DOI: https://doi.org/10.3389/fsufs.2026.1767684
تاريخ النشر: 2026-02-09
المؤلف: Dapeng Zhou وآخرون
الموضوع الرئيسي: المرونة الإقليمية والتنمية
نظرة عامة
تركز هذه الدراسة على تقييم مرونة صناعة الزراعة في الصين (RCAI) من 2000 إلى 2022، مع التأكيد على الحاجة إلى إطار تقييم منهجي بسبب زيادة المخاطر الخارجية التي تؤثر على الأنظمة الزراعية. تستخدم الأبحاث إطار تحليل XGBoost-SHAP لتحسين مؤشر RCAI وتحديد المحركات الرئيسية له. تشير النتائج الرئيسية إلى اتجاه تصاعدي ملحوظ في RCAI، مع تفاوتات مكانية ملحوظة – حيث تكون المرونة أعلى في المناطق الشرقية مقارنة بالغرب. يظهر الاستثمار في الأصول الثابتة الزراعية كأكثر العوامل تأثيرًا، حيث يساهم بنسبة 30.6% في RCAI، بينما تؤثر نفقات الاستهلاك الريفي والبنية التحتية للنقل أيضًا بشكل إيجابي على المرونة، مع وجود تأثيرات عتبة.
تخلص الدراسة إلى أن نموذج XGBoost يعزز إطار تقييم RCAI، مما ينتج عنه مؤشر أكثر قوة وتمثيلًا. يسلط الضوء على التباين المكاني والزماني للمرونة، المدفوع بإصلاحات السياسات، والتقدم التكنولوجي، والتعديلات الهيكلية في الزراعة. تؤكد النتائج على أهمية القدرة على المقاومة، والتكيف، والابتكار في تعزيز المرونة. علاوة على ذلك، يحدد إطار التعلم الآلي القابل للتفسير بشكل فعال العوامل الرئيسية المحددة لـ RCAI، كاشفًا أن تحسينات البنية التحتية الزراعية وقدرة الإنتاج ضرورية لتعزيز المرونة. تدعو الأبحاث إلى التطبيق الأوسع لإطار “بناء المؤشر-XGBoost-SHAP” في تقييم الأنظمة المعقدة والمؤشرات المركبة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الأهمية المتزايدة للمرونة في الأنظمة الزراعية بسبب التأثيرات المركبة للأحداث المناخية المتطرفة، وقيود الموارد، وتقلبات السوق. تهدد هذه العوامل استقرار واستدامة الإنتاج الزراعي، مما يؤدي إلى تقليل الغلات وزيادة الضعف. تُعرف المرونة بأنها قدرة الأنظمة الزراعية على المقاومة، والتعافي من، وإعادة البناء بعد الاضطرابات، وهي ضرورية للحفاظ على الوظائف وسط الصدمات. تركز الدراسة على صناعة الزراعة في الصين، التي تواجه ضغوطًا كبيرة وتباينًا إقليميًا، مما يجعلها حالة ملائمة لأبحاث المرونة.
يحدد المؤلفون الفجوات في أساليب قياس المرونة الحالية، التي تعتمد غالبًا على مؤشرات أحادية الأبعاد وطرق الاقتصاد القياسي التقليدية التي قد تؤدي إلى نتائج متحيزة وتفشل في التقاط العلاقات غير الخطية بين المتغيرات. لمعالجة هذه التحديات، تقترح الورقة إطار تعلم آلي قابل للتفسير يستخدم تعزيز التدرج المتطرف (XGBoost) وSHapley Additive exPlanations (SHAP) لتحسين بناء مؤشر المرونة وتفسير المحركات الرئيسية. تهدف هذه المقاربة المبتكرة إلى تعزيز فهم ديناميات المرونة في قطاع الزراعة في الصين، موثقة تطورها المكاني والزماني وكاشفة عن الآليات الكامنة وراء المرونة. تعد الدراسة بتقديم مساهمة كبيرة في هذا المجال من خلال تقديم منظور منهجي جديد، يتجاوز الافتراضات الخطية، ويقدم رؤى حول تعقيدات مرونة الزراعة.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على تطور أبحاث مرونة الزراعة، مع التأكيد على ضعف القطاع أمام مخاطر متنوعة، بما في ذلك تقلبات المناخ وتقلبات السوق. تنتقد الإطارات التقليدية لمقاومة المخاطر، خاصة في ضوء الاضطرابات مثل تلك التي حدثت خلال جائحة COVID-19، داعية إلى فهم ديناميكي للزراعة كنظام قادر على التكيف والتحول. يقترح المؤلفون إطار تقييم شامل للمرونة يتضمن قدرات المقاومة، والتكيف، والابتكار، مؤكدين على الحاجة إلى نهج دقيق للمرونة يأخذ في الاعتبار كل من الصدمات الخارجية والقيود الهيكلية الداخلية.
