我国旅游产业集聚与全要素生产率关系研究
2.测度结果与分析
计算我国2001-2013年旅游业M值，结果见图2。总体而言，我国旅游产业全要素生产率平均值为10597，TFP呈小幅上涨趋势，变异系数为01243，表明我国旅游产业全要素生产率总体呈现小幅波动态势。按照谷-峰-谷的周期划分方法，样本期间内我国旅游产业全要素生产率波动经历了三个周期。其中2003-2005年为第一个周期，扩张期与收缩期的时间比为1：1；2005-2009年为第二个周期，扩张期与收缩期持续时间比为1：3；2009-2013年为第三个周期，扩张期与收缩期之比为1：3。各周期收缩阶段持续期逐渐延长，扩张期与收缩期时间之比逐渐降低，但我国旅游全要素生产率变化一直围绕平均值上下波动，表明其增长速度大于下降速度。同时，2003-2005年，我国旅游TFP波动幅度百分比为1597%；2005-2009年波动幅度百分比为614%；2009-2013年波动幅度百分比达4445%，表明我国旅游全要素生产率波动幅度百分比变化不稳定，较大的波动幅度过后会伴随着一个相对较小的波动幅度作为缓冲而出现。预测2013-2017年，我国旅游全要素生产率会呈现幅度较小的波动状态。
三、我国旅游产业集聚与全要素生产率关系的分析
(一)模型构建
向量自回归模型(VAR)纳入了变量的滞后值，描述了变量间的动态关系，弥补了传统计量方法难以描述变量间动态联系及内生变量性质的先天不足，广泛应用于对经济系统的动态分析。然而，该模型将内生变量间的当期相关关系隐藏在新息向量中，不能明确地刻画变量间的结构关系。SVAR模型在VAR的基础上引入一定的约束条件，将变量间的当期关系纳入到模型中，弥补了VAR模型的不足。该模型系统中，每个变量不仅受各自的滞后项影响，同时还考虑了其他变量的当期影响。SVAR模型可分为三类，此处采用最具普遍意义的AB-模型研究变量间的关系，表达式如下：
AA(L)yt=Aεt
Aεt =Bet
E(et)=0
E(etetT)=In
式中，矩阵A和B为n×n正交因子分解矩阵；A(L)为滞后算子多项式的向量表现形式，即A(L)=In-A1L-A2L2-…-ApLp；εt是VAR模型的随机扰动项，服从向量高斯白噪声过程，即εt～VGW(0，Ω)；et为标准正交随机扰动项，表示作用在变量上的结构式冲击服从向量白噪声过程，即et～VWN(0，In)。
(二)我国旅游产业集聚与全要素生产率关系的实证分析
1.单位根检验
构建我国旅游产业集聚与全要素生产率关系的SVAR模型之前，首先检验变量数据的平稳性，以避免数据不平稳带来的类似伪回归等不良后果。采用常见的ADF单位根检验分别对EG指数和TFP时间序列的数据平稳性进行检验，见表1。检验结果显示，EG指数和TFP均在95%的置信水平上拒绝原假设，说明两变量序列平稳，可以直接构造传统VAR模型。
2.模型估计
在明确EG指数和TFP时间序列平稳性的基础上，根据赤池信息准则选择滞后阶数为1-4，首先构建传统VAR模型，模型估计结果如下：
TFP=-0161333TFP(-1)-0204111TFP(-2)+2929208EG(-1)-4395651EG(-2)+1504474
EG=-0013849TFP(-1)-0008010TFP(-2)-0334705EG(-1)+0461105EG(-2)+0032340
为保证后续研究的可靠性，首先对该VAR模型的稳定性进行检验。利用Eviews60软件对上述VAR模型做模型平稳性检验，见图3。检验结果显示，所有单位根模的倒数均小于1，表明该模型是一个平稳的系统，可以进一步识别与估计相应的SVAR。
为了明确我国旅游产业集聚与全要素生产率间的当期关系，进一步估计两变量的SVAR模型。SVAR模型的识别条件包括短期约束和长期约束，此处根据等式AA(L)yt=Aεt，通过对模型施加短期约束来识别与估计对应的SVAR模型。采用类型矩阵的方法对矩阵A和B的元素进行限制，将A和B分别定义为：A=10NA1，B=NA00NA。在满足识别条件的情况下，利用FILM方法估计得到结构因子分解矩阵A=100.03581，B=0.1672[]00[]0.0144，SVAR中A、B、εt和et的线性组合为：
