《旅游业资源名片效应、区位因素对空气污染的影响》-经济学论文，人口资源与环境论文-论文范文参考-科学狗论文网

标题

旅游业资源名片效应、区位因素对空气污染的影响

范文

曾婧婧保瑞温永林

摘要?旅游业正日益成为促进区域协调发展的优势和先导产业，但随之而来的是不合理的旅游开发和不断扩张的旅游消费引致的环境污染，其中空气污染成为公众高度关注的热点。研究以2005—2017年中国地级及以上城市的雾霾（PM2.5）和二氧化硫（SO2）排放数据，实证检验旅游发展对中国城市空气污染的影响、作用机制及不同城市空间范围内旅游污染效应的差异。在考虑大气污染物空间溢出和扩散效应的前提下，基于贝叶斯后验模型概率，在两种空间权重矩阵设定下建立空间杜宾误差模型（SDEM）进行回归分析。研究发现：①旅游发展与PM2.5和SO2的直接效应均呈“倒U”型关系，表明旅游业发展对城市空气污染具有旅游“环境库兹涅茨”效应。②旅游名片对旅游业发展和城市空气污染的二元关系具有调节作用。在同等旅游产业要素规模以及游客数量的条件下，获批“国家旅游名片”的城市比没有名片的城市单位旅游收入的增加会带来更多的空气污染排放。③旅游业发展对城市空气质量的影响存在区位差异，西部地区城市和规模较大的城市旅游业发展产生的SO2污染更严重。文章研究结果在经过更换权重矩阵以及删除特定城市样本后依然稳健。基于结论，文章认为治理旅游空气污染亟须推动形成绿色旅游生产方式和旅游生活方式，倡导绿色保护性开发和旅游者经济出行;各地区要加快淘汰或转变落后的旅游开发经营模式，争取早日进入“拐点”;国家应谨慎认定旅游名片，适当提高准入门槛;旅游空气污染治理要因地制宜，西部地区及大城市地区应加强旅游污染治理投入，提升污染治理水平。

关键词?旅游发展;空气污染;名片效应;区位因素;贝叶斯估计

中图分类号?X51文献标识码?A文章编号?1002-2104（2020）11-0194-12?DOI：10.12062/cpre.20200429

随着居民收入增长和消费结构升级，旅游成为越来越多人参与的现代生活方式之一。近年来，中国跃居全球国内旅游业发展最快的国家。据文化与旅游部统计公报显示，2018年国内旅游人数55.39亿人次，实现旅游总收入5.97万亿元。全年旅游业对GDP的综合贡献为9.94万亿元，占GDP总量的11.04%，远高于全球平均水平5%[1]。然而与上述旅游繁荣形成鲜明对比的是，2018年全国 338 个地级及以上城市中，217個城市环境空气质量超标，占64.2%[2]。城市空气污染是一个开放、复杂的系统，那么旅游业发展是否也是造成城市空气污染的“元凶”之一呢？

传统惯性思维认为，旅游业是一种资源消耗低、环境破坏小的绿色生态型产业[3]。但需要指出的是，旅游业并非天生的绿色产业，旅游产业发展也存在“非绿色”的问题。Lenzen 等[4]基于160个国家的旅游业碳排放数据研究发现，2009—2013年，全球旅游碳排放量从3.9亿t增加至4.5亿t，占全球碳排放的8%。旅游业在带动制造业、交通运输业以及住宿和餐饮业等旅游相关行业快速发展的同时，随着要素投入的增加，诸如旅游能源消费、旅游资本存量、交通设施条件及旅游辅助设施的盲目扩增，也带来了突出的旅游污染问题，其中公众感知最强烈的空气污染问题越来越引起人们的高度重视。

鉴于此，本文以城市为基本考察单元，将大气污染的空间溢出效应考虑在内，分析旅游业的空气污染效应。考虑的第一个问题是：旅游业发展是否造成了城市空气污染？进一步地，近年来各地方政府都热衷于对旅游景区资源进行“认证”，通过认证产生的“旅游名片”效应可以在短期内促进旅游业的较大发展，这一举措是否会进一步导致大气环境的恶化？旅游环境污染是否存在“名片效应”？这是本研究的第二个问题。更进一步地，中国城市在区位分布与规模大小方面均表现出较大的差异，那么在不同空间单位及空间单元内，旅游业的发展对城市空气污染是否具有异质性影响？本文利用2005—2017年中国285个地级市的数据展开研究。考虑到大气污染的空间相关性特征，文章运用贝叶斯统计方法在不同空间权重矩阵设定下构建空间杜宾误差模型进行回归分析。

1?文献回顾与研究假设

1.1?旅游发展与空气污染

旅游业作为构成一国经济体量的重要组成部分，越来越被视为国家经济增长的有效引擎，尤其是在新兴经济体国家，旅游业取得了令人瞩目的成就[5-6]。然而，近年来旅游业在促进经济增长的同时也带来令人困扰的新问题——旅游环境污染[7-8]。因此，当前越来越多的研究开始关注旅游业发展的环境污染效应[8-9]。其中公众感知最为强烈的空气污染日益成为关注焦点。

