一、 引言

中国于2020年正式提出了力争“2030年前实现碳达峰、2060年前实现碳中和”的“双碳”目标。构建和发展新型电力系统是实现“双碳”目标的关键。^[1-2]一方面，以风电和太阳能为代表的绿色能源对传统化石能源的替代是能源结构转型的主要组成部分；另一方面，“双碳”战略推动下的电气化转型将进一步提高国民经济对于电力的依赖。^[3]为了发展新型电力系统，国家推出了一系列政策措施。然而这些电力政策如何分类，目前尚未在学术界形成较为统一的标准；这些政策的强度如何量化、效果如何评估，目前也缺乏系统性的研究，难以为电力政策的完善和优化提供有效支撑。

电力政策作为服务于国家能源战略的工具性手段，能够通过构建制度框架和激励机制来引导资源配置优化与技术升级。^[4]其中，政策法规能够通过能效、排放等标准的制定，推动电力系统参与主体以高效和低碳为目标实施设备升级。^[5]电力政策还能对电力市场、碳市场等形成制度牵引，通过定价机制、交易机制的设计，优化发电、输电、储能、配电、用户等主体间的互动模式，促进系统内部各环节间的协同与时空匹配。^[6]此外，电力政策着力于消除壁垒，推动跨区域的电力互济与可再生能源并网消纳，进而在保障系统运行安全的前提下达成电力资源在社会范围内的优化配置。

现有文献中，对于政策干预的研究常以计量经济学中的因果分析为基础，采用双重差分法、合成控制法、断点回归法、工具变量法等方法构建理论框架^[7-8]，测度政策干预对预设目标变量的潜在影响，探究政策传导机制、异质性作用以及可能存在的内生性问题。基于上述框架的政策效力研究，强调研究设计的逻辑性与模型的稳健性，同时也对潜在偏误的理解及高维数据的整合提出了较高要求。随着自然语言处理等方法的发展，越来越多的学者开始对政策文本信息进行挖掘，利用主题建模分析、词频分析、情感分析、社会网络分析^[9]等技术，解析政策发文机构、政策类型及文本表述强度的差异，以揭示政策演化规律、内在结构与核心主旨。近年来，学者们开始探索将文本量化指标纳入政策效力评估框架。^[10-11]

现有研究中，关于政策强度的测度方式主要有三种。第一种方式是基于政策外部属性的间接测量，其常以政策发文数量、主体行政层级或财政投入规模等显性指标为代理变量对政策强度进行测度。^[12]此类处理方式具有操作简便的优势，但难以捕捉政策内容的实质性差异，易因忽略政策工具组合与文本强度特征而导致测度偏差。第二种方式是在第一种方式的基础上进一步聚焦政策文本特征，构建结构化测度框架以及多维度指标体系，依据政策类型（如法律、条例、通知）和颁布主体（如中央部委、地方政府）对政策强度进行差异化赋值，基于政策条款的明确性与可操作性对政策可执行度进行评价，并通过统计联合发文部门数量等方式对部门协同度进行衡量。^[13-14]第二种方式被广泛应用于环境规制和科技创新等政策方向，显著提升了政策的可比性。随着大语言模型的发展，第三种方式采取自然语言处理方法对政策语义进行分析^[15]，将非结构化政策文本转化为极性、主观性等系统性量化指标，为政策量化研究提供了新视角^[16]。

