2013 年, 党的十八届三中全会提出“建立国家公园体制”。2019 年, 我国出台《建立国家公园体制总体方案》, 明确提出中国国家公园建设坚持“全民公益性”的理念和目标。如何体现公益性, 门票定价是关键问题之一[1]。国家公园门票定价不仅需要考虑地方财政收入, 更应发挥环境保护、社会教育等功能。
武夷山国家公园是我国首批设立的 5 个国家公园之一, 其门票价格历经多次调整, 从 2005 年之前的几十元门票, 到 2006 年的百元左右套票, 如一日三联票共 310 元(包括景点门票 140 元、观光车 70元和九曲溪竹排 100 元), 到 2023 年为更好地体现公益性, 带动区域发展, 实施主景区的免门票政策。免门票政策引发社会关注和争议。
反对免门票的观点认为, 免门票将减少当地社区居民的收益和参与机会, 不利于景区的可持续发展; 此外, 景区将面临财政紧张, 环卫和安保等成本难收回等问题, 景区可能成为“垃圾场”, 景区经营“瘫痪”[2]。
门票价格的调整不是线性地增加或减少, 合理的价格和产品组合对国家公园的管理及周边地区的收入有积极意义。
随着国家公园建设和科普教育的推进以及环境保护意识的提高, 游客的支付意愿也随之改变, 借鉴国际经验, 在制定门票价格时, 可将环境意识导向的支付意愿纳入其中。
基于上述背景, 本文以武夷山主景区门票价格为研究对象, 采用“支付意愿法”和“优劣尺度法”,探究游客在武夷山景区成为国家公园后的支付意愿, 为国家公园的定价策略提供参考。
1 相关研究
1.1 国家公园门票定价
国家公园门票的研究可追溯到 20 世纪 90 年代关于公共产品游憩价值的研究, 目前的研究聚焦于是否应收取门票及门票如何定价[3]。关于国家公园门票是否收费, 主要存在适当收门票、免票价和遵循市场规律 3 种观点[2]。
持收取门票观点的研究如下: 陈朋等[1]认为国家公园应该适当收费, 主要用于弥补因游客增加带来的额外成本; Aseres 等[4]和 Shoji 等[5]证实, 许多景区面临缺乏资金导致的管理困难问题, 因而强调门票收入对国家公园的重要性; Kruger 等[6]指出随着南非政府对国家公园的资金支持逐年减少, 通过其他服务提高游客体验, 进而增加收入, 对景区的运营有重要意义; Mulwa 等[7]强调近自然的游憩对地方经济的积极作用, 并指出游客需要对游憩价值和保护生态环境付费；窦亚权[8]认为应适当收费,且坚持公益性、公平性、合理性、多元化和差异化等原则。20 世纪 90 年代初的保护区调查数据表明,世界上约一半保护区收取门票, 且该比例呈增长趋势[9]。
持免门票观点的研究如下: 邓小艳等[10]基于公共景区视角, 认为国家公园免费是“公益性”的重要体现, 是实现全民旅游权利、增进全民福祉的重要战略举措, 并且景区免票可以增加旅游者人数, 带来更多的消费; 魏小安[11]指出“门票易滋生腐败”,免费服务是政府业绩衡量的关键标准, 公共景区最终会走向免票。
也有学者认为门票价格不能一刀切, 应遵从市场规律、尊重科学[12]。针对如何收费, 目前存在以下争论: 1) 公共物品与使用者付费之争; 2) 服务收费与资源收费之争; 3) 高收费与低收费之争[1]。Peters 等[13]和 Wang 等[14]一致认同中国旅游景点的收入对门票具有较强的依赖性。Peters 等[13]的研究结果表明游客支付意愿是国家公园等自然保护地进行门票定价的重要考虑因素。Bhat 等[15]通过分析印度 Dachigam 国家公园家庭游客的支付意愿, 强调定量分析更有助于公园的管理和定位。国家公园门票定价不仅涉及游客的支付意愿, 而且与社会发展、经济水平和文化等因素相关。但是, 不同案例地和不同时间的调查得到的结果存在差异。因此,对于何种因素与支付意愿有显著关系这一问题仍需进一步分析[16]。
现有的研究主要从公共资源角度切入, 集中分析国家公园的公益性与门票收入的重要性之间的关系, 但对公共产品使用者的态度探讨不足, 对游客支付意愿的实证分析仍需深入展开。此外, 现有研究大多讨论是否收取门票, 然而对如何收取门票的策略讨论不足, 在有限的实证研究中, 大多以国际上国家公园为案例地, 缺乏对我国国家公园的实证分析。
1.2 国家公园门票定价方法
现有的国家公园门票定价方法多基于游客调查来实证游客支付意愿, 并结合条件价值法(contingent valuation method, CVM), 对国家公园及生态环境等具有无形效益的公共产品进行价值评估, 并进行合理的定价[17]。例如, Rathnayake[18]将海洋环境保护的价值纳入景区经济效益进行分析, 使用条件价值法推算门票价格; Neher 等[19]对美国所有国家公园游客数据进行回归分析, 得出游客对不同国家公园的平均支付意愿(willingness to pay, WTP); Song等[20]使用 CVM 对秦岭国家公园游客的WTP 进行分析, 发现游客的 WTP 受性别差异、受教育程度、收入、自然景点旅游次数、停留时间、未来旅游意向和对商业剥削的担忧等因素的显著影响。李玉臻等[21]使用 CVM 模型, 分析游客在假设市场背景下对三峡国家公园不同利益相关者的 WTP, 同时探讨国家公园门票收入的归属问题。Mueller 等[22]使用选择实验(choice experiment, CE)方法, 研究大峡谷国家公园泉水的非市场价值, 通过设定不同的假设场景, 获取受访者在不同环境下的消费决策, 分析泉水的不同属性对应的 WTP。Mulwa 等[7]以肯尼亚马赛马拉国家公园为案例, 由游客填写问卷, 使用单中心个体旅行成本法(single-site individual travel cost method, ITCM), 构建不同场景下的选择路径,探究国家公园的游憩价值和游憩服务的最优定价。Crompton[23]通过电话访谈和模型假设, 使用旅行成本法(travel cost method, TCM)探究影响加利福尼亚州居民前往周边公园游玩的因素。
