南方丘陵区农村居民点离散度时空演变及其影响因素——以江西省鹰潭市为例

吴 俊 郭 熙* 傅聪颖 朱 青

(1.江西农业大学 国土资源与环境学院，南昌 330045；2.江西省鄱阳湖流域农业资源与生态重点实验室，南昌 330045)

农村居民点是农村人口生产和生活的重要空间[1]。近年来，随着城镇化及社会经济的快速发展，农村居民点出现的布局分散、土地利用低效等问题，已成为实施乡村振兴战略的阻碍因素[2]。国内外研究主要涉及农村居民点空间格局特征[3-4]、影响因素[5-6]、适宜性评价[7-8]、布局优化[9-11]等方面,其中明晰空间格局特征及其影响因素是开展适宜性评价和布局优化工作的基础[9]。已有研究从规模数量[12]、核密度[13]、重心迁移[14]、Voronoi图[15-16]、景观指数[17-18]等角度对农村居民点空间格局特征开展了深入研究，但目前从农村居民点空间分布离散程度这一角度切入的研究尚不多见。农村居民点离散度是表征居民点空间分布离散程度的指标，是区域差异程度的定量表达，对区域协调发展和维持区域公平具有重要应用价值[19]。冯维波等[20]选取重心距离、平均间距等指标计算城市群中居民点的空间分布离散度；杨思遥等[21]从常用的景观指数中选取最适合描述居民点空间分布离散度的指数，组合构建景观综合指数以表征居民点的空间分布离散度。因此,在已有研究的基础上，本研究拟选取部分景观格局指数，采用主成分分析法构建农村居民点离散度指数。

国内外基于农村居民点空间格局演变的影响因素研究常用的研究方法为缓冲区分析[22]、相关分析[23]、回归模型[24-25]等传统分析方法，这些分析方法普遍存在假设前提过多且无法识别多因子交互作用等不足[26]。后由王劲峰等[27]提出地理探测器模型，能有效探测各因子对模型的解释力，识别因子间的相互作用关系，已成功应用于流域[28]、城市[29-30]等区域空间格局特征影响因素研究，但在深入探究农村居民点离散度影响因素方面鲜见报道，因此,本研究拟采用地理探测器模型探究农村居民点离散度影响因素及其相互作用关系。

南方丘陵区农村地域广布，山河湖兼具的自然环境和小农户的生产方式孕育形成了独具特色的农村居民点空间格局，具体表现为：数量多、规模小，大尺度空间离散而在局部区域集聚[31]，存在空间整合的必要性。2015年，鹰潭余江县作为全国15个、江西省唯一一个试点县，率先在全域范围内推行农村宅基地制度改革试点工作。因此，本研究拟以鹰潭市为研究区，基于鹰潭市1996年、2009年和2018年三期土地利用数据，运用景观格局指数和主成分分析法构建农村居民点离散度指数，采用空间自相关和地理探测器等方法定量探究鹰潭市近20年农村居民点离散度时空演变特征及其影响因素，以期为南方丘陵区农村居民点规划统筹提供科学依据。

1 研究区概况与数据来源

1.1 研究区概况

鹰潭市(116°41′～117°30′ E、27°35′～28°41′ N)位于江西省东北部，信江中下游，总面积3 556.7 km2，面向珠江、长江、闽南3个“三角洲”，是内地连接东南沿海的重要通道之一(图1)。下辖余江区、月湖区和贵溪市。地处武夷山脉向鄱阳湖平源过渡的交接地带，地势东南高西北部低。年均气温18 ℃，年均降雨量为1 750 mm，属亚热带湿润季风温和气候。境内沪昆高铁、鹰厦线、浙赣线、皖赣线和沪昆高速、济广高速及320国道、206国道在市区呈十字形交错，交通便捷。2018年末，鹰潭市实现地区生产总值(GDP)818.98亿元，农村居民年人均收入16 145元，常住人口117.5万人，其中农村人口占比39.32%。

