Passive over active: How low-cost strategies influence urban energy equity 被动优于主动：低成本策略如何影响城市能源公平 本研究通过比较被动和主动设计在城市能源负担中的影响，得出了以下主要结论：被动设计策略（如窗墙比、外部遮阳、建筑材料等）在减少城市家庭能源支出方面表现优于主动设计。该研究为能源公平和可持续城市规划提供了新的视角，并为未来的政策制定者和研究者提供了有效的设计方案。
研究目的： 本研究旨在探讨城市能源负担的分布，重点分析城市环境因素及建筑的被动和主动设计对家庭能源支出的影响。 研究目标是通过比较被动和主动设计特征，评估其在减少家庭能源成本方面的有效性，并为政策制定者、城市规划者及研究人员提供可操作的见解，推动可持续城市规划和能源公平。 研究方法： 本研究采用了先进的机器学习技术，包括多元回归、决策树回归、随机森林、支持向量机、XGBoost和神经网络，以分析不同因素对家庭能源负担的影响 研究数据主要来自芝加哥库克县的多个数据源，包括Google街景数据、全国建筑结构清单(NSI)、库克县公开数据、LEAD和美国社区调查(ACS)数据 数据收集： 从Google街景提取建筑的外部遮阳和窗墙比数据。 使用全国建筑结构清单(NSI)获取建筑类型、基础类型等数据。 利用库克县的公开数据获取建筑面积、土地面积、墙体材料、屋顶材料、加热和制冷系统等。 ACS数据包含人口贫困率和老年人口百分比等社会经济数据。 数据处理： 数据从建筑层级转换为普查区层级，以匹配能源负担数据。每个数据集都经过预处理，如清理缺失数据，计算土地覆盖率，生成普查区的平均值和比例。所有数据集通过FIPS代码（普查区唯一代码）合并，共有1135条数据记录。 数据分析： 相关性和多重共线性检查： 使用Pearson相关性和方差膨胀因子(VIF)评估变量之间的相关性和共线性问题。 回归分析： 采用普通最小二乘法(OLS)分析影响能源负担的变量，后续使用更复杂的机器学习模型（如随机森林、XGBoost）进一步提高预测精度。 模型优化： 通过调整变量和模型参数，最终建立了精度为94.8%的最佳预测模型。
结果： 研究表明，被动设计（如墙体材料、屋顶材料、窗墙比和外部遮阳）对降低家庭能源支出具有更显著的影响，特别是在城市规模上 。模型准确度达到94.8%，证明被动设计在减少能源负担方面优于主动设计。具体发现包括： 地理位置、人口贫困率和老年人口比例也与能源负担显著相关。 机械设备（如中央空调）的影响较小，而被动设计因素的影响更为显著。 讨论： 讨论部分进一步分析了被动设计对减少城市能源负担的重要性，强调了窗墙比和外部遮阳等设计特征的作用 。研究建议，政策制定者和城市规划者应优先考虑被动设计策略，以实现更可持续的城市发展，并解决能源正义问题。此外，本研究还指出，尽管机械系统（如中央空调）对降低能源负担有一定作用，但其效果远不如被动设计显著。
文献来源：Ghorbany, S., Hu, M., Sisk, M., Yao, S., & Wang, C. (2024). Passive over active: How low-cost strategies influence urban energy equity. Sustainable Cities and Society , 114 , 105723. 声明：本推送内容仅代表本人的浅薄理解，由于水平有限，难免出现错误，欢迎大家批评指正。推送难以展示研究的所有内容，详情参见原文。