自然语言处理方法的引入能够提升政策量化的准确率与文本处理速度，但在面对大量政策文本时缺乏自动化的批量处理手段。大语言模型虽然能够为政策强度量化提供可行方案，但也存在一定局限性，主要体现为：其输出结果存在不一致的风险；同时作为通用模型，大语言模型对特定领域深层语义的精准理解有限，且频繁调用的成本高昂。为解决上述问题，本研究采取提示工程 （Prompt Engineering）与微调深度学习模型相结合的方式构建了电力政策强度评估框架。其中，大语言模型凭借其强大的泛化与上下文理解能力，能够高效完成对政策文本的分割与强度的“粗标注”，解决人工标注的瓶颈；微调深度学习模型则在此基础上，学习更精准、稳定的量化模式，确保结果的一致性与领域适应性，从而实现“粗筛”与“精判”的协同。为了实现这一目标，本研究首先利用BERTopic（Bidirectional Encoder Representations from Topics）方法对电力政策文本进行主题分析，识别研究时段内中国电力政策的主要类型；制定政策文本分割标准，借助大语言模型将政策文本分割为合适的短文本；同时，制定政策强度分级标准，并将该标准融入大语言模型的提示词中，通过提示词的迭代优化实现政策强度的批量标注。在此基础上，选取已有的深度学习模型并代入标注后的政策文本进行模型训练与微调，得到电力政策强度评价模型。基于政策量化分析结果，本研究进一步以电力系统运行效率为被解释变量，采取XGboost与SHAP方法对各类电力政策的效果及作用机制进行分析，并提出相应的政策建议。

本研究的潜在贡献为：第一，基于主题建模方法对中国电力政策类型进行了划分，为政策效力异质性研究提供了分类依据；第二，基于提示词工程与微调深度学习模型相结合的方法，实现了电力政策强度的批量标注与量化，为政策效力分析提供了数据支撑；第三，基于可解释机器学习算法探明了不同类型电力政策对于提升电力系统运行效率的效果差异，为国家电力政策优化提供借鉴与参考。

二、 研究方法与数据

（一） 研究方法

1. BERTopic主题建模

BERTopic由Grootendorst于2020年提出，是一种基于预训练语言模型与层次聚类的无监督主题建模算法。^[17]相较于传统的主题建模方法（如LDA），BERTopic算法存在以下优势：第一，依托BERT的上下文感知能力突破了词袋模型的结构性约束，显著提升了语义表征精度；第二，Transformer架构实现了对文本深层语义、结构特征及上下文依赖的有效建模，解决了传统算法因概率生成机制导致的主题表征能力受限问题；第三，UMAP降维^[18]与HDBSCAN密度聚类^[19]实现了主题数自动识别；第四，通过c-TF-IDF技术优化主题表达，确保生成的主题词兼具专业性与语义关联性。因此，本研究选取BERTopic算法对中国电力政策进行主题建模分析，探究2003—2022年间电力政策主题类型与强度变化。

2. 提示工程

提示工程是大语言模型的重要特征之一，通过输入不同的文本内容，大语言模型能够完成不同类型任务。本研究利用该方法实现电力政策强度的批量标注。其实施过程为：通过不断更新迭代提示词、话术结构与外部知识，逐步逼近用户的实际需求。本研究基于大语言模型在预训练中常用的提示词设计格式^[20]，从单纯的分割规则出发，逐步加入交互角色^[21]、任务要求、输出格式等，形成包含4个基础模块的初始结构。在此基础上，进一步引入Few-Shot动态采样和思维链方法^[22]提升模型准确率，同时加入自洽性模块^[23]以保证输出结果的稳定性，最终形成包含7个模块的提示工程模型。各模块的工作内容与实现目标如表1所示。

7 个模块中，Few-shot动态采样是其中的关键环节，示例的选择标准、数量设定与代表性对模型的性能具有决定性影响。本研究中，Few-shot示例的选择遵循“清晰、典型、可区分”的标准。每条被选中的政策必须具有明确的语义边界并能够准确体现其所属强度等级的核心特征，同时保证政策语言的真实性与多样性。在示例数量方面，为了平衡上下文信息量与模型注意力分配效率，本研究基于已有文献处理方式，选择5个高质量示例作为Few-shot参考^[24]；同时，通过增加数据多样性、提供正反示例、由简到难进行示例数据选取等方式提升Few-shot示例的代表性。基于以上措施，根据模型运行结果对示例库进行实时更新与修正，直至达到理想运行状态。