图1 研究区示意图Fig.1 Schematic diagram of study area

1.2 农村居民点离散度影响因子选取及数据来源

影响农村居民点离散度因素具有多样性和复杂性。地形、河流作为宏观的地理背景，直接影响着农村居民点空间分布情况[4,10]，城镇、道路的发展会改变周边农村原有位置功能和环境条件，进而影响农户的居住空间再选择[5,32]，人口密度、地均GDP可为农村居民点形态变化提供必要的社会经济基础[6,33]。因此，在考虑研究区地域特征的基础上，从自然、区位、社会经济3个角度选取了地形位指数、到河流距离、到城镇距离、到公路距离、人口密度、地均GDP共6个指标(表1)，以探究农村居民点离散度的影响因素。

表1 鹰潭市农村居民点离散度影响因子Table 1 Impact factors of rural settlements dispersion in Yingtan City

农村居民点数据来源于1996、2009和2018年三期土地利用数据库(比例尺为1∶10 000)。地形位指数[34]由地理空间数据云(http:∥www.gscloud.cn/)下载的30 m分辨率数字高程模型数据(Digital Elevation Model，DEM)通过ArcGIS 10.2表面分析和栅格计算器工具计算获得；到公路、河流、城镇距离等因素数据由鹰潭市三期土地利用数据库提取，并利用ArcGIS 10.2软件中距离分析工具计算获得；各乡镇人口和GDP数据来源于鹰潭市及下辖区县(月湖、余江、贵溪)统计年鉴。

1.3 研究方法

1.3.1景观格局指数

景观格局指数[35-36]是能够定量化描述景观格局的一系列指标。为描述农村居民点离散度，参考已有研究的经验[3,6,24]，分别从规模、形状和分布角度选取4个景观格局指数(表2)。首先将农村居民点矢量图斑转化为tiff 格式，在Fragstats 4.2中计算类型水平的景观格局指数。为实现人口和GDP数据与景观格局指数在空间上的匹配，计算鹰潭市域农村居民点景观指数的同时，还需计算每个乡镇(不含中心城区)农村居民点景观指数，以便在乡镇尺度上探究农村居民点离散度的影响因素。

表2 景观格局指数选取Table 2 List of landscape pattern index used in this study

1.3.2主成分分析法

由于4 种景观格局指数在反映农村居民点离散化的信息中存在一定重叠，因此使用主成分分析将其合成一个综合变量以表征农村居民点离散化[37-38]。在IBM SPSS Statistics 26中，利用标准差标准化法对景观格局指数进行标准化处理，通过因子分析功能确定景观指数主成分特征值和特征向量，根据主成分累计贡献率，选择关键主成分，计算各主成分得分，再利用综合得分公式求出初始农村居民点离散度(Rural settlements dispersion index,RSDI0)，计算公式如下:

RSDI0=λ1X1+λ2X2+…+λnXn

(1)

式中:RSDI0为农村居民点离散度；X为单个主成分得分；λ为对应主成分的贡献率。

为便于指标度量和比较，对RSDI0进行归一化处理：

(2)

式中：RSDI的值介于[0,1]。值越接近于1，代表农村居民点离散化程度越高。本研究将RSDI分为3级，分别为I级，低度离散(0≤RSDI≤0.3)；Ⅱ级，中度离散(0.3

1.3.3空间自相关

空间自相关可以分为全局空间自相关和局部空间自相关2 种类型。全局空间自相关是对属性值在整个研究区内的空间聚集特征的描述，Global Moran’s I是最常用的全局空间自相关分析指数，可以衡量农村居民点离散度空间分布的聚集或离散程度。全局空间自相关分析可以在整体上揭示事物的空间依赖程度，但却忽略了可能存在的局部不平稳。因此本研究进一步引入了局部空间自相关分析方法，以空间关联局域指标LISA 统计量的Local Moran’s I探究乡镇单元农村居民点离散度与邻近乡镇之间的相关性，识别它们的空间聚集和空间孤立特征，探测其空间异质性。LISA聚集图可以根据Local Moran’s I计算结果，将乡镇农村居民点离散度划分为高高(HH)和低低(LL)2种正相关类型，高低(HL)和低高(LH)2种负相关类型以及不显著相关型[39]。

