2015～2025 年各省市区县相对鸟类丰度指数

1875 字 约 6 分钟 数据资料 生态环境

今天给大家分享一份 2015～2025 年各省市区县相对鸟类丰度指数。由 RStata 数据中心处理得到（基于中国观鸟记录中心爬取的观鸟数据）。

原始观鸟数据可以从下面的链接获取：

1980~2025 年观鸟记录、经纬度及其所处的省市区县数据(2026年3月爬取)：https://rstata.duanshu.com/#/brief/course/0005692119984a0b90677782a8f0a333

数据来源介绍与处理方法

本数据的核心方法是复现 Liang et al. (2020, PNAS) 提出的「努力量校正后的相对鸟类丰度」指数，并把它从区县层面进一步聚合到省、市、区县三级年度面板。

为什么需要做「努力量校正」？ 一份观鸟报告里记录了多少只鸟，既取决于当地真有多少鸟，也取决于「观察者有多努力」（观测时长 hours、观察者人数 n_observers）以及「当时好不好看见」（一天中的时刻 hour_day，可探测性）。如果直接拿原始计数或物种数比较，观测密集地区会被系统性高估。Liang et al. (2020) 用泊松模型把努力量与可探测性剥离掉，只留下反映鸟类数量的信号。

两步法（Methods: Bird Abundance Estimation）：

第一步（Eq.1）用固定效应泊松回归剥离努力量与可探测性：

#birds_{cohdmy} = exp( β_d·hours + β_n·n_observers + ζ_h + Γ_{cmy} + e )

其中 c, m, y 为县、月、年，o 为观鸟小组，h 为一天中的时刻；ζ_h 吸收可探测性，Γ_{cmy}（县×月×年固定效应）的估计值 Γ̂ 即「校正后的鸟类丰度」。

第二步（Eq.2）把 Γ̂_{cmy} 标准化为均值 0、标准差 1 的 z 分数 std(Γ̂)_{cmy}，即相对丰度指数。

本数据的处理流程（详见 code 文件夹）：

  1. 筛选样本：从 1980～2025 年观鸟记录中按 观测时间_起始 取 2015–2025 年窗口（1980–2014 年记录极少、2026 年仅 1–3 月部分爬取，不具年度统计意义）。
  2. 测算县×月×年丰度：对全部鸟种及四个分类群分别跑固定效应泊松回归，取 Γ̂ 并标准化为 z 分数；同时重算各单元的物种丰富度与努力量。
  3. 聚合到三级年度面板：把县×月×年尺度的相对丰度指数（按报告数加权）与丰度水平、努力量、物种丰富度，分别汇总到 省 × 年、市 × 年、区县 × 年 三个层级，输出为带中文变量标签的 dta。

分类群划分采用 Rosenberg et al. (2019) 口径（按「鸟种目」映射）：水禽 waterfowl = 雁形目；涉禽 shorebirds = 鸻形目；水鸟 waterbirds = 鹈形目、鹤形目、䴙䴘目、鲣鸟目、鹳形目、潜鸟目、鹱形目、鹲形目、红鹳目；其余目 = 陆鸟 landbirds。

数据概览

为了方便大家使用，我把数据汇总成了 省 / 市 / 区县 三个层级的 2015～2025 年 年度面板数据：

数据文件 层级 规模 覆盖
2015～2025 年各省份相对鸟类丰度指数.dta 省 × 年 343 行 × 20 列 34 个省级行政区
2015～2025 年各城市相对鸟类丰度指数.dta 市 × 年 2,477 行 × 22 列 367 个城市
2015～2025 年各区县相对鸟类丰度指数.dta 区县 × 年 9,743 行 × 24 列 2,400 个区县

数据预览如下：

各变量含义（三级面板通用，地理变量随层级增减）：

  • 相对丰度指数（标准化 z 分数，核心指标）
  • 努力量 / 观测密度代理
  • 物种丰富度（原始，未校正）
  • 地理与时间标识

注意：相对丰度指数（gstd_*）是「相对」量，只能比较 A 地比 B 地、今年比去年多还是少，不代表绝对个体数量；作跨地区、跨年份比较时应优先使用 gstd_*，而非未校正的原始计数（raw_*/sp_richness）。

数据用途（具体）：该指数可作为空气污染治理（如美国《清洁空气法》、中国绿色金融改革创新试验区 2017）生态协同效益（cobenefit）研究的被解释变量，参考 Liang et al. (2020, PNAS) 与刘钊等 (2025, 经济学（季刊）)；也可用于评估各地区生态环境质量与生物多样性状况、识别鸟类丰富的保护优先区。

