新加坡电动汽车充电站空间公平性的多尺度地理可解释人工智能分析

《Sustainable Cities and Society》：Multi-scale GeoXAI Analysis of Electric Vehicle Charging Points Spatial Equity in Singapore

　　

摘要 本文提出了一种地理空间可解释性方法，用于研究电动汽车充电站（EVCP）可达性的社会空间不平等。该框架结合了机器学习与计量经济学，以考察新加坡电动汽车充电站可达性的空间异质性和社会公平性。研究结果揭示了城市基础设施公平性背后的多种机制：1) 城市形态表现出空间异质性，成熟的中心城区通过其有机的且密集的路网展现出较高的可达性；2) 社会经济地位被证明是垂直不平等的基本驱动力，使得市场驱动的私人住宅社区比公共住房更能克服物理限制；3) 存在空间覆盖与服务能力之间的不匹配，新镇规划通常遭受高空间覆盖与低服务能力共存的名义公平陷阱。未来的基础设施投资需要超越空间供给导向的方法，以确保在能源转型期间效率与公平之间的平衡。

引言 电动汽车充电基础设施的提供已成为城市可持续发展计划的焦点，特别是在那些致力于实现低碳出行快速转型目标的城市中。然而，该基础设施的有效性不仅仅由充电点的可用性决定，还取决于普通用户的可达性。可达性被广泛用于理解人们如何在时间、成本和流动性约束下到达基本服务和城市机会（Geurs & van Wee, 2004; Zhang et al., 2024; Jia et al., 2025）。虽然紧凑且连接良好的城市通常被认为提供公平的可达性，但最近的研究表明，不平等仍然可能在社区和规划区域内部出现（Bibri et al., 2020; Guzman & Oviedo, 2018; Fang et al., 2025）。大都市的电动汽车充电基础设施总是受到更广泛的规划优先事项、土地价值、监管约束和市场激励的影响（Pagany et al., 2019; Sun et al., 2021; Mostafa et al., 2025）。这种自上而下的约束可能会无意中加剧交通不平等，在土地可用性不足或市场激励不足的边缘化社区中造成“充电荒漠”。

大多数研究侧重于微观尺度的可达性模式或区域间的宏观尺度不平等（Pereira et al., 2017; Charly et al., 2023; Bashar et al., 2026; Li et al., 2026）。这些方法可能揭示哪些区域有更多的充电器，但往往淡化了每个区域内部的变化。因此，局部的差异通常被聚合指标所掩盖。现有研究还倾向于将建成环境变量视为在所有地方产生相似的影响，尽管城市形态、住房构成和停车法规在不同区域之间存在显著差异（Fotheringham et al., 2002; Mulley, 2014; Yang et al., 2020）。这种假设使得很难解释为什么某些城市的可达性不平等很高，而在其他城市则相对温和。因此，使用充电器的偏好或意愿不如塑造实际可达范围的建成环境重要。这使得有必要将电动汽车充电可达性视为嵌入在城市空间模式中的结构性问题，而不是个人行为问题。量化这些结构性条件并考察它们如何与需求模式对齐，可以客观地理解城市环境如何影响人们的出行。

越来越多的研究人员正在采用机器学习算法来处理高维城市数据，并充分捕捉城市建成环境与充电需求之间复杂、非线性的相互作用（Zhang et al., 2025; Hamim et al., 2026）。然而，高精度的机器学习模型往往伴随着黑箱问题，这使得城市规划者难以理解模型结果背后的具体原因，从而限制了它们在实际政策制定中的应用。因此，可解释人工智能（XAI）已成为解决这一困境的关键。通过将复杂的机器学习预测转化为可理解的空间推理，XAI 可以揭示建成环境因素对基础设施分布的非线性影响机制（Li, 2025; Foroutan et al., 2025; Yang et al., 2025; Wagner et al., 2022; Dou et al., 2023）。

在新加坡，尽管其拥有强大的公共交通系统、高密度的城市格局和清晰的行政划分，但在日常出行和服务可达性方面的内部差异仍然持续存在（Diao, 2019）。电动汽车充电基础设施的快速扩张也面临着资源分配不均的潜在风险。了解可达性如何在土地利用、交通网络和发展强度等物理资源存在差异的区域之间变化至关重要。因此，规划区之间的可达性可能在不同集群之间存在显著差异，揭示了城市平均水平所忽视的内部不平等模式。

本研究针对两个相关问题以分析空间不平等：
1. 地理空间可解释人工智能（GeoXAI）框架可以揭示哪些关于电动汽车充电站可达性空间异质性的独特见解？
2. 建成环境特征与充电可达性之间的暴露差异是如何体现的？
3. 潜在的社会经济结构如何驱动不同社会制度下的可达性分层？

为了回答这些问题，本文通过地理空间可解释人工智能（GeoXAI）方法开发了一个多尺度框架。在微观尺度上，本研究利用从土地利用、兴趣点（POI）和路网特征派生的空间特征，对新加坡的住宅可达性进行建模。使用随机森林模型提取可达性的底层结构，然后将 SHAP 值聚合为宏观尺度下代表每个规划区结构性机会条件的三个暴露指数。进一步地，使用泰尔指数测量每个规划区的可达性不平等，并使用 OLS 模型识别结构性暴露、社会经济多样性或流动模式中的哪些因素与电动汽车充电基础设施的不平等关联最强。

