主产区粮食生产时空格局及驱动因素

詹 晶，刘 滨

(南华大学 经济管理与法学学院，湖南 衡阳 421001)

改革开放以来，中国经济社会发生了天翻地覆的变化，但粮食安全在国民经济中的极端重要性始终不会变。国务院新闻办公室于2019年10月14日发布了《中国的粮食安全》白皮书，其中提到稳定和保证粮食生产在维护中国的粮食安全中占有举足轻重的地位。当今世界正处于“百年未有之大变局”，加之近期发生的全球性突发公共卫生事件在一定时期和程度上抑制了粮食生产，这使中国原本就处于粮食供求紧平衡的状态变得更加严峻。因此，不得不对粮食安全风险提高警觉，亟须厘清现阶段主产区粮食生产的时空格局和驱动因素，更好地发挥主产区作为中国粮食生产“压舱石”的重要战略作用。对于一个国家或者地区而言，粮食生产在很大程度上需要立足于当地的自然条件和资源禀赋，由于各地区的自然资源条件不尽相同，因此，在粮食生产能力方面可能会具有巨大的地区差异[1]。

1 文献回顾

目前，中外众多学者基于不同的时间维度和空间尺度，对粮食生产的时空演化，以及粮食生产的驱动因素等方面展开了详细的论述及探究。从时间维度来看，大部分学者都是利用1978年改革开放以后[2]或2001年中国加入世界贸易组织[3]之后的数据进行研究，长时间序列的研究相对而言显得较少；从空间尺度来看，研究的区域基本囊括了全国层面、流域层面、省级层面、市级层面等多种空间尺度；研究方法基本包括分段线性趋势法[4]、中介效应模型[5]、Cobb-Douglas生产函数[6]、主成分分析法[7]、多元回归模型[8]、门槛模型[9]、地理探测器[10]等多种方法。以上方法在研究过程中大多是建立全局模型[11]对整个区域进行研究，得出的结果往往会遗漏影响粮食生产的要素在空间上的分异性。

由于粮食主产区腹地辽阔，各省之间粮食生产的自然条件、社会经济条件都有较大的区别，仅采取全局分析显然会忽略粮食主产区内部的空间差异。因此，采取探索性空间数据分析(exploratory spatial data analysis，ESDA)和地理加权回归(geographically weighted regression，GWR)模型对粮食主产区粮食生产空间差异进行研究[12]，从而能够更加全面客观地揭示粮食主产区粮食生产的空间分布格局及区域发展差异，以期能够进一步提高对粮食主产区粮食生产时空格局演化趋势的认识，为加强粮食主产区粮食生产能力和提出针对有效的政策措施提供科学保障。

2 研究方法和数据来源

2.1 研究区域概况

粮食主产区是指拥有适宜种植粮食作物的地理、气候、土壤等自然条件，粮食产量高且种植比例大，能够在满足区内粮食消费之余还能大量外调商品粮的特定经济区。根据2003年财政部发布的《关于改革和完善农业综合开发若干政策措施的意见》，将粮食主产区界定为辽宁、吉林、河北、山东、内蒙古、江西、河南、湖北、湖南、四川、黑龙江、江苏和安徽共13个省、自治区。从粮食种植分布看，粮食种植大多分布在长江中下游区、东北区及黄淮海区；从自然地理条件看，粮食主产区内的13个省份大多处于中国的第三阶梯，地形以平原丘陵为主，气候温和湿润且降水丰富，水热条件好，有利于土壤有机物的储存和农作物的生长。粮食主产区是中国粮食生产的主要基地，对于保障我国的粮食安全、推动藏粮于地和藏粮于技、促进国民经济发展和保证农业在三大产业中的战略地位乃至全面建成小康社会都具有十分重要的作用。2001—2017年，粮食主产区的粮食产量(1)粮食主产区的粮食产量的计算方法为辽宁、吉林、河北、山东、内蒙古、江西、河南、湖北、湖南、四川、黑龙江、江苏和安徽共13省粮食产量的加总。占全国粮食产量的比重为70.83%～78.81%，平均占比为73.15%；2017年粮食主产区的粮食产量为6.62亿t，占全国粮食产量的比重高达78.81%。

