利用机器学习理解跨大陆城市形态与出行CO2排放的因果关系
机器学习
2023-12-18 v2 物理与社会
摘要
城市出行中的气候减缓需通过政策重构城市形态以提升可达性并便利低碳交通方式。然而，当前政策研究在三个层面对城市形态之于驾车出行的影响评估不足：(1)因果性——能否在理论与基于相关的分析之外确立因果？(2)可推广性——关系在不同城市与世界区域是否成立？(3)情境特异性——关系在城市各邻里间如何变化？在此，我们基于三块大陆六座城市的出行数据，通过因果图发现与可解释机器学习检测城市形态对市内驾车出行的影响，以填补上述三重空白。我们发现城市形态对行程排放及特征间效应具有显著因果影响，而后者在既往工作中被忽视。结果表明总体以目的地可达性最为关键，而低密度与低连通性亦会急剧推高CO排放。这些总体趋势跨城市相似，但我们发现了可能导致建议大相径庭的特异效应。在更单中心的城市中，我们识别出距市中心约10–50 km的空间走廊，其中副中心导向的发展比提升主中心可达性更具意义。我们的工作展示了机器学习的新颖应用，可支撑满足因果性、可推广性与情境特异性需求以推广循证城市气候方案的新研究。
引用
@article{arxiv.2308.16599,
title = {Using machine learning to understand causal relationships between urban form and travel CO2 emissions across continents},
author = {Felix Wagner and Florian Nachtigall and Lukas Franken and Nikola Milojevic-Dupont and Rafael H. M. Pereira and Nicolas Koch and Jakob Runge and Marta Gonzalez and Felix Creutzig},
journal= {arXiv preprint arXiv:2308.16599},
year = {2023}
}
备注
32 pages, 24 figures, 6 tables