工业碳释放效率的测量、预测与解读

《Environmental Geotechnics》：Measurement, prediction, and interpretation of industrial carbon unlocking efficiency

工业碳解锁效率测量与预测框架研究。整合超效率SBM模型、机器学习与SHAP解释，采用2000-2021年中国30省面板数据验证。发现技术投入呈U型关系，环保投入与ICUE负相关，构建了可预测、可解释的ICUE评估体系。

　　

崔峰|刘贵文|李瑞|李开健|刘晨|段旭

重庆大学管理科学与房地产学院，中国重庆400044

摘要

衡量工业碳释放效率（ICUE）已成为当代环境管理和实践中的核心关注点。然而，传统的超效率松弛度测量（SBM）模型存在两个主要局限性：其预测效率的能力有限，且效率得分的可解释性较低。为了解决这些不足，本研究提出了一个综合框架，将超效率SBM与机器学习和Shapley加性解释相结合，以测量、预测和解释ICUE。利用2000-2021年间中国30个省份的面板数据，对该框架进行了实证验证。研究结果表明：1）梯度提升决策树（Gradient Boosted Decision Trees）具有最佳的预测性能（R2 = 0.924；MAE = 0.0315；RMSE = 0.0517；MAPE = 0.0463）；2）在输入变量中，技术投入的贡献最大，并与ICUE呈现U形关系；3）某些制度性投入，如工业污染控制和环境保护投资，与ICUE呈负相关。在超效率SBM框架内，这些支出会立即增加总投入向量，而其对减少不良输出的效果存在显著的时间滞后，从而抑制了效率得分。所提出的框架不仅能够预测ICUE，还揭示了超效率SBM的“黑箱”特性，为ICUE的测量、预测和解释提供了工具。

引言

自工业革命以来，加速的城市化和持续的经济扩张带来了巨大的物质繁荣，但也引发了深刻的环境挑战（Feng等人，2024；Xu等人，2024）。气候变化，主要是由温室气体（尤其是CO?）排放引起的，已成为最紧迫的环境问题之一，引起了全球的广泛关注（Chen等人，2022）。作为回应，《巴黎协定》设定了将全球变暖限制在2°C以下的目标，并强调在21世纪下半叶实现全球净零CO?排放（Fisch-Romito等人，2021）。各国推出了促进绿色转型的政策，包括欧洲绿色协议（欧盟委员会，2019）和2024年中国气候变化政策与行动年度报告（中国政府，2024）等倡议。

虽然从基于碳的能源向清洁能源的转型被广泛认为是减少CO?排放的主要途径，但对碳密集型能源使用的根深蒂固的依赖仍然是一个巨大的挑战。因此，“碳锁定（CLI）”问题已成为实现绿色转型的主要障碍（Xu和Mo，2024）。这一挑战源于基于碳的能源系统在社会、制度、技术和经济结构中的深度整合，导致的多维锁定效应无法仅通过能源领域的变革来完全解决（Xu和Mo，2024；Zhu和Rao，2024）。

“碳释放”指的是通过技术创新、制度改革、社会行为改变和经济发展打破碳锁定状态，从而将发展路径从依赖高碳能源转向低碳和可持续的方向（Zhu和Rao，2024）。为了支持有效的碳释放，现有研究主要集中在识别CLI的原因、特征和类型，以及释放它的效率和途径（Vergragt等人，2011；Seto等人，2016；Zhao等人，2023；Zhao等人，2023c；Zhu和Rao，2024）。这些研究基于对CLI（或碳释放）程度的精确定义和测量（Zhao等人，2023b；Niu和Liu，2021）。越来越多的学者认识到，碳释放是一个高度复杂和系统的过程，不能仅用单一指标（如碳超载比率，即碳负荷除以碳汇）来充分表示（Zhao等人，2023b；Dong等人，2023）。随着CLI概念的不断发展，包含工业、制度、技术和社会行为维度的多维和综合指标系统越来越被视为测量碳释放的有效工具（Zhao等人，2023b；Dong等人，2023）。

在使用复杂的综合指标来测量碳释放时，非参数模型（如数据包络分析（DEA）相比参数模型（如熵加权方法）具有显著优势（Chen等人，2023；Luo等人，2022；Zhao等人，2023a）。非参数模型不需要预先指定的功能形式，可以根据观察数据自适应地构建效率前沿，从而避免主观权重设置引入的偏差。这些模型能够处理多个可能相互冲突的性能指标，从而更准确地评估CLI及其相对效率（?ak?r，2024）。在这些模型中，超效率松弛度测量（SBM）模型特别值得注意，因为它在对生产技术的最小化假设下——通常是凸假设——不仅考虑了不良输出，还使用线性或混合整数规划构建了最优前沿（Weng等人，2025；Tone等人，2020）。此外，它能够区分那些在标准前沿上都会获得效率得分为1的决策单元（DMUs）。

尽管SBM系列模型对环境效率分析研究做出了重要贡献（Weng等人，2025；?ak?r，2024），但这些模型也存在一定的局限性。首先，对于DMUs来说，SBM方法往往像一个“黑箱”，难以直观理解效率值的生成过程。多输入、多输出的结构直接产生效率信息，但很难清晰地展示每个元素的相对贡献，导致对效率值的信任度和解释力不足（Shi等人，2025）。这种缺乏可解释性在应用超效率SBM及其类似模型计算工业碳释放效率（ICUE）时引入了潜在风险。具体来说，得出的效率值可能无法准确反映研究人员的概念意图，导致个别指标的实际贡献与原始理论假设之间存在差异。例如，某些省份分配了较大的环境治理预算，但在当前时期却被归类为“低效率”，尽管它们的碳释放能力可能更强。因此，在这种情况下，计算出的ICUE可能与理论预期结果偏离，导致测量偏差。此外，作为一种非参数前沿方法，超效率SBM的预测能力有限（?ak?r，2024）。由于它是基于历史观测数据进行校准的，因此无法预测未观察到的DMUs或假设情景的性能。当引入新的DMUs时，必须使用超效率SBM重新计算整个参考集的效率得分，这增加了计算复杂性。为大量DMUs解决额外的线性规划问题显著增加了这些评估的时间和成本（Lin等人，2025）。

