多尺度建成环境对居民通勤出行碳排放的影响——来自广州的实证研究

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

杨文越¹, 梁斐雯², 曹小曙^,³^,⁴

1. 华南农业大学林学与风景园林学院,广州510642

2. 广西科技大学经济与管理学院,柳州545006

3. 陕西师范大学交通地理与空间规划研究所,西安710119

4. 中山大学城市与区域规划系,广州510275

Examining the effects of the multi-scale built environment on residents′ CO₂ emissions from commuting: An empirical study of Guangzhou

YANG Wenyue¹, LIANG Feiwen², CAO Xiaoshu^,³^,⁴

1. College of Forestry and Landscape Architecture, South China Agricultural University, Guangzhou 510642, China

2. School of Economics and Management, Guangxi University of Science and Technology, Liuzhou 545006, Guangxi, China

3. Institute of Transport Geography and Spatial Planning, Shaanxi Normal University, Xi’an 710119, China

4. Department of Urban and Regional Planning, Sun Yat-sen University, Guangzhou 510275, China

通讯作者: 曹小曙（1970-）,男,甘肃灵台人,博士,教授,博士生导师,主要研究方向为地理与规划。E-mail: caoxsh@snnu.edu.cn

收稿日期:2019-07-8修回日期:2019-10-24网络出版日期:2020-07-20

基金资助:

国家自然科学基金项目.41701169
国家自然科学基金项目.41671160
广东省哲学社会科学规划项目.GD17YSH01
广州市哲学社科规划2019年度课题.2019GZGJ49

Received:2019-07-8Revised:2019-10-24Online:2020-07-20
作者简介 About authors
杨文越（1988-）,男,广东韶关人,博士,讲师,硕士生导师,主要研究方向为城市交通地理与土地利用E-mail:yangwenyue900780@163.com。

摘要
通勤出行碳排放是城市交通碳排放的主要来源。然而,现有研究很少关注不同地理尺度建成环境对居民通勤出行碳排放的影响差异,且尚未得出一致的结论。本文基于居民出行调查数据和多层次混合效应模型对广州多尺度建成环境对居民通勤出行碳排放的影响进行了实证研究。研究发现：在控制居住自选择效应之后,居民通勤出行碳排放具有明显的空间差异,这些差异是由社区间的建成环境差异所导致的。在不同尺度建成环境中,社区尺度的建成环境对居民通勤出行碳排放的影响最显著。而且,居住地建成环境对通勤出行碳排放的影响比工作地建成环境的影响显著。对建成环境进行规划干预应更多着眼于居民所居住的社区以及与居民日常出行活动联系紧密的社区15分钟步行生活圈。虽然实证案例社区的选取可能存在局限性,但研究结论可为构建低碳城市空间结构、引导居民出行行为转变和制定具有针对性的低碳交通与土地利用政策提供一定的科学理论依据。
关键词： 建成环境;通勤;碳排放;尺度;多层次混合效应模型

Abstract

Commuting is the main source of CO₂ emissions from urban transport. However, existing studies have rarely paid attention to the differences in the effects of different geographical scales of built environments on residents' CO₂ emissions from commuting and had not yet reached a consensus conclusion. Based on the 2015 travel survey data and multilevel and mixed-effects models, this paper conducts an empirical study on the effects of multi-scale built environments on residents' CO₂ emissions from commuting in Guangzhou, China. The results show that after control for the residential self-selection effect, there are obvious spatial differences in the residents' CO₂ emissions from commuting among neighborhoods. It is shown that the residents in the central urban area generally emit less CO₂ emissions than their counterparts in the suburban area in commuting trips. These are caused by differences in built environments between neighborhoods. In terms of scale, the neighborhood's built environment has the most significant effect on residents' CO₂ emissions from commuting, followed by 1 km-buffer range of neighborhood boundary, and then subdistrict. Moreover, the effect of the built environment of the residence on CO₂ emissions from commuting is more significant than that of the workplace. These findings imply that planning interventions on the built environment should focus more on the neighborhoods in which residents live and the 15-minute walk life circle that is closely linked to the daily travel activities of residents. The distance between residence and workplace should be kept as short as possible, and the residential density of neighborhoods should be maintained at a reasonable level. Furthermore, optimizing the structure of road network and providing more community roads which are beneficial to non-motorized travel could help improve the environment for walking and bicycling and encourage people to use low-carbon, active and healthy travel modes. Although there may be some limitations in the selection of neighborhoods surveyed and random interception approach in the survey that may lead to non-possibility sampling, the conclusions can still provide a scientific basis for constructing a low-carbon urban spatial structure, guiding residents' travel behavior change and formulating targeted policies on low-carbon transportation and land use.

Keywords：built environment;commuting;CO₂ emissions;scale;multilevel and mixed-effects model

PDF (3343KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
杨文越, 梁斐雯, 曹小曙. 多尺度建成环境对居民通勤出行碳排放的影响——来自广州的实证研究. 地理研究[J], 2020, 39(7): 1625-1639 doi:10.11821/dlyj020190566
YANG Wenyue, LIANG Feiwen, CAO Xiaoshu. Examining the effects of the multi-scale built environment on residents′ CO₂ emissions from commuting: An empirical study of Guangzhou. Geographical Research[J], 2020, 39(7): 1625-1639 doi:10.11821/dlyj020190566

1 引言

在全球气候变暖、快速城市化和机动化发展背景下,交通出行碳排放成为城市低碳、可持续发展的重要议题^[1]。中国在2007年已超越美国成为世界第一大碳排放国家,且交通部门碳排放总量位居全球第二^[2,3]。随着社会经济发展和小汽车的普及,中国交通碳排放将在未来呈不断增长的态势^[4,5],使实现《巴黎条约》的碳减排目标面临严峻挑战^[6]。通勤出行是城市交通碳排放的主要来源,因为通勤是最主要的出行方式^[7,8]。目前,中国不少城市进入了郊区化和蔓延式发展的阶段。很多新城和郊区建设具有显著的大街区和宽马路特征,摒弃了以步行和公交为导向的传统社区发展模式^[9]。低密度、单一化和分散发展的土地利用模式促使居民通勤距离和小汽车使用大幅增加,排放大量的CO₂^[10]。

虽然已有大量文献探究建成环境与出行行为之间的关系,但这些研究较少关注于居民出行的环境成本,例如出行碳排放,且并未得出一致的研究结论^[7,8,11-16]。国外关于建成环境与出行碳排放的研究大多认为人口密度、土地利用混合度、公共交通可达性和道路交叉口密度与机动车使用、交通能源消耗及碳排放呈负相关关系^{[17,18,19,20,21]}。Modarres在美国洛杉矶的研究显示,高密度地区的居民通勤能源消耗较少^[22]。Barla等在加拿大魁北克的研究显示,人口密度较低的城市郊区和城市外围地区的居民出行碳排放普遍比中心城区的高27%和70%^[23]。但Brand等在英国的研究显示,居住人口密度与出行碳排放之间的关系并不显著^[24]。还有研究认为,工作地密度比居住地密度的影响更大^[25]589。也有****认为,建成环境与居民出行碳排放之间的关系很可能是非线性的^[26]。在国内,****们在不同城市的实证研究结论也存在一定差异^[7,16,27-32]。有研究认为居住人口密度对通勤出行碳排放没有显著的直接影响^[8]487,也有研究显示高密度的社区居民出行能耗远高于其他社区^[33]。对于公共交通可达性（尤其是普通公交）,文献间的研究结论也有较大差异^[34,35,36]。有****认为,不同建成环境要素对不同类型出行碳排放的影响作用并不一致^[7,16]。以上研究大多仅关注于单一尺度建成环境对居民出行碳排放的影响,很少探究不同尺度建成环境的影响差异;且主要以居住地建成环境为研究对象,较少考虑到其他地理背景,例如工作地建成环境。建成环境在不同地域空间上对出行碳排放的影响很可能是不一致的,具有空间异质性^[37]。

尺度是地理学的核心概念之一,选取不同研究尺度往往会导致研究结果产生差异^[38,39,40]。因此,不同尺度建成环境要素对居民通勤出行碳排放的影响作用很可能并不一致,很有必要同时考虑和测度不同尺度和地理背景建成环境对居民通勤出行碳排放的影响作用。鉴于此,本文试图提出并回答以下研究问题：第一,究竟哪个尺度的建成环境对居民通勤出行碳排放的影响更大,哪些建成环境要素的影响更显著?第二,居住地建成环境对居民通勤碳排放的影响大还是工作地建成环境的影响更大?本文将以广州为例进行实证研究,基于居民出行问卷调查数据和出行O-D点智能查询系统（Travel O-D point Intelligent Query System,TIQS）^①（① TIQS是本研究团队基于百度地图LBS（Location Based Service）开放平台开发的能够自动进行大量出行OD点查询的智能系统。）的应用,通过构建多层次混合效应模型探究不同尺度建成环境要素对居民通勤出行碳排放的影响。

