Impact of urban built environment on ride-hailing carbon emissions based on XGBoost model

Chaoying YIN; Yaoxia GE; Wendong CHEN; Xiaoquan WANG; Chunfu SHAO

doi:10.11860/j.issn.1673-0291.20240107

PDF(2057 KB)

Journal of Beijing Jiaotong University ›› 2025, Vol. 49 ›› Issue (2) : 86-94. DOI: 10.11860/j.issn.1673-0291.20240107

Research on Traffic Travel Behavior

Impact of urban built environment on ride-hailing carbon emissions based on XGBoost model

Author information +

History +

Abstract

To investigate the interaction between the built environment and ride-hailing carbon emissions, this study uses ride-hailing order operation data from Nanjing. The built environment indicators are characterized based on factors such as population size, land use, distance to the city center, and housing prices. An Extreme Gradient Boosting (XGBoost) model is established, incorporating built environment factors at both the origin and destination of trips. The model aims to identify key factors affecting ride-hailing carbon emissions and reveal the nonlinear relationships and variable interactions between them. Additionally, the regression results of the XGBoost model are compared with those of the traditional Gradient Boosting Decision Tree (GBDT) model to verify the former’s advantage in regression fitting. The results indicate that the XGBoost model outperforms the traditional GBDT model, with R-squared, mean absolute error, and root mean square error values of 0.541, 0.364, and 0.275, respectively. The distance between ride-hailing trip origins and destinations and the city center contributes significantly, with contribution rates of 20.544% and 29.127%, respectively. Furthermore, the distance from the metro station to the origin and destination exhibits opposing feedback mechanisms on carbon emissions, indicating an asymmetric impact of metro station proximity on emissions. The nonlinear relationship between the distance from the origin to the city center and ride-hailing carbon emissions follows a U-shaped distribution, with significant threshold effects at 7 km and 20 km. Additionally, there are notable interaction effects between the distance from the city center and road density at the trip origin on ride-hailing carbon emissions.

Key words

urban transportation / nonlinear effect / XGBoost model / ride-hailing carbon emissions / built environment

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations

Chaoying YIN , Yaoxia GE , Wendong CHEN , Xiaoquan WANG , Chunfu SHAO. Impact of urban built environment on ride-hailing carbon emissions based on XGBoost model. Journal of Beijing Jiaotong University. 2025, 49(2): 86-94 https://doi.org/10.11860/j.issn.1673-0291.20240107

网约车作为共享经济的新兴产物，丰富了居民的出行方式，是减少汽车保有量和提高车辆利用率的一种有效解决方案，在推动城市客运交通减排方面具有重要作用^［1-2］.建成环境与网约车碳排放关系源于建成环境与出行行为的关系，部分研究表明建成环境是影响网约车出行行为的重要因素^［3-5］，而网约车的碳排放与出行距离、行驶速度密切相关.在此背景下，探讨建成环境对网约车碳排放的影响机理，明确网约车出行距离在不同区域上的变化模式，进而为网约车节能减排和低碳城市规划提供理论支撑.

居民出行距离会受到城市功能分布、设计和可达性等因素影响，进而影响交通出行碳排放.因此，建成环境与交通出行碳排放密不可分.已有相关学者从城市和社区等层面，对影响居民交通出行碳排放的建成环境因素展开实证研究.在城市层面，文献［6］研究发现，土地类型的转变会影响居民出行行为和距离，进而影响出行碳排放；文献［7］利用似不相关回归模型探究城市建成环境对居民出行行为的影响，研究表明人口密度、土地利用混合度和空间聚集度等特征对出行距离和出行时间均有显著影响.在社区层面，文献［8］在不同尺度下探究建成环境因素对居民通勤出行碳排放的影响，发现不同建成环境要素对不同类型出行碳排放的影响机制不同，居住地建成环境对通勤排放的影响效果更为显著；文献［9］基于明尼阿波利斯的出行数据，研究发现就业密度和到公共交通距离是影响交通出行碳排放的关键因素.然而，上述研究多聚焦于居民通勤出行的碳排放，且较少研究关注建成环境的非对称影响，忽略了出行起终点所在的建成环境因素是否会对碳排放产生不同影响.

