下载:
-
洋白蜡Fraxinus pennsylvanica是中国重要的造林绿化树种，也是北京市使用频度最高的行道树种之一，其形体端正，枝叶繁茂而鲜绿，秋叶橙黄，不仅美观性强，还能捕获大量空气中的颗粒物，降低风速，改善城市空气质量[1]。行道树是城市绿地系统的骨干，以“线”的形式联系着城市中分散的“点”和“面”的绿化，构成完整的城市森林生态系统[2]。行道树在缓解城市热岛效应[3]、净化空气[4]、改善城市环境及维护城市内部生物多样性[5]等方面均能起到显著作用，其健康状况不仅反映了城市绿化质量高低，同时也是景观效果及生态效益得以发挥的重要基础。行道树易受人为活动的干扰，生长空间受限及后期疏于管护，易出现树势衰弱、腐烂空洞及病虫害频发等问题，存在较高的安全隐患，限制其景观和生态效益的发挥[6]。
近年来，层次分析法[7-9]、主成分分析[10-11]、综合打分法[12]、树木活力度分级[13]等方法广泛应用于树木健康评价中。不同评价方法各有优劣，评价结果精度也不尽相同，整体呈现出多方法相结合的发展趋势[14-16]。针对行道树开展健康评价研究，尚未形成实用性强的评价体系。基于此，本研究在北京市核心区11条街道洋白蜡行道树调查结果基础上，结合行道树生境、管护措施等多方面因素，运用主成分分析及聚类分析建立洋白蜡行道树健康评价体系，采用判别分析进行结果验证，并基于验证结果建立BP神经网络预测模型，以期了解北京市核心区洋白蜡行道树健康状况，为行道树快速、准确的健康评价提供技术支撑。
-
调查于2018年夏季进行。选取分布于北京市核心区多个方位、包含多种道路类型的11条行道树为洋白蜡的街道。随机选取每条街道2侧各至少20株样树，对其生长状况、环境条件等指标进行每木调查，共计调查870株洋白蜡。道路概况见表1。
表 1 研究区域道路概况
Table 1. Roads’ profile in study area
道路名称 单向车道数 道路走向 道路类型 行政区划 道路名称 单向车道数 道路走向 道路类型 行政区划 南礼士路二条 1 东西 支路 西城 青年沟路 1 东西 次干路 东城 南纬路 2 东西 次干路 西城 先农坛西路 1 南北 支路 西城 燕京北街 1 东西 支路 西城 二七剧场路 1 南北 支路 西城 史家胡同 1 东西 支路 东城 南花市大街 2 南北 次干路 东城 西兴隆街 1 东西 支路 东城 德胜门内大街 2 南北 次干路 西城 崇文门西大街 3 东西 主干道 东城 -
将指标中定性数据量化后，与定量数据相结合，共同构建洋白蜡行道树健康评价指标体系。本研究参考汪瑛[2]、邵鹏[6]、余韵[18]以及DB 11/T1692—2019《城市树木健康诊断技术规程》[19]的指标选择和赋值原则，从行道树树冠、树干、根部的生长状况及病虫害、环境条件及管护等多个角度建立指标体系，共选取12个评价指标。所选指标及赋值原则如下：①长势与枯枝(x1)：冠形饱满、长势良好无枯枝，赋值为4；树冠缺损和枯枝率≤10%，为轻度，赋值为3；树冠缺损和枯枝率为10%~≤30%，为中度，赋值为2；树冠缺损严重和枯枝率＞30 %，为重度，赋值为1。②枝叶茂密程度(x2)：非常茂密赋值为3；茂密赋值为2；不茂密赋值为1。③树干异常音(x3)：木槌敲击树干，无异常音，赋值为3；轻微异常音，赋值为2；异常音较大，赋值为1。④树干完整度(x4)：树干表皮无腐朽损伤，赋值为4；损伤度≤1/3，赋值为3；腐朽损伤度为1/3~≤1/2时，赋值为2；损伤度＞1/2，赋值为1。其中，损伤度=树干表皮最大损伤宽度/树干周长。⑤基部空洞程度(x5)：树干基部空洞深度占树干基部直径的比例，用钢钎测量。目测无空洞，赋值为4；存在空洞情况，空洞程度≤1/3，赋值为3；空洞程度为1/3~≤1/2时，赋值为2，损伤度＞1/2，赋值为1。⑥根部腐朽程度(x6)：用钢钎测量。如钢钎无法插入，则无腐朽，赋值为4；插入深度≤5 cm，为轻度，赋值为3；插入深度为5~≤20 cm时，则为中度，赋值为2；深度＞20 cm，则为重度腐朽，赋值为1。⑦修枝愈合率(x7)：伤口愈合良好的修枝数量占修枝总量的比例。⑧修枝留茬(x8)：无修枝留茬，赋值为4；留茬数为1 个即为轻度，赋值为3；留茬数为2~3个即为中度，赋值为2；留茬数为3个以上即为重度，赋值为1。⑨病虫害情况(x9)：该指标结合叶片病虫害受害率、树干部病虫害受害率、异色叶比例3个方面进行考量。叶片病虫害受害率=受害叶片数量/叶总量；树干部病虫害受害率=受害宽度/周长；异色叶比例=异常叶色数量/叶总量，其中受害宽度指寄生物危害、病害及虫害等致树干部位受到损伤的最大宽度，周长指受害部位所在位置的枝干周长。无病虫害、无叶色异常、无羽化孔和排粪孔，赋值为4；存在排粪孔或1个羽化孔，叶色异常≤30%，叶片或树干部受害率≤1/3，满足其中任意1项为轻度，赋值为3；存在2~5个羽化孔、叶色异常为30%~≤50%、叶片或树干部受害率为1/3~≤1/2时，满足其中任意1项为中度，赋值为2；存在5个及以上羽化孔，叶色异常比例＞50%，叶片或树干部受害率＞1/2，满足其中任意1项为重度，赋值为1。⑩环境影响(x10)：生长空间充足无遮荫，有防踩铺装且透水性良好，无根系裸露，赋值为4；生长空间稍狭，有防踩铺装但透水性差或存在轻微根系裸露现象，赋值为3；阻碍交通、生长空间受限、无防踩铺装或存在1/3~≤1/2根系裸露，赋值为2；生长空间严重受限(距离建筑物≤1 m)、基部晃动或＞1/2根系裸露，赋值为1。⑪冠穴比(x11)：
$\mathrm{冠}\mathrm{穴}\mathrm{比}={\mathrm{{\text{π}} }\;{\left(\dfrac{1}{4}\displaystyle \sum\limits _{i=1}^{4}{{W_{{\rm{C}}_i}}}\right)}^{2}}/{A_{{\rm{TP}}}}$ 。⑫冠高比(x12)：$\mathrm{冠}\mathrm{高}\mathrm{比}= {\dfrac{1}{2}\displaystyle \sum\limits _{i=1}^{4}{W_{{\rm{C}}_i}}}/{H}$ ，其中：${W_{{\rm{C}}_i}} $ 表示东、西、南、北4个方向的冠幅之和，ATP表示树池面积，H表示树高。 -
本研究所选取的评价指标均为正向指标。将12个指标数据进行归一化处理[20]；采用主成分分析法计算相关系数矩阵、特征值和方差贡献率，得到因子载荷矩阵，提取特征值大于1且累计方差贡献率70%以上n个主成分F，得出主成分的表达式yi；再根据主成分的方差贡献率计算权重，从而得到主成分综合健康得分表达式Z；对健康综合得分进行K-means聚类分析，评定树木健康等级，结果共分为健康、亚健康、不健康及濒死4个层次；然后采用判别分析对评价结果进行验证。
-
BP神经网络是基于误差反向传播算法的多层前馈式神经网络(multiple-layer feedforward network)，由输入层、隐藏层和输出层构成，其基本思想是学习过程由信号的正向传播与误差的反向传播2个过程组成，不断调整各层神经元的权值及阈值，进行误差校正，使训练的网络达到最优[21]，具有较强的非线性适应性和多维函数映射能力[20,22]。
基于MATLAB R2019b工具箱nftool环境设计了1个3层BP神经网络，将归一化后的指标数据及评价结果类别分别作为输入层及输出层。根据经验公式[20]，计算隐含层单元数，后通过试错法[21]对比，确定最终隐含层数量。采用均方误差(EMS)与相关系数(R)对模型性能进行评估[23]。
-
采用SPSS 26和MATLAB R2019b分别进行数据统计分析及构建神经网络模型，利用单因素方差分析(one-way ANOVA)和DUNCAN进行多重比较。
-
样本数据通过KMO (K＞0.5)和Bartlett (P＜0.05)球形检验，对数据进行主成分分析，选择特征根值＞1的前6个主成分作为洋白蜡行道树健康评价的综合指标。结果如表2。
表 2 主成分特征根及方差贡献率
Table 2. Principal component characteristic root and variance contribution rates
主成分 特征根 方差贡献率(wi)/% 累计方差贡献率(W)/% 主成分 特征根 方差贡献率(wi)/% 累计方差贡献率(W)/% F1 1.952 16.264 16.264 F4 1.137 9.477 52.449 F2 1.712 14.267 30.531 F5 1.102 9.179 61.629 F3 1.493 12.441 42.972 F6 1.008 8.396 70.025 说明：F1~F6为前6个主成分。i=1, 2, 3 -
根据表3，构建前6个主成分与洋白蜡行道树综合指标之间的线性关系yi。
表 3 因子载荷矩阵
Table 3. Factor load matrix
指标 主成分 指标 主成分 F1 F2 F3 F4 F5 F6 F1 F2 F3 F4 F5 F6 x1 0.492 −0.312 0.211 −0.168 0.351 0.291 x7 0.781 −0.156 −0.398 0.091 −0.180 0.019 x2 0.409 0.109 0.047 −0.325 0.636 0.148 x8 0.722 −0.280 −0.370 0.169 −0.260 0.045 x3 0.328 0.533 0.369 −0.206 −0.300 0.031 x9 0.272 0.319 0.110 −0.320 0.222 −0.401 x4 0.294 0.534 0.234 −0.174 −0.426 0.002 x10 −0.116 0.066 0.263 0.062 −0.104 0.816 x5 0.161 0.060 0.337 0.696 0.258 −0.164 x11 −0.041 0.675 −0.473 0.043 0.219 0.111 x6 0.290 0.364 0.357 0.518 0.108 −0.012 x12 −0.136 0.482 −0.644 0.177 0.125 0.177 $$ {y}_{1} = 0.352{x}_{1} + 0.293{x}_{2} + 0.235{x}_{3} + 0.210{x}_{4} + 0.115{x}_{5} + 0.208{x}_{6} + 0.559{x}_{7} + 0.517{x}_{8}+0.195{x}_{9}-0.083{x}_{10}-0.029{x}_{11}-0.097{x}_{12} ；$$ $$ {y}_{2} = -0.238{x}_{1} + 0.083{x}_{2} + 0.407{x}_{3} + 0.408{x}_{4} + 0.046{x}_{5} + 0.278{x}_{6} - 0.119{x}_{7} - 0.214{x0}_{8} + 0.244{x}_{9} + 0.050{x}_{10} + 0.516{x}_{11} + 0.368{x}_{12} ；$$ $$ {y}_{3}=0.173{x}_{1} + 0.038{x}_{2} + 0.302{x}_{3} + 0.192{x}_{4} + 0.276{x}_{5} + 0.292{x}_{6} - 0.326{x}_{7} - 0.303{x}_{8}+0.090{x}_{9}+0.215{x}_{10}-0.387{x}_{11}-0.527{x}_{12} ；$$ $$ {y}_{4} = -0.158{x}_{1} - 0.305{x}_{2} - 0.193{x}_{3} - 0.163{x}_{4} + 0.653{x}_{5} + 0.486{x}_{6} + 0.085{x}_{7} + 0.158{x}_{8} - 0.300{x}_{9} + 0.058{x}_{10}+0.040{x}_{11}+0.166{x}_{12}； $$ $$ {y}_{5}=0.334{x}_{1} + 0.606{x}_{2} - 0.286{x}_{3} - 0.406{x}_{4} + 0.246{x}_{5} + 0.103{x}_{6} - 0.171{x}_{7} - 0.248{x}_{8} + 0.211{x}_{9} - 0.099{x}_{10}+0.209{x}_{11}+0.119{x}_{12}； $$ $$ {y}_{6}=0.290{x}_{1} + 0.147{x}_{2} + 0.031{x}_{3} + 0.002{x}_{4} - 0.163{x}_{5} - 0.012{x}_{6} + 0.019{x}_{7} + 0.045{x}_{8} - 0.399{x}_{9} + 0.813{x}_{10}+0.111{x}_{11}+0.176{x}_{12}。 $$ 基于以上，按照公式