2.2 研究方法

2.2.1 空间自相关分析

空间自相关分析分为全局分析及局部分析，常见的统计量有Moran’sI指数和Geary指数。Geary指数中的距离权重只能考虑是否相邻且未能进行行标准化，而Moran’sI指数能够利用不同距离表达的行标准化权重矩阵。对于本文的研究对象即粮食产量而言，其空间分异效应并不仅仅涉及元素之间相邻与否，更多的是一种平滑的空间演化关系。因此，本文主要利用Moran’sI指数测算2001—2017年粮食主产区粮食产量空间分异程度。

1)全局Moran’sI指数。空间自相关表现为某因素在研究区域与其邻近区域的相似程度，而全局空间自相关能够描述研究区域整体是否存在空间集聚效应。全局Moran’sI指数计算公式为

(1)

2)局部Moran’sI指数。局部空间自相关能够用于探究研究因素是否存在相似值或相异值的局部聚集现象，局部Moran’sI指数计算公式为

(2)

若局部Moran’sI指数为正，则说明区域i和其邻近区域均为高值区或均为低值区；若局部Moran’sI指数为负，则说明区域i和其邻近区域存在相异值的集聚现象。

现利用全局空间自相关方法分析整个粮食主产区中粮食产量的空间相关程度，再运用局部空间自相关方法分析粮食产量在粮食主产区内各省之间的空间集聚特征，以期能够发现其内在关联及演变规律。

2.2.2 地理加权回归模型

地理加权回归模型常用来研究空间异质性问题[14]，由于该模型在经典线性模型中添加了地理位置因素进行加权，因此，它允许模型参数在空间上有所差异，即处于不同位置的变量参数将不会是固定的常数βk，而会随地理位置的变化而变化，其模型表达式为

(3)

式中：(ui,vi)为第i个位置的空间坐标；βk(ui,vi)为第k个变量的第i个位置的回归系数。

地理加权回归模型中利用空间权重矩阵来量化两个位置之间的距离关系，常见的空间权重函数有高斯核函数法、距离阈值法、k近邻和函数法和二次核函数法。带宽的设定是地理加权回归模型中的核心问题[15]，带宽常见的设定方法有固定距离法和自适应法，本文采用固定距离法以生成更加平滑的核表面。确定带宽的方法主要有交叉验证法(cross validation，CV)和最小信息准测法(akaike information criterion，AIC)。由于CV法能够在一定程度上减小过度拟合，还能够在有限的数据中获取尽可能多的有效信息，因此，采取CV法确定带宽的选择。

2.3 数据来源

以2001—2017年粮食主产区的13个省份作为研究对象。其中，第一产业从业人员数、各省总人口数、农业总产值、粮食产量均来自《中国统计年鉴》；有效灌溉面积、人均粮食产量、粮食单位面积产量、粮食播种面积、农作物总播种面积、农林牧渔业总产值、农作物受灾面积、农用化肥施用量、农业机械总动力、农村用电量均来自《中国农村统计年鉴》，数据完整度为99.26%；由于粮食主产区人均粮食产量数据无法直接获得，需根据其他指标计算得出，计算公式为：粮食主产区人均粮食产量=粮食主产区粮食总产量/粮食主产区总人口数。对于其他个别缺失数据采用插值法补齐。

3 粮食主产区粮食生产时空格局演化

3.1 粮食生产全局空间自相关分析

地理学第一定律揭示了位置相距越远的事物或区域之间具有越弱的相关性的规律，而对经济距离取倒数恰好能够反映出区域间的相关性随着经济距离逐步衰减的关系[16]。本文从前人的研究中得到启发，由于一般的经济距离权重矩阵是采用两地区的GDP之间差额的绝对值的倒数作为权重，但本节的主要研究内容是粮食主产区粮食产量的空间自相关分析，经济距离矩阵的概念未免显得过于宽泛且无法准确衡量粮食主产区内各区域粮食产量的相关性[17]，因此，类比经济距离权重矩阵构建出农业产值距离权重矩阵W，矩阵元素Wij=1/Dij，当i=j时，Wij=0，其中，D为两省间当年农业总产值差额的绝对值。根据全局Moran’ sI指数公式，运用Stata 15.1软件计算2001—2017年粮食主产区粮食产量的全局Moran’ sI指数，见表1。为了更好地阐述粮食主产区粮食产量的全局Moran’ sI指数的变化趋势，将其进行可视化表达(图1)。

