第二住宅旅游中游客支出的分割：来自市场游客和非市场游客的证据 何塞·卡洛斯·科拉多-冈萨雷斯（José Carlos Collado-González）与 巴勃罗·胡安·卡德纳斯-加西亚（Pablo Juan Cárdenas-García）

《Urban Science》：Segmenting Tourist Expenditure in Second Home Tourism: Evidence from Market and Non-Market Tourists José Carlos Collado-González and Pablo Juan Cárdenas-García

　　**摘要**
尽管已有大量文献分析了旅游支出的决定因素，但专门针对第二居所旅游（second home tourism）的研究却相对较少。此外，这些研究往往将这一细分市场视为一个同质化的群体，而没有深入探讨非市场旅游（non-market tourism）内部存在的多样化消费模式。本文以西班牙为例，利用2015至2024年期间的1,253,115条观测数据进行分析。首先，构建了包含交互项的线性回归模型，并通过非参数检验来评估市场旅游者与非市场旅游者之间的支出差异。所谓市场旅游者，是指那些入住付费住宿的游客；而非市场旅游者则是指那些无需直接经济交易即可使用住宿的游客。研究结果显示，非市场旅游者的单次停留直接支出较低；然而，他们更长的停留时间以及更为均衡和重复的旅游时间分布有助于维持目的地的经济活动。其次，本文运用k均值聚类算法对非市场旅游者进行了细分分析，发现第二居所旅游的消费模式存在显著差异。这些发现表明，采取更加细分的旅游管理策略，并推广这种旅游形式，对于减少特定目的地的季节性波动具有积极意义。

**1. 引言**
世界旅行与旅游理事会（WTTC）和联合国世界旅游组织（UN Tourism）等权威机构均证实了旅游活动的经济重要性[1,2]，估计其贡献占全球GDP的10%，并创造了十分之一的工作岗位。这种经济效应源于游客将部分收入花费在目的地[3]，因此分析旅游支出成为从经济角度研究旅游的重要手段[4-8]。然而，若采用整体视角分析旅游支出，可能会掩盖不同类型游客的行为差异，从而在将特定细分市场的经济影响推广至整个旅游需求时产生偏差[6-10]。因此，识别游客的异质性并理解其独特的消费模式对于指导目的地管理和规划策略至关重要[11]。
根据这一认识，可以区分多样化的旅游供给：一类是传统的市场旅游供给（主要包括酒店），另一类是非市场供给（即无需支付住宿费用的住宿方式）[13]。需要注意的是，第二居所旅游（second home tourism）属于非市场旅游的范畴，它在许多地区变得越来越重要，已成为住宿供给和游客流动的重要组成部分[14-18]。与非市场旅游相关的旅游活动具有不同的行为和消费模式：例如更长的停留时间、较低的季节性依赖性，以及每次住宿无需支付直接费用[14-22]，这些因素使得非市场旅游者的支出水平可能与传统酒店游客不同[20]。尽管如此，现有实证研究仍较为有限。目前关于旅游支出模式的研究主要局限于特定地理环境、特定类型的游客（国内或国际游客），或基于样本量有限、调查方式特定的数据[23-24]。因此，本文旨在通过以西班牙为案例研究，从国家层面评估非市场旅游的支出动态，以实现学术上的突破。

**2. 非市场旅游中的旅游支出**
**2.1 文献综述**
关于非市场旅游支出水平及其与传统市场住宿旅游差异的研究存在不同的学术观点。实证研究关注了游客的支出再分配现象[19]、不同消费模式[21]，以及与传统游客相比的总支出差异[26,27]。鉴于这一现象的广泛性，要准确理解其经济影响，必须超越单纯的观察，深入探讨其背后的理论机制。
现有文献主要聚焦于两种分析方向：一是认为非市场旅游者的总支出较低（因无需支付住宿费用）[27]；二是认为他们将节省的开支用于其他地方消费，从而对当地经济产生积极影响[19,22,26,28]。这些观点反映了学术界在理解非市场旅游消费行为方面的局限性，如采用总体平均值进行概括，忽略了游客之间的差异[25,29]。

