中國農業社會人口密度對氣候梯度的響應

摘要為了解現代農業社會的人口對氣候條件如何進行選擇，基于公元2000年的中國人口調查數據，利用空間統計模型分析了農業社會人口密度對年均氣溫和年降水量梯度的響應曲線。結果表明，從事農業活動的人口在地勢平坦區域較為稠密，呈現東多西少、南北單峰的格局。現代農業社會的人口密度與年均氣溫、年降水量之間存在正態分布關系，人口傾向聚集于氣溫、降雨均適中的地區。筆者認為雖然人類自身存在對氣候的選擇，但在農業社會，人類與氣候的關系主要取決于農作物與氣候的關系，氣候利于農作物高產的區域易于形成人口的聚集。未來氣候變化可能引發農業社會的人口流動，隨之而來的潛在社會機遇和問題需要政府管理與決策部門預先做好相應的對策。

關鍵詞氣候變化；農作物產量；人口分布；空間模型；宏觀生態學

中圖分類號S161；Q142文獻標識碼A文章編號0517-6611（2014）24-08431-03

Responses of Chinese Population in Agrarian Societies to Climatic Gradients

TENG Shuqing（School of Life Sciences， Nanjing University， Nanjing， Jiangsu 210093）

Abstract In order to understand modern agrarian population’s choice of climate conditions， based on China population survey data in 2000， spatial statistic model was used to analyze response curve of agriculture society population density to annual mean temperature and precipitation gradient.The results showed that population in agrarian societies tended to aggregate in plain areas and could be fitted with normal curve along annual mean temperature or annual precipitation gradient. We suggest that the relationships between humans and climate should mainly depend on the those between crops and climate. Humans should aggregate in areas where the climatic conditions are beneficial for crop yields. Future climate change might bring about complex effects on crop yields and thus cause aggregations or dispersals of human population， implying that governments should formulate in advance policies that can take advantage of the positive effects and alleviate the negative effects on agricultural societies.

Key words Climate change； Crop yields； Population distribution； Spatial models； Marcoecology

在全球氣候變化的大背景下，物種將如何響應是資源保護與管理工作需要考慮的關鍵問題之一，也是政府部門做出相關決策的重要依據之一[1]。盡管有相當多的研究利用生態位模型討論了不同物種對氣候變化的可能響應[2-3]，但關注人類與氣候變化的相關性的研究較為少見。有文獻報道了極端氣溫變化對工業化社會的影響[4]，也有的文獻討論了氣候變暖對傳統社會生活方式的影響[5]，還有的探討了氣候波動對農業社會的影響[6-7]。盡管工業革命已經經歷了二百多年，全球欠發達國家中仍有大量人口從事著農業活動[8]，故研究農業社會的人口分布與環境梯度的關聯關系對于制定人類社會應對未來氣候變化的措施具有重要的理論參考價值[9]。該研究以公元2000年中國人口分布數據為研究對象，結合高分辨率的氣候數據建立基于生態位理論的空間自回歸模型，分析了農業社會人口密度在氣候梯度上的分布特征，以期理解現代農業社會人口對氣候條件如何進行選擇，同時也為制定應對氣候變化的政策提供理論依據。

1材料與方法

1.1研究區概況以中國2000年全國人口調查數據為基礎數據，涉及農業活動的區域主要覆蓋華北、華東、華南、西南、東北，經度跨度30°、緯度跨度35°，高程差達4.5 km，呈現出氣候條件的明顯梯度。

1.2數據來源與處理

1.2.1人口數據。 人口密度數據來自中國科學院資源環境科學數據中心（RESDC，http：//www.resdc.cn）。將研究區劃分為90 km × 90 km的柵格，對于位于海陸交界的區域，所屬陸地面積占柵格面積小于一半的柵格被剔除；對于位于鄰國交界的區域，中國所屬陸地面積占柵格面積小于一半的柵格被剔除。內蒙、西藏、新疆等地區有較多屬于游牧生活方式的人口，該研究中不包含此類區域。屬于中國三大城市群（北京、上海、廣州）的柵格呈高度城市化，農業人口較少，城市人口與氣候變量的關系也不屬于研究的范圍，故同樣將此類柵格剔除。剩余的每個柵格的大部分面積由非城市用地覆蓋，可認為是人類從事現代農業活動的區域。以上操作均在ArcGIS 9.3軟件中進行。

