这篇旅游管理论文发表了中国旅游业碳排放研究设计和方法，随着经济快速增长，人类在实现自身发展的同时也不可避免地对环境造成了不同程度的破坏。论文根据得出的研究结果提出中国旅游朝低碳方向发展的可行性建议。
关键词：旅游管理论文,碳排放,效率,时空跃迁
一、引言
2017年11月在德国波恩举行的联合国气候会谈上，国际自然保护联盟(International Union for Conservation of Nature)报告指出，联合国自然遗产名录中已有高达25%的自然遗址(包括冰川、湿地以及珊瑚礁等)因气候变暖而受到不同程度的损害，濒危的自然遗产数量从2014年的35处急剧上升至62处。
可见气候变暖对旅游目的地、旅游吸引物等主要旅游要素已造成了严重、不可逆的危害，减缓气候变暖已迫在眉睫。而中国作为当今世界旅游发展最为迅猛的国家之一，探索可持续型旅游发展模式成为当前旅游发展工作中的重中之重。《中国旅游“十三五”发展规划纲要》及党的十九大报告均指出，旅游作为带动性强、资源消耗低的战略性产业，未来将成为我国低碳发展的带动产业。因此未来旅游如何在提升产出效益的同时，降低其对生态环境的破坏，做到“经济效益”与“生态效益”齐头并进已成为当今中国乃至世界旅游面临的重大课题。
迄今为止，中国旅游业碳排放的研究主要集中于对其排放量的测算以及对旅游效率的评估模型构建。究其原因主要有：旅游业碳排放量缺乏官方统计数据，学界需要探寻科学精准的方法估算旅游业碳排放量;纯经济视角的旅游效率评估方式已不再合时，因此学者试图从生态视角构建旅游效率评估体系。创建良好的理论体系与评价框架有利于更好地评价旅游效率。但整体而言，关于旅游业碳排放研究目前尚处在抽样调查和评估模型科学性的探讨阶段。在关于旅游業碳排放总量测量的研究中，学者多采用基于过程分析的“自下而上”模型以及基于投入产出的“自上而下”模型对旅游能源消费和碳排放量进行测量和研究[1]，比如在不同尺度范围下，旅游业碳排放量测算[2-4];旅游住宿[5-6]、旅游交通[7-9]等旅游相关行业碳排放总量与强度测算。目前在学界中尚未有关于旅游业碳排放量测量公认权威的方法，囿于测量的指标、方法等因素影响，不同学者的测量结果及其准确度有所偏差。
针对旅游生态效率的评估，学者多采用考虑非期望产出的DEA分析法[10]、生态效率公式[11]以及方向性距离函数[12]的方法进行研究。但由于评价指标选取存在一定的经验性判断，因此不同学者构建的评价体系往往仅针对于不同特定情境适用。目前关于旅游业碳排放的研究主要关注总量测算与效率评估，缺乏对其空间特征的探索。空间对于社会经济理论的重要性已被广泛认可[13]，时空交互是地理学研究社会经济发展变迁的重要视角。对于旅游业碳排放问题而言，在较准确估算其排放量的基础上，在空间维度上研究其分布特征以及如何将这一系列“瞬时场景”置于时间序列中进行研究已成为未来研究的重点。已有关于中国旅游业碳排放效率的空间特征[14]研究只考虑到空间因素，忽略了时间与空间的相互关联性。
本文借助Rey等(2006)提出的探索性时空分析(ESTDA)框架[15]，采用空间自相关分析、LISA时间路径、LISA时空跃迁探究中国30个省级行政区2000—2016年旅游业碳排放效率的时空动态特征，以更好地揭示其发展规律，为低碳旅游发展提供有效依据。
二、研究设计
(一)研究对象与数据来源
省级行政区是中国旅游发展的主要决策主体，因此本文以中国30个省级行政区(除西藏、港澳台地区，下同)作为研究对象，因西藏数据缺失较为严重，在本文中暂不进行讨论。本文研究的时间跨度为2000—2016年，数据主要来源于各省统计年鉴(2001—2017年)、《中国旅游统计年鉴》(2001—2017年)、《中国能源统计年鉴》(2001—2017年)以及其他统计资料。
