APP下载

旅游风景区影响碳排放主要因素分析

2016-10-12张建春

世纪桥 2016年9期

摘要:旅游景区产品的生产、消费和碳排放具有同时性,而决定旅游产品生产、消费和碳排放数量的关键因素是客流量;因此,旅游景区客流量是影响旅游收入和碳排放的主要因素。本文通过旅游景区客流量、旅游收入和旅游成本与碳排放的拟合函数关系分析,指出可以通过定量的线性和曲线拟合方程,判断影响旅游风景区碳排放的主要影响因素,并进行相应的碳排放量估算预测。最后,提出了加强碳排放大数据研发与应用,为实现低碳旅游风景区生态环境目标服务。

关键词:碳排放影响因素;拟合方程;旅游风景区

中图分类号:D669 文献标识码:A 文章编号:1001-0475(2016)09-0087-02

一、引言

中国和国际社会正致力于经济发展与环境影响脱钩,即经济的增长不以破坏环境为代价。碳排放是造成全球变暖和气候多变的元凶,节能减排,降低与控制温室气体排放,已成为人类共同的责任。从一个国家和地区角度,影响碳排放的因素众多:人口数量、能源结构、产业结构、经济发展水平、城市化水平、居民的生活习惯、单位GDP能耗、节能减排措施、环境碳汇能力等均影响二氧化碳等温室气体的净排放。因此,研究碳排放与经济社会和环境影响因子的相互关系,始终是低碳经济与生态经济研究的重要内容。本文以旅游景区为例重点研究游客量、旅游收入与旅游成本等影响碳排放的因素及其相互关系,以期对旅游景区低碳生态环境建设提供参考。

二、方法与案例

目前,对旅游风景区或旅游酒店餐饮等部门的碳排放估算多数是直接的、自下而上的将众多影响碳排放的因子逐一加以分析,最后汇总合成得出该单位在一定时间和范围内的总排放量。如从旅游者的角度,对每位游客在特定时间段消费的旅游产品所产生的碳足迹进行统计分析;从旅游企业角度,则对各部门在特定时间内,生产和处理所有旅游产品而消耗的直接化石能源或电力等间接能源所产生的二氧化碳排放进行估算。这些方法虽然直观准确,但不适宜较大范围、接待量较大和复杂性较高的大型旅游企业的碳排放估算。因为,各类能源消耗统计数据非常粗略,且游客活动和垃圾处理等能源消耗和碳排放量较难估算,这些直接的统计方法均难以在实际过程中加以应用,因此,对旅游风景区碳排放进行估算需要在实际过程中寻找相对简单适用与可行的方法。

拟合回归分析是研究事物数据之间函数关系并据此拟合模型进行评价和预测的一种统计方法。碳排放及其影响因素之间的关系有些是显性的,而有些是隐含在观察或统计数据组之间,找出并发现因变量与自变量之间相对准确且具有一定拟合精确度的函数关系,揭示其中的内在联系,是估算和解决碳排放问题的基础。目前,较为全面的反映环境污染与人口、经济、技术之间关系的环境经济模型首推STIRPAT模型,国内外很多专家学者均用其对数化处理后的修正模型作为计算碳排放与相关影响因子之间关联程度的工具[1](P.72-76),从而达到分析相关因子对碳排放的贡献度或弹性数值[2](P.19-24)。而对于影响碳排放因素相对较为单一的旅游风景区,采用多项式线性或非线性回归拟合函数,获得相关分析结果,是研究旅游风景区碳排放影响因素最简单、也是最直观的分析方法。影响旅游风景区碳排放的因素主要是游客数量、旅游餐饮与住宿的天燃气与汽柴油等化石能源的直接碳排放和电力等二次能源的间接碳排放,能源的构成与利用是影响旅游景区成本与经济效益的重要组成部分,因此,旅游景区收入与成本也必然与碳排放有所关联。因此,可以尝试将旅游风景区多年平均游客人数与直接或间接能源使用量等因素通过拟合回归分析,建立相关的拟合模型,在精度许可的情景下,通过误差纠正,以确定旅游风景区碳排放影响因子和碳排放估算值。

