新疆棉花種植業地理集聚特征及影響因素研究

馬春玥 買買提·沙吾提,3,* 依爾夏提·阿不來提 姚 杰

新疆棉花種植業地理集聚特征及影響因素研究

馬春玥1,2買買提·沙吾提1,2,3,*依爾夏提·阿不來提1,2姚 杰4

1新疆大學資源與環境科學學院, 新疆烏魯木齊 830046;2新疆綠洲生態教育部重點實驗室, 新疆烏魯木齊 830046;3新疆智慧城市與環境建模普通高校重點實驗室, 新疆烏魯木齊 830046;4重慶盈熙橫縱信息技術有限公司, 重慶 400014

新疆是我國最大的產棉基地, 研究新疆棉花種植業地理集聚特征對調整和優化農業結構布局、農民增收、促進棉花生產的可持續發展具有重要意義。本文基于1988—2016年的新疆棉花生產數據, 使用區位商、區位基尼系數和空間自相關分析探究新疆棉花種植業發展的時空變化特征, 并運用空間面板數據模型定性、定量地分析了各影響因素對新疆棉花種植業地理集聚的影響程度, 揭示了新疆棉花種植業發展的主要驅動因素。結果表明, 新疆棉花種植面積經歷了持續增長(1988—1999年)、緩慢減少(2000—2004年)以及波動增長(2005—2016年) 3個階段, 2016年已占全國種植面積的3/5, 其專業化集聚水平自1992年起均高于全國其他地區, 主導地位日益增強; 新疆棉花種植業的區域特征明顯, 南疆棉區的變化主導新疆棉花種植業的變化; 新疆棉花種植業的集聚水平自1988年起呈現出波動中下降后緩慢回升的趨勢, 其高值集聚區由喀什地區轉移至阿克蘇地區的庫車縣、新和縣等地, 高-低集聚、低-高集聚及低低集聚變化不大; 推動新疆棉花種植業地理集聚發展的主要因素有生產性土地面積比重、棉花比較收益、機械化水平以及政策因素。

棉花種植業; 地理集聚; 時空特征; 空間面板數據模型

棉花是我國極為重要的一種大田經濟作物, 其生產覆蓋全國24個省、市、自治區, 商品率高達95%以上, 在國民經濟中占有十分重要的地位。新疆自1993年起, 棉花產量、種植面積、單產都居全國首位, 現已是我國最大的產棉基地。新疆棉花生產對中國棉花戰略、確保國家糧棉安全以及促進新疆農村經濟和農民增收都具有重要的戰略意義。

基于新疆棉花生產的重要戰略地位, 許多學者針對新疆棉花種植的時空格局、機械化發展、生產布局、病蟲害、棉花生理生化參數等一系列問題展開研究[1-5]。早在1958年, 竺可楨曾提出“新疆宜于種植小麥和棉花, 應成為小麥和棉花的倉廩”。徐培秀等[6]評價新疆棉花發展條件, 劃分棉花生產的適宜區。楊莉等[7]認為南疆棉花的生產變化主導著新疆棉區的變化。賀林均等[8]基于CR4識別新疆棉花的主產區域, 并分析自然資源、氣候環境等對新疆棉花產業的影響程度。毛樹春等[9]對新疆棉花工廠育苗和機械移栽技術進行了深入研究, 其成果是現代節約型植棉新技術的體現。武建設等[10]對新疆生產建設兵團棉花生產的機械化問題進行深入研究, 認為機械化生產推動了新疆棉花生產。

前人從不同角度對新疆棉花種植業的發展展開了相關研究, 比較準確地分析了新疆棉花種植業的時空分布特征, 但對新疆棉花生產戰略地位的分析使用的指標較為單一; 進行驅動力分析時往往忽視各因素之間的交互性及空間異質性。本文在前人研究的基礎上, 運用區位商和區位基尼系數2個測度指標, 綜合分析新疆棉花種植業在全國的地位以及新疆各地區棉花種植面積的變化情況, 通過空間自相關分析表達新疆棉花種植業集聚程度, 并運用空間面板數據模型定量分析自然資源、經濟因素和市場條件、技術因素、交通條件以及政策導向對新疆棉花種植業地理集聚的影響程度。

