1 引言(Introduction)

目前, 全球气候变暖已成为不争的事实, 而人类社会经济活动过程中的碳排放是造成全球气候变暖的重要原因.旅游业是当今世界上最大也是增长最快的产业部门, 在人为因素引起的CO₂排放总量中, 旅游业占到了4.9%, 且在2035年以前仍将以年均2.5%的速度增长(UNWTO, 2009; Whittlesea et al., 2012).作为联合国气候变化框架公约下的国家之一, 中国政府于2015年确立了到2030年单位GDP碳排放比2005年下降60%~65%的目标.如此大幅度的碳排放减量对中国的节能减排工作提出了更高的要求, 各行业都需要付出很大的努力.国务院在2014年发布的《关于促进旅游业改革发展的若干意见》中明确提出将旅游业作为国民经济的战略性支柱产业来培育, 因此, 对旅游业碳排放的测算及规律研究是一个关系到国家节能减排国际承诺能否实现的重要课题.

国内外学者对旅游业碳排放问题进行了大量研究并取得了一定的成果.其中, 不同尺度的区域旅游业碳排放量评估是关注的重点.国外学者的评估范围相对宽泛, 涉及全球(Gössling, 2002)、大洲(Eijgelaar et al., 2010)、国家(Byrnes et al., 2006;Howitt et al., 2010;Cadarso et al., 2014)、地区(Becken et al., 2003; Martín-Cejas et al., 2010; Jones, 2013;Filimonau et al., 2014)、省市(Peeters et al., 2006; El Hanandeh, 2013)和旅游目的地(Kelly et al., 2007; Dawson et al., 2010)等不同尺度.国内方面, 石培华等(2011) 首次从国家层面测算了我国旅游业碳排放量；在省域/地区层面, 部分学者对江苏(陶玉国等, 2011)、江西(王立国等, 2011)、湖南(赵先超等, 2013)、山东(袁宇杰等, 2013)、成都市(Liu et al., 2011)、舟山群岛(肖建红等, 2011)、长三角地区(谢园方等, 2012)及台湾澎湖列岛(Kuo et al., 2009)等地的旅游业碳排放进行了测算.少数学者从微观层面对地区旅游业碳排放的影响因素进行了探讨, 如Baležentis等(2012) 分析了旅游容量、游客停留时间及农庄空间分布等因素对立陶宛乡村旅游业碳排放的影响；Liu等(2011) 探讨了能源强度、游客消费水平和产业规模等对成都旅游业碳排放的作用；陶玉国等(2014) 利用LMDI分解法将江苏省旅游业碳排放分解成能源强度效应、能源结构效应、游客规模效应、消费水平效应和旅游收入结构效应, 探讨了旅游业碳排放影响因素的作用机理.综上可见, 尽管己有少数学者对旅游业碳排放的驱动力进行了实证研究, 但考察的区域范围较小、时间序列较短, 不利于从整个产业的纵横视角来审视旅游业碳排放及其影响因素.为此, 本研究拟主要运用STIRPAT模型及岭回归分析方法, 探讨1995—2014年中国及其东、中、西部地区旅游业碳排放的变化趋势及各主要影响因素的贡献率, 以期为明确中国各区域旅游业低碳化发展的目标和任务、确立针对性的节能减排措施等提供可靠的数据支撑和理论参考.

2 研究方法与数据来源(Study methods and sources of data) 2.1 研究方法 2.1.1 旅游业CO₂排放量计算方法

旅游业CO₂排放核算方法主要分为“自下而上”和“自上而下”两大类.考虑到中国尚未建立系统的旅游卫星账户及温室气体排放监测制度, 本研究主要采用“自下而上”的CO₂排放核算方法, 并借鉴Becken等(2003) 和Patterson等(2004) 的实证研究法, 确定旅游交通、旅游住宿和旅游活动为旅游业CO₂排放的重点领域, 采取分解加总方法对旅游业CO₂排放量进行“自下而上”的测度.具体计算方法如下：

(1)

式中, C^t表示t年旅游业CO₂排放总量(g)；C_j^t表示t年j部门的CO₂排放量(g)；C₁^t表示t年旅游交通CO₂排放量(g)；C₂^t表示t年旅游住宿CO₂排放量(g)；C₃^t表示t年旅游活动CO₂排放量(g).

