區域耕地復種指數時空差異測算及可挖掘潛力分析
——以中原經濟區為例

何堅堅， 龐 博， 張鵬巖， 閆宇航， 岑云峰

(河南大學環境與規劃學院，河南開封 475004)

糧食是關系國計民生的特殊商品和重要的戰略儲備資源，糧食安全是國家安全的重要組成部分[1-2]。耕地資源是農業生產最基本的物質條件，耕地數量和質量的變化直接影響糧食產量[3]，土地是人類進行生產和生活活動的承載空間[4-5]，對于人類社會經濟發展具有重要意義[6]。耕地是土地的精華，擔負著保障國家糧食安全、滿足工業化和城市化用地需求以及生態環境建設等功能[7]。隨著我國社會經濟的不斷發展、城市化進程的不斷加快和人口數量的增長，大量優質耕地資源被侵占。同時，隨著我國人口數量不斷增長，人們生活水平不斷提高，對糧食的需求日益增加[10-11]，這與耕地減少形成尖銳的矛盾，嚴重威脅我國糧食安全和生態安全[8-9]，人多地少的基本國情和城市的擴張決定了我國必須集約利用土地[12]，大力提高土地利用效率[13]，強化耕地數量、質量和生態保護的“三位一體”[14]，確保我國糧食安全。

近年來，對糧食安全的研究集中在耕地面積變化的影響，對復種指數變化及其影響的研究較少[15]。復種作為我國傳統的、重要的農作物種植制度在提高糧食產量和實現耕地集約節約利用方面發揮著不可替代的作用[16]。研究表明，我國因復種指數增加的糧食產量對同期糧食增產的貢獻率達 1/3[15]。對于如何提高復種指數很多學者從提高復種指數的數量方面來研究，而關于如何提高復種指數潛力的研究則相對較少。而現階段，在糧食單位產量沒有大的技術突破、耕地保有量逐年下降的情況下，充分利用和挖掘現有耕地資源的生產潛力，是繼續提高我國糧食自給能力、保障我國糧食安全的根本途徑。衡量耕地資源利用程度的基本指標是耕地復種指數[17]，而耕地復種指數及復種潛力指數的研究大致分為2種：即以遙感為基礎的植物凈初級生產力(NPP)監測[18-20]和以統計數據為基礎的耕地復種指數計算[21-22]。基于遙感的復種指數方法基本上都是以長時間序列植被指數數據為基礎，采用各種平滑去噪手段擬合得到作物生長曲線，從而進行復種指數提取[23]。遙感方法可以較為準確地把握不同區域間的差異情況，并可以在長時間序列對植被復種指數進行監控[24]，因此，在復種指數領域研究中得到較為廣泛的應用[25]。Peng等運用遙感技術對中國東南部地區的復種指數時空變化進行研究，并對其結果可信度進行驗證，取得了較好的研究成果[26]。以遙感監測方法為基礎，謝花林等對中國1998—2012年的復種指數進行評估，發現不同區域間復種指數差異較大，且東北地區為復種指數增長極，而中部地區為增長谷值區，但中部地區復種指數水平最高，東北地區復種指數水平最低[27]。統計數據法可以綜合考慮各類作物種植類型及種植區域對復種指數的影響，在計算復種潛力指數上具有方便、快捷的優點[28-29]，何文斯等、謝花林等、趙永敢等、金姝蘭等均運用該方法在各自研究中取得較好效果[27，30-32]。此外，運用空間自相關模型對以耕地為基礎的相關指標進行研究也取得了較好的研究成果[33-35]。

為了精確對研究區的復種指數進行評估，本研究以統計數據法為基礎，運用ArcGIS 10.1軟件，在復種指數研究的基礎上，對研究區的耕地復種潛力進行挖掘，并結合空間自相關等空間度量模型，對研究區復種指數的空間分布進行精確定量研究。近年來，中原經濟區經濟發展和城市化進程較快，棄耕、占耕的問題不斷凸顯，人地矛盾突出，因此開展中原經濟區耕地復種指數時空分析及發展潛力研究，探討如何在有限的耕地上充分挖掘耕地潛力，對保障國家糧食安全生產和區域農業生產的可持續發展具有一定的理論和現實意義。

