摘 要: 以全国省级行政区为基本研究单元， 利用基尼系数与 ESDA 空间分析技术， 分析了近 10 年全国农机总动力的区域差异时空特征。结果表明:全国省域平均单位农机动力投入存在明显的空间差异， 整体呈现东部大于西部、 北部大于南部、 由东部沿海向西递减的空间分布格局， 但这种区域差异在研究期内呈现明显缩小趋势。近 10 年， 全国省域农机动力投入在全局水平表现出显著的空间正相关性， 同时又存在明显的局域空间自相关特征。其中， 高高聚集区主要分布于京津冀地区， 而低低聚集则分布于西南地区， 并且随着时间的推移其空间聚集程度在不断减弱， 各省域农机动力投入趋向均衡发展。

关键词: 农业机械动力; 基尼系数; 空间自相关; 探索性空间数据分析

0 引言

农业机械总动力指主要用于农、 林、 牧、 渔业的各种动力机械的动力总和， 是反映农业机械化发展状况的一个重要指标， 也是政府部门制定农机化发展规划重要参考数据［1 ］ 。在发展现代农业、 建设社会主义新农村的背景下， 全国农业机械化作业水平呈现稳步提升的态势， 农业机械总动力也不断增长。因此， 从总体上把握和认识农业机械总动力的分布和变化规律，对科学制定农业机械动力发展规划十分必要。当前，在农业机械动力方面的相关研究主要包括农机总动力需求预测、 农机总动力影响因素及农机动力对粮食产量的影响等［2 －7 ］ 。

这些研究从国家或省级的尺度出发， 揭示了农机总动力的时间变化趋势及其影响因素的作用规律;但忽略了农机总动力在区域内部表现出的空间自相关及异质性。探索性空间数据分析( Ex-ploratory Spatial Data Analysis)是空间数据分析技术的一种， 常用来描述研究对象的空间分布规律并用可视化方式进行表达［8 ］ 。其内容包括探测聚合数据的空间特征和空间模式、 识别空间数据的异常值、 拟合对应于数据地理方面的假说， 以及揭示现象之间的空间相互作用机制等［9 ］ 。ESDA 强调发现数据的空间分布模式， 注重数据的空间依赖性和空间异质性， 可以用来探索农机动力的空间关联格局问题。目前， 将其用于农机动力这一主要农业生产投入要素的空间格局变化的研究还鲜见报道。而我国农业机械化空间区域差异显著［10 ］ ， 东部地区耕地占全国耕地总面积的32． 1% ， 而农机动力拥有量占全国农机总动力的50． 2% ;西部地区耕地占 23． 7% ， 农机动力却只有15． 3% 。

因此， 利用探索性空间数据分析技术可以更加深入地分析我国省域农机动力投入的空间格局特征及其演变规律。基于此， 本文以中国 31 个省级行政区为基本研究单元， 利用基尼系数与 ESDA 空间分析技术， 对近 10 年全国省域农机总动力的区域差异时空特征以及空间演变格局进行分析， 以期从新的视角为我国农业机械宏观布局与规划决策提供科学依据。

1 材料和方法

1． 1 数据来源

研究所需的全国农机总动力及农作物播种面积数据来源于《中国统计年鉴 2004 － 2013》 。研究区不包含港澳台地区。中国行政边界数据来源于中国国家基础地理信息中心发布的 1∶ 400 万比例尺基础地理矢量数据集。

1． 2 研究方法

1． 2． 1 基尼系数基尼系数是由意大利经济学家 Corrado Gini 提出的一种用于刻画收入分配不均的指标 ［11 ］ 。由于该指数能非常方便地反映出总体收入差距状况而成为国际上非常流行的指标。其值介于 0 ～1 之间:当值为 0时， 表明分配完全平均;当值为 1 时， 表明分配极其不平衡［12 ］ 。本文利用基尼系数来测度全国省域单位农作物面积农机动力投入的差异情况， 并在开源的科学统计分析及绘图 Ｒ 语言环境中， 利用 Achim Zeileis 等开发的 ineq 软件包计算得到全国省域农机动力基尼系数。

