通过多任务可解释深度学习揭示客运与货运交通排放环境正义(Environmental Justice, EJ)差异

《Sustainability》：Uncovering the Differences in Environmental Justice of Passenger and Freight Transportation Emissions Through Multi-Task Interpretable Deep Learning

　　

交通运输排放引发重要的环境正义（Environmental Justice, EJ）关切，但既有研究大多忽视客运与货运系统间截然不同的不平等模式。本研究旨在比较美国县域尺度上客运与货运排放暴露不公（Exposure Injustice）的空间分异及其驱动机制。研究人员采用2020年县域截面数据，构建环境不公正指数（Exposure Injustice Index, EII），并运用空间自相关分析、两阶段多任务TabNet模型及SHAP（Shapley Additive exPlanations）解释方法，识别客运与货运EII的空间分化特征、关键决定因素及城市紧凑度（Urban Compactness）的异质性效应。结果表明：客运EII呈现连续的区域集聚特征，而货运EII沿走廊与节点集中分布且空间重叠有限；客运不公主要由人口密度、机动车依赖度和公共交通水平驱动，货运不公则受卡车强度、货运网络区位及物流就业主导；城市紧凑度对客运不公具双重影响，但对货运不公则一致加剧其程度。研究发现凸显差异化治理之必要，并为公平低碳交通政策提供实证支撑。

论文解读：《通过多任务可解释深度学习揭示客运与货运交通排放环境正义差异》

研究背景与意义

交通运输是美国温室气体与局地大气污染物最大贡献源，其污染负担在空间与社会群体间分布不均，构成典型的环境正义（Environmental Justice, EJ）问题。经典环境种族主义与"正义可持续性（Just Sustainabilities）"框架指出，环境负担非随机分布，而受不平等权力关系与边缘化过程塑造。既有交通EJ研究多将交通排放视为同质整体或仅关注可达性公平与近路暴露，较少区分客运与货运子系统——二者分别由日常居住通勤/机动车依赖和货物流通/物流网络/产业组织完全不同的社会—空间过程驱动，其不公模式与驱动因子可能系统性不同。此外，紧凑城市开发（Urban Compactness）被倡导为可持续城市主义基石可降低客运排放，但可能加剧货运活动、拥堵与局地配送外部性，即产生"双刃剑"效应。多数决定因子识别采用线性加性模型，忽视非线性与交互作用。因此研究人员开展此项研究，在美国县域尺度下对比客运与货运排放暴露不公的空间格局、驱动机制及紧凑度调节效应，以填补理论空白并为差别化政策制定提供依据。论文发表于《Sustainability》。

主要关键技术方法

研究人员以2020年美国本土3125个县为分析单元，整合EPA 2020全国排放清单（NEI，县际客运/货运交通NO_x、PM_2.5、PM₁₀排放）、US Census Bureau ACS 2016–2020五年估计（人口、收入、少数族裔占比、私车拥有率、公交通勤比例）、LEHD LODES数据库（就业与职住平衡）、HPMS（年平均日交通量AADT与卡车AADT）、BEA区域经济账户及FHWA国家公路货运网络与货运枢纽目录构建数据库。构建的核心指标包括：(1) 暴露不公指数（Exposure Injustice Index, EII）＝县人均排放负担／全国人均排放均值－1，EII>0为相对热点；(2) 城市紧凑度指数通过道路密度与职住平衡两指标做主成分分析（PCA）提取第一主成分并归一化至[0,1]。采用全局与局部Moran's I及热点重叠比分析空间自相关与客运—货运热点重合度。建立两阶段多任务TabNet模型：第一阶段仅用共享变量（中位家庭收入、少数族裔占比、紧凑度、人口密度、零售/交通仓储/制造业就业密度）预训练共享编码器；第二阶段联合任务专属变量（客运：私车拥有率、公交模式份额、客运交通压力；货运：卡车交通强度、国家公路货运网络区位、货运枢纽条件）微调双任务预测头，并以SHAP值解释变量边际贡献与非线性效应。模型以7:3划分训练测试集，五折空间交叉验证调参，Adam优化器与早停法训练。

