2010—2020年我國森林火災時空分布及影響因素分析

王亞男，王洪慶，何永明

（中國消防救援學院基礎部，北京 102202）

森林火災作為一種突發性強、破壞性大、救援困難的自然災害[1-3]，對當地林業資源、民眾生活和經濟發展造成惡劣影響[4]。我國作為森林資源大國，尤其近年來隨著造林面積的不斷擴大，各地在森林火災防控方面的挑戰愈加嚴峻。基于現有統計數據，把握我國森林火災的時空分布特征和基本規律，探究影響森林火災發生的主要因子，對于推進我國森林防滅火工作的順利開展具有重要的參考價值和現實意義[5-6]。

目前，學界針對森林火災的時空分布問題展開了大量研究。一方面，部分學者從年際變化角度著重探討我國森林火災的發生規律，如蘇麗娟等[7]采用趨勢圖、單因素方差分析等方法，統計分析了1950—2010年的我國省域森林火災，得出火災發生次數在一定程度上與當年的氣象因素有關；黃嘉文等[8]利用函數型數據分析方法對1998—2017年我國南北方地區的森林火災數據進行函數曲線擬合，得出南方地區整體火災形勢較北方嚴峻；曾雪艷等[9]采用平均數、中位數并結合趨勢圖方法對2003—2018年我國省域森林火災數據展開統計分析，認為以平均數來反映森林火災風險存在一定的評估偏差。另一方面，部分學者著重選取某一個地理單元作為研究對象，對該地區一段時間內的森林火災發生情況展開分析研究。如張恒等[10]研究了2003—2016年我國華北地區森林火災的時空分布情況，得出內蒙古自治區和河北省是華北森林火災的集中區；賈斌英[11]對我國東北地區2010—2019年的森林火災展開統計分析，得出東北地區的森林火災分布較為分散；白世紅等[12]采用柱形圖、折線圖等方法研究了2002—2015年山東省森林火災的時空分布。此外，還有少量學者探討了森林火災的影響因素，如陶玉柱等[13]從理論上選取火源因子、環境因子對森林火災的影響展開分析。

現有文獻為本文研究的開展奠定了重要基礎，但以全國省域為樣本展開的研究，對各省份森林火災發生規律的把握還有待進一步完善；同時，針對我國森林火災影響因素的研究文獻較少，或僅基于定性分析，尚缺乏一定的定量研究與檢驗，因而不能科學地明確各因素的具體作用。鑒于此，本文基于我國31 個省區市（不含港澳臺地區）2010—2020年的權威統計數據，首先采用描述性統計分析法從時間維度和類型演化方面對各地區的森林火災展開統計分析，而后采用探索性空間數據分析法從空間維度進行系統研究。進一步地通過構建空間面板數據模型，檢驗影響我國森林火災發生的主要因子。以期更好地把握考察期內我國森林火災的時空演化規律和影響因素，從而為應急管理部門相關政策的制定提供理論參考。

1 數據收集

文中所研究的森林火災數據包括2010—2020年我國31 個省市區（不含港澳臺地區）的火災數據，數據主要來源于2011-2021年《中國林業統計年鑒》和《中國統計年鑒》，并經作者整理。

2 我國森林火災發生現狀

2.1 森林火災時間演化特征

2010—2020年的11年間，我國共計發生森林火災39040 次。其中，2010年發生森林火災總次數為7723 次，隨后呈現波動下降趨勢。2020年，降至1153 次，相較2010年下降85.07%。具體如圖1所示。

圖1 2010—2020年我國森林火災總次數變化趨勢Figure 1 Change trend of total number of forest fires in China from 2010 to 2020