1.3.4相关性分析

相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量2个变量的相关密切程度。在IBM SPSS Statistics 26中采用斯皮尔曼相关系数法对农村居民点离散度及其影响因素进行相关性计算。

1.3.5地理探测器

地理探测器是探测空间分异性，以及揭示其影响因子的一组统计学方法。普通线性模型、空间计量模型等传统统计学方法假设较多，而地理探测器模型在应用时没有过多的假设条件，可以克服统计方法处理变量的局限性。此外地理探测器的独特优势在于：识别影响因子的同时，还能够解释影响因子对因变量的交互作用[27]。利用ArcGIS10.2 软件分区统计功能计算栅格影响因子在各乡镇的均值，导出生成excel属性表；因变量Y为各乡镇农村居民点离散度，自变量X为各乡镇影响因子数据，进而利用地理探测器软件在乡镇尺度定量分析鹰潭市农村居民点离散度的影响因子。

(3)

交互探测器：用于定量表征两个影响因子对于农村居民点离散度的相互作用，对于影响农村居民点离散度的2种因子X1和X2，计算两者交互作用的q值，再比较q(X1)、q(X2)与q(X1∩X2)，得出两因子的交互关系，详细判断准则见参考文献[27]。

2 结果与分析

2.1 农村居民点景观格局指数变化

农村居民点景观格局指数变化结果显示(表3)，研究期内农村居民点面积逐步增加，1996—2009年和2009—2018年农村居民点面积年平均增长量分别为183.35、204.14 hm2/a。说明鹰潭农村居民点规模仍处于扩张阶段。农村居民点斑块密度增加、平均斑块面积减少，说明农村居民点离散化程度上升；周长面积分维数增加、聚合度减少，说明农村居民点形状趋于复杂，并且聚集程度降低。

表3 鹰潭市农村居民点景观格局指数变化Table 3 Changes of landscape metrics of rural settlements in Yingtan City

2.2 农村居民点离散度构建及演变特征

2.2.1农村居民点离散度构建

农村居民点景观格局指数的主成分分析结果显示(表4)，KMO检验值均>0.5， Bartlett球形检验的P=0.000 1，表明能够进行主成分分析。3个时期的农村居民点景观指数第一主成分的特征值均>1，贡献率分别为83.80%，89.42%，89.72%，基本都>85%，说明选取第一主成份可以有效表征农村居民点离散度。

表4 农村居民点景观格局指数的主成分分析Table 4 Principal component analysis of rural settlements landscape metrics

2.2.2农村居民点离散度时间演变

农村居民点离散度级别统计结果显示(表5)，1996—2018年三期内，各乡镇农村居民点离散度均值分别为0.41，0.42和0.45，农村居民点离散度级别为Ⅰ级的乡镇分别占乡镇总数的41.18%、35.29%、26.47%，级别为Ⅱ级的乡镇分别占乡镇总数的35.29%、44.12%、50.00%，级别为Ⅲ级的乡镇持续占乡镇总数的23.53%，这表明低度离散的乡镇逐渐减少，中度离散的乡镇逐渐增加，鹰潭乡镇农村居民点离散度整体上升。

3)提出了抗超高速“软硬结合、分层配置”的遮弹防护结构，实现了成坑能量耗散与地冲击衰减，为防护设计和加固改造提供了可靠手段。

表5 农村居民点离散度级别统计Table 5 Statistics of dispersion level of rural settlements

2.2.3农村居民点离散度空间演变

农村居民点离散度级别空间分布图显示(图2)，研究区农村居民点离散度基本呈东南和西北部高，中部低的空间分布格局。其中农村居民点低度离散的乡镇主要有春涛乡、平定乡、刘加站乡、中童镇、夏埠镇、滨江镇等，主要分布在研究区的中部；农村居民点中度离散的乡镇主要有邓埠镇，马荃镇、龙虎山镇、锦江镇、画桥镇和白田乡等，主要分布在研究区的西部和北部；农村居民点高度离散的乡镇主要有塘湾镇、金屯镇、耳口乡、冷水镇、文坊镇、樟坪畲族乡和双圳乡等，主要分布在研究区东南部。1996—2018年研究区北部周坊镇、鸿塘镇、志光镇和河潭镇等乡镇逐渐由农村居民点低度离散向中度离散转变。

