Climate change, vegetation dynamics, and maize production in Mozambique: evidence from method of moments quantile regression and machine learning
Faustino Dinis · Jianbo Hu · Nazir Muhammad Abdullahi
研究气候变化与植被动态对莫桑比克玉米生产的影响，采用分位数回归和机器学习方法。
使用2002-2023年面板数据，矩分位数回归（MMQREG）和KNN机器学习模
降雨和NDVI正向影响玉米产量，温度负向影响，且存在分布和空间异质性。
可延伸研究气候变化下作物产量预测的机器学习模型优化，或区域适应性农业管理策略。
论文运用多种计量与机器学习方法，揭示气候与植被对莫桑比克玉米产量的异质性影响，数据详实，结论具区域政策参考价值。
本研究利用2002—2023年间的平衡面板数据，考察了气候变率与植被动态对莫桑比克10个省份玉米产量的影响。在确认截面相依性后，采用第二代面板技术进行分析。Kao和Westerlund协整检验显示变量间存在稳定的长期关系。矩分位数回归（MMQREG）结果表明，气候—玉米关系存在显著的分位数异质性。降雨量和归一化植被指数（NDVI）对玉米产量具有正向影响，且在低产省份中效应更强；而温度则产生显著负向影响，尤其在中位数及上分位数处表现明显。中介分析进一步证实，NDVI部分传导了气候变量对玉米产量的影响，为所提出的“气候—植被—产量”路径提供了实证支持。交互作用分析表明，充足的降雨和良好的植被状况有助于缓解温度胁迫。此外，对莫桑比克北部、中部和南部的区域分析揭示了显著的空间异质性，半干旱省份表现出更高的气候敏感性。补充的机器学习分析识别出K近邻（KNN）模型为玉米产量预测精度最高的模型，而温度、NDVI和降雨量则是最具影响力的预测因子。研究结果强调了在气候—农业关联中考虑分布异质性与空间异质性的重要性，并凸显了采取气候智慧型、区域针对性干预措施及数据驱动的预测工具以增强莫桑比克玉米生产力和韧性的必要性。