2025, Vol. 46
2. 园测信息科技股份有限公司，苏州 215006
2. Park Information Technology Co., Ltd., Suzhou 215006, China
21世纪以来，全球气候变化问题日益严峻，减少温室气体排放成为国际共识. 截至2022年底，我国公路总里程达到535万km，居世界第一，其中高速公路通车里程17.7万km[1]，是交通运输行业的减排重点[2]. 广东省作为中国经济的“领头羊”，拥有发达的交通网络和持续完善的交通基础设施，但其公路建设碳排放量连续15 a居全国首位，占比9.46%[3]. 因此，在当前双碳战略背景下[4]，研究高速公路建设碳减排政策至关重要.
多层建模和地理信息科学(GIS)方法的发展，促进了城市群[5~7]、省域[8~10]及交通基础设施[11~14]的碳排放研究，不同地区影响因素的显著差异说明了空间异质性研究的关键性，为公路建设碳排放空间异质性研究提供了启示. 公路是线性构造物，不同段落沿线的地形、地物、地质、筑路材料和水文条件会呈现显著差异并影响建造排放，公路工程建设聚合空间上存在场外、场内活动碳排放的广泛异质性，使项目建设碳排放统计及减碳策略的形成变得十分复杂. 遥感技术(RS)和地理信息系统(GIS)在公路规划和开发过程中的应用，显示了通过最佳路线分析[15]、几何设计[16]、运营管理[17]、交通建模和环境影响[18~20]分析等方面，不同地理空间优化公路建设活动排放的可行性与多维性. 虽然Liu等[21]、Noshadravan等[22]和Huijbregts等[23]的研究发现公路项目排放参数、排放情景差别存在敏感性和不确定性，但对受地形、地质和水文的影响大，公路建设排放差别突出的不同空间位置的材料、能源、工序和构造体碳排放差异并未进行分析，公路项目建设期路段、施工方法、材料消耗碳排放空间异质性研究仍属于空白. 地理加权回归模型(geographically weighted regression，GWR)可有效量化空间异质性，是应用最为广泛的模型[24]，已被广泛应用于交通客流预测[25]、交通安全[26]、交通拥堵状况[27]等交通领域，但也发现其存在线性假设、局部性假设[28]、计算复杂性、高维数据处理能力弱[29]和模型解释性有限等局限性，急需发展新的探索方法.
近年来，机器学习处理多维数据方面的优势不断被验证，建模结果往往更科学且准确[30]，基于机器学习的GBDT[31]、XGBoost[32]和随机森林[33]等方法被应用于建模预测空间现象. XGBoost是GBDT改进的算法，通过优化算法顺序集成决策树以最小化模型误差[34]，通常优于RF或深度神经网络等替代方法[35]，与GWR相比，XGBoost在处理具有空间异质性的数据时，不需要假设数据生成过程就能够处理不同特征的非线性和复杂的交互效应，在捕捉空间异质性方面具有优势[36~38]. 但XGBoost也存在求解过程不透明，输入数据和输出结果之间可解释性难以理解这一挑战. SHAP(SHapley Additive exPlanations)作为机器学习模型的解释工具，可有效识别关键特征并探索变量间的关系[39]. 刘妍等[40]使用该工具在研究城区数字高程时通过特征筛选构建了更精确的城区分析模型，李阳涛[41]利用SHAP结合XGBoost解释机器学习模型，揭示影响汽车CO₂排放量的关键因素，王志强等[42]利用SHAP分析建筑物设计阶段碳排放的单特征和多特征交互影响，Meng等[43]采用一系列梯度提升树模型，引入SHAP值量化分析特征对预测结果的贡献度. 综上所述，基于GIS技术分析组合机器学习算法，对公路建设期碳排放建设活动与碳排放特性的空间差异性的研究探索十分必要.
因此，本研究拟通过XGBoost从地理坐标中充分捕获空间效应，引入SHAP归因分析识别实际工程影响碳排放的关键因素及特征交互效应，可视化工程方案进行碳排放异质性特征，分析其影响因素，以期为公路综合性减排策略提供依据，提供有效的区域交通碳减排新视角.
1 材料与方法 1.1 研究区域与数据来源广东省肇庆市的A高速公路建设项目途经平原、西江和地貌变化快的丘陵山地和密集村落，地形复杂，施工环境变化多端，是一项工程建设规模大、综合性的大型基础设施工程(见图 1). 通过实地走访调研，并提取估算、概算、预算、结算、施工图纸和施工组织文件等项目相关文件涉及到的地形、地质、工程设计参数、施工活动细节以及材料和能源消耗数据等进行数据采集. 为进行工程排放空间异质性分析，根据施工图纸、部分桥梁和互通空间设施布局示意图和工程造价细目等对其划分成了40个纵坡度有差别的样本.
|
图 1 A项目部分桥梁、互通空间设施布局 Fig. 1 Layout of selected bridges and interchange space facilities for project A |
基于生命周期评价(LCA)理论，利用Web of Science、Scopus和CNKI等数据库，检索近10a的相关文献通过文献计量法识别高速公路建设的2个主要阶段及其定量和定性碳排放指标关键词，据此形成的公路建设碳排放指标频次见表 1.
