中国大豆时空演变特征及其影响因素分析

余银, 唐华仓, 花俊国, 张旭, 张美霞

(1.河南农业大学经济与管理学院,河南 郑州 450046;2.天津商业大学经济学院,天津 300134)

大豆是中国粮食安全战略中最为脆弱的一环[1]。一方面,源于世界大豆生产格局的变化,中国从大豆净出口国转变为大豆净进口国,进口量从1996年的100万t增加到2020年的1亿t[2],创造了历史新高[3]。在新冠疫情和中美贸易摩擦的双重冲击下,中国长期以来对大豆进口依赖可能面临价格进一步波动的风险[4]。另一方面,国产大豆市场活力较弱,随着大豆产需缺口的持续扩大,自给率不断下降[5]、豆农种植的积极性不高、种植收益不能得到完全实现[6]等问题日益显现。因此,探讨大豆地理集聚格局的时空特征及其影响因素,对大豆区域优化布局和大豆粮食安全保障具有重要意义。

随着针对大豆生产布局的讨论不断深入,已有文献研究主要涉及大豆地理集聚格局演化的测度方法和影响因素分析两个层面。从测度方法看,基尼系数、变异系数、重心迁移、产业集中度、探索性空间数据分析等是研究大豆时空分布特征的主要工具。杨幸雨等[7]综合运用多种空间测度方法,通过大豆产量、单产和种植面积等指标对大豆种植的地理集聚格局进行评估,认为美国大豆生产具有显著的空间集聚特征。也有研究通过探索性空间数据分析发现,中国大豆种植效率比较优势、种植规模比较优势存在空间依赖性,其中大豆种植效率比较优势的空间集聚呈现不断减弱的过程[8]。与探索性空间数据分析不同,前沿的空间面板数据模型可以对大豆生产布局驱动因素进行定量分析,检验空间因素是否会显著地影响生产布局的演变。陈雨生等[9]采用空间分析探讨大豆生产格局影响因素的作用方向和程度;DASILVA等[10]建立空间杜宾误差模型探究社会、经济和环境因素对全球重要大豆产区巴西马托格罗索州市镇大豆生产布局的影响。从影响因素分析看,在大豆地理集聚格局演变的过程中,其生产布局的形成必然受到资源、经济、市场、技术、政策等因素的综合影响[10-11]。首先,立地条件影响大豆产量水平的提升[12],其生产布局整体上依赖自然资源禀赋和地理区位[13]。水资源、土壤肥力等自然资源对大豆的生产布局产生作用[14],而交通运输能力可通过调控生产成本从而决定大豆的空间分布[15]。其次,农业政策效果的差异化使大豆生产呈现区域化分布。政府通过农业补贴增加农户收入,调动农民生产积极性,提高农业科技水平,进一步优化大豆生产格局[16]。再次,不同时期农户行为影响大豆的生产布局。农村劳动力的大量外流将对主销区的产量有所抑制[17],同时,大豆的相对比较收益等经济因素对豆农种植决策有显著作用,农户根据自身种植经验和历史收益情况选择优势地块种植大豆,进而影响大豆的生产格局[18]。

上述研究对了解和认识大豆时空演变趋势具有重要意义,但总体来看,关于国家层面大豆地理集聚格局的讨论相对较少。研究方法上,鲜有研究将空间效应纳入大豆生产布局的计量模型中,也较少考虑驱动因素长期、短期分解效应对大豆生产布局的影响。动态空间面板模型相较于静态面板模型能够较好地纠正过高估计的偏误[13],基于此,本研究在分析大豆生产布局变迁特征的基础上进行两方面的拓展。一是建立动态空间面板模型分析大豆生产格局的时空效应;二是从长期、短期效应层面检验大豆时空演变格局驱动因素的直接效应、间接效应和综合效应,以期能够进一步丰富大豆生产格局变化的实证研究,为调整大豆生产政策及提高大豆产能提供参考。

1 研究方法及数据来源

1.1 研究方法

1.1.1 空间基尼系数 基尼系数是判断收入分配公平程度的重要指标,在产业空间集聚程度中应用,其标准与衡量收入分配原理相同[19]。本研究采用基尼系数评价中国大豆生产的空间集聚程度,在0～1间取值,值越大,大豆生产的地理分布越不均衡。计算公式为:

(1)

式中:GINI为基尼系数;f为分组数,将研究省域的大豆生产规模按照从小到大的顺序均分为10组;Yg表示第1组到第g组大豆累计产量占中国大豆总产量的比例。

1.1.2 产业集中度 产业集中度表示生产规模排名前几位省域的大豆产量占中国大豆产量比例的总和,该指标可以较好地反映大豆产业生产的空间集聚情况和大豆生产前几位省域的变动情况。计算公式为:

(2)

式中:CR为产业集中度;Di表示省域i的大豆产量与中国大豆产量的比值;m表示大豆产量排在前几位的省域数量,一般取1、3或5,本研究m值取5[20]。

1.1.3 区位熵指数 区位熵指数反映了一个地区在该产业生产过程中专门化水平和要素的空间分布情况。本研究指某省域大豆生产的产值在该省域粮食生产总产值中所占比例与中国大豆产值在中国粮食总产值中所占比例的比率。其值大于1时,表示大豆作物集聚水平高于全国平均水平,占据比较优势地位;等于1时,表示大豆作物集聚水平与全国平均水平相同;小于1时,则不占据比较优势地位。计算公式为:

(3)

式中:Li为i省大豆的区位熵指数;yi为i省大豆产量;Y为i省粮食产量;ai为i全国大豆产量;A为全国粮食产量。

1.1.4 空间自相关检验 空间自相关能够表示邻近地区影响大小,通过全局“莫兰指数I(Moran’sI)可以判断大豆是否存在空间依赖性。Moran’sI值为正,大豆生产地区之间存在正自相关关系;Moran’sI值为负,大豆生产地区之间存在负自相关关系;Moran’sI的值接近于0,则大豆生产空间分布是随机的。计算公式为:

(4)

1.1.5 动态空间杜宾模型 空间误差模型(SEM)、空间滞后模型(SAR)是空间面板杜宾模型(SDM)的特殊形式,动态空间杜宾模型(DSDM)同时纳入时间滞后变量和空间滞后变量[21-22],可通过效应分解从长期和短期的直接效应、间接效应来全面分析大豆生产的影响因素及其延续性。计算公式为:

yt=τyt-1+ρwyt+ηwyt-1+xtβ1+wxtβ2+vt
vt=σvt-1+λwvt+u+φit

(5)

式中:yt为大豆产量;xt为影响各省域大豆产量的因素,包括大豆平均产量、自然受灾率、城镇化率、化肥施用量、大豆技术水平、里程密度等;w是依据“queen”原则设置的邻接空间权重矩阵;β是被解释变量大豆产量的反应参数;τ、ρ、η分别为被解释变量大豆产量的时间滞后项、空间滞后项、时间空间滞后项的反应参数;u、vt、φit分别为个体固定效应、时期固定效应和随机扰动项。λ=0时为空间杜宾模型[23]。

1.2 数据来源

遵循指标数据的客观性和可获得性原则,本研究选取1997—2020年大陆地区30个省域面板数据作为分析样本,不包括青海及港澳台地区。引入ArcGIS软件计算莫兰指数,对省域尺度大豆产量集聚演变特征进行分析。省级数据来源于历年《中国统计年鉴》和《中国农村统计年鉴》。大豆生产空间格局演化图基于自然资源部标准地图服务网站下载的标准地图(审图号为GS(2019)1823号)制作,底图无修改。

2 大豆生产的时空演变特征

2.1 时序变化特征

相对粮食产量较为稳定的上升[25],大豆产量的变动轨迹呈现出徘徊上升趋势。从1997年的1 473.2万t增加到2020年的1 960.2万t,增长到原来的1.33倍。1997—2004年呈较稳定的上升趋势,大豆产量年均增长38.123万t;2004—2007年开始逐年下降,大豆产量年均减少155.87万t;2007—2008年开始回升,大豆产量年均增长281.70万t;2008—2015年,大豆产量年均减少53.67万t;2015—2020年呈恢复增长趋势,大豆产量年均增长111.67万t(图1)。

