基于SOFM网络的农村居民点节约用地驱动类型研究

沈昊婧，张霭丽，张世全，陈春

(1.北京大学城市与环境学院，北京100871;2.伯明翰大学社会科学学院，英国伯明翰B15 2TT;3.河南省国土资源厅，郑州450016;4.重庆交通大学资源与环境科学系，重庆400074)

0 引言

随着经济快速发展和城镇化进程的加快，中国耕地资源紧缺的现状日渐突出，土地节约集约利用已成为国家现行重要国策之一。在提高城市土地利用效率、防止城市无序扩张的同时，提高农村居民点用地的节约集约利用程度成为有效解决中国土地资源短缺的一个重要途径。目前，在中国广大农村地区广泛存在着空心村、居民点用地粗放等一系列问题，据调查显示，2005年中国农村人均居民点用地面积为234 m2［1］，2010年仍超过190 m2［2］，远高于国家标准规定的上限150 m2/人。因此，农村居民点用地面积的节约集约利用对于有效增加耕地面积、保证粮食安全具有重要作用。

当前学者对于农村居民点土地利用问题的研究多关注3个问题［3－13］:1)关注农村居民点土地利用中居民点用地整理的潜力评价、模式和驱动机制、布局优化等问题;2)农村居民点用地空间分异、人口与土地时空特征等空间属性的问题;3)农村居民点用地变化的动力机制和驱动力。国内学术界对以上3个问题的研究成果日渐丰富，概括说来有4个特点:1)关注农村居民点整理及其潜力、效果评价等的研究居多;2)在进行农村居民点用地整理潜力评价、农村居民点用地空间属性方面的研究时，多选用以典型地区为例的案例研究方法;3)在现有研究中多关注于微观尺度，即对农村居民点问题的研究多考虑当地的各种具体情况，对于宏观尺度的研究和探讨不足;4)在研究方法的选取上，多是选用传统的基于主成分分析和层次分析法的评价方法。

现有研究已证明农村居民点的节约集约用地受到当地经济社会要素的影响，宏观区域的经济、社会等因素也会在一定程度上影响当地的各种经济社会要素，进而影响到农村居民点土地利用效率［2］。因此，从宏观区域层面上研究农村居民点土地利用问题有其科学性和可行性;在对农村居民点节约集约用地驱动因素方面的研究中，选择从宏观区域层面研究农村居民点节约用地驱动影响的不同类型有其理论意义。

目前，学术界对类别划分的研究方法已日趋成熟和完善。在人文地理学领域的研究中用到的聚类方法中除了传统的快速聚类、层次聚类、判别聚类外，近些年又出现了二步聚类和自组织特征映射网络(self-organizing feature map，SOFM)等新的聚类方法。人文地理问题用SOFM网络进行研究有两种思路［14－20］，一是用其进行数据预处理中的分类工作(多为对遥感图像的解译过程)，二是直接从国家尺度、区域尺度和城市尺度上进行如区域可持续发展水平、耕地压力、城市地价、土地集约利用评价等问题的分类研究。中国现在尚无用SOFM网络对农村居民点用地问题的研究，且现有研究也表明SOFM网络的分析方法在解决某些分类问题中具有其科学性和优越性，因此，本研究选用SOFM网络的分析方法从宏观区域层面对农村居民点节约用地影响因素的不同驱动类型进行分析，并从国家层面进行对比分析。

1 研究区域和数据来源

本研究立足于宏观视角，从国家尺度展开分析，以中国31个省份(不包括港、澳、台)为基本单元，利用2002—2008年农村居民点用地数据、社会经济发展数据来分析农村居民点节约用地的影响因素和驱动类型。由于土地利用数据保密性的要求，所用最新数据截至2008年。其中土地利用类型数据来源于土地利用变更调查数据，其余的人口数据、经济和社会发展数据均来源于《中国统计年鉴》(2003—2009)。

