中国大陆农作物受灾时空格局演化及影响因素研究

Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 60, No. 5 (Sept. 2024)

1.西北工业大学公共政策与管理学院, 西安 710072; 2.北京大学城市与环境学院, 北京 100871;3.云南师范大学地理学部, 昆明 650500; †通信作者, E-mail: huangqingzi@nwpu.edu.cn

摘要为了揭示农作物受灾的规律和影响因素, 综合使用核密度估计方法和 Dagum 基尼系数, 探讨中国大陆农作物受灾的时空演变特征, 并采用 Catboost 模型和 Tobit 模型分析农作物受灾的影响因素。研究结果表明, 中国大陆地区农作物受灾水平整体上呈现带状分布特征, 黄土高原区域长期以来受灾水平较高, 整体而言, 黄土高原以北区域农作物受灾程度强于以南区域, 在黄土高原以南区域, 华中平原整体上受灾水平较高; 东部和西部地区的基尼系数始终高于中部和东北, 但随着时间的推移, 东部空间分布差异逐渐缩小, 西部则有扩大趋势, 西部的这种差异主要表现在西北地区受灾水平整体上高于西南; 水利建设和水土流失治理是农作物受灾的主导影响因素。

关键词 农作物受灾; 时空格局; 影响因素; Catboost 模型; Tobit 回归模型

农作物受灾指在农业生产过程中, 由于自然灾害和病虫害等原因导致农作物减产或毁损, 对粮食安全和农民的经济收入有重要影响[1]。中国是农业大国和自然灾害最严重的国家之一, 1978 年以来, 中国大陆农作物受灾面积长期保持在较高水平, 1978 年受灾面积达到 50807hm2, 此后长期存在较大范围的农作物受灾问题, 直至 2011 年受灾面积才下降至 32471hm2。为了更好地促进中国农业经济的高质量发展, 保障粮食安全根基, 积极应对农业灾害问题, 深入分析中国农作物灾害时空格局演化特征以及影响因素, 具有较强的现实意义。

目前, 在有关农业经济发展的研究中, 农业经济高质量发展[2–4]、粮食安全[5–7]和耕地安全[8–10]等方面的成果较为丰富。当前, 有关农作物受灾领域的研究成果集中于农作物灾害的监测评估[11–14]、农作物灾害的损失[15]、农作物受灾因素[16–18]和农作物受灾预测[19–20]等方面。在以往的研究中, 很少对地区农作物受灾水平的时空分布的差异性进行研究, 有的学者仅仅从宏观角度分析中国农业受灾的整体时空分布状况[1], 但对农业受灾区域分布的差异性探讨不足, 并且采用的方法较为简单。此外, 以往研究中多选用农作物受灾面积的绝对量来衡量农作物受灾情况[1], 忽略了农作物受灾是相对于其播种情况而言的这一因素。基于此问题, 本文结合农作物播种情况、农作物绝对受灾面积和播种面积来测度中国地区农作物受灾水平。

在对农业受灾的影响因素方面, 学者们多从自然因素[1,16–18](如降水、气温、地形和自然灾害等)入手进行探究, 忽略了人为因素对农业受灾状况的影响[1]。从现实情况看, 人为因素对地区农作物受灾存在一定的影响力。并且, 在人为因素中, 学者往往使用农作物受灾相关指标的绝对量[1], 忽略了在农作物受灾治理过程中, 治理规模占耕地规模的比例, 及其如何影响农作物受灾水平。基于此, 本文使用更综合全面的方法来探究地区农作物受灾的时空分异特征, 并从不同的视角来考量地区农作物成灾的影响因素。

就研究方法来看, 核密度估计[21–22]、Dagum 基尼系数[23–24]、泰尔指数[25–26]和莫兰指数[27–28]广泛应用于时空分析研究中。其中, 核密度估计是一种非参数估计的方法, 用来分析地区相关数据的分布。由于核密度估计不需要对数据的分布形式做任何限制, 因此适用于各种类型的数据, 包括非正态分布和多峰分布。Dagum 基尼系数和泰尔指数都可以反映地区之间的空间分布差异, 与泰尔指数相比, Dagum 基尼系数计算方法简单, 容易理解, 并且通过小样本数据也能获得准确的结果, 故本文采用Dagum 基尼系数进行研究。