优劣尺度法(best-worst scaling, BWS)源于 20 世纪 20 年代心理测量学领域的先驱 Thurstone[24]建立的比较性判断准则(Law of Comparative Judgement),测量人们偏好和意愿的更精确的方法。1987 年,Louviere 等[25]正式提出 BWS 的完整方法。相比于其他方法, BWS 有以下优势: 1) 可以摆脱实验室环境, 更适用于实地调研; 2) 能够将 5 个以上的因素快速排序, 并保证数据的可信度, 进而收集到内容更为丰富的数据; 3) 比传统的问卷调查法需要的时间更短, 能够更高效而准确地获取实地调研数据;4) 通过划分属性, 能够更精确地从人口统计学特征中进一步发觉游客偏好, 提高数据利用率。
不同支付意愿研究方法的构建维度、优劣以及应用情况如表1 所示。
表1 支付意愿研究方法对比
Table 1 Comparison of research methods on willingness to pay
研究方法 建构维度 优势 劣势 应用案例 文献CVM CE支付意愿和人口统计学因素(性别、家庭规模、团队规模和导游)景观因素、景区可达性、动植物栖息地和区域文化测量非市场价值; 广泛适用性; 综合考量; 政策制定参考; 提高公众参与度模拟真实选择情境; 多维度分析; 灵活性和控制性强; 避免问卷偏差游客主观性强和估计误差偏大; 问卷设计具有挑战性; 样本偏差; 复杂性和成本大复杂性; 虚拟情境; 选择偏好不一致; 难以衡量非市场属性; 样本需求量大斯里兰卡的米内里亚国家公园游客对观大象的支付意愿游客对美国大峡谷国家公园泉水的支付意愿Rathnayake等[18]Mueller等[22]TCM 生态补偿、公平性、游客实际需求和市场价值相对客观反映市场需求;简单易行; 数据可靠性较高; 评估利用价值难以区分不同的游客群体;受时间因素影响; 仅适用于特定目的地; 数据收集难度大美国加利福尼亚州公园和娱乐资源定价的影响因素Crompton[23]ITCM BWS总实际花费、交通费用和不同地区的日平均花费景区特征、不同费用(免费、税费、特许经营费、自愿捐赠和一般门票费用) 和游客偏好等精准地针对单一目的地;简化数据收集流程; 侧重于目的地价值; 更精细的资源分析提高区分度; 提供相对比较; 减少中立选择的倾向; 统计分析简便有效忽略其他目的地影响; 忽略潜在的非市场机制; 样本受限制; 难以分析动态变化; 数据限制单一目的地待对比因素较多且在一定范围内；各因素出现在问题集的频次较多，因此需要受访者完整填写整个问题集游客对马赛马拉国家公园的支付意愿 Mulwa等[7]游客对日本国家公园门票的构成认知 Shoji等[5]
2 研究方法
2.1 测量方法
BWS 方法可以调查游客对不同票价的感知, 通过若干组对比问题, 构成一个问题集, 要求受访者在每一组问题中选出最好和最坏的选项, 构成一组,从而获得若干配对的信息组, 形成对比关系。基于这种对比关系, 不仅可以了解受访者的偏好, 更能够反映受访者对选项感知的差异。通过 BWS 方法,可以获取更丰富的数据, 不仅可以在整体尺度上获取影响受访者支付意愿的因素, 还能通过更简单地构建 logit 回归模型来体现选项之间的对比关系, 进而分析不同影响因素之间的关联和差异。此外, 通过相关分析, 可以进一步了解受访者支付意愿与人口统计学因素的关联性。鉴于上述优点, BWS 方法在市场营销、医疗保健和食品研究等领域得到广泛应用, 可以高效、便利地探究客户对不同产品的偏好和满意度[26–40]。
本研究结合游客 WTP 调查和 BWS 方法, 向受访者展示一系列选择集, 每个选择集上展示固定数量的待测评项目, 请受访者选出他们认为最优和最差的项目, 通过对比各项目被选为最优和最差的次数, 判断受访者对不同待测评项目的偏好[34]。该过程涉及的模型可以表示为
其中, kl 表示在集合 C 中待比较因素中的一个组合的出现频次, P(ij/C)是从可能的隐式配对选择集合 C 中选择“i 最关心, j 最不关心”配对的概率;
是底层尺度上 i 与 j 的差值加上一个相关的随机扰动项; 
表示集合 C 中所有其他隐含成对差异中最大的一个。受访者偏好为所有 C 组中选择最关注的问题的次数减去选择最不关注的问题的次数:
其中, Vi 和 Vj 分别是底层尺度上第 i 和 j 个问题数值的复合。当受访者的选择一致时, 最多选择概率与最少选择概率之间的关系可以表达为
其中, T 是 i 出现的集合的个数。因此, 最大值与最小值的差值是(V/k)+(V/k)–T/2, 这意味着它们与真实尺度值线性相关, 可以在潜在的“关注”连续体上对未知问题进行区间尺度的测量[35]。
将 PM(i/C)与对应支付意愿选项 K 相乘, 用来表达受访者支付意愿:
2.2 问卷设计
