廣州市交通網絡對居民出行碳排量的影響
——以聚德、社學、祈福與曉西社區為例

◎ 羅 依 曹小曙

廣州市交通網絡對居民出行碳排量的影響
——以聚德、社學、祈福與曉西社區為例

◎ 羅 依 曹小曙

低碳交通是實現交通可持續性的一種重要途徑，其已成為地理學研究的一個重要議題，其中居民出行碳排量研究是其不可或缺的部分。以社區為分析單元，引發交通網絡對居民出行碳排量的影響研究。選取廣州市4個不同類型交通網絡的城市社區作為案例，測量社區居民出行碳排量，并以436個樣本數據庫為基礎，利用AMOS 17.0軟件建立結構方程模型，試圖在社區層面上挖掘“交通網絡-出行行為-出行碳排量”的影響機制。結果顯示，交通網絡α值越大，出行距離越近、出行時長越短、出行碳排量越低；交通網絡β值越大，出行時長越短，出行碳排量越低；交通網絡γ值越大，出行距離越遠、出行時長越長、出行碳排量越高。

出行碳排量 交通網絡 結構方程模型

低碳交通是人類低碳發展方向下體現在交通領域的一種新的發展理念以及為實現這種理念而采取的方式和執行的結果，是體現在交通運輸領域的人與自然和諧發展的目標［1］。研究低碳交通相關議題，是實現交通可持續性的重要途徑。居民出行碳排量研究是低碳交通研究的重要組成部分，起源于西方的行為主義與人本主義使得學者開始關注居民出行行為的個體差異，而社區逐漸成為城市研究的一個分析單元，由此引發社區居民出行碳排量的差異研究。

國外學者通過抽樣對不同個體碳排量高低進行分析，歸納出社區居民出行碳排量差異分布規律，并運用SEM結構方程模型揭示個體出行碳排量的影響機制，發現居住密度、土地利用混合程度、設施可達性、社區區位等因素會對出行碳排量產生影響（Bhat CR，2007；Brownstone D，2008，2009；Handy S，2009； Valle D，2011）［2-6］。

國內關于社區居民出行碳排量方面的研究，則始于中國城市居民出行行為調查。這些研究主要是以居民活動日志調查數據為基礎，將社區空間形態用土地混合利用程度、人口密度、道路交通設施等參數來表示，并利用相關分析、因子分析等數量手段分析其對居民出行碳排量的影響（楊磊，2011；劉沛，2012；黃經南，2013）［7-9］。

綜上所述，國內外關于社區居民出行碳排量的研究大多關注社區空間形態、出行行為等因素對出行碳排量的影響，而社區空間形態大多是從土地利用程度、人口密度、道路交通設施等參數來體現，卻忽略了最根本的交通網絡結構。有鑒于此，本研究以廣州市城市社區居民出行碳排量問卷調查第一手數據為基礎，通過引入結構方程模型分析交通網絡、出行行為對出行碳排量的作用關系，來揭示居民出行碳排量的影響機制。

一、研究設計

（一）研究區域

常用交通網絡分析方法是用圖論將復雜交通網絡抽象為一系列基本要素，節點代表道路交叉點，節點間線段代表道路（Lowe JC，1975）［10］。抽象后一系列基本要素如點與線段通過二維系統組織起來，被稱為一個平面圖（Kelly ME，1998；Bowen JT，2012）［11-12］。這時，復雜交通網絡的分析轉化為平面圖的分析。Marshall S通過對前人研究進行梳理，從交通網絡所處的地理位置、歷史文化特色等因素出發歸納總結出直線型、支流型、輻射型和網格型四種交通網絡類型［13］。

圖論中α、β和γ系數可以用來計算網絡的連通性，以便選取與理論網絡具有相似特性的現實道路網。網絡深度設定為3，以控制網絡大小的影響，且使得不同連通度網絡之間可以相互比較［13］。

本研究選取廣州市城市社區作為研究場域，以廣州市海珠區聚德社區、海珠區曉西社區、番禺區社學社區以及番禺區祈福新邨社區作為個案進行研究。

聚德社區位于海珠區新滘中路、江海大道、新港中路和廣州大道南圍成的地塊中部，公交站點6個；社學社區位于番禺區鐘屏岔道、市廣路、Y873公路所圍成的地塊中部，公交站點2個；祈福社區位于番禺區禺山西路、西環路、市廣路、鐘屏岔道所圍成的地塊中部，公交站點0個；海珠區曉西社區位于東曉南路與新港西路形成平面的第三象限內，公交站點6個（圖1）。

