中国森林治理筛查中非法伐木强度的制图：基于法庭判决书与可解释空间机器学习的证据

《Forest Policy and Economics》：Mapping recorded illegal tree-felling intensity for forest-governance screening in China: Evidence from court verdicts and interpretable spatial machine learning

　　

**摘要**

非法采伐仍然是森林治理面临的一大挑战，反映了经济激励与执法能力在空间上的分布不均。了解非法采伐持续存在的地点和原因，对于制定有效的、基于地域的森林政策至关重要。本研究利用中国超过12,600起非法伐木的司法判决，构建了一项全国范围的非法采伐风险评估，分析了其社会经济与治理驱动因素。我们将多源地理空间数据与集成机器学习和地理空间可解释人工智能（GeoXAI）框架相结合，以量化全球性效应和空间异质性机制。研究结果显示，非法采伐风险存在显著的区域差异，高风险聚集区主要集中在南部和西南部的森林区域。经济发展与非法采伐风险之间呈现出空间异质性的环境库兹涅茨曲线关系：在发展初期，非法采伐风险随经济发展而上升，但超过某一阈值后则开始下降，表明在较发达地区实现了一定程度的脱钩。执法距离呈现非线性的距离衰减模式，在距执法枢纽中等距离处记录到的风险更高，这可能反映了威慑、可及性、监测和起诉过程的综合影响。这些发现表明，中国的非法采伐不仅由经济和生物物理因素驱动，还受到治理不均和空间背景的影响。从政策角度看，研究结果支持区域差异化战略，包括在新兴林业经济区实施有针对性的执法、在高风险地区推进生计多元化，以及改善执法资源在现有热点区域之外的配置。通过将司法证据与空间显式分析相结合，本研究为中国和其他发展中国家的森林政策和治理提供了可操作的见解。

**引言**

非法采伐是一种普遍存在的环境犯罪形式，严重破坏了生物多样性保护、依赖森林的生计、公共财政收入以及气候减缓努力（B?sch, 2021; Jones et al., 2020; Khalid et al., 2019）。尽管木材合法性举措和森林治理改革不断扩展，但非法采伐仍然存在，因为其便利条件具有强烈的地方依赖性（Iord?chescu and Vasile, 2023; de Lima et al., 2018）。市场需求和资源禀赋与可及性、制度质量和执法能力相互作用，在不同景观中产生了空间集中的风险和异质性的机制（Iord?chescu and Vasile, 2023; Khalid et al., 2019; van der Ploeg et al., 2011）。

从概念上讲，非法采伐可以通过环境经济学和环境犯罪学的互补视角来理解。在威慑理论模型中，违法行为者会权衡预期收益与受到惩罚的概率和严重程度，这意味着监测成本、执法强度和市场准入应当在违法行为中产生强烈的空间梯度（Becker, 1968）。日常生活活动理论同样强调有动机的违法者、合适的目标和不足的保护之间的汇聚，预测犯罪将集中在有限的"热点区域"而非均匀分布（Cohen and Felson, 1979; Weisburd, 2015）。与此同时，宏观发展理论认为环境压力可能随着经济增长呈非线性轨迹发展，这促使人们对森林退化和资源开采进行环境库兹涅茨曲线类型的动态检验（Bhattarai and Hammig, 2001; Culas, 2007; Grossman and Krueger, 1995）。这些观点共同表明，非法采伐风险应当受到非线性社会经济发展、治理和执法的调节，并通过强烈的空间非平稳性表现出来。

这些理论视角提出了使用常规线性模型或空间平均模型难以满足的分析要求。威慑理论表明，执法可及性与非法伐木风险之间的关联可能是非线性的，因为监测、可及性和检测在空间上同时运作。日常生活活动理论表明，记录的森林犯罪可能集中在特定的地点，那里有价值的森林资源、运输或市场准入与有限的保护相重合。环境库兹涅茨曲线框架进一步表明，社会经济发展与森林犯罪风险之间的关联可能表现出转折点而非恒定的边际效应。因此，适当的分析框架应当能够识别非线性响应、阈值模式以及空间变化的驱动效应。在本研究中，我们使用CatBoost来表示复杂的非线性关联，使用SHAP来揭示全局驱动因素的重要性和响应形状，使用GeoShapley来诊断地理背景如何放大或抑制每个驱动因素的贡献。这一基于理论指导的GeoXAI框架因此通过将理论预期与空间差异化、可模型解释的风险诊断联系起来，拓展了以往线性或空间平均的方法。