1 材料與方法

1.1 研究區概況及數據

新疆(73°40′~96°18′E, 34°25′~48°10′N)地處我國西北邊陲, 占國土總面積的六分之一(約166萬平方千米), 是“一帶一路”的核心區, 具有十分重要的戰略地位。新疆氣候條件得天獨厚, 適合種植棉花, 有近80%的地區植棉, 現為我國最大的產棉基地, 同時是國家唯一的長絨棉產地, 全疆近40%的地區適宜種植長絨棉, 近80%的地區適宜種植中長絨棉[1]。

本文所用數據主要來源于1989—2017年《新疆統計年鑒》、《新疆五十年1955—2005》、《新疆輝煌60年1955—2015》、國家統計局(http://www.stats.gov. cn/)、《棉花統計資料匯編》、《中國棉花年鑒》。

1.2 研究方法

本文先采用區位商分析新疆棉花生產與全國各省市區間的差距及變化趨勢, 進而使用區位基尼系數反映新疆棉花種植業在地理空間上的分布差異程度, 然后通過空間自相關分析新疆棉花的空間分布和集聚位置及狀態, 最后基于新疆棉花種植業集聚特征, 運用空間面板模型量化各影響因素的影響程度。

1.2.1 區位商 區位商(location quotient)可用來衡量要素在某一區域中的空間分布情況, 能夠反映新疆棉花生產在全國的地位和作用[11]。

Q= (e/e)/(E/) (1)

式中,Q表示區域的棉花的區位商,e表示區域棉花的種植面積,e表示區域農業總種植面積,E表示全國棉花種植面積,表示全國農業總種植面積。Q是某區域棉花種植業與全國平均水平的比值, 考慮到區域內棉花種植的絕對規模, 可能會出現Q很大但種植規模很小的情況, 此時并不能認為棉花在該區域具有優勢。為克服這一問題, 本研究將按照種植面積大小排出前5位的省市區, 與Q排名前5的省市區結合比較, 綜合說明棉花的專業化集聚[12]。

1.2.2 區位基尼系數 區位基尼系數常用來測度收入分配或資源配置在地理空間上分布的差異程度, 取值范圍為[0, 1], 越趨近于0, 收入分配或資源配置越均衡, 集聚度越低, 趨近于1則相反, 計算公式如下[13]。

1.2.3 空間自相關分析 為進一步探討新疆棉花空間分布, 本研究基于新疆各縣(市)棉花種植面積, 利用ArcGIS10.5建立新疆各縣(市)基于Queen鄰接的空間權重矩陣, 進行探索性分析得到Moran’s和LISA統計量, 進而分析新疆棉花的空間分布和集聚位置及狀態, 具體公式及參數含義詳見參考文獻[14]。

1.2.4 空間面板模型 空間面板數據模型優于傳統計量模型的地方在于考慮觀測單元的個體效應, 可在一定程度上優化結果[15-16]。空間杜賓面板數據模型(Spatial Durbin panel data model, SDPDM)比空間滯后面板數據模型(Spatial lag panel data model, SLPDM)和空間誤差面板數據模型(Spatial error panel data model, SEPDM)更能反映自變量與應變量間的交互效應, 且對空間異質性與不確定性的處理更加有效[17-18][16], 故本文選用SDPDM對新疆棉花種植業地理集聚問題進行實證分析, 其一般形式如下。

式中,Y、Y分別表示、地區在時間年的棉花產量,X、X分別表示、地區在時間年的影響因素變量,W是空間權重矩陣,和分別為因變量和自變量的空間滯后系數,是自變量的待估常回歸系數,u為個體空間固定效應,v為時間固定效應,ε表示空間自相關誤差項, 滿足~(0,2I)。

2 結果與分析

2.1 新疆棉花種植業地理集聚特征分析

2.1.1 新疆棉花種植業在全國的地位 由圖1可知, 就棉花種植面積而言, 新疆棉區在全國的比重明顯增大, 由1988年6%左右增加到2016年近60%, 其中, 1988—1999年為持續增長階段, 2000—2004年緩慢減少, 2005—2016年總體呈上升趨勢, 2008、2009年略有下降; 黃河流域棉區在全國的占比由1988年近63%縮減為2016年24%左右; 長江流域棉區則由1988年30%左右減少到2016年近17%。從各棉區種植面積的波動情況來看, 黃河流域棉區和長江流域棉區總體都呈下降趨勢, 其中長江流域棉區研究期間波動較大; 而新疆棉區棉花種植面積期間雖有減少, 但總體增勢不變, 現已是中國最大的棉區, 2016年幾乎占到全國棉花種植面積的五分之三。