**2.2 第二居所旅游的概念定义**
第二居所旅游是一种复杂且异质化的旅游形式。除了度假期间的住房使用外，还包括寻求更高生活质量、退休人士的长期居住、融入目的地生活体验等多种动机[31-35]。这些特征导致其概念边界模糊，学术界尚未就其定义达成共识[37]。因此，不同文献中对哪些住宿类型应纳入第二居所旅游的分类存在分歧（例如是否包括免费提供的住宿[20,39,40]）。

**2.3 假设的提出**
**2.3.1 停留时间和季节性对支出的影响**
文献指出停留时间是影响旅游支出的重要因素，通常表现为边际收益递减的非线性关系[4,29]。对于非市场旅游而言，更长的停留时间会促使游客逐渐 adopting 当地居民的消费习惯[31,34,35]。鉴于缺乏直接对比两者影响的宏观证据，提出以下假设：
**H1：** 市场旅游者与非市场旅游者的支出因停留时间不同而存在差异。
**2.3.2 旅行时间的季节性影响**
旅行时间也是影响支出的重要因素。非市场旅游者往往选择在旅行高峰期以外的时间访问目的地[14,17,19]。虽然这种旅游方式可能给公共资源带来压力[36]，但它有助于全年保持稳定的游客流量，从而支持当地经济[37,44]。这些研究提出了以下假设：
**H2：** 市场旅游者与非市场旅游者的支出因旅行季节性不同而存在差异。

**2.4 结论**
本研究通过分析2015至2024年间西班牙国内和国际游客的旅游支出数据，评估了非市场旅游的支出动态。结果揭示了市场旅游者与非市场旅游者在支出上的差异，并提出了针对非市场旅游目的地的具体政策建议。关于消费者行为的研究警告称，在这一消费者群体中并存着截然不同的消费特征：从与探亲或返回故乡相关的短途国内旅行，到国际居民移民的长期逗留[23,41]，或是结合休闲与远程工作的混合型消费模式[34,35]。然而，当分析仅关注平均值[40,45]，或者在没有应用聚类技术来分解需求并理解哪些消费特征表现出差异化支出的情况下[4,6]（按照方法学建议），上述各特征之间的差异就会变得模糊不清。目前，针对非市场游客的此类差异的实证证据仍然很少。因此，为了解决这一理论限制，提出了第三个假设：H3. 在第二住宅旅游市场中，可以识别出具有不同支出模式的游客群体。

**3. 研究方法**
**3.1. 数据收集**
关于第二住宅旅游的学术文献经常指出，获取同质化、结构化且可靠的数据存在困难，这些数据不仅能够支持扎实的分析，还能与常规旅游进行有力的比较[15,46,47]。鉴于此，为了克服临时调查或调查范围有限的局限性，本研究采用了不同的官方调查作为数据来源，这些调查提供了国家层面的数据，确保了数据的高度统计代表性，并允许在其他类似情境中复制研究结果[48]。具体而言，以西班牙为案例研究对象，有官方统计数据能够为这一变量提供相关信息。例如，西班牙国家统计局（INE）持续进行了两项调查，分别为“居民旅游调查（ETR）”和“游客支出调查（EGATUR）”，前者从西班牙国内居民的角度出发，后者则从前往西班牙的外国游客的角度出发。这两项调查都基于结构化的问卷，并通过直接访谈收集数据，询问游客的支出情况。由于支出和旅行数据直接来自游客本人，且样本量庞大，因此消除了由于旅游服务提供商的回应可能导致的信息偏差。这些调查全年持续进行，以捕捉游客行为的季节性变化。整合来自这两个信息来源的微观数据后，可以分析2015至2024年这10年间的数据，共计获得1,253,115条观测记录。然而，在构建本研究的数据库时，需要进行数据标准化处理。这一过程不仅仅是描述性的，还旨在确保国内游客和国际游客之间的结构可比性。为此定义了一个统一的支出分类体系，将原始分类合并为等效的类别（交通、餐饮、活动和其他/购物），从而减少了两项调查在分类细节上的差异（见图1）。不过，这种整合过程也存在方法论上的局限性。首先，数据收集方法存在不对称性：EGATUR是在游客离开目的地时在边境进行访谈来收集支出的数据，而ETR则是在游客返回家中后收集数据。这种方法差异可能导致ETR中记录的支出低估了小额和日常开支。其次，由于数据完全依赖于自我报告，可能存在报告偏差。但得益于庞大的样本量（N > 125万）以及两项调查都遵循国际旅游统计建议[43]，个体测量误差在统计上被稀释，从而确保了整体趋势的稳健性。

