数字化、智能化技术已逐渐融入农业生产中,推动农业机械化和智能化发展。农业生产日益集约高效,悄然改变着农业生产面貌和农村人地关系。在工业化、城镇化以及农业转移人口市民化进程中[1],城乡间、地区间出现大规模“候鸟式”迁移流动现象,剩余劳动力逐渐向非农部门转移,大量乡村出现空心化和土地搁置现象,成为制约农业现代化和乡村振兴的难点[2]。深刻理解农业人口分布现状及其变动规律,有助于加快塑造分布合理的农业现代化人力资源,对于培育现代化农业人才队伍、促进现代化大农业可持续发展、实现乡村全面振兴具有重要意义。
目前,针对我国农业人口分布及其时空演变的研究成果相对较少。大多数研究通过绘制农业人口密度图[3-5],计算农业人口分形指数[6]、人口分布结构指数[4]、人口重心和空间自相关指数[4-5]、不均衡指数[5]等方法,概括农业人口分布的主要特征。但既有成果均以省级[3]、区县级[4-5]或乡镇级[6]行政区划为空间单元,难以准确刻画政区内部农业人口分布的异质性特征,且政区面积的巨大差异往往导致农业人口密度出现统计上的偏差,存在地学研究中的可塑性面积单元问题(MAUP)[7-8],削弱了相关成果的研究精度和应用价值。人口数据格网化是按一定的数学模型将行政单元的人口统计数据展布到一定尺寸的格网中,实现统计单元由行政单元向格网单元的转换[9]。该方法使用人口普查[10]、土地利用类型[11]、夜间灯光[12]、百度地图兴趣点[13]等数据,结合多源回归建模[14]、逐步回归模型[15]、随机森林模型[16]等方法,获得100 m[14]、500 m[17]、1 km[18]、10 km[9]等不同尺度的人口格网数据集,从而显著增强人口数据空间分布的细节信息[11],对提升农业人口分布的研究精度具有重要借鉴价值。
本文采用2000年、2010年、2020年《中国人口普查分县资料》,探索农业人口数据的格网化方法,旨在揭示陕西省农业人口分布的主要特征,厘清研究区域农业人口分布的时空演变过程,为培育现代化农业人才队伍、实现乡村全面振兴提供政策依据。
1 研究区概况
根据自然环境和经济政治文化特征,陕西省可划分为陕北高原生态脆弱区(下辖榆林、延安2市)、关中平原政治经济文化中心区(下辖西安、咸阳、渭南、铜川、宝鸡5市)、陕南秦巴山地国家生态屏障区(下辖汉中、安康、商洛3市)。陕西省下辖各区县的政区面积悬殊,面积最大的神木市达7.48×103 km2,最小的碑林区仅22.9 km2。政区面积悬殊导致区县尺度的农业人口密度值存在严重的可塑性面积单元问题。从主要地形和农业耕作条件来看,陕西省关中平原和汉中盆地地势相对平坦,土壤肥沃,气候适宜,灌溉农业发达,自古就是重要的粮食产地;但陕北高原、渭河丘陵、秦岭山地受海拔、地形、水热环境等自然条件限制,农业生产条件相对较差。
2 数据来源与数据预处理
2.1 数据来源
本文采用的数据主要包括:农业人口数据、行政区划数据和土地利用类型数据。
1)农业人口数据。农业人口数据来源于第五至七次《中国人口普查分县资料》(长表数据)“行业、门类人口”中的“农林牧渔业人口”数据。
2)行政区划矢量数据。陕西省县级行政区划矢量数据来源于自然资源部标准地图服务系统(http://bzdt.ch.mnr.gov.cn),使用审图号为GS(2023)2762的标准地图制作,底图无修改(研究时段内,陕西省县级行政区划未发生调整变动)。
3)土地利用数据。中国多时期土地利用/土地覆被遥感监测数据库(CNLUCC,2000年、2010年、2020年)来源于中国科学院资源环境科学数据中心(http://www.resdc.cn),主要包括耕地(包括水田和旱地)、林地、草地、水域、建设用地(包括城镇用地、农村居民点、其他建设用地)和未利用土地等类型。
