能源贫困与气候脆弱性这一双重负担
《Energy Economics》:The dual burden of energy poverty and climate exposure
【字体:
大
中
小
】
时间:2026年08月28日
来源:Energy Economics 13.5
编辑推荐:
•地理空间分析将家庭能源贫困与极端气候联系起来。
•气候变量比收入更能预测家庭能源成本。
•需要制定针对特定地区的、对气候有响应的政策。
**引言**
家庭能源负担是指家庭在能源上的支出占其收入的比例,这种负担加剧了面对环境危害(如增加制冷需求的热浪和提高供暖需求的寒冷天气
•地理空间分析将家庭能源贫困与极端气候联系起来。
•气候变量比收入更能预测家庭能源成本。
•需要制定针对特定地区的、对气候有响应的政策。
**引言**
家庭能源负担是指家庭在能源上的支出占其收入的比例,这种负担加剧了面对环境危害(如增加制冷需求的热浪和提高供暖需求的寒冷天气)的脆弱性。在美国,最近的一项研究表明,约有16%的家庭面临高能源负担,即他们在能源上的支出超过收入的6%(Scheier和Kittner,2022年)。这种情况通常被称为能源贫困,主要影响社会中的低收入、老年人和少数族裔家庭(Drehobl等人,2020年;Bednar和Reames,2020年;Hernández,2016年)。低收入家庭常见的老旧且隔热效果差的住宅需要更多的能源来维持安全的室内温度,从而加重了财务负担并降低了居住舒适度(Bouzarovski和Petrova,2015年;Bednar和Reames,2020年;Berry,2018年)。Hernández(2016年)将这种循环描述为“能源不安全”,即有限的资源迫使人们在能源使用和基本需求(如食物或医疗服务)之间做出权衡。实证研究一致表明,高能源负担与不良健康结果相关,包括对热应激、呼吸系统疾病和慢性心理压力的更大脆弱性,尤其是在社会和经济上处于不利地位的群体中(Reames,2016年;Thomson等人,2019年;Jessel等人,2019年;Bednar和Reames,2023年)。面临能源贫困的家庭往往居住在能源效率低下的住宅中,这使他们更容易受到热浪和寒冷天气等极端气候的影响(Li等人,2024年;Franconi等人,2023年)。气候变化正在加剧这些环境压力:自20世纪60年代以来,美国的热浪频率增加了三倍,而强降水事件自20世纪下半叶以来也变得更加频繁和强烈(Reidmiller等人,2018年;Blunden和Boyer,2021年;Ranasinghe等人,2021年)。
**环境正义文献** 强调了脆弱社区所面临的过度气候风险。低收入社区不成比例地受到城市热浪和洪水灾害的影响(Frosch等人,2018年;Hsu等人,2021年;Collins等人,2019年)。黑人及非裔美国人居住在极端高温风险预计增幅最大的地区的比例比普通人群高40%(美国环境保护署(EPA),2021年)。这些社区中的老年人尤其在热浪期间死亡率较高,因为他们对极端高温的生理脆弱性更大(Li等人,2015年;Watts等人,2021年)。最近的研究呼吁实施有针对性的政策项目,例如升级低效住房、扩展社区制冷基础设施以及优先投资于韧性建设,以减少这些过高的气候影响(Zhou等人,2020年;Kumar等人,2024年)。
综上所述,现有文献突出了两个不同但平行的脆弱性:一是家庭面临高能源负担,二是人口不均衡地暴露于气候风险中。然而,这两种情况的交叉——即同时面临高能源负担和高气候风险的家庭——尚未得到充分研究。这些“双重脆弱性”家庭在满足基本能源需求方面面临最大的财务压力,同时又在物理上暴露于日益加剧的气候极端事件中。尽管这对能源公平和气候适应具有重要意义,但这一群体在实证研究中受到的关注有限,且缺乏系统识别和分析的方法。
本文通过开发一种方法论框架来解决这一空白,揭示家庭层面的能源负担与气候风险之间的空间重叠。该研究在能源负担和气候脆弱性研究中做出了三项贡献:首先,引入了一种稳健的空间匹配方法,将家庭调查数据与网格化气候数据集连接起来,即使缺乏细粒度地理定位也能分配特定位置的暴露情况;其次,采用局部线性森林(LLF)模型来预测家庭能源支出并确定最重要的预测因素;第三,模拟了四种政策方案,以评估它们在减少能源支出方面的有效性,既针对双重脆弱性家庭,也针对整个美国的人口。
