区域旅游业碳排放及其影响因素

刘军 岳梦婷

摘要 旅游业在促进经济增长的同时，带来的负面环境影响也不容忽视。首先，借鉴流体力学理论构建“旅游流动性”概念，对区域旅游流动性进行测度，并在此基础上分析其时空演变特征。其次，基于“自下而上”法，考虑区域能源结构的差异，引入修订后的综合碳排放系数测算2000—2017年中国区域旅游業碳排放量，同时对旅游流动性与旅游业碳排放之间的关系进行探讨。最后，以旅游流动性为核心解释变量，基于IPAT模型选择旅游者人数、旅游者人均消费支出、区域技术水平以及航空客运量作为控制变量，分析各影响因素对旅游业碳排放的作用。研究结果表明：①研究期内，中国区域旅游流动性整体水平持续提升，省际差距明显，其均值处于235～11 695人km之间。旅游流动性的分布具备明显梯度特征，长期保持“东部地区>中部地区>东北地区>西部地区”的空间格局，其高值区和中高值区逐步由东部的经济发达省区向西部及东北地区扩张演化。②中国区域旅游业碳排放量从4 120.70万t增加至20 365.59万t。旅游业碳排放和旅游流动性的马太效应明显，在空间上以京沪粤、甘青宁为核心呈现“高流动高排放”、“低流动低排放”的集聚特征。③中国区域旅游业碳排放受到多种因素的共同影响，其中，核心解释变量旅游流动性对旅游业碳排放的影响显著，具体表现为U型曲线关系;控制变量航空客运量、旅游者人数、旅游者人均消费支出的作用强度依次减小，上述变量分别增加1%将导致旅游业碳排放量各增加0.33%、0.27%和0.15%。区域技术水平对旅游业碳排放的影响不显著。

关键词 旅游业;碳排放;流动性;影响因素

中图分类号 F592.99文献标识码 A文章编号 1002-2104（2021）07-0037-12DOI：10.12062/cpre.20200925

《2030年可持续发展议程》明确提出采用可持续的消费和生产模式和紧急行动来应对全球气候变化。旅游业作为全球增长最快的行业经济体，在发展中带来的旅游交通、住宿、游憩活动碳排放问题不容忽视。Lenzen等 [1]的研究表明国际旅游业碳足迹占全球温室气体排放的8%，到2025年，全球旅游业碳排放预计增加至65亿t，并且成为影响全球变暖的重要因素 [2]。近年来我国旅游接待人次及总收入由2000年的8.27亿人次、4 519亿元增加至2018年的56.79亿人次、5.97万亿元，由此产生的碳排放也在持续增长。为提升旅游业应对全球气候变化与可持续发展的能力，原国家旅游局将“绿色发展”作为旅游业“十三五”规划的基本原则。党的十九大报告着重强调建设生态文明，明确提出推进绿色发展，再一次表明了我国践行“绿水青山就是金山银山”的发展理念。旅游业作为区域绿色发展转型的先导产业，是落实《2030年可持续发展议程》的重要载体，其碳减排对于促进区域可持续发展具有重要作用。人口流动作为区域间经济要素集聚与重组的基石 [3]，实现了空间层面对生产要素的再配置 [4]。伴随着客源地与目的地之间信息流、客流、物流及能流的交换 [5]，旅游流形成了复杂的空间网络结构 [6]。其中以交通、住宿及游憩活动等构成的异地行为是旅游行为存在和旅游业发展的前提，由此形成的游客流成为旅游流的核心 [7]。但在游客流动时，碳排放也随之产生。当前不同尺度的旅游流研究多借助大数据挖掘与社会网络等方法，探究其空间分布、网络结构及旅游者空间行为特征 [8]，鲜有研究将旅游流与碳排放相结合。因此，该研究基于游客流动与区域交通基础设施提出“旅游流动性”概念，以此为基础探讨旅游业碳排放影响因素，将为旅游业碳减排与区域可持续发展研究提供新视角。

1 文献综述

旅游业碳排放的研究始于国内外学者对旅游业全球环境影响的关注。Gssling [9-10]首次提出旅游业碳排放的定量测度方法，并计算了2001年全球旅游业交通碳排放量。Becken [11-14]等对各类游憩活动、住宿设施以及航空交通的碳排放及能源消耗进行讨论，采用“自下而上”与“自上而下”的方法估算了新西兰旅游业碳排放。以碳排放测度为基础，国内外学者从以下四个方面进行拓展研究：一是旅游业碳排放影响因素分解。在遵循“技术—结构—规模”框架的基础上 [15]，学者多利用指数分解法、结构分解法等进行因素分解 [16-18]，但该方法主要针对内在驱动因素，对外部因素考虑较少 [19]。二是旅游业碳排放影响因素分析。Solarin [20]的研究结果表明游客到访对马来西亚碳排放的提升有显著影响;Sghaier [21]等则认为游客到访对碳排放的影响作用应视不同国家具体情况而定。国内研究则从社会、经济、旅游等外部视角验证了社会经济发展水平、旅游资源禀赋、区位条件、城市化水平及旅游经济规模等因素对旅游业碳排放的显著影响 [15，19，22]。三是旅游业碳排放的空间关系研究。基于空间探索性分析、引力模型等，碳排放区域差异、时空格局、空间关联性及网络结构等研究受到广泛关注 [23-25]。四是旅游碳排放效率研究。如Gssling [26]将旅游业碳排放与旅游业收入作为指标，采用比值法对国家、城市、景区等不同尺度目的地的旅游生态效率进行计算。或是基于投入产出思路，以SBMDEA等模型开展效率研究 [27-28]。此外，学者还重视对碳排放与其他变量关系的研究，如利用耦合协调模型分析旅游业碳排放与旅游经济增长的关系 [29]。