关于旅游空气污染效应，旅游碳污染效应是当前文献反复讨论的话题[10-15]。钟永德等[10]通过构建碳排放计量体系，实证测度发现，2007 年中国旅游业碳排放总量高达1.70×10.8 t。Zhang等[11]利用中国1995—2011年省际面板数据，研究了国际旅游对中国经济增长、能源消耗和环境污染的影响，并且以二氧化碳排放为环境污染的代理变量，研究结果证明在中国东西部地区存在旅游环境库兹涅茨效应。Azam 等[5]利用马来西亚、新加坡和泰国的跨国数据对旅游发展的环境效应进行了检验。研究发现，旅游业发展增加了马来西亚能源使用，导致其二氧化碳排放增加;相反，旅游业发展却减少了新加坡和泰国的二氧化碳排放，通过推动旅游业发展改善了两国环境问题。Ahmad 等[7]同样是以东南亚经济体（印度尼西亚、菲律宾和越南）数据检验了旅游业与环境污染（碳排放）之间的关系。研究发现，印度尼西亚和菲律宾旅游业对环境具有负面影响;相反，旅游业改善了越南的环境质量。这一结果意味着同一地区不同国家之间由于旅游经济发展阶段和相应的环境保护政策不同，旅游业发展与环境污染之间的关系也存在一定差异。Koak等[13]研究了旅游业发展对游客访问量最大国家二氧化碳排放的影响，发现游客入境会导致二氧化碳排放增加，而随着旅游收入增加，二氧化碳排放会减少。当然，除了关注旅游碳污染外，亦有研究开始关注到旅游业发展对具体空气污染物（如PM10、NOX等）产生的影响。Saenz-de-Miera 等[16]在研究马略卡岛旅游经济发展案例时发现，旅游业是环境外部性增加的重要原因，并实证检验了马略卡岛旅游业对具体空气污染指标PM10浓度水平的影响，结果发现游客数量增加1%可能导致PM10浓度增加0.45%。Russo 等[17]以葡萄牙为例，估算了旅游业对大气污染的影响。结果表明，旅游活动最多造成了67.6%航空业的NOX和PM10排放，以及20.6%固定燃烧部门的NOx和15.1%运输部门的PM10排放。

旅游能源消耗是产生旅游环境污染负外部性的主要来源。据2016年《世界能源展望（World Energy Outlook）》报告统计，约85%的颗粒物（PM）和几乎全部的硫氧化物（SOx）和氮氧化物（NOx）都来自能源生产与消耗。旅游业六要素部门（交通、住宿、餐饮、游览、娱乐、购物）与旅游关联产业部门运营所依赖的巨大能源消耗是旅游空气污染的根本原因[18]。以酒店住宿和交通为例，Rosselló-Batle 等[19]在研究巴黎阿里群岛酒店生命周期时发现，酒店能源消耗是导致巴黎阿里群岛空气污染的主要原因之一。因为作为高消费场所，星级酒店饭店需要消耗大量的资源和能源，如电、煤、油、气、水等消耗[20]、酒店“六小件”物质消耗。孙建超[21]指出中国大部分饭店锅炉使用煤、柴油等矿物燃料，燃烧时会产生烟尘、NOx、SO2等排放物，造成对大气的污染。作为旅游业发展的另一核心要素——交通运输（包括航空、游轮、陆路），其为游客提供了多地往返的运输服务，但目前大多数交通运输方式均以柴油、汽油等燃料为动力来源，难免产生尾气废气排放[22-24]。以汽车为例，作为游客短距离流动的首选交通工具，汽车尾气是城市空气污染的重要源头之一，尤其以低速运行的车辆为甚，可以产生更多的颗粒物和带来更严重的城市空气污染[25]。基于上述分析，本文提出如下假设：

旅游业发展会对城市大气污染产生影响，并存在环境库兹涅兹效应。当旅游经济发展水平较低时，污染物会随着旅游业发展呈现增加趋势;当旅游经济发展水平较高时，污染物排放会随着旅游经济的持续增长而逐渐减少。

1.2?旅游资源认证的“名片”效应

旅游业是资源导向型产业[26]。中国悠久的历史文化和多样的自然地理条件造就了丰富的旅游资源[27]，为旅游业发展奠定了重要基础。改革开放以来，中央及各级地方政府逐渐开始重视旅游经济在区域发展中的作用，并对各地区旅游资源进行开发，为此，政府开展了名目繁多的“旅游名片”塑造活动[28-29]。目前学术界关于“旅游名片”尚无统一的定义，结合研究实际，参考张少刚等[30]对“名片”及“荣誉名片”的定义，本文将旅游名片定义为中央及地方政府、社会团体和权威机构根据一定标准对各地旅游资源进行评比、评级，赋予旅游景点的名称、牌匾和荣誉称号等头衔，它反映了一个旅游景点的特色和旅游价值。如国家级风景名胜区、国家历史文化名城、国家级森林公园、国家级地质公园等。

旅游名片塑造活动对于地区旅游经济发展具有重要作用。通过旅游名片“认证”，不仅可以提升景区旅游价值，同时可以形成旅游“品牌效应”，产生广告作用，随之市场价值得到提升，从而吸引更多的游客，创造更多的旅游收入[31]。此外，旅游名片作为城市旅游经济发展的重要资源载体[32]，本身具有历史、文化和自然生态等多维价值，是发展旅游业的主要吸引物[33]。对于旅游者来说，旅游名片具有价值高、魅力大、知名度高的特点。考虑到最大信息收集量原则和游客旅游时间限制的影响，旅游名片受到普遍的关注和欢迎，成为公众旅游的主要目的地[34]。

