《Agriculture》：Nonlinear Threshold Effects of Agricultural Inputs on Crop Production in China: Insights from XGBoost-SHAP and Spatiotemporal Analysis
理解农业投入与作物产量之间的时空关系对于可持续农业管理至关重要。本研究利用2000年至2022年中国省级面板数据，将时空分析与XGBoost-SHAP模型相结合，考察农业机械、化肥、农药和塑料薄膜对大豆、谷物和薯类产量的非线性影响。结果显示，中国农业投入体系于2015年左右发生转变，从投入密集型增长转向绿色转型，化肥、农药和塑料薄膜使用量在达到该拐点后出现下降。空间上，农业投入与作物生产呈现明显的集聚性和路径依赖性：机械集中于华北，化肥和农药集中于东部集约化农区，塑料薄膜使用集中于干旱和寒冷地区；而大豆、谷物和薯类生产则分别主要集中于东北、东北-黄淮海地区和西南地区。SHAP结果 revealing distinct crop-specific importance rankings and nonlinear threshold patterns. For soybean yield prediction, agricultural plastic film use contributes most strongly to the model output, followed by fertilizer application, pesticide use, and machinery power; its SHAP contribution turns negative beyond approximately 112.4 thousand tons. For cereal yield prediction, machinery power ranks first, followed by fertilizer application, pesticide use, and plastic-film use; its contribution becomes positive beyond approximately 28.34 million kW and then gradually levels off. For tuber yield prediction, fertilizer application is the dominant predictor, followed by pesticide use, machinery power, and plastic-film use; its contribution turns negative beyond approximately 1.35 million tons. These findings indicate that agricultural inputs have crop-specific nonlinear effects, and that input regulation should prioritize the most influential factors for each crop while considering their threshold ranges. The study provides a scientific basis for differentiated, crop-specific, and regionally adaptive agricultural input management.
随着全球人口预计将在2050年达到约97亿，粮食安全压力日益加剧，农业系统面临重大挑战。以合成化学品和机械化为特征的"绿色革命"虽提高了全球粮食产量，但也对自然资源和生态系统造成了压力。中国作为最大的粮食生产国和消费国，以不足世界9%的耕地养活近20%的全球人口，这依赖于包括机械、化肥、农药和塑料 film在内的集约化投入，但同时也带来了土壤退化、水污染和生物多样性丧失等环境后果。在此背景下，重新评估和量化农业投入与产出之间的关系，对于在资源约束下优化产量、减少环境影响至关重要。
传统研究通常假设更高的投入直接带来更高的产量，采用线性响应模型。然而，农业经济学中的边际报酬递减规律为这种非线性关系提供了重要的理论解释：当技术和其他投入保持不变时，连续等量地增加某种可变要素的投入，其边际产量最终将出现下降；一旦投入超过某一临界阈值，边际产量甚至可能降至零或负值。例如，超出作物吸收能力的氮肥会降低边际产量并产生温室气体排放和水体富营养化等外部性；过量农药使用会促进害虫抗药性并破坏自然天敌，可能导致爆发增加。这些非线性特征以及投入之间的相互作用，限制了线性模型在精准农业中的适用性。
现有研究虽已通过二次项或空间计量模型识别了非线性效应和空间异质性，但这些方法存在固有局限：传统计量经济模型依赖预先设定的函数形式，往往无法准确捕捉现实农业中投入与产出之间复杂、高维且不规则的关系。近年来，机器学习成为预测农业产量和分析投入-产出关系的强有力工具，其中XGBoost在分析中小规模农业数据集方面具有独特优势：其内置的L1和L2正则化机制能有效控制中小规模数据集的过拟合风险；且无需预设函数形式，能够通过梯度提升集成框架直接从数据中自动学习复杂的高维非线性关系和变量交互作用。然而，机器学习算法的"黑箱"特性限制了其可解释性，而大多数现有研究将粮食视为同质实体，忽视了大豆、谷物和薯类等作物类型在响应投入方面的差异。