將圖1的聚德社區、社學社區、祈福社區和曉西社區的現實交通網絡運用圖論進行抽象，并保證網絡深度為3便于研究，四個社區的拓撲抽象交通網絡模式如圖2所示。

通過計算網絡的α值、β值與γ值可以知道兩個網絡的連通性是否相似，而連通性對于交通網絡來說十分重要，故選擇聚德社區（直線型）、社學社區（輻射型）、祈福社區（網格型）和曉西社區（支流型）為個案的合理性，可以通過計算其網絡α值、β值、γ值與理論網絡的α值、β值、γ值進行比較得出。

如表1所示，理論網絡的α值、β值和γ值與本研究選取個案交通網絡的α值、β值和γ值相差不大（表1），故而認為其網絡相似，可以選取聚德社區、社學社區、祈福社區和曉西社區作為本研究個案。

圖1　聚德社區、社學社區、祈福社區與曉西社區交通區位圖

圖2　聚德社區、社學社區、祈福社區與曉西社區拓撲抽象交通網絡

（二）研究方法

探討不同交通網絡下居民出行方式、出行距離、出行時長、出行成本與出行碳排量的差異，并以居民出行碳排量為因變量，出行方式、出行距離、出行時長與出行成本為中介變量，網絡連通度（α值、β值與γ值）為自變量，利用SEM結構方程建立模型用以探討影響碳排量的機制。

1.碳排量微觀測算模型

城市交通碳排放量的測算方法已經在國內外眾多學者的研究下擁有較多成果，但大多數都是宏觀層面的。日本產業技術研究所LCA研究中心開發了NICE模型，研究國家行業碳排量，結果顯示能源數量與類型是決定碳排量的決定性因素。上世紀九十年代末，美國和瑞典的科學家開發了LEAP模型，分行業研究碳排量［14］。LEAP模型需要知道碳排放系數才能進入下一步計算，有學者利用IPCC指南中的碳排放系數數據計算碳排量［15］。

不同于利用碳排放系數計算碳排量的方法，部分學者通過計量模型直接算出各種交通方式的碳排放因子，進而計算得出碳排量［14］。MOBILE模型是利用經驗公式計算各種因素對不同類型車輛排放量的影響，并用實際情況修正，最終得出實際運行狀態下的排放因子［16］。COPERT模型是由歐洲委員會研究得到，同樣分不同車輛類型研究碳排放因子［17-18］。MOBLE模型與COPERT模型的內在運算機理是不同的，且兩者對車輛類型的分類也是基于不同基礎。

表1　理論網絡［13］與現實網絡的α值、β值和γ值比較

以前者研究成果為基礎，結合需測算居民個體出行碳排量的實際情況，得到微觀碳排量計算模型如下：

其中：

Eij是i類交通出行方式，j種含碳化合物的一次排放量，單位：kg；

Ej是所有類型交通出行方式j種含碳化合物的一次排放量，i、n分別為交通出行方式類型和車型總數，單位：kg；

Pi是i類交通出行方式的數量，單位：輛；

Li是i類交通出行方式行駛里程，單位：km；

Efij是i類交通出行方式，j種含碳化合物的排放因子，單位：g/km。

借鑒學者研究成果［13-17］，結合本研究實際情況，得到碳排放因子（表2）。

表2　交通出行方式碳排放因子（單位：g/km）

2.SEM結構方程模型

為挖掘“交通網絡-出行行為-出行碳排量”的內在機理，擬采用結構方程模型進行研究。結構方程模型是一種處理多變量復雜關系的建模方法，相比回歸分析而言，能夠有效處理測量變量、潛在變量間的內生性，達到模型求解的目的。本研究只考慮外生變量和內生變量之間的路徑關系，并不考慮引入潛變量，故可使用如下的結構方程［19-21］：

y=By+Γx+ζ

其中，y為內生變量的列向量，x為外生變量的列向量，B為內生變量之間的隨機聯系矩陣，Γ為外生變量對內生變量影響的路徑系數矩陣，ζ為殘差向量，反映y在方程中未能解釋部分。