2 研究方法

2.1 研究范围

广州是华南地区最大的城市,具有明显的高密度城市特征。2018年末常住人口有1490.44万,城镇化率86.38%,市域人口密度高达2005人/km²。本文首先基于大数据和GIS技术对研究区域全域、多尺度建成环境进行定量测度,并以此为依据选取15个社区进行问卷调查（图1）。这些社区分别位于荔湾区、越秀区、海珠区、天河区、白云区、黄埔区和番禺区7个行政区,建成环境特征在不同尺度上（社区、街道和社区边界1 km缓冲范围）均具有一定的差异（表1,见第1628页）,以确保社区选取具有代表性和模型估计在统计上的显著性。

图1

新窗口打开|下载原图ZIP|生成PPT
图1问卷调查社区的空间分布与不同研究尺度范围

Fig. 1Spatial distribution and different research scales for the neighborhoods surveyed

Tab. 1
表1
表1问卷调查社区的样本分布和建成环境
Tab. 1Sample distribution and built environments for the neighborhoods surveyed

社区	所属行政区	常住人口(人)	样本数（个）	研究尺度	到城市中心的距离(km)	居住人口密度(人/km²)	土地利用混合度	公交站密度(个/km²)	地铁站密度(个/km²)	路网密度 (km/km²)
富力社区	荔湾区	8831	63	尺度一	8.93	114489	0.54	8.91	0.68	8.93
				尺度二	8.62	76456	0.52	9.50	0.73	9.35
				尺度三	8.94	51399	0.54	8.68	0.64	8.79
五羊社区	越秀区	14110	88	尺度一	1.31	39885	0.57	6.28	1.05	7.63
				尺度二	2.37	26730	0.44	6.51	0.61	8.22
				尺度三	1.31	17929	0.51	6.31	0.91	7.75
逸景翠园	海珠区	13979	75	尺度一	4.54	24695	0.48	6.89	0.23	6.99
				尺度二	4.90	35726	0.37	7.68	0.36	7.31
				尺度三	4.52	29414	0.35	7.06	0.28	6.89
光大花园	海珠区	17466	102	尺度一	7.89	32147	0.18	6.09	0.36	7.97
				尺度二	7.46	45427	0.27	6.71	0.47	8.19
				尺度三	7.92	30684	0.25	6.33	0.37	8.08
芳草园	天河区	4230	39	尺度一	2.86	63200	0.35	7.72	0.67	7.28
				尺度二	2.66	44470	0.58	7.10	0.57	7.53
				尺度三	2.86	30830	0.57	7.31	0.67	7.32
骏景社区	天河区	12320	109	尺度一	6.24	13827	0.36	4.85	0.36	6.43
				尺度二	4.64	13634	0.44	5.97	0.24	6.78
				尺度三	6.26	23922	0.39	4.72	0.32	6.18
中海康城	天河区	8016	69	尺度一	8.16	17580	0.27	4.56	0.21	5.86
				尺度二	9.10	4628	0.34	4.23	0.13	4.89
				尺度三	8.17	10099	0.34	4.60	0.19	5.62
汇侨社区	白云区	15044	121	尺度一	11.22	56825	0.47	8.07	0.02	8.68
				尺度二	10.53	20983	0.37	7.46	0.14	8.22
				尺度三	11.21	24475	0.39	7.73	0.06	8.73
富力城花园	白云区	4372	41	尺度一	15.62	10343	0.27	5.70	0.00	4.78
				尺度二	16.10	6449	0.23	4.22	0.01	3.31
				尺度三	15.63	7504	0.23	5.24	0.00	4.37
金碧社区	黄埔区	10685	89	尺度一	10.62	63149	0.40	4.75	0.10	5.38
				尺度二	11.48	7560	0.12	4.00	0.15	4.12
				尺度三	10.62	9215	0.27	4.79	0.12	4.88
万科城市花园	黄埔区	4747	34	尺度一	14.44	29717	0.25	4.45	0.29	4.48
				尺度二	15.70	4630	0.20	2.11	0.10	3.55
				尺度三	14.45	7196	0.40	4.16	0.23	4.18
洛溪新城	番禺区	12599	109	尺度一	8.90	13938	0.25	5.15	0.25	4.81
				尺度二	9.44	3469	0.22	3.00	0.11	3.63
				尺度三	8.84	4141	0.28	4.63	0.22	4.99
丽江花园	番禺区	11056	95	尺度一	9.98	9989	0.41	5.32	0.21	4.42
				尺度二	9.44	3469	0.22	3.00	0.11	3.63
				尺度三	9.99	6375	0.34	4.62	0.18	4.34
祈福新村	番禺区	27136	159	尺度一	17.38	6980	0.25	1.38	0.00	2.83
				尺度二	15.72	2060	0.25	1.48	0.01	1.95
				尺度三	17.40	5278	0.32	1.83	0.01	2.82
东怡社区	番禺区	7874	46	尺度一	21.83	20503	0.57	3.52	0.12	4.31
				尺度二	22.02	1790	0.23	2.23	0.03	2.37
				尺度三	21.84	10348	0.44	3.96	0.09	4.26
合计		172465	1239

注：尺度一为社区范围,尺度二为社区所在的街道范围,尺度三为以社区边界向外缓冲1 km范围。

新窗口打开|下载CSV

2.2 研究数据

本文考虑和测度的建成环境包括六个要素。其中,到城市中心的距离（DC）为社区（街道、缓冲范围）中心到广州新城市中心珠江新城的欧氏距离;居住人口密度（RD）为社区（街道、缓冲范围）内的常住人口除以土地面积;土地利用混合度（LUM）通过13种类型兴趣点（POIs）,借鉴Frank等^[41]和Moniruzzaman等^[42]的方法计算而得;公交站密度（BSD）和地铁站密度（MSD）通过在ArcGIS上对公交站点和地铁站点分别进行核密度（kernel density）估计计算而得;路网密度（RND）则通过对路网进行线密度（line density）估计计算而得。社区、街道和社区边界1 km缓冲范围三个尺度的建成环境均采用以上方法分别进行测度。工作地建成环境为居民通勤目的地所对应的社区建成环境。本文所用的居民出行问卷调查数据开展于2015年。首先于2015年3月分别对4个社区进行问卷预调查工作,回收问卷150份。经调查反馈和问卷修改后于2015年5—7月正式展开全面的问卷调查工作。调查对象为16岁以上、在社区居住超过半年的居民;采用面对面、随机拦截的方式进行。正式问卷调查阶段一共回收了1345份问卷,其中有效问卷1239份,有效回收率92.12%。收集的数据包括居民出行态度与偏好、社会经济属性和通勤出行信息等。本文将居民单程通勤（从居住地到工作地）所排放的CO₂设定为模型的因变量,居民出行态度与偏好和社会经济属性设定为控制变量,建成环境变量设定为解释变量,以探究多尺度建成环境对居民通勤出行碳排放的影响。其中,居民出行态度与偏好考虑了以下7方面：低碳绿色出行是重要的（AP1）、小汽车出行是身份地位的象征（AP2）、喜欢运动和锻炼身体（AP3）、喜欢步行或自行车出行（AP4）、喜欢公共交通出行（AP5）、喜欢小汽车出行（AP6）和喜欢就近上班（AP7）,分别通过打分法用“1~5分”来表示“非常不同意”到“非常同意”。居民社会经济属性变量包括：性别（GENDER）、年龄（AGE）、家庭规模（HS）、是否拥有16岁以下的小孩（CHILD）、学历（EDU）、户籍（HR）、家庭人均月收入（INCOME）、小汽车拥有（CAR）和自行车拥有（BIKE）等。问卷样本的社会经济属性分布如表2（见第1269页）。

Tab. 2
表2
表2问卷样本的社会经济属性分布
Tab. 2Distribution of social and economic attributes for the sample population

指标（变量,单位）	指标水平说明	样本数（个）	比例（%）
性别（GENDER,-）	0：男	694	56.01
性别（GENDER,-）	1：女	545	43.99
年龄（AGE,岁）	1：16~24	137	11.06
	2：25~34	605	48.83
	3：35~44	426	34.38
	4：≥ 45	71	5.73
家庭规模（HS,人）	1：1	39	3.15
	2：2	140	11.30
	3：3	429	34.62
	4：4	355	28.65
	5：≥ 5	276	22.28
拥有16岁以下的小孩（CHILD,-）	0：没有	414	33.41
拥有16岁以下的小孩（CHILD,-）	1：有	825	66.59
学历（EDU,-）	1：高中（含中专、职高）及以下	151	12.19
	2：大专	357	28.81
	3：本科	551	44.47
	4：研究生及以上	180	14.53
户籍（HR,-）	0：外地	584	47.13
户籍（HR,-）	1：本地（广州）	655	52.87
家庭人均月收入（INCOME,元）	1：≤ 3999	129	10.41
	2：4000~5999	221	17.84
	3：6000~7999	208	16.79
	4：8000~9999	202	16.30
	5：10000~15000	208	16.79
	6：>15000	271	21.87
小汽车拥有（CAR,-）	0：没有	488	39.39
小汽车拥有（CAR,-）	1：有	751	60.61
自行车拥有（BIKE,-）	0：没有	429	34.62
自行车拥有（BIKE,-）	1：有	810	65.38

