2010—2020年我国森林火灾时空分布及影响因素分析

2022-11-12王亚男王洪庆何永明

山东林业科技 2022年5期

王亚男，王洪庆，何永明

（中国消防救援学院基础部，北京 102202）

森林火灾作为一种突发性强、破坏性大、救援困难的自然灾害[1-3]，对当地林业资源、民众生活和经济发展造成恶劣影响[4]。我国作为森林资源大国，尤其近年来随着造林面积的不断扩大，各地在森林火灾防控方面的挑战愈加严峻。基于现有统计数据，把握我国森林火灾的时空分布特征和基本规律，探究影响森林火灾发生的主要因子，对于推进我国森林防灭火工作的顺利开展具有重要的参考价值和现实意义[5-6]。

目前，学界针对森林火灾的时空分布问题展开了大量研究。一方面，部分学者从年际变化角度着重探讨我国森林火灾的发生规律，如苏丽娟等[7]采用趋势图、单因素方差分析等方法，统计分析了1950—2010年的我国省域森林火灾，得出火灾发生次数在一定程度上与当年的气象因素有关；黄嘉文等[8]利用函数型数据分析方法对1998—2017年我国南北方地区的森林火灾数据进行函数曲线拟合，得出南方地区整体火灾形势较北方严峻；曾雪艳等[9]采用平均数、中位数并结合趋势图方法对2003—2018年我国省域森林火灾数据展开统计分析，认为以平均数来反映森林火灾风险存在一定的评估偏差。另一方面，部分学者着重选取某一个地理单元作为研究对象，对该地区一段时间内的森林火灾发生情况展开分析研究。如张恒等[10]研究了2003—2016年我国华北地区森林火灾的时空分布情况，得出内蒙古自治区和河北省是华北森林火灾的集中区；贾斌英[11]对我国东北地区2010—2019年的森林火灾展开统计分析，得出东北地区的森林火灾分布较为分散；白世红等[12]采用柱形图、折线图等方法研究了2002—2015年山东省森林火灾的时空分布。此外，还有少量学者探讨了森林火灾的影响因素，如陶玉柱等[13]从理论上选取火源因子、环境因子对森林火灾的影响展开分析。

现有文献为本文研究的开展奠定了重要基础，但以全国省域为样本展开的研究，对各省份森林火灾发生规律的把握还有待进一步完善；同时，针对我国森林火灾影响因素的研究文献较少，或仅基于定性分析，尚缺乏一定的定量研究与检验，因而不能科学地明确各因素的具体作用。鉴于此，本文基于我国31 个省区市（不含港澳台地区）2010—2020年的权威统计数据，首先采用描述性统计分析法从时间维度和类型演化方面对各地区的森林火灾展开统计分析，而后采用探索性空间数据分析法从空间维度进行系统研究。进一步地通过构建空间面板数据模型，检验影响我国森林火灾发生的主要因子。以期更好地把握考察期内我国森林火灾的时空演化规律和影响因素，从而为应急管理部门相关政策的制定提供理论参考。

1 数据收集

文中所研究的森林火灾数据包括2010—2020年我国31 个省市区（不含港澳台地区）的火灾数据，数据主要来源于2011-2021年《中国林业统计年鉴》和《中国统计年鉴》，并经作者整理。

2 我国森林火灾发生现状

2.1 森林火灾时间演化特征

2010—2020年的11年间，我国共计发生森林火灾39040 次。其中，2010年发生森林火灾总次数为7723 次，随后呈现波动下降趋势。2020年，降至1153 次，相较2010年下降85.07%。具体如图1所示。

图1 2010—2020年我国森林火灾总次数变化趋势Figure 1 Change trend of total number of forest fires in China from 2010 to 2020

具体来看，2010—2020年，森林火灾发生总次数超过400 起的省份包括河北、内蒙古、辽宁、吉林、黑龙江、浙江、安徽、福建、河南、湖北、湖南、广东、广西、海南、四川、贵州、云南、陕西等18 个省区。与2010年相比，大部分省区的森林火灾次数呈现下降趋势。其中，尤其以安徽、河南、湖北、湖南、贵州、云南六省份的降幅最为明显。然而，与2010年相比，11年间广东、黑龙江的森林火灾发生次数却呈现明显的增加趋势。详见表1。

表1 2010—2020年森林火灾总次数超过400 起的省份Table 1 Provinces with more than 400 forest fires in 2010—2020

