钱永兰，毛留喜，周广胜（.国家气象中心，北京0008；.中国气象科学研究院，北京0008）



全球主要粮食作物产量变化及其气象灾害风险评估

钱永兰1，毛留喜1，周广胜2
（1.国家气象中心，北京100081；2.中国气象科学研究院，北京100081）

摘要：随着粮食全球化趋势和中国粮食安全战略调整，准确了解中国和国外主要粮食作物生产状况、产量变化及其气象灾害风险水平，对于气候变化背景下保障中国粮食安全和国家“农业走出去”战略实施具有重要意义。该文以全球主要粮食生产国粮食产量资料为基本资料，通过作物气象产量分离对全球主要粮食作物的产量变化进行了研究；用新构建的减产概率系数pc和平均减产率d、减产率变异系数v定义了综合气象灾害风险指数Pw，根据Pw≤2.0、2.0＜Pw≤4.0和Pw＞4.0将全球粮食主产区划分为气象灾害低风险区、中风险区和高风险区。研究结果显示，法国、德国和中国的小麦、美国、巴西、阿根廷的玉米和大豆、中国和越南的水稻产量水平在近50多年提升迅速，但区域差异明显。加拿大和澳大利亚小麦、美国玉米、巴西和阿根廷大豆的Pw超过4.0，为气象灾害高风险区；俄罗斯和中国小麦、巴西和阿根廷玉米、美国和中国大豆、印度水稻的Pw介于2.0和4.0，为中风险区；美国、德国、法国和印度小麦、中国玉米、中国、越南和泰国水稻的Pw小于2.0，为低风险区。文中方法能够直观评估全球粮食产区粮食生产水平和综合气象灾害风险，对宏观了解和认识国内外粮食生产状况具有借鉴意义。

关键词：粮食；作物；风险评估；全球；产量；产量变化；气象灾害

钱永兰，毛留喜，周广胜.全球主要粮食作物产量变化及其气象灾害风险评估[J].农业工程学报，2016，32（01）：226-235.doi：10.11975/j.issn.1002-6819.2016.01.032 http://www.tcsae.org

Qian Yonglan, Mao Liuxi, Zhou Guangsheng.Changes in global main crop yields and its meteorological risk assessment [J].Transactions of the Chinese Society of Agricultural Engineering（Transactions of the CSAE）, 2016, 32（01）: 226-235.（in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.01.032 http://www.tcsae.org

1采用联合国粮食及农业组织的“粮食”概念，即谷物，包括麦类、豆类、粗粮类和稻谷类等。

0　引言

2012年联合国粮食与农业组织（Food and Agriculture Organization of the United Nations，简称FAO）启动了“战略思考进程”，对全球粮食发展趋势与挑战进行了分析，并提出了未来全球粮食与农业的11大发展趋势，其中包括全球粮食需求不断增加、粮价上涨且高位波动、粮食生产全球化、气候变化对农业的影响越来越大、自然和人为灾害及危机将导致脆弱性不断加剧等[1]。中国农业也由此面临新的机遇与挑战[2-4]，中国政府的粮食安全战略也由“粮食基本自给”调整为“谷物基本自给”，于2014年提出“以我为主、立足国内、确保产能、适度进口、科技支撑”的粮食安全新战略，并要求“提高统筹利用国际国内两个市场两种资源的能力”[5]。

基于粮食全球化趋势和中国粮食安全战略调整的现实，准确了解中国和国外主要粮食作物生产状况、产量变化及其气象灾害风险水平，对于气候变化背景下保障中国粮食安全和国家“农业走出去”战略实施具有十分重要的意义。本文选择关系国计民生的小麦、玉米、大豆、水稻四大粮食作物1为研究对象，选取上述四大粮食作物产量和出口量均具世界前列、对中国进口贸易具有可能影响的国家为研究区域，研究其近50a多以来粮食作物产量的变化及其气象灾害风险水平，为新形势下的中国防灾减灾和政府决策提供科学依据和参考信息。

作物产量的变化可主要分解为两个方面[6-19]（详见下文公式1），一个是由社会技术水平决定的趋势产量，另一个是由气象要素影响的气象产量。农作物的气象灾害风险可通过对其受灾数据的直接评估得到[20-21]。在没有具体灾情数据可供参照的情况下，农作物气象产量的波动可以反映一个地区粮食生产的气象灾害风险水平，因此可使用概率统计的方法基于这种“表象”数据进行气象灾害风险评估[22]。邓国等[23-26]将风险分析理论引入粮食生产风险评估，通过相对气象产量的解析密度曲线估计某一地区粮食生产的风险水平，并进一步结合平均减产率、减产变异系数等指标进行中国省级粮食单产风险区划。研究已表明，“风险”是由{＜概率，损失＞}所组成的事件空间[27-28]，因此气象灾害风险的大小由气象灾害损失和其发生的概率决定，这是本文进行风险评估的理论根据和基础。

