2024, Vol. 45
目前, 全球运输部门碳排放量占能源消耗产生碳排放的24%, 其中道路交通约占运输部门碳排放量的74%[1, 2], 道路交通碳排放已成为影响可持续发展的重大挑战之一.发展电动汽车已变为道路交通节能减排的重要手段, 截至2022年中国新能源汽车保有量达到1 149万辆, 其中纯电动汽车占新能源汽车总量的80%以上[3, 4].出租车作为电动汽车推广的重要先驱, 对推广新能源汽车和构建绿色发展公共交通体系具有重要作用.以出租车数据为基础, 清楚把握电动汽车发展对碳排放的影响, 分析其时空演化规律, 可以为制定电动汽车减碳政策提供支撑[5~7].
随着大数据时代的到来, 多种数据被用于交通碳排放研究, 比如使用手机信令数据量化城市拥堵造成的碳排放[8]、使用地铁IC卡数据估算地铁出行的碳减排量[9]和使用共享单车数据探索城市的减排路径[10].在进行城市道路交通碳排放研究时, 出租车GPS数据可以很好地反映城市出租车交通的动态变化, 对基于GPS轨迹数据的出租车特性进行碳排放分析可以获得详细准确的结果[11~13].传统的利用GPS数据计算碳排放的方法大部分只考虑燃油车或电动汽车并对某一区域进行碳排放计算, 如Shang等[14]使用出租车轨迹数据及地理信息数据计算北京市燃油车辆碳排放[15], Luo等[16]对上海市燃油出租车碳排放的时空分布特征进行分析, 还有学者从全寿命周期角度出发研究电动出租车的碳排放[17, 18], 但电动汽车发展是一个漫长的过程, 之前的研究很少考虑在电动出租车与燃油出租车同时运作情况时的碳排放, 以及探究其演化规律.
国际上碳排放测算常用的方法有实测法[19, 20]、排放因子法[21]、质量平衡法[22]、生命周期法[23]和投入产出法[24].其中, 排放因子法是目前应用范围最为广泛、最为普遍的方法, 也是交通运输行业碳排放测算的主要方法, 包括基于燃料的“自上而下”方法[25~29]和基于行驶轨迹距离的“自下而上”方法[30~33]. “自上而下”的方法依赖于总体数据和统计模型, 可以更快速地得出估计结果, 但可能存在一定的误差[34].“自下而上”的方法需要收集大量的具体数据, 需要投入较大人力和物力资源, 但能够更准确地估计碳排放量[35].出租车作为城市常见交通工具, 在各个地区车型比较固定, 可以轻易获取各类车型的能耗数据, GPS数据中又包含地理位置信息、速度、载客状态和时间等信息, 可精确得到出租车行驶距离与速度[36], 因此本文将两种方法进行结合, 在自下而上计算时将距离速度等信息转换成与自上而下计算使用的燃料相关的参数, 通过此方法可以将燃油车和电动出租车的碳排放计算结合起来, 提高碳排放计算的精准度并减少计算的工作量.
综上所述, 本文拟基于出租车GPS数据, 探讨适用于燃油出租车和电动出租车混行环境下的交通碳排放测算方法, 并在计算历年出租车碳排放水平的基础上, 通过地图匹配将测算结果匹配至栅格, 运用K-means算法对碳排放区域进行空间聚类与时空分布演化分析, 解析电动出租车所占比例变化对碳排放的影响、探究碳排放与建成环境和各类用地之间的关系, 以期为节能减排策略制定提供参考.
1 材料与方法 1.1 数据来源与热点区域选择 1.1.1 数据来源各年电动出租车占比数据来自西安市统计年鉴以及西安市人民政府公告, 如图 1所示.
|
图 1 西安市各年电动出租车保有量 Fig. 1 Number of electric taxis in Xi'an by year |
可以看出西安市2016~2022年是一个完整的电动出租车发展过程, 因此使用西安市2022年、2020年、2018年和2016年出租车的GPS数据与POI数据来进行碳排放测算与影响因素分析, GPS设备每隔30~35 s进行一次记录, 每天的数据量约为2 500万条, 出租车GPS数据主要参数如表 1所示.出租车GPS数据可能存在因设备故障、信号干扰、司机操作失误等原因引起的数据缺失和数据错误, 故需要首先对缺失数据和错误数据进行处理.处理过程如下.
|
表 1 出租车GPS数据信息 Table 1 Taxi GPS data information |
（1）数据剔除 先对数据中字段缺失部分进行剔除, 之后通过经纬度和运营状态信息对定位异常与非运营状态的数据进行删除, 对所有速度大于180 km·h-1的数据与城市内部行驶速度大于80 km·h-1的数据进行剔除.