2.2 数据预处理
1)农业人口数据预处理。人口普查的长表数据是从普通短表填报住户中,按照特定的随机抽样规则抽取10%作为长表登记对象,再次进行入户登记的表格。根据长表数据的随机抽样规则和抽样比例,合理估算2000年、2010年和2020年陕西省县级农业人口数据。
2)土地利用栅格数据转矢量数据。利用ArcGIS的转换工具(conversion),将2000年、2010年和2020年土地利用栅格数据转换为矢量数据,坐标采用PCS:Xian_1980_3_Degree_GK_CM_111E。
3 研究方法
农业人口数据格网化是对农业人口真实分布的“近似”模拟,是按一定的空间化策略将政区单元的农业人口数据展布到一定尺寸的格网中,实现农业人口数据由行政单元向格网单元的转换。考虑到农业人口大多分布在城乡建设用地、耕地、林地等用地类型上,而戈壁、沙漠等难利用土地上农业人口分布稀疏,可通过生成格网、确定合适的权重因子、计算格网密度等步骤,实现农业人口分布的格网化。
1)生成格网
首先确定格网尺寸,避免面积较小的政区全部落入同一格网内;同时也要避免格网粒度过小导致的视觉识别度下降,反而无法展示专题地图的空间变异特征。参考已有研究成果[21],格网边长的计算公式为
g= 。
式中:g为格网边长;Smin为最小政区面积。研究区域中Smin=22.9 km2,故g=2.7 km,即格网边长不应大于2.7 km。为改进农业人口分布的可视化效果,选取规则格网边长g*=1.5 km。使用创建渔网工具(create fishnet)生成边长为1.5 km的格网,以陕西省行政区划边界修剪(clip)格网,得到92 814个格网单元。修剪边界,并计算格网面积an(n为格网编号)。
2)确定权重因子
寻求合理、客观的权重参数是提升农业人口格网化精度的关键。已有研究中,潘颖等 [22]认为耕地、居民点、工矿用地是影响各市县人口分布的主要因素,其他土地利用类型是影响人口分布的次要因素。吴京航等[23]也认为耕地、林地、城镇村及工矿用地、交通用地是影响人口分布的主要因素。郭子翰等 [11]设定采样规则进行样本采样,得到地类权重。米瑞华等[24]假设城镇人口主要分布在城镇用地和其他建设用地,乡村人口主要分布在农村居民点、耕地、林地和草地4类用地上,对土地利用类型赋以不同权重。借鉴米瑞华等[24]的做法,根据农业人口生活、工作和出行的空间特征进行权重因子赋值(表1)。考虑到农村居民点是农业人口生活的主要场所,水田、旱地等耕地上的农业人口活动频率较高,林地、草地上的农业人口比例下降(但并未出现下降到零的情况),水域和未利用土地上极少有人口分布,对不同土地利用类型赋予不同权重,以体现农业人口集疏分异的空间特征。
表1 土地利用类型权重Tab.1 Weighting of land use types |
| 土地利 用类型 | 土地利用 类型j | 第j类用地的农业人口 分布权重fj /% |
|---|---|---|
| 农村居民点 | 1 | 80 |
| 水田 | 2 | 13 |
| 旱地 | 3 | 5 |
| 林地 | 4 | 1 |
| 草地 | 5 | 1 |
| 水域、未利 用土地等 | 6 | 0 |
3)计算格网密度
对陕西省土地利用类型、县级行政区划和1.5 km格网数据进行地图叠加(intersect),获取具有唯一土地利用类型j、唯一政区属性i和唯一格网属性n的最小多边形。计算最小多边形面积am(m为最小多边形编号),再以政区属性i汇总求和(summarize)i县j类用地的总面积aij。i县j类用地上农业人口密度的计算公式为
Dij= ×fj。
