基于空间统计的重庆市水稻生产地理集聚时空演变*

唐荣莉, 姚 雄, 王春萍, 吴 红, 林 清, 雷开荣 **



基于空间统计的重庆市水稻生产地理集聚时空演变*

唐荣莉1,2, 姚 雄1, 王春萍1,2, 吴 红1,2, 林 清1,2, 雷开荣1,2 **

(1. 重庆市农业科学院 重庆 401329; 2. 逆境农业研究重庆市重点实验室 重庆 401329)

掌握农作物区域地理种植格局动态变化是进行种植结构调整和优化的重要基础。本研究以2000—2015年重庆市属区县水稻生产调查数据为基础, 运用排序方法、空间统计方法剖析了16年来重庆水稻种植时空分布特点、不同区县时空演变的趋同性和相异性、区域水稻种植重心的转移特征、重庆水稻产业的地理集聚程度与分布的演化路径, 以量化重庆市水稻生产的空间演化格局与动态。结果表明, 16年间重庆市水稻种植面积和产量都存在波动, 2007年以前水稻面积不断下降, 2008年后面积逐渐恢复;在研究的各个时段内, 无论单产、面积占比还是总产, 重庆市的水稻生产均呈现出西部高于东部, 南部高于北部的特征。重庆市以区县为统计单位的水稻生产可分为大面积高单产、小面积高单产、大面积低单产、小面积低单产4个类型; 重庆市水稻产量重心位于区域西南部, 但逐年向东北方向偏移; 重庆水稻产业表现出高值聚集的特征, 但空间聚集程度随时间推移逐渐降低, 空间均质化程度提高。区域自然条件、社会经济、种植技术发展、政策引导等影响水稻产业的集聚格局, 在今后的工作中需针对区域特征进行水稻种植规划和优化管理。

重庆市; 水稻生产; 集聚特征; 重心转移; 空间统计; 排序方法; 空间均质化

掌握农作物时空动态演变规律是进行农业生产布局、制定农业政策和调整农业结构的重要依据, 对作物增产和促进农民增收具有重要意义。农作物的种植格局可通过空间分布信息进行描述, 但传统的农业分布时空格局分析多为对空间区域的定性描述, 其空间高低值的显示易受人为的分级赋值经验等因素影响, 对空间特征挖掘不足, 未考虑差异的显著性, 容易掩盖真实的地理信息。空间统计分析将长度、面积、距离关系、方向等空间信息直接整合到算法中, 可用来描述空间分布、空间样式、空间过程和空间关系。空间统计方法扩展了人类对空间特征的直觉评估, 使我们能定量化地了解空间关系以及空间趋势[1]。将空间统计方法纳入农作物的时空演变研究具有重要意义。

近年来, 空间统计方法在研究农作物地理集聚现象方面逐渐受到重视。国内已有学者使用该方法探索了中国种植业、畜牧业、蔬菜生产的地理集聚特征与专业化格局[2-4], 这些研究表明我国农业生产整体上逐渐向规模化、专业化、特色化方向发展。陈太政等[5]、王辉等[6]、林正雨等[7]分别分析了四川、河南和云南省农作物的地理集聚及演化特征, 发现随时间推移, 地理集聚格局日益凸显, 不同农产品的集聚程度差异明显, 优势农作物的空间布局呈现集聚态势, 省际间存在明显的集聚差异。

水稻是中国三大粮食作物之一, 也是典型的资源型生产作物。光温水氧等自然条件是形成水稻空间分布格局的原动力[8], 历史传统、经济驱动、政策导向以及种植技术发展等社会科技因素逐渐影响作物空间分布格局变迁[9]。研究水稻区域生产格局是否存在地理集聚、区域重心如何转移、县域尺度的演化如何影响区域水平的格局等, 将有助于深入分析水稻种植结构变化的根本原因, 进而为区域水稻结构调整的成效评估以及趋势分析提供科学依据。但现阶段利用空间统计方法对省域尺度上水稻生产的空间演化现象探索不足, 结合地理聚集分析、重心分析和区域特征排序比较为一体的研究尚不多见。

重庆市位于中国六大稻区之一的西南地区, 地跨青藏高原与长江中下游平原的过渡地带, 海拔相差悬殊, 区域水热资源分布不均, 气候类型多样, 水稻生产存在较大空间差异。本文以重庆市为例, 结合2000—2015年的县域水稻种植面积、单产、总产数据, 考察了重庆地区水稻种植时空分布特点、不同区县时空演变的趋同性和相异性、区域水稻种植重心的转移方向及水稻产业的地理集聚程度与分布的演化路径, 研究结果有利于提升农业工作者对区域水稻生产的时间演变规律、空间分异格局以及驱动机制的认知程度, 有望为重庆市水稻种植结构调整、空间布局及分区域管理提供科学依据, 并为同类研究提供方法参考。

1 数据来源与研究方法

1.1 数据来源及处理

本研究搜集了2000—2015年重庆市各区(市)县农业水稻调查数据, 包括面积、单产、总产3个指标。数据来源为历年《重庆统计年鉴》[10]和重庆市农业委员会所提供的区县主要农作物统计信息表以及历年重庆市水稻生产总结。分析单元为重庆区域除渝中区外的39个种植水稻的区县单元。重庆市县级行政边界矢量数据来自于国家地理信息中心。本文使用SPSS、CANNOC5软件进行数据统计, 使用ARCGIS 10.0软件进行空间统计分析以及结果制图。

1.2 研究方法

本研究使用重心分析考察重庆市水稻种植整体上地理重心的空间演化路径, 用全局空间自相关指数(Global Moran’s)以及高/低聚类(Getis-Ord General)来衡量水稻种植整体空间分布集聚程度与格局的演化, 用局部空间自相关(Anselin Local Moran’s)指数计算县域的空间连片及其演化情况, 使用基于CANOCO排序的方法分析区县在水稻生产上的异同。

