基于住房价格的通勤碳排放空间分异&#x02014;&#x02014;以济南市为例

袁玉娟; 刘清春; 马寒卿

doi:10.31497/zrzyxb.20210813

PDF(1475 KB)

自然资源学报 ›› 2021, Vol. 36 ›› Issue (8) : 2081-2094. DOI: 10.31497/zrzyxb.20210813

其他研究论文

基于住房价格的通勤碳排放空间分异——以济南市为例

作者信息 +

Spatial differentiation of the commuting carbon emissions based on a housing price perspective:A case study of Jinan city

Author information +

文章历史 +

摘要

住房价格能够影响居民的居住决策,进而影响其通勤碳排放。为研究住房价格与通勤碳排放的内在关系,构建住房价格影响个体通勤碳排放的理论模型,并利用“个体—街道”两水平线性模型,对济南市居民出行调查数据进行实证检验。研究发现：（1）通勤碳排放呈现出“中心低碳化、外围高碳化”,且外围趋于分化的空间格局。（2）住房价格通过虹吸效应影响居民的碳排放。具体表现为住房价格与碳排放负相关,外围低房价吸引居住者,而居住者的远程机动通勤导致外围高值碳排放;但住房价格的边际增碳程度随着远离市中心而先缓（距市中心 5 km）后增（距市中心5 km及以上）。（3）外围工资收入对虹吸效应起调节作用。工资水平较高的外围区域有利于实现职住平衡,抑制了虹吸效应,进而分化为碳排放的冷点区,工资水平较低的外围区域则分化为碳排放的热点区。研究认为,应通过多中心空间发展战略、提高居民的就业可达性、优化针对公租房的公共交通供给等措施,引导居民低碳通勤。

Abstract

Housing price dominates the residential location decisions, which in turn, has impacts on travel patterns and travel-related carbon emissions. Therefore, it is important to understand the effects of housing price on carbon emissions from commuting for low-carbon construction. In the paper, a theoretical model of residents' choices, housing price and carbon emissions from commuting is proposed. Then, this paper estimates the effect of housing price on carbon emissions from commuting by Multilevel Model at both individual and street levels based on data from the Jinan residents' travel survey. It is found that carbon emissions from commuting are lower in the central city but higher at outskirts, and housing price has siphon effect on carbon emissions. Specifically, the siphon effect shows that lower housing price in suburban areas leads to long commuting distance and motorization, which causes an increase in carbon emissions. Moreover, the marginal effect of housing on carbon emissions increases slowly within a 5 km distance from city center but rapidly beyond 5 km. Furthermore, we found that wages in suburban areas could moderate the siphon effect. It is easy for the suburban areas with rapid employment growth and higher wage to sustain jobs-housing balance, and less carbon emissions, but the suburban areas with lower wage tend to emit more. Overall, the government should pay attention to the polycentric spatial development, the improvement of the accessibility to work place as well as the transportation facilitation in public rental housing community in the low-carbon construction in the future.

导出引用

袁玉娟, 刘清春, 马寒卿. 基于住房价格的通勤碳排放空间分异——以济南市为例[J]. 自然资源学报, 2021, 36(8): 2081-2094 https://doi.org/10.31497/zrzyxb.20210813

YUAN Yu-juan, LIU Qing-chun, MA Han-qing. Spatial differentiation of the commuting carbon emissions based on a housing price perspective:A case study of Jinan city[J]. JOURNAL OF NATURAL RESOURCES, 2021, 36(8): 2081-2094 https://doi.org/10.31497/zrzyxb.20210813

通勤源于就业与居住空间的分离,也是交通部门的重要构成部分。根据IPCC的报告,交通部门是位列于能源部门和工业部门之后的温室气体排放源^[1]。因此,有效控制交通碳排放量是实现减排目标的重要挑战^[2]。然而,伴随着中国的快速城市化进程,城市中心区住房价格高启,大量的居民只能就业于中心区而择居于房价较低的郊区,职住分离不但增加了交通负担,还导致通勤碳排放剧增。这意味着,通勤碳排放并非是简单的交通部门减排问题,还涉及到居民如何组织其居住和就业空间的复杂过程。因此从住房价格视角重新审视通勤碳排放,探讨其影响通勤碳排放的微观机制,对实现城市减排目标具有重要的现实意义。

探究城市交通碳排放的影响因素是目前的研究热点。研究范式由“土地利用—出行特征”^[3]演变为“土地利用—出行特征—碳排放”^[4]。Boarnet等^[3]基于需求理论,认为土地利用影响出行特征,具体而言,交通需求是一种衍生需求,源于人们参与不同地点社会、经济活动的需要,土地利用以交通成本的形式对交通行为施加影响。随着交通行为的负面环境影响日益凸显,这一研究范式扩展为土地利用影响出行特征,进而影响交通碳排放^[4]。与之同步的是,研究方法逐步由基于空间的统计分析转向基于人的统计分析,具体来说从模拟仿真^[5,6]、集计分析^[7]和非集计分析^[8]等方法,转向较为复杂的计量模型,例如工具变量模型^[9]、结构方程^[4,10,12]、Heckman^[13]两步估计法等方法,在挖掘深层机制方面起了重要作用。这些研究一般使用土地利用和个体经济社会特征两类变量。基于这两类变量,研究结论也划分为两类：第一类结论认为土地利用是解释个体出行及其碳排放的关键因素。研究发现居民的出行嵌入特定建成环境,而建成环境的要素（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）决定了居民的出行成本,直接影响居民的出行模式,进而影响出行碳排放的时空特征^{[3,4,5,6,7,8,9,10,11,12,13]}。第二类结论认为个体的社会经济特征是居民出行碳排放的主要决定因素。不同收入、性别、家庭规模和家庭结构会生成异质性的家庭活动需求和交通需求,并对出行行为和碳排放产生重要影响^{[14,15,16,17]}。以上研究大多基于个体的出行决策,而现实中出行不仅受出行决策的影响,还受居住决策和目的地决策的制约。由于通勤是交通出行和碳排放的重要组成部分,本文从住房价格的视角,在居住、就业和通勤行为的决策体系内,系统地探讨两类变量对居民通勤碳排放的影响机制和影响程度。

近年来,新经济地理学模型在发展中逐渐纳入了住房消费,成为研究决策主体的居住、就业、通勤等空间行为以及空间均衡问题的有效方法,能较好地刻画基于决策主体利益最大化的空间权衡过程和结果,从而对微观个体的空间行为进行有力的解释^[18]。近年来,国内外学者利用新经济地理学理论针对个体行为决策和区域碳排放进行较为深入的研究。Tabuchi^[19]在“中心—外围”模型中引入通勤行为,使得职（中心区）住（外围区）分离的同心圆式的城市空间结构得以实现,并认为通勤成本与住房成本以此消彼长的方式影响居民的通勤和住房决策。Bruyne等^[20]在一个简化的线性城市模型中,讨论了居民的就业和居住行为的空间均衡过程和结果。沈能等^[21]基于新经济地理学理论,分析了经济集聚对碳排放的影响机制和影响程度。因此,在既有研究的基础上,本文在Bruyne等^[20]的模型中引入通勤碳排放变量,尝试性地在居住、就业和通勤行为的决策体系内,将住房价格对通勤碳排放的影响机制及影响效果进行数理阐释。其次,以2016年济南市居民出行的调查数据为样本,使用“个体—街道”两水平线性模型,在尽可能稳健的条件下为理论机制提供可靠的经验支持。