1． 2． 2 ESDA 方法ESDA 是基于数据驱动的， 注重发现空间数据的分布模式， 揭示数据的空间自相关性与空间异质性的可视现象［13 ］ 。空间自相关是指位于不同空间位置的地理事物属性值之间具有统计相关性， 即空间距离临近的地理单元属性值趋于相似 ［14 ］ 。空间自相关系数是度量地理单元空间相关性的指标， 一般分为全局自相关系数和局域自相关系数两大类。全局型自相关系数反映了观测变量在整个研究区域内空间相关性的总体趋势， 从而判断此现象是否存在聚集特征。在众多全局统计量中， Moran＇s I 是最常用的评测指标， 其取值范围为 － 1 ～ 1 之间， 正值表示该地理事物属性值呈现聚集分布(高 － 高聚集， 低 －低聚集)， 负值表示该地理事物属性值为离散分布;指数绝对值越大表示聚集或离散的程度越深， 值为 0 则表示不存在空间相关， 即呈现空间随机分布。全局空间自相关统计量反应了整体上地理单元之间空间相关的平均程度， 但却忽略了可能存在的局部不平稳;而局域指标可反映一个区域单元上的某种属性值与邻近区域单元上同一属性值的相关程度 ［15 ］ 。本文采用 Local Moran＇s I 统计量并结合 LISA 聚集图，来研究全国省域农机动力的局部空间分布规律。

2 结果与分析

2． 1 农机动力区域差异时空特征

2． 1． 1 农机动力区域差异空间特征统计全国各省级行政区 2003 － 2012 年单位面积农业机械总动力数据， 并利用 AＲCGIS 软件绘制新疆近 10 年省级尺度的平均单位农业总动力空间分布情况。由图 1 可知:全国各省域单位农业机械动力差异明显， 上海市的单位农业动力最低为 2． 5kW/hm 2;而位于东部地区的天津市单位农业动力高达 13kW/hm 2 ， 区域差异明显。从空间分布来看:地处华北平原的天津、 北京、 山东等地的农机动力投入较高， 位于9． 5kW/hm 2 以上;西南地区的四川、 重庆、 贵州、 云南等农机动力投入最低， 小于 2． 7kW/hm 2 ;其他地区农机动力投入则处于中间水平。由图 1 还可看到:农业

2． 1． 2 农机动力区域差异时间演变为研究全国省域单位播种面积的农机动力投入区域差异的时间演变特征， 计算了其 2003 － 2012 年全国、 东部、 中部及西部的逐年基尼系数值， 结果如图 2所示。由图 2 可知:全国省域单位农机动力投入基尼系数基本位于 0． 3 以下， 表明各省域差异总体处于相对均衡水平;从时间变化趋势来看， 2003 － 2012 年全国省域单位农机动力投入基尼系数除 2007 年有小幅升高外， 总体呈现明显下降趋势， 由2003 年的0． 31 下降到 2012 年的 0． 25， 表明近 10 年来全国省域单位农机动力投入的区域差异不断缩小。但全国不同地区的农机动力投入差异及演变特征并不一致。从基尼系数大小上看:东部和西部地区基尼系数较高、 中部地区基尼系数值较小， 表明东部和西部各省域农机动力投入差异较大;而中部地区各省域农机动力投入差异较小、 投入较为均衡。从基尼系数时间变化来看:东部和中部地区省域单位农机动力投入的基尼系数总体下降趋势比较明显， 区域差异缩小趋势也最为显著， 这与东、 中部地区快速发展的经济水平以及工业对农业发展的反哺、 促进作用密不可分;西部地区则表现出与东、 中部完全不同的变化特征， 2003 － 2012年西部各省域单位农机投入差异则呈现相反的上升趋势， 表明其西部地区各省域的单位农机动力投入差异呈扩大趋势。因此， 近 10 年全国省域单位农机动力投入区域差异总体呈明显缩小趋势， 但不同地区之间又存在差异性。

