基于组合赋权-TOPSIS法的铁路客站低碳技术适应性研究

Adaptability Study of Low-Carbon Technologies for Railway Passenger Stations Based on Combined Weighting-TOPSIS Method

摘要

铁路客站作为铁路运营阶段的第二大碳排放来源，是铁路行业低碳减排的重要部门，通过构建包含1个目标层、3个准则层、12个指标层的铁路客站低碳技术评价指标体系，并基于组合赋权(层次分析-熵值法)-TOPSIS法对6种低碳技术进行综合评价。结果表明：环境效益准则层下的碳减排率、碳排放强度、综合能源消耗下降率指标和技术应用准则层下的普适性指标的组合权重值较高，是铁路客站低碳技术的重要评价指标。6种低碳技术中光伏发电技术为优选的低碳技术，相对贴近度为0.600 3，地源热泵技术的相对贴近度为0.266 0，普适性较低，应用性不强。研究结果可为铁路客站低碳技术选择与推广提供科学依据。

Abstract

Railway passenger stations are the second-largest source of carbon emissions during railway operations, making them vital for the industry's transition to low-carbon practices. By constructing a detailed evaluation indicator system containing one goal layer, three criteria layers, and 12 indicator layers for low-carbon technologies in railway passenger stations and based on a method of combined weighting (the analytic hierarchy process and the entropy weight method) and the technique for order preference by similarity to ideal solution (TOPSIS), six low-carbon technologies were evaluated. The results indicate that the carbon reduction rate, carbon emission intensity, and comprehensive energy consumption reduction rate under the environmental benefit criteria and the universality indicator under the technology application criteria exhibit high combined weights. They can be critical evaluation indicators of low-carbon technologies for railway passenger stations. Among the six technologies evaluated, photovoltaic power generation achieves the highest relative closeness score at 0.600 3 and can be the most recommended low-carbon technology. In contrast, geothermal heat pump technology scores the lowest at 0.266 0, demonstrating its limited universality and applicability. These findings provide a scientific foundation for the selection and promotion of low-carbon technologies in railway passenger stations.

Graphical abstract

关键词

铁路客站 / 碳排放 / 层次分析法 / 熵权法 / TOPSIS法

Key words

Railway Passenger Station / Carbon Emission / Analytic Hierarchy Process / Entropy Weight Method / TOPSIS Method

0　引言

交通运输行业被确定为全球碳排放的主要贡献者之一，约占全球碳排放总量的25%^[1]。铁路是绿色低碳的交通运输方式^[2]，但是随着高速铁路的不断发展和客货运量的逐年递增，其减排压力依然严峻。2021年12月，国家铁路局印发《“十四五”铁路科技创新规划》，提出着力降低铁路综合能耗等关键技术的研发，广泛应用绿色低碳技术，助力铁路行业绿色转型。同时，已有研究指出，国外典型国家铁路运输企业已率先布局碳中和战略，为我国铁路行业制定低碳发展路径提供了有益参考^[3]。铁路客站作为铁路节能降碳技术创新应用的重要场所，是实现碳减排的关键之一^[4]。轨道交通项目的盈利能力低，其低碳运营往往意味着更多的成本投入^[5]，这无疑对轨道交通项目的经济可持续性产生影响。因此必须构建一套科学合理的低碳技术评价方法，实现铁路客站最大程度的碳减排。

借鉴交通、建筑、钢铁等领域的成果，低碳技术适应性可通过指标体系构建、权重量化和适应性评价来实现^[6]。在指标体系构建方面主要采用清单方法^[7]和RAMS方法^[8]等，其筛选原则为本研究的指标选取提供了参考依据。权重量化主要包括层次分析法、德尔菲法与熵权法等^[9]。层次分析法除了被用于工程适宜性评价外^[10]，还用于交通运输^[11]、钢铁^[12]、绿色建筑^[13]等领域的节能低碳技术评价，在多主体偏好整合与量化集成方面具有优势^[14]，但主观性较高。熵权法作为重要的客观加权方法，可提高分析结果的客观性、合理性和准确性^[14]，常和层次分析法结合起来确定复合权重^[15]，被广泛应用于轨道交通^[16-18]领域。另外，TOPSIS法可将不同数据类型的评价信息转化为基于实数的评价值^[19]，被用于低碳发展水平^[19-20]、区域绿色发展水平^[21-22]等领域。低碳技术适应性评价需考虑与环境、社会、经济等系统需求相协调的综合能力，需要TOPSIS法的多维度数据处理能力来实现。

