街道尺度的公共交通出行碳排放模式挖掘与公平性分析

在中国迈向“双碳”目标的进程中，以北京市为代表的超大型城市面临交通领域低碳转型的巨大压力。数据显示，交通与建筑领域的能耗占北京市总能耗的比例已超七成，并且交通碳排放仍然以年均4%的速度增长，要实现远期碳中和目标，必须将该增速逆转为每年 10%的降速[1]。这要求城市治理模式从宏观调控下沉至微观层面，以便实现减排潜力的精准识别。

公共交通是城市客运的重要组成部分，其低碳效益已经得到广泛认可，人均公里碳排放可比私家车出行低 70%～85%[2-3]，是应对气候变化的关键路径[4]。北京市已建成庞大的公共交通网络，拥有 27条轨道交通线和超过 1200条公交线路，共同承载着每年高达 57.4亿人次的客运量[5]。然而，庞大的运营体量，叠加当前以煤电为主的电力结构[6-7]，使得公共交通系统的总体碳排放依然是一个不容忽视的议题。因此，精准地刻画城市内部公共交通的碳排放模式，并识别出高排放环节，成为制定有效减排策略的当务之急。

空间尺度是城市地理与交通研究的核心议题，不同尺度下的分析结果往往揭示不同的规律与问题。然而，现有研究在分析尺度上存在局限性，难以满足精细化治理的需求。早期的研究多基于出行调查数据来揭示居民出行碳排放空间差异的普遍性，认为中心城区高于外围[8]、郊区低碳出行比例较低[9]、职住分离[10]和人口密度[11]是影响碳排放的重要因素。然而，这类数据不仅存在记忆偏差[12]，其样本也难以全面覆盖城市中的多元社会群体[13]，导致分析精度受限。后来的研究引入手机信令[14]和出租车 GPS轨迹[15-16]等大数据，虽然提升了时效性，但是前者无法精确地识别出行方式，后者则因样本偏差，只能反映特定群体的行为模式。特别是对街道等中观尺度的分析，现有数据的分辨率难以支撑“交通网络-排放模式-社会经济”的耦合关系解析。

智能卡数据以接近全样本的覆盖率和精确的站点信息，为解析公共交通内部的运行模式提供了关键的数据基础，使得研究者能够捕捉到工作日与节假日的排放差异[3，17]。尽管已有研究关注街道尺度的总体排放格局[18]或基于调查数据分析出行碳排放与社会经济因素的关联[19]，但当前基于智能卡的研究存在两大瓶颈问题。一是多聚焦于系统总量分析，未能深入地解析通勤出行的空间分异特征; 二是缺乏与街道这一关键管理单元的有效结合。作为城市社会经济活动的载体和政策执行的基本单元，街道这一管理单元是探索碳排放-经济-人口多维关联的理想尺度。

与此同时，交通碳排放的公平性成为可持续发展的核心议题。研究证实，碳排放负担存在显著的阶层分化现象，低收入群体不仅面临更高的交通能源支出压力[20]，而且人均碳足迹可能更高[21]。这种不平等现象存在于从区域层面[22]到国家层面[23]的多个尺度上，也引发对高能耗群体设定消耗上限的探讨[24]。然而，当前交通碳排放公平性相关研究多停留在宏观层面，缺少街道尺度的空间验证，并且较少关注公共交通系统内部不同群体间的排放负担差异。

针对现有研究在分析尺度与公平性议题探讨方面的局限性，本研究基于智能卡数据，构建街道尺度的公共交通出行碳排放核算-分析-应用研究框架，旨在通过精细化的碳排放核算，结合垂直-水平-空间三维公平性评估体系，系统地揭示城市内部公共交通碳排放的社会经济分异特征，并利用共享单车替代情景来验证减排路径，为高密度城市的交通低碳转型提供兼具方法论和政策应用价值的创新性研究范式。

1 研究框架及数据

1.1 研究框架

本研究遵循核算-分析-应用的总体思路，构建图1所示研究框架。该框架以智能卡、道路网络及人口经济等多源数据为基础，采用自下而上的核算方法，对公共交通出行的碳排放量进行精确的计算和统计，并刻画在街道尺度上。在此基础上，一方面系统地分析排放的时空分布模式与社会公平性特征; 另一方面，设计共享单车替代情景来评估具体减排策略的潜力和效果，为城市交通的精细化减排提供决策支持。

