基于地理探测器的四川省茶产业时空格局变化及驱动因素研究

曹杰, 林正雨, 陈春燕, 刘远利, 高文波, 邵周玲

曹杰, 林正雨, 陈春燕, 刘远利, 高文波, 邵周玲. 基于地理探测器的四川省茶产业时空格局变化及驱动因素研究[J]. 中国生态农业学报 (中英文), 2023, 31(4): 619−631. DOI: 10.12357/cjea.20220278
引用本文: 曹杰, 林正雨, 陈春燕, 刘远利, 高文波, 邵周玲. 基于地理探测器的四川省茶产业时空格局变化及驱动因素研究[J]. 中国生态农业学报 (中英文), 2023, 31(4): 619−631. DOI: 10.12357/cjea.20220278
CAO J, LIN Z Y, CHEN C Y, LIU Y L, GAO W B, SHAO Z L. Spatiotemporal pattern of the tea industry in Sichuan Province and its driving forces based on the geographical detector[J]. Chinese Journal of Eco-Agriculture, 2023, 31(4): 619−631. DOI: 10.12357/cjea.20220278
Citation: CAO J, LIN Z Y, CHEN C Y, LIU Y L, GAO W B, SHAO Z L. Spatiotemporal pattern of the tea industry in Sichuan Province and its driving forces based on the geographical detector[J]. Chinese Journal of Eco-Agriculture, 2023, 31(4): 619−631. DOI: 10.12357/cjea.20220278
曹杰, 林正雨, 陈春燕, 刘远利, 高文波, 邵周玲. 基于地理探测器的四川省茶产业时空格局变化及驱动因素研究[J]. 中国生态农业学报 (中英文), 2023, 31(4): 619−631. CSTR: 32371.14.cjea.20220278
引用本文: 曹杰, 林正雨, 陈春燕, 刘远利, 高文波, 邵周玲. 基于地理探测器的四川省茶产业时空格局变化及驱动因素研究[J]. 中国生态农业学报 (中英文), 2023, 31(4): 619−631. CSTR: 32371.14.cjea.20220278
CAO J, LIN Z Y, CHEN C Y, LIU Y L, GAO W B, SHAO Z L. Spatiotemporal pattern of the tea industry in Sichuan Province and its driving forces based on the geographical detector[J]. Chinese Journal of Eco-Agriculture, 2023, 31(4): 619−631. CSTR: 32371.14.cjea.20220278
Citation: CAO J, LIN Z Y, CHEN C Y, LIU Y L, GAO W B, SHAO Z L. Spatiotemporal pattern of the tea industry in Sichuan Province and its driving forces based on the geographical detector[J]. Chinese Journal of Eco-Agriculture, 2023, 31(4): 619−631. CSTR: 32371.14.cjea.20220278

基于地理探测器的四川省茶产业时空格局变化及驱动因素研究

基金项目: 国家重点研究计划课题(2020YFD1100601)、四川省杰出青年科技人才项目(2020JDJQ0073)、四川省重点研发计划项目(2021YFYZ0028)和四川省财政自主创新专项项目(2022ZZCX036)资助
详细信息
    作者简介:

    曹杰, 主要研究方向为农业资源利用与区域农业发展。E-mail: 2435711812@qq.com

    通讯作者:

    林正雨, 主要研究方向为农业资源利用与区域农业发展。E-mail: 1456875524@qq.com

  • 中图分类号: F323.1; F304.5

Spatiotemporal pattern of the tea industry in Sichuan Province and its driving forces based on the geographical detector

Funds: This study was supported by the National Key Research and Development Project of China (2020YFD1100601), the Program for Distinguished Young Technology Talents of Sichuan Province (2020JDJQ0073), the Provincial Key Research and Development Project of Sichuan Province (2021YFYZ0028), and Sichuan Provincial Financial Independent Innovation Project (2022ZZCX036).
More Information
  • 摘要: 茶产业时空格局形成和演变是自然因素和人类活动共同作用的结果, 理解茶产业时空格局变化过程, 揭示不同自然-社会-经济驱动因子对茶产业时空格局演变的作用机制, 对区域茶叶种植结构调整具有重要意义。本文基于1980—2019年四川省县区尺度茶叶生产统计年鉴数据, 运用产业集中度、探索性空间数据分析和产业重心模型分析了四川省茶产业时空格局演化过程, 对研究区内海拔、土壤酸碱度、年降水量、年活动积温、生长季日平均气温、越冬期日极端最低气温、生长季日极端最高气温等自然因素, 土地利用强度、乡村劳动力、化肥、农药、灌溉等生产要素以及人均可支配收入、科技、政策等社会经济要素进行离散分层并确定最优尺度单元, 基于地理探测器探讨了各驱动因子对四川省茶产业分布的解释力以及交互作用。结果表明: 从时间上看, 四川省茶产业规模总体呈上升趋势, 区位基尼系数均大于0.5, 空间特征呈现出高度集聚, 且集聚程度随时间波动上升。从空间上看, 全局莫兰指数均大于0, 县域尺度上表现出明显的空间集聚, 且相邻县域之间相互影响, 热点区主要分布在川南地区和成都平原区南部, 茶产业重心整体上向西迁移。忽视可变面域问题会影响地理探测器建模结果, 因此对连续型因子离散化和空间单元尺度优化, 得到最优参数。单个因子对茶产业空间影响程度排前3的是土地利用强度(0.91)、乡村劳动力(0.87)和化肥(0.86); 影响因子相互作用主要表现为非线性增强和双因子增强, 生产与社会经济因子平均交互作用最大(0.8870), 四川省茶产业表现出生产要素驱动为主的空间格局。基于此, 本研究认为四川省茶产业应: 1)关注生长季缺水、突发性强降水以及低温冻害对茶树的影响; 2)加强“宜机采”茶园建设, 树立绿色茶园绿色发展理念; 3)提升良种普及率以及推广新技术, 保障用地、劳动力、化肥、农药等生产要素的稳定投入。
    Abstract: The growth of tea industry is the result of interactions between natural and social factors. An understanding of the spatiotemporal pattern of the tea industry and the effects of natural and socioeconomic factors provides an important basis for the adjustment of tea planting structures. Based on the statistical yearbook data of the tea industry in Sichuan Province over the last 40 years, from 1980 to 2019, the spatiotemporal pattern of tea industry in Sichuan Province and its driving forces were studied using industrial concentration, exploratory data analysis, and an industrial gravity model. Natural factors, such as elevation, soil pH, annual precipitation, accumulated temperature, average temperature of tea growing season, extreme minimum temperature of the overwintering period, and extreme maximum temperature of tea growing season; production factors, such as land use intensity, labor, fertilizer, pesticides, and irrigation; as well as socioeconomic factors, such as per capita disposable income, technology, and policy were statistically divided by the geographical detector. The impact of separate driving factors and the interactions between these factors on the spatial pattern of tea industry in Sichuan Province were systematically discussed. The results of this study were as follows: in the past 40 years, the tea industry in Sichuan Province had shown an expanding trend; the spatial distribution showed a high degree of concentration; and a wavelike increase with time (locational Gini index > 0.5). There was a significant geographical agglomeration on the county scale, showing a hot spatial structure in southern Sichuan and the southern Chengdu Plain (global Moran’s I > 0). The center of gravity of the tea industry in Sichuan migrated to the west. The modifiable areal unit problem (MAUP) is a fundamental issue in geographical detectors. To address this issue, both scale and zoning effects were tested to examine the MAUP before applying the geographical detector model in this study. Among the 15 influencing factors selected, land use intensity, labor, and fertilizer had the highest deciding power. The interactions between these factors mainly manifested as dual-factor enhancement and nonlinear enhancement types, and the average interaction of production factors and socioeconomic factors had the highest decisive power (0.8870). Thus, the tea industry in Sichuan Province was mainly driven by production factors. Evidence-based hypothetical solutions derived from these observations focused on three aspects: 1) Pay close attention to the influence of water shortage in the tea growth period, intense rainfall, and freezing damage on tea trees and react effectively. 2) Implement corresponding countermeasures, including strengthening the construction of machine-plucking tea gardens “suitable for mechanization” and establishing the concept of green development. 3) Accelerate the promotion and application of modern agricultural technology; breed new tea varieties that fit local conditions; and set up a system of steady land, labor, fertilizer, and pesticide input.
  • 农作物空间格局是农业土地利用的一种形式和结果, 反映了农业生产在空间范围内利用资源的状况, 是了解农作物种类、结构、分布特征的重要信息, 也是进行作物结构调整和优化的重要依据[1]。农作物空间格局研究主要包括格局特征研究和格局机理研究[2]。在格局特征研究中, 许多学者基于统计数据利用莫兰指数、比较优势系数、地理集中度以及区域重心等方法展开了粮食作物生产空间格局研究, 然而特色经济作物空间格局研究则相对较少。农作物空间格局的形成与变化是自然因素和人类活动共同作用的结果, 是一个受自然因素、生产投入以及社会经济因素共同影响的系统[3]。在格局机理研究中, 一方面是从气温、降水、地形等自然因素或者劳动力、技术、政策、市场等社会经济因素某一角度进行分析, 然而单一角度难以全面理解农作物空间格局的动态变化过程。另一方面综合自然—社会经济多因素开展格局变化研究, 一些学者利用空间杜宾模型[4]、地理加权回归模型[5]、偏最小二乘法模型[6]得出社会经济因素成为作物生产扩张主要原因的结论, 然而这些研究模型集中在度量自然-社会因素中各因子对农作物空间格局的单独影响, 但是在同一系统中一个因素的功能可以根据其他因素的条件变化进而增强或减少[7-8], 因此开展两两因子之间交互影响的研究是十分必要的。

