素对非效率项方差的影响均不显著，因此，本文认为我国入境旅游贸易效率的不稳定性受上述内部因素的影响不大。然而，客源国的社会稳定、“一带一路”沿线国家身份以及双边是否签订自由贸易协定，不仅对非效率项均值有显著影响，对其方差也有显著影响。这说明上述3个外部因素与贸易效率不稳定性具有显著相关性，可能导致贸易效率发生明显波动。在国际社会不确定性因素逐渐增多的背景下，我国入境旅游贸易效率波动的诱因出现由内部因素转向客源地与双边关系的外部因素的迹象，且目的地和客源地共同影响着目的地的入境旅游发展。
5.2 研究讨论
在主要研究结论之外，本文还发现了我国入境旅游发展中的一些新情况，需要进一步核实。从理论上推断，经济体量（GDPit）是替代物体质量的常用变量，根据万有引力定律基本内容，双边的GDP与贸易规模一般成正相关关系[39-41]。但是，本文得出了我国GDP与入境旅游规模显著负相关结果。分析其成因，可能是因为GDP与物价水平一般呈正相关关系，近年来，随着我国GDP产值高速增长，物价水平迅速抬升，导致入境旅游成本增加，对入境旅游者消费需求产生了消极影响[56]。改革开放初期，我国社会经济发展水平低，旅游服务配套设施及服务质量相对落后，需要大力扩大GDP规模，以社会整体发展带动入境旅游业务。进入21世纪之后，我国GDP有了突破性的提升，于2010年超越日本成为世界第二大经济体，社会服务环境得到全面改善，为接待入境旅游者提供高水平服务提供了保障。但随之产生的物价上涨结果，成为了国际旅游者进入中国的新障碍[9]。本文利用计量方法，透过GDPit这一解释变量的估计结果，间接证实了这一问题的存在。所以，在激发国际旅游者消费需求时，我国物价水平是一个不容忽视的因素，可以考虑给予一定的补偿或优惠，如现已实施的“离境退税”政策等。
为改善空气污染问题（如雾霾），中国政府以举办“2008年北京奥运会”为契机，陆续颁布一系列严格的环境治理与保护政策和措施，投入大量人力和物力，“蓝天保卫战”取得突出成效。然而，在对入境旅游规模的影响研究方面，雾霾仍是显著的阻力因素[55]，但并不等同于其对旅游效率的影响也是如此。因此，本文尝试将PM2.5it解释变量引入非效率项，得到其对非效率项均值和方差分别产生不显著的正相关和负相关结果，说明雾霾对我国入境旅游贸易效率及其不稳定性的抑制作用不突出，已经不是主要的限制性因素。对比现有研究，本文补充了雾霾因素与入境旅游贸易效率关系的研究，结果虽然仍发挥消极作用，但已不显著。可见，雾霾对入境旅游的作用关系发生了动态变化，这一结论与现实社会积极倡导环境保护并取得成效相呼应。
由本研究可知，我国入境旅游对西方市场的依赖程度较高，潜在风险较大。其中，随着国际贸易环境日趋复杂，受我国与少数国家之间的政治或贸易摩擦等不可控因素影响，我国入境旅游贸易效率频繁波动，可能出现国际旅游资源浪费现象。在可持续发展理念指导下，政府或旅游企业可以尝试培育或挖掘新市场。如借“一带一路”合作倡议的东风，继续深化我国与沿线国家的经贸合作，稳定政治关系，为扩大我国入境旅游市场规模持续发力。与此同时，市场开发的风险评估也必不可少，如客源地国内局势、收入水平以及两国间政治关系、自由贸易合作等方面是其重要考虑因素。在入境旅游发展不稳定性增强的背景下，还可以考虑大力发展国内旅游，补足国际旅游的空缺，维持旅游业战略性支柱产业的地位。总之，我国入境旅游贸易效率损失比较严重，有必要继续开拓国际市场。
当前，我国入境旅游发展受到国内外环境的综合影响，本文关于其贸易效率影响因素的研究可能不够全面，如签证制度、免税政策、旅游品牌形象、国际金融环境及贸易或政治冲突等因素，对应的影响与作用关系在文中没有体现，后续有必要继续补充研究。但相较于已有文献，本文将我国入境旅游客源国范围扩大至全球，采用综合Wang和Greene优点的异质性SFA模型评估入境旅游贸易效率，有效克服了现有研究方法忽视个体不可观测的异质性和非效率项非单调性的缺陷，提高了效率估计值的稳健性。同时，在非效率项解释变量的选择方面，本文从贸易互动视角同时引入了来自目的地、客源地与双边关系的影响因素，更为全面地考虑到入境旅游的发展环境。最终，本文揭示出我国入境旅游贸易效率损失较为严重的现状，展示了其全球发展的时空格局，为准确识别客源地市场与挖掘其市場潜力提供了方向，对制定或更新入境旅游全球发展战略具有现实指导意义。 参考文献（References）
