《Results in Engineering》：A Robust Hybrid Machine Learning Framework for Multidimensional ESG Assessment in Critical Mineral Supply Chains: The Case of Cobalt Mining
编辑推荐：
为解决传统ESG（环境、社会、治理）评估方法在处理关键矿物供应链非线性风险和不确定性方面的局限，研究人员Hamid Sarkheil、Taha Salahjou和Amirhossein Hashemi开展了一项主题为“A Robust Hybrid Machine Learning Framework for Multidimensional ESG Assessment in Critical Mineral Supply Chains: The Case of Cobalt Mining”的研究。他们开发了名为esg_assessor的混合机器学习框架，该框架集成了专家知识与非线性的XGBoost梯度提升集成模型。评估结果表明，环境因素是ESG得分的主要决定因素，其影响是其他两个支柱（社会与治理）的约4倍。该研究提出了一个可转移的、具备不确定性意识的ESG评估框架，可支持关键矿物供应链的场地筛选、许可证条件设定和基于情景的政策设计。
在全球向可再生能源系统转型的大潮中，锂电池、太阳能板等关键技术的普及使得对钴、锂等战略性金属的需求激增。其中，钴因其在电动汽车电池中的核心作用，已成为能源转型舞台上的“明星”金属。伊朗，凭借其可观的钴资源储量，有望成为全球供应链中的重要一环。然而，机遇往往与挑战并存。钴矿的开采和加工过程伴随着复杂的环境、社会和治理（ESG）风险，这些问题若不妥善处理，不仅威胁当地的可持续发展，也可能危及全球供应链的安全与韧性。传统的ESG评估方法，多采用静态的、清单式的打分卡，它们往往将环境、社会和治理因素视为独立、可简单相加的项，无法捕捉风险因素之间非线性的、动态的交互关系，也无法有效量化在数据稀缺或制度薄弱地区（如伊朗）所特有的不确定性。这就好比用一个简单的尺子去测量一个多维度、不断变化的地形，难免力有不逮。面对这一方法论上的鸿沟，一项来自伊朗德黑兰大学采矿工程学院的研究应运而生。
为了解决上述双重局限（方法论局限与伊朗钴矿领域的特定数据/制度局限），由Hamid Sarkheil、Taha Salahjou和Amirhossein Hashemi组成的研究团队，在《Results in Engineering》期刊上发表了一项创新性研究。他们开发了一个名为esg_assessor的鲁棒混合机器学习框架，专门用于对伊朗钴矿开采相关的ESG风险和机遇进行全面、动态的评估。这个框架的核心是，将专家通过德尔菲法（Delphi Method）获取的领域知识，与一个强大的非线性机器学习模型——极限梯度提升（XGBoost）——相结合，从而在保持透明度和可解释性的同时，提升了预测的准确性。
研究得出了一系列重要结论。首先，评估结果突显了伊朗钴矿开采面临的主要风险，包括严重的水文地质压力和地下水消耗、复杂的生态系统破碎与生物多样性丧失问题，以及系统性的治理失效（如腐败和社会动荡）。同时，研究也指出了在可持续采矿实践、创造就业和促进经济振兴方面的显著机遇。通过对模型的解释性分析（使用SHAP、LIME和ICE等技术），研究人员发现，在ESG三大支柱中，环境因素对最终ESG得分的影响占主导地位，其平均绝对SHAP值贡献大约是其他两个支柱（社会和治理）总和的4倍。在具体风险特征层面，“水文地质压力和缺水”与“生态系统破碎和生物多样性丧失”显示出突出的影响力，而与社会因素相关的“当地生计损失”其净风险贡献则相对较小。最终，esg_assessor框架提供了一个可转移的、具备不确定性意识的ESG评估工具，它能够定量地整合专家判断与机器学习，为关键矿物供应链的场地级筛选、许可条件设定以及基于情景的政策设计提供有力支持，具有重要的方法论和实践意义。
研究人员为开展此项研究，主要运用了以下几个关键技术方法：首先，构建了一个包含5个阶段（证据收集与验证、情境风险放大分析、相互依赖性映射、专家评估、机器学习整合）的多维评分框架。其次，采用德尔菲法组织专家小组（五位涵盖采矿工程、环境科学等多领域的专家）对16个风险因素和7个机遇因素进行多轮评分，确立了初步权重。第三，核心技术是开发了一个端到端的混合机器学习流水线（esg_assessor），其核心架构将专家赋权的线性风险计算模型与基于XGBoost的集成学习模型相结合，前者提供可解释的基准分数，后者学习原始特征间的非线性关系以复现并增强预测。第四，利用SHAP（Shapley Additive Explanations）等可解释人工智能（XAI）工具对模型预测进行归因分析，量化各特征对风险得分的贡献。最后，通过留一法交叉验证（LOOCV）和Wilcoxon符号秩检验等统计方法， rigorously 验证了模型的泛化性能和相对于基准模型的显著优越性。研究所用数据集（共81个有效样本）来源于伊朗政府及准政府组织的矿山相关报告，并部分借鉴了刚果民主共和国等钴矿区的卫星遥感数据作为环境影响的代理指标。
