旅游增长与碳排放脱钩状态及其驱动因素研究

2022-04-27 13:02查建平戴家权刘珂吉余乔周志坚
旅游学刊 2022年4期
关键词:成都

查建平 戴家权 刘珂吉 余乔 周志坚

[摘    要]全面厘清旅游增长与碳排放的动态脱钩关系及其背后的驱动因素,对于制定科学合理的低碳旅游发展政策、实现旅游产业可持续发展具有重要的理论与现实意义。文章将对数平均迪氏指数法(LMDI)分解技术与基于向量自回归(VAR)模型的动态效应分析法引入脱钩指数模型中,对传统脱钩指数分析进行了改进,构建了新型的旅游增长与碳排放脱钩关系分析模型,尝试对旅游增长与碳排放脱钩关系展开系统深入研究,并以成都市为例进行了实证分析。研究结果显示:(1)旅游增长与碳排放脱钩状态具有明显的阶段性特征,总体脱钩指数值为0.806,虽实现了整体上的弱脱钩状态,但旅游增长与碳排放之间仍呈现显著的正向关联,旅游业距离实现强脱钩目标仍有较大差距。(2)能源强度效应是旅游业脱钩过程中唯一的正向影响因素,游客规模效应和消费水平效应则是脱钩实现的主要抑制因素,而能源结构效应与收入结构效应的作用则不大。(3)不同驱动因素之间存在复杂的交互影响机制,表明未来旅游业脱钩工作在聚焦如何降低能源强度、优化产业结构与转变消费方式的同时,更需要注重保持各驱动因素之间稳定均衡关系与动态作用机制,以实现最大效用的协同脱钩。

[关键词]旅游碳排放;脱钩指数模型;LMDI分解法;动态效应分析;成都

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006(2022)04-0013-12

Doi: 10.19765/j.cnki.1002-5006.2022.04.008

引言

作为世界上最大和发展速度最快的产业部门之一,旅游业在促进地区发展、增加就业和增进人民福祉等方面具有重要作用[1]。然而,随着社会环境保护意识的增强,旅游业不再被视为一个完全的“无烟产业”[2],大规模的游客活动及其辅助、配套设施运营所产生的能源消耗与碳排放已受到旅游業界与学术界的广泛关注[3-4]。因此,旅游业正面临着资源-环境-发展的多重压力与矛盾,承受着保持增长与减少排放之间冲突控制、化解耦合的巨大压  力[5]。在此背景下,厘清旅游增长与碳排放的动态关系及其背后的驱动因素,对于制定科学合理的低碳旅游发展政策,实现旅游产业可持续发展具有重要的理论与现实意义。

自20世纪90年代以来,有关国际组织与学者就开始关注旅游业发展所引致的能源与环境问题,并认为资源管理与能源节约是实现旅游产业可持续发展的关键步骤[6-7]。随着全球气候变化问题凸显以及二氧化碳减排压力剧增,碳排放议题逐渐成为旅游资源与环境研究的焦点之一[8]。相关学者认为,旅游业碳排放量是衡量旅游产业对生态环境质量影响的重要指标,其表征了游客活动以及满足游客需求的旅游产业活动对当地生态环境系统造成的压力[9-10]。迄今为止,学者们主要围绕与旅游相关碳排放量测度、不同时空尺度下旅游碳排放演变及其驱动机制、不同视角下旅游碳减排潜力评估、绩效测算与路径设计等主题展开研究[5,11-12]。其中多数研究认为,在推进碳减排的同时不损害旅游经济的持续增长能力,维持旅游增长与碳减排之间的平衡,是低碳旅游发展的恒定原则[5]。因此,关于旅游增长与碳排放之间关系的研究逐渐受到了学界的关注。

当前,关于旅游增长与碳排放之间关系的研究主要集中在以下几个方面:一是利用环境库兹涅茨曲线(Environment Kuznets Curve,EKC)来研究旅游增长与碳排放之间的关系[13-14];二是通过计量手段检验旅游增长与碳排放的因果关系[15-16];三是通过指数分解方法对碳排放相关影响因素进行量化分析,以此为基础探究产出规模变化对旅游碳排放的贡献[17-18];四是构建脱钩指数测量旅游增长与环境问题的关系[2,19-20]。其中,“脱钩”分析因其可以用来反映经济增长与环境压力之间相邻年份的实时动态关系,且能定量地计算出经济增长对碳排放的依赖程度,有效识别经济增长与环境压力之间关系演化的具体阶段与实时状况,被广泛应用于旅游增长与环境问题的研究之中[21]。譬如,Tang等[2]、赵先超和朱翔[19]运用脱钩模型分别对中国、湖南省旅游业发展与碳排放的脱钩关系进行探索,其结果表明旅游业脱钩状态存在明显的时间与空间差异;王凯等结合脱钩模型与协整分析对中国旅游经济增长与碳排放的耦合关系进行辨识与分析[22];而Chen等则在明晰长江三角洲旅游增长与能源消费以及碳排放之间脱钩关系的基础上,利用对数平均迪氏指数法(Logarithmic Mean Divisia Index,LMDI)分解技术深入分析了影响碳排放的关键因素[20]。同时,随着经济-环境脱钩研究的深入,部分学者指出,由于经济增长源泉的多样性,加之环境的外部性效应,使得脱钩演化过程中不可避免存在着复杂的内在作用机制[23]。然而,多数旅游-环境脱钩研究却止步于回答“脱钩与否”的问题,缺乏对脱钩演化背后内在机制的探索,既没有明晰脱钩状态动态变化的原因,亦无法识别驱动因素间的互动效应、冲击程度和贡献程度。

鉴于此,本文将LMDI分解技术与基于向量自回归模型(vector autoregressive model,VAR)的动态效应分析法引入脱钩指数模型中,对传统脱钩指数分析进行了延伸,构建了较为新型的旅游增长与碳排放脱钩关系分析框架,尝试对二者脱钩关系展开系统深入研究。同时,选取成都市作为案例地,实证检验了这一分析框架的适用性与稳健性,以期为制定科学、合理的旅游业脱钩政策提供借鉴与参考。

