图表：2025年全国A级景区接待游客75.1亿人次

旅游景区投资具有高固定成本、长回收周期和强空间锁定特征。在新古典框架下，资本应流向边际回报率最高的景区和地区，实现配置效率最大化。然而，中国旅游投资长期存在"重建设轻运营"的结构性问题——部分高等级景区过度投资导致边际回报递减，而潜力型低等级景区则面临资本不足。由此提出三项假说：H1（回报率异质性）：不同等级、不同区位的A级景区边际投资回报率存在显著差异，高等级景区边际回报率低于预期；H2（资本错配）：现有资本配置向高行政级别地区倾斜，与景区真实回报率的相关性弱于市场化配置预期；H3（等级晋升效应）：景区升A后资本流入加速但回报率滞后改善，呈现"投资先于效率"的时序特征。

核心识别策略为双重差分法（DID）与边际收益面板回归相结合。第一阶段，以Wurgler（2000）资本配置效率模型测算各省级层面的旅游投资弹性系数，即投资增长率对收入增长率的敏感度。第二阶段，以景区等级晋升（如4A升5A）作为准自然实验，比较晋升前后3年的投资额与收入增长率变化，识别等级晋升对资本配置效率的因果效应。处理组为2017-2024年间升A的景区，对照组为同期未升A的同省同类型景区。使用事件研究法（Event Study）检验事前平行趋势，动态追踪晋升后1-5年的投资效率变化。

基准模型：ln(ROI_it) = α + β × Grade_it + γ × ln(Investment_it) + δ × (Grade_it × ln(Investment_it)) + X_it θ + μ_i + λ_t + ε_it。其中ROI_it为景区i在t年的投资回报率（旅游收入/固定资产原值）；Grade_it为景区等级虚拟变量（5A=5, ..., 1A=1）；Investment_it为景区当年新增固定资产投资；交互项捕捉不同等级景区的资本边际回报差异。DID模型：Y_it = α + β × (Treat_i × Post_{it}) + γ X_it + μ_i + λ_t + ε_it。Treat_i为升A景区，Post_{it}为晋升后年份，β为核心因果参数。标准误双聚类到景区和年份。

因变量：景区投资回报率ROI（年度旅游收入/固定资产原值）、省级旅游投资弹性系数（ΔlnI_i / ΔlnV_i，参照Wurgler方法）。核心自变量：景区等级（1-5A序数变量）、固定资产投资对数、等级×投资交互项。控制变量：景区区位特征（距最近地级市中心距离、高铁站可达性）、区域经济水平（所在县人均GDP）、旅游资源禀赋（是否为世界遗产/国家风景名胜区）、竞争程度（50km半径内A级景区数量）。数据来源为2015-2025年文化和旅游部A级景区统计公报、各省旅游年鉴、景区工商注册及财务数据、高德地图POI数据。

一是替换因变量，用景区接待人次增长率替代收入增长率，检验回报率指标选择敏感性；二是替换资本配置效率测算方法，采用Olley-Pakes（1996）半参数法替代Wurgler弹性系数，控制选择性偏差；三是工具变量法，使用景区所在县的历史文物古迹数量（与旅游吸引力相关但独立于当期投资决策）作为景区等级的工具变量，解决等级内生性；四是安慰剂检验，将假设的晋升时间提前2-3年，真实DID效应应不显著；五是排除其他政策干扰（如全域旅游示范区创建、乡村振兴重点县认定），在模型中引入对应虚拟变量。

---

中国旅游消费具有极强的季节性特征——"黄金周"（春节、国庆）和暑期集中出游，导致旅游消费占季度GDP比重在Q3显著高于Q1。这种季节性波动在宏观经济层面产生两重效应：一是需求侧，旅游淡季总需求不足可能放大经济下行压力；二是供给侧，景区从业人员（173.9万人）淡季隐性失业造成人力资本浪费。在新凯恩斯框架下，若价格存在粘性，季节性需求波动无法被价格充分吸收，将转化为产出波动。由此提出假说：H1（季节效应）：旅游消费季节性波动对季度GDP方差贡献率超过15%；H2（乘数非对称性）：淡季旅游补贴的消费乘数显著高于旺季（因淡季边际消费倾向更高、资源闲置更严重）；H3（福利改善）：淡季消费券政策的福利增益相当于稳态消费的0.3%-0.8%。

