XGBoost与LightGBM对比：一种面向国家车辆保有量分析的可解释人工智能（XAI）方法

《Computation》：XGBoost vs. LightGBM: An XAI Approach to National Vehicle Fleet Analysis Wilson Gustavo Chango-Sailema, Homero Velasteguí-Izurieta, William Paul Pazu?a-Naranjo, Joffre Stalin Monar, Rebeca Mariana Moposita-Lasso, Santiago Israel Logro?o-Naranjo, Carlos Roberto López-Paredes, Jacqueline Elizabeth Ponce, Geovanny Euclides Silva-Pe?afiel and Marcelo Vladimir Garcia + 2 authors

　　

本研究在可解释人工智能（Explainable Artificial Intelligence，XAI）框架下，分析了厄瓜多尔车辆技术分类的相关因素，并以燃料类别（电动、混合动力和内燃）作为因变量。研究遵循CRISP-DM方法学，使用来自国内税务局（Internal Revenue Service，SRI）的482,754条行政记录数据，对XGBoost与LightGBM算法的性能进行了比较。两种模型均取得了卓越的预测表现，Macro F1-score达到0.987，表明即便在类别严重失衡的条件下模型仍具有较强稳健性（其中电动汽车仅占总样本的1.3%）。通过整合SHAP（SHapley Additive exPlanations）值，研究识别出税务评估价值和发动机排量是模型在预测电动汽车采用时最具影响力的特征。相比之下，地域性因素对混合动力汽车购置的影响更为显著。最终，研究结果表明，将提升模型与XAI技术相结合，能够提供透明的分析工具，从而支持新兴经济体基于证据的交通脱碳战略制定。

该论文发表于《Computation》，研究聚焦于可解释机器学习在国家尺度车辆保有量结构分析中的应用，核心目标是在保证高预测性能的同时提升模型透明性，以支持可持续交通与交通脱碳政策设计。研究背景在于，交通部门是全球能源消耗与温室气体排放的重要来源，发展中经济体由于机动车保有量快速增长，面临城市基础设施承压、环境外部性加剧及财政可持续性挑战。在这一背景下，电动汽车与混合动力汽车被视为交通脱碳的重要技术路径。然而，既有研究虽然已广泛采用XGBoost、LightGBM等梯度提升模型处理大规模异质性表格数据，但往往强调整体预测精度，忽视了模型内部决策逻辑的可解释性，导致其在政策制定中的可用性受限。研究人员正是针对这一缺口，尝试构建一个兼顾预测鲁棒性、类别不平衡敏感性与解释透明度的系统性分析框架。

论文首先从理论与文献层面界定了研究问题。研究人员指出，在厄瓜多尔这样电动化转型尚处早期阶段的新兴市场中，国家级行政数据为分析电动汽车（EV）、混合动力汽车（HYBRID）与内燃机汽车（ICE）的采用差异提供了独特条件。论文并不提出新的算法结构，而是强调方法学整合创新，即将类别特异性解释、属性分布转移条件下的重要性稳定性分析，以及极端类别失衡背景下的提升模型可解释性比较整合到同一框架中。由此，研究问题被具体化为：基于厄瓜多尔行政数据训练的梯度提升模型，其解释变量与电动、混合动力和内燃技术分类之间存在何种统计关联，这些解释在XGBoost与LightGBM之间有何异同。

在方法层面，研究建立于设计科学研究（Design Science Research，DSR）范式之上，并采用CRISP-DM（Cross-Industry Standard Process for Data Mining，跨行业数据挖掘标准流程）组织分析流程；同时，文献综述部分结合PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses，系统综述与Meta分析优先报告条目）方法，以明确研究空白。样本来源为厄瓜多尔国内税务局（SRI, 2025）提供的482,754条全国车辆行政登记记录。因变量为燃料技术类型，分为EV、HYBRID和ICE三类；自变量包括税务评估价值（APPRAISAL）、车型年份（MODEL YEAR）、品牌（MAKE）、原产国（COUNTRY）、车辆类别与子类别（CLASS、SUB CLASS）、车辆类型（TYPE）、交易类型（TRANSACTION TYPE）、登记地域类别（CATEGORY/CANTON）、发动机排量（ENGINE SIZE）及购车主体类别（自然人/法人）等。预处理步骤包括对名义变量实施独热编码、缺失值填补、数值变量标准化以及保持类别比例的分层划分。模型构建采用XGBoost和LightGBM，并通过5折分层交叉验证与网格搜索进行超参数优化；评估指标包括Accuracy、Macro F1-score、AUC、Balanced Accuracy、面向少数类EV的PR-AUC，以及Matthews相关系数（MCC）。此外，研究还加入置换重要性稳定性测试、类条件分布重叠分析、基于MODEL YEAR分位数划分的属性分布转移测试，并以多项逻辑回归和随机森林作为基线模型。模型解释则依赖SHAP值完成类别特异性审计。