新窗口打开|下载CSV

2.3 通勤出行碳排放的计算

本文基于居民通勤出行OD点和TIQS的应用计算通勤出行碳排放。其计算公式如下：

（1）

T C_{i} = MT D_{i} \times E F_{m}

（2）

MT D_{i} = T D_{i} - NT D_{i}

式中：TC_i为样本i通勤出行（单程）所排放的CO₂;MTD_i是这段通勤使用机动化出行方式的出行距离;EF_m为使用该机动化出行方式的碳排放因子（表3,见第1629页）;TD_i是这段通勤的全程出行距离;NTD_i是这段通勤中采用非机动化方式出行的距离。

Tab. 3
表3
表3机动化出行方式的能源消耗及其碳排放因子
Tab. 3Specific energy consumption and CO₂ emission factor for motorized travel modes

机动化出行方式	最终能源消耗（L/100 km, kWh/km）	容量（人）	一次能源消耗（MJ/Pkm）	碳排放因子EF （g/Pkm）
小汽车（出租车）	11.0	1.3	0.84	233.1
公交车	35.0	40.0	0.35	26.0
班车（楼巴）	30.0	44.0	0.27	20.3
地铁	5.0	216.0	0.26	20.9

注：根据文献[43]关于中国交通碳排放的研究整理所得,此处碳排放指的是直接碳排放。

新窗口打开|下载CSV

在一段实际通勤出行中,除全程通过步行或自行车出行以外,往往是机动化出行与非机动化出行相结合的（图2,见第1630页）。例如,居民搭乘公共交通上班在绝大多数的情况下需要先从居住地步行或骑自行车到公共交通站点,然后再搭乘公共交通,下车后需要继续步行或骑自行车到达工作地。同时,搭乘公共交通过程中还可能涉及到换乘。例如在某个站点下车,步行一定距离到另外一个站点换乘其他线路的公共交通,又或者是常规公交与地铁之间相互换乘。其间都会产生一定距离的非机动化出行,而这些非机动化出行并不排放CO₂。在计算出行碳排放时应剔除这些非机动化出行距离,也即公式（2）中的NTD_i。

图2

新窗口打开|下载原图ZIP|生成PPT
图2不同方式通勤出行距离的计算过程

Fig. 2The calculating process of commuting distance in different travel modes

上述TD_i和NTD_i可通过在TIQS中输入每个样本通勤出行OD点的经纬度坐标和出行方式计算而得。TIQS将根据每对出行OD点和所选择的出行方式,通过调用百度地图后台实时交通路况数据计算查询该通勤出行最佳推荐路线（出行时间最小）方案的全程出行距离（TD_i）和非机动化出行距离（NTD_i）,从而计算出实际排放CO₂的机动化出行距离MTD_i,以将非机动化出行从中剥离出来,尽可能更精确地估算出行碳排放。

2.4 多层次混合效应模型（Multilevel and mixed-effects modeling）

本文将通过构建多层次混合效应模型以探究不同尺度建成环境对居民通勤碳排放的影响。多层次混合效应模型包括两种效应：固定效应（fixed effects）和随机效应（random effects）。前者通过相同的、“固定的”截距和斜率来描述样本整体,与普通回归原理一样;而后者则分别通过不同的、“随机的”截距和斜率来对样本不同层次的亚组（subgroups）进行回归。由于样本个体（居民）是嵌套（nested）在多个尺度建成环境中的,如社区、街道等,因此,针对这种类型的数据可使用多层次混合效应模型对其整个样本的固定效应和不同尺度亚组的随机效应进行有效估计^[44]。

当多层次混合效应模型只包含固定效应时,其模型公式如下：

（3）

y_{i} = β_{0} + β_{1} x_{1 i} + β_{2} x_{2 i} + ? + β_{n} x_{ni} + ε_{i}

式中：i表示样本个体;

β_{0}

是样本整体的截距项;

β_{1}

是解释变量

x_{1}

的系数;

ε

为随机误差项。

当模型同时包含固定效应和随机效应时,其公式如下：

（4）

y_{ij} = β_{0} + β_{1} x_{1 ij} + β_{2} x_{2 ij} + ? + β_{n} x_{nij} + u_{0 j} + ε_{ij}

式中：j表示的是样本个体所嵌套的地理空间单元,如所在的社区;

u_{0 j}

是该地理空间单元的随机截距项,也即随机效应,以此测度各地理空间单元（如社区）之间除已有解释变量描述以外的通勤碳排放差异。该随机效应可通过最佳线性无偏预测方法（best linear unbiased predictions,BLUPS）进行估计。

多层次混合效应模型同时还可以测度解释变量在不同地理空间单元中的影响差异,也即除了可以包含随机的截距项以外,还允许包含随机的解释变量斜率。其模型公式如下：

（5）

y_{ij} = β_{0} + β_{1} x_{1 ij} + β_{2} x_{2 ij} + ? + β_{n} x_{nij} + u_{0 j} + u_{nj} x_{nij} + ε_{ij}

式中：

u_{nj}

为解释变量

x_{nij}

的随机斜率;对应于不同的地理空间单元j,解释变量

x_{n}

的系数不一样。也即,若解释变量

x_{n}

存在显著的随机效应,则其在不同地理空间单元中对因变量y具有不一样的影响,影响大小和作用方向均可能不一致。解释变量是否存在显著的随机效应,可通过似然率（likelihood-ratio）检验包含解释变量随机斜率的模型是否优于仅包含随机截距项的模型。

为测度不同尺度、不同地理背景建成环境对居民通勤出行碳排放的影响,首先将针对居住地建成环境构建4个模型。其中,模型1仅考虑样本个体尺度的出行态度与偏好和社会经济属性变量,模型2~模型4分别加入社区尺度、街道尺度和社区边界1 km缓冲范围尺度的居住地建成环境变量,以探究究竟哪个尺度的居住地建成环境对通勤碳排放的影响更大、更显著。此外,为探究工作地建成环境是否会影响居民通勤出行碳排放,分别构建模型5~模型7对其进行检验。其中,模型5在模型1的基础上加入了工作地建成环境变量,以检验在不考虑居住地建成环境的条件下,工作地建成环境是否对通勤碳排放具有显著的影响。模型6在模型5的基础上进一步加入社区尺度居住建成环境变量,以探究究竟工作地建成环境对通勤碳排放的影响显著还是居住地建成环境对通勤碳排放的影响显著。模型7采用逐步回归的方法,在模型6的基础上逐步剔除不显著的变量,以确保模型构建最有效和具有稳健性。

本文多层次混合效应模型的构建与估计是通过Stata 12.0软件的“xtmixed”命令执行,估计方法使用最大似然法（maximum likelihood,ML）。

3 研究结果

3.1 个体尺度的通勤碳排放影响因素

模型1~模型4的估计结果如表4。从估计结果可见,居民个体尺度的出行态度与偏好和社会经济属性对通勤碳排放的影响在四个模型中都是一致的,也即模型的构建具有稳健性。总体上,居民出行态度“是否认同低碳绿地出行是重要的”和“是否认同小汽车出行是身份地位的象征”对通勤碳排放并无显著的影响,出行偏好“喜欢运动和锻炼身体”和“喜欢步行或自行车出行”对通勤碳排放亦无显著的影响,而“喜欢公共交通出行”和“喜欢就近上班”则对通勤碳排放具有负向影响作用（显著性水平10%）,“喜欢小汽车出行”具有显著的正向影响作用（显著性水平1%）。社会经济属性方面,性别、年龄、户籍、家庭收入水平和是否拥有小汽车对通勤碳排放具有显著的影响,显著性水平分别为1%、1%、10%、5%和1%。其中,男性、年龄较大、拥有广州户籍、家庭人均月收入较高和拥有小汽车的居民将在通勤中排放更多的CO₂。而家庭规模、是否拥有16岁以下的小孩、学历和是否拥有自行车则对通勤碳排放没有显著影响。以上个体尺度影响因素的估计结果与已有研究结论基本一致^[8,16]。因此,本文不再进一步对其进行详细分析。在模型2~模型7中,这些变量亦仅作为控制变量纳入到模型构建当中。

Tab. 4
表4
表4多尺度居住地建成环境对居民通勤出行碳排放影响的模型估计结果
Tab. 4Model estimation results of the effects of multi-scale residential built environment on residents' CO₂ emissions from commuting

