《iScience》：AI-driven environmental performance index using deep autoencoders for monitoring sustainable development goals
编辑推荐：
本研究开发了一种基于自编码器的环境绩效指数（AE_EPI），用于评估五个地区38个国家的环境绩效。利用深度自编码器，AE_EPI能够捕捉高维、多区域数据中复杂的非线性关系，并与基于主成分分析的指数（PCA_EPI）进行基准比较。研究采用线性回归、随机森林（RF
本研究开发了一种基于自编码器的环境绩效指数（AE_EPI），用于评估五个地区38个国家的环境绩效。利用深度自编码器，AE_EPI能够捕捉高维、多区域数据中复杂的非线性关系，并与基于主成分分析的指数（PCA_EPI）进行基准比较。研究采用线性回归、随机森林（RF）和极限梯度提升（XGBoost），结合SHAP分析来识别关键环境驱动因素。结果表明，AE_EPI在重建精度、稳定性和对噪声的鲁棒性方面优于PCA_EPI，而RF产生最一致的预测。在全球范围内，电力获取和可再生能源是主要驱动因素。在区域层面，东亚地区治理与创新最为重要；南亚地区城市化最为重要；中亚地区可再生能源最为重要；中东和北非地区数字化最为重要；撒哈拉以南非洲地区经济能力、电力获取和治理最为重要。这些发现支持针对特定区域的、数据驱动的政策，以推进能源转型、加强机构能力并解决当地环境优先事项，从而实现可持续发展目标。
一、研究背景与问题
日益加剧的环境压力，如碳排放上升、资源枯竭和生态系统退化，凸显了开发可靠工具以衡量各国环境绩效（EP）的迫切需求。环境绩效指数（EPI）通常用于此目的，但现有多数EPI基于线性聚合技术，无法反映现代可持续性问题固有的复杂、多维和非线性交互关系。传统方法如主成分分析（PCA）虽能有效降维，但无法捕捉非线性交互，且对噪声和尺度敏感；数据包络分析（DEA）同样存在噪声敏感、确定性结构和“维度灾难”等问题。此外，数字化作为环境绩效中日益重要但尚不明确的因素，其影响因地区而异，而现有研究多将其视为单一聚合构念，未识别宽带接入、技术创新、安全数据系统或ICT贸易等不同组成部分。同时，关于数字化、治理质量、经济结构和能源获取之间联系的研究仍显不足，尤其是在制度薄弱、数字基础设施缺乏和能源短缺持续存在的发展中经济体。
二、研究内容与结论
针对上述问题，研究人员开展了一项两阶段研究：首先开发基于自编码器的环境绩效指数（AE_EPI），以捕捉环境指标间的非线性关系；其次将AE_EPI与传统基于主成分分析的指数（PCA_EPI）进行比较；最后考察数字化、治理质量、能源转型和经济结构对跨区域环境绩效的影响。研究得出以下主要结论：AE_EPI在重建精度、稳定性和对噪声的鲁棒性方面优于PCA_EPI；在全球层面，电力获取（MeanAbsSHAP=0.0912）和可再生能源份额（0.0868）是环境绩效的主导驱动因素；区域层面呈现显著异质性，东亚及太平洋地区治理与创新最为关键，南亚地区城市化作用突出，中亚地区可再生能源影响最大，中东和北非地区数字化为主导因素，撒哈拉以南非洲地区经济能力、电力获取和治理最为重要。该框架支持区域特定、数据驱动的政策制定，为推进能源转型、加强机构能力和实现可持续发展目标提供了科学依据。
三、关键技术方法
研究人员采用两阶段分析框架。数据来源于世界银行世界发展指标（WDI）数据库，涵盖东亚及太平洋、南亚、中亚、中东和北非、撒哈拉以南非洲五个区域38个国家（2007–2023年），缺失值（<3%）通过线性插值填补，所有连续指标经最小-最大归一化处理。第一阶段构建对称深度自编码器（架构10-6-3-1-3-6-10，ReLU隐藏层、线性瓶颈层），将10个环境指标压缩为单一潜在变量作为AE_EPI，以均方误差（MSE）最小化重建损失，并与PCA_EPI进行10折交叉验证比较。第二阶段采用线性回归、随机森林（RF）和极限梯度提升（XGBoost）三种机器学习模型预测AE_EPI，以固定效应（FE）模型为线性基准，通过5折交叉验证（重复3次）、袋外误差、自助重采样和留一区域外验证评估模型性能，并利用SHAP（Shapley加法解释）分析全球和区域层面的特征重要性。
