劉葦航，葉 濤，3，史培軍，3，4，陳 說

（1.北京師范大學地理科學學部災害風險科學研究院，北京 100875；2.北京師范大學地理科學學部地表過程與資源生態(tài)國家重點實驗室，北京 100875；3.應急管理部-教育部減災與應急管理研究院，北京 100875；4.青海省人民政府-北京師范大學高原科學與可持續(xù)發(fā)展研究院，青海西寧 810008）

引言

全球氣候變化已經(jīng)對可持續(xù)發(fā)展和人類安全形成了嚴峻的挑戰(zhàn)［1］。糧食安全問題是氣候變化可能造成的重要的風險之一［2-4］。升溫、降水格局變化和更高頻率的極端事件改變了糧食作物平均單產和年際波動，從源頭上影響了糧食生產的可供性（availability）和穩(wěn)定性（stability），并進一步傳遞到糧食的加工、交易和消費環(huán)節(jié)，對糧食安全“四支柱”［5］產生全面的負向影響［6-7］。理解氣候變化影響糧食安全的機制、評估其風險，是采取“風險知曉”的（risk-informed）適應與發(fā)展行動的重要前提［8-9］。

糧食生產風險指糧食單產或總產的不確定性，是關系糧食生產穩(wěn)定性和可獲取性的重要問題。在局地尺度上，單產年際波動直接影響著生產者的自給自足保障和基本生計［10］，以及糧食儲備的壓力［11］；在更大尺度上，單產年際波動的區(qū)域間耦合或同步歉收可能造成糧食市場價格的起伏［12］，并引起限制出口、糧價上升、饑荒［13］、乃至政局動蕩等嚴重問題［14］，誘發(fā)系統(tǒng)性風險［15-16］。

糧食生產風險評估是農業(yè)自然災害領域的經(jīng)典問題，過往研究多建立在環(huán)境不變和時間序列平穩(wěn)性的前提假設上［17］。然而，氣候變化所包含的氣候平均值、波動和極端值的變化［18-19］，勢必帶來單產和總產風險的變化［20］，這為糧食生產風險研究帶來了新的命題：如何準確理解氣候變化對糧食單產/總產的不確定性影響的驅動因素，有效評估此類由環(huán)境變化驅動的風險變化？這也是全球變化背景下復合人地系統(tǒng)演變共同驅動的自然災害風險分析中的一項重要科學問題［21］。

氣候變化對糧食生產的影響研究是氣候變化研究中的經(jīng)典問題。然而，過往研究中更多從糧食安全可供性出發(fā)，評估氣候變化對糧食作物平均單產的影響［22-24］，而氣候變化對糧食生產風險的影響研究則滯后于風險防范和適應的需求［25］。從IPCC第一次評估報告到2012年間，氣候變化對糧食作物單產年際波動影響的研究論文僅占氣候變化下糧食安全研究的4.2%［26］。直到第三次評估報告，IPCC才開始關注氣候變化導致的單產年際波動變化的問題［27］。IPCC第五次評估報告仍將“不分析”或“不報告”單產年際波動變化作為一項研究鴻溝［28］。2019年末IPCC發(fā)布的《氣候變化與土地特別報告》則強調，研究氣候沖擊帶來的糧食生產風險變化，是構筑氣候變化背景下糧食系統(tǒng)針對極端事件的韌性亟需填補的關鍵知識鴻溝之一［6，29］。

為了更好地回答氣候變化對糧食生產風險的影響這一關乎未來糧食安全的重要問題，傳統(tǒng)的風險研究與氣候變化影響研究展開了交叉。研究初步探討了全球尺度歷史時期氣候變化與單產年際波動變化之間的對應關系［30-31］，并預估了未來氣候變化情景下的單產年際波動變化［32-34］。研究也初步分析了歷史時期總產同步歉收（synchronized failure；也稱multiple bread-basket failure）概率的變化［35］和未來不同氣候變化情景下風險的預估［36-37］等問題。為了能夠積極推動相關問題的研究，更好地回應氣候變化適應與風險防范的關切，本文綜述了氣候變化對糧食生產風險影響的相關文獻，總結了當前已取得的研究進展和成果、當前研究中存在的主要瓶頸和挑戰(zhàn)，并對下一階段的研究進行了展望。