关于交通出行碳排放的影响因素分析，既往研究多采用计量经济学模型、因素分解模型及机器学习方法.文献［10］利用双层次计量模型探究交通运输碳排放时，发现经济水平、运输结构及设施密度是主要影响因素；文献［11］通过构建地理加权回归模型，发现建成环境因素对车辆碳排放具有显著的空间异质性影响；文献［12］基于重型卡车轨迹（Global Positioning System， GPS）数据，构建多尺度地理加权回归模型，探究不同尺度下影响碳排放的潜在因素；文献［13］基于车辆的GPS数据，构建空间误差模型，探究建成环境对网约车拼车出行减排的影响；文献［14］通过道路交通排放计算机模型（Computer Programme to Calculate Emissions from Road Transport，COPERT）量化网约车各污染物的实际排放，揭示成都区域网约车排放的时空分布格局及影响因素.而机器学习方法不同于上述基于线性模型的建成环境因素与碳排放关系分析的研究，其假设建成环境对碳排放的影响是不规则的非线性.文献［15］基于大连市GPS出租车出行数据，构建树提升算法，探究出租车出行碳排放的时空异质性及其与建成环境之间的非线性关系.综上所述，现有研究多为城市碳排放、货运交通碳排放及网约车和出租车中基于GPS数据测算出行碳排放的影响因素分析，且多采用线性回归模型，难以揭示建成环境与网约车碳排放之间是否存在潜在的非线性关系、网约车起终点建成环境不同是否对碳排放的影响具有非对称性.因此，为探究建成环境对网约车碳排放的影响及各影响因素间的交互作用，有必要在建模过程中考虑起终点建成环境非对称性与两者之间非线性影响.

鉴于此，本文拟基于南京市网约车出行订单数据和建成环境数据，结合机器学习方法优势，将出行起终点的建成环境纳入同一模型，探究是否存在来自相同建成环境变量的非对称性及研究建成环境变量对网约车碳排放的非线性影响和变量之间的交互作用.研究成果将有助于识别影响碳排放的重要因素，为城市管理者制定有效的土地使用政策和减少网约车碳排放提供一定参考.

1 研究数据

1.1 网约车数据

基础数据为南京市2022年4月网约车订单数据，源自与南京市交通运输局合作开展的项目.选取4月20日（周三）南京主市区内（玄武区、鼓楼区、建邺区、秦淮区、栖霞区及雨花台区）网约车中的油车运营数据作为研究对象，网约车中油车数量占比为42.532%.分析前对数据预处理：提取相关字段属性，包含起终点经纬度、乘客上下车时间、载客时间及载客里程；剔除干扰数据，包括单次出行时间<0 min或>2 h、载客里程<500 m、缺失异常数据及研究区域外的订单数据；分别计算各订单的平均速度，平均速度为载客里程与载客时间的比值.经数据预处理后，共获得网约车油车有效出行记录41 163条.同时，为精细化探究建成环境与网约车碳排放之间的非线性关系，将南京主市区划分为500 m×500 m^［15］的矩形栅格作为基本研究单元.

1.2 建成环境因素选取

围绕建成环境因素5D维度，即密度、设计、多样性、目的地可达性及到公共交通距离，并引入经济因素如房价^［4］，以确保较为全面地反映研究区域的建成环境特征.数据来源于LandScan全球人口动态统计分析数据库^［16］、高德地图开发的应用平台^［17］和OpenStreetMap开源路网地图^［18］.其中，选取研究单元内人口数量表征密度；距市中心距离、距公交站点距离及距地铁站点距离分别表征目的地可达性和到公共交通距离；道路密度和土地利用混合度则分别表征设计和多样性.土地利用混合度基于餐饮美食、公司企业、科教文化、旅游景点、商务住宅、休闲娱乐、医疗保健7类兴趣点计算信息熵值^［19］，计算式为

E_{j} = \frac{- \sum A_{j} l n A_{j}}{l n P_{j}}

（1）

式中：

E_{j}

为研究单元

j

的信息熵值；

A_{j}

为研究单元

j

中兴趣点数量所占的比例；

P_{j}

为研究单元

j

中包含的兴趣点数量.

经济因素选取房价进行表征，借助Python软件爬取主流房地产平台（如链家等）展示的小区房价，计算各研究单元内小区房价的平均值.对于房价缺失的像元，利用ArcGIS中的经验贝叶斯克里金法进行插值，估计未知位置的变量值^［20］.建成环境变量的描述性统计如表1所示.

