运用Fragstats软件从反映农村居民点规模、形状和分布3个方面,选出农村居民点斑块面积(TA)、最大斑块面积(LPI)、斑块数量(NP)、斑块所占景观面积的比例(PLAND)、平均斑块面积(AERA_MN)、斑块面积标准差(PSSD)、平均形状指标(SHAPE_MN)、平均分维数(FRAC_MN)、斑块平均周长面积比(PARA_MN)、景观形状指标(LSI)、蔓延度(COHESION)和聚集度(AI)等指标^[5]进行景观格局指数的统计分析,用于对研究区农村居民点格局演变的分析。

运用ArcGIS核密度估计、热点分析、叠加分析和缓冲区分析等方法进行研究区农村居民点格局演变及区位因素的驱动作用的相关分析。

地理探测器是一种新的统计学方法,可以探测空间分异性并揭示其背后的驱动因子^[22]。利用地理探测器对研究区农村居民点格局演变的影响因素进行探测识别,该模型的计算公式如下^[23]:

P_D,U=1-1/(nσ²_u)∑^m_i=1n_D,iσ²_UD,i

式中:P_D,U为农村居民点格局演变的影响因素探测力指标; n_D,i为次一级区域样本数; n为整个区域样本数; m为次级区域个数; σ²_U为整个区域农村居民点空间形态变量的方差; σ²_UD,i为次一级区域的方差。假设σ²_UD,i≠0,模型成立,P_D,U的取值区间为[0,1],P_D,U=0时,表明某种影响因素对农村居民点空间分异没有解释力,P_D,U值越大,说明该因素对农村居民点空间分异的影响越大。

(1)农村居民点规模演变分析。选取农村居民点斑块面积(TA)、斑块数量(NP)、斑块所占景观面积的比例(PLAND)、平均斑块面积(AERA_MN)、斑块面积标准差(PSSD),用来表征农村居民点规模的信息,指标及计算结果见表1。结果显示1998—2018年,研究区农村居民点用地总体规模、斑块数量和平均规模增长明显,增长率分别为25.35%,34.95%和29.10%,表明研究区农村居民点空间呈扩展趋势,集约用地效果不佳; 斑块占景观面积比逐渐增大与斑块面积的增长相互印证。斑块面积标准差能够揭示斑块面积分布的均匀性程度,研究区农村居民点斑块面积标准差增大,表明斑块面积两极分化趋势明显。

为深入探究研究区内部规模演变差异,将平原与非平原区农村居民点规模进行了对比分析。2018年非平原区斑块占景观面积的比例比1998年降低了0.04%,然而平原区斑块占景观面积比逐渐增大且增长幅度超过了整个研究区的增长幅度,表明20 a以来平原区农村居民点用地增长推动了整个研究区农村居民点用地面积的扩张; 平原区农村居民点用地的平均规模大于非平原区且差距越来越大; 平原区和非平原区斑块面积标准差均增大,表明两个区域内农村居民点斑块面积差异增加、两极分化加重,此外平原区与非平原区斑块面积标准差的差值越来越大,表明平原区斑块面积两极分化程度高于非平原区。

表1 1998-2018年研究区及其内部分区农村居民点规模变化统计

(2)农村居民点规模分异可视化。在ArcGIS 10.2中,以斑块面积为统计属性分别制作1998年、2008年和2018年农村居民点的规模分布“热点”图(附图2)。图中每个点在空间上代表农村居民点斑块的质心,数值上代表“热点”分析的Z得分。图中不同的统计显著级别用不同饱和度颜色表示,红色、蓝色和黄色区域分别代表农村居民点斑块规模高值集聚的“热点”区、斑块规模低值集聚的“冷点”区以及斑块规模随机分布区^[5]。

通过对比分析:(1)1998—2008年,处于平原与非平原交界处的“冷热点”数量变动较大。非平原区的“冷点”数量明显减少,由于自身斑块规模的扩张使得小规模农村居民点集聚的“冷点”区变为斑块规模随机分布的区域; 平原区“热点”数量减少幅度相对较小,减少区域主要位于定兴县西北部,减少原因归结于张石高速公路的修建。此外随着保定市区的发展,“热点”区向保定市周边靠拢。(2)2008—2018年研究区的“冷点”和“热点”数量持续减少,斑块规模更多呈现随机分布,整个研究区域内“冷热点”分布较为分散。其中“冷热点”数量变化集中在平原区,这与农村居民点整治的推进以及公路等基础设施的修建有关。非平原农村居民点斑块规模变化较小。