从定性的指标体系构建和低碳技术评价2个层面开展研究。采用实地调研和德尔菲法，基于科学性、合理性、操作性的原则对铁路客站低碳技术评价指标进行筛选，再利用层次分析法与熵权法确定指标权重，最终通过TOPSIS法进行低碳技术综合评价。研究通过构建低碳技术评价指标体系，对铁路客站的低碳技术进行综合评价，为铁路客站筛选合适的低碳技术提供技术支撑。

1　评价体系的构建

1.1　低碳技术评价流程

采用层次分析法计算评价指标体系中各指标参数的主观权重，熵权法计算客观权重，通过对主客观权重进行综合得到组合赋权，再结合TOPSIS法实现铁路客站多种低碳技术的综合评价。综合评价模型如图1所示。

1.2　指标权重的确定方法

国内外尚未构建针对低碳技术评价的相关标准和指南，因此采用文献调研及德尔菲法进行低碳技术评价指标的获取和筛选。通过整理不同行业低碳技术指标评价的期刊文献、国内外标准以及研究报告获取各行业低碳技术评价指标清单^[23-25]。从科学性、合理性、操作性对清单上的指标进行过滤，筛选出最能体现各准则层内涵的指标项。最后，利用德尔菲法对铁路行业和碳排放领域专家进行问卷调查，共收集到100份有效问卷，验证评价指标体系的可靠性与有效性。

1.2.1　主观赋权-层次分析法

层次分析法是一种多准则决策方法，旨在将评价者的主观判断进行客观量化。该方法针对准则层和指标层分别构建两两判断矩阵A=(a_{ij}{)}_{nn}，再根据判断矩阵计算每个因素的权重w_{xj}，按权重排序后即可做出决策^[11]。

A=(a_{ij}{)}_{nn}=\left[\begin{array}{ccc}{a}_{\mathrm{11}}& \cdots & a_{\mathrm{1}n}\\ ⋮& & ⋮\\ a_{n\mathrm{1}}& \cdots & a_{nn}\end{array}\right](1)

式中：a_{ij}表示指标i与指标j的重要性比值。

矩阵中对同一层准则层内的指标互相比较的结果进行量化，得到9个标度^[22]，通过标度描述可判断单项指标相对于另一项的重要程度。构建判断矩阵A=(a_{ij}{)}_{nn}满足的条件为①a_{ij}>\mathrm{0}，②a_{ij}=\mathrm{1}/a_{ji}，③a_{ij}=\mathrm{1}时，则矩阵A=(a_{ij}{)}_{nn}成为正互反矩阵。判断矩阵涉及多个指标的两两比较时，可能会出现矛盾，导致一致性变差。通过一致性比率(CR)评估一致性，若CR<0.1，则一致性校验通过，否则需重新构造判断矩阵。

CR=\frac{\frac{{\lambda }_{\mathrm{m}\mathrm{a}\mathrm{x}}-n}{n-\mathrm{1}}}{RI}(2)

式中：λ_max为判断矩阵的最大特征值；n为指标个数，即矩阵阶数；RI为随机一致性指标，根据矩阵阶数进行取值，准则层矩阵为3阶，RI值取0.58，指标层矩阵为4阶，RI值取0.9。