表1 2001—2017年粮食主产区粮食产量的全局Moran’s I指数

图1 2001—2017年粮食主产区粮食产量的全局Moran’s I指数变化趋势

由表1可知，粮食主产区粮食产量的全局Moran’sI指数具有明显的阶段性特征。首先从总体上看，绝大多数年份的全局Moran’ sI指数为正，且有8个年份通过了5%及以上水平的显著性检验，占47%，有11个年份通过了10%及以上水平的显著性检验，占65%，说明粮食主产区粮食产量在2001—2017年表现出一定的空间集聚特征。其次；从具体来看，2001—2017年粮食主产区粮食产量的全局Moran’ sI指数呈现出阶段性的特征，其中，2001年粮食主产区粮食产量的全局Moran’ sI指数达到最高，为0.319，2015年粮食主产区粮食产量的全局Moran’ sI指数达到最低，为-0.064。2001—2017年粮食主产区粮食产量的全局Moran’ sI指数变化可大致分为3个阶段：第1阶段从2001年的0.319持续下降到2004年的0.046，第2阶段从2004年的0.046持续上升至2007年的0.291，第3阶段从2007年的0.291波动下降到2017年的0.014。因此，可以看出2001—2017年粮食主产区粮食产量从一开始呈现出明显的空间集聚而后逐渐呈现出随机分布的态势。这其中的缘由，或许是因为近年来中国深入推进“藏粮于地、藏粮于技”战略，从而使得粮食主产区粮食产量呈现一种随机分散的趋势。从“藏粮于地”来说，粮食主产区作为中国粮食生产的重要战略区域，其粮食产量在很大程度上反映了中国的粮食安全水平。因此，为了实现“藏粮于地”的战略目标，必须充分利用粮食主产区内广阔且优质的土地资源，在保持合理程度的土地利用前提下尽可能地扩大粮食主产区内的粮食播种面积；从“藏粮于技”来说，中国一直重视科技发展，农业技术也不例外。随着近年来粮食安全越来越受到重视，农业技术不断推陈出新，由技术产生的正的外溢性也逐步得到显现，这一点可以体现在粮食主产区内各省的粮食单产呈现着共同增长的态势。但农业技术投入所产生的成果又具有一定的外部时滞性，从而使粮食主产区粮食产量的全局Moran’ sI指数总体呈现一种波动下降的趋势，粮食产量分布的随机性是随着时间推移而逐步显现的，而非一蹴而就。

3.2 粮食生产局部空间自相关分析

全局空间自相关方法能够揭示整个粮食主产区粮食产量的空间集聚特征，但无法反映出粮食主产区内各区域与其相邻区域粮食产量之间的相关性。因此，利用Stata 15.1软件计算粮食主产区内各区域的局部Moran’ sI指数。为了能够显著地表达粮食主产区内各区域粮食产量局部相关性的演变趋势，在充分借鉴前人的研究基础上采用等距法进行研究，以2001年为基期，4年为间隔抽取相关年份，演化结果见表2。

表2 粮食主产区粮食产量的LISA聚集结果

由表2可知，粮食主产区粮食产量的空间集聚类型主要为H-H(高-高)集聚和L-L(低-低)集聚。其中，2001年粮食主产区内粮食产量的空间分异格局较为明显，区域自身和邻近区域的粮食产量都较高的区域(H-H)主要集中在河南、山东和江苏一带，其周边的省份为河北、湖北和安徽；这些区域的自然气候条件优越、雨热同期、土壤肥沃且有长期的耕作历史，是中国重要的商品粮生产基地。区域自身和邻近区域的粮食产量都较低的区域(L-L)主要集中在内蒙古和江西两省，其中，内蒙古及邻近省份处于中国半干旱地区和干旱地区的过渡地带，自然条件较差，土地较为贫瘠且水土流失较为严重，耕作方式以粗放型农业为主。江西一带尽管坐拥着富饶的鄱阳湖平原，但由于其北部多山、耕地高低不平且较为分散，难以大规模使用机械化生产，且江西大面积种植的果树在一定程度上也会挤占有限的耕地资源，因此，内蒙古和江西两省均表现为L-L集聚的空间特征。2005年、2009年至2013年，粮食主产区内各区域的空间集聚效应呈现明显下降的趋势，到2017年只剩下山东省为H-H集聚的区域。值得关注的是，粮食主产区内新出现了区域自身粮食产量较高但邻近区域粮食产量较低的区域(H-L)黑龙江省，由于黑龙江省地处中国东北平原，坐拥着极其肥沃的黑土，由于自身的自然气候条件对于粮食生产来说较为恶劣，在早期农业科技投入不高的条件下，导致黑龙江省的粮食产量并不高，但随着近年来科学技术的不断发展，如温室大棚和机械化种植、施肥技术，使得黑龙江省的粮食产量在2011年首次超越河南省后一直居于全国首位。从总体来看，2001年以来H-H类型和L-L类型的省份数量呈明显减少的趋势，由此可见，粮食主产区内粮食产量的两极效应正在逐渐减弱，各区域的粮食产量朝着均衡发展的方向迈进。