**3.2. 应用方法**
**3.2.1. 市场游客与非市场游客的支出比较**
为了验证本文提出的前两个假设（H1和H2），即市场游客与非市场游客的支出是否存在差异，尤其是这些差异是否受停留时间和季节性因素的影响，本研究采用了包含交互项的线性回归模型以及非参数的Kruskal–Wallis检验。
- **线性回归模型（含交互项）**：该模型用于评估预测变量（停留时间和季节性）与响应变量（总支出）之间的关系是否受另一个分类变量（市场游客与非市场游客）的影响。模型数学表达式如下：
$$ Y = \beta_0 + \beta_1 \cdot \text{游客类型} \cdot \text{停留时间} + \beta_2 \cdot \text{季节性} + \beta_3 \cdot (\text{游客类型} \cdot \text{停留时间}) + \epsilon_i $$
其中：$ Y_i $ 表示游客i的总支出；$ \text{游客类型} $ 是虚拟变量（1=非市场游客，0=市场游客）；$ X_i $ 是时间预测变量（H1中的过夜停留，H2中的季节性）；$ \beta_0 $ 是市场游客在无过夜停留情况下的基线支出；$ \beta_1 $ 是非市场游客类型的直接效应；$ \beta_2 $ 是时间变量的直接效应（即支出增长率）；$ \beta_3 $ 是住宿类型对支出影响的交互项；$ \epsilon_i $ 是随机误差。
选择普通最小二乘法（OLS）进行估计，是因为该方法适用于直接量化假设中的边际效应和交互作用。尽管游客支出数据通常具有强烈的正偏态且不满足正态性假设，但庞大的样本量（N > 125万）根据中心极限定理保证了估计量的渐近收敛性，从而确保了统计推断的有效性。为了应对数据的非正态性，还应用了Kruskal–Wallis检验，该方法可以在不依赖传统参数模型假设的情况下比较不同组别的平均支出排名。
- **Kruskal–Wallis检验及事后均值比较**：该检验可用于比较多个独立组别的支出分布（本例中为旅游季节性），适用于比较两个以上组别在序数或连续变量上的分布，无需假设数据正态性。Kruskal–Wallis统计量（H）的计算公式如下：
$$ H = \frac{\sum_{j=1}^{k} \frac{n_j S_j}{(n_j - 1)} $$
其中：$ N $ 是总样本量；$ k $ 是组别数量；$ n_j $ 是第j组的样本大小；$ \overline{R_j } $ 是第j组的平均排名。如果检测到统计学上的显著差异（$ p < 0.001 $），则使用Bonferroni校正进行多重比较，以控制I型错误（假阳性）的波动。调整后的显著性水平计算公式为：
$$ \alpha_{adj} = \frac{\alpha}{1 - \sum_{i=1}^{k} \left(1 - P(\text{只有第j组显著})\right)^{n_j - 1} $$