2 研究方法和变量选取

2.1 研究思路

主要选用多元线性回归模型和自组织特征映射网络两种模型进行研究。第一，以中国31个省份为基本单元，以区域的经济社会发展指标作为影响农村居民点节约用地的解释变量，采用逐步回归的方法，选取首先进入回归方程的各指标作为最终进入回归方程的自变量Xi。第二，以中国31个省份2002—2008年的各Xi为自变量，以反映农村居民点节约用地状况的农村居民点人均用地面积为因变量，建立多元线性回归模型，得到回归系数矩阵D。第三，以回归系数矩阵D的各列向量作为区分农村居民点节约用地驱动类型的各参量，借助Matlab 7.6软件，选用SOFM网络分析方法进行类别的划分。

2.2 自组织特征映射网络

自组织特征映射网络是人工神经网络方法中一种主要用于分类研究的非监督学习类网络，最初由芬兰学者T.Kohonen于1987年提出［21］。国内最初应用SOFM网络进行研究的文献出现在1992年电子及通信领域;地理学中首次引入SOFM网络方法是在1994年，研究其在彩色地图自动分层中的应用［22－23］。

SOFM网络的拓扑结构仅有输入层和竞争层两层，各神经元对外部输入响应的权值，该网络进行分类的原理就是使网络权值格局与输入矢量格局达到最大限度吻合。SOFM网络与传统的分类方法相比，它所形成的分类中心能映射到一个曲面或平面上，并且保持拓扑结构不变［14］。SOFM网络的算法中，P为输入矢量，R为输入层神经元数目，S为输出层神经元数据，W为权值矩阵;在经过最初的权值初始化之后，网络随机选取最佳匹配单元i和输入样本，并计算输入矢量与权向量间的欧式距离，当输入样本满足‖x－wc‖=min‖xi－wi‖时，该样本(标记为c)即为获胜单元。再以获胜单元c为中心不断修正相邻单元的权值，直至权值格局与输入矢量格局最大程度吻合为止。

2.3 指标选取

农村居民点整体用地面积与该村庄规模有关，为较恰当地反映农村居民点节约用地的情况，可选择“农村居民点人均用地面积”指标变量。区域整体城镇化水平(以区域非农人口比例来表示)越高，说明区域的土地城镇化程度越高，从某种程度上会影响到农村居民的流动性，进而影响农村居民点的节约用地程度。人均GDP可以反映区域整体的经济规模;农用地地均产出、二三产占总GDP的比例可反映区域一二三次产业各自的发展水平;城镇居民可支配收入和农村人均收入分别可以反映区域城镇和农村居民的富裕程度;客货运量可从侧面反映区域基础设施的情况;万人床位数和万人卫生人员数反映区域卫生基础设施的情况;义务教育普及率和高等教育人口比例反映区域教育资源的完备程度。

式中:Y表示农村居民点人均用地面积;S表示农村居民点用地面积;P表示农业人口。农村居民点人均用地面积越大，表示农村居民点节约用地程度越低。

选用农村居民点人均用地面积作为因变量来反映农村居民点节约用地的情况，并初步选择非农人口比例(X1)为反映区域城镇化水平的指标，选择人均GDP(X21)、农用地地均产出(X22)、二产产值占总GDP比例(X23)、三产产值占总GDP比例(X24)、城镇居民可支配收入(X25)、农村人均收入(X26)为反映区域整体经济发展情况的指标，选择客运量(X31)、货运量(X32)、万人床位数(X33)、万人卫生人员数(X34)、义务教育普及率(X35)、高等教育人口比例(X36)为区域社会发展情况的指标。

3 研究结果和分析

3.1 回归分析结果

以全国31个省份为样本，对2002—2008年各样本的13项解释变量进行数据标准化处理。用2004—2008年31个样本的数据进行逐步回归，选用2002年和2003年的相关系数矩阵作为参照，进行变量筛选。各年份首先进入模型的变量集中在X1非农人口比例、X25城镇居民可支配收入、X35义务教育普及率、X22农用地地均产出。与2002，2003年各指标变量间的相关系数发现，X22变量与X35变量与其余各变量间的相关系数大，均在0.5左右，为能综合反映城镇化、区域经济发展和区域社会发展三方面的影响，故最终选择X1非农人口比重、X25城镇居民可支配收入、X35义务教育普及率3个变量作为进入多元回归模型的自变量(表1)。