$ Z=({w}_{1}{y}_{1}+{w}_{2}{y}_{2}+{w}_{3}{y}_{3}+\dots +{w}_{n}{y}_{n})/W $ ，可得最终模型为：$ Z=(16.264{y}_{1}+ 14.267{y}_{2}+ 12.441{y}_{3}+9.477{y}_{4}+9.179{y}_{5}+8.396{y}_{6})/70.025 $ 。 -
采用K-means聚类和判别分析分别进行分类和准确性检验，由表4可见：研究区域有洋白蜡健康树341株；亚健康树359株；不健康树146株；濒死树24株。线性判别结果可知：K-means分类结果不存在任何分类争议，正确率达100%。
表 4 基于K-means聚类分析的健康判别结果
Table 4. Health discrimination results based on K-means clustering analysis
健康等级 线性判别分析 健康/株 亚健康/株 不健康/株 濒死/株 总计/株 健康 341 0 0 0 341 亚健康 0 359 0 0 359 不健康 0 0 146 0 146 濒死 0 0 0 24 24 总计 341 359 146 24 870 -
结果表明：健康的洋白蜡有341株，占比39.20%，平均得分为1.0222；亚健康的洋白蜡有359株，占比41.26%，平均得分为0.9374；不健康的洋白蜡有146株，占比16.78%，平均得分为0.8377；濒死的洋白蜡有24株，占比2.76%，平均得分为0.6064。每条道路的洋白蜡健康状况见表5。洋白蜡行道树总体平均得分为0.9448，在该评价系统中属于亚健康等级，核心区洋白蜡行道树健康状况整体呈中上等水平，约19%的树木健康状况较差，亟需进一步加强管理。
表 5 11条道路洋白蜡的健康状况
Table 5. Health condition of F. pennsylvanica in 11 roads
道路名称 健康树 亚健康树 不健康树 濒死树 总数/株 数量/株 比例/% 数量/株 比例/% 数量/株 比例/% 数量/株 比例/% 南礼士路二条 3 5.40 22 39.30 19 33.90 12 21.40 56 南纬路 21 47.70 18 40.90 5 11.40 0 0.00 44 燕京北街 51 63.00 26 32.10 4 4.90 0 0.00 81 史家胡同 10 16.70 34 56.70 13 21.70 3 5.00 60 西兴隆街 38 52.80 29 40.30 4 5.60 1 1.40 72 崇文门西大街 20 30.30 41 62.10 4 6.10 1 1.50 66 青年沟路 69 32.40 79 37.10 60 28.20 5 2.30 213 先农坛西路 18 41.90 22 51.20 3 7.00 0 0.00 43 二七剧场路 24 40.00 22 36.70 13 21.70 1 1.70 60 南花市大街 46 69.70 17 25.80 3 4.50 0 0.00 66 德胜门内大街 41 37.60 49 45.00 18 16.50 1 0.90 109 总数 341 39.20 359 41.26 146 16.78 24 2.76 870 -
将归一化后的12个指标数据作为输入层；将4个评价结果，即健康、亚健康、不健康和濒死，分别与(1，0，0，0) (0，1，0，0) (0，0，1，0) (0，0，0，1)一一对应，作为期望输出。隐含层通过试错法最终确定为10个。确定的网络拓扑结构为“12-10-4”(图1)。
图 1 BP神经网络模型的拓扑结构
Figure 1. Topological structure of BP neural network model
训练及验证样本从样本数据中随机选取，且无交集。用于训练、验证及测试的样本数分别为608、131及131个。图2为神经网络EMS的曲线图。由图2可知：当训练步数增加时，模型误差曲线逐渐逼近误差的最优值。当模型迭代18次时，验证误差达到0.0104，网络训练稳定且迅速收敛，说明该模型能够满足需求。
图 2 BP神经网络模型的误差下降曲线图
Figure 2. Error decline curve of BP neural network model
图3表示4个数据集的期望值及预测值之间的比较情况。当验证误差为0.0104时，建立的神经网络模型中的训练集、验证集、测试集与总体数据的相关系数分别为0.9997、0.9720、0.9976及0.9953，均大于0.9500，表明建立的BP神经网络模型对于训练集、验证集、测试集和总体样本都有很好的逼近能力，能较好地反映洋白蜡行道树12个评价指标与健康评价等级之间关系，故BP神经网络预测模型在洋白蜡健康状况评价中有较好的适用性。
图 3 期望值和预测值的相关系数
Figure 3. Correlation coefficient between measured and predicted values
-
研究区域洋白蜡行道树胸径平均值为31.88 cm，约68.20%的洋白蜡树胸径集中分布在20~40 cm，总体呈现左偏正态分布的趋势。单因素方差分析(表6)可知：胸径对洋白蜡行道树的健康状况影响达显著水平(P＜0.05)。当胸径≥10~＜60 cm时，呈现随着胸径增加，综合健康评分随之下降的趋势，但在胸径≥60~＜70 cm时，健康综合得分达最大值，且显著高于胸径≥30~＜60 cm区间内的3个水平(P＜0.05)。
表 6 胸径对洋白蜡健康状况的影响
Table 6. Effects of DBH on the health status of F. pennsylvanica
胸径/cm 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥10~＜20 82 0.96±0.07 ab 0.71 1.15 0.01 ≥20~＜30 354 0.96±0.08 ab 0.39 1.15 0.00 ≥30~＜40 241 0.93±0.11 a 0.45 1.10 0.01 ≥40~＜50 132 0.93±0.09 a 0.45 1.07 0.01 ≥50~＜60 54 0.92±0.10 a 0.47 1.08 0.01 ≥60~＜70 7 0.99±0.06 b 0.88 1.06 0.02 说明：不同字母表示不同胸径间差异显著(P＜0.05) 调查区域内树高平均值为11.78 m。由表7可知：洋白蜡树高大多数≥6~＜18 m，占比95.75%，其他范围分布较少；洋白蜡健康综合得分与树高间的关系整体呈正相关，但并未达到显著水平。
表 7 树高对洋白蜡健康状况的影响
Table 7. Effects of tree height on the health status of F. pennsylvanica
树高/m 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜6 8 0.89±0.12 a 0.64 1.00 0.04 ≥6~＜12 494 0.94±0.10 a 0.45 1.15 0.00 ≥12~＜18 339 0.95±0.09 a 0.39 1.15 0.00 ≥18~＜24 29 0.95±0.05 a 0.84 1.05 0.01 说明：不同字母表示不同树高间差异显著(P＜0.05) -
不规范的修枝方法会导致树体留茬，而留茬处往往易腐烂进而导致分枝处更大面积腐烂等，如不及时清除，腐烂可蔓延至主干木质部，威胁行道树的健康。由表8可知：存在修枝留茬的洋白蜡行道树占比56.90%，留茬数多为1~3个，3个以上的相对较少。修枝留茬现象对于健康综合得分影响显著(P＜0.05)，无留茬的洋白蜡健康得分显著高于存在留茬的得分，但留茬数量对行道树健康综合得分无显著影响。
表 8 修枝留茬对洋白蜡健康状况的影响
Table 8. Effects of pruning stubble on the health status of F. pennsylvanica
修枝留茬/个 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 0 375 0.97±0.08 b 0.58 1.15 0.00 1 215 0.94±0.10 a 0.39 1.08 0.01 2~3 180 0.92±0.11 a 0.45 1.10 0.01 ＞3 100 0.92±0.08 a 0.56 1.06 0.01 说明：不同字母表示不同修枝留茬数间差异显著(P＜0.05) 调查区域内，88.16%的树池有防踩实措施，主要包括毛毡子、梅花砖、塑料篦子+塑料+石子等模式。不同铺装材料的透水性差异较大，影响土壤的水分、养分循环及树体的吸收，从而影响树木健康状况。由表9可知：防踩铺装的铺设及材料透水性显著影响洋白蜡健康状况(P＜0.05)，采用透水性强的铺装材料的洋白蜡行道树的健康综合得分最高，显著高于无铺装和透水性差的铺装。
表 9 树池防踩铺装情况对洋白蜡健康状况的影响
Table 9. Effects of anti-stepping paving condition on the health status of F. pennsylvanica
防踩铺装 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 无铺装 103 0.88±0.12 a 0.45 1.05 0.01 透水性强铺装 748 0.95±0.09 b 0.39 1.15 0.00 透水性差铺装 19 0.91±0.10 a 0.62 1.03 0.02 说明：不同字母表示不同防踩铺装间差异显著(P＜0.05) -