为应对这些局限，研究人员构建了一个将空间分析与可解释机器学习相结合的分析框架，旨在阐明农业物质投入对不同作物产量的非线性影响。该研究引入基于合作博弈论的SHAP（SHapley Additive exPlanations，沙普利可加性解释）可解释性框架，结合依赖图和平滑方法，以识别基于模型的特征贡献转折点——即效应方向发生变化、效应强度发生质变的临界点。研究聚焦于三个核心目标：在时空框架内揭示2000-2022年间中国主要农业投入及大豆、谷物和薯类产量的时空模式与空间异质性；识别四种关键农业投入对各作物产量的非线性影响模式及其临界输入阈值特征；考虑作物特异性阈值响应特征和区域资源禀赋差异，提出基于分区、分类和分级的精准农业管理策略。
研究采用的关键技术方法包括：基于GIS（Geographic Information System，地理信息系统）的空间格局分析，利用标准差椭圆等方法分析时空演变趋势和空间聚类；XGBoost模型用于捕捉农业投入与作物产量之间的复杂非维非线性关系，采用基于完整年份的时间序列外推验证设计（2000-2017年为训练期，2018-2022年为独立测试期），并通过五折交叉验证和随机搜索确定超参数；SHAP方法用于后验可解释性分析，采用TreeExplainer计算SHAP值，使用LOWESS（Locally Weighted Scatterplot Smoothing，局部加权散点图平滑）进行非参数平滑处理，并通过省级聚类自助重采样估计SHAP曲线和拐点的不确定性。
**研究结果**
**时空格局分析**
时间序列分析显示，过去二十年中国农业物质消费呈现明显的阶段性特征和结构转型，可划分为两个主要阶段：高投入增长期（2000-2015年），以通过增加农业投入实现产量最大化为导向；绿色转型与高质量发展期（2016年至今），以推动生态可持续性的政策为标志，导致物质使用的结构性转变。机械化稳步发展，而化肥、农药等化学投入在达到峰值后逐年下降，表明中国农业正从依赖高强度投入的粗放增长模式转向注重效率、环保和可持续性的精细模式。
作物产量方面，三种主要作物产量趋势出现明显分化：大豆产量呈典型的"V型"轨迹，从2002年峰值2441.3万吨经历长期下降，2014年左右降至约1600万吨的低谷，随后强劲恢复，2022年达到2350.7万吨；谷物产量持续增长，从2000年的4.05亿吨增至2022年的6.33亿吨，增幅超过56%；薯类产量则整体呈下降趋势，从2000年的约3685万吨波动下降至2022年的约2978万吨，降幅约19%。
空间格局分析揭示了各类投入和作物产量的集聚特征：农业机械总动力（AMP）持续增长并集聚于华北，2022年黑龙江、山东等核心地区超过82.49×10
4 kW，而南方因地形破碎化维持较低水平；化肥施用量（AFA）呈现先增后降趋势，高值区长期集中于黄淮海平原和四川盆地；农药使用量（PU）始终集中于东部农业生态区，黄淮海平原和长三角地区分布广泛；农业塑料薄膜使用量（AFU）显著扩张并集聚于北方干旱寒冷地区，新疆成为核心使用区。作物产量方面，大豆高产区稳定于东北平原；谷物高产区长期位于黄淮海平原和东北平原等传统主产区；薯类高产区则以西南地区为中心，该地多山丘陵配合湿润气候，为耐贫瘠、适应性强的薯类种植创造了有利条件。
**非线性影响分析**
大豆产量预测中，农业塑料薄膜使用量（AFU）的平均绝对SHAP贡献最高（15.937），依次为化肥施用量（7.195）、农药使用量（6.846）和农业机械总动力（4.969）。具体非线性关系表现为：农业机械总动力呈倒U型模式，在约69.64百万kW处由正转负；化肥施用量从负贡献转为正贡献后再渐进下降，拐点约为1.25百万吨；农药使用量呈倒U型，在约62.7千吨处由正转负；农业塑料薄膜使用量呈"先升后降"模式，在约112.4千吨处由正转负，可能与塑料薄膜残留的累积对土壤结构、水分运移和根系生长的约束有关。
谷物产量预测中，农业机械总动力（AMP）的平均绝对SHAP贡献最高（286.682），依次为化肥施用量（168.124）、农药使用量（99.023）和农业塑料薄膜使用量（79.804）。具体表现为：农业机械总动力在低水平时为负贡献，随投入增加快速上升，在约28.34百万kW处由负转正后逐渐趋于平稳，反映机械化对大规模耕作、作业效率和生产及时性的积极影响；化肥施用量从负贡献转为正贡献后边际贡献递减，拐点约为1.33百万吨；农药使用量从负转为正后逐渐稳定，拐点约为41.7千吨；农业塑料薄膜使用量呈"先升后降"模式，在约63.9Vectors are more than just arrows in space—they're fundamental building blocks of modern mathematics, physics, and engineering. From representing forces in mechanics to encoding data in machine learning, vectors provide a powerful framework for describing quantities that have both magnitude and direction.