具體來看，2010—2020年，森林火災發生總次數超過400 起的省份包括河北、內蒙古、遼寧、吉林、黑龍江、浙江、安徽、福建、河南、湖北、湖南、廣東、廣西、海南、四川、貴州、云南、陜西等18 個省區。與2010年相比，大部分省區的森林火災次數呈現下降趨勢。其中，尤其以安徽、河南、湖北、湖南、貴州、云南六省份的降幅最為明顯。然而，與2010年相比，11年間廣東、黑龍江的森林火災發生次數卻呈現明顯的增加趨勢。詳見表1。

表1 2010—2020年森林火災總次數超過400 起的省份Table 1 Provinces with more than 400 forest fires in 2010—2020

從火場總面積和受害森林面積的變化趨勢看。2010年，全國火場總面積為116243 hm2，受害森林面積為45761 hm2。隨后，二者均呈現波動下降態勢。2020年，全國火場總面積降至25081 hm2，受害森林面積降至8526 hm2，如圖2所示。

圖2 2010—2020年火場總面積和受害森林面積變化趨勢圖Figure 2 Change trend of total fire area and damaged forest area from 2010 to 2020

具體來看，11年間，全國多數省域在火場總面積和受害森林面積這兩個指標上呈現下降趨勢，僅有北京、山西、山東、海南和西藏的火場總面積在波動擴大，并且山西、吉林、山東、海南和西藏等地區的受害森林面積也呈明顯的增大趨勢。詳見表2。

綜合表1和表2可知，2010年—2020年，盡管一些地區的森林火災發生次數出現了較大幅度下降，但因森林火災造成的火場總面積及受害森林面積卻并未得到相應減少。

表2 2010—2020年火場總面積與受害森林面積增加的省市區Table 2 Provinces and cities where the total area of fire sites and the area of damaged forests increased from 2010 to 2020

2.2 森林火災類型變化情況

按照2009年新修訂的《森林防火條例》，根據受害森林面積和傷亡情況的不同，森林火災類型被劃分為一般火災、較大火災、重大火災和特大火災[14]。2010—2020年的11年間，31 個省市區共計發生一般火災23721 次，較大火災15245次，重大火災63 次，特大火災8 次，但相較2010年，2020年均呈現了明顯下降趨勢。其中，一般火災由2010年的4795次降至2020年的722 次，較大火災由2902 次降至2020年的424 次，重大火災由22 次降至7 次，特大火災由4 次降至0 次。可見，11年間，我國各地區各類型火災的發生次數均呈現了較大降幅。

具體來看。與2010年相比，2020年一般火災發生次數增長的省市有北京、黑龍江、廣東和寧夏，而其余省份均出現了不同幅度的下降，下降最為明顯的省份包括貴州、湖南、云南、河南、安徽、江蘇等。考察期內，重大火災和特大火災主要集中于內蒙古和四川兩地。

2.3 森林火災空間分布特征

以森林火災總次數作為主要評價指標，首先利用ArcGIS 軟件繪制空間分布圖以直觀展示我國省域森林火災的空間分布特征。

圖4（圖a—圖c）分別顯示了2010年、2015年和2020年我國森林火災的空間分布情況。2010年，森林火災分布密集的省區以貴州最為突出，同時涵蓋湖南、湖北、廣西、河南、云南一帶，這些省區的森林火災發生次數均超過了500 起。2015年，這一格局發生明顯變化，森林火災分布密集的省區變為廣西和廣東，其中廣西全年森林火災次數為949 起，成為全國范圍內發生森林火災最多的地區。2020年，廣西仍是我國森林火災發生次數最多的地區，其次是廣東和四川，這些地區的森林火災次數均超過了100 起，遠遠高于國內其他省區。

圖3 2010—2020年一般火災和較大火災發生總次數變化情況Figure 3 Changes in the total number of general fires and major fires from 2010 to 2020

圖4 2010、2015 和2020年我國省域森林火災空間分布圖Figure 4 Spatial distribution map of provincial forest fires in China in 2010,2015 and 2020

