基于可解释AI的省级能源消费预测与差异化减碳政策研究

《Sustainability》：Data-Driven Prediction of Provincial Energy Consumption in China and Its Implications for Sustainable Development Policy

　　

摘要

可靠预测省级能源消费对于将国家节能与碳中和目标转化为差异化的省级行动至关重要。全国层面的估算可能掩盖区域异质性，而仅关注预测准确性的研究则难以充分指导哪些工业、电力和排放条件需要干预。本研究基于1990–2025年31个省级区域的1003个观测值，构建了一个可解释的人工智能辅助框架，结合了六种树集成模型、Optuna优化、Shapley加性解释（SHAP）以及偏依赖分析。在原始随机测试集上，梯度提升决策树（GBDT）的决定系数（R²）= 0.9890，均方根误差（RMSE）= 1011.59。在30次重复随机种子并使用Optuna优化超参数的实验中，类别提升（CatBoost）和GBDT的平均R²分别为0.9871和0.9865。在采用1990–2017年数据进行训练、2018–2025年数据进行测试的分块时间留出实验中，自适应提升（AdaBoost）和GBDT的R²分别为0.9202和0.9131。SHAP和偏依赖分析结果表明，工业增加值、发电量、碳排放、产业结构、人口和区域背景是差异化能源消费压力的主要来源；当工业产出、电力供应和碳排放同时处于高位时，预测值最高。这些结果支持一种结果导向的政策框架：以工业活动为主的省份应加强行业能效基准和技术改造；工业与电力贡献较高的省份应协调工业负荷管理与绿色电力使用及电力行业脱碳；碳排放贡献突出的省份应实施能源–碳排放联合监测和化石燃料结构审查。区域和人口信号进一步支持分区能源预算和基础设施规划。因此，该框架为中国低碳转型背景下的差异化节能与减碳政策提供了可解释的定量证据。