    地理探测器是探测和利用空间分异性的工具[9], 最先应用于探究地方病发生的原因[10], 随后在国家到乡镇尺度[11-15]、从自然到社会领域[16-17]的各个方面都有应用, 然而一些研究随意地选择空间格网尺度以及主观地采用离散方法对影响因子进行分类, 忽视地理空间分析普遍存在的可变面域问题[18]。地理探测器作为一种基于格网分析地理现象和因素之间关系的空间统计模型[18], 以尺度效应和分区效应为表现的可变面域单元问题会影响变量之间的相关性, 导致模型结果的不同[19-20]。离散方法以及分类数目会影响要素的地理特征, 过多的分类可能会使数据更加的分散, 而过少的分类却不能更好地反映空间异质性[18]。主观而随意地对影响因素进行分类, 无法精准反映各因素与地理现象间的关系, 需最优离散化法和先验知识来对定量变量进行分类[18]。此外不同空间尺度上的地理变量可能显示出显著差异的地理特征[21], 空间格网尺度的变化会使得地理探测器建模结果差异很大[22]。因此非常有必要计算可变面域问题如何影响地理探测, 从而选择最合适的空间格网尺度以及最优化的因子离散方法。

    茶(Camellia sinensis)是世界上最重要的经济作物之一, 起源于中国西南部。一些学者在国家到县域[23-25]不同尺度下开展了茶产业时空格局变化研究, 剖析茶产业时空格局演变的自然-社会因素影响, 但是揭示单因子影响茶产业格局变化的重要值以及两两因子之间是如何影响的研究还相对较少[26-27]。综上所述, 本文以中国重要产茶区和早茶区的四川省为研究区, 基于四川省1980—2019年茶面积县域统计数据, 运用数理分析法、GIS技术、空间数据分析方法探究茶产业时空格局变化特征, 采用参数最优地理探测器模型分析茶产业格局主要驱动因子及两两因子之间的影响, 以期为优化茶产业的经济结构和区域农业资源配置提供决策依据。

    四川省位于中国西南, 地处长江上游, 地势西高东低, 由西北向东南倾斜, 地形复杂多样, 以龙门山—大凉山为界, 东部为四川盆地及盆周山地, 西部为川西高山高原及川西南山地, 地貌类型以山地为主。茶叶集中分布在海拔400~700 m的东部盆地和海拔700~1400 m的盆周山区。四川气候复杂多样且地带性和垂直变化明显。全省根据水热条件和光照条件差异可分为盆地中亚热带湿润气候区、川西南山地亚热带半湿润气候区和川西北高山高原高寒气候区三大气候区。全省气候东西区域差异明显, 盆地及南缘低山、河谷, 年平均气温16~18 ℃, 1月平均气温5~8 ℃, ≥10 ℃积温5000~6000 ℃, 无霜期长达290~350 d, 雨量1000~1500 mm, 日照1000~1400 h, 非常适宜茶叶生长。2019年四川茶叶产量3.25×105 t, 占全国茶叶总产量的11.72%, 位居全国第4。全省共分5大经济区, 辖183个县(市、区), 其中有130个县(市、区)产茶, 涉茶人数超过500万, 占全省人口总数的6% (图1)。

    图  1  四川省地理分区
    Figure  1.  Geographical regions map of Sichuan Province

    本文从自然和人文两个层面选择影响因素, 自然层面上主要考虑地形、土壤和气候3个因子[28-30], 人文层面上主要考虑生产要素和社会经济要素2个方面。以2019年底四川省行政区划为依据, 共计183个县级单位, 四川省区县地图矢量数据来自国家基础地理信息数据库。采用茶叶面积表征茶叶生产, 各区县茶叶面积数据来源于1980—2019年《四川统计年鉴》《四川省农村统计年鉴》和《四川农业统计年鉴》。自然要素、生产要素、社会经济要素3个方面的15个因子为自变量, 生产要素数据以及社会经济要素来自2019年统计年鉴的截面数据, 部分县域数据由于量纲、缺失、口径等原因, 采用滑动平均等统计方法进行相应处理与修正。高程数据来自中国科学院资源环境科学数据中心提供的SRTM 90 m。气候数据来源于中国气象科学共享数据服务平台提供的中国地面气候资料日值数据集(V3.0)。土壤酸碱度数据来源于2010年四川省2697采样点测土配方施肥土壤基础养分数据集。

    选择区位基尼系数分析1980—2019年四川茶产业空间的集聚特征和变化趋势。

    $$ {\rm{Gini}} = \frac{1}{{2{N^2}\mu }}\sum\limits_{i = 1}^N {\sum\limits_{j = 1}^N {\left| {\frac{{{X_i}}}{X} - \frac{{{X_j}}}{X}} \right|} } $$ (1)

    式中: Gini为当年茶叶面积的区位基尼系数; N为县区总数, N=183; XiXj分别为第ij县区当年茶叶面积; $ {\mu} $为县区茶叶面积占全省茶叶面积的占比均值。0≤Gini≤1, Gini值越大, 表明茶产业空间分布越集中。然而区位基尼却存在企业规模缺陷[31], 需要结合地理集中度指标综合分析茶叶空间特征:

    $$ {{\rm{CR}}_n} = \sum\limits_{k = 1}^n {{S_k}} $$ (2)

    式中: CRn为茶产业空间集中度; Sk反映茶叶面积最大的前k个县域茶叶面积占全省茶叶面积的比值, 本文选择前15个区县, 即n=15。

    探索性空间数据分析是一系列空间数据分析方法的集合, 常在农作物空间变化和集聚状态的研究中应用。采用全局Moran’s I值分析四川省茶产业空间整体分布情况[2], 以判断茶叶空间自相关性和空间分异规律。计算每一空间单元的Getis-Ord Gi* [2], 高指标值(热点区)和低指标值(冷点区)反映茶产业空间的差异情况。

    借鉴力学重心概念, 引入产业重心模型确定四川茶产业不同年份移动的方向、距离和速度, 刻画四川茶产业动态演化过程。

    $$\left\{ \begin{array}{l} \begin{gathered} \overline X = \sum\limits_{i = 1}^n {{M_i}{X_i}\bigg/\sum\limits_{i = 1}^n {{M_i}} } \\ \overline Y = \sum\limits_{i = 1}^n {{M_i}{Y_i}\bigg/\sum\limits_{i = 1}^n {{M_i}} } \end{gathered} \end{array} \right. $$ (3)
    $$ {D_{s - k}} = c \times \sqrt {{{({X_s} - {X_k})}^2} + {{({Y_s} - {Y_k})}^2}} $$ (4)

    式中: $ \overline{X} $$ \overline{Y} $分别是四川省茶叶面积重心的经纬度坐标, XiYi分别是县域i的经纬度坐标, Mi为县域i的茶叶面积, n为183个县区, $ D_{s-k} $表示从第k年到第s年茶叶重心移动距离, c为常数111.111。

    该模型用于检验四川省茶产业空间分布与其潜在驱动因素之间关系, 通过风险探测、因子探测、生态探测和交互探测4个探测器揭示地理环境要素对地理现象的影响程度。

    1)因子探测: 利用因子探测器度量地理环境因子对茶产业空间分布影响因素的决定力大小, 用q值刻画因子的具体解释力。

    $$ q = 1 - \frac{{\displaystyle \sum\nolimits_{h = 1}^L {{N_h}\sigma _h^2} }}{{N{\sigma ^2}}} = 1 - \frac{{{\rm{SSW}}}}{{{\rm{SST}}}} $$ (5)
    $$ {\rm{SSW}} = \sum\nolimits_{h = 1}^L {{N_h}} \sigma _h^2 $$ (6)
    $$ {\rm{SST}} = N{\sigma ^2}$$ (7)

    式中: h=1, $ \cdots , $ L, 为自变量Y或因子X的分类; NhN分别是类别h和全区的单元数; $ {\sigma _h}^2 $$ {\sigma ^2} $分别是类别h和全区的Y值的方差。SSW为类别内方差之和, SST为全区总方差。q值范围是0~1, q值越大说明因子对茶叶空间分异的影响越大。

