崔许锋^,, 马云梦, 张光宏^,中南财经政法大学工商管理学院,武汉 430073

The Factors of Farmland Conversion and Its Temporal and Spatial Characteristics: An Integrated Model

CUI XuFeng^,, MA YunMeng, ZHANG GuangHong^,School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073

通讯作者: 张光宏,E-mail： zgh62@aliyun.com

第一联系人: 联系方式：崔许锋,Tel：027-88386757;E-mail： cuixufeng06@163.com。
收稿日期:2018-06-14接受日期:2018-10-11网络出版日期:2018-11-16

基金资助:

国家社会科学基金.16BGL154

Received:2018-06-14Accepted:2018-10-11Online:2018-11-16


摘要
【目的】揭示耕地非农化影响因素作用的时空特征,为耕地资源保护和利用政策制定提供决策支撑。【方法】研究采用2006—2015年耕地非农化的面板数据,通过构建“一般回归模型-面板模型-地理加权回归模型-时空加权回归模型”模型集成（简称OPGT）,对耕地非农化影响因素进行计量分析。【结果】一般回归模型、地理加权回归模型（GWR）和时空加权回归模型（GTWR）估计结果显示,城镇人口增长、固定资产投资、经济发展水平、耕地资源禀赋和产业结构变量均通过显著性检验;耕地非农化莫兰指数（Moran’s I）为0.740,并且通过1%水平上显著性检验,表明耕地非农化具有显著的空间正相关性;采用一般回归模型、GWR、GTWR模型估计,方程拟合优度分别为0.689、0.785、0.858,加入时空权重信息的GWR和GTWR模型方程解释能力有显著提升;GWR和GTWR模型方程结果显示,耕地非农化影响因素弹性系数存在时空非平稳特征;空间分析显示,城镇人口增长和耕地资源禀赋对耕地非农化影响在经向上呈现出由西向东递减的状态,在纬向上呈现出倒“U”型状态,固定资产投资与经济发展水平对耕地非农化的影响程度在经向上呈现出由西向东递增的特征,在纬向上呈现出“U”型特征,产业结构对耕地非农化的影响程度在经向上由西向东递增,在纬向上由北向南递减;时序分析显示,城镇人口增长、固定资产与经济发展水平投资系数呈现减小的趋势,耕地资源禀赋系数有所增大,产业结构系数在部分省域有所降低。【结论】（1）OPGT是一个有机整体,各部分相互检验、互为补充,可以更加细致的刻画因素的时空作用;（2）耕地非农化因素总体作用强度方面,弹性系数最大的是产业结构,其次为经济发展水平、固定资产投资和耕地资源禀赋,最小为城镇人口增长;（3）空间特征方面,城镇人口增长和耕地资源禀赋总体呈现出由西向东递减的趋势,而固定资产投资、经济发展水平和产业结构呈现出由西向东递增的趋势;（4）时序演变特征方面,城镇人口增长、固定资产与经济发展水平投资对耕地非农化的影响作用呈现下降趋势,耕地资源禀赋与耕地非农化关联性趋于增强,产业结构的影响虽在部分省域有所降低,但其整体影响程度仍然相对较高。
关键词： 耕地非农化;模型集成;影响因素;时空特征

Abstract
【Objective】The purpose of this paper was to reveal the temporal and spatial characteristics of the factors affecting farmland conversion, and to provide decision-making information support for policy making for the protection and utilization of farmland.【Method】Based on the panel data of farmland conversion from 2006 to 2015, an integrated model of "ordinary regression model-panel model-geographically weighted regression-geographically and temporally weighted regression" (abbreviately named “OPGT” ) was established to analyze the factors of farmland conversion【Result】The ordinary regression model, GWR and GTWR model results showed that urban population growth, fixed asset investment, economy, arable and industrial structure variables all passed the significance test; Moran's I of farmland conversion was 0.740, and passed significance test at the 1% level. The results showed that there was a significant positive spatial correlation of farmland conversion. Ordinary regression model, GWR and GTWR models were used to estimate the equations, and the fit goodness of the equations were 0.689, 0.785 and 0.858, respectively. The interpretation ability of GWR and GTWR models was improved significantly under the condition of adding spatio-temporal weight information. The results of GWR and GTWR models showed that the elastic coefficients of factors were spatio-temporal non-stationary. The results of spatial analysis showed that the influence of urban population growth and farmland resource endowment on farmland conversion was declining from west to east in longitude direction, and reversed U-shaped curve in latitude direction. The influence of fixed assets investment and level of economic development was increasing from west to east in longitude direction, and U-shaped curve in latitude direction. The influence of industrial structure was increasing from west to east in longitude direction, and declining from north to south in latitude direction. From the perspective of temporal evolution, the coefficients of urban population growth, fixed assets investment and level of economic development had a downward trend, while coefficients of farmland resource endowment tended to increase. Coefficients of industrial structure had been reduced in some provinces.【Conclusion】(1) OPGT was an organic whole, each part was mutually tested and complementary, which could describe the spatio-temporal effect of factors in more detail. (2) In terms of the overall action intensity of the factors, the largest elastic coefficient was industrial structure, followed by level of economic development, fixed asset investment and farmland resource endowment, and the smallest was urban population growth. (3) In terms of the spatial characteristics of factor intensities, the influence of urban population growth and farmland resource endowment on farmland conversion was declining from Western China to Eastern China, while fixed assets investment, level of economic development and industrial structure increasing. (4) From the perspective of temporal evolution, the influence of urban population growth, fixed assets investment and level of economic development on farmland conversion had a downward trend. The relationship between farmland resource endowment and farmland conversion tended to strengthen. Although the influence of industrial structure had been reduced in some provinces, its degree of overall influence was still relatively high.
Keywords：farmland conversion;integrated model;factors;temporal and spatial characteristics


PDF (1354KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
崔许锋, 马云梦, 张光宏. 基于模型集成的中国耕地非农化影响因素及其时空特征研究[J]. 中国农业科学, 2018, 51(22): 4316-4327 doi:10.3864/j.issn.0578-1752.2018.22.010
CUI XuFeng, MA YunMeng, ZHANG GuangHong. The Factors of Farmland Conversion and Its Temporal and Spatial Characteristics: An Integrated Model[J]. Scientia Agricultura Sinica, 2018, 51(22): 4316-4327 doi:10.3864/j.issn.0578-1752.2018.22.010

0 引言

【研究意义】耕地是人类赖以生存和发展的重要资源。但是随着20世纪90年代以来我国经济的快速增长以及工业化、城镇化进程的不断加快,建设过量占用耕地问题凸显,人地矛盾问题突出^[1]。据我国国土资源管理部门统计,2006—2015年,中国约有2.07×10⁶ hm²耕地转化为建设用地^[2],耕地非农化为城镇化发展提供了空间支撑,但同时不合理耕地非农化也会引致粮食安全^[3,4,5]、耕地质量降低等经济^[6]、社会^[7,8]、环境^[9,10]领域的问题,这些问题无疑会对经济社会可持续发展产生阻力,因此研究耕地非农化影响因素,实现耕地非农化与粮食安全、生态保护的协调成为重要的议题^[11]。【前人研究进展】耕地非农化是指耕地改变农业用途,从而转化为非农建设用地的过程,即耕地的非农占用,它具有动态性、难逆转性、政策倾向性、阶段性和危害性等特征^[12]。一般认为自然、经济、社会、制度等因素是导致耕地非农化的主要因素^[13,14]。从自然因素层面看,普遍认为耕地资源禀赋与耕地资源非农化的关联性显著^[15],此外地理位置、气候、土壤和地质等也影响耕地向建设用地的转换^[16]。在经济因素层面,固定资产投资、经济发展水平等是影响耕地非农化的重要经济因素^[17]。城镇化是社会因素层面影响耕地非农化的最显著因素^[18],农业与农业发展的特征也是影响耕地非农化的原因之一^[12]。制度因素层面,土地产权的不明晰、收益分配不合理以及管理制度的不完善都是导致耕地过度非农化的重要因素^[19]。同时,现行的财政税收制度以及行政绩效考核标准也导致了部分地方政府过度依赖“土地财政”,也致使了耕地的过度非农化^[20]。由于空间相关性的存在,邻域的空间溢出效应对耕地非农化有不可忽略的影响。在研究方法选择上,研究者主要采用数理经济学模型估计的方法,例如回归分析模型、随机效应模型、固定效应模型^[15]等。研究尺度上,对国家、东中西部区域、省域、市域、县尺度耕地非农化的均有研究涉及^[21,22,23]。已有研究基于不同尺度和研究方法,对耕地资源非农化影响因素进行了研究,加深了对耕地资源问题的认知,但仍然存在进一步研究的空间：已有研究多基于单一的计量方法,缺乏方法的集成与比较分析;其次由于耕地的显著空间属性,忽视耕地非农化的空间非平稳性（spatial non- stationarity）特征,可能会导致模型设定的偏误。【本研究切入点】土地是产业发展的空间支撑,产业结构与耕地非农化关系密切,那么产业结构对耕地非农化影响是否显著?在考虑了耕地非农化空间非平稳性条件下,耕地非农化影响因素作用系数有哪些时空分布特征?模型集成方法能否能更好地对耕地非农化影响进行计量分析?【拟解决的关键问题】鉴于以上的分析,研究拟采用2006—2015年面板数据（panel data）,构建“一般回归模型-面板模型-地理加权回归模型-时空加权回归模型”模型集成,通过多模型集成比较分析,揭示耕地资源非农化的影响因素及时空特征。

1 研究方法与数据来源

1.1 概念模型

基于耕地非农化研究文献分析,研究拟构建以下概念模型：

Non_agr_it=f(Urb_popu_it, Fixed_ass_it, Economy_it, Arable_it, Indu_struc_it) （1）

其中：

Non_agr_it：耕地非农化,采用耕地非农化年度数据;

Urb_popu_it：城镇人口增长,采用年末城镇人口数;

Fixed_ass_it：固定资产投资,以固定资产投资额测算;

Economy_it：经济发展水平,参考Grossman 和 Krueger 相关研究,即采用人均国内生产总值（per capita gross domestic product）指标度量,这里研究采用的是省域数据,因此应为人均地区生产总值（per capita gross regional product）;

Arable_it：耕地资源禀赋,以年初耕地保有量度量;

Indu_struc_it：产业结构,以非农产业增加值占地区生产总值比重测度;

it：分别表示面板数据的截面和时间,即年份与省域,i = 1, 2, 3,…, 31;t = 2006, 2007, 2008, …, 2015。

1.2 模型集成

在概念模型基础上,构建因素分析“一般回归模型-面板模型-地理加权回归模型-时空加权回归模型”模型集成（简称OPGT）,从而比较分析耕地非农化影响因素,发现其时空特征。其中,一般回归模型可对解释变量显著性进行初步判断,承担变量筛选与方程初步评估功能,面板模型考虑了截面的个体效应,提升了模型显著性水平,而GWR和GTWR模型则可以实现时空临近信息的局域（local）回归,呈现了变量影响作用的时空特征。OPGT是一个有机整体,各部分相互检验、互为补充,可以更加细致的刻画因素的时空作用。其技术路线如图1所示。

图1

新窗口打开|下载原图ZIP|生成PPT
图1OPGT 技术路线

Fig. 1The overall procedure of OPGT



OPGT可以分为6个步骤：（1）数据收集和预处理;（2）一般回归模型分析,通过一般回归模型,对解释变量在模型中的显著性水平和模型拟合优度进行分析,从而在整体上对解释变量选择、模型拟合程度进行判断;（3）面板模型分析,在考虑个体效应的基础上,对模型进行检验并与一般回归进行比较;（4）地理加权回归模型,基于研究对象的空间特征,引入空间位置信息,确定截面回归系数;（5）时空加权回归模型,在空间差异基础上,拓展到时间维度的系数差异。

1.2.1 一般回归模型

研究首先构建一般回归模型：

Y_it=${{\beta }_{0}}+\sum\limits_{j=1}^{k}{{{\beta }_{j}}}$X_it^(j)+ε_it j=1, 2, 3, …,k （2）

式中,Y_it为被解释变量,X_it^(j)被解释变量,β₀为常数项,β_j为解释变量X_it^(j)的系数,ε_it为干扰项。k为解释变量的个数,i和t分别表示面板数据中的截面和时间,一般回归模型虽然能够对面板数据进行运算,但是不能处理其中的截面个体效应。

1.2.2 面板模型

面板模型可以分为固定效应模型（fixed effect model）和随机效应模型（random effect model）。对于面板模型,OLS估计量虽然是一致的,但不再是有效估计量,需要采用广义最小二乘法（generalized least squares,即GLS）来估计。其中,固定效应模型（fixed effect model）方程如下：

