基于类元分析的主题公园分布影响因素分析

基于类元分析的主题公园分布影响因素分析

主题公园是“人造旅游资源，注重特殊想法，以不同或两个主题为主题创造一系列特殊环境和气氛的项目，吸引游客”。适宜的区位是主题公园成功的前提(中国大陆最早研究主题公园区位分布的学者是中山大学保继刚。1994年,保继刚在《大型主题公园布局初步研究》和《深圳、珠海大型主题公园布局研究》2篇论文中以“锦绣中华”和“珍珠乐园”为例讨论影响主题公园布局的因素。1997年,他进一步展开《主题公园发展的影响因素系统分析》,认为主题公园是一种投资大、风险高的新型旅游项目,并总结影响主题公园发展的5项因素:客源市场和交通条件、区域经济发展水平、城市旅游感知形象、空间集聚和竞争和决策者行为(包括投资者与政府),由此带动国内关于主题公园区位布局的研究。后来的研究者进一步细化上述5项因素,并基于案例提出影响主题公园布局的新因素。如从文献梳理可见,对于主题公园区位分布影响因素的探索经历了从宏观走向宏微观结合,从仅考虑外部影响因素到逐步纳入公园内部运作因素的过程,成果颇丰。但这些研究大多针对某一特定类型的主题公园或者根据某个区域范围内的主题公园的分布特点进行归纳总结,经验认识居多而理论对话不足。不少学者也试图构建关于主题公园区位选择的评价指标体系,如主题公园的区位布局研究属于区位论范畴。从区位论的演进来看,存在市场学派、成本学派、社会学派和行为学派等不同理论路线(基于上述目的,本文拟采用类“元分析”法提取影响主题公园空间布局的影响因素,应用主成分分析和逐步回归法,对以往相互独立的案例研究结果进行整合性的统计检验,以克服案例研究的局限性和主观性,分析评估影响主题公园布局的各个因素的强弱效应,寻找影响力相对较强的因素,得出更为普适、科学和可信的结论。1学习方法1.1对已有文献的再分析基于以往研究的上述不足,借鉴“元分析(Metaanalysis)”方法,对现有文献的结论进行再分析。元分析指对众多实证文献进行定量的总结性统计,以整合不同研究,得到有代表性的结论的方法(1.2公园的筛选原则在筛选出上述影响因素的基础上,以中国大陆31个省(市、区)范围内A级及以上主题公园数量为因变量,以表1中筛选出来的影响因素作为解释变量进行统计分析,据获得的统计显著性寻找影响主题公园区位分布的共同因素和关键变量,并剔除冗余变量。其中,社区居民态度难以用客观指标衡量,故不纳入研究。各变量对应的指标分别选择如下:(1)A级以上主题公园数量。以从各省的旅游发展委员会政务网截取到的2017年底国家A级以上景区名录作为基础资料,进行各省A级以上主题公园的筛选,利用网络查询的方式收集主题公园简介、地理位置、开业时间等信息。筛选出来的主题公园符合以下主要标准:1)拥有特定的一个或多个主题;2)人造景观和设施是其主要吸引物;3)景区以盈利为主要经营目的;4)具有娱乐、休闲、服务等功能。(2)人口规模:选取各省城镇人口数量与人均可支配收入而非仅用户籍人口数量来衡量,这是由于没有足够消费能力的居民不足以支撑主题公园的运营((3)交通条件。采用内外部交通密度指标:内部交通密度等于公共交通运营线路长度除以地区总面积;外部交通密度等于铁路和公路的里程数加总后除以地域总面积。(4)区域经济发展水平:用各省地区生产总值即GDP来衡量。(5)城市旅游感知形象:城市旅游感知形象即城市旅游者在游览城市的过程中通过对城市环境形体的观赏和市民素质、民俗民风、服务态度等的体验所产生的城市总体印象((6)空间集聚和竞争:主题公园在空间上集聚将增加所在地区的旅游吸引力,但同时也将加剧竞争。用各省区的高等级(4A和5A级)主题公园占比来衡量空间集聚与市场竞争状态。(7)政府决策绩效:政府政策和行为会直接影响到主题公园区位的最终选择((8)企业成本:采用当地文化娱乐业在职员工平均工资和国有建设用地出让价格2个指标反映劳动力成本和土地使用成本。(9)市场条件:选用各省旅游社接待的国内游客人数和各省潜在出游力指数来衡量。(10)旅游基础设施:借鉴(11)自然条件:选用(12)旅游资源禀赋:以A级以上景区的数量作为旅游资源禀赋的量化指标。上述指标中,各省接待的国内游客人数、星级酒店数量数据来自《1.3无效变量t(1)前向逐步回归法(stepwiseregression)。使用前向逐步回归法寻找具有显著影响的因素以及确定和比较每个因素的影响大小。逐步回归可剔除引起多重共线性的变量(变量过多)和剔除经检验不显著的变量(无效变量)。