城市家庭日常出行氮排放影响因素分析——以杭州市为例

吕 越，陈忠清*

(1.绍兴文理学院 土木工程学院，浙江 绍兴 312000；2 绍兴文理学院 岩石力学与地质灾害实验中心，浙江 绍兴 312000)

城市家庭日常出行氮排放影响因素分析
——以杭州市为例

吕 越1,2，陈忠清1,2*

(1.绍兴文理学院 土木工程学院，浙江 绍兴 312000；2 绍兴文理学院 岩石力学与地质灾害实验中心，浙江 绍兴 312000)

基于2015年杭州“低氮城市家庭日常出行”调查问卷，选取家庭成员年龄、收入水平、受教育度、就业单位性质、户籍和汽车保有量等因素，通过相关和最优尺度回归分析，研究杭州市家庭成员属性对日常出行排氮量的影响.结果表明：(1)家庭成员属性对日常出行排氮量有影响：成员一和二均在31～50岁时排氮量最大，家庭月收入超过15 001元时排氮量陡增，成员二的受教育程度对排氮量的影响大于成员一，成员一和二的最大和最小排氮量对应的就业性质不同，杭州城市户口的排氮量是农村户口的2.6倍，有车家庭出行排氮量是无车家庭的16倍；(2)按对出行排氮量的影响大小排序，依次为：家庭汽车保有量、出行方式、成员二受教育度、就业单位、年龄等.

日常出行氮排放；影响因素；相关分析；回归分析；杭州

The influence factors of daily travel of urban families to nitrogen emission—A case study in Hangzhou city. Journal of Zhejiang University(Science Edition), 2017,44(1):121-126

随着全球环境的日益恶化，低氮理念已受到国际社会的关注[1]. 城市是能耗和排氮的主要场所，如何实现城市低氮状态的可持续发展已成为各国正在解决的问题[2-3].家庭是城市的基本单元，家庭排氮量占城市排氮总量的30%～50%，而家庭排氮量的主要构成部分是日常出行排氮量[4].其中，非空间属性是影响日常出行排氮量最本质的因素.目前，关于家庭日常出行排氮量的非空间属性影响因素包括以下几方面：家庭成员人数、年龄、收入、受教育程度、工作单位、汽车保有量等.具体而言，通勤人数、家庭收入水平与日常出行排氮量成正比；年轻人会首选适于低氮发展的绿色公交出行；因职业和家庭汽车保有量而导致的交通方式改变直接影响排氮量；受教育程度对出行方式也有一定影响.在家庭成员人数方面，ALLISON等[5]利用居民出行行为的问卷数据，研究了家庭成员数与日常出行排氮量的关系，指出家庭人数与排氮量成正比.在家庭成员年龄方面，NGUYEN等[6]指出,年龄与日常出行排氮量呈倒U型，并在31～40岁时达到最大值.在家庭收入方面，BRAND等[7]认为，收入与日常出行排氮量成正相关，月收入高于1万元时排氮量达到最大.在受教育程度方面，BOADH等[8]指出，家庭成员受教育程度与日常出行排氮量呈倒U型，其中，大专学历家庭成员的日常出行排氮量高于本科学历.在工作单位性质方面，BUTENHOFF等[9]发现，就业性质对日常出行排氮量有不同程度的影响.在汽车保有量方面，KOUPAL等[10]和OLIVERA等[11]指出，选择公交出行的概率降低了29.1%.以上研究大多数从单一角度出发，鲜有从非空间属性进行全面深入分析.本文对上述各因素进行了集中研究，旨在为降低家庭排氮量和建设低氮城市提供理论参考.

有关研究表明，家庭日常排氮量较大的城市一般经济发达、人口密集.杭州是中国经济最活跃的城市之一，地处长江三角洲南翼，面积16 596 km2，2014年常住人口889.2万，GDP位于全国前茅.近几十年，杭州市人口和机动车数量的迅速增加带来了排氮量的增加，因此，研究杭州家庭日常出行氮排放的影响因素，控制排氮量、构建低氮城市将是杭州实现可持续发展的关键问题.

1 研究方法

1.1 问卷调查

随机预调查时间为2015年2～4月，调查区域基于杭州市空间格局、居住街区和人口密度分布等特点确定，在杭州市主城区(兼顾城郊区)发放“低氮城市家庭日常出行”问卷共500份，回收有效问卷469份；正式调查时间为2015年7月6～9日，发放问卷共1 500份，回收有效问卷1 400份.调查问卷内容包括：家庭成员属性、居住环境、日常出行方式、家庭生活能耗种类、居民降耗意识，用此数据计算杭州市家庭日常出行排氮量.

