低碳城市空间结构Word文件下载.docx
《低碳城市空间结构Word文件下载.docx》由会员分享,可在线阅读,更多相关《低碳城市空间结构Word文件下载.docx(20页珍藏版)》请在冰豆网上搜索。
以北京为例,2009年北京市机动车保有量已达到400万辆,且目前仍以日均增加1300辆的速度快速增加。
其中,私家车又占到将近80%左右的比重,即北京市平均每1.75个家庭拥有一辆私家车。
尽管城市道路建设速度也在不断提升,但仍无法满足日益增长的交通需求。
以北京市主要环路的交通承载能力为例,二三四环路在完全排满的情况,至多也只能容纳22.4万辆车,仅占400万辆车的5.6%。
与此同时,但城市规划和管理者缺少对未来不确定因素的考虑,规划被动的跟着发展走,城市无序扩张、空间功能错配加重了交通拥堵问题。
以北京为例,就业者平均通勤时间(单程)为52分钟(《2010中国新型城市化报告》,2010),高于美国最拥堵的城市纽约(31分钟))(美国普查署,2006),也远高于欧洲通勤时间最长的城市伦敦(22.5分钟)(RAC,2003)。
机动车保有量的迅速增加,以及交通拥堵所导致的车速缓慢,汽油燃烧效率偏低等,都大大增加了城市交通的能源消耗、空气污染与碳排放量,城市交通的环境成本日益突出。
据统计,2008年北京全年首要污染物可吸入颗粒物中,50%以上来自燃料燃烧产生的污染,其中又以机动车尾气排放为主。
尽管目前尚没有中国城市交通碳排放的权威数据,但可以想象,如此高强度的能源消耗必然产生大规模的温室气体排放。
目前,“低碳城市”已经成为国内外学术界和产业界的关注热点,但现有研究还主要集中在阐述相关理念及设计原则,缺乏细致的实证研究。
在居民生活水平迅速提高和汽车产业蓬勃发展的大背景下,中国城市中私家车拥有率必然会以较快的速度上升。
试图通过维持私家车的低拥有率来解决交通拥堵和环境问题,是不现实的。
因此,探讨在“汽车社会”中,怎样的城市空间结构具有更好的低碳效果,有很好的意义。
本文的实证研究数据来自于2009年9月清华大学房地产研究所开展的北京城市家庭“出行能耗与居住环境”调查,共涉及北京市38个社区826个居民家庭。
由于目前国内还没有对私家车碳排放水平的量化估算,我们将首先利用调查数据估算北京市居民家庭私家车碳排放量;
之后在控制家庭社会经济特征的基础上,分析影响家庭拥有私家车概率和私家车碳排放水平的城市空间特征,试图回答“从私家车出行的角度看,怎样的城市空间结构具有更好的低碳性?
”,并探讨这些发现在城市规划和城市管理上的政策含义。
二、相关文献述评
许多学者已经针对城市空间结构的低碳出行效果,开展了丰富而深入的实证研究。
他们普遍认为,居民出行的交通碳排放主要受家庭特征和城市空间结构特征两方面因素的直接影响,同时后者也会通过改变人们的行为方式,间接影响城市交通的低碳效果。
家庭特征(特别是家庭收入水平)是影响城市交通碳排放的重要因素。
学者的实证研究结果表明:
收入水平越高的家庭,其购买私家车的概率越大,且购买私家车后使用强度也往往越高。
Kahn(2006)以1996年世界158个国家的数据为研究基础,发现私家车拥有率的收入弹性为0.91,即人均收入每增长10%,私家车拥有率则相应增长9.1%。
Kahn(2000)针对美国都市区家庭的研究结果表明,私家车行驶里程的收入弹性超过1,即私家车行驶里程的增长速度超过家庭收入的增长速度。
相对于家庭特征,我们更关注的是城市特征,特别是城市空间结构特征(即城市经济活动的空间分布特点,特别是居住地的就业可达性和城市设施可达性)如何通过影响居民的出行行为,最终影响城市交通碳排放。
此外,很多学者就城市空间结构形式对城市交通碳排放的影响效果开展了大量实证研究,并普遍认为:
紧凑型的城市空间结构形式,往往伴随有居住地与就业地及公共服务设施之间较高的空间匹配程度,这有利于减少居民交通需求(包括降低私家车拥有率以及私家车使用强度),并会引导家庭使用能耗水平更低的汽车类型,以最终实现减少城市交通碳排放(NewmanandKenworthy,1999;