    2)交互探测: 本文利用交互探测识别不同的地理环境因子之间对茶产业空间分布的交互作用, 评估因子之间的共同作用是否会增加或减弱对茶产业空间分布的解释力以及这些因素对茶产业空间分布的影响是否独立。分别计算任意两个因子X1与X2叠加后的q值[q(X1∩X2)], 判断各因子是否存在交互作用以及交互作用的程度, 两个因子之间的关系可以分为非线性减弱q(X1∩X2)<Min[q(X1), q(X2)]、单因子非线性减弱Min[q(X1), q(X2)<q(X1∩X2)]<Max[q(X1), q(X2)]、双因子增强q(X1∩X2)>Max[q(X1), q(X2)]、独立q(X1∩X2)=q(X1)+q(X2)以及非线性增强q(X1∩X2)>q(X1)+q(X2) 5类。

    1980—2019年, 四川省茶叶生产规模总体呈稳步上升趋势(图2), 茶叶种植面积除1997年减少外, 其余年份均是增加。从1980年的3.48×104 hm2增加到2019年的3.52×105 hm2, 增长了9倍。1980年以来, 四川省茶产业空间时序变化大致可以分为2个时期: 1980—2008年的高速扩张期, 茶叶种植面积增加了1.67×105 hm2, 年增长率6.48%, 这个阶段的发展是由于改革开放以后, 国家对茶产业实行一系列产销经济体制改革, 同时市场化进程推进, 再加上各项先进技术的推广普及, 促使四川茶叶生产持续大幅度增长; 2009—2019年的平稳发展期, 茶叶种植面积增加了1.71×105 hm2, 年增长率6.02%。进入21世纪以后, 国家开始大力支持西部地区社会经济发展, 四川茶叶生产实施规模化、集约化、品牌化战略, 茶产业跨过规模扩张的基础发展阶段, 进入产业升级转轨的成长期。

    图  2  1980—2019年四川省茶产业面积时序变化
    Figure  2.  Temporal changes of tea industry area in Sichuan Province from 1980 to 2019

    1980—2019年四川省茶产业区位基尼系数均大于0.5, 数值范围为0.796~0.861 (图3), 呈现高度集中特点。空间集聚程度随时间变化而波动上升, 1980—1998年波动较大, 1999—2007年高速增长, 从0.82上升到0.85, 2008—2019年稳定发展, 稳定在0.85附近。同时近40年来地理集中度的系数基本上维持在55%~70%, 反映出四川省茶产业主要集中在总量排前15的产茶大县(区)。20世纪80年代四川省茶叶生产已经比新中国建立初期增长了5倍以上(含重庆), 但是这一时期由于缺乏合理规划布局, 一些高海拔、高纬度不适宜茶叶生长的地区却发展了茶产业, 而茶树生态适宜区的茶产业发展速度不快, 资源利用不合理[32]。进入21世纪之后, 在国家西部大开发重大战略的促进下, 四川显示出产业优势, 茶叶生产区域集中度显著提升, 形成川南、川东北和成都平原茶叶集中发展区, 宜宾、乐山、雅安等11个茶叶主产市茶园面积占全省的98%。近年来, 四川省制定《“川茶”产业振兴工作推进方案(2019—2022)》, 对30个茶叶优势县进行科学规划, 建设“两带两区”优势茶产业集群带。

    图  3  1980—2019年四川省茶产业空间集聚特征
    Figure  3.  Spatial agglomeration characteristics of tea industry in Sichuan Province from 1980 to 2019

    利用Geoda空间统计工具对1980—2019年中8个茶种植面积截面数据进行空间分析, Moran’s I值从0.48下降到0.34, 然后开始上升到0.42, 随后稳定在0.42, P值均为正值且为0.01(表1)。表明相邻县域茶园面积之间相互影响, 存在着高值区与高值区相邻、低值区与低值区相邻的情况。在县域尺度上, 茶产业间分布具备显著的正向空间自相关特征, 呈现出明显的地理集聚特征。本研究计算了四川省茶叶生产空间的Getis-Ord Gi* 指数, 并以Z值及其对应P值划分为冷点区、次冷点区、一般区、次热点区和热点区5类。冷点区和次冷点区主要分布在川东北地区和成都平原区北部, 且逐步收缩。热点区和次热点区主要分布在川南地区和成都平原区南部, 1995年以后开始从川南地区向成都平原区扩张(图4)。

    表  1  1980—2019年四川省茶产业空间Moran’s I指数变化
    Table  1.  Changes of space Moran’s I of tea industry in Sichuan Province from 1980 to 2019
    年份 Year198019851990199520002005201020152019
    Moran’s I0.480.470.450.400.340.380.420.420.42
    Z11.3411.4810.709.718.459.3010.049.909.38
    P0.010.010.010.010.010.010.010.010.01
    下载: 导出CSV 
    | 显示表格
    图  4  1980—2019年四川省茶产业空间热点分布
    Figure  4.  Spatial hot spot distribution of tea industry in Sichuan Province from 1980 to 2019

    1980—2019年四川省茶产业空间重心演变轨迹整体上向西迁移。重心分布在104.26°E~104.88°E, 29.88°N~30.23°N, 共移动74.08 km, 年移动平均速度为3.09 km∙a−1 (表2)。茶叶面积重心波动程度较为激烈, 从经度上看重心逐渐西移, 可大致划分为3个阶段: 1980—2005年, 经度重心整体上向西移动, 此阶段正值改革开放后四川省茶产业迅猛发展时期, 川西南和川东北都在大力扩张茶园面积, 但是川西南地区扩张更为显著; 2006—2014年, 经度重心保持在一个较为稳定的状态, 在104.20°E~104.40°E之间徘徊, 进入21世纪后四川省茶产业进入平稳发展阶段; 2015年之后经度重心轨迹又开始向东移动。重心坐标在纬度上则变动幅度较大且规律性不显著, 先是无方向波动然后向南移动最后又向北移动。

    表  2  1980—2019年四川省茶产业空间重心迁移变化
    Table  2.  Change of center of gravity of tea industry area in Sichuan Province from 1980 to 2019
    年份
    Year
    坐标 Coordinate重心迁移距离
    Moving distance of gravity
    center (km)
    年份
    Year
    坐标 Coordinate重心迁移距离
    Moving distance of gravity
    center (km)
    经度 Longitude (°)纬度 Latitude (°)经度 Longitude (°)纬度 Latitude (°)
    1980104.7130.082006104.2930.083.71
    1985104.7830.2318.042007104.2830.101.59
    1990104.8830.1216.002008104.2830.072.73
    1995104.7130.1319.052009104.3030.035.03
    1996104.7530.209.272010104.2830.012.93
    1997104.6530.2010.572011104.3129.957.47
    1998104.6830.212.962012104.3429.963.40
    1999104.5130.1220.992013104.3529.961.04
    2000104.6030.149.942014104.3429.925.24
    2001104.6630.2311.992015104.2629.8810.05
    2002104.4730.1522.432016104.4829.9626.29
    2003104.3930.119.542017104.5429.986.66
    2004104.3430.136.122018104.5429.980.89
    2005104.3130.114.152019104.5729.974.20
    下载: 导出CSV 
    | 显示表格

    15个影响因子除政策因子外均为连续性因子(表3)。利用地理探测器探究因子是如何影响四川省茶产业空间分布之前, 首先对连续型因子离散化和空间单元尺度优化, 以期得到最优参数。q值会随着离散方法以及分类数而变化, 对比不同离散方法下不同分类数变量的q值大小, 选择每个q值最大因子对应的离散方法和分类数, 即为最优离散方法与最佳分类数[16]。本文选择的非监督离散化方法——自然断点法(natural breaks)被广泛地运用在空间分异性研究中离散影响因子[33-34]。海拔因子根据四川省主要地貌类型平原、丘陵、山地和高原对应值, 土壤酸碱度根据四川省主要土壤类型紫色土、草甸土、棕壤、黄壤和水稻土对应值, 人均可支配收入根据常用的居民人均收入五等份, 政策根据四川省茶叶生产重点县名单进行划分(表4)。然后对其他11个因子选取5~10个分类数, 利用自然断点法以及地理探测器中的因子探测, 得到每一类影响因子的最大q值, 则该分类数即为该影响因子的最优离散分类数。结果表明分类数目确实会使得影响因子的q值不同(表5)。