本研究在SPSS 20.0中建立了包含436個樣本數據的數據庫，并以此為基礎導入AMOS 17.0，利用最大似然法求解方程，進行參數估計。

（三）調研設計

通過問卷調查的方式，獲取居民一次交通出行中出行方式、出行距離、出行時長、出行成本等一手數據，并運用模型計算得到碳排量。調研采取隨機抽樣方法，在四個社區中心定點攔截過往社區居民，保證社區居民均在該交通網絡中出行。采用隨機抽樣的方法具有一定科學性，樣本可以代表總體的實際情況。在問卷調查時，調研者需要將社區范圍告知被訪者，即是將社區的主要交通出入口告知居民，仍然是為了保證居民在該交通網絡中出行。

調研共計發放480份問卷，其中有效問卷436份，有效率為90.83%。

在問卷調查的基礎上進行居委會訪談，獲取關于社區的基本資料。

二、社區居民出行碳排量特征

（一）社區基礎數據描述

選擇聚德社區、社學社區、祈福社區和曉西社區的原因是其交通網絡與Marshall S總結的直線型、輻射型、網格型和支流型交通網絡相似。近年來關于社區的研究逐漸興起，以社區作為個案研究對象具有合理性，且四個社區在區位特點、建設年代、住宅形態及其居民屬性特征上具有典型性（表3）。

表3　調查區基本情況

聚德花苑位于廣州市海珠區赤崗東大塘村，是廣州大型經濟適用房社區之一，由聚德東社區管轄，根據訪談得知社區有居民約5576戶，常住人口約9275人，外來流動人口約3522人，其交通網絡總長度為2.67km。社學社區位于廣州市番禺區市橋街中南部，根據訪談得知社區有居民約3475戶，常住人口約5432人，外來流動人口約1081人，其交通網絡總長度為3.13km。祈福新邨小區位于廣州番禺區，由鐘村社區管轄，由于小區面積過大，鐘村社區在小區內設有祈福新邨工作站，根據訪談得知小區有居民約39820戶，常住人口約572569人，小區居民經濟實力較強，無外來流動人口，其交通網絡總長度為10.13km。曉西社區位于廣州海珠區昌崗街道，根據訪談得知社區有居民約3392戶，常住人口約6345人，外來流動人口約2409人，其交通網絡總長度為2.05km。

（二）不同出行方式居民出行碳排量差異

簡單來講，不同交通工具，燃料不同，在不同路況燃燒程度不同，碳排放因子不同，故而搭乘其出行所產生的碳排量可能存在差異。用人均每公里碳排量來反映該種交通工具出行碳排量特征，分析何種出行方式最低碳。碳排量由微觀碳排量測算模型算出，每公里碳排量用碳排量與問卷調查數據中出行距離的比值經過單位換算得到，結果如表4所示。

表4　不同出行方式人均每公里碳排量

步行和自行車兩種出行方式碳排量為0，在剩下的出行方式中，公交車的碳排量最低，其次是貨車和電動自行車，接下來微型私家車的碳排量小于摩托車小于轎車型私家車，出租車的碳排量最高。

在只考慮碳排量的情況下，低碳出行方式最優的是步行、自行車和公交車。

（三）不同社區居民出行碳排量差異

以聚德社區、社學社區、祈福社區和曉西社區分別代表直線型、輻射型、網格型和支流型交通網絡。在不同交通網絡行車時，由于其連通度即網絡α值、β值和γ值不同，居民出行時可供選擇的最佳路徑存在差異，可能會影響居民出行碳排量。

由于不同出行方式對碳排量會產生影響，為了更加準確地顯示不同交通網絡對碳排量的影響，控制出行方式變量，以微型私家車為例，結果如表5所示。

表5　社區居民出行碳排量

在出行碳排量方面，社學社區居民平均出行碳排量最低標準差最小，其次是曉西社區、聚德社區，祈福社區居民平均出行碳排量最高標準差最大。這一結果顯示，不同交通網絡類型的社區之間居民出行碳排量存在差異，說明不同交通網絡對居民出行碳排量可能存在影響，這種具體的影響機制有待后續探討。

三、社區居民出行碳排量影響機制

（一）變量操作化賦值

社區居民出行碳排量的影響機制是以建構SEM結構方程模型的方法來進行解釋，在模型中以居民出行碳排量為因變量，出行方式、出行距離、出行時長與出行成本為中介變量，網絡連通度為自變量。其中居民出行碳排量、出行距離、出行時長和網絡連通度都是數值變量，只有出行方式不是數值變量需要進行賦值。

