《Sustainable Cities and Society》：A hybrid MCDM integrating XGBoost and explainable AI to assess urban ecosystem resilience and identify contributors: A case of Chinese cities
编辑推荐：
城市生态系统韧性（ecosystem resilience, ER）是在城市化加速与气候不稳定性加剧背景下实现全球可持续发展的基础前提。然而，传统框架主要依赖线性聚合方案，对于不同指标相对贡献的解释能力有限。研究人员提出了一种融合多准则决策分析（multi-c
城市生态系统韧性（ecosystem resilience, ER）是在城市化加速与气候不稳定性加剧背景下实现全球可持续发展的基础前提。然而，传统框架主要依赖线性聚合方案，对于不同指标相对贡献的解释能力有限。研究人员提出了一种融合多准则决策分析（multi-criteria decision-making, MCDM）与可解释人工智能（artificial intelligence, AI）的混合框架，用于评估韧性并检验特征归因模式。通过将该方法应用于2010至2022年中国292个城市，研究人员构建了一个涵盖抵抗力、恢复力、适应力和转型力的综合韧性指数。结果表明，研究期间全国韧性提高了28.69%，其中适应力是主导维度。研究采用SHapley Additive exPlanations（SHAP）分析表征模型内部的特征归因模式。不同特征在其不同取值范围内的贡献存在差异，这反映出在特征联合分布下模型归因贡献的异质性；例如，城市绿地在某些取值区间内的贡献较高，而在这些范围之外相对较小。这些发现为量化复杂城市动态提供了一条透明、数据驱动的路径，并为政策制定者在不确定条件下优化韧性策略提供了可操作的洞见。
该文发表于《Sustainable Cities and Society》，研究聚焦于快速城市化与气候变化叠加背景下的城市生态系统韧性（ecosystem resilience, ER）测度问题。现有研究虽然已经广泛使用多准则决策分析（multi-criteria decision-making, MCDM）、熵权法、TOPSIS及回归模型来构建韧性指数和识别驱动因素，但这些方法普遍建立在线性、可加和固定权重的假设之上，难以刻画复杂生态系统中指标之间的非线性关系、异质性贡献和交互作用。与此同时，机器学习（machine learning, ML）方法具备较强预测能力，但其“黑箱”特征又限制了政策解释力。因此，如何在保持综合评价框架规范性的同时，引入数据驱动方法提升权重识别、因素解释和局部异质性揭示能力，构成本文研究开展的直接动因。
研究人员围绕这一问题构建了MCDM-XGBoost-SHAP混合框架，并将其应用于2010至2022年中国292个地级市面板数据。研究以演化韧性理论为基础，建立包含抵抗力、恢复力、适应力和转型力四个维度的城市生态系统韧性指标体系；随后利用XGBoost与MCDM结合的方法确定指标权重并开展ER综合评价；进一步嵌入XGBoost回归模型和SHAP解释模块，对特征重要性、归因模式与交互结构进行全局和局部解释。研究结论表明，全国城市ER整体上升28.69%，其中适应力是最主要维度；不同指标对ER的贡献并非恒定不变，而是随着取值区间变化呈现显著异质性；SHAP分析还揭示了指标间存在交互关系。该研究的重要意义在于，突破了传统MCDM与ML彼此分离的分析路径，使韧性评估不仅能够给出综合水平，还能够更透明地解释“哪些因素在何种情境下更重要”，从而提升结果的政策适用性。
研究采用的关键技术方法可概括为以下几类。第一，基于演化韧性理论构建四维指标体系，将ER界定为抵抗力、恢复力、适应力和转型力的综合属性。第二，采用XGBoost-MCDM方法进行特征工程与权重识别，以改进传统固定权重框架对城市异质性的忽视。第三，使用XGBoost监督学习模型刻画指标与ER之间的模型关联。第四，借助SHAP开展全局与局部可解释性分析，识别特征重要性、不同取值区间的贡献模式以及特征间交互。样本来源为2010至2022年中国292个地级市面板数据。
在研究结果部分，作者依次展开了几个层面的实证分析。首先，在“ER评估及时空异质性”部分，研究人员利用MCDM-XGBoost-SHAP框架对292个城市的ER进行测度，并分析其在2010至2022年间的时序变化与空间差异，核心结论是全国ER总体提升，且不同城市之间存在明显异质性。其次，在“基于全局SHAP值的特征重要性”部分，研究通过全局SHAP值量化各指标对ER模型输出的重要程度，说明不同维度和不同指标在整体韧性形成中的作用并不一致，其中适应力维度表现最为突出。再次，在“特征贡献模式”部分，研究借助SHAP进一步揭示单个特征在不同数值区间下的边际贡献变化，表明城市绿地等指标并非在所有情形下都以相同强度影响ER，而是存在区间依赖的非线性归因特征。随后，在“特征间交互分析”部分，研究考察多个指标之间的交互结构，指出城市生态系统韧性的形成并不是单一因素独立作用的结果，而是多类因素在联合分布下共同塑造的结果。最后，在“微观层面分析”部分，研究人员进一步考察局部城市层面的特征贡献，强调不同城市由于发展阶段、资源禀赋和环境条件不同，其ER形成机制具有显著微观异质性，因此不能简单套用统一解释框架。
在讨论部分，作者明确指出，本文不同于将MCDM与ML割裂使用的传统研究路径，而是将ML的特征工程能力前置并嵌入MCDM评价体系之中，形成适用于ER评价与因素分析的新框架。相较于传统因子分析方法，该框架在指标贡献解释和交互关系识别上更具透明性，也更能反映城市之间的差异化韧性特征。作者强调，这种方法不仅增强了评价精度，也为制定更具针对性的城市适应与治理策略提供了支持。
研究结论部分可概括为：为克服ER研究中MCDM与ML长期分离所带来的局限，研究人员将ML的特征工程能力嵌入MCDM框架，提出了一体化的MCDM-XGBoost-SHAP模型。该混合框架能够识别ER评价模型中的特征归因与交互模式，并提高机器学习分析的透明度与可解释性；同时，该框架已应用于中国292个城市的面板数据分析，证明其能够有效捕捉城市生态系统韧性的复杂变化规律，并为不确定环境下的韧性治理提供数据驱动依据。