其基本思想是将变量逐个引入模型,每引入一个解释变量均进行统计检验,当原来引入的解释变量由于后面解释变量的引入变得不再显著时,则将其删除,以确保每次引入新的变量之前回归方程中只包含显著性变量,直到既没有显著的解释变量选入回归方程,也没有不显著的解释变量从回归方程中剔除为止,因此最后所得到的是最优解释变量集。(2)数据降维。由于上述11个解释变量之间很可能存在相关关系,即在不同程度上反映某些共同信息,为了避免解释变量之间由于存在高度相关关系(即多重共线性)而使模型估计失真,采用主成分分析法(PrincipalComponentAnalysis,PCA)进行降维处理,以尽可能保持原始变量的大部分信息,且所含信息互不重复。2结果与讨论2.1低等级历史美术馆数量和空间分布截止至2018年7月,全国共有A级以上景区9125家,其中主题公园307家,占全部景区数量的3.36%。5A、4A、3A、2A和1A级主题公园的数量分别为17、192、62、36、2家,呈现为“两头小,中间大”的格局。根据《旅游景区质量等级评定与划分》国家标准评定细则,可以将5A级与4A级主题公园归类为高等级主题公园(其总评分在1010分及以上),将3A级、2A级和1A级主题公园归类为低等级主题公园(其总评分在1009分以下)。在已评等级的主题公园中,高等级的主题公园的数量(占比68.1%)多于低等级的主题公园,其发展速度也快于低等级主题公园从分布来看,主题公园数量由东部地区往中部地区和西部地区递减。山东、浙江、黑龙江、广东、江苏、广西、河北7个省份所拥有的主题公园数量占全国总数的一半以上。主题公园数量排名前13位省份的主题公园数量占比接近70%;排名前2/3的省份集中了中国约90%的主题公园。经计算,各省主题公园分布最近邻指数NNI=0.348<1,地理集中指数G=23.11,远远大于平均分布时的G值(3.22),空间基尼系数Gini=0.91,接近于1,说明中国主题公园在空间上高度趋向于集聚分布。根据官网查询获得的地理位置信息,利用ArcGIS10.2工具可绘制出主题公园空间分布密度图。由图1可明显看出,主题公园空间分布存在3个高密度圈,分别是环渤海密度圈、长三角密度圈和珠三角密度圈,都处于中国经济最发达、资源丰富的区域。进一步计算空间分布的莫兰指数Moran’sI估计值为0.135,且z=1.71>1.65,表明中国主题公园布局具有显著的空间自相关性,无论数量多寡,主题公园在各省的分布都趋向于空间集聚。2.2可执行性分析利用SPSS20.0对数据进行描述性统计(表2)和正态性检验。由于原始数据不满足正态性,取对数后也不能满足方差齐性的协整条件,因此分析前对数据进行Box-Cox变换。Box-Cox变换常用于连续变量不满足正态分布的情况,可在一定程度上减少不可观测的误差,但不会影响到变量之间的关系(2.3目的地经济基础由于变量较多且存在共线性,使用主成分法进行降维处理。结果显示,特征值>1的主成分共4个,累计信息含量为83.16%。其中,第一主成分中的变量主要有人均可支配收入、各省国内生产总值、内外部交通网密度等因素,反映目的地的经济基础(见表2)。第二主成分中的因子包括文娱业员工平均工资、国有建设用地出让价格和A级及以上景区数量,这些因素分别影响主题公园的人力成本、建设成本和营销,可看作是主题公园的成本要素。第三主成分包括高等级主题公园数量占比和各省旅游支持度,分别代表目的地空间集聚和竞争状况以及旅游形象感知,可归纳为影响主题公园的市场条件。第四主成分中仅包含政府决策绩效,可命名为营商环境。2.4各因素函数的回归分析将被解释变量Y进行Box-cox处理后进行逐步回归,将降维后的主成分F1-F4逐个纳入回归方程进行分析检验,由于F2和F3的引入导致回归方程不显著,因而被剔除。统计检验结果显示,F1和F4作为自变量的回归模型(表3中模型1)具有非常好的拟合度,t检验和F检验均说明回归结果稳定且显著。这说明,中国主题公园的布局显著受到目的地经济基础和营商环境的影响,两者的综合影响力达到57.6%(模型1中的可决系数R根据表2中每个因子的得分系数,可计算出F1和F4的主成分表达式,将其代入模型1所得回归方程中,可得到影响主题公园分布的各因素函数表达式:观察公式(1)中的系数可以发现,11个因素对于主题公园布局的影响各不相同。