采用两阶段分析框架。第一阶段，使用Census X-13 ARIMA-SEATS方法将季度GDP序列分解为趋势、季节与不规则成分，测算旅游消费季节性对GDP波动的方差贡献。第二阶段，构建中等规模新凯恩斯DSGE模型，纳入代表性家庭对旅游消费的季节性偏好参数，该参数以OTA平台月度搜索指数校准。在DSGE框架内模拟"淡季旅游消费券"政策冲击（等同一个负的储蓄冲击或正的边际消费倾向冲击），追踪消费、产出、就业和通胀的脉冲响应路径，计算福利损失函数。

基准SVAR模型：Y_t = A_1 Y_{t-1} + ... + A_p Y_{t-p} + ε_t。内生变量向量Y_t包含：季度旅游收入对数（lnTourRev_t）、季度GDP对数（lnGDP_t）、社会消费品零售总额对数（lnCons_t）、服务业就业人数对数（lnEmp_t）、CPI同比指数。使用Cholesky分解施加短期约束，排序为GDP→消费→旅游收入→就业→CPI，假定旅游收入对GDP的同期冲击在制度上存在滞后。DSGE模型包含：代表性家庭最优消费-闲暇选择（含旅游与非旅游消费的CES复合）、垄断竞争中间品厂商（Calvo价格调整概率）、中央银行Taylor规则、政府预算约束（旅游补贴支出）。

旅游消费季节性指数：以2019-2026年文化和旅游部月度接待人次数据，用Census X-13方法分解出季节因子（SF_t）。DSGE校准参数：贴现因子β=0.99，风险规避系数σ=1.5，劳动供给弹性倒数φ=1.0，Calvo价格粘性概率θ=0.75（平均价格持续4个季度），旅游消费在总消费中的权重ω=0.12（基于5544.9亿元旅游收入占社零比重校准），季节性偏好冲击自回归系数ρ_s=0.65、标准差σ_s=0.08（以OTA搜索指数季节波动校准）。样本区间为2019Q1-2026Q1。

一是替换季节性分解方法，使用STL（Seasonal-Trend decomposition using Loess）替代X-13检验季节成分稳定性；二是DSGE参数敏感性分析，对价格粘性θ从0.5到0.9、旅游消费权重ω从0.08到0.16进行格点搜索，检验结论稳健性；三是比较不同政策工具（消费券vs直接补贴vs减税）的福利效果差异；四是分区域估计，将全国划分为东中西部三大区域检验季节性波动幅度的异质性；五是使用省级面板局部投影法（Jordà 2005）替代DSGE，估计旅游消费冲击对GDP的非线性状态依赖效应。

---

A级景区评定本质上是一个信号传递机制——政府通过专业评审为景区质量背书，降低游客的信息搜寻成本。然而，信号的有效性取决于三个条件：信号成本与质量负相关（低质景区难以承担评定成本）、信号可验证（复检机制确保信号持续可信）、信号被接收者理解（游客能正确解读等级信息）。现实中，景区评定存在制度异化风险：部分地方政府将创A作为政绩工程，导致等级信号"通胀"（高等级景区占比持续上升但游客体验未同步改善）；与此同时，OTA用户评分作为去中心化的市场声誉机制快速崛起。由此提出假说：H1（信号效率）：OTA用户评分对游客量和游客满意度的预测力显著高于景区等级；H2（信号偏离）：政府评级与市场声誉偏离度越大的景区，经营绩效越差（因游客预期被等级信号拉高后遭遇实际体验落差）；H3（制度竞争）：OTA评分覆盖面扩大后，A级景区等级对游客初次到访决策的边际影响显著下降，市场声誉机制正在替代政府评级机制。

