可解释的机器学习洞察——环境法规对低碳转型的影响：来自长江经济带的证据

《Journal of Cleaner Production》：Interpretable machine learning insights into the impact of environmental regulation on low-carbon transition: Evidence from the Yangtze River Economic Belt

　　• 探索长江经济带（YREB）中环境规制（ER）和低碳转型（LCT）的时空演变及其非线性关系。• YREB中的ER和LCT总体呈上升趋势，其中LCT显示出越来越平衡的区域分布模式。• YREB的ER和LCT在空间上均呈现出东部高、西部低的特征。• ER与其他因素（如经济发展）之间存在显著的交互效应，这些效应随发展阶段而变化。• ER对LCT具有明显的阈值效应：当ER超过0.338的临界值时，其正面影响显著增强。

引言
随着工业化和城市化的迅速推进，碳排放量持续增加，导致全球气温上升和极端气候事件频发。为应对这一挑战，国际社会达成了《巴黎协定》，各国此后设立了减排目标。作为经济活动的主要载体，城市通过低碳转型（LCT）在实现全球减排目标中起着关键作用（Seto等人，2021年）。环境规制（ER）通过制定排放标准、碳定价和绿色补贴等政策工具，在促进产业结构调整、能效提升和低碳技术创新方面发挥着重要作用（Gugler等人，2024年）。然而，ER的有效性受到多种因素的影响，例如区域发展阶段、产业结构和制度环境（Wang等人，2021a），因此需要针对特定地区进行深入研究。

城市低碳转型是一个复杂且多维度的过程，涉及能效、生态治理和技术创新等方面。当前关于LCT的研究主要集中在LCT的概念与内涵、测量与评估、驱动因素与障碍以及路径与实践上。在LCT的概念与内涵方面，其核心是通过系统性变革将经济社会发展与碳排放脱钩（Gbadeyan等人，2024年），随着全球气候治理的深化，其内涵也在不断扩展。早期研究重点在于调整能源结构和优化能效（Williams等人，2012年）。近年来，学术界强调LCT的整体特征，关注制度创新（Tan等人，2023年）、价值观（Qu，2023年）和国际合作（Rowan，2025年）的影响，并将LCT视为一个社会、政治、文化和技术变革相互依存的过程（Geels等人，2017年）。LCT的测量与评估研究可以分为两类：一类使用单一指标（如碳排放强度（Ren等人，2022年）、人均碳排放量和总碳排放量（Shen等人，2018年）来衡量城市LCT水平；另一类采用综合评估体系，运用层次分析法（AHP）（Wang等人，2024年）、数据包络分析（DEA）（Zeng等人，2022年）、超效率松弛度测量法（super-SBM）（Du等人，2023年）和熵权重-TOPSIS方法（Du等人，2022年）从经济、社会、城市规划、能源利用和环境等多个维度进行评估（Wang等人，2021b）。在LCT的驱动因素与障碍方面，经济领域的因素包括经济增长水平（Martín-Ortega和González-Sánchez，2023年）、产业结构（Tang等人，2026年）和开放程度（Xu和Cheng，2025年）；社会领域的因素包括城市化水平（Liu等人，2019年）、技术创新能力和能源消费结构（Tang等人，2026年）。现有研究主要运用结构分解分析（SDA）方法（Wu等人，2020年）、人口、富裕程度和技术的随机影响回归（STIRPAT）模型（Zhang等人，2017年）、地理加权回归（GTWR）模型（Li等人，2022年）和地理检测器模型（Xu等人，2021年）来分析各种因素对LCT的影响。例如，Li等人（2022年）使用GTWR模型分析了中国各省碳排放驱动因素的时空演变，发现能源强度和贸易开放度是影响碳排放的关键因素。在LCT的路径与实践方面，欧盟委员会推出的《市长气候与能源契约》（Croci等人，2021年）是一个值得注意的国际范例，该契约倡导城市通过管理公共部门活动（如建筑和交通）和提高公民意识来减少碳排放。相比之下，中国的LCT则依赖政策试点：低碳城市试点通过市场化、网络化和信息化等政策工具有效提高了碳排放效率（Ma等人，2021年），尤其是在非矿产资源依赖型城市和东部地区（Zhang等人，2022年）。资源型城市的可持续发展试点（Fan和Zhang，2021年）可以通过转移支付等方式促进当地的经济、社会和生态转型（Hu和He，2024年）。