1 研究方法与数据来源

1.1 旅游业碳排放计量方法

目前,主要存在两大类型的旅游碳排放核算方法,即“自上而下”法与“自下而上”法。前者基于投入产出理论从“生产”视角测量碳排放,主要适用于国家这类较大空间尺度碳排放评估,后者则基于生命周期理论从“消费”视角对碳排放进行测度,主要适用于旅游目的地这类较小尺度碳排放评估[9,24]。考虑到旅游数据的可获取性与可信性,参照前人研究[24-25]的核算思路,本文采用“自下而上”法对成都市旅游业所产生的碳排放量进行测度。

[C=CT+CH+CF+CA] (1)

式(1)中,[C]代表成都市旅游业碳排放总量;[CT]、[CH]、[CF]、[CA]分别代表成都市旅游交通、旅游住宿、旅游餐饮与旅游活动的碳排放量。

1.1.1    旅游交通

[CT=s=14DS×FS×βS] (2)

式(2)中,[s]表示运输方式,包括航空、铁路、公路、水运4种类型,[DS]表示第[s]类交通运输方式的客运周转量;[FS]表示第[s]类交通运输方式旅游者占比;[βS]表示第[s]类交通方式的碳排放系数(g/pkm)。在此,本研究参照Qiu等[26]的研究,假定国内游客选择航空、铁路、公路和水运出行,而入境游客则全部选择航空出行。同时,参考Becken[27]、魏艳旭[28]等学者的相关研究,最终确定航空、铁路、公路、水运的碳排放系数分别为396 g/pkm、65 g/pkm、132 g/pkm、63 g/pkm。

1.1.2    旅游住宿

[CH=i2x=12Gix×δx×ε] (3)

式(3)中,[i]表示游客类型(国内游客、入境游客),[x]表示住宿类型(星级酒店、其他酒店),[Gix]表示[i]类型游客在[x]类型住宿中的总居住日;[δx]表示[x]类型每床每夜的能源消耗量;[ε]表示单位热值含碳量。参照Gössling[11]、汪清蓉[29]等学者的研究,本文将游客选择住宿的类型划分为星级酒店、其他酒店两种类型,并将星级酒店能源消耗系数设定为130 MJ/床∙夜,其他酒店能源消耗系数设定为40 MJ/床∙夜,单位热值含碳量设定为43.2 gC/MJ。

1.1.3    旅游餐饮

[CF=k6N×Fk×μk] (4)

式(4)中,[k]表示食用食物类型,包括谷物、猪肉、牛羊肉、家禽、蛋类、奶类,[N]表示旅游总游览日,[Fk]表示人均每天第[k]类型食物的消耗量;[μk]表示第[k]类型食物碳排放系数。在此,参照谭秋成[30]的相关研究,本研究假定游客的平均每日食物消费量与城市居民的平均每日食物消费量一致,最终确  定谷物、猪肉、牛羊肉、家禽、蛋类以及奶类的碳排放系数分别为1740 g/kg、1670 g/kg、25 080 g/kg、550 g/kg、810 g/kg、1530 g/kg。

1.1.4    旅游活动

[CA=i2y=15Giy×φy] (5)

式(5)中,[i]表示游客类型(国内游客、入境游客),[y]表示旅游活动类型(休闲度假、观光旅游、商务出差、探亲访友、其他);[Giy]表示第[i]类型游客参与第[y]类旅游活动的人数;[φy]表示第[y]类旅游活动的碳排放系数。根据Becken[27]、石培华和吴普[31],本研究设定休闲度假、观光旅游、商务出差、探亲访友以及其他旅游活动的碳排放系数分别为1670 g/p、417 g/p、786 g/p、591 g/p、172 g/p。

1.2 脱钩指数分解模型

“脱钩”起源于物理学,后被引入环境经济学范畴,是指打破环境压力与经济增长之间的关联性,资源消费不受经济水平发展的制约[32]。目前,主流脱钩指数模型有经济合作与发展组织(Organisation for Economic Co-operation and Development,OECD)脱钩指数模型与Tapio脱钩指数模型,其中,Tapio脱钩指数模型采用脱钩弹性构建脱钩指标,能够有效地克服OECD脱钩指数模型在基期选择上的困境[2]。基于此,本文选择Tapio脱钩指数模型构建旅游增长与碳排放的脱钩指数模型,并在此基础上对其进行延伸,将LMDI分解技术与Tapio脱钩指数模型融合,构建出脱钩指数分解模型,探究脱钩状态背后的驱动因素。

第一步,参照Tapio[33]的研究,可构建旅游增长与碳排放的脱钩指数模型如下:

[DC,G=ΔC/CΔG/G] (6)

式(6)中,[DC,G]表示旅游业碳排放脱钩指数,[C]表示旅游业碳排放量,[G]表示旅游业总收入。[DC,G]状态分类与评价标准如图1。

第二步,为了将脱钩指数进行分解,探究脱钩状态背后的驱动因素,本研究拟利用因素分解法对Tapio脱钩指数展开分解。日本学者Yoichi Kaya于1989年提出Kaya恒等式[34],随后学者们则將其作为探讨人类活动对碳排放影响潜在因素的有效工具之一[17]。根据Kaya恒等式,公式(1)可扩展为:

[C=iCiEi×EiYi×YiY×YS×S] (7)

式(7)中,[C]为旅游碳排放量,[Ci]表示旅游业[i]部门的碳排放量,[Ei]表示旅游业[i]部门的能耗,[Yi]表示旅游[i]部门的收入,[Y]表示旅游业总收入,[S]表示旅游人次。

令[ei=CiEi],[fi=EiYi],[gi=YiY],[q=YS],[r=S]

其中,[ei]表示能源结构效应,[fi]表示能源强度效应,[gi]表示收入结构效应,[q]表示消费水平效应,[r]表示游客规模效应。据此,可对比较期[t]与基期0之间旅游业碳排放量变化展开如下分解:

[ΔC=Ct-C0=ieti×fti×gti×qt×rt-    ie0i×f0i×g0i×q0×r0=    ΔCe+ΔCf+ΔCg+ΔCq+ΔCr] (8)

式(8)中,[ΔCe]、[ΔCf]、[ΔCg]、[ΔCq]、[ΔCr]分别为能源结构效应、能源强度效应、收入结构效应、消费水平效应以及游客规模效应对旅游业碳排放量变化的贡献。值得注意的是,因素分解方法已经被广泛应用于分析不同因素对碳排放变化的影响,目前主流的因素分解方法包括结构分解分析(structural decomposition analysis,SDA)和指数分解分析(index decomposition analysis,IDA)。Su和Ang[35]对这两种分解方法进行了比较分析,认为SDA是基于Leontief分析框架的投入产出模型延伸,对数据要求较为严格,而IDA对数据要求较为宽松,适用于时间序列数据分解分析,因而被广泛应用于能源消耗和环境保护研究领域。IDA分解法主要包括Laspeyres指数分解与Divisia指数分解两种类型,其中LMDI分解法因其成熟的技术,形式灵活,易于计算以及不存在分解残余等优势而成为IDA分解中的首选[36]。鉴于此,本研究采用LMDI分解法对旅游业碳排放量进行分解,所得分解结果如下:

[ΔCe=iCti-C0iln(Cti)-ln(C0i)lnetie0iΔCf=iCti-C0iln(Cti)-ln(C0i)lnftif0iΔCg=iCti-C0iln(Cti)-ln(C0i)lngtig0iΔCq=iCti-C0iln(Cti)-ln(C0i)lnqtq0ΔCr=iCti-C0iln(Cti)-ln(C0i)lnrtr0] (9)

在此基础上,结合Tapio脱钩指数模型和LMDI分解法,本研究公式(6)中的脱钩指数做出如下分解:

[DC,G=ΔC/CΔG/G=ΔCC×GΔG=ΔC×GC×ΔG=    (ΔCe+ΔCf+ΔCg+ΔCq+ΔCr)×GC×ΔG=    ΔCe/CΔG/G+ΔCf/CΔG/G+ΔCg/CΔG/G+ΔCq/CΔG/G+]

[    ΔCr/CΔG/G=De+Df+Dg+Dq+Dr] (10)

[De]、[Df]、[Dg]、[Dq]、[Dr]分别表示能源结构效应、能源强度效应、收入结构效应、消费水平效应以及游客规模效应的脱钩指数。

1.3 基于VAR模型的动态效应分析法

由脱钩指数分解模型可知,旅游业脱钩系统是由多个相互影响的子系统构成,当其中一个子系统变动时,不仅自身会受到影响,还会连带影响其他子系统的运行[37]。因此,本研究选择将VAR模型中的预测误差方差分解和脉冲响应函数引入到脱钩指数分解框架,将上述Tapio脱钩指标分解项纳入一个统一的分析框架下,探究驱动因素间的动态交互关系,以期对其在未来旅游业脱钩过程的作用与角色有更清晰与深刻的认识。

VAR模型作为处理多个相关时间序列变量与预测分析的有效计量模型,常用于研究不同时间序列系统和分析随机误差项对时间序列系统的动态冲击,从而解释这种动态冲击对每个时间序列变量的影响[38]。本研究将脱钩指标分解项放入VAR系统中对其分解项之间的动态交互关系进行研究,表达式为:

[yt=A1yt-1+…+Apyt-p+εt] (11)

式(11)中,[{yt}=[Det Dft Dgt Dqt Drt]]为给定[t]时刻的平稳随机过程;[A]为常数向量;[p]为滞后期阶数;[εt]为良好的白噪声时间序列。

其中,预测误差方差分解(forecast error variance decomposition,FEVD)可以测量VAR系统中每种冲击对不同时间范围内预测误差方差的贡献,并估计源于其他变量的同时冲击的贡献。其中,第[h]步的预测误差为:

[xt+h-Etxt+h=i=0∞ψi(εt+h-i-Etxt+h-i)=i=0h-1ψiεt+h-i](12)

因此,预测误差方差可表示为:

[E(xt+h-Etxt+h)2=i=0h-1ψiψi′=    i=1m(pjpj′+ψ1pjpj′ψ1′+…+ψp-1pjpj′ψp-1′)]

[ψi=k=1pψi-kAk,Φi=ψiΓ0,ψi=In,Φn=(φn,ij)] (13)

式(13)中,[pjpj′+ψ1pjpj′ψ1′+…+ψp-1pjpj′ψp-1′]為第[i]个变量对第[h]期对预测误差的贡献率。

脉冲响应函数(Impulse Response Functions,IRFs)能够确定脱钩状态背后各驱动因素如何因其自身和其他因素的冲击而产生响应,同时还可粗略分析在长期关系受到冲击的情况下,相关变量恢复平衡所需的时间。其表达如下式:

[Φn(φik,n)=j=1nΦn-jAj,n=1,2,…] (14)

式(14)中,[Φ0=Im],对[j>p],[Aj=0]。[φik,n]是[Φn]的第[ik]个元素,表示变量[yi]对变量的一个初始波动[n]期前的反应。

1.4 数据来源

基于数据的可获取性与可信性,本文选取1991―2018年作为研究区间。旅游业碳排放量估算时所涉及的相关数据来源如下:成都市旅客交通运输量、旅游交通周转量等旅游交通数据来源于《四川省统计年鉴》(1992―2019)与《成都市统计年鉴》(1992―2019);国内(入境)游客平均逗留时间、国内(入境)游客选择不同住宿类型比例、一日游与过夜游客比例、不同旅游活动游客比例等相关数据主要根据《四川省旅游统计便览》《成都市国内旅游抽样调查报告》《成都市入境旅游抽样调查报告》推算得到。旅游业增长与碳排放之间脱钩状态及其分解计算所需数据如下:成都市旅游业消费结构比例则主要依据《四川省旅游统计便览》估算得到;成都市国内(入境)游客人次、国内(入境)旅游收入等数据来源于《四川省统计年鉴》(1992―2019)与《成都市统计年鉴》(1992―2019)。为保证研究的真实性与连续性,部分年份缺失数据采用邻近年份数值进行线性插补。

