长三角旅游业碳排放强度空间格局及影响因素分析

姚丹, 任丽燕,*, 马仁锋, 李泽坤, 王彩娟

长三角旅游业碳排放强度空间格局及影响因素分析

姚丹1,2,3, 任丽燕1,2,3,*, 马仁锋1,2,3, 李泽坤1,2,3, 王彩娟1,2,3

1. 宁波大学地理与空间信息技术系/陆海国土空间利用与治理研究中心, 宁波 315211 2. 宁波市高等学校协同创新中心“宁波陆海国土空间利用与治理协同创新中心”, 宁波 315211 3. 宁波大学东海研究院, 宁波 315211

利用“自下而上”法, 对长三角25个城市2010—2016年旅游业碳排放进行测算的基础上, 采用探索性空间数据分析方法(ESDA)分析旅游业碳排放强度的空间结构, 并利用SDM模型对其影响因素展开研究。结果表明: (1)研究期内旅游业碳排放量除上海和南京呈下降趋势外, 其余城市整体呈增长趋势, 碳排放强度呈逐年下降态势; (2)旅游业碳排放强度表现出显著集聚特征, 形成以宁波、舟山与徐州为中心的高值集聚区和以镇江、泰州为中心的低值集聚区; (3)SDM模型结果显示: 城镇化率与能源消费结构在影响旅游业碳排放强度中直接效应显著为负; 人均GDP具有显著为正的溢出效应和总效应; 产业结构在溢出效应和总效应中显著为负; 能源强度表现出显著为正的直接效应和总效应。

旅游业; 碳排放强度; 空间格局; ESDA; SDM模型

0 前言

随着旅游业的快速发展, 旅游碳排放对于环境的影响逐渐增大。在旅游产业碳排放的国家排序中, 中国的排放总量占比仅次于美国, 位居第二[1]。在全球变暖和节能减排的背景下, 2015年11月中国政府向国际社会承诺中国将于2030年左右使CO2排放达到峰值, 并争取尽早实现2030年碳排放强度比2005年下降60%—65%的目标[2]。因此推进旅游业碳减排, 是响应我国减排任务的必然之举, 也是实现旅游经济可持续发展的重要方式。上世纪90年代, 西方学术界开始对旅游业碳排放进行研究。Becken等[3]学者的研究表明评估国家旅游业CO2排放量对其旅游业实现可持续发展至关重要; Lee等[4]采用欧盟国家1988—2009年面板数据进行单位根和协整检验, 探究旅游业对经济增长和CO2排放的影响。Baležentis等[5]以立陶宛乡村为例, 探究了乡村旅游地数量、农庄空间分布、旅游容量以及游客停留时间长短等因素对乡村旅游业碳排放的影响。我国学者于2009年左右对旅游碳排放的关注逐渐增多。如石培华等[6]应用文献研究和数理统计法, 发现2008年中国旅游业CO2排放量占总排放量的0.86%, 证明旅游业是节能减排的优势产业。查建平等[7]估算中国省级旅游业碳排放量, 在此基础上进一步利用面板模型分析影响旅游业碳排放强度的因素。王凯等[8]基于面板数据, 利用修正的引力模型和社会网络分析方法, 分析中国旅游业碳排放效率的空间结构及其效应。从现有研究成果来看, 影响旅游业CO2排放的相关因素探究方面, 多数学者采用Kaya等式[9]、LMDI分解模型[9]、泰尔指数[10]、投入产出分析法[11–12]以及数据包络分析法[13]等, 利用空间计量模型分析旅游业碳排放影响因素的研究尚不充分。因此, 本文利用长三角25个地级以上城市的面板数据, 测算旅游业碳排放强度并利用空间杜宾模型分析其影响因素, 试图为地方政府制定相关旅游政策提供据实参考。

1 研究区与研究方法

1.1 研究区域

本文研究长三角地区包括浙江省、江苏省和上海市两省一市所辖的25个地级以上城市(图1)。长三角是中国旅游发展最为活跃和最具潜力的地区之一, 其经济增长在全国一直名列前茅, 对国家经济发展具有举足轻重的作用。2010年以来, 旅游经济平稳快速发展, 2010年长三角旅游总收入为10951.02 亿元, 2016年则达到22240.86 亿元, 增长达到2.03倍; 旅游总收入占GDP比重稳步增长, 2010年长三角旅游总收入占GDP的12.6%, 2016年该比重达到14.7%。

