中国旅游业碳排放效率及其时空跃迁
毕斗斗 赖依聪 王龙杰 孟勇
摘要：基于考虑非期望产出的数据包络分析和探索性时空数据分析框架，以中国30个省级行政区（西藏、港澳台地区除外）为研究对象，研究旅游业碳排放效率及其时空跃迁特征。结果表明：2000～2016年大部分省（区）旅游业碳排放效率呈上升趋势，其中高值中心集聚在东部沿海省（区），低值中心集聚在西部省（区）；全域自相关分析表明，旅游业碳排放效率具有显著的空间正相关关系，各省级行政区旅游业碳排放效率的变动受相邻省（区）影响；LISA路径及时空跃迁分析表明，大部分省级行政区旅游业碳排放效率具有较为稳定的局部空间结构，且较少发生跨类型的时空跃迁，表现出较强的空间依赖和路径锁定特征。文章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；碳排放；效率；时空跃迁
中图分类号： F590文献标志码：A文章编号：1009-055X（2018）06-0025-11
doi：1019366/jcnki1009-055X201806003
一、引言
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。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。
（2）局部空间自相关。本文通过绘制中国旅游业碳排放效率的Morans I散点图，进一步刻画各研究单元旅游业碳排放效率与周边地区的时空特征。Morans I散点图的横轴代表该研究单元碳排放效率观测值，纵轴代表其空间滞后效应。Morans I散点图共分为4个象限，分别为第一象限（H-H类型）、第二象限（L-H类型）、第三象限（L-L类型）和第四象限（H-L类型）。分布在第一、第三象限，表明其旅游业碳排放效率具有较强的空间集聚效应，即自身与周边省（区）的旅游业碳排放效率均较高或均较低；若分布在第二、第四象限，说明其旅游业碳排放效率具有空间异质性，即自身旅游业碳排放效率较低（高）而周边省（区）的旅游业碳排放效率较高（低）。
（3）LISA时间路径。LISA时间路径通过融入时间要素，把LISA坐标的时间变动轨迹在Morans I散点图上直观地显示出来，使传统的静态LISA坐标具有动态。对30个研究单元的旅游业碳排放效率观测值及其空间滞后效应的进行可视化处理，LISA时间路径较好地测量LISA坐标在Morans I散点图的稳定性水平，解释各研究单元的旅游业碳排放效率在区域层面上的时空协同变化以及确定局部空间差异和旅游业碳排放的时空动态性。LISA时间路径的几何特征主要包括LISA时间路径长度、弯曲度。
式（9）中，M代表研究单元数量即30，T代表时间长度，Lm，t是研究单元m在第t年的LISA坐标。d（Lm，t，Lm，t+1）表示的是研究单元m在第t年到第t+1年间的移动距离。L值越大，代表该研究单元具有较动态的局部空间结构；L>1代表研究单元m的移动距离大于移动距离的平均值。式（10）中d（Lm，1，Lt，T）表示的是研究单元m在首年到末年的移动距离。δ越大，LISA时间路径越弯曲，局部空间结构波动越曲折；如果δ>1，表明研究单元m的移动曲折程度高于均值。
（4）时空跃迁。根据Rey等人提出的时空跃迁（Spacetime Transition）理论[28]，时空跃迁主要分为4种类型（见表2）。Rey将时空变迁与凝聚定义为研究时段内某类型的跃迁数量与跃迁总数（t）之比，本文中，t=（2016-2000）*M（30）=480。根据时空跃迁4种基本类型，可以得出Morans I空间凝聚度：
Ct=[SX（]F0，t[]t[SX）]（11）
在式（11）中，Ct表示空間凝聚度；F0，t表示研究时间t内，发生Ⅳ型时空跃迁的研究单元数；t为所有可能发生跃迁的研究单元数量。Ct∈[0，1]，Ct的值越大，说明其空间凝聚程度越高，进行跃迁的阻碍越大。
三、旅游业碳排放效率时空变化
中国旅游业碳排放效率具有较为明显的空间分异特征，为方便描述，将中国划分为三大地区本文将中国30个省级行政区（西藏、港澳台地区除外）分为东部、中部和西部三个区，东部地区包括：辽宁、北京、河北、天津、山东、上海、浙江、江苏、福建、广东、广西、海南；中部地区包括：黑龙江、吉林、内蒙古、山西、河南、湖北、湖南、安徽、江西；西部地区包括：重庆、四川、贵州、云南、陕西、甘肃、宁夏、青海、新疆。 。2000—2016年全国旅游业碳排放效率总体呈波动上升发展，但波动幅度较小（见表3）。为更好地揭示各省级行政区的相对旅游业碳排放效率，本文将旅游业碳排放效率划分为三个等级：相对高效率（前30%）、相对中效率（30%～60%）、相对低效率（后40%）。从时空角度分析中国各省旅游业碳排放效率具有较为显著的变化特征：
中国旅游业碳排放效率的高值从2000—2016年一直稳定在东南沿海地区和环渤海地区，其平均效率值达到08以上，表明其旅游业碳排放效率已接近有效生产前沿；中国旅游业碳排放效率的低值主要集中在中、西部地区，平均效率值分别约为05和04；其余省（区）在观察年份期间相对效率排名有所变动。从地区分布来看，东部地区的旅游业碳排放效率较高，其次为中部地区，最低为西部地区。旅游业碳排放效率值总体自东向西呈阶梯状下降趋势。
四、中国旅游业碳排放效率空间关联特征
（一）全域空间自相关
根据计算可得，2000—2016年中国30个省级行政区（西藏、港澳台地区除外）Morans I指数均为正（见表4），说明旅游业碳排放效率在空间上具有较强的聚集作用，即碳排放效率高值省域和低值省域在空间上聚集。
