2025, Vol. 46
长期以来, 旅游业一直被视为“无烟工业”. 事实上, “食、住、行、游、娱、购”等旅游消费也会带来碳排放问题. 有研究表明, 2009~2013年旅游业碳排放量约占全球温室气体排放量的8%[1]. 旅游业产生的碳排放量正在成为全球温室气体排放中越来越高的部分, 这无疑会增加旅游需求快速增长的地区的碳减排压力. 2021年11月, 世界旅游组织和联合国环境署及其合作伙伴发起《格拉斯哥旅游气候行动宣言》, 300多家旅游企业和相关政府承诺最迟在2050年实现净零排放[2]. 碳排放量是衡量旅游业对环境质量影响的重要指标. 进入21世纪以后, 随着旅游业碳排放评估在可持续发展中的作用越来越明显, 旅游目的地[3]、旅游餐饮[4]、旅游活动[5]、旅游交通[6]和酒店[7, 8]等方面的研究取得了一定的进展. 在国内, 人们在采用能源折算标准煤的参考系数和碳排放转换系数表的基础上测算旅游业碳排放量[9]. 如, 王立国等[10]以能源消耗平衡表为依据, 借鉴“旅游消费剥离系数”提出旅游业碳排放测度方法. 随着旅游业的人均碳排放量和碳排放强度逐年降低, 低碳旅游正在成为发展趋势[11, 12], 并成为共识[13]. 但国内旅游业碳排放量远高于当地碳承载力, 旅游碳减排问题依然严峻. 由于旅游碳排放量的变化存在区域差异性[10, 14], 人均旅游碳排放量较低的省份主要分布于东部及中部地区, 较高的省份则主要集中于西部地区, 这一地域特征决定了西部旅游业碳减排成本将成为影响当地旅游业发展的重要影响因素, 亟待提出“双碳”目标下旅游业高质量发展的对策与建议.
随着旅游业的发展, 旅游碳排放量将不断增加[15], 使得人们难以在旅游收益和碳减排成本之间寻求平衡关系. 作为评估减少碳排放机会成本的重要工具, 碳边际减排成本(marginal carbon abatement cost, MCAC)可以直观地反映碳减排的潜力, 被广泛应用于城市群低碳发展[16, 17]、碳排放交易[18]、环境绩效[19]和配额分配标准[20]等讨论中. 国内城市MCAC存在区域异质性, 差异日益明显[21]. 碳排放量较低的城市或发达地区的MCAC较高, 并呈上升趋势[22, 23]. 由于全国碳交易仅限于电力行业, 市场流动性不足, 导致碳配额价格远低于MCAC[24], 难以运用到碳排放成本的测算中. MCAC主要以反映减少每单位碳排放成本的影子价格来估算. 通过非参数的数据包络分析(data envelopment analysis, DEA)方法测算影子价格, 无需设定生产函数, 被广泛应用于生态环境领域中. 如, Cecchini等采用松弛的数据包括分析(slacks-based measure data envelopment analysis, SBM-DEA)模型估算MCAC[25]. 这一模型还运用在国内的火力发电环境效率[26]、城市MCAC[17, 27]和建筑业MCAC[28]等领域中. 碳排放强度和MCAC之间存在“U”型关系[16, 17], 即, MCAC会随碳排放强度的降低而减小, 但达到拐点后反而会增加. 有研究表明, 不仅城市规模、环境政策、贸易开放性、能源结构和产业结构等因素[19]影响MCAC的变化, 而且还有碳减排政策[17]、排放效率[19]、外商投资[29]以及碳排放机制[30]等影响因素, 但并没有达成共识[17, 31], 而制定差异化的碳减排政策恰恰需要MCAC估算方法的科学支撑.
旅游业转型为循环经济模式[32, 33]正在成为全球的共识, 在碳减排行动中具有的重要地位[34]. 西北省(区)丰富的旅游资源促进了地方旅游业的快速增长, 但脆弱而敏感的生态环境, 尤其是旅游业碳排放量增长过快的问题却限制了这一优势的发挥. 旅游碳排放量[5]及其效率[35]、影响因素[36~38]同旅游经济之间的关系[34, 39]等正在成为研究热点. 由于旅游业的MCAC测算方法和研究尺度尚未形成统一的标准, 相关指标编制与应用仍在探索之中, 核算原则和影响因素的分析方法仍是焦点问题, 而常用的SBM-DEA模型也仅被应用于单个旅游目的地生态效率特征和演变分析[35], 这导致在实践上依据MCAC设置碳税、税率和完善碳排放权交易难以得到科学方法的支撑. 旅游业低碳绿色发展不仅要低成本地缓解碳减排压力, 而且要注重区域之间互补效应[40]. 探讨旅游业MCAC时空演变特征及其影响因素, 对制定有效的碳减排政策具有一定的实际意义和学术价值. 学术贡献体现在：①通过分析碳生产率、碳排放强度同MCAC的“U”型关系, 提出在有效平衡绿色旅游发展同MCAC之间关系的基础上实施碳减排行动. ②强调旅游业MCAC的区域异质性, 指出能源结构、产业结构、科技水平和城市化水平的变化将显著影响MCAC, 提出跨域合作与规划绿色旅游线路、制定绿色旅游标准和认证体系等建议, 以期为提升绿色旅游品质、实现旅游业绿色增长与碳减排的“双赢”提供科学依据.