环境规制（ER）的内涵随着经济发展复杂性的增加和对环境污染控制需求的提升而不断发展。最初，ER主要指政府采取的严厉措施，如制定法律法规限制企业的生产活动。随后，基于市场调节的经济激励和约束政策以及基于公众意识的行为规范被纳入ER的范畴（Testa等人，2011年），形成了“政府-市场-公众”的多元化治理模式。相关研究主要集中在ER效果的评估上。文献中对ER的经济效应有三种主要观点：第一种认为ER增加了企业的污染控制和 compliance 成本，降低了其要素生产力，不利于经济发展（Tang等人，2020年）；第二种认为适度的ER可以促使企业追求技术创新（Mahmood等人，2022年），同时推动高污染企业的转型与升级（Yang等人，2025年），从而支持高质量的经济增长；第三种认为ER与经济增长之间的关系是非线性的，不同强度和类型的ER对经济增长有不同的影响（Wang和Wang，2026年）。在ER的社会效应方面，研究发现ER可以通过改善大气和水质降低公共卫生成本（Yang和Zhang，2018年），产生健康效益（如减少呼吸系统疾病的发生率（Coomes等人，2022年）和居民医疗费用的降低（Zhou等人，2021年）；然而，ER也可能迫使制造企业增加环保资本投入，从而减少员工劳动收入份额（Cui等人，2023年）。在ER的环境效应方面，现有研究确定了ER改善环境质量的两个主要途径：一是企业增加研发投资以满足环境标准并开发应用清洁技术（Du和Li，2020年），这有助于提升城市的绿色创新能力（Yang等人，2021年）并减少污染物和温室气体排放；二是ER可以影响工业选址决策（Liu等人，2023a）：限制高污染制造企业同时吸引服务型企业（Ding等人，2025b）可以优化工业空间布局，减少区域总碳排放并有效改善空气质量（Dong等人，2022年）。然而，ER的地区差异可能导致高污染企业迁往监管较宽松的邻近城市，从而造成污染转移。这种空间溢出效应可能会削弱甚至抵消本地ER带来的环境质量改善（Feng等人，2020年）。

尽管在LCT和ER领域取得了显著进展，但仍有一些重要问题需要进一步探索。首先，指数体系构建存在明显缺陷。目前的LCT测量主要关注碳排放强度和能源消费结构等直接指标，而缺乏对绿色技术创新和生态治理等扩展维度的系统考虑。ER的指标体系侧重于量化命令控制政策，对市场激励和公众参与机制的考虑不足。在长江经济带这样区域发展不平衡和产业结构多元化的地区，现有指标体系无法全面反映LCT的实际过程，也无法充分反映区域低碳发展中的结构性障碍和实际困难，如传统工业城市的转型缓慢和绿色技术转型的效率低下。其次，对ER影响LCT机制的分析不够深入。大多数现有研究仅验证ER对经济表现的单一方向影响或通过技术进步展示其间接途径，但缺乏对具体传递机制的深入探讨，特别是ER强度的阈值效应和政策实施的区域异质性等关键方面的讨论不够充分。第三，方法论存在明显局限。传统的计量经济模型（如差异系数法和固定效应模型）基于线性假设，难以捕捉ER强度与LCT之间的阈值效应或递减边际效应。虽然一些机器学习方法（如随机森林）能够捕捉非线性关系（Feng等人，2025年），但其黑箱性质限制了它们分析多维变量交互效应和动态演变过程的能力，难以准确反映ER与LCT之间的复杂关系。尽管有一些研究将可解释的机器学习框架应用于碳排放分析（Liu等人，2025b），但在流域尺度上的研究仍较为匮乏，导致政策效果的评估过于简化。