	模型1	模型2	模型3	模型4
个体尺度变量
AP1	27.0162	14.3191	26.5988	19.8548
AP2	28.7874	26.5083	15.3102	24.5177
AP3	30.1147	20.9674	24.8029	30.0696
AP4	-40.7247	-25.0515	-45.0258	-44.7375
AP5	-129.1811*	-132.6503*	-113.6033*	-126.0231*
AP6	361.9357***	368.1032***	360.8664***	366.1136***
AP7	-131.6832*	-136.8782*	-136.8357*	-142.9529*
GENDER	-311.4853***	-283.6218***	-299.8431***	-313.0708***
AGE	187.5015***	184.1566***	191.0341***	190.1026***
HS	1.5238	1.4895	7.0559	6.8284
CHILD	84.2960	87.2285	77.1349	83.3836
EDU	-5.2603	-13.0242	-10.4170	-10.9997
HR	199.2319*	188.5969*	201.9674*	185.4167*
INCOME	82.2795**	82.0098**	83.8621**	80.1377**
CAR	734.7905***	745.1148***	716.3562***	726.8929***
BIKE	-61.8951	-62.3969	-51.8799	-44.6196
社区尺度变量
DC₁		0.0510**
RD₁		-0.0055*
LUM₁		-893.8533
BSD₁		302.4923***
MSD₁		308.0092
RND₁		-248.7261***
街道尺度变量
DC₂			-0.0004
RD₂			0.0049
LUM₂			-386.7136
BSD₂			117.3472
MSD₂			-593.7092
RND₂			-180.9338
1 km缓冲范围尺度变量
DC₃				0.0407*
RD₃				-0.0142*
LUM₃				-1459.1270
BSD₃				266.3485***
MSD₃				511.8110
RND₃				-196.9419**
整体截距项	-1283.1370**	-1459.7630**	-656.8980	-1198.1770
随机截距项标准差	296.0624	1.0043e-04	152.8091	55.7814
Log likelihood	-6783.6177	-6770.1713	-6778.1210	-6774.5890

注：***、**和*分别表示显著性水平为1%、5%和10%。

新窗口打开|下载CSV

各社区居民通勤出行碳排放的特征分布如图3。虽然从图3中可以看出社区之间居民通勤碳排放存在一定差异,例如位于城市郊区的富力城花园社区的最大值和中位数远高于其他社区,且其箱体较长（社区内部差异较大）,但与城市中心距离更远的祈福新村社区和东怡社区的箱体分布特征却与富力城花园社区的有很大差异,难以从中发现和归纳具有更大价值的空间特征规律。为此,针对模型1估计了各社区其自身对居民通勤出行碳排放影响的随机效应,如图4。其统计学上的意义是,当考虑和控制了社区居民的出行态度与偏好和社会经济属性后,各社区之间居民通勤出行碳排放具有怎么样的特征差异。更进一步地,导致如图3这样的各社区居民通勤碳排放特征差异很可能是因为居民自身的因素或属性（出行态度与偏好和社会经济属性）,例如因为喜欢小汽车通勤且家庭拥有小汽车的居民集中居住在富力城花园社区,所以导致该社区居民通勤碳排放普遍高于其他社区,而非因为建成环境因素的影响。这也就是所谓的“居住自选择”效应^[8,16,45]。

图3

新窗口打开|下载原图ZIP|生成PPT
图3各社区居民通勤出行碳排放的分布特征

Fig. 3Distribution characteristics of residents′ CO₂ emissions from commuting among neighborhoods

图4

新窗口打开|下载原图ZIP|生成PPT
图4各社区对居民通勤碳排放影响的随机效应差异

Fig. 4Differences in the random effects of neighborhoods′ impact on residents′ CO₂ emissions from commuting

由图4可见,中心城区社区和城市郊区社区对居民通勤碳排放影响的随机效应具有显著差异。也即,若居民出行态度与偏好和社会经济属性一致,位于中心城区社区的居民通勤碳排放将普遍比位于城市郊区社区的小。在已有研究中,大多仅通过描述性统计分析来比较城市不同区域的居民通勤碳排放特征差异,而并未考虑居住自选择效应。也即居民通勤碳排放的空间差异很可能是由具有相同或类似社会经济属性和出行态度与偏好的居民在城市不同空间上的居住集聚导致的,而非建成环境、空间因素或社区自身的差异。本文通过构建多层次混合效应模型控制居民出行态度与偏好和社会经济属性,验证了居民通勤碳排放除了受居住自选择效应影响外,还会受到社区自身建成环境的影响。因此,很有必要进一步探究不同尺度建成环境对居民通勤碳排放的影响。

3.2 不同尺度的居住地建成环境对通勤碳排放的影响

模型2在模型1的基础上加入了社区尺度的六个居住地建成环境变量,模型的随机截距项标准差由296.0624减少到接近为0,也即社区的随机效应由显著变成了不显著。这意味着,模型2中新加入的建成环境变量很好地解释了社区间的通勤碳排放差异（图4所示的差异）。模型3和模型4分别在模型1的基础上加入街道尺度和社区边界1 km缓冲范围尺度建成环境变量,它们的随机截距项标准差分别为152.8091和55.7814。也即这两个模型建成环境变量对社区间通勤碳排放差异的解释力度低于模型2,其中模型3街道尺度建成环境变量的解释力度最差。从解释变量的显著性来看,模型3街道尺度的建成环境变量对居民通勤碳排放的影响均不显著,而模型2社区尺度建成环境变量对通勤碳排放的影响显著性亦优于模型3社区边界1 km缓冲范围尺度,由此可以说明建成环境对通勤碳排放的影响具有尺度效应,其中以社区尺度的影响最为显著。因此,若希望通过对建成环境进行规划干预以减少居民通勤碳排放,应更多着眼于与居民所居住的社区以及与居民日常出行活动联系最紧密的社区15分钟步行生活圈范围（约等于1 km缓冲范围尺度）。

同时,通过似然率（likelihood-ratio）对模型2~模型4的建成环境变量进行随机效应检验,结果显示这六个建成环境变量在不同尺度上均不存在显著的随机效应,也即这些建成环境因素不管在哪个社区,对通勤碳排放的影响都是一致的,没有显著的差异。

总体上,模型2和模型4的各变量估计结果基本上是一致的,由此可以认为模型估计具有稳健性。居民所在的社区与城市中心的距离越大,其通勤出行排放的CO₂则越多。而社区居住人口密度和路网密度越大,居民通勤出行碳排放则越小。这些结论与已有研究基本一致^[7,8,17,18]。值得注意的是,社区公交站密度与居民通勤出行碳排放呈正相关关系,公交供给水平越充足的社区,其居民通勤出行碳排放反而更大。已有研究亦得出相似的结论^[7,8,16]。在广州,公交密度高的社区主要集中分布在中心城区,这些社区往往可达性、环境品质和房价都比较高,其居民的收入水平和经济基础亦相对较好。因此,很多拥有小汽车的居民为了不必在上下班高峰期挤公交,在广州常年高温闷热环境下花更多时间等候公交以及暴露在汽车尾气污染当中,更倾向于选择小汽车出行。在调研中发现,即使是中心城区范围内的短距离通勤,拥有小汽车、收入较高的居民大多更倾向于使用小汽车出行,尽管其居住的社区拥有较高的公共交通供给水平。因此,在像广州这种高密度城市环境背景下,公交供给水平已经相当不错的社区进一步增加其公交站点或公交线路是否能够有效地减少通勤出行碳排放,是科研人员、政策制定者和规划师值得关注的问题。同时,社区土地利用混合度和地铁站密度对居民通勤出行碳排放亦无显著的直接影响。可能大多数人都会直观地认为土地利用混合度和地铁站密度应与通勤出行碳排放呈显著的负相关关系,但通勤碳排放不仅取决于通勤方式,同时还受通勤距离的影响^[46]。通勤距离很大程度上决定于居住地与工作地之间的距离。而居住地和工作地之间的距离很大程度上直接取决于居民对居住地和工作地的选择,而非居住地社区本身的土地利用混合度。居住地与工作地之间的关系是一个自我调整的动态过程。居民有可能会因为通勤距离过长而调整居住地或调整工作地,使通勤成本和压力控制在自身可以承受的范围。地铁是一种低碳且便捷高效的交通方式。若居住地附近没有地铁,居民不一定会转向使用小汽车来通勤,也有可能通过调整工作地和居住地的方式来减少通勤距离。因此,社区土地利用混合度和地铁站密度与居民通勤碳排放之间的关系并不一定是显著负相关关系。

3.3 工作地建成环境对通勤碳排放的影响

为对比工作地建成环境与居住地建成环境对居民通勤碳排放的影响,模型5在模型1的基础上仅加入工作地建成环境变量,以验证除居住地建成环境外,工作地建成环境是否也会对通勤碳排放产生影响。模型5的估计结果显示（如表5）,建成环境因素仅有地铁站密度显著（显著性水平10%）。同时,居民出行态度与偏好和社会经济属性变量与前面的模型保持一致。这说明,模型5的估计结果是可信的。但其随机截距项标准差（304.9182）远大于模型2~模型4,这说明工作地建成环境变量的解释力度远不如居住地建成环境变量,且对居民通勤碳排放的影响显著性不如居住地。该结果与部分国外研究具有差异。Ding等以美国华盛顿特区为例的研究显示工作地建成环境的影响比居住地的显著^[25]589。