图 1 长三角两省一市行政区

Figure 1 Administrative regions of two provinces and one city in Yangtze River Delta

1.2 研究方法与数据来源

1.2.1 旅游碳排放量的测算

测算旅游业碳排放量, 需要获取旅游业的能源消费量, 但到目前为止我国能源统计中没有针对旅游业的单独统计, 因此要从能源统计数据中将旅游业能源消费量提取出来[14]。目前我国第三产业内部划分与国民经济行业分类基本一致, 旅游业主要涉及第三产业中的交通运输、仓储和邮政业, 批发和零售业, 住宿和餐饮业三个行业部门, 这与省级第三产业的能源平衡统计表中交通运输、仓储和邮政业, 批发、零售和住宿、餐饮业基本相对应[14]。在此, 本文利用各地市旅游相关行业产值占全省第三产业相关行业产值的比例数据, 分别计算出各地市交通运输、仓储和邮政业行业系数与批发零售和住宿餐饮业行业系数两部分, 进而利用行业系数将各地市涉及旅游业的相关行业能源消费量从全省第三产业能源终端消费量中剥离出来; 继而利用地市旅游发展系数, 即各地市旅游总收入占其第三产业生产总值的比重, 将旅游业能源消费量从各地市涉及旅游业的第三产业各种能源终端消费量中提取出来。该方法得到的数据客观性较好, 具有一定的科学性。具体计算见公式(1)。

其中:E为各地区旅游业能源消费量;R为各地区旅游发展系数, 即旅游总收入占第三产业生产总值的比重;E为全省第三产业分行业各种能源终端消费量;P为各地区相关行业系数(表示行业部门, 即交通运输、仓储和邮政业, 批发零售和住宿餐饮业);

在旅游业能源消费量计算结果的基础上, 进一步计算旅游业碳排放量, 即:

其中:为长三角旅游业碳排放总量;C为各市旅游业碳排放量;f表示j类能源的标准煤转换系数;表示单位标准煤的CO2排放量。本文参照现有的研究成果, 设定值为2.45[15]。另外, 计算旅游业碳排放强度指数C(吨·万元-1) , 即单位旅游收入的碳排放量。

1.2.2 ESDA空间格局分析方法

(1)全局空间自相关。反映整个研究区域内的空间特征和空间相关性的整体趋势。一般采用全局Moran’s I指数进行度量, 其推算方法如下:

上述数据采用显著性检验方法均为Z检验。

1.2.3 空间计量模型

由上文分析方法得出: 旅游业碳排放强度的分布具有较强的空间依赖性, 因此有必要采用面板数据空间计量模型识别旅游业碳排放强度空间分布的影响因素[16]。空间计量模型主要包括空间滞后模型(Spatial Lag Model, SLM)、空间误差模型(Spatial Error Model, SEM)和空间杜宾模型(Spatial Durbin Model, SDM)3种。为选取更优空间面板模型, 采用Stata15.0软件进行模型检验, 结果显示, LR检验和Wald检验结果均在5%的显著水平下拒绝了原假设, 表明数据模型不可简化, 即选取空间杜宾模型(SDM)对于分析旅游业碳排放强度空间分布的影响因素更加稳健有效。SDM模型用于判断被解释变量与解释变量的空间相关特性, 以证实本区域的被解释变量是否既受制于本区域解释变量的影响, 又受邻近区域解释变量的扰动。其基本模型设定如下:

式中,是空间单元的因变量,是自变量,表示空间误差项自回归系数,表示区域的空间权重矩阵,为回归系数,表示邻近区域解释变量的空间滞后变量,代表解释变量的空间滞后项系数,表示空间自相关误差项。

1.2.4 数据来源

依据数据的可获得性原则, 本文选取2010—2016年7个年份作为研究时间截面。旅游业碳排放测度所需数据主要有: 长三角各城市旅游收入、第三产业产值、分行业产值(交通仓储、运输和邮政业, 批发和零售业, 住宿和餐饮业)以及旅游业碳排放影响因素方面所需原始数据, 均来源于各地级市统计年鉴和统计公报; 旅游相关行业消耗的各种能源数据, 包括原煤、型煤、焦炭、原油、汽油、煤油、柴油、燃料油、液化石油气、天然气、热力和电力12种能源终端消费量以及能源的标准煤转换系数, 主要来源于中国能源统计年鉴中江苏、浙江、上海三地的能源平衡表与附录中各种能源折标准煤参考系数。