1 氣候變化對糧食生產風險影響的研究途徑

當前關于氣候變化對糧食生產風險影響的研究，主要從單區(qū)域-單作物的單產風險和多區(qū)域-多作物的同步歉收風險兩個角度開展。

單產風險特指單一空間位置上（如站點、格網(wǎng)、生產區(qū)或行政單元）糧食單產水平的不確定性。在傳統(tǒng)的農業(yè)自然災害風險研究中，多使用單產的概率密度分布、單產的年際波動水平（如標準差或變異系數(shù)）［38-39］以及減產的超越概率［40］等指標表達。在特定空間位置上，氣候要素（包括氣溫、降水、輻射，以及二氧化碳濃度等）在不同時間尺度（日、月、季和年際）上不同組分（均值、變率和極端值等）的變化，可能對作物的生長發(fā)育過程產生顯著影響并引起單產的響應，改變單產的年際波動水平和極端低產的出現(xiàn)概率［41-42］，從而改變單產風險。研究單產風險對氣候變化的響應對于氣候變化條件下區(qū)域農業(yè)自然災害風險防范和適應有重要幫助。

“同步歉收”特指全球多個主產區(qū)同時經(jīng)歷糧食周年總產大幅降低的事件［15］。單產年際變率關注的是單一區(qū)域上的“個體”風險，而同步歉收風險則是其區(qū)域間、作物間關聯(lián)性和系統(tǒng)性風險方向的外延。全球化過程使得全球糧食生產向特定品種和主產區(qū)集中，對品種間、區(qū)域間豐歉互補的依賴日益上升；而全球氣候變化則通過氣候遙相關增強了全球不同區(qū)域極端天氣氣候事件的關聯(lián)性，大幅增加了全球多個主產區(qū)發(fā)生同步歉收的可能性［16］，已構成典型的“小概率、大影響”的系統(tǒng)性風險［1］。針對同步歉收風險的研究重點是，氣候變化如何改變了多作物間、多區(qū)域間和多尺度間風險的相關、累加和傳遞機制。研究多區(qū)域單產聚合風險對于提升全球和區(qū)域糧食系統(tǒng)韌性以及制定合理的進出口貿易策略具有指導意義。

2 氣候變化對單產風險的影響

2.1 氣候變化影響單產風險的事實

單產風險的概念早期被用于農業(yè)風險區(qū)劃［43］，農作物保險費率厘定［44-46］以及農戶級別的農業(yè)生產風險的研究［47］。2013年，Osborne和Wheeler開始在全球尺度關注氣候要素變化對糧食作物單產風險可能產生的影響［30］。他們使用全球尺度1961-2009年的FAO國別統(tǒng)計單產資料，分析了氣候變化（溫度和降水的一階差分）與國別單產年際波動之間的統(tǒng)計關系，發(fā)現(xiàn)該時段內全球有近半數(shù)的國家糧食單產年際波動的變化顯著，且多數(shù)呈現(xiàn)減小的趨勢?？紤]到國別尺度統(tǒng)計單產年際波動可能掩蓋了空間異質性，Iizumi和Ramankutty利用一套凈初級生產力權重分配的單產格網(wǎng)數(shù)據(jù)集［48］開展了評估分析，發(fā)現(xiàn)全球1981-2010年四大口糧作物單產年際波動總體呈現(xiàn)減小的趨勢，但少數(shù)區(qū)域的糧食生產將變得更加不穩(wěn)定［31］。全球單產年際波動的變化中有21%可以被氣候要素年際波動（9年滑動平均標準差）的變化所解釋。在區(qū)域尺度上，1980-2010年美國有19%的縣表現(xiàn)出玉米單產年際波動增大的特征，主要位于美國的東南沿海和南部［49］。