从火场总面积和受害森林面积的变化趋势看。2010年，全国火场总面积为116243 hm2，受害森林面积为45761 hm2。随后，二者均呈现波动下降态势。2020年，全国火场总面积降至25081 hm2，受害森林面积降至8526 hm2，如图2所示。

图2 2010—2020年火场总面积和受害森林面积变化趋势图Figure 2 Change trend of total fire area and damaged forest area from 2010 to 2020

具体来看，11年间，全国多数省域在火场总面积和受害森林面积这两个指标上呈现下降趋势，仅有北京、山西、山东、海南和西藏的火场总面积在波动扩大，并且山西、吉林、山东、海南和西藏等地区的受害森林面积也呈明显的增大趋势。详见表2。

综合表1和表2可知，2010年—2020年，尽管一些地区的森林火灾发生次数出现了较大幅度下降，但因森林火灾造成的火场总面积及受害森林面积却并未得到相应减少。

表2 2010—2020年火场总面积与受害森林面积增加的省市区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 森林火灾类型变化情况

按照2009年新修订的《森林防火条例》，根据受害森林面积和伤亡情况的不同，森林火灾类型被划分为一般火灾、较大火灾、重大火灾和特大火灾[14]。2010—2020年的11年间，31 个省市区共计发生一般火灾23721 次，较大火灾15245次，重大火灾63 次，特大火灾8 次，但相较2010年，2020年均呈现了明显下降趋势。其中，一般火灾由2010年的4795次降至2020年的722 次，较大火灾由2902 次降至2020年的424 次，重大火灾由22 次降至7 次，特大火灾由4 次降至0 次。可见，11年间，我国各地区各类型火灾的发生次数均呈现了较大降幅。

具体来看。与2010年相比，2020年一般火灾发生次数增长的省市有北京、黑龙江、广东和宁夏，而其余省份均出现了不同幅度的下降，下降最为明显的省份包括贵州、湖南、云南、河南、安徽、江苏等。考察期内，重大火灾和特大火灾主要集中于内蒙古和四川两地。

2.3 森林火灾空间分布特征

以森林火灾总次数作为主要评价指标，首先利用ArcGIS 软件绘制空间分布图以直观展示我国省域森林火灾的空间分布特征。

图4（图a—图c）分别显示了2010年、2015年和2020年我国森林火灾的空间分布情况。2010年，森林火灾分布密集的省区以贵州最为突出，同时涵盖湖南、湖北、广西、河南、云南一带，这些省区的森林火灾发生次数均超过了500 起。2015年，这一格局发生明显变化，森林火灾分布密集的省区变为广西和广东，其中广西全年森林火灾次数为949 起，成为全国范围内发生森林火灾最多的地区。2020年，广西仍是我国森林火灾发生次数最多的地区，其次是广东和四川，这些地区的森林火灾次数均超过了100 起，远远高于国内其他省区。

图3 2010—2020年一般火灾和较大火灾发生总次数变化情况Figure 3 Changes in the total number of general fires and major fires from 2010 to 2020

图4 2010、2015 和2020年我国省域森林火灾空间分布图Figure 4 Spatial distribution map of provincial forest fires in China in 2010,2015 and 2020

总体来看，我国森林火灾呈现“北方少，南方多且集中”“东部地区多于西部地区”的空间分布特征。

进一步地为明确我国省域森林火灾发生的空间相关程度，本文采用探索性空间数据分析法展开研究。根据地理学第一定律：空间关联性是普遍存在的，且这种关联性随着空间距离的缩小而不断增强[15]。探索性空间数据分析（Exploratory Spatial Data Analysis,ESDA）是以数据为基础，实现对客观事物空间分布相关性问题的客观探索[16],主要包括全局空间自相关分析（全局Moran' s I）和局部空间自相关分析（局部Moran' s I）。其中，全局Moran' s I 用于反映空间位置邻近的地区间属性值的相似性，常被用于考察研究样本间的总体空间关联和差异程度[17]。全局Moran' s I 的计算公式为：

式中，n 为样本总量，Zi为各省份的森林火灾发生次数，为各省份森林火灾次数的均值，为各省份森林火灾次数的方差，wij为空间权重向量。Moran' s I 的取值范围介于-1 到1 之间。若取值为正数，则表明所考察的2 个区域为正自相关，即省域间森林火灾的发生呈现“较高省份与较高省份相邻，较低省份与较低省份相邻”的分布特点；若取值为负值，则表明所考察的两个区域为负自相关，即省域间森林火灾的发生呈现“较高省份与较低省份相邻”的分布特点。当Moran' s I 值为0 时，则表明各省域间森林火灾的发生不存在空间自相关性。