图2 1996年(a)、2009年(b)及2018年(c)农村居民点离散度级别空间分布图Fig.3 Spatial distribution map of dispersion level of rural settlements in 1996 (a), 2009 (b) and 2018 (c)

2.2.4农村居民点离散度空间自相关

全局空间自相关分析结果显示(表6)，1996—2018年三期内，鹰潭市农村居民点离散度Global Moran’sI值分别为0.69、0.79、0.72，P值均<0.01，表明研究区农村居民点离散度在99%的置信度下具有显著空间正相关性。局部空间自相关分析LISA聚集图显示(图3)，研究区部分乡镇农村居民点离散度聚集特征为HH型或LL型聚集。其中HH型聚集的乡镇主要分布在鹰潭市南部，主要包括耳口乡、冷水镇、文坊镇、樟坪畲族乡和双圳乡;LL型聚集的乡镇主要分布在鹰潭市中部，主要包括中童镇、潢溪镇、夏埠乡、平定乡、刘家站乡。空间自相关分析结果表明，农村居民点离散度空间聚集性明显，其中南部主要为高值聚集，中部则为低值聚集，具有较显著的地域性。

图3 1996年(a)、2009年(b)及2018年(c)农村居民点离散度LISA聚集图Fig.3 LISA cluster map of rural settlement dispersion in 1996 (a), 2009 (b) and 2018 (c)

表6 农村居民点离散度Moran’s ITable 6 Moran’s I of rural settlement dispersion

2.3 农村居民点离散度影响因素分析

2.3.1相关性分析

Spearman相关性分析结果显示(表7)，1996—2018年期间，地形位指数、到河流距离与农村居民点离散度为极显著正相关关系，表明地形位指数越大，到河流距离越远，农村居民点离散度越大；到城镇、公路距离与农村居民点离散度为极显著正相关关系，表明离城镇、公路距离越远，农村居民点离散度越大；人口密度与农村居民点离散度为极显著负相关关系，表明人口密度越小，农村居民点离散度越大。1996年地均GDP与农村居民点离散度为极显著负相关关系，而2009和2018年则未通过P=0.05 的显著性检验。

表7 农村居民点离散度与影响因素Spearman相关性分析Table 7 Spearman correlations between rural settlements dispersion and impact factors

2.3.2因子探测

因子探测结果显示(表8)，1996—2018年地形位指数对农村居民点离散度存在极显著影响(P<0.01)，解释力分别73.96%、81.11%和77.96%。这表明地形位指数和对农村居民点离散度的影响先增大后减小，原因在于研究前期农村居民往往倾向选择地势平坦的区域进行农村居民点建设和生产生活，而后期由于耕地保护政策的需要及建设工程技术的改进，部分地形位指数较大的区域也逐渐开展农村居民点的集中建设，从而减小了该类区域农村居民点离散度。1996年到河流距离对农村居民点离散度无显著影响，2009年和2018年到河流距离对农村居民点离散度影响显著，解释力分别为35.09% 和34.64%。1996—2018年到城镇和公路距离对农村居民点离散度存在极显著影响，其中到城镇距离的解释力分别为65.25%、42.25%和50.54%；到公路距离的解释力分别为75.41%、51.84% 和66.45%，这表明到城镇和公路距离对农村居民点离散度的影响先减小后增大，原因在于前期鹰潭将建设乡村公路网络列为发展战略的重点之一，经过大规模的改造，鹰潭乡村公路等级普遍提高，而后期鹰潭发展重点乡镇建设，一些边远区域如文坊镇、樟坪畲族乡和双圳乡等乡镇的建设则相对滞后，导致各乡镇之间农村居民点离散度差异增大。1996—2018年人口密度对农村居民点离散度存在极显著影响，解释力分别为57.34%、71.62%和52.09%，这表明人口密度对农村居民点离散度的影响先增大后减小，原因在于前期农村居民倾向于在当地乡镇就业和居住，而后期鹰潭中心城区的快速发展吸引了大量农村人口，各乡镇人口密度差异减小，从而降低对农村居民点离散度的影响。1996年地均GDP对农村居民点离散度影响显著，而2009年和2018年无显著影响，这与相关性分析结果一致。综上，地形位指数和人口密度对农村居民点离散度的解释力变化，同到城镇和公路距离对农村居民点离散度的解释力变化存在此消彼长关系，这从一定程度上反映了农村居民点离散度是受多种影响因子相互作用的结果。

