《Sustainability》：China’s Dual-Carbon Policy: A Two-Stage Hybrid Assessment Framework for Provincial Crude Steel Capacity-Adjustment Pressure Using XGBoost and SHAP
编辑推荐：
在中国双碳目标背景下——2030年前碳排放达峰、2060年前实现碳中和——钢铁行业产能优化不能再仅仅依靠总量减产。相反，治理必须转向将规模控制、结构调整和区域协调配置相结合的多维路径。研究人员开发了一种可量化且可解释的产能调整压力评估模型。省级月度粗钢产量被用
在中国双碳目标背景下——2030年前碳排放达峰、2060年前实现碳中和——钢铁行业产能优化不能再仅仅依靠总量减产。相反，治理必须转向将规模控制、结构调整和区域协调配置相结合的多维路径。研究人员开发了一种可量化且可解释的产能调整压力评估模型。省级月度粗钢产量被用作产能利用和生产调整的高频代理指标。采用加性时间序列分解从月度产量中提取三个分量——趋势、残差和波动——分别代表结构性演化、短期偏差和冲击暴露。该模型进一步纳入多维变量，包括下游钢材需求、资源与运输约束、废钢比和政策约束。在此基础上，开发了一个两阶段混合评估框架。第一阶段，使用极端梯度提升（XGBoost）学习非线性关系并获得数据驱动的特征重要性。第二阶段，构建综合压力指数，并通过稳健的基于秩的映射机制将其转换为标准化的0–100分。随后使用双阈值生成三项政策建议：维持现有产能、结构优化和产能削减。结果表明，生产趋势和波动强度是产能调整压力的主要驱动因素，而显著的空间异质性要求高度本地化的策略。分类方案将25个省份划归维持现有产能，3个省份划归结构优化，3个省份划归定向产能削减。最后，整合SHapley Additive exPlanations（SHAP）增强了模型的可解释性，并为从无差别产能压制转向差异化、区域特定的产能治理提供了定量基础，从而支持全球钢铁行业的可持续低碳发展。
**论文解读**
在全球气候治理和中国“双碳”目标（2030年碳达峰、2060年碳中和）的推动下，钢铁行业作为高耗能、高碳排放部门，其产能治理方式必须从总量削减转向多维协同。然而，现有评估方法存在两大局限：一是传统数据包络分析（DEA）等方法依赖低频年度统计，难以捕捉高频生产波动与短期外生冲击；二是先进机器学习模型（如XGBoost）具有“黑箱”特性，预测精度虽高，却难以为差异化政策制定提供透明的特征归因。因此，亟需一个整合高频时间序列分解与可解释机器学习的评估框架，以识别省级粗钢产能调整压力及其驱动机制。
研究人员基于2022年3月至2025年12月中国28个省份的月度粗钢产量数据（数据来源：国家统计局、省级统计年鉴、Mysteel），构建了省级粗钢产能调整压力的两阶段混合评估框架。第一阶段采用加性时间序列分解提取趋势、残差和波动分量，通过主成分分析（PCA）构建代理标签；第二阶段以XGBoost学习多维外部驱动因素与代理标签的非线性映射，并结合SHAP进行全局和局部解释。研究得出：生产趋势和波动强度是产能调整压力的主要驱动因素；不同省份的驱动机制存在显著异质性；基于0-100综合得分与双阈值（40、70）的分类，12个省份需维持现有产能、9个需结构优化、10个需产能削减（其中河北、江苏、广西得分超过70）。该框架为从无差别产能压制转向差异化区域治理提供了定量支撑。
研究采用的主要方法包括：加性时间序列分解（提取趋势、残差、波动）、PCA（合成代理标签）、XGBoost（非线性拟合）、SHAP（特征归因解释）、稳健秩映射与双阈值分类。样本队列来源为2022年3月至2025年12月期间有可观测产出的28个省份，最终分类覆盖全部31个省级区域，数据来源于国家统计局、省级统计年鉴和Mysteel。
