基于GWR的新疆农机总动力空间异质性分析

轩俊伟,郑江华

(新疆大学 资源与环境科学学院，乌鲁木齐　830046)



基于GWR的新疆农机总动力空间异质性分析

轩俊伟,郑江华

(新疆大学 资源与环境科学学院，乌鲁木齐830046)

摘要：从县域空间尺度出发，利用空间分析方法和地理加权回归模型，研究了2003-2012年新疆县域农机总动力空间聚集特征及其影响因素的空间异质性。结果表明：新疆县域农机总动力存在明显的空间异质性和空间聚集分布模式，空间分布表现出在经向上北疆大、南疆小，纬向上西部大、东部小；总体由天山南北两侧向外递减的趋势，中部为高高聚集区，南部为低低聚集区。近10年来，新疆县域农机总动力存在一定的空间正相关特性，且空间相关性随着时间整体呈现下降趋势。新疆县域农机总动力的影响因素存在明显的空间异质性。新疆西北部区域农机总动力对耕地经营规模比较敏感，西南部区域对政府财政投入比较敏感，而中南部区域对农民收入比较敏感。在不同区域第一产业人数对农机总动力的作用表现出正反两种相关关系，并且负相关关系有南移的趋势。根据农机总动力影响因素的空间分异特征，可以更好地解释分析农业机械总动力的发展变化规律，推动农业机械化事业更加科学、快速发展。

关键词：农机总动力；空间自相关；GWR；空间异质性；新疆

0引言

农业机械化是实现农业现代化的基础，是提高农业综合生产能力和增加农民收入的主要影响因素[1]。农机总动力则是评价一个地区农业机械化水平的重要指标。在我国耕地面积日益减少的背景下，提高现有耕地的农业机械总动力投入，是维护我国粮食安全的重要保证[2]。当前，关于农业机械总动力的研究工作已有不少成果发表，涉及的方面有其时间变化特征、空间分布格局、影响因素，以及农机动力总量预测等[3-6]。其中，农机总动力影响因素研究主要是运用logistic模型、因子分析、灰色关联度及回归分析等方法[7-10]从全局的角度探讨农机总动力的影响因素。但上述研究方法多是在地理单元空间同质性的假设上建立的全局模型，往往会掩盖地理空间异质性对农机总动力各种影响因素的影响。事实上，由于我国地域辽阔，各地区间经济社会发展水平、农业技术应用等方面存在明显的区域差异，因此在不同空间位置上农机总动力与其影响因素之间的相关关系也呈现出一定差异性。地理加权回归( Geographically Weighted Regression，简称GWR)模型是一种用来探测地理事物空间异质性的局域空间回归方法[11]。GWR模型可以为每个空间数据样本生成各解释变量的权重系数[12]，而权重系数在空间上的变化有助于深入理解因变量和解释变量间的相关关系。因此，运用GWR模型可以更好地揭示农机动力影响因素的空间分布异质性。目前，利用GWR进行农业方面的研究还较少，并且多集中于国家及省级尺度[13-14]，而在农机总动力研究方面还鲜有报道。基于此，本文以新疆85个县(市)为研究单元，利用GWR分析新疆农机动力区域差异特征、主要影响因素及空间分布规律，以期为保障新疆地区农业的可持续发展提供科学指导和参考。

1材料与方法

1.1数据来源

结合目前关于农机动力影响因素的研究成果[15-16]，本文从农民收入、种植规模、政府财政投入、产业结构方面选取粮食单产、播种总面积、人均生产总值、第一产业从业人数4个指标作为解释变量。县域农机总动力和相关影响因素数据来自《新疆统计年鉴2003-2012》。

1.2空间自相关

地理学第一定律指出，地理空间上越临近的事物之间的关联也越紧密。空间自相关[17]正是对这种关系的定量化统计描述。空间相关性可以通过空间自相关系数值的大小来表征，从空间尺度上一般可以划分为全局自相关系数和局域自相关系数两种类型[3]。全局莫兰指数(Moran’s I)是最常用的全局空间相关评测指标，用于评估区域内地理对象属性值整体的空间相关关系[18]。莫兰指数有正负之分，其绝对值范围为0～1；如果值大于零则表明该地理事物在空间上呈现聚集分布，值小于零表示该地理事物呈现离散分布，值为零意味着呈随机分布[3]。此外，莫兰指数绝对值的大小可以体现出地理事物在空间上的聚集或离散程度。Getis-Ord Gi*则是一种局部空间相关统计方法[19]，可以探测到属性值在空间的那个位置上发生了聚集(高值聚集，低值聚集)。

