估算大型体育赛事对国内旅游需求的直接影响：以2024年巴黎奥运会为案例的微观分析方法

《Tourism Management》：Estimating the direct impact of mega sport events on domestic tourism demand: A micro-level approach using Paris 2024

　　摘要：关于大型体育赛事与旅游需求的研究大多忽视了国内旅游，且依赖的汇总数据掩盖了个体行为的调整情况。以2024年巴黎奥运会为案例，我们提出了一种方法，用于估算大型体育赛事对国内旅游在个体层面的直接影响。研究采用回顾性配对样本调查，构建了2023年至2024年的两期面板数据集。通过结合自我报告的出行动机以及在没有赛事情况下的假设行为来降低事后合理化偏差，将受访者分为受积极影响、受消极影响或未受影响的群体。由于不同群体的行为反应相互抵消，整体样本的旅游需求并未发生变化：受积极影响的人群中，部分人选择出行，部分人选择留在家中；而受消极影响的人群则出现替代效应或挤出效应。不过，若聚焦实际出行者，受影响人群的过夜停留时间增幅比未受影响的居民更大，但出行频率并无增加。微观层面分析对于理解大型赛事如何重塑旅游需求至关重要。

1. 引言
大型体育赛事常被认为能够刺激旅游需求（Bouvet, 2013; Chappelet, 2018; Delaplace等，2023，第18页；Li & Blake, 2009）。然而，实证研究表明存在矛盾现象：尽管主办国投入巨大，但赛事对旅游需求的实际影响差异很大。不同研究根据赛事类型、时空尺度及主办国特征，得出了不同结论——有的研究显示积极影响，有的则认为影响微乎其微甚至为负（Boto-García & Santana-Gallego, 2026; Drapkin等，2024; Fourie & Santana-Gallego, 2022）。这种差异使得一个长期存在的问题仍未得到解答：大型体育赛事究竟能带来净旅游增长，还是仅仅导致旅游流量在主办国内部重新分配？

现有研究多关注国际旅游流动（如Boto-García & Santana-Gallego, 2026; Drapkin等，2024; Fourie & Santana-Gallego, 2022; Vierhaus, 2019），而忽视了同样重要的国内市场。了解大型体育赛事如何影响国内旅游具有重要意义。首先，居民的支持是赛事成功的关键因素（Weimar & Rocha, 2019）。其次，在多个主办国，国内旅游占总旅游活动的很大比例。例如，在2024年奥运会的主办国法国，2022年的国内游客贡献了1184亿欧元的旅游支出，占比达58.4%（1）。这表明，赛事引发的国内旅游行为变化可能增强、减弱甚至抵消国际旅游带来的影响，进而影响整体旅游经济的净效应。第三，与国际旅游相比，国内旅游流在各国境内的分布更为分散（Arbulú等，2021），因此更便于观察替代效应，即旅游需求在主办国不同地区之间的重新分配。第四，大型体育赛事有望激发居民的兴奋感与集体热情（de Boer等，2019）。研究国内旅游有助于判断这种节日氛围是否促使人们从国际旅游转向国内旅游，从而减少进口替代效应（Preuss, 2011），或激励原本不常出行的居民前往旅游。

现有研究的另一个共同特点是依赖汇总数据。虽然这类数据能提供有价值的宏观视角，但却掩盖了个体行为的调整（Ba?os-Pino等，2021）。在个体层面，至少存在三种行为效应：挤出效应，即赛事使游客不愿前往该目的地（Preuss, 2011）；吸引效应，即赛事吸引游客前往（Preuss, 2005）；以及替代效应，即旅游模式在空间或时间上发生变动，但总体需求保持不变（Matheson, 2006，第30页）。汇总指标只能反映净变化，因此无法揭示潜在的巨大行为变化。微观数据则可通过将受访者划分为互斥的群体，从而区分这些效应。此外，这种方法还能将“吸引”概念扩展到“居家参与”，即居民选择留在本地体验赛事氛围。在当今的大型体育赛事中，尤其是随着主办国纷纷设立球迷区，这种行为反应愈发重要（3）。捕捉此类细微行为对政策制定者而言极具价值，有助于制定针对性的赛后旅游策略。

本研究提出了一种方法，用于估算大型体育赛事对国内旅游需求在个体层面的直接影响。所谓直接影响，指的是可归因于该赛事的旅游需求净变化（Hodur & Leistritz, 2007）。该方法基于单次赛事后的调查设计配对样本，受访者需报告赛事前后的旅游需求情况。这样的结构可形成两期个体面板数据集，与使用回顾性调查数据的方法一致（如Landry等，2012；Landry等，2020；Whitehead等，2018）（4）。通过结合自我报告的出行动机以及关于无赛事情况下的假设行为的问题，将受访者分为受积极影响、受消极影响或未受影响的群体，以此降低事后合理化偏差。旅游需求通过面板计数数据方法进行建模，通过比较受影响群体与未受影响个体的需求变化，即可得出直接影响。