2 实证结果分析

2.1 成都旅游业碳排放量测度

由图2可知,研究时期内,成都旅游业碳排放  增长态势具有明显的阶段性:1991―2008年的缓慢增长阶段和2009―2018年的快速增长阶段。其中,1991―2008年,年均增幅为13.75%,而在2009―2018年,年均增速达25.80%,最终达到1374.34万t。旅游碳排放的增长轨迹基本符合我国旅游业发展的历史趋势。近年来,随着居民生活水平的提高、交通基础设施的改善以及假日制度的完善,国民  出游需求被极大地激发,旅游业得到了长足的发展,从而引致了旅游系统中碳排放量持续增长。此外,旅游碳排放存在着显著的部门差异性,其中,交通部门是旅游业碳排放中的主要贡献者,占排放总量的88.77%;相比之下,住宿、餐饮和旅游活动在  排放总量中的占比相对较小,分别占5.80%、3.30%和2.13%。这一结果与现有研究的结论基本保持一致[29,31],既充分说明了本文旅游碳排放估算环节的科学性与合理性,同时也再次印证了在旅游产业系统碳减排工作中,各部门需要有所侧重,相互配合。

2.2 碳排放与旅游增长脱钩关系测度

基于Tapio脱钩指数模型,本文对成都市旅游增长与碳排放之间的脱钩状态进行了测度,表1展示了研究时期内分部门与总体脱钩状态。就旅游业分部门脱钩状态而言,分部门的脱钩状态均以弱脱钩与扩张性负脱钩为主,交通、住宿、餐饮以及旅游活动平均脱钩指数值分别为0.655、0.504、0.589和0.398。而从脱钩指数变化趋势来看,4部门的脱钩指数在研究时期内并未保持稳定,其中,交通部门脱钩指数的波动幅度相比于其他部门更为剧烈,且演化趋势与总体脱钩指数基本保持一致。

总体脱钩状态亦以弱脱钩与扩张性负脱钩为主,平均脱钩指数值为0.806,实现了总体上的弱脱钩,即旅游增长速度略高于碳排放增长速度。同时,脱钩状态演化呈现出明显的阶段性特征:(1)1991―2003年,成都市旅游接待业处于起步阶段,旅游业总量较小,旅游碳排放亦处于缓慢增长阶段,旅    游增长与碳排放脱钩状态以弱脱钩状态为主。  (2)2004―2012年,中国加入世界贸易组织,国内经济得以快速发展以及国际交流日益频繁,中国旅游业呈现快速增长态势。然而,这一时期旅游业节能减排工作未能得到有效的重视,旅游业发展模式  较为粗放,致使旅游收入高速增长的同时,碳排放量也迅速攀升,脱钩状态以扩张性负脱钩为主。  (3)2013―2018年,中国经济发展总体进入新时期,追求低碳经济和绿色发展成为社会发展的主要目标。随着旅游业节能减排措施的制定以及游客节能环保意识的提升,脱钩状态由扩张性负脱钩转变为弱脱钩,脱钩指数呈现出一定的下降趋势。

2.3 碳排放与旅游增长脱钩指数演变的驱动因素探究

Tapio脱钩指数虽能刻画出旅游增长与碳排放脱钩指数的变化趋势,却无法揭示变化背后的驱动因素。因此,本文通过将Tapio脱钩指数模型与LMDI分解技术结合对总体脱钩指数进行分解,探讨各驱动因素在不同阶段对脱钩状态的作用方向与影响程度,图3展示了脱钩指数的分解结果。

2.3.1    波动变化的弱脱钩时期:1991—2003年

这一时期由于缺乏技术创新与制度约束,旅游业碳解锁难以推进,粗放发展的旅游消费方式成为抑制旅游业强脱钩状态实现的主要因素。同时,游客规模效应与能源强度效应对脱钩的影响相当,但作用方向相反。其中,能源强度的降低能够很好地促进脱钩的实现,而游客规模的增长则表现为脱钩的抑制因素。此外,能源结构效应与收入结构效应对于脱钩的作用相对较小。

2.3.2    扩张性负脱钩时期:2004—2012年

游客规模效应脱钩指数值的上升是这一时期扩张性负脱钩状态出现的主要原因,这说明旅游规模的增长既是旅游经济增长的动力,也是旅游业碳排放攀升的主要原因。具体而言,在这一时期,随着交通基础设施条件的改善,多数旅游景区盲目鼓励游客到访,虽然实现了旅游收入的快速增长,但也导致旅游接待规模超过其环境承载容量,致使旅游业碳排放呈现攀升态势[39]。同時,游客对于旅游消费与生态保护间的冲突认识不够深入,旅游环保意识不足,导致消费水平效应成为这一时期抑制脱钩的重要因素[18]。值得注意的是,虽然能源结构效应、能源强度效应与收入结构效应作用效果不大,但在此时期均为抑制脱钩的影响因素。

2.3.3    趋于平稳的弱脱钩时期:2013—2018年

能源强度效应分脱钩指数值在这一时期呈现出明显的下降趋势,成为促进脱钩的主要动力。其可能的原因在于近年来旅游产业结构的优化以及技术的升级换代,致使能源强度降低,从而有效地促进了脱钩状态由扩张性负脱钩向弱脱钩的转变[2]。同时,日益便捷的交通与居民收入水平的不断提升,极大地刺激了游客的出游与消费意愿,消费水平效应对于脱钩的抑制作用则在这一时期得到强化,旅游消费支出的过度增长成为阻碍脱钩实现的主要因素[20]。总体而言,这一时期扩张性负脱钩-弱脱钩的变化趋势虽在一定程度上表明旅游增长与环境保护协同效应在不断强化,但这与实现行业强脱钩的目标仍存在较大差距。