研究也已初步開展了未來氣候變化對主要糧食作物單產風險的影響預估。一項預估結果顯示，到本世紀中期單產年際波動總體上升，北半球以及南半球中緯度地區(qū)的單產年際波動顯著增大；而在赤道附近的熱帶，除水稻外的其它三大作物的單產年際波動均表現(xiàn)為減小的趨勢［50］。在不考慮空間差異的2°C和4°C全球均一增溫情景下，使用統(tǒng)計模型預估的結果顯示，玉米單產在全球所有種植區(qū)均表現(xiàn)出年際波動增大的現(xiàn)象［33］。全球升溫1.5°C和2°C情景下，在全球60個代表性站點使用多作物模型集合預估的結果中，有近一半的站點呈現(xiàn)小麥單產年際波動增大的趨勢，其中有14個顯著增大，這些站點多位于相對偏干、偏熱的區(qū)域［51］。在更高的空間分辨率水平上，Liu等［52］使用集合作物模型模擬器對未來RCP4.5和RCP8.5情景全球小麥單產開展了預估，發(fā)現(xiàn)全球有超過半數(shù)的小麥種植區(qū)單產年際波動在未來會發(fā)生顯著的變化，其中有18%～23%的區(qū)域存在單產年際波動顯著增大的現(xiàn)象。

在區(qū)域尺度上的預估研究顯示，僅考慮未來溫度和降水的變化，美國玉米帶的單產年際波動在2050年前后相對于1980-2000年間增大47%［53］。在歐洲，法國小麥單產年際波動在RCP8.5情景下將顯著增大并引發(fā)更頻繁的極端低產［54］。比利時小麥和玉米單產的年際波動在A1B情景下2050年前后相對于歷史時期將增大1%～3%［55］。地中海沿岸的歐洲國家小麥單產年際波動在A2情景下2071-2100年間相對于歷史時期顯著增大［56］。

2.2 氣候變化影響單產風險的主要驅動因素

IPCC SREX報告將氣候變化解釋為氣候要素平均態(tài)、變率和分布偏度的變化［19］；而變率和分布偏度則共同決定了其極端值的變化特征。探討上述氣候統(tǒng)計特征變化與單產風險變化之間的關系是了解氣候變化影響單產風險驅動因素的重要途經(jīng)。

氣候變率的變化是影響單產風險的關鍵驅動因子之一，包括年際變率（生育期氣候要素在年際之間的波動）和季節(jié)內變率（生育期內氣候要素的季節(jié)波動）的變化。氣候要素年際變率增大可能使得作物遠離最適溫濕區(qū)間，從而使得低產頻率上升，單產年際波動增大［31］。在全球67%～70%的作物種植區(qū)，氣候要素的年際變率的變化能解釋28%～34%的單產年際波動的變化［31］。在美國，氣溫和降水年際變率的變化分別主導了29%和28%的縣域玉米單產年際波動的變化［49］。季節(jié)內氣候要素變率和單產年際波動之間在全球和區(qū)域尺度上均存在顯著的相關性［57-58］。季節(jié)內氣候要素變率變化可能使得水分和熱量在季節(jié)內分配的格局發(fā)生改變，進而影響作物生長發(fā)育的一些關鍵過程。例如，較高的季節(jié)內溫度會通過加速物候發(fā)育限制光合速率以及減少光能截獲［59］。

氣候要素的平均值變化也是單產風險變化的驅動之一，其影響源于單產對于溫度的非線性響應［33，53］。當平均溫度從偏低的狀態(tài)靠近最適溫度的時候，增溫對于作物生長表現(xiàn)出利好的作用，一方面增大了平均單產，同時也減小了單產年際波動。當平均溫度增加并從最適溫度向偏高的溫度變化時，增溫對于作物生長表現(xiàn)出不利的影響，一方面降低了平均單產，同時也增大了單產年際波動［33，53］。

