一种基于智能体的集成建模与人工智能框架，旨在提升少数民族社区在数字能源服务中的使用体验

《Energy and AI》：An integrated agent-based modelling and artificial intelligence framework for enhancing the experience of minority ethnic communities in digital energy services

数字化提升能源效率的同时加剧了技术不公，尤其少数族裔（ME）社区面临数字服务访问障碍。本研究构建AI增强的ABM框架，分析ME社区在线能源服务使用中的社会技术障碍，发现英语水平、住房状况、过往在线伤害经历及英国公民身份显著影响服务感知。通过实证数据训练模型，揭示区域差异和政策干预效果，提出多语言支持、安全设计、区域定制政策及包容性服务设计等建议。

　　### 数字化与能源公平性：科技不公如何加剧能源贫困

随着全球电力系统的迅速演变，数字化已成为推动能源效率提升的重要工具。然而，这一进程也暴露出治理上的挑战，并加剧了多种形式的能源不公。本文探讨了科技不公如何影响少数族裔（ME）群体的能源贫困，特别是通过他们在获取数字服务方面的差异。研究聚焦于理解并解决ME社区在使用在线能源服务时所面临的障碍，这些障碍包括数字素养、语言支持以及缺乏对机构的信任等。ME社区往往在数字服务设计中被忽视，因此他们难以从智能技术和在线能源管理工具中受益。

#### 数字化转型的背景

全球电力需求的增长以及可再生能源的扩张正在推动电力系统的快速变革。根据国际能源署（IEA）的《全球能源回顾》报告，2024年全球电力需求增长了4.3%，这是过去三年中最快的增长率，超过80%的增长来自低碳排放源。虽然可再生能源的普及对脱碳至关重要，但它也带来了系统可靠性与可负担性方面的挑战，需要新的工具来实时管理这些变化并满足消费者需求。在此背景下，数字化成为构建成本效益高且以消费者为中心的电力系统的关键手段。

英国作为第一个承诺实现净零排放的国家，将数字化视为能源转型的核心支柱。英国政策强调，数据和数字技术在高效脱碳能源系统、确保所有消费者（包括最弱势群体）都能享受好处，并推动经济增长方面的重要性。能源监管机构Ofgem已发布指导文件，要求网络公司制定数字化战略，并补充了“数据最佳实践”和“消费者脆弱性策略”等文档，以支持这一目标。

尽管政策雄心勃勃，但消费者对数字化的参与度仍然不足。例如，全国范围内的智能电表部署因设备故障、安装延迟和消费者信任缺失而受到阻碍，暴露出政策目标与实际应用之间的显著差距。这些问题反映了当前数字化策略在包容性方面的不足，尤其是在ME社区中，他们面临独特的障碍，如语言障碍、数字素养不足以及文化不匹配的互动策略。定性研究表明，ME群体对在线能源服务存在广泛的不信任和隐私担忧，这导致他们对这些服务的参与度较低。

#### 技术不公与能源贫困的联系

尽管已有研究关注ME社区在能源市场中的系统性不平等，如更高的燃料贫困率和对不稳定的电价的暴露，但这些不平等的数字化维度仍未被充分探讨。更广泛的政策研究强调，数字化包容必须嵌入能源转型的技术和监管框架中。英国政府的《数据伦理与创新报告》也警告称，数字排斥可能加剧弱势群体的脆弱性。这些观点共同表明，研究ME社区在数字化能源服务中的复杂体验变得尤为紧迫。

ME社区在英国占总人口的17%，是PRIME项目（由英国研究委员会资助）的研究对象。已有文献指出，ME家庭在英格兰更有可能经历燃料贫困。这种脆弱性因能源成本上升和更多人居住在能源效率低下的住房中而加剧。向数字化服务的转型进一步加剧了这些挑战，因为ME家庭往往缺乏必要的数字素养、语言支持或对机构的信任，以充分利用智能技术和在线能源管理工具。此外，边缘化群体经常被排除在能源政策和项目设计的决策过程中，这导致他们无法获得符合自身需求的服务，从而形成一种排斥循环，使现有不平等得以持续。

#### 技术不公的挑战

技术不公是能源正义的一个关键但未被充分探索的维度。在低收入或偏远地区的ME家庭中，可能会经历数字歧视，其中自动系统、有偏算法或设计不良的平台进一步固化不平等。这种不平等限制了数字化带来的好处，如高效的能源管理与实时监控，同时也削弱了行业的透明度。尽管其他领域（如医疗）的研究已经关注ME群体在服务获取方面的不平等，但这些见解在数字化能源服务中的应用仍然有限。

