利用一种可解释的集成机器学习框架，探究城市内部建成环境对碳排放的非线性影响

《Habitat International》：Exploring the nonlinear impacts of the intra-urban built environment on carbon emissions using an interpretable ensemble machine learning framework

　　摘要
城市建成环境（UBE）在很大程度上塑造了碳排放的轨迹，然而现有研究大多依赖于零散的维度分析、粗略的行政单元和同质的线性假设，这使得UBE与碳排放之间全面的多维度、时空异质性和非线性相互作用尚未得到充分研究，尤其是从反映现实世界人为活动的城市内部角度来看。本研究以2010年至2024年间中国的286个地级市为测试对象，构建了一个包含5个维度（如密度、多样性、设计、目的地可达性和到公共交通的距离）的城市内部UBE框架，并开发了一个可解释的集成学习模型来解耦城市内部UBE与碳排放之间的复杂关联。结果表明，城市内部UBE总共占影响总量的61.51%，超过了社会经济因素的作用。此外，研究还发现了非线性阈值和交互效应：密度和多样性呈现出倒U形关系，而城市紧凑性和城市绿色及蓝色空间则显示出持续的负相关。关键在于，只有当主动交通网络与公共交通的便捷性相结合时才能减少排放；道路密度的增加仅能在紧凑型城市中降低排放；多中心性与紧凑性相结合才能在一定范围内实现减排。在时间上看，绿色空间、主动交通、多样性和多中心性的相对重要性有所增加，而密度的相对重要性则有所下降。在空间上，城市内部UBE的影响在不同地区和城市之间存在显著差异。多中心性在新兴集聚区效果最佳，而在核心大城市中，公共交通的便捷性则达到了收益递减的阶段。研究结果表明，低碳城市政策必须根据具体情境设定时空敏感的阈值，将城市内部UBE作为基础性的气候缓解工具。

引言
人为碳排放对全球可持续发展的挑战日益严重，因为它加速了气候变化。据初步估计，到2024年，全球化石碳 dioxide（CO2）排放量将进一步增加，达到每年10.2吉吨（GtC/年）（Friedlingstein等人，2025年）。作为全球化石CO2排放的最大贡献者（31%），中国承诺在2030年前达到碳排放峰值，并争取在2060年前实现碳中和（Sun等人，2022年）。在这种背景下，中国在建筑、能源消费、交通系统和工业制造等多个方面实施了多种碳减排策略（Gutowski等人，2013年；Wu、Qiao等人，2023年）。
与城市化相关的土地利用和覆盖变化所导致的碳排放是一条被广泛记录的排放途径，估计约占全球人为碳排放的30%（Chapman等人，2017年）。一方面，土地利用和覆盖变化（如森林砍伐和建成区扩张）会直接导致原本封存的碳释放到大气中，从而增加碳排放（Qiao、Wu等人，2024年；Zhou等人，2026年）。另一方面，一旦在城市建成区内形成，城市建成环境（UBE）的模式会通过决定建筑物、公共服务设施、交通系统和其他基础设施的分布，间接影响长期碳排放轨迹（Liu、Qiao等人，2024年）。传统的“5D”框架包括五个核心维度，即密度、多样性、设计、目的地可达性和到公共交通的距离，用于描述UBE的模式（Cervero & Kockelman，1997年；Ewing & Cervero，2010年）。与土地转换一次性释放的碳不同，UBE可以长期影响住宅能源消耗、交通需求和基础设施效率，进而影响碳排放。近期文献的实证证据表明，来自间接来源（如UBE）的碳排放越来越超过直接贡献（Ou等人，2024年）。这强调了深入理解影响碳排放的UBE特征的重要性。
尽管学术界对这些研究的兴趣日益增长，但现有研究存在三个潜在问题需要解决。首先，传统的5D指标主要用于研究与旅行碳排放相关的出行行为（Ewing & Cervero，2010年）。然而，UBE是一个相互作用的综合系统，涵盖了社会、经济和生态活动，最终影响城市碳排放（Feng等人，2024年；Mundaca等人，2022年）。将传统的UBE 5D指标直接应用于碳排放分析可能会忽略与住宅碳排放相关的关键因素（Zhi等人，2024年）。大多数出版物主要单独关注UBE的一个或两个方面（如城市密度、城市空间结构），而不是将UBE的多维因素整合到一个框架中（Feng、Wang、Li等人，2025年；Li等人，2026年；Qin & Han，2013年；Yang、Zhang等人，2024年）。这种缺陷可能会妨碍对UBE与碳排放之间关联的清晰理解，并对评估单个UBE因素的相对重要性及其相互作用带来挑战（Ou等人，2024年；Shunfa等人，2022年）。其次，大多数研究主要针对特定城市或地区（Gao等人，2024年；Ke等人，2022年；Yang、Zhang等人，2024年）；很少有研究详细探讨UBE的多维特征如何影响全国范围内的碳排放，这可能导致结论的普适性和代表性不足。此外，以往的研究主要依赖于行政边界，将分析单元视为 homogeneous 实体，并使用统计数据来分析UBE因素对碳排放的影响（Feng、Wang、Wu等人，2025年；Liu等人，2020年；Wang等人，2022年）。然而，这种方法忽视了城市内部UBE和碳排放的空间异质性，未能反映现实中的底层人为社会经济活动。第三，大多数现有研究通常假设UBE因素与碳排放之间存在线性关系，采用单一算法方法，如传统回归模型（如普通最小二乘法）和空间计量经济学技术（如空间自回归模型、地理加权回归）（Qiao、Liu等人，2024年；Wu、Qiao等人，2023年；Yu等人，2022年）。不幸的是，尽管有一些研究使用了阈值回归模型、面板分位数回归和其他具有功能形式和阈值数量及位置预指定的非线性计量经济学方法，但这些方法可能无法有效准确捕捉当同时考虑UBE的多个维度时出现的非线性、阈值效应或相互作用。此外，单一算法方法可能会导致过拟合和结果解释的情境依赖偏差（Liu等人，2026年）。
为了填补这些知识空白，本研究以中国286个地级城市的内部区域为测试对象。通过采用一个可解释的集成机器学习模型，并结合高分辨率的多源异构数据，我们系统地研究了包括5个维度因素在内的综合城市内部UBE对中国碳排放的非线性影响。具体而言，我们在三个方面推进了现有研究。首先，我们通过对传统5D框架的每个维度进行适应性重构和特定情境下的重新配置，拓展了其在碳排放分析中的含义。其次，我们将分析单元从行政边界转变为城市建成区内，并覆盖了十五年间的286个地级市。这种城市内部的全国范围视角能够以普遍性和代表性捕捉细微的时空异质性。第三，我们提出了多模型基准测试方法，并开发了最高效和准确的可解释集成学习模型来分析城市内部UBE对碳排放的非线性影响。除了识别非线性外，我们进一步揭示了不同UBE因素之间的具体阈值和相互作用，并将这些解释基于已建立的城市理论和行业文献。最终，本研究提供了一个创新且全面的视角，以理解综合城市内部UBE在塑造城市碳动态中的重要作用，从而为政策制定者提供了关于城市内部UBE管理的实用见解，以促进可持续城市发展。
本研究的其余部分安排如下：第2节详细回顾了相关文献，强调了本研究旨在解决的潜在差距；第3节概述了研究区域、变量和数据来源的全面描述；第4节提出了实证研究中采用的方法论框架；第5节和第6节分别报告了主要实证结果并进行了深入讨论，包括对政策制定者和城市实践者的实际意义；第7节总结了本研究的发现和贡献。