由于旅游风景区一般均涉及到交通、住宿、餐饮、商品销售、服务管理等各接待部门,大型旅游风景区上市企业还兼并组合了多家公司与企业,除主营业务外,还涉及房地产与园林建筑等多部门,能源消耗的结构与方式有很大区别,因此,必须对相关数据进行筛选,以获得相对合理的数据组。为了方便获取数据与进行对比分析,首先,我们通过统计国内黄山、桂林、峨眉山、张家界等旅游景区上市公司支付的历年水电费、天燃气与汽柴油相关费用等报表数据,根据电力,天燃气,汽油,柴油碳排放因子,近似的获得相关旅游景区上市公司历年的电力,天燃气,汽柴油等能源利用的碳排放量及其总碳排放量,通过与旅游景区上市公司的历年营业收入、营业成本、旅游总人数等因素进行多项式线性或非线性拟合分析,经过R2因子分析和拟合模型显著性水平检验等,发现不同旅游风景区碳排放影响因子拟合精度有很大区别,除部分风景区影响因子完全不具备相关性外,一些风景区旅游人数与主营收入或主营成本和不同类型的碳排放数量具有一定程度的相关性。其中,主营收入与成本和碳排放量拟合效果较好的是2007年至2013年峨眉山风景区汽车碳排放(Y1)与景区主营收入(X1)与主营成本(X2)之间的线性拟合方程:LnY1= —7.796+0.797lnX1+0.498lnX2,调整后的R方为0.721;方程显著性水平为0.035,共线性统计量VIF均为2.623,小于10。由此可见,峨眉山2007年至2013年主营收入和主营成本各变化1%会引起汽车碳排放变化0.797%和0.498%。由于主营成本显著性水平略低,我们采用简单线性回归对峨眉山风景区汽车碳排放与景区主营收入历史数据进行拟合,其拟合方程为:LnY1=—4.827+1.002lnX1 (R2=0.752;P=0.007)。根据上述旅游主营收入和汽车碳排放的拟合方程,我们采用黄山风景区历年主营收入与汽车碳排放量进行了验证,拟合结果与估算结果多年平均误差为33.81%,最小误差是2013年仅为0.72%,拟合方程估算的黄山风景区到2013年近5年平均每年汽车产生的直接碳排放是788t碳当量,而实际估算的汽车碳排放量基本保持在600t碳当量以下,这说明,随着风景区主营收入等经济效益的提高,汽车碳排放量并没有随之增长。正如张家界风景区由于采取了风景区内全电动汽车环保运输方式,汽车直接碳排放模型预测趋势为接近零排放。因此,我国的旅游风景区今后应大力加强汽车的环保客运量和改进游客上山的途径是峨眉山、黄山等山岳型风景区降低碳排放、保持旅游收入增长的重要因素。

其次,旅游人数是影响旅游风景区碳排放的重要因素。国外学者 S. T. Katircioglu等人(2014) 对塞浦路斯国际旅游者与能源利用和碳排放关系进行定量分析,认为碳排放量与旅游人数呈正相关,旅游人数弹性为0.033。[3](P.634-640)而对沙特阿拉伯宗教圣地麦加各国宗教旅游者乘汽车所产生的碳排放(设lnY=Y)与旅游人数(设lnX=X)进行拟合[4](P.53-60),发现拟合精度较高的是三次曲线拟合方程,其方程式为:LnY(麦加朝觐碳排放量)=97.417+0.064LnX(朝觐人数)-4.689E-14(LnX)^3 (P=0.000,R^2=0.993)。据此方法,我们对我国部分旅游上市公司历史数据进行了分析,2014年我国黄山景区、桂林景区、张家界景区和峨眉山风景区旅游人数分别为279.1万人、289.67万人、292.81万人和287万人次,根据旅客人数与景区碳排放量历史数据进行拟合,选取拟合方程较好的桂林风景区三次拟合方程进行估算验证[5](P.60-80),2014年桂林风景区碳排放量为0.0367万t碳当量,而根据桂林旅游股份公司2005年至2013年景区碳排放量的灰色预测值到2014年为0.0375万t碳当量,三次拟合方程拟合值与灰色预测值两者误差仅为2.18%。由此可见,在旅游景区碳排放量与旅游人数呈三次函数拟合关系且精度较好的情况下,可以估算和预测旅游风景区旅游人数对碳排放的影响。由于旅游风景区总碳排放既包括了汽柴油和天然气等化石能源直接产生的碳排放,也包括了电力能耗所产生的二氧化碳间接碳排放,故该方法简单实用,在旅游风景区碳排放受到众多影响因素的情况下,在设定一定的误差范围内,可以直接采用关键的旅游人数对风景区碳排放量进行估算和预测。这种在旅游风景区将碳排放量与旅游者人数直接联系起来的方法,可通过大型显示屏实时公布旅游风景区碳排放量,这不仅对旅游风景区生态环境保护发挥巨大作用,同时,也可以大大增强游客的低碳环保意识,树立低碳旅游与低碳消费的观念,为建立低碳社会做出贡献。