    表  3  四川省茶产业空间格局的地理探测因子
    Table  3.  Indicators of space geographical detector of tea industry in Sichuan Province
    类型
    Category
    影响因子
    Influence factor
    因子意义
    Significance of factor
    自然要素
    Physical factor
    海拔
    Elevation (X1)
    通过温度间接影响茶叶生长
    Indirectly affecting tea growth
    土壤酸碱度
    Hydrogen ion concentration of soil (X2)
    茶叶生长在酸性土壤环境
    Acid soil is suitable for tea growth
    年降水量
    Annual precipitation (X3)
    一年总的水分条件
    Moisture conditions
    年活动积温
    Accumulated temperature (X4)
    积温越多, 年生长期越长
    Accumulated heat during tea growth
    生长季日平均气温
    Average temperature of growing season (X5)
    15~23 ℃范围内, 茶梢生长快
    The suitable rang is 15–23 ℃
    越冬期日极端最低气温
    Extreme minimum temperature of overwintering period (X6)
    ≤−10 ℃, 四川主要栽培的茶树品种不能存活
    Tea varieties planted in Sichuan cannot survive at ≤−10 ℃
    生长季日极端最高气温
    Extreme maximum temperature of growing season (X7)
    受到热害导致生长停滞甚至死亡
    Excessive temperature will inhibit tea growth
    生产要素
    Production
    factor
    土地利用强度
    Land use intensity (X8)
    反映地区茶叶种植的土地投入指标
    Directly land resource input on tea production
    乡村劳动力
    Labor (X9)
    茶叶生产需要大量的劳动力
    Tea production requires a lot of labor
    化肥
    Fertilizer (X10)
    化肥投入是提升茶叶生产不断提高的重要原因
    Fertilizer can increase tea yield.
    农药
    Pesticides (X11)
    农药投入能抑制病虫害发生, 提高茶叶产量
    Controlling the diseases and insect pests of tea
    灌溉
    Irrigation (X12)
    茶叶生产需要灌溉保障
    Guaranteeing water supply for tea production
    社会经济要素
    Socioeconomic factor
    人均可支配收入
    Per capita disposable income (X13)
    收入反映出消费能力, 评价市场需求
    Reflecting consumption ability
    科技
    Technology (X14)
    科技与单产有直接关系, 用单产衡量科技
    Increasing tea yield
    政策
    Policy (X15)
    政策对茶叶生产空间影响
    The agricultural policy is an important factor
    下载: 导出CSV 
    | 显示表格
    表  4  基于先验知识对四川省茶产业空间格局影响因子分类
    Table  4.  Classify the quantitative variables of tea industry in Sichuan Province by prior knowledge
    要素
    Variable
    切割值
    Cutting value
    赋值
    Value
    海拔
    Elevation (X1)
    <200 m1
    200~500 m2
    500~1000 m3
    >1000 m4
    土壤酸碱度
    Hydrogen ion concentration of soil (X2)
    0~5.51
    5.5~6.52
    6.5~7.53
    7.5~8.54
    >8.55
    人均可支配收入
    Per capita disposable income (X13)
    0~20%1
    20%~40%2
    40%~60%3
    60%~80%4
    80%~100%5
    政策
    Policy (X15)
    1, 2, 3, 4, 5
    下载: 导出CSV 
    | 显示表格

    q值的范围以及等级的稳定性可以反映空间格网尺度对于地理探测器模型结果影响, 通过比较不同尺度上因子的q值, 以期得到合适的空间单元尺度[22]。考虑到研究区范围以及多元数据的空间分辨率, 设立6个格网尺度(5 km、10 km、20 km、30 km、40 km、50 km)来检测q值的尺度效应。q值并没有随着格网尺度增加显著增加, 但是影响因子的排名却随尺度改变而发生变化(图5), 这表明在不同格网尺度下, 因素对茶叶空间格局的影响并不相同。土地利用强度(X8)、乡村劳动力(X9)、化肥(X10)和人均可支配收入(X13)等生产要素以及社会经济要素的排名总体上变化平稳, 特别是当空间尺度小于30 km时, 排名几乎没有变化, 说明这些因子对格网的尺度并不敏感。而自然要素中的极端最高温(X7)、极端最低温(X6)、生长季日均温(X5)却对格网尺度非常敏感, 特别是当空间格网尺度大于30 km时, 自然因素的排名随着尺度的增加而发生强烈变化, 这与四川省自然地理环境复杂多变有关。更大尺度范围能够更突出地表示地形、气候等基础条件的空间异质性。由于建模尺度应尽可能地精细, 以便可以更加准确地分析影响因子, 同时过大的尺度可能会隐藏一些空间异质性规律, 所以通过考虑比较q值变化以及排名, 30 km的空间格网尺度被确立为分析四川省茶产业空间格局驱动因子的合适尺度。

    表  5  基于最优离散的四川茶产业空间格局影响因子分类
    Table  5.  Classify the quantitative variables of tea industry in Sichuan Province by optimal classification algorithms
    要素
    Variable
    qq value
    5678910
    年降水量 Annual precipitation (X3)0.26430.26460.26070.26480.26310.2642
    年活动积温 Accumulated temperature (X4)0.11040.10980.13170.13600.13870.1466
    生长季日平均气温 Average temperature of growing season (X5)0.13390.16390.17100.20910.23020.2244
    越冬期日极端最低气温 Extreme minimum temperature of overwintering period (X6)0.12030.12340.12120.12100.14250.1570
    生长季日极端最高气温 Extreme maximum temperature of growing season (X7)0.12420.13870.13690.14910.15720.1628
    土地利用强度 Land use intensity (X8)0.90320.91080.88600.88930.88960.8897
    乡村劳动力 Labor (X9)0.86130.84250.83920.84830.84850.8487
    化肥 Fertilizer (X10)0.78860.83410.83240.85840.85890.8589
    农药 Pesticides (X11)0.73600.74110.72530.74110.75530.7573
    灌溉 Irrigation (X12)0.09430.15690.11560.12930.14760.1611
    科技 Technology (X14)0.28050.27540.29950.31200.41190.3012
    下载: 导出CSV 
    | 显示表格
    图  5  不同空间格网尺度下各影响因素对茶产业空间格局的决定力(影响因子的q值)及其排名变化
    图中15个影响因子分别是: 海拔(X1)、土壤酸碱度(X2)、年降水量(X3)、年活动积温(X4)、生长季日平均气温(X5)、越冬期日极端最低气温(X6)、生长季日极端最高气温(X7)、土地利用强度(X8)、乡村劳动力(X9)、化肥(X10)、农药(X11)、灌溉(X12)、人均可支配收入(X13)、科技(X14)和政策 (X15)。There are 15 influence factors as follows: elevation (X1), pH (X2), annual precipitation (X3), accumulated temperature (X4), average temperature of growing season (X5), extreme minimum temperature of overwintering period (X6), extreme maximum temperature of growing season (X7), land use intensity (X8), labor (X9), fertilizer (X10), pesticides (X11), irrigation (X12), per capita disposable income (X13), technology (X14), policy (X15).
    Figure  5.  Deciding power (q value) and its rank of each influencing factor on spatial patterns of tea industry under different spatial grid scales in Sichuan Province

    本文选取的7个反映茶树生长自然环境的指标, 包含了光、温、水、土等常规因子以及低温和高温胁迫等极端因子。年降水量、生长季日平均气温、海拔的解释力相对较大, 其中年降水量最大(0.31), 表明降水对茶叶生长影响较大, 而土壤酸碱度的q值最低(0.11)。极端最低气温的解释力(0.18)大于极端最高气温(0.16), 西南茶区普遍存在晚霜冻害的风险[35], 极端最低气温对四川茶产业的影响更大, 反映了自然要素作为基础条件影响茶产业发展。本文选取的4个反映生产要素投入的指标, 均是与茶产业扩张密切相关的。其中土地利用强度(0.91)和乡村劳动力(0.87)最大, 灌溉因子(0.17)的解释力相对较低(图6)。茶产业的扩张伴随着资源大量投入, 更多的土地种植茶叶将从客观上直接扩大茶园面积。茶叶的种、采、加、销等过程都需要大量的劳动力支撑[6]。化肥和农药的使用能够保证茶叶质量, 而灌溉因子的解释力较小的原因是四川省茶叶分布集中在400~1400 m的丘陵山区, 农田灌溉设施提供灌溉水源存在困难。在社会经济因素中, 政策因子的解释力最大(0.74)。四川省政府将“川茶”列入四川省现代农业“10+3”体系并优先发展, 相关资金向茶产业倾斜, 政策的正向激励促进了茶产业空间扩张。

    图  6  影响因子对四川茶产业空间格局的驱动分析结果
    Figure  6.  Driving analysis of influence factors on tea industry in Sichuan Province

    15个因子进行两两交互分析, 可分为自然因子交互、生产因子交互、社会经济因子交互、自然与生产因子交互、自然与社会经济因子交互以及生产与社会经济因子交互6类(表6)。社会经济因子交互全是双因子增强, 其余5类交互既有双因子增强又有非线性增强, 没有相互独立起作用的因素, 这表明四川省茶产业空间格局并非由单一因素或单类因素所控制, 是由自然、社会经济等多种要素共同作用的结果。6类交互作用中, 生产要素和社会经济要素平均交互作用表示出较高的解释力(0.8870), 说明政策、科技以及消费等社会经济要素能够间接正向刺激茶产业的扩张, 协同生产要素对茶产业产生影响。15个因子的交互作用中, 土地投入强度(X8)、乡村劳动力(X9)、化肥(X10)以及农药(X11)等生产要素对其他因子交互作用的影响最强, 说明生产要素的投入是决定茶产业发展的重要因素, 其中各生产要素因子与政策因子的平均交互作用最高, 说明茶产业政策的制定要多关注生产要素的保障。值得一提的是, 两因子之间的交互作用中科技(X14)与化肥(0.9779)、科技与乡村劳动力(0.9714)以及科技与农药(0.9499)较大, 表明茶叶科技水平提高的同时应加大化肥、劳动力和农药等生产要素的投入, 以期共同推动着四川茶产业的发展。