我们将该方法应用于2024年巴黎奥运会，调查对象为法国本土具有代表性的居民，包括出行者和非出行者。国内旅游需求通过2023年和2024年的出行次数及过夜停留时间来衡量。我们选择从全国范围出发进行分析（而非仅聚焦法兰西岛大区），原因有二：其一，赛事组织者预计整体旅游需求会上升（Delaplace & Schaffar, 2022），因此要判断是需求净增长还是重新分配，就需要全国视角；其二，2024年巴黎奥运会被设计为一项全国性的分散举办赛事，比赛不仅在巴黎及其周边地区（法兰西岛大区）举行，还在马赛（帆船和足球）、里尔（篮球和手球）、沙托鲁（射击）以及里昂、波尔多、南特、圣艾蒂安和尼斯（足球）等地开展。如果仅分析法兰西岛大区，就会忽略大量因赛事而产生的或被抑制的旅游活动。

与传统聚焦第三季度的分析方式相比，我们更倾向于采用年度分析框架，因为奥运会的吸引效应会延续至赛事季度之外，奥运相关场所和基础设施在赛事前后都会吸引游客。此外还可能存在跨期的替代效应。那些因与奥运会无关的原因而对目的地感兴趣的游客，可能会推迟行程，以避免在赛事期间受到干扰。因此，若仅限制在第三季度进行分析，就有可能高估或低估赛事对旅游需求的整体影响。

本文从概念层面为相关研究做出了贡献，它提供了微观层面的证据，展现了人们对大型体育赛事的不同行为反应——包括吸引效应、挤出效应和替代效应——而这些在汇总指标中往往被掩盖。此外，本文还将“吸引”概念从与旅行相关的行为扩展到居家参与。在方法论方面，本文提出了一种创新的两步分类策略，有助于更精准地识别与赛事相关的效应。通过结合自我报告的动机与假设行为，该方法降低了事后合理化偏差——这是基于动机的研究的一个主要局限。此外，本文还将研究焦点从国际游客转向国内旅游，具有实质性贡献。最后，本文通过首次对一项分散举办的大型赛事在全年度内对国内旅游需求的微观层面影响进行评估，也为相关研究提供了新的实证依据。

本文的其余部分结构如下：第二节阐述理论框架；第三节介绍调查设计与实施过程；第四节介绍个体层面分类方法；第五节详细说明计量经济模型构建方法；第六节呈现描述性统计结果，第七节给出计量经济分析结果；第八节进行讨论并总结全文。

2. 理论背景
大型体育赛事通过多种行为渠道影响旅游需求。图1展示了一个框架，将居民分为受赛事影响和未受赛事影响的群体。未受影响的群体包括那些因与赛事无关的原因而出行的游客，以及那些因无关原因而不出行的非游客。而受影响的群体则至少有一次因赛事而产生的出行行为（5）。在这一群体中，有些人受到积极影响，有些人则受到消极影响。积极的行为反应通常表现为前往参加开幕式、比赛、庆典活动或参观赛事相关场所（赛事游客）。例如，Lee和Taylor（2005）发现，2002年韩国世界杯期间，57%的游客是因赛事而来。类似地，Allmers和Maennig（2009）估计，2006年德国世界杯期间新增了70万次过夜停留。最近，法国国家统计局也报告称，2024年巴黎奥运会期间，有更多游客前往法兰西岛大区（Biausque & Delvainquière, 2025）。

下载：下载高分辨率图片（238KB）
下载：下载完整尺寸图片

图1. 概念框架

除了实际出行，积极反应也可能以居家形式出现，即居民通过球迷区或其他互动活动在本地体验赛事氛围（居家参与型游客）。尽管这种行为不会带来额外的出行次数，但它仍属于积极的反应。如果忽视这类居家参与者，就有可能低估吸引效应，并将其误判为避免参赛的群体，从而高估赛事的负面旅游影响。

消极的行为反应则以回避行为为特征，包括挤出效应和替代效应。挤出效应是指人们为了避开赛事带来的各种问题，如交通拥堵、安全顾虑或价格上涨，而取消原有出行计划（包括取消已计划的行程的游客，以及因担忧而完全放弃出行的游客）（6）。这种现象在多个大型体育赛事中都有体现，比如1994年利勒哈默尔的冬奥会（Getz, 1998）、1996年亚特兰大奥运会（French & Disher, 1997）、2004年雅典奥运会（Chasapopoulos, 2014），以及2024年巴黎奥运会（Delaplace等，2023；Biausque & Delvainquière, 2025）。

替代效应则指那些仍然选择出行，但会调整行程安排——选择不同的目的地或出行时间——以避免赛事带来的负面外部因素。与挤出效应不同，替代效应会使旅游流量重新分配（Preuss, 2005），从而可能让非主办地的目的地受益。认识到替代效应的重要性，有助于避免高估大型体育赛事对旅游业的负面影响。