选取景观形状指标(LSI)、平均形状指标(SHAPE_MN)、平均分维数(FRAC_MN)来表征农村居民点形状演变的情况。结果显示(表2):1998—2018年,研究区的SHAPE_MN值由1.087 6增长为1.141 1,FRAC_MN值由1.014 9增长为1.020 3表明农村居民点斑块形状趋于复杂且分形特征越加明显,但平均分维数最大仅为1.020 3表明研究区居民点分维数整体上是偏低的,斑块形状仍以相对规整的样式为主,但不排除局部地区受特殊因素影响存在一定的不规则性; 将斑块形状指数计算尺度从单个斑块扩展到整个景观所得的LSI值,从整体上揭示了农村居民点形状的分异,研究区LSI值先减小后增大,表明整个研究区农村居民点形状先趋于规整之后又呈现复杂化的势头。平原区和非平原的形状演变过程与上述过程相似,差异在于平原区的各项形状指标均高于非平原,平原区农村居民点斑块形状更为复杂,分形特征更加明显。

(1)分布连通性和聚集性分析。选取蔓延度(COHESION)和聚集度(AI)来表征农村居民点斑块的连通和聚集情况,COHESION可以量化农村居民点景观的自然连通性,COHESION值越大表明景观的连通性越强; AI表示农村居民点斑块的聚集程度,AI值越大表明农村居民点斑块的聚集程度越高。表3为农村居民点分布表征指标及计算结果。1998—2018年整个研究区COHESION值和AI值均增加,表明农村居民点斑块连通性越来越强并且聚集程度越来越高。对比平原区和非平原区,数据显示20 a间平原区农村居民点斑块的连通性和聚集程度均高于非平原区,并且这种差距逐渐增大。

表2 1998年、2008年和2018年研究区及其内部分区农村居民点形状变化统计

表3 1998年、2008年和2018年研究区及其内部分区农村居民点分布集散性变化情况

(2)农村居民点分布密度探测。核密度估算模型可以判断区域内农村居民点斑块分布的聚集情况,其值越高表明农村居民点在其所处区域分布的密度越大。本文在ArcGIS 10.2中设置搜索半径为6 500 m,栅格数据输出像元大小为500 m,结果见附图3。1998年和2008年核密度图分布格局相似,以市区为中心由东北至西南方向的带状区域内农村居民点分布密集。2008—2018年,研究区农村居民点核密度高值区域持续扩大,表明研究区居民点斑块数量在单位面积内增加明显,由带状分布变为以县城中心为“核中心”的多核分布。

公路、铁路、河流和城镇是影响农村居民点空间格局的重要区位因素^[24]。其中公路、铁路和河流属于线状区位因素,城镇中心属于点状区位因素,以此分成两类进行区位因素的分析。

3.2.1 公路、铁路和河流指向性

运用ArcGIS 10.2中的缓冲区分析功能,以穿过研究区的国道、省道、高速公路及铁路等主要干道及大清河、唐河(主流)等主要水系做缓冲区分析。其中参与分析的公路均在1998年之后建成,主要包括京张高速、京昆高速、保阜高速、张石高速、廊涿高速、京港澳高速以及首都环线高速等。以1 000 m为半径分别建立公路、铁路和河流的多级缓冲区,分别统计出各级缓冲区内农村居民的空间布局情况(表4)。

表4 1998年、2008年和2018年公路、铁路和河流各级缓冲区内景观指数变化

(1)随着距公路距离的增加,各级公路缓冲区内农村居民点面积先增大后减小、平均形状指标先减小后增大、聚集度逐渐减小,其中1 000～2 000 m缓冲区内的农村居民点分布最广,0～1 000 m缓冲区内平均形状聚集指标值最大; 在公路2 000 m缓冲区内增加的农村居民点面积占全部增加面积的42.1%,公路0～5 000 m缓冲区内的农村居民点面积占据研究区农村居民点总面积的百分比由1998年的43.3%上升到2018年的50.9%。以上表明公路对农村居民点具有显著的影响,但影响范围有限。

(2)从各级铁路缓冲区来看,随着距铁路距离的增加农村居民点面积不断减小,其中铁路0～1 000 m缓冲区内农村居民点面积最大; 随着距铁路距离的增加,居民点形状和分布聚集度变化无规律,表明铁路对农村居民点形状和聚集度的影响不显著; 从时间变化来看,2018年距铁路1 000 m以内农村居民点面积不增反减,表明铁路对居民点的吸引力减小,研究区农村居民点空间布局的铁路指向性不显著。

(3)通过各级河流缓冲区的分析,研究区农村居民点空间布局具有明显的河流指向性特征,且河流对农村居民点空间布局的影响与道路基本吻合,区别在于河流0～1 000 m缓冲区是居民点分布最广的区域。

3.2.2 城镇中心对农村居民点格局的影响

以城镇中心为圆心做多环缓冲区分析,结果显示各级缓冲区内农村居民点有明显分异(表5):1998—2018年随着距城镇中心距离的增加,相等面积的各级缓冲区内的农村居民点面积和聚集度呈现逐渐减小的趋势,表明城镇对农村居民点的吸引作用随距离逐渐衰减。城镇的发展对农村居民点的规模影响显著,且随着时间的推移这种影响越来越大,2018年距离城镇5 000 m以内的农村居民点面积比1998年增加了近一倍。城镇各级缓冲区内农村居民点形状变化无明显规律。

