将熟料技术与水泥产品排放解耦：面向全球隐含碳政策筛选的宏观机器学习–生命周期评价框架

《Journal of Environmental Management》：Decoupling clinker technology from cement product emissions: A macroeconomic ML–LCA framework for global embodied carbon policy screening

　　

该研究提出了一种基于STIRPAT（随机影响回归的人口、富裕度与科技，Stochastic Impacts by Regression on Population, Affluence, and Technology）理论的混合机器学习–生命周期评价（ML–LCA）框架，用于利用完全公开的宏观经济数据估算国家尺度水泥隐含碳。研究人员选取人均GDP、人口和时间指标作为预测变量，以预测熟料-水泥比（CCR），随后将该比值输入技术分层的基于过程的LCA模型中，在A1–A3阶段强制执行化学计量学和热力学约束。在七种候选算法中，梯度提升（Gradient Boosting）因其平滑的非线性拟合能力及其与LCA集成的适用性而被选中。SHAP（SHapley Additive exPlanations）分析确认人均GDP为CCR的主导驱动因素，其贡献方向与技术扩散理论一致，确保了模型透明度。通过对18个经济体的统计指标、残差诊断、国家层面诊断基准、留一国交叉验证（LOCO），以及三个独立文献基准国家（巴基斯坦、墨西哥、西班牙）的验证，确认了0.53至0.97 kg CO₂/kg水泥范围内物理合理且外部一致的输出结果。该方法论的核心贡献在于，仅利用宏观输入即可估算国家尺度的熟料替代解耦效应，这在工厂级LCA清单数据不可获得的背景下尤为重要。传统LCA在具备清单数据时已能分离工艺、能源和材料组成贡献；本框架将此分离能力扩展至数据稀缺的国家情境。在系统层面，当模型输出跨国聚合时，定性重现了环境库兹涅茨曲线（EKC）型模式，为框架整体提供了连贯性检验。域外泛化能力通过留一国交叉验证作为主要协议进行评估（平均折RMSE为0.077；18折中12折低于RMSE 0.10），并以时间链式分割作为补充诊断。该框架通过交互式决策支持界面实现可操作化，为全球水泥行业的隐含碳基准设定、政策筛选和净零路径评估提供了可扩展、透明的基线。该框架定位为数据稀缺情境下的筛选级参考，与工厂级LCA及环境产品声明（EPD）形成互补。

该研究发表于《Journal of Environmental Management》，旨在解决全球水泥行业隐含碳估算中的数据稀缺难题。水泥是现代基础设施、城市化和经济发展不可或缺的建筑材料，年产量超过40亿吨。然而，水泥生产也是碳排放最密集的工业活动之一，约占全球人为CO₂排放的7%–8%，且其中大部分排放源于熟料生产过程中的石灰石煅烧分解反应，这一过程排放与能源效率或燃料选择无关，使水泥行业成为结构性难减排行业。随着建筑运营能耗因效率提升和电气化而下降，隐含碳（在此研究定义为从原材料提取到工厂大门的生命周期阶段A1–A3的温室气体排放）日益成为建筑生命周期排放的主导部分。准确估算水泥隐含碳传统上需要详细的工厂级信息，如窑型、热效率、燃料组合、电网强度和辅助胶凝材料替代率等，但这些数据在发展中国家和新兴经济体中往往不可获得，导致现有隐含碳数据集地理分布碎片化，严重制约了全球基准比对和新兴隐含碳监管的实施。

针对上述挑战，研究人员开展了以下研究：首先，基于STIRPAT理论框架，利用人均GDP、人口和时间三个公开可得的宏观经济指标，构建机器学习模型预测国家尺度的熟料-水泥比（CCR）；然后，将预测得到的CCR输入基于过程的LCA模型，在A1–A3阶段强制执行化学计量学和热力学约束，估算国家尺度水泥隐含碳。研究样本覆盖1990至2025年间18个国家的231个国家-年观测值，GDP per capita范围2808至82,305美元，人口960万至14.1亿。