    表  6  影响因子对四川省茶产业空间格局的交互作用
    Table  6.  Interactive effects of influence factors on tea industry in Sichuan Province
    自然要素 Physical factor生产要素 Production factor社会经济要素 Socioeconomic factor
    X1X2X3X4X5X6X7X8X9X10X11X12X13X14X15
    X1 0.2202
    X2 0.2919 0.1149
    X3 0.4567 0.4368 0.3125
    X4 0.3110 0.2793 0.4548 0.1733
    X5 0.2738 0.3027 0.4591 0.3469 0.2236
    X6 0.2869 0.2872 0.4626* 0.2695 0.3153 0.1812
    X7 0.2592 0.2476 0.4439 0.4308 0.3391 0.3629 0.1607
    X8 0.9423 0.9214 0.9258 0.9507* 0.9235 0.9465 0.9283 0.9112
    X9 0.9299 0.8909 0.9125 0.9262 0.9066 0.9152 0.9086 0.9324 0.8684
    X10 0.9119 0.9166 0.9372 0.9366 0.9095 0.9457 0.9242 0.9497 0.9447 0.8650
    X11 0.8829 0.7945 0.8418 0.8814 0.8409 0.8748 0.8789 0.9391 0.9343 0.9309 0.7472
    X12 0.3132 0.2943 0.5297 0.3778 0.3401 0.3686 0.3596 0.9644* 0.9527 0.9373 0.9421 0.1729
    X13 0.3718 0.2543 0.4610 0.3079 0.3447 0.3182 0.3853 0.9601 0.9178 0.9543 0.8984 0.4706 0.1441
    X14 0.5502 0.5616 0.7323 0.5993 0.6567 0.5942 0.6239 0.9752 0.9714 0.9779* 0.9499 0.6631 0.6320 0.4285
    X15 0.7803 0.7544 0.8062* 0.7762 0.7660 0.7734 0.7913 0.9425 0.9080 0.9341 0.9112 0.8707 0.7679 0.8493* 0.7365
      下划线表示交互作用为非线性增强, 其余交互作用均为双因子增强; “*”表示每类因子交互作用中的最大值; 表中15个影响因子分别是: 海拔(X1)、土壤酸碱度(X2)、年降水量(X3)、年活动积温(X4)、生长季日平均气温(X5)、越冬期日极端最低气温(X6)、生长季日极端最高气温(X7)、土地利用强度(X8)、乡村劳动力(X9)、化肥(X10)、农药(X11)、灌溉(X12)、人均可支配收入(X13)、科技(X14)和政策(X15)。“_” denotes nonlinear enhancement of factors A and B. The symbol “*” denotes the largest interaction of each type. There are 15 influence factors as follows: elevation (X1), pH (X2), annual precipitation (X3), accumulated temperature (X4), average temperature of growing season (X5), extreme minimum temperature of overwintering period (X6), extreme maximum temperature of growing season (X7), land use intensity (X8), labor (X9), fertilizer (X10), pesticides (X11), irrigation (X12), per capita disposable income (X13), technology (X14), policy (X15).
    下载: 导出CSV 
    | 显示表格

    本文对1980—2019年四川省茶产业时空格局演化特征以及自然-人文影响因子的解释力进行深入研究, 分析不同阶段下茶产业规模变化以及集聚特征, 探究茶产业空间关联格局关系和重心迁移变化轨迹。基于参数最优地理探测器探讨了不同因子的影响程度。与黄修杰等[26]、肖智等[27]学者开展的茶叶空间格局变化影响因素研究对比, 本研究定量化分析各影响因子的解释力以及两两因子的交互作用, 发现四川省茶产业呈现社会经济驱动为主的空间格局, 这与前人的研究发现, 人力成本、自然环境、新技术应用、土地成本和产业扶持政策对西部茶区扩大规模有更显著的驱动作用的结果相一致[6]。但是有学者[6]认为技术创新因子对茶园规模扩大的解释能力相对较低, 与本研究中科技因子的解释力较高(0.43), 特别是科技与生产要素因子之间交互作用q值较大的研究结论不一致, 这是由于近年来四川省大力推动茶叶育种创新以及茶园机械化采摘, 推动了茶产业的扩张。此外, 一些利用地理探测器开展四川区域研究, 忽略可变面域问题对模型的影响, 林正雨等[2]把影响因素按照自然间断法划分为3级, 而汪可可等[36]将各驱动因子等分为9级, 主观地划分影响因子必然造成结果的误差, 本研究对连续性因子进行离散化, 首先对海拔、土壤酸碱度、人均可支配收入、政策基于先验知识进行分类, 随后对剩下的因子利用自然断点法和因子探测确定最优离散分类, 发现不同的分类数目使得影响因子的解释力不同。茶产业空间单元尺度优化, 确定30 km为合适尺度, 这与王安怡等[33]将四川盆地划分为 0.3°×0.3° (1°约为111 km)格网的研究结果基本一致。

    本研究在许多方面仍需提升和完善。第一, 2009−2019 年茶产业年增长率、区位基尼系数以及地理集中度均在下降, 这说明四川茶产业总体发展规模进入了放缓阶段。但是区位基尼系数下降幅度低于地理集中率, 表明虽然生产空间集聚程度下降明显, 但是前 15 家产茶大县(区)产业优势受到更大程度的冲击, 这说明有部分县区最近几年也有所发力, 茶产业得到快速发展, 影响前15家产茶大县的原本坚挺地位, 使得四川省茶产业空间呈现“遍地开花” 的局面。那么四川省内部茶叶生产格局究竟发生着怎样的变化? 以及这些变化是哪些因素造成? 这就又涉及到地理学基础问题——尺度效应, 四川省内有川南和川东北两大茶叶带, 这两个茶叶带空间格局特征以及驱动因素并不相同, 以省域为研究区的空间尺度可能会掩盖更加有趣的地理信息, 不能更加精准地体现四川省茶产业空间格局变化特征以及驱动因子, 接下来要加强产业带尺度的格局研究。第二, 在地理探测器空间格网尺度优化中, 一般是以q值大小以及q值的排名共同决定, 但是在本文中虽然不同格网尺度下各因子q值排名有所不同, 但是q值却没有随之显著提升, 这与一些研究结果不同, 具体原因还需要进一步研究。

    本研究旨在针对茶产业时空格局及驱动因素研究中, 缺乏分析单因子影响茶产业空间格局变化的解释力以及揭示两两因子之间是如何影响等科学问题, 利用数理分析法、GIS技术、空间数据分析方法分析了1980—2019年四川省茶产业空间格局演变特征, 通过参数最优地理探测器, 从自然环境要素、生产要素和社会经济要素3方面探究了各影响因子的解释力以及相互作用的影响, 揭示了四川省茶产业空间分异格局及其演化趋势, 得出以下结论: 1)在时序变化上, 1980—2019年四川省茶叶生产规模总体呈稳步上升趋势。区位基尼系数数值均大于0.5且随时间波动上升, 地理集中度变化更为平稳。2)在空间变化上, 全局莫兰指数均大于0, 相邻县域之间相互影响。热点区分布在川南地区和成都平原区南部, 冷点区集中于川东北地区和成都平原区北部。茶叶生产重心演变轨迹整体上向西移动。3)通过先验知识对海拔、土壤酸碱度、人均可支配收入以及政策进行离散。基于自然断点法对其余因子进行离散, 确定乡村劳动力最优分类数是5, 土地利用强度最优分类数是6, 生长季日均温和科技最优分类数是9, 年降水量、年活动积温、越冬期日极端最低温、生长季日极端最低温、化肥、农药、灌溉最优分类数是10。30 km的空间格网尺度被确立为合适尺度。4)四川省茶产业空间分异格局是生产要素为主导, 多种因素相互影响的结果。因子探测发现, 生产要素对于格局有强烈的驱动, 其中土地利用强度(0.91)、乡村劳动力(0.87)、化肥(0.86)、农药(0.75)是解释力最大的4个因子。交互探测发现, 双因子交互作用解释力均比单因子作用强, 交互作用类型均为非线性增强和双因子增强, 生产因子与社会经济因子之间的交互作用最大(0.8870)。