株距限制着行道树生长范围，过小会导致树木地上和地下生长空间压缩，限制树木树冠及根系伸展，加剧土壤营养资源的争夺，进而导致生长所需矿质养分不足。调查区域内，株距平均值为5.38 m，最大值25.00 m，最小值1.50 m。株距对洋白蜡的健康状况存在显著影响(P＜0.05)，株距≥0~＜5 m时，洋白蜡健康得分为最低，显著低于其他株距范围；当株距≥5 m时，洋白蜡健康得分并不会随着株距增加而产生显著的变化(表10)。
表 10 株距对洋白蜡健康状况的影响
Table 10. Effects of plant spacing on the health status of F. pennsylvanica
株距/m 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜5 68 0.90±0.11 a 0.45 1.09 0.01 ≥5~＜10 750 0.95±0.09 b 0.39 1.15 0.00 ≥10 52 0.94±0.09 b 0.66 1.05 0.01 说明：不同字母表示不同株距间差异显著(P＜0.05) 行道树树池是城市道路绿化景观的节点。树池面积过小会导致土壤透水透气不良，树木根系伸展和生长状况不佳；过大的树池又会占用过多城市道路硬质地面，对行人行车造成妨碍。表11可知：调查区域内树池面积大多为≥1~＜2 m2，占比88.74%，且在此树池面积下生长的洋白蜡行道树具有最高的健康综合得分，与其余树池面积下的洋白蜡健康得分差异显著(P＜0.05)。
表 11 树池面积对洋白蜡健康状况的影响
Table 11. Effects of tree pool area on the health status of F. pennsylvanica
树池面积/m2 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜1 9 0.90±0.10 a 0.64 0.99 0.03 ≥1~＜2 772 0.95±0.09 b 0.39 1.15 0.00 ≥2 89 0.90±0.11 a 0.45 1.04 0.01 说明：不同字母表示不同树池面积间差异显著(P＜0.05) 车道数以及车道走向对于洋白蜡健康状况均有显著的影响(P＜0.05)。表12可知：洋白蜡健康得分随车道数的增加呈先上升后下降的趋势，当车道数为2条时，洋白蜡的健康状况最佳，显著高于车道数为1条时的健康得分，而与车道数为3条时差异不大；车道走向决定了行道树接受日照的情况，车道为南北走向时，洋白蜡健康状况显著优于东西走向(P＜0.05)(表13)。
表 12 单向车道数对洋白蜡健康状况的影响
Table 12. Effects of the number of unidirectional traffic lanes on the health status of F. pennsylvanica
单向车
道数/条样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 1 585 0.93±0.10 a 0.39 1.12 0.00 2 219 0.97±0.07 b 0.64 1.15 0.00 3 66 0.95±0.06 ab 0.70 1.07 0.01 说明：不同字母表示不同单向车道数间差异显著(P＜0.05) 表 13 车道走向对洋白蜡健康状况的影响
Table 13. Effects of directions of traffic lanes on the health status of F. pennsylvanica
车道走向 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 东西 592 0.94±0.10 a 0.39 1.15 0.00 南北 278 0.96±0.07 b 0.64 1.15 0.00 说明：不同字母表示不同车道走向间差异显著(P＜0.05) -
本研究采用主成分分析计算北京市核心区洋白蜡行道树的健康综合得分，采用聚类分析进行结果分类，采用判别分析法进行结果验证，分类结果与实际生长状况基本一致。将行道树健康状况评价指标和分类结果构建的拓扑结构为“12-10-4”的BP神经网络预测模型，结果表明：训练集和测试集均方误差均小于0.0104，且训练集、测试集及总集相关系数均＞0.990 0，说明BP神经网络模型能准确地反映洋白蜡行道树12个评价指标与健康评价类别的关系。与传统树木健康评价方法相比，该方法避免了庞杂的计算，从而实现对同一地区洋白蜡行道树健康状况的快速、准确评价。
本研究所选指标覆盖了行道树的树冠、树干及根部的健康状况以及行道树的生长环境条件及管护情况等因素，并引入“冠穴比”及“冠高比”2个指标，将各定性指标进行分级、量化分析，研究结果表明：在所调查的870株洋白蜡中，健康、亚健康、不健康及濒死单株分别占39.20%、41.26%、16.78%及2.76%。可以看出：多数洋白蜡生长状况良好，极少部分洋白蜡生长状况堪忧，处于濒死状态，亟需处理。这一结果与邵鹏[6]、余韵[18]的研究结果基本一致。同时，本研究得到的健康评价结果与洋白蜡实际生长状况一致，表明本研究建立的健康评价模型在北京市核心区洋白蜡行道树健康评价中有很好的适用性。
-
树木的健康状况与年龄紧密相关[10]。本研究结果表明：洋白蜡胸径为60~＜70 cm时，健康状况最好。这可能是由于胸径在此范围的洋白蜡树龄较大，栽植时间长，生长状况稳定的缘故；当胸径为10~＜60 cm，呈现随胸径增加，洋白蜡健康得分随之下降的趋势，这与李佳慧等[10]对北京市核心区国槐Sophora japonica行道树的评价结果基本一致。城市行道树受人为活动影响较大。调查发现：约87%的洋白蜡存在不同程度的枯枝状况，约27%的洋白蜡存在由车辆剐蹭、修枝等造成的树皮损伤，约57%的洋白蜡存在由修枝不当造成的不同程度的修枝留茬。建议规范行道树修枝技术，及时去除枯枝并合理处理受损部位。行道树树池防踩铺装材料的不同影响着植物吸收水分及养分的过程。北京核心区树池铺装材料多采用透水砖、石子、毛毡子、铁篦子等。研究结果表明：在铺装材料透水性强树池中生长的洋白蜡，健康状况显著优于不铺装及铺装透水性差条件下的洋白蜡。这一结果与赵丹等[24]、李佳慧等[10]的研究结果基本一致。
行道树位于道路两侧。城市下垫面性质的改变，压缩了行道树生长的环境空间，阻碍了土壤水分的移动与循环，限制了行道树的生长[25]。株距、树池面积一定程度上决定了行道树的生长及管护空间，而车道数及车道走向决定着道路宽度及树体生长位置，影响着树体接受日照情况[6, 18]。本研究发现：株距、树池面积、车道数及走向都显著影响着行道树的健康状况，当保持洋白蜡行道树株距≥5 m、树池面积≥1~＜2 m2、车道数为2条且车道为南北走向时，洋白蜡健康状况较为理想。当株距≥5 m时，随着距离继续增大，洋白蜡的健康状况不再发生显著的变化。随着树池面积和车道数增加，洋白蜡健康得分均呈现先上升后下降的趋势。这可能是随着生长范围及道路宽度的增加，生长空间及光照情况已不再是限制行道树健康的主要因素，而人为踩踏、车辆剐蹭等其他因素影响逐渐占据主导地位。当树池面积＜2 m2时，树池的防踩铺装率为91.29%，树池面积≥2 m2时，防踩铺装率仅为60.67%。树池的防踩铺装率下降往往会导致人为踩踏的增加，导致土壤板结，影响行道树生长。这可能是导致树池面积增大但洋白蜡健康状况却显著下降的原因之一。本研究发现：车道走向对行道树健康状况影响显著，南北走向车道上的洋白蜡健康状况显著优于东西走向的洋白蜡。这是由于车道走向决定着树体的生长方位和接受日照情况。车道为东西走向时，南侧及北侧行道树受日照时间差异较大，北侧行道树接受日照时间相比南侧更长，而车道为南北走向时，东西两侧行道树接受日照角度及日照时间基本相同[18, 26]，因此整体生长状况更好。道路状况往往还受到周边建筑物密度及高度、道路硬质铺装、车流量等多方面影响，因此仍需进一步探究。
Health assessment and influencing factors of Fraxinus pennsylvanica in Beijing core area
-
摘要:
目的 针对城市树木健康评价的快速化、准确化及生产化，调查并分析北京市首都功能核心区主要绿化树种洋白蜡Fraxinus pennsylvanica的生长、健康及管护现状，为构建精炼、全面的洋白蜡行道树健康评价体系及管护技术措施提供科学依据。 方法 以北京市核心区11条主要街道的洋白蜡行道树为研究对象，采用主成分分析、K-means聚类构建健康评价模型，采用判别分析进行结果验证，将评价结果与评价指标结合建立洋白蜡BP神经网络健康预测模型；同时从生长状况、管护措施以及环境因子3个方面，分析胸径、树高、修枝留茬数量、防踩铺装等因素对洋白蜡行道树健康状况的影响。 结果 研究区域中，健康、亚健康、不健康及濒死单株分别占总数的39.20%、41.26%、16.78%和2.76%；建立的BP神经网络健康预测模型中，训练集、验证集、测试集与总集的期望值与预测值之间的相关系数分别为0.999 7、0.972 0、0.997 6及0.995 3，均大于0.950 0，表明此模型能准确地反映洋白蜡行道树12个评价指标与健康评价类别的关系，可用于对同一地区其他白蜡行道树健康状况预测；方差分析和多重比较表明：胸径、修枝留茬、防踩铺装、株距、树池面积、车道数及车道走向均对洋白蜡行道树的健康状况存在显著影响(P＜0.05)，树高影响较小。当洋白蜡胸径为60~70 cm、树体无修枝留茬、树池铺装透水性好、株距为5~10 m、树池面积为1~2 m2、道路宽度适宜且为南北走向时，洋白蜡健康状况最好。 结论 研究区域内，洋白蜡行道树整体呈亚健康状态，具有良好的保育保养潜力，部分受害严重，亟需处理。在洋白蜡行道树栽植及后期管护中，确保其修剪规范、铺装材料透水强、株距5~10 m、树池面积1~2 m2以及适宜的道路情况，是保证洋白蜡行道树健康状况良好的重要措施。