综上所述，在评估大型体育赛事对旅游需求的影响时，区分受积极影响、受消极影响和未受影响的群体至关重要。我们通过受访者自我报告的出行动机来确定这些群体，其依据是认为受访者最能判断赛事对其出行决策的影响（Voltaire & Pirrone, 2024）。在旅游经济学和环境经济学领域，自我报告的出行动机被广泛用于分析赛事或特定地点对旅游行为及旅游支出的影响（如Loomis & Caughlan, 2006；Loomis等，2000），以及旅游支出方面的影响（如Tyrrell & Johnston, 2001；Martínez-Espi?eira等，2009）。最近，法国国家统计局也运用这种方法，识别出那些主要因2024年巴黎奥运会而前往法国的国际游客（Biausque等，2025）。

然而，自我报告的动机可能会受到事后合理化偏差的影响（Wattanacharoensil & La-ornual, 2019），即由于大型体育赛事的知名度，受访者会事后高估赛事对其决策的影响。为减轻这一偏差，我们将动机与无赛事情况下的假设行为进行交叉验证。如果发现不一致，我们会采取两种互补策略：第一，通过重新分类，根据受访者所述的无赛事行为来重新划分群体；第二，采用计量经济方法，在需求模型中加入二元不一致变量，以控制事后合理化效应。

3. 调查设计与实施
2025年3月，市场调研机构BILENDI通过在线调查收集数据，调查对象为一个受访者小组，目标是为获得2500份有效问卷。样本是通过配额抽样方法构建的，以确保在性别、年龄、社会职业类别和地区等方面能够代表法国成年人口，同时还采用了性别-年龄交叉配额。在排除了有国际出行经历的受访者后，最终样本共有2452人。

问卷共包含57个问题，其中有一些问题会根据回答内容调整后续问题。第一部分用于收集社会人口统计信息，如性别、年龄、教育程度、社会职业类别、居住地及收入水平。第二部分用于了解2023年的基础出行行为。首先询问受访者2023年内是否在法国境内有过出行。对于回答“是”的受访者（出行者），则需要他们详细说明所去的城市、出行次数和过夜停留天数，以及出行的月份。对于回答“否”的受访者（非出行者），则询问他们2023年内是否有取消已计划的出行。如果有（取消者），则需他们提供类似的信息。