（2）坐标转换 由于年份不同数据采用的坐标系可能存在差异, 需要对所有数据的坐标系进行统一, 以国际上通用的WGS-84坐标系作为基准坐标系对所有数据进行统一.
（3）OD提取并处理异常出行 根据载客状态中0与1之间的转变点进行车辆OD提取, 对完整的OD段进行筛选进而确定出行产生的热点区域, 运用数据中携带的经纬度信息将轨迹点匹配至地图上, 对偏离路网的轨迹点进行修正.
1.1.2 研究区域选择为展示出租车空间分布特征, 将出租车轨迹栅格化处理后进行地图匹配, 其中栅格大小为250 m×250 m, 生成出租车轨迹点分布热力图, 如图 2所示.
|
图 2 出租车轨迹分布热力图 Fig. 2 Taxi track distribution heat map |
选取出行量较大并且出行状况复杂的地区, 可以更明显地反映特征变化情况[37].由图 2可知, 出租车轨迹点主要分布在西安市各大主干道上, 热点区域主要集中在主城区内, 因此本研究选取西安市主城区作为研究范围, 包括雁塔区、碑林区、新城区、莲湖区和未央区.
1.1.3 建成环境因素选取建成环境因素在选择的时候一般遵循5D原则, 即密度（density）、设计（design）、多样性（diversity）、距离（distance）和目的可达性（destination accessibility）[38, 39].基于此, 围绕土地利用, 兴趣点分布, 交通特征等方面, 在研究范围内选取9类变量, 其中土地利用分为6类, 分别为居住用地、商业用地、工业用地、公共设施用地、休闲娱乐用地和其他用地；除用地外, 公共交通站点与出租车的替代关系会对交通碳排放产生一定的影响[40]；土地利用混合度由土地利用熵指数表征, 如表 2所示.
|
|
表 2 建成环境变量基本信息 Table 2 Basic information of built environment variables |
1.2 研究思路与主要流程
为了直观展示碳排放的演化情况, 利用Python将出租车各个轨迹点连接成轨迹段, 创建250 m×250 m的栅格, 对研究区域进行栅格化, 轨迹段与栅格相交, 通过相交点将轨迹段进行打断, 一个网格内可能会有多个轨迹段；之后通过对栅格中每一段轨迹的速度进行油耗率的求取进而对出租车碳排放进行测算后求和, 得出各栅格中碳排放大小, 按照各年出租车的比例来确定最终的碳排放；最后通过K-means聚类与梯度提升决策树（gradient boosting iterative decision tree model, GBDT）模型进行影响因素分析, 具体流程见图 3.
|
图 3 碳排放计算分析流程 Fig. 3 Flow of carbon emission calculation and analysis |
提出一种将自上而下和自下而上相结合的出租车碳排放测算方法, 在自下而上计算时通过将距离速度等信息转换成自上而下计算时要用到的油耗率等燃料相关的参数, 计算出各轨迹段的燃油消耗进而将其转化为碳排放, 如式（1）所示.
|
(1) |
式中, P表示出租车此段路程的实际燃油（L）；E0表示车辆在怠速状况下行走一段时间的油耗率（kg·h-1）；i表示将速度区间分成35段, 各段速度的编号；BRLi表示序号为i时对应的平均速度下出租车的标准化燃油消耗率[41]；ti表示序号为i对应的平均速度所持续的时间（h）.
根据IPCC国家温室气体清单指南, 得到各种燃料对应的CO2排放系数, 通过式（2）计算燃油车的碳排放：
|
(2) |
式中, Q表示二氧化碳的排放量（kg）；EF表示排放系数, IPCC提供了车用汽油的二氧化碳排放系数（69 300 kg·TJ-1）.根据汽油的热值（44 200 kJ·kg-1）和密度（0.725 kg·L-1）, 将二氧化碳排放因子转换为2.22 kg·L-1.