[1] 罗浩， 张瑜璇. 中国的入境旅游客源市场收敛吗？[J]. 旅游学刊， 2018， 33（7）： 28-39. [LUO Hao， ZHANG Yuxuan. Are China’s inbound tourism source markets converging？[J]. Tourism Tribune， 2018， 33（7）： 28-39.]
[2] 蒋依依. 以国家形象与旅游形象有机融合促进入境旅游持续发展[J]. 旅游学刊， 2018， 33（11）： 9-11. [JIANG Yiyi. The organic integration of national image and tourism image promotes the sustainable development of inbound tourism[J]. Tourism Tribune， 2018， 33（11）： 9-11.]
[3] 王純阳， 黄福才. 基于VAR模型的入境旅游需求影响因素研究——以美国客源市场为例[J]. 江西财经大学学报， 2010（1）： 39-45. [WANG Chunyang， HUANG Fucai. A study on the influencing factors of inbound tourism demand based on VAR model： Taking the source market of the United States as an example[J]. Journal of Jiangxi University of Finance and Economics， 2010（1）： 39-45.]
[4] 赵东喜. 中国省际入境旅游发展影响因素研究——基于分省面板数据分析[J]. 旅游学刊， 2008， 23（1）： 41-45. [ZHAO Dongxi. Study on the influencing factors of the development of China’s provincial inbound tourism： Analysis based on the provincial panel data[J]. Tourism Tribune， 2008， 23（1）： 41-45.]
[5] 王永明， 王美霞， 吴殿廷， 等. 基于ZINB模型的中国省域间入境旅游流影响因素[J]. 经济地理， 2018， 38（11）： 234-240. [WANG Yongming， WANG Meixia， WU Dianting， et al. Determinants of inbound tourism flows between provinces in China based on ZINB model[J]. Economic Geography， 2018， 38（11）： 234-240.]
[6] XU X， REED M. Perceived pollution and inbound tourism in China[J]. Tourism Management Perspectives， 2017， 21： 109-112.
[7] 万绪才， 王厚廷， 傅朝霞， 等. 中国城市入境旅游发展差异及其影响因素——以重点旅游城市为例[J]. 地理研究， 2013， 32（2）： 337-346. [WAN Xucai， WANG Houting， FU Zhaoxia， et al. The intercity difference and influencing factors of inbound tourism development in China： Taking the major tourism cities as an example[J]. Geographical Research， 2013， 32（2）： 337-346.]
[8] 刘法建， 张捷， 陈冬冬. 中国入境旅游流网络结构特征及动因研究[J]. 地理学报， 2010， 65（8）： 1013-1024. [LIU Fajian， ZHANG Jie， CHEN Dongdong. The characteristics and dynamical factors of Chinese inbound tourist flow network[J]. Acta Geographica Sinica， 2010， 65（8）： 1013-1024.]