游客流动一直是旅游研究的热点问题之一。近年来，随着游客对移动互联网的广泛使用，部分学者开始利用旅行网站、flickr等数据进行旅游流空间结构特征的研究 [30-31]。复杂网络也被运用至该领域，如Wu等 [32]利用复杂网络方法建立了北京入境旅游流动线路预测网络;Mou等 [31]以上海为例对入境旅游流的结构特征进行分析。游客流动在促进旅游业发展的同时，也为目的地带来了碳排放。Becken [13]认为国际游客流动为目的地带来了额外的能源消耗，并估算出国际游客为新西兰带来了190万t的额外碳排放;Dubois等 [33]考虑到旅游人口流动对碳排放及气候变化的影响，认为避免危险的气候变化为旅游流动性改善预留了空间，但前提是必须实现交通工具的重大转变、运输距离的减少以及采用新的低碳交通方式技术。Cavallaro等 [34]以地中海沿岸城市为例分析了大规模旅游流动对不同城市带来的影响，并提出减少拥堵和温室气体排放的具体实践方法。Jin等 [35]利用高速公路流量数据估算了江苏县域自驾游的碳排放流量，并分析了其流入、流出和净流量的空间格局。

综上所述，旅游业碳排放研究成果已较为丰富，但是从旅游流动性视角分析碳排放影响因素的研究仍然较少，且多集中在游客流动对旅游交通碳排放的影响。因此本研究首先对“旅游流动性”进行界定，继而对影响因素展开分析，以期丰富该领域研究成果，并为碳减排机制构建及区域可持续发展提供理论依据。

2 理論基础、数据来源与研究方法

2.1 旅游流动性作用于碳排放的理论机制

根据流体力学相关理论可知，流体在流动过程中会受到多种因素影响，如流体本身的黏度、密度，流体流经管道的阻力系数，流体在不同位置所处的海拔高度等。游客流动是旅游业存在的根本原因，国际游客流动被认为是国际旅游碳排放产生的重要原因。游客停止流动，旅游业也就不复存在。该研究将游客从长居地到目的地流动视作流体运动过程。从图1可知，游客从长居地流向目的地的总流量即游客数量 （Q） ，这也是既有研究关注的焦点——旅游流。而游客流动并非凭空产生，需要借助交通基础设施以及运载工具完成长居地向目的地的空间转换。根据流体力学公式，平均流速=流量/流经截面面积，可以推算得到 M=Q/TL ，即游客的平均流速由总的游客流量与交通基础设施决定。在游客流动的过程中，会产生一系列碳排放，尤其是交通碳排放大约占到旅游业全部碳排放的60%～95% [26]。游客到达目的地后，将会在目的地内部产生交通、住宿和游憩活动碳排放。该研究将游客平均流速界定为旅游流动性，这是一个同时兼顾流量和交通基础设施的指标。该指标的意义在于它与碳排放之间关系能够帮助各地区寻找一个合适的旅游流动性阈值，阈值以内允许通过游客规模扩张来促进旅游经济增长;阈值以上则需要转变旅游经济粗放增长模式，提高旅游业发展质量，减少旅游业环境影响。

2.2 旅游流动性测度

引入流体力学公式测度旅游流动性，能够量化游客流入强度并满足计量模型的要求。具体公式见式（1）。

M il=Q il/TL i l （1）

其中， M il代表l省份i年旅游流动性;Q il表示l省份i年游客数量;TL il为l省份i 年加权旅游交通基础设施线路长度;旅游交通基础设施包括铁路、高速公路、一级公路、二级公路及其他等级公路。参照陈永林等 [36]的做法以及结合实际情况，对不同等级的道路按照其通行速度进行加权，取值分别为120 km/h、120 km/h、80 km/h、60 km/h、40 km/h。

2.3 综合碳排放系数修正

根据中国各地区能源结构的实际情况，修订旅游业碳排放测度的碳排放系数，能够更为准确的估算旅游业碳排放量 [37]。参考《综合能耗计算通则》（GBT-2589—2008）中标准煤热量，以29 307 KJ/kg的标准对生活能源综合碳排放系数 [38]进行折算（表1）。

2.4 旅游业碳排放测度

由于“自上而下”法要求建立完善的旅游业能源消耗统计体系、生命周期评价法需要大量基础数据，而旅游消费剥离系数的准确度又无法适应现实要求。本研究采取“自下而上”法，并通过调整后的碳排放系数测算旅游交通 Ctransport、旅游住宿Caccommodation和游憩活动Cactivity 的碳排放量，见式（2）。旅游交通、住宿及活动碳排放分别通过式（3）～（4）、式（5）～（6）及式（7）～（8）估算。

