中国旅游业碳排放及其影响因素研究——来自2005～2015年省级面板数据的证据

查建平 舒皓羽 李园园 贺腊梅

(四川大学旅游学院,四川成都 610065)

0 引言

随着旅游经济的快速发展,旅游业对生态环境所产生的压力逐渐凸显,以往将旅游业视为“无烟产业”的传统定位逐渐被颠覆。全球人为碳排放总量中旅游业占据4%～6%,若不采取有效缓解措施,则在今后的30年内旅游业碳排放量可能会增长1.5倍(WTO,UNEP,2007)。因此,推进旅游业碳减排,促进传统旅游发展模式向低碳旅游发展模式转型,是旅游业应对气候变化及生态环境破坏等问题的必然举措,亦是现代旅游业实现旅游经济可持续发展的主动抉择。那么,作为旅游经济大国,中国旅游业碳排放状况如何？影响国内旅游业碳排放的因素有哪些？分析与回答以上问题,对于研究中国旅游业环境压力状况,探索低碳旅游发展的可能路径,具有重要的理论与现实意义。

关于旅游业二氧化碳排放评估研究,国内外研究者从不同的尺度出发,运用“自上而下”或“自下而上”的评估方法对旅游产业、旅游景区、旅游交通、旅游住宿及其他旅游服务产品的二氧化碳排放量进行测度与分析,如Gössling(2000)、UNWTO等(2008)在全球尺度范围下评估了旅游业碳排放量与排放效益;Becken等(2001)、Dubois和Ceron(2006)、Perch-Nielsen等(2010)、石培华和吴普(2011)、袁宇杰(2013)、Katircioglu等(2014)、Robaina-Alves等(2016)在国家尺度下评估了旅游业能源消耗与碳排放;Tabatchnaia-Tamirisa等(1997)、Konan和Chan(2010)、Kelly和Williams(2007)、Kuo等(2009)、陶玉国和张红霞(2011)、肖建红等(2011)、黄玉菲和赵璟(2012)在省市尺度范围下评估了旅游业碳排放与能源消耗强度。也有研究者从旅游景区(Becken,Simmons,2002;上官筱燕,孙瑞红,2013;黄崎,等,2014;Wang,et al.,2017)、旅游交通(Paravantis,Georgakellos,2007;Mayor,Tol,2010;肖潇,等,2012;孙晋坤,等,2015)、旅游住宿(Becken,et al.,2001;Chan,2005;Rossello-Batle,et al.,2010;李鹏,等,2010)等特定行业部门视角出发,对与旅游相关二氧化碳排放做出评估。

部分研究者进一步探究了影响旅游业二氧化碳排放的相关因素,其中指数分解法应用最为广泛,如Liu等(2011)利用指数分解法探究了能源强度、消费水平、产业规模对成都市旅游业二氧化碳排放的影响;Robaina-Alves等(2016)运用指数分解法研究了葡萄牙旅游业二氧化碳排放影响因素,并指出旅游规模是其二氧化碳排放攀升的关键,能源结构、碳排放强度以及能源强度亦产生重要影响;王凯等(2016)利用指数分解法对影响中国旅游业碳排放量变动的关键因素进行测算与分析。也有少数研究者运用投入产出分析法、数据包络分析法对与旅游相关二氧化碳排放的影响因素展开分析(李伯华,等,2012;Sun,2016;贺腊梅,等,2016)。

综合而言,国内外相关研究已取得较为丰富的成果,但存在以下局限。一方面,既有研究多集中于旅游业特定子系统的二氧化碳排放量评估,囿于数据可得性,较少深入到中国各省市尺度层面,虽有研究者对此进行了探究(王凯,等,2017),但其对中国省级旅游业碳排放的计算基于一个固定排放系数,忽视了与旅游相关部门二氧化碳排放系数的可变性。另一方面,既有研究多运用指数分解法、投入产出分析法以及数据包络分析法探究旅游业二氧化碳排放的影响因素,这些方法固有特点决定了相关研究多局限于“规模-技术-结构”影响因素分析框架,缺乏对外围影响因素的考量与分析。与指数分解法、投入产出分析及数据包络分析法相比,以面板数据为基础的计量方法较为灵活,能够有效扩增样本容量和自由度,降低变量之间的多重共线性,控制个体异质性,提高模型分析结果的全面性、可靠性以及有效性。

基于此,本文以中国30个省市(因西藏、香港、澳门及台湾的部分数据缺失,故不作考虑)旅游业为评估对象,按照现行统计口径,利用旅游剥离系数法将旅游业能耗数据从各省份能耗总量中剥离开来,并借助IPCC(2006)碳排放折算方法,对2005～2015年中国各省市旅游业碳排放量进行测度,并进一步依托旅游产业碳排放量及其可能影响因素的面板数据集,运用静态与动态面板数据计量方法,检验与分析旅游业碳排放的影响因素,以期为我国低碳旅游发展提供参考与启示。