2 旅游业碳排放强度及空间格局

2.1 旅游业碳排放总量及强度

根据式(1—3), 测算长三角旅游业碳排放总量(见表1)。结果表明: 上海作为世界级旅游城市, 其旅游业碳排放量位居首位, 从时间序列来看, 其总体为下降趋势, 由约占长三角旅游业排放量的43%降到25%。另外南京市旅游碳排放量经过小幅度波动后, 在2016年排放CO2约176.3 万吨, 整体也表现出下降趋势。其余城市旅游业碳排放量较2010年均呈现增长态势, 其中宁波、杭州和舟山旅游业碳排放量在2016年均超过300 万吨。杭州市作为全国低碳旅游示范城市, 2016年排放量相比于2014年稍有回落, 可见其近年来在碳排放的控制方面显现出一定成效; 宁波市是浙江省副省级城市以及浙江省经济中心, 旅游业的发展使其碳排放量位于长三角前列; 舟山市是全国唯一的群岛旅游城市, 其旅游业发展势头强劲且已成为其战略产业。整个研究区域从2010到2016年旅游业碳排放量增长超过30%。

另外, 从各市旅游业碳排放均值及其年均增长率(表2)可以看出: 上海市7年旅游业碳排放均值为1401.4 万吨, 约为宁波市均值的4.5倍, 淮安市的40倍。7年间旅游业碳排放均值超过150 万吨的城市有上海、杭州、南京、宁波、苏州、舟山、绍兴、嘉兴、台州和温州, 这也从一方面可以看出各城市旅游业的发展状况。就增长率而言, 各城市间变化程度存在较大差异, 7年间几乎所有城市每年旅游业碳排放量的增长速度都超过30%, 其中丽水、湖州甚至超过180%, 宿迁更是高达400%。而上海和南京这两个旅游业碳排放量较高的城市增长率为负, 表明对于减缓研究区旅游业碳排放增长而言, 上海和南京做出了较大的贡献。

表1 2010—2016年长三角各市域旅游业碳排放量(万吨)

表2 2010—2016年长三角25个城市旅游业碳排放均值及年均增长率

以上述数据为基础, 计算旅游业碳排放强度(图2), 此处展示3个年份数据以及7年的平均值。考察图2强度值可以看出, 长三角大部分地区旅游业碳排放强度较低, 可见单位旅游收入的增长所带来的CO2排放量相对较低。从空间分布上看, 研究区旅游业碳排放强度呈现明显的层次性: 舟山均值在0.5 (吨·万元-1)以上, 为碳排放强度较高区域; 上海、宁波、嘉兴、徐州和宿迁5个城市均值在0.3—0.5 (吨·万元-1)之间, 碳排放强度居中; 杭州、温州、湖州、绍兴、金华等19个城市均值低于0.3 (吨·万元-1), 属于碳排放强度较低区域。所考察城市中, 位居首位的是舟山, 其均值为0.55 (吨·万元-1); 位居末位的是无锡, 其均值仅为0.1 (吨·万元-1), 二者相差0.45 (吨·万元-1), 前者是后者的5.5倍, 可见, 长三角旅游业碳排放强度存在显著的区域差异。

2.2 碳排放强度空间格局演化

2.2.1 全局空间格局演化

运用ArcGIS10.2软件对长三角旅游业碳排放强度全局Moran’s I值进行计算和检验, 结果如图3。总体来看, 旅游业碳排放强度的全局Moran’s I值均在0.3以上(除2013年), 且均通过5%显著性检验, 表明长三角旅游业碳排放强度在空间上具有明显的相关性, 即存在高值或低值集聚区。从演变趋势来看, 全局Moran’s I值总体呈下降趋势, 2014年之前呈现出大幅波动, 之后小幅波动趋于平稳。另外表现出一定的阶段性特征, 2010—2011年处于快速上升阶段, 旅游业碳排放强度集聚不断强化, 2011—2013年开始快速下降, 空间集聚趋势逐渐减弱, 直至2013年以后缓慢上升之后趋于平稳, 表明空间集聚趋势持续强化后维稳。