[9] 田纪鹏. 国内外旅游服务贸易逆差研究前沿与展望[J]. 旅游学刊， 2019， 34（1）： 136-148. [TIAN Jipeng. Frontier and prospect of research on tourism and travel-related services trade deficit both at home and abroad[J]. Tourism Tribune， 2019， 34（1）： 136-148.]
[10] 曹芙蓉， 孙梦阳， 赵晓燕. 经济环境因素对旅游认知影响的实证分析： 以金融危机对旅京入境旅游者的影响为例[J]. 北京行政学院学报， 2011（4）： 81-84. [CAO Furong， SUN Mengyang， ZHAO Xiaoyan. An empirical study on the influence of economic factors on tourism awareness[J]. Journal of Beijing Administration Institute， 2011（4）： 81-84.] [11] 刘长生， 简玉峰. 中国入境旅游市场需求的影响因素研究[J]. 产业经济研究， 2006（4）： 54-61. [LIU Changsheng， JIAN Yufeng. The analysis on affecting factors of Chinese inbound tourism market demand[J]. Industrial Economics Research， 2006（4）： 54-61.]
[12] 潘盛俊. 实际汇率变动对中国入境旅游的影响研究[J]. 统计与决策， 2013（16）： 124-127. [PAN Shengjun. Study on the impact of real exchange rate fluctuations on China’s inbound tourism[J]. Statistics & Decision， 2013（16）： 124-127.]
[13] 李中建， 孙根年. 中日关系、国民好感度及对旅游互动的影响[J]. 浙江大学学报（ 理学版）， 2019， 46（4）： 493-502. [LI Zhongjian， SUN Gennian. Sino-Japanese relations， national favorability and their impact on tourism interaction[J]. Journal of Zhejiang University （Science Edition）， 2019， 46（4）： 493-502.]
[14] 方远平， 谢蔓， 毕斗斗， 等. 中国入境旅游的空间关联特征及其影响因素探析——基于地理加权回归的视角[J]. 旅游科学， 2014， 28（3）： 22-35. [FANG Yuanping， XIE Man， BI Doudou， et al. An exploratory analysis on the spatial correlation characteristics and influential factors of inbound tourism in China： A geographical weighted regression perspective[J]. Tourism Science， 2014， 28（3）： 22-35.]
[15] 张燕， 高志刚. 基于随机前沿引力模型的中澳雙边贸易效率及潜力研究[J]. 国际经贸探索， 2015， 31（12）： 20-30. [ZHANG Yan， GAO Zhigang. A study of bilateral trade potential and efficiency based on stochastic frontier gravity model[J]. International Economics and Trade Research， 2015， 31（12）： 20-30.]
[16] 殷杰， 郑向敏， 董斌彬. 21世纪海上丝绸之路沿线国家旅游贸易： 潜力、效率及其影响因素[J]. 东南亚纵横， 2015（11）： 8-14. [YIN Jie， ZHENG Xiangmin， DONG Binbin. The 21st century maritime silk road tourism trade： Potential， efficiency and its influencing factors[J]. Crossroads： Southeast Asian Studies， 2015（11）： 8-14.]
[17] 唐睿， 冯学钢. 中国入境旅游效率测算及影响因素——基于“一带一路”沿线国家随机前沿引力模型的实证[J]. 经济问题探索， 2018（7）： 60-67. [TANG Rui， FENG Xuegang. The measurement of inbound tourism efficiency and its influencing factors in China： The empirical study on the stochastic frontier gravity model of countries along “the Belt and Road”[J]. Inquiry into Economic Issues， 2018（7）： 60-67.]
[18] WANG H J. Heteroscedasticity and non-monotonic efficiency effects of a stochastic frontier model[J]. Journal of Productivity Analysis， 2002， 18（3）： 241-253.
