气候变化与登山旅游
——基于游客大数据的分析与模拟

刘 俊，杨璐瑜，王胜宏，陈佳淇

（四川大学旅游学院，四川成都 610065）

引言

山地约占全球陆地面积的24%，是仅次于沿海地区的第二大最受欢迎的旅游目的地地貌。依托山地自然环境开展的登山旅游活动是在世界范围内受到欢迎的休闲旅游活动。在全球62个国家成立了86 个协会的国际登山和攀岩联合会（International Mountaineering and Climbing Federation），已有超过300万的注册会员，在这些专业登山旅游者之外的休闲登山旅游者规模更是难以估计。中国是山地大国，山地面积占国土面积比例较高。专业和休闲山地旅游的发展一直受到国家的重视，国家体育总局早在2016 年就印发了《山地户外运动产业发展规划》，要求大力促进山地户外旅游的发展。气候是影响登山活动开展的重要因素，考虑到登山旅游的广泛性和受欢迎程度，探究气候变化对登山活动的影响对于深化气候变化对旅游影响的研究有重要意义。

揭示区域、全国等大尺度上气候变化对旅游的影响是国家应对气候变化的迫切需求。从宏观层面探究气候变化对登山活动的影响需要大尺度、高分辨率、长时间序列的针对性数据的支撑，但当前针对特定旅游活动的细分统计数据较少，难以满足研究的需求。依托各种设备和平台产生的旅游者大数据具有针对性强、真实可靠且体量大的优点，可以作为研究的数据支撑。同时，多种气候因子都会对登山旅游活动产生影响，还需要发展适当的方法来测度多种气候因素的综合影响，并揭示它们线性和非线性并存的影响机制。此外，为了服务于中长期的战略发展规划，有必要进一步探究未来气候变化情景下的登山旅游活动格局，识别对气候变化敏感的区域和城市，为应对气候变化提供依据。

本研究旨在引入一种利用旅游者生成的大数据，结合广义可加模型和分段回归模型的混合方法定量测度旅游活动对气候变化响应情况的研究框架。该框架不仅可以揭示气候变化与旅游活动之间的复杂关系，定量测度响应关系的阈值，还可用于对未来情景下的旅游活动响应情况的模拟预测。这可以为其他具有数据基础的气候变化对旅游活动影响的研究提供方法上的参考。同时，本文揭示的中国登山旅游活动对气候变化的响应规律，以及2050年和2080年的模拟结果可以为旅游管理部门应对气候变化、制定中长期登山旅游规划提供科学依据。

1 文献综述

全面认识气候变化对旅游的影响，需要对不同类型的旅游活动开展针对性的深入研究。在多样的旅游活动中，学者们率先关注了对气候变化较为敏感的冰雪旅游活动，大量的文献探究了气候变化导致的积雪不足、冰川消融等现象对滑雪、滑冰、冰川观赏等冰雪旅游活动的影响。在夏季，滨海旅游的开展也面临着气候变化带来的威胁，这主要表现在海平面的上升导致的海岸线侵蚀及沙滩的减少，以及过高的气温引起的不适等。此外，气候变化使得动植物的物候期发生变化，这影响了依托植物开花变色和动物迁徙的旅游活动的开展：花期的变动影响了日本、中国等地的赏花节庆活动的举办；叶变色时期的提前或推迟使得红叶最佳观叶时间出现变动；鸟类的迁徙规律、停留时长以及鸟类栖息地的格局发生变化，观鸟旅游的开展时间需要适应这一趋势，部分观鸟旅游目的地则可能面临丧失观鸟资源的困境。由于直接暴露在气候环境中，包括登山、骑行、徒步和露营等在内的户外旅游活动和冰雪、滨海等活动一样对气候条件十分敏感。这一系列旅游活动被归类至自然型旅游（nature-based tourism），受到国外学者的关注，但在我国尚未受到足够重视。关于气候变化对登山旅游的研究国内外都十分少见。