1.3?城市区位与规模的异质性效应

城市是我国基本的行政单元。我国地域广阔，每个城市坐落于不同的区位。根据20世纪80年代提出的东、中、西三大经济带划分标准，可以将城市分为东部城市、中部城市和西部城市。城市区位不同意味着旅游资源分布、旅游经济发展水平、生态承载能力以及污染治理能力的不同。诸多研究表明，中国旅游业发展与旅游资源呈现区域不均衡性特征[35-38]，基本结论是东部地区旅游业发展水平最高，但资源相对匮乏;中西部地区旅游资源相对丰富，但旅游业发展处于较低水平。而在环境治理方面，东部地区治理能力明显优于中西部地区[39]。

作为旅游发展的功能地域，城市规模是旅游业成长的重要影响因素。研究表明旅游发展与城市综合规模表现出明显的梯度等级结构，规模越大的城市，国内旅游发展水平也越高[40]。柳百萍[41]以安徽省17个城市为例，研究发现城市旅游呈现位序规模分布，并指出城市规模是旅游规模差异产生的原因之一。

2?实证研究设计

2.1?数据来源与变量描述

本文实证分析采用的是中国285个城市的面板数据，取值区间为2005—2017年。其中， PM2.5浓度指数和SO2排放量数据分别来源于国泰安数据库和《中国城市统计年鉴》，旅游收入和旅游人數数据来源于中国国家统计局和《中国旅游统计年鉴》。受地级市数据限制，借鉴范子英和赵仁杰[42]的做法，能源消费数据选自《中国能源统计年鉴》省级指标，其余城市社会经济指标均来自《中国城市统计年鉴》。

具体而言，本研究的被解释变量为城市空气污染。我们选择细颗粒物PM2.5（粒径≤2.5μm，即雾霾）浓度指数和二氧化硫（SO2）的年度排放量作为代理变量。PM2.5和SO2是生态环境部规定的6种大气主要污染物评价项目之一（HJ 663-2013），被广泛用于评价城市空气污染水平[42-43]。本文的核心解释变量是旅游经济发展，采用城市接待游客数量（万人）和旅游经营收入（亿元）作为衡量指标，取对数后纳入模型。同时，为了检验旅游经济发展程度对城市大气环境的动态影响，游客数量和旅游收入的二次项也被纳入模型。除此之外，本文还控制了其他与空气污染有关的变量，包括地区人口规模[44-45]、城市人口比重[46]、人均国内生产总值[47-48]、能源消费结构[49]、产业结构[50-52]、对外开放度[53]以及工业发展水平[52]。

表1为各变量的描述性统计结果。从表中可知，空气污染在不同城市间或不同时间上存在较大差异。以城市工业SO2排放量为例，2014年三亚市SO2排放量仅为2 t，而2005年重庆市SO2排放量达68.316万t，反映出了不同城市、不同时期空气污染程度差异显著。各地区旅游人数和旅游收入地最小值分别为1.651、0.897，最大值为10.900、8.541，表明各地区旅游发展差异也较大。比如2017年，旅游人数方面，重庆市达到5.42亿人次，而七台河市为76.11万人次;旅游收入方面，北京市达到5 122.4亿元，但金昌市仅22.5亿元。

2.2?空间自相关检验

既有研究表明，自然因素（如地理和气象条件）和社会经济因素（如城镇化和工业化）都会导致大气污染的空间依赖性和异质性特征[54]。因此，为了提高估计的精度和效率，考察空气污染须考虑其空间溢出效应，进行空间相关性分析。空间自相关分析的前提是选择合适的标准度量空间单元之间的关系。为此，本文根据地理邻接标准和地理距离标准构造空间邻接权重矩阵和空间逆距离权重矩阵。当城市i与城市j存在共同的行政边界时，空间邻接矩阵Wij为1，否则为0，其表达式为：

与此同时，本文构建空间逆距离矩阵Wdis，其中d表示i和j两个城市之间的地理距离。

基于上述矩阵，我们计算莫兰指数（Morans I）对城市空气污染指标PM2.5和SO2进行了空间相关性检验。Morans I取值范围为[-1，1]，Morans I>0表示观测要素之间具有空间正相关性;Morans I < 0说明观测要素之间具有空间负相关性;Morans I = 0表明空间单元的观测要素随机分布，无空间相关性。莫兰指数具体可以分为全局莫兰指数（Global Morans Index， GMI）和局域莫兰指数（Local Morans Index， LMI）。全局莫兰指数体现的是所有空间单元在整体上的空间分布情况，而局域莫兰指数则可以体现各个空间单元的空间集聚特征。基于一阶空间邻接权重矩阵（Wij）的全局莫兰指数计算公式为：