（1）政策文本分割。

政策文本通常篇幅较长且结构复杂，若将大篇幅政策文本直接输入深度学习模型，模型可能难以有效捕捉到关键信息，并产生因信息稀释而导致的计算效率低下等问题；此外，由于政策文本具有明确的层级结构，对文本整体直接打分可能导致结果过于笼统且缺乏可解释性，无法反映政策内部不同条款的强度差异。为此，本研究采用了一种基于语义单元的文本分割策略。首先，基于标识符进行文本切割，对有标识符文本进行结构化处理，对无标识符文本则是通过语义边界检测分割并强制合并操作链。其次，基于最小完整语义单元的原则进行合并与拆分，生成语义完整的最小单元。最后，在此基础上融合文本结构与语义双逻辑，输出适配量化建模的短文本。具体实施流程如图1所示，相关规则采用人工编写json文件的方式进行构建。

基于本研究构建的7个模块提示工程框架，文本分割部分的提示工程内容如图2所示。

（2）政策文本量化。

为了提升大语言模型理解政策语义的精准度，本研究在张国兴等^[25]、彭纪生等^[26]研究的基础上，构建了针对语义单元的政策强度层级分级体系，并依据政策文本分割结果，构建了基于7个模块的政策文本层级标注的提示工程框架，如图3所示。

基于上述标注结果，本研究选取规则增强型知识蒸馏框架，进行政策文本量化的优化处理，为后续深度学习模型微调提供数据支撑，具体实施步骤如图4所示。

优化训练主要包含两个过程。首先是基于大语言模型标注结果的预训练模型微调过程，将大语言模型根据预设规则对文本进行分类（评级），并将分类结果作为数据集用于预训练模型的微调。其次是基于微调模型输出结果的提示词优化过程，检查微调模型输出结果并提取错误分类的样本，对错误分类样本进行分析，在优化提示词的同时实施动态Few-shots采样。上述优化训练过程不断重复，直到微调模型的性能表现稳定为止。优化训练过程实现了知识的蒸馏，最终将大语言模型对复杂政策的理解能力迁移至轻量化预训练模型中。

3. 深度学习模型微调

本研究选取Transformer的ERNIE 3.0-base作为基础架构，构建微调深度学习模型，进而通过迁移学习实现电力政策文本的自动量化。为探究不同特征提取机制的性能差异，本研究尝试了包含BERT-Base、BERT-LSTM、BERT-DPCNN、BERT-RCNN在内的4种变体模型，所有变体模型共享相同的预训练编码器。通过运行发现，基于BERT-LSTM的变体模型对于研究数据具有最好的拟合效果，因此将其作为最终模型实施后续研究。

BERT-LSTM模型以预训练BERT模型为底层特征提取器，包含以下主要模块。

（1）通过BERT对输入文本进行编码处理，将原始文本转换为包含丰富上下文信息的token级向量。这些向量涵盖了每个词的语义特征，并融合了其在整个句子中的位置以及与其他词的关联信息。

（2）引入LSTM层作为序列建模组件，接收BERT生成的序列向量输入，通过其特有的门控机制对序列信息进行进一步加工，以捕捉文本中词与词之间的时序依赖关系和长距离语义关联。

（3）LSTM层之后连接dropout层，以减少过拟合风险；最后通过一个全连接层将LSTM输出的高层序列特征映射到具体的分类空间，完成从文本特征到分类结果的转换。

（4）使用Focal Loss损失函数解决类型划分不平衡问题，让模型更加关注少数类或难区分样本，提升整体分类的准确率。

整个架构既保留了BERT对深层语义和全局上下文的建模能力，又借助LSTM增强了对文本序列动态变化规律的捕捉能力，形成了一种兼顾全局语义与局部序列依赖的混合模型结构。

