基于空间计量分析安徽省冬小麦灾损风险的时空分布

徐 慧, 陈金华, 黄 进, 张方敏

(1.南京市生态环境保护科学研究院, 南京 210013; 2.安徽省农村综合经济信息中心(安徽省农业气象中心), 合肥 230031; 3.南京信息工程大学 应用气象学院, 南京210044)

我国地处气象灾害多发的东亚季风区，由于农业抗灾基础设施较薄弱，每年农业受灾面积高达5 000～5 500万hm2，占农作物总播面积的30%～35%，气候要素已成为影响农作物稳产高产的重要因素[1]。因此，精准评估气候异常和极端灾害事件对农业生产风险的影响得到了我国学者的高度重视。与常规的“四因子”灾害风险评估法所需的繁复数据相比，通过作物单产分离出的气候减产率能够准确、高效、快捷地对气候异常导致的灾损风险进行区划[2]。相关学者运用该指标完成了对我国不同省份水稻、玉米等农作物灾损风险的有效评估[2-5]。但这些研究往往关注作物灾损风险值的空间分布，对灾损风险的空间聚集、重心迁移、演变特征等时空动态特征的探求还寥寥无几。因此，基于气候减产率挖掘作物灾损风险的年代际波动特征，进而构建灾损风险的时空演变格局值得我们深入尝试。

冬小麦是安徽省主要粮食作物，种植面积达到200万hm2，约占全省耕地面积的一半，其总产量居全国第四位[6]。安徽地处我国南北气候过渡带，天气形势复杂多变，强降水、持续干旱、连阴雨等农业气象灾害时有发生，对冬小麦的种植带来了较为不利的影响[5]。鉴于此，本文拟以安徽省74个区县冬小麦1973—2014年的单产序列为基础，采用气候产量原理分离出气候减产率，进而运用空间计量分析以及气候诊断方法研究冬小麦灾损风险的时空分布特征。这对气候变化背景下宏观调控研究区冬小麦防灾减灾以及保障区域粮食安全有着重要意义。

1 研究方法

1.1 数据

依托安徽省统计年鉴、安徽省农村经济统计年鉴等资料汇总整理了74个区县(图1)1973—2014年冬小麦单产数据。此外，国家统计网农作物资料数据集提供了全省尺度下安徽省1973—2014年3种关键农业生产力指标I1：有效灌溉率(%)；I2：单位面积农用化肥施用量(万t/千hm2)；I3：单位面积投入农业机械动力(万kW/千hm2)的相关记录。

1.2 冬小麦气候减产率的计算

冬小麦的气候产量(Climate-driven yield,Yc)由公式(1)计算：

Yc=100 ×(Y/Yt-1)

(1)

式中：Y为实际冬小麦单产；Yt为农业生产力驱动的趋势产量，其为单产与年份基于线性及非线性方法拟合的结果[7]。

图1 安徽省73个冬小麦种植区县的空间分布

理论上Yt应与农业生产力的发展趋势高度吻合，客观的拟合Yt有利于准确的反映Yc的逐年波动[8]。由于社会经济发展过程较为相近，理论上同一省份内各地趋势产量的提取可以采用相同的方法[9]。因此，本研究进行如下筛选：(1) 采用线性回归(S1)、五年滑动平均(S2)、Logistic曲线(S3)、HP滤波(S4)、二次函数(S5)5种常用方法提取73个区县的冬小麦趋势产量序列；(2) 对各区县的趋势产量求平均，进而得到对应5种方法的区域趋势产量序列(TY1，TY2，TY3，TY4，TY5)；(3) 以I1，I2，I3这3个驱动粮食作物增产的生产力指标为自变量，TY为因变量，分别构建5组多元线性方程，其回归决定系数分别为0.954，0.990，0.967，0.992，0.996。由此可见TY5与生产力指标的线性关系最为显著，这表明利用S5提取的趋势产量与实际生产力发展进程更为一致。基于二次函数拟合提取了各区县1973—2014年的冬小麦yc序列。将yc序列中的正值赋值为0，负值取绝对值，由此构建出各区县冬小麦气候减产率(Climate-driven yield reduction rate, CDYRR)的逐年序列。CDYRR大于0的年份定义为成灾年，计算某一时期内成灾年份CDYRR的平均值，得到相应的平均减产率，进而可以表征冬小麦灾损风险的高低。

