中国粮食生产空间关联网络的结构特征及其形成机制

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

冯颖^,¹^,², 侯孟阳³^,⁴, 姚顺波^,³^,⁴

1. 西北政法大学商学院,西安 710122

2. 西北政法大学资源冲突与利用研究所,西安 710122

3. 西北农林科技大学经济管理学院,杨凌 712100

4. 西北农林科技大学资源经济与环境管理研究中心,杨凌 712100

Structural characteristics and formation mechanism of spatial correlation network of grain production in China

FENG Ying^,¹^,², HOU Mengyang³^,⁴, YAO Shunbo^,³^,⁴

1. Business School, Northwest University of Political Science and Law, Xi'an 710122, China

2. Institute of Resource Conflict and Utilization, Northwest University of Political Science and Law, Xi'an 710122, China

3. College of Economics & Management, Northwest A&F University, Yangling 712100, Shaanxi, China

4. Research Center for Resource Economics and Environment Management, Northwest A&F University, Yangling 712100, Shaanxi, China

通讯作者: 姚顺波(1964-), 男, 博士, 教授, 博导, 研究方向为资源经济与环境管理、林业政策效果评估。E-mail: yaoshunbo@163.com

收稿日期:2019-11-27修回日期:2020-05-21网络出版日期:2020-11-25

基金资助:

陕西省社会科学基金项目.2019S029
教育部人文社会科学重点基金项目.14JJD790031
国家自然科学基金项目.71473195
陕西省教育厅专项科研项目.016166523

西北政法大学青年学术创新团队计划资助项目

Received:2019-11-27Revised:2020-05-21Online:2020-11-25

Fund supported:

Social Science Fund of Shaanxi Province.2019S029
Key Fund for Humanities and Social Sciences of the Ministry of Education.14JJD790031
National Natural Science Foundation of China.71473195
Special Scientific Research Project of Shaanxi Provincial Education Department.016166523

Young Academic Innovation Team of Northwest University of Political Science and Law

作者简介 About authors
冯颖(1984-), 女, 博士, 副教授, 硕导, 研究方向为资源经济与环境管理。E-mail: yingfeng8410@126.com

摘要
基于1996—2018年中国省际粮食生产面板数据,在修正的引力模型准确测算粮食生产空间关联关系及构建空间关联矩阵的基础上,首先运用社会网络分析方法从整体特征、个体特征及块模型3个方面具体考察了粮食生产空间关联网络的结构特征,进一步采用二次指派程序方法探讨其形成机制。研究发现：① 省际粮食生产空间关联的密切程度在波动中提高,但仍有提升空间,网络结构呈现较好的稳定性和可达性,溢出效应具有多重叠加特性;② 省际粮食生产空间关联网络呈现主产区、主销区、平衡区“核心—边缘”分布格局,粮食主产区在网络中处于核心地位,粮食主销区和平衡区则处于边缘地位;③ 粮食生产空间关联网络可划分为净溢出、主受益、经纪人和双向溢出4个板块,板块间的溢出效应具有明显的梯度传递特征;④ 自然禀赋条件与社会经济因素的共同作用推动了粮食生产空间关联网络的形成,地理空间邻近性、经济发展水平与农村劳动力规模、机械服务规模、耕地资源的差异、降水量和日照时数的相近性对粮食生产空间关联网络的形成具有显著影响。
关键词： 粮食生产;空间关联网络;结构特征;形成机制;社会网络分析（SNA）;QAP分析法

Abstract

Based on the panel data of China's inter-provincial grain production from 1996 to 2018, the modified gravity model was used to accurately calculate the spatial correlation of grain production and build a spatial correlation matrix. Firstly, the structural characteristics of grain production spatial correlation network were investigated from three aspects: overall characteristics, individual characteristics and block model through the social network analysis method (SNA) and then, the quadratic assignment procedure (QAP) method was used to explore its formation mechanism. The study found that: (1) The level of inter-provincial spatial correlation of grain production increases in fluctuation, but there is still room for improvement. The network structure shows better stability and accessibility, and the spillover effect has multiple superposition. (2) The inter-provincial spatial correlation network of grain production presents a significant core-edge distribution pattern of major grain-producing areas, main-sales areas and grain balance areas, and the major grain-producing areas are at the core position in the network, and the grain main-sales areas and the balance areas are at the edge. (3) The spatial correlation network of grain production can be divided into four functional blocks, namely, net spillover block, main beneficial block, broker block and bidirectional spillover block, and the spillover effect between blocks are featured by obvious gradient transmission. (4) The combined effect of natural endowment conditions and socio-economic factors promote the formation of spatial correlation network of grain production. The geographical proximity, differences in economic development, rural labor scale, mechanical service scale and cultivated land resources, and the similarity of precipitation and sunshine hours have significant impacts on the formation of spatial correlation network of grain production. The conclusions are of great significance for us to grasp the spatial transmission mechanism, realize the cross-regional coordination and formulate differentiated grain policies in China.

Keywords：grain production;spatial correlation network;structural characteristics;formation mechanism;social network analysis method (SNA);quadratic assignment procedure (QAP)

PDF (2433KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
冯颖, 侯孟阳, 姚顺波. 中国粮食生产空间关联网络的结构特征及其形成机制. 地理学报[J], 2020, 75(11): 2380-2395 doi:10.11821/dlxb202011008
FENG Ying, HOU Mengyang, YAO Shunbo. Structural characteristics and formation mechanism of spatial correlation network of grain production in China. Acta Geographica Sinice[J], 2020, 75(11): 2380-2395 doi:10.11821/dlxb202011008

1 引言

保障粮食安全关系国计民生与社会稳定。1978年改革开放以来,中国粮食产量由3.05亿t增长到2018年的6.58亿t,而粮食作物播种面积相应的从12058.72万hm²下降到11703.82万hm²,但播种面积的下降并未导致粮食产量的降低,随着农业政策调整与市场化改革,粮食供给实现了由长期短缺到总量基本平衡的转变^[1]。在该变化过程中,中国粮食生产的空间格局也发生了显著变化,表现为南北方粮食产量在全国的占比呈现此消彼长态势,北方粮食产量占比由1978年的40.90%上升到2018年的58.61%,“南粮北调”向“北粮南运”转变的空间格局日渐明显^[2]。虽然市场经济的快速增长带来食物消费结构的转变^[3],城镇化发展也提供了更多的就业机会吸引农村劳动力,农机服务的推广普及进一步释放了农村剩余劳动力,但资源禀赋差异、生产要素流动使得地区间经济发展与城镇化具有显著的非均衡特征,并导致区域间粮食自给率存在明显的失衡^[4]。全国粮食增产与区域间粮食生产存在不平衡的矛盾,随着市场化进程的推进,城乡二元结构壁垒的逐步打破,区域间生产要素和农产品的自由流动与贸易,使得粮食生产在空间尺度上日渐表现出一定的关联,并形成较复杂的空间关联网络结构,比如南方经济发达地区的产业升级导致自身粮食供给难以满足省内消费需求,而是通过与其他地区的农产品贸易。2019年中央一号文件继续聚焦三农问题,稳定粮食产量应发挥粮食主产区优势,并压实主销区和产销平衡区稳定粮食生产的责任。那么中国粮食生产空间关联在整体与个体层面呈现怎样的网络结构特征与演变?不同省份与功能区在粮食生产空间关联网络中处于何种地位?粮食生产空间关联网络的形成受哪些主要驱动因子的影响?回答上述问题,对全面认识当前中国粮食生产网络格局的变化规律,了解区域间粮食生产的空间传递机制,把握粮食生产跨区域协同发展方向及制定差异化的粮食政策均具有重要的理论意义与借鉴价值。