式中:Dij为i县j类用地的农业人口密度;Pi为人口普查资料公布的i县农业人口数量;aij为i县第j类用地的总面积;fj为j类用地的农业人口分布权重因子;aij×fj为i县j类用地的加权面积; (aij×fj)为i县全部用地类型的总加权面积;Pi/ 表示i县农业人口按照总加权面积计算的基准密度。
基于每个最小多边形的唯一土地利用类型j和唯一政区属性i赋值农业人口密度Dij,乘以最小多边形面积am,得到每一个最小多边形上的农业人口数Pm;基于最小多边形的格网属性n对Pm汇总求和(summarize),得到每一格网上的农业人口数Pn;以Pn除以格网面积an,得到每一格网上的农业人口密度Dn,并绘制2020年陕西省农业人口格网分布图。
4 结果分析
4.1 农业人口分布的现状特征
2020年陕西省农业人口格网分布图(图2)显示,陕西省农业人口在关中平原和汉中盆地分布密集,在陕北高原和秦巴山地相对稀疏。
陕北神木市和府谷县紧邻毛乌素沙地南缘风沙草滩区,气候干旱,农业耕作条件较差,农业人口密度普遍低于3人/km2(图2中的a区)。
榆林市南部的黄土高原丘陵沟壑区地势高、沟壑多、降水少,农业人口密度偏低,但无定河等地域性河流冲击形成的河谷地带,沿河谷具备良好的农业生产条件,形成狭长的农业人口条带状聚集区,密度可达40~100人/km2(图2中的b区)。
随着纬度和海拔下降,降水增加,农业人口密度自北向南逐渐增加,尤其在延安市洛川县、富县、黄陵县等地势较平坦的区县形成了农业人口高度聚集区。但延安西北部和东南部的重点生态保护区和水源涵养区农业人口非常稀疏(图2中的c区)。
关中平原得益于适宜的地形、土壤、降水、河流、温度等自然条件,灌溉农业发达,农业人口密度大于80人/km2的高密度区沿冲积扇平原广泛分布,聚集于富平、大荔、礼泉、眉县、周至、兴平、户县(现为鄠邑区)等传统农业强县(图2中的d区)。
西安、咸阳等大城市内农业人口分布稀疏,尤其西安市主城区(碑林、莲湖、新城、雁塔、灞桥、未央等区)和咸阳市主城区(秦都、渭城)农业人口密度极低(图2中的e区)。
陕南地区温湿度条件相对较好,但秦岭、大巴山等山脉横贯东西,地形起伏度较大且地貌复杂,导致陕南农业人口密度普遍低于8人/km2。不过,汉中盆地因其海拔较低、地形平坦、气候温和、水网密集,为农业发展提供了良好的自然条件,成为陕南农业人口的重要聚集区,其中城固县和汉台区的农业人口密度可达300人/km2(图2中的f区)。
而安康、商洛等地受到秦巴山地和丘陵等地形限制,农业人口沿汉江、旬江、丹江等河流分布,呈现出典型的条带状特征,河谷内农业人口密度可达30~100人/km2(图2中的g区)。
综上,陕西省农业人口主要分布于关中平原和汉中盆地;陕北黄土高原、陕南丘陵山地农业人口相对稀疏,在局部农业生产条件较为优越的河谷地带,农业人口相对密集;城市核心区、沙漠等难利用土地以及生态保护和水源涵养区等地农业人口密度极低。
4.2 农业人口分布的时空演变特征
使用2000年、2010年和2020年的土地利用类型数据和第五至七次中国人口普查分县资料,采用农业人口格网化方法,绘制陕西省农业人口格网分布时空演变图(图3)。结果显示,2000—2020年,陕西省农业人口密度峰值显著下降。其中,陕北地区农业人口格网密度峰值从2000年的420人/km2下降至2020年的308人/km2,数据标准差从20.49下降至9.16,农业人口密度数据的平均值更低且频率分布更集中。关中地区作为陕西省农业生产条件最优越的地区,农业人口格网密度亦出现大幅下降,峰值从2000年的2 030人/km2下降至2020年的718人/km2,数据标准差从143.67下降至54.49。陕南地区农业人口格网密度峰值从2000年的964人/km2下降至2020年的334人/km2,标准差从59.95下降至16.48。可见,关中地区农业人口密度降幅最大,陕南次之,陕北较小。
