EN中文

GEOGRAPHICAL RESEARCH >

2015 , Vol. 34 >Issue 4: 751 - 761

DOI: https://doi.org/10.11821/dlyj201504013

Orginal Article

Commuting carbon emission characteristics of community residents of three spheres: A case study of three communities in Guangzhou city

  • HUANG Xiaoyan , 1 ,
  • LIU Xiaqiong 2 ,
  • CAO Xiaoshu , 2, 3
Expand
  • 1. Center for Land Resources Research in Northwest China, Institute of Transport Geography and Spatial Planning, Shaanxi Normal University, Xi'an 710119, China
  • 2. School of Geography and Planning, Sun Yat-Sen University, Guangzhou 510275, China
  • 3. College of Tourism and Environment Science, Shaanxi Normal University, Xi'an 710119, China

Received date: 2014-09-02

  Request revised date: 2014-12-24

  Online published: 2015-04-10

Copyright

《地理研究》编辑部
Fold

Abstract

In recent years, as low-carbon city gradually has become a significant research field on studies on global climate change, the scholars at home and abroad have launched a series of research from various angles. However, there is little research discussing about urban commuting carbon emission characteristics and the influencing factors of carbon emissions at disaggregated level. The data used in this study came from a 2011-2012 survey of 291 residents from households in three typical communities from different parts of Guangzhou. The variables used in this study consist of four categories: demographics, auto ownership and use, built environment characteristics, and attitudes. In the survey, respondents were asked to report the number of automobiles in their households and their travel behavior. The survey also contained a list of demographic characteristics, including household size, household income, gender, age, education underground, having a driver's license, and occupation. Consistent with previous studies, we develop a coefficient method for calculating the amount of commuting carbon emissions. In this study, we adopt categorization and Lorenz curve to analyze the differentiation of commuting carbon emissions characteristics between different individuals, inner-community and trans-community. Specifically, we developed a multiple regression analysis method to analyze the impact of selected 16 variables on commuting carbon emissions. The results of commuting carbon emission characteristics analyses show that commuting carbon emission of residents in urban districts is lower than that of their counterparts in county-level cities. Dufu, Nanyayuan and Lijiang Garden communities are consistent with the rule of "60-20" proposed from the UK experience. Multiple regression analysis suggests that commuting distance, travel modes of residents, commuting frequency, income and population density of the sub-district have significant effects on CO2 emissions. Finally, on the basis of the above findings, the paper puts forward some policy suggestions for reducing commuting carbon emissions.

Key words： CO2 emissions; commute; multiple regression model; community; Guangzhou city

Cite this article

HUANG Xiaoyan , LIU Xiaqiong , CAO Xiaoshu . Commuting carbon emission characteristics of community residents of three spheres: A case study of three communities in Guangzhou city[J]. GEOGRAPHICAL RESEARCH, 2015 , 34(4) : 751 -761 . DOI: 10.11821/dlyj201504013

