Trends and spatial patterns of land conversions in the North China Plain
JINGui1,2,, DENGXiangzheng1,, CHENDongdong2, WANGPei3, SUNZhongxiao4 1. Institute of Geographic Sciences and Natural Resources Research,Chinese Academy of Sciences,Beijing 100101,China2. Faculty of Resources and Environmental Science,Hubei University,Wuhan 430062,China3. School of Business Administration,Zhongnan University of Economics and Law,Wuhan 430073,China4. School of Environment,Beijing Normal University,Beijing 100875,China 通讯作者:通讯作者:邓祥征,E-mail:dengxz.ccap@igsnrr.ac.cn 收稿日期:2016-03-30 修回日期:2016-05-31 网络出版日期:2016-08-25 版权声明:2016《资源科学》编辑部《资源科学》编辑部 基金资助:国家自然科学基金项目(41171434;41501593;71225005) 作者简介: -->作者简介:金贵,男,江苏徐州人,博士,主要研究方向为国土资源评价与国土空间优化管理。E-mail:jing_simlab@163.com
关键词:农地流转;空间分布;格局;局部空间自相关;黄淮海平原 Abstract Farmland conversions has become one of the most important factors affecting agriculturally sustainable development in China,and spatial patterns of farmland transfer are particularly important to food security. Based on sample data of household surveys,we introduce the Elbers,Lanjouw and Lanjouw’s Method to map farmland conversions in the North China Plain in order to obtain the direction and scale of farmland conversions. Further,we analyzed the aggregating characteristics that refer to index of farmland conversions using LISA. We found that the scale of farmland inflow ranges from 440.79hm2 to 1379.87hm2,and the scale of farmland outflow ranges from 908hm2 to 2745.29hm2. The scale of farmland inflow shows an increasing space situation from west to east. While the scale of farmland outflow shows an increasing space situation from northwest to southeast. The values of Moran’s Ii related to farmland inflow and farmland outflow respectively are 0.78 and 0.89,indicating that the scale of farmland inflow and farmland outflow in the North China Plain have positive associations in space (the HH agglomeration and the LL agglomeration)and both have strong relevance. At the confidence level of 95%,county unit rates of farmland inflow are 16.67% for HH agglomeration and 20.61% for LL agglomeration;county unit rates of farmland outflow are 19.06% for HH agglomeration and 26.32% for LL agglomeration;the counties of HH agglomeration have become the core area in the North China Plain and have a stronger positive impact,meanwhile LL agglomeration has a relatively stable spatial distribution and negative impact. These results will lay the foundation for optimizing farmland conversions.
黄淮海平原是黄河、淮河、海河流域平原的通称,位于32°08′N-40°16′N,112°10′E-122°40′E,主要包括河北、河南、山东、江苏、安徽、北京、天津7省市的部分县市,总面积为42.8万km2(图1)。该地区光热条件好,降雨量充足,耕地资源丰富,自2004年以来,黄淮海平原的主要粮食作物播种面积及产量占全国的比例均在15%以上。其中,小麦播种面积占全国总播种面积的36%~40%,产量约占全国的50%;棉花播种面积占全国的32%~42%,产量约占全国的40%;玉米播种面积占全国的27%~29%,产量约占全国粮食总产量的30%。可见,黄淮海平原已经成为中国重要的农业经济区和粮食主产区,承担着保障国家粮食安全的重任。 显示原图|下载原图ZIP|生成PPT 图1黄淮海平原区位 -->Figure 1Location of the North China Plain -->
2.2 数据来源与处理