粮食生产的空间网络关联是由于生产要素与产出在地理空间上的流动与交互而逐渐形成的网络型关联关系。当前,已有研究一方面基于探索性空间数据分析（Exploratory Spatial Data Analysis, ESDA）和空间计量技术证实中国粮食生产存在显著的空间关联、集聚与溢出效应^[5,6,7,8],另一方面从空间产销格局的重心变化特征聚焦区域间粮食生产的空间转移,并通过GIS技术得到粮食生产重心在空间上表现出“南退北进”演变格局的结论^[9,10]。黄爱军最早观察到南方不少的主要商品粮基地已经成为粮食净调入区^[11],而一些北方低产地区却崛起成为新的商品粮生产基地,表现为“全国粮食增长中心逐渐北上”的生产格局,粮食生产重心具有从东部和中部“中心”区域向东北和西部“边缘”区域转移的倾向^[12];邓宗兵等通过粮食生产集中度的分析表明粮食主产区逐渐向东北和中部集中^[13];夏四友等指出江苏省粮食生产存在显著的空间正相关关系,重心向西北方向转移^[14]。

中国粮食安全保障的战略焦点在于主产区与主销区、平衡区的互动与协调发展上,但地理空间的不相邻并不妨碍地区间粮食生产存在紧密的空间关联。现有研究虽然证实了地区间粮食生产存在空间关联与溢出效应,但传统的ESDA方法和空间计量技术局限于区域间地理空间上邻近关系或距离关系的度量,难以从整体上动态把握省际粮食生产空间关联的结构特征。随着中国农业市场体系日趋完善,农业生产要素的空间跨区域流动与互通趋于明显^[15],粮食生产的空间关联呈现多线程、且具有复杂网络的结构特性,从而使得该空间关联构成两两之间的“关系数据”矩阵网络,导致现有基于“属性数据”的传统计量模型难以全面揭示“关系数据”整体网络结构形态与空间聚类方式。社会网络分析方法（Social Network Analysis, SNA）能够突破“属性数据”分析的局限,并针对“关系数据”的网络特征展开有效分析^[16],该方法是研究关系数据网络结构特征的有效手段,并逐渐成为经济学、管理学等领域中新的研究范式^[17,18],但鲜有研究将其应用在粮食生产地区关联与交互领域。基于此,本文以1996—2018年中国30个省份粮食生产数据为基础,采用修正的引力模型测算省际间粮食生产空间关联关系,构建相应的“关系数据”空间关联网络矩阵,运用SNA方法全面考察粮食生产空间关联网络的整体特征及个体在网络中的角色和地位,进一步结合二次指派程序（Quadratic Assignment Procedure, QAP）方法探讨中国粮食生产空间关联网络形成的驱动因素,以期全面刻画中国粮食生产的空间关联网络结构的形成规律及其驱动机制。

2 研究方法与数据说明

2.1 粮食生产空间关联关系：修正的引力模型

粮食生产的空间关联网络是地区粮食生产规模在区域间关系的集合,也是进行社会网络分析的基础。各地区是网络中的“点”,各地区之间在粮食生产规模上的空间关联是网络中的“线”,这些点和线便构成了地区间粮食生产的空间关联网络,相互关系的强弱反映关联的强度。现有文献普遍采用引力模型^[19]和VAR格兰杰因果分析方法^[20]确定空间关系,但VAR模型对滞后阶数的选择过于敏感,会降低网络结构特征刻画的精确性^[21]。引力模型则具有更强的适用性,不仅能将规模与地区距离考虑在内,还能揭示空间关联关系的演变特征,该模型在粮食生产领域的应用多见于粮食贸易、虚拟耕地等^[22,23],但在粮食生产的空间关联方面仍不多见。本文将引力模型引入到粮食生产的空间关联,以地区间粮食生产规模的乘积除以地区距离来反映粮食生产的空间关联关系,引力值越大表明地区间粮食生产的关联关系越大,其基本形式为：

（1）

F_{ij} = k Q_{i} Q_{j} / D_{ij}^{2}

（2）

D_{ij} = \sqrt[]{K_{ij} T_{ij}}

式中：F_ij为地区i、j之间粮食生产的引力值;Q_i、Q_j分别为地区i、j的粮食生产规模;k为引力系数,通常取1;D_ij为地区i、j中心位置的距离,该公式表明地区间粮食生产的空间关联关系与其规模成正比,与地区间距离成反比。由于单纯考虑地区间的地理距离容易产生距离越远的地区间粮食生产的空间关联程度越低,但实际上并不低的问题,故本文同时引入地理距离与时间成本距离,地理距离（K_ij）以各地区几何重心的经纬度距离来表征,时间成本距离（T_ij）以省会城市间铁路货运到达的最短时间来表征（未考虑空运、海运等）,最短时间采用城市间铁路里程除以平均时速（200 km/h）^①(① 中国铁路的运行时速根据列车等级划分,主要包括普快（100~120 km/h）、快速（110~120 km/h）、特快（140~160 km/h）、动车组（200~250 km/h）及高铁（200~350 km/h）,高铁在不同线路上的时速被限制为200~300 km/h,取各等级列车的最高时速的平均值,约为200 km/h。)来计算。

传统的引力模型测算的空间关联不具备方向性,导致地区间的引力强度是一致的,而地区间粮食生产的交互作用由于禀赋差异而具有双向性和非对称性^[24]。为突出粮食生产空间关联网络的有向性,借鉴以往的研究,对传统引力模型进行修正与改进,以某地区粮食产量占两个关联地区粮食产量之和的比重来修正引力系数k_ij,并从粮食产量、播种面积两个维度来反映粮食生产规模。修正的引力模型公式为：