通过中国旅游业平均碳排放效率散点图（图1）可知，分布在第一象限（H-H）和第三象限（L-L）代表相邻的空间对象具有相似的旅游业碳排放效率，即具有较强的空间均质性，包括上海、江苏、天津等共21个省级行政区，占所有研究对象70%；而分布在第二象限（L-H）和第四象限（H-L）代表相邻的空间对象具有较强的空间异质性，包括江西、安徽等共9个省级行政区，占所有研究对象30%。由此可见中国2000—2016年旅游业碳排放效率的空间均质性愈发增强，说明旅游业碳排放效率空间聚集现象逐渐增强。
（二）局域空间自相关
通过全域空间自相关分析可知，中国旅游业碳排放效率在总体上具有较为显著的空间关联特征，为了进一步研究局部区域旅游业碳排放效率的空间关联性，本文借助ArcGis软件绘制观察期内2000年、2005年、2010年、2016年的LISA集聚图，更加直观地探究碳排放效率的局部区域空间关联性。
观察期内，旅游业碳排放效率低值集聚中心（L-L）较为稳定地处于中国西北部；高值集聚中心（H-H）则从2000年的江苏、上海逐渐扩散至2016年的江苏、上海、浙江、福建、广东、广西；高值孤立中心（H-L）稳定在中部地区的江西，2005年出现江西、安徽两个高值孤立中心；而低值孤立中心（L-H）分别在2005年和2010年出现在四川，其余年份均没有低值孤立中心。从2016年的LISA集聚图分析可知，中国旅游业碳排放效率空间差异特征明显，主要的集聚类型有4种：高高关联（H-H）、高低关联（H-L）、低高关联（L-H）、低低关联（L-L）。高高关联集聚类型主要分布在中国东部及南部沿海地区，包括上海、江苏、浙江等6个省（区），其中上海、浙江的高值集聚效应最强；高低关联类型主要出现在四川；低高关联类型出现在中部地区的江西和安徽2个省级行政区；低低关联类型出现在西部和北部地区，该地区是旅游业碳排放效率的洼地。
（三）LISA时空动态特征分析
1LISA时间路径的几何特征
通过对LISA时间路径几何特征的计算可以较好地揭示中国旅游业碳排放效率空间结构的动态性以及空间依赖的波动性。为方便分类，采取相等间隔法将2000—2016年LISA时间路径长度分为4类，即短路径长度（0473～0903）、相对短路径长度（0904～1333）、相对长路径长度（1334～1763）、长路径长度（1764～2193）。东部沿海地区如上海、江苏等省（区）以及西北部地区如青海、宁夏等省（区）相对路径较短，表明空间结构较为稳定。东部沿海省（区）由于旅游发展水平较高，旅游发展模式为集约型发展模式，因此其局部空间结构较为稳定；而西北部省（区）由于其旅游长期没有得到较大发展而且其能源利用结构相对固定，因此也具有较为稳定的局部空间结构。而时间路径较长的省（区）有吉林、黑龙江、山西等省（区）。这部分省（区）由于早期的“振兴东北”“中原崛起”等国家政策影响，经济发展以及旅游得到短时间内的迅猛发展，而这部分省（区）又以煤炭为主要能源消耗，因此使得二氧化碳排放量剧增。但这部分地区由于其本身旅游缺乏良好的基础使得后续发展力不足，因此其局部空间结构具有较强烈的动态性。总体而言，时间路径相对长度<1（即空间移动距离小于平均值）的省级行政区有16个约占总数53%，说明中国旅游业碳排放效率的局部空间格局较为稳定。
同样，采取相等间隔法将2000—2016年LISA时间路径弯曲度划分为4个等级：低弯曲度（1069～5852）、相对低弯曲度（5853～10634）、相对高弯曲度（10635～15416）、高弯曲度（15417～20198）。由表5可知，弯曲度较大的省（区）主要位于中部地区，包括河南、安徽等，表明其具有强波动性的旅游业碳排放效率演变及局部空间依赖变化过程，即其与领域省（区）具有非动态的变迁过程。中部省（区）由于其位于旅游业碳排放效率较高与较低集聚中心的临界处，因此其受到邻近省区的影响较大。而弯曲度较小的省（区）则主要分布于东部沿海及西部省（区），东部沿海省（区）由于其旅游发展模式、能源消费结构等因素具有较高相似度，因此其弯曲度较小，局部空间依赖变化过程波动性较弱；而西部内陆省（区）则由于其旅游发展速度缓慢，且经济发展水平、能源消费结构等因素存在一定固化作用，因此该部分省（区）也具有较小的弯曲度。
2LISA时间路径移动方向分析
通过对中国30个省级行政区（西藏、港澳台地区除外）旅游业碳排放效率在Morans I散点图中的跃迁轨迹分析，得出在2000—2016年间各省时间路径移动方向如图2所示，箭头方向代表该省的跃迁方向，箭头长度代表跃迁距离。第一象限代表该省旅游业碳排放效率与邻省发生正向协同跃迁，第三象限代表发生负向协同跃迁，第二象限和第四象限代表该省旅游业碳排放效率与邻省发生反向跃迁。总体来看，发生协同跃迁的省级行政区共有21个，占总数的70%，表明中国各省级行政区旅游业碳排放效率空间格局演化有较强的空间整合性。从图2可知，发生正向协同跃迁的省（区）主要位于东部沿海，包括江苏、浙江等，而发生负向协同跃迁的省（区）主要位于西北与东北部，包括甘肃、青海等。因此提高旅游业碳排放效率需要从区域视角进行统筹，决不能省际间“各自为政”进行发展。
3LISA时空跃迁分析
各省的LISA时间路径的物理变迁方向描绘了各省在Morans I散点圖上的时空演变路径，而通过空间转移概率矩阵则可进一步分析不同单元种类在Morans I散点图上的演变过程。从空间转移概率矩阵可知，整体上来看中国旅游业碳排放效率空间结构较为稳定，较少发生不同类型间的跃迁，表现出一定的跃迁惰性。在不同类型间跃迁当中，HLt→HHt+1的转移概率最大，达到0035，其余转移类型概率较低，间接说明中国旅游业碳排放效率空间结构趋于稳定。在转移概率矩阵中（表6），Ⅳ型时空跃迁的概率达到855%，即Morans I的空间凝聚力Ct=0855，说明中国各省旅游业碳排放效率在2000～2016年间没有发生时空跃迁的概率为855%，因此中国旅游业碳排放效率的空间凝聚力折射出较强的路径锁定特征。
