水、能源和食物是人类生存和进步的基础资源，在可持续发展研究中具有关键作用。随着人口增长、城市化加速以及气候变化压力的加剧，这些资源的稳定性受到日益严重的威胁，引起了全球政府和研究人员的关注。水-能源-食物（WEF）纽带的概念首次在2011年的波恩会议上提出，被描述为一个由三个子系统组成的相互反馈系统（Hoff, 2011）。2015年，联合国通过了17项可持续发展目标（SDGs），其中零饥饿（SDG2）、清洁水和卫生（SDG6）以及负担得起和清洁的能源（SDG7）强调了水、能源和食物在未来的全球可持续发展过程中的重要性（Zhu et al., 2020）。预测显示，到2050年，全球对水、能源和食物的需求将分别增加55%、80%和60%（Ferroukhi et al., 2015），进一步加剧了这三者之间的供需矛盾。在这种背景下，如何优化WEF系统的资源利用效率以最大化环境和经济效益成为研究热点。
准确量化和评估WEF系统效率是实现其效率优化的基础工作。主要的效率评估方法是数据包络分析（DEA）模型。虽然传统的DEA模型可以分解复杂的生产过程，但它将WEF系统视为“黑箱”，忽略了子系统之间的相互依赖性（Zhang et al., 2024a），且无法获得每个子系统的效率值。随着研究的深入，DEA模型不断迭代和升级。考虑到不良输出的超效率网络SBM模型因其优异的性能而在WEF系统效率研究中得到广泛应用（Sun et al., 2021）。该模型结合了超效率SBM模型和网络DEA模型，通过中间变量连接决策单元的内部关系，能够打开WEF系统的“黑箱”并计算每个子系统的效率值。此外，该模型还考虑了输入输出的松弛性，可以纳入污染等负面指标，并能进一步用效率值为1的决策单元来比较它们的规模。这些优势使得该模型的测量效率比传统DEA更为准确和现实。
在此基础上，国际学者进一步将研究重点转向WEF效率时空演变背后的驱动机制，并进行了广泛和系统的分析工作。使用的方法包括传统分析方法和机器学习算法。传统分析方法，如Tobit模型（Chen et al., 2019）、地理检测器（Tian et al., 2025）和地理加权回归（GWR）（Zhang et al., 2024c），具有坚实的理论基础和高度的可解释性，在处理特定数据结构时具有优势。然而，它们的理论驱动方法严重依赖于预定义模型的准确性，这限制了灵活性，限制了对复杂关系的处理，并施加了严格假设。这些限制阻碍了对复杂非线性关系的有效模拟。相比之下，数据驱动的机器学习技术在分析高维特征、非线性建模和管理复杂关系方面表现出显著优势（Couronné et al., 2018）。在各种机器学习算法中，XGBoost模型因其出色的预测准确性和处理复杂特征交互的能力而特别值得注意，从而有效捕捉了驱动因素与解释变量之间的复杂关系。尽管如此，许多机器学习模型仍作为“黑箱”运行，缺乏足够的可解释性，这给其在WEF系统效率研究中的应用带来了挑战。基于博弈论的SHAP分析方法可以显著提高这些模型的可解释性。因此，本研究采用XGBoost-SHAP框架来研究WEF系统效率的驱动因素，并结合地理加权回归（GTWR）模型来考察其空间和时间异质性。
随着研究的不断深入，进行WEF效率情景预测以明确不同情景下WEF效率的未来变化趋势对于应对潜在挑战和实现可持续发展具有重要意义，这已成为国际学者和政府管理者普遍关注的问题。目前，预测资源利用效率的主要方法依赖于马尔可夫概率转移矩阵（Yang et al., 2022）。但这种方法只能预测未来效率状态的概率，而不能提供精确的效率值预测。然而，随着机器学习方法引入效率预测领域，这一问题得到了有效解决。Zhang等人（2024a）开发的GA-LSTM模型证明了机器学习在预测WEF系统效率方面的高准确性。然而，由于WEF纽带是一个极其复杂的系统，其效率动态同时受到多种驱动因素以及时间路径依赖性的影响，包括社会经济条件、环境压力、资源禀赋和历史政策惯性。但现有的基于机器学习的效率预测模型通常未能将这些驱动因素纳入预测过程。为解决这一差距，本研究整合了XGBoost和LSTM架构，开发了XGBoost-LSTM模型，将驱动因素引入效率预测。
为了验证改进方法的适用性和有效性，本研究在黄河流域（YRB）进行了实证分析，该地区WEF纽带受到高度约束。YRB是中国重要的粮食和能源生产区，同时也是重要的经济区和生态屏障（Wang et al., 2025b）。它负责全国超过三分之一的粮食产量和25%的热电发电量，但仅占中国水资源总量的2.6%，并且面临严重的水资源短缺（Zheng et al., 2025）。这些资源禀赋和发展条件使其成为WEF系统压力特别尖锐和集中的代表性区域。因此，在YRB进行实证研究，以明确WEF系统效率的时空演变趋势和驱动机制，并进行模拟和预测，不仅可以评估改进框架在现实世界复杂系统中的表现，还可以为缓解流域内WEF系统的紧张局势和实施生态保护及高质量发展国家战略提供关键的科学支持。
总之，本研究建立了一个“效率测量 - 驱动因素分析 - 模型构建 - 情景预测”的综合研究框架，旨在为WEF系统的优化和河流流域的高质量发展提供定量决策支持。首先，使用考虑不良输出的超效率网络SBM模型量化了2000年至2022年YRB地区的WEF系统效率。其次，通过结合应用XGBoost-SHAP框架和GTWR模型，系统地探讨了WEF系统效率的主要驱动因素及其效应的空间和时间异质性。最后，构建了XGBoost-LSTM模型，以预测不同情景下WEF系统及其子系统的未来效率趋势。通过上述工作，实现了以下目标：（1）揭示过去二十年YRB地区WEF系统效率的时空演变特征；（2）明确影响WEF效率时空变化的主要驱动因素、贡献强度和空间异质性；（3）预测不同未来变化情景下WEF效率的演变趋势。
