基于GTWR模型的安徽省耕地利用效率影響因素時空分析

劉子旋，梁騰飛，1c，梁棟棟，吳 旭

（1.安徽師范大學(xué)，a.地理與旅游學(xué)院；b.地理大數(shù)據(jù)研究中心；c.計算機與信息學(xué)院，安徽 蕪湖 241003；2.巢湖學(xué)院，安徽 巢湖 238000）

黨的十九大報告提出：“確保國家糧食安全，把中國人的飯碗牢牢端在自己手中”。耕地是糧食生產(chǎn)的載體，耕地利用效率影響著糧食的產(chǎn)量［1］。中國是世界上人均耕地面積最小的國家之一，并且農(nóng)藥、化肥的大量使用以及不良的耕種方式，導(dǎo)致耕地質(zhì)量與地力逐步下降。在經(jīng)濟(jì)發(fā)展大背景下，更多的農(nóng)民從事非農(nóng)業(yè)工作，耕地利用效率逐漸降低。經(jīng)濟(jì)發(fā)展需要土地資源，其中耕地扮演重要角色。如何激活耕地的生產(chǎn)力，提升耕地的利用效率，讓有限的耕地資源滿足不斷膨脹的社會需求，是目前學(xué)界關(guān)注的焦點問題。

國內(nèi)外關(guān)于耕地利用效率的研究已頗為豐富，其主要研究方向聚焦于耕地利用效率的測度、時空變化特征以及驅(qū)動因素研究。在耕地利用效率測度方 面，自1978年Charnes等［2］創(chuàng) 建 數(shù) 據(jù) 包 絡(luò) 分 析（DEA）后，Bjurek等［3］和Alemdar等［4］開始使用DEA模型測算耕地利用效率，之后部分學(xué)者對DEA進(jìn)行改良，衍生出DEA-BCC模型［5］、CCR-DEA模型［6］以及SBM-DEA模型［7］，廣泛應(yīng)用于耕地利用效率測算領(lǐng)域，如燕雪艷等［8］使用DEA-BCC模型研究耕地利用效率，并計算了超效率和曼奎斯特指數(shù)；廖成泉等［9］采用四階段DEA和DEA-BCC模型對湖北省耕地利用效率進(jìn)行精準(zhǔn)評價；劉玉海等［10］結(jié)合SBMDEA模型和全要素生產(chǎn)率指數(shù)評估了中國各省份耕地利用效率。在耕地利用效率時空變化特征方面，張榮天等［11，12］使用Moran’s I指數(shù)從整體和局部揭示了研究區(qū)內(nèi)部耕地利用效率的時空分異特征，王海力等［13］通過ArcGIS冷熱點分析、趨勢面分析分析了西南地區(qū)耕地利用綜合效率的時空變化特征等，國內(nèi)外相關(guān)學(xué)者逐漸從側(cè)重耕地利用效率測度與評價向關(guān)注耕地利用效率的空間差異過渡［14］。在耕地利用效率驅(qū)動因素方面，國內(nèi)外諸多學(xué)者多采用Tobit回歸及GWR模型分析耕地利用效率的驅(qū)動因素，楊朔等［15］、徐秋等［16］采用DEA-Tobit方法在評價研究區(qū)耕地利用效率的基礎(chǔ)上，進(jìn)一步分析了影響其時空變化的驅(qū)動因素；張立新等［14］考慮回歸關(guān)系的空間非平穩(wěn)性，將地理加權(quán)回歸（GWR）引入耕地利用效率驅(qū)動因素的研究中。當(dāng)前研究尚存在一些不足之處：在研究內(nèi)容上多側(cè)重對耕地利用效率的測度與驅(qū)動因素研究，分析特定區(qū)域各研究單元耕地利用效率時空差異的研究較少；對耕地利用效率驅(qū)動因素的研究多聚焦于自然條件、社會經(jīng)濟(jì)條件及農(nóng)業(yè)投入等方面，缺少對研究單元耕地利用效率相互影響的考慮。

安徽省是全國糧食主產(chǎn)區(qū)之一，提高安徽省耕地利用效率將對國家整體的糧食安全起非常重要的作用。本研究以安徽省16個地級市為研究對象，采用DEA及ESDA模型探討安徽省耕地利用效率的時空變化及空間相關(guān)性，通過GTWR模型分析安徽省耕地利用效率的主要影響因素，以期為安徽省各地市采取針對性措施提升耕地利用效率提供參考。

1 研究區(qū)概況和數(shù)據(jù)來源

1.1 研究區(qū)概況

安徽省，簡稱皖，省會為合肥市，地處中國華東地區(qū)，是長三角核心地帶，全省總面積達(dá)14萬km2，下轄16個省轄市與7個縣級市，共54個縣區(qū)、44個市轄區(qū)。安徽省是中國經(jīng)濟(jì)發(fā)展戰(zhàn)略的關(guān)鍵一環(huán)節(jié)，2018年全省生產(chǎn)總值突破3萬億元。安徽省是中國農(nóng)產(chǎn)品生產(chǎn)大省，全省鄉(xiāng)村人口基數(shù)達(dá)到5 300萬人。

