基于机器学习和SHAP算法的我国粮食安全水平测度重构及可解释性分析

摘要

为探讨“大食物观”对中国粮食安全赋予的新内涵，基于2010—2022年中国省级层面数据，从生产安全、质量安全、经济安全、消费安全和流通安全5个维度构建中国粮食安全评价指标体系，在熵值法测算基础上，利用机器学习和SHAP算法重新识别不同影响变量对粮食安全的重要性。结果表明：1）从整体演进趋势来看，2010—2022年中国粮食安全水平总体呈先下降后上升的态势，于2012—2015年和2018—2019年增长迅速；2）从各维度评价得分来看，生产安全对粮食安全贡献度最高，经济安全和质量安全呈上升趋势，消费安全和流通安全是粮食安全体系中的薄弱环节；3）从粮食安全的关联因素来看，影响中国粮食安全水平的关键因素包括肉类总产量、粮食总产量、水产品总产量、铁路货运量、财政涉农支出、森林覆盖率和城乡收入差距。基于此，从推动畜牧业可持续发展，提高粮食生产效率，加强水产养殖发展，加大财政涉农支出等4个方面提出政策建议。

关键词

大食物观 / XGBoost / SHAP / 粮食安全 / 食物安全

基金资助

国家自然科学基金项目(71963018)