1 研究方法与数据来源

1.1 研究方法

1.1.1 理论机制

通勤是居民在居住地和工作地之间的位移,整个过程都会发生碳排放。为了简化分析,本文参照现有研究^[4,11-13],将碳排放发生的空间范围界定为通勤的起点,即居住地。

通勤碳排放的空间结构特征,本质上是居民在各种约束下进行职住、通勤等空间行为决策的结果^[22]。根据新经济地理学理论,城市中的房价一般呈现出由城市中心区向外围区衰减的空间格局^[23,24,25]。在这一空间格局下,居民将会权衡收入与通勤成本,其最优化的居住、就业和通勤行为的决策将导致通勤碳排放在城市尺度内发生变化（图1）。

图1 住房价格影响通勤碳排放的理论机制

Fig. 1 The mechanism of housing price affecting the commuting carbon emission

Full size|PPT slide

外围区的低房价意味着居民可以将收入更多地用于其他消费支出,从而提高了居民的相对效用和外围居住意愿。一方面,当居民通勤到中心区工作所得收入大于通勤成本时,居民倾向于到中心区工作,那么居民的远程通勤提高了私家车使用频率,从而增加了碳排放。因此,住房价格下降会促使职（中心）住（外围）分离和私家车使用,进而刺激通勤碳排放。另一方面,随着居民择居于更远的外围区,其通勤时间和通勤成本将进一步提高,居民不得不牺牲更多的闲暇,从而降低了其效用水平。当通勤成本高于在中心区的工作所得时,职住分离模式会变得不经济。居民会放弃市中心的工作机会选择近居择业,而拥有较高工资收入的外围区备受青睐,此时居民职（外围）住（外围）合一的模式将缩短通勤距离、减少私家车的使用,进而降低碳排放。因此,住房价格的边际增碳效应在城市尺度内是非均质的,会在外围区有条件地减弱。

1.1.2 理论模型

（1）模型假设

本文沿用Bruyne等^[20]的建模思路,用以分析住房价格对通勤碳排放的影响机制及影响效果。与其不同的是：第一,在模型中引入通勤碳排放变量,从而使隐含其中的碳排放空间逻辑得以显性表达。第二,借鉴了Su等^[26]关于通勤决策的设定,将通勤碳排放纳入居住、就业和通勤行为的决策体系进行解释。

假设1：一个封闭的城市包含两个区域：城市中心区

C

和一系列的外围区

P_{i}

,其间的距离连续,设为

d_{i}

。

假设2：外围居民的就业决策。一个外围区域

P_{i}

的代表性居民可以选择在本地工作,收入份额为

φ_{i}

;或通勤到中心区工作,收入份额为

1 - φ_{i}

。考虑到个人全部可支配时间

M

、闲暇时间

L

和通勤时间

C_{i}

,其平均收入Y可表示为：

Y = (M - L_{i}^{c} - C_{i}) [φ_{i} w_{pi} + (1 - φ_{i}) w_{c}] - (1 - φ_{i}) T_{si}

（1）

式中：

w_{pi}

、

w_{c}

分别为外围工资水平和中心工资水平;

T_{si}

为外围居民到中心区工作花费的通勤成本;

L_{i}^{c}

为外围居民到中心区工作时所拥有的闲暇时间。

假设3：外围居民的通勤决策。外围居民可以使用私人机动通勤（私家车、出租车等）和非私人机动通勤（步行、自行车、电动/助动车和公共交通等）两类通勤方式,其通勤成本为：

T_{si} = f_{si} + t_{si} d_{i}, (s = 1,2)

（2）

式中：

f_{si}

为固定成本;

t_{si} d_{i}

为变动成本。通勤决策依赖于通勤成本,当

d_{i} < \frac{f_{2 i} - f_{1 i}}{t_{1 i} - t_{2 i}}

时,居民选择非私人机动通勤,反之,居民会选择私人机动通勤。

两类方式的通勤碳排放

E_{s i}

可以表示为通勤距离乘以单位距离的碳排放因子

e_{si}

,即：

E_{si} = e_{si} d_{i}, (s = 1,2)

（3）

（2）空间均衡分析

一个代表性居民的居住、就业和通勤行为决策可以抽象为效用函数

U_{i}

及其约束条件,具体如下：

\max U_{i} = (L_{i}^{c})^{α} X_{i}^{β (1 - α)} H_{i}^{(1 - β) (1 - α)}

（4）

p_{i}^{h} H_{i} + p_{i} X_{i} \leq (M - L_{i}^{c} - C_{i}) [φ_{i} w_{pi} + (1 - φ_{i}) w_{c}] - (1 - φ_{i}) (f_{si} + t_{si} d_{i})

（5）

式中：居民购买并享受两类产品,住房（

H_{i}

）的权重为

β

、价格为

p_{i}^{h}

和其他复合消费品（

X_{i}

）的权重为

1 - β

、价格为

p_{i}

;居民闲暇的权重为

α

;工作的权重为

1 - α

。

那么,在城市空间达到长期均衡时,住房价格与碳排放的关系为：

p_{i}^{h} = \frac{(1 - α) (1 - β) [(M - C_{i}) w_{c} (1 - \frac{φ_{i}}{\frac{w_{c} W - f_{si} - t_{si} E_{si}}{e_{si}}}) - (1 - φ_{i}) (f_{si} + t_{si} E_{si} / e_{si})]}{H_{i}}

（6）

则碳排放关于住房价格的一阶偏导数为：

\begin{array}{l} \frac{\partial E_{si} (p_{i}^{h})}{\partial p_{i}^{h}} = - A \frac{e_{si}}{t_{si}} \frac{{(w_{c} W - f_{si} - t_{si} d_{i})}^{2}}{B + (1 - ϕ_{i}) {(w_{c} W - f_{si} - t_{si} d_{i})}^{2}} < 0, \\ A = \frac{H_{i}}{(1 - α) (1 - β)}, B = (M - C_{i}) w_{c} φ_{i} \end{array}

（7）

式（7）中碳排放对住房价格的一阶偏导数小于零,表明碳排放在整个城市空间内随着住房价格降低呈现出总体扩张的一般趋势。为探讨住房价格对碳排放的影响是否存在非线性特征,需要求出碳排放对住房价格的二阶偏导：

$\frac{\partial E_{si}^{2} (p_{i}^{h})}{\partial {(p_{i}^{h})}^{2}} = - 2 A^{2} B \frac{e_{si}}{t_{si}} [B (w_{c} W - f_{si} - t_{si} d_{i})^{- 2} + (1 - φ_{i} {)]}^{- 3} (w_{c} W - f_{si} - t_{si} d_{i})^{- 3}$