1.3.2 电动出租车碳排放计算方法电动汽车的碳排放根据电动汽车能耗折算方法计算[42], 通过将电动汽车的能耗转化为同等条件下燃油车的能耗进行计算, 转化公式如下：
|
(3) |
式中, FCO2表示车辆当量燃料消耗量[L·（100 km）-1]；E表示车辆的电能消耗量, [kW·h·（100 km）-1]；QCO2表示火力发电二氧化碳折算因子[L·（kW·h）-1].
|
(4) |
式中, HE表示火力发电的火电供电标准煤耗[kg·（kW·h）-1]；HG表示燃料煤的二氧化碳排放因子；φ表示火力发电比例；HF表示燃料的二氧化碳排放因子；HM表示燃料煤与标准煤的折算系数；Hh表示电动汽车充电效率, 默认值为100%；itr表示线损率.
1.3.3 基于K-means聚类算法的碳排放区域聚类分析（1）K-means聚类算法常用于处理大规模数据集, 能在保持较高效率的同时很好地表示聚类特征.采用K-means聚类算法对碳排放区域进行聚类分析, 步骤如下：选择k个聚类中心.
（2）计算各个栅格中心到聚类中心的间距, 以距离和碳排放大小作为条件进行分配.
（3）更新每个簇的聚类中心, 如果变化则重新进行分配, 直到收敛.
（4）输出聚类结果, 在开始之前, 需要选择合适的距离度量方法和目标函数来计算聚类质心.
计算簇内误方差：
|
(5) |
|
(6) |
式中, SSE表示簇内误方差, k表示聚类簇的数量, Ci表示第i个簇, x表示样本数据, μi表示第i个簇Ci的聚类中心（质心）. SSE越小表示样本点与其所属簇的质心之间的距离越小, 即聚类结果越紧密.
1.3.4 基于GBDT模型的建成环境对碳排放的影响分析GBDT模型是一种基于迭代的集成学习算法[43~45].它通过不断迭代来训练多个决策树模型, 并利用前一个树的预测结果与实际值之间的残差来训练下一个树, 逐步提升模型的准确性；通过信息增益考虑了特征在决策树中的贡献, 信息增益是基于特征在决策树的分裂点上的影响来计算的, 能够更好地反映特征对模型的贡献程度.因此, 采用GBDT模型计算建成环境对碳排放的相对重要度影响, 将部分碳排放数据作为训练集输入与建成环境指标一起进行模型训练, 训练后将得到的特征重要度与测试集一同输入进行得分归一化与参数调整, 最终得到各指标特征重要度, 具体流程如图 4所示.
|
图 4 GBDT算法流程 Fig. 4 GBDT algorithm flow |
将西安市各年电动出租车的占比代入电动出租车碳排放计算公式求出具体转化率；通过Python将每个栅格内的轨迹段长度与速度代入公式进行遍历计算, 显示出每个栅格内具体的碳排放大小.得到各年碳排放分布如图 5所示.
|
图 5 各年碳排放分布 Fig. 5 Carbon emission distribution map by year |
由图 5可知, 2016~2018年的碳排放整体较高, 碳排放量呈下降趋势但下降幅度较小, 约12%；2018~2020年碳排放量急剧下降, 在2020年到达最低点, 这是由新冠疫情刚暴发人们的出行量大幅度减少, 并且西安电动出租车在此年数量急剧上升造成的；2022年碳排放量相对回升但相较于疫情前其他年份有明显的下降, 此时疫情逐渐结束, 出行量明显增加, 与此同时燃油出租车逐渐被淘汰, 电动出租车成为西安市出租车的主要组成部分, 这使碳排放在出行量增大的情况下仅出现小幅度回升.
对所有栅格中的碳排放进行求和得到2016~2022年各年工作日与周末碳排放总量, 并将其与电动出租车发展规律进行对比（图 6）.可以看出, 电动出租车的占比与碳排放大小呈负相关, 2022年工作日碳排放相比于2016年降低了41%, 周末碳排放降低了56%, 并且随着电动出租车的占比增加, 周末与工作日的碳排放差异在逐年减小, 这是因为在出行量增加的情况下每辆出租车的平均碳排放减小了, 符合实际情况.
|
图 6 各年碳排放与电动出租车关系 Fig. 6 Relationship between carbon emissions and electric taxis by year |
在考虑空间位置碳排放量大小的情况下, 通过K-means聚类进行碳排放空间演化分析.当聚类结果为6类时SSE值下降速度明显变缓, 聚类效果较好.根据聚类结果将各个区域划分成3类：即低碳排放区域（1类与2类区域）、中碳排放区域（3类与4类区域）、高碳排放区域（5类与6类区域）.聚类后的碳排放区域分类效果如图 7所示.
|
图 7 碳排放聚类结果 Fig. 7 Carbon emission clustering results |
由图 7可知, 2016~2022年低碳排放区域总面积没有明显的变化, 形状也始终保持环状, 但低碳排放区域中的2类区域在逐年缩小并转化为1类区域, 此现象在图中西北位置（未央区西部）表现比较明显.造成这一现象的原因是电动汽车的发展使车辆平均碳排放降低进而使区域平均碳排放有所降低.
