在气候变化问题被国际大多数国家关注到的大背景下,我国也秉持着作为负责任的发展中大国理念,对应对气候变化问题做出了在一定期限内控制碳强度水平降低的承诺。在目前取得的国际共识中,控制二氧化碳排放成为控制温室气体总量,遏制气候变化的主要手段。二氧化碳的排放权在一定意义上代表了国家的发展权,如何既不影响我国的经济建设,又能高效地完成降低碳强度国际承诺,取得经济、社会、环境效益的最大化,需要找到对碳强度影响最明显的领域加以控制;加之各地区资源禀赋、支柱产业结构、技术水平均存在差异,碳强度关键影响因子也一定各有不同,识别出影响地区碳强度的主要因素,做到有的放矢地完成碳强度控制工作就显得十分有必要。和传统的碳强度影响因素分解识别方法相比,机器学习方法对数据维度没有限制,即可以将更多类型的参数加入到碳强度关键影响因子的识别中,不畏惧指标数目的增加,具有良好的适应性能。本研究提出一种基于机器学习的碳强度关键影响因子识别和预测建模方法,通过该方法,可以完成关键影响因子的识别分析和碳强度预测。本文以辽宁省为例,收集了辽宁省2001-2019年的碳强度和潜在影响因子数据作为数据集,对这些数据进行建模与表征,找到研究范围内的碳强度关键影响因子数量,识别出逐年辽宁省碳强度关键影响因子并进行了类别重要性时间演变趋势分析。结果表明,在选取的69个潜在影响因子中,32个关键影响因子对碳强度的影响重要性达到了80%左右,其中技术进步、居民消费及收入、能源消耗量、化石能源产量和高耗能产业规模等大类的重要性占比较高,分别占整体重要性的22.85%、15.88%、13.07%、9.08%和7.87%。最后通过建立预测模型,设置模拟场景,通过输入由于政策变更、技术发展等变化带来的预计参数,对辽宁省的碳强度变化趋势做出预测,以评估参数变化带来的碳强度控制效果。发现综合模拟场景有可能导致2016年辽宁省碳强度的数值下降0.23%,相同的方法适用于其他参数的控制中,研究结果可以为辽宁省后续的碳强度控制工作提出政策性建议,例如优化能源消费结构、倡导绿色消费、加大力度扶持碳减排相关技术研发、提高清洁能源利用比例等。通过政策性的引导和调控,助力我国的碳强度控制目标实现。