新疆棉花种植业地理集聚特征及影响因素研究

马春玥 买买提·沙吾提,3,* 依尔夏提·阿不来提 姚 杰

新疆棉花种植业地理集聚特征及影响因素研究

马春玥1,2买买提·沙吾提1,2,3,*依尔夏提·阿不来提1,2姚 杰4

1新疆大学资源与环境科学学院, 新疆乌鲁木齐 830046;2新疆绿洲生态教育部重点实验室, 新疆乌鲁木齐 830046;3新疆智慧城市与环境建模普通高校重点实验室, 新疆乌鲁木齐 830046;4重庆盈熙横纵信息技术有限公司, 重庆 400014

新疆是我国最大的产棉基地, 研究新疆棉花种植业地理集聚特征对调整和优化农业结构布局、农民增收、促进棉花生产的可持续发展具有重要意义。本文基于1988—2016年的新疆棉花生产数据, 使用区位商、区位基尼系数和空间自相关分析探究新疆棉花种植业发展的时空变化特征, 并运用空间面板数据模型定性、定量地分析了各影响因素对新疆棉花种植业地理集聚的影响程度, 揭示了新疆棉花种植业发展的主要驱动因素。结果表明, 新疆棉花种植面积经历了持续增长(1988—1999年)、缓慢减少(2000—2004年)以及波动增长(2005—2016年) 3个阶段, 2016年已占全国种植面积的3/5, 其专业化集聚水平自1992年起均高于全国其他地区, 主导地位日益增强; 新疆棉花种植业的区域特征明显, 南疆棉区的变化主导新疆棉花种植业的变化; 新疆棉花种植业的集聚水平自1988年起呈现出波动中下降后缓慢回升的趋势, 其高值集聚区由喀什地区转移至阿克苏地区的库车县、新和县等地, 高-低集聚、低-高集聚及低低集聚变化不大; 推动新疆棉花种植业地理集聚发展的主要因素有生产性土地面积比重、棉花比较收益、机械化水平以及政策因素。

棉花种植业; 地理集聚; 时空特征; 空间面板数据模型

棉花是我国极为重要的一种大田经济作物, 其生产覆盖全国24个省、市、自治区, 商品率高达95%以上, 在国民经济中占有十分重要的地位。新疆自1993年起, 棉花产量、种植面积、单产都居全国首位, 现已是我国最大的产棉基地。新疆棉花生产对中国棉花战略、确保国家粮棉安全以及促进新疆农村经济和农民增收都具有重要的战略意义。

基于新疆棉花生产的重要战略地位, 许多学者针对新疆棉花种植的时空格局、机械化发展、生产布局、病虫害、棉花生理生化参数等一系列问题展开研究[1-5]。早在1958年, 竺可桢曾提出“新疆宜于种植小麦和棉花, 应成为小麦和棉花的仓廪”。徐培秀等[6]评价新疆棉花发展条件, 划分棉花生产的适宜区。杨莉等[7]认为南疆棉花的生产变化主导着新疆棉区的变化。贺林均等[8]基于CR4识别新疆棉花的主产区域, 并分析自然资源、气候环境等对新疆棉花产业的影响程度。毛树春等[9]对新疆棉花工厂育苗和机械移栽技术进行了深入研究, 其成果是现代节约型植棉新技术的体现。武建设等[10]对新疆生产建设兵团棉花生产的机械化问题进行深入研究, 认为机械化生产推动了新疆棉花生产。

前人从不同角度对新疆棉花种植业的发展展开了相关研究, 比较准确地分析了新疆棉花种植业的时空分布特征, 但对新疆棉花生产战略地位的分析使用的指标较为单一; 进行驱动力分析时往往忽视各因素之间的交互性及空间异质性。本文在前人研究的基础上, 运用区位商和区位基尼系数2个测度指标, 综合分析新疆棉花种植业在全国的地位以及新疆各地区棉花种植面积的变化情况, 通过空间自相关分析表达新疆棉花种植业集聚程度, 并运用空间面板数据模型定量分析自然资源、经济因素和市场条件、技术因素、交通条件以及政策导向对新疆棉花种植业地理集聚的影响程度。

