摘要:基于馬爾康、西寧、拉薩和日喀則4個高海拔城市6389名居民、8858份1日出行日記和10302次出行活動數據,構建“總體關聯-分組關聯”的雙層分析框架,采用混合效應模型與邊際效應分析,研究主動出行對個體日常出行CO?排放的總體關聯,比較不同出行目的下出行行為指標與CO?排放的關聯差異。結果表明:(1)在控制個體社會經濟屬性和交通資源變量后,以自行車為主要出行方式的居民,其個體平均日生命周期CO?排放較以小汽車為主要出行方式的居民低約75%;(2)與非騎行者相比,偶爾騎行者的CO?排放約高44.5%,經常騎行者的CO?排放約低78.5%;(3)主動出行與CO?排放的關聯隨出行指標和出行目的而變化,經常騎行和當天騎行在4類目的下均呈負向關聯,但自行車出行次數的關聯方向隨出行目的而變化。
關鍵詞:高海拔地區;主動出行;碳減排;雙層分析;日常出行;碳排放
引言
在“雙碳”目標持續推進和城市綠色轉型不斷深化的背景下,交通領域碳排放已成為城市低碳治理中不可忽視的重要組成部分。居民日常出行作為交通碳排放的重要來源,出行方式的結構優化被普遍視為實現減排目標的重要路徑。與依賴能源替代或車輛技術升級的減排策略相比,步行和騎行等主動出行方式具有低成本、低門檻和多重效益等優勢,不僅有助于降低交通活動碳排放,還能夠改善居民健康并提升城市宜居性。近年來,主動出行的低碳價值已在城市交通與可持續發展研究中受到廣泛關注,但相關實證證據主要來自一般城市情境,對于高海拔特殊環境下主動出行減排效應的認識仍然不足。
高海拔城市的主動出行具有明顯的情境特殊性。低氧環境可能提高步行和騎行的生理負荷,地形起伏會改變出行阻抗,氣溫、降水、降雪和風等天氣條件則會影響居民步行與騎行選擇。這些因素并不一定直接表現為單次出行排放因子,卻可能通過出行距離、方式選擇、出行目的、設施可達性以及居民對主動出行的接受程度,間接影響交通碳排放水平。在滿足居民基本出行需求的前提下,減少不必要的機動化出行并推動適宜距離內的方式轉換,是短期交通減排的重要方向。鑒于長期技術解決方案尚未完全實施,短期行為改變顯得更為緊迫,轉向公共交通和主動出行模式已被廣泛視為降低交通相關CO2排放的重要策略。推廣公共交通和主動出行方式不僅有助于減排,也可產生健康等社會效益,相關研究為政策制定和可持續城市發展提供了實證依據,并表明步行、騎行在適宜情境下可替代部分小汽車出行。
Cornet等通過構建可持續交通指標體系,提出由概念化、操作化和應用的3個功能構成的元框架,以支持交通可持續性評價與決策。現有研究也從不同尺度考察了建成環境與出行行為及其碳排放后果,已有研究表明,人口密度、土地利用混合度、道路連通性和公共交通可達性等因素會通過出行距離與方式選擇影響交通碳排放;目的地可達性、土地利用多樣性和街道網絡特征與汽車行駛里程、步行及公共交通使用存在關聯。在實證方法上,研究已由宏觀情景分析逐步拓展至家庭或個體層面的結構方程和多層模型,Liu等識別了建成環境通過出行行為影響家庭交通能耗的間接路徑;Lee等進一步分析了城市形態與家庭出行CO?排放的關聯;Hankey等則從城市增長情景估算了乘用車溫室氣體排放變化。出行目的也被證明會改變建成環境、交通方式與排放之間的關系,北京和達卡的研究分別比較了工作與非工作出行以及工作、上學和其他出行的差異;廣州的多尺度研究則顯示居住地與工作地建成環境對通勤排放的影響并不相同。總體來看,既有研究仍存在三方面不足:一是相關結論多來自低海拔或一般城市,對高原城市居民日常出行情境的適用性仍需驗證;二是出行方式、交通資源條件與日常出行CO?排放的關聯需要結合高海拔城市樣本進一步檢驗;三是有必要區分不同出行目的下的關聯差異與實際方式替代的減排效益。
本文選取馬爾康、西寧、日喀則和拉薩4個中國高海拔城市,利用居民一日出行調查數據,構建“總體關聯-分組關聯”的雙層分析框架,考察主動出行與個體日常出行CO?排放的關聯。本研究的主要貢獻為:①基于高海拔地區居民出行調查數據,結合個體及家庭屬性,考察出行特征與日常出行CO?排放之間的條件關聯,補充了既有個體出行研究在中國高海拔城市樣本中的區域性證據。②將居民出行劃分為工作/上學、個人事務、休閑購物和公務等類型,比較不同活動場景下主動出行與CO?排放的關聯差異,明確不同出行指標的比較對象及其解釋邊界。③結合不同出行目的的關聯差異,將高原氣候、地形起伏和空間結構作為政策解釋背景,討論主動出行推廣的現實邊界、優先場景和設施優化重點,為高原城市低碳交通治理提供情境化參考。
1.研究設計
1.1研究區概況
本文選取四川省馬爾康市、青海省西寧市、西藏自治區拉薩市和日喀則市4個高海拔城市作為研究區域,涵蓋青藏高原及其東部邊緣的不同城市地理環境。馬爾康為阿壩藏族羌族自治州州府,地處川西北高原山地,海拔約2600m;西寧位于青藏高原東北部的河湟谷地,海拔約2261m。日喀則位于雅魯藏布江與年楚河交匯附近,海拔約3840m;拉薩位于拉薩河谷,海拔約3650m。4個城市海拔存在明顯差異,為考察不同高原城市背景下的居民出行行為與碳排放關系提供了研究場景。
1.2數據來源
選取馬爾康、西寧、拉薩和日喀則4個中國高海拔城市,數據來源于居民一日出行調查,共記錄6389名受訪者的8858份出行日記和10302次出行活動,為分析居民日常出行碳排放提供了微觀基礎。
1.3變量選取
1.3.1因變量
本文將個體日常出行CO?排放作為因變量,綜合考慮居民在一天內不同出行活動對應的排放水平,從而避免僅以單次出行或單一路徑替代總體碳排放的局限。
1.3.2核心解釋變量
本本文構建各交通方式出行次數、主導出行方式、騎行頻率以及當天是否騎行4類解釋變量。通過多維刻畫,比較不同出行行為與日常出行CO?排放的條件關聯。
1.3.3控制變量
為分析主動出行與碳排放的條件關聯,本文納入性別、年齡、收入、就業狀況、教育程度、民族、家庭規模等社會經濟屬性變量,并進一步控制公共交通可達性、小汽車擁有量和自行車擁有量等交通資源變量。
1.4模型選取
本研究構建了3個回歸模型,模型1為未調整的固定效應模型。該模型使用按每日交通方式分類的出行次數作為主要解釋變量,每日CO2排放量作為因變量。模型公式如下:

式中,圖片為解釋變量,即為按出行模式劃分的每日行程;圖片為回歸參數;圖片為殘差項。
模型2為調整的混合效應模型,納入了多個人口統計變量作為控制變量,包括性別、年齡、收入、民族、教育水平、就業狀況和家庭規模。模型公式如下:

式中,圖片為回歸參數,圖片為殘差項,X為性別、年齡、收入、就業、教育、民族和家庭規模等一系列控制變量。
模型3為完全調整的混合效應模型,加入了交通環境相關變量,以進一步考察主動出行與碳排放的關聯在更充分控制條件下是否仍然顯著。模型公式如下:

式中,Pta、Ca和Bo分別為公共交通可達性、小汽車擁有量和自行車擁有量。若在納入上述控制變量后主動出行變量仍顯著,則說明其與碳排放的條件關聯在逐步調整后仍然存在。在出行目的分組分析中,進一步圍繞4類出行目的開展分組估計,用以描述不同活動場景下步行和騎行與排放的關聯差異。
2.結果與分析
2.1描述性統計分析
從樣本基本特征看,4個高海拔城市在性別結構上較為均衡,受訪者整體受教育水平較高,就業人口占比較大。從交通資源方面來看,小汽車仍是較常見的家庭交通工具,但步行在日常出行中仍保持較高發生率,表明高海拔城市并未完全進入“汽車主導型”出行階段。從均值結果看,主動出行總體對應更低的日常出行碳排放,而小汽車出行對應更高的碳排放水平,與低碳交通的一般理論預期一致。同時,樣本中不同收入、年齡和職業群體在出行方式上存在顯著差異,說明主動出行行為并非均勻分布,而是嵌入在具體的社會經濟結構之中(表1)。

注:家庭規模原始變量為家庭成員數量,樣本均值為2.62人。描述性統計中以樣本均值作為分組依據,由于家庭成員數量為整數,故“小于2.62”實際對應1圖片2人家庭,“大于2.62”實際對應3人及以上家庭。
Notes:The original household-size variable represents the number of household members, with a sample mean of 2.62 persons. In the descriptive statistics, the sample mean was used as the grouping criterion. Because the number of household members is an integer,"less than 2.62" actually corresponds to households with 1圖片2 members, whereas"greater than 2.62" corresponds to households with three or more members.
2.2交通方式使用與碳排放
結果顯示(表2),CO?排放與交通方式使用之間存在顯著關系。表2(A)表明,步行和自行車次數與日CO?排放呈負向條件關聯,小汽車和公共交通次數呈正向條件關聯。模型2和模型3中上述關聯方向一致。此外,在模型3中,自行車和小汽車出行次數的系數分別為-0.045和0.661,反映其他變量相同時的條件關聯。