極端天氣氣候事件頻率和強度的變化是單產風險變化的另一大驅動因子。高溫熱害、低溫凍害、干旱、大風、極端降水和洪澇等極端氣候易造成作物顯著低產［60-61］。極端高溫、低溫、干旱和暴雨四個極端氣候事件可以解釋全球18%～49%的單產年際波動，其中對于亞洲的玉米、水稻以及北美的玉米的單產年際波動解釋率均高于30%［62］。未來A1B情景下極端高溫會使得2071-2100年的全球糧食單產年際波動在相對于1971-2000年顯著增大［63］。在歐洲，氣候變化引起的11種極端天氣氣候事件頻率上升，將導致小麥單產年際波動顯著增大［64］。在未來RCP4.5和RCP8.5情景下，中國長江流域的極端干旱、高溫的增強將會導致玉米、水稻單產年際波動增大［65］。在中國西北干旱地區(qū)，未來更高重現(xiàn)期的干旱會誘發(fā)更高重現(xiàn)期的低產現(xiàn)象，更高的重現(xiàn)期低產將進一步誘發(fā)玉米單產年際波動增大［66］。

2.3 評估氣候變化下單產成害脆弱性的方法

評估變化環(huán)境驅動的災害風險變化，無法再單純依賴基于歷史數(shù)據(jù)的統(tǒng)計模型，須從風險形成的致災機理和成害過程出發(fā)通過模擬實現(xiàn)［67］。氣候變化對單產風險影響的評估，在致災端，主要利用氣候預估數(shù)據(jù)分析氣候變化帶來的危險性變化，即未來特定的氣候情景下各氣候要素的均值、波動和極端值的變化；在成害端，則主要利用單產-氣候響應函數(shù)（脆弱性）將危險性變化映射致單產統(tǒng)計特征的變化，從而獲得在不同氣候條件或情景下的單產不確定性估計，并分析其變化特征。

在致災端，當前已有的氣候變化致災危險性評估與經(jīng)典的災害風險評估方法相比，多省略了離散隨機事件仿真的步驟，而僅直接使用未來氣候情景下的多模式預估數(shù)據(jù)作為驅動，或在預估數(shù)據(jù)的基礎之上構建模式-情景超級組合［68］，并將多模式的評估結果等價于離散事件仿真。這與當前在全球洪水風險評估中，通過擬合未來特定的升溫情景時期的極值分布進行完整的危險性評估、獲取未來任意年份不同重現(xiàn)期致災強度的做法相比［69］，是一種簡化的處理方式。

在成害端，單產-氣候響應關系的主要載體是作物模型，包括統(tǒng)計作物模型和機理作物模型，近年來新發(fā)展了統(tǒng)計+機理的混合模型方法，并且將遙感技術與統(tǒng)計和機理模型進行有機結合（表1）。這些模型中的響應關系和參數(shù)主要建立在對歷史時期的實驗和統(tǒng)計數(shù)據(jù)建模的基礎之上。相應的，所獲得的評估結果均建立在歷史時期基因參數(shù)與田間管理水平不變的前提下。

表1 減產脆弱性分析的主要方法Table 1 Major methods of crop yield loss vulnerability analysis

（1）統(tǒng)計作物模型。統(tǒng)計作物模型是常用的建立單產-氣候響應關系的方法，包括考慮交互項的多元線性回歸［75］、考慮二次項和極端值的多元線性回歸［53］、分段頻率統(tǒng)計回歸［76-77］等。在回歸方程中納入不同的解釋變量可以揭示單產風險變化和不同氣候要素之間的關聯(lián)性，如極端高溫日數(shù)［31］和溫度、降水的年際變率［49］。但是多數(shù)統(tǒng)計模型在擬合氣候要素變化（致災）和單產風險變化（成害）的時候往往擬合優(yōu)度不高，其主要原因是線性回歸模型擬合參數(shù)的假設是對平均值進行無偏估計，而并不針對變率?；跈C器學習算法建立的作物統(tǒng)計模型相對于多元線性回歸對于單產年際波動的還原度更高［78］，主要歸功于機器學習算法對復雜交互作用和非線性響應關系有很強的擬合能力。然而，在對未來氣候變化的影響進行評估時，會因樣本外插而存在很大的不確定性。