1.2 家庭日常出行排氮量估算

对于家庭成员日常交通出行排氮量估算有2种方法，主要参照机动车排氮量:

基于机动车消耗燃料：

A1=R×n，

(1)

其中，A1为机动车排氮量，R为耗燃量，n为排氮因子[12].

出行距离：

A2=S×n，

(2)其中，A2为排氮量，S为行驶里程，n为排氮因子[13].

式(1)中不同区域、气候、路况等的差异均会直接影响交通能耗以致影响氮排放量的估算精确度，而式(2)因考虑了出行距离计算排氮量，可较好地弥补式(1)的不足.因此，本文采用不同方法计算不同出行方式的氮排放量.具体为(1)居民私家车出行，(2)出租车、摩托车等出行.

以一个家庭为例，氮排放量A=Ai×m，式中A为排氮量，m为人数.

当成员一与成员二分别开车上班时，i=1，m=2；当成员一或成员二开车上班时，i=1，m=1；当成员一与成员二以其他方式上班时，i=2，m=2；当成员一或成员二以其他方式上班时，i=2，m=1.

1.3 相关分析和回归分析

对表征家庭成员属性的变量与家庭出行排氮量做相关分析，本研究选用最优尺度(OS)回归分析，自动将分类变量转换为数值型研究变量间的影响机制和因果关系.即利用SPSS17.0，分2次建立多元回归模型.第1次，以家庭日常出行排氮量为因变量，家庭成员属性为自变量，分析二者的相关关系，以确定排氮量在统计水平上的影响.第2次，研究家庭成员属性对居民日常出行排氮量的影响.

2 研究结果

2.1 家庭成员属性与日常出行排氮量

2.1.1 年龄与出行排氮量

图1为家庭成员年龄段与出行排氮量的关系，成员一和二分别指丈夫和妻子(下同).

各年龄段排氮量均表现为成员一大于成员二，同时，最大排氮量组为31～40和41～50岁.

图1 年龄与日常出行排氮量Fig.1 The age and daily travel nitrogen emission

2.1.2 月收入与出行排氮量

由图2可知，对不同月收入的家庭出行排氮均量趋势进行预测，R2=0.990 8，曲线拟合效果非常好.表明家庭月收入与日常出行排氮量呈显著的非线性正相关，其中，收入在15 001～20 000元和20 000元以上时斜率最大，排氮量陡增.

图2 月收入与日常出行排氮量Fig.2 The income per month and daily travel nitrogen emission

2.1.3 受教育度与出行排氮量

如图3所示，成员一和二为硕士时，排氮量均为最大值；为博士时，排氮量有所下降.其中，成员一和二的排氮量分别为大专和本科、本科和硕士时陡增.

图3 受教育度与日常出行排氮量Fig.3 The education level and daily travel nitrogen emission

2.1.4 就业单位与出行排氮量

图4显示，成员一的日常出行排氮量最大值和最小值分别出现在政府机关和国有企业，成员二分别对应外企和个体.

图4 就业单位与日常出行排氮量Fig.4 The employment occupation and dailytravel nitrogen emission

2.1.5 户籍与出行排氮量

图5显示，杭州城市户口的家庭出行排氮量是农村户口的2.6倍，杭州农村户口的家庭出行排氮量低于平均值.

图5 户籍与日常出行排氮量Fig.5 The family households and daily travelnitrogen emission

2.1.6 汽车保有量与出行排氮量

由图6可知，有车家庭的出行排氮量是无车家庭的16倍，有车和无车家庭的出行排氮量分别是平均值的4.1倍和0.25倍，汽车所产生的排氮量显著大于其他交通工具.

图6 汽车保有量与日常出行排氮量Fig.6 The family cars ownership and dailytravel nitrogen emission

2.2 相关分析

由表1可知，日常出行排氮量与汽车保有量呈强显著相关(r=0.895)，与其他变量的相关系数从高到低依次为：家庭月收入(r=0.370)、成员二受教育度(r=0.241)、成员一受教育度(r=0.192)、成员二就业单位(r=0.118)、户籍(r=0.091)、人数(r=0.086).

表1 家庭成员属性变量与日常出行排氮量的相关分析

注**在p<0.01水平上显著相关，*在p<0.05水平上显著相关.

2.3 回归分析

2.3.1 OS回归分析

表征家庭成员属性的变量经最优尺度转换后(见表2)，最终模型表达式为Y=0.106a1+0.197a2+0.007x1+0.011x2+0.033x3+0.033x4+0.064x5+0.033x6+0.079x7+0.033x8+0.083x9+0.969x10.由F检验Sig值可知(见表3)，除成员一和二出行方式、家庭月收入、成员一年龄、成员一和二就业单位、成员一和二受教育度(p<0.001)外，其他2项未达显著水平(p>0.05).

