我国粮食单产区域差异及其驱动因素空间异质性研究

我国粮食单产区域差异及其驱动因素空间异质性研究

自2010年以来，由于粮食价格上涨和食品安全问题，粮食价格上涨已成为所有国家应关注的重要挑战。在2011年的G20峰会上,粮食安全问题首次列入会议议程,彰显了粮食安全的战略地位,而粮食安全与粮食产量密切相关,保障粮食的数量安全仍然是未来较长时期需要解决的首要问题。当前,我国工业化与城镇化各地区迅速发展,全国城镇人口已达6.45亿,城镇化水平2011年提高到51.2%(六普资料),每年各类建设用地占用土地都在80万hm2左右。在今后耕地总量很难再增加的总体形势下,探究粮食单产及其影响因素间的时空关系较之于粮食总量研究而言更为重要。目前学术界对粮食单产的特征及其影响因素进行了丰富的研究,但是由于研究尺度和研究方法的不同,使其结果有所差异。综述发现,研究尺度主要集中于全国层次、流域层次、省域层次、县域层次等不同的空间尺度;研究方法主要包括多元回归分析、岭回归分析、主成分分析法、Cobb-Douglas生产函数、灰色关联分析法、空间滞后模型等方法。以上这些方法多是基于长时间序列数据而建立的全局模型,往往会掩盖空间差异,忽视了空间效应对粮食单产各种影响因素的影响。由于我国幅员辽阔,各地区间粮食生产的自然条件、社会和经济条件的空间差异比较明显,使得影响粮食单产的各种因素在不同地区上存在着非均衡性,粮食单产影响因素实证研究中对空间效应的忽略显然会导致研究模型的设定误差,其参数估计与统计推断的结果自然有待商榷。随着地理信息系统(GIS)技术的发展,空间计量分析方法也得到极大提高。由英国学者Fotheringham等提出的地理加权回归(GeographicallyWeightedRegression,GWR)模型通过在线性回归模型中假定回归系数是观测点地理位置的任意函数,得到的是随空间上局部地理位置变化而变化的变数,它被认为是一种非常有效的方法来揭示被观测者空间非平稳性和空间依赖性。因此,运用GWR模型研究粮食单产区域差异及其驱动因子,可以将数据的空间特性纳入模型中,更加客观实际地探测空间数据的空间非平稳性。由于省级行政区划经济功能完备,辖区范围稳定,本文选择中国31省市(自治区)行政单位作为基本空间单元,采用纳入了地理空间效应的空间变系数的地理加权回归模型(GWR),剖析各影响因素及其影响力度的空间分布,揭示各因素在不同空间位置上对粮食单产的影响机理,旨在为深入、全面的提高粮食生产能力和制定因地制宜的粮食发展政策提供较为科学的依据。1数据来源与研究方法1.1数据来源与统计描述全国31省市(未包括港澳台地区)的粮食单产、农业机械总动力、化肥施用折纯量、农田有效灌溉面积、成灾面积、农药施用量、地膜施用量以及农村用电量等数据均来源于《新中国农业60年统计资料》和各省市区相应年份的统计年鉴。由于统计年鉴中没有粮食生产的专用数据,因此除了粮食单产之外,其它数据均为农、林、牧、渔整体数据。本文选取1999、2008和2006—2008年3年的平均值作为典型年来比较分析各因素对粮食单产影响的异质性。本文拟选取粮食单产(t/hm2)作为被解释变量,依据各省市自然地理的复杂条件,及其实际耕种指数与特征,选取单位播种面积机械总动力(kW/hm2)、单位播种面积化肥施用量(折纯)(t/hm2)、有效灌溉面积占耕地面积比重(%)、成灾面积占粮食播种面积比重(%)、单位播种面积农药投入量(kg/hm2)、单位播种面积地膜施用量(t/hm2)以及单位播种面积用电量(102kW·ht/hm2)作为初选自变量。1.2学习方法1.2.1空间自相关测度ESDA(ExploratorySpatialDataAnalysis,探索性空间数据分析)方法是通过对事物或现象的空间分布格局的描述与可视化,发现空间集聚和空间异常,揭示研究对象之间的空间相互作用机制,其技术核心内容是空间自相关测度,包括全局空间自相关(GlobalSpatialAutocorrelation)和局部空间自相关(LocalSpatialAutocorrelation)两大类。