梳理以往研究可以发现，细分旅游数据的不可获得性限制了对登山、徒步、露营等旅游活动的针对性研究的开展。例如探究自然旅游活动所受气候变化影响的研究多从目的地角度切入（如国家公园、山地旅游区），考察目的地总体游客量水平和到访规律是否对气候变化做出响应。但这部分研究未能进一步深入挖掘某一特定类型活动受到的影响，这主要是因为研究者所能获取的数据往往是粗分类的。例如国家公园的数据包含了骑行、徒步、露营和登山等多种活动，而公园总游客量数据并不能将这些类型游客区分开，从而限制了对特定类型活动研究的开展。近年来，一些国际研究展现了利用细分统计数据进行分析的可能，如Rice等利用露营地在线预订数据分析了露营需求的规律，并发展了需求预测模型；Craig获取露营公司的露营地每日入住率数据用于构建研究气候对露营旅游经济影响的研究框架。即使有这些成功的案例，对于大多数旅游活动而言，针对性的细分统计数据仍然是少见的，要更深入更广泛地研究气候变化给旅游带来的影响需要相关数据的支持。大数据技术的发展为获取具有针对性的旅游数据提供了可能性。由社交媒体用户产生的用户生成内容（user generated content，UGC），依托传感器设备、蓝牙和定位功能产生的旅游者追踪数据（GPS 数据、移动漫游数据等），以及旅游者在网络中产生的网页搜索访问、在线预订等数据为学界和业界更深入地了解旅游者和市场行为提供了丰富的资源。当前，利用大数据探究气候变化对旅游的影响的研究还较为少见，成功案例之一是Kubo 等最新的研究中使用移动电话网络数据评估了日本海滩当前及未来气候情境下滨海旅游价值。该研究指出，移动大数据的应用弥补了调研数据标准差异可能造成的偏差，从而得到更加客观的评估结果，展示了大数据在探究气候变化影响上的优势。

对研究方法进行不断的改进一直是气候变化对旅游影响研究的重点工作。以往研究在探究气候因素对旅游的影响时最常使用的方法是线性回归。此外，由于气候变化是一个长期的过程，在处理长时间序列的历史数据时，移动平均自回归模型、误差修正模型、传递函数模型和格兰杰因果检验等方法也被一些研究用于探究长期气候变化影响。无论是探究气候变化对旅游的影响效应还是作用机制，越来越多的研究认识到，人类旅游活动对气候变化的响应并非简单的线性关系，需要借助更灵活的方法手段来深入理解气候变化对旅游活动的影响。广义可加模型（generalized additive model，GAM）是一种能灵活探索非线性复杂关系的非参数估计方法，被广泛应用于医学、生态环 境和大气污染等领域。该模型不依靠参数设定来确定响应和解释变量之间的函数关系的形式，而是通过大规模数据的反复训练来实现对复杂的、形式未知的关系的非参数估计。GAM 通过一个加性形式的方程可实现对线性项和非线性项的同时估计，这十分契合不同气象因素对旅游活动既存在线性又存在非线性影响的特征。在旅游研究领域中，Saenz de Miera和Rosselló使用GAM考察了西班牙马略卡岛的可吸入颗粒物PM10日浓度与游客数量之间的关系；Yoon则基于GAM评估了PM10浓度对旅游休闲销售收入的影响。Tiwari等使用GAM探索了斯里兰卡和巴基斯坦旅游业与环境污染之间的关系。以上研究均展现了GAM可以灵活控制混杂因素并模拟自然周期性变化规律的优良属性。本文拟采用GAM对登山旅游活动对气象因素的响应进行探究，在拟合响应关系的基础上进一步采用Muggeo提出的分段回归模型对响应关系的关键阈值点进行探究。

现有的气候变化对旅游影响的文献多集中于揭示两者关系的历史规律，而少数着眼于对未来情景的模拟和预测。而在气候变化研究领域，模拟分析是必不可少的一个环节。政府间气候变化专门委员会开发的排放情景和代表性浓度路径（representative concentration pathways，RCP）情景是未来气候情景模拟研究中最为广泛使用的情景模式。基于这些未来气候情景数据，已有一些学者开展了气候变化对未来旅游业可能造成的影响的模拟研究。如Amelung 和Moreno 模拟了2080 年未来气候变化对欧洲国际户外旅游支出的影响；Scott等使用全球气候模型（global climate model，GCM）对加拿大的多个国家公园以及美国东北地区的103个滑雪场可能在未来受到的气候变化的影响进行了预测模拟。GAM在模拟预测方面得到诸多应用，它能够灵活地控制相关混杂因素，应用非参数的方法检测数据的结构，并找出数据中的规律，从而得到更好的预测结果。该方法已被应用于许多模拟研究，并取得了良好的模拟结果。

