我国毛乌素沙地荒漠化逆转因素分析

王相麾 张颖

摘要 根据2000—2015年中国经济社会大数据平台的统计数据，研究分析了我国毛乌素沙地荒漠化发展状况及其影响因素，认为近年来毛乌素沙地呈现出荒漠化逆转的态势。基于探索性分析（EFA）与虚拟变量回归模型（DVRM），对毛乌素沙地荒漠化逆转因素进行了分析，同时为提高研究结论的稳健性，还对回归模型进行了诊断。由于多重共线性问题的存在，研究剔除了虚拟变量交互项的影响。研究认为，年降水量是影响该地区森林覆盖率的主要气候因素，年降水量每增加100 mm，森林覆盖率将会增加10%。此外，年均气温对于森林覆盖率也有显著影响，年均气温每增加1 ℃，森林覆盖率将会增加2.5%。对政策因素的分析表明，2005年《全国防沙治沙规划（2005—2010）》和2011年《全国防沙治沙规划（2011—2020）》的政策效应相对于2000年的基期水平，能够分别增加3.4%和4.7%的森林覆盖率。研究揭示了气候因素和政策因素对我国毛乌素沙地荒漠化逆转的重要作用，对我国荒漠化管理和相关政策制定等具有重要意义和价值。

关键词 毛乌素沙地;荒漠化;ANOVA;虚拟变量;逆转因素

中图分类号 X171.4  文献标识码 A  文章编号 0517-6611（2020）10-0001-06

doi：10.3969/j.issn.0517-6611.2020.10.001

Abstract Based on the data of Chinas economic and social big data platform from 2000 to 2015， this paper analyzed the desertification development situation of Maowusu sandy land and its influencing factors. Climate factors and policy factors were important reasons to promote the improvement of forest coverage. Based on the analysis of variance and regression model of dummy variables， it was found that annual precipitation was the main climatic factor affecting the forest coverage in this region， and the forest coverage rate would increase by 10% for every 100 mm increase of annual precipitation. The average annual temperature also had a significant impact on forest coverage. For every 1 ℃ increased in annual temperature， forest coverage would increase by 2.5%. In addition， policy factors were reflected in the policy effects of the national plan for desertification prevention and control （2005-2010） and the national plan for desertification prevention and control （2011-2020）， which can increase the forest coverage rate by 3.4% and 4.7% respectively compared with the base period.The study revealed the important effects of climate and policy factors on desertification reversal of Maowusu sandy land in China， which was of great significance and value to desertification management and related policymaking in China.

Key words Maowusu sandy land;Desertification;ANOVA;Dummy variables;Reverse factors

为了营造陕北防护林带，早期研究毛乌素荒漠化的人员开展了沙漠自然条件的实地调查并建立了部分实验站。研究者仅仅通过沙漠化程度差异发掘出人为因素的重要作用。此后大部分学者利用卫星遥感技术，从最开始的静态测量，转向更为丰富的动态研究。其中多数研究认为毛乌素沙地荒漠化处于逆转态势[1-2]。相应的跟踪研究同样也证明了从20世纪80年代到21世纪前10年，毛乌素沙地荒漠化逆转在总体上仍然呈现出良好的发展态势[3]。进一步的研究还利用地理信息系统技术，同时展示了毛乌素沙地荒漠化逆转发展的空间和时间变化趋势，以可视化的形式证明了荒漠化的结构性逆转[4-5]。在毛乌素沙地较早的气候变化研究中，基本得出了暖干化趋势的一致性结论[6-8]。据此，大部分学者都肯定了人为因素在荒漠化逆转中的重要作用，但只有少数研究者以土地利用方式、产业结构、政策因素等为影响因素，分析了植被覆蓋率等的相应变化[5]。进入21世纪后，全球气候发生了重大变化，有研究认为降水量与气温呈同步上升的趋势，其中降水量对于毛乌素荒漠化逆转起到了决定性作用，在研究中，响应变量常常使用植被覆盖率或森林覆盖率代表不同荒漠化程度[9-10]，并进行沙地荒漠化逆转的影响分析。