賦值方法依據前文（表4）關于不同交通方式出行碳排量研究的結果，由低碳到高碳依次賦值0～7等級變量（表6）。

表6　出行方式變量賦值及分布情況

（二）社區居民出行碳排量結構模型建構

在AMOS 17.0軟件中，導入SPSS 20.0形成的436個樣本數據庫，分組引入變量，逐步優化模型。在AMOS軟件中選擇Analysis Properties菜單，勾選Standardized estimates將原始數據正規標準化。本研究不考慮引入潛變量，所有變量均為測量變量。假設外生變量對內生變量都是單向傳導；內生變量部分增加誤差項檢驗ei（i=1，2，3，4，5），設定交通網絡會影響出行行為，出行行為會影響出行碳排量，但是反之沒有相關假設。故而交通網絡是外生變量，出行行為與出行碳排量為內生變量。

運行模型，在AMOS軟件中選擇Analysis Properties菜單，勾選Modification Indices選項，便于進行模型修正，并參考輸出的變量協相關矩陣和路徑矩陣系數的相伴概率P值的顯著性，逐漸去除與預期不符、不顯著的作用路徑。

綜合考慮路徑顯著性與模型整體優度，經過多次嘗試，得到最終模型的最小卡方值（CMIN）為21.324，自由度（DF）為9，最小卡方值和自由度的比值CMIN/ DF=2.369＜3，數據有效性指標P=0.061＜0.1，且規范擬合指數NFI=0.996＞0.9，比較擬合指數CFI=0.998＞0.9，擬合優度指數GFI=0.985＞0.9，近似均方根殘差RMSEA=0.063＜0.08，說明模型的整體擬合優度較高，數據有較高的匯聚有效性，誤差項殘差檢驗通過，最終模型接近最優模型，可以用其進行后續分析（圖3）。

（三）社區居民出行碳排量結構模型分析

本研究假設交通網絡影響出行方式、出行時長、出行距離與出行成本中介變量，進而影響出行碳排量。構建模型過程中，出行成本整體表現不顯著，誤差項檢驗未能通過，考慮構建最優模型，故將出行成本變量刪掉，用出行方式、出行時長、出行距離來表示出行行為變量。

圖3　社區居民出行碳排量結構模型

結構模型的結果顯示假設成立，整理AMOS軟件輸出的模型報告中標準化后的直接與間接路徑系數（表7），進一步分析各變量間的關系，挖掘居民出行碳排量的微觀機制。

表7　變量間的總體效應、直接效應和間接效應

1.交通網絡影響居民出行行為

從結構方程中輸出的標準化后直接效應系數可以看出，交通網絡變量直接影響出行行為變量中的出行時長和出行距離變量。

交通網絡α值對出行距離的直接影響系數達到-0.465，但未通過P檢驗；交通網絡γ值對出行距離的直接影響系數達到0.963，在0.05水平上顯著。交通網絡β值對出行時長的直接影響系數達到-0.34，在0.05水平上顯著。

交通網絡α值和γ值對出行距離的間接效應幾乎為0，忽略不計。交通網絡β值對出行時長的間接效應幾乎為0，忽略不計；交通網絡α值對出行時長的間接效應為-0.293，在0.05水平上顯著；交通網絡γ值對出行時長的間接效應為0.608，在0.05水平上顯著。

從總體效應系數可以看出，交通網絡α值和γ值對出行距離變量存在總體影響，交通網絡α值、β值和γ值對出行時長存在總體影響。

從效應系數的正負性可以看出，交通網絡α值越大，居民在其中出行的出行距離越近、出行時長越短；交通網絡β值越大，出行時長越短；交通網絡γ值越大，出行距離越遠、出行時長越長。

交通網絡α值的定義是網絡實際回路數與可能存在的最大回路數之比［22］，α值越大說明網絡中存在的實際回路數越大，即居民出行時可供選擇的出行路徑越多。在出行路徑越多的情況下，居民容易選擇到較短路徑，從而使其出行距離越近、出行時長越短；可能不同居民選擇了不同出行路徑，但由于其出行路徑較多，大多數被選擇的出行路徑都是較短路徑，從而使其出行距離越近、出行時長越短。

交通網絡β值的定義是網絡內每個節點所鄰接的邊的平均數目［22］，β值越大說明網絡中每個節點所鄰接的邊的數目越多，即居民出行時在一個節點上可供選擇的進一步路徑越多。出行時可供選擇的進一步路徑越多越容易選到相對距離近的路徑。

交通網絡γ值的定義是網絡實際邊數與它可能存在的最大邊數的比值［22］，γ值越大說明網絡實際邊數越多。網絡邊數越多，即居民出行可能經過的邊數越多，則出行距離越遠、出行時長越長。