表8 影响因素对农村居民点离散度的解释力Table 8 Detection results of impact factors of rural settlements dispersion

1996—2018年各影响因子对农村居民点离散度解释力平均值大小排序为：地形位指数(0.776 8)>到公路距离(0.645 7)>人口密度(0.603 5)>到城镇距离(0.526 8)>到河流距离(0.343 7)>地均GDP(0.239 2)，这表明地形位指数、到公路距离和人口密度为农村居民点离散度主导因素；到城镇距离、到河流距离、地均GDP为农村居民点离散度重要因素。

2.3.3因子交互探测

因子交互探测结果显示(表9)，1996年各因子对农村居民点离散度的交互作用均为双因子增强，不存在独立起作用的因子。其中解释力排前五的交互因子为：到公路距离∩到城镇距离(0.915 6)、到公路距离∩地均GDP (0.898 2)、到公路距离∩到河流距离 (0.892 1)、地形位指数∩到城镇距离(0.844 3)、地形位指数∩到河流距离(0.833 4)，这表明1996年到公路距离和地形位指数较大增强了各影响因子对农村居民点离散度的解释力。2009年各因子对农村居民点离散度的交互作用包括双因子增强和非线性增强。其中解释力排前五的交互因子为：地形位指数∩到城镇距离(0.923 3)、地形位指数∩人口密度(0.909 6)、地形位指数∩地均GDP(0.898 9)、地形位指数∩到河流距离(0.885 9)、地形位指数∩到公路距离(0.880 6)，这表明2009年地形位指数较大增强了各影响因子对农村居民点离散度的解释力。2018年各因子对农村居民点离散度的交互作用包括双因子增强和非线性增强。其中解释力排前五的交互因子为：地形位指数∩地均GDP(0.926 3)、地形位指数∩到城镇距离(0.909 4)、地形位指数∩人口密度(0.877 6)、人口密度∩到城镇距离(0.874 2)、地形位指数∩到河流距离(0.843 2)，这表明2018年地形位指数和人口密度较大增强了各影响因子对农村居民点离散度的解释力。

表9 农村居民点离散度影响因子交互探测结果Table 9 Interaction detection results of impact factors of rural settlements dispersion

综上，地形位指数、到公路距离和人口密度在不同时期能较大增强其他影响因子对农村居民点离散度的解释力，这进一步验证了因子探测的结果。

3 讨论与结论

3.1 讨论

自然因素在居民点形成的初始阶段起关键作用，对于位于南方丘陵区的鹰潭而言，地形对农村居民点离散度影响更是不容忽略[5,12,26]，鹰潭地形以中部河谷平原为中心，由信江向南北两侧、白塔河向东西两侧逐渐抬升。西部中低丘陵和中部贵溪盆地，地形位指数小，有利于农村居民点建设和生产生活，农村居民点离散度往往较小，而北部中高丘陵和东南部中山区域，地形位指数大，农村居民点离散度随之增大，研究区农村居民点离散度整体分布与地形较为符合，这也印证了地理探测器模型的结果(q均值为0.776 8)。鹰潭境内大部分属信江水系，信江从东向西流经贵溪、月湖、余江，由于水田灌溉农业需要大量水源，为便利生产生活[14]，农村居民点多聚集在靠近耕地的河流两侧，而远离河流的地区往往只能依靠零星的水库从事农业灌溉，这加剧了农村居民点的离散程度。