2.3.4    整体研究时期:1991—2018年

总体而言,消费水平效应在研究时期内平均脱钩系数值为0.56,是阻碍旅游业脱钩的主要影响因素。这说明近年来人均旅游消费的持续增长是旅游碳排放量持续攀升的主要原因,也从侧面印证了旅游活动具有不同于日常活动的“高碳”属性[40]。此外,与相关研究的结果保持一致[17-18],游客规模效应是脱钩过程中另一主要负面影响因素,年均脱钩指数值达到0.47。同时,值得注意的是,能源强度效应是唯一对脱钩实现具有正面效应的因素,说明降低能源强度是近年来旅游碳减排政策的主要抓手,而能源强度效应波动起伏的变化态势,也反映了其在未来仍具有较大的减排潜力与空间。此外,能源结构效应和收入结构效应的脱钩指数值在研究期间始终都在0值附近徘徊,表明它们在脱钩中的作用相对较小,但仍不可忽视其在脱钩过程中的潜力。优化旅游能源使用结构与促进旅游产业转型升级、提质增效,努力消除二者对旅游业脱钩的抑制效应,亦是实现旅游业可持续发展的关键突破口。

2.4 驱动因素的动态效应分析

制定有效的政策或措施以促进旅游增长与碳排放脱钩,既要求厘清脱钩状态变化的驱动因素,亦需要明确驱动因素之间的交互影响机制。因此,本文将VAR模型中的预测误差方差分解和脉冲响应函数引入脱钩指数分解框架,探究驱动因素间的互动效应、冲击程度和贡献程度。

2.4.1    数据平稳性检验

为避免“伪回归”的出现,在利用VAR模型进行回归之前,需要对时间序列的平稳性进行检验,本文使用增广的迪基-富勒(Augmented Dickey Fuller,ADF)单位根检验方法进行检验。其结果表明,每个变量具有单位根的原假设在1%显著水平下被拒绝,说明时间序列数据的统计特性在研究时期内均保持稳定。

2.4.2    VAR模型稳定性检验

本文根据相关准则(LR、FPE、AIC、SC、HQ)确定VAR模型最优滞后期,结果显示最优滞后期为3。此外,格兰杰因果检验结果表明,De、Df、Dq和Dr为系统内生变量,而Dg则为系统外生变量。最后,利用AR根图示法对滞后3期的VAR模型稳定性进行检验,结果显示该模型的全部特征根均在单位圆内,表明VAR模型是稳定可靠的,可用于后续脉冲响应函数与预测误差方差分解分析。

2.4.3    动态效应结果及分析

图4刻画了脉冲响应函数的结果,其中,横轴表示脉冲冲击后的年份,纵轴则表示响应的大小与方向。而表2显示了10年期间预测误差方差分解的结果。

由图4可知,与其他变量相比,能源结构效应对消费水平效应和游客规模效应冲击的反应更为显著,反应方向较为相似,首先为正向,第三期变为负向,最后在长期趋于平稳。这说明,从需求端倡导游客采取低碳消费方式在短期内就能促进能源结构效应向脱钩方向转化。同时,能源强度效应对大多数变量的冲击均有显著反应,其中,对消费水平效应冲击的反应方向表现为负向与正向交替变动,并在第八期之后趋于平稳,而对能源结构效应冲击的反应则较为平缓,但依然具有较长的滞后期。这说明,当下调整旅游能源利用结构与转变旅游消费方式的措施,将会在较长时期内促进旅游能源强度的下降,进而有助于实现总体脱钩的目标。然而,囿于我国以煤炭为主的基本能源供应结构,旅游行业能源结构的优化亦受到一定程度的刚性约束[41]。因此,如何通过优化旅游产业结构,从需求端激发旅游能源结构调整的减排潜力仍是今后研究关注的重点问题。最后,消费水平效应与游客规模效应对能源结构效应冲击的反应均相当显著。其中,消费水平效应对能源结构效应冲击的反应方向在第一期为负向,到第五期转为负向,在长期趋于稳定。而游客规模效应对能源结构效应冲击的反应方向则是在第一期为正向,随即转为负向,并在第七期后趋于平稳。

从预测方差分解的结果可观测到,相对与其他变量而言,消费水平效应(15.01%)与收入结构效应(15.76%)的冲击能很好地解释能源结构效应在长期的变动,这凸显了游客低碳环保意识的培养将会对旅游能源使用结构的优化产生显著影响,进而佐证了上述脉冲效应分析的结果。能源结构效应与消费水平效应是解释能源强度效应变动的主要因素,分别为50.31%和25.25%,表明采取旅游能源多样化策略与先进节能技术将有效地促进旅游能源强度的降低。消费水平效应与游客规模效应的变动均受到多个因素的影响。其中,对于消费水平效应的变动,能源结构效应、游客规模效应和能源强度效应分别贡献41.56%、14.35%和6.47%;而游客规模效应的变化则可以被消费水平效应(41.19%)、能源结构效应(38.02%)以及能源强度效应(7.55%)解释。综上可见,各驱动因素之间联系紧密,相互影响。因此,旅游业脱钩政策的制定应更加重视保持各驱动因素之间稳定的均衡关系与动态作用机制,以实现最大效用的协同脱钩。

3 结论与讨论

在推进低碳旅游发展的同时不损害旅游经济持续增长能力的低碳旅游恒定发展原则约束下,对旅游增长与碳排放的动态脱钩关系进行全面排查则显得尤为迫切与必要[5]。鉴于此,本文以成都市为例,将LMDI分解技术与基于VAR模型的动态效应分析法引入传统脱钩指数模型中,构建了新型的旅游增长与碳排放脱钩指数模型,对二者的动态关系展开系统深入研究,进而为确立旅游业脱钩的关键路径与核心标靶,促进旅游业实现强脱钩目标提供详实的实证支撑。相应研究结果如下。

