不同类型社区居民特征与居民通勤碳排放的关系

黄欣然

（长安大学 公路学院，陕西 西安 710064）

不同类型社区居民特征与居民通勤碳排放的关系

黄欣然

（长安大学 公路学院，陕西 西安 710064）

为了探究居民特征对居民通勤碳排放分布的影响，对西安市不同类型的8个社区进行了居民出行调查。通过计算居民的通勤碳排放和统计各类居民个人特征，分析了各社区内产生通勤碳排放较高的居民组成。研究结果表明：本科学历、公司职员、41～50岁是最可能产生高碳排放的居民特征，但在不同类型的社区中分布情况有明显差异；同类型的社区，距离市中心越远，居民越可能产生高碳排放，但高碳排群体的特征与社区位置无关；不同类型社区对应不同类型的居民群体，而具有相似特征的居民的出行选择也较为相近，使得碳排放的分布与居民特征密切相关。

通勤出行；碳排放；社区；出行调查；统计分析

0 引言

中国的年碳排放总量已连续多年排世界首位，这与其迅速的城镇化、机动化密切相关。2014年，全国城镇人口达到74 916万，占总人口的54.77%，比2002年占比上升了15.68%。伴随城镇化的进程，机动车保有量也迅速增加。截至2014年底，全国机动车保有量达2.64亿辆，其中汽车有1.54亿辆[1]。

汽车的数量提升及其广泛应用是碳排放总量居高不下的重要原因。奥斯陆气候和环境国际研究中心发表于美国《国家科学院学报》的报告指出，过去10年全球二氧化碳排放总量增加了13%，而源自交通工具的碳排放增幅却高达25%[2]。欧盟大部分工业领域都做到了成功减排，但交通工具碳排放却在过去10年增长了21%[3]。作为频率最高且形式最稳定的交通出行，通勤出行在人们日常生活中扮演重要的角色，也是碳排放的重要组成部分。交通活动中，基于家的通勤出行距离总量又占到家庭出行活动总量的60%[4]。随着城市的发展及其工作岗位的增加，每天早晚两个交通高峰造成的拥堵成为了城市难以解决的交通痼疾。据统计，在道路拥堵时，汽车尾气排放的碳氧化物比正常行驶增加40%[5]。可见，控制通勤碳排放是有效抑制碳排放快速增长的关键所在。

另一方面，中国的高碳排放与其高人口密度有密不可分的关系。在人口密度方面，国土面积与中国相差不多的美国仅为34.2人/km2，而中国则高达143人/km2。人口的不同分布形成了城市和农村，而在城市和农村内部，人口又以社区的形式聚集在一起。

交通碳排放和居民居住地分布之间的关系在过去若干年间已经有国内外学者进行了研究，但所得结论有所差异。法国的J Nicolas等通过研究发现，城区和市中心居住的居民产生较多的碳排放，而城郊和乡村地区较低[6]；Ko J等人应用树形回归和LOGISTIC模型，发现首尔都市区以及周边的京畿道和仁川的碳排放高于首尔市[7]；Büchs M等通过多重OLS回归分析指出，英国的农村家庭比城市家庭倾向于产生更高的碳排放，排放量高出16%[8]；我国的肖作鹏指出，位于北京市中心区域的社区交通碳排放低于城郊的商业居民住宅社区和政策性住宅社区，并且交通碳排放与家庭到市中心的距离不相关，研究还发现对象区域是否处于城郊是反应交通碳排放空间分布的重要指标[9]；刘沛通过统计分析和相关性检验发现，在多中心城市武汉，城郊、大型居民区和城市周边新建开发区的家庭产生更高的交通碳排放[10]。

关于交通碳排放与个人、家庭及其社会经济特征之间关系的研究在许多城市得到了相近的结果。一些学者指出：男性产生的交通碳排放高于女性[11-14]；中年人产生的交通碳排放高于其他年龄段[7，11-13]；高收入群体容易产生更高的碳排放[8，11-15]；受教育程度较高的居民产生的交通碳排放较高[8]；从事专业性工作的居民产生的交通碳排放较高[7]；全职工作者比兼职工作者的交通碳排放高[12，14]；有固定工作的居民产生的交通碳排放比无业者高[11，13]。