1 旅游业碳排放量估算

1.1 旅游业碳排放量评价方法

鉴于中国省级旅游业的各类型能源消耗数据缺失,因此有必要从现有的统计数据中剥离出旅游业的能源消费量。本文利用李江帆和李美云(1999)提出的旅游剥离系数法将旅游业能源消费量从现有统计口径下的行业能源消费总量中剥离出来,再运用IPCC(2006)的排放系数法,计算得到各省市旅游业碳排放量。具体步骤如下。

第一,参照旅游剥离系数法,从现有统计口径下的行业能源消费总量中剥离出旅游业二级部门的能源消费量:

(1)

Pi=Ti/Vi

(2)

Ti=VRi×TRi

(3)

第二,在计算得到与行业i对应旅游业二级部门能源消费量的基础上,参照IPCC(2006)排放系数法,构建旅游业二级部门s能源消费引致碳排放量(Cs)的计算公式,如下:

(4)

CEj=NCFj×CCj×COFj

(5)

式(4)中,fj为第j类能源折算标准煤的参考系数,该系数参照《中国能源统计年鉴》,旨在将各种能源折算为标准煤;CEj为第j类能源的碳排放系数(IPCC,2006)。式(5)中,NCFj为第j类能源的平均低位发热值,参照《中国能源统计年鉴》;CCj、COFj分别为第j类能源的碳含量、碳氧化因子(IPCC,2006;邵帅,等,2010;查建平,等,2010)。

第三,通过汇总旅游业二级部门的碳排放量计算得到旅游业碳排放总量:

(6)

式(6)中,C为旅游业碳排放总量;Cs为旅游业二级部门s的碳排放量。

1.2 旅游业碳排放量评估分析

本文从交通运输、仓储和邮政业,批发零售、住宿餐饮及其他行业两大部分出发,以旅游业能源消费所引致的碳排放量为评估对象,对2005～2015年中国30个省市旅游业碳排放展开评估。与旅游业二级部门对应相关行业的总产值、增加值数据来源于《中国统计年鉴》与30个省市(以下简称各省市)的统计年鉴。各省市旅游收入主要来源于《中国旅游统计年鉴》、各省市旅游统计公报或旅游统计便览。各省市与旅游业二级部门对应行业的能源消费量主要来源于《中国能源统计年鉴》。各类型能源碳排放系数折算方法及基础数据来源已在上文中做出阐述,传统化石能源碳排放系数与电力、热力碳排放系数数据参照查建平等(2010)的折算方法(见表1)。

表1 传统化石能源碳排放系数

基于上述旅游业碳排放评估框架,结合所收集的数据,对2005～2015年中国省级旅游业碳排放量做出评估。计算结果显示,2005～2015年,各年份全国旅游业碳排放量对应标准差系数分别为0.91、0.86、0.87、0.78、0.72、0.73、0.68、0.69、0.68、0.67、0.65,不同省市之间的旅游业碳排放量差异巨大,但存在收敛趋势。依据碳排放折算框架,造成这一差异及其收敛趋势的原因主要源于两方面:一是旅游产业规模,不同省市的旅游产业规模反映了其整体消费量的多寡,在其他因素相对恒定条件下,旅游业规模直接决定了不同省市旅游业的能源消耗及其引致碳排放量高低,从2005年到2015年全国旅游产业收入的标准差系数分别为0.92、0.85、0.85、0.82、0.79、0.78、0.74、0.74、0.70、0.69、0.66,与旅游业碳排放量的离散态势及其演化趋势较为相似;二是旅游业二级部门消费额的比例结构不同,决定了旅游服务与产品类别不同,而不同的旅游服务与产品类别的能耗强度存在较大差异,进而影响到各地区旅游业碳排放量差异及其演化趋势*除了旅游产业规模与旅游业消费结构以外,旅游业节能减排技术水平、旅游能源消费结构(旅游能源消费结构是旅游业所消费的不同类型能源的比例结构,而旅游消费结构指的是旅游业不同二级部门消费额的比例结构)等因素亦对相应碳排放量产生一定的影响,但在碳排放折算框架下这一影响主要内含于交通运输、仓储及邮政业,批发零售、住宿餐饮及其他行业等细分行业之中,难以单独剥离开来,且相较于节能减排重心的工业领域,旅游业的节能减排技术及其能耗结构影响相对较小。。

就具体省市而言,各省市旅游业碳排放均值及其年均增长率如图1所示。旅游业碳排放均值最高城市上海(838.16万吨)是最低省份宁夏(17.39万吨)的50余倍。与2005年相比,2015年几乎所有省市的旅游业碳排放都翻了一倍,而辽宁、湖北及安徽等少数省份甚至达到4倍或5倍。各省份之间的变化态势存在较大差异,但多数省份年均增长率超过10%,辽宁、安徽、山西、黑龙江及湖北等省份甚至超过25%,而天津、河北、上海、浙江、江苏及广东等旅游业碳排放量较高省市的年均增长率则低于10%,这也从侧面说明了各省市之间旅游业碳排放量的收敛趋势。