农业人口密度下降可能受到土地利用类型转变的影响。经统计,2000—2020年,陕西省各地市普遍发生耕地减少、城镇用地和农村居民点增加等土地利用类型转变的情况。以西安市为例,水田和旱地占总面积比重分别下降0.93%和3.54%,城镇用地和农村居民点则分别增加2.33%和1.25%。与此同时,西安市农业人口规模则从1.69×106人下降到3.97×105人,降幅较大。因此,研究认为土地利用类型转变对农业人口密度的快速下降有一定程度影响,但不构成农业人口密度普遍性快速下降的最重要原因。
综上,农业人口格网密度普遍快速下降的原因是工业化和城镇化过程中不同产业生产率的巨大差异,以及由此决定的收入、就业机会和公共服务等经济社会发展差距。
根据陕西省农业人口格网分布的时空演变图,统计陕西省人口密度变动情况(表2)。结果显示,2000—2020年,陕西省农业人口密度小于20人/km2的格网数量大幅增加,占比从32.57%增加至80.46%;而农业人口密度为20~100人/km2的格网数量大幅减少,占比从51.89%减少至15.50%;密度为100~1 000人/km2的格网占比从15.54%减少至4.04%;密度大于1 000人/km2的格网占比从0.02%减少至0。总体而言,农业人口分布的中高密度格网数量和占比显著下降,而低密度格网数量和占比大幅增加,反映出农业人口密度下降的全局性和普遍性。
表2 2000—2020年陕西省农业人口密度变动统计Tab.2 Statistics of agricultural population density in Shaanxi province in 2000,2010 and 2020 |
| 年份 | 统计指标 | 农业人口密度/(人·km-2) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0~5 | 5~10 | 10~20 | 20~50 | 50~100 | 100~500 | 500~1 000 | >1 000 | 合计 | |||
| 2000年 | 格网数/个 | 2 760 | 9 703 | 17 772 | 32 685 | 15 472 | 13 768 | 636 | 18 | 92 814 | |
| 占比/% | 2.97 | 10.45 | 19.15 | 35.22 | 16.67 | 14.83 | 0.69 | 0.02 | 100.00 | ||
| 2010年 | 格网数/个 | 5 643 | 11 784 | 22 407 | 28 790 | 11 875 | 12 018 | 289 | 8 | 92 814 | |
| 占比/% | 6.08 | 12.70 | 24.14 | 31.02 | 12.79 | 12.95 | 0.31 | 0.01 | 100.00 | ||
| 2020年 | 格网数/个 | 29 895 | 27 353 | 17 431 | 9 349 | 5 035 | 3 747 | 4 | 0 | 92 814 | |
| 占比/% | 32.21 | 29.47 | 18.78 | 10.07 | 5.43 | 4.04 | 0 | 0 | 100.00 | ||
表3 全局Moran's I指数Tab.3 Global Moran's I index |
| 年份 | Moran’s I | Z值 | p值 |
|---|---|---|---|
| 2000年 | 0.778 | 332.76 | 0.000 |
| 2010年 | 0.750 | 320.45 | 0.000 |
| 2020年 | 0.766 | 327.36 | 0.000 |