#### 本研究的创新贡献

本研究通过构建一个集成数据驱动的ABM框架，填补了这一研究空白。其主要贡献包括：

1. **应用集成数据驱动的ABM模型于新领域**：虽然数据驱动的ABM模型在其他领域已得到广泛应用，但本研究首次将其应用于能源服务中ME群体的技术不公和数字排斥问题。该框架专门设计，以捕捉这些群体面临的特定社会技术障碍。

2. **生成定制化实证数据**：为了克服代表性证据的缺乏，本研究通过与ME家庭的研讨会、焦点小组和调查，开发了一个独特的数据集。这些输入为建模家庭行为提供了坚实的基础，并能够反映传统数据集中常被忽略的现实体验。

3. **关注数字化服务的差异**：通过明确考察ME群体对数字化能源服务的可及性，本研究揭示了技术不平等如何加剧ME社区的能源贫困。这一维度在以往研究中常常被忽视。

4. **提供政策相关见解**：模型为政策制定者和服务提供商提供了见解，帮助他们理解地区、社会经济和社会因素如何影响数字化服务的采用，并设计促进公平和包容的干预措施。

#### 框架的构建与实现

本研究提出的框架包括三个核心模块：AI模块、环境配置模块和ABM与模拟模块。这些模块共同作用，以识别有效的策略、政策变化和调整，从而提升在线服务体验并解决ME社区面临的独特挑战。AI模块使用基于集成的机器学习（ML）管道，开发出地区特定的模型，以应对高维数据和过拟合问题。环境配置模块支持定制化模拟，通过调整数据集和区域特征，确保模拟的准确性和相关性。ABM与模拟模块则用于深入分析政策影响和服务提供商属性。

在构建模型时，研究团队采用了一种结构化的四步行为分析方法。第一步是识别目标行为并设计调查问卷。目标行为是ME群体对数字化能源服务的持续使用，如检查应用程序、在线支付账单或提交电表读数。调查问卷的设计经过与研究团队、ME社区代表、监管机构和服务提供商的协作，以确保问卷能够捕捉到影响数字化服务使用的最关键的行为决定因素。

第二步是映射影响因素。PRIME调查结果和协作设计的研讨会被用来将影响因素分为个体和外部类别。这些因素包括日常行为（如常规应用程序检查）和反思行为（如对平台的信任）。这些因素被转化为代理属性和环境设置，以确保模型的上下文相关性和直接应用到ABM结构中。

第三步是将模型与实证数据结合。映射的影响因素通过PRIME调查数据进行参数化，使模型建立在实证基础上。随后，机器学习被应用于这些调查数据，以捕捉影响因素与目标行为之间的复杂、非线性关系。这直接解决了ABM文献中提到的行为数据稀缺问题，因为机器学习算法提供了预测映射，而传统假设往往难以满足这一需求。

第四步是将这些映射和实证因素转化为ABM框架。映射并实证化的因素通过我们提出的三模块框架被整合到模拟中。AI模块是代理行为的计算体现，它生成一个基于属性和环境的预测函数，作为代理的“大脑”。环境配置模块初始化合成人口并定义外部因素（如政策参数和区域特征），为代理的行为提供背景。ABM与模拟模块执行行为模拟，使代理在环境中互动，从而生成系统级的涌现结果。

#### 模型的验证与性能评估

为了确保模型的稳健性、可靠性和可推广性，研究团队采用了严格的验证流程，包括保留测试和10折交叉验证。数据集被划分为训练（70%）、验证（15%）和测试（15%）三个部分。验证集用于模型选择和超参数调优，而最终的测试集则用于无偏评估最佳模型。这一严格的验证框架对于确保模型学习到真实的预测关系而非训练数据中的偶然相关性至关重要。预测准确性通过均方误差（MAE）、均方根误差（RMSE）和决定系数（R2）等指标进行衡量。

在模型验证过程中，研究团队发现融合模型在独立测试集上表现最佳，MAE为0.082，RMSE为0.100，R2为0.92。这表明融合模型在预测代理对在线服务的感知方面优于其他模型。相比之下，使用最小最大缩放的AdaBoost模型表现最差，R2仅为0.66。这一结果表明，融合传统机器学习和深度学习方法可以显著提升预测准确性和行为现实性。

#### 模拟模块的功能与应用

ABM与模拟模块是一个决策支持工具，使政策制定者和研究人员能够系统地分析政策干预和参数调整的影响。通过这一模块，用户可以模拟各种情景，以理解政策变化、人口特征和服务提供商属性如何共同影响在线服务的感知。模拟结果以图表形式呈现，为政策制定者和研究人员提供关键见解，帮助他们做出数据驱动的决策，以改善服务交付和用户满意度。