研究结果：
模型性能与验证：
研究基于81个场地、23个ESG子因素的数据集构建了esg_assessor模型。经超参数优化后，模型在测试集上取得了R2= 0.761，RMSE = 0.0095的良好性能。更为严格的留一法交叉验证显示，融合了专家类别权重的“混合”XGBoost模型（LOOCV R2= 0.9238）显著优于仅使用原始特征的“原始”模型（LOOCV R2= 0.8104），Wilcoxon检验p值远小于0.05，证实了集成专家知识的结构能有效提升预测准确性。预测值与实际风险分数的散点图显示点紧密围绕对角线分布，残差图呈现随机散布，表明模型无系统性偏差且误差同方差。
风险分数分布与投资组合细分：
计算得到的线性风险分数在81个场地中呈单峰分布，均值0.154，中位数0.152，标准差约0.025，表明风险呈现连续梯度而非离散聚类。通过分位数将场地分为低、中、高三类风险等级，便于后续决策。
预测风险与实际风险分数：
视觉诊断图进一步证实了模型能高保真地复现由专家权重线性模型计算出的“真实”风险分数，大多数测试样本的预测误差很小。
可解释性分析：
通过SHAP分析揭示了驱动ESG风险的关键因素。全局来看，环境支柱（特别是特征P1“水文地质压力和缺水”和P2“生态系统破碎与生物多样性损失”）对模型输出的贡献最大，其平均绝对SHAP值远高于社会与治理支柱。具体而言，P1和P2的平均SHAP值分别约为0.0075和0.006，而社会风险如P6“当地生计损失”的贡献则小得多（平均SHAP约0.001）。这定量印证了环境风险在伊朗钴矿ESG评估中的核心地位。部分依赖图展示了关键风险因素（如腐败）与预测风险分数之间的非线性关系。
数据来源归因与模型置信度：
研究根据数据来源的质量和直接性，为不同ESG参数赋予了高、中、低三档置信度权重及相应的不确定区间。例如，基于伊朗本国实地监测数据（如地下水损耗量）的参数置信度为“高”，而部分依赖跨国代理数据（如借鉴刚果民主共和国的生境丧失数据）或全球比较研究的参数则置信度为“中”或“低”。这透明化了评估结果的不确定性来源。
结论与讨论：
本研究引入的esg_assessor框架，成功弥合了传统静态ESG评估方法与复杂、动态的现实矿业风险之间的差距。它通过一种创新的混合架构，将领域专家的定性判断与机器学习模型处理非线性、高维数据的能力相结合，实现了对伊朗钴矿ESG风险的动态、概率性评估。
研究的主要结论包括：
- 1.
方法论贡献：esg_assessor框架克服了传统多准则决策方法假设线性独立、以及简单机器学习模型无法量化专家判断不确定性的缺点。XGBoost模型的集成学习能力，结合正则化技术，使其在数据稀缺的伊朗钴矿背景下也能有效学习复杂的、情境特定的风险倍增效应。
- 2.
核心发现：对伊朗钴矿的评估明确显示，环境风险，尤其是与水资源和生态系统相关的风险，是ESG表现的首要决定性因素，其影响力远超社会和治理风险。这为政策制定者和投资者提供了明确的优先干预领域。
- 3.
实践意义：该框架产出的是可行动的、场地层级的风险指数，能够支持采矿许可的附加条件设定、投资筛选以及模拟不同政策情境下的风险演变轨迹。其模块化设计也意味着它可以被推广应用于其他关键矿物（如锂、稀土）或其他地理区域的ESG评估。
- 4.
透明度与可辩护性：通过整合线性基准模型与基于SHAP的模型解释技术，该框架在保持“黑箱”模型预测性能的同时，提供了“白箱”般的可解释性，这对于需要向监管机构、社区和投资者提供明确决策依据的矿业治理场景至关重要。
讨论部分也坦诚指出了研究的局限性，例如专家小组的规模较小且地域代表性可能不足，未来需扩大专家范围并纳入受影响的社区代表；部分数据依赖于他国代理指标，未来应加强本国遥感数据的直接获取与分析。尽管如此，这项研究为关键矿物供应链的可持续管理提供了一个强有力的、面向未来的分析工具。它表明，在能源转型的宏大叙事下，对支撑转型的矿物本身进行负责任的、科学驱动的ESG管理，不仅是道德和监管的要求，更是保障供应链长期稳定、实现“公正转型”的关键所在。
