2. 南京财经大学 红山学院, 南京 212413;
3. 南京大学 地理与海洋科学学院, 南京 210023
2. School of Hongshan, Nanjing University of Finance and Economics, Nanjing 212413, China;
3. School of Geographic and Oceanographic Sciences, Nanjing University, Nanjing 210023, China
推动从高速旅游增长向优质旅游发展转变是新时代中国旅游业发展的核心命题,而旅游绩效研究则是破解这一命题的钥匙。党的十九大报告指出,中国经济已由高速增长阶段转向高质量发展阶段,必须着力解决好发展不平衡不充分问题,大力提升发展质量和效益[1]。作为现代人们的一种生活方式,旅游让生活更美好、让文化更灿烂、让山川更秀美、让社会更和谐。但中国旅游业发展仍面临要素驱动增长、发展方式粗放、效率提升滞后等问题[2, 3]。在此背景下,推进旅游业提质增效、转型升级、增质提效,促进旅游高质量发展已成为现阶段中国旅游业发展的主要任务。
高质量发展是政策语言,与之相对应的学术话语为绩效。绩效(performance)是一个复杂、多维、动态的跨学科概念,是旅游企业、行业和目的地制定发展战略、获取竞争优势的重要工具[4]。目前,旅游绩效研究已成为国内外旅游研究的核心议题[5],其中绩效评估是基础。国外学者基于多学科视角,主要采用传统绩效、技术效率、生产率、竞争力等方法,评估旅游企业、行业和目的地绩效[6-8]。但不同学科视角下的评估理念、技术、主题与对象存在较大差异。其中,管理学主要使用财务会计指标、绩效评估系统、影响评估等评价旅游财务、组织、扶贫、政策与营销绩效;经济学主要通过技术效率和生产率表征旅游经济绩效,并在传统生产要素的基础上逐渐重视资源、环境和社会方面的因素;综合视角则通过构建竞争力评估体系与模型,关注旅游企业、行业尤其是目的地多维绩效。基于此,本文将旅游绩效定义为:不同类型的旅游企业、行业与不同尺度的目的地在财务、组织、扶贫、政策、营销、经济等方面或综合的表现及效益。与国内研究相比,国外研究起步较早,发展相对成熟,在研究视角、方法和内容等方面具有参考与借鉴意义。
然而,目前旅游绩效评估研究仍然是一个混乱的议题(messy issue)[4],有3个方面的问题待进一步探讨:一是确立研究框架。随着学科的交融和旅游商业实践的发展,已有研究针对不同评估对象,采用多学科视角与方法评估旅游绩效,极大地丰富了研究体系,但在一定程度上存在泛化,甚至存在传统绩效、技术效率、生产率、竞争力等概念术语混淆的现象,旅游绩效研究框架尚待明确;二是明确理论贡献。已有研究主要运用评价指标和数理模型量化旅游绩效,但由于相关指标和模型方法具有特定的理论视角、固有的假设约束、严格的技术规则与明确的适用范围,加之旅游绩效评估需兼顾国家、地方、企业、居民、旅游者(顾客)的多元价值取向和旅游业经济、社会、文化、生态等方面的综合效应,提升旅游绩效评估的科学性、精准性、适配性并明确理论贡献仍为亟待突破的研究难点;三是深化研究内容。虽然已有研究从早期的绩效评估逐渐深入至绩效驱动因素和格局过程,但对绩效应用的研究仍明显不足,使得绩效评估与管理应用相脱节。
对学术文献的梳理与研究是发展理论的重要工作。特别是当前旅游绩效评估研究呈现出纷繁、多维、跨学科的特征,研究者难以把握其基础理论和实证路径。基于此,本文通过梳理国外代表性文献,着重比较相关理论内涵、模型方法、评价体系、技术规则及适用性,进而提出未来研究的重点方向,以期为国内相关研究提供理论参考与技术支持。
2 文献数据采集与统计分析鉴于“Web of Science”数据库在英文数据库中较具全面性和代表性,本文选取其作为文献检索来源。借鉴现有旅游绩效评估方法的分类体系[4, 5, 9],并结合笔者多年对旅游绩效评估方法研究的跟踪和经验,分别选取“tourism/hospitality + performance/technical efficiency/productivity/competitiveness”为主题词、“Article”为文献类别进行检索,文献时间截止2020年9月30日。由于初步检索所得文献议题庞杂且不易归类,在检索完成后,依据内容关联性、刊物代表性、被引频次等进行人工筛选,最终获取145篇较具代表性的期刊论文,其中140篇实证研究和5篇综述,在此基础上进行文献分析。
文献统计分析发现,所得文献大部分发表于2000— 2020年的旅游与接待类刊物中,其中,以《Tourism Management》(45篇)和《International Journal of Hospitality Management》(29篇)最多,占比分别为31.03% 和20.00%,其次是《Journal of Travel Research》、《Annals of Tourism Research》、《Tourism Economics》、《Tourism Management Perspectives》和《Journal of Hospitality and Tourism Research》,个别来源于《Journal of Business Research》、《Service Industries Journal》、《Expert Systems with Applications》等经济、管理和商业类刊物。从评估方法看,实证研究中运用技术效率、传统绩效、生产率和竞争力评估法的文献分别为61、46、19和14篇,其中在技术效率评估法中,数据包络分析和随机前沿分析分别为39、22篇。从数据类型看,以截面数据为主,近年来面板数据的应用呈上升趋势,分别为76、64篇。从评估主题看,涉及单维和综合绩效2个方面,其中以单维的财务与经济绩效为主。从评估对象上,包含微观企业、行业绩效(如酒店、餐馆、旅行社、旅游交通、赌场、邮轮、上市公司)和宏观目的地绩效(如国家、区域、城市、景区),且以前者尤其是酒店居多。从研究者的分布看,以美国Assaf团队和葡萄牙Barros团队的工作较具开创性。从研究案例的空间分布看,亚太和欧洲国家或经济体为热点区域。