Ct=Ctransport+Caccommodation+Cactivity（2）

Ctransport=∑αl ×E tl（3）

E tl=βm×Cm×em（4）

Caccommodation=∑αl ×E a l（5）

E al=365×θl×Rl×Bl×b（6）

Cactivity=∑αl ×E cl （7）

E cl=E cnl+E cfl=∑αl （εp×nlp+εq×flq） （8）

式中： αl为l省份生活能源综合碳排放系数;E tl代表l省份旅游交通总能耗;βm表示交通工具m 中旅游者使用的比例，参考已有成果确定火车、飞机、汽车及水运中旅游者分别占比31.60%、64.70%、13.80%和10.60% [39]; Cm为交通工具m的周转量;em代表交通工具m 的能耗系数，依次为汽车1.80 MJ/pkm，飞机2.00 MJ/pkm，火车1.00 MJ/pkm，其他0.90 MJ/pkm [12，40]。 E al表示l省份旅游住宿总能耗;θl为l省份住宿设施的平均出租率;Rl代表l省份客房数量;Bl则为l省份每间客房平均床位数;b=155 MJ，即住宿设施每床每晚的平均能耗 [41]。E cl为l省份旅游活动总能耗;E cnl代表l省份国内旅游者活动能耗;E cfl表示l省份入境旅游者活动能耗;εp表示国内旅游者的第p种游览目的能耗系数;εq表示入境旅游者的第q种游览目的能耗系数;nlp表示l省份第p种游览目的国内旅游者的数量;flq表示l省份第q 种游览目的入境旅游者的数量。游览目的分为观光游览、度假休闲娱乐、商务出差、探亲访友及其他目的，其能耗系数分别为8.57、26.50、16.00、12.00、

3.50 MJ/p visitor [41]。

2.5 计量模型构建

将旅游流动性 （Mobility）作为核心解释变量，利用传统计量模型探索其与旅游业碳排放（Tco2）的关系。利用各变量取对数后的数据进行建模，将在一定程度上克服异方差的问题，因此构建模型（I），见式（9），其中α为常数项，β 为待估参数， μi表示个体效应，εit 表示随机扰动项。

Ln（Tco2）it=α+βIn（Mobility）it+μi+εit （9）

Ehrlich等 [42]在20世纪70年代提出IPAT模型，该模型随后被广泛应用于研究经济活动对环境的影响 [43]。旅游作为一种经济活动，其对环境的影响主要表现为旅游业碳排放。因此，引入IPAT模型作为模型（Ⅰ）的控制变量，即旅游业碳排放受到旅游者人数 （TP）、旅游者人均消费支出（TA）和区域技术水平（TT） 的影响。其中旅游者人均消费支出由旅游收入与旅游者人数计算得到;区域技术水平用地区单位GDP能耗表示，由各地区的GDP与地区能源消耗总量计算得到。同时，由于本研究构建的旅游流动性仅考虑了陆地交通基础设施，而未考虑到航空交通情况，因此在建模时用航空客运量 （Flight） 来表征各地区的航空运载能力，并将其作为控制变量纳入模型。故构建模型（Ⅱ）如下：

Ln（Tco2）it=α+βLn（Mobility）it+

β1 Ln（Flight）it+

β2 Ln（TP）it+β3 Ln（TA）it+

β4 Ln（TT）it+μi+εit（10）

既有研究没有关于旅游流动性和碳排放关系的具体研究，因此无法确认核心解释变量和被解释变量到底是线性关系还是非线性关系。故建模时也将考虑非线性关系，增加核心解释变量的平方项（LnMobility） 2，构建模型（Ⅲ），其中α、μi和 εit分别为截距项、个体效应和误差项，γ 为解释变量回归系数。

Ln（Tco2）it=α+γLn（Mobility）it+

γ1 [Ln（Mobility）it] 2+γ2 Ln（Flight）it+

γ3 Ln（TP）it+γ4 Ln（TA）it+

γ5 Ln（TT）it+μi+εit （11）

2.6 数据来源

由于2018年统计数据未全部更新，且2000年之前数据缺失量较大，考虑数据可得性，将研究时段界定为2000—2017年。研究地区为未包含西藏、港澳台的30个省级行政单元。研究数据来源如下：旅游业碳排放估算中，交通工具周转量来自《中国统计年鉴》;住宿设施平均出租率、客房数量、每间客房平均床位数、不同类型游览目的的游客数量来自《中国旅游统计年鉴》;碳排放估算中涉及的各项参数则来自已有文献研究成果。旅游流动性测算中，交通基础设施线路长度（铁路、高速公路、一级公路、二级公路及其他等级公路）来自《中国统计年鉴》;旅游接待人次数来自各地区国民经济和社会发展统计公报。旅游业碳排放影响因素分析中，旅游收入与旅游接待人次数来自各地区国民经济和社会发展统计公报;地区GDP与能源消耗总量来源于各省统计年鉴;航空客运量数据来自《中国民航机场生产公报》。计算过程中使用CPI对旅游收入和GDP进行平减，以消除价格因素的影响，该数据来源于《中国统计年鉴》。

3 实证结果分析

3.1 旅游流动性结果分析

由（1）式计算2000—2017年中国区域旅游流动性，根据Jenks最佳自然断裂法将其分为五类，分别为高值区、中高值区、中值区、中低值区、低值区（图2）。国民经济水平提升带来了旅游需求和规模的扩大，2000—2017年中国各省区旅游流动性长期保持增长态势，整体由96～12 745人/km增加至406～17 487人/km，可见旅游消費已经成为居民常态化消费。