1 材料与方法 1.1 研究方法 1.1.1 旅游业碳排放量的测算采用政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)发布的《国家温室气体清单指南(2006)》的方法, 并结合《中国省级温室气体汇编指南》核算旅游业的碳排放量. 计算公式如下：
|
(1) |
式中, CE表示旅游业的碳排放量(t), Eij 表示与旅游相关i行业中第j种能源消费量(万t), NCVj表示第j种化石能源的平均低位发热值[kJ·(kg·m3)-1], CEFj表示第j种能源的碳排放系数(kg·TJ-1), COFj表示碳氧化率(%), 44/12表示CO2与C的相对分子质量之比, bj表示第j种能源折标准煤系数(表 1).
|
表 1 化石能源折算标准煤系数和CO2排放系数 Table 1 Fossil energy conversion coefficient to standard coal and CO2 emission coefficient |
需要说明的是, 旅游业能源终端消耗量的测算方法参考孙玉环等[41]和王峥等[42]的成果. 根据《国民经济行业分类》(GB/T 4754-2017)的分类标准, 筛选出批发和零售、餐饮和住宿、交通运输、仓储和邮政等同旅游业相关的服务业. 计算公式如下：
|
(2) |
|
(3) |
|
(4) |
|
(5) |
式中, E表示10种能源的终端消费量, i表示第i种化石能源, S表示旅游消费剥离系数. T为旅游业增加值, TR表示旅游业总收入, VR表示批发和零售、餐饮和住宿、交通运输、仓储和邮政业增加值率. V表示批发和零售、餐饮和住宿、交通运输、仓储和邮政业的增加值, VAR表示批发和零售、餐饮和住宿、交通运输、仓储和邮政业的总产值.
1.1.2 旅游业碳生产率的测算碳生产率是指单位碳排放量的经济效益产出水平, 与碳排放强度呈倒数关系[43]. 旅游碳生产率将直观反映旅游业收益与碳排放量之间的关系, 评估单位旅游收入带来的碳排放水平. 如果数值较低, 则表明旅游业发展对碳排放水平的影响相对较小. 计算公式如下：
|
(6) |
式中, i表示省份, TQ表示旅游碳生产效率, CE表示旅游碳排放量, TR表示旅游业总收入.
1.1.3 旅游业碳边际减排成本的测算参考胡剑波等[44]、Wu等[45]和郑琰等[46]的研究成果, 选取星级酒店数、A级景区数、第三产业就业人员和旅游业能源消费量作为投入指标, 旅游收入作为期望产出, 旅游碳排放量作为非期望产出(图 1).
|
图 1 旅游业碳边际减排成本测算中的投入产出关系 Fig. 1 Input-output relationship in the calculation of marginal carbon abatement cost of tourism industry |
在要素投入和技术水平不变的情形下, 加强环境管理将减少污染物的排放, 意味着碳排放量的影子价格可以解释为减少每单位碳排放量的额外成本. 采用规模报酬可变的非径向SBM-DEA模型估算MCAC. 在运用投入产出数据评估产出最优效率边界的基础上设置约束条件, 求解线性规划结果. 假设有n个决策单元, 每个决策单元有m个投入变量. 计算公式如下：
|
(7) |
式中, s1和s2表示期望和非期望产出个数, xi0、yk0和zl0表示投入、期望产出和非期望产出变量. six表示投入的松弛变量, sky表示期望产出的松弛变量, slz表示非期望产出的松弛变量.
为便于求解, 将式(7)转换为对偶线性规划模型. 计算公式如下：
|
(8) |
式中, ug 表示投入的对偶价格, v表示期望产出的对偶价格, ω表示非期望产出的对偶价格.
假设期望产出的影子价格等于市场价格pv
=1. 非期望产出的影子价格表示为 
根据现有研究成果, 遴选了碳排放强度、能源结构、产业结构、对外开放程度、科技水平、城市化水平和游客规模等影响因素(表 2).
|
|
表 2 影响旅游业碳边际减排成本的因素 Table 2 Factors affecting the marginal carbon abatement cost in tourism |
1.2 研究区域
西北地区涵盖陕西、甘肃、青海、宁夏和新疆, 占国土面积近1/3. 西北省(区)地貌景观奇特, 地方民族文化特色突出, 拥有众多文化遗产和全国重点文物保护单位, 旅游资源禀赋优势显著. 2001~2021年, 西北旅游业产值年均增长4.8%. 累计接待游客数从2010年的24 184万人增加到2019年的138 857万人, 2019年实现旅游收入14 078.5亿元, 相较于2010年增长766%. 受COVID-19疫情的影响, 2020~2021年的相关数据有所下降, 而疫情后各省(区)旅游业正在复苏. 2023年, 西北省(区)游客人数达到148 337万人, 实现旅游收入10 576亿元, 同期增长分别为123.4%和165.6%. 2023年游客人数达到2019年的107.1%, 旅游收入恢复至2019年的75.1%. 西北省(区)以高原、盆地和山地为主, 降水量较少, 植被覆盖率低, 生态环境脆弱. 由于西北地区地域辽阔, 旅游景区相对偏远且分散, 交通基础设施落后, 使得旅游活动产生了比其他地区更多的碳排放量. 区域之间的旅游合作机制尚未形成高效的协调机制和合作平台, 也使得能源过度消耗, 从而增加了旅游业的运营成本. 因此, 最大限度地降低旅游碳减排成本, 实现旅游业低碳绿色发展是亟待解决的现实问题.