区位因素中农村居民点到公路距离的远近反映了村民出行交通便利程度，到城镇距离的远近决定了村民能多大程度享受到学校和卫生院等公共服务设施[17,40]。研究区内靠近中心城区的乡镇，公路网络较为发达，便利的交通促进了农村居民点的聚集，从而使农村居民点离散度维持在较低水平；而位于北部的画桥镇及东南部的樟坪畲族乡等乡镇则只有少量主干道穿过，与外界经济及信息联系薄弱，农村居民点发展滞后，从而离散度水平较高。

社会经济因素中人口密度的增加会带来规模效益，经济发展是居民点存在和发展的主要外部动力[4,41]。地理探测器结果表明，人口密度对农村居民点离散度存在极显著影响，而地均GDP对农村居民点离散度影响仅在1996年通过显著性检验。具体考察发现，以夏埠乡为例，其人口密度和地均GDP较高，农村居民点离散度维持在低度离散状态，与此同时，研究区部分乡镇如杨溪乡出现了人口密度大而地均GDP小，农村居民点离散度较低的现象。这是由于杨溪乡位于研究区的西部中低丘陵，在农业人口集聚、地形相对较好的情况下，传统的农业生产需要大量的农村居民，生产趋近原则使农村居民点集中[18,31]，从而使得画桥镇农村居民点离散度维持一直在较低的水平。研究初期大多乡镇以农业生产为主，各乡镇经济发展水平差距较小；而研究中后期以杨溪乡为代表发展农业生产的乡镇地均GDP水平远远落后于以夏埠乡为代表的发展二三产业的乡镇，但两类乡镇的农村居民点离散度却差异不大，这一定程度解释了地均GDP仅在研究初期1996年通过显著性检验原因。

根据研究农村居民点离散度分布特征及影响因素探测结果，再结合研究区的自然、区位、社会经济等条件，设计并开展因地制宜的农村居民点整治模式，为鹰潭市农村居民点规划统筹提供科学依据。农村居民点低度离散的乡镇，自然和区位条件较好，经济发展水平高，城镇化趋势显著，将农村居民点整理和城镇规划衔接较为适宜；农村居民点中度离散的乡镇，虽然位于平原地区，但区位与经济条件较差，以农业生产为主，所以比较适合资金需求较小的居民点内部整理模式；农村居民点高度离散的乡镇，主要分布在研究区东南部中山区域，可以考虑异地迁移模式，将比较偏远的贫困农村居民点迁移到发展较好的地区[25]。

由于村级社会经济数据收集困难，导致本研究的研究尺度不够精细；构建农村居民点离散度的景观指数需要补充和完善；各影响因子交互作用内在机制也有待进一步探析。后续工作中应加强多尺度农村居民点离散度影响因素研究。

3.2 结论

1996—2018年，鹰潭农村居民点规模仍处于增长阶段，但聚集度降低，破碎化程度上升。乡镇农村居民点离散度整体上升，区域农村居民点离散度空间聚集性明显，其中南部主要为高值聚集，中部则为低值聚集，具有较显著的地域性。地形位指数、到河流、城镇和公路距离与农村居民点离散度为极显著正相关关系，人口密度与农村居民点离散度为极显著负相关关系，地均GDP仅1996年与农村居民点离散度为极显著负相关关系。地形位指数和人口密度对农村居民点离散度的影响先增大后减小，到城镇和公路距离对农村居民点离散度的影响先减小后增大，影响因素之间存在此消彼长的关系。地形位指数、到公路距离和人口密度为农村居民点离散度主导因素，到城镇距离、到河流距离、地均GDP为农村居民点离散度重要因素，各主导因素在不同时期能增强其他影响因子对农村居民点离散度的解释力。