1 研究區與研究方法

1.1 研究區概況

中原經濟區地處中國中心地帶(圖1)，黃河中下游，包括河南全省、安徽、山西、河北及山東等省份的部分地區。土地總面積約28.9萬km2，占全國土地總面積的3.01%。2015年人口總數約1.56億人，占全國總人口的11.41%，耕地總面積1 396.11萬hm2，占全國耕地總面積的10.34%，人均耕地面積約0.089 hm2，低于全國人均耕地面積(0.099 hm2)。中原經濟區處于溫帶-亞熱帶和濕潤-半濕潤氣候區，屬于溫帶大陸性季風氣候，雨熱同期，全年無霜期長為275～308 d，光照充足，地形西高東低，黃淮海平原廣布，適宜進行大面積糧食生產。

1.2 數據來源

本研究數據來源主要包括2006—2015年《河南統計年鑒》、2006—2015年《安徽統計年鑒》、2006—2015年《山東統計年鑒》、2006—2015年《山西統計年鑒》和2006—2015年《河北統計年鑒》，以及國家和政府有關部門發布的公告及相關數據。氣溫和降水數據來源于氣象站臺實際監測，其數據來源于中國氣象數據共享服務網，可信度較高。

1.3 研究方法

1.3.1 復種指數 復種指數(multiple crop index)是反映水土光與自然資源利用程度的指標，其實質是沿時間序列，反映某一種植制度對耕地的利用程度[36]，可運用公式(1)進行計算：

(1)

式中：MCI為耕地復種指數(%)；AS為農作物總播種面積(hm2)；AC為耕地總面積(hm2)。

1.3.2 區域差異度量 衡量不同地區間不平等的組間差異、組內差異和總差異作為泰爾指數的最大特色之處，而被廣泛應用到多個領域[37-40]。為了衡量中原經濟區不同區域尺度間存在差異與否，本研究運用泰爾指數測度了組間差異和組內差異對總差異的貢獻度，泰爾指數用于復種指數測算的公式[41]為：

(2)

式中：m是省份數量；MCIn是n省的復種指數；MCIy是全國平均復種指數，T的取值范圍為T∈[0，lnn]。

本研究按地區和地級市2個尺度對中原經濟區耕地復種水平進行區域差異分析，分析組間(Tbr)和組內差異(Twr)。

T=Tbr+Twr。

(3)

組間差異Tbr公式為：

(4)

式中：m是區域數量；Qi是區域i中所包含的地區和地級市的個數；Q是中原經濟區所包含地區和地級市的總個數；MCIp是區域i的平均復種指數；MCIy是全國的平均復種指數。

1.3.3 復種潛力指數 溫度和降水是影響復種指數潛力大小的基本因素，本研究根據范錦龍提出的運用積溫和降水與復種指數外包絡線方程[36]計算復種潛力。計算模型為：

(5)

(6)

式中：MT表示氣溫影響的復種潛力，MR表示降水影響的復種潛力，復種潛力Mp=min(MT，MR)。

Md=Mp-MCI。

(7)

式中：Md為耕地可開發潛力。

1.3.4 全局空間自相關 為了衡量復種潛力指數在中原經濟區的分布特征，對其是否具有空間自相關性進行描述，特引入全局空間自相關模型對其空間特征進行衡量。計量過程中多選用Moran’s I指數、全局Geary’s C和全局Getis-Ord G等統計量對研究區總體空間關聯和空間差異平均值進行分析[42]。本研究選用Moran’s I統計量對中原經濟區復種潛力指數進行分析，如式(8)所示：

(8)

為了更好地描述全局Moran’s I的顯著性水平，引入標準化Z值對其進行檢驗[43]，如式(9)所示：

(9)

E(I)為Moran’s I的期望值；VAR(I)表示Moran’s I的方差。當Zscore>1.96或Zscore<-1.96(α=0.05)時，表明縣域復種潛力指數在空間上存在顯著的自相關性。由于Moran’s I的取值介于[-1，1]，在給定的顯著性水平(α=0.05)下，若Moran’s I>0，表明存在正相關性，且越接近于1相關性越強，反之亦然。