ErlingandIngrid,2005;
EwingandRong,2008)。
GlaeserandKahn(2008)通过对美国66个大都市区进行研究发现:
家庭居住在城市郊区要比居住在城市中心区更容易选择私家车出行,且往往由于居住地与就业地的距离较长,增加了私家车的汽油消耗与碳排放量。
Kahn(2000)的研究同样表明,家庭规模和收入水平相当的家庭,住在郊区的年均驾驶量比住在中心城市的多31%。
一些学者还定量研究了城市人口密度(即城市空间紧凑程度)对城市交通碳排放的影响效果。
BhatandGuo(2007)利用旧金山湾地区微观样本数据建立居住选址与家庭私家车用量的联合模型,发现街区密度对私家车拥有率的影响显著为负。
Davidetal.(2009)以2001年美国家庭出行调查中加州地区的数据为基础,构建土地利用与交通的联合模型,发现从居住密度来看,每平方英里减少1000人(约为40%的样本均值),家庭会增加1200英里的汽车出行距离(较原来上涨4.8%)以及65加仑的燃料消耗(较原来上涨5.5%)。
此外,居住在城市中心区和城郊的居民,通常也会选择能耗水平不同的汽车,这同样会对交通碳排放产生重要影响。
美国2001年进行的针对全国家庭旅行调查显示,19.1%的郊区家庭拥有SUV,但城市家庭中这一数据仅为12.1%。
即使是收入水平相同的情况下,郊区居民拥有SUV的可能性也要高于居住在中心城市的家庭。
较西方国家城市而言,中国城市目前人口密度相对偏高,而家庭私家车拥有率却相对偏低。
但是,随着家庭收入水平的提高,中国城市私家车拥有率的快速上升正成为必然的发展趋势。
值得关注的是,中国城市目前的发展趋势,是否会像西方国家城市那样产生类似的结果呢?
霍燚等(2010)通过对北京市居民私家车碳排放的研究发现:
随着居住地与城市就业中心空间距离的增加,居住地的就业可达性也随之下降,这会显著提高居民购买私家车的可能性。
Zhengetal.(2009)对中国74个城市的居民交通出行碳排放进行了分析,在控制微观层面的家庭特征后,发现城市经济发展水平与私家车碳排放之间显著正相关,并认为这可能与富裕城市往往建造更多的道路等基础设施有关;
此外,城市人口密度与出租车碳排放、公交车碳排放呈显著负相关关系,且平均每平方公里增加1000人(约为19%的样本标准差)会减少家庭出租车碳排放0.424吨,减少公交车碳排放0.837吨。
这可能是由于较短的平均出行距离或更有效的城市交通系统——如同美国的情况,紧凑型城市的发展有助于降低交通碳排放水平。
三、北京市居民出行选择与私家车碳排放
(一)数据基本情况
本文的数据来自于清华大学房地产研究所于2009年9月开展的北京居民家庭“出行能耗与居住环境”的调查数据。
该调查以北京市住宅社区的家庭为调研对象,采用配额抽样的方法获取样本,并尽量保证样本的均匀性。
调研中,我们从社区的住房类型和社区所在行政区的人口规模这两个维度,建立配额特征矩阵。
其中,住房类型关注三类:
房改房、商品房以及经济适用房。
资料显示,目前北京市的存量住房中,三者的比例大致为4:
5:
1,我们据此确定抽样调查中的配额比例。
社区所在行政区的人口规模则是参考北京市统计局公布的2007年各区常住人口密度以及常住人口总量的统计数据,并按照由内向外的顺序,将北京城区划分为三个圈层,按照其人口数量确定抽样调查的配额比例2:
8:
3,最终得到社区个数的配额分配表(表1)。
总计调查了38个小区(小区分布见图1),共获得有效样本826个。
本论文涉及的主要变量及基本统计量如附表1所示。
表1社区抽样调查配额分配表
第一圈层
第二圈层
第三圈层
总数
房改房社区个数
6
21
8
35
商品房社区个数
经济适用房社区个数
1
2
3
社区总数
22
10
38
(二)北京市居民出行选择特征