表2 变量最优尺度转换后的分值分布

同时，按照自变量诠释日常出行排氮量的贡献度排序，依次为家庭汽车保有量、成员二和一出行方式、成员二受教育度、就业单位、年龄. 即家庭汽车保有量对日常出行排氮量影响最大；成员二和成员一的标准系数相比，成员二的受教育度(B=0.083)、就业单位(0.079)和年龄段(B=0.064)均分别大于成员一的受教育度(B=0.033)、就业单位(0.033)和年龄段(B=0.033).

2.3.2 OS零阶相关性和容差分析

如表4所示，家庭汽车保有量表现出最大的偏相关性(0.801)，说明若忽略其他变量的影响，家庭汽车保有量诠释了因变量(0.801)2=64.1%的差异.其次，成员二受教育度(0.122)、出行方式(0.112)、成员一出行方式(0.109)也有较大的偏相关性，说明若忽略其他变量影响，成员二受教育度、出行方式、成员一出行方式可分别诠释因变量(0.122)2=1.46%，(0.112)2=1.29%，(0.109)2=1.26%的差异.同时，在回归分析中，变量对其重要性大小依次为：家庭汽车保有量(0.855)、成员一和二出行方式(0.075和0.017)、家庭月收入(0.015)等.

表3 最优尺度回归模型参数

表4 最优尺度回归模型中变量相关性和容差分析

3 结论与讨论

本研究以杭州为例，通过相关性和回归分析，研究了家庭日常出行排氮量与家庭成员属性的关系.就城市角度而言：严格执行相关法律法规，通过技术手段和调整产业结构，改变生产和生活方式，高效利用能源.就家庭和个人角度而言，应倡导“绿色出行、公交优先”，将低氮理念融入生活.

3.1 不同年龄家庭成员的日常出行排氮量存在差异.成员一和二均在31～40岁和41～50岁的排氮量最大，与NGUYEN等[6]的研究结论基本一致.主要原因是在此年龄段的主要家庭成员需要保持工作出行.同时，家庭收入水平与日常出行排氮量成正比，这与一些学者如BRAND等[7]的研究结果一致.当月收入超过15 001元时，排氮量陡增.这可能是因为达到这一收入水平的家庭有能力选择宜居的城郊生活环境，且倾向于更多的户外活动和出行，因而更易选择私家车方式出行.

3.2 家庭成员受教育程度、就业单位对日常出行排氮量也有影响.其中，成员二对其影响大于成员一.成员一无论是否受教育，一般是社会的主力和家庭的主要经济来源，出行频率高；成员二受教育程度越高，就业率越高.成员一和二为硕士时，排氮量均为最大值.这是因为获得硕士学历的多为事业有为人士，出勤率较高.而博士的排氮量有所下降，因为其就业单位一般为高校和研究机构，家庭和工作地点较近.同时，在就业单位性质方面，成员一的日常出行排氮量最大值对应的就业性质为政府机关，这是由于政府机关的外勤工作主要是由成员一承担，文职工作主要由成员二承担.

3.3 家庭户籍与日常出行排氮量也有关联.杭州城市户口的家庭出行排氮量是农村户口的2.6倍，杭州农村户口的家庭出行排氮量则低于平均值.同时，汽车保有量与日常出行排氮量存在显著正相关.有车家庭的出行排氮量是无车家庭的16倍，有车和无车家庭的出行排氮量分别是平均值的4.1倍和25%，汽车所产生的排氮量显著大于其他交通工具.由此可知，城市和农村、有车和无车在能耗总量方面均存在较大差异.

[1] ANGRISANI G, ROSATO A, ROSELLI C, et al. Influence of climatic conditions and control logic on NOxand CO emissions of a micro-cogeneration unit serving an Italian residential building [J]. Applied Thermal Engineering,2014,71(2):858-871.

[2] CHAN K L, HARTL A, LAM Y F. Observations of troposphere NO2using ground based MAX-DOAS and OMI measurements during the Shanghai world expo 2010 [J]. Atmospheric Environment,2015,119:45-58.

[3] 陈成忠，葛绪广，孙琳，等．物种急剧丧失·生态严重超载·跨越“地球边界”·区域公平失衡·“一个地球”生活-《地球生命力报告2014》解读[J]．生态学报，2016,36(9)：2779-2785. CHEN C Z, GE X G, SUN L, et al. Rapid species loss, severe ecological overshoot, crossed planetary boundaries, unfair regional consumption, one planet living-“main results of the living planet report 2014” [J]. Acta Ecologica Sinica,2016,36(9)：2779-2785.DOI:10.5846/stxb201501250196.

