2000—2019年中國農(nóng)業(yè)塑料污染的時空變化評估

摘要：農(nóng)業(yè)塑料污染產(chǎn)生嚴(yán)重的生態(tài)環(huán)境問題，但農(nóng)業(yè)塑料的空間分布格局及其時序變化的影響因素缺乏精細(xì)化的評估與歸因?；谝环N可用的指數(shù)模型，本文反演評估我國2000—2019年以塑料薄膜、化肥袋與農(nóng)藥瓶為主的農(nóng)業(yè)塑料污染源的時空變化特征，并篩選9種關(guān)鍵的社會-生態(tài)影響指標(biāo)，結(jié)合最小二乘法、地理加權(quán)模型與隨機森林方法，對農(nóng)業(yè)塑料廢棄物變化進行整體-局部尺度的歸因分析。結(jié)果發(fā)現(xiàn)，全國上述農(nóng)業(yè)塑料數(shù)量呈現(xiàn)增加-平穩(wěn)-下降的變化趨勢，其空間聚集性和區(qū)域差異性在研究期內(nèi)逐步減弱。影響整體農(nóng)業(yè)塑料污染的因子按重要性由大到小排序為：農(nóng)業(yè)機械總動力、降水、糧食作物播種面積、第一產(chǎn)業(yè)增加值、日照時數(shù)、國內(nèi)專利申請受理量和鄉(xiāng)村人口。局部尺度農(nóng)業(yè)塑料污染的影響因子系數(shù)與整體尺度的因子空間分布特征類似，但其空間聚集特征隨時間變化明顯減弱。研究結(jié)果對實施農(nóng)業(yè)塑料污染的動態(tài)監(jiān)測、影響評價與防控策略等具有科學(xué)參考價值，可以提供數(shù)據(jù)支持。

關(guān)鍵詞：農(nóng)業(yè)塑料污染；集成評估；空間自相關(guān)；地理加權(quán)回歸；隨機森林；影響因素

中圖分類號：X52 文獻標(biāo)識碼：A 文章編號：1008-9500（2024）02-0-09

DOI：10.3969/j.issn.1008-9500.2024.02.046

Assessment on spatiotemporal changes of agricultural plastic pollution in China from 2000 to 2019

ZHOU Xinrui， ZHONG Jingwen， SUN Yuanchao， LIANG Youjia

（School of Resources and Environmental Engineering， Wuhan University of Technology， Wuhan 430070， China）

Abstract： Agricultural plastic pollution causes serious ecological and environmental problems， but the spatial distribution pattern of agricultural plastics and the influencing factors of their temporal changes lack refined evaluation and attribution. Based on an available index model， the spatiotemporal variation characteristics of agricultural plastic pollution sources in China are inverted and evaluated in this paper， mainly plastic films， fertilizer bags， and pesticide bottles， from 2000 to 2019， and nine key social-ecological impact indicators are selected， and combined with the least squares method， geographic weighted model， and random forest method， a global-local scale attribution analysis is conducted on the changes in agricultural plastic waste. The results show that the quantity of agricultural plastics mentioned above in China shows a trend of increasing-stabilizing-decreasing， with its spatial clustering and regional differences gradually weakening during the research period. The factors that affect overall agricultural plastic pollution are ranked in descending order of importance： total power of agricultural machinery， precipitation， sowing area of grain crops， added value of primary industry， sunshine hours， domestic patent application acceptance， and rural population. The impact factor coefficients of local scale agricultural plastic pollution are similar to the spatial distribution characteristics of overall scale factors， but their spatial clustering characteristics significantly weaken over time. The research results have scientific reference value for implementing dynamic monitoring， impact assessment， and prevention and control strategies of agricultural plastic pollution， and can provide data support.

Keywords： agricultural plastic pollution; integration assessment; spatial autocorrelation; geographically weighted regression; random forest; influencing factors