Y_it= ${{\beta }_{i}}+\sum\limits_{j=1}^{k}{{{\beta }_{j}}}$X_it^(j)+ε_it j=1, 2, 3, …,k （3）

式中,Y_it为被解释变量,X_it^(j)被解释变量,β_j为解释变量X_it^(j)的系数,ε_it为干扰项。k为解释变量的个数,i和t分别表示面板数据中的截面和时间。β_i对于每个截面是一个固定的常数,表示个体的特殊效应,也反映了个体的差异。如果假定β_i不是固定的,而是随机的,那么模型就转化为了随机效应模型。确定采用固定效应面板还是随机面板要根据逻辑分析和霍斯曼检验确定。

1.2.3 地理加权回归模型

地理加权回归模型（geographically weighted regression,即GWR）是对传统线性回归模型的扩展, 它将空间属性纳入到方程中,特定的回归系数不再是利用全部（global）观察值得到的假定常数,而是利用邻近观测值的子样本信息进行统计,估计系数随着空间上局域地理位置的变化而变化^[24],具体模型如下：

Y_i= ${{\beta }_{\text{0}}}\text{(}{{u}_{i}}\text{,}{{v}_{i}}\text{)}+\sum\limits_{j=1}^{k}{{{\beta }_{j}}\text{(}{{u}_{i}}\text{,}{{v}_{i}}\text{)}}$X_i^(j)+ ε_i j=1, 2, 3, …,k（4）

式中,Y_i为被解释变量,X_i^(j)为第j个解释变量,k为解释变量个数,i为截面,β₀为常数项,β_j为解释变量系数,（u_i,v_i）为空间位置,ε_i为干扰项。

1.2.4 时空加权回归模型

GWR模型考虑了空间的非平稳,通过基于空间距离构建权重矩阵,实现对模型参数的估计,但其在考虑时间因素方面存在不足。因此引入时空加权回归模型（geographically and temporally weighted regression,即GTWR）,GTWR是GWR模型拓展,将时空非平稳性同时考虑到模型中,为每个观察值赋予时空关系坐标,实现对模型参数的有效估计^[25,26,27],模型表达式如下：

Y_i= ${{\beta }_{\text{0}}}\text{(}{{u}_{i}}\text{,}{{v}_{i}}\text{,}{{t}_{i}}\text{)}+\sum\limits_{j=1}^{k}{{{\beta }_{j}}\text{(}{{u}_{i}}\text{,}{{v}_{i}}\text{,}{{t}_{i}}\text{)}}$X_i^(j)+ ε_i j=1, 2, 3, …,k （5）

式中,Y_i为被解释变量,i为截面,β₀(u_i,v_i,t_i)为截距项,

t_i为第i个截面的时间坐标;X_i^(j)为第i个截面的第j个解释变量;β_j(u_i,v_i,t_i)表示解释变量X_i^(j)在(u_i,v_i,t_i) 时空

坐标上的系数;ε_i表示干扰项。

基于以上模型集成,根据耕地非农化概念模型（1）,将研究采用的被解释变量耕地非农化,以及解释变量城镇人口增长、固定资产投资、经济发展水平、耕地资源禀赋和产业结构代入方程（2）—（5）,可以得到：

lnNon_agr_it= ${{\beta }_{0}}+\sum\limits_{j=1}^{k}{{{\beta }_{j}}}$ln factor_it^(j)+ ε_itj=1, 2, 3, …,k （6）

lnNon_agr_it= ${{\beta }_{i}}+\sum\limits_{j=1}^{k}{{{\beta }_{j}}}$ln factor_it^(j)+ ε_itj=1, 2, 3, …,k （7）

lnNon_agr_i= ${{\beta }_{\text{0}}}\text{(}{{u}_{i}}\text{,}{{v}_{i}}\text{)}+\sum\limits_{j=1}^{k}{{{\beta }_{j}}\text{(}{{u}_{i}}\text{,}{{v}_{i}}\text{)}}$ln factor_i^(j)+ ε_ij=1, 2, 3, …,k （8）

lnNon_agr_i= ${{\beta }_{\text{0}}}\text{(}{{u}_{i}}\text{,}{{v}_{i}}\text{,}{{t}_{i}}\text{)}+\sum\limits_{j=1}^{k}{{{\beta }_{j}}\text{(}{{u}_{i}}\text{,}{{v}_{i}}\text{,}{{t}_{i}}\text{)}}$ln factor_i^(j)+ ε_ij=1, 2, 3, …,k （9）

式中,factor_i^(j)为耕地非农化影响因素变量,j=5,即Urb_popu_it,Fixed_ass_it,Economy_it,Arable_it,Indu_struc_it。为了使得模型估计结果系数具有弹性的含义,采用双对数模型,即先对变量求自然对数,然后参与模型的计量分析。

1.3 数据来源

研究所采用的数据为中国大陆地区31个省域（省、自治区、直辖市）的数据。由于中国香港、中国澳门、中国台湾数据暂缺,因此本研究暂不包含上述地区。其中,年末城镇人口数、地区生产总值、地区第一二三产业增加值、固定资产投资额来源于《中国统计年鉴（2007—2016）》,年初耕地保有量数据来源于《中国国土资源年鉴（2007—2016）》。

2 结果

2.1 变量描述性统计

首先对变量进行描述性统计分析,如表1所示。根据描述统计分析结果,可以知道我国地域跨度较大,省域之间差异较强,例如,被解释变量耕地非农化面积最大值是23 872.92 hm²,最小值是2.60 hm²,标准差为4 826.32 hm²;耕地资源年初保有量最大值为15 865.90×10³ hm²,最小值为187.60×10³ hm²,标准差为3 125.47×10³ hm²。因此基于省域层面的研究,其空间差异性不容忽视。

Table 1
表1
表1数据描述性统计
Table 1Descriptive statistics of the data

变量 Variable	最小值 Minimum	最大值 Maximum	均值 Mean	标准差 Standard deviation	方差 Variance
Non_agr (hm2)	2.60	23872.92	6724.08	4826.32	23293353.33
Urb_popu (×104)	-60.00	487.00	69.31	61.49	3781.28
Fixed_ass (×108 yuan)	78.86	49935.93	9556.29	8928.17	79712305.52
Economy (yuan/people)	5750.00	57310.00	22779.46	11648.92	135697256.59
Arable (×103 hm2)	187.60	15865.90	4255.16	3125.47	9768536.21
Indu_struc (%)	0.70	0.99	0.89	0.06	0.003

新窗口打开|下载CSV

2.2 一般回归分析

为了与后续模型进行比较,首先基于一般回归分析模型（6）对耕地非农化影响因素进行分析,结果如表2所示。首先以城镇人口增长、固定资产投资为解释变量进行OLS回归分析（方程6-a）,结果显示城镇人口增长与固定资产投资对耕地非农化的影响均在1%的水平上显著,拟合优度为0.535。为了验证经济发展水平对耕地非农化是否有显著影响,在方程（6-a）的基础上引入经济发展水平变量,检验结果见（6-b）。由分析结果可知,在控制了城镇人口增长、固定资产投资变量的条件下,经济发展水平对耕地非农化的影响均在1%的水平上显著,拟合优度为0.647,解释能力有所提升。方程（6-c）为（6-b）的基础上加入耕地资源禀赋检验结果,结果显示耕地资源禀赋对耕地非农化的影响在1%的水平上显著,但此时经济发展水平变量却不显著。为了检验产业结构变量是否对耕地非农化有显著影响,在控制了城镇人口增长、固定资产投资、经济发展水平和耕地资源禀赋变量的基础上,加入产业结构变量,检验结果如（6-d）所示。产业结构对耕地非农化在1%的水平上显著,拟合优度为0.689,4个控制变量均处于显著的水平。

Table 2
表2
表2耕地非农化一般回归模型OLS估计结果
Table 2Estimated results of the OLS regression model of cultivated land non-agricultural-transformation

	(6-a) lnNon_agr	(6-b) lnNon_agr	(6-c) lnNon_agr	(6-d) lnNon_agr
lnUrb_popu	0.474***(0.0552)	0.294***(0.0516)	0.401***(0.0527)	0.358***(0.0530)
lnFixed_ass	0.357***(0.0515)	0.742***(0.0598)	0.277**(0.0997)	0.314**(0.0983)
lnEconomy		-0.878***(0.0900)	-0.128(0.158)	-0.358*(0.167)
lnArable			0.393***(0.0689)	0.414***(0.0678)
lnIndu_struc				2.919***(0.810)
C	3.500***(0.350)	7.899***(0.544)	2.379*(1.103)	-9.199**(3.389)
R2	0.535	0.647	0.681	0.695
Adjusted. R2	0.532	0.643	0.677	0.689

The statistics in and out of parentheses is standard errors and coefficients, *, **, *** denote statistical significance at 10%, 5%, and 1%, respectively. The same as below
括号内数值为标准误,括号外数值为系数,*、**、***分别表示在10%、5%、1%的水平上显著。下同

新窗口打开|下载CSV

根据一般回归模型分析结果可以知道,城镇人口增长、固定资产投资、经济发展水平、耕地资源禀赋和产业结构变量均有显著影响,但拟合优度为0.689,方程解释力仍然偏低。

2.3 面板模型分析

根据描述统计分析可以知道,我国省域耕地资源非农化差异明显,在计量分析中其空间差异性不可忽视,因此采用面板模型,在考虑省域个体效应的基础上,对模型进行检验分析。霍斯曼检验结果显示,χ²(5)= 22.30,Prob = 0.0005,通过1%水平的显著性检验,拒绝原假设,因此研究采用固定效应模型。

采用固定效应模型对耕地非农化数据进行估计,其估计结果见表3。结果显示,在采用面板模型的条件下,城镇人口增长、固定资产投资、经济发展水平和耕地资源禀赋变量处于显著水平,但是产业结构变量却未通过检验。

Table 3
表3
表3耕地非农化固定效应模型估计结果
Table 3The estimated results of fixed effect model of cultivated land non-agricultural-transformation

	(7-a) lnNon_agr	(7-b) lnNon_agr	(7-c) lnNon_agr	(7-d) lnNon_agr
lnUrb_popu	0.235**(0.0721)	0.175*(0.0729)	0.173*(0.0716)	0.167*(0.0719)
lnFixed_ass	0.0505(0.0431)	-0.217*(0.0880)	-0.253**(0.0875)	-0.239**(0.0887)
lnEconomy		1.454***(0.420)	1.438***(0.421)	1.593***(0.449)
lnArable			1.577***(0.443)	1.570***(0.443)
lnIndu_struc				-2.728(2.758)
C	7.076***(0.424)	-4.798(3.456)	-16.86***(4.786)	-6.207(11.79)
R2	0.048	0.089	0.129	0.132
Adjusted. R2	-0.063	-0.022	0.019	0.019

新窗口打开|下载CSV

2.4 地理加权回归分析

在采用GWR模型进行空间差异性分析前,首先对耕地非农化数据进行空间自相关检验。检验结果显示,莫兰指数（Moran’ s I）^[28,29]为0.740,并且伴随概率（p）小于0.01,通过1%水平上显著性检验,表明耕地非农化具有显著的空间正相关性,因此适合进行GWR模型回归。利用GWR进行计量分析,其检验结果见表4。根据表4中可以得知GWR模型回归拟合优度为0.785,在方程解释力上比方程（6）和方程（7）有明显提升,解释变量均通过显著性检验。GWR模型中省域耕地非农化影响因素方程系数如见表5所示。

Table 4
表4
表4耕地非农化GWR和GTWR模型检验结果
Table 4Test results of the GWR and GTWR model of cultivated land non-agricultural-transformation

变量 Variables	GWR		GTWR
	均值Mean	标准误Standard error	均值Mean	标准误Standard error
lnUrb_popu	0.3119***	0.0640	0.14491***	0.0094
lnFixed_ass	0.2397***	0.0723	0.66776***	0.0151
lnEconomy	-0.5029***	0.1118	-0.51308***	0.0205
lnArable	0.3487***	0.0587	0.27513***	0.0128
lnIndu_struc	4.5003***	1.0738	2.33906***	0.0893
	R2=0.785		R2=0.858

新窗口打开|下载CSV

Table 5
表5
表5耕地非农化GWR模型估计结果
Table 5The estimated results of GWR of cultivated land non-agricultural-transformation