1.2.2氣象數據。氣候數據均來自世界氣候數據網站（http：//www.worldclim.org/）。該網站提供19種與生物活動相關的高分辨率氣候數據，該研究選取了年平均氣溫、年降水量作為考量局域氣候條件總體水平的變量。所有空間數據運用Lambert投影進行地理坐標定位，然后在90 km × 90 km粒度上分別計算各個環境變量。

1.3統計分析假設現代人口密度沿氣候梯度呈正態分布曲線，即人類傾向分布于氣候條件較為適中的區域，過冷、過熱、過旱、過澇區域的人口密度會相對較低。為驗證該假設，研究將人口密度數據進行了對數轉換，將轉換值與氣候條件進行二項式線性回歸。如果氣候變量二次項的系數為負值，則可認為人口密度與氣候條件之間存在正態關系[10-11]。

數據的空間自相關意為空間位置越鄰近的變量，其值越相似。空間自相關普遍存在于基于空間位置信息的數據中，如地理信息數據、氣候數據、物種數據。利用普通最小二乘法（OLS）對變量進行線性回歸擬合時，基本假設之一為變量獨立分布。如果用于擬合的變量存在強烈的自相關，則違背了這一基本假設，普通最小二乘法的回歸擬合結果將變得不可信，顯著性檢驗和系數估計甚至可出現完全相反的結果[12]。有研究指出空間自回歸模型（simultaneous autoregressive models，SAR模型）可很好地消除殘差中的空間自相關[13-14]。空間自回歸模型的一種表達形式為：

Y=Xβ+λWu+e

式中，Y為因變量；X為自變量；λ為空間系回歸系數；W為空間權重矩陣；β為自變量的斜率；u為空間誤差項；e為非空間誤差項。λWu項用以表示數據中等尺度上的空間特征，使SAR可解釋數據中的空間自相關，大幅降低了空間自相關對統計模型系數估計的影響[15]。

同時采用OLS模型與上述空間自回歸模型對數據進行擬合，并運用Moran’s I系數對比兩種統計模型中殘差的空間自相關強度，選用殘差Moran’s I系數較低的統計模型。為驗證選用模型的穩健性，另分別計算了OLS與SAR對兩種氣候變量擬合結果的Akaike信息標準（Akaike information criterion，AIC）值。AIC值是比較有效的模型選擇依據[16]，AIC較低者指示模型具有較高的擬合優度。

以上統計分析均在R語言[17]中完成，其中SAR模型用spdep包擬合[18]。

2結果與分析

2.1中國現代農業人口宏觀格局中國人口密度在從西向東的方向上表現出逐漸增加的趨勢，在由北至南的方向上表現出先增加后減少的趨勢，在地勢較為平坦的華北平原、長江中下游平原以及四川盆地人口較為密集，整體呈現東多西少、南北單峰的格局（圖 1）。與地形格局相似的人口格局意味著地形對于農業社會人口分布的作用可能大于氣候的作用。換個角度理解，即使在氣候條件滿足人類居住條件的區域，如果存在過于起伏的地形，其將有礙農業活動的發展，該區域仍無法形成稠密人口聚居地。