总体来说，现有研究集中地分析了多个国家和地区的碳排放分布特征和相关因素，从收入、家庭属性（家庭类型、成员构成）、职住距离等方面讨论了影响碳排放的指标，得出这些因素都对碳排放有较为显著影响的结论。然而，这些因素的选取过于静态化，得到的结论多数情况下只适用于某个或某类城市的现状，并未从整体上达到完全的统一。事实上，城市的发展遵循由简单到复杂、由落后到发达的普遍规律，只不过可能因处于不同发展时期而体现出不同的特征。这种不同时期的不同特征，在某个城市也可能通过不同类型的社区来体现，这一点是迄今为止的碳排放相关研究未能完全涉及的。本文将基于以社区为单位的居民出行调查，研究居民通勤碳排放与居民特征之间的关系，并比较社区类型与通勤碳排放差异的关联性。

1 研究对象的选取及特征调查

西安市是中国内陆历史悠久且目前处于稳步发展的大城市，其城市布局呈典型的方格网状，具有鲜明的特点。目前，西安市在每日通勤高峰时段存在明显的交通拥堵，并且还未形成完善的城市轨道交通网络，居民的通勤方式选择有限。因此，本文选取西安市作为研究对象，分析居民通勤碳排放的特征。

西安市目前人口为857.63万，市区面积1 068km2，有近千个不同规模、不同建造时期的社区。本文遵循“有代表性”和“均匀分布”的原则，选择了4类共8个社区，其中1环内2个，1～2环之间1个，2～3环之间5个，且2～3环之间的社区分布为西侧2个，北侧1个，东南侧1个，西南侧1个。

本文采用抽样调查中的分层抽样法，针对每个小区所选150户家庭的成员进行出行信息和个人信息调查。个人调查指标及其细分见表1。

表1 个人调查指标划分

对问卷进行筛选后，得到有效居民样本量为1 475人。各社区的有效人数分布如图1所示。

图1 各社区有效居民样本分布图

2 通勤碳排放计算

目前，已有研究关于交通碳排放的计算最常用的有两个公式[16]：

①基于燃料理论：交通碳排放=出行车辆燃料消耗×每种燃料的碳排放系数；

②基于距离理论：交通碳排放=出行车辆行驶里程×各种交通方式的碳排放系数。

在城市居民通勤活动中，通勤距离和交通方式对碳排放的影响较大。鉴于通勤距离基本固定，因而采用基于距离的碳排放计算公式，由此得家庭通勤交通碳排放量计算公式如下：

式中：T为家庭通勤碳排放量；Li为家庭成员i的通勤出行距离；Fi为家庭成员i一天的通勤出行频率；Mi为家庭成员i通勤出行所选交通方式的碳排放因子。

所谓碳排放因子，是指排放标准中限定的某种具体污染物量，是确定家庭通勤碳排放的关键变量。调查表明，被调查者主要采用公交车、小汽车、单位班车三种方式完成通勤出行。IPCC提供的燃料二氧化碳排放系数、各种车型的百公里燃料消耗量以及《2008年西安市居民出行调查总报告》提供的各种交通方式的参数调研结果见表2。

表2 西安市主要通勤工具参数调研结果[17-18]

根据表2，通勤工具单位里程的碳排放因子可按下式计算：

式中：Mk为出行方式k的碳排放因子；wk为出行方式k百公里燃料的消耗量；Sk为出行方式k的平均载客量；Cj为所消耗的燃料j的二氧化碳排放系数。

根据式（2），计算5种常见出行方式的碳排放因子，结果如表3所示[19]，其中步行与自行车两种方式由于不消耗燃料，碳排放因子为0。

表3 西安市主要通勤出行方式碳排放因子

3 典型社区居民通勤特征分析

根据式（1）、式（2），可计算得到各社区居民人均通勤碳排放。对所得数据进行分析发现，各社区的碳排放分布符合“二八定律”，即20%的居民产生了占总量80%的通勤碳排放。据此，将这20%的居民作为“高碳排群体”与全体居民进行对照分析。居民碳排放量及通勤特征如表4所示。