為便于解釋對數回歸系數,本文進一步將相關系數轉換為百分比形式。以表2(B)模型3為例,小汽車主導出行方式的系數為0.718,自行車主導出行方式的系數為-0.661,二者系數差為-1.379。對該差值取指數可得exp(-1.379)=0.252,說明在模型控制條件相同的情況下,以自行車為主要出行方式居民的CO?排放約為以小汽車為主要出行方式居民的25.2%,即二者之間存在約74.8%的排放相對差異。這一結果反映了不同主要出行方式群體之間的橫截面關聯差異,并不表示同一居民在減少一次小汽車出行并增加一次自行車出行后必然產生75%的減排量。表2(C)結果展示了不同騎行頻率類別與日常出行CO?排放之間的關聯。以非騎行者為參照,在調整社會經濟屬性和交通資源變量后,模型3中偶爾騎行者和經常騎行者的回歸系數分別為0.368和-1.537,指數化后分別為1.445和0.215。按自然對數尺度解釋,偶爾騎行者的條件幾何平均日出行CO?排放約高44.5%,經常騎行者約低78.5%,上述結果反映不同騎行人群之間的條件關聯。表2(D)顯示,以“當天未騎行的居民”為參照,當天騎行變量在模型1、模型2和模型3中的回歸系數分別為-0.079、-0.135和-0.426,均具有統計顯著性(P<0.001)。在逐步控制社會經濟屬性和交通資源變量后,當天騎行與較低日常出行CO?排放之間的負向關聯仍然存在。
從業居民傾向于選擇步行以外的交通方式,而受教育程度較高的居民更傾向于選擇積極出行方式,主要表現為騎自行車、步行和公共交通工具。交通卡持有情況和汽車擁有量與日常出行CO?排放的關聯隨交通方式而變化,如圖1所示。

圖1(A)展示了主要出行方式模型中不同個體屬性與交通資源條件對應的邊際效應,其中,公共交通主導組的估計值多數為負,其中高等教育對應的估計值為正,自行車和小汽車主導組均包含正向與負向估計。結果表明,不同主要出行方式下的排放關聯呈現一定差異。圖1(B)展示了交通方式出行次數模型中不同個體屬性與交通資源條件對應的邊際效應,其中,自行車出行次數對應的結果中,持有公共交通卡和擁有自行車的估計值均為負。總體而言,相關排放差異的方向隨交通方式和個體條件而變化。圖1(C)展示了騎行頻率模型中不同個體屬性與交通資源條件對應的邊際效應,其中,偶爾騎行組和經常騎行組中,就業及持有公共交通卡的估計值均為負,高等教育的估計值均為正。結果表明,不同騎行頻率人群的排放差異還與個體屬性和交通資源條件有關。圖1(D)展示了當天騎行行為模型中不同個體屬性與交通資源條件對應的邊際效應,其中,當天騎行組中持有公共交通卡和擁有自行車的估計值均為負。
進一步利用路徑分析考察主動出行影響碳排放的作用機制,結果表明(圖2),交通方式與碳排放之間并非完全是單一直接關系,總出行距離等變量可能在其中發揮部分中介作用。

2.3不同出行目的下的關聯差異
為比較不同活動場景下的關聯差異,按個人事務、工作與教育、休閑購物和公務4類出行目的開展分組分析,結果見表3。

表3(A)顯示,步行和自行車次數在個人事務、休閑購物出行中均呈正向關聯,在工作與教育、公務出行中均呈負向關聯。不同方式次數的關聯隨目的變化,不能將騎行次數增加直接解釋為對小汽車出行的替代。表3(B)以步行為參照,小汽車、自行車和公共交通主導組在4類目的下均呈正向關聯。主要出行方式的排放關聯需結合具體目的判斷。表3(C)顯示,騎行頻率與CO?排放的關聯隨出行目的而變化。以“非騎行者”為參照,經常騎行者在個人事務、工作與教育、休閑購物和公務4類出行目的下均呈負向關聯;偶爾騎行者在工作與教育和公務出行中呈負向關聯,在個人事務和休閑購物出行中呈正向關聯。表3(D)中,相較于當天未騎行者,當天騎行在4類出行目的下的點估計均為負。
圖3展示了不同出行目的下的CO?排放差異估計,反映不同活動場景中的關聯方向與幅度。圖3(A)顯示,主要出行方式與排放的關聯方向隨出行目的變化。在4類出行目的中,自行車和小汽車主導組相對于步行組的點估計均為正。圖3(B)顯示,步行次數在4類出行目的下均對應負向估計,其中公務出行的負值幅度最大。自行車次數在工作與教育和公務出行中為負,在個人事務和休閑購物中為正。圖3(C)顯示,經常騎行者在4類出行目的下均對應負向估計;偶爾騎行者在工作與教育和公務出行中為負,在個人事務和休閑購物中為正,呈現出方向差異。圖3(D)顯示,當天騎行在4類出行目的下均對應負向估計,其中工作與教育出行的負值幅度最大,公務出行次之,休閑購物最小,表明其關聯幅度存在目的差異。