表5 1998年、2008年和2018年城镇中心各级缓冲区内景观指数变化

3.3 经济发展和社会生活对农村居民点格局的影响

3.3.1 影响因子筛选

随着区域经济的快速发展,农村居民收入水平不断提高,在解决温饱问题之后,对美好生活的向往与追求使得农民迫切要求改善自身的居住环境,最明显的表现就是扩大自己的住房面积“住的更宽敞”,这一过程加大了对固定资产的投入; 此外,随着城乡一体化进程的推进,城镇与农村的差异化减小,城镇的一些社会服务进入农村,此时农村居民也有经济能力去追求和体验丰富多彩的社会服务,因此这样的行为又进一步刺激了农村区域产业非农化的快速发展,扩宽了农村居民获取收入的途径。参照Qu^[7]的研究成果,选取人均GDP(F₁)、农村居民人均纯收入(F₂)、固定资产投资(F₃)和产业非农化率(F₄)作为经济影响因子,来探测经济因素对农村居民点格局演变的驱动作用。

农村居民点的格局演变除了受到经济发展的影响,也受到社会生活的浸化。农村社会生活的发展状况可以从农民拥有的生产资料以及农村人口和城镇人口分布上加以衡量。在经济发展水平比较低的小农经济时代,农民为了解决生活中最为基本的温饱问题,通常会把农村居民点选址与耕地资源联系起来,耕地资源生产条件又与粮食产量相挂钩; 随着城镇化进程的快速推进,大量的农村人口向城镇转移,带动着农民生活方式的变革,一些农民离开传统的独立独户的院落,住进统一建设的居民小区里,驱动着农村居民点格局发生变化; 人口增长最直接的表现是对粮食和住房需求的增加,住房需求影响着农村居民点的布局。因此,选取人均耕地面积(F₅)、人均粮食产量(F₆)、城镇化率(F₇)和人口密度(F₈)作为社会影响因子^[7]。

3.3.2 地理探测器探测结果

根据地理探测器模型的计算公式将每一个影响因子通过K-means分类算法把全域划分为9个等级区。运用模型分别探测影响因子对农村居民点规模、形状和分布上的影响作用力大小,分别用斑块面积(TA)、斑块平均周长面积比(PARA_MN)和聚集度(AI)来表征,结果见表6。

表6 1998年、2008年和2018年经济和社会因子的PD,U值探测结果

依据模型运算结果,1998—2018年:(1)农村居民人均纯收入、产业非农化率和城镇化率对农村居民点的规模、形状和分布均产生显著的影响,只是其对规模、形状和分布的地理探测P_D,U峰值出现的时间有差异; 其他因子对农村居民点空间格局的影响是片面的,例如人均粮食产量对农村居民点分布的地理探测P_D,U值最高达到0.81,但对形状的地理探测P_D,U值最高值只有0.32。(2)经济和社会因子对农村居民点规模、形状和分布的影响具有一定的独立性和交叉性。例如产业非农化率对规模的影响作用力逐渐增大,在2018年产业非农化率对规模的地理探测P_D,U值达到0.72,但产业非农化率对形状的地理探测P_D,U值逐渐减小,对分布的地理探测P_D,U值先增大后减小; 人口密度和人均粮食产量对农村居民点分布的影响作用力大小比较稳定,其地理探测P_D,U值均保持在0.40以上,但其对规模和分布的地理探测P_D,U值最高不超过0.40。(3)经济和社会因子对研究区农村居民点空间布局的影响是多样的、复杂的,比如城镇化率对农村居民点分布的地理探测P_D,U值在2008年只有0.07,但在2018年P_D,U值达到0.57; 人均GDP对农村居民点规模的地理探测P_D,U值由0.33降为0.06。

除去灾害等破坏性自然因子,自然因素作为能够持续影响农村居民点格局的因素,产生的作用是潜移默化的,与此不同的是,农村居民点格局能够对经济和社会因素的某些因子产生相对迅速的反映,比如固定资产投资的增加直接影响到农村居民点格局的变化。此外,经济和社会因素易受到国家宏观政策的影响,地理探测P_D,U值难免出现为大幅度变化的情况。总结来看,经济和社会因素对研究区农村居民点空间格局的影响存在综合性、多样性和复杂性,经济和社会因素中均存在对农村居民点规模、形状和分布均产生显著影响综合性因子,比如经济因子农村居民人均纯收入、产业非农化率和社会因子城镇化率,其他因子对农村居民点空间格局的影响具有一定的交叉性和片面性。