表4 各社区人均通勤周碳排放及交通工具使用情况

3.1 政策性住房

中山门小区是典型的政策性住房，于20世纪90年代中期因一环内街道的改扩建拆迁而由政府组织修建。首批住户主要是原先在附近一带城中村居住的居民，目前也存在一些租住户。由表1可知，中山门小区是一个典型的低碳社区，具有小汽车使用率低、公交使用率高的通勤出行特点，这表明居民很好地利用了处于市中心的便利公交条件。

利用GIS软件将居民通勤地点标注在地图中，结果如图2所示。统计发现，中山门小区的居民通勤地点主要集中于5km和10km范围内，且主要向西延伸，而东侧较少。这种分布特征与西安市目前的布局相吻合，也与目前西安市一环以西区域因发展速度高于东部而具有更多的就业机会有直接关系。

图2 政策性住房居民通勤地点分布图

3.2 城中村

本文选择位于西三环附近的贺家村和位于北三环附近的三官庙村，对各自的通勤碳排放加以比较。这两个社区均于1990年甚至更早就已经形成，但令人感到意外的是，大众概念里生活水平低、经济落后的城中村在通勤碳排放上并不完全处于低水平，其居民的通勤地点分布也有很大差异，如图3所示。很明显，这两个城中村的碳排放量差异并非因各自与市中心的距离所致，恰恰相反，距离市中心更远的三官庙碳排放反而较低。图3也可以直观地反映出两个社区居民通勤范围的差异：贺家村的通勤地点没有明显的集中，有的甚至距离社区非常远，而三官庙的通勤地点高度集中在5km以内的社区周边。

图3 城中村居民通勤地点分布图

3.3 单位社区

本文选择位于西二环和西三环之间的新西钢小区和一环内的财政厅家属院作为单位社区的代表进行调查。新西钢小区是2006年由西安龙钢集团规划建造的住宅小区，是原西安钢铁厂的所在地。西安钢铁厂始建于1966年，于2005年被龙钢集团收购，并以新的形式继续发展，原钢铁厂的职工大多数被沿用，成为龙钢集团的职员。财政厅则是隶属于陕西省政府的部门，其家属院建于20世纪90年代，与单位仅一街之隔。两个社区的居民通勤分布见图4。由该图可知，新西钢小区居民的通勤地点集中在社区周边，向东延伸到一环内，整体分布较为均匀，且相当一部分居民的通勤距离大于10km；财政厅家属院的居民通勤地点集中在5km范围内，且在社区周边。

3.4 商业住宅小区

本文共选择了3个商业住宅小区进行调查，即分别位于高新区和曲江新区这两大开发区的“枫林绿洲”和“曲池坊”，以及位于二环内西北部的“蔚蓝花城”。

更有一个企业借助电商模式积极地拥抱终端市场，他们组建自己的互联网服务平台，甚至“割肉”舍弃部分原有渠道，下沉终端，与有实力的种植平台对接、合作，将产品、技术、服务有效结合形成合力。这种合作模式，在我国当下的农村市场中极具生命力和活力。正如全国农业技术服务中心首席专家高祥照所言：“服务是农资行业永恒的主题，只不过随着农业新形势的发展，服务的内容和方式在发生变化。重新构架服务模式需要整个行业付诸实践和努力。”

图4 单位社区居民通勤地点分布图

这3个社区虽然都属新建高档住宅社区，但建设背景有所不同。

“枫林绿洲”于2003年开盘，2005年建成入住。这几年，高新区被国家评为“全国首家高新技术标准化示范区”、“‘十一五’期间五个重点建设成世界一流的工业园区”，极大地吸引了房地产开发商的投资和消费者的目光，这使得该区域的新建住宅区、商业区快速扩张，人口迅速增多。

“曲池坊”于2008年开盘，2009年建成入住。在曲江新区逐步开发建设的基础上，区域内的商业住宅小区逐渐兴起。由于环境雅致，加之旅游热点地区的推动，房价甚至高过高新区。