本文以调研数据为基础,对北京市居民日常通勤的基本特征进行描述性统计分析。
图1住宅社区空间分布图
数据来源:
清华大学房地产研究所“家庭出行能耗与居住环境”调查
如图2所示,公共交通(包括公共汽车和轨道交通)作为北京市居民出行所选用的重要交通工具,满足了31.4%家庭的通勤需求,但由于选用公共交通出行的群体,其收入水平往往偏低,居住地与就业中心距离也往往较远,因此平均单程通勤时间较长,分别达到49分钟和57分钟。
北京市居民选择出租车或单位班车完成日常通勤的比重占到9%,平均单程通勤时间为31分钟。
此外,正如前文所述,收入水平的提高,诱使更多的私家车进入家庭,目前已有32%的家庭选择采用私家车完成日常通勤,其平均单程通勤时间为33分钟。
北京市居民选择自行车和步行等“绿色”出行方式完成通勤的家庭比重为26.6%,采用这种通勤方式的家庭,其居住地与工作地距离往往较近,通勤时间也相对较短(平均单程时间分别为20分钟和11分钟)。
图2北京市居民通勤方式与通勤时间关系图
图3北京市居民不选择公共交通出行的各原因比重(左)
图4北京市开车通勤居民若选择公共交通通勤时后者需节省的时间(右)
北京市目前正在大力推进城市公共交通发展,并希望能够在2015年前后,使公共交通满足50%城市居民的出行需求。
但是,从调研结果中可以看到,目前这一比例仍相对偏低,仅为31.4%,与目标相去甚远。
调研针对居民不选择公共交通出行的原因进行了相应问题设置,结果显示:
舒适程度偏低(过于拥挤)、等待时间过长以及就近换乘不便(倒车不方便),分别占到31.2%、27.9%和22.8%,成为居民不选择公共交通出行的三个主要原因。
此外,另有10.3%和5.6%的居民认为,缺乏灵活性(不自由)和安全性(不安全),是他们不选择公共交通出行的主要理由(见图3)。
公共交通便捷性的增强,会改变居民的出行方式,从而提高居民(特别是目前选择私家车通勤的居民)选择公共交通出行的比例。
在调查中,我们特别询问了那些选择私家车通勤的出行者,当公共交通比私家车通勤节省多长时间时,会转而选择公共交通上下班。
共有63.1%的私家车出行者会在公共交通更为便捷的情况下,会选择公共交通上下班。
其中,当公共交通较私家车节约时间在15分钟以内、15-30分钟和30-45分钟时,分别有23.6%、25.9%和13.6%的私家车出行者转而选择公共交通上下班。
而余下的36.9%的私家车出行者并不会因为公共交通便捷程度的提高而放弃私家车,这可能是由于他们很看重私家车出行较高的舒适度,需求较为刚性(见图4)。
(三)北京市私家车碳排放水平的估算
北京市交通碳排放主要由私家车和公共交通(包括公共汽车和轨道交通)组成。
由于目前我们缺乏公共交通碳排放的估算方法,因此本文将以私家车碳排放作为研究对象,公共交通碳排放有待后续研究。
本部分将分别介绍北京市私家车碳排放的估算方法与估算结果。
1、私家车碳排放估算方法
私家车碳排放的估算主要是从其汽油消耗量出发,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。
具体估算步骤见下:
我们分别采用下面的公式估算碳排放量:
C=CE÷
GP×
CF
(1)
其中,C表示私家车碳排放量;
CE表示私家车汽油花费;
GP表示93#汽油单价;
CF表示单位汽油消耗的碳排放量。
单位汽油消耗的碳排放量由下式得出:
CF=NCV×
DCC
(2)
其中,CF表示单位汽油消耗的碳排放量;
NCV表示汽油的平均低位发热量;
DCC表示汽油的潜在排放因子。
2、私家车碳排放估算结果
基于上述估算方法,本文利用北京市38个住宅小区826个家庭的微观样本数据,估算得到2009年北京市私家车碳排放的相关数据,表2给出了估算结果的若干统计量。
可以看到,北京市共有47.6%的家庭使用私家车出行,碳排放均值为4.1吨/户。
表2北京市私家车碳排放估算结果统计
分项名称
样本量
家庭生活碳排放量统计值(吨/户)