在影响因素分析过程中, 本文使用 Catboost 模型, 首先识别出农作物受灾的主要影响因素, 在此基础上进行格兰杰因果关系检验。在进行偏效应分析时, 本文使用 Tobit 模型。这样做的原因在于Tobit 模型的运用较为成熟[29–31], 与其他线性回归模型相比, Tobit 模型能够处理有截断或有限制的数据、连续变量和二元变量以及起伏波动的数据, 能够较好地提升模型的拟合优度。此外, Tobit 模型广泛应用于截尾数据中, 而本文中农作物受灾水平恰恰是截尾数据, 研究方法具有高度匹配性。因此, 本研究采用 Tobit 模型来探究地区农业受灾的影响因素。

综上所述, 本文综合使用核密度估计、Dagum基尼系数、Catboost 模型和 Tobit 模型, 深入分析2011—2020 年中国大陆农作物受灾的时空分异状况, 并在此基础上纳入自然与人为双重视角, 更加全面地探究地区农作物受灾的影响因素, 以期对相关领域的研究提供一定的参考, 为农业生产和灾害管理部门决策提供一定的理论支撑。

1 研究区域、数据与方法

1.1 研究区域与数据来源

本文以中国 31 个省区(未包含港澳台地区)为研究对象, 划分为东部、中部、西部、东北共 4 个区域, 使用 2011—2021 年的数据进行分析。东部包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南, 中部包括山西、内蒙古、安徽、江西、河南、湖北和湖南, 西部包括广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆, 东北包括辽宁、吉林和黑龙江。本文使用地区农作物受灾面积/农作物播种面积(%)来衡量地区农作物受灾状况, 数据来源于《中国环境统计年鉴》和《中国农村统计年鉴》。降水量和森林覆盖率数据来源于《中国环境统计年鉴》, 新增水土流失治理面积/耕地面积、水利建设投资完成额/耕地面积以及生态修复治理投资额/耕地面积数据来源于《中国水利统计年鉴》, 耕地面积数据来源于《中国统计年鉴》。

1.2 研究方法

本文使用核密度估计和 Dagum 基尼系数来探讨中国大陆农作物受灾的时空演变特征。在此基础上, 采用 Catboost 模型来识别主导影响因素, 并对主导影响因素进行格兰杰因果关系检验。使用Tobit 模型分析农作物受灾影响因素, 并进行偏效应分析。本文的研究方法具有一定的创新性, 具体表现在如下几个方面。第一, 能够综合时空分析。采用核密度估计方法可以全面地分析农作物受灾的时空分布特征, 有效地显示不同地区和不同时间段农作物受灾的概率和程度。通过 Dagum 基尼系数, 可以评估农作物受灾的空间异质性, 提高对农作物受灾时空演变的认识。第二, 能够多因素综合考虑。Tobit 模型可以考虑多个潜在的影响因素, 对农作物受灾进行定量分析, 准确地描述和解释农作物受灾的主要影响因素, 还可以量化这些因素对农作物受灾的影响程度和方向。Tobit 模型是一种参数估计模型, 能够根据研究的具体问题, 灵活地调整和应用, 可以处理因变量存在截断或被观测到下限或上限的情况, 适用于农作物受灾这种具有潜在未观测值的情况。

1.2.1 核密度估计

核密度估计一般通过光滑连续的密度曲线, 直观而形象地表现随机变量的空间分布特征[32]。这是一种非参数估计方法, 用于估计未知密度函数, 函数形式不受限制, 能够很好地避免设定误差, 与传统直方图相比, 具有较强的连续性。参照文献[21,33], 本文使用核密度估计法对地区受灾状况的时空分异特征进行分析。计算公式如下:

其中, f(x)为根据农业受灾面积在 n 个地区的值 X1, X2, ..., Xn 估计得到的概率密度函数; k 为核函数, 常用的核函数形式有三角核函数、Epanechnikov 核函数以及 Guassian 核函数等, 本文选取较为常用的Guassian 核函数[21]; h 为带宽值, 控制平滑程度。

1.2.2 Dagum基尼系数

与其他研究方法相比, Dagum 基尼系数[34]及其分解方法的最大优点在于可以将总体差异进一步划分为子群内、子群间和超变密度 3 个部分, 能够很好地说明地区差异的来源[35]。本文采用 Dagum 基尼系数及其分解方法分析中国大陆农作物受灾的空间差异及来源状况, Dagum 基尼系数越大, 表明地区农作物受灾状况的空间差异越大, Dagum 基尼系数越小, 表明差异越小[35]。