（3）

F_{ij} = k_{ij} \frac{\sqrt[]{G_{i} A_{i}} \sqrt[]{G_{j} A_{j}}}{D_{ij}^{2}}, k_{ij} = \frac{G_{i}}{G_{i} + G_{j}}

式中：G_i、G_j分别为地区i、j的粮食产量（万t）;A_i、A_j分别为地区i、j的粮食播种面积（千hm²）。

2.2 粮食生产关联网络特征分析：社会网络分析SNA

区别于表征自身特征的属性数据,基于引力模型构建的省际粮食生产空间关联网络（简称关联网络）属于关系数据,采用社会网络分析方法（SNA）能够从整体网络特征、个体网络特征与块模型分析三大块内容对粮食生产关联网络的结构特征进行分析。

整体网络特征分析网络内部全部成员之间的关联关系及结构,主要包括网络密度、网络关联度、网络等级度、网络效率。其中,网络密度（Density）以网络中实际拥有的关系数与整体网络中最多可能拥有的关系数之比来反映各成员之间关联关系的疏密情况;网络关联度（Connectedness）用来衡量关联网络自身的稳健性或脆弱性,关联度越高,网络的稳健性越强,反之越脆弱;网络等级度（Hierarchy）用来测量网络成员在多大程度上非对称地可达,数值越高,等级结构越森严,少数成员在关系网络中起着主导和支配作用;网络效率（Efficiency）表示在成员间连线数确定的情况下,网络中在多大程度上存在多余的连线,反映各成员之间的连接效率,网络效率越低,则成员之间的溢出渠道越多,空间网络越稳定,越有助于粮食生产要素的空间流动与协作。

个体网络特征主要是通过中心性（Centrality）来研究关联网络中各成员在网络中的地位和作用,主要包括度数中心度、接近中心度、中介中心度^[25]。其中,度数中心度（Degree Centrality, DC）根据关系数来衡量各成员在整体网络中所处的地位,数值越高的成员产生的关系数越多,在网络中的中心地位越突出;接近中心度（Closeness Centrality, CC）刻画了单个成员与其他成员的直接关联程度,数值越高表明该成员产生的直接关系数越多,在网络中越表现出中心行动者的地位,不受其他成员控制的程度越高;中介中心度（Betweenness Centrality, BC）反映了某成员对其他成员间关联关系的控制程度,即在网络中发挥中介作用的程度,数值越高则中介作用越明显。通过表格形式具体说明整体与个体网络特征的指标计算（表1）。

Tab. 1
表1
表1粮食生产空间关联网络特征分析的主要指标测算与说明
Tab. 1Explanation of main indicators for characteristics of spatial correlation network of grain production

指标		计算公式	公式说明	指标含义
整体网络	网络密度	$D = \frac{L}{[N \times (N - 1)]}$ （4）	实际关系数与理论最大关系总数之比	密度越大,成员之间关联关系越紧密
	网络关联度	$C = 1 - \frac{V}{[\frac{N \times (N - 1)}{2}]}$ （5）	网络中任两个成员之间直接或间接可达的程度	关联度越大,网络结构的稳健性越强
	网络等级度	$H = 1 - \frac{K}{\max (K)}$ （6）	网络中成员之间非对称地可达的程度	等级度越大,网络等级越森严,成员的支配地位越强
	网络效率	$E = 1 - \frac{M}{\max (M)}$ （7）	网络中存在多余连线的程度	效率越低,网络中溢出路径越多,网络结构越稳定
个体网络	度数中心度	$DC = \frac{n}{(N - 1)}$ （8）	与某成员直接关联的成员数量与最大可能直接关联的成员总数之比	度数中心度越高,某成员对其他成员的控制能力越强
	接近中心度	$CC = \overset{N}{\sum_{j = 1}} d_{ij}$ （9）	网络中某成员与其他成员的捷径距离之和	接近中心度越高,成员之间的距离越短,关联与协同越密切
	中介中心度	$BC = \frac{2 \overset{N}{\sum_{j}} \overset{N}{\sum_{k}} b_{jk} (i)}{N^{2} - 3 N + 2}, b_{jk} (i) = \frac{g_{jk} (i)}{g_{jk}}$ （10）	网络中成员为其他成员发挥中介作用的程度	中介中心度越高,成员在网络中的中介地位越明显

注：N为网络中成员总数量;L为实际拥有关联关系数;V为网络中不可达的成员对的数量;K为网络中对称可达的成员对的数量;M为网络中多余线的条数;n为网络中与某成员直接关联的其他成员数量;d_ij为两成员间的捷径距离,即捷径中包含的关系数;g_jk为成员j、k之间捷径数量,g_jk(i)为成员j、k间捷径经过成员i的数量,则b_jk(i)为成员i处于j、k之间捷径上的概率,j ≠ k ≠ i,且j < k。

新窗口打开|下载CSV

块模型分析（Block Models）是一种分析网络节点位置特性的方法^[26],主要是通过空间聚类来刻画关联网络的内部结构状态以及各成员在关联网络中的角色和地位,角色相同的成员构成一个板块。参考已有研究的界定与划分标准^[20],本文将粮食生产空间关联网络中的板块划分为4种类型：① 净溢出板块,该板块成员对其他板块成员的溢出关系明显多于它对内部成员发出的关系,且接收其他板块发出的关系较少;② 主受益板块,该板块接收其他板块的关系数远大于自身向板块外部溢出的关系数,且板块内部成员之间也存在溢出关系;③ 经纪人板块,该板块成员既接收较多其他板块的溢出关系,同时又向其他板块发出较多关系,其板块内部成员之间的关系比例较少,在网络中发挥中介和桥梁的作用;④ 双向溢出板块,该板块成员既存在向其他板块的溢出关系,又存在向板块内部的溢出关系,但较少接收其他板块的溢出关系。

2.3 研究对象与数据来源

本文以中国大陆30个省份（不含西藏及港澳台地区）为网络节点,时间跨度为1996—2018年,引力模型所涉及变量的数据来源于相应年份的《中国统计年鉴》《中国农村统计年鉴》《中国人口和就业统计年鉴》《中国农业统计资料》与各省市统计年鉴,以及国家统计局数据网站的分省年度数据（http://data.stats.gov.cn/easyquery.htm?cn=E0103）。其中,粮食作物主要包括小麦、玉米和稻谷,这3种作物的产量之和占粮食总产量的91.31%（2018年）。省会铁路里程数据来源于《中国交通地图册（2017）》中的“全国铁路主要站间里程表”。