Tab.1 Descriptive statistics of variables

表 1 变量描述性统计

类别	变量名称	变量描述	位置	平均值	最小值	最大值
密度	人口数量	研究单元内人口数量	起点	6 019.121	0	40 559.102
密度	人口数量	研究单元内人口数量	终点	6 018.387	0	40 559.102
设计	道路密度/（km/km²）	研究单元内路网长度与面积比值	起点	2.964	0	9.807
设计	道路密度/（km/km²）	研究单元内路网长度与面积比值	终点	2.947	0	10.044
多样性	土地利用混合度	研究单元内7类POI混合熵	起点	0.803	0	1.000
多样性	土地利用混合度	研究单元内7类POI混合熵	终点	0.799	0	1.000
可达性	距市中心距离/km	距市中心欧式距离	起点	6.910	0.075	37.285
可达性	距市中心距离/km	距市中心欧式距离	终点	6.900	0.023	36.477
到公共交通距离	距公交站点距离/km	距邻近公交站点欧式距离	起点	0.232	0.002	1.746
	距公交站点距离/km	距邻近公交站点欧式距离	终点	0.241	0.002	3.232
	距地铁站点距离/km	距邻近地铁站点欧式距离	起点	0.657	0.008	5.117
	距地铁站点距离/km	距邻近地铁站点欧式距离	终点	0.664	0.006	5.104
经济因素	房价/万元	研究单元内住宅房价平均值	起点	3.782	0.917	8.886
经济因素	房价/万元	研究单元内住宅房价平均值	终点	3.807	0.964	8.885

2 模型构建

2.1 碳排放模型

现有计算油车碳排放模型主要分为两类：自上而下和自下而上.其中，自上而下测算方法是基于整体数据和统计信息，未能充分考虑不同车辆的车型、燃料类型和驾驶条件等因素的差异；而自下而上测算方法是结合车辆车型、车辆年份及行驶路线等数据，确定碳排放因子进行测算.基于网约车订单数据特点，选用自下而上中的COPERT模型^［13］计算南京市网约车中油车的碳排放.由于中国机动车排放标准与欧洲排放标准基本相符，因此该模型在中国城市排放估算中具有适用性^［21］.

在COPERT模型中，公路运输的尾气排放为发动机处于正常工作温度下的热排放和发动机瞬态运行时排放之和，且考虑到驾驶条件情况下，总排放量由城市、郊区及高速公路3种道路环境的排放量综合确定.鉴于研究范围为南京主市区，故只考虑热排放及城市驾驶情况，冷排放、其他驾驶情况及气候条件均不考虑在内.COPERT模型中，碳排放的计算式为

Q_{i, k} = q_{i, k} l_{i}

（2）

式中：

Q_{i, k}

为网约车订单

i

中车辆污染物

k

的排放量，g；

q_{i, k}

为在网约车订单

i

上的污染物

k

的热排放因子，g/km；

l_{i}

为在网约车订单

i

上的载客里程，km.其中污染物

k

的热排放因子与平均速度相关，其计算式为

q_{i, k} = \frac{α_{k} v_{i}^{2} + β_{k} v_{i} + γ_{k} + δ_{k} / v_{i}}{ε_{k} v_{i}^{2} + ζ_{k} v_{i} + η_{k}}

（3）

式中：

v_{i}

为车辆在网约车订单

i

上的平均速度，km/h；

α_{k}

、

β_{k}

、

γ_{k}

、

δ_{k}

、

ε_{k}

、

ζ_{k}

、

η_{k}

参数依据车辆燃油、车辆类别及发动机技术实验获得.参数数值如表2所示.

Tab.2 COPERT emission model parameter table

表2 COPERT排放模型参数表^[14]

参数	CO	NO_x	HC	CO $_{2}^{}$
$α_{k}$	5.497×10^-12	3.856×10^-5	3.549×10^-6	3.32×10^-1
$β_{k}$	-3.342×10^-2	-8.580×10^-3	-1.393×10^-4	-1.76×10
$γ_{k}$	5.110	5.773×10^-1	4.738×10^-2	1.45×10³
$δ_{k}$	-1.044×10^-7	1.307×10^-12	-9.908×10^-14	1.76×10^-11
$ε_{k}$	1.872×10^-3	2.702×10^-18	-6.442×10^-15	8.01×10^-4
$ζ_{k}$	-5.288×10^-1	-1.308×10^-13	7.726×10^-13	9.13×10^-2
$η_{k}$	3.751×10	5.431	4.015	3.51

注：CO₂排放因子的模型参数通过能耗因子转化得到，转化系数为69.3（g CO₂）/MJ.