中碳排放区域出现了分布上的明显变化, 2016~2018年中碳排放区域面积缩小了约1/4, 表现为整体向内收缩的趋势, 2020~2022年中碳排放区域面积没有明显的缩减, 但存在4类区域逐渐转化为3类区域并向市中心位置靠拢, 部分区域碳排放聚集在路网上的现象.
与其他区域相比, 高碳排放区域变化最为明显, 面积减少52%, 2016~2018年地图北部（未央区）高碳排放区域开始明显减小, 此时其分布仍聚集在一起保持环状；2020年和2022年6类区域面积减少了70%以上, 高碳排放区域不再聚成一团而是逐渐分配到各主干路上, 从环状演化为网状. 2022年碳排放聚集的各大路段主要有长安南路、西大街、北大街、南大街、高新路和西影路等, 为西安出行量最大且经常出现拥堵状况的几条道路；几个碳排放突出的地点有钟楼、小寨、西安站、高新区（钟楼和小寨位于市中心位置并且是热门旅游地点与商圈聚集地, 出行量巨大；西安站作为主要的交通枢纽全天交通需求量都比较大；高新区聚集着大量企业, 通勤出行多）, 其碳排放维持在较高水平.
对各区域栅格中碳排放最大值、最小值和均值进行统计见表 3.
|
|
表 3 碳排放聚类结果/kg Table 3 Carbon emission clustering results/kg |
从表 3可以看出, 各碳排放区域的碳排放最大值与均值都在逐年减小, 1类区域的碳排放均值下降45%, 2类区域下降39%, 3类区域下降38%, 4类区域下降40%, 5类区域下降38%, 6类区域下降27%, 表明随着电动出租车的发展各区域平均碳排放均明显降低.
总体而言, 在空间演化方面, 碳排放区域随着电动出租车的不断增加由最开始的全区域环状逐渐变为外围低碳排放区域环状, 中碳排放区域部分环状部分网状, 高碳排放区域网状, 且各碳排放区域均值都有明显的下降, 整体趋势为低碳排放区域不断扩大, 高碳排放区域逐渐向各出行量巨大的主干道以及人流量大的热点区域聚集.
2.3 建成环境对碳排放的影响将各年碳排放作为因变量, 建成环境作为自变量运用GBDT模型求取出租车碳排放与各建成环境指标之间的相对重要度.
2016~2022年建成环境与碳排放之间的相对重要度关系如表 4所示, 从中可知, 影响各年碳排放的建成环境变量重要度存在显著差异, 其中居住用地与人口密度在各年对于碳排放重要度较高, 平均贡献度达到了27.8%与27.55%, 说明人口对于碳排放的增长有显著影响, 这与Tan等[18]的研究结论一致. 有几个因素促成了这一结果的合理性, 首先, 更高的人口密度意味着该地区有更多的交通需求, 从而导致碳排量的增加. 其次, 居住用地密集的城市区域常伴有交通拥堵, 在降低出租车运行效率的同时增加了碳排放. 此外, 居住用地的重要度表现为逐年降低的趋势, 这主要由电动出租车的发展造成人均碳排放量的降低导致的.
|
|
表 4 GBDT模型结果/% Table 4 GBDT model results/% |
各年的公共设施用地在工作日的重要度均大于周末, 并且在2020年重要度较低, 与其他学者的研究结果类似[46], 进一步说明日常活动（如上班和上学）, 会导致碳排放的时间异质性. 特别是学校等教育公共设施, 工作日其所引发的学生接送活动增加了出行需求, 促进了碳排放. 2020年受疫情影响, 许多学校转为线上教学导致这部分出行量大大降低, 导致该用地对碳排放重要度随之降低.
与公共设施用地相反, 休闲娱乐用地的重要度在周末大于工作日, 表明人们更加偏好在周末进行休闲娱乐, 同时因为休闲娱乐用地中包含旅游用地, 西安市作为旅游城市随着疫情结束出行量大幅度增加, 并且游客在没有疫情时选择出租车的倾向会有所加强[47], 以上导致在2022年休闲娱乐用地重要度出现巨大提升.