廣泛使用的農(nóng)業(yè)塑料制品正在導(dǎo)致嚴(yán)峻的生態(tài)環(huán)境問題。目前，據(jù)估計，全球每年使用的農(nóng)業(yè)塑料超過150萬t，其中60%～80%的消耗量來自中國[1]。隨著社會經(jīng)濟迅速發(fā)展，農(nóng)業(yè)塑料已成為中國現(xiàn)代農(nóng)業(yè)生產(chǎn)中不可替代的原材料消耗品[2]，為作物增產(chǎn)增收和糧食安全做出巨大貢獻。例如，相較于露地植棉，地膜植棉可以平均增加30%～50%的產(chǎn)量[3]。但受塑料用量和使用年限的增加及重使用、輕回收的生產(chǎn)慣性影響，農(nóng)業(yè)塑料廢棄物在農(nóng)田生態(tài)系統(tǒng)中的殘留量正在逐年累積，并嚴(yán)重影響農(nóng)業(yè)生產(chǎn)安全和生態(tài)系統(tǒng)健康。例如，中國農(nóng)膜的回收率不足60%[4]，但殘留量一般為60～165 kg/hm2，且隨使用年限的增加而增加。精細(xì)識別農(nóng)業(yè)塑料的時空格局特征已成為建立農(nóng)業(yè)塑料污染有效回收機制、完善區(qū)域監(jiān)測評價體系及合理布局污染物回收再加工產(chǎn)業(yè)的關(guān)鍵科學(xué)問題[5]。

農(nóng)業(yè)塑料廢棄物變化評估正成為跨學(xué)科研究的重要領(lǐng)域。Hiskakis等[6]首次提出針對塑料薄膜、灌溉管道與化肥袋等類型的農(nóng)業(yè)塑料廢棄物評估。Briassoulis等[2]總結(jié)歐洲農(nóng)業(yè)塑料污染的主要類型與估算方法，并對歐洲農(nóng)業(yè)塑料高產(chǎn)出地區(qū)進行案例評估，但成果的可視化程度較低。Blanco等[7]使用正形攝影分析和遙感調(diào)查方法研究意大利普利亞區(qū)農(nóng)業(yè)塑料分布，盡管提出集成土地利用與地理信息系統(tǒng)（Geographic Information System，GIS）的農(nóng)業(yè)塑料廢棄物分布反演方法，但研究時限短，且模型不具備預(yù)測功能。針對中國復(fù)雜多樣的地理環(huán)境和農(nóng)業(yè)發(fā)展差異性，農(nóng)用塑料廢棄物研究近年來受到重視，科研投入和成果轉(zhuǎn)化呈現(xiàn)出同步加強的趨勢[8]。例如，土壤微塑料污染分布調(diào)查[9]與土壤微塑料含量與地膜覆蓋的關(guān)聯(lián)機制[10]等方面都取得明顯進展。但上述研究多集中在微塑料領(lǐng)域，缺少對農(nóng)業(yè)塑料廢棄物污染的溯源，且很少開展跨時空尺度的農(nóng)業(yè)廢棄物污染分布與變化過程評估。

針對農(nóng)業(yè)塑料污染的時空特征不明確的評估問題，本研究以2000—2019年中國主要農(nóng)業(yè)塑料廢棄物數(shù)據(jù)集為基礎(chǔ)，利用農(nóng)業(yè)塑料廢棄物（Agricultural Plastic Waste，APW）模型、空間制圖和機器學(xué)習(xí)算法確定農(nóng)業(yè)塑料廢棄物的時空格局變化，并使用最小二乘回歸、隨機森林回歸模型與地理加權(quán)回歸方法對農(nóng)業(yè)塑料廢棄物污染進行整體-局部尺度的雙重歸因分析。研究結(jié)果可為農(nóng)業(yè)塑料廢棄物監(jiān)測、回收與處理提供數(shù)據(jù)支持及決策參考。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)

本研究收集中國2000—2019年主要農(nóng)業(yè)塑料污染數(shù)據(jù)，并使用ArcGIS軟件開展數(shù)據(jù)可視化處理，數(shù)據(jù)涉及的省級行政單位不包括香港特別行政區(qū)、澳門特別行政區(qū)和臺灣省。其中，APW模型的數(shù)據(jù)包括塑料薄膜、農(nóng)藥塑料包裝（農(nóng)藥瓶）和化肥塑料包裝（化肥袋），因為這3類是我國農(nóng)業(yè)塑料污染的主要類型[11]。除塑料薄膜使用量以外，其余兩種需要利用轉(zhuǎn)換因子對農(nóng)藥與化肥使用量進行轉(zhuǎn)化，本研究采用塑料包裝平均容積與平均自重之比來計算農(nóng)藥和化肥的轉(zhuǎn)換因子?；蕦嶋H使用量利用化肥折純后的施用量除以平均折純率獲取，平均折純率來源于中國農(nóng)業(yè)農(nóng)村部化肥折純率參考計算方法。