图1 2005～2015年30个省市旅游业碳排放均值及年均增长率

此外,本文从碳排放强度与碳排放结构角度出发,对其分布态势及演化趋势做出进一步分析与解读。在碳排放强度方面,计算结果显示,2005～2015年,各年份全国旅游业碳排放强度均值分别为0.36吨/万元、0.36吨/万元、0.37吨/万元、0.39吨/万元、0.36吨/万元、0.35吨/万元、0.33吨/万元、0.34吨/万元、0.33吨/万元、0.29吨/万元、0.27吨/万元,旅游业单位产出的碳排放量在整体上处于波动下滑状态。就具体省市而言,图2列示了2005～2015年各省市旅游业碳排放强度均值及年均增长率。内蒙古、贵州、云南、新疆以及青海等省份对应碳排放强度均值在0.50吨/万元以上,而江苏、河北、安徽、福建、江西及河南等省份对应碳排放强度均值则在0.20以下,低碳经济背景下不同省市旅游业发展质量存在较大差异。从动态变化视角上看,除内蒙古、山西、安徽、辽宁、黑龙江、河南、湖北、海南、云南及青海等10个省份外,多数省市旅游业碳排放强度呈现下滑趋势,其中,河北、天津、吉林、湖南、广东、江苏、陕西及宁夏等省市相应碳排放强度年均增长率更是在-5%以下,下降幅度显著,在整个样本时期内,旅游业低碳发展质量明显提升。

在碳排放结构方面,交通运输、仓储及邮政业的碳排放在旅游业碳排放总量中比重整体高于批发零售、住宿餐饮及其他行业。全国层面上,2005～2015年,交通运输、仓储及邮政业碳排放占比分别为63.03%、62.69%、63.69%、64.81%、60.69%、67.32%、66.15%、66.43%、67.44%、65.27%、66.91%,皆高于批发零售、住宿餐饮及其他行业碳排放占比,且整体上处于波动上升状态,旅游交通消费是旅游业碳排放量攀升的主要动因。从具体省市角度看,辽宁、云南、上海、海南、江苏、广西、江西、甘肃、河南及重庆等10个省市的交通运输、仓储及邮政业碳排放占比在70%以上,但河北、天津、内蒙古及贵州等4个省市占比则在50%以下,其中,贵州的占比仅为33.68%,表明旅游交通引致碳排放占比相对较低,而批发零售、住宿餐饮及其他行业等引致碳排放占比则处于较高水平(见图3)。从动态变化视角上看,2005～2015年间,天津、北京、辽宁、上海、广东、福建、吉林、海南、黑龙江、安徽、江西、河南、湖南、广西、陕西以及青海等16个省市旅游业交通运输、仓储及邮政业碳排放占比逐步攀升,其他省市相应占比则呈现下滑趋势,因此,不同省市的旅游业碳排放结构及其变化趋势存在较大差异,这也从侧面说明了我国旅游业碳减排政策制定工作的复杂性。

图3 2005～2015年30个省市旅游业碳排放结构比重均值

2 计量模型及数据说明

依据静态面板数据模型思路,拟构建模型如下:

yit=α+Xitβ+μi+εit

(7)

模型(7)中,yit表示第i省市第t年的旅游业碳排放强度,即旅游业单位产出碳排放量;α为常数项;Xit表示旅游业碳排放强度的解释变量,其主要包括社会经济发展水平、服务业发展水平、对外开放水平、旅游资源禀赋、区位条件、城市化水平等诸多因素;β为各变量对应回归系数;μi为个体效应;εit为随机扰动项。

静态面板数据模型的可能估计方法主要存在三类,即混合普通最小二乘法(混合OLS)模型、固定效应模型(Fixed Effects,FE)与随机效应模型(Random Effects,RE)。混合OLS模型对所有观察样本直接进行OLS估计,不考虑对样本的重复抽样,并假定解释变量对被解释变量的边际影响不因个体不同而存在显著差异,因此其并没有考虑到不同地区自身所存在的差异性,这就使得最终估计结果容易产生偏误。固定效应模型又被称为组内估计量,通过增加虚拟变量以考虑群组之间的差异性,对应估计量具有一致性,而随机效应模型对应估计量是组间估计量与组内估计量的加权平均值,能够利用更多信息,因此对应估计量相对更有效。本文依据Hausman检验值对固定效应模型与随机效应模型进行选择,并对面板数据模型异方差与自相关问题进行检验,在此基础上,分别运用Driscoll-Kraay标准误估计法(DKSE)与可行广义最小二乘法(FGLS)对固定效应模型与随机效应模型进行了矫正。

此外,我们应该注意到,模型(7)设定各个省市旅游业碳排放强度与解释变量之间不存在滞后效应,即被解释变量与解释变量之间的变化不存在时滞性。然而,因旅游业碳排放强度变化本身惯性的存在,通常上一期结果会对下一期产生一定影响,其可能原因是:一方面,旅游业碳排放强度由游客出游行为引发,而游客的行为习惯存在惯性倾向,从而使旅游碳排放强度的变化存在时滞性;另一方面,旅游业碳排放强度对一些宏观环境因素具有敏感性,但影响旅游业碳排放强度的诸多宏观环境因素的作用周期长而缓慢,这在一定程度上使得旅游业碳排放强度的变动呈现出一定时滞性。因此,本文拟引入动态模型滞后项,以控制被解释变量与解释变量之间的滞后效应。