2.2 XGBoost模型

基于树的算法，利用极端梯度提升树模型（Extreme Gradient Boosting， XGBoost），探究因变量网约车碳排放和自变量建成环境因素之间的关联.XGBoost模型是在梯度提升决策树的基础上进行改进，通过引入正则化项防止过拟合从而提高模型泛化能力.同时提供内置的特征重要性评估方法，量化各自变量的相对贡献.且对于变量间的非线性特征具有良好的建模能力，可描绘出因变量随自变量变化的非线性趋势^［22］.XGBoost模型训练过程中的目标函数为

o b j = \sum_{i = 1}^{n} L (y_{i}, {\hat{y}}_{i}^{}) + \sum_{u = 1}^{U} Ω (f_{u})

（4）

式中：

L (y_{i}, {\hat{y}}_{i}^{})

为损失函数；

n

为网约车总订单数量；

y_{i}

为因变量网约车碳排放的真实值；

{\hat{y}}_{i}^{}

为因变量网约车碳排放的预测值；

Ω (f_{u})

为第u棵树的正则化项，计算式为

Ω (f_{u}) = h T + \frac{1}{2} λ \sum_{m = 1}^{T} w_{m}^{2}

（5）

式中：

h

和

λ

为避免过拟合的惩罚项；

T

为节点的总数，与自变量建成环境因素的选择相关；

m

为各节点数；

w_{m}^{}

为

m

节点预测值惩罚项的优化目标.

使用决定系数R ²、平均绝对误差（Mean Absolute Error， MAE）和均方根误差（Root Mean Square Error， RMSE）3个指标衡量模型性能.R ²用于衡量模型的拟合优度，可表示预测值和真实值间的线性关系；MAE为模型误差的平均值；RMSE表示预测值与真实值之间的平均偏差.R ²、MAE、RMSE的计算式为

R^{2} = 1 - \frac{\sum_{i = 1}^{n} (y_{i} - {\hat{y}}_{i})^{2}}{\sum_{i = 1}^{n} (y_{i} {- \bar{y})}^{2}}

（6）

M A E = \frac{1}{n} \sum_{i = 1}^{n} |y_{i} - {\hat{y}}_{i}|

（7）

R M S E = \sqrt[]{\frac{1}{n} \sum_{i = 1}^{n} (y_{i} - {\hat{y}}_{i})^{2}}

（8）

式中：

\bar{y}

为网约车碳排放真实值的均值.

3 结果与讨论

3.1 碳排放结果

依据COPERT模型方法，计算得到网约车单次行程下的车辆各类污染物排放量，累计得到2022年4月20日南京主市区内污染物CO、NO_X、HC和CO₂排放量分别为72.19 kg、22.79 kg、4.496 kg和64 740 kg，总排放量为64 840 kg，统计数据如表3所示.分组汇总网约车单次出行下污染物总排放量，由于CO₂占比较多，因此简称为碳排放.

Tab.3 Calculation results of carbon emissions from fuel vehicles

表 3 油车排放计算结果

污染物	总和/kg	均值/kg
CO	72.190	1.563×10^-3
NO_X	22.790	0.493×10^-3
HC	4.496	0.097×10^-3
CO₂	6.474×10⁴	1.401
总碳排放	6.484×10⁴	1.404

3.2 XGBoost结果

3.2.1 模型参数与拟合结果

采用Python包中“XGBoost”模型，构建网络搜索最佳逻辑回归模型，确定最佳组合的参数，并采用均方误差为损失函数，选取的超参数包含“学习率（learning_rate）”“树的最大深度（max_depth）”“生成树的数量（n_estimators）”.对比模型选用梯度提升决策树（Gradient Boosting Decision Tree， GBDT）模型，GBDT模型是以前后决策树残差最小化为目标，将因变量与自变量的拟合函数近似为多个回归树的线性顺序组合的模型^［23］.参数设置和模型测试对比结果如表4所示，由表4可知，XGBoost模型相较于GBDT模型拟合效果更好，R ²提高24.08%，MAE、RMSE分别下降14.35%和52.59%.

Tab.4 Parameter settings and model comparison results

表4 参数设置和模型对比结果

参数	XGBoost模型	GBDT模型
learning_rate	0.2	0.1
max_depth	5	3
n_estimators	200	100
R ²	0.541	0.436
MAE	0.364	0.425
RMSE	0.275	0.580

3.2.2 相对重要度和SHAP贡献分析

为探究建成环境各变量对网约车碳排放的影响，对变量进行重要性排序，进而确定主要驱动变量.建成环境各变量对网约车碳排放的影响程度如表5所示.由表5可知：影响网约车碳排放的建成环境变量存在差异，其中在全天时段中起终点距市中心距离对网约车碳排放的贡献度最为突出，相对重要度分别为20.544%和29.127%，表明城市形态和职住地布局在一定程度上影响网约车出行距离和碳排放，在未来城市发展中应推动多中心城市发展和功能混合布局；房价贡献度排名次之，原因可能为居民收入与网约车行驶里程密切相关，出行成本为是否选择网约车出行的影响因素之一；人口数量和距公交站点距离变量的重要度适中，分别为9.539%和7.239%，表明人口数量和距公交站点距离也是影响网约车碳排放的关键因素；道路密度、土地利用混合度及距地铁站点距离的作用最弱，相对重要度为［4.868%， 5.739%］.