本研究问卷分 3 个部分: 游客基本情况、游客支付意愿和影响支付意愿的因素。针对支付意愿,使用 BWS 方法, 构建 Maxdiff 模型[35,39]。假设受访者可以在任何特定的选择集中识别出最好和最差的选项, 并选择在“可取程度”方面相距最远。由于估计结果会受选择集的影响, 因此构建 Maxdiff 模型的一个重要方面是确定向受访者呈现哪些选择集。在本研究中, 采用平衡不完全区组设计来实现这一目标。
例如, 在“从下列影响您在武夷山景区游玩体验的因素中, 选出最有影响和最没有影响的两项”一题中, “花销金额”一项出现在 1, 2, 5 和 6 小题中,在这 4 个小题中, “花销金额”与其他 6 个项目中的每一个进行一次比较; 同理, 其他 6 个项目的关系模式亦如此。受访者被要求从“影响游玩体验的角度”选取每一个问题集中最有影响和最没有影响的两项, 单个任务中包含 3 个以上需要比较的对象 m,并且保证每个对象至少出现 3～5 次, 任务个数在 3×k/m≤ t ≤5×k/m 范围, 样本量 n 要保证各个对象出现的总次数不少于 500 次, 即(n×m×t)/k≥500。本研究设定对于同一受访者, 单个因素会出现 4 次, 即符合 Maxdiff 模型检验标准的样本数 n 为 125 [34]。
2.3 数据收集
问卷收集采用线上和线下结合的方法。线上问卷通过问卷星平台发放, 针对在福建地区游玩过武夷山国家公园的游客发放问卷。线下预调查在武夷山国家公园现场, 共发放 32 份问卷。根据填写情况, 发现受访者对武夷山国家公园门票的支付意愿低于 2021 年以前的官方票价, 因此对原问卷支付意愿的区间进行调整, 并更改 Maxdiff 模型问题的题设, 以便受访者更好地理解。同时, 为了验证 BWS方法的准确性, 设定李克特量表来对比 BWS 方法,分析得到的支付意愿结果。调整后的问卷于 2023年 4 月 1 日至4 月 15 日向福建地区参观过武夷山景区的游客发放, 共计 431 份, 其中有效问卷 414 份,有效率为 96.06%。
3 数据分析和处理
3.1 信效度分析
本研究以克朗巴赫 α 系数(Cronbach’s Alpha)和KMO 检验(Kaiser-Meyer-Olkin)为指标来检验问卷的信度, 评估问卷的内部一致性和结构合理性。结果表明, Cronbach α 系数为 0.787 (＞0.7), KMO 系数为 0.895 (＞0.8), Bartlett 球形检验显著性为 0.000, 信效度良好。
3.2 人口统计学特征分析
人口统计学特征包括年龄、性别、受教育程度和了解武夷山的信息渠道等。如表2 所示, 受访者年龄段集中在 19～35 周岁, 占总样本的 76.6%; 大专及本科学历人数最多, 占总人数的 61.1%。可以看出, 受访者多为年轻群体, 有较高的文化水平,对问卷的理解能力较强。受访者在武夷山旅游日平均花销集中在 500～2000 元, 其中花费在 501～1000元的游客占受访者总数的 34.3%, 花费在 1001～2000 元的游客占受访者总数的 29.7%。日花费在200 元以内的游客仅占受访者总数的 5.8%。说明受访者在武夷山旅游日平均花费处于较高水平。受访者年收入主要分布在 6～20 万元范围内, 占比为49%。按一年 365 天计算, 受访者主要收入分布对应的日均收入分布范围为 165～547 元, 与在武夷山的日均消费有一定的差距。
表2 人口统计学特征分析
Table 2 Demographic summary
项目 范围 占比/%18周岁及以内 2.4年龄19～35周岁 43.7 36～50周岁 32.9 50～65周岁 19.1 66周岁及以上 1.9合计 100.0学历小学 7.7中学 23.2大专及本科 61.1研究生 8.0合计 100.0游客来源武夷山本地 7.2武夷山周边市县 36.7福建省周边省份 43.2较远省份 12.8合计 100.0游客日均花销200元以内 5.8 201～500元 11.6 501～1000元 34.3 1001～2000元 29.7 2000元以上 18.6合计 100.0年收入5万元及以下 14.5 6～10万元 25.6 11～20万元 23.4 20～40万元 16.9 40～80万元 17.4 80万元以上 2.2合计 100.0
3.3 基于影响游客体验的因素分析
将问卷中模型的题目进行整理, 统计每个因素在“最有影响”和“最没有影响”两个尺度上出现的频次以及整体出现在问题集中的次数, 结果如表3 所示。可以看出, 各选项出现次数均大于 125, 符合模型检验标准。效用系数为负数, 表示该因素被选为“最没有影响”的次数多于被选为“最有影响”的次数; 反之亦然, 效用系数为 0 则表示该选项被选为最好和最坏的频次一致或缺乏有效的数据。由表3 可知, “花销金额”“游客数量”和“游玩时长” 3 个因素有较强显著性, 具有统计学意义。其中, “花销金额”和“游客数量”的效用系数分别为 0.118 和 0.106,偏好份额分别为 18.67%和 18.64%, 表明受访者更看重在武夷山游玩时的花销金额和游客数量。与之相对, “游玩时长”的效用系数为–0.191, 偏好份额为13.69%, 说明受访者最不看重的因素为游玩时长。
表3 基于BWS方法分析的影响游客体验的因素
Table 3 Analysis of factors influencing tourist experience based on BWS
