貴州省水土流失與社會經濟相關性分析

黃啟芬

(貴州師范大學 地理與環境科學學院, 貴陽550001)

?

貴州省水土流失與社會經濟相關性分析

黃啟芬

(貴州師范大學 地理與環境科學學院, 貴陽550001)

貴州喀斯特生態脆弱，水土流失和貧窮形勢嚴峻，探究水土流失與社會經濟的關系，對當地生態環境改善和社會經濟可持續發展意義重大。以水土流失數據和社會經濟數據作為主要信息源，選取人口、經濟發展、土地利用和城市發展4個方面的社會經濟指標，利用ArcGIS和GeoDa軟件，對水土流失及各指標因子進行空間相關性檢驗，再建立經典線性回歸模型、空間滯后模型和空間誤差模型，并對三個模型進行對比分析。結論如下：(1) 空間分析結果顯示，水土流失的空間自相關性較強，水田和旱地對水土流失影響不一致；(2) 三個模型對比，空間滯后模型的擬合度最優，解釋能力最強。

相關性; 空間模型; 社會經濟; 水土流失; 貴州

自然因素是水土流失的決定性因素，但其產生的水土流失程度較輕，可恢復治理；而人為干預產生的水土流失嚴重，甚至可能造成永久性土地退化。本研究收集相關數據并結合地理信息系統(GIS)和空間計量分析軟件(GeoDa)，建立水土流失的數學模型，探究水土流失與社會經濟的相關性。

目前，水土流失與社會經濟的相關性的研究可概括為定性和定量兩種。

定性研究：鑒于部分社會經濟因子不易量化，且各因素之間相互作用密切，因此大部分學者僅對水土流失中的社會經濟因素作了定性分析。如任勇等將引起水土流失的社會經濟因子歸納為人口增長快，土地資源壓力大、政策失誤、資源開發和基本建設、農業生產方式和技術水平落后[1]。

定量研究：有學者利用各種數學模型和方法對社會經濟因素作了定量分析，但主要是在假設水土流失在空間上是獨立分布前提下建立傳統回歸模型。但理論上水土流失在空間上存在相關性，因此傳統的經典線性回歸模型得到的結果與實際情況有偏差。楊振等[2]通過選取9個社會經濟指標因子，采用灰色系統理論方法計算了社會經濟活動與水土流失之間的關聯度指數，發現影響隴中水土流失面積大小的主要因素是載畜量和坡耕地面積比例，影響土壤侵蝕模數大小最主要的因素是坡耕地面積比例，其次是墾殖指數、林草覆蓋率、載畜量和人口密度。潘竟虎等[3]通過選取13個主要的社會經濟活動指標因子，應用灰色關聯分析、回歸分析法，以及環境經濟學的原理和方法，探討社會經濟活動對水土流失的干擾度，建立驅動力定量模型，結果表明坡耕地面積比重和人口密度是隴東土壤侵蝕和水土流失的主要驅動力。朱金方等以烏蘭木倫河為研究對象，通過調查分析烏蘭木倫河年徑流量、降雨量、年均氣溫、人口、煤炭產能、GDP等的變化特征，探討各因素對烏蘭木倫河徑流量的作用特點，以確定烏蘭木倫河徑流量衰減的主要驅動因素及其貢獻比例。結果表明：社會因素是影響烏蘭木倫河徑流量衰減的主導因素[4]。李月臣等以三峽庫區為研究區,選取人口、經濟發展、土地利用、農業發展4個層面的社會經濟因子,分別分析了各類社會經濟因子對水土流失的驅動機制[5]。

1　研究區概況

貴州地勢自西向東呈高、中、低三級階梯分布，喀斯特出露面積占全省土地面積的61.9%，全年降水豐富，西部較多，年均降水1 000～1 300 mm。

2010年，貴州省常住人口為3 474.65萬人，2010年全省生產總值比上年增長13.6%。其中，第一產業增加值增長8.5%；第二產業增加值增長16.8%；第三產業增加值增長12.1%。