1.3 莫兰指数

莫兰指数(Morlan′sI)分析也称空间自相关分析，通常用来测度研究对象属性值在空间上是否存在集聚特性。Morlan′sI介于[-1～1]之间，绝对值越大则表明自相关性越强，若Morlan′sI为负值表示空间单元趋于分散分布；Morlan′sI为正值则表示出现规模集聚效应；当Morlan′sI=0时表示空间上呈随机分布[10]。计算公式如下：

(2)

式中:n为区县个数;xi和xj分别为区县i和区县j的多年平均CDYRR;ωij为空间权重矩阵;y为各区县CDYRR的平均值。

1.4 重心迁移模型

区域发展过程中某地理要素的加权平均中心往往称为重心，重心迁移模型则客观地反映了区域要素空间分布的集聚和位移规律[11]。本文中冬小麦灾损重心的空间坐标由公式(3)计算。

(3)

式中:X,Y为重心坐标;xi，yi分别为第i个区县的经、纬度坐标;CDYRRi为第i个区县的某一年的气候减产率。

1.5 时序特征分析

采用Mann-Kendall非参数趋势检验及突变检验、Hurst指数(H)、集合经验模态分析(Ensemble Empirical Mode Decomposition, EEMD)对相关气候指标的变化趋势、突变情形、长程持续性、振荡周期性等时序特征进行了诊断分析。

2 结果与分析

2.1 冬小麦灾损风险的空间分布特征

图2A为安徽省1973—2014年平均气候减产率的空间分布。就整个研究期而言，安徽省冬小麦灾损风险的分布具有明显的地域性，其高值区域主要分布在安徽省北部，特别是沿淮地区。相比较，淮河以南大部分区域的灾损风险较低。图2B为安徽省1973—2014年气候减产率变异系数的空间分布，与图2A相类似，可以发现沿淮地区及东北部减产率的年际波动较强。当整个研究期划分为4个时段时，图3中冬小麦年均减产率的空间分布呈现出显著的年代际差异。1973—1979年，冬小麦的灾损风险的高值区域主要为沿淮地区的中东部以及江南地区；1980—1989年，冬小麦的灾损风险的高值区域主要为安徽省西北部以及西南部；1990—1999年，冬小麦的灾损风险的高值区域主要为沿淮地区的中西部；2000—2014年，冬小麦的灾损风险的高值区域主要为沿淮地区以及安徽省的东南部。由图3中不同年代平均减产率的极值来看，1990—1999年安徽省冬小麦灾损风险较高，而1980—1989年的灾损风险较低。这与安徽省近40 a气象灾害年景的年代际变化相吻合，其中1991年、1998年全省遭遇严重的雨涝灾害，造成了小麦产量严重减产[12-13]。

图2 1973-2014年安徽省冬小麦平均气候减产率及变异系数的空间分布

图3 安徽省不同年代气候减产率与灾损重心的空间分布

对安徽省冬小麦平均减产率进行空间自相关分析，得到1973—1979年、1980—1989年、1990—1999年、2000—2014年共4个时段减产率的莫兰指数(图4)。可以发现各年代的Morlan′sI均大于0，表明安徽省冬小麦灾损风险具有一定的空间聚集性，即风险高(低)的区县，其周边区县的灾损风险也较高(低)。Morlan′sI在不同年代表现出一定的波动性。其中1990—1999年平均减产率的Morlan′I最高，达到了0.430，表明了该时段冬小麦灾损风险的空间聚集效应较强。这与图3C相吻合，灾损风险的热点主要集中在沿淮地区，并分别向北部和南部减弱。而1980—1989年、2000—2014年平均减产率的Morlan′sI分别仅为0.120，0.110，表明了灾损风险空间分布的破碎化程度较高，这与图3B和3D中出现了多处风险热点相吻合。

2.2 冬小麦灾损重心的时空演变特征

1973—1979年、1990—1999年灾损风险重心主要在沿淮地区的中部进行小幅的南北浮动。与之不同、1980—1989年、2000—2014年灾损风险重心的迁移幅度较大，重心由北向南在淮北地区、江淮地区、江南地区等区域均有所分布。图5为重心经纬度的年际变化序列及其时序诊断结果。