图3表13参26 Abstract:Objective For the rapid, accurate, and productive assessment of urban tree health, this study aims to investigate and analyze the growth, health, and management status of Fraxinus pennsylvanica in Beijing core functional area, so as to provide a scientific basis for comprehensive health assessment and technical measures for management and protection. Method Taking street trees of 11 main streets in the core area of Beijing as the research object, the health assessment model of F. pennsylvanica was constructed by principal component analysis and K-means clustering. The results were verified by discriminant analysis, and the BP neural network health prediction model was established by combining the assessment results with the assessment indexes. Meanwhile, the effects of DBH, tree height, the number of pruning stubble, anti-trampling pavement etc. on the health status of F. pennsylvanica were analyzed. Result The results indicated that healthy, sub-healthy, unhealthy, and dying plants accounted for 39.20%, 41.26%, 16.78%, and 2.76%, respectively. In the BP neural network health prediction model, the correlation coefficients between expected value and predicted value of the training set, verification set, test set, and total set were 0.9997, 0.9720, 0.9976 and 0.9953 respectively, all greater than 0.9500, indicating that the model could accurately reflect the relationship between 12 evaluation indexes and health assessment categories of F. pennsylvanica and could be used to predict the health status of other F. pennsylvanica in the same area. Variance analysis and multiple comparisons showed that DBH, pruning stubble, anti-trampling pavement, plant spacing, tree pool area, number of lanes and lane direction all had significant effects on the health status of F. pennsylvanica (P＜0.05), but tree height had little effect. The health condition of F. pennsylvanica was the best under the following conditions: 60−70 cm DBH, tree body without pruning stubble, tree pool pavement with good water permeability, 5−10 m tree spacing, 1−2 m2 tree pool area, suitable road width, and north-south direction. Conclusion F. pennsylvanica street trees in the study area are in a sub-health state on the whole, with good conservation and maintenance potential. However, some of them are seriously damaged and need to be dealt with urgently. In planting and management process, important measures should be taken to ensure the good status of F. pennsylvanica, such as standard pruning, strong water permeability of pavement materials, 5−10 m plant spacing, 1−2 m2 tree pool area, and suitable road conditions . [Ch, 3 fig. 13 tab. 26 ref.] -
南方集体林区以丘陵为主的地形特征决定了林业生产过程中客观上存在着机械替代率低的问题。由于大量农村劳动力进入城市非农就业，林业经营主体需要通过雇佣劳动力以解决劳动力不足的问题[1]；日趋扩大的规模化经营对雇佣劳动力的依赖程度急剧增大，委托代理关系也应运而生。委托代理关系下的营林生产过程往往存在着信息不对称和“道德风险”等问题，导致雇主对劳动过程的监督不到位[2]；而相对粗放的林业生产中，雇主无法准确观测劳动力的投入程度，雇工生产效率较低[3]。因此，在南方集体林区不断推进林业规模化经营的背景下，开展雇工劳动质量对农户营林技术效率的影响研究具有重要的理论和现实意义。国内外学者关于雇佣劳动对农林业生产影响的研究主要集中在农业领域。一种观点认为雇佣劳动对农业生产效率产生了负面影响。雇佣劳动存在“道德风险”，雇佣劳动力的边际产出小于自有劳动力的边际产出，要保证劳动质量必须要付出大量的监督成本。有研究发现：存在雇工行为的家庭农业经营雇主，需要花费10%的劳动力时间来监督雇工，对劳动力在其他用途上的配置产生挤出效应。还有研究表明：团队组织内部监督不完备与激励不足，将会降低生产效率[4]。另一观点则认为雇佣劳动对农业生产效率有正向影响。张五常[5]认为分成制、定租制和混合制等委托-代理机制[3]是有效的。相比之下，目前针对林业雇工研究较少，从雇工视角探讨南方集体林区农户营林生产效率影响因素的研究还未见报道。本研究基于浙江省的实地调研数据，采用计量模型测算样本农户的营林技术效率，分析雇工劳动质量对农户营林技术效率的影响，以期为林业规模化经营中存在的雇工劳动问题提供决策依据。
1. 雇工劳动质量对农户营林技术效率影响的理论机制分析
1.1 研究假说
根据委托-代理理论[3]，存在于雇佣劳动中“道德风险”会导致雇佣劳动力的边际产出小于自有劳动力的边际产出；而相对粗放的林业生产管理会增加劳动力的监督难度，加重林业雇佣劳动中的机会主义行为。即营林生产过程中雇佣劳动会在一定程度上影响技术效率的提高。同时，雇工投入水平的差异对农户营林技术效率的影响也是不同的。雇工投入越多，则家庭自有劳动力越少，劳动监督难度越大，雇工劳动力的道德风险也越大，从而导致劳动生产质量下降，林业生产效率会因此受到影响（落入到生产可能性曲线内部）。就家庭自有劳动力与雇工关系而言，拥有剩余索取权的家庭自有劳动力更多地参与到营林生产中，则边际产出会随之升高，劳动质量会得到更大程度的保证，雇佣劳动对林业生产效率的负面影响程度也相对减弱。因此，可提出以下研究假说：农户营林生产过程中的雇佣劳动会对营林生产造成负面影响，且雇工劳动质量不同，雇佣劳动对农户营林技术效率的影响程度也不同。
1.2 理论模型
技术效率（technical efficiency, TE）是目前测度生产单位效率水平最常见的指标之一，一般用生产单位的实际产出与其理论上所能实现的最大潜在产出的比值来表示，本研究选用技术效率来衡量样本经营农户营林生产效率水平。用Yi表示第i个农户的林业产出，则随机前沿生产函数（stochastic frontier approach，SFA）可表示为：Yi＝f（Xi，β）exp（Vi-Ui）。其中：f（Xi，β）代表生产前沿面，Xi为生产要素的投入，本研究指资本、土地和劳动力的投入；（Vi-Ui）为混合误差，其中Vi表示随机误差，包含测度误差及不可控因素；Ui为技术效率损失，表示农户i的技术非效率项，服从独立的截断正态分布N（mi，δu2），其中mi为数学期望，δu2为方差。
技术无效率函数（mi）可设定为：$ {m_i} = {\delta _0} + \sum\limits_j {{\delta _j}{Z_{ji}} + {\mu _i}} $。其中：i表示第i位样本农户，Zji表示影响技术效率的各外生变量，δj为待估参数，反映各外生变量对技术效率的影响程度，μi为纯随机误差项。
在此基础上求解出技术效率水平：Ti＝E（Yi∣Ui，Xij）/E（Yi∣Ui＝0，Xij）＝exp（-Ui），从而求解出平均技术效率：$ T = \frac{1}{n}\sum\limits_{i = 1}^n {{T_i}} $。其中：n为农户数量，本研究采用最大似然估计法来估计前沿生产函数的参数。
2. 数据来源、实证模型与变量选择
2.1 数据来源
本研究以浙江省南方集体林区为案例点，充分考虑地理位置、自然资源和社会经济发展差异，按农民人均可支配收入分层抽样选取浙江省建德市、开化县2个县（市）作为样本县（市）。2地农民人均可支配收入为23 998和15 736元，存在明显差异，反映出浙江省不同地区经济发展的差异性；森林覆盖率为76.2%和80.9%，均超出浙江省的平均水平，林业代表性较好。采取随机抽样法，在2个样本县（市）随机选取6个乡（镇），其中开化3个乡（镇），建德3个乡（镇）。为保证问卷的质量与信息的真实性，调查采取“一对一”的访谈模式。共得到农户有效样本245户，其中有雇工参与的农户151户，无雇工参与的农户94户。
杉木Cunninghamia lanceolata是样本地区分布最广的树种之一，也是当地农户最主要的林业收入来源之一；因此，本研究以杉木为案例树种进行调研。调查内容包括农户家庭基本情况、林地基本情况、1个营林周期内最大地块上杉木的生产投入和产出情况等。样本分布见表 1。
表 1 农户有效样本分布情况Table 1. Specific distribution of effective sample of farmers县（市） 乡（镇） 村 合计/户 比例/% 开化 华埠 许家源 20 8.2 联丰 20 8.2 池淮 芹源 20 8.2 玉坑 20 8.2 芹阳 泉坑 21 8.6 小桥头 20 8.2 建德 李家 沙墩头 8 3.3 长林 23 9.4 石鼓 9 3.7 龙桥 1 0.4 新桥 2 0.8 李家 2 0.8 建德 大同 上马 1 0.4 小溪源 24 9.8 永平 1 0.4 竹林 1 0.4 竹源 13 5.3 航头 大店口 21 8.6 东村 14 5.7 溪沿 1 0.4 罗源 1 0.4 曹源 2 0.8 总计 245 100.0 2.2 实证模型与变量选择