$当 t_{si} d_{i} + f_{si} < w_{c} W 时, \frac{\partial E_{si}^{2} (p_{i}^{h})}{\partial {(p_{i}^{h})}^{2}} < 0$

$当 t_{si} d_{i} + f_{si} > w_{c} W 时, \frac{\partial E_{si}^{2} (p_{i}^{h})}{\partial {(p_{i}^{h})}^{2}} > 0$

（8）

式（8）揭示了在城市尺度空间上住房价格对碳排放影响的非线性机制,体现了住房价格的虹吸效应以及工资收入的分化效应。

第一,住房价格的虹吸效应。外围区住房价格降低,吸引了就业于市中心的居民在此择居,较长的通勤距离将导致碳排放量增加,体现为式（7）中碳排放对住房价格的一阶偏导数小于零。这种现象类似于新经济地理学的中心城市凭借其集聚优势对要素资源的虹吸效应^[27],故本文将其称之为住房价格对碳排放的虹吸效应。具体而言,若城市外围区住房价格降低,居民会权衡住房成本差异,那么中心区的高房价作为一种分散力会推动居住区向外围扩散,形成居住郊区化的趋势。但由于中心区集聚了大量的就业机会,居民仍会通勤到城市中心区工作,远程机动通勤激发了碳排放在空间上的扩张,使其呈现出由中心区向外围区正梯度的空间格局。进而提出命题。

命题1：住房价格降低,则碳排放量增加。

第一,虹吸效应的作用程度在空间上是非均质的,在模型中体现为碳排放对住房价格的二阶偏导数先负后正：当

t_{si} d_{i} + f_{si} < w_{c} W

（或

d_{i} < (w_{c} W - f_{si}) / t_{si}

）时,即居民的通勤成本低于在中心区的工资收入时,住房价格关于碳排放的二阶偏导数小于0。这表明,碳排放水平随着住房价格的下降（与市中心的距离增加）而增加的幅度放缓。由于中心区公共交通基础设施健全,居民多采用非私人机动通勤方式,这将使虹吸效应的增碳作用放缓。当

t_{si} d_{i} + f_{si} > w_{c} W

（或

d_{i} > (w_{c} W - f_{si}) / t_{si}

）时,即居民的通勤成本超过在中心区的工资收入时,住房价格关于碳排放的二阶偏导数大于0。这表明,碳排放水平随着住房价格的下降（与市中心的距离增加）而增加的幅度趋增。由于外围区道路交通条件的改善以及距离条件的满足（

d_{i} > \frac{f_{2 i} - f_{1 i}}{t_{1 i} - t_{2 i}}

）均提高了居民使用私人机动通勤方式的概率,这将使虹吸效应的增碳作用趋增。进而提出命题。

命题2：随着住房价格下降,住房价格的边际增碳程度将会先缓后增。

第二,工资收入的分化效应。进一步地,求通勤碳排放对外围区工资收入的偏导数,公式如下：

\partial E_{si} (w_{pi}) / \partial w_{pi} = - \frac{e_{si}}{t_{si}} \times \frac{w_{c}}{(w_{pi} - w_{c})^{2}} < 0

（9）

由式（9）可知,外围区的碳排放值会因工资收入的差异而分化,即外围工资收入对虹吸效应起调节作用。那么,当外围区的工资收入上升时,居民将采用“外围区就业—外围区居住”的职住模式,以消除远程通勤带来的效用损失,短距离的通勤将会降低碳排放。当工资收入在外围空间变化时,将引导居民对其居住和就业等活动进行空间调整,碳排放空间格局也将因此分化：一些具有本地就业吸引力的外围区,即具有工资收入相对优势的区域,逐渐呈现出产业郊区化的趋势,这将会进一步加快居住郊区化进程;此时产业郊区化与居住郊区化相互匹配的职住结构会产生大量短程的区内通勤,这将抑制虹吸效应,降低碳排放,该区域将分化为冷点区。另外一些不具备本地就业承载力的外围区,其居住郊区化的进程快于产业郊区化,居民不得不通勤到具有更高工资收入的外围区工作,这将会产生大量远程的跨区通勤,激励虹吸效应,增加碳排放,该区域将分化为热点区。进而提出命题。

命题3：外围区工资收入提高,则碳排放减少。

综上所述,住房价格对通勤碳排放具有虹吸效应,其作用程度在空间上先缓后增,且受到工资收入的调节。虹吸效应使得通勤碳排放呈现出“中心低碳化、外围高碳化”的空间格局,且工资收入较高的外围区分化为碳排放的冷点区,其他外围区分化为碳排放的热点区。

1.1.3 实证方法

为考察住房价格对碳排放的影响机制,本文使用个体的房价、特征数据和街道的土地利用状况进行实证检验。首先,由于居民与街道是一种嵌套关系,即居民居住于街道,这种数据结构若采用标准多元回归就违反了各样本相互独立的假设条件,将导致估计系数的标准误产生偏倚^[28,29],故采用“个体—街道”两水平线性模型（Multilevel Models）对理论模型进行实证检验。其次,本文主要关注个体层住房价格变量对个体层碳排放的影响及其空间异质性,将街道层变量作为模型的控制变量纳入模型后,不再考虑不同层次因素之间的互动效应,认为街道层变量对个体碳排放在各个街道的影响斜率是一致的,个体碳排放的差异只体现在截距上,故采用随机截距模型：

E_{ij} = (β_{0} + β_{1} P_{ij} + β_{2} B_{0 j} + β_{3} X_{ij}) + (u_{0 j} + ε_{ij})

（10）

式中：

E_{ij}

代表居住于第

j

街道的

i

个体的碳排放,是模型的固定效应和随机效应之和。第一个括号内的部分表示模型的固定效应,

P_{ij}

代表第

j

街道的

i

个体的住房价格变量;

B_{0 j}

代表第

j

街道的土地利用变量;

X_{ij}

代表居住于第

j

街道的

i

个体的特征变量;

β_{0}

是总截距（总体均值）;

β

代表回归系数,

β_{1}

、

β_{2}

和

β_{3}

分别代表住房价格变量、土地利用变量和个体特征变量的估计系数。第二个括号的内容表示模型的随机效应,

u_{0 j}

代表第

j

街道的截距对总截距的偏离程度,表达了样本的组间变异;