从空间格局来看，东、中部流动性整体高于东北、西部。具体到各省份（图3），上海、北京、天津及浙江等地旅游流动性均值在2 000人/km以上，而青海、内蒙古、新疆及宁夏等地均值处于1 000人/km以下，表明区域旅游流动性存在较大差异。结合各省份经济发展水平，流动性高值区往往处于经济发展水平较高的地区，而流动性低值区则以西部、东北等偏远省份为主。旅游资源的地域性使旅游业发展高度依赖交通基础设施，交通设施建设水平对游客的流向、规模和空间分布产生重要影响。东部、中部地区在物质资本积累、促进招商引资等方面的优势减弱了区域进行交通与酒店建设、景区开发的难度 [44]，偏远地区则受制于空间距离与通达性问题，其客流量和接待水平与东部地区仍有差距，导致东北、西部地区旅游流动性长期保持较低水平。

从动态演变来看，2000—2017年中国区域旅游流动性呈现不断增强的趋势。东部地区以上海、北京和天津为核心，长期处于流动高值区和中高值区，具有由“点状”向“面状”扩散特征，表明东部仍是中国旅游发展领跑区。低值省份虽多居于西部与东北地区，但其数量逐年减少。这可能是由于东部经济发展红利向全国其他地区扩散，偏远地区在旅游资源开发与基础设施建设中获得了更多的资本投资所致。同时这也体现了西部地区旅游业的“后发优势”，即通过旅游业发展促进区域经济增长，进而形成旅游业与经济增长互相促进的发展格局 [45]。

从区域差异来看，2000—2017年甘肃、山西、云南、辽宁及福建等省份旅游流动性年均增长率突破10%，上海、北京、江苏、黑龙江等省份的年均增长率则低于5%。经济欠发达地区旅游流动性年均增长率远高于经济发达地区，其中，西部地区旅游流动性改善最为明显，如广西、贵州、重庆已经跨入中高值区，表明西部地区相对重视旅游业在区域经济增长的作用，并在基础设施建设与引流方面呈追赶之势，具有成为国内旅游热点区的潜力。但同时应注意到中部地区旅游流动性的增长速率缓慢，尤其是湖北长期处于中低值区，在一定程度上说明湖北旅游的“中部塌陷”现象。

3.2 旅游业碳排放结果分析

依据（2）～（8）式计算得到2000—2017年30省份旅游业碳排放量。囿于篇幅，表2仅展示3个重点年份的数据。研究期内旅游业碳排放总量从4 120.70万t增加至20 365.59万t。从历年变化幅度来看（图4），除2003年（- 0.67%）及2013年（- 0.77%）较上一年有所减少外，其余年份旅游业碳排放的环比增长率均为正值，多介于6%～13%之间，2004年旅游业碳排放总量增幅较上一年增长32.60%，为研究期内碳排放增长率波峰，这主要是后非典时期旅游消费市场的“报复性增长”所致。

中国四大区域旅游业碳排放量总体呈现增长趋势，但是地区之间的碳排放量离散系数却由0.65上升至0.82，即区域旅游业碳排放差距不断扩大。反映出东部地区旅游业发展的能源消耗与环境影响远高于其他地区，同时从侧面反映出该区域存在着较大的减排潜力。受限于地理区位和交通通达性，航空及私人交通成为西部地区游客流入与区域内流动的主要方式，导致其旅游业碳排放增长迅速，且增长速率高于其他地区。

从区域空间格局看（图5），中国旅游业碳排放量高值区以北京、上海、广东为核心，其碳排放量长期保持稳定增长。作为京津冀、长三角与珠三角城市群的核心，北京、上海、广州在信息流、客流及物流等要素上的交流相对其他地区更为密切，促使京沪粤成为能源消耗与碳排放活跃区。此外，研究期内东部地区高值区、中高值区的数量减少，反映出区域内部旅游业碳排放差距呈扩大趋势。

西部地区以四川“一枝独秀”。作为国内重要旅游目的地，四川年游客接待人数长期位于全国前列，使得该地区航空交通周转量仅次于北京、上海、广东;同时由于人口基数大，省内游客流动频繁，造成旅游业碳排放量长期处于高位。山西和河南是中部地区碳排放量高值区，这主要是由于河南人口众多，省内游客流动导致的铁路、公路交通碳排放高于其他地区;山西则是由于民航周转量上升较快，致使旅游交通碳排放量增长迅速。辽宁是东北地区最具有经济活力的省份，与京津冀的密切经济联系、人口流动使其碳排放量位居东北首位，而黑龙江和吉林并非传统旅游目的地，且受限于区位，其旅游流动性与旅游业碳排放量均较低。

以旅游业碳排放和旅游流动性的中位数为坐标交叉点绘制散点图，由此形成四个象限（图6）。第一象限为高流动高排放（HH），第二象限为低流动高排放（LH），第三象限为低流动低排放（LL），第四象限为高流动低排放（HL）。

总体来看，66.67%～73.33%的省级行政区位于第一、三象限，表现出明显的“HH”“LL”集聚特征，说明地区间的“马太效应”明显，集聚效应逐渐增强。经济发达地区凭借长期积累的发展优势保持着较为稳定的旅游流动性，其碳排放量长居高位;由于经济发展滞后，经济欠发达地区的旅游业虽然进步较快，但仍难突破“富者恒富，贫者越贫”的瓶颈。纵向比较发现，位于HL区域的省份数量极少，一方面表明西部地区在推动旅游业节能减排、优化交通基础设施建设及旅游资源开发等方面的成效良好;另一方面又说明国家应继续加大对节能减排的控制力度，以中部、东北为主要地区推动旅游产业结构优化升级，将旅游流动性控制在合理阈值内，以使更多省份进入HL区域，以实现区域节能减排与旅游发展的双重目标。

