中国旅游交通碳排放强度的时空演变特征

殷雅荣, 李 援

(1.琼台师范学院 生态经济研究中心, 海口 570228; 2.琼台师范学院 自贸港智能财务教育研究中心, 海口 570228;3.琼台师范学院 教育大数据与人工智能研究所, 海口 570228)

政府间气候变化专门委员会(IPCC)在第六次《气候变化2022:减缓气候变化》评估报告中指出:要实现温度升高控制在2 ℃左右的目标,温室气体排放达峰时间必须控制在2025年前,并在2030年前减少1/4[1]。全球气候变化已成为当今世界面临的重大挑战问题之一[2]。旅游业作为全球第一大产业[3],其碳排放占全球碳排放总量的14%[4],对气候变化产生了重要的影响[5]。而旅游交通的能源消耗则占整个旅游产业的70%,是旅游业最主要的碳排放来源[5-6]。因此,分析国内各省区市旅游交通碳排放强度(后文称碳强度)的空间自相关性和时空演变特征、找到影响碳强度的关键因素,对旅游产业碳减排、生态与经济协同发展具有重要的理论价值和实践意义。

1 文献综述

国内外对于旅游交通碳排放的研究主要集中在测算方法、影响因素、减排措施和碳排放时空间演变规律4个方面,通过国内外学者共同努力,相关研究获得了长足的进展。

在旅游交通碳排放测算上,学者们对省域、经济区和景区做出了大量研究。根据不同的研究尺度和数据类型的选取,旅游交通碳排放测算方法主要有“自上而下”[7-9]和“自下而上”[10-12]法。部分学者对不同的旅游交通方式进行了测算,Byrnes和Warnken[13]研究发现船只碳排放对海岸旅游的碳减排压力较大。魏艳旭等[9]测算了中国旅游交通4种主要方式--铁路、汽运、水运和民航的碳排放,在时间维度和地域维度对其进行了对比,认为公路和民航碳排放量最大。陶玉国[14]测算了长三角旅游交通碳排放总量,发现飞机和自驾车共占比达到71.64%。窦银娣等[15]测算了衡山旅游风景区旅游交通碳足迹,发现不同交通方式的碳足迹相差较大,其中公路交通最大。马慧强等[12]测算了山西省旅游碳排放量,指出公路、铁路是山西省旅游交通碳排放量的重要来源,游客规模是旅游交通碳排放量快速增长的主要因素。由此可见,旅游交通碳排放的测算方法多样,不同时期、区域的旅游交通碳排放的来源有显著差异。

国内外学者对旅游交通碳排放影响因素进行了充分研究。Lin[16]研究显示,旅行距离和交通方式是碳排放量贡献最大的因素。Becken等[17]的研究表明通过改变游客的旅行方式(增大游客负载因子、提升技术效率和减短旅行距离)能够极大地影响能源需求。王佳和薛景洁[11]研究了河南省旅游交通碳排放的影响因素,结果显示游客规模、单位交通周转量的能耗、人均旅游消费水平依次提高旅游交通碳排放,旅游产业占生产总值的贡献度、单位GDP交通周转量和能源结构对旅游交通碳排放呈负效应。李伯华等[18]利用生命周期评价理论对南岳风景构建了旅游交通系统碳足迹计算模型,发现能源结构效应和人口规模与南岳旅游景区碳排放成正效应,而能源强度效应和经济规模与碳排放呈现负效应。目前研究表明能源结构、交通方式选择和旅行距离等因素能够影响旅游交通碳排放。

在旅游交通碳排放减排措施领域,Sgouridis等[19]、Filimonau等[20]先后研究发现,减少飞机出行可以促进旅游碳排放的降低。Peeters等[21]研究发现,航空业技术革新对旅游业可持续发展具有促进作用。另外,Rutty等[22]在研究安大略省滑雪胜地旅游碳排放时提出采用交通工具监控技术和生态驾驶员训练两种手段可减少8%的碳排放。孙晋坤等[23]提出改善区域交通配置状况、提高区域旅游各要素的服务质量等旅游交通碳减排措施。现有研究表明技术革新、改善交通配置和提高管理水平有利于降低旅游交通碳排放。