此外，模拟模块还支持对现有在线服务感知模式和客户属性的分析。通过研究不同人口特征（如年龄、种族和住房类型）和服务属性之间的相互作用，研究人员可以识别出影响服务感知的关键因素。这有助于制定有针对性的策略，以提升整体在线服务体验。

#### 代理模型的验证

为了验证提出的ABM模型，研究团队采用了一个多步骤框架，结合实证证据、专家评估、机器学习模型验证和敏感性分析技术。首先，使用拉丁超立方采样（LHS）生成多样化的参数集，以全面探索输入空间。然后，对每个采样参数集运行ABM，产生输出，用于敏感性分析。通过计算Sobol指数，可以量化每个输入参数的直接效应（一阶指数）及其与其他参数的相互作用（总阶指数）。Sobol指数不仅识别了模型行为的关键驱动因素，还支持专家验证，确保模拟动态与现实世界模式一致。

在敏感性分析中，研究团队发现某些参数对在线服务感知有显著影响。例如，英国公民身份在英格兰对在线服务感知有较强正面影响，但在苏格兰影响较弱。这表明，英国公民身份在英格兰的数字化包容中扮演了重要角色，而在苏格兰则可能受到不同的移民和融合政策的影响。此外，英语阅读能力、最高教育水平和住房类型也被确认为关键因素，它们与在线服务感知之间存在强相关性。

#### 案例研究：英国公民身份与在线服务感知

在本研究的案例分析中，我们探讨了英国公民身份与在线服务感知之间的关系，分别分析了英格兰、苏格兰以及两者的联合情况。模拟结果显示，英国公民身份在英格兰对在线服务感知有显著的正面影响，但随着公民身份的逐步获得，这种影响的边际效益逐渐减少。而在苏格兰，公民身份的初始影响更大且变化更显著，这可能与苏格兰早期获得公共服务以及对多元文化政策的重视有关。

这一发现表明，政策制定者需要考虑不同地区背景下的公民身份对数字化服务的影响。英格兰和苏格兰在公民身份对在线服务感知的影响上存在显著差异，这强调了制定地区特定政策的重要性，而不是一刀切的国家层面措施。

#### 研究的意义与政策建议

本研究开发了一个集成AI与ABM的框架，以分析和解决ME群体在英国能源领域面临的数字服务可及性差异。研究结果提供了实证证据，表明特定的社会技术障碍（如语言能力、数字素养、过去的在线不良经历和公民身份）对ME家庭的在线服务感知产生了不成比例的影响。

除了这些具体发现，本研究在方法论上的贡献在于构建和验证了一个稳健的集成AI-ABM框架。通过将代理行为与丰富的实证数据相结合，这种方法为模拟复杂的社会技术系统设定了新的行为现实性标准。该框架为研究人员和政策制定者提供了一个强大且可转移的工具包，用于分析差异、测试干预措施并生成基于证据的见解。

研究的主要结论是，能源服务中的数字排斥并非单一问题，而是由社会经济、文化和区域因素交织而成的复杂问题。要有效解决这一问题，需要超越通用的数字化战略，转向基于证据的干预措施。本研究提出的框架为制定这样的证据提供了必要的方法论工具，使政策制定从理论假设转向数据驱动的设计。

基于研究结果，我们提出以下具体的政策建议：

1. **强制要求多语言和数字素养支持**：能源监管机构（如Ofgem）应将多语言支持和数字素养计划纳入消费者脆弱性和数字化战略。服务提供商应被激励与ME社区共同设计这些计划，以确保其文化和社会语言的适当性。

2. **嵌入安全和信任设计**：政策必须规定数字化能源工具的高标准透明度、安全性和数据隐私，特别是在针对弱势群体的工具中。清晰地展示对预防和解决在线伤害的责任是建立信任的关键。

3. **启用地区特定的政策干预**：分权管理机构和地方政府应被赋予灵活性，以设计符合其独特人口构成和社会政治背景的数字化包容计划，如英格兰和苏格兰的差异所示。

4. **促进主动和包容的服务设计**：数字化能源服务应从设计之初就考虑那些互联网接入有限、数字技能较低或处于不稳定住房状况的用户。这符合“不让任何人掉队”的能源转型原则。

#### 结论

本研究为制定更加公平和有效的数字化能源政策提供了坚实的方法论框架和实证基础。通过将代理行为与实证数据直接联系起来，我们提升了政策建模的现实性和预测能力。研究所得的见解为减少技术不公、确保数字能源转型的益处能够公平地惠及所有社会群体铺平了道路。英国公民身份的案例研究展示了这一框架的应用潜力，未来的工作将进一步探索更多政策情景，以证明该框架在解决数字排斥问题上的广泛适用性，并计划扩展框架以包括威胁建模和数据共享情景，从而增强其在创建安全和韧性的在线服务环境中的实用性。