UBE的概念框架
现有文献表明，UBE因素及其影响的衡量标准在不同情境下差异很大，常常缺乏一致性。Robert Cervero和Kara Kockelman提出了一个3D框架来衡量UBE，即密度（人口密度、就业密度等）、多样性（零售店、活动中心、公园和娱乐场所的分布等）和设计（四路交叉口、街区长度和人行道宽度等）（Cervero & Kockelman，1997年）。Reid Ewing等人...

研究区域
作为全球碳排放的主要贡献者，中国的碳排放对于评估全球碳中和至关重要。因此，本研究重点关注市级单位，这些单位是中国实施环境监管政策的主要行政单位。由于数据获取的限制，我们专注于一个包含2010年至2024年间中国286个地级市的年度面板数据集。这些城市主要分布在...

方法论
图4展示了本研究的方法论工作流程。该流程从特征工程和空间分析开始，经过多个机器学习算法之间的多重共线性测试和模型选择，到超参数优化、模型解释，最后通过蒙特卡洛模拟提高模型的稳健性和可靠性。

人均碳排放的时空特征
图5_a显示了十五年间人均碳排放和全球Moran's I指数的波动上升趋势。2010年至2024年间，人均碳排放从2010年的1.87吨增加到2013年的1.94吨，随后小幅下降至2016年的1.89吨，然后在2019年回升至1.99吨。2013年至2016年的下降是一个有据可查的结构变化（Guan等人，2018年）。一方面，在“大气十项”计划下，全国煤炭消费显著下降...

城市内部UBE因素对碳排放的不同路径及其影响对低碳发展具有重要意义（Qiao、Wu等人，2024年）。在这种情况下，城市内部UBE中各种因素的特定阈值至关重要（Liu、Wu等人，2025年）。下面报告的数值是从SHAP依赖图中得出的经验参考点（图7）。

结论
本研究量化了2010年至2024年间中国城市内部UBE对碳排放的时空异质性和非线性影响。它在三个方面为现有文献做出了贡献。首先，构建了一个包含低碳导向的5个维度因素的城市内部UBE框架，即密度、多样性、设计、目的地可达性和到公共交通的距离，以全面理解影响碳排放的综合城市内部UBE。

资金支持
本项工作得到了国家社会科学基金青年项目（编号25CJY130）和中国教育部人文社会科学青年基金会（编号24YJCZH182）的支持。

作者贡献声明
Xiaochang Liu：撰写——原始草案、可视化、监督、项目管理、方法论、调查、资金获取、数据管理、概念化。
Wen Liu：撰写——审阅与编辑、数据管理。
Tianzhe Zhang：撰写——审阅与编辑、数据管理。
Xiang Ao：撰写——审阅与编辑、方法论、数据管理。
Zhiliang Zhu：撰写——审阅与编辑、资源管理、数据管理。
Xueliang Zhang：撰写——审阅与编辑、正式分析。
Zeyin Chen：...

利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所报告的工作。