1.2.1 排序分析

排序分析是将样方排列在一定的空间, 使得排序轴能反映一定的梯度, 从而解释样方分布与因子的关系。使用排序方法可以在多个实际或虚拟坐标轴上将重庆市域的区县一个个进行排列并产生排序结果图[11]。通过排序图可以建立区县之间相似(相异)矩阵和水稻生产变量之间的相关矩阵。排序图能够用来解读水稻生产指标之间的关系、区县与水稻生产指标变量的关系以及各区县在水稻生产上的异同。本研究使用的3个水稻生产变量指标包括面积、单产和总产, 选择PCA方法结合CANOCO5软件对区县进行非约束排序。

1.2.2 重心分析方法

借鉴力学原理, 引入区域重心的概念确定区域水稻种植业的重心区位。假设某一个区域由个子区域构成, 区域的中心坐标为(X,Y),M为区域在某种属性意义下的“重量”, 则该属性意义下的区域重心坐标为:

1.2.3 全局空间自相关

全局空间自相关(Global Moran’s) 是基于全局的统计量, 可用于对数据总体模式和趋势的评估[12]。在给定一组要素及相关属性的情况下, 使用Global Moran’s指数可评估某一属性在全局尺度上的空间分布模式是聚集、离散还是随机。如果该指数值为正则指示聚集趋势, 如果该指数值为负则指示离散趋势, 零假设是随机分布。该指数计算方法见公式(3), 通过计算所评估属性的均值和方差对该指数的显著性进行评估:

1.2.4 高/低聚类

高/低聚类(Getis-Ord General)指数可用于判断某一属性在全局尺度上是否具备高/低聚类特征[12]。使用高/低聚类指数可计算某个属性在整个研究区范围内是高值聚类还是低值聚类的可能性, 零假设是随机分布。如果指数值为正则指示高值聚类趋势, 如果指数值为负则表示低值聚类。该指数的计算公式如下所示, 通过计算所评估属性的均值和方差对该指数的显著性进行评估:

式中:为统计的行政单元的个数,x和x为统计单元与统计单元的属性值,W为区县与区县之间的空间权重。在本研究中两个统计单元之间被赋予的权重与二者中心点之间的距离呈反比。

1.2.5局部空间自相关

局部空间自相关指数(Local Moran’s)可用来分析确定相似属性聚集的空间位置, 发现与周边属性显著不同的离群值空间要素[13-14], 揭示空间参考单元与其邻近的空间单元属性特征值之间的相似性或相关性, 识别空间集聚和空间孤立。在农业及地理研究领域, 该指数可被用来分析种植业集中区域、居住区的聚集性, 污染的分布扩散特征[5-7,15]。该指数计算公式为:

2 结果与分析

2.1 水稻种植特征时空演变趋势

16年间, 重庆市辖区(市)县水稻种植情况有所变动, 2012年之前共有39区县种植水稻, 此后近郊的双桥区不再种植水稻, 故参与统计的区县为38个。从表1可知2000—2015年间重庆市水稻播种面积有所下降, 总体上经历了一个明显“前减(2000—2007年)后增(2008—2012年)随后平稳波动(2013—2015年)”的变化过程。2007年为重庆市水稻播种面积变化的拐点年份, 21世纪初, 中国处于土地利用快速变化期, 西南地区城乡建设用地显著扩张、水改旱和撂荒现象增多[16], 受种植效益偏低和资源条件约束, 2000—2007年水稻种植面积有所下滑。重庆市域水稻播种面积从77.66×104hm2逐年减少到65.21×104hm2, 此后水稻平均播种面积逐年缓慢增加, 至2012年增至69.06×104hm2, 2013—2015年, 水稻播种面积在68.83~68.97×104hm2波动。水稻产量在年季间波动较大, 其中平均产量最低的年份为2006年, 单产仅为5 138 kg×hm-2, 平均产量最高的年份为2008年, 平均单产为7 576 kg×hm-2。就水稻单产而言, 重庆(6 937 kg×hm-2)地区略高于全国(6 813 kg×hm-2)平均水平, 高于贵州省(5 913 kg×hm-2)和云南省(5 819 kg×hm-2), 低于四川省(7 664 kg×hm-2)和湖北省(8 067 kg×hm-2)[17]。

表1 2000—2015年重庆市水稻种植面积、单产和总产的变化特征

重庆市各区(市)县间单产差异极大, 2000年差幅为4 945 kg×hm-2, 2015年差幅为4 467 kg×hm-2。为比较优势产区, 本研究以5年为时间节点, 截取2000年、2005年、2010年以及2015年的重庆各区县水稻种植面积占比(水稻种植面积比行政区面积)、单产以及总产特征, 结果如图1所示。在研究的各个时段内, 不管是单产、总产还是面积占比, 重庆市的水稻生产均呈现出西部高于东部, 南部高于北部的特征。从单产来看, 西部区域单产可高达8 000~ 9 000 kg×hm-2, 东部区域多为6 000~7 000 kg×hm-2, 但随着时间推移，重庆各区县水稻单产的空间差异逐渐缩小。除主城区受农用地面积较少的限制外, 西部地区水稻种植面积超过行政区面积的20%, 而东部地区水稻种植面积不足行政区面积的5%。使用单样本检验对各区县16年间的面积变化在0.01水平进行显著性检验发现, 2000—2015年间, 各区县水稻种植面积变化发生了显著变化。

2.2 区县水稻生产的趋同性和相异性演变过程

区县水稻种植业的类似性和相异性受面积、单产以及总产3个生产指标变化的综合影响。综合排序的方法可直观地表达区县的相似性以及相异性, 进而可以将区县根据水稻生产特征进行归类。图2中的圆点和三角形代表区(市)县, 箭头代表水稻生产指标。我们可以使用相对距离解读排序图, 使用相对方向和投影点的相对次序来解释对象之间的关系。