图1 1997—2020年粮食产量、大豆产量变动趋势

2.2 空间格局变化特征

从时序空间基尼系数看,1997—2020年,大豆生产空间基尼系数在56%～67%幅度内波动,大豆生产集聚经历了下降、上升再下降、再上升的周期性变化,将其细分为4个时段。1997—2001年,大豆生产的基尼系数呈现出持续下降的态势。2002—2006年间大豆生产地理集聚程度增强且达到峰值;2007—2013年间大豆生产地理集聚程度减弱;2014年后大豆生产空间集聚程度呈波动性增强并追回峰值。同时,大豆产业集中度在54%～71%范围内波动,同大豆生产的基尼系数呈现出较为一致的空间集聚周期性(图2)。

图2 1997—2020年中国大豆生产的基尼系数和产业集中度

结合区位熵指数进一步分析中国大豆生产的空间格局演变情况,1997—2020年间大豆生产区位熵值大于1的地区数量总体上呈现徘徊减少态势。黑龙江、内蒙古凭借适宜的气候条件、肥沃的土地、悠久种植历史积累出的经验等优势,大豆生产的区位熵值均大于1,即大豆聚集水平高于中国平均水平,是推动大豆生产的主导力量。受进口大豆冲击和其他作物种植竞争等影响,吉林省的区位熵值呈现逐渐减少的趋势,大豆产量在2004年后大幅度降低,其大豆种植专业化优势已不显著。安徽、浙江等省域为粮食生产大省,区位熵值整体上高于中国平均水平;江苏、河南、湖南等省域大豆生产区位熵值在中国平均水平附近波动并趋于稳定(表1)。

表1 1997—2020年大豆区位熵值优于全国平均水平的省域分布

2.3 空间集聚变化特征

以30个省域大豆产量为基本数据,运用ArcGIS软件对中国1997—2020年大豆生产进行空间自相关性检验,大豆产量全局Moran’sI指数值及其显著性结果如表2所示。

表2 大豆生产的全局相关性分析

结果显示,全局Moran’sI统计量在1997年以来均大于0且通过显著性检验,即大豆生产分布状况具有显著的正相关性,呈现出“高—高” 型(H-H)聚集和“低—低” 型(L-L)聚集的区域性特征。综合基尼系数变化趋势与全局Moran’sI相关性分析,选取研究区间起止年份及基尼系数变化趋势较明显的1997、2008、2015、2020年4个年份的大豆产量进行空间聚集性分析,并借助ArcGIS软件将对应年份大豆产量数据进行空间可视化,以此来分析大豆生产的空间格局演变特征。

中国大豆种植范围极为广泛。样本年限内,中国大豆种植地理集聚趋势明显。省域间大豆产量存在一定的差距。1997—2008年间,大豆生产空间自相关系数波动上升,说明大豆生产空间依赖性逐步增强,大豆种植整体向东北集聚水平上升,向东南集聚水平下降,在空间上更加聚集。受人均耕地面积、土地流转速度、机械配套能力等优势因素影响,加之大豆良种补贴政策的支持,黑龙江、吉林、内蒙古等省域大豆专业化优势显著,对全国大豆产量具有较大贡献;新疆、甘肃、湖北、四川、重庆等省域大豆产量明显增加,而江西、广西等省域大豆产量减少。

2008—2015年间,大豆进口量逐年增加,国内大豆市场价格屡创新低。相关部门于2008年、2014年相继实施大豆临时收储政策和目标价格制度,通过补贴以维系豆农基本收益和大豆增产。在此期间,大豆生产空间自相关系数逐渐下降,大豆种植整体向西南分散,在空间上聚集程度减弱。东北地区仍是大豆优势产区,但随着大豆种植区域不断北移,省份间大豆产量差异增大。陕西、辽宁、吉林、河南等省域大豆产量相对优势变小,南部和西部地区大豆产量稍有增加。其中,云南作为大豆新兴产区,产量由2008年的26.2万t上升至2015年的30.9万t,占全国大豆产量的位次由第14位上升至第8位。