其中，n表示城市空间单元数，xi和xj表示样本城市i和j的PM2.5指数和SO2的排放量，是x的平均值，Wij是n×n维的空间邻接权重矩阵。

利用Stata16.0软件计算了2005—2017年PM2.5和SO2的GMI指数（详细结果省略备索），发现GMI指数z得分（z_score）均大于1.96，且在一阶邻接权重矩阵和逆距离权重矩阵下均在1%的水平上显著为正，由此说明中国城市大气污染存在明显的正空间相关性（即高污染（低污染）城市呈现空间集聚特征），这初步表明应该选择空间计量模型进行估计。

为进一步刻画各城市大气污染局部空间特征，计算LMI指数，表达式为：

其中，Zi 和 Zj是城市i和城市j的PM2.5或SO2的标准化值，Wij的含义与（3）式一致。

根据LMI指数，绘制PM2.5和SO2莫兰散点图（囿于文章篇幅，此处只列示2017年的图示结果）。如图1（a）、1（b）所示。PM2.5和SO2与其空间滞后项均呈现出显著的正相关关系，这进一步说明空气污染存在空间上的集聚特征。

2.3?空间计量模型选择

空间计量实证研究的前提和基础在于选择能够较好描述数据空间特征和经济现象的模型，这也是数据分析的重要环节[55]。关于空间建模方法，目前存在频率学派和贝叶斯学派两种不同的选择策略。频率学派如Burridge等分别于1980年和1988年提出非空间模型和SEM模型/非空间模型和SAR模型的LM检验法则。1996年Anselin等又进一步提出SAR模型和SEM模型的LM检验方法。而贝叶斯学派最早将贝叶斯方法应用于空间计量研究的是Hepple和Lesage[56]。2004年Hepple正式尝试将贝叶斯统计方法用于空间计量模型选择。尽管如此，当前空间计量模型的实证研究中，仍以频率学派的方法（LM检验、似然函数、Wald检验、AIC/BIC/HQ信息准则）为主。虽然贝叶斯方法常因为本身的主观性而遭到质疑，但学界普遍承认贝叶斯方法允许合理应用先验信息得到一个未来经济结果的概率分布，比频率学派通过用统计量来描述更为合理[56]。

贝叶斯后验模型概率检验的基本思想是设先验概率等于1/n（n表示模型数量），首先使每个模型的先验概率相等，再通过贝叶斯模型估计每个模型，基于数据计算后验概率并估计n种模型的估计结果[57]。贝叶斯方法的一个独到优势就在于其可用于不同的空间权重矩阵和不同模型设定或不同的解释变量之间的横向与纵向比较[56]。本研究具体借鉴Yesilyurt等[58]的做法，将贝叶斯估计方法用于空间计量模型选择。表2是通过软件Matlab2018b计算得到的模型概率结果。选取了两个被解释变量和两个解释变量，并构造了2类空间权重矩阵，多对多组合得到32个空间计量模型。表2中数值表示对应模型与不同权重矩阵组合下，该模型在所有模型里为真的概率，数值最大者表明对应的模型与权重矩阵组合即为最优的结果。其中SAR、SDM、SEM和SDEM分别表示空间自回归模型（spatial autoregression model，SAR）、空间杜宾模型（spatial Durbin model，SDM）、空间误差模型（spatial error model，SEM）和空间杜宾误差模型（spatial durbin error model，SDEM）。

如表2所示，当被解释变量为PM2.5时，对应的最优模型与权重矩阵组合为SDEM模型和逆距离空间权重矩阵（Wdis）;当被解释变量为SO2时，对应的最优模型与权重矩阵组合为SDEM模型和一阶邻接权重矩阵（Wij）。基于此，建立SDEM模型作为基准回归模型：

其中，i为城市，t为年份，W1代表空间权重矩阵，Air_pollutioni，t和W1×Air_pollutioni，t表示被解釋变量（i城市t年的PM2.5浓度和SO2排放量）及其空间滞后项，ln_tourismi，t和W1×ln_tourismi，t分别表示解释变量（i城市t年的旅游收入和旅游人数）及其空间滞后项，Xi，t为控制变量向量，W1×Xi，t代表控制变量的空间滞后项，τt 表示时间固定效应，ηi表示空间固定效应，εi，t是随机误差项，W1×εi，t表示随机误差项的空间交互项。

3实证结果

3.1?基准模型回归分析

根据贝叶斯方法选择两类空间权重矩阵设定下的SDEM模型作为基准回归模型，结果见表3。

从表3可以看出，不论被解释变量是PM2.5还是SO2，空间自回归系数ρ均显著为正（P<0.01），表明城市间空气污染物具有正的依赖性，换言之，相邻城市或者距离较近的城市存在着相似的污染物空间集聚特征（高值集聚或低值集聚）。对于空间误差自相关系数λ而言，当被解释变量为PM2.5时均显著为负（P<0.01）。而在被解释变量为SO2的模型中，模型4中的空间误差自相关系数显著为负（P<0.1），模型2空间误差自相关系数不显著，表明来自相邻城市或距离较近城市的不可观测因素或遗漏变量对PM2.5的影响具有负向空间相关性，而对PM2.5的影响存在部分负向空间相关性。整体结果进一步证实了前文关于地级市空气污染存在空间相关性的判断，从而肯定了使用空间面板模型引入空间因素对经典线性模型予以修正的必要性和有效性。