箭头之间的夹角表示指标之间的相关性和正负关系。就聚集结果来看, 总产和面积之间夹角较小且同向, 说明总产和面积之间呈正相关且相关性高。单产和面积之间夹角较大, 接近垂直, 说明二者之间的相关性较低。水稻总产受播种面积和单产的双重影响, 但变化趋势与面积更为类似。2000年、2005年、2010年和2015年面积可以解释水稻区域生产差异的68.54%、71.55%、81.09%和82.33%, 单产和面积累积可解释区域差异的99.66%、99.82%、99.83%和99.79%。

图1 重庆市2000年、2005年、2010年和2015年水稻生产的时空特征(a: 水稻种植面积区域占比; b: 水稻单产; c: 水稻总产)

BB: Beibei; BN: Banan; BS: Bishan; CK: Chengkou; CS: Changshou; DDK: 大渡口Dadukou; DZ: Dazu; DJ: Dianjiang; FD: Fengdu; FJ: Fengjie; FL: Fuling; HC: Hechuan; JB: Jiangbei; JJ: Jiangjin; JLP: 九龙坡Jiulongpo; KX: Kaixian; LP: Liangping; NA: 南岸Nan’an; NC: Nanchuan; PS: Pengshui; QJ: Qianjiang; QJ2: Qijiang; RC: Rongchang; SPB: 沙坪坝Shapingba; SZ: Shizhu; SQ: 双桥Shuangqiao; TL: Tongliang; TN: Tongnan; WZ: Wanzhou; WS: Wushan; WS2: Wansheng; WX: Wuxi; WL: Wulong; XS: Xiushan; YC: Yongchuan; YB: Yubei; YY: Yunyang; YY2: Youyang; ZX: Zhongxian.

箭头的起始点是所统计的生产指标的平均值的位点。从代表每个区县的点可投影到某一生产指标的箭头, 投影点与原点的相对位置可以代表区县该生产指标值的高低。区县之间的相异程度可以通过排序图内区县点之间的距离远近进行核算。鉴于总产和面积的趋势类似, 使用水稻面积和单产特征可对各区县的水稻生产特点进行划分, 大致可归纳为大面积高单产、小面积高单产、大面积低单产、小面积低单产4个典型类型。各类型水稻生产特征见表2。

图2 2000年、2005年、2010年和2015年重庆各区县水稻种植特征的异同

单产和面积累积可解释2000年、2005年、2010年和2015年区域差异的99.66%、99.82%、99.83%和99.79%。Area and per unit yield can explain 99.66%, 99.82%, 99.83% and 99.79% of the total variances between districts for 2000, 2005, 2010 and 2015, respectively. Icons of large & high, small & high, large & low, small & low stand for large area with high yield, small area with high yield, large area with low yield, and small area with low yield, respectively. BB: Beibei; BN: Banan; BS: Bishan; CK: Chengkou; CS: Changshou; DDK: Dadukou; DZ: Dazu; DJ: Dianjiang; FD: Fengdu; FJ: Fengjie; FL: Fuling; HC: Hechuan; JB: Jiangbei; JJ: Jiangjin; JLP: Jiulongpo; KX: Kaixian; LP: Liangping; NA: Nan’an; NC: Nanchuan; PS: Pengshui; QJ: Qianjiang; QJ2: Qijiang; RC: Rongchang; SPB: Shapingba; SZ: Shizhu; SQ: Shuangqiao; TL: Tongliang; TN: Tongnan; WZ: Wanzhou; WS: Wushan; WS2: Wansheng; WX: Wuxi; WL: Wulong; XS: Xiushan; YC: Yongchuan; YB: Yubei; YY: Yunyang; YY2: Youyang; ZX: Zhongxian.

表2表明, 4种典型类型区对重庆水稻生产的贡献率存在较大的差异。2000年, 大面积高单产、大面积低单产、小面积高单产、小面积低单产区域水稻种植面积分别占重庆市水稻种植面积的52%、33%、6%和9%; 而总产分别占重庆市全域水稻生产的57%、29%、7%和8%。随着区域水稻生产的不断调整, 至2015年, 大面积高单产、大面积低单产、小面积高单产、小面积低单产区域水稻种植面积分别占重庆市水稻种植面积的59%、27%、4%和10%, 而总产分别占重庆市全域水稻生产的63%、24%、4%和9%。16年间, 重庆区域4种水稻生产类型区面积总产比重发生变化。大面积高单产区面积占水稻种植面积的比例增加7%, 该类区域在粮食保障中的作用进一步增强; 大面积低产区面积占水稻种植面积的比例下降6%; 城市扩展带上的原小面积高单产区域的转型使得小面积高单产区域面积比例从6%下降到4%; 而小面积低单产区域从区域水稻种植面积的9%上升到10%。

表2 2000年、2005年、2010年和2015年重庆市不同水稻生产类型区的基本特征

图3展示了2000—2015年重庆区县水稻生产所属类型的空间分布以及变化情况。总体而言, 16年间, 大面积高单产区县整体上保持稳定, 巴南、大足、垫江、合川、江津、梁平、荣昌、潼南、秀山、永川、长寿、忠县等区县属于大面积高单产区域; 随着时间推移, 区县的排序结果逐渐发生了一定的变化, 永川、荣昌这两个区域逐渐跻身于大面积高单产区县的前列。大面积低单产区县包括丰都、涪陵、开县、綦江、万州、酉阳和云阳等区域。通过不断调整, 南川和铜梁逐渐从大面积低单产区县跻身于大面积高单产行列。变动最大的为小面积高单产区域, 2000年包括北碚、大渡口、江北、九龙坡、南岸、沙坪坝、双桥、渝北区, 到2015年仅剩下北碚、璧山、大渡口、渝北区。小面积低单产区县包括城口、奉节、彭水、黔江、石柱、万盛、巫山、巫溪、武隆等光温水条件较差的丘陵山区。随着城市扩张, 属于主城区及城市扩展带的双桥、大渡口、江北、南岸等原小面积高单产区县逐渐转变成小面积低单产区域。