(2)

式中, C_i1^t为t年i地区旅游交通CO₂排放量(g)；Q_ix^t为t年i地区x类交通方式(公路、民航、铁路、水运)的客运周转量(pkm)；f_x为x类交通方式的客运周转量中旅游者的比例, 本研究参考已有研究成果, 根据中国实际情况并结合专家咨询意见确定公路、民航、铁路和水运的f值分别为13.8%、64.7%、31.6%和10.6%(魏艳旭等, 2012)；α_x为x类交通方式的CO₂排放因子(g·pkm^-1), 公路、民航、铁路和水运的CO₂排放因子分别为133、137、27和106 g·pkm^-1(魏艳旭等, 2012).

(3)

式中, C_i2^t为t年i地区旅游住宿CO₂排放量(g)；N_i^t为t年i地区旅游饭店客房床位数；l_i^t为t年i地区旅游饭店平均客房使用率；β为每张床位每晚的CO₂排放因子, 取值为2.458 g·床^-1·晚^-1(石培华等, 2011).

(4)

式中, C_i3^t为t年i地区旅游活动CO₂排放量(g)；P_is^t表示t年i地区进行s类型旅游活动的游客人数；γ_s为进行s类型旅游活动的CO₂排放因子(g·人^-1)；观光旅游、商务旅游、休闲度假旅游、探亲访友旅游和其他类型的旅游活动的CO₂排放因子分别为417、786、1670、591和172 g·人^-1(石培华等, 2011).

2.1.2 STIRPAT模型

本研究采用York等(2003) 提出的STIRPAT模型为分析工具, 该模型是在人文因素与环境影响之间的恒等式IPAT基础上发展起来的.传统的Kuznets曲线仅考虑了经济增长而忽视了其他因素对环境的影响.为解释多影响因素背景下经济增长对环境的影响, Ehrlich等(1971) 提出了IPAT模型, 认为影响环境状况(I)的人文因素主要有3种：人口规模(P)、富裕程度(A)和技术水平(T), 但该模型仅能得到自变量对因变量的等比例影响关系, 因而实际应用中常使用在IPAT等式基础上扩展得到的非线性STIRPAT模型.STIRPAT模型可以克服Kaya等式和IPAT模型中“各因素等比例影响环境状况”假设的不足, 而且也允许对各人文因素进行适当的分解, 是对IPAT模型的修正和扩展(York et al., 2003).其具体形式如下所示:

(5)

式中, I、P、A、T 分别表示环境压力、人口规模、富裕程度和技术水平的表征值；a为模型的系数；b、c、d分别是人口、富裕度、技术等人文因素的指数；ε为模型误差.

在实际应用中, 为了通过回归分析确定有关参数, 通常将式(5) 进行对数化处理:

(6)

以lnI作为因变量, lnP、lnA、lnT作为自变量, 对模型(6) 进行多元线性拟合.根据弹性系数概念, P、A、T每发生1%的变化, 将分别引起I发生b%、c%和d%的变化.