Tab.5 Influence degree of independent variables

表5 自变量影响程度

类别	自变量	起点		终点		重要度总计%
类别	自变量	重要度%	排序	重要度%	排序	重要度总计%
密度	人口数量	4.511	6	5.028	5	9.539
设计	道路密度	2.392	13	2.877	10	5.269
多样性	土地利用混合度	2.610	12	2.258	14	4.868
可达性	距市中心距离	20.544	2	29.127	1	49.671
到公共交通距离	距公交站点距离	3.203	8	4.036	7	7.239
到公共交通距离	距地铁站点距离	2.996	9	2.743	11	5.739
经济因素	房价	5.951	4	11.725	3	17.676

Shapley加性解释（Shapley Additive Explanations， SHAP）是一种基于博弈论思想描述个体预测的加性特征归因方法，利用SHAP对预测结果进行分析，可计算出所有输入变量和变量交互项的边际贡献值及显示各变量对因变量碳排放的正负反馈影响^［24］.14个变量对XGBoost预测碳排放的贡献如图1所示.由图1可知：起终点距公交站点距离的SHAP值范围为［-0.2， 0.6］，较高的点分布在SHAP值的正值处和部分较低的点集中在SHAP值的负值处，表明起终点距公交站点距离与网约车碳排放呈现正相关关系，即距公交站点距离越远则网约车碳排放越多，因此需对公交站点布局和覆盖率进行相应优化，以有效缓解网约车出行带来的碳排压力；起终点人口数量的SHAP值范围主要集中在（0， 0.7］，较低的点较多集中在SHAP正值处，表明起终点人口数量对网约车碳排放的影响为负反馈机制；起点道路密度同样呈现负反馈机制，原因可能为人口数量较多和道路密集的区域，居民出行倾向选择步行或公共交通方式，网约车出行易发生交通拥堵从而导致出行时间增加，因此网约车碳排放较少；起点距地铁站点距离与网约车碳排放呈现负相关关系，而终点距地铁站点距离与网约车碳排放呈现正相关关系，表明起终点距地铁站点距离对碳排放影响存在非对称性；剩余建成环境变量如起终点距市中心距离、起终点房价和起点土地利用混合度等对网约车出行碳排放的反馈机制相对较弱.

Fig.1 SHAP attribution analysis of variables

图1 变量SHAP归因分析图

Full size|PPT slide

3.2.3 非线性影响

为明确正负反馈机制较弱的变量对网约车碳排放的影响，对其分别进行非线性分析.起终点距市中心距离、起终点房价、起终点土地利用混合度及终点道路密度变量与网约车碳排放的非线性关系如图2和图3所示.由图2可知：①起终点距市中心距离与网约车碳排放非线性关系趋势相近且呈现U型关系，在7 km和20 km附近具有阈值效应.在距市中心距离（0， 7］ km，随着距离增加，网约车碳排放量逐渐减少；当到达阈值7 km后，距市中心距离与网约车碳排放呈现显著的正相关关系；当到达下一个阈值20 km时，起终点距市中心距离对网约车碳排放的影响趋于平稳，出现此趋势的原因可能是在距离为（0， 7］ km时，靠近市中心的居民对设施可达性要求较高，出行距离较短，因此网约车碳排放较低；在距离为（7， 20］ km时，逐渐远离市中心，公共设施相较于市中心不完善，因此距市中心较远的居民倾向选择网约车出行且出行距离增加，网约车碳排放较高，这与文献［25］的研究结果相似.由此可知，居住距市中心一定距离内有利于减少网约车出行碳排放.②房价位于（0， 4.2］万元时，随着房价的增加，网约车碳排放逐渐减低，原因可能是在房价低的区域，往往交通不便利，出行距离较长，因此网约车碳排放较多；当房价位于（4.2， 6］万元时，起终点房价对网约车碳排放起促进作用，这可能因为房价高的区域的居民更偏向舒适性与便利性的网约车出行方式，以致碳排放与房价呈正向关系；当到达阈值6万元后，房价对网约车碳排放的影响渐趋平缓，表明房价在超过一定阈值后，对网约车碳排放的影响是有限的.由于地理、空间和个人规模不同，出行成本仍为影响出行距离进而影响碳排放的决定因素.③起终点土地利用混合度在（0， 0.4］内，土地利用混合度的变化对网约车碳排放的影响较小；土地利用混合度在（0.4， 0.7］时，网约车碳排放出现波动下降现象；当土地利用混合度指标高达0.7时，随着土地利用混合度的增加，碳排放逐渐增加.由此可见，土地利用混合度指标位于（0.4， 0.7］时可有效减少网约车碳排放，在土地利用混合度较高的地方，居民出行目的较为丰富，因此网约车出行需求增加，碳排放随之增加，这与文献［15］的研究结果相似.由图3可知：当道路密度在（0， 3.2］ km/km²时，终点道路密度对网约车碳排放起抑制作用，随着道路密度的增加，网约车碳排放逐渐降低，造成该现象的原因可能是在路网密度较低的区域，在高峰时段相比于路网密度高的区域更易出现交通流集中，进而导致区域网约车碳排放增加；当道路密度在（3.2， 5.4］ km/km²时，道路密度对网约车碳排放起促进作用；在道路密度指标到达阈值5.4 km/km²时出现急剧下滑，后趋于平稳.