|
表 1 近10年碳排放关联指标频次 Table 1 Collation of carbon emission-related indicators |
1.2.2 指标分析
高速公路建设过程中，碳排放的来源关联因素既包括项目本身的内源性因素，也包括项目外部的环境、社会经济的影响因素. 为探讨各种因素如何影响高速公路建设过程中的碳排放量[44]，本研究聚焦碳排放来源产生活动环节，通过对工程量与工程技术经济指标两阶段碳排放指标关系进行分析，如图 2所示.
|
图 2 两阶段碳排放指标关系 Fig. 2 Relationship between two-stage carbon emission targets |
在项目规划阶段，基于解释度分析，宜排除车道数和设计速度等解释性低的因素，保留构造物类型、桥隧比和设计坡度等异质性因素，以及路面长度、隧道长度、路基长度、桥梁涵洞长度和填挖方等关键工程量指标. 在施工阶段，宜保留材料使用、施工机械和设备和施工方法等直接的碳排放源关联的因素. 对案例相关统计量的进一步分析，本研究保留了构造物类型、桥隧比、设计坡度、路线长度、填方、挖方和水泥消耗量这7个指标，其中构造物类型划分为5个子项：路基路面(ST-type_1)、桥梁构造物(ST-type_2)、隧道工程构造物(ST-type_3)、交叉工程构造物(ST-type_4)和复合型构造物(ST-type_5).
根据项目数据集及现场调研整理得到各层级能源材料消耗数据及工程量清单，计算得到A高速各路段坡度、路线长度、挖方、填方、构造物类型、桥隧比、水泥消耗量和基于施工材料和能耗消耗的总计碳排放量(如表 2).
|
|
表 2 某路段材料和机械的碳排放量 Table 2 Carbon emissions from materials and machinery on a road section |
1.3 研究方法 1.3.1 碳排放预测方法
XGBoost以CART决策树作为基分类器，其训练过程在于不断地添加树，不断拟合上次预测的残差. 本研究构建了包含特征指标的XGBoost构建碳排放预测模型，并通过交叉验证等方法进行参数调优，以提高模型的预测准确性. 目标变量Y为高速公路建设期间的碳排放量，特征指标包括水泥、坡度和水泥消耗量等7个指标，使用XGBoost的DMatrix对象来存储和处理这些数据，设置模型参数以优化模型性能，通过模型训练能够预测不同路段的碳排放量和特征重要性分析. 具体步骤如下：
给定数据集为D={(x1，y1)，(x2，y2)，…，(x7，y7)}，k为选择的特征训练次数，最大值为7，xi 为第i个样本的特征向量，yi为第i个样本对应的风险标签，
| $ \hat{y}_i=\varphi\left(x_i\right)=\sum\limits_{k=1}^k f_k\left(x_i\right) $ | (1) |
第i>个样本在第k+1次训练时的预测结果为：
| $ \hat{y}_i^{(k+1)}=\hat{y}_i^{(k)}+f_{k+1}\left(x_i\right) $ | (2) |
为实现较高的预测能力，传统的GBDT是按照梯度递减的方向最小化损失函数. XGBoost模型的目标函数L(φ)在其基础上增加正则化项，因此目标函数由传统损失函数l(φ)和控制模型复杂度的正则化项
| $ L(\varphi)=\sum\limits_{i=1}^m l\left(y_i, \hat{y}_i\right)+\sum\limits_{k=1}^k \varOmega\left(f_k\right) $ | (3) |
为最小化损失函数，传统的GBDT在优化时只用到了一阶导数信息，XGBoost则将损失函数进行二阶泰勒展开，目标函数变形如下[45].
| $ L(\varphi) \approx \sum\limits_{i=1}^m\left[g_i f_k\left(x_i\right)+\frac{1}{2} h_i f_k^2\left(x_i\right)\right]+\varOmega\left(f_k\right) $ | (4) |
式中，gi为第i>个样本的一阶导数，hi为第i个样本的二阶导数.
1.3.2 空间异质性分析方法尽管XGBoost模型展现出卓越的预测能力，但由于集成学习算法的复杂性，其通常被视为“黑匣子”，解释性有限. SHAP是基于博弈论中Shapley值原理，有效阐释机器学习模型预测过程和特征重要性，SHAP值可以理解为个体输入特征对模型预测值贡献的重要性，揭示解释变量与被解释变量之间的阈值及交互协同效应[46]. SHAP公式为：
| $ \operatorname{SHAP}(f, x, S)=\sum\limits_{T \subseteq S} \frac{|T|!(n-|T|)!}{n!}\left[f(x)-f\left(x_{S / T}\right)\right] $ | (5) |
式中，f为模型的预测函数；x为观测到的特征向量；S为所有特征的集合；n为特征的数量；xS/T为除T之外所有特征的观测值.