1.2 研究区域

如图2所示，选择北京市六环路以内区域作为本文研究范围。该区域占地面积约为 2267 km2，承载全市近八成的人口，是首都功能与城市经济活动高度集中的核心地带[5]。区域内土地利用高度复合，形成居住、商业、产业和“科教文卫”等功能区高度混合的复杂城市空间格局。这种人口的高度集聚与功能的深度混合，共同导致集中且多样的交通需求，使得该区域成为全市交通碳排放问题最突出的区域，也为在街道尺度上进行精细化的分析提供了理想的研究场景。

1.3 研究数据

本研究的数据基础由居民出行、空间路网与社会经济三类数据构成。核心的居民出行数据源自北京市政交通一卡通系统，由高德地图提供。为精准地捕捉节假日、休息日与工作日这 3种典型场景下的出行排放特征，选取 2019年 5月 1日、12日和 13日共计 2300余万条公共交通智能卡记录。该系统采用上下车强制刷卡机制，记录了乘客的出行方式、线路、站点及时间戳等关键信息，为起讫点碳排放的精准核算提供了可靠的基础。对数据进行预处理时，剔除同站上下车及出行时间异常的记录。

利用空间路网与人口分布数据构建分析所需地理环境。其中公共交通路网数据基于公开的 Open-StreetMap数据，并依据智能卡数据中的站点信息，形成覆盖研究区域内 1200条公交线路和 23条地铁线路的数据网络。人口热力值数据来自百度，涵盖2019年 5月 13日的分钟和小时数据，用于刻画研究区域内人口空间分布的动态变化。

利用社会经济数据，剖析影响碳排放公平性的经济因素。将来源于贝壳平台的 2019年北京市二手房成交数据作为区域经济水平的代理变量。依据房价分布特征，将研究区域内的街道划分为低房价区(19190～55726元/m2)、中房价区(55726～86353元/m2)和高房价区(>86353元/m2)三类。

2 研究方法

2.1 出行碳排放量计算

本研究基于消费端核算原则，采用“自下而上”的方法，以单次居民出行为基本单元，精确地计算其碳排放，再汇集到街道尺度。计算过程分为出行轨迹重构与距离计算以及碳排放核算与空间化两个步骤。

2.1.1 出行轨迹重构与距离计算

首先根据智能卡数据重构乘客的出行轨迹。可将一次完整的公共交通出行视为一个从起点(O)到终点(D)的有序站点序列。该序列由多个连接相邻站点的路段 lij构成，通过 GIS网络分析，预先计算出所有路段的距离 d(lij) (km)。

公交车沿固定线路运行，地铁则遵循网络中的最短路径原则运行。在确定乘客的出行轨迹后，通过累加公交车和地铁行驶路段的距离，即可得到该乘客的总出行距离 Dm:

其中，m代表出行方式(公交或地铁)。

2.1.2 碳排放量核算及街道尺度的分配

单次出行的碳排放量 CEm(kgCO2)基于出行距离 Dm与该次出行方式的单位里程排放因子 EFm(kgCO2/km)来计算:

公共交通出行碳排放因子如表1所示。其中，地铁出行碳排放因子 EFsubway根据北京市实际运营数据，综合考虑线路的走行公里数 Li (km)、单位牵引能耗 Ei (kWh/km)、电网排放因子 EFgrid (kgCO2/kWh)和旅客周转量 Tsubway (km)，通过下式计算得出:

然后，将计算得出的单次出行碳排放量分配到街道空间单元中。根据出行起点 O或终点 D的空间位置，将碳排放 CEm归属到所在街道，再将时段 t内街道 u的所有排放量进行累加，得到各街道不同时段的总碳排放量 CEtotal(u，t)(kgCO2):

为消除人口规模差异带来的影响，进一步计算人均出行碳排放 CEper(u，t)(kgCO2/per-trip):

其中，P(u，t)为 t时段 u街道的出行人数。

2.2 公平性评估

为全面地评估公共交通出行碳排放在街道尺度上的社会公平性，本研究构建一个包含垂直、水平与空间 3个维度的综合评估体系。

首先，为揭示垂直公平性(即极端排放群体间的差距)，引入帕尔马比率(Palma ratio)[29]，用于比较排放量最高的顶层群体与最低的底层群体。为了剔除各街道人口规模差异的干扰，先计算每个街道的人均出行碳排放量，并进行降序排列，再计算排放量最高的 10%街道的总排放量与排放量最低的40%街道的总排放量之比。比值越高，表明高、低排放群体间的差距越悬殊，垂直公平性越差。