同时，在空间权重矩阵的选择上，本文采用空间邻接矩阵以反映各地区间的空间权重，即若两个省份地理位置相邻，则赋值为1；反之如果不相邻，则赋值为0。由此，通过全局Moran' s I 指数的计算得到结果，如表3所示。可以发现，2010—2020年间的多数年份我国森林火灾的Moran' s I 指数显著为正，表明多数年份我国省域森林火灾分布存在显著的空间自相关性。这意味着我国省域森林火灾的发生在地理空间上呈现集聚状态。而从时间来看，11年间Moran' s I 指数值从2010年的0.310 下降到2020年的0.168，表明我国森林火灾的空间集聚趋势在波动下降。

表3 2010—2020年我国森林火灾的全局Moran' s I指数Table 3 Global Moran’s I index of forest fires in China from 2010 to 2020

全局Moran' s I 指数从总体上刻画了我国森林火灾的空间相关特征，但无法显示出各省市区森林火灾的空间布局。而局部Moran' s I 可以反映单个区域单元与周边地区间同一属性值的相似性[17]，以验证单个区域单元存在的空间异质特征，从而发现全局Moran' s I 不能反映的“非典型”情况[18-19]。为此，本文进一步采用Moran' s I 散点图以直观展示各地区与邻近地区的空间相关特征，具体如图5所示。

其中，各图中第一象限（H-H）表示森林火灾发生次数多的地区被其他森林火灾发生次数多的地区所包围，即森林火灾发生次数较多的地区之间在地理空间上呈集聚状态；第二象限（L-H）表示森林火灾发生次数少的地区被森林火灾发生次数多的地区所包围，即森林火灾发生次数差异较大的省域在地理空间上呈现夹杂分布；第三象限（L-L）表示森林火灾发生次数少的地区被其他森林火灾发生次数少的地区所包围，即森林火灾发生次数少的地区之间在地理空间上形成集聚现象；第四象限（H-L）表示森林火灾发生次数较多的地区被森林火灾发生次数少的地区所包围。散落在第一、第三象限内省市区的森林火灾发生次数表现为正的空间自相关性，而散落在第二、第四象限内省市区的森林火灾发生次数表现为负的空间自相关性。

由图5可知，2010年、2015年和2020年，我国大部分省份位于第一和第三象限，分别占到样本总数的80.64%、80.64%和67.74%。可见，我国大部分省份森林火灾的发生呈现一定的“高-高”集聚和“低-低”集聚特征，即森林火灾发生次数多（少）的地区在空间上趋向于与森林火灾发生次数多（少）的地区相邻近。

图5 2010年、2015年和2020年我国森林火灾的局部Moran' s I 散点图1 因文章篇幅所限，在此仅选取了2010、2015 和2020年的数据进行分析。Figure 5 Local Moran’s I scatter diagram of forest fires in China in 2010,2015 and 2020

3 我国森林火灾影响因素分析

3.1 模型设定

根据灾害学理论，致灾因子、孕灾环境和承灾体的共同作用导致了灾害的发生。在森林火灾研究中，致灾因子指影响森林火灾发生的直接因素，在此选取“年降水量”（wat）、“年均气温”（tem）作为解释变量予以表征；孕灾环境指各地区发生森林火灾的基础条件，通常指可燃物等，在此选取“森林蓄积量”（se）进行表征；承灾体指森林火灾发生地区的经济、社会等条件，在此选取“人均GDP”（GDP）、“林业站年投资额”（inv）、“护林员总人数”（peo）以及“林业站年投资额”与“护林员总人数”的交互项作为解释变量进行表征。同时，考虑我国森林火灾的发生存在一定的空间相关性，在估计方法的选用上，本文借鉴Elhorst 等（2016）[20]的做法，采用极大似然回归法（ML）进行分析。以各省市区森林火灾次数（hz）作为被解释变量，同时，为了避免解释变量中的奇异值以及数据残差的非正态分布和异方差问题的出现，本文将所有解释变量进行对数化处理。

