基于EU MRV数据的集装箱船距离归一化燃油消耗（FC/nm）船队级基准评估：可解释机器学习方法

《Sustainability》：EU MRV-Based Fleet-Level Benchmarking of Container Ship Distance-Normalised Fuel Consumption Using Explainable Machine Learning

　　

海事脱碳要求透明地使用经核实的排放数据，同时不应夸大监管数据集所能解释的内容。本研究考察了欧盟监测、报告与核验（Monitoring, Reporting, and Verification，MRV）数据如何支持集装箱船距离归一化燃油消耗的描述性基准评估。在2024年MRV记录的14,147条记录中，保留了2097艘集装箱船。每海里燃油消耗（fuel consumption per nautical mile，FC/nm）被视为绝对距离归一化燃油使用指标，而非货物调整后的效率度量。研究在目标相关诊断设定和精简设定下评估了四种算法。诊断结果代表目标相关重建，而非真正预测。仅训练集超参数调优使精简设定测试集R²达到梯度提升（Gradient Boosting）0.8958和XGBoost 0.8888。在精简设定中，随机森林（Random Forest）的特征归因主要由排放衍生预测变量主导。仅使用海上时间和认证的严格非排放随机森林表现差于均值基线（R² = ?0.2890）。与MRV报告的每运输功（质量）燃油消耗（95.1%的船舶可用）的比较显示强负相关（ρ = ?0.822），证实FC/nm四分位数不是货物调整后的效率排名。研究表明，可解释机器学习能够透明地诊断MRV数据中的信息结构，同时证明仅靠这些变量无法支持因果、航次级、跨船舶效率或政策解释。

国际航运承担全球超过80%的货物贸易量，同时面临显著减排压力。国际海事组织（IMO）最新评估显示，国际航运总燃料消耗从2019年2.13亿吨降至2023年2.11亿吨，碳强度较2008年基线下降31.0%（供应法）和36.5%（需求法）。监管方面，欧盟监测、报告与核验（Monitoring, Reporting, and Verification，MRV）系统提供经核实的年度排放与活动数据，并与EU ETS、FuelEU Maritime等机制关联。然而，公共MRV记录是船舶级年度聚合数据，不包含航次级速度、天气、载货、吃水等变量，因此每海里燃油消耗（fuel consumption per nautical mile，FC/nm）只能视为绝对距离归一化燃油使用指标，而非货物调整后的效率度量。已有MRV宏观预测研究可能因纳入与目标紧密相关的变量而高估预测意义，且缺乏对目标相关诊断、精简与严格非排放设定的系统比较。为弥合这些空白，研究人员以2024年EU MRV集装箱船队为对象，用可解释机器学习评估公共MRV变量能在多大程度上重建FC/nm分布，并明确其解释边界。

研究人员从EMSA THETIS-MRV门户获取2024年EU MRV数据（版本v224），在14,147条记录中筛选出2097艘集装箱船（剔除1个极端离群值）。研究构建三个嵌套预测设定：目标相关诊断设定（含总燃料、总CO₂）、精简设定（去除两个总量变量但保留排放衍生变量）、严格非排放设定（仅海上时间和认证类别）。评估线性回归、随机森林（Random Forest）、梯度提升（Gradient Boosting）和XGBoost四种算法，采用80/20训练/测试划分、五折交叉验证、仅训练集超参数搜索、随机森林收敛分析、SHAP（Shapley加性解释）、排列重要性（Permutation Importance）与TreeSHAP可解释性分析，并补充MRV报告的单位运输功（质量）燃油消耗比较和2022—2023年时间稳健性检验。关键结论包括：诊断设定高拟合属目标相关重建；精简设定中调优后梯度提升测试R²=0.8958、XGBoost=0.8888，但归因由排放衍生变量主导；严格非排放随机森林R²=-0.2890，低于均值基线；FC/nm与单位运输功燃油消耗呈强负相关（ρ=-0.822）。研究以透明诊断设计展示了MRV数据能够支持描述性船队基准，但无法支持因果或航次级解释，对海事脱碳研究中的指标使用具有警示意义。

关键技术方法：数据来源于EU MRV 2024年公开数据集（THETIS-MRV平台），样本为2097艘集装箱船。分析方法包括：构建目标相关诊断、精简