3 中国粮食生产空间关联网络特征分析

3.1 空间关联整体网络特征及演变

由于研究时段内地区间粮食生产关联关系的传递方向及关键节点未发生较大改变。首先以2018年为例,借助ArcGIS工具绘制双向空间关联网络图（图1）,发现中国粮食生产在省际间呈现出比较显著的网络结构特征,节点间关联关系的方向存在明显差异,且关键节点以粮食主产区省份为主,尤其是黑龙江、山东、河北、河南及江苏、安徽等省份对其他省份的粮食生产关联的强度显著大于其他省份对这些省份的关联强度。然后借助Ucinet 6.0软件从网络密度、网络关联度、网络等级度与网络效率4个方面对粮食生产的空间关联网络的特征进行具体测度与时序分析。需要将求得的关联关系的引力矩阵转化为关系矩阵,鉴于地区间关联强度存在的差异,以矩阵各行去除极值后的平均值作为临界值,引力值高于该行临界值记为1,表示行省份与列省份的粮食生产具有关联关系;反之,若引力值低于该行临界值则记为0,表示行省份对列省份不具有关联关系^[27]。

图1

新窗口打开|下载原图ZIP|生成PPT
图12018年中国粮食生产的双向空间关联网络

注：① 基于审图号为GS(2020)1827号的标准地图制作,底图无修改;② 排除强度值小于2的空间联系;③ a、b反映省份间关联关系传递方向的差异。
Fig.1Two-way spatial correlation network for China's grain production in 2018

3.1.1 网络密度首先计算1996—2018年中国粮食生产空间关联网络的密度值（图2）。网络密度值与网络关系数的变化保持一致,整体上呈现出“上升→下降→上升”的“N”型演变态势,从1996年的0.301波动性上升到2018年的0.307,表明粮食生产在省际之间整体上的空间关联是加强的,但密度的变化过程具有波动性。受金融危机的冲击,粮食生产在省际间的贸易与调配,包括生产要素在区域间流动均受到波及,并对空间关联产生短暂消极影响,网络密度值在2008年达到最小值,2008年之后开始稳步上升。此外,尽管网络密度整体上是上升的,但最大值仅为0.307,表明省际间粮食生产空间关联的紧密程度仍然偏低,促进省际间粮食生产更密切的交流与协作仍存在较大的提升空间。

图2

新窗口打开|下载原图ZIP|生成PPT
图2中国粮食生产空间关联网络的密度与关系数

Fig. 2Density and relationship number of spatial correlation network of grain production

3.1.2 网络关联性通过计算网络关联度、网络等级度和网络效率进一步分析中国粮食生产空间关联的网络关联性（图3）。1996—2018年省际间粮食生产的网络关联度均为1,表明中国省际粮食生产存在十分显著的空间关联与溢出效应,关联网络具有很好的可达性。网络等级度基本上呈现出与网络密度相反的变化态势,整体表现为“下降→上升→下降”的倒“N”型演变特征。2008年金融危机之后,网络等级度由2010年的高位开始波动性下降,之前等级森严的空间网络结构持续被打破,空间关联性逐渐增强,逐渐形成有利于省际间粮食生产协同发展与合作的趋势。网络效率同样经历了出先降后升、再略下降的波动变化过程,在2010年之后效率下降趋势明显,表明当前省际间粮食生产关联网络中的连线增多,多重叠加效应愈发显著,相应的空间网络结构的稳定性也发生“强→弱→强”的变化,虽然稳定性在持续提升^[28],但仍低于2000年的稳定性水平。

图3

新窗口打开|下载原图ZIP|生成PPT
图3中国粮食生产空间关联网络的等级度与效率

Fig. 3Hierarchy and efficiency of spatial correlation network of grain production

整体关联网络特征及其演变显示,由于2008年金融危机冲击带来的农业结构性调整,伴随着中国农业市场体系日趋完善,地区间粮食调配的交易成本有所降低,且农村劳动力转移的空间流动性加大,农业机械化服务跨区作业的空间溢出效应辐射面更加广泛^[29],地区间粮食生产空间关联程度逐年上升,协调发展与溢出效应日益显著,并逐步破除了以往等级严格的粮食生产空间结构,地区间粮食生产关联的关系数逐渐增多,进一步提升了网络结构的稳定性。

3.2 空间关联个体网络特征

通过测算度数中心度、接近中心度和中介中心度等指标分析关联个体在网络中的中心性特征,从而揭示各省份在粮食生产空间关联网络中的地位和作用。通过测算历年的中心性特征指标,发现各省份的指标并无明显变化,在关联网络中的相对地位也未发生显著转变,故以2018年为例来分析各省份在粮食生产空间关联网络中的特征（表2）。

Tab. 2
表2
表22018年省际粮食生产空间关联的网络中心性分析
Tab. 2Network centrality analysis of inter-provincial spatial correlation of grain production in China in 2018

省份	度数中心度					接近中心度		中介中心度
省份	点出度	点入度	总度数	中心度	排名	中心度	排名	中心度	排名
北京	7	3	10	24.169	27	50.666	27	0	28
天津	7	2	9	24.155	28	54.711	23	0.148	26
河北	9	14	23	58.629	4	70.647	4	3.869	6
山西	9	11	20	45.826	13	64.344	13	2.392	12
内蒙古	8	16	24	56.176	5	66.354	10	3.251	10
辽宁	8	10	18	38.741	15	55.766	21	0.994	16
吉林	8	12	20	49.682	11	65.911	11	2.238	13
黑龙江	15	1	16	49.672	12	64.912	12	3.339	9
上海	6	2	8	22.667	30	49.961	30	0	30
江苏	8	16	24	56.175	7	68.159	6	4.755	5
浙江	9	3	12	32.062	23	56.852	20	0.763	19
安徽	11	16	27	56.175	6	68.159	5	5.904	4
福建	8	7	15	34.582	19	54.711	22	0.362	22
江西	8	5	13	34.583	18	53.805	25	0.847	17
山东	8	17	25	59.633	3	71.649	3	6.606	3
河南	10	22	32	74.683	1	81.455	1	13.562	1
湖北	7	19	26	66.625	2	76.369	2	9.126	2
湖南	8	16	24	56.175	9	67.351	8	3.495	7
广东	8	10	18	37.693	16	61.702	14	1.364	14
广西	9	6	15	34.581	20	58.022	17	0.342	23
海南	8	2	10	28.344	26	53.805	26	0	27
重庆	9	5	14	37.619	17	56.861	19	0.837	18
四川	12	7	19	42.387	14	59.188	15	1.333	15
贵州	9	8	17	34.492	21	53.805	24	0.651	20
云南	9	4	13	34.476	22	58.022	18	0.271	25
陕西	14	14	28	56.175	8	68.156	7	3.452	8
甘肃	9	5	14	31.133	24	59.188	16	0.469	21
青海	7	1	8	24.128	29	50.666	29	0	29
宁夏	9	2	11	31.002	25	50.666	28	0.311	24
新疆	10	11	21	53.621	10	67.255	9	2.934	11
均值	8.9	8.9	17.8	42.869	-	61.304	-	2.454	-