2.3 水稻种植地理分布重心的演变路径

借助Arcgis可识别重庆市区域水平水稻产业重心的移动轨迹, 结果如图4所示。2000—2015年间, 水稻生产重心一直在107.15°E~107.19°, E29.83°N~ 29.85°N的区域内移动。重庆市水稻生产重心逐步向东北方向缓慢偏移, 除2006年为一个异常点, 重心大幅向西南方回迁之外, 年季间重心转移距离大多在1 km以内。总体而言, 重庆市水稻生产在重心以及时空格局上的稳定性较强, 水稻生产重心逐步向东北方向缓慢偏移。

图3 2000年、2005年、2010年和2015年重庆区县水稻生产所属类型的变化

Icons of large & high, small & high , large & low, small & low stand for large area with high yield, small area with high yield, large area with low yield, and small area with low yield, respectively. BB: Beibei; BN: Banan; BS: Bishan; CK: Chengkou; CS: Changshou; DDK: 大渡口Dadukou; DZ: Dazu; DJ: Dianjiang; FD: Fengdu; FJ: Fengjie; FL: Fuling; HC: Hechuan; JB: Jiangbei; JJ: Jiangjin; JLP: 九龙坡Jiulongpo; KX: Kaixian; LP: Liangping; NA: 南岸Nan’an; NC: Nanchuan; PS: Pengshui; QJ: Qianjiang; QJ2: Qijiang; RC: Rongchang; SPB: 沙坪坝Shapingba; SZ: Shizhu; SQ: 双桥Shuangqiao; TL: Tongliang; TN: Tongnan; WZ: Wanzhou; WS: Wushan; WS2: Wansheng; WX: Wuxi; WL: Wulong; XS: Xiushan; YC: Yongchuan; YB: Yubei; YY: Yunyang; YY2: Youyang; ZX: Zhongxian.

2.4 水稻种植的集聚特征

2.4.1 水稻种植集聚程度的演变

重庆市水稻的地理分布在不同时段均表现出一定的空间分布规律, 但这种空间分布是否存在关联性, 又表现出怎样的模式需要进一步验证。为了进一步考察重庆市水稻种植特征的空间关联关系, 基于县域的水稻种植面积比数据做2000年、2005年、2010年和2015年水稻生产的全局空间自相关分析, 以了解这几个时段水稻种植的空间聚类或空间离散程度。通过对水稻种植面积计算全局空间自相关指数(Global Moran’s)以及高/低聚类(Getis-Ord General)指数并进行统计学上显著性比较, 我们可以了解水稻种植的地理聚集或离散趋势随时间推移的变化情况。为消除区域面积差异对结果的影响, 本研究使用区域水稻种植面积比(种植面积/行政区面积)进行计算。

Getis-Ord General与Global Moran’s均属于全局统计量, 用于对数据的总体模式和趋势进行评估, 但二者用于估量不同的空间模式。Global Moran’s关注的是空间格局的模式是聚集模式、离散模式还是随机模式, 而Getis-Ord General得出的是区域某个属性在空间上是高值聚集还是低值聚集的可能性。

图4 2000—2015年重庆水稻种植地理分布重心的演变路径

表3表明, 重庆市县域水稻生产具有显著的空间自相关性。2000年、2005年、2010年和2015年, 重庆Global Moran’s估计值全部为正值, 且通过了1%或5%的显著性检验。但不同时期的正向空间自相关程度存在较大差异, 随时间推移, 全局的空间依赖性正在减弱, 整体上呈现出均匀性增加的演化趋势。Getis-Ord General的估计值全部为正值, 表明在重庆整个区域上水稻生产表现出高值聚集的特征, 但聚集强度逐渐降低, 到2015年高值聚集不再具备统计意义的显著性。

表3 2000年、2005年、2010年和2015年重庆水稻种植的区域地理聚集系数

**和*分别表示0.01、0.05水平上显著。**, * mean significant at 0.01, 0.05 levels, respectively.

2.4.2 区域水稻集聚的空间演变

全局空间自相关是基于整体的统计, 当空间模式在研究区内同时存在聚集和离散的情况下, 得出的结果可能会掩盖局域的聚集或离散特征。而局部空间自相关分析可用来识别空间聚集和空间孤立的现象, 即可用来反映整个大区域中县域水稻的产量与其相邻县域是否存在产量的高值集聚或低值集聚。本研究使用Local Moral’s指数识别2000年、2005年、2010年和2015年研究区域水稻种植面积比在市域范围的高值聚集(HH)、高值离散(HL)、低值聚集(LL)、低值离散(LH)特征, 结果如图5所示。

作物生产集聚程度的差异主要是受作物自然生产条件和经济社会因素的影响。重庆自然条件复杂, 各地之间差异显著, 水稻生产分布明显受自然条件的制约。从图5可以看出, 研究时段内, 研究区存在高值聚集(HH)和低值聚集(LL)区, 无高值离散(HL)和低值离散(LH)区。2000年, 潼南、铜梁、大足、荣昌、永川、合川、璧山县凭借优越的自然条件和规模在空间上形成高值与高值相邻(HH)的地理集聚带; 随着时间推移, 城市不断扩张, 近郊区的合川、璧山先后于2005年、2015年后不再属于该高值聚集带。与高值聚集类似, 属于水稻生产低值聚集区的区县也在逐渐减少, 直至消失。2000年、2005年位于东北部山区水热条件较差的巫溪、巫山、奉节、彭水具有显著意义的低-低集聚区(LL), 2010年后位于中部的彭水不再为显著的低值集聚区域, 而到2015年, 已无显著的水稻生产低值聚集区域。即随着时间推移, 重庆地区水稻生产的地理集聚程度逐渐降低, 高值聚集区减少, 低值聚集区逐渐消失, 空间均质化程度提高。

