基于人类移动性数据推断人为CO2排放：跨社会经济背景与多源清单的可扩展行为信息框架

《The Innovation》：Inferring carbon emissions from human mobility data

　　

对人为二氧化碳（CO₂）排放进行准确识别、量化与持续监测，是实现有效气候减缓的基础。然而，现有方法常在时间分辨率、空间覆盖、数据可获得性与更新频率之间面临权衡。在此，研究人员提出一种计算框架，利用由移动性数据获得的大规模、可观测人类活动代理变量来估算人为CO₂排放。研究发现，人类移动性与中国多源CO₂排放呈强相关（r = 0.89）。通过将移动性衍生的网络特征与地理坐标、人口等静态空间属性整合，机器学习（machine learning, ML）模型可同时刻画CO₂排放的宏观空间组织与动态时间变化，并取得较高预测性能。该框架在不同社会经济背景（中国、意大利、美国和墨西哥）以及独立CO₂排放清单（GRACED和ODIAC）中表现一致，并在稳定期与动荡期均保持稳健。该工作提出一种可扩展、可泛化的大规模人为CO₂排放估算方法，为及时且适应性气候政策提供行为信息基础。

该研究发表于《The Innovation》。研究背景方面，人为二氧化碳（CO₂）排放并非简单环境外部性，而是深度嵌入社会技术系统的涌现属性，受移动、生产与消费等人类活动塑造，并共同影响能源需求与排放输出。自上而下气候减缓受既有能源基础设施和利益相关方阻力影响而存在延迟，自下而上聚焦行为动态的路径可补充提升碳管理响应性。巴黎协定要求全球净零目标及每5年评估承诺与进展，准确、及时监测人为CO₂排放是气候治理支柱。现有质量平衡实验、源归因、大气传输模拟、遥感约束反演以及高分辨率网格化清单和遥感城市监测取得进展，但在羽流采样、大气混合和清单估算方面仍存在不确定性，且时间分辨率、空间覆盖、数据可得性与更新频率存在权衡。数据驱动机器学习模型多依赖国内生产总值（GDP）和人口等宏观指标，常将排放视为静态集合，且多为部门特定，难以反映多源CO₂排放的动态行为过程。人类移动数据富含地理定位和行为信号，通勤、货运、商业运营与服务活动等排放过程涉及空间移动和地点交互，因而可作为多源排放建模的互补代理。研究人员据此开展研究，提出以大规模可观测移动性代理估算人为CO₂排放的计算框架，并在多国、多清单及稳定与动荡时期验证，意义在于为大规模、及时和自适应碳监测提供行为信息基础。

关键技术方法概括（不超过250字）：中国采用China Unicom蜂窝信令（3.18亿活跃用户）生成城市级日起讫（origin-destination, OD）矩阵，过滤停留<30 min，仅城际移动，2020-01-01至02-29；意大利约17万去标识智能手机用户、约2亿观测的省际日OD（按流出归一，2020-01-18至06-26）；美国SafeGraph匿名位置访问县/州级（2019-01-01至2021-04-15）；墨西哥匿名单设备州际日网络（2020-01-01至2021-12-31，排除2020-07-29至31缺失）。构建有向移动网络，提取17个节点级和8个全局特征，与经纬度、人口组成28特征；比较8种监督学习，10折交叉验证、两种划分策略并200次重复，以决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）评价；Louvain算法检测社区。排放采用GRACED（全球逐日网格化CO₂排放数据集）主分析、ODIAC（人为CO₂开源数据清单）独立验证。

研究结果如下。时空同步方面，通过观察2020年1月1日至2月29日中国大陆手机移动性与GRACED，研究人员发现日全国多源CO₂排放与总人口移动性呈强时间同步，Pearson’s r = 0.89（p < 0.001）。日城际移动性由平均5,353万次增至春运峰值6,874万次，随后因旅行限制下降71.30%；多源CO₂排放由1月1日至17日平均356.52百万kgC/day降至2月13日最低209.64百万kgC/day，降幅41.20%。空间上排放东部沿海高于西部内陆，城市级移动性与排放呈中度相关（r = 0.49，p < 0.001）；国内航空和地面交通排放呈相似时间模式。结论是移动性与CO₂排放在时空上强共变，大规模移动数据可作为估算排放的信息代理。

移动网络特征与CO₂排放相关性方面，通过构建时间分辨的加权与无权有向移动网络并提取17个节点级和8个全局级特征，研究人员发现节点中心性特征与CO₂排放正相关，交通可达性和对外连接更强的城市排放更高；全局网络特征与排放强相关，多数|r|超过0.80，其中边数（NE）正相关r = 0.86（p < 0.001），强度同配系数（SA）负相关r = ?0.96（p < 0.001）。无权网络特征较加权对应特征相关性更强，如内向接近中心性、特征向量中心性和介数中心性相关系数分别为0.50、0.46和0.38（均p < 0.001），对应加权指标为0.31、0.07和0.27（均p < 0.001）。结论是网络拓扑而非单一流量幅度更能捕捉排放相关动态。