2015—2020年间,相较于目标价格制度的反周期补贴,2017年实施大豆生产者补贴政策则是将大豆价格完全交付市场[1]。近年来,中央一号文件进一步强调要完善大豆生产者补贴政策,实施大豆振兴计划,提高大豆亩产水平。种植业结构调整及大豆种植鼓励政策的颁布,有效推进了大豆产业种植面积的恢复和增加。在此期间,大豆生产空间自相关系数也呈现上升趋势,大豆种植整体向东北、中部聚集增加,在空间上更加集中。其中,黑龙江、内蒙古等省域大豆产量一直占据优势地位,存在规模经济效应。山东、江苏、河南、安徽、四川等省份大豆产量稳定增长。新疆、甘肃等省域大豆产量大幅减少,广东、福建等省域大豆产量也呈下降趋势,连片分布优势均已不再。

3 空间计量分析

3.1 变量选择

借鉴学者对大豆生产格局影响因素的研究成果,本研究选取大豆生产规模作为被解释变量[21],大豆平均产量[23]、自然受灾率、城镇化率、化肥施用量、大豆技术水平、里程密度6个指标作为解释变量,探讨各影响因素对大豆生产格局的空间效应。实证分析中通过对数化处理减少异方差影响,变量名称及测度方法如表3所示。

表3 变量名称及测度方法

大豆生产规模(Yie): 选取大豆产量表征大豆生产规模,用大豆产量的对数衡量。

大豆平均产量(Ave):用大豆单位播种面积产量衡量。大豆平均产量是各地区资源禀赋、技术优势等因素的综合体现,理论预期这一指标与大豆生产格局呈正相关关系。

自然受灾率(Dis):用农作物受灾面积与总播种面积的比重衡量。自然灾害会造成大豆生产要素投入的浪费,理论预期这一指标与大豆生产格局呈负相关关系。

城镇化率(Urb):用城镇人口与城乡总人口的比重衡量。城镇化率的提高会造成劳动力外流,将不利于大豆种植产业的形成,理论预期这一指标与大豆生产格局呈负相关关系。

化肥施用量(Fer):用化肥施用量的对数衡量。化肥施用量是要素投入的反映,理论预期这一指标与大豆生产格局呈正相关关系。

大豆技术水平(Tec):用各省域在中国知网上发表的相关学术论文数量的对数衡量。该指标作为相关研究者对大豆基于学术的探讨,在一定程度上反映大豆产业的技术水平,理论预期这一指标与大豆生产格局呈正相关关系。

里程密度(Den):用铁路营业里程、公路里程之和与行政区域面积的比重衡量。里程密度对基础设施完善程度有较好的反映,理论预期这一指标与大豆生产格局呈正相关关系。

3.2 实证结果分析

空间计量模型估计结果如表4所示。对于空间计量模型的选择,首先通过LM检验判断采用SEM还是SLM。LM检验中,除Robust LM-spatial error通过10%显著性水平检验外,其他检验统计量均通过了1%显著性水平检验,表明大豆生产影响因素模型中空间滞后效应和空间误差效应可能同时存在。其次通过LR检验SDM是否能够退化为SEM或SLM。LR统计量结果分别为47.95和50.78,在1%的水平上差异均显著,即SDM不能简化为SEM或SLM[26];Wald统计检验进一步证明了这一判断。Hausman检验中,p在5%的水平上均显著,即不接受随机效应的原假设。鉴于此,本研究选择对具有固定效应的SDM进行实证分析。

表4 空间计量模型估计结果

3.2.1 回归结果分析SDM回归结果如表5所示。结果表明,第一,3种模型下的空间自相关系数ρ均在1%的水平为显著正相关关系,即一个地区的大豆生产规模会对邻近地区的大豆生产规模产生溢出效应,与莫兰指数方法结论相同。第二,相较于另外两种模型,时间固定效应模型拟合系数较大,空间解释变量及其空间滞后项大部分通过了显著性水平检验,经济学含义更加明确。因此,后文选用时间固定效应的空间面板杜宾模型对大豆格局影响因素进行解释。第三,在大豆生产格局形成的过程中,同时受到本地和周边地区要素投入的共同驱动,从模型估计结果可以看出,各要素对大豆生产规模的影响存在差异。