2.1.1 经济特征因素。

首先，对lngdp、lnprod、lnp_inc这3个变量进行探索性因子分析，由含平行分析的碎石图可见（如图2A所示）：第一，基于Kaiser-Harris准则来保留特征值大于1的公共因子，对应的探索性因子分析则应该选择一个公共因子;第二，基于碎石检验来保留在图形变化最大处之上的公共因子，对应的探索性因子分析在第二公共因子处出现拐角，因此应选择一个公共因子;第三，基于平行分析以一组随机数组的特征值平均值为标准选择大于该平均特征值的部分，对应的探索性因子分析同样应当取一个公共因子;此时进一步考虑方差贡献率因素，提取1个公共因子时的方差贡献率就已经达73%，但提取2个公共因子时的累计方差贡献率也仅为74%，且其中第1和第2公共因子的解释比率分别为99%和1%。

综合上述结果来看，lngdp、lnprod、lnp_inc这3个变量可以由1个公共因子进行解释，具体来说，提取1个未旋转公共因子时选择主轴迭代法，根据因子载荷矩阵中的方差解释度发现该公因子对3个变量的方差解释度超过了50%，可见此公共因子对于上述变量的解釋都较为平衡，进而将该均衡因子得分作为新增解释变量，即经济特征变量（fa_economy）。

2.1.2 自然环境因素。

对rain和temp这2个变量进行探索性因子分析，由碎石图可以看出（图2B）：第一，基于Kaiser-Harris准则来保留特征值大于1的公共因子，对应的探索性因子分析则应该选择一个公共因子;第二，基于碎石检验来保留在图形变化最大处之上的公共因子，对应的探索性因子分析在第二公共因子处出现拐角，因此应当选择一个公共因子;但考虑到方差贡献率因素，提取一个公共因子时的方差贡献率仅为27%。由于方差贡献率远低于50%的要求，说明该公共因子并不能较完整地代表2个原始变量，因此仍然保持使用rain和temp这2个变量，并代表自然环境因素。

为了进一步进行异方差性的检验，首先绘制残差图（图4），从图中可以看出随着被解释变量拟合值的变化，扰动项的方差并没有特别明显的变化，只存在稍微的递减趋势。因此，进一步使用怀特检验，结果如表5所示。在表5中P为0.005，说明应当强烈拒绝同方差的原假设，认为存在异方差。

另外，采用适用性更强的BP检验，因其将扰动项的正态分布假设削弱为独立同方差分布，但检验结果显示P为0.865，因此，应当接受同方差分布的原假设。这一结论与怀特检验产生分歧，但一般情况下，如果可能存在异方差分布，则应该使用稳健标准误，因为在异方差情况下仍然使用普通标准误会大大低估系数的真实标准差，从而导致错误的统计推断。因此，该文使用稳健标准误重新对模型C进行回归，结果如表6所示。从回归结果可以看出，通过稳健标准误进行回归，policy_1、policy2、rain与temp这4个解释变量在不同的显著性水平上均对f_ratio产生了正向效应，与普通标准误回归的差异几乎仅存在于它们的取值上。此外，模型的拟合优度为0.193，而在模型整体的F检验中，P也达到了0.000，说明该模型的整体适配度也较强。

3 结论

根据陕西省经济社会发展统计数据库、内蒙古自治区经济社会发展统计数据库、宁夏回族自治区经济社会发展统计数据库中2000—2015年的数据，对我国毛乌素沙地荒漠化逆转因素进行了分析研究，可以得到以下结论。

（1）根据初步描述性统计可以发现，2000—2015年我国毛乌素沙地的森林覆盖率保持上升趋势，意味着毛乌素沙地的荒漠化程度也呈现出逆转趋势。

（2）毛乌素沙地地区GDP的对数值、地区农林牧渔业总产值的对数值、农村牧区常驻居民人均可支配收入的对数值3个变量可以降维为一个经济特征因素，但方差分析与回归分析结果都证明该经济特征因素对于毛乌素沙地的荒漠化逆转不存在明显的作用。

（3）在自然环境因素中，年降水量和年均气温在0.01的显著性水平下对森林覆盖率产生正向作用。其中年降水量的系数意味着年降水量每增加100 mm，森林覆盖率将会增加10%;相应年均气温每增加1 ℃，森林覆盖率将会增加2.5%。这不仅再次验证了气温和降水增加对于毛乌素沙地荒漠化逆转有极大的推动作用，还能够对自然因素的影响程度进行量化分析。值得注意的是，虽然年降水量的系数很小，具体仅为0.001，但这是因为年降水量相对于其他变量，如年均气温的数据量纲更大，且其标准差为91.924，远远高于年均气温0.999的标准差，因此，可以发现系数相对较小的年降水量反而具有更大的效应，其对于毛乌素沙地荒漠化逆转具有决定性的作用。