说明: 效用系数表示该因素被选择的情况; 偏好份额表示单一因素的重要程度, 数值越大表示该因素在问题集中的重要性程度越强; z 表示标准化得分(standardized score); P表示结果的显著性, ***表示P值小于 0.001。
题目 因素 效用系数 标准误差z P出现频次最重要 最不重要出现次数 偏好份额/%景区资源–0.042 0.035–1.216 0.224 380 415 1656 15.89影响游玩体验的因素基础设施 0.016 0.035 0.452 0.651 405 392 1656 16.84景区服务–0.007 0.035–0.209 0.835 407 413 1656 16.46花销金额 0.118 0.035 3.404 0.001***502 404 1656 18.67游客数量 0.106 0.035 3.057 0.002***489 401 1656 18.44游玩时长–0.191 0.035–5.483 0.000***301 459 1656 13.69
3.4 游客支付意愿分析
通过 Maxdiff 模型获取受访者的支付意愿, 结果如表4 所示。可以看出, P 值均小于 0.05, 具有显著性。当武夷山国家公园主景区门票为 90 和 120 元时, 偏好份额最高, 共计 41.95%, 说明与原来未促销的公园票价相比, 接近 40%的受访者倾向于选择低于现行票价。现行定价与游客的心理预期价格相比偏高, 从侧面证明了近年来武夷山国家公园推出的限定促销活动更符合游客的支付意愿。另一方面, 150 元选项的偏好份额最低, 为 13.212%, 效用系数为–0.215, 进一步证明受访者对目前武夷山平日票价的接受度较低。值得注意的是, 多数受访者并不倾向于免费的公园门票, 0 元选项的偏好份额仅为 14.651%, 效用系数为–0.111, 较低的偏好份额和表现为负的效用系数说明受访者不倾向于完全免费的公园票价, 更倾向于将 0 元选项作为“最不能接受”的一项。Maxdiff 模型对支付意愿的分析结果基本上对应 7 分制里克特量表体现的受访者支付意愿的大致分布范围, 即受访者的支付意愿集中在 61～150 元范围内。通过 Maxdiff 模型, 将支付意愿按照偏好份额进行计算, 最终得到的游客支付意愿为77.04元。
表4 游客支付意愿分析
Table 4 Analysis of tourists’ willingness to pay
题目 价格/元 效用系数 z P出现频次最重要 最不重要出现次数 偏好份额/%0–0.111–3.196 0.001*** 330 422 1656 14.65支付意愿30–0.083–2.397 0.017** 344 413 1656 15.07 60–0.080–2.293 0.022** 330 396 1656 15.12 90 0.312 8.861 0.000*** 640 384 1656 22.36 120 0.179 5.136 0.000*** 539 391 1656 19.59 150–0.215–6.139 0.000*** 301 478 1656 13.21
3.5 支付意愿与影响因素之间的关系
3.5.1 线性回归分析
将支付意愿作为因变量, 与实际花费和受访者满意度两个的变量进行线性回归分析, 信度系数均为 0.000 (<0.05), 说明两个自变量均影响支付意愿。系数均为正数, 说明自变量与因变量之间为正相关关系。设支付意愿为 y, 实际花销为 x1, 满意度为 x2, 由此可得出回归方程为
y=0.71x1+0.2692x2+3.691。
3.5.2 二元回归分析
根据 Louviere 等[36]对数据的处理方法, 将受访者在每个尺度上选择的“最优选项”与“最差选项”相减, 将其差值作为“得分”。为了适应 logit 模型, 需要将受访者每一个因素的得分进行比较。以前 6 项数据为例, 将最终得分中最大的一项记为“1”, 其余得分记为“0”, 得分情况如表5 所示。
表5 Maxdiff模型得分情况
Table 5 Scores by Maxdiff
编号景区资源 基础设施 景区服务最优 最劣 得分 最优 最劣 得分 最优 最劣 得分1 0 1–1 1 1 0 2 1 1 2 0 0 0 2 2 0 1 1 0 3 3 0 3 1 0 1 0 0 0 4 0 2–2 1 0 1 4 0 4 5 0 0 0 2 1 1 2 2 0 6 0 2–2 2 1 1 0 1–1编号花销金额 游客数量 游玩时长最优 最劣 得分 最优 最劣 得分 最优 最劣 得分1 0 1–1 2 0 2 1 2–1 2 0 2–2 2 1 1 1 0 1 3 0 2–2 0 4–4 2 0 2 4 1 1 0 0 3–3 0 0 0 5 1 0 1 1 2–1 0 1–1 6 1 2–1 1 0 1 2 0 2
每组 logit 模型都以人口统计学因素中的第一个选项作为参考, 分别将拟合后的得分与人口统计学因素进行二元 logit 分析。全部检验结果证明, 数据与模型具有较高的拟合度(P<0.05)。
