刘清春^1,2,, 张莹莹¹, 肖燕³, 袁玉娟², 夏海斌^4,5
1. 山东财经大学经济学院,济南 250014
2. 山东财经大学区域经济研究院,济南 250014
3. 聊城大学环境与规划学院,聊城 252000
4. 华东师范大学地理科学学院,上海 200241
5. 华东师范大学地理信息科学教育部重点实验室,上海 200241

Characteristics and determinants of carbon emissions from daily private cars travel in central area of Jinan

LIUQingchun^1,2,, ZHANGYingying¹, XIAOYan³, YUANYujuan², XIAHaibin^4,5
1. School of Economics, Shandong University of Finance and Economics, Jinan 250014, China
2. Institute of Regional Economy, Shandong University of Finance and Economics, Jinan 250014, China
3. College of Environment and Planning, Liaocheng University, Liaocheng 252000, China
4. School of Geography Science, East China Normal University, Shanghai 200241, China
5. Key Laboratory of Geographic Information Science, Ministry of Education, Shanghai 200241, China
收稿日期:2017-07-10
修回日期:2017-11-10
网络出版日期:2018-02-20
版权声明:2018《资源科学》编辑部《资源科学》编辑部
基金资助:国家自然科学基金项目（41401163,41401657）山东省高等学校科学计划一般项目（J17KA194）
作者简介:
-->作者简介：刘清春,女,山东诸城人,博士,副教授,研究领域为城市地理和区域经济。E-mail:lqc7919@163.com



展开

摘要
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。

关键词：城市建成环境;私家车日常出行;碳排放;影响因素;济南市主城区
Abstract
As car travel has a great impact on urban transport carbon emissions, promoting a change in residents' daily travel behavior is the key to achieving urban green transportation and low-carbon development. Based on daily travel survey data of residents in central area of Jinan we analyzed the characteristics and determinants of carbon emissions from daily private cars. We found that private cars are the main means of transportation for residents in Jinan, and the average annual carbon emissions from private cars is 2.22 tons, and the spatial distribution of carbon emissions from private cars reveals a pattern of differentiation increasing from the center outward. The individual distribution is consistent with the quantification principle of 60/20. A Heckman two-step model was used to explore influencers factors of carbon emissions from private cars, and results indicate that urban built environment factors play a more important role in carbon emissions from private cars compared with socio-economic factors. Regarding socio-economic factors, the increase in income level and family size increases the probability of private car travel rather than the carbon emissions of private cars. For urban built environment factors, both the improvement of transport infrastructure and optimization of job-housing distance significantly decrease the probability of private car travel but have no significant effect on carbon emissions from private cars. However, increasing the residential population density, improving the supply of commercial service facilities and promoting diversity of land use in surrounding communities can effectively reduce long distance travel demands and carbon emissions.

Keywords：urban built environment;daily private cars travel;carbon emissions;determinants;central area of Jinan

-->0
PDF (4589KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
刘清春, 张莹莹, 肖燕, 袁玉娟, 夏海斌. 济南市主城区私家车日常出行碳排放特征及影响因素[J]. 资源科学, 2018, 40(2): 262-272 https://doi.org/10.18402/resci.2018.02.04
LIU Qingchun, ZHANG Yingying, XIAO Yan, YUAN Yujuan, XIA Haibin. Characteristics and determinants of carbon emissions from daily private cars travel in central area of Jinan[J]. RESOURCES SCIENCE, 2018, 40(2): 262-272 https://doi.org/10.18402/resci.2018.02.04

1 引言

城市交通是城市能源消耗的源头之一,全球温室气体排放总量的13.1%与之相关^[1,2]。对转型期中国城市而言,现代化和机动化并存,伴随着城市规模的蔓延发展,居民职住分离愈加明显,城市中私家车拥有率以较快的速度上升,过度依赖私家车出行导致的能源消耗、大气污染、交通拥挤和道路安全等问题日益突出,这已经成为制约中国大城市可持续发展和节能减排目标实现的难题^[3,4],而相关研究显示了试图通过维持私家车的低拥有率来解决该问题是不现实的^[5],如何促使居民出行行为的转变才是实现城市绿色交通和低碳发展的关键,也是地方政府和****关心的重要议题。
迄今为止,国内外****主要通过模拟仿真、集计分析和非集计分析等方法,对居民出行方式及碳排放进行了广泛而深入的研究,并从城市建成环境、社会经济要素等方面给出机理解释,在实践中,西方国家各级政府已经采用各种土地利用和交通政策来抑制蔓延式发展的负面效应^[6],其中城市建成环境,是与城市居民日常交通出行等关系最为密切的空间因素,是影响城市交通需求的源头^[7],能对居民出行行为产生锁定效应,近年来成为城市地理学、城市规划学研究的重点。当前,对建成环境的探讨主要基于密度、混合度、设计、公交邻近度、目的地可达性和到市中心的距离等六个要素^[6,8],这些要素对交通出行行为发挥着重要作用。多数研究认为,密度与通勤行为之间联系更密切。一方面,高密度区域公共交通的组织更加有效,公共交通及非机动通勤比例增加,从而也减少了小汽车的使用率^[9,10,11]。另一方面,过度高密度发展也会引起交通中心化造成更加严重的交通拥堵,在一定程度上减少了小汽车使用率^[12]。但也有****研究认为,对于通勤而言,居民是否选择小汽车出行与密度关系微弱甚至没有^[13],而居民的出行态度与生活方式影响最大^[14]。除密度因素外,区位、设施供给、公共交通可达性和土地利用混合度、职住距离等要素对交通出行的影响也得到了关注^{[15,16,17,18,19,20,21,22]}。
除建成环境因素外,社会经济要素也是重要的影响因子^[23,24,25]。Stead等认为社会经济要素能更好地解释私家车拥有率的变动^[26]。Bhat等研究美国湾区居民的交通出行也认为,相对于建成环境,家庭社会经济属性尤其是收入因素,对家庭出行决策起到主导作用^[27]。Pachauri、刘蔚分别通过对印度和中国的数据分析,也认为收入水平是最重要的影响因素,收入水平的高增长会提高人们对私家车的偏好,并进一步带来了交通拥挤和碳排放的增加^{[28, 29]}。韩会然等以线性规划模型测度理论最大、最小通勤距离,认为通勤距离和收入水平的增加是导致北京市居民偏好私家车的重要影响因素 ^[30]。
由上可知,目前基于国外发达国家和国内特大城市如北京、上海及广州的研究比较多,但由于研究区域和方法的差异性,城市建成环境对出行碳排放的影响尚未得到一致性结论。尽管私家车出行方式是城市交通高碳排放的主要原因,但由于城市居民出行调查与建成环境数据的短缺,聚焦于私家车日常出行的相关研究也相对缺乏,难为中国城市规划与交通决策提供科学依据。因此,本文立足于全国以“首堵”著称的济南市主城区,围绕着如何降低私家车出行的偏好和使用强度,以减少出行碳排放这一问题,运用Heckman两步估计法模型,深入微观个体层次挖掘私家车出行碳排放的基本特征及影响因素,发现低碳调控的政策工具,以补充和丰富中国城市交通出行行为理论和实践。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