新窗口打开|下载CSV

3.2.1 度数中心度各省份粮食生产关联网络的度数中心度均值为42.869,高于平均值的省份有13个,分别为河南、湖北、山东、河北、内蒙古、江苏、安徽、湖南、陕西、新疆、吉林、黑龙江和山西,除陕西、新疆、山西外,均为处于北方或长江中下游的粮食主产区,是中国粮食生产的空间关联较为集中的地区,其他省份在粮食生产空间关联网络中与这些省份的关系数较多。整体网络结构的稳定性对这些省份的依赖程度较高,其中河南省度数中心度为最高（74.683）,该省与其他29个省份中的22个省份之间均存在空间关联与溢出效应,即河南省在中国粮食生产的空间格局中处于中心地位;而上海、青海、天津、北京、海南、宁夏、浙江等省份在关联网络中的度数中心度处于较低的位置,整体上与其他省份的关联较少,这些省份除青海、宁夏为平衡区外,其他均为处于东部沿海的粮食主销区,粮食生产地位并不突出,且生产规模相对较小,粮食需求大多来自主产区省份的调运,在关联网络中处于从属地位。

此外,度数中心度的点出度和点入度的均值为8.9,其中有15个省份的点出度大于均值,排名靠前的为黑龙江、陕西、四川、安徽、河南、新疆、河北、山西、广西等省份,这些省份大多处于粮食主产区和平衡区,是中国粮食生产空间关联网络中的溢出主体,处于粮食主产区的安徽、河南和河北3省的点入度均大于点出度,整体上在关联网络中受益相对多于溢出,而同处于主产区的黑龙江和四川的点出度明显大于点入度,在关联网络中发挥较大作用的溢出效应;有14个省份的点入度大于均值,这些省份相应的度数中心度排名也比较靠前,除陕西省点出度与点入度相等外,其他省份点入度均高于自身的点出度,是关联网络中的受益主体,而排名靠后省份的点入度均小于点出度,这些省份在关联网络中存在溢出效应。可以发现,度数中心度较大省份的点入度大于点出度,比如河南省度数中心度最大,其点入度（22）大于点出度（9）,这些省份在粮食生产关联网络中处于较中心的地位,既能在网络中受益,又能在网络中向其他省份溢出。综合而言,粮食主产区省份大多在关联网络中发挥桥梁的作用,而粮食主销区省份大多已完成产业结构升级,不再承担粮食安全保障的主要任务,生产生活中对粮食的需求逐渐由其他省份调入,这种受益关联与溢出关联产生的耦合效应,逐渐改变着中国粮食生产的空间格局。

3.2.2 接近中心度各省份粮食生产关联网络的接近中心度均值为61.304,高于平均值的省份有14个,分别为河南、湖北、山东、河北、安徽、江苏、陕西、湖南、新疆、内蒙古、吉林、黑龙江、山西和广东,除陕西、新疆、山西和广东外,均为处于北方或长江中下游的粮食主产区,且度数中心度也较高,表明这些省份作为中心行动者的角色在省际间粮食生产关联网络中能够更快速地与其他省份产生连接,其中河南的接近中心度达到81.455,明显高于其他粮食主产区省份,说明其他省份与河南在粮食生产的关联网络中最接近,基本上居于整体关联网络的重心;而上海、青海、北京、宁夏和海南等省份的接近中心度排名较靠后,大多是粮食主销区或平衡区省份,受限于粮食生产规模较小或地理位置欠佳,在关联网络中处于边缘行动者的地位。

3.2.3 中介中心度各省份粮食生产关联网络的中介中心度均值为2.454,表明中国省际间粮食生产之间能够快速有效地建立关联关系。高于平均值的省份有11个,其中排名靠前的省份包括河南、湖北、山东、安徽、江苏、河北、湖南、陕西、黑龙江、内蒙古、新疆等,这些粮食主产区省份在粮食生产空间关联网络中处于中心地位,对其他省份的空间关联具有较强的控制能力;而上海、青海、北京、海南、天津、云南、宁夏等省份的中介中心度排名靠后,大都为粮食生产规模较小的主销区或平衡区,容易受到中介中心度较大省份的影响而难以对其他省份的粮食生产发挥控制和支配作用。综合而言,各省份在粮食生产关联网络中的中介中心度表现出明显的非均衡特征,粮食主产区省份在关联网络中处于显著的中心地位,在网络中的控制作用较强,处于绝对核心位置的河南、山东、江苏、湖南等省份会削弱邻近地区粮食生产的地位,多数粮食主销区和平衡区省份在网络中基本处于边缘地位。

3.3 块模型分析

以2018年为例,通过块模型深入分析关联网络中的结构特征与交互关系。借鉴已有研究,采用Ucinet 6.0中的CONCOR方法（Convergent Correlations）,选择最大切分深度为2,集中标准为0.2,将全国30个省份的粮食生产划分为4个板块（Block）,并得到4个板块的溢出效应关系（表3）。2018年中国省际粮食生产关联网络的关系总数为267个,各板块内部关系数为131个,板块间关系数为136个,即板块之间的粮食生产存在明显的空间关联与溢出效应。

Tab. 3
表3
表3粮食生产空间关联网络各板块的溢出效应分析
Tab. 3Spillover effects between the blocks in spatial correlation network of grain production

板块	接收关系数				成员数目	接收板块外关系数	溢出板块外关系数	期望内部关系比例(%)	实际内部关系比例(%)	板块特征
板块	Ⅰ	Ⅱ	Ⅲ	Ⅳ	成员数目	接收板块外关系数	溢出板块外关系数	期望内部关系比例(%)	实际内部关系比例(%)	板块特征
Ⅰ	14	36	3	15	6	17	54	17.241	22.857	净溢出
Ⅱ	5	57	9	5	7	62	19	20.690	77.027	主受益
Ⅲ	4	16	15	11	9	26	31	27.586	32.609	经纪人
Ⅳ	8	10	14	45	8	31	32	24.138	59.211	双向溢出

新窗口打开|下载CSV

板块Ⅰ的成员包括黑龙江、青海、陕西、甘肃、宁夏、新疆共6个省份,主要集中在西北地区的粮食平衡区。板块Ⅰ的溢出关系数共68个,其中板块内部关系数是14个,接收板块外关系数为17个,期望内部关系比例为17.241%,而实际的内部关系比例为20.588%,即该板块向其他板块的溢出关系较多,接收其他板块的溢出关系较少,且实际内部关系比例最小,板块内部的净溢出效应明显,故板块Ⅰ属于“净溢出板块”。板块成员大多属于粮食平衡区,能够在实现粮食生产自给自足的同时,还能对其他地区进行粮食要素资源溢出。值得注意的是,黑龙江作为唯一的主产区省份也属于净溢出板块,与黑龙江的点入度仅为1相呼应,黑龙江的粮食产量与输出量连续多年位居全国第一,销售市场已遍布全国各地,但运输距离长、运输成本高的问题依然存在。