總體來看，我國森林火災呈現“北方少，南方多且集中”“東部地區多于西部地區”的空間分布特征。

進一步地為明確我國省域森林火災發生的空間相關程度，本文采用探索性空間數據分析法展開研究。根據地理學第一定律：空間關聯性是普遍存在的，且這種關聯性隨著空間距離的縮小而不斷增強[15]。探索性空間數據分析（Exploratory Spatial Data Analysis,ESDA）是以數據為基礎，實現對客觀事物空間分布相關性問題的客觀探索[16],主要包括全局空間自相關分析（全局Moran' s I）和局部空間自相關分析（局部Moran' s I）。其中，全局Moran' s I 用于反映空間位置鄰近的地區間屬性值的相似性，常被用于考察研究樣本間的總體空間關聯和差異程度[17]。全局Moran' s I 的計算公式為：

式中，n 為樣本總量，Zi為各省份的森林火災發生次數，為各省份森林火災次數的均值，為各省份森林火災次數的方差，wij為空間權重向量。Moran' s I 的取值范圍介于-1 到1 之間。若取值為正數，則表明所考察的2 個區域為正自相關，即省域間森林火災的發生呈現“較高省份與較高省份相鄰，較低省份與較低省份相鄰”的分布特點；若取值為負值，則表明所考察的兩個區域為負自相關，即省域間森林火災的發生呈現“較高省份與較低省份相鄰”的分布特點。當Moran' s I 值為0 時，則表明各省域間森林火災的發生不存在空間自相關性。

同時，在空間權重矩陣的選擇上，本文采用空間鄰接矩陣以反映各地區間的空間權重，即若兩個省份地理位置相鄰，則賦值為1；反之如果不相鄰，則賦值為0。由此，通過全局Moran' s I 指數的計算得到結果，如表3所示。可以發現，2010—2020年間的多數年份我國森林火災的Moran' s I 指數顯著為正，表明多數年份我國省域森林火災分布存在顯著的空間自相關性。這意味著我國省域森林火災的發生在地理空間上呈現集聚狀態。而從時間來看，11年間Moran' s I 指數值從2010年的0.310 下降到2020年的0.168，表明我國森林火災的空間集聚趨勢在波動下降。

表3 2010—2020年我國森林火災的全局Moran' s I指數Table 3 Global Moran’s I index of forest fires in China from 2010 to 2020

全局Moran' s I 指數從總體上刻畫了我國森林火災的空間相關特征，但無法顯示出各省市區森林火災的空間布局。而局部Moran' s I 可以反映單個區域單元與周邊地區間同一屬性值的相似性[17]，以驗證單個區域單元存在的空間異質特征，從而發現全局Moran' s I 不能反映的“非典型”情況[18-19]。為此，本文進一步采用Moran' s I 散點圖以直觀展示各地區與鄰近地區的空間相關特征，具體如圖5所示。

其中，各圖中第一象限（H-H）表示森林火災發生次數多的地區被其他森林火災發生次數多的地區所包圍，即森林火災發生次數較多的地區之間在地理空間上呈集聚狀態；第二象限（L-H）表示森林火災發生次數少的地區被森林火災發生次數多的地區所包圍，即森林火災發生次數差異較大的省域在地理空間上呈現夾雜分布；第三象限（L-L）表示森林火災發生次數少的地區被其他森林火災發生次數少的地區所包圍，即森林火災發生次數少的地區之間在地理空間上形成集聚現象；第四象限（H-L）表示森林火災發生次數較多的地區被森林火災發生次數少的地區所包圍。散落在第一、第三象限內省市區的森林火災發生次數表現為正的空間自相關性，而散落在第二、第四象限內省市區的森林火災發生次數表現為負的空間自相關性。

由圖5可知，2010年、2015年和2020年，我國大部分省份位于第一和第三象限，分別占到樣本總數的80.64%、80.64%和67.74%。可見，我國大部分省份森林火災的發生呈現一定的“高-高”集聚和“低-低”集聚特征，即森林火災發生次數多（少）的地區在空間上趨向于與森林火災發生次數多（少）的地區相鄰近。