1.2.2　客观赋权-熵权法

熵权法是一种基于各指标所含信息量大小的赋权方法，具有客观性，可以减少权重受到人为因素过多干扰的情况^[26]。熵权法在构建指标矩阵X=(x_{ij}{)}_{mn}后，对第i个评价对象的第j个评价指标的原始数据进行标准化及归一化处理。当评价指标为正指标时，按式(3)计算；当评价指标为逆指标时，按式(4)计算。

r_{ij}=\frac{x_{ij}-\underset{\mathrm{1}\le j\le m}{\mathrm{m}\mathrm{i}\mathrm{n}}{x}_{ij}}{\underset{\mathrm{1}\le j\le m}{\mathrm{m}\mathrm{a}\mathrm{x}}{x}_{ij}-\underset{\mathrm{1}\le j\le m}{\mathrm{m}\mathrm{i}\mathrm{n}}{x}_{ij}}(3)

r_{ij}=\frac{\underset{\mathrm{1}\le j\le m}{\mathrm{m}\mathrm{a}\mathrm{x}}{x}_{ij}-x_{ij}}{\underset{\mathrm{1}\le j\le m}{\mathrm{m}\mathrm{a}\mathrm{x}}{x}_{ij}-\underset{\mathrm{1}\le j\le m}{\mathrm{m}\mathrm{i}\mathrm{n}}{x}_{ij}}(4)

式中：r_{ij}为第i个评价对象的第j个评价指标的原始数据的标准化值；x_{ij}为第i个评价对象关于第j个评价指标的原始数据；m为评价对象的总数；n为评价指标的总数；\underset{\mathrm{1}\le j\le m}{\mathrm{m}\mathrm{a}\mathrm{x}}{x}_{ij}为第j个指标在所有评价对象中的最大值；\underset{\mathrm{1}\le j\le m}{\mathrm{m}\mathrm{i}\mathrm{n}}{x}_{ij}为第j个指标在所有评价对象中的最小值。

由式(3)和式(4)的结果构建新的矩阵R=(r_{ij}{)}_{mn}，再对熵值进行偏差度处理得第j项指标权重，如式(5)所示。

e_j=-\frac{\mathrm{1}}{\mathrm{l}\mathrm{n}m}\times {\displaystyle \sum _{i=\mathrm{1}}^m}\frac{r_{ij}}{{\displaystyle \sum _{i=\mathrm{1}}^m}{r}_{ij}}\times \mathrm{l}\mathrm{n}\frac{r_{ij}}{{\displaystyle \sum _{i=\mathrm{1}}^m}{r}_{ij}}(5)

式中：e_j为第j项指标的熵值。

w_{yj}=\frac{\mathrm{1}-e_j}{{\displaystyle \sum _{j=\mathrm{1}}^n}(\mathrm{1}-e_j)}(6)

式中：w_{yj}为第j项指标的权重。

1.2.3　组合赋权

为得到综合的指标权重，既要考虑主观因素，也要考虑客观因素，将采用层次分析法和熵权法得到的权重有机结合起来，综合权重计算如式(7)所示。

w=\frac{w_{xj}\times w_{yj}}{{\displaystyle \sum _{j=\mathrm{1}}^n}(w_{xj}\times w_{yj})}(7)

式中：w为综合权重；w_{xj}为层次分析法计算的第j项指标的主观权重；w_{yj}为熵权法计算的第j项指标的客观权重。

1.3　低碳技术的评价方法

通过实地调研10个铁路客站以及文献分析筛选合适的客站低碳技术，为保证指标体系的科学性和可靠性，利用SPSS软件对调查问卷数据进行了Cronbach α信度系数分析，并采用因子分析方法对问卷的效度进行检验。结合确定的低碳技术的指标权重，采用TOPSIS法对低碳技术进行评价。该方法将标准化的决策矩阵与组合权重向量相结合，得到加权规范化决策矩阵V=(v_{ij}{)}_{mn}，利用矩阵V中各项评价指标的最优值确定正、负理想解，再按式(8)和式(9)计算评价对象与理想解和负理想解的欧氏距离，最后按式(10)计算各评价对象与最优对象的相对贴近度C_i。

D_j^{+}=\sqrt[]{{\displaystyle \sum _{j=\mathrm{1}}^m}{\left(v_{ij}-v_j^{+}\right)}^{\mathrm{2}}}\begin{array}{cc}& \end{array}i=\mathrm{1}，\mathrm{2}，\cdots ，n(8)