板块Ⅱ的成员包括北京、天津、上海、福建、浙江、湖北、江西共7个省份,除湖北和江西外,均为粮食规模较小的东部沿海省份。板块Ⅱ的溢出关系数共76个,其中板块内部关系数是57个,接收板块外关系数达到62个,期望内部关系比例为20.690%,而实际的内部关系比例为75%,即该板块接收来自其他板块的关系数显著高于其向外溢出的关系数,板块成员的溢出效应较有限,故板块Ⅱ属于“主受益板块”。板块成员主要为北方直辖市和长江中下游省份,除仍为主产区的湖北和江西,其他省份的经济快速增长、产业结构升级使得粮食生产不再具有比较优势,生产比重持续下滑。

板块Ⅲ的成员包括河北、河南、江苏、山西、内蒙古、辽宁、吉林、山东、安徽共9个省份,主要集中在粮食生产规模较大的主产区。板块Ⅲ的溢出关系数共46个,其中板块内部关系数是15个,接收板块外关系数为26个,期望内部关系比例为27.586%,而实际的内部关系比例为32.609%,即该板块既向外溢出也接收来自其他板块的溢出,且内部关系数与溢出关系数基本相当,故板块Ⅲ属于“经纪人板块”。板块内成员集中了绝大多数粮食主产区省份,粮食生产规模与政策优势明显,要素资源倾向在板块内部集中,在关联网络中处于核心地位,并起到“中介”与“桥梁”的作用。

板块Ⅳ的成员包括湖南、贵州、云南、广东、广西、海南、重庆、四川共8个省份,除湖南和四川为粮食主产区外,其他均为南方粮食平衡区或主销区省份。板块Ⅳ的溢出关系数共77个,其中板块内部关系数是45个,接收板块外关系数为31个,期望内部关系比例为24.138%,而实际的内部关系比例为58.442%,即该板块既接收来自其他板块的溢出,也对其他板块产生溢出效应,且向其他板块溢出的关系更多,故板块Ⅳ属于“双向溢出板块”。该板块成员大都为西南地区的粮食平衡区,粮食生产要素不仅能满足自给自足外,还能向其他省份溢出。综合来看,不同省份在粮食生产空间关联网络中的角色和地位具有差异化特征。

进一步,通过计算网络密度矩阵,考察板块之间的粮食生产的关联关系与溢出路径。2018年整个关联网络的密度值为0.311,如果板块密度大于0.311,即该板块密度大于总体平均水平,表明粮食生产在该板块呈现集中的趋势,则将其重新赋值为1,否则赋值为0,从而将密度矩阵转化为像矩阵（表4）。从像矩阵可以直观地看出粮食生产板块之间存在的关联关系与传递机制,并由此绘制关联关系图（图4）,像矩阵对角线上的元素全部为1,表明粮食生产在各板块内部具有显著的关联性,并产生俱乐部集聚效应^[20]。具体来说,板块Ⅳ除自身内部存在关联关系外,还对板块Ⅲ产生溢出效应,板块Ⅲ则对板块Ⅰ和板块Ⅱ均产生溢出效应,因而板块Ⅲ在关联网络中发挥中介作用,板块Ⅳ通过板块Ⅲ的传递作用而建立起与板块Ⅰ和板块Ⅱ的溢出关系,而板块Ⅰ除接收来自板块Ⅲ的溢出关系外,还对板块Ⅱ存在溢出效应。整体而言,多数粮食主产区具有生产规模及农业政策优势,区位优势明显,在关联网络中处于核心地位,并发挥经纪人的中介传递作用,推动粮食需求与交流在空间上的流动,而生产规模相对较小的粮食平衡区及湖南、广东、四川等省份既受益于板块内部关联的影响,还能够对板块外部其他省份的粮食生产形成溢出效应,经济发展较快的粮食主销区的受益效应更显著。

Tab. 4
表4
表4粮食生产空间关联网络各板块密度矩阵与像矩阵
Tab. 4Density matrix and image matrix of all blocks in spatial correlation network of grain production

板块	密度矩阵				像矩阵
板块	Ⅰ	Ⅱ	Ⅲ	Ⅳ	Ⅰ	Ⅱ	Ⅲ	Ⅳ
Ⅰ	0.354	0.452	0.075	0.281	1	1	0	0
Ⅱ	0.063	0.578	0.128	0.038	0	1	0	0
Ⅲ	0.319	0.323	0.750	0.175	1	1	1	0
Ⅳ	0.120	0.112	0.350	0.739	0	0	1	1

新窗口打开|下载CSV

图4

新窗口打开|下载原图ZIP|生成PPT
图4粮食生产关联网络四大板块之间的传递关系

Fig. 4Transmission relationship among the four blocks in spatial correlation network of grain production

4 中国粮食生产空间关联网络的形成机制

4.1 驱动因子选择与模型建立

区域间粮食生产空间关联网络的形成与变迁是内在自然禀赋条件与外在社会经济因素相互作用的结果。本文主要从社会经济方面选择地理空间邻近性、经济发展水平差异、产业结构升级差异、农村劳动力规模差异、农业机械化服务差异等外在因素,及耕地资源差异、气象条件差异等内在禀赋因素选择驱动因子探讨省际间粮食生产空间关联网络结构的形成机制。对驱动因素进行具体说明：① 地理空间邻近性（Distance）：地理学第一定律表明地理位置越邻近的地区往往产生越强的联系,即邻近省份之间在粮食生产上可能具有更加显著的关联关系与溢出效应,块模型分析也显示各板块之间具有明显的地域性特征,采用省际Rook邻接权重矩阵进行表征,省份相邻设为1,不相邻则设为0（假设海南与广东相邻）;② 经济发展水平差异（Pgdp）：经济发展水平的差异能够导致当地粮食生产大环境的差异,比较效益的下降使得经济增长较快地区的农业产业已不具有相对优势（如东部沿海省份）,采用省际人均生产总值（元）差异来表征经济发展水平的差异;③ 产业结构升级差异（Indus）：产业结构升级主要是国民经济重心由第一产业向第二产业,逐渐向第三产业的升级,产业结构升级过程会改变以农业为主导的经济增长方式,进而影响到不同地区间粮食生产的关联关系,以省际第三产业占GDP比重（%）的差异来表征产业结构省际的差异;④ 农村劳动力规模差异（Labor）和农业机械化规模差异（Mech）：劳动力和农机服务作为重要的生产要素影响地区粮食生产,农村劳动力的规模、农机服务的跨区作业也影响地区间粮食生产的空间关联,采用农业从业人员数（万人）差异和农业机械总动力（万kW）差异分别表征农村劳动力规模差异与农业机械化服务差异;⑤ 耕地资源差异（Land）：随着人口增长、城镇扩张,导致耕地面积不断减少,进而影响到粮食供给,并造成地区间粮食生产差异,采用耕地面积（千hm²）差异表征地区间耕地资源的差异;⑥ 气象条件差异（Climate）：粮食生产的过程需要适应气候条件的变化^[30],不同地区的气象条件的变化导致地区间粮食产量的差异,主要选取气温（Temp, ℃）、降水量（Prec, mm）和日照时数（Sun, h）等指标的差异表征地区间气象条件的差异。因此建立驱动力计量模型：