圖5 2010年、2015年和2020年我國森林火災的局部Moran' s I 散點圖1 因文章篇幅所限，在此僅選取了2010、2015 和2020年的數據進行分析。Figure 5 Local Moran’s I scatter diagram of forest fires in China in 2010,2015 and 2020

3 我國森林火災影響因素分析

3.1 模型設定

根據災害學理論，致災因子、孕災環境和承災體的共同作用導致了災害的發生。在森林火災研究中，致災因子指影響森林火災發生的直接因素，在此選取“年降水量”（wat）、“年均氣溫”（tem）作為解釋變量予以表征；孕災環境指各地區發生森林火災的基礎條件，通常指可燃物等，在此選取“森林蓄積量”（se）進行表征；承災體指森林火災發生地區的經濟、社會等條件，在此選取“人均GDP”（GDP）、“林業站年投資額”（inv）、“護林員總人數”（peo）以及“林業站年投資額”與“護林員總人數”的交互項作為解釋變量進行表征。同時，考慮我國森林火災的發生存在一定的空間相關性，在估計方法的選用上，本文借鑒Elhorst 等（2016）[20]的做法，采用極大似然回歸法（ML）進行分析。以各省市區森林火災次數（hz）作為被解釋變量，同時，為了避免解釋變量中的奇異值以及數據殘差的非正態分布和異方差問題的出現，本文將所有解釋變量進行對數化處理。

考慮空間杜賓模型（SDM）是空間滯后模型和空間誤差模型的組合擴展形式，具有良好的適用性，因此本文設定空間杜賓模型如下：

hzit=α1+β1lnwatit+β2lntemit+β3lnseit+β4lnGDPit+β5lninvit+β6lnpeoit+β7lninvit×lnpeoit+ρ×W×hzit+εit

根據數據的可得性，本文選定我國31 個省市區2010—2020年共11年的數據展開回歸分析。上式中，hz代表各省市區在當年發生的森林火災總次數。解釋變量中，GDP 為人均GDP，用來衡量當地的經濟發達程度和人均福利水平。wat 為各地在各年份的年降水情況，用來表征降水對森林火災的影響。tem 為各地在各年份的氣溫情況，用來表征當地的溫度條件。se 為森林蓄積量，用來代表可燃物情況。inv 為鄉村林業站年投資完成額，peo 為鄉村護林員總人數，二者用以表示林業站的建設管理和運營情況。同時引入“林業站年投資額”與“護林員總人數”的交互項，若其系數為正，則表明二者具有互補性，即林業站的實際投資與護林員人數增加的共同作用，有利于減少森林火災的發生；若其系數為負，則表明二者是相互替代的。ρ 為空間自相關系數，W 為空間權重矩陣，εit為隨機誤差項，包含所有遺漏變量。各變量的描述統計情況見表4。

表4 變量統計描述Table 4 Variable statistical description

由于變量“森林火災次數”出現了0 值，在此，為提高數據回歸結果的準確性與可讀性，本文采用標準差標準化法對“森林火災次數”進行標準化處理，而后再進行回歸估計。

3.2 回歸結果分析

首先對空間杜賓模型分別進行隨機效應和固定效應回歸，然后通過豪斯曼檢驗確定模型的具體類型。經檢驗，豪斯曼統計量為0.32，因此拒絕原假設，空間杜賓模型應選用固定效應進行分析。進一步地，依次采用時間固定效應、空間固定效應以及雙固定效應模型展開檢驗，最終回歸的結果如下表5所示。

