多元场景引客来 入境游热度攀升

旅行成本模型（Clawson & Knetsch, 1966）将旅行需求视为旅行总成本（货币成本 + 时间机会成本）的函数。免签政策通过取消签证申请费（直接货币成本）和缩减等待/面签时间（间接时间成本），外生性地降低了入境中国的旅行成本，根据需求定律应推动入境人次上升。同时，不同类型免签政策的成本削减幅度不同——单方面免签仅降低外国游客进入中国的成本，互免签证同时降低双向成本，而过境免签仅在特定停留窗口有效，因而三者的需求弹性应有显著差异。此外，根据引力模型，距离越远的客源国旅行成本阈值越高，免签的政策效应可能被长期旅行成本所稀释。

据此提出以下假说：
- H1：免签政策显著提升客源国入境中国游客人次，需求的免签弹性为正（β > 0），且经济显著性随旅行总成本降低幅度递增。
- H2：三类免签政策的需求拉动效应排序为：互免签证 > 单方面免签 > 过境免签。
- H3：免签政策的入境人次拉动效应随客源国与中国的地理距离增大而递减（距离的负向调节效应）。

核心挑战在于免签政策可能存在内生性——中国更倾向于对已有密切经贸往来的国家实施免签，即政策本身是入境需求的函数。本文采用两个识别策略：第一，面板引力模型配合多维固定效应（客源国固定效应、年份固定效应、双边关系固定效应），吸收不随时间变化的客源国特征和时间趋势；第二，构造工具变量——以"第三国对中国实施免签的网络密度"作为该客源国获得中国免签概率的工具变量，该工具反映中国在全球签证互惠博弈中的策略动机，但对单一客源国的对华旅游需求无直接效应。关键识别假定：工具变量仅通过影响中国对该客源国的免签政策来影响入境人次（排他性约束）。

基准面板引力模型设定为：

Arrivals_{it} = exp[ α + β VisaFree_{it} + γ_1 ln(Distance_i) + γ_2 ln(GDP_pc_{it}) + γ_3 Trade_{it} + δ X_{it} ] + μ_i + λ_t + ε_{it}

其中 Arrivals_{it} 为客源国 i 在第 t 月入境中国的人次；VisaFree_{it} 为免签政策虚拟变量（或按类型拆分为三类虚拟变量）；Distance_i 为双边地理距离（km，时不变）；GDP_pc_{it} 为客源国人均GDP；Trade_{it} 为双边贸易额（对数）；X_{it} 为汇率、航空直航数量等其他控制变量；μ_i 为客源国固定效应，λ_t 为月度固定效应。采用 PPML（Poisson Pseudo Maximum Likelihood）估计以处理零值入境和异方差问题。核心参数 β 的指数变换 exp(β) − 1 给出免签政策对入境人次的半弹性。

被解释变量：客源国月度入境中国人次（国家移民管理局各口岸入境统计，2024年1月—2026年5月），覆盖约60个主要客源国。核心解释变量：免签政策虚拟变量，根据外交部公布的免签政策清单逐一编码——单方面免签=1/0、互免签证=1/0、过境免签=1/0，政策实施当月及之后取1。控制变量：客源国人均GDP（世界银行WDI，经购买力平价调整）、双边贸易额（UN Comtrade月度数据）、汇率（IMF IFS）、直航航班数（OAG航班数据库）、文化距离指数（Hofstede六维度文化距离的Kogut-Singh指数）。工具变量：第三国对华免签网络密度 = 与中国有免签关系的第三国数量 / 被考察客源国的总贸易伙伴数。

• **替换估计方法**：以负二项回归（Negative Binomial）替代PPML估计，检验结论对分布假设的敏感性；同时以Gamma Pseudo Maximum Likelihood（GPML）作为第三估计量。
• **控制时变不可观测因素**：在基准引力模型中加入客源国-年份交互固定效应（而非仅客源国固定效应），吸收客源国随时间线性变化的不可观测因素，检验核心系数是否保持显著。
• **排除特定客源国**：依次剔除港澳台及华人华侨比重较高的东南亚国家（新加坡、马来西亚等），检验结论是否由华人探亲客流的混淆效应驱动，预期核心结论应稳健。
• **替换工具变量构造**：以"客源国所在大洲内获得中国免签的国家比例"作为替代IV，检验工具变量选择对IV估计结果的影响。