研究结果部分首先报告了数据集结构特征。厄瓜多尔2025年车辆市场由ICE绝对主导，占93.2%；HYBRID占5.5%；EV仅占1.3%。这一极端类别不平衡并非抽样偏差，而是国家交通系统结构的直接反映。因此，论文将其视为现实政策分析环境，而非单纯统计问题。研究从原始20列数据中筛选并映射出11个关键预测特征进入建模过程，这些变量构成了后续分类与解释分析的基础。

在“4.2. Predictive Performance”部分，研究人员发现XGBoost与LightGBM均展现出极高预测性能，两者结果高度接近，故文中以LightGBM作为代表性报告对象。模型的Macro F1-score达到0.987，在极端类别失衡下仍保持优异表现，说明提升模型能够有效捕捉三类车辆技术之间的结构性差异。论文进一步指出，这种高性能并非单纯来自算法优势，也与数据本身的“结构可分性”有关，尤其是EV在发动机排量和税务评估价值等变量上与ICE存在明显差异，使树模型能够形成清晰决策边界。针对少数类EV，模型Precision为0.99、Recall为1.00、F1-score为1.00，PR-AUC为1.00，MCC为0.99，表明高性能并不是多数类主导下的虚高结果。与之相比，多项逻辑回归和随机森林在EV类别上的F1-score低于0.85，显示梯度提升模型在刻画少数类复杂模式方面显著更优。研究还专门核查了潜在数据泄漏问题，确认所有预测变量均在预测时点可获得，且不存在由目标变量派生出的特征，训练集与测试集特征分布之间也未见系统性差异。

在“4.3. Confusion Matrices”部分，混淆矩阵进一步展示了模型分类误差的结构。LightGBM在全数据集上的误判极少，其中最大误差来源是部分ICE被误分为HYBRID。EV的分类纯度极高，6445辆EV中仅1辆被误分为HYBRID，没有EV被误分为ICE，说明模型已学习到电动车技术的鲜明识别模式。标准化混淆矩阵表明三类技术的分类准确率均超过99%，按类别计算的Balanced Accuracy分别为EV 0.9998、HYBRID 0.9995、ICE 0.9949。研究人员还进行了基于车型年份的分布转移验证，测试集包含707辆较新年份车辆。结果显示EV和ICE在该测试中仍保持100%识别准确率，而HYBRID的正确分类率为82.32%，有17.68%被误分为ICE。这提示较新一代混合动力车型与传统内燃车型之间的属性边界可能正在发生变化，表现出一定的技术特征收敛。

在“4.4. Explainability Analysis Using SHAP”部分，论文通过SHAP值揭示了不同车辆技术类别的解释结构差异。研究明确强调，SHAP描述的是模型内部特征贡献，而非消费者行为层面的因果效应。结果显示，EV类别最重要的解释变量是发动机排量（ENGINE_SIZE）和税务评估价值（APPRAISAL）。其中，较低的ENGINE_SIZE对EV分类具有显著正向SHAP贡献，这与电动汽车不依赖传统内燃机的技术本质一致；较高的APPRAISAL同样提升模型将车辆识别为EV的概率，反映出厄瓜多尔市场上电动车较高购置成本这一结构特征。购车主体中的法人（legal entity）也是EV的重要高影响特征，提示企业或机构车队在早期电动化采用中具有突出地位。相比之下，HYBRID的解释特征中，地域性因素如CANTON以及车辆子类别具有更高相对重要性，说明混合动力汽车的采用模式更受区域差异影响。对于ICE，相关解释变量虽与EV、HYBRID存在部分重叠，但重要性层级和方向不同，体现出模型内部对不同技术类型形成了有区分度的语义表征。