F = f (Distance, Pgdp, Indus, Labor, Mech, Land, Temp, Prec, Sun)

式中：变量表示的是数据之间的关系,即通过一系列的矩阵来表示,因变量F表示省际粮食生产空间关联矩阵;Distance为邻接权重矩阵;Pgdp、Indus、Labor、Mech、Land、Temp、Prec、Sun为各变量差异的绝对值构建的关系矩阵,30省份1996—2018年的相关数据来源于国家统计局数据中心（data.stats.gov.cn）及历年《中国统计年鉴》。气温、降水量和日照时数等气候变化数据均来自于中国气象局气象数据中心（data.cma.cn）的“中国地面气候资料年值数据集”,该数据集为中国613个基本、基准地面气象观测站及自动站1951年以来气候资料年值数据集,基于ArcGIS提取并统计各省份历年的平均值。

4.2 基于QAP方法的回归分析

由于空间关联矩阵及相关驱动力的变量全部是由关系数据构成的矩阵,变量间可能存在多重共线性问题,不能用常规计量方法进行检验。二次指派程序方法QAP是研究多个自变量矩阵与一个因变量矩阵之间回归关系的一种非参数方法,不需要假设自变量之间相互独立,比参数方法更加有效和稳健^[31],其以矩阵数据的置换为基础,并对判定系数R²的显著性进行评判,估计过程大致分为3步：① 对因变量矩阵和自变量矩阵对应的长向量元素进行常规的多元回归分析,得到实际参数估计值和判定系数R²;② 同时随机置换自变量矩阵的各行与各列,重新进行估计,保留所有的估计系数和判定系数R²;③ 重复足够多次的置换步骤,计算全部随机置换次数中大于或等于实际参数估计值的随机置换所占的比例,从而估计统计量的标准误,完成显著性检验^[32,33]。故接下来采用QAP方法分析省际粮食生产空间关联网络形成的驱动力。

选取1996年、2000年、2004年、2008年、2012年、2015年、2018年为典型年份进行QAP回归分析,选择随机置换次数为5000次（表5）。7个年份调整后的R²处于0.295~0.416之间,且通过了1%显著性水平的检验,即选取的驱动因子能够解释中国粮食生产空间关联关系变化的29.5%~41.6%,整体的拟合效果较好。此外,以研究时段内各指标均值的绝对差构建的差异矩阵进行QAP回归进行稳健性分析。

Tab.5
表5
表5中国粮食生产空间关联关系的驱动因素回归结果
Tab.5Regression results of the factors driving the spatial correlation network of China's grain production

变量	1996	2000	2004	2008	2012	2015	2018	均值
Distance	0.2894^** (0.977)	0.1839^** (0.945)	0.2071^** (0.906)	0.2268^** (0.927)	0.2086^** (0.893)	0.1891^** (0.886)	0.2824^** (0.901)	0.5662^*** (0.956)
Pgdp	0.0476^*** (1.000)	0.0701^*** (1.000)	0.1086^*** (1.000)	0.0488^*** (1.000)	0.0584^*** (1.000)	0.0532^*** (1.000)	0.1337^** (1.000)	0.1134^** (1.000)
Indus	-0.0074 (1.000)	-0.0209 (0.138)	-0.1106 (1.000)	-0.0289 (0.037)	-0.0232 (1.000)	0.0072 (0.970)	0.0117 (1.000)	0.4111 (0.167)
Labor	0.0267^*** (0.416)	0.0473^*** (0.638)	0.0348^*** (0.661)	0.0326^*** (0.839)	0.0373^*** (0.928)	0.0301^*** (0.996)	0.0353^*** (0.827)	0.0631^*** (0.697)
Mech	0.0468^*** (1.000)	0.0167^*** (1.000)	0.0489^*** (1.000)	0.0017^*** (1.000)	0.0049^*** (1.000)	0.0083^*** (1.000)	0.0748^*** (0.283)	0.1869^*** (1.000)
Land	0.0529^*** (1.000)	0.0403^*** (1.000)	0.0381^*** (1.000)	0.0474^** (1.000)	0.0274^** (0.388)	0.0266^** (1.000)	0.0141^*** (0.493)	0.1148^*** (1.000)
Temp	-0.0659 (0.000)	-0.1109 (0.000)	-0.1505 (0.057)	-0.0659 (0.283)	-0.1001 (0.188)	-0.0966 (0.195)	0.0632 (0.193)	-0.2154 (0.205)
Prec	-0.0241^*** (0.132)	-0.0273^*** (0.422)	0.0063^*** (0.493)	-0.0603^*** (0.321)	-0.0369^*** (0.328)	-0.0387^*** (0.541)	0.0746^*** (0.434)	-0.2922^*** (0.609)
Sun	-0.0541^*** (0.243)	-0.0487^*** (0.231)	-0.0968^*** (0.146)	-0.0452^*** (0.295)	-0.0508^*** (0.265)	-0.0584^*** (0.287)	0.0479^*** (0.338)	-0.1373^*** (0.325)
R²	0.325	0.304	0.383	0.418	0.419	0.421	0.411	0.515
Adj-R²	0.316	0.295	0.374	0.409	0.413	0.416	0.404	0.510
P值	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
观察值	870	870	870	870	870	870	870	870
随机置换次数	5000	5000	5000	5000	5000	5000	5000	5000

注：变量的系数为标准化回归系数;^*、^**、^***分别表示在10%、5%、1%水平上显著;括号内数值表示随机置换产生的回归系数不小于实际观察到的回归系数的概率。