分析基于美国住宅能源消费调查(RECS),这是一个在能源贫困研究中广泛使用的数据集。RECS提供了关于住宅特征、家电保有量、能源使用和家庭人口统计信息的微观层面数据。先前的研究利用RECS揭示了过去25年中持续的种族差异(Wang等人,2021年),并评估了住宅能效激励的分配影响(Jacobsen,2024年)。其他研究采用计量经济学和机器学习方法来识别最能预测住宅电力需求或总能源使用的 housing 和行为属性(Fumo和Biswas,2015年;Zhang等人,2018年;Iraganaboina和Eluru,2021年)。然而,RECS的一个主要限制是其公共使用的微观数据在州级以下隐藏了地理标识符,以保护受访者的隐私。如果没有精确的家庭地理定位,研究人员无法直接将RECS与当地气候条件、公用事业费率或社区特征合并。这一限制导致了聚合偏差:分析通常被迫依赖于州级平均值,从而掩盖了州内和家庭间的异质性。为了解决这个问题,本研究将每个RECS家庭与国家航空航天局(NASA)的Daymet 10公里×10公里网格化气候场连接起来,从而恢复了细粒度的空间背景,同时保留了调查中丰富的行为和人口统计细节。通过将家庭能源支出与极端温度(如热浪和寒冷天气)的本地化测量值对齐,分析减少了聚合区域数据中的平滑效应。这种更高的空间分辨率允许更准确地估计气候暴露与家庭能源使用之间的关系,特别是在地形复杂的地区,那里的局部气候梯度可能在短距离内发生变化。
这项工作还建立在越来越多使用地理空间方法来映射社会环境脆弱性的研究基础上,特别是在能源贫困和气候风险方面。例如,Hsu等人(2021年)和Mitchell和Chakraborty(2018年)结合卫星-derived温度和人口指标揭示了城市热不平等现象。然而,大多数现有研究仅限于单一地区或狭窄的人口群体,限制了从全国范围来看待能源贫困和环境危害交叉点的视角。最近的努力包括Ummel等人(2024年)将RECS与美国社区调查(ACS)合并以分析全国范围内的能源消耗,以及Batlle等人(2024年)采用类似方法评估低收入家庭能源援助计划(LIHEAP)下的能源贫困情况。然而,这些研究仅根据人口特征将RECS家庭与人口普查区连接起来,未能充分利用更精细的地理变异。此外,他们的分析没有考虑局部气候对能源支出的影响。
为了填补这一空白,我首先从Daymet的1公里温度网格中计算每日冷却度日(CDD)和加热度日(HDD),并在Google Earth Engine(GEE)中将它们聚合成10公里×10公里的单元,以提高计算效率。然后,通过k最近邻算法将RECS家庭与这些网格匹配,根据CDD和HDD将每个家庭分配到最可能的网格单元,并恢复近似坐标。这种策略将RECS的行为丰富性与详细的地理空间信息结合起来,使得能够在全国范围内分析能源负担如何与当地环境条件相互作用。添加地理空间背景带来了三个分析优势:
1. 更详细的可视化:县和社区级别的可视化揭示了在州级汇总中不可见的高能源负担空间聚集区。
2. 与地理空间数据集的扩展集成:一旦确定了像素级别的位置,RECS数据就可以与其他高分辨率的空间层(包括空气质量测量、洪水风险地图和公用事业收费区)连接起来。
3. 改进的计量经济建模:可以直接地将气候变量作为协变量纳入模型。这通过捕捉局部环境变化来提高能源支出预测的准确性,从而能够更全面地分析影响家庭能源成本和脆弱性的基于地点的因素。
在为每个家庭分配地理空间坐标后,我将从MERRA-2中得出的气候风险指标(包括热浪和寒冷天气强度的指标)与RECS数据合并。将这些指标与估计的能源负担一起绘制地图,有助于识别高能源负担和极端气候条件重叠的“热点”——这些区域被称为面临双重脆弱性的家庭。这种空间明确的见解为制定旨在增强家庭对气候相关风险抵御能力的针对性政策提供了基础。此外,还使用了包括Lasso、Ridge、随机森林(RF)、局部线性森林(LLF)以及带协变量的局部线性森林(LLF-cov)在内的高级预测模型,通过均方误差(MSE)和平均绝对百分比误差(MAPE)来评估和比较预测准确性。这些模型通过结合多个决定因素(包括能源需求(以英热单位BTU计)、社会经济指标(如收入、家庭规模)、住房特征(如建筑年龄、隔热质量和供暖或冷却系统)以及局部气候数据(如供暖和冷却度日及降水量)来预测家庭能源消耗(以美元计),从而全面评估影响能源支出的行为和环境因素。
