公衆衛生政策は炭素削減を促進できるか — SHAP-BiLSTMに基づく中国の炭素排出予測と政策寄与の帰属分析
Can Public Health Policies Drive Carbon Reduction? — Forecasting China's Carbon Emissions and Attribution of Policy Contributions Based on SHAP-BiLSTM (原題)
Haoyu Cheng, Yuanfang Du
🤖 gxceed AI 要約
日本語
本研究はSHAP-BiLSTM手法を提案し、中国の日次炭素排出データ（2019年1月〜2025年9月、2,466観測）を用いて公衆衛生政策と炭素削減政策の寄与を定量評価した。BiLSTMは比較モデルを上回る予測精度を示し、過度なアルゴリズム積み重ねは精度向上に必ずしも寄与しないことを明らかにした。SHAP分析により、公衆衛生政策が高排出期の増加抑制に一定の効果を持つことが示された。
English
This study proposes a SHAP-BiLSTM approach to forecast China's daily carbon emissions (2,466 observations, Jan 2019–Sep 2025) and quantify policy contributions. BiLSTM outperformed comparison models, showing that excessive algorithmic stacking does not necessarily improve accuracy. SHAP analysis reveals public health policies contributed to emission reduction, effectively slowing growth during high-emission periods.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
中国の政策評価事例だが、SHAPによる機械学習の解釈可能性手法は、日本企業がSSBJ・有報での気候関連シナリオ分析や政策感応度評価に応用できる示唆を含む。AI×気候データ分析の手法論として日本のGX人材育成・研究にも参考になる。
In the global GX context
While focused on China, this work demonstrates how interpretable ML (SHAP) can attribute emission changes to specific policies—a method directly transferable to TCFD/ISSB scenario analysis and transition-plan credibility assessment globally. It adds to the growing literature on ML-based climate policy evaluation.
👥 読者別の含意
🔬研究者:SHAP-BiLSTMによる政策寄与帰属の手法論は、気候政策評価や排出予測研究に応用可能な解釈可能MLの実例を提供する。
🏢実務担当者:政策感応度を機械学習で定量化するアプローチは、自社の気候シナリオ分析や移行計画の頑健性評価に活用できる。
🏛政策担当者:公衆衛生政策が炭素削減に副次的効果を持つ可能性を示し、政策間の相乗効果を考慮した気候政策設計の参考になる。
📄 Abstract（原文）
Growing public health imperatives are accelerating carbon mitigation efforts, and carbon emission forecasting constitutes a critical foundation for assessing the feasibility of such measures. However, carbon emission data exhibit pronounced nonlinear and dynamically time-varying characteristics, rendering accurate prediction difficult for traditional econometric models, and existing studies lack quantitative assessment of public health policy contributions. This study proposes the SHAP-BiLSTM analytical approach to ensure both high prediction accuracy and policy interpretability. Based on a daily dataset comprising 2,466 observations spanning January 2019 to September 2025 to conduct quantitative analysis of policy contributions; two public health policy dummy variables and two carbon reduction policy dummy variables are established in chronological order in accordance with IPCC standards. The inclusion of carbon reduction policies helps control for other policy shocks during the implementation period of public health policies. The results indicated that the BiLSTM model significantly outperformed the comparative models in prediction accuracy, demonstrating that excessive algorithmic stacking does not necessarily enhance prediction accuracy. SHAP analysis revealed that public health policies contributed to carbon emission reduction to a certain extent,reflecting that the relevant policies played an effective role in slowing growth during high-emission periods.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.65455/wnr6ha05first seen 2026-09-10 04:47:33
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。