人口密度与居住用地在2022年的相对重要度出现明显降低, 通过以上分析可以发现, 产生这一现象的主要原因是在该年公共设施与休闲娱乐用地重要度有较大的提升, 同时人均碳排放的降低也对其有一定的影响.
剩余因素中, 工业用地、公共交通站点与商业用地对于出租车的碳排放的重要度在各年均较低, 说明相较于出租车在通勤出行时人们更倾向于选择公共交通或其他交通方式, 这与人们以通勤为目的出行时的交通方式选择一致[48]. 与吕莹等[40]在成都的研究结果不同, 后者表明公共交通站点对碳排放有显著影响, 这种差异可能归因于西安和成都两个城市不同的结构特征.
3 结论（1）各年周末碳排放均大于工作日碳排放量, 且周末与工作日碳排放差异随着电动出租车比例的增加在逐年减小.
（2）随着时间推移总体碳排放演化趋势呈现为不断下降, 到2022年时周末总体碳排放下降了约56%, 工作日总体碳排放下降了约40%.
（3）各碳排放区域的碳排放最大值与均值都在逐年减小, 中碳排放区域在不断向低碳排放区域转化, 高碳排放区域向各大主干道转变；且随着电动出租车的发展西安市的碳排放区域由最开始的全区域环状逐渐变为外围低碳排放区域环状, 中碳排放区域部分环状部分网状, 高碳排放区域网状.
（4）居住用地与人口密度对于碳排放重要度在各年均较高, 公共设施用地在工作日重要度均大于周末, 休闲娱乐用地周末重要度均大于工作日, 工业用地、公共交通站点与商业用地的重要度在各年均较低.
（5）基于以上研究, 道路交通减碳应重点做好以下工作：大力发展电动汽车, 增加电动汽车的使用比例, 提高汽车的能量利用效率；从各大主干道入手降低交通高碳排放区域的碳排放是城市道路交通减碳的有效途径, 通过有效的交通管理和控制来减少交通拥堵从而减小高碳排放区域的碳排；本研究对电动汽车碳排放计算以火力发电为基础, 大力发展太阳能、水力、风力等各种清洁能源发电可以进一步减少碳排放.
| [1] | Pla M A M, Lorenzo-Sáez E, Luzuriaga J E, et al. From traffic data to GHG emissions: a novel bottom-up methodology and its application to Valencia City[J]. Sustainable Cities and Society, 2021, 66. DOI:10.1016/j.scs.2020.102643 |
| [2] | Ahmed Z, Ali S, Saud S, et al. Transport CO2 emissions, drivers, and mitigation: an empirical investigation in India[J]. Air Quality, 2020, 13(11): 1367-1374. |
| [3] | Lei H Y, Zeng S P, Namaiti A, et al. The impacts of road traffic on urban carbon emissions and the corresponding planning strategies[J]. Land, 2023, 12(4). DOI:10.3390/land12040800 |
| [4] |
陈杰军, 奚巍民, 朱婵霞, 等. 电动汽车发展态势评价体系及方法研究[J]. 电力需求侧管理, 2023, 25(1): 74-79. Chen J J, Xi W M, Zhu C X, et al. Evaluation system and method of electric vehicle development trend[J]. Power Demand Side Management, 2023, 25(1): 74-79. DOI:10.3969/j.issn.1009-1831.2023.01.012 |
| [5] |
杨丽. 基于时空轨迹数据的电动出租车充电站选址研究[D]. 西安: 西安理工大学, 2023. Yang L. Research on site selection of charging stations for electric taxi based on spatio temporal trajectory data[D]. Xi'an: Xi'an University of Technology, 2023. |
| [6] | Wang M X, Wang Y J, Chen L, et al. Carbon emission of energy consumption of the electric vehicle development scenario[J]. Environmental Science and Pollution Research, 2021, 28(31): 42401-42413. DOI:10.1007/s11356-021-13632-z |
| [7] | Fu H Z, Zhao Y, Chen Q C, et al. Low-carbon incentive guidance strategy for electric vehicle agents based on carbon emission flow[J]. World Electric Vehicle Journal, 2023, 14(12). DOI:10.3390/wevj14120327 |
| [8] | Gately C K, Hutyra L R, Peterson S, et al. Urban emissions hotspots: quantifying vehicle congestion and air pollution using mobile phone GPS data[J]. Environmental Pollution, 2017, 229: 496-504. DOI:10.1016/j.envpol.2017.05.091 |
| [9] | Zhang W D, Chen F, Wang Z J, et al. Evaluation of carbon emission reductions promoted by private driving restrictions based on automatic fare collection data in Beijing, China[J]. Journal of the Air & Waste Management Association, 2017, 67(11): 1249-1257. |
| [10] | Zhang X, Li W C. Effects of a bike sharing system and COVID-19 on low-carbon traffic modal shift and emission reduction[J]. Transport Policy, 2023, 132: 42-64. DOI:10.1016/j.tranpol.2022.12.017 |
| [11] | Cai Z P, Zheng X, Yu J G. A differential-private framework for urban traffic flows estimation via taxi companies[J]. IEEE Transactions on Industrial Informatics, 2019, 15(12): 6492-6499. DOI:10.1109/TII.2019.2911697 |