当前对于旅游交通碳排放的时空演变及差异性的研究较为薄弱。胡程等[24]通过研究发现,沿长江经济带旅游交通碳排放呈现“东西高中间低”的空间格局。郭向阳等[7]研究发现,全国省域旅游交通碳排放呈现由东至西递减态势,总体上东-西方向空间联动效应差异趋向最大,其他方向空间分异程度较小。

虽然国内外学者围绕旅游交通碳排放开展了大量针对性研究,但现有研究仍存在以下不足:首先,大多数研究集中在单个省、市、景区或城市群,以全国视角开展的研究相对缺乏。其次,尽管现有研究对旅游交通碳排放的时空格局及演进进行了分析,但研究对象主要集中在碳排放总量上,缺乏对不同区域因经济发展、城市化水平、科技水平、地理区位、管理和政策等因素的差异化研究。鉴于此,将旅游交通碳强度和经济因素结合进行分析,在已有研究成果基础上,采用“自上而下”的研究方法对2012-2020年中国31个省(自治区、直辖市)(因数据缺失,未包含港澳台地区)旅游交通碳强度进行测算,并采用空间相关性模型探究全国区域内碳强度的时空变化规律,发现关键聚集发展区域并对其进行针对性分析,以确定影响旅游交通碳效率的关键因素,为降低国内旅游交通碳强度提供有针对性的建议。

2 研究方法与数据

2.1 数据来源

旅游人数、旅游收入等数据均来源于2012-2020年各省(自治区、直辖市)的《统计年鉴》(2012-2020年)、《国民经济和社会发展统计公报》(2012-2020年)、《中国旅游统计年鉴》(2012-2017年)和《中国文化和旅游统计年鉴》(2018-2020年)。4种交通方式的旅客周转量数据主要来自《中国交通年鉴》(2012-2020年)和各省(自治区、直辖市)的《统计年鉴》(2012-2020年),个别省份民航客运周转量数据缺失,通过客运量与平均运距乘积进行补充。由于研究时间跨度大,在计算过程中使用各年的 CPI (居民消费价格指数)平减指数对旅游收入进行平减,利用相应年份、地区的GDP (国内生产总值)平减指数对GDP进行平减。

2.2 旅游交通碳排放和碳排放强度核算

在前人研究[7,9,25]基础上,采用自上而下的碳排放核算方法。利用4种交通方式(航空、铁路、公路、水路)的旅客周转量与旅游旅客占比、不同交通方式碳排放因子的乘积汇总估算旅游交通碳排放量,模型为

(1)

式中:CTt为t年某省区旅游交通碳排放总量;Qit为第t年第i种交通方式的客运周转量;fi为第i种交通方式的旅游旅客占比,根据已有研究[7,9,25],航空、铁路、公路和水路运输方式客流中旅游旅客的比例取值fi分别取13.8%、31.6%、64.7% 和 10.6%;∂i为各种运输方式的CO2排放因子,4种交通方式单位CO2排放量分别为航空137 g/(人·km)、铁路27 g/(人·km)、公路133 g/(人·km)和水路106 g/(人·km)。

将旅游交通碳排放相对旅游收入的碳排放强度作为旅游交通碳强度,参照旅游交通碳强度[26]将其定义为一段时期内旅游交通CO2排放量与相应旅游收入的比值,其具体公式为

CPt=Ct/Yt

(2)

式中:CPt为某省区第t年的旅游交通碳排放强度,t/万元;Ct为某省t年的旅游交通碳排放量;Yt为某省t年经过CPI平减(以2012年为基年)后的实际旅游收入。

2.3 空间自相关分析

莫兰指数(Moran’sI) 是用来度量某要素与其邻近区域要素空间相关性的一个重要指标,表现为变量在地理空间中的聚集和离散特征。莫兰指数分为全局和局部莫兰指数,前者表明空间相关性的出现与否和强度大小,后者揭示要素在局部地区的聚集和离散情况。其中全局莫兰指数I[27]的计算公式为