2 数据来源与研究方法

2.1 数据来源及处理

2.1.1 登山活动数据

本文所用的登山旅游活动数据来自“六只脚”平台。“六只脚”是著名的户外自助旅游平台，该平台以带有GPS芯片的智能手机为主要载体，采集并共享游客户外活动轨迹。活动数据包括用户主动上传照片和文字形式的“脚印”以及由GPS 装置自动记录的轨迹点。基于GPS 轨迹的数据可以反映出旅游者在整个登山活动中移动的时间、速度以及距离，本研究主要获取旅游者的移动时间数据，用以衡量登山旅游活动的参与情况。

本文从“六只脚”平台上检索到中国范围内2009年1月1日—2019年1月1日期间共计206 704条登山旅游活动记录数据，对原始数据进行以下处理：（1）基于轨迹文件对部分时间异常的登山活动数据进行了清洗；（2）考虑到过长时间和距离的数据可靠性存疑，以活动持续时间介于30分钟～600分钟之间、轨迹距离介于500米～2000米之间为标准对原始数据进行筛选；（3）对清洗后的原始数据进行气象站匹配，获取了登山活动发生时对应的气象数据；（4）考虑登山旅游活动可能存在的区域性差异，为每一条登山活动记录匹配了相应的城市属性。通过以上数据处理步骤，本文最终筛选出符合标准的有完整对应气候数据和城市属性的登山旅游活动数据共计167 253条，用于后续分析。

2.1.2 气候数据

（1）历史气候数据

研究所用历史气候数据来自中国气象数据服务中心发布的“中国地面气候资料日值数据集（V 3.0）”，包含了中国699个基准、基本气象站1951年1 月以来的气压、气温、降水量、蒸发量、相对湿度、风向风速、日照时数和0cm 地温要素的日值数据。已有研究指出，温度、相对湿度和日照时间是影响户外旅游活动参与的重要气象因素，因此，本文选取这3 个气象因素作为研究指标，从上述数据集中获取相关数据。

（2）未来气候情景数据

气候模式是被广泛用于气候变化评估和模拟的权威工具，政府间气候变化专门委员会组织的多次耦合模式比较计划（coupled model intercomparison project，CMIP）使用了不同的气候模式开展试验，输出了丰富的气候数据资源。本文所用未来气候情景数据获取自美国国家航天航空局（NationalAeronautics and Space Administration，NASA）发布的地球交换计划（NASA Earth Exchange Global Daily Downscaled Projections，NEX-GDDP）数据集。该数据集由耦合模式比较计划第5 阶段（CMIP 5）中的21 个气候模式下的气候数据降维所得，包括RCP 4.5和RCP 8.5两种代表性浓度路径情景下的日最高温度、最低温度和降水量的逐日降维预测数据，空间分辨率为0.25°×0.25°（25 km×25 km）。

表1 给出了本研究所有变量的单位、定义和数据来源信息。

表1 研究所用变量及数据来源Tab.1 Variable definitions and data sources

2.2 研究方法

2.2.1 广义可加模型

本文使用GAM 对气象因素（气温、相对湿度、日照时长、降雨）与登山旅游活动参与情况的关系进行分析。GAM 是广义线性模型（generalized linear model，GLM）和可加模型的结合形式，它使用一个连接函数来建立解释变量与被解释变量之间的关系，在GLM的基础上将∑βx形式的线性项替换为∑f(x)，其中，f(x)是未知的非参数函数。对线性项的这一改变使得GAM 不再使用参数估计，而是使用基于平滑函数的非参数估计探索数据，因而可适用于多种分布类型的数据。同时，可加的方程形式使得GAM可以在对部分解释变量进行线性拟合的同时对其他变量进行光滑函数拟合，适用于解释变量和被解释变量间既存在线性又存在非线性关系的情形。