在测算林业技术效率之前，需要先确定前沿函数的具体形式，常见的前沿函数形式有C—D生产函数和超越对数生产函数。相对于前者，后者不仅形式灵活、易估计、包容性强，而且允许要素间替代弹性可变，没有对技术变化附加任何限制条件，因此近似性更好。考虑到南方集体林区农户拥有林地地块数量普遍较多，而农户林业生产中最重视且存更大雇佣劳动可能性的一般是最大地块，因此，本研究采用农户最大地块1个经营周期内的营林投入产出变量来构建生产函数。超越对数生产函数公式如下：lnYi＝β0+β1lnKi+β2lnLi+β3lnMi+β4（lnKi）2+β5（lnLi）2+β6（lnMi）2+β7lnKilnLi+β8lnMilnMi+β9lnKilnMi+Vi-Ui。其中：Y表示最大地块1个经营周期内的林业产出（主伐量）（m3）；K表示农户在最大地块的1个经营周期内所投入的费用（元）；L表示农户在最大地块的1个经营周期内所投入的劳动投工数量（工）；M表示最大地块面积（hm2）；β0~β9为待估参数。
通过对超越对数生产函数求导可以分别计算出各投入要素的产出弹性。资本投入要素的产出弹性为：η1＝β1+2β4lnK+β7lnL+β9lnM。劳动力投入要素的产出弹性为：η2＝β2+2β5lnL+β7lnK+β8lnM。土地投入要素的产出弹性为：η3＝β3+2β6lnM+β8lnL+β9lnK。农户技术无效率函数表示为：$ {m_i} = {\delta _0} + \sum\limits_{j = 1}^{j = 5} {{\delta _j}{h_j} + \sum\limits_{j = 6}^{j = 16} {{\delta _j}{Z_{ji}} + {\mu _i}} } $。其中hj为关键变量，代表雇工劳动质量，表示农户最大地块1个经营周期内雇佣劳动力的投工质量情况，Zj为控制变量。
为全面测度营林雇工劳动质量问题，本研究构建了雇工年龄比例、雇工性别比例、雇工投工所占比例、受过技术培训的雇工所占比例等具体指标[6]作为关键变量。具体如下。①雇工年龄比例：40岁以下雇工所占比例（h1）、60岁以上雇工所占比例（h2）；②雇工性别比例：男雇工所占比例（h3）；③雇工投工所占比例：总投工中雇工所占比例（h4）；④受过技术培训的雇工所占比例（h5）。
一般研究将影响技术效率的地块特征、农业生产特征、户主特征等外生因素作为控制变量。①地块特征主要包括地块的地理位置（最大地块离家距离）、农户家庭山林总面积、农户家庭林地总块数、最大地块立地质量。地块离家距离越近，越便于林农对林地进行管理，所以，预期最大地块离家距离会对农户营林技术效率产生负向影响。农户家庭山林总面积越大、林地总块数越多意味着农户管理林地的难度也越大，平均到每个地块的管理时间就会越少，因此，预期其会对农户营林技术效率产生负向影响[7]。土地细碎不利于先进机械设备和技术的推广，控制病虫害难度加大，难以实现规模经营[8]，虽然也有研究表明耕地面积与生产率之间的反向关系[9]，但有些研究却表明此种关系并不显著[10]，因此预期其总效应不明确。地块的立地质量对效率的影响是显而易见的，肥沃的土壤相对于贫瘠的土壤更能提高农户的生产效率[11]，因此预期其会对农户营林技术效率会产生正向影响。②农业生产特征包括家庭务农人数、家庭总收入以及农户是否为补贴户。家庭务农人数会直接影响到劳动力要素的投入，因此预期其会对农户营林技术效率产生正向影响。农户家庭总收入的增加会加大农户的林业投资[12]，预期会对农户营林技术效率产生正向影响。农户若为补贴户，林业补贴的增加也会增加农户对林业的资本投入，因此假设其会对农户营林技术效率产生正向影响。③户主特征。包括户主年龄、户主的受教育年限、户主健康状况、户主是否担任过村干部。户主年龄对其技术效率的影响方向取决于该农户是更富有经验还是更守旧[13]；户主受教育年限越长，越能有效利用先进的农业生产技术[14]，因此，假设其会对农户营林技术效率产生正向影响。户主健康状况对农户营林技术效率的影响也是显而易见的：户主健康状况越好，越有利于家庭营林生产劳动和决策，因此假设其会对技术效率产生正向影响。干部身份一方面会带来收入效应，即干部获得先进生产技术和农业生产信息的渠道更多，这会对农户营林技术效率产生正效应；另一方面，干部身份同样存在替代效应，即干部用于家庭经营的时间更少，从事家庭经营的机会成本也较高，这会对农户营林技术效率产生负效应[15]。因此其具体影响尚不可知。具体控制变量如下：Z6表示农户是否为补贴户（0代表否，1代表是）；Z7表示户主是否为村干部（0代表否，1代表是）；Z8为农户家庭务农人数（人）；Z9为户主年龄（岁）；Z10为户主受教育年限（年）；Z11为户主健康状况（1代表好，2代表中，3代表差）；Z12表示农户家庭总收入（元）；Z13为农户家庭山林总面积（hm2）；Z14表示农户经营的山林总块数（块）；Z15表示农户经营山林中最大地块的立地质量（1代表好，2代表中，3代表差）；Z16表示最大地块离家的距离（km）。
3. 结果与分析
3.1 描述性统计分析
由表 2可知：样本农户最大地块整个营林周期内单位面积的平均产出为108.62 m3·hm-2，农户最大地块整个营林周期内单位面积的平均资本投入为8 214.47元·hm-2，单位面积平均劳动力投入为375.23工·hm-2，平均林地投入为2.02 hm2。
表 2 随机前沿生产函数模型变量的描述性统计Table 2. Descriptive statistics of variables in Stochastic Frontier Approach's model统计值变量 最大地块总产出/（m3·hm-2） 最大地块资本投入/（元·hm-2） 最大地块面积/hm2 最大地块劳动力投入/（工·hm-2） 平均值 108.62 8 214.47 2.02 375.23 标准差 94.70 5 187.26 1.14 278.28 技术效率损失模型中（表 3），户主的平均年龄为57.24岁，平均受教育年限为7.20 a，可以看出该地区的劳动力质量较差。88.00%的立地质量为中等及以上，最大地块离家距离平均为1.97 km，表明样本地区的立地质量和交通条件对林业经营相对有利。样本农户家庭户均地块为3.41块，表明样本地区林地细碎化问题并不严重。农户的家庭总收入均值为95 501.74元，说明样本地区当地的经济条件利于林业发展。所有样本农户中仅有27.00%的农户为补贴户，说明国家的林补政策还未真正地惠及该地区。
表 3 技术效率损失模型变量的描述性统计Table 3. Descriptive statistics of variables in the loss of technical efficiency's model变量类型 具体变量 平均值 标准差 最小值 最大值 雇工劳动质量 40岁以下雇工所占比例 0.45 0.24 0.10 1.00 60岁以上雇工所占比例 0.49 0.17 0.01 1.00 男雇工所占比例 0.85 0.16 0.20 1.00 总投工中雇工所占比例 0.72 0.25 0.05 1.00 雇佣的工人中受过技术培训的工人所占比例 0.78 0.42 0.10 1.00 户主特征 户主年龄（岁） 57.24 9.38 27 86 户主教育年限 7.20 3.52 0 16 户主是否为村干部（0代表否，1代表是） 0.33 0.46 0 1 户主健康状况：好 0.84 0.36 0 1 户主健康状况：差 0.12 0.22 0 1 农业生产特征 家庭务农人数（人） 1.18 1.05 0 5 家庭总收入（元） 95 501.74 104 235.30 520 724 652 是否为补贴户（0代表否，1代表是） 0.27 0.44 0 1 地块特征 家庭总地块数 3.41 2.87 0 20 最大地块质量：好 0.54 0.49 0 1 最大地块质量：差 0.12 0.31 0 1 最大地块离家距离（km） 1.97 2.03 0.02 15 山林总面积 3.52 8.26 0.03 96.67 说明：“户主健康状况”参照组为“中”，“最大地块质量”参照组为“中” 为消除因自变量之间多重共线性导致的模型估计结果偏差，在模型估计前对雇工质量各指标进行相关性检验。结果发现（表 4）：雇工质量各指标之间不存在多重共线性问题，各指标可以作为自变量放入模型进行估计。
表 4 雇工质量各指标系数相关矩阵Table 4. Relevance matrix of index coefficients of employee quality40岁以下雇工所占比例 60岁以上雇工所占比例 男雇工所占比例 总投工中雇工所占比例 雇佣的工人中受过技术培训的工人所占比例 40岁以下雇工所占比例 1.00 60岁以上雇工所占比例 0.18 1.00 男雇工所占比例 0.24 0.15 1.00 总投工中雇工所占比例 0.01 0.00 0.33 1.00 雇佣的工人中受过技术培训的工人所占比例 0.24 0.02 0.10 0.23 1.00 3.2 实证结果分析
利用广义似然比（LR）检验可降低对SFA模型的依赖，避免函数形式的误设，从而从设定的待估计模型中筛选出最能拟合样本数据的模型。LR公式可表示为：RL＝-2[lnL（H0）-lnL（H1）] ~χ2（k）。其中：L（H0）和L（H1）分别是零假设H0和备择假设H1下的似然函数值，表示受约束条件的自由度。将LR统计量与临界值进行比较，当LR统计量值大于临界值时拒绝原假设，否则，接受原假设。给出的2个零假设为：（1）规模户和非规模户的前沿面并没有显著的差异，即模型不需要添加是否为规模户的虚拟变量。（2）外生变量对技术效率无任何影响，即模型不需要添加外生变量影响因素。LR验证结果如表 5所示。相对于基准模型，假设1在1%显著性水平上没有被拒绝，而假设2在1%显著性水平上拒绝原假设；说明原假设1对应的模型较好地拟合了样本数据，可作为本研究测度技术效率的主要模型。
表 5 假设检验结果Table 5. Hypothesis test results零假设 LR统计量 自由度 χ2 0.01临界值 结论 H0：不应该设置规模户虚拟变量 0.001 9 20.97 接受 H0：外生变量对技术效率无影响 126.310 14 28.49 拒绝 3.2.1 随机前沿生产函数模型估计结果分析
表 6为随机前沿生产函数模型的估计结果。将表 6的回归系数代入上文生产投入要素产出弹性计算公式中可得到各投入要素的产出弹性。计算得：土地投入要素的产出弹性为2.25，说明样本地区林业生产对土地投入的依赖程度较高，即林业生产中最为稀缺的生产要素是土地，增加土地投入可以大幅度地提高林业产出。资本（-0.09）和劳动力（-0.23）投入要素的产出弹性均为负值，说明目前样本地区林业存在过度投入资本和劳动力的情况，单纯依靠增加林业劳动力和林业资本投入并不会带来林业产出的增加，相反还可能导致林业产出减少。