然后，采用碳基尼系数(Gini coefficient)和洛伦兹曲线(Lorenz curve)[30]来衡量水平公平性(即碳排放在全体居民中的分布均衡度)。洛伦兹曲线描绘居民按公共交通出行碳排放量从小到大排序后，累计人口数量比例与累计出行碳排放比例之间的关系。基尼系数通过计算洛伦兹曲线与绝对公平线之间的面积来量化整体的分布不均衡程度，取值在 0～1之间，越接近 1，表示碳排放分布越不均衡，越集中在少数人群中。

最后，为考察空间公平性，将碳排放与社会经济因素直接挂钩，构建出行碳排放负担指数(carbon burden index，CBI)来衡量不同区域居民出行时的碳负担。CBI的核心思想是，一个区域的出行碳负担取决于其人均排放水平、人口活跃程度和经济承受能力三者的相互关系。计算方式如下:

其中，POPheat(u，t)为分时人口热力值，作为动态权重，用于表征街道的人口活跃程度; Econ(u)为街道的经济水平(以区域平均房价为代理变量)，代表区域的经济承受能力。为消除量纲的影响，计算前对所有指标进行标准化处理。高 CBI值通常意味着该街道在经济水平相对较低的情况下，却承担了较高的出行碳排放，存在空间上的环境不公平问题。

2.3 碳减排量计算

为了量化共享单车在公共交通系统中的减排潜力，本研究设计两种互补的替代情景。首先，定义两个基于城市共享单车运营数据的关键参数: 短途出行阈值距离 dthreshold (km)与对应的平均骑行时间tbike_avg (min)，这两个参数共同决定共享单车的平均骑行速度，是后续计算的基础。

2.3.1 短途替代情景

该情景旨在测算共享单车对短距离公共交通出行的基础替代潜力。我们设定如下替代规则: 1) 当一次公共交通出行距离 Dm≤dthreshold时，假定该次出行可被共享单车完全替代; 2) 由于骑行过程本身不产生碳排放，其碳减排量即等于原先乘坐公共交通所产生的碳排放量 CEm。因此，该情景下的总碳减排量 CEreduction_short(kgCO2)为所有符合条件的短途出行碳排放量之和:

2.3.2 中长途出行联程情景

该情景模拟“公共交通+免费骑行”接驳模式对中长途出行的减排效果。本研究设定以下 3个关键参数。

1) 免费骑行时间 tfree: 政策激励下的用户免费骑行时长(min)。

2) 剩余距离覆盖比例α : 用户愿意完成的免费时长所能覆盖的最大骑行距离的占比。

3) 联程替代率β: 在符合条件的中长途出行中，选择采用联程模式的用户占比。

该情景的减排量计算逻辑如下: 对于一次 Dm>dthreshold的行程，在扣除一段距离为 dthreshold的基础公共交通出行后，用户可利用共享单车覆盖部分剩余距离。单次出行中，可被单车替代的距离 dreplace(km)取决于用户的意愿α 和政策激励下的最大骑行距离 dmax_free(km)，计算方式如下:

其中，dmax_free由免费骑行时间 tfree与平均骑行速度(即 dthreshold/tbike_avg)换算得出。

在所有符合条件的中长途出行中，该情景下的总碳减排量为CEreduction_long(kgCO2)由被替代的骑行距离、原始公交方式的排放因子 EFm以及用户替代率β 共同决定:

3 研究结果

3.1 公共交通出行碳排放的时空分布模式

本研究基于 2019年 5月 1日(节假日)、12日(休息日)和 13日(工作日)的街道尺度碳排放数据，揭示出不同城市活动模式下，公共交通出行碳排放呈现3种典型的时空分布模式。

如图3所示，工作日(5月 13日)的排放碳呈现最强烈的潮汐通勤两极分化现象，是城市职住分离格局在街道尺度上的精准投射。早高峰(07:00—09:00)，碳排放极端地集中于五环路以外的大型居住型街道(如回龙观和天通苑等“睡城”区域)，街道碳排放量普遍超过 10000 kg; 晚高峰时段(17:00—19:00)则呈现清晰的空间反转格局，排放热点完全转移至市中心的就业核心区街道(如中关村和国贸街道等地)，排放量高达 15000 kg，形成由中心向外围的放射状格局。这种在街道尺度上清晰可辨的昼夜摆动和极端峰值，直观地量化了北京长距离通勤的强度与高碳特征。