ε_{ij}

代表居住于第

j

街道的

i

个体对街道截距的偏离程度,表达了样本的组内变异。

1.2 研究区概况

本文选择济南市作为研究区域,原因如下：第一,济南作为山东半岛城市群的核心城市,是城镇化快速发展的典型。1990—2016年,济南市户籍人口城镇化率从30.69%上升至69.46%,城镇居民人均可支配收入从0.16万元增长至4.31万元^[30]。第二,济南因其悠久的历史而拥有多元化的居住形态。在城市发展过程中,既保留了老城区传统胡同式街区和商阜区棋盘状街区,亦有单位邻里式街区和高楼林立的新型现代化街区。第三,根据城市规模划分标准,济南市属于大城市,而大城市在未来低碳城市建设中将发挥重要作用,但目前基于街道层面的大城市居民通勤碳排放研究还相对薄弱。鉴于居民的职住地主要集中在二环以内的主城区,因此研究的范围进一步界定为济南市主城区,包括玉符河以东、绕城高速公路东环线以西、黄河与南部山体之间的地区,下辖历下、市中、槐荫、历城、天桥等五个行政区域,2016年所辖人口达314.33万,占济南市的市区人口总数的66.41%,研究区域具有代表性^[30]。

1.3 变量说明与数据来源

本文采用个体层通勤碳排放作为被解释变量。根据IPCC于2006年发布的温室气体排放清单指南,将通勤方式细化为小型汽车、公共汽车、个人助动车和其他方式四种类型,各种类型的碳排放因子详见表1。

表1 各种类型通勤方式的碳排放因子

Table 1 Carbon emission factors of various commuting modes (g/pkm)

通勤方式	具体类型	碳排放因子
小型汽车类	私家车、出租车、单位配车	233.10
公共汽车类	公共汽车、物业巴士、购物巴士	26.00
个人助动类	电动自行车、轻型摩托车	10.00
其他方式类	步行、自行车	0

参考使用柴彦威等^[4]构建的居民出行碳排放公式：

E_{si} = n e_{si} d_{i}

（11）

式中：

E_{si}

代表个体

i

采用第

s

种通勤方式的碳排放,通勤方式以问卷题项“您平时工作常用的交通工具主要有：1=步行、自行车,2=个人助动车,3=公共汽车,4=小型汽车”获取;

n

为居民的年通勤次数（次）,来源于问卷获得的周通勤次数与年工作周数的乘积;

e_{si}

代表个体

i

采用第

s

种通勤方式的碳排放因子（g/pkm）;

d_{i}

代表个体

i

的通勤距离（km ）,基于样本点的居住地和工作地信息通过百度地图获取。在进行回归时,对碳排放取对数。

核心解释变量为住房价格。通过在“安居客”网站上查询居民所在社区的住房价格,再取该社区住房价格的平均数,并在回归时取对数。控制变量包括人口密度、土地利用混合度、公共交通便利度、通勤方式、平均月收入和私家车保有量。其中,人口密度采用街道常住人口数量除以街道面积来计算,并取对数处理。土地利用混合度表征城市空间开发利用的质量^[31],参考Rubern等^[32]的公式：

mix = \frac{- \overset{n}{\sum_{K = 1}} m_{k, i} \ln (m_{k, i})}{\ln (K_{i})}

（12）

式中：

K_{i}

表示街道

i

的土地利用类型数量（种）;

m_{k, i}

表示街道

i

的第

k

种土地利用类型面积占街道面积的比例（%）。其中用地类型包括居住用地、公共服务设施用地、工业用地、市政公共设施用地等四种类型。公共交通便利度以社区到公交站牌实际距离来度量。平均月收入在问卷的题项设计中采用分类变量的形式,以缓解不回答偏倚带来的误差。私家车保有量指居民家庭中的小汽车数量。以上变量的具体描述及统计分析见表2。

表2 主要变量及统计分析

Table 2 Main variables and statistical analysis (N=770个)

变量	变量层级	描述	均值
通勤碳排放/t	个体层	一年内居民通勤产生的碳排放	0.92
住房价格/元	个体层	社区单位住房价格的平均数	6291.24
通勤方式	个体层	1=步行、自行车;2=个人助动车;3=公共汽车;4=小型汽车	2.34
人口密度/(人/km²)	街道层	街道常住人口数量除以街道面积	13380
土地利用混合度	街道层	街道不同土地利用的混合程度	0.682
公共交通便利度/m	个体层	1=50以内;2=50~100;3=100以上	2.32
平均月收入/元	个体层	1=2000以下;2=2000~3000;3=3000~5000;4=5000以上	2.822
私家车保有量/辆	个体层	私家车拥有数量	1.53

本文通过四种方式获得数据：第一,以调查问卷的方式获取个体层面的居民经济社会特征数据。协同济南市城市规划编制研究中心课题组于2016年9月至2017年3月联合开展“济南市居民出行碳排放调查”,进行数据采集。问卷调查主要采用分层随机抽样方法,在济南市主城区抽取42个街道进行问卷调查,共计330个社区和1000个居民,共收回有效问卷876份。由于本文使用多层线性模型进行回归,为保证多层模型对样本量的需求,剔除掉街道样本量小于20的街道后,样本量为770份。第二,通过2016年的《济南市统计年鉴》和《济南市土地利用现状图》获取行政区域和街道层面的数据。第三,使用“安居客”网站获得个体层的住房价格数据。第四,利用百度地图的路线查询功能,输入样本点的居住地和工作地信息,获取其通勤距离。

2 结果分析

2.1 通勤碳排放的空间特征

在多层模型回归之前,可以先考察样本通勤碳排放的空间分布特征,从可视化的角度来验证住房价格的虹吸效应和工资收入的分化效应。首先,对研究区域通勤碳排放进行统计分析,发现居民每年的通勤碳排放量平均值为0.92 t,最大值为9.04 t。部分居民因采用步行或自行车类通勤方式不产生碳排放,零碳排放比例为6.43%。然后,使用ArcGIS 10.2软件,采用自然断裂点法将居民的年通勤碳排放量分为高（>3.16）、中（1.02~3.16）、低（<1.02）三个等级。

描述居民通勤碳排放的空间特征,需要判定城市的中心区和外围区范围。由于济南市是单中心城市,参考Nathaniel等^[33]对单中心城市中心区的划分标准,将泉城广场定义为市中心,以市中心为圆心向外延伸3英里的圆形区域界定为中心区,剩余区域为外围区。这一标准划分的空间范围与赵虎等^[34]对济南市中心区的认定基本相符。本文使用缓冲区技术,将5 km缓冲区以内的区域划分为中心区,另外的区域划分为外围区。然后在此基础上,使用克里金插值法对碳排放数据进行空间插值处理（图2）。结果显示,碳排放呈现出“中心低碳化、外围高碳化”的空间格局,同时外围区分化为热点区和冷点区。具体而言,第一,居民通勤碳排放较低值集中在中心区（5 km缓冲区以内）。该区域集聚了大量的居住和就业,职住较为均衡,短途通勤产生较少的碳排放。而居民通勤碳排放的较高值区基本上均位于外围区（5 km缓冲区以外）,主要包括历下区东部、市中区南部和槐荫区东部。第二,居民通勤碳排放在外围区出现分化的趋势。冷点区如市中区北部和槐荫区西部,均属于外围区中人均GDP较高的区域;热点区如历城区东部人均GDP较低的外围区域,居民需要跨区通勤至老城区或具有较多就业机会的外围区,远程通勤是居民使用私家车的诱因。