1.2.3 Catboost模型

本文使用 Catboost 模型来识别中国大陆农作物受灾的主导影响因素。Catboost 模型是 Prokhoren-kova 等[36]首次提出的梯度提升机器学习算法, 与其他机器学习回归模型相比, Catboost 模型试图从给定的数据中获得最大信息, 可以很好地处理小型机器学习数据集, 在影响因素识别中运用最广泛, 表现最出色。本文基于郑家桐等[37]构建 Catboost 模型, 识别中国大陆农作物受灾的主导影响因素, 计算方法如式(2)所示:

其中, a 为大于 0 的权重系数, p 为添加的先验项。最大树数设置为 100, 树深为 10, 学习率为 0.1, 达成优化后, 继续迭代的次数为 20, 正则项为 1。

1.2.4 Tobit回归模型

Tobit 回归模型也称删失回归模型, 用于处理因变量含有删失或受限数据的样本[38]。本文以农作物受灾面积为自变量, 因变量即影响因素。结合以往研究中自然因素对农作物受灾的影响情况, 本文选取降水量(x1)和森林覆盖率(x2)这两个自然影响因素。中国大陆为水土流失重灾区, 水土流失问题会在一定程度上影响土地质量, 进而影响农作物受灾状况; 中国一直以来重视农田水利建设, 农田水利在一定程度上影响着农作物的抗灾能力; 生态修复治理深刻地影响农业生态环境状况, 也会对农业受灾状况产生一定程度的影响。本文将受灾治理过程中对耕地保护的贡献纳入考虑范围, 选取新增水土流失治理面积/耕地面积(x3)、水利建设投资完成额/耕地面积(x4)和生态修复治理投资额/耕地面积(x5)这三个人为影响因素。

模型的计算方法如下:

其中, Yit 表示 t 期地区农作物受灾面积, xit–1表示第 t –1 期 i 个影响因素, βi 为回归系数, ε 为随机误差项。

考虑到内生性问题, 在式(3)中, 将被解释变量滞后一期, 表示当期相关变量对下一期农作物受灾的影响。此外, 为避免异方差影响, 本文对数据进行对数处理。

2 农作物受灾时空格局演化

2.1 农作物受灾时空演变

使用 ArcGIS 软件, 采用自然间断点分级法[38], 本文得到中国大陆农作物受灾时空演进图(图 1)。2011—2013 年, 中国大陆农作物受灾水平有增强的演变趋势, 中部区域的农作物受灾水平较高。2013 —2015 年, 重灾区数量增多, 主要位于中国北部区域, 如内蒙古、青海、辽宁和新疆等省(自治区), 各区域受灾水平也呈现一定程度的空间集聚特征。2015—2017 年, 重度受灾区进一步增加, 集中在中国东北地区, 而西南地区的农作物受灾水平有向良好演变的趋势。2017 年以后, 受灾状况整体上有所减弱, 农作物受灾水平呈现带状分布特征。其中, 黄土高原区域长期以来农作物受灾水平较高, 黄土高原以北区域农作物受灾程度整体上强于以南区域。在黄土高原以南区域, 华中平原农作物受灾水平较高。

虽然农作物受灾的空间分布具有一定的规律性, 但时间演化存在一定的不稳定性。随着时间的演变, 各区域受灾状况的波动性较强, 但近年来农作物受灾水平时间演化开始趋于稳定, 且有减轻趋势。农作物受灾时间演变的不稳定性可能源自以下5 个方面。第一, 气候变化的不确定性: 气候变化可能导致降水不均和温度波动等极端天气事件的增多, 如干旱、洪涝和台风等, 进而影响农作物生长和产量。第二, 自然灾害的不确定性: 灾害高速增长的地区可能是遭受自然灾害, 如地震、洪水和冰雪灾害等, 这些灾害对农作物造成严重的破坏, 例如洪涝灾害会导致农田被淹和农作物失收, 地震可能导致土地塌陷和农作物遭受破坏等。第三, 病虫害暴发: 病虫害暴发对农作物产量会造成严重的影响, 如病毒、真菌和虫害等会侵袭农作物, 导致植株生长不良、减产甚至死亡。第四, 农业管理不善: 农业生产的管理不善也可能是导致农作物受灾增加的原因之一, 例如, 土地退化、土壤质量下降和过度耕种等不良农业实践会削弱农作物的抗灾能力, 使其更容易受到灾害的影响。第五, 人口增长和城市化: 人口增长和城市化进程可能导致农地减少和农业生产方式的变化等问题, 使农作物更加脆弱, 更容易受到自然灾害和其他因素的影响。因此, 应规避农作物受灾时间演变的不确定性, 应加强气象监测、灾害预警和农业管理, 提高农作物的抗灾能力, 加强农业科技创新和适应性农业的推广, 以便应对气候变化和其他因素带来的风险。