作为山东省省会城市,济南市是环渤海区域南翼和黄河中下游地区重要的中心城市,济南市区现辖历下、市中、槐荫、历城、天桥、长清和章丘等7个区。进入21世纪以来,济南城市化的快速推进带来了城市人口增长和城市规模的扩大。2015年济南市区户籍人口达364.5万人,较2001年增加了64.64万人,市区面积3303km²,其中建成区面积393km²,较2001年扩大了2.3倍^[31]。城市的快速发展带来了居民机动车拥有率和出行机动化水平的显著提高,根据《2013年济南市综合交通调查报告》^[32],居民出行机动化比例为43%,人均日出行次数2.1次。但是由于城市空间结构和产业布局的影响,济南市居民的工作地、商服设施主要集中在二环以内的主城区,这种向心型的出行格局与居民出行的高机动化带来了道路交通拥堵、环境污染严重等问题,使得济南市建设低碳城市面临着诸多挑战。根据本文研究的目的,参考《济南市城市总体规划（2011—2020）》^[33]中划分的济南市主城区范围,即玉符河以东、绕城高速公路东环线以西、黄河与南部山体之间地区,选取研究区范围,主要涉及槐荫、历城、历下、市中和天桥等五个行政区域,共包括74个街道办事处,该区域面积达337km²,所辖人口282万,占济南市市区人口的77.3%,研究区域具有代表性和典型性。

2.2 数据来源

研究数据来自2014年8月到2015年2月进行的济南市主城区18岁以上居民的出行调查问卷,在设计调查问卷时,遵循误差控制原则和随机性原则以保证每一街道被调查居民的机会均等,并参照《2014年济南市统计年鉴》^[31],按照各区人口数量比重确定每一区域调查人口,发放调查问卷1200份,最终获得有效样本1076个,有效率达89.6%,从样本分布的地区来看,历下区共454个,占比42.2%;槐荫区、市中区、历城区、天桥区等分别为122、213、166、121个,共占比57.8%。调查问卷信息包括居民的出行行为信息、居民和家庭的社会经济属性和城市建成环境等信息,涉及相关变量参见表1。
Table 1
表1
表1调查问卷涉及主要变量及统计分析
Table 1The questionnaire involved major variables and statistical analysis

变量	变量类型	描述	均值
出行特征
出行方式	虚拟变量	1=私家车（43.3%）;0=其他（56.7%）
私家车出行距离/km	连续变量	一周内私家车的日常出行公里数	198.000
个人及家庭社会经济属性
年龄/岁	等级变量	1=20~30岁（15.3%）;2=31~40岁（35.6%）;3=41~50岁（45.5%）;4=51~60岁（3.4%）;5=60岁以上（0.2%）	2.382
收入/（元/月）	等级变量	1=2 000元以下（7.4%）;2=2 000~3 000元（24.1%）;3=3 000~5 000元（34.6%）;4=5 000元以上（33.9%）	2.892
受教育水平	等级变量	1=初中及以下（6.2%）;2=高中（11.6%）;3=大专（26.5%）;4=本科及以上（55.7%）	3.324
家庭规模/人	连续变量	家庭人口数量	3.434
私家车拥有量/辆	连续变量	私家车拥有数量	1.880
城市建成环境变量
居住区位/km	连续变量	居住点到泉城广场的距离	5.852
人口密度/（人/km2）	连续变量	居民居住地所属街道人口除以街道面积	13 059.000
公交站牌距离/m	等级变量	1=50m以内（19.7%）;2=50~100m（28.1%）;3=100m以上（52.2%）	2.321
转车次数	等级变量	1=不需要转车（48.1%）;2=转车一次（30.5%）;3=转车两次及以上（21.4%）	1.737
商服设施供给/km	连续变量	居住点距其5km范围内最近大型超市的距离	1.537
土地利用混合度	连续变量	居住区街道不同土地利用的混合程度	0.723
停车便利性	等级变量	1=非常不方便（27.6%）;2=不方便（11.5%）;3=一般（26.2%）;4=方便（14.0%）;5=非常方便（20.7%）	2.882
职住距离/km	连续变量	居住点到工作单位的距离	8.211