图2 通勤碳排放的空间格局

Fig. 2 Spatial pattern of commuting carbon emissions

Full size|PPT slide

2.2 模型估计结果

为进一步检验住房价格的虹吸效应和工资收入的分化效应,本文的研究设计包括四步：第一步,使用零模型进行诊断性检验,判断个体碳排放是否存在跨层效应。第二步,构建住房价格对碳排放的基准回归模型,在城市尺度上验证住房价格与通勤碳排放的关系。由于住房价格在远离市中心的过程中呈现负梯度,居民面对不同住房价格进行居住、就业和通勤行为决策时会形成相应的碳排放响应,若响应系数为负,即较低的住房价格引致较高值的碳排放,则意味着存在虹吸效应。第三步,将样本划分为中心区（距市中心5 km的缓冲区以内的区域）和外围区（距市中心5 km的缓冲区以外的区域）两类,以考察两类空间范围内虹吸效应的差异性,若住房价格二次方项的系数先负后正,表明虹吸效应由市中心向外围区扩展的空间内先缓后增。第四步,基于外围区的样本,验证工资收入的分化效应。根据济南市辖区2016年人均GDP是否大于均值,将外围区划分为高收入区和低收入区两类,设定收入区位二元虚拟变量（当该区域为高收入区时取1,反之取0）,以检测工资收入的分化效应。在基准回归模型中加入收入区位虚拟变量与住房价格的交叉项,若交叉项系数为正,表明高工资收入对虹吸效应存在抑制作用,该区域将分化为冷点区。表3依次为上述后面三步的多层线性模型估计结果。

表3 多层线性回归模型结果

Table 3 Results of multilevel regression model

模型	（1）-1	（1）-2	（2）-1 0~5 km	（2）-2 >5 km	（3）-1 >5 km	（3）-2 >7 km
住房价格	-0.210^* (0.12)	-1.044^* (0.58)	—	—	-0.308^*** (0.08)	-0.344^** (0.17)
住房价格平方项	—	2.077^* (1.1)	-0.104^** (0.05)	0.178^*** (0.05)	—	—
住房价格三次方项	—	-0.83^* (0.50)	—	—	—	—
平均月收入	-0.023 (0.05)	-0.033 (0.05)	-0.016 (0.07)	-0.088 (0.08)	-0.089 (0.08)	-0.149 (0.10)
通勤模式	0.837^*** (0.04)	0.839^*** (0.04)	0.809^*** (0.05)	0.907^*** (0.06)	0.910^*** (0.06)	0.952^*** (0.08)
私家车保有量	0.052^* (0.03)	0.054^* (0.03)	0.053^* (0.03)	0.043 (0.03)	0.043 (0.03)	0.084^* (0.05)
公共交通便利度	-0.004 (0.02)	-0.004 (0.02)	-0.040^** (0.02)	-0.052 (0.04)	-0.052 (0.04)	-0.029 (0.04)
人口密度	-0.093^* (0.05)	-0.057^* (0.03)	0.015 (0.05)	-0.033^* （0.02）	-0.033^* （0.02）	-0.017^* (0.01)
土地利用混合度	-0.201^** (0.09)	-0.193^** (0.09)	-0.043^** (0.02)	-0.234^** (0.10)	-0.241^** (0.10)	-0.232^** (0.11)
住房价格×收入区位	—	—	—	—	0.037 (0.07)	0.054^* (0.03)
常数项	-1.587^*** (0.55)	45.199^* (25.00)	0.331^* (0.17)	-1.878^*** (0.43)	-3.175^*** (0.73)	-2.981^*** (0.82)
Log likehood	-440.671	-428.341	-220.832	-204.710	-204.813	-71.753
卡方值	766.85	750.15	446.99	394.45	394.53	261.16
样本量	770	770	422	347	347	156

注：^*、^**、^***分别表示在10%、5%和1%的水平上显著;括号内表示其标准误。

在进行模型估计之前需要进行零模型检验以评估组内同质性,结果显示,组内相关系数（ICC）为15.15%,说明组内个体关联度较高,认为个体碳排放的总变异中约有15.15%的变异来自于街道层次,其余84.85%的变异来自于个体层次。由此可见,个体碳排放显著地随街道而异,普通的线性回归模型不再适用,应使用“个体—街道”两水平线性模型。

模型（1）-1和模型（1）-2检验了命题1,表明住房价格对碳排放具有虹吸效应。控制了平均月收入、通勤方式、公共交通便利度、土地利用混合度、人口密度、私家车保有量之后,模型（1）-1中住房价格的回归系数显著为负,表明城市郊区较低的住房价格会吸引大量居民,居民的跨区通勤模式使得碳排放量增加。模型（1）-2中住房价格二次方项、三次方项系数均显著,意味着住房价格对碳排放的影响在空间上是非线性的。

模型（2）-1和模型（2）-2验证了命题2,意味着虹吸效应在空间上具有异质性,其作用程度随着与市中心距离的增加先缓后增。模型（2）-1和模型（2）-2分别对距市中心小于等于5 km和大于5 km的样本分别回归,住房价格二次项系数显著,分别为-0.104和0.178,表明在中心区公共交通设施健全且为拥堵高发区,居民多选择公共交通或电动车/自行车等私人机动通勤方式,虹吸效应引发的增碳幅度放缓。在距市中心5 km缓冲区以外,道路交通条件的改善以及远程通勤使得居民采用私家车的频率增加,虹吸效应引发的增碳幅度趋增。因此虹吸效应呈现出先缓后增的空间格局。

模型（3）基本验证了命题3,意味着工资收入对碳排放具有分化效应,可以调节虹吸效应的作用程度。模型（3）-1以城市外围区为样本（距市中心5 km的缓冲区以外）,在模型（1）的基础上加入了住房价格与收入区位的交叉项,其回归系数为正,但并不显著,可能的原因是,外围区的工资收入不足以吸引处于5 km缓冲区边缘的居民,他们仍会选择通勤到市中心工作,因此工资收入对碳排放的分化效应不明显。本文尝试将缓冲区的范围扩大到7 km使用模型（3）-2再次进行验证,住房价格与收入区位交叉项的系数为正显著,表明在距市中心7 km的城市外围区,住房价格较低,可以形成居住与产业匹配度较好的职住结构,缩短了通勤距离,此时工资收入将会削弱住房价格对碳排放的增加作用,故该区域分化为碳排放冷点区。