1 材料与方法

1.1 研究区概况及数据

新疆(73°40′~96°18′E, 34°25′~48°10′N)地处我国西北边陲, 占国土总面积的六分之一(约166万平方千米), 是“一带一路”的核心区, 具有十分重要的战略地位。新疆气候条件得天独厚, 适合种植棉花, 有近80%的地区植棉, 现为我国最大的产棉基地, 同时是国家唯一的长绒棉产地, 全疆近40%的地区适宜种植长绒棉, 近80%的地区适宜种植中长绒棉[1]。

本文所用数据主要来源于1989—2017年《新疆统计年鉴》、《新疆五十年1955—2005》、《新疆辉煌60年1955—2015》、国家统计局(http://www.stats.gov. cn/)、《棉花统计资料汇编》、《中国棉花年鉴》。

1.2 研究方法

本文先采用区位商分析新疆棉花生产与全国各省市区间的差距及变化趋势, 进而使用区位基尼系数反映新疆棉花种植业在地理空间上的分布差异程度, 然后通过空间自相关分析新疆棉花的空间分布和集聚位置及状态, 最后基于新疆棉花种植业集聚特征, 运用空间面板模型量化各影响因素的影响程度。

1.2.1 区位商 区位商(location quotient)可用来衡量要素在某一区域中的空间分布情况, 能够反映新疆棉花生产在全国的地位和作用[11]。

Q= (e/e)/(E/) (1)

式中,Q表示区域的棉花的区位商,e表示区域棉花的种植面积,e表示区域农业总种植面积,E表示全国棉花种植面积,表示全国农业总种植面积。Q是某区域棉花种植业与全国平均水平的比值, 考虑到区域内棉花种植的绝对规模, 可能会出现Q很大但种植规模很小的情况, 此时并不能认为棉花在该区域具有优势。为克服这一问题, 本研究将按照种植面积大小排出前5位的省市区, 与Q排名前5的省市区结合比较, 综合说明棉花的专业化集聚[12]。

1.2.2 区位基尼系数 区位基尼系数常用来测度收入分配或资源配置在地理空间上分布的差异程度, 取值范围为[0, 1], 越趋近于0, 收入分配或资源配置越均衡, 集聚度越低, 趋近于1则相反, 计算公式如下[13]。

1.2.3 空间自相关分析 为进一步探讨新疆棉花空间分布, 本研究基于新疆各县(市)棉花种植面积, 利用ArcGIS10.5建立新疆各县(市)基于Queen邻接的空间权重矩阵, 进行探索性分析得到Moran’s和LISA统计量, 进而分析新疆棉花的空间分布和集聚位置及状态, 具体公式及参数含义详见参考文献[14]。

1.2.4 空间面板模型 空间面板数据模型优于传统计量模型的地方在于考虑观测单元的个体效应, 可在一定程度上优化结果[15-16]。空间杜宾面板数据模型(Spatial Durbin panel data model, SDPDM)比空间滞后面板数据模型(Spatial lag panel data model, SLPDM)和空间误差面板数据模型(Spatial error panel data model, SEPDM)更能反映自变量与应变量间的交互效应, 且对空间异质性与不确定性的处理更加有效[17-18][16], 故本文选用SDPDM对新疆棉花种植业地理集聚问题进行实证分析, 其一般形式如下。

式中,Y、Y分别表示、地区在时间年的棉花产量,X、X分别表示、地区在时间年的影响因素变量,W是空间权重矩阵,和分别为因变量和自变量的空间滞后系数,是自变量的待估常回归系数,u为个体空间固定效应,v为时间固定效应,ε表示空间自相关误差项, 满足~(0,2I)。

2 结果与分析

2.1 新疆棉花种植业地理集聚特征分析

2.1.1 新疆棉花种植业在全国的地位 由图1可知, 就棉花种植面积而言, 新疆棉区在全国的比重明显增大, 由1988年6%左右增加到2016年近60%, 其中, 1988—1999年为持续增长阶段, 2000—2004年缓慢减少, 2005—2016年总体呈上升趋势, 2008、2009年略有下降; 黄河流域棉区在全国的占比由1988年近63%缩减为2016年24%左右; 长江流域棉区则由1988年30%左右减少到2016年近17%。从各棉区种植面积的波动情况来看, 黄河流域棉区和长江流域棉区总体都呈下降趋势, 其中长江流域棉区研究期间波动较大; 而新疆棉区棉花种植面积期间虽有减少, 但总体增势不变, 现已是中国最大的棉区, 2016年几乎占到全国棉花种植面积的五分之三。