如图4所示，节假日(5月 1日)呈现典型的多排放热点空间格局，与工作日高度规律的通勤模式形成鲜明的对比。排放热点不再局限于通勤廊道，而是分散于核心商业区(如国贸街道)、旅游景区(如青龙桥街道)以及交通枢纽(如太平桥街道)等多功能节点。排放高峰强度(最大值约为 6000 kg)显著低于工作日，且延后至 09:00—11:00时段，表现出更强的休闲导向和时间弹性。这表明，城市功能从通勤主导转向消费休闲主导时，出行碳排放的空间结构也随之解构与重组。

如图5所示，休息日(5月 12日)展现出工作日与节假日之间的过渡性特征。早晚高峰碳排放强度弱于工作日，但空间分布上体现复合型需求[31]。早高峰碳排放仍然以居住区为主，体现部分通勤与生活出行需求; 晚高峰碳排放则出现向五环路以外扩散的趋势，其中既包含通勤返程的人流，也融合了休闲活动后分散的客流。

综上所述，三类日期的碳排放呈现显著的递变特征，这背后是通勤、休闲和混合型出行需求对碳排放模式的驱动。这种递变特征揭示了出行需求类型对碳排放模式的根本性影响，为制定差异化交通政策提供了重要依据。

3.2 出行碳排放的公平性评估

3.2.1 垂直公平性

我们基于帕尔马比率分析三类日期的出行碳排放垂直公平性，结果如图6所示。

整体来看，垂直公平性休息日最差(0.830)，节假日相对最好(0.814)，工作日居中(0.820)，反映混合型出行需求更容易导致碳排放不平等。

分时段来看，清晨(05:00—07:00)时段三类日期的垂直公平性均较差，尤其是工作日，帕尔马比率高达 0.917，凸显远郊通勤群体与中心城区居民在碳排放负担上的严重分化; 早高峰时段(07:00—09:00)略有改善; 日间时段(09:00—17:00)，节假日和工作日呈现下降趋势，表明多样化出行缓解了极端差异，休息日的帕尔马比率反而上升至 0.861，推测是弹性通勤与休闲活动的叠加效应加剧了排放不平等; 晚高峰时段(17:00—19:00)三类日期均达到最优水平，其中工作日表现最为突出(0.704)，表明大规模的通勤流动能够暂时缓解碳排放的极端差异。总体而言，垂直公平性的日内演化规律揭示了极端排放群体间的动态关系，为识别职住分离等结构性问题提供了重要依据。鉴于工作日是体现该结构性矛盾最典型的场景，下面将聚焦于此类日期进行出行碳排放水平公平性分析。

3.2.2 水平公平性

六环路以内区域涵盖北京市城六区的东城、西城和朝阳的全部以及海淀、丰台和石景山 86%以上的面积，人口数量占全市总人口的 78%。我们基于基尼系数分析这些区域工作日各时段的出行碳排放水平公平性，结果如图7所示。整体来看，水平公平性呈现明显的时空分异特征。

在时间维度上，基尼系数的日内波动性较强，总体上呈上升趋势。早高峰时段水平公平性相对较差(0.2277)，与早班通勤的多中心和集中性密切相关; 日间时段较平稳，基尼系数在 0.17～0.21之间略有波动; 晚高峰时段再次上升至 0.3041，夜间时段则达到最严重的 0.4179。这种演变模式说明通勤需求的时空集中性是影响水平公平性的关键因素。

从空间格局来看，各城区呈现鲜明的差异化特征。西城区凭借完善的公共交通网络和较高的职住平衡度，水平公平性全天保持最优水平(基尼系数<0.27)。与之形成强烈对比的是，石景山区作为传统工业区转型区域，早高峰时段的公平性问题尤为突出(基尼系数为 0.5959)，暴露出交通资源配置的严重不足。海淀区表现出独特的科技企业集聚特征，晚高峰时段和夜间水平公平性明显恶化(0.3563～0.4219)，与科技企业集中的通勤压力吻合。

碳排放不公平性的时空交互特征为精准识别城市结构性问题提供了关键的分析视角。早高峰时段的不平等主要源自石景山等外围居住区的通勤压力，晚高峰时段和夜间时段的不平等则更多由海淀和朝阳等就业集中区的工作者返程需求驱动。这种“居住区早高峰高排放、就业区晚高峰高排放”的双向挤压效应塑造了城市碳排放的不平等格局，并揭示诸如夜间时段交通服务供给短板等问题。作为对这一动态过程的宏观补充，我们计算得到工作日全天总体基尼系数为 0.2017，这一较小的数值反映了公共交通系统整体上的普惠性。然而，正是这一相对均衡的总体指标，反而更加凸显日内动态分析结果的价值，因为它揭示了在总体公平表象下，特定时段与群体所承受的结构性不公平问题。因此，必须将总体水平的静态评估与动态过程的演化分析相结合，才能识别并应对这种隐藏在平均水平下的深层矛盾。

