基于ESDA-GWR的四川省粮食单产时空演变及影响因素研究

基于ESDA-GWR的四川省粮食单产时空演变及影响因素研究

吕雷1，折晓婷2,王玉贵1

(四川师范大学 1.西南土地资源评价与监测教育部重点实验室；2.地理与资源科学学院，四川成都610066)

摘要：以四川省21个市州为研究区域，利用ESDA空间自相关分析和GIS空间分析中地理加权回归模型(GWR)，探讨了2004-2013年四川省粮食单产的空间特征及影响因素.结果表明：四川省粮食单产差异明显，整体呈现“中心高四周低”的空间特征；通过空间自相关分析，全局Moran’sI指数的最小值为0.14，为空间正相关，说明21个市州的粮食单产在空间上聚集，德阳、南充粮食单产的“热点”效应逐渐扩散；对影响因素的地理加权回归分析发现，化肥施用量的回归系数最大，说明化肥施用量是影响粮食单产的最主要因素.各因素对粮食单产影响程度的大小排序为：化肥施用量﹥农业机械动力﹥耕地用电量﹥有效灌溉面积.

关键词：粮食单产；ESDA；GWR；四川省

收稿日期：2015-04-12

作者简介：吕雷(1990—)，男，安徽桐城人.硕士研究生，主要从事城市土地管理与房地产开发研究.

中图分类号：F326.11文献标志码：A

0引言

国家粮食安全问题是当前的热点话题之一，2015年2月中央一号文件重点强调了粮食安全问题，说明粮食安全的重要性.保障粮食安全供应问题仍然是农业生产的首要目标.[1]2013年我国城镇化水平达到53.7%，建设用地需求巨大，虽然耕地保护态度坚决，但耕地每年仍以几百万亩的速度被占用.有限的耕地面积难以承载不断增长的人口的矛盾，使得提高粮食单产成为保障粮食安全的基本战略之一.如何提高粮食单产，不但是政府关注的重点，也是学术界关注的焦点.对于粮食单产问题，学者们分别在全国尺度、[2]区域尺度、[3]省域尺度、[4]县域尺度等各个尺度.[5]从差异特征、[6]影响因素、[7]对策建议等方面做了比较详细的研究.[8]主要方法包括线性回归分析、相关性分析和灰色关联分析等，这些方法大多是基于时间序列的数据分析，而并没有考虑到空间存在的非平稳性，不能真实反映解释变量的空间特征.四川省是全国粮食主产区，也是西部唯一的粮食主产区.2013年四川省粮食产量3387.1万吨，位居全国第六.提高粮食单产是实现粮食总量增产的主要因素.基于此，本文以四川省21个市州为例，利用探索性数据分析评析了各个市州之间的空间差异特征，通过引入地理加权回归(GWR)模型剖析影响因子的影响程度的空间分布，以期为提高四川省粮食单产提供参考与理论依据.

1研究方法及数据来源

1.1研究方法

1.1.1ESDA空间分析

探索性空间数据分析(Exploratory Spatial Analysis，简称ESDA)，是用可视化的方式表达数据的空间结构和空间分布规律，揭示现象之间的空间关系的一种技术.[9]它涉及空间权重矩阵、全局空间自相关和局部空间自相关.空间权重矩阵是利用ESDA技术进行空间分析的前提，用于表达空间位置的邻近关系，可根据邻接标准或距离标准确定.全局空间自相关Moran′s I是用来描述要素在整体空间上是否存在聚集关系和空间异质性，以此判断要素之间的空间关联程度.局部自相关分析则是利用Moran′s散点图研究空间不稳定性及空间演化过程.

1.1.2GWR模型

地理加权回归模型(Geographically Weighted Regression，简称GWR)，是将数据的地理位置引入到回归参数中，利用邻近观测值的自变量数据进行局部回归估计.将空间效应中的空间自相关和异质性，用不同于以往的全局空间自相关模型表现出来.用一种空间变系数模型将回归参数的真实空间特征反映出来.[10]模型如下：

(1)

1.2数据来源与指标的选择

研究区域四川省21个市州的粮食播种面积、粮食产量、年末耕地面积、有效灌溉面积、化肥施用量、农业机械总动力和成灾面积等数据均来源于《四川省统计年鉴》(2005-2014).

对于因变量和自变量的选取，本文在考虑相同的政策条件、作物品种和数据可获取性的基础上，选用粮食单产(t/hm2)作为因变量，选取单位播种面积化肥使用量、单位播种面积机械动力、单位耕地面积用电量、有效灌溉面积占耕地面积比重和成灾面积占粮食播种面积的比重作为自变量.