省（地区）Province (Region)	lnUrb_popu	lnFixed_ass	lnEconomy	lnArable	lnIndu_struc
北京 Beijing	0.472	0.064	-0.355	0.619	7.164
天津Tianjin	0.460	-0.053	-0.153	0.707	6.569
河北Hebei	0.531	-0.022	-0.206	0.648	6.344
山西Shanxi	0.439	-0.113	0.215	0.658	0.821
内蒙古Inner Mongolia	0.272	0.316	-0.709	0.439	6.364
辽宁Liaoning	0.103	0.373	-0.920	0.626	11.803
吉林Jilin	0.058	0.633	-0.978	0.380	7.285
黑龙江Heilongjiang	0.048	0.694	-0.972	0.303	5.507
上海Shanghai	0.059	0.021	-1.026	0.733	17.048
江苏Jiangsu	0.025	0.274	-1.668	0.676	22.710
浙江Zhejiang	0.069	-0.191	-0.503	0.830	13.625
安徽Anhui	0.037	-0.074	-0.623	0.780	13.813
福建Fujian	0.001	-0.472	0.624	0.816	2.289
江西Jiangxi	-0.020	-0.287	0.385	0.640	2.498
山东Shandong	0.186	-0.212	0.210	0.826	3.223
河南Henan	0.094	0.155	0.038	0.501	-2.134
湖北Hubei	0.096	0.558	-0.670	0.044	-2.950
湖南Hunan	0.096	0.540	-0.626	0.025	-1.707
广东Guangdong	0.044	0.841	-1.417	0.006	3.280
广西Guangxi	0.082	1.002	-1.463	0.035	1.511
海南Hainan	0.056	0.956	-1.425	0.042	2.208
重庆Chongqing	0.245	0.603	-0.816	0.026	0.118
四川Sichuan	0.474	0.476	-0.895	0.027	3.078
贵州Guizhou	0.123	0.673	-0.874	0.016	0.746
云南Yunnan	0.199	0.711	-1.153	0.024	3.159
西藏Tibet	1.237	-0.197	0.108	0.109	-1.318
陕西Shaanxi	0.422	0.360	-0.374	0.016	-1.227
甘肃Gansu	0.847	0.041	-0.045	-0.004	3.761
青海Qinghai	1.256	-0.248	0.146	0.053	3.327
宁夏Ningxia	0.713	0.080	0.128	-0.064	2.989
新疆Xinjiang	0.936	-0.065	0.409	0.249	-2.379

新窗口打开|下载CSV

为了总体描述系数的变化,首先对解释变量系数进行统计描述分析,主要统计量有最大值、最小值、方差、均值、绝对值的均值,结果如表6所示。根据其标准差与绝对值的均值计算出变异系数, 从而分析变量弹性系数在空间上的非平稳程度大小。城镇人口增长的变异系数最大,为1.115,其次分别是产业结构（0.993）、耕地资源禀赋（0.897）、固定资产投资（0.784）,经济发展水平变异系数最小,变异系数值为0.700,因此变量系数在省域变异最大的是城镇人口增长,其次是产业结构水平,耕地资源禀赋和是固定资产投资,变异最小的经济发展水平。

Table 6
表6
表6GWR模型系数统计值
Table 6Statistical value of GWR coefficients

解释变量 Explanatory variables	最大值 Maximum	最小值 Minimum	标准差 Standard deviation	均值 Average	绝对值的均值 Average absolute value
lnUrb_popu	1.256	-0.020	0.349	0.312	0.313
lnFixed_ass	1.002	-0.472	0.286	0.240	0.365
lnEconomy	0.624	-1.668	0.455	-0.503	0.649
lnArable	0.830	-0.064	0.316	0.348	0.352
lnIndu_struc	22.710	-2.950	5.217	4.501	5.257

新窗口打开|下载CSV

从变量影响强度看,弹性系数呈现出Indu_struc> Economy> Fixed_ass> Arable> Urb_popu的状态。由此可知,对耕地非农化的驱动作用最大的变量是产业结构,其次为经济发展水平、固定资产投资和耕地资源禀赋,最小的是城镇人口增长。另外,GWR分析结果显示经济发展水平弹性系数为负,表明经济发展对耕地非农化有一定的抑制作用,这与一般回归模型（即模型6）检验结果一致。

2.5 时空加权回归分析

为进一步探讨耕地非农化影响因素的时间差异,采用GTWR模型进行分析,其检验结果见表4,考虑了时间属性的GTWR模型拟合优度为0.858,各解释变量回归统计t值伴随概率p均小于0.01,均通过显著性水平为1%的t检验,表明各回归系数随时空的变化具有显著性。

GTWR估计结果显示了解释变量弹性系数的年度发展变化。结果分析可知,2006—2015年城镇人口增长、固定资产投资和经济发展水平对耕地非农化的影响作用呈现下降趋势;耕地资源禀赋与耕地非农化关联性作用变得更加强烈;产业结构的影响虽在部分省域有所降低,但其整体影响程度仍然较高。估计结果中,2006、2010、2015年3个时间节点的解释变量系数估计值如表7所示。

Table 7
表7
表7耕地非农化GTWR模型估计结果(2006、2010、2015年)
Table 7The estimated results of GTWR of cultivated land non-agricultural-transformation (2006, 2010, 2015)

省（地区） Province (Region)	lnUrb_popu			lnFixed_ass			lnEconomy			lnArable			lnIndu_struc
	2006	2010	2015	2006	2010	2015	2006	2010	2015	2006	2010	2015	2006	2010	2015
北京Beijing	0.15	0.07	-0.10	1.06	0.78	0.78	-0.89	-0.83	-0.58	0.01	0.21	0.48	2.97	3.25	3.42
天津Tianjin	0.16	0.06	-0.10	1.06	0.77	0.79	-0.88	-0.81	-0.58	0.01	0.21	0.47	2.99	3.19	3.29
河北Hebei	0.15	0.07	-0.10	1.06	0.77	0.77	-0.88	-0.82	-0.57	0.01	0.21	0.48	2.98	3.11	3.39
山西Shanxi	0.14	0.09	-0.05	1.05	0.79	0.71	-0.84	-0.75	-0.50	0.01	0.21	0.50	2.80	2.29	3.39
内蒙古Inner Mongolia	0.16	0.07	-0.07	1.04	0.86	0.72	-0.91	-0.92	-0.50	0.01	0.19	0.52	2.94	3.39	3.49
辽宁Liaoning	0.17	0.04	-0.13	1.08	0.78	0.87	-0.90	-0.83	-0.61	0.01	0.21	0.43	2.87	3.46	2.85
吉林Jilin	0.16	0.03	-0.14	1.11	0.78	0.88	-0.90	-0.80	-0.60	0.00	0.23	0.42	2.48	3.58	2.46
黑龙江Heilongjiang	0.18	0.03	-0.14	1.13	0.79	0.87	-0.90	-0.85	-0.55	-0.01	0.25	0.44	2.01	4.12	2.09
上海Shanghai	0.10	0.05	-0.12	1.18	0.69	0.93	-0.83	-0.72	-0.63	0.01	0.21	0.30	3.14	2.91	2.23
江苏Jiangsu	0.12	0.06	-0.12	1.14	0.72	0.91	-0.83	-0.73	-0.62	0.02	0.21	0.34	3.12	2.76	2.31
浙江Zhejiang	0.06	0.05	-0.11	1.22	0.68	0.94	-0.82	-0.66	-0.63	0.02	0.22	0.29	3.11	2.67	2.15
安徽Anhui	0.11	0.06	-0.11	1.14	0.73	0.89	-0.83	-0.70	-0.60	0.02	0.21	0.35	3.08	2.31	2.21
福建Fujian	0.02	0.05	-0.09	1.25	0.69	0.94	-0.85	-0.64	-0.64	0.02	0.22	0.26	3.02	1.92	1.93
江西Jiangxi	0.05	0.07	-0.08	1.19	0.72	0.90	-0.84	-0.65	-0.62	0.02	0.21	0.30	3.02	1.68	2.01
山东Shandong	0.15	0.07	-0.12	1.09	0.75	0.86	-0.86	-0.77	-0.61	0.01	0.20	0.41	3.06	2.77	2.77
河南Henan	0.12	0.08	-0.08	1.09	0.77	0.81	-0.82	-0.72	-0.55	0.01	0.20	0.42	2.90	1.95	2.50
湖北Hubei	0.09	0.09	-0.05	1.12	0.78	0.80	-0.82	-0.69	-0.51	0.01	0.21	0.39	2.87	1.46	2.12
湖南Hunan	0.07	0.09	-0.03	1.15	0.78	0.82	-0.84	-0.69	-0.53	0.02	0.21	0.35	2.95	1.16	1.96
广东Guangdong	0.01	0.06	-0.04	1.23	0.75	0.87	-0.91	-0.68	-0.57	0.01	0.22	0.29	2.96	1.02	1.92
广西Guangxi	0.08	0.09	0.03	1.13	0.82	0.76	-0.87	-0.68	-0.44	0.02	0.24	0.36	3.04	0.44	1.76
海南Hainan	0.04	0.07	0.02	1.22	0.81	0.80	-0.90	-0.64	-0.46	0.02	0.26	0.30	3.03	0.29	1.72
重庆Chongqing	0.11	0.13	0.03	1.06	0.83	0.68	-0.79	-0.72	-0.34	0.01	0.22	0.46	2.80	1.08	2.08
四川Sichuan	0.16	0.21	0.12	0.95	0.83	0.53	-0.74	-0.59	-0.02	0.01	0.29	0.56	2.71	0.59	1.68
贵州Guizhou	0.12	0.13	0.05	1.07	0.84	0.68	-0.81	-0.72	-0.36	0.01	0.24	0.43	2.97	0.59	1.91
云南Yunnan	0.18	0.21	0.17	0.94	0.87	0.55	-0.82	-0.52	0.04	0.01	0.35	0.51	3.32	-0.99	1.08
西藏Tibet	0.42	0.74	0.30	0.48	0.21	0.19	-0.61	0.24	0.66	-0.02	0.82	0.82	2.90	-0.23	1.10
陕西Shaanxi	0.12	0.12	0.00	1.04	0.78	0.64	-0.78	-0.69	-0.34	0.01	0.24	0.52	2.57	1.89	2.76
甘肃Gansu	0.14	0.24	0.16	0.95	0.74	0.39	-0.67	-0.51	0.09	0.00	0.34	0.68	2.04	1.94	2.85
青海Qinghai	0.22	0.40	0.28	0.80	0.62	0.22	-0.60	-0.30	0.41	-0.01	0.46	0.77	1.99	1.46	2.21
宁夏Ningxia	0.13	0.15	0.06	1.00	0.75	0.50	-0.75	-0.64	-0.19	0.01	0.28	0.61	2.41	2.24	3.24
新疆Xinjiang	0.24	0.60	0.31	0.70	0.41	0.02	-0.69	0.35	0.74	-0.04	0.74	0.94	3.06	0.07	1.16

新窗口打开|下载CSV

为进一步发现耕地非农化影响因素的整体空间特征,根据解释变量省域系数的平均值,采用ArcGIS的“趋势分析”工具^[30,31]绘制解释变量弹性系数的变化分布图（图2）。由图2-a和2-d可知,城镇人口增长和耕地资源禀赋对耕地非农化影响在X方向（经向）上现出由西向东递减的状态,在Y方向（纬向）上呈现出倒“U”型状态。由图2-b和2-c可知固定资产投资与经济发展水平对耕地非农化的影响程度在X方向上呈现出由西向东递增的特征,在Y方向上则为“U”型变化特征,表明我国东北地区的耕地非农化对固定资产投资与产业结构变化更加敏感。从图2-e中可以看出产业结构对耕地非农化的影响程度在X方向上由西向东递增,在Y方向上由北向南递减,表明产业结构对耕地非农化的影响由东北向西南递减。

图2

新窗口打开|下载原图ZIP|生成PPT
图2解释变量系数空间变化

Fig. 2Spatial variation of elasticity coefficient of explanatory variables

3 讨论

对于耕地非农化已有较为丰富的研究,研究多基于回归模型采用全局（global）估计方法,而耕地与其他经济学研究对象相比,其具有显著空间性特征,如果忽视其空间非平稳性特征,可能会违反“地理事物或属性在空间分布上互为相关”的地理学第一定律^[32],导致方程估计参数的偏误。所以研究采用OPGT集成模型,在一般回归的和面板模型估计的基础上,引入时空权重信息,通过构建GWR和GTWR模型采用对耕地非农化进行分析,其模型系数是根据时空临近观测值通过局域（local）回归得来,更好的表达了影响因素系数的时空特征。

研究也存在一定的局限性。研究探讨了城镇人口增长、固定资产投资、经济发展水平及产业结构等因素对耕地非农化影响,但对于土地制度、农业与农村内部因素等则尚未涉及。其次,虽然研究对土地资源禀赋与耕地非农化的关系进行了探讨,但尚未对气候、土壤和地质等自然影响因素进行分析,而这些自然因素与耕地非农化关系密切,如何将这些因素纳入统一的模型分析框架,这些都是研究进一步深化的方向。