4 粮食主产区粮食生产驱动因素的空间异质性

4.1 粮食生产驱动因素地理加权回归分析

通过空间自相关分析可以发现，粮食主产区粮食产量存在着一定程度的空间分异。由于普通最小二乘法为全局回归的研究方法，其经典线性回归模型的估计结果在此时可能不够准确。因此，采用地理加权回归模型对经典线性回归模型进行空间异质性的修正，建立2001年和2017年粮食主产区粮食产量的GWR模型。为了获取更加平滑的核表面，采取固定距离法选择带宽，通过交叉验证法来决定最优带宽。

根据演化经济地理理论[18]，选取6类投入指标，即劳动力投入、土地投入、动力投入、电力投入、水资源投入和化肥投入。基于数据的可获得性和完整性原则，在劳动力投入方面选取种粮人口表示；在土地投入方面选取粮食播种面积表示；在动力投入方面选取农业机械总动力表示；在电力投入方面选取农村用电量表示；在水资源投入方面选取有效灌溉面积表示；在化肥投入方面选取农用化肥施用量表示。由于GWR模型是对OLS经典线性回归模型的加权修正，因此有必要采取逐步回归法剔除多重共线性并且采用稳健异方差标准误对待选变量进行筛选。2001年及2017年以粮食产量为因变量所建立的GWR模型中，最终通过探索性回归筛选出用于建模的4个自变量，分别为粮食播种面积α1、农用化肥施用量α2、种粮人数α3及农作物受灾面积α4。由于以上部分解释变量为农业统计口径数据，参考前人的研究采用权重系数将粮食因素从农业因素中剥离，权重系数W1=粮食播种面积/农作物总播种面积，W2=(农业总产值/农林牧渔业总产值)×W1。最终，被解释变量依旧为粮食产量，种粮人数采用第一产业从业人员数乘以W2表示，农用化肥施用量和农作物受灾面积乘以W1表示。2001年和2017年GWR模型结果见表3。

表3 2001年和2017年GWR模型结果

4.2 粮食生产驱动因素空间异质性探析

4.2.1 2001年粮食生产驱动因素的空间异质性

从2001年GWR局部系数分布图(图2)可知，粮食播种面积、农用化肥施用量、种粮人数和农作物受灾面积在各省的边际作用均有所差异，说明各解释变量对粮食产量的影响程度存在空间异质性。粮食播种面积、农用化肥施用量和种粮人数在各省的回归系数值均为正数，说明在粮食生产过程中投入这3种要素会对粮食产量带来积极的影响。农作物受灾面积在各省的回归系数值均为负数，说明农作物受灾会对粮食生产带来一定程度的挫伤，符合基本的经济学原理。

由图2可知，种粮人数的系数波动最为明显，种粮人数对粮食产量的影响程度最大的地区在四川、湖北、湖南、江西一带，并以此为辐射点向东北地区逐渐减小，这主要是由于中西部地区长期以来精耕细作的耕种传统所造成的，该地区的土地相对东北地区而言较为零碎，种粮劳动力资源相对于东北地区而言较为丰富，因此会更倾向于选择投入种粮人数来提升当地的粮食产量。与此不同的是，东北地区的土地连片开阔，种粮人数相对中西部地区较少，且种粮的机械化程度相对中西部地区而言较高，对于相对固定的机械设备而言，每多投入一单位的种粮人数所带来的粮食产量的增益并不明显，因此就产生了种粮人数在中西部地区对粮食产量的边际作用更为显著的结果。

