Ein integriertes SSA-LSTM-Transformer-Modell zur Identifizierung und Vorhersage von Treibfaktoren der provinziellen Kohlenstoffemissionen in China

Um Chinas Ziele zur dualen Kohlenstoffreduzierung sowie eine nachhaltigkeitsorientierte Minderungspolitik zu unterstützen, entwickelt diese Studie ein SSA–LSTM–Transformer-Rahmenwerk zur Vorhersage provinzieller Kohlenstoffemissionen und zur interpretierbaren Analyse von Treibern. Mithilfe von Paneldaten für 30 Provinzen von 2005 bis 2022 wird SSA zur adaptiven Hyperparameteroptimierung eingesetzt, während das LSTM lokale zeitliche Erinnerungen erfasst und der Transformer langfristige Abhängigkeiten modelliert. Ablationstests und Benchmarks gegen acht weit verbreitete Modelle zeigen, dass das vorgeschlagene Rahmenwerk die beste Gesamtleistung im getesteten Datensatz erzielt, mit R2 = 0,9911 und NRMSE = 0,0192. Die SHAP-Analyse zeigt, dass eine kohlenstoffintensive Energiestruktur mit höheren prognostizierten Emissionen verbunden ist, während stärkere technologische Innovationen mit niedrigeren prognostizierten Emissionen assoziiert sind, und Muster der Merkmalsbedeutung variieren zwischen Entwicklungsstufen. Die Prognoseverläufe divergieren in den Jahren 2025–2035 und zeigen bis 2050 eine Tendenz zur Konvergenz unter den Modellannahmen, was differenzierte kurzfristige Minderungswege und langfristige interregionale Koordinierung und Technologiediffusion informiert. Die Ergebnisse bieten eine interpretierbare Evidenzbasis für nachhaltig orientierte dekabornisierungspolitiken auf provinzieller Ebene.