3 国外旅游绩效评估方法研究综述国外旅游绩效评估主要采用传统绩效、技术效率、生产率、竞争力等4类方法。以上方法不仅具有特定的理论视角、固有的假设约束、严格的技术规则和明确的适用范围,在具体应用中还需关注旅游情境下的诸多特性问题。下文分别予以梳理和评述。
3.1 传统绩效评估法传统绩效评估法在早期旅游企业、行业与目的地绩效评估中被广泛应用。针对旅游企业和行业,研究者主要采用财务会计指标(financial & accounting based indicators,FAI)和绩效评估系统(performance measurement systems,PMS)评估旅游企业、行业的财务和组织绩效。其中,FAI包括总量、比率2类指标,常用的有房价、入住率、收入/工资成本、毛利润/收入、净利润/收入、营利能力、ROA、ROE、Tobin's Q等[9]。以上指标简单易操作,但存在3个方面的局限:一是对企业会计准则较敏感,评估结果易波动[5];二是测度范围较窄,或遗漏实现价值的投入和成本因素,或缺乏对企业战略和利益相关者的考量,不能反映绩效的多维属性[10];三是滞后性,且未提供绩效基准和改进方向[11]。
在此背景下,相关文献基于行为、制度、资源依赖和利益相关者等理论,运用PMS动态评估和调控旅游企业、行业的财务和组织绩效,较具代表性的有本量利分析(cost volume profit analysis)、收益管理(yield management)和平衡记分卡(balanced scorecard)。相比于FAI,PMS通过综合财务、客户、技术、战略、文化和环境等多维因素实时评估并调控绩效,有效弥补了FAI片面和滞后的局限[12]。其中,本量利分析法既适用于单个旅游企业,也可用于不同类型旅游企业间的比较[12]。收益管理工具旨在促进企业有效利用产能和最大化收益,被广泛应用于评价和调控单个酒店的绩效,但适用范围局限于规模大、等级高的酒店[13]。平衡计分卡兼顾了企业财务和非财务指标,包括财务绩效、客户关系、内部运营过程、学习与成长4个维度,有效衔接了战略实施、管理过程和绩效评估与改进,并克服了以上PMS过分关注财务指标的局限[14],但局限性是数据收集和处理过程较繁杂,各维度评价指标的主观选择也不利于企业间横向比较[9]。理想情况下,FAI应与客户、技术、战略、文化和环境等因素相结合并共同构成PMS,以动态评估和调控旅游绩效。但所谓的“系统”方法并不系统,还存在主观遴选、集成指标和未考虑指标间复杂互动关系的缺陷[15]。
传统绩效评估法中,另有部分研究基于实验设计、双重差分法、计量回归模型、居民感知等方法和视角,评估旅游扶贫[16-18]、政策[19, 20]、营销[21]等对目的地传统绩效指标的影响。从评估理念看,一方面,此类研究多基于“影响”视角分析旅游扶贫、政策与营销的“效果”,而不是“评估”其“表现”;另一方面,此类研究占比相对较低,大多未能从目的地综合绩效评估中区分开,这也是未来研究的突破口之一。从评估指标看,主要涉及市场份额指标(如旅游人数、旅游收入、旅游GDP增加值等)和财务指标(如旅游者支出、旅游利润、单位生产成本等)。但以上指标也因其短期性、片面性、结果难以比较而受到批评。
3.2 技术效率评估法效率一词源自物理学和工程学。20世纪90年代后,随着经济学前沿技术不断发展,技术效率(technical efficiency)为绩效评估与比较提供了全新视角。技术效率指在投入要素既定的情况下,决策单元(decision making unit,DMU)的实际产出同生产前沿之比。
目前技术效率评估法已成为旅游绩效评估的主流方法,主要包括数据包络分析和随机前沿分析。基本原理是通过构造有效前沿面,依据DMU相对于最佳前沿面的距离来测度相对效率。该方法具有同时处理多种投入产出、提供绩效基准、解释效率来源等技术优势,弥补了传统绩效评估法敏感、片面、滞后、主观和不便比较的缺点[5]。但在具体应用中,需规避2个方面的技术陷阱。其一,违背方法原理,横向比较不同研究中旅游效率的测度结果[5]。事实上,技术效率测度结果不具横向可比性;其二,忽略测度结果对研究方法、模型假设、方程设定、估计技术、指标选择等技术规则的敏感性[5],从而导致方法的严谨性受到削弱,甚至结果偏误。
3.2.1 数据包络分析法数据包络分析(data envelopment analysis,DEA)方法由Charnes等[22]于1978年提出,是一种基于数学规划技术评估DMU相对效率的非参数方法。该方法在早期的旅游效率评估研究中占据主流,具有同时处理多种投入产出,保留数据原始信息,无需大样本、事先赋权、设定方程形式和估计方程参数等优点,尤其适用于评估以生产过程复杂交互和样本数据难以观测为特征的旅游业[23]。在此背景下,相关研究基于不同案例、模型方法和投入产出指标测度旅游企业、行业及目的地效率,并取得系列进展(表 1)[24-31]。
虽然DEA方法在旅游效率评估研究中具有良好的适配性,但在应用中需注意2个方面的问题。首先,非参数DEA方法无严格的统计学基础,同时将偏离有效前沿面视为无效率,忽视了随机效应和测量误差[5]。这可能会高估无效率,并使研究结果对异常值和样本规模较敏感。其次,DEA效率测度结果对模型方法选取、指标遴选和非期望产出处理等技术细节较敏感,任何环节脱离实际都可能导致结果有偏。
模型方法方面。已有研究大多先验地使用相关模型,而忽略适宜性检验。事实上,导向、径向和规模报酬变化规律等假设的选择对评估结果有显著影响[5],一般需依据理论与情境进行检验。例如,按导向划分,DEA主要分为投入导向(input orientation)和产出导向(output orientation)模型,分别对应投入最小化和产出最大化假设。旅游业及其部门大多面临激烈的市场竞争环境,一般宜采用产出导向模型。按投入和产出的比例变化关系划分,DEA包括径向(radial)和非径向(non radial)模型,分别对应投入与产出等比例和非等比例变化假设。然而已有研究大多孤立地采用径向或非径向假设测度旅游效率,忽视了不同生产要素间投入和产出的比例变化关系可能存在的差异。因此,需依据旅游研究情境开发兼顾径向和非径向假设的评估模型(如混合劳动力径向和资本非径向假设的DEA模型[32])。按规模报酬变化规律划分,DEA可分规模报酬不变(constant returns to scale,CRS)和规模报酬可变(variable returns to scale,VRS)模型。由于CRS模型假设所有DMU均在最佳规模下运营,一般仅适用于完全竞争市场或垄断市场,这明显脱离了旅游产业的实际,而VRS模型则相对宽松和接近现实,还可进一步分解技术效率[33]。因此,一般优先采用VRS模型。