3.2?直接效应和间接效应分析

空间计量模型估计之后一个重要的应用就是检验空间溢出效应是否存在，并成为空间计量分析的标准模式。Leasge 等[59]提出用偏微分方法对回归结果进行直接效应和间接效应分解。其中，直接效应解释的是某地区解释变量对被解释变量的平均效应，间接效应解释的是某地区解释变量对其他地区被解释变量的平均效应，总效应是直接效应和间接效应的总和。根据表3，可以得到表4中对旅游业空气污染效应的分解结果。

结果显示，在以PM2.5为被解释变量的模型中，旅游人数直接效应的一次项系数ln（tourists）显著为正，二次项系数（ln（tourists）.2）显著为负，说明旅游人数与本地区PM2.5呈现出显著的“倒U”型相关关系，也就意味着旅游人数的增加将使得本地空气中可吸入颗粒物PM2.5先增加后减少。旅游人数与PM2.5的“倒U”型曲线“拐点”将在旅游人数对数值为5.447时出现，也即当城市旅游人数超过232.061万人次时，旅游人数的增加将使得本地PM2.5排放降低。旅游人数的间接效应不显著，旅游收入的直接效应不显著，综合可以看出，旅游人数与本地空气中PM2.5排放呈“倒U”型相关关系。这其中的原因可能是，在城市旅游产业发展早期，往往存在过度开发、无序竞争和盲目引进高污染旅游项目等短视行为，加上政府环境规制措施未能及时适应城市发展需要，其对旅游环境污染的约束力较弱，导致旅游产业发展在当地产生大量可吸入颗粒物PM2.5。

在以SO2为被解释变量的模型中，旅游人数和旅游收入直接效应的一次项系数均显著为正，二次项系数均显著为负。这说明旅游发展与本地区SO2排放呈显著的“倒U”型相关关系。当旅游人数的对数值超过6.043（42.155万人次）以及旅游收入对数值超过3.296（27.004亿元）时，旅游人数和旅游收入的增加将使得本地SO2排放减少。旅游发展对SO2排放的间接效应均不显著。

3.3?稳健性检验

为了保证估计结果的可靠性，基于不同空间权重矩阵和子样本重新开展辅助验证。囿于文章篇幅，结果省略。

3.3.1?更换空间权重矩阵

邻域范围和空间距离是影响大气污染物空间扩散的重要因素。基于此，结合贝叶斯统计方法对两类污染物分别选择了逆距离权重矩阵和一阶邻接矩阵进行回归。因此首先对两个被解释变量互换空间权重矩阵进行回归，结果同表4基本一致。此外，由于所考察的地级市在地理上彼此逐个接壤、邻近，采用二阶邻接矩阵（W2=Wij×Wij）和三阶邻接矩阵（W3=W2×Wij）进一步回归，并在此基础上进行对比分析，结果表明旅游经济发展对地级市空气污染的影响并没有随着对空间关系定义的不同而产生差异显著的结果。这说明选择不同的空间距离度量方式会在一定程度上导致估计结果发生细微变化，但这并不影响结论的稳健性。

3.3.2剔除直辖市/省会城市

在我国，直辖市（北京市、天津市、上海市、重庆市）不仅在行政等级上属于省一级，而且在经济体量、人口规模、环境污染水平等方面与一般的地级市存在较大差异。以空气污染为例，上海市和重庆市是SO2排放最多的城市之一，包含这四个直辖市的样本观测值可能导致研究结果有偏。为此剔除4个直辖市样本，回归结果显著性表现与基准回归结果基本一致。

此外，考虑到省会城市往往是一个地区的政治、经济、文化和人口中心，拥有更多其他城市没有的资源集中优势和政策特惠优势。同时，悠久的发展历史和丰富的旅游资源使省会城市成为旅游者选择的热门观光城市。与此同时，省会城市也是空气污染的集聚地，污染水平往往比其他城市更高。因此城市级别的差异可能使研究结果产生偏误。鉴于此，在前述样本基础上同时剔除直辖市和省会城市，对剩余城市样本进行分析。结果表明，不同设定条件下关键变量的系数方向和显著性水平基本保持不变，进一步表明计量结果具有相当的稳健性。

4进一步分析名片效应与区位因素

4.1旅游资源认证的名片效应

旅游名片是城市旅游经济发展的重要资源载体[54]。进一步地，本文从旅游名片的角度探讨其对旅游污染的影响机制。为此，基于数据可得性和代表性原则，收集整理了三种类别国家级旅游名片（国家级风景名胜区、国家级历史文化名城、国家级森林公园）“认证”数据，并通过设置二值虚拟变量将其嵌入到面板数据结构中进行调节效应分析。表5报告了以国家级风景名勝区作为调节变量的回归结果，以另外两种国家级名片作为调节变量的回归结果与之类似，为节省篇幅，此处省略结果。此外，以PM2.5为被解释变量的模型在加入调节变量后调节效应均不显著，因此表中未报告相关结果。这可能是因为PM2.5形成最主要的来源是机动车尾气、生物质燃烧和燃煤等居民日常生活。而国家级旅游名片涉及的是大多数产业部门的生产行为，在运营与生产过程中不可避免地消耗大量能源导致SO2排放。因此，基于以上分析，我们仅对城市SO2排放进行调节机制解释。

