共享社会经济路径下食品需求弹性的机器学习预测与政策启示

为解决食品政策评估中需求弹性缺乏时空动态性和细分性的问题，研究人员采用XGBoost机器学习算法和SSPs数据库，预测了12类食品在138个国家至2050年的收入/价格弹性，并校准为CDE需求系统参数。该研究为气候变化背景下差异化膳食转型模拟提供了数据支持，填补了CGE模型参数化的方法学空白。

　　

随着全球人口增长和膳食结构变化，食品需求已成为加剧气候变化和健康风险的关键因素。研究表明，仅食品需求就可能推动2050年全球气温上升0.5°C。然而，当前食品政策评估面临两大瓶颈：一是需求弹性参数常缺乏时空动态性，依赖人工调整；二是主流模型如GTAP仅区分3类食品，难以捕捉不同动物性食品的环境差异。这些局限使得政策模拟难以反映SSPs情景下社会经济驱动因素（如GDP、城市化、人口年龄结构）对膳食结构的复杂影响。

针对这一挑战，哥本哈根大学食品与资源经济系的研究团队创新性地构建了机器学习驱动的弹性预测框架。通过整合来自444篇文献的41,814组弹性估计值，结合XGBoost算法和SSPs社会经济预测数据，首次实现了12类食品（含8类动物性食品）在138个国家至2050年的动态弹性预测。相关成果发表在《Global Pediatrics》上，为精细化食品政策评估提供了方法论突破。

研究采用三大关键技术：1) 基于文献数据库构建包含GDP、城市化率等特征的机器学习训练集；2) 应用XGBoost算法预测SSPs情景下的收入/价格弹性，特征重要性分析显示社会经济变量对预测贡献显著；3) 通过最小交叉熵法校准弹性参数，确保符合Engel和Cournot加总理论，并转化为CDE需求系统参数。

预测弹性特征

机器学习模型揭示：反刍动物肉类收入弹性与GDP增长呈正相关（SSP1/SSP5最高），而乳制品呈负相关。地理分布显示2050年SSP3情景下弹性值两极分化，印证其"区域对抗"叙事。值得注意的是，模型基于历史数据可能低估发达国家肉类消费下降趋势，提示需结合叙事性调整。

GTAP模型验证

在GTAP-RD模型中对比四组参数设置发现：1) 未约束总需求时新旧参数均高估食品消费，如高收入亚洲地区偏差达28%；2) 约束总热量摄入后，新参数呈现更细分的需求模式——印度乳制品需求增幅较基准高15%，而肉类低10%；3) 撒哈拉以南非洲地区谷物需求下降与果蔬需求上升的分化，凸显细分参数的必要性。

校准参数应用

通过最大熵方法将校准弹性转化为CDE参数后，模型捕捉到传统方法忽略的结构变化：中国反刍动物需求增幅是其他肉类的2倍，而SSA地区谷物与果蔬需求呈现反向变动。这些差异对评估区域性农业政策和贸易协定具有重要价值。

该研究建立了首个连接SSPs社会经济驱动与食品需求弹性的预测框架，其创新性体现在三方面：方法上，突破传统计量局限，实现高维特征的非线性建模；应用上，提供的CDE参数可直接嵌入主流CGE模型；政策上，12类食品的细分参数支持精准评估差异化税收等干预措施。局限性在于部分区域（如SSA）训练数据不足，未来可结合消费调查数据增强预测稳健性。这项研究为协调膳食转型与气候目标提供了关键工具，其方法论框架也可拓展至其他消费品需求预测领域。