由图中M-K突变检验的UF/UB曲线所示，灾损重心经度的年际变化未发生明显的突变，而灾损重心纬度则在2001年发生了突变，此后纬度呈现出较显著的减小趋势。由图中M-K趋势检验的Z值所示，灾损重心的经度呈现出增大趋势，但未通过0.05显著性水平的检验；而灾损重心的纬度则呈现出减小趋势，且通过0.01显著性水平的检验。由图中Hurst指数(H)所示，灾损重心经度的逐年序列呈现出较弱的持续性，而经度的逐年序列则表现出较强的时序长程依赖性，即未来的短期变化与过去的变化趋势相一致。由此可见，1973—2014年冬小麦灾损重心向安徽省南部移动的趋势较为显著，未来江南地区可能是高灾损风险区域。

图5 灾损重心经纬度逐年序列的M-K检验及Hurst指数

图6给出了灾损重心经纬度年际变化序列的EEMD分析结果，其中1973—2014年经纬度的逐年序列均可分解成1个Trend项和4个IMF项(有限本征模函数，Intrinsic Mode Function)。由图6A可示，灾损重心经度的逐年变化呈现出以2.6 a为主周期的高频短期振荡，体现在其IMF1分量的方差贡献率达到了42.7%，所占比重远高于其他分量。由图6A中IMF1，IMF2，IMF3的演变过程可以发现，重心经度的年代际波动在2000年前呈现出较大幅度的振荡，而2000年后波动的振幅明显较小。与图6A不同，图6B中重心纬度的IMF1，IMF2，IMF3分量的方差贡献率均未超过17%，而Trend项的贡献率达到了43.1%。这表明了灾损重心纬度呈现出显著减小的演变趋势，而其年代际波动不是很明显。

图6 灾损重心经度(A)和纬度(B)逐年序列的EEMD分解

2.3 冬小麦灾损风险变化趋势的空间分布

基于M-K趋势检验，图7A给出了各区县冬小麦减产率逐年序列Z值的空间分布。安徽省中部及北部大部分地区的冬小麦灾损风险呈现出下降趋势，特别是淮北中东部地区的下降趋势通过了0.1显著性水平的检验。反观安徽省南部，特别是江南地区，冬小麦灾损风险呈现出上升趋势，但并没有通过0.1显著性水平的检验。图7B中全省绝大部分地区冬小麦减产率的H值均超过0.5。其中安徽省中部及西北部的H值略低，介于0.5～0.6之间，而淮北的东北部及江南大部分地区的H值超过了0.6。这表明冬小麦气候减产率的年际演变表现出较强的持续性，未来短期内江南地区冬小麦灾损风险将会持续增加。

图7 1973-2014年安徽省冬小麦气候减产率变化趋势及H值的空间分布

3 结 论

(1) 基于安徽省74个区县的冬小麦1973—2014年的单产数据，通过提取不同时期的平均气候减产率，可以发现冬小麦灾损风险的空间分布呈现出明显的年代际变化。总体而言，冬小麦高风险区域主要集中在安徽省北部特别是沿淮地区，而广大江南地区的灾损风险相对较低。这与安徽省冬小麦干旱等气象灾害脆弱性评价结果相吻合[14]。沿淮地区地处暖温带气候与北亚热带气候的过渡区，为全省降水年际变异最大的区域，其水资源时空分布不均，而土壤蓄水保墒能力较差，且农业经济水平和抗灾减灾能力较落后，因而灾损风险较高[15-17]。而江南地区降水充沛，土壤肥沃，栽培技术及机械化水平程度较高，因此其冬小麦灾损风险较低[5]。

(2) 重心迁移模型表明安徽省冬小麦灾损重心有着显著的南移趋势。这与M-K趋势检验的结果相一致，安徽省北部，特别是淮北地区中东部的灾损风险呈现出显著的减弱趋势，而广大江南地区则呈现出一定的增强趋势。水分亏缺是安徽省北部地区冬小麦种植的主要不利因素，2000年以来该区域降水较其他时期偏多，从而降低了农业干旱对小麦生长的不利影响[18-19]。而降水偏多引发雨涝、湿渍、阴雨寡照是影响南部地区冬小麦生长的主要气象灾害，近十几年来该区域极端降水事件强度及频次的增加使得冬小麦种植风险有所提高[20-21]。因此，安徽省冬小麦气候灾损风险的时空演变呈现出显著的南北区域差异，这一时空格局应引起我们的高度重视。