黄淮海平原2010年的农户入户调查资料包括大样本数据和小样本数据。大样本数据涉及黄淮海平原的456个县(市),每个县(市)随机抽取10个村庄,每个村庄随机抽取10个农户,共计4560个村庄的45 600个农户的信息。在入户调查中,农地流转数据的统计工作并没有覆盖在整个区域,本文称之为小样本数据,包括该区域77个县(市)的770个村庄的农户流转数据(图2),此外还包括家庭最高受教育程度时间、外出就业人口占家庭人口比例、农业收入占家庭总收入比例等补充调查数据。 显示原图|下载原图ZIP|生成PPT 图22010年黄淮海平原农调数据抽样村的空间分布 -->Figure 2Sampled villages of the North China Plain in 2010 -->
基础地理信息数据涉及研究区气候、地形、土壤、生产条件、土地利用等方面。其中,气象数据基于中国气象局气象台站观测记录,来源于中国气象科学数据网(http://data.cma.cn);DEM数据来源于国家地球系统科学数据共享平台(http://www.geodata.cn/);土壤数据、生产条件数据中区位条件(公路交通干线、道路等矢量数据)和土地利用数据均来源于中国科学院资源环境科学数据中心(http://www.resdc.cn);农业灾害数据来源于农业环境数据中心(http://data.ieda.org.cn);农田生产力数据来源于相关研究的评估结果[16]。 数据处理过程如下:根据黄淮海平原2010年农调数据制备出包含农地流转数据、家庭受教育程度、就业人口比例和家庭收入等信息的农户数据集;进一步地,利用GIS技术对基础地理信息数据中的气候、地形、土壤、生产条件、土地利用等基础数据进行空间分析,得出黄淮海平原年均降水量、坡度、人均耕地面积、土壤有机质含量、耕作层厚度、道路距离、复种指数、受灾分布等要素空间分布图;农田生产力由农田生产力评估模型(Estimation System for Agricul-tural Production,ESAP)计算得出;最后,计算基础地理信息数据在县域单元上的平均值,计算农调数据集中的家庭受教育程度、就业人口比例和家庭收入在相应县域上的户平均值,进而将上述两类数据进行融合得到县域尺度的截面数据。
以农地流转空间数据集为基础,借助ELL模型,构建出农地转入和转出规模与12个影响因子之间的多元线性回归方程,对农户抽样数据进行趋势推演,并通过精度检验,得出黄淮海平原农地流转规模和方向两个表征指标的空间趋势(图3)。分析黄淮海平原农地流转空间格局可以看出,由农户抽样数据推演得到的农地转入和转出规模在空间上是不均衡的。一方面,农地转出对象除了其他农户外,还有一部分流向农村企业或农场,所以农地转出规模是明显多于农地转入规模的;另一方面,农户调查抽样是随机的,因此由农户抽样数据推演到县域尺度上,农地的转入和转出规模也不是一致的。基于ELL模型结果的显著性特征可知,人均耕地面积对农地转入为较强正向影响,说明农民具有土地情结,拥有较多耕地的农民更愿意进行农业生产活动,也就更愿意获得农地;耕作层厚度、年降水量、土壤有机质含量、受灾面积比和道路距离都是表征农地质量的指标,表明农地转入规模受到农地质量与农业生产条件的影响,这也体现了农民对土地质量的要求要高于其收入效应带来的影响。就业人口比例对农地转入的影响较弱,而且是正相关关系,说明农民更愿意将非农劳动获取的资金转换为农地,可以继续跟踪这种趋势的变化特征,对今后农地流转政策制定提供参考。表征农地质量的因子对农地转出规模有强影响,具体表现为当农地质量降低时农民有减少耕地的倾向。农业收入占家庭总收入比例对于经营期耕地减少面积影响程度较小,且是负相关关系,可见农业收入占家庭收入比重越大,农民越不愿意使耕地减少,越是依赖农业生存的农民越不愿意转出农地。进一步,通过ELL模型得出影响因子的标准化偏回归系数,并分析其对农地流转的影响程度发现:人均耕地面积、耕作层厚度、年均降水量、受灾面积比、距道路距离、土壤有机质含量、农业收入占家庭总收入比例、复种指数及就业人口比例对农地转入的影响依次减弱;耕作层厚度、受灾面积比、年均降水量、复种指数、家庭最高受教育程度时间、农业收入占家庭总收入比例、人均耕地面积及距道路距离对农地转出的影响逐渐变弱。 显示原图|下载原图ZIP|生成PPT 图32010年黄淮海平原农地流转空间格局 -->Figure 3Spatial pattern of farmland conversions of the North China Plain in 2010 -->
3.2 农地流转空间基本情况分析
黄淮海平原县域农地转入规模为440.79~1379.86hm2,农地转出规模为908.61~2745.29hm2。分析7个省(市)的县域农地流转规模情况(表1)可知:从县域农地流转规模的平均水平来看,江苏省、安徽省和山东省的县域流转行为较为活跃,是黄淮海地区农地流转的热点区域,这与三省的农村经济发展水平和农业改革制度相关,较高的农村发展水平、农民收入和开放的农村改革制度显著影响农地流转活动。从黄淮海平原农地流转空间格局来看,县域农地流转存在空间差异性,但整个研究区农地转入、农地转出在空间分布上具备一致性。农地转入规模呈现出由西向东递增的空间趋势,规模较大的县域主要分布在江苏省,安徽省,山东省中北部地区,河南、山东与河北三省接壤地区。农地转出规模呈现出由西北向东南的递增趋势,规模较大的县域主要分布在江苏省、安徽省和山东省北部。在农户层面,黄淮海平原农地流转多发生在同县、同村的农户之间,是一种以亲属、邻里为主要对象的流转形式,因此有着明显的地域性限制和差异。 Table 1 表1 表12010年黄淮海平原农地流转 Table 1Farmland conversions of the North China Plain in 2010(hm2)
3.3.1 Moran散点图与局部Moran’s Ii值分析 基于推演出的农地流转规模,利用GeoDa软件进行局部空间自相关分析,刻画农地流转县域单元与其邻居之间的局部空间关系,得出黄淮海平原县域尺度农地流转表征指标的Moran散点图(图4)。斜率Moran’s Ii值范围在[-1,1]之间;越接近-1,负相关越强烈;越接近1,正相关越强烈;接近0,则表明不存在空间聚集性。4个象限中的第Ⅰ、Ⅲ象限代表正相关类型,分别用HH(高高集聚)与LL(低低集聚)表示,第Ⅱ、Ⅳ象限代表负相关类型,分别用HL(高低异常)与LH(低高异常)表示。 显示原图|下载原图ZIP|生成PPT 图42010年黄淮海平原农地流转Moran散点分布 -->Figure 4Moran scatter-plot of farmland conversions of the North China Plain in 2010 -->