3 讨论

3.1 空间定量研究的重要性

空间统计扩展了人类对空间样式、趋势和关系的直觉评估, 使我们更深入、定量化地了解空间模式、空间关系以及空间趋势。对现象及格局的研究实现了从定性到定量的跨越。通过空间定量研究可以考察农作物种植的地理重心空间演化路径。农业集聚格局可以反映区域农业生产在空间范围内利用农业生产资源的状况, 发现农作物连片种植的空间格局。使用空间统计方法可在县域、省域、区域等多种时空尺度下, 对粮食作物、经济作物、蔬菜作物生产的时空格局进行分析。统计意义上显著性的农作物时空演变过程预示某些潜在的空间过程在发挥作用, 可用以评估自然气候、社会经济演变对区域农作物分布的作用效果。空间定量研究可以辅助政府对种植业空间布局进行调控和优化, 对各地区制定具体的农业政策具有重要意义。

3.2 区域水稻生产特征及限制条件

重庆市地势东部高, 中部和西部低, 中西部区域拥有众多的浅丘平坝, 土壤肥沃, 耕层深厚, 日照、积温、降水量等生育期气候资源条件适中, 具备种植水稻的自然优势, 所属区县水稻生产大多为大面积高单产; 城市近郊区土壤肥沃、地形平坦, 但耕地面积有限, 主要为小面积高单产区域; 而东部和北部地形地貌以中丘、深丘及中低山为主, 耕地和水资源在数量、质量以及集中度上与西南地区存在较大差距, 所属区县水稻生产以大面积低单产、小面积低单产特征为主。

图5 2000年、2005年、2010年和2015年重庆水稻种植地理集聚程度的演变特征

HH: 高值聚集; LL: 低值聚集; HL: 高值离散; LH: 低值离散。HH: clusters of high values; LL: clusters with low values; HL: high value but surrounded primarily by low values; LH: low value but surrounded primarily by high values. BB: Beibei; BN: Banan; BS: Bishan; CK: Chengkou; CS: Changshou; DDK: 大渡口Dadukou; DZ: Dazu; DJ: Dianjiang; FD: Fengdu; FJ: Fengjie; FL: Fuling; HC: Hechuan; JB: Jiangbei; JJ: Jiangjin; JLP: 九龙坡Jiulongpo; KX: Kaixian; LP: Liangping; NA: 南岸Nan’an; NC: Nanchuan; PS: Pengshui; QJ: Qianjiang; QJ2: Qijiang; RC: Rongchang; SPB: 沙坪坝Shapingba; SZ: Shizhu; SQ: 双桥Shuangqiao; TL: Tongliang; TN: Tongnan; WZ: Wanzhou; WS: Wushan; WS2: Wansheng; WX: Wuxi; WL: Wulong; XS: Xiushan; YC: Yongchuan; YB: Yubei; YY: Yunyang; YY2: Youyang; ZX: Zhongxian.

受自然、科技、经济等条件限制, 现阶段重庆水稻生产主要存在以下几方面问题: 1)区域基础生产条件较差。重庆地区土地以山地和丘陵为主, 除浅丘平坝区域外, 往往水低田高、田块零碎, 导致水稻生产强度大, 难度大, 产出低。2)气象灾害频发、水利措施不足。重庆地区是各类自然灾害的多发区和集中地, 尤其是旱灾对水稻生产影响巨大, 2014年重庆地区耕地有效灌溉面积保证率仅为30.29%, 远低于53.02%的全国平均水平[18]。重庆东北部是受旱高频区[19], 2006年夏季严重的连晴高温和伏旱导致重庆农作物受旱面积达132.7万hm2[20], 该年水稻生产重心大幅向西南方回迁。3)机械化发展受限。受地区特殊地形条件和经济状况限制, 水稻生产全程机械化发展缓慢[21], 存在机械化强度与生产要求不配套、农机设备与地形不配套等问题。4)水稻生产比较效益偏低。重庆地区水稻生产成本较高, 2006年、2010年和2015年50 kg产品平均利润分别为3.68元、21.25元和8.99元[22], 与蔬菜、烤烟、花椒、柑橘、榨菜、花卉等经济作物相比不具优势。5)新型经营主体缺乏。重庆市水稻经营方式主要以传统的小规模、半自给的家庭经营农户为主, 集约化经营水平不高, 组织化、市场化程度低。2013年重庆市各类规模化水稻生产仅占全市水稻种植面积的0.79%[21]。6)种业竞争能力有待提高。据重庆市种子管理站统计, 重庆2001—2015年共审(认)定226个杂交水稻品种, 其中103个重庆自主选育的品种, 但国标3级以上品种仅24个, 不足自育品种的24%。重庆地区水稻产业还存在供种保障能力不稳、种业竞争能力不强等问题[23]。总体而言, 重庆市区、市、县间水稻生产差异极大, 其原因一是稻田所在区域气象水文等客观环境差异大; 二是生产技术投入参差不齐, 良种选用、栽培技术、农资投入等方面存在一定问题[24-25]。

3.3 水稻集聚特征变化的驱动因素

区域水稻集聚特征变化受多重因素的影响。基于自然资源禀赋的初始集聚、市场与政策对要素配置与格局优化调整、以及农业生产力提升的外推动力这三大机制推动着水稻生产地理聚集格局的演变。每个区域主要的影响因素以及作用强度存在特异性[26]。