分三步构建识别策略。第一步，信号效率比较。分别以景区等级（1-5A）和OTA用户评分（1-5分）作为信号变量，回归游客量对数，比较R²与标准化系数——高R²者信号效率更高。第二步，信号偏离效应。构造信号偏离指数（Deviation_i = 标准化等级 - 标准化评分），回归景区收入增长率，若系数为负则表明信号偏离损害绩效。第三步，制度竞争因果识别。以OTA平台进入特定城市市场的时间差作为外生冲击（各城市OTA覆盖时间不同），DID估计OTA评分可得性对A级景区等级信号边际影响的变化——交互项（OTA_available × Grade）系数衡量政府评级信号在市场竞争下的弱化程度。

信号效率模型：ln(Visitors_it) = α + β_1 Grade_i + β_2 Rating_it + γ X_it + μ_c + λ_t + ε_it。其中ln(Visitors_it)为景区i在t年接待游客对数；Grade_i为景区等级序数（最慢变化变量，主要利用等级间变异）；Rating_it为OTA平台用户评分（年均值，具有时间变异）；X_it为控制变量集。信号偏离模型：Δln(Revenue_it) = α + β × Deviation_i + γ X_it + μ_c + λ_t + ε_it。制度竞争DID模型：ln(Visitors_it) = α + β × (OTA_available_ct × Grade_i) + γ_1 Grade_i + γ_2 OTA_available_ct + δ X_it + μ_i + λ_t + ε_it。核心参数β若为负，表明OTA评级可得后，政府等级信号的边际效应下降。

因变量：景区年接待游客量对数ln(Visitors)、景区旅游收入对数ln(Revenue)、游客满意度评分（OTA平台文本情感分析得分）。核心自变量：景区等级Grade（1-5A序数，或5A虚拟变量）、OTA用户评分Rating（多平台加权平均，以评论数为权重）、信号偏离指数Deviation（标准化等级z_Grade - 标准化评分z_Rating）。控制变量：景区类型（自然风光/文化遗产/主题公园等6类虚拟变量）、门票价格、交通可达性、所在城市GDP、50km内竞品数量。数据来源：文化和旅游部A级景区名录（2025年末截面，16994个景区）、OTA平台爬取数据（携程+美团+去哪儿三平台评分与评论，2015-2025年面板）、高德地图地理信息。

一是替换信号效率度量方法，使用LASSO回归的变量选择频率和SHAP值比较等级与评分的预测贡献度；二是使用工具变量处理OTA评分内生性（以同城市其他类型景区的平均评分作为该景区评分的工具变量，控制本地旅游偏好混淆）；三是分等级子样本回归，检验信号偏离效应在不同等级景区中是否存在异质性（预期高等级景区偏离效应更强）；四是Heckman两步法纠正样本选择偏差（只有被OTA收录的景区才有评分数据）；五是比较OTA平台内部评分的制度差异（携程偏高端vs美团偏大众），检验市场声誉机制本身是否存在分层化信号偏差。

---

旅游决策是典型的高信息不对称、高情感投入消费，极易受行为偏差影响。两条核心机制：一是信息瀑布机制——潜在游客观察到前人的选择（在线评论数量）后，理性推断"大量前人选择该景区意味着高质量"，从而跟随选择，形成正反馈循环。这导致热门景区"越来越热"、冷门景区无人问津，在75.1亿人次的总量下加剧结构性拥挤。二是锚定效应——当景区公布拥挤度信息（如"当前饱和/舒适"），游客的锚定参照点从"景区口碑"转向"体验质量"，可能促使部分游客分流至非高峰时段或替代景区。由此提出假说：H1（羊群效应）：当OTA评论数跨越100、1000、10000等整数阈值时，景区页面浏览量和下单量出现显著跳跃，幅度超过评论数线性增长所能解释的程度；H2（锚定-分流效应）：收到"当前拥挤"推送信息的游客，选择替代景区的概率显著高于未收到信息组（幅度约15-20个百分点）；H3（异质性）：羊群效应在年轻游客（18-30岁）和首次到访游客中更强，锚定-分流效应在有灵活时间的退休游客中更强。