第三部分用于了解2024年的出行行为，其中包含了与2023年类似的筛选问题，涵盖已完成的出行和被取消的出行。这一部分又细分为三个子部分，分别针对三类受访者：出行者、取消者，以及既没有出行计划也没有取消计划的非出行者。一旦2024年的旅游信息以与2023年类似的方式收集完毕，受访者就会被问及2024年巴黎奥运会对其旅游决策的影响。游客们会说明选择特定城市和出行时间的主要动机（分别见框1中的Q22和Q28），以及在没有奥运会的情景下他们可能会采取的旅游行为（分别见框1中的Q33和Q34）。框1展示了游客在2024年出游的动机以及假设没有奥运会时的旅游行为。Q22：以下哪项最能描述您对所列城市的选择理由？1. 我选择某个城市主要是为了避免2024年巴黎奥运会带来的种种问题，比如拥挤、安全问题或物价上涨。2. 我选择某个城市主要是为了体验2024年巴黎奥运会，比如参加开幕式、比赛或庆典活动，参观奥运场馆。3. 我选择某个城市的原因与2024年巴黎奥运会无关。Q28：以下哪项最能描述您对所列月份的出行计划？1. 我在那些月份出行主要是为了避免2024年巴黎奥运会带来的问题。2. 我在那些月份出行主要是为了体验2024年巴黎奥运会。3. 我在那些月份出行的原因与2024年巴黎奥运会无关。Q33：如果2024年巴黎奥运会没有举办，您会如何选择旅行目的地？1. 我会选择国外或法国海外领地的目的地。2. 我会选择之前计划的那些目的地。3. 我会选择法国本土举办过奥运会的城市作为目的地。4. 我会选择法国本土未举办奥运会的其他城市作为目的地。5. 我根本不会去旅行。[若Q33答案不是5] – Q34：如果2024年巴黎奥运会没有举办，您会如何调整出行时间？1. 我会选择与原来相同的时段出行。2. 我会选择与2024年巴黎奥运会不同的时段出行。3. 我会选择与2024年巴黎奥运会相同的时段出行。而那些取消行程或根本没有出行计划的受访者，则需要说明他们不出行的一些主要原因（分别见框2中的Q44和Q47），以及假设没有奥运会时他们的出行行为（见框2中的Q49）。对于这些关于动机和假设行为的提问，答案选项是随机排列的，以避免顺序偏差。框2展示了2024年不出行的人的动机以及假设没有奥运会时的出行行为。Q44：以下哪项最能描述您的情况？1. 我在2024年没有按计划出行，主要是为了避免2024年巴黎奥运会带来的问题。2. 我在2024年没有按计划出行，主要是为了在本地区体验2024年巴黎奥运会的相关活动。3. 我在2024年没有按计划出行，原因与2024年巴黎奥运会无关。Q47：以下哪项最能描述您的情况？1. 我在2024年没有计划去法国本土旅行，主要是为了避免2024年巴黎奥运会带来的问题。2. 我在2024年没有计划去法国本土旅行，主要是为了在本地区体验2024年巴黎奥运会的相关活动。3. 我在2024年没有计划去法国本土旅行，原因与2024年巴黎奥运会无关。Q49：如果2024年巴黎奥运会没有举办，您会如何做？1. 我会选择国外或法国海外领地的目的地。2. 我会选择法国本土的某个目的地。3. 我根本不会去旅行。4. 对不同群体进行划分的分析框架4.1. 第一步：根据受访者自我报告的出行动机进行分类表1展示了一个分析框架，通过将Q22和Q28的答案选项进行交叉分析，把游客分为受到积极影响、消极影响或未受影响的群体。为更真实地反映空间和时间上的实际情况，目的地和出行月份被汇总到城市区域和季度层面。法国国家统计局定义的城市区域是将周边市镇整合为功能单元，这样的划分比行政边界更能体现旅游流动情况，因为游客在访问主办城市时往往也会在周边市镇停留。表1为对游客因奥运会而产生的出行反应进行分类的分析框架。Q22——选择目的地的动机Q28——选择出行时间的动机A. 避免干扰B. 体验奥运会C. 与奥运会无关1. 避免干扰完全替代时间吸引空间替代2. 体验奥运会时间替代完全吸引空间吸引3. 与奥运会无关时间替代时间吸引无影响当避免与奥运会相关的干扰成为出行计划的主导因素时，就会出现替代性行为。这包括完全替代（A类第1格），即既选择不同的目的地也调整出行时间以避免奥运会；空间替代（A类第1格C），即避开与奥运会相关的目的地，但出行时间保持不变；以及时间替代（A类第2格和A类第3格），即把出行时间安排在非高峰期，可能同时更换目的地或保持不变。例如，A类第2格描述的是那些因为想体验奥运会而选择留在附近非主办城市的游客，以此减少受干扰的可能性。