1.3 数据来源相关数据来源见表 3. 需要说明的是：第一, 宁夏缺少2001年和2002年能源终端消费量的相关数据, 采用插值方法补充数据. 第二, 批发零售、住宿餐饮业的总产值用社会零售总额来代替. 第三, 西北各省(区)旅游总收入是通过国内旅游收入与国际旅游收入加和得出. 第四, 部分缺失数据采用现有数据的年均增长率或同比换算推算得出.
|
|
表 3 数据来源 Table 3 Data sources |
2 结果与讨论 2.1 旅游业碳排放量的时空演变特征分析
图 2表明, 2001~2019年西北省(区)旅游业碳排放量增长迅速, 在2020年显著下降后2021年又有所回升. 除2002年和2020年, 其余年份平均增长率均为正值. 2001~2013年增速相对较缓, 而从2014年开始增幅显著加快. 其中, 2015年增速达到27.5%, 同旅游业快速发展密切相关. 2001~2013年, 西北各省(区)的旅游业虽然有所发展, 但整体水平相对较低, 旅游业规模及影响力有限, 碳排放量增速相对较缓. 2015~2019年, 随着人均可支配收入不断增加, 自驾游和休闲游等方式不断涌现, 旅游碳排放量也随之显著增长. 2020~2021年受疫情影响, 旅游活动的减少显著降低了碳排放量. 空间上, 西北省(区)旅游业碳排放量存在显著的区域异质性. 2001~2015年陕西旅游碳排放量相对较高. 2015年, 新疆旅游业碳排放量增长率高达75.3%, 并在2016年超过了陕西省, 成为西北省(区)中碳排放量最高的地区. 陕西旅游业起步较早, 2005年通过了《陕西省旅游条例》, 2012年提出把旅游业培育成为战略性支柱产业, 带动了陕西旅游业的发展, 也使得碳排放量相应增加. 2015年新疆拨付旅游专项资金17 461.54万元, 使得当年接待国内外游客同比增长23.1%[62], 但也增加了能源消耗量, 使得旅游业碳排放量同旅游总收入波动趋势一致. 甘肃旅游业碳排放量始终大于青海和宁夏. 青海旅游总收入也呈现出逐年超过宁夏的趋势, 旅游业碳排放量在2008年后也超过了宁夏, 表明旅游业发展水平与碳排放量增加之间的关联关系. 综上所述, 旅游业碳排放量与西北省(区)的旅游业发展水平以及游客数量等因素密切相关.
|
图 2 2001~2021年西北省(区)旅游业碳排放量及其平均值的变化 Fig. 2 Changes in carbon emissions and average values of tourism industry in Northwest provinces from 2001 to 2021 |
图 3表明, 2001~2021年西北省(区)平均旅游业碳生产率从1.45万元·t-1上升至3.71万元·t-1, 年均增长率为5.5%. 表明旅游业节能减排取得了一定的成效. 期间, 《国务院关于加速发展旅游业的意见》《国务院关于加快建立健全绿色低碳循环发展经济体系的指导意见》《关于促进交通运输与旅游融合发展的若干意见》等一系列政策在推动旅游业绿色低碳发展中发挥了重要作用. 陕西、甘肃、新疆、青海和宁夏旅游业碳生产率年均增速分别为7.34%、6.27%、3.68%、-0.38%和6.40%. 只有青海波动下降, 其余省(区)都呈波动上升的态势. 2013年后, 陕西旅游业碳生产率居于首位, 2021年达到5.76万元·t-1, 而同时期青海只有1.89万元·t-1. 省(区)之间的差异也在逐渐增大, 表明区域异质性不断增加. 究其原因, 西北各省(区)在资源禀赋、发展水平和旅游产业结构等方面存在着明显差异. 陕西、甘肃等省份旅游业发展较早, 在旅游管理水平、旅游产业链和旅游基础设施等方面相对成熟, 更利于旅游产业集聚, 有助于提高旅游业碳生产率[63]. 而青海等省(区)由于旅游资源地理位置偏远, 交通不便, 开发能力有限, 在提高旅游业碳生产率方面面临着较大挑战.
|
图 3 2001~2021年西北省(区)旅游业碳生产率及其平均值的变化 Fig. 3 Changes in carbon productivity and its average value of tourism industry in Northwest provinces from 2001 to 2021 |
图 4表明, 2019年西北省(区)旅游业MCAC年均值最大, 为3 469元·t-1. 2005年后, 年均值逐步上升, 旅游业碳生产率也逐渐提高. 2011年后, 年均值增速加快, 呈现先下降后上升的特点, 即, 随着碳减排要求的提高, 需要更昂贵的研发投入, MCAC增速明显加快[16]. 2001~2010年MCAC年均值从2001年的706.78元·t-1上升到2010年的1 013元·t-1, 年均增长率为3.66%, 约为2001年的1.4倍. 2003年受“非典”的影响, 旅游平均收入出现下滑, MCAC年均值大幅降低. 2011~2019年MCAC年均值增长率为11.69%, 其中, 陕西增幅最大, 远超其余省(区), 区域差异逐渐扩大. 2019年MCAC年均值是2011年的3倍, 2018年年均值增幅最大, 为28.4%. 2020年受疫情影响, 旅游业碳排放量显著下降, 旅游碳生产率持续提高, 使得2020年年均值大幅下降, 2021年年均值为2 651.04元·t-1, 相较于2020年有所上升. 2020年新疆旅游收入降幅最大, 但旅游业MCAC的降幅也最高, 意味着旅游收入对MCAC具有影响.