两个互补识别策略。策略一（羊群效应的断点回归）：以OTA平台评论数每跨越100的整数阈值（100, 200, ..., 1000, ...）为断点，使用精确断点回归（Sharp RDD）。假设在断点附近的景区，除评论数的"整数标签效应"外，其他特征连续平滑——评论数99和100的景区在真实质量上无差异，但100的"三位数信号"引发更强从众心理。结果变量为景区页面周浏览量和月下单量，识别整数阈值跳跃的局部平均处理效应（LATE）。策略二（锚定效应的实地实验）：与1-2个热门景区合作，向其OTA页面浏览用户随机推送两种信息——处理组收到"您关注的景区当前拥挤度为【高/中/低】，同时段【替代景区名称】为【舒适】"，对照组无推送。追踪两组用户最终下单目的地，比较分流概率差异。

断点回归模型：Y_i = α + τ × D_i + β_1 × (R_i - c) + β_2 × D_i × (R_i - c) + ε_i。其中Y_i为景区i的结果变量（浏览量对数、下单量对数）；R_i为评论数（驱动变量）；c为整数阈值断点（100, 200, ..., 1000, ...）；D_i为超过阈值的虚拟变量；τ为局部平均处理效应（羊群效应强度）。带宽选择使用Calonico、Cattaneo & Titiunik（2014）的均方误差最优带宽。实地实验模型：Y_j = α + β × Treat_j + γ X_j + ε_j。Y_j为用户j是否选择了替代景区（0/1）；Treat_j为是否收到拥挤信息推送（随机分配）；β为平均处理效应。使用线性概率模型（LPM）估计，标准误为异方差稳健标准误。

断点回归：因变量——景区月度页面浏览量对数、月度下单量对数、景区月度实际接待量（文化和旅游部监测数据作为外部验证）；驱动变量——OTA平台累计评论数（对数值作为备选）；带宽内样本：以每个整数阈值断点为中心，选取±30评论的带宽内景区样本（如评论数70-130的景区），多个断点堆叠回归。实地实验：因变量——用户最终下单目的地是否为替代景区（1/0）；处理变量——随机分组虚拟变量（处理组/对照组各500-1000人）；协变量——用户历史旅游偏好、常住城市、OTA平台活跃度。数据来源：OTA平台API或爬取数据（2020-2026年月度面板）、文化和旅游部景区实时监测系统、景区合作实验数据。

一是断点回归带宽敏感性，以±15、±30、±50三种带宽重复估计，检验τ对带宽选择的敏感度；二是McCrary检验，检验驱动变量（评论数）在断点处的密度是否连续，排除景区人为操纵评论数以跨越阈值的可能；三是安慰剂断点，将断点设在非整数位置（如评论数73, 157, 283），真实处理效应应不显著；四是实地实验外部有效性，在不同类型景区（山岳型/主题公园型/历史文化型）各选取1个景区重复实验，检验锚定效应是否跨类型一致；五是分解羊群效应与质量信号，引入评论分数与评论数量的交互项，区分"高评分+多评论（真高质量信号）"与"中低评分+多评论（纯羊群效应）"两类景区，检验羊群效应在其中的非对称强度。

---

"旅游资源诅咒"假说的核心机制源自荷兰病模型的三个渠道：一是要素市场挤出——旅游业的快速扩张推高本地劳动力成本和土地价格，制造业面临成本上升压力，利润空间收窄；二是汇率/价格渠道——大量旅游外汇流入通过实际汇率升值削弱制造业出口竞争力（在全国层面不显著但在旅游城市层面可能通过本地不可贸易品价格上涨产生类似效应）；三是人力资本错配——旅游业的低技能门槛就业与相对灵活的工作方式吸引劳动力从制造业流出，但旅游业提供的人力资本积累机会有限，长期不利于地区生产率提升。然而，与矿产资源的点状分布不同，旅游资源的空间广泛性使其"诅咒"效应可能存在制度门槛——当地区具备良好的基础设施和人力资本时，旅游与制造可实现协同发展。由此提出假说：H1（诅咒效应）：景区密度（每千平方公里A级景区数）每提高1个标准差，县级制造业增加值占GDP比重下降2-3个百分点；H2（门槛效应）：旅游专业化对制造业的挤出效应仅当人力资本水平（大专以上人口占比）低于阈值（约12%）时显著，高于阈值时效应不显著甚至逆转；H3（倒U型关系）：旅游依赖度与地区经济增长呈倒U型——适度旅游依赖促进增长，过度依赖（旅游收入占GDP超35%）则抑制长期增长。

