中国华东地区旅游交通碳排放测度与驱动因素分析

刘俊豪，刘榆欣，黄 蕾*

1. 南京大学环境学院，污染控制与资源化研究国家重点实验室，江苏 南京 210033

2. 南京大学（苏州）高新技术研究院，江苏 苏州 215123

全球气候变暖问题已成为世界各国和地区共同面临的严峻问题[1-2]，旅游业发展与全球气候变化的关系研究在20 世纪80 年代后逐渐增多[3]. 不同于早期的旅游业是环境友好产业的认识[4-6]，如今的旅游业是服务全球超100 亿旅客、涉及吃穿住行娱购游等需求的综合性产业[7-8]，在此过程中所产生的碳排放是巨大的[9]. 于2007 年举办的第二届气候变化与旅游国际会议首次提出旅游业约占全球碳排放的5%[10]，及时控制旅游业碳排放高速增长态势是各国和地区必须面对的难题[2,11]. 世界旅游旅行理事会(WTTC)提出，到2035 年全球旅游业碳排放应较2005 年减少50%[12]，这一目标也成为各界共识[13]，旅游业碳减排已刻不容缓.

旅游交通指游客在出发地与旅游目的地之间及在旅游目的地期间所使用的一切交通设施和服务[14]，研究表明，旅游交通碳排放量占比超过了住宿、餐饮、娱乐等环节[15-17]，是旅游业碳排放的最主要来源[18-21]，而碳排放污染也会反过来遏制旅游业发展[22]，因此降低旅游交通碳排放是控制旅游业碳排放的关键所在.

中国是旅游大国和交通大国，但是国内针对旅游交通碳排放的研究较少，总体来说集中在3 个方面：①旅游交通碳排放的结构问题，从总量来看旅游交通碳排放量占整个旅游业碳排放的比例为50%～75%[3,10,14]；从旅游交通方式来看，航空产生的碳排放高于铁路和公路[23]. ②旅游交通碳排放的测算方法，主要包括“自上而下”法[24]、“自下而上法”[25]两个测算视角，由于旅游业是现代新兴产业[26]，其能源消耗和碳排放计算还处于起步阶段，缺乏精确、统一的旅游卫星账户和数据监测体系，因此旅游交通碳排放多采用估算方法，包括替代式系数估算[27-28]、旅游交通生命周期估算[29]、使用数据挖掘技术估算[30]、使用COPERT IV 模型估算[31]等. ③旅游交通碳排放的影响因素及其对社会的影响效应研究，如使用LMDI 模型对影响因素进行分解[32]，使用自回归分布滞后方法探究旅游交通碳排放与其他影响因素的关系[33]，以及旅游交通碳排放对居民健康的影响[34]等. LMDI 是因素分解分析法的一种，可以对研究部门的全部数据进行分解，提取出主要的影响因素进行分析，具有计算便捷、分解后无残差[35]、使用广泛、认可度高等优势.旅游交通碳排放的主要驱动因素包括旅游规模、经济水平、能源结构、能源强度等[15]，改进环保技术[36-37]、提升交通基础设施建设[38-39]、游客低碳意识培养[40]是降低旅游各环节碳排放的有效途径.

综合现有研究发现：①多数旅游交通碳排放的研究对象为单一旅游景区[41-42]、单一省份[43-44]或全国视角[45]，缺乏从中观尺度对社会经济水平接近区域内的碳排放异质性进行对比研究，这样可以避免内部过大的异质性对驱动因素分析的不利影响；②对旅游交通碳排放的驱动因素研究尚未形成共识，旅游交通碳排放与出行距离密切相关[25]，旅游景区的游客吸引半径也与游客人均碳排放量显著相关[46]，但是鲜有研究将出行距离和旅游景区密度纳入统一的驱动因素研究框架中；③基于替代式系数法测算旅游交通碳排放时，一般会设置固定的α值来确定各类交通方式所占游客出行的比例，但现有研究多参考魏艳旭等[27]的研究设置固定的α值，但是其研究数据较为久远，缺乏符合现代经济社会特征的更合理的阶段性α值.