在“4.5. Directional Effects of Variables”部分，研究进一步讨论了主要变量贡献方向。APPRAISAL对三类技术模型输出均表现为正向贡献，但对EV的影响显著更强，说明经济价值是跨类别的重要结构因素，同时在电动车识别中尤为关键。ENGINE_SIZE则呈现明显差异化模式：较低排量推动EV分类，较高排量有助于HYBRID预测，而对ICE则呈负向关联，即更高排量反而降低模型将其归为ICE的可能性。法人购车主体对EV呈正向贡献，进一步强化了“车队化采用”在转型初期的重要性。

在“4.6. Attribute-Based Distribution Shift Test”部分，研究通过MODEL YEAR分位数切分训练集与测试集，评估模型在车辆属性结构变化条件下的稳健性。论文强调，这不是严格意义上的时间外预测，而是属性分布转移鲁棒性测试。结果表明，在较新车辆队列中，模型总体预测性能保持稳定，说明提升模型学到的是能够跨代际泛化的车辆属性结构关系。与此同时，特征重要性稳定性分析显示，APPRAISAL、ENGINE_SIZE和品牌在新车型中的影响有所上升，意味着在更新车辆群体中，经济价值和技术属性对分类区分正变得更加关键。

讨论部分综合指出，梯度提升模型，尤其是LightGBM，不仅实现了接近完美的分类性能，而且借助SHAP建立了不同车辆技术类别之间清晰且差异化的“模型导出关联”层级。EV主要由经济信号与技术信号驱动，即APPRAISAL与ENGINE_SIZE构成关键识别维度，表明厄瓜多尔电动化转型当前更多受制于成本门槛和技术属性，而非大众化消费偏好。HYBRID则更受地域异质性影响，反映出地方基础设施、收入水平或区域政策环境可能塑造了其采用格局。论文将这些发现置于国际文献背景下，指出其结果拓展了既有研究中偏重整体性能而忽视类别特异性解释的局限，也与发展中市场在价格敏感性、基础设施不均衡方面的现实相吻合。研究同时反复强调，SHAP值仅代表预测模型内部的贡献分数，不能直接上升为因果解释，因此相关结论应被视为政策讨论与假设生成的证据，而非结构性因果判定。

论文结论部分指出，本研究旨在通过可解释人工智能（XAI）框架，从国家尺度评估车辆技术采用，并弥合高性能机器学习模型与公共决策透明性需求之间的差距。基于厄瓜多尔482,754条车辆行政记录对XGBoost与LightGBM的比较表明，先进梯度提升模型能够有效处理复杂且高度失衡的交通数据集，同时保持可解释性与政策相关性。实证结果显示，两种模型均取得接近完美的预测性能，综合Macro F1-score为0.987，即便电动汽车仅占1.3%，模型仍表现出较强稳健性。除预测精度外，SHAP分析还揭示，发动机排量（ENGINE_SIZE）与税务评估价值（APPRAISAL）是区分电动汽车、混合动力汽车和内燃机汽车的主导性模型导出关联。这说明厄瓜多尔向电动出行转型的当前阶段，主要受技术约束与经济信号塑造，而非广泛行为变化驱动。研究从解释层面缓解了交通政策分析中“黑箱”模型的透明性缺口，使高精度分类器转化为可审计分析工具，帮助决策者追溯模型输出与具体财政、技术及地域变量之间的关系，从而首次为国家车辆保有量治理提供了可复现、可解释的数据驱动框架。与此同时，研究也承认其局限：电动车占比仍然较低，因此识别出的关联反映的是早期采用动力，而非长期均衡行为；分布转移验证的未来测试样本量相对有限，对长期稳定性的判断仍需谨慎。尽管如此，论文认为，其政策含义具有直接可操作性：财政激励可按车辆技术、购车主体与地域情境进行更精准分层设计，法人主体在EV采用中的突出作用支持优先推进企业与公共车队电动化，而地域差异则要求采取差异化的次国家政策工具而非完全统一的全国措施。整体而言，该研究表明，可解释机器学习已成为推动发展中经济体交通脱碳的重要方法支柱。