4 结论

研究采用2006—2015年耕地非农化的统计数据,利用OPGT模型集成的方法对面板数据进行分析,研究表明：（1）OPGT是一个有机整体,各部分相互检验、互为补充,可以更加细致的刻画因素的时空作用;（2）耕地非农化因素总体作用强度方面,弹性系数最大的是产业结构,其次为经济发展水平、固定资产投资和耕地资源禀赋,最小为城镇人口增长;（3）空间特征方面,城镇人口增长和耕地资源禀赋总体呈现出由西向东递减的趋势,而固定资产投资、经济发展水平和产业结构呈现出由西向东递增的趋势;（4）时序演变特征方面,城镇人口增长、固定资产投资与经济发展水平对耕地非农化的影响作用呈现下降趋势,耕地资源禀赋与耕地非农化关联性趋于增强,产业结构的影响虽在部分省域有所降低,但其整体影响程度仍然相对较高。

（责任编辑 李云霞）

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] 赵文武 . 世界主要国家耕地动态变化及其影响因素
生态学报, 2012,32(20):6452-6462.
DOI:10.5846/stxb201203080314URLMagsci [本文引用: 1]
在世界人口持续攀升、全球耕地面积不断减少的背景下,探讨世界主要国家耕地变化其影响因素,对于分析预测未来世界耕地变化趋势、研究世界粮食安全具有积极意义。选择2050年人口过亿的17个国家和耕地面积排名前10的国家为研究对象,在分析1961-2007年耕地总量变化、人均耕地变化的基础上,探讨了耕地变化影响因素。研究结果表明,从20世纪60年代到2007年间的不同时期内,有越来越多的国家表现出耕地减少趋势,而人均耕地面积减少的国家个数高达90%以上。满足人口消费需求、城市化与经济发展是大多数国家耕地总量变化的主要动力;而人口快速增长、城市化则是导致许多国家人均耕地显著减少的重要原因。
ZHAO W W . Arable land change dynamics and their driving forces for the major countries of the world
Acta Ecologica Sinica, 2012,32(20):6452-6462. (in Chinese)
DOI:10.5846/stxb201203080314URLMagsci [本文引用: 1]
在世界人口持续攀升、全球耕地面积不断减少的背景下,探讨世界主要国家耕地变化其影响因素,对于分析预测未来世界耕地变化趋势、研究世界粮食安全具有积极意义。选择2050年人口过亿的17个国家和耕地面积排名前10的国家为研究对象,在分析1961-2007年耕地总量变化、人均耕地变化的基础上,探讨了耕地变化影响因素。研究结果表明,从20世纪60年代到2007年间的不同时期内,有越来越多的国家表现出耕地减少趋势,而人均耕地面积减少的国家个数高达90%以上。满足人口消费需求、城市化与经济发展是大多数国家耕地总量变化的主要动力;而人口快速增长、城市化则是导致许多国家人均耕地显著减少的重要原因。

[2] 中华人民共和国国土资源部. 中国国土资源统计年鉴(2007-2016). 北京: 地质出版社, 2007-2016.
[本文引用: 1]

Ministry of Land and Resources of PRC. The China Land and Resources Statistical Yearbook 2007-2016. Beijing: Geology Publishing House, 2007-2016. (in Chinese)
[本文引用: 1]

[3] 何英彬, 陈佑启, 姚艳敏, 石淑芹, 李志斌, 万利 . 东北三省耕地非农化时空特征及其与粮食生产能力的关系
资源科学, 2009,31(2):295-302.
DOI:10.3321/j.issn:1007-7588.2009.02.017URLMagsci [本文引用: 1]
随着中国人口增加、经济的快速发展，耕地非农化过程加快，建设用地大量侵吞耕地，粮食安全问题引起了高度关注。本文以东北三省为研究对象，应用GIS技术详细地分析了其在1993年～2003年10年间耕地非农化空间特征、耕地非农化与耕地综合质量、高产田的空间关系及由耕地非农化所导致的粮食减产空间分布，研究结果表明：①东北三省耕地非农化面积16.599×10⁴hm²，耕地非农化率为1.012%，吉林省和黑龙江省分别是耕地非农化程度最高、最低的两个省份，辽宁省和吉林省耕地非农化区域分别呈“云片状”集团式和平行条带的空间分布特征，处于交通位置优越及沿海的县（市）耕地非农化程度较高；②吉林省耕地非农化面积最大，但以占用中下等耕地为主；而辽宁省绝大部分耕地非农化区域都是上等地；黑龙江省耕地非农化面积最少，而且主要占用的是中下等地；③粮食高产区集中分布在松辽平原，耕地非农化严重区有近50％分布在高产区，吉林省高产田受耕地非农化影响最严重；④10年间因耕地非农化共导致粮食减产9.106×10⁸kg，吉林省占总量的59％，而东北三省减产的粮食可以供给500×10⁴人1年的口粮。注重经济发展与耕地保护之间的关系，是落实东北三省未来“耕地总量动态平衡”政策的关键所在。
HE Y B, CHEN Y Q, YAO Y M, SHI S Q, LI Z B, WAN L . Temporal and spatial characteristics analysis of relation between arable land non-agriculturalization and food productivity based on GIS technique
Resources Science, 2009,31(2):295-302. (in Chinese)
DOI:10.3321/j.issn:1007-7588.2009.02.017URLMagsci [本文引用: 1]
随着中国人口增加、经济的快速发展，耕地非农化过程加快，建设用地大量侵吞耕地，粮食安全问题引起了高度关注。本文以东北三省为研究对象，应用GIS技术详细地分析了其在1993年～2003年10年间耕地非农化空间特征、耕地非农化与耕地综合质量、高产田的空间关系及由耕地非农化所导致的粮食减产空间分布，研究结果表明：①东北三省耕地非农化面积16.599×10⁴hm²，耕地非农化率为1.012%，吉林省和黑龙江省分别是耕地非农化程度最高、最低的两个省份，辽宁省和吉林省耕地非农化区域分别呈“云片状”集团式和平行条带的空间分布特征，处于交通位置优越及沿海的县（市）耕地非农化程度较高；②吉林省耕地非农化面积最大，但以占用中下等耕地为主；而辽宁省绝大部分耕地非农化区域都是上等地；黑龙江省耕地非农化面积最少，而且主要占用的是中下等地；③粮食高产区集中分布在松辽平原，耕地非农化严重区有近50％分布在高产区，吉林省高产田受耕地非农化影响最严重；④10年间因耕地非农化共导致粮食减产9.106×10⁸kg，吉林省占总量的59％，而东北三省减产的粮食可以供给500×10⁴人1年的口粮。注重经济发展与耕地保护之间的关系，是落实东北三省未来“耕地总量动态平衡”政策的关键所在。

[4] 程传兴, 高士亮, 张良悦 . 中国农地非农化与粮食安全
经济学动态, 2014(7):87-96.
[本文引用: 1]

CHENG C X, GAO S L, ZHANG Y Y . Farmland non- agriculturalization and food security in China
.Economic Perspectives, 2014(7):87-96. (in Chinese)
[本文引用: 1]

[5] 赵爱栋, 彭冲, 许实, 曾薇, 马贤磊 . 生态安全约束下耕地潜在转换及其对粮食生产的影响——以东北地区为例
中国人口·资源与环境, 2017,27(11) : 124-131.
URL [本文引用: 1]
随着生态安全日益受到关注,耕地利用面临的生态安全约束也日趋加重,对耕地资源的稳定利用及生产能力构成了潜在威胁,因此,研究生态安全约束下耕地稳定性及其对粮食生产的影响具有重要意义。本文以东北地区为例,从多源生态安全约束成因出发在分析了地区生态安全约束下＂不稳定＂耕地规模及空间分布的基础上,通过设计基于生态安全约束强度的＂不稳定＂耕地后续用途转换多情景模拟方法,系统评估了生态安全情景、综合权衡情景和粮食安全情景下＂不稳定＂耕地潜在用途转换对地区粮食生产能力的影响。研究发现：（1）生态安全约束下,东北地区存在427.51万hm^2＂不稳定＂耕地,林区过度开垦是地区＂不稳定＂耕地形成的最主要因素,46.26%＂不稳定＂耕地继续耕种会影响生态环境或者经过工程改造后也难以保证稳定收获。（2）三种情境下,东北地区＂不稳定＂耕地潜在转换量分别为427.51万hm^2、387.97万hm^2和395.39万hm^2,分别占地区耕地总量的13.79%、12.52%和1.28%,耕地转换用途主要集中于退耕还林、还草等。（3）三种情景下,＂不稳定＂耕地潜在用途转换将导致地区粮食生产能力分别下降12.62%、11.73%和6.90%,减少量相当于2010—2015年全国年均新增粮食总产量。总体来看,生态安全约束下东北地区耕地资源稳定性对地区粮食生产能力已造成潜在威胁,因此,东北地区需要统筹好＂耕地保护＂、＂生态红线＂与＂粮食安全＂三者之间的关系,加强耕地数量、质量、生态＂三位一体＂保护,优先选择＂不稳定＂耕地推进＂藏粮于地＂战略思想,实现耕地资源永久持续利用。
ZHAO A D, PENG C, XU S, ZENG W, MA X L . Impact of farmland conversion grain output under the ecological constraint: based in the Northeast of China
China Population, Resources and Environment, 2017, 27(11):124-131. (in Chinese)
URL [本文引用: 1]
随着生态安全日益受到关注,耕地利用面临的生态安全约束也日趋加重,对耕地资源的稳定利用及生产能力构成了潜在威胁,因此,研究生态安全约束下耕地稳定性及其对粮食生产的影响具有重要意义。本文以东北地区为例,从多源生态安全约束成因出发在分析了地区生态安全约束下＂不稳定＂耕地规模及空间分布的基础上,通过设计基于生态安全约束强度的＂不稳定＂耕地后续用途转换多情景模拟方法,系统评估了生态安全情景、综合权衡情景和粮食安全情景下＂不稳定＂耕地潜在用途转换对地区粮食生产能力的影响。研究发现：（1）生态安全约束下,东北地区存在427.51万hm^2＂不稳定＂耕地,林区过度开垦是地区＂不稳定＂耕地形成的最主要因素,46.26%＂不稳定＂耕地继续耕种会影响生态环境或者经过工程改造后也难以保证稳定收获。（2）三种情境下,东北地区＂不稳定＂耕地潜在转换量分别为427.51万hm^2、387.97万hm^2和395.39万hm^2,分别占地区耕地总量的13.79%、12.52%和1.28%,耕地转换用途主要集中于退耕还林、还草等。（3）三种情景下,＂不稳定＂耕地潜在用途转换将导致地区粮食生产能力分别下降12.62%、11.73%和6.90%,减少量相当于2010—2015年全国年均新增粮食总产量。总体来看,生态安全约束下东北地区耕地资源稳定性对地区粮食生产能力已造成潜在威胁,因此,东北地区需要统筹好＂耕地保护＂、＂生态红线＂与＂粮食安全＂三者之间的关系,加强耕地数量、质量、生态＂三位一体＂保护,优先选择＂不稳定＂耕地推进＂藏粮于地＂战略思想,实现耕地资源永久持续利用。

[6] 张基凯, 吴群, 黄秀欣 . 耕地非农化对经济增长贡献的区域差异研究——基于山东省17个地级市面板数据的分析
资源科学, 2010,32(5):959-969.
URLMagsci [本文引用: 1]
耕地非农化是社会发展的必然现象，处理好经济发展和耕地非农化的关系是直接影响到社会可持续发展的关键问题。本文利用山东省17个地级市1995年-2006年的面板数据研究了山东省耕地非农化对经济增长贡献的区域差异，并从资源配置效率角度提出了各地级市耕地非农化的最优配置数量。研究结果表明：①17个地级市的耕地非农化对经济增长的贡献率基本都在3%以上，有的甚至达到13%，在经济增长过程中，土地对经济增长的贡献是无法低估的；②耕地非农化贡献率呈现出明显的区域差异性，从总体分布趋势上看，贡献率由鲁东地区向鲁西逐渐递减；③各地级市的耕地非农化对经济增长贡献的区域差异不仅仅受经济发展水平的影响，而且也受城市化、二三产业结构、居民消费水平等因素的影响；⑤根据各地耕地非农化的最佳配置值与现实配置量之间的差异进行耕地非农化适度性分析，发现鲁中地区的适度性最高，而鲁东地区和鲁西地区则分别出现了耕地非农化严重过度和严重滞后现象。
ZHANG J K, WU Q, HUANG X X . A study on regional differences in contribution of cultivated land conversion to economic growth based on panel data analysis of 17 cities in Shandong Province
. Resources Science, 2010, 32(5):959-969. (in Chinese)
URLMagsci [本文引用: 1]
耕地非农化是社会发展的必然现象，处理好经济发展和耕地非农化的关系是直接影响到社会可持续发展的关键问题。本文利用山东省17个地级市1995年-2006年的面板数据研究了山东省耕地非农化对经济增长贡献的区域差异，并从资源配置效率角度提出了各地级市耕地非农化的最优配置数量。研究结果表明：①17个地级市的耕地非农化对经济增长的贡献率基本都在3%以上，有的甚至达到13%，在经济增长过程中，土地对经济增长的贡献是无法低估的；②耕地非农化贡献率呈现出明显的区域差异性，从总体分布趋势上看，贡献率由鲁东地区向鲁西逐渐递减；③各地级市的耕地非农化对经济增长贡献的区域差异不仅仅受经济发展水平的影响，而且也受城市化、二三产业结构、居民消费水平等因素的影响；⑤根据各地耕地非农化的最佳配置值与现实配置量之间的差异进行耕地非农化适度性分析，发现鲁中地区的适度性最高，而鲁东地区和鲁西地区则分别出现了耕地非农化严重过度和严重滞后现象。

