哨兵与卫星：从近到远的粮食安全监测

《Food Policy》：Sentinels and satellites: Food security monitoring from near and far

　　

摘要

过去十年，粮食安全测量领域出现了两项重大创新。第一是哨兵站点调查的建立——即在粮食安全普遍受到威胁的地区开展高频、长期的面板调查——以协助发现和精准分配援助。第二是使用遥感数据来预测粮食不安全状况，而无需依赖当地调查团队收集的数据。我们利用哨兵站点数据，以前所未有的时间精度洞察粮食安全状况。我们基于一个允许序列相关冲击和家庭资产回报异质性的家庭粮食安全模型，考察了哨兵站点数据、遥感数据和传统调查数据在未来1至12个月的粮食安全预测表现。我们发现，粮食安全的过往指标比资产等存量变量的过往指标是更好的预测因子，且哨兵站点数据的预测表现远优于遥感数据。卫星数据的收集成本低于哨兵站点数据，但由于需要大量基于调查的培训数据来提高预测精度，潜在的成本节约在很大程度上被抵消了。

引言

全球粮食安全状况依然严峻（FAO等，2024年）。饥饿对人类的短期和长期发展都有影响（Barrett，2010年）。因此，各国政府和全球人道主义机构重点关注在危机响应中及时分配紧急援助。援助分配涉及权衡取舍，因为需求通常超过可用资源（Barrett，2010年；人道主义行动，2025年）。例如，联合国人道需求概述估计，2024年全球仅有46%的需求最终得到资金支持（人道主义行动，2025年）。近期内，需求缺口可能进一步扩大；2024年美国政府援助占全球人道主义援助的40%以上，而截至本文撰写时，这些援助中的大部分已被削减或大幅减少（Desilver，2025年）。鉴于全球需求的广度和持续且不断增长的资源约束，大量研究聚焦于瞄准机制——即发现和预判谁需要援助（Besley和Kanbur，1991年；Conning和Kevane，2002年）。针对粮食安全家庭的瞄准方法借鉴并发展了针对贫困家庭瞄准的方法（Headey和Barrett，2015年；McBride等，2021年）。

遥感数据的可用性和使用方面的近期创新使研究人员能够更好侦测和预判洪水、干旱等生态灾难（Jean等，2016年；Coughlan de Perez等，2019年；Funk等，2019年；Arsenault等，2020年）。这些方法能够在越来越精细的空间和时间尺度上识别受灾地区。即便如此，这些基于卫星的灾难发生率指标无法直接衡量冲击如何影响家庭层面的粮食安全，因为它们无法考虑市场和交换网络在资源再分配中的作用。遥感方法也较难识别在较小地理尺度上出现的危机，即由局部降雨异常、作物歉收、虫害爆发或个体健康冲击引发的危机。

近年来，研究人员和从业者开发了一系列替代性数据创新，部分原因是为了填补早期预警和瞄准方面的信息空白，涉及在"哨兵站点"——即容易发生粮食安全问题的地点，其状况可能作为更大范围即将到来的危机的早期指标——对家庭进行高频数据的实地收集（Headey和Barrett，2015年；Knippenberg等，2019年；Maxwell等，2020年）。研究人员提出，哨兵站点数据可能比遥感数据产生更准确的粮食安全指标，且比传统调查具有更高的空间和时间精度（Barrett，2010年）。许多人具体认为，这些更频繁的家庭数据将特别有助于更准确地预测粮食安全，优于横截面数据或不频繁收集的面板数据。一些研究已开始探索这一可能性（Gholami等，2022年；Lentz等，2019年；Constenla-Villoslada等，2024年）。然而，使用哨兵站点数据所带来的预期收益在很大程度上尚未得到验证，并提出了一些相关问题。

提高数据频率对粮食安全预测的边际价值是什么？当我们结合哨兵站点数据和遥感数据时，在统计和基于政策的目标瞄准精度方面能带来哪些收益？哨兵站点的输出能否帮助我们更好地理解其他更广泛可得数据——如传统调查和快速评估工具的数据——在识别和预测粮食安全方面的表现？鉴于收集此类数据的成本相对于替代方案更高，弥合这些知识空白对于理解哨兵站点数据对早期预警和瞄准政策的贡献至关重要。