1.3.5 局部空間自相關 全局空間自相關可以對整個區域的復種潛力指數的相關程度進行描述，由于本研究的基本單元為縣域單元，不同空間單元間在自相關水平上存在相當差異[44]，僅運用全局空間自相關不能對其空間分布特征及關系進行有效表達。為彌補上述公式不足，引入局部空間自相關分析不同縣域單元與臨近區域空間差異程度及顯著性水平，進而精確衡量不同縣域單元的空間特性，如式(10)～(11)所示：

(10)

(11)

S2為縣域復種潛力指數比例的方程，m為某空間單元i的臨近縣域單元數目。與全局空間自相關相似，在給定的顯著性水平(α=0.05)下，若Moran’s I>0，表明不同縣域單元差異小，即空間集聚度高，反之空間差異性顯著，分散程度高。

1.3.6 耕地復種指數變化驅動力計量模型 耕地復種指數受到多種因素影響，本研究選取產業非農化、人口非農化、人均家庭純收入、農業政策和人均經營性耕地面積等指標，構建了回歸模型分析影響中原經濟區耕地復種指數的驅動力因素[16]，結合F檢驗、豪斯曼(Hausman)檢驗為回歸模型選取更為準確的計算方式，進而運用最小二乘虛擬變量法(LSDV)對回歸模型進行求解，具體如公式(12)：

MCIit=φit+α1RJCSRi,t+1+α2RKFNHi,t+1+α3CYFNHi,t+1+α4RJGDMJi,t+1+εit。

(12)

式中：i(i=1，…，5)表示第i個地區；t(t=2005，…，2014)表示第t年；φit為常數項；εit為隨機誤差項；MCIit表示第i地區第t年的復種指數；RJCSRi，t+1表示第i地區第t+1年的農村人均家庭純收入的對數，收入對農民在耕地投入方面具有不可忽視的影響，故本研究選取農村家庭純收入來分析不同收入水平下其對耕地復種指數的影響；RKFNHi，t+1表示第i地區第t+1年的人口非農化比重的對數，本研究以非農業人口占總人口的比重來表示城市化率，大量農民尤其是青壯年勞動力外出打工使得農業勞動力短缺進而導致復種指數下降；CYFNHi，t+1表示第i地區第t+1年的產業非農化比重的對數，第二產業和第三產業的發展一方面會和第一產業爭奪勞動力，另一方面也會為農業生產提供資金、技術等支持，會在不同程度上影響復種指數的變化；RJGDMJi，t+1表示第i地區第t+1年的農民人均耕地面積，人均耕地面積越大越有利于進行規模經營，進而提高耕地復種指數。為了消除數據的異方差，對以上解釋變量進行取對數處理。

2 結果與分析

2.1 復種指數及可挖掘復種潛力指數時空變化

經式(1)計算得出中原經濟區2005—2014年復種指數變化及空間分布(圖2、圖3)。研究期間，中原經濟區耕地復種指數呈波動變化，但整體表現為下降趨勢，2014年相比于2005年下降10.68%，年際下降率為1.07%。在時間尺度上，中原經濟區復種指數變化可以分為3個階段：2005—2007年遞增階段、2008—2011年遞減階段、2012—2014年平穩下降階段。(1)2005—2007年，中原經濟區耕地復種指數的增加主要是由于農作物播種面積的不斷擴大，在耕地面積小幅度變化的基礎上，播種面積大幅度變化引起了復種指數的逐年遞增狀態。(2)2008—2011年，中原經濟區復種指數下降明顯，其主要原因歸結于極端天氣的出現，該階段中原經濟區同期氣溫相較于其他年份高出1.6 ℃，為1961年以來同期最高值，因極端天氣而帶來的農作物損失十分嚴重。(3)2012—2014年，中原經濟區復種指數呈現平穩下降趨勢，下降幅度較小，在自然環境穩定的前提下，該現象主要來源于耕地的撂荒和農業勞動力的轉移，期間播種面積共降低37.26萬hm2，第二、三產業的不斷發展對農業勞動力造成極大沖擊，從而形成耕地資源的浪費。

由區域差異度量模型計算可知，2005—2014年中原經濟區耕地復種指數的地區間差異整體呈縮小的趨勢，5個地區間差異的組間差異貢獻率始終保持在70%以上，但是中原經濟區5個地區之間的組間差距在逐漸縮小(圖4)，從2005年的0.022下降到2014年的0.009，下降幅度為 59.09%，而中原經濟區5個地區間的組內差距在增大，從2005年的0.003上升到2014年的0.007，上升幅度為133.33%。