1　研究资料

本文所用数据均来自联合国粮食与农业组织（简称粮农组织或FAO）的统计数据库，该数据库资料以官方数据为主，部分资料为半官方或由FAO系统对多源数据进行融合计算得出，具有较强的可信度和可对比性。其中，粮食产量资料序列自1961年至2013年，粮食进出口资料序列自1961年至2011年；俄罗斯和乌克兰粮食产量和出口量序列均从1992年开始。

2　研究区域和研究对象

为最大限度地反映当前全球粮食生产和贸易状况，粮食产量和出口量均采用近5年平均值。通过对全球各国小麦、玉米、大豆、水稻4种作物的年产量（2009-2013年平均值）和出口量（2007-2011年平均值）进行排序，结合其当前和未来对中国进口的可能影响分析，最后确定作物年产量超过2000万t、出口量全球占比超过5%的国家为研究区域2仅印度小麦出口量不足5%，由于产量居世界第二，文中也作为研究区域之一。，文中称为粮食主产国（见表1）。中国是粮食生产大国，但不是出口大国，为描述中国在世界粮食生产中的地位并便于对比，将中国的小麦、玉米、水稻和大豆数据一并列出并进行分析。

研究区域中小麦主产国共8个，依次分别是中国、印度、美国、俄罗斯、法国、加拿大、澳大利亚和德国；玉米主产国有4个：美国、中国、巴西和阿根廷；大豆主产国有4个：美国、巴西、阿根廷、中国；水稻主产国有4个：中国、印度、越南和泰国。

表1　全球粮食主产国主要粮食作物产量及出口量占全球比重Table 1 Crop production and export quantity and percentage in the world of main producing countries

3　研究方法

3.1作物气象产量分离

作物气象产量分离是目前研究气象因子与作物产量之间的关系最常用的方法。由于长时间序列的作物产量变化不仅与气象因子有关，也与科技进步、物质投入、环境、政策等有密切关系，其中科技进步水平对粮食单产的影响力最大，因此一般将作物产量分解为趋势产量、气象产量和随机误差3部分[6-19，23]（见公式1）。趋势产量可看作是反映某一历史时期某一生产区域生产力发展水平的长周期产量分量，气象产量是以气象要素为主的短周期变化因子影响的产量分量。

式中Y为实际产量，t；Yt为趋势产量，t；Yw为气象产量，t；ε为其它随机产量，t，又被称为“随机噪声”，可忽略不计。因此，一般研究中将实际作物产量直接分解为趋势产量和气象产量。即：

由公式（2）得到气象产量，即：

由气象产量和趋势产量的比值可得到相对气象产量，见公式（4）。相对气象产量表明粮食波动的幅度，不受时间和地域的限制，具有可比性，因此能较好地反映气象因子对产量的影响。

式中Yr为相对气象产量，%。

当实际产量低于趋势产量时，相对气象产量为负值，称为减产率；反之，当实际产量高于趋势产量时，相对气象产量为正值，称为增产率。

3.2作物气象灾害风险评估指标

气象灾害风险的大小由气象灾害损失和其发生的概率决定，气象灾害损失可由减产率直接反映，减产率大则气象灾害的影响大；而一个地区的作物受气象灾害影响的大小还与受灾的频率、灾害强度的波动性有较大关系。因此构建一个地区的作物气象灾害风险指标需要从以上3个方面来考虑。

3.2.1平均减产率

对某一相对气象产量序列{xi}，若xi＜0，其对应的年份定义为减产年，平均减产率为d，则：

式中n是xi＜0的{xi}全部样本数。

平均减产率可以反映多年粮食产量的平均减产水平。平均减产率大，说明一个地区气象灾害对产量的影响程度大，相应地，气象灾害的风险就大。

3.2.2减产率变异系数

对于同样大小的平均减产率，年际间减产率差别大和小，其气象灾害的风险不同，波动性大，气象灾害的风险越大。减产年减产率的波动性，称为减产率变异系数，见公式（6）。

式中v表示减产率变异系数；xi为减产率；n为对应xi的所有减产年；d为平均减产率。

减产率变异系数可以描述减产率的年际波动大小，绝对值越大，则说明减产率的波动性越大，气象灾害对粮食产量影响的稳定性越差，相应地，面临的气象灾害的风险越大。

3.2.3减产风险概率

小幅减产的概率大还是大幅减产概率大，所面临的气象灾害明显不同。因此，确定不同减产幅度区间的概率大小对于评估气象灾害风险具有重要意义。

由于每年的气象条件、农业生产措施等不同造成粮食产量的不确定性，使得在相当长的一段时间内的相对气象产量序列具有随机连续变量序列的特点，相关研究也表明气象产量一般服从正态分布[24]。通过对文中研究对象所有样本进行正态性检验，证明研究中所涉及的各国粮食相对气象产量序列均具有正态性分布的特点。因此，可以根据相对气象产量序列{X}的样本平均值μ和样本标准差σ来建立概率密度函数，见公式（7）：