**3.2.2. 非市场游客的细分：聚类分析**
为了验证第三个假设（H3），即第二住宅游客是否存在不同的支出模式，本研究采用了无监督聚类技术进行细分分析。考虑到样本量大以及分析变量的定量和分类性质，选择了k-means聚类算法。
- **k-means聚类算法**：这种可扩展的聚类方法能够在最小化组内变异的同时，将相似的观测值分组。具体来说，k-means算法旨在将n个观测值分割成k个簇，使得每个组内观测值到簇中心的平方距离之和最小化。算法的目标函数为：
$$ \min\sum_{i=1}^{n} \sum_{j=1}^{k} \|x_i - \mu_j\|^2 $$
其中：$ x_i $ 是特征空间中的观测值；$ \mu_j $ 是簇j的质心；$ C_j $ 是分配给簇j的观测值集合；$ \|x_i - \mu_j\|^2 $ 表示欧几里得距离平方。算法通过以下步骤迭代执行：
1. 随机初始化k个质心。
2. 将每个观测值分配给最近的质心（最小欧几里得距离）。
3. 重复步骤1和2，直到收敛（分配不再改变或准则不再改善）。
为了保证聚类分割的有效性，考虑了算法的技术局限性。由于该方法对变量规模和数据类型的敏感性，我们在处理变量的定量和分类性质时进行了优化，以减少方差较大的变量对聚类结果的影响。此外，算法通过迭代方式运行，旨在最小化簇内方差并避免在次优局部最小值处收敛。

**4. 结果**### 描述性分析

首先，对研究变量（市场游客与非市场游客）与其他可用定量变量进行了双变量描述性分析，旨在探索这两种类型游客之间可能的相关性及不同行为模式（表1）。为了评估每个变量与游客类型之间的关联强度，采用了斯皮尔曼等级相关系数（p < 0.001）。从表1可以看出，使用市场住宿的游客平均支出（1094.76欧元）是非市场游客（515.06欧元）的两倍多，这证实了使用此类住宿与支出金额之间存在负相关且具有统计学意义（ρ = ?0.4947；p < 0.001），而与住宿次数的相关性较弱（ρ = ?0.0916；p < 0.001）。因此，这两种类型的游客在住宿和支出模式上存在显著差异。

其次，对本文分析的定性变量进行了描述性统计分析，以概述市场游客与非市场游客之间的差异（表2）。为了评估这些变量在两种游客类型之间的分布是否不同，采用了列联系数（p < 0.001）。如表2所示，所有分析的分类变量都与游客类型存在统计学上的显著关联（p < 0.001），尽管关联强度各不相同。其中，旅行目的（C = 0.436）、是否使用旅游套餐（C = 0.387）、主要交通方式（C = 0.355）、目的地地区（C = 0.351）以及游客来源（C = 0.335）的列联系数最高，表明这些变量在区分市场游客与非市场游客方面具有较高的区分度。

#### 4.2 市场游客与非市场游客的支出

#### 4.2.1 与停留时长相关的差异

为了验证本文提出的第一个假设（H1），即市场游客与非市场游客的支出是否因停留时长而有所不同，应用了包含游客类型（市场游客与非市场游客）与停留时长（住宿天数）交互作用的线性回归模型。结果表明，随着停留时间的延长，支出会增加（表3）。该模型表明，游客类型和市场游客与非市场游客的支出模式存在显著差异。调整后的决定系数（adjusted R2 = 0.5185）说明模型解释了约52%的总支出变化，对于这类数据来说是一个相当高的值。结果显示，游客类型和市场游客的住宿天数对支出均有显著影响，且两者之间存在显著交互作用。具体而言，对于市场游客而言，每多住宿一晚，总支出平均增加72.91欧元。负的交互作用系数（?28.15）表明非市场游客的支出随住宿天数的增加而增加的程度较低。因此，尽管两组游客的支出均随停留时长增加，但非市场游客的增加幅度较小。

#### 4.2.2 与季节性相关的差异

为了验证第二个假设（H2），即市场游客与非市场游客的支出是否受季节性影响，应用了包含游客类型（市场游客与非市场游客）与旅行月份（季节性）交互作用的线性回归模型。基于描述性分析中的频率分布，将时间段划分为旺季（6月、7月、8月、9月和10月，每月游客数量超过10万）和淡季（1月、2月、3月、4月、5月、11月和12月，每月游客数量低于10万）。结果表明，支出会根据旅行发生的季节而有所不同，市场游客与非市场游客的支出模式也存在差异。调整后的决定系数（adjusted R2 = 0.2855）表明模型解释了约28%的总支出变化。非市场游客的平均支出显著低于市场游客（系数 = ?585.27；p < 0.001），且淡季的总支出明显低于旺季（系数 = ?36.12；p < 0.001）。此外，两个变量之间的交互作用也具有统计学意义（p < 0.001），说明季节性对支出的影响因游客类型而异。