凯恩斯的消费乘数理论（Keynes, 1936）指出，自主支出的增加会通过收入-消费循环产生数倍于初始冲击的GDP增量。离境退税政策的实质是通过退还增值税（约11%-13%），将入境游客面临的有效价格降低约10个百分点，从而产生"降价→需求量增加→零售商收入增加→雇佣增加→本地居民收入增加→消费再增加"的乘数链条。而不同品类的退税弹性可能有所不同——电子产品因其标准化程度高、跨境价差透明，退税的价格信号效应可能更强；而奢侈品和体验型消费的价格弹性可能相对较低。

据此提出以下假说：
- H1：深圳离境退税全覆盖显著提升了外籍游客在退税商圈的人均消费支出（处理效应 > 0）。
- H2：电子产品类的退税消费弹性高于服装/奢侈品等非标准化品类。
- H3：退税政策通过零售就业和本地收入渠道产生了显著的二次乘数效应，间接GDP影响约为直接消费增量的1.5-2.5倍。

核心挑战在于退税政策可能与深圳入境消费增长存在反向因果——深圳因入境消费本就高涨才选择推行退税全覆盖。采用合成控制法（Abadie et al., 2010）：以深圳为处理组，从北京、广州、杭州等未实施退税全覆盖的一线城市中，根据入境人次趋势、人均GDP、第三产业占比、国际航线数量等预测变量，加权合成一个与深圳政策前消费轨迹高度拟合的"反事实深圳"。退税效应 = 深圳实际消费 - 合成深圳消费。关键识别假定：在退税政策前，处理组与合成控制组的入境消费增长趋势平行（通过事件研究法检验）。

基准多期DID设定为：

Y_{it} = α + β TaxRefund_{it} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 Y_{it} 为城市 i 在第 t 月的外籍游客人均消费支出（对数）；TaxRefund_{it} 为退税全覆盖政策虚拟变量（实施当月及之后=1）；X_{it} 包括入境人次、商圈数量、第三产业GDP占比等时变控制变量；μ_i 为城市固定效应，λ_t 为月度时间固定效应。进一步使用局部投影法（Jordà, 2005）估计动态乘数：Y_{i,t+h} − Y_{i,t-1} = α_h + β_h TaxRefund_{it} + γ_h X_{it} + ε_{it+h}，其中 h = 0,1,...,12 为政策后月份，β_h 序列刻画乘数效应的动态累积路径。

被解释变量：月度外籍游客人均消费支出（深圳市税务局退税交易总额 / 退税人次，加总至城市-月层面）；辅助指标为商圈月度零售总额（深圳市统计局）。核心解释变量：离境退税全覆盖虚拟变量，以深圳宣布重点商圈退税全覆盖的月份为政策时点。控制变量：月度入境深圳的外籍人次（深圳边检）、城市第三产业增加值（季度插值至月度）、国际航线数（深圳机场）。样本区间：2023年1月—2026年5月，月度频率；控制组为北京、广州、杭州、成都等未实施退税全覆盖的一线城市。

• **安慰剂检验**：将退税全覆盖的政策时点分别前推6个月和12个月，若"伪政策"的DID系数不显著，则增强因果推断的可信度。
• **替换控制组构造方法**：以熵平衡法（Entropy Balancing）和多维精确匹配（CEM）替代合成控制法，检验结论是否对反事实构造方式敏感。
• **排除其他政策干扰**：收集同期深圳实施的其他消费刺激政策（如消费券发放、商圈升级改造），逐一编码为控制变量纳入回归，检验退税系数的稳健性。
• **空间安慰剂检验**：假设东莞/惠州等深圳邻近城市"也实施了退税全覆盖"，以这些非实施城市作为安慰剂处理组，预期不应观察到显著的消费提升效应。