为进一步分析各地区农作物受灾的整体状况, 对地区农作物受灾水平求多年均值, 结果如图 2 所示。根据图 2 中数据排名, 可将中国各省份农作物受灾水平由重到轻分为 3 个层次, 即重度农作物受灾区、中度农作物受灾区和轻度农作物受灾区。重度农作物受灾平均水平大于 20%, 重度农作物受灾区有山西、内蒙古、青海、甘肃、宁夏、湖北、海南和辽宁, 农作物受灾平均水平分别为 29.40%, 27.53%, 26.58%, 24.47%, 23.18%, 20.73%, 20.64%和 20.58%。中度农作物受灾平均水平介于 10%～ 20%之间, 中度农作物受灾区有浙江、陕西、黑龙江、云南、湖南、新疆、江西、吉林、北京、贵州、广东以及河北, 农作物受灾平均水平分别为18.91%, 16.34%, 16.32%, 15.50%, 15.37%, 15.20%, 13.07%, 12.99%, 12.65%, 11.90%, 11.86%和 11.79%。

轻度农作物受灾平均水平在 10%以下, 轻度农作物受灾区主要有安徽、山东、福建、广西、河南、四川、重庆、天津、江苏、西藏以及上海, 农作物受灾平均水平分别为 9.80%, 9.00%, 8.82%, 7.66%, 7.60%, 7.48%, 5.64%, 5.53%, 5.23%和4.13%。可以发现, 重灾区多为农业占比较大的省份, 西北地区占据主要部分, 因此这些地区需要格外重视农业生产效率问题, 提升农业现代化水平, 进而降低农作物受灾的风险。总体而言, 中国大陆农作物受灾情况存在一定的空间分布差异, 区域异质性明显。

图 3 展示中国四大区域农作物受灾水平演变趋势。可以看出, 中部地区的受灾水平整体上高于其他区域, 其次是东北、西部和东部。在研究时段内, 东部地区早期农作物受灾水平较高, 但近年来有下降趋势, 这与地区农业科技水平的提升以及集约化农业的发展有密切关系。中部区域农作物受灾水平较为稳定, 长期以来存在较高水平的农作物受灾状况。东北区域, 除 2021 年农作物受灾水平有所下降外, 整体上呈现波动上升的演变趋势, 可能与近年来极端气候的出现有一定的关联, 这也提示东北地区作为我国重要粮仓, 要格外注重农业生产的高质量与集约化、科技化。西部区域早期农作物受灾水平远高于其他区域, 但近年来下降明显, 这与西部地区大力优化农业产业结构有一定的关系。

2.3 农作物受灾核密度估计

本文使用核密度估计方法, 对全国和东部、中部、西部和东北 4 个区域农作物受灾的分布位置、变动趋势、延展性和极化现象进行分析, 以便更加深入地了解中国大陆农作物受灾水平的发展态势和差异特征的时空演变趋势。2011—2021 年东部、中部、西部和东北核密度估计结果如图 4 所示。东部农作物受灾面积分布曲线整体上向左移动, 表明农作物受灾水平有向好趋势, 与现实状况相符。波峰高度先上升后下降, 且前期提升明显, 均为单峰分布, 且波峰高度整体向左移动, 表明中国东部农作物受灾水平开始向低值集中, 在一定程度上反映东部农作物受灾程度的减轻趋势。中部核密度分布曲线有所左移, 但相较于东部地区左移程度不大, 且波峰高度也有所左移, 表明中部地区农作物受灾水平有下降趋势。波峰宽度也呈现收窄特征, 表明中部省份之间农作物受灾差异有所下降。但是, 2019 和 2021 年分别出现一个低峰值点和一个高峰峰值点, 表明近年来中部地区农作物受灾水平空间分布差异进一步加剧。西部地区核密度分布曲线整体上也呈现向左移动的趋势, 波峰高度有所升高, 表明西部地区农作物受灾水平逐渐向低值区集中分布。但是西部地区波峰宽度均较大, 表明长期以来西部地区的农作物受灾水平空间分布差异较大, 这种差异主要体现在西南区域的受灾水平低于西北区域。东北地区农作物受灾水平核密度分布曲线除2011 和 2021 年波峰宽度较小外, 其他时段波峰宽度较大, 表明农作物受灾两极分化严重, 各地区之间差异明显。随着时间推移, 波峰宽度有缩窄趋势, 表明地区之间差异在减小。近年来, 核密度曲线整体上有所左移, 说明东北地区农作物受灾水平在降低。