参照Auffhammer和Carson(2008)的方法,本文构建动态面板数据模型如下:

yit=α+χyit-1+Xitβ+μi+εit

(8)

模型(8)中,yit-1为被解释变量旅游业碳排放强度yit的一阶滞后项;χ为yit-1对应回归系数,表示上一期旅游业碳排放强度对本期的影响。对于动态面板数据模型而言,引入yit-1会造成动态面板数据模型产生内生性问题,因此传统的静态面板数据模型估计方法是有偏的,必须借助工具变量进行估计。Guan和Lansink(2006)认为,动态GMM估计方法(包括差分GMM和系统GMM两类)能够克服序列相关和内生性问题,而且系统GMM采用差分方程与水平方程作为一个系统进行广义矩估计,能够综合考虑各变量的水平变化与差分变化信息,较之差分GMM更为有效。与上文文献综述一致,已有相关研究主要利用指数分解法、投入产出法以及数据包络分析法对旅游碳排放影响因素展开研究。然而,囿于方法论局限,这些研究多是局限于“规模-结构-技术”影响因素分析框架,忽视了外围因素的影响。因此,借鉴产业碳排放影响因素相关研究成果(王群伟,等,2010;虞义华,等,2011;吴振信,等,2012;韩坚,盛培宏,2014;冯博,王雪青,2015),结合中国旅游业发展状况及数据可获得性,本文从社会经济与自然环境维度出发,选择社会经济发展水平、服务业发展水平、对外开放水平、旅游资源禀赋、区位条件及城市化水平等外围影响因素作为解释变量,并在动态面板数据模型中通过控制固定效应克服旅游业内在“规模-结构-技术”维度变量的遗漏问题,各解释变量的选择依据及指标构造如下。

(1) 社会经济发展水平(DEL)。社会经济发展与旅游业之间相互影响、相互促进,旅游业的发展取决于社会经济发展所提供的资源,不同的社会经济发展水平对应的旅游业投入与产出规模具有较大差异,因此社会经济发展水平的高低决定了旅游业发展的广度与深度,进而对旅游业碳排放强度产生可能的影响。参照既有研究(闫敏,1999),本文选择人均GDP作为社会经济发展水平指标。各省份GDP及人口数据源于《中国统计年鉴》,并将各年份的名义GDP换算成以2000年为基期的实际值,以剔除价格波动带来的影响。

(2) 服务业发展水平(SDL)。旅游业隶属于服务业,需要很多关联行业支撑,与服务业内部各产业相互交织,对相关服务业具有较大的拉动作用,在服务业中占据重要地位,因此服务业发展水平的高低决定了整个旅游业的发展速度、规模及质量,进而可能影响到旅游业碳排放强度。参照Jackson (2006)的研究,本文选择用各省市第三产业产值衡量服务业发展水平,并如上文一样剔除价格波动的影响(相关数据来源于《中国统计年鉴》)。

(3) 对外开放水平(OPL)。对外开放水平反映了各省市与外界的人、财、物及信息的交流程度,而这一交流机制可能会产生“溢出效应”,对旅游产业的规模与结构产生一定的影响,进而可能影响到旅游业碳排放强度(苏建军,等,2013)。参照汪锋等(2006)的对外开放水平变量定义,本文选择运用主成分分析将外资依存度和外贸依存度两个指标进行加权,进而得到一个能够相对全面地反映对外经济开放水平的指标(相关数据来源于《中国统计年鉴》《新中国六十年统计资料汇编》)。

(4) 旅游资源禀赋(TRE)。一个地区的旅游资源禀赋决定了该地区旅游资源充裕度,在一定程度上显示了该地区的旅游资源吸引力,对旅游经济规模及其引致的碳排放可能会产生重要影响。鉴于此,本文拟将旅游资源禀赋变量纳入旅游业碳排放强度影响因素分析框架,从人文景观、自然景观两个维度选取全国重点文物保护单位与国家级风景名胜区的加总数目表示旅游资源禀赋*通过对已有研究文献进行梳理可以发现,相关研究主要是以3A级及以上景区(点)数目、优秀旅游城市数目、世界遗产地数目、全国重点文物保护单位数目与国家级风景名胜区数目等指标数据为基础,选择以个别指标或部分指标的折算值表征地区旅游资源禀赋状况,这些表征旅游资源禀赋状况的指标之间具有较高相关性。考虑到5A级景区评定起始年份是2007年,而本文分析起始年份是2005年,在时间上并不契合,进而可能影响到以3A级及以上景区数目为基础加权平均计算值的动态可比性;优秀旅游城市数目受到省域内城市总数的影响,因此将优秀旅游城市作为旅游资源禀赋测度指标并不合理;世界遗产包括世界文化遗产、世界文化与自然双重遗产、世界自然遗产,与全国重点文物保护单位、国家级风景名胜区之间存在重叠,且世界遗产地覆盖面较小,将世界遗产地作为旅游资源禀赋测度指标亦不合理。因此,本文选择以全国重点文物保护单位与国家级风景名胜区的综合数目表征省市旅游资源禀赋状况,这一指标虽无法全面涵盖省市人文景观与自然景观,但足以表征区域旅游资源禀赋丰裕程度。(相关数据来源于《中国旅游年鉴》、各省份旅游统计公报和旅游统计便览)。