Tab. 5
表5
表5工作地建成环境对居民通勤出行碳排放影响的模型估计结果
Tab. 5Model estimation results of the effects of workplace built environment on residents' CO₂ emissions from commuting

	模型5	模型6	模型7
个体尺度变量
AP1	25.2303	15.1263
AP2	33.3261	31.6468
AP3	25.8596	16.9444
AP4	-33.1808	-19.3989
AP5	-128.7016*	-129.1220**	-131.7649**
AP6	353.7867***	359.9583***	370.8355***
AP7	-133.8098*	-139.5642*	-141.5359**
GENDER	-314.5223***	-281.9345***	-277.3545***
AGE	177.4332**	172.8170**	198.2398***
HS	-8.2653	-8.8784
CHILD	97.6867	106.1256
EDU	-9.8654	-19.6187
HR	188.8895*	175.5465*	176.6169*
INCOME	85.4567**	82.5496**	78.2263**
CAR	739.2698***	752.5380***	750.5512***
BIKE	-58.7123	-55.1057
居住地建成环境
DC₁		0.0542**	0.0461***
RD₁		-0.0063**	-0.0068**
LUM₁		-944.9631
BSD₁		330.5942***	297.2532***
MSD₁		242.3151
RND₁		-238.0425***	-233.2642***
工作地建成环境
DC_work	0.0198	0.0184
RD_work	0.0012	0.0016
LUM_work	257.7178	214.2421
BSD_work	-47.7365	-48.7330
MSD_work	327.4418*	348.2815**	208.4993*
RND_work	-26.0990	-21.3677	-61.8349**
整体截距项	-1204.4360*	-1593.0720**	-1259.2970**
随机截距项标准差	304.9182	1.0049e-04	70.7000e-08
Log likelihood	-6778.5740	-6765.6044	-6769.1542

注：***、**和*分别表示显著性水平为1%、5%和10%。

新窗口打开|下载CSV

模型6进一步将社区尺度居住地建成环境放入模型,以检验模型结果的稳健性和可信度。结果显示,六个居住地建成环境变量的估计结果均与前面模型一致,且居住地人口密度的显著性由之前的10%上升到5%,而工作地地铁站密度的显著性也由模型5的10%上升到5%,显著性有所提高。同时,模型随机截距项标准差减少到接近为0,说明模型6新加入的社区尺度居住地建成环境变量很好地解释了社区间的居民通勤碳排放差异。模型7为了进一步检验估计结果的稳健性和提高模型构建的效率,采用逐步回归剔除不显著的变量。结果显示,居住地建成环境变量的估计结果仍与前面的模型保持一致,且显著性有进一步的提高;而工作地建成环境变量方面,路网密度由之前的不显著变为显著（显著性水平5%）,呈负向影响作用。

上述模型估计结果说明,增加工作地路网密度是有利于减少通勤碳排放的,但增加工作地地铁站密度却不一定能够减少通勤碳排放,因为通勤碳排放不仅取决于通勤方式,还取决于通勤距离,且受居住地建成环境的影响更大。

4 结论

本文以广州为例,基于居民出行问卷调查数据和多层次混合效应模型对多尺度建成环境要素对居民通勤出行碳排放的影响进行了实证研究,主要得出以下研究结论与启示：

（1）当对居住自选择效应进行控制后,居民通勤出行碳排放呈现出以下空间规律：中心城区社区的居民通勤碳排放普遍小于城市郊区社区的居民通勤碳排放。且这种空间差异是由社区间的建成环境差异所导致的。

（2）不同尺度的居住地建成环境对居民通勤出行碳排放的影响显著性为：社区尺度>社区边界1 km缓冲范围尺度>街道尺度。这说明,为构建低碳的城市空间与交通系统、减少城市交通碳排放,应更多着眼于居民所居住的社区以及与其日常出行活动联系最紧密的社区15分钟步行生活圈,对该尺度范围内的建成环境进行规划干预。

（3）工作地建成环境对居民通勤碳排放的影响不如居住地建成环境的显著。因此,相比于改善工作地建成环境,有针对性地对居住地建成环境进行规划干预会对减少居民通勤碳排放产生更好的效果。

（4）应尽可能减少居民居住地与城市中心和工作地之间的距离,同时将社区密度控制在适当的水平,以及优化路网结构,增加社区间适宜非机动化出行的支路,进一步改善和保障步行和自行车出行环境,引导居民转向使用低碳、积极和健康的出行方式出行。

虽然本文取得了不少具有价值的研究结论,但尚存在一定的不足与缺陷。第一,在社区选取方面可能存在局限性,并不能以此完全代表广州所有社区。第二,在社区问卷调查过程中所采用的随机拦截方式可能存在非概率抽样问题,由此推广至总体的研究结论有可能存在一定的风险。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

曹小曙, 杨文越, 黄晓燕. 基于智慧交通的可达性与交通出行碳排放: 理论与实证
地理科学进展, 2015,34(4):418-429.

DOI:10.11820/dlkxjz.2015.04.003 URL [本文引用: 1]

信息与通信技术的发展推动了智慧交通建设,并将进一步提高城市交通可达性和影响居民出行。在全球应对气候变化、减少碳排放的共识背景下,由于“智慧交通—可达性—出行行为(碳排放)”间复杂的影响作用机制,已有的研究难以判断智慧化背景下的城市交通可达性提高将增加抑或减少出行碳排放。如何通过提高城市交通可达性来缓解交通拥堵,保障城市交通运输系统的有效运行,并提高居民出行效率,减少出行碳排放是当前中国智慧交通发展面临的关键问题之一。针对以上科学问题,本文尝试提出基于智慧交通的可达性与交通出行碳排放的理论框架,并以广州为研究案例地,研究了社区居民通勤碳排放特征及其影响机理,社区出行低碳指数格局及其影响因素的空间异质性,以及基于碳排放—位置分配模型的公共中心规划支持系统设计与应用,可为今后的相关研究提供借鉴。

[ Cao

Xiaoshu

, Yang

Wenyue

, Huang

Xiaoyan

. Accessibility and CO₂ emissions from travel of smart transportation: Theory and empirical studies
Progress in Geography, 2015,34(4):418-429.]

DOI:10.11820/dlkxjz.2015.04.003 URL [本文引用: 1]

IEA. CO₂ Emissions from Fuel Combustion Highlights 2010
Paris: IEA, 2010.

[本文引用: 1]

[3]

IEA. CO₂ Emissions from Fuel Combustion Highlights 2018
Paris: IEA, 2018.

[本文引用: 1]

[4]

Yang

, Li

, Cao

. Examining the impacts of socio-economic factors, urban form and transportation development on CO₂ emissions from transportation in China: A panel data analysis of China's provinces
Habitat International, 2015,49:212-220.

DOI:10.1016/j.habitatint.2015.05.030 URL [本文引用: 1]

[5]

杨文越, 李涛, 曹小曙. 中国交通CO₂排放时空格局演变及其影响因素: 基于2000—2012年30个省(市)面板数据的分析
地理科学, 2016,36(4):491-501.

DOI:10.13249/j.cnki.sgs.2016.04.002 URL [本文引用: 1]

通过构建交通CO₂排放模型对2000~2012年中国30个省（市）的交通CO₂排放时空演变特征进行了分析。并采取“由大到小”逐步回归的建模方式,在传统的固定效应模型（面板数据模型）基础上引入时间固定效应,构建了双向固定效应模型对中国交通CO₂排放的社会经济、城市形态、交通发展等方面的影响因素进行研究。结果表明：2000~2012年期间,中国交通CO₂排放总量和人均交通CO₂排放量分别以9.29%和8.69%的年均增速增长,前者的区域差异呈先增后减趋势,后者的区域差异则首先呈周期性波动,而后一直保持减少趋势。人均GDP和城镇居民家庭人均可支配收入对人均交通CO₂排放具有显著的正向效应,表明社会经济发展和居民收入水平提高是交通CO₂排放增长的主要驱动因素。城市人口密度对交通CO₂排放亦具有显著的正向效应,这意味着未来中国应加强对城市人口密度的规划控制,以避免因人口过度集聚而额外增加产生交通CO₂排放。公共交通发展水平对交通CO₂排放增长具有显著的负向效应,但小汽车拥有率对交通CO₂排放的影响并不显著。

[ Yang

Wenyue

, Li

Tao

, Cao

Xiaoshu

. The evolution of spatial-temporal characteristics and influence factors of CO₂ emissions from transport in China: A panel data analysis of 30 provinces in China from 2000 to 2012
Scientia Geographica Sinica, 2016,36(4):491-501.]

