低碳创新预测：识别中国不同类别低碳技术创新的关键驱动因素

《Environmental Impact Assessment Review》：Low-carbon innovation prediction: Identifying the key driving factors of different categories of low-carbon technological innovation in China

中国低碳技术创新（LCTI）的时空演变与非线性驱动因素研究。整合CPC-Y02、WIPO-IPCGI和CNIPA-GLCTC三类分类系统，量化19类LCTI变量及35项驱动因素，揭示右尾增长趋势和城市群空间聚类特征，构建可解释AI模型解析非线性阈值效应，提出四类预测范式：数字基建、工业规模、研发投入、能耗强度。

　　

王文涛|李德志|王阳|詹炳乾|刘文毅|岳洪哲

东南大学土木工程学院建筑与房地产系，南京211189，中国

摘要

低碳技术创新（LCTI）是中国实现低碳转型的核心。尽管不同的LCTI类别反映了特定行业（如建筑、交通）或技术领域（如节能、碳捕获）的趋势，但现有研究尚未考察这些技术在主要分类系统中的时空演变，也未充分探讨特定类别LCTI成果与其关键驱动因素之间的非线性关系。为填补这些空白，本研究整合了CPC-Y02、WIPO-IPCGI和CNIPA-GLCTC分类系统，量化了19个不同的LCTI变量，并系统地识别出35个驱动因素。分析了每个LCTI类别的时间演变和空间聚集模式，随后开发了可解释人工智能（XAI）模型来识别关键驱动因素并描述这些非线性关系。研究结果表明：（1）大多数LCTI类别呈现出明显的右尾增长趋势，并在主要城市群中显示出清晰的空间聚集模式；（2）基于树的XAI模型显著优于线性模型，这突显了捕捉高维和非线性关系的重要性；（3）每个关键驱动因素都表现出强烈的非线性关系，其贡献在超过特定阈值后从中性负值转变为显著正值；（4）这些非线性关系可归结为四种预测范式：数字基础设施、产业规模、研发与投资以及能源消耗规模。

引言

城市化进程的加速显著加剧了人类活动，导致煤炭和石油消费量的增加，进而导致碳排放量的激增（Qiao等人，2024；Wang等人，2021）。中国快速而大规模的城市扩张进一步加剧了其碳减排工作的压力（Chen等人，2022；Wang等人，2024a）。为此，中国制定了雄心勃勃的长期“30·60”碳管理目标，即到2030年达到碳排放峰值，到2060年实现碳中和（Xian等人，2025）。低碳技术创新（LCTI）是实现这些目标的关键，它被广泛定义为任何能够减少生产或运营过程中碳排放的技术进步（Pan等人，2022；Yan等人，2025）。作为国家碳治理策略的关键工具，LCTI对于摆脱高碳经济框架和根深蒂固的能源系统至关重要，从而确保成功的低碳转型（Zhu等人，2019）。因此，揭示LCTI的时空演变及其与多维经济、社会和环境因素的复杂相互作用具有重要意义（Wang等人，2024d），因为这有助于更准确地诊断各地区LCTI能力的差异，揭示技术发展的动态扩散和路径依赖模式，并为制定有针对性的、分阶段的、区域差异化的低碳转型政策提供基础。

学者们通常使用专利数量来衡量中国的LCTI水平，主要依据三种广泛采用的分类系统。首先是欧洲专利局（EPO）和美国专利商标局（USPTO）共同开发的《气候变化缓解技术合作专利分类》（CPC-Y02），包含七个类别——Y02B、Y02C、Y02D、Y02E、Y02P、Y02T和Y02W——涵盖建筑效率、碳捕获、信息通信技术（ICT）、能源生产、工业过程、交通和废物管理（Pan和Cao，2024；Yan等人，2025；Zhu和Yue，2024；Yu等人，2023a）。其次是联合国世界知识产权组织（WIPO-IPCGI）开发的《国际专利分类绿色清单》，包含七个类别：替代能源、交通、节能、废物管理、农业和林业、核能以及行政或监管方面（Dong等人，2024；Zhu等人，2019）。第三是中国国家知识产权局（CNIPA-GLCTC）发布的《绿色低碳技术分类》，包括五个类别：化石能源减碳、节能与回收、清洁能源、能源储存以及碳捕获、利用和储存（Hu和Li，2023；Wang和Chu，2024）。

