EN中文

中国生态旅游 >

2024 , Vol. 14 >Issue 4: 738 - 755

DOI: https://doi.org/10.12342/zgstly.20240161

生态旅游

旅游发展对CO2排放的复杂影响：不同类型城市的比较分析

  • 张燕 ,
  • 章杰宽
展开
  • 桂林旅游学院旅游管理学院，桂林 541006
*章杰宽（1982-），男，博士，教授，研究方向为旅游经济、旅游地理、可持续旅游。E-mail:

张燕（1985-），女，副教授，研究方向为低碳旅游和旅游经济。E-mail:

收稿日期: 2024-06-24

  修回日期: 2024-08-14

  网络出版日期: 2025-01-03

基金资助

国家自然科学基金项目(72742037)

广西高校中青年教师科研基础能力提升项目(2024KY0835)

收起

Complex impacts of tourism development on CO2 emissions: A comparative analysis of different types of cities in China

  • Zhang Yan ,
  • Zhang Jiekuan
Expand
  • School of Tourism Management, Guilin Tourism University, Guilin 541006, China
*Zhang Jiekuan. E-mail:

Received date: 2024-06-24

  Revised date: 2024-08-14

  Online published: 2025-01-03

Fold

摘要

在全球气候治理以及中国“双碳”目标下，旅游发展与CO2排放的关系引起越来越多国内外学者关注，但是已有研究往往只关注旅游自身而忽略了旅游所在的社会经济系统的整体影响。文章基于整体视角，采用模糊集定性比较分析和必要条件分析方法探讨了中国31个不同类型城市共93个案例地的旅游发展和经济发展、产业结构、创新能力和人口规模等多维因素对CO2排放的联动效应。结果显示：（1）旅游或其他任何单一变量都不是CO2排放的必要或充分条件；（2）存在3种驱动高CO2排放的发展模式，分别是工业驱动型、经济-旅游驱动型和人口-工业驱动型；（3）存在3种驱动低CO2排放的发展模式，分别是低发展驱动型、旅游驱动型和经济驱动型。文章证实了旅游发展与其他变量的组合对CO2排放的复杂影响，突破了已有研究对单一变量关系的认知局限。文章发现了旅游发展对CO2排放的非对称因果影响，即旅游发展的存在与否都有可能驱动高或者低CO2排放。文章为因地制宜发展旅游并促进旅游业的低碳发展提供理论参考。

关键词： “双碳”目标; 旅游发展; CO2排放; 低碳旅游; 必要条件分析; 模糊集定性比较分析

本文引用格式

张燕 , 章杰宽 . 旅游发展对CO2排放的复杂影响：不同类型城市的比较分析[J]. 中国生态旅游, 2024 , 14(4) : 738 -755 . DOI: 10.12342/zgstly.20240161

Abstract

The relationship between tourism development and CO2 emissions has attracted considerable interest from researchers worldwide under the background of global climate governance and the claim of China’s “dual carbon” goal. However, existing studies tend to concentrate solely on tourism without examining the broader impact of the socio-economic system in which it resides. From a holistic perspective, this article uses fuzzy-set qualitative comparative analysis methods and necessary condition analysis based on a total of 93 cases from 31 different types of cities in China to reveal the synergistic causal impact of tourism development and various factors such as economic development, industrial structure, innovation capacity and population size on CO2 emissions. The results show that: (1) neither tourism nor other single variable is a necessary or sufficient condition for regional CO2 emissions; (2) there are three patterns driving high CO2 emissions, namely the industry-driven, economy-tourism driven, and population-industry driven; and (3) there are three patterns of low CO2 emissions, namely the low development driven, tourism driven, and economy driven. The article confirms the complex impacts of tourism development and other core conditions on CO2 emissions from configurational perspectives. The article identifies a causal asymmetry in the driving mechanisms of CO2 emissions, i.e., the presence or absence of tourism development may drive either high or low CO2 emissions. Moreover, the article provides a solid theoretical basis for tailoring tourism development to local conditions and promoting tourism’s low-carbon development.

Key words： “dual carbon” goal; tourism development; CO2 emissions; low-carbon tourism; necessary condition analysis; fuzzy-set qualitative comparative analysis

1 引言

气候变迁背景下，旅游发展和二氧化碳（CO2）排放的关系引起学者们的广泛关注 [1⇓-3]。已有研究证实了旅游发展对CO2排放的正向影响[4⇓-6]、负向影响[7⇓-9]或者非线性影响[10⇓-12]。上述研究通过对面板或时间序列数据的分析，在不同实证研究中发现了旅游发展和相关变量对CO2排放的影响及其空间异质性，极大促进了对旅游发展与低碳转型之间关系的理解。但是，从系统论视角上述研究存在一个明显不足：只聚焦旅游[4⇓⇓⇓⇓⇓⇓⇓-12]、经济[13]等单一条件变量而不是条件组合对结果变量（即CO2排放）的影响。尽管已有研究控制了经济、技术、人口等因素[10⇓-12]，但是很少关注这些条件变量的组合对CO2排放的作用。换言之，已有研究未能探索前因变量的复杂联动效应，即旅游发展和相关变量及其组合对CO2排放的必要性和充分性等复杂因果影响。并且，不同旅游目的地碳排放水平往往差异很大。例如上海和张家界，同样作为全球著名的旅游目的地，却有着完全不同的碳排放量。据估计，2019年上海CO2排放约1.93亿t，张家界只有0.04亿t[14]。区域旅游碳排放特征同样具有显著差异[15-16]。因此，需要在平均效应之外，探求旅游发展对CO2排放的复杂因果效应。
为此，文章在旅游发展和相关变量对CO2排放的组合效应方面做初步尝试。作为增长速度最快、规模最大的经济部门之一，中国旅游业面临巨大的低碳发展压力[17⇓-19]。文章以中国不同类型城市为实证案例，探讨旅游发展及其相关变量对区域CO2排放的必要性和充分性影响，在理论上响应旅游发展与区域碳排放关系的系统性和复杂性思考，在实践上响应案例地旅游业低碳发展的现实需求。文章采用模糊集定性比较分析方法（fuzzy-set Qualitative Comparative Analysis, fsQCA）作为主要研究方法。与已有分析不同，fsQCA建模不关注每个前因变量对结果变量的独立作用，而是充分考虑前因变量的联合效应，从整体性角度检验前因变量的组合是否会导致结果变量的改变，从而突破基于前因变量和结果变量二元关系研究的局限性[20]。文章还引入必要条件分析方法（Necessary Condition Analysis, NCA），补充分析并强化fsQCA方法中前因变量对结果变量的必要性[21]。
与已有研究相比，文章具有如下创新。理论设计上，不同于经济学范式下的平均效应，文章探讨旅游发展和相关变量对CO2排放的复杂因果效应，从而有助于深入揭示旅游发展对CO2排放的复杂驱动机制。文章还假设旅游发展及其相关变量的“是”或“非”以及变量的组合都是CO2排放的原因，避免当前研究中单一变量及其确定性解释的不足。研究方法上，不同于传统的计量经济学方法，文章采用定性和定量相结合的fsQCA方法，同时引入必要条件分析的NCA方法，为类似问题研究提供一个新的方法论视角。研究对象上，文章以不同类型城市为实证案例，探讨旅游发展对CO2排放的不同影响模式，有助于全面、深入地认知旅游发展对区域低碳转型的作用机制。

