《Sustainability》：Balancing Efficiency and Spatial Equity in Sustainable Electric Vehicle Charging Infrastructure: A GIS-MCDA and Machine Learning Suitability Framework for Türkiye
编辑推荐：
交通脱碳通过电动出行不仅取决于部署了多少充电站，还取决于部署在哪里，以及扩张是否平衡了可达性、电网准备度、土地利用保护和区域公平。土耳其目标是到2053年实现净零排放，2024年电动汽车销量超过市场份额的10%，其充电网络高度不均衡：各省每10万居民拥有9.0
交通脱碳通过电动出行不仅取决于部署了多少充电站，还取决于部署在哪里，以及扩张是否平衡了可达性、电网准备度、土地利用保护和区域公平。土耳其目标是到2053年实现净零排放，2024年电动汽车销量超过市场份额的10%，其充电网络高度不均衡：各省每10万居民拥有9.0至155.6个充电点，服务最差的半数人口仅拥有22.3%的装机容量（基尼系数=0.311）。本研究开发了一个基于地理信息系统（GIS）的多准则框架，将充电扩张视为一个受可持续性约束的规划问题。六个准则，即人口、国内生产总值（GDP）、变压器和输电线路邻近性、道路网络邻近性以及城市中心邻近性，通过模糊隶属函数统一到100米网格，并采用排除掩膜保护敏感土地用途。比较了三种加权方案：等权重（EVCSI-A）、随机森林导出权重（EVCSI-B）和专家层次分析法（AHP）权重（EVCSI-C）。道路可达性（41.12%）和经济能力（29.84%）主导了现有布局，解释了约71%的特征重要性，并在不同算法和Bootstrap重复中保持稳定。全国结果揭示了效率与公平的权衡：EVCSI-B将适宜性集中在都市走廊，EVCSI-A保留了更广泛的覆盖，而EVCSI-C强化了都市偏向。中安纳托利亚和东安纳托利亚地区仍然服务不足。研究人员建议在可持续性约束筛选后进行电网容量验证，将EVCSI定位为一个可转移的公平监测工具，支持可持续发展目标（SDG）7、9、11和13。
**论文解读：可持续电动汽车充电基础设施的GIS-MCDA与机器学习适宜性框架——以土耳其为例**
**1. 研究背景与问题**
交通部门的脱碳目标推动了电动汽车（EV）的快速普及。土耳其宣布到2053年实现净零排放，2024年电动汽车销量已占市场份额的10%以上。然而，充电基础设施的部署存在严重空间不均衡：各省每10万居民充电点数量从9.0到155.6不等，最不发达的一半人口仅拥有22.3%的装机容量，基尼系数达0.311。现有研究多基于行政区域排名，缺乏空间连续性，难以精确指导选址。为此，研究人员开展了一项基于地理信息系统（GIS）和多准则决策分析（MCDA）与机器学习相结合的研究，旨在生成连续的空间适宜性地图，以平衡效率、可达性、电网准备度、土地利用保护和区域公平。该论文发表在《Sustainability》期刊。
**2. 主要关键技术方法**
研究采用GIS-MCDA框架，整合了8个空间图层：人口密度（POP）、国内生产总值（GDP）、变压器（TR）和输电线路（PL）的欧氏距离、道路网络（RN）距离、城市中心（CC）距离、现有充电站（CS）分布以及不适合区域（UR）掩膜。数据来源包括LandScan人口数据集（2022年）、土耳其统计局（TurkStat）的省级GDP、OpenStreetMap（OSM）的电网和道路数据、全球道路清单项目（GRIP）、全球行政区域数据库（GADM）以及世界保护区数据库（WDPA）。所有图层通过模糊隶属函数标准化至100米网格。采用三种加权方案：等权重（EVCSI-A）、随机森林（RF）特征重要性导出权重（EVCSI-B）和专家层次分析法（AHP）权重（EVCSI-C），并通过Simple Additive Weighting（SAW）方法计算EV充电适宜性指数（EVCSI）。RF模型配置为80%训练（7156个站点）与20%独立验证（1790个站点），并通过Bootstrap重采样（100次迭代）和交叉算法（XGBoost、逻辑回归）验证特征重要性的稳定性。