2000年以来，国家对旅游发展的重视程度不断加强。从2000年首度实行“五一”“十一”黄金周以来，人们因为闲暇时间增多和可支配收入增多，出游的人次不断上升。而国家也一直根据旅游发展的总体态势和各省级行政区所拥有的旅游资源禀赋进行积极引导与开发。从以往注重“量”到现今注重“质”的旅游发展理念转变，折射出无论是政府、企业还是旅游者的旅游理念愈发成熟、理性。
中国由于幅员辽阔，无论自然景观还是人文风貌在区域间均表现出巨大差异，各省级行政区均拥有独具特色的旅游资源。但由于各地经济发展水平参差不齐，使得处于发展较落后的省级行政区尽管拥有极具吸引力的旅游资源，但因缺乏先进的管理、技术手段而难以获得较高的旅游业碳排放效率。比如处于第三象限中的西北部省级行政区，它们大都拥有极具特色的旅游资源，但由于地处西北内陆地区，交通、高素质人才、科技等引领旅游业发展的要素难以流向这部分省级行政区，使得其仅能以破坏环境为代价发展粗放型的旅游业，成为负向协同发展区域。而位于第一象限的东部沿海省级行政区，就旅游资源独特性来讲反而可能比不上西北省级行政区，但由于其经济社会发展水平高，国内甚至国际知名度高，善于创造旅游消费热点等原因，成为正向协同发展区域。而中部省级行政区由于处于过渡地带，则表现出协同与竞争并存的局面。
五、结论与政策启示
（一） 结论
本文采用考虑非期望产出的数据包络分析法测算了2000—2016年中国30个省级行政区（除西藏、港澳台地区）的旅游业碳排放效率，并利用ESTDA框架分析其时空跃迁特征，结论如下：
旅游业碳排放效率及其时空特征：观测期内，中国旅游业碳排放效率总体呈波动上升趋势，东、中、西部地区具有明显空间分形。2000—2016年全局莫兰指数（Morans I）均为正值，呈现先升后降趋势，大部分年份通过5%显著性检验，表明中国旅游业碳排放效率具有显著的空间正相关关系，即高（低）效率值的省区彼此相邻。
旅游业碳排放效率LISA时间路径特征分析：LISA时间路径相对长度呈现出东部、西北部省（区）短，局部空间结构具有稳定性；东北部以及中部省（区）高，具有强烈的局部空间结构动态变化格局。弯曲度分析表明东部沿海省（区）以及西部省（区）弯曲度较小，局部空间依赖变化过程波动性较弱，而中部省（区）则波动性较强；从LISA时间路径的移动方向上看，大部分省（区）属于协同发展（正向或负向），说明相邻省（区）间的空间极化（溢出）效应较强。
旅游业碳排放效率LISA时空跃迁分析：研究中发现，各省级行政区的旅游业碳排放效率在不同类型之间的跃迁较少发生，空间凝聚程度达到855%，表明各省級行政区难以改变自身旅游业碳排放效率的相对位置，旅游业碳排放空间格局具有一定的路径依赖和空间锁定特性，这成为未来提高全国旅游业碳排放效率的难点之一。
研究展望及局限：中国旅游业碳排放效率的时空跃迁特征研究能够揭示出其发展历程以及其未来发展趋势，为旅游业未来的绿色发展、环境友好型发展政策制定提供参考。但囿于数据可得性等原因，本文研究时序较短，难以深入剖析我国旅游业碳排放效率的发展历史。再者，本文仅从经济视角对旅游业碳排放效率进行研究，缺乏更广视角的讨论，难以做到全面深入研究，因此后续研究将根据旅游业碳排放效率研究及发展现状，进一步完善、优化研究模型，从更全面的视角对该问题进行探讨，为中国旅游绿色发展提供更完善、科学的依据。
（二）政策启示
综合提升相邻省级行政区旅游业碳排放效率，需要加强相邻省级行政区旅游业整体布局和规划。相邻省级行政区通过建立主题旅游片区等方式，实现多省旅游协同发展，避免“各自为政”。东部效率较高的省级行政区，应利用其技术、人才等优势，发挥区域间协同效应，帮扶邻近效率较低省级行政区，使正向协同发展圈进一步扩大。效率较低的省级行政区，应不断借鉴发展经验，牢牢把握住如“一带一路”等发展热点，提升自身在国内外旅游业中的知名度，优化自身能源消费结构，提升自身旅游业发展的效率，逐渐走向集约型旅游业发展道路。
推动旅游业向绿色发展，需要政府更好地发挥职能。在政府治理层面上，首先，政府作为旅游业发展的引导者，应做好统筹各省级行政区旅游业发展的协调与指导工作；其次，应转变旅游业发展评价指标，从以往主要根据旅游人次、旅游业收入的单一经济指标评价应转向考虑环境、社会等因素的多维度评价指标，使各省级行政区在发展旅游业时不再功利地只考虑其“量”而不考虑其“质”；最后，由于现今对旅游业碳排放量的测算手段主要以估算为主，由于数据可得性等问题，未能对中国旅游业碳排放量进行准确反映，因此政府应公布官方监测数据，使旅游业发展现状更直观、透明地呈现。
形成全行业绿色发展理念，需要对相关行业进行正确引导。在旅游交通方面，构建高效且能源消耗低的公路、铁路网络，降低对民航等环境污染较重的交通方式使用率；在旅游住宿方面，应鼓励民宿等共享旅游方式发展，倡导酒店向智能化、绿色化发展， 提高资源利用率；在旅游购物方面，应着力提高旅游产品的附加值，降低同质化且低附加值的旅游产品在市场上的比例；在旅游娱乐方面，应通过对文化的深层挖掘，开发既满足旅游者精神消费需求又低碳环保的娱乐方式。
参考文献：
[1]SUSANNE BECKEN How tourists and tourism experts perceive climate change and carbonoffsetting schemes[J].Journal of sustainable tourism， 2004， 12（4）： 332-345
[2]韩元军， 吴普 京津冀地区旅游的碳排放测算与比较研究[J].人文地理， 2016（4）：127-134
[3]谢园方， 赵媛 长三角地区旅游能源消耗的CO2排放测度研究[J].地理研究， 2012， 31（3）：429-438
[4]肖潇， 张捷， 卢俊宇，等 旅游交通碳排放的空间结构与情景分析[J].生态学报， 2012， 32（23）：7540-7548