然后，可以根据分布函数曲线计算粮食产量在不同增产率和减产率区间出现的概率，见公式（8）。

式中x为相对气象产量，%；p为特定的增减产率，%。也即，通过公式（9）可以求出某一增减产区间（x1，x2]的概率。

文中对全球重点产粮区不同作物的减产概率进行了分段计算。不同减产水平的概率大小就可以反映粮食减产的风险大小。

但是，上述方法并不能直观评价一个地区粮食减产的概率大小，因此本文构建了一个针对区域单元减产概率大小的减产概率系数。将减产率区间划分为不同的子区间［x1，0）,［x2，x1）…［-1，xn-1），其中0＞x1＞x2＞…＞xn-1＞-1，分别对应不同的减产水平，将上述区间对应的减产概率分别记为p1，p2，…，pn，则可以构造一个减产概率系数：

式中an为对应减产区间［xn，xn+1）的权重值；C为常数，是pc对应的理论最大值，即最右区间（减产最大区间）概率为50%（作物减产概率最大约为50%，减产概率全部落在最大减产区间即对应pc的理论最大值），而其余区间概率为0对应的pc值。如果权重值取自然数1，2，3，…，n，则：

本研究将减产率区间设为6个区间，分别为［-3%，0）、［-5%，-3%）、［-7%，-5%）、［-10%，-7%）、［-15%，-10%）、［-50%，-15%），由于减产幅度越大，则气象灾害风险越高，因此将各区间权重值依次升高，分别设为1、2、3、4、5、6，则常数C=3。

3.3气象灾害风险指数和风险分区

根据公式5、6、10构建的3个粮食作物产量气象灾害风险指标平均减产率d、减产率变异系数v、减产概率系数pc，构建不同地区不同作物产量的综合气象灾害风险评估指标Pw，称为综合气象灾害风险指数。

Pw值越大，则粮食生产风险越大。Pw值的对比不受地区和作物的限制。

根据综合气象灾害风险指数的大小，将全球粮食主产区分为3个等级：低风险区（Pw≤2.0）、中风险区（2.0＜Pw≤4.0）、高风险区（Pw＞4.0）。

4　全球主要粮食作物产量变化及其气象灾害风险评估

4.1全球主要粮食作物产量变化

主要分析全球粮食主产国主要粮食作物产量水平的变化和产量的波动性。产量水平的变化主要看趋势产量，产量的波动性主要看相对气象产量的变化。

4.1.1小麦

全球小麦主产国主要分布在北美、欧洲、东亚、南亚和澳大利亚，各个地区的小麦产量水平存在较大差异（见图1）。

西欧的小麦产量水平最高，德国、法国小麦目前趋势产量4参照近5年平均值，精确至100 kg/hm2分别为7 500、6 800 kg/hm2，较1960年代提高了2倍左右。近年西欧小麦单产呈下降趋势，法国2000年至2007年小麦单产均超过7 000 kg/hm2，2008年以后逐年下降，单产从2007年的7 025 kg/hm2下降至2013年的6 588 kg/hm2；德国2005年至2010年，小麦单产均超过7 500 kg/ hm2，2011年以后逐年下降，2013年已下降至7 388 kg/hm2。趋势产量的变化见图1。

图1　世界小麦主产国小麦趋势产量变化（1961-2013年）Fig.1 Global wheat trend yield change of main producing countries

中国和印度的小麦趋势产量变化趋势较为接近，呈现逐年上升趋势，且中国的上升趋势快于印度。中国小麦单产的起点最低，20世纪60年代初的趋势产量约600 kg/hm2，2013年已上升至4 800 kg/hm2，目前产量水平仅次于西欧。印度小麦趋势产量由20世纪60年代初的800 kg/hm2，上升至2013年的近3 000 kg/hm2。

美国、加拿大的小麦趋势产量增长幅度不大。美国20世纪60年代初的小麦趋势产量为1 600 kg/hm2，2013年为3000kg/hm2；加拿大20世纪60年初为1300 kg/hm2，2013年为3 000 kg/hm2。

澳大利亚小麦的产量水平提升缓慢，20世纪60年初的小麦产量为1 100 kg/hm2，2013年为1 700 kg/hm2。

全球各地小麦的产量波动性也存在明显差异（见图2）。加拿大、澳大利亚、俄罗斯小麦的相对气象产量波动较为剧烈，且澳大利亚小麦相对气象产量在-30%～-50%的频率较高，是世界小麦生产最不稳定的地区。相比而言，印度、美国、法国和德国小麦的相对气象产量波动性较小。中国20世纪90年代以来，小麦的相对气象产量波动较小，20世纪60年代中后期至20世纪80年代呈现长期的负向波动，20世纪80年代至20世纪90年代呈现较长时间的正向波动。

图2　全球小麦主产国小麦相对气象产量序列（1961-2013年）Fig.2 Long time sequence of global wheat relative meteorological yield of main producing countries