為了進一步研究中原經濟區5個地區之間內部的差異，本研究測算了中原經濟區市域尺度復種指數內部構成的泰爾指數(圖5)。中原經濟區市域尺度耕地復種指數的組間差異反映了市域間的差異性，而組內差異反映了不同地級市內部縣域的差異。由圖5可知，2005—2014年中原經濟區市域尺度耕地復種指數的總差距整體呈波動下降的趨勢，市域組間差距是中原經濟區市域尺度耕地復種指數差異的主要原因。其中市域組間差距在2005—2014年呈現先下降后上升然后下降，但是總體上升的趨勢，這和之前提到的中原經濟區5個地區之間的組內差距在增大是相吻合的，而市域尺度的組內差距呈現下降的趨勢，從2005年的0.019下降到2014年的0.012。

2.2 中原經濟區可挖掘復種潛力指數空間分析

經式(8)(9)計算得出，2005、2008、2011、2014年中原經濟區各縣域可挖掘復種潛力指數存在正相關關系(表1)。

為了更加清晰地對中原經濟區縣域單位的空間特性進行表述，建立LISA圖對該地區的空間集聚效應進行表達(圖6)。2005年LISA集聚圖相比2008年差距較小，2008年低低集聚區域明顯少于2005年，但分布區基本不變。2005年中原經濟區西部的高高集聚單位明顯減少，全區整體的分布情況大致從西北向東南以高高集聚-低高集聚-高低集聚-低低集聚態勢分布。2011年相比2005、2008年差異較大，高高集聚區向研究區中部轉移，而低低集聚區向東部地區轉移，這說明2011年中原經濟區可挖掘潛力指數較大的區域多集中在中原經濟區東部地區，而復種指數高挖掘潛力區多集中在西北部地區。2014年該區的集聚效應又逐漸變為2005年態勢，但低低集聚區集中于中東部地區，而南部地區則出現高挖掘潛力集聚區。

表1 全局空間自相關結果分析

注：均處于α=0.05的顯著性水平。

2.3 中原經濟區耕地復種指數差異驅動力分析

將2005—2014年中原經濟區市級面板數據代入Stata 14.0進行回歸分析。其中F檢驗結果更適合于變截距模型；運用豪斯曼(Hausman)檢驗得出P值為0，且為隨機效應模型的基本假設(個體效應與解釋變量不相關)得不到滿足，則模型支持選擇固定效應模型；最后利用最小二乘虛擬變量法(LSDV)進行固定效應模型估計。計算結果見表2。

各個解釋變量對中原經濟區5地區30市的耕地復種指數的影響程度見表2。就與耕地復種指數相關關系而言，產業非農化和人口非農化對其具有負向拉動作用，而人均家庭純收入、農業政策和人均經營性耕地面積對其施以積極的正向推動力。具體分析如下：

表2 面板數據回歸結果

注：R2=0.93；P值(F檢驗)=0.00；P值(Hausman檢驗)=0.00。

產業非農化比重對耕地復種指數產生了顯著的負向作用。產業非農化比重每增加1%將導致耕地復種指數下降55%個絕對值的單位量，隨著中原經濟區經濟的發展，尤其是第二產業和第三產業的快速發展，大量的耕地面積被非農業用地占用，第二、三產業發展帶來的城鎮化水平的提高，建設用地占用耕地的現象屢見不鮮，人地矛盾進一步尖銳，耕地復種指數降低。

人口非農化比重對耕地復種指數產生了較大的負向作用，人口非農化比重每增加1%，耕地復種指數將下降8%個單位量。一方面，隨著第二產業和第三產業的發展，2014年河南省第二產業產值比重占生產總值的51.99%，第二產業主要是勞動力密集型產業需要大量勞動力，另一方面，城鎮化水平不斷提高，農業非農人口進一步上升，同時農村大量青年勞動力外出務工，農村勞動力老弱化和勞動力缺乏都導致播種面積下降，耕地被荒廢閑置，復種指數下降。

人均耕地面積對耕地復種指數產生了明顯的正向作用，人均耕地面積每增加1%將會使耕地復種指數上升36%個單位量。說明規模化和機械化的農業生產能夠進一步提高耕地集約節約利用水平，帶來耕地復種指數的提高，促進農業現代化。