(5) 区位条件(DDC)。交通可达性是旅游产业发展的一个基本条件,亦是旅游业碳排放的重要环节,良好的区位条件不仅会增强当地的旅游吸引力,亦可能会改变当地旅游消费结构,进而影响旅游产业碳排放强度。鉴于各省份区位条件难以衡量,在此本文参照王恩旭(2011)的研究,选择引入区位熵的概念对各省份旅游业的区位条件进行度量,即各省份旅游业收入/该省份GDP与全国旅游收入/全国GDP的比值(相关数据来源于《中国统计年鉴》《中国旅游统计年鉴》以及各省旅游统计公报)。

(6) 城市化水平(UNN)。城市旅游是现代旅游业不可或缺的一部分,亦是旅游业引致碳排放的重要发生地。城市旅游囊括 “食、住、行、游、购、娱”旅游六要素,且较之于远离城市的旅游风景区,城市旅游过程中,游客的逗留时间更长,旅游活动更丰富(包括旅游交通、旅游餐饮及旅游住宿等高能耗、高排放活动),对应旅游业碳排放强度可能更高。鉴于此,参照杜立民(2010)对城市化水平的定义,本文选择以各省份城镇人口占总人口的比重对城市化水平进行度量(相关数据源于《中国统计年鉴》及中国经济与社会发展统计数据库)。

3 计量结果及相关分析

表2列示了面板数据计量模型(7)与模型(8)的估计结果。在混合OLS模型与面板数据模型的选择上,F检验与Breusch-Pagan的LM检验结果均显著拒绝原假设,表明模型个体效应显著,故选择使用面板数据模型。表2中的第2列、第3列分别列示了固定效应模型、随机效应模型估计结果,而Hausman检验结果表明,固定效应模型更为合适。为了对面板数据模型可能存在的异方差与自相关问题做出检验,本文利用Wooldridge自相关检验方法检验组内相关性,检验结果显示,1%的水平上显著拒绝假设,说明静态面板数据模型存在较为严重的自相关问题,而修正的Wald检验显示,在1%的水平上显著拒绝原假设,即静态面板数据模型亦存在较为严重的异方差问题。为了消除静态面板数据模型所存在的自相关及异方差问题,表2中第4列、第5列分别是进一步运用Driscoll-Kraay标准误估计法与可行广义最小二乘法分别对固定效应模型与随机效应模型进行矫正的结果。基于以上所列示的各类检验结果,本文在静态面板数据模型的估计结果解读中以表2中第4列为主,其他模型估计结果作为参照一并列示,各类模型得出的估计结果差异较小,说明估计结果是稳健的。

Driscoll-Kraay标准误估计法的估计结果表明,模型决定系数达到0.759,整体拟合效果可以接受。在影响因素方面,社会经济发展水平(DEL)在1%水平上显著为正,说明社会经济的发展与进步导致旅游业碳排放强度攀升,其可能的原因是:随着社会经济发展以及居民收入水平的提升,各地区旅游服务与产品消费结构亦随之发生改变,各种“高能耗、高排放”的旅游服务与产品不断涌现,相较于以往的旅游发展模式,其能耗强度与排放强度会更高。然而,促进各省市社会经济发展是维护当地民众生存权与发展权的关键,这就要求我们从结构调整与技术创新及应用角度入手,以旅游业环境生产率的提升作为节能减排工作的落脚点,处理好社会经济发展与节能减排工作之间的关系。服务业发展水平(SDL)对旅游业碳排放强度影响为正,且在1%水平上显著。这符合上文的预期,即服务业的繁荣与发展不仅能够提升当地旅游资源吸引力,亦能够丰富当地的旅游服务与产品组合,并在供给端上助推游客对“高能耗、高排放”产品与服务的消费强度,进而推升旅游业碳排放强度。因此,旅游业碳减排工作不应局限于旅游业本身,应以整个服务产业为着眼点,积极推动服务产业领域的节能减排工作,优化低碳旅游发展环境。对外开放水平(OPL)对旅游业碳排放强度的影响显著为正,对外开放程度的高低同样会影响到旅游业碳排放强度。外资准入尚未彻底“松绑”的情况下,在旅游产业领域外部资金流入范围有限,更多的是趋向于酒店、商场、娱乐等“高能耗、高排放”服务行业,规模越大、档次越高,则能耗越大,每一个单元都是一个城市高排放源,这无疑会推升旅游业碳排放强度。旅游资源禀赋(TRE)对应的估计系数为正,但并不显著,说明旅游资源禀赋并不对旅游业碳排放强度产生显著影响。旅游资源禀赋能够对当地旅游经济规模产生重要影响,而旅游经济规模的扩增会推升旅游业碳排放总量,但旅游业总产出亦会随之增加,因此,这并不意味着旅游业碳排放强度会随之发生变化。区位条件(DDC)对旅游业碳排放强度有较为显著的正向影响,良好的区位地理条件及交通可达性有助于旅游经济的发展,但同时也推升了旅游业碳排放强度。与其他消费类别相比,旅游交通能源消耗及碳排放强度最大,因此区位条件的优劣不仅会对旅游资源吸引力产生影响,拉动游客规模扩增,亦会促使当地旅游服务与产品消费结构趋于更高排放。城市化水平(UNN)对旅游业碳排放强度的影响显著为正,这与上文的预期相符,城市化进程会推升旅游业碳排放强度。