在控制变量中,平均月收入对碳排放的影响为负,但不显著,这可能是由于收入对碳排放的作用被住房价格变量所承担。土地利用混合度的回归系数符合预期,而人口密度和公共交通便利度的影响存在空间差异性。土地利用混合度的系数显著为负,表明提高居住区土地利用的多样性,有利于为居民提供本地就业机会,进而将会压缩通勤距离,减少碳排放,该结论与孙斌栋等^[35]的结论相符。在距市中心5 km的缓冲区以外的区域,人口密度的系数显著为负,说明随着城市人口密度的增加,碳排放将逐渐降低,其原因在于人口密度高的区域集聚了大量的就业,居民通勤距离较短,这在一定程度上会降低碳排放,这与Niemeier等^[36]的研究相一致。在距市中心5 km的缓冲区内,人口密度为正但不显著,可能是由于中心区人口密集,会产生大量交通流,造成交通拥堵,并不能有效降低碳排放。公共交通便利度的回归系数均为负,但仅在模型（2）-1中显著,意味着公共交通的便利带来碳排放减少的作用受制于一定的条件范围（距市中心5 km的缓冲区以内）,这与已有结论不同^[37]。可能的原因是除中心区以外,济南市公共交通基础设施相对薄弱,至本文调查结束时仍缺乏轻轨、地铁等便捷、可靠的公共交通工具,且并未真正贯彻公交优先的政策,相较于其他通勤方式,公共交通在交通高峰期处于劣势,因而不能对碳排放产生显著的促降作用。

2.3 稳健性检验

为了增强估计结果的稳健性,本文还采用与市中心的距离作为住房价格的替代指标进行两水平线性模型估计。与市中心的距离虽然在表征住房价格的空间结构上不够直观,但随着居住区与市中心距离的增加,其价格呈空间负梯度变化^[23,24,25]。两者的相关系数为-0.532,这表明与市中心距离可以作为住房价格的一个合理替代。回归结果表明,与市中心距离变量在5%的置信水平上,回归系数为正,再次证明住房价格与碳排放的反向关系,主要结论仍然稳健。

3 结论与讨论

3.1 结论

本文尝试性地构建住房价格影响通勤碳排放的理论模型,并使用“个体—街道”两水平线性模型检验碳排放的发生机制,寻求城市低碳发展的调控路径,具体结论如下：

（1）虹吸效应是住房价格影响通勤碳排放的主导效应。随着城市的快速蔓延,城市外围低房价会吸引居住者,而居民的远程通勤模式使得碳排放呈现总体扩张的一般趋势。这一趋势在空间上表现为“中心低碳化、外围高碳化”的格局。

（2）虹吸效应具有空间异质性,随着与市中心距离的增加,虹吸效应将会先缓后增。中心区健全的公共交通设施有利于居民低碳通勤,住房价格的边际增碳幅度放缓,而外围区发达的道路交通条件提高了居民使用私家车的概率,住房价格的边际增碳幅度趋增。

（3）工资收入对虹吸效应具有调节作用,将导致城市外围区分化。具有较高工资水平的外围区,产业郊区化和人口郊区化发展协调,易于形成相对均衡的职住结构,居民短程通勤使其分化为冷点区;反之,具有较低工资水平,且产业郊区化滞后于人口郊区化的外围区,居民的长程通勤使之分化为热点区。

3.2 讨论

由于数据、变量和保持模型的简约度等问题,本文的变量选择未考虑特征价格、态度偏好、交通政策等,模型也没有检验更多的影响路径,仍未穷尽居民通勤碳排放的发生机制及空间特征,研究仍有待深入。要探寻居民通勤的低碳策略,应深入理解个体通勤碳排放的发生机制,突破基于交通的治理维度,寻求低碳行为的空间组织模式,建议如下：

（1）鉴于住房价格对通勤碳排放的虹吸效应,可以通过优化城市职住空间结构来实现低碳化目标。以人口密度和环境承载力为基准,统筹安排生产、生活和生态用地,提高城市建成区土地利用的混合度和集约化水平,减少额外的交通流量及碳排放,实现职住合理平衡^[38]。

（2）以市场的方式配置稀缺的住房资源,来满足低收入者对住房机会的区位诉求和交通需求无疑是困难的。可以通过完善住房保障体系和城市综合交通运输体系提高弱势群体的福利和城市空间的组织效率。因地制宜地增加中心区公租房供给,支持保障对象获得具有就业可达性的合意住房,压缩职住距离,降低碳排放水平;提升针对公租房社区的公共交通通行能力,切实提高其出行品质。

（3）在居住区远离市中心的过程中,居民的出行方式完成了由低碳化向高碳化的转变,这使得虹吸效应具有先缓后增的空间特性。因此,要继续加大城市外围区的的公共交通供给,构建地铁、BRT、公交等立体交通网络,大力发展轨道交通,减少私家车出行的发生量,引导居民低碳通勤。

（4）推进多中心空间发展战略,提升外围次中心的居住舒适度和就业承载力。强化外围区居住、道路、市政服务等功能规划与培育产业优势同步的原则,优化人口和产业的协调发展能力,减少远程通勤需求,降低通勤碳排放。

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析

[1]

王勇, 韩舒婉, 李嘉源, 等. 五大交通运输方式碳达峰的经验分解与情景预测: 以东北三省为例. 资源科学, 2019, 41(10): 1824-1836.

[WANG

, HAN S

, LI J

, et al. Empirical decomposition and forecast of peak carbon emissions of five major transportation modes: Taking the three provinces in Northeast China as examples. Resources Science, 2019, 41(10): 1824-1836.]

本文引用 [1]

[2]	刘莉娜, 曲建升, 黄雨生, 等. 中国居民生活碳排放的区域差异及影响因素分析. 自然资源学报, 2016, 31(8): 1364-1377. [LIU L N, QU J S, HUANG Y S, et al. Analyze on the spatial-temporal pattern and influence factors of China's per capital household carbon emissions. Journal of Natural Resources, 2016, 31(8): 1364-1377.] 本文引用 [1]

[3]	BOARNET M, CRANE R. The influence of land use on travel behavior: Specification and estimation strategies. Transportation Research Part A, 2001, 35(9): 823-845. 本文引用 [3]

[4]	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. 地理研究, 2012, 31(2): 334-344. [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. Geographical Research, 2012, 31(2): 334-344.] 本文引用 [6]

[5]	HUNT J D, KRIGER D S, MILLER E J. Current operational urban land-use-transport modeling frameworks: A review. Transport Reviews, 2004, 25(3): 329-376. https://doi.org/10.1080/0144164052000336470 http://www.tandfonline.com/doi/abs/10.1080/0144164052000336470 本文引用 [2]

[6]	IACONO M, LEVINSON D, PROFESSO A, et al. Models of transportation and land use change: A guide to the territory. Journal of Planning Literature, 2008, 22(4): 323-340. https://doi.org/10.1177/0885412207314010 http://journals.sagepub.com/doi/10.1177/0885412207314010 本文引用 [2]

[7]	EWING R, HAMIDI S, GALLIVAN F, et al. Structural equation models of VMT growth in US urbanized areas. Urban Studies, 2014, 51(14): 3079-3096. https://doi.org/10.1177/0042098013516521 http://journals.sagepub.com/doi/10.1177/0042098013516521 本文引用 [2]

[8]	CERVERO R, KOCKELMAN K. Travel demand and the 3Ds: Density, Diversity, and Design. Transportation Research Part D Transport & Environment, 1997, 2(3): 199-219. 本文引用 [2]