GAM的基本形式如下：

式（1）中，=(～，,…，X)，为被解释变量的数学期望；()是连接函数，连接函数的选择根据响应变量的分布形式确定；是截距；X为解释变量；，，…，f为解释变量的平滑函数。

本文使用R 语言进行GAM 的建立与估计。以对数变换后的登山持续时间作为被解释变量，GAM建立的步骤简述如下：（1）采用散点图以及分布检验对被解释变量进行探索分析，以此选择连接函数；（2）将解释变量以平滑函数或线性项加入模型，由此构建不同组合方式的备选模型；（3）以惩罚回归样条函数对时间、季节和假期趋势进行控制；（4）由包在迭代中以最小化广义交叉验证（generalized cross validation，GCV）为目标自动调整平滑函数自由度，在筛选出最佳模型后依据.诊断结果进一步调整自由度，以保证其不至于过小而导致过度平滑；（5）对步骤（2）中构建的不同解释变量组合方式模型进行拟合，以向前选择法将解释变量逐步加入模型中，经过多次解释变量调整筛选出GCV 得分最小且解释变量显著度最高的模型作为最优模型；（6）以.输出的校正后的可决系数、赤池信息准则（Akaike information criterion，AIC）、残差分布评价模型拟合情况，并通过调整自由度以评价模型的稳健性。经过以上步骤，选定最优模型如下：

2.2.2 分段回归模型

基于GAM 的拟合结果，本文进一步使用分段回归模型对气象因素与登山活动间的阈值关系进行探究。Muggeo提出的分段回归模型（segmented regression）旨在拟合非线性关系中被解释变量对解释变量的响应在折点（break points）处（也称断点、阈值）出现突变的情况。其拥有灵活性强的优势，适用于单变量单断点、单变量多断点、多变量多断点等多种情况。该模型的一般形式如下：

式（3）中，Z表示存在分段关系的变量，为需要估计的阈值，为阈值点左侧的回归曲线斜率，是迭代过程中上一个斜率与下一个斜率之间的差值；(Z-)=(Z-)×(Z＞) ，若判断条件Z＞为真，则(Z＞)=1。

本文使用R 语言对分段回归模型进行拟合，通过迭代拟合以下公式估计阈值：

式（4）中，～ 是阈值的初始猜测值，(Z＞～)=-(Z＞～)，可视作的再参数化。在每一次迭代中，在对公式（4）进行估计后，一个新的阈值估计值通过公式^ =～ +^/进行更新，新的阈值估计值^继续用于下一次迭代估计。该迭代过程一直持续到算法收敛为止，可以得到所有参数和阈值的最大似然估计值。分段回归在拟合前需要输入一个阈值的初始猜测值以实现阈值点的初步拟合，本文根据GAM输出的解释变量与被解释变量的散点图选定初始猜测值。

2.2.3 未来情景模拟分析

本文通过以下步骤开展模拟研究，首先建立模拟气温因素与登山活动时长响应关系的GAM，以平滑函数对未来情景下的假期、季节和长期趋势进行控制，并用.诊断模型的拟合情况和稳健性。其次，以2050 年和2080 年两个时间点代表未来情景情况，获取RCP 4.5和RCP 8.5两种气候情境下42个气候模型输出的预测气候数据。最后，将预测的气候数据与相应的节假日等趋势数据结合，输入拟合好的模拟GAM，计算出未来情景下登山旅游活动持续时间的预测值。

3 研究结果

3.1 登山旅游活动概况

首先对数据进行描述性统计分析和可视化，以初步了解我国登山旅游活动的基本特征。各变量的描述性统计特征及其与被解释变量（登山活动时长）的相关系数和多元线性回归系数如表2所示。

表2 变量描述性统计特征、相关系数及回归系数Tab.2 Descriptive statistical results of variables,correlation coefficient and regression coefficient