各积极因素按影响力从大到小依次为:政府决策绩效(0.078)、各省潜在出游力(0.053)、GDP(0.052)、人均可支配收入(0.048)、内部交通网密度(0.044)、A级及以上景区数量(0.043)、城镇人口数量(0.041)、对外交通网密度(0.032)、星级酒店数量(0.023)、高等级主题公园占比(0.020)和国内游客人数(0.019)。这些因素的改善有利于吸引和促进主题公园投资,特别是政府决策绩效,对于主题公园分布具有首屈一指的影响,应当为各地政府所重视。空间集聚既会带来集聚效应,也会造成相互竞争。在保继刚等学者的研究中,并未指出主题公园布局究竟是集聚导向还是竞争导向。研究发现,旅游景区的数量、高等级主题公园占当地景区数量的比例都是推动主题公园发展的积极因素,说明主题公园布局具有集聚导向特征,寻求集聚效应以保持稳定的客源和提高生产效率,通过空间临近形成相互的网络关系和特殊的文化氛围,对于主题公园选址具有重要影响。这与主题公园空间分布密度(见图1)中展示出的高度空间自相关和空间集聚特征相同。对主题公园布局具有消极影响的因素包括各省份旅游形象(-0.001)、文娱业员工平均工资(-0.016)、国有建设用地出让价格(-0.012)和气候舒适度(-0.035)。2.5逐步回归进一步将高级别主题公园数量(W1)和低级别主题公园数量(W2)作为因变量,分别研究影响其空间布局的因素。采用与上文同样的分析步骤对4个主成分因子进行逐步回归,可得到模型2和3,分别反映高、低等级主题公园数量的回归结果。模型2中,进入回归方程的变量为F1和F4,说明高等级主题公园的区位选择与主题公园分布在总体上趋于一致。低等级主题公园回归结果中,进入回归方程的变量仅有F3(β=0.070,t=2.450),排除了F1、F2、F4的影响。这说明,低等级主题公园与高等级主题公园具有不同的空间分布取向。对于低等级主题公园而言,利用市场集聚的溢出效应,是其选址中考虑的首要因素。2.6不同等级景区的分布为了检验以上实证模型的稳健性,直接将各影响因素作为解释变量进行逐步回归,剔除不显著变量,筛选最优的解释变量集。结果发现,所有解释变量中,仅“国内生产总值(GDP)”最终进入了回归方程,并且回归结果非常显著,见表3中模型4。这一检验结果与主成分回归结果基本一致。这说明,地区国内生产总值GDP是影响中国主题公园区位分布的最重要的因素,其影响程度达到52.8%(R以同样的步骤分别对高、低主题公园的分布进行稳健性分析发现,对于高等级主题公园,进入方程的因素除了GDP外,还包括X3“内部交通网密度”,见模型5。对于低等级主题公园,进入方程的变量除了GDP和X3“内部交通网密度”外,还包括高等级主题公园占比X7和A级及以上景区数量X15,见模型6。这是由于高等级主题公园比低等级主题公园需要更多的资金投入,对于区位的要求也更高,更倾向于选择经济基础、营商环境更好的地区。而低等级的主题公园由于市场开拓能力不足,更易受制于市场条件的影响,往往倾向于利用集聚带来的市场外溢效应,拾遗补缺市场利基。因而出现高等级主题公园数量占比越多的地方,低等级主题公园的数量越多的现象。例如,珠海长隆海洋王国的开业不但没有给珍珠乐园带来负面影响,反而为其带来更多游客。但是,低等级的主题公园布局会受到目的地“旅游景区个数”和“内部交通网密度”的负向影响,即目的地非主题公园类景区数量越少,低等级主题公园越多;内部交通条件较差的地区拥有的低等级主题公园也较多。这是因为非主题公园类景区数量越少,当地游憩需求得不到释放,再加上交通不便,居民更偏向于在本地消费,这对于低等级主题公园是一个市场契机,可以在躲避竞争的同时争取尽可能大的市场。3中国美术馆空间集聚的政策效应以中国大陆31个省市区A级及以上主题公园数量作为因变量,创新地采用了类似“元分析”的方法,对前人研究中提出的影响主题公园空间分布的宏观因素进行实证检验,得到以下结论:(1)经济基础和营商环境对主题公园分布具有最显著的影响,两者的综合影响力高达57.6%,说明在以往的主题公园区位分布影响因素研究中存在对变量的过度识别问题,即纳入了过多的解释变量。其中,区域经济水平(GDP)是主题公园建设与发展的必要条件,影响力达52.8%;政府治理能力和工作绩效对于主题公园建设也具有同等程度的影响,这是本研究最重要的发现,凸显出在政府主导型发展经济中,营商环境对于推动企业投资意愿的重要性。(2)主题公园区位分布符合市场学派的观点,但逐渐由市场驱动向综合考虑成本因素转变。在早期关于主题公园布局的研究中,只有