(3)

式中:zi、zj分别为i和j两个省的旅游交通碳强度;Wij为空间权重,代表地区i与地区j的空间关系;So为空间权重Wij的累加和;n为样本数量。Moran’sI指数取值介于-1～1,当I>0 时,说明旅游交通碳强度具有空间正相关性,I越大,空间正相关性越明显;当I<0时,旅游交通碳强度在空间上呈负相关,I越小,空间差异越大;当I=0时,表明空间分布相互独立。

局部莫兰指数用于分析某临近区域内指标变量与周边地区指标变量的地理关联程度,从而说明该要素是否存在局部的空间聚集或离散效应,其计算公式为

(4)

式中:Ii为地区i的全局莫兰指数。

3 旅游交通碳强度的空间自相关分析

3.1 旅游收入的核密度分析

为了对研究期内旅游GDP总量建立总体认识,选择高斯核函数的核密度估计对各省份旅游收入分布情况进行分析。为避免带宽对核密度估计的影响,采用平均积分平方误差(MISE)对估计的带宽进行计算,选择带宽0.743 1,得到2012-2020年全国各省份旅游收入的核密度估计图,如图1所示。

图1 2012-2020年全国主要省份旅游收入核密度估计图

通过各年核密度分布曲线(图1)可知,2012-2020年主要省区的旅游收入核密度曲线均为单峰分布,并未出现的多极分化现象;曲线峰值逐步右移,波幅逐步降低,且覆盖范围变宽,说明2012年以来,国内旅游产业收入逐步提高,而各省份间收入差异有所增大。从曲线的形态特征看基本可以划分为3个阶段。

第1阶段(2012-2016年):在这一阶段,大部分省份的旅游GDP集中在2 000亿～4 000亿元的低值区间范围,各省份旅游收入差距较小。虽然2012-2016年收入峰值不断右移,实现了从1 500亿～4 300亿元的增长,但提升速度较为缓慢,呈现出蓄势待发的状态。

第2阶段(2017-2019年):与第1阶段相比,该阶段中峰值明显降低,各省份的旅游收入差距显著。峰值点从2017年的5 500亿元移动到2019年的8 800亿元,表现出快速增长的特征。

第3阶段(2020年):由于受到新冠肺炎疫情影响,出游人数及距离出现较大幅度收缩,各省份旅游收入范围收窄,并在2 200亿元和4 300亿元左右稍显双峰形态,旅游收入出现了一定程度的分化。

3.2 空间权重矩阵

空间自相关性分析首先要确定空间权重矩阵,常用的权重矩阵模型包括Queen、Rook邻接和基于距离、KNN聚类的权重矩阵。虽然邻接权重在空间相关性分析中经常使用,但是考虑邻接权重无法对地理孤立区域(如岛屿)进行表征,因此,使用基于聚类的方式生成权重矩阵,由于Queen邻接分布中各区域邻接区域频数最高为4和6(图2),因此,使用k近邻为6条件下生成空间聚类权重矩阵。同时,考虑区域间的空间滞后效应受到距离的影响,因此,生成权重矩阵时使用距离倒数参数。

图2 Queen邻接区域频数分布直方图

3.3 全局空间相关性分析

为评估全国旅游交通碳强度的空间聚集效应,使用莫兰指数对全国旅游收入、旅游交通碳排放和旅游交通碳强度进行全局空间自相关分析,空间滞后权重使用生成的空间权重矩阵,得到全局莫兰指数,见表1。