農(nóng)業(yè)塑料污染的自然影響因素指標(biāo)包括受災(zāi)情況（受災(zāi)面積）、氣候因素（年平均日照時數(shù)、年平均累計降水）、作物種植結(jié)構(gòu)（糧食作物播種面積），會直接影響不同省級行政單位的農(nóng)業(yè)塑料使用需求；農(nóng)村經(jīng)濟活動與地域發(fā)展等社會經(jīng)濟因素會影響農(nóng)業(yè)塑料使用，包括農(nóng)業(yè)收入水平（農(nóng)、林、牧、漁業(yè)城鎮(zhèn)單位就業(yè)人員平均工資）、人口規(guī)模（鄉(xiāng)村總?cè)丝冢?、農(nóng)業(yè)現(xiàn)代化水平（農(nóng)業(yè)機械總動力）、科技水平（國內(nèi)專利申請受理量）和農(nóng)業(yè)發(fā)展水平（第一產(chǎn)業(yè)增加值）。其中，氣候因素來自中國氣象數(shù)據(jù)網(wǎng)（http：//data.cma.cn/）的中國地面氣候資料日值數(shù)據(jù)集（V3.0），經(jīng)過反距離權(quán)重法插值得到；其余數(shù)據(jù)來自2000—2019年《中國統(tǒng)計年鑒》，部分缺失數(shù)值參考《中國農(nóng)村統(tǒng)計年鑒》或利用趨勢外推法補充。建模前對因子進行Z分?jǐn)?shù)標(biāo)準(zhǔn)化，以消除量綱影響。

1.2 APW評估模型

采用APW模型量化評估不同作物中不同塑料類型的農(nóng)用塑料污染指數(shù)[7]。不同塑料應(yīng)用類型的使用量采用式（1）進行集總計算，其中，農(nóng)藥瓶使用量采用式（2）進行計算，化肥袋使用量采用式（3）進行計算。

APW=mfilm+mpb+mfb（1）

mfb=mp×CFpb（2）

mfb=mf×FC-1×CFfb（3）

式中：APW為農(nóng)業(yè)塑料污染指數(shù)；mfilm為農(nóng)業(yè)塑料薄膜使用量，kg；mpb為農(nóng)藥瓶使用量，kg；mfb為化肥袋使用量，kg；mp為農(nóng)藥施用量，kg；CFfb為單位質(zhì)量農(nóng)藥對應(yīng)的農(nóng)藥瓶消耗轉(zhuǎn)換因子，取0.094；mf為化肥施用量，kg；FC為化肥平均折純率；CFfb為單位質(zhì)量化肥對應(yīng)的化肥袋消耗轉(zhuǎn)換因子，取0.001 9。

1.3 空間自相關(guān)分析

空間自相關(guān)分析是利用空間統(tǒng)計學(xué)方法判斷數(shù)據(jù)分布是否具有空間依賴性的技術(shù)[12]，可分為全局空間自相關(guān)和局部空間自相關(guān)，前者常用于研究區(qū)域整體的空間分布和差異分析，后者則用于判斷并識別局部區(qū)域內(nèi)的空間異質(zhì)性，分析方法為空間聯(lián)系的局部指標(biāo)（Local Indicators of Spatial Association，LISA）[13]。分別采用全局莫蘭指數(shù)I和局部莫蘭指數(shù)I'來描述農(nóng)業(yè)塑料污染數(shù)據(jù)的全局空間自相關(guān)和局部空間自相關(guān)變化特征。全局莫蘭指數(shù)采用式（4）進行計算，局部莫蘭指數(shù)采用式（5）進行計算，其中，要素i的標(biāo)準(zhǔn)差采用式（6）進行計算。

（4）

（5）

（6）

式中：n是要素數(shù)，取31；S0是所有空間權(quán)重的聚合；ωi， j是要素i和j之間的空間權(quán)重；zi是要素i的屬性與其平均值xi-X的偏差；zj是要素j的屬性與其平均值xj-X的偏差；xi是要素i的屬性；X是對應(yīng)屬性的平均值；Si為要素i的標(biāo)準(zhǔn)差；xj是要素j的屬性。

利用LISA計算結(jié)果進一步將APW區(qū)分為4種相關(guān)類型，其中，正相關(guān)類型有2種，即高值聚類（HH）和低值聚類（LL），負(fù)相關(guān)類型也有2種，即高低聚類（HL）和低高聚類（LH）?？臻g自相關(guān)分析使用GeoDa軟件計算，同時采用蒙特卡羅法（Monte Carlo）對數(shù)據(jù)集進行999次隨機重復(fù)的概率P值計算，以測試全局莫蘭指數(shù)I的顯著性[14]。