2.1.3 模型扩展及指标选取

结合旅游业的实际情况, 综合考虑研究的全面性和数据的可获取性, 本研究对STIRPAT模型进行了扩展, 选取显著代表旅游业碳排放水平的CO₂排放量作为被解释变量, 并且对相关自变量也进行了相应的分解和改进.首先, 人口因素以旅游接待人次来表征, 因为旅游接待人次越多, CO₂排放量就越大；其次, 富裕度指标以人均旅游收入来度量, 一个地区人均旅游收入越高, 则所消耗的能源越多, CO₂排放量也越高；第三, 技术指标用旅游业CO₂排放强度表征, CO₂排放强度是指单位旅游收入所产生的CO₂排放量, 该指标反映能源的利用效率, 一个地区旅游业CO₂排放强度越低, 则技术水平越高, CO₂排放量越少；最后, 由于旅游过程中的CO₂排放主要分为“旅游交通”、“旅游住宿”及“旅游吸引物与相关旅游活动”3个部门(Becken et al., 2003 ), 考虑到不同旅游部门CO₂排放量的差异性, 且旅游交通部门是旅游系统内部能源消耗与碳排放最主要也是密度最高的部门(Gössling et al., 2005;Liu et al., 2011), 本研究引入旅游部门碳排放结构这一与CO₂排放密切相关的变量, 以旅游交通CO₂排放量占整个旅游业CO₂排放总量的比重来表征.其他条件相同时, 旅游交通产生的CO₂占旅游业CO₂排放总量比值越高, 旅游业CO₂排放量越大.在此基础上, 分别对中国及其东、中、西部地区构建STIRPAT模型, 具体如下：

(7)

式中, I_it为旅游业CO₂排放总量, 即环境影响表征值(万t)；α为常数；P_it表示旅游接待人次(万人次)；A_it表示旅游经济发展水平, 用人均旅游收入表示, 其中, 各区域旅游收入折算为1995年可比价(元·人^-1)；T_it为旅游业CO₂排放强度, 以旅游业CO₂排放量与旅游收入之比表示(kg·万元^-1)；S_it为旅游部门碳排放结构, 以旅游交通CO₂排放量占旅游业CO₂排放总量的比重表征；ε_it为模型随机项, i和t分别表示区域和年份.

为了检验各影响因素对旅游业CO₂排放量的影响, 对式(7) 两边取对数, 得:

(8)

式中, β₁、β₂、β₃、β₄为弹性系数, 表示当 P、A、T、S每变化1%时, 分别引起 I发生 β₁% 、β₂% 、β₃% 、β₄% 的变化.

为考察旅游经济发展水平与旅游业CO₂排放量之间是否存在倒 U型环境Kuznets曲线, 将模型(8) 的自变量lnA_it分解成lnA_it与(lnA_it)²两项(王立猛等, 2008), 模型调整为:

(9)

式中, β₂₁、β₂₂分别为人均旅游收入对数及其对数二次项的系数.如果β₂₂值为负, 就说明存在倒U型环境Kuznets曲线, 即存在环境开始改善的人均旅游收入状态值．

2.2 数据来源

本研究的基础数据来源于1996—2015年《中国旅游统计年鉴》及其副本、《中国国内旅游抽样调查资料》、《入境游客抽样调查资料》、《中国人口和就业统计年鉴》、《中国交通年鉴》和《新中国六十年统计资料汇编》及各省区旅游业年度统计报告等, 部分缺失数据采用相邻年份数值进行线性插补.其中, 旅游收入以1995年为价格基期, 采取1996—2015年《第三产业统计年鉴》的价格指数进行修正, 剔除了通货膨胀的影响因素.各类交通方式的CO₂排放因子、客流量中旅游者的比例、每张床位每晚的CO₂排放因子及旅游活动的CO₂排放系数引自国内外已有研究成果.

3 结果与分析(Results and analysis) 3.1 旅游业CO₂排放量的变化趋势

如图 1所示, 1995—2014年, 中国旅游业CO₂排放总量从2102.469×10⁴ t增加至10767.556×10⁴ t, 翻了近5倍, 总体上呈现出持续增长的态势.这主要是由于经济的快速发展和旅游规模的不断扩大导致了旅游业CO₂排放量的不断上升.从变动幅度来看, 1995—2003年间旅游业CO₂排放量增长缓慢, 年均增长率为8.621%；2003—2014年间个别年份CO₂排放量有所下降, 但整体上增速明显加快, 年均增长率高达9.237%. 其中, 2009年的排放总量增幅最大, 较上年增长了20.464%, 增加量为1660.836×10⁴ t；2013年相对上一年减少了14.419%, 减少量为1650.375×10⁴ t, 为整个研究期内减少幅度最大的一年.

