1研究综述
近两年来，重庆以其独特的山水格局和多层次的立体城市风貌，在新媒介传播的推动下迅速成为“网红城市”，吸引大量游客。携程旅游和百度联合制作的《2018年城市旅游度假指数报告》显示，重庆位居全国游客数量增长最快的十强城市榜首。如何在保持旅游经济增长的同时降低旅游业二氧化碳排放量，是旅游业实现绿发展必须重视的问题。因此，学者们开始探寻影响旅游业二氧化碳排放的主要因素。孙燕燕运用“自下而上”法估算上海市旅游碳排放量，并运用因素分解技术将碳排放变化分解为5种效应。马月琴等基于长江中游省域面板数据，建立向量自回归模型，分析产业结构、旅游业发展与碳排放的演变特征及影响机制。王景波等利用山东省旅游业的面板数据，借助空间自相关模型，测算碳排放强度，并从动态视角分析接待强度等影响因素的作用。汤姿等通过STIRPAT模型研究黑龙江省旅游业碳排放影响因素。
2研究目的和方法
根据现有文献可以发现，国内研究旅游业碳排放影响因素的文献不是很多，并且大部分研究其与经济的脱钩关系，或是多个城市面板数据之间的对比分析，研究具体某个城市旅游业碳排放的影响因素少之又少。重庆作为旅游热地，鲜有学者对其旅游业碳排放展开研究，存在研究空白。基于此，本文使用自下而上法、STIRPAT模型、岭回归、GM（1，1）灰预测模型进行研究，以期为重庆市乃至全国类似地区的旅游业低碳减排工作提供借鉴。
3数据来源
本研究选择重庆市的旅游业为研究对象。由于需要对数据进行线性回归，选取较长时间段内的数据进行分析能得到更准确的回归结果，但鉴于2000年前的重庆市旅游业相关数据很难获取，最终选取2000-2019年的相关数据，用于本研究的分析。2000-2019年，重庆市旅游业碳排放总量从53.41万吨增加至213.52万吨，翻了近5倍，总体上呈现出持续增长的态势。这主要是因为经济的快速发展和旅游规模的不断扩大，从而导致了旅游业碳排放量的不断上升。
4STIRPAT模型分析
重庆旅游点 为了排除各个变量之间的多重共线性问题，采用岭回归进行拟合。经过多次实验拟合，最终选取岭回归系数K=0.17，此时各个变量都趋于稳定的最小数字（见表1）。此时R2为0.978，说明选取的各个因素能够97.8%对碳排放量进行解释。各因素显著性都小于0.05，说明都与旅游碳排放量显著相关。首先，第三产业的发展是旅游碳排放增加的最大因素。从2019年数据看，重庆旅游业带来的收入占重庆第三产业收入的40.8%，与旅游业相关的交通运输、住宿、餐饮业和房地产业，增加了对能源的需求，由此引发了旅游业碳排放的大幅增加。其次，城镇化率是旅游碳排放增加的第二大因素。2000-2019年，重庆市城镇化率从36%增加到67%，城镇化率的提高有助于丰富旅游活动内容和消费结构，延长游客驻留时间。第三，人均旅游支出是旅游碳排放增加的第三大因素。2000-2019年，重庆市人均旅游支出从446元/人增加到873元/人。第四，旅游人次是旅游碳排放增加的最小因素。2000—2019年，重庆市旅游者增长了20余倍。如此大规模的人口流动，必然会带动旅游业能源消费的增长，进而导致旅游业二氧化碳排放量的增加。第五，碳排放强度的增加是旅游碳排放降低的较大因素。2000年以来，重庆碳排放强度一直处于波动下降态势，但下降幅度不大，平均每年下降11%。第六，交通碳排放比例的增加是旅游碳排放降低的较小因素。2000年以来，重庆交通碳排放比例也一直处于波动下降态势，平均每年下降2%。
旅游交通的绝对支出费用相对固定，其比例的上升主要反映了旅游总消费的减少和碳排放强度的降低。第七，人均旅游收入对数（lnA）的二次项系数为2负值，即在观测数据范围内，人均旅游收入与旅游业碳排放量之间已表现出环境库兹涅茨曲线所预示的关系，这说明重庆地区的旅游经济发展已开始与环境保护实现协同发展。