第一,研究时期内,成都市旅游业碳排放量从9.24万t增长到1374.32万t,且仍保持着较高的增长态势,这说明实现旅游可持续发展任重而道远。此外,旅游业碳排放存在着显著的部门差异性,其中,交通、住宿、餐饮和旅游活动对旅游业碳排放增长的平均贡献分别达到88.77%、5.80%、3.30%与2.13%。这与相关研究结论基本保持一致[31]。

第二,就旅游增长与碳排放脱钩状态而言,研究期间成都市旅游业分部门与总体脱钩状态以扩张负脱钩和弱脱钩为主,均实现了整体上的弱脱钩。同时,总体脱钩状态在研究时期呈现出弱脱钩-扩张性负脱钩-弱脱钩的演化趋势。但是,值得注意的是,整体的弱脱钩状态仅能说明旅游增长对环境污染的依赖程度有所下降[42],且0.806的平均脱钩指数值较为接近弱脱钩与扩张性负脱钩的临界值,旅游业距离实现强脱钩目标仍存在较大差距。这表明旅游业脱钩过程必然是曲折和艰难的,政  府有关部门必须从宏观视角出发,整体把握旅游增长与碳排放脱钩阶段,制定总体、长期的旅游业可持续发展规划,以实现旅游经济与环境保护的协同发展。

第三,从旅游增长与碳排放脱钩指数分解结果来看,能源强度效应对实现脱钩具有正向的促进作用。因此,有关部门应当大力倡导旅游企业引进低碳生产技术,将低碳理念融入旅游产品生命周期的各个环节(产品研发设计、产品制造与维护、产品销售与消费),同时,提高旅游产品中相关原材料采购的环保准入标准,构建完善的绿色产业供应链。此外,引导游客践行低碳、环保的消费理念,从行为控制层面减少游客对目的地环境的影响,亦是当下降低旅游行业能源强度,促使旅游业实现脱钩的一种有效手段。同时,游客规模效应和消费水平效应是实现脱钩的主要抑制因素,但考虑到旅游业在国民经济中战略性支柱产业的地位,在当前经济发展背景下,通过大规模抑制旅游规模增长和消费水平提升显然不是实现脱钩的明智之举[18]。但是,在旅游可持续发展的背景下,仍需通过开发替代产品、優化出游路径,实现从旅游需求侧一端抑制旅游活动中“高碳”产品(如航空、奢华配套设施等)支出规模的过度增长,从而减缓消费水平的提升对于脱钩  实现的抑制作用。此外,采取财政手段将碳税政策引入旅游领域亦被证明是实现低碳旅游的可取之道[43]。同时,也可采用碳标签、低碳产品供应商证书等市场化政策消除旅游业碳排放交易市场信息不对称弊端,从而达到促进低碳消费的目的。此外,能源结构效应和收入结构效应虽对脱钩的影响不大且方向多变,但依然不能忽视其在旅游业脱钩过程中的作用。大力开发符合市场发展需求且具有低碳生态特质的旅游业态,规划建设旅游产业园以促进旅游产业集群发展和行业运营提质增效,加快推进旅游产业清洁能源行动计划,强化旅游领域清洁能源对于传统化石能源的替代效应,亦是实现旅游业脱钩的关键突破口。

第四,驱动因素的动态交互效应结果显示,能源结构效应对消费水平效应和游客规模效应冲击的反应十分显著,同时,能源结构效应与消费水平效应是解释能源强度效应变动的主要因素,各驱动因素之间在短期与长期内联系紧密、相互影响,存在着复杂的交互影响机制。因此,考虑到旅游业与其他国民经济部门错综复杂的关联关系,为避免不同驱动因素相互关联而削弱整体脱钩政策的有效性,有必要建立一个跨部门政策协同机制和设定中长期旅游业脱钩总体目标,确保能够在聚焦于如何实现降低旅游能源强度、优化旅游产业结构以及改善旅游消费方式等方向的同时,能够保持各驱动因素之间稳定均衡关系与动态作用机制,以实现最大效用的协同脱钩。

综合而言,在旅游增长与碳排放脱钩关系研究领域中,不同于现有研究仅停留在回答“脱钩与否”的问题[2,20],本文通过将LMDI分解技术与基于VAR模型的动态效应分析法引入脱钩指数模型中,构建了新型的脱钩分析框架,对旅游增长与碳排放脱钩关系展开了系统研究,丰富了旅游业可持续发展研究文献。然而,本文亦不可避免地存在一些局限。例如,囿于数据可获取性,本文仅选取了单一地区作为研究靶向,研究结论丰富程度有所欠缺,后续研究将在数据可获取的前提下选取更多的旅游城市进行比较分析,进一步实证检验这一新型脱钩分析框架的稳健性与适用性。

参考文献(References)

[1] WEAVER D, BECKEN S, DING P, et al. Research agenda for tourism and the Chinese dream[J]. Journal of Travel Research, 2014, 54(5): 578-583.

[2] TANG Z, SHANG J, SHI C, et al. Decoupling indicators of CO2 emissions from the tourism industry in China: 1990-2012[J]. Ecological Indicators, 2014, 46: 390-397.

[3] SCOTT D, HALL C M, GÖSSLING S. Global tourism vulnerability to climate change[J]. Annals of Tourism Research, 2019, 77: 49-61.

[4] 查建平, 王挺之, 馮宇. 低碳经济背景下中国旅游产业发展模式研究[J]. 资源科学, 2015, 37(3): 565-572. [ZHA Jianping, WANG Tingzhi, FENG Yu. Tourism industry development patterns in China and a low carbon economy[J]. Resources Science, 2015, 37(3): 565-572.]

[5] 查建平. 中国低碳旅游发展效率、减排潜力及减排路径[J]. 旅游学刊, 2016, 31(9): 101-112. [ZHA Jianping. Reducing carbon emissions in China’s tourism industry[J]. Tourism Tribune, 2016, 31(9): 101-112.]