（2）機理作物模型。機理作物模型通過對作物生長發(fā)育的過程進行數(shù)學建模和描述以定義復雜的單產-氣候的響應關系，以及品種、田間管理方式等非氣候要素在其中的交互作用［79］。目前主流的機理作物模型集合模擬可還原50%的單產年際波動［80］以及37%的極端低產［81］。相較于單產風險評估的需求，機理作物模型在還原歷單產年際波動上有不足，主要原因是機理模型在處理極端天氣氣候事件的影響時通常會對該過程進行簡化或者模糊處理，從而造成對極端高溫［82-83］、并發(fā)的高溫-干旱［84］、暴雨洪澇［85-86］等極端氣候事件的影響還原不準確的現(xiàn)象。

（3）統(tǒng)計和機理模型的混合模型。近年來，部分研究嘗試將統(tǒng)計作物模型和機理作物模型結合以達到提高模型對單產年際波動還原度的目的［87］。主要思路是將作物機理模型的輸出變量（如：單產、生物量）和外部變量（如：植被指數(shù)、極端氣候指數(shù)）作為自變量建立和觀測單產之間的統(tǒng)計關系。早期研究多數(shù)使用線性回歸和機理作物模型結合，將機理作物模型輸出的莖稈質量或葉面積指數(shù)和外部計算的氣象指標共同作為線性回歸的自變量，建立和觀測單產之間的統(tǒng)計關系以此提高作物機理模型對單產年際變率的還原能力［88-90］。近期的研究開始將機器學習算法和機理作物模型結合，將機理作物模型的輸出生物量和外部計算的氣象、遙感、土壤等變量共同作為機器學習的自變量，建立和觀測單產之間的統(tǒng)計關系，大幅提高了對于單產年際波動的還原度［72，91-92］。

（4）遙感技術和統(tǒng)計模型的結合。過去將遙感技術和統(tǒng)計模型相結合的方法大多是將植被指數(shù)納入統(tǒng)計模型的建模中，傳統(tǒng)植被指數(shù)對于提升精度確實起到了很重要的作用［93］，但是傳統(tǒng)植被指數(shù)對于極端氣候的監(jiān)測存在不足，近年來和植被光合作用緊密相關的葉綠素熒光（SIF）指數(shù)被發(fā)現(xiàn)對于高溫的監(jiān)測更加敏感，將SIF納入統(tǒng)計模型可以有效提升對于極端高溫下的單產風險估計［73］。另外，過去的統(tǒng)計模型更多地使用氣象干旱指數(shù)來表達干旱的強度，近期通過遙感反演得到的土壤水產品被證明比氣象干旱指數(shù)具有更好的農業(yè)干旱監(jiān)測和預報能力［94］。

（5）遙感技術和機理模型的結合。作物機理模型由于自身輸入數(shù)據(jù)比較復雜，在大范圍的模擬中難以直接獲取具有空間異質性的輸入數(shù)據(jù)，因此會造成作物機理模型模擬結果分辨率較粗且空間異質性不足的問題［95］。而遙感技術最大的特點之一就是可以在較高的空間分辨率水平上揭示空間異質性，將遙感技術和作物機理模型進行結合可以顯著提高對于單產風險空間異質性的理解和認識，同時對于田塊尺度的單產風險監(jiān)測預報均有指導意義［74，96-97］。

2.4 發(fā)展趨向與挑戰(zhàn)

氣候變化影響單產風險的研究內容正逐步從基于歷史資料的統(tǒng)計分析轉變?yōu)榻柚嘣獢?shù)據(jù)和多種方法的集成性評估研究。利用統(tǒng)計作物模型或機理作物模型，當前研究已初步揭示了全球和區(qū)域尺度上氣候變化對單產風險的影響，證明了氣候的趨勢性變化、波動增大以及極端天氣氣候事件頻率和強度的改變均會顯著地影響單產風險。然而，當前研究還有如下問題亟待解決：

