谁减少了排放，谁又加剧了供暖？能源效率干预的因果机器学习估计
机器学习
2025-10-22 v2
摘要
减少家庭能源需求是气候缓解和燃料贫困战略的核心，但能源效率干预的影响具有高度的异质性。使用在具有全国代表性的英国住房存量数据上训练的因果机器学习模型，我们估计了墙体保温对天然气消耗的平均处理效应和条件处理效应，重点关注不同能源负担亚组之间的分布效应。虽然干预措施平均减少了天然气需求（高达 19%），但低能源负担群体实现了可观的节约，而那些承受高能源负担的群体则几乎没有减少。这种模式反映了一种行为驱动的机制：受高成本收入比（例如大于 0.1）约束的家庭将节省的能源重新分配以改善热舒适度，而不是降低消耗。这种响应绝非浪费，而是代表了在先前匮乏条件下的理性调整，对健康和福祉具有潜在协同效益。这些发现呼吁建立一个更广泛的评估框架，以兼顾气候影响和国内能源政策的公平性影响。
引用
@article{arxiv.2508.04478,
title = {Who cuts emissions, who turns up the heat? causal machine learning estimates of energy efficiency interventions},
author = {Bernardino D'Amico and Francesco Pomponi and Jay H. Arehart and Lina Khaddour},
journal= {arXiv preprint arXiv:2508.04478},
year = {2025}
}