    研究结果对四川省茶产业发展有以下3方面启示: 1)降水对茶叶生长影响较大, 四川省茶产业发展关注茶叶生长季缺水以及突发性强降水带来的干旱洪涝灾害, 茶园建设着力于蓄、保、排水功能, 加强健全丘陵山地茶园蓄排灌系统, 完善园内沟、池和渠等设施。此外极端低温天气影响更大, 加大与气象部门联系, 建立预防茶树低温冻害机制; 建园选择在避风、向阳、朝南的林间坡地; 采用覆盖、喷保护剂等物理和化学保温方法, 减缓极端低温影响。2)茶产业的扩张伴随着生产要素大量投入, 然而粮食安全以及耕地非粮化、整治“毁林种茶”等政策措施的执行, 一味追求茶园面积扩张已经不太适应现在的新形势, 必须坚持“以质取胜”。鲜叶采摘环节的劳动力短缺已经成为困扰茶叶生产的瓶颈, 建设标准化机采茶叶基地, 选育推广适宜机采的品种以及研发适应山地灵活、采摘嫩度高的小型茶园机械。化肥、农药的大量投入会影响茶叶质量安全, 通过精准施肥、配方施肥、施有机肥以及严格控制用药, 推广病虫害绿色防控技术, 以确保质量安全。3)在制定茶产业政策时, 考虑将茶叶标准化基地建设纳入农田基本建设项目, 支持茶园绿色防控全覆盖以及推进有机肥替代化肥等提高土壤有机质含量技术。此外, 四川省茶产业发展过程中一方面要加强茶叶良种普及率的提升和新技术推广, 另一方面保障用地、劳动力、化肥、农药等生产要素的稳定投入。

  • 图  1   四川省地理分区

    Figure  1.   Geographical regions map of Sichuan Province

    图  2   1980—2019年四川省茶产业面积时序变化

    Figure  2.   Temporal changes of tea industry area in Sichuan Province from 1980 to 2019

    图  3   1980—2019年四川省茶产业空间集聚特征

    Figure  3.   Spatial agglomeration characteristics of tea industry in Sichuan Province from 1980 to 2019

    图  4   1980—2019年四川省茶产业空间热点分布

    Figure  4.   Spatial hot spot distribution of tea industry in Sichuan Province from 1980 to 2019

    图  5   不同空间格网尺度下各影响因素对茶产业空间格局的决定力(影响因子的q值)及其排名变化

    图中15个影响因子分别是: 海拔(X1)、土壤酸碱度(X2)、年降水量(X3)、年活动积温(X4)、生长季日平均气温(X5)、越冬期日极端最低气温(X6)、生长季日极端最高气温(X7)、土地利用强度(X8)、乡村劳动力(X9)、化肥(X10)、农药(X11)、灌溉(X12)、人均可支配收入(X13)、科技(X14)和政策 (X15)。There are 15 influence factors as follows: elevation (X1), pH (X2), annual precipitation (X3), accumulated temperature (X4), average temperature of growing season (X5), extreme minimum temperature of overwintering period (X6), extreme maximum temperature of growing season (X7), land use intensity (X8), labor (X9), fertilizer (X10), pesticides (X11), irrigation (X12), per capita disposable income (X13), technology (X14), policy (X15).

    Figure  5.   Deciding power (q value) and its rank of each influencing factor on spatial patterns of tea industry under different spatial grid scales in Sichuan Province

    图  6   影响因子对四川茶产业空间格局的驱动分析结果

    Figure  6.   Driving analysis of influence factors on tea industry in Sichuan Province

    表  1   1980—2019年四川省茶产业空间Moran’s I指数变化

    Table  1   Changes of space Moran’s I of tea industry in Sichuan Province from 1980 to 2019

    年份 Year198019851990199520002005201020152019
    Moran’s I0.480.470.450.400.340.380.420.420.42
    Z11.3411.4810.709.718.459.3010.049.909.38
    P0.010.010.010.010.010.010.010.010.01
    下载: 导出CSV

    表  2   1980—2019年四川省茶产业空间重心迁移变化

    Table  2   Change of center of gravity of tea industry area in Sichuan Province from 1980 to 2019

    年份
    Year
    坐标 Coordinate重心迁移距离
    Moving distance of gravity
    center (km)
    年份
    Year
    坐标 Coordinate重心迁移距离
    Moving distance of gravity
    center (km)
    经度 Longitude (°)纬度 Latitude (°)经度 Longitude (°)纬度 Latitude (°)
    1980104.7130.082006104.2930.083.71
    1985104.7830.2318.042007104.2830.101.59
    1990104.8830.1216.002008104.2830.072.73
    1995104.7130.1319.052009104.3030.035.03
    1996104.7530.209.272010104.2830.012.93
    1997104.6530.2010.572011104.3129.957.47
    1998104.6830.212.962012104.3429.963.40
    1999104.5130.1220.992013104.3529.961.04
    2000104.6030.149.942014104.3429.925.24
    2001104.6630.2311.992015104.2629.8810.05
    2002104.4730.1522.432016104.4829.9626.29
    2003104.3930.119.542017104.5429.986.66
    2004104.3430.136.122018104.5429.980.89
    2005104.3130.114.152019104.5729.974.20
    下载: 导出CSV

    表  3   四川省茶产业空间格局的地理探测因子

    Table  3   Indicators of space geographical detector of tea industry in Sichuan Province

    类型
    Category
    影响因子
    Influence factor
    因子意义
    Significance of factor
    自然要素
    Physical factor
    海拔
    Elevation (X1)
    通过温度间接影响茶叶生长
    Indirectly affecting tea growth
    土壤酸碱度
    Hydrogen ion concentration of soil (X2)
    茶叶生长在酸性土壤环境
    Acid soil is suitable for tea growth
    年降水量
    Annual precipitation (X3)
    一年总的水分条件
    Moisture conditions
    年活动积温
    Accumulated temperature (X4)
    积温越多, 年生长期越长
    Accumulated heat during tea growth
    生长季日平均气温
    Average temperature of growing season (X5)
    15~23 ℃范围内, 茶梢生长快
    The suitable rang is 15–23 ℃
    越冬期日极端最低气温
    Extreme minimum temperature of overwintering period (X6)
    ≤−10 ℃, 四川主要栽培的茶树品种不能存活
    Tea varieties planted in Sichuan cannot survive at ≤−10 ℃
    生长季日极端最高气温
    Extreme maximum temperature of growing season (X7)
    受到热害导致生长停滞甚至死亡
    Excessive temperature will inhibit tea growth
    生产要素
    Production
    factor
    土地利用强度
    Land use intensity (X8)
    反映地区茶叶种植的土地投入指标
    Directly land resource input on tea production
    乡村劳动力
    Labor (X9)
    茶叶生产需要大量的劳动力
    Tea production requires a lot of labor
    化肥
    Fertilizer (X10)
    化肥投入是提升茶叶生产不断提高的重要原因
    Fertilizer can increase tea yield.
    农药
    Pesticides (X11)
    农药投入能抑制病虫害发生, 提高茶叶产量
    Controlling the diseases and insect pests of tea
    灌溉
    Irrigation (X12)
    茶叶生产需要灌溉保障
    Guaranteeing water supply for tea production
    社会经济要素
    Socioeconomic factor
    人均可支配收入
    Per capita disposable income (X13)
    收入反映出消费能力, 评价市场需求
    Reflecting consumption ability
    科技
    Technology (X14)
    科技与单产有直接关系, 用单产衡量科技
    Increasing tea yield
    政策
    Policy (X15)
    政策对茶叶生产空间影响
    The agricultural policy is an important factor
    下载: 导出CSV

    表  4   基于先验知识对四川省茶产业空间格局影响因子分类

    Table  4   Classify the quantitative variables of tea industry in Sichuan Province by prior knowledge

    要素
    Variable
    切割值
    Cutting value
    赋值
    Value
    海拔
    Elevation (X1)
    <200 m1
    200~500 m2
    500~1000 m3
    >1000 m4
    土壤酸碱度
    Hydrogen ion concentration of soil (X2)
    0~5.51
    5.5~6.52
    6.5~7.53
    7.5~8.54
    >8.55
    人均可支配收入
    Per capita disposable income (X13)
    0~20%1
    20%~40%2
    40%~60%3
    60%~80%4
    80%~100%5
    政策
    Policy (X15)
    1, 2, 3, 4, 5
    下载: 导出CSV

    表  5   基于最优离散的四川茶产业空间格局影响因子分类

    Table  5   Classify the quantitative variables of tea industry in Sichuan Province by optimal classification algorithms

    要素
    Variable
    qq value
    5678910
    年降水量 Annual precipitation (X3)0.26430.26460.26070.26480.26310.2642
    年活动积温 Accumulated temperature (X4)0.11040.10980.13170.13600.13870.1466
    生长季日平均气温 Average temperature of growing season (X5)0.13390.16390.17100.20910.23020.2244
    越冬期日极端最低气温 Extreme minimum temperature of overwintering period (X6)0.12030.12340.12120.12100.14250.1570
    生长季日极端最高气温 Extreme maximum temperature of growing season (X7)0.12420.13870.13690.14910.15720.1628
    土地利用强度 Land use intensity (X8)0.90320.91080.88600.88930.88960.8897
    乡村劳动力 Labor (X9)0.86130.84250.83920.84830.84850.8487
    化肥 Fertilizer (X10)0.78860.83410.83240.85840.85890.8589
    农药 Pesticides (X11)0.73600.74110.72530.74110.75530.7573
    灌溉 Irrigation (X12)0.09430.15690.11560.12930.14760.1611
    科技 Technology (X14)0.28050.27540.29950.31200.41190.3012
    下载: 导出CSV

    表  6   影响因子对四川省茶产业空间格局的交互作用

    Table  6   Interactive effects of influence factors on tea industry in Sichuan Province