圖1 全國各棉區占比情況(1988?2016年)

由表1、表2可知, 區位商和棉花種植面積排名的前5位主要集中在新疆、山東、河南、河北、湖北、安徽及江蘇幾個省、區, 其中, 表1中天津市的區位商3次排第二, 1次排第一, 屬于區位商很大但種植規模很小的情況, 因此不能認為天津市棉花專業化集聚水平高。表2中各省市區的區位商都大于1, 說明棉花種植業的集聚程度都比較高。新疆區位商1988年雖為全國第二, 但與排名第一的山東省差距不大, 只有0.014, 1992—2016年新疆區位商均居全國首位, 說明新疆棉花種植業集聚程度高于全國其他省市區, 期間除2004年有所下降外, 其余年份都呈增加趨勢且與全國其他省市區間的差距逐漸增大, 因此, 綜合區位商和棉花種植面積來看, 新疆棉花種植業在全國的主導地位日益增強。

表1 1988?2016年區位商排名前5的省、區

表2 1988?2016年全國棉花種植面積排名前5的省市區

2.1.2 疆內棉花種植面積時序變化特征 由圖2可知, 新疆棉花種植面積總體呈上升趨勢, 但具有較強的階段性特征, 1988—2006上升較為平穩, 期間稍有波動, 2002、2007和2014年有不同程度的波動, 南疆、北疆及兵團都在2014年達到研究時段內棉花種植面積的最大值。北疆、南疆及生產建設兵團棉花種植面積的變化與全疆的變化趨勢相似, 其中, 南疆棉花種植面積在全疆的比重不斷增加, 2016年為52%左右, 是新疆的主產棉區。東疆棉花種植面積變化趨勢呈一條平緩的曲線, 基本保持不變。

由圖3可知, 1988—2001年新疆棉花種植業的集聚程度不斷降低, 表明期間棉花種植業在空間分配上趨于均衡; 2002—2016年區位基尼系數的變化波動較大, 但變化周期短, 在1~3年之間; 基尼系數整體呈“W型”變化趨勢, 波動比較明顯, 說明在1988—2016年間, 新疆棉花的集聚程度整體表現出先波動下降后波動上升的趨勢。

2.1.3 全局空間自相關分析 由圖4可知, 從1988—2016年Moran’s的波動情況看, Moran’s和圖3中基尼系數的變化趨勢極為相似, 進一步驗證了新疆棉花種植業地理集聚程度自1988年以來先波動下降后波動上升; 1988—2016年的Moran’s和-Score都為正且近70%通過了10%的顯著性檢驗, 說明新疆棉花種植存在較為顯著的空間正相關性, 上述分析表明, 新疆棉花種植在縣域尺度上存在較為顯著的空間正相關性, 即棉花種植具有明顯的空間依賴性。

圖2 新疆各棉區棉花種植面積變化(1988?2016年)

圖3 新疆棉花地理集聚變化趨勢(1988?2016年)

圖4 新疆棉花種植面積的全局相關性分析(1988?2016年)

2.1.4 局域空間自相關分析 由圖5可知, 1988—2016年間, 新疆棉花種植業高-高(H-H)集聚區變化顯著, 1988—2000年主要分布在喀什地區, 其中從1996年起, 新和縣也為高-高(H-H)集聚, 2004年開始高-高(H-H)集聚的地區范圍減少, 且有向東北方向移動的趨勢; 而低-低(L-L)集聚區變化不大, 主要分布在哈密市、昌吉州的昌吉市、呼圖壁縣、阜康市等地, 這些地區的棉花種植業在空間上呈分散狀態; 高-低(H-L)集聚區域不多, 主要為2008年后的哈密市; 低-高(L-H)集聚主要分布在阿克陶縣、和田的皮山縣。通過上述分析, 可發現新疆棉花種植業在空間分布上進行了適當的調整, 離散分布的地區范圍有所擴張, 棉花種植業的重心由喀什地區逐漸轉為阿克蘇地區的庫車縣、新和縣。