[19] GREENE W H. Reconsidering heterogeneity in panel data estimators of the stochastic frontier model[J]. Journal of Econometrics， 2005， 126（2）：269-303.
[20] GREENE W H. Distinguishing between heterogeneity and inefficiency： Stochastic frontier analysis of the world health organization’s panel data on national health care systems[J]. Health Economics， 2004， 13（10）： 959-980. [21] 苏治， 连玉君. 中国上市公司代理成本的估算——基于异质性随机前沿模型的经验分析[J]. 管理世界， 2011（6）： 174-175; 188. [SU Zhi， LIAN Yujun. Estimation of agency cost of listed companies in China： An empirical analysis based on heterogeneous stochastic frontier model[J]. Management World， 2011（6）： 174-175; 188.]
[22] 张会清. 中国与“一带一路”沿线地区的贸易潜力研究[J]. 国际贸易问题， 2017（7）： 85-95. [ZHANG Huiqing. A study of trade potential between China and the areas along “the Belt and Road Initiative”[J]. Journal of International Trade， 2017（7）： 85-95.]
[23] 舒家先， 唐璟宜. 金融异质性对中国对外直接投资效率影响研究——基于随机前沿引力模型[J]. 财贸研究， 2019， 30（5）： 59-69. [SHU Jiaxian， TANG Jingyi. Impact of financial heterogeneity on the efficiency of China’s foreign direct investment： Based on stochastic frontier gravity model[J]. Finance and Trade Research， 2019， 30（5）： 59-69.]
[24] 冯学钢， 唐睿. “21世纪海上丝绸之路”沿线省市入境旅游市场效率研究[J]. 南京审计大学学报， 2017， 14（4）： 1-11. [FENG Xuegang， TANG Rui. A study on the efficiency of inbound tourism market in provinces along “the Maritime Silk Road in the 21st Century”[J]. Journal of Nanjing Audit University， 2017， 14（4）： 1-11.]
[25] 涂玮， 黄震方， 方叶林， 等. 入境旅游发展效率时空格局演化及驱动因素——以浙江为例[J]. 华东经济管理， 2013， 27（12）： 14-20. [TU Wei， HUANG Zhenfang， FANG Yelin， et al. The space-time pattern evolution and its driving mechanism of inbound tourism development efficiency： Based on a case study of Zhejiang province[J]. East China Economic Management， 2013， 27（12）： 14-20.]
[26] 何俊阳， 贺灵， 邓淇中. 泛珠三角区域入境旅游发展效率评价及影响因素[J]. 经济地理， 2016， 36（2）： 195-201. [HE Junyang， HE Ling， DENG Qizhong. Inbound tourism development efficiency and influencing factors in inland nine provinces of the Pan-Pearl River Delta[J]. Economic Geography， 2016， 36（2）： 195-201.]
[27] 唐睿， 馮学钢. 入境旅游效率与出口地理方向——基于“一带一路”沿线地区DEA-面板Tobit的实证[J]. 当代经济管理， 2018， 40（10）： 76-84. [TANG Rui， FENG Xuegang. Inbound tourism efficiency and geographical direction of export： An empirical study based on DEA-Panel Tobit in “the Belt and Road” area[J]. Contemporary Economic Management， 2018， 40（10）： 76-84.]
[28] 何昭丽， 孙慧， 张振龙. 中国入境旅游发展效率及其影响因素研究[J]. 干旱区地理， 2017， 40（6）： 1282-1289. [HE Zhaoli， SUN Hui， ZHANG Zhenlong. Technical efficiency and influencing factors of China’s inbound tourism[J]. Arid Land Geography， 2017， 40（6）： 1282-1289.]
[29] CHEN C M， DELMAS M A， LIEBERMAN M B. Production frontier methodologies and efficiency as a performance measure in strategic management research[J]. Strategic Management Journal， 2015， 36（1）， 19-36.