图2 2010、2013、2016年长三角25个城市旅游业碳排放强度

Figure 2 Carbon emission intensity of tourism industry in 25 cities in Yangtze River Delta in 2010, 2013 and 2016

图3 2010—2016年长三角碳排放强度全局Moran’s I与p值变化趋势

Figure 3 Trends of global Moran’sandvalues of carbon emission intensity in Yangtze River Delta from 2010 to 2016

2.2.2 局部空间格局演化

(1)总体来看, 2010—2016年间旅游业碳排放强度的空间格局相对稳定。局部空间集聚逐渐增强的趋势与全局空间格局演进相对应, 初步形成以宁波、舟山、徐州为中心的高值区和以江苏省中南部城市为中心的低值区并向外扩散的空间格局, 且总体上浙江省碳排放强度高于江苏省。

(2)在总体格局保持相对稳定的前提下, 高值区的空间集聚呈现阶段性特征。2010年高值集聚区位于宁波、徐州和舟山, 2013年以徐州为中心的集聚作用增强, 形成包括宁波、舟山、徐州、连云港、宿迁五市的高值集聚区, 表明该阶段徐州旅游业的发展带动了周边区域的协同发展, 但可能在旅游业发展中较注重经济效益的提升, 致使碳排放强度有所升高。2013年后连云港和宿迁的集聚作用减弱, 退出高值集聚区, 2016年高值集聚区空间分布与2010年相一致, 表明2013年后减排措施在旅游业发展过程中逐步落实, 旅游业绿色发展取得了初步成效。

(3)从整体变化幅度来看, 低值区的空间变化也呈阶段性特征。2010年低值集聚区主要位于江苏省的中南部和浙江省的湖州市, 其中江苏省中南部地区旅游业碳排放强度在2010—2012年有所提升, 部分低值集聚区转变为低值分散区; 2012年后其碳排放强度出现明显下降趋势, 再次转变为低值集聚区, 表明2010—2012年江苏省中南部地区旅游业碳排放强度的区域差距由小变大, 在2012—2016年该差距由大变小。2016年除湖州市转变为低值分散区外, 江苏中南部城市仍主要在低值集聚区范围内, 即形成了以江苏省镇江市为核心的低值簇。结果表明在研究期间初始阶段, 随着旅游业的发展, 各城市旅游业碳排放量相比于旅游收入而言增加较快, 2012年以后, 旅游业碳排放强度较低的地区带动了邻近区域旅游业的减排工作, 旅游业低碳化发展理念逐步落实。

3 旅游业碳排放强度影响因素分析

3.1 解释变量选取与模型构建

在旅游业碳排放影响因素研究中, 大部分学者研究发现, 主要因素有能源强度、能源结构、对外开放水平、产业规模、人均GDP、城镇化水平等[7,9–11,17]。本文在因素选取时, 充分结合现有研究结论, 数据的可获得性以及旅游行业自身特点和发展现状, 拟选用城镇化率()、经济发展水平()、产业结构()、能源强度()和能源消费结构()作为自变量, 旅游业碳排放强度()为因变量, 以此来探究各因素对旅游业碳排放强度的影响状况, 具体变量说明如表3所示。另外本文针对模型自变量进行VIF共线性检验, 发现VIF值均小于7, 故自变量不存在多重共线性。

图4 2010—2016年长三角各城市旅游业碳排放强度局部空间格局演化

Figure 4 Evolution of the local spatial pattern of carbon emission intensity of tourism industry in the city-level in Yangtze River Delta from 2010 to 2016

根据式(6)并结合因变量与自变量, 构建空间杜宾模型形式如下:

式中Q是被解释变量, 表示城市年度的城市旅游业碳排放强度,X为解释变量,为空间误差系数,W为空间权重矩阵,为各因素影响系数,ε为随机误差项, 其他字符含义参照公式(6)。

3.2 实证结果分析

在进行空间面板数据计量分析时, 首先要使用Hausman检验, 确定空间模型是采用随机效应还是固定效应模型。本研究使用STATA15.0得到Hausman检验统计量为92.2, 且通过1%的显著性检验, 因此拒绝原假设, 接受固定效应模型。由于固定效应模型又分为三种形式: 个体固定效应模型、时间固定效应模型和双固定效应模型, 本研究运用LR检验, 结果显示个体固定效应接受假设, 即选取个体固定拟合效果最优, 因此建立个体固定效应的空间杜宾模型对各影响因素进行回归分析。表4是利用STATA15.0对长三角旅游业碳排放强度影响因素进行空间计量的模型参数估计结果, 为比较出模型拟合优度, 此处同时展示空间滞后模型和空间误差模型的回归结果。