“蔚蓝花城”于2012年入住，其地理位置是3个商业住宅小区中最靠近市中心的，与周围20世纪90年代之前建造的城市中心区老旧居民区形成鲜明的对比。在生活配套设施方面，“蔚蓝花城”拥有这3个社区中最便利的条件，在交通便捷程度上也占据优势，有近10条公交线路满足日常出行需求。

以上3个高档社区的居民通勤地点分布如图5所示。

“枫林绿洲”在小汽车使用率，以及小汽车和公交车的通勤距离方面都高于另外两个社区，因此碳排放较高；而这几项普遍较低的“蔚蓝花城”自然碳排放最低。从图5可以看出，3个社区的主要通勤出行目的地都位于社区周边，只是“曲池坊”的通勤目的地分布更加集中。

4 居民个人特征与碳排放的关系

4.1 居民受教育程度与碳排放的关系

为了研究受教育程度和居民通勤碳排放的关系，本文统计了所选社区全体居民的受教育程度信息和高碳排群体的受教育程度信息，各自的分布情况分别如图6和图7所示。可见，拥有本科学历的居民虽然在人数上不占明显优势，却是绝大多数社区中碳排放的主要产生者，这在蔚蓝花城、曲池坊、枫林绿洲3个高碳排放的商业住宅小区里体现得尤为明显，因为具有较高学历的居民普遍拥有相对较强的经济实力，选择高档的住宅区生活，并以小汽车作为出行工具；大专学历居民也在高碳排中占有一定比例；学历更高的硕士及以上居民虽然基数较小，产生的碳排放值却相当可观。整体来说，高学历居民是高碳排放的主要贡献者。

图5 商业住宅小区居民通勤地点分布图

图6 社区全体居民受教育程度分布图

图7 高碳排居民受教育程度分布图

4.2 居民职业与碳排放的关系

经调查统计，得到各社区全体居民及高碳排群体居民的职业分布情况，如图8和图9所示。由图可见，公司职员在绝大多数社区都是碳排放最主要的贡献者，最高比例甚至高达80%。占比居于次位的是事业单位职工。这说明这两种职业的薪酬待遇相对较高，有能力选择碳排放较高的交通工具完成通勤出行。另一方面，也应当看到，职业并非决定碳排放量高低的主要因素：公司职员占财政厅小区受访者的29.5%，占其高碳排居民的比例更是高达50%，然而财政厅的高碳排群体的人均碳排放仅列所有被调查小区的倒数第2位。根据这一发现，对特定人群的出行行为加以控制可以有效降低碳排放的上升速度。例如，可采取单位班车、校车等形式的通勤工具接送居民上下班，减少小汽车的使用量，或由各单位对通勤距离远的职工提供宿舍，减少往返次数。

图8 社区全体居民职业分布

图9 高碳排居民职业分布

4.3 居民年龄与碳排放的关系

各社区全体居民的年龄分布和高碳排居民年龄分布统计结果如图10和图11所示。由图可以看出，31～40岁的居民是各社区碳排放的主要来源，41～50岁的居民次之。在大多数社区中，这两个年龄段的居民具有稳定的工作和收入，在社会经济发展中扮演核心角色，自然会产生较多的通勤碳排放。然而，这一统计结果与三官庙和贺家村两个城中村并不吻合：贺家村的高碳排年龄段是19～30岁，三官庙则更低，高碳排居民群体集中在18岁以下。

图10 社区全体居民年龄分布

图11 高碳排居民年龄分布

通过以上统计结果可知，与“人均周碳排放”的相关性方面，本科人数、31～50岁的人数越多，碳排放越高；50岁以上的人数越多，碳排放越低；职业分布对这一数据的影响并没有明显的规律。与“高碳排群体人均周碳排放”的相关性方面，本科、公司职员、31～40岁年龄段三项是产生碳排放量最多的居民特征。