4. XGBoost模型

XGBoost（eXtreme Gradient Boosting）模型由Chen等于2016年提出，是基于CART决策树的增强型Boosting方法。^[27]XGBoost的核心思想是以Boosting为框架，迭代构建弱学习器，并通过残差学习策略迭代优化模型性能。其核心在于对损失函数进行二阶泰勒展开，具体形式为

其中，g_i与h_i分别表示损失函数对预测值的一阶与二阶导数；$\mathrm{\Omega }\left(f_t\right)=\gamma T+\frac{1}{2}\lambda \Vert \omega \Vert$表示结构正则项，用于约束树的复杂度并防止过拟合。

相较于传统梯度下降算法，XGBoost引入了二阶梯度信息，在提高残差估计精度的同时提升了模型收敛速度，并通过正则机制增强了模型的泛化能力。此外，该方法采用了特征列块结构、缓存优化策略及并行分裂查找机制，能够实现对大规模稀疏数据的高效训练与预测。这些设计使得XGBoost不仅能捕捉结构化数据中的复杂非线性关系，还在结构化数据任务中具备高精度与强鲁棒性。因此，本研究选取XGBoost模型作为实证研究的主要工具，通过贝叶斯优化调参与特征筛选，构建了电力系统运行效率与政策指标之间非线性关系的量化映射模型。

5. SHAP方法

SHAP（SHapley Additive exPlanations）由Lundberg等于2017年提出，是一种基于博弈论的解释性方法^[28]，该方法能够为机器学习模型提供统一、精确且具有理论依据的特征归因框架。SHAP方法的基本思想是利用Shapley值衡量每个输入特征在特定预测任务中的边际贡献，从而实现对复杂模型预测输出的个体级别解释。本研究引入SHAP方法对XGBoost模型进行解释，量化各政策主题对电力系统运行效率的边际影响，以提供可解释且具有理论支撑的特征归因依据。

SHAP的基本形式是一个逼近原始模型f（x）的加性解释模型，其数学表达为

其中，φ₀表示所有特征缺失情况下的模型期望输出；φ_i表示特征i在样本x上的Shapley值，即其对预测结果的边际贡献。Shapley值的计算公式为

式（3）为每个特征对机器学习模型输出结果的贡献值。其中，F表示全部特征集合，S表示不包含特征i的子集，f_S∪{i}表示模型在特征子集下的预测输出。相较于LIME等局部线性拟合方法，SHAP在理论上保证了解释结果的加性一致性，即每个样本的预测值等于特征贡献值之和加上基准值，即

其中，y_i表示第i个样本的预测结果，y_base表示所有样本预测值的均值，φ_i，j表示特征j在样本i上的SHAP值。

（二） 研究数据

1. 数据来源

为了保证所收集政策的全面性，本研究以“电力”“风电”“光伏”“光电”“水电”等作为检索关键词，基于北大法宝数据库收集中国大陆各省份电力相关政策文本。为了弥补单一数据库可能存在的局限性，本研究通过中国政府网、国家能源局、各省能源局、威科先行等网站对数据进行进一步补充。

2. 数据清洗

为确保政策文件的代表性、完整性和科学性，本研究对政策文件进行筛选和整理，仅选取与电力密切相关的政策文本。政策类型主要包括通知、意见、方案等，对批复、函等非正式文件予以剔除，最终筛选出2003—2022年间的电力政策13 262项。

三、 政策主题建模

（一） 数据预处理

考虑到不同电力政策的侧重点有所区别，为了厘清不同政策对于电力系统发展的影响效果及其差异，本研究首先采用BERTopic方法对政策类型进行划分。考虑到BERT模型存在输入长度限制（通常为512个标记），超出部分将被截断并影响主题识别的完整性，本研究首先利用jieba工具对政策文本采取分词、去除停用词、清洗无效信息等操作，得到BERTopic模型能够处理的短文本结构数据。预处理后的数据能够有效降低信息损失风险，并提升后续主题建模效果。