2.4 农作物受灾空间分布差异

为了进一步探究地区之间农作物受灾水平的空间差异, 本文使用 Dagum 基尼系数进行分析。如表1 所示, 从全国层面来看, 基尼系数 2011 年以来呈现波动上升的趋势, 表明中国大陆各地区农作物受灾水平差异明显。

如图 5 所示, 区域内、区域间以及超变密度贡献率三者之间的差异存在一定的阶段性特征。以2016 年为分界点, 2016 年以前, 区域内与区域间基尼系数基本上一致, 但两者与超变密度基尼系数的差距不断扩大; 2016 年以后, 区域内与超变密度基尼系数基本上一致, 两者与区域间基尼系数的差距较大; 2021 年, 三者趋于一致。由此可见, 2016 年以前的贡献率主要受超变密度的影响, 2016 年以后贡献率主要受区域间的影响。

如图 6 所示, 从区域内基尼系数来看, 东部和西部的基尼系数长期以来高于中部和东北, 表明东部和西部农作物受灾水平存在明显的空间分布差异。研究期内, 早期东部基尼系数总体高于西部, 但近年来西部基尼系数总体高于东部。也在一定程度上说明东部区域农作物受灾水平的空间差异在缩小, 但西部区域的差异在扩大, 与核密度估计的结果一致。中部基尼系数又整体上高于东北, 说明中部区域农作物受灾差异大于东北地区。从均值来看, 东部和西部基尼系数最高, 分别为 0.374 和0365, 中部为 0.296 , 东北地区为0.173。

3 农作物受灾影响因素分析

3.1 Catboost模型识别影响因素

本研究借鉴 Catboost 模型, 对中国大陆农作物受灾的影响因素进行识别, 结果如表 2 所示。从特征重要性来看, 新增水土流失治理面积/耕地面积(x3)、水利建设投资完成额/耕地面积(x4)以及降水量(x1)对农作物受灾水平的影响最大, 其次是生态修复治理投资额/耕地面积(x5)和森林覆盖率(x2)。由此可以将排名前三的变量纳入主导影响因素进行分析。为进一步识别其因果关系, 本文引入格兰杰因果关系检验法, 分析农作物受灾与各影响因素的关系。

说明: 区域内指东部、中部、西部和东北地区内部各省份之间, 区域间指东部、中部、西部、东北地区四大区域之间。

3.2 格兰杰因果关系检验

本文借鉴李阳等[39]的方法, 对 3 个特征重要性较高的变量(新增水土流失治理面积/耕地面积、水利建设投资完成额/耕地面积和降水量)进行格兰杰因果关系检验。由表 3 可知, 降水量不是农作物受灾水平的格兰杰因素, 但水土流失治理面积/耕地面积和水利建设投资完成额/耕地面积是农作物受灾水平的格兰杰原因, 此结果与基于 Catboost 模型的结果一致, 也在一定程度上说明本文方法的科学性和模型的稳健性。

3.3 影响因素偏效应分析

为了进一步探究中国大陆农作物受灾主导影响因素的影响方向, 本文采用 Tobit 模型进行研究。在进行 Tobit 回归前, 先进行 Tobit 回归模型似然比检验, 结果如表 4 所示, 可见 p 值小于 0.05, 说明拒绝原定假设, 即说明构建模型时, 放入的解释变量具有有效性, 本次模型构建有意义。