研究人员开展研究用到的主要关键技术方法包括：（1）基于STIRPAT理论的特征工程，将人口作为需求规模代理变量、人均GDP作为富裕度代理变量、年份作为技术进步和演化的代理变量；（2）比较建模策略，评估线性回归、K近邻（KNN）、多层感知器（MLP）、决策树、随机森林、AdaBoost、梯度提升和基于直方图的梯度提升共7种算法；（3）梯度提升回归模型训练，采用300棵树、学习率0.05、最大深度4的保守超参数设置；（4）80/20随机分割的样本内验证，以及作为主要协议的留一国交叉验证（LOCO，18折）和作为补充诊断的时间链式分割（训练年份≤T，测试年份>T，T∈{2014,2016,2018,2020}）；（5）SHAP分析进行模型可解释性评估；（6）基于过程的生命周期评价建模，涵盖A1原材料提取（质量平衡法，固定采石排放因子0.006 kg CO₂/kg岩石）、A2原材料运输（假设20 km物流半径，UK DEFRA EURO V重型柴油车排放因子0.000062 kg CO₂/(kg·km)）、A3制造加工（分工艺排放和能源相关排放，采用基于人均GDP的三类技术-能源原型：发展型重工业<6000美元、全球平均型6000–25000美元、OECD高效型>25000美元）；（7）国家尺度排放聚合；（8）多层次验证框架，包括统计性能指标（R²、RMSE、MAE）、诊断分析（奇偶图、残差图）、物理合理性检查（CCR边界约束、与GDP per capita趋势一致性）、过程一致性（LCA化学计量基准、能源强度范围）、模型可解释性（SHAP特征归因），以及外部验证（国家层面诊断、LOCO交叉验证、三个盲测国家）。

研究结果显示：

机器学习模型性能与预测精度：在七种候选算法中，集成树方法显著优于线性基准。梯度提升回归取得R²=0.856、RMSE=0.044的样本内性能，虽略低于随机森林（R²=0.912、RMSE=0.035），但基于三个实质理由被选中用于下游集成：一是两种模型预测差异通过确定性LCA管道传播后，最终水泥隐含碳估算差异小于1%；二是梯度提升的加性收缩控制预测表面在数据密度支持区域呈现有效平滑性，更适合后续通过化学计量和能源因子乘法链传播；三是在有限训练数据（231个观测值）场景下，提升型集成泛化更可靠。奇偶图显示梯度提升模型的预测值紧密分布于1:1线周围，多数观测值落在±10%偏差带内。

CCR预测的诊断与稳健性分析：留一国交叉验证方面，梯度提升模型在18折中取得平均RMSE=0.077、中位数0.066，约是样本内参考RMSE的1.8倍。12折低于RMSE 0.10，均值0.045与样本内参考匹配。六个尾部高误差折对应CCR分布边界国家（巴西低端、美国高端）、国内CCR变化大的国家（印度尼西亚、越南）或训练深度有限的国家（俄罗斯、德国）。多模型LOCO比较显示三种甄别梯度提升、随机森林和直方图梯度提升在相同折结构下的平均折RMSE分别为0.077、0.073和0.082，相对差异约6%，统计等价。时间链式分割方面，四个滚动截断（2014、2016、2018、2020）的平均测试集RMSE为0.064，介于样本内（0.044）和LOCO均值（0.077）之间，RMSE在0.054–0.073范围内稳定，R²随训练集增长而改善。样本内诊断分析显示，预测CCR轨迹紧密跟踪历史趋势；残差在预测范围内对称分布于零附近，无异方差性或结构性偏倚；按收入组分解的误差分布具有可比性，模型性能不受高收入或高数据密度区域主导。

模型可解释性：SHAP分析显示，人均GDP是最具影响力的驱动因素，其次是人口和年份。较高人均GDP通常对应负SHAP贡献（即较低预测CCR），较低人均GDP则反之，这与技术扩散、效率提升和混合水泥更广泛应用的经济预期一致。人口呈现混合贡献模式，反映其与生产规模和经济结构的双重关联。年份变量的贡献较小但一致，体现渐进的结构性变化而非突变。SHAP依赖图揭示人均GDP与CCR预测呈非线性、分阶段关系：低收入水平时CCR随人均GDP增加而下降，高收入范围则渐趋平缓，符合环境库兹涅茨曲线型过渡行为预期。