1 引言

交通作为人类发展的载体和工具,是温室气体的重要排放源。根据美国《国家科学院学报》奥斯陆气候和环境国际研究中心研究数据,1998-2008年间全球CO2排放量增加13%,其中由于交通运输工具产生的CO2排放量增长率达25%[1]。随着经济的快速发展,作为国家中心城市的广州市常住人口和机动车保有量迅猛增加。根据环保部门数据,2010年广州城市空气中CO2排放量中有25%来源于汽车尾气排放。在城市碳排放不断加剧的情况下,2009年广州市开始编制《广州市低碳城市建设规划纲要》,2012年成为全国第二批低碳城市试点。在此背景下,如何转变交通发展模式,减少交通碳排放,是广州建设低碳城市的核心问题[2]。
国外交通出行碳排放研究,主要包括对交通出行碳排放的特征分析和影响因素的探讨。交通出行碳排放特征方面,在对英国[3]和韩国[4]的研究中,研究者均发现出行碳排放存在“60-20”规律,即温室气体排放最多的20%的人排放了总量的60%。Carty等[5]通过引进碳排放脆弱指数展现爱尔兰大都柏林地区的交通碳排放、通勤距离以及通勤方式的空间差异。部分研究者还对不同交通方式的碳排放进行对比,在对爱尔兰地区的研究中,发现自行车通勤所排放的CO2量与通勤距离相同的满座电动列车的人均CO2排放量相同,在非高峰期,满座小汽车与公共汽车的碳排放接近[6],在对巴西的里约热内卢大都市区的研究中,研究者发现私人汽车通勤的人排放的CO2比使用城市公交的人多8倍[7]。在影响交通碳排放的因素探讨中,研究尺度多集中在宏观层面,以国家或整个城市为分析单元。Stead[8]采用英国国家出行调查数据,将车辆运行条件引入出行能源消耗的计算中,结果表明出行距离是影响车辆能源消耗和排放最主要的因素。Liao等[9]根据IPCC的方法,计算中国台湾1992-2008年交通系统CO2的排放量,同时以GDP、人口数、油价为自变量,用回归的方法建立了CO2排放量与GDP、油价之间的模型。Brand等[10]对英国的研究提出了计算个人出行中各种交通方式所产生的温室气体排放量,结果表明收入、经济活动、年龄、家庭结构以及小汽车使用对温室气体排放有着显著影响。
国内对交通碳排放的研究主要是从国家层面,利用统计数据,分析交通运输部门碳排放现状,并对交通碳减排潜力进行预测。由于城市统计数据中难以剥离出交通出行能源数据,对城市交通出行碳排放的实证研究甚少,大多以介绍国外城市交通碳减排的先进经验,以及探讨低碳交通发展模式并提出宏观策略为主[11,12]。已有国内城市交通出行碳排放研究由于缺乏数据和实证支撑,难以提出切实可行、针对性强的宏观城市交通出行碳减排政策[13]。也有部分学者从微观层面对社区居民出行碳排放特征和影响机理进行研究,如,肖作鹏等[14]分析了北京市居民出行碳排放在个体间、社区内和社区间的分异;马静[15]发现出行距离、机动出行概率对居民交通出行碳排放有显著的正效应影响,但出行频率的影响并不显著;刘沛等发现增加城市中居住用地的就业可达性和公共服务设施的可达性有利于降低长距离出行需求,降低交通碳排放[16]。但总的来看,国内研究大都集中于区域尺度的碳排放影响因素分析与城市交通低碳模型的建立,基于家庭或个人交通出行碳排放的研究相对薄弱,缺乏以通勤为目的的出行碳排放研究。
基于此,选取广州市典型社区的居民为研究对象,以通勤碳排放为切入点,对通勤碳排放特征及其影响因素进行研究,找出影响社区居民通勤碳排放的主要因素,为低碳交通规划及低碳城市发展提供参考依据。

2 数据来源与研究方法

2.1 研究区概况与数据来源

选取广州为案例城市,主要基于以下原因：一是广州的民用汽车拥有量增长迅速,从2000年的40万辆增长到2012年的204万辆;广州交通拥堵和环境污染问题突出,2008-2010年广州市核心区域达到基本顺畅的干道网络不超过35%[17]。二是在新时期,广州作为全国低碳城市试点,倡导“低碳经济、智慧城市、幸福生活三位一体的城市发展”理念,分析其社区居民交通出行碳排放特征,能为低碳城市建设提供有力依据,选取广州作为案例城市,研究社区居民通勤碳排放具有较强的代表性和可操作性。
考虑到位于广州市中心区、新城区及边缘区的社区可代表不同的城市空间结构类型,且不同区位社区的通勤属性有自身独有特点,选取分别位于中心区、新城区和边缘区的都府小区、南雅苑小区和丽江花园三个典型社区进行研究（图1、表1）。
Fig. 1 Sketch of the study area

图1 研究区概况

Tab. 1 Basic information of the communities

表1 调查社区基本情况

社区名称 城区/街道 区位特点 建立时间 常住人口（人） 特点 问卷样本数
都府小区 越秀区广卫街道 中心区 1993年 6059 以省政府、财政厅宿舍为主 76
南雅苑小区 天河区天河南街道 新城区 1989年 5278 天河建设区较早投入使用的普通住宅区 80
丽江花园 番禺区洛浦街道 边缘区 1992年 9928 以吸引中高收入人群为市场目标 135
数据主要来源于2012年10-12月对广州市居民日常出行活动进行问卷调查而获取的第一手资料。在案例社区中,根据社区人口,按比例发放问卷,共发放问卷330份,回收300份,其中有效问卷291份,有效回收问卷率为88.18%。问卷主要包括个人及家庭基本信息、小汽车拥有及使用情况、日常交通出行行为调查、态度及偏好调查等四大部分。问卷数据包括291个居民的626次通勤出行记录,工作日平均通勤次数为2.15次。
除问卷调查数据之外,人口密度测算使用的人口数据来源于2010年广州市第六次人口普查,民用汽车保有量数据来源于《广州统计年鉴》及《广州交通发展白皮书》。