1.4 歸因分析

采用最小二乘法（Ordinary Least Square，OLS）對APW與其影響因子進行回歸分析，OLS假定解釋變量和因變量之間有空間平穩(wěn)性，即假設(shè)影響因子的參數(shù)估計值恒定，得到適用于全局的回歸結(jié)果[15]。因變量在第i個位置的觀測值采用式（7）計算。回歸方程的顯著性使用t檢驗，并通過修正的決定系數(shù)R2評價模型的擬合優(yōu)度。

（7）

式中：y（i）是因變量在第i個位置的觀測值；β0是估計截距；βk是第k個參數(shù)的估計值；Xk（i）為第k個解釋變量在第i個位置的觀測值；ε（i）是i={1，2，3，…，n}

的隨機誤差項。

隨機森林（Random Forest，RF）回歸模型是一種基于決策樹原理的機器學(xué)習(xí)算法，一般采用不放回抽樣方法抽取多個樣本，并對每個樣本決策樹建模，然后將這些決策樹組合起來，通過投票得分規(guī)則獲得最終結(jié)果[16]。該模型可以使用平均純度增加指數(shù)來評估特征重要度。RF回歸模型使用Python sklearn包實現(xiàn)。根據(jù)OLS和RF僅能得到適用于全局的回歸結(jié)果，但很多因子對APW的影響往往隨地理位置變化，因此，進一步引入地理加權(quán)回歸，該方法在OLS基礎(chǔ)上將空間權(quán)重矩陣應(yīng)用于線性回歸模型，使參數(shù)估計值隨地理位置變化[17]。因變量在第i個位置的觀測值采用式（8）計算。

（8）

式中：y（i）是因變量在第i個位置的觀測值；β0是估計截距；βk（i）是第k個解釋變量在第i個位置的估計值；Xk（i）為第k個解釋變量在第i個位置的觀測

值；ε（i）是i={1，2，3，…，n}的隨機誤差項。

使用矩陣估計校準(zhǔn)地理加權(quán)回歸，獲得對應(yīng)位置的參數(shù)估計值[18]。參數(shù)估計的m×1矢量形式可以采用式（9）表示。

β（i）=[X'W（i）X]-1X'W（i）y（9）

式中：β（i）是參數(shù)估計的m×1矢量形式；X是所選解釋變量的n×m矩陣；W（i）是n×n空間權(quán)重矩陣；y是因變量的m×1矢量形式。

計算加權(quán)矩陣W（i）需要指定核函數(shù)和帶寬。地理加權(quán)回歸的檢驗采用F檢驗，通過修正的R2評價模型擬合優(yōu)度。本研究選取各省級行政單位地理坐標(biāo)，使用自適應(yīng)高斯核函數(shù)（Adaptive Gaussian）作為核函數(shù)，以AICC赤池信息準(zhǔn)則確定帶寬，利用GWR4軟件完成模型計算。

2 結(jié)果分析

2.1 中國農(nóng)業(yè)塑料廢棄物的時空分布特征

2000—2019年，不同省級行政單位的APW變化差異較為明顯。研究期內(nèi)，全國APW增加1 144 838.4 kg，

年均增長2.80%；全國APW基本呈現(xiàn)先增加后逐漸平穩(wěn)直至下降的趨勢，2008年和2012年絕大部分省級行政單位的增長或下降趨勢均不明顯，2015年是APW變化的拐點。2015年之前，APW總體以增長趨勢為主，天津市、海南省、寧夏回族自治區(qū)、青海省和西藏自治區(qū)個別年份增長率突破30%；2016—2019年，

各省APW增長率普遍下降，大多數(shù)省級行政單位出現(xiàn)負(fù)增長的現(xiàn)象，其中，天津市、上海市、北京市負(fù)增長情況較為明顯。

2000—2019年，APW呈現(xiàn)出明顯的區(qū)域差異性和區(qū)域聚集性，如圖1所示。傳統(tǒng)旱作農(nóng)業(yè)省級行政單位長期存在比較嚴(yán)重的污染問題，如山東省，其APW常年高于30萬kg。西部省級行政單位塑料污染情況則在2007年后逐漸凸顯，如新疆維吾爾自治區(qū)、甘肅省，其APW最大值分別突破28萬kg和20萬kg。

2000年、2005年、2010年、2015年、2019年APW的全局莫蘭指數(shù)I值分別為0.171、0.159、0.113、0.036、0.019，P值分別為0.038、0.036、0.163、0.540、0.643，表明2000—2005年全國各省級行政單位APW呈現(xiàn)聚集分布特征，而之后幾年全局自相關(guān)性逐漸減弱。按95%置信度探索局部空間相關(guān)性，2000年全國APW存在一個由河北省、山東省、河南省、安徽省、江蘇省組成的高值聚類區(qū)，同時存在一個低值聚類區(qū)（廣東?。?；2005年高值聚類區(qū)與2000年相同，但沒有低值聚類區(qū)；2010年以后，高值聚類區(qū)也逐漸縮小。