（1）影響的事實。關于歷史時期氣候變化對區(qū)域單產風險的影響，當前還缺少全面的認識。對未來時期全球和不同區(qū)域的單產風險的預估，也只完成了全球尺度粗分辨率以及少部分基礎數(shù)據(jù)較好區(qū)域的影響分析。預估結果不確定性較大，且缺少高空間分辨率的預估，對于全球單產年際變率的空間異質性認識也有不足。

（2）影響的驅動因素。當前對于復合極端氣候事件影響單產風險的驅動因素還存在認識上的不足。在氣候變化顯著改變全球復合極端氣候事件發(fā)生的可能性的背景下［1，98］，復合極端氣候事件的影響相對于單個極端氣候事件的累加更強［99-100］。但是，目前只是從統(tǒng)計分析中發(fā)現(xiàn)了這一現(xiàn)象，并未能從機理上解釋復合極端氣候事件放大單一極端氣候事件影響的原因。

（3）成害脆弱性分析的方法。當前基于機器學習算法的統(tǒng)計作物模型和機理作物模型結合的方法可以高度還原單產年際波動，但是此類方法所建立的模型中存在很多要素響應不可解釋的部分。并且該方法是否能夠還原極端氣候事件的復合影響還未得到很好地檢驗。遙感資料和統(tǒng)計、機理模型的結合很大程度上受制于遙感資料的時間范圍，無法應用于長期過去同時也無法針對未來進行預估。

3 氣候變化對多區(qū)域-多糧食作物同步歉收風險的影響

3.1 同步歉收事件的驅動因素

全球同步歉收事件的發(fā)生表明，全球不同主產區(qū)造成糧食減產的氣候異常之間存在著某些背后的聯(lián)系。大尺度環(huán)流活動異常通常被認為是其中最主要的原因?，F(xiàn)有研究已經(jīng)初步揭示了不同氣候濤動事件與特定區(qū)域糧食歉收之間的關系。

厄爾尼諾南方濤動（ENSO）在全球尺度能夠影響的歉收范圍最廣［101］，其年際振蕩可以同時影響北半球太平洋兩岸的夏季作物，包括美國、墨西哥、阿根廷和中國的玉米與大豆單產［102］。ENSO和赤道以及南半球的冬季糧食卡路里總量也有較強的關聯(lián)，包括巴西、澳大利亞的小麥［103］、哥倫比亞的水稻［104］。在厄爾尼諾年北半球的夏季，熱帶輻合帶靠近東太平洋的赤道區(qū)域，阻擋了向墨西哥方向輸送的水汽，造成墨西哥玉米干旱［105］。而在拉尼娜年北半球的夏季，在美國大平原地區(qū)會形成一個氣壓槽使得干旱和高溫得到增強，進而造成美國中西部地區(qū)的玉米大豆的歉收［105］。在中國的華北平原，厄爾尼諾現(xiàn)象會減弱夏季西太平洋向中國北方的水汽輸送，從而造成玉米歉收［106］。對于南半球而言，厄爾尼諾主要影響冬季氣候，厄爾尼諾引發(fā)的反氣旋會使得澳大利亞的小麥遭受干旱引發(fā)的歉收［107］。總體上，ENSO指數(shù)可以指征全球四大糧食作物22%～24%的大幅歉收事件［108］。

北大西洋濤動（NAO）主要導致北非和歐洲的糧食歉收。NAO對于這些區(qū)域冬季的氣候影響較強，正相位的NAO會減少北非的降水，從而使得小麥由于干旱而歉收［105］；負相位的NAO可以使歐洲中部和斯堪的納維亞半島的冬季溫度更冷進而引發(fā)小麥凍害歉收［109］?？傮w上，NAO的年際變率可以解釋歐洲和北非地區(qū)64%的小麥單產年際變率［105］。印度洋偶極子（IOD）可以同時影響印度洋北側的印度小麥、東側的澳大利亞的小麥以及西側的撒哈拉以南非洲東部的玉米。正相位的IOD會在這些區(qū)域形成反氣旋，進而減少區(qū)域降水引發(fā)干旱［110］。IOD正負相位的變化可以指示印度和澳大利亞12%～28%的小麥歉收幅度［107］，以及非洲東部、南部多個國家玉米總產12%～44%的年際變率［105］。熱帶大西洋變率（TAV）則主要影響著南半球大西洋兩岸的南美洲和非洲，阿根廷、巴西以及撒哈拉以南的非洲西岸的玉米，41%～66%的單產年際變率可以被TAV的異常所解釋［105］。