[30] 郭际， 吴先华， 吴崇. 基于DEA-Tobit模型的我国高校科技投入产出绩效评价及政策启示[J]. 科技管理研究， 2013， 33（23）： 65-70. [GUO Ji， WU Xianhua， WU Chong. Performance evaluation and policy suggestions of S&T input-output activities of China universities based on DEA-Tobit model[J]. Science and Technology Management Research， 2013， 33（23）： 65-70.] [31] CHAABOUNI S. China’s regional tourism efficiency： A two-stage double bootstrap data envelopment analysis[J]. Journal of Destination Marketing & Management， 2018， 11： 183-191.
[32] SONG M， LI H. Estimating the efficiency of a sustainable Chinese tourism industry using bootstrap technology rectification[J]. Technological Forecasting & Social Change， 2019， 143： 45-54.
[33] 唐睿， 冯学钢， 周成. “丝绸之路经济带”入境旅游市场效率研究——基于西北五省（区）DEA-面板Tobit的实证[J]. 国际经贸探索， 2017， 33（7）： 4-18. [TANG Rui， FENG Xuegang， ZHOU Cheng. The study on market efficiency of inbound tourism market in “Silk Road Economic Belt”： Based on DEA-Panel Tobit analysis of northwest five provinces （districts）[J]. International Economics and Trade Research， 2017， 33（7）： 4-18.]
[34] ASSAF A G， TSIONAS M G. A review of research into performance modeling in tourism research： Launching “the Annals of Tourism Research” curated collection on performance modeling in tourism research[J]. Annals of Tourism Research， 2019， 76： 266-277.
[35] 姚樹洁， 姜春霞， 冯根福. 中国银行业的改革与效率： 1995-2008[J]. 经济研究， 2011， 46（8）： 4-14. [YAO Shujie， JIANG Chunxia， FENG Genfu. Banking reform and efficiency in China： 1995-2008[J]. Economic Research Journal， 2011， 46（8）： 4-14.]
[36] FRIES S， TACI A. Cost efficiency of banks in transition： Evidence from 289 banks in 15 post-communist countries[J]. Journal of Banking & Finance， 2005， 29（1）： 55-81.
[37] 李亮， 赵磊. 中国旅游发展效率及其影响因素的实证研究——基于随机前沿分析方法（SFA）[J]. 经济管理， 2013， 35（2）： 124-134. [LI Liang， ZHAO Lei. An empirical study on the efficiency of China’s tourism development and its influencing factors： Based on stochastic frontier analysis[J]. Business Management Journal， 2013， 35（2）： 124-134.]
[38] DOAN T N， XING Y. Trade efficiency， free trade agreements and rules of origin[J]. Journal of Asian Economics， 2018， 55： 33-41.
[39] VIORICA E D. Econometric analysis of foreign trade efficiency of E. U. members using gravity equations[J]. Procedia Economics and Finance， 2015， 20： 670-678.
[40] 周曙东， 郑建. 中国与RCEP伙伴国的贸易效率与影响因素——基于随机前沿引力模型的实证分析[J]. 经济问题探索， 2018（7）： 89-97. [ZHOU Shudong， ZHENG Jian. Trade efficiency between China and RCEP partners and its determinants： Empirical analysis based on stochastic frontier gravity model[J]. Inquiry into Economic Issues， 2018（7）： 89-97.]
[41] 陈继勇， 严义晨. 中印两国贸易的竞争性、互补性与贸易潜力——基于随机前沿引力模型[J]. 亚太经济， 2019（1）： 71-78; 155. [CHEN Jiyong， YAN Yichen. The trade competitiveness， complementarity and potential between China and India[J]. Asia-Pacific Economic Review， 2019（1）： 71-78; 155.] [42] TSIONAS E G， ASSAF A G. Short-run and long-run performance of international tourism： Evidence from Bayesian dynamic models[J]. Tourism Management， 2014， 42： 22-36.
[43] ASSAF A G， TSIONAS M. The estimation and decomposition of tourism productivity[J]. Tourism Management， 2018， 65： 131-142.