2 理论基础

可持续发展和组态理论是文章的基本理论基础。可持续发展是基于人口、资源、环境与经济的协调发展，低碳发展作为全球应对气候变化的热点问题，是可持续发展理论体系的重要构成。因此，人口、资源、环境和经济的协调是低碳发展的基本目标。作为重要的经济和文化现象，旅游应当积极融入低碳发展系统，以更好发挥旅游在区域低碳发展中的作用。同时，区域经济低碳发展依赖技术创新驱动，这也是全球区域低碳转型的主要举措。因此，低碳旅游是一个由旅游、经济、环境包括CO2排放以及创新投入组成的有机系统[22]。组态理论是系统论思维的具体表象，可以避免还原主义研究范式对整体研究的局限[21]，有助于从整体回答旅游系统如何影响CO2排放。根据组态理论，旅游发展、经济增长等系统变量不是解释区域CO2排放的对立者而是潜在的合作者，需要探讨旅游发展与其他变量的联动效应对CO2排放的影响，且该影响路径并不唯一。组态理论认为，旅游发展与其他变量之间呈现多样的复杂关联，这种关联在不同的区域和发展阶段呈现差异性，进而影响CO2排放。
旅游业的可持续属性使得其在CO2减排中扮演了重要角色[23]。但随着能源消耗的逐渐增加，旅游业的碳密集型特征越发显著[24-25]。在不同实证研究中，旅游发展对CO2排放的显著影响成为共识：旅游发展单向影响CO2排放[7⇓-9,26]。但由于不同区域旅游产业特征的差异，如不同的旅游产品类型、旅游地可进入性以及区域政策差异，旅游发展和CO2排放之间关系又有着显著区别，如前文指出的正负影响和非线性影响[4⇓⇓⇓⇓⇓⇓⇓-12]。在经济方面，更高的经济增长意味着更多的CO2排放 [26⇓-28]。但是环境库兹涅茨曲线的实证研究表明经济增长并不总是增加CO2排放。与旅游发展相似，经济增长与CO2排放之间的倒U型联系同样被诸多研究证实[29-30]。经济增长导致的技术和结构效应可以降低单位产出的CO2排放, 这在众多发达国家尤为明显[31-32]，进而有效降低CO2排放。但即便在日益严峻的气候问题背景下，经济增长仍然是许多国家和地区首选发展战略。尤其在一些欠发达地区，CO2排放控制在优先权上往往要让位于经济增长目标。因此，旅游发展与CO2排放的关系与区域经济发展水平具有较大关联。
产业结构对CO2排放有显著影响，因此产业结构调整是经济增长过程中减排的重要方向[33-34]。决策者往往通过结构升级或者优化来实现减排目标[35⇓-37]。目前的碳排放中工业排放占据了绝对主导，因此当前大多数节能减排的努力都集中在工业制造部门[35]。通过降低高污染行业比重，大力发展清洁产业，有助于碳密集型产业的绿色低碳转型。Yang 等[38]也认为优化产业结构可以降低旅游业碳排放强度，王兆峰和汪倩[39]发现旅游内部产业结构的变化会引起旅游相关CO2排放的变化。因此，文章假设在不同产业结构背景下，旅游发展对CO2排放的影响显著不同。
创新也被认为是实现低碳转型的关键因素[40]。与产业结构调整在区域、时间和部门方面的局限性不同，技术创新可以更好地打破时空和行业壁垒，在更广阔的范围内降低CO2排放。并且，技术创新在生产、运输和消费等各个环节都可以有效降低CO2排放[37,41-42]。因此，Fernandez等[43]和邵帅等[44]认为技术进步有助于促进低碳转型。当然，这一结论仍有情境特殊性。例如，Petrović和Lobanov[45]研究证实，尽管从长期看，大多数国家的高创新投入有助于降低CO2排放，但是仍有一些国家如丹麦、芬兰的创新投入对碳排放呈长期负向影响。在部门层面，Shen和Lin[46]发现只有能源密集型企业碳排放对技术创新最为敏感。另外一个重要的碳排放影响因素是人口。居民对高质量生活的追求导致其直接和间接的能源消费不断增长，从而排放大量CO2[47-48]。因此，人口规模变化是区域CO2排放的重要影响变量[49-50]。尤其对于城市而言，中国持续的城市化进程带来的人口集聚对于城市CO2排放的影响越发显著[51-52]。
总之，上述变量均是区域CO2排放的重要影响因素，也是可持续发展理论尤其是低碳发展理论的关键变量。但鲜有学者从系统组态视角，探讨这些变量组合对低碳发展的作用以及这些变量对于CO2排放的必要性。旅游发展和经济、产业结构、创新及人口因素之间的联动和匹配方式怎样影响区域碳排放绩效，仍需要结合实际案例进一步探索。文章基于组态理论，假设旅游发展和相关变量的复杂组合对区域CO2排放有显著影响（图1），旅游发展与相关变量的不同组合均有可能影响区域CO2排放。其中组态表示不同变量的有效组合，即该理论模型的解。文章利用fsQCA方法探讨这些有限解。除了旅游发展和上述4个变量外，文章不再引入其他变量。一方面图1中变量与CO2排放的关系已经被广泛证实，并且这些变量在已有的旅游发展影响CO2排放的文献中，充当了控制变量的角色[12,29⇓⇓ -32]，证实了其与旅游发展一起共同对CO2排放产生影响。另一方面变量（条件）增加很可能导致组态个数过多，从而出现解的有限多样性问题。对于不同类型城市这样的中等规模样本分析，理想的条件个数一般在4~7个[53]，5个条件变量符合文章组态分析的基本要求。
图1 区域CO2排放的驱动机制

Fig. 1 Driving mechanism of regional CO2 emissions

3 研究方法

3.1 fsQCA和NCA方法

fsQCA方法基于整体视角，符合实践中相互依存和多重并发因果关系的要求，这正是传统回归分析的短板。回归分析往往只关注数据拟合的单一因果模型，fsQCA方法则关注因果关系的多样性、复杂性，在多个可比较的案例之间确定不同因果模型[53]。在fsQCA框架中，单个变量对结果有其各自独立影响的认知不成立，相反被并发因果关系的假设所代替，即多个原因同时出现并构成某个结果解释的“组态”。fsQCA方法的整体视角根植于组态思维，认为结果应该是相互关联的结构和实践的集群而非分单元或者松散结合的实体，且不能以孤立、切片的方式理解这一结果[19]。NCA则是专门分析变量之间必要性关系的方法，用于量化分析前因条件如何构成结果的必要性，这补充了fsQCA方法中必要性分析侧重定性分析的不足[20]。总之，在必要性分析方面，fsQCA方法识别前因变量是否是结果变量的必要条件，NCA方法则量化前因变量在多大程度上是结果变量的必要条件。