1.2.1.空间自相关测度i指数全局空间自相关是对某种地理现象或某一属性在整个区域的空间特征的描述,判断此现象或属性值在空间上是否存在聚集特性。Moran’sI指数是常用的空间自相关测度指标,计算公式如下:式中:n为研究对象的数目;xi为观测值;x为xi的平均值。wij为研究对象i与j之间的空间连接矩阵,表示空间单元间潜在的相互作用的力量。Moran’sI值介于-1与1之间,I>0表示空间自正相关,空间实体呈聚合分布,I<0表示空间负相关,空间实体呈离散分布;I=0则表示空间实体是随机分布的,且I值越大表示空间分布的相关性越大。1.2.1.局部moran’si模型全局空间自相关分析在整体上揭示了事物的空间依赖程度,不能提供局部空间差异性,因此,Anselin建议用ESDA的局部空间自相关(Localindicatorsofspatialassociation,LISA)方法来度量某一区域与周边地区之间的空间差异程度及显著性,一般采用LocalMoran’sI统计量来测度,并结合Moran散点图或LISA聚集图等形式,研究局部空间分布规律,其实质是将全局Moran’sI分解到各个区域单元,局部Moran’sI模型如下:式中:Zi和Zj分别为空间单元i和j上观测值的标准化值;Wij为空间权重。在给定显著性水平下,Ii>0,表明存在正的局部空间自相关,相似的值发生集聚;Ii<0,表明存在负的局部空间自相关,不相似的值发生集聚。LISA显著性水平与Moran散点地图相结合,形成LISA聚类地图,可识别局部空间集聚的“热点”和“冷点”,揭示空间奇异值。1.2.2普通线性回归模型地理加权回归(GeographicallyWeightedRegression,下文简称GWR)模型是将数据的地理位置引入到回归参数中,利用邻近观测值的子样本数据信息进行局域回归估计,其参数是随着空间上局域地理位置变化而变化的,扩展了利用全域信息估计的常数的普通线性回归(OLS)模型,其模型结构为:式中:y是n×1维被解释变量向量;xik是n×k维解释变量矩阵;βk(ui,vi)代表变量k在回归点i的回归系数;(ui,vi)代表第i个观察点的空间位置;ε是n×1维向量,它服从方差为常数的正态分布。GWR模型通过在每个观测点使用加权最小二乘法对参数向量进行估计,权重是观测点i到其他观测位置的距离的函数,常用的权重函数有距离阈值函数、反距离函数、高斯函数等,其中,特定权函数的确定依赖于带宽的选择与优化,对GWR模型的精度有很大影响,常用的优化方法有交叉验证法、AIC信息准则法等。2结果与分析2.1粮食联产空间类型由于我国国土面积广大,自然地理条件复杂,土地类型多样、山多地少、耕地资源不丰、地理区域差异较大,粮食生产特别是单产各地不一。以1999年粮食单产和1999—2008年粮食单产年平均增长率为基础指标,依据其耦合关系将粮食单产变化划分空间类型。将1999年各省域的粮食单产与该年份全国粮食单产均值比较,以1999年粮食单产高于全国均值为基础好(反之为基础差);以1999—2008年各省域粮食单产年均增长率与全国粮食单产年均增长率相比较,粮食单产增长高于全国粮食单产增长的省域为增长较快的区域(反之为增长较慢的区域或负增长的区域)。应用GIS空间分析方法,依据粮食单产的耦合关系,将粮食单产变化划分为以下五种空间类型(图1):基础好—增长较快型、基础好—增长较慢型、基础好—负增长型、基础差—增长较快型和基础差—增长较慢型。粮食单产是衡量一个国家或地区粮食生产能力的重要指标。受耕地质量、气候条件和耕作管理、水平等因素的影响,我国粮食单产区域差异明显。