4.1.2玉米

全球玉米主产国主要分布在南北美洲的美国、巴西、阿根廷和亚洲的中国，各个地区的产量水平也存在较大差异，但全球玉米产量水平呈现明显快速增长态势（见图3）。

图3　世界玉米主产国玉米趋势产量变化（1961-2013年）Fig.3 Global corn trend yield change of main producing countries

美国是全球玉米产量水平最高的地区，玉米趋势产量自20世纪60年代初的4 000 kg/hm2打到2013年的9 500 kg/hm2，在高起点的基础上翻了一番。南美地区玉米产量增长也很迅速，阿根廷从20世纪60年代初的1 900 kg/hm2增加到2013年的6 800 kg/hm2，增长2.5倍；巴西从20世纪60年代初的1 400 kg/hm2，增加到2013年的4 400 kg/hm2，增长2.0倍；但阿根廷玉米产量水平明显高于巴西。中国玉米趋势产量从20世纪60年代初的1 200 kg/hm2增加到2013年的5 600 kg/hm2，增长3.5倍。

全球各地玉米的相对气象产量波动较大（见图4）。阿根廷的相对气象产量波动最剧烈，美国的相对气象产量可达-25%，巴西超出-10%的频率也较高，中国玉米的相对气象产量变化相对较小，一般在正负10%以内振荡。

4.1.3大豆

全球大豆主产国和玉米主产国一致，美洲大豆的产量水平较为接近，中国大豆的产量水平低于美洲（见图5）。

图4　全球玉米主产国玉米相对气象产量序列（1961-2013年）Fig.4 Long time sequence of global corn relative meteorological yield of main producing countries

图5　世界大豆主产国大豆趋势产量变化（1961-2013年）Fig.5 Long time sequence of global soybean trend yield change of main producing countries

美国大豆趋势产量增长平稳，20世纪60年代初美国大豆单产约1 600 kg/hm2，2013年已达2 900 kg/hm2。巴西大豆产量增长迅速，20世纪60年代初仅1 000 kg/ hm2，2013年已与美国大豆产量并驾齐驱。阿根廷大豆自20世纪60年代中期至2000年前后一直高于巴西，21世纪00年代中期开始巴西大豆产量稳定超过阿根廷，目前单产水平已相差300 kg/hm2，当前巴西、阿根廷大豆产量水平分别为2 900、2 600 kg/hm2。中国大豆产量水平较低，且增长缓慢，20世纪60年代大豆单产约700 kg/hm2，2013年为1 700 kg/hm2。

全球各地大豆的相对气象产量均呈现较大的波动性（见图6）。其中，阿根廷大豆的气象产量波动较大，最大减产幅度接近30%且波动频繁；其次是巴西；美国和中国大豆历史最大减幅均不到20%，气象产量的波动也相对较小。

图6　全球大豆主产国大豆相对气象产量序列（1961-2013年）Fig.6 Long time sequence of global soybean relative meteorological yield of main producing countries

4.1.4水稻

全球水稻主产国主要在亚洲，东亚中国、南亚印度和东南亚的越南、泰国（见图7）。

中国水稻产量高且增长快，近年呈现缓慢下降态势。20世纪60年代初，中国水稻单产约2 300 kg/hm2，2013年已达6 500 kg/hm2，增长近2倍。越南水稻产量增长迅猛，从20世纪60年代的1 900 kg/hm2增长至2013年的5 500 kg/hm2。印度和泰国水稻产量增长较为缓慢，分别从20世纪60年代的1 400、1 800 kg/hm2增长至2013年的3 400、3 000 kg/hm2，且泰国水稻近年产量呈现下降趋势。

图7　世界水稻主产国水稻趋势产量变化（1961-2013年）Fig.7 Global rice trend yield change of main producing countries

世界水稻的相对气象产量波动总体小于其它作物,一般在正负10%以内波动（见图8）。印度水稻的气象产量波动相对较大，中国和泰国的总体平稳，越南在20世纪90年代以前波动较大，之后的相对气象产量非常稳定。

图8　全球水稻主产国水稻相对气象产量序列（1961-2013年）Fig.8 Long time sequence of global rice relative meteorological yield of main producing countries

4.2全球主要粮食作物气象灾害风险状况

4.2.1平均减产率

小麦：澳大利亚的平均减产率最高，其次是加拿大，其平均减产率均低于-10%。法国、中国、德国和美国的平均减产率居于中等水平，保持在-10%～5%。印度小麦平均减产率较低，在-5%以内（见表2）。

