《Energy Policy》：Seasonal dynamics in the prediction of household-level energy poverty: A machine learning approach
编辑推荐：
随着气候极端事件加剧和全球能源市场波动加深，预测能源贫困的能力对于增强政策韧性和确保公平能源获取日益关键。气候变化导致的更频繁、更强烈的温度极端事件预计将增加制冷能源消耗并加剧与高温相关的健康问题（Guo et al., 2018; Liu et al., 2
随着气候极端事件加剧和全球能源市场波动加深，预测能源贫困的能力对于增强政策韧性和确保公平能源获取日益关键。气候变化导致的更频繁、更强烈的温度极端事件预计将增加制冷能源消耗并加剧与高温相关的健康问题（Guo et al., 2018; Liu et al., 2025; Zhang et al., 2022），从而加剧季节性能源需求挑战。与此同时，气候减缓措施，如碳中和倡议和能源税改革，对于长期可持续性至关重要，但短期内可能不成比例地加重低收入家庭的负担。重要的是，向更可持续能源系统转型所涉及的成本必须合理分配，以使家庭仍能负担得起能源支出（Rosen, 2021; van Hove et al., 2022）。这些不断演变的动态强调了预测模型预测能源脆弱性的必要性。此类预测模型有助于应对两个长期存在的政策挑战：及时识别高风险家庭和有效提供针对性支持（Dalla Longa et al., 2021）。
然而，改进能源贫困识别可能需要从传统的回顾性分析转向机器学习方法。能源贫困由经济状况、住房质量、人口构成、基础设施可及性、气候变率和能源使用行为等多维度的复杂非线性相互作用所塑造（López et al., 2025; Primc et al., 2019; Stojilovska et al., 2022）。这些复杂性对通常假设线性和变量独立的传统回归模型提出了分析挑战（Balkissoon et al., 2024）。相比之下，机器学习提供了灵活的手段，无需强参数假设即可识别高维数据中的复杂模式，支持更准确的家庭分类、对预测变量交互作用更细致的解释以及适应性政策响应（Al Kez et al., 2024; Balkissoon et al., 2024; Dalla Longa et al., 2021）。
在影响能源贫困的各个维度中，季节变化是一个关键但常被忽视的因素（Kinnear and Julienne, 2025; Menyhert, 2023）。由于极端温度和家庭行为模式的变化，能源需求在各季节间波动显著（Laskari et al., 2022; Li and He, 2025）。此外，结构和行为风险因素可能因季节不同而发挥不同程度的影响，因此有必要在时间上分解能源贫困分析。例如，理解行为响应，如家庭开始使用制冷系统的温度阈值，可以揭示能源获取中的公平问题（Spandagos et al., 2023）。通过捕捉这些动态，季节特定预测模型可以揭示在汇总年度分析中隐藏的脆弱性，从而实现更精准、及时和情境化的干预。
韩国的能源背景独特，其特征是显著的季节性需求，夏季制冷用电和冬季供暖用电激增，城市发展加速，以及人口快速老龄化。鉴于气候极端事件对家庭能源需求的强烈影响，从季节性角度审视能源贫困尤为重要。然而，韩国在能源贫困的研究和政策实施方面仍有限（Hong and Park, 2021; You and Kim, 2019）。
近年来，文献中出现了越来越多将机器学习和可解释性技术应用于能源贫困研究的研究，尤其在欧洲背景下。在这些进展的基础上，本研究通过整合大规模多年数据集、季节性分解和韩国背景下的高分辨率家庭数据，扩展了现有的可解释机器学习方法。该框架能够系统性地检验能源贫困机制如何随季节变化。
在此背景下，本研究的目标首先是构建一个能够准确分类家庭能源贫困的机器学习预测模型，然后使用可解释方法检验与这些预测结果相关的社会经济、住房、行为和气候因素。通过应用大规模数据和可解释机器学习技术，该分析捕捉了脆弱性的结构性驱动因素和季节性波动，为更有针对性和适应性的政策干预提供了稳健的、数据驱动的证据。最终目标是支持能源福利政策设计，通过经验见解实现高风险家庭的早期识别和更高效、公平的资源分配。具体而言，本研究遵循的三个研究问题如下。