如表6 所示, 截取具有显著相关性的部分, 以支付意愿的影响因素“景区资源”为例, 因变量“实际花销”为参照时具有显著性(P<0.05), OR 值大于 1(Exp B=5.873, 4.261, 2.558)说明选择在武夷山花销更大的受访者相比于花销在 1000 元以内的游客更有可能将景区资源选为最有可能影响游玩体验的因素。对于这部分受访者, 目的地旅游资源的丰富度与支付意愿之间有较强的联系。同理, 以景区服务作为因变量, 支付意愿作为自变量, 相比于较低的门票价格, 选择其他选项的受访者更倾向于将景区服务选为最重要因素, 说明受访者希望合理的票价能够对应更好的景区服务。以游客数量作为因变量, 游客在武夷山及周边的日平均花销作为自变量,得出在武夷山国家公园日均花销处于 200～1000 元范围的游客更看重游客数量对游玩体验的影响。以游玩时长作为因变量, 支付意愿和年平均收入作为自变量, 可以分别得出在武夷山国家公园日均花销处于 200～1000 元的游客更看重游客数量对游玩体验的影响, 支付意愿越高的游客更加看重在景区内的游玩时长。
表6 二元logit模型分析结果
Table 6 Analysis results of binary logit model
说明: B代表回归系数, B值越大, 该独立变量对因变量的影响越显著; 如果B值为正, 说明该独立变量的增加会增加因变量为1的概率;如果B值为负, 说明该独立变量的增加会减少因变量为1的概率。
因变量: 影响支付意愿的因素 自变量: 人口统计学因素 B S.E.Wald 显著性 Exp B景区资源 实际花销景区服务 支付意愿游客数量 实际花销年收入200元以内 8.143 0.042 201～500元 1.770 0.719 6.055 0.014 5.873 501～1000元 1.449 0.615 5.548 0.019 4.261 1001～2000元0.939 0.425 4.876 0.027 2.558 2001元以上 0.581 0.422 1.895 0.169 1.787免费 13.238 0.039 30元以内 1.500 0.827 3.294 0.070 4.483 31～60元 2.611 0.775 11.333 0.001 13.607 61～100元 1.339 0.701 3.644 0.056 3.815 101～150元 0.716 0.607 1.394 0.238 2.047 151～200元 1.006 0.558 3.247 0.072 2.734 200元以上 0.827 0.600 1.899 0.168 2.287 200元以内 18.294 0.001 201～500元–0.278 0.621 0.200 0.655 0.757 501～1000元–1.483 0.571 6.756 0.009 0.227 1001～2000元–1.245 0.364 11.676 0.001 0.840 2001元以上–0.174 0.324 0.289 0.591 5万元以下 11.532 0.042 6～10万元–1.305 0.917 2.026 0.155 0.271 11～20万元–2.195 0.925 5.630 0.018 0.111 20～40万元–0.908 0.871 1.087 0.297 0.403 41～80万元–0.755 0.900 0.704 0.401 0.470 80万元以上–0.576 0.915 0.396 0.529 0.562游玩时长支付意愿免费 19.570 0.003 30元以内–0.916 0.801 1.307 0.253 0.400 31～60元–0.560 0.756 0.549 0.459 0.571 61～100元–1.778 0.794 5.022 0.025 0.169 101～150元–0.045 0.496 0.008 0.927 0.956 151～200元–1.321 0.480 7.590 0.006 0.267 200元以上–1.362 0.567 5.766 0.016 0.256
4 结论和讨论
作为国家公园管理制度的重要环节, 门票定价不仅关系到国家公园的经济效益, 也关乎国家公园游客的进入规模和体验质量, 进而影响国家公园保护性和福祉性功能的实现。综合多方利益相关者的诉求, 因地制宜, 并进行实证调查, 是国家公园科学定价的重要前提。本文在梳理国内外国家公园门票定价文献的基础上, 选取武夷山国家公园为研究对象, 基于 WTP 理论和 BWS 方法, 构建线性回归方程和二元 logit 模型, 考察游客对于武夷山国家公园支付意愿的影响因素, 得到如下结论。
1) BWS 方法分析游客对国家公园门票的支付意愿具有可行性。游客对武夷山国家公园主景区的支付意愿集中在 61～150 元, 其中 90 元是受访者最倾向的选项, 偏好份额为 22.36%, 以此为中心向两级递减, 表现出边际效益递减的趋势。通过 Maxdiff 模型的数据拟合, 将支付意愿按照偏好份额进行计算, 得出游客对武夷山国家公园的支付意愿为77.04 元, 相比现行未处于免费政策下的标准票价偏低。使用BWS 法不仅可以得出游客对不同门票价格的偏好, 还能通过偏好份额, 在不同选项的分布区间进行横向对比。在填写问卷时, 受访者可能存在主观差异和偏见, 使得调查结果受到质疑[38],而 BWS 的问卷设计可以避免游客在填写单一量表时只进行一次选择所产生的偏倚, 更适用于实地调查。