从区域格局上看, 东部地区旅游业CO₂排放量在过去20 a间始终处于着主导地位, 占全国的比重大致保持在50%左右, 其变动趋势与全国旅游业CO₂排放总量的变动趋势基本一致：1995—2003年间排放量变化不大, 2003—2014年间急速增长.中、西部地区旅游业CO₂排放量增长速度则相对较为均衡, 年均增长率保持在12%左右, 除2009年西部地区CO₂排放量相对于上一年度增长幅度显著放大之外, 二者大体保持着同步增长的态势.这主要是西部地区的部分省市当年开通了多条热门旅游航线, 旅游接待规模得以迅速扩大, 旅游交通等部门CO₂排放量大幅上升所致.

3.2 旅游业CO₂排放变动影响因素的变化趋势

由图 2可知, 除在2003年主要由于SARS病毒影响出现下降以外, 中国旅游接待人次在过去20 a间持续上升.接待总量翻了13倍多, 年均增长率高达14.730%.与此同时, 全国旅游接待人次阶段性特征明显：1995—2003年旅游接待人次增长相对平缓, 2003年以后增长幅度明显加大.从区域结构上看, 三大地带的旅游接待人次变动趋势大体相同.其中, 东部地区除在2003年和2014年出现负增长以外, 其旅游接待人次整体上呈增长态势, 而且旅游接待总量始终占据了全国的1/2, 但年均增长率略低于全国水平, 为13.265%；中部地区除2003年和2005年为负增长以外, 其余各年均为正增长, 年均增长率为15.944%；西部地区旅游接待人次仅在1998年和2003年略有下降, 其余各年均为正增长, 年均增长率高达16.412%, 为三大地带中的最高值.

整体上看, 中国人均旅游收入变动较大, 2014年的人均旅游收入较1995年增长了近34.6倍.其中, 以1997年的增量最为显著, 较前年增加了约86.022%.研究期内, 东部地区人均旅游收入最高, 大致为全国人均旅游收入的2倍左右；中部地区人均旅游收入最低, 仅为全国人均旅游收入的50%左右.从变动趋势上看, 东部地区人均旅游收入除在少数年份出现小幅下降以外, 总体上保持着持续增长, 年平均增长率为17.349%；中部地区人均旅游收入增长最快, 年平均增长率高达27.851%, 其中, 1997年的增长幅度达到了190.930%；西部地区人均旅游收入除在2004—2006年出现一个倒U型的小幅波动以外, 其变动趋势与中部地区差异不大, 年均增长率为24.768%.

图 3显示, 除2004年和2009年出现小幅上升以外, 中国旅游业CO₂排放强度从1995年的893.506 kg·万元^-1下降至2014年的119.740 kg·万元^-1, 年平均下降速率为10.038%, 整体下降趋势明显.其中, 1997年的降幅最大, 高达332.619 kg·万元^-1.分而言之, 中部地区旅游业CO₂排放下降趋势最为显著, 其旅游业CO₂排放强度从研究基期的1872.442 kg·万元^-1下降到研究期末的80.349 kg·万元^-1, 年平均下降速率高达15.271%；东部地区旅游业CO₂排放强度下降幅度最小, 从624.060 kg·万元^-1下降到143.552 kg·万元^-1, 年平均下降率仅为7.443%；西部地区从1955.035 kg·万元^-1下降到104.257 kg·万元^-1, 年平均下降率14.297%.

旅游交通CO₂排放所占比重整体呈波动上升趋势, 但其变动幅度维持在一个相对稳定的水平范围内, 上升幅度不如人均旅游收入明显, 年均增长率仅为0.597%.其中, 东部地区旅游交通CO₂排放所占比重上升最为显著, 年平均增长率达到1.186%；研究期内, 中部地区旅游交通CO₂排放所占比重曾持续下降, 但在区域旅游经济快速发展的拉动下, 2014年又上升至76.430%, 与1995年大体持平；西部地区旅游交通CO₂排放所占比重相对较高, 但其旅游业碳排放的部门结构在波动中逐步改善, 尽管2004年旅游交通CO₂排放所占比重增幅极大, 达到了4.155%, 1998、2000、2001、2007和2008年也出现了不同程度的上升, 但其年均增长率仍为负值, 2014年较1995年下降了7.313%.