(二) 旅游业碳排放效率评价指标体系构建
在已有研究的基础上，本文遵从指标数据代表性、可得性和投入产出指标宜少原则(一般要求投入+产出指标数)≤[SX(]1[]3[SX)](评价单元个数)。。本文研究对象数为中国30个省级行政区(除西藏、港澳台地区)，选取5个指标构建旅游业碳排放效率评价体系，具体指标如下：
1.投入要素指标
(1)资本要素投入：资本存量能较好地反映一个行业的资本投入情况，本文选取旅游资本存量作为资本要素投入指标。《中国旅游统计年鉴》公布的旅游固定资产净值数据只更新至2000年，本文利用永续盘存法计算2000—2016年旅游固定资产净值对旅游资本存量进行替代，计算公式为：Kt=It+(1-δ)Kt-1。其中Kt为该省(区)t年资本存量，It是以2000年为基期的该省(区)t年旅游固定资产投资，δ为资产折旧率，根据已有研究，为便于计算，将其近似地设定为5%[16]，确定2000年旅游固定资产净值后，即可依此方法推算中国各省级行政区(除西藏、港澳台地区)2000—2016年旅游资本存量。
(2)劳动力要素投入：某行業的劳动力要素投入除考虑从业人员数以外还应考虑其有效劳动时间，但因缺乏旅游从业人员有效劳动时间数据，用各省(区)的旅游从业人员数近似替代。
(3)能源要素投入：为方便获取数据，用旅游能源终端消费量(实物量)作为旅游能源要素投入代理变量，包括原煤、焦炭、汽油、煤油、柴油、燃料油、液化石油气、天然气8种主要化石能源。而由于各类化石能源单位不一，在统计时需要按照各类能源折算标准煤系数将其转化为万吨标准煤(折算系数见表1)。因在《中国能源统计年鉴》中旅游业统计数据尚未公布，本文参考潘植强的方法[16]，计算旅游相关行业的消费剥离系数，把旅游相关行业(本文选取“交通运输、仓储和邮政业”“住宿与餐饮业”“批发与零售业”“游览与娱乐业”作为旅游相关行业)中因旅游活动而产生的能源消耗剥离出来。“旅游消费剥离系数”和旅游各相关行业中归属旅游部分的能源消耗表达式为：
TVAi=TRi×VARi=TRi×VAi÷TPVi(1)
i=TVAi×VAi(2)
TFij=Fij×i(3)
式(1)中TVAi为旅游相关行业i的旅游增加值;TRi为旅游相关行业i的旅游收入，根据《中国旅游统计年鉴》及《中国国内旅游抽样调查综合分析报告》计算旅游相关行业收入;VARi为旅游相关行业i的旅游增加值率我国目前只在2000年、2002年、2005年、2007年、2012年各编制过一次投入产出表，因此在没有编制投入产出表的年份采用临近年份数据测算旅游相关行业增加值率。 ;VAi为旅游相关行业i的增加值;TPVi为旅游相关行业i的总收入。其中i=1，2，3，4分别代表“交通运输、仓储和邮政业”“住宿与餐饮业”“批发与零售业”“游览与娱乐业”。式(2)中的i为相关行业i的旅游消费剥离系数。式(3)中TFij是旅游相关行业i消耗的第j种能源中属于旅游的部分;Fij为旅游相关行业消耗的第j种能源量，其中j=1，2，…，8，分别代表“原煤”“焦炭”“汽油”“煤油”“柴油”“燃料油”“液化石油气”“天然气”。
2产出指标
(1)期望产出——旅游增加值：本文选取旅游增加值作为旅游业碳排放效率评价指标的期望产出，旅游增加值是旅游生产活动所增加的价值，其数值最小，可以比较确切地反映旅游的规模和速度，旅游增加值的测算表达式为：TVAi=TRi×VARi=TRi×VAi÷TPVi，详细解释请参照上页“能源要素投入”的计算方法。
(2)非期望产出——旅游CO2排放量：旅游活动中的碳排放主要是由旅游相关行业消耗化石能源而产生的。目前中国尚未公布各行业碳排放监测数据，因此大部分研究均参照IPCC的方法，进行碳排量的测算。其表达式如下：