均值
标准差
最大值
最小值
私家车
393
4.104
3.655
29.489
0.084
从上述计算过程可以看出,私家车碳排放量与其汽油消耗量成完全的线性关系。
因此,分析私家车碳排放量的影响因素,实际上就是分析私家车汽油消耗量(能源消耗)的影响因素。
但私家车碳排放量(汽油消耗量)与行驶公里数并不是直接的线性关系。
在道路较为拥堵的时候(车速较慢),每公里的耗油量与碳排放量都会较多(见图5)。
因此,对私家车碳排放量的分析,综合了行驶路程和行驶速度两方面的因素,更好的反映了能源消耗水平。
图5私家车行驶速度与单位里程汽油消耗量关系图
IPCC2006GuidelinesforNationalGreenhouseGasInventories
(四)家庭特征与私家车拥有率及其碳排放的相关性
正如前文所述,私家车拥有率及其碳排放水平受到家庭特征的显著影响。
本部分将初步探讨两个重要的家庭特征,即收入水平与年龄结构,对家庭是否购买私家车以及购车后的碳排放水平的影响。
图6北京市家庭收入水平和户主年龄与私家车拥有率关系图
收入水平是影响家庭是否购买私家车的重要影响因素。
随着收入水平的提高,家庭逐渐倾向于选择更为舒适的出行工具,这会显著增大购买私家车的可能性。
如图6(左)所示,月收入在8千元以下时,仅有31.7%的家庭选择购买私家车;
而当月收入水平上升至8千至1.5万元时,家庭购车概率迅速提高,达到63.8%;
当收入水平继续增长时,家庭购车可能性继续显著增大,月收入在1.5万-3万之间与超过3万元的家庭,其购车概率分别达到83.1%和86.4%,远高于47.6%的平均水平。
年龄结构对私家车拥有率也产生显著影响,本文使用户主年龄来表征家庭年龄结构。
调研结果显示:
北京市家庭户主平均年龄为45岁。
户主年龄对家庭私家车拥有率的影响如图6(右)所示,随着户主年龄增大,家庭购车概率呈现先增大后减小的变化趋势。
具体来讲,户主年龄小于35岁的家庭,私家车拥有率为48.3%;
户主年龄处于36-45岁的家庭,私家车拥有率最高,达到63.1%,而户主年龄处于46-55岁与大于56岁的家庭,私家车拥有率分别为43.2%和36.6%。
此外,对于已经拥有私家车的家庭,其汽油消耗与碳排放量也受到收入水平的显著影响。
如图7所示,随着收入水平的提高,家庭对私家车出行的依赖程度也会相应提高,并会带来更多的汽油消耗与碳排放量。
其中,收入水平最高的家庭(月收入超过3万元),其私家车碳排放量是平均水平的1.69倍,更是收入水平最低家庭(月收入不足8千元)的2.16倍。
图7北京市家庭私家车碳排放与家庭收入关系图
四、北京市私家车碳排放模型的实证估计
(一)变量选择
我们更关心的是城市空间结构特征对于居民选择是否开车出行,以及私家车碳排放的影响效果。
在实证中,我们选择了这样一些变量来度量城市空间结构(变量名称及描述性统计量见附表1和附表2)。
(1)居住地与城市中心的距离。
我们缺乏北京市就业空间分布的详细微观数据,但Anasetal.(2008)认为,北京市仍然近似于单中心城市,就业机会在城市中心附近区域的集中程度较高。
因此,我们用此变量来反映与就业中心的距离。
同时,由于历史路径依赖性,北京市的城市公共服务(如公共交通、医疗、教育等)仍然在很大程度上集中分布在内城,因此与城市中心的距离也可以反映到这些公共服务的可达性。
可以预期,居住地与城市中心的距离越长,就业可达性和公共服务可达性越差,居民选择开车出行的可能性越大。
(2)居住地与临近主要公共交通站点(包括主要公共汽车站点和轨道交通站点)、购物场所(包括主要大型购物中心和大型超级市场)、主要医疗场所(包括二、三级医院)和重点学校(包括重点小学、初中和高中)的距离等。
图8-图11给出了这些城市设施的空间分布。
如上所述,北京市的这些城市设施往往较大比例地集中在内城,因此这些距离变量之间的相关性比较强,如表3所示。
表3城市设施空间分布的相关性分析表
