建成环境与共享按需公交碳减排潜力的时空关联研究

《Frontiers in Public Health》：Spatiotemporal associations between the built environment and carbon emission reduction potential of shared on-demand transit

　　

摘要：共享按需公交（shared on-demand transit, ODT）已成为一种有前景的出行解决方案，有助于减少交通相关的碳排放并支持更可持续的城市环境。然而，关于建成环境特征如何与其碳减排潜力在空间和时间上相关联的证据仍然有限。本研究旨在量化通过ODT可实现的最大碳减排量，并识别与其空间变化相关的建成环境因素。研究人员开发了一个整数线性规划（integer linear programming）模型，结合多乘客出行优化框架，利用出行需求数据估算可实现的碳减排量。随后采用XGBoost模型检验其与建成环境特征的关系，同时运用SHAP（SHapley Additive exPlanations）和偏依赖分析（partial dependence analysis）来解释非线性、阈值和空间异质性关系。结果表明，ODT在早间时段最多可减少17.67%的碳排放，在晚间时段最多可减少14.48%。建成环境特征表现出显著的时空异质性，其中与就业和教育相关的土地利用在晚间显示出比早间更高的非线性阈值。局部解释进一步揭示了特征贡献的显著空间变化，教育设施、就业中心和郊区地铁站周边区域与更大的碳减排潜力相关。这些发现为有针对性的ODT实施提供了空间证据，并突显了建成环境特征在指导低碳出行策略和可持续城市交通规划方面的潜力。

一、研究背景与问题

城市交通系统是全球碳排放的主要贡献者之一，在实现可持续发展目标中扮演关键角色。共享按需公交（shared on-demand transit, ODT）作为一种灵活的需求响应型出行方案，通过整合具有相似起讫点和时间特征的出行请求，有望提高车辆利用率并减少冗余出行，从而降低能耗和碳排放。现有研究主要集中在ODT的服务运营与系统优化方面，对其环境效益的评价多停留在系统层面或平均性能改进上，缺乏对碳减排潜力在不同城市环境中空间差异性的理解。建成环境（built environment）已被公认为影响城市出行需求和行为的关键因素，但关于它如何塑造ODT碳减排潜力空间分布的研究仍十分有限。因此，识别从碳减排角度出发的ODT优先部署区域仍是城市交通规划和空间决策中的重大挑战。

二、研究内容与结论

为填补上述空白，本研究首先量化了ODT可实现的碳减排潜力，进而揭示与之相关的建成环境特征。研究以上海张江约11.9 km × 11.8 km的区域为案例，基于2021年9月中旬一周内6天的乘客出行数据（包括工作日和周末），聚焦早间（7—10点）和晚间（17—20点）两个时段。研究发现，ODT服务可使早间时段碳排放降低17.67%，晚间时段降低14.48%；每趟行程的平均减排量在早间为100.54克，晚间为82.83克。更重要的是，碳减排潜力在研究区域内呈现出显著的空间异质性，早间高值区集中于西南部和东南部，而晚间则向西北部转移，表明ODT的优先部署应基于局部的时空特征而非统一策略。

三、关键技术与方法

研究人员采用了以下关键技术方法：

1. 1.
   整数线性规划模型（Integer Linear Programming, ILP）：将ODT调度问题建模为网络优化模型，以最大化服务性能为目标，生成可行的共享行程和车辆路径，用于后续碳排放估算。假设车队规模为400辆电动车，每车容量8人（含驾驶员），乘客最长等待时间为5分钟。
2. 2.
   碳排放估算：基于路段长度、单位能耗（0.2 kWh/km）和上海电网2020年电力碳排放因子（0.548 kgCO₂/kWh），计算每位乘客在共享行程中的分摊碳排放，并与出租车模式下的最短路径碳排放进行比较。
3. 3.
   XGBoost机器学习模型：用于探究建成环境变量与碳减排潜力之间的非线性关系。模型配置为120个估计器、学习率0.02、最大树深度4，训练集R²为0.88，独立测试集R²为0.64。
4. 4.
   SHAP（SHapley Additive exPlanations）解释方法：量化各建成环境变量的全局和局部贡献，揭示其重要性和方向性。
5. 5.
   偏依赖分析（Partial Dependence Plots, PDPs）：展示单个特征对预测结果的平均效应，识别非线性趋势和阈值效应，并结合二维PDP考察特征间的交互作用。

四、研究结果

4.1 碳减排潜力的时空分布

早间时段碳减排总量为17.67%，晚间为14.48%。空间分布显示，早间高值区集中在西南部和东南部，晚间则向西北部偏移，低值甚至负值出现在北部网格，表明不同时段优先部署区域差异显著。

4.2 建成环境变量的相对重要性

通过XGBoost模型的SHAP特征重要性分析发现，早间时段最重要的变量是到市中心距离（24.79%），其次为人口密度（20.08%）、公司密度（15.36%）和教育设施密度（15.15%）。晚间时段公司密度跃居首位（23.49%），其后为人口密度（20.27%）、到市中心距离（18.29%）和教育设施密度（17.46%）。这表明建成环境与碳减排潜力的关联存在时间异质性，反映通勤需求的定向特征。

4.3 建成环境变量的非线性效应

偏依赖分析揭示了明显的非线性关系和阈值效应。早间时段，碳减排潜力随到市中心距离增加而下降，超过约7 km后降幅显著；人口密度约20,000人/km²以上时减排潜力快速上升；公司密度约75家/km²以上、教育设施密度约40家/km²以上时增长明显。晚间时段，公司密度阈值升至约180家/km²，人口密度阈值约为22,000人/km²，教育设施密度在40—70家/km²范围内关联较高减排潜力。这些阈值在早晚时段之间存在变化，反映了不同出行需求特征的影响。

4.4 建成环境特征的交互效应

二维偏依赖分析显示，到市中心距离与公司密度的交互呈现空间异质性：在外围地区（距市中心超过7,000 m），公司密度从低水平增至约200家时，碳减排潜力从约2,900克升至12,094克，增幅大于中心区。类似地，教育设施密度在外围地区的减排响应也更敏感，表明外围就业和教育集群可作为ODT优先部署的潜在区域。

4.5 代表性区域的局部空间解释

选取四个典型区域进行局部SHAP分析：（a）中央混合用途区：多种活动相关变量共同促进减排，密集路网和高可达性提供有利条件；（b）住宅-教育区：教育和居住变量主导减排潜力，大学导向的住宅区适合ODT补充公共交通；（c）就业导向区：就业相关变量占主导，集中通勤流有利于高效乘客聚合，尤其是远离高容量公交走廊的就业集群；（d）外围混合用途区：地铁可达性、用地多样性和商业活动共同贡献，ODT在此主要改善首末公里接驳。

五、讨论与结论

研究结论指出，ODT的环境效益在不同城市环境和出行时段之间存在显著差异。建成环境特征与碳减排潜力呈强非线性关联，人口密度、就业集中度和到市中心距离持续解释大部分空间变异，但其相对重要性在早晚时段有所不同。阈值和交互分析揭示了不同建成环境组合下的差异化响应模式，某些支持性条件的组合可带来更大的碳减排潜力。从规划角度看，ODT部署应依据局部建成环境特征，就业活动集中、城市功能完善的区域为高效乘客共享和更大碳减排提供有利条件。研究同时承认若干局限性：出行数据的时间覆盖较短，未涵盖季节性变化；研究仅针对上海特定区域，结论推广性有待验证；碳排放估算受排放因子不确定性影响。未来研究可采用更长周期的数据、多城市比较和更情境化的排放因子，并结合因果推断方法增强政策支撑。