表3 变量说明

表4 空间计量模型估计结果

注: ***、**、*分别表示在1%、5%、10%的显著性水平下显著, 表5同。

从总体上看, 空间杜宾模型的拟合优度R_sq和Log_likelihood值均较大, 赤池信息准则(AIC)和贝叶斯信息准则(BIC)均较小, 表明SDM模型优于SLM和SEM模型[18]。计算结果来看, 人均GDP(ln)与城镇化率的空间滞后项(W×ln)的相关系数未通过显著性检验, 其余变量均通过了1%的显著性检验。由此可知, 多数影响因素在旅游业碳排放强度增长过程中发挥重要作用。

LeSage等[19]认为, 若空间计量模型中存在空间滞后项时, 则解释变量的回归系数无法反映对被解释变量的具体影响程度。因此, 本文采取空间杜宾模型的偏微分法对影响因素空间效应展开分解(表5), 从而进一步分析旅游业碳排放强度的直接效应(影响因素对各城市内部旅游业碳排放强度的影响程度)、溢出效应(影响因素对周边邻近城市旅游业碳排放强度的影响程度)以及对整个区域的总效应(影响因素对于整个研究区域的影响程度)。

直接效应中, 除人均GDP外, 其余变量均通过1%的显著性检验, 表明人均GDP对于本区域旅游业碳排放强度的影响不显著, 而城镇化率、产业结构、能源强度和能源消费结构是重要驱动因素。城镇化率与能源消费结构对于旅游业碳排放强度的增长表现出较强的抑制作用, 其中城镇化率每增长1%, 旅游业碳排放强度下降1.645%, 可见提升地区的城镇化率与改善能源消费结构有利于减少本区域旅游业碳排放。产业结构对于旅游业碳排放强度的增长具有促进作用, 表明第三产业的不断发展致使长三角各地区内部旅游业碳排放强度不断增加。能源强度的直接效应系数为0.603, 说明旅游业单位GDP能源消耗是推动各区域旅游业碳排放强度增长的关键因素。

间接效应中, 城镇化率和能源强度作用不显著, 人均GDP与能源消费结构表现出显著促进作用, 而产业结构表现出显著的抑制效应。其中, 人均GDP对于周边地区旅游业碳排放强度的增长起到促进作用, 表明本地区人均GDP的提升, 对于促进周边地区旅游业发展进而产生更多的旅游业碳排放有显著效果。产业结构系数为-2.133, 说明相邻区域之间通过相互合作等方式改变产业结构, 对于旅游业碳排放强度的提升有抑制作用。能源消费结构较高的地区, 对于周边区域旅游业碳排放强度的增长起到促进作用, 表现出正向的溢出效应。

总效应中, 能源消费结构作用不显著, 其余变量均通过显著性检验, 其中城镇化率和产业结构表现出显著的抑制作用, 人均GDP和能源强度呈现正向的促进作用。城镇化率表现出强烈的抑制作用, 即城镇化率每增长1%, 研究区旅游业碳排放强度降低3.289%。人均GDP系数为0.839, 表明人均GDP的增长促进了区域旅游业碳排放强度的增加。产业结构的变动, 对于区域旅游业碳排强度起到负向作用, 说明第三产业结构的变动, 在促进旅游经济发展的同时所带来的碳排放量有所减少。能源强度系数为0.469, 是推动区域旅游业碳排放增长的主要因素。

4 讨论

降低旅游业碳排放强度对于实现我国2030年减排目标意义重大, 本文通过对长三角旅游业碳排放强度的实证分析得到如下启示:

表5 空间杜宾模型的空间效应

(1)旅游业碳排放强度数据表明, 舟山、上海、宁波、嘉兴、徐州和宿迁属于长三角碳排放高强度区域, 析其原因可能如下, 一是由于处于旅游资源不断开发阶段, 在发掘旅游资源与旅游业配套设施的过程中对能耗的依赖性较大; 二是由于目前旅游业在使用能源类型上, 仍以煤炭为代表的传统化石能源为主, 并且将在较长时间内保持这种状态; 三是由于部分城市处于旅游业发展上升期, 其所能带来的旅游收益还不可观。

