我国旅游住宿碳排放时空特征及其主要影响因素

胡林林，贾俊松，周 秀

(1.江西师范大学a.鄱阳湖湿地与流域研究教育部重点实验室；b.地理与环境学院；c.研究生院，江西 南昌330022；2.中国科学院科技政策与管理科学研究所 能源与环境政策研究中心，北京 100190)

我国旅游住宿碳排放时空特征及其主要影响因素

胡林林1a,1b,1c，贾俊松1a,1b,2，周 秀1a,1b,1c

(1.江西师范大学a.鄱阳湖湿地与流域研究教育部重点实验室；b.地理与环境学院；c.研究生院，江西 南昌330022；2.中国科学院科技政策与管理科学研究所 能源与环境政策研究中心，北京 100190)

核算了我国31个省区旅游住宿碳排放量，并分析了其时空动态特征与影响因素。结果发现：①该碳排放在2000～2003、2004～2006及2007～2010年间分别经历了起伏、线性与起伏3个增长阶段。两次起伏可能是由于“非典”疫情及金融危机的影响作用。②分省区看，北京总量和人均量均最大，表明其旅游住宿资源开发最为齐备，未来可开发的空间相对较小。同样地，海南、广东和上海也较小。但海南的碳排放强度总最大，表明其经济增长对旅游业依赖性最大。相反地，北京经济增长越来越不依赖旅游业发展。碳排放密度则西北小，东南大，呈现类“胡焕庸线”特征。③影响因素按大小可依次排序为：交通活动、研发活动、电信配套设施建设活动、宏观经济活动、城镇化建设活动、教育活动、传媒活动、医疗卫生活动及人口增长活动。据此，提出了一些降低旅游住宿碳排放的对策建议供决策者参考。

旅游住宿碳排放；时空特征；影响因素；Hi_PLS

低碳旅游是旅游业未来，发展低碳旅游已成必然趋势[1]。目前对旅游住宿碳排放的研究不多见，也不深入。如，Nielsen等仅估算1998年瑞士旅游住宿温室气体排放量占旅游总温室气体排放总量的10％[2]。石培华等仅估算了2008年全国星级饭店住宿的CO2排放量为15.36 Mt[3]。钟永德等仅对张家界20家不同星级酒店进行了走访，发现游客日均碳排放存在较大的差异[4]。可见，文章拟以我国31个省区为例，先对其旅游住宿碳排放量进行估算并分析其时空动态特征。再采用合适的Hi_PLS模型对其影响因素进行辨析，据此，分析旅游住宿低碳发展对策具有一定创新意义，结果可供相关决策制定者参考。

1 数据与方法

数据来源包括：《中国统计年鉴》、《中国旅游年鉴》、《中国旅游统计年鉴》、《旅游抽样调查资料》及各省区有关年鉴。采用石培华旅游住宿碳排放计算方法[3]。Hi_PLS方法来自王惠文著作[4]。

2 结果与分析

2.1 总体变化

图1表示我国旅游住宿碳排放总量及人均量变化，从中可见，研究期间该总量和人均量均在增长，但呈现明显的3阶段，即2000～2003、2004～2006及2007～2010年期间分别是起伏、线性再起伏增长阶段。这表明总体上人们越来越愿意外出观光并在旅游地居住。但各种因素影响下，人们旅游观光的意愿可能会被间歇性削弱，如2003年SARS爆发，政府及时采取各种措施控制疫情传播，这同时也限制了人们外出旅游观光的机会，从而导致碳排放下降。2005～2007年，各方面发展平顺，旅游住宿碳排放显著且稳定增长。2008年后，世界金融危机及低碳发展意识观念越来越被得到重视的作用下，人们外出旅游观光的机会也自然不稳定的发生起伏。为叙述方便，本文将这三阶段分别命名为阶段1、2和3，3阶段碳排放值分别采用各自年限内的平均值表示。

