北京市居民家庭日常出行碳排放的量化分布与影响因素.doc

北京市居民家庭日常出行碳排放的量化分布与影响 肖作鹏1 柴彦威1 刘志林2 1．北京大学城市与环境学院2．清华大学公共管 【摘要】本文采用2007年北京市居民活动日志调查数据，对北京市居民家庭工作日出行碳排放进行了测算，采用分等定级和洛伦兹曲线模拟的方法，分析家庭日常出行碳排放的个体间、社区内和社区间分异。研究表明，个体间差异总体比较符合60／20分布法则，社区内的碳排放差异指数较大，内城单位社区和胡同社区家庭普遍低碳出行。 【关键词】居民家庭；碳排放；量化分布；Logistics模型；北京市 1 引言 城市空间重构与郊区快速蔓延，交通拥挤与交[1-4]。 相比于传统的汇总研究，非汇总的离散模型能[5-7]，发现各类型因子的边际强度[8]，同时控制相[9](Smith)，从而[10]，实现(Brand)等以英国为60／20”分布规律，即60％左右的碳20％的高碳排放者、20％左右的高碳OLS回归模型发现这与[5，6]。萨斯洛(Susilo)10％的居民排放了整50％左右的碳，因此呼吁针对居民(VBC，Voluntary BehaviorChange)[11]。高(Ko)对首尔的研究表明，前10％的63％左右的交通碳排放，并使Tree Logistics模型挖掘居民社会经济属性与出行[12]。麦克纳马拉(McNamara)等使Binary Logistics模型，试图发现影响爱尔兰居民20％碳减排的政策目标的影响因素，[13]。 综上，从个体、非汇总的微观视角来理解日常(交通方式、出)的构成结构，分析个体间、组别内、组别间(Personal Carbon Allowance，PCA)[14，15]、碳交易许可(Personal tradable carbon permits)[16，17]、碳税(Carbon tax)[18]等政策的调控区间及实施效果，促[10]。这种面向实施的非汇总实证[19]，以实现城市交通低碳 对转型期中国城市而言，新旧多重因素作用交 本文基于转型期中国城市空间组织模式多元2007年北京市居民Ordinary Logistics模型挖掘日常出行变 2 研究数据与方法 2．1 研究区及数据 研究以北京为例，采用北京大学行为地理学研2007年600户家庭居民活动日志调查数据。10个小区，分别有2个内城胡同社区、42个郊区商品房社区和2个郊区60户家庭，并对每16岁以上成员的休息日(星期日)和工作(星期一)的活动日志进行记录，共600份，有效520份，问卷有效率为86．66％。问卷信息24小时内的出行行为记录。本文单就工作日常503份有效问卷，83．83％。剔除部分非常规性出行记(如出差、轮休、旅游等)，共计3473项记录，构成 本研究考虑到研究样本数量的统一性和社区2个杂化明显的单位社区，共8个社395户。研究社区在区位特点、建设(表1)。由于居民社会经济属性同质性不 2．2 研究方法 参考相关文献，研究认为家庭日常出行碳排放[20]。居民家庭日常出行的时空间特征是家[21]。通过家庭(图1)。 依照上述框架，研究拟利用出行日志数据，计logistics模型，分层导入(Ordered)logistics回归模型是有效拟合反应变量为有序多分类变量的离散模型之一，其基本方程如下[22，23]：link()，logistics拟合函数； yij，j分类条件下样本i的累积概率； θj，j分类条件下的截距值； β1…βp，回归系数；p，回归变量标度； 以4水平的反应变量为例，假设反应变量的取1，2，3，4，相应取值水平的概率为π1，π2，3，π4，对P个自变量拟合的3个模型如下： 本文研究根据计算得出家庭日常出行碳排放4类，运用模型估计多层次变量对家Stata软件，采用最大似然法进行模型 3 居民家庭出行碳排放的量化分布 3．1 日常出行特征变量及其碳排放的测算 使用Microsoft SQL软件，执行多条件筛选命(Ntrip)和出行总距离(Dsum)。为统一分2中的5类，交叉计算Nj，根据公式(5)计算单个(Pj)，令变量(Pauto)为家庭 当Nj=0，k=1+ε，ε为无穷小量；当Nj0，k=0；Nj为使用交通方式j的频数，Nt为总出行频数[24]。 对个体出行碳排放的估算方法，国际上通行做[25]。本研究依据目前占有2006年TREMOVE2．4手册[26]，整理出适用(表2) 同时，基于数据精度、简化计算及实际意义考(6)，汇总计算居民家庭日CEpf。 其中，Wj表示交通方式j的碳排放强度(g／km)，Sjj