[6] TABATCHNAIA-TAMIRISA N, LOKE M K, LEUNG P, et al. Energy and tourism in Hawaii[J]. Annals of Tourism Research, 1997, 24(2): 390-401.

[7] GÖSSLING, S. Global environmental consequences of tourism[J]. Global Environmental Change-Human and Policy Dimensions, 2002, 12(4): 283-302.

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

[9] 曹辉. 城市旅游生态足迹测评——以福建省福州市为例[J]. 资源科学, 2007, 29(6): 98-105. [CAO Hui. Evaluation of touristic ecological footprint of city: A case study of Fuzhou city in Fujian province[J]. Resources Science, 2007, 29(6): 98-105.]

[10] 查建平. 旅游业能源消费、CO2排放及低碳效率评估[J]. 中国人口·资源与环境, 2016, 26(1): 47-54. [ZHA Jianping. Evaluation of energy consumption, carbon dioxide emission and low-carbon efficiency[J]. China Population, Resources and Enviroment, 2016, 26(1): 47-54.]

[11] GÖSSLING S, INSTITUTIONEN F S M O, DEPARTMENT O S M A, et al. Sustainable tourism development in developing countries: Some aspects of energy use[J]. Journal of Sustainable Tourism, 2000, 8(5): 410-425.

[12] 钟永德, 石晟屹, 李世宏, 等. 中国旅游业碳排放计量框架构建与实证研究[J]. 中国人口·资源与环境, 2014,24(1): 78-86. [ZHONG Yongde, SHI Shengyi, LI Shihong, et al. Empirical research on construction of measurement framework for tourism carbon emission in China[J]. China Population, Resources and Enviroment, 2014, 24(1): 78-86.]

[13] LEE J W, BRAHMASRENE T. Investigating the influence of tourism on economic growth and carbon emissions: Evidence from panel analysis of the European Union[J]. Tourism Management, 2013, 38: 69-76.

[14] ZAMAN K, SHAHBAZ M, LOGANATHAN N, et al. Tourism development, energy consumption and environmental Kuznets curve: Trivariate analysis in the panel of developed and developing countries[J]. Tourism Management, 2016, 54: 275-283.

[15] KATIRCIOGLU S T. International tourism, energy consumption, and environmental pollution: The case of Turkey[J]. Renewable and Sustainable Energy Reviews, 2014, 36: 180-187.

[16] DANISH, WANG Z. Dynamic relationship between tourism, economic growth, and environmental quality[J]. Journal of Sustainable Tourism, 2018, 26(11): 1928-1943.

[17] LIU J, FENG T, YANG X. The energy requirements and carbon dioxide emissions of tourism industry of Western China: A case of Chengdu city[J]. Renewable and Sustainable Energy Reviews, 2011, 15(6): 2887-2894.

[18] 陶玉國, 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. [TAO Yuguo, HUANG Zhenfang, WU Limin, et al. Measuring carbon dioxide emissions for regional tourism and its factor decomposition: A case study of Jiangsu province[J]. Acta Geographica Sinica, 2014, 69(10): 1438-1448.]

[19] 赵先超, 朱翔. 湖南省旅游业碳排放的初步估算及脱钩效应分析[J]. 世界地理研究, 2013, 22(1): 166-175. [ZHAO Xianchao, ZHU Xiang. A rough estimation of CO2 emission and analysis of decoupling effects in tourism sector of Hunan[J]. World Regional Studies, 2013, 22(1): 166-175.]

[20] CHEN L, THAPA B, YAN W. The Relationship between tourism, carbon dioxide emissions, and economic growth in the Yangtze River Delta, China[J]. Sustainability, 2018, 10(7): 2118.

[21] CLIMENT F, PARDO A. Decoupling factors on the energy-output linkage: The Spanish case[J]. Energy Policy, 2007, 35(1): 522-528.

[22] 王凯, 李娟, 席建超. 中国旅游经济增长与碳排放的耦合关系研究[J]. 旅游学刊, 2014, 29(6): 24-33. [WANG Kai, LI Juan, XI Jianchao. Linking between carbon dioxide emission and tourism economic growth in China[J]. Tourism Tribune, 2014, 29(6): 24-33.]

[23]   DIAKOULAKI D, MANDARAKA M. Decomposition analysis for assessing the progress in decoupling industrial growth from CO2 emissions in the EU manufacturing sector[J]. Energy Economics, 2007, 29(4): 636-664.

[24] TSAI K, LIN T, LIN Y, et al. The carbon impact of international tourists to an island country[J]. Sustainability, 2018, 10(5): 1386.

[25]   TANG C, ZHONG L, NG P. Factors that influence the tourism industry’s carbon emissions: A tourism area life cycle model perspective[J]. Energy Policy, 2017, 109: 704-718.

[26] QIU X, FANG Y, YANG X, et al. Tourism eco-efficiency measurement, characteristics, and its influence factors in China [J]. Sustainability, 2017, 9(9): 1634.

[27] 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.

[28] 魏艷旭, 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. [WEI Yanxu, SUN Gennian, MA Lijun, et al. Estimating the carbon emissions and regional difference of tourism transport in China[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2012, 40(2): 76-84.]

[29] 汪清蓉, 谢飞龙. 城市旅游业CO2排放态势及旅游业低碳化发展模式[J]. 旅游学刊, 2014, 29(8): 98-109. [WANG Qingrong, XIE Feilong. Urban tourism situation analysis on CO2 emissions and future low carbon scenarios based on decoupling theory and Kaya identities[J]. Tourism Tribune, 2014, 29(8): 98-109.]

[30] 谭秋成. 中国农业温室气体排放:现状及挑战[J]. 中国人口·资源与环境, 2011, 21(10): 69-75. [TAN Qiucheng. Greenhouse gas emission in China’s agriculture: Situation and challenge[J]. China Population, Resources and Enviroment, 2011, 21(10): 69-75.]