2． 2 全局空间自相关分析利用 AＲCGIS 空间统计工具计算 2003 － 2012 年逐年省域农机动力投入的全局 Moran＇s I 指数， 结果如表 1 所示。表 1 2003 －2012 年全国省域单位农机动力 Moran＇s I 指数Table 1 Global Moran＇s I of agricultural machinery power perhectare in China (2003 －2012)年份 Moran’ s I Z 得分2003 0． 569 9． 252004 0． 556 8． 962005 0． 527 8． 502006 0． 436 7． 112007 0． 354 5． 872008 0． 299 5． 052009 0． 296 4． 992010 0． 280 4． 752011 0． 235 4． 102012 0． 187 3． 38由表 1 可知， 全国近 10 年省域单位农机动力 Mo-ran＇s I 指数均为正值， 且通过 99% 的置信水平检验(Z得分 ＞2． 58)， 说明各省域单位农机动力投入高的地区和低的地区出现相对集中， 即全国省域单位农机动力存在显著的空间正相关性。此外， 近 10 年来， Moran＇s I指数整体上呈现缩小的趋势， 表明随着时间的推移全国省域单位农机动力空间聚集在不断减弱。因此， 全国省域单位农机动力空间分布并非完全的随机分布，而是表现出明显的空间聚集， 并且随着时间的推移其空间聚集在不断减弱， 各省农机动力投入趋向均衡发展。

2． 3 局部空间自相关分析全局 Moran＇s I 指数作为测度总体自相关特性的统计量， 往往掩盖了区域内部具体地区的空间集聚特征， 而局域 Moran＇s I 指数可进一步揭示区域内部的局域自相关性［16 ］ 。因此， 本文利用 Moran 散点图和显著性水平 LISA 图来对 2003 年和 2012 年两个横截面数据进行分析， 以探索全国省域农机动力投入的局部空间集聚特性。

2． 3． 1 Moran 散点图分析Moran 散点图不仅可以探索地理单元间的全局空间关联特征， 还可以用来识别局部空间关联模式。Moran 散点图将全国省域农机动力投入数据点划分为4 个象限， 分别表征 4 种不同的局部空间关联形式［17 ］ :第 1 象限是高高聚集， 该象限内的省域及其周围省域的农机动力均较高， 形成高高聚集;第 2 象限是高低聚集， 该象限内的省域单位农机动力投入较高， 但其周围的省域单位农机动力投入较低;第 3 象限是低低聚集， 该象限内的省域及其周围省域的单位农机动力投入均较低;第 4 象限是低高聚集， 该象限内的省域单位农机动力投入较低， 但其周围的省域单位农机动力投入却较高。其中， 落入第 1、 第 3 象限的省域单元属性值与相邻单元属性值趋同， 即存在较高的空间正相关， 具有同质性;而落入第 2、 第 4 象限的空间单元属性值与相邻单元差异显著， 存在空间负相关， 具有较高的空间异质性。利用 Geoda 软件绘制全国农机动力 2003 和 2012年的 Moran 散点图， 并对各象限省域单元数量其进行统计， 如表 2 所示。表 2 全国农机动力散点图省区数量变化对比表Table 2 Number of counties in Moran scatterplot map foragricultural machinery power in China聚类类型 2003 年 2012 年第 1 象限:高高 7 5第 2 象限:低高 17 16第 3 象限:低低 3 1第 4 象限:高低 4 9由表 2 可知， 2003 和 2012 年全国省域单元分布在第 1、 第 3 象限的比例分别为 32%、 19%， 第 2、 第 4 象限比例分别为 68%、 81%。第 2、 第 4 象限省域个数明显多于第 1、 第 3 象限， 说明省域单位农机动力投入更多呈现空间异质性， 即高低聚集和低高聚集的趋势明显。从时间变化上看， 相对研究初期的 2003 年来说，2012 年位于第 1、 第 3 象限的省域数量均有所下降， 表明空间自相关聚集趋势趋于减弱， 而呈现较多的空间异质性。