綜合APW的時空格局，結(jié)果發(fā)現(xiàn)，2000—2016年

全國各省級行政單位農(nóng)用塑料污染以山東省和新疆維吾爾自治區(qū)為增長極，呈現(xiàn)出明顯的擴張趨勢，并隨著塑料污染的擴張，其空間聚集性和區(qū)域差異性逐步減弱。其中，西部地區(qū)APW年均增長率要顯著高于其他地區(qū)；東部三個直轄市的APW均以負(fù)增長狀態(tài)為主。2016年后，APW的擴張得到遏制，同時大部分省級行政單位轉(zhuǎn)入負(fù)增長。

2.2 農(nóng)業(yè)塑料污染的影響因素分析

2.2.1 影響因素整體特征

OLS分析表明，共有8個因子指標(biāo)對APW有重要影響（調(diào)整的R2為0.682），其影響由大到小的排序為：第一產(chǎn)業(yè)增加值、農(nóng)業(yè)機械總動力、鄉(xiāng)村人口、糧食作物播種面積、平均累計日照、國內(nèi)專利申請受理量、平均累計降水、受災(zāi)面積，其中，糧食作物播種面積、平均累計日照、國內(nèi)專利申請受理量和平均累計降水顯著為負(fù)，其余4個顯著性指標(biāo)表現(xiàn)為正向作用。

仍以上述因素作為輸入因子，對2000—2019年全國APW進行RF回歸，并基于平均純度增加指數(shù)判斷影響因子的重要程度。結(jié)果發(fā)現(xiàn)，根據(jù)影響因子的重要性，其由大到小的排序是：農(nóng)業(yè)機械總動力、平均累計降水、糧食作物播種面積、第一產(chǎn)業(yè)增加值、平均累計日照、國內(nèi)專利申請受理量、鄉(xiāng)村人口、農(nóng)業(yè)單位平均工資、受災(zāi)面積，其中，農(nóng)業(yè)機械總動力平均純度增加指數(shù)顯著偏高。RF回歸的調(diào)整R2為0.930，較OLS提升較大。值得注意的是，農(nóng)業(yè)單位平均工資和受災(zāi)面積在OLS與RF中都表現(xiàn)出較低的影響力，農(nóng)業(yè)機械總動力則在二者中都較為重要。

2.2.2 影響因素局部特征

分階段回歸參數(shù)檢驗表明，相較于OLS，地理加權(quán)回歸展示出更好的擬合優(yōu)度。如表1所示，根據(jù)2000—2009年回歸因子指標(biāo)，研究初期的農(nóng)業(yè)機械總動力呈現(xiàn)顯著的正向影響，影響較大的區(qū)域集中在華東區(qū)域，內(nèi)蒙古自治區(qū)、山西省、河北省等地（95%置信度）不顯著；受災(zāi)面積影響顯著的區(qū)域集中在北方地區(qū)且為正向影響，但影響幅度相對較小，顯著區(qū)域內(nèi)的影響力差異不明顯；鄉(xiāng)村人口對APW的影響地域性較明顯，對華北與內(nèi)蒙古自治區(qū)的影響高于其他地區(qū)；平均累計降水的影響在東側(cè)與西側(cè)分別呈現(xiàn)正向與負(fù)向影響；平均累計日照的回歸結(jié)果與鄉(xiāng)村人口類似；第一產(chǎn)業(yè)增加值在大部分省級行政單位都顯著呈現(xiàn)正向影響，且北方影響幅度大于南方，華北影響幅度大于其他北方省級行政單位；國內(nèi)專利申請受理量對APW的影響在大部分省級行政單位不顯著，僅在寧夏回族自治區(qū)與內(nèi)蒙古自治區(qū)呈現(xiàn)正向影響；糧食作物播種面積在大部分省級行政單位的回歸系數(shù)為負(fù)值，在貴州省與廣西壯族自治區(qū)呈現(xiàn)負(fù)向影響；農(nóng)、林、牧、漁業(yè)城鎮(zhèn)單位人員平均工資僅在華北與內(nèi)蒙古自治區(qū)呈現(xiàn)顯著正向影響。