3.2 案例选择

文章为充分发挥fsQCA和NCA方法在比较分析中的作用，选择不同类型城市比较研究旅游发展对CO2排放的影响。这些类型与旅游发展和CO2排放密切相关，分别为旅游型、污染型、发达型和创新型。旅游型表明城市经济发展对旅游产业依赖程度较大；污染型旨在识别高碳排放中旅游发展可能的作用；发达型基于经济发展水平衡量，经济发展既与旅游发展又与CO2排放密切相关[26-27]；创新型反映城市科技创新水平，科技创新是驱动旅游增长或降低CO2排放的主要手段[10,43-44]。文章计算中国所有城市每个类型指标的值，并为每一类型选择排名前十的城市作为研究样本。旅游型城市通过旅游收入和GDP的比值确定，污染型城市通过CO2排放量确定，发达型城市通过人均GDP确定，创新型城市通过专利授权数量确定。文章以2019年数据确定入选城市。由于部分城市出现在不同榜单中（表1），最终文章共确定31个城市。为更好考察样本的时间变化，文章确定2011、2015和2019年3个时间节点（考虑到新冠肺炎疫情对旅游发展及社会经济的广泛影响，文章样本时间截止到2019年）。如此，共确定31个城市3个年度的93个案例样本。
表1 2019年各类型排名前十的城市

Tab. 1 Top 10 cities by different categories in 2019

排名 旅游型城市 旅游收入/GDP 污染型城市 百万吨CO2
排放（t）		 发达型城市 人均GDP（元） 创新型城市 专利授权数量
（个）
1 丽江 2.276 上海 192.91 深圳 203 489 深圳 166 609
2 张家界 1.721 天津 158.47 克拉玛依 188 857 北京 131 716
3 西双版纳 1.453 重庆 156.25 无锡 180 044 广州 104 813
4 安顺 1.451 苏州 131.57 苏州 179 174 上海 100 587
5 德宏 1.095 鄂尔多斯 116.76 珠海 175 533 苏州 81 145
6 黔东南 1.077 唐山 107.47 鄂尔多斯 173 069 杭州 61 568
7 迪庆 1.076 石家庄 98.04 南京 165 681 东莞 60 419
8 甘孜 0.931 武汉 89.44 北京 164 220 佛山 58 747
9 池州 0.930 保定 88.83 阿拉善 163 763 天津 57 799
10 三亚 0.929 成都 88.54 上海 157 279 南京 55 004

3.3 数据收集和校准

参考已有研究，采用人均碳排放表示CO2排放[6]，人均旅游收入作为旅游发展指标[6,10-11]，人均GDP作为经济发展指标[26,29-30]。考虑到CO2排放主要来自第二产业，并且中国节能减排的重点以及当前碳市场和绿色低碳转型的主要部门都集中在第二产业[35⇓-37,54]，采用第二产业增加值的比例衡量产业结构。创新能力衡量的一个重要指标是R&D投入占GDP的比例[43]，但文章采用相对更重要的专利授权数量来衡量区域创新能力。因为R&D支出是投入指标，专利授权数量是产出指标，相对前者，后者更能反映区域创新能力。人口衡量指标是城市常住人口数量。各市旅游收入、GDP、人均GDP、专利授权数量和第二产业增加值数据来自各城市年度国民经济与社会发展统计公报。碳排放数据来自中国碳核算数据库ceads.net[13]。考虑到价格变化，旅游收入和人均GDP的数值根据2010年不变价进行平减，得到各城市真实旅游收入和人均GDP。各变量数据的描述性统计结果见表2第1~4列。数据显示，各变量在不同城市和时间有较大差异。人均碳排放最大值为2019年阿拉善的66.105t，最小值为2019年北京的2.333t。旅游收入的最大值则是最小值的40.74倍，差距最大的是创新能力，最大值是最小值的33 321.8倍。考虑到样本变量之间的巨大差异，文章采用四值模糊集校准法。锚点采用各变量的75%分位数、50%分位数和25%分位数，分别代表完全隶属、交叉点和完全不隶属。各变量锚点见表2第5~7列。
表2 描述性统计结果和校准点（N=93）

Tab. 2 Descriptive statistical results and calibration points (N=93)

变量 均值 标准差 最小值 最大值 校准
完全隶属
（75%分位数）		 交叉点
（50%分位数）		 完全不隶属
（25%分位数）
人均碳排放 11.750 14.909 2.333 66.105 9.451 7.123 5.391
人均旅游收入 17 230 13 598 1 627 66 285 21 613 13 045 8 238
人均GDP 73 636 44 645 10 481 180 460 108 629 69 740 31 159
创新能力 22 925 32 011 5 166 609 38 025 6 697 289
产业结构 41.730 14.132 14.701 89.340 49.770 41.303 31.701
人口 775 746 24 3 124 1 075 744 132

4 结果分析

4.1 必要条件分析

一般来讲，如果一个变量的一致性不小于0.9，则该变量可视为是结果变量的必要条件[55]。表3显示，各个单项前因条件影响高或者低CO2排放的一致性均未超过0.9，因此不构成必要条件。从一致性值来看，最高的是高产业结构的0.7416，该值远远低于0.9，旅游的一致性则在0.55以下。表3意味着旅游发展以及其他各个单项前因条件对低碳绩效的解释力较弱。这也证实了前文的理论分析，单一变量并不能很好地解释区域CO2排放的变化。此外，各个前因变量的覆盖度相对较高，大都超过了0.5，表明了前因条件较好的代表性。
表3 必要条件分析

Tab. 3 Necessary condition analysis

前因变量 高CO2排放 低CO2排放
一致性 覆盖度 一致性 覆盖度
高人均旅游收入 0.536 0.511 0.545 0.568
低人均旅游收入 0.547 0.524 0.531 0.555
高人口 0.547 0.533 0.517 0.551
低人口 0.539 0.505 0.562 0.576
高人均GDP 0.676 0.657 0.405 0.430
低人均GDP 0.414 0.389 0.677 0.696
高创新能力 0.521 0.523 0.518 0.568
低创新能力 0.569 0.519 0.565 0.563
高产业结构 0.742 0.695 0.382 0.391
低产业结构 0.350 0.341 0.702 0.748
===图2显示了必要条件分析的散点图。散点图通过两条上限线（ceiling lines）上方的空间判断前因变量的必要性。该空间越大，前因条件越有可能限制结果变量，越有可能作为结果的必要条件[56]。NCA采用两种方式生成上限线：上限包络-自由处置式（Ceiling Envelopment-Free Disposal Hull，CE-FDH）和上限回归-自由处置式（Ceiling Regression-Free Disposal Hull，CR-FDH）。图2显示，针对任何一个前因变量，上限线左上方的空白区域非常有限，这表明各前因变量对人均碳排放的必要性较小。因为NCA必要条件检验中效应量（d）的计算是这一空白区域除以范围。效应量越大意味着前因变量成为必要条件的可能性越高。效应量取值范围为0到1，大于0.1是判断必要条件的经验标准之一。一般而言，d位于[0,0.1）意味着小效应,位于[0.1,0.3）意味着中等效应,位于[0.3,0.5）意味着大效应,[0.5,1]意味着非常大效应[55]。由于上限线上方空间较小，并且基于CE和CR两种估计方法的必要性检验结果更加稳健[21]，文章报告两种估计方法的必要条件检验结果（表3）。
图2 NCA散点图

Fig. 2 NCA scatter plot

===表4显示，所有变量效应值均小于0.1，按照NCA检验规则，只有当前因变量的效应值大于0.1同时显著性小于0.05时，才能被认为是结果变量的必要条件[20]。总之，文章没有发现旅游发展和其他前因变量对于人均碳排放的必要性。必要条件的缺失凸显了检验充分条件即考察不同前因变量对人均碳排放组合效应的重要性。
表4 NCA必要性结果