100.03581ε1tε2t=0.1672[]00[]0.0144
e1te2t
3.脉冲响应函数分析
脉冲响应函数主要分析来自误差项的某种冲击对模型系统的动态影响，它能直观地描述扰动项冲击对系统其他内生变量的影响路径。与传统VAR不同的是，SVAR能够得到正交脉冲响应函数，从而可以对来自某个变量的冲击影响进行单独研究[23]。在SVAR模型估计的基础上，通过脉冲响应函数分析两变量的冲击对彼此的影响，见图4。图4为脉冲响应函数分析结果组合图，横轴表示冲击作用的滞后期，纵轴代表施加变量一个单位的正向标准差对系统中另一变量的动态影响，实线为脉冲响应函数，虚线为正负两倍标准差偏离带。
图4(1)表示我国旅游全要素生产率对自身冲击的反应。当在本期给我国旅游产业全要素生产率一单位的正向冲击后，会对其自身波动产生较大的正影响。随着时间的推移，波动幅度逐渐减小，到第8期逐渐趋于0，表明提高我国旅游全要素生产率对其本身存在8年的影响，且影响程度波动下降。图4(2)表示我国旅游全要素生产率对产业集聚冲击的反应。当旅游产业集聚发生1个正向标准差的冲击后，当期不会表现出明显的反应，但在滞后期间对旅游产业全要素生产率波动产生较大的影响。这是由于产业集聚发生过程中，原有沟通方式和产业效率不会立即改变，需要一定的时间进行适应和学习以寻求更高效的产业运行模式，所以两者之间的互动关系并未在当期显现出来。随着时间的推移，全要素生产率变化波动幅度逐渐减小，至13期逐渐趋于0，表明我国旅游产业集聚冲击对全要素生产率存在13年的影响，且影响程度波动降低。结合图4(1)和图4(2)，我国旅游全要素生产率对其自身冲击当期存在显著的正向反应，而对产业集聚冲击不存在当期反应。同时，我国旅游产业集聚冲击对全要素生产率的影响期间长于后者冲击对其自身的影响。, http://www.100md.com(张广海 汪立新)
计算我国2001-2013年旅游业M值，结果见图2。总体而言，我国旅游产业全要素生产率平均值为10597，TFP呈小幅上涨趋势，变异系数为01243，表明我国旅游产业全要素生产率总体呈现小幅波动态势。按照谷-峰-谷的周期划分方法，样本期间内我国旅游产业全要素生产率波动经历了三个周期。其中2003-2005年为第一个周期，扩张期与收缩期的时间比为1：1；2005-2009年为第二个周期，扩张期与收缩期持续时间比为1：3；2009-2013年为第三个周期，扩张期与收缩期之比为1：3。各周期收缩阶段持续期逐渐延长，扩张期与收缩期时间之比逐渐降低，但我国旅游全要素生产率变化一直围绕平均值上下波动，表明其增长速度大于下降速度。同时，2003-2005年，我国旅游TFP波动幅度百分比为1597%；2005-2009年波动幅度百分比为614%；2009-2013年波动幅度百分比达4445%，表明我国旅游全要素生产率波动幅度百分比变化不稳定，较大的波动幅度过后会伴随着一个相对较小的波动幅度作为缓冲而出现。预测2013-2017年，我国旅游全要素生产率会呈现幅度较小的波动状态。
三、我国旅游产业集聚与全要素生产率关系的分析
(一)模型构建
向量自回归模型(VAR)纳入了变量的滞后值，描述了变量间的动态关系，弥补了传统计量方法难以描述变量间动态联系及内生变量性质的先天不足，广泛应用于对经济系统的动态分析。然而，该模型将内生变量间的当期相关关系隐藏在新息向量中，不能明确地刻画变量间的结构关系。SVAR模型在VAR的基础上引入一定的约束条件，将变量间的当期关系纳入到模型中，弥补了VAR模型的不足。该模型系统中，每个变量不仅受各自的滞后项影响，同时还考虑了其他变量的当期影响。SVAR模型可分为三类，此处采用最具普遍意义的AB-模型研究变量间的关系，表达式如下：
AA(L)yt=Aεt
Aεt =Bet
E(et)=0
E(etetT)=In