[5]刘益 中国酒店业能源消耗水平与低碳化经营路径分析[J].旅游学刊， 2012， 27（1）：83-90
[6]魏卫，张琼 基于层次分析法的饭店低碳化水平评价指标体系研究[J].华南理工大学学报（社会科学版），2012（6）：26-31
[7]魏艳旭 我国旅游交通碳排放及其地区差异的分析研究[D].西安：陕西师范大学， 2012
[8]孙晋坤， 章锦河， 刘泽华，等 区域旅游交通碳排放测度模型及实证分析[J].生态学报， 2015， 35（21）：7161-7171
[9]吴普 离岸岛屿目的地旅游交通能耗与CO2排放测算——以海口市为例[J].旅游学刊， 2014， 29（8）：110-116
[10]韩元军， 吴普， 林坦 基于碳排放的代表性省份旅游产业效率测算与比较分析[J].地理研究， 2015， 34（10）：1957-1970
[11]姚治国， 陈田， 尹寿兵，等 区域旅游生态效率实证分析——以海南省为例[J].地理科学， 2016， 36（3）：417-423
[12]李志勇 低碳经济视角下旅游服务效率评价方法[J].旅游学刊， 2013， 28（10）：71-80
[13]ABREU M， GROOT H L F D， FLORAX R J G M.Space and growth：A survey of empirical evidence and methods[J]Region et developpement，2004，21：13-44.
[14]王坤， 黄震方， 曹芳东 中国旅游业碳排放效率的空间格局及其影响因素[J].生态学报， 2015， 35（21）：7150-7160
[15]REY S J， JANIKAS M V STARS： Spacetime analysis of regional systems[J].Geographical analysis， 2006， 38（1）： 67-86
[16]潘植强 我国旅游业碳排放影响因素及碳减排门槛效应研究[D]上海：上海师范大学， 2016
[17]CHARMES A， COOPER W W， RHODES E Measuring the efficiency of decision making Units [J].European journal of operational research，1978（2）： 429-444
[18]朱巧嫻， 梅昀， 陈银蓉基于碳排放测算的湖北省土地利用结构效率的 DEA 模型分析与空间分异研究[J].经济地理，2015， 35（12）： 176-184
[19]李瑞， 郭谦， 贺跻， 等 环渤海地区城市旅游发展效率时空特征及其演化阶段——以三大城市群为例[J].地理科学进展， 2014， 33（6）： 773-785
[20]TONE K Dealing with undesirable outputs in DEA： A Slacksbased measure（SBM）approach [R]GRIPS research report series， 2003[ZK）][ZK）]
Abstract： Based on data envelopment analysis （DEA） of undesirable outputs and exploratory spatialtime data analysis， this article measures the tourism carbon emission efficiency and discusses its timespatial transition characteristics of 30 provinces and autonomous regions in China （excluding Tibet， Hong Kong， Macao， Taiwan）. The results show that： （1） Tourism carbon emission efficiency in most provinces and autonomous regions show upward trends from 2000 to 2016， with the high value center centering in the eastern coastal provinces and the low value in the western provinces. （2） By conducting global autocorrelation analysis， it can be concluded that there is a significant spatial positive correlation of the tourism carbon emission efficiency. （3） By analyzingthe LISA time path and spatialtime transition， it is shown that the tourism emission efficiency in most provinces has a relatively stable local spatial structure and few spatialtime transitions across different types， showing a strong spatial dependence and pathlocking feature. Based on the results obtained， the article puts forward several feasible suggestions of lowcarbon tourism.