表5报告的是加入国家级风景名胜区虚拟变量与旅游发展一、二次项交互项后，旅游发展对中国城市SO2排放的直接、间接效应。三个调节变量对地级市SO2 排放的直接效应均显著为负（P<0.01），说明获得国家级旅游资源名片“认证”与本地区SO2的排放具有抑制作用。此外，“国家级旅游名片”与旅游发展的直接效应一次项交互项系数显著为正（P<0.01），二次项交互项系数显著为负（P<0.01），意味着加入调节变量后，旅游发展与中国城市SO2排放呈显著的“倒U”型相关关系。从上述分析可知，国家级旅游名片对旅游发展与SO2排放的二元关系具有正向调节作用，即对比同等旅游产业要素规模以及游客数量的条件下，获批“国家旅游名片”的城市比没有名片的城市，单位旅游收入的增加会带来更多的SO2排放。可能的原因是：通过行政认证而非市场自由选择的方式，人为造成了被认证旅游景区的超规模发展，当治理能力没有相应提升的前提下，名片认证甚至会带来负面影响。

4.2?旅游空气污染的城市区位效应

对旅游污染效应的城市区位异质性进行检验。根据东中西三大经济地带的划分标准对城市进行空间定位，将全国分为东部（East）、中部（Middle）和西部（West）三组子样本分别进行回归，并将地区虚拟变量与核心自变量的交乘项纳入模型，结果如表6所示。其中，第1至第3列的结果表明，不同地区旅游业发展对SO2排放的影响虽然仍满足库兹涅茨曲线形式，但是地区之间存在较大差异。一方面，在一次项系数方面，中部地区相对最低，而西部地区相對最高，说明中部地区旅游业发展中引致的SO2排放相对较低，而西部地区则相对较高。另一方面，在二次项系数方面，中部地区相对最小，其次是东部地区，而西部地区最大，说明西部地区在旅游引致的SO2治理方面做得更好，而中部地区则相对较差，这可能与该地区的旅游业发展引致的SO2排放相对较低，因而在治理方面也相对重视不足有关。当以旅游收入为解释变量时，回归结果仍显示出类似的差异（结果略），进一步说明了上述结果的稳健性。当因变量为PM2.5时，系数不显著。

4.3?旅游空气污染的城市规模效应

一般而言，城市规模是城市经济发展水平的直观反映，城市规模越大意味着城市经济越发达。因此，于旅游业发展而言，大城市人口相对集中，具有较高的技术、资本和劳动力等天然优势，容易形成规模集聚效应，能够较好地处理旅游业发展与环境污染的关系。相反，中小型城市由于技术和资本等资源相对不足，基础设施建设薄弱，难以形成规模效应。鉴于城市规模形成的以上差异可能对旅游业发展与空气污染的关系产生影响，检验旅游污染的城市规模异质性。依照2014年国务院出台的城市规模划分新标准，基于城区常住人口数据将样本城市划分为小城市（Small）、中等城市（Mid）、大城市（Big）、特大城市（Speci）和超大城市（Super）五类，进行分样本回归，同时设置虚拟变量并与核心解释变量旅游收入交乘后纳入模型，回归结果如表7所示。结果表明，旅游业发展对不同规模大小城市的影响差异显著。就直接效应而言，特大城市和超大城市旅游业发展对SO2排放具有显著的正向影响，超大城市的旅游SO2排放效应近乎是特大城市的两倍，且满足库兹涅茨曲线假设;就间接效应而言，中等城市邻接地区旅游业的发展有利于减轻本地区SO2排放，而大城市和特大城市周边城市旅游业的发展会加剧本地区SO2污染。在以旅游人数作为解释变量的模型中仍表现为类似的差异（结果略），表明上述结果是稳健的。当因变量为PM2.5时，系数不显著。

5?结论与讨论

随着中国的经济发展与社会进步，旅游日益成为一种新的潮流。然而，旅游业快速发展的同时也带来了新问题——旅游环境污染。鉴于此，本文以城市空气污染为例，基于2005—2017年中国285个地级及以上城市的面板数据，采用PM2.5和SO2作为城市空气污染的衡量指标，用旅游人数和旅游收入作为旅游经济发展的衡量指标，实证检验旅游发展对中国城市空气污染的影响。研究发现：①旅游发展与PM2.5和SO2的直接效应均呈“倒U”型关系，表明旅游业发展对中国城市空气污染的影响符合旅游“环境库兹涅茨曲线”假说，即旅游业的空气污染效应具有动态性。随旅游业发展水平提升，本地区旅游业发展产生的PM2.5和SO2排放呈现先增加后减少的特征。其中，PM2.5的间接效应呈“正U”型关系，表明邻近城市旅游业发展有利于缓解本地区旅游业发展带来的PM2.5污染。②国家级旅游名片对旅游发展与SO2排放的二元关系具有正向调节作用，即对比同等旅游产业要素规模以及游客数量的条件下，获批“国家旅游名片”的城市比没有名片的城市，单位旅游收入的增加会带来更多的SO2排放。③旅游业发展对城市空气质量的影响在不同城市之间差异较大，在西部地区城市和规模较大的城市，旅游业发展产生的SO2排放更严重。