D_j^{-}=\sqrt[]{{\displaystyle \sum _{j=\mathrm{1}}^m}{\left(v_{ij}-v_j^{-}\right)}^{\mathrm{2}}}\begin{array}{cc}& \end{array}i=\mathrm{1}，\mathrm{2}，\cdots ，n(9)

C_i=\frac{D^{-}}{D^{+}+D^{-}}\begin{array}{cc}& \end{array}\begin{array}{cc}& \end{array}\mathrm{1}\le i\le m(10)

式中：D_j^{+}为理想解的欧氏距离；D_j^{-}为负理想解的欧氏距离；v_j^{+}为第i列的最大值；v_j^{-}为第i列的最小值；C_i为各评价对象与最优对象的相对贴近度，C_i的值越接近于1，表明结果越接近最优值。

2　铁路客站低碳技术评价结果

2.1　铁路低碳技术评价指标体系的构建

低碳技术的应用是推动铁路运输行业实现高质量发展的重要举措，但是目前低碳技术指标未有国际通用的相关标准，共筛选了环境效益、经济效益、技术效益和社会效益4个准则层的30个常用于绿色低碳技术的评价指标，从指标的科学性、合理性、操作性3个层次进行过滤，筛选出最能体现各准则层内涵的指标项。低碳技术评价指标筛选过程如表1所示。

经过低碳技术评价指标筛选构建了铁路客站低碳技术评价指标体系，铁路客站低碳技术评价指标体系如图2所示，最终的评价指标体系由1个目标层、3个准则层和12个指标层组成。目标层为铁路低碳技术评价指标体系；准则层包括环境效益、经济效益、技术应用三方面；指标层除技术应用的4项指标为定性指标外，其余指标均属于定量指标。

通过指标的信度检验可知，12个指标的Cronbach α整体信度系数为0.986，环境效益、经济效益、技术应用3个维度指标的Cronbach α信度系数分别为0.983，0.977，0.971。整体和单个维度的Cronbach α信度系数都较高，表明该问卷的内部一致性很好，铁路客站低碳技术评价指标体系的准则层与指标层一致性良好。另外，效度检验中，KMO为0.914>0.9，Bartlett球形检验显著性为0.00 6<0.05，表明数据质量很好，非常适合做因子分析，且分析结果中得出12个指标中公因子方差都在0.7以上，说明指标层与准则层之间具有很强的对应关系，聚合效度较好，表明调查问卷有良好的效度。通过上述的信度和效度检验表明建立的铁路客站低碳技术评价指标体系是可靠的。

2.2　铁路客站低碳技术的筛选

参照《民用建筑热工设计规范》^[27]的热工分区，调研了处于严寒地区、寒冷地区、夏热冬暖地区、夏热冬冷地区以及温和地区共10个大型客站的碳排放构成情况，具体而言，严寒地区选取了长春(CC)和沈阳(SY)，寒冷地区选取北京(BJ)和天津(TJ)，夏热冬冷地区选取南京(NJ)和杭州(HZ)，夏热冬暖地区选取福州(FZ)和厦门(XM)，温和地区选取贵阳(GY)和昆明(KM)。上述样本客站覆盖了我国5类热工气候区域，具备良好的代表性与对比性，典型客站碳排放组成如图3所示，为铁路客站低碳技术的筛选提供基础数据依据。从图3a能源系统碳排放组成来看，除了严寒地区的2个客站能源消耗以热力为主外，其他8个客站主要的能源消耗均主要集中在电力，电力在总碳排放中占比均超过50%，可见电力和热力是铁路客站碳排放的2个主要来源。从图3b设备系统碳排放组成来看，供暖、制冷2项系统的碳排放占比在各客站中普遍较高，是碳排放主要的设备系统。虽然不同区域铁路客站的碳排放构成存在差异，但是主要来源为电力和制冷供暖，因此，应该从这2个方面选取低碳技术实现经济效益和减排效益的最大化。

