通过可解释的机器学习方法揭示贸易驱动的红树林丧失的驱动因素

《Resources, Conservation and Recycling》：Uncovering the driving factors of trade-driven mangrove loss through interpretable machine learning

理解国际贸易驱动的红树林损失机制及其时空异质性，本研究运用机器学习方法量化2000-2016年全球红树林位移的贸易流向，揭示农业附加值、人口规模、工业GDP占比和保护地覆盖率等关键驱动因素。通过构建四象限分类模型，发现中国、马来西亚等 country 存在显著的进出口极化现象，而欧盟国家通过政策干预呈现均衡化趋势。研究证实机器学习能有效捕捉非线性关系和变量交互作用，为"大半地球"保护战略提供实证支持。

　　

Mimi Gong|叶丽|Elizabeth J. Golebie|冉茂芳|沈曲

中国北京师范大学卫星应用高级跨学科研究所

摘要

了解红树林损失的驱动因素非常复杂，因为一个国家的损失可能是由于另一个国家的经济活动通过国际贸易造成的。此外，人类活动如何在不同国家之间转移红树林压力这一过程仍知之甚少。在这项研究中，我们量化了国际贸易中红树林损失的时间趋势，并通过机器学习技术识别出主要的驱动因素。

我们发现，包括中国和马来西亚在内的国家在2000年至2016年间越来越多地进口或出口红树林损失，导致全球红树林资源压力分布两极分化。主要驱动因素包括农业附加值、人口规模、工业占GDP的比例以及保护区覆盖率。

此外，解释性机器学习有助于决策者揭示非线性和相互作用的关系，以制定政策建议。例如，保护区百分比呈现出倒U形关系：在9%到54%的范围内，它与贸易驱动的损失呈正相关，尤其是在资本形成率较高的国家。这些发现反映了保护悖论，并为支持“半个地球”战略提供了前沿研究，即大规模保护区可以促进红树林的可持续性。

引言

作为高效的蓝色碳生态系统，红树林通过生物多样性保护、海岸防护、径流调节和生态旅游为缓解全球气候变化和支持当地福利提供了关键服务（Choi等人，无日期；Macreadie等人，2021年；Xu等人，2024年）。尽管最近的保护工作减缓了全球红树林的损失，但在2000年至2016年间，红树林仍以平均每年0.13%的速度减少，且地区间存在显著差异（Macreadie等人，2021年；Richards等人，2020年；Su等人，2021年）。越来越多的证据表明，国际贸易是红树林砍伐的重要驱动因素，导致更广泛的生态系统退化（Va?ká?ová等人，2023年）。

红树林的损失越来越多地受到全球贸易和国际市场需求的驱动，而非当地压力（Chen等人，2023年；Dou等人，2018年）。在商品、服务、资本和人员全球流动加剧的时代（Va?ká?ová等人，2023年），一个地区的消费往往会导致遥远地区的生态退化（Chang等人，2016年），这引发了重要的公平问题。红树林生态系统主要集中在发展中国家——尤其是在东南亚，全球80%的人为红树林损失集中在六个国家（Choi等人，无日期）。然而，造成这种损失的商品的主要消费国并不是拥有红树林的国家，而是通常位于遥远地区的国家。例如，欧洲对食品和化妆品中棕榈油的需求极大地促进了马来西亚和印度尼西亚的红树林砍伐，这些地区的森林被转化为油棕种植园（Cotta等人，2022年；Pacheco等人，2017年）。为了解决这些空间不对称问题，区分贸易驱动的红树林损失中的消费者和生产者至关重要。Qu等人（2025年）提出了“红树林损失足迹”概念，将红树林损失的责任分配给最终消费者，将地面的红树林损失与跨境贸易驱动的红树林损失联系起来。

虽然“红树林损失足迹”提供了有用的见解，但由于红树林生态系统的复杂性，贸易驱动的红树林损失背后的社会经济因素及其时间演变仍不甚清楚。红树林具有直接的经济价值（例如木材），如果不将其转化为水产养殖或农业，则会产生成本。此外，它们还提供了重要的保护效益——如碳封存、海岸防护和生物多样性支持，这促使了环境保护政策和投资的实施。然而，这些保护努力可能会加剧土地竞争，并将生产需求转移到其他国家。贸易驱动的红树林损失受到直接和间接驱动因素的影响，通过动态相互作用和反馈循环形成（Bryan-Brown等人，2020年；Ponmani等人，2024年）。这些驱动因素往往难以检测，且是非线性的和依赖于具体情境的，从而导致社会和环境结果的强化或抵消（Queiroz等人，2013年）。因此，红树林损失的驱动因素可能发生在全球供应链的任何环节，甚至在远离生态系统本身的国家（Lagomasino等人，2019年）。这种复杂性使得隔离特定机制变得具有挑战性，因为它们受到异质性区域、经济和治理动态的影响。

