2021年,世界经济实现了稳中复苏,绝大部分国家和地区的经济均实现了正收益。但在经济发展过程中产生的二氧化碳导致了全球变暖的现象日益严重,对社会的可持续发展带来了巨大的影响。二氧化碳主要是人类在工业发展和日常生活中燃烧一次能源所产生的。能源使用效率的提升被视为是实现社会、经济可持续发展以及节能减排目标的重要手段之一。如何在发展经济的同时,提升能耗效率并合理的控制碳排放是人类面对的主要问题。因此,本文通过研究能效分析和预测建模的基础理论,并基于国际和国内投入产出数据,进行了国民经济及碳排效率分析与预测方法的研究。研究了基于改进层次分析法（Analytical Hierarchy Process based on Sum Product,AHP-SP）的数据包络分析（Slacks Based Measure integrating the Data Envelopment Analysis,SBMDEA）（AHP-SBMDEA）模型,并分别对国际和国内的国民经济及碳排效率进行了评价和分析。进而使用基于注意力机制（Attention）的长短期记忆人工神经网络（Long Short Term Memory Neural Network,LSTM）（Attention-LSTM）模型对未来的国民经济和碳排进行预测,在模型训练过程中通过和其它神经网络的模型训练预测结果对比,验证了Attention-LSTM模型的准确性。最后基于能效分析与预测系统得出了不同国家和地区及中国各个省份能耗结构的优化建议,为提升能源使用效率、经济产出和减少碳排提供了理论指导。本文主要研究工作如下:1.针对SBMDEA模型难以找出最优决策单元（Decision Making Unit,DMU）的问题,提出了AHP-SBMDEA综合能效评价模型。该模型将SBMDEA和AHP-SP模型的评价结果进行线性加权得出综合排名,并找出最优能效标杆（即最优DMU）,进而指导和改进非有效DMUs的能耗投入结构。通过分别对国际和国内投入产出数据的国民经济和碳排效率进行评价和分析,验证了所提出AHP-SBMDEA模型的有效性。相比于SBMDEA模型,AHP-SBMDEA模型有效区分了不同国家和地区及中国各个省国民经济和碳排的效率,为找出最优能效标杆提供了依据,并为非有效地区能耗结构的改进提供了指导。2.传统的能效评价分析方法难以对未来的能效情况提供有效建议。因此,提出了基于Attention-LSTM的人均GDP和碳排预测模型。该模型能够有效提取并利用时序数据的时序性特征,获取时序数据在不同时间点的依赖关系,从而得到更加准确的预测结果。分别对国际和国内的国民经济和碳排进行预测,在模型训练过程中通过与其它传统神经网络模型训练预测结果进行对比,验证了所提出Attention-LSTM模型的准确性,进而以Attention-LSTM模型对未来经济和碳排预测的结果作为参照,为未来能源投入计划提供参考。3.结合国民经济和碳排的效率分析与预测,基于Python编程语言、Django Web框架以及My SQL数据库,开发了B/S模式的能效分析与预测原型系统。用户可以更加方便和快捷地通过该系统对国际和国内的国民经济和碳排进行效率分析和预测。