基于机器学习的耕地生态补偿绩效量化评估与驱动机制解析

针对耕地生态补偿政策绩效评估体系缺失的问题，本研究创新性构建多维度CLECP（耕地生态补偿绩效）指标，运用XGBoost机器学习模型结合SHAP/PDP解释方法，揭示环境支出、GDP与农机总动力的协同促进作用，为政策优化提供实证依据。

　　

随着耕地经济价值与生态安全矛盾的加剧，耕地生态补偿政策(CLECP)成为平衡生态-经济-社会系统的关键工具。然而现有研究存在三大瓶颈：绩效评估多依赖主观代理指标，缺乏整合多维度的量化体系；影响因素分析忽视非线性关系与交互效应；方法论上鲜见机器学习等前沿技术的应用。针对这些空白，江苏某高校团队在《Environmental Impact Assessment Review》发表研究，首次构建包含生态服务价值、经济产出等维度的CLECP综合指标，并创新采用XGBoost-SHAP-PDP技术链解析驱动机制。

研究采用2008-2020年中国省级面板数据，核心方法包括：(1)熵权TOPSIS法量化CLECP；(2)XGBoost模型筛选关键因子；(3)SHAP值解析特征重要性；(4)PDP揭示单变量阈值效应与多变量协同作用。样本覆盖31个省份的生态补偿政策实施数据。

【研究结果】

1. 时空格局特征：全国CLECP均值0.455呈东高西低格局，2016年后政策加码使增速提升37.5%，印证"退耕还林"等政策的阶段性效果。
2. 驱动因子识别：XGBoost模型(R²=0.892)显示环境保护支出(SHAP值0.214)、GDP(0.197)和农机总动力(0.185)为三大正向驱动，其中中央财政与地方经济的协同效应使CLECP提升1.8倍。
3. 非线性机制：PDP分析发现GDP对CLECP的促进作用存在8.5万元/人阈值效应，而环保支出占比最优区间为3.2%-4.1%。

【结论与意义】
研究突破传统评估方法的局限性：①构建首个融合生态-经济-社会维度的CLECP指标体系；②证实机器学习在政策评估中的优越性，XGBoost模型较传统方法精度提升29.7%；③发现"中央财政输血+地方经济造血"的协同机制，为区域差异化补偿提供依据。该成果不仅验证了中国生态补偿政策的有效性，更通过可解释AI技术为精准施策开辟新路径，对全球耕地可持续管理具有范式意义。