2.2 通勤碳排放测算方法

目前,测算居民出行碳排放的方法主要有模型法与系数法。系数法在相关研究中的运用较为成熟。使用系数法测度出行碳排放包括燃油类型法和出行方式法。燃油类型法主要根据不同交通方式所消耗的燃料消费量及IPCC指南手册的燃料碳排放系数测算出行碳排放,其计算结果相对准确,但不同交通方式的燃料数据难以获取,且计算结果仅能反映交通直接碳排放,忽略了燃料生产过程中的间接碳排放。
出行方式法利用居民不同交通方式的出行距离和碳排放系数来计算居民出行碳排放。不同交通方式的碳排放系数主要来源于国际权威研究机构使用模型计算得到。出行方式法的可操行性强,计算相对简便,在出行碳排放的相关研究中也得到了实证检验。
每种交通方式所使用的燃料类型及其数量在实际操作中难以准确获取,因此采用系数法中的出行方式法测算居民通勤出行碳排放量。居民单天通勤出行行为碳排放量的计算公式为：
Tn = ∑ i = 1 n Di × Ki （ 1 ）
式中：Tn为居民单天通勤出行碳排放总量（g）;i为某种交通出行方式;Di为使用交通方式i出行的总距离（km）;Ki为交通出行方式i单位距离的碳排放强度（g/人·km）。
通勤活动以一周为周期,只需比较通勤者一周通勤出行行为的碳排放,即可得知其一年的通勤碳排放。因此,测度每位通勤者通勤碳排放的计算公式为：
C = Tn × d （ 2 ）
式中：C为居民一周的通勤碳排放总量（g）;Tn为居民单天通勤出行碳排放总量（g）;d为通勤者一周通勤天数。
使用的不同交通出行方式的碳排放系数主要依据目前国内外相关研究成果[12,18-21],并使用北京凯来美气候技术咨询公司发布的“碳足迹计算器”软件和中国国际民间组织合作促进会绿色出行基金发布的“绿色出行计算器”中广州的相关数据进行验证。不同交通方式的碳排放系数见表2。鉴于研究目的是分析居民不同交通方式出行的碳排放量特征,使用的通勤数据不考虑共乘小汽车通勤的情况,未区分不同车型及不同时段的交通碳排放差异,也不考虑在道路建设和车辆生产过程中产生的间接碳排放。
Tab. 2 CO2 emission intensity by transport modes

表2 不同交通方式的碳排放系数

交通方式 碳排放系数（g/人·km） 碳排放强度
私人小汽车 135.00 高
单位用车 21.50 中
公交车 16.90 中
电动自行车 10.00 低
地铁 9.10 低
自行车 0.00 零
步行 0.00 零

3 通勤碳排放特征分析

3.1 不同社区通勤碳排放比较

通过计算不同社区居民的通勤碳排放,主要有以下几方面的特征：
（1）中心区和新城区居民通勤碳排放低于边缘区居民
根据选定的测算方法和问卷数据,可以测算出社区通勤者的通勤碳排放。将各社区个体通勤碳排放分别从低到高排序,可以得到三条通勤碳排放的曲线（图2）。
Fig. 2 Commuting carbon emission curve of residents

图2 社区居民通勤碳排放曲线

三个社区通勤碳排放量都比较集中,都府小区和南雅苑小区全都在15000 g以下,而丽江花园也有94.81%在15000 g以下。都府小区和南雅苑小区通勤碳排放普遍较低,但曲线在平缓上升后,末端陡然升高,表明位于中心区和新城区的社区居民普遍具有低碳通勤的特点,但部分居民通勤碳排放高,表明居民的构成杂化。相对而言,丽江花园通勤碳排放普遍较高,部分通勤者特别高,甚至超过了30000 g。
利用SPSS软件分别统计三个社区和总体共291位通勤者通勤碳排放的平均值、标准差和四分位数（表3）。
Tab. 3 Commuting carbon emission of residents (g/person a week)

