将因果推断与可解释人工智能相结合:碳市场中的动态机制与极端事件模拟

《Applied Energy》:Fusing causal inference and explainable AI: dynamic mechanisms and extreme event simulation in carbon markets

【字体: 大 中 小 】 时间:2026年03月08日 来源:Applied Energy 12.2

编辑推荐:

  周星|徐建泽|张凤兰|金毅|牛安艺 中国江苏省徐州市江苏师范大学商学院,邮编221116 摘要 碳市场对价格波动和极端事件的抵御能力是制定可信气候政策的关键。传统分析模型常常将相关性误认为因果关系,从而削弱了机制解释和压力测试的可靠性。为弥补这一缺陷,我们基于双重或

  周星|徐建泽|张凤兰|金毅|牛安艺
中国江苏省徐州市江苏师范大学商学院,邮编221116

摘要
碳市场对价格波动和极端事件的抵御能力是制定可信气候政策的关键。传统分析模型常常将相关性误认为因果关系,从而削弱了机制解释和压力测试的可靠性。为弥补这一缺陷,我们基于双重或去偏因果推断构建了一个可解释的机器学习框架。该框架明确了效应方向,提升了后续解释性诊断的稳定性。以中国全国碳排放权交易体系的配额价格为例——在研究期间,该价格主要由电力行业的履约交易决定——我们识别出了六种主要影响因素,并追踪了这些因素在不同季节和市场环境下的影响力变化。随后,我们对市场进行了13种反事实压力测试。与俄乌战争期间相似的全球清洁能源指数和煤炭价格同步上涨的情景,导致平均配额价格下降了25.91%,暴露出市场的重大脆弱性。在12种减排工具中,拍卖保留价下限在环境效益、经济效率及风险控制之间实现了最佳平衡。这些研究结果为设计稳健的配额储备和价格稳定机制提供了量化依据。

引言
碳排放权交易现已成为38个国家和地区用于气候减缓的重要市场工具[1]。然而,大多数市场的价格信号传导能力较弱,碳价波动剧烈,这不仅削弱了减排动力,还降低了资源配置效率[2]。这些问题的根源在于难以捕捉影响碳价的非线性相互作用及其动态演变过程。可解释人工智能为阐明这些机制提供了数据驱动的方法[3]。但现有研究往往忽视了模型特征与目标变量之间需存在因果关系的要求,从而导致预测误差增大,政策相关性降低。本研究引入了一种结合因果推断的可解释机器学习框架,以解决上述问题。由此产生的风险缓解策略可为市场设计优化和风险管理提供综合政策支撑。

然而,弥补这一差距并非易事。碳价形成机制的复杂性阻碍了从相关性发现向可靠因果模拟的进展。碳价存在于一个多层系统中,包括自上而下的政策架构[4]、相互关联的能源、金融、商品及碳汇市场[5][6],以及广泛的宏观经济和环境指标[7][8]。季节性需求周期、不断发展的减排技术以及变化的生态指标都与这些力量相互作用,产生难以追踪的时变弹性。这些特征之间的相互作用是非线性的且随时间变化[9],给建模带来了巨大挑战。传统研究范式因此未能达到预期效果。传统计量经济模型依赖线性或预先设定的结构,无法捕捉重要的数据驱动依赖关系[10]。可解释机器学习虽提供了一种有前景的替代方案,但大多数实现仅停留在相关性分析层面,未能建立因果基础[11]。此外,其解释结果往往取决于对单一学习算法的任意选择,使得结果容易受到模型特定因素的影响。这种方法论困境凸显了构建新框架的必要性。这样的框架首先需确立因果关系,然后系统评估多种学习方法,确保最终模型选择基于可靠的比较证据而非假设。