表2　世界粮食主产国粮食平均减产率Tab.2 Crop yield reduction rates of main producing countries（%）

玉米：从表2可以看出，阿根廷和美国的平均减产率较高，巴西其次，中国玉米的平均玉米减产率最低，低于美国和阿根廷50%。

大豆：大豆的平均减产率较高，其中巴西和阿根廷大豆平均减产率均低于-10%。美国和中国的平均减产率也均低于-5%。

水稻：世界各地水稻的平均减产率都居于低位，仅印度的平均减产率略高，为-5.8%。

4.2.2减产变异系数

小麦：全球小麦的减产变异系数总体较高（见表3）。其中加拿大、印度、澳大利亚的变异系数最大。法国和德国的小麦减产变异系数相对较小。中国和美国居于中位水平。

玉米：全球玉米的减产变异系数略小于小麦。美国和中国玉米的减产变异系数高于巴西和阿根廷。

大豆：全球大豆的平均减产变异系数在各大作物中最低。美国和阿根廷大豆的减产变异系数较大，巴西和中国大豆的减产变异系数相对较小。

水稻：全球水稻的减产变异系数总体较高，最高为越南，其次是泰国，中国和印度也均低于-0.8。

表3　世界粮食主产国粮食减产变异系数Table 3 Annual variation coefficients of crop yield reduction rates in main producing countries

4.2.3减产风险概率分布和减产概率系数

本文将减产率设置了6个区间，在低减产区间的概率高而高减产区间的概率低，则表明粮食生产的风险相对较低，减产概率系数相应也低；反之，在高减产区间的概率高而低减产区间的概率低，则粮食生产的风险相对较高，减产概率系数相应也高。

小麦：美国、印度、德国等国家的减产概率主要集中在低减产区间（表4），小麦生产的气象灾害风险相对较低；澳大利亚、加拿大、俄罗斯在高减产区间的概率大于低减产区间的概率，小麦气象灾害风险相对较大；法国、中国的减产概率主要集中在低减产区间，但高减产区间的发生概率均超过美国、德国和印度，但远低于俄罗斯、加拿大和澳大利亚，因此小麦气象灾害风险处于中等至偏低水平。

表4　世界粮食主产国粮食减产风险概率分布Table 4 Risk probability distribution of crop loss in main producing countries

玉米：中国玉米的减产概率主要分布在低减产区间，玉米生产的气象灾害风险相对较低；美国、巴西的减产概率从低减产区间到高减产区间基本呈现逐渐减小的趋势；阿根廷的减产概率在高减产区间的比重偏大，玉米生产的气象灾害风险偏高。

大豆：阿根廷的减产概率主要集中在高减产区间，大豆生产的气象灾害风险较大；其次是巴西；美国、中国的减产概率主要分布在低减产区间，大豆生产的气象灾害风险相对较小，其中美国小于中国。

水稻：水稻主产国的水稻减产概率基本都集中在低减产区间，表明水稻生产的气象灾害风险相对较低，明显低于其它粮食作物。在4个水稻主产国中，印度和越南在高减产区间的概率略大于中国和泰国，但总体差距较小。

4.2.4气象灾害风险指数和风险分区

小麦：澳大利亚小麦的综合气象灾害风险指数为12.1（见表5），因此其小麦生产的气象灾害风险高（见图9），加拿大的综合气象灾害风险指数为6.6，较其降低一半，但仍属高风险区；中国、俄罗斯的综合气象灾害风险指数大于2.0，为中等风险区；美国、印度、德国、法国均小于2.0，为小麦生产低风险区。

玉米：美国玉米的综合气象灾害风险指数为4.2，为高风险区；巴西和阿根廷分别为2.5和3.9，为中等风险区；中国为1.4，为低风险区。

大豆：巴西和阿根廷大豆的综合气象灾害风险指数分别为4.1和5.4，大豆生产的风险高；美国和中国均为2.4，为中等风险区。

水稻：世界水稻生产相比其它作物而言，综合气象灾害风险明显偏低，仅印度的综合气象灾害风险指数为2.1，为中等风险区，但为中等风险的低值区。

表5　全球粮食主产国粮食生产综合气象灾害风险指数Table 5 Integrated risk index of crop meteorological disaster in main producing countries

5　结论与讨论

1）全球小麦高产区在西欧，其次是中国；玉米的高产区在美国；大豆的高产区在美洲；水稻的高产区为中国和越南。全球主要粮食作物产量水平近50多年得到较大提高，尤其美洲的玉米和大豆、欧洲和亚洲的小麦、东亚和南亚的水稻产量水平提升快速；但欧洲的小麦和亚洲的水稻在达到产量极值后，近年呈现下降趋势。

2）世界小麦的综合气象灾害风险最高，其次是大豆和玉米，水稻的综合气象灾害风险最低。世界粮食生产的高风险分别为澳大利亚和加拿大的小麦生产，美国的玉米生产，阿根廷和巴西的大豆生产；印度水稻生产的风险高于其它地区。

3）中国的小麦和大豆生产的气象风险相对偏高，玉米和水稻生产的气象风险相对偏低。中国粮食生产的综合气象灾害风险指数与国外其它地区相比总体偏低，可能与中国抗灾减灾有密切关系。