2.2 新疆棉花地理集聚的影響因素分析

2.2.1 因素的假設與變量說明 在農業產業地理集聚相關研究的基礎上, 結合新疆棉花生產發展現狀, 綜合考慮資源、經濟和市場、技術、交通和政策等因素及數據的可獲取性等方面[19-27], 從中選取10個相關變量重點分析(表3)。

2.2.2 空間面板模型檢驗與回歸分析 首先通過單位根檢驗判斷面板數據的平穩性, 結果為平穩; 然后進行拉格朗日乘子(LM)檢驗, 結果拒絕無空間相關性的原假設, 因此相對于傳統的面板數據模型, 空間面板數據模型更準確; 再進行Wald和似然比檢驗(LR)檢驗,01:= 0和02:+= 0的原假設被拒絕, 且在5%的顯著水平下檢驗表明, 就棉花種植面積變化而言, SDPDM的效果更好一些; 最后, Hausman檢驗結果為17.9229且伴隨概率為0.0000, 表明拒絕個體(固定)效應與解釋變量無關的原假設, 說明應采用固定效應模型, 此外, 在固定效應模型中, 時間效應模型的多數自變量檢驗結果= 0.18, 在1%的顯著性水平下通過檢驗, lg-likelihood = 114.41848, Adj2= 0.9315, 因此, 最終選擇時間固定效應的杜賓面板數據模型[28-30]。具體的回歸結果見表4。

由表4可知, 所有變量的直接效應都為正值且其中7個變量的結果顯著, 說明各變量對新疆棉花種植業地理集聚有較為顯著的正向影響;269的間接效應為負, 其中,6的間接效應很小且僅在10%的置信水平下顯著,9的間接效應不顯著, 表明區域糧食產量的增長會對相鄰地區棉花種植業地理集聚產生一定程度的反作用, 而機械化水平和交通運輸對相鄰地區的影響不顯著; 總效應結果最顯著的是15和10, 說明資源條件和市場及政策導向是當前影響新疆棉花種植業地理集聚的三大正向主因。

由圖6和表4可知, 一定規模的種植面積是新疆棉花種植業地理集聚和發展的基礎; 區域市場需求和價格因素直接影響到棉花發展, 其溢出效應會影響相鄰地區棉花種植業的發展, 是促進新疆棉花種植業地理集聚的重要因素; 機械化水平的直接效應和總效應達到了5%的顯著水平, 表明機械化水平對新疆棉花種植業地理集聚有著促進作用; 政策的直接效應、間接效應和總效應顯著性分別達到了1%、5%和1%, 說明政策對于新疆棉花種植業的發展具有正向促進作用, 且區域政策推廣會對鄰接地區棉花種植業地理集聚產生正向效應。

3 討論

本文選用多個指標分析新疆棉花種植業地理集聚特征, 其中, 區位商方法計算簡單, 不僅能反映出地區層面的棉花種植業集聚水平, 還能量化新疆與其他省市區之間的差距。王力等[31]也對新疆棉花種植業在全國的比重做了分析, 其研究確定了新疆棉花生產在全國的領先地位, 與本研究一致, 但沒有反映出新疆棉花種植業地理集聚情況以及與全國其他省市區間的差距。

圖5 新疆棉花種植地理集聚的局域空間自相關變化(1988?2016年)

H-H: 表示一個高值被與其相鄰的高值包圍, 屬于高-高集聚; H-L: 表示一個高值被與其相鄰的低值包圍, 屬于高-低集聚; L-H: 表示一個低值被與其相鄰的高值包圍, 屬于低-高集聚; L-L: 表示一個低值被與其相鄰的低值包圍, 屬于低-低集聚。

H-H indicates that a high value is surrounded by its adjacent high value, which belongs to high-high aggregation; H-L indicates that a high value is surrounded by its adjacent low value, which belongs to high-low aggregation; L-H indicates that a low value is surrounded by its adjacent high value, which belongs to low-high aggregation; L-L indicates that a low value is surrounded by its adjacent low value, which belongs to low-low aggregation.