如表2所示，與2000—2009年回歸因子指標(biāo)相比，2010—2019年各影響因子系數(shù)的空間分布特征大體相同，但空間聚集特征明顯減弱。農(nóng)業(yè)機械總動力、鄉(xiāng)村人口、第一產(chǎn)業(yè)增加值對APW的影響幅度呈現(xiàn)出較為明顯的空間聚集性，但區(qū)域內(nèi)影響因子都是同向的；受災(zāi)面積對APW的影響幅度全局性明顯；糧食作物播種面積存在空間聚集性，區(qū)域內(nèi)影響因子對APW的影響效果也出現(xiàn)差異；國內(nèi)專利申請受理量的回歸結(jié)果僅在少數(shù)地區(qū)顯著；平均累計降水的回歸結(jié)果變化較大，正向影響全部消失，僅西部地區(qū)呈現(xiàn)負(fù)向影響；平均累計日照和農(nóng)、林、牧、漁業(yè)城鎮(zhèn)單位就業(yè)人員平均工資的顯著影響范圍有所擴大，分別在全國區(qū)域和西南、西部地區(qū)出現(xiàn)顯著正向影響。

3 討論

APW變化評估可為規(guī)劃農(nóng)業(yè)塑料污染的重點防控區(qū)域提供依據(jù)。華北各省級行政單位雖然近年來農(nóng)業(yè)塑料污染有減弱趨勢，但作為傳統(tǒng)農(nóng)業(yè)塑料污染嚴(yán)重區(qū)域，往往存在農(nóng)業(yè)塑料管控難、回收難的困境[19]，仍然需要重點推廣相關(guān)政策。新疆等西部省級行政單位APW增加顯著，應(yīng)在保證農(nóng)業(yè)穩(wěn)步發(fā)展的基礎(chǔ)上建立、健全農(nóng)業(yè)塑料回收體系，以有效降低農(nóng)業(yè)塑料污染程度[20]。本研究的綜合評價結(jié)果可用于分析農(nóng)業(yè)塑料污染影響因素的潛在特征，并為防治農(nóng)業(yè)塑料廢棄物污染提供歸因與決策參考。

從全國尺度看，農(nóng)業(yè)現(xiàn)代化水平、農(nóng)業(yè)發(fā)展水平、日照水平、人口規(guī)模、農(nóng)業(yè)收入水平和受災(zāi)面積因素都呈現(xiàn)正向影響，且整體影響力排序由大到小。因子水平較高的區(qū)域往往是農(nóng)業(yè)塑料污染防治的重點地區(qū)，這與已有研究認(rèn)識一致[19]。農(nóng)業(yè)現(xiàn)代化水平、人口規(guī)模和農(nóng)業(yè)發(fā)展水平的地理加權(quán)回歸結(jié)果仍呈現(xiàn)出明顯的空間異質(zhì)性。對農(nóng)業(yè)現(xiàn)代化水平而言，該區(qū)域農(nóng)業(yè)現(xiàn)代化對于農(nóng)業(yè)塑料污染的影響程度遠大于其他區(qū)域。就人口規(guī)模而言，研究前期（見表1）華北各省級行政單位的回歸系數(shù)較高；而研究后期（見表2）其高值區(qū)從華北平原轉(zhuǎn)移至寧夏回族自治區(qū)，這表示可能同時存在兩種影響：一是整體上農(nóng)村人口對農(nóng)業(yè)塑料污染有直接正向影響；二是農(nóng)村人口減少可以促進破碎化耕地的優(yōu)化，使農(nóng)業(yè)塑料大規(guī)模應(yīng)用成為可能[21]。此外，華北各省級行政單位在研究初期的農(nóng)業(yè)發(fā)展水平回歸系數(shù)（見表1）明顯高于其他省級行政單位，后期（見表2）高顯著性區(qū)域大幅減少，但新疆維吾爾自治區(qū)等西部地區(qū)的回歸系數(shù)出現(xiàn)明顯增長，這也說明其農(nóng)業(yè)塑料污染的大幅增加與近年來針對西部省級行政單位農(nóng)業(yè)發(fā)展的政策密切相關(guān)。

糧食種植面積僅在我國北方地區(qū)對農(nóng)業(yè)塑料污染情況存在正向影響，原因可能是使用地膜覆蓋可以提高水分利用效率[22]，但這種影響在水資源豐沛的南方地區(qū)不明顯。因此，北方地區(qū)可以通過合理配置作物種植結(jié)構(gòu)、調(diào)節(jié)作物總需水量來遏制農(nóng)業(yè)塑料污染。西部省級行政單位較高的降水和科技水平往往與較低的農(nóng)業(yè)塑料污染相對應(yīng)，但二者的顯著性關(guān)系尚未被充分解釋，需要進一步進行實證研究。