3.3 流动性对旅游业碳排放的影响分析

3.3.1 模型平稳性检验

利用ArcGIS计算2000—2017年旅游业碳排放全局MoransI 指数，结果显示在0.1水平上均不显著，即旅游业碳排放不存在显著空间相关性，故采用传统计量模型进行回归分析。尽管关于面板数据的平稳性检验已经形成一定共识，即认为短面板数据（N>T）可以不进行单位根检验。但为保证研究结论的可靠性，对取对数后的数据平稳性进行检验。

使用Stata15，采用相同单位根检验LLC（LevinLinChu）和不同单位根检验Fisher对面板数据进行检验（表3），其中采用AIC法则自动选择LLC滞后阶数，Fisher则选择结果最为显著的滞后阶数。表3結果显示两种检验方法均拒绝原假设，即不存在单位根，可以进行协整检验。其次，通过Kao检验、Pedroni检验和Westerlund检验判断各变量之间是否存在长期协整关系，任一检验结果显著即说明存在长期协整关系。表4显示模型（Ⅰ）、模型（Ⅱ）、模型（Ⅲ）均存在协整关系，可以采用对数后的数据进行建模。

3.3.2 模型回归分析

首先，采用BP拉格朗日检验判断应选用混合数据还是面板数据建模，若结果显示拒绝混合模型，则应采用面板数据建模。其次，通过Hausman检验对回归模型效应进行选择，但数据若存在异方差，Hausman检验即无效。此时可通过过度识别检验SarganHansen统计量判断固定效应与随机效应的适配性。另外，面板数据的异方差将导致模型参数的方差偏大，并使模型t检验和F检验失效;而自相关的存在将导致模型t检验值偏高，夸大参数显著性。因此本研究还对面板数据的异方差、自相关进行检验，若检验结果显著，则应采用DriscollKraay标准误回归。

表5结果显示BP拉格朗日检验结果显著，表明模型（Ⅰ）—（Ⅲ）应采用面板数据建模。Wald检验显示模型中存在异方差，SarganHansen统计值显著，表明应选择固定效应。Wooldridge检验显示模型中均存在序列相关，结合Wald检验结果，采用DriscollKraay标准误解决模型的异方差、自相关问题。

模型（Ⅰ）回归结果显示核心解释变量 lnMobility与lnTco2 呈现显著正相关，旅游流动性每增加1%将会导致区域旅游业碳排放增加0.94%。表明区域旅游业碳减排可以从减少旅游流动性着手，但也要注意流动性是旅游业发展的前提，限制区域流动将会对旅游经济增长产生一定影响。因此需要平衡旅游流动性和旅游业碳减排之间的关系。模型（Ⅱ）回归结果显示 lnMobility与lnTco2 呈现显

著负相关，即旅游流动性每增加1%反而会导致旅游业碳排放减少0.18%，这与模型（Ⅰ）结果相悖，表明 lnMobility 与lnTco2 可能存在非线性关系。

模型（Ⅲ）显示变量 （lnMobility） 2与lnTco2 呈现显著正相关， lnMobility与lnTco2 呈现显著负相关。结果表明 lnMobility  与lnTco2 存在U型非线性关系，即随着流动性的增加，旅游业碳排放呈现减少的趋势，越过拐点后又逐步增加。由此说明可以通过控制区域旅游流动性实现旅游经济增长与碳减排的双重目标。即在流动性阈值以内通过营销引流，实现区域旅游经济增长;在阈值以外则通过限流减少旅游碳排放。

模型（Ⅱ）控制变量回归结果显示，航空客运量对旅游业碳排放的影响最大，表现为航空客运量每增加1%，将导致旅游业碳排放增加0.32%。其余变量对旅游业碳排放的贡献依次为游客量、区域技术水平，各因素每提高1%，旅游业碳排放分别变动0.27%、-0.22%。而人均旅游消费对碳排放的作用不显著。这一结果与既有研究呼应，验证航空交通是旅游业碳排放的主要来源，在现实中应引导游客选择相对清洁的交通工具，以此推动区域碳减排。游客是旅游业服务的主要对象，游客量对碳排放提高具有显著正向影响，可以解释为游客在景区活动、住宿餐饮及交通运输中产生碳排放，其排放量与游客数量成正比。因此，减流是实现碳减排的措施之一，但这将对旅游经济增长产生不利影响。区域技术水平对旅游业碳排放的影响为负，说明旅游业碳减排不能依赖于区域技术水平进步。而人均旅游消费对碳排放无显著的解释力，即人均旅游消费的增长可能会引起旅游业碳排放的小幅增长。

模型（Ⅲ）控制变量的相关系数方向与模型（Ⅱ）相同， lnTA与lnTco2 由不显著变为显著正相关，即人均旅游消费支出每增加1%将会导致旅游业碳排放增加0.15%，这是因为人均旅游消费支出的增加意味着旅游消费项目增多，而更多的旅游消费项目可能会伴随额外碳排放。 lnTT与lnTco2 的相关关系由显著变为不显著，且系数明显减小。此外，通过比较各模型的拟合优度 R 2 发现，模型（Ⅲ）达到0.893 1，具有较好拟合性。综上，旅游业碳排放与流动性之间呈现U型曲线关系。流动性是旅游业存在的前提条件，寻找区域U型曲线拐点并划定流动性合理阈值，能够促进区域旅游业碳减排和旅游经济增长实现双赢。