水稻种植对自然和劳动力条件要求较高。区域地形、气候、土壤、水分的巨大差异决定了水稻生产在区县间种植的不均衡以及水稻生产的初始集聚。2000年, 潼南、铜梁、大足、荣昌、永川、合川、璧山县凭借优越的自然条件和规模在空间上形成高值与高值相邻(HH)的地理集聚带。而位于东北部山区水热条件较差的巫溪、巫山、奉节、彭水具有显著意义的低-低(LL)集聚区。

市场调节使得生产要素流向更具效率的生产单元区域, 而政策是干预产业发展的有效措施和手段。在近郊区域, 城市扩张对农业用地的置换, 潼南、铜梁、璧山、万州、涪陵等区域蔬菜产业的发展, 九龙坡区的花卉苗木产业的集聚等因素导致了城市边缘带和近郊区水稻种植面积的下滑。合川、璧山先后于2005年、2015年后不再属于高值聚集带, 属于主城区及城市扩展带的原传统优势水稻生产区县逐渐转变成低面积低单产区域, 农业税取消、粮食直补政策、良种补贴等政策保障了种粮经济效益, 对2007年以后各区县种植面积逐步恢复发挥了重要作用[27-28]。江津、南川、大足等国家重点产粮大县的定位及对应的政策措施的配套对稳定这些区域的水稻生产发挥了重要作用。

农业技术进步等外部性因素提升原低产区域粮食产量和质量, 较高海拔的山地地区水热条件改善、通达性增加为其作物播种面积扩展创造了有利条件, 对生产格局的变迁起支撑作用。近年来, 重庆地区优质稻在主导推广品种中的比例由2009年的15.0%增长到2014年的66.7%[29]。稻田高产高效耕作模式及技术的推广显著提高了沿江河谷地区、川东南地区稻田复种指数和单产水平[23]。原属于大面积低单产的南川和铜梁等区县转变为大面积高单产区县。小面积低产区县单产水平不断提高, 水稻生产低值聚集带逐渐消失。

城市化用地扩张、耕作、管理技术手段进步、政府规划引导等多种因素参与了重庆水稻集聚格局的重构, 导致区域表现出水稻生产聚集性逐渐降低、均质性增加、区域种植重心缓慢向东北方向偏移的特点。

3.4 基于区域特征的水稻生产调整措施

针对大面积高单产、大面积低单产、小面积低单产等不同类型区域进行水稻种植规划和管理, 有利于提高产量和降低生产成本, 提高加工水平和商品化程度, 增强市场竞争能力, 增加农民收入。

大面积高单产区域通常秋季具备丰富的温光水资源, 适宜发展绿色精品稻米以及进行品质优、成本低的再生稻生产[19]。在这些区域宜稳定种植面积, 开展早播早栽、合理密植、平衡施肥、适度管水、病虫草害综合防治等保优高产配套技术措施。大面积低产区域宜相对稳定稻田面积、加大生产技术投入, 在良种选用、栽培技术、农资投入等方面加大力度, 提高单产与品质, 降低成本, 从而提高种植效益。小面积低产区域通常田块零碎、水低田高, 有效灌溉面积保证率极低, 生态环境十分脆弱; 针对这些区域要进一步加大基础生产设施建设, 完善农田水利灌溉和道路建设; 需要逐步调减土壤次生潜育化严重、生产水平低的低洼稻田; 此外, 还需要进一步加强种业政策扶持、深层次推进企业改革重组、多方式开展科技协同创新。

4 结论

2000—2015年, 水稻面积和产量都存在波动, 重庆市近郊水稻总产量降低, 北部山区水稻种植面积和总产有所上升。根据生产特征可以将重庆市区县分为大面积高单产、小面积高单产、大面积低单产、小面积低单产4个典型类型, 其中大面积高单产区域在市域粮食保障中的作用进一步增强, 重庆市水稻重心位于区域西南部, 但存在逐年向东北偏移的趋势; 重庆市水稻种植呈明显的空间聚集性, 2000—2015年, 水稻生产的空间聚集程度逐渐降低, 呈现更加均匀的趋势。水稻的空间集聚主要由区域自然条件决定, 但社会经济、种植技术发展、政府规划等外在条件对自然集聚格局具有优化调节的作用。在今后的工作中需要针对不同区域的优势特征和限制条件进行水稻种植规划和管理。

[1] 王劲峰, 李连发, 葛咏, 等. 地理信息空间分析的理论体系探讨[J]. 地理学报, 2000, 55(1): 92–103 WANG J F, LI L F, GE Y, et al. A theoretic framework for spatial analysis[J]. Acta Geographica Sinica, 2000, 55(1): 92–103

[2] 李二玲, 朱纪广, 李小建. 2008年中国种植业地理集聚与专业化格局[J]. 地理科学进展, 2012, 31(8): 1063–1070 LI E L, ZHU J G, LI X J. Geographical agglomeration and specialized pattern of planting in China based on the different classifications[J]. Progress in Geography, 2012, 31(8): 1063–1070

[3] 王国刚, 王明利, 杨春. 中国畜牧业地理集聚特征及其演化机制[J]. 自然资源学报, 2014, 29(12): 2137–2146 WANG G G, WANG M L, YANG C. Characteristics and mechanism of animal husbandry’s geographical agglomeration in China[J]. Journal of Natural Resources, 2014, 29(12): 2137–2146

[4] 纪龙, 吴文劼. 我国蔬菜生产地理集聚的时空特征及影响因素[J]. 经济地理, 2015, 35(9): 141–148 JI L, WU W J. Spatial-temporal characteristics and affecting factors of vegetable produce geographic agglomeration in China[J]. Economic Geography, 2015, 35(9): 141–148

[5] 陈太政, 李二玲, 李琬. 1989—2009年河南省农作物地理集聚及其演化机制[J]. 地理科学进展, 2013, 32(8): 1237–1245 CHEN T Z, LI E L, LI W. Geographical agglomeration of crops and its evolutionary mechanism in Henan Province during 1989-2009[J]. Progress in Geography, 2013, 32(8): 1237–1245