3.3 STIRPAT模型结果分析

根据收集到的指标数据, 以线性STIRPAT方程为模型, 运用SPSS20.0软件对式(9) 以最小二乘法进行回归, 并进一步计算各自变量的方差膨胀因子(VIF).结果显示, 只有旅游交通CO₂排放占比的VIF值小于10, 其余4个自变量VIF值均远远大于10, 并且全国人均旅游收入对数系数和人均旅游收入对数二次项系数的方差膨胀因子高达381.377和1212.774(表 1), 说明变量之间存在严重的多重共线性.因此, 普通最小二乘法拟合的结果无法得到可靠保证, 不宜用其进行无偏估计.

为克服自变量间的多重共线性问题, 采用岭回归分析对模型(9) 进行拟合.岭回归估计是一种专用于共线性数据分析的有偏估计方法, 它通过放弃最小二乘法的无偏性, 以损失部分信息、降低精确度为代价来获得更符合实际、更稳定可靠的回归系数.因此, 岭回归方法实际上是一种改良的最小二乘法, 其所得剩余标准差比最小二乘法回归要大, 但对病态数据的耐受性更强(姜磊等, 2011).结合相应旅游碳排放影响因素的指标数据对式(9) 进行岭回归分析, 岭回归系数 K在(0, 1) 区间, 以步长为0.01进行取值.运行程序逐一进行模型可决系数和变量系数的估算, 得到岭回归K值与相应系数的变化结果.可以判断当K=0.19、0.19、0.21、0.17时, 各地区自变量回归系数变化趋于平稳, 具体的岭回归估计结果如表 2所示.从中可知, 岭回归系数除常数项和lnS通过了5%的显著性水平检验之外, 其他变量均通过了1%的显著性水平检验, R²都大于0.960, 整体拟合极好, 因而模型(9) 能较好地解释旅游业CO₂排放量与其影响因素之间的关系.

从岭回归结果来看, 模型模拟效果不仅显著, 而且非常符合实际情况.由表 2可知, 全国及各区域旅游接待人次、人均旅游收入和旅游交通CO₂排放占比的增加均会促进旅游业CO₂排放量的增加, 而旅游业CO₂排放强度的下降则会对旅游业CO₂排放起减量作用.同时, 人均旅游收入对数的二次项系数都为正值, 即在观测数据范围内, 人均旅游收入与旅游业CO₂排放量之间没有表现出环境Kuznets曲线所预示的关系, 这说明旅游经济的发展并未带来旅游业CO₂排放减少的拐点, 同时也反映出中国各地区的旅游经济发展与环境保护尚未实现协同发展.

不同区域各影响因素对旅游业CO₂排放量的影响存在差异.在全国的STIRPAT模型中, 旅游接待人次是旅游业CO₂排放量的最重要影响因素, 旅游接待人次每增加1%, 全国旅游业CO₂排放量将增加0.259%, 这是由旅游者对资源的绝对需求所决定的；旅游交通CO₂排放占比是全国旅游业CO₂排放的又一重要增量因素, 其排放占比每提高1%, 全国旅游业CO₂排放量将增加0.225%；人均旅游收入是影响旅游业CO₂排放的第三大因素, 旅游经济发展需要消耗大量的资源, 这势必导致CO₂排放的增加, 但由于其系数较小, 影响程度相对有限；而旅游业CO₂排放强度对CO₂排放量有较大的负驱动影响, 旅游业CO₂排放强度每减少1%, 则CO₂排放量减少0.115%.