[7] 望晓东, 魏玲, 江华 . 耕地非农化与经济增长、城市化的互动关系实证研究——基于广东省时间序列数据的分析
农村经济, 2013(7):32-36.
URL [本文引用: 1]
本文以广东省1995年-2010年的建设占用耕地面积、二三产业产值、城市化率的时间序列数据为基础，利用Eviews6.0对数据进行ADF单位根检验以验证其是否平衡；在数据平衡的前提下，运用Granger因果检验以验证变量间是否存在因果关系；对二三产业产值增量的半弹性为0.05；三年前的建设占用耕地量增量每增加1000公顷，本年新增的城市化率水平将提高约0.3%。广东省耕地非农化表现为效率低、粗放型的规模扩张，应采取有力措施对部分市县政府及其官员人为加快耕地非农化过程的行为进行规制。
WANG X D, WEI L, JIANG H . Empirical study on the interactive relationship between cultivated land conversion and economic growth and urbanization——based on the analysis of time series data of Guangdong Province
.Rural Economy, 2013(7):32-36. (in Chinese)
URL [本文引用: 1]
本文以广东省1995年-2010年的建设占用耕地面积、二三产业产值、城市化率的时间序列数据为基础，利用Eviews6.0对数据进行ADF单位根检验以验证其是否平衡；在数据平衡的前提下，运用Granger因果检验以验证变量间是否存在因果关系；对二三产业产值增量的半弹性为0.05；三年前的建设占用耕地量增量每增加1000公顷，本年新增的城市化率水平将提高约0.3%。广东省耕地非农化表现为效率低、粗放型的规模扩张，应采取有力措施对部分市县政府及其官员人为加快耕地非农化过程的行为进行规制。

[8] 沈孝强, 吴次芳, 方明 . 浙江省产业、人口与土地非农化的协调性分析
中国人口·资源与环境, 2014,24(9):129-134.
DOI:10.3969/j.issn.1002-2104.2014.09.018URL [本文引用: 1]
产业、人口和土地非农化是城市化的基本内涵与表现,其协调性关系到城市化的可持续发展.运用协调耦合度模型和重心法分析1999年至2011年浙江省城市化过程中产业、人口与土地非农化的协调性与空间均衡性,通过皮尔逊相关性检验协调耦合度的影响因素,结果表明：①研究期全省产业、人口与土地非农化的协调耦合度得到持续提高,由0.54上升至0.76,从中协调耦合等级发展为较协调耦合等级,各市协调耦合度及其等级都获得相应提高,但“北高南低,南北分化”的空间差异特征依然显著;②以2005年为界,前半期全省及省内各市协调耦合度增速较快,但2005年之后显著放缓,说明促进各要素协调非农化的难度在上升;③地区不平衡未得到有效控制,西北部人口非农化速度领先、东北部产业非农化较快、中南部土地非农化超前,阻碍了综合协调耦合度的提高;④经济发展、城乡居民收入与公共服务水平,就业结构和土地资源禀赋等是影响产业、人口与土地协调非农化的重要因素.今后产业、人口和土地非农化协调性的提高将依赖于各要素非农化相互作用和地区平衡性的改善.东北部地区需着重推进产业升级和城乡一体化建设;西北部地区提高失业、住房等社会保障覆盖面,促进进城农民工市民化;中南部巩固农业的同时积极发展二三产业,增加非农就业,改善公共服务,同时优化土地利用管理,控制城市低效蔓延.
SHEN X Q, WU C F, FANG M . Coordination of industry, population and land deagriculturalization during the rapid process of urbanization in Zhejiang Province
China Population, Resources and Environment, 2014,24(9):129-134. (in Chinese)
DOI:10.3969/j.issn.1002-2104.2014.09.018URL [本文引用: 1]
产业、人口和土地非农化是城市化的基本内涵与表现,其协调性关系到城市化的可持续发展.运用协调耦合度模型和重心法分析1999年至2011年浙江省城市化过程中产业、人口与土地非农化的协调性与空间均衡性,通过皮尔逊相关性检验协调耦合度的影响因素,结果表明：①研究期全省产业、人口与土地非农化的协调耦合度得到持续提高,由0.54上升至0.76,从中协调耦合等级发展为较协调耦合等级,各市协调耦合度及其等级都获得相应提高,但“北高南低,南北分化”的空间差异特征依然显著;②以2005年为界,前半期全省及省内各市协调耦合度增速较快,但2005年之后显著放缓,说明促进各要素协调非农化的难度在上升;③地区不平衡未得到有效控制,西北部人口非农化速度领先、东北部产业非农化较快、中南部土地非农化超前,阻碍了综合协调耦合度的提高;④经济发展、城乡居民收入与公共服务水平,就业结构和土地资源禀赋等是影响产业、人口与土地协调非农化的重要因素.今后产业、人口和土地非农化协调性的提高将依赖于各要素非农化相互作用和地区平衡性的改善.东北部地区需着重推进产业升级和城乡一体化建设;西北部地区提高失业、住房等社会保障覆盖面,促进进城农民工市民化;中南部巩固农业的同时积极发展二三产业,增加非农就业,改善公共服务,同时优化土地利用管理,控制城市低效蔓延.

[9] 杨振, 刘会敏, 余斌 . 土地非农化生态价值损失估算
中国人口·资源与环境, 2013,23(10):146-150.
DOI:10.3969/j.issn.1002-2104.2013.10.021URL [本文引用: 1]
随着城镇化、工业化的快速推进,我国城乡建设用地快速扩展使农用地保护面临巨大挑战,从经济机制上防止土地过度非农化尤为重要。该文对土地非农化生态价值损失过程机制进行了理论探索,建立了价值损失估算方法,并以江汉平原为例进行案例分析。研究表明:单纯的市场机制没有考虑土地非农化造成的生态价值损失,无法实现土地资源最佳配置,非农化规模偏大;土地非农化生态价值损失巨大,1987-2010年江汉平原因此累计损失73 692.11万元,人均承担49.25元;不同类型土地的生态价值损失强度有所差异,每公顷的自然保留地、水域、林地、草地、耕地非农化价值损失分别为2.459 8万元/a,2.036 7万元/a,1.262 9万元/a,0.524 1万元/a,0.354 8万元/a。文章认为,发展与保护始终是土地资源优化配置必然要面对的难题,土地非农化是社会经济发展过程中的必然现象,也是一个土地生态服务功能不断减少和消亡的过程。土地非农化虽然在一定程度上提高了土地的经济效益和社会效益,但生态效益损失巨大,可能会导致总效益净减。土地过度非农化在很大程度上是由于传统市场体系仅部分考虑了土地的经济、社会功能,而几乎完全没有考虑其生态价值导致的。作为一类负外部性,土地非农化过程中的生态价值损失如果不能得到及时遏制,快速增长的城乡建设用地需求将使农地保护面临巨大威胁,这需要将生态价值纳入土地价值体系,计入征地成本,并在一定程度上提高现行土地价格体系的合理性,防止建设用地的过度扩张,减少生态价值损失。
YANG Z, LIU H M, YU B . Estimation on loss of ecological value in the process of land’s non-agriculturalization
China Population, Resources and Environment, 2013,23(10):146-150. (in Chinese)
DOI:10.3969/j.issn.1002-2104.2013.10.021URL [本文引用: 1]
随着城镇化、工业化的快速推进,我国城乡建设用地快速扩展使农用地保护面临巨大挑战,从经济机制上防止土地过度非农化尤为重要。该文对土地非农化生态价值损失过程机制进行了理论探索,建立了价值损失估算方法,并以江汉平原为例进行案例分析。研究表明:单纯的市场机制没有考虑土地非农化造成的生态价值损失,无法实现土地资源最佳配置,非农化规模偏大;土地非农化生态价值损失巨大,1987-2010年江汉平原因此累计损失73 692.11万元,人均承担49.25元;不同类型土地的生态价值损失强度有所差异,每公顷的自然保留地、水域、林地、草地、耕地非农化价值损失分别为2.459 8万元/a,2.036 7万元/a,1.262 9万元/a,0.524 1万元/a,0.354 8万元/a。文章认为,发展与保护始终是土地资源优化配置必然要面对的难题,土地非农化是社会经济发展过程中的必然现象,也是一个土地生态服务功能不断减少和消亡的过程。土地非农化虽然在一定程度上提高了土地的经济效益和社会效益,但生态效益损失巨大,可能会导致总效益净减。土地过度非农化在很大程度上是由于传统市场体系仅部分考虑了土地的经济、社会功能,而几乎完全没有考虑其生态价值导致的。作为一类负外部性,土地非农化过程中的生态价值损失如果不能得到及时遏制,快速增长的城乡建设用地需求将使农地保护面临巨大威胁,这需要将生态价值纳入土地价值体系,计入征地成本,并在一定程度上提高现行土地价格体系的合理性,防止建设用地的过度扩张,减少生态价值损失。

[10] 李国敏, 卢珂, 黄烈佳 . 主体权益下耕地非农化价值损失补偿的反思与重构
中国人口·资源与环境, 2017,27(12) : 137-145.
[本文引用: 1]

LI G M, LU K, HUANG L J . Reflection and reconstruction of cultivated land conversion value loss compensation under the subject rights
China Population, Resources and Environment, 2017, 27(12):137-145. (in Chinese)
[本文引用: 1]

[11] 谭荣, 曲福田 . 中国农地非农化与农地资源保护:从两难到双赢
管理世界, 2006(12):50-66.
URL [本文引用: 1]
城市化与工业化需要更多的建设用地,而现阶段建设用地的主要来源就是农地资源的非农化。对于人多地少的中国来说,农地是非常稀缺的资源,为了经济社会的可持续发展需要对农地进行保护。将农地非农化与农地资源保护由两难的境地转变为双赢的局面,对于现阶段中国经济稳定增长和农地保护政策的执行都有着重要的意义。本文从寻找合理农地非农化的数量出发,提出了合理的农地非农化度的概念,并将其与实际非农化过程结合起来,把现阶段农地非农化的数量细分为代价性损失、过度性损失Ⅰ和过度性损失Ⅱ。然后通过生产函数模型估计土地资源在农业和非农业部门的边际效益曲线,计算出1989~2003年间中国农地非农化的代价性损失比例为33.4%,过度性损失I比例为44.9%,过度性损失Ⅱ的比例为21.7%。结合可操作性,得到中国1989~2003年期间合理的农地非农化度应该为不超过实际非农化数量的78.3%。过度性损失产生的主要原因是由于政府对土地市场价格的干预,因此文章提出为了减少农地非农化的过度性损失,应该加快完善国有土地市场体系,减少对土地价格的行政干预等政策建议。
TAN R, QU F T . Farmland conversion and farmland resources protection in china: From dilemma to win-win
.Management World, 2006(12):50-66. (in Chinese)
URL [本文引用: 1]
城市化与工业化需要更多的建设用地,而现阶段建设用地的主要来源就是农地资源的非农化。对于人多地少的中国来说,农地是非常稀缺的资源,为了经济社会的可持续发展需要对农地进行保护。将农地非农化与农地资源保护由两难的境地转变为双赢的局面,对于现阶段中国经济稳定增长和农地保护政策的执行都有着重要的意义。本文从寻找合理农地非农化的数量出发,提出了合理的农地非农化度的概念,并将其与实际非农化过程结合起来,把现阶段农地非农化的数量细分为代价性损失、过度性损失Ⅰ和过度性损失Ⅱ。然后通过生产函数模型估计土地资源在农业和非农业部门的边际效益曲线,计算出1989~2003年间中国农地非农化的代价性损失比例为33.4%,过度性损失I比例为44.9%,过度性损失Ⅱ的比例为21.7%。结合可操作性,得到中国1989~2003年期间合理的农地非农化度应该为不超过实际非农化数量的78.3%。过度性损失产生的主要原因是由于政府对土地市场价格的干预,因此文章提出为了减少农地非农化的过度性损失,应该加快完善国有土地市场体系,减少对土地价格的行政干预等政策建议。