3.2.3 空间公平性

出行碳排放空间公平性分析旨在揭示碳排放背后的社会经济结构问题。我们将出行碳排放绘制在O点及 D点，同时在区界、房价和碳负担指数(CBI)3个维度展开分析，探究排放的时空流向特征以及排放负担的公平性影响。

按区界划分的桑基图(图8(a))显示，朝阳区、海淀区和丰台区这三大核心区域贡献了全市 62%以上的出行碳排放量，其中朝阳区凭借就业与居住功能的高度复合性，在出发和到达两端均占据 29.4%的份额。早高峰时段呈现明显的向心集聚特征，三大核心区贡献了 56.7%的出发碳排放，而朝阳区独自吸纳了 34.1%的到达碳排放，昌平和通州等外围居住区的出发碳排放为到达碳排放的 3～4倍。晚高峰时段则呈现相反的离心扩散模式，朝阳区和海淀区转为碳排放主力，昌平区的到达碳排放占比骤升至 11.0%，丰台区形成明显的返程接收带(到达排放占比为 14.6%)。值得注意的是，西城区展现出最优的职住平衡特征(出发排放占比为 8.6%，到达碳排放占比为 9.0%)，朝阳区则因功能复合成为全天候的碳排放热点区域。

按房价区划分的桑基图(图8(b))显示，低房价区在早高峰时段贡献了 54.2%的出发碳排放，人均碳排放量(0.4476 kgCO2)显著高于高房价区(0.2641 kgCO2)，差异幅度达到 69.5%; 晚高峰时段，低房价区接收的碳排放量(303791 kgCO2，占 53.1%)反超其出发碳排放量(137188 kgCO2，占 23.9%) 2.2倍，并且人均碳排放量(0.4701 kgCO2)比同期高房价区(0.2691 kgCO2)高出 74.7%，形成显著的经济梯度排放不对称特征。

碳负担指数(CBI)的空间分布(图8(c))进一步验证了这一机制的空间分异规律，高 CBI值(>0.8)集中分布于低房价街道(如昌平区北七家和房山区长阳镇)，其共同特征为区域内房价较低，公共交通通勤距离长且接驳密度不足，塑造了外围高出行碳排放格局[32]。与之形成鲜明对比的是，高房价核心区(如西城区金融街街道)虽然承担较高的绝对排放负荷，但通过经济水平稀释效应和职住空间匹配度，显著地降低了人均环境负担。

基于房价分区的桑基图与碳排放 CBI时空分布的耦合分析，揭示出北京市公共交通出行碳排放的显著社会经济分异特征，高峰时段低房价区人均碳排放比高房价区高 72%，这种“低收入高排放、高收入低负担”的空间锁定效应表明，通过职住分离机制，城市空间结构的经济分异系统性地转嫁环境成本至边缘化社区。CBI指数可视化了这种隐性环境不公平的街道级地理边界。

3.3 减排情景

推广绿色出行方式是实现城市交通低碳转型的关键路径。作为一种灵活、便捷、低碳的出行方式，共享单车是解决“最后一公里”问题的有效途径。我们基于 2019年北京市共享单车运营数据(平均骑行距离为 1.5 km，平均骑行时间为 10.3 min[26])，构建多维度替代情景模型(式(7)～(9))。以公共交通智能卡记录的 O-D距离为输入变量，设置表2所示8种减排情景。

图9 显示，各情景边际效应和日期类型差异显著。虽然短途完全替代情景减排比例最低(1.62%～1.78%)，但可以作为基础策略与中长途情景形成互补。各情景的边际效应: 1) 当替代率从基线情景的20%降至 10%时，减排量几乎减半，表明用户参与度对政策效果具有高度敏感性; 2) 随着剩余距离覆盖率从 50% (基线情景)提升至 75% (高覆盖率情景)再到 100% (理想情景)，覆盖率每增加 25个百分点带来的边际减排增益分别为 9.74%和 4.99%，呈现显著的递减趋势; 3) 时间激励效应方面，延长 15分钟的免费时间较之基线情景减排幅度提升 55.87%，而“时间延长+理想情景”进一步叠加 50%的剩余距离覆盖率仅带来 28.21%的增幅，证明时间激励的杠杆效应更强。日期类型对比显示，休息日的减排比例普遍最优(“时间延长+理想情景”为 6.90%)，优于工作日(6.83%)和节假日(6.78%)，可能与休息日弹性出行需求更契合政策干预相关。不同日期类型下短途完全替代与中长途的混合策略的变异系数最低(分别为 20.23%和 20.85%)，验证了混合策略设计的稳健性。