表3 影響因素的假設及變量說明

表4 空間杜賓面板模型回歸結果

***、**、*分別代表統計量在1%、5%、10%的水平上顯著。

***,**, and*represent statistical significance at the level of 1%, 5%, and 10% probability levels, respectively.

圖6 各變量對新疆棉花種植業地理集聚的影響程度

楊莉等[7]研究認為棉花單產是影響新疆棉花種植面積最大的因素。賀林均等[8]基于CR4僅分析了自然因素對新疆棉花種植業地理集聚的影響。王力等[31]基于主成分分析新疆棉花種植面積變化的驅動力, 認為產業投入、市場及棉花替代作物是主因, 其中, 產業投入和市場為主因的結論與本研究一致。上述研究使用的方法往往會忽略因子之間的空間異質性, 為避免此問題, 本研究選擇空間面板模型進行驅動力分析, 結果表明, 除了生產投入和市場因素外, 政策也是影響新疆棉花生產的一大主因, 且各影響因子的溢出效應對相鄰區域的影響也不容忽視。進行分析時發現2002、2007、2008及2014年是幾個關鍵的時間節點, 2002年中國剛加入世界貿易組織(WTO), 新疆棉花種植面積減少但棉花價格上漲, 區位基尼系數突增; 由于2003年后新疆軋花廠審批權下放到各地州政府導致棉花加工企業數量急劇上升, 供求平衡被打破, 致使棉花種植面積急速上升, 2007年達到峰值; 2008年, 國家出臺政策增加國家棉花儲備數量并采取保護性收儲價格, 保護了棉農利益且穩定了農業生產, 棉農植棉意向開始回暖, 但受金融危機影響, 棉花價格波動, 棉花種植面積反而下降; 2014年開始, 棉花價格補貼政策試點設在新疆, 新疆棉花種植業地理集聚程度開始回升。上述政策是導致新疆棉花種植業出現短周期大波動的關鍵因素, 進一步證明了政策因素是影響新疆棉花生產發展的主要因素之一。

4 結論

新疆棉花種植業地理集聚水平居全國首位且與其他省市區的差距逐漸增大; 南疆棉區主導著全疆棉花種植業的變化; 新疆棉花種植業離散分布的地區范圍有所擴張, 集聚區由喀什地區轉變為阿克蘇地區; 本文所選擇10個影響因子中, 生產性土地面積比重、棉花比較收益、機械化水平及政策因素是影響新疆棉花種植業地理集聚主要因素, 除此之外的其他因素對新疆棉花種植業地理集聚的影響輕微。

[1] 徐培秀, 梅方權, 唐志發. 中國棉花區劃研究. 地理研究, 1983, 2(1): 12–22. Xu P X, Mei F Q, Tang Z F. A study of regionalization of ctton cultivation in China., 1983, 2(1): 12–22 (in Chinese with English abstract).

[2] 呂昭智, 陳鍵, 吳志勇, 馬桂龍. 新疆棉區主要有害生物與可持續發展. 干旱區研究, 1999, 16(3): 28–32. Lyu Z Z, Chen J, Wu Z Y, Ma G L. The main pest in Xinjiang cotton region and sustainable development., 1999, 16(3): 28–32 (in Chinese with English abstract).

[3] 依爾夏提·阿不來提, 買買提·沙吾提, 白燈莎·買買提艾力, 安申群, 馬春玥. 基于隨機森林法的棉花葉片葉綠素含量估算. 作物學報, 2019, 45: 81–90. Ershat A, Mamat S, Baidengsha M, An S Q, Ma C Y. Estimation of leaf chlorophyll content in cotton based on the random forest approach., 2019, 45: 81–90 (in Chinese with English abstract).

[4] 朱會義. 1980年以來中國棉花生產向新疆集中的主要原因. 地理研究, 2013, 32: 744–754. Zhu H Y. The underlying cause for the concentration of China’s cotton production in Xinjiang., 2013, 32: 744–754 (in Chinese with English abstract).

[5] 潘學標, 李克讓. 基于GIS的新疆棉花生產發展時空變異分析. 干旱區地理, 2000, 23(3): 199–206. Pan X B, Li K R. Analysis on the temporal and spatial change of cotton production development in Xinjiang based on GIS., 2000, 23(3): 199–206 (in Chinese with English abstract).

[6] 徐培秀. 新疆棉花基地布局研究. 地理學報, 1990, 45: 31–40. Xu P X. On the allocation of cotton production base in Xinjiang., 1990, 45: 31–40 (in Chinese with English abstract).