在东部地区的STIRPAT模型中, 旅游交通CO₂排放占比对旅游业CO₂排放量的影响最大, 其排放占比每增加1%, 旅游业CO₂排放量将增加0.239%, 因而优化东部地区旅游业碳排放的部门结构显得尤为迫切；旅游接待人次和人均旅游收入对旅游业CO₂排放量的影响较大, 这是因为东部地区旅游经济总量和旅游者对能源消费的需求都较高, 东部地区旅游经济发展水平和产业素质相对较高:2014年人均旅游收入高达8614.188元, 但仍低于达到拐点所需的最低人均旅游收入水平, 因而该地区旅游业的快速发展仍将导致CO₂排放量的不断增加；东部地区旅游业CO₂排放强度对CO₂排放量的影响最小, CO₂排放强度每下降1%, 旅游业CO₂排放量将减少0.105%.

中部地区的STIRPAT模型中, 回归系数绝对值从高到低排序依次为：旅游业CO₂排放强度(0.290) 、人均旅游收入(0.287) 、旅游接待人次(0.137) 和旅游交通CO₂排放占比(0.013) .显然, 旅游业CO₂排放强度的影响最为显著, 说明近年来中部地区低碳技术水平不断提高.然而, CO₂排放强度并不能完全反映出减排工作是否有效, 只有当CO₂排放强度的下降速率高于CO₂排放量的增长速率时, 才能真正实现绝对减排(何建坤等, 2004).通过对中部地区1995—2014年间旅游业CO₂排放强度和CO₂排放量进行指数拟合, 发现CO₂排放强度的下降速率为13.196, R²为0.902；CO₂排放量的上升速率是9.166, R²为0.928.这说明中部地区旅游业CO₂排放强度的降低对行业减排的积极作用已经显现.

西部地区的STIRPAT模型中, 旅游接待人次对旅游业CO₂排放量的影响最为显著, 旅游接待人次每增加1%, 旅游业CO₂排放量将增加0.315%；旅游交通CO₂排放占比对旅游业CO₂排放量的影响最不显著, 其排放占比每增加1%, 旅游业CO₂排放量仅增加0.079%；相比于东、中部地区, 西部地区旅游经济发展对能源消费的依赖程度偏低, 人均旅游收入每提高1%, 旅游业CO₂排放量仅增加0.190%；旅游业CO₂排放强度对旅游业CO₂排放也起着重要作用, 其CO₂排放强度每下降1%, 旅游业CO₂排放量将减少0.130%；旅游业CO₂排放强度的降低对碳减排起到了积极的作用, 但因其系数较小, 仍不足以抵消旅游接待人次、人均旅游收入、旅游交通CO₂排放占比等其他因素引起的CO₂排放增量.

4 结论(Conclusions)

1) 研究期内, 中国各区域均面临着旅游业CO₂排放量持续增加的压力, 其中, 东部地区旅游业CO₂排放量在全国始终占据着主导地位.旅游业CO₂排放量从1995年的2102.469×10⁴ t增加至2014年的10767.556×10⁴ t, 总排放量增加了近5倍, 年均增长率高达9.237%.

2) 不同区域各影响因素对旅游业CO₂排放量的作用强度差异显著.其中, 人均旅游收入对中国旅游业碳减排压力的弹性变化区间最小, 仅从0.156变化到0.287；旅游交通CO₂排放占比的弹性变化区间最大, 其CO₂排放占比每提高1%, 东部地区旅游业CO₂排放总量将提高0.239%, 而中部地区仅提高0.013%.

3) 旅游经济增长是影响旅游业CO₂排放量的重要因素, 人均旅游收入对数的二次项系数为正, 分析结果不支持环境Kuznets曲线的观点.即在观测数据范围内, 旅游经济增长与CO₂排放之间不存在倒U型环境Kuznets曲线关系, 说明我国各区域旅游经济与环境保护之间尚未实现协调、均衡发展, 旅游经济发展对生态环境的压力仍将不断增大.这给我国旅游业碳排放敲响了警钟, 同时也昭示着转变中国旅游经济增长方式, 实现中国旅游业经济由高消耗型向循环节约型增长方式转变的必要性和紧迫性.