第一作者：蒲静
通讯作者：蔡辰，黄翔峰
通讯单位：同济大学碳中和研究院、上海自主智能无人系统科学中心、环境科学与工程学院
论文DOI号：https://doi.org/10.1016/j.trd.2026.105338
¨全文速览
地铁系统的脱碳对城市可持续发展具有关键意义。然而，现有研究普遍忽视移动模式的异质性，关于建成环境与出行碳排放之间关联的结论仍不统一。针对这一问题，同济大学黄翔峰教授团队在交通领域顶刊《Transportation Research Part D: Transport and Environment》（IF=7.7）上发表了题为《Mobility heterogeneity influences the relationship between built environment and metro travel emissions》的研究论文。该研究构建了可迁移的分析框架，融合自然语言处理（NLP）与机器学习（ML）方法实现移动模式识别，并评估建成环境与分模式出行碳排放的关联关系。以中国福州为案例，研究验证了模式识别方法的有效性，揭示了模式异质性对建成环境与碳排放关系的影响。研究结果凸显了面向不同移动模式制定差异化策略的必要性，为城市可持续规划与交通脱碳政策制定提供了科学支撑。
¨研究介绍
交通运输是全球碳排放的重要来源之一。地铁系统是满足居民日常出行需求、缓解城市拥堵、提升出行效率并助力碳减排的关键基础设施。建成环境是影响出行碳排放的重要因素，但其与出行碳排放的关联随移动模式的变化，目前仍缺乏系统性探讨。此外，尽管聚类分析是移动模式识别的常用手段，但现有方法普遍存在空间特征表征不足、对时空关联挖掘不充分等问题。
针对上述问题，本研究首先构建两类站点级语义特征以表征空间出行属性，并设计融合时空信息的“出行句子”，随后采用CBOW‑SIF嵌入方法挖掘时空特征的内在关联，结合K‑Means聚类实现出行模式识别。在此基础上，研究采用“自下而上”的方法，对不同移动模式下的出行碳排放量进行估算。最后，利用可解释机器学习模型，系统解析不同出行模式下起点与终点建成环境要素对出行碳排放的影响，包括特征重要性、关键驱动因素及非线性关联。整体方法框架如图1所示。
图1. 研究框架
图2. 九类移动模式的时空特征
图3. 九类移动模式的特征重要性排序
基于该构框架，本研究共识别出九类典型地铁出行移动模式，如图2、图3所示，建成环境与地铁出行碳排放的关联呈现显著的模式异质性特征，机器学习模型对碳排放方差的解释度介于66%~85%，有效验证了研究假设。同时，本研究存在一定局限：未分析因果关系，数据仅覆盖一周，且仅采用单一城市案例。未来可引入因果推断方法、融合长时数据、开展多城市跨案例验证进一步优化。