图1 全国各棉区占比情况(1988−2016年)

由表1、表2可知, 区位商和棉花种植面积排名的前5位主要集中在新疆、山东、河南、河北、湖北、安徽及江苏几个省、区, 其中, 表1中天津市的区位商3次排第二, 1次排第一, 属于区位商很大但种植规模很小的情况, 因此不能认为天津市棉花专业化集聚水平高。表2中各省市区的区位商都大于1, 说明棉花种植业的集聚程度都比较高。新疆区位商1988年虽为全国第二, 但与排名第一的山东省差距不大, 只有0.014, 1992—2016年新疆区位商均居全国首位, 说明新疆棉花种植业集聚程度高于全国其他省市区, 期间除2004年有所下降外, 其余年份都呈增加趋势且与全国其他省市区间的差距逐渐增大, 因此, 综合区位商和棉花种植面积来看, 新疆棉花种植业在全国的主导地位日益增强。

表1 1988−2016年区位商排名前5的省、区

表2 1988−2016年全国棉花种植面积排名前5的省市区

2.1.2 疆内棉花种植面积时序变化特征 由图2可知, 新疆棉花种植面积总体呈上升趋势, 但具有较强的阶段性特征, 1988—2006上升较为平稳, 期间稍有波动, 2002、2007和2014年有不同程度的波动, 南疆、北疆及兵团都在2014年达到研究时段内棉花种植面积的最大值。北疆、南疆及生产建设兵团棉花种植面积的变化与全疆的变化趋势相似, 其中, 南疆棉花种植面积在全疆的比重不断增加, 2016年为52%左右, 是新疆的主产棉区。东疆棉花种植面积变化趋势呈一条平缓的曲线, 基本保持不变。

由图3可知, 1988—2001年新疆棉花种植业的集聚程度不断降低, 表明期间棉花种植业在空间分配上趋于均衡; 2002—2016年区位基尼系数的变化波动较大, 但变化周期短, 在1~3年之间; 基尼系数整体呈“W型”变化趋势, 波动比较明显, 说明在1988—2016年间, 新疆棉花的集聚程度整体表现出先波动下降后波动上升的趋势。

2.1.3 全局空间自相关分析 由图4可知, 从1988—2016年Moran’s的波动情况看, Moran’s和图3中基尼系数的变化趋势极为相似, 进一步验证了新疆棉花种植业地理集聚程度自1988年以来先波动下降后波动上升; 1988—2016年的Moran’s和-Score都为正且近70%通过了10%的显著性检验, 说明新疆棉花种植存在较为显著的空间正相关性, 上述分析表明, 新疆棉花种植在县域尺度上存在较为显著的空间正相关性, 即棉花种植具有明显的空间依赖性。

图2 新疆各棉区棉花种植面积变化(1988−2016年)

图3 新疆棉花地理集聚变化趋势(1988−2016年)

图4 新疆棉花种植面积的全局相关性分析(1988−2016年)

2.1.4 局域空间自相关分析 由图5可知, 1988—2016年间, 新疆棉花种植业高-高(H-H)集聚区变化显著, 1988—2000年主要分布在喀什地区, 其中从1996年起, 新和县也为高-高(H-H)集聚, 2004年开始高-高(H-H)集聚的地区范围减少, 且有向东北方向移动的趋势; 而低-低(L-L)集聚区变化不大, 主要分布在哈密市、昌吉州的昌吉市、呼图壁县、阜康市等地, 这些地区的棉花种植业在空间上呈分散状态; 高-低(H-L)集聚区域不多, 主要为2008年后的哈密市; 低-高(L-H)集聚主要分布在阿克陶县、和田的皮山县。通过上述分析, 可发现新疆棉花种植业在空间分布上进行了适当的调整, 离散分布的地区范围有所扩张, 棉花种植业的重心由喀什地区逐渐转为阿克苏地区的库车县、新和县。

2.2 新疆棉花地理集聚的影响因素分析

2.2.1 因素的假设与变量说明 在农业产业地理集聚相关研究的基础上, 结合新疆棉花生产发展现状, 综合考虑资源、经济和市场、技术、交通和政策等因素及数据的可获取性等方面[19-27], 从中选取10个相关变量重点分析(表3)。