SHAP值可以表示为模型在所有特征都被设置为其平均值时的预测值与实际预测值之差. 因此，对于单个特征xi，SHAP值表示了该特征对模型预测的贡献，SHAP值越高，输入特征对预测结果的贡献越大. 通过计算每个特征的SHAP值，可以获得一个关于模型预测的贡献矩阵，从而帮助理解和解释模型的决策过程. 对于一个特定的特征xi，SHAP值的计算如下：
| $ \operatorname{SHAP}[f, x, S /\{i\}]=f(x)-\operatorname{SHAP}(f, x, S) $ | (6) |
SHAP提供了两种解释机器学习模型的方法：全局解释性和局部解释性. 全局可解释性为整个数据集中于每个特征的总体重要性，整个数据集中于各个特征的平均SHAP值可通过SHAP瀑布图反映；预测值及其贡献量的局部解释可通过SHAP力图反映. 利用SHAP值提供全局和局部的强解释性，公平分配变量贡献度，通过可视化可弥补传统线性回归模型在可解释性上的不足[47]. 综合大量文献和对高速公路基础设施碳排放的分布特征，表 3列出了地理加权回归模型GWR和机器学习算法对比，可以发现利用ArcGIS集成SHAP值分析碳排放空间异质性，具有优势. 因此，利用XGBoost-SHAP模型的更强大预测能力和SHAP算法的解释能力，可以为更好理解和预测高速公路建设期间的碳排放空间异质性提供帮助.
|
|
表 3 模型特征对比 Table 3 Comparison of model features |
1.4 数据预处理 1.4.1 归一化
为解决不同量纲数据引起的变量规模差异，通过数据归一化处理确保特征空间中样本点间距离的合理性[48]. 归一化旨在缩小数据尺度，降低预测误差，加快算法收敛. 本研究应用了最小最大归一化技术，以统一数据范围，公式为：
| $ X=\frac{x-x_{\min }}{x_{\max }-x_{\min }} $ | (7) |
式中，X为归一化之后的数据；x为归一化前数据；xmin为数据最小值；xmax为数据最大值.
1.4.2 数据集划分在建立预测模型时，数据集经过归一化处理和异常值处理后被随机划分为训练集和测试集，将样本数据集中的80%(32个项目)作为模型的训练集，剩余的20%(8个)作为模型的测试集，有助于确保模型在独立的数据集上能够展现出良好的泛化能力.
1.5 训练模型模型训练集的平均绝对误差(MAE)为0.000 8，均方误差(MSE)为0.001 2，均方根误差(RMSE)为0.001 0，决定系数(R2)为0.99，表明模型在训练集上具有极高的拟合度及预测精度. 测试集MAE为0.016 5，MSE为0.013 5，RMSE为0.036 8，R2为0.901，表现出模型良好的泛化能力，尽管决定系数略有下降，但仍然保持在0.9以上，显示出模型的有效性. 所有样本MAE为0.047 8，MSE为0.027 1，RMSE为0.031 9，R2为0.97，说明模型对整个数据集的解释能力依然较强，如图 3所示.
|
图 3 XGBoost标准化实际碳排放值与预测碳排放值对比 Fig. 3 XGBoost normalized actual carbon emission values vs. predicted carbon emission values |
空间异质性的结果量化方面，本研究从空间特征(spatial characterstics)和空间比较(spatial comparison)这两个方面[49]探讨. 空间特征度量项目的区位、等级、长度、宽度、坡度和构造物类型等. 空间比较则涉及对不同位置同一要素，不同要素同一空间的碳排放差异比较. 空间异质性的表现方面可分形态和分区段讨论，形态差异关注路基、桥梁、隧道、路面和交叉等施工阶段的碳排放特点；区段差异涉及平原与山区地形地貌起伏变化，分析各区段内的碳排放来源、强度及影响因素. 研究过程可以分粒度展开，包括表达粒度：碳排放的空间分布、强度分布等；属性粒度：碳排放的来源、类型和影响等属性.
2.1 基于SHAP的异质性宏观分析宏观分析可通过SHAP值揭示模型预测中各特征的总体贡献，为理解模型决策提供全局视角，揭示关键特征并增强碳排放分布与演化的可解释性.
2.1.1 各区段碳排放差异将全线40段的11个要素SHAP值在地理空间上分别归一化并计算各要素贡献占比，结合GIS可视化堆叠条形图识别不同路段碳排放的空间异质性(图 4). 图中可以直观分析不同空间同一要素，不同要素同一空间的差异. 可以发现水泥要素在全线碳排放影响贡献普遍较高，各路段碳排放受构造物类别、路线、坡度和填挖方的直接影响.