作为我国综合水平最高的经济区、经济文化最发达地区，华东地区仅占全国8.7% 的陆地面积，却拥有全国30%以上的人口，近40%的GDP. 因此，本研究以华东地区作为研究对象，提出了分时段设置不同碳排放测算系数α值，采用“自下而上”替代式系数方法和动态α值更为准确地测度了华东地区各省份的旅游交通碳排放量；同时构建了包括纳入出行距离和旅游资源禀赋度的驱动因素研究框架，并运用两级LMDI 加法分解模型分析了10 个驱动因素的实际影响效应，以期为华东地区旅游行业的碳减排措施制定提供参考.

1 数据与方法

现阶段被广泛运用于碳排放计算的方法主要有两类，一类是“自上而下”法，即通过投入产出表综合计算分析，适用于从宏观视角计算碳排放量；另一类是“自下而上”法，即从微观视角分解目标物的碳排放源并进行加权求和计算. 截至目前，我国各省份尚未有单独的旅游交通数据统计口径，旅游交通碳排放测算存在一定的客观局限性. 本研究从微观视角分解华东地区六省一市的碳排放总量，通过计算公路、民航、铁路、水运四种交通方式的客运碳排放量与旅游交通碳排放量之间的比例关系，间接估算华东地区旅游交通的碳排放量.

1.1 客运交通碳排放测度模型

联合国世界旅游组织(UNWTO) 建议交通碳排放的测算可以采用每种交通方式的旅客周转量(passenger kilometers)乘以相应的碳排放系数，从而得到每种交通方式下的客运交通碳排放量[10]，测算模型如下：

式中：Ci为第i种交通方式的客运交通碳排放量，g(以CO2计)；Pi为第i种交通方式的碳排放系数，g(以CO2计)/(km·人)；Qi为第i种交通方式的旅客周转量，km·人. 根据联合国世界旅游组织(UNWTO)和联合国环境规划署(UNEP)的规定标准值，设定铁路客运交通碳排放系数为27 g(以CO2计)/(km·人). 根据经济合作与发展组织(OECD)的规定标准值，公路客运交通的碳排放系数为133 g(以CO2计)/(km·人). 根据相关研究[8,47-48]及联合国世界旅游组织建议，将航空和水路客运碳排放系分别设置为137、66 g(以CO2计)/(km·人).

1.2 旅游交通碳排放测度模型

旅游交通碳排放计算模型如下所示：

式中：C为旅游交通碳排放总量，g(以CO2计)；αi为第i种交通方式旅游碳排放所占客运交通碳排放的比例，%. 目前，国内旅游卫星账户系统尚未完全构建，没有精确的α值. 2001-2008 年参考魏艳旭等[27]研究将公路、民航、水运、铁路的α值分别设为13.8%、64.7%、10.6%、31.6%；2015 年国家“四纵四横”高铁网络基本建成，选择更为低碳的高铁出行的旅客不断上升[49]，居民生活水平不断提高，2013 年私人汽车拥有量首次破亿，特别是受到新型冠状病毒感染疫情的影响，自驾游、就近旅游等兴起. 本研究采取专家评价法测算2009 年之后各交通方式的α值，计算公式：

式中：αij为第j个时间段第i种交通方式的比例；Sqij为第q个专家对第j个时段第i种交通方式的α值评价结果；Wq为第q个专家评价结果的权重，权重参考文献[50]采取熵权法计算确定. 公路、民航、水运、铁路的α值设置如表1 所示.