2.2.2 空间面板模型检验与回归分析 首先通过单位根检验判断面板数据的平稳性, 结果为平稳; 然后进行拉格朗日乘子(LM)检验, 结果拒绝无空间相关性的原假设, 因此相对于传统的面板数据模型, 空间面板数据模型更准确; 再进行Wald和似然比检验(LR)检验,01:= 0和02:+= 0的原假设被拒绝, 且在5%的显著水平下检验表明, 就棉花种植面积变化而言, SDPDM的效果更好一些; 最后, Hausman检验结果为17.9229且伴随概率为0.0000, 表明拒绝个体(固定)效应与解释变量无关的原假设, 说明应采用固定效应模型, 此外, 在固定效应模型中, 时间效应模型的多数自变量检验结果= 0.18, 在1%的显著性水平下通过检验, lg-likelihood = 114.41848, Adj2= 0.9315, 因此, 最终选择时间固定效应的杜宾面板数据模型[28-30]。具体的回归结果见表4。

由表4可知, 所有变量的直接效应都为正值且其中7个变量的结果显著, 说明各变量对新疆棉花种植业地理集聚有较为显著的正向影响;269的间接效应为负, 其中,6的间接效应很小且仅在10%的置信水平下显著,9的间接效应不显著, 表明区域粮食产量的增长会对相邻地区棉花种植业地理集聚产生一定程度的反作用, 而机械化水平和交通运输对相邻地区的影响不显著; 总效应结果最显著的是15和10, 说明资源条件和市场及政策导向是当前影响新疆棉花种植业地理集聚的三大正向主因。

由图6和表4可知, 一定规模的种植面积是新疆棉花种植业地理集聚和发展的基础; 区域市场需求和价格因素直接影响到棉花发展, 其溢出效应会影响相邻地区棉花种植业的发展, 是促进新疆棉花种植业地理集聚的重要因素; 机械化水平的直接效应和总效应达到了5%的显著水平, 表明机械化水平对新疆棉花种植业地理集聚有着促进作用; 政策的直接效应、间接效应和总效应显著性分别达到了1%、5%和1%, 说明政策对于新疆棉花种植业的发展具有正向促进作用, 且区域政策推广会对邻接地区棉花种植业地理集聚产生正向效应。

3 讨论

本文选用多个指标分析新疆棉花种植业地理集聚特征, 其中, 区位商方法计算简单, 不仅能反映出地区层面的棉花种植业集聚水平, 还能量化新疆与其他省市区之间的差距。王力等[31]也对新疆棉花种植业在全国的比重做了分析, 其研究确定了新疆棉花生产在全国的领先地位, 与本研究一致, 但没有反映出新疆棉花种植业地理集聚情况以及与全国其他省市区间的差距。

图5 新疆棉花种植地理集聚的局域空间自相关变化(1988−2016年)

H-H: 表示一个高值被与其相邻的高值包围, 属于高-高集聚; H-L: 表示一个高值被与其相邻的低值包围, 属于高-低集聚; L-H: 表示一个低值被与其相邻的高值包围, 属于低-高集聚; L-L: 表示一个低值被与其相邻的低值包围, 属于低-低集聚。

H-H indicates that a high value is surrounded by its adjacent high value, which belongs to high-high aggregation; H-L indicates that a high value is surrounded by its adjacent low value, which belongs to high-low aggregation; L-H indicates that a low value is surrounded by its adjacent high value, which belongs to low-high aggregation; L-L indicates that a low value is surrounded by its adjacent low value, which belongs to low-low aggregation.