| [12] | Wen W, Zhang W H. Research on urban road network extraction based on web map API hierarchical rasterization and improved thinning algorithm[J]. Sustainability, 2022, 14(21). DOI:10.3390/su142114363 |
| [13] |
曲昭伟, 王鑫, 宋现敏, 等. 基于出租车GPS大数据的城市热点出行路段识别方法[J]. 交通运输系统工程与信息, 2019, 19(2): 238-246. Qu Z W, Wang X, Song X M, et al. Urban hotspot travel section identification method based on taxi GPS large data[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(2): 238-246. |
| [14] | Shang J B, Zheng Y, Tong W Z, et al. Inferring gas consumption and pollution emission of vehicles throughout a city[A]. In: Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. New York: Association for Computing Machinery, 2014. 1027-1036. |
| [15] | Li T T, Wu J P, Dang A R, et al. Emission pattern mining based on taxi trajectory data in Beijing[J]. Journal of Cleaner Production, 2019, 206: 688-700. DOI:10.1016/j.jclepro.2018.09.051 |
| [16] | Luo X, Dong L, Dou Y, et al. Analysis on spatial-temporal features of taxis' emissions from big data informed travel patterns: a case of Shanghai, China[J]. Journal of Cleaner Production, 2017, 142: 926-935. DOI:10.1016/j.jclepro.2016.05.161 |
| [17] | Liu J L, Han K, Chen X Q, et al. Spatial-temporal inference of urban traffic emissions based on taxi trajectories and multi-source urban data[J]. Transportation Research Part C: Emerging Technologies, 2019, 106: 145-165. DOI:10.1016/j.trc.2019.07.005 |
| [18] | Tan X C, Tu T Q, Gu B H, et al. Scenario simulation of CO2 emissions from light-duty passenger vehicles under land use-transport planning: a case of Shenzhen international low carbon city[J]. Sustainable Cities and Society, 2021, 75. DOI:10.1016/j.scs.2021.103266 |
| [19] |
朱振兴. 燃煤电厂碳排放的核算方法对比分析[J]. 中国资源综合利用, 2023, 41(4): 165-167. Zhu Z X. Comparative analysis of accounting methods for carbon emissions from coal-fired power plants[J]. China Resources Comprehensive Utilization, 2023, 41(4): 165-167. DOI:10.3969/j.issn.1008-9500.2023.04.042 |
| [20] |
徐伟, 何坤, 谷琳. 适用于垃圾焚烧过程的碳排放核算方法研究[J]. 绿色矿冶, 2023, 39(5): 58-62. Xu W, He K, Gu L. Research on carbon emission accounting method suitable for garbage incineration process[J]. Sustainable Mining and Metallurgy, 2023, 39(5): 58-62. |
| [21] |
孟豪, 梅丹兵, 邓璟菲, 等. 天津市污染地块土壤与地下水修复实证分析[J]. 中国环境科学, 2023, 43(9): 4760-4767. Meng H, Mei D B, Deng J F, et al. Empirical analysis of soil and groundwater remediation in contaminated sites in Tianjin[J]. China Environmental Science, 2023, 43(9): 4760-4767. DOI:10.3969/j.issn.1000-6923.2023.09.034 |
| [22] |
赵凡, 许佩. 长江经济带能源消费碳排放强度时空演变及影响因素[J]. 长江流域资源与环境, 2023, 32(11): 2225-2236. Zhao F, Xu P. Spatial-temporal evolution and analysis of influencing factors of energy consumption and in the Yangtze River economic belt[J]. Resources and Environment in the Yangtze Basin, 2023, 32(11): 2225-2236. |
| [23] | Ding Q J, Li J H, Wang Q X, et al. Carbon emission effect of the dock-less bike-sharing system in Beijing from the perspective of life cycle assessment[J]. Journal of Environmental Accounting and Management, 2021, 9(1): 31-41. DOI:10.5890/JEAM.2021.03.004 |
| [24] |