2． 3． 2 显著性水平 LISA 聚类图分析由于利用 Moran 散点图表示的区域分异并没有经过统计假设检验， 因此只是用来作为参考。为了更直观地反映全国省域单位农机动力投入的局域空间格局演变过程， 本文利用 Geoda 软件并结合 AＲCGIS 绘制出在 0． 05 显著性水平下的 LISA 聚类图， 如图 3 所示。由图3 可知:在两个典型年份， 全国省域农机动力空间聚集类型中的高高、 低低聚类均有省域通过 0． 05的显著性检验;而高低和低高聚集两种类型未有省域通过显著性检验。由图 3(a)可知:2003 年全国省域

3 讨论与结论

随着社会主义现代化建设的日新月异， 我国农业机械化水平节节攀升， 农业机械总动力也随之逐年增长， 有力地促进了农业经济的发展， 但同时也存在着地区间发展不平衡的现象。本文利用 ESDA 及变异系数分析了近 10 年全国省域的单位农机动力投入时空区域差异情况。结果发现:全国各省域农业机械动力空间分布差异明显， 同时具有明显的空间自相关特征。空间分布总体呈现东部大于西部、 北部大于南部、 由东南沿海向西递减的趋势， 并在京津冀地区呈现显著的高高聚集， 在西南地区呈低低聚集的空间聚类格局。京津冀地区地处华北平原， 农业生产自然条件优越， 适合大规模的农机化作业;再加上该地区是北方的区域经济中心， 对农产业的需求也较旺盛， 有效促进该地区农业机械的投入， 并形成空间溢出效应农机动力的高高聚集区主要分布在华北平原的北京、天津及河北地区;而低低聚集区主要分布在西南部的重庆、 四川及湖南地区。随着时间的推移， 2012 年的高高聚集省域单元有较大减少， 只有北京市， 表明全国省域农机动力高高聚集有明显的下降趋势， 省域间实现了较为均衡的发展。同样， 2012 年的低低聚集区空间分布位置变化并不大， 还是位于西南部， 省域域单元数量也有明显的下降， 仅有湖南省。总体来看，由 LISA 聚类图分析得到的各聚类类型省域单元数量变化的结果， 与表 2 基本一致。因此， 近 10 年全国省域农机动力投入存在显著的空间自相关特征(高高聚类、 低低聚类)。其中， 高高聚集区主要分布于华北平原北部的京津冀地区， 低低聚集则分布于西南地区，且随着时间的推移空间聚集程度有所缓解， 各省域农机动力投入呈现较为均衡化的发展。吸引周边省份也增加农机动力投入， 形成高高聚集区。与此相反， 西南地区的四川、 重庆等地由于地形及其他因素形成低低聚集区。此外， 考察全国省域总体的单位农机动力投入的时间演变特征， 发现其空间聚集性和区域差异性均呈现下降趋势。但西部地区却表现出较为独特的变化特征， 该区域内各省域单元的单位农机动力投入差异呈扩大趋势。最后， 需要指出的是农业机械化是一个伴随技术、 经济、 社会发展的复杂过程， 必然同时受到自然、 社会规律等多种因素的影响， 其评价指标体系也同样呈现复杂多样化;而本文选取的单位播种面积农机动力仅仅是评价农业机械化水平的一个参考指标， 是从单位农机动力投入的角度来揭示各省域农机动力的时空演变及聚集特征。本文以全国省级行政区为基本研究单元， 利用基尼系数和 ESDA 方法， 很好地揭示了全国省域单位农机动力投入的区域差异及空间演变格局特征， 得到以下结论:1)2003 －2012 年全国各省域平均单位农机动力投入存在明显的空间差异。随着时间推移这种区域差异总体呈现明显缩小趋势， 同时内部地区之间又存在差异性。其中， 东部和中部地区省域间差异缩小趋势较为显著， 而西部地区省域间差异却呈扩大趋势。2)2003 －2012 年全国省域农机动力投入整体表现出显著的空间正相关性， 但随着时间的推移其空间聚集在不断减弱， 农机动力投入趋向均衡发展。3)2003 －2012 年全国省域农机动力投入存在显著的局域空间自相关特征(高高聚类、 低低聚类)， 其中高高聚集区主要分布于京津地区， 而低低聚集则分布于西南地区， 且随着时间的推移空间聚集程度有所缓解， 各省域呈现较为均衡化的发展。