1.3地理加权回归

GWR是一个强有力的统计模型，可以探究不同空间位置上自变量和因变量之间变化的关系[20]，其数学表达式为

其中，yi为因变量；xik为解释变量(自变量)；(ui，vi)为第i个观察点的空间位置；βk(ui，vi)是解释变量xik在i点的回归系数；εi为残差项，符合正态分布。模型参数βk(ui，vi)是位置相关的，通常采用加权最小二乘法进行局部估计，每个观测点处的权重一般利用一定形式的函数来进行表达，高斯核函数是较为常见的权重确定方法。本文利用Tomoki Nakaya等开发的GWR 4.0软件对新疆县域农机动力的影响因素进行地理加权回归分析，并采用高斯函数来构建加权函数，使用校正的Akaike信息准则(AICc)法与自适应核函数求得最优带宽[21]。

2结果与分析

2.1农机总动力空间分布规律

2.1.1新疆县域农机总动力空间特征

汇总新疆各县域近10年的农机总动力数据，计算其平均值即可得到新疆县域尺度的农机总动力空间分布情况，如图1所示。由图1可知：农机总动力差异明显，西南部的塔什库尔干塔吉克自治县平均农机总动力最低为1 178kW，而沙湾县的农机总动力高达11 780kW，区域差异明显。观察其空间分布规律可知，南疆巴州若羌县、克州、和田等地的农机总动力较低，小于48 005kW。天山西部的塔城、伊犁直属州，中部的昌吉州以及东疆的吐鲁番等地区的农机总动力处于中间水平。天山北麓的乌苏、沙湾县及奇台县农机总动力大于28 1481kW，农业机械化水平较高。整体来看，农机总动力在空间分布表现出，经向上北疆大、南疆小，纬向上西部大、东部小，总体由天山南北两侧向外递减的趋势。新疆县域农机总动力在空间上存在异质性的同时，还存在空间聚集特征。其全局莫兰指数为0.10，Z检验得分2.06，表明近10年新疆县域农机总动力存在一定的空间正相关关系。由于全局莫兰指数只能反映整体的空间相关关系，不能提供局部空间的聚集特征。因此，本文利用Getis-Ord Gi*统计来探测局域的空间相关关系，找到高值聚集区和低值聚集区,如图2所示。由图2可知：新疆县域农机总动力存在明显的局部空间聚集效应，乌鲁木齐、吐鲁番，以及巴州西北部的和静县及和硕县等为热点区域(高高聚集)，和田地区则为冷点区域(低低聚集)。

图1　新疆县域农业机械总动力空间分布

图2　新疆县域农业机械总动力聚集图

2.1.2农机总动力逐年空间自相关分析

利用Geoda空间统计分析软件计算2003-2012年逐年全局莫兰指数，结果如表1所示。由表1可以看出：新疆2003-2012年县域农机总动力莫兰指数均大于0，表明新疆县域农机总动力存在空间聚集特征。同时，2008年以前Z得分均大于1.96，即通过95%显著性水平检验，表明这种空间聚集特征在2008年以前呈显著趋势。观察近10年的莫兰指数变化趋势，该指数总体表现出减少的趋势，这意味着新疆县域农机总动力的空间区域差异在不断的减小，其空间聚集特征表现的也越来越不显著。虽然新疆农机总动力在空间上趋于均衡发展，但其仍具有一定的空间聚集特征，这也表明传统基于地理单元同质性假设的全局回归模型已不适用，需要使用引入空间异质性和空间依赖性的地理加权回归模型。