[44] LIU Changsheng. On the evaluation approach of “low-carbon tourism” service providing efficiency and its empirical study： Based on the empirical inspection of environmental protection and transport tourism service in Zhangjiajie[J]. Tourism Tribune， 2012， 27（3）： 90-98. [刘长生. 低碳旅游服务提供效率评价研究——以张家界景区环保交通为例[J]. 旅游学刊， 2012， 27（3）： 90-98.]
[45] ANDERSON R I， FISH M， XIA Y， et al. Measuring efficiency in the hotel industry： A stochastic frontier approach[J]. International Journal of Hospitality Management， 1999， 18（1）： 45-57.
[46] 张大鹏， 舒伯阳. 中国星级饭店经营效率及其影响因素的实证研究——基于随机前沿分析方法（SFA）[J]. 经济管理， 2018， 40（9）： 138-154. [ZHANG Dapeng， SHU Boyang. An empirical study on the efficiency of China’s star-rated hotel and its influencing factors： Based on stochastic frontier analysis[J]. Business Management Journal， 2018， 40（9）： 138-154.]
[47] 朱承亮， 岳宏志， 严汉平， 等. 基于随机前沿生产函数的我国区域旅游产业效率研究[J]. 旅游学刊， 2009， 24（12）： 18-22. [ZHU Chengliang， YUE Hongzhi， YAN Hanping， et al. Study on the efficiency of regional tourism industry in China： Based on stochastic frontline production and cost function estimation[J]. Tourism Tribune， 2009， 24（12）： 18-22.]
[48] 张鹏， 于伟， 徐东风. 我国省域旅游业效率测度及影响因素研究——基于SFA和空间Durbin模型分析[J]. 宏观经济研究， 2014（6）： 80-85; 112. [ZHANG Peng， YU Wei， XU Dongfeng. Study on provincial tourism efficiency and its influencing factors in China ： An analysis based on SFA and Durbin model[J]. Macroeconomics， 2014（6）： 80-85; 112.]
[49] 吴芳梅， 曾冰. 环境约束下民族地区旅游经济效率及其影响因素研究[J]. 经济问题探索， 2016（7）： 177-184. [WU Fangmei， ZENG Bing. Study on the tourism economic efficiency and its influencing factors in ethnic regions under environmental constraints[J]. Inquiry into Economic Issues， 2016（7）： 177-184.]
[50] 楊勇. 中国旅游企业技术效率测度及比较研究——基于产业潜力的随机前沿分析[C]. 中国旅游研究院. 2015中国旅游科学年会论文集， 2015： 62-73. [YANG Yong. Measurement and comparison of technical efficiency of Chinese tourism enterprises： A stochastic frontier analysis based on industrial potential[C]// China Tourism Academy. Proceedings of the 2015 China Tourism Science Annual Conference， 2015： 62-73.]
[51] 边文龙， 王向楠. 面板数据随机前沿分析的研究综述[J]. 统计研究， 2016， 33（6）： 13-20. [BIAN Wenlong， WANG Xiangnan. A literature review on the stochastic frontier analysis in panel data[J]. Statistical Research， 2016， 33（6）： 13-20.] [52] 常向陽， 王雪梅， 韩振兴. 中国与“一带一路”沿线国家的农产品贸易潜力——基于异质性随机前沿引力模型的实证分析[J]. 世界农业， 2018（4）： 87-95. [CHANG Xiangyang， WANG Xuemei， HAN Zhenxing. The agricultural trade potential of China and the countries along “the Belt and Road”： An empirical analysis based on the heterogeneous stochastic frontier gravity model[J]. World Agriculture， 2018（4）： 87-95.]