3.2 氣候變化對同步歉收風險影響的評估與預估

評估氣候變化對同步歉收風險的影響，需要量化氣候變化對不同產區(qū)-歉收事件之間相關性的影響，其核心是空間相依風險的聯(lián)合概率建模問題。當前研究中主要探索2類方法：一類是抓住不同區(qū)域導致大幅歉收事件的主導氣候致災因子，然后分析氣候致災因子之間的相關性。此類方法略過了氣候致災到減產歉收的成害過程評估，本質上屬于同步歉收的“致災風險”。另一類是直接抓住不同區(qū)域單產或總產之間的相關性，利用歷史觀測數(shù)據(jù)，或氣候模式驅動的作物機理模型開展模擬，實現(xiàn)真正意義上不同區(qū)域同步歉收的“成害風險”評估。

同步歉收“致災風險”評估的代表性工作是國際應用系統(tǒng)分析研究所完成的系列工作。Gaupp等人通過大量綜述，在全球不同主產區(qū)選用和總產減少密切相關的氣候因子作為“氣候風險指數(shù)”，將“氣候風險指數(shù)”低于25%的百分位數(shù)作為發(fā)生歉收風險閾值，并利用R-vines copula［36］統(tǒng)計了全球不同數(shù)量的主產區(qū)經(jīng)歷“同期氣候風險”的聯(lián)合概率。結果顯示，全球除水稻外，小麥、玉米和大豆同時有一個以上主產區(qū)經(jīng)歷歉收事件的概率在1967-1990年時段分別為0.3%、0.8%、1.7%，而到1991-2012年時段則上升為1.2%、1.1%、2.0%［35］。針對未來氣候情景的預估結果顯示，全球升溫2℃情景相對于1.5℃升溫，全球5個主產國的小麥、玉米和大豆的總產同步歉收風險可能性將分別增大到40%、35%和23%［111］。

從成害角度完成的同步歉收風險評估中，Mehrabi和Ramankutty利用1961-2008年全球統(tǒng)計總產，量化了全球不同區(qū)域多種糧食作物總產的協(xié)方差。發(fā)現(xiàn)不同糧食作物之間的同步歉收風險略有下降，但如果完全同步歉收事件出現(xiàn)，全球總產的將減少17%～34%［15］。針對美國玉米帶和中國東北的玉米的模擬結果發(fā)現(xiàn)，兩個區(qū)域同時發(fā)生同步歉收事件的概率以每十年6%的速率增長［112］。使用統(tǒng)計模型進行模擬的結果顯示，全球均一化升溫2℃會將“玉米四大主產國和四大出口國同步歉收”這一事件由概率幾乎為零變?yōu)榭赡苁录?，而升?℃時上述事件發(fā)生的概率將超過85%，同步大幅歉收（減產＞20%）的事件概率將超過45%［33］。

3.3 發(fā)展趨向與挑戰(zhàn)

氣候變化下的同步歉收風險研究方向已初步揭示了氣候濤動事件與特定區(qū)域糧食歉收之間的關系，并初步形成了一套利用氣候指標指征區(qū)域減產-多區(qū)域氣候指標聯(lián)合概率建模-多區(qū)域同步歉收風險評估的“自下而上”的評估方法。當前該方向的研究還有如下問題有待解決：

（1）卡路里替代性。當前針對未來同步歉收風險的預估研究大多數(shù)針對單個作物進行獨立的風險評估，并未考慮不同糧食作物之間提供卡路里的替代性。從單作物-多區(qū)域變更為多作物-多區(qū)域，未來氣候變化是否可能導致更高的同步歉收風險？