表3 社区居民通勤碳排放情况（g/人·周）

社区名称 平均值 标准差 上四分位数 中位数 下四分位数
都府小区 1699.49 2691.43 0.00 675.00 2126.25
南雅苑小区 1933.38 2398.54 83.57 658.60 3172.50
丽江花园 3545.77 5733.95 100.00 1755.00 3375.00
样本总体 2620.31 4402.69 66.00 1200.00 3240.00
样本总体通勤直接碳排放量平均为2620.31 g,在社区尺度上有较大分异,中心区的都府小区（1699.49 g）和新城区的南雅苑小区（1933.38 g）明显低于边缘区的丽江花园（3545.77 g）。就标准差来说,都府小区（2691.43）和南雅苑小区（2398.54）都比丽江花园（5733.95）小,说明都府小区和南雅苑小区的通勤者在日常通勤行为的环境影响方面有较强的低碳同质性。丽江花园通勤碳排放的上四分位数、中位数和下四分位数都大于都府小区和南雅苑小区,也说明了丽江花园通勤高碳排放的特点。都府小区上四分位数比南雅苑小区小很多,但中位数高于南雅苑小区,下四分位数又显著低于南雅苑小区,说明都府小区低碳排放通勤比重较大。
（2）社区居民通勤碳排放出现明显分化,中心区和新城区低碳通勤特征显著,边缘区居民通勤呈现高碳化
根据均值和标准差,参考社区通勤碳排放曲线三条线的点密度,将通勤碳排放分等定级为：高碳排放（C>7000 g）、中碳排放（2000 g<C≤7000 g）、低碳排放（0<C≤2000 g）和零碳排放（C=0）(1 以7000 g划分高、中等级,是以μ+σ之和往零方向取千位整数确定,其中μ为平均值（2620.31 g）,σ为标准差（4402.69）;以2000 g划分中、低等级,是以平均值μ（2620.31 g）往零方向取千位整数确定。)。比较都府小区、南雅苑小区和丽江花园的通勤碳排放分级分布结构（图3）,发现都府小区和南雅苑小区的零碳排放和低碳排放通勤的比例之和较高,分别为69.74%和63.75%,而丽江花园为51.58%。就零碳排放来看,都府小区的比例最高,达到35.53%,但是比较特殊的一点是丽江花园零碳排放的比例20.00%稍高于南雅苑小区的17.50%。就低碳排放来看,都府小区和丽江花园的比例相当,而南雅苑小区的比例较高,比其余两个社区分别高出12.04%和14.40%。就中碳排放而言,丽江花园比例最高,为36.30%;南雅苑小区次之,为32.50%;都府小区仅26.32%。就高碳排放而言,丽江花园的比例远超都府小区和南雅苑小区,达11.85%,都府小区和南雅苑小区分别为3.95%和3.75%。综合来看,社区居民通勤碳排放出现明显分化,中心区和新城区低碳通勤特征显著,而边缘区居民通勤呈现高碳化特征。
Fig. 3 Distribution and grade of CO2 emission of residents

图3 社区居民通勤碳排放分级分布

（3）社区居民通勤碳排放较符合“60-20”规律,中心区和边缘区的通勤碳排放不均等性更大
将社区的通勤碳排放量升序排序,计算通勤者碳排放量累积百分比和个体排序累积百分比,绘制通勤碳排放洛伦兹曲线（图4）。对英国、韩国和荷兰等地的出行碳排放研究[3-5]发现存在“60-20”排放法则,即60%左右的碳由20%的高碳排放者排放。从本研究中社区的洛伦兹曲线可以看出,南雅苑小区较接近“60-20”的量化分布,即60%的碳是由20%的高碳排放通勤者所产生。都府小区和丽江花园的洛伦兹曲线比较相似,较接近“70-20”的量化分布,即70%的碳是由20%的高碳排放通勤者所产生的。由此看来,中心区和边缘区的通勤碳排放不均等性更大,部分通勤者通勤渐趋高碳。对比都府小区和丽江花园的洛伦兹曲线,可以发现都府小区的不均等性比丽江花园略大。
Fig. 4 Lorenz curve of residents’commuting carbon emissions

图4 社区居民通勤碳排放的洛伦兹曲线

3.2 不同属性居民通勤碳排放比较

从个人属性、家庭属性和通勤属性三大方面分析比较不同属性居民通勤碳排放,主要发现以下特征：
（1）居民通勤碳排放随性别、年龄、受教育程度、职业等个人属性的不同有较大差异
男性平均通勤碳排放要比女性的高很多,男性的平均值为3138.21 g,而女性的仅为1922.82 g。随着年龄段的逐渐增加,通勤碳排放量也在增加,20~30岁的排放量最小,仅1259.00 g,而50~60岁的排放量最大,达到了4253.54 g,可能的原因是财富随着年龄增长而增加,导致机动出行概率增加,从而产生较高的通勤碳排放量。从职业来看,私营业主的通勤碳排放量最高,达5510.91 g,远远超过其他职业的排放量,商业、服务业人员最小,仅1024.85 g。从学历来看,不同于已有相关研究的结论,并未出现通勤碳排放随学历升高而增加的特征,通勤出行碳排放量最高的是学历为高中的居民,其次是研究生以上学历居民（图5）。
Fig. 5 Average commuting carbon emissions by personal attributes