[9]	JIANG Y, GU P Q, CHEN Y L, et al. Modeling household travel energy consumption and CO₂ emissions based on the spatial form of neighborhoods and streets: A case study of Jinan, China. Computers Environment & Urban Systems, 2019, 77(9): 101-134. 本文引用 [2]

[10]	杨文越, 曹小曙. 居住自选择视角下的广州出行碳排放影响机理. 地理学报, 2018, 73(2): 346-361. [YANG W Y, CAO X S. The influence mechanism of travel-related CO₂ emissions from the perspective of residential self-selection: A case study of Guangzhou. Acta Geographica Sinica, 2018, 73(2): 346-361.] 本文引用 [2]

[11]

荣培君, 张丽君, 秦耀辰, 等. 建成环境对城市居民日常出行碳排放的影响: 以开封市248个居住区为例. 地理研究, 2019, 38(6): 1464-1480.

https://doi.org/10.11821/dlyj020190096

摘要

居住区是居民日常生活最基本的空间单元,其建成环境对出行碳排放的影响是学术界关注的焦点。基于大样本调查数据核算居民各类出行碳排放,通过POI抓取、空间句法、网络分析等方法识别开封市主城区成规模的248个居住区的建成环境特征,借助核密度和GWR等方法剖析居住区尺度居民各类出行碳排放的空间分异规律。结果表明：① 城市内部居民出行碳排放空间差异显著,居住区公共服务供给的公平性问题突出,外圈层快速扩张区域应作为城市碳减排工作的关键区域;② 居住区尺度能较好地揭示建成环境对出行碳排放的影响,路网设计、建筑密度、土地利用混合度等因素对各类出行碳排放的作用机理差异较大,作用强度亦存在不同方向上的空间渐进规律;③ 根据出行碳排放结构及其对应的建成环境指标可识别出外层高密度欠通达低混合型居住区碳排放水平较高,内层低密度高通达高混合型居住区碳排放水平较低。研究结果可为居住区空间重构和城市碳排放的分区规划与治理提供科学依据。

[RONG P

, ZHANG L

, QIN Y

, et al. Impact of built environment on carbon emissions from daily travel of urban residents: A case study of 248 residential areas in Kaifeng. Geographical Research, 2019, 38(6): 1464-1480.]

本文引用 [2]

[12]

塔娜, 柴彦威, 关美宝. 建成环境对北京市郊区居民工作日汽车出行的影响. 地理学报, 2015, 70(10): 1675-1685.

https://doi.org/10.11821/dlxb201510011

摘要

郊区化导致的汽车出行增加及相关的城市环境与社会问题日益成为城市研究关注的焦点,但目前国内对建成环境与汽车出行行为的研究刚刚起步。基于GPS与活动日志相结合的居民一周活动与出行数据,利用GIS空间分析分别以居住地、工作地和活动空间作为地理背景,分析建成环境对于郊区居民汽车出行距离的影响因素。研究发现,建成环境对工作日汽车出行的影响因地理背景的选择而有不同。整日出行受到工作地和活动空间的影响,工作地与活动空间建设密度增高汽车出行减少,但是居住空间的影响不显著;通勤出行受到居住地、工作地和活动空间的影响,居住地商业密度提高和建设密度降低、工作地和活动空间建设密度提高,汽车出行减少;非工作活动出行也受到居住地、工作地和活动空间的影响,居住地、工作地和活动空间的公交密度低、工作地和活动空间建设密度高,汽车出行少。基于研究结果,本文对地理背景不确定性问题进行了探讨,提出出行行为的研究需要考虑居住地以外其他地理背景的影响,并对控制汽车使用的公共政策提出了建议。

[TA

, CHAI Y

, GUAN M

. The relationship between the built environment and car travel distance on weekdays in Beijing. Acta Geographica Sinica, 2015, 70(10): 1675-1685.]

本文引用 [2]

[13]	刘清春, 张莹莹, 肖燕, 等. 济南市主城区私家车日常出行碳排放特征及影响因素. 资源科学, 2018, 40(2): 262-272. [LIU Q C, ZHANG Y Y, XIAO Y, et al. Characteristics and determinants of carbon emissions from daily private cars travel in central area of Jinan. Resources Science, 2018, 40(2): 262-272.] 本文引用 [3]

[14]

BARLA

, MIRAND-MORENO L

, LEE-GOSSELIN

. Urban travel CO₂ emissions and land use: A case study for Quebec city. Transportation Research Part D: Transport and Environment, 2011, 16(6): 423-428.

https://doi.org/10.1016/j.trd.2011.03.005

https://linkinghub.elsevier.com/retrieve/pii/S1361920911000447

本文引用 [1]

[15]

, PARK

, LIM

, et al. Who produces the most CO₂ emissions for trips in the Seoul metropolis area?. Transportation Research Part D: Transport and Environment, 2011, 16(5): 358-364.

https://doi.org/10.1016/j.trd.2011.02.001

https://linkinghub.elsevier.com/retrieve/pii/S1361920911000265

本文引用 [1]

[16]

BRAND

, GOODMAN

, RUTTER

, et al. Associations of individual, household and environmental characteristics with carbon dioxide emissions from motorized passenger travel. Applied Energy, 2013, 104(100): 158-169.

https://doi.org/10.1016/j.apenergy.2012.11.001

https://linkinghub.elsevier.com/retrieve/pii/S0306261912007878

本文引用 [1]

[17]	黄经南, 黄小康, 高浩武. 城市家庭日常出行碳排放的影响因素: 以武汉市为例. 城市问题, 2015, (5): 66-76. [HUANG J N, HUANG X K, GAO H W. The influencing factors of family household daily travel carbon emission: A case study of Wuhan city. Urban Problems, 2015, (5): 66-76.] 本文引用 [1]

[18]	张超, 兰宗敏, 王慧娟, 等. 纳入住房消费的新经济地理学研究范式. 经济问题探索, 2018, (4): 182-190. [ZHANG C, LAN Z M, WANG H J, et al. A new research paradigm of economic geography for housing consumption. Inquiry Into Economic Issues, 2018, (4): 182-190.] 本文引用 [1]

[19]	TABUCHI T. Urban agglomeration and dispersion: A synthesis of Alonso and Krugman. Journal of Urban Economics, 1998, 44(3): 333-351. https://doi.org/10.1006/juec.1997.2074 https://linkinghub.elsevier.com/retrieve/pii/S009411909792074X 本文引用 [1]

[20]	BRUYNE K D, HOVE J V. Explaining the spatial variation in housing prices: An economic geography approach. Applied Economics, 2013, 45(13): 1673-1689. https://doi.org/10.1080/00036846.2011.636021 http://www.tandfonline.com/doi/abs/10.1080/00036846.2011.636021 本文引用 [3]

[21]	沈能, 王群伟, 赵增耀. 贸易关联、空间集聚与碳排放: 新经济地理学的分析. 管理世界, 2014, (1): 176-177. [SHEN N, WANG Q W, ZHAO Z Y. Trade association, spatial agglomeration and carbon emissions: An analysis of new economic geography. Management World, 2014, (1): 176-177.] 本文引用 [1]