式中，矩阵A和B为n×n正交因子分解矩阵；A(L)为滞后算子多项式的向量表现形式，即A(L)=In-A1L-A2L2-…-ApLp；εt是VAR模型的随机扰动项，服从向量高斯白噪声过程，即εt～VGW(0，Ω)；et为标准正交随机扰动项，表示作用在变量上的结构式冲击服从向量白噪声过程，即et～VWN(0，In)。
(二)我国旅游产业集聚与全要素生产率关系的实证分析
1.单位根检验
构建我国旅游产业集聚与全要素生产率关系的SVAR模型之前，首先检验变量数据的平稳性，以避免数据不平稳带来的类似伪回归等不良后果。采用常见的ADF单位根检验分别对EG指数和TFP时间序列的数据平稳性进行检验，见表1。检验结果显示，EG指数和TFP均在95%的置信水平上拒绝原假设，说明两变量序列平稳，可以直接构造传统VAR模型。
2.模型估计
在明确EG指数和TFP时间序列平稳性的基础上，根据赤池信息准则选择滞后阶数为1-4，首先构建传统VAR模型，模型估计结果如下：
TFP=-0161333TFP(-1)-0204111TFP(-2)+2929208EG(-1)-4395651EG(-2)+1504474
EG=-0013849TFP(-1)-0008010TFP(-2)-0334705EG(-1)+0461105EG(-2)+0032340
为保证后续研究的可靠性，首先对该VAR模型的稳定性进行检验。利用Eviews60软件对上述VAR模型做模型平稳性检验，见图3。检验结果显示，所有单位根模的倒数均小于1，表明该模型是一个平稳的系统，可以进一步识别与估计相应的SVAR。
为了明确我国旅游产业集聚与全要素生产率间的当期关系，进一步估计两变量的SVAR模型。SVAR模型的识别条件包括短期约束和长期约束，此处根据等式AA(L)yt=Aεt，通过对模型施加短期约束来识别与估计对应的SVAR模型。采用类型矩阵的方法对矩阵A和B的元素进行限制，将A和B分别定义为：A=10NA1，B=NA00NA。在满足识别条件的情况下，利用FILM方法估计得到结构因子分解矩阵A=100.03581，B=0.1672[]00[]0.0144，SVAR中A、B、εt和et的线性组合为：
100.03581ε1tε2t=0.1672[]00[]0.0144
e1te2t
3.脉冲响应函数分析
脉冲响应函数主要分析来自误差项的某种冲击对模型系统的动态影响，它能直观地描述扰动项冲击对系统其他内生变量的影响路径。与传统VAR不同的是，SVAR能够得到正交脉冲响应函数，从而可以对来自某个变量的冲击影响进行单独研究[23]。在SVAR模型估计的基础上，通过脉冲响应函数分析两变量的冲击对彼此的影响，见图4。图4为脉冲响应函数分析结果组合图，横轴表示冲击作用的滞后期，纵轴代表施加变量一个单位的正向标准差对系统中另一变量的动态影响，实线为脉冲响应函数，虚线为正负两倍标准差偏离带。
图4(1)表示我国旅游全要素生产率对自身冲击的反应。当在本期给我国旅游产业全要素生产率一单位的正向冲击后，会对其自身波动产生较大的正影响。随着时间的推移，波动幅度逐渐减小，到第8期逐渐趋于0，表明提高我国旅游全要素生产率对其本身存在8年的影响，且影响程度波动下降。图4(2)表示我国旅游全要素生产率对产业集聚冲击的反应。当旅游产业集聚发生1个正向标准差的冲击后，当期不会表现出明显的反应，但在滞后期间对旅游产业全要素生产率波动产生较大的影响。这是由于产业集聚发生过程中，原有沟通方式和产业效率不会立即改变，需要一定的时间进行适应和学习以寻求更高效的产业运行模式，所以两者之间的互动关系并未在当期显现出来。随着时间的推移，全要素生产率变化波动幅度逐渐减小，至13期逐渐趋于0，表明我国旅游产业集聚冲击对全要素生产率存在13年的影响，且影响程度波动降低。结合图4(1)和图4(2)，我国旅游全要素生产率对其自身冲击当期存在显著的正向反应，而对产业集聚冲击不存在当期反应。同时，我国旅游产业集聚冲击对全要素生产率的影响期间长于后者冲击对其自身的影响。, http://www.100md.com(张广海 汪立新)