表2中第6列将被解释变量一阶滞后项yt-1纳入影响因素分析框架,对动态面板数据模型(8)进行估计。利用系统GMM估计量对动态面板数据模型(8)进行估计,而该估计量一致性的重要前提是一次差分后的扰动项不存在二阶序列相关,但一阶序列相关是可以的。参照Arellano和Bond(1991)所提供的序列相关检验方法,检验结果显示,对应二阶序列相关[AR(2)]检验值无法拒绝不存在二阶序列相关的原假设,因此系统广义矩估计量具备一致性。Sargan检验结果表明,无法拒绝原假设,即所选工具变量联合有效,可以采用系统GMM进行估计。同时,Bond等(2001)的研究指出,在囊括被解释变量滞后项的混合OLS模型、固定效应模型及GMM估计中,混合OLS模型估计一般会高估被解释变量滞后项对应系数,固定效应模型则会在一定程度上低估对应系数,因此若GMM估计中被解释变量滞后项的对应系数介于混合OLS模型与固定效应模型之间,则可以说明该估计方法是可靠且有效的。模型估计结果显示,混合OLS模型中旅游业碳排放强度一阶滞后项对应系数为0.864,固定效应模型对应估计系数为0.125,而系统GMM估计对应系数则介于二者之间,因此系统GMM估计具有可靠性与有效性。

最后,从系统GMM估计(表2第6列)结果中可以看出,被解释变量滞后项yt-1对应系数显著为正,体现了上一期的旅游业碳排放强度对当期旅游业碳排放强度的影响。这也印证了上文提出的旅游业碳排放强度变化具有滞后效应的理论推断,说明旅游业碳排放强度变化具有明显的路径依赖现象,呈现出一个连续积累的渐进调整过程。此外,除被解释变量滞后项外,其他解释变量对应系数与静态面板数据模型估计结果在作用方向、显著性水平上较为相似,进一步验证了模型估计结果的稳健性。

表2 旅游业碳排放强度影响因素估计结果

注:系数下括号内为对应标准差;*、**、***、****分别表示在15%、10%、5%及1%水平上显著;为了缩小异方差及剔除面板数据中的异常点,在此本文选择将各变量取对数后纳入估计模型。

4 研究结论与讨论

本文的主要研究结论如下。

(1) 在分析时期内,受旅游产业规模与旅游消费结构驱动,不同省市之间的旅游业碳排放量差异明显,但在动态变化上却存在明显的收敛趋势,对应旅游业碳排放量标准差系数从2005年的0.91下降到2015年的0.65。从碳排放强度来看,不同省市旅游业碳排放强度存在较大差异,低碳经济背景下我国省级旅游业发展质量明显不同,除内蒙古、山西、安徽、辽宁、黑龙江、河南、湖北、海南、云南及青海等中西部省份外,其他省市旅游业碳排放强度呈现下滑趋势,在整个分析时期内对应旅游业低碳发展质量不断攀升。从碳排放结构来看,旅游产业系统中交通运输、仓储及邮政业的碳排放结构比重整体高于批发零售、住宿餐饮及其他行业碳排放,旅游交通消费是旅游业碳排放量攀升的主要动因,而不同省市的旅游业碳排放结构及其变化趋势存在一定差异,旅游业碳减排政策制定过程中应区分不同省市实际情况。

(2) 静态面板数据估计结果显示,社会经济发展水平、服务业发展水平、对外开放水平、区位条件与城市化水平等变量对旅游业碳排放强度产生显著的正向影响,社会经济发展水平、服务业发展水平与对外开放水平通过丰富旅游消费结构与提升旅游消费强度推升旅游业碳排放强度,较好的区位优势有助于旅游经济的发展,但对旅游业碳排放强度起到推升作用,城市化水平提升有助于丰富旅游消费结构,延长游客逗留时间,但也推升了旅游业碳排放强度。旅游资源禀赋对旅游业碳排放强度并不产生显著影响,旅游资源禀赋的高低虽能够对当地旅游经济规模产生重要影响,但这并不意味着旅游碳排放强度亦随之改变。