5 社区类型与碳排放分布的关系

在城市新兴开发地区建造的住宅小区通常会得到优良的机遇：一方面借助区域的潜力增加对消费者的吸引，另一方面这种吸引力会反过来促进区域的发展，二者共同作用的结果使得社区居民经济水平高于平均水平，通勤碳排放值也大大提升。在此影响下，一部分原先居住于城市中心区附近的经济实力较强的居民可能向城市外围迁移，使得城市通勤碳排放的重心逐渐向外转移，通勤距离的增加无法避免。因此，应该通过丰富出行选择、增加公交线网密度、提供接驳交通工具等方式引导居民选择公共交通。

单位社区是一种稳定且发展速度相对较慢的社区形式。自20世纪80年代以来，越来越多的单位创造了较高的经济效益，开始自主建房。时至今日，单位社区的居民仍然保留着一些一成不变的特点。作为单位职工本身，其通勤距离一般较短，所使用的交通方式也倾向于低碳甚至零碳，但社区内其他成员依然在出行方面存在诸多选择。本文所调查的两个单位社区就体现出不同的碳排放水平，而贡献碳排放最多的31～40岁人群所占比例的差异是其主要诱因。

城中村是当今最为落后的社区类型，其居民组成、建筑特点都和主流社区有所不同，更重要的是，生活在其中的居民表现出了鲜明的两极分化。其中的高收入群体多为以出租房屋收入为生的原住民或因故暂时租住房屋于此且本身有一定经济实力的外地居民，而另一部分收入相对较低的人群则保留着十几年甚至几十年前的生活方式，自给自足，经商为业，在很小的范围内就可以进行日常所需的一切生活行为。这样的差异不仅直接反映在碳排放上，也反映在居民特征组成上。拥有高收入群体的城中村从任何统计结果上都与其他社区相差无几，而更为原生态的另一类城中村的高碳排群体分布呈现明显的金字塔特征，即处于下层的居民反而贡献更多的碳排放。以高收入的租住户带动社区碳排放上升的城中村，更多的是一种暂时现象，租住户的特点就是流动性大，这代表这类城中村随时会回到完全低碳的状态；而目前处于更为原始形态的城中村，如本文研究的三官庙村，一方面可能受到外来租住户的影响转而迅速成为高碳排社区，另一方面，目前在其中扮演高碳排群体的儿童可能会成为改变社区碳排放的一代，他们正在接受比父辈更加良好的教育，并且有父辈打下的经济基础，可能会在将来摆脱固有的城中村的生活方式，成为商业住宅小区的一员，成为高碳排群体。在这种人口的相互流动和向外流失的双重作用下，城中村这种低碳但落后的社区形式最终会退出历史舞台。

6 结语

本文分析了西安市8个社区的居民通勤碳排放调查数据，得出了不同类型社区碳排放的特点和对碳排放贡献最多的居民的共同特征，并且分析了与其他社区体现出不同特征的城中村的碳排放特殊现象成因。本研究有助于认识、理解碳排放在城市的分布规律，有助于帮助相关部门更加有针对性地制定控制碳排放增长速度的对策。

由于条件所限，研究中对调查信息只进行了同类社区间的横向比较，并未对同一个社区在不同年代的通勤碳排放特征和居民特征进行纵向比较，而这正是可以进一步揭示城市发展和通勤碳排放关系的关键；此外，限于西安市地铁网络建设尚未成形，本文的研究未能涉及以地铁为首的新的交通方式的引入对于其辐射范围内社区通勤碳排放的影响，这二者将是今后的研究重点。

[1]《中国统计年鉴-2014》编委会.中国统计年鉴-2014[Z].北京：中国统计出版社，2014.

[2]Organization for Economic Cooperation and Development,In⁃ternational Energy Agency.World Energy Outlook 2009[R]. Paris:Organization for Economic Cooperation and Develop⁃ment,2009.

[3]European Environment Agency.Greenhouse Gas Emissions Trends and Projections in Europe 2003[M].Copenhagen:Of⁃fice for Official Publications of the European Communities, 2004.

[4]MEYER M,MILLER E.Urban Transportation Planning[M]. New York:McGraw-Hill Science/Engineering/Math,2008.