表3 影响因素的假设及变量说明

表4 空间杜宾面板模型回归结果

***、**、*分别代表统计量在1%、5%、10%的水平上显著。

***,**, and*represent statistical significance at the level of 1%, 5%, and 10% probability levels, respectively.

图6 各变量对新疆棉花种植业地理集聚的影响程度

杨莉等[7]研究认为棉花单产是影响新疆棉花种植面积最大的因素。贺林均等[8]基于CR4仅分析了自然因素对新疆棉花种植业地理集聚的影响。王力等[31]基于主成分分析新疆棉花种植面积变化的驱动力, 认为产业投入、市场及棉花替代作物是主因, 其中, 产业投入和市场为主因的结论与本研究一致。上述研究使用的方法往往会忽略因子之间的空间异质性, 为避免此问题, 本研究选择空间面板模型进行驱动力分析, 结果表明, 除了生产投入和市场因素外, 政策也是影响新疆棉花生产的一大主因, 且各影响因子的溢出效应对相邻区域的影响也不容忽视。进行分析时发现2002、2007、2008及2014年是几个关键的时间节点, 2002年中国刚加入世界贸易组织(WTO), 新疆棉花种植面积减少但棉花价格上涨, 区位基尼系数突增; 由于2003年后新疆轧花厂审批权下放到各地州政府导致棉花加工企业数量急剧上升, 供求平衡被打破, 致使棉花种植面积急速上升, 2007年达到峰值; 2008年, 国家出台政策增加国家棉花储备数量并采取保护性收储价格, 保护了棉农利益且稳定了农业生产, 棉农植棉意向开始回暖, 但受金融危机影响, 棉花价格波动, 棉花种植面积反而下降; 2014年开始, 棉花价格补贴政策试点设在新疆, 新疆棉花种植业地理集聚程度开始回升。上述政策是导致新疆棉花种植业出现短周期大波动的关键因素, 进一步证明了政策因素是影响新疆棉花生产发展的主要因素之一。

4 结论

新疆棉花种植业地理集聚水平居全国首位且与其他省市区的差距逐渐增大; 南疆棉区主导着全疆棉花种植业的变化; 新疆棉花种植业离散分布的地区范围有所扩张, 集聚区由喀什地区转变为阿克苏地区; 本文所选择10个影响因子中, 生产性土地面积比重、棉花比较收益、机械化水平及政策因素是影响新疆棉花种植业地理集聚主要因素, 除此之外的其他因素对新疆棉花种植业地理集聚的影响轻微。

[1] 徐培秀, 梅方权, 唐志发. 中国棉花区划研究. 地理研究, 1983, 2(1): 12–22. Xu P X, Mei F Q, Tang Z F. A study of regionalization of ctton cultivation in China., 1983, 2(1): 12–22 (in Chinese with English abstract).

[2] 吕昭智, 陈键, 吴志勇, 马桂龙. 新疆棉区主要有害生物与可持续发展. 干旱区研究, 1999, 16(3): 28–32. Lyu Z Z, Chen J, Wu Z Y, Ma G L. The main pest in Xinjiang cotton region and sustainable development., 1999, 16(3): 28–32 (in Chinese with English abstract).

[3] 依尔夏提·阿不来提, 买买提·沙吾提, 白灯莎·买买提艾力, 安申群, 马春玥. 基于随机森林法的棉花叶片叶绿素含量估算. 作物学报, 2019, 45: 81–90. Ershat A, Mamat S, Baidengsha M, An S Q, Ma C Y. Estimation of leaf chlorophyll content in cotton based on the random forest approach., 2019, 45: 81–90 (in Chinese with English abstract).

[4] 朱会义. 1980年以来中国棉花生产向新疆集中的主要原因. 地理研究, 2013, 32: 744–754. Zhu H Y. The underlying cause for the concentration of China’s cotton production in Xinjiang., 2013, 32: 744–754 (in Chinese with English abstract).

[5] 潘学标, 李克让. 基于GIS的新疆棉花生产发展时空变异分析. 干旱区地理, 2000, 23(3): 199–206. Pan X B, Li K R. Analysis on the temporal and spatial change of cotton production development in Xinjiang based on GIS., 2000, 23(3): 199–206 (in Chinese with English abstract).

[6] 徐培秀. 新疆棉花基地布局研究. 地理学报, 1990, 45: 31–40. Xu P X. On the allocation of cotton production base in Xinjiang., 1990, 45: 31–40 (in Chinese with English abstract).

[7] 杨莉, 杨德刚, 张豫芳, 王国刚, 唐宏. 新疆棉花种植面积时空格局演变特征及驱动机制研究. 中国沙漠, 2011, 31: 476–484. Yang L, Yang D G, Zhang Y F, Wang G G, Tang H. Spatio-temporal pattern dynamic of cotton plantation in Xinjiang and its driving forces., 2011, 31: 476–484 (in Chinese with English abstract).