注：描述栏一列括号内为各等级变量类别所占比重。
新窗口打开
（1）出行特征。包括居民日常出行的出行方式、私家车一周内日常出行的距离等信息。通过分析发现,约有43.3%的居民会选择私家车出行,而选择公交车出行方式的居民,仅占19.5%,选择步行、自行车和电动车等“绿色”交通出行方式的居民比重为28.9%,高于公交车出行所占比重。私家车平均一周日常出行距离在198km左右,即每天出行28km,这与2015年基于百度众包数据得出的日常出行距离23.6km数据相近^[34],也验证了本次调研数据的可靠性。
（2）个人及家庭社会经济属性。包括年龄、月均收入、受教育水平、家庭规模和拥有私家车数目等主要因素,分别反映家庭需求、生命周期力和出行能力对家庭出行的影响^[23]。其中有50%的被调查者年龄在40岁以下,33.9%的月均收入在5000元以上,44.3%的受教育水平在大专及以下,家庭规模平均为3.434人,家庭拥有私家车数量平均1.88辆。
（3）城市建成环境变量。参考相关研究^[7,18,23,24],本文从居住区位、街道人口密度、公共交通可达性、商服设施供给、土地利用混合度、停车便利性、职住距离等8个变量反映空间形态因素对家庭出行的制约关系与供给作用。
居住区位用样本居住点到市中心的距离来表示。由于济南市目前仍然近似于单中心城市^[34],区位即个体居住点距离市中心（泉城广场）的距离,在ArcGIS中通过计算两点之间距离可以获得各样本点的区位值,平均值为5.852km。
街道人口密度数据表征密度因素,主要来自济南市第六次人口普查调研数据,由居住地所属街道人口数量与街道面积之比获得,平均值为13 059人/km²。
公共交通可达性主要包括两个指标,一是居住地到公交站的距离,约有52.2%的被访者居住地到公交车站超过100m;二是距离工作地需要转车的次数,约有21.4%的被访者需要转车两次及以上,其值越大代表公共交通可达性越差。
商服设施供给反映了居住地商服设施供给的可达性和完善程度,本文用个体居住点与距其5km范围内最近的大型超市（包括主要大型购物中心和大型超级市场）之间的距离来表示,其值越大表示商服供给的可达性和完善性越差。
土地利用混合度,基于以下公式求得^[35]：
Landusemixi=-∑K=1npk,iln(pk,i)ln(Ki)（1）
式中K_i表示街道i的土地利用类型数量;p_k,i表示在街道i的第k种土地利用类型面积占比。由公式（1）计算的济南市土地利用混合度平均值为0.723。该指标反映了不同土地利用功能的混合程度,取值在0~1之间,值越大表示土地利用混合度越高,各种土地功能分配越均衡,值越小表示土地混合利用度较低,用地分配越单一。本文以街道作为土地利用混合度的计算单元,利用济南市2014年土地利用现状图,选取与居住、工作密切相关的居住用地、公共服务设施用地、工业用地、市政公用设施用地四类用地类型。
停车便利性指标主要是对停车的便利程度进行分级,分为5个等级,仅有34.6%的居民认为私家车停车是便利的。
职住距离反映了就业的可达性,通过百度地图,输入样本点的居住和就业位置信息,获取职住距离,发现约有50.1%的居民职住距离超过5.700km,样本总体平均值为8.211km。

2.3 研究方法

基于出行方式与出行碳排放的关联关系,为挖掘私家车日常出行碳排放的内在机理,同时应对私家车日常出行碳排放时的样本选择偏误问题,本文采用Heckman两步估计法计量模型^[36]：
（1）第一步是针对所有调查样本,分析什么样的出行者更倾向于选择私家车为主要出行方式。反映了居民日常出行的偏好,即选择私家车出行的概率,被解释变量为是否选择私家车出行方式的虚拟变量,建立Probit二元离散选择模型进行分析。
（2）第二步在第一步的基础上,针对私家车出行者,分析私家车出行碳排放受到哪些因素的影响,反映了居民日常出行对私家车的使用强度和依赖性。
2.3.1 Probit模型
当被解释变量为离散变量时,分析各变量之间的影响关系,常采用Probit和Logit模型,本文采用Probit模型来分析各因素对居民私家车出行偏好的影响,一般线性概率模型为：
y=x'β+ε（2）
式中y表示是否选择私家车作为出行方式的虚拟变量,选择私家车作为出行方式时,y=1,反之为0;x表示影响私家车出行方式选择的解释变量对应的向量;β为相应的回归系数向量;ε为扰动项。
为使y预测值总是位于[0,1]之间,通常选择合适的连接函数F(x, β),在给定x的情况下,y的两点分布概率为：
P(y=0|x)=1-F(x,β)P(y=1|x)=F(x,β)（3）
而y预测值可以理解为y=1发生的概率,如果F(x, β)为标准正态分布的累积分布函数,则有：
P(y=1x)=F(x,β)=φ(x'β)（4）
对于非线性的Probit模型,常采用最大似然法进行估计,由于回归系数不能直接表示对因变量的影响程度,需要进行求导得出各自变量的边际效应值,以分析各因素对私家车出行偏好的影响程度。常用的边际效应有多种,但对于政策分析而言,使用平均边际效应更有意义^[37],本文基于Stata13求得各变量的边际效应值。
2.3.2 私家车出行碳排放的多元回归模型
采用国内外研究常用的多元回归方法进行私家车出行碳排放的影响要素分析^[38,39],模型如下：
Y=β0+βw1X1+βw2X2+ε（5）
式中Y表示私家车出行的碳排放量;X₁表示建成环境变量,包括居住区位、人口密度、转车次数、公交站牌距离、商服设施供给、土地利用混合度、停车便利性和职住距离;X₂表示家庭社会经济因素,包括收入、年龄、教育水平、家庭规模和私家车拥有量;β_w1和β_w2为相应的参数;ε为误差项。为了降低回归模型中各个变量的异方差性的影响,对因变量及建成环境中相关连续变量取对数形式,然后进行模型回归。
2.3.3 私家车出行碳排放测算
私家车出行碳排放的测算主要基于车辆行驶里程,计算汽车耗油量,通过单位汽油消耗所产生的碳排放这一转化因子,估算得到私家车碳排放。本文采用宁晓菊 ^[40]的碳排放量计算公式,具体如下：
Cr=M×O×F×L×K（6）
式中C_r表示私家车交通出行年碳排放量;M表示车辆每年日常出行的行驶里程数,根据研究的目的,对于选择私家车出行的个体,记录一周的行驶公里数数据,计算得到一年的行驶里程数;O表示车辆每公里耗油量,基于数据简化和精确化计算的需求,本文并未区分不同品牌、排量的车辆及燃油型号的差别,参考已有研究^[23,40],同时结合济南交通出行的实际情况,私家车多以93#号汽油为主要燃料,耗油量统一为0.1L/km;根据2006年IPCC发布的温室气体排放清单指南^[41]确定以下参数取值;F表示燃油密度,为0.737kg/L;L表示所用燃料净发热值,为44.3MJ/kg;K表示碳排放因子,为0.069kg/MJ。