[5]徐建闽.我国低碳交通分析及推进措施[J].城市观察，2010（4）：13-20.

[6]NICOLAS J,DAVID D.Passenger Transport and Carbon Emissions:What Does the French Transport Survey Tell Us? [J].Atmospheric Environment,2009(43):1015-1020.

[7]KO J,PARK D,LIM H,HWANG I.Who Produces the Most Carbon Emissions for Trips in the Seoul Metropolis Area?[J]. Transportation Research Part D:Transport and Environment, 2011,16(5):358-364.

[8]Büchs M,SCHNEPF S.Who Emits Most?Associations Be⁃tween Socio-Economic Factors and UK Households′Home Energy,Transport,Indirect and Total Carbon Emissions[J]. Ecological Economics,2013,90(C):114-123.

[9]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.

[10]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[C]//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：云南科学技术出版社，2012.

[11]CARLSSON-KANYAMA A,Lindén A.Travel Patterns and Environmental Effects Now and in the Future:Implications of Differences in Energy Consumption Among Socio-Economic Groups[J].Ecological Economics,1999(30):405-417.

[12]BRAND C,GOODMAN A,RUTTER H,el al.Associations of Individual,Household and Environmental Characters With Carbon Dioxide Emissions From Motorized Passenger Travel[J].Applied Energy,2013,4(104):158-169.

[13]BRAND C,BOARDMAN B.Taming of the Few—The Un⁃equal Distribution of Greenhouse Gas Emissions From Per⁃sonal Travel in the UK[J].Energy Policy,2008,36(1):225-230.

[14]SUSILO Y,STEAD D.Individual Carbon Dioxide Emis⁃sions and Potential for Reduction in the Netherlands and the United Kingdom[J].Transportation Research Record: Journal of the Transportation Research Board,2009(2139): 142-152.

[15]BRAND C,PRESTON J.′60-20 Emission′-The Unequal Distribution of Greenhouse Gas Emissions From Personal, Non-business Travel In the UK[J].Transport Policy,2010, 17(1):9-19.

[16]XIAO T,SHI X,WANG K.Analysis on Influencing Factors for Carbon Emissions of Urban Passenger Transport[C]//Pro⁃ceedings of the 10th International Conference of Chinese Transportation Professionals.Beijing:ASCE,2010:2716-2728.

[17]IPCC.2006年国家温室气体清单指南[M].马耳他国际翻译有限公司，译.东京：日本全球环境战略研究所，2006.

[18]西安市居民出行调查领导小组办公室.2008年西安市居民出行调查总报告[R].西安：西安市居民出行调查领导小组办公室，2009.

[19]郭露.城市家庭通勤碳排放研究——以西安市为例[D].西安：长安大学，2012.

Relationship Between Residents′Features of Different Types of Communities and Commuting Carbon Emissions

HUANG Xin-ran
（School of Highway,Chang′an University,Xi′an 710064,China)

In order to discover the influence of residents′features on commuting carbon emissions,a travel survey aiming at 8 communities of different types was performed.Residents′commuting carbon emissions were calculated,and individual features were classified to analyze characters of high carbon emission residents.The results show that bachelor degree,company employee,and 41 to 50 years old are features of residents who have the highest possibilities to produce high commuting carbon emissions, while their distribution in different types of communities have obvious difference.It′s found that among the communities of same type,the further it is from city center,the higher commuting carbon emissions its residents may produce,while the features of high commuting carbon emissions group have nothing to do with community location.All the research indicates that different types of communities correspond to different types of residents,and residents with similar features make similar travel choices,which makes a close relationship between distribution of commuting carbon emissions and residents′features.

commuting travel;carbon emission;community;travel survey;statistical analysis

U491.11

：A

：2095-9931（2015）05-0044-10

10.16503/j.cnki.2095-9931.2015.05.007

2015-06-21

国家自然科学基金项目（51178055-E0807）

黄欣然（1990—），男，陕西西安人，硕士研究生，专业为交通运输规划与管理。E-mail：huangxr1990@163.com。