时间维度的减排比例分析结果(图10)显示，各情景的减排效果呈现独特的“双谷”分布特征。清晨时段为全天减排最低谷，早高峰时段减排比例阶梯式上升，8种情景在午间前(后)时段都达到减排高峰，短途完全替代和混合策略分别达到 2.55%和 2.90%的峰值。然而，晚高峰时段却出现反常的“波谷”现象，尽管出行量达到峰值，但与日间各情景相比，减排比例有着不同程度的下降，短途替代情景下降41.58%，中长途替代情景平均下降 9.03%。这种反常现象的主要原因在于，高峰时段平均出行距离普遍超出共享单车有效替代范围(<4.37 km)，导致长距离通勤无法获得减排收益。相反，在非高峰时段(如 09—11时)，中短途的出行距离更契合单车替代优势区间。上述结果揭示了传统认知之外的复杂性，表明共享单车减排效能与出行距离存在“倒 U型”关系——既不宜过短(<1.5 km替代效益低)，也不宜过长(>4.37 km难以覆盖)，2～4 km的中距离出行才是半小时免费骑政策的最佳作用区间。

图11 显示，各情景的减排热点形成两类集聚中心。一类是在以中关村和金融街为代表的就业核心区形成高强度减排集群，这类地区人流量大，单车需求场景多[33]，特别是在“时间延长+理想情景”下，减排量普遍超过 1750 kg。另一类是以天通苑和回龙观为代表的大型居住集聚区，其减排量维持在500～1000 kg区间，约为就业集群区的 30%～50%。这种“核心-边缘”减排量递减的空间格局主要受就业岗位集聚程度、人口密度和公交接驳设施覆盖率的综合影响。

基于上述分析结果，建议采取时空差异化的优化策略: 早高峰时段在居住区实施混合策略的优先投放，晚高峰时段在就业中心推广“时间延长+理想情景”套餐，同时建立动态的电子围栏系统，实施梯度费用措施。

3.4 减排策略的公平性效应

通过评估共享单车减排策略对出行碳排放公平性的影响，进一步检验该策略的社会效益。沿用3.2节的出行碳排放公平性评估框架，通过对比“短途完全替代+混合策略”协同情景实施前后垂直公平性、水平公平性和空间公平性指标的变化，系统地分析共享单车减排策略的公平性效应。结果显示，该策略对不同维度的公平性产生差异化的影响。在衡量总体分布差异的垂直与水平公平性方面，高、低排放群体间的差距均有微弱的扩大，工作日全天的帕尔马比率从 0.8583上升至 0.9184，基尼系数也从 0.2017略微上升至 0.2081。这背后的统一机制可能在于减排效益的非均衡性，共享单车减排策略主要惠及中距离出行者，而对顶层的长距离通勤者和部分底层的短距离出行者影响甚微，从而在统计结果中微弱地拉大高、低排放群体间的差距。然而，若要评估该策略能否缓解本研究指出的核心矛盾“低收入高排放、高收入低负担”的空间锁定效应，则需要考察更能体现环境正义性的碳负担指数。结果表明，共享单车减排策略在缓解特定区域的绝对碳负担方面成效显著，各街道早晚高峰时段的 CBI均值下降 3.06%，有力地缓解了高负担区域的环境压力。

如图12所示，CBI指数的降低在空间上呈现明显的集聚特征。减负效果最显著的区域(图12中绿色圆圈所示)精准地对应本文识别出的位于北京市北部和东部等外围的低房价大型居住区，有力地证明共享单车策略作为“最后一公里”接驳方案的有效性，精准地缓解这些特定社区因职住分离而被迫承担的过高环境成本。综上所述，尽管该协同策略宏观上的分布公平性指标统计结果产生波动，但其在缓解核心结构性矛盾、促进环境正义性方面的关键作用是明确的。

4 结论与政策建议

在城市交通可持续发展面临严峻挑战的背景下，本研究基于多源大数据，构建街道尺度的公共交通碳排放核算模型，系统地揭示北京市出行碳排放的时空模式、社会公平性与减排潜力，得到如下主要结论。