|
图 4 高速公路建设项目SHAP值分布 Fig. 4 Distribution of SHAP values for highway construction projects |
图 5为各路段11个要素SHAP值可视化. 从图 5(a)可见，坡度大且是过水或重丘的路段碳排放趋高，特别是坡度高于2.5%时规律更加明显，原因大致为：①此类地区通常需要更多能耗来完成土方作业和加固措施，如挖填方、建设桥梁、涵洞、挡土墙和隧道等；②地形复杂的地区会影响施工机械的效率和能源消耗，进而影响碳排放. 分析图 5(e)、图 5(h)和图 5(j)以发现，当桥隧比高且为桥梁或者交叉互通构造时，碳排放强度贡献通常高于隧道结构. 究其原因可能包括：①桥梁和交叉互通构造在建设过程中需要更多的建筑材料和能源消耗，以及更复杂的施工技术和维护活动；②桥梁和交叉互通构造在空间上通常更为分散，导致其在空间上的碳排放分布更为广泛，进一步增加了总体碳排放强度.
|
图 5 各路段坡度、路线长度、挖方、填方、桥隧比、水泥、路基路面、桥梁、隧道、交叉和复合型构造的SHAP值可视化 Fig. 5 Visualization SHAP values for each sectionof slope, route length, cut, fill, bridge-to-tunnel ratio, cement consumption, roadbed pavement, bridge, tunnels, intersections, and composite configurations |
特征按影响力从小到大进行排序，如图 6所示，不同的特征对预测结果的重要性不同. 重要性排序依次为：水泥消耗量、路线长度、挖方、桥隧比、交叉工程构造物、填方、坡度、路基路面、桥梁构造物、复合型构造物和隧道工程构造物.
|
图 6 SHAP特征重要性 Fig. 6 SHAP feature importance |
SHAP值瀑布图结合了特征重要性和特征效应图，展示了每个特征的SHAP值的分布情况，帮助理解和量化每个特征对模型预测的贡献程度. 图 7中，不同行表示不同特征，每个点映射一个样本，宽度反映了样本的聚集程度，通过颜色表示特征值大小(红色高，蓝色低). 纵轴呈现了特征重要性，其中越靠上方的特征对模型输出的影响程度更大，横轴为不同特征的SHAP值，用于匹配特征值的正负变化如何影响因变量. 点越远离中心线(零点)，表示该特征对模型输出的影响越大，SHAP值为正表示正面影响，反之表示负面影响.
|
图 7 高速公路建设项目碳排放 Fig. 7 Carbon emissions from highway construction projects |
进一步结合实际分析图 7的原因如下.
(1) 水泥消耗量(CC)对高速公路建设期的碳排放具有主导性影响. CC点的分布较为离散，但影响大，其低于一定阈值时，碳排放总量趋于稳定，显示基础碳排放水平的存在，而增加水泥消耗量则导致碳排放非线性增长. 进一步，通过皮尔逊相关性热力图对全线变量相关性进行分析，如图 8所示，发现水泥消耗量与路线长度呈现高度正相关，相关系数为0.87，表明路线长度越长，水泥消耗量越多. 有无构造物与路线长度和水泥消耗量也显著正相关，相关系数分别为0.66和0.78，显示了构造物类型对两者均有影响. 桥隧比与水泥消耗量同样正相关，相关系数为0.71，即桥隧增加会提高水泥消耗.
|
图 8 皮尔逊相关性分析热力图 Fig. 8 Heatmap for Pearson correlation analysis |
(2) 在一定范围内，路线长度的增加对碳排放影响较弱，但路线长度大幅延长时，碳排放会增加，可能是由于长距离需要更多材料和运输，从而导致更高的碳排放.
(3) 挖方和桥隧比对碳排放的影响呈现正相关，即随着这两项指标的增加，碳排放量也随之上升. 特别是对于存在交叉工程的路段，其对碳排放的影响将极为显著. 这一发现强调了交叉工程在设计和施工阶段对碳排放量的重大影响，突显了其在碳排放控制策略中的重要性. 图 8表明挖方量与填方量的正相关性，相关系数为0.44，说明了挖方和填方通常互相关联.
(4) 图 8中，坡度与其他变量呈现轻微到显著的负相关，相关系数在-0.12~-0.32之间，坡度增加可能导致其他变量的减少.
其他指标对碳排放的贡献较小，或在实际工程中y变化不大，因而对碳排放的影响有限.
2.1.4 特征交互影响分析特征交互依赖图用于显示主特征与其特征值之间的关系，并可以展示特征之间的交互作用，其每个点映射一个样本，横轴代表主特征x的变化，纵轴左侧为主特征x的SHAP值，纵轴右侧为交互特征y的影响程度，通过观察图中的颜色变化，可识别不同路段可能产生最大碳排放的特征组合，从而指导模型调整和特征工程，增强模型的预测效能和透明度. 如图 9所示，挖方值越大，水泥消耗量对碳排放总体贡献更强；水泥消耗越多，挖方对碳排放贡献越大；对于桥隧比特征值较高(红色)的路段，填方的影响较小. 根据特征交互依赖图的分析结果，可以为不同路段制定差异化的减排策略，例如在挖方量较大的路段优化水泥使用，在桥隧比高的路段采用更环保的施工技术.