本文构建的LCT指标体系量化了城市低碳转型的整体绩效，作为反映低碳转型进展的结果变量。相比之下，ER整合了命令控制、市场激励和公众参与等治理手段，作为长期限制和引导区域低碳发展行为的核心外部驱动系统。基于上述讨论，本研究在三个方面推进了现有研究：首先，构建了一个多维综合指标体系，系统量化区域LCT和ER的复杂内涵；针对现有测量体系的局限性和区域发展的现实，建立了涵盖命令控制、市场激励和公众参与三个维度的ER指数，更全面地反映了长江经济带的多样化政策实践；同时开发了涵盖能效、生态治理和科技创新三个方面的LCT指数，克服了传统单一碳排放导向方法的局限性。这为评估ER在城市LCT中的作用提供了系统的定量工具。其次，在方法论上，为克服传统线性模型的局限性和严格分析复杂关系，本研究引入了极端梯度提升（XGBoost）-SHapley Additive exPlanations（SHAP）可解释机器学习框架来研究城市LCT。XGBoost模型不仅能识别不同强度下ER的非线性影响，还能探讨ER与产业结构、交通条件和金融发展等多维控制变量之间的相互作用；SHAP解释框架进一步量化了每个变量对LCT的边际贡献，并可视化了上述非线性互动的具体路径，从而解决了机器学习模型的黑箱问题。第三，选择长江经济带作为研究区域是因为该地区是中国经济密度最高、生态意义最为重要的区域之一；研究其LCT路径对于实现中国的双碳目标具有战略意义。此外，它还是世界上最大的内陆河流域经济区之一，其治理经验可为其他地区提供宝贵参考。

本文的其余部分结构如下：第2节介绍研究区域和研究方法，第3节探讨ER和LCT的时空差异特征，第4节估计ER对LCT的影响，第5节深入讨论实证结果，第6节得出主要结论和政策启示。图1展示了整体研究框架，包括ER和LCT的多维指标构建、时空差异分析和基于XGBoost-SHAP的驱动机制探索。这是中国非常重要的经济走廊，同时也是一个碳排放高度集中、环境压力巨大的地区。作为生态文明建设的试点示范区，该地区已经建立了一个多层次、多维度的政策体系来管理生态环境（ER）。近年来，利用ArcGIS统计分析模块中的趋势分析工具，生成了2010年至2023年长江经济带生态效益（ER）和低碳转型（LCT）水平的空间趋势图（图3）。从2010年到2023年，长江经济带中ER和LCT的整体空间格局保持相对稳定，并表现出相似的特征。这两个指数都显示出从西向东（X轴方向）逐渐增加的趋势。

本研究使用XGBoost模型来探讨ER对LCT的影响。为了提高模型的泛化能力，采用了网格搜索方法优化参数。同时，将数据集随机分为70%的训练集和30%的测试集，并结合五折交叉验证来进一步确保模型性能评估的准确性。最终确定的最佳超参数组合为：nrounds=1000，max_depth=5，eta=0.033，gamma=0.02。

研究结果表明，当ER的强度超过0.338这一临界阈值时，ER对LCT的促进作用从负面转为正面。ER的这种阈值效应可以通过路径依赖理论、波特假说和遵从成本假说来解释。一旦产业发展陷入碳密集型路径，在规模经济、边做边学等效应的作用下，就会形成自我强化的技术锁定。

通过采用趋势表面分析和可解释的机器学习框架，本研究揭示了2010年至2023年长江经济带中ER与LCT之间的复杂关系，并得出以下结论：（1）从空间格局上看，ER指数在东部和北部高于西部和南部，而LCT指数在东部高于西部，并且从U形格局演变为实现北部高于南部的格局。

王凯宁：负责撰写、审阅与编辑、原始草案撰写、数据可视化、软件应用、项目管理工作、方法论设计、数据分析、数据整理及概念构建；高曼琪：负责原始草案撰写、研究监督、数据整理；尹尚刚：负责撰写、审阅与编辑、模型验证、资源协调、项目管理工作、资金筹集及数据整理；张宁：负责原始草案撰写和研究监督。

作者声明：作者们声明没有已知的可能影响本文工作的竞争性财务利益或个人关系。

本工作得到了中国国家自然科学基金（项目编号42301231）、教育部人文社会科学研究青年基金项目（项目编号23YJCZH282）、浙江省自然科学基金（项目编号ZCLQ24D0101）以及浙江大学学生科技创新活动计划（新苗人才计划补贴项目，项目编号2026R404A016）的支持。

关键词：生态效益（ER）、低碳转型（LCT）、长江经济带、趋势表面分析、机器学习