表5 空间杜宾模型固定效应回归结果

3.2.2 效应分解分析 空间杜宾面板数据模型的估计系数并不能直接反映自变量对因变量的影响,将各变量的长短期空间效应分解为直接效应和间接效应各因素对大豆生产的影响[27-28],其中,直接效应、间接效应、总效应分别表示各影响因素的变化对本地区大豆生产、邻近地区大豆生产、所有地区大豆生产产生的平均影响水平。

结合拟合优度、极大似然估计值、显著性水平及系数符号相关指标,将具有时期固定效应的空间面板杜宾模型的估计结果分解为直接效应与间接效应。在动态空间杜宾模型的估计与检验中,因变量大豆产量的时空滞后、时空滞后系数仍显著,空间杜宾模型直接效应、间接效应的分解结果如表6所示。

表6 大豆生产解释变量的直接效应和间接效应

大豆平均产量在短期效应分解中,直接效应、间接效应均为正,说明大豆平均产量在短期内增加,可以对本地区大豆生产格局具有显著促进作用,同时对邻近地区的大豆生产规模具有正向溢出效应。短期内,大豆平均产量的增加,将会影响本地区豆农的种植积极性,通过扩大种植面积从而促进大豆生产布局的形成,邻近地区在自然条件和技术条件方面较为相似,因此在提升本省大豆生产规模的同时促进相邻省域的大豆生产效果。在长期效应分解中,直接效应、间接效应均为负,大豆平均产量在长期内增加不利于本地区和邻近地区大豆生产格局的形成。长期来看,相较于其他作物,大豆单产虽有所增加但增长速度较慢,产量仍处于低水平阶段,不具有比较优势,降低了豆农的积极性,从而对大豆生产格局产生抑制作用。随着本地大豆产量增加,规模扩大,可通过与邻省之间的贸易往来满足大豆需求而不需要大豆自给,从而对邻省的大豆生产具有负向影响。

自然受灾率在短期效应分解中,直接效应、间接效应均为正,说明自然受灾率在短期内增加,可以对本地区大豆生产格局具有显著促进作用,同时对邻近地区的大豆生产规模具有正向溢出效应。这一结论与理论预期相反,究其原因,一是农业受灾土地与大豆播种土地在空间上存在错位,对大豆生产布局抑制作用不大;二是年鉴统计受灾面积主要是大宗农作物,而大豆种植分散导致统计数据较少,三是部分省域大豆的产量基数低,特别是平均产量水平,使得在短期内出现正向促进效应。长期效应分解中,直接效应、间接效应均为负,自然灾害会使农户重新思考农业生产的机会成本,不利于本地区和邻近地区大豆生产格局的形成。

城镇化率在短期效应分解中,直接效应、间接效应均为正,说明城镇化率在短期内增加,可以对本地区大豆生产格局具有显著促进作用,同时对邻近地区的大豆生产规模具有正向溢出效应。一方面,生活水平的提高使得城乡居民对蛋白质含量丰富的豆制品、肉制品需求逐步提高,作为饲料、副食品的豆类制品需求量也逐渐增加。相邻地区经济条件方面具有相似性,对邻近地区的生产规模也具有显著的正向影响,在提升本省大豆生产规模的同时促进相邻省域的大豆生产规模。在长期效应分解中,直接效应、间接效应均为负,系数值分别为-0.044 1和-5.840 6,说明城镇化率在长期内增加不利于本地区和邻近地区大豆生产格局的形成。可能的原因是,随着城镇经济的发展,农村青年从事农业种植活动的意愿较低。

化肥施用量、大豆技术水平在短期效应分解中,直接效应、间接效应均为负,说明化肥施用量、大豆技术水平在短期内增加可以对本地区大豆生产格局具有显著抑制作用,同时对邻近地区的大豆生产规模具有负向溢出效应。该模型结果与理论预期相反,可能的原因为豆农种植大都凭借经验,在推广的初期并未依赖化肥投入与技术进步。由于示范作用效果一般,邻地豆农会减少化肥投入量、大豆相关技术的使用,使得对邻地的大豆生产格局也产生抑制作用。在长期效应分解中,化肥施用量直接效应显著为正,间接效应不显著,说明长期的化肥要素投入,对本省大豆生产格局形成有促进作用,而对邻近省域的空间溢出效应不显著,其原因可能是化肥施用具有条件性,受耕地面积、自然资源禀赋和惠农政策等因素综合影响,使得溢出效应有限。大豆技术水平直接效应、间接效应均显著为正,系数分别为0.016 9和0.036 9。随着技术的普及,农户采用更为合理的管理、种植技术,对本地大豆生产格局有促进作用,通过溢出效应促进邻地大豆生产格局的形成。