Keywords：tourism； carbon emission； efficiency； spatialtime transition
摘要：基于考虑非期望产出的数据包络分析和探索性时空数据分析框架，以中国30个省级行政区（西藏、港澳台地区除外）为研究对象，研究旅游业碳排放效率及其时空跃迁特征。结果表明：2000～2016年大部分省（区）旅游业碳排放效率呈上升趋势，其中高值中心集聚在东部沿海省（区），低值中心集聚在西部省（区）；全域自相关分析表明，旅游业碳排放效率具有显著的空间正相关关系，各省级行政区旅游业碳排放效率的变动受相邻省（区）影响；LISA路径及时空跃迁分析表明，大部分省级行政区旅游业碳排放效率具有较为稳定的局部空间结构，且较少发生跨类型的时空跃迁，表现出较强的空间依赖和路径锁定特征。文章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；碳排放；效率；时空跃迁
中图分类号： F590文献标志码：A文章编号：1009-055X（2018）06-0025-11
doi：1019366/jcnki1009-055X201806003
一、引言
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。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。
（2）局部空间自相关。本文通过绘制中国旅游业碳排放效率的Morans I散点图，进一步刻画各研究单元旅游业碳排放效率与周边地区的时空特征。Morans I散点图的横轴代表该研究单元碳排放效率观测值，纵轴代表其空间滞后效应。Morans I散点图共分为4个象限，分别为第一象限（H-H类型）、第二象限（L-H类型）、第三象限（L-L类型）和第四象限（H-L类型）。分布在第一、第三象限，表明其旅游业碳排放效率具有较强的空间集聚效应，即自身与周边省（区）的旅游业碳排放效率均较高或均较低；若分布在第二、第四象限，说明其旅游业碳排放效率具有空间异质性，即自身旅游业碳排放效率较低（高）而周边省（区）的旅游业碳排放效率较高（低）。
（3）LISA时间路径。LISA时间路径通过融入时间要素，把LISA坐标的时间变动轨迹在Morans I散点图上直观地显示出来，使传统的静态LISA坐标具有动态。对30个研究单元的旅游业碳排放效率观测值及其空间滞后效应的进行可视化处理，LISA时间路径较好地测量LISA坐标在Morans I散点图的稳定性水平，解释各研究单元的旅游业碳排放效率在区域层面上的时空协同变化以及确定局部空间差异和旅游业碳排放的时空动态性。LISA时间路径的几何特征主要包括LISA时间路径长度、弯曲度。
式（9）中，M代表研究单元数量即30，T代表时间长度，Lm，t是研究单元m在第t年的LISA坐标。d（Lm，t，Lm，t+1）表示的是研究单元m在第t年到第t+1年间的移动距离。L值越大，代表该研究单元具有较动态的局部空间结构；L>1代表研究单元m的移动距离大于移动距离的平均值。式（10）中d（Lm，1，Lt，T）表示的是研究单元m在首年到末年的移动距离。δ越大，LISA时间路径越弯曲，局部空间结构波动越曲折；如果δ>1，表明研究单元m的移动曲折程度高于均值。
（4）时空跃迁。根据Rey等人提出的时空跃迁（Spacetime Transition）理论[28]，时空跃迁主要分为4种类型（见表2）。Rey将时空变迁与凝聚定义为研究时段内某类型的跃迁数量与跃迁总数（t）之比，本文中，t=（2016-2000）*M（30）=480。根据时空跃迁4种基本类型，可以得出Morans I空间凝聚度：
Ct=[SX（]F0，t[]t[SX）]（11）
在式（11）中，Ct表示空間凝聚度；F0，t表示研究时间t内，发生Ⅳ型时空跃迁的研究单元数；t为所有可能发生跃迁的研究单元数量。Ct∈[0，1]，Ct的值越大，说明其空间凝聚程度越高，进行跃迁的阻碍越大。
三、旅游业碳排放效率时空变化
中国旅游业碳排放效率具有较为明显的空间分异特征，为方便描述，将中国划分为三大地区本文将中国30个省级行政区（西藏、港澳台地区除外）分为东部、中部和西部三个区，东部地区包括：辽宁、北京、河北、天津、山东、上海、浙江、江苏、福建、广东、广西、海南；中部地区包括：黑龙江、吉林、内蒙古、山西、河南、湖北、湖南、安徽、江西；西部地区包括：重庆、四川、贵州、云南、陕西、甘肃、宁夏、青海、新疆。 。2000—2016年全国旅游业碳排放效率总体呈波动上升发展，但波动幅度较小（见表3）。为更好地揭示各省级行政区的相对旅游业碳排放效率，本文将旅游业碳排放效率划分为三个等级：相对高效率（前30%）、相对中效率（30%～60%）、相对低效率（后40%）。从时空角度分析中国各省旅游业碳排放效率具有较为显著的变化特征：
中国旅游业碳排放效率的高值从2000—2016年一直稳定在东南沿海地区和环渤海地区，其平均效率值达到08以上，表明其旅游业碳排放效率已接近有效生产前沿；中国旅游业碳排放效率的低值主要集中在中、西部地区，平均效率值分别约为05和04；其余省（区）在观察年份期间相对效率排名有所变动。从地区分布来看，东部地区的旅游业碳排放效率较高，其次为中部地区，最低为西部地区。旅游业碳排放效率值总体自东向西呈阶梯状下降趋势。
四、中国旅游业碳排放效率空间关联特征
（一）全域空间自相关
根据计算可得，2000—2016年中国30个省级行政区（西藏、港澳台地区除外）Morans I指数均为正（见表4），说明旅游业碳排放效率在空间上具有较强的聚集作用，即碳排放效率高值省域和低值省域在空间上聚集。