2.居民出行行為影響出行碳排量

從結構方程中輸出的標準化后直接效應系數可以看出，出行方式、出行距離與出行時長變量均直接影響居民出行碳排量。

出行方式對出行碳排量的直接效應達到0.535，在0.05水平上顯著；出行距離對出行碳排量的直接效應達到0.838，在0.05水平上顯著；出行時長對出行碳排量的直接效應達到0.061，在0.05水平上顯著。

出行方式對出行碳排量的間接效應系數為-0.125，說明出行方式直接正向影響出行碳排量，但同時通過間接負向影響出行碳排量，作用結果顯示出行方式總體效應正向影響出行碳排量。出行距離對出行碳排量的間接效應系數為0.038，增強其對出行碳排量的正向總體效應。出行時長對出行碳排量的間接效應幾乎為0，可以忽略不計。

從總體效應系數的正負性可以看出，社區居民出行方式的選擇越低碳其出行碳排量越低；社區居民出行距離越遠其出行碳排量越高；社區居民出行時長越長其出行碳排量越高。

3.交通網絡影響出行碳排量

現狀研究中已經發現居民在不同交通網絡中出行會導致其出行碳排量不同，從結構方程中輸出的標準化后總體效應系數可以看出交通網絡變量對出行碳排量變量存在影響。

交通網絡α值、β值和γ值對社區居民出行碳排量的直接效應幾乎為0，即交通網絡變量對出行碳排量變量不存在直接影響。交通網絡變量對出行碳排量的總體效應等于間接效應。

交通網絡α值對出行碳排量的間接效應與總體效應為-0.407，在0.05水平上顯著；交通網絡β值對出行碳排量的間接效應與總體效應為-0.021，在0.05水平上顯著；交通網絡γ值對出行碳排量的間接效應與總體效應為0.843，在0.05水平上顯著。

交通網絡連通度三個指標中，γ值對出行碳排量的影響程度最大且為正向影響，其次是α值與β值的負向影響。結合三個指標的定義可以發現，α值與β值越大體現的是可供居民選擇的出行路徑越多，居民越容易選擇到相對距離近的路徑，從而使出行碳排量較低；γ值越大體現的是居民出行可能經過的邊數越多，則出行碳排量較高。

四、結論與展望

綜上所述，圍繞交通網絡對社區居民出行碳排量影響的研究命題，本文利用廣州市海珠區聚德社區、番禺區社學社區、番禺區祈福社區、海珠區曉西社區4個不同交通網絡類型的城市社區居民出行碳排量的問卷調查一手數據，測量居民個體出行碳排量均值，并基于居民個體數據建立“交通網絡-出行行為-出行碳排量”的結構方程模型，以揭示居民出行碳排量的影響機制，得到結論：交通網絡α值越大，出行距離越近，出行時長越短，出行碳排量越低；交通網絡β值越大，出行時長越短，出行碳排量越低；交通網絡γ值越大，出行距離越遠、出行時長越長、出行碳排量越高。

本研究從交通網絡角度切入，研究不同交通網絡類型社區居民出行碳排量的差異及其影響機制。交通網絡類型的劃分是采用Marshall S的研究成果，而區分不同交通網絡是利用圖論中連通度系數α值、β值與γ值的差別，建立結構方程時，便采用α值、β值與γ值編入數據庫。雖然α值、β值與γ值可以表示交通網絡的特征，但并不是交通網絡的全部，故而本研究存在局限性。

在現今經濟轉型的大背景下，高能耗高污染高碳排的經濟漸漸將被可持續低碳經濟所取代，低碳是未來的發展方向。低碳交通是實現可持續交通的一種重要途徑，是地理學領域的重要研究議題。在低碳交通大背景研究議題下，從行為主義的角度出發，關于居民出行碳排量的影響機制研究十分必要，而以交通網絡為切入點的研究一度缺乏，從增加系統研究的角度，交通網絡對出行碳排量的研究值得進一步探討。

［1］宿鳳鳴.低碳交通的概念和實現途徑［J］.綜合運輸，2010（5）:13-17.

［2］Bhat CR，Guo JY.A comprehensive analysis of built environment characteristics on household residential choice and auto ownership levels.Transportation Research Part B，2007，41（5）:506-526.

［3］Brownstone D.Key relationships between the built environment and VMT.In: Transportation Research Board and the Division on Engineering and Physical Science Special Report 298，Driving and the built environment: The effects of compact development on motorized travel，energy use，and CO2emission.2008.