|
图 4 2001~2021年西北省(区)旅游业碳边际减排成本的变化 Fig. 4 Changes in carbon emission marginal abatement cost in the tourism industry of Northwest provinces from 2001 to 2021 |
西北省(区)旅游业MCAC具有区域异质性的特点(图 5). 陕西旅游业MCAC显著高于区域平均水平, 只有在2005年和2006年略低于甘肃, 其余年份均为最高. 甘肃、青海、宁夏和新疆存在差异, 但差距不大. 2005~2010年西北省(区)平均旅游收入年均增速超过18%, 2010~2019年超过了24%. 随着旅游业的发展, 省(区)旅游业MCAC区域异质性显著增强, 从高到低依次为：陕西、甘肃、新疆、宁夏和青海. 陕西旅游业碳排放量最大, MCAC也最高. 2019年陕西旅游业MCAC高达6 859元·t-1, 甘肃、新疆和宁夏分别为3 892、2 592和2 430元·t-1, 青海仅为1 571元·t-1. MCAC的投入产出关系的不同, 促使各省(区)治污成本差距较大. 相比较而言, 陕西发展水平较快, 人均可支配收入也比较高, 但即便如此, 也难以承受MCAC居高不下的压力, 进一步的旅游业碳减排行动将面临着严峻的挑战. 2010~2019年陕西旅游业MCAC增幅最大, 年均增长超过15%, 甘肃、新疆、宁夏和青海年均增幅分别为14.27%、13.52%、11.24%和8.52%. 受疫情影响, 2020年后旅游业MCAC整体下降, 新疆下降较为明显, 陕西和甘肃仍然较高. 有研究表明, 碳排放量对MCAC有正向作用[18]. 旅游业MCAC的区域异质性以及各地区资源禀赋、发展水平等存在着显著的差异, 为建立碳排放权交易市场, 通过市场手段达到碳减排目标提供了条件.
|
图 5 2001、2005、2010、2015、2019和2021年西北省(区)旅游业碳边际减排成本的动态变化 Fig. 5 Dynamic changes in carbon emission marginal abatement cost of tourism industry in Northwest provinces in 2001, 2005, 2010, 2015, 2019, and 2021 |
采用双向固定效应模型探讨影响旅游业MCAC变化的因素. 为消除变量之间的量纲差异对回归结果的影响, 在回归分析前对碳排放强度(cintens)、对外开放程度(OP)、科技水平(RD)、城市化水平(UL)和游客规模(T)等因变量和自变量进行了标准化处理. 参考Wang等[19]和杨子晖等[64]的成果, 采用逐步加入自变量的回归分析方法, 以避免各影响因素之间的多重共线性问题. 模型构建如下：
|
(9) |
式中, i表示省份, t表示年份, MCAC表示碳边际减排成本, cintens表示碳排放强度, ∂0表示常数项, IS表示产业结构, OP表示对外开放程度, RD表示科技水平, UL表示城市化水平, T表示游客规模, ε表示残差项, μ表示地区固定效应, λ表示时间固定效应.
表 4的列(1)~(7)中, 碳排放强度(cintens)的影响系数显著为负, 而其二次项(cintens2)的影响系数显著为正, 表明旅游业MCAC与碳排放强度呈“U”型关系(图 6), 即, 当碳排放强度达到某一水平时, MCAC最低, 一旦超过拐点后将会随着碳排放强度的增加而上升. 意味着, 在碳强度较低或较高的水平上, MCAC相对较高.
|
|
表 4 碳边际减排成本的影响因素分析1) Table 4 Analysis of factors influencing carbon emission marginal abatement cost |
|
图 6 西北省(区)旅游业碳边际减排成本同碳排放强度的变化关系 Fig. 6 Relationship between the carbon emission marginal abatement cost of tourism industry and carbon emission intensity in Northwest provinces |
表 4的列(2)~(7)中依次将能源结构、产业结构、科技水平、对外开放程度、城市化水平和游客规模纳入回归模型中. R-squared值在列(2)~(7)中逐渐增加, 说明这些模型对旅游业MCAC的变异性解释得越来越好. 结果表明, 能源结构在5%的显著水平上与旅游业MCAC呈负相关, 科技水平(RD)和产业结构(IS)在5%的显著水平上与旅游业MCAC呈正相关, 城市化水平(UL)在10%的显著水平上与旅游业MCAC呈正相关, 游客规模(T)在1%的显著水平上与旅游业MCAC呈正相关, 对外开放程度(OP)对旅游业MCAC有负向影响, 但并不显著. 结果表明, 采用低碳环保技术措施会提高碳生产率, 但也会增加MCAC. 第三产业产值占GDP的比例增加会带来旅游业规模的扩大及游客人数增加, 增加碳减排的难度. 城市化将带来能源消耗的增加, 尤其是在旅游旺季. 从回归系数来看, 产业结构和能源结构对旅游业MCAC作用程度更大. 一般地, 城市的MCAC与单位GDP的碳排放量呈“U”型曲线关系, 科技水平起到了显著的正向作用. 随着清洁能源、节能建筑、高效运输系统和智慧旅游等领域的技术突破, 进一步降低MCAC成为可能.
2.5 稳健性检验为验证结果的稳健性与可靠性, 将旅游业MCAC滞后一期纳入回归模型中. 表 5表明, 碳排放强度(cintens)、碳排放强度的二次项(cintens2)、能源结构(ES)、产业结构(IS)、科技水平(RD)、城市化水平(UL)、对外开放程度(OP)和游客规模(T)的影响系数的方向均未发生变化, 且在统计上显著, 说明结果是稳健的.
|
|
表 5 稳健性检验结果1) Table 5 Robustness test regression results |
2.6 内生性检验
将L.cintens、L.cintens2、L.ES、L.IS、L.RD、L.UL、L.OP和L.T表示为滞后一期的自变量, 并作为工具变量, 采用两阶段最小二乘法(2SLS)进行内生性检验. DWH检验的结果表明, P值小于0.1, 可视为内生变量. 弱工具变量检验的结果表明, F值均大于10, 且在1%的置信水平上显著, 说明不存在弱工具变量问题. Hansen J检验结果不显著, 表明工具变量是外生性的假设得到了支持. 表 6表明, 在考虑内生性后结果依然成立.
|
|
表 6 内生性检验结果1) Table 6 Endogenous test results |
3 政策建议
(1) 建议制定西北省(区)旅游业碳减排目标和差异化的碳减排行动, 在省(区)之间建立合作机制, 制定统一的绿色旅游标准和认证体系, 推广跨区域绿色旅游线路, 以促进西北绿色旅游品质的提升. 为使区域碳减排效率最优和碳减排成本最小, 建议旅游业MCAC低的青海和新疆提高休闲游和度假游的低碳转型升级, 提高碳减排标准, 而旅游业碳生产率最高的陕西应推动旅游业在节能减排等方面的绿色转型, 碳排放量相对较高的甘肃发展乡村旅游和生态旅游.