DOI:10.13249/j.cnki.sgs.2016.04.002 URL [本文引用: 1]

Pan

, Wang

, et al. Decarbonization of China's transportation sector: In light of national mitigation toward the Paris Agreement goals
Energy, 2018,155:853-864.

DOI:10.1016/j.energy.2018.04.144 URL [本文引用: 1]

[7]

Yang

, Cao

. Examining the effects of the neighborhood built environment on CO₂ emissions from different residential trip purposes: A case study in Guangzhou, China
Cities, 2018,81:24-34.

DOI:10.1016/j.cities.2018.03.009 URL [本文引用: 6]

[8]

Cao

, Yang

. Examining the effects of the built environment and residential self-selection on commuting trips and the related CO₂ emissions: An empirical study in Guangzhou, China
Transportation Research Part D: Transport and Environment, 2017,52, Part B:480-494.

DOI:10.1016/j.trd.2017.02.003 URL [本文引用: 6]

[9]

曹新宇. 社区建成环境和交通行为研究回顾与展望: 以美国为鉴
国际城市规划, 2015,30(4):46-52.

[本文引用: 1]

[ Cao

Xinyu

. Examining the relationship between neighborhood built environment and travel behavior: A review from the US perspective
Urban Planning International, 2015,30(4), 46-52.]

[本文引用: 1]

[10]

Zhao

. Sustainable urban expansion and transportation in a growing megacity: Consequences of urban sprawl for mobility on the urban fringe of Beijing
Habitat International, 2010,34(2):236-243.

DOI:10.1016/j.habitatint.2009.09.008 URL [本文引用: 1]

Abstract

The effect of urban expansion on transportation in growing megacities has become a key issue in the context of global climate change as motorized mobility is a major source of domestic greenhouse gas emissions. The management of forms of urban development on the city fringe in order to encourage a sustainable transport system is usually overlooked in China, although it is increasingly attracting attention in developed countries. Examining the case of Beijing, this paper aims to reveal the policy implications of urban growth management for sustainable transportation in China's megacities. The analysis shows that in the rapid urban expansion process there has been obvious urban sprawl on the fringe of Beijing, characterized by low density and dispersed development in its physical aspect and a low degree of local mixed land use in its functional aspect. Trip distance and car use for travel on the city fringe have increased greatly due to urban sprawl. The results of the analysis suggest that urban growth management designed to curb urban sprawl would contribute to containing the growth in vehicle miles travelled in the suburbs. In addition, since urban sprawl has been greatly fuelled by increasing local government autonomy and fiscal responsibility, the negative effects of sprawling development on transportation certainly reflect the government's failure to manage growth in the current transformation process. To achieve sustainable urban expansion, stronger metropolitan development management measures should be enforced to control local development on the city fringe and promote sustainable transportation.

[11]

Ewing

, Cervero

. Travel and the built environment
Journal of the American Planning Association, 2010,76(3):265-294.

DOI:10.1080/01944361003766766 URL [本文引用: 1]

[12]

孙斌栋, 但波. 上海城市建成环境对居民通勤方式选择的影响
地理学报, 2015,70(10):1664-1674.

DOI:10.11821/dlxb201510010 URL

伴随中国快速城市化与机动化进程,私人汽车拥有量不断增长,由此引起的交通拥堵和环境问题已成为制约中国城市可持续发展的难题。基于上海市区的居民通勤问卷调查数据,采用多项Logit模型检验了街道尺度城市建成环境对于居民通勤方式选择的影响,结果表明,在控制了其他因素后,提高居住地的人口密度、土地利用混合度与十字路口比重,可以减少小汽车通勤方式的选择,而就业地建成环境对居民通勤方式选择影响相对较弱;建成环境对通勤方式选择的影响会因个体的社会经济异质性而不同。这些结论为通过优化土地利用规划来优化居民通勤结构的城市交通和城市规划政策提供了启示。

[ Sun

Bindong

, Dan

. Impact of urban built environment on residential choice of commuting mode in Shanghai
Acta Geographica Sinica, 2015,70(10):1664-1674.]

DOI:10.11821/dlxb201510010 URL

塔娜, 柴彦威, 关美宝. 建成环境对北京市郊区居民工作日汽车出行的影响
地理学报, 2015,70(10):1675-1685.

DOI:10.11821/dlxb201510011 URL

郊区化导致的汽车出行增加及相关的城市环境与社会问题日益成为城市研究关注的焦点,但目前国内对建成环境与汽车出行行为的研究刚刚起步。基于GPS与活动日志相结合的居民一周活动与出行数据,利用GIS空间分析分别以居住地、工作地和活动空间作为地理背景,分析建成环境对于郊区居民汽车出行距离的影响因素。研究发现,建成环境对工作日汽车出行的影响因地理背景的选择而有不同。整日出行受到工作地和活动空间的影响,工作地与活动空间建设密度增高汽车出行减少,但是居住空间的影响不显著;通勤出行受到居住地、工作地和活动空间的影响,居住地商业密度提高和建设密度降低、工作地和活动空间建设密度提高,汽车出行减少;非工作活动出行也受到居住地、工作地和活动空间的影响,居住地、工作地和活动空间的公交密度低、工作地和活动空间建设密度高,汽车出行少。基于研究结果,本文对地理背景不确定性问题进行了探讨,提出出行行为的研究需要考虑居住地以外其他地理背景的影响,并对控制汽车使用的公共政策提出了建议。

[ Ta

, Chai

Yanwei

, Kwan

Mei-Po

. The relationship between the built environment and car travel distance on weekdays in Beijing
Acta Geographica Sinica, 2015,70(10):1675-1685.]

DOI:10.11821/dlxb201510011 URL

张延吉, 胡思聪, 陈小辉, 等. 城市建成环境对居民通勤方式的影响: 基于福州市的经验研究
城市发展研究, 2019,26(3):72-78.

[ Zhang

Yanji

, Hu

Sicong

, Chen

Xiaohui

, et al. The impact of urban built environment on residential choice of commuting mode: Based on empirical research in Fuzhou
Urban Studies, 2019,26(3):72-78.]

[15]

Ewing

, Cervero

. Travel and the built environment: A synthesis
Transportation Research Record: Journal of the Transportation Research Board, 2001, (1780):87-114.

[16]

杨文越, 曹小曙. 居住自选择视角下的广州出行碳排放影响机理
地理学报, 2018,73(2):346-361.

DOI:10.11821/dlxb201802010 URL [本文引用: 6]

国内外已有不少研究从国家、城市和社区层面探讨了交通出行碳排放的影响因素,然而,很少研究考虑到居住自选择的影响。若忽略该影响,将很可能会错误地估计建成环境的作用,以至于相关规划与政策制定有所偏离。中国城市是否与西方国家一样也具有居住自选择效应?在考虑了居住自选择后,建成环境是否对出行碳排放具有显著的影响,如何产生影响?为了回答以上科学问题,基于2015年广州15个社区1239份问卷数据和出行O-D点智能查询系统（TIQS）的开发与应用,对居民出行碳排放进行了测度,并通过构建结构方程模型（SEM）探究了不同类型出行碳排放的影响机理。研究发现：中国城市同样存在居住自选择效应,转变居民出行方式选择偏好有利于减少出行碳排放。在控制居住自选择效应后,建成环境仍然对居民出行碳排放产生显著的影响。这些影响有的属于直接影响,有的则是通过影响其他中介变量,例如小汽车拥有或出行距离,进而再对出行碳排放造成间接影响。对于不同类型出行,其碳排放的影响机理并不一样。

[ Yang

Wenyue

, Cao

Xiaoshu

. The influence mechanism of travel-related CO₂ emissions from the perspective of residential self-selection: A case study of Guangzhou
Acta Geographica Sinica, 2018,73(2):346-361.]

DOI:10.11821/dlxb201802010 URL [本文引用: 6]

Alford

, Whiteman

. Macro-urban form and transport energy outcomes: Investigations for Melbourne
Road & Transport Research, 2009,18(1):53-67.

[本文引用: 2]

[18]

Brownstone

, Golob

T F

. The impact of residential density on vehicle usage and energy consumption
Journal of Urban Economics, 2009,65(1):91-98.

DOI:10.1016/j.jue.2008.09.002 URL [本文引用: 2]

[19]

Zahabi

S A H

, Miranda-Moreno

, Patterson

, et al. Transportation greenhouse gas emissions and its relationship with urban form, transit accessibility and emerging green technologies: A Montreal case study
Procedia - Social and Behavioral Sciences, 2012,54:966-978.

DOI:10.1016/j.sbspro.2012.09.812 URL [本文引用: 1]

[20]

Song

, Diao

, Feng

. Individual transport emissions and the built environment: A structural equation modelling approach
Transportation Research Part A: Policy and Practice, 2016,92:206-219.

DOI:10.1016/j.tra.2016.08.005 URL [本文引用: 1]

[21]

Hong

, Goodchild

. Land use policies and transport emissions: Modeling the impact of trip speed, vehicle characteristics and residential location
Transportation Research Part D: Transport and Environment, 2014,26:47-51.