为了分析陕西省农业人口分布的不均匀性,计算农业人口格网分布的洛伦兹曲线。步骤如下:农业人口密度从低到高对格网排序,以格网面积累积百分比(即累积面积/总面积×100%)为横轴,再以农业人口累积百分比(即农业人口累积数/农业总人口×100%)为纵轴,将3个普查年份的农业人口分布洛伦兹曲线呈现于一个笛卡尔坐标系中(图4)。结果显示,密度最稀疏的20%格网上分布着约3%的农业人口(2000年、2010年和2020年分别为2.67%、3.07%、3.31%),而最稠密的20%格网上分布着约65%的农业人口(2000年、2010年和2020年分别为64.56%、64.53%、68.05%)。2000年洛伦兹曲线(斜线阴影)与2010年(橙色阴影)几乎重叠,说明2000—2010年陕西省农业人口分布的空间不均匀性没有显著变化;但2020年的洛伦兹曲线(蓝色阴影)显著远离了代表绝对平均水平的45°线,说明2010—2020年陕西省农业人口分布的空间不均匀性有所加剧。
5 结果验证
5.1 精度验证
EAi=PEi-Pi,
ERi=(EAi/Pi)×100%。
式中:PEi为农业人口格网数据集还原到区县尺度时i区县的农业人口估计值;Pi为普查数据统计的i区县农业人口数量;EAi为i区县农业人口估计值的绝对估计误差;ERi为考虑i区县农业人口规模对估计误差影响下的相对估计误差。
绘制相对估计误差空间分布图(图5)。其中,相对估计误差ERi小于等于-10%为严重低估,处于(-10%, -5%]为低估,处于(-5%, 5%]为正确估计,处于(5%, 10%]为高估,大于10%为严重高估。结果显示,农业人口格网数据集总体上具有良好的精度,2000年、2010年和2020年被正确估计的行政区占比分别为94.39%、92.52%和88.79%,说明农业人口格网数据集与人口普查数据具有良好的一致性。少量被严重低估或严重高估的行政区均位于大中型城市的主城区。
图5a中,2000年宝鸡市金台区ERi达到41.72%,被严重高估;西安市莲湖区、碑林区和新城区ERi分别为-61.56%、-17.56%和-11.05%,被严重低估。图5b中,延安市宝塔区、西安市雁塔区和未央区农业人口被严重高估,而西安市莲湖区、新城区、碑林区和鄠邑区被严重低估。图5c中,西安市雁塔区和未央区、咸阳市渭城区、铜川市王益区以及宝鸡市金台区被严重高估,西安市新城区、莲湖区、碑林区被严重低估。这说明行政等级和城镇化水平较高的大中型城市主城区内的农业人口更容易被严重高估或严重低估,而行政等级较低的区县则相对估计误差较小,估计精度较高。其原因在于,大中型城市的农业人口基数较小,比如西安市新城区2000年、2010年和2020年农业人口分别为280人、260人和180人,虽然其绝对估计误差EAi并不大(分别为30.95、91.25和147.34),但较小的农业人口基数放大了相对估计误差水平。
ERMS= ,
EMA= ,
EMAP= ×100%。
式中,PEi和Pi的含义同式(3)。ERMS、EMA和EMAP的取值范围为[0,+∞),数值越接近0,说明拟合的准确性越高;R2的取值范围为[0,1],越接近1,表示农业人口估计值对普查数据的解释程度越高,说明估计精度越高。计算结果(表4)显示,评估指标都有良好的表现,尤其EMAP小于10%,R2接近1,说明农业人口格网化方法具有较高的研究精度,不存在系统性统计偏差,具有较高的可靠性。
表4 农业人口格网数据集精度评估Tab.4 Accuracy assessment of agricultural population grid dataset |
| 年份 | RMSE | MAE | MAPE/% | R2 |