**3. 研究结果**
**充电站分布的空间不平衡：** 现有充电站高度集中于西部沿海和主要大都市（伊斯坦布尔、安卡拉、伊兹密尔），而中安纳托利亚和东安纳托利亚地区严重缺乏。通过基尼系数分析，人口加权后的设施分布基尼系数为0.311，表明人均可达性存在显著不平等。
**相关性分析验证了准则框架：** 采用Pearson、Kendall和Spearman相关系数检验六项准则（POP、GDP、PL、TR、RN、CC）之间的多重共线性。结果显示多数变量间相关性较弱（r<0.30），仅GDP与TR存在中等正相关（Spearman ρ=0.62），但低于共线性阈值（r>0.80），因此保留所有变量作为独立准则。
**随机森林特征重要性：** RF模型识别出道路可达性（RN，41.12%）和经济能力（GDP，29.84%）为最主要因素，合计解释约71%的特征重要性，且该排序在XGBoost和逻辑回归中高度一致（Spearman ρ=1.000和0.943），并通过Bootstrap置信区间验证了稳定性。
**三种加权方案的比较：** EVCSI-A（等权重）产生近似正态分布，均值为0.411，覆盖均匀；EVCSI-B（RF权重）使适宜性高度集中于都市走廊，均值为0.401，但峰值区域（Jenks B4类）面积扩大；EVCSI-C（AHP专家权重）因专家更重视电网基础设施（PL和TR合计34.4%），导致大都市均值进一步升高（如伊斯坦布尔达0.543），强化了都市偏向。三个场景均显示中东部地区适宜性较低。
**空间优先级对比：** EVCSI-B在伊斯坦布尔等高密度区域将最高适宜性区域（Mean+B3）从403.7 km2扩大至814.1 km2，而EVCSI-C则提升至490 km2。在偏远省份（如萨姆松、阿尔特温），EVCSI-B扩大了基线适宜性覆盖，但EVCSI-C又收缩了覆盖范围，反映出效率与公平的权衡。
**可持续性影响与SDG联系：** 框架通过排除掩膜保护土地（SDG 15）、通过电网邻近性促进资源效率（SDG 9.1/9.4）、通过专家方案确保可靠能源接入（SDG 7.1），并直接针对区域不平等（SDG 10.2）和可持续交通（SDG 11.2）。建议采用两阶段方法：先由EVCSI-B进行需求筛选，再对候选站点进行电网容量验证。
**4. 讨论与结论**
讨论部分指出，EVCSI-B应被视为需求导向的优先排序面，而非技术可行性指数；其主导权重可能低估电网容量约束，因此推荐两阶段工作流程。此外，开放数据源（如OSM变压器数据）存在空间不完整性问题（如泰基尔达省变压器数量异常高，而科尼亚省无记录），需与官方数据验证。未来研究应使用网络分析计算实际行驶时间，并整合配电网容量数据。
研究结论总结如下： (1) 移动性和人口因素是站点布局的主要决定因素，道路网络密度和GDP占特征重要性的71%； (2) 数据驱动的EVCSI-B具有更强的区分能力，可将更多站点集中在最高适宜性等级，而等权重EVCSI-A保证更广泛的覆盖； (3) 基础设施高度集中于西部大都市，中东部仍服务不足； (4) 相关性分析验证了准则框架的无冗余性； (5) EVCSI地图为连续适宜性面，需结合后续设施选址模型（如p-median）确定最终站点集。本研究以三个贡献收尾：将充电规划作为多目标可持续性问题、证明加权逻辑选择本身具有分布性后果、以及基于开放数据构建可定期更新的监测工具。
