本研究聚焦于可持续发展目标（SDGs）导向下的城市低碳转型能力（ULCTC）评估，旨在解决现有研究的核心局限：传统评估方法往往忽视SDGs之间的协同效应、时空动态效应以及多因素间的因果关系。论文通过构建一个集成深度学习（DL）和多准则决策（MCDM）的创新框架，首次将复杂空间属性、时间滞后性和因果网络纳入评估过程，实现了对城市低碳转型能力的综合量化。具体而言，研究以中国地级市为案例，利用图卷积网络（GCN）和长短期记忆网络（LSTM）捕捉城市间的空间关联和时间演化规律，同时结合决策实验室分析法（DEMATEL）、网络分析法（ANP）和折衷排序法（VIKOR）解析指标间的因果权重与平衡关系。结果表明：SDG导向的评估框架能有效识别ULCTC的多维驱动机制；GCN-LSTM模型在预测精度上显著优于传统模型；ULCTC在京津冀、长三角和珠三角等地区呈现高强度空间聚类，且随时间推移整体呈上升趋势，省会城市改善尤为显著。本研究不仅为城市低碳转型提供了理论支持和方法工具，更强调了多尺度、动态化评估在可持续政策制定中的关键意义，为全球城市低碳发展路径的优化提供了科学依据。
(1) 如何构建一个全面覆盖SDGs内涵的城市低碳转型能力评估框架，以克服传统方法对指标协同性和系统性的忽视？
(2) 如何将空间关联效应和时间动态性嵌入评估过程，避免因忽略时空依赖性导致的评估偏差？
(3) 如何量化评估指标间的因果网络关系，从而区分核心驱动因素和结果指标，提升决策针对性？
城市低碳转型能力（ULCTC）是实现可持续发展和气候变化应对的核心要素，但现有评估多局限于单一维度（如经济、环境），缺乏与SDGs的系统对接。同时，传统方法难以捕捉城市间的空间交互（如技术溢出效应）和时间滞后效应（如政策见效周期），且未考虑指标间的因果反馈机制。这些不足易导致评估结果片面化，难以支撑差异化政策设计。本研究通过整合深度学习与多准则决策，构建了一个SDG导向的ULCTC评估新范式，旨在为城市低碳转型提供更科学、动态和可操作的分析工具。
研究区域与数据：以中国224个地级市为案例，时间跨度为2010-2023年，覆盖碳中和政策实施关键期。数据来源包括《中国城市统计年鉴》、省级统计年鉴、国家专利数据库等，涵盖经济、社会、环境、技术创新、能源消耗5大维度36项指标（如人均GDP、碳排放强度、绿色技术专利数）。缺失值通过随机森林链式方程插补法处理。
深度学习模型：提出GCN-LSTM集成模型，其中GCN层基于城市空间邻接矩阵捕捉地理关联性，LSTM层学习时间序列的长期依赖关系。模型以4年时间窗口预测下一年指标，隐含层维度128，训练集（2010-2020）与测试集（2021-2023）按8:2划分，优化后参数为学习率0.001、丢弃率0.2。
多准则决策框架：采用DEMATEL-ANP-VIKOR混合方法。DEMATEL通过专家问卷判定指标间因果关系并生成影响网络图；ANP基于超矩阵计算指标局部与全局权重；改进的VIKOR法引入“期望-最劣”基准，避免“短板效应”导致的评估失真。
验证设计：通过莫兰指数检验空间自相关性，使用RMSE和MAE评估模型预测精度，并与随机森林、LSTM等基准模型对比。
模型性能验证：GCN-LSTM模型在测试集上RMSE为0.2236，MAE为0.1794，显著优于对比模型（如LSTM的RMSE=0.3152）。经济维度预测精度最高（RMSE=0.1326），环境维度相对较低（RMSE=0.2571），反映出环境数据的时空异质性更强。莫兰指数全部显著为正（p<0.05），证实空间依赖性存在，支持GCN的适用性。
因果权重分析：DEMATEL-ANP结果显示，环境条件（EN）和经济水平（E）为核心因果维度（中心度分别为25.35和21.95），其中单位GDP能耗（EC3）和技术创新投入（T4）是关键驱动指标（原因度>0.5），而碳排放总量（EC4）为被动结果指标（原因度=-1.43）。权重分布显示环境维度权重最高（0.232），凸显其在ULCTC中的基础作用。
时空格局识别：ULCTC高值区（前20%）高度聚集于东部沿海城市群，如深圳、长沙、厦门连续三年居前三，省会城市改善幅度显著（如长沙2023年排名第一）。时间上，全国ULCTC均值持续上升，高能力城市占比从2021年11.61%增至2023年13.84%，但西部和东北地区仍多处于低值区间，显示转型不平衡。
讨论重点1：评估框架的SDG整合优势
讨论内容：SDG导向框架如何增强ULCTC评估的系统性。
详细阐述：传统评估常割裂经济、社会、环境维度，而本研究通过映射SDG 7（清洁能源）、SDG 9（产业创新）、SDG 11（可持续城市）等目标，构建了多维指标联动体系。例如，环境维度权重最高（0.232），与经济维度（0.204）的因果关联揭示“污染治理-绿色投资”的协同路径，避免了单一维度主导的评估偏差。
讨论重点2：深度学习重构时空评估逻辑
讨论内容：GCN-LSTM模型如何提升动态评估能力。
详细阐述：GCN层捕捉城市群技术扩散效应（如长三角创新溢出），LSTM层量化政策滞后影响（如碳交易政策3-5年见效），使评估结果兼具空间预警和时间前瞻性。相比静态模型，RMSE降低29%，证明时空嵌入的必要性。
讨论重点3：因果权重决策的政策启示
讨论内容：MCDM框架如何指导差异化政策。
详细阐述：DEMATEL识别出“技术创新-碳排放”的因果链（T4→EC4），支持优先投入研发；VIKOR的平衡排序避免西部城市因经济短板被低估，建议通过转移支付补强社会维度（如SDG 4教育投入）。
① 构建的SDG-ULCTC评估框架实现了多目标协同、时空动态和因果关联的三重整合，为城市低碳转型提供了理论范式。
② GCN-LSTM模型显著提升预测精度（RMSE<0.23），证实深度学习在捕捉复杂时空依赖中的有效性。
③ 案例研究表明中国ULCTC呈“东部集群引领、内陆追赶”格局，技术创新和环境治理是核心驱动，但区域失衡问题突出。
④ MCDM权重分析强调环境维度的基础性（权重0.232），需通过政策工具平衡强弱维度，避免转型孤岛。
(1) 数据粒度与来源拓展：本研究依赖统计年鉴和专利数据，未来可融合遥感影像、社交媒体等多源大数据，提升指标实时性和空间分辨率（如千米网格尺度）。
(2) 模型动态性增强：当前GCN-LSTM未考虑政策突变影响（如疫情冲击），可引入强化学习或变分自编码器模拟外部扰动下的转型路径。
(3) 跨尺度机制解析：需从城市群尺度下沉至社区尺度，结合质性方法（如 stakeholder访谈）揭示微观主体行为对ULCTC的反馈机制。
Wang, W., Li, D., Liu, K., Zhao, Y., Zhou, H., & Zhou, S. (2026). An integrated framework combining deep learning and multicriteria decision-making for SDG-oriented urban low-carbon transition capacity assessment. Environmental Impact Assessment Review, 117, 108194. https://doi.org/10.1016/j.eiar.2025.108194
以上内容来源于SE-System Lab，为学术分享，仅供科研交流，如有错误/侵权等，请联系修改或删除。联系方式：Novel_2020