山西抱歉，让我继续完成论文解读部分。
**研究结果（续）**
薯类产量预测中，化肥施用量（AFA）的平均绝对SHAP贡献最高（18.970），依次为农药使用量（12.038）、农业机械总动力（10.984）和农业塑料薄膜使用量（7.118）。具体表现为：农业机械总动力在低水平时为正贡献，随投入增加逐渐下降，在约22.46百万kW处由正转负，表明过度机械化可能导致薯类损伤和土壤压实；化肥施用量在低投入范围为正贡献，随施用增加持续下降，在约1.35百万吨处由正转负；农药使用量在低投入范围为正贡献，在约61.6千吨处由正转负；农业塑料薄膜使用量在极低投入时接近零或略正，随使用量增加逐渐下降，在约44.3千吨处由正转负。
综合来看，平均绝对SHAP值表明各农业投入对模型预测输出的相对贡献大小，而SHAP依赖图则进一步揭示这些投入的预测贡献随投入水平的变化模式。排序结果为识别各作物优先调控的投入提供了依据，而阈值曲线则指示这些优先投入应增加、减少还是维持在适当范围内。
**讨论**
**时空异质性特征**
研究通过时空分析框架验证了宏观农业政策的战略转变，并揭示了中国绿色农业转型和发展背后的复杂空间地理特征。化肥、农药和塑料薄膜使用量在2015年左右达到峰值后下降，与政府大力推行的"零增长行动"相吻合，但该过程并非均匀展开：黄淮海平原和长三角等高种植强度区域仍是化肥农药减量的关键且挑战性区域；西北干旱地区（特别是新疆）和华北凉爽地区的塑料薄膜使用量在整体下降背景下出现区域性增长；农业机械总动力的上升并集中于北方，凸显大规模粮食生产的发展。
在空间格局与输入阈值效应的耦合方面：东北平原既是谷物核心高产区域，也是谷物模型中农业机械总动力负转正阈值模式最可能被触发的区域——该区域已建立大规模机械化生产体系，机械总动力 largely exceeded 临界阈值，目前处于规模经济实现的"上升阶段"；西北干旱地区（尤其新疆）是农业塑料薄膜使用高度集中区，消费量远超全国平均，可能已进入或接近SHAP分析识别的倒U型曲线"下降阶段"，亟需推广可降解地膜和优化覆膜技术；黄淮海平原和长江中下游等传统高肥高药区，虽近年总投入水平下降，但高种植强度带来的持续养分需求使投入仍处相对高位，需基于作物特异性阈值制定差异化减量策略，避免"一刀切"。
**XGBoost-SHAP框架的方法学价值**
该框架将XGBoost的非参数灵活性与SHAP的可解释性相结合，无需先验假设即可自动学习数据中的高阶交互和非线性模式，为识别不同作物的非线性输入-响应模式提供了有效途径。需注意的是，SHAP结果需在拟合模型结构内理解：农业投入变量虽无严重多重共线性，但部分变量存在中度相关性，可能影响相关预测变量间SHAP值的分配衉此我还记得您要求的格式。让我完成论文解读的最后部分。
**讨论（续）**
**XGBoost-SHAP框架的方法学价值（续）**
XGBoost在不同作物类型中表现存在差异：在谷物模型中优势最为明显，在薯类模型中有一定优势，但在大豆模型中并未一致优于二次模型。SHAP结果应被理解为相对预测贡献而非严格独立的因果效应，非线性阈值代表观测到的农业投入组合和区域生产条件下的条件转折点，而非孤立的农学最优值。该研究在全国尺度、多作物层面开展，克服了局部案例研究在地理和作物范围上的局限性，为制定针对特定作物和区域背景的精准农业管理策略提供了科学依据。
**不同作物投入阈值比较分析的必要性与价值**
与许多聚焦单一区域作物或投入总体影响的研究不同，该研究以大豆、谷物和薯类三种主粮作物为核心，强调其对各种农业投入的差异化阈值响应。结果表明：过量农药和塑料薄膜使用可能与大豆产量预测负贡献相关，而化肥施用呈现负-正模式后边际贡献递减；对于薯类，过量化肥、农药和塑料薄膜使用在各自阈值之外均显示负SHAP贡献。这些过量投入不仅无法增加产量，还通过土壤退化、环境污染和作物生理障碍导致产出下降，支持推广测土配方施肥、综合病虫害防治（IPM）和可降解塑料薄膜等绿色实践。