2) 游客对武夷山国家公园的支付意愿和满意度与日平均消费正相关。游客对武夷山国家公园的现状有较高的满意度, 通过二元 logit 模型可知, 日平均花费较高的游客更看重影响满意度的相关因素。多数受访者反对较低的票价, 认为支付票价会带来更好的景区维护和管理, 取得更佳的游玩体验,进而对景区推出的免门票优惠政策持反对态度, 该结果与 Aseres 等[4]和 Mulwa 等[7]的研究结论一致。免门票政策短期内对出游意愿有促进作用, 可以提高景区日平均游客量, 但会降低部分游客的游玩体验和支付意愿, 给国家公园的可持续发展和管理带来挑战。因此, 除加强景区基础设施建设、增强景区管理以及提高服务水平外, 合理的门票价格和限流制度对发挥国家公园有保护作用, 对避免“公地悲剧”有重要的影响[10]。
3) 游客对国家公园的认知程度影响支付意愿。游客的支付意愿受对国家公园的认知程度影响, 较高的认知度通常对应较高的支付意愿水平。游客对国家公园的认知程度与游客日平均花费和支付意愿正相关, 说明这一因素不仅对游客的实际花费有正向影响, 还影响着游客的支付意愿。对国家公园了解程度越高的游客, 其支付意愿和在武夷山地区的日平均旅游花费越高。可见, 随着国家公园概念的普及, 大众对国家公园的了解越来越深入,对国家公园的保护意识和“主人翁”意识也随之增强, 更愿意为保护国家公园而支付较高的票价[8]。对政府而言, 通过进一步宣传和推广国家公园理念,普及环境保护知识和建设国家公园教育体系, 不仅能够提升国民整体文化素养, 还能对游客的支付意愿产生积极影响。
4) 受访者收入与支付意愿之间无显著关联。与先前研究和调查预期结果不同, 不同收入群体对武夷山国家公园门票的支付意愿未表现出趋同性。虽然, 武夷山国家公园的门票价格和武夷山地区的消费水平高于游客收入, 但未对游客的实际花费和支付意愿产生显著的影响。另一方面, 近年来武夷山国家公园因疫情影响而推出景区门票优惠政策,可能导致游客对于武夷山门票价格的认知发生改变。在国家公园的定价问题上, 游客的需求是多样化的, 符合游客需求的促销活动以及更合理的公园门票定价, 需在考虑游客出游意愿和支付意愿的情况下进行设计。这也反映出不同地区的资源异质性和市场差异性, 因此迫切需要加强对不同国家公园的实证分析。
本研究存在一些不足之处。BWS 方法需要符合模型样本量的数据和问卷设计, 而本研究在调查时受疫情等因素影响, 线下调查的游客样本量有限。由于我国国土面积广阔, 导致不同地区之间或人群之间存在不同的价值观念和认知水平, 因此游客对门票的支付意愿需要因地因时制宜, 未来需要研究更多的案例地, 并开展动态性的深入调查。
[1] 陈朋, 张朝枝.国家公园门票定价: 国际比较与分析.资源科学, 2018, 40(12): 2451–2460
[2] 邹光勇, 刘明宇, 刘鹏, 等.公共景区门票价格管理理论述评——基于国际比较视角.旅游学刊,2021, 36(6): 60–73
[3] 李京梅.基于双边界二分式CVM的国家公园门票定价研究——以胶州湾国家海洋公园为例.资源科学,2020, 42(2): 232–241
[4] Aseres S A, Sira R K.Estimating visitors’ willingness to pay for a conservation fund: sustainable financing approach in protected areas in Ethiopia.Heliyon, 2020,6(8): e4500
[5] Shoji Y, Kim H, Kubo T, et al.Understanding preferences for pricing policies in Japan’s national parks using the best-worst scaling method.Journal for Nature Conservation, 2021, 60: 125954
[6] Kruger M, Slabbert E, Saayman M.Managing visitors’dining and retail experiences in South African national parks.South African Journal of Business Management,2015, 46(2): 43–53
[7] Mulwa R, Kabubo-Mariara J, Nyangena W.Recreational value and optimal pricing of national parks: lessons from Maasai Mara in Kenya.Journal of Environmental Economics and Policy, 2018, 7(2): 204–222
[8] 窦亚权.我国国家公园门票收费原则与模式选择研究.北京林业大学学报(社会科学版), 2023, 22(1):25–31
[9] Lindberg K, Aylward B.Price responsiveness in the developing country nature tourism context: review and Costa Rican case study.Journal of Leisure Research,1999, 31(3): 281–299
[10] 邓小艳, 邓毅.国家公园门票公益性回归的困境与出路.湖北经济学院学报, 2021, 19(2): 69–75
[11] 魏小安.公益性景区最终该免票[N].中国旅游报,2015–05–25