Tab. 4 NCA necessity results

前因变量 估计方法 精确度（%） 上限 范围 效应值 p值
人均旅游收入 CE 100.0 0.000 1.000 0.000 1.000
CR 100.0 0.000 1.000 0.000 1.000
人口 CE 100.0 0.000 0.970 0.000 1.000
CR 100.0 0.000 0.970 0.000 1.000
人均GDP CE 100.0 0.025 0.990 0.025 0.000
CR 93.5 0.044 0.990 0.044 0.000
创新能力 CE 100.0 0.000 0.960 0.000 1.000
CR 100.0 0.000 0.960 0.000 1.000
产业结构 CE 100.0 0.032 1.000 0.032 0.000
CR 98.9 0.024 1.000 0.024 0.000

注：CE表示上限包络分析；CR表示上限回归分析。置换检验（Permutation test）为1 000次。

4.2 充分条件分析

文章通过构建真值表开展fsQCA算法进行充分条件检验。按照fsQCA 3.0软件默认法则，真值表的Raw一致性阈值为0.8，PRI一致性阈值为0.7。fsQCA结果一般会得到3 类解：复杂解（Complex solution）、简单解（Parsimonious solution）和中间解（Intermediate solution）。中间解主要优点是不允许消除必要条件，一般介于复杂解和简约解之间，得到结论的启示性和普适性较好，通常被认为是QCA模型的最优解 [56]。因此，文章只报告fsQCA的中间解。根据Fiss[20]建议，识别组态的核心和边缘条件。若一个前因条件同时出现于简单解和中间解，则该条件为核心条件；若此条件仅出现在中间解，则将其记为边缘条件，起辅助作用。组态分析考核的主要指标包括一致性和覆盖度[56]。如果一致性≥0.8，则认为该解效果较好。表5显示了导致高或者低CO2排放的中间解（组态）。
表5 影响CO2排放的组态

Tab. 5 Configuration affects CO2 emissions

组态 高CO2排放 低CO2排放
组态1 组态2 组态3 组态4 组态5 组态6
人均旅游收入 ● 􀱋 ● 􀱋
人均GDP ● ● 􀱋 􀱋 􀱋 ●
创新能力 􀱋 ● 􀱋 􀱋 􀱋 ●
产业结构 ● ● ● 􀱋 􀱋
人口 􀱋 ● 􀱋 􀱋 ●
一致性 0.964 0.879 0.865 0.834 0.811 0.861
原始覆盖度 0.303 0.242 0.178 0.415 0.314 0.140
唯一覆盖度 0.195 0.162 0.092 0.143 0.049 0.111
代表性案例 阿拉善、
克拉玛依、
鄂尔多斯		 苏州2019、
苏州2015、无锡2019、
无锡2015、
武汉2015、
珠海2015、珠海2019、
天津2015		 石家庄2015、石家庄2011、
保定2015、
保定2011、唐山2015、
唐山2011		 德宏2015、
德宏2011、
黔东南2011、黔东南2015、甘孜2015、
张家界2011、西双版纳2011		 丽江2019、丽江2015、
张家界2019、张家界2015、
安顺2019、安顺2015、
西双版纳2015、西双版纳2019、
池州2019、池州2015、
三亚2015、三亚2011、
迪庆2019、迪庆2015、
迪庆2011、甘孜2019、
黔东南2019、德宏2019、		 深圳2019、
深圳2015、
东莞2019、
广州2011
总体解的一致性 0.903 0.828
总体解的覆盖度 0.569 0.575

注：●表示核心条件存在；􀱋表示核心条件不存在；●表示边缘条件存在；􀱋表示边缘条件不存在。

表5显示，存在3个产生高CO2排放的不同组态，分别是组态1：~人口∗人均GDP∗~创新能力∗产业结构、组态2：人均GDP∗创新能力∗产业结构∗人均旅游收入和组态3：人口∗~人均GDP∗~创新能力∗产业结构∗~人均旅游收入，其中“~”表示“非”、“低”或者“不存在”。总体解一致性为0.903，各组态一致性均高于0.8，总体解覆盖度为0.569，解释效果较好。同样存在产生低CO2排放的3个组态，分别是组态4：~人口∗~人均GDP∗~创新能力∗~产业结构、组态5：~人口∗~人均GDP∗~创新能力∗人均旅游收入和组态6：人口∗人均GDP∗创新能力∗~产业结构∗~人均旅游收入。此时，总体解一致性为0.828，各组态一致性同样均高于0.8，总体解覆盖度为0.575，上述数值同样表明了低CO2排放各组态较好的解释效果。
根据各组态核心和边缘条件及其组合状况，将组态1命名为工业驱动型高碳排放模式，核心条件为产业结构和人均GDP存在。在这一模式下，经济增长主要依赖第二产业，并且第二产业发展对于经济增长具有较强推动作用。这一组态覆盖30.3%案例，且以资源依赖型城市为主，这些城市通过资源开采、销售拉动经济快速增长，但同时排放较高CO2。将组态2命名为经济-旅游驱动型高碳排放模式。在这一模式下，人均旅游收入、人均GDP和产业结构存在发挥核心作用。这一组态覆盖24.2%的案例。这一模式下，整体经济系统与旅游协调发展，但同时都排放较高CO2。组态3为人口-工业驱动型高碳排放模式，这一组态覆盖17.8%案例，人口存在发挥着核心作用。主要覆盖大型工业城市，这些城市具有较高碳排放特征，但是创新能力较弱。组态4为低发展驱动型低碳排放模式，覆盖41.5%案例。在这些城市，旅游业对碳排放的影响较弱。这些区域是典型欠发达地区，整体社会经济发展水平较为落后，旅游发展水平的高或低，都不会对碳排放绩效产生显著影响。这一组态中，较弱的创新能力发挥核心作用。组态5为旅游驱动型低碳排放模式，在这一模式中旅游存在发挥核心作用，且覆盖31.4%案例。这些城市旅游业发展占据重要地位，同时总体CO2排放较低，表明旅游本身的低碳特征。组态6为经济驱动型低碳排放模式，人均GDP存在发挥核心作用，且覆盖14.0%案例。这些城市在经济快速增长同时，积极调整产业结构，并且提升创新能力，形成人口集聚，有效降低CO2排放。在上述组态中，旅游在组态2、组态5和组态6中是核心条件，也说明旅游发展在区域低碳发展中起重要驱动作用。

