摘要
可靠的省级能源消耗预测对于将国家节能和碳中和目标转化为具体的省级行动至关重要。国家层面的估计可能会掩盖地区间的差异，而仅关注预测准确性的研究则难以指出哪些工业领域、电力生产和排放情况需要干预。本研究利用1990年至2025年间31个省级地区的1003个观测数据，开发了一个可解释的人工智能辅助框架，该框架结合了六种树集成模型、Optuna优化算法、Shapley加性解释（SHAP）和部分依赖性分析方法。在原始随机测试分割中，梯度提升决策树（GBDT）的決定系数（R2）为0.9890，均方根误差（RMSE）为1011.59。通过使用30组不同的随机参数设置，分类提升（CatBoost）和GBDT的R2平均值分别为0.9871和0.9865。在采用1990年至2017年数据作为训练集、2018年至2025年数据作为测试集的分块时段验证方法中，自适应提升（AdaBoost）和GBDT的R2值分别为0.9202和0.9131。ShAP和部分依赖性分析结果表明，工业增加值、电力生产、碳排放、产业结构、人口数量以及区域特征是导致能源消耗差异的主要因素；当工业产出、电力供应和碳排放同时增加时，能源消耗压力会显著上升。这些研究结果支持以下政策建议：以工业活动为主导的省份应加强特定行业的效率标准和技术升级；工业和电力贡献较大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工作；碳排放较高的省份应实施综合能源-碳排放监测和化石燃料结构评估。地区性和人口因素进一步为分区能源预算和基础设施规划提供了依据。因此，该框架为中国低碳转型提供了可解释的定量证据，有助于制定差异化的节能和减排政策。