研究表明,家庭能源支出与气候相关因素密切相关。具体而言,气候条件(通过供暖和冷却度日、极端温度事件的频率(如热浪和寒冷天气)以及年降水量累积)成为重要的预测因素。这些环境变量,加上住房特征(住宅年龄)、家庭规模和能源来源(尤其是电力和丙烷的使用),共同显著影响了模型的预测性能。虽然家庭收入也对预测能源支出有贡献,但其预测能力相对于气候和结构因素较弱,表明环境暴露和住房基础设施是比经济能力更直接的影响因素。重要的是,研究发现了能源负担和环境风险的空间聚集,识别出既高度暴露于极端气候条件又特别容易面临高能源成本的家庭。这一见解突显了基于位置的计划的潜力,这些计划可以增强住房隔热效果并提高获得负担得起能源的机会,使脆弱家庭能够在原地适应,而不是搬迁。通过整合能源使用、环境暴露和社会人口统计脆弱性的数据,分析为识别和支持处于气候风险和能源贫困交叉点的社区提供了一个框架。
**政策模拟结果** 强调了制定针对特定地区的、对气候有响应的策略来解决日益波动的气候中的能源负担的重要性。未来的研究应探讨如何有效地将各种政策工具(包括智能技术、能源效率升级和财政援助)适配到不同的区域和社会经济环境中。自动化的能源使用技术或集成可再生能源的技术可能为面临极端温度的家庭带来显著的成本节约。同样,传统的住房升级(如隔热和高效的暖通空调系统)对于减少脆弱地区的供暖和冷却需求仍然至关重要。总的来说,这些发现强调了需要结合技术改进和社会经济支持的综合方法,以增强家庭的韧性,使脆弱家庭能够在无需搬迁的情况下更好地适应气候风险。
**部分摘录**
**家庭能源调查数据**
2020年的住宅能源消费调查(RECS)由美国能源信息署(EIA)管理,是这项分析的主要数据来源,提供了18,496个具有全国代表性的家庭层面的数据,涉及能源使用、燃料类型、房屋特征和家庭人口统计变量。电力、天然气、丙烷和燃料油的能源消耗以千英热单位(BTU)报告,便于进行跨地区的比较。
**地理空间匹配:RECS和Daymet**
HDD和CDD可以作为与住宅能源需求直接相关的外部环境条件的稳健指标,特别是对于空间供暖和冷却。这些指标本质上是位置特定的,因为它们是根据给定地理点的每日平均气温相对于标准基准温度(通常是65°F或18°C)得出的。HDD和CDD的计算不仅反映了气候条件,还反映了它们的强度,捕捉到了累积效应。
**政策模拟**
为了进一步研究有针对性的能源计划,我首先关注那些既面临高能源负担又暴露于极端气候条件的家庭。通过使用统计上显著的Getis–Ord Gi*热点(p≤0.05),在热浪频繁的地区识别出631个家庭,在寒冷天气频繁的地区识别出638个家庭。图11表明,减少这些极端温度事件的频率可以显著降低这些家庭的能源支出。
**算法验证**
由于家庭调查很少同时提供精确的地理标识符(如GPS坐标或地址)和家庭层面的气候指标(如供暖和冷却度日HDD和CDD),因此仅通过基于调查的数据很难直接验证本研究中使用的位置匹配算法。作为一种替代的验证策略,我将美国国家海洋和大气管理局(NOAA)的全球历史气候网络每日数据(GHCN-D)中的基于点的气候观测数据与网格化气候数据进行比较。
结论
本研究追求几个相互关联的目标。首先,开发了一种强大的匹配算法,根据家庭的温度暴露特征将地理空间信息分配给这些家庭。通过将每个家庭与最可能的网格单元关联起来并恢复其大致的地理坐标,该方法可以在家庭层面进行基于气候信息的空间分析。重要的是,这种方法适用于任何调查场景,在这些场景中,家庭的地理位置可能是保密的或未被观测到的。
张月彤
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号