为了解决这些局限性，本研究将机器学习与Shapley加性解释（SHAP）结合起来，作为超效率SBM方法的有效补充，用于测量ICUE。具体而言，本研究提出了一个综合框架，以准确高效地测量、预测和解释中国各省的ICUE。首先，使用超效率SBM模型开发了一个全面的ICUE指数。接下来，采用各种机器学习回归算法构建ICUE预测模型，并评估其性能。最后，应用SHAP分析来识别和量化每个特征指标对ICUE的贡献，从而提高ICUE预测的透明度和可解释性，并帮助研究人员评估计算出的ICUE的有效性。

本研究有两个主要贡献。首先，我们提出了一个综合的测量、预测和解释ICUE的框架，结合了超效率SBM、机器学习和SHAP。尽管超效率SBM家族能有效计算ICUE，但作为一种纯粹的数据包络方法，它无法预测未见DMUs或假设情景的性能（?ak?r，2024；Weng等人，2025）。一旦引入新的DMUs，就必须重新计算整个集合的效率得分，这带来了巨大的计算成本（?ak?r，2024；Weng等人，2025）。此外，现有的基于SBM的ICUE研究很少同时描述输入-输出贡献的幅度和方向，这可能导致效率得分与研究人员的概念预期偏离，使某些指标的效果与理论先验不一致（Shi等人，2025）。为了应对将机器学习嵌入SBM系统以克服这些限制的呼声（Lin等人，2025），本研究训练机器学习模型来近似超效率SBM从输入和输出到效率得分的映射，并使用SHAP进行因子级别的归因。在省级层面，这种设计能够对新添加的或假设的DMUs进行预测，提供透明的因子贡献解释，大大降低计算负担，并提高决策透明度，从而解决了仅依赖SBM家族模型进行ICUE评估的局限性。

其次，本研究将机器学习与SHAP结合，无需预先指定功能形式，即可共同透明地量化每个因素对ICUE的贡献幅度和方向，从而捕捉到传统回归常常忽略的非线性和交互作用（Li等人，2023）。实证结果揭示了技术投资与ICUE之间明显的U形关系，而不是先前研究中常见的单调正相关（Liu等人，2023；Zhu和Rao，2024），表明释放过程中存在阈值效应。此外，两个制度性投入：a）工业污染控制和环境基础设施的累计完成投资；b）节能和环境保护支出，与ICUE呈负相关。在超效率SBM模型中，这些投入会立即增加当前时期的输入向量，但对理想输出的贡献很小，只有在相当大的滞后后才能减少不良输出。这种机械性的膨胀抑制了效率得分，因此那些大幅增加环境治理支出的省份在当前时期仍可能被评为“低效率”（Tone和Tsutsui，2010）。在这种情况下，ICUE的测量结果可能与理论预期关系偏离，导致测量偏差（Tone和Tsutsui，2010）。因此，那些效果延迟显现的变量需要谨慎指定。

章节片段

碳锁定与释放

工业化国家在从基于碳的能源向清洁能源转型时经常面临重大障碍。这一挑战源于能源系统在社会、制度、技术和经济结构中的深度整合（Zhu和Rao，2024），从而形成了所谓的“CLI”（Unruh，2000）。CLI的概念最初由Unruh提出，指的是通过化石燃料技术与制度的整合形成的技术-制度复合体

方法论

本研究提出了一种创新的方法论框架，结合了超效率SBM模型、机器学习回归算法和SHAP分析，以准确高效地测量、预测和解释ICUE。该框架的主要组成部分如图1所示。首先，基于超效率SBM模型开发了一个全面的ICUE指数。具体来说，本研究构建了一个包含五个关键维度的ICUE测量框架：

结果

本研究结合了超效率SBM模型、机器学习和SHAP分析，构建了一个新颖而全面的框架，用于测量、预测和解释ICUE。该框架使用2000-2021年间中国30个省份的面板数据进行了实证验证。

发现

正如预期的那样，ICE的减少以及ECO_GDPPC和ECO_VAII的增加有助于提高ICUE。在经济投入维度，Eco_ifai对ICUE有负面影响。这种负相关可能是因为固定资产投资的扩大往往加剧了对碳密集型能源系统的依赖。结果，碳排放增加，环境质量恶化，经济增长受到限制

结论

本研究使用2000至2021年的省级工业数据构建了一个碳释放超效率SBM模型，并系统地考察了中国各省ICUE的时间和空间动态。我们进一步应用了几种机器学习回归算法来预测超效率SBM模型产生的ICUE值，并评估了它们的预测性能。在这些算法中，GBDT在预测ICUE方面表现最佳

CRediT作者贡献声明

崔峰：概念化、方法论、形式分析、软件、验证、可视化、撰写——原始草稿。刘贵文：监督、资金获取、概念化、项目管理。李瑞：软件、验证、可视化、方法论。李开健：撰写——审阅与编辑、数据管理、资金获取、项目管理。刘晨：可视化、撰写——审阅与编辑。段旭：数据管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了国家自然科学基金 [资助编号72271035、72371041和72274025]的支持。