核心挑战是旅游专业化与制造业占比之间的内生性——制造业衰退的县可能被动转向旅游业，而非旅游挤出制造。使用两阶段最小二乘法（2SLS）处理内生性：工具变量选取各县全国重点文物保护单位数量（历史文物丰富度决定旅游吸引力但形成于数百年前，与当代制造业竞争力独立）和年均舒适天数（由纬度/海拔/距海距离计算的气候舒适度外生变量，决定旅游适宜性但独立于工业区位）。第一阶段：TourSpec_i = α + β_1 Heritage_i + β_2 Climate_i + γ X_i + ε_i。第二阶段：ManuShare_i = α + δ × TourSpec_hat_i + γ X_i + ε_i。门槛回归：以人力资本水平（大专以上人口占比、职业高中在校生数）为门槛变量，识别旅游专业化挤出制造业的制度条件。

基准2SLS模型：第一阶段 TourSpec_i = α + π_1 × Heritage_i + π_2 × Climate_i + γ X_i + ε_i；第二阶段 ManuShare_it = α + β × TourSpec_hat_i + γ X_it + μ_prov + λ_t + ε_it。其中TourSpec_i为县i的旅游专业化程度（A级景区密度或旅游收入占GDP比重）；Heritage_i为全国重点文物保护单位数量（对数）；Climate_i为年均气候舒适天数（参照中国气象局人体舒适度指数标准计算）；ManuShare_it为制造业增加值占GDP比重。面板门槛模型：ManuShare_it = α + β_1 × TourSpec_it × I(HC_it ≤ τ) + β_2 × TourSpec_it × I(HC_it > τ) + γ X_it + μ_i + λ_t + ε_it。其中HC_it为人力资本门槛变量，τ为数据确定的门槛值，I(·)为指示函数。使用Hansen（1999）的类F检验和自助法检验门槛效应的显著性。

因变量：制造业增加值占GDP比重（%）、制造业从业人员占比（%）、县级GDP增长率（%）。核心自变量：A级景区密度（每千平方公里景区数）、旅游专业化指数（旅游收入/地区GDP）、旅游就业占比（景区从业人员/总就业）。工具变量：全国重点文物保护单位数量（通过国家文物局公布的1-8批国保名单匹配至县级）、气候舒适度指数（使用ERA5再分析数据计算各月温湿指数THI的舒适天数，阈值为15≤THI≤25）。门槛变量：大专以上人口占比（2020年人口普查县级数据）、职业高中在校生数占户籍人口比重。控制变量：县到最近地级市中心距离、高速公路出入口数量、是否为国家级贫困县（脱贫时间）、初始制造业基础（2015年制造业占比）。样本为全国2800+个县级行政区划（剔除市辖区）的2015-2025年面板数据。

一是替换工具变量，使用明代驿道是否经过该县（历史交通条件塑造旅游节点但独立于现代制造业）替代部分工具变量组合，检验2SLS结果对工具变量选择的敏感性；二是弱工具变量检验，报告第一阶段F统计量（预期Heritage和Climate的联合F > 20）和有限信息最大似然法（LIML）估计，消除弱工具变量偏误；三是替换旅游专业化度量，使用夜间灯光数据（NPP-VIIRS）提取景区周边5km灯光亮度作为旅游经济活动强度的替代代理变量；四是空间计量检验，使用空间杜宾模型（SDM）控制县际空间溢出效应，区分本地挤出与周边溢出两种空间效应；五是异质性分析，按地区（东中西东北）、按景区类型（自然资源型vs人文资源型）、按旅游发展阶段（起步期/成长期/成熟期）分组回归，识别"资源诅咒"效应的异质性分布与阶段性特征；六是过度识别检验（Sargan-Hansen J检验），检验多工具变量情境下的排他性约束是否成立。

---