通过将微观尺度的可达性结构与宏观尺度的不平等联系起来，本研究有助于深入理解城市形态和社会构成如何共同塑造对日常机会的不平等获取。它还阐明了为什么在某些规划区显示出比其他规划区持续更高的内部不平等，即使在相似的制度规则和交通规定下。因此，这项研究增强了一个论点，即城市可达性的不平等不是由单一因素决定的，而是结构性空间暴露与社会经济结构之间的耦合。

本研究贡献了三个关键点。首先，本研究通过桥接来自随机森林模型的住宅单元级 SHAP 归因与规划区级建成环境暴露指标，提出了一种系统的跨尺度聚合程序作为 SHAP 暴露指数（SEI）。与主要面向预测的先前 GeoXAI 应用不同，该框架将 SHAP 值重新用作诊断工具，以绘制行政单位之间的建成环境暴露差异，这是一种在电动汽车充电站公平性研究中尚未应用的方法。其次，本研究实证地为紧凑型高密度亚洲城市的电动汽车充电站提供了系统的多尺度公平性诊断。这揭示了一种以前未记录的计划新镇中的稀缺平等机制，即高空间覆盖与极低服务能力共存，这与在北美和欧洲背景下记录的充电荒漠有着明显的不同模式（Peng et al., 2024; Carlton & Sultana, 2022）。第三，从政策角度来看，通过将建成环境暴露和社会经济分层整合在一个统一的跨尺度框架内，研究结果表明市场驱动的部署系统地使私人住宅社区优于公共住房 estate，为正在经历能源转型的城市中面向公平的干预提供了基于实证的证据。

章节片段
文献综述 可达性长期以来一直是描述人们如何在时间、成本和流动性的约束下到达场所和设施的有用术语（Handy & Niemeier, 1997; Morris et al., 1979; Geurs & van Wee, 2004）。在过去，可达性通常被视为一个简单的几何难题，以确定点与点之间的连接是否可以实现。最近的研究真正使我们重新思考它作为供需关系，例如关于公园可达性的研究，其中 Li 等

方法论 本研究采用了一种多尺度方法论框架，将微观尺度空间建模与中观尺度不平等评估相结合，以调查电动汽车充电站可达性不均衡背后的结构性驱动力。地理空间可解释人工智能（GeoXAI）框架结合了数据驱动建模、空间诊断和不平等分析，使研究能够从住宅级可达性中检测机制。具体而言，该框架在两个不同的分析...中运行

可达性空间格局 本研究将住宅电动汽车（EV）充电站可达性定义为每个居民 2 公里半径内的充电站数量。图 3 显示了电动汽车充电站可达性的空间格局，表明了新加坡各地可达性的明显城市梯度和显著变化。混合用途和中心城区，如欧南、市中心核心区以及加冷部分地区，展现出较高的可达性。这些区域通常

讨论 本研究超越了传统的选址优化问题，建立了一个解释性和数据驱动的电动汽车（EV）基础设施公平性框架。先前的研究主要集中在通过运筹学模型最大化服务覆盖或最小化安装成本（Sun et al., 2021; Mei et al., 2025），而这些方法往往忽略了此类部署的潜在社会空间影响。在该框架内，我们结合微观尺度

结论 本研究整合了微观尺度可达性计算、非线性机器学习归因（SHAP）和宏观计量推断（OLS），以暴露新加坡电动汽车基础设施中固有的空间网络和社会不平衡。实证证据表明，公平能源转型的主要障碍超越了简单的物理充电站短缺。相反，该网络遭受着更系统性的结构错位。

随机森林局限性与未来研究 应承认本研究的若干局限性。首先，住宅人口规模被用作电动汽车充电需求的代理。尽管这与基础设施可达性研究中的既定做法一致（Peng et al., 2024），但实际需求是由电动汽车拥有率塑造的，后者在空间上分布不均，并集中在高收入群体中。未来的工作应在此类数据可用时纳入子区级的电动汽车注册数据作为需求权重。

关于文稿准备过程中使用生成式人工智能及人工智能辅助技术的声明 在准备本工作期间，作者使用了 ChatGPT 以更好地理解机器学习的编码过程并格式化参考文献。在使用该工具后，作者根据需要审查和编辑了内容，并对已发表文章的内容承担全部责任。

未引用参考文献 BloombergNEF 2024, Concei??o and Galbraith, 1998, Edison Electric Institute 2024, Huang et al., 2023, Levinson and Yerra, 2006, Ausloos and Mi?kiewicz, 2008, Li, 2025, Lucas, 2012, Barabási and Albert, 1999, Pardo-Bosch et al., 2021, Zhang et al., 2025

CRediT 作者贡献声明 Jiamin Bai: 写作 – 初稿，可视化，方法论，形式分析，数据整理，概念化。Jack Jiao: 写作 – 审查与编辑，监督，概念化。

利益冲突声明 作者声明我们没有任何已知的竞争性财务利益或个人关系可能影响本论文中报告的工作。

Jiamin Bai|Jack Jiao 新加坡管理大学 (SMU) 综合研究学院，新加坡