#### 4.3 非市场游客的细分：聚类分析

为了验证第三个假设（H3），即第二居所游客是否存在不同的支出模式，采用了基于无监督聚类技术的细分分析。由于样本量较大，且分析变量具有定量和编码分类性质，因此选择了k-means聚类算法。在此分析中使用了能够区分游客特征的变量，包括总支出、游客来源、住宿天数、主要交通方式、季节性和旅行目的。通过Elbow方法确定最佳聚类数为3个（k = 3），这一划分在简洁性与信息捕捉之间取得了平衡。

图4显示，这三个聚类捕捉到了两个主要维度上的结构差异。这两个维度对应于聚类过程中使用的变量（游客支出、旅行月份、游客来源、住宿天数、交通方式和旅行目的）得出的前两个主成分。这些维度总结了数据集中的主要变异来源，并能在二维空间中可视化这三个聚类，共解释了约60%的总体方差。k-means聚类分析的质量通过轮廓系数进行评估，结果见表6。从细分数据来看，第3聚类的内部凝聚力较强（0.492），而第1和第2聚类的分离度相对较低（约0.24）。表7总结了每个聚类的主要特征。细分结果显示，第二居所游客可分为三个具有不同支出模式的群体：第2聚类虽然人数较少，但由于高支出和长停留时间，具有较高的战略价值，是吸引高利润国际游客的关键群体；第3聚类主要为国内游客，他们停留时间短且支出低，但从地域角度来看仍具有一定重要性；第1聚类则为外汇游客，停留时间适中且支出稳健。

### 5. 讨论

本研究的结果引发了关于非市场旅游的两个基本问题：与非市场旅游传统形式（受停留时长和季节性影响）的差异，以及识别具有不同支出模式的非市场游客群体的必要性。实证证据表明，非市场游客的平均支出水平低于传统市场游客[4,20,44]。然而，本研究的主要贡献在于揭示了这种支出差异是由旅行特征驱动的，特别是停留时长和需求季节性。关于停留时长，结果显示，两种类型的游客支出均随住宿天数的增加而增加，但非市场游客的这种关联较弱。这与先前研究一致，这些研究表明停留时长与支出之间的关联存在边际递减现象[29,51]。在第二居所旅游中，虽然停留时间较长，但支出更接近当地居民的消费模式[18,20]。关于旅游需求的季节性，研究发现两种类型的游客在旺季的支出均较高，而非市场旅游的支出在全年分布更为均匀。这与文献中强调第二居所旅游有助于缓解旅游季节性的观点相符，因为这类游客倾向于全年频繁出行[14,15,18]。尽管非市场旅游每次旅行的平均支出较低，但其全年分布有助于维持目的地的经济活动。

此外，研究结果还揭示了非市场旅游的停留特征与传统旅游不同，但其整体经济贡献不一定较低。虽然每次停留的直接支出较低，但停留时间较长且重复性较高，全年游览分布较为稳定。这些结果调和了学术界关于住宅旅游直接经济贡献较低与对需求时间和当地经济稳定贡献的观点。研究表明，非市场旅游的停留时间较长且更反复，全年分布更均衡，从而在经济贡献上具有独特性。

总之，本研究的结果为非市场旅游的文献研究提供了新的见解：与非市场旅游传统形式相比的差异，以及识别具有不同支出模式的群体必要性。通过聚类分析发现，非市场游客内部存在明显不同的消费特征，因此不能仅用总体指标来评估其经济贡献。尽管以往的研究更多地关注经济影响，并常常因为这类游客的个人支出较低而对他们产生负面评价，但我们的研究结果支持并拓展了那些将第二居所游客视为“流动人口”或临时居民的理论观点[25,33,36]。考虑到他们构成了非市场需求的绝大部分（56%），以及他们的行为模式与当地居民相似，研究表明，虽然他们每次出行带来的经济回报可能不高，但他们确实提供了一个庞大且持续的需求基础。因此，这一发现丰富了当前的学术讨论，表明这类游客的价值并不在于其纯粹的旅游支出金额，而在于他们作为结构支撑的力量，为目的地提供了韧性和稳定性。