表 5 展示 Tobit 回归结果。可以看出, 水利建设投资完成额/耕地面积的回归系数值为–0.359, 并且呈现 0.01 水平的显著性(z=–7.390, p=0.000), 意味着水利建设会对农作物受灾水平产生显著的负向影响。第一, 水利设施可以将水资源有效地引入农田, 提供稳定的灌溉水源, 保障农作物在生长季节获得足够的水分, 从而提高农作物的产量和质量。第二, 水利设施可以改善农田的排水条件, 避免水涝, 从而减少农作物根部因为长时间泡水而受灾的风险。第三, 水利建设可以在旱情发生时提供应急灌溉水源, 帮助农作物度过干旱期, 减少干旱对农作物的影响。第四, 水利建设可以合理利用水资源, 避免因过度灌溉导致土壤盐碱化, 降低盐碱地对农作物的危害。

新增水土流失治理面积/耕地面积的回归系数为 0.106, 并且呈现 0.01 水平的显著性(z=3.413, p= 0.001), 意味着水土流失对农作物受灾水平产生显著的正向影响。原因在于, 水土流失治理是一个长期的过程, 治理效果可能需要一定的时间才能显现。在治理刚开始实施或效果尚未完全显现时, 可能农作物受灾的风险仍然存在, 导致治理水平与农作物受灾之间呈现正相关关系。农作物受灾受到多种因素的影响, 不仅包括水土流失, 还包括气候变化和自然灾害等因素。在复杂的自然环境下, 即使加大水土流失的治理力度, 也可能无法完全消除农作物受灾的风险。

为了进一步验证本文回归模型的可靠性, 在模型中纳入降水量、森林覆盖率和生态修复治理投资额/耕地面积进行分析, 稳健性检验结果如表 6 所示。表 6 中稳健性检验结果与表 5 中 Tobit 回归结果一致, 可在一定程度上说明模型的稳健性。

4 结论与建议

本文中, 我们采用核密度估计、Dagum 基尼系数、Catboost 模型和 Tobit 模型, 深入分析 2011—2020年中国大陆农作物受灾的时空分异规律以及影响因素, 得到以下结论。

1)虽然各地区的农作物受灾空间分布存在一定的规律性, 但时间演化存在一定的不稳定性, 随着时间的演变, 各区域受灾状况的波动性较强, 但近年来开始趋于稳定, 且有减轻的趋势。

2)农作物受灾水平呈现带状分布特征, 但黄土高原区域长期以来农作物受灾水平较高。整体而言, 黄土高原以北区域农作物受灾程度强于以南区域, 而黄土高原以南区域中, 华中平原农作物受灾水平相对较高。

3)东部和西部地区的基尼系数始终高于中部和东北地区, 表明东部和西部地区农作物受灾水平存在明显的空间分布差异。随着时间的推移, 东部空间分布差异逐渐缩小, 但西部有扩大趋势, 西部这种差异主要表现在西北地区农作物受灾水平高于西南地区。

4)水利建设会对农作物受灾水平产生显著的负向影响, 水土流失治理对农作物受灾水平产生显著的正向影响。原因在于水土流失治理是一个长期过程, 治理效果可能需要一定时间才能显现, 在治理刚开始实施或者效果尚未完全显现时, 农作物受灾的风险仍然存在, 导致治理水平与农作物受灾之间呈现正相关关系。

基于以上分析, 我们提出几点建议。第一, 提升农业现代化水平, 加大农业生产科技研发投入, 更加完善的灾害监测和预警系统, 及时掌握天气变化情况和自然灾害发生迹象, 以便提前采取应对措提升农作物的抗灾水平, 努力研发更多高质量、高抗逆性的农作物。第二, 加强灾害监测预警, 建立施。第三, 加强水利基础设施建设, 修建排水渠道, 增强抗旱灌溉体系, 增强耐灾能力, 减轻农业损失, 缓减供需矛盾。第四, 推广先进种植技术, 推广科学的农业高效配套技术方法, 例如循环水质系统、模拟场培育和无土栽培等, 坚持可持续发展, 提高农作物的抗灾能力。第五, 通过购买农业保险来弥补自然灾害造成的经济损失, 又可起到摊平价格波动、促进农业生产和保障农民生活安定的作用。第六, 加强农业政策扶持, 根据不同地区的生态条件和农作物特点, 提出有针对性的政策和扶持措施(如建立应急救助基金, 种植适应性强的作物, 鼓励农民开展多样化种植), 保障灾后农作物种植。

本文通过探究农作物时空分异特征, 揭示不同地区、不同时间段农业生产的脆弱性和抗灾能力, 以及农作物受灾情况的变化规律和影响因素, 有助于深入理解自然环境和人类活动对农业生产的影响, 从而为地方政府和农业部门的灾害防控策略提供科学依据和决策支持。

