基于机器学习和DEA的中国280个城市碳排放配额分配：考虑区域异质性的效率优化方案

为解决城市碳排放的区域异质性问题，研究人员结合机器学习与方向性距离函数(DDF)和数据包络分析(DEA)，提出了一种分组优化的碳排放配额分配(CEQA)方法。通过效率分析树(EAT)模型将中国280个城市划分为同质化组别，并改进DEA-CA模型实现组内配额优化分配。结果表明，该方法显著提升了分配公平性，为协调区域减排与经济发展提供了新思路。

　　

全球气候变化治理正面临严峻挑战，城市作为碳排放的主要贡献者贡献了全球75-80%的碳排放量。中国作为全球最大碳排放国，其快速城镇化进程导致能源消耗激增，而区域间巨大的经济和技术差异使得城市层面的碳排放效率(CEE)评估和配额分配面临重大挑战。传统方法往往忽视区域异质性，采用统一生产前沿面进行评估，导致效率测算偏差和配额分配不公。如何建立兼顾公平与效率的城市级碳排放配额分配(CEQA)体系，成为推动全球气候治理的关键科学问题。

国家自然科学基金重大项目(72192830/72192834)和重点项目(71732006)支持下，西安交通大学的研究团队创新性地将机器学习与数据包络分析(DEA)相结合，开发了一套考虑区域异质性的城市CEQA方法。该研究以中国280个城市为样本，通过构建效率分析树(EAT)模型实现城市自动分组，并改进基于DEA的集中分配(DEA-CA)模型优化组内配额分配。相关成果发表在《Expert Systems with Applications》上，为制定差异化的城市减排政策提供了重要理论支撑。

研究团队主要采用三项关键技术：1)方向性距离函数(DDF)评估城市技术差异，定义区域异质性；2)基于分类回归树的EAT模型实现城市自动分组，以DDF估计的均方误差为分组标准；3)引入能源强度(EI)约束改进DEA-CA模型，优化组内配额分配。数据来源于中国280个城市的资本存量(K)、劳动力(L)、能源消耗(E)、GDP(Y)和碳排放(C)等指标。

【Abstract】研究表明：(1)分组使城市更接近组内技术前沿，验证了分组的有效性；(2)低效组可通过分离变量顺序改进实现减排；(3)分配方案平衡了历史排放与减排潜力，调整与经济、技术支出密切相关。

【Introduction】中国城市碳排放存在显著区域差异，东部城市排放高但减排潜力大，中西部则受限于技术和资金。传统基于省份或经济带的粗放分组难以反映真实异质性，亟需精细化分组方法。

【DDF】通过设定方向向量g=(Y,-C)，DDF模型可同时评估期望产出增长和非期望产出减少的潜力，为效率评估提供科学依据。

【Policy implications】建议：(1)建立基于EAT分组的公平CEQA框架；(2)制定差异化减排路径，高效组承担更多责任；(3)加强区域技术合作，缩小组间差距。

【Conclusions】该研究创新性地将机器学习引入CEQA领域，开发的EAT-DDF分组方法和改进DEA-CA模型，实现了城市碳排放配额的科学分配。不仅丰富了生产前沿面估计理论，还为协调区域发展与减排压力提供了实践方案，对推进全球气候治理具有重要参考价值。研究证实，考虑区域异质性的分组优化方法能显著提升配额分配的公平性和可操作性，为各国制定城市级减排政策提供了新范式。