[22]	郑思齐, 龙奋杰, 王轶军, 等. 就业与居住的空间匹配: 基于城市经济学角度的思考. 城市问题, 2007, (6): 56-62. [ZHENG S Q, LONG F J, WANG Y J, et al. Space matching of employment and housing: Thinking based on urban economics. Urban Problems, 2007, (6): 56-62.] 本文引用 [1]

[23]	WILLIAM A. Location and land use: Toward a general theory of land rent. Economic Geography, 1964, 42(3): 11-26. 本文引用 [2]

[24]	RICHARD F M. Cities and housing: The spatial pattern of urban residential land use. Land Use, 1969, 37(5): 343-346. 本文引用 [2]

[25]	EDWIN S M. Studies in the Structure of the Urban Economy. Baltimore, MD: Johns Hopkins University Press, 1972: 151. 本文引用 [2]

[26]	SU Q, DESALVO J S. The effect of transportation subsidies on urban sprawl. Journal of Regional Science, 2010, 48(3): 567-594. https://doi.org/10.1111/jors.2008.48.issue-3 http://blackwell-synergy.com/doi/abs/10.1111/jors.2008.48.issue-3 本文引用 [1]

[27]	张克中, 陶东杰. 交通基础设施的经济分布效应: 来自高铁开通的证据. 经济学动态, 2016, (6): 62-73. [ZHANG K Z, TAO D J. Economic distribution of transport infrastructure: Evidence from high-speed rail. Economic Dynamics, 2016, (6): 62-73.] 本文引用 [1]

[28]	ROBERT S B. Statistical power with group mean as the unit of analysis. Journal of Educational Statistics, 1981, 6(3): 267-285. https://doi.org/10.3102/10769986006003267 http://journals.sagepub.com/doi/10.3102/10769986006003267 本文引用 [1]

[29]	JOOP J H. Multilevel analysis: Techniques and applications. Journal of the American Statistical Association, 2003, 98(462): 496-496. 本文引用 [1]

[30]	济南市统计局. 1999—2016年济南统计年鉴. 济南: 中国统计出版社, 1999- 2016. [National Bureau of Statistics of Jinan. Jinan Statistical Yearbook 1999-2016. Jinan: China Statistics Press, 1999- 2016.] 本文引用 [2]

[31]	甄峰, 张姗琪, 秦萧, 等. 从信息化赋能到综合赋能:智慧国土空间规划思路探索. 自然资源学报, 2019, 34(10): 2060-2072. [ZHEN F, ZHANG S Q, QIN X, et al. From informational empowerment to comprehensive empowerment: Exploring the ideas of smart territorial spatial planning. Journal of Natural Resources, 2019, 34(10): 2060-2072.] 本文引用 [1]

[32]

RUBERN

, ANTONIO

. Determinants of distance traveled with a focus on the elderly: A multilevel analysis is in the Hamilton CMA. Canada. Journal of Transport Geography, 2009, 17(1): 65-76.

https://doi.org/10.1016/j.jtrangeo.2008.04.012

https://linkinghub.elsevier.com/retrieve/pii/S0966692308000392

本文引用 [1]

[33]	NATHANIEL B S, MATTHEW E K, RICHARD V. Effects of urban rail transit expansions: Evidence from sixteen cities, 1970-2000. Brookings-Wharton Papers on Urban Affairs, 2005, 1: 147-206. 本文引用 [1]

[34]	赵虎, 赵奕, 张一凡. 都市区就业空间演化及规划策略探讨: 以济南市为例. 城市发展研究, 2014, 21(7): 42-47. [ZHAO H, ZHAO Y, ZHANG Y F. The evolution of employment space structure and relative planning strategy in Metropolitan area: A case study of Jinan city. Urban Development Studies, 2014, 21(7): 42-47.] 本文引用 [1]

[35]

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. 地理学报, 2015, 70(10): 1664-1674.

https://doi.org/10.11821/dlxb201510010

摘要

伴随中国快速城市化与机动化进程,私人汽车拥有量不断增长,由此引起的交通拥堵和环境问题已成为制约中国城市可持续发展的难题。基于上海市区的居民通勤问卷调查数据,采用多项Logit模型检验了街道尺度城市建成环境对于居民通勤方式选择的影响,结果表明,在控制了其他因素后,提高居住地的人口密度、土地利用混合度与十字路口比重,可以减少小汽车通勤方式的选择,而就业地建成环境对居民通勤方式选择影响相对较弱;建成环境对通勤方式选择的影响会因个体的社会经济异质性而不同。这些结论为通过优化土地利用规划来优化居民通勤结构的城市交通和城市规划政策提供了启示。

[SUN B

, DAN

. Impact of urban built environment on residential choice of commuting mode in Shanghai. Acta Geographica Sinica, 2015, 70(10): 1664-1674.]

本文引用 [1]

[36]	NIEMEIER D, BAI S, HANDY S L. The impact of residential growth patterns on vehicle travel and pollutant emissions. Journal of Transport & Land Use, 2011, 4(3): 65-80. 本文引用 [1]

[37]	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. 国际城市规划, 2015, 30(3): 97-105. [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. Urban Planning International, 2015, 30(3): 97-105.] 本文引用 [1]

[38]	龙亮军. 综合福利视角下中国生态文明建设绩效评价及国际比较. 自然资源学报, 2019, 34(6): 1259-1272. [LONG L J. Evaluation of ecological civilization construction performance and its international comparison from the perspective of overall well-being. Journal of Natural Resources, 2019, 34(6): 1259-1272.] 本文引用 [1]

基金

国家自然科学基金项目(41401163)

教育部人文社科基金项目(19YJCZH107)

山东省高等学校科技计划项目(J17KA194)

版权

PDF(1475 KB)

2534

Accesses

Citation

Detail

段落导航

收稿日期	修回日期	出版日期
2020-02-05	2020-06-16	2021-08-28
发布日期
2021-10-28

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 研究方法与数据来源

1.1 研究方法

图1 住房价格影响通勤碳排放的理论机制

1.2 研究区概况

1.3 变量说明与数据来源

表1 各种类型通勤方式的碳排放因子

表2 主要变量及统计分析

2 结果分析

2.1 通勤碳排放的空间特征

图2 通勤碳排放的空间格局

2.2 模型估计结果

表3 多层线性回归模型结果

2.3 稳健性检验

3 结论与讨论

3.1 结论

3.2 讨论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

基金

版权

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 研究方法与数据来源

1.1 研究方法

图1 住房价格影响通勤碳排放的理论机制

1.2 研究区概况

1.3 变量说明与数据来源

表1 各种类型通勤方式的碳排放因子

表2 主要变量及统计分析

2 结果分析

2.1 通勤碳排放的空间特征

图2 通勤碳排放的空间格局

2.2 模型估计结果

表3 多层线性回归模型结果

2.3 稳健性检验

3 结论与讨论

3.1 结论

3.2 讨论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

{{custom_fnGroup.title_cn}}

脚注

基金

版权