[1] 孔冬艳, 陈会广. 近40年来中国农作物与耕地受灾时空特征及影响因素分析. 长江流域资源与环境, 2020, 29(5): 1236–1246

[2] 王琳, 吕萍, 贾峤. 基于熵值法的农业经济高质量发展评价研究——以辽宁省为例. 农业经济, 2023, 430(2): 3–6

[3] 张建伟, 曾志庆, 李国栋. 中国农业经济高质量发展水平测度及其空间差异分析. 世界农业, 2022, 522(10): 98–110

[4] 沈秋彤, 赵德起. 中国农村集体经济高质量发展区域差异研究. 数量经济技术经济研究, 2022, 39(2): 43–63

[5] 李运美, 佟光霁, 王大庆. 粮食安全视角下北大荒农业社会化服务能力评价分析. 中国农业资源与区划, 2024, 45(3): 1–13

[6] 徐宣国, 尹春凤. 种业振兴背景下粮食安全与种业创新协调发展研究. 农林经济管理学报, 2023, 22(1): 1–10

[7] 张小允, 鲍洁, 许世卫. 基于熵权TOPSIS模型的中国粮食安全评价研究. 中国农业资源与区划, 2023, 44(4): 35–44

[8] 陆文勋, 李峥, 孙鹏举, 等. 基于脱钩理论的城市化水平与耕地安全水平的近程耦合关系研究. 生态与农村环境学报, 2017, 33(11): 968–974

[9] 刘圣欢, 彭婵. 湖北省2005—2014年耕地资源安全研究. 湖北社会科学, 2016, 359(11): 53–58

[10] 郑荣宝, 刘毅华, 董玉祥. 广州市土地资源安全预警及耕地安全警度判定. 资源科学, 2009, 31(8): 1362–1368

[11] 张若旭, 张丽萍, 李小涛, 等. 遥感和地面调查相结合的洪涝农作物灾情评估研究. 人民黄河, 2024, 46(1): 49–55

[12] 高羽佳, 王永梅, 陈祎琼, 等. 基于GIS的农作物病虫害受灾程度可视化识别方法研究. 灾害学, 2020, 35(2): 26–29

[13] 陈家金, 王加义, 杨凯, 等. 基于信息扩散理论的福建省农作物风雹灾害风险评估. 中国农业气象, 2011, 32(S1): 184–187

[14] 程红霞, 林粤江. 春季农作物风沙灾害的遥感监测方法. 干旱区资源与环境, 2014, 28(11): 78–82

[15] 陈岳, 寇卫利, 李莹, 等. 农作物遥感灾损评估研究进展. 江苏农业科学, 2022, 50(16): 12–20

[16] 李忠辉, 袁福香, 刘实, 等. 基于“Z指数”的吉林省雨涝灾害对农作物的影响评估. 安全与环境学报, 2016, 16(1): 183–186

[17] 陈家金, 王加义, 杨凯, 等. 基于信息扩散理论的福建省农作物风雹灾害风险评估. 中国农业气象, 2011, 32(S1): 184–187

[18] 王秋香, 吴彦, 叶殿秀, 等. 新疆春夏洪灾受灾面积长期变化趋势及其对农作物的影响. 干旱区地理, 2009, 32(3): 430–437

[19] 姜翔程, 陈森发. 加权马尔可夫SCGM(1, 1)C模型在农作物干旱受灾面积预测中的应用. 系统工程理论与实践, 2009, 29(9): 179–185

[20] 陈平, 达庆利. 我国农作物受灾及成灾面积的综合预测分析. 应用概率统计, 2000(3): 329–332

[21] 向云, 李芷萱, 陆倩. 中国农业经济高质量发展的空间非均衡及收敛性. 中国农业大学学报, 2022, 27(11): 305–316

[22] 杨阳, 唐晓岚. 长江流域国家级自然保护地空间分布特征及其影响因素. 长江流域资源与环境, 2022, 31(11): 2430–2448

[23] 邢宇, 边卫军. 中国绿色金融发展效率的区域差异与动态演变趋势. 新疆社会科学, 2023, 243(2): 62–72

[24] 王弘儒. 中国城乡高质量融合发展水平的地区差距及分布动态演进. 经济问题探索, 2023, 487(2): 45–64

[25] 赵传松, 刘华军. 基于城市群视角的中国经济发展南北差距研究. 中国人口·资源与环境, 2023, 33(2): 134–142

[26] 张国俊, 黄婉玲, 周春山等. 城市群视角下中国人口分布演变特征. 地理学报, 2018, 73(8): 1513–1525

[27] 吕明, 黄宜, 陈蕊. 中国绿色农业区域差异性分析. 农村经济, 2022, 482(12): 78–87

[28] 如克亚·热合曼, 阿里木江·卡斯木, 哈力木拉提·阿布来提, 等. 基于InVEST模型的天山北坡城市群生境质量时空演化研究. 生态与农村环境学报, 2022, 38(9): 1112–1121