A1–A3水泥隐含碳强度结果：生命周期阶段贡献方面，制造加工（A3）占隐含碳主导地位，其中工艺煅烧排放构成A3的显著部分，能源相关排放因窑效率、燃料组合和电网碳强度而异；A1排放因单位熟料的生料需求相似而相对稳定；A2排放在假设运输距离和物流配置下变化有限。水泥隐含碳强度分布方面，模型输出值多数落在IEA全球平均和GCCA净零目标等参考基准构成的现实范围内，中心趋势接近广泛报道的全球平均值，无极端异常值，表明机器学习衍生CCR与基于过程的LCA模型集成可产生稳定、物理合理的隐含碳估算。产品效率与窑炉技术效应解耦方面，通过比较水泥产品层面（绿色条）和熟料技术层面（红色条）的隐含碳强度，明确展示了两者之间的解耦：一些国家熟料技术排放因能源和工艺约束而保持较高，但水泥产品排放因熟料替代而大幅降低；反之，替代有限的国家两者趋于收敛。国家层面验证显示，德国、日本、沙特阿拉伯在产品层面与文献基准高度一致，反映有效的熟料替代策略；澳大利亚、加拿大、英国、美国则在技术层面与基准更接近，表明窑炉效率较高但替代有限。三个盲测国家的外部验证中，巴基斯坦（低收入/煤炭重）呈最坏情景，产品EC（0.95）与熟料EC（0.968）几乎相同，替代极小；墨西哥（中等收入/混合）呈过渡情景，适度替代（28%）部分抵消化石窑炉排放；西班牙（高收入/替代燃料）呈最佳情景，清洁窑炉技术加高替代率（32%）实现最低足迹。

系统行为与经济解耦：整合ML–LCA框架的系统行为显示，低人均GDP时水泥隐含碳强度较高，随经济发展逐渐降低，高收入的稳定或下降趋势表明经济发展与水泥相关排放的解耦。气泡大小显示几个人口大国处于过渡区间，熟料强度的适度降低可带来显著的系统级减排。

研究结论部分翻译如下：该研究提出了一个在18个经济体中证明可转移的混合框架，将基于机器学习的熟料-水泥比预测与基于过程的生命周期评价相结合，以估算水泥的摇篮到大 gate 隐含碳（A1–A3）。通过将CCR预测建立在宏观经济指标基础上，并将其 propagated 通过技术感知型LCA模型，该框架克服了依赖静态排放因子或数据密集型工厂清单的传统方法的关键局限。研究人员承认若干重要局限：当前18国数据集不包含任何非洲经济体，主要由于分析期间撒哈拉以南非洲国家一致的国家层面水泥和熟料生产统计数据公开可用性有限；LOCO交叉验证显示完全排除国家条件下的适度性能退化（平均RMSE 0.077对样本内0.044），与新加入国家的预测不确定性一致；18国数据集涵盖了广泛但并非穷尽的宏观经济条件，特征空间边界外或附近的国家预测应视为外推并谨慎解读。模型选择在三种顶级集成方法间对国家级水泥EC输出的影响小于1.5%；超出最新训练观测约五年的长期预测应视为筛选级并随新数据更新。该框架旨在作为数据稀缺情境下的筛选级参考，与工厂级LCA和协调环境产品声明互补。结果表明，该框架产生的隐含碳强度内部一致、外部合理，且对材料效率和生产技术敏感。重要的是，框架明确将熟料技术排放与水泥产品排放解耦，揭示与文献基准的一致性可能通过不同路径（高效窑炉技术或产品层面熟料替代）实现，这一区分在传统水泥LCA研究中常被 obscured，对理解减缓潜力有重要意义。从系统层面看，综合ML–LCA框架重现了经济发展与隐含碳强度关联的预期宏观尺度行为，提供了额外的框架连贯性验证，与既定经济-环境过渡理论一致，且未施加预定义函数关系。从方法论角度，研究表明全球可获得的宏观经济数据可作为数据稀缺情境下底层技术和结构特征的有效代理；可解释机器学习的使用配合SHAP分析增强了对非线性预测的透明度和信任，而基于过程的LCA组件确保了物理现实性和与既定基准的可比性。从政策角度，发现有效降低水泥隐含碳需要协调关注窑炉技术和熟料替代策略，该框架能够区分这些杠杆，支持更精准的政策设计、基准比对和国际比较；具有大生产量的 transitional 经济体是关键干预点，CCR的适度降低可带来 substantial 全球减排。交互式实施开发增强了框架的实际可及性，支持其在全球基准和探索性政策筛选中的应用。未来研究可纳入动态政策变量、区域特定材料可用性或前瞻性情景分析以支持长期脱碳规划，但当前工作已为全球水泥隐含碳评估建立了透明、可扩展且与新兴监管和可持续议程对齐的 robust 基础。