随着DEA评估技术的不断发展,已有研究引入更先进的SBM—DEA、Metafrontier—DEA、Network—DEA、Super—DEA和Bootstrap—DEA等模型,提升了旅游效率评估的科学性、精准性和适配性。其中,基于非导向、非径向假设的SBM—DEA模型同时允许投入最小化和产出最大化,并考虑投入产出的松弛问题[34],克服了传统DEA模型(如BCC、CRR模型)导向和径向假设可能背离现实的问题。Metafrontier—DEA模型通过构造共同前沿,考虑不同旅游DMU(如规模、行业、所有权和地理位置)技术前沿的异质性问题[24, 35],纠正了传统模型可能存在的估计偏差。Network—DEA模型关注旅游企业、行业和目的地发展的多进程及其交互特性,克服了单进程模型遗漏旅游生产过程中共享的投入和中间投入/产出的缺陷[25]。Super—DEA模型通过进一步比较效率值同为有效1的DMU[31],提升了旅游效率测算结果的精准度。考虑到旅游数据极易受噪音和测量误差的影响,Bootstrap—DEA模型基于重复抽样(bootstrap)技术测度旅游效率[36],克服了传统模型无法提供假设检验和效率值统计特征的缺点。
指标遴选方面。已有研究大多基于数据而非理论驱动选择投入产出指标,甚至在特定旅游部门中也未达成共识[5],同时常常忽略DEA方法在遴选指标方面的基本技术规则,易导致结果出现较大偏差。一般而言,为符合模型运算要求并提升结果稳健性,需遵循以下3个技术规则。首先,确保某一投入指标至少与一个产出指标有相关性,以满足模型基本使用条件[37]。其次,确保各投入、各产出指标的独立性,避免提供重复信息。当投入(或产出)指标间高度正相关时(r ≥ 0.75),仅保留其中离差值较高的指标[8]。最后,确保DMU数量大于投入与产出指标和的2倍[38],甚至3倍[39]。
非期望产出处理方面。旅游生产和服务过程中不可避免地产生非期望产出,甚至社会与文化方面的负面影响,常见的有环境退化[8]、旅游废弃物排放[29]、航班延误[40]、顾客投诉和抱怨[41]等。旅游经营管理主体可通过降低服务质量、放任环境退化和污染物排放,来达到削减成本并提高经济绩效的目的,此时在评估中若忽略非期望产出将出现高估效率值的偏差。因此,全面、公正的旅游效率测度应同时包含期望与非期望产出。一般而言,非期望产出的处理方法有4种,分别为非期望产出作为投入法(通过影子价格转换)、数据转换函数处理法(将非期望产出转换为期望产出)、方向性距离函数法和非线性模型处理法[42],其中以后2类方法为宜。
3.2.2 随机前沿分析法随机前沿分析(stochastic frontier analysis,SFA)最早由Aigner等[43],Meeusen和Van Den Broeck[44]同时引入,是一种基于统计技术评估DMU相对效率的参数化方法。与DEA方法相比,SFA有2个方面的技术优势。其一,在模型拟合和参数检验方面有完善的统计学支撑,克服了非参数DEA方法的局限;其二,将偏离有效前沿面细分为随机误差(白噪声)和无效率,改进了DEA方法将其笼统地视为无效率的偏差。一般而言,SFA方法的测度结果稍高于DEA,且更精准稳健[45]。基于此,近年来旅游效率评估研究逐渐从DEA方法转向SFA方法。相关研究基于不同案例、模型方法和投入产出指标测度旅游企业、行业及目的地效率,并取得丰富成果(表 2)[46-52]。
目前基于SFA方法的旅游效率评估研究大多仍停留在基础应用层面,对无效项假设、函数类型、方程形式、指标选取等技术规则的反思和扩展模型的运用稍显不足。其中,无效项假设、函数类型和方程形式一般需事先人为指定,若偏离实际可能导致结果有偏。
无效项假设方面。无效项有半正态、指数、截断和伽马等4种分布假设。已有研究大多先验地假设无效项服从简单的半正态[42]或指数[53]分布,但局限是可能高估效率值,同时伽马分布也因不准确而受到质疑[5]。一般而言,不同分布假设下效率测度结果存在差异,但对DMU效率排序影响较小。一个可能的改进方向是综合运用多种分布假设,检验结果的稳健性[54]。
函数类型方面。SFA生产函数包括随机成本、收益和利润函数3类[55],旅游研究中以前者较为多见。事实上,利润函数综合了成本和收益2个方面来评估技术效率,成本最小化和收益最大化共同构成利润函数利润最大化假设的必要条件,而其他2类函数则局限于其中一个方面。因此,利润函数比成本、收益函数的使用条件更严格,且更利于精确表征旅游效率改进空间。有研究指出,基于利润函数的SFA模型测度酒店效率能够涵盖服务质量因素,并且兼顾了提供优质服务可能产生的额外成本和收益[23]。
方程形式方面。生产函数主要包括科布—道格拉斯(cobb-douglas)和超越对数(translog)2种形式。translog函数包含二次项和交互项,是一种更宽松、更灵活的函数形式,并有助于表征旅游投入与产出关系的非线性特征[53]。因此,旅游研究中以translog函数较多见。但需注意的是,在观测值不服从正态分布时,使用translog函数可能导致效率测度结果有偏[52],一般可借助似然比(likelihood ratio)统计量和拟合优度指数(goodness-of-fit indexes)检验方程的适配性。此外,有研究还建议引入包含正交三角项的傅里叶(fourier)柔性函数,以提升前沿灵活性、模型拟合度和结果稳健性[5]。