[53] 张建伟， 窦攀烽， 焦士兴. 基于DEA-ESDA的河南省入境旅游效率区域差异研究[J]. 世界地理研究， 2019， 28（1）： 111-120. [ZHANG Jianwei， DOU Panfeng， JIAO Shixing. Study on regional difference of inbound tourism efficiency in Henan province based on DEA-ESDA[J]. World Regional Studies， 2019， 28（1）： 111-120.]
[54] GOZGOR G， LAU C K M， ZENG Y， et al. The effectiveness of the legal system and inbound tourism[J]. Annals of Tourism Research， 2019， 76： 24-35.
[55] 李磊， 刘旖. 空气质量外部性对超大城市入境旅游规模的影响[J]. 生态经济， 2019， 35（10）： 124-129. [LI Lei， LIU Qi. Study on public negative externality of air quality on inbound tourism in megacities[J]. Ecological Economy， 2019， 35（10）： 124-129.]
[56] 乔宁宁， 陈建宝. 宏观经济波动对我国入境旅游发展的影响分析[J]. 旅游学刊， 2013， 28（2）： 44-51. [QIAO Ningning， CHEN Jianbao. Impact of macroeconomic fluctuations on China’s inbound tourism[J]. Tourism Tribune， 2013， 28（2）： 44-51.]
[57] AIGNR D， LOVELL C A K， SCHMIDI P. Formulation and estimation of stochastic frontier production function models[J]. Journal of Econometrics， 1977， 6（1）： 21-37.
[58] MEEUSEN W， JULIEN V D B. Efficiency estimation from Cobb-Douglas production functions with composed error[J]. International Economic Review， 1977， 18（2）： 435-444.
[59] PITT M M， LEE L F. The measurement and sources of technical inefficiency in the Indonesian weaving industry[J]. Journal of Development Economics， 1981， 9（1）： 43-64.
[60] BATTESE G E， COELLI T J. Frontier production functions， technical efficiency and panel data： With application to paddy farmers in India[J]. Journal of Productivity Analysis， 1992， 3（1/2）： 153-169.
[61] 戴斌. 旅游服务贸易统计规则厘清与算法修正[J]. 旅游学刊， 2016， 31（3）： 13-15. [DAI Bin. Clarification of statistical rules of tourism service trade and algorithm amendmen[J]. Tourism Tribune， 2016， 31（3）： 13-15. ]
[62] LINNEMANN H. An econometric stub of international trade flows[J]. Journal of the Royal Statal Society Series， 1967， 130（1）： 633-634.
[63] LEAMER E E. The commodity composition of international trade in manufactures： An empirical analysis[J]. Oxford Economic Papers， 1974， 26（3）： 350-374.
[64] MCCALLUM J T. National borders matter： Canada-US regional trade patterns[J]. American Economic Review， 1995， 85（3）： 615-623. [65] FEENSTRA R C. Border effects and the gravity equation： Consistent methods for estimation[J]. Scottish Journal of Political Economy， 2002， 49（5）： 491-506.
[66] 史朝興， 顾海英， 秦向东. 引力模型在国际贸易中应用的理论基础研究综述[J]. 南开经济研究， 2005（2）： 39-44. [SHI Chaoxing， GU Haiying， QIN Xiangdong. A review on the theoretical basis of the application of gravity model in international trade[J]. Nankai Economic Studies， 2005（2）： 39-44.]
[67] BERGSTRAND J H. The gravity equation in international trade： Some microeconomic foundations and empirical evidence[J]. Review of Economics & Statistics， 1985， 67（3）： 474-481.
[68] BERGSTRAND J H. The generalized gravity equation， monopolistic competition， and the factor-proportions theory in international trade[J]. Review of Economics & Statistics， 1989， 71（1）： 143-153.
[69] EICHENGREEN B， LEBLANG D. Democracy and globalization[J]. BIS Working Papers， 2006， 20（3）： 289-334.
[70] ARMSTRONG S P. Measuring trade and trade potential： A survey[J]. Asia Pacific Economic Papers， 2007， 368： 1-18.