摘要
经济自由作为一种与当代经济话语中国家繁荣相关联的制度条件，被广泛讨论。然而，文献中的传统研究通常将这一概念视为同质化结构，很大程度上忽略了各国之间制度的异质性。本文提出了一个综合分析框架，结合聚类分析、机器学习和可解释人工智能（SHAP）技术来分析经济自由的多维特性。本研究分析了涵盖2017年至2025年期间的174个国家数据。随后，利用k-means算法，按照各国的动态发展轨迹将国家划分为五个实证推导的轨迹型聚类。根据表现最优的Extra Trees算法比较结果以及SHAP分析发现，金融自由、投资自由和产权对经济自由类型的区分作用最强。研究结果超越传统的"自由"与"不自由"二元对立，揭示了基于轨迹的实证分类体系，捕捉了水平、方向和波动性方面的结构性差异。此外，多准则决策（MCDM）方法和情景阶段被解读为诊断性演练，旨在展示排名如何响应替代性权重优先级，而非改革因果效应的估计。实证结果为政策制定者提供了一份战略诊断指南，帮助识别与其国家现有能力相匹配的相对制度薄弱环节。