[29] 牟牧戈, 穆兰, 汤鹤延. 黄河流域水贫困评价及时空分异特征研究. 人民黄河, 2023, 45(3): 73–78

[30] 米莹, 蔺雪芹, 王岱, 等. 中国东部沿海地区工业碳排放效率时空演化特征及影响因素. 西安理工大学学报, 2022, 38(4): 476–486

[31] 丁学谦, 吴群, 刘向南, 等. 土地利用、经济高质量发展与碳排放耦合协调度及影响因素——来自中国 282 个地级市的经验研究. 资源科学, 2022, 44 (11): 2233–2246

[32] Murray R. Remarks on some nonparametric estimates of a density function. The Annals of Mathematical Statistics, 1956, 27(3): 832–837

[33] Kumar S, R Russell. Technological changes, technolo-gical catch up, and capital deepening: relative contri-butions to growth and convergence. The American Economic Review, 2002, 92(3): 527–548

[34] 章激扬. 长三角城市群创新发展空间差异及收敛性研究——基于Dagum基尼系数分解. 长江流域资源与环境, 2023, 32(2): 235–249

[35] Dagum C. A new approach to the decomposition of the Gini income inequality ratio. Empirical Economics, 1997, 22(4): 515–531

[36] Prokhorenkova L, Gusev G, Vorobev A, et al. CatBo-ost: unbiased boosting with categorical features // Proceedings of the 32nd International Conference on Neural Information Processing Systems. Red Hook, 2018: 6639–6649

[37] 郑家桐, 王鹏, 石航源, 等. 基于CatBoost模型和SHAP解释方法的土壤重金属影响因素与程度定量分析. 环境科学学报, 2023, 43(4): 448–456

[38] 刘玒玒, 刘书芳. 长江经济带水资源利用效率时空演化及驱动因素分析. 武汉大学学报(工学版), 2024, 57(8): 1022–1034

[39] 李阳, 陈敏鹏. 中国省域农业源非CO2 温室气体排放的影响因素分析与峰值预测. 环境科学学报, 2021, 41(12): 5174–5189

Evolution of Spatio-Temporal Patterns and Influencing Factors of Crop Disasters in the Mainland of China

1. School of Public Policy and Management, Northwestern Polytechnical University, Xi’an 710072; 2. College of Urban and Environmental Sciences, Peking University, Beijing 100871; 3. Faculty of Geography, Yunnan Normal University, Kunming 650500; †Corresponding author, E-mail: huangqingzi@nwpu.edu.cn

Abstract In order to deeply understand and reveal the relevant laws and influencing factors of crop disasters, the spatiotemporal evolution characteristics of crop disasters in the mainland of China were comprehensively discussed by using kernel density estimation and Dagum Gini coefficient. On this basis, the influencing factors of crop disasters were analyzed by using Catboost model and Tobit model. The results are concluded that the overall level of crop damage in the mainland of China shows a belt-like distribution characteristics, and it can be found that the level of crop damage in the Loess Plateau region has been relatively high for a long time. On the whole, the degree of crop damage in the north of the Loess Plateau is stronger than that in the south of the Loess Plateau, while the overall crop damage level in the Central China Plain is relatively high in the south of the Loess Plateau. The Gini coefficients of the eastern and western regions are always higher than those of the central and northeast regions. With the passage of time, the spatial distribution difference in the eastern part of the country gradually decreases, but in the western region it has a tendency to expand, and the difference in the western region is mainly reflected in the fact that the overall level of crop damage in the northwest is higher than that in the southwest. Water conservancy construction and soil erosion control are the leading influencing factors of crop disasters in the mainland of China.

Key words crop damage; spatiotemporal pattern; influencing factors; Catboost model; Tobit regression model

国家自然科学基金(72304226)和教育部人文社会科学研究基金(22YJC630039)资助