(3) 动态面板数据估计结果显示,上一期的旅游业碳排放强度对当期旅游业碳排放强度具有正向影响,旅游业碳排放强度一阶滞后项对应系数约为0.296,且在5%水平上显著。这说明,旅游业碳排放强度变化存在一定惯性,因游客消费行为惯性与外围影响因素较长作用周期,使得上一期旅游业碳排放强度对下一期产生明显影响。这就要求加快低碳旅游发展政策制定、颁布和落实,缩短各项政策的作用周期,设计有效的激励及监督机制,加大低碳旅游类资本的投入,加快推进旅游业中节能减排技术的更新换代,以期实现低碳旅游发展目标。

本文参照旅游消费剥离系数法,构建了旅游业碳排放量估算模型,进而对2005年～2015年我国省级旅游业碳排放演化趋势、排放强度及排放结构进行评估与分析,克服了已有省域尺度下的旅游业碳排放研究多基于一个固定排放系数的局限。在此基础上,分别利用静态面板数据与动态面板数据的计量方法对我国旅游业碳排放强度外围影响因素进行了检验与分析,规避了传统“结构-规模-技术”影响因素分析框架的局限性,提高了模型检验结果的全面性、可靠性以及有效性。此外,限于篇幅,本文主要使用动态面板数据计量方法检验与分析旅游业碳排放强度变化的影响因素。那么,省级旅游业中不同二级部门碳排放强度的影响因素是否存在差异？它们分别对国内旅游、入境旅游碳排放强度产生何种影响？它们是否会通过空间传导机制对邻近省市旅游碳排放强度产生溢出效应？这些问题有待我们进一步深入研究。

[1] 杜立民.我国二氧化碳排放的影响因素:基于省级面板数据的研究[J].南方经济,2010(11):20-33.

[2] 冯博,王雪青.中国各省建筑业碳排放脱钩及影响因素研究[J].中国人口·资源与环境,2015(4):28-34.

[3] 韩坚,盛培宏.产业结构、技术创新与碳排放实证研究——基于我国东部15个省(市)面板数据[J].上海经济研究,2014(8):67-74.

[4] 贺腊梅,李志勇,查建平.区域旅游业CO2排放的驱动因素分解模型及实证分析——基于2007～2011年湖北省17个州市面板数据的证据[J].旅游科学,2016(2):24-38.

[5] 黄崎,康建成,黄晨皓.酒店业碳排放评估与节能减排潜力研究[J].资源科学,2014(5):1013-1020.

[6] 黄玉菲,赵璟.丽江市旅游产业游客碳足迹分析评价[J].中国林业经济,2012(1):13-16.

[7] 李伯华,刘云鹏,窦银娣.旅游风景区旅游交通系统碳足迹评估及影响因素分析——以南岳衡山为例[J].资源科学,2012(5):956-963.

[8] 李江帆,李美云.旅游产业与旅游增加值的测算[J].旅游学刊,1999(5):16-19.

[9] 李鹏,黄继华,莫延芬,杨桂华.昆明市四星级酒店住宿产品碳足迹计算与分析[J].旅游学刊,2010(3):27-34.

[10] 上官筱燕,孙瑞红.九寨沟景区内居民私家车碳排放研究[J].中国人口·资源与环境,2013(5):140-142.

[11] 邵帅,杨莉莉,曹建华.工业能源消费碳排放影响因素研究——基于STIRPAT模型的上海分行业动态面板数据实证分析[J].财经研究,2010(11):16-27.

[12] 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(2):235-243.

[13] 苏建军,徐璋勇,赵多平.国际货物贸易与入境旅游的关系及其溢出效应[J].旅游学刊,2013(5):43-52.

[14] 孙晋坤,章锦河,刘泽华,李曼,杨璐.区域旅游交通碳排放测度模型及实证分析[J].生态学报,2015(21):7161-7171.

[15] 陶玉国,张红霞.江苏旅游能耗和碳排放估算研究[J].南京社会科学,2011(8):151-156.

[16] 王恩旭.区域旅游产业效率评价研究[D].大连:大连理工大学,2011.

[17] 汪锋,张宗益,康继军.企业市场化、对外开放与中国经济增长条件收敛[J].世界经济,2006(6):48-60.

[18] 王凯,邵海琴,周婷婷,刘浩龙.基于STIRPAT模型的中国旅游业碳排放影响因素分析[J].环境科学学报,2017(3):1185-1192.

[19] 王凯,肖燕,李志苗,刘浩龙.中国旅游业CO2排放因素分解:基于LMDI分解技术[J].旅游科学,2016(3):13-27.

[20] 王群伟,周鹏,周德群.我国二氧化碳排放绩效的动态变化、区域差异及影响因素[J].中国工业经济,2010(1):45-54.

[21] 吴振信,谢晓晶,王书平.基于中国东、中、西部面板数据的碳排放和产值结构关系研究[J].中国人口·资源与环境,2012(141):31-36.

[22] 肖建红,于爱芬,王敏.旅游过程碳足迹评估——以舟山群岛为例[J].旅游科学,2011(4):58-66.

[23] 肖潇,张捷,卢俊宇,钟士恩,尹立杰.旅游交通碳排放的空间结构与情景分析[J].生态学报,2012(23):7540-7548.