3 结果及分析

3.1 私家车碳排放的基本特征

3.1.1 碳排放平均水平较低
对研究区私家车碳排放量进行统计分析,发现私家车日常出行碳排放最大值为9.04t,最小值仅为0.11t,平均值为2.22t,可见济南市居民私家车碳排放水平相对北京（4.10t）^[36]、上海（3.05t）^[42]等特大城市来说较低,这与济南市主城区面积相对较小,居民出行距离相对较短有重要关系。从碳排放的数值分布来看,发现主要集中在1~3t这一等级,占样本总量的67.6%,3~6t和小于1t两个等级,各占比17.3%和13.1%,大于6t的仅占比2%。
3.1.2 空间分布呈现中心低、外围高的差异化格局
将研究区私家车碳排放量按照自然断点分类法分为高（>3.56t）、中（1.61~3.56t）、低（<1.61t）三个等级（图1）,发现私家车碳排放量的空间分布不均衡,且在空间上呈现中心低、外围高的差异化格局。其中,低碳排放等级的私家车个体中73.2%的样本点分布于主城中心即泉城路附近的老城区（包括古城区和商埠区）,这主要是由于该区为人口和经济活动的密集区,土地利用混合度较高,居民日常出行活动的可达性高,由此带来相对较短的出行距离和较低的私家车碳排放量;中碳排放等级的私家车个体空间分布相对均匀,散落分布在老城区以外二环以内地区;高碳排放等级的私家车个体多分布于东部新城的二环东路和奥体中路之间区域,自2003年济南市政府开始实施了“东拓、西进、南控、北跨、中疏”的城市空间发展战略,特别是济南市政府东迁这一举措更是吸引了大量市民到东部城区就业或定居,但由于济南多中心的城市空间结构尚未形成,老城区仍为各种经济活动和就业的集中地,职住跨区的失衡带来了出行距离的增加,也成为私家车出行偏好的重要动因。同时,由于土地利用功能相对单一,公共交通基础设施和商服设施配套的不完善,使得居民的日常出行更加依赖私家车,导致高碳排放个体在主城的东部地区相对较多。
显示原图|下载原图ZIP|生成PPT
图12014—2015年研究区私家车碳排放量的空间分布
-->Figure 1The spatial distribution of private cars carbon emissions in study area from 2014 to 2015
-->

3.1.3 个体出行碳排放接近60/20量化分布
私家车个体出行碳排放的分布也存在差异,但差异程度并不大,个体样本间的基尼系数为0.297。通过绘制研究区个体私家车出行碳排放的洛仑兹曲线（图2）,发现济南市私家车个体出行碳排放分布也接近60/20量化分布,即60%的出行碳排放由20%的高碳排放样本所产生,这与黄小燕等 ^[24]、肖作鹏等^[43]分别基于广州、北京的研究结果相一致。

3.2 计量模型结果

3.2.1 模型稳健性检验
基于前文的分析,表2、表3分别列出了模型（4）和模型（5）的估计结果,其中列（4）均采用逐步回归方法进行估计。模型回归时,使用稳健标准误回归消除异方差,同时对模型（5）进行多重共线性检验,发现各因子VIF值均小于10。从模型的拟合优度来看,表2各列模型的LR统计值分别为293.183、58.825、284.012和281.069,且通过了显著性检验,表明模型的拟合程度较好,表3中各列模型的F值在5%水平上显著,结论具有可靠性。
Table 2
表2
表2基于Pobit模型研究区私家车出行方式影响因素的边际效应估计结果
Table 2The marginal effects of independent variables of private car travel probablity in study area based on Pobit model

变量	（1）	（2）	（3）	（4）
收入	0.035***	-	0.046**	0.048***
	(0.010)	-	(0.020)	(0.016)
年龄	0.009	-	0.012	-
	(0.019)	-	(0.031)	-
教育水平	-0.001	-	-0.004	-
	(0.017)	-	(0.029)	-
家庭规模	-0.052***	-	-0.093***	-0.092***
	(0.015)	-	(0.022)	(0.024)
私家车拥有量	0.398***	-	0.317***	0.323***
	(0.021)	-	(0.047)	(0.044)
居住区位	-	0.009	-0.021	-
	-	(0.045)	(0.043)	-
人口密度	-	0.005	0.001	-
	-	(0.019)	(0.018)	-
转车次数	-	-0.018	-0.003	-
	-	(0.030)	(0.029)	-
公交站牌距离	-	0.052*	0.035	-
	-	(0.027)	(0.025)	-
商服设施供给	-	0.020	0.052*	0.060**
	-	(0.031)	(0.030)	(0.028)
土地利用混合度	-	-0.041	-0.039
	-	(0.169)	(0.162)
停车便利性	-	0.0030	0.000 1
	-	(0.014)	(0.014)
职住距离	-	0.115***	0.097***	0.102***
	-	(0.027)	(0.026)	(0.023)
Pseudo R2	0.215	0.051	0.259	0.257
Log likelihood	-532.232	-549.713	-366.660	-367.782
LR	293.183	58.825	284.012	281.069