2.2OLS和SAR中人口密度對氣候的響應首先運用普通最小二乘法（OLS）對數據進行了擬合，并計算殘差值（觀

圖 1公元2000年現代中國人口密度格局測值與預測值之差）的Moran’s I，繪制基于不同距離單元的Moran’s I相關圖（correlograms）。在某一距離單元上，Moran’s I系數越接近1，變量的正空間自相關越強烈；Moran’s I系數越接近-1，變量的負空間自相關越強烈；當Moran’s I系數接近0時，可認為變量是隨機獨立分布 [19]。可以發現，基于OLS的人口密度分別對年均氣溫和年降水量的擬合殘差在小距離單元上均存在明顯的正空間自相關，隨著距離的增加，空間自相關的強度逐漸減小。相反的，基于SAR的擬合殘差在所有的距離單元上幾乎不存在明顯的空間自相關（圖 2）。圖2不同氣候自變量OLS和SAR擬合殘差在不同距離單元上的Moran’s I系數對比為表明空間自相關對統計模型系數估計的影響，同樣列出OLS的擬合結果以作對比（表 1）。OLS與SAR對自變量二次項系數的擬合結果存在顯著差異：對于年均氣溫的二次項，OLS的擬合為極顯著負值，SAR的擬合為不顯著負值，即OLS的擬合結果表明人口密度與年均氣溫存在極顯著正態分布關系，而SAR的擬合結果表明兩者僅為不顯著的正態分布關系；另一方面，對于年降水量的二次項，OLS的擬合結果表明人口密度與其存在顯著的正態分布關系，而SAR的結果表明兩者呈不顯著正態分布關系。同時，對于兩種氣候自變量，SAR的AIC均明顯小于OLS的，意味著SAR具有更高的擬合優度。鑒于OLS的擬合結果存在嚴重的空間自相關和較高的AIC值，因此認為SAR模型的擬合結果更為穩健，并用其解釋人口密度與氣候條件的關系，即現代農業社會的人口傾向聚集于年均溫度年降水量均適中的地方。

3討論與結論

研究結果表明，農業社會的人口密度與年均氣溫和年降水量存在正態分布關系。人類作為一個特殊的物種，不僅其自身需要對環境進行選擇與適應，而且在農業社會中其生命活動還受到農作物生長情況的制約。

研究認為可用農作物對氣候條件的要求解釋人口密度對年均氣溫、年降水量各自的響應。農作物的生長離不開水分和光照以進行光合作用。然而，過旱或過澇的生境條件則不利于農作物的生長和產量，甚至會導致其死亡。因此農作物適宜被種植在降水量較為適中的地區，既能滿足其對水分的基本需求以維持生命活動，又能避免水淹時間過長導致供氧不足而死亡。在光照方面，農作物在氣溫較高的地區可獲得充足太陽能，具有較短的成熟周期，也就意味著較充足的糧食產量并能夠支撐較大的人口密度。然而過高的溫度則可造成農作物蒸騰作用過于強烈，甚至會造成缺水，影響其生長，無法產出足夠的糧食。另一方面現代農業活動同時受到工業化和先進農業技術的影響，對局域氣候的依賴度可能有所降低，使得統計結果的顯著性變弱。

從農作物產量的角度理解氣候對人口分布的影響這個角度來觀測世界為預測農業社會對氣候變化的響應提供了新的視角。根據該研究的結果分析，熱帶、亞熱帶地區的氣溫小幅降低或溫帶、寒帶地區的氣溫小幅升高將不會對糧食產量產生嚴重影響，甚至還可能產生有利的影響，促進糧食的產量，區域可承受的人口負荷升高，同時額外的糧食還可促進不同地區間的物資流通活動，進一步促進貿易中心的人口聚集；熱帶、亞熱帶地區的氣溫升高或溫帶、寒帶地區的氣溫下降則可導致糧食產量減少，不足以支撐當地原來的人口密度，人類分散到其他區域以降低當地的人口負荷，食物的匱乏甚至可引發社會動蕩[7]。當降水條件大幅偏離了某種主要農作物的最適生態位時，局域的農業產量就會受到限制，當地的人口將面臨兩種選擇：要么舍棄原來的聚居地并尋找新的降水條件適合該農作物生長的聚居地，要么更換主要農作物以適應降水條件的改變。由氣溫與降水變化可能引發的人口流動現象啟示政府相關部門應合理制定人力管理制度以應對氣候變化可能帶來的負面社會影響[9，20]。值得注意是，氣溫與降水之間存在復雜的相互作用，不存在僅一者變化而另一者不變化的情況，更準確的預測需要在以后的研究中考慮更復雜的不同氣候因子相互作用[21-22]，以更系統地了解農業社會人口與氣候的關聯關系。