4 结论与政策建议

4.1 结论及政策含义

通过构建“旅游流动性”概念，测算了2000—2017年中国区域旅游流动性。在此基础上利用“自下而上”法，结合修订后的综合碳排放系数估算了旅游业交通及、住宿及游憩活动3部门的碳排放量。最后，以旅游流动性为核心解释变量，引入IPAT模型分析影响区域旅游业碳排放的相关因素。主要结论如下：

（1）中国区域旅游流动性整体呈现不断上升的趋势，区域旅游流动空间形成东部、中部地区高，西部、东北地区低的稳定格局。西部地区改善程度高于其他地区，致使旅游流动性的区域差距不断缩小，偏远地区旅游业发展具有“后发优势”。

（2）游客流动使旅游业碳排放由2000年的4 120.70万t增加至2017年的20 365.59萬t，以北京、上海、广东为核心的经济发达地区仍然是碳排放高值集聚区。在空间格局上，旅游业碳排放呈现东部、西部地区高，中部、东北地区低的特点，区域间差异不断扩大。同时，区域旅游业碳排放受交通影响较大，交通碳减排具有较大的潜力。

（3）旅游流动性与旅游业碳排放的散点分析显示，多数省级行政区表现出明显“HH”“LL”集聚特征，说明地区间“马太效应”明显。区域旅游业应由“HH”“LH”“LL”型向“HL”转型，以此实现高流动低排放的发展目标。

（4）旅游流动性对碳排放的影响作用呈非线性U型曲线，在兼顾经济效益和生态效益的前提下，通过控制区域旅游流动性强度，能够同时实现碳减排和旅游经济增长的双重目标。航空客运量、游客量和人均旅游消费支出对旅游业碳排放具有显著正向影响，而区域技术水平对区域旅游业碳排放未表现出明显作用。说明旅游业减排主要依靠更清洁的交通工具、更具低碳意识的游客，而对区域技术水平没有显著依赖。

上述结论的政策含义：①提升区域交通通达性，吸引更多游客到访，以达到持续改善区域旅游流动性的目标。尽管西部地区在流动性增速上已超过其他地区，但仍与东部、中部地区存在一定差距，依托“一带一路”发展战略，甘肃、新疆、青海、宁夏等地应继续加大交通基础设施投入，为旅游业高质量发展奠定基础。②分区域实施旅游业高质量发展转型战略。目前处于“高流动低排放”的地区仍然较少，而增加区域公共交通的分流效应，是减少旅游交通碳排放和增加游客客运量的关键。在旅游业低碳发展转型过程中，东部地区可通过合理规划景区周边公共交通线路数量、提升公共交通服务质量来降低碳排放量，以此实现旅游可持续发展;东北地区则应强化旅游服务意识，加大市场营销力度，通过提高游客流入量来改善长期低排放低流动的困境;中部地区则应意识到提升旅游流动性的重要性，在改善区域间交通运输能力的同时，关注区域内公共交通规划与建设，以此扩大游客的省内短距离流动，进一步促进旅游消费;西部地区应注重改善区域内部交通运输模式，强化以高铁、动车为主的交通基础设施建设。③实现旅游业碳减排的重点在于寻找区域旅游流动性的曲线拐点，依托航空、铁路、公路等口岸建立交通流量监控体系，以控制游客流入阈值，并以此为基础确定各区域旅游流动性拐点，在确保旅游经济增长的同时实现碳排放减量。同时注意到交通是旅游碳排放的主要来源，在流动性阈值内控制交通碳排放。交通设施的建设则应因地制宜，如完善中大型城市绿色轨道交通的建设，增加小型城市公共交通出行的便捷程度，重视通过公众宣传等方式改变游客行为，引导游客选择更为清洁的交通工具等。

4.2讨论与展望

旅游业碳排放一直是旅游可持续发展重点关注的问题之一。早期学者多是关注游客到访量对目的地碳排放产生的影响，或从复杂网络和空间溢出视角讨论流动性与碳排放之间的关系。而作为联系目的地与客源地的重要载体，交通基础设施在其中的作用却被忽略。该研究基于流体力学公式提出“旅游流动性”概念，旨在考虑游客流动与交通基础设施对碳排放的综合影响。对旅游流动性的评估能在一定程度上反映出各区域的流动性强度，但测度公式仍有拓展空间。例如，基于地区旅游资源差异设定“阻力系数”，或根据区域旅游经济发展水平的差异设定“压力”，以使旅游流动性的测度更为准确。

该研究在测度2000—2017年旅游业碳排放量的过程中考虑了地区能源结构差异，这是既有碳排放研究中较少被探讨的话题。尽管既有文献基于对碳排放的测度分析了其空间关联特征 [46]，但本文未发现旅游业碳排放存在显著的空间相关性。在碳排放的影响因素上，文章验证了旅游流动性与碳排放的U型非线性关系。同时，引入航空客运量作为控制变量，其对碳排放的显著正向影响也得到验证，这与既有研究观点较为一致。未来将继续完善旅游流动性理论，通过复杂网络理论对旅游流动性与碳排放进行分析将成为研究的重点。

参考文献

[1]LENZEN M， SUN Y Y， FATURAY F， et al. The carbon footprint of global tourism[J]. Nature climate change， 2018， 8（6）： 522-528.