(2) 建议通过设立专项资金、提供税收减免推动绿色低碳旅游示范项目的建设. 建立绿色低碳旅游的监测、评估与披露机制, 增强公众的参与度, 尤其是鼓励游客履行环境责任, 提高游客低碳减排的自律行为, 如, 鼓励旅游公共交通的出行方式、降低旅游日用品耗费量、减少旅游产生的废弃物等, 推动旅游业向低碳绿色转型.
(3) 建议制定旅游景区能源管理计划. 加强旅游低碳产品的开发设计, 建设智能充电设施, 建设低碳旅游区. 需要指出的是, 引进绿色低碳技术可能在初期增加旅游业MCAC, 但随着市场规模的扩大, 旅游业MCAC将逐渐降低. 因此, 建议激励高效节能技术在旅游项目基础设施、交通运输、娱乐设备等的应用, 推广新能源及清洁能源.
4 结论(1) 2001~2021年西北省(区)旅游业MCAC整体上升, 旅游MCAC年均值由2001年的706.78元·t-1增至2021年的2 651.04元·t-1. 各省(区)平均MCAC从高到低依次是：陕西、甘肃、新疆、宁夏和青海, 呈现出区域异质性的特点, 且差距逐渐扩大. 各省(区)旅游业碳排放量和碳生产率存在较大差异.
(2) 旅游业碳生产率整体呈上升态势. 旅游业MCAC与碳排放强度呈显著的“U”型关系. 潜在的含义是, 达到拐点后, 碳排放强度的增加, 即, 旅游业碳生产率的下降将提高旅游业MCAC.
(3) 能源结构在5%的显著水平上与旅游业MCAC呈负相关, 科技水平和产业结构在5%的显著水平上与旅游业MCAC呈正相关, 城市化水平在10%的显著水平上与旅游业MCAC呈正相关, 游客规模在1%的显著水平上与旅游业MCAC呈正相关, 对外开放程度(OP)对旅游业MCAC有负向影响, 但并不显著.
(4) 本研究存在一定的局限性. 第一, 旅游业MCAC的测算中, 选取的投入指标及其数据并不完善, 尽管星级酒店数和A级景区数被纳入测算体系, 但仅是旅游业投入的一部分, 有可能会降低结果精度和可靠性. 第二, 由于无法搜集到批发和零售、餐饮和住宿、交通运输、仓储和邮政等同旅游业相关的行业旅游收入, 因此, 数据来源于各省(区)统计年鉴统计出的国内外旅游总收入, 使得旅游业碳排放量的测算中采用的是旅游业总体的、而不是各行业的“旅游消费剥离系数”, 增加了结果的不确定性. 第三, 在影响因素中未考虑汽油、柴油等化石能源对能源结构的影响. R&D经费内部支出表示的科技水平在推动旅游业绿色发展过程中的作用机制尚不清楚. 第四, 仍难以判断长期旅游业MCAC的变化趋势, 也难以识别出影响因素对旅游业MCAC的作用方式是否会持续.
| [1] | Lenzen M, Sun Y Y, Faturay F, et al. The carbon footprint of global tourism[J]. Nature Climate Change, 2018, 8(6): 522-528. DOI:10.1038/s41558-018-0141-x |
| [2] | 联合国. 旅游业承诺在2050年前实现净零排放[EB/OL]. https://news.un.org/zh/story/2021/11/1093932, 2024-06-30. |
| [3] | Meng W Q, Xu L Y, Hu B B, et al. Reprint of: quantifying direct and indirect carbon dioxide emissions of the Chinese tourism industry[J]. Journal of Cleaner Production, 2017, 163: S401-S409. DOI:10.1016/j.jclepro.2016.03.177 |
| [4] | Liu P, Segovia M, Tse E C Y, et al. Become an environmentally responsible customer by choosing low-carbon footprint products at restaurants: integrating the elaboration likelihood model (ELM) and the theory of planned behavior (TPB)[J]. Journal of Hospitality and Tourism Management, 2022, 52: 346-355. |
| [5] | Campos C, Laso J, Cristóbal J, et al. Towards more sustainable tourism under a carbon footprint approach: the Camino Lebaniego case study[J]. Journal of Cleaner Production, 2022, 369. DOI:10.1016/j.jclepro.2022.133222 |
| [6] | Pereira R P T, Ribeiro G M, Filimonau V. The carbon footprint appraisal of local visitor travel in Brazil: a case of the Rio de Janeiro-São Paulo itinerary[J]. Journal of Cleaner Production, 2017, 141: 256-266. DOI:10.1016/j.jclepro.2016.09.049 |
| [7] | Puig R, Kiliç E, Navarro A, et al. Inventory analysis and carbon footprint of coastland-hotel services: a Spanish case study[J]. Science of the Total Environment, 2017, 595: 244-254. DOI:10.1016/j.scitotenv.2017.03.245 |
| [8] | Filimonau V, Rosa M S, Franca L S, et al. Environmental and carbon footprint of tourist accommodation: a comparative study of popular hotel categories in Brazil and Peru[J]. Journal of Cleaner Production, 2021, 328. DOI:10.1016/j.jclepro.2021.129561 |
| [9] |
王淑新, 何红, 李双, 等. 中国旅游足迹家族研究进展[J]. 自然资源学报, 2019, 34(2): 424-436. Wang S X, He H, Li S, et al. Research progress of tourism footprint family in China[J]. Journal of Natural Resources, 2019, 34(2): 424-436. |
| [10] |
王立国, 朱海, 叶炎婷, 等. 中国省域旅游业碳中和时空分异与模拟[J]. 生态学报, 2024, 44(2): 625-636. Wang L G, Zhu H, Ye Y T, et al. Spatio-temporal differentiation and simulation of provincial tourism carbon neutrality in China[J]. Acta Ecologica Sinica, 2024, 44(2): 625-636. |
| [11] |
朱海, 王立国, 贺焱, 等. 多情景下中国省域旅游业碳达峰的时空特征研究[J]. 干旱区资源与环境, 2023, 37(1): 169-176. Zhu H, Wang L G, He Y, et al. Spatial and temporal characteristics of carbon peak of provincial tourism in China under multiple scenarios[J]. Journal of Arid Land Resources and Environment, 2023, 37(1): 169-176. |
| [12] |
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. Cha J P, Su H Y, Li Y Y, et al. A research on tourism industrial carbon emissions and its influential factors in China: Evidences from Chinese provincial panel data (2005~2015)[J]. Tourism Science, 2017, 31(5): 1-16. |
| [13] | Zhang J K, Zhang Y. Assessing the low-carbon tourism in the tourism-based urban destinations[J]. Journal of Cleaner Production, 2020, 276. DOI:10.1016/j.jclepro.2020.124303 |