出行碳排放模式呈现由需求驱动的显著日期类型差异。工作日呈现明显的潮汐极化现象，节假日为多核分散的商业休闲模式，休息日则展现双峰扩散的过渡性特征。街道尺度的分析结果清晰地刻画了职住分离引发的时空反差，朝阳、海淀和丰台三大核心区贡献六环路以内区域 62%以上的出行碳排放。

虽然大规模通勤能暂时缓解极端群体的排放差异，但居住区“早高峰高排放、就业区晚高峰高排放”的双向挤压效应形成系统性的不平等格局。出行碳排放空间公平性分析结果揭示显著的环境成本转嫁现象，高峰期间低房价区贡献超一半的出行碳排放，人均排放量比高房价区高出 72%，形成“低收入高排放、高收入低负担”的空间锁定效应，凸显边缘社区承受的不均衡环境成本问题。

共享单车减排效能与出行距离呈“倒 U型”关系，2～4 km的中距离出行是政策最佳作用区间; 短途完全替代与中长途混合策略协同，可实现 4.24%的减排量(30分钟免费联程情景下减排幅度最高可达 6.84%)。更重要的是，该策略能精准地改善外围大型居住区的“最后一公里”接驳短板，有效地降低高负担社区的出行碳排放，对促进交通环境的正义性具有明确的正向作用。

为推动高密度城市交通的低碳与公平转型，我们基于上述发现提出以下政策建议: 首先，在碳中和政策中嵌入空间公平视角，针对外围低房价、高碳负担区域实施动态碳补偿机制，建立面向碳减排的公共交通资源优化配置机制[34]，调整高碳排放负担地区的公共交通班次并优化接驳线路，缓解弱势群体的隐性环境成本; 其次，完善精细化的慢行接驳激励政策，在大型居住区重点投放接驳车辆，并推行“碳积分-骑行券”兑换机制，形成绿色出行行为与减排激励的正向闭环。

本研究的局限在于数据未能反映季节性变化，且对步行等零碳接驳方式考虑不足。此外，在空间公平性分析中采用房价作为社会经济水平的单一代理变量，虽然能反映宏观分异，但未能完全排除公共服务可达性和居民实际收入等关键因素的混淆效应。考虑到街道尺度多维数据的获取难度，本研究选用房价作为综合性代理变量是一种权衡下的选择，未来的研究中将融合更丰富的社会经济数据进行深化的归因分析，探索更具针对性的碳激励机制，推动城市交通系统向更智能化、更具公平性和可持续的方向发展。

[1]北京市发展和改革委员会.北京碳排放现状: 交通、建筑领域存较大挑战[EB/OL].(2021) [2025-08-08].https://fgw.bei jing.gov.cn/gzdt/fgzs/mtbdx/bz wlxw/202110/t20211026_2520582.htm

[2]Zhou X，Wang H，Huang Z，et al.Identifying spatiotemporal characteristics and driving factors for road traffic CO2 emissions.Science of the Total Environment，2022，834: 155270

[3]Shang W，Chen Y，Yu Q，et al.Spatio-temporal analysis of carbon footprints for urban public transport systems based on smart card data.Applied Energy，2023，352:121859

[4]Schwanen T，Banister D，Anable J.Scientific research about climate change mitigation in transport: a critical review.Transportation Research Part A: Policy and Practice，2011，45(10): 993-1006

[5]北京交通发展研究院.2025 北京市交通发展年度报告[EB/OL].(2025) [2025-08-08].https://www.bjtrc.org.cn/List/index/cid/7/ivk_sa/1024320u/p/1.html

[6]谢和平，任世华，谢亚辰，等.碳中和目标下煤炭行业发展机遇.煤炭学报，2021，46(7): 2197-2211

[7]Liu Z，Guan D，Wei W，et al.Reduced carbon emission estimates from fossil fuel combustion and cement production in China.Nature，2015，524: 335-338

[8]Ma J，Zhou S，Mitchell G，et al.CO2 emission from passenger travel in Guangzhou，China: a small area simulation.Applied Geography，2018，98: 121-132

[9]Ma J，Heppenstall A，Harland K，et al.Synthesising carbon emission for mega-cities: a static spatial microsimulation of transport CO2 from urban travel in Beijing.Computers，Environment and Urban Systems，2014，45: 78-88

[10]Rong P，Zhang L，Qin Y，et al.Spatial differentiation of daily travel carbon emissions in small- and mediumsized cities: an empirical study in Kaifeng，China.Journal of Cleaner Production，2018，197: 1365-1373

[11]Xia C，Xiang M，Fang K，et al.Spatial-temporal distribution of carbon emissions by daily travel and its response to urban form: a case study of Hangzhou，China.Journal of Cleaner Production，2020，257: 120797