中国为推进全国范围的森林犯罪分析提供了高风险语境。中国正在努力实现2030年前碳达峰和2060年前碳中和，将森林提升为战略性碳汇和生态安全的组成部分（Qi et al., 2022; Wang et al., 2022）。与此同时，生态文明建设议程引入了生态红线政策等制度创新，通过基于生态系统的土地治理保障最低生态空间，同时也认识到持续存在的实施和执法挑战（Jiang et al., 2019; Ouyang et al., 2016）。中国还运行着长期的采伐限制制度，包括配额制管理，这些制度可能重塑木材采伐的激励和空间转移（Liu and Xia, 2021）。最近，林长制被推广为一种问责机制，旨在加强地方管护和跨部门协调，但其有效性与森林犯罪动态的相互作用可能在空间上分布不均（Zhang et al., 2025）。在这一政策背景下，非法伐木不仅是生态问题，更是对保护分区、生态安全和碳汇完整性的治理压力测试。

尽管人们对森林治理日益关注，但中国在非法采伐风险的全国量化评估仍受限于数据和方法。许多评估依赖于森林损失的代理指标、汇总的行政统计数据或局部案例研究，这些方法都可能掩盖省内异质性，并掩盖发展、可及性和执法与观测结果之间关联的机制（Hansen et al., 2013）。跨国治理研究进一步表明，腐败和薄弱的制度保障可能系统性地助长森林犯罪，这进一步强调了需要明确建模治理相关变量，而非将其视为不可观测的噪声（B?sch, 2021; Sommer, 2022）。在方法论上，常规线性模型通常难以表示耦合的人类-森林系统中合理存在的、对产生可操作的实用风险地图至关重要的、高维交互、阈值效应和非线性响应（Chen and Liu, 2026）。

现有的定量研究在推进对非法采伐和森林治理结果的理解方面已取得重大进展，但仍存在一些空白。跨国分析将非法采伐与制度质量、经济发展和腐败联系起来，但其空间分辨率通常过于粗略，无法诊断亚国家层面的治理异质性。基于遥感的空间森林风险研究改进了森林损失和退化的制图，但森林损失并不等同于非法采伐，因为合法性取决于许可证、配额合规性、产权和执法过程。研究还表明，合法性验证、森林执法和采伐限制是打击非法木材采伐和森林退化的关键政策工具（Cashore and Stone, 2012; Liu and Xia, 2021; Maryudi, 2016; Tacconi et al., 2019）。最近的研究使用了定量政策文本方法来评估林业政策有效性以及政策工具对中国森林覆盖的影响（Hou et al., 2025; Meng et al., 2025）。Deng等（2023）进一步检验了京津冀地区森林破碎化的环境库兹涅茨曲线关系，证明了非线性发展-森林结果关系在区域尺度上的相关性。在中国语境之外，Firebanks-Quevedo等（2022）表明机器学习可以通过从文本证据中提取政策激励来支持森林政策分析。然而，很少有研究在单一分析框架中结合法律基础的犯罪证据、高分辨率全国风险制图、非线性机器学习和空间显式模型解释。本研究通过将有记录的非法伐木视为既是森林犯罪结果也是治理诊断，将刑事司法证据与空间森林政策分析联系起来，从而填补了这一空白。

地理空间可解释人工智能（GeoXAI）通过将灵活的预测模型与透明的归因相结合，为解决这些挑战提供了一条路径（Li, 2024）。CatBoost等梯度提升算法可以在大型地理空间数据集中学习社会经济、气候、地形和可及性变量之间的复杂交互（Prokhorenkova et al., 2018）。在可解释性方面，Shapley值解释（SHAP）提供了一个原则性框架，用于量化特征贡献并揭示非线性边际效应（Lundberg and Lee, 2017）。最近的进展将Shapley概念进一步扩展至地理空间场景，将重要性分解为固有特征效应和空间上下文交互，从而可以直接诊断驱动因素在空间上为何运作方式不同（Li, 2024）。此类GeoXAI工具对于那些需要差异化、基于地域的干预而非统一国家政策的情境尤为宝贵。