DOI:10.1016/j.trd.2013.10.011 URL [本文引用: 1]

[22]

Modarres

. Commuting and energy consumption: Toward an equitable transportation policy
Journal of Transport Geography, 2013,33:240-249.

DOI:10.1016/j.jtrangeo.2013.09.005 URL [本文引用: 1]

[23]

Barla

, Miranda-Moreno

L F

, Lee-Gosselin

. Urban travel CO₂ emissions and land use: A case study for Quebec city
Transportation Research Part D: Transport and Environment, 2011,16(6):423-428.

DOI:10.1016/j.trd.2011.03.005 URL [本文引用: 1]

[24]

Brand

, Goodman

, Rutter

, et al. Associations of individual, household and environmental characteristics with carbon dioxide emissions from motorised passenger travel
Applied Energy, 2013,104:158-169.

DOI:10.1016/j.apenergy.2012.11.001 URL [本文引用: 1]

Carbon dioxide (CO2) emissions from motorised travel are hypothesised to be associated with individual, household, spatial and other environmental factors. Little robust evidence exists on who contributes most (and least) to travel CO2 and, in particular, the factors influencing commuting, business, shopping and social travel CO2. This paper examines whether and how demographic, socio-economic and other personal and environmental characteristics are associated with land-based passenger transport and associated CO2 emissions. Primary data were collected from 3474 adults using a newly developed survey instrument in the iConnect study in the UK. The participants reported their past-week travel activity and vehicle characteristics from which CO2 emissions were derived using an adapted travel emissions profiling method. Multivariable linear and logistic regression analyses were used to examine what characteristics predicted higher CO2 emissions. CO2 emissions from motorised travel were distributed highly unequally, with the top fifth of participants producing more than two fifth of emissions. Car travel dominated overall CO2 emissions, making up 90% of the total. The strongest independent predictors of CO2 emissions were owning at least one car, being in full-time employment and having a home-work distance of more than 10 km. Income, education and tenure were also strong univariable predictors of CO2 emissions, but seemed to be further back on the causal pathway than having a car. Male gender, late-middle age, living in a rural area and having access to a bicycle also showed significant but weaker associations with emissions production. The findings may help inform the development of climate change mitigation policies for the transport sector. Targeting individuals and households with high car ownership, focussing on providing viable alternatives to commuting by car, and supporting planning and other policies that reduce commuting distances may provide an equitable and efficient approach to meeting carbon mitigation targets. (C) 2012 Elsevier Ltd.

[25]

Ding

, Wang

, Xie

, et al. Understanding the role of built environment in reducing vehicle miles traveled accounting for spatial heterogeneity
Sustainability, 2014,6(2):589-601.

DOI:10.3390/su6020589 URL

[26]

Hong

. Non-linear influences of the built environment on transportation emissions: Focusing on densities
Journal of Transport and Land Use, 2015,10(1):229-240.

[本文引用: 1]

[27]

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(2):1023-1032.

[本文引用: 1]

[ 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(2):1023-1032.]

[本文引用: 1]

[28]

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.

URL

根据2007年北京市居民活动日志调查数据,利用Amos7.0软件建立单效标因素的路径分析模型,试图在"社区-家庭"层面上挖掘"空间利用-出行特征-碳排放"的内在发生机理,藉此寻找城市空间组织低碳化的调控路径。研究发现:影响居民家庭日常出行碳排放的主要因素是出行距离和出行方式。社区空间利用特征对家庭出行的距离总量有显著影响,对小汽车出行比率则没有明显作用效果;私家车的购置对居民家庭出行行为的高碳化具有不可逆的作用特点;在现有设施条件、空间环境和车辆使用政策下,公共交通对私人交通出行没有替代性。研究认为,城市空间组织和调控优化应通过土地混合利用、设施供给等物质空间组织与再组织手段,形成空间行为组织和行为规划策略,引导居民降低交通发生量,优化居民交通发生的时空结构,建构低碳的城市空间结构。

[ 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.]

URL

黄经南, 黄小康, 高浩武. 城市家庭日常出行碳排放的影响因素: 以武汉市为例
城市问题, 2015, (5):66-76.

[ Huang

Jingnan

, Huang

Xiaokang

, Gao

Haowu

. Influencing factors of carbon emission from urban families’ daily travel: A case study of Wuhan city
Urban Problems, 2015, (5):66-76.]

[30]

满洲, 赵荣钦, 袁盈超, 等. 城市居住区周边土地混合度对居民通勤交通碳排放的影响: 以南京市江宁区典型居住区为例
人文地理, 2018,33(1):70-75.

[ Man

Zhou

, Zhao

Rongqin

, Yuan

Yingchao

. Impact of land-mixing degree of residential area on carbon emissions of commuting: A case study of typical residential district, Jiangning district, Nanjing
Human Geography, 2018,33(1):70-75.]

[31]

张杰, 杨阳, 陈骁, 等. 济南市住区建成环境对家庭出行能耗影响研究
城市发展研究, 2013,20(7):83-89.

[ Zhang

Jie

, Yang

yang

, Chen

Xiao

, et al. A research on neighborhood built environment and household travel energy in Jinan
Urban Studies, 2013,20(7):83-89.]

[32]

荣培君, 张丽君, 秦耀辰, 等. 建成环境对城市居民日常出行碳排放的影响: 以开封市248个居住区为例
地理研究, 2019,38(6):1464-1480.

DOI:10.11821/dlyj020190096 URL [本文引用: 1]

居住区是居民日常生活最基本的空间单元,其建成环境对出行碳排放的影响是学术界关注的焦点。基于大样本调查数据核算居民各类出行碳排放,通过POI抓取、空间句法、网络分析等方法识别开封市主城区成规模的248个居住区的建成环境特征,借助核密度和GWR等方法剖析居住区尺度居民各类出行碳排放的空间分异规律。结果表明：① 城市内部居民出行碳排放空间差异显著,居住区公共服务供给的公平性问题突出,外圈层快速扩张区域应作为城市碳减排工作的关键区域;② 居住区尺度能较好地揭示建成环境对出行碳排放的影响,路网设计、建筑密度、土地利用混合度等因素对各类出行碳排放的作用机理差异较大,作用强度亦存在不同方向上的空间渐进规律;③ 根据出行碳排放结构及其对应的建成环境指标可识别出外层高密度欠通达低混合型居住区碳排放水平较高,内层低密度高通达高混合型居住区碳排放水平较低。研究结果可为居住区空间重构和城市碳排放的分区规划与治理提供科学依据。

[ Rong

Peijun

, Zhang

Lijun

, Qin

Yaochen

, et al. Impact of built environment on carbon emissions from daily travel of urban residents: A case study of 248 residential areas in Kaifeng
Geographical Research, 2019,38(6):1464-1480.]

DOI:10.11821/dlyj020190096 URL [本文引用: 1]

姜洋, 何东全, Christopher

. 城市街区形态对居民出行能耗的影响研究
城市交通, 2011,9(4):21-29, 75.

[本文引用: 1]

[ Jiang

Yang

, He

Dongquan

, Christopher

. Impact of neighborhood land use on residents travel energy consumption
Urban Transport of China, 2011,9(4):21-29, 75.]

[本文引用: 1]

[34]

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.

[本文引用: 1]

[ Xiao

Zuopeng

, Chai

Yanwei

, Liu

Zhilin

. Quantitative distribution and related factors for household daily
Urban Studies, 2011,18(9):104-112.]

[本文引用: 1]

[35]

刘清春, 张莹莹, 肖燕, 等. 济南市主城区私家车日常出行碳排放特征及影响因素
资源科学, 2018,40(2):262-272.

DOI:10.18402/resci.2018.02.04 URL [本文引用: 1]

私家车出行方式对城市交通碳排放的影响巨大,如何促使居民出行行为的转变是城市实现绿色交通和低碳发展的关键问题。基于济南市主城区居民日常出行的调查数据,本文分析了私家车日常出行碳排放的基本特征,并应用Heckman两步估计法计量模型,研究了私家车碳排放的影响因素,结果发现：①私家车日常出行年碳排放量的平均值为2.22t,空间分布呈现中心低、外围高的差异化格局,个体分布则符合60/20的量化分布;②与社会经济因素相比,建成环境因素对私家车碳排放的影响更为显著,公共交通可达性水平的提高和职住距离的缩短虽然有助于降低私家车出行概率,但对私家车碳排放的减少并无显著影响,而提高居住地人口密度、完善商服设施供给、促进周边土地利用的多元化则可有效降低长距离的出行需求,减少碳排放量。

[ Liu

Qingchun

, Zhang

Yingying

, Xiao

Yan

, et al. Characteristics and determinants of carbon emissions from daily private cars travel in central area of Jinan
Resources Science, 2018,40(2):262-272.]

DOI:10.18402/resci.2018.02.04 URL [本文引用: 1]

, Liu

, Chai

. The impact of urban form on CO₂ emission from work and non-work trips: The case of Beijing, China
Habitat International, 2015,47:1-10.