在非市场旅游的背景下，很少有研究可以作为讨论本文研究结果的参考。因此，本研究扩展了现有的研究证据，这些证据以往主要集中在地方性背景下，仅分析了国际游客，并使用了相对有限的样本[23]。本研究的结果表明，除了国际旅游之外，在使用大规模数据库进行的全国性分析中也可以观察到多样性。

**6. 结论**

本文旨在研究非市场旅游的支出情况，提出了一种超越传统仅基于平均支出关注点的新型方法。首先，研究结果证实，非市场游客的直接支出水平低于传统游客。然而，与以往研究不同的是，这种差异一方面是由于停留时间的长度造成的——非市场游客的停留时间更长，其消费模式更接近于当地居民；另一方面，这种类型的旅游在一年中的分布更为均匀，在活动较少的时期对经济影响的产生起到了重要作用。其次，研究发现非市场游客构成了一个消费模式多样化的群体，这凸显了需要克服将他们视为同质群体的局限性。实际上，聚类分析能够识别出不同的消费模式，这些模式在游客来源、旅行动机、停留时间或主要交通方式等方面存在差异。这表明，大多数是国内游客，他们停留时间较短且支出较低，但重复访问率较高；同时也有少数国际游客，他们的停留时间较长且支出水平显著更高。

这些结果对于制定目的地管理政策具有重要的意义。一方面，非市场旅游可以通过在旺季之外保持相对稳定的存在来减少旅游业的季节性波动；因此，对于那些希望在需求较低时期维持当地经济活动的目的地来说，推广这种类型的旅游非常重要。另一方面，非市场游客内部存在的不同特征表明，应该采用更加细化的管理策略。对于那些虽然规模较小但利润较高的群体，政策应不再追求吸引流量，而是关注创造价值，尤其是在那些以吸引国际游客为目标的高需求地区（如加泰罗尼亚、安达卢西亚和瓦伦西亚社区）。利用他们在目的地的长期停留，旅游管理者可以为退休年龄的游客设计特定产品，或者为数字游民推动远程工作生态系统的发展，从而激励他们增加平均支出。对于那些以短周末停留、每次支出较低但重复访问率较高的国内游客群体，则需要采取完全不同的策略。鉴于他们的消费行为与当地居民相似，政策不应仅仅追求最大化传统旅游收入，而应促进他们与当地供应链的连接，鼓励消费本地产品和服务。这样，就能确保这一稳定的“流动人口”继续成为目的地经济的长期稳定因素。

此外，本研究也存在一些局限性。尽管样本量较大，但仍需考虑到某些方法上的问题。将ETR和EGATUR数据库进行结构整合时，需要结合在数据收集时间上存在内在差异的数据库，这可能导致对游客支出的估计不准确。此外，过于依赖基于自我报告的微观数据可能会导致支出被低估，尤其是对于第二居所用户进行的日常微交易。另外，由于某些仅适用于国内旅游的相关变量缺失，不得不使用总支出作为因变量，从而无法详细分析每位游客的实际支出情况。

同样值得注意的是，本研究仅将直接旅游支出作为分析指标；因此，研究结果不应等同于这些游客所创造的总经济影响，后者还需要评估间接效应和其他与他们停留相关的资本支出。最后，这项工作为扩展研究范围和克服现有局限性开辟了新的研究方向。纳入新的信息来源（如目的地的银行卡支付记录或其他提供国内游客数据的来源）将非常有用，这有助于更深入地分析旅游支出，更精确地识别影响非市场旅游支出的因素。从经济角度来看，未来的研究可以利用宏观经济模型来衡量不仅直接的旅游支出，还包括这些支出对当地生产结构的间接和诱发效应。此外，所使用的调查具有纵向性质，可以分析这些支出模式随时间的变化，特别是在COVID-19大流行之后或由于短期租赁住房市场的新法规而产生的变化。