三、问题与展望

案例分析存在的问题主要是上市公司成立时间长短有区别,经营业务范围变化较大,时间数据普遍较短,数据提取内容也多较为宽泛和不精准,这在一定程度上影响了拟合效果。由于旅游风景区影响碳排放的因素很多,除自身统计数据准确性外,还与客流量与各类直接与间接能源消耗、旅游活动、垃圾处理、游客停留的时间长短、不同交通运输方式、以及旅游产品全生命周期的碳排放相关,此外,旅游风景区碳排放还受到各种随机干扰或随机误差事件的影响,因此,拟合的函数精度和结论会受到一定的限制和影响,在具体估算碳排放值时一定要在相对合理的误差值范围内进行分析,并通过至下而上各部门碳排放实际值加以验证,方可取得较好的效果。

今后可以充分利用拟合模型使用方便高效的特点,在通过实证方法进行校正的情况下,可用以分析众多旅游风景区碳排放与相关影响因素之间的关联以及利用关键影响因子预测风景区未来的碳排放,从而为相似地理环境背景下旅游风景区的碳排放估算提供依据;同时,也可以解决旅游景区因历史数据缺乏对碳排放预测所带来的不便,提高低碳旅游风景区生态环境建设的预见性和前瞻性。随着互联网与大数据的发展,对建立在物联网基础上的各类生产与管理部门的碳排放进行监测已成为可能,而产生的数据量及其大数据分析必然使传统的统计方法无法满足现代社会对碳排放估算的需要,而这种碳排放监测与估算的数据来源渠道多、形式多样、量容大、传输速度快而且通常可以实现在线、实时传输,这些数据特征已基本符合大数据的特点;因此,基于云计算和大数据处理技术与方法的碳排放估算在未来就显得十分重要。因为对全球大气温室气体排放的控制已成为各国共识,而在控制目标下实现最大程度的节能减排是各国经济与社会发展普遍采取的基本途径与方法,因此,对碳排放数据的实时监控与管理则成为实现碳减排目标的关键。今后相关部门与行业应将研发与处理碳排放大数据作为解决环境问题的重要对策与措施之一,以期提高碳排放估算的科学性与实用性。当然,对于各类旅游风景区仍应控制好游客数量,落实好各项减排措施,降低碳排放,做好碳补偿工作,最终实现风景区零碳排放的目标。

参考文献:

[1]杨艳芳,李慧凤,郑海霞.北京市建筑碳排放影响因 素研究[J].生态经济,2016,(1).

[2]赵钊,于寄语.城市化与二氧化碳排放[J].城市问题, 2015,(12).

[3]Salih Turan Katircioglu, Mete Feridun, Ceyhun Kilinc.

Estimating tourism-induced energy consumPtion and

CO2 emissions: The case of CyPrus[J].Renewable and

Sustainable Energy Reviews,2014,29.

[4]Ali El Hanandeh.Quantifying the carbon footPrint of

religious tourism: the case of Hajj[J].Journal of Cleaner

Production,2013, 52.

[5]张建春.碳估算与碳中和风景区建设[M].浙江工商 大学出版社,2014.

[责任编辑:褚永慧]