|
图 9 特征交互依赖图 Fig. 9 Feature Interaction Dependency Chart |
力图用于直观地展示单个路段样本的SHAP值及其对模型预测结果的影响，展现每个特征的个性化贡献度量，条的长度表示该特征对最终预测值的影响大小. 若样本特征SHAP值(红色条)为正向贡献，表明该特征是该路段碳排放上升的主要影响因素；反之(蓝色条)为负向增益，是该路段碳排放下降的主要因素. 通过比较力图中起点(碳排放基线值)和终点(碳排放最终预测值，即基线值加上所有特征贡献的总和)，可以直观地看到特征对预测值的总体影响. 例如，如图 10(a)所示，A高速路段1的碳排放受水泥消耗的减少和填方(FV)的增加影响. A高速路段1中水泥消耗对整体碳排放呈负向贡献，对降低碳排放尤为关键，通过纵断面图可发现其为路基路面段，为0.16万t，属于全线水泥消耗量最低的一梯队，相反，填方为正向贡献. 通过对比图 10(b)和图 10(c)的分析，可以观察到在不同路段上，挖方对碳排放的影响可能呈现相反的效果，结合施工图分析，发现路段3位于爬坡路段附近，且地形为重丘地形，即不同路段的地形地貌特征可能会导致碳排放空间分布的差异性. 图 10(d)展示了样本特征值对输出的正向贡献超过了负向贡献，在此路段样本中，构造物类别为交叉工程，挖方和填方的值均为整条路段全线最大，这些有显著正向贡献的特征存在交互作用，共同对路段4的碳排放产生正向贡献，导致该样本的最终输出高于平均预测输出.
|
图 10 SHAP单样本分析路段(力图) Fig. 10 Results of SHAP one-sample analysis(force diagram) |
综合上述分析，结合SHAP分布特征、施工图及A项目部分桥梁和互通空间设施布局(图 1)，可以发现，桥梁和交叉互通构造在空间上的广泛分布特性是导致总体碳排放强度增加的重要因素，公路建设碳排放的空间异质性和不均匀性主要表现为关键构造的建设活动的空间聚集性，公路建设碳排放活动为以“核心段聚集为特征”的多点分散格局，这种空间分布应引起项目建设碳排放管理的重视.
3 政策建议针对A高速公路建设碳排放的空间异质性，可采取以下的系列综合性减排策略.
(1) 材料和能源层面 使用可持续材料如再生建筑废料、低碳水泥、粉煤灰和生物油等替代传统建材，推广使用环保材料和设计等；采用节能爬坡技术和优化路线设计，提高机械利用率.
(2) 施工层面 优化施工现场的物流和材料运输，实施高效的施工管理策略，包括精心编制和动态调整施工计划；优化土方工程管理，减少无谓的挖掘和填充，多工作面施工以加快进度，利用现有道路作为施工通道，合理布置弃土场和动态调配土石方.
(3) 单体结构物层面 优化关键构造的空间设施服务和资源配置，研究调度策略确保调度高效，减少资源浪费；融合ArcGIS和人工智能建立动态的碳排放监测系统，加强环境监测，实时跟踪和反馈路段的碳排放情况；激励低节能减碳试点项目的工程实践，加强多部门合作，共同推动减排措施的落实.
4 结论(1) 研究识别了构造物类型、桥隧比、设计坡度、路线长度、填方、挖方和水泥消耗量这7个影响高速公路建设碳排放的关键指标，特别是水泥消耗量的增加对碳排放具有显著的非线性影响. 在以上变量中，水泥消耗量与路线长度呈现高度正相关，相关系数为0.873，造物类型与路线长度和水泥消耗量相关系数分别为0.658和0.780，桥隧比与路线长度和水泥消耗量相关系数为0.603和0.709. 坡度与其他变量相关系数在-0.122至-0.322之间，挖方与填方相关系数为0.436. 此外，路线长度、挖方和桥隧比等因素也对碳排放有较大贡献. 地形地貌对碳排放有显著影响，特别是坡度较大的过水或重丘路段，碳排放明显较高.
(2) 基于XGBoost-SHAP模型的分析结果，揭示了不同路段特征对碳排放的影响贡献，以及特征间的交互作用，通过ArcGIS集成SHAP值分析碳排放空间异质性，表明高速公路建设碳排放与建设活动的空间组织和构造复杂度有关，呈现“核心段聚集”为特征的多点分散格局，提出了包括优化材料使用、改进施工技术、提高机械效率和加强环境监测等的综合性的减排策略，推动交通基础设施的可持续发展.
