《Frontiers in Sustainable Food Systems》：Optimization and driving mechanisms of agricultural resilience measurement based on XGBoost-SHAP model: Evidence from China
编辑推荐：
本文创新性地构建了融合XGBoost机器学习与SHAP可解释性人工智能的分析框架，系统测度了2000–2022年中国31省农业产业韧性（RCAI）的时空演变规律，发现农业固定资产投资（IAFA）以30.6%的贡献度成为核心驱动因子，并揭示了农村消费支出（PCCE）、交通基础设施（TIL）等关键变量的非线性阈值效应，为破解高维数据下的韧性机制"黑箱"提供了方法论突破。
引言：农业系统面临日益交织的外部风险，强化中国农业产业韧性（RCAI）已成为保障国家粮食安全与农业可持续性的战略重点。现有研究多从单一维度构建韧性指标，采用熵权法或TOPSIS等线性加权方法进行测度，难以处理高维数据中的复杂非线性关系。本研究通过引入可解释机器学习框架（XGBoost-SHAP），旨在优化RCAI测度体系并揭示其深层驱动机制。
文献综述：农业韧性研究历经从脆弱性分析到系统适应能力评估的范式转变。主流测度方法包括核心变量法、综合指数法和系统风险法，但均存在对非线性响应和微观主体行为刻画不足的局限。随着人工智能发展，随机森林、支持向量机（SVM）等算法已应用于生态韧性评估，但模型"黑箱"问题制约了机制解释。XGBoost模型通过梯度提升和正则化技术，特别适合处理"小样本高维特征"的农业数据，而SHAP值算法能有效量化特征贡献度，为韧性研究提供新范式。
模型方法与韧性测度：研究构建包含抵抗力、适应力和创新力3个维度16项指标的RCAI评价体系，采用熵权-变异系数组合加权法计算初始指数。结果显示：2000–2022年中国农业产业韧性呈持续上升趋势，空间上呈现"东部高西部低"的分布格局，创新力维度增长最为显著。通过对比8种机器学习模型，XGBoost在决定系数（R2=0.9239）、均方根误差（RMSE=0.002）等指标上表现最优，其预测结果有效修正了传统方法对异常值（如2008年四川震后数据）的敏感性，生成更稳健的优化RCAI。
实证分析：SHAP特征重要性分析表明，农业固定资产投资（IAFA）贡献度达30.6%，是影响RCAI的核心要素。农村居民消费支出（PCCE）和收入（PCIR）分别贡献14.3%和10.4%，土地生产率（GOGA）占10.2%。依赖图进一步揭示非线性机制：IAFA在475.20阈值以下边际效益微弱，超过后则通过基础设施升级引发韧性跃升；PCCE和PCIR分别需突破5653.60和5944.06元阈值才能激活农户适应能力；交通基础设施（TIL）在指数达到11.94后产生网络效应，显著提升资源调配效率。
稳健性检验：通过替换熵权-TOPSIS/VIKOR指数构建方法（R2>0.93）及特征筛选（R2=0.9553）验证结论可靠性，表明模型对方法论变化具有强适应性。
结论与政策启示：研究证实XGBoost-SHAP框架能有效捕捉RCAI与驱动因子的复杂相互作用。政策制定应注重：实施差异化区域策略，东部侧重技术创新与结构升级，西部强化生态适应能力；确保农业投资跨越临界规模以触发系统韧性跃迁；通过收入多元化与金融支持突破农户流动性约束阈值，构建长效机制。该框架为高维社会经济系统的机制诊断提供了可推广的分析范式。