**3.1 产出的时间序列分解**：通过加性分解，揭示了七大区域趋势分化特征。华南和西南呈上升趋势，华北和华东在政策约束下呈下行趋势，东北和西北呈渐进调整。残差和波动分量揭示出短期冲击的时点与幅度，如吉林2024年11月出现异常产能释放。
**3.2 异质性与波动结构**：引入相对变化指标和波动强度指标，发现河北、江苏、山西、山东、广西短期波动强度最高；不同省份存在反周期扩张或结构收缩等差异，单一国家宏观趋势掩盖了复杂区域分化。
**3.3 产出趋势与波动特征**：构建“趋势×波动”四象限图。吉林、云南、福建属于扩张-高波动型；广东、浙江、四川属于扩张-低波动型；河北、江苏、山西、辽宁属于收缩-高波动型；河南、天津、湖北、重庆属于收缩-低波动型。
**3.4 核心特征相关性**：Pearson相关分析显示波动强度与残差强度高度正相关（0.88），煤耗强度与运输强度高度相关（0.87），因此分别合并为“短期冲击机制”和“资源-运输约束机制”，以避免冗余变量干扰决策树分裂逻辑。
**4.1 模型性能与分类**：XGBoost模型在测试集上决定系数（R2）为0.9427，平均绝对误差（MAE）为0.0471，均方根误差（RMSE）为0.1055。特征重要性显示波动强度的均值和最大值贡献最大。31个省级区域分类为：12省维持现有产能、9省结构优化、10省产能削减。河北、江苏、广西得分超过70，属于明确减量高压区；西藏、河南等靠近40分边界，分类敏感。
**4.2 边际效应与特征交互**：SHAP结果表明，生产趋势和波动强度是关键驱动因素。下游钢材需求高会增加压力。河北压力主要来自政策约束和波动强度，福建主要由下游需求与废钢比驱动，显示区域间主导机制差异。
**5.1 分类阈值敏感性分析**：交替阈值与基准分类一致率达90.32%，边界省份对参数敏感，高/低压力省份分类稳健。
**5.2 权重扰动测试**：采用Dirichlet分布扰动权重，计算分类稳定率。边界省份（如西藏、河南等）对权重波动更敏感，整体分类稳定性较高。
在讨论部分，研究人员将框架扩展至全球背景，特别是欧盟（EU）的碳边境调节机制（CBAM）和钢铁脱碳。以波兰为例，其以高炉-转炉（BF-BOF）生产为主，需转向氢基直接还原铁-电弧炉（H2-DRI-EAF）等低碳路线。研究强调产能调整压力并非空间均匀，框架可作为可转移的决策支持工具，支持钢铁生产地区制定结构优化和差异化低碳转型路径。
研究结论如下：本研究通过开发基于高频代理信号的两阶段混合评估框架，解决了省级产能状态难以直接观测的问题。通过整合XGBoost和SHAP，该框架分离了生产波动特征，识别了其驱动机制，并能够对省级监管需求进行量化评估和可解释分类。针对三个研究问题：（1）加性时间序列分解将长期结构性生产趋势与短期波动分离，揭示了显著时空异质性，降低了将短期供应链冲击误判为结构性产能变化的风险；（2）SHAP增强的XGBoost模型表明，产能调整压力不仅受环境政策影响，还受结构趋势、短期波动强度和下游钢材需求的非线性交互影响，且省份间主导机制差异显著；（3）标准化的0-100综合压力指数和稳健的秩映射提供了可解释的分级评估机制，支持从无差别总量限制转向科学差异化监管。因此，产能监管应采取分级策略：低压区维持现有产能，稳定产出并防止落后产能复燃；中压区优先结构优化，从传统高炉-转炉（BF-BOF）转向电弧炉（EAF）短流程，提高废钢比，升级产品结构；高压区实施更严格的产能削减，淘汰高耗能设备。同时需提高煤炭供应效率和区域协调。未来研究应纳入碳排放、价格冲击和贸易波动等更细粒度指标，进一步优化全球低碳转型下的前瞻性产能路径。