[12] 叶宇航 . 我国耕地非农化的驱动因素研究
科学决策, 2015(9):33-50.
DOI:10.3773/j.issn.1006-4885.2015.09.033URL [本文引用: 2]
以耕地非农化为表现的农地生产结构变迁是引发我国现实粮食安全风险和城乡空间结构失序的根本诱因。通过梳理理论界对影响我国耕地非农化的驱动因素的主流观点,文章构建了适用于我国国情的耕地非农化驱动因素体系。运用主成分分析法(PCA)和逐步回归法对11项反映耕地非农化驱动因素的指标进行了实证研究并从中提取了三个公共驱动因子。结果表明:(1)推动我国耕地非农化的本质驱动力是非农用地需求因子、比较利益驱动因子和地方政府行为因子;(2)我国省际耕地非农化的空间分布具有明显的空间俱乐部特征并在区域格局上近似呈现出东西膨胀中部塌陷的"骨状"规律,因此要分区域制定耕地非农化应对策略。
YE Y H . The analysis of drivers of our country's cultivated land conversion
.Scientific Decision-Making, 2015(9):33-50. (in Chinese)
DOI:10.3773/j.issn.1006-4885.2015.09.033URL [本文引用: 2]
以耕地非农化为表现的农地生产结构变迁是引发我国现实粮食安全风险和城乡空间结构失序的根本诱因。通过梳理理论界对影响我国耕地非农化的驱动因素的主流观点,文章构建了适用于我国国情的耕地非农化驱动因素体系。运用主成分分析法(PCA)和逐步回归法对11项反映耕地非农化驱动因素的指标进行了实证研究并从中提取了三个公共驱动因子。结果表明:(1)推动我国耕地非农化的本质驱动力是非农用地需求因子、比较利益驱动因子和地方政府行为因子;(2)我国省际耕地非农化的空间分布具有明显的空间俱乐部特征并在区域格局上近似呈现出东西膨胀中部塌陷的"骨状"规律,因此要分区域制定耕地非农化应对策略。

[13] 许恒周, 吴冠岑, 郭玉燕 . 耕地非农化与中国经济增长质量的库兹涅茨曲线假说及验证——基于空间计量经济模型的实证分析
中国土地科学, 2014,28(1):75-81.
DOI:10.3969/j.issn.1001-8158.2014.01.010URL [本文引用: 1]
研究目的：分析中国耕地非农化与经济增长质量之间是否存在库兹涅茨曲线并进行验证。研究方法：空间计量经济模型。研究结果：常规面板模型和空间面板模型的结果均显示，中国耕地非农化与经济增长质量之间存在明显的倒“U”型关系，验证了“耕地库兹涅茨曲线”假说，且当经济增长质量（全要素生产率指数）达到1．4087时，耕地非农化与经济增长之间的矛盾将逐渐减小；区域间的耕地非农化确实具有较强的正向空间相关关系，即相邻地区耕地非农化数量变动l％，会导致本地区耕地非农化数量平均变动O．1627％。研究结论：系统地识别、评估区域间耕地非农化与经济增长质量的空间联动性，对于促进区域间耕地总量动态平衡具有十分重要的理论和现实意义。
XU H Z, WU G C, GUO Y Y . A hypothesis on the Kuznets Curve relation between farmland conversion and quality of economic growth in China: An empirical analysis of spatial econometric model
.China Land Sciences, 2014, 28(1):75-81. (in Chinese)
DOI:10.3969/j.issn.1001-8158.2014.01.010URL [本文引用: 1]
研究目的：分析中国耕地非农化与经济增长质量之间是否存在库兹涅茨曲线并进行验证。研究方法：空间计量经济模型。研究结果：常规面板模型和空间面板模型的结果均显示，中国耕地非农化与经济增长质量之间存在明显的倒“U”型关系，验证了“耕地库兹涅茨曲线”假说，且当经济增长质量（全要素生产率指数）达到1．4087时，耕地非农化与经济增长之间的矛盾将逐渐减小；区域间的耕地非农化确实具有较强的正向空间相关关系，即相邻地区耕地非农化数量变动l％，会导致本地区耕地非农化数量平均变动O．1627％。研究结论：系统地识别、评估区域间耕地非农化与经济增长质量的空间联动性，对于促进区域间耕地总量动态平衡具有十分重要的理论和现实意义。

[14] QIU F, LALIBERTé L, SWALLOW B . Impacts of fragmentation and neighbor influences on farmland conversion: A case study of the Edmonton-Calgary Corridor, Canada
Land Use Policy, 2015, 48(1):482-494.
DOI:10.1016/j.landusepol.2015.06.024URL [本文引用: 1]
Under heavy development pressure, farmland is rapidly being converted to non-agricultural uses such as houses, roads, and industrial uses. A great deal of research has investigated these farmland losses and their associated drivers. However, the existing empirical studies have neglected two important issues related to farmland conversion: spillover effects from neighboring areas and the impacts of farmland fragmentation. This study incorporates fragmentation and neighboring impacts into the farmland conversion analysis and provides new insights for the land-use/cover change literature. Empirical results indicate that increases in fragmentation further encourage farmland conversion to urban uses, but the effects are not linear with decreasing marginal influences. Land-use activities and decisions have strong spillover effects on neighboring areas. Ignoring this externality could result in biased estimates and marginal effects and thus misleading policy decisions and recommendations.

[15] 张光宏, 崔许锋 . 耕地资源非农化驱动机制及其区域差异性
中国农业科学, 2015,48(8):1632-1640.
DOI:10.3864/j.issn.0578-1752.2015.08.18URL [本文引用: 2]
【目的】耕地资源的非农化过度产生了诸多的社会和环境问题,严重威胁国家的粮食安全,影响了城镇的可持续发展。研究耕地资源非农化的驱动机制及其区域的差异性,有助于揭示如何在坚持经济持续增长的前提下实现耕地资源安全与城镇化的发展。【方法】首先采用2001—2008年中国耕地资源非农化、城镇人口增长、固定资产投资、经济发展水平和耕地资源禀赋面板数据,利用固定效应面板模型对中国耕地资源非农化机制进行研究,为了对比不同地区间的差异性,进而分别对东部、中部和西部的数据进行模型检验,对比分析三大地区在耕地资源非农化驱动机制方面的差异性。【结果】模型检验结果显示,在控制城镇人口增长和固定资产投资变量的基础上,经济发展水平及其二次项、耕地禀赋变量均呈现显著状态。东中西部地区在耕地资源非农化机制方面存在差异性,在控制所有影响因素变量后,耕地资源禀赋变量在东部地区呈现出较强的显著性,而固定资源投资变量在中西部地区呈现出较强的显著性,中部地区固定资产投资变量弹性系数要大于西部地区。【结论】耕地资源非农化与经济发展水平呈现出显著的环境库兹涅兹曲线倒＂U＂型规律。城镇人口增长和固定资产投资对耕地资源非农化的驱动呈现显著的正向作用,城镇人口每增长（或者下降）1%,耕地资源非农化数量将提高（或者降低）0.1个百分点,固定资产投资每增长（或者下降）1%,耕地资源非农化数量将提高（或者降低）0.7个百分点。耕地资源非农化驱动因素在东中西部具有显著的差异性,东部地区耕地资源禀赋是影响耕地资源非农化的显著因素,耕地资源禀赋富足的区域趋向于更高的耕地资源非农化速度。中西部地区耕地资源的非农化则受到固定资产投资作用强烈,中部地区固定资产投资17
ZHANG G H, CUI X F . Driving mechanism and regional differentiation of cultivated land non-agricultural-transformation
Scientia Agricultura Sinica, 2015,48(8):1632-1640. (in Chinese)
DOI:10.3864/j.issn.0578-1752.2015.08.18URL [本文引用: 2]
【目的】耕地资源的非农化过度产生了诸多的社会和环境问题,严重威胁国家的粮食安全,影响了城镇的可持续发展。研究耕地资源非农化的驱动机制及其区域的差异性,有助于揭示如何在坚持经济持续增长的前提下实现耕地资源安全与城镇化的发展。【方法】首先采用2001—2008年中国耕地资源非农化、城镇人口增长、固定资产投资、经济发展水平和耕地资源禀赋面板数据,利用固定效应面板模型对中国耕地资源非农化机制进行研究,为了对比不同地区间的差异性,进而分别对东部、中部和西部的数据进行模型检验,对比分析三大地区在耕地资源非农化驱动机制方面的差异性。【结果】模型检验结果显示,在控制城镇人口增长和固定资产投资变量的基础上,经济发展水平及其二次项、耕地禀赋变量均呈现显著状态。东中西部地区在耕地资源非农化机制方面存在差异性,在控制所有影响因素变量后,耕地资源禀赋变量在东部地区呈现出较强的显著性,而固定资源投资变量在中西部地区呈现出较强的显著性,中部地区固定资产投资变量弹性系数要大于西部地区。【结论】耕地资源非农化与经济发展水平呈现出显著的环境库兹涅兹曲线倒＂U＂型规律。城镇人口增长和固定资产投资对耕地资源非农化的驱动呈现显著的正向作用,城镇人口每增长（或者下降）1%,耕地资源非农化数量将提高（或者降低）0.1个百分点,固定资产投资每增长（或者下降）1%,耕地资源非农化数量将提高（或者降低）0.7个百分点。耕地资源非农化驱动因素在东中西部具有显著的差异性,东部地区耕地资源禀赋是影响耕地资源非农化的显著因素,耕地资源禀赋富足的区域趋向于更高的耕地资源非农化速度。中西部地区耕地资源的非农化则受到固定资产投资作用强烈,中部地区固定资产投资17

[16] USTAOGLU E, WILLIAMS B . Determinants of urban expansion and agricultural land conversion in 25 EU countries
Environmental Management, 2017, 60(4):717-746.
DOI:10.1007/s00267-017-0908-2URLPMID:28685244 [本文引用: 1]
Agricultural land conversion is resulting from ongoing complex interaction between the physical environment, policy settings and socio-economic factors. Case studies of the determinants of agricultura

[17] 宋敏, 王登娜 . 省域农地城市流转规模及其影响因素作用的空间异质性研究
中国人口·资源与环境, 2018,28(1):54-62.
URL [本文引用: 1]
作为城镇化过程中土地资源配置的必然过程,大规模的农地城市流转会给耕地保护和土地资源的可持续利用带来巨大压力。研究农地城市流转规模及其影响因素作用程度的空间异质性对于揭示农地城市流转的复杂性,进而采取差别化的、有针对性的管制措施控制农地城市流转规模具有重要意义。鉴于此,本文在阐释中国大陆31个省(自治区、直辖市)农地城市流转规模在经度、纬度方向上的变化规律的基础上,运用全域及局域自相关模型分析了省域尺度上中国农地城市流转规模的空间异质性,继而进一步采用地理加权回归模型揭示了省域农地城市流转规模各影响因素作用程度的空间异质性,结果表明:(1)31个省(自治区、直辖市)的农地城市流转规模在水平方向上自西向东呈稳定上升趋势,纬度方向上在中国中部省份达到最高值并分别向南北两个方向省份逐渐下降,呈现倒"U"型。(2)全国范围内省域农地城市流转规模呈现出一定程度的空间关联特征,省域农地城市流转规模的局部自相关随区域而变化,体现出空间异质性。(3)全社会固定资产投资额、居民人均可支配收入、年初耕地面积、第三产业比重四个因素影响省域农地城市流转规模,且影响程度随空间位置不同而变化,除全社会固定资产投资对省域农地城市流转规模的影响程度在全国范围内空间分布较均匀外,其他三个因素的影响程度呈现较大的空间异质性。因此,应在充分考虑空间异质性的基础上,通过提高规划方案或管制措施的差异性和针对性实现对农地城市流转规模的有效管制。
SONG M, WANG D N . Spatial heterogeneity of provincial rural-urban land conversion scale and effects of its influential factors
China Population, Resources and Environment, 2018, 28(1):54-62. (in Chinese)
URL [本文引用: 1]
作为城镇化过程中土地资源配置的必然过程,大规模的农地城市流转会给耕地保护和土地资源的可持续利用带来巨大压力。研究农地城市流转规模及其影响因素作用程度的空间异质性对于揭示农地城市流转的复杂性,进而采取差别化的、有针对性的管制措施控制农地城市流转规模具有重要意义。鉴于此,本文在阐释中国大陆31个省(自治区、直辖市)农地城市流转规模在经度、纬度方向上的变化规律的基础上,运用全域及局域自相关模型分析了省域尺度上中国农地城市流转规模的空间异质性,继而进一步采用地理加权回归模型揭示了省域农地城市流转规模各影响因素作用程度的空间异质性,结果表明:(1)31个省(自治区、直辖市)的农地城市流转规模在水平方向上自西向东呈稳定上升趋势,纬度方向上在中国中部省份达到最高值并分别向南北两个方向省份逐渐下降,呈现倒"U"型。(2)全国范围内省域农地城市流转规模呈现出一定程度的空间关联特征,省域农地城市流转规模的局部自相关随区域而变化,体现出空间异质性。(3)全社会固定资产投资额、居民人均可支配收入、年初耕地面积、第三产业比重四个因素影响省域农地城市流转规模,且影响程度随空间位置不同而变化,除全社会固定资产投资对省域农地城市流转规模的影响程度在全国范围内空间分布较均匀外,其他三个因素的影响程度呈现较大的空间异质性。因此,应在充分考虑空间异质性的基础上,通过提高规划方案或管制措施的差异性和针对性实现对农地城市流转规模的有效管制。