另外，为了了解国内外关注的低碳技术研究，本研究以“低碳技术”为搜索关键词，得到低碳技术文献聚类可视化分析如图4所示。国内外低碳技术的研究主要围绕热泵技术、光伏发电、蓄冷、能源管控、空调系统等方面展开，与铁路客站碳排放结构分析得到的结果相一致。

因此，结合铁路客站碳排放特点和低碳技术文献分析结果，并在现场调研和专家咨询的基础上，结合已有的政策和标准，构建待评价的铁路客站低碳技术清单，待评价的铁路客站低碳技术如表2所示。

2.3　铁路客站低碳技术评价指标权重

根据图1的综合评价流程，分别采用层次分析法、熵权法和组合赋权法对表2的低碳技术进行各项评价指标的权重解析，得到兼顾主观偏好与客观性的合理指标权重。

根据问卷调查结果中专家对各指标重要程度的评判，经过去除最高分和最低分后的平均处理后，基于层次分析法的指标权重及一致性比率如表3所示。层次分析法中，该技术评价指标体系的各级判断矩阵CR均小于0.1，表明层次分析法结果符合一致性要求，权重系数分配合理，具有可信度，为后续TOPSIS法进行综合评价提供依据。

从表3基于层次分析法的指标权重及一致性比率可以看出，层次分析法计算的准则层指标权重ω=(0.513 6，0.297 8，0.188 6)^T，按权重大小排序依次为：环境效益>经济效益>技术应用，表明在铁路客站低碳技术应用过程中，多数专家认为环境效益为技术应用的关键，应重视节能减排。指标层中权重最高的3个指标分别为碳减排率、碳排放强度、综合能源消耗下降度，权重值分别为0.169 4，0.134 8，0.116 7，3个指标均属于环境效益方面。

根据式(5)熵权法获得准则层的指标权重ω=(0.300 6，0.300 1，0.399 3)^T，基于熵权法的指标熵值和权重如表4所示，按权重大小排序依次为：技术应用指标>环境效益指标>经济效益指标。作为定性指标的技术应用的权重最高，其中普适性指标的熵值和权重都较高。技术的普适性指一项技术在不同区域客站中普遍适用和可复制的能力。低碳技术均属于高新科技领域，新型低碳技术会优先在碳排放高的客站进行示范应用，如果示范应用达不到预期效果，则会影响后续在全路推广应用。此外，通过在铁路客站推广先进的低碳技术可以有效提升客站自身的能效水平和碳减排效益，对上下游企业的发展起到推动作用，因此，低碳技术的净收益熵值虽然不高，但权重很高。根据熵权法的结果，客站应该优先选择可广泛应用且净收益高的低碳技术，如光伏发电技术。

对层次分析法和熵权法两者权重进行耦合计算，得到2种赋权方法的组合权重，基于组合赋权法的指标组合权重如表5所示。组合赋权法得到的准则层指标权重ω=(0.459 9，0.300 1，0.240 0)^T，按权重大小排序依次为：环境效益>经济效益>技术应用。指标层中权重最高的3个指标分别为碳减排率、净收益和技术应用的安全性，权重值分别为0.201 7，0.191 0和0.134 9。3种赋权方法的指标权重对比如图5所示，在各项指标的权重上存在一定的差异。基于组合赋权法，碳减排率权重最高，表明低碳技术在铁路客站的应用中以实现显著的碳排放削减为首要目标。碳减排率指标直接衡量技术在减少温室气体排放方面的效能，是低碳技术评价的关键维度。交通基础设施的碳减排效果与技术选择和政策导向密切相关，特别是在高客流场景下，优先采用高减排率技术可显著提升环境效益^[28]。净收益权重位居第二，强调了经济效益在技术选择中的关键作用。铁路客站作为独立运营实体，低碳技术的应用需在满足环保要求的同时确保经济可持续性。净收益指标综合考虑了技术的初始投资、运营成本及长期收益，能够有效评估技术应用的经济可行性，需通过优化投资与收益平衡来提高^[29]。技术应用的安全性权重排名第三，体现了铁路运营对安全至上的根本要求。铁路客站客流量大、运行环境复杂，低碳技术的引入须确保不影响系统的稳定性和安全性。安全性指标涵盖了技术的运行可靠性、故障风险及与既有基础设施的兼容性等维度。安全性是交通基础设施技术评价的底线要求，特别是在引入新型低碳技术时，需通过严格验证降低潜在风险^[30]。因此，组合赋权法通过整合主客观权重，得出碳减排率、净收益和技术应用的安全性为关键指标的结论，充分体现了低碳技术在铁路客站应用中的多维适配性。