通过中国旅游业平均碳排放效率散点图（图1）可知，分布在第一象限（H-H）和第三象限（L-L）代表相邻的空间对象具有相似的旅游业碳排放效率，即具有较强的空间均质性，包括上海、江苏、天津等共21个省级行政区，占所有研究对象70%；而分布在第二象限（L-H）和第四象限（H-L）代表相邻的空间对象具有较强的空间异质性，包括江西、安徽等共9个省级行政区，占所有研究对象30%。由此可见中国2000—2016年旅游业碳排放效率的空间均质性愈发增强，说明旅游业碳排放效率空间聚集现象逐渐增强。
（二）局域空间自相关
通过全域空间自相关分析可知，中国旅游业碳排放效率在总体上具有较为显著的空间关联特征，为了进一步研究局部区域旅游业碳排放效率的空间关联性，本文借助ArcGis软件绘制观察期内2000年、2005年、2010年、2016年的LISA集聚图，更加直观地探究碳排放效率的局部区域空间关联性。
观察期内，旅游业碳排放效率低值集聚中心（L-L）较为稳定地处于中国西北部；高值集聚中心（H-H）则从2000年的江苏、上海逐渐扩散至2016年的江苏、上海、浙江、福建、广东、广西；高值孤立中心（H-L）稳定在中部地区的江西，2005年出现江西、安徽两个高值孤立中心；而低值孤立中心（L-H）分别在2005年和2010年出现在四川，其余年份均没有低值孤立中心。从2016年的LISA集聚图分析可知，中国旅游业碳排放效率空间差异特征明显，主要的集聚类型有4种：高高关联（H-H）、高低关联（H-L）、低高关联（L-H）、低低关联（L-L）。高高关联集聚类型主要分布在中国东部及南部沿海地区，包括上海、江苏、浙江等6个省（区），其中上海、浙江的高值集聚效应最强；高低关联类型主要出现在四川；低高关联类型出现在中部地区的江西和安徽2个省级行政区；低低关联类型出现在西部和北部地区，该地区是旅游业碳排放效率的洼地。
（三）LISA时空动态特征分析
1LISA时间路径的几何特征
通过对LISA时间路径几何特征的计算可以较好地揭示中国旅游业碳排放效率空间结构的动态性以及空间依赖的波动性。为方便分类，采取相等间隔法将2000—2016年LISA时间路径长度分为4类，即短路径长度（0473～0903）、相对短路径长度（0904～1333）、相对长路径长度（1334～1763）、长路径长度（1764～2193）。东部沿海地区如上海、江苏等省（区）以及西北部地区如青海、宁夏等省（区）相对路径较短，表明空间结构较为稳定。东部沿海省（区）由于旅游发展水平较高，旅游发展模式为集约型发展模式，因此其局部空间结构较为稳定；而西北部省（区）由于其旅游长期没有得到较大发展而且其能源利用结构相对固定，因此也具有较为稳定的局部空间结构。而时间路径较长的省（区）有吉林、黑龙江、山西等省（区）。这部分省（区）由于早期的“振兴东北”“中原崛起”等国家政策影响，经济发展以及旅游得到短时间内的迅猛发展，而这部分省（区）又以煤炭为主要能源消耗，因此使得二氧化碳排放量剧增。但这部分地区由于其本身旅游缺乏良好的基础使得后续发展力不足，因此其局部空间结构具有较强烈的动态性。总体而言，时间路径相对长度<1（即空间移动距离小于平均值）的省级行政区有16个约占总数53%，说明中国旅游业碳排放效率的局部空间格局较为稳定。
同样，采取相等间隔法将2000—2016年LISA时间路径弯曲度划分为4个等级：低弯曲度（1069～5852）、相对低弯曲度（5853～10634）、相对高弯曲度（10635～15416）、高弯曲度（15417～20198）。由表5可知，弯曲度较大的省（区）主要位于中部地区，包括河南、安徽等，表明其具有强波动性的旅游业碳排放效率演变及局部空间依赖变化过程，即其与领域省（区）具有非动态的变迁过程。中部省（区）由于其位于旅游业碳排放效率较高与较低集聚中心的临界处，因此其受到邻近省区的影响较大。而弯曲度较小的省（区）则主要分布于东部沿海及西部省（区），东部沿海省（区）由于其旅游发展模式、能源消费结构等因素具有较高相似度，因此其弯曲度较小，局部空间依赖变化过程波动性较弱；而西部内陆省（区）则由于其旅游发展速度缓慢，且经济发展水平、能源消费结构等因素存在一定固化作用，因此该部分省（区）也具有较小的弯曲度。
2LISA时间路径移动方向分析
通过对中国30个省级行政区（西藏、港澳台地区除外）旅游业碳排放效率在Morans I散点图中的跃迁轨迹分析，得出在2000—2016年间各省时间路径移动方向如图2所示，箭头方向代表该省的跃迁方向，箭头长度代表跃迁距离。第一象限代表该省旅游业碳排放效率与邻省发生正向协同跃迁，第三象限代表发生负向协同跃迁，第二象限和第四象限代表该省旅游业碳排放效率与邻省发生反向跃迁。总体来看，发生协同跃迁的省级行政区共有21个，占总数的70%，表明中国各省级行政区旅游业碳排放效率空间格局演化有较强的空间整合性。从图2可知，发生正向协同跃迁的省（区）主要位于东部沿海，包括江苏、浙江等，而发生负向协同跃迁的省（区）主要位于西北与东北部，包括甘肃、青海等。因此提高旅游业碳排放效率需要从区域视角进行统筹，决不能省际间“各自为政”进行发展。
3LISA时空跃迁分析
各省的LISA时间路径的物理变迁方向描绘了各省在Morans I散点圖上的时空演变路径，而通过空间转移概率矩阵则可进一步分析不同单元种类在Morans I散点图上的演变过程。从空间转移概率矩阵可知，整体上来看中国旅游业碳排放效率空间结构较为稳定，较少发生不同类型间的跃迁，表现出一定的跃迁惰性。在不同类型间跃迁当中，HLt→HHt+1的转移概率最大，达到0035，其余转移类型概率较低，间接说明中国旅游业碳排放效率空间结构趋于稳定。在转移概率矩阵中（表6），Ⅳ型时空跃迁的概率达到855%，即Morans I的空间凝聚力Ct=0855，说明中国各省旅游业碳排放效率在2000～2016年间没有发生时空跃迁的概率为855%，因此中国旅游业碳排放效率的空间凝聚力折射出较强的路径锁定特征。