注：括号内数值为相应的标准误差;***、**和*分别表示1%、5%和10%的水平上显著
新窗口打开
3.2.2 私家车出行方式选择的影响因素分析
表2列（1）结果显示,居民收入水平是影响居民选择私家车出行的重要因素,且随着收入水平的提高,人们选择私家车出行的概率增加,对应边际效应值可得：收入水平每上升一个等级,对私家车的依赖性增加3.5%。随着居民收入水平的提高,对于交通出行的要求会增加,对于出行方式的选择偏好性越强,更倾向于选择方便性高、舒适度强、出行成本较大的私家车或出租车作为出行工具^[36,40,44],这也解释了目前济南市私家车拥有率快速上升的现象。家庭规模即家庭人口数对私家车出行偏好的影响通过1%水平的显著性检验,家庭人口数的增加会降低私家车出行的概率,与王丰龙^[45]的结论相同,且家庭人口每增加一个单位,私家车出行概率降低5.2%。这可能是因为在家庭车辆数有限的情况下,个体出行目的存在差异,导致私家车出行的便捷性下降。家庭私家车拥有量也通过了1%水平的显著性检验,且私家车车辆数每增加一个单位,私家车出行概率增加39.8%,这主要是因为当人们拥有私家车后,出于方便和资源利用的角度增加了对私家车的偏好性。
表2中列（2）给出了城市建成环境对私家车出行偏好的影响结果,发现区位和人口密度因素均表现出不显著的正值,说明居民是否居住在城市中心以及相对应的人口密度对私家车出行偏好的影响较小。公共交通可达性指标中转车次数指标表现为不显著的负值,而公交站牌变量的边际效应值为0.052,表现为公交站牌距离每增加一个等级,人们选择私家车的概率上升5.2%,即该距离与人们选择私家车的出行方式概率之间为正向相关关系,这主要是因为随着公交站牌距离的增加,公共交通出行的便捷性下降,人们出行所需耗费的时间加长,对公交车的需求下降,而私家车的便捷性正好弥补了公交车的不足,从而增加了对私家车出行的偏好,所以大力改善公共交通基础设施,可以有效的降低私家车出行概率^[17]。而本文进一步调查也发现乘车不方便,需要换乘（28.5%）、车上太拥挤（25.9%）和离目的地太远（18.3%）是居民不愿意乘坐公交车出行的三个主要原因。另外,候车时间长（15.8%）和公交车速度慢（11.5%）也是居民不愿意选择公交车作为出行方式的两个重要原因。商服设施供给对私家车出行偏好的影响表现为正向相关关系,即居住地到商服设施距离越长,可达性越差,私家车出行的概率则相对越高。职住距离对私家车出行偏好表现为显著正向影响,这是因为随着职住距离的增加,出行成本及对身体机能的要求也会相应的提高,进而导致步行、自行车、公交车等出行方式会逐渐被私家车所取代,这与郑思齐 ^[36]的分析结果相同。
在控制居民的社会经济变量特征后,表2中列（3）结果显示,相较于城市建成环境,社会经济变量更能有效地影响居民私家车出行的偏好。列（4）的逐步回归结果也显示出相似结论。
3.2.3 私家车出行碳排放的影响因素分析
表3列（1）中结果显示,当居民拥有私家车之后,收入水平对私家车碳排放量的影响并不显著。收入水平对居民是否购买私家车的影响显著,但购买私家车之后,出行方式相对比较稳定,因而其对私家车的碳排放量影响较小。教育水平和年龄阶段对私家车的碳排放量表现为不显著的负相关。家庭私家车拥有量对私家车碳排放表现显著的正相关,车辆数每上升一个单位,私家车碳排放量相应增加14.5%。
Table 3
表3
表3研究区私家车碳排放影响因素的多元回归结果
Table 3The multivariate regression results of independent variables of private cars carbon emissions in study area

变量	（1）	（2）	（3）	（4）
收入	0.008	-	-0.041	-
	(0.036)	-	(0.046)	-
年龄	-0.052	-	-0.019	-
	(0.046)	-	(0.066)	-
教育水平	0.018	-	0.004	-
	(0.052)	-	(0.074)	-
家庭规模	-0.047	-	0.007	-
	(0.038)	-	(0.061)	-
私家车拥有量	0.145*	-	0.097	-
	(0.077)	-	(0.105)	-
居住区位	-	0.045	0.051	-
	-	(0.086)	(0.088)	-
人口密度	-	-0.067*	-0.062*	-0.075**
	-	(0.035)	(0.037)	(0.035)
转车次数	-	0.003	0.001	-
	-	(0.056)	(0.057)	-
公交站牌距离	-	0.036	0.026	-
	-	(0.055)	(0.056)	-
商服设施供给	-	0.118*	0.126*	0.128**
	-	(0.064)	(0.069)	(0.063)
土地利用混合度	-	-0.643*	-0.708**	-0.690**
	-	(0.330)	(0.339)	(0.325)
停车便利性	-	0.006	0.006	-
	-	(0.029)	(0.030)	-
职住距离	-	0.008	0.011	-
	-	(0.058)	(0.06)	-
常数项	7.442***	8.642***	8.564***	8.904***
	(0.270)	(0.648)	(0.785)	(0.577)
R2	0.125	0.201	0.262	0.283
F	10.528	22.725	25.321	32.513