（4）在政策因素中，policy_1和policy2两个虚拟变量分别在0.1和0.05的水平上显著。虚拟变量各自的系数意味着，相对于政策0状态，政策1和政策2在控制自然环境因素变量后，能够分别增加3.4%和4.7%的森林覆盖率。由此可见，相对于2000年，《全国防沙治沙规划（2005—2010）》和《全国防沙治沙规划（2011—2020）》两项规划的实施对于推动毛乌素沙地荒漠化逆转具有明显的正向作用，这也从定量化角度明确了政策因素对推进荒漠化全面逆转的重要程度。

（5）由于存在强烈的多重共线性问题，出于保留模型稳健性的考虑，该研究并未继续深入探讨政策因素与自然因素交互作用对森林覆盖率的作用方式，今后的研究可以基于此，探寻不同政策条件下，各种自然因素对于荒漠化逆转的影响效应的差异，并为后续的政策实施提供更具针对性和精准的建议。

参考文献

[1] 吴薇.近50年来毛乌素沙地的沙漠化过程研究[J].中国沙漠，2001，21（2）：164-169.

[2] 吴薇，王熙章，姚发芬.毛乌素沙地沙漠化的遥感监测[J].中国沙漠，1997，17（4）：83-88.

[3] 王玉華，杨景荣，丁勇，等.近年来毛乌素沙地土地覆被变化特征[J].水土保持通报，2008，28（6）：53-57，199.

[4] 赵媛媛，丁国栋，高广磊，等.毛乌素沙区沙漠化土地防治区划[J].中国沙漠，2017，37（4）：635-643.

[5] 闫峰，吴波.近40a毛乌素沙地荒漠化过程研究[J].干旱区地理，2013，36（6）：987-996.

[6] 徐小玲，延军平.毛乌素沙地的气候对全球气候变化的响应研究[J].干旱区资源与环境，2004，18（1）：135-139.

[7] 刘登伟，张月鸿.全球变化下毛乌素沙漠气候变化特征[J].干旱区资源与环境，2003，17（6）：78-81.

[8] 刘登伟，延军平，张月鸿.毛乌素沙漠区气候变化空间分布比较研究[J].资源科学，2003，25（6）：71-76.

[9] 柏菊，闫峰.2001年-2012年毛乌素沙地荒漠化过程及驱动力研究[J].南京师大学报（自然科学版），2016，39（1）：132-138.

[10] 王静璞，张晓凤，宗敏.21世纪初毛乌素沙地NDVI时空变化特征及影响因素[J].科技创新导报，2015（34）：160-161，163.

[11] 吴薇.毛乌素沙地沙漠化过程及其整治对策[J].中国生态农业学报，2001，9（3）：15-18.

[12] 郭坚，王涛，韩邦帅，等.近30a来毛乌素沙地及其周边地区沙漠化动态变化过程研究[J].中国沙漠，2008，28（6）：1017-1021.

[13] 包岩峰，杨柳，龙超，等.中国防沙治沙60年回顾与展望[J].中国水土保持科学，2018，16（2）：144-150.

[14] PODSAKOFF P M，MACKENZIE S B，LEE J Y，et al.Common method biases in behavioral research：A critical review of the literature and recommended remedies[J].Journal of applied psychology，2003，88（5）：879-903.

[15] KLINE R B.Principles and practice of structural equation modeling[M].New York：Guilford Press，2015.

[16] BYRNE B M.Structural equation modeling with AMOS：Basic concepts，applications，and programming[M].New York：Routledge，2016.

[17] HAIR J F，Jr，HULT G T M，RINGLE C，et al.A primer on partial least squares structural equation modeling（PLS-SEM）[M].Thousand Oaks，CA：Sage Publications，2016.

[18] 郭少阳，郑蝉金，陈彦垒.方差分析与回归分析的整合：虚拟变量与设计矩阵[J].统计与决策，2018，34（12）：25-28.

[19] 傅莺莺，田振坤，李裕梅.方差分析的回归解读与假设检验[J].统计与决策，2019，35（8）：77-80.

[20] 陈崇双，唐家银，何平.方差分析法的线性回归建模重构[J].统计与决策，2018，34（7）：71-75.

[21] ANDERSON J C，GERBING D W.Structural equation modeling in practice：A review and recommended twostep approach[J].Psychological bulletin，1988，103（3）：411-412.