《Environmental Technology & Innovation》：Provincial differences and model-based driver attribution of carbon emissions in China: A swarm intelligence–optimized random forest and scenario analysis
编辑推荐：
全球碳排放控制被视为可持续发展的关键。推动绿色低碳发展并实现碳减排目标已成为各国共识。作为全球最大的能源消费国和二氧化碳（CO?）排放源，中国已明确提出2030年实现碳达峰、2060年实现碳中和的目标。鉴于中国幅员辽阔，区域被视为实施碳减排的核心单元。中国各地
全球碳排放控制被视为可持续发展的关键。推动绿色低碳发展并实现碳减排目标已成为各国共识。作为全球最大的能源消费国和二氧化碳（CO?）排放源，中国已明确提出2030年实现碳达峰、2060年实现碳中和的目标。鉴于中国幅员辽阔，区域被视为实施碳减排的核心单元。中国各地区在资源禀赋、产业基础、技术能力和政策执行力度方面存在显著差异。本研究旨在捕捉省级碳排放与社会经济驱动因素之间的复杂非线性关系，构建了一个新的STIRPAT（可拓展的随机性环境影响评估模型）框架，涵盖人口规模、经济水平、技术进步、产业演进和能源结构5大驱动因素（12项指标）。研究人员采用6种群体智能优化随机森林（SI-RF）模型对中国各省碳排放进行建模，并比较了模型性能。基于所选SI-RF模型的SHAP（沙普利加性解释）分析，刻画了省级碳排放驱动归因模式的差异。随后设定了2023–2060年三种条件情景，并使用经过验证的动态STIRPAT–Ridge模型分别进行评估。本研究的贡献在于将通用的省级指标体系与透明的预测归因及条件路径比较相结合，同时在概念上区分了模型选择、因果解释和长期预测。
论文解读
一、研究背景与问题
全球气候变化已成为人类社会可持续发展面临的最严峻挑战之一，控制碳排放被公认为实现可持续发展的关键路径。中国作为全球最大的能源消费国和二氧化碳（CO?）排放国，于2020年明确提出2030年前实现碳达峰、2060年前实现碳中和的战略目标。由于中国幅员辽阔，各省份在资源禀赋、产业基础、技术水平、政策执行力度等方面存在显著差异，区域被视作实施碳减排的核心单元。东部沿海地区凭借资本和技术优势，在减排与经济增长脱钩方面走在前列；而经济相对欠发达的中西部省份则面临保持经济增长与降低碳排放的双重压力。然而，现有研究对各省份排放模式与转型条件的差异关注不足，全国层面的评估可能掩盖省份特有的排放压力和政策情境。
在碳排放驱动因素研究方面，已有方法主要包括分解分析（如IPAT模型、投入产出模型）、回归方法（如普通最小二乘法OLS、面板回归、分位数回归）以及近年来兴起的可解释机器学习方法。传统分解方法主要具有描述性，难以捕捉复杂的非线性交互作用；回归方法虽能估计驱动因素与碳排放之间的方向和幅度，但受限于较强的模型假设。可解释机器学习方法（如随机森林、梯度提升机）能够在不依赖强模型假设的情况下捕捉复杂非线性模式，但许多研究仍依赖默认超参数设置或简单调参，在应用于空间异质性较强的省级排放数据时容易陷入局部最优，导致预测失真。
二、研究内容与意义
本研究旨在捕捉省级碳排放与社会经济驱动因素之间的复杂非线性关系，构建了一个扩展的STIRPAT（可拓展的随机性环境影响评估）理论框架。研究将经典STIRPAT模型从人口（P）、富裕度（A）、技术（T）三个核心维度扩展至涵盖人口规模、经济水平、技术进步、产业演进和能源结构5大驱动因素、共12项指标的多维指标体系。基于2004–2022年中国30个省级区域（不含香港、澳门、台湾和西藏）的面板数据，采用6种群体智能优化随机森林（SI-RF）模型对各省碳排放进行建模，并系统比较模型性能。基于所选最优模型的SHAP（沙普利加性解释）分析，刻画了省级碳排放驱动归因模式的差异。随后设定2023–2060年三种条件情景，并使用经过验证的动态STIRPAT–Ridge模型进行长期路径评估。本研究的贡献在于将通用的省级指标体系与透明的预测归因和条件路径比较相结合，同时在概念上明确区分了模型选择、因果解释与长期预测三个层面。
三、主要技术方法
研究人员构建了扩展的STIRPAT理论框架，将碳排放（I）表示为人口（P）、技术（T）、产业结构（IS）、经济（ECO）和能源（EN）的幂函数形式，并取对数转化为线性形式以满足机器学习模型的输入要求。在数据层面，碳排放数据取自中国碳排放核算数据库（CEADs）的省级排放清单；社会经济数据来源于《中国统计年鉴》和各省统计年鉴；能源指标（总能源消费TEC和化石能源消费FEC）未直接采用年鉴汇总值，而是基于省级能源平衡表中各类能源的实物消费量，依据《中国能源统计年鉴》提供的标准煤折算系数独立计算。在建模层面，研究采用6种群体智能优化算法（包括算术优化算法AOA等）对随机森林（RF）模型进行超参数优化，并与交叉验证（CV）相结合以提升预测精度和鲁棒性。模型可解释性采用SHAP方法实现。长期情景预测采用动态STIRPAT–Ridge模型。
四、研究结果
4.1 模型性能比较
经交叉验证选择的AOA-RF（算术优化算法-随机森林）模型取得了最优性能，决定系数（R2）达到0.9784，均方根对数误差（RMSLE）为0.1101，显著优于其他SI-RF模型和默认参数模型，表明群体智能优化有效提升了随机森林在省级碳排放预测中的精度和鲁棒性。
4.2 SHAP驱动因素归因分析
SHAP分析识别出化石能源消费（FEC）和总能源消费（TEC）为碳排放预测的主导信号，二者对碳排放的贡献远高于其他指标。同时，SHAP分析揭示了省级层面的驱动归因差异：不同省份在人口、技术、产业结构和能源结构各维度上的主导驱动因素存在明显分化，反映了各省资源禀赋和发展阶段的异质性。
4.3 情景分析
基于验证后的动态STIRPAT–Ridge模型，对2023–2060年三种条件情景进行了评估。以2022年为基准，到2060年：基准情景（BAU）下碳排放将增长7.38%；低碳情景（LC）下碳排放将下降17.26%；强化减排情景（ERS）下碳排放将下降40.64%。三种情景的显著差异表明，政策力度和技术路径选择对长期碳排放轨迹具有决定性影响。
五、讨论与结论
讨论部分指出，能源相关指标（FEC和TEC）作为主导驱动因素，凸显了能源结构优化在碳减排中的核心地位。省级驱动归因的差异表明，全国统一的减排政策可能无法有效适应各省的异质性条件，需要因地制宜制定差异化减排路径。研究将模型选择、因果解释和长期预测在概念上加以区分，避免了方法混用带来的推断偏差。
研究结论可归纳为：第一，群体智能优化的随机森林模型能够有效捕捉省级碳排放与社会经济因素之间的复杂非线性关系，预测精度显著优于传统方法；第二，化石能源消费和总能源消费是省级碳排放的最主要驱动因素，能源结构转型是碳减排的关键抓手；第三，省级层面存在显著的驱动归因异质性，差异化区域政策十分必要；第四，在强化减排情景下，中国有望在2060年前实现深度减排目标，但基准情景下碳排放仍将保持增长，凸显了加强政策力度的紧迫性。
