中国城市化石能源与清洁能源协同转型水平的时空演变及驱动机制：地理空间可解释人工智能的启示

《Journal of Cleaner Production》：Spatio-temporal evolution and driving mechanism of the level of coordinated transitional development between fossil fuel energy and clean energy in Chinese Cities: Insights from geospatial explainable artificial intelligence

　　

•测量291个中国城市的化石燃料能源与清洁能源协调转型发展水平（CCD）。
•CCD呈上升趋势，且存在显著的空间分异。
•首次构建地理空间可解释人工智能（GeoXAI）框架，探索CCD的多尺度驱动机制。
•核电站可达性是CCD最重要的预测变量。
•提出多尺度能源政策框架以提升CCD。

引言

全球变暖是当前时代最重要的环境问题之一（Lenton等，2023年）。全球平均温度较工业化前水平上升超过1.5°C可能触发多个气候临界点（Armstrong McKay等，2022年）。大气二氧化碳浓度增加被认为是温室效应增强的主要贡献因素（Filonchyk等，2024年）。能源部门占全球温室气体排放量的近四分之三，已将全球平均气温推高至工业化前水平以上的1.1°C（国际能源署，2021年）。中国是全球最大的终端能源消费国，占全球能源消费总量的四分之一，中国的能源相关碳排放量也占全球总量的三分之一（国际能源署，2025年）。中国已明确表示将力争在2030年前实现二氧化碳排放达峰，在2060年前实现碳中和（Zhao等，2022年）。这一"双碳"目标已被纳入"十四五"规划的国家发展战略。2021年，中央经济工作会议首次提出"加快建设能源强国"的目标。2025年，中共二十届四中全会将"建设能源强国"纳入"十五五"规划建议。在此背景下，能源转型已成为实现"双碳"目标的重要途径。它不仅可以改善环境质量、促进能源安全，还可以提高能源利用效率、优化资源配置（Shah等，2022年；Aslam等，2024年；Tang和Ding，2024年；Jenei等，2025年）。

中国经济自2011年起启动了低碳能源转型（Guilhot，2022年）。在此政策背景下，一系列里程碑式研究从不同视角对中国能源转型进行了定量分析。Lee等（2023b）运用面板数据模型和门槛效应模型，分析了2000年至2019年中国30个省份的面板数据，发现可再生能源发展通过降低能源强度、优化能源结构和升级产业结构来实现环境可持续性。Lee等（2023a）运用固定效应模型，分析了2010年至2018年中国省级面板数据，发现绿色技术创新和能源结构优化是提高能源效率的关键路径。Cheng等（2023年）运用耦合协调度模型，分析了2010年至2020年中国食物、水和能源系统之间的相互关系，发现这三个系统的协调水平随时间呈上升趋势，提高水资源和能源利用效率有助于促进可持续发展。尽管这些研究为中国能源转型提供了相当多的科学指导，但大多数现有研究仅从单一维度——如能源替代、可再生能源发展或能源利用效率优化——或从将能源系统与水、食物等其他系统相结合的可持续发展视角来分析能源转型，忽略了在中国长期依赖化石燃料能源的情况下，化石燃料能源与清洁能源协调发展的重要性。

根据中国国家统计局数据，2024年化石燃料能源消费量仍占中国能源消费总量的80.2%，其中煤炭消费占比高达53.2%。这表明中国能源结构失衡仍是突出问题，中国对化石燃料能源的依赖程度依然异常之高。由于化石燃料能源在工业生产、民生保障等领域的需求缺乏弹性，以及清洁能源储能系统发展滞后等因素，清洁能源在短期内无法完全替代化石燃料能源（Arutyunov和Lisichkin，2017年；Holechek等，2022年）。因此，中国能源转型是一个长期过程。鉴于这一现实约束，中国能源转型不能单方面追求化石燃料能源被清洁能源直接替代，而必须探索一条协调发展路径，以平衡能源供应安全与低碳转型目标。为学习贯彻中共二十届四中全会精神，2025年第四季度中国人民政治协商会议全国委员会办公厅理论研讨会主题报告明确指出，应着力提升能源利用效率，构建"以化石燃料能源为兜底保障、以清洁能源为主力"的能源供应体系，推动化石燃料能源与清洁能源协调发展的新格局。基于中国国情和上述研究空白，有必要从化石燃料能源与清洁能源协调转型发展的综合视角来分析能源转型，以进一步推动中国能源转型。

除上述研究视角的局限性外，现有研究的空间尺度也存在显著不足。大多数现有研究在国家或省级层面分析能源转型。在国家层面，Sun等（2023年）运用非线性自回归分布滞后（NARDL）模型，分析了2000年至2018年中国的年度数据，发现绿色技术创新和经济增长为能源转型提供双重支撑，经济政策不确定性削弱了能源转型的正面效应，而自然资源依赖对能源转型产生间接约束。在省级层面，Lee等（2024年）运用固定效应模型，分析了2011年至2020年中国30个省份的面板数据，发现绿色金融发展对推进能源转型具有显著作用，气候风险对绿色金融与能源转型之间的关系产生调节效应。Wang等（2024a）运用多种计量经济学模型，分析了2007年至2017年中国30个省份的面板数据，发现人工智能对中国能源高质量发展产生正面效应，数字经济的发展水平影响人工智能对能源高质量发展的作用方式。此类宏观尺度的分析往往忽视了省域行政区域内的空间异质性，过大的空间尺度也在一定程度上降低了政策的实施效果。城市被认为是全球气候变化主要贡献者之一（Bulkeley，2013年）。尽管城市仅占全球陆地面积的3%，却贡献了约75%的全球能源消费量和70%的全球温室气体排放量（国际能源署，2024年）。作为全球温室气体排放的主要来源，城市是全球气候变化减缓的核心（Mi等，2019年）。因此，在城市尺度开展能源转型研究对于应对气候变化具有重要意义。