根据Williamson（1985）的交易成本经济学，任何市场交易都涉及事前成本（信息搜寻、谈判）和事后成本（合同执行、争议解决）。入境旅游交易的三类成本包括：事前——签证办理的信息搜寻成本（了解所需材料、使领馆位置）；事中——签证申请费用与时间机会成本（面签等待、审批周期）；事后——入境通关时的合规审查时间成本。免签制度通过消除签证环节直接降低了事前与事中交易成本，而智慧边检和电子支付等互补制度则降低了事后合规成本。根据North（1990）的制度变迁理论，制度变革的效率取决于新制度是否有配套制度支持——免签的降成本效果可能在智慧边检和移动支付覆盖度更高的口岸被放大。

据此提出以下假说：
- H1：免签制度显著降低了入境旅游的综合交易成本（货币化后的人均降幅），且三类免签的降成本幅度排序为互免签证 > 单方面免签 > 过境免签。
- H2：免签制度与智慧边检（自助通关覆盖率）存在制度互补性——高智慧边检覆盖率口岸的免签降成本效应更强（交互项系数为正且显著）。
- H3：免签制度推动旅游服务价值链分工深化——免签后入境游客自由行比例上升（相对于跟团游），反映交易成本下降后市场自发协调替代了旅行社的科层协调。

核心识别挑战在于免签政策的实施时点和覆盖国家并非随机——中国倾向于对经贸关系紧密、领事保护能力较强的国家先行免签。本文采用多期DID（Callaway & Sant'Anna, 2021），利用免签政策在不同国家间的渐进推行形成准自然实验。以从未获得免签的国家为未处理组，以已获免签的国家为处理组（处理时点各异）。同时，利用口岸层面的智慧边检覆盖率差异构造制度互补性交互项。关键识别假定：在控制国家固定效应和时间趋势后，免签处理组与未处理组在政策前的入境人次增长趋势平行（通过Goodman-Bacon分解和动态事件研究检验）。

基准多期DID设定为：

Y_{it} = α + β_1 VisaFree_{it} + β_2 (VisaFree_{it} × SmartBorder_{pt}) + γ X_{it} + μ_i + λ_t + ε_{it}

其中 Y_{it} 为客源国 i 在第 t 月的入境人次（对数）或交易成本代理指标（如自由行比例）；VisaFree_{it} 为免签处理虚拟变量（获得任一类免签后=1）；SmartBorder_{pt} 为口岸 p 的智慧边检覆盖率（自助通道占比）；β_1 捕捉免签的直接降成本效应，β_2 捕捉制度互补性效应。X_{it} 包括客源国人均GDP、汇率、双边贸易额；μ_i 为客源国固定效应，λ_t 为月度固定效应。标准误在客源国-口岸级别聚类。

被解释变量：（1）客源国-月度入境人次（国家移民管理局，2024M1-2026M5）；（2）入境游客自由行比例（中国旅游研究院入境游客抽样调查——以是否通过旅行社安排住宿和交通为判别依据）；（3）综合交易成本指数（基于Henley Passport Index的签证免签得分 + 使领馆官网公开的签证费/办理天数信息的标准化主成分）。核心解释变量：免签类型虚拟变量矩阵（单方面免签、互免、过境免签各自=1/0的二元变量，政策时点从外交部公告获取）。调节变量：口岸智慧边检覆盖率（海关总署口岸统计——自助通关通道数 / 总通道数）；入境口岸移动支付受理率（银联/支付宝/微信支付入境游客服务覆盖口岸商圈的比率）。控制变量：客源国人均GDP（WDI）、双边贸易额（UN Comtrade）、直航航班数（OAG）。