    自然要素 Physical factor生产要素 Production factor社会经济要素 Socioeconomic factor
    X1X2X3X4X5X6X7X8X9X10X11X12X13X14X15
    X1 0.2202
    X2 0.2919 0.1149
    X3 0.4567 0.4368 0.3125
    X4 0.3110 0.2793 0.4548 0.1733
    X5 0.2738 0.3027 0.4591 0.3469 0.2236
    X6 0.2869 0.2872 0.4626* 0.2695 0.3153 0.1812
    X7 0.2592 0.2476 0.4439 0.4308 0.3391 0.3629 0.1607
    X8 0.9423 0.9214 0.9258 0.9507* 0.9235 0.9465 0.9283 0.9112
    X9 0.9299 0.8909 0.9125 0.9262 0.9066 0.9152 0.9086 0.9324 0.8684
    X10 0.9119 0.9166 0.9372 0.9366 0.9095 0.9457 0.9242 0.9497 0.9447 0.8650
    X11 0.8829 0.7945 0.8418 0.8814 0.8409 0.8748 0.8789 0.9391 0.9343 0.9309 0.7472
    X12 0.3132 0.2943 0.5297 0.3778 0.3401 0.3686 0.3596 0.9644* 0.9527 0.9373 0.9421 0.1729
    X13 0.3718 0.2543 0.4610 0.3079 0.3447 0.3182 0.3853 0.9601 0.9178 0.9543 0.8984 0.4706 0.1441
    X14 0.5502 0.5616 0.7323 0.5993 0.6567 0.5942 0.6239 0.9752 0.9714 0.9779* 0.9499 0.6631 0.6320 0.4285
    X15 0.7803 0.7544 0.8062* 0.7762 0.7660 0.7734 0.7913 0.9425 0.9080 0.9341 0.9112 0.8707 0.7679 0.8493* 0.7365
      下划线表示交互作用为非线性增强, 其余交互作用均为双因子增强; “*”表示每类因子交互作用中的最大值; 表中15个影响因子分别是: 海拔(X1)、土壤酸碱度(X2)、年降水量(X3)、年活动积温(X4)、生长季日平均气温(X5)、越冬期日极端最低气温(X6)、生长季日极端最高气温(X7)、土地利用强度(X8)、乡村劳动力(X9)、化肥(X10)、农药(X11)、灌溉(X12)、人均可支配收入(X13)、科技(X14)和政策(X15)。“_” denotes nonlinear enhancement of factors A and B. The symbol “*” denotes the largest interaction of each type. There are 15 influence factors as follows: elevation (X1), pH (X2), annual precipitation (X3), accumulated temperature (X4), average temperature of growing season (X5), extreme minimum temperature of overwintering period (X6), extreme maximum temperature of growing season (X7), land use intensity (X8), labor (X9), fertilizer (X10), pesticides (X11), irrigation (X12), per capita disposable income (X13), technology (X14), policy (X15).
    下载: 导出CSV
  • [1] 吴文斌, 杨鹏, 李正国, 等. 农作物空间格局变化研究进展评述[J]. 中国农业资源与区划, 2014, 35(1): 12−20 doi: 10.7621/cjarrp.1005-9121.20140103

    WU W B, YANG P, LI Z G, et al. Overview of research progresses in crop spatial pattern changes[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2014, 35(1): 12−20 doi: 10.7621/cjarrp.1005-9121.20140103

    [2] 林正雨, 邓良基, 陈强, 等. 四川省柑橘生产格局变化及驱动因素[J]. 西南农业学报, 2020, 33(11): 2591−2604

    LIN Z Y, DENG L J, CHEN Q, et al. Analysis on change of citrus production patterns and driving factors in Sichuan Province[J]. Southwest China Journal of Agricultural Sciences, 2020, 33(11): 2591−2604

    [3] 叶志标, 李文娟. 基于埃塔平方法(η2)的中国小麦生产驱动因素贡献份额研究[J]. 中国农业资源与区划, 2017, 38(6): 63−70

    YE Z B, LI W J. Using eta square method (η2) to estimate the contribution share of driving factors on wheat production in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(6): 63−70

    [4] 林正雨, 陈强, 邓良基, 等. 中国柑橘生产空间变迁及其驱动因素[J]. 热带地理, 2021, 41(2): 374−387

    LIN Z Y, CHEN Q, DENG L J, et al. Spatial pattern changes and driving factors of citrus production in China[J]. Tropical Geography, 2021, 41(2): 374−387

    [5] 夏四友, 赵媛, 许昕, 等. 江苏省粮食生产时空格局及其驱动因素[J]. 经济地理, 2018, 38(12): 166−175 doi: 10.15957/j.cnki.jjdl.2018.12.021

    XIA S Y, ZHAO Y, XU X, et al. Spatiotemporal pattern and driving factors of grain production in Jiangsu Province[J]. Economic Geography, 2018, 38(12): 166−175 doi: 10.15957/j.cnki.jjdl.2018.12.021

    [6] 肖智. 全球化背景下中国茶叶生产格局及其演变研究[D]. 南京: 南京大学, 2018: 93–100

    XIAO Z. The research of spatio-temporal variation of tea production in China under globalization[D]. Nanjing: Nanjing University, 2018: 93–100

    [7]

    FANG S, GERTNER G Z, SUN Z, et al. The impact of interactions in spatial simulation of the dynamics of urban sprawl[J]. Landscape and Urban Planning, 2005, 73(4): 294−306 doi: 10.1016/j.landurbplan.2004.08.006

    [8] 陈实. 中国北部冬小麦种植北界时空变迁及其影响机制研究[D]. 北京: 中国农业科学院, 2020: 62–64

    CHEN S. The spatiotemporal shift of the northern limit of winter wheat in northern China and its influence mechanism[D]. Beijing: Chinese Academy of Agricultural Sciences, 2020: 62–64

    [9] 王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116−134

    WANG J F, XU C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116−134

    [10]

    WANG J F, LI X H, CHRISTAKOS G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun Region, China[J]. International Journal of Geographical Information Science, 2010, 24(1): 107−127 doi: 10.1080/13658810802443457

    [11] 魏海涛, 刘岩, 田智慧, 等. 河南省肺癌空间分布格局及环境因素影响[J]. 地理学报, 2022, 77(1): 245−258

    WEI H T, LIU Y, TIAN Z H, et al. Spatial distribution pattern and environmental impact of lung cancer in Henan[J]. Acta Geographica Sinica, 2022, 77(1): 245−258

    [12]

    YANG R, XU Q, LONG H, et al. Spatial distribution characteristics and optimized reconstruction analysis of China’s rural settlements during the process of rapid urbanization[J]. Journal of Rural Studies, 2016, 47: 413−424 doi: 10.1016/j.jrurstud.2016.05.013

    [13] 高枫, 李少英, 吴志峰, 等. 广州市主城区共享单车骑行目的地时空特征与影响因素[J]. 地理研究, 2019, 38(12): 2859−2872

    GAO F, LI S Y, WU Z F, et al. Spatial-temporal characteristics and the influencing factors of the ride destination of bike sharing in Guangzhou City[J]. Geographical Research, 2019, 38(12): 2859−2872

    [14] 马芳芳, 丁志伟. 中国抖音直播带货行业发展的空间分异及影响因素[J]. 经济地理, 2021, 41(12): 22−32

    MA F F, DING Z W. Spatial differentiation and influencing factors of livestreaming ecommerce development level in China: a case of Douyin[J]. Economic Geography, 2021, 41(12): 22−32

    [15] 刘彦随, 杨忍. 中国县域城镇化的空间特征与形成机理[J]. 地理学报, 2012, 67(8): 1011−1020 doi: 10.11821/xb201208001

    LIU Y S, YANG R. The spatial characteristics and formation mechanism of the county urbanization in China[J]. Acta Geographica Sinica, 2012, 67(8): 1011−1020 doi: 10.11821/xb201208001

    [16] 支泽民, 陈琼, 张强, 等. 地理探测器在判别滑坡稳定性影响因素中的应用−以西藏江达县为例[J]. 中国地质灾害与防治学报, 2020, 32(2): 19−26 doi: 10.16031/j.cnki.issn.1003-8035.2021.02.03

    ZHI Z M, CHEN Q, ZHANG Q, et al. Application of geographic detector in identifying influencing factors of landslide stability: a case study of the Jiangda County, Tibet[J]. The Chinese Journal of Geological Hazard and Control, 2020, 32(2): 19−26 doi: 10.16031/j.cnki.issn.1003-8035.2021.02.03

    [17] 赵正贤, 许泉立. 基于地理探测器的昆明市主城区房价时空分异特征及影响因子分析[J]. 西南师范大学学报(自然科学版), 2022, 47(1): 62−73

    ZHAO Z X, XU Q L. On spatial-temporal differentiation characteristics and influencing factors of housing price in main city zone of Kunming based on geodector[J]. Journal of Southwest China Normal University (Natural Science Edition), 2022, 47(1): 62−73

    [18]