|---|---|---|---|---|
| 2000年 | 1 096.98 | 748.00 | 2.029 8 | 0.999 9 |
| 2010年 | 1 829.62 | 764.70 | 3.470 2 | 0.999 5 |
| 2020年 | 565.22 | 373.77 | 3.713 8 | 0.999 8 |
5.2 尺度比较
为比较区县尺度和格网尺度对农业人口分布研究精度的影响,选取渭河冲积扇平原源头的陕西省宝鸡市作为进一步讨论的案例区(图6)。该区域南倚秦岭,陇山和千山西阻北横,渭河东西横贯,土地利用类型丰富多样,农业生产条件迥异,农业人口密度对比强烈。比较发现,区县尺度下农业人口密度较大的区县依次为眉县、扶风县和岐山县,其农业人口密度分别为79人/km2、61人/km2和29人/km2。但在1.5 km格网尺度下,其农业人口密度最高可达427人/km2、383人/km2和385人/km2,且同一县内农业人口密度峰值与低值差距巨大。这说明,尽管区县尺度下的农业人口密度图也能粗略反映农业人口分布的基本特征,但由于其忽略了县级行政单元内部复杂的土地利用类型,导致区县尺度下农业人口密度的研究精度较低,可塑性面积单元问题较为严重;而基于土地利用的格网化方法能够更准确地捕捉该地区西窄东宽、沿冲积扇平原分布的农业人口空间分异特征,研究精度大幅提升。
6 结论
基于土地利用数据、最新标准地图数据以及人口普查数据,采用农业人口分布格网化、全局Moran’s I指数以及人口密度洛伦兹曲线等方法,获得陕西省1.5 km农业人口格网数据,分析农业人口分布的特征与时空演变过程,得到如下结论:
1)陕西省关中平原和汉中盆地农业人口分布相对密集;而陕北黄土高原、陕南丘陵山地由于地形地貌、温度降水等自然地理因素相对不利于农业生产,农业人口分布相对稀疏。河谷地带农业人口分布相对密集,而城市核心区、难利用土地、生态保护和水源涵养区等地农业人口密度极低。
2)2000—2020年,陕西省农业人口分布始终具有很强的空间正自相关性,其空间不均匀性在研究时段的前十年间没有显著变化,后十年空间不均匀性有所加剧。二十年间,陕西省农业人口密度全域普遍下降,但各地降幅存在一定差异。其原因可能在于工业化和城镇化进程推动的土地利用类型转变和农业人口规模下降速度不同。
3)精度验证发现,农业人口格网数据与人口普查数据具有良好的一致性,被正确估计的行政区占比约90%。行政等级较高的大中型城市更容易被严重高估或严重低估,原因在于其农业人口基数较小,放大了相对估计误差水平。其他评估指标中,RMSE、MAE和MAPE数值较小,R2非常接近1,指标的良好表现说明农业人口格网数据集的拟合精度较高,具有较高的可靠性。
本文探索了农业人口数据的格网化方法,揭示了陕西省农业人口分布的主要特征和时空演变过程,并分析其可能的原因。与既有成果相比,本文操作步骤简便,拟合精度高,有效解决了可塑性面积单元问题,准确捕捉到农业人口的空间分异特征,显著逼近了农业人口分布的真实情况,实现了研究精度的突破。但研究还存在改进的空间:第一,本文假定农业人口在同一区县内的同种土地利用类型上是均匀分布的,但即使在同一区县的同一种土地利用类型内,农业人口密度也会由于区位等因素而具有变异性,因此未来可引入夜间灯光等数据以进一步增强其内部结构信息;第二,农业人口格网数据集的精度改进受到地类权重因子、土地利用数据和人口普查长表数据的抽样规则和统计误差的影响,未来可通过典型区数据采样等方法,提升权重赋值的客观性和科学性,进一步改进其估计精度;第三,本文未深入探讨农业人口分布的影响因素及其变动机制,未来可基于相关理论深入剖析其内在机制,并构建实证模型予以检验,为推进农业现代化和乡村全面振兴提供针对性政策建议。