4）如果高风险地区的粮食生产水平高，气象灾害的破坏力即灾害损失将更大。因此，作物趋势产量和综合气象灾害风险指数相结合，可作为粮食生产的气象灾害损失评估的重要指标。

由于产量分离方法的不同对风险评估结果有一定影响[7，30]，但对总趋势的影响有限；本文在研究中因地制宜，通过比较R2择优选取二次或三次多项式曲线拟合为主,对不同国家采取不尽相同的产量分离方法，力求使得趋势产量模拟曲线符合其社会技术发展的实际，保证了本研究的可信度。在概率计算过程中，俄罗斯的样本为小样本（22个，即22 a的产量数据，＜30个），虽具有一定的代表性，但对评估结果可能有一定的影响，为保证全球评估的完整性，一并列出供对比参考。

张峭等利用农作物受灾数据直接评估其气象灾害风险，在国外灾情数据难以获取的情况下，本文提出的方法可供国外地区气象灾害评估提供可供借鉴的思路和指标，属于章国材等归纳的基于“表象”数据和概率统计方法进行气象灾害风险评估的方法。本文提出的方法与邓国、叶涛等国内相关专家学者提出的相关方法具有一致性，均基于风险理论和概率统计方法，但有所改进，构建了新的评估指标“减产概率系数”和“综合气象灾害风险指数”；且上述方法现多用于国内粮食生产的气象灾害风险评估，本文用于对全球地区粮食生产气象灾害风险评估尚属首次。邓国等基于平均减产率、减产变异系数和风险概率通过迭代自组织动态聚类算法对中国省级产区进行气象灾害风险分区，本文在平均减产率、减产变异系数的基础上，提出了风险概率系数的指标，并利用这3个指标构建了综合气象灾害风险指数，直接作为粮食生产气象灾害风险分区的依据，不仅简单易操作，而且表达和理解也更为直观。

图9　世界粮食主产国粮食生产气象灾害风险等级Fig.9 crop meteorological risk degree of main producing countries

[参考文献]

[1]夏敬源，聂闯.全球粮食与农业领域发展趋势[J].世界农业，2012，9（总401）：12-13.

[2]白石，梁书民.世界粮食供求形势与中国农业走出去战略[J].世界农业，2007，11（总343）：5-9.

[3]陈印军，王勇，卢布，等.国际粮食形势及我国粮食生产潜在危机与对策[J].中国农业资源与区划，2009，30（1）：9-16.Chen Yinjun, Wang Yong, Lu Bu, et al.International grain situation and latency crisis and countermeasures for grain protection in China[J].China Journal of Agricultural Resources and Regional Planning, 2009, 30（1）: 9-16.（in Chinese with English abstract）

[4]高芳.全球农业市场化背景下中国农业的现状、机遇和挑战[J].世界农业，2013，9（总第413）：173-176.

[5] 2015年中央一号文件《关于加大改革创新力度加快农业现代化建设的若干意见》[R].

[6]王馥堂.农业气象产量预报概述，气象科技，1983，（2）：36-41.

[7]房世波.分离趋势产量和气候产量的方法探讨[J].自然灾害学报，2011，20（6）：13-18.Fang Shibo.Exploration of method for discrimination between trend crop yield and climatic fluctuant yield[J].Journal of natural disasters, 2011, 20（6）: 13-18.

[8]何永坤，唐余学，张建平.中国西南地区干旱对玉米产量影响评估方法[J].农业工程学报，2014，30（23）：185-191.He Yongkun, Tang Yuxue, Zhang Jianping.Evaluation method for effects of drought disaster on yields of maize in Southwest China[J].Transactions of the Chinese Society of Agricultural Engineering（Transactions of the CSAE）, 2014, 30（23）: 185－191.（in Chinese with English abstract）

[9]张爱民，马晓群，杨太明，等.安徽省旱涝灾害及其对农作物产量影响[J].应用气象学报，2007，18（5）：619-625.Zhang Aimin, Ma Xiaoqun, Yang Taiming, et al.The influence of drought and waterlogging disasters on crop yields in Anhui Province[J].Journal of Applied Meteorological Science, 2007，18 （5）: 619-625.（in Chinese with English abstract）

[10]蒲金涌，张存杰，姚小英，等.干旱气候对陇东南主要农作物产量影响的评估[J].干旱地区农业研究，2007，25（1）：167-171.Pu Jinyong, Zhang Cunjie, Yao Xiaoying, et al.Assessment on the influence of drought climate on main crop yield in Southeast of gansu[J].Agricultural Research in the Arid Areas, 2007, 25 （1）: 167-171.（in Chinese with English abstract）

[11]马晓群，陈晓艺.农作物产量灾害损失评估业务化方法研究[J].气象，2005，31（7）：72-75.Ma Xiaoqun, Chen Xiaoyi, An operational method of crop yield disaster Loss evaluation[J].Meteorological Monthly, 2005, 31 （7）: 72-75.（in Chinese with English abstract）

