《MethodsX》：Machine Learning Assisted Multi-Criteria Decision-Making Approaches for Site Selection: A Systematic Review
编辑推荐：
选址是企业实现可持续增长与竞争优势的关键战略决策，其多维属性直接影响长期运营绩效、成本效率及商业成功。研究人员遵循《系统性综述与荟萃分析优先报告条目》(PRISMA)指南及情境-干预-机制-结果(CIMO)框架，对2015至2025年间189篇同行评审文献开展
选址是企业实现可持续增长与竞争优势的关键战略决策，其多维属性直接影响长期运营绩效、成本效率及商业成功。研究人员遵循《系统性综述与荟萃分析优先报告条目》(PRISMA)指南及情境-干预-机制-结果(CIMO)框架，对2015至2025年间189篇同行评审文献开展系统性分析，旨在厘清不同方法在跨领域、跨情境及跨标准选址问题中的应用范式。研究表明，选址方法论已从经典多准则决策(MCDM)模型显著转向混合(MCDM+ML)框架，此类框架兼具决策过程的透明度、可解释性与预测效能。基于此证据链，本研究首次构建了从经典MCDM到混合MCDM+ML方法的跨领域分类体系，揭示了方法学的演进路径。当前面临的核心挑战包括基准数据集缺失、方法学标准缺位及跨域验证困难。混合框架通过平衡透明度、预测能力与利益相关者信任，仅需最小化模型调整即可实现跨领域适配。本综述确立了基准化、可复现性与验证的研究路线图，推动混合MCDM+ML框架发展为高风险选址场景中标准化、可信赖的决策工具。
背景
设施选址通过成本控制、物流优化、供应链协同及客户邻近性为企业构建竞争优势。选址需统筹经济可行性、环境友好性、社会接受度、基础设施可达性及政策法规符合性等多维要素。传统专家驱动方法在动态复杂环境中渐显局限，而数据丰裕度为数据驱动决策创造了条件。早期研究主要将层次分析法(AHP)、逼近理想解排序法(TOPSIS)、网络分析法(ANP)及偏好顺序结构评估法(PROMETHEE)等多准则决策方法与地理信息系统(GIS)结合，虽适用于利益相关者参与场景，但存在主观赋权偏差且难以处理高维异构数据。机器学习(ML)凭借强大的模式识别与预测能力，已成功应用于碳封存、城市公园规划等领域，随机森林(RF)、深度神经网络(DNN)、极限梯度提升(XGBoost)及支持向量机(SVM)等算法能有效捕捉非线性关系。在高风险决策中，决策者既需透明可解释的输出以降低潜在偏见，又需处理复杂不确定性。近期研究提出的混合MCDM-ML框架通过融合MCDM的系统推理能力与ML的预测精度，增强了权重分配与方案排序的鲁棒性，在不可预测条件下保持可靠性，同时兼顾计算效率与利益相关者沟通需求，标志着决策支持向可问责、可解释的证据驱动范式转型。该研究方向直接支撑联合国可持续发展目标7（经济适用的清洁能源），并为能源系统规划提供整合技术性能、成本效益与环境可持续性的解决方案。相较于既有局限于单一领域（如可再生能源或垃圾填埋场）或单一方法族的综述，本研究首次系统整合了2015-2025年间能源、医疗、废物管理、灾害韧性及商业基础设施等领域的MCDM、ML及混合方法，运用PRISMA与CIMO框架不仅绘制了方法多样性图谱，更揭示了跨域趋势、可解释性挑战及集成创新机遇。
方法细节
本研究采用CIMO逻辑框架（情境、干预、机制、结果）指导文献分析，确保研究领域、方法应用与实践成效的清晰对应。研究问题聚焦于：RQ1（2015-2025年MCDM/ML选址的应用领域分布）、RQ2（具体方法类型）、RQ3（方法选择的影响机制）、RQ4（通用决策标准与方法增效机制）。文献检索覆盖ScienceDirect、IEEE Xplore等七大出版平台，时间跨度为2015-2025年，采用组合布尔检索式（"site selection" OR "location selection" OR siting）AND（"MCDM" OR "AHP" OR "TOPSIS"）AND（"machine learning" OR "random forest"）并执行平台适配调整。纳入标准严格限定为：同行评审期刊/会议论文、明确采用MCDM/ML/混合方法、具备完整的方法论框架（含决策标准定义、模型描述、数据源说明及验证流程）。排除灰色文献、非英文文献及方法描述不完整的研究。筛选流程由两名作者独立执行，通过双盲评审与分歧协商解决选择偏差，最终从215篇初筛文献中确立189篇合格研究。质量评估采用五维定性清单：方法论清晰度、数据集透明度、验证流程完备性、可复现性及情境相关性，未采用数值评分以避免跨领域异质性干扰。数据提取涵盖作者、发表年份、应用领域、方法组合、决策标准、数据集特征及验证指标等要素，按能源生产、公共服务等七类领域单标签分类，方法学类别划分为MCDM、ML及混合(MCDM+ML)三类。