2.2 分省区变化

图2表示了各省区旅游住宿碳排放总量、人均量、强度及密度动态变化。省区排放总量反映了区域旅游住宿资源开发现状及总的态势。总量规模微型表示其值＜0.25×106tC/a，轻型表示≥前者而＜0.50×106tC/a，同样地，中型表示＜0.75×106tC/a，重型则表示≥0.75×106tC/a。从阶段1到3，总量一直微型的有黑龙江、贵州、内蒙古、吉林、天津、青海、宁夏和西藏，一直轻型的有湖北、福建、四川、广西和海南，一直重型的有广东和北京。人均排放量也一定程度上反映了区域旅游住宿资源开发程度及绝对的态势。人均量极小表示其值＜5kgC/人，小表示≥前者而＜10kgC/人，同样地，大表示＜25kgC/人，极大则表示≥25kgC/人。从阶段1到3，人均量一直极小的有黑龙江、河北和四川，一直小的有江苏、广西、宁夏、湖北和吉林，一直大的省区有浙江、新疆和广东，一直极大的有北京、上海和海南。综合总量和人均量可知，北京一直是最大的，这说明北京旅游住宿资源开发最为齐备，其未来可再开发的空间则相对较小，类似地，海南、广东和上海也很齐备，它们未来再开发空间也相对较小。

图1 2000～2010年全国旅游住宿碳排放总量及人均量Fig.1 Total and per capita of carbon emissions from tourism accommodation in China in 2000～2010

强度用排放量与GDP比值表示，该值可反映区域经济增长对旅游业的依赖程度。强度越大，依赖程度越高，反之亦然。强度极低表示其值＜5kgC/104元，低表示≥前者而＜10kgC/104元，同样地，高表示＜20kgC/104元，极高则表示≥20kgC/104元。从阶段1到3，强度一直极低的有河南、山东、黑龙江、河北与内蒙古，一直低的有青海、贵州、湖南、陕西、江西及浙江，一直高的有云南和西藏，一直极高的有海南，这说明海南经济增长对旅游业依赖程度最大。然而，北京排放强度从极高变到低，这说明其经济增长对旅游业依赖程度在下降，即区域经济增长越来越不依赖旅游业发展。此外，还有其余16省区也存在类似趋势。

密度用排放量与区域国土面积比值表示，极小表示其值＜1tC/km2，小表示≥前者而＜3tC/km2，同样地，中表示＜10tC/km2，大则表示≥10tC/km2。从阶段1到3，密度一直极小的有四川、宁夏、甘肃、黑龙江、新疆、内蒙古、青海及西藏，这可能是这些省区地广人稀所致，它们基本位于我国西北部。这种现象呈现出一种类似人口分布中的“胡焕庸线”特征。密度一直小的有湖北、河北和广西，一直居中的有江苏和广东，一直最大的有北京和上海，这说明该两省区旅游地域资源禀赋最狭小，而上文已分析得知这两省区旅游住宿资源开发的最为齐备，因而，它们远期开发空间或潜力相对最小。

图2 各省区旅游住宿碳排放总量、人均量、强度及密度动态变化Fig.2 Provincial changes of total,per-capita,intensity and density of the CE from tourism accommodation

2.3 影响因素分析

采用阶段3旅游住宿碳排放年平均值作为因变量，反映我国社会经济发展的53个指标作为自变量，进行Hi_PLS模型分析。53个指标按如表1所示分成11组，构建11个底层PLS模型，分别提取出相应的PLS主成分，然后把这些主成分作为自变量，构建1个顶层模型，执行总体PLS回归，得出最终结果，具体如表2所示。

表1 影响因素内涵及其块号†Table 1 Connotation and corresponding sub-blocks of the potential driving factors