图5 不同个人属性居民的通勤碳排放平均值对比

（2）居民人均通勤碳排放量随家庭通勤人口的增加而减少,随收入和家庭小汽车数量的增加而上升,但不同家庭构成的居民通勤碳排放量相差不大
按照家庭通勤人口、家庭构成、家庭人均月收入、小汽车数量等家庭属性分类统计通勤碳排放,其分布如图6所示。随着家庭通勤人口的增加,通勤碳排放呈现逐渐下降的趋势。通勤人口从1个增加到2个时,碳排放显著下降,但当通勤人口再增加,碳排放下降的幅度较小,在通勤人口为4时出现了略微的升高。不同的家庭构成通勤碳排放相差不大。在不同的家庭人均月收入水平下,通勤碳排放的变化非常大。基本趋势是随着收入的增加碳排放量也增加,但是在4000~5999元和1.6万~2万元两个区间有略微的下降,而家庭人均月收入2万元以上的,平均碳排放甚至达到了6047.58 g。可以很明显看出,家庭拥有小汽车的通勤者的碳排放（2901.4 g）要大大高于家庭没有小汽车的通勤者（564.39 g）。在小汽车的数量方面,家庭拥有3辆小汽车的通勤碳排放反而减少,拥有2辆时碳排放量最大。
Fig. 6 Average commuting carbon emissions by household attributes

图6 不同家庭属性居民的通勤碳排放平均值对比

（3）小汽车通勤居民碳排放量最大,通勤碳排放量随通勤距离的增加而增大
按照通勤往返次数、每周工作天数、通勤方式、通勤距离等通勤属性分类统计通勤碳排放,其分布如图7所示。从通勤的往返次数来看,往返2次,即中午返回家中休息的通勤者通勤碳排放较大。每周通勤天数为4天的通勤者碳排放达到了8316.00 g,而其他的都在2500 g左右。就通勤方式来看,与碳排放系数基本相对应,私人小汽车通勤排放量最大,公交车和单位用车通勤是中碳排放,地铁和电动自行车通勤是低碳排放,步行和自行车通勤是零碳排放。有一点与碳排放系数不太对应的是,虽然单位用车的碳排放系数比公交车大,但是单位用车方式通勤的碳排放却低于公交车。就通勤距离来看,随着通勤距离增加,碳排放量在增加。但是通勤距离为5~6 km和10~11 km的居民却出现碳排放显著减少的情况,主要是由于采用了中低碳的交通方式。5~6 km通勤距离的居民有76.92%采用公交车出行;10~11 km通勤距离的居民有52.84%采用公交车出行,有23.52%采用步行或自行车出行,还有5.88%采用电动自行车出行,即共82.35%的通勤者采用中低碳甚至零碳的通勤交通方式。
Fig. 7 Average commuting carbon emissions by commute attributes

图7 不同通勤属性居民的通勤碳排放平均值对比

4 通勤碳排放影响因素分析

4.1 模型和变量选择

基于问卷数据和可获取的土地利用及空间信息数据,结合对不同属性分组社区居民通勤碳排放量的特征分析,参考相关文献[2,12-15]提及的影响出行碳排放的因素,选取16个通勤碳排放的解释变量（表4）。使用SPSS软件,采用逐步多元回归分析法,构建多元线性回归分析模型,分析各因素对通勤碳排放的影响。建立的回归模型为：
y = c + β 1 F 1 + β 2 F 2 + … … + β n F n + ε （ 3 ）
Tab. 4 Group and explanation of independent variables