表5顯示，在1%的顯著性水平下，3 個模型的空間自回歸系數ρ 均通過檢驗，表明總體上我國省域森林火災的發生存在明顯的空間相關特征，這與全局Moran' s I 的檢驗結果一致。并且ρ 的值為正，也在一定程度上說明各地區森林火災的發生存在一定的 “局部俱樂部集團”效應，即如果某一個省份的森林火災發生較多，那么其鄰近省份森林火災的發生也會多；反之，如果某一個省份的森林火災發生較少，那么其鄰近省份森林火災的發生也會少。這一結果與局部Moran' s I 散點圖的結果相符合。對比3 個模型的回歸結果，發現雙固定效應模型估計結果在模型擬合優度以及似然比值上均顯著優于其他2 個模型，因此，以下基于空間杜賓模型的雙固定效應模型重點分析各個解釋變量與森林火災之間的關系。

表5 空間杜賓模型回歸結果Table 5 Regression results of spatial panel data model

對于解釋變量“年降水量” 和 “年均氣溫”，二者在回歸方程中一負一正；解釋變量“森林蓄積量”的回歸系數亦為正，這與實際情況基本相符。表明在其他條件不變的情況下，年降水量的增多會在一定程度上降低森林火災的發生；而年均氣溫的升高和森林蓄積量的增大則會在一定程度上加劇森林火災的發生。但就單因素而言，其作用均不顯著。

解釋變量“人均GDP”在回歸方程中系數為負且顯著。具體來看，在其他因素不變的情況下，人均GDP每提高1%，森林火災將降低0.021 個單位的標準差。表明一個地區的經濟發達程度在很大程度上影響了森林火災的發生。可能的原因在于：經濟發展水平越高的地區，往往對消防事業的投入力度會更大，并且在消防宣傳方面的大力開展會更好地提高當地居民的森林防火意識。

解釋變量“護林員總人數”以及“林業站年投資額”與“護林員總人數”交互項的系數及其滯后項的系數均顯著。表明這些因素對森林火災的影響較為明顯，并且滯后作用依舊顯著。具體來看，在其他因素不變的情況下，“護林員總人數”每增加1%，會影響當期森林火災降低0.022 個單位標準差，且滯后影響森林火災降低0.010 個單位標準差。同時，二者的交互系數為正，并在滯后期顯著影響著森林火災的發生。表明“林業站年投資額”和“護林員總人數”兩個變量相互補充，對降低森林火災發揮了積極作用。而就單因素“林業站年投資額”來說，其每增加1%，將滯后影響森林火災降低0.012 個單位標準差。主要原因在于：投資增加對森林防滅火的影響在短時間內并不能很好顯現，反而會隨著時間的推移不斷產生積極作用。并且投資增加與人力擴充二者之間存在明顯的互補關系，這就意味著僅從資金層面或人力層面對森林防滅火的投入往往并不能產生良好的顯著效果，而是需要“雙管齊下”、協調推進。

4 結論

本文以2010—2020年的相關統計數據為基礎，采用圖表法、探索性空間數據分析法等從時間趨勢、火災類型、空間分布等層面系統分析了我國森林火災的特征與規律。進一步地，通過構建空間面板數據模型測算了影響我國森林火災的主要因素。得出的主要結論有：

（1）從時間維度看，考察期內，我國森林火災年發生總次數、火場總面積和受害森林面積均呈波動下降趨勢，全國大部分省份森林火災年發生總次數在下降，僅有廣東和黑龍江呈現明顯的增加趨勢。

（2）從類型變化看，考察期內，一般火災、較大火災、重大火災和特大火災發生次數均在下降，僅北京、黑龍江、廣東和寧夏四省區的一般火災次數在增加。重大火災和特大火災主要集中于內蒙古和四川兩地。

（3）從空間維度看，我國森林火災在地域上存在集聚態勢，多數省域間森林火災的發生呈現一定的“高—高”集聚和“低—低”集聚特征；整體上表現出“北方少，南方多且集中”“東部地區多于西部地區”的空間分布特點。

（4）從影響因素看，“人均GDP”“護林員總人數”均顯著影響了我國森林火災的發生，而“林業站年投資額”與“護林員總人數”對森林火災的影響具有互補性，且呈現出一定的滯后特征。