指标遴选方面。已有研究中,产出指标一般反映旅游企业、行业和目的地的经营与发展目标,如游客数、总收入、总利润、入住率、客房出租数等,投入指标则是实现以上目标所需的资源,包括劳动、资本和费用等。但由于SFA方法的效率测度结果对指标选取较敏感[51],未来还需更全面、更细致的遴选指标。例如,关注市场份额、服务质量、目的地质量、顾客/游客满意度等质量或利益相关者方面的指标[48, 56, 57],将非期望产出细分为可控(如航空公司的顾客抱怨)与不可控(天气因素导致的航班延误)2类[42]。需注意的是,虽然SFA方法既可以处理单个产出,也可使用距离函数处理多个产出,但复杂的估计过程使其难以处理较多的投入指标,否则在样本较小、投入为共线性的情况下可能导致结果偏误[57]。此外,研究中易忽略参数化SFA方法常面临的投入指标的内生性问题[51],引入投入指标的价格和滞后项等工具变量或是未来改进的方向之一。
模型扩展方面。随着SFA方法的快速发展,动态性(dynamic)、异质性(heterogeneity)和贝叶斯(bayesian)等模型[9]不断涌现,为旅游效率测度提供了更精准、更灵活的方法。其中,Dynamic模型遵循无效项随时间变化的动态框架,克服了传统静态模型与旅游业快速发展变化的实际不相符造成的偏误[47]。Heterogeneity模型则关注到不同规模、行业、所有权和地理位置的DMU的技术前沿差异,纠正了传统模型默认其具有共同的技术前沿的错误假设[51]。此外,SFA模型估计技术主要包括最大似然(maximum likelihood,ML)、广义矩(generalized method of moments,GMM)和Bayesian估计。旅游研究中以ML估计较为多见,但当处理高度非线性的复杂模型时,能灵活设定无效率项函数形式的Bayesian估计优于基于频率的ML估计[51]。
3.3 生产率评估法生产率(productivity)是经济学的经典研究议题,常用产出量与投入量之比表示[58],并被视为最全面、最可靠和最具可比性的绩效评估指标之一[59]。尽管被列入UNWTO的研究议程,但相比于技术效率,旅游生产率评估仍未得到充分关注[59],甚至存在混淆技术效率与生产率的现象[56]。事实上,技术效率和生产率是2个不同的绩效衡量指标,并有各自的理论解释与政策含义。其中,技术效率旨在测度DMU相对于现有技术前沿的相对绩效,而生产率衡量技术前沿随着时间推移而发生的变化[60]。换句话说,技术效率只是生产率增长的驱动因素之一,生产率增长还受到技术创新、规模效应和产出增长等其他因素的驱动[59]。
旅游生产率评估主要包括单要素和多要素2个视角。早期研究大多基于单要素视角,并以劳动生产率为主[61, 62]。但单要素分析视角难以全面评估旅游生产率,片面的评估结果甚至可能误导政策制定与实施[63]。随着生产率评估技术的发展,多要素视角的研究逐渐占据主流,相关研究采用不同案例、模型方法和投入产出指标评估旅游企业、行业与目的地生产率(表 3)[23, 41, 55, 64-67]。
遴选合适的指标及其测度与评估方法是旅游生产率评估研究的关键问题[63]。指标遴选和测度方面,旅游生产要素投入不仅包括劳动力、物质资本等通用要素,还涉及旅游资源、自然资本甚至服务文化等有形与无形要素[4]。其中,劳动力投入通常以员工人数、劳动时间等数量指标表示,并以前者较多见。但一方面,这些数量指标忽略了劳动力技能、经验和受教育程度的差异;另一方面,现有统计口径遗漏了大量旅游业非正规就业者。鉴于此,采用工资成本指标或加权赋分法兼顾劳动力数量与质量特征,并通过实地调查获取旅游非正规就业者比例数据或可改进这一局限。物质资本投入涵盖材料、建筑和机器设备等,通常采用永续盘存法核算,当数据可得性不佳时也可使用床位数、客房数、设施数、楼层面积等替代性指标[68]。旅游资源投入大多使用数量指标表征,但容易忽略质量差异,未来可考虑将资源等级、评定批次作为权重进行计算。自然资源消耗和环境损耗在类型、量纲和方向上具有较大差异,一般利用足迹、能值和物质流等分析方法进行归并与核算。此外,旅游总产值、总收入和增加值等常被视为旅游产出指标,但忽略了旅游业中普遍存在的中间产品和服务,可能会出现高估生产率的偏差,未来需针对特定旅游部门进行生产率评估,以提升结果的精准性和可比性。
评估方法方面。主要借助索洛残差法、Malmquist生产率指数和Luenberger生产率指数评估旅游生产率,不同方法在理论基础、优劣势与适用性上存在差异。索洛残差法又称增长核算法,通常采用生产函数进行估计,并将除去资本和劳动力投入增长导致的产出增长,即技术进步率视为生产率[69]。其优势是能够识别生产要素和技术进步对经济增长的贡献,并对样本规模不敏感,但局限是假设约束条件较强,同时对函数形式和投入指标的共线性问题较敏感[70]。与索洛残差法和技术效率评估法的静态评估理念不同,Malmquist和Luenberger指数旨在揭示生产率的动态变化,并将其分解为技术效率变化和技术进步,其中技术效率变化又可进一步分解为纯技术效率变化和规模效率变化,更细致地揭示了生产率的动态变化规律[55, 71]。其中,Luenberger生产率指数是Malmquist指数的概括形式,经验结果表明,Luenberger生产率指数具有2个方面的优势。首先,基于距离函数的Malmquist指数大多囿于径向和导向假设,也无法处理非期望产出,而基于方向性距离函数的Luenberger指数不受此限制;其次,Luenberger指数估计结果更加精准,而Malmquist指数估计值偏高[72]。
3.4 竞争力评估法竞争力(competitiveness)的概念发源于战略管理领域,被引入旅游研究始于20世纪90年代对钻石模型的应用[73]。因此,早期旅游竞争力评估研究主要关注旅游企业和行业层面,但得益于相关评估技术在处理复杂系统方面的优势,近年来在目的地层面得以快速推广,主要关注目的地竞争力的概念体系、评估指标和评估方法等3个方面[74]。
概念体系方面。目的地竞争力具有复杂、多维和动态属性[75],尚无被普遍认可的精准定义。其中,较具代表性的为“实现自然资本保值与增值的同时,提升游客吸引力、旅游消费、体验质量和居民福祉的能力” [76]。需注意的是,目的地竞争力是一个宏大概念,有研究从技术效率和生产率的角度评估目的地竞争力,混淆了三者的基本内涵。事实上,技术效率和生产率只是竞争力的主要驱动力,并不能等同[77]。