    JU H, ZHANG Z, ZUO L, et al. Driving forces and their interactions of built-up land expansion based on the geographical detector — A case study of Beijing, China[J]. International Journal of Geographical Information Science, 2016, 30(11): 2188−2207 doi: 10.1080/13658816.2016.1165228

    [19] 陈江平, 张瑶, 余远剑. 空间自相关的可塑性面积单元问题效应[J]. 地理学报, 2011, 66(12): 1597−1606 doi: 10.11821/xb201112002

    CHEN J P, ZHANG Y, YU Y J. Effect of MAUP in spatial autocorrelation[J]. Acta Geographica Sinica, 2011, 66(12): 1597−1606 doi: 10.11821/xb201112002

    [20]

    JELINSKI D E, WU J. The modifiable areal unit problem and implications for landscape ecology[J]. Landscape Ecology, 1996, 11(3): 129−140 doi: 10.1007/BF02447512

    [21] 李双成, 蔡运龙. 地理尺度转换若干问题的初步探讨[J]. 地理研究, 2005(1): 11−18 doi: 10.3321/j.issn:1000-0585.2005.01.002

    LI S C, CAI Y L. Some scaling issue of geography[J]. Geographical Research, 2005(1): 11−18 doi: 10.3321/j.issn:1000-0585.2005.01.002

    [22]

    GAO F, LI S, TAN Z, et al. Understanding the modifiable areal unit problem in dockless bike sharing usage and exploring the interactive effects of built environment factors[J]. International Journal of Geographical Information Science, 2021, 35(9): 1905−1925 doi: 10.1080/13658816.2020.1863410

    [23] 肖智, 黄贤金, 孟浩, 等. 2009—2014年中国茶叶生产空间演变格局及变化特征[J]. 地理研究, 2017, 36(1): 109−120

    XIAO Z, HUANG X J, MENG H, et al. Spatial structure and evolution of tea production in China from 2009 to 2014[J]. Geographical Research, 2017, 36(1): 109−120

    [24] 税伟, 杜勇, 陈毅萍, 等. 基于地理加权回归的茶叶种植专业化空间格局及影响因素−以福建省安溪县为例[J]. 应用生态学报, 2017, 28(4): 1298−1308 doi: 10.13287/j.1001-9332.201704.037

    SHUI W, DU Y, CHEN Y P, et al. Spatial patterns and influence factors of specialization in tea cultivation based on geographically weighted regression model: a case study of Anxi County of Fujian Province, China[J]. Chinese Journal of Applied Ecology, 2017, 28(4): 1298−1308 doi: 10.13287/j.1001-9332.201704.037

    [25] 林正雨, 何鹏, 李晓, 等. 1990—2015年四川省茶叶生产空间演变格局及特征研究[J]. 中国农学通报, 2018, 34(31): 76−84 doi: 10.11924/j.issn.1000-6850.casb17080044

    LIN Z Y, HE P, LI X. Spatial structure evolution of tea production in Sichuan Province, 1990 to 2015[J]. Chinese Agricultural Science Bulletin, 2018, 34(31): 76−84 doi: 10.11924/j.issn.1000-6850.casb17080044

    [26] 黄修杰, 姚飞, 马力, 等. 茶叶生产格局演变及空间集聚效应研究−以广东省为例[J]. 茶叶科学, 2020, 40(3): 415−429 doi: 10.3969/j.issn.1000-369X.2020.03.012

    HUANG X J, YAO F, MA L, et al. Study on pattern evolution and spatial agglomeration of tea production: a case study of Guangdong Province[J]. Journal of Tea Science, 2020, 40(3): 415−429 doi: 10.3969/j.issn.1000-369X.2020.03.012

    [27] 肖智, 黄贤金. 长江经济带茶叶生产空间格局演变[J]. 经济地理, 2017, 37(5): 110−115 doi: 10.15957/j.cnki.jjdl.2017.05.015

    XIAO Z, HUANG X J. Spatial characteristics of tea production in the Yangtze River economic zone[J]. Economic Geography, 2017, 37(5): 110−115 doi: 10.15957/j.cnki.jjdl.2017.05.015

    [28] 邹雨伽, 杨柳, 张秀琼, 等. 基于GIS的茶叶生产适宜性区划研究−以旺苍县为例[J]. 西南大学学报(自然科学版), 2021, 43(3): 53−59 doi: 10.13718/j.cnki.xdzk.2021.03.008

    ZOU Y J, YANG L, ZHANG X Q, et al. Zoning of ecological suitability of tea production based on GIS: taking Wangcang County as an example[J]. Journal of Southwest University (Natural Science Edition), 2021, 43(3): 53−59 doi: 10.13718/j.cnki.xdzk.2021.03.008

    [29] 金志凤, 黄敬峰, 李波, 等. 基于GIS及气候-土壤-地形因子的浙江省茶树栽培适宜性评价[J]. 农业工程学报, 2011, 27(3): 231−236 doi: 10.3969/j.issn.1002-6819.2011.03.044

    JIN Z F, HUANG J F, LI B, et al. Suitability evaluation of tea trees cultivation based on GIS in Zhejiang Province[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(3): 231−236 doi: 10.3969/j.issn.1002-6819.2011.03.044

    [30] 王银峰, 翟海国, 张继红, 等. 中国茶树生态区划的新方案[J]. 地理研究, 1993(4): 39−45

    WANG Y F, ZHAI H G, ZHANG J H, et al. A new scheme for tea tree ecological environment regionalization in China[J]. Geographical Research, 1993(4): 39−45

    [31] 蒲业潇. 理解区位基尼系数: 局限性与基准分布的选择[J]. 统计研究, 2011, 28(9): 101–109

    PU Y X. Understanding locational Gini index: limitations and selection of benchmark distribution[J]. Statistical Research, 2011, 28(9): 101–109

    [32] 甘书龙, 付绶宁, 唐洪潜, 等. 四川省农业资源与区划[M]. 成都: 四川省社会科学院出版社, 1986: 521–523

    GAN S L, FU S N, TANG H Q, et al. Agricultural Resources and Regional Planning of Sichuan[M]. Chengdu: Sichuan Academy of Social Science Press, 1986: 521–523

    [33] 王安怡, 康平, 张洋, 等. 2003—2018年四川盆地气溶胶光学厚度空间分异及驱动因子[J]. 中国环境科学, 2022, 42(2): 528−538

    WANG A Y, KANG P, ZHANG Y, et al. Spatial differentiation and driving factors of aerosol optical depth in Sichuan Basin from 2003 to 2018[J]. China Environmental Science, 2022, 42(2): 528−538

    [34] 谢帅, 刘士彬, 段建波, 等. OSDS注册用户空间分布特征及影响因素分析[J]. 地球信息科学学报, 2016, 18(10): 1332−1340

    XIE S, LIU S B, DUAN J B, et al. Spatial distribution characteristics of OSDS registered users and its influencing factors[J]. Journal of Geo-Information Science, 2016, 18(10): 1332−1340

    [35] 高文波, 林正雨, 王明田, 等. 1971—2020年西南茶区灌木型茶树晚霜冻害危险性时空演变特征[J]. 应用生态学报, 2021, 32(11): 4029–4038

    GAO W B, LIN Z Y, WANG M T, et al. Spatiotemporal evolution characteristics of the late frost damage risk to shrubby tea trees in tea region, Southwest China from 1971 to 2020[J]. Chinese Journal of Applied Ecology, 2021, 32(11): 4029–4038

    [36] 汪可可, 康平, 周明卫, 等. 四川盆地臭氧浓度空间分异及驱动因子研究[J]. 中国环境科学, 2020, 40(6): 2361−2370 doi: 10.3969/j.issn.1000-6923.2020.06.005

    WANG K K, KANG P, ZHOU M W, et al. Spatial differentiation and driving factors of ozone concentration in Sichuan Basin[J]. China Environmental Science, 2020, 40(6): 2361−2370 doi: 10.3969/j.issn.1000-6923.2020.06.005

  • 期刊类型引用(3)

    1. 盛艳,秦富仓,刘林甫,安丽,李娟. 基于InVEST模型的黄河流域砒砂岩区土壤保持功能演化及驱动机制. 西北林学院学报. 2024(03): 144-152 . 百度学术
    2. 何丽波,李馨雨,李细归. 中国茶叶生产格局变迁及其影响因素研究. 地域研究与开发. 2024(04): 21-28 . 百度学术
    3. 刘志林,王磊,丁银平,角媛梅,武欣怡,徐秋娥. 贺兰山东麓葡萄酒生产集群格局演变与驱动机制. 经济地理. 2023(08): 165-176 . 百度学术

    其他类型引用(6)

图(6)  /  表(6)
计量
  • 文章访问数:  768
  • HTML全文浏览量:  590
  • PDF下载量:  108
  • 被引次数: 9
出版历程
  • 收稿日期:  2022-04-13
  • 修回日期:  2022-09-29
  • 录用日期:  2022-09-29
  • 网络出版日期:  2022-11-24
  • 刊出日期:  2023-04-09

目录

/

返回文章
返回