研究使用了多种分析方法来探讨全球红树林损失的驱动因素（Bruckner等人，2015年；Dai等人，2025年；Goldberg等人，无日期；Hagger等人，2022年）。Barbier和Cox（2003年）应用跨国分析探讨了经济发展与红树林砍伐之间的联系（Meyfroidt等人，2013年），而Turschwell等人（2020年）使用多尺度估计评估了全球对红树林的压力（Meyfroidt等人，2018年）。Bhowmik等人（2022年）通过系统回顾识别了水产养殖、农业和城市化等相互作用的社会生态因素（Meyfroidt等人，2020年）。Howard等人（2022年）进一步记录了人类活动对红树林生态系统及其服务的影响（le Polain de Waroux等人，2016年）。然而，这些研究大多忽略了国际贸易作为跨界红树林资源转移和退化的独特驱动因素。

在方法论上，以往的研究主要依赖于文献的元分析（Lenzen等人，2012年）和传统的统计方法，如线性回归模型（Malik等人，2024年；Meyfroidt等人，2013年；Wiebe和Wilcove，2025年）；然而，这些方法存在关键局限性：它们难以量化消费的跨界溢出效应，无法捕捉非线性关系，也无法充分表示多个驱动因素之间的相互作用。它们还容易受到多重共线性的影响（Zhao等人，2022年），通常解释能力较低（例如R2值低），并且可能在不同数据集或方法之间产生不一致的结果。相比之下，可解释的机器学习（XML）技术通过建模复杂非线性关系（Alomari和Andó，2024年；Kan等人，2025年）、揭示变量相互作用（Richards和Friess，2016年）以及实现详细的样本级分析（Takefuji，2025年；Xiong等人，2024年）来克服这些缺点，从而更深入地了解贸易驱动的红树林损失机制。

因此，我们的研究旨在应用机器学习技术来理解贸易驱动的红树林损失的时间趋势及其背后的社会经济机制。我们探讨了四个关键研究问题：（1）如何根据贸易驱动的红树林损失的空间-时间模式对国家进行分类，以揭示两极分化与均衡趋势？（2）贸易中体现的全球红树林砍伐的驱动因素是什么，它们如何塑造跨区域生态压力？（3）机器学习如何通过捕捉非线性和变量相互作用来提高红树林损失足迹的预测能力？（4）这些驱动因素在两极分化和均衡国家之间有何差异，可以得出哪些具体见解？

为了解决这些问题，我们首先根据贸易驱动的红树林损失的时间趋势将国家分为四个象限。然后，我们使用机器学习模型结合一系列社会经济指标来预测红树林损失足迹，并通过比较分析选择每个国家-时期的最佳模型。表现最好的模型用于进一步解释：Shapley值揭示了主要驱动因素，而条件期望（ICE）和部分依赖图（PDPs）揭示了非线性效应。我们还追踪了保护区覆盖率与红树林损失之间的轨迹，并使用热图和瀑布图来可视化特定国家的贸易相关损失模式及其主要驱动因素。

部分摘录

大多数国家，包括非洲、拉丁美洲以及南亚和东亚，在过度使用全球红树林资源方面表现出两极分化的趋势

根据为全球需求外包的红树林损失的时间平均值及其时间趋势，159个国家被分为四个象限（图2(a)）。这两个象限代表了两极分化的趋势：第一象限代表净出口国，其出口趋势随时间增加（例如马来西亚），而第三象限代表净进口国，其进口趋势随时间增加（例如中国）。这种分布反映了

贸易驱动的全球红树林损失足迹模式和责任

各国在红树林资源分配方面表现出不同的轨迹，有些国家充当“红树林损失提取者”，而有些国家则成为“红树林损失缓解者”。西欧国家，包括欧盟成员国，在我们的分析中体现了这种“均衡趋势”，从2000年到2016年，进口的红树林损失逐渐减少。这一有利趋势可以归因于这一时期的早期政策干预。例如，他们逐渐

方法

为了回答上述研究问题，该方法包括三个主要部分。第一部分基于红树林损失足迹分析均衡和两极分化的趋势。第二部分应用机器学习技术识别红树林损失足迹及其趋势的驱动因素。第三部分使用多种工具解释结果。

支持信息

支持正文的表格和图表。

CRediT作者贡献声明

Mimi Gong：撰写——审阅与编辑，撰写——初稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，正式分析，数据管理，概念化。叶丽：撰写——审阅与编辑，可视化，验证，软件，资源，方法论。Elizabeth J. Golebie：撰写——审阅与编辑，可视化，验证，监督，项目管理，调查，正式分析。冉茂芳

利益冲突声明

作者声明没有利益冲突。

致谢

Mimi Gong感谢中央高校基本科研业务费和中国区域与国家自然科学基金联合基金（U25A20769）的支持。沈曲感谢中国国家杰出青年科学基金（52425005）和中国国家自然科学基金一般项目（52370189）的支持。