• **替换交易成本测度**：以"客源国公民免签目的地数量"（Henley Passport Index的反向排名）替代自建交易成本指数，检验结论对交易成本测度方式的敏感性。
• **Goodman-Bacon分解**：对多期DID估计量进行Bacon分解，检验是否存在"早处理组 vs. 晚处理组"的负权重问题，若存在则采用Callaway & Sant'Anna（2021）方法重新估计。
• **排除制度内生性**：以"客源国与中国建交年份"作为免签政策时点的工具变量——建交越早的国家更可能进入早期免签名单，但建交年份不直接影响当前旅游需求（排除直接渠道）。
• **安慰剂口岸检验**：假设所有口岸的智慧边检覆盖率均未提升，以智慧边检覆盖率实施前的子样本重新估计交互项，预期制度互补性效应消失。

前景理论（Kahneman & Tversky, 1979）指出，个体决策的效用函数定义在相对于参照点的损益而非绝对水平上。在旅游目的地选择中，游客可能以他们首次接触到的中国目的地形象（如长城、上海外滩的经典画面）为参照点——偏离这一参照点的目的地（如神农架的原始生态）可能被视为"非典型中国体验"，从而面临需求折扣。另一方面，Bikhchandani et al.（1992）的信息瀑布模型预测，当个体观察到先行者的选择而忽略自身私有信息时，会产生"羊群效应"——社交媒体上某目的地的爆红会引发后续游客的跟风选择。张家界的"阿凡达取景地"标签和上海的国际化形象可能产生不同的信息瀑布强度，进而影响不同类型目的地的客流量分布。

据此提出以下假说：
- H1：入境游客的目的地选择存在显著的参照点依赖——以都市目的地（上海、北京）为参照的游客对自然目的地（张家界、神农架）的支付意愿低于以自然目的地为参照的游客。
- H2：社交媒体信息瀑布（以某目的地的社交媒体提及量/播放量代理）对入境游客的目的地选择具有显著正向影响，且该效应超过目的地客观品质（如生态系统评分、文化遗产密度）的独立贡献。
- H3：南美游客赴沪暴增50.5%的现象可由"初始游客偏爱上海作为中国认知锚 → 社交媒体放大 → 后发游客信息瀑布跟随"的链条解释，而非仅由航班便利度或签证政策驱动。

核心挑战在于将社交媒体热度的影响从目的地客观品质（自然景观禀赋、服务设施水平）中分离出来——两者高度相关且互为因果。本文采用离散选择实验（DCE）：向入境游客呈现成对的目的地选择场景，每对目的地仅在少数属性上系统变化（自然 vs. 都市景观、高 vs. 低社交媒体热度、有 vs. 无免签政策、近 vs. 远地理距离），通过随机化属性组合确保社交媒体热度的变异独立于目的地真实品质。此外，利用张家界"阿凡达取景地"标签的推出（2009年）作为社交媒体关注度的外生冲击，构造准自然实验进行辅助因果识别。

DCE数据分析采用随机效用最大化（RUM）框架下的条件Logit模型和混合Logit模型：

U_{ij} = β_1 Nature_j + β_2 SocialMedia_j + β_3 VisaFree_j + β_4 Distance_j + β_5 (SocialMedia_j × RefPoint_i) + ε_{ij}

其中 U_{ij} 为游客 i 对目的地 j 的潜在效用；Nature_j 为目的地自然景观属性（1=自然主导，0=都市主导）；SocialMedia_j 为社交媒体热度（TikTok/YouTube上目的地标签播放量的对数）；VisaFree_j 为免签便利属性；Distance_j 为客源国至目的地飞行距离；RefPoint_i 为游客 i 的参照点类型（以首次接触的中国目的地类型区分，由问卷调查获取）。交互项 SocialMedia_j × RefPoint_i 检验参照点依赖如何调节社交媒体效应的强度。混合Logit允许各属性的系数随游客个体分布，捕捉偏好异质性。

