《Sustainability》：AI-Driven Valuation of Circular Economy Investments: Implications for Sustainable Real Estate and Resource Management
Dominykas Linkevi?ius,
Laima Okunevi?iūt? Neverauskien? and
Manuela Tvaronavi?ien?
编辑推荐：
本研究针对循环经济（特别是电子废物回收等资源密集型领域）中投资效率评估的复杂性，探讨了人工智能（AI）和机器学习（ML）如何改善其评估与预测。研究人员利用2010-2024年欧盟国家数据，开发了基于集成预测方法（如随机森林、XGBoost）的机器学习模型。研究结果表明，AI模型比传统计量经济学方法具有更高的预测精度，并识别出自动化水平、回收效率和环境政策严格性是决定投资效率的关键因素。这项工作为循环经济投资评估提供了全新的数据驱动方法论，对可持续房地产开发和资源管理策略的制定具有重要意义。
在技术飞速发展和全球消费浪潮的推动下，电子设备消耗量激增，电子废物也随之成为增长最快、最复杂的废物流之一。这不仅对环境构成严峻挑战，也给经济规划和投资评估带来了难题。循环经济，特别是其核心环节——电子废物回收，正成为可持续增长和负责任资源利用的关键要素。欧洲联盟等地区正大力推动向循环经济模式的转型，旨在让产品、材料和资源在经济活动中留存更长时间，并最大限度地减少废物。然而，如何准确评估和预测循环经济领域投资的效率和回报，却是一个传统方法难以攻克的堡垒。传统的计量经济模型通常基于变量间的线性关系假设，难以处理循环经济投资中复杂的、多因素的、非线性关联的过程。投资者和政策制定者亟需更精确、动态的分析工具，来支持在环境与经济可持续性背景下做出数据驱动的决策。为了应对这一挑战，一项题为“AI-Driven Valuation of Circular Economy Investments: Implications for Sustainable Real Estate and Resource Management”的研究在《Sustainability》期刊上发表，为我们带来了新的见解。
为了评估人工智能（AI）方法相比传统模型在评估循环经济（CE）投资效率方面的优势，并将其与可持续房地产（RE）发展和资源管理相联系，研究人员开展了一项严谨的实证分析。研究的核心是开发一套基于集成人工智能方法的机器学习模型系统。
研究主要采用了以下几种关键技术方法：首先，研究人员系统收集了2010年至2024年间六个欧盟国家的面板数据，涵盖经济、技术和环境三类指标，数据来源包括Eurostat、OECD、欧洲环境署（EEA）等权威机构。其次，他们构建了“投资效率指数（IEI）”作为模型的因变量，该指数综合了投资回报率（ROI）、回收效率（RE）和循环材料使用率（CMUR）等多个绩效指标。在建模阶段，研究采用了对比分析框架：一方面使用包含国家和时间固定效应的传统面板数据模型作为基线；另一方面，则构建了两种先进的集成机器学习模型——随机森林（Random Forest）和XGBoost进行预测。此外，研究还应用了SHAP（Shapley Additive exPlanations）框架来解释人工智能模型的预测结果，定量评估每个自变量（如自动化水平、环境政策严格性等）对投资效率指数的贡献度，从而识别出最关键的影响因素。所有统计分析均在R软件环境中完成。
研究结果部分揭示了人工智能模型的有效性和关键影响因素：
1. 传统模型与人工智能模型预测性能的比较
结果显示，基于集成方法（随机森林和XGBoost）的人工智能模型，在预测循环经济投资效率方面，显著优于传统的线性计量经济模型。这表明人工智能方法能够更好地捕捉数据中复杂的非线性关系和交互作用。
2. 决定循环经济投资效率的关键因素
通过SHAP分析，研究定量识别出对投资效率指数影响最为显著的几个变量。其中，自动化水平（以每万名工人拥有的机器人数量衡量）是最重要的正向驱动因素。回收效率（废物回收率）紧随其后，更高的回收率直接关联到更好的投资表现。环境政策严格性（基于OECD的指数）也显示出强烈的正向影响，表明严格且连贯的环境监管政策有助于提升循环经济投资的效率和吸引力。其他因素如研发支出、能源强度等也具有重要但相对较小的解释力。
3. 可持续房地产作为循环经济的应用场域
研究特别指出，可持续房地产部门是循环经济原则的关键应用领域。虽然本研究未对房地产进行单独的微观建模，但通过引入“绿色建筑占比”作为代理变量，发现其与宏观层面的循环经济投资效率存在关联。可持续建筑通过整合能源转型、使用可再生和可回收材料、优化资源效率，成为循环经济链条不可或缺的一环。将循环经济原则（如“从摇篮到摇篮”设计、零废物建造策略）融入房地产项目，能够降低运营成本、提升资产长期价值，从而增强投资的韧性和财务回报。
4. 人工智能在投资与环境评估中的应用价值
研究表明，人工智能方法能够将分散的经济、技术、环境数据整合到统一的分析框架中。除了预测，AI模型（如XGBoost、随机森林）结合SHAP等可解释性工具，能够进行因素重要性排序和情景模拟，帮助预测在不同技术发展、政策收紧或原材料需求变化情景下的投资效率变化。这为投资者识别风险、优化资本配置，以及为政策制定者设计更有效的激励措施提供了强大的数据驱动支持。
结论与讨论
本研究得出结论，人工智能方法，特别是随机森林和XGBoost等集成机器学习模型，为评估和预测循环经济投资效率提供了一种更准确、更强大的新工具。相比传统模型，AI能够更好地处理真实世界数据的复杂性、非线性和异质性。
研究的核心发现是，自动化水平、回收效率和环境政策严格性是驱动循环经济投资效率的三大最关键因素。这一发现具有明确的政策与实践含义：推动工业自动化、提升废弃物回收技术和基础设施、制定并执行严格连贯的环境法规，是提升循环经济投资吸引力、实现可持续增长的关键杠杆。
该研究成功地将宏观投资效率分析与具体的行业应用（可持续房地产）联系起来，论证了循环经济投资与实体经济部门（如房地产）的长期价值创造之间存在良性循环。可持续房地产不仅是循环经济的“践行者”，其发展本身也受益于并进一步催化对循环经济解决方案的投资。
在方法论上，本研究通过对比传统计量模型与先进AI模型，实证展示了数据驱动方法在可持续金融和投资评估中的巨大潜力。利用SHAP框架增强模型的可解释性，使“黑箱”模型变得透明，让决策者不仅能知其然（预测结果），还能知其所以然（关键影响因素），这对于在金融和公共政策领域推广AI应用至关重要。
总之，这项研究为循环经济这一复杂系统的投资评估提供了创新的方法论，搭建了连接技术、环境政策、资本配置和行业实践的分析桥梁。它不仅为寻求可持续和长期回报的投资者提供了新的分析工具，也为旨在促进绿色转型和负责任资本配置的政策制定者提供了重要的决策参考。随着全球对可持续发展议题的日益关注，此类融合人工智能、环境科学与金融学的研究，将在引导资本流向更可持续的未来方面发挥越来越重要的作用。