基于结论，本文的政策启示如下：①旅游污染治理要把生活方式放在和生产方式一个层面来重视，推动形成绿色旅游发展方式和旅游生活方式。惯性思维认为，工业生产是引起资源环境问题的主要来源。但实际上居民生活方式也是引致环境污染的一个重要方面。旅游作为一种越来越受青睐的现代生活方式，对生态环境带来的压力不可忽视。②政府应加快转变落后城市旅游产业发展模式，淘汰传统高耗能旅游项目，促进城市绿色旅游产业转型升级，争取早日进入拐点。旅游发展对中国城市空气污染影响的直接效应呈显著的“倒U”型特征。在某种程度上，城市早期旅游开发中不可避免地会对环境造成破坏，只有当旅游经济发展到一定水平，随着环境治理能力和规模效应的提升，旅游发展才能缓解城市空气污染。③政府在推进旅游资源开发的同时要倡导保护性绿色开发，国家应谨慎认定旅游名片，适当提高准入门槛。④旅游空气污染治理要因地制宜，西部地区及大城市地区应加强旅游污染治理投入，发展旅游的同时，提升污染治理水平。

本研究可能在以下几个方面具有一定创新性，并对现有文献形成补充：①提供了旅游业发展导致城市空气污染的中国证据，这对应对当前环境约束趋紧问题提供了新的启示。近年来，尽管涌现了较多关于空气污染对旅游经济发展影响的研究[60-63]，却回避了旅游业发展对空气污染的影响。本研究表明旅游业发展与空气污染有较强的联系，且满足环境库茨涅茨效应，强调了发展绿色旅游，普及绿色出行，倡导环境友好型消费的重要性和必要性，这对于推动党的十九大提出的形成节约资源和保护环境的生活方式具有重要理论指导意义。②不仅研究了旅游业发展对空气污染的影响，还进一步探究了旅游名片效应在其中的作用机制，同时分析了城市區位空间和城市规模大小对旅游空气污染效应的异质性影响。③在充分考虑大气污染空间溢出效应的基础上，选择能够综合处理空间异质性和空间依赖性的空间计量模型进行估计，有效解决了一般模型中数据的“相关”和“变异”问题。现有研究往往只关注了特定地理空间单位被解释变量的内生交互影响，而缺乏对解释变量的外生交互效应以及误差项之间的交互效应的考察。④在空间建模和权重矩阵选择方面，首次采用贝叶斯后验模型概率来确定空间权重矩阵和空间计量模型，实现对空间权重矩阵和空间模型选择过程的改进。

现有研究多以频率学派的方法（如模型拟合优度）作为选择标准。贝叶斯方法由于计算复杂，尤其是涉及高维数据计算，在国内发展还比较缓慢，应用并不多见。本文将贝叶斯方法引入空间计量模型不仅使其应用更加广泛，其对不确定因素的处理，也大大提高了空间计量模型的估计效率。

本文也有一些不足，有待于未来研究进一步探讨。首先，研究整体旅游业发展对城市空气污染的影响，但囿于数据而未区分国内旅游和国际旅游对空气污染可能带来的差异化影响。尤其是近年来，外国来华旅游异军突起，未来研究可进一步探究国际旅游的影响。其次，通过设置虚拟变量的方式，将调节变量嵌入到数据结构中进行机制分析，而未能采用各类国家级旅游名片具体的旅游接待人数和旅游收入做进一步考察，未来可进一步收集相关数据，以更准确地匡测“国家级旅游名片”对旅游环境的影响。第三，一个地区的旅游竞争力不仅受旅游资源质量的影响，也与地区不同旅游资源的组合结构和空间结构有关，未来研究可进一步度量地区旅游资源的组合方式对旅游环境的影响。最后，旅游景点景区可以划分为人文景观和自然景观，未来研究可进一步考察二者是否对旅游环境具有差异化影响。

参考文献

[1]中华人民共和国文化与旅游部. 2018年文化和旅游发展统计公报[R].2019.

[2]中华人民共和国生态环境部. 2018中国生态环境状况公报[R].2019.

[3]明庆忠，陈英，李庆雷. 低碳旅游：旅游产业生态化的战略选择[J]. 人文地理， 2010，25（5）：22-26.

[4]LENZEN M， SUN Y， FATURAY F， et al. The carbon footprint of global tourism[J]. Nature climate change， 2018，8（6）：522-528.

[5]AZAM M， MAHMUDUL M， HAROON H M. Effect of tourism on environmental pollution： further evidence from Malaysia， Singapore and Thailand[J]. Journal of cleaner production， 2018，190：330-338.

[6]HABIBI F， RAHMATI M， KARIMI A. Contribution of tourism to economic growth in Irans provinces： GDM approach[J]. Future business journal， 2018，4（2）：261-271.

[7]AHMAD F， DRAZ M U， SU L， et al. Taking the bad with the good： the nexus between tourism and environmental degradation in the lower middle-income Southeast Asian economies[J]. Journal of cleaner production， 2019，233：1240-1249.

[8]PULIDO-FERNNDEZ J I， CRDENAS-GARCA P J， ESPINOSA-PULIDO J A. Does environmental sustainability contribute to tourism growth？ an analysis at the country level[J]. Journal of cleaner production， 2019，213：309-319.

[9]CANTEIRO M， CRDOVA-TAPIA F， BRAZEIRO A. Tourism impact assessment： a tool to evaluate the environmental impacts of touristic activities in Natural Protected Areas[J]. Tourism management perspectives， 2018，28：220-227.