（二） 主题识别

基于BERTopic模型，本研究提取出7个初始主题，如图5所示。可以发现，不同政策主题间具有较好的区分度。剔除权重占比较低的两个主题后，最终得到5个具有代表性的核心主题，如表2所示（各主题政策实例的质性分析结果不再赘述），其中，“电力工程与电力基础设施升级”“电力供需调节与定价机制创新”“可再生电力开发与运营管理”是国家电力政策关注的重点主题，这3个主题的相关政策文本数量占总量的88%。

（三） 政策主题强度演化

进一步地，本研究将政策数量作为主题强度的衡量指标，以两年为一个时间切片，对2003—2022年间各主题强度演化进行分析，如图6所示。主题1在研究期内的强度始终显著高于其他主题并呈持续增长态势，体现了电力基础设施对于构建新型电力体系的支撑保障作用。主题2的强度总体呈现波动上升趋势，在经历2019—2020年的下降后快速反弹，体现了“十四五”以来国家对于保障能源供给安全重视程度的提升。主题3的强度在2005—2008年快速上升后出现了4年的相对平缓期，并于2013—2018年再次快速上升后形成短期波动，凸显了国家发展可再生能源电力的阶段性特征。主题4的强度自2011年达到高点后便呈下降趋势并于2017年被主题5超越，在研究时段的末期已降至低位，表明化石能源电力已不再是国家电力政策的关注重点。主题5的强度在研究时段的前期处于较低水平，2015年后该主题强度显著增长，表明国家近年来对于电力市场化改革工作重视程度的加强。

图6表明，各政策主题在研究时段内的强度均具有显著的波动性。为了得到更加综合的政策强度量化结果，本研究基于政策主题划分，采取提示工程与微调深度学习模型相结合的方式进行进一步分析。

四、 电力政策量化

（一） 提示工程结果

基于前文所构建的提示工程框架，对政策主题建模的五类电力政策进行文本分割与批量打分，其中文本分割的示例如表3所示。

为了实现电力政策的量化目标，首先应明确政策强度的分级标准。现有关于政策强度量化的研究大多从政策力度、政策目标、政策措施等方面分别进行评级，进而采取加权或求和的方式计算综合评分^[13，29-30]；也有研究利用政策建模一致性指数（PMC）模型对政策进行全面评估^[14，31]。考虑到当前大语言模型理解能力仍存在局限性，过于复杂的评级标准不利于模型的学习与优化，本研究在已有文献的基础上，选取了政策目标与政策措施作为衡量政策强度的主要指标。与已有政策分级方式相比，本研究所采用的标准与大语言模型具有更强的适配性，能够更好地体现从政策目标制定到政策实际实施的综合政策强度。具体而言，当政策目标明确且有具体的实施措施时，政策强度为最高等级；当政策目标明确但政策措施不足或政策措施明确但政策目标模糊时，政策强度处于中等水平；当政策目标与政策措施均不清晰时，政策实施将面临困难，该状态的政策强度最弱。

基于表4中的分级标准，本研究对各类政策主题下的文本进行批量评级，具体示例如表5所示。考虑到篇幅问题，更加详细的政策评级过程示例及错分案例分析不再赘述。

（二） 微调深度学习结果

将前文表4的政策强度分极标准作为训练数据导入微调深度学习模型，使用8 745条数据进行训练，并对其余2 186条数据进行预测。模型的训练结果如表6所示，可以发现，微调深度学习模型能够以较高的准确率实现对政策文本的有效量化。

基于前文的政策量化框架，对表2中的5个主题进行政策强度演化分析，结果如图7所示。对比图6和图7可以发现，主题强度演化和政策强度演化存在显著差异，说明政策发文数量与政策强度不存在严格的对应关系。其中，主题1在研究时段内的政策强度保持最高水平，其主要原因在于电力系统的正常运行与各项升级均以基础设施建设为支撑。主题2虽然具有较高的主题强度，但是其政策强度一直处于较低水平，表明国家对于电力定价机制的关注度不足。主题3的政策强度存在较大波动，在2009年与2015年分别达到两个局部高点，并于2021年“双碳”战略正式提出后达到峰值。主题4的政策强度始终处于较低水平，这说明煤电作为国家电力供给安全的保障，其地位比较稳固，或者说不可替代。主题5的政策强度在2018年以前一直与主题4处于相似水平，但从2019年起快速提升并于2020年达到峰值，表明近年来国家对于电力市场化改革决心的增强。