利用移动网络特征预测CO₂排放方面，通过将25个网络特征与纬度、经度和人口整合为28个特征、21,960个样本（60天×366个城市），并在两种数据划分策略下比较8种机器学习模型、重复200次，研究人员发现树集成模型LGBM（Light Gradient-Boosting Machine，轻量梯度提升机）预测性能最高。策略1下多源、国内航空和地面交通排放的R²分别为1.00、0.99和0.98；策略2下分别为1.00、0.99和0.95；在春运和COVID-19封锁导致移动性与排放剧烈变化期间，模型仍保持高精度（R² ≥ 0.98）。结论是移动信息特征结合空间属性可高精度预测排放，并适用于排放数据不完整或基于移动动态的近中期预测场景。

稳健性分析与消融实验方面，通过逐步扩大训练期、分析疫情不同阶段并进行特征消融，研究人员发现训练数据增加可持续改善预测，约7天后出现明显转折，表明1周历史数据足以获得稳定准确预测；疫情早期移动模式突变时精度暂时下降，恢复阶段随模式稳定而改善。仅使用网络特征时LGBM在三类排放上的R²为0.85至0.93；仅用静态属性（纬度、经度和人口）的多源CO₂排放R²为0.93，但国内航空和地面交通仅0.56至0.63；加入移动网络特征后多源排放R²由0.93升至1.00，RMSE和MAE改善超过60%；基于Shapley additive explanations（SHAP，沙普利加性解释）的特征重要性分析显示网络特征与静态特征具有互补作用。结论是移动网络特征主要贡献于捕捉静态空间结构之外的动态波动。

方法在意大利、美国和墨西哥的泛化方面，通过使用意大利省际、美国县级和墨西哥州级开源移动数据开展样本外验证，并同时检验GRACED和ODIAC清单及疫情前稳定期，研究人员发现框架在三国均保持较强预测性能。基于GRACED，意大利、美国和墨西哥的R²分别为0.91、0.95和0.99；基于ODIAC的月度CO₂排放预测R²为0.90至0.99；美国2019年疫情前地面交通移动性与排放呈中度但显著相关（r = 0.61，p < 0.001）。美国与墨西哥使用与中国大陆相同特征集，意大利因公开数据为按行归一化的省际流量而非绝对移动量而排除加权网络特征。结论是框架跨社会经济背景、独立排放清单和稳定期具有稳健泛化能力。

通过人类移动性刻画城市群CO₂排放方面，通过在未受春运和COVID-19扰动的正常期加权移动网络上应用Louvain算法进行社区检测，研究人员发现移动网络呈现由核心节点和多个外围子群构成的层级城市系统，可反映中心、次中心及区域集群的多尺度组织，其他国家亦见相似模式。正常期北京-天津-河北、西北中部和长江三角洲城市群排放较高，分别为62.75、60.24和49.71百万kgC/day；春运期移动变化使排放更分散，封锁期排放显著下降，恢复期排放仍低于正常水平并伴随更局地化移动模式。集群层面CO₂排放与介数中心性（BC）正相关（r = 0.82，p < 0.001），与入度中心性（IDC）正相关（r = 0.71，p < 0.05），城市碳排放效率在识别出的集群间呈异质分布。结论是移动性界定的功能城市群可反映经济活动与排放的空间组织，并可作为协同碳治理的自然单元。

讨论部分总结：该框架从行为信息视角利用高分辨率人类移动性数据估算人为CO₂排放。日国家CO₂排放与总人口移动性的高相关揭示社会经济活动与排放输出的强耦合，移动中断伴随快速且跨部门排放变化。框架的强预测性能部分反映排放高度结构化的空间组织，与地理位置、人口分布和区域社会经济组织密切相关；消融实验显示静态属性已能解释相当部分空间差异，移动网络特征进一步捕捉集体人类活动相关的动态波动，尤其在COVID-19封锁等行为突变期。无权节点级指标优于加权对应指标，表明城市在移动网络中的拓扑位置编码了与能源需求和排放强度相关的系统角色。实际优势包括利用被动采集的大规模移动数据实现可扩展、细粒度、高频率人为CO₂监测，适用于清单更新不频繁或空间分辨率不足地区，并支持评估移动管制、经济冲击或针对性干预后的短期波动。移动性聚类可界定跨越行政边界、由密集通勤和交互流构成的功能区域，为联合减排目标、交通与土地利用一体化规划及协调需求管理提供治理单元，并与强调都市圈或集群脱碳的政策框架一致；但既有政策常关注少数主要排放城市而忽略区域移动网络中结构嵌入的较小城市。局限性包括未纳入季节性能源需求、假日安排或周活动周期等时间特征；蜂窝覆盖不均、区域采样差异或用户行为可能带来偏差；移动与排放关系可能随远程办公、交通电气化和出行方式变化而演变。未来可整合大气遥感、工业排放统计、天气变量、区域能源结构、交通方式份额和产业结构，并扩展至动态网络或时空图神经网络。

研究结论（译）：研究人员开发了一个计算框架，利用高分辨率人类移动性数据从行为信息视角估算人为CO₂排放。日国家CO₂排放与总人口移动性之间的高相关揭示了社会经济活动与排放输出之间的强耦合，人类移动中断伴随快速且跨部门的排放变化。该框架利用被动采集的大规模人类移动性数据，可实现可扩展、细粒度、高频率的人为CO₂排放监测，为及时和适应性气候政策提供行为信息基础。