表1 公路、民航、水运、铁路的 α值Table 1 The α values of highway, civil aviation, water transport and railway

1.3 Kaya 恒等式与LMDI 分解

本研究采取加法分解模式对华东地区旅游交通碳排放进行分解. 综合数据可得性和研究可行性，本文将对上海市、江苏省、浙江省、山东省、福建省、安徽省、江西省六省一市进行研究. 关于驱动因素选取，本研究参考已有文献选取了旅游交通运输强度[32,51]、能源强度[32,45,52]、旅游规模[32,51-52]、旅游产业贡献[32,51-52]、旅游消费水平[32,51-52]、服务业发展水平[45]、能源效率[53]等7 个因素，同时参考郭向阳等[45]研究中旅游资源吸引力可能正向影响旅游交通碳排放的观点，选取A 级景区平均服务游客数量、游客周转量与A 级景区数量之比分别代表旅游景区饱和度、旅游资源禀赋度，选取客运周转量与客运量之比作为初步的出行距离衡量办法，从而搭建起10 个驱动因素的研究结构，并由此构建华东地区旅游交通碳排放双层LMDI指数分解模型，如式(4)所示.

式中：C为华东地区六省一市旅游交通碳排放总量，104t；Cm为华东地区各省份的旅游交通碳排放量，104t；SCm为第m个省份的第三产业增加值，108元；GDm为第m个省份的地区生产总值，108元；个省份的旅游人数，104人；SIm为第m个省份的A级ICm为第m个省份的旅游业收入，108元；POm为第m以上景区数量，个；TOm为第m个省份的客运周转量，108人·km； PAm为第m个省份的客运量，104人；ENm为第m个省份的交通能源消耗量，104t(以标准煤计)；CSm为第m个省份的能源效率，104t/(108元)； SGm为第m个省份的服务业发展水平，%； GIm为第m个省份的旅游产业贡献，%；IPm为第m个省份的旅游消费水平，104元/人；PSm为第m个省份的旅游景区饱和度，104人/个；STm为第m个省份的旅游资源禀赋度，个/(108人·km)；TPm为第m个省份的乘客出行距离，104km； PEm为第m个省份的旅游交通运输强度，人/t(以标准煤计)； EPm为第m个省份的能源强度，t(以标准煤计)/人； POm为第m个省份的旅游规模，104人.

对式(4)两边进行对数变换，可得出t年相对于基准年0 的二氧化碳变化值的对数等于各驱动因素变化值的对数之和，如式(5)所示.

根据LMDI 加法分解法模型，式(5)右边的每一项可分别用式(6)～(15) 表示，分别代表了能源效率、服务业发展水平、旅游产业贡献、旅游消费水平、旅游景区饱和度、旅游资源禀赋度、出行距离、旅游交通运输强度、能源强度、旅游规模等10 个因素对华东地区旅游交通碳排放的影响.

1.4 数据来源

基于数据可得性和研究周期性，将研究时间定为2001-2021 年. A 级以上景区数量来自《中国旅游统计年鉴》(2011-2018 年)、《中国文化和旅游统计年鉴》(2019 年)、《中国文化文物和旅游统计年鉴》(2020-2021 年)，缺失数据采取平滑预测法；由于仓储及邮电通讯业对能源消耗量较小，故交通能源消耗量指标数据采用各省份每年交通运输、仓储及邮电通讯业的能源消耗总量替代；其他指标数据来自华东地区各省份统计年鉴(2002-2022 年)和《国民经济与社会发展统计公报》(2001-2021 年).