Fig.2 Nonlinear impact of variables on ride-hailing carbon emissions

图2 各变量对网约车碳排放的非线性影响

Full size|PPT slide

Fig.3 Nonlinear impact of destination road density on ride-hailing carbon emissions

图3 终点道路密度对网约车碳排放的非线性影响

Full size|PPT slide

3.2.4 交互作用分析

为更好探究自变量之间的交互作用，基于SHAP值的自动化分析，自动选择相互作用值显著的变量进行分析.相互作用值可用于揭示相互作用模式的影响，若交集值为0，则特征对之间不存在交互作用^［26］.各变量相互作用关系如图4所示.由图4可知：①当道路密度位于（0， 4］ km/km²时，距市中心越近对道路密度贡献值越低，且逐渐转为负向影响，原因可能在于距市中心较近的区域道路网密集，且区域服务设施较完善，因此出行距离减少从而有效降低网约车碳排放；在大于4 km/km²后，距市中心较远的距离贡献值影响较小，在0值附近上下波动.②在土地利用混合度为（0.4， 0.8］时，随着人口数量的减少，土地利用混合度对网约车碳排放为负反馈；当指标高于0.8后转变为正反馈，人口数量较多的对其贡献值较低.③当终点距市中心距离较近时，随着起点距市中心距离的增加，对网约车碳排放的影响逐渐从负向影响转为正向影响；当距市中心距离较远时，反馈机制由正转负.④人口数量在（0， 10 000］内，当起点距市中心距离缩短时，人口数量对碳排放影响的正反馈机制开始减弱，且部分转变为负向影响；当人口数量大于10 000后，起点距市中心距离较近的区域，对人口数量的贡献值趋近于0，即距市中心越近，随着人口数量的增加，网约车碳排放逐渐降低，当人口数量超过一定范围后，两者之间交互作用弱化.

Fig.4 Interaction between variables

图4 变量的交互作用

Full size|PPT slide

4 结论

1）相较于传统的GBDT模型，XGBoost模型框架分析各变量对网约车碳排放影响的拟合效果更优，MAE和RMSE误差更小.相对重要度结果表明，距市中心距离、房价和人口数量为主要关键要素.起终点距市中心距离对网约车碳排放贡献最大，这表明在城市规划过程中，可采用多中心开发策略，优化功能区布局，减少长距离出行的需求.

2） SHAP归因分析的结果表明，各变量对网约车碳排放的反馈机制存在差异.起终点人口密度和起点道路密度等变量为负反馈机制；起终点距公交站点距离为正反馈机制；起终点距市中心距离、起终点房价和起点土地利用混合度等变量对网约车出行碳排放的正负反馈机制不显著；起点距地铁站点距离与终点距地铁站点距离对网约车碳排放的反馈机制相反，表明起终点距地铁站点距离对碳排放影响存在非对称性.该反馈机制结果提示城市管理者需提高公交站点的覆盖率和便捷性，以减少居民对网约车的依赖性，促进绿色低碳出行.

3）起终点距市中心距离、起终点房价等变量与网约车碳排放之间存在显著的非线性关系和阈值效应.起点距市中心距离与起点道路密度等变量间对网约车碳排放量存在明显的交互作用.依据阈值和变量间的交互作用结果，可确定各建成环境因素促进网约车节能减排的最佳取值，合理配置建成环境资源，进而有效控制和减少网约车碳排放.