从图1可以看出,粮食单产增长最具活力的区域(基础好—增长较快型),有5个分布在农业生产条件相对优越的东部和东北部,5个分布在农业生产条件一般的中西部;粮食单产增长潜力相对较大的区域(基础差—增长较快型),有3个分布在东部和东北部,而有9个却分布在中西部,其中5个省域在2008年粮食单产年均增长率是全国水平的2.27—3.54倍,由此可见,中西部粮食单产的增产对全国粮食产量的贡献越来越显著,粮食生产重心发生移动,由传统的“东部为主”逐渐“北上西进”,向中西部地区欠发达省份集中,这主要得益于中西部耕地后备资源丰富、大力兴修水库以及塘坝、农用薄膜和立体农业等新技术的广泛推广以及粮食支持政策充分调动农民种粮积极性等优势。2.2谷物生产的探索性空间数据分析esda2.2.1粮食联产空间集聚本文利用GeoDA软件对31省市的粮食单产数据进行全局空间自相关分析,结果如图2所示。从图2中可知,不论是1999年还是2008年,大部分省域落在第一象限和第三象限内,其Moran’sI分别为0.2806和0.2395,为空间正相关,说明这些区域具有较大的空间正相关性,即表示31个省市的粮食单产的空间分布并非完全随机性,而是表现出空间相似值之间的空间聚集,即粮食单产较高的省域趋于和粮食单产较高的省域相邻,粮食单产较低的省域趋于和粮食单产较低的省域相邻,属于高—高集聚和低-低集聚类型。同时本文利用GeoDA软件中的蒙特卡罗模拟方法检验了Moran’sI的显著性,P值分别等于0.007和0.017,说明在98%置信度下的空间自相关是显著的。2.2.2“高—局部空间自相关分析。全局空间自相关指标Moran’sI用于揭示整个研究区域事物的空间依赖程度,而局域空间自相关指标LISA则用于反映研究范围内各空间位置与各自周围邻近位置的同一属性的相关程度。为了更为直观的观察各省域粮食单产的空间分布情况,利用GeoDA生成LISA聚集图(图3)。由图3可见,1999年全国31省域粮食单产已表现出较为明显的分异格局,主要表现为:空间差异较小、区域自身和周边粮食单产水平均较高的区域(高—高),主要集中在安徽、江西和长三角区域的江苏、上海和浙江一带;这些区域耕作历史悠久、土壤肥沃、土地结构良好,长期以来是我国精耕细作地区,也是我国的重要的粮食商品粮生产基地。空间差异虽然较小,但区域自身和周边平均较低的区域(低—低),绝大多数分布在内蒙古、陕西、甘肃和宁夏等西部地区,以及中部区域的山西省一带,该区域自然条件较差,缺水缺肥、土地耕作层薄而瘦,耕作方式较为粗放。空间差异较大,区域自身水平较高,但周边平均较低的区域(高—低),主要分布在四川省;空间差异较大,区域自身水平较低,但周边水平均较高的区域(低—高),主要分布在海南省,该区域地处岛屿,耕地面积有限,自然灾害频发。到了2008年,粮食单产的空间格局发生了一些变化,与1990年相比,中西部地区的四川省由原来的高—低区域转为低—低区域,形成范围更大的低—低集聚区;而原有的高—高集聚区范围急剧缩小为江苏和浙江省。从总体数量上看,1990年来高—高类型的省市的数量呈减少趋势,而低—低类型的省市的数量则不断增加,由此可见,粮食单产增长极的扩散效应逐渐减弱。2.3gwr模型拟合度分析通过空间自相关分析,发现粮食单产的空间分布并非完全随机性,而是表现出显著的空间聚集,这表明粮食单产不再满足普通最小二乘法(OLS)法要求的区域之间相互独立的假设,导致基于OLS的经典线性回归模型估计结果及推论可能不够可靠,需要通过引入空间差异性和空间依赖性对经典的线性模型进行修正。本文应用GWR的加权二乘法(WLS)对1999年和2006—2008年31个省域的数据建立GWR模型,采用“自适应”核函数的AICc带宽的方法进行局域估计。如果所选自变量之间存在多重共线性问题,导致系数矩阵不可逆,无法解出唯一的参数估计值,最终模型不可识别,所以在GWR模型运行之前,需对变量进行多重共线性检验,本文应用逐步回归法消除多重共线性。