对旅游者产生的登山活动记录数据进行可视化分析，可发现登山旅游活动的参与情况展现出显著的季节差异性（图1）。以2018 年为例，发现春季（3—5月）和秋季（9—11月）的登山活动时长总体而言在一年中相对较长，而夏季（6—8 月）和冬季（12—次年2 月）的活动时长较短，四季节的平均活动时长如黄线所示，同样印证了这一趋势。闲暇时间是支撑旅游活动开展的重要因素，图2显示，旅游者明显在周末更活跃地参与登山旅游活动，周六和周日的登山活动参与时长的总值和均值均显著高于工作日的水平。以上分析所发现的长时间、季节以及节假日趋势被作为混杂因素在后续分析中加以控制。

图1 登山活动参与时长总体趋势Fig.1 The overall trend of mountaineering duration

图2 季间、周内登山活动参与总时长热力图Fig.2 Heatmap of total mountaineering duration between seasons and within a week

3.2 气候变化对登山旅游的影响

为考察气象因素（日最高温、相对湿度、日照时长、降雨）对登山旅游活动的参与情况（参与时长）的影响情况，本研究对所建立的GAM（公式（2））进行估计，结果如表3所示。解释变量均在0.001的显著性水平下显著，.函数对模型的诊断结果显示，模型矩阵达到满秩，GCV 优化过程迭代成功且平滑函数的自由度是充分的。诊断图显示模型拟合情况良好，残差基本呈现正态分布，随机且较为均匀地分布在0 附近，预测值与真实值基本服从=。

表3 GAM估计结果Tab.3 Results of GAM

模型估计结果显示，所有平滑函数均显著，表明气象因素与登山旅游活动参与时长之间存在着明显的非线性关系。GAM的拟合结果如图3（黑色曲线部分）所示，可从图中观察到因变量与自变量的非线性波动情况。但GAM并不能提供波动的确切信息。为此，在拟合好的GAM 基础上再次使用分段回归模型对非线性关系的关键节点进行探测（图3 橙色折线部分）。结果显示，分段回归模型为每一段非线性关系探测出两个关键节点（阈值）。在17.8 ℃以下时，日最高温与登山旅游活动的参与时长首先呈现正相关关系，登山活动时长随着日最高温的升高而逐步变长。当日最高温大于阈值17.8 ℃后，登山活动的时长与温度呈现负相关，在17.8 ℃～28.5 ℃的范围内，登山时长随温度增高的下降速度较为平缓，当温度超过28.5 ℃后，温度的进一步升高对登山活动造成较为显著的负面影响。类似的阈值效应同样存在于相对湿度与登山时长的关系中，当相对湿度低于49.3%时和高于79.4%时，相对湿度与登山时长分别呈正相关和负相关关系，而阈值范围内的相对湿度（49.3%～79.4%）相对有利于登山旅游活动的开展。与日最高温相比，相对湿度与登山时长的拟合曲线在阈值范围内相对平缓，这说明登山旅游者对相对湿度的细微变化较为不敏感，只有当相对湿度低于或高于阈值水平，登山旅游者才会对相对湿度做出响应。日照时长与登山时长之间呈现出更加复杂的非线性关系，从其平滑曲线图中可观察到近似于波动的情况。当日照时间低于1.8小时，随着日照时长的上升，登山旅游者的活动时长呈现正相关上升趋势。当日照时长处于1.8小时～9小时之间时，虽然登山时长在该范围内存在波动，但总体趋势趋于平稳，这说明日照时长在非极端情况下对登山活动的影响不大。此外，当日照时长大于9小时，登山时长再次随日照时长增长，这体现了晴朗天气对登山活动的正面影响作用。

图3 气象因素与登山旅游活动参与时长的响应关系及关键阈值Fig.3 The response relationship and key thresholds between climate factors and mountaineering