表4 解释变量的分组和说明

变量
分类		 变量 解释变量 变量说明
个人属性 X1 性别 1. 男;2. 女
X2 年龄
X3 文化程度 1. 文盲或半文盲;2. 小学;3. 初中;4. 高中;5. 大专、本科;6. 研究生以上
X4 职业 1. 国家机关、党群组织、企事业单位管理人员;2. 专业技术与文教科技人员;3. 事务人员;4. 私营业主;5. 商业、服务业人员
X5 工作月收入 1. 3000元以下;2. 3000~3999元;3. 4000~5999元;4. 6000~7999元;5. 8000~9999元;6. 1万~1.5万元;7. 1.6万~2万元;8. 2万元以上
家庭属性 X6 通勤人口 家庭中有通勤需求的人数
X7 家庭构成 1. 单身户;2. 一对夫妇;3. 单亲家庭带小孩;4. 一对夫妇一个小孩;5. 一对夫妇两个小孩;6. 一对夫妇多个小孩;7. 三代人家庭;8. 其他
X8 家庭人均月收入 同个人属性中的“工作月收入”
X9 私人小汽车数量
通勤属性 X10 通勤往返次数
X11 每周通勤天数
X12 出行交通方式 1. 步行;2. 公交车;3. 地铁;4. 自行车;5. 私人小汽车;6. 出租车;7. 单位用车;8. 电动自行车
X13 通勤距离 居住地距工作地的距离
社区属性 X14 社区位置 1. 中心区;2. 新城区;3. 边缘区
X15 距市中心距离 距广州市政府的距离
X16 人口密度 六普数据,所在街道的人口密度
回归模型根据各自变量对因变量的解释力高低而逐一进入回归模型中,回归系数未达显著的自变量则被排除在回归模型之外。最后有5个自变量进入模型,联合解释力（R2）为51.5%。对因变量具有显著解释力的变量依其解释变异量的大小依次为通勤距离、出行交通方式、通勤往返次数、工作月收入和人口密度。显著性改变的F值分别为117.754、78.227、14.462、13.692、11.854,均达到0.05的显著水平,每个自变量进入回归模型后所增加的个别解释量均达显著（P<0.05）。同时,Durbin-Watson检验统计量非常接近2,说明模型的残差基本没有自相关性,比较理想。回归模型的结果见表5。
Tab. 5 Outcomes of the regression for variables

表5 模型的回归系数

相关系数R 决定系数R2 增加量（ΔR2） F值 净F值（ΔR2） B Beta（β）
截距 2608.804
通勤距离 0.539 0.291 0.291 117.754 117.754 2701.662 0.614
出行交通方式 0.666 0.443 0.152 113.834 78.227 1561.122 0.354
通勤往返次数 0.686 0.470 0.027 84.282 14.462 732.229 0.166
工作月收入 0.703 0.494 0.024 69.450 13.692 919.484 0.209
人口密度 0.717 0.515 0.020 60.054 11.854 726.695 0.165
从上述分析可知,非标准化回归方程为：
碳排放量=2608.804+2701.662 ZX13+1561.122 ZX12+732.229 ZX10+919.484 ZX5+726.695 ZX16
标准化回归方程为：
碳排放量=0.0614 ZX13+0.354 ZX12+0.166 ZX10+0.209 ZX5+0.165 ZX16
该模型的回归标准残差基本接近正态分布,表明检验样本观察值符合正态性的基本假定,回归标准差多数在三个标准差范围内,少有极端值出现。

4.2 模型结果分析

通过建立模型分析居民通勤碳排放的影响因素,结果表明：
（1）个人属性特征中,仅有个人的工作月收入对居民通勤碳排放产生显著影响,个人的工作月收入与通勤碳排放量呈正相关关系,个人的工作月收入每提高一个层次,平均每个通勤者每周的通勤碳排放量增加919.484 g。模型中性别、年龄、文化程度和职业对居民通勤碳排放均没有显著影响。
（2）家庭属性特征并未对居民通勤碳排放产生显著影响。
（3）通勤属性特征中,通勤往返次数、出行交通方式和通勤距离均对居民通勤碳排放产生显著影响。通勤距离与通勤碳排放量呈正相关关系,通勤距离每增加1 km,平均每个通勤者每周的通勤碳排放量增加2701.66 g;出行交通方式与通勤碳排放量呈正相关关系,出行交通方式的碳排放系数越高,通勤者每周的通勤碳排放量就越高;通勤往返次数与通勤碳排放量呈正相关关系,通勤往返次数每增加1次,平均每个通勤者每周的通勤碳排放量增加732.23 g。每周通勤天数对居民通勤碳排放没有显著影响。
（4）社区属性特征中,所在街道的人口密度与通勤碳排放量呈正相关关系,人口密度每增加1人/km2,平均每个通勤者每周的通勤碳排放量增加726.70 g。这一结论与已有部分研究[8,9]得出的“高密度地区可以增加公共交通出行,减少小汽车使用频率”的结论并不相符,可能的原因是虽然高密度地区由于道路拥挤、停车设施缺乏会使小汽车使用成本增高,以及密度高的区域配套服务、娱乐设施相对完善,公共交通服务质量相对也较好,有可能使人们步行、自行车或公共交通出行的可能性增加。但另一方面,由于广州市高密度地区主要位于城市中心区,土地价格高,相应的住宅成本非常高,在这些区域居住的居民相对来说收入高。因此,家庭拥有和使用小汽车的比例也相应较高,导致地处高密度区域的社区通勤碳排放高。