不同回歸方法比較發(fā)現(xiàn)，一些因子在全局與局部模型中的顯著性表現(xiàn)差異較大，如平均累計降水和受災(zāi)面積。這可能是由于空間異質(zhì)性干擾OLS與RF的回歸結(jié)果[23]。此外，RF與地理加權(quán)回歸對于一些因子的重要性評估也出現(xiàn)不同，這可能是由于地理加權(quán)回歸并不能完全規(guī)避局部多重共線性[24]或RF出現(xiàn)過擬合[25]。未來可以使用地理RF回歸[23]方法，以在避免局部多重共線性的前提下兼顧空間異質(zhì)性，同時通過調(diào)整算法的超參數(shù)避免RF的過擬合現(xiàn)象。本研究的數(shù)據(jù)可得性受限，在地理加權(quán)回歸過程中，為了保持樣本充足，分別開展2000—2009年、2010—2019年的兩階段回歸分析，這會對回歸結(jié)果的精度有一定影響。未來可以通過多尺度分析進一步細(xì)化各影響因子隨空間位置變化所產(chǎn)生的差異，從而更加因地制宜地總結(jié)出適合區(qū)域?qū)嶋H的綠色農(nóng)業(yè)發(fā)展之路。

4 結(jié)論

本文基于3種主要農(nóng)業(yè)塑料廢棄物，對2000—2019年APW時空變化特征展開評估，并從自然與社會經(jīng)濟兩方面選取9個指標(biāo)，綜合采用OSL、RF與地理加權(quán)等3種回歸模型，從整體、局部兩個尺度對農(nóng)業(yè)塑料廢棄物變化進行歸因分析。2000—2015年，全國各省級行政單位農(nóng)業(yè)塑料污染以山東省和新疆維吾爾自治區(qū)為增長極，呈現(xiàn)明顯擴張趨勢，隨著塑料污染的擴張，其空間聚集性和區(qū)域差異性逐步減弱。2015年后，農(nóng)業(yè)塑料污染的擴張得到遏制，大部分省級行政單位轉(zhuǎn)入負(fù)增長。

OLS模型能揭示農(nóng)業(yè)塑料污染影響因子的總體平均特征，RF回歸可以較好避免多重共線性的干擾，地理加權(quán)回歸模型在避免空間關(guān)系的非平穩(wěn)性對回歸結(jié)果造成干擾的同時展現(xiàn)回歸系數(shù)的局部特征。地理加權(quán)回歸和RF的擬合精度都高于OLS，證明農(nóng)業(yè)塑料污染與影響因素同時存在空間不穩(wěn)定性與多重共線性的干擾。根據(jù)APW影響因子的重要性，其由大到小的排序是農(nóng)業(yè)機械總動力、平均累計降水、糧食作物播種面積、第一產(chǎn)業(yè)增加值、平均累計日照、國內(nèi)專利申請受理量、鄉(xiāng)村人口、農(nóng)業(yè)單位平均工資、受災(zāi)面積。農(nóng)業(yè)單位平均工資和受災(zāi)面積在OLS與RF中都展現(xiàn)出較低的影響力，農(nóng)業(yè)機械總動力則在二者中都較為重要。APW各影響因子系數(shù)的時空分布特征大體相同，但空間聚集特征明顯減弱。大部分影響因子以正向影響為主，農(nóng)業(yè)機械總動力影響較大的區(qū)域集中在華東區(qū)域；受災(zāi)面積在顯著區(qū)域內(nèi)的影響力差異并不明顯；鄉(xiāng)村人口在華北與內(nèi)蒙古自治區(qū)的影響顯著高于其他地區(qū)；第一產(chǎn)業(yè)增加值在北方的影響幅度大于南方，華北影響幅度大于其他北方省級行政單位；平均累計降水的回歸結(jié)果變化較大，研究初期僅在西部地區(qū)呈現(xiàn)負(fù)向影響；平均累計日照和農(nóng)、林、牧、漁業(yè)城鎮(zhèn)單位就業(yè)人員平均工資的顯著影響范圍有所擴大，分別在全國和西南、西部地區(qū)出現(xiàn)顯著的正向影響。國內(nèi)專利申請受理量的回歸結(jié)果僅在少數(shù)地區(qū)顯著；糧食作物播種面積存在空間聚集性，區(qū)域內(nèi)影響因子對APW的影響效果也出現(xiàn)

差異。

參考文獻

1 ESPI E，SALMERON A，F(xiàn)ONTECHA A，et al.

PLastic films for agricultural applications[J].Journal of Plastic Film amp; Sheeting，2006（2）：85-102.

