【作者】WangWentao, Li Dezhi, Liu Keyan, Zhao Yongheng, Zhou Huan, Zhou Shenghua
【标题】 An integrated framework combining deep learning and multicriteria decision-making for SDG-oriented urban low-carbon transition capacity assessment【期刊】Environmental Impact Assessment Reviewhttps://doi.org/10.1016/j.eiar.2025.108194
摘要
可持续发展目标（SDGs）对城市低碳转型能力（ULCTC）评估具有重要指导作用。然而，现有ULCTC评估研究往往忽视与SDGs的协同关联，且未能充分考虑评估过程中存在的时空效应及多因素间的因果关系。为弥补这些不足，本研究构建了SDG导向的ULCTC评估框架，并提出融合深度学习（DL）与多准则决策（MCDM）的综合评估方法，以显性化嵌入评估要素的复杂属性。以中国地级市为案例的评估结果表明：（1）本研究提出的GCN与LSTM融合DL模型在捕捉时空效应方面表现优异；（2）MCDM方法能有效区分“因”“果”指标，避免单一维度优势掩盖其他维度不足（或反之）导致的评估偏差；（3）空间上ULCTC
在京津冀、长三角、珠三角等区域呈现强集聚特征，时间上则呈现稳步上升趋势，其中省会城市改善幅度最为显著。本研究在ULCTC与SDGs间建立了理论桥梁，重新定义了DL技术在ULCTC评估中的作用，开发了能同时捕捉时空属性与因果关系、平衡协同与权衡关系的评估方法，既增强了方法体系的稳健性，又为差异化政策设计提供了可操作的见解，确保低碳转型路径能够规避误判长短期优先级或损害SDGs协调性的风险。
研究区
图6.中国案例城市。
数据来源
ULCTC系统（表2）的数据采集并处理了224个中国城市（图6）2010—2023年度的资料，从而覆盖了新冠疫情的起始、高峰及后期等关键阶段。数据主要来源于《中国城市统计年鉴》、各省统计年鉴、国家专利数据库与incoPat全球专利数据库。碳排放数据来自全球大气研究排放数据库（https://edgar.jrc.ec.europa.eu/）。针对ULCTC数据集中的缺失值，采用基于随机森林估计器的链式方程多重插补法进行处理——通过Python scikit-learn工具包中的IterativeImputer实现，该方法充分考虑了时间序列与跨指标间的关联特性。
研究目标与框架
研究目标
构建可持续发展目标导向的城市土地与交通低碳协调评估体系；
开发能够捕捉评估过程中时空效应与因果关系的深度学习-多准则决策融合框架；
选取典型案例区域开展城市土地与交通低碳协调实证评估。
研究框架
首先，通过对可持续发展目标（SDGs）进行系统性分析，建立面向SDG的城市低碳转型能力（ULCTC）评估框架，确保所选指标能捕捉ULCTC的多维特征并提供理论依据。其次，为解决固有的时空效应问题，开发了融合图卷积网络（GCN）与长短期记忆网络（LSTM）的深度学习模型，该模型将空间邻接性和时滞效应嵌入数据集，从而优化指标数值。第三，应用多准则决策（MCDM
）框架识别指标间的因果关系并计算其相对权重，从而区分因果指标与结果指标，确保评估能反映系统的结构依存关系。最后，将深度学习与多准则决策融合框架应用于案例区域，完成客观的ULCTC评估。步骤1对应研究目标1，解决了“缺乏全面的SDG导向ULCTC评估框架”的空白；步骤2和3对应研究目标2，克服了“现有方法未能将时空效应和因果关系纳入评估过程”的不足；步骤4则进一步实现了研究目标3。
图1.研究框架
研究结果
以可持续发展目标为导向的 ULCTC 评估框架
图2.面向可持续发展目标的ULCTC理论框架。
捕捉时空效应和因果关系的评估方法
验证DL模型捕捉时空效应的能力
图7.开发模型的训练和测试性能。
因果关系发现
图8.以可持续发展目标为导向的 ULCTC 评估框架中的因果关系。
图9.所有指标的局部和全局权重。
时空演变模式与政策洞察
图10.2021—2023 年期间的 ULCTC 评估结果。
图11.案例城市不同维度的加权平均得分。
结论
本研究提出了一个融合深度学习与多准则决策的SDG导向城市低碳转型能力评估框架。具体而言：首先基于SDGs的具体内容与子目标要求构建了指标体系；其次引入GCN-LSTM模型从预测视角优化数据，整合空间邻接性与时序属性；继而开发了融合DEMATEL、ANP与改进VIKOR法的多准则决策框架，以识别因果关系并计算指标权重；最终将DL-MCDM融合框架应用于案例区域，实现客观的ULCTC评估。研究结果揭示以下主要发现：（1
）构建的GCN-LSTM模型在捕捉时空效应方面表现出较高精度，显著优于其他模型；（2）多准则决策框架能有效区分ULCTC五个维度中“因”“果”指标的属性；（3）案例区域中，ULCTC在京津冀、长三角和珠三角等地区呈现显著集群特征，时间维度上城市平均ULCTC呈现逐年稳步提升趋势，其中内陆省会城市改善幅度最为突出。
【引用】Wentao Wang, Dezhi Li, Keyan Liu, Yongheng Zhao, Huan Zhou, Shenghua Zhou. An integrated framework combining deep learning and multicriteria decision-making for SDG-oriented urban low-carbon transition capacity assessment. Environmental Impact Assessment Review, 2025, 117: 108194. https://doi.org/10.1016/j.eiar.2025.108194