5 结论与讨论

以广州市为例,利用问卷调查数据,对社区居民通勤碳排放进行测算,采用分等定级和洛伦兹曲线分析社区间、社区内、个体间的分异,并建立了基于多元回归的社区居民通勤碳排放的影响模型。得出主要结论如下：
（1）与国内外相关研究类似,在通勤碳排放的量化分布上,南雅苑小区比较接近“60-20”的量化分布,即60%的碳是由20%的高碳排放通勤者所产生;但都府小区和丽江花园较接近“70-20”的量化分布,即70%的碳是由20%的高碳排放通勤者所产生。
（2）不同个人属性、家庭属性和通勤属性的通勤者的通勤碳排放量存在较大差异。个人属性中,男性、年龄较大、私营业主、收入较高的群体通勤碳排放较大;家庭属性中,家庭通勤人口较少、家庭人均收入较高、家庭拥有小汽车的群体通勤碳排放较大;通勤属性中,每天通勤往返次数较多、每周通勤天数为4天、通勤方式为小汽车、通勤距离较远的群体通勤碳排放较大。
（3）通勤距离、出行交通方式、每天的通勤往返次数、个人的工作月收入和所在街道的人口密度对家庭通勤碳排放的影响显著,且都与通勤碳排放量呈正相关关系。
基于以上结论,就通勤碳排放量而言,如果居民出行距离较短,则碳排放量相对较低。然而,住房选择为居民个人行为,往往还受到价格、个人喜好等因素影响。因此,为了有效控制居民出行碳排放,不仅需要通过土地利用、规划及管理政策引导“职住平衡”外,还应通过交通需求管理政策措施,实现从小汽车到公共交通的客流转移,使现有的小汽车用户以及潜在的小汽车用户转向公共交通出行,从而减少交通出行碳排放。
以广州市三个圈层的典型社区为案例,对通勤碳排放的特征及影响因素做了探索。但限于问卷样本规模偏小,对不同类型社区的居民交通出行碳排放缺乏深入分析。此外,对于建成环境变量的选取还需进一步完善,如能基于GIS平台,收集获取大量的空间信息数据,深入分析建成环境对社区居民通勤碳排放的影响,其结论将对土地利用和城市规划的调控及政策制定更有针对性和指导意义。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
中国气候变化信息网2014-11-16.

[China Climate Change Information Net. Global transport carbon emissions growth is amazing. 2014-11-16.]

[2]
高扬, 张晓明, 周茂松, 等. 城市居住社区交通碳排放特征及交通碳排放评估模型研究: 以广州市为例. 城市发展研究, 2012, 19(S): 781-789.

[Gao Yang, Zhang Xiaoming, Zhou Maosong, et al.The study for urban residential community transport carbon emissions characteristics and evaluation model of transport carbon emissions: A case study of Guangzhou city. Urban Studies, 2012, 19(S): 781-789.]

[3]
Brand C, Preston J M.'60-20 emission': The unequal distribution of greenhouse gas emissions from personal, non-business travel in the UK. Transport Policy, 2010, 17(1): 9-19.

[4]
Ko J, Park D, Lim H, et al.Who produces the most CO2 emissions for trips in the Seoul metropolis area?. Transportation Research Part D: Transport and Environment, 2011, 16(5): 358-364.

[5]
Carty J, Ahern A.Retracted: Introducing a transport carbon dioxide emissions vulnerability index for the Greater Dublin Area. Journal of Transport Geography, 2011, 19(6): 1059-1071.

[6]
Walsh C, Jakeman P, Moles R, et al.A comparison of carbon dioxide emissions associated with motorised transport modes and cycling in Ireland. Transportation Research Part D: Transport and Environment, 2008, 13(6): 392-399.

[7]
Ribeiro S K, Balassiano R.CO2 emissions from passenger transport in Rio de Janeiro. Transport Policy, 1997, 4(2): 135-139.

[8]
Stead D.Relationships between transport emissions and travel patterns in Britain. Transport Policy, 1999, 6(4): 247-258.

[9]
Liao C H, Lu C S, Tseng P H.Carbon dioxide emissions and inland container transport in Taiwan. Journal of Transport Geography, 2011, 19(4): 722-728.

[10]
Brand C, Boardman B.Taming of the few: The unequal distribution of greenhouse gas emissions from personal travel in the UK. Energy Policy, 2008, 36(1): 224-238.