（2）尺度效應。當前預估結果將全球單個糧食主產區(qū)域視為均一單元，而在全球尺度上開展評估工作。而在區(qū)域、國家和主產區(qū)等更低尺度的空間單元內部，同步歉收風險將如何變化？豐歉互補的策略是否能夠繼續(xù)有效穩(wěn)定區(qū)域糧食總產？

（3）評估方法。當前的評估模型主要采用了分區(qū)隨機變量建模-多區(qū)域聯(lián)合概率建模的方式。此種方式依賴于統(tǒng)計分析，未將大尺度氣候濤動的相位控制作用納入考慮。而從氣候濤動出發(fā)進行“自上而下”的建模，則需要解決對歉收幅度預測能力不足的問題。如何有效實現(xiàn)“上下結合”，改進評估模型、以準確量化氣候變化下同步歉收風險？

4 結論與展望

伴隨著氣候變化與糧食安全相關研究的不斷深入，關于氣候變化影響區(qū)域作物單產風險和多區(qū)域糧食總產同步歉收風險，并進一步影響糧食供給穩(wěn)定性的問題，已經(jīng)引起學者的高度重視。從區(qū)域單產風險變化來看，氣候變化已經(jīng)并將進一步造成全球多個區(qū)域糧食作物單產年際波動的增大，進而增大了單產風險發(fā)生的概率。從全球多區(qū)域-多糧食作物關聯(lián)的單產年際波動變化視角來看，氣候變化下單產年際波動表現(xiàn)出更強的同步性的特征，因而增大了發(fā)生同步歉收風險的可能性。傳統(tǒng)的氣候變化糧食作物生產影響研究一直提倡的，通過填補產量差提升平均單產的氣候變化適應策略，恐難以有效應對此類風險，未來必須尋求減少糧食生產風險的手段。為此，深入理解氣候變化對全球不同區(qū)域糧食作物單產風險的影響以及區(qū)域性乃至全球性同步歉收風險，對于積極適應氣候變化帶來的新風險，建立區(qū)域和全球韌性糧食系統(tǒng)、保障糧食安全具有重要意義。

在下一階段的研究中，針對氣候變化下的區(qū)域單產風險變化以及多區(qū)域同步歉收風險兩個方面，均需要解決方法上的問題，來推動相關的研究：

（1）改進模型方法模擬糧食作物單產年際波動的能力。進一步加強單產-氣候響應關系的基礎性研究，通過改進試驗與觀測數(shù)據(jù)集，揭示糧食作物生長發(fā)育過程及單產對氣候要素變化的響應，提高模型對單產年際波動的還原能力，特別是對極端天氣氣候事件（單一要素和復合要素）影響的還能力。進一步明確氣候變化影響單產年際波動的機理，加強多要素（氣溫、降水、輻射、二氧化碳等）、多組分（均值、波動和極端值）共同影響和交互作用的綜合分析，量化氣候系統(tǒng)各要素-組分的相對貢獻，為不同區(qū)域制定針對性的適應與風險防范措施提供依據(jù)。

（2）推動利用時空相依風險建模方法解決同步歉收風險的模擬與評估。構建有效反映大尺度氣候濤動影響機理的同步歉收風險的模擬與評估模型。開展多區(qū)域-不同糧食作物之間的歉收關聯(lián)性（“多災種”型）建模，考慮多作物-多區(qū)域之間的熟制和輪作關系，以及在提供卡路里的功能上存在替代性。進一步揭示同步歉收風險在不同時空尺度上的變化規(guī)律。

（3）加強對氣候變化影響糧食生產風險的系統(tǒng)認識。進一步開展高空間分辨率的評估和預估，形成對未來特定氣候情景下全球和區(qū)域糧食作物生產風險的系統(tǒng)認識，識別敏感作物和熱點區(qū)域，以及對糧食系統(tǒng)其它部分和其它經(jīng)濟部門的級聯(lián)效應。從單個區(qū)域糧食儲備制度和跨區(qū)域/國家互助等角度制定以“調峰”為核心的氣候變化風險防范機制，以提升全球糧食系統(tǒng)的韌性。