[31] 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. [SHI Peihua, WU Pu. A rough estimation of energy consumption and CO2 emission in tourism sector of China[J]. Acta Geographica Sinica, 2011, 66(2): 235-243.]

[32] 梁涵玮, 倪玥琦, 董亮, 等. 经济增长与资源消费的脱钩关系——基于演化视角的中日韩美比较研究[J]. 中国人口·资源与环境, 2018, 28(5): 8-16. [LIANG Hanwei, NI Yueqi, DONG Liang, et al. Decoupling relationship analysis between economic growth and resource consumption in China, Japan, South Korea and the United States: A transitional perspective[J]. China Population, Resources and Enviroment, 2018, 28(5): 8-16.]

[33] TAPIO P. Towards a theory of decoupling: Degrees of decoupling in the EU and the case of road traffic in Finland between 1970 and 2001[J]. Transport Policy, 2005, 12(2): 137-151.

[34] KAYA Y. Impact of Carbon Dioxide Emission Control on GNP Growth: Interpretation of Proposed Scenarios[R]. Paris: IPCC, 1990: 350-416.

[35] SU B, ANG B W. Structural decomposition analysis applied to energy and emissions: Some methodological developments[J]. Energy Economics, 2012, 34(1): 177-188.

[36] ROINIOTI A, KORONEOS C. The decomposition of CO2 emissions from energy use in Greece before and during the economic crisis and their decoupling from economic growth[J]. Renewable and Sustainable Energy Reviews, 2017, 76: 448-459.

[37] ROBAINA ALVES M, MOUTINHO V. Decomposition analysis and innovative accounting approach for energy-related CO2 (carbon dioxide) emissions intensity over 1996―2009 in Portugal[J]. Energy, 2013, 57: 775-787.

[38] TODA H Y, YAMAMOTO T. Statistical inference in vector autoregressions with possibly integrated processes[J]. Journal of Econometrics, 1995, 66(66): 225-250.

[38]   HAN J. Carrying capacity of low carbon tourism environment in coastal areas from the perspective of ecological efficiency[J]. Journal of Coastal Research, 2018, 83(sp1): 199-203.

[40] GÖSSLING S, MICHL HALL C, INSTITUTIONEN F S M O, et al. Swedish tourism and climate change mitigation: An emerging conflict?[J]. Scandinavian Journal of Hospitality and Tourism, 2008, 8(2): 141-158

[41]   王迪, 聂锐. 江苏省节能减排影响因素及其效应比较[J]. 资源科学, 2010, 32(7): 1252-1258. [WANG Di, NIE Rui. Analysis and comparison of influencing factors on energy-saving and CO2 reductions for Jiangsu province[J]. Resources Science, 2010, 32(7): 1252-1258.]

[42] 查建平, 唐方方, 傅浩. 中国能源消费、碳排放与工业经济增  长——一个脱钩理论视角的实证分析[J]. 当代经济科学, 2011, 33(6): 81-89. [ZHA Jianping, TANG Fangfang, FU Hao. Energy consumption, carbon emission and industrial economic growth in China ― An empirical analysis based on decoupling theory[J]. Modern Economic Science, 2011, 33(6): 81-89.]

[43]   ZHANG J, ZHANG Y. Carbon tax, tourism CO2 emissions and economic welfare[J]. Annals of Tourism Research, 2018, 69: 18-30.

Decoupling Relationship between Tourism Growth and Carbon Emissions and

the Associated Driving Factors: A Novel Analytic Framework

ZHA Jianping, DAI Jiaquan, LIU Keji, YU Qiao, ZHOU Zhijian

(School of Tourism, Sichuan University, Chengdu 610065, China)

Abstract: In light of climate change, clarifying the dynamic decoupling relationship between tourism growth and carbon emissions in China in addition to identifying the associated driving factors are of great significance toward achieving sustainable tourism. In this paper, we extended the Tapio decoupling index model by adding the logarithmic mean Divisia index decomposition method and vector autoregressive model; in that way, we constructed a new tourism-environment decoupling analytic framework. We adopted that approach with Chengdu: we investigated the dynamic decoupling relationship between tourism growth and carbon emissions in addition to the associated driving factors there for 1991—2018. We obtained the following results. First, tourism-related carbon emissions maintained a relatively high growth trend in the study period, the growth curve of tourism-related carbon emissions can be divided into two phases: a relatively slow growth phase from 1991 to 2008 and a rapid growth phase from 2008 to 2018, and there is a big difference in carbon emissions among four tourism subsectors in the study period. Second, there was an overall weak decoupling of tourism growth from carbon emissions: the average decoupling index was 0.806. We divided the study period into three phases: a fluctuating weak decoupling stage (1991—2003); an overall expansive negative decoupling stage (2004—2012); and a stable weak decoupling stage (2013—2018). Third, during the study period, only the decoupling index of energy intensity consistently played a promoting role in the decoupling process; the decoupling index of consumption level and decoupling index of tourism scale played a restraining role; the decoupling index of energy structure and decoupling index of income structure played an insignificant role. Fourth, various driving factors were markedly linked with one another in both the short and long term. Effective decoupling of growth and carbon emissions in China’s tourism industry requires initiatives with a strategic focus on maintaining the synergistic relationship among different decoupling strategies (e.g., reducing energy intensity, optimizing industry structure, and improving expenditure patterns).

Keywords: tourism carbon emissions; decoupling index model; LMDI (logarithmic mean Divisia index) decomposition method; dynamic effect analysis; Chengdu

[責任编辑:吴巧红;责任校对: 郑    果]

猜你喜欢
成都
Liobagrus chengduensis,a new species of torrent catfish (Teleostei:Siluriformes:Amblycipitidae) from the upper Changjiang River basin in southwest China
成都THE REPUBLIQUE廾界买手店
七年后再入蜀 成都街头走一走
穿过成都去看你
春天来了,到成都的周边走走
成都
古今共存的成都
“蓉漂”为何选择成都
成都,Can do
在成都