3.2 建立SOFM网络分类

对每个样本2002—2008年的3个自变量数据建立多元线性回归模型，由于研究目的是根据3个自变量的影响程度对农村居民点节约用地区域类型进行划分，建立该多元线性回归模型是为了找到3个自变量对各省份样本的影响程度，不是用来进行预测，因此，在选取其回归系数时暂未考虑模型的判决系数、F检验和t检验。得到的回归系数矩阵如表2所示。

用Matlab 7.6建立SOFM网络对表3中31个样本进行分类。建立的SOFM网络输入层有31个样本、3个输入指标;根据需要分类的数据，输出层分别为3×1，4×1，5×1，6×1和7×1的网络结构;其余指标如学习效率、最大邻域数、训练批次等均选用SOFM网络默认的数值。表3是分别将31个样本分3类，4类，5类，6类，7类时的结果对比(表3)。

表2 区域发展对农村居民点节约用地影响的回归系数矩阵Tab.2 The regression coefficient matrix of regional development affecting rural residential intensive land use

在建立SOFM网络分类过程中，当命令网络生成5类时仅分出了4类，命令网络生成6类和7类时仅生成了5类，说明对农村居民点节约用地驱动类型划分的问题中，将全国31个样本化为4类和5类最为稳定。对比表3中各分类结果样本的特征，发现分为5类(结果显示为4类)的结果最为合理。

根据分析，可将全国农村居民点节约用地驱动类型划分四类，根据各种类型表现的特点将其概括为:区域发展负向驱动、区域城镇化负向驱动、区域经济负向驱动和区域发展正向驱动4种类型(图1)。

以湖北、内蒙古等为代表的区域发展负向驱动类型，区域整体的发展水平越高，农村居民点节约用地程度越低;以天津、山西和甘肃等为代表的区域城镇化负向驱动类型，区域城镇化水平越高，农村居民点节约用地程度越低;以吉林和广西为代表的区域经济负向驱动类型，区域经济发展水平越高，农村居民点节约用地程度越低;以北京、上海、辽宁为代表的区域发展正向驱动类型，区域整体各项发展水平越高，农村居民点节约用地程度越高。

一般认为城镇化是农业人口向非农人口的转移，区域城镇化水平的提高，意味着公式中的农业人口减少，但多数地区总的农村居民点用地面积并未随着农业人口的减少而相应缩减。农村居民点节约用地驱动的4种类型中，区域发展负向驱动、区域城镇化负向驱动2种类型中农村居民点节约用地程度均与区域城镇化总体水平相关，占了全国省份的83.87%。经济发展与城镇化程度有较大的相关性，在区域经济负向驱动类型中吉林和广西的区域经济发展对农村居民点节约用地程度表现出了较强的负作用，说明在这两个区域中经济的发展是影响农村居民点用地面积的关键因素。

与此相反，以北京、上海、辽宁为代表的区域发展正向驱动类型中，北京和辽宁的城镇化程度越高，农村居民点的节约用地程度越高。北京的城镇化过程是在城市蔓延背景下土地和人口几乎同步的城镇化，同时大量外来人口的迁入也是北京城镇化的重要动力之一，因此，在如北京这样的区域出现了城镇化程度越高农村居民点节约用地程度也越高的现象。从全国范围来看，在农村居民点节约用地驱动的问题上出现了较显著的“马太效应”。区域整体发展水平高且能够作为全国经济增长极和吸引极核的区域，其农村居民点节约用地的程度受到区域整体的城镇化、经济、社会综合发展的正向影响越显著(如区域发展正向驱动类型);反之则相反。

表3 SOFM网络分类结果对比表Tab.3 The comparison among different result form SOFM

图1 农村居民点节约用地驱动类型的SOFM网络分类结果Fig.1 SOFM classification of rural residential intensive land use driven type

4 结论

农村居民点节约用地是实现“节约用地”基本国策的重要内容。影响农村居民点节约用地的因素复杂多样，本研究从宏观区域的层面对农村居民点节约用地的驱动类型进行分析，并建立多元线性回归模型，从宏观区域层面分析农村居民点用地的影响因素，并以各影响因素的回归系数矩阵作为分类依据，采用SOFM网络对其进行自主学习的无监督分类。研究结果表明:1)从宏观区域层面看，农村居民点节约用地的驱动类型可划分为四个类别，分别为区域发展负向驱动、区域城镇化负向驱动、区域经济负向驱动和区域发展正向驱动。2)从全国来看，在农村居民点节约用地驱动的问题上出现了较显著的马太效应;区域发展水平高的地区，农村居民点节约用地程度受到区域发展的正向影响越显著，反之则相反。3)SOFM网络在本研究中的有效应用说明其在社会经济的地域类型划分中具有一定应用价值。