●RQ 1：韩国的能源贫困率是多少？
●RQ 2：能源贫困的关键决定因素如何随季节变化？
●RQ 3：基于机器学习的季节性能源贫困预测如何支持主动性和预防性能源政策设计？
本文其余部分结构如下。第2节简要概述了用于能源贫困预测的机器学习和季节性对能源贫困的影响。第3节详细介绍了数据来源、能源贫困分类标准和机器学习算法。第4节考察了能源贫困分类并评估了预测模型性能。第5节分析了能源贫困预测因子的季节变化和类别特有动态。最后，第6节通过总结主要贡献、提出政策含义和未来研究方向来结束研究。
**论文解读：基于机器学习的韩国家庭能源贫困季节性动态预测研究**
**一、研究背景与问题**
随着气候变化导致极端天气事件频发以及全球能源市场波动加剧，能源贫困的精准预测成为提升政策韧性和保障公平能源获取的关键。传统能源贫困研究多依赖年度数据，难以捕捉季节间能源需求的剧烈波动，尤其忽视了夏季制冷困难与冬季供暖不足的动态差异。此外，能源贫困由经济状况、住房质量、人口特征、基础设施、气候变率和用能行为等多维因素非线性交互作用所塑造，传统回归模型因假设线性关系和变量独立而难以有效应对。机器学习方法因其无需强参数假设、能自动识别高维复杂模式而成为替代方案。然而现有机器学习研究存在若干局限：输入变量多局限于标准社会经济和住房变量，缺乏温度相关的季节指标、行为与意识因素以及住宅能效特征；普遍缺乏实际家庭能耗数据，多依赖主观评估或代理变量；纵向数据不足导致多为单年截面分析；模型可解释性不足，鲜少考察非线性阈值与交互效应；类别不平衡处理方式报告不清晰。韩国作为能源需求季节性显著、人口老龄化加速的国家，其能源贫困研究仍较有限，且传统年度框架无法揭示月度脆弱性。因此，本研究旨在构建季节性分解的机器学习预测模型，探究韩国能源贫困的季节性动态机制，为精准政策干预提供数据驱动证据。
**二、研究方法与数据**
本研究利用韩国能源经济研究院（Korea Energy Economics Institute）开展的“家庭能源面板调查”（Household Energy Panel Survey, HEPS）数据，该调查2018年样本扩大至8000余户，此后年均保持6300户以上稳定面板。研究将2018–2022年五个年度波次合并，形成330,960个“家庭-月”观测值。以2022年作为独立评估期。能源贫困采用“低收入高成本”（Low Income High Costs, LIHC）框架，以月度最低工资作为低收入阈值，以能源支出超过可支配收入10%作为高成本阈值，将家庭划分为无风险、支出风险、收入风险和双重风险四类。由于收入是LIHC定义的内在组成部分，为避免结构性循环，主分析中将收入从解释变量中剔除，聚焦非收入因素。研究纳入社会经济、住房环境、行为意识、气候特征四大维度共20余个变量，其中气候变量包括省级层面的制冷度日数（Cooling Degree Days, CDD）和采暖度日数（Heating Degree Days, HDD）。能源支出根据各类能源消费量结合官方费率计算。模型开发分两阶段：初步阶段在随机欠采样平衡数据上比较决策树（DT）、随机森林（RF）、极限梯度提升（XGBoost）、类别提升（CatBoost）和支持向量机（SVM）五个算法，筛选F1分数最高的三个；主阶段采用合成少数类过采样技术（Synthetic Minority Oversampling Technique, SMOTE）平衡训练集，通过随机网格搜索和分层5折交叉验证进行超参数调优，最终在2022年测试集上评估。模型解释采用SHAP（SHapley Additive exPlanations）方法，使用TreeExplainer计算精确SHAP值，并分季节（春、夏、秋、冬）和类别进行SHAP分析。