[4] 赖敏，王伟力.社会经济系统氮素流动及其环境负荷[J/OL].中国人口·资源与环境,2015，25(12)：15-24.http://www.cnki.net/kcms/detail/37.1196.N.20151208.1308.006.html. LAI M, WANG W L. Environmental loading of anthropogenic nitrogen flow: A case study of urban agglomeration on the middle-lower Yangtze River Belt [J/OL]. China Population, Resources and Environment,2015，25(12)：15-24. http://www.cnki.net/kcms/detail/37.1196.N.20151208.1308.006.html.

[5] ALLISON M L, JAMES N G, ALBERT B, et al. A N footprint model to help consumers understand their role in N losses to the environment [J]. Environmental Development,2012,1(1):40-66.

[6] NGUYEN H T, KIM K H, PARK C. Long-term trend of NO2in major urban areas of Korea and possible consequences for health [J]. Atmospheric Environment,2015,106:347-357.

[7] BRAND C ， PRESTON J M. “60-20 emission”-The unequal distribution of greenhouse gas emissions from personal, non-business travel in the UK [J].Transport Policy,2010(1):9-19.

[8] BOADH R, SATYANARAYANA A N V, RAMA KRISHNA T V B P S. Sensitivity of PBL parameterization schemes of weather research forecasting model and coupling with AERMOD in the dispersion of NOxover Visakhapatnam (India) [J]. Asia-Pacific Journal of Chemical Engineering,2015,10(3):356-368.

[9] BUTENHOFF C L, KHALIL M A K, PORTER W C. Evaluation of ozone, N dioxide, and carbon monoxide at nine sites in Saudi Arabia during 2007 [J]. Journal of the Air and Waste Management Association,2015,65(7):871-886.

[10] KOUPAL J, DEFRIES T, PALACIOS C. Motor vehicle emissions simulator input data: Evaluation and sensitivity analysis of data submitted for 2011 national emissions inventory [J]. Transportation Research Record,2014,2427:63-72.

[11] OLIVERA A C, GARCI′A-NIETO J M, ALBA E. Reducing vehicle emissions and fuel consumption in the city by using particle swarm optimization [J]. Applied Intelligence,2015,42(3):389-405.

[12] WANG H K, FU L X, CHEN J C. Developing a high-resolution vehicular emission inventory by integrating an emission model and a traffic model: Part 2-A case study in Beijing [J]. Journal of the Air and Waste Management Association,2010,60(12):1471-1475.

[13] AIT-HELAL W, BEELDENS A, BOONEN E. On-road measurements of NMVOCs and NOx: Determination of light-duty vehicles emission factors from tunnel studies in Brussels city center [J]. Atmospheric Environment,2015,122:799-807.

LYU Yue1, 2, CHEN Zhongqing1, 2

(1.SchoolofCivilEngineering,ShaoxingUniversity，Shaoxing312000，ZhejiangProvince,China； 2.CentreofRockMechanicsandGeologicalDisaster，ShaoxingUniversity，Shaoxing312000，ZhejiangProvince,China)

A questionnaire of “How the daily travels of urban families affect the nitrogen emission in 2015” was carried out in Hangzhou, including factors related to family members’ age, income, education, occupation, type of family households and family cars ownership. Methods of correlation analysis and optimal scaling regression analysis were used in this study. The results obtained are as follows: (1) all the attributes of the family members have impact on the amount of nitrogen emission in daily travel, e.g. ,families with both members aged between 31-50 incur the largest amount compared with other ages , and when the family income was in 15 001-20 000 yuan or above, the amount increased dramatically, the education level of the second member affects the amount more than that of the first member , and the amount of nitrogen emission also depends significantly on the occupations of both members, Furthermore, the total amount of nitrogen emission of urban households accounts for 2.6 times compared with rural households, and that of families with cars accounts for 16 times than otherwise; (2) influence factors in a descending order are as follows: family cars ownership, transportation manner, educational level of the second member , occupation and family members’ age, respectively. This study could provide a useful reference for the construction of urban with low nitrogen emission.

nitrogen emission in daily travel; influence factors; correlation analysis; regression analysis; Hangzhou

2016-01-04.

浙江省公益技术研究项目(2016C33052);绍兴市公益技术研究项目(2015B70034，2015B70035).

吕 越(1982-)，ORCID:http://orcid.org/0000-0002-6505-6422,女，博士，讲师，主要从事生态环境与可持续发展研究，E-mail:53048830@qq.com.

*通信作者，ORCID:http://orcid.org/0000-0002-8672-0329,E-mail：723823066@qq.com.

10.3785/j.issn.1008-9497.2017.01.017

X 24

A

1008-9497(2017)01-121-06