考虑空间杜宾模型（SDM）是空间滞后模型和空间误差模型的组合扩展形式，具有良好的适用性，因此本文设定空间杜宾模型如下：

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

根据数据的可得性，本文选定我国31 个省市区2010—2020年共11年的数据展开回归分析。上式中，hz代表各省市区在当年发生的森林火灾总次数。解释变量中，GDP 为人均GDP，用来衡量当地的经济发达程度和人均福利水平。wat 为各地在各年份的年降水情况，用来表征降水对森林火灾的影响。tem 为各地在各年份的气温情况，用来表征当地的温度条件。se 为森林蓄积量，用来代表可燃物情况。inv 为乡村林业站年投资完成额，peo 为乡村护林员总人数，二者用以表示林业站的建设管理和运营情况。同时引入“林业站年投资额”与“护林员总人数”的交互项，若其系数为正，则表明二者具有互补性，即林业站的实际投资与护林员人数增加的共同作用，有利于减少森林火灾的发生；若其系数为负，则表明二者是相互替代的。ρ 为空间自相关系数，W 为空间权重矩阵，εit为随机误差项，包含所有遗漏变量。各变量的描述统计情况见表4。

表4 变量统计描述Table 4 Variable statistical description

由于变量“森林火灾次数”出现了0 值，在此，为提高数据回归结果的准确性与可读性，本文采用标准差标准化法对“森林火灾次数”进行标准化处理，而后再进行回归估计。

3.2 回归结果分析

首先对空间杜宾模型分别进行随机效应和固定效应回归，然后通过豪斯曼检验确定模型的具体类型。经检验，豪斯曼统计量为0.32，因此拒绝原假设，空间杜宾模型应选用固定效应进行分析。进一步地，依次采用时间固定效应、空间固定效应以及双固定效应模型展开检验，最终回归的结果如下表5所示。

表5显示，在1%的显著性水平下，3 个模型的空间自回归系数ρ 均通过检验，表明总体上我国省域森林火灾的发生存在明显的空间相关特征，这与全局Moran' s I 的检验结果一致。并且ρ 的值为正，也在一定程度上说明各地区森林火灾的发生存在一定的 “局部俱乐部集团”效应，即如果某一个省份的森林火灾发生较多，那么其邻近省份森林火灾的发生也会多；反之，如果某一个省份的森林火灾发生较少，那么其邻近省份森林火灾的发生也会少。这一结果与局部Moran' s I 散点图的结果相符合。对比3 个模型的回归结果，发现双固定效应模型估计结果在模型拟合优度以及似然比值上均显著优于其他2 个模型，因此，以下基于空间杜宾模型的双固定效应模型重点分析各个解释变量与森林火灾之间的关系。

表5 空间杜宾模型回归结果Table 5 Regression results of spatial panel data model

对于解释变量“年降水量” 和 “年均气温”，二者在回归方程中一负一正；解释变量“森林蓄积量”的回归系数亦为正，这与实际情况基本相符。表明在其他条件不变的情况下，年降水量的增多会在一定程度上降低森林火灾的发生；而年均气温的升高和森林蓄积量的增大则会在一定程度上加剧森林火灾的发生。但就单因素而言，其作用均不显著。

解释变量“人均GDP”在回归方程中系数为负且显著。具体来看，在其他因素不变的情况下，人均GDP每提高1%，森林火灾将降低0.021 个单位的标准差。表明一个地区的经济发达程度在很大程度上影响了森林火灾的发生。可能的原因在于：经济发展水平越高的地区，往往对消防事业的投入力度会更大，并且在消防宣传方面的大力开展会更好地提高当地居民的森林防火意识。

解释变量“护林员总人数”以及“林业站年投资额”与“护林员总人数”交互项的系数及其滞后项的系数均显著。表明这些因素对森林火灾的影响较为明显，并且滞后作用依旧显著。具体来看，在其他因素不变的情况下，“护林员总人数”每增加1%，会影响当期森林火灾降低0.022 个单位标准差，且滞后影响森林火灾降低0.010 个单位标准差。同时，二者的交互系数为正，并在滞后期显著影响着森林火灾的发生。表明“林业站年投资额”和“护林员总人数”两个变量相互补充，对降低森林火灾发挥了积极作用。而就单因素“林业站年投资额”来说，其每增加1%，将滞后影响森林火灾降低0.012 个单位标准差。主要原因在于：投资增加对森林防灭火的影响在短时间内并不能很好显现，反而会随着时间的推移不断产生积极作用。并且投资增加与人力扩充二者之间存在明显的互补关系，这就意味着仅从资金层面或人力层面对森林防灭火的投入往往并不能产生良好的显著效果，而是需要“双管齐下”、协调推进。