| [14] |
李姝晓, 童昀, 何彪. 多情景下海南省旅游业的碳达峰与碳中和预测[J]. 经济地理, 2023, 43(6): 230-240. Li S X, Tong Y, He B. Prediction of tourism carbon peak and carbon neutrality based on multiple scenarios: a case study of Hainan province[J]. Economic Geography, 2023, 43(6): 230-240. |
| [15] |
查建平, 戴家权, 刘珂吉, 等. 旅游增长与碳排放脱钩状态及其驱动因素研究——一个新的脱钩分析框架[J]. 旅游学刊, 2022, 37(4): 13-24. Cha J P, Dai J Q, Liu K J, et al. Decoupling relationship between tourism growth and carbon emissions and the associated driving factors: A novel analytic framework[J]. Tourism Tribune, 2022, 37(4): 13-24. |
| [16] | Cheng J X, Xu L, Wang H X, et al. How does the marginal abatement cost of CO2 emissions evolve in Chinese cities? An analysis from the perspective of urban agglomerations[J]. Sustainable Production and Consumption, 2022, 32: 147-159. |
| [17] | Wu J X, Ma C B, Tang K. The static and dynamic heterogeneity and determinants of marginal abatement cost of CO2 emissions in Chinese cities[J]. Energy, 2019, 178: 685-694. |
| [18] | Liu J Y, Feng C. Marginal abatement costs of carbon dioxide emissions and its influencing factors: a global perspective[J]. Journal of Cleaner Production, 2018, 170: 1433-1450. |
| [19] | Wang F, Wang R Q, Nan X. Marginal abatement costs of industrial CO2 emissions and their influence factors in China[J]. Sustainable Production and Consumption, 2022, 30: 930-945. |
| [20] | Liu L W, Sun X R, Chen C X, et al. How will auctioning impact on the carbon emission abatement cost of electric power generation sector in China?[J]. Applied Energy, 2016, 168: 594-609. |
| [21] | 魏楚. 中国城市CO2边际减排成本及其影响因素[J]. 世界经济, 2014, 37(7): 115-141. |
| [22] | Wang J, Lv K J, Bian Y W, et al. Energy efficiency and marginal carbon dioxide emission abatement cost in urban China[J]. Energy Policy, 2017, 105: 246-255. |
| [23] | Shen Z Y, Bai K X, Hong T Y, et al. Evaluation of carbon shadow price within a non-parametric meta-frontier framework: the case of OECD, ASEAN and BRICS[J]. Applied Energy, 2021, 299. DOI:10.1016/j.apenergy.2021.117275 |
| [24] |
陈德湖, 潘英超, 武春友. 中国二氧化碳的边际减排成本与区域差异研究[J]. 中国人口·资源与环境, 2016, 26(10): 86-93. Chen D H, Pan Y C, Wu C Y. Marginal abatement costs of CO2 emission in China and its regional differences[J]. China Population, Resources and Environment, 2016, 26(10): 86-93. |
| [25] | Cecchini L, Venanzi S, Pierri A, et al. Environmental efficiency analysis and estimation of CO2 abatement costs in dairy cattle farms in Umbria (Italy): a SBM-DEA model with undesirable output[J]. Journal of Cleaner Production, 2018, 197: 895-907. |
| [26] | Song M L, Wang J L. Environmental efficiency evaluation of thermal power generation in China based on a slack-based endogenous directional distance function model[J]. Energy, 2018, 161: 325-336. |
| [27] | Xu L, Yang J, Cheng J X, et al. How has China's low-carbon city pilot policy influenced its CO2 abatement costs? Analysis from the perspective of the shadow price[J]. Energy Economics, 2022, 115. DOI:10.1016/j.eneco.2022.106353 |
| [28] | Li W W, Wang W P, Gao H W, et al. Evaluation of regional metafrontier total factor carbon emission performance in China's construction industry: analysis based on modified non-radial directional distance function[J]. Journal of Cleaner Production, 2020, 256. DOI:10.1016/j.jclepro.2020.120425 |
| [29] | Yue Z M, Meng L Y, Mu Y G, et al. Does foreign direct investment promote environmental performance: an investigation on shadow prices of pollutants[J]. Journal of Cleaner Production, 2023, 387. DOI:10.1016/j.jclepro.2023.135914 |
| [30] | Peng H R, Cui J B, Zhang X L. Does China emission trading scheme reduce marginal abatement cost? A perspective of allowance allocation alternatives[J]. Sustainable Production and Consumption, 2022, 32: 690-699. |
| [31] | Ren S G, Yuan B L, Ma X, et al. The impact of international trade on China's industrial carbon emissions since its entry into WTO[J]. Energy Policy, 2014, 69: 624-634. |