[18] STOPP G H . The destruction of American agricultural land
Geography, 1984, 69(1):64-66.
URL [本文引用: 1]

[19] 曲福田, 冯淑怡, 诸培新, 陈志刚 . 制度安排、价格机制与农地非农化研究
经济学(季刊), 2004,4(1):229-248.
URL [本文引用: 1]
本文在考察中国农地非农化途径的基础上,分析了土地市场结构及其价格形成机制,认为中国土地市场结构不合理及其价格扭曲是农地过度非农化的原因。形成这种土地市场结构的深层原因则是土地产权不清晰,土地收益分配不合理和土地管理体制不完善。我们运用苏南G市的数据对土地市场发育、土地产权和土地管理体制与农地非农化的关系进行了实证研究,研究结果验证了我们的理论推理。
QU F T, FENG S Y, ZHU P X, CHEN Z G . Institutional arrangements, price system and farmland conversion
China Economic Quarterly, 2004,4(1):229-248. (in Chinese)
URL [本文引用: 1]
本文在考察中国农地非农化途径的基础上,分析了土地市场结构及其价格形成机制,认为中国土地市场结构不合理及其价格扭曲是农地过度非农化的原因。形成这种土地市场结构的深层原因则是土地产权不清晰,土地收益分配不合理和土地管理体制不完善。我们运用苏南G市的数据对土地市场发育、土地产权和土地管理体制与农地非农化的关系进行了实证研究,研究结果验证了我们的理论推理。

[20] 钱忠好, 牟燕 . 中国农地非农化市场化改革为何举步维艰——基于地方政府土地财政依赖视角的分析
农业技术经济, 2017(1):18-27.
[本文引用: 1]

QIAN Z H, MOU Y . Why does the reform of non-agriculturalization of agricultural land in China make it difficult?——Based on the analysis of local government's dependence on land and finance
. Journal of Agrotechnical Economics, 2017(1):18-27. (in Chinese)
[本文引用: 1]

[21] 王春秋, 徐长生 . 山东省建设占用耕地与经济增长的脱耦分析
中国人口·资源与环境, 2012,22(8):128-132.
DOI:10.3969/j.issn.1002-2104.2012.08.020URL [本文引用: 1]
利用山东省1997-2008年的相关数据,分析了耕地建设占用 与经济增长之间脱耦的时间过程和原因.结论认为:1997 - 2008年间,山东省耕地面积经历了由上升到下降的变化过程,2004年是增减的拐点.2004 - 2008年间,建设占用成为山东省耕地流失的主要驱动因子.2001-2004年与2005 - 2008年,山东省耕地建设占用与经济增长均表明发生了明显的脱耦现象,且有加速发展的趋势,山东省经济增长逐渐摆脱了对耕地资源的依赖.相对1997 - 2000年,2001-2004年间山东省经济增长对耕地资源占用的压力呈减轻趋势,属于相对脱耦；与2001 - 2004年相比,2005-2008年间山东省建设占用耕地与经济发展成为绝对脱耦型.2005-2008年间,山东省耕地占用与经济增长的脱耦主要得益 于第三产业的快速发展.因此,继续实施严格的耕地保护策略,可能并不会对经济发展有较大的影响.
WANG C Q, XU C S . Decoupling evaluation between cultivated land occupation and economic growth in Shandong Province
China Population, Resources and Environment, 2012,22(8):128-132. (in Chinese)
DOI:10.3969/j.issn.1002-2104.2012.08.020URL [本文引用: 1]
利用山东省1997-2008年的相关数据,分析了耕地建设占用 与经济增长之间脱耦的时间过程和原因.结论认为:1997 - 2008年间,山东省耕地面积经历了由上升到下降的变化过程,2004年是增减的拐点.2004 - 2008年间,建设占用成为山东省耕地流失的主要驱动因子.2001-2004年与2005 - 2008年,山东省耕地建设占用与经济增长均表明发生了明显的脱耦现象,且有加速发展的趋势,山东省经济增长逐渐摆脱了对耕地资源的依赖.相对1997 - 2000年,2001-2004年间山东省经济增长对耕地资源占用的压力呈减轻趋势,属于相对脱耦；与2001 - 2004年相比,2005-2008年间山东省建设占用耕地与经济发展成为绝对脱耦型.2005-2008年间,山东省耕地占用与经济增长的脱耦主要得益 于第三产业的快速发展.因此,继续实施严格的耕地保护策略,可能并不会对经济发展有较大的影响.

[22] 马才学, 赵利利, 柯新利 . 湖北省耕地非农化压力的时空演变格局
长江流域资源与环境, 2016,25(1):71-78.
DOI:10.11870/cjlyzyyhj201601009URLMagsci [本文引用: 1]
耕地非农化压力及其区域差异是建设用地指标区际配置的基础。湖北省社会经济发展与城镇化水平存在显著的区域差异,耕地非农化压力区际差异明显。通过对比人均建设用地指标的理论值与实际值之间的差异开展湖北省耕地非农化压力的时空格局研究,结合重心迁移模型,采用ArcGIS空间分析方法揭示了湖北省耕地非农化压力的时空演化路径。结果表明:(1)湖北省耕地非农化压力存在显著的区域差异,西部地区中恩施市的耕地非农化压力较大,其他城市耕地非农化压力较小且相对变化较小;东部地区的耕地非农化压力较大且相对变化较大;(2)2000~2011年,湖北省耕地非农化压力的重心总体向东北方向迁移,表明湖北省东部一些城市的耕地非农化压力相对西部一些城市的增长较大。(3)重心迁移距离为17.37 km,相对较小,表明湖北省耕地非农化压力于2000~2011年整体变化相对稳定。
MA C X, ZHAO L L, KE X L . Temporal spatial variation of the pressure of cropland non-argiculturalization in Hubei Province
Resources and Environment in the Yangtze Basin, 2016,25(1):71-78. (in Chinese)
DOI:10.11870/cjlyzyyhj201601009URLMagsci [本文引用: 1]
耕地非农化压力及其区域差异是建设用地指标区际配置的基础。湖北省社会经济发展与城镇化水平存在显著的区域差异,耕地非农化压力区际差异明显。通过对比人均建设用地指标的理论值与实际值之间的差异开展湖北省耕地非农化压力的时空格局研究,结合重心迁移模型,采用ArcGIS空间分析方法揭示了湖北省耕地非农化压力的时空演化路径。结果表明:(1)湖北省耕地非农化压力存在显著的区域差异,西部地区中恩施市的耕地非农化压力较大,其他城市耕地非农化压力较小且相对变化较小;东部地区的耕地非农化压力较大且相对变化较大;(2)2000~2011年,湖北省耕地非农化压力的重心总体向东北方向迁移,表明湖北省东部一些城市的耕地非农化压力相对西部一些城市的增长较大。(3)重心迁移距离为17.37 km,相对较小,表明湖北省耕地非农化压力于2000~2011年整体变化相对稳定。

[23] 张孝宇, 张安录 . 武汉市耕地非农化的空间自相关分析
长江流域资源与环境, 2015,24(5):781-788.
DOI:10.11870/cjlyzyyhj201505010URLMagsci [本文引用: 1]
经济发展和城市扩张使包括耕地在内的大量开放空间被不断侵蚀, 随着人们对耕地非市场价值和生态功能认识的不断加深, 如何合理高效可持续地利用耕地被广泛关注。采用空间自相关分析方法从乡镇尺度定量研究了武汉市耕地非农化的空间关系, 以探讨快速发展时期平原城市耕地非农化空间关系的变化及其原因。研究表明:(1)全局Moran's <em>I</em>显示武汉市耕地非农化在1990~2011年的4个时期均呈现出显著的全局空间自相关, 其聚集强度以2005年为分界点, 前3个时期不断加强后有所下降;(2)通过EB修正的武汉市耕地非农化的LISA图显示武汉市耕地非农化的聚集区域由开始处于区域外围的LL型聚集为主导逐步转变为处于城乡交错区域的LH+HH型聚集为主导;(3)通过绘制不同时期不同聚集类型的重心移动路径可以发现LH+HH型聚集均出现先向东南再向东北移动的趋势, 这种耕地非农化趋势与区域的产业布局有密切关系。通过空间自相关分析掌握武汉市耕地非农化的空间特征是开展耕地保护和实现耕地合理利用的基石, 根据研究结果可以确定重点和优先管制区域以提升土地利用管制效果, 协调好城市建设和耕地资源保护间的关系。
ZHANG X Y, ZHANG A L . Small-Scale spatial patterns of farmland conversion based on autocorrelation analysis in Wuhan City
Resources and Environment in the Yangtze Basin, 2015,24(5):781-788. (in Chinese)
DOI:10.11870/cjlyzyyhj201505010URLMagsci [本文引用: 1]
经济发展和城市扩张使包括耕地在内的大量开放空间被不断侵蚀, 随着人们对耕地非市场价值和生态功能认识的不断加深, 如何合理高效可持续地利用耕地被广泛关注。采用空间自相关分析方法从乡镇尺度定量研究了武汉市耕地非农化的空间关系, 以探讨快速发展时期平原城市耕地非农化空间关系的变化及其原因。研究表明:(1)全局Moran's <em>I</em>显示武汉市耕地非农化在1990~2011年的4个时期均呈现出显著的全局空间自相关, 其聚集强度以2005年为分界点, 前3个时期不断加强后有所下降;(2)通过EB修正的武汉市耕地非农化的LISA图显示武汉市耕地非农化的聚集区域由开始处于区域外围的LL型聚集为主导逐步转变为处于城乡交错区域的LH+HH型聚集为主导;(3)通过绘制不同时期不同聚集类型的重心移动路径可以发现LH+HH型聚集均出现先向东南再向东北移动的趋势, 这种耕地非农化趋势与区域的产业布局有密切关系。通过空间自相关分析掌握武汉市耕地非农化的空间特征是开展耕地保护和实现耕地合理利用的基石, 根据研究结果可以确定重点和优先管制区域以提升土地利用管制效果, 协调好城市建设和耕地资源保护间的关系。