[7] 楊莉, 楊德剛, 張豫芳, 王國剛, 唐宏. 新疆棉花種植面積時空格局演變特征及驅動機制研究. 中國沙漠, 2011, 31: 476–484. Yang L, Yang D G, Zhang Y F, Wang G G, Tang H. Spatio-temporal pattern dynamic of cotton plantation in Xinjiang and its driving forces., 2011, 31: 476–484 (in Chinese with English abstract).

[8] 賀林均, 馬威. 基于CR4分析的新疆棉花產業集群形成中的自然環境因素限制和影響分析. 經濟地理, 2013, 33(11): 97–103. He L J, Ma W. Restrictions and impact analysis of natural environmental factors on Xinjiang cotton industry cluster formation based on the analysis of CR4., 2013, 33(11): 97–103 (in Chinese with English abstract).

[9] 毛樹春, 韓迎春, 李亞兵, 王國平, 范正義. 棉花工廠化育苗和機械化移栽新技術. 中國棉花, 2008, 35(3): 34–36. Mao S C, Han Y C, Li Y B, Wang G P, Fan Z Y. The technique of cotton seedling raising in greenhouse and root-naked transplanting by machine., 2008, 35(3): 34–36 (in Chinese with English abstract).

[10] 武建設, 陳學庚. 新疆兵團棉花生產機械化發展現狀問題及對策. 農業工程學報, 2015, 31(18): 5–10. Wu J S, Chen X G. Present situation, problems and countermeasures of cotton production mechanization development in Xin- jiang Production and Construction Corps., 2015, 31(18): 5–10 (in Chinese with English abstract).

[11] 趙小汎. 區位商模型在土地利用變化分析中的新運用. 經濟地理, 2013, 33(2): 162–167. Zhao X P. New application of location entropy model in analyzing land use change., 2013, 33(2): 162–167 (in Chinese with English abstract).

[12] 賈興梅, 李平. 農業集聚度變動特征及其與農業經濟增長的關系——我國12類農作物空間布局變化的實證檢驗. 中國農業大學學報, 2014, 19(1): 209–217. Jia X M, Li P. Degree of agriculture concentration and agricultural economic growth: empirical test spatial layout changes of 12 types of crops in China., 2014, 19(1): 209–217 (in Chinese with English abstract).

[13] Druckman A, Jackson T. Measuring resource inequalities: the concepts and methodology for an area-based Gini coefficient., 2008, 65: 242–252.

[14] Fischer M M, Getis A. Handbook of applied spatial analysis., 2010, 10: 109–139.

[15] Baltagi B H. Econometric Analysis of Panel Data, 5th edn., 2013, 5: 747–754.

[16] Elhorst J P. Specification and estimation of spatial panel data models., 2003, 26: 244–268.

[17] Elhorst J P. Spatial Panel Data Models. Berlin: Springer, 2010. pp 377–407.

[18] Ugarte M D. Introduction to spatial econometrics., 2011, 174: 513–514.

[19] 王國剛, 王明利, 王濟民, 楊春, 劉玉鳳. 中國草食家畜養殖的時空動態及其影響因素. 地理學報, 2015, 70: 1091–1100. Wang G G, Wang M L, Wang J M, Yang C, Liu Y F. Spatial-temporal dynamics and its influencing factors of herbivorous livestock breeding in China., 2015, 70: 1091–1100 (in Chinese with English abstract).

[20] Zhao H, Xiong Y, Li F M, Wang R Y. Plastic film mulch for half growing-season maximized WUE and yield of potato via moisture-temperature improvement in a semi-arid agroecosystem., 2012, 104: 68–78.

[21] 龍冬平, 李同昇, 苗園園, 于正松. 中國農業現代化發展水平空間分異及類型. 地理學報, 2014, 69: 213–226. Long D P, Li T S, Miao Y Y, Yu Z S. The spatial distribution and types of the development level of Chinese agricultural modernization., 2014, 69: 213–226 (in Chinese with English abstract).

[22] 倪印鋒, 王明利. 中國牧草產業地理集聚特征及影響因素. 經濟地理, 2018, 38(6): 142–150. Ni Y F, Wang M L. The characteristics and influencing factors of geographical agglomeration of forage industry in China., 2018, 38(6): 142–150 (in Chinese with English abstract).

[23] Xie Y, Mei Y, Tian G, Xue R X. Socio-economic driving forces of arable land conversion: a case study of Wuxian City, China., 2005, 15: 238–252.

