原文信息
题 目:Personal mobility choices and disparities in carbon emissions
作 者:An Wang, Scott Weichenthal, Marshall Lloyd, Kris Hong, Shoshanna Saxe, and Marianne Hatzopoulou
期 刊：Environmental Science & Technology
时 间：2022.06.01
一作单位：Senseable City Lab, Department of Urban Studies and Planning, Massachusetts Institute of Technology, Cambridge, MA 02139, United States
原文链接:https://pubs.acs.org/doi/10.1021/acs.est.2c06993
+
研究背景
将全球变暖限制在比工业化前水平高2摄氏度以下至关重要，但由于交通部门温室气体排放量呈现增加的趋势，使得个人出行脱碳具有挑战性。自1990年以来，在全球范围内，交通运输温室气体排放量持续增长2%，其中自2010年以来公路运输是增长的主要原因。在加拿大，2005年至2019年间，温室气体总排放量减少了1.1%，而交通运输的温室气体排放量增加了14%。同时，实现交通脱碳的一个关键因素是发扬可持续的出行选择。而这需要从根本上理解城市居民可以做出的选择，以及绿色交通解决方案对社会公平和正义的影响。在这项研究中，本文量化了大多伦多地区和汉密尔顿地区(GTHA)与个人出行相关的温室气体(GHG)排放，以及它们与各种土地利用、建筑环境和社会经济因素的关系。本文研究了与整个研究区域的高排放和排放差异相关的个人、家庭和社区层面的特征。
+
研究结果
上图显示了大多伦多地区和汉密尔顿地区（GTHA）所有模式（含零碳强度主动交通）的平均燃料循环GHG排放强度，包括井到泵和车辆运行排放，为每位乘客210克二氧化碳/公里（g/km）。这个数字仅略低于以最节能速度（60英里/小时或96公里/小时）行驶的轻型车辆的排放强度，这个速度的排放强度约为236 g/km。这一排放强度对比反映了GTHA中驾车出行的比例很高。不同地区城市之间出行排放强度的变化说明了交通和步行方式对个人出行GHG足迹的影响。对于多伦多市的居民来说，平均出行排放强度为184 g/km，而汉密尔顿市的居民则高达227 g/km（图1b）。当每次出行的排放强度由每人每天出行的总次数和长度加权时，GTHA的可变性进一步突出，从而得出对每人总出行温室气体排放量的估计。图1c显示了每个地理单元（DA）中每人每天的平均出行GHG排放量。整个地区的每日出行排放量存在明显的空间变化，与内郊和远郊的居民相比，内核和南部湖岸地区的居民的每日排放量要低得多。靠近安大略湖的地区拥有更紧凑的城市形态，从而缩短了旅行距离。
图2显示了不同DA属性的DA水平日均出行GHG排放量（单位：千克/人/天），较高的收入、较大的家庭规模、较高的出行频率和拥有的汽车数量与较高的出行温室气体排放量有关，而人口密度、土地利用可及性和土地利用多样性导致较低的温室气体排放。人口密度、土地利用可达性和土地利用熵的增加也导致分布不那么分散，这是由于公共交通和主动交通排放的可变性较低。安大略省边缘化指数（居住不稳定和物质匮乏）与出行温室气体排放呈负相关，揭示了一种明显的碳不公平的现象，即社会弱势社区产生的排放量较低，而富裕社区产生的碳排放量较高。同时，该研究捕捉到这样一种现象，即少数族裔比例较高的DA在出行GHG排放方面的变化较小。尽管如此，在小提琴图中，没有观察到可见的少数民族百分比对迁移率排放的显著影响（图4）。较高的收入和较低的物质匮乏对出行增加的温室气体排放的影响凸显了一个重要的不公正现象，即产生温室气体的排放者不太容易受到气候变化的最负面影响。需要注意的是，虽然收入与较高的温室气体排放呈正相关，但它也与公园、自然保护区、娱乐中心等社区设施以及其他有利于气候恢复和抵御极端高温事件的自然和人造基础设施有关。相比之下，低收入社区往往缺乏这些便利设施，混凝土表面更高，更容易形成城市热岛。