3.3 2050年及2080年登山活动模拟结果

在揭示气候变化对登山旅游活动已有影响的基础上，本文进一步对未来气候情景下登山旅游活动的参与情况进行模拟研究。本文获取了NEXGDDP 数据集两种碳排放浓度路径下（RCP 4.5、RCP 8.5）2050 年和2080 年共84 组（21×2×2）未来气候数据，用于模拟分析。首先对未来气候数据描述性分析可发现，在RCP 4.5 和RCP 8.5 情境下，2050年和2080年的日最高温度都有所增高（图4）。与基准年（2010—2018年）相比，无论是在何种浓度路径下，2050年和2050年的日最高温核密度图的最高点均有所右移，这表明在未来情境下，高温天气将会更为频繁地发生。相较于基准年的情况，在RCP 4.5和RCP 8.5两种情境下，2050年超出前文所得的影响登山旅游活动参与的重要阈值28.5℃的天数将分别增长29.34%和35.73%，2080 年超出阈值温度的天数则会增加37.03%和61.56%。

图4 两种代表浓度路径下2050年和2080年日最高温分布图Fig.4 Distribution map of daily maximum temperature in 2050 and 2080 under RCP 4.5 and RCP 8.5

经过单位转换处理后的未来气候数据被输入历史数据训练拟合好的GAM，以输出未来情景下登山旅游活动参与时长的模拟值。本文计算了GAM 输出的84 组模拟值的年均值（2050 年和2080年各42组），并计算了其相较于基准年（2010—2018年）年均值的变动百分比。结果显示，从年均值来看，两种碳排放浓度路径下，2050 年和2080 年的登山旅游活动参与时长均出现下降趋势；其中，2050年平均下降9.28%（RCP 4.5）和9.36%（RCP 8.5），2080 年平均下降9.37%（RCP 4.5）和9.40%（RCP 8.5）。21种未来气候模式下模拟活动参与时长变化百分比结果绘制于图5中，可发现相较于基准年，21种气候模式输出的预测结果均呈现下降趋势；在RCP 4.5 情境下，2050 年的登山旅游活动参与时长相较于基准年将至少下降9.2%，至多下降9.36%，2080 年的参与时长则将至少下降9.22%，至多达到9.63%；在更高浓度碳排放场景下（RCP 8.5），2050年的登山旅游活动时长将下降9.23%～9.55%，2080年则会下降9.03%～9.58%。

图5 两种代表浓度路径下2050年及2080年登山旅游活动参与时长变化百分比（以2010—2018年均值为基准）Fig.5 The percentage changes in mountaineering duration of 2050 and 2080 under RCP 4.5 and RCP 8.5(the average of 2010 to 2018 as base)

将21种气候模式的均值输入GAM用于模拟纳入本文研究范围的全国100个城市的登山旅游活动模拟参与情况（图6）。结果显示，从全国宏观层面来看，两种浓度路径下的2050年，100个研究城市中有93%的城市的登山旅游活动参与时长年均值会出现不同程度的缩短，其下降幅度由-0.43%～-10.77%不等，平均下降幅度分别达到-6.39%（RCP 4.5）和-6.35%（RCP 8.5）。RCP 4.5 情景下的2080 年，95%的城市的活动参与时长年均值有所缩短，下降幅度由-0.21%～-10.79%不等，平均下降幅度达-6.22%。RCP 8.5 情境下，活动参与时长呈现缩短态势的城市则占比94%，其下降幅度均值为-6.29%。

图6 未来气候情景下中国登山旅游活动时长模拟变化情况Fig.6 Simulation results of China’s mountaineering duration under future climate scenario

从区域差异来看，我国东南沿海区域城市的活动参与时长缩短趋势最为显著，例如RCP 4.5 情景下，东莞市2050年日最高温度超过28.5℃的天数占全年的56.7%，相较于全国平均水平高出23.5%。该城市的模拟结果显示，其2050年登山活动参与时长的年均值将平均下降6.90%（RCP 4.5）和6.97%（RCP 8.5），2080 年则将平均下降6.98%（RCP 4.5）和7.34%（RCP 8.5）。在一些城市的登山旅游活动受到气候变暖负面影响的同时，也有部分城市受到积极影响，例如北京、唐山的登山活动时长模拟值有所上升，这可能是因为这些位于较高纬度地区城市的冬季登山活动在气候变暖的背景下受到正面影响。