表2 Hi_PLS模型回归结果Table 2 Regression result of Hi_PLS Model

以表1中人口为例，其总共包含6个具体指标，这些指标共同反映一个省域的人口增长及其结构等特征。表2中R2X和R2Y分别表示所提取的PLS主成分所能解释的矩阵X和矩阵Y的方差(信息)的能力[5]。Q2cum为交叉有效性，表示所提取的PLS主成分所能解释的因变量总方差的比例，一般认为该值大于0.5时，所建立的模型具有较好的预测可靠性[5]。R2为回归模型的可决系数。从Q2cum可以看出，模块5和6均不能通过可靠性检验，因它们Q2cum分别为-0.09及0.153，远小于0.5。这说明模块5和6对应的指标与旅游住宿碳排放量之间不存在显著PLS关系，也即不是重要的影响因素。这点从它们各自的VIP图也可以看出[5](M6.t1与M5.t1均小于1，见图3)。具体原因可解释为：模块5和6的指标反映了一个区域的自然资源禀赋和农业活动强度等情况，这些指标完全不能反映一个区域旅游住宿及其相关的活动等信息，即两组指标与旅游住宿活动几乎毫无关联。

图3 顶层PLS模型VIP图像Fig.3 VIP graph of the top PLS model

表2可看出顶层模型可决系数虽比第10模块的可决系数小(0.810＜0.823)，但其交叉有效性则大于后者(0.779＞0.774)，这说明Hi_PLS模型结果更可靠，因而，可以用该顶层PLS模型结果做为最终结果。依据该结果VIP图，可将旅游住宿碳排放影响因素按重要性递减依次排序为[5]：①交通活动(M10.t1)、②研发活动(M4.t1)、③电信配套设施建设活动(M11.t1)、④宏观经济活动(M2.t1)、⑤城镇化建设活动(M9.t1)、⑥教育活动(M3.t1)、⑦传媒活动(M7.t1)、⑧医疗卫生活动(M8.t1)及⑨人口增长活动(M1.t1)。其中，前6个子块的VIP值均大于1.25，后3个子块的VIP值在1～1.25之间。

为进一步分析交通子块具体重要影响指标，绘出该子块PLS模型VIP图(见图4)，从中可看出，具体指标有X1008(新注册民用汽车拥有量)、X1006(民用汽车拥有量)及X1007(私人汽车拥有量)，它们VIP值均大于1.25。具有一定重要作用的指标则有X1002(公路运输职工人数)及X1009(公路运营汽车拥有量)，它们VIP值在1～1.25之间[5]。这可解释为：汽车拥有量增长增加了人们生活自由度，人们很自然地有更多机会外出旅游并住宿。另外，公路运输职工人数及公路运营汽车拥有量增加便相应增加了公路可达性，从而也为人们外出旅行提供了便利和机会，自然地带动了公路旁边住宿饭店的兴起。

研发活动是第二重要影响因素，可能是由于研发活动要经常进行国内外学术交流的原因所致。当前我国从事研发活动的人员越来越多，自然地这类研讨会议的机会也越多，从而增加了旅游住宿及其碳排放量。电信配套设施建设活动及其他宏观经济活动是第三、四类重要影响因素。这是因为现代社会电信设施建设等经济活动强度越高，自然能吸引更多外来观光旅游者，旅游住宿碳排放自然也越高。城镇化建设活动和教育活动是第五、六类重要影响因素，可能是由于城镇化和教育的普及逐渐开阔了人们的视野，从而提高了人们外出旅游次数及住宿碳排放。传媒活动、医疗卫生活动及人口增长活动是第七、八、九类重要影响因素。这说明此三类活动增强也会在一定程度上促进当地旅游业兴旺及住宿碳排放增长，但它们促进作用不大。