4 结论与政策建议

本研究基于1997—2020年中国30个省域的面板数据,运用空间数据分析方法探讨了大豆产量的空间关联性、空间集聚性与空间分布格局,构建动态空间杜宾模型对大豆产量驱动因素的时空效应进行分析,主要得到如下结论。

(1)大豆产量变动轨迹呈现出徘徊上升趋势。从时序空间基尼系数看,1997—2020年,大豆生产空间基尼系数在0.56～0.67内波动,大豆生产集聚经历了下降、上升再下降、再上升的周期性变化;大豆产业集中度在54%～71%的幅度内波动,同大豆生产的基尼系数呈现出较为一致的空间集聚周期。大豆生产区位熵值大于1的地区数量总体上呈现徘徊减少态势。

(2)大豆种植地理集聚趋势明显。1997—2008年,大豆种植整体向东北集聚增加,东南集聚减少,在空间上更加聚集;2008—2015年,大豆种植整体向西南分散,在空间上聚集程度减弱;2015—2020年,大豆种植整体向东北、中部聚集增加,在空间上更加聚集。

(3)大豆生产规模溢出效应明显。空间杜宾模型的实证结果表明,本地区的大豆生产规模会对邻近地区的大豆生产规模产生溢出效应。在时期固定效应模型的估计与检验中,大豆产量的时空滞后、时空滞后系数仍显著。大豆平均产量、自然受灾率、城镇化率指标短期内的改善对本地区和邻近地区的大豆生产具有显著促进作用,长期则具有抑制作用;大豆技术水平、化肥施用量指标在短期的改善对本地区和邻近地区的大豆生产具有不同程度的抑制作用,长期来看,大豆技术水平对本地区和邻近地区的大豆生产具有显著促进作用,化肥施用量对大豆生产的直接效应为正,空间效应不显著。

基于上述结论本研究提出以下政策建议:

一是优化大豆产业空间布局。大豆生产集聚程度整体上逐渐提高,为优势产区规模效应的形成与发挥创造有利条件,黑龙江、吉林、内蒙古等省域大豆专业化优势明显。相关部门应综合利用优势区耕地资源、大豆产业特点、社会服务化程度、农业机械化水平等因素,因地制宜完善基础配套,落实产业集聚保障机制,推动大豆生产向优势区集中连片开展。

二是协调投入要素合理配置。立足省域自然资源和区位优势,兼顾短期目标与长远目标相统一,充分考虑大豆生产的空间效应,引导土地、资本、劳动力等生产要素的优化配置。相关部门健全要素投入保障机制,落实高标准农田建设、黑土地保护利用、耕地保护等相关制度,保障大豆耕地面积和提升耕地质量。同时促进省域间联合攻关,充分发挥大豆优势产区的辐射作用,持续提升大豆生产能力。

三是强化大豆技术应用创新。相关部门应进一步完善大豆良种补贴政策,继续实施农机购置与应用补贴,加大支持新型经营主体,投资建设大豆良种繁育体系,深化大豆科技成果转化和推广应用。按照协调发展、良性互动的理念,稳步推进粮豆轮作、稻改豆试点工作,良种良法配套,扩大优质新品种种植规模,使大豆种植结构进一步优化。通过提高大豆产业效率、品种改良和培养新型职业农民等途径释放大豆单产潜能。

本研究还存在以下不足:一是数据的局限,分析基于1997—2020年的省级样本数据,对于各县域在更长时期大豆生产的时空演化趋势特征有待进行更为细致的研究;二是驱动因素机制尚不全面,本研究较少考虑气候变化、政策调控、国际贸易等其他因素对大豆生产布局的影响。如何深入研究区域内部背景、健全影响机制与区域之间的关联,减少各地区内部的差异是未来探索的方向。