本文利用来自马拉维哨兵站点的高频面板数据来回答这些问题。这些数据是月度区间韧性分析（MIRA）平台的一部分，由天主教救济会（CRS）与康奈尔大学合作实施（Knippenberg等，2019年）。我们基于一个纳入固定成分、可变因素和序列相关冲击的家庭粮食安全模型，初步分析分为三步进行。首先，利用2267个家庭的39次月度调查数据，我们描述性地刻画了粮食不安全的频率和严重程度，以及进入和脱离粮食安全状态的过程。其次，我们使用不同的变量组合和数据来源估计模型参数，并评估它们在一系列时间尺度上预测粮食安全的相对表现。第三，以哨兵站点数据为基准，我们评估了政策制定者和实施者可能容易获取的数据的预测表现，如频率较低的大规模调查数据。在第二和第三步的实证工作中，我们还考察了遥感数据对粮食安全预测的贡献，包括独立使用和与哨兵站点数据结合使用。

随后，我们在两个重要方向上扩展了初步分析。首先，我们通过在不同时期训练模型并在未来时期评估预测表现，评估模型的时外预测能力。这使我们能够检验不同类型数据在预测中的相对表现是否随时间保持稳定。其次，我们超越了统计预测指标，使用将预测数据映射到粮食援助计划中的政策规则来评估瞄准表现，并基于I类和II类分类错误进行评估。

我们的分析得出了四个主要发现。

第一，我们发现不同家庭之间的平均粮食不安全水平存在系统性差异。即便如此，我们并未发现一个明确分为长期粮食安全和不安全群体与通常粮食安全群体的划分，而是发现了一个粮食不安全经历和潜在风险的连续谱。一些家庭大部分时间都处于粮食安全状态，另一些家庭则很少如此。我们还记录了高频率的波动现象，即在粮食安全状态之间频繁进出。根据广泛使用的家庭饥饿量表（Ballard等，2011年），只有2%的家庭从未处于粮食安全状态，只有2.5%的家庭始终处于粮食安全状态。平均而言，每个家庭在39个月内进出粮食安全状态7.5次。

第二，我们表明，对于粮食安全预测，粮食不安全结果的过往指标比粮食安全决定因素的过往指标更为可靠。虽然过往结果的预测能力在12个月内逐渐衰减，但它们仍然是比基于资产的财富指数或基线调查中进行的代理均值测试更好的预测因子，后者最多在三年多前进行。这一发现并非由资产持有的广泛变化所驱动，这会使基线调查数据对未来粮食安全预测的相关性降低。相反，我们发现资产持有水平以及资产过往指标与粮食安全之间的联系在时间上大体稳定；只是这种联系比过往粮食安全与未来粮食安全之间的联系弱。这一发现的一个含义是，所有类型的家庭调查，无论是定期进行的还是偶尔由独立研究人员进行的，都应该纳入简要的粮食安全模块。此类努力的数据，如果公开可得，可以作为未来需求时期预测的输入。

第三，我们发现哨兵站点数据在预测表现上显著优于遥感数据。基于单一、一年前粮食安全直接观测值的线性模型的均方根误差（RMSE）比基于一整年月度粮食安全指标训练的随机森林模型的RMSE小10%，后者使用丰富的温度和降雨数据作为预测变量。当我们在线性模型中使用更近期的粮食不安全指标，或者用更少的结果数据时期来训练随机森林时，性能差距会进一步拉大。

这一发现突出了哨兵站点数据和遥感数据之间的关键成本效益权衡。虽然建立哨兵站点调查的固定成本相当大，但通过使用当地调查员（如CRS对MIRA所做的），可变成本可以保持在较低水平。收集遥感预测变量的可变成本当然低得多——但遥感数据必须基于结果数据进行训练。在我们的设定中，收集足够多的结果数据以训练一个遥感模型使其预测能力与哨兵站点相当的，其成本将与或超过仅仅建立哨兵站点并使用它们进行预测的成本。

第四，我们发现，当我们从使用更近期的数据转向使用更旧的数据时，我们所考虑的模型在整体瞄准表现上出现了适度但显著的下降——以粮食援助瞄准家庭时I类和II类错误所占比例衡量。由于我们的所有模型在使用更旧的数据时都表现出一定程度的均值回归，I类和II类错误比例随预测数据时效性的变化主要取决于模型使用者用于将家庭分类为粮食不安全的阈值位于总体均值之上还是之下（Zhou等，2022年）。

上述结果基于两步估计程序，其中我们随机将数据分为训练样本（80%）和测试样本（20%）。当我们改为按时间分割整个数据集，即在时期1到t进行训练，在时期t到T评估表现时，我们发现了完全相同的模式。滞后粮食安全指标是最佳预测因子，遥感数据只有在训练多个时期的结果数据时才能与它们在预测表现上相当。预测表现的差异在最后一个训练集观测之后持续长达十八个月。

