基于可解释性机器学习的城市道路交通碳排放驱动机制识别

来源：环境科学杂志2026年第1期北京时间：

作者：谢郑一,杨鹏,王紫骁,胡喜生,张兰怡

单位：福建农林大学交通与土木工程学院, 福州 350108,福建农林大学交通与土木工程学院, 福州 350108,福建农林大学交通与土木工程学院, 福州 350108,福建农林大学交通与土木工程学院, 福州 350108,福建农林大学交通与土木工程学院, 福州 350108

摘要：在城市化加速发展的背景下，机动车保有量持续增长，导致道路交通碳排放迅速上升，成为制约城市绿色转型的重要因素. 为系统识别道路交通碳排放的关键驱动机制，采用“自下而上”法构建2003~2022年福建省城市群的道路交通碳排放清单，并将机动车细分为13种车型进行核算. 其次，结合相关性分析与Lasso回归进行变量筛选，采用多种机器学习算法构建碳排放预测模型. 最后，通过SHAP值提升模型解释性并量化驱动因素贡献. 结果表明：①交通运输业产值、城市绿地面积和发明专利数量是影响碳排放的主要因素；②在各模型中，XGBoost表现最优，测试集R2为0.992，MAE和RMSE分别为7.393×104 t和8.803×104 t；③SHAP分析揭示了关键因素对碳排放的正负向作用路径. 研究从可解释性视角出发，揭示机动车主导下的城市道路交通碳排放驱动机制，可为低碳交通政策制定提供科学支撑.

关键词：道路交通碳排放,机动车,机器学习,SHAP值,驱动因素分析,