［4］Brownstone D，Golob TF.The impact of residential density on vehicle usage and energy consumption.Journal of Urban Economics，2009，65（1）: 91-98.

［5］Handy S，Krizek JK.The role of travel behavior research in reducing the carbon footprint: Form the U.S.perspective.The Triennial Meeting of the International Association of Travel Behavior Research.Jaipur，India，2009，（10）

［6］Valle D，Niemeier D.CO2emissions: Are land-use changes enough for California to reduce VMT？Specification of a two-part model with instrumental variables.Transportation Research B，2011，45（1）:150-161.

［7］楊磊，李貴才，林姚宇，葉磊.城市空間形態與碳排放關系研究進展與展望［J］.城市發展研究，2011（2）: 12-17+81.

［8］劉沛，杜寧睿，黃經南，向澄.基于社區尺度的城市空間參數對家庭日常出行碳排放的影響研究［A］.中國城市規劃學會.多元與包容——2012中國城市規劃年會論文集（06.住房建設與社區規劃）［C］.中國城市規劃學會，2012:22.

［9］黃經南，杜寧睿，劉沛，韓筍生.住家周邊土地混合度與家庭日常交通出行碳排放影響研究——以武漢市為例［J］.國際城市規劃，2013（2）:25-30.

［10］Lowe，J.C.，1975.The Geography of Movement.Houghton Mifflin，Boston.

［11］Kelly，M.E.，1998.A geographer's analysis of hub-and-spoke networks.J.Transp.Geogr.6 （3），171-186.

［12］Bowen，J.T.，2012.A spatial analysis of FedEx and UPS: hubs，spokes，and network structure.J.Transp.Geogr.24，419-431.

［13］Marshall，S.，2005.Streets and Patterns.Spon Press，Oxon and New York.

［14］孫正春.基于低碳成本計算的城市交通結構優化研究［D］.西南交通大學，2011.

［15］馬靜，柴彥威，劉志林.基于居民出行行為的北京市交通碳排放影響機理［J］.地理學報，2011（8）:1023-1032.

［16］任小平.基于MOBILE6.2模型的西安市機動車綜合排放因子研究［D］.西安建筑科技大學，2006.

［17］謝紹東，宋翔宇，申新華.應用COPERTⅢ模型計算中國機動車排放因子［J］.環境科學，2006（3）:3415-3419.

［18］何春玉，王歧東.運用CMEM模型計算北京市機動車排放因子［J］.環境科學研究，2006（1）:109-112.

［19］吳明隆.結構方程模型:AMOS的操作與應用［M］.重慶大學出版社，2009:263-305.

［20］吳明隆.結構方程模型:AMOS實務進階［M］.重慶大學出版社，2013:116-201.

［21］黃芳銘.結構方程模式:理論與應用［M］.中國稅務出版社，2005:4-26.

［22］高潔.交通運輸網絡連通性評價指標分析［J］.交通運輸工程與信息學報，2010（1）:35-38.

（責任編輯：盧小文）

Impact of Road Networks on Household Travel Carbon Emissions in Guangzhou: A Case study of Jude，Shexue，Qifu and Xiaoxi Communities

Luo Yi，Cao Xiaoshu

Building low-carbon transportation system is a key way to construct a sustainable transportation system，and it has become an important issue in the field of geographic research.At the same time，the study on household travel carbon emissions is an integral part of the low-carbon transportation system.Community is a unit of analysis on urban research to conduct the impact research among road network types and household travel carbon emissions.Four communities of different road network types in Guangzhou are selected for case study to examine the inner mechanism between road network types and travel carbon emissions in community with the help of AMOS 17.0.The result shows that the greater the value of road network α is，the closer travel distance，the shorter travel time，and the lower travel carbon emissions are.The greater the value of road network β is，the shorter travel time，and the lower travel carbon emissions are.The greater the value of road network γ is，the furtherer travel distance，the longer travel time，and the higher travel carbon emissions are.

travel carbon emission； road network； structural equation mode

U121

10.3969/j.issn.1674-7178.2016.05.012

羅依，中山大學地理科學與規劃學院碩士，研究方向：交通地理與土地利用。曹小曙，中山大學地理科學與規劃學院教授，主要研究方向：交通地理與土地利用。

國家自然科學基金項目“改革開放以來中國城市全球化：過程、格局、動力與空間”（41130747）、國家自然科學基金項目“城市公共交通可達性對小汽車擁有及使用決策的影響研究”（41171139）成果。