交通是居民终端消费的主要碳排放部门之一，但居民出行碳排放被建成环境锁定难以破局已成为需求侧减排道路上的拦路虎。为打破锁定现状、实现碳中和目标，多地提倡通过土地利用和交通政策来改变建成环境以引导居民降低出行碳排放。靶向制定合理的环境改善策略需明确各建成环境要素对不同住区居民出行碳排放的异质性影响及影响程度。本文将清华大学2015年出行调研小数据、POI大数据、路网和人口密度等数据多源融合，从因果推断视角检验居住地建成环境对居民出行碳排放的外部性。借助机器学习强预测能力，采用双重机器学习模型对观测数据去偏，剥去社会经济特征对住区建成环境和出行碳排放的影响，使数据接近随机对照实验，识别住区建成环境要素对碳排放的“纯净”因果效应。结果表明住区高公交可达性对出行降碳的因果关系显著，同最近公交距离减少1米人均每天减排约2.5g；住区高地铁可达性对出行降碳的因果关系显著，同最近地铁距离减少1米人均每天减排约0.5g，同多元线性回归结果（0.39）相近，微小差距是因为家庭成员数量同时影响住区地铁可达性和出行碳排放使得地铁可达性作用被低估；公共交通可达性的减碳效用在人群中存在差异，对教育水平低的居民效用更大。房价对出行降碳的因果关系显著，房价上升1000元，人均每天减少碳排放36g，多元回归结果为40g，收入和私家车保有量的影响可能是差异产生的原因。商场可达性、路网密度、人口密度与出行碳排放未表现出显著因果关系但有显著相关关系。以降低出行碳排放为目标改善建成环境需充分认识其与社会经济特征协同影响碳排放的机理，避免陷入虚假因果关系陷阱导致资源错配。本文可为量化建成环境对碳排放影响提供思路，为管理者科学谋划基础设施布局与土地利用改善提供理论参考，助力城市在空间规划布局、交通基础设施配套改造等方面找准工作方向。
 

建成环境,机器学习,因果识别,出行碳排放