现有文献在使用这三个分类系统量化中国LCTI方面取得了显著进展。然而，大多数研究仅关注单一分类框架内LCTI的整体时空演变和空间分布。实际上，不同分类系统中的LCTI类别反映了不同领域、行业和技术类型的创新动态和低碳转型能力，这意味着它们的时空轨迹可能是特定于类别的、阶段依赖的，并且存在区域差异。缺乏对异质LCTI类别时空演变的系统分析可能导致对低碳创新机制的不完整甚至有偏的解释，并可能掩盖中国低碳转型中的结构性失衡——例如某些技术领域的快速进展掩盖了其他领域的停滞或锁定效应。此外，当统一的政策工具应用于根本不同的创新过程时，这种局限性可能导致政策设计不协调和资源分配效率低下。因此，需要在多个分类系统下对特定类别的LCTI进行时空分析，以提供更准确的理论理解和基于证据的政策制定基础。

在分析多维城市因素（如GDP增长、产业升级、碳排放）与LCTI之间的关系时，现有研究大多依赖于静态假设，仅关注平均或单一的因果效应（Dong等人，2024；Liu和Sun，2021）。尽管这些方法提供了有用的因果见解，但它们在捕捉高维和非线性动态方面存在局限性。这些驱动因素与LCTI之间的关系可能因值范围而异，并表现出依赖于阈值或甚至符号反转的模式（Dong等人，2025；Wang等人，2025a）。忽视这些非线性和阈值机制可能导致有偏的推断，并可能掩盖政策干预生效的条件。此外，LCTI在不同技术领域本质上是异质的，这意味着这些驱动因素与创新成果之间的关系在不同LCTI类别中可能并不统一。某些因素可能对特定类型的技术表现出强烈、稳定或情境特定的效应，而其他因素则可能较弱或可以忽略（Wang等人，2024d）。忽视这种异质性可能导致过于笼统的实证结论和缺乏实际相关性的通用政策建议。因此，识别不同类别LCTI的关键驱动因素并揭示它们之间的高维非线性关系对于生成细致的见解和实施有针对性的政策干预至关重要。

已经采用了多种模型和分析方法（包括多元线性回归（MLR）、Tobit回归、机器学习（ML）和深度学习（DL）方法）来研究LCTI与其驱动因素之间的关系。MLR直观且易于解释，因为它直接估计了各个因素的边际效应（Yang和Elbakri，2024）；然而，它依赖于静态线性假设，因此无法捕捉驱动因素与LCTI之间的复杂非线性关系。Tobit回归适用于因变量被审查或截断的情况，可以更准确地估计潜在连续变量与其协变量之间的线性关系（Fu等人，2022；Zhou和Shao，2023）。然而，Tobit模型同样依赖于线性和分布假设，限制了它们适应非线性动态的能力。相比之下，ML和DL模型在捕捉非线性关系和复杂模式方面表现出色，为从预测角度分析LCTI与其驱动因素之间的高维相互作用提供了更灵活的框架（Wang等人，2024d；Yue等人，2025）。然而，这些模型常常面临过拟合和解释性有限的挑战。近年来，可解释人工智能（XAI）通过结合ML/DL的预测能力和先进的解释方法，在这一领域引起了越来越多的关注（Shan等人，2025；Yin等人，2025）。XAI的一个关键优势在于它能够在保持决策过程透明度的同时解析复杂的高阶相互作用（Liu等人，2024；Yang等人，2024）。这与标准模型的不透明性质形成对比，因为XAI通过量化每个因素如何影响特定预测提供了详细的、实例级别的解释（Du等人，2025）。这种能力使XAI成为识别关键驱动因素和从预测角度分析非线性关系的特别有效的方法。