进一步对各省份电力政策强度进行逐年分析，结果如图8所示。考虑到政策主题类型较多易导致图像难以观察，本研究将5个政策主题的强度加总来反映各省份的电力政策总强度。可以看出，省际电力政策强度在研究时段的大部分时间都相对稳定，仅在几个关键节点出现局部峰值，如2008年、2017年、2021年。此外，不同省份的电力政策强度演化也存在显著的异质性，电力政策强度波动最强的省份为四川、广西、甘肃。总体来看，研究时段内电力政策强度均值最高的5个省份分别为广东、浙江、福建、江苏、山西，强度最低的5个省份为西藏、新疆、吉林、宁夏、云南。

五、 基于可解释机器学习的电力政策效力分析

（一） 电力系统运行效率评价

本研究采取数据包络分析法（DEA）测算各省份电力系统运行效率，并将其作为解释变量以探究不同类型电力政策的异质性影响。参考蒋建立等^[29]的研究，以资源投入（发电能耗）、资本投入（固定资产投资）与劳动力投入（从业人数）为投入指标，以总发电量、可再生能源电力占总发电量比例等为期望产出，以二氧化碳排放量为非期望产出。控制变量包括人口密度、城镇化率、第二产业增加值占比、人均GDP与全社会用电量增长率。所使用指标的数据来源于《中国统计年鉴》《中国能源统计年鉴》《中国电力工业统计资料汇编》以及中国电力企业联合会等。各省份在研究时段内的电力系统运行效率如图9所示。

从图9可以看出，青海、广东、江苏等省份长期处于电力系统运行效率的前沿面；吉林、重庆、湖南、河南等省份则长期处于相对低效区间；北京、天津等省份的电力系统运行效率呈现先降后升的“U”型状态；部分可再生资源禀赋较好的省份，如宁夏、新疆等，初期电力系统运行效率较低，后期则跃升至较高水平；河北、山西则持续中低位波动。总体而言，不同省份在研究时段内的电力系统运行效率均出现了显著波动，且不同区域间具有显著的异质性。

（二） XGBoost与SHAP分析

本研究采用XGBoost框架探究不同政策主题强度对各省份电力系统运行效率的影响。首先对前文得到的各政策主题强度进行归一化处理，以规避因政策数量不一致导致的量纲差异。为了消除政策实施的时滞效应，本研究构建了滞后一期的拟合模型。模型训练采用早停策略和验证集监控两种方法。通过对模型超参数的不断调试优化，得到最终模型的R²为0.86，这表明模型具有较好的拟合效果。考虑到机器学习模型在检验因果关系方面的局限性，故采取基于双向固定效应的动态面板模型对结果进行检验。结果表明，本研究得到的政策强度指标对于电力系统运行效率存在显著的正向影响。

各政策主题与控制变量的相对重要程度如图10所示。其中，主题3在各政策主题中具有最高的贡献度，即各省份可再生电力开发与运营管理相关政策对于推动区域内电力部门高效发展具有最显著的效果；其次为主题1，电力系统的效率提升依赖于电力工程与电力基础设施升级所提供的硬件保障；随后是主题5和主题2；主题4的贡献度在5个政策主题中最低。再结合图5和图6可以发现，相较于政策数量，政策强度对于电力系统运行效率变化具有更强的解释能力。

为了进一步明晰各类政策对于推动电力系统运行效率提升的作用机制，本研究采取蜂群图（见图11）与关联图（见图12）进行联合分析。在蜂群图中，政策强度较高的观测点用红色表示，政策强度较低的观测点用蓝色表示。