4.3 稳健性检验

组态结果与校准锚点以及真值表的一致性阈值有较大关联[56]，文章继续通过调整锚点和一致性阈值检验组态结果的稳健性。在锚点一致性水平的轻微变化后，如果各组态即模型解没有显著变化，则可认为前文发现稳健。反之，则需要对各组态进行更深入讨论。在fsQCA方法的稳健性检验中，相关值取值范围并没有明确要求。当然如果锚点和一致性阈值有较大改变，理论上必然造成模型解的显著改变，这也违背了稳健性检验的目的。文章将真值表的Raw一致性水平由0.80变成0.82，PRI一致性阈值保持0.70不变。从整体解结果看，在高CO2排放方面，解一致性由0.903变成0.901，覆盖度由56.9%变成59.2%；在低CO2排放方面，解一致性和覆盖度不变。总之，经过一致性阈值调整，新组态各关键指标均未发生显著变化，且同样达到基本要求。从组态变量结合关系来看，此时组态1的产业结构由核心条件变成边缘条件，其他变量保持不变，解的一致性和原始覆盖度没有变化。组态2的变量集合关系同样没有显著改变，区别在于人均GDP和产业结构分别由核心和边缘条件变成边缘和核心条件，但是背后的解释机制基本相同。同时，解的一致性和原始覆盖度也没有变化。组态3的变量组合关系不变，解的一致性和覆盖度有轻微变化。在低CO2排放方面，组态4和组态6的变化集合关系均未发生变化，只有解的一致性和覆盖度有轻微改变。变化较大的是组态5，人均GDP由存在条件变成非存在条件，其他条件包括旅游的核心条件位置不变。总体上，在一致性阈值提升后，文章研究结论没有发生根本变化。
在锚点方面，将75%、50%和25%分位数变成72%、50%和22%分位数，其他条件不变。此时在高CO2排放方面，解一致性由0.903变成0.884，覆盖度由56.9%变成61.3%；在低CO2排放方面，解一致性由0.83变成0.82，覆盖度由57.5%变成56.8%。上述指标均未发生显著变化，且各组态相关指标也达到分析要求。在组态变量集合方面，组态1中创新能力缺乏条件缺失，但是背后的解释机制仍然不变，同样人均GDP和产业结构在发挥重要作用。组态2和组态3的变量集合关系没有变化；组态4的变量构成保持不变，只是条件属性有所改变；组态5和组态6的变量关系不变。总之，当改变校准锚点之后，文章的结论依然稳健 ①。

5 进一步分析

结果显示，无论是旅游发展还是其他条件变量都不是高或低CO2排放的必要条件，这补充了对已有研究认为的旅游以及其他变量对CO2排放有显著影响结论的理解。已有研究证明了旅游或者经济发展、产业结构、人口和创新是CO2排放的格兰杰原因，或者上述变量与CO2排放之间具有相关关系[7⇓-9,27,38,43-44,51-52]。与上述发现不同，文章结果表明旅游发展和其他单一变量与CO2排放之间的因果关系不显著，旅游发展对CO2排放的影响取决于其和其他变量的组合情况。已有的计量经济学研究都是将单一变量看成是结果的前因因素，但是fsQCA方法更多地揭示多个前因变量的组合对结果的影响。研究表明，单一变量无论是旅游发展还是其他变量都既非低碳绩效的必要也非充分条件。需要从系统论角度，充分考虑各个变量的组合来认知旅游发展在低碳转型中的作用，这也符合可持续发展理论中的协调发展观。文章进一步围绕旅游变量在相关组态（即组态2、组态3、组态5和组态6）的作用，深入分析这些组态的影响机制及其覆盖的代表性案例城市。
经济-旅游驱动型高碳排放模式意味着较高的经济发展水平，同时经济增长对第二产业依赖性较大。在这一模式下，旅游发展水平较高，但是旅游业自身的碳排放特征比较明显。即在这一模式下存在两个可能的高CO2排放路径。一个是工业驱动的经济增长带来的CO2排放，这个类似于组态1的作用机制。另一个路径是旅游业的快速增长和规模效应导致的CO2排放，这证实了这些区域旅游的高碳排放特征。一方面，随着旅游业快速增长和规模效应的显现，这些区域的旅游交通和相关服务需求不断增加，如住宿、餐饮、购物等，这些活动促进了当地经济发展，但同时也消耗大量的能源和资源，导致大量的CO2排放和相应的环境污染问题[17]。另一方面，这些区域的旅游活动往往需要大量交通运输，同样产生高CO2排放，进一步加剧了这些区域旅游的高碳排放特征[1]。这一高碳排放模式覆盖的代表性城市包括苏州、无锡、武汉、天津和珠海，见图3a。以苏州和无锡为例，2019和2015年第二产业占GDP的比重均超过47%，同时如表1所示，苏州和无锡的人均GDP在全国也位居前列。发达的工业经济尤其是两个城市的工业园区如苏州工业园区、昆山高新区和无锡星洲工业园区成为CO2排放的绝对主力，也是这些区域低碳转型和产业升级的焦点。苏州和无锡的旅游产业同样发达。截至2019年，苏州有5A级旅游景区6家，无锡有5A级旅游景区4家，2019年分别接待旅游者1.36亿人次和1.02亿人次，旅游总收入分别为2 751亿元和2 063亿元。由于旅游者人均CO2排放要远高于当地居民[1]，因此，在规模庞大的工业经济以及旅游经济的多重作用下，上述案例地的人均CO2排放居高不下，给这些区域带来巨大的减排压力。这一高碳排放模式还表明，发达工业经济与旅游经济对碳排放具有协同增效作用。
图3 组态解释的案例

Fig. 3 Cases illustrated by each configuration

在人口-工业驱动型高碳排放模式下，案例地人口较为集中，工业比重较高，这其中可能包括了以工业为主导，由人口推动和促进地区工业发展的情况。同时，这些地区创新能力较弱。在这种情况下，人口集聚带来的管理效率提升并没有成为低碳发展的有利条件，反而助长了CO2排放。这是因为，人口集聚可能会导致城市化进程加快，导致城市交通拥堵、环境污染等问题日益严重，进一步加剧碳排放[51]。文章注意到，这些案例地旅游发展水平较低，在影响碳排放绩效方面影响较小。一个有趣的发现是这一模式覆盖的城市主要分布在河北的保定、石家庄和唐山，见图3b，且时间上都在2015年之前。河北是中国传统的工业大省，碳密集型的钢铁和装备制造业基础雄厚，尤以该组态覆盖的保定、石家庄和唐山最为突出。良好的工业基础导致这些城市的人口也较为集中，但突出问题是这些城市的创新能力相对较弱，在产业升级和转型中面临较大困难。并且由于本身高等级旅游资源缺乏以及政策、文化和地域等因素的影响，难以通过旅游业的发展推动经济转型。值得注意的是，在国家整体低碳战略推动下，基于“碳达峰”和“碳中和”目标，河北省正大力推进工业低碳转型。这也是当前众多类似城市的主要发展路径。正因为工业城市的低碳转型努力，人口-工业驱动型这一高碳排放模式并未覆盖2019年案例。
旅游驱动型低碳排放模式中，旅游业发展在国民经济中占据重要地位。旅游发展导致的经济结构变革显著且当地对旅游发展依赖性较大。相对于一般经济，旅游业的碳排放特征不够明显[3]，尤其该模式覆盖的区域旅游市场以观光类产品为主，因此这一模式下的案例地往往具有较好的低碳绩效，旅游业相对低碳的特征可以促进区域低碳发展的实现。需要注意的是，这一模式下其他几个变量表现不佳，整体经济发展水平、创新能力以及人口规模都较低。该模式覆盖的案例基本以旅游依赖型城市为主，代表性的案例有丽江、张家界、西双版纳、安顺、德宏、黔东南、迪庆、甘孜和三亚等，见图3c。这些城市经济基础较为薄弱，同时旅游资源丰富尤其是自然风光优美，当地政府将旅游业作为重要支柱产业。表1显示，上述城市2019年旅游收入与GDP比值均在90%以上。在发展经济的同时，政府也比较重视环境保护，加上这些区域的旅游供给以碳排放较低的观光类产品为主，使得这些城市在旅游发展和低碳转型方面表现良好。
经济驱动型低碳排放模式实际上确认了环境库兹涅茨曲线的存在，案例地进入经济增长和低碳发展共存的可持续发展状态[29-30]。在取得经济建设成就的同时，这些区域开始注重经济的去碳化。从之前的粗放式经济发展到集约式经济发展，这些城市开始采取有效措施降低经济的环境成本。为降低CO2排放，第二产业比重持续下降，而第三产业发展较快[35]。同时，这些区域科技创新能力较高，注重新能源的开发和利用，城市化进程导致的人口集聚带来管理效率的极大提升，从而使得整个经济体系更加低碳化[52]。在这一模式中，政府的引导和支持也起到关键作用。政府通过制定相关政策和法规，鼓励企业和个人采取低碳排放措施，加大对新能源和环保技术的研发投入，为城市低碳发展提供了有力政策支持。此外，政府还通过财政补贴、税收优惠等方式，鼓励企业和个人采用低碳排放技术和产品，从而推动城市低碳经济的发展。上述低碳发展路径在中国一些经济发达区域较为明显。但在这些区域，旅游业地位相对较低，对于经济增长和社会发展更多起锦上添花作用。这一模式典型的案例地包括广州、深圳和东莞，如图3d所示。
广州、深圳和东莞所在的珠三角地区是中国改革开放的前沿，长期以来都是中国经济增长最为迅速且社会经济较为发达地区。自2009年哥本哈根气候会议中国政府承诺碳强度和碳排放的降低目标后，这些地区首先承担了这一战略任务。2013年中国试点的碳交易市场首先从深圳开始，随之在2013年12月，广东省开始建立碳市场。无论是深圳还是广州，其经济增长主要集中在高新科技服务、金融、商贸物流等第三产业，第二产业比重相对较小，同时该区域的高碳工业企业开始快速地向周边区域转移[57]。东莞则位于广州和深圳之间，很好承接了二者的经济联系。在人口规模方面，上述三个城市2019年常住人口合计3 700多万，人口集聚效应明显。尽管上述城市旅游业总体规模较大，如2019年这一区域的旅游收入合计高达6 514亿元，但相对而言并没有在国民经济中占有较高地位，人均旅游收入在该组态中以“非”条件存在。当然，由于旅游业的大规模发展，仍需要通过旅游业的节能减排为这一区域低碳发展作出贡献。