土壤侵蝕遙感普查數據顯示，貴州水蝕面積占全國水蝕面積的4.5%，全國排名第九；水蝕面積占本省國土面積的41.4%，全國排名第五[6]。全省88個縣市中，水土流失較嚴重的區域主要分布在黔西北、黔西南部分縣市；水土流失較輕的區域主要集中在黔中、黔北、黔南、黔東南部分縣市。

2　數據與方法

2.1數據來源及處理

本研究數據包括兩個部分：水土流失數據和社會經濟數據。

(1) 水土流失數據：貴州省2010年土壤侵蝕遙感調查數據，統計各縣市的水土流失總面積；

(2) 社會經濟數據：

①收集2011年《貴州統計年鑒》，計算社會經濟指標；

②土地利用：利用GIS等軟件解譯貴州影像數據(分辨率為30 m)，得到土地利用類型數據；用30×30 m DEM(數據來源：中國科學院地球系統科學數據共享平臺)提取坡度數據，兩者疊加，得到坡耕地數據。

本研究假設水田和旱地對水土流失的影響貢獻度不一致，因此，將坡耕地以5°為間隔分成6個坡度帶，并統計各坡度帶中水田和旱地占土地面積的比例，討論水田和旱地對水土流失的影響。

2.2研究方法

2.2.1社會經濟指標選取水土流失受眾多因子影響，從原因層面上來講，資源利用是水土流失產生的最頻繁的因子；從驅動因子的層面上看，影響最頻繁的是經濟因素。因此，不恰當的經濟發展模式是區域水土流失日益惡化的重要原因[7]。結合社會經濟因子的可獲得性、定量化及空間化要求，選取21個指標，詳見表1。

2.2.2空間分析本文采用的空間分析主要是應用GeoDa軟件分別對水土流失和社會經濟指標因子進行全局空間相關性分析和局部空間相關性分析，反映水土流失空間上的自相關性以及各社會經濟因子對水土流失空間集聚分布的影響[8-11]。

2.2.3空間模型建立本文引用的是1988年Anselin L[12]提出的空間線性模型。空間模型常用兩種形式，即空間滯后模型(Spatial lag model，SLM)與空間誤差模型(Spatial error model，SEM)。

3　結果與分析

3.1水土流失及社會經濟指標空間自相關分析

3.1.1水土流失空間自相關分析建模前，應先驗證本研究所選的水土流失面板數據具有空間依賴性，即水土流失存在空間自相關性。利用GeoDa軟件對貴州省水土流失進行了全局空間自相關分析、局部空間自相關分析，計算出2010貴州水土流失的Moran′s I指數為0.307 697，繪制水土流失LISA圖(圖1)，證明水土流失在空間上存在相關性。

從圖1可以看出，貴州省2010年水土流失LISA集聚圖清晰地顯示了貴州水土流失的空間分布規律：水土流失H-H集聚區主要分布在黔西北，包括水城縣、納雍縣、赫章縣、大方縣、畢節市；L-L集聚區主要分布在經濟發達的黔中地區和社會經濟較落后的黔東南地區，具體包括云巖區、南明區、花溪區、白云區、烏當區、清鎮市、三都縣、凱里市、劍河縣、玉屏縣、黃平縣等。LISA聚集圖呈現了貴州水土流失在空間分布上的集聚性，存在一定的正相關性，因此在分析水土流失時應該考慮其空間效應。

表1　社會經濟指標

圖1　貴州省水土流失LISA集聚圖

3.1.2社會經濟指標全局空間自相關分析利用GeoDa軟件計算水土流失社會經濟指標因子的Moran′s I指數，發現除第二產業增長值密度之外，其他指標都呈空間正自相關(見表2)。21個自變量中，變量“20°～25°旱地比例”、“第一產業增長值密度”和“第二產業增長值密度”Moran′s I系數分別為0.081 792 7，0.085 144 6和-0.065 425 4，明顯低于其他自變量，Moran′s I系數趨近于0。這說明“20°～25°旱地比例”、“第一產業增長值密度”和“第二產業增長值密度”與其他變量相比，空間依賴性較小，隨機分布性較大。