[12]谭方颖，王建林，宋迎波.华北平原近45年农业气候资源变化特征分析[J].中国农业气象，2009，30（1）：19-24.Tan Fangying, Wang Jianlin, Song Yingbo, et al.Analysis of changing characteristics of agricultural climate resources over last 45 years in North China Plain[J].Chinese Journal of Agrometeorology, 2009, 30（1）: 19-24.（in Chinese with English abstract）

[13]魏瑞江，宋迎波，王鑫.基于气候适宜度的玉米产量动态预报方法[J].应用气象学报，2009，20（5）：622-627.Wei Ruijiang, Song Yingb, Wang Xin.Method for dynamic forecast of corn yield based on climatic suitability[J].Journal of Applied Meteorological Science, 2009, 20（5）: 622 -627.（in Chinese with English abstract）

[14]易雪，王建林，宋迎波.气候适宜指数在早稻产量动态预报上的应用[J].气象，2010，36（6）：85-89.Yi Xue,Wang Jianlin,Song Yingbo.Application of climatic suitability index to dynamical prediction of early rice yield[J].Meteorological Monthly, 2010, 36（6）: 85-89.（in Chinese with English abstract）

[15]王培娟，张佳华，谢东辉，等.A2和B2情景下冀鲁豫冬小麦气象产量估算[J].应用气象学报，2011，22（5）：549-557.Wang Peijuan, Zhang Jiahua, Xie Donghui, et al.Estimation for weather yield of winter wheat under A2 and B2 scenarios in Hebei, Shandong and Henan Provinces[J].Journal of Applied Meteorological Science, 2011, 22（5）: 549-557.（in Chinese with English abstract）

[16]陈斐，杨沈斌，申双和，等.基于主成分回归法的长江中下游双季早稻相对气象产量模拟模型[J].中国农业气象，2014，35（5）：522-528.Chen Fei, Yang Shenbin, Shen Shuanghe, et al.Simulation model of relative meteorological yield of double-cropping early rice in middle and lower reaches of Yangtze River based on principal component regression[J].Chinese Journal of Agrometeorology, 2014, 35（5）: 522-528.（in Chinese with English abstract）

[17]李永华，高阳华，廖良兵，等.重庆地区玉米气象产量变化及气候影响因子简析[J].西南大学学报（自然科学版），2007，29（30）：104-109.Li Yonghua，Gao Yanghua, Liao Liangbing, et al.Changes of maize meteorological yields and an analysis of main climatic affecting factors in Chongqing[J].Journal of Southwest University （Natural Science Edition）, 2007, 29（30）: 104-109.（in Chinese with English abstract）

[18]牛浩，陈盛伟.山东省玉米气象产量分离方法的多重比较分析[J].山东农业科学，2015，47（8）：95-99.Niu Hao, Chen Shengwei.Multiple comparative and analyses of separation methods for meteorological yield of corn in Shandong Province[J].Shandong Agricultural Science, 2015, 47（8）: 95-99.（in Chinese with English abstract）

[19]王光宇.安徽省农业气象灾害粮食损失率评估[J].安徽系统新科学与综合研究，2008，24（3）：330-332.Wang Guangyu.Assessment of grain loss rate caused by agriculture meteorology disaster in Anhui Province[J].System Science and Comprehensive Studies in Agriculture, 2008, 24（3）: 330-332.（in Chinese with English abstract）

[20] Zhang Qiao, Ke Wang, Xi Zhang.Study on the assessment approach for crop loss risk[J].Agriculture and Agricultural Science Procedia 1, 2010: 219-225.

[21]张峭，王克.我国农业自然灾害风险评估与区划[J].中国农业资源与区划，2011，32（3）：32-36.Zhang Qiao, Wang Ke.Assessment and regional planning of Chinese agricultural natural disaster risks[J].Chinese Journal of Agricultural Resources and Regional Planning, 2011, 32（3）: 32-36.（in Chinese with English abstract）

[22]章国材.气象灾害风险评估与区划方法[M]，北京：气象出版社，2010.

[23]邓国，王昂生，李世奎，等.风险分析理论及方法在粮食生产中的应用初探[J].自然资源学报，2001，16（3）：221-226.Deng Guo, Wang Angsheng, Li Shikui, et al.Risk theory and method and its initial application in grain yield[J].Journal of Natural Resources, 2001, 16（3）: 221-226.（in Chinese with English abstract）

[24]邓国，王昂生，周玉淑,等.粮食生产风险水平的概率分布计算方法[J].南京气象学院学报，2002，25（4）：481-488.Deng Guo, Wang Angsheng, Zhou Yushu, et al.Grain yield risk level calculated by probability distribution[J].Journal of Nanjing Institute of Meteorology, 2002, 25（4）: 481-488.（in Chinese with English abstract）

[25]邓国，王昂生，周玉淑，等.中国粮食产量不同风险类型的地理分布[J].自然资源学报，2002，17（2）：210-215.Deng Guo, Wang Angsheng, Zhou Yushu, et al.Geographicaldistribution of China′s grain yield risk area[J].Journal of Natural Resources, 2002, 17（2）: 210-215.（in Chinese with English abstract）

[26]邓国，王昂生，周玉淑，等.中国省级粮食产量的风险区划研究[J].南京气象学院学报，2002，25（3）：373-379 Deng Guo, Wang Angsheng, Zhou Yushu, et al.China grain yield risk division at the level of province[J].Journal of Nanjing Institute of Meteorology, 2002, 25（3）: 373-379.（in Chinese with English abstract）

[27] Smith keith, Petley david N.Environmental hazards-assessing risk and reducing disaster[J].first edition, London and New York: Routledge, 1991.