DOI:10.1016/j.habitatint.2014.12.007 URL [本文引用: 1]

[37]

杨文越, 李涛, 曹小曙. 广州市社区出行低碳指数格局及其影响因素的空间异质性
地理研究, 2015,34(8):1471-1480.

DOI:10.11821/dlyj201508006 URL [本文引用: 1]

通过构建社区出行低碳指数（CTLCI）模型,对广州市社区出行低碳指数的空间格局及其差异特征进行了分析,并利用全局回归（OLS）模型和地理加权回归（GWR）模型对社区出行低碳指数的影响因素以及其间关系的空间异质性进行了研究。结果表明,广州市社区出行低碳指数由中心城区向外逐渐递增,呈明显的圈层结构。内圈层的社区出行低碳指数内部差异最小,中间过渡圈层的最大。社区人口密度对社区出行低碳指数的影响以正向作用为主,公共交通供给水平和路网密集程度对社区出行低碳指数的影响以负向作用为主,且它们的影响作用具有空间异质性。具体指出了在不同地域空间内社区人口密度、公共交通供给水平和路网密集程度对社区出行低碳指数在影响程度和作用方向上的差异,为减少广州城市交通碳排放、针对不同空间制定有效的低碳政策和构建低碳城市空间结构提供了科学依据。

[ Yang

Wenyue

, Li

Tao

, Cao

Xiaoshu

. The spatial pattern of Community Travel Low Carbon Index (CTLCI) and spatial heterogeneity of the relationship between CTLCI and influencing factors in Guangzhou
Geographical Research, 2015,34(8):1471-1480.]

DOI:10.11821/dlyj201508006 URL [本文引用: 1]

Taylor

P J

. Is there a Europe of cities? World cities and the limitations of geographical scale analyses//Sheppard E, McMaster R B. Scale and Geographic Inquiry: Nature, Society, and Method
Oxford, UK: Blackwell Publishing Ltd. 2004, 18-35.

[本文引用: 1]

[39]

徐维祥, 张筱娟, 刘程军. 长三角制造业企业空间分布特征及其影响机制研究: 尺度效应与动态演进
地理研究, 2019,38(5):1236-1252.

DOI:10.11821/dlyj020170859 URL [本文引用: 1]

基于2005年、2013年长三角制造业企业微观数据,综合运用最近邻指数、Ripley’s K函数、空间热点聚类等分析方法,探究长三角制造业企业空间布局、集聚尺度及热点分布区域等空间点格局特征,并采用负二项回归模型对不同尺度下长三角制造业企业区位选择的影响机制进行了甄别,研究发现：长三角地区制造业企业空间分布不均衡,制造业企业总体和行业分样本均呈现出显著的空间集聚特性,空间集聚态势随地理距离的变化先增强后减弱,具有尺度效应。制造业企业的热点区域主要分布于由南京、苏州、无锡、常州、上海、杭州、绍兴及宁波为连接节点的 “Z”字型发展轴线上。长三角制造业郊区化现象较为普遍,绝大部分地市的制造业企业主要集聚在远郊。制造业企业区位选择影响机制存在尺度差异,产业结构和融资环境的作用在不同尺度下均具备稳健性,其中产业结构为影响制造业企业区位选择的主导因素,其作用强度远大于其他影响因子。区（县、市）样本中用工成本对制造业企业区位选择的影响显著提升。

[ Xu

Weixiang

, Zhang

Xiaojuan

, Liu

Chengjun

. Spatial distribution pattern and influencing factors of manufacturing enterprises in Yangtze River Delta: Scale effects and dynamic evolution
Geographical Research, 2019,38(5):1236-1252.]

DOI:10.11821/dlyj020170859 URL [本文引用: 1]

孟斌, 王劲峰. 地理数据尺度转换方法研究进展
地理学报, 2005,60(2):277-288.

DOI:10.11821/xb200502011 URL [本文引用: 1]

尺度问题在地理学、生态学和水文科学等众多领域都具有非常重要的地位。近年来,随着对地观测技术和地理信息科学的飞速发展,解决地理数据的尺度转换问题成为目前地理信息科学及相关研究中的热点和难点问题之一。在地理信息科学相关领域中,地图学和遥感科学研究人员从尺度概念的理解到尺度转换的理论和方法都做了大量的研究,对解决地理数据空间特征的尺度转换做出了重要的贡献。在地理数据属性特征的尺度转换研究领域,地理信息科学研究者提出的面域插值方法是解决此问题的主要方法之一。同时,在社会经济科学领域,“小区域统计学”也发展了一套相关的理论和方法,试图解决统计单元的变更问题。文章在全面回顾和比较不同研究领域解决“尺度转换”问题方法的基础上,重点介绍面域插值方法和小区域统计学的基本原理及其典型应用。

[ Meng

Bin

, Wang

Jinfeng

. A review on the methodology of scaling with geo-data
Acta Geographica Sinica, 2005,60(2):277-288.]

DOI:10.11821/xb200502011 URL [本文引用: 1]

Frank

L D

, Andresen

M A

, Schmid

T L

. Obesity relationships with community design, physical activity, and time spent in cars
American Journal of Preventive Medicine, 2004,27(2):87-96.

DOI:10.1016/j.amepre.2004.04.011 URL [本文引用: 1]

Abstract

Background

Obesity is a major health problem in the United States and around the world. To date, relationships between obesity and aspects of the built environment have not been evaluated empirically at the individual level.

Objective

To evaluate the relationship between the built environment around each participant's place of residence and self-reported travel patterns (walking and time in a car), body mass index (BMI), and obesity for specific gender and ethnicity classifications.

Methods

Body Mass Index, minutes spent in a car, kilometers walked, age, income, educational attainment, and gender were derived through a travel survey of 10,878 participants in the Atlanta, Georgia region. Objective measures of land use mix, net residential density, and street connectivity were developed within a 1-kilometer network distance of each participant's place of residence. A cross-sectional design was used to associate urban form measures with obesity, BMI, and transportation-related activity when adjusting for sociodemographic covariates. Discrete analyses were conducted across gender and ethnicity. The data were collected between 2000 and 2002 and analysis was conducted in 2004.

Results

Land-use mix had the strongest association with obesity (BMI≥30 kg/m²), with each quartile increase being associated with a 12.2% reduction in the likelihood of obesity across gender and ethnicity. Each additional hour spent in a car per day was associated with a 6% increase in the likelihood of obesity. Conversely, each additional kilometer walked per day was associated with a 4.8% reduction in the likelihood of obesity. As a continuous measure, BMI was significantly associated with urban form for white cohorts. Relationships among urban form, walk distance, and time in a car were stronger among white than black cohorts.

Conclusions

Measures of the built environment and travel patterns are important predictors of obesity across gender and ethnicity, yet relationships among the built environment, travel patterns, and weight may vary across gender and ethnicity. Strategies to increase land-use mix and distance walked while reducing time in a car can be effective as health interventions.

[42]

Moniruzzaman

, Páez

, Habib

K M N

, et al. Mode use and trip length of seniors in Montreal
Journal of Transport Geography, 2013,30:89-99.

DOI:10.1016/j.jtrangeo.2013.03.007 URL [本文引用: 1]

[43]

Entwicklungsbank

. Transport in China: Energy consumption and emissions of different transport modes
Heidelberg: Institute for Energy and Environmental Research Heidelberg, 2008.

[本文引用: 1]

[44]

Hamilton

L C

. Statistics with Stata: Version 12
Belmont, CA: Cengage, 2013: 387-421.

[本文引用: 1]

[45]

Cao

X J

, Mokhtarian

P L

, Handy

S L

. Examining the impacts of residential self-selection on travel behaviour: A focus on empirical findings
Transport Reviews, 2009,29(3):359-395.

DOI:10.1080/01441640802539195 URL [本文引用: 1]

[46]

Carty

, Ahern

. Introducing a transport carbon dioxide emissions vulnerability index for the Greater Dublin Area
Journal of Transport Geography, 2011,19(6):1059-1071.

DOI:10.1016/j.jtrangeo.2011.03.006 URL [本文引用: 1]

This article has been retracted: please see Elsevier Policy on Article Withdrawal (http://www.elsevier.com/locate/withdrawalpolicy).
This article has been retracted at the request of Editor. The authors have plagiarized part of a paper that had already appeared in Transportation Research Part A, 43 (2009) 580–591. doi:10.1016/j.tra.2009.02.005. One of the conditions of submission of a paper for publication is that authors declare explicitly that their work is original and has not appeared in a publication elsewhere. Re-use of any data should be appropriately cited. As such this article represents a severe abuse of the scientific publishing system. The scientific community takes a very strong view on this matter and apologies are offered to readers of the journal that this was not detected during the submission process.
As a consequence, pages 1059–1071 originally occupied by the retracted article are missing from the printed issue. The publisher apologizes for any inconvenience this may cause.