《Sustainable Cities and Society》：Precision governance for urban decarbonization: Decoupling passenger and freight transport emissions by integrating explainable AI and clustering
编辑推荐：
冯高|邓茂英|邓兴东|刘阳|廖顺义|王晔|周青雅|郑玉明|陈旺阳广州城市规划与设计勘察研究院有限公司，中国广州，510060摘要发展低碳城市交通系统对于实现可持续发展目标（SDGs）11和13至关重要。有效脱碳的一个根本障碍是持续依赖一刀切的政策，这些政策将客运和货运公路运输的不
冯高|邓茂英|邓兴东|刘阳|廖顺义|王晔|周青雅|郑玉明|陈旺阳
广州城市规划与设计勘察研究院有限公司，中国广州，510060
摘要
发展低碳城市交通系统对于实现可持续发展目标（SDGs）11和13至关重要。有效脱碳的一个根本障碍是持续依赖一刀切的政策，这些政策将客运和货运公路运输的不同排放路径混为一谈。为了解决这一差距，我们提出了一种有针对性的治理范式，并开发了一个集成的、可解释的AI空间聚类框架，以分离和诊断这两个行业的异质性排放-社会经济关联。将这一框架应用于来自广州的高分辨率车辆轨迹数据（广州是快速城市化的全球实验室），我们根据共同的排放-驱动因素特征划分出了四个空间上不同的集群。研究结果揭示了根本的空间和功能差异：客运排放集中在城市核心区域，并与人口密度和商业用地使用呈正相关，而货运排放则呈现出更广泛的城郊分布，与人口密度呈负相关。关键的是，我们识别出关键预测因素的非线性阈值效应，并证明同一因素（例如，距离CBD的距离）在不同区域对两个行业可能产生相反的方向性影响。基于这些发现，我们制定了一种双轨脱碳策略，区分了以客运为主和以货运为主的集群，提供了基于实证验证的、基于阈值的规划手段来进行有针对性的减排。本研究表明，在资源受限的情况下，空间差异化的、数据驱动的治理对于最大化脱碳效果至关重要。所提出的模块化框架可以应用于全球其他大城市，为推进低碳城市交通提供了一个可复制的工具。
引言
交通运输是全球碳排放的主要来源之一，这是实现关键可持续发展目标（SDGs）的重要障碍，特别是SDG 11（可持续城市和社区）和SDG 13（气候行动）（Li等人，2025；Liang和Wang，2025；Ling等人，2024；Ouyang等人，2025；Zhao等人，2025b）。在城市系统中，客运和货运公路运输共同构成了这一挑战的核心，但它们扮演着根本不同的社会经济角色（Fridell等人，2019；Tian等人，2018）。客运服务日常生活（Wang等人，2015），而货运物流则促进了经济循环（Cui等人，2026b，2026a；Liu等人，2025；Wang等人，2025）。这种内在的功能差异表明，它们的碳排放特征受到不同的空间和机制特征的影响（Deng，2026；Zhang等人，2025）。如果不能区分和比较这两个平行系统，就有可能制定出通用的一刀切减排政策，这可能会在复杂的大都市地区证明是低效的或与实际情况不符的。
在这种背景下，高精度的排放量化和相关因素识别对于低碳城市交通治理变得至关重要。大数据技术的快速发展，特别是大规模的车辆轨迹数据，使得捕捉客运和货运活动的精细时空特征成为可能（Zhao等人，2025b，2023）。同时，先进的非线性模型和可解释的机器学习工具为揭示城市建成环境与交通碳排放之间的复杂关系提供了新的机会（Peng等人，2025a，2024；Yang和Takase，2024）。然而，现实世界的政策设计仍然缺乏一个系统性的、跨行业可比的、地理上针对性的分析工具。大多数城市继续采用统一的客运和货运运输管理策略，这削弱了脱碳干预的效率，并限制了有针对性的、特定地点的低碳治理的实现。