表 6 随机前沿生产函数模型估计结果Table 6. Estimated results of Stochastic Frontier Approach's model变量 系数 变量 系数 最大地块资本投入 0.589***（0.091） 劳动力投入的平方项 -0.029*（0.016） 最大地块面积（土地投入） 0.746***（0.240） 资本投入×土地投入 0.160**（0.068） 最大地块劳动力投入 0.017（0.125） 土地投入×劳动力投入 0.108*（0.063） 资本投入的平方项 0.051***（0.010） 资本投入×劳动力投入 -0.014（0.035） 土地投入的平方项 -0.410***（0.137） 常数项 -0.368（0.259） 说明：*，**，***分别表示通过10%，5%，1%水平下的显著性检。括号内数值为回归标准误 3.2.2 技术效率损失模型估计结果分析
在245份有效样本农户中，家庭最大地块1个营林周期内有雇佣劳动力的农户有151户，占总体样本的61.63%。总体农户平均技术效率值为0.57，有雇工农户平均技术效率值为0.59，无雇工农户的平均技术效率值为0.76。由表 7可知：如果消除技术效率的损失，总体样本农户的平均技术效率还有43.00%的提升空间。由描述性统计结果可粗略看出无雇工农户的平均技术效率高于有雇工农户的平均技术效率，但雇佣劳动对农户技术效率的具体影响有待进一步计量分析。由样本农户雇工情况对农户营林技术效率损失影响的估计结果（表 8）可知：在控制其他变量不变的情况下，雇工会对农户营林技术效率造成负面影响（P＜0.10）。雇工劳动质量指标中，总投工中雇工所占比例对农户的营林技术效率具有负向影响（P＜0.05）；原因可能是家庭自有劳动力和雇佣劳动力劳动质量存在异质性，雇主对劳动过程的监督很难到位，由此造成总投工中雇工所占比例越高，农户营林技术效率越低。户主年龄对农户的营林技术效率具有正向的影响（P＜0.10）；原因可能是随着户主年龄增大，其营林生产经验越丰富，对家庭营林生产越有利。户主良好的身体状况对农户营林生产技术效率具有正向影响（P＜0.05）；作为家庭最主要的林业劳动力和决策者，户主身体健康程度对林业生产至关重要。家庭总收入对农户营林生产技术效率具有正向影响（P＜0.05）；原因在于农户家庭总收入的增加会减少农户家庭林业生产的资金约束，农户林业投资概率会增大。山林总面积和家庭总地块数都对农户的营林技术效率具有负向影响（P＜0.10）；农户家庭山林总面积越大、家庭总地块数越多，农户管理林地的难度也越大，平均到每个地块的管理时间就会越少，农户无法对林地进行精细化地管理，影响了技术效率的提高。好的地块质量对农户营林生产技术效率具有负向影响（P＜0.10）；这与预期的影响方向相反，可能的原因是：农户会对质量较好的地块相对投入更少的肥料和劳动力等生产要素，因此使立地质量较优的地块产出情况反而不如立地质量较差的地块。
表 7 样本农户营林技术效率总体情况Table 7. Overall situation of technical efficiency of sample farmers in forestry management描述性统计农户类型 平均值 标准差 最小值 最大值 全部农户 0.57 0.20 0.12 0.92 有雇工农户 0.59 0.25 0.06 0.98 无雇工农户 0.76 0.12 0.24 0.92 表 8 雇工情况及雇工劳动质量对农户营林技术效率损失的影响估计结果Table 8. Estimation of the impact of employment and labor quality of employees on technical efficiency of farmers' forestry management变量类型 具体变量 系数 具体变量 系数 雇工情况 是否雇工（0代表否，1代表是） 0.373*（0.212） 40岁以下雇工所占比例 1.139（0.814） 及雇工劳 60岁以上雇工所占比例 -0.474（0.509） 动质量 男雇工所占比例 0.662（0.511） 总投工中雇工所占比例 1.205**（0.538） 雇佣的工人中受过技术培训的工人所占比例 -2.115（1.328） 户主特征 户主年龄（岁） -0.011（0.009） 户主年龄（岁） -0.027*（0.016） 户主教育年限 -0.008（0.022） 户主教育年限 0.052（0.044） 户主是否为村干部（0代表否，1代表是） 0.182（0.160） 户主是否为村干部（0代表否，1代表是） 0.181（0.245） 户主健康状况：好 -0.498**（0.242） 户主健康状况：好 -1.130**（0.489） 户主健康状况：差 -0.180（0.324） 户主健康状况：差 -0.132（0.883） 农业生产 家庭务农人数（人） 0.035（0.078） 家庭务农人数（人） 0.084（0.106） 特征 家庭总收入（元） -0.000**（0.000） 家庭总收入（元） -0.000**（0.000） 是否为补贴户（0代表否，1代表是） 0.333**（0.165） 是否为补贴户（0代表否，1代表是） 0.317（0.259） 地块特征 家庭总地块数 0.035（0.026） 家庭总地块数 0.090*（0.049） 最大地块质量：好 0.221（0.155） 最大地块质量：好 0.640*（0.359） 最大地块质量：差 -0.117（0.241） 最大地块质量：差 0.196（0.460） 最大地块离家距离（km） -0.040（0.037） 最大地块离家距离（km） -0.052（0.061） 山林总面积 -0.005（0.022） 山林总面积 0.042*（0.022） 常数项 1.643***（0.623） 常数项 0.303（1.099） σ2 0.318***（0.070） σ2 0.801***（0.268） γ 0.876***（0.073） γ 0.995***（0.003） 说明：“户主健康状况”参照组为“中”，“最大地块质量”参照组为“中”；*，**，***分别表示通过10%，5%，1%水平下的显著性检验。括号内数值为回归标准误 4. 结论及建议
4.1 结论
本研究发现：样本农户的营林技术效率的平均值为0.57，表明样本农户在当前技术水平下平均56.60%的产出可以通过现有的生产要素组合来获得，样本农户的营林技术效率还有43.40%的提升空间。农户营林生产过程中的雇佣劳动确实会对营林生产造成负面影响，雇工劳动质量不同，对提高农户营林技术效率的影响程度不同；营林生产总投工中雇工所占比例越大，对提高农户营林技术效率的负面影响程度越大。
4.2 建议
建立有效的劳动监督和管理机制。雇佣劳动力在劳动过程中缺乏有效的劳动监督，雇工劳动质量低下，是营林生产技术效率下降的主要原因。因此，农户应根据雇工实际情况建立有效劳动监督机制，在劳动生产可计量的环节尝试使用绩效工资，并根据劳动成果给予一定的激励措施，减少雇工过程中“搭便车”行为的发生，从而提高雇工劳动的质量。在目前林业规模经营日趋普遍的情况下，传统的生产经营和管理方式越来越难以适应，迫切需要建立高效的林业生产管理机制。革新传统林业管理理念，启用具有现代管理才能的人才管理林业经营；在林业生产的各个环节，制定科学合理的管理细则和林业生产流程。
推进适度规模经营，加大林业科技服务投入。解决各林业经营主体营林生产过程中的雇工劳动质量问题的关键是解决农村劳动力不足的问题。因此，推广林业机械化生产、开拓新型经营方式、积极推进林业适度规模经营均能在很大程度上解决上述问题。在地形条件较平缓的地区的林业规模经营户中可以依靠推进农业机械化替代劳动力，解决雇佣劳动所带来的劳动质量问题。同时，在机械替代较为困难的地区，可以尝试开拓林业服务外包、农户之间合作经营和托管经营等新型林业经营方式，促使劳动力要素配置更加专业化，也可以缓解由于雇佣劳动力所带来的劳动质量问题。对规模经营中出现的雇工劳动问题，需要进一步研究以寻找雇工劳动最优的比例，从劳动力层面对农户适度规模经营提出要求。
-
图 3 期望值和预测值的相关系数
Figure 3 Correlation coefficient between measured and predicted values
表 1 研究区域道路概况
Table 1. Roads’ profile in study area
道路名称 单向车道数 道路走向 道路类型 行政区划 道路名称 单向车道数 道路走向 道路类型 行政区划 南礼士路二条 1 东西 支路 西城 青年沟路 1 东西 次干路 东城 南纬路 2 东西 次干路 西城 先农坛西路 1 南北 支路 西城 燕京北街 1 东西 支路 西城 二七剧场路 1 南北 支路 西城 史家胡同 1 东西 支路 东城 南花市大街 2 南北 次干路 东城 西兴隆街 1 东西 支路 东城 德胜门内大街 2 南北 次干路 西城 崇文门西大街 3 东西 主干道 东城 
下载: 导出CSV
表 2 主成分特征根及方差贡献率
Table 2. Principal component characteristic root and variance contribution rates
主成分 特征根 方差贡献率(wi)/% 累计方差贡献率(W)/% 主成分 特征根 方差贡献率(wi)/% 累计方差贡献率(W)/% F1 1.952 16.264 16.264 F4 1.137 9.477 52.449 F2 1.712 14.267 30.531 F5 1.102 9.179 61.629 F3 1.493 12.441 42.972 F6 1.008 8.396 70.025 说明：F1~F6为前6个主成分。i=1, 2, 3
下载: 导出CSV
表 3 因子载荷矩阵
Table 3. Factor load matrix
指标 主成分 指标 主成分 F1 F2 F3 F4 F5 F6 F1 F2 F3 F4 F5 F6 x1 0.492 −0.312 0.211 −0.168 0.351 0.291 x7 0.781 −0.156 −0.398 0.091 −0.180 0.019 x2 0.409 0.109 0.047 −0.325 0.636 0.148 x8 0.722 −0.280 −0.370 0.169 −0.260 0.045 x3 0.328 0.533 0.369 −0.206 −0.300 0.031 x9 0.272 0.319 0.110 −0.320 0.222 −0.401 x4 0.294 0.534 0.234 −0.174 −0.426 0.002 x10 −0.116 0.066 0.263 0.062 −0.104 0.816 x5 0.161 0.060 0.337 0.696 0.258 −0.164 x11 −0.041 0.675 −0.473 0.043 0.219 0.111 x6 0.290 0.364 0.357 0.518 0.108 −0.012 x12 −0.136 0.482 −0.644 0.177 0.125 0.177
下载: 导出CSV
表 4 基于K-means聚类分析的健康判别结果
Table 4. Health discrimination results based on K-means clustering analysis
健康等级 线性判别分析 健康/株 亚健康/株 不健康/株 濒死/株 总计/株 健康 341 0 0 0 341 亚健康 0 359 0 0 359 不健康 0 0 146 0 146 濒死 0 0 0 24 24 总计 341 359 146 24 870