6 结论和讨论

在“碳达峰”和“碳中和”目标下，各个行业对于CO2排放的影响得到了较多关注，也包括传统意义上相对低碳的旅游业。大量研究证实了旅游发展增加或者降低区域CO2排放，这种矛盾的结论可能源于案例地自身社会经济系统差异，这对基于系统思维考察旅游发展与CO2排放之间关系提出了新的要求。文章基于组态思维，采用fsQCA和NCA方法探讨了不同类型城市旅游发展及其相关变量的集合对CO2排放绩效的复杂影响。文章选择了旅游型、污染型、发达型和创新型4种不同类型合计31个城市93个案例，揭示了旅游发展和经济增长、产业结构、创新能力和人口规模等多种因素对中国城市CO2排放的协同因果影响，识别出影响高或者低CO2排放的不同方案，以及这些方案背后的影响机制。结果显示任何单一变量包括旅游发展都不是区域CO2排放的必要和充分条件，存在驱动高CO2排放的3种模式（工业驱动型、经济-旅游驱动型和人口-工业驱动型）和导致低CO2排放的3种模式（低发展驱动型、旅游驱动型和经济驱动型）。旅游变量在经济-旅游驱动型、人口-工业驱动型、旅游驱动型和经济驱动型4种模式中发挥作用。
文章的理论贡献如下。在已有的单一旅游发展或其他变量对CO2排放影响的研究基础上，基于组态思维从旅游视角揭示影响CO2排放的核心条件及其复杂联动机制。旅游发展对CO2排放的影响具有多样化和非线性特征，但是旅游发展并不构成高或者低CO2排放的必要或充分条件。文章证实了旅游发展与其他变量组合对CO2排放的影响，这突破了已有研究中单一变量关系的认知局限。文章还发现了影响区域CO2排放的因果系统，总结出驱动CO2排放的6种发展模式，其中4种模式与旅游相关。在不同案例地，CO2排放模式具有显著的差异性。文章还证实CO2排放的驱动机制存在因果的非对称性，不能根据产生高CO2排放原因的对立面来直接推导产生低CO2排放的原因。对于旅游变量，因果非对称性依然存在。当旅游与不同条件组合时，可能对CO2排放产生截然相反的作用，如组态2和5。此外，旅游发展的强或弱都有可能驱动高或者低CO2排放，这为因地制宜发展旅游并促进旅游业低碳发展提供一定的理论指导。
文章发现对于中国旅游业以及不同城市的低碳发展同样具有重要的实践启示。在 “双碳”目标不断推进背景下，必须坚持旅游业的低碳转型和发展之路。不能简单地将旅游业与高碳排放或者低碳排放直接关联，旅游发展与区域CO2排放的关系与目的地的社会经济系统密切相关。但无论如何，必须摒弃旅游业“无烟工业”、“低碳产业”的传统观念。在社会经济发达地区，尤其是工业驱动的经济发达地区，旅游业应该尽快完成低碳转型，高碳旅游产品的开发必须得到抑制。对于旅游依赖型的众多欠发达地区，总体CO2排放有限，可以循序渐进地推动旅游业的低碳转型。组态5的结果还显示出旅游依赖型城市整体社会经济发展水平的滞后，对于期望通过工业振兴促进经济跃迁的一些传统旅游城市，必须重视工业产业的低碳设计和选择，避免复制组态2显示的高碳发展模式。
文章仍有一定不足可在未来研究中继续关注。相对于全样本分析，选择不同类型城市更有利于案例的比较分析。即便如此，除了文章设计的4种城市类型，未来仍可以采用更加多元化的类型划分来比较旅游发展与区域CO2排放的关系，有助于得出更丰富的解释。在变量选择方面，文章聚焦旅游发展和4个相关变量。需要注意的是，CO2排放的形成是一个系统工程，其影响因素错综复杂，未来可以进一步探讨更多变量如可再生能源消费、政策环境等。

① 限于版面限制，文章未提供稳健性分析结果，感兴趣的读者可以向作者索取。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
唐承财, 查建平, 章杰宽, 等. 高质量发展下中国旅游业“双碳” 目标: 评估预测、主要挑战与实现路径[J]. 中国生态旅游, 2021, 11(4): 471-497.

DOI

[ Tang Chengcai, Zha Jianping, Zhang Jiekuan, et al. The goal of China’s tourism industry carbon peak and neutrality (dual-carbon) in the context of high-quality development: Evaluation and prediction, major challenges, and approach[J]. Journal of Chinese Ecotourism, 2021, 11(4): 471-497.]

DOI

[2]
Scott D, Hall C M, Gössling S. Global tourism vulnerability to climate change[J]. Annals of Tourism Research, 2019, 77: 49-61.

DOI

[3]
Zhang J K, Zhang Y. Carbon tax, tourism CO2 emissions and economic welfare[J]. Annals of Tourism Research, 2018, 69: 18-30.

[4]
Ali Raza S, Sharif A, Wong W K, et al. Tourism development and environmental degradation in the United States: Evidence from wavelet-based analysis[J]. Current Issues in Tourism, 2017, 20(16): 1768-1790.