[2]KOCAK E， ULUCAK R， ULUCAK Z S. The impact of tourism developments on CO2 emissions： an advanced panel data estimation[J]. Tourism management perspectives， 2020， 33： 100611.

[3]潘竟虎，赖建波.中国城市间人口流动空间格局的网络分析：以国庆-中秋长假和腾讯迁徙数据为例[J].地理研究，2019，38（7）：1678-1693.

[4]DE HAAS H. Migration and development： a theoretical perspective[J]. International migration review， 2010， 44（1）： 227-264.

[5]唐顺铁，郭来喜.旅游流体系研究[J].旅游学刊，1998（3）：38-41.

[6]周慧玲，王甫园.基于修正引力模型的中国省际旅游者流空间网络结构特征[J].地理研究，2020，39（3）：669-681.

[7]王金莹，吴晋峰，唐澜，等.亚洲入境旅游流地理分布及网络结构特征分析[J].资源科学， 2013， 35（8）： 1701-1709.

[8]靳诚，徐菁，黄震方，等.南京城市内部景点间游客流动特征分析[J].地理学报， 2014， 69（12）： 1858-1870.

[9]GOSSLING S. Sustainable tourism development in developing countries： some aspects of energyuse[J]. Journal of sustainable tourism， 2000， 8（5）：410-425.

[10]GOSSLING S. Global environmental consequences of tourism[J]. Global environmental change， 2002， 12（4）： 283-302.

[11]BECKEN S， SIMMONS D G. Understanding energy consumption patterns of tourist attractions and activities in New Zealand[J]. Tourism management， 2002， 23（4）： 343-354.

[12]BECKEN S， FRAMPTON C， SIMMONS D G. Energy consumption patterns in the accommodation sector-the New Zealand case[J]. Ecological economics， 2001， 39（3）： 371-386.

[13]BECKEN S. Analysing international tourist flows to estimate energy use associated with air travel[J]. Journal of sustainable tourism， 2002， 10（2）： 114-131.

[14]BECKEN S， PATTERSON M. Measuring national carbon dioxide emissions from tourism as a key step towards achieving sustainable tourism [J]. Journal of sustainable tourism， 2006， 14（4）： 323-338.

[15]查建平，舒皓羽，李園园，等.中国旅游业碳排放及其影响因素研究：来自2005—2015年省级面板数据的证据[J].旅游科学，2017，31（5）：1-16.

[16]ROBAINAALVES M， MOUTINHO V， COSTA R. Change in energyrelated CO2 （carbon dioxide） emissions in Portuguese tourism： a decomposition analysis from 2000 to 2008 [J]. Journal of cleaner

production， 2016（111）： 520-528.

[17]TANG C， ZHONG L， NG P. Factors that influence the tourism industrys carbon emissions： a tourism area life cycle model perspective [J]. Energy policy， 2017， 109： 704-718.

[18]陶玉国，黄震方，吴丽敏，等.江苏省区域旅游业碳排放测度及其因素分解[J].地理学报，2014，69（10）：1438-1448.

[19]黄和平，乔学忠，张瑾，等.绿色发展背景下区域旅游业碳排放时空分异与影响因素研究：以长江经济带为例[J].经济地理，2019，39（11）：214-224.

[20]SOLARIN S A. Tourist arrivals and macroeconomic determinants of CO2 emissions in Malaysia [J]. Anatolia， 2014， 25（2）： 228-241.

[21]SGHAIER A， GUIZANI A， JABEUR S B， et al. Tourism development， energy consumption and environmental quality in Tunisia， Egypt and Morocco： a trivariate analysis [J]. GeoJournal， 2019， 84（3）： 593-609.

[22]王凯，邵海琴，周婷婷，等.基于STIRPAT模型的中国旅游业碳排放影响因素分析[J].环境科学学报， 2017， 37（3）：1185-1192.

[23]王凯，杨亚萍，张淑文，等.中国旅游产业集聚与碳排放空间关联性[J].资源科学，2019，41（2）：362-371.

[24]程慧，徐琼，郭尧琦.中国旅游业碳排放脱钩的空间异质性及其驱动因素[J].华东经济管理，2020，34（3）：86-93.

[25]王凯，张淑文，甘畅，等.中国旅游业碳排放效率的空间网络结构及其效应研究[J].地理科学， 2020， 40（3）： 344-353.

[26]GOSSLING S， PEETERS P， CERON J P， et al. The ecoefficiency of tourism[J]. Ecological economics， 2005， 54（4）： 417-434.

[27]ZHA J， HE L， LIU Y， et al. Evaluation on development efficiency of lowcarbon tourism economy： a case study of Hubei Province， China[J]. Socioeconomic planning sciences， 2019， 66：47-57.

[28]王凯，夏莉惠，陈勤昌，等.基于空间聚类分析的中国旅游业碳排放效率[J].环境科学研究， 2018， 31（3）： 419-427.

[29]TANG Z， SHANG J， SHI C， et al. Decoupling indicators of CO2emissions from the tourism industry in China： 1990-2012[J]. Ecological indicators， 2014， 46： 390-397.

[30]LEUNG X Y， WANG F， WU B， et al. A social network analysis of overseas tourist movement patterns in Beijing： the impact of the Olympic Games[J]. International journal of tourism research， 2012， 14（5）， 469-484.