注：括号内数值为相应的标准误差;***、**和*分别表示1%、5%和10%的水平上显著。
新窗口打开
表3列（2）中结果显示,城市建成环境变量中居住区位表现为不显著的正向影响关系,而人口密度因素对私家车碳排放量表现为显著的负相关,且人口密度每增加1%,私家车碳排放量减少6.7%,即随着人口密度的增加,碳排放量表现为下降趋势,其原因在于济南市高密度人口分布区域经济活动也相对聚集,公共交通和商服配套设施相对完善,居民日常出行可达性较高,一定程度上会减少私家车的出行需求和使用频率 ^[46]。转车次数和公交站牌距离与碳排放影响不显著,即公共交通可达性的便利并没有带来私家车日常出行碳排放的显著减少,这与已有研究^[1,24]结论不同,主要原因在于济南市公共交通基础相对较差,竞争力不够,缺乏轻轨、地铁等更便捷的公共交通工具。现有的公共交通工具不能成为私家车出行的替代,也证实了济南市私家车使用具有“锚定效应”,即居民一旦使用私人交通工具,几乎会永久减少对公共交通工具的使用,存在一定的不可逆性^[44]。居住地商服设施供给的影响系数为0.118,而土地利用混合度的影响系数为-0.643,且均通过10%水平的显著性检验,可见提高居住地商服设施供给的完善性和周边土地利用的多元化,有利于降低私家车长距离的出行需求,进而减少私家车使用频率和依赖强度,减少碳排放,这验证了Hanna Maoh ^[47]的结论。职住距离对私家车日常出行碳排放的影响并不显著,原因在于私家车并不仅仅用于日常通勤,可能更多地用于购物、娱乐和商务类其它出行活动。
在控制居民的社会经济变量特征后,表3中列（3）和列（4）结果显示,相较于社会经济变量,城市建成环境中的人口密度、商服设施供给及土地利用混合度等因素更能有效地影响居民私家车出行碳排放。

4 结论与建议

4.1 结论

基于济南市交通出行的调查问卷,本文分析了私家车日常出行碳排放的基本特征,并基于如何降低私家车出行的偏好和使用强度,运用Heckman的两步估计的计量模型,分析了影响私家车碳排放的主要因素,得出以下结论：
（1）私家车是当前济南市居民交通出行的重要交通工具,私家车年碳排放量主要集中在1~3t,平均值为2.22t,空间分布整体上呈现中心低、外围高的差异化格局,并且60%的高碳排放量由20%的个体贡献。
（2）济南私家车出行碳排放的影响因素取决于建成环境和社会经济要素,但前者影响作用更大,证明了国内外相关研究结论。社会经济因素中,收入水平的提高和家庭规模的增加会提高私家车出行概率,但不会导致私家车碳排放的增加,家庭私家车拥有数量的增加会同时导致私家车出行概率和碳排放的增加。城市建成环境因素中公共交通可达性水平的提高有助于降低私家车出行概率,但对私家车碳排放并没有显著影响,这与发达国家和中国特大城市的相关研究结论并不一致,与济南市的城市交通环境与公共交通基础有关;职住距离的增加提高了依赖私家车出行的概率,但并未引致私家车碳排放的显著增加;提高人口居住密度、完善商服设施供给和促进街道土地功能的多元化可以有效降低私家车长距离的出行需求,进而抑制碳排放量。

4.2 政策建议

由于数据、变量和建模复杂性等问题,本文的变量选择没有考虑居民主观心理因素、时间分配、通勤效率、交通政策等要素,对私家车日常出行碳排放的测度及发生机制解释不足,这是研究需进一步深入之处。综合上述分析结果和结论,就济南市私家车日常出行的低碳调控,提出如下政策建议：
（1）优化和调整城市规划空间布局。坚持高密度、紧凑的发展模式,建立多中心型的组团式城市布局,同时完善居住地的商业购物及娱乐消费设施供给,促进街道层面土地利用功能的多元化,吸引居民就近就业、购物与消费,降低私家车行日常出行需求。
（2）丰富公共交通模式,倡导低碳出行。政府应积极宣传公共交通出行理念,尤其是针对高收入居民,增强居民低碳出行意识;完善公共交通服务,加快地铁建设步伐,积极扶持公共汽车、电动汽车和公共自行车等低碳产业发展,采用价格机制措施激励居民选择公交出行模式,减少对私家车出行的依赖,缓解交通问题。
The authors have declared that no competing interests exist.