SOFM网络是一种基于自主学习后的无监督分类方法，其分类的准确性受到样本单元、指标间相互关系的影响。本研究以31个省级行政单元为基本研究单元，样本偏少;基于数据所限的研究时段为2002—2008年，时序略短;在后续研究中需改进。

［1］韩丹，冯长春，古维迎.我国农村居民点土地节约集约利用影响因素及区域差异研究［J］.中国农业资源与区划，2010，31(5):29－35.

［2］李裕瑞，刘彦随，龙花楼.中国农村人口与农村居民点用地的时空变化［J］.自然资源学报，2010，25(10):1629－1638.

［3］武红智，朱运海，肖飞.济南市农村居民点用地变化及驱动力分析［J］.山东科学，2009，22(4):42－46.

［4］王焕，徐逸伦，魏宗财.农村居民点空间模式调整研究——以江苏省为例［J］.热带地理，2008，28(1):68－73.

［5］张娟锋，刘洪玉，虞晓芬.北京农村居民点整理模式与政策驱动机制设计［J］.地域研究与开发，2013，32(3):125－128.

［6］马佳，韩桐魁.基于集约利用的农村居民点用地标准探讨——以湖北省孝感市孝南区为例［J］.资源科学，2008，30(6):955－960.

［7］刘玉，刘彦随，王介勇.农村居民点用地整理的分区评价——以河北省为例［J］.地理研究，2010，29(1):145－153.

［8］王筱明，郑新奇.县域城乡居民点用地整治布局优化研究——以山东省济阳县为例［J］.地域研究与开发，2012，31(5):111－116.

［9］金明丽.山区农村居民点还耕可行性研究——以北京市门头沟区为例［J］.中国土地科学，2008，22(5):11－15.

［10］韩武波，殷海善，安祥生.影响山西省农村居民点整理的现实因素分析［J］.中国土地科学，2010，24(4):51－54.

［11］陈曦炜，宋伟.北京市海淀区农村居民点集约利用评价［J］.资源科学，2009，31(10):1772－1778.

［12］张建，程久苗，范树平，等.农村居民点用地变化驱动力研究综述［J］.地域研究与开发，2010，29(3):106－109.

［13］曹秀玲，张清军，尚国琲，等.河北省农村居民点整理潜力评价分级［J］.农业工程学报，2009，25(11):318－313.

［14］李双成.中国可持续发展水平区域差异的人工神经网络判定［J］.经济地理，2001，21(5):523－526.

［15］高阳，赵瑞娜，阿杉，等.基于自组织特征映射网络的全国地级市城市地价区域分类研究［J］.北京大学学报:自然科学版，2010，46(4):655－660.

［16］叶敏婷，王仰麟，彭建，等.基于网络的云南省土地利用程度类型划分研究［J］.地理科学进展，2007，26(2):97－105.

［17］吴聘奇，黄民生.网络在福建省城市职能分类中的应用［J］.经济地理，2005，25(1):68－70.

［18］刘耀彬，宋学锋.基于人工神经网络的长江三角洲地区城市职能分类［J］.云南地理环境研究，2005，7(6):19－22.

［19］曹蕾，梁启学，莫燕，等.基于SOM的小城镇土地集约利用评价——以重庆市渝北区为例［J］.河北农业科学，2008，12(10):120－122.

［20］孙强，王乐，蔡运龙.基于网络的中国耕地压力综合分区［J］.北京大学学报:自然科学版，2008，44(4):625－631.

［21］Kohonen T.Self-organization and Associated Memory［M］.Berlin:Springer-Verlag，1987.

［22］王卫，蔡德钧，万发贯.改进的网络及图像自适应矢量量化［J］.通信学报，1992，13(5):16－21.

［23］黎洪松，全子一.图象矢量量化的神经网络实现［J］.北京邮电大学学报，1994，17(2):27－33.