表1　新疆县域农机总动力莫兰指数

2.2农机总动力地理加权回归分析

2.2.1地理加权回归模型拟合效果

利用GWR 4.0软件对2003、2012年份的横截面数据进行地理加权回归建模，并与普通回归分析(OLS)比较来验证GWR的可靠性，如表3所示。

表3　GWR与OLS模型拟合参数比较

由表3可知：2003、2012年GWR模型的AICc值较OLS均有明显下降，而拟合度R2及调整后的R2则有大幅度的提高。如2003年R2和调整R2相比OLS分别提高0.37和0.38，表明考虑空间相关及异质性的GWR模型对新疆县域农机总动力的拟合度远远高于OLS模型。此外，2003、2012年的GWR模型残差Moran指数分别为-0.04(Z得分0.84)、-0.009(Z得分0.07)，均未通过显著性检验，表明残差不存在空间自相关。因此，无论是从模型拟合参数还是残差自相关检验的角度来看，GWR 模型比OLS 模型能更好地解释GWR模型对新疆县域农机总动力与其影响因素变量间的空间异质性。

2.2.2农机总动力影响因素空间异质性

利用ARCGIS绘制GWR模型拟合得到的新疆县域农机动力影响因素回归系数空间分布图，如图3和图4所示。由2003年农机总动力的局域影响因素回归系数图(图3)可知：4个解释变量在各区域的参数估计结果均不相同，表明各影响因素对农机动力的影响程度存在空间变异。由图3(a)可知：单位面积粮食产量局域回归系数均为正值，和农机总动力正相关，表明粮食单产对农机总动力增长具有明显的促进作用。这主要是因为粮食单产的增高能提高农民收入，而收入的增加会提高农民对农机装备的购买力。但粮食单产对农机总动力的促进作用强度存在空间差异性，影响敏感程度最大的区域由西北部的塔城、伊犁直属州向南经阿克苏一直延伸到和田地区，呈带状分布。而此条带两侧的回归系数则逐渐减少。回归系数大也就意味着有相同的粮食单产时，农机总动力提高的更加明显。因此，适当地增加新疆西北部地区的农民收入可以更好的增加该区域的农机总动力水平。

国内生产总值(GDP)是衡量一个国家或地区经济发展水平的最主要指标。GDP越高说明本地区经济越发达，政府的财政收入较多，可用于农业机械补贴的财政投入也越大。由图3(b)可知：新疆各县域人均GDP回归系数均为正值，表明人均GDP对农机总动力有明显的促进作用。从回归系数空间分布来看，区域差异明显，新疆西南部的喀什、克州及和田地区是影响最敏感的区域，而新疆北部及东部地区对人均GDP不敏感。这主要是北疆和东疆经济水平和农机化水平均较高，因此政府财政投入的提高对农机购买的激励作用并不显著。图3(c)表示的是第一产业从业人数回归系数空间分布情况，回归系数有正有负：负值区域主要分布于塔城、博州、伊犁及阿克苏等地，表明这些地区从事农业的劳动人口减少，会增加对农业机械的需求，从而提高农业机械总动力；而正值区域则表明第一产业人口与农机总动力存在正的相关关系，可能表示这些地区农机化水平仍然处于初级阶段，农业从业人口和农机总动力均处于扩张阶段。耕地经营规模是农业机械化和的重要保障，因此播种面积越大则农业机械的需求也越高。播种面积的回归系数均为正值，由图3(d)可知：与农机总动力显著正相关。其中，新疆西北部和东部地区的系数最大，对农机总动力影响最为敏感，而新疆西南部区域的影响敏感程度则较低。

图3　2003年各解释变量回归系数空间分布

为避免根据单一年份截面数据分析可能导致的结果偶然性，本文利用GWR模型及相同的参数对2012年新疆县域农机总动力影响因素进行分析，结果如图4所示。

图4　2012年各解释变量回归系数空间分布

2012年，新疆各县域单位粮食单产回归系数均为正值并存在空间变异，和田地区及巴州西南部是对农机总动力最为敏感的区域。相比 2003年发生了变化，敏感区域产生南移的趋势，表明增加南疆地区农民的收入可以更加有效地刺激本地区农机总动力的增长，2003、2012年新疆县域粮食单产回归系数全疆平均值分别为5.6、13.1，表明农民收入对农机总动力的促进作用有所上升。人均GDP回归系数为正值，并呈现出南部大、北部小的空间分布格局。第一产业从业人数回归系数有正有负，表征出不同地区农机化水平存在差异，处于不同的发展阶段。播种面积回归系数为正值，西北部和东部回归系数较大，而西南地区较小，呈东多西少的空间分布格局。总体上看，2012年新疆县域农机总动力各影响因素的正负相关性及空间分布格局与2008年基本一致；但同时也存在细微的差异，体现出各影响因素在不同时间截面上的对农机总动力影响的差异性。