农业机械虽象征现代化，但其应用受作物特异性变异约束：大豆模型中塑料薄膜使用预测贡献最高，而农业机械总动力在四种核心投入中平均绝对SHAP值最低；谷物模型中农业机械总动力却是主导预测因子。这提示机械化贡献需作物特异性解读，而非统一的现代化逻辑。薯类生产中的过度机械化增加薯块损伤并导致土壤压实，从而降低产量，凸显技术进步必须与作物生物学和特定农艺要求相匹配，倡导技术的适度应用而非极端利用。
**政策启示**
基于上述发现，基于阈值的综合政策组合有助于减少不必要的农业投入成本，同时支持粮食安全目标并促进农业绿色转型：第一，政策制定必须基于SHAP模型揭示的作物特性和区域异质性阈值，建立分区、分类、分级的精准调控体系。可利用平均绝对SHAP排序确定各作物优先关注的投入，以阈值结果指导投入调控的方向和强度 washer；建立作物导向的阈值知情投入指导，国家和省级农业技术指南应考虑耕作规模和资源禀赋的显著区域差异，开展基于当地农业生产条件的SHAP定量阈值评估，并持续更新；实施区域适宜性技术推广路径，在东北平原等大规模粮食产区继续加强高标准农田建设和大型智能农机研发补贴，而在大豆或薯类零星种植区如南方丘陵地区，重点推广简化机械、生物固氮技术和生态垄作等适宜技术。
第二，改革现有补贴机制，从普遍的成本补贴转向基于科学确定阈值和绿色绩效指标的定向激励。可将SHAP模型揭示的"最优范围"转化为可操作绿"补贴"与"投入配额补贴"挂钩，对自愿将特定作物和地区化肥农药施用控制在研究推荐阈值以下农户或合作社给予额外生态补偿激励；探索设计"区域差异化补贴体系"，基于科学评估的农业投入支出合理阈值为各省建立定制化补贴组合。
第三，针对关键投入（特别是塑料薄膜和化肥）超出阈值的显著不利影响，需加大科研投入，加速环境友好型替代产品和技术体系的开发与采用。对西北和华北塑料薄膜依赖地区，政府应设立专项计划与研究机构和企业合作攻关全可降解塑料薄膜的成本和技术壁垒；大力推动养分效率最大化的绿色投入发展，鼓励补贴新型缓释控释肥料、稳定性肥料、有机无机复混肥及作物专用配方肥的生产和采用。
**研究结论**
该研究系统考察了2000至2022年中国农业物质使用与谷物、大豆和薯类产量的时空演变，利用可解释机器学习模型揭示了四种关键农业物质对这些作物的非线性及阈值效应：
第一，中国农业发展阶段呈现两阶段特征。2015年前为高投入高产出增长模式，物质投入与作物产量同步增长；2016年后进入绿色转型和高质量发展阶段，政策驱动下化肥和农药使用量在拐点后下降，而农业机械动力持续上升。这一转变标志着从要素驱动向效率驱动模式的转型，兼顾数量与质量。但三大作物产量趋势呈现差异：谷物产量稳步增长，大豆产量呈V型恢复，薯类产量波动下降。
第二，农业物质投入与作物生产的空间集聚性加剧。农业机械总动力集中于北方平坦地形适合大规模作业；化肥和农药施用中心历史上位于东部集约化农区，虽整体投入下降但高投入依赖持续；农业塑料薄膜主要用于北方干旱寒冷地区。谷物核心产区稳定于东北平原和黄淮海平原；大豆集中于东北；薯类种植集中于西南山地丘陵地区。
第三，农业物质投入与作物产量之间呈非线性和作物特异性关系，存在明显阈值效应。对于谷物，农业机械总动力是最重要的预测因子，依次为化肥施用、农药使用和塑料薄膜使用；其SHAP贡献在约28.34百万kW处由负转正后逐渐趋于平稳。对于大豆，农业塑料薄膜使用排名第一，依次为化肥施用、农药使用和机械动力；其贡献在约112.4千吨之外由正转负。对于薯类，化肥施用是主导预测因子，依次为农药使用、机械动力和塑料薄膜使用；其贡献在约1.35百万吨之外由正转负。这些结果表明，投入调控应因作物类型和阈值范围而异，本研究识别的阈值应被理解为需要当地农学校准的基于模型的参考点，而非统一的全国性标准。