评估指标方面。目的地竞争力是由资源、经济、社会、政治、文化和生态环境变量决定的多维概念,难以直接测量。早期研究主要从吸引力、供求关系、宏观经济等视角评估,常用指标包括价格、汇率、生产率、游客数、过夜人次、资源禀赋、市场份额、行业发展、经济环境、旅游政策和目的地管理等[78]。其中较具影响力的有世界经济论坛提出的“旅行及观光竞争力指数”,该指数由4个子指数(subindex)、14个支柱(pillar)和90个指标构成,被应用于评估140个国家/经济体的旅游竞争力[79]。但缺陷是指标主观赋权、局限于国家尺度的目的地和未考虑国家规模、发展水平的差异。近年来,可持续性[80]和智慧目的地[81]的理念被引入竞争力评价体系,主要涵盖自然资本、环境影响、文化管理、社区福祉(如居民生活质量、满意度)、信息和通信技术等维度,有力地拓展了指标范围。
评估方法方面。通过收集游客、居民及其他利益相关者的一手微观调查数据和二手宏观统计数据,已有研究采用主成分分析法[82]、层次分析法[83]、逼近理想解排序法[84]和重要性—绩效分析法[85]评估目的地竞争力,丰富了研究内容。但不同方法的基本原理、技术特点和适用性存在差异,一般需结合旅游研究情境与目的遴选(表 4)。
目的地竞争力评估过程中,一般需关注4个技术问题:一是构建既全面又包含关键指标的评估体系。由于目的地竞争力尚未形成普遍认可的精准定义,同时竞争力指标存在多层结构和相互作用关系[88]。为提高评估结果的精确性,需基于一定的理论框架(如比较优势理论、贸易理论、可持续框架),而不是数据驱动来构建评估体系,并避免指标与竞争力的弱相关偏差问题[89]。二是遵循缺失值处理、指标赋权、稳健性检验等技术流程和规范[88]。这直接关系到评估结果的可靠性,其中在赋权方面需关注不同指标与竞争力的相关性和重要性上的差异,并逐渐从主观赋权向客观赋权转变。三是提高评估结果的针对性和可比性。如精细化评估不同季节、地理位置、经济体体量和发展阶段条件下,甚至针对特定客源市场的目的地竞争力[90]。四是获得及时、可靠的高质量数据。虽然大多数发达国家和经济体提供了可靠的数据,但欠发达地区在这方面仍存在较大缺陷。
4 研究启示尽管国外旅游绩效评估方法研究已取得积极的进展,但从夯实研究基础、优化技术路线和推广结果应用的角度看,未来旅游绩效评估及其方法研究还应关注以下重点方向。
4.1 厘清概念内涵,建立评估框架厘清概念内涵,建立评估框架是旅游绩效评估研究的基石。随着学科的交融和旅游商业实践的发展,旅游绩效评估对象、视角和方法日趋多元。但由于未能厘清各类评估视角与方法的理论基础和逻辑关系,已有研究在一定程度上存在泛化,甚至混淆传统绩效、技术效率、生产率、竞争力等方法的理论内涵及适用范围的现象。
从理论基础、逻辑关系、评估主题和适用对象看。传统绩效、技术效率与生产率等3类评估方法横向关联、互为补充,在评估理念、技术、主题和对象上各有侧重。其中传统绩效评估法主要基于财务会计、战略管理领域的指标和工具,评估与调控旅游企业、行业的财务和组织绩效(侧重管理绩效方面)。技术效率和生产率评估法发轫于经济学,旨在评估旅游企业、行业和目的地经济绩效(侧重经济绩效方面),并逐渐在传统生产要素的基础上重视资源、环境和社会方面的因素。二者的差别在于,前者基于前沿理论测度DMU相对于现有技术前沿的相对绩效,而后者基于增长理论衡量技术前沿随时间推移而发生的变化。因此,生产率的改善不仅来源于技术效率的提升,还受到技术创新、规模效应和产出增长等因素的共同作用。而竞争力评估法起源于战略管理领域,随后扩展至评价旅游企业、行业和目的地的单维管理(财务、营销、组织、扶贫、政策)或经济绩效,但得益于相关评估技术在处理复杂系统方面的优势,目前已更多用于评估包含多维内涵的目的地综合绩效,尤其是可持续绩效。其中,传统绩效指标、技术效率和生产率均构成竞争力评估的关键指标,也是提升竞争力的重要驱动力。因此,竞争力评估法与前3类方法间存在纵向递进关系。基于此,未来研究应基于“传统绩效—技术效率—生产率—竞争力”的概念框架(图 1),针对性地评估和调控旅游企业、行业与目的地绩效。
优化评估技术,提升理论贡献是旅游绩效评估研究的路径。在厘清概念内涵,建立评估框架的基础上,提升旅游绩效评估的科学性、精准性和理论贡献是未来研究的重点与难点。一般可从提高数据质量、优化遴选指标和扩展模型方法等3个方面予以突破。数据获取方面。基于截面数据的旅游绩效评估具有静态局限,而获取及时、可靠的高质量动态面板数据,有利于揭示和调控旅游绩效过程,并消除影响因素分析阶段可能存在的多重共线性问题,从而提高模型估计的准确性。指标遴选方面。针对不同评估对象,应基于理论而不是数据导向构建评价体系,重点关注研究思潮的社会、文化、生态转向和兼顾指标的属性、数量、质量特征,提升旅游绩效评估的理论贡献。具体可从自然资本、游客/顾客/员工满意度/抱怨、服务质量、居民生活质量、目的地质量、废弃物排放、环境退化和社会文化方面的负面影响等方面遴选。模型选取方面。一般应严格遵循模型方法的基本技术规则,规避技术陷阱,并检验前提假设、函数类型、方程形式、估计技术在旅游研究情境下的适配性,同时探索引入更灵活、更稳健的扩展模型,提高评估结果的科学性。
深化研究内容,关照绩效应用是旅游绩效评估研究的旨归。虽然已有研究逐渐从旅游绩效评估深入至绩效驱动因素和格局过程,但对绩效应用的关照仍显不足,使得绩效评估与管理、应用相脱节。未来应重点关注全球化、技术变革、可持续发展背景下的旅游绩效评估及其应用研究,强调绩效评估与微观企业治理、战略、创新、人力资本和组织环境的契合,并与宏观层面的竞合关系、产业集群、地理区位、经济发展、交通可达性、目的地政策与管理相衔接,在内外部因素及其交互作用中“解构”绩效评估,从而提升实践价值。在中国情境下,还应重视旅游绩效的空间收敛现象,这是破解中国旅游业“不平衡、不充分”发展的钥匙。
[1] |
习近平. 决胜全面建成小康社会夺取新时代中国特色社会主义伟大胜利[R]. 北京: 人民出版社, 2017: 9. [Xi Jinping. Secure a Decisive Victory in Building a Moderately Prosperous Society in All Respects and Strive for the Great Success of Socialism with Chinese Characteristics for a New Era[R]. Beijing: People's Publishing House, 2017: 9.]