42卷24期滕漱清中國農業社會人口密度對氣候梯度的響應參考文獻

[1] HELLER N E，ZAVALETA E S.Biodiversity management in the face of climate change：a review of 22 years of recommendations[J].Biological Conservation，2009，142（1）：14-32.

[2] GUISAN A，THUILLER W.Predicting species distribution：offering more than simple habitat models[J].Ecology Letters，2005，8（9）：993-1009.

[3] KISSLING W D，DORMANN C F，GROENEVELD J，et al.Towards novel approaches to modelling biotic interactions in multispecies assemblages at large spatial extents[J].Journal of Biogeography，2012，39（12）：2163-2178.

[4] POUMADRE M，MAYS C，LE MER S，et al.The 2003 heat wave in France：dangerous climate change here and now[J].Risk Analysis：an International Journal，2005，25（6）：1483-1494.

[5] FORD J D，SMIT B.A framework for assessing the vulnerability of communities in the Canadian arctic to risks associated with climate change[J].Arctic，2004，57（4）：389-400.

[6] WEISS H，COURTY M A，WETTERSTROM W，et al.The genesis and collapse of third millennium north Mesopotamian civilization[J].Science，1993，261（5124）：995-1004.

[7] ZHANG D D，BRECKE P，LEE H F，et al.Global climate change，war，and population decline in recent human history[J].Proceedings of the National Academy of Sciences USA，2007，104（49）：19214-19219.

[8] THOMPSON P B.The Agrarian Vision：Sustainability and Environmental Ethics[M].Lexington：University Press of Kentucky，2010：23.

[9] BURKE M B，MIGUEL E，SATYANATH S，et al.Warming increases the risk of civil war in Africa[J].Proceedings of the National Academy of Sciences USA，2009，106（49）：20670-20674.

[10] DORMANN C F，MCPHERSON J M，ARAU′JO M B，et al.Methods to account for spatial autocorrelation in the analysis of species distributional data：a review[J].Ecography，2007，30（5）：609-628.

[11] KREFT H，JETZ W，MUTKE J，et al.Contrasting environmental and regional effects on global pteridophyte and seed plant diversity[J].Ecography，2010，33（2）：408-419.

[12] XU C，HUANG Z Y X，CHI T，et al.Can local landscape attributes explain species richness patterns at macroecological scales？ [J].Global Ecology and Biogeography，2014，23（4）：436-445.

[13] HAINING R.Spatial Data Analysis in the Social and Environmental Sciences[M].Cambridge：Cambridge University Press，1990：252-258.

[14] JOHNSON J B，OMLAND K S.Model selection in ecology and evolution[J].Trends in Ecology and Evolution，2004，19（2）：101-108.

[15] R Development Core Team.R：a Language and Environment for Statistical Computing[Z].Vienna：R Foundation for Statistical Computing，2012.

[16] BIVAND R.Spdep：spatial dependence：weighting schemes，statistics and models[EB/OL].http：//CRAN.Rproject.org/package=spdep.

[17] MORAN P A P.Notes on continuous stochastic phenomena[J].Biometrika，1950，37（1/2）：17-23.

[18] COSTELLO A，ABBAS M，ALLEN A.Managing the health effects of climate change[J].The Lancet，2009，373（9676）：1693-1733.

[19] MCCUNE B.Nonparametric models with automatic interactions[J].Journal of Vegetation Science，2006，17（6）：819-830.

[20] ELITH J，PHILLIPS S J，HASTIE T，et al.A statistical explanation of MaxEnt for ecologists[J].Diversity and Distributions，2011，17（1）：43-57.