2实证分析

2.1粮食单产差异分析

本研究以四川省为研究区域，四川省山多地广，自然条件迥异，耕地条件复杂，各地粮食单产各异.以2013年四川省粮食单产与人口数据为例(见图1)，粮食单产各市州分布不一，与人口分布趋势略有相同，这说明人口压力较大的地方，粮食单产也较高.图中，成都、德阳的粮食单产都较高，较低的有雅安、阿坝、凉山等地区，其他区域处于中等水平.

这些差异都与各市州的经济条件、自然条件息息相关.经济基础好，耕地基础好的地区粮食单产高，比如，成都、德阳.社会经济发展慢，地力基础差的地区粮食单产低，比如，阿坝、凉山等地区.空间上，粮食单产表现出“中间高四周低”的态势.

2.2粮食单产探索性空间分析

利用2004年、2009年和2013年四川省21市州的粮食单产数据进行全局空间自相关分析和局部空间自相关分析.

运用Geoda软件计算出四川省2004年、2009年和2013年21个市州的粮食单产的全局Moran’s I 指数和散点图，并根据P值对其进行检验.如图2所示，三个年份的21个市州大部分落在第一和第三象限，且Moran’s I 指数都大于0.说明这些区域具有正相关性，且表现出明显的空间聚集态势，即粮食单产高的区域其周围区域单产也高，反之，粮食单产低的区域其周围单产也低.同时，对Moran’s I的显著性水平进行检验，其P值均大于检验临界值，通过了5%显著性水平的检验.

对研究区域内各单元与邻近单元的空间关系需要运用局部空间自相关进行分析.利用Geoda制作出的LISA图能直观反映粮食单产的区域分布关系.由图3可以看出：①空间差异较小、粮食单产高的周边粮食单产均较高(高-高)的区域由2004年的2个减少到2013年的0个.德阳、南充作为四川省重要的产量区，其成为热点区域主要是因为该区域耕地基础好，粮食集约规模经营.到2013年热点区域逐渐减弱，说明德阳、南充的辐射效应明显，使得周边区域的粮食单产也相对增长；②空间差异小、粮食单产地周边粮食单产均较低(低-低)的区域从2004年到2013年一直发生在甘孜藏族自治州.主要是因为这些区域经济基础落后，自然条件较差，农业生产方式粗放；③空间差异大、粮食单产低但周边粮食单产高(低-高)的区域表现在资阳周边.但粮食单产高但周边粮食单产低(高-低)的区域表现在达州周边.上述研究表明：各区域粮食单产空间上聚集，并具有一定的空间差异.

2.3影响因素地理加权回归分析

传统的线性回归模型已经不能满足对空间关系研究的需要，本文引进地理加权回归模型(GWR)，对2003年、2009年和2013年三个时间截面的粮食单产的影响因素进行空间回归.自变量的选取方面，在剔除多重线性影响问题上，选择单位播种面积化肥施用量X1、单位播种面积机械动力X2、单位耕地面积用电量X3、有效灌溉面积占耕地面积比重X4四个自变量作为GWR回归模型的解释变量.利用Arcgis建立GWR模型得出R2=0.8238，Adjusted R2=0.7796，AICc值为34.0528，说明GWR模型拟合程度较好.

从市域粮食单产的局部系数来看，4个解释变量的参数估计均不相同，均为正向回归系数，表示四个系数对粮食单产存在空间差异.从对粮食单产的影响程度由大到小排序依次为：单位面积化肥施用量﹥单位播种面积机械动力﹥单位耕地面积用电量﹥有效灌溉面积占耕地面积比重.①单位面积化肥施用量对粮食单产的影响程度最大，说明对于四川省来说，粮食单产提高的最主要因素是化肥施用量.并且化肥施用量最敏感的区域是以攀枝花和凉山彝族自治州为圆心向东北方扩散.这也与四川省耕地的自然环境条件相吻合.该地区以山地为主，地形崎岖，坡陡土薄导致耕地产量低下，粮食单产的提高需要大量的化肥使用.影响最小的是川东北的盆地平原区.②单位播种面积机械动力对粮食单产的影响也较为显著，依旧呈现与化肥施用量相同的态势，敏感区域位于攀西地区，由于其地理环境与经济条件，农业机械动力投入不足，影响粮食单产的提高.③有效灌溉面积占耕地面积也与粮食单产呈现较显著的正相关，呈现“西北高东南低”的态势，依旧与四川的地形特点一致.阿坝羌族藏族自治洲地区耕地因干旱缺水导致中低产田面积广大，是其单产较低的主要原因.①④单位耕地面积用电量也与粮食单产呈正相关关系，但回归系数明显减小，表明耕地用电量的提高会增加粮食单产的提高.单位耕地面积用电量对粮食单产最为敏感的是川东北地区，并向西南逐渐减弱.