受吸引力驱动的行为则是指那些因为想要亲身体验奥运会相关活动而出行，比如参加开幕式、比赛、庆典，或是参观奥运相关设施。这种行为表现为完全吸引（B类第2格），即目的地和出行时间都由奥运会决定；时间吸引（B类第1格和B类第3格），即出行时间由奥运会决定，有时需要调整地点以减少干扰；以及空间吸引（B类第2格C），即目的地由奥运会决定，但出行时间保持不变。最后，未受影响的行为（C类第3格）指的是那些出行时间和目的地都与奥运会无关的游客。对于那些不打算前往的游客，其可能的反应则通过基于动机的提问Q44和Q47来了解。吸引力选项（选项2）指的是那些选择留在本地，以便在当地感受奥运会氛围的游客。排斥行为选项（选项1）指的是那些因为想要避免奥运会带来的干扰而取消原有计划或干脆不出行的游客。无奥运会影响选项（选项3）则表示奥运会并未对其不出行的决定产生任何影响。根据这一框架，受到积极影响的游客会表现出受吸引力驱动的行为，对应于B类第1格、B类第2格、B类第3格、B类第2格C以及选项2；受到消极影响的游客则会表现出回避或替代行为，对应于A类第1格、A类第2格、A类第3格、A类第1格C以及选项1；而未受影响的游客则是那些出行时间和目的地都与奥运会无关的群体，对应于C类第3格和选项3。4.2. 第二步：检测自我报告的出行动机是否存在矛盾在针对个体层面的分组分析中，第二步是要检查受访者自我报告的动机与他们所说的在没有奥运会时的假设行为之间是否一致。因为如果奥运会真的对出行决策有决定性影响，那么没有奥运会的情况下，人们的出行行为应该会发生变化。如果受访者声称自己的出行决策是受奥运会影响的，但却表示在没有奥运会的情景下行为不会有变化，那么这类受访者就需要被重新分类。表2总结了这些一致性检验结果以及相应的重新分类情况，这些检验是基于针对游客的Q33和Q34问题以及针对不出行游客的Q49问题进行的。表2展示了游客和不出行游客的一致性检验及重新分类情况。初始群体假设性回答因果解释重新分类受到积极影响Q33=2且Q34=1/Q49=3没有变化/如果没有奥运会，就不会有出行未受影响群体Q33≠2或Q34≠1/Q49≠3出行目的地或时间取决于奥运会/如果没有奥运会，也会出行保持初始群体分类受到消极影响Q33=2且Q34=1/Q49=3没有变化/无法确认存在排斥现象未受影响群体Q33≠2或Q34≠1/Q49≠3即使没有奥运会也会出行/已确认存在排斥现象保持初始群体分类未受影响Q33=2且Q34=1/Q49=3没有因果关系/如果没有奥运会，就不会有出行保持初始群体分类Q33≠2或Q34≠1/Q49≠3奥运会影响了目的地或时间/已发现存在排斥现象受到消极影响群体5. 计量经济模型构建5.1. 计数模型研究聚焦两个因变量：2023年和2024年期间在法国的访问次数以及过夜住宿次数。这些变量具有典型的计数数据特征：非负整数、右偏分布以及过度离散现象。虽然泊松模型能够处理前两种特征，但却无法解决过度离散问题。负二项模型通过在泊松指数中加入一个对数伽马分布的随机项来克服这一局限（Holmes & Englin, 2010）。该模型的表达式为：(1)ln(λit)=βXit+εit，其中λit表示2023年（t=0）和2024年（t=1）时受访者i的预期访问次数或过夜次数；Xit为解释变量向量；β为参数值；εit为误差项。横截面计数模型假设各个观测值之间是独立的，但当多个观测值来自同一个个体时，这一假设就不成立了（Loomis, 1997）。具有随机效应或固定效应的面板计数数据模型则可以考虑个体内部的关联性，从而提高估计效率（Loomis, 1997）。随机效应模型会将误差项分解为多个组成部分（Alberini et al., 1997）。在本研究中，模型表达式如下：(2)ln(λit)=βXit+μi+eit，其中μi用于体现个体间未被观察到的差异，eit为随机误差项（Bhat, 2003）。一个重要假设是μi与Xit之间不存在相关性（Loomis, 1997）。固定效应模型则允许μi与Xit之间存在相关性（Bushway et al., 1999），这样就可以控制那些不受时间影响的差异性（Englin & Cameron, 1996; Bushway et al., 1999）。不过，这类模型需要大量的观测数据才能用于少数受访者分析（Loomis, 1997; Bushway et al., 1999）。