[12] Thur S M.User fees as sustainable financing mechanisms for marine protected areas: an application to the Bonaire National Marine Park.Marine Policy, 2010,34(1): 63–69
[13] Peters H, Hawkins J P.Access to marine parks: a comparative study in willingness to pay.Ocean &Coastal Management, 2009, 52(3/4): 219–228
[14] Wang P, Jia J.Tourists’ willingness to pay for biodiversity conservation and environment protection,Dalai Lake protected area: implications for entrance fee and sustainable management.Ocean & Coastal Management, 2012, 62: 24–33
[15] Bhat M Y, Sofi A A.Willingness to pay for biodiversity conservation in Dachigam National Park, India.Journal for Nature Conservation, 2021, 62: 126022
[16] Martín-López B, Montes C, Benayas J.Economic Valuation of Biodiversity Conservation: the Meaning of Numbers.Conservation Biology, 2008, 22(3): 624–635
[17] 张志强, 徐中民, 程国栋.条件价值评估法的发展与应用.地球科学进展, 2003, 18(3): 454–463
[18] Rathnayake R M W.Pricing the enjoyment of ‘elephant watching’ at the Minneriya National Park in Sri Lanka:an analysis using CVM.Tourism Management Perspectives, 2016, 18: 26–33
[19] Neher C, Duffield J, Patterson D.Valuation of national park system visitation: the efficient use of count data models, meta-analysis, and secondary visitor survey data.Environmental Management, 2013, 52(3): 683–698
[20] Song L, Xue Y, Jing Y, et al.Visitor’s willingness to pay for national park entrance fees in China: evidence from a contingent valuation method.International Journal of Environmental Research and Public Health,2021, 18(24): 13410
[21] 李玉臻, 徐宁蔚.基于CVM的三峡国家公园利益相关者支付意愿研究.商业研究, 2016(10): 32–38
[22] Mueller J M, Lima R E, Springer A E.Can environmental attributes influence protected area designation?A case study valuing preferences for springs in Grand Canyon National Park.Land Use Policy, 2017, 63:196–205
[23] Crompton J, Lue C C.Patterns of equity preferences among Californians for allocating park and recreation resources.Leisure Sciences, 1992, 3(14): 227–246
[24] Thurstone L L.Three psychophysical laws.Psychological Review, 1927, 34(6): 424–432
[25] Louviere J J, Gaeth G J.Decomposing the determinants of retail facility choice using the method of hierarchical and international comparisons.Journal of Marketing Research, 1987, 63(1): 149–157