| [32] | Ioannides D, Gyimóthy S. The COVID-19 crisis as an opportunity for escaping the unsustainable global tourism path[J]. Tourism Geographies, 2020, 22(3): 624-632. |
| [33] | Prideaux B, Thompson M, Pabel A. Lessons from COVID-19 can prepare global tourism for the economic transformation needed to combat climate change[J]. Tourism Geographies, 2020, 22(3): 667-678. |
| [34] | Ahmad M, Zhu X W, Wu Y Y. The criticality of international tourism and technological innovation for carbon neutrality across regional development levels[J]. Technological Forecasting and Social Change, 2022, 182. DOI:10.1016/j.techfore.2022.121848 |
| [35] | Peng H S, Zhang J H, Lu L, et al. Eco-efficiency and its determinants at a tourism destination: a case study of Huangshan National Park, China[J]. Tourism Management, 2017, 60: 201-211. |
| [36] | Erdoğan S, Gedikli A, Cevik E I, et al. Eco-friendly technologies, international tourism and carbon emissions: evidence from the most visited countries[J]. Technological Forecasting and Social Change, 2022, 180. DOI:10.1016/j.techfore.2022.121705 |
| [37] | Algieri B, Füg O, Lombardo R. The Italian Journey: carbon dioxide emissions, the role of tourism and other economic and climate drivers[J]. Journal of Cleaner Production, 2022, 375. DOI:10.1016/j.jclepro.2022.134144 |
| [38] |
陈怡, 凌莉, 古圳威, 等. 陕西省碳排放时空格局演变及其影响因素[J]. 中国环境科学, 2024, 44(4): 1826-1839. Chen Y, Ling L, Gu Z W, et al. Spatio-temporal evolution and influencing factors of carbon emissions in Shaanxi province[J]. China Environmental Science, 2024, 44(4): 1826-1839. |
| [39] | Zha J P, Dai J Q, Ma S Q, et al. How to decouple tourism growth from carbon emissions? A case study of Chengdu, China[J]. Tourism Management Perspectives, 2021, 39. DOI:10.1016/j.tmp.2021.100849 |
| [40] |
杨柏, 秦广鹏, 邬钦. "双碳"目标下中国省域碳排放核算分析[J]. 环境科学, 2022, 43(12): 5840-5849. Yang B, Qin G P, Wu Q. Analysis of provincial CO2 emission accounting in China under the carbon peaking and carbon neutrality goals[J]. Environmental Science, 2022, 43(12): 5840-5849. |
| [41] |
孙玉环, 杨光春. 中国旅游业碳排放的影响因素分解及脱钩效应[J]. 中国环境科学, 2020, 40(12): 5531-5539. Sun Y H, Yang G C. Factor decomposition and decoupling effect of Chinese tourism-derived carbon emissions[J]. China Environmental Science, 2020, 40(12): 5531-5539. |
| [42] |
王峥, 程锦红, 程占红. 中国旅游业碳均衡区域差异及其影响因素[J]. 生态学报, 2021, 41(20): 8063-8075. Wang Z, Cheng J H, Cheng Z H. Regional differences and influencing factors of tourism carbon equilibrium in China[J]. Acta Ecologica Sinica, 2021, 41(20): 8063-8075. |
| [43] |
房琪, 李绍萍. 碳交易政策如何影响工业碳生产率: 来自中国省级数据的准自然实验[J]. 环境科学, 2023, 44(5): 2983-2994. Fang Q, Li S P. How do carbon trading policies affect industrial carbon productivity: quasi-natural experiments from Chinese provincial data[J]. Environmental Science, 2023, 44(5): 2983-2994. |
| [44] |
胡剑波, 李潇潇, 王蕾. 效率视角下中国产业部门隐含碳配额及边际减排成本研究[J]. 中国软科学, 2023(12): 134-142. Hu J B, Li X X, Wang L. Embodied carbon quota and marginal abatement cost of Chinese industrial sector from the perspective of efficiency[J]. China Soft Science, 2023(12): 134-142. |
| [45] | Wu D, Li S W, Liu L Y, et al. Dynamics of pollutants' shadow price and its driving forces: an analysis on China's two major pollutants at provincial level[J]. Journal of Cleaner Production, 2021, 283. DOI:10.1016/j.jclepro.2020.124625 |
| [46] |
郑琰, 蒋雪梅, 肖玉杰. 交通运输业碳排放效率时空演变及趋势预测[J]. 环境科学, 2024, 45(4): 1879-1887. Zheng Y, Jiang X M, Xiao Y J. Spatio-temporal evolution and trend prediction of transport carbon emission efficiency[J]. Environmental Science, 2024, 45(4): 1879-1887. |
| [47] |
王凯, 邵海琴, 周婷婷, 等. 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, 37(3): 1185-1192. Wang K, Shao H Q, Zhou T T, et al. Analysis of impact factors of CO2 emissions from tourism in China based on STIRPAT model[J]. Acta Scientiae Circumstantiae, 2017, 37(3): 1185-1192. |
| [48] |
林枫, 金刚. 中国县域二氧化碳边际减排成本: 基本事实、影响因素及区域差异分解[J]. 环境经济研究, 2023, 8(1): 29-52. Lin F, Jin G. The marginal abatement cost of carbon dioxide in China's counties: basic facts, influencing factors and decomposition of regional differences[J]. Journal of Environmental Economics, 2023, 8(1): 29-52. |