图表展示

下图展示了省、市、区县三级行政单元的相对鸟类丰度指数（gstd_all）在 2015–2025 年的年度趋势对比：

下图展示了论文口径的四个分类群（水禽 / 涉禽 / 水鸟 / 陆鸟）相对丰度指数的年度趋势：

下图展示了 2025 年各省份相对鸟类丰度指数的分布（省际差异）：

下图把本指数与刘钊等 (2025, 经济学季刊) 论文做方向性趋势对照（试验区 vs 非试验区年度轨迹、事件研究动态效应、分类群趋势、区域基线）：

处理代码

附件的 code 文件夹中提供了完整的处理代码（R 与 Stata），下面展示核心的「Poisson 努力量校正」与「三级聚合」两段 R 代码。

第一步：Poisson 努力量校正（复现论文 Eq.1，估计县×月×年固定效应）

# 把「对某个被解释变量跑一次固定效应泊松回归、取出 cmy 固定效应估计值」封装为函数
# 只保留报告数 >= 3 的县×月×年单元，避免小样本单元估计不稳定
fit_gamma <- function(dat, yvar, min_cell = 3) {
  keep <- dat |> count(cmy) |> filter(n >= min_cell) |> pull(cmy)
  d <- dat |> filter(.data[[yvar]] >= 1, cmy %in% keep)
  # | 后为固定效应：hour_day 吸收可探测性，cmy 吸收县×月×年丰度
  m <- fepois(as.formula(paste0(yvar, " ~ hours + n_observers | hour_day + cmy")), data = d)
  fe <- fixef(m, sorted = FALSE)
  tibble(cmy = names(fe$cmy), gamma_hat = as.numeric(fe$cmy), var = yvar)
}

# 对全部鸟种与四个分类群分别运行
res <- c("n_ind_all", "n_ind_water", "n_ind_shore", "n_ind_wbird", "n_ind_land") |>
  map_dfr(~ fit_gamma(chk, .x))

# 第二步：把 gamma_hat 标准化为 z 分数（论文 Eq.2 的指数）
res <- res |> group_by(var) |> mutate(gamma_std = as.numeric(scale(gamma_hat))) |> ungroup()

第三步：聚合到省 / 市 / 区县 三级年度面板（以报告数为权重）

# 相对丰度指数：县×月×年 -> 层级×年，按报告数加权
agg_abund <- function(dat, code_var) {
  dat |> group_by(.data[[code_var]], year) |>
    summarise(
      gamma_hat      = weighted.mean(gamma_hat, n_checklist, na.rm = TRUE),
      gstd_all       = weighted.mean(gstd_all, n_checklist, na.rm = TRUE),
      gstd_waterfowl = weighted.mean(gstd_waterfowl, n_checklist, na.rm = TRUE),
      gstd_shorebird = weighted.mean(gstd_shorebird, n_checklist, na.rm = TRUE),
      gstd_waterbird = weighted.mean(gstd_waterbird, n_checklist, na.rm = TRUE),
      gstd_landbird  = weighted.mean(gstd_landbird, n_checklist, na.rm = TRUE),
      .groups = "drop")
}
abund_county <- agg_abund(abund_long, "county_code")
abund_city   <- agg_abund(abund_long, "city_code")
abund_prov   <- agg_abund(abund_long, "prov_code")

附件中也提供了该数据的处理代码（code 文件夹中的 .R 与 .do 文件）供参考。

数据引用格式

由于该数据包含较多 RStata 处理的内容，在研究中使用该数据请使用清晰的方式注明数据来源于 RStata 或者 RStata 数据中心，并使用如下格式引用：

RStata 数据中心: 2015～2025 年各省市区县相对鸟类丰度指数. 2026. https://tidyfriday.cn/rsdb2/

英文文献可以使用下面的格式引用：

RStata Data Center: Relative Bird Abundance Indices by Province, City, and District/County, 2015–2025. 2026. https://tidyfriday.cn/rsdb2/

关联课程/数据推荐

名师讲堂｜使用 Python 测算各区县鸟类丰度指数：https://rstata.duanshu.com/#/course/ea8db64b57fd4ebcb2f2c7262e5b96df

名师讲堂｜使用 Stata 测算各区县鸟类丰度指数：https://rstata.duanshu.com/#/course/436ea1b3761e4e7691aa006029c72a20

名师讲堂｜使用 R 语言测算各区县鸟类丰度指数：https://rstata.duanshu.com/#/course/e69dee21822e43b9b59465dd5ca1533f

如果有相关需要可以联系李老师付费定制。

点击这里跳转到 RStata 短书平台获取附件：2015～2025 年各省市区县相对鸟类丰度指数

相关文章

评论