黄淮海平原农地转入和转出的Moran’s Ii值分别为0.78和0.89,都是强空间正相关,反映出该区域农地转入和转出特征在空间上的关联性相对较大。图4a和图4b中绝大多数的点落在第Ⅰ象限和第Ⅲ象限,说明黄淮海平原县域农地流转在空间上呈现明显的HH和LL集聚特征,农地流转规模高值(或低值)县域与周边高值(或低值)县域发生空间集聚现象;极少数点落入第Ⅱ象限和第Ⅳ象限,表明农地流转规模出现异常的情况很少,即较少出现周边县域农地流转规模比自身流转规模异常的情况。 3.3.2 LISA结果分析 为了确定农地流转局部空间集聚或异常的空间位置,绘制黄淮海平原农地流转在95%置信区间下的局部空间自相关(LISA)图(图5)。 显示原图|下载原图ZIP|生成PPT 图52010年黄淮海平原农地流转LISA -->Figure 5LISA on farmland conversions in the North China Plain in 2010 -->
引入ELL模型由入户调查数据推演出黄淮海平原农地流转规模、方向等表征指标在地理空间上的分布情况,通过局部空间自相关分析对县域尺度农地流转的空间趋势和集聚特征展开研究,成果揭示出黄淮海平原农地流转在县域尺度上的空间分布特征。 黄淮海平原县域农地转入规模在440.79~1379.86hm2,农地转出规模在908.61~2745.29hm2。农地转入规模呈现出由西向东递增的空间趋势,规模较大的县域主要分布在江苏省,安徽省,山东省中北部地区,河南、山东与河北三省接壤地区。农地转出规模现出由西北向东南的递增的特征,规模较大的县域主要分布在江苏省、安徽省和山东省北部。 黄淮海平原农地转入和转出的Moran’s Ii值分别为0.78和0.89,反映出黄淮海平原农地转入和转出特征在空间上都是强的空间正相关,且关联性较大。在95%的置信度下, HH集聚型的县域农地流转规模较大,正向影响其周边县域;LL集聚型的县域,其农地流转规模较少,对周边县域有负向影响。 表征农地流转的指标除了规模和方向外,还应包括流转速率,由于缺乏多期数据,因此本研究没有涉及农地流转速率的空间特征,后续研究中会继续完善。此外,农地流转影响因素除了自然因素和人文因素外,还应包括政策因素,如鼓励农地流转政策的落实会使得农地流转规模、方向和速率的空间自相关性不断加强、提升正向效应。未来的研究中将对上述议题开展深入分析。 The authors have declared that no competing interests exist.
[Sun HL,Cheng SK,Feng ZM.From integrated surveys of natural resources to comprehensive research of re-sources science over 60 years [J]. ,2010,25(9):1414-1423.] [本文引用: 1]
[Bao ZS,Xu ZM,GaoS,et al.Regional differences and influencing factors of rural land circulation based on Jiangsu Province [J]. ,2009,29(4):23-30.] [本文引用: 1]
[Hao LL,WuJ,WangZ,et al.In the rural land circulation mode and beneifit research of accelerating urbanization from the perspective of property rights based on Hubei Province Xiongkou Town [J]. ,2015,34(1):55-63.] [本文引用: 1]
[Wang YY,Cai YY,Li HY.The status and impact factors of rural land circulation under the spatial heterogeneity based on an empirical research of Wuhan,Jingmen and Huang-gang [J]. ,2015,29(6):18-25.] [本文引用: 1]
[ChenY,Zhang QH,Zhang HF.Suggestion of utilization and protection of plow land resource in China [J]. ,2008,10(5):114-118.] [本文引用: 1]
[16]
JinG,LiZ,WangZ,et al.Impact of land-use induced changes on agricultural productivity in the Huang-Huai-Hai River Basin [J]. ,2015,79-82:86-92. [本文引用: 1]
[YangR,Liu YS,Long HL,et al.Spatial-temporal characteristics of rural residential land use change and spatial directivity identification based on grid in the Bohai Rim in China [J]. ,2015,34(6):1077-1087.]
[JinG,Wang ZQ,Hu XD,et al.Land suitability evaluation in Qinghai-Tibet Plateau based on fuzzy weight of evidence model [J]. ,2013,29(18):241-250.] [本文引用: 1]
[22]
ElbersC,LanjouwJ,LanjouwP.Micro level estimation of poverty and inequality [J]. ,2003,71(1):355-364. [本文引用: 1]
[23]
EmwanuT,Hoogeveen JG,Okwi PO.Updating poverty maps with panel data [J]. ,2006,34(12):2076-2088. [本文引用: 2]
[24]
OliviaS,GibsonJ,RozelleS,et al.Mapping poverty in rural China:How much does the environment matter? [J]. ,2011,16(2):129-153. [本文引用: 1]
[Wei SC,Xiong CS,Luan QL,et al.Protection zoning of arable land quality index based on local spatial autocorrelation [J]. ,2014,30(18):249-256.] [本文引用: 1]