四、研究结果
（一）自编码器环境绩效指数（AE_EPI）的验证
散点图显示AE_EPI与PCA_EPI得分之间存在强线性关系，但AE_EPI压缩了中等范围变异，这归因于其建模非线性和降低离群值影响的能力。秩次散点图显示较高的Spearman秩相关，表明两种方法产生的国家排名总体相似，但中等排名国家存在轻微偏差。学习曲线显示训练和验证MSE之间差距极小，损失持续降低且无明显过拟合。表10比较显示，AE_EPI在RMSE（0.1900对0.2671）、MAE（0.1314对0.1931）和MSE（0.0364对0.0714）方面均优于PCA_EPI，支持假设H4。
（二）机器学习模型的比较预测性能
图5显示袋外RMSE在75棵树时最低，但曲线随后波动；超过200棵树后RMSE在约450棵树处稳定，因此选择ntree=450以平衡精度和鲁棒性。图6显示随机森林（RF）模型具有最小RMSE和最大R2，且重采样变异性小，是最可靠的模型。表8显示RF模型在mtry=16时达到最优性能（RMSE=0.0921，R2=0.919，MAE=0.0598），且对调参不敏感。RF在特征重要性分布上比XGBoost更均匀，增强了可解释性和鲁棒性。
（三）环境绩效的全球驱动因素
SHAP分析显示，能源系统变量占主导地位，电力获取（MeanAbsSHAP=0.0912）和可再生能源份额（0.0868）远超其他特征组。数字化指标影响中等但显著，宽带渗透率（0.0127）为主要组成部分。治理质量因素影响较小，监管质量（0.0096）和法治（0.0078）的区域效应较弱且不稳定。结果强烈支持H2，部分支持H1，适度支持H3。
（四）环境绩效驱动因素的区域异质性
东亚及太平洋地区：治理相关变量占主导，法治（0.0534）和环境净储蓄（0.0519）是主要决定因素，高科技出口（0.0267）和城市人口比例（0.0293）也发挥重要作用，强支持H3。南亚地区：城市人口比例（0.0225）是最重要预测因子，人均GDP（0.0168）和可再生能源份额（0.0164）显著但变异大，强支持H2。中亚地区：可再生能源份额（0.1017）是区域最高预测因子，城市人口比例（0.0600）次之，监管质量（0.0269）影响中等，强支持H2。中东和北非地区：互联网使用（0.0609）是最强预测因子，城市人口比例（0.0447）重要，可再生能源份额（0.0367）和人均GDP（0.0351）是关键区分因素，支持H1和H2。撒哈拉以南非洲地区：人均GDP（0.0257）和电力获取（0.0238）最重要，监管质量（0.0201）影响强，结果拒绝H1、支持H2和H3。
（五）预测框架的鲁棒性与泛化能力
RF模型在5折交叉验证、重复交叉验证、自助重采样和留一外袋验证中RMSE值一致约0.10。表9显示各区域留一区域外验证表现良好，中亚地区OOB RMSE最低（0.0842，R2=0.9239），撒哈拉以南非洲最高（0.1018，R2=0.8835），模型泛化能力强。
五、讨论与结论
讨论部分指出，自编码器虽比PCA计算速度慢，但在高维数据中可提供更高的精度和可靠性，适合需要证据基础政策的大数据环境。研究发现与现有文献一致：自编码器在非线性数据关联和噪声鲁棒性方面表现更优；能源相关变量主导环境可持续性预测；数字化的中等且区域异质效应与其条件性影响相符。政策建议强调应从固定权重的线性指数方法转向可解释的机器学习方法，实现基于证据的政策优先级排序。结论部分指出，AE_EPI识别了比传统PCA_EPI更好的隐藏非线性关系，全球RF-SHAP分析表明能源因素是环境绩效的主要驱动因素，区域分析揭示了不同地区通过特定结构性路径影响环境绩效。该框架与多项可持续发展目标（SDGs）直接关联，包括SDG 7（可负担清洁能源）、SDG 13（气候行动）、SDG 6（清洁饮水与卫生）、SDG 15（陆地生物）和SDG 9（产业、创新与基础设施）。研究局限性包括国家层面聚合数据可能掩盖次国家和城市层面变异、SHAP反映预测关联而非因果关系、数字化指标未充分涵盖人工智能和物联网等新兴技术、框架为静态未考虑时间动态和滞后效应。