2.4　铁路客站低碳技术评价

将层次分析法和熵权法结合进行组合赋权后，运用TOPSIS法对不同技术指标的原始数据进行标准化处理，再计算得到各指标与理想解的相对贴近度C_i，最后进行低碳技术排序，获得低碳技术综合评价雷达图如图6所示。

铁路客站低碳技术Ci的排序为：光伏发电技术(0.600 3)>能源管控系统(0.598 4)>固体储能技术(0.459 1)>蓄冷技术(0.453 2)>燃气热泵技术(0.309 9)>地源热泵技术(0.266 0)。光伏发电技术在发电过程中具有明显的节能减排优势，而且现有技术逐渐成熟，从长远来看具有较高的经济价值，因此在环境效益、经济效益和技术应用3个准则层的各个指标表现均较好。地源热泵技术的经济效益较差，具有地域限制，因此在应用的普适性方面贴近度较低。同时，地源热泵技术在环境效益和技术应用方面综合评价值较低，原因可能在于部分地区地源热泵的实际碳减排效果受限，以及技术部署存在一定难度和环境适应性不足等问题。

根据研究结果，在投资有限的情况下建议客站优先选择光伏发电技术进行节能减排。铁路客站建筑除站房的屋顶外，通常还有供列车停靠上下旅客的站台及雨棚，都可以部署光伏设备，因此光伏发电潜力巨大。例如雄安站屋面分布式光伏发电系统设计面积4.2万m²，年减少二氧化碳排放4 500 t，2021—2023年共获并网发电收益57万元^[31]，取得了很好的节能减排效果和经济效益。

3　结束语

依据铁路客站碳排放特征和低碳发展的实际需求，遵循科学性、系统性与可操作性原则，系统构建了涵盖环境效益、经济效益与技术应用3个准则层的铁路客站低碳技术评价指标体系，引入基于层次分析法与熵权法的组合赋权-TOPSIS模型，对6种低碳技术的适应性进行了量化分析。结果显示，组合赋权法在权重分配上兼顾主观判断与客观数据，权重最高的3项指标分别为碳减排率、净收益和安全性。在技术适应性排名中，光伏发电技术表现最优，综合得分为0.600 3，在环境、经济与技术应用层面均具有较强优势，其次依次为能源管控系统、固体储热供暖技术、蓄冷技术、空气源燃气热泵技术与地源热泵技术。研究可为铁路客站低碳转型提供理论支持与决策依据。

参考文献

[1] 焦柳丹，刘 莹，吴 雅，等. 基于卷积神经网络的交通运输业碳排放预测研究[J]. 铁道运输与经济，2024，46(8)：49-57.

[2] JIAO Liudan， LIU Ying， WU Ya，et al. Transportation Carbon Emission Prediction Based on Convolutional Neural Network[J]. Railway Transport and Economy，2024，46(8)：49-57.

[3] 霍贝贝，程志远.“双碳”目标下铁路减排工作的研究与探讨[J].交通节能与环保，2022，18(6)：76-79.

[4] HUO Beibei， CEHNG Zhiyuan. Research and Discussion on Railway Emission Reduction Work under the “Carbon Peak and Neutrality” Target[J]. Transport Energy Conservation ＆ Environmental Protection，2022，18(6)：76-79.

[5] 刘 皓. 国外典型国家铁路运输企业碳中和战略研究及启示[J]. 铁道运输与经济，2023，45(6)：145-152.

[6] LIU H. Research on Carbon Neutrality Strategies of Railway Transport Enterprises in Foreign Typical Countries and Inspirations.[J]. Railway Transport and Economy，2023，45(6)：145-152.

