区域交通碳减排策略：结合空间异质性与机器学习的实证研究

论文题目：Regional road transportation emissions in China: A spatial machine learning study on carbon mitigation strategies

第一作者/通讯作者：张兰怡 福建农林大学交通与土木工程学院副教授，福建省级高层次人才，研究聚焦：(1) 交通安全与环境：机动车排放特性分析，道路交通减污降碳研究，交通“双碳”战略实施与评估；(2) 现代物流规划与管理：聚焦绿色低碳物流、区域物流发展等研究；(3) 交通运输规划与管理：“车-路-环境”复杂系统建模与调控研究。

E-mail：lyzhang@fafu.edu.cn

区域交通碳减排策略：结合空间异质性与机器学习的实证研究

论文摘要

沿“一带一路”区域的公路交通活动迅速增长，但碳排放的时空分异特征及其驱动机制仍缺乏深入解析。论文聚焦中国境内的“一带一路”地区（内陆的“陆”与沿海的“海”），构建了高分辨率的道路运输碳排放清单，并首次将地理加权随机森林（GWRF）用于探究碳排放的区域异质性。研究框架包括三部分：构建底层排放数据库、分析时空演变以及利用GWRF识别关键驱动因素。结果表明，2012—2022年间排放总量由313.21 Mt增至625.27 Mt，平均年增长率约9.96%，且内陆与沿海地区呈现不同的增长轨迹。人口、能源强度、货运量和土地利用结构四个指标共同贡献了超过80%的变量重要度。论文强调针对不同地区制定差异化减排策略，如内陆应改善能源效率与货运组织，而沿海则需侧重需求管理和公共交通优先。该研究为交通碳减排政策提供了基于数据的精确建议。

一、研究背景与问题界定

1. 全球碳减排与中国道路运输

• 道路运输是主要排放源：道路运输占中国交通相关CO₂排放的73%，是温室气体治理的重点。
• “一带一路”倡议与区域差异：“一带一路”倡议涵盖内陆的“丝绸之路经济带”（简称陆）与沿海的“21世纪海上丝绸之路”（简称海）。研究将中国的17个省份分为12个内陆省（如新疆、陕西、甘肃等）和5个沿海省（上海、福建、广东、浙江、海南），研究区域如图1所示。

2. 核心问题与挑战

• 时空异质性：现有研究对交通排放的宏观统计较多，却缺乏对省级尺度时空差异的长期跟踪。
• 驱动机制复杂：人口规模、经济水平、交通结构和能源效率等因素存在非线性和空间非平稳性，需要综合考虑。
• 模型选择：传统统计模型难以同时兼顾非线性与空间依赖，亟需新的分析框架。

二、数据与方法

2.1 数据来源与指标体系

论文构建了自2012至2022年的省级道路运输活动数据库，包含车辆存量、交通能源消耗、行驶速度等信息。在此基础上选取九个解释变量：注册人口 (RP)、能源强度 (EI)、人均GDP (GDPPC)、交通业发展规模 (DS)、政府干预指数 (GI)、土地利用相关产出 (LS)、客运量 (PV)、货运量 (FV) 与  城镇化率 (UR) 。这些指标全面覆盖人口、经济、运输、能源和土地特征。

2.2 底层排放估算模型

排放估算采用九类车辆分类与燃料类型的自下而上方法，计算公式如下：

• 能源消耗模型

  其中  表示第  类车辆使用燃料  的注册数量， 为年行驶里程， 为燃料消耗强度， 为标准煤折算系数。
• 碳排放模型

  代表碳排放量， 为排放因子。

2.3 多重共线性检验

为保证变量独立性，研究使用方差膨胀系数（VIF）检验。九个变量的 VIF 值均低于10，排除了严重共线性。图3展示了各变量的VIF分布（不在此推文中展示）。

2.4 模型框架与GWRF方法

• 研究总体框架：图1为整体研究流程，依次进行排放清单构建、时空特征分析和驱动因子建模。

  

• 随机森林与地理加权随机森林：随机森林（RF）能处理非线性和变量交互，但假设空间独立；为融合空间异质性，引入地理加权随机森林（GWRF），通过局部采样与加权训练捕捉地理差异。图2示意了GWRF的工作流程：利用核函数构建空间权重，对每个地点训练局部随机森林并融合结果。

  

• 模型评价指标：使用决定系数  、均方误差 (MSE) 和平均绝对误差 (MAE) 比较GWRF与其他模型性能。GWRF在  达0.98，优于支持向量回归(SVR)、地理加权回归(GWR)和随机森林(RF)。