[5]
Chen L L, Thapa B, Yan W. The relationship between tourism, carbon dioxide emissions, and economic growth in the Yangtze River Delta, China[J]. Sustainability, 2018, 10(7): 2118.

[6]
Zhang J K, Zhang Y. Tourism, economic growth, energy consumption, and CO2 emissions in China[J]. Tourism Economics, 2021, 27(5): 1060-1080.

[7]
Alam M S, Paramati S R. The dynamic role of tourism investment on tourism development and CO2 emissions[J]. Annals of Tourism Research, 2017, 66: 213-215.

[8]
Dogan E, Aslan A. Exploring the relationship among CO2 emissions, real GDP, energy consumption and tourism in the EU and candidate countries: Evidence from panel models robust to heterogeneity and cross-sectional dependence[J]. Renewable and Sustainable Energy Reviews, 2017, 77: 239-245.

[9]
Saint Akadiri S, Akadiri A C, Alola U V. Is there growth impact of tourism? Evidence from selected small island states[J]. Current Issues in Tourism, 2019, 22(12): 1480-1498.

DOI

[10]
章杰宽. 旅游与碳排放: 全球视角与区域比较[J]. 地理研究, 2022, 41(11): 3088-3104.

DOI

[ Zhang Jiekuan. Tourism and carbon emissions: Global perspectives and regional comparisons[J]. Geographical Research, 2022, 41(11): 3088-3104.]

[11]
Paramati S R, Alam M S, Chen C F. The effects of tourism on economic growth and CO2 emissions: A comparison between developed and developing economies[J]. Journal of Travel Research, 2017, 56(6): 712-724.

[12]
王凯, 邵海琴, 周婷婷, 等. 基于EKC框架的旅游发展对区域碳排放的影响分析: 基于1995—2015年中国省际面板数据[J]. 地理研究, 2018, 37(4): 742-750.

DOI

[ Wang Kai, Shao Haiqin, Zhou Tingting, et al. EKC framework analysis of the effects of tourism development on regional carbon emissions: Based on China’s 1995-2015 panel data[J]. Geographical Research, 2018, 37(4): 742-750.]

[13]
Chen Y L, Wang Z, Zhong Z Q. CO2 emissions, economic growth, renewable and non-renewable energy production and foreign trade in China[J]. Renewable Energy, 2019, 131: 208-216.

[14]
Chen J, Gao M, Cheng S, et al. County-level CO2 emissions in China[DB/OL]. Figshare Dataset. 2020. https://doi.org/10.6084/m9.figshare.12887213.v3.

[15]
黄和平, 乔学忠, 张瑾, 等. 绿色发展背景下区域旅游业碳排放时空分异与影响因素研究: 以长江经济带为例[J]. 经济地理, 2019, 39(11): 214-224.

[ Huang Heping, Qiao Xuezhong, Zhang Jin, et al. Spatio-temporal differentiation and influencing factors of regional tourism carbon emissions under the background of green development: A case study of the Yangtze River Economic Belt[J]. Economic Geography, 2019, 39(11): 214-224.]

[16]
邵海琴, 王兆峰. 长江经济带旅游业碳排放效率的综合测度与时空分异[J]. 长江流域资源与环境, 2020, 29(8): 1685-1693.

[ Shao Haiqin, Wang Zhaofeng. Comprehensive measurement of carbon emissions efficiency of tourism and its spatio-temporal differentiation in the Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2020, 29(8): 1685-1693.]

[17]
查建平. 旅游业能源消费、CO2排放及低碳效率评估[J]. 中国人口·资源与环境, 2016, 26(1): 47-54.

[ Zha Jianping. Evaluation of energy consumption, carbon dioxide emission and low-carbon efficiency[J]. China Population, Resources and Environment, 2016, 26(1): 47-54.]

[18]
陶玉国, 黄震方, 吴丽敏, 等. 江苏省区域旅游业碳排放测度及其因素分解[J]. 地理学报, 2014, 69(10): 1438-1448.

DOI

[ Tao Yuguo, Huang Zhenfang, Wu Limin, et al. Measuring carbon dioxide emissions for regional tourism and its factor decomposition: A case study of Jiangsu Province[J]. Acta Geographica Sinica, 2014, 69(10): 1438-1448.]

DOI

[19]
王凯, 张淑文, 甘畅, 等. 中国旅游业碳排放效率的空间网络结构及其效应研究[J]. 地理科学, 2020, 40(3): 344-353.

DOI

[ Wang Kai, Zhang Shuwen, Gan Chang, et al. Spatial network structure of carbon emission efficiency of tourism industry and its effects in China[J]. Scientia Geographica Sinica, 2020, 40(3): 344-353.]

DOI

[20]
Fiss P C. Building better causal theories: A fuzzy set approach to typologies in organization research[J]. Academy of Management Journal, 2011, 54(2): 393-420.

[21]
杜运周, 刘秋辰, 程建青. 什么样的营商环境生态产生城市高创业活跃度? 基于制度组态的分析[J]. 管理世界, 2020, 36(9): 141-155.

[ Du Yunzhou, Liu Qiuchen, Cheng Jianqing. What kind of ecosystem for doing business will contribute to city-level high entrepreneurial activity? A research based on institutional configurations[J]. Management World, 2020, 36(9): 141-155.]

[22]
Zhang J K, Zhang Y. Low-carbon tourism system in an urban destination[J]. Current Issues in Tourism, 2020, 23(13): 1688-1704.

DOI

[23]
Jones C. Scenarios for greenhouse gas emissions reduction from tourism: An extended tourism satellite account approach in a regional setting[J]. Journal of Sustainable Tourism, 2013, 21(3): 458-472.

[24]
Rico A, Martínez-Blanco J, Montlleó M, et al. Carbon footprint of tourism in Barcelona[J]. Tourism Management, 2019, 70: 491-504.

DOI

[25]
Luo F, Moyle B D, Moyle C L J, et al. Drivers of carbon emissions in China’s tourism industry[J]. Journal of Sustainable Tourism, 2020, 28(5): 747-770.

[26]
张燕, 章杰宽. 旅游、经济、能源和二氧化碳排放: 基于东盟的实证分析[J]. 旅游学刊, 2021, 36(12): 26-39.

[ Zhang Yan, Zhang Jiekuan. Examining the relationship between tourism, economy, energy and CO2 emissions: Evidence from panel analysis of the ASEAN[J]. Tourism Tribune, 2021, 36(12): 26-39.]

[27]
Zhang L, Gao J. Exploring the effects of international tourism on China’s economic growth, energy consumption and environmental pollution: Evidence from a regional panel analysis[J]. Renewable and Sustainable Energy Reviews, 2016, 53: 225-234.

[28]
Sharma K, Bhattarai B, Ahmed S. Aid, growth, remittances and carbon emissions in Nepal[J]. The Energy Journal, 2019, 40(1): 129-142.

[29]
Zaman K, Shahbaz M, Loganathan N, et al. Tourism development, energy consumption and Environmental Kuznets Curve: Trivariate analysis in the panel of developed and developing countries[J]. Tourism Management, 2016, 54: 275-283.

[30]
Saboori B, Sulaiman J, Mohd S. Economic growth and CO2 emissions in Malaysia: A cointegration analysis of the Environmental Kuznets Curve[J]. Energy Policy, 2012, 51: 184-191.