总之，本研究旨在解决两个问题。首先，以往的研究对CPC-Y02、WIPO-IPCGI和CNIPA-GLCTC分类系统中不同类别LCTI的时空演变关注不足。其次，尚未充分致力于识别不同类别LCTI的关键驱动因素，并从预测角度揭示它们之间的高维非线性关系。为此，本研究追求四个目标：（i）基于文献量化不同类别的LCTI并识别其多维驱动因素；（ii）研究不同类别LCTI的时间演变和空间聚集模式；（iii）开发用于预测不同类别LCTI的XAI模型；（iv）识别每个LCTI类别的关键驱动因素并描述它们的非线性关系。通过实现这些目标，本研究做出了三个主要贡献。首先，它揭示了不同LCTI类别的时间演变中的明显右尾动态和区域差异化的空间聚集模式，突显了中国城市中低碳创新的不均衡扩散和局部集中。其次，它提出了一种特征筛选策略，并开发了基于XAI的预测模型，将分析重点从事后的静态评估转向事前的预测分析，为探索LCTI与其驱动因素之间的高维关系提供了方法论基础。第三，它综合了四种不同的阈值类型预测效应——数字基础设施阈值、产业规模阈值、研发与投资条件阈值和能源消耗规模阈值——为理解特定类别的非线性动态提供了系统框架，并为制定更有针对性和情境敏感的政策提供了信息。

部分摘录

文献综述

大量且不断扩展的文献研究了LCTI的时空特征和驱动因素，如表1所示。大多数研究使用单一分类系统下的总专利数量来研究LCTI。少数研究将专利分为几大类——减排型、碳中和型和碳负型技术——以细化分析（Wang和Chu，2024；Yan等人，2025；Yang等人，2023）。然而，这种聚合限制了行业特定的见解，

方法论

图1展示了研究框架，包括四个主要步骤。首先，识别LCTI变量并选择其驱动因素。其次，分析所有LCTI变量的时间和空间演变趋势。第三，使用LASSO回归、Boruta算法和多重共线性分析来筛选每个LCTI变量的驱动因素。然后使用选定的特征作为输入变量，相应的LCTI变量作为输出变量，进行开发

不同类别LCTI的时间演变

图3展示了19个LCTI变量的KDE结果。图3（a）–（g）显示了CPC-Y02分类下七个变量的时间演变。2010年、2014年、2018年和2022年的比较表明，Y02B、Y02E、Y02P、Y02T和Y02W的KDE曲线中心逐渐向右移动，表明这些变量捕获的LCTI量持续增加。对于Y02B和Y02T，主峰的高度下降，而带宽逐渐

LCTI的右尾效应和空间聚集

综合4.1.1节中研究的19个LCTI变量的时间动态和空间模式，4.1.2节不同类别LCTI的空间演变显示，在整个研究期间所有指标都呈现出明显的右尾分布。这种模式表明LCTI在城市层面存在显著的不平等：少数城市持续处于创新前沿，而大多数城市仍集中在相对较低的水平。

结论

本研究重点关注三种系统（CPC-Y02、WIPO-IPCGI和CNIPA-GLCTC）下19个LCTI类别的关键驱动因素，每种系统反映了不同的行业、领域或技术类型的LCTI。利用2010年至2022年中国260个城市的数据，本研究实现了几个关键目标。首先，它识别了19个LCTI指标的时空演变模式（第4.1节）。其次，对于每个LCTI变量，使用了三个ML模型和三个DL模型

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了中国教育部人文社会科学基金（25YJAZH079）、江苏省社会科学基金（25GLB015）和东南大学博士生创新能力提升计划（CXJH_SEU 26110）的支持。