城市空间结构
特征变量
公共交通
购物中心
医疗机构
重点学校
1.0000
—
0.3031
0.5414
0.2685
0.9597
0.2622
0.5689
图8北京市轨道交通、主要公交站点以及重点小学、初中和高中空间分布图
图9北京市主要购物场所以及二、三级医院空间分布图
一个直观的判断是,人口分布与就业分布,人口分布与城市设施的空间匹配程度越差,居民的出行距离会越远,对开车出行的需求会越高,碳排放水平也会越高。
我们先用简单的相关性分析来进行初步验证。
以公共交通和重点学校为例,居住社区周边0.8公里内存在公共交通站点(轨道交通或主要公交车站)时,居民使用私家车所产生的碳排放仅为不存在时的86.6%;
而居住社区周边1公里内存在重点学校时,居民使用私家车所产生的碳排放也仅为不存在时的81.1%(见图12)。
图10北京市城市设施(公共交通与重点学校)与私家车碳排放关系
(二)私家车碳排放模型的Heckman两步估计
我们希望通过计量模型回答两个问题:
(1)什么样的出行者更倾向于选择私家车为主要出行方式?
(2)对于选择私家车的出行者,碳排放受到哪些因素的影响。
这是个典型的需要采用Heckman两步估计的计量模型。
第一步,建立Probit二元离散选择模型,因变量是出行者是否选择私家车为主要出行方式,在自变量中,我们考虑了四个主要的家庭社会经济特征变量——家庭收入、家庭规模(家庭成员个数)、出行者年龄、汽油费是否报销的哑元变量,以及若干城市空间结构变量。
第二步在第一步的基础上,将私家车出行者的碳排放量作为因变量,自变量中包含家庭特征和出行特征。
表4列出了模型的六套估计结果。
什么样的家庭更倾向于拥有私家车?
首先,我们可以看到私家车拥有概率的收入弹性非常显著,这里的系数是对数发生比,经转化后可以得到,收入增长10%,家庭购买私家车的概率将上升4.7%。
高收入者追求更为舒适的出行方式,同时购车能力也增加了。
这很好的解释了目前中国城市中私家车拥有率快速上升的现象。
年龄结构(本文中采用户主年龄表征)对于家庭购车概率的影响为,随着户主年龄增大,家庭购车概率呈现先增大后减小的变化趋势,且户主年龄为45岁的家庭,购车概率达到顶峰。
我们认为,购车概率随户主年龄增大而提高的过程,主要是由于成家有小孩后,家庭的出行需求增大导致;
而购车概率随后下降则可能是当家庭结构老龄化后(户主年龄进一步较大),出行需求下降所致,可以说,购车概率变化的过程受到了家庭生活周期特征变化的直接影响。
家庭规模的影响并不显著。
我们更关心的是城市空间结构特征(本文主要指居住地、就业地和城市公共服务设施的空间可达性)对于家庭是否购买私家车的影响效果,在模型中我们分别引入这些变量(见表4中的方程
(1),(3),(5),(7),(9),(11))。
我们首先引入居住地与城市中心距离(对数)这一变量(表4中方程
(1)),发现该距离越大,家庭购买私家车概率相对越大。
该距离每增加10%,家庭拥有私家车的概率上升3%,这验证了前面的分析。
由于目前北京市中心区域集中了大量的就业机会以及拥有较为完善的公共设施,居住在郊区的居民家庭,通常出行距离较长,这增大了其购车的动机。
表4私家车碳排放模型估计结果
EUQ:
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)
(12)
Variables
PROBIT
LCARC
LINCOME
0.953***
-0.095
0.955***
0.971***
-0.085
0.963***
0.957***
(12.20)
(-0.97)
(12.26)
(12.35)
(-0.86)
(12.25)
(12.14)
HHSIZE
0.077*
0.079*
0.066
0.032
0.074
0.073
(1.71)
(1.78)
(1.46)
(0.67)
(1.63)
AGE
0.058**
0.0