1.2 數(shù)據(jù)來源

數(shù)據(jù)來源于《安徽省統(tǒng)計年鑒》（2014—2018），影響因素時空地理加權(quán)回歸分析所需的部分?jǐn)?shù)據(jù)，來源于安徽統(tǒng)計年鑒。圖件數(shù)據(jù)從國家基礎(chǔ)地理信息中心網(wǎng)站（http：//www.ngcc.cn/）下載。

2 研究方法和指標(biāo)選取

2.1 數(shù)據(jù)包絡(luò)分析法

數(shù)據(jù)包絡(luò)分析方法（Data envelopment analysis，DEA）是一種相對效率評價的數(shù)量分析方法，是把多項投入指標(biāo)和多項產(chǎn)出指標(biāo)，通過線性規(guī)劃來評價同類型單元的相對有效性。CCR模型的假設(shè)前提是規(guī)模報酬不變，設(shè)有n個決策單元（j=1，2，3，…，n），每個決策單元有相同的m項投入和相同的s項產(chǎn)出，投入向量和產(chǎn)出向量分別記為：xj和yj，引入松弛變量s+和剩余變量s-后，CCR模型為：

BCC模型是在規(guī)模報酬可變的條件下，對CCR模型進(jìn)行簡單的改進(jìn)，增加約束條件則變成了BCC模型。

2.2 空間自相關(guān)分析（EDSA）

空間自相關(guān)分析可分為全局空間自相關(guān)分析和局部空間自相關(guān)分析。全局空間自相關(guān)分析主要用來描述研究區(qū)域內(nèi)部所有對象之間的平均關(guān)聯(lián)程度及空間分布模式，局部空間自相關(guān)分析主要用來識別不同空間位置上可能存在的集聚情況，一般使用Moran’s I與Local Moran’s I指數(shù)來表征全局空間自相關(guān)及局部空間自相關(guān)，其公式為：

式中，I和Ii分別表示全局和局部空間自相關(guān)指標(biāo)，n為研究對象個數(shù)，Wij為空間權(quán)重矩陣，S2為觀測值的方差，X、Y均為觀測值。

2.3 GTWR模型

2010年，Shi等［17］提出時空地理加權(quán)回歸模型（Geographically and temporally weighted regression，GTWR），在GWR模型的基礎(chǔ)上引入了時間坐標(biāo)，模型表達(dá)式：

其中，（ui，vi，ti）是樣本點i的三維時空坐標(biāo)，βk（ui，vi，ti）是第i個樣本點的第k個自變量的回歸系數(shù)；εi是第i個樣本點的隨機誤差；β0（ui，vi，ti）為樣點的i回歸系數(shù)，是由樣點i的空間位置和時間決定。本研究參考了相關(guān)研究成果［18］，同時考慮數(shù)據(jù)的可獲取性，選擇人均GDP、灌溉指數(shù)、單位面積機械總動力、農(nóng)業(yè)勞動力人均耕地面積、復(fù)種指數(shù)和單位面積農(nóng)藥使用量作為自變量，耕地利用綜合效率為因變量。

2.4 指標(biāo)選取

投入要素的合理配置影響著耕地的效益產(chǎn)出，從而影響耕地的利用效率。參考文獻(xiàn)［19］，考慮數(shù)據(jù)的可獲取性，本研究的指標(biāo)選取如表1所示。

表1 投入和產(chǎn)出指標(biāo)的選取

3 結(jié)果與分析

3.1 安徽省耕地利用效率分析

本研究選擇投入導(dǎo)向的DEA模型，使用DEA的CCR（C2R）模型和BCC（BC2）模型，所得到的綜合效率等于純技術(shù)效率和規(guī)模效率的乘積，利用Deap 2.1軟件，分別導(dǎo)入每一年的投入和產(chǎn)出數(shù)據(jù)后，得到安徽省各地市耕地利用綜合效率、純技術(shù)效率以及規(guī)模效率。

3.1.1 耕地利用效率總體分析 根據(jù)2013—2017年各地市耕地利用綜合效率、純技術(shù)效率以及規(guī)模效率的均值得到安徽省耕地利用效率的變化趨勢（圖1）。