農村人均純收入對耕地復種指數產生了正向作用，人均純收入每增加1%，耕地復種指數將提高7%個單位量。說明中原經濟區農村當前還處于耕地復種指數隨著人均純收入的增加而上升的階段，農民收入增長，為了從耕地中獲取更多的收益，農民會因為耕地收入增加而進一步增加對土地的人力資源投入和物力資源投入。

農業政策對耕地復種指數產生了正向影響，耕地政策每增加1%，耕地復種指數增加5%個單位量。2012年國務院正式批復建設中原經濟區，并將中原經濟區定位為國家重要的糧食生產和現代化農業基地，優惠政策的實施對中原經濟區提高農業專業化、集約化水平具有重要作用。

3 結論與討論

3.1 結論

耕地復種指數影響區域未來農業發展和糧食安全。本研究通過對2005—2014年中原經濟區復種指數的計算，結合研究區氣象監測站臺的氣溫和降水數據，計算該區研究期間內的復種潛力指數，進而從空間和時間2個維度對中原經濟區縣域的可挖掘復種潛力指數進行分析。具體結論如下：

(1)2005—2014年中原經濟區復種指數整體上呈現波動下降的趨勢，且變化幅度比較明顯。耕地復種指數以安徽地區最高，河南地區次之，山西地區最低。從泰爾指數的大小來看，2005—2014年中原經濟區耕地復種指數的地區間差異整體呈縮小的趨勢，5個地區之間的組間差異是中原經濟區耕地復種指數地區間差異的主要原因；進一步研究發現2005—2014年中原經濟區市域尺度耕地復種指數的總差距呈波動下降的趨勢，市域組間差距是中原經濟區市域尺度耕地復種指數差異的主要原因；中原經濟區耕地復種指數的區域總體差異呈現逐年縮小的趨勢，其原因主要和地區經濟發展水平的高低具有一定的關系。

(2)研究區縣域空間集聚變化較大，但是從全區角度來說，中原經濟區可挖掘復種指數基本呈現自西北向東南方向遞減的趨勢。2005、2008、2011、2014年全局Moran’s I分別為0.54、0.58、0.33、0.54，均表現為空間上的正相關關系和強烈的集聚效應，除2011年受自然因素影響較大外，其余年份在α=0.05的顯著性水平下均呈現顯著性相關關系。縣域單元的可挖掘復種潛力指數存在地區上的差異性，集聚效應雖然受自然因素影響，但基本規律仍為高高集聚多出現在西北部地區，而低低集聚多出現在東部地區。

(3)各個指標變量對研究區耕地復種指數的影響程度不一。就與耕地復種指數相關關系而言，產業非農化和人口非農化對其具有反向拉動作用，而人均家庭純收入、農業政策和人均經營性耕地面積對其施以積極的正向推動力。說明隨著第二產業和第三產業的發展，第二、三產業吸引大量農村勞動力進城務工，導致農村剩余勞動力日益減少，大量耕地因此被閑置和撂荒，進而導致耕地復種指數下降。耕地面積對復種指數的影響是不可忽視的，在相同的氣候條件下，耕地面積的變動直接影響復種指數的變化。

3.2 討論

復種指數可以在一定程度上說明耕地資源的利用情況，對研究區未來耕地資源的合理利用提供相關意見和建議。但由于農業技術水平的不斷進步，高科技種植的出現使得復種指數在一定程度上將無法準確衡量一個地區的糧食發展水平，因而更為全面地考量農業技術水平等相關因素對復種指數的影響將是該區未來需要研究的方向之一。耕地面積對復種指數的研究起到關鍵性作用，在耕地面積一定的情況下，發達的耕種技術和適宜的氣候環境將有利于復種指數的提高，在城市化快速推進的同時，如何在保存好現有耕地的同時，提高復種指數，將是該領域未來研究的又一重要方向。

統計數據法相比遙感影像法較為便捷，且統計數據由政府官方發布，數據資料較為全面，精確性相對較高。但其本身研究的滯后性使得其無法在未來研究中廣泛應用。基于已有的耕地復種指數數據，建立合適的復種指數預測模型，加之運用氣象監測手段預測的未來氣候變化，將在一定程度上克服統計數據法的弊端，并使其可以在未來研究中得以應用。