《Journal of Environmental Management》：Uncovering spatial clustering and heterogeneity of energy consumption drivers of wastewater treatment plants in China: A shap-lisa integrated approach
编辑推荐：
长晓凡|魏安蕾|郭洋洋|岳生博|季晓丹|何一凡|唐康荣|王子轩|邹吉瑞中国西北大学城市与环境科学学院地球表面系统与环境承载能力重点实验室，西安，710127摘要在中国的“双碳”目标以及即将制定的“十五五”规划背景下，提高污水处理厂（WWTP）的能源效率是一个紧迫的环境管理挑战，然
长晓凡|魏安蕾|郭洋洋|岳生博|季晓丹|何一凡|唐康荣|王子轩|邹吉瑞
中国西北大学城市与环境科学学院地球表面系统与环境承载能力重点实验室，西安，710127
摘要
在中国的“双碳”目标以及即将制定的“十五五”规划背景下，提高污水处理厂（WWTP）的能源效率是一个紧迫的环境管理挑战，然而能源消耗的空间异质性仍缺乏深入理解。为了解决这一问题，我们开发了一个以政策为导向的分析框架，结合了分解分析、基于机器学习的预测和空间解释方法，利用全国性的数据集来识别影响污水处理厂能源消耗的驱动因素。这种方法特别设计用于区分影响能源消耗的多维和空间变化因素，相比传统的统一评估提供了更为细致的理解。研究结果显示，不同地区的能源使用模式存在显著差异。处理能力和进水水质是主要驱动因素，但其影响在不同地区之间存在显著差异。值得注意的是，尽管污染物去除要求因地点而异，但更广泛的社会经济和气候因素在能源消耗方面仍表现出强烈的区域性特征。这些发现为用针对区域实际情况的本地化效率标准取代全国统一基准提供了定量依据。通过提供一个空间明确且可解释的框架，本研究为将污水处理行业管理与中国更广泛的可持续发展目标相协调提供了可行的见解。
引言
在中国“双碳”目标和即将制定的“十五五”规划背景下，提高污水处理厂（WWTP）的能源效率已成为一项重要的环境管理任务（Song等人，2025；Zhang和Chen，2026）。污水处理厂对于保护水生生态系统至关重要，但同时也是能源消耗最高的市政基础设施之一（Saleh等人，2025）。电力消耗通常占运营成本的25%-40%，其中曝气系统就占到了总能源需求的60%（Di Fraia等人，2018；Rusmanis等人，2022）。在中国，快速的城市化和更严格的排放标准导致了污水处理厂电力消耗的持续增加，给市政预算和国家碳中和目标带来了压力。因此，提高污水处理厂的能源效率已经从一项技术问题发展成为“十五五”规划期间的一个战略性治理挑战。
越来越多的研究探讨了污水处理厂能源使用的驱动因素，但仍存在两个不足。首先，如对数平均分解指数（LMDI）之类的分解方法虽然可以有效地分离活动、强度和结构因素的贡献，但其应用通常局限于国家或行业层面（Roux和Plank，2022；Zhang等人，2021）。这种汇总方式隐含了空间同质性的假设，掩盖了显著的地区差异，可能导致不适用于所有地区的“一刀切”国家政策建议。因此，传统的LMDI研究难以为特定地区的能源管理提供指导。
其次，机器学习（ML）模型在预测污水处理厂能源消耗方面表现良好，但大多数研究依赖于小型或本地数据集，并且仅关注统计准确性（Allen和Cordiner，2025；Boutros等人，2025；Singh等人，2023；Yue等人，2025；Zhang等人，2024；Zhu等人，2022）。更广泛的因素，如气候条件、经济发展和地理环境，往往被忽略。此外，污水处理厂能源数据的空间聚类和不平衡问题也未得到充分研究，限制了现有ML应用的可解释性和政策相关性。
为了克服这些局限性，需要一种方法论方法，能够量化能源使用驱动因素的区域差异，利用大型且空间分布不均的数据集模拟非线性相互作用，并揭示关键驱动因素在地理上的聚集方式。本研究开发的分析框架整合了LMDI分解、机器学习预测和空间解释工具，以满足这些需求。LMDI提供了一种经济直观的能源使用驱动因素分解方法（Tenaw，2021）；XGBoost模型适用于非线性和异质性的污水处理厂数据（Singh等人，2023；Yue等人，2025；Zhang等人，2024；Zhu等人，2022）；SHAP与局部空间关联指标（LISA）的结合揭示了能源驱动因素在空间上的变化和聚集模式。
本研究在三个方面做出了重要贡献。首先，它提供了中国首个空间明确的全国性污水处理厂能源消耗分解结果，揭示了活动、强度和结构效应的显著区域差异。其次，它开发了一个具有空间适应性的机器学习模型，能够捕捉非线性关系并解决空间不平衡问题，从而提供了更稳健的分析框架，以理解污水处理厂能源需求的复杂非线性动态。第三，它将基于SHAP的解释与空间自相关分析相结合，实现了对关键能源驱动因素及其聚集模式的空间明确评估。
通过在一个统一的框架内结合分解分析、预测建模和空间诊断，本研究全面理解了中国污水处理厂能源使用的空间异质性。这些发现为制定适应不同地区的差异化策略提供了可行见解，以支持在国家气候变化和发展政策下的低碳和节能型污水处理基础设施。
章节片段
数据来源
本研究使用的数据来自《2018年中国城市排水》统计年鉴，其中提供了全国范围内污水处理厂（WWTP）的运行统计数据。该年鉴汇总了由中国住房和城乡建设部（MOHURD）管理的全国城市排水统计报告系统报告的工厂级信息。获得许可的污水处理厂必须向该系统提交年度运行记录，包括
按地区划分的LMDI分解
如表1所示，加性LMDI分解显示，污水处理厂（WWTP）全国能源消耗的差异主要由能源强度效应（I）驱动，占总变化的65.8%（ΔE = ?967.3380）。活动效应（A）占33.2%（ΔE = ?487.8050），而结构效应（S）仅贡献了1.1%（ΔE = ?15.6861）。因此，全国能源消耗的总体减少（ΔE
讨论
研究发现表明，污水处理厂的能源消耗受到一系列经济直观且具有全球意义的结构性和空间性机制的影响。在中国，气候、城市发展强度和处理规模的巨大差异导致了不同的“能源使用模式”，这意味着不同地区的工厂面临根本不同的成本结构和激励措施。LMDI分解和SHAP-LISA分析共同表明，能源强度的变化
结论
通过结合宏观层面的分解、机器学习预测和空间解释，本研究揭示了中国全国范围内污水处理厂能源消耗驱动因素的空间异质性和聚集情况，克服了以往主要关注单一技术或局部案例研究的局限性。主要结论如下：
(1)LMDI分解显示，驱动污水处理厂能源消耗的机制存在显著的空间异质性
长晓凡：撰写——审稿与编辑，撰写——初稿，可视化，验证，软件，方法论，调查，正式分析，数据整理，概念化。魏安蕾：撰写——审稿与编辑，监督，项目管理，概念化。郭洋洋：验证，方法论。岳生博：验证，数据整理。季晓丹：软件，正式分析。何一凡：方法论，正式分析。唐康荣：软件，正式分析。王子轩：
利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。
致谢
本研究得到了国家自然科学基金（项目编号：42577432和U24A20191）的支持。