[12]Long Y，Thill J.Combining smart card data and household travel survey to analyze jobs-housing relationships in Beijing.Computers，Environment and Urban Systems，2015，53: 19-35

[13]Yang Y，Wang C，Liu W.Urban daily travel carbon emissions accounting and mitigation potential analysis using surveyed individual data.Journal of Cleaner Production，2018，192: 821-834

[14]Li B，Yu Q，Zhu X，et al.Examining fine-grained commuting CO2 emission using cellular signaling data:insights from Shanghai，China.International Journal of Transportation Science and Technology，2025，20:270-284

[15]Zhao P，Kwan M P，Qin K.Uncovering the spatiotemporal patterns of CO2 emissions by taxis based on individuals’daily travel.Journal of Transport Geography，2017，62: 122-135

[16]Tian D，Zhang J，Li B，et al.Spatial analysis of commuting carbon emissions in main urban area of Beijing: a GPS trajectory-based approach.Ecological Indicators，2024，159: 111610

[17]Yu W，Wang T，Xiao Y，et al.A carbon emission measurement method for individual travel based on transportation big data: the case of nanjing metro.International Journal of Environmental Research and Public Health，2020，17(16): 5957

[18]丰显康，匡文慧，窦银银，等.北京市乡镇街道尺度碳排放格局及驱动因素.遥感信息，2023，38(6):82-87

[19]Wang A，Weichenthal S，Lloyd M，et al.Personal mobility choices and disparities in carbon emissions.Environmental Science & Technology，2023，57(23):8548-8558

[20]Tong K，Ramaswami A，Xu C，et al.Measuring social equity in urban energy use and interventions using fine-scale data.Proceedings of the National Academy of Sciences，2021，118(24): e2023554118

[21]Liang L，Chen M，Zhang X.Measuring inequality of household carbon footprints between income groups and across consumption categories in China.Journal of Cleaner Production，2023，418: 138075

[22]Liu Y，Ye K，Wu L，et al.Estimating quantity and equity of carbon emission from roads based on an improved LCA approach: the case of China.The International Journal of Life Cycle Assessment，2022，27(6): 759-779

[23]Nielsen K S，Bauer J M，Debnath R，et al.Underestimation of personal carbon footprint inequality in four diverse countries.Nature Climate Change，2024，14(11): 1136-1143

[24]Büchs M，Cass N，Mullen C，et al.Emissions savings from equitable energy demand reduction.Nature Energy，2023，8(7): 758-769

[25]Zheng J，Huang Z，Zhou X，et al.Spatiotemporal analysis of CO2 emissions and emission reduction potential of Beijing buses using smart card data.Sustainable Cities and Society，2023，99: 104976

[26]北京交通发展研究院.2020 北京市交通发展年度报告[EB/OL].(2020)[2025-08-08].https://www.bjtrc.org.cn/List/index/cid/7/ivk_sa/1024320u/p/1.html

[27]国家发展和改革委员会应对气候变化司.2011 年和2012 年中国区域电网平均二氧化碳排放因子[EB/OL].(2014)[2025-08-08].https://www.ccchina.org.cn

[28]中国城市轨道交通协会.城市轨道交通2019 年度统计和分析报告[EB/OL].(2020)[2025-08-08].https://www.camet.org.cn/xytj/tjxx/5133.shtml

[29]Pan X，Wang H，Wang Z，et al.Carbon Palma ratio: a new indicator for measuring the distribution inequality of carbon emissions among individuals.Journal of Cleaner Production，2019，241: 118418

[30]Teng F，He J，Pan X，et al.Metric of carbon equity:carbon gini index based on historical cumulative emission per capita.Advances in Climate Change Research，2011，2(3): 134-140

[31]Chen F，Zhang J，Wang Z，et al.Passenger travel characteristics and bus operational states: a study based on IC card and GPS data in Yinchuan，China.Transportation Planning and Technology，2019，42(8): 825-847

[32]袁玉娟，刘清春，马寒卿.基于住房价格的通勤碳排放空间分异——以济南市为例.自然资源学报，2021，36(8): 2081-2094

[33]Lv G，Zheng S，Chen H.Spatiotemporal assessment of carbon emission reduction by shared bikes in Shenzhen，China.Sustainable Cities and Society，2024，100:105011

[34]李旻芮，高悦尔，史志法，等.基于公平视角的城市公共交通资源空间分布研究——以厦门市为例.城市发展研究，2022，29(3): 28-33