2.4日常騎行行為與CO?排放的關聯
表2(D)顯示,以“當天未騎行的居民”為參照,當天騎行變量在模型1、模型2和模型3中的回歸系數分別為-0.079、-0.135和-0.426,均具有統計顯著性(P圖片0.001)。在逐步控制社會經濟屬性和交通資源變量后,當天騎行與較低日常出行CO?排放之間的負向關聯仍然存在。圖1(D)進一步展示了是否騎行模型中不同個體屬性與交通資源條件對應的邊際效應,其中,當天騎行組中持有公共交通卡和擁有自行車對應的邊際效應估計值為負。總體而言,結果支持當天騎行者具有較低排放水平的統計關聯,但基于橫斷面數據的群體比較,尚不能將其解釋為同一居民增加一次騎行所產生的因果減排效應。
2.5不同出行目的下的異質性分析
表3(C)與圖3(C)顯示,騎行頻率與CO?排放的關聯隨出行目的而變化。以“非騎行者”為參照,經常騎行者在個人事務、工作與教育、休閑購物和公務4類出行目的下均呈負向關聯;偶爾騎行者則在工作與教育、公務出行中呈負向關聯,在個人事務和休閑購物出行中呈正向關聯。表3(D)與圖3(D)進一步表明,相較于當天未騎行者,當天騎行者4類出行目的下均對應較低的CO?排放。從圖3(D)的點估計可以看出,工作與教育、公務出行中的負向排放差異幅度較大,個人事務次之,休閑購物較小。結果表明,騎行與較低排放的關聯取決于具體行為指標和活動場景,不能統一概括為彈性出行比剛性出行具有更大的減排效益。此外,不同目的之間的幅度比較屬于描述性結果,其組間差異是否具有統計顯著性仍需進一步檢驗。
3.討論
本文基于6389名受訪者的8858份1日出行日記和10302次出行活動,發現交通方式、騎行頻率及當天是否騎行與居民日常出行CO?排放存在統計關聯。總體模型顯示,以自行車為主要出行方式、經常騎行以及當天發生騎行行為的居民通常具有更低的CO?排放。不同出行目的模型進一步表明,這種低碳關聯并非在所有活動場景和所有指標下均保持一致。尤其在個人事務和休閑購物場景中,自行車出行次數系數為正,說明彈性活動中的騎行次數增加可能反映額外活動、出行鏈延伸或較長距離出行,并不代表小汽車出行的直接替代。本研究補充了高海拔城市主動出行與碳排放關系的區域性證據,顯示不同出行指標及出行目的下的關聯存在差異,為結合高原環境特點討論低碳交通治理提供參考。高原地區的自然環境、熱舒適條件、地形坡度和組團式空間結構,對主動出行推廣提出了更高要求。
基于上述結果,本文提出以下建議:①高海拔城市應優先提升主動出行環境的氣候適應性與舒適性,通過防滑、避風、遮陽和休憩設施完善,降低居民在高寒和強紫外線環境下進行步行和騎行的阻力。②結合社區生活圈建設、混合用地與近鄰服務配置,縮短日常活動距離,提升個人事務和休閑購物等場景下主動出行替代小汽車的可能性。③結合高原地形與組團空間特征,推動慢行系統與公共交通協同布局,增強主動出行網絡的可達性和連續性。④在政策實施中還應兼顧青年人群、通勤人群以及老年群體和弱勢群體的差異化需求,提高低碳交通體系的公平性和包容性。此外,本研究存在以下兩個方面的局限性:第一,基于一日出行日記開展橫截面分析,易漏報且缺乏長期動態與因果驗證;第二,主要針對成年人而忽視了青少年等其他群體,未將電動車、網約車等新型交通方式納入考量,也沒有計算由積極出行可能引發的飲食碳排放增加。
【作者簡介】楊燦,西藏大學工學院講師,主要研究方向為高原交通及地質災害。王海波,西藏大學工學院講師,主要研究方向為高原地質與全球變化。
【文章來源】《高原科學研究》2026年第3期。為閱讀便利,本推送已省略參考文獻和注釋,如有需要,敬請查看原文。
【轉載聲明】轉載本文僅供讀者交流使用,文章觀點不代表本網站觀點。
版權所有 中國藏學研究中心。 保留所有權利。 京ICP備06045333號-1
京公網安備 11010502035580號 互聯網宗教信息服務許可證編號:京(2022)0000027