确立因果关系是该框架的基础要求,这需要系统评估各种分析方法。在三种主流方法中,我们首先排除了传统的识别方法,如工具变量法和回归断点法。这些方法的识别条件十分严格,且与我们研究数十个连续变化特征的目标不相符。有效的工具变量极为稀缺,而且数据中也没有明确的政策分界点[12][13]。基于有向无环图的方法也不适用,因为它们主要用于结构发现而非效应估计,且依赖于因果充分性。而在碳市场中,市场情绪等未被观察到的混杂因素普遍存在[14]。其次,以预测为导向的机器学习方法,如LASSO和随机森林,能够处理高维数据并揭示变量间的关联[15][16]。尽管它们的目标是最小化预测误差,但特征重要性往往混淆了相关性与因果性,无法给出无偏的效应估计[17]。第三,试图将因果推断与机器学习相结合的方法也仅部分解决了这一问题。早期的方法,如增强逆概率加权法,依赖于参数化的干扰模型。在高维和非线性环境中,这些模型容易出现设定错误,从而影响推断结果[18][19]。双重/去偏机器学习在现代双重机器学习框架下解决了这些限制[20]。不过,最近的扩展版本,如面板双重机器学习、交互式双重机器学习和贝叶斯双重机器学习,并不适用于我们的研究场景[21][22][23]。它们要么需要面板数据,要么强调超出研究范围的交互效应,要么依赖不同的推断范式。因此,我们采用基础的双重机器学习估计器,作为处理高维观测数据进行因果分析的最直接且合适的工具。该方法通过正交化和交叉拟合,将灵活的学习方法与严谨的识别过程相结合,从而减少设定错误偏差,并利用机器学习捕捉复杂结构[24]。

这种严谨的因果识别并非纯粹的技术目标,其重要性源于碳市场的结构性脆弱性。与成熟的商品交易所不同,碳市场仍极易受到地缘政治冲突和政策突变等外部冲击的影响。这类冲击可能导致价格剧烈波动,削弱碳价与经济基本面的联系[25]。因此,有效的风险管理必须从被动应对转向在极端情景下进行主动的压力测试。但任何模拟结果的可靠性都取决于对相关因果机制的提前识别。现有范式在这方面存在不足。模拟研究往往依赖预设的结构或假设的关系,而这些在压力环境下往往会失效[26]。以政策为重点的分析虽然提供了实用的概念,但通常仅停留在定性层面,缺乏实现真实参数化的数据基础。因此,该领域存在方法论缺口。研究人员需要一种框架,既能确定碳价背后的因果驱动因素,又能解释其运作机制,进而将经过验证的知识应用于情景设计和风险缓解。

本研究正是为填补这一缺口而展开的。我们开发并实施了一个符合这一目标的多元阶段框架。首先,我们使用集成双重机器学习方法筛选出具有显著性和稳定性的候选预测因子,从而建立坚实的实证基础。其次,我们通过构建分类提升模型来描述作用机制,该模型能够捕捉非线性及时变效应,揭示出不同季节和履约周期阶段的显著差异性。最后,我们将这些经过验证的知识应用于与政策相关的压力测试中。模拟结果显示出一些关键脆弱性:全球清洁能源指数和煤炭价格同时发生变动时,会通过替代效应和成本效应的共同作用,导致碳价出现急剧的单向下跌。本研究主要有三方面贡献:

1)本研究通过超越基于相关性的预筛选方式,加强了碳价特征的选择流程。在因果筛选阶段,我们将非线性依赖过滤与正交化和交叉拟合下的双重机器学习方法相结合。只有那些在多种不同学习模型中都能表现出稳定效应且经过多重共线性检验后仍不冗余的特征才会被保留下来。最终得到的特征集简洁且与机制一致,为解释和反事实压力测试提供了可靠的依据。

2)仅依赖单一损失度量标准可能会掩盖预测精度与机制可解释性之间的权衡。因此,模型选择被转化为一个多准则决策过程,该过程同时考虑了样本外性能以及两种明确的可解释性诊断指标。机制可解释性是通过双重机器学习得出的因果排序与基于SHAP的归因排序之间的等级一致性,以及SHAP重要性排名在时间顺序折叠中的稳定性来量化的。所选模型不仅在预测精度上表现优异,还能生成稳定且与机制一致的归因结果,从而为模型选择提供更具政策相关性的依据。

3)我们建立了压力测试模块,该模块将经过验证的特征映射到基于历史数据的极端情景中,同时保持这些特征之间的联合依赖关系。通过所选的预测模型对尾部风险进行量化,从而能够在相似风险状态下对各种减排工具进行统一比较。研究结果表明,下行风险主要集中在联合尾部事件中,这支持采用分层工具组合,结合基于规则的储备操作和保障措施来维护环境完整性。

本文的其余部分安排如下:第2节回顾相关文献;第3节详细介绍方法论;第4节阐述数据及制度背景;第5节展示关于碳价驱动因素的主要研究结果;第6节通过一系列基于模拟的压力测试应用这些发现;第7节讨论关键研究发现,将其置于现有研究背景下,并分析潜在局限性;最后一部分则探讨政策启示。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号