|
[2] |
左冰, 保继刚. 1992-2005年中国旅游业全要素生产率及省际差异[J]. 地理学报, 2008, 63(4): 417-427. [Zuo Bing, Bao Jigang. Tourism total factor productivity and its regional variation in China from 1992 to 2005[J]. Acta Geographica Sinica, 2008, 63(4): 417-427. DOI:10.3321/j.issn:0375-5444.2008.04.011] |
[3] |
查建平. 低碳经济视角下中国旅游经济发展模式研究[J]. 旅游学刊, 2015, 30(11): 63-73. [Zha Jianping. A model of tourism economic development of China from a low-carbon economy perspective[J]. Tourism Tribune, 2015, 30(11): 63-73. DOI:10.3969/j.issn.1002-5006.2015.11.011] |
[4] |
Sainaghi R, Phillips P, Zavarrone E. Performance measurement in tourism firms: A content analytical meta-approach[J]. Tourism Management, 2017, 59: 36-56. DOI:10.1016/j.tourman.2016.07.002 |
[5] |
Assaf A G, Josiassen A. Frontier analysis: A state-of-the-art review and meta-analysis[J]. Journal of Travel Research, 2016, 55(5): 612-627. DOI:10.1177/0047287515569776 |
[6] |
Mihalič T. Performance of environmental resources of a tourist destination[J]. Journal of Travel Research, 2013, 52(5): 614-630. DOI:10.1177/0047287513478505 |
[7] |
Camisón C, Forés B. Is tourism firm competitiveness driven by different internal or external specific factors?: New empirical evidence from Spain[J]. Tourism Management, 2015, 48: 477-499. DOI:10.1016/j.tourman.2015.01.001 |
[8] |
Huang Y T, Coelho V R. Sustainability performance assessment focusing on coral reef protection by the tourism industry in the Coral Triangle region[J]. Tourism Management, 2017, 59: 510-527. DOI:10.1016/j.tourman.2016.09.008 |
[9] |
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. DOI:10.1016/j.annals.2019.04.010 |
[10] |
Yang Z S, Xia L, Cheng Z. Performance of Chinese hotel segment markets: Efficiencies measure based on both endogenous and exogenous factors[J]. Journal of Hospitality and Tourism Management, 2017, 32: 12-23. DOI:10.1016/j.jhtm.2017.04.007 |
[11] |
Köksal C D, Aksu A A. Efficiency evaluation of a group travel agencies with data envelopment analysis (DEA): A case study in the Antalya region, Turkey[J]. Tourism Management, 2007, 28(3): 830-834. DOI:10.1016/j.tourman.2006.05.013 |
[12] |
Sainaghi R, Phillips P, Corti V. Measuring hotel performance: Using a balanced scorecard perspectives' approach[J]. International Journal of Hospitality Management, 2013, 34(1): 150-159. |
[13] |
Pestana B C, Laurent B, Nicolas P, et al. Performance of French destinations: Tourism attraction perspectives[J]. Tourism Management, 2011, 32(1): 141-146. DOI:10.1016/j.tourman.2010.01.015 |
[14] |
Chen F H, Hsu T S, Tzeng G. H. A balanced scorecard approach to establish a performance evaluation and relationship model for hot spring hotels based on a hybrid MCDM model combining DEMATEL and ANP[J]. International Journal of Hospitality Management, 2011, 30(4): 908-932. DOI:10.1016/j.ijhm.2011.02.001 |
[15] |
Cheng H, Lu Y C, Chung J T. Improved slack-based context-dependent DEA: A study of international tourist hotels in Taiwan[J]. Expert Systems with Applications, 2010, 37(9): 6452-6458. DOI:10.1016/j.eswa.2010.02.142 |
[16] |
Lepp A. Residents' attitudes towards tourism in Bigodi village, Uganda[J]. Tourism Management, 2007, 28(3): 876-885. DOI:10.1016/j.tourman.2006.03.004 |
[17] |
Gascón J. Pro-poor tourism as a strategy to fight rural poverty: A critique[J]. Journal of Agrarian Change, 2015, 15(4): 499-518. DOI:10.1111/joac.12087 |
[18] |
Qin D Z, Xu H, Chung Y. Perceived impacts of the poverty alleviation tourism policy on the poor in China[J]. Journal of Hospitality and Tourism Management, 2019, 41: 41-50. DOI:10.1016/j.jhtm.2019.09.004 |
[19] |
Deng T T, Hu Y K, Ma M L. Regional policy and tourism: A quasinatural experiment[J]. Annals of Tourism Research, 2019, 74: 1-16. DOI:10.1016/j.annals.2018.10.001 |
[20] |
Liou J L, Hsu P C, Wu P I. The effect of China's open-door tourism policy on Taiwan: Promoting or suppressing tourism from other countries to Taiwan?[J]. Tourism Management, 2020, 78: 104055. DOI:10.1016/j.tourman.2019.104055 |
[21] |
Bornhorst T, Ritchie J R B, Sheehan L. Determinants of tourism success for DMOs & destinations: An empirical examination of stakeholders' perspectives[J]. Tourism Management, 2010, 31(5): 572-589. DOI:10.1016/j.tourman.2009.06.008 |
[22] |
Charnes A, Cooper W W, Rhodes E. Measuring the efficiency of decision making units[J]. European Journal of Operations Research, 1978, 2(6): 429-444. DOI:10.1016/0377-2217(78)90138-8 |
[23] |
Walheer B, Zhang L. Profit luenberger and malmquist-luenberger indexes for multi-activity decision-making units: The case of the star-rated hotel industry in China[J]. Tourism Management, 2018, 69: 1-11. DOI:10.1016/j.tourman.2018.05.003 |
[24] |
Assaf A, Barros C P, Josiassen A. Hotel efficiency: A bootstrapped metafrontier approach[J]. International Journal of Hospitality Management, 2010, 29(3): 468-475. DOI:10.1016/j.ijhm.2009.10.020 |
[25] |
Hsieh L F, Lin L H. A performance evaluation model for international tourist hotels in Taiwan: An application of the relational network DEA[J]. International Journal of Hospitality Management, 2010, 29(1): 14-24. DOI:10.1016/j.ijhm.2009.04.004 |
[26] |
Assaf A G, Deery M, Jago L. Evaluating the performance and scale characteristics of the Australian restaurant industry[J]. Journal of Hospitality & Tourism Research, 2011, 35(4): 419-436. |
[27] |
Martini G, Manello A, Scotti D. The influence of fleet mix, ownership and LCCs on airports' technical/environmental efficiency[J]. Transportation Research Part E, 2013, 50(1): 37-52. |
[28] |
Oukil A, Channouf N, Al-Zaidi A. Performance evaluation of the hotel industry in an emerging tourism destination: The case of Oman[J]. Journal of Hospitality and Tourism Management, 2016, 29: 60-68. DOI:10.1016/j.jhtm.2016.05.003 |
[29] |
Peng H S, Zhang J H, Lu L, et al. Eco-efficiency and its determinants at a tourism destination: A case study of Huangshan national park, China[J]. Tourism Management, 2017, 60: 201-211. DOI:10.1016/j.tourman.2016.12.005 |
[30] |