علاوة على ذلك، تستكشف الورقة دمج تقنيات التعلم الآلي، مثل XGBoost وSHAP، في أبحاث المرونة، مما يسمح بتحليل بيانات معقدة وعالية الأبعاد دون فرض افتراضات خطية. تهدف هذه التقدم المنهجي إلى كشف الأنماط الكامنة والآليات المحركة وراء مرونة الزراعة، مع معالجة الفجوات الحالية في الأدبيات المتعلقة بقياس وتفسير بيانات المرونة. يحدد المؤلفون فجوات بحثية حاسمة، بما في ذلك الحاجة إلى أطر تقييم غير خطية وأدوات يمكن أن تحدد بشكل مستقل العوامل الرئيسية المحركة، مما يعزز الفهم لديناميات مرونة الزراعة عبر مناطق مختلفة في الصين. بشكل عام، تهدف الدراسة إلى بناء إطار تحليلي قوي يحسن قياس المرونة بينما يوضح العلاقات المعقدة بين قدرات المرونة وآلياتها المحركة.
DOI: https://doi.org/10.3389/fsufs.2026.1767684
Publication Date: 2026-02-09
Author(s): Dapeng Zhou et al.
Primary Topic: Regional resilience and development
Overview
This study focuses on assessing the resilience of China’s agricultural industry (RCAI) from 2000 to 2022, emphasizing the need for a systematic evaluation framework due to increasing external risks affecting agricultural systems. The research employs an XGBoost-SHAP analytical framework to refine the RCAI index and identify its principal drivers. Key findings indicate a significant upward trend in RCAI, with notable spatial disparities—higher resilience in eastern regions compared to the west. Agricultural fixed-asset investment emerges as the most influential factor, contributing 30.6% to RCAI, while rural consumption expenditure and transportation infrastructure also positively impact resilience, exhibiting threshold effects.
The study concludes that the XGBoost model enhances the RCAI evaluation framework, yielding a more robust and representative index. It highlights the spatiotemporal heterogeneity of resilience, driven by policy reforms, technological advancements, and structural adjustments in agriculture. The findings underscore the importance of resistance, adaptation, and innovation capacities in resilience enhancement. Furthermore, the explainable machine-learning framework effectively identifies key determinants of RCAI, revealing that improvements in agricultural infrastructure and production capacity are crucial for enhancing resilience. The research advocates for the broader application of the “index construction-XGBoost-SHAP” framework in evaluating complex systems and composite indices.
Introduction
The introduction of this research paper highlights the increasing importance of resilience in agricultural systems due to the compounded effects of extreme climate events, resource constraints, and market volatility. These factors threaten the stability and sustainability of agricultural production, leading to yield reductions and heightened vulnerability. Resilience, defined as the capacity of agricultural systems to resist, recover from, and rebuild after disturbances, is crucial for maintaining functionality amid shocks. The study focuses on China’s agricultural industry, which faces significant pressures and regional heterogeneity, making it a pertinent case for resilience research.
The authors identify gaps in existing resilience measurement approaches, which often rely on single-dimensional indices and traditional econometric methods that may yield biased results and fail to capture nonlinear relationships among variables. To address these challenges, the paper proposes an explainable machine-learning framework utilizing eXtreme Gradient Boosting (XGBoost) and SHapley Additive exPlanations (SHAP) to refine resilience index construction and interpret key drivers. This innovative approach aims to enhance the understanding of resilience dynamics in China’s agricultural sector, documenting its spatiotemporal evolution and revealing the mechanisms underlying resilience. The study promises to contribute significantly to the field by offering a novel methodological perspective, moving beyond linear assumptions, and providing insights into the complexities of agricultural resilience.
Discussion
The discussion section of the paper highlights the evolution of agricultural resilience research, emphasizing the sector’s vulnerability to various risks, including climate variability and market fluctuations. It critiques traditional risk-resistance frameworks, particularly in light of disruptions like those experienced during the COVID-19 pandemic, advocating for a dynamic understanding of agriculture as a system capable of adaptation and transformation. The authors propose a comprehensive resilience assessment framework that incorporates resistance, adaptation, and innovation capacities, underscoring the need for a nuanced approach to resilience that accounts for both external shocks and internal structural constraints.
Furthermore, the paper explores the integration of machine learning techniques, such as XGBoost and SHAP, into resilience research, which allows for the analysis of complex, high-dimensional data without imposing linear assumptions. This methodological advancement aims to uncover latent patterns and driving mechanisms behind agricultural resilience, addressing existing gaps in the literature related to the measurement and interpretation of resilience data. The authors identify critical research gaps, including the need for non-linear evaluation frameworks and tools that can autonomously identify key driving factors, thereby enhancing the understanding of agricultural resilience dynamics across different regions in China. Overall, the study aims to construct a robust analytical framework that optimizes resilience measurement while elucidating the intricate relationships between resilience capacities and their driving mechanisms.