张天骄, 许钤川, 温璐歌. 基于多区域投入产出模型的长江经济带隐含碳排放研究[J]. 企业经济, 2022, 41(11): 142-151. Zhang T J, Xu Q C, Wen L G. Research on embodied carbon emissions of Yangtze River economic belt based on multi-regional input-output model[J]. Enterprise Economy, 2022, 41(11): 142-151. |
| [25] |
陈思茹, 张帅, 袁长伟. 中国交通运输经济发展与碳排放效率评价[J]. 中国公路学报, 2019, 32(1): 154-161. Chen S R, Zhang S, Yuan C W. China's transportation economy development and carbon environmental efficiency evaluation[J]. China Journal of Highway and Transport, 2019, 32(1): 154-161. DOI:10.3969/j.issn.1001-7372.2019.01.017 |
| [26] |
武翠芳, 熊金辉, 吴万才, 等. 基于STIRPAT模型的甘肃省交通碳排放测算及影响因素分析[J]. 冰川冻土, 2015, 37(3): 826-834. Wu C F, Xiong J H, Wu W C, et al. Calculation and effect factor analysis of transport carbon emission in Gansu Province based on STIRPAT model[J]. Journal of Glaciology and Geocryology, 2015, 37(3): 826-834. |
| [27] | Wang T Y, Li H Q, Zhang J, et al. Influencing factors of carbon emission in China's road freight transport[J]. Procedia - Social and Behavioral Sciences, 2012, 43: 54-64. DOI:10.1016/j.sbspro.2012.04.077 |
| [28] | Han Y Z, Li H, Liu J W, et al. Life cycle carbon emissions from road infrastructure in China: a region-level analysis[J]. Transportation Research Part D: Transport and Environment, 2023, 115. DOI:10.1016/j.trd.2022.103581 |
| [29] |
石晟屹. 中国旅游业碳排放特征及驱动力研究[D]. 长沙: 中南林业科技大学, 2015. Shi S Y. Research on characteristics and driving foreces of tourism carbon emissions in China[D]. Changsha: Central South University of Forestry and Technology, 2015. |
| [30] |
蒋自然, 金环环, 王成金, 等. 长江经济带交通碳排放测度及其效率格局(1985~2016年)[J]. 环境科学, 2020, 41(6): 2972-2980. Jiang Z R, Jin H H, Wang C J, et al. Measurement of traffic carbon emissions and pattern of efficiency in the Yangtze River economic belt (1985-2016)[J]. Environmental Science, 2020, 41(6): 2972-2980. |
| [31] |
陶玉国, 黄震方, 史春云. 基于替代式自下而上法的区域旅游交通碳排放测度[J]. 生态学报, 2015, 35(12): 4224-4233. Tao Y G, Huang Z F, Shi C Y. Carbon dioxide emissions from regional tourism transport: a substitutional bottom-up analysis[J]. Acta Ecologica Sinica, 2015, 35(12): 4224-4233. |
| [32] |
孙杏芳. 基于出租车GPS数据的城市建成环境对交通排放的影响研究[D]. 西安: 长安大学, 2021. Sun X F. Research on the influence of urban built environment on traffic emissions based on taxi GPS data[D]. Xi'an: Chang'an University, 2021. |
| [33] |
田佩宁, 陈硕, 毛保华, 等. 新能源汽车对中国私家车碳排放的影响[J]. 长安大学学报(自然科学版), 2023, 43(5): 88-98. Tian P N, Chen S, Mao B H, et al. Impact of new energy vehicles on carbon emissions of private cars in China[J]. Journal of Chang'an University (Natural Science Edition), 2023, 43(5): 88-98. |
| [34] |
陆圣斓. 基于大数据的出租车排放时空特征及其驱动因素研究[D]. 大连: 大连海事大学, 2023. Lu S L. Spatial-temporal patterns and determinants of taxis' emissions based on big data[D]. Dalian: Dalian Maritime University, 2023. |
| [35] | Zhao D D, Lei Y, Zhang Y, et al. Analysis of vehicular CO2 emission in the central plains of China and its driving forces[J]. Science of the Total Environment, 2022, 814. DOI:10.1016/j.scitotenv.2021.152758 |
| [36] |
童瑞咏, 毛保华, 魏润斌, 等. 碳达峰目标下的汽车电动化碳减排效果研究[J]. 公路交通科技, 2023, 40(2): 238-245. Tong R Y, Mao B H, Wei R B, et al. Study on carbon emission reduction effect of automotive electrification under goal of carbon peaking[J]. Journal of Highway and Transportation Research and Development, 2023, 40(2): 238-245. DOI:10.3969/j.issn.1002-0268.2023.02.029 |