2 结果与讨论

2.1 华东地区旅游交通碳排放时空变化趋势

根据式(2)得到华东地区2001-2021 年的旅游交通碳排放结果如表2 所示. 由表2 可见，旅游交通碳排放量自2001 年以来稳步上升，2020 年受新型冠状病毒感染疫情影响而大幅下降. 就具体交通方式来说，公路碳排放量在2001-2012 年的年均增长率为11.06%，该阶段公路是旅游出行的重要方式，但随着高铁的发展和人民生活水平提高，愈来愈多的游客选择民航出行，因此2013 年后公路碳排放量相对下降；民航一直是游客出行的主要交通方式，碳排放系数最大，2001-2019 年民航碳排放量以5.23% 的年均增速波动上升，年均民航碳排放量占总交通碳排放量的69.44%；铁路碳排放量在2001-2019 年一直保持稳定的增长态势，年均增长率为5.54%，其所占交通碳排放量的比例也一直持续上升；水运碳排放量整体呈下降趋势，2009 年之后的年均降幅为5.28%.2001-2021 年人均旅游交通碳排放量呈下降趋势，年均降幅达8.68%，这说明我国华东地区交通基础设施建设持续完善，旅游交通的运输效率也不断提升，绿色出行比例有所上升.

表2 2001-2021 年华东地区旅游交通碳排放情况Table 2 Carbon emissions from tourism transportation in East China from 2001 to 2021

分省份旅游交通碳排放的时序变化如图1 所示.2001-2021 年华东地区旅游交通碳排放大致可分为4 个阶段，分别为2001-2012 年快速增长阶段、2013-2015 年转型调整阶段、2016-2019 年稳步发展阶段、2020-2021 年剧烈下降阶段. 第一阶段(2001-2012 年)是我国迈入21 世纪以来的快速发展阶段，华东地区城市化进程加快，旅游规模不断扩张，旅游交通碳排放持续上升. 2013 年是重要转折之年，这是全面推进“深化改革”的第一年，许多保护环境的新概念如“生态文明”“生态补偿机制”等首次提出；这一年中国碳排放总量位居全球首位，人均碳排放量也首次超过欧盟，我国面临巨大碳减排的压力并制定多项碳减排政策，颁布了旅游业第一部专门法律法规-《中华人民共和国旅游法》，有力推动了旅游方式的转变以及旅游产业和结构的调整，2013-2015 年华东地区的旅游交通碳排放也波动下降. 2016 年以来我国旅游业进入平稳发展阶段，上海市旅游交通碳排放量首次超过江苏省，成为华东地区旅游交通碳排放量最大的省份. 2020 年新型冠状病毒感染疫情影响旅游业备受打击，旅游交通碳排放量断崖式下降，2021 年呈现初步恢复态势.

图1 2001-2021 华东地区各省份旅游交通碳排放量时序演变Fig.1 Time series evolution chart of carbon emissions from tourism transportation in East China from 2001 to 2021

为探究华东地区旅游交通碳排放的空间演变格局，使用ArcGIS 10.8 软件中的自然断点法将华东区各省份划分为4 个等级，分别为高碳排放区、较高碳排放区、中碳排放区和低碳排放区(见图2). 华东地区2001-2021 年碳排放总量呈北高南低的特征，江苏省为第一大旅游交通碳排放区域，达35 978.82×104t，福建省最低，为17 687.91×104t；华东地区人均旅游交通碳排放量呈中间高、两端低的特征，上海市人均旅游交通碳排放量最高，达69.99 kg，山东省最低，仅为31.59 kg.

图2 华东地区2001-2021 年旅游交通碳排放总量与人均旅游交通碳排放量Fig.2 Total carbon emissions and per capita carbon emissions of tourism transportation in East China from 2001 to 2021

将2001-2021 年以5 年为间隔划分5 个时间点，绘制其旅游交通碳排放量如图3 所示. 上海市旅游交通碳排放等级持续上升，从最开始的低碳排放区演变为高碳排放区，这与改革开放以来上海市的飞速发展进程密不可分. 江苏省一直是高碳排放区，这与江苏省发达的经济水平和交通基础设施建设以及丰富的旅游资源有较大关系. 而福建省则一直为低碳排放区，主要是因为福建省山地众多、平原面积狭小，人口主要聚集在东部沿海地区，旅游交通线路较短，加之全省旅游资源较少，故旅游者交通碳排放也偏少. 2011年山东省、江苏省和安徽省均为高碳排放区，浙江省和江西省分别为较高碳排放区和中碳排放区，受2013 年颁布的减缓气候变化的政策、法规等影响，加之旅游业还处在转型期，这些地区的碳排放等级均有不同程度的下降.