(3) 本研究填补了使用机器学习模型提取空间效应的研究空白，从XGBoost-SHAP模型中提取和解释了高速公路建设期碳排放的空间异质性，从而可以更好地捕捉关键碳源，证明了XGBoost-SHAP模型的可扩展性和高效性使其适用于更广泛的空间数据分析. 本研究在空间异质性分析方面提供了新的视角，为碳排放的空间分布特征提供了更深入的理解.
| [1] | 刘欣. 我国公路建设营商环境持续优化[N]. 法治日报, 2023-12-01(07). |
| [2] | Liu Y Y, Wang Y Q, Lyu P, et al. Rethinking the carbon dioxide emissions of road sector: integrating advanced vehicle technologies and construction supply chains mitigation options under decarbonization plans[J]. Journal of Cleaner Production, 2021, 321. DOI:10.1016/j.jclepro.2021.128769 |
| [3] |
罗锦鸿. 双碳背景下广东省高速公路碳排放测算及其空间关联特性研究[D]. 北京: 北京交通大学, 2023. Luo J H. Carbon emission measurement and spatial correlation characteristics of expressways in Guangdong province under the background of dual carbon[D]. Beijing: Beijing Jiaotong University, 2023. |
| [4] | 交通运输部. 交通运输部关于印发《绿色交通"十四五"发展规划》的通知[EB/OL]. https://www.gov.cn/zhengce/zhengceku/2022-01/21/content_5669662.htm, 2021-10-29. |
| [5] |
张自豪, 余斌, 郭新伟, 等. 基于GTWR模型的长江中游城市群碳排放时空异质性分析[J]. 华中师范大学学报(自然科学版), 2024, 58(3): 324-338. Zhang Z H, Yu B, Guo X W, et al. Analysis of spatial and temporal heterogeneity of carbon emissions in Middle Yangtze River city cluster based on GTWR model[J]. Journal of Central China Normal University (Natural Sciences), 2024, 58(3): 324-338. |
| [6] |
赖德琳, 胡燕, 王玉贵. 成渝城市群土地利用碳排放时空异质性及影响因素分析[J]. 绵阳师范学院学报, 2023, 42(11): 97-105. Lai D L, Hu Y, Wang Y G. Analysis on the spatial-temporal heterogeneity of land use carbon emission in Chengdu-Chongqing urban agglomeration and the influencing factors[J]. Journal of Mianyang Teachers' College, 2023, 42(11): 97-105. |
| [7] |
梁思茵, 孔荫莹, 邹美靓, 等. 基于空间异质性的珠三角城市群碳排放驱动因素研究[J]. 环境科学学报, 2023, 43(11): 237-244. Liang S Y, Kong Y Y, Zou M L, et al. Spatial heterogeneity-based drivers of carbon emissions in the Pearl River Delta[J]. Acta Scientiae Circumstantiae, 2023, 43(11): 237-244. |
| [8] |
高彬雅. 中国碳排放省域异质性影响因素研究[D]. 福州: 福建师范大学, 2022. Gao B Y. Study on factors of provincial heterogeneity of carbon emissions in China[D]. Fuzhou: Fujian Normal University, 2022. |
| [9] |
赵红星, 石璟晶, 何瑞春, 等. "一带一路"沿线省域交通碳排放影响因素时空异质性[J]. 环境科学, 2024, 45(8): 4636-4647. Zhao H X, Shi J J, He R C, et al. Spatio-temporal heterogeneity of factors influencing transportation carbon emissions in provinces along the belt and road[J]. Environmental Science, 2024, 45(8): 4636-4647. |
| [10] |
杨青, 郭露, 刘星星, 等. 中国省域交通碳排放空间关联格局的驱动特征[J]. 中国环境科学, 2024, 44(2): 1171-1184. Yang Q, Guo L, Liu X X, et al. Driving characteristics of the spatial correlation pattern of carbon emissions from provincial transportation in China[J]. China Environmental Science, 2024, 44(2): 1171-1184. |
| [11] | Xu H C, Cao S, Xu X B. The development of highway infrastructure and CO2 emissions: the mediating role of agglomeration[J]. Journal of Cleaner Production, 2022, 337. DOI:10.1016/j.jclepro.2022.130501 |
| [12] |
陈本昌. 基于BAM-DEA的我国省级交通运输系统碳排放动态效率及其异质性分析[D]. 青岛: 青岛大学, 2023. Chen B C. Dynamic efficiency and heterogeneity of carbon emissions in provincial transportation systems based on BAM-DEA[D]. Qingdao: Qingdao University, 2023. |
| [13] |
丁锐, 马灿. 公路交通基础设施空间溢出效应异质性分析[J]. 公路, 2021, 66(12): 261-270. Ding R, Ma C. Heterogeneity of spatial spillover effect of highway transportation infrastructure[J]. Highway, 2021, 66(12): 261-270. |
| [14] |
李甜. 考虑空间异质性的建成环境与交通系统运行状态关系建模及协调优化[D]. 镇江: 江苏大学, 2022. Li T. Research on the relationship model and coordination optimization between built environment and trasnportation state considering spatial heterogeneity[D]. Zhenjiang: Jiangsu University, 2022. |
| [15] | Sadek S, Bedran M, Kaysi I. GIS platform for multicriteria evaluation of route alignments[J]. Journal of Transportation Engineering, 1999, 125(2): 144-151. DOI:10.1061/(ASCE)0733-947X(1999)125:2(144) |
| [16] | Jha M K, Schonfeld P. A highway alignment optimization model using geographic information systems[J]. Transportation Research Part A: Policy and Practice, 2004, 38(6): 455-481. DOI:10.1016/j.tra.2004.04.001 |
| [17] | Satria R, Castro M. GIS tools for analyzing accidents and road design: a review[J]. Transportation Research Procedia, 2016, 18: 242-247. DOI:10.1016/j.trpro.2016.12.033 |