图2 2001年GWR局部系数分布图

4.2.2 2017年粮食生产驱动因素的空间异质性

从2017年GWR局部系数分布图(图3)可知，各种投入要素对粮食产量的影响程度均有所变化，粮食播种面积、农用化肥施用量、种粮人数和农作物受灾面积在各省边际作用的差异较2001年而言明显缩小，说明各解释变量对粮食产量的影响程度虽存在空间异质性但程度不强，这个结果与2017年粮食主产区的全局Moran’ sI指数为0.014是相符合的。其中，粮食播种面积、农用化肥施用量在各省的回归系数值均为正数，说明在粮食生产过程中投入这2种要素依旧会对粮食产量带来积极的影响。种粮人数和农作物受灾面积在各省的回归系数值均为负数，说明这2种要素会对粮食生产带来一定程度的挫伤，农作物受灾会对粮食产量带来负面影响是明显符合基本的经济学原理的，但种粮人数在2001年的回归系数呈现正数特征却在2017年呈现负数特征，从基本的经济学常识来考虑此结果是不可接受的，所以，需要在此特地对种粮人数的回归系数为负作出详细解释。原因如下：

图3 2017年GWR局部系数分布图

2001年种粮人数的回归系数为正表明当时种粮人数和粮食产量之间的正向分布关系，即粮食产量越高的地区其投入的种粮人数也越多，而2017年种粮人数和粮食产量之间的关系则完全转变为负向分布关系，即粮食产量越高的地区其投入的种粮人数是越少的。这乍一看似乎不符合基本的经济学原理，但其深层次的原因正是来自劳动力要素投入的边际报酬递减规律，以及机械化程度提高或技术进步所带来的规模报酬。因此，在2001年农业整体的机械化投入程度并不高的情况下，通过加大种粮人数的投入力度能够带来一定程度的粮食产量的增加，但随着中国农业生产的机械化程度不断提高和农业技术不断改进，到了2017年，单纯地通过累加种粮人数已经远远赶不上机械种植所带来的粮食产量的增益，从而出现了2017年种粮人数回归系数呈现负数的情况。

由图3可知，种粮人数对粮食产量的影响程度最大的地区是东北平原，并以此为辐射点向西南方向逐渐减小，此时的种粮人数已然进入了边际报酬递减阶段。这主要是因为东北地区的机械化程度要远高于中西部地区，在中西部地区长期精耕细作的耕作传统下，其机械化程度较东北地区而言相对较小，种粮人数对机械带来的挤占效应则没有东北地区大，从而在东北地区每多投入一单位种粮人数所牺牲的由机械化种植带来的粮食产量则会越多，最终呈现出种粮人数对粮食产量所带来的消极效应在东北地区要比中西部地区大的结果。

5 结论与建议

5.1 研究结论

利用2001—2017年粮食主产区共13个省份的粮食生产数据进行了粮食产量的时空格局演化和驱动因素的空间异质性研究，得出以下结论：

首先，通过全局空间自相关分析可知，2001—2017年粮食主产区粮食产量呈现出一定的空间分异格局，且空间集聚效应随着时间的推移而逐渐减弱。根据局部空间自相关分析的结果可知，2001—2017年粮食产量处于H-H和L-L地区的省份较多，处于H-L和L-H的省份较少。

其次，由空间自相关分析得出粮食主产区粮食产量具有一定的空间分异，仅采用经典的OLS线性模型估计变量参数将会产生较大的偏误，于是采取地理加权的方式建立地理加权回归模型(GWR)，能够较合理地估计各因素对粮食主产区粮食产量的驱动差异，研究结果显示：

1)2001年各投入要素对粮食产量的边际作用的空间异质性较明显，其中，粮食播种面积、农用化肥施用量和种粮人数在各省的回归系数值均为正数，说明以上要素在当时会对当地粮食生产水平带来积极影响，且粮食播种面积和农用化肥使用量主要影响东北地区，种粮人数主要影响中西部地区。农作物受灾面积在各省的回归系数值均为负值，说明农作物受灾会对粮食生产带来一定程度的挫伤，且主要影响地区在四川、山东及江苏。