表1 2012-2020年旅游收入、旅游交通碳排放量和旅游交通碳强度全局莫兰指数

由表1可知,旅游GDP莫兰指数均值为0.139,随机序列P可信度检验值均在0.05以下,说明旅游GDP具有在95%置信度水平上的空间聚集效应。从指数的变化趋势看大致可以划分为两个阶段:2012-2016年,全局莫兰指数呈逐步下降趋势,说明旅游收入的空间聚集效应降低,高增长区域零星出现,如四川、广东的旅游收入快速提高,而周边区域的旅游收入则增长较慢。2017年后,莫兰指数出现递增的态势,说明区域聚集作用逐步加强。

2012-2020年,旅游交通碳排放的全局莫兰指数均为负值,其绝对值小于0.1,同时,随机序列可信度检验P值在0.30以下,置信度水平低,因此不具有收敛性,说明各省份旅游交通碳排放不满足空间自相关特征。

从各省份旅游交通碳强度的全局莫兰指数看,其P值小于0.25,置信度水平较低;2012-2020年,全局莫兰指数表现递增的趋势,说明交通碳排放强度聚集性逐渐增强。总的来说,“高-高”聚集区主要集中在山东、河南、浙江等东部地区,而西部地区的新疆、西藏、青海则属于“低-低”聚集。

3.4 局部空间相关性分析

利用局部莫兰指数对旅游收入的区域聚集效应进行分析。2012-2020年国内旅游产业收入表现出明显的空间聚集、传导特征,其时间变化基本与核密度分析结果一致。总体可划分为2012-2017年的蓄势发展阶段,2018-2019的快速发展阶段和2020年新冠肺炎疫情影响阶段。 2012-2020年全国旅游收入局部莫兰指数变化情况见表2。

表2 2012-2020年全国旅游收入局部莫兰指数变化情况

总的来说,研究期内旅游GDP的高增长区域展现出明显的影响作用,推动了周边区域的旅游产业发展;而西北部的“低-低”聚集区中除新疆外,青海、西藏则处于加入和退出不断变化的状态。通过对旅游GDP的局部莫兰指数时空演进分析可以看出,华南和西北是我国旅游产业区域性聚集发展区域,而状况和发展路径表现出不同的特征。

研究期内,旅游交通碳强度的局部莫兰指数也表现出一定的空间聚集特征,特别是在华南旅游GDP“高-高”集聚区中。2012-2017年,受到山东、河南、上海的高碳强度聚集区的影响,江苏、安徽、江西在其中形成一个“低-高”聚集区域,并经历了6年的较长发展阶段。之后,与旅游GDP的“高-高”聚集区情况相似,该区域快速向西南地区发展:2018-2019年,湖南和贵州先后加入周边的“低-高”和“高-高”聚集区,至2020年,与贵州毗邻的云南省也进入“低-高”聚集区域。

从2012-2020年的交通碳强度的局部莫兰指数变化(表3)可以看到,我国南方省份旅游交通碳强度的区域聚集、时空演进特征,其中的“低-高”聚集区,包括东部的江苏、安徽,中部的江西、湖南和2020年西南的云南,其单位GDP的旅游交通碳排放强度低于周边区域,对于带动华南地区旅游产业的低碳高效发展起到了重要影响作用。

4 旅游交通碳强度影响因素回归分析

旅游交通碳强度受到多种因素的共同作用,为了确定产业聚集度程度、经济发展水平、产业结构、城镇化水平和技术水平等因素的影响水平[28],建立公式(5)所示的回归模型,为考虑不同发展阶段旅游交通碳排放强度受以上因素的影响变化,使用2012-2017年和2018-2019年两个阶段进行时间序列回归。

CEIit=ρTAit+c1EDit+c2ISit+

c3Urbit+c4TLit+b+εit

(5)

式中:目标参数CEIit为t年省份i的旅游交通碳强度;TAit为t年i省份的产业聚集度;EDit为t年i省份的经济发展水平;ISit为t年i省份的产业结构;Urbit为t年i省份的城镇化水平;TLit为t年i省份的技术水平;b为常数项;εit为拟合残差。各指标变量的计算方式如下。

1)产业聚集水平(TA)。参考王凯等[28]的研究成果,使用区位熵来测算。 其计算公式为

TAit=(TrGdpit/Gdpit)/(TrGdpt/Gdpt)