3讨论

新疆是一个农业大省区，也是全国粮食基地，农业机械化对本地区的农业发展具有重要意义；而目前新疆农业机械总动力的相关研究多是以全疆或地方尺度出发，未能很好地揭示农机总动力在空间上存在的自相关性及影响因素的空间异质性。本文通过计算全局莫兰指数和Getis-Ord Gi*指数发现，近10年新疆县域农机总动力空间分布整体呈现明显的空间聚集效应和空间异质性，中部为高高聚集区，而南部为低低聚集区。这主要是由于乌鲁木齐及其周边地区农业种植时间较为久远，农业生产活动发达，农业机械购买意愿及其保有量也较大，同时对其邻近区域形成空间辐射效应，最终聚集成为农机总动力高值区[3]。与此相对应的是，东疆地区由于经济水平及地形等因素，农机总动力较低，则形成低低聚集区。

新疆农机总动力在空间上表现出了非均质性，存在一定的空间聚集和空间异质特征。而考虑了空间相关性的GWR模型，不仅可以进行回归分析，还可以检测地理空间效应对县域农机总动力影响因素空间分布的影响。本文利用新疆2003、2012年份的横截面数据进行地理加权回归建模，发现GWR拟合效果较OLS有明显地提高，并能很好地展示农机总动力各影响因素在空间上存在的差异性。根据影响因素的空间异质性，可以合理调整各农业生产要素在不同区域的投入量，更加有效地提高农机总动力水平。

4结论

1)新疆县域农机总动力存在明显的空间异质性和空间聚集分布模式，空间分布表现出在经向上北疆大、南疆小，纬向上西部大、东部小，总体由天山南北两侧向外递减的趋势，中部为高高聚集区，南部为低低聚集区。

2)近10年新疆县域农机总动力存在较为显著的空间正相关特性，但总体的空间相关性随时间变化呈现下降趋势，各县域农机总动力趋向均衡发展。

3)新疆县域农机总动力的影响因素存在明显的空间异质性。新疆西北部区域农机总动力对耕地经营规模比较敏感，西南部区域对政府财政投入比较敏感，而中南部区域对农民收入比较敏感。不同区域第一产业人数对农机总动力的作用表现出正反两种相关关系，随着时间推移，第一产业人数减少对农机总动力促进作用有南移的趋势。利用影响因素的空间分异特征，可以更好地解释分析农业机械总动力的发展变化规律，推动农业机械化事业更加科学、快速的发展。

参考文献：

[1]何政道,何瑞银.农业机械总动力及其影响因素的时间序列分析——以江苏省为例[J].中国农机化, 2010 (1):20-24.

[2]王德华.河南省农机事业发展与农业增长关系的实证分析——基于误差修正模型[J].中国农机化, 2011 (4):14-17.

[3]轩俊伟,郑江华.基于ESDA 的新疆农机动力空间格局分析[J].农机化研究,2015，37(8):26-30.

[4]鞠金艳,王金武,王金峰.基于BP神经网络的农机总动力组合预测方法[J].农业机械学报,2010(6):87-92.

[5]刘芸芸,李红.基于主成分回归模型的新疆农业机械化发展影响因素评价[J].贵州农业科学,2013,41(9):197-201.

[6]卞景阳.黑龙江省农机发展及机械动力格局变化[J].黑龙江农业科学, 2010 (8):137-138.

[7]郑文钟,应霞芳.农业机械总动力变化影响因素的灰色关联分析[J].农机化研究, 2007 (12):9-11.

[8]杨敏丽,白人朴.农业机械总动力与影响因素关系分析[J].农机化研究, 2005 (6):45-47.