三、结果与分析

3.1 排放时空演变

• 总量增长显著：2012年道路运输碳排放为313.21 Mt，2022年升至625.27 Mt，增长99.63%，年均增速约9.96%。

• 区域差异明显：图3展示了内陆和沿海地区排放的时空分布。沿海地区（“海”）排放基数大且增长迅速，内陆地区（“陆”）排放中心逐步向西南迁移。

  

• 空间分布演化：标准差椭圆和重心迁移图（图4）表明，内陆地区椭圆的长短轴在2012-2022年先收缩后扩张，排放重心从山西南移至陕西；沿海地区则先扩张后收缩，重心始终稳定于福建。

  

3.2 模型预测性能

GWRF模型的拟合效果如图5所示。内陆（图5a）训练和测试样本的拟合优度  为0.99，沿海（图5b）为0.97，散点与核密度曲线高度吻合，表明模型对两类地区均具有良好预测能力。

3.3 变量重要性分析

• 整体排名：变量重要性排序如图6所示，能源强度 (EI)、注册人口 (RP)、货运量 (FV) 和 土地利用相关产出 (LS) 四个指标占据前四位，共贡献超过80%的重要度。

  

• 区域差异：内陆地区以 EI、RP、FV、LS 为前四重要因素；沿海地区则是 RP、EI、LS、FV。这反映了能源效率对内陆的影响更大，而沿海人口需求占主导。

3.4 局部重要性地图

• 注册人口 (RP) ：图7显示，RP在内陆的东北部（吉林、辽宁等）重要性提高，而在沿海多数地区下降，说明人口增长对内陆排放贡献日益突出。

• 能源强度 (EI) ：图8表明，EI的重要性在2012和2022年均呈“带状”高值区，集中于甘肃、辽宁、吉林、内蒙古、新疆、青海和宁夏等省份。

• 货运量 (FV) 与土地利用 (LS) ：图7和图8（见附件）显示，FV的重要性在内陆和沿海差异较小，表明近年来车辆技术和物流效率提升使得运输强度对排放影响趋于稳定；LS总体重要性较低，但浙江、宁夏、重庆、广东和陕西呈现上升趋势。

四、政策建议与讨论

4.1 主导因素的差异化策略

基于GWRF分析，论文提出四类针对性政策（表格6归纳）：

1. 降低能源强度（内陆）：重点在高能耗带状集聚区（甘肃、辽宁、吉林、内蒙古、新疆、青海和宁夏），措施包括提高重型车燃效标准、淘汰老旧柴油车、推行智能节能驾驶和速度管理、利用数字化调度减少空驶，并部署电动和氢燃料车辆等低碳技术。
2. 管理人口驱动需求（沿海）：在浙江、福建、广东等人口密集沿海省份，通过扩大高质量公共交通供给、加强公交优先和多式联运、实施高峰期管理和停车管理，以及推进紧凑城市发展，以控制交通需求。
3. 优化货运结构（通道省份）：在广西等货运走廊，通过中长途货运的公转铁、强化铁路与工业园区衔接、发展多式联运枢纽、推广绿色货运计划和数字物流平台，减少空驶和提高效率。
4. 协同土地与交通规划：针对LS重要性上升的地区，推广紧凑开发和以公交为导向的开发（TOD），改善职住平衡，合理布局物流用地，避免土地驱动的碳排反弹。

4.2 研究可靠性与局限性

作者指出，底层排放清单采用平均行驶速度和九类车辆分类，虽能提升可操作性，但未考虑坡度和车辆行驶条件差异，可能在复杂地形区域产生偏差。GWRF模型利用省份×年份的联合样本，空间单元有限，因此在解释时需谨慎；未来可使用更细尺度的轨迹数据提高精度。

五、结论与创新点

• 长期高分辨率排放追踪：构建了2012—2022年省级道路运输排放数据库，揭示碳排放持续增长且区域差异明显。
• 空间机器学习融合：首次将地理加权随机森林应用于交通排放研究，结合局部加权采样与随机森林捕捉非线性和空间异质性，提高预测精度与解释能力。
• 驱动因素细分与政策导向：识别出注册人口、能源强度、货运量和土地利用结构为关键驱动因子，并据此提出针对内陆与沿海不同的减排策略，为区域低碳交通规划提供可操作的证据。
• 关注左/右结构（陆/海差异）：研究强调内陆与沿海地区在排放增长、重心迁移和驱动机制上的显著差异，强调政策应针对左/右区域制定差异化方案。

原文链接见文末，或扫下方交流群二维码。群内实时更新推文及原文 pdf，方便专家学者随时获取（若二维码失效，请翻阅扫描最新文章的二维码）。