[6] 王辉, 彭邦文, 王大力. 云南省经济作物地理集聚的时空演变研究[J]. 云南师范大学学报: 自然科学版, 2016, 36(2): 67–73 WANG H, PENG B W, WANG D L. Spatio-temporal pattern of Yunnan’s economic crops agglomeration[J]. Journal of Yunnan Normal University, 2016, 36(2): 67–73

[7] 林正雨, 何鹏, 李晓, 等. 四川省农业地理集聚格局及演化机制研究[J]. 中国农业资源与区划, 2017, 38(1): 207–215 LIN Z Y, HE P, LI X, et al. The pattern and mechanism of agricultural geographical agglomeration in Sichuan Province[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(1): 207–215

[8] 孙园园, 徐富贤, 孙永健, 等. 四川稻作区优质稻生产气候生态条件适宜性评价及空间分布[J]. 中国生态农业学报, 2015, 23(4): 506–513 SUN Y Y, XU F X, SUN Y J, et al. Suitability evaluation of eco-climatic conditions for high quality rice production in Sichuan Province[J]. Chinese Journal of Eco-Agriculture, 2015, 23(4): 506–513

[9] 李二玲, 庞安超, 朱纪广. 中国农业地理集聚格局演化及其机制[J]. 地理研究, 2012, 31(5): 885–898 LI E L, PANG A C, ZHU J G. Analysis of the evolution path and mechanism of China’s agricultural agglomeration and geographic pattern[J]. Geographical Research, 2012, 31(5): 885–898

[10] 重庆市统计局, 国家统计局重庆调查总队. 重庆统计年鉴—2017[M]. 北京: 中国统计出版社, 2017 Chongqing Statistics Bureau, National Bureau of Statistics Chongqing Survey Team. Chongqing Statistical Year Book-2017[M]. Beijing: China Statistics Press, 2017

[11] 赖江山. 生态学多元数据排序分析软件Canoco5介绍[J]. 生物多样性, 2013, 21(6): 765–768 LAI J S. Canoco 5: A new version of an ecological multivariate data ordination program[J]. Biodiversity Science, 2013, 21(6): 765–768

[12] 张松林, 张昆. 全局空间自相关Moran指数和G系数对比研究[J]. 中山大学学报: 自然科学版, 2007, 46(4): 93–97 ZHANG S L, ZHANG K. Comparison between general Moran’s index and getis-ord general G of spatial autocorrelation[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2007, 46(4): 93–97

[13] 陈彦光. 基于Moran统计量的空间自相关理论发展和方法改进[J]. 地理研究, 2009, 28(6): 1449–1463 CHEN Y G. Reconstructing the mathematical process of spatial autocorrelation based on Moran’s statistics[J]. Geographical Research, 2009, 28(6): 1449–1463

[14] ANSELIN L. Local indicators of spatial association — LISA[J]. Geographical Analysis, 1995, 27(2): 93–115

[15] ZHANG C S, LUO L, XU W L, et al. Use of local Moran’sand GIS to identify pollution hotspots of Pb in urban soils of Galway, Ireland[J]. Science of the Total Environment, 2008, 398(1/3): 212–221

[16] 刘纪远, 张增祥, 徐新良, 等. 21世纪初中国土地利用变化的空间格局与驱动力分析[J]. 地理学报, 2009, 64(12): 1411–1420 LIU J Y, ZHANG Z X, XU X L, et al. Spatial patterns and driving forces of land use change in China in the early 21st century[J]. Acta Geogaphica Sinica, 2009, 64(12): 1411–1420

[17] 国家统计局农村社会经济调查司. 中国农村统计年鉴—2015[M]. 北京: 中国统计出版社, 2015 National Bureau of Statistics. China Rural Statistical Yearbook-2015[M]. Beijing: China Statistics Press, 2015

[18] 徐春春, 纪龙, 方福平, 等. 西南地区水稻产业发展现状及存在问题与对策[J]. 贵州农业科学, 2016, 44(7): 142–146 XU C C, JI L, FANG F P, et al. Rice industry actuality, existing problems and solutions in southwest China[J]. Guizhou Agricultural Sciences, 2016, 44(7): 142–146

[19] 张建平, 刘宗元, 何永坤, 等. 西南地区水稻干旱时空分布特征[J]. 应用生态学报, 2015, 26(10): 3103–3110 ZHANG J P, LIU Z Y, HE Y K, et al. Temporal and spatial distribution of rice drought in southwest China[J]. Chinese Journal of Applied Ecology, 2015, 26(10): 3103–3110

[20] 国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2007 National Bureau of Statistics. China Statistical Yearbook[M]. Beijing: China Statistics Press, 2007

[21] 丛云飞, 陈松柏, 李杰, 等. 重庆市水稻生产新型主体发展现状研究[J]. 南方农业, 2017, 11(23): 63-65 CONG Y F, CHEN S B, LI J, et al. The development status of new agricultural business subjects of rice production[J]. South China Agriculture, 2017, 11(23): 63–65

[22] 国家发展和改革委员会价格司. 全国农产品成本收益资料汇编[EB/OL]. 统计年鉴分享平台. [2018-03-23]. http://www. yearbookchina.com/naviBooklist-YZQGN-0.htmlPrice Division of the National Development and Reform Commission. National agricultural product cost income data compilation[EB/OL]. Statistical Yearbook Sharing Platform. [2018-03-23]. http://www. yearbookchina.com/naviBooklist-YZQGN-0.html

[23] 姚雄, 段秀建, 李经勇, 等. 重庆市杂交水稻种子产业现状、问题及发展建议[J]. 杂交水稻, 2016, 31(3): 1–6 YAO X, DUAN X J, LI J Y, et al. Current status, problems and developmental suggestions of hybrid rice seed industry in Chongqing municipality[J]. Hybrid Rice, 2016, 31(3): 1–6