从图11可以看出，主题1在蜂群图中的散点分布不存在显著规律。结合图12可以发现，电力工程与电力基础设施升级相关政策强度的波动对于SHAP值不产生显著影响，即该政策主题对于电力系统运行效率的影响不显著。导致这一现象的原因可能在于：电力工程与电力基础设施升级相关政策贯穿电力系统各部门及其发展全过程，是电力系统发展的保障性政策，对于系统运行效率不产生显著的影响。

主题2政策强度较低的蓝点集中在集群的两端，而政策强度较高的红点则集中在中心位置。结合图12可以发现，主题2对于SHAP值的影响呈现先减后增的“U”型。电力供需调节与定价机制创新政策强度的提升先对电力系统运行效率产生负面影响，随着此类政策强度的累积，其对于电力系统发展的作用方向将实现逆转。导致这一现象的原因可能在于：此类政策在短期内会降低电力系统内部已达成的稳定状态水平，随着政策强度的不断提升，前期政策所积累的效果逐步显现，进而推动了电力系统运行效率的提升。

与主题2相反，主题3在蜂群图中的红点聚集在集群的两端，蓝点则聚集在中间位置，这意味着该政策主题对于电力系统运行效率的影响呈现典型的“倒U”型。结合图12可知，可再生电力开发与运营管理相关政策能够在短期内快速提升电力系统运行效率。然而该正向影响存在门槛效应。随着主题3政策强度的提升，其对于电力系统运行效率的影响也将出现逆转并呈现长尾特征。导致这一现象的主要原因在于：可再生电力政策能够有效降低电力部门的非期望产出，进而在短期内提升电力系统运行效率，但随着可再生电力装机容量的提升，消纳问题逐渐成为影响电力系统稳定运行的关键因素并对电力系统运行效率产生负面影响。

主题4与主题3的作用效果类似，对效率指标的影响均呈现“倒U”型，但也存在一定差异，主要表现为：随着政策强度持续提升，其对于电力系统运行效率的正向作用具有更快的提升速度并快速达到峰值；此后，政策强度继续提升，其作用效果的衰减速度同样快于主题3。造成这一现象的主要原因可能在于：国家对于传统化石能源电力企业具有较强的掌控能力，企业在升级政策颁布后能够快速响应并提升系统运行效率。此外，化石能源电力还肩负着保障能源安全的重任，若可再生能源消纳问题尚未得到有效解决，盲目加大化石能源电力企业的升级压力将不利于电力系统的稳定与高效发展。

与以上四类政策主题不同，主题5对于电力系统运行效率产生显著的负向影响，在蜂群图中主要表现为蓝点集中在集群的右端，而红点则集中在左端。结合图12可以发现，随着电力市场化改革相关政策主题强度的提升，电力系统运行效率逐步降低。电力交易模式的改变是一项涉及电力系统各部门的系统工程，需要长时间地适应与调整，而基于市场机制的电力交易模式尚处于摸索阶段。该政策主题强度的提升会打破原有电力系统的运行范式，并在短期内对系统运行效率产生负向影响。

六、 结论与建议

为了实现政策的自动化、大批量量化分析，本研究构建了提示工程与微调深度学习相结合的集成分析框架。以中国大陆电力政策为研究对象，收集了一万余条政策文本，在利用BERTopic进行政策类型划分的基础上，应用该集成分析框架进行政策的标注与量化，进而引入基于XGBoost与SHAP的可解释机器学习模型进行实证分析。研究得到以下几点结论。

（1）国家电力政策可分为电力工程与电力基础设施升级、电力供需调节与定价机制创新、可再生电力开发与运营管理、化石能源电力的改造与升级、电力市场化改革及保障措施5个类型。近年来可再生电力开发与电力市场化改革相关主题强度的增速高于其他3个主题。