参考文献:［ 1］ 葛慧玲． 基于灰色模型的农业机械总动力预测［J］ ． 农机化研究， 2010， 32(12):49 －51．［ 2］ 李建伟， 周洪， 赵汉雨， 等． 基于支持向量机的中国农业机械总动力预测［J］ ． 河南农业大学学报， 2013， 47(3):296 －300．［ 3］ 朱登胜， 陆江锋． 基于灰色 － 马尔柯夫模型的中国农业机械总动力预测［ J］ ． 农机化研究， 2007 (11):32 －34．［ 4］ 杨敏丽， 白人朴． 农业机械总动力与影响因素关系分析［ J］ ． 农机化研究， 2005 (6):45 －47．［ 5］ 黄永宝， 纪延光． 基于因子分析的我国农业机械发展分析研究［ J］ ． 中国农业科技导报， 2014， 16(4):95 －101．［ 6］ 曹志宏， 郝晋珉， 梁流涛． 黄淮海平原粮食产量与主要投入要素的灰色关联分析［J］ ． 农业现代化研究， 2008， 29(3):310 －313．［ 7］ 刘芸芸， 李红． 基于主成分回归模型的新疆农业机械化发展影响因素评价［ J］ ． 贵州农业科学， 2013， 41(9):197－201．［ 8］ 关伟，朱海飞． 基于 ESDA 的辽宁省县际经济差异时空分析［ J］ ． 地理研究， 2011， 30(11):2008 －2016．［ 9］ 宣国富， 徐建刚， 赵静． 基于 ESDA 的城市社会空间研究［ J］ ． 地理科学， 2010， 30(1):23 －29．［ 10］ 牛淑卿． 我国农业机械化发展的研究［J］ ． 农机化研究，2006(7):25 －27．［ 11］ 陈昌兵． 各地区居民收入基尼系数计算及其非参数计量模型分析［ J］ ． 数量经济技术经济研究， 2007， 24(1):133 －142．［ 12］ 孟德友，陆玉麒． 基于基尼系数的河南县域经济差异产业分解孟 ［ J］ ． 经济地理， 2011， 31(5):799 －804．［ 13］ 任辉， 吴群． 基于 ESDA 的城市住宅地价时空分异研究— — —以南京市为例［J］ ． 经济地理， 2011， 31(5):760－765．［ 14］ 王劲峰， 廖一兰， 刘鑫． 空间数据分析教程［M］ ． 北京:科学出版社， 2010．［ 15］ 余华义． 中国省际能耗强度的影响因素及其空间关联性研究［ J］ ． 资源科学， 2011， 33(7):1353 －1365．［ 16］ 杨丹， 叶长盛． 基于县域单元的江西省复种指数时空格局分析［ J］ ． 农业现代化研究， 2013， 34(6):722 －727．［ 17］ 唐兵， 安瓦尔． 基于 ESDA 的新疆城市化空间格局研究［ J］ ． 人文地理， 2012， 27(5): 83 －88．