Huang C W, Chen H Y, Ting C T. Using a network data envelopment analysis model to assess the efficiency and effectiveness of cultural tourism promotion in Taiwan[J]. Journal of Travel & Tourism Marketing, 2017, 34(9): 1274-1284. |
[31] |
Chaabouni S. China's regional tourism efficiency: A two-stage double bootstrap data envelopment analysis[J]. Journal of Destination Marketing & Management, 2019, 11: 183-191. |
[32] |
Huang C W. Assessing the performance of tourism supply chains by using the hybrid network data envelopment analysis model[J]. Tourism Management, 2018, 65: 303-316. DOI:10.1016/j.tourman.2017.10.013 |
[33] |
Liu A Y, Wu D C. Tourism productivity and economic growth[J]. Annals of Tourism Research, 2019, 76: 253-265. DOI:10.1016/j.annals.2019.04.005 |
[34] |
Chiu C N. How can managerial efficiency be improved? Evidence from the bed and breakfast industry[J]. Tourism Management Perspectives, 2018, 27: 111-124. DOI:10.1016/j.tmp.2018.06.002 |
[35] |
Corne A. Benchmarking and tourism efficiency in France[J]. Tourism Management, 2015, 51: 91-95. DOI:10.1016/j.tourman.2015.05.006 |
[36] |
Sellers-Rubio R, Casado-Díaz A B. Analyzing hotel efficiency from a regional perspective: The role of environmental determinants[J]. International Journal of Hospitality Management, 2018, 75: 75-85. DOI:10.1016/j.ijhm.2018.03.015 |
[37] |
Assaf A G, Barros C. Performance analysis of the Gulf hotel industry: A Malmquist index with bias correction[J]. International Journal of Hospitality Management, 2011, 30(4): 819-826. DOI:10.1016/j.ijhm.2011.01.002 |
[38] |
Nooreha H, Mokhtar A, Suresh K. Evaluating public sector efficiency with data envelopment analysis (DEA): A case study in road transport department, Selangor, Malaysia[J]. Total Quality Management, 2000, 11(4/6): 830-836. |
[39] |
Raab R L, Lichty R W. Identifying sub-areas that comprise a greater metropolitain area: The criterion of county relative efficiency[J]. Journal of Regional Science, 2002, 42: 579-594. DOI:10.1111/1467-9787.00273 |
[40] |
Assaf A G, Gillen D, Tsionas E G. Understanding relative efficiency among airports: A general dynamic model for distinguishing technical and allocative efficiency[J]. Transportation Research Part B, 2014, 70: 18-34. DOI:10.1016/j.trb.2014.07.004 |
[41] |
Assaf A G, Cvelbar L K. Why negative outputs are often ignored: A comprehensive measure of hotel performance[J]. Tourism Economics, 2015, 21(4): 761-773. DOI:10.5367/te.2014.0386 |
[42] |
Assaf A G, Tsionas M G, Gillen D. Measuring firm performance: Differentiating between uncontrollable and controllable bad outputs[J]. Tourism Management, 2020, 80: 104107. DOI:10.1016/j.tourman.2020.104107 |
[43] |
Aigner D, Lovell C K, Schmidt P. Formulation and estimation of stochastic frontier production function models[J]. Journal of Econometrics, 1977, 6(1): 21-37. DOI:10.1016/0304-4076(77)90052-5 |
[44] |
Meeusen W, van Den Broeck J. Efficiency estimation from CobbDouglas production functions with composed error[J]. International Economic Review, 1977, 18(2): 435-444. DOI:10.2307/2525757 |
[45] |
Hu J L, Chiu C N, Shieh H S, et al. A stochastic cost efficiency analysis of international tourist hotels in Taiwan[J]. International Journal of Hospitality Management, 2010, 29(1): 99-107. DOI:10.1016/j.ijhm.2009.06.005 |
[46] |
Assaf A G. Benchmarking the Asia Pacific tourism industry: A Bayesian combination of DEA and stochastic frontier[J]. Tourism Management, 2012, 33(5): 1122-1127. DOI:10.1016/j.tourman.2011.11.021 |
[47] |
Tsionas E G, Assaf A G. Short-run and long-run performance: Evidence from Bayesian dynamic models[J]. Tourism Management, 2014, 42: 22-36. DOI:10.1016/j.tourman.2013.08.003 |
[48] |
Assaf A G, Tsionas E G. Incorporating destination quality into the measurement of tourism performance: A bayesian approach[J]. Tourism Management, 2015, 49: 58-71. DOI:10.1016/j.tourman.2015.02.003 |
[49] |
Arbelo A, Pérez-Gómez P, Arbelo-Pérez M. Estimating efficiency and its determinants in the hotel sector using a profit function[J]. Current Issues in Tourism, 2017, 21(8): 863-876. |
[50] |
Arbelo-Pérez M, Arbelo A, Pérez-Gómez P. Impact of quality on estimations of hotel efficiency[J]. Tourism Management, 2017, 61: 200-208. DOI:10.1016/j.tourman.2017.02.011 |
[51] |
Assaf A G, Tsionas M. Measuring hotel performance: Toward more rigorous evidence in both scope and methods[J]. Tourism Management, 2018, 69: 69-87. DOI:10.1016/j.tourman.2018.05.008 |
[52] |
Chatzimichael K, Liasidou S. A parametric decomposition of hotelsector productivity growth[J]. International Journal of Hospitality Management, 2019, 76: 206-215. DOI:10.1016/j.ijhm.2018.05.010 |
[53] |
Yang Y, Cao Y, Yang L T. Product diversification and property performance in the urban lodging market: The relationship and its moderators[J]. Tourism Management, 2017, 59: 363-375. DOI:10.1016/j.tourman.2016.08.018 |
[54] |
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. DOI:10.1016/S0278-4319(98)00046-2 |
[55] |
Peypoch N, Sbai S. Productivity growth and biased technological change: The case of Moroccan hotels[J]. International Journal of Hospitality Management, 2011, 30(1): 136-140. DOI:10.1016/j.ijhm.2010.04.005 |
[56] |
Reynolds D, Biel D. Incorporating satisfaction measures into a restaurant productivity index[J]. International Journal of Hospitality Management, 2007, 26(2): 352-361. DOI:10.1016/j.ijhm.2006.01.003 |
[57] |
Assaf A G, Magnini V. Accounting for customer satisfaction in measuring hotel efficiency: Evidence from the US hotel industry[J]. International Journal of Hospitality Management, 2012, 31(3): 642-647. DOI:10.1016/j.ijhm.2011.08.008 |
[58] |
OE CD. Measuring Productivity: Measurement of Aggregate and Industry-level Productivity Growth[J]. Paris: OECD Publishing, 2001, 3. |
[59] |
Assaf A G, Tsionas M. The estimation and decomposition of tourism productivity[J]. Tourism Management, 2018, 65: 131-142. DOI:10.1016/j.tourman.2017.09.004 |
[60] |
Cummins J D, Xie X. Efficiency, productivity, and scale economies in the US property-liability insurance industry[J]. Journal of Productivity Analysis, 2013, 39(2): 141-164. DOI:10.1007/s11123-012-0302-2 |
[61] |