2000年以来，国家对旅游发展的重视程度不断加强。从2000年首度实行“五一”“十一”黄金周以来，人们因为闲暇时间增多和可支配收入增多，出游的人次不断上升。而国家也一直根据旅游发展的总体态势和各省级行政区所拥有的旅游资源禀赋进行积极引导与开发。从以往注重“量”到现今注重“质”的旅游发展理念转变，折射出无论是政府、企业还是旅游者的旅游理念愈发成熟、理性。
中国由于幅员辽阔，无论自然景观还是人文风貌在区域间均表现出巨大差异，各省级行政区均拥有独具特色的旅游资源。但由于各地经济发展水平参差不齐，使得处于发展较落后的省级行政区尽管拥有极具吸引力的旅游资源，但因缺乏先进的管理、技术手段而难以获得较高的旅游业碳排放效率。比如处于第三象限中的西北部省级行政区，它们大都拥有极具特色的旅游资源，但由于地处西北内陆地区，交通、高素质人才、科技等引领旅游业发展的要素难以流向这部分省级行政区，使得其仅能以破坏环境为代价发展粗放型的旅游业，成为负向协同发展区域。而位于第一象限的东部沿海省级行政区，就旅游资源独特性来讲反而可能比不上西北省级行政区，但由于其经济社会发展水平高，国内甚至国际知名度高，善于创造旅游消费热点等原因，成为正向协同发展区域。而中部省级行政区由于处于过渡地带，则表现出协同与竞争并存的局面。
五、结论与政策启示
（一） 结论
本文采用考虑非期望产出的数据包络分析法测算了2000—2016年中国30个省级行政区（除西藏、港澳台地区）的旅游业碳排放效率，并利用ESTDA框架分析其时空跃迁特征，结论如下：
旅游业碳排放效率及其时空特征：观测期内，中国旅游业碳排放效率总体呈波动上升趋势，东、中、西部地区具有明显空间分形。2000—2016年全局莫兰指数（Morans I）均为正值，呈现先升后降趋势，大部分年份通过5%显著性检验，表明中国旅游业碳排放效率具有显著的空间正相关关系，即高（低）效率值的省区彼此相邻。
旅游业碳排放效率LISA时间路径特征分析：LISA时间路径相对长度呈现出东部、西北部省（区）短，局部空间结构具有稳定性；东北部以及中部省（区）高，具有强烈的局部空间结构动态变化格局。弯曲度分析表明东部沿海省（区）以及西部省（区）弯曲度较小，局部空间依赖变化过程波动性较弱，而中部省（区）则波动性较强；从LISA时间路径的移动方向上看，大部分省（区）属于协同发展（正向或负向），说明相邻省（区）间的空间极化（溢出）效应较强。
旅游业碳排放效率LISA时空跃迁分析：研究中发现，各省级行政区的旅游业碳排放效率在不同类型之间的跃迁较少发生，空间凝聚程度达到855%，表明各省級行政区难以改变自身旅游业碳排放效率的相对位置，旅游业碳排放空间格局具有一定的路径依赖和空间锁定特性，这成为未来提高全国旅游业碳排放效率的难点之一。
研究展望及局限：中国旅游业碳排放效率的时空跃迁特征研究能够揭示出其发展历程以及其未来发展趋势，为旅游业未来的绿色发展、环境友好型发展政策制定提供参考。但囿于数据可得性等原因，本文研究时序较短，难以深入剖析我国旅游业碳排放效率的发展历史。再者，本文仅从经济视角对旅游业碳排放效率进行研究，缺乏更广视角的讨论，难以做到全面深入研究，因此后续研究将根据旅游业碳排放效率研究及发展现状，进一步完善、优化研究模型，从更全面的视角对该问题进行探讨，为中国旅游绿色发展提供更完善、科学的依据。
（二）政策启示
综合提升相邻省级行政区旅游业碳排放效率，需要加强相邻省级行政区旅游业整体布局和规划。相邻省级行政区通过建立主题旅游片区等方式，实现多省旅游协同发展，避免“各自为政”。东部效率较高的省级行政区，应利用其技术、人才等优势，发挥区域间协同效应，帮扶邻近效率较低省级行政区，使正向协同发展圈进一步扩大。效率较低的省级行政区，应不断借鉴发展经验，牢牢把握住如“一带一路”等发展热点，提升自身在国内外旅游业中的知名度，优化自身能源消费结构，提升自身旅游业发展的效率，逐渐走向集约型旅游业发展道路。
推动旅游业向绿色发展，需要政府更好地发挥职能。在政府治理层面上，首先，政府作为旅游业发展的引导者，应做好统筹各省级行政区旅游业发展的协调与指导工作；其次，应转变旅游业发展评价指标，从以往主要根据旅游人次、旅游业收入的单一经济指标评价应转向考虑环境、社会等因素的多维度评价指标，使各省级行政区在发展旅游业时不再功利地只考虑其“量”而不考虑其“质”；最后，由于现今对旅游业碳排放量的测算手段主要以估算为主，由于数据可得性等问题，未能对中国旅游业碳排放量进行准确反映，因此政府应公布官方监测数据，使旅游业发展现状更直观、透明地呈现。
形成全行业绿色发展理念，需要对相关行业进行正确引导。在旅游交通方面，构建高效且能源消耗低的公路、铁路网络，降低对民航等环境污染较重的交通方式使用率；在旅游住宿方面，应鼓励民宿等共享旅游方式发展，倡导酒店向智能化、绿色化发展， 提高资源利用率；在旅游购物方面，应着力提高旅游产品的附加值，降低同质化且低附加值的旅游产品在市场上的比例；在旅游娱乐方面，应通过对文化的深层挖掘，开发既满足旅游者精神消费需求又低碳环保的娱乐方式。
参考文献：
[1]SUSANNE BECKEN How tourists and tourism experts perceive climate change and carbonoffsetting schemes[J].Journal of sustainable tourism， 2004， 12（4）： 332-345
[2]韩元军， 吴普 京津冀地区旅游的碳排放测算与比较研究[J].人文地理， 2016（4）：127-134
[3]谢园方， 赵媛 长三角地区旅游能源消耗的CO2排放测度研究[J].地理研究， 2012， 31（3）：429-438
[4]肖潇， 张捷， 卢俊宇，等 旅游交通碳排放的空间结构与情景分析[J].生态学报， 2012， 32（23）：7540-7548
[5]刘益 中国酒店业能源消耗水平与低碳化经营路径分析[J].旅游学刊， 2012， 27（1）：83-90
