《Journal of Cleaner Production》：Green finance and the efficiency of energy transition policies: An integrated MCDA and SHAP approach for OECD countries
编辑推荐：
摘要本研究考察了绿色金融策略如何影响 31 个经合组织（OECD）国家的能源转型绩效。它结合了基于文献的结构化指标框架与 WSM、TOPSIS、SMAA 稳健性分析，以及通过随机森林、XGBoost 和 SHAP 进行的可解释机器学习，并使用双重机器学习进行正交化效应估计。结
摘要
本研究考察了绿色金融策略如何影响 31 个经合组织（OECD）国家的能源转型绩效。它结合了基于文献的结构化指标框架与 WSM、TOPSIS、SMAA 稳健性分析，以及通过随机森林、XGBoost 和 SHAP 进行的可解释机器学习，并使用双重机器学习进行正交化效应估计。结果表明各国之间存在显著差异，丹麦排名表现最佳，而其他几个国家则受限于对化石燃料的依赖和结构性障碍。XGBoost 模型以 0.447 的 R2 值预测了基于 SMAA 的国家排名。SHAP 分析确定实际人均 GDP、可再生能源公共研发与示范（RD&D）以及绿色专利是转型绩效排名的三个最强预测因子，其次是环境相关税收收入和能源生产率。双重机器学习表明，环境税收收入对转型排名具有稳健的正交化效应，且在不同干扰学习器和控制集中保持稳定。31 个经合组织国家分为三种战略类型：8 个可再生能源主导型，8 个中间转型型，15 个化石燃料主导型。这些发现表明，有效的绿色金融策略需要财政政策工具、创新支持、能源生产率以及各国特定的结构性条件之间保持一致。本研究为设计与国家转型能力相适应的差异化政策策略提供了比较框架。
引言
能源转型已成为当代气候和环境政策的核心优先事项。出于应对气候变化的需要，它得到了日益升级的全球倡议的支持。这一转型与国际重大承诺密切相关，如 2015 年《联合国气候变化框架公约》的《巴黎协定》（UNFCCC, 2015）以及到 2050 年实现碳中和的目标（United Nations, 2020）。绿色金融通过绿色债券、碳信用额、可持续投资基金、定向公共补贴和碳定价机制等工具，在将金融资源引导至低碳经济方面发挥着重要作用（OECD, 2023; Babic, 2024; Toth et al., 2024）。
最近的实证研究记录了绿色金融在促进可再生能源使用、提高能源效率以及显著减少温室气体排放方面的作用。然而，这些机制的有效性往往受到持续存在的化石燃料补贴、各国法规不一致以及气候风险评估不确定性的限制（Jin et al., 2023; Mudalige, 2023; Han and Gao, 2024; Alvi et al., 2025; Toumi, 2025）。这些战略和制度上的复杂性引发了关于经合组织国家用于将资金流动与其能源转型目标对齐的政策工具的比较有效性的重要问题。
尽管关于此主题的文献广泛，但现有研究往往专注于特定案例或部门，很少进行跨国比较分析。涉及金融包容性、地方治理动态、结合化石燃料支持与可再生能源发展的混合情景，以及诸如领土绿色债券或去中心化碳调整等创新工具的相互作用仍研究不足（Antunes et al., 2023; Costantini et al., 2025; Nicolas et al., 2025）。经济合作与发展组织（OECD, 2023）、国际能源署（IEA, 2021）、国际可再生能源署（IRENA, 2020 和 2023）、国际货币基金组织（IMF, 2021）和世界银行（2021）等组织的报告强调了绿色金融和创新的战略作用。然而，这些报告也记录了持续存在的障碍，包括化石燃料补贴、监管限制以及测量有效性的复杂性（Evro et al., 2025; Ostadzad and Ghafoorian Yavarpanah, 2025; Yang and Park, 2025）。从方法论角度来看，传统的计量经济分析和叙述性文献综述在捕捉经合组织国家之间金融、技术和制度维度相互作用的能力方面存在局限性。这表明需要结合多准则评估、稳健性分析和实证解释工具的综合分析框架来评估清洁能源政策（Pató et al., 2022; Wiseman et al., 2023; Astier, 2025; Guven, 2026）。