鉴于我们的数据集中每个受访者只有两项观测数据，因此我们选择使用随机效应负二项模型，这类模型相比随机效应泊松-伽马模型，能更灵活地处理过度离散现象和个体内部关联性（Cameroon & Trivedi, 2010）。我们的实证模型表达式如下：(3)ln(λit)=β0+β1Yearit+β2POSi+β3NEGi+β4Yearit×POSi+β5Yearit×NEGi+β6Quart1it+β7Quart2it+β8Quart3it+β9Quart4it+β10Quart1it×POSi+β11Quart2it×POSi+β12Quart3it×POSi+β13Quart4it×POSi+β14Quart1it×NEGi+β15Quart2it×NEGi+β16Quart3it×NEGi+β17Quart4it×NEGi+∑βSdCSdCi+∑βRESRESi+μi+eit，其中Yearit是一个虚拟变量，2024年为1，2023年为0。它还会与各种群体标识变量相互作用：受到积极影响群体（POS）、受到消极影响群体（NEG）以及未受影响群体（作为参考组）。控制变量包括社会人口统计变量（SdC）以及反映不同季度出行情况的虚拟变量（Quart1 - Quart4），这些变量可用于体现不同个体在时间上的出行差异。由于受访者可能在多个季度都有出行计划，或者根本不出行，所以这些季度虚拟变量并非互斥，从而避免了完全多重共线性的问题。它们与POS和NEG的交互作用可以控制各群体在时间上出行情况的基线差异，避免因为原有差异而导致β4和β5出现偏差。参数β4和β5分别用来衡量与未受影响群体相比，2023年和2024年间受到积极影响和消极影响的人群的旅游需求所产生的差异。需要指出的是，未受影响群体并不能作为传统的对照组。由于2024年巴黎奥运会的影响范围覆盖全国，且媒体报道极为广泛，几乎所有法国居民都直接或间接地了解了这场奥运会。因此，实际研究环境并不存在真正“未受影响”的对照组。这三个群体并非代表“处理组”和“对照组”中的个体，而是反映了人们对奥运会的不同自我报告行为反应。所以，β4和β5反映的是2023年和2024年间，不同行为反应群体之间的旅游需求差异，而非因果关系。5.2. 群体成员身份的自我选择由于群体成员身份是基于受访者自我报告的动机来确定的，因此人们会自行选择加入受到积极影响群体、受到消极影响群体或未受影响群体，这就引发了内生性问题的担忧。为了解决这个问题，我们采用了Terza等人（2008）提出、Wooldridge（2014）认可的两阶段残差包含方法。在这种方法中，内生变量仍保留在结果方程中，而第一阶段模型产生的残差——用于捕捉那些未被观察到的混淆因素——则被作为回归变量纳入模型。Geraci等人（2016）研究表明，当第一阶段模型被设定为多项式回归时，这种两阶段残差包含方法适用于计数数据模型。例如，Giannoni等人（2021）也应用了这种方法来处理具有多项式内生回归变量的计数模型。群体成员身份是通过多项式逻辑回归模型来预测的，这些模型使用了社会人口统计变量，以及三个能够反映人们与奥运会接触程度和参与程度的工具变量：与主办城市的地理距离、是否居住在奥运相关市镇，以及当地体育设施的密集程度。从理论上讲，这些工具变量应该与群体成员身份存在关联，但不会直接影响整体的国内旅游需求——也就是2023年和2024年的总访问次数或过夜住宿次数。地理距离可以通过两种机制影响人们受到奥运会积极影响的概率。首先，地理距离越近，出行和参与奥运活动的成本就越低，这就增加了人们出于参与奥运会目的而出行的可能性（Weimar & Rocha, 2019）。其次，地理距离近有助于人们更方便地体验奥运会的相关氛围和活动，即便不进行与旅游相关的出行，也能感受到奥运会的魅力，这就是所谓的“居家吸引力”。2023年至2024年间，无论是否受到赛事影响，受访者的国内旅游出行次数分别增长了约28%和6%。在修正了内生性问题后，出行次数的增长趋势依然稳定在29%，而过夜住宿次数的增长则略有下降，为4.5%。POS和NEG系数反映了受影响群体与未受影响群体之间的需求差异。若忽略内生性问题，这两个系数均为负值且具有显著性，表明受影响群体在2023年的出行频率更低。但通过引入残差项RESPOS和RESNEG后，这些系数不再显著，说明群体间的差异其实是由未被观察到的因素共同导致的，而非原本就存在的真实差异。重新分类处理后，群体差异消失，表明此时可将群体成员视为条件上外生的变量。