[28]叶涛，聂建亮，武宾霞，等.基于产量统计模型的农作物保险定价研究进展[J].中国农业科学，2012，45（12）：2544-2550.Ye Tao, Nie Jianliang, Wu Binxia, et al.Crop insurance premium pating based on yield simulation models[J].Scientia Agricultura Sinica, 2012, 45（12）: 2544-2550.（in Chinese with English abstract）

[29]张金艳，李小泉，张镡.全球粮食气象产量及其与降水量变化的关系[J].1999，10（3）：3-7.Zhang Jinyan, Li Xiaoquan, Zhang Tan.The characteristics of weather yield for global crop and its relationship with precipitation[J].Quarterly Journal of Applied Meteorology, 1999, 10（3）: 3-7.（in Chinese with English abstract）

[30] Ye Tao, Nie Jianliang, Wang Jun, et al.Performance of detrending models of crop yield risk assessment:evaluation on real and hypothetical yield data[J].Stoch Environ Res Risk Assess, 2015, 29: 109-117.

Changes in global main crop yields and its meteorological risk assessment

Qian Yonglan1, Mao Liuxi1, Zhou Guangsheng2
（1.National Meteorological Center，Beijing 100081, China；2.Chinese Academy of Meteorological Sciences，Beijing 100081, China）

Abstract:Crop yield changes regularly along with technological progress and climate change.Technological progress usually leads to the increase of crop yield, while climate fluctuations especially meteorological disasters often result in crop loss.In this paper, the long time-sequence crop yield was decomposed into the trend yield and the meteorological yield, which were respectively considered as the results of agricultural technology development and climate fluctuation.The trend yield could indicate the speed of technological progress and the potentiality of the crop output in a specific time interval.Meanwhile the meteorological yield could manifest the yield fluctuation that was resulted from the meteorological disasters, which could then be used to assess the potential risk of crop loss in a specific region.The results of yield decomposition of wheat, corn, soybean and paddy rice in main production countries of the world suggested that the yields increased rapidly in last 50 years for soybean and corn in the United States of America, Brazil and Argentina, for wheat in France, Germany and China, and for rice in China and Vietnam.Wheat yields of some European countries such as France and Germany, and rice yields of some Asian countries such as China and Thailand, had reached a peak and then decreased in recent years.As for as the meteorological risk assessment, besides crop yield reduction rate and its annual variation coefficient that were commonly used in studies, a new indicator of risk probability coefficient was built which was calculated based on the risk probability distribution function of crop loss using a weighted method.The risk probability distribution function was firstly obtained by a statistical method based on the relative meteorological yield series of a country.Standard normal transformation was then carried out, and the risk probability distribution could be divided into different intervals.The probability of each interval was assigned with different weight that increased progressively from low reduction rate to high reduction rate.The obtained integrated risk index（Pw）could indicate the risk degree of different crops in different regions.Three risk degrees i.e.low, moderate and high risk degree were divided, which were Pw≤2.0, 2.0＜Pw≤4.0 and Pw＞4.0, respectively.The results suggested that the meteorological risks of wheat in Canada and Australia, corn in America, and soybean in Brazil and Argentina were high and the Pwwas more than 4.0.The risks of wheat in Russia and China, corn in Brazil and Argentina, soybean in America and China, and rice in India were moderate.The Pwvalues of wheat in America, Germany, France and India, corn in China, and rice in China, Vietnam and Thailand were less than 2.0, which meant their meteorological risks were low.The method in this paper can be helpful to evaluate the change trend of crop yield and assess the meteorological risk of agricultural production at global scale.

Keywords:grain; crops; risk assessment; global; yield; yield change; meteorological disaster

作者简介：钱永兰（1975-），女（汉族），山东人，高工，博士，从事应用气象、农业遥感应用方面的研究。北京国家气象中心，100081。Email：qianyl@cma.gov.cn

基金项目：公益性行业（气象）科研专项（GYHY201106030）；财政部“国内外作物产量气象预报专项”和“气候变化对农业的影响”项目

收稿日期：2015-07-23

修订日期：2015-11-18

中图分类号：P49，S166

文献标志码：A

文章编号：1002-6819（2016）-01-0226-10

doi：10.11975/j.issn.1002-6819.2016.01.032