大量研究独立考察了影响客运或货运运输排放的因素，强调了基础设施、土地使用和社会经济条件的作用（Deng等人，2023a；Javed和Cudjoe，2022；Thakrar等人，2020；Zhao等人，2017）。然而，当前研究中仍存在三个关键的知识空白，我们将在后续的独立文献综述章节中系统地阐述：（1）缺乏一个统一的分析框架来系统比较客运和货运运输的排放；（2）未能充分捕捉城市建成环境与交通碳排放之间的复杂非线性关联；（3）非线性机制分析与地理差异化政策分区之间的脱节。这些空白限制了为城市道路交通系统制定高效、有针对性的脱碳政策的能力。
为了解决这些空白，本研究开发了一个集成的、可解释的机器学习框架，结合了XGBoost（极端梯度提升）-SHAP（Shapley加性解释）模型和k均值聚类，并将其应用于来自中国特大城市和国家级物流枢纽广州的大规模车辆轨迹数据。本研究的核心目标有三个。首先，我们构建了一个自下而上的统一排放核算框架，使用高分辨率轨迹大数据估算客运和货运公路运输的精细碳排放。其次，我们使用XGBoost-SHAP模型捕捉关键社会经济和建成环境特征的非线性效应，并对两个运输行业的不同排放驱动机制进行系统比较分析。第三，我们基于SHAP值矩阵进行空间聚类，划分出具有不同排放-驱动因素特征的均匀城市区域，并提出有针对性的、特定区域的碳减排策略。本研究的结果预计将支持从一刀切的法规向差异化的、空间优化的城市交通脱碳治理策略的转变。
章节摘录
文献综述
文献综述部分包括以下方面：核算方法、碳排放的驱动因素和研究空白（表1）。
研究区域和数据
本研究在广东省的省会广州进行，广州也是粤港澳大湾区的核心城市（图1）。作为中国最具代表性的都市之一和重要的交通枢纽，广州是研究复杂城市交通动态的理想案例。其交通基础设施的规模进一步凸显了其重要性；2024年，广东省的高速公路总长度超过了11,700公里，排名
客运和货运运输碳排放的差异
全球空间自相关分析显示，这两个运输行业的排放空间结构存在根本性差异。货运运输碳排放表现出强烈的空间聚集性（Global Moran’s I = 0.491，p < 0.001），表明高排放或低排放子区域在空间上相邻。相比之下，客运运输排放仅表现出非常弱的全局空间模式（Global Moran’s I = 0.094，p < 0.001），
一种新的诊断范式：从部门混淆到空间清晰
准确诊断客运和货运运输的不同排放-社会经济关联对于制定有效的城市脱碳策略至关重要。然而，现有文献存在一些关键局限性。首先，大多数研究是孤立地研究这两个行业的（Deng等人，2023a；Javed和Cudjoe，2022；Thakrar等人，2020；Zhao等人，2017），而少数同时研究这两个行业的研究则依赖于传统的线性模型（Chen等人，2022；Cui
结论
本研究的核心贡献在于建立了一个空间明确的诊断框架，该框架分离了特大城市中客运和货运运输碳排放的异质性关联。与孤立部门分析或全市范围平均分析不同，我们的方法捕捉到了城市形态与运输活动之间的精确、特定位置的互动。通过将这一框架应用于广州，我们揭示了两者之间的根本空间和功能差异
CRediT作者贡献声明
冯高：撰写——审稿与编辑，撰写——初稿，软件，方法论，资金获取，正式分析，概念化。邓茂英：可视化，软件，项目管理，方法论，调查，资金获取，数据整理，概念化。邓兴东：可视化，监督，资源，方法论，调查，资金获取。刘阳：软件，资源，项目管理，方法论，调查。廖顺义：
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本研究得到了广州自然资源规划与海洋技术协同创新中心（2023B04J0301，2023B04J0046）的支持。感谢中国城市规划学会城市感知学术专业组的支持。
人工智能与聚类