3.1.3局部雙變量空間自相關分析以水土流失和各社會經濟指標為變量，進行局部相關性分析，繪制雙變量LISA圖。由于篇幅問題，現僅給出10°～15°旱地、10°～15°水田、人均GDP、人口城鎮化率4個因子的雙變量LISA圖(圖2)，反映水土流失在各社會經濟因子的影響下的集聚分布特點。

表2　各社會經濟指標的Moran′s I指數

旱地與水土流失空間相關性較強，相關性強的地區主要分布在黔中地區，相關性弱的地區集聚在黔南、黔東南及黔北的部分縣市；水田與水土流失空間相關性較強，相關性強的地區主要分布在黔中地區，相關性弱的地區主要分布在黔東北、黔西北地區。結果顯示，旱地和水田對水土流失空間集聚分布的影響的結果不一致。

3.2數學模型建立

3.2.1經典線性回歸模型以貴州省各縣水土流失面積為因變量， 21個社會經濟指標為自變量，建立經典線性回歸模型，結果顯示OLS線性回歸模型R2為0.766 932，最大似然對數值為6.858 83，AIC值為32.2823，SC值為90.032 1(表3)。其中，5°～10°旱地比例、15°～20°旱地比例、>25°旱地比例等13個因子與水土流失相關性顯著(p<0.05)，農業人口比例、建設用地指數等8個因子不顯著(p>0.05)。

3.2.2空間滯后模型總體上，普通OLS回歸模型達到了一定的擬合優度，但根據前面的分析，水土流失受到空間因素的影響，存在一定程度的空間自相關性，因此未考慮空間因素的經典回歸模型不充分，存在誤差，應引入空間模型對水土流失進行分析。

同樣以貴州水土流失為解釋變量，21個社會經濟指標為自變量，建立空間滯后模型，結果顯示空間滯后模型R2為0.776 233，最大似然對數值為8.402 33，AIC值為31.195 3，SC值為91.456(表4)。其中，5°～10°旱地比例、15°～20°旱地比例、>25°旱地比例等13個因子與水土流失相關性顯著(p<0.05)，農業人口比例、建設用地指數等8個因子不顯著(p>0.05)。

3.2.3空間誤差模型選取與空間滯后模型相同的變量建立空間誤差模型，結果如表5所示：類決定系數R2=0.767 814，最大似然對數值LIK=6.947 119，AIC值為32.105 8，SC值為89.855 5。其中，5°～10°旱地比例、15°～20°旱地比例、>25°旱地比例等13個因子與水土流失相關性顯著(p<0.05)，農業人口比例、建設用地指數等8個因子不顯著(p>0.05)。

圖2　水土流失與部分社會經濟指標的雙變量LISA集聚圖

變量回歸系數標準差t值p值常數13．54561．98106．83750．0000<5°旱地比例0．04760．04481．06230．29185°～10°旱地比例-0．22450．0380-5．89580．000010°～15°旱地比例0．00890．07090．12650．899615°～20°旱地比例-0．31470．1404-2．24030．028320°～25°旱地比例-0．13100．1503-0．87140．3865>25旱地比例0．03910．01712．27530．0260<5°水田比例-0．28140．1072-2．62480．01065°～10°水田比例0．19080．06702．84520．005810°～15°水田比例-0．94520．1575-5．99840．000015°～20°水田比例0．03510．05090．69050．492220°～25°水田比例3．64731．01423．59590．0006>25°水田比例-7．48752．3285-3．21550．0019草地比例2．27021．48061．53330．1298林地比例-0．14210．0214-6．61440．0000人口密度-0．13870．0221-6．27530．0000GDP密度0．00100．00042．17160．0333農業人口比例0．00000．00000．24090．8103第一產業增長值密度0．00130．00380．33950．7352第二產業增長值密度-0．00610．0138-0．44240．6595第三產業增長值密度-0．00350．0010-3．41320．0010城鎮化率-0．00310．0011-2．63050．0105建設用地指數0．00040．00140．27730．7823