图4 第10子块PLS模型VIP图像Fig.4 VIP graph of the tenth block’s PLS model

3 结论与讨论

我国旅游住宿碳排放总量及人均量在2000～2003、2004～2006及2007～2010年期间分别经历了起伏、线性和起伏增长阶段。两次起伏可能来自“非典”疫情及全球金融危机等的影响作用。分省区看，北京总量和人均量总最大，这说明北京旅游住宿资源开发最为齐备，因而未来可再开发空间相对较小。同样地，海南、广东和上海也相对较小。然而，海南排放强度最高，这说明海南经济的增长对其旅游业依赖性很大。相反地，北京经济增长越来越不依赖其旅游业发展。排放密度方面，西北部小，而东南部大，呈现出类“胡焕庸线”特征。影响旅游住宿碳排放的因素按重要性递减可依次排序为：交通活动、研发活动、电信配套设施建设活动、宏观经济活动、城镇化建设活动、教育活动、传媒活动、医疗卫生活动及人口增长活动。可见，为促进区域旅游业低碳发展，降低住宿碳排放，可以：①大力提升运输系统的科技水平，提高运输效率，如，采用最洁净运输工具(电动汽车)等；②提高研发活动的能源使用效率，如，推广网络会议交流模式；等。

[1] 杨 洪,孙 跃,陈志军.”低碳经济”视野下的湖南省旅游产品开发研究[J].中南林业科技大学学报,2012,32(1):13-17.

[2] Nielsen SP,Sesartic A,Stucki M.The greenhouse gas intensity of the tourism sector:The case of Switzerland[J].Environmental Science &Policy,2010,13(2):131-140.

[3] 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.

[4] 钟永德,李世宏,罗 芬.我国旅游业计量的三个关键问题思考[J].中南林业科技大学学报,2012,32(11):140-143.

[5] 王惠文,吴载斌,孟 洁.偏最小二乘回归的线性与非线性方法[M].北京:国防工业出版社,2006:142-274.

The temporal-spatial characteristics and main in fl uencing factors of carbon emissions from tourism accommodation in China

HU Lin-lin1a,1b,1c,JIA Jun-song1a,1b,2,ZHOU Xiu1a,1b,1c

(1a.Key Lab.of Poyang Lake Wetland and Watershed Research,Ministry of Education;1b.School of Geography and Environment;1c.School of Graduate,Jiangxi Normal University;Nanchang 330022,Jiangxi,China;2.Center for Energy &Environmental Policy Research,Institute of Policy and Management,Chinese Academy of Sciences,Beijing.100190,China)

Taking China’s 31 provinces as examples,we calculate the carbon emissions(CE)from tourism accommodation and analyze their spatial-temporal characteristics,and identify their in fl uencing factors.The results show that:(1)the total CE of China’s tourism accommodation experienced three growth stages( fl uctuant,linear and fl uctuant)in 2000～2003,2004～2006 and 2007～2010,respectively.The two fl uctuant stages maybe arise from the effects of the“SARS” and the world fi nancial crisis.(2)Total and percapita of Beijing’s CE is always the maximum,which indicates the resource development of its tourism accommodation is the most suf fi cient and its developable space is relatively small.Similarly,Hainan,Guangdong and Shanghai are also small.But,Hainan has the largest CE’s intensity,which indicates its economic growth largely depends on tourism.On the contrary,Beijing’s economic growth doesn’t rely on its tourism development increasingly.in the density’s aspect,Northwest is low,but Southeast is large,which shows the similar characteristics of“Hu’s line”.(3)The in fl uencing factors can be sorted from big to small as:traf fi c activities,R&D activities,construction activities of telecommunications facilities,macro-economic activities,urbanization activities,educational activities,media events,health care activities and population growth activities.Based on these,we put forward some suggestions of reducing regional CE from tourism accommodation for the decision makers.

carbon emissions from tourism accommodation;temporal-spatial characteristics;in fl uencing factors;Hi_PLS

S727.5

A

1673-923X(2015)03-0123-06

10.14067/j.cnki.1673-923x.2015.03.025

2014-01-10

国家自然科学基金项目(41001383,71473113)；江西师范大学博士启动基金项目(4581)；中国博士后科学基金特别项目(201003158)；江西省教育厅项目(GJJ14266)

胡林林，硕士研究生

贾俊松，副教授，博士后，硕士研究生导师；E-mail：jiaaniu@126.com

胡林林，贾俊松，周 秀，等.我国旅游住宿碳排放时空特征及其主要影响因素[J].中南林业科技大学学报，2015,35(3):123-128.

[本文编校：吴 毅]