References

Publishing order | Descend order by publishing year | Descend order by cited within

1	YU B Y， MA Y， XUE M M， et al. Environmental benefits from ridesharing： A case of Beijing［J］. Applied Energy， 2017， 191： 141-152. Cited in this article [1]

2	LIU B C， ZHAO Y， LIANG X Q. Carbon emission potential of new energy vehicles under different electricity structures［J］. Environmental Science and Pollution Research International， 2023， 30（60）： 125492-125509. Cited in this article [1]

马健霄，赵飞燕，尹超英，等. 建成环境和出租车需求对网约车出行需求影响的时空间分异模式［J］. 交通运输系统工程与信息， 2023， 23（5）： 136-145.

Jianxiao

， ZHAO

Feiyan

， YIN

Chaoying

， et al. Spatial-temporal heterogeneity effects of built environment and taxi demand on ride-hailing demand［J］. Journal of Transportation Systems Engineering and Information Technology， 2023， 23（5）： 136-145. （in Chinese）

Cited in this article [1]

4	WANG S C， NOLAND R B. Variation in ride-hailing trips in Chengdu， China［J］. Transportation Research Part D： Transport and Environment， 2021， 90： 102596. Cited in this article [1]

5	ZHANG B， CHEN S Y， MA Y F， et al. Analysis on spatiotemporal urban mobility based on online car-hailing data［J］. Journal of Transport Geography， 2020， 82： 102568. Cited in this article [1]

6	NEWMAN P W G， KENWORTHY J R. The transport energy trade-off： Fuel-efficient traffic versus fuel-efficient cities［J］. Transportation Research Part A： General， 1988， 22（3）： 163-174. Cited in this article [1]

尹超英，周建，林丽，等. 城市建成环境影响下通勤时间和距离联合建模研究［J］. 北京交通大学学报， 2021， 45（3）： 24-29.

YIN

Chaoying

， ZHOU

Jian

， LIN

， et al. Joint modeling research of commuting time and distance considering the impacts of urban built environment［J］. Journal of Beijing Jiaotong University， 2021， 45（3）： 24-29. （in Chinese）

Cited in this article [1]

8	杨文越，曹小曙. 多尺度交通出行碳排放影响因素研究进展［J］. 地理科学进展， 2019， 38（11）： 1814-1828. YANG Wenyue， CAO Xiaoshu. Progress of research on influencing factors of CO₂ emissions from multi-scale transport［J］. Progress in Geography， 2019， 38（11）： 1814-1828. （in Chinese） Cited in this article [1]

9	WU X Y， TAO T， CAO J， et al. Examining threshold effects of built environment elements on travel-related carbon-dioxide emissions［J］. Transportation Research Part D： Transport and Environment， 2019， 75： 1-12. Cited in this article [1]

王靖添，马晓明. 中国交通运输碳排放影响因素研究：基于双层次计量模型分析［J］. 北京大学学报（自然科学版）， 2021， 57（6）： 1133-1142.

WANG

Jingtian

， MA

Xiaoming

. Influencing factors of carbon emissions from transportation in China： Empirical analysis based on two-level econometrics method［J］. Acta Scientiarum Naturalium Universitatis Pekinensis， 2021， 57（6）： 1133-1142. （in Chinese）

Cited in this article [1]

11	FENG R， FENG Q， JING Z J， et al. Association of the built environment with motor vehicle emissions in small cities［J］. Transportation Research Part D： Transport and Environment， 2022， 107： 103313. Cited in this article [1]

12	ZHAO P J， LI Z X， XIAO Z P， et al. Spatiotemporal characteristics and driving factors of CO₂ emissions from road freight transportation［J］. Transportation Research Part D： Transport and Environment， 2023， 125： 103983. Cited in this article [1]

13	LI W X， PU Z Y， LI Y Y， et al. How does ridesplitting reduce emissions from ridesourcing？ A spatiotemporal analysis in Chengdu， China［J］. Transportation Research Part D： Transport and Environment， 2021， 95： 102885. Cited in this article [2]

韩印，李媛媛，李文翔，等. 基于轨迹数据的网约车排放时空特征分析［J］. 交通运输系统工程与信息， 2022， 22（1）： 234-242.

HAN

Yin

， LI

Yuanyuan

， LI

Wenxiang

， et al. Analyzing spatiotemporal characteristics of ridesourcing emissions based on trajectory data［J］. Journal of Transportation Systems Engineering and Information Technology， 2022， 22（1）： 234-242. （in Chinese）

Cited in this article [2]

15	WU J S， JIA P， FENG T， et al. Spatiotemporal analysis of built environment restrained traffic carbon emissions and policy implications［J］. Transportation Research Part D： Transport and Environment， 2023， 121： 103839. Cited in this article [3]

16	Oak Ridge National Laboratory. LandScan global population database［EB/OL］. （2023-01-06）［2024-08-22］. https：//landscan.ornl.gov Cited in this article [1]

17	Gaode Developer Platform. Web service API ［EB/OL］. （2016-02-18）［2024-08-22］. http：//lbs.amap.com/api/webservice/summary Cited in this article [1]

18	The OpenStreetMap Foundation. OpenStreetMap ［EB/OL］. （2004-07-01）［2024-08-22］ https：//www.openstreetmap.org Cited in this article [1]

吴静娴，唐桂孔，李文翔. 建成环境对共享单车分时骑行量的非线性作用研究：以上海市为例［J］. 交通运输系统工程与信息， 2024， 24（1）： 290-298.