1999年粮食单产所建立的GWR回归模型中,最终形成用于建模的3个自变量分别为:单位播种面积化肥施用量(折纯)α1、成灾面积占粮食播种面积比重α2、单位播种面积农药投入量α3。同时,为了避免截面数据分析可能造成的偶然性,本文又选用了2006—2008年3年的平均值,进一步进行局域估计,最终形成用于建模的自变量分别为:单位播种面积化肥施用量(折纯)α1、成灾面积占粮食播种面积比重α2、单位播种面积农药投入量α3和有效灌溉面积占耕地面积比重α4等4个自变量。GWR模拟计算显示(表1),基于GWR模型能够解释粮食单产总变异的51.18%—77.95%和43.78%—78.17%,从局部R2的空间变异可见,中西部各省域的拟合度较高,东北部各省域的拟合度较低,表明该区域的粮食单产可能还受到其他因素的影响,如气候、政策等影响。从1999年粮食单产的局部系数估计图(图4)可见,3个解释变量在各个区域的参数估计结果均不相同,表明各个解释变量对粮食单产的影响程度存在空间变异。通过比较各解释变量的标准回归系数,可以推断各个解释变量对粮食单产的影响程度。单位播种面积化肥施用量对粮食单产的影响最为明显。图4所示,化肥施用和粮食单产呈现正相关,说明施用化肥可以提高粮食单产,并且增施化肥在不同地区的粮食增产效果差异十分明显。化肥施用对粮食单产影响的敏感程度最大值在东北部和内蒙古,并以此为辐射点向周围逐渐递减,而影响程度较小的主要集中在青海、四川、云南、甘肃等西部地区,这主要是由于西部地区施肥量较少,对粮食单产的影响较弱,但该区域粮食单产的增产潜力较大,今后化肥重点考虑投向这些地区。单位播种面积农药投入量对粮食单产的影响程度位居第二,并与粮食单产呈现正相关,表明农药能有效防控有害生物对农业生产安全的危害,确保粮食稳产增产的重要因素,并且增施农药在不同地区的粮食增产效果差异明显,其农药使用对粮食单产影响的敏感程度最大值在甘肃、宁夏和陕西,并以此为辐射点向周围逐渐递减,而影响程度较小的主要集中在东北部的黑龙江、吉林和辽宁,这主要是由于东北地区气温普遍较低,不利于作物害虫生长,病虫害少。相比较化肥和农药而言,成灾面积占粮食播种面积比重对粮食单产的影响程度较弱,并且成灾率与粮食单产呈现负相关,这表明农作物遭受自然灾害能造成粮食单产的减产,并且成灾率越高,粮食单产减产幅度越大,并且成灾率在不同地区的粮食减产效果差异明显,其自然灾害对粮食单产影响的敏感程度最大值在广西、广东和海南,并以此为辐射点向周围逐渐递减,而影响程度较小的主要集中在东北部的黑龙江、吉林和辽宁等。这主要是由于1999年南方的寒苦、冷害等造成广东和广西粮食大幅度减产。从2006—2008年粮食单产的局部系数估计图(图5)可见,粮食单产的影响因素和影响程度不同于1999年。粮食单产的主要影响因素不仅包括1999年的3个解释变量,而且还包括对粮食单产显著影响的有效灌溉率α4,这4个解释变量对粮食单产的影响程度的顺序依次为:α1>α4>α3>α2。尽管单位播种面积化肥施用量对粮食单产的影响最为明显,但回归系数有正有负,正值远远低于1999年的,表明增施化肥对粮食单产的增产幅度大大降低,服从边际报酬递减规律,负值表示增施化肥有可能抑制粮食增产,出现负值的区域主要分布在浙江、福建、广东等东部地区和湖北、湖南、安徽等中部地区,表明这些地区的施肥水平可能已经超过了作物的需肥量,致使化肥用量不能最大地发挥其效用,长期超量使用化肥也会造成土壤板结、肥力下降等后果,从而导致粮食减产。由于2007和2008年的严重旱灾,使得有效灌溉对粮食单产的增产效用凸现,并且有效灌溉在不同地区的粮食增产效果差异明显,其影响的敏感程度最大值出现在严重干旱的新疆、西藏等地区。尽管在2006—2008年遭受了较严重的自然灾害,但是比较1999年而言,成灾面积占粮食播种面积比重对粮食单产的