注：R2=0.766 932，最大似然對數值為6.858 83。

表4　空間滯后模型

(注：類決定系數R2=0.776 233；最大似然對數值LIK=8.402 33)。

表5　空間誤差模型

(類決定系數R2=0.767 814，最大似然對數值LIK=6.947 119)。

3.2.4模型對比及結果分析衡量模型優度的指標一般有：決定系數R2，最大似然對數值LIK、赤池信息準則AIC、施瓦茨準則SC。在空間模型中R2稱類決定系數，實際上是一種偽值[8]。因此，衡量空間模型,最大似然對數值LIK是最重要的模型擬合優度衡量指標,LIK值越大，模型擬合度越好；AIC和SC值越小，說明模型擬合度越好[9]。對比三個模型，發現空間滯后模型的LIK值最大,三個模型的AIC值和SC值相差不大。總體來說，空間滯后模型的擬合優度最好、解釋力最強、最合理,建議選用空間滯后模型對水土流失進行分析。

空間滯后模型的輸出數據顯示，在21個指標中，5°～10°水田比例、10°～15°水田比例、>25°旱地比例等13個因子對水土流失的影響顯著(p<0.05)，農業人口比例、建設用地指數等8個因子不顯著(p>0.05)。13個顯著性強的因子中，水田表現尤其明顯，由于貴州山高坡陡，土壤表層淺薄，為防治水土流失，近年來一直倡導坡改梯措施，陡坡地轉為梯田，因此水田對水土流失的空間分布產生了一定的影響。8個不顯著因子中農業人口比例、建設用地指數、第二產業增長值密度較明顯：由于現在部分登記在冊的農業人口未從事農業生產，因此農業人口比例并不能完全真實地體現農業人口與水土流失的相關性；貴州建設用地指數較發達地區小，且建設用地一般較平整，多硬化，因此水土流失與建設用地指數表現出較弱的相關性；貴州第二產業欠發達，且零散分布(Moran′s I系數趨近于0，空間上隨機分布)，因此第二產業增長值密度與水土流失的相關性弱。

4　結論與討論

(1) 對貴州省88個縣(市)水土流失進行空間自相關分析，其結論為：貴州水土流失在空間上呈正相關，空間分布具有一定的聚集性。水土流失嚴重的區域主要集中在貴州西北部中山峽谷煤炭優勢區，包括水城縣、納雍縣、赫章縣、大方縣、畢節市；這些縣市的特點是：地勢較高、降水集中、森林覆蓋度低等，且該地區特有的煤礦開采，都有增加水土流失的可能性。水土流失較輕的區域區主要分布在經濟發達的黔中高原經濟核心區和社會經濟較落后的黔東南低山丘陵農林優勢區和黔南中山河谷立體農業優勢區，包括云巖區、南明區、花溪區、白云區、烏當區、清鎮市、三都縣、凱里市、劍河縣、玉屏縣、黃平縣等；這些縣市地勢低、降水量較豐富，森林覆蓋率較高，使得該區域的水土流失程度較輕。

(2) 對水土流失與社會經濟指標進行雙變量空間分析，旱地與水土流失相關性強的地區主要分布在黔中地區，相關性弱的地區集聚在黔南、黔東南及黔北的部分縣市；水田與水土流失相關性強的地區主要分布在黔中地區，相關性弱的地區主要分布在黔東北、黔西北地區。旱地和水田對水土流失空間集聚分布的影響不一樣，因此，在探究水土流失與坡耕地的相關性時，應該分別對二者作研究。