被解释变量：DCE中的目的地选择（1=选择，0=不选），通过在线调查平台（Prolific/MTurk）招募500+名曾访问或计划访问中国的外国游客进行实验设计——每个受访者面对12组选择任务，共约6000个选择观测。属性变量：Nature_j（以目的地植被覆盖率、世界自然遗产认定编码为二值）；SocialMedia_j（以目的地名在TikTok/YouTube上的标签总播放量与提及贴文数的综合标准分，2023-2026月度面板）；VisaFree_j（该目的地所在省份/城市是否适用免签政策）；Distance_j（谷歌地图飞行距离）。参照点类型（RefPoint_i）通过问卷中的"您首次接触到的中国目的地形象是？"和"您心目中'典型的中国'是什么画面？"两个开放式问题的编码确定。社交媒体文本数据：爬取TripAdvisor/YouTube上关于张家界、神农架、奉节、上海、深圳的英文评论及发布者国籍标签（2023-2026），使用BERTopic进行主题建模和情感极性的量化。

• **替换社交媒体热度测度**：以Google Trends搜索热度指数替代TikTok/YouTube播放量，检验信息瀑布效应的变量测度敏感性——若两种测度方式下SocialMedia_j 系数方向与显著性一致，则结论稳健。
• **排除航空公司供给端解释**：在DCE模型中增加"直航航班数量"属性，检验社交媒体热度的效用贡献在控制交通便利性后是否仍显著——若SocialMedia_j系数在加入航班属性后基本不变，则排除供给端替代解释。
• **实验设计稳健性**：将DCE中的成对选择改为单独评分（BWS, Best-Worst Scaling），比较两种偏好引出方法下各属性边际效用的一致性。
• **排除语言/文化壁垒混淆**：按客源国英语普及率和Geert Hofstede文化距离指数分组，检验信息瀑布效应是否在高文化距离组更强（即文化壁垒放大了对社交媒体信号的依赖），若表现一致则排除单纯混淆效应。

旅游导向型增长假说（Balaguer & Cantavella-Jordá, 2002）认为，旅游业可以通过创汇效应、就业创造、基础设施改善和产业连锁四种渠道驱动经济增长。对于中西部自然景区所在地而言，入境旅游提供了绕过制造业发展阶段、直接从农业跃迁至服务业的"蛙跳式结构转型"可能性。然而，增长极理论（Perroux, 1955）和涓滴效应假说（Myrdal, 1957）的争论在于：旅游核心景区的繁荣可能通过需求溢出和劳动力市场联动带动周边地区（涓滴效应），也可能通过虹吸劳动力和投资加剧周边地区的衰退（极化效应）。张家界、神农架等大型景区周边数十公里内存在大量非核心旅游乡镇，为检验空间溢出效应的方向提供了理想场景。

据此提出以下假说：
- H1：入境旅游增长显著推动了中西部自然景区所在地的第三产业就业占比上升（产业结构服务化），且该效应主要经由住宿餐饮、交通服务和导游零售等旅游直接相关行业的就业创造实现。
- H2：入境旅游增长通过劳动力市场联动（非农就业机会溢出）和需求溢出（周边农产品、手工艺品被游客消费）产生了正向涓滴效应，显著缩小了景区核心乡镇与非核心乡镇之间的收入差距。
- H3：涓滴效应的强度随距核心景区的公路距离增大而衰减——在50公里以内效应显著为正，超过50公里后趋近于零。

核心挑战在于入境旅游增长与本地经济发展存在双向因果——经济发展好的地区更有能力投资旅游基础设施，从而吸引更多入境游客。本文采用Bartik（Shift-Share）工具变量：以"该地级市2015年的旅游禀赋强度（4A/5A级景区数量、世界遗产认定数、酒店床位数）"与"该年度的全国入境旅游总增长率（剔除本省数据）"的乘积作为该市入境旅游增速的工具变量。该工具的识别逻辑在于：基期旅游禀赋决定了该市在全国入境旅游增长中的"份额"，而全国入境增长率由宏观免签政策和全球旅游周期驱动，对单个地级市而言是外生的。排他性约束：基期旅游禀赋对当前经济发展仅有间接影响（通过入境旅游渠道），剔除直接渠道的关键证据是——在全国入境旅游增长停滞的年份（如2020-2022年疫情期），高禀赋地区不应观察到超额经济增长。