[24] 闫敏.旅游业与经济发展水平之间的关系[J].旅游学刊,1999(5):9-15.

[25] 虞义华,郑新业,张莉.经济发展水平、产业结构与碳排放强度——中国省级面板数据分析[J].经济理论与经济管理,2011(3):72-81.

[26] 袁宇杰.中国旅游间接能源消耗与碳排放的核算[J].旅游学刊,2013(10):81-88.

[27] 查建平,唐方方,傅浩.产业视角下的中国工业能源碳排放Divisia指数分解及实证分析[J].当代经济科学,2010(5):88-94.

[28] Arellano M,Bond S (1991).Some tests of specification for panel data:Monte carlo evidence and application to employments equations[J].Review of Economic Studies,58(2):277-297.

[29] Auffhammer M,Carson R T (2008).Forecasting the path of China’s CO2emissions using province-level information[J].Journal of Environmental Economics & Management,55(3):229-247.

[30] Becken S,Frampton C,Simmons D (2001).Energy consumption patterns in the accommodation sector—the New Zealand case[J].Ecological Economics,39(3):371-386.

[31] Becken S,Simmons D G (2002).Understanding energy consumption patterns of tourist attractions and activities in New Zealand[J].Tourism Management,23(4):343-354.

[32] Bond S R,Hoeffler A,Temple J R W (2001).GMM estimation of empirical growth models[J].CEPR Discussion Papers,159(1):99-115.

[33] Chan W W (2005).Partial analysis of the environmental costs generated by hotels in Hong Kong[J].International Journal of Hospitality Management,24(4):517-531.

[34] Dubois G,Ceron J P (2006).Tourism/leisure greenhouse gas emissions forecasts for 2050:Factors for change in France[J].Journal of Sustainable Tourism,14(2):172-191.

[35] Gössling S (2000).Sustainable tourism development in developing countries:Some aspects of energy use[J].Journal of Sustainable Tourism,8(5):410-425.

[36] Guan Z,Lansink A O (2006).The source of productivity growth in dutch agriculture:A perspective from finance[J].American Journal of Agricultural Economics,88(4):644-656.

[37] IPCC(2006).Intergovernmental Panel on Climate Change.2006 IPCC Guidelines for National Greenhouse Gas Inventory[M].IPCC/IGES,ISBN,Hayama,Japan,2:217-223.

[38] Jackson J(2006).Developing regional tourism in China:The potential for activating business clusters in a Socialist market economy[J].Tourism Management,27(4):695-706.

[39] Katircioglu S T,Feridun M,Kilinc C (2014).Estimating tourism-induced energy consumption and CO2emissions:The case of Cyprus[J].Renewable & Sustainable Energy Reviews,29(7):634-640.

[40] Kelly J,Williams P W (2007).Modelling tourism destination energy consumption and greenhouse gas emissions:Whistler,British Columbia,Canada[J].Journal of Sustainable Tourism,15(1):67-90.

[41] Konan D E,Chan H L (2010).Greenhouse gas emissions in Hawaii:Household and visitor expenditure analysis[J].Energy Economics,32(1):210-219.

[42] Kuo N W,Lin C Y,Chen P H,Chen Y W (2009).An inventory of the energy use and carbon dioxide emissions from island tourism based on a life cycle assessment approach[J].Journal of Cleaner Production,17(15):1324-1330.

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

[44] Mayor K,Tol R S J (2010).Scenarios of carbon dioxide emissions from aviation[J].Global Environmental Change,20(1):65-73.

[45] Paravantis J A,Georgakellos D A (2007).Trends in energy consumption and carbon dioxide emissions of passenger cars and buses[J].Technological Forecasting & Social Change,74(5):682-707.

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

[47] Robaina-Alves M,Moutinho V,Costa R (2016).Change in energy-related CO2(carbon dioxide) emissions in Portuguese tourism:A decomposition analysis from 2000 to 2008[J].Journal of Cleaner Production,111:520-528.

[48] Rosselló-Batle B,Moià A,Cladera A,Martínez V (2010).Energy use,CO2emissions and waste throughout the life cycle of a sample of hotels in the Balearic Islands[J].Energy & Buildings,42(4):547-558.

[49] Sun Y Y (2016).Decomposition of tourism greenhouse gas emissions:Revealing the dynamics between tourism economic growth,technological efficiency,and carbon emissions[J].Tourism Management,55:326-336.

[50] Tabatchnaia-Tamirisa N,Loke M K,Pingsun L,Tucker K A (1997).Energy and tourism in Hawaii[J].Annals of Tourism Research,24(2):390-401.

[51] UNWTO,UNEP,WMO (2008).Climate Change and Tourism:Responding to Global Challenges[M].Madrid:UNWTO.

[52] Wang J C,Wang Y C,Li K,Wang J H (2017).Greenhouse gas emissions of amusement parks in Taiwan[J].Renewable & Sustainable Energy Reviews,74:581-589.

[53] WTO,UNEP(2007).Climate change and tourism:Responding to global challenges[J].Climate Change & Tourism Responding to Global Challenges,12(4):168-181.