图3 华东地区2001-2021 年旅游交通碳排放5 年期时序变化特征Fig.3 Five-year time series changes of carbon emissions from tourism transportation in East China from 2001 to 2021

2.2 华东地区旅游交通碳排放LMDI 分解结果

使用LMDI 指数分解模型对华东地区2001-2021 年交通碳排放进行完全分解，分解结果和影响效应如表3 所示. 整体来说，服务业发展水平、旅游消费水平、旅游资源禀赋度、出行距离、旅游规模为正向驱动因素，能源效率、旅游产业贡献、旅游景区饱和度、旅游交通运输强度、能源强度为负向驱动因素，其中，能源效率是首要促降因素，旅游规模是首要促增因素，这与胡程等[32,51,54-55]的研究结果相似.

表3 2001-2021 年各驱动因素对旅游交通碳排放的影响效应Table 3 The impact effects of various driving factors on carbon emissions from tourist transport from 2001 to 2021

从时间维度来说，华东地区旅游交通碳排放受驱动因素的影响效应呈现较大差异，绘制2001-2011年、2011-2021 年两阶段旅游交通碳排放驱动因素影响的变化(见图4).

图4 2001-2021 年不同驱动因素对华东地区旅游交通碳排放量的阶段性影响Fig.4 Phased impacts of different driving factors on carbon emissions from tourism transportation in East China from 2001 to 2021

由图4 可见，能源效率、旅游资源禀赋度、旅游运输强度、旅游规模这4 个因素的变幅较大. 具体来说，能源效率从第一阶段的-99.2%提至第二阶段的440.6%，反映出近10 年国家能源消费结构调整和服务业节能减排举措促使能源效率大幅提高，单位增加值带来的碳排放不断减少. 旅游资源禀赋度影响效应由正转负、旅游运输强度由轻微负向驱动转向正向驱动因素，一方面受到A 级景区数量在2011 年后特别是2015 年后增长率大幅下降的影响，另一方面群众旅游目标和形式由过去的单一景区中心目标转向多目标、散点化、组合式旅游的变化趋势，使得旅游资源禀赋高的省份不一定直接带来高的碳排放. 旅游规模从第一阶段的最主要的正向驱动因素转变为负向驱动因素，反映旅游规模对旅游交通碳排放的影响效应在下降，通过计算2011-2019 年和2020-2021年两个阶段的影响效应发现，受新型冠状病毒感染疫情的客观影响导致旅游规模大幅下降，进而导致旅游规模影响效应的变化，整体上旅游规模仍属于强正向驱动因素.

3 结论与建议

3.1 结论

a)从旅游交通碳排放的时序变化来看，旅游交通碳排放量自2001 年以来一直稳步上升，年均增长率为2.94%. 2019 年相较于2001 年旅游交通碳排放量增加了154.33%，在2020 年受新型冠状病毒感染疫情影响下降了46.24%，在2021 年后开始呈现恢复态势. 分交通方式来说，民航碳排放量以5.23%的年均增速波动上升，其碳排放量约占所有交通方式碳排放量的69.44%，而公路和水运的碳排放量均有所下降.

b)从旅游交通碳排放的空间变化来看，2001-2021 年华东地区碳排放总量呈北高南低的特征，江苏省为第一大旅游交通碳排放区域，达35 978.82×104t；从人均旅游交通碳排放量的角度看，华东地区大体呈中间高、两端低的特征，上海市人均旅游交通碳排放量最高，达69.99 kg. 受国内政治环境和国际舆论环境影响，加之2013 年颁布的多项减缓气候变化的政策、法规，旅游业发展逐步迈入绿色化、规范化，此后华东地区除上海市外的省份的旅游交通碳排放等级均有不同程度的下降.