圖1 2013—2017年安徽省耕地利用效率變化趨勢

2013—2017年安徽省耕地利用綜合效率均值為95.7%，實際效率達(dá)到理想效率的95.76%，表明該研究時段安徽省耕地利用效率處于較高水平（表2）。從整體趨勢來看，安徽省耕地利用綜合效率在一定范圍內(nèi)波動，但基本保持不變。2015年安徽省耕地流轉(zhuǎn)效率高達(dá)46.8%，耕地規(guī)模效率達(dá)到最大，但因為流轉(zhuǎn)無序性造成農(nóng)民利益受損等問題，2016年部分農(nóng)民選擇其他方式維持生計，造成耕地規(guī)模下降，而2017年中央一號文件提出進(jìn)一步提高農(nóng)業(yè)補貼政策的指向性和精準(zhǔn)性，引導(dǎo)農(nóng)業(yè)規(guī)模經(jīng)營健康發(fā)展，使農(nóng)業(yè)種植規(guī)?；厣?。

表2 2013—2017年安徽省耕地利用效率均值

3.1.2 耕地利用效率內(nèi)部差異分析 就DEA有效性而言，合肥、亳州、淮南、六安、馬鞍山和黃山6市的耕地利用綜合效率均為DEA有效，表明純技術(shù)效率與規(guī)模效率均有效，投入產(chǎn)出比達(dá)到相對最優(yōu)狀態(tài)。阜陽、滁州和銅陵3市其純技術(shù)效率達(dá)到理想效率，說明此3市在技術(shù)上已達(dá)到最優(yōu)狀態(tài)。其余7市均為非DEA有效，其純技術(shù)效率與規(guī)模效率均未達(dá)到理想狀態(tài)，還有很大的改進(jìn)空間。

在經(jīng)營規(guī)模方面，合肥、亳州、阜陽、淮南、滁州、六安、馬鞍山、蕪湖及黃山等9市規(guī)模報酬不變，表明其經(jīng)營規(guī)模處于適度水平；淮北、銅陵、池州等3市處于規(guī)模報酬遞增階段；宿州、蚌埠、宣城、安慶等4市處于規(guī)模報酬遞減階段，通過優(yōu)化投入結(jié)構(gòu)提高耕地利用效率。

3.2 安徽省耕地利用效率空間變化分析

利用ArcGIS 10.2軟件計算5個時期安徽省16個地級市耕地利用效率的全局Moran’s I指數(shù)值（表3），在0.1%的顯著水平下5個時期的Moran’s I值均大于0，說明各地級市耕地利用效率存在顯著的空間相關(guān)性。由表3可知，2013—2017年安徽省耕地利用效率Moran’s I統(tǒng)計值呈先上升后下降再上升的遞變趨勢，與此對應(yīng)的相鄰地市空間集聚效應(yīng)隨之變化，表明各地市的耕地利用效率不僅受自然條件、社會經(jīng)濟(jì)水平以及農(nóng)業(yè)投入等因素影響，還與相鄰地市的耕地利用效率相關(guān)。

表3 2013—2017年安徽省耕地利用效率Moran’s I統(tǒng)計值

基于GeoDA軟件繪制LISA聚集圖（圖2），分析安徽省耕地利用效率的空間異質(zhì)性規(guī)律。由圖2可以看出，①H-H集聚區(qū)：此類型區(qū)自身與周圍臨近地市耕地利用效率都處于較高水平。2013—2017年H-H集聚區(qū)從空間上由合肥市向西北逐步遷移，停留在亳州市、淮南市等地級市，這些區(qū)域地勢平坦，自然條件優(yōu)越，加之政策扶貧基金投入多，耕地產(chǎn)能提升。②L-L集聚區(qū)：此類型區(qū)自身與周圍臨近地市耕地利用效率都處于較低水平。2013—2017年，L-L集聚區(qū)分布在安徽省的西南方向，主要有安慶市和銅陵市，這些區(qū)域山地丘陵較多，地塊面積小且細(xì)碎化程度高，農(nóng)業(yè)投入不足導(dǎo)致農(nóng)業(yè)經(jīng)營效率低下。③H-L集聚區(qū)：此類型區(qū)自身耕地利用效率較高，而臨近地市較低。2013—2017年，H-L集聚區(qū)分布在安徽省的南部，主要有蕪湖市和黃山市，這些區(qū)域自身耕地面積大，土地肥沃，耕地產(chǎn)能高；而臨近地市因城市化占用耕地較多，規(guī)模效率低，導(dǎo)致耕地利用率低。因此，在空間上表現(xiàn)出H-L積聚性。

圖2 2013—2017安徽省耕地利用效率LISA集聚

3.3 安徽省耕地利用效率影響因素分析

對數(shù)據(jù)進(jìn)行地理變異性檢驗，標(biāo)準(zhǔn)DIFF值均為負(fù)值，說明耕地利用效率的影響因素存在空間變異性，因此數(shù)據(jù)分析適合選用GTWR模型（表4）。