新窗口打开|下载CSV

回归结果显示,随时间的演进,不同驱动因子对省际粮食生产关联网络影响的方向与程度发生了不同的变化,表现出较明显的差异化特征。具体而言,① 地理空间邻近性的系数均显著为正,表明地理位置的邻近对加强省际间粮食生产的空间关联具有重要作用,邻近省份之间具有更强的空间溢出效应,并推动空间关联网络的形成,但随着时间的推移,该正向加强作用存在明显的波动性;② 经济发展水平差异的系数均显著为正,整体上表明地区间经济发展水平差异越大,粮食生产之间的空间关联越强,对省际粮食生产关联网络的稳定性越具有完善与促进作用,但该系数经历了“上升→下降→上升”的演变过程,2008年达到系数的最低值,在此之后中国经济增长方式逐步由片面追求数量和速度向追求质量与效益提高的转变,经济发展的提质增效也带动了省际间粮食生产的交流与贸易;③ 产业结构升级差异的系数经历了由负到正的变化,但均未通过显著性检验,表明产业结构升级的影响还未显现。随着当前中国总体上已进入工业化后期,服务业发展也在不断推进与深入,农业作为基础性产业的地位在不断下降,产业结构升级的差异对促进地区间粮食生产的空间关联将逐渐发挥作用;④ 农村劳动力规模差异的系数均显著为正,地区间农村劳动力资源的规模差异越大,粮食生产中的交流与协作就越强,在网络中的关联强度也越大。系数大小的稳定性意味着,粮食生产受劳动力流动与转移的影响在长期演变中具有平稳性;⑤ 农业机械化规模差异在典型年份的系数显著为正,地区间农业机械化服务的差异越大,则粮食生产关联网络的强度越大。中国地区间的地形地貌差异巨大导致农机服务在丘陵、山区等地的推广受限,且跨区作业大都发生在地形条件相近、地理距离邻近的地区之间,南北方不同的粮食作物的农机服务也存在差异,影响不同地区的粮食生产;⑥ 耕地资源差异的系数均显著为正,即地区间耕地规模差异越大,地区间粮食生产的关联强度也越强,耕地资源是粮食生产基本的禀赋条件,耕地面积高的地区能够通过提高粮食产量对其他地区产生溢出效应,从而促进地区间粮食生产更加紧密的联系;⑦ 不同气象条件的差异对地区间粮食生产关联强度的影响存在显著差异,气温、降水量和日照时数差异的系数除2018年的年份均为负向,但气温差异的系数未通过显著性检验,地区间气温的较大差异并未负向影响粮食生产的空间关联,而降水量和日照时数的较大差异导致了地区间粮食生产关联强度的下降,意味着具有相近降水量和日照时数等气象条件的地区,粮食生产拥有更强的空间关联。稳健性检验显示（表5）,以各变量在研究时段内均值的绝对差重新估计后,估计系数反映各变量对关联网络的均值影响程度,标准化回归系数在方向和显著性水平方面并未发生较大改变,但均值影响的程度要大于历年的影响,总体上表明本研究的回归结果是比较稳健的。

5 结论与相关启示

在运用修正的引力模型测算中国省际粮食生产空间关联关系并建立关联网络的基础上,采用社会网络分析方法对省际粮食生产空间关联网络的结构特征进行审视与分析,通过QAP回归方法分析了影响粮食生产空间关联性的主要驱动因子及其变化。研究发现：

（1）从整体网络结构特征看,中国粮食生产存在显著的空间关联与溢出效应,网络密度整体上是增加的,但当前仅为0.307,促进省际间更密切的关联仍存在较大提升空间。空间关联网络具有较好的可达性,网络等级度和网络效率在波动中下降,逐步打破等级森严的空间网络结构,网络结构的稳定性在提高,并存在溢出效应的多重叠加现象。

（2）从个体网络结构特征看,中国省际粮食生产的受益与溢出的空间关联格局呈现主产区、主销区和平衡区“核心—边缘”分布格局,粮食主产区省份在关联网络中处于主导与控制地位,其中以河南省的中心地位最为突出,粮食主销区和平衡区处于边缘行动者的地位。

（3）块模型分析显示,以西北地区平衡区省份为主的板块Ⅰ存在显著的净溢出效应;囊括了北方直辖市和长江中下游主销区省份的板块Ⅱ属于主受益板块,溢出效应有限;以北方粮食主产区省份为主的板块Ⅲ属于经纪人板块,在关联网络中处于核心位置,并发挥中介作用;以西南地区平衡区省份为主的板块Ⅳ存在显著的双向溢出效应。此外,中国省际粮食生产的溢出效应具有明显的梯度传递特征,板块Ⅰ和板块Ⅳ是粮食生产溢出的主体,板块Ⅲ的中介作用将板块Ⅳ的生产动能传递至板块Ⅰ和板块Ⅱ,板块Ⅱ是粮食生产关联关系传递的终点。

（4）粮食生产空间关联网络的形成受自然禀赋条件与社会经济因素的共同推动。地理空间邻近性、经济发展水平差异、农村劳动力规模差异、农业机械化规模差异、拥有耕地资源的差异及降水量和日照时数等气象条件的相近性对中国粮食生产空间关联强度的提高具有显著影响,而产业结构升级的差异、气温的影响并不显著。

基于以上分析的结论,得到以下政策启示：① 中国粮食生产的空间关联格局已发生深刻变化,省际空间关联关系的强度提高使得粮食生产过程不仅取决于自身生产规模,而且也与其他地区的粮食生产产生密切联系,这就要求粮食政策的制定考虑到地区间空间关联关系,并逐步提高空间关联强度、拓宽空间溢出渠道,可通过宏观调控与市场机制为粮食生产的跨区域协同与要素流动创造有利条件,打破省际间生产要素流动的壁垒,以促进区域间粮食生产的协调发展与粮食安全;② 针对各省份在关联网络中所处的不同地位及各板块发挥的不同功能,求同存异,因地制宜地出台更加精准、差异化的粮食政策,继续发挥主产区粮食生产作为核心的主导控制能力,并承担更多的粮食安全保障任务,提高主销区与平衡区粮食生产的空间联动效率。推动主销区、平衡区省份向主产区省份的反哺,重点关注提供中介作用及传导功能的北方主产区省份的粮食生产;③ 充分考虑地理空间邻近、地区经济发展差异、地区劳动力要素规模及农业机械服务的差异,地理距离邻近省份具有更低的粮食生产交流与合作成本,应加强邻近省份粮食生产的跨区域流动与合作。由于经济发展水平较高的主销区粮食生产只占很小比重,随着产业结构升级逐步推进,农村劳动力规模相对较小,应为主销区与主产区粮食生产交流与贸易创造更多的传递路径。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

Wencong

, Mei

Yan

. Empirical studies on the variation and contributing factors of regional grain production structure in China: Based on spatial econometrics models
Journal of China Agricultural University (Social Sciences), 2007,24(3):140-152.