[31]MOU N， YUAN R， YANG T， et al. Exploring spatiotemporal changes of city inbound tourism flow： the case of Shanghai， China [J]. Tourism management， 2020， 76： 103955.

[32]WU X， HUANG Z， PENG X， et al. Building a spatiallyembedded network of tourism hotspots from geotagged social media data[J]. IEEE access， 2018， 6： 21945-21955.

[33]DUBOIS G， PEETERS P， CERON J P， et al. The future tourism mobility of the world population： emission growth versus climate policy[J]. Transportation research part a： policy and practice， 2011， 45（10）： 1031-1042.

[34]CAVALLARO F， GALATI O I， NOCERA S. Policy strategies for the mitigation of GHG emissions caused by the masstourism mobility in coastal areas[J]. Transportation research procedia， 2017， 27：317-324.

[35]JIN C， CHENG J， XU J， et al. Selfdriving tourism induced carbon emission flows and its determinants in welldeveloped regions： a case study of Jiangsu Province， China[J]. Journal of cleaner production， 2018， 186：191-202.

[36]陳永林，谢炳庚，张爱明，等.不同尺度下交通对空间流动性的影响[J].地理学报，2018，73（6）：1162-1172.

[37]刘军，问鼎，童昀，等.基于碳排放核算的中国区域旅游业生态效率测度及比较研究[J].生态学报， 2019， 39（6）： 1979-1992.

[38]岳婷，龙如银.中国省域生活能源碳排放空间计量分析[J].北京理工大学学报（社会科学版）， 2014， 16（2）： 40-46.

[39]魏艳旭，孙根年，马丽君，等.中国旅游交通碳排放及地区差异的初步估算[J].陕西师范大学学报（自然科学版）， 2012， 40（2）：76-84.

[40]CARLSSONKANYAMA A， LINDEN A L. Travel patterns and environmental effects now and in the future： implications of differences in energy consumption among socioeconomic groups[J]. Ecological economics， 1999， 30（3）： 405-417.

[41]石培华，吴普.中国旅游业能源消耗与CO2排放量的初步估算[J].地理学报，2011，66（2）：235-243.

[42]EHRLICH P R， HOLDREN J P. Onedimensional economy[J]. Bulletin of the atomic scientists， 1972， 28（5）：16-27.

[43]王永刚，王旭，孙长虹，等.IPAT及其扩展模型的应用研究进展[J].应用生态学报，2015，26（3）：949-957.

[44]TSUI K W H. Does a lowcost carrier lead the domestic tourism demand and growth of New Zealand？ [J]. Tourism management， 2017， 60：390-403.

[45]TUGCU C T. Tourism and economic growth nexus revisited： a panel causality analysis for the case of the Mediterranean Region[J].Tourism management， 2014， 42：207-212.

[46]王凯，张淑文，甘畅，等.我国旅游业碳排放的空间关联性及其影响因素[J].环境科学研究，2019，32（6）：938-947.

Carbon emissions of regional tourism industry and their influencing factors： a tourism mobility perspective

LIU Jun 1， 2 YUE Mengting 3

（ 1. School of Business， Hubei University， Wuhan Hubei 430062， China;

2. Institute for Green Development， Hubei University， Wuhan Hubei 430062， China;

3. School of Urban and Regional Science， East China Normal University， Shanghai 200241， China）

Abstract While tourism promotes economic growth， its negative environmental impact cannot be ignored. This study first put forward the concept of tourism mobility by referring to the theory of fluid mechanics. It then measured tourism mobility and analyzed its temporal and spatial characteristics. Next， based on the ‘bottomup method， this study introduced the revised comprehensive carbon emission coefficient in consideration of the differences in regional energy structure and evaluated the carbon emissions of Chinas tourism industry from 2000 to 2017. The study also explored the relationship between tourism mobility and tourism carbon emissions. Finally， taking tourism mobility as the core explanatory variable， the study set tourists， tourism expenditure per capita， regional technical level and air passenger volume as the control variables based on the IPAT model and assessed the impact of these factors on tourism carbon emissions. The results showed that： ① During the study period， with the average between 235 and 11，695 p visitor/km， the tourism mobility in China increased and demonstrated considerable differences among different provinces. The tourism mobility decreased in this sequence： eastern region， central region， northeastern region and western region. Regions with high mobility and mediumhigh mobility expanded gradually from economically developed provinces in the eastern region to the western and northeastern regions. ② The carbon emissions of the Chinese tourism industry increased from 41.207 million tons to 203.6 559 million tons. With Beijing， Shanghai， Guangzhou and Gansu， Qinghai， Ningxia as the core area， the Matthew effect in tourism carbon emissions and tourism mobility was noticeable， indicating significant agglomeration characteristics of ‘high flow and high emissions and ‘low flow and low emissions. ③ Carbon emissions of Chinas tourism industry were affected by a variety of factors. The tourism mobility had a significant impact on tourism carbon emissions， and the relationship was described as a Ushaped curve. The effect intensity of air passenger volume， tourists and tourism expenditure per capita to tourism carbon emissions decreased in turn， and every 1% increase in the above variables led to an increase of 0.33%， 0.27%， and 0.15% in tourism carbon emissions， respectively. The impact of regional technical level on tourism carbon emissions was not significant.

Key words tourism industry; carbon emission; mobility; influencing factor

（責任编辑：王爱萍）