| [49] |
蒋伟杰, 张少华. 中国工业二氧化碳影子价格的稳健估计与减排政策[J]. 管理世界, 2018, 34(7): 32-49, 183-184. Jiang W J, Zhang S H. Robust estimation and application of shadow price of CO2: evidence from China[J]. Management World, 2018, 34(7): 32-49, 183-184. |
| [50] |
吴健生, 晋雪茹, 王晗, 等. 中国碳排放及影响因素的市域尺度分析[J]. 环境科学, 2023, 44(5): 2974-2982. Wu J S, Jin X R, Wang H, et al. Analysis of carbon emissions and influencing factors in China based on city scale[J]. Environmental Science, 2023, 44(5): 2974-2982. |
| [51] |
王凯, 余芳芳, 周晓冰, 等. 中国旅游业碳减排潜力时空演化及其影响因素[J]. 地理与地理信息科学, 2022, 38(3): 112-119. Wang K, Yu F F, Zhou X B, et al. Spatial-temporal evolution and influencing factors of carbon emission reduction potential of tourism in China[J]. Geography and Geo-Information Science, 2022, 38(3): 112-119. |
| [52] |
刘志雄, 刘艳荣. 我国产业结构升级对碳排放强度影响的空间溢出效应研究[J]. 煤炭经济研究, 2024, 44(3): 93-104. Liu Z X, Liu Y R. A study on the spatial spillover effect of China's industrial structure upgrading on carbon emission intensity[J]. Coal Economic Research, 2024, 44(3): 93-104. |
| [53] |
王凯, 何静, 甘畅, 等. 中国旅游产业结构变迁对旅游业碳排放效率的空间溢出效应研究[J]. 中国软科学, 2022(12): 50-60. Wang K, He J, Gan C, et al. Study on the spatial spillover effect of China's tourism industrial structure change on tourism carbon emission efficiency[J]. China Soft Science, 2022(12): 50-60. |
| [54] |
许嘉俊, 杨晓军, 李睿. 城市居民生活碳排放及影响因素的时空异质性[J]. 中国环境科学, 2024, 44(3): 1732-1742. Xu J J, Yang X J, Li R. The spatial and temporal heterogeneity of carbon emission and its driving forces in urban households[J]. China Environmental Science, 2024, 44(3): 1732-1742. |
| [55] |
茹雪, 雷鹏飞, 刘培. 二氧化碳动态边际减排成本及其影响机制[J]. 中国人口·资源与环境, 2022, 32(11): 43-57. Ru X, Lei P F, Liu P. Dynamic marginal abatement cost of CO2 emissions and its influence mechanism[J]. China Population, Resources and Environment, 2022, 32(11): 43-57. |
| [56] |
李云燕, 张硕. 中国城市碳排放强度时空演变与影响因素的时空异质性[J]. 中国环境科学, 2023, 43(6): 3244-3254. Li Y Y, Zhang S. Spatio-temporal evolution of urban carbon emission intensity and spatiotemporal heterogeneity of influencing factors in China[J]. China Environmental Science, 2023, 43(6): 3244-3254. |
| [57] |
王勇, 许子易, 张亚新. 中国超大城市碳排放达峰的影响因素及组合情景预测——基于门限-STIRPAT模型的研究[J]. 环境科学学报, 2019, 39(12): 4284-4292. Wang Y, Xu Z Y, Zhang Y X. Influencing factors and combined scenario prediction of carbon emission peaks in megacities in China: based on Threshold-STIRPAT model[J]. Acta Scientiae Circumstantiae, 2019, 39(12): 4284-4292. |
| [58] |
王雅楠, 李冰迅, 张艺芯, 等. 中国减污降碳协同效应时空特征与影响因素[J]. 环境科学, 2024, 45(9): 4993-5002. Wang Y N, Li B X, Zhang Y X, et al. Spatiotemporal characteristics and influencing factors of the synergistic effect of pollution reduction and carbon reduction in China[J]. Environmental Science, 2024, 45(9): 4993-5002. |
| [59] | Du L M, Hanley A, Wei C. Estimating the marginal abatement cost curve of CO2 emissions in China: provincial panel data analysis[J]. Energy Economics, 2015, 48: 217-229. |
| [60] | Zhou Q, Qu S, Hou W R. Do tourism clusters contribute to low-carbon destinations? The spillover effect of tourism agglomerations on urban residential CO2 emissions[J]. Journal of Environmental Management, 2023, 330. DOI:10.1016/j.jenvman.2022.117160 |
| [61] | Zhang L L, Xiong L C, Cheng B D, et al. How does foreign trade influence China's carbon productivity? Based on panel spatial lag model analysis[J]. Structural Change and Economic Dynamics, 2018, 47: 171-179. |
| [62] |
王凯, 刘依飞, 甘畅. 旅游产业集聚对旅游业碳排放效率的空间溢出效应[J]. 生态学报, 2022, 42(10): 3909-3918. Wang K, Liu Y F, Gan C. Spatial spillovers of tourism agglomeration on the carbon emission efficiency of tourism industry[J]. Acta Ecologica Sinica, 2022, 42(10): 3909-3918. |
| [63] | 新疆维吾尔族自治区文化和旅游厅. 2015年新疆旅游发展专项资金绩效报[EB/OL]. https://wlt.xinjiang.gov.cn/wlt/czgk/201602/c510b940301c4a8491826b54b63f2bb1.shtml, 2024-06-30. |
| [64] |
杨子晖, 陈里璇, 罗彤. 边际减排成本与区域差异性研究[J]. 管理科学学报, 2019, 22(2): 1-21. Yang Z H, Chen L X, Luo T, et al. Marginal cost of emission reduction and regional differences[J]. Journal of Management Sciences in China, 2019, 22(2): 1-21. |