稳健性测试显示，将样本限制在潜在游客范围内后，结果与表5基本一致，且残差仍不显著，进一步验证了该方法的有效性。不过，在仅使用不一致性虚拟变量的模型中，残差出现显著性，说明二元指标无法完全捕捉潜在游客子样本中的选择效应。此外，Year与NEG的交互项在各类模型中均不显著，表明对于那些因赛事而产生出行动机的群体而言，奥运会并未带来直接的出行促进效应。表7则将样本进一步限定为实际游客——即2024年实际出行的受访者，排除了积极影响组中因赛事而选择留在家中的游客以及消极影响组中被替代的游客。由于重新分类后积极影响群体规模较小（6.2%），该分析采用了不一致性指标方法。结果显示，实际游客的出行次数和过夜天数均有上升，其中出行次数增幅为31.5%，过夜天数增幅为5.9%。POS系数为正且显著，说明受赛事影响的实际游客原本的出行强度就高于未受影响的游客。Year与POS及Year与NEG的交互项在出行次数上仍不显著，但在过夜天数上为正且显著，表明在2024年实际出行的群体中，无论是积极影响还是消极影响的游客，其过夜天数都比未受影响的游客多了约11%。这一结果表明，奥运会主要影响了实际游客的出行时长，而非出行频率。最终，不一致性变量和残差均不再显著，这表明在严格的游客样本中，只要属于2024年的活跃游客，其群体归属就可视为外生变量。8. 讨论与结论8.1 理论、方法与实践层面的贡献从理论层面来看，本研究挑战了大型体育赛事所带来的吸引力会直接转化为旅游行为（Preuss, 2005），进而推动旅游业发展的这一假设。我们的研究结果表明，在国内旅游背景下，这种关系并非如此简单。在东道国居民中，赛事的吸引力并不会引发一致的行为反应，而是通过两种相反的机制发挥作用：一部分人选择出行观看赛事，而另一部分人则选择留在本地，包括非赛事举办地，不会带来额外的旅游流量（即“留守吸引力”）。这种行为差异具有重要意义。尤其是，POS系数仅在实际游客中为正且显著，而当将那些因赛事而留守的人也纳入受积极影响的群体后，该系数便不再显著。这表明大型体育赛事可能会产生强大的社会吸引力，但不一定能带来相应的旅游流量增长。这些发现强调了需要将“赛事成功”与“旅游业发展”区分开来，因为仅依赖旅游流量数据可能无法全面评估此类赛事的总体影响。在这方面，我们的结果似乎支持并强化了那些倡导采用更广泛评估框架的研究观点，这类框架应纳入幸福感、兴奋感和社会参与度等非市场维度（例如，Barget & Gouguet, 2007; de Boer et al., 2019; De Nooij & Van den Berg, 2013; Whitehead & Wicker, 2018）。与举办大型赛事相关的这些维度具有公共物品的特征：它们在消费上具有非竞争性，且无法通过定价手段排除他人使用（Mitchell & Stewart, 2015）。我们的研究还重新定义了大型体育赛事在微观层面的“负面影响”概念。在宏观层面上，负面影响通常是通过游客数量下降来推断的，进而被视为整体旅游需求的萎缩（例如，Chasapopoulos et al., 2014）。但我们的微观研究结果挑战了这种等同关系，表明对大型赛事的负面看法并不一定会导致旅游活动的减少。实际上，“受到负面影响”的最终结果取决于替代效应与不同旅游需求维度上的挤出效应之间的相对强度及相互作用。具体而言，在游客数量方面，替代效应抵消了挤出效应，这一点从Year x NEG系数不显著可以看出，说明旅游频率没有变化；而在过夜停留方面，挤出效应占主导地位，这从Year x NEG系数为正且显著可以看出（见表5、表6、表7），意味着停留时间有所增加。总体而言，我们的研究结果表明，对大型体育赛事的负面看法可能与稳定的甚至上升的旅游强度共存。从方法层面来看，本研究解决了事件旅游影响研究中的一个根本性缺陷：即仅仅依靠自我报告的动机来对个体进行分类。尽管这在学术研究中较为常见，但自我报告的动机容易受到事后的合理化解释（Wattanacharoensil & La-ornual, 2019），这就引发了关于测量有效性的担忧。我们的数据证实了这一问题，约有35%的受访者在其自我报告的动机与在没有赛事情况下的预期行为之间存在差异。本文的主要方法贡献在于引入了一种反事实验证框架，用于识别并纠正这些行为不一致性。我们发现，这种差异是群体归属内生性一个重要但常被忽视的来源，这一点从表4中显著的残差项可以看出。至关重要的是，一旦使用反事实验证方法对受访者进行重新分类，基于残差的修正就不再具有统计学意义。这一发现有力地证明了我们的方法不仅仅是改进了现有的测量方式，更是解决了核心的识别问题。因此，在依赖自我报告的动机数据时，反事实验证应被视为准确评估大型体育赛事影响的前提条件。最后，从实践层面来看，我们的研究首先表明，考虑到全部样本，无论是受到积极影响还是消极影响的个体，其国内旅游需求都与未受影响的居民没有统计学上的差异。这说明2024年巴黎奥运会更多地是在法国民众之间起到了资源再分配的作用，而非推动整体旅游业发展的动力。这种“无影响”的总体趋势并非新现象，因为利用宏观数据对其他大型体育赛事也得出了类似结论（例如，Allmers & Maennig, 2009）。本研究的关键实践贡献在于超越这一基准，将焦点转向那些有国内旅游意愿的个体。通过分析这一特定群体，我们发现了全样本数据所无法显示的重要行为变化。具体而言，我们发现受到消极影响的群体的过夜停留时间显著增加。当将分析范围限制在实际游客时，这一趋势更为明显。在这一活跃的子样本中，无论受到积极影响还是消极影响的个体，其过夜天数都更多，尽管他们的旅游次数并未相应增加。全样本与受限样本之间的差异，以及旅游频率与停留时间之间的差异，都表明大型体育赛事的直接影响对需求指标以及所考虑的受众群体都非常敏感。换言之，目前还无法给出一个确定的数值，来说明此类赛事在个体层面究竟如何直接影响国内旅游。我们强调“直接”这一概念，是因为在那些自称未受影响的个体中，尤其是旅游次数方面，出现了异常大幅的增长（表4中为29%），而这一现象无法用传统的结构性因素来解释。