本文的发现做出了两项主要贡献。第一项是对日益增长的福利测量创新文献的贡献。自贫困制图技术的开发以来（见Davis，2003年的早期综述），研究人员一直在设计新的方法来使用遥感数据或经济活动相关变量的数据来检测和预测福利水平（Henderson等，2012年；Blumenstock等，2015年；Jean等，2016年；Head等，2017年；Lentz等，2019年；Yeh等，2020年；McBride等，2021年；Balashankar等，2023年；Corral等，2025年；Michelson，2025年）。同时，实验证据也有助于完善调查设计以更好地衡量贫困和粮食安全（Beegle等，2012年）。我们的论文位于这两个文献领域的交叉点。我们使用哨兵站点数据以 unprecedented 的时间精度洞察粮食安全状况，然后比较哨兵站点数据本身、遥感数据和传统调查数据的预测表现。

我们的第二项贡献与粮食安全本质相关文献有关。我们的结果突出了动态因素在衡量和应对粮食安全方面的 importance。近期研究有助于阐明与定义和衡量粮食安全相关的挑战（Headey和Barrett，2015年；Clapp等，2022年）。我们的框架和分析表明，代理固定和随机因素对粮食安全的贡献的变量可能具有有限的预测能力。

在我们的研究区域，粮食不安全风险始终存在：几乎所有家庭都经历过粮食充足的时期，也几乎所有家庭都经历过饥饿和匮乏时期，这凸显了频繁测量的价值。

**模型片段：粮食安全的建模**

考虑以下家庭层面的粮食安全模型：
$${h}_{it} = g\left({F}_{it}, {e}_{it}, {\gamma}_t\right)$$
其中 $h_{it}$ 是第 $i$ 户在时期 $t$ 的粮食安全状况；$F_{it}$ 是粮食安全的固定或缓慢变化的贡献因素，如家庭资产；$e_{it}$ 是时期 $t$ 中第 $i$ 户面临的特殊粮食不安全冲击；$\gamma_t$ 是影响资产回报的时期特定因素，如价格。为了与数据保持一致，定义 $h_{it}$ 使得较低的值表示更高的粮食安全程度。

**经验框架**

我们的主要经验目标是检验不同类型和组合数据的粮食安全预测表现，以衡量监测努力与预测和瞄准改善之间的权衡。这些模型并非因果模型，而是优先最大化瞄准的准确性。以下小节解释了我们估计的模型、评估其预测表现的方式以及稳健性检验。尽管我们的主要目标是……

**马拉维的粮食安全**

马拉维是位于非洲南部的内陆国家，2024年人口约为2100万至2200万。约80%的人口从事小规模农业。玉米是主要粮食作物。在每年两次雨季中的较长一次结束后，玉米和其他作物的主要收获期从3月至4月开始。次级收获期出现在9月至10月。匮乏期（即家庭通常最难获得充足食物的时期）从11月持续到3月，届时……

**结果**

在以下小节中，我们展示以下发现：(i) MIRA哨点站点的描述性统计；(ii) 基于公式(5)及其变体的预测结果，未纳入遥感数据；(iii) 纳入遥感数据的预测结果。

**使用基于政策的指标评估模型表现**

第5节中呈现的发现使用均方根误差（RMSE）这一统计精度指标来评估模型表现。然而，政策制定者可能更倾向于其他指标（例如，最小化纳入或排除错误）（Zhou et al. 2022）。当我们根据模型对援助项目瞄准的影响进行评估时，我们所考虑的模型和数据表现如何？

我们从两类瞄准挑战的角度评估模型表现。第一类是分类问题，即一个……

**CRediT作者贡献声明**

Dana J. Smith：撰写 – 原稿，形式分析。
Paul Christian：撰写 – 审阅与编辑，撰写 – 原稿，形式分析，概念化。
Brian Dillon：撰写 – 审阅与编辑，撰写 – 原稿，监督，项目管理，概念化。
Erin Lentz：撰写 – 审阅与编辑，撰写 – 原稿，概念化。
Hope Michelson：撰写 – 审阅与编辑，撰写 – 原稿，概念化。
Joanna Upton：撰写 – 审阅与编辑，撰写 – 原稿。

**未引用参考文献**

Hoddinott (2001).

Dana J. Smith | Paul Christian | Brian Dillon | Erin Lentz | Hope Michelson | Joanna Upton

世界银行，美国