**三、主要研究结果**
**3.1 能源贫困分类与模型性能**
基于2018–2022年月度数据，无风险家庭占74.6%，收入风险占15.7%，双重风险占9.0%，支出风险仅占0.7%。收入风险组和双重风险组是政策关注重点。初步模型比较中，随机森林（F1=79.00%）、XGBoost（77.45%）和CatBoost（77.65%）表现最佳。SMOTE平衡后，XGBoost取得最优加权平均F1分数（96.55%），随机森林为92.88%，CatBoost为86.48%。在收入排除规范下，最佳模型（XGBoost）的总体F1为81.38%，其中无风险组F1最高（91.3%），收入风险组为55.8%，双重风险组为49.7%，支出风险组仅8.6%。PR-AUC方面，收入风险组为0.53，双重风险组为0.48，表明模型在无收入信息下仍具一定判别能力。SHAP重要性分析显示，主要采暖燃料和就业状况是最强预测因子，HDD位列第三且影响远大于CDD，表明冬季热应力是比夏季热暴露更关键的脆弱性驱动因素。社会经济特征（家庭规模、教育程度、户主年龄）的预测权重高于物理住房属性（建筑面积、建造年份、住房类型）。行为因素总体影响有限，但电费监控和能效标签意识具有中等解释力。
**3.2 季节性预测因子重要性变化**
将数据按气象季节划分后，季节特定模型显示HDD在夏季仍是最强预测因子，尽管夏季实际HDD接近零。这反映HDD捕捉了区域潜在的热工性能和冬季供暖负担的结构性劣势，这些结构性模式在夏季依然存在，因为面临冬季供暖困难的同一批家庭因经济约束也往往经历制冷困难。相比之下，CDD尽管夏季绝对值大，但空间分布均匀且制冷使用受行为和经济的制约，故对模型贡献较小。冬季，家庭规模、HDD、户主年龄和住宅特征（如建筑面积、采暖燃料类型）共同驱动预测，体现冷季能源需求回升和区域气候差异扩大。
**3.3 类别特有的季节变化**
收入风险组呈现明显的季节性差异：夏季社会经济属性（年龄、就业、教育、家庭规模）影响力更大，反映财务能力和人口约束的核心作用；冬季结构住房特征（建筑面积、建造年份、住房类型、采暖系统）效应显著增强，表明寒冷月份热工性能和供暖基础设施主导能源支出。家庭规模在冬季重要性更高，因供暖成本高、灵活度低且结构性强。双重风险组则不同：大多数预测因子在冬夏两季均保持高重要性，表明该组脆弱性源于多重重叠劣势而非季节特有机制。夏季就业状况和户主年龄突出，同时结构住房特征持续强效；冬季教育水平和家庭规模重要性显著上升，而住房相关特征略有下降但仍具贡献。这揭示双重风险组呈现持续、多维、结构性嵌入的能源贫困，夏冬负担并非通过不同机制运作，而是放大相同潜在脆弱性。
**四、讨论与结论**
研究讨论指出，韩国能源贫困呈现供暖主导、热工效率低下的加剧形式。SHAP结果显示HDD即使在夏季仍为最强预测因子，表明供暖相关脆弱性全年持续，是能源困难的根本结构性驱动。CDD因制冷回避行为、低空间变异性和电价制度调节效应而解释力有限。政策应优先结构性干预——改善热工性能、解决燃料和供暖基础设施差异——而非广泛短期制冷补贴。类别与季节的2×2模式提供明确政策信号：收入风险家庭需要季节性双重方案（夏季财务和行为支持，冬季结构升级）；双重风险家庭需要稳定全年结构性干预策略。针对韩国财政约束，应优化现有国家能源福利体系内的制度工具，而非创建新的资源密集型方案。研究结论部分总结：主要采暖燃料和就业状况是最强非收入决定因素，HDD影响远大于CDD，表明剔除收入后，供暖相关热应力、燃料类型差异和劳动力市场不安全构成脆弱性核心结构；即使夏季HDD仍为最强气候预测因子，表明韩国能源贫困主要由全年结构性脆弱性塑造，而CDD因空间变异性有限和弱势家庭行为性制冷抑制而贡献甚微；收入风险家庭脆弱性机制随季节显著变化（夏季社会经济约束主导，冬季结构住房特征主导），而双重风险家庭脆弱性在冬夏均持续高位，体现结构性嵌入的全年能源贫困。研究将能源贫困重构为动态、多维、季节性偶发现象，挑战年度静态指标的依赖，为季节敏感政策提供量化触发器。方法论上，SHAP应用揭示传统方法不可见的非线性、阈值和交互模式，促进高预测精度与可解释性融合。研究局限包括：能源支出基于消费量估算而非账单记录；研究期与COVID-19疫情重叠；未纳入政府干预的缓解效应；支出风险类别因韩国管制电价而结构极小；多数行为项为静态属性而非时变月度指标。未来研究可整合更丰富的行为时间序列以考察适应性响应。