下载: 导出CSV
表 5 11条道路洋白蜡的健康状况
Table 5. Health condition of F. pennsylvanica in 11 roads
道路名称 健康树 亚健康树 不健康树 濒死树 总数/株 数量/株 比例/% 数量/株 比例/% 数量/株 比例/% 数量/株 比例/% 南礼士路二条 3 5.40 22 39.30 19 33.90 12 21.40 56 南纬路 21 47.70 18 40.90 5 11.40 0 0.00 44 燕京北街 51 63.00 26 32.10 4 4.90 0 0.00 81 史家胡同 10 16.70 34 56.70 13 21.70 3 5.00 60 西兴隆街 38 52.80 29 40.30 4 5.60 1 1.40 72 崇文门西大街 20 30.30 41 62.10 4 6.10 1 1.50 66 青年沟路 69 32.40 79 37.10 60 28.20 5 2.30 213 先农坛西路 18 41.90 22 51.20 3 7.00 0 0.00 43 二七剧场路 24 40.00 22 36.70 13 21.70 1 1.70 60 南花市大街 46 69.70 17 25.80 3 4.50 0 0.00 66 德胜门内大街 41 37.60 49 45.00 18 16.50 1 0.90 109 总数 341 39.20 359 41.26 146 16.78 24 2.76 870
下载: 导出CSV
表 6 胸径对洋白蜡健康状况的影响
Table 6. Effects of DBH on the health status of F. pennsylvanica
胸径/cm 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥10~＜20 82 0.96±0.07 ab 0.71 1.15 0.01 ≥20~＜30 354 0.96±0.08 ab 0.39 1.15 0.00 ≥30~＜40 241 0.93±0.11 a 0.45 1.10 0.01 ≥40~＜50 132 0.93±0.09 a 0.45 1.07 0.01 ≥50~＜60 54 0.92±0.10 a 0.47 1.08 0.01 ≥60~＜70 7 0.99±0.06 b 0.88 1.06 0.02 说明：不同字母表示不同胸径间差异显著(P＜0.05)
下载: 导出CSV
表 7 树高对洋白蜡健康状况的影响
Table 7. Effects of tree height on the health status of F. pennsylvanica
树高/m 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜6 8 0.89±0.12 a 0.64 1.00 0.04 ≥6~＜12 494 0.94±0.10 a 0.45 1.15 0.00 ≥12~＜18 339 0.95±0.09 a 0.39 1.15 0.00 ≥18~＜24 29 0.95±0.05 a 0.84 1.05 0.01 说明：不同字母表示不同树高间差异显著(P＜0.05)
下载: 导出CSV
表 8 修枝留茬对洋白蜡健康状况的影响
Table 8. Effects of pruning stubble on the health status of F. pennsylvanica
修枝留茬/个 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 0 375 0.97±0.08 b 0.58 1.15 0.00 1 215 0.94±0.10 a 0.39 1.08 0.01 2~3 180 0.92±0.11 a 0.45 1.10 0.01 ＞3 100 0.92±0.08 a 0.56 1.06 0.01 说明：不同字母表示不同修枝留茬数间差异显著(P＜0.05)
下载: 导出CSV
表 9 树池防踩铺装情况对洋白蜡健康状况的影响
Table 9. Effects of anti-stepping paving condition on the health status of F. pennsylvanica
防踩铺装 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 无铺装 103 0.88±0.12 a 0.45 1.05 0.01 透水性强铺装 748 0.95±0.09 b 0.39 1.15 0.00 透水性差铺装 19 0.91±0.10 a 0.62 1.03 0.02 说明：不同字母表示不同防踩铺装间差异显著(P＜0.05)
下载: 导出CSV
表 10 株距对洋白蜡健康状况的影响
Table 10. Effects of plant spacing on the health status of F. pennsylvanica
株距/m 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜5 68 0.90±0.11 a 0.45 1.09 0.01 ≥5~＜10 750 0.95±0.09 b 0.39 1.15 0.00 ≥10 52 0.94±0.09 b 0.66 1.05 0.01 说明：不同字母表示不同株距间差异显著(P＜0.05)
下载: 导出CSV
表 11 树池面积对洋白蜡健康状况的影响
Table 11. Effects of tree pool area on the health status of F. pennsylvanica
树池面积/m2 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜1 9 0.90±0.10 a 0.64 0.99 0.03 ≥1~＜2 772 0.95±0.09 b 0.39 1.15 0.00 ≥2 89 0.90±0.11 a 0.45 1.04 0.01 说明：不同字母表示不同树池面积间差异显著(P＜0.05)
下载: 导出CSV
表 12 单向车道数对洋白蜡健康状况的影响
Table 12. Effects of the number of unidirectional traffic lanes on the health status of F. pennsylvanica
单向车
道数/条样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 1 585 0.93±0.10 a 0.39 1.12 0.00 2 219 0.97±0.07 b 0.64 1.15 0.00 3 66 0.95±0.06 ab 0.70 1.07 0.01 说明：不同字母表示不同单向车道数间差异显著(P＜0.05)
下载: 导出CSV
表 13 车道走向对洋白蜡健康状况的影响
Table 13. Effects of directions of traffic lanes on the health status of F. pennsylvanica
车道走向 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 东西 592 0.94±0.10 a 0.39 1.15 0.00 南北 278 0.96±0.07 b 0.64 1.15 0.00 说明：不同字母表示不同车道走向间差异显著(P＜0.05)
下载: 导出CSV
-
[1] 周姝雯, 高菲, 马克明. 基于ENVI-met模型的北京市典型道路行道树树种优化研究[J]. 中国园林, 2020, 36(6): 141 − 144. ZHOU Shuwen, GAO Fei, MA Keming. Research on species optimization of typical road trees in Beijing based on ENVI-met [J]. Chin Landscape Archit, 2020, 36(6): 141 − 144. [2] 汪瑛. 北京市行道树结构分析与健康评价[D]. 北京: 中国林业科学研究院, 2011. WANG Ying. The Structural Analysis and Health Assessment of Roadside Trees in Beijing [D]. Beijing: Chinese Academy of Forestry, 2011. [3] CHOW W T L, ROTH M. Temporal dynamics of the urban heat island of Singapore [J]. Int J Climatol, 2006, 26(15): 2243 − 2260. [4] 潘辉, 刘晓华, 黄石德, 等. 城市行道树对道路空间CO浓度的影响[J]. 福建林学院学报, 2008, 28(4): 356 − 360. PAN Hui, LIU Xiaohua, HUANG Shide, et al. Effects of urban forest trees on CO concentration in street space [J]. J Fujian Coll For, 2008, 28(4): 356 − 360. [5] FERNÁNDEZ-JURICIC E. Avifaunal use of wooded streets in an urban landscape [J]. Conserv Biol, 2000, 14(2): 513 − 521. [6] 邵鹏. 北京城市核心区国槐行道树健康评价研究[D]. 北京: 北京林业大学, 2020. SHAO Peng. A Study on Health Assessment of Sophora japonica Street Trees in Beijing Urban Core Area [D]. Beijing: Beijing Forestry University, 2020. [7] 翁殊斐, 黎彩敏, 庞瑞君. 用层次分析法构建园林树木健康评价体系[J]. 西北林学院学报, 2009, 24(1): 177 − 181. WENG Shufei, LI Caimin, PANG Ruijun. Establishment of landscaping tree health assessment model using analytic hierarchy process [J]. J Northwest For Univ, 2009, 24(1): 177 − 181. [8] 游惠明, 游秀花, 陈笑玲, 等. 福州市行道树种综合评价与分级选择[J]. 中国城市林业, 2009, 7(1): 15 − 17. YOU Huiming, YOU Xiuhua, CHEN Xiaoling, et al. Integrated evaluation and selection of street trees species in Fuzhou City [J]. J Chin Urban For, 2009, 7(1): 15 − 17. [9] 罗贵斌. 