表4 局部系數(shù)地理變異性檢驗

利用ArcGIS 10.2軟件和GTWR插件對進(jìn)行模型運算，模型R2=0.773 7，說明GTWR模型對效率影響因素的解釋度達(dá)到了77.37%，模型具體回歸參數(shù)見表5。

表5 GTWR模型回歸參數(shù)

從表5可以看出，所選擇6個影響因素在不同城市、不同時間影響力大小均不相同。通過回歸系數(shù)平均值來看，灌溉指數(shù)對耕地利用效率解釋力最大，復(fù)種指數(shù)、勞動力人均耕地面積和人均GDP的解釋力次之，單位面積機械總動力和單位面積農(nóng)藥使用量對耕地利用效率變化的解釋力較弱。

借助ArcGIS 10.2軟件對影響因素的回歸系數(shù)進(jìn)行可視化表達(dá)，從而在時空維度上分析安徽省耕地利用效率影響因素的遞變趨勢。

人均GDP對耕地利用效率的影響程度從安徽省東南方向往西北方向遞減（圖3）。回歸系數(shù)均為正值，說明人均GDP正向影響耕地利用效率；而整體系數(shù)亦呈下降趨勢，說明人均GDP對耕地利用效率的影響程度在逐年遞減。從圖4數(shù)值上看，回歸系數(shù)均為正值，因此灌溉指數(shù)正向影響耕地利用效率；2016年的數(shù)值由1.91增長為2.83，為研究時段內(nèi)最大值，因此這一年灌溉指數(shù)對耕地利用效率的影響程度大于其他年份，總體呈先上升后下降的趨勢。單位面積機械總動力的回歸系數(shù)數(shù)值總體上都偏小，平均值最大值為0.05，因此單位面積機械總動力對耕地利用效率影響程度較小（圖5）。農(nóng)業(yè)勞動力人均耕地面積對耕地利用效率的影響程度年際差異較大（圖6）。復(fù)種指數(shù)對耕地利用效率的影響程度年際差異較大。從數(shù)值上看，所有數(shù)值均為正值，說明復(fù)種指數(shù)正向影響耕地利用效率（圖7）。單位面積農(nóng)藥使用量的回歸系數(shù)數(shù)值總體上都偏小，最大值也只有0.02，因此單位面積農(nóng)藥使用量對耕地利用效率影響程度較?。▓D8）。

圖3 人均GDP回歸系數(shù)時空分布

圖4 灌溉指數(shù)回歸系數(shù)時空分布

圖5 單位面積機械總動力回歸系數(shù)時空分布

圖6 農(nóng)業(yè)勞動力人均耕地面積回歸系數(shù)時空分布

圖7 復(fù)種指數(shù)回歸系數(shù)時空分布

圖8 單位面積農(nóng)藥使用量回歸系數(shù)時空分布

4 結(jié)論

1）安徽省耕地利用效率在時間和空間上均存在動態(tài)變化。在時間維上，純技術(shù)效率水平較高且基本保持不變，規(guī)模效率是決定耕地利用效率動態(tài)變化的關(guān)鍵；在空間維上，合肥、亳州、淮南、六安、馬鞍山和黃山6市為DEA有效，阜陽、滁州、銅陵3市為弱DEA有效，其余7市為非DEA有效，空間分異較為明顯；從局部相關(guān)分析可得H-H集聚區(qū)從空間上由合肥市向西北逐步遷移，主要分布在自然條件優(yōu)越，農(nóng)業(yè)投入多的地市，L-L集聚區(qū)分布在安徽省的西南方向，主要分布在山地及丘陵地區(qū)，地塊細(xì)碎，農(nóng)業(yè)產(chǎn)能低。

2）顯著影響安徽省耕地利用效率的因素有人均GDP、灌溉指數(shù)、復(fù)種指數(shù)、農(nóng)業(yè)勞動力人均耕地面積、單位面積機械總動力以及單位面積農(nóng)藥使用量。其中，灌溉指數(shù)對耕地利用效率解釋力最大，復(fù)種指數(shù)、勞動力人均耕地面積和人均GDP的解釋力次之，單位面積機械總動力和單位面積農(nóng)藥使用量對耕地利用效率變化的解釋力較弱。

3）4個主導(dǎo)因素對耕地利用效率的影響效用空間變化差異顯著。人均GDP回歸系數(shù)遞減，影響程度在空間結(jié)構(gòu)上變化顯著；灌溉指數(shù)的影響程度由自北向南遞減轉(zhuǎn)變?yōu)樽员毕蚰线f增，遞變趨勢發(fā)生轉(zhuǎn)變；農(nóng)業(yè)勞動力人均耕地面積的影響程度由自東向西遞減轉(zhuǎn)變?yōu)樽员毕蚰线f減，時空差異顯著；復(fù)種指數(shù)的影響程度由南北遞變轉(zhuǎn)變?yōu)槟媳眱蓸O向中間遞變的趨勢。