(2)经济发展水平与能源强度对研究区旅游业碳排放强度起到显著的正向促进作用, 然而经济的发展以及旅游业规模的扩大成为必然趋势, 不可能通过抑制经济发展水平来达到减少碳排放强度的目的, 因此降低能源强度, 重视技术创新, 转变旅游经济增长方式, 以实现旅游经济由高耗能产业向循环绿色产业转变。产业结构对于邻近区域的碳排放强度降低具有显著的促进作用, 表明调整产业结构, 逐步降低以煤为主的高消耗、高排放产业的发展, 有助于促进旅游业碳排放强度的降低。旅游业煤炭消费量占能源消费总量的比重逐年增长, 这对于实现区域内部碳排放强度的增长具有抑制作用, 对周边区域的碳排放强度增长有促进作用, 故而在今后的发展中应调整能源消费结构, 提高清洁能源的消费比重, 加大节能技术的研发与应用, 此外各地区应摒弃“独善其身”的发展方式, 区域联合协同发展绿色旅游业, 缩小区际能源消耗差异, 进一步强化旅游业碳排放的空间关联性。

5 结论

本文通过对长三角2010—2016年旅游业碳排放强度的测算, 分析其时空格局并利用空间杜宾模型分析其影响因素的空间效应, 主要结论如下:

(1)整体来看, 长三角旅游业碳排放量呈现逐年增长的态势。其中上海市碳排放量位居长三角城市首位, 但从时间序列来看上海市旅游业碳排放量逐年递减。增长速率方面, 除上海市和南京市为负增长外, 其余城市的旅游业碳排放增速均超过30%, 更有甚者超过100%。

(2)时空格局来看, 历年来各市旅游业碳排放强度变化趋势基本一致且呈现逐年递减的趋势; 空间上具有较强的相关性和集聚性, 形成以宁波、舟山和徐州为中心的高值簇和以江苏省中南部城市为中心的低值簇并向外扩散的空间结构, 这种空间结构在研究期内不断深化和突显, 但整体上保持稳定。

(3)空间杜宾模型显示, 长三角旅游业碳排放强度影响因子存在明显的空间效应, 其中城镇化率和能源消费结构的提高, 对本地城市旅游业碳排放强度的增长具有显著的抑制作用, 而产业结构和能源强度表现出明显的促进作用; 人均GDP和能源消费结构对于相邻城市旅游业碳排放强度的增长表现出显著的正向溢出效应, 产业结构的溢出效应显著为负; 总效应来看, 城镇化率和产业结构的影响显著为负, 其中城镇化率的影响强度更为强烈, 人均GDP和能源强度对区域旅游业碳排放强度的增长表现出显著的促进作用。可见各影响因素对旅游业碳排放强度的空间效应存在一定差异。

[1] UNWTO, UNEP, WMO. Climate change and tourism: responding to global challenges[R]. Madrid: UNWTO, 2008.

[2] 董昕灵, 张月友. 中国碳强度变化因素再分解的理论与实证[J]. 软科学, 2019, 33(9): 75–80.

[3] BECKEN S, PATTERSON M. Measuring national carbon dioxide emissions from tourism as a key step towards achieving sustainable tourism [J]. Journal of Sustainable Tourism, 2006, 14(4): 323–338.

[4] Lee J W, BRAHMASRENE T. Investigating the influence of tourism on economic growth and carbon emissions: evidence from panel analysis of the European Union[J]. Tourism Management, 2013, 38: 69–76.

[5] BALEŽENTIS T, KRIŠČIUKAITIENĖ I, BALEŽENTIS A, et al. Rural tourism development in Lithuania (2003– 2010) - a quantitative analysis[J]. Tourism Management Perspectives, 2012, 2(2): 1–6

[6] 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.

[7] 查建平, 舒皓羽, 李园园, 等. 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[J]. 旅游科学, 2017, 31(5): 1–16.

[8] 王凯, 张淑文, 甘畅, 等. 中国旅游业碳排放效率的空间网络结构及其效应研究[J]. 地理科学, 2020, 40(3): 344– 353.