[7] 王永泽. 铁路低碳技术革新实施路径研究[J]. 铁路节能环保与安全卫生，2022，12(5)：36-40.

[8] WANG Yongze. Research on the Implementation Path of Railway Low Carbon Technology Innovation[J]. Railway Energy Saving & Environmental Protection & Occupational Safety and Health，2022，12(5)：36-40.

[9] ZHOU Q， MAO B H， PENG S R，et al. Analysis of the Impacts of Passenger Demand on the Profitability of Different Types of Urban Rail Transit[J]. Promet-Traffic & Transportation，2023，35(1)：71-86.

[10] 戴钰桀，郑平标，秦欢欢，等. 美国铁路货运公司运输评价指标体系研究[J]. 铁道货运，2015，33(12)：36-41.

[11] ZHANG D L， DING Y， JIANG X T，et al. Construction of Carbon Emission Evaluation Methods and Indicators for Low-Carbon Technologies in Buildings[J]. Energy，2024，312：133529.

[12] SHI R F， ZHANG L Z， LIN F，et al. Annotated Survey and Perspectives on Rail Transport Energy System RAMS Evaluation Technology[J]. Green Energy and Intelligent Transportation，2024，3(3)：100164.

[13] KAYA Ö， ALEMDA K D， ÇODUR M Y. A Novel Two Stage Approach for Electric Taxis Charging Station Site Selection[J]. Sustainable Cities and Society，2020，62：102396.

[14] 尹延昭. 节能降碳技术在公路建设工程中的适宜性评价方法研究[J]. 交通节能与环保，2022，18(4)：115-117.

[15] YIN Yanzhao. The Research on Suitability Evaluation Method of Energy Saving and Carbon Reduction Technology in Highway Construction[J]. Transport Energy Conservation & Environmental Protection，2022，18(4)：115-117.

[16] 范 杰. 交通运输重点节能低碳技术评价及推广应用措施研究[J]. 交通节能与环保，2019，15(1)：1-4.

[17] FAN Jie. Research on Evaluation Promotion and Application Measures of Key Energy-Saving and Low-Carbon Technologies for Transportation[J]. Transport Energy Conservation & Environmental Protection，2019，15(1)：1-4.

[18] LI Q， WANG J S， SHE X F，et al. Feasibility and Comprehensive Evaluation of the Application of Different Low-Carbon Technologies in the Iron and Steel Industry[J]. Fuel，2025，381：133434.

[19] 户 婕，毕晓莉. 基于网络层次分析法的甘肃省绿色建筑评价指标体系研究[J].城市建筑，2024，21(14)：196-200.

[20] HU Jie， BI Xiaoli. Research on Green Building Evaluation Index System in Gansu Province Based on Analytic Network Process[J]. Urbanism and Architecture，2024，21(14)：196-200.

[21] REN Q M， SUN M. Using AHP-Entropy Method to Explore the Influencing Factors of Spatial Demand of EVs Public Charging Stations： A Case Study of Jinan， China[J]. Journal of Cleaner Production，2025，491：144779.

[22] ZHANG L， XU X X， GUO Y L. Comprehensive Evaluation of the Implementation Effect of Commercial Street Quality Improvement Based on AHP-Entropy Weight Method： Taking Hefei Shuanggang Old Street as an Example[J]. Land，2022，11(11)：2091.

[23] REN J J， ZHANG Q， ZHANG Y C，et al. Evaluation of Slab Track Quality Indices Based on Entropy Weight-Fuzzy Analytic Hierarchy Process[J]. Engineering Failure Analysis，2023，149：107244.

[24] XU C L， XU C， ZHAN L，et al. Establishment and Validation of a Novel Composite Index for Energy Efficiency Evaluation of Data Center Chilled Water Systems Based on AHP and Entropy Weight Method[J]. Energy and Buildings，2025，337：115677.

[25] 梁英平. 基于组合赋权的绿色技术创新能力评价研究[D]. 马鞍山：安徽工业大学，2021.