[26] Casini L, Corsi A M, Goodman S.Consumer preferences of wine in Italy applying best-worst scaling.International Journal of Wine Business Research,2009, 21(1): 64–78
[27] Daly T M, Anne Lee J, Soutar G N, et al.Conflicthandling style measurement: a best-worst scaling application.International Journal of Conflict Management, 2010, 21(3): 281–308
[28] Hollis G.Scoring best-worst data in unbalanced manyitem designs, with applications to crowdsourcing semantic judgments.Behavior Research Methods, 2018,50(2): 711–729
[29] Jaeger S R, Cardello A V.Direct and indirect hedonic scaling methods: a comparison of the labeled affective magnitude (LAM) scale and best-worst scaling.Food Quality and Preference, 2009, 20(3): 249–258
[30] Louviere J J, Islam T.A comparison of importance weights and willingness-to-pay measures derived from choice-based conjoint, constant sum scales and bestworst scaling.Journal of Business Research, 2008,61(9): 903–911
[31] Massaglia S, Borra D, Peano C, et al.Consumer preference heterogeneity evaluation in fruit and vegetable purchasing decisions using the best-worst approach.Foods, 2019, 8(7): no.266
[32] Mueller S, Rungie C.Is there more information in bestworst choice data?.International Journal of Wine Business Research, 2009, 21(1): 24–40
[33] Remaud H, Lockshin L.Building brand salience for commodity-based wine regions.International Journal of Wine Business Research, 2009, 21(1): 79–92
[34] 张录法, 黄姣姣, 王慧, 等.优劣尺度法理论及应用研究述评.统计与信息论坛, 2019, 34(3): 24–30
[35] Finn A, Louviere J J.Determining the appropriate response to evidence of public concern: the case of food safety.Journal of Public Policy & Marketing,1992, 11(2): 12–25
[36] Louviere J, Lings I, Islam T, et al.An introduction to the application of (case 1) best-worst scaling in marketing research.International Journal of Research in Marketing, 2013, 30(3): 292–303
[37] Cohen E.Applying best-worst scaling to wine marketing.International Journal of Wine Business Research, 2009, 21(1): 8–23
[38] Goodman S.An international comparison of retail consumer wine choice.International Journal of Wine Business Research, 2009, 21(1): 41–49
[39] Louviere J, Flynn T N, Marley A A J.Best-worst scaling: theory, methods and applications.Cambridge:Cambridge University Press, 2015
[40] Lipovetsky S, Conklin M.Best-worst scaling in analytical closed-form solution.Journal of Choice Modelling, 2014, 10: 60–68