---

参考文献文献选项 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]	黄经南, 高浩武, 韩笋生. 道路交通设施便利度对家庭日常交通出行碳排放的影响-以武汉市为例 [J]. 国际城市规划, 2015, 30(3): 97-105. [本文引用: 2] [Huang J N, Gao H W, Han S S.The effect of traffic facilities accessibility on household commuting caused carbon emission: a case study of Wuhan city, China [J]]. Urban Planning International, 2015, 30(3): 97-105. ] [本文引用: 2]
[2]	孙岩, 江凌. 居民能源消费行为研究评述 [J]. 资源科学, 2013, 35(4): 697-703. [本文引用: 1] [Sun Y, Jiang L.A review of the energy consumption behavior of residents [J]. Resources Science, 2015, 35(4): 697-703. ] [本文引用: 1]
[3]	周伟, 米红. 中国碳排放: 国际比较与减排战略 [J]. 资源科学, 2010, 32(8): 1570-1577. [本文引用: 1] [Zhou W, Mi H.China’s carbon emissions: international comparison and mitigation strategies [J]. Resources Science, 2010, 32(8): 1570-1577. ] [本文引用: 1]
[4]	朱勤, 彭希哲, 陆志明, 等. 中国能源消费碳排放变化的因素分解及实证分析 [J]. 资源科学, 2009, 31(12): 2072-2079. [本文引用: 1] [Zhu Q, Peng X Z, Lu Z M, et al. Factors decomposition and empirical analysis of variations in energy carbon emission in china [J]. Resources Science, 2009, 31(12): 2072-2079. ] [本文引用: 1]
[5]	Zhang W, Lawell C L, Umanskaya V I.The effects of license plate-based driving restrictions on air quality: Theory and empirical evidence [J]. Journal of Environmental Economics & Management, 2017, 82: 181-220. [本文引用: 1]
[6]	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 [J]. 国际城市规划, 2015, 30(4): 46-52. [本文引用: 2] [Cao X Y.Examining the relationship between neighborhood built environment and travel behavior: a review from the US perspective [J]. Urban Planning International, 2015, 30(4): 46-52. ] [本文引用: 2]
[7]	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 [J]. 地理学报, 2015, 70(10): 1664-1674. [本文引用: 2] [Sun B D, Dan B.Impact of urban built environment on residential choice of commuting mode in Shanghai [J]. Acta Geographica Sinica, 2015, 70(10): 1664-1674. ] [本文引用: 2]
[8]	Litman T.Land Use Impacts on Transport: How Land Use Factors Affect Travel Behavior [R] . Victoria: Victoria Transport Institute, 2008. [本文引用: 1]
[9]	Brand C, Preston J M.‘60-20 emission’: the unequal distribution of greenhouse gas emissions from personal, nonbusiness travel in the UK [J]. Transport Policy, 2010, 17(1): 9-19. [本文引用: 1]
[10]	Brownstone D, Golob T F.The impact of residential density on vehicle usage and energy consumption [J]. Journal of Urban Economics, 2009, 65(1): 91-98. [本文引用: 1]
[11]	Travisi C M, Camagni R, Nijkamp P.Impacts of urban sprawl and commuting: a modeling study for Italy [J]. Journal of Transport Geography, 2010, 18(3): 382-392. [本文引用: 1]
[12]	Fang H A.A discrete-continuous model of households’ vehicle choice and usage, with an application to the effects of residential density [J]. Transportation Research Part B Methodological, 2008, 42(9): 736-758. [本文引用: 1]
[13]	Bento A M, Cropper M L, Mobarak A M, et al. The effects of urban spatial structure on travel demand in the United States [J]. The Review of Economics and Statistics, 2005, 87(3): 466-478. [本文引用: 1]
[14]	Kitamura R, Akiyama T, Yamamoto T, et al. Accessibility in a metropolis: toward a better understanding of land use and travel [J]. Transportation Research Record, 2001, 1780: 64-75. [本文引用: 1]
[15]	Cervero R.Built environments and mode choice: toward a normative framework [J]. Transportation Research Part D: Transport and Environment, 2002, 7(4): 265-284. [本文引用: 1]
[16]	Chatman D G.How density and mixed uses at the workplace affect personal commercial travel and commute mode choice [J]. Transportation Research Record, 2003, 1831(1): 193-201. [本文引用: 1]
[17]	杨励雅, 邵春福, 李霞. 城市居民出行方式选择的结构方程分析 [J]. 北京交通大学学报, 2011, 35(6): 1-6. [本文引用: 2] [Yang L Y, Shao C F, Li X.Structural equation model analysis of travel mode choice for urban residents [J]. Journal of Beijing Jiaotong University, 2011, 35(6): 1-6. ] [本文引用: 2]
[18]	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 [J]. 地理学报, 2011, 66(8): 1013-1032. [本文引用: 2] [Ma J, Chai Y W, Liu Z L.The mechanism of CO2 emissions from urban transport based on individuals' travel behavior in Beijing [J]. Acta Geographica Sinica, 2011, 66(8): 1013-1032. ] [本文引用: 2]
[19]	霍焱, 郑思齐, 杨赞. 低碳生活的特征探索-基于2009年北京市“家庭能源消耗与居住环境”调查数据的分析 [J]. 城市与区域规划研究, 2010, 3(2): 72-75. [本文引用: 1] [Huo Y, Zheng S Q, Yang Z.Low-carbon lifestyle and its determinants: an empirical analysis based on survey of “household energy consumption and community environment in Beijing” [J]. Journal of Urban and Regional Planning, 2010, 3(2): 72-75. ] [本文引用: 1]
[20]	龚咏喜, 李贵才, 林姚宇, 等. 土地利用对城市居民出行碳排放的影响研究 [J]. 城市发展研究, 2013, 20(9): 112-118. [本文引用: 1] [Gong H X, Li H C, Lin Y Y, et al. Impact of land use on urban household travel carbon emissions [J]. Urban Studies, 2013, 20(9): 112-118. ] [本文引用: 1]
[21]	Ewing R, Cervero R.Travel and the built environment: a synthesis [J]. Transportation Research Record, 2001, 1780(1): 265-294. [本文引用: 1]
[22]	Frank L D, Greenwald M J, Kavage S, et al. An Assessment of Urban Form and Pedestrian and Transit Improvements as an Integrated GHG Reduction Strategy [R] . Washington: Washington State Department of Transportation, 2011. [本文引用: 1]
[23]	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 [J]. 地理研究, 2012, 31(2): 334-344. [本文引用: 4] [Chai Y W, Xiao Z P, Liu Z L.Low-carbon optimization strategies based on CO2 emission mechanism of household daily travels: a case study of Beijing [J]. Geographical Research, 2012, 31(2): 334-344. ] [本文引用: 4]