5情景分析
5.1情景设定
为分析评价不同节能减排政策和发展路径对重庆市旅游业碳排放的影响，本研究设定了基准情况和综合控制情况，使用灰关联分析法进行相关因素的预测，从而预测2025年的旅游碳排放情况。（1）基准情况：未采取进一步措施政策，保持惯性发展的情景，基本反映了重庆市自然引导型的旅游碳排放状态。（2）综合控制情况：对影响重庆市旅游碳排放的影响因素进行全面调控，设定了低增长/下降（L）和高增长/下降（H）两种不同发展水平。其中，由于第三产业比重升高属于发展需要，对此只能协调其与碳排放的关系，因而取其的自然增长状态。此外，由于今年疫情的特殊性，情况难以估计，本研究暂不考虑疫情带来的影响。各因素增长率设定情况如下。旅游人次：为防止类似2003年非典带来的影
响，计算2014-2019年人次的年均增长率为16.5%。考虑游客受人口等客观条件的限制，不可能无限上涨的现实，设置2020-2025年高、低增长率分别为15%和8%。其他因素：根据历史数据，其他因素在2000-2019年都属于波动状态，因而分别选择年变化率的最大值和最小值作为两种综合控制情况的参考值：人均旅游支出增长率为20%和0.2%，旅游业碳排放强度降低率为21%和3%，交通碳排放比例降低率为6%和1%，城镇化增长率为7%和1%。
5.2基准情况预测
将2000-2019年旅游人次等各项因素代入GM（1，1）灰预测模型，先进行2000-2019年预测值的检验，再进行合理预测。经校验，其中各模拟数据后验差比C值均小于0.35，意味着模型精度等级非常好。
5.3综合控制情况预测
设定九种情景（见表2）。各因素变化情况取ln值（见表3）。得到S1-S9情景下旅游业碳排放量（见图1）。
5.4预测结果分析
（1）2025年基准情景（S1）下重庆市旅游排放量为306.13万吨。如果旅游人次、人均旅游支出、城镇化低速增长，碳排放强度高速下降、交通碳排放比例低速下降（S2），即为最能促进碳排放量降低的情景，则2025年的碳排放量为268.81万吨，相对于基准情景将降低37.72万吨，占基准量的12%。然而，如果各因素增速与S2相反（S3），即为最不利于碳排放量降低的情景，相对于基准情景将增加89.31万吨，占基准量的29%。而S3和S3相差碳排放量达到123.03万吨，足可见采取合适的碳减排措施产生的效果之大。（2）在S1的基础上，若碳排放强度和交通碳排放比例分别保持低下降率和高下降率（S4），2025年的碳排放量相对于基准情景将升高5.87万吨；反之，如S5，则碳排放量将下降38.93万吨；S4和S3模式相差44.8万吨，由此可见，在旅游行业推进清洁煤技术的产业化，重点从交通、住宿、餐饮方面提高煤炭资源的利用效率，以及提高交通耗碳比例，有助于减少二氧化碳的排放量。（3）在S3的基础上，城镇化进程以正常的速度推进（S6），相对于S3情景，碳排放量将下降46.81万吨，减缓效果大于S3，超过基准情景的一半之余。这说明即使在其他因素最不利于碳排放量减少的情景下，只要保持城镇化的稳定增长，就不会使得碳排放量增长过激。（4）为进一步比较城镇化带来的影响，将S7和S8进行对比，这两
个情景的其他因素都为正常增加，城镇化率分别高速和低速增加，可以看到，二者碳排放量相差49.22万吨，远超于S2和S3差距的1/3，足可见城镇化在旅游碳排放中的重要作用。（5）城镇化和碳排放强度作为促进和抑制碳排放量增加的两大因素，通过S9与S1比较，可以发现当二者的促进和抑制作用最大发挥时碳排放量的变化。最终得到数值为349.67万吨，大于基准情况43.54万吨，这说明即使碳排放强度按照历史规律最大限度发挥作用，也不能缓解高速城镇化带来的减排压力。
发布评论