[9]冯颖,姚顺波,郭亚军.基于面板数据的有效灌溉对中国农机总动力的影响[J].资源科学,2012,34(9):1734-1740.

[10]宇万太,姜子绍,周桦,等.不同施肥制度对作物产量及肥料贡献率的影响[J].中国生态农业学报2007,15(6):54-58.

[11]刘琼峰,李明德,段建南,等. 农田土壤铅、镉含量影响因素地理加权回归模型分析[J]. 农业工程学报,2013,29(3):225-234.

[12]李丹丹,刘锐,陈动. 中国省域碳排放及其驱动因子的时空异质性研究[J]. 中国人口资源与环境,2013,23(7):84-92.

[13]杨丽霞,杨桂山,姚士谋,等.基于 ESDA-GWR 的农机总动力及其驱动因子的空间异质性研究[J].经济地理,2012,32(6): 120-126.

[14]郑艳东,郑艳茹,王丽娟,等.河北省县域农机总动力及其生产投入要素的时空分异——基于1990—2010 年统计数据的实证分析[J].农业现代化研究,2013,34(2):215-220.

[15]何政道.基于时间序列的江苏省农业机械总动力的影响因素分析[D].南京：南京农业大学,2009.

[16]陈宝峰,白人朴,刘广利.影响山西省农机化水平的多因素逐步回归分析[J].中国农业大学学报,2005,10(4):115-118.

[17]Sridharan S, Tunstall H, Lawder R, et al.An exploratory spatial data analysis approach to understanding the relationship between deprivation and mortality in Scotland[J].Social science & medicine,2007, 65(9):1942-1952.

[18]Getis A, Ord J K. The analysis of spatial association by use of distance statistics[J].Geographical analysis,1992,24(3):189-206.

[19]Robert PHaining. Spatial Data Analysis: Theory and Practice[M].Cambridge University Press,2003.

[20]Brunsdon C，Fotheringham A S，Charlton M E．Geographically Weighted Regression: A method for exploring spatial nonstationarity[J].Geographical Analysis,1996,28(4):281-298.

[21]瞿明凯,李卫东,张传荣,等.地理加权回归及其在土壤和环境科学上的应用前景[J].土壤,2014,46(1):15-22.

Analyzing the Spatial Heterogeneity of Agricultural Machinery Power in Xinjiang Based on GWR

Xuan Junwei, Zheng Jianghua

Abstract：Based on the agricultural machinery power and agricultural economy data of 85 counties and districts of Xinjiang autonomous region from 2003 to 2012,the spatial heterogeneity of agricultural machinery power and driving factors were analyzed by using spatial analysis tools of GIS and geographically weighted regression (GWR) model.The results showed that the counties with higher agricultural machinery power were gathering in central region and the counties with lower were clustering in southern region of Xinjiang.Meanwhile there was a significant spatial positive correlation for agricultural machinery power in different counties,and the trend of correlation showed an downward trend during 2003-2012.The driving factors revealed a localization characteristic of no-stationary intercourse.The agricultural machinery power of northwestern region was mainly affected positively by total sown area,while agricultural machinery power of the southwest and south central regions were more sensitive to the government financial investment and peasants income in separately.And the reducing number of primary industry played an important role in promoting the agricultural machinery power.Therefore, this results could explain and analyze the rules and reasons of agricultural machinery power development in a more rational way.This had vital significance for boosting agricultural mechanization development in a fully and fast way.

Key words：agricultural machinery power; spatial autocorrelation; GWR; spatial heterogeneity; Xinjiang

文章编号：1003-188X(2016)05-0036-07

中图分类号：S210.7

文献标识码：A

作者简介：轩俊伟(1988-)，男，山东聊城人，硕士研究生，(E-mail)xjw20092009@163.com。通讯作者：郑江华(1973-)，男，乌鲁木齐人，教授，硕士生导师，(E-mail)zheng_jianghua@126.com。

基金项目：新疆维吾尔自治区高层次人才培养计划项目(104-40002)；教育部促进与美大地区科研合作与高层次人才培养项目(117-40101)

收稿日期：2015-04-03