为解决主题和方法上的差距，本研究提出了一种综合分析方法，在多准则决策分析（MCDA）框架内结合加权求和模型（WSM）和逼近理想解排序法（TOPSIS）。该方法辅以随机多准则可接受性分析（SMAA）以确保稳健性，并使用随机森林、极端梯度提升（XGBoost）和 SHAP 加性解释（SHAP）进行可解释机器学习。该框架涉及三个互补阶段。首先，结构化的文献计量回顾确定了关键的经济、金融、技术、环境和制度杠杆，以及反复出现的障碍。其次，将制度和文献计量证据转化为基准和敏感性权重，用于比较 MCDA 评估。使用 SMAA 和蒙特卡洛模拟来测试权重不确定性下国家排名的稳健性。第三，机器学习以两种相互关联的方式使用：带有 SHAP 的预测模型识别与基于稳健 SMAA 排名最强烈相关的指标，双重机器学习在剔除其他决定因素后，估计每项政策工具对该排名的正交化效应。然后，使用公共研发与示范（RD&D）的可再生能源与化石燃料比率来区分各国的战略转型特征。这种整合将基于文献的指标选择、规范性多准则评估、稳健性测试和实证可解释性联系在经合组织国家的单一比较框架内。
本文其余部分组织如下：第 2 节呈现了一个结构化的系统文献综述，确定了将绿色金融与能源转型绩效联系起来的主要杠杆和障碍。第 3 节描述了指标框架、加权策略、MCDA/SMAA 程序和机器学习工作流程。第 4 节报告了 MCDA/SMAA 排名、预测验证结果、基于 SHAP 的指标重要性、政策工具协同效应和战略国家特征。第 5 节讨论了这些发现对处于能源转型可再生能源主导、中间转型和化石燃料主导阶段国家的政策含义。第 6 节通过总结贡献、局限性和未来研究方向得出结论。
章节摘要
结构化系统综述的方法论方法
本研究采用了一种结构化的系统文献综述，结合了文献计量分析和通过潜在狄利克雷分配（LDA）进行的概率主题建模。其目的是识别和整理绿色金融与经合组织国家能源转型绩效相联系的经济、金融、技术、环境和制度维度。
在 Scopus 数据库中进行了结构化查询，涵盖与绿色金融相关的出版物，
指标选择与数据构建
实证框架将文献分析中的主要主题发现转化为对能源转型绩效的定量跨国评估。初步筛选确定了 18 个与绿色金融、可再生能源部署、公共财政支持、绿色技术创新、化石燃料依赖和社会经济条件相关的变量。然后，根据三个标准对这些变量进行评估：与能源转型机制的主题相关性，
国家能源转型绩效的规范性评估（MCDA/SMAA）
规范性多准则分析使用基准组合加权方案，该方案赋予源自 Scopus 索引科学出版物的文献计量权重和从国际报告中提取的制度权重同等的重要性。这种平衡的加权结构允许评估兼顾科学关注度和政策相关性，同时减轻依赖单一信息来源的潜在偏见。
对经合组织国家的比较评估
政策含义与建议
政策含义直接源自国家所占据的战略特征。MCDA/SMAA 排名与基于 SHAP 的预测关联之间的收敛表明，绿色金融策略应根据各国的可再生能源与化石燃料 RD&D 平衡、技术能力和结构性约束进行校准，而不是统一应用。
对于可再生能源主导型国家，政策重点应放在巩固现有优势上，而不是简单地扩大
结论
本研究考察了从 2011 年到 2022 年，绿色金融、公共创新支持、技术能力、财政工具和结构性国家条件如何与 31 个经合组织国家的国家能源转型绩效相关联。使用结合 WSM 和 TOPSIS 并由 SMAA 稳健性分析和可解释机器学习补充的多准则决策分析框架，本研究提供了对规范性绩效排名及...的综合评估
CRediT 作者贡献声明
Adel Ben Youssef: 概念化，项目行政，监督，写作 – 审查与编辑。Mounir Dahmani: 数据管理，形式分析，软件，验证，可视化，写作 – 原稿。Davide La Torre: 方法论，监督，写作 – 审查与编辑。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本论文中报告的工作。
Adel Ben Youssef|Mounir Dahmani|Davide La Torre