（2）本研究所构建的提示工程集成微调深入学习框架的精确率（89.7%）、召回率（92.7%）、准确率（86.2%）均达到了较高水平，体现了该算法的优越性。政策量化结果表明，研究时段内电力政策强度均值最高的3个省份为广东、浙江和福建。

（3）以电力系统运行效率为被解释变量，利用XGBoost模型对政策效果进行拟合分析。结果表明，相较于基于政策数量的主题强度，本研究所测算的政策强度对于电力系统运行效率变化具有更强的解释能力，5个政策类型按重要程度排序依次为：主题3、主题1、主题5、主题2和主题4。

（4）进一步利用SHAP分析发现，主题1强度变化对于电力系统运行效率的波动不存在显著影响；主题2对于电力系统运行效率产生“U”型影响；主题3和主题4均对电力系统运行效率产生“倒U”型影响，且主题4具有更快的达峰与衰减速度；主题5强度提升对于被解释变量产生负面影响。

基于以上研究结果，本研究提出以下政策建议。

（1）重点布局可再生能源配套体系，破解消纳瓶颈与效率衰减问题。建议建立动态优化的政策调控机制，在可再生能源发展的不同阶段适时调整政策着力点。具体而言，前期应当通过政策设计刺激可再生能源装机规模的合理增长，充分发挥其降低电力部门非期望产出的正面效应。当政策强度累积到一定程度、可再生能源占比显著提升后，必须敏锐预判并防范消纳瓶颈的出现，及时将政策重心向消纳保障体系转变。具体措施包括：强化跨区域电力互济网络，缓解局部弃风弃光问题，加速灵活性资源部署，提升电网对波动性电源的承载能力，完善绿电市场化消纳机制，建立可再生能源与调峰辅助服务的协同定价机制，等等。

（2）实施差异化与动态调整的煤电升级策略，发挥煤电在构建新型能源系统中的“压舱石”作用。建议充分利用国家对传统化石能源电力企业较强的掌控能力，激励煤电机组在短期内快速响应，将其灵活性调节能力提升至峰值水平，从而迅速实现对系统运行效率的最大化正向效应。同时，为了应对效率增益达到峰值后可能出现的衰减趋势，当监测到政策边际效益开始递减时，政策焦点应及时从“普遍加压”向“精准扶持”转变。具体措施包括：将高强度升级改造的压力更多地集中于调峰需求迫切、新能源消纳困难的重点区域；对于保障基础供电安全的关键机组，则应将政策目标向稳定运行转变，以平衡效率提升与系统安全，使政策效果始终维持在较优区间。

（3）推行电力市场化改革的渐进式路径，缓解短期转型阵痛。建议政策制定者应注重控制市场化改革的推进节奏与力度，实施渐进、有序的过渡策略，避免市场交易模式的剧烈变革超出系统各环节的短期适应阈值。具体措施包括：试点先行与容错机制相结合，在电力系统高效区域建立现货市场先行示范区的同时，延后低效省份改革步伐；构建市场与规划的协同框架，防止电价剧烈波动冲击民生用电；培育多元市场主体，提升市场流动性。

（4）优化政策工具组合，避免因单点突进导致的系统性失衡。建议建立不同类型政策间的动态协同机制。具体措施包括：制定政策组合路线图，以可再生能源为核心（主题3），同步配套基建升级（主题1）和市场机制（主题5）；建立政策强度预警机制，借助大语言模型构建监测与响应框架；淘汰低效政策，将政策重心转到更加高效的政策方向。

本研究基于自然语言处理、大语言模型、微调深度学习等方法，构建了政策文本的“分类—标注—量化”框架，为后续政策文本研究提供了参考。未来研究可进一步细化政策强度分析标准，并将本框架应用于政策协同度、政策效力等指标的量化研究中。此外，本研究在进行电力系统运行效率评价时采取的方法较为基础，后续可进一步采取Malmquist指数、窗口DEA等方法进行优化和提升。

参考文献