(6)

式中:TrGdpit为t年i省的旅游GDP;Gdpit为该地区t年i省的GDP收入;TrGdpt和Gdpt分别为全国t年的旅游GDP收入和全国GDP。一般认为产业聚集程度高对于产业发展、相关标准的确立和技术进步具有良好的促进作用,而产业聚集程度低则会导致碳强度升高。

2)经济发展水平(ED)。考虑经济发展水平高的地区可能会在碳减排中投入更大,同时技术升级和投资生产效率更高,因此,地区经济发展水平(ED)使用地区人均GDP并经平减计算后的值进行衡量。

3)产业结构(IS)。由于不同产业的碳排放水平并不相同,产业结构(IS)的升级也会汰换粗放经营的产业,因此使用第三产业产值占比衡量各地的产业结构。

4)城镇化水平(Urb)。城镇化水平提升会在一定程度上提高旅游行业的基础设施,并在一定程度上影响从业人员的环保认识,因此使用城镇化人口占比代表城镇化水平。

5)环境保护技术水平(TL)。可以用资源利用效率表征,利用效率高的地区创造单位产值消耗的资源量更低,因此该参数用万元GDP的能耗进行测算。

为避免数据之间共线性影响回归结果,对模型的输入的数值进行VIF (方差膨胀因子)检验,方差膨胀因子最大值为9.264,表明模型输入解释变量之间不存在严重共线性。

研究期内“高-高”和“低-高”聚集区时间序列回归结果见表4。4组模型的R2均达到了较高水平,说明模型对碳强度影响因素具有良好的解释效果。总的来说,2012-2019年,“高-高”聚集区的碳强度受产业聚集度、经济发展水平、产业结构、城镇化水平和技术水平的影响模式高度相似,两个阶段的Pearson相关性高达0.951。其中,由显著性强的影响因素可见:“高-高”聚集区碳强度与产业聚集显著正相关,但其影响程度较低且快速下降,说明当低碳环保理念尚未进入旅游市场时,旅游产业聚集反而会提高其碳强度;而城镇化水平对碳强度呈负相关性,说明高城镇化水平对旅游交通碳排放降低有益;最后,环保技术因素与碳强度虽然表现为显著的正相关,但是影响水平低,且向降低的方向移动。

表4 研究期内“高-高”和“低-高”聚集区时间序列回归结果

影响“低-高”聚集区碳强度的5个因素则在两个时间阶段中现出明显的变化。2012-2017年,影响碳强度最重要的3个因素是城镇化水平、产业结构和经济发展水平,其中,城镇化水平是降低碳强度的最重要因素,拟合系数达到-9.069,而产业结构和经济发展水平则提高了碳排放强度,说明2012-2017年,第三产业的繁荣和个人收入增长反而增加了旅游交通的碳排放量,这与该阶段旅游产业的环保意识尚未建立有关,导致随着经济发展和收入增加,居民希望获得更多、更好的旅游服务,而缺乏对环境保护的考量。2018年后,城镇化水平、产业结构、产业聚集是降低碳强度的重要因素。其中,城镇化水平仍然是最重要的影响要素,但相较于上一阶段,其影响作用明显下降。相对地,随着环保意识增强,经济发展水平对碳强度增长影响已经显著降低,而产业结构优化则成为降低旅游交通碳排放的重要因素。最后,虽然技术因素、产业结构对碳强度的影响不显著,但两个阶段相比,其影响力均增加了2倍,说明其对降低碳强度的影响正逐步增强。碳强度随以上5个要素影响系数如图3所示。

图3 “高-高”和“低-高”聚集区碳强度与5个影响要素的雷达图

因此,城镇化水平和产业结构是影响碳强度的最重要因素,但随着城镇化率接近75%,其边际效应正在显现。而随着双碳意识的普遍建立,产业结构的优化、科技进步都会对旅游交通碳排放降低产生有益的影响。从产业聚集来看,其作用发挥可能仍需产业结构、科技水平有进一步的优化提升后才能发挥更有效的作用。

