数据驱动框架下全球可持续发展目标（SDG）进展评估：基于机器学习插补与降维的整合分析

本综述提出一种结合降维（PCA）与机器学习（随机森林missForest算法）的数据驱动框架，有效解决全球可持续发展目标（SDG）评估中高维度指标缺失（缺失率约50%）的难题。该研究基于世界银行380项指标（2000–2020年），实现了NRMSE≈0.2的高精度插补，揭示了全球SDG进展的时空异质性（欧洲领先、非洲滞后、亚洲增速最快），为制定针对性政策提供实证支持。

　　

Section snippets

Literature review

世界银行等权威机构虽已建立全球尺度的SDG监测指标体系，但仍面临严重的数据稀疏性问题（尤其在非洲等欠发达地区），这极大限制了跨国与跨时间比较研究的开展。

Data source and initial indicator pool

本研究以世界银行SDG数据库为核心数据源（覆盖2000–2020年），其包含全球215个国家及地区的402项SDG相关指标，并按收入水平（高、中高、中低、低收入组）进行分类。这些指标……

Review of the global sustainable development goal indicator system and selection of principal indicators

基于世界银行的全球SDG指标框架，本研究初步筛选出380项可用于评估17个SDG进展的指标。如图1A所示，各目标下指标数量差异显著：SDG4（优质教育）和SDG8（体面工作与经济增长）分别拥有82和66项指标，而SDG14（水下生物）和SDG13（气候行动）仅分别有1项和3项指标……

Conclusion

本研究通过提出一种新型数据驱动整合框架，深化了对全球可持续发展评估的理论认知。该框架有效解决了SDG评估中普遍存在的数据缺失问题，通过降维与机器学习插补相结合，为构建多维指标体系提供了新范式，并增强了SDG绩效测量的稳健性与全面性。