《Sustainability》:A Multidimensional Perspective for Women’s Empowerment–Sustainability in Africa: Examining Multiple Sources of Heterogeneity and the Role of Renewable Energy
编辑推荐:
资源枯竭城市在转型过程中面临经济、社会与生态压力交织的复杂局面,但其社会—生态韧性的动态演化及不同路径响应仍缺乏充分认识。以中国全国首批资源枯竭型煤矿城市焦作为例,本研究构建了一个可解释机器学习框架,整合韧性评估、XGBoost-SHAP(Extreme Gr
资源枯竭城市在转型过程中面临经济、社会与生态压力交织的复杂局面,但其社会—生态韧性的动态演化及不同路径响应仍缺乏充分认识。以中国全国首批资源枯竭型煤矿城市焦作为例,本研究构建了一个可解释机器学习框架,整合韧性评估、XGBoost-SHAP(Extreme Gradient Boosting–Shapley Additive Explanations)解释、空间统计验证、情景模拟与敏感性分析。研究人员构建了2012—2022年的多维韧性指数,并对2030年与2035年的备选发展路径进行了预测。结果表明,韧性演化具有明显的阶段依赖性,2012—2017年模型解释的驱动因素以经济和政策相关变量为主,2017—2022年则转向更强调生态导向的多维结构。SHAP(Shapley Additive Explanations)依赖分析与交互分析进一步识别出关键社会、经济与生态指标的非线性响应模式及条件性交互关系。情景模拟显示,绿色转型带来最强的模型预测增益,并在不同子系统权重设定下始终保持最高排序。研究表明,资源枯竭城市的韧性提升依赖生态修复、产业升级、经济活力与社会适应能力的协同推进。所提出的框架为诊断资源枯竭型城市韧性演化与比较转型路径提供了可迁移的方法。
本研究针对焦作市资源枯竭转型背景下社会—生态韧性(SER, socio-ecological resilience)演化不清、驱动机制识别不足以及未来路径比较缺乏统一框架等问题展开。研究人员将焦作作为典型案例,基于社会、经济、生态三大子系统构建多源栅格化指标体系,利用主成分分析(PCA, Principal Component Analysis)确定权重,并引入边际收益修正以刻画韧性响应的非线性特征。在方法上,研究人员进一步采用XGBoost(Extreme Gradient Boosting)结合SHAP解释框架识别关键驱动因素及其交互关系,并通过空间块交叉验证、Moran’s I与LISA(Local Indicators of Spatial Association)开展空间统计验证。随后,研究人员设置基准情景与绿色转型、生态修复、水土保持、综合发展等干预情景,对2030年与2035年的韧性变化进行模拟比较。结果表明,焦作市SER总体在2012—2022年间提升,但呈现明显阶段性与空间差异性;驱动机制上,早期更受经济与政策变量影响,后期则生态变量作用增强;情景比较中,绿色转型路径在长期最具稳健性和综合增益。该研究的重要意义在于,为资源枯竭城市韧性诊断、路径评估与转型治理提供了可解释、可比较、可迁移的分析框架。