上图显示了通过将二氧化氮（NO2）和细颗粒物（PM2.5）这两种主要城市污染物的浓度与DA进行交叉，可以观察到，人均温室气体排放量最高的DA的特征是NO2浓度最低（NO2最低五分位数），反之亦然。这表明温室气体排放量最高的地区环境二氧化氮水平最低。由于NO2主要是当地的和与交通相关的，这种关系表明产生排放的个人生活在空气质量良好的地区，而产生少量排放的个人则生活在空气品质较差的地区。如果将排放量的产生与乘用车或重型卡车对NO2的贡献进行对比，这种关系也不会改变。总NO2浓度（来自多种来源）与家庭乘客出行对环境NO2的贡献高度相关。然而，PM2.5浓度和人均温室气体排放量之间没有明显的相关性（图4），因为跨界PM2.5和二次气溶胶在PM2.5浓度中占很大一部分。
图4显示了SHAP汇总图，其中y轴上的所有解释性特征都是根据其绝对特征重要性和特征效果进行排名的。图上的每个点表示特征样本的Shapley值，颜色表示从低到高的特征值，如图例所示。随着属性值在x轴上增加（例如，更高的密度或更高的收入），如果特征的点具有梯度颜色变化，这表明特征与目标（人均出行温室气体排放）的单调关系。假设特征的颜色梯度从左到右从蓝色到红色，这表明Shapley值随着特征值的增加而单调增加，反之亦然。最具影响力的前五个特征包括非多伦多旅行的平均次数、平均家庭车辆拥有量、平均多伦多旅行次数、土地使用熵和平均旅行次数。多伦多平均出行的影响是高度非单调的，而土地利用熵与出行GHG排放呈负相关。
图5的第一行显示了所选的航空图像，这些图像由模型从第一个五分位数（最低）到第五个五分位数（最高）的社区级温室气体排放量进行了分类。可以观察到，从低排放社区到高排放社区，建筑环境密度和土地混合利用明显下降，这证实了这些特征与出行温室气体排放之间的负关联。在图5的第二行中进一步说明了所选航空图像的梯度加权类激活图。梯度加权类激活图是一种热图，它用较暖的颜色表示图像分类中最重要的特征或对象。分析发现该模型关注图像的特定部分，如显示住宅以外的土地使用的大型建筑、显示较低土地混合使用的区域和显示个人车辆依赖性的弯曲道路，这些也是Light Gradient Boosting Machine模型捕捉到的重要预测因素。
该研究观测到了出行温室气体排放的空间分布，与郊区相比，市中心的人均出行温室排放要低得多。尽管多伦多市的出行温室气体排放变化很大，但多伦多人口在区域排放中所占的比例却小得不成比例。而在其他地区城市除了开车外，几乎没有其他旅行选择。从区域角度来看，应在多伦多以外的地区提供更积极的公共交通选项，促进车辆电气化，这将对碳中和产生更大的边际贡献。同时，梯度提升模型捕捉到了非多伦多旅行（地区市政当局之间但不前往多伦多市的旅行）对出行温室气体排放的巨大影响。多伦多市36%的当地温室气体排放来自交通运输，而在GTHA，76%的道路运输温室气体排放是由个人车辆的家庭出行产生的。因此，迫切需要将驾驶模式转变为轻型车队电动化。研究结果表明，非多伦多旅行与更高的人均出行排放之间存在很强的相关性。这些高排放出行主要是长途驾驶出行，这反映出目前缺乏为连接该地区东西两端的“跨城”出行提供服务的交通基础设施。最近的一项提案，安大略线，可以通过开发一条横跨城市的地铁线来提供这种支持，该地铁线在多个地区火车站进行主要连接，从而为整个地区的公交出行提供更好的选择。
+
编者按
该研究结果证实了该文关于个人和家庭温室气体排放选择的直观假设，但也强调了土地使用和建筑环境的巨大影响。同时该研究捕捉到了大城市地区温室气体产生的不平等，进一步强调了减少高排放出行以实现大幅减少交通温室气体排放的重要性。但该研究依旧存在一定的局限性，未考虑潜在的如共享移动，车辆电气化等新兴移动技术和概念带来的影响以及新冠肺炎大流行对个人出行行为和GHG排放的影响。
转自：“西农RE学术社”微信公众号
如有侵权，请联系本站删除！