| [18] | Isihak S, Akpan U, Bhattacharyya S. Evolution of GIS-based rural electrification planning models and an application of OnSSET in Nigeria[J]. Renewable and Sustainable Energy Transition, 2022, 2. DOI:10.1016/j.rset.2022.100019 |
| [19] | Ogunrinde O, Nnaji C, Amirkhanian A. Application of emerging technologies for highway construction quality management: a review[A]. In: Construction Research Congress 2020[C]. Washington: ASCE, 2020. 1030-1039. |
| [20] | Bamigboye G O, Bassey D E, Olukanni D O, et al. Waste materials in highway applications: an overview on generation and utilization implications on sustainability[J]. Journal of Cleaner Production, 2021, 283. DOI:10.1016/j.jclepro.2020.124581 |
| [21] | Liu Y Y, Li H J, Wang H H, et al. Integrated life cycle analysis of cost and CO2 emissions from vehicles and construction work activities in highway pavement service life[J]. Atmosphere, 2023, 14(2). DOI:10.3390/atmos1402019 |
| [22] | Noshadravan A, Wildnauer M, Gregory J, et al. Comparative pavement life cycle assessment with parameter uncertainty[J]. Transportation Research Part D: Transport and Environment, 2013, 25: 131-138. DOI:10.1016/j.trd.2013.10.002 |
| [23] | Huijbregts M A, Gilijamse W, Ragas A M J, et al. Evaluating uncertainty in environmental life-cycle assessment. A case study comparing two insulation options for a Dutch one-family dwelling[J]. Environmental Science & Technology, 2003, 37(11): 2600-2608. |
| [24] | Finley A O. Comparing spatially-varying coefficients models for analysis of ecological data with non-stationary and anisotropic residual dependence[J]. Methods in Ecology and Evolution, 2011, 2(2): 143-154. DOI:10.1111/j.2041-210X.2010.00060.x |
| [25] | Cardozo O D, García-Palomares J C, Gutiérrez J. Application of geographically weighted regression to the direct forecasting of transit ridership at station-level[J]. Applied Geography, 2012, 34: 548-558. DOI:10.1016/j.apgeog.2012.01.005 |
| [26] | Gomes M J T L, Cunto F, da Silva A R. Geographically weighted negative binomial regression applied to zonal level safety performance models[J]. Accident Analysis & Prevention, 2017, 106: 254-261. |
| [27] | Pan Y J, Chen S Y, Niu S F, et al. Investigating the impacts of built environment on traffic states incorporating spatial heterogeneity[J]. Journal of Transport Geography, 2020, 83. DOI:10.1016/j.jtrangeo.2020.102663 |
| [28] | Sulekan A, Jamaludin S S S. Review on geographically weighted regression (GWR) approach in spatial analysis[J]. Malaysian Journal of Fundamental and Applied Sciences, 2020, 16(2): 173-177. DOI:10.11113/mjfas.v16n2.1387 |
| [29] | Comber A, Chi K, Huy M Q, et al. Distance metric choice can both reduce and induce collinearity in geographically weighted regression[J]. Environment and Planning B: Urban Analytics and City Science, 2020, 47(3): 489-507. DOI:10.1177/2399808318784017 |
| [30] |
张晓楠. 异质性视角下自行车多层次出行行为建模及影响研究[D]. 西安: 长安大学, 2023. Zhang X N. Research on bicycle multi-level travel behavior modeling and influence from the perspective of heterogeneity[D]. Xi'an: Chang'an University, 2023. |
| [31] | Gan Z X, Yang M, Feng T, et al. Examining the relationship between built environment and metro ridership at station-to-station level[J]. Transportation Research Part D: Transport and Environment, 2020, 82. DOI:10.1016/j.trd.2020.102332 |
| [32] |
贺鹏, 李雯茜, 李妍, 等. 建成环境对轨道交通客流非线性影响的空间特征[J]. 交通运输系统工程与信息, 2023, 23(3): 187-194. He P, Li W X, Li Y, et al. Spatial patterns of nonlinear effects of built environment on Beijing subway ridership[J]. Journal of Transportation Systems Engineering and Information Technology, 2023, 23(3): 187-194. |
| [33] |
王振科, 白云鹏. 社区建成环境对中等收入群体机动车行驶里程的非线性影响模型[J]. 重庆理工大学学报, 2023, 37(10): 159-168. Wang Z K, Bai Y P. A nonlinear impact model of community built environment on vehicle miles traveled of middle-income groups[J]. Journal of Chongqing Institute of Technology, 2023, 37(10): 159-168. |