[11]
姚胜永, 潘海啸. 基于交通能耗的城市空间和交通模式宏观分析及对我国城市发展的启示. 城市规划学刊, 2009, (3): 46-52.

[Yao Shengyong, Pan Haixiao.A macroscopic analysis of transportation energy consumption and implication to China urban planning and development. Urban Planning Forum, 2009, (3): 46-52.]

[12]
赵敏, 张卫国, 俞立中. 上海市居民出行方式与城市交通CO2排放及减排对策. 环境科学研究, 2009, 22(6): 747-752.

[Zhao Min, Zhang Weiguo, Yu Lizhong.Resident travel modes and CO2 emissions by traffic in Shanghai city. Research of Environmental Sciences, 2009, 22(6): 747-752.]

[13]
陈飞, 诸大建, 许琨. 城市低碳交通发展模型、现状问题及目标策略: 以上海市实证分析为例. 城市规划学刊, 2009,(6): 39-46.

[Chen Fei, Zhu Dajian, Xu Kun.Research on urban low-carbon traffic model, current situation and strategy: An empirical analysis of Shanghai. Urban Planning Forum, 2009, (6): 39-46.]

[14]
肖作鹏, 柴彦威, 刘志林. 北京市居民家庭日常出行碳排放的量化分布与影响因素. 城市发展研究, 2011, 18(9): 104-112.

[Xiao Zuopeng, Chai Yanwei, Liu Zhilin.Quantitative distribution and related factors for household daily travel CO2 emissions in Beijing. Urban Studies, 2011, 18(9): 104-112.]

[15]
马静, 柴彦威, 刘志林. 基于居民出行行为的北京市交通碳排放影响机理. 地理学报, 2011, 66(8): 1023-1032.

[Ma Jing, Chai Yanwei, Liu Zhilin.The mechanism of CO2 emissions from urban transport based on individuals' travel behavior in Beijing. Acta Geographica Sinica, 2011, 66(8): 1023-1032.]

[16]
刘沛, 杜宁睿, 黄经南, 等. 基于社区尺度的城市空间参数对家庭日常出行碳排放的影响研究. 见: 中国城市规划学会. 多元与包容: 2012中国城市规划年会论文集 (06. 住房建设与社区规划), 昆明: 云南科技出版社, 2012: 530-551.

[Liu Pei, Du Ningrui, Huang Jingnan, et al.The impact of urban space parameters on family daily travel carbon emissions based on the community scale. In: Urban Planning Society of China. Multivariate and Include: Paper Compilation on the Urban Planning Annual Conference of China in 2012(Sixth. Housing Construction and Community Planning), Kunming: Yunnan Science and Technology Press, 2012: 530-551.]

[17]
广州市交通规划研究所. 2010年广州市城市交通运行报告. 广州: 广州市交通规划研究所, 2010.

[Guangzhou Transport Planning Research Institute. The Report of Urban Transport in Guangzhou in 2010. Guangzhou: Guangzhou Transport Planning Research Institute, 2010.]

[18]
杨选梅, 葛幼松, 曾红鹰. 基于个体消费行为的家庭碳排放研究. 中国人口资源与环境, 2010, 20(5): 35-40. [Yang Xuanmei, Ge Hongsong, Zeng Hongyin. The household carbon emission analysis under individual consumer behavior. China Population, Resources and Environment, 2010, 20(5): 35-40.]

[19]
柴彦威, 肖作鹏, 刘志林. 基于空间行为约束的北京市居民家庭日常出行碳排放的比较分析. 地理科学, 2011, 31(7): 843-849.

[Chai Yanwei, Xiao Zuopeng, Liu Zhilin.Comparative analysison CO2 emission per household in daily travel based on spatial behavior constraints. Scientia Geographica Sinica. 2011, 31(7): 843-849.

[20]
柴彦威, 肖作鹏, 刘志林. 居民家庭日常出行碳排放的发生机制与调控策略: 以北京市为例. 地理研究, 2012, 31(2): 334-344.

[Chai Yanwei, Xiao Zuopeng, Liu Zhilin.Low-carbon optimization strategies based on CO2 emission mechanism of household daily travels: A case study of Beijing. Geographical Research, 2012, 31(2): 334-344.]

[21]
郭璐. 城市家庭通勤碳排放研究: 以西安市为例. 西安: 长安大学硕士学位论文, 2012.

[Guolu. Urban household commute carbon emission: A case study of Xi'an. Xi'an: Master Dissertation of Chang'an University, 2012.]

Options
Outlines

/

〈 〉