汉中市中心城区常绿行道树综合评价[J]. 西北林学院学报, 2016, 31(2): 302 − 308. LUO Guibin. Comprehensive evaluation of the evergreen streettrees planted in the downtown of Hanzhong city [J]. J Northwest For Univ, 2016, 31(2): 302 − 308. [10] 李佳慧, 彭祚登, 刘勇, 等. 北京市首都功能核心区国槐健康评价及其影响因素研究[J]. 西北农林科技大学学报(自然科学版), 2021, 49(1): 64 − 73. LI Jiahui, PENG Zuodeng, LIU Yong, et al. Health evaluation and influencing factors of Sophora japonica in the capital functional core area of Beijing [J]. J Northwest A&F Univ Nat Sci Ed, 2021, 49(1): 64 − 73. [11] 杜甲宝, 潘盼, 杨芳绒. 主成分分析法在郑州市行道树综合性能评价研究中的应用[J]. 西北林学院学报, 2009, 24(3): 190 − 193. DU Jiabao, PAN Pan, YANG Fangrong. Application of principal component analysis method in the comprehensive function assessment of the street trees in Zhengzhou [J]. J Northwest For Univ, 2009, 24(3): 190 − 193. [12] 郄光发, 彭镇华, 王成. 北京城区银杏行道树生长现状与健康状况研究[J]. 林业科学研究, 2013, 26(4): 511 − 515. QIE Guangfa, PENG Zhenhua, WANG Cheng. Growth and health status of Ginkgo biloba in Beijing urban street area [J]. Res For, 2013, 26(4): 511 − 515. [13] 莫训强, 闫维, 陈小奎, 等. 活力度分级法在天津空港经济区行道树健康评价中的应用[J]. 国土与自然资源研究, 2012(1): 88 − 90. MO Xunqiang, YAN Wei, CHEN Xiaokui, et al. Application of street trees’ vigorous degree in greening management: a case of Tianjin airport economic area [J]. Territ Nat Resour Study, 2012(1): 88 − 90. [14] 马志林, 陈丽华, 于显威, 等. 北京西山地区不同林分健康状况比较研究[J]. 生态环境学报, 2010, 19(3): 646 − 651. MA Zhilin, CHEN Lihua, YU Xianwei, et al. Study on health assessment and comparison of different tree species in the west-mountains area, Beijing [J]. Ecol Environ Sci, 2010, 19(3): 646 − 651. [15] 姬文元, 邢韶华, 郭宁, 等. 川西米亚罗林区云冷杉林健康状况评价[J]. 林业科学, 2009, 45(3): 13 − 18. JI Wenyuan, XING Shaohua, GUO Ning, et al. Health evaluation on spruce and fir forests in Miyaluo of the western Sichuan [J]. Sci Silv Sin, 2009, 45(3): 13 − 18. [16] 朱宇, 刘兆刚, 金光泽. 大兴安岭天然落叶松林单木健康评价[J]. 应用生态学报, 2013, 24(5): 1320 − 1328. ZHU Yu, LIU Zhaogang, JIN Guangze. Health assessment of individual trees in natural Larix gmelinii forest in Great Xing’ an mountains of China [J]. Chin J Appl Ecol, 2013, 24(5): 1320 − 1328. [17] 张楠, 董丽, 郝培尧, 等. 北京市中心城区行道树结构的研究[J]. 中南林业科技大学学报, 2014, 34(5): 101 − 106. ZHANG Nan, DONG Li, HAO Peiyao, et al. Study on structure of street trees in central districts of Beijing [J]. J Cent South Univ For Technol, 2014, 34(5): 101 − 106. [18] 余韵. 北京城市核心区白蜡行道树健康评价研究[D]. 北京: 北京林业大学, 2020. YU Yun. A Study on Health Assessment of Roadside Trees Fraxinus ssp. in Core Area of Beijing [D]. Beijing: Beijing Forestry University, 2020. [19] 北京市市场监督管理局. 城市树木健康诊断技术规程: DB11/T 1692—2019 [S]. 北京: 中国标准出版社, 2019. Beijing Municipal Bureau of Market Supervision and Administration. Technical Regulations for Health Diagnosis of Urban Trees: DB11/T 1692−2019 [S]. Beijing: China Quality and Standards Publishing & Media Co. , Ltd. [20] HAN Xin, WEI Zheng, ZHANG Baozhong, et al. Crop evapotranspiration prediction by considering dynamic change of crop coefficient and the precipitation effect in back-propagation neural network model[J/OL]. J Hydrol, 2021, 596(3/4): 126104[2021-12-10]. doi: 10.1016/j.jhydrol.2021.126104. [21] 雷廷, 贾军元, 田福金, 等. 基于BP神经网络预测岩石导热系数[J]. 世界地质, 2021, 40(1): 131 − 139. LEI Ting, JIA Junyuan, TIAN Fujin, et al. Prediction of rock thermal conductivity based on BP neural network [J]. Glob Geol, 2021, 40(1): 131 − 139. [22] KUMAR M, RAGHUWANSHI N S, SINGH R. Artificial neural networks approach in evapotranspiration modeling: a review [J]. Irrig Sci, 2011, 29(1): 11 − 25. [23] HUANG Xiaoqiao, LI Qiong, TAI Yonghang, et al. Hybrid deep neural model for hourly solar irradiance forecasting [J]. Renewable Energy, 2021, 171: 1041 − 1060. [24] 赵丹, 李锋, 王如松. 城市地表硬化对植物生理生态的影响研究进展[J]. 生态学报, 2010, 30(14): 3923 − 3932. ZHAO Dan, LI Feng, WANG Rusong. Effects of ground surface hardening on plant eco-physiological progress inurban landscape [J]. Acta Ecol Sin, 2010, 30(14): 3923 − 3932. [25] 李科科, 李延明, 丛日晨, 等. 模拟道路种植环境对银杏生长的影响[J]. 中国园林, 2020, 36(7): 117 − 122. LI Keke, LI Yanming, CONG Richen, et al. Simulating the influence of road planting environment on the growth of Ginkgo biloba [J]. Chin Landscape Archit, 2020, 36(7): 117 − 122. [26] 吴迪. 基于日照分析的郑州市行道树配置模式研究[D]. 郑州: 河南农业大学, 2018. WU Di. Configuration Models Research of Avenue Trees Based on Sunlight Analysis in Zhengzhou City[D]. Zhengzhou: Henan Agricultural University, 2018. 期刊类型引用(4)
1. 朱臻，薛家依，宁可. 规模化经营背景下劳动监督对营林质量的影响研究：来自南方集体林区三省规模户的实证数据. 农林经济管理学报. 2021(01): 78-91 . 
百度学术2. 高润，刘洁. 林业经济实现可持续发展的重要性分析. 林产工业. 2021(04): 99-101 . 百度学术3. 肖琦，洪英. 新形势下林业科技对林业发展的重要性分析. 林产工业. 2021(05): 69-71+76 . 百度学术4. 修丕师，张晓梅. 重点国有林区职工林下经济创业潜力及支持路径研究. 林业经济问题. 2020(06): 626-633 . 百度学术其他类型引用(8)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20220109
点击查看大图
计量
- 文章访问数: 598
- HTML全文浏览量: 114
- PDF下载量: 13
- 被引次数: 12