基于这一文献和理论框架，本研究的贡献不仅限于将GeoXAI引入非法采伐研究。更确切地说，本研究开发了一个面向治理的分析框架，将法院判决证据、全国乡镇级空间预测和可解释机器学习相结合，以识别有记录的非法伐木热点、诊断非线性和空间异质性的相关因素，并支持差异化的森林治理响应。具体而言，本研究受四个研究目标指导。第一，我们使用12,639份非法伐木罪第一审刑事判决书构建了一个归一化的非法伐木强度（FTI）指数，从而提供了一个空间显式的已记录和已起诉非法采伐风险指标。第二，我们整合了多源社会经济、可及性、治理相关、地形、气候和植被预测变量，以识别与FTI空间分布相关的主要因素。第三，我们对最先进的集成学习算法进行基准测试，并应用SHAP和GeoShapley来揭示非线性驱动效应、近似阈值以及观测预测变量与地理上下文之间空间异质性的交互。第四，我们将这些基于模型的诊断转化为与政策相关的见解，以支持热点识别、差异化执法资源分配和区域特定的森林治理。通过围绕这些目标构建分析，本研究旨在在统一的森林治理框架内连接司法证据、空间风险预测和可解释的政策诊断。

**章节摘要**

**总体研究框架**

本研究建立了一个数据驱动的、空间显式的框架，用于量化非法采伐风险并解开其异质性驱动因素。分析工作流程（图1）分三个阶段进行：（1）数据获取与协调，以构建非法伐木强度（FTI）指数和多维预测变量数据集；（2）集成机器学习建模，以识别用于风险预测的最佳算法；（3）地理空间可解释人工智能分析。

**模型性能与风险制图**

在基线验证设定下评估的四种集成学习算法中，CatBoost在独立测试集上取得了最高的预测性能，R2为0.958，RMSE为0.095，MAE为0.046（表3）。基线五折交叉验证结果也表明内部预测性能稳定，平均R2为0.959 ± 0.002。由于空间自相关可能导致在常规数据划分下产生过于乐观的性能估计，我们进一步进行了……

**关键发现综合**

我们的分析识别了已记录的非法伐木风险、社会经济发展、执法可及性和地理上下文之间的系统性空间关联。一个突出的模式是发展指标与已记录森林犯罪强度之间的类环境库兹涅茨曲线、空间异质性关联（Culas, 2007）。SHAP结果表明，GDP对预测已记录FTI的模型归因贡献通常随GDP增加而上升，直至大约0.8-10亿元人民币……

**结论**

本研究证明，已记录森林犯罪的地理分布反映了与社会经济压力、基础设施可及性和治理能力之间的结构性空间关联。通过利用法院判决记录与地理空间预测变量，本研究识别了通过刑事审判记录的严重非法伐木案件的空间模式，从而以具有治理相关性但依赖检测的视角补充了基于遥感的森林损失评估。

**CRediT作者贡献声明**

Lin Chen：写作-审阅与编辑，写作-初稿，验证，监督，软件，资源，项目管理，方法论，数据整理，概念构思。Yuwei Hong：写作-审阅与编辑，资源，调查，数据整理。Yu Liu：写作-审阅与编辑，软件，方法论，形式分析，数据整理。Mengxue Yuan：资源，调查，数据整理。Ximing Quan：调查，数据整理。Weixing Xue：调查。Pujie Wei：……

**利益冲突声明**

作者无相关财务或非财务利益需要披露。

**致谢**

本研究由中国科技部（2017YFD0600304）和中央高校基本科研业务费专项资金（2662020YLPY022 & 2662018QD059）资助。

Lin Chen | Yuwei Hong | Yu Liu | Mengxue Yuan | Ximing Quan | Weixing Xue | Pujie Wei | Yingjie Liao | Zhaogui Yan

华中农业大学园艺林学学院/湖北省林业信息工程技术研究中心，武汉 430070，中国