[24] 崔许锋, 张光宏, 李飞 . 城镇化土地集约利用潜力空间分异研究—基于土地城镇化的“人口-经济”二元驱动视角
华东经济管理, 2016,30(10):62-67.
DOI:10.3969/j.issn.1007-5097.2016.10.010URL [本文引用: 1]
文章基于地理加权回归模型,采用我国省域人口、经济与土地数据,从"人口-经济"二维驱动视角对土地城镇化驱动作用及土地集约利用潜力空间特征进行了研究。GWR模型分析结果显示,非农产业增加值每增加1%,城镇建成区面积增加0.60到0.64个百分点,城镇人口每增加1%,城镇建成区面积增加0.24到0.27个百分点,人口-经济对土地城镇化的驱动作用具有空间性特征。基于驱动作用的土地集约利用潜力分区结果表明,南方地区经济城镇化对土地耗用要大于北方地区,北方地区人口城镇化对土地的耗用要高于南方地区。因此,城镇化土地集约利用潜力挖掘需要根据潜力方向实施差异化策略,北方地区应关注人口城镇化过程中土地的集约利用与内部潜力释放,南方地区应侧重于经济发展中土地的集约利用与内部潜力挖掘,同时还应注意人口-经济-土地城镇化的均衡增长,只有人口、经济、土地城镇化协调发展、良性互动,才能实现城镇化的持续健康发展。
CUI X F, ZHANG G H, LI F . A study on spatial differentiation of land intensive use potential: Based on the perspective of “Population- Economy” dual driving mode of land urbanization
East China Economic Management, 2016,30(10):62-67. (in Chinese)
DOI:10.3969/j.issn.1007-5097.2016.10.010URL [本文引用: 1]
文章基于地理加权回归模型,采用我国省域人口、经济与土地数据,从"人口-经济"二维驱动视角对土地城镇化驱动作用及土地集约利用潜力空间特征进行了研究。GWR模型分析结果显示,非农产业增加值每增加1%,城镇建成区面积增加0.60到0.64个百分点,城镇人口每增加1%,城镇建成区面积增加0.24到0.27个百分点,人口-经济对土地城镇化的驱动作用具有空间性特征。基于驱动作用的土地集约利用潜力分区结果表明,南方地区经济城镇化对土地耗用要大于北方地区,北方地区人口城镇化对土地的耗用要高于南方地区。因此,城镇化土地集约利用潜力挖掘需要根据潜力方向实施差异化策略,北方地区应关注人口城镇化过程中土地的集约利用与内部潜力释放,南方地区应侧重于经济发展中土地的集约利用与内部潜力挖掘,同时还应注意人口-经济-土地城镇化的均衡增长,只有人口、经济、土地城镇化协调发展、良性互动,才能实现城镇化的持续健康发展。

[25] WU B, LI R R, HUANG B . A geographically and temporally weighted autoregressive model with application to housing prices
International Journal of Geographical Information Science, 2014,28(5):1186-1204.
DOI:10.1080/13658816.2013.878463URL [本文引用: 1]
Spatiotemporal autocorrelation and nonstationarity are two important issues in the modeling of geographical data. Built upon the geographically weighted regression (GWR) model and the geographically and temporally weighted regression (GTWR) model, this article develops a geographically and temporally weighted autoregressive model (GTWAR) to account for both nonstationary and auto-correlated effects simultaneously and formulates a two-stage least squares framework to estimate this model. Compared with the maximum likelihood estimation method, the proposed algorithm that does not require a prespecified distribution can effectively reduce the computation complexity. To demonstrate the efficacy of our model and algorithm, a case study on housing prices in the city of Shenzhen, China, from year 2004 to 2008 is carried out. The results demonstrate that there are substantial benefits in modeling both spatiotemporal nonstationarity and autocorrelation effects simultaneously on housing prices in terms of R2 and Akaike Information Criterion (AIC). The proposed model reduces the absolute errors by 31.8% and 67.7% relative to the GTWR and GWR models, respectively, in the Shenzhen data set. Moreover, the GTWAR model improves the goodness-of-fit of the ordinary least squares model and the GTWR model from 0.617 and 0.875 to 0.914 in terms of R2. The AIC test corroborates that the improvements made by GTWAR over the GWR and the GTWR models are statistically significant.

[26] CHU H J, HUANG B, LIN C Y . Modeling the spatio-temporal heterogeneity in the PM10-PM2.5 relationship
Atmospheric Environment, 2015,102:176-182.
DOI:10.1016/j.atmosenv.2014.11.062URL [本文引用: 1]
61This study explores the spatio-temporal patterns of particulate matter (PM).61Spatial heterogeneity of the PM data is identified using fuzzy clustering.61PM10-PM2.5 relationship is modeled by GWR and GTWR.61GTWR provides spatio-temporal variations of the PM10-PM2.5 relationship.

[27] 王新刚, 孔云峰 . 基于时空窗口改进的时空加权回归分析——以湖北省黄石市住房价格为例
地理科学, 2015,35(5):615-621.
URLMagsci [本文引用: 1]
<p>针对地理加权回归(GWR)模型不能有效处理样本数据空间自相关性这一问题, 构造局部时空窗口统计量, 尝试改进时空加权回归(GTWR)模型。定义多时空窗口的概念, 给出其选取、计算和验证方法; 计算时空窗口包含的各样本点的被解释变量平均值, 与样本拟合点的被解释变量值的比值, 作为新的解释变量, 构建改进的时空加权回归(IGTWR)模型。以土地稀缺、多中心、资源型城市&mdash;&mdash;湖北省黄石市为例, 收集2007~2012 年商品住宅成交价格1.93 万个数据和398 个楼栋样本点, 选取小区等级、绿化率、楼栋总层数、容积率、距区域中心距离和销售年份6 个解释变量, 分别利用常规线性回归(OLS)、GWR、GTWR和IGTWR方法进行回归分析。模型结果表明: 计算Moran's I 指数和分析时间序列的自相关性, 能确定时空窗口的大小和数量的选取; IGTWR模型和各变量的回归统计均通过0.05 的显著性水平检验, 有关解释变量的系数估计值在空间分布上能合理解释; GWR拟合结果优于OLS, GTWR优于GWR, 而IGTWR拟合精度最好。与GTWR模型分析相比, IGTWR模型<em>R</em>²从0.877提升到0.919, 而AICc、残差方(RSS)和均方差(MSE)分别从6 226、49 996 201 和354.427 下降到6 206、32 327 472和284.969。案例研究表明: IGTWR能够表达一定时空范围的时空自相关特征, 减小了估计误差, 提高了回归拟合精度。</p>
WANG X G, KONG Y F . An improved spatiotemporally weighted regression analysis based on spatiotemporal windows: A case study of housing price of Huangshi City, Hubei Province
Scientia Geographica Sinica, 2015,35(5):615-621. (in Chinese)
URLMagsci [本文引用: 1]
<p>针对地理加权回归(GWR)模型不能有效处理样本数据空间自相关性这一问题, 构造局部时空窗口统计量, 尝试改进时空加权回归(GTWR)模型。定义多时空窗口的概念, 给出其选取、计算和验证方法; 计算时空窗口包含的各样本点的被解释变量平均值, 与样本拟合点的被解释变量值的比值, 作为新的解释变量, 构建改进的时空加权回归(IGTWR)模型。以土地稀缺、多中心、资源型城市&mdash;&mdash;湖北省黄石市为例, 收集2007~2012 年商品住宅成交价格1.93 万个数据和398 个楼栋样本点, 选取小区等级、绿化率、楼栋总层数、容积率、距区域中心距离和销售年份6 个解释变量, 分别利用常规线性回归(OLS)、GWR、GTWR和IGTWR方法进行回归分析。模型结果表明: 计算Moran's I 指数和分析时间序列的自相关性, 能确定时空窗口的大小和数量的选取; IGTWR模型和各变量的回归统计均通过0.05 的显著性水平检验, 有关解释变量的系数估计值在空间分布上能合理解释; GWR拟合结果优于OLS, GTWR优于GWR, 而IGTWR拟合精度最好。与GTWR模型分析相比, IGTWR模型<em>R</em>²从0.877提升到0.919, 而AICc、残差方(RSS)和均方差(MSE)分别从6 226、49 996 201 和354.427 下降到6 206、32 327 472和284.969。案例研究表明: IGTWR能够表达一定时空范围的时空自相关特征, 减小了估计误差, 提高了回归拟合精度。</p>

[28] MORAN P A P . Notes on continuous stochastic phenomena
Biometrika, 1950,37(1/2):17-23.
DOI:10.1093/biomet/37.1-2.17URL [本文引用: 1]

[29] LEVERS C, SCHNEIDER M, PRISHCHEPOV A V, ESTEL S, KUEMMERLE T . Spatial variation in determinants of agricultural land abandonment in Europe
Science of the Total Environment, 2018,644:95-111.
DOI:10.1016/j.scitotenv.2018.06.326URL [本文引用: 1]
The world's grasslands, both natural and managed, provide food and many non-provisioning ecosystem services. Although most grasslands today are used for livestock grazing or fodder production, little is known about the spatial patterns of grassland management intensity, especially at broad geographic scales. Using the European Union as a case study, we mapped mowing frequency as a key... [Show full abstract]

[30] 刘艳清, 葛京凤, 李灿, 刘欣 . 基于空间自相关的城市住宅地价空间分异规律研究——以石家庄市城区为例
干旱区资源与环境, 2018,32(12):55-62.
[本文引用: 1]

LIU Y Q, GE J F, LI C, LIU X . Spatial differentiation characteristics of urban residential land prices of Shijiazhuang City based on spatial autocorrelation
Journal of Arid Land Resources and Environment, 2018,32(12):55-62. (in Chinese)
[本文引用: 1]

[31] 吴文佳, 张晓平, 李媛芳 . 北京市景观可达性与住宅价格空间关联
地理科学进展, 2014,33(4):488-498.
DOI:10.11820/dlkxjz.2014.04.006URLMagsci [本文引用: 1]
随着城市居民对住宅环境要求的不断提高，城市景观对城市住宅价格分异影响日趋显著。分析景观对住宅价格分异格局的影响，可为城市住宅空间结构的规划提供依据，为规划与管理部门提供决策参考。以北京城区二手房小区为样本，基于ArcGIS空间分析方法和特征价格模型，探讨景观因素对北京市住宅价格空间分异格局的影响。以主流房地产交易网站二手商品房报价资料为基础数据，共采集到2012 年1 月北京市城六区有效住宅小区样本3174 个，对住宅样点进行空间化处理，并建立住宅空间信息数据库。运用密度分析、空间插值等方法，分析北京市住宅空间分布特征与价格空间分异格局。核密度分布图显示：北京市住宅空间分布呈现显著的向心化与离心化并存现象，总体上以天安门为中心向周边呈衰减趋势，在地铁转换站点形成了多个集聚次中心。在此基础上，从住宅属性、交通因素、区位特征等方面选择主要解释变量，构建地理加权回归模型，对住宅价格影响因素进行分析，重点探讨景观可达性（如绿地、水景、山景等）与住宅价格的关联。结果表明：次中心与住宅价格关联最为显著，绿地、水景、山景与住宅价格存在一定程度关联。其中，山景和高绿化率对住宅价格增效明显；由于水质较差，北京城六区内河流与住宅价格存在负相关；污水处理以及丧葬场所等污染源与住宅价格也存在显著负相关。远离污染源、靠近宜人景观、低容积率、高绿化率是居民选择住宅的需求。
WU W J, ZHANG X P, LI Y F . Spatial correlation analysis of landscape accessibility and residential housing price in Beijing
Progress in Geography, 2014,33(4):488-498. (in Chinese)
DOI:10.11820/dlkxjz.2014.04.006URLMagsci [本文引用: 1]
随着城市居民对住宅环境要求的不断提高，城市景观对城市住宅价格分异影响日趋显著。分析景观对住宅价格分异格局的影响，可为城市住宅空间结构的规划提供依据，为规划与管理部门提供决策参考。以北京城区二手房小区为样本，基于ArcGIS空间分析方法和特征价格模型，探讨景观因素对北京市住宅价格空间分异格局的影响。以主流房地产交易网站二手商品房报价资料为基础数据，共采集到2012 年1 月北京市城六区有效住宅小区样本3174 个，对住宅样点进行空间化处理，并建立住宅空间信息数据库。运用密度分析、空间插值等方法，分析北京市住宅空间分布特征与价格空间分异格局。核密度分布图显示：北京市住宅空间分布呈现显著的向心化与离心化并存现象，总体上以天安门为中心向周边呈衰减趋势，在地铁转换站点形成了多个集聚次中心。在此基础上，从住宅属性、交通因素、区位特征等方面选择主要解释变量，构建地理加权回归模型，对住宅价格影响因素进行分析，重点探讨景观可达性（如绿地、水景、山景等）与住宅价格的关联。结果表明：次中心与住宅价格关联最为显著，绿地、水景、山景与住宅价格存在一定程度关联。其中，山景和高绿化率对住宅价格增效明显；由于水质较差，北京城六区内河流与住宅价格存在负相关；污水处理以及丧葬场所等污染源与住宅价格也存在显著负相关。远离污染源、靠近宜人景观、低容积率、高绿化率是居民选择住宅的需求。

[32] TOBLER W R . A computer movie simulating urban growth in the Detroit region
Economic geography, 1970,46(Suppl.):234-240.
DOI:10.2307/143141URL [本文引用: 1]
react-text: 589 The notion of a cartogram is reviewed. Then, based on a presentation from the 1960s, a direct and simple introduction is given to the design of a computer algorithm for the construction of contiguous value-by-area cartograms. As an example, a table of latitude/longitude to rectangular plane coordinates is included for a cartogram of the United States, along with Tissot's measures for this map... /react-text react-text: 590 /react-text [Show full abstract]