[8] 贺林均, 马威. 基于CR4分析的新疆棉花产业集群形成中的自然环境因素限制和影响分析. 经济地理, 2013, 33(11): 97–103. He L J, Ma W. Restrictions and impact analysis of natural environmental factors on Xinjiang cotton industry cluster formation based on the analysis of CR4., 2013, 33(11): 97–103 (in Chinese with English abstract).

[9] 毛树春, 韩迎春, 李亚兵, 王国平, 范正义. 棉花工厂化育苗和机械化移栽新技术. 中国棉花, 2008, 35(3): 34–36. Mao S C, Han Y C, Li Y B, Wang G P, Fan Z Y. The technique of cotton seedling raising in greenhouse and root-naked transplanting by machine., 2008, 35(3): 34–36 (in Chinese with English abstract).

[10] 武建设, 陈学庚. 新疆兵团棉花生产机械化发展现状问题及对策. 农业工程学报, 2015, 31(18): 5–10. Wu J S, Chen X G. Present situation, problems and countermeasures of cotton production mechanization development in Xin- jiang Production and Construction Corps., 2015, 31(18): 5–10 (in Chinese with English abstract).

[11] 赵小汎. 区位商模型在土地利用变化分析中的新运用. 经济地理, 2013, 33(2): 162–167. Zhao X P. New application of location entropy model in analyzing land use change., 2013, 33(2): 162–167 (in Chinese with English abstract).

[12] 贾兴梅, 李平. 农业集聚度变动特征及其与农业经济增长的关系——我国12类农作物空间布局变化的实证检验. 中国农业大学学报, 2014, 19(1): 209–217. Jia X M, Li P. Degree of agriculture concentration and agricultural economic growth: empirical test spatial layout changes of 12 types of crops in China., 2014, 19(1): 209–217 (in Chinese with English abstract).

[13] Druckman A, Jackson T. Measuring resource inequalities: the concepts and methodology for an area-based Gini coefficient., 2008, 65: 242–252.

[14] Fischer M M, Getis A. Handbook of applied spatial analysis., 2010, 10: 109–139.

[15] Baltagi B H. Econometric Analysis of Panel Data, 5th edn., 2013, 5: 747–754.

[16] Elhorst J P. Specification and estimation of spatial panel data models., 2003, 26: 244–268.

[17] Elhorst J P. Spatial Panel Data Models. Berlin: Springer, 2010. pp 377–407.

[18] Ugarte M D. Introduction to spatial econometrics., 2011, 174: 513–514.

[19] 王国刚, 王明利, 王济民, 杨春, 刘玉凤. 中国草食家畜养殖的时空动态及其影响因素. 地理学报, 2015, 70: 1091–1100. Wang G G, Wang M L, Wang J M, Yang C, Liu Y F. Spatial-temporal dynamics and its influencing factors of herbivorous livestock breeding in China., 2015, 70: 1091–1100 (in Chinese with English abstract).

[20] Zhao H, Xiong Y, Li F M, Wang R Y. Plastic film mulch for half growing-season maximized WUE and yield of potato via moisture-temperature improvement in a semi-arid agroecosystem., 2012, 104: 68–78.

[21] 龙冬平, 李同昇, 苗园园, 于正松. 中国农业现代化发展水平空间分异及类型. 地理学报, 2014, 69: 213–226. Long D P, Li T S, Miao Y Y, Yu Z S. The spatial distribution and types of the development level of Chinese agricultural modernization., 2014, 69: 213–226 (in Chinese with English abstract).

[22] 倪印锋, 王明利. 中国牧草产业地理集聚特征及影响因素. 经济地理, 2018, 38(6): 142–150. Ni Y F, Wang M L. The characteristics and influencing factors of geographical agglomeration of forage industry in China., 2018, 38(6): 142–150 (in Chinese with English abstract).

[23] Xie Y, Mei Y, Tian G, Xue R X. Socio-economic driving forces of arable land conversion: a case study of Wuxian City, China., 2005, 15: 238–252.

[24] Zhang D, Zhang L, Liu J, Han S, Wang Q, Evers J, van der Werf W, Liu J, Li L. Plant density affects light interception and yield in cotton grown as companion crop in young jujube plantations., 2014, 169: 132–139.