2)2017年各投入要素在各省边际作用的空间异质性较2001年而言明显缩小，其中，粮食播种面积、农用化肥施用量在各省的回归系数值均为正数，说明以上要素在现阶段依旧会对粮食生产带来积极影响，且主要影响地区分别为四川和东北平原。值得注意的是，种粮人数对粮食产量的边际作用由正转负，出现了较大反转，主要影响东北地区。农作物受灾面积依旧对粮食生产水平带来负面影响，但主要影响的地区由中西部地区转变为东北地区。

5.2 对策建议

针对以上结论，根据2001年和2017年粮食播种面积、农用化肥施用量、种粮人数和农作物受灾面积对粮食主产区粮食产量的驱动作用存在空间异质性特征，提出以下建议：

1)鉴于粮食主产区在中国粮食生产中的战略性地位，粮食生产水平对于中国粮食安全具有举足轻重的影响。研究结论显示粮食单产的提升是推动粮食主产区粮食产量的主要推动力。因此，必须以实施乡村振兴战略为总抓手，进一步加强对粮食主产区各省粮食生产的政策扶持力度，着力提升粮食主产区整体的粮食单产水平。另外，根据2019年12月6日国家统计局公布的全国粮食生产数据显示，我国粮食播种面积稳中有降，粮食单产水平进一步提高。由此可以看出，耕地面积作为一个国家或地区的自然禀赋，其总量相对而言有明显限度，若依靠一味地扩张粮食播种面积来提升粮食产量，从长远来看，并非是一个长久的选择。但粮食播种面积在粮食生产过程中是必不可少的，因此，必须在2020年《中央一号文件》的指导下，粮食播种面积和产量要保持基本稳定，将重点放在提高粮食单产水平方面，从而为中国粮食安全提供产能保障。

2)粮食播种面积在2001年和2017年均与粮食产量呈现正向关系，对于粮食产量的正向驱动作用在2001年表现为显著的空间异质性特征，但在2017年则基本表现为空间同质性特征，说明依靠扩张粮食播种面积来提升粮食产量在粮食主产区内所带来的驱动作用大体相同。因此，在现阶段需要从整体上保护粮食主产区内的耕地资源，坚守18亿亩耕地红线，特别是要建设划定15.46亿亩永久基本农田。对于粮食主产区内被工业化、城镇化建设所占用的耕地资源，要采取“占优补优、占水田补水田”的原则进行补充，结合国家粮食消费安全需要等多方面考虑严格制定耕地保护政策及法规，为中国粮食安全提供耕地资源保障。

3)种粮人数对粮食产量的驱动作用由2001年的正向影响转变为2017年的负向影响，主要影响地区由中西部地区转变为东北地区。根据前文所述，这是由于劳动力的边际报酬递减和科技进步的规模报酬共同作用的结果，因此，在现阶段应加大农村公共基础设施建设力度，加快推进农业机械化和农机装备产业转型升级，深化改革农村土地流转制度以推进土地连片化，进而促使物联网、大数据、人工智能、遥感监测、无人机等技术在粮食生产方面的应用，从而进一步提高农业机械化程度，最终达到提升粮食生产效率以保障粮食安全的目的。

5.3 研究局限与未来展望

本文是基于粮食主产区13省粮食产量的两个年份的横截面数据进行的GWR的局部估计。

1)由于研究的年份较少，且回归模型仅限于横截面数据，得出的结果可能会具有一定程度的偶然性，接下来将进一步探讨如何把时间维度纳入GWR模型，从而能够处理面板数据，达到能够探究粮食产量时空异质性的目的。

2)在选取的解释变量中，出于对数据的完整性和可获得性的综合考虑，选取自然资源的要素较多，选择社会经济要素较少，从长远来看，今后中国的粮食生产不仅仅与自然禀赋高度相关，且会进一步地与社会经济因素密切联系，因此，在今后的研究中需要考虑纳入更多的社会经济因素来提高整体模型的可靠性和科学性。

3)研究区域为粮食主产区，地域辽阔，各省之间的粮食产量具有一定的空间分异，但各省的内部或许也存在着空间分异特征。接下来将进一步探讨省级单元的粮食生产的分异规律，以期能够为中国区域层面和省域层面的粮食生产提供决策建议，进而能够从统筹全局、兼顾局部的出发点为中国粮食安全提供科学保障。