(3) 目前針對水土流失的研究主要是利用經典線性回歸模型對水土流失的影響因子進行分析，忽略了水土流失的空間自相關性，本研究引入了空間效應，建立了水土流失的空間滯后模型和空間誤差模型，三個模型對比，空間滯后模型的擬合優度最好，解釋水土流失和社會經濟因子之間關系的能力最強，能夠更貼切地模擬貴州水土流失與社會經濟的相關性。

(4) 空間滯后模型中5°～10°旱地、10°～15°水田、20°～25°水田、>25°水田、林地、人口密度、第三產業增加值密度這7個因素對水土流失影響的顯著性高；總的來說，土地利用方式和人口密度對水土流失的影響在社會經濟因子中是最重要的；因此，資源的合理配置及正確的人口政策是貴州水土流失防治的重點。

[1]任勇,畢華興.水土流失社會經濟因素作用機制分析[J].中國水土保持,1998(1):26-28.

[2]楊振,牛叔文,吳文恒.隴中黃土高原水土流失的人支因素分析[J].干旱區資源與環境,2005(6):124-128.

[3]潘竟虎,劉春雨,張偉強,等.隴東黃土高原土壤侵蝕的人文因素及經濟損失分析：以甘肅省水保世行貸款二期項目區為例[J].現代農業,2007(8):67-69.

[4]朱金方,全占軍,王琦,等.烏蘭木倫河徑流量衰減驅動因素研究[J].水土保持研究，2014,21(1):34-38.

[5]李月臣,劉春霞.三峽庫區(重慶段)水土流失的社會經濟驅動機制研究[J].水土保持研究，2010,17(5):222-225.

[6]水利部,中國科學院,中國工程部.中國水土流失防治與生態安全:水土流失數據卷[M].北京:科學出版社，2010.

[7]郭然,王效科,歐陽志云,等.中國土地沙漠化、水土流失和鹽漬化的原因和驅動力:總體分析[J].自然資源學報，2004,19(1):119-127.

[8]劉敏,趙翠薇,施明輝.貴州山區土地利用變化多尺度空間自相關分析[J].農業工程學報，2012,28(20):239-246.

[9]溫海珍,張之禮,張凌.基于空間計量模型的住宅價格空間效應實證分析：以杭州市為例[J].系統工程理論與實踐,2011,31(9):1661-1667.

[10]謝花林,劉黎明,李波等.土地利用的多尺度空間自相關分析:以內蒙古翁牛特旗為例[J].地理學報，2006,4(61):389-400.

[11]封磊,洪偉等.福州市人口分布的空間自相關分析[J].江西農業大學學報,2008,30(3):569-574.

[12]Anselin L. Spatial Econometrics: Methods and Models[J]. Studies in Operational Regional Science, 1988,85(411):310-330.

Correlation Analysis on Soil Erosion and Socioeconomic Development in Guizhou

HUANG Qifen

(College of Geography and Environmental Sciences, Guizhou Normal University, Guiyang 550001, China)

Because of fragile ecology in Guizhou karst area, the soil and water loss and poverty situation in the study area are serious. Exploring the relationship between soil erosion and socioeconomic development factors is of great significance to improve the local ecological environment and to guarantee the sustainable development of society and economy. Based on the soil and water loss data and socioeconomic data as the primary information, using GeoDa and ArcGIS software, four species socioeconomic indexes(population, economic development, land use and city development) were selected in this research to check the spatial correlation of soil erosion and each factor; to develop the classical linear regression model, spatial lag model and spatial error model and to make a comparison among three models. The conclusions are as following. (1) The spatial analysis showed that the spatial autocorrelation of soil erosion was significant. The effect of paddy field on the soil erosion was different from dry land. (2) Spatial lag model is the best, having the strongest explanatory function.

correlation; spatial model; socialeconomic development; soil and water loss; Guizhou

2014-08-26

2014-09-12

黃啟芬(1990—),女,貴州鐘山區人,碩士,主要從事水土保持與國土整治。E-mail:15085952484@163.com

S157.1

A

1005-3409(2015)04-0072-07