[25] He C, Li J, Wang Y, Shi P J. Understanding cultivated land dynamics and its driving forces in northern China during 1983– 2001., 2005, 15: 387–395.

[26] 陈佑启. 我国耕地利用变化及其对粮食生产的影响. 农业工程学报, 2000, 16(6): 29–32. Chen Y Q. Arable-land use change and its effects on the grain production in China., 2000, 16(6): 29–32 (in Chinese with English abstract).

[27] Wood E C, Tappan G G, Hadj A. Understanding the drivers of agricultural land use change in south-central Senegal., 2004, 59: 565–582.

[28] Yang T C. Introduction to spatial econometrics., 2013, 1: 143–145.

[29] Baltagi B H, Long L. Random effects, fixed effects and Hausman’s test for the generalized mixed regressive spatial autoregressive panel data model., 2016, 35: 638–658.

[30] Baltagi B H, Seuck-Heun S, Byoung-Cheol J, Won K. Testing for serial correlation, spatial autocorrelation and random effects., 2007, 140: 5–51.

[31] 王力, 韩亚丽. 基于主成分分析的新疆棉花种植面积变动及驱动力. 江苏农业科学, 2017, 45(1): 267–270. Wang L, Han Y L. The changes of cotton planting area and its driving force in Xinjiang based on Principal component analysis., 2017, 45(1): 267–270 (in Chinese).

Characteristics and influencing factors of geographical agglomeration of cotton plantation in Xinjiang

MA Chun-Yue1,2, Mamat Sawut1,2,3,*, Ershat Ablet1,2, and YAO Jie4

1College of Resources and Environmental Science, Xinjiang University, Urumqi 830046, Xinjiang, China;2Key Laboratory of Oasis Ecology of Ministry of Education, Urumqi 830046, Xinjiang, China;3Key Laboratory for Wisdom City and Environmental Modeling, Xinjiang University, Urumqi 830046, Xinjiang, China;4Chongqing Yingxi Hengzong Information Technology Co. Ltd, Chongqing 400014, China

Xinjiang is the largest cotton production base in China. The study on the geographical agglomeration characteristics of cotton planting in Xinjiang is of great significance in adjusting and optimizing the agricultural structure distribution of cotton production, increasing farmers’ income, and promoting the sustainable development of cotton. Based on the cotton production data of Xinjiang from 1988 to 2016, we explored the spatial-temporal change characteristics of cotton plantation by Location quotient, Gini coefficient, and spatial autocorrelation analysis, qualitatively and quantitatively analyzed various influence factors on the geographical agglomeration of cotton plantation by spatial panel data model, and revealed the main driving force of cotton planting industry in Xinjiang. The cotton planting area in Xinjiang experienced three stages, including continuous growth (1988–1999), slow decrease (2000–2004) and fluctuating growth (2005–2016). In 2016, the cotton planting area accounted for nearly 3/5 of the total area in China, and its professional agglomeration level was higher than that of other regions in China, with the increasingly strengthened leading position since 1992. The regional characteristics of cotton planting industry in Xinjiang were obvious. The change of cotton area in southern Xinjiang dominated the change of cotton plantation in Xinjiang. The agglomeration level of cotton plantation in Xinjiang showed a trend of slow recovery after a decline in fluctuation since 1988. The high aggregation (H-H) area transferred from Kashgar area to Kuqa and Xinhe in Aksu area, at the same time, the changes of high-low cluster, low-high cluster and low-low cluster were not significant. The main factors promoting the geographical agglomeration of cotton planting in Xinjiang included the proportion of productive land area, cotton comparative income, mechanization level and policy factors.

cotton plantation; geographical agglomeration; spatio-temporal characteristics; spatial panel data model

本研究由国家自然科学基金项目(41361016, 41461051)资助。

This study was supported by the National Natural Science Foundation of China (41361016, 41461051).

买买提·沙吾提, E-mail: korxat@xju.edu.cn

E-mail: lury_gis@163.com

2019-03-15;

2019-06-20;

2019-07-16.

URL: http://kns.cnki.net/kcms/detail/11.1809.S.20190715.1835.008.html

10.3724/SP.J.1006.2019.94041