[9] LIU Jun, FENG Tingting, YANG Xi. The energy requirements and carbon dioxide emissions of tourism industry of Western China: a case of Chengdu city[J]. Renewable and Sustainable Energy Reviews, 2011, 15(6): 2887–2894.

[10] 谭华云, 许春晓, 董雪旺. 旅游业碳排放效率地区差异分解与影响因素探究[J]. 统计与决策, 2018, 34(16): 51–55.

[11] 赵先超, 滕洁, 谭书佳. 基于投入产出法的湖南省旅游业碳排放测算及GRA关联度分析[J]. 世界地理研究, 2018, 27(3): 164–174.

[12] 查建平. 中国低碳旅游发展效率、减排潜力及减排路径[J]. 旅游学刊, 2016, 31(9): 101–112.

[13] 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, 30(2): 24–38.

[14] 谢园方, 赵媛. 长三角地区旅游业能源消耗的CO2排放测度研究[J]. 地理研究, 2012, 31(3): 429–438.

[15] 陈飞, 诸大建. 低碳城市研究的理论方法与上海实证分析[J]. 城市发展研究, 2009, 16(10): 71–79.

[16] LEE L F, YU Jihai. Some recent developments in spatial panel data models[J]. Regional Science and Urban Economics, 2010, 40(5): 255–271.

[17] 王凯, 张淑文, 甘畅, 等. 我国旅游业碳排放的空间关联性及其影响因素[J]. 环境科学研究, 2019, 32(6): 938– 947.

[18] 吴玉鸣, 李建霞. 中国区域工业全要素生产率的空间计量经济分析[J]. 地理科学, 2006(4): 4385–4391.

[19] LESAGE J P. An introduction to spatial econometrics[J]. Revue D'économie Industrielle, 2008(123): 19–44.

Analysis of spatial pattern and influencing factors of carbon emission intensity of tourism industry in Yangtze River Delta

YAO Dan1,2,3, REN Liyan1,2,3*, MA Renfeng1,2,3, LI Zekun1,2,3, WANGCaijuan1,2,3

1. Department of Geography and Spatial Information Technology, Center for Land and Marine Spatial Utilization and Governance Research, Ningbo University, Ningbo 315211, China 2. Ningbo University Collaborative Innovation Center for Land and Marine Spatial Utilization and Governance Research at Ningbo University, Ningbo 315211, China 3. Institute of East China Sea, Ningbo University, Ningbo 315211,China

Based on measuring carbon emissions of tourism industry in 25 citiesof Yangtze River Delta in 2010-2016by using “bottom-up” approach, this paper used exploratory spatial data analysis (ESDA) to analyze the spatial structure ofcarbon emission intensity of tourism industry, and SDM model to study its influencing factors. The results showed that: 1) Carbon emissions of tourism industry in the study period increased except of Shanghai and Nanjing, while the carbon emission intensity of tourism industry decreased. 2) The agglomeration characteristic of carbon emission intensity of tourism industry was obvious. The high-value agglomeration areascentered in Ningbo, Zhoushan, and Xuzhou, and the low-value agglomeration areas centered in Zhenjiang and Taizhou. 3) The SDM model results showed that the direct effects of urbanization rate and the energy consumption structure on the carbon emissions intensity of tourism industry were significantly negative. The spillover effect and the total effect of per capita GDP were significantly positive, while those of industrial structure were significantly negative. The direct effect and the total effect of energy intensity were significantly positive.

tourism industry; carbon emission intensity; spatial pattern; ESDA; SDM

10.14108/j.cnki.1008-8873.2021.02.012

X22

A

1008-8873(2021)02-089-10

2020-06-12;

2020-07-08基金项目:国家自然科学基金面上项目(41771174); 宁波市软科学项目(2017A10053)

姚丹(1996—), 女, 山西吕梁人, 硕士研究生, 研究方向为碳排放, E-mail: nbuyaodan@163.com

任丽燕, 女, 博士, 副教授, 主要从事碳排放研究, E-mail: renliyan@nbu.edu.cn

姚丹, 任丽燕, 马仁锋, 等. 长三角旅游业碳排放强度空间格局及影响因素分析[J]. 生态科学, 2021, 40(2): 89–98.

YAO Dan, REN Liyan, MA Renfeng, et al. Analysis of spatial pattern and influencing factors ofcarbon emission intensity of tourism industry in Yangtze River Delta[J]. Ecological Science, 2021, 40(2): 89–98.