Jingxian

， TANG

Guikong

， LI

Wenxiang

. Nonlinear effect of built environment on bike-sharing ridership at different time periods： A case study from Shanghai［J］. Journal of Transportation Systems Engineering and Information Technology， 2024， 24（1）： 290-298. （in Chinese）

Cited in this article [1]

20	EWING R， CERVERO R. Travel and the built environment： A synthesis［J］. Transportation Research Record： Journal of the Transportation Research Board， 2001， 1780（1）： 87-114. Cited in this article [1]

21	CAI H， XIE S D. Estimation of vehicular emission inventories in China from 1980 to 2005［J］. Atmospheric Environment， 2007， 41（39）： 8963-8979. Cited in this article [1]

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.

， LI

Wenqian

， CHEN

Yue

， 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. （in Chinese）

Cited in this article [1]

23	ZHOU F， ZHANG Q， SORNETTE D， et al. Cascading logistic regression onto gradient boosted decision trees for forecasting and trading stock indices［J］. Applied Soft Computing， 2019， 84： 105747. Cited in this article [1]

24	AAS K， JULLUM M， LØLAND A. Explaining individual predictions when features are dependent： More accurate approximations to Shapley values［J］. Artificial Intelligence， 2021， 298： 103502. Cited in this article [1]

25	SHEN X Y， ZHOU Y J， JIN S， et al. Spatiotemporal influence of land use and household properties on automobile travel demand［J］. Transportation Research Part D： Transport and Environment， 2020， 84： 102359. Cited in this article [1]

26	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： 103414. Cited in this article [1]

Funding

National Natural Science Foundation of China(72204114)

Humanities and Social Science Research Fund of the Ministry of Education(22YJC630191)

China Postdoctoral Science Foundation(2023M731705)

PDF(2057 KB)

Accesses

Citation

Detail

Sections

Recommended

Received	Revised	Published
2024-08-29	2024-12-17	2025-04-25
Issue Date
2025-06-13

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

1 研究数据

1.1 网约车数据

1.2 建成环境因素选取

Tab.1 Descriptive statistics of variables

2 模型构建

2.1 碳排放模型

Tab.2 COPERT emission model parameter table

2.2 XGBoost模型

3 结果与讨论

3.1 碳排放结果

Tab.3 Calculation results of carbon emissions from fuel vehicles

3.2 XGBoost结果

3.2.1 模型参数与拟合结果

Tab.4 Parameter settings and model comparison results

3.2.2 相对重要度和SHAP贡献分析

Tab.5 Influence degree of independent variables

Fig.1 SHAP attribution analysis of variables

3.2.3 非线性影响

Fig.2 Nonlinear impact of variables on ride-hailing carbon emissions

Fig.3 Nonlinear impact of destination road density on ride-hailing carbon emissions

3.2.4 交互作用分析

Fig.4 Interaction between variables

4 结论

{{custom_sec.title}}

{{custom_sec.title}}

References

{{custom_fnGroup.title_en}}

Footnotes

Funding

模态框（Modal）标题

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

1 研究数据

1.1 网约车数据

1.2 建成环境因素选取

Tab.1 Descriptive statistics of variables

2 模型构建

2.1 碳排放模型

Tab.2 COPERT emission model parameter table

2.2 XGBoost模型

3 结果与讨论

3.1 碳排放结果

Tab.3 Calculation results of carbon emissions from fuel vehicles

3.2 XGBoost结果

3.2.1 模型参数与拟合结果

Tab.4 Parameter settings and model comparison results

3.2.2 相对重要度和SHAP贡献分析

Tab.5 Influence degree of independent variables

Fig.1 SHAP attribution analysis of variables

3.2.3 非线性影响

Fig.2 Nonlinear impact of variables on ride-hailing carbon emissions

Fig.3 Nonlinear impact of destination road density on ride-hailing carbon emissions

3.2.4 交互作用分析

Fig.4 Interaction between variables

4 结论

{{custom_sec.title}}

{{custom_sec.title}}

References

{{custom_fnGroup.title_en}}

Footnotes

Funding