[24] Zhang D, Zhang L, Liu J, Han S, Wang Q, Evers J, van der Werf W, Liu J, Li L. Plant density affects light interception and yield in cotton grown as companion crop in young jujube plantations., 2014, 169: 132–139.

[25] He C, Li J, Wang Y, Shi P J. Understanding cultivated land dynamics and its driving forces in northern China during 1983– 2001., 2005, 15: 387–395.

[26] 陳佑啟. 我國耕地利用變化及其對糧食生產的影響. 農業工程學報, 2000, 16(6): 29–32. Chen Y Q. Arable-land use change and its effects on the grain production in China., 2000, 16(6): 29–32 (in Chinese with English abstract).

[27] Wood E C, Tappan G G, Hadj A. Understanding the drivers of agricultural land use change in south-central Senegal., 2004, 59: 565–582.

[28] Yang T C. Introduction to spatial econometrics., 2013, 1: 143–145.

[29] Baltagi B H, Long L. Random effects, fixed effects and Hausman’s test for the generalized mixed regressive spatial autoregressive panel data model., 2016, 35: 638–658.

[30] Baltagi B H, Seuck-Heun S, Byoung-Cheol J, Won K. Testing for serial correlation, spatial autocorrelation and random effects., 2007, 140: 5–51.

[31] 王力, 韓亞麗. 基于主成分分析的新疆棉花種植面積變動及驅動力. 江蘇農業科學, 2017, 45(1): 267–270. Wang L, Han Y L. The changes of cotton planting area and its driving force in Xinjiang based on Principal component analysis., 2017, 45(1): 267–270 (in Chinese).

Characteristics and influencing factors of geographical agglomeration of cotton plantation in Xinjiang

MA Chun-Yue1,2, Mamat Sawut1,2,3,*, Ershat Ablet1,2, and YAO Jie4

1College of Resources and Environmental Science, Xinjiang University, Urumqi 830046, Xinjiang, China;2Key Laboratory of Oasis Ecology of Ministry of Education, Urumqi 830046, Xinjiang, China;3Key Laboratory for Wisdom City and Environmental Modeling, Xinjiang University, Urumqi 830046, Xinjiang, China;4Chongqing Yingxi Hengzong Information Technology Co. Ltd, Chongqing 400014, China

Xinjiang is the largest cotton production base in China. The study on the geographical agglomeration characteristics of cotton planting in Xinjiang is of great significance in adjusting and optimizing the agricultural structure distribution of cotton production, increasing farmers’ income, and promoting the sustainable development of cotton. Based on the cotton production data of Xinjiang from 1988 to 2016, we explored the spatial-temporal change characteristics of cotton plantation by Location quotient, Gini coefficient, and spatial autocorrelation analysis, qualitatively and quantitatively analyzed various influence factors on the geographical agglomeration of cotton plantation by spatial panel data model, and revealed the main driving force of cotton planting industry in Xinjiang. The cotton planting area in Xinjiang experienced three stages, including continuous growth (1988–1999), slow decrease (2000–2004) and fluctuating growth (2005–2016). In 2016, the cotton planting area accounted for nearly 3/5 of the total area in China, and its professional agglomeration level was higher than that of other regions in China, with the increasingly strengthened leading position since 1992. The regional characteristics of cotton planting industry in Xinjiang were obvious. The change of cotton area in southern Xinjiang dominated the change of cotton plantation in Xinjiang. The agglomeration level of cotton plantation in Xinjiang showed a trend of slow recovery after a decline in fluctuation since 1988. The high aggregation (H-H) area transferred from Kashgar area to Kuqa and Xinhe in Aksu area, at the same time, the changes of high-low cluster, low-high cluster and low-low cluster were not significant. The main factors promoting the geographical agglomeration of cotton planting in Xinjiang included the proportion of productive land area, cotton comparative income, mechanization level and policy factors.

cotton plantation; geographical agglomeration; spatio-temporal characteristics; spatial panel data model

本研究由國家自然科學基金項目(41361016, 41461051)資助。

This study was supported by the National Natural Science Foundation of China (41361016, 41461051).

買買提·沙吾提, E-mail: korxat@xju.edu.cn

E-mail: lury_gis@163.com

2019-03-15;

2019-06-20;

2019-07-16.

URL: http://kns.cnki.net/kcms/detail/11.1809.S.20190715.1835.008.html

10.3724/SP.J.1006.2019.94041