机器学习与混合方法的关键洞见
多准则决策方法在能源生产、水资源管理、公共服务等七大领域广泛应用，层次分析法(AHP)及其模糊扩展(FAHP)、网络分析法(ANP)、逼近理想解排序法(TOPSIS)、偏好顺序结构评估法(PROMETHEE)、ELECTRE系列方法及加权线性组合(WLC)构成主流技术谱系。机器学习方法凭借处理高维复杂数据的优势，在能源领域表现突出：深度神经网络(DNN)在墨西哥湾二氧化碳地质封存选址中实现R2=0.9937的预测精度；XGBoost结合SHAP可解释性分析将土耳其风电场选址准确率提升至96.1%；随机森林与梯度提升模型有效支撑干旱地区光伏电站选址。在公共服务领域，支持向量机(SVM)与随机森林优化了医院与养老设施的区位配置；应急管理中，人工神经网络(ANN)与变分图自编码器(VGAE)显著缩短避难所疏散距离。零售业应用随机森林进行消费需求分析与客户聚类，较回归模型R2值达0.929。代表性研究显示，机器学习通过揭示数据中隐含的空间社会经济规律，提升了复杂场景下的决策科学性，但标注数据稀缺、特征选择复杂及模型黑箱特性仍制约其广泛应用。
研究发现
RQ1（情境）：能源生产以70项研究居首，废弃物管理(34项)、物流基建(29项)次之。能源领域聚焦风光水核及储能系统，公共服务侧重医疗教育设施的可达性与公平性，零售商业强调消费行为分析与竞争力布局，应急管理关注灾害响应时效，水管理与废弃物处理则需平衡环境风险与城市发展。
RQ2（干预）：层次分析法(AHP)是最主流MCDM方法，常与模糊逻辑结合处理不确定性；机器学习以树模型（随机森林、XGBoost、LightGBM）为主导，神经网络（多层感知机MLP、卷积神经网络CNN、时空预测模型SA-ConvLSTM）擅长处理非线性时空关系；混合框架典型组合包括AHP-RF（水务管理）、FAHP-SOM-XAI（垃圾填埋场选址）、WLC-FIS-SA-ConvLSTM（光伏规划），实现专家知识与数据驱动的深度融合。
RQ3（机制）：数据丰度决定方法取向——能源领域因气候地理大数据倾向机器学习，医疗与灾害管理因需利益相关者共识偏好透明MCDM；监管政策强制公共部门采用可解释方法，国家级宏观研究依赖机器学习的可扩展性；地理空间复杂性通常需MCDM结构化解析，而动态环境更适用机器学习自适应能力。
RQ4（结果）：通用决策标准涵盖环境（地形、水文、生态敏感性）、社会经济（人口密度、地价、社会接受度）、基础设施（路网、电网、枢纽距离）及风险可持续性（灾害脆弱性、移民影响、法规符合性）四大维度。MCDM提供结构化权衡框架保障过程透明，ML提升预测精度挖掘隐藏规律，混合方法则通过SHAP、LIME等可解释人工智能(XAI)工具降低偏见，增强不确定性下的决策稳健性。
拟议概念框架：基准化-可解释性-验证(BEV)
为解决现有研究的碎片化问题，提出三阶段整合框架：基准化阶段统一地理空间数据仓库与标准指标体系，消除跨域比较障碍；可解释性阶段融合MCDM赋权与SHAP/LIME解释工具，将模型输出转化为利益相关者可理解的决策依据；验证阶段通过交叉验证、跨区域迁移测试及不确定性分析，确证模型可靠性与泛化能力。以沙特阿拉伯垃圾填埋场选址为例，该框架成功整合ALOS PALSAR DEM、Sentinel-2影像等多源数据，FAHP-SOM聚类与集成学习实现MAE=0.799的精度，SHAP/LIME解释显著提升决策透明度，证明其在高风险场景的实用价值。该框架为政策制定者提供循证决策工具，助力城市规划者平衡技术可行性与社区需求，降低产业开发者的投资风险，并通过标准化减少跨领域重复劳动。
讨论
方法论演进呈现三阶段特征：2017年前以经典MCDM主导，2021年起机器学习应用激增，混合方法作为新兴范式正逐步成熟。领域适应性分析显示：能源与物流业倾向数据驱动的ML/混合方法，公共卫生与公共政策坚守透明MCDM，零售业依赖ML捕捉消费动态，灾害管理需混合方法平衡应急响应速度与决策稳健性。标准收敛性表明，尽管各领域存在风速（能源）、地下水位（废弃物）等特异性指标，但环境、社会经济、基础设施及风险四大类标准具有跨域普适性。现存核心缺口在于可解释人工智能工具渗透率不足、跨区域验证缺失及社会行为因素考量匮乏。相较于既往窄领域综述，本研究通过Sankey图、雷达图等可视化工具，首次揭示方法-领域的适配规律，确立混合框架作为连接学术创新与实务决策的桥梁地位。未来研究应着力构建开放基准数据集、深化XAI集成、开发动态决策系统（融合IoT与遥感实时数据）、并将社区公平性等社会政治要素纳入混合框架设计，最终形成兼具科学严谨性与实践适应性的下一代选址决策支持体系。