| [37] |
冯慧芳, 杨文亮. 融合GPS轨迹和POI数据关联规则的城市功能区识别[J]. 测绘科学技术学报, 2020, 37(4): 414-420. Feng H F, Yang W L. Identification of urban functional areas based on GPS trajectory and POI data with association rules[J]. Journal of Geomatics Science and Technology, 2020, 37(4): 414-420. |
| [38] |
李培坤, 陈旭梅, 鲁文博, 等. 基于XGBOOST-SHAP的地铁建成环境与站点出行距离的非线性关系研究[J]. 铁道科学与工程学报, 2024, 21(4): 1624-1633. Li P K, Chen X M, Lu W B, et al. Research on nonlinear relationship between subway built environment and travel distance of stations based on XGBOOST-SHAP[J]. Journal of Railway Science and Engineering, 2024, 21(4): 1624-1633. |
| [39] | Zhao C Y, Tang J J, Zeng Y, et al. Understanding the spatio-temporally heterogeneous effects of built environment on urban travel emissions[J]. Journal of Transport Geography, 2023, 112. DOI:10.1016/j.jtrangeo.2023.103689 |
| [40] |
吕莹, 贺露露, 孙会君, 等. 网约车与公共交通替代关系及其减排潜力研究[J]. 交通运输系统工程与信息, 2023, 23(4): 11-23. Lv Y, He L L, Sun H J, et al. Substituted relationship between ride-hailing and public transit and emission reduction potential[J]. Journal of Transportation Systems Engineering and Information Technology, 2023, 23(4): 11-23. |
| [41] |
樊杰玉, 陆键, 邢莹莹. 汽车速度和加速度对不同尾气排放的影响分析[J]. 武汉理工大学学报(交通科学与工程版), 2019, 43(5): 795-799. Fan J Y, Lu J, Xing Y Y. Influence of vehicle speed and acceleration on different exhaust gas emission[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2019, 43(5): 795-799. DOI:10.3963/j.issn.2095-3844.2019.05.002 |
| [42] | GB/T 37340-2019, 电动汽车能耗折算方法[S]. |
| [43] | Huang L Q, Xu L Y. Research on taxi travel time prediction based on GBDT machine learning method[A]. In: 2018 Eighth International Conference on Instrumentation & Measurement, Computer, Communication and Control (IMCCC)[C]. Harbin: IEEE, 2018. 718-722. |
| [44] |
王晓全, 邵春福, 管岭, 等. 基于机器学习模型的建成环境对小汽车拥有行为的影响[J]. 交通运输系统工程与信息, 2020, 20(4): 173-177. Wang X Q, Shao C F, Guan L, et al. Exploring influences of built environment on car ownership based on a machine learning method[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(4): 173-177. |
| [45] |
刘慧甜, 胡大伟. 基于机器学习的交通碳排放预测模型构建与分析[J]. 环境科学, 2024, 45(6): 3421-3432. Liu H T, Hu D W. Construction and analysis of machine learning based transportation carbon emission prediction model[J]. Environmental Science, 2024, 45(6): 3421-3432. |
| [46] | Zhou X, Wang H, Huang Z, et al. Identifying spatiotemporal characteristics and driving factors for road traffic CO2 emissions[J]. Science of the Total Environment, 2022, 834. DOI:10.1016/j.scitotenv.2022.155270 |
| [47] |
张小雨, 邵春福, 王博彬, 等. 新冠疫情影响下居民共享出行方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(2): 186-196, 205. Zhang X Y, Shao C F, Wang B B, et al. Travel mode choice analysis with shared mobility in context of COVID-19[J]. Journal of Transportation Systems Engineering and Information Technology, 2022, 22(2): 186-196, 205. |
| [48] |
王晟由, 王倩, 邵春福, 等. 都市圈通勤出行行为特性分析与建模[J]. 交通运输系统工程与信息, 2019, 19(5): 35-41. Wang S Y, Wang Q, Shao C F, et al. Analyzing and modeling commuting behavior characteristics in metropolitan area[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(5): 35-41. |