研究结果

5.1. Spatial Divergence and Dependence of Passenger and Freight Transportation Injustice（客运与货运交通不公的空间分异与依赖性）

全局Moran's I均显著为正但幅度有限（客运EII的I值普遍高于货运，如NO_x客运0.0667 vs 货运0.0198），表明二者均呈弱—中度正空间自相关，但客运不公区域结构化更强。LISA显示客运形成显著的高—高（hotspot）与低—低（coldspot）双极集聚（如NO_x客运高—高173县、低—低74县），反映低密度汽车依赖区与高密度多功能区的系统对立；货运仅现高—高集聚（NO_x117县）而无低—低集群（0或1县），说明货运不公选择性集中于货运走廊、门户与仓储带，未形成广泛低负担区。热点重叠比从NO_x（68.36%）降至PM_2.5（44.32%），表明燃烧相关排放两系统共性较高，颗粒物和重型卡车运营条件使货运热点渐独立于客运。结论：客运EII区域连片集聚，货运EII碎片化沿基础设施节点—走廊集中，空间重合有限且随污染物变化。

5.2. Analysis of Prediction Results（预测结果分析）

所提两阶段多任务TabNet框架在PM_2.5、PM₁₀、NO_x三污染物下客运与货运EII预测R²达0.884–0.909，MAE 0.156–0.173，优于Random Forest、XGBoost、Transformer表格模型及单任务TabNet；客运EII预测精度略高于货运（客运R²平均高0.016）。消融实验表明移除任务专属变量影响最大（货运R²降至0.838），其次为取消第一阶段预训练与共享编码器；稀疏正则化亦微幅提升泛化。结论：共享表示学习+两阶段优化+任务专属细化共同提升性能，证实客运与货运不公虽同源县域背景但机制需分别建模。

5.3. Interpretation Results of the Mechanisms of Passenger and Freight EIIs（客运与货运EII驱动机制的解释结果）

SHAP分析显示两系统共享"排放—本地人口规模错配"基础但驱动机制迥异。客运EII首要驱动为低人口密度（低密度县具最大正SHAP值）、低公交模式份额与高私车依赖，客运交通压力作用较小，说明受日常出行结构而非短期交通强度主导；NO_x关联机动车出行需求，PM_2.5/PM₁₀受紧凑度正向影响（紧凑度在本研究中含道路密度与职住平衡，高值意味密集路网、频繁停走与非尾气颗粒物如制动/轮胎/路面扬尘）。货运EII首驱亦为低人口密度（走廊/中转县人口少但通过交通大），卡车交通强度与位于国家公路货运网络内显著推高EII，货运枢纽效应较弱；紧凑度在货运系统对所有污染物一致呈正向效应（紧凑区重叠货运流、配送活跃、路边竞争与拥堵升高人均暴露）。结论：客运不公根植分散定居与机动车依赖的日常出行结构，货运不公根植走廊化、物流吞吐与网络外部性空间选择性集中；紧凑度缓解客运NO_x不公但加重颗粒物和货运不公。

讨论与结论总结

讨论部分指出客运与货运不公源于不同社会—空间过程，需分层治理：客运不公适用地方化干预（低密度区灵活微公交、职住平衡混合用地开发配合低排放区与非尾气颗粒控制、按污染物设差异化目标）；货运不公需国家层面框架（将高EII低人口密度县列为"货运环境正义走廊"纳入联邦货运规划审查、跨区环境补偿基金源自货运附加费或消费端费用、加速柴油卡车淘汰与零排放卡车推广及沿线充换电设施、国家货运排放监测预警平台），地方可辅以卡车限行与怠速减排条例。需纵向（联邦制定标准—州协调—地方执行）与横向（避免紧凑开发无意吸引配送车辆加剧货运暴露、避免仓库贴高速互通集中弱势社区负担）协调机制防止政策冲突。

结论部分翻译：本研究弥补交通环境正义研究常视排放为一体、缺乏客运—货运系统系统比较之不足。研究人员构建暴露不公正指数（EII），结合空间统计、两阶段多任务TabNet模型及SHAP分析考察两系统的空间分异、驱动机制及城市紧凑度的调节作用。三项核心发现如下：第一，客运与货运排放表现出根本不同的环境不公开空间模式——客运EII呈区域连贯集聚，货运EII呈碎片化走廊状分布。第二，客运不公受本地出行因素（如人口密度、机动车依赖）主导，货运不公受基础设施与网络因素（如卡车交通强度、高速公路覆盖率）塑造。第三，城市紧凑度对客运不公具双重影响（降低尾气NO_x但放大非尾气颗粒物负担），且一致放大货运相关不公正。局限含县域尺度MAUP效应、仅关注分配正义维度、横截面2020年数据关联非因果，未来可用面板数据、准实验或IV确立因果，并探索县内差异、多维正义框架与时空动态。