3结论

3.1四川省各市州之间的粮食单产差异较大，成都、德阳、南充等产量大市粮食单产明显较高，阿坝、凉山、攀枝花等地区的粮食单产明显较低，表现出“中心高四周低”的空间特征.

3.2通过全局空间自相关和局部空间自相关分析，各区域粮食单产空间上聚集，并具有一定的空间差异，表现出明显的空间异质性.从2004年到2013年，德阳、南充的粮食单产的“热点”效应有减弱趋势，说明其“热点”效应逐渐扩散.

3.3将地理加权回归模型(GWR)对粮食单产的影响因素进行空间异质性分析，按影响程度从大到小排列依次是：化肥施用量、农业机械动力、农业用电量和有效灌溉面积.化肥施用量是对粮食单产最主要的因素.为提高粮食单产，应加强攀西地区的科学施肥和机械动力投入，川东北地区应提高用电效率，川西地区应扩大耕地的有效灌溉面积.对四川省各市州粮食单产空间特征和影响因素的研究，为科学制定因地制宜的农业生产政策提供重要的参考价值.

注释：

① 阿坝羌族藏族自治洲土地利用总体规划(2006-2020).

参考文献

[1] 申昌跃,罗其友.节水农作制度形成机制的研究[J].中国农学通报,2009(11):248-253.

[2] 张营周.我国粮食单产及其影响因素的协整分析[J].生态经济,2010(8):129-132.

[3] 何秀丽,张平宇,程叶青.东北地区粮食单产的区域差异及总体评价[J].农业系统科学与综合研究,2008(2):176-180.

[4] 高金兰.安徽省粮食单产趋势变化及主要经济因素影响分析[J].生态经济：2013(3):108-115.

[5] 张金萍,秦耀辰.县域粮食单产及其生产投入因素的空间异质性—以河南省为例[J].自然资源学报,2011(3):373-381.

[6] 张路路.河北省粮食单产区域差异特征演变格局及动因分析[J].水土保持研究,2011(2):192-197.

[7] 金京淑,刘妍.吉林省粮食单产影响因素分析[J].吉林农业科学,2010(3):57-59.

[8] 滕宇.吉林省粮食单产效率的聚类分析及对策研究[D].长春:东北师范大学,2012：18-22.

[9] Messner S F, Anselin L, Baller R D.Thespatialpatterningofcountyhomiciderates:Anapplicationofexploratoryspatialdataanalysis[J]. Journal of Quantitative Criminology, 1999(4): 423-450.

[10]覃文忠.地理加权回归基本理论与应用研究[D].上海:同济大学,2007：112-113.

[11]Bowman A W.Analternativemethodofcross-validationforthesmoothingofdensityestimates[J].Biometrika,1984:353-360.

[责任编辑范藻]

Spatial and Temporal Evolution and Influencing Factors of

Grain Yield Per Hectare Based on ESDA and GWR Model in Sichuan Province

LV lei1, SHE Xiaoting2, WANG Yugui1

(1. Key Laboratory of Land Resources Evaluation and Monitoring in Southwest of Education Ministry

in Sichuan Normal University, Chengdu Sichuan 610066;

2. Geography and Resources Science School of Sichuan Normal University, Chengdu Sichuan 610066, China)

Abstract:This paper takes the 21 cities of Sichuan province as an example, using the ESDA spatial autocorrelation analysis and GIS spatial analysis in geographically weighted regression (GWR) technology, discussing the spatial characteristics of grain yield in Sichuan province in 2004-2013 and its influence factors. The results show obvious difference in per unit area yield of grain in Sichuan province and the spatial feature presents "higher center and lower perimeter". By the spatial autocorrelation analysis, global Moran's I index value is 0.14. It meant that cities are gathering on the state space per unit area yield of grain. The "hot spot" effect of per unit area yield of grain in Deyang and Nanchong is gradually spreading. By the influence factors of geographically weighted regression analysis indicates that the most important regression coefficient factor of yield of grain relies on the fertilizer. Its influence degree decreases progressively: fertilizer input, farm mechanical power, cultivated land electricity consumption, effective irrigation area.

Key words:Grain yield per hectare; ESDA; GWR; Sichuan province