即便是在新冠疫情之后的复苏期，法国的旅游增长幅度也未能达到类似水平，这表明背后存在更为复杂的行为机制。与局部举办的赛事不同，2024年巴黎奥运会的规模使得整个法国国内民众都受到了影响，而广泛的媒体报道进一步放大了这种影响。正如Hede（2005）所指出的，这类媒体报道不仅涉及体育赛事本身，还会展示主办地的各类旅游资源。这种大规模的媒体宣传可能起到一种信息引导的作用，潜移默化地激发了那些并未刻意将自身行为归因于奥运会的民众的旅游意愿。因此，虽然我们的反事实验证方法有效地减少了事后的合理化解释，但仍然无法完全排除这些间接的媒体效应。不过，我们的数据并不允许我们直接识别或量化这一机制。8.2 政策与方法层面的启示这些研究结果具有重要的意义。首先，留守吸引力的存在表明，规划大型体育赛事时不应仅仅假设其好处来源于游客数量的增加。因此，应将在事前影响评估中纳入这种行为反应，而目前的评估往往侧重于预测的旅游流量。政策设计还应充分考虑本地消费，比如投资建设球迷区以及便捷的观赛设施，以便居民无需跨地区流动就能参与到赛事中来。在这方面，类似于法国“赛事之地”标识的举措应更系统地纳入赛事规划中，因为它们既能提升本地人的参与度，又能降低潜在的负面外部效应。其次，我们的研究结果表明，对于过夜停留而言，替代效应强于挤出效应。这意味着与赛事相关的旅游需求可能会在不同地点和不同季节之间重新分配，从而可能使某些地区受益，同时损害其他地区的利益。各地政府应预见到这些短期的资源再分配效应，并采取针对性的干预措施。人们的选择往往基于信息或以往的经验（Crompton, 1992）。对于大型体育赛事，现有研究往往高估了其负面外部效应，导致人们的认知与实际情况之间存在较大差距（Wicker & Downward, 2019）。那些预计需求会下降的决策者可以通过提供有关缓解措施的清晰信息，以及利用实时监控和数字通信工具向公众通报交通流量、拥堵状况和服务可用情况，从而缩小这一差距。可以根据那些受到积极影响与消极影响的人群差异，来制定更有针对性的策略。最后，尽管自我报告的动机是捕捉赛事对旅游需求影响的重要手段（Tyrrell & Johnston, 2001），但这些数据存在事后合理化偏差。通过反事实回应来验证自我报告的动机，是一种有效的、尽管并不完美的方法，可用于减少事件影响研究中的这类偏差。由于仅依据自我报告的动机进行群体分类会导致内生性问题，因此通过反事实行为进行重新分类有助于解决内生性问题，提高处理组的内部一致性。因此，未来的微观研究应常规性地结合这两种方法，以提高群体划分的准确性，从而得到更可靠的影响评估结果。8.3 局限性与未来研究方向本研究也存在一些局限性，但这些局限性也为未来的研究提供了方向。首先，由于缺乏季度数据以及空间层面的详细信息，难以精确量化替代效应的规模。未来的研究可以设计两阶段的调查方案：在赛事当年，收集上一年的季度数据和目的地层面的数据；在赛事结束后立即对相同或相似的样本再次进行访谈，使用相同的测量工具，同时补充关于动机和反事实行为的调查内容。其次，我们的分析依赖于两期的个体面板数据。然而，大型体育赛事还可能影响目的地的形象和吸引力，进而影响人们在赛事之后的旅游决策，而且这种影响可能会在一段时间后才会显现（Hiller, 2000）。例如，那些在2024年选择不出行的人，由于基础设施的改善以及积极的媒体宣传，可能在后续几年更愿意前往赛事举办地——这是一种滞后的吸引力，需要通过纵向研究来探讨。因此，我们的估算结果只能反映赛事的短期影响。未来的研究应探讨这些长期的形象效应是否会导致旅游行为的持续变化。第三，虽然我们所使用的变量在统计上具有相关性，且其显著性也得到了验证，但诸如“赛事之地”标识和本地体育设施密度之类的变量，主要反映的是个体所处的环境背景，而非个体的内在特征。未来的研究应寻找与个体特征更直接相关的变量，比如之前的体育参与经历、是否曾参加过重大赛事或到访过赛事举办地等。第四，促使人们调整行程去观看赛事的动机可能十分复杂。因此，采用模糊集量化分析框架可能是未来研究的一个可行方向。模糊集方法可以通过李克特量表来容纳受访者各种不同的感知程度（例如，Afonso et al., 2018; Corne & Peypoch, 2020; Kumar et al., 2023）。最后，尽管我们的方法最初是为国内旅游开发的，但只要能找到具有代表性和可行性的目标市场，它也可以应用于国际旅游领域。更广泛地说，除了大型体育赛事之外，这一框架还可用于评估其他大型活动，如重要的文化节庆和展览活动带来的旅游影响。影响总结本研究表明，大型体育赛事并不会自动促进国内旅游的发展，相反，东道国居民的反应呈现出多样性，包括新增旅游需求、本地参与、替代效应以及挤出效应等。在方法上，本研究通过结合自我报告的动机与反事实行为，采用了一种更为稳健的分析方法，以此减少事后的合理化偏差，提高对赛事影响的衡量精度。研究结果指出，赛事的影响因人群和旅游指标的不同而有所差异，这提示政策制定者和规划者应超越单纯的游客数量指标，综合考虑本地消费以及旅游活动的再分配情况。生成式AI及AI辅助技术在本研究写作过程中的应用说明在撰写本论文时，作者使用了ChatGPT来优化语言表达。在使用该工具/服务之后，作者对内容进行了必要的审阅和修改，并对最终发表的文章内容负全责。CRediT作者贡献说明Louinord Voltaire：概念构建、数据整理、定量分析、资金获取、方法设计、项目管理、软件应用、结果验证、初稿撰写、文章审阅与修改。Sauveur Giannoni：概念构建、数据整理、定量分析、方法设计、软件应用、研究指导、初稿撰写、文章审阅与修改。Philippe Chagnon：概念构建、数据整理、数据收集、结果可视化、初稿撰写、文章审阅与修改。Antoine Rogier：数据整理、软件应用、初稿撰写、文章审阅与修改。Louinord Voltaire|Sauveur Giannoni|Philippe Chagnon|Antoine Rogier法国敦刻尔克市，科特达乔尔滨海大学、里尔大学，ULR 4477 - TVES - 城市、环境与社会领域，邮编F-59140。