[6]魏卫，张琼 基于层次分析法的饭店低碳化水平评价指标体系研究[J].华南理工大学学报（社会科学版），2012（6）：26-31
[7]魏艳旭 我国旅游交通碳排放及其地区差异的分析研究[D].西安：陕西师范大学， 2012
[8]孙晋坤， 章锦河， 刘泽华，等 区域旅游交通碳排放测度模型及实证分析[J].生态学报， 2015， 35（21）：7161-7171
[9]吴普 离岸岛屿目的地旅游交通能耗与CO2排放测算——以海口市为例[J].旅游学刊， 2014， 29（8）：110-116
[10]韩元军， 吴普， 林坦 基于碳排放的代表性省份旅游产业效率测算与比较分析[J].地理研究， 2015， 34（10）：1957-1970
[11]姚治国， 陈田， 尹寿兵，等 区域旅游生态效率实证分析——以海南省为例[J].地理科学， 2016， 36（3）：417-423
[12]李志勇 低碳经济视角下旅游服务效率评价方法[J].旅游学刊， 2013， 28（10）：71-80
[13]ABREU M， GROOT H L F D， FLORAX R J G M.Space and growth：A survey of empirical evidence and methods[J]Region et developpement，2004，21：13-44.
[14]王坤， 黄震方， 曹芳东 中国旅游业碳排放效率的空间格局及其影响因素[J].生态学报， 2015， 35（21）：7150-7160
[15]REY S J， JANIKAS M V STARS： Spacetime analysis of regional systems[J].Geographical analysis， 2006， 38（1）： 67-86
[16]潘植强 我国旅游业碳排放影响因素及碳减排门槛效应研究[D]上海：上海师范大学， 2016
[17]CHARMES A， COOPER W W， RHODES E Measuring the efficiency of decision making Units [J].European journal of operational research，1978（2）： 429-444
[18]朱巧嫻， 梅昀， 陈银蓉基于碳排放测算的湖北省土地利用结构效率的 DEA 模型分析与空间分异研究[J].经济地理，2015， 35（12）： 176-184
[19]李瑞， 郭谦， 贺跻， 等 环渤海地区城市旅游发展效率时空特征及其演化阶段——以三大城市群为例[J].地理科学进展， 2014， 33（6）： 773-785
[20]TONE K Dealing with undesirable outputs in DEA： A Slacksbased measure（SBM）approach [R]GRIPS research report series， 2003[ZK）][ZK）]
Abstract： Based on data envelopment analysis （DEA） of undesirable outputs and exploratory spatialtime data analysis， this article measures the tourism carbon emission efficiency and discusses its timespatial transition characteristics of 30 provinces and autonomous regions in China （excluding Tibet， Hong Kong， Macao， Taiwan）. The results show that： （1） Tourism carbon emission efficiency in most provinces and autonomous regions show upward trends from 2000 to 2016， with the high value center centering in the eastern coastal provinces and the low value in the western provinces. （2） By conducting global autocorrelation analysis， it can be concluded that there is a significant spatial positive correlation of the tourism carbon emission efficiency. （3） By analyzingthe LISA time path and spatialtime transition， it is shown that the tourism emission efficiency in most provinces has a relatively stable local spatial structure and few spatialtime transitions across different types， showing a strong spatial dependence and pathlocking feature. Based on the results obtained， the article puts forward several feasible suggestions of lowcarbon tourism.
Keywords：tourism； carbon emission； efficiency； spatialtime transition