基准面板IV回归设定为：

第一阶段：TourismGrowth_{it} = α + δ (Endowment_i × NationalGrowth_t) + θ X_{it} + μ_i + λ_t + ν_{it}

第二阶段：Y_{it} = α + β TourismGrowth_{it} + γ X_{it} + μ_i + λ_t + ε_{it}

其中 TourismGrowth_{it} 为地级市 i 在第 t 年的入境旅游人次增速（对数差分）；Endowment_i 为基期旅游禀赋（2015年4A/5A景区数量的标准化Z-score）；NationalGrowth_t 为全国入境旅游人次增速（剔除本省）；Y_{it} 为被解释变量——第三产业就业占比、城乡收入比（对数）、非农就业增长率等。X_{it} 包括城镇化率、交通基础设施密度、人力资本（人均受教育年限）、FDI等控制变量。

空间杜宾模型扩展：

Y_{it} = ρ W Y_{it} + β_1 TourismGrowth_{it} + β_2 W TourismGrowth_{it} + γ X_{it} + θ W X_{it} + μ_i + λ_t + ε_{it}

其中 W 为空间权重矩阵（以地级市间公路距离倒数为权重），ρ 为空间自回归系数，β_1 为入境旅游的直接效应，β_2 W TourismGrowth_{it} 为邻近城市的入境旅游对本地的空间溢出效应。通过设定距离阈值（10km、30km、50km、100km）构造分段空间权重矩阵，检验涓滴效应的地理衰减模式。

被解释变量：（1）产业结构转型——第三产业就业人数 / 总就业人数（地级市统计年鉴，2005-2025）；（2）城乡收入差距——城镇居民可支配收入 / 农村居民可支配收入（对数）；（3）人均GDP年均增速（不变价，国家统计局）。核心解释变量：地级市入境旅游人次增速（文旅部入境旅游统计，地级市层面，部分通过省级数据按景区接待比例分解）。工具变量：2015年旅游禀赋（4A/5A级景区数量、世界遗产认定数、星级酒店客房数的主成分综合得分）× 全国入境旅游人次增速（剔除本省数据）。控制变量：城镇化率、第二产业增加值占比、公路密度、人均受教育年限、FDI/GRP比。空间权重矩阵：地级市间最短公路距离（公里，百度地图API），按距离倒数构造W，并基于距离阈值构造分段W。样本覆盖全国约280个地级市，重点分析22个拥有4A/5A级自然景区的中西部地级市。

1. 替换工具变量构造：以"1980年代该市是否被列入首批国家重点风景名胜区"作为替代IV——该变量由计划经济时期国家统一规划决定，与当代地方经济发展能力无关（满足外生性），且对当前入境旅游仍有显著影响（满足相关性）。
2. 更换空间权重矩阵：以地理邻接矩阵（W取0/1）和逆距离平方矩阵（W = 1/d²）替代逆距离矩阵，检验空间溢出效应参数ρ和β_2对空间权重设定的敏感性。
3. 排除"网红城市"异常值：依次剔除张家界市（作为全球级网红目的地可能主导结论）和丽江市（另一旅游高度依赖城市）后重新估计，检验核心结论是否由个别极端旅游依赖城市驱动。
4. 安慰剂工具变量：以"全国出境旅游增速 × 基期旅游禀赋"构造安慰剂IV进行第一阶段回归——该变量应与本地入境旅游不相关，若其第一阶段F统计量远低于10，则证实基准IV的识别逻辑（即本地旅游禀赋仅在入境市场扩大时才转化为入境增长）。
---
date: 2026-06-15
field: 产业经济 — 物流与交通
source: https://tv.cctv.com/2026/06/15/VIDEEIrTajFq2MQC3awRkNYN260615.shtml
topics_count: 5
---