总体而言，全球气候变暖对登山活动造成了负面影响，但从区域层面来看，各地受到的影响差异较大，区域经济发展、旅游发展以及资源禀赋等因素在一定程度上会给登山旅游活动的未来发展带来混合影响，从而抵消或是加剧气候变化带来的负面影响。

4 研究结论与讨论

4.1 研究结论

本研究示范了一种采用GAM和分段回归模型混合方法探索旅游者产生的大数据，以此定量测度气候变化对登山旅游活动的影响的研究框架。应用该框架，本研究考察了登山旅游活动与气象因素的复杂响应关系，确定了气象因子对登山参与的影响机制和影响阈值水平，并在此基础上进一步模拟了未来气候变化情景下我国登山旅游活动可能的响应情况。研究结果表明，登山旅游活动时长与气象因子间呈现具有阈值效应的非线性关系，其中，日最高温处于约18 ℃～28 ℃、相对湿度处于约50%～80%，日照时间在约2 小时～9 小时之间时最适合登山旅游活动的开展。模拟结果显示，总体而言，气候变化将对未来的中国登山旅游活动产生负面影响。2050 年登山旅游活动参与时长平均将下降9.28%（RCP 4.5）和9.36%（RCP 8.5），2080 年平均下降9.37%（RCP 4.5）和9.40%（RCP 8.5）。两种浓度路径下，在本研究纳入研究范围的100个城市中，超过90%的城市的登山旅游活动参与时长年均值会出现不同程度的缩短，其下降幅度由-0.21%～-10.79%不等。

4.2 讨论

本研究的第一个贡献是揭示了登山旅游活动与气象因素间的复杂响应关系。日最高温、相对湿度、日照时长和降雨与登山活动时长呈现伴随波动的非线性相关关系。进一步运用分段回归模型得出的关键阈值节点显示，在阈值附近，气象因素与登山时长的相关方向和强度出现了不同程度的变化。本研究对响应关系的分析结果表明，气候变化带给旅游活动的影响是正面的还是负面的难以一概而论。虽然业界和理论界多认为旅游业是气候变化的受害者，但对于不同类型旅游活动、不同区域/城市而言，气候变化的影响是不同的。在理解气候变化对旅游活动的影响时，应重视阈值和阈值范围的存在，更加辩证地看待气候变化的正负面影响。此外，本研究所计算的阈值并不应被理解为一个代表个体行为的精确值，因为随着抽样的改变，各气象因素与登山活动时长关系的阈值可能会发生改变。比起阈值，阈值附近的“舒适气候范围”更具有指导意义，例如日最高温处于约18 ℃～28 ℃的范围内，相对湿度处于约50%～80%时最适合登山活动的开展，这可以为优化旅游气候舒适度研究提供启示。

在定量测度登山旅游活动对气候变化的响应关系的基础上，本研究的第二个贡献在于提供了未来气候变化情景下登山旅游活动变化情况的模拟结果。对于大众而言，气候变化似乎被认为是一件脱离日常生活的遥远的事。即使海啸、飓风和热浪等极端事件在气候变化加剧的背景下发生得愈发频繁，人们也似乎把这些负面后果视为被科学界夸大的小概率事件。本研究的模拟结果或许可以带来一个启示，即气候变化正在潜移默化地改变大众的生活。在不加干涉的未来，以登山旅游活动为代表的人们喜爱的日常休闲旅游活动将遭受气候变化负面影响，甚至难以开展。拥有丰富山地资源的登山旅游目的地可能面临适游季节缩短、竞争力削弱等挑战。本文提供的证据结果期望引起大众以及其他旅游利益相关者对气候变化影响的重视。更多的关于气候变化对不同类型旅游活动的影响的研究亟待开展，以此激励大众积极参与节能减排、减缓气候变化行动，并为决策者尽早制定适应策略提供参考。本研究同样也存在一些值得进一步探讨的地方，例如本文仅以城市虚拟变量测度了区域的差异，未来可考虑将山地类型、目的地市场等差异因素纳入模型中；此外，在长远的未来，登山装备的进步、目的地管理的优化等应对措施可能会在不同程度上减弱气候变化带给登山旅游的负面影响，值得未来进一步研究。