c)从LMDI 驱动因素分解结果和时空异质性来看，旅游规模对旅游交通碳排放的驱动效应始终处于首位，影响效应达96.9%，并且这种效应还在增强，而能源效率是首要负向驱动因素，影响效应达-107.2%，反映华东地区旅游业绿色发展取得初步成效. 将研究时间范围分为两个时段，驱动因素影响效应振荡幅度最大的是旅游资源禀赋度，由正转负间接反映过去人民群众以景区为目标中心的旅游方式正在向多元化旅游目标与形式转变，自驾游、野外露营、小众景点探索等成为了时代新趋势.

d)本研究对华东地区六省一市的旅游交通碳排放做了全面测算，利用LMDI 方法并结合Kaya 等式通过“自下而上”的方法对旅游交通碳排放量驱动因素进行分析，未来研究应集中在3 个方面：一是在研究对象的选取上，受限于数据可得性本研究仅从省份层面展开研究，未来可从更细致的城市和月份层面展开研究，全局微观视角的结论将更具价值；二是更精确地分析旅游交通碳排放的影响因素及影响程度，受限于数据可得性，本研究的指标选取仍有一定局限性；三是本研究仅从旅游交通的视角切入分析，未来可以将旅游业下多个板块的碳排放进行统筹系统考虑及耦合分析，更好地揭示旅游业碳排放的实际情况.

3.2 建议

a)加强低碳旅游宣传力度，将低碳深入旅游全过程. 旅游交通作为游客在出发地与旅游目的地之间以及在旅游目的地期间所使用的一切交通设施和服务[14]，减碳应聚焦其全过程方方面面. 应增强热门旅游目的地低碳旅游的宣传力度，可在高速公路关口、节假日的民航和铁路到站播报、城市公共交通系统播报、户外电子广告屏等渠道强化低碳旅游、绿色出行，营造低碳旅游氛围；地方政府也可打造综合性旅游景区或建设区域内各旅游景区的便捷绿色串联交通方式，如南京市中山陵风景名胜区，帮助游客在一个景区停下来、慢下来.

b)优化旅游交通运输结构，建立低碳绿色的旅游交通系统. 研究显示，华东地区民航在旅游交通出行方式中占主导地位，民航旅游交通碳排放占交通碳排放总量的69.44%. 华东地区应适当控制民航业在中短途旅游中的发展速度，学习山东省开通“烧烤专列”“泰山专列”等热门旅游专线高铁，主动引导用户乘坐高铁等低碳排放的交通方式出行，实现地区间旅游交通运输结构的优化. 同时，不断改进交通运输效率和组织管理水平，搭建信息互享、数据互通的地区绿色低碳旅游交通系统.

c)加强科研创新合作，推动低碳技术落地生根.能源效率与旅游交通运输强度均是影响旅游交通碳排放的显著因素，唯有技术创新才能根本上提升能源效率、降低旅游交通运输强度. 华东地区各省份应广泛利用人工智能、云计算、机器人等新的技术推动旅游资源和交通基础设施建设管理智能化转型，地方政府可以与当地的高校和科研院所进行旅游低碳技术与解决方案联合研究课题的研究工作，结合地方实际推动绿色低碳改造，如可以推动旅游景区的照明设施太阳能化、景区摆渡车等交通工具电气化、各类旅游重点区域开发原生化等绿色改造，从而实现节能减排提效.

d)加强省份区域合作，出台联合行业规范倡议.华东地区各省份的旅游交通碳排放量内部差异较大、横向协作较少，目前旅游交通乃至整个旅游行业都没有统一合理的碳排放检测方案，华东地区作为我国经济与交通发展高地，各省份政府应加强沟通协作，强化顶层设计，共同出台相关规范倡议和标准文件；旅游交通碳排放作为城市碳排放的重要组成部分，也可以考虑将其纳入地方政府考核指标，将旅游交通低碳化措施落到实处.