[26] ZOU R， WANG S S， GENG S，et al. The Multi-Stage Evaluation Framework for Low-Carbon Development Level of Rail Transit Under Probabilistic Linguistic Environment[J]. Journal of Cleaner Production，2023，26：138991.

[27] BAI Y T， WANG J， SU J C，et al. Assessment of Urban Rail Transit Development Using DPSIR-Entropy-TOPSIS and Obstacle Degree Analysis： A Case Study of 27 Chinese Cities[J]. Physica A： Statistical Mechanics and its Applications，2025，663(1)：130439.

[28] ZHANG X L， WU H Y. Hesitant Fuzzy Linguistic Mahalanobis Distance-Based TOPSIS Method for Evaluating Regional Green Development Levels[J]. Applied Soft Computing，2025，173：112920.

[29] LI H P. Evaluation System of Vocational Education Construction in China Based on Linked TOPSIS Analysis[J]. Heliyon，2024，10(21)：39369.

[30] 国家铁路局. 绿色铁路客站评价标准：TB/T 10429—2014 [S]. 北京：中国铁道出版社，2014：5-14.

[31] 易文杰，李 庄，罗竹燕，等. 水泥行业环境影响评价低碳技术选择与应用[J]. 环境工程技术学报，2022，12(6)：1905-1914.

[32] YI Wenjie， LI Zhuang， LUO Zuyan，et al. Selection and Application of Low Carbon Technologies in Environmental Impact Assessment of Cement Industry[J]. Journal of Environmental Engineering Technology，2022，12(6)：1905-1914.

[33] 李 庄，许友静，易文杰，等. 钢铁企业低碳技术评价选择与应用[J]. 环境科学研究，2022，35(6)：1538-1546.

[34] LI Zhuang， XU Youjing， YI Wenjie，et al. Evaluation， Selection and Application of Low-Carbon Technology in Iron and Steel Enterprises[J]. Research of Environmental Sciences，2022，35(6)：1538-1546.

[35] HUANG W C， SHUAI B， SUN Y，et al. Using Entropy-TOPSIS Method to Evaluate Urban Rail Transit System Operation Performance： The China Case[J]. Transportation Research Part A： Policy and Practice，2018，111：292-303.

[36] 中华人民共和国住房和城乡建设部. 民用建筑热工设计规范：GB50176—2016 [S]. 北京：中国建筑工业出版社，2016.

[37] 李晓易，谭晓雨，吴 睿，等. 交通运输领域碳达峰、碳中和路径研究[J]. 中国工程科学，2021，23(6)：15-21.

[38] LI Xiaoyi， TAN Xiaoyu， WU Rui，et al. Paths for Carbon Peak and Carbon Neutrality in Transport Sector in China[J]. Strategic Study of CAE，2021，23(6)：15-21.

[39] 韩 钊，魏慧娇，张 伟，等. 夏热冬暖地区办公建筑降碳技术经济性分析研究[J]. 建设科技，2023，(15)：32-34.

[40] HAN Zhao， WEI Huijiao， ZHANG Wei，et al. Economic Analysis of Carbon Reduction Technology for Office Buildings in Hot Summer and Warm Winter Areas[J]. Construction Science and Technology，2023，(15)：32-34.

[41] 卢明剑，董胜节，严新平，等. 船舶碳捕集、利用与封存技术综述[J]. 交通运输工程学报，2024，24(2)：1-19.

[42] LU Mingjian， DONG Shengjie， YAN Xinping，et al. Review on Ship-Based Carbon Capture， Utilization and Sequestration Technology[J]. Journal of Traffic and Transportation Engineering，2024，24(2)：1-19.

[43] 常士锋，张广平，何 韬. 雄安站光伏发电一体化建设运营及效益分析[J]. 铁路技术创新，2024，4：109-114.

[44] CHANG Shifeng， ZHANG Guangping， HE Tao. Integrated Construction and Operation of PV Power Generation at Xiongan Railway Station and Its Benefit Analysis[J]. Railway Technology Innovation，2024，4：109-114.

基金资助

国家自然科学基金-铁路基础研究联合基金项目(U2268208)