2 BRIASSOULIS D，BABOU E，HISKAKIS M，et al.

Review，mapping and analysis of the agricultural plastic waste generation and consolidation in Europe[J].Waste Management amp; Research，2013（31）：

1262-1278.

3 陳奇恩.中國塑料薄膜覆蓋農(nóng)業(yè)[J].中國工程科學(xué)，2002（4）：12-15.

4 STEVENS E S.Green plastics：an introduction to the new science of biodegradable plastics[M].Princeton：Princeton University Press，2002：35-36.

5 梁榮慶，陳學(xué)庚，張炳成，等.新疆棉田殘膜回收方式及資源化再利用現(xiàn)狀問題與對策[J].農(nóng)業(yè)工程學(xué)報，2019（16）：1-13.

6 HISKAKIS M，BRIASSOULIS D，BABOU E，et al.

Agricultural plastic waste mapping in greece[J].Acta Horticulturae，2008，801：351-358.

7 BLANCO I，LOISI R V，SICA C，et al.Agricultural plastic waste mapping using GIS：a case study in italy[J].Resources，Conservation and Recycling，2018（10）：229-242.

8 焦 翔.我國農(nóng)業(yè)綠色發(fā)展現(xiàn)狀、問題及對策[J].農(nóng)業(yè)經(jīng)濟，2019（7）：3-5.

9 ZHOU B Y，WANG J Q，ZHANG H B，et al.

Microplastics in agricultural soils on the coastal plain of Hangzhou Bay，east China：multiple sources other than plastic mulching film[J].Journal of Hazardous Materials，2020，388：121814.

10 HUANG Y，LIU Q，JIA W Q，et al.Agricultural plastic mulching as a source of microplastics in the terrestrial environment[J].Environmental Pollution，2020（5）：1-6.

11 PENG G，ZHU B，YANG D，et al.Microplastics in sediments of the Changjiang Estuary，China[J].Environmental Pollution，2017，225：283-290.

12 DAI W，HUANG H，HUANG W，et al.Features of spatiotemporal differentiation of landscape ecological security in island ecologically fragile zones in Haitan Island[J].Ecological Science，2017（36）：

152-159.

13 ANSELIN L.Local indicators of spatial association：LISA[J].Geographical Analysis，1995（2）：

93-115.

14 BESAG J，DIGGLE P J.Simple monte carlo tests for spatial pattern[J].Journal of the Royal Statistical Society Series C（Applied Statistics），1977（3）：327-333.

15 BRUNSDON C，F(xiàn)OTHERINGHAM A S，CHARLTON M E.Geographically weighted regression：a method for exploring spatial nonstationarity[J].Geographical Analysis，1996（4）：281-298.

16 BREIMAN L.Random forests[J].Machine Learning，2001（1）：5-32.

17 FOTHERINGHAM A S，BRUNSDON C，CHARLTON M.Geographically weighted regression：the analysis of spatially varying relationships[M].New York：John Wiley amp; Sons，2003：18-19.

18 FOTHERINGHAM A S，OSHAN T M.Geographically weighted regression and multicollinearity：dispelling the myth[J].Journal of Geographical Systems，2016（18）：303-329.

19 嚴(yán)昌榮，劉恩科，舒 帆，等.我國地膜覆蓋和殘留污染特點與防控技術(shù)[J].農(nóng)業(yè)資源與環(huán)境學(xué)報，2014（2）：95-102.

20 LIU E，HE W，YAN C.White revolution to white pollution：agricultural plastic film mulch in China[J].Environmental Research Letters，2014（9）：91001.

21 WU Y，XI X，TANG X，et al.Policy distortions，farm size，and the overuse of agricultural chemicals in China[J].Proceedings of the National Academy of Sciences，2018（27）：7010-7015.

22 GAO H，YAN C，LIU Q，et al.Effects of plastic mulching and plastic residue on agricultural production：a meta-analysis[J].Science of the Total Environment，2019，651：484-492.

23 GEORGANOS S，GRIPPA T，GADIAGA A N，et al.

Geographical random forests：a spatial extension of the random forest algorithm to address spatial heterogeneity in remote sensing and population modelling[J].Geocarto International，2021（2）：121-136.

24 OSHAN T M，SMITH J P，F(xiàn)OTHERINGHAM A S.Targeting the spatial context of obesity determinants via multiscale geographically weighted regression[J].International Journal of Health Geographics，2020（1）：1-17.

25 SEGAL M R.Machine learning benchmarks and random forest regression[J].Center for Bioinformatics amp; Molecular，2004（4）：1-14.