C=∑iTFij×γj(4)
式(4)中，C为某省(区)某年旅游碳排量;TFij为某省(区)某年旅游相关行业i的第j种能源消耗量;γj为第j种能源碳排放系数。
(三)研究方法
1考虑非期望产出的数据包络分析法
数据包络分析法(DEA)是Charmes A和Cooper WW等学者在“相对效率评价”基础上建立起来的一种考虑多输入、多输出的系统分析方法[17]，已被广泛应用于城市土地利用[18]、产业效率评估[19]等多领域的决策。但在现实生产活动中，大多数的经济行为均拥有负外部性(即非期望产出)，传统的DEA模型对投入产出的松弛性问题考虑不充分，导致高估效率。因此Tone基于松弛变量提出了非径向、非角度的SBM模型[20]，在测量效率时避免了由于径向性和角度性带来的偏差，从而使效率测量值更贴近实际生产状况。而旅游尽管一直被认为是低能耗的绿色产业，但从已有的研究和实际观察中我们不难发现旅游在进行生产活动中会排放出不少的二氧化碳从而加剧气候变暖，产生负外部性。因此在测量我国旅游效率的同时必须考虑其生态代价，才能更准确地评估其产业效率。
按照Tone的定义可得，他把每个研究对象视为一个决策单元(decision making unit， DMU)，影响决策单元效率的因素有3个：投入变量、期望产出变量、非期望产出变量，分别以：X=(x1，x2，…，xn)∈Rm×n，Yd=(yd1，yd2，…，ydn)∈Rs1×m，Yu=(yu1，yu2，…，yun)∈RS2×n表示n个决策单元的效率影响因素矩阵。其中，x1-xn为n个决策单元(即30个省级行政区)的投入变量，yd1-ydn为n个决策单元的期望产出变量，yu1-yun为n个决策单元的非期望产出变量。则规模效益不变(去掉权重和为1的约束条件即为规模效益可变)情况下潜在生产集A定义为：
2探索性时空数据分析
旅游活动具有强的空间性与时间性，因此本文从时空的角度研究旅游业碳排放效率，探究中国30个省级行政区从2000～2016年旅游业碳排放的效率时空动态变化。ESDA(Exploratory Spatial Data Analysis)通过对研究对象的空间格局进行描述和可视化操作，但其忽略了经济现象中时间这一重要因素。因此本文借助由Rey和Janikas提出的ESTDA(Exploratory Spatialtime Data Analysis)探索性时空数据模型，利用全域空间自相关、局部空间自相关、LISA时间路径、LISA时空跃迁等方法分析中国旅游业碳排放效率的时空动态变化。
(1)全域空间自相关。全域空间自相关分析描述区域内整体空间关联度和空间差异度，一般用全域Morans I(莫兰指数)检验区域空间上，研究对象是否存在空间集聚性。其表达式为：
式(8)中，n为研究对象个数，即30，Zi为i省(区)碳排放效率值，Wij为区位邻接关系权重矩阵，在生成邻接矩阵时，将海南定义为与广东、广西相邻，避免产生“孤岛”。Morans I∈[-1，1]，当Morans I=0时，说明旅游碳排放效率在空间上随机分布;当Morans I>0且Morans I→1时，说明旅游碳排放效率整体上具有空间集聚效应，即旅游碳排放效率较高或较低的研究单元在空间上集聚;当Morans I<0且Morans I→-1时，说明旅游碳排放效率整体上具有空间差异性，即旅游碳排放效率在空间上呈现高低间隔分布状态。
推荐阅读：中国国家旅游以旅游展示中国形象，以具有永恒价值的内容为读者提供超越景观的挚爱阅读体验。本刊关注出行热点、旅行精神体验和心灵探索，为读者提供具有永恒价值的内容和超越景观的挚爱阅读体验，满足深度人文阅读需求是中国实力人群的理想读本。