| [34] | Chen T Q, Guestrin C. XGBoost: a scalable tree boosting system[A]. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C]. San Francisco: ACM, 2016. 785-794. |
| [35] | Parsa A B, Movahedi A, Taghipour H, et al. Toward safer highways, application of XGBoost and SHAP for real-time accident detection and feature analysis[J]. Accident Analysis & Prevention, 2020, 136. DOI:10.1016/j.aap.2019.105405 |
| [36] | Yang C, Chen M Y, Yuan Q. The application of XGBoost and SHAP to examining the factors in freight truck-related crashes: an exploratory analysis[J]. Accident Analysis & Prevention, 2021, 158. DOI:10.1016/j.aap.2021.106153 |
| [37] | Chang I, Park H, Hong E, et al. Predicting effects of built environment on fatal pedestrian accidents at location-specific level: application of XGBoost and SHAP[J]. Accident Analysis & Prevention, 2022, 166. DOI:10.1016/j.aap.2021.106545 |
| [38] | Ji S J, Wang X, Lyu T, et al. Understanding cycling distance according to the prediction of the XGBoost and the interpretation of SHAP: a non-linear and interaction effect analysis[J]. Journal of Transport Geography, 2022, 103. DOI:10.1016/j.jtrangeo.2022.103414 |
| [39] | Li Z Q. Extracting spatial effects from machine learning model using local interpretation method: an example of SHAP and XGBoost[J]. Computers, Environment and Urban Systems, 2022, 96. DOI:10.1016/j.compenvurbsys.2022.101845 |
| [40] |
刘妍, 孙延宁, 陈传法, 等. 城区数字高程模型修正方法: 顾及空间异质性的可解释随机森林模型[J]. 地球信息科学学报, 2024, 26(4): 978-988. Liu Y, Sun Y N, Chen C F, et al. Improving urban digital elevation models based on interpretable random forest method considering spatial heterogeneity[J]. Journal of Geo-Information Science, 2024, 26(4): 978-988. |
| [41] |
李阳涛. 基于SHAP与BS-XGBoost的汽车CO2排放量预测研究[D]. 重庆: 重庆交通大学, 2023. Li Y T. Prediction of automobile CO2 emission based on SHAP and BS-XGBoost[D]. Chongqing: Chongqing Jiaotong University, 2023. |
| [42] |
王志强, 任金哥, 韩硕, 等. 基于可解释性机器学习的建筑物物化阶段碳排放量预测研究[J]. 安全与环境学报, 2024, 24(6): 2454-2466. Wang Z Q, Ren J G, Han S, et al. Interpretable machine learning-based carbon emission prediction in the materialization stage of buildings[J]. Journal of Safety and Environment, 2024, 24(6): 2454-2466. |
| [43] | Meng Y, Yang N H, Qian Z L, et al. What makes an online review more helpful: an interpretation framework using XGBoost and SHAP values[J]. Journal of Theoretical and Applied Electronic Commerce Research, 2020, 16(3): 466-490. DOI:10.3390/jtaer16030029 |
| [44] |
张天辰. 基于全生命周期的低碳桥梁评价体系研究[D]. 徐州: 中国矿业大学, 2018. Zhang T C. Research on low-carbon bridge evaluation system based on total life cycle[D]. Xuzhou: China University of Mining and Technology, 2018. |
| [45] |
王元庆, 于婷, 刘备, 等. 公路工程施工建设安全风险预测及时序分析[J]. 安全与环境学报, 2023, 23(10): 3387-3397. Wang Y Q, Yu T, Liu B, et al. Safety risk prediction and time series analysis of highway engineering construction[J]. Journal of Safety and Environment, 2023, 23(10): 3387-3397. |
| [46] |
许奇, 李雯茜, 陈越, 等. 建成环境对城市轨道交通起讫点客流的非线性影响及阈值效应[J]. 交通运输系统工程与信息, 2023, 23(4): 290-297. Xu Q, Li W X, Chen Y, et al. Nonlinear and threshold effects of built environment on origin-destination flows of urban rail transit[J]. Journal of Transportation Systems Engineering and Information Technology, 2023, 23(4): 290-297. |
| [47] |
王梓蒙, 刘艳芳, 罗璇, 等. 基于多源数据的城市活力与建成环境非线性关系研究——以双休日武汉市主城区为例[J]. 地理科学进展, 2023, 42(4): 716-729. Wang Z M, Liu Y F, Luo X, et al. Nonlinear relationship between urban vitality and the built environment based on multi-source data: a case study of the main urban area of Wuhan City at the weekend[J]. Progress in Geography, 2023, 42(4): 716-729. |
| [48] |
王绒. 四种机器学习方法在公共建筑能耗短期预测的对比分析[D]. 呼和浩特: 内蒙古财经大学, 2023. Wang R. A comparative analysis of four machine learning methods for short-term prediction of energy consumption in public buildings[D]. Hohhot: Inner Mongolia University of Finance and Economics, 2023. |
| [49] |
李哈滨, 王政权, 王庆成. 空间异质性定量研究理论与方法[J]. 应用生态学报, 1998, 9(6): 651-657. Li H B, Wang Z Q, Wang Q C. Theory and methodology of spatial heterogeneity quantification[J]. Chinese Journal of Applied Ecology, 1998, 9(6): 651-657. |