5 研究结论与讨论

5.1 研究结论

以2012-2020 年中国省级面板数据为研究单元测算各省份旅游交通碳强度,进而利用莫兰指数对其进行空间自相关和时空特征分析,并利用回归分析探索其影响因素,得出以下结论。

1) 对2012-2020年全国各省域旅游GDP的变化进行了核密度分析,将国内旅游GDP发展情况划分为3个阶段,即2012-2016年的蓄力发展期,2017-2019年的快速增长期和2020年的新冠肺炎疫情影响期。

2)通过莫兰指数对旅游收入和旅游交通碳强度进行空间相关性研究发现,2012-2019年,国内旅游产业GDP具有较好的全局空间自相关性,而旅游交通碳排放则不具有明显的空间自相关特征,旅游交通碳强度的全局空间相关性逐步增加,但其显著性较弱。

从局部空间自相关分析可以看出,国内旅游产业区域聚集和发展规律与核密度分析发现的蓄力发展、快速增长期和新冠肺炎疫情影响期3个阶段发展模式相呼应。在旅游交通碳强度上表现出从东部省份开始,形成“高-高”“低-高”镶嵌发展的格局,并逐步影响华南,从2018年和2019年,东部的江苏、安徽,中部的江西、湖南和2020年西南的云南是“低-高”聚集区,对带动旅游产业低碳高效发展起到了重要的辐射作用。

3)为进一步确定不同发展阶段影响旅游交通碳强度“低-高”和“高-高”聚集的影响因素,选择地区的产业聚集度、经济发展水平、产业结构、城镇化水平、技术水平对该地区的旅游交通碳强度进行时间序列回归,回归结果说明:城镇化水平和产业结构是影响地区碳强度的最重要因素。其中,随着国家城镇化水平不断提高,旅游交通碳强度随之降低,但降低速度有所减缓。产业结构优化正在成为降低旅游交通碳强度的重要影响因素。此外,技术进步对旅游交通碳排放降低也有有益的影响。

5.2 讨论

虽然很多国内外学者基于空间相关性对旅游交通碳排放的时空变化和影响因素进行了针对性研究[7,13,23-25],但与前人工作相比,本文中在时空相关性研究基础上进一步对旅游交通碳强度的“低-高”“高-高”不同聚集区在不同发展阶段分别进行时间序列回归,并通过比对确定影响碳强度变化的各种因素及其在不同阶段的变化状况,从而为地方转换旅游产业模式、降低旅游交通碳排放强度提供更明确的建议。

此外,本研究中,旅游交通碳排放与郭向阳等[7]发现的空间分异特征显著,呈现由东至西递减态势一致。而在对影响碳强度的因素分析中,王兆峰和汪倩[29]在长江经济带新型城镇化对旅游业碳排放影响的阶段性特征研究中也提出,当地区的城镇化水平介于0.319～0.568时,城镇化水平的提升对旅游业碳排放具有较强的抑制作用,而在城镇化水平超过0.568后,旅游业碳排放随城镇化水平提高却不断增加。虽然其研究的对象与本文的研究稍有不同,但考虑旅游交通在旅游碳排放中占70%左右,其结果与本文的研究在两阶段的回归结果也体现出较为一致的趋势。

总的来说,随着城镇化降碳红利下降,我国旅游业产业减碳应从以下角度考虑:一是继续加强居民环保意识的培养。可以看到2018年以来,碳达峰、碳中和已逐步成为全民共识,这影响了普通群众的消费观念,促进了产业结构转变并对旅游业碳强度降低起到了重要影响作用。其次,应大力投资、发展环境保护技术,促进其在旅游生产各领域、各环节中的运用。最后,虽然产业聚集尚未对旅游交通碳强度产生明显影响作用,但是其仍然是高速增长的减碳因素,其作用发挥可能需要等待产业结构进一步优化和关键技术的发展应用。