Hong W, Kirk D. The assessment of labour productivity and its influencing variables in 12 conventional hospital food service systems in the U.K.[J]. International Journal of Hospitality Management, 1995, 14(1): 53-66. DOI:10.1016/0278-4319(95)00005-W |
[62] |
Kim H S, Jang S. Minimum wage increase and firm productivity: Evidence from the restaurant industry[J]. Tourism Management, 2019, 71: 378-388. DOI:10.1016/j.tourman.2018.10.029 |
[63] |
Joppe M, Li X P. Productivity measurement in tourism the need for better tools[J]. Journal of Travel Research, 2016, 55(2): 139-149. DOI:10.1177/0047287514546227 |
[64] |
Goncalves O. Efficiency and productivity of French ski resorts[J]. Tourism Management, 2013, 36: 650-657. DOI:10.1016/j.tourman.2012.06.008 |
[65] |
Sun J R, Zhang J, Zhang J H, et al. Total factor productivity assessment of tourism industry: Evidence from China[J]. Asia Pacific Journal of Tourism Research, 2015, 20(3): 280-294. DOI:10.1080/10941665.2013.877047 |
[66] |
Tzeremes N G. Hotel productivity: A robust Luenberger productivity indicator[J]. Tourism Economics, 2019, 25(6): 987-996. DOI:10.1177/1354816618821271 |
[67] |
Kularatne T, Wilson C, Månsson J, et al. Do environmentally sustainable practices make hotels more efficient? A study of major hotels in Sri Lanka[J]. Tourism Management, 2019, 71: 213-225. DOI:10.1016/j.tourman.2018.09.009 |
[68] |
Wang S N, Chang T Y. Using data envelopment analysis to measure hotel managerial efficiency change in Taiwan[J]. Tourism Management, 2003, 24(4): 357-369. DOI:10.1016/S0261-5177(02)00112-7 |
[69] |
Solow R M. Technical change and the aggregate production function[J]. The Review of Economics and Statistics, 1957, 39(3): 312-320. DOI:10.2307/1926047 |
[70] |
Singh A P, Sharma C. Does selection of productivity estimation techniques matter? Comparative analysis of advanced productivity estimation techniques[J]. Indian Growth and Development Review, 2020, 13(1): 125-154. |
[71] |
Barros C P. Evaluating the efficiency of a small hotel chain with a Malmquist productivity index[J]. International Journal of Tourism Research, 2005, 7(3): 173-184. DOI:10.1002/jtr.529 |
[72] |
Boussemart J P, Briec W, Kerstens K, et al. Luenberger and Malmquist productivity indices: Theoretical comparisons and empirical illustration[J]. Bulletin of Economic Research, 2003, 55(4): 391-405. DOI:10.1111/1467-8586.00183 |
[73] |
Crouch G I, Ritchie J R B. Tourism, competitiveness, and societal prosperity[J]. Journal of Business Research, 1999, 44(3): 137-152. DOI:10.1016/S0148-2963(97)00196-3 |
[74] |
Abreu Novais M, Ruhanen L, Arcodia C. Destination competitiveness: A phenomenographic study[J]. Tourism Management, 2018, 64: 324-334. DOI:10.1016/j.tourman.2017.08.014 |
[75] |
Crouch G I. Destination competitiveness: An analysis of determinant attributes[J]. Journal of Travel Research, 2011, 50(1): 27-45. DOI:10.1177/0047287510362776 |
[76] |
Gómez-Vega M, Picazo-Tadeo A J. Ranking world tourist destinations with a composite indicator of competitiveness: To weigh or not to weigh?[J]. Tourism Management, 2019, 72: 281-291. DOI:10.1016/j.tourman.2018.11.006 |
[77] |
Cvelbar L K, Dwyer L, Koman M, et al. Drivers of destination competitiveness in tourism a global investigation[J]. Journal of Travel Research, 2016, 55(8): 1041-1050. DOI:10.1177/0047287515617299 |
[78] |
Dwyer L, Forsyth P, Rao P. The price competitiveness of travel and tourism: A comparison of 19 destinations[J]. Tourism Management, 2000, 21(1): 9-22. DOI:10.1016/S0261-5177(99)00081-3 |
[79] |
World Economic Forum. The Travel & Tourism Competitiveness Report 2019:Travel and Tourism at A Tipping Point[J]. Geneva: WEF, 2019, 59. |
[80] |
Uysal M, Sirgy M J. Quality-of-life indicators as performance measures[J]. Annals of Tourism Research, 2019, 76: 291-300. DOI:10.1016/j.annals.2018.12.016 |
[81] |
Cronjé D F, du Plessis E. A review on tourism destination competitiveness[J]. Journal of Hospitality and Tourism Management, 2020, 45: 256-265. DOI:10.1016/j.jhtm.2020.06.012 |
[82] |
Natalia P, Clara R A, Simon D, et al. Critical elements in accessible tourism for destination competitiveness and comparison: Principal component analysis from Oceania and South America[J]. Tourism Management, 2019, 75: 169-185. DOI:10.1016/j.tourman.2019.04.012 |
[83] |
Zhou Y H, Maumbe K, Deng J Y, et al. Resource-based destination competitiveness evaluation using a hybrid analytic hierarchy process (AHP): The case study of West Virginia[J]. Tourism Management Perspectives, 2015, 15: 72-80. DOI:10.1016/j.tmp.2015.03.007 |
[84] |
Zhang H, Gu C L, Gu L W, et al. The evaluation of tourism destination competitiveness by Topsis & information entropy: A case in the Yangtze River Delta of China[J]. Tourism Management, 2011, 32(2): 443-451. DOI:10.1016/j.tourman.2010.02.007 |
[85] |
Albayrak T, Caber M, Rosario González-Rodríguez M, et al. Analysis of destination competitiveness by IPA and IPCA methods: The case of Costa Brava, Spain against Antalya, Turkey[J]. Tourism Management Perspectives, 2018, 28: 53-61. DOI:10.1016/j.tmp.2018.07.005 |
[86] |
Dwyer L, Dragićević V, Armenski T, et al. Achieving destination competitiveness: An importance-performance analysis of Serbia[J]. Current Issues in Tourism, 2014, 19(13): 1309-1336. |
[87] |
Bi J W, Liu Y, Fan Z P, et al. Wisdom of crowds: Conducting importance-performance analysis (IPA) through online reviews[J]. Tourism Management, 2019, 70: 460-478. DOI:10.1016/j.tourman.2018.09.010 |
[88] |
Mendola D, Volo S. Building composite indicators in tourism studies: Measurements and applications in tourism destination competitiveness[J]. Tourism Management, 2017, 59: 541-553. DOI:10.1016/j.tourman.2016.08.011 |
[89] |
Croes R, Ridderstaat J, Shapoval V. Extending tourism competitiveness to human development[J]. Annals of Tourism Research, 2020, 80: 102825. DOI:10.1016/j.annals.2019.102825 |
[90] |
Lopes A P F, Muñoz M M, Alarcón-Urbistondo P. Regional tourism competitiveness using the Promethee approach[J]. Annals of Tourism Research, 2018, 73: 1-13. DOI:10.1016/j.annals.2018.07.003 |