此外，在研究方法方面，大多数关于能源转型的既往研究采用传统分析方法探讨预测变量与能源转型结果之间的关联模式，如线性回归、指数分解分析、地理时间加权回归（GTWR）和地理探测器（Geodetector）。Wang等（2024b）运用指数分解分析，分析了2010年至2019年19个非洲国家的能源相关排放清单，发现经济和人口是排放最重要的驱动因素，能源强度是减排的关键因素。Zhao等（2023年）运用空间杜宾模型、GTWR和门槛效应模型，分析了2005年至2019年中国省级面板数据，发现环境规制对提高能源安全产生正面效应，财政分权和市场化程度调节了环境规制对能源安全的影响。Wang和Yang（2024年）运用地理探测器，分析了2000年至2019年中国30个省份的面板数据，发现中国东西部能源生态效率时空差异的核心主导因素是能源消费结构、环境规制和城市化水平，其中环境规制与教育水平的交互作用最强。然而，这些方法要么仅关注因素显著性，要么仅关注线性相关强度，要么无法定量计算不同预测变量在各空间单元中的具体贡献。因此，所制定的政策往往过于笼统，无法有效支持能源转型。相比之下，可解释人工智能（XAI）将机器学习（ML）模型与SHAP（SHapley加性解释）算法相结合，可以大幅缓解这一问题。机器学习模型能够实现高精度预测，而SHAP算法解决了机器学习的"黑箱"问题，揭示了预测因素对模型预测的不同贡献（Guidotti等，2018年；Mosavi等，2019年；Forootan等，2022年）。然而，传统SHAP算法只能解释整体贡献，无法捕捉空间分布对特征贡献的影响（Li，2025年）。为解决这一问题，本研究采用地理空间可解释人工智能（GeoXAI），将机器学习模型与GeoShapley算法相结合。GeoShapley算法在SHAP算法的基础上，将地理坐标作为额外的联合特征纳入模型预测框架，极大地提高了机器学习模型对空间分布特征的可解释性（Li，2024年）。

综上所述，为弥补先前研究的空白，本研究的核心目标如下：（1）揭示中国城市化石燃料能源与清洁能源协调转型发展水平的时空演变，以弥补研究视角的空白和空间尺度的局限性。（2）运用地理空间可解释人工智能进一步阐释预测变量对中国城市化石燃料能源与清洁能源协调转型发展水平模型预测的空间异质性贡献，以克服现有研究的方法论局限。本研究为中国城市层面化石燃料能源与清洁能源协调转型及"双碳"目标的实现提供了科学指导。

各章节摘要

研究区域

采用要求能源消费数据完整、统计年鉴数据完整以及研究期间无重大行政区划调整的选择标准，许多中国城市被排除在分析之外。因此，本研究聚焦于2011年至2021年中国291个城市，这一时期是中国低碳能源转型的关键时期（图1）。

根据地理位置制定的区域协调发展战略，

CCD历史空间分布

图3展示了2011年至2021年CCD的空间分布。可以观察到，这一时期所有城市的CCD值均有所上升。在前三年（2011—2013年），广东省、浙江省和江苏省的城市普遍具有比其他城市更高的CCD值，而上海市以及河南省、湖北省、湖南省、江西省、贵州省、陕西省和广西壮族自治区的城市表现出

地理空间可解释人工智能的方法论优势与可行性

大多数与能源转型相关的既往研究采用传统分析方法探讨预测变量与能源转型结果之间的关联模式，如线性回归、指数分解分析、地理时间加权回归（GTWR）和地理探测器（Zhao等，2023年；Wang和Yang，2024年；Wang等，2024b）。然而，这些方法要么仅关注因素显著性，要么仅关注线性

结论

本研究以291个中国城市为研究对象，衡量了2011年至2021年化石燃料能源与清洁能源协调转型发展水平，并结合空间自相关分析揭示了其时空集聚特征。此外，运用XGBoost-GeoShapley地理空间可解释人工智能框架，本研究在国家、区域和城市尺度上分析了CCD的关联模式，提供了

CRediT作者贡献声明

Yu Zhu：论文审阅与编辑，论文初稿撰写，可视化，验证，软件，方法论，调查研究，形式化分析，数据整理，概念化。Lihong Zhao：项目管理，资金获取。

王金良：写作—审阅与编辑，验证，监督，资源，项目管理，调查研究。
利益冲突声明
作者声明不存在任何已知的财务利益关系或个人关系可能影响本文所报告的工作。
致谢
本研究得到了国家自然科学基金（42361048）的支持。
朱宇 | 赵利宏 | 王金良