[24] 张晓梅, 丁艳锋, 张巫军, 等. 西南稻区水稻产量的时空变化[J]. 浙江大学学报: 农业与生命科学版, 2015, 41(6): 695–702 ZHANG X M, DING Y F, ZHANG W J, et al. Spatial and temporal variation of rice yield in rice region of southwest China[J]. Journal of Zhejiang University: Agriculture and Life Sciences, 2015, 41(6): 695–702

[25] 王国华, 张宁. 重庆水稻产业的现状、问题与对策研究[J]. 中国稻米, 2003, 9(4): 38–39 WANG G H, ZHANG N. Development status, problem and their countermeasures for rice industrilization in Chongqing Municipality[J]. China Rice, 2003, 9(4): 38–39

[26] 张有望, 宋长鸣. 区域合作视角下中三角地区主要农作物生产比较优势格局研究[J]. 农业现代化研究, 2017, 38(3): 502–509 ZHANG Y W, SONG C M. Study on the comparative advantages of major crops in central delta area from the perspective of regional cooperation[J]. Research of Agricultural Modernization, 2017, 38(3): 502–509

[27] 方福平. 宏观政策对我国水稻生产发展的影响分析[J]. 农业经济问题, 2004, (9): 11–15FANG F P. How does the macroeconomic policy influence on rice production in China: An analysis[J]. Issues in Agricultural Economy, 2004, (9): 11–15

[28] 陈风波, 刘晓丽, 冯肖映. 水稻生产补贴政策实施效果及农户的认知与评价——来自长江中下游水稻产区的调查[J]. 华南农业大学学报: 社会科学版, 2011, 10(2): 1–12 CHEN F B, LIU X L, FENG X Y. The effect of rice subsidy policy and the rice farmers’ recognition & evaluation — Survey from Yangtze River Area[J]. Journal of South China Agricultural University: Social Science Edition, 2011, 10(2): 1–12

[29] 张现伟, 唐永群, 李经勇, 等. 近5年重庆市审定和推广的水稻品种分析[J]. 中国稻米, 2015, 21(6): 52–53 ZHANG X W, TANG Y Q, LI J Y, et al. Analysis of rice varieties of Chongqing in recent five years[J]. China Rice, 2015, 21(6): 52–53

Spatiotemporal evolution of rice production geographical agglomeration in Chongqing based on spatial statistics*

TANG Rongli1,2, YAO Xiong1, WANG Chunping1,2, WU Hong1,2, LIN Qing1,2, LEI Kairong1,2**

(1. Chongqing Academy of Agricultural Sciences, Chongqing 401329, China; 2. Chongqing Key Laboratory of Adversity Agriculture Research, Chongqing 401329, China)

Knowledge about dynamic changes of geographical planting patterns of crops is a critical basis for planting adjustments and optimal configurations. Using ordered and spatial statistical methods, the spatial distributions, temporal evolutions, key production area transformations and geographical concentrations of rice production in Chongqing municipality were determined. Also the spatial evolution patterns and dynamics of rice production from 2000 to 2015 were quantified. The results showed that the cultivated area and rice production in Chongqing decreased before 2007, but gradually increased after 2008. During the study period, the spatial distribution patterns of yield per unit area, planting area ratio and total yield in Chongqing were all higher in the west than in the east, and then higher in the south than in the north. Using administrative districts as study unit, rice production areas were divided into 4 typical zones — large area with high yield, small area with high yield, large area with low yield and small area with low yield. From 2000 to 2015, the counties belonging to the large area with high yield type and large area with low yield was stable with some changed in rank of counties. However, the type of small area with high yield changed greatly, the counties number decreased from 8 in 2000 to 4 in 2015. The counties of the small area and low yield type most located in the hill area where the light, water conditions were relative poor. With the expansion of Chongqing City, some counties once were in the small area with high yield changed to the type of small area with low yield. Rice production center was located in the southwest of Chongqing and gradually moved to the northeast. While the degree of geographical aggregation of rice industry decreased gradually over time, the degree of spatial homogenization improved. Regional natural factors, social economy, planting technology development and government planning were the influencing factors of the patterns of rice industry. In future, different cultivation planning and optimal management measures were needed for different planting areas.

Chongqing City;Rice production; Geographical aggregation; Migration center of gravity; Spatial statistics; Ordered method; Spatial homogenization

, E-mail: leikairong@126.com

Dec. 21, 2017;

Feb. 24, 2018

170.4510

A

1671-3990(2018)07-0958-13

10.13930/j.cnki.cjea.171183

* 国家重点研发计划项目(2017YFD0301707)、重庆市农发良种创新暨重大科研推广项目(NKY2016AA003)、重庆市社会民生科技创新专项(cstc2016shms-ztzx80012)和重庆市2017年度农业农村调研课题(渝农发2017291)资助

雷开荣, 主要从事作物遗传改良与生物技术研究。E-mail: leikairong@126.com 唐荣莉, 主要从事景观生态学研究。E-mail: tangtang832@163.com

2017-12-21

2018-02-24

* This study was supported by the National Key Research and Development Program of China (2017YFD0301707), Chongqing Agricultural Development Program (NKY2016AA003), Chongqing Social Science and Technology Innovation Project (cstc2016shms-ztzx80012) and Chongqing Agricultural and Rural Research Project (2017291).

唐荣莉, 姚雄, 王春萍, 吴红, 林清, 雷开荣. 基于空间统计的重庆市水稻生产地理集聚时空演变[J]. 中国生态农业学报, 2018, 26(7): 958-970

TANG R L, YAO X, WANG C P, WU H, LIN Q, LEI K R. Spatiotemporal evolution of rice production geographical agglomeration in Chongqing based on spatial statistics[J]. Chinese Journal of Eco-Agriculture, 2018, 26(7): 958-970