[10]钟永德，石晟屹，李世宏，等. 中国旅游业碳排放计量框架构建与实证研究[J]. 中国人口·资源与环境， 2014，24（1）：78-86.

[11]ZHANG L， GAO J. Exploring the effects of international tourism on Chinas economic growth， energy consumption and environmental pollution： evidence from a regional panel analysis[J]. Renewable and sustainable energy reviews， 2016，53：225-234.

[36]马晓龙，杨新军. 中国4A级旅游区（点）：空间特征与产业配置研究[J]. 经济地理， 2003（5）：713-716.

[37]敖荣军，韦燕生. 中国区域旅游发展差异影响因素研究：来自1990—2003年的经验数据检验[J]. 财经研究， 2006（3）：32-43.

[38]刘佳，张佳佳，奚一丹. 中国入境旅游区域差异演化及影响因素空间计量分析[J]. 经济与管理评论， 2015，31（6）：128-134.

[39]王郁，范莉莉. 环保公共服务均等化评估与地区差距分析[J]. 上海交通大学学报（哲学社会科学版）， 2011，19（3）：41-49.

[40]张毓，孙根年. 城市规模与旅游成长空间关系、演变及驱动因子：长江三角洲城市级别体系新认识[J]. 地理科学， 2016，36（12）：1877-1884.

[41]柳百萍. 安徽省城市旅游规模差异及其规模分布[J]. 地理研究， 2011，30（8）：1520-1527.

[42]范子英，赵仁杰. 法治强化能够促进污染治理吗？：来自环保法庭设立的证据[J]. 经济研究， 2019，54（3）：21-37.

[43]刁贝娣，丁镭，苏攀达，等. 中国省域PM2.5浓度行业驱动因素的时空异质性研究[J]. 中国人口·资源与环境， 2018，28（9）：52-62.

[44]罗浩，颜钰荛，杨旸. 中国各省的旅游增长方式“因地制宜”吗？：中国省际旅游增长要素贡献与旅游资源比较优势研究[J]. 旅游学刊， 2016，31（3）：43-53.

[45]王芳，周兴. 影响我国环境污染的人口因素研究：基于省际面板数据的实证分析[J]. 南方人口， 2013，28（6）：8-18.

[46]童玉芬，王瑩莹. 中国城市人口与雾霾：相互作用机制路径分析[J]. 北京社会科学， 2014（5）：4-10.

[47]杜雯翠，冯科. 城市化会恶化空气质量吗？：来自新兴经济体国家的经验证据[J]. 经济社会体制比较， 2013（5）：91-99.

[48]孙传旺，罗源，姚昕. 交通基础设施与城市空气污染：来自中国的经验证据[J]. 经济研究， 2019，54（8）：136-151.

[49]邵帅，李欣，曹建华. 中国的城市化推进与雾霾治理[J]. 经济研究， 2019，54（2）：148-165.

[50]周曙东，欧阳纬清，葛继红. 京津冀PM2.5的主要影响因素及内在关系研究[J]. 中国人口·资源与环境， 2017，27（4）：102-109.

[51]黄滢，刘庆，王敏. 地方政府的环境治理决策：基于SO2减排的面板数据分析[J]. 世界经济， 2016，39（12）：166-188.

[52]HE J. Chinas industrial SO2 emissions and its economic determinants： EKCs reduced vs. structural model and the role of international trade[J]. Environment and development economics， 2009，14（2）：227-262.

[53]HAO Y， LIU Y. The influential factors of urban PM2.5 concentrations in China： a spatial econometric analysis[J]. Journal of cleaner production， 2016，112：1443-1453.

[54]DAI W， YI L. Spatio-temporal differences and driving forces of air quality in Chinese cities[J]. Journal of resources & ecology， 2016，7（2）：77-84.

[55]陶长琪，杨海文. 空间计量模型选择及其模拟分析[J]. 统计研究， 2014，31（8）：88-96.

[56]LESAGE J P. Bayesian estimation of spatial autoregressive models[J]. International regional science review， 1997，20（1-2）：113-129.

[57]肖光恩，刘锦学，谭赛月. 空间计量经济学：基于Matlab的应用分析[M]. 北京：北京大学出版社， 2018.

[58]YESILYURT M E， ELHORST J P. Impacts of neighboring countries on military expenditures： adynamic spatial panel approach[J]. Journal of peace research， 2017，54（6）：777-790.

[59]LESAGE J， PACE R K. Introduction to spatial econometrics[M]. CRC Press， 2009.

[60]陆铭，冯皓. 集聚与减排：城市规模差距影响工业污染强度的经验研究[J]. 世界经济， 2014，37（7）：86-114.

[61]方叶林，程雪兰，王芳. 空气污染与旅游经济的时空关系及影响机理[J]. 经济管理， 2020，42（1）：140-154.

[62]刘嘉毅，陈玉萍，夏鑫. 中国空气污染对入境旅游发展的影响[J]. 资源科学， 2018，40（7）：1473-1482.

[63]彭建，郭思远，裴亚楠，等. 大陆居民对北京雾霾的旅游影响感知和态度研究[J]. 中国人口·资源与环境， 2016，26（10）：168-176.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。