[24]	黄晓燕, 李沛权, 曹小曙. 广州社区居民通勤碳排放特征及其影响机理 [J]. 城市环境与城市生态, 2014, (5): 32-38. [本文引用: 4] [Huang X Y, Li P Q, Cao X S.Characteristics and mechanism of CO2 emissions from urban commuting in Guangzhou [J]. Urban Environment & Urban Ecolog, 2014, (5): 32-38. ] [本文引用: 4]
[25]	童抗抗, 马克明. 居住-就业距离对交通碳排放的影响 [J]. 生态学报, 2012, 32(10): 2975-2984. [本文引用: 1] [Tong K K, Ma K M.Significant impact of job-housing distance on carbon emissions from transport: a scenario analysis [J]. Acta Ecologica Sinica, 2012, 32(10): 2975-2984. ] [本文引用: 1]
[26]	Stead D, Williams J, Titheridge H. Land Use, Transport and People: Identifying the Connections[A]. Williams K, Burton E, Jenks M. Achieving Sustainable Urban Form [M]. London: E&FNSpon Press, 2001. [本文引用: 1]
[27]	Bhat C R, Guo J Y.A comprehensive analysis of built environment characteristics on household residential choice and auto ownership levels [J]. Transportation Research Part B, 2007, 41(5): 506-526. [本文引用: 1]
[28]	Pachauri S.An analysis of cross-sectional variations in total household energy requirements in India using micro survey data [J]. Energy Policy, 2004, 32(15): 1723-1735. [本文引用: 1]
[29]	刘蔚. 城市居民低碳出行的影响因素及引导策略研究[D] . 北京: 北京理工大学, 2014. [本文引用: 1] [Liu W.Influence Factors and Guidance Strategy of Low Carbon Travel for Urban Resident in China [D] . Beijing: Beijing Institute of Technology, 2014. ] [本文引用: 1]
[30]	韩会然, 杨成凤, 宋金平. 公共交通与私家车出行的通勤效率差异及影响因素-以北京都市区为例 [J]. 地理研究, 2017, 36(2): 253-266. [本文引用: 1] [Han H R, Yang C F, Song J P.Impact factors and differences in commuting efficiency between public transit and private automobile travel: a case study on the Beijing metropolitan area [J]. Geographical Research, 2017, 36(2): 253-266. ] [本文引用: 1]
[31]	济南市统计局. 济南市统计年鉴[M]. 北京: 中国统计出版社, 2002-2016. [本文引用: 2] [Bureau of Statistics of Jinan. Jinan StatisticalYearbook[M]. Beijing: China Statistic Press, 2002-2016. ] [本文引用: 2]
[32]	百度.济南市综合交通调查报告(2013)[EB/OL].[2016-06-15]. URL [本文引用: 1] [Baidu. Report of comprehensive transportation survey in Jinan (2013) [EB/OL].[2016-06-15]. URL [本文引用: 1]
[33]	济南市规划局.济南市城市总体规划(2011-2020) [EB/OL].[2016-08-29]. .URL [本文引用: 1] [Jinan Municipal Planning Bureau. Urban overall planning in Jinan (2011-2020) [EB/OL].[2016-08-29]. .]URL [本文引用: 1]
[34]	Engelfriet L, Koomen E.The impact of urban form on commuting in large Chinese cities [J]. Transportation, 2017, (9): 1-27. [本文引用: 2]
[35]	党云晓, 董冠鹏, 余建辉, 等. 北京土地利用混合度对居民职住分离的影响 [J]. 地理学报, 2015, 70(6): 919-930. [本文引用: 1] [Dang Y X, Dong G P, Yu J H, et al. Impact of land-use mixed degree on resident's home-work separation in Beijing [J]. Acta Geographica Sinica, 2015, 70(6): 919-930. ] [本文引用: 1]
[36]	郑思齐, 霍燚. 低碳城市空间结构: 从私家车出行角度的研究 [J]. 世界经济文汇, 2010, (6): 50-65. [本文引用: 4] [Zheng S Q, Huo Y.Low-carbon urban spatial structure: an analysis on private car traveling [J]. World Economic Papers, 2010, (6): 50-65. ] [本文引用: 4]
[37]	陈强. 高级计量经济学及Stata应用(第二版)[M]. 北京: 高等教育出版社, 2014. [本文引用: 1] [Chen Q.Advanced Econometrics and Stata Applications (2nd Edition)[M]. Beijing: Higher Education Press, 2014. ] [本文引用: 1]
[38]	Brand C, Goodman A, Rutter H, et al. Associations of individual, household and environmental characteristics with carbon dioxide emissions from motorized passenger travel [J]. Applied Energy, 2013, 104(100): 158-169. [本文引用: 1]
[39]	Barla P, Miranda-Moreno L F, Lee-Gosselin M. Urban travel CO2 emissions and land use: a case study for Quebec City [J]. Transportation Research Part D: Transport and Environment, 2011, 16(6): 423-428. [本文引用: 1]
[40]	宁晓菊, 张金萍, 秦耀辰, 等. 郑州城市居民交通碳排放的时空特征 [J]. 资源科学, 2014, 36(5): 1021-1028. [本文引用: 3] [Ning X J, Zhang J P, Qin Y C, et al. Spatial and temporal characteristics of carbon emissions from urban resident travel in Zhengzhou [J]. Resources Science, 2014, 36(5): 1021-1028. ] [本文引用: 3]
[41]	IPCC. IPCC Guidelines for National Greenhouse Gas Inventories[R] . Japan: IGES, 2006. [本文引用: 1]
[42]	赵敏, 张卫国, 俞立中, 等. 上海市居民出行方式与城市交通CO2排放及减排对策 [J]. 环境科学研究, 2009, 22(6): 747-752. [本文引用: 1] [Zhao M, Zhang W G, Yu L Z, et al. Residential travel modes and carbon emissions by traffic in Shanghai city [J]. Research Enviormental Science, 2009, 22(6): 747-752] [本文引用: 1]
[43]	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 [J]. 城市发展研究, 2011, 18(9): 104-112. [本文引用: 1] [Xiao Z P, Chai Y W, Lin Z L.Quantitative distribution and related factors for household daily travel CO2 emissions in Beijing [J]. Urban Studies, 2011, 18(9): 104-112. ] [本文引用: 1]
[44]	朱燕妮, 陈红敏, 陆淼菁. 上海市通勤高碳排放群体识别与特征分析 [J]. 资源科学, 2014, 36(7): 1469-1477. [本文引用: 2] [Zhu Y N, Chen H M, Lu M J.Identification and analysis of high-emission commuter groups in Shanghai [J]. Resources Science, 2014, 36(7): 1469-1477. ] [本文引用: 2]
[45]	王丰龙, 王冬根. 北京市居民汽车使用的特征及其影响因素 [J]. 地理学报, 2014, 69(6): 771-781. [本文引用: 1] [Wang F L, Wang D G.Characteristics and determinants of car use in Beijing [J]. Acta Geographica Sinica, 2014, 69(6): 771-781. ] [本文引用: 1]
[46]	Niemeier D, Song B, Handy S L.The impact of residential growth patterns on vehicle travel and pollutant emissions [J]. Journal of Transport & Land Use, 2011, 4(3): 65-80. [本文引用: 1]
[47]	Maoh H, Tang Z.Determinants of normal and extreme commute distance in a sprawled midsize Canadian city: evidence from Windsor, Canada [J]. Journal of Transport Geography, 2012, 25: 50-57. [本文引用: 1]