[31]
Luo G Y, Weng J H, Zhang Q X, et al. A reexamination of the existence of environmental Kuznets curve for CO2 emissions: Evidence from G20 countries[J]. Natural Hazards, 2017, 85(2): 1023-1042.

[32]
Cho C H, Chu Y P, Yang H Y. An environment kuznets curve for GHG emissions: A panel cointegration analysis[J]. Energy Sources, Part B: Economics, Planning, and Policy, 2014, 9(2): 120-129.

[33]
Sun L W, Wu L F, Qi P X. Global characteristics and trends of research on industrial structure and carbon emissions: A bibliometric analysis[J]. Environmental Science and Pollution Research International, 2020, 27(36): 44892-44905.

[34]
原嫄, 周洁. 中国省域尺度下产业结构多维度特征及演化对碳排放的影响[J]. 自然资源学报, 2021, 36(12): 3186-3202.

DOI

[ Yuan Yuan, Zhou Jie. Influence of multi-dimensional characteristics and evolution of industrial structure on carbon emissions at provincial scale in China[J]. Journal of Natural Resources, 2021, 36(12): 3186-3202.]

DOI

[35]
Dong B Y, Ma X J, Zhang Z L, et al. Carbon emissions, the industrial structure and economic growth: Evidence from heterogeneous industries in China[J]. Environmental Pollution, 2020, 262: 114322.

[36]
刘志华, 徐军委, 张彩虹. 科技创新、产业结构升级与碳排放效率: 基于省际面板数据的PVAR分析[J]. 自然资源学报, 2022, 37(2): 508-520.

DOI

[ Liu Zhihua, Xu Junwei, Zhang Caihong. Technological innovation, industrial structure upgrading and carbon emissions efficiency: An analysis based on PVAR model of panel data at provincial level[J]. Journal of Natural Resources, 2022, 37(2): 508-520.]

DOI

[37]
郭艺, 曹贤忠, 魏文栋, 等. 长三角区域一体化对城市碳排放的影响研究[J]. 地理研究, 2022, 41(1): 181-192.

DOI

[ Guo Yi, Cao Xianzhong, Wei Wendong, et al. The impact of regional integration in the Yangtze River delta on urban carbon emissions[J]. Geographical Research, 2022, 41(1): 181-192.]

[38]
Yang X J, Zhao C Y, Xu H, et al. Changing the industrial structure of tourism to achieve a low-carbon economy in China: An industrial linkage perspective[J]. Journal of Hospitality and Tourism Management, 2021, 48: 374-389.

[39]
王兆峰, 汪倩. 长江经济带新型城镇化对旅游业碳排放的门槛效应研究[J]. 长江流域资源与环境, 2022, 31(1): 13-24.

[ Wang Zhaofeng, Wang Qian. Threshold effect of new urbanization on tourism carbon emission in Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin, 2022, 31(1): 13-24.]

[40]
李菁, 李小平, 郝良峰. 技术创新约束下双重环境规制对碳排放强度的影响[J]. 中国人口·资源与环境, 2021, 31(9): 34-44.

[ Li Jing, Li Xiaoping, Hao Liangfeng. Impact of dual environmental regulations on carbon emission intensity under the constraint of technological innovation[J]. China Population, Resources and Environment, 2021, 31(9): 34-44.]

[41]
Hao Y, Ba N, Ren S Y, et al. How does international technology spillover affect China’s carbon emissions? A new perspective through intellectual property protection[J]. Sustainable Production and Consumption, 2021, 25: 577-590.

[42]
Chen H Y, Ma T J. Technology adoption and carbon emissions with dynamic trading among heterogeneous agents[J]. Energy Economics, 2021, 99: 105263.

[43]
Fernández F Y, López F M A, Blanco O B. Innovation for sustainability: The impact of R&D spending on CO2 emissions[J]. Journal of Cleaner Production, 2018, 172: 3459-3467.

[44]
邵帅, 范美婷, 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展: 基于总体技术前沿和空间溢出效应视角的经验考察[J]. 管理世界, 2022, 38(2): 46-69, 4-10.

[ Shao Shuai, Fan Meiting, Yang Lili. Economic restructuring, green technical progress, and low-carbon transition development in China: An empirical investigation based on the overall technology frontier and spatial spillover effect[J]. Journal of Management World, 2022, 38(2): 46-69, 4-10.]

[45]
Petrović P, Lobanov M M. The impact of R&D expenditures on CO2 emissions: Evidence from sixteen OECD countries[J]. Journal of Cleaner Production, 2020, 248: 119187.

[46]
Shen X B, Lin B Q. Policy incentives, R&D investment, and the energy intensity of China’s manufacturing sector[J]. Journal of Cleaner Production, 2020, 255: 120208.

[47]
Anser M K, Alharthi M, Aziz B, et al. Impact of urbanization, economic growth, and population size on residential carbon emissions in the SAARC countries[J]. Clean Technologies and Environmental Policy, 2020, 22(4): 923-936.

[48]
Wang Q, Li L J. The effects of population aging, life expectancy, unemployment rate, population density, per capita GDP, urbanization on per capita carbon emissions[J]. Sustainable Production and Consumption, 2021, 28: 760-774.

[49]
洪业应, 向思洁, 陈景信. 重庆市人口规模、结构对碳排放影响的实证研究: 基于STIRPAT模型的分析[J]. 西北人口, 2015, 36(3): 13-17.

[ Hong Yeying, Xiang Sijie, Chen Jingxin. Impact of demographic factors on carbon emission in Chongqing City: A study base on Stirpat model[J]. Northwest Population Journal, 2015, 36(3): 13-17.]

[50]
王星, 刘高理. 甘肃省人口规模、结构对碳排放影响的实证分析: 基于扩展的STIRPAT模型[J]. 兰州大学学报(社会科学版), 2014, 42(1): 127-132.

[ Wang Xing, Liu Gaoli. The impact of Gansu’s population size and structure on carbon emissions[J]. Journal of Lanzhou University (Social Sciences), 2014, 42(1): 127-132.]

[51]
Gao C X, Tao S M, He Y Y, et al. Effect of population migration on spatial carbon emission transfers in China[J]. Energy Policy, 2021, 156: 112450.

[52]
Zheng S N, Wang R, Mak T M W, et al. How energy service companies moderate the impact of industrialization and urbanization on carbon emissions in China?[J]. Science of the Total Environment, 2021, 751: 141610.

[53]
Rihoux B, Ragin C. Configurational Comparative Methods: Qualitative Comparative Analysis (QCA) and Related Techniques[M]. Thousand Oaks: SAGE Publications, 2009.

[54]
王少剑, 田莎莎, 蔡清楠, 等. 产业转移背景下广东省工业碳排放的驱动因素及碳转移分析[J]. 地理研究, 2021, 40(9): 2606-2622.

DOI

[ Wang Shaojian, Tian Shasha, Cai Qingnan, et al. Driving factors and carbon transfer of industrial carbon emissions in Guangdong Province under the background of industrial transfer[J]. Geographical Research, 2021, 40(9): 2606-2622.]

[55]
Dul J, van der Laan E, Kuik R. A statistical significance test for necessary condition analysis[J]. Organizational Research Methods, 2020, 23(2): 385-395.

[56]
Schneider C Q, Wagemann C. Set-Theoretic Methods for the Social Sciences[M]. Cambridge: Cambridge University Press, 2012.

Options
文章导航

/

〈 〉