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
宋敏+王登娜
摘要 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：①31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。
关键词 农地城市流转；规模；影响因素；空间异质性
中图分类号 F301.2文献标识码 A文章编号 1002-2104（2018）01-0054-09DOI：10.12062/cpre.20170701
土地资源是支撑社会经济发展不可或缺的自然资源基础，其稀缺性决定了不同用途、不同部门对土地的需求存在激烈竞争，从而导致不同的资源配置状态[1-2]。农地城市流转是城镇化的表现形式之一，其实质是农地与建设用地之间竞争的结果[3]。1978至2016年间，我国城镇化率由17.92%上升至57.35%，随之而来的是我国城市规模的快速扩张，城市建设用地面积由1981年的6.72×103 km2增至2012年的45.75×103 km2，扩大6.81倍，年均扩张速率高达6.38%[4]，大规模的农地城市流转无疑给我国的耕地保护带来了巨大压力。学者们对农地城市流转规律的现有研究集中在对城市扩张的情景（动态）模拟、时空特征分析[5-6]，耕地非农化的空间过程描述、空间非均衡分析[7-9]等方面；对其影响因素的研究多以对其驱动机制的定性或定量分析为主，主要从要素禀赋[10]、社会经济条件[11-13]、政策制度因素[14]等角度运用传统计量经济模型展开讨论，较少将空间地理因素纳入对社会、经济现象的考虑。而实际上，作为自然和社会经济的综合体，土地资源具有高度分化的特征，区域土地数量、质量、结构等特征具有显著的空间异质性[15]。那么，农地城市流转规模在空间上是否存在一定规律，农地城市流转规模诸多影响因素的作用程度是否会因空间位置不同而存在差異？对这些问题的关注不足是导致当前我国土地管理制度和政策针对性较弱、有效性不足的主要原因之一。因此，从空间异质的视角研究农地城市流转规模的变化规律及其影响因素作用程度的变化规律，有助于进一步揭示农地城市流转的复杂性和多样性，对于差别化的、有针对性地控制农地城市流转规模，进而有效保护有限的耕地资源具有重要意义。基于此，本文以2014年为时间断面，力图揭示省域尺度下我国农地城市流转规模的空间分异规律，并进一步探讨省域农地城市流转规模影响因素作用程度的空间异质性。期望为国家制定相关的土地利用规划及土地用途管制政策，控制农地城市流转规模提供一定的理论参考和实践依据。
1 模型构建
1.1 农地城市流转规模的空间异质性分析模型
1.1.1 全域空间自相关
全域关联程度多通过莫兰指数（Morans I）来评价在地理位置上临近区域观测点属性的相似程度，并以此探究该现象在空间地理上是否具有空间集聚和空间分异的特征，见式（1）。
Morans I取值一般在-1到1之间，大于0表示正相关，其值接近1时表明高值聚类或低值聚类，小于0时表示负相关，接近-1时表明高低值聚类。如果Morans I值为0，则表示随机分布，即不存在空间相关性。标准化的Z统计量常用来判断其显著性，见式（2）。
1.1.2 局域空间自相关
全域空间自相关分析只能在整体上体现出具有空间地理位置的某要素是否呈现出空间集聚或分异的特征，却无法体现局部观测要素的空间集聚特征，该问题可通过局域空间自相关模型LISA（Local Indicators of Spatial Association）方法描述观测要素在某空间位置上与相邻空间位置属性的相似程度来解决。局域Morans I的高值说明单元属性相似的空间观测点存在集聚特征，见式（3）。
1.2 农地城市流转影响因素选取及其空间异质性分析模型
1.2.1 影响因素选取
回顾已有研究[13，16-17]并结合我国农地城市流转现状发现，影响农地城市流转规模的因素一般包括供给、需求、经济发展和制度政策等方面。供给影响因素包括耕地资源禀赋、农地城市流转收益分配比、不同用途下土地收益差等；需求影响因素涉及导致流转需求增加的因素，包括人口和投资等；而制度和经济因素包括土地流转政策、耕地保护制度和土地交易市场的建设等。基于对数据可获得性的考虑，本文以农地城市流转规模（y）为因变量，选取以下七个影响因素展开研究：城镇人口比重（x1）、人均地区生产总值（x2）、全社会固定资产投资额（x3）、年初耕地面积（x4）、第三产业比重（x5）、居民人均可支配收入（x6）、城市人口密度（x7）。具体而言：年初耕地面积属于供给影响因素，耕地资源禀赋越丰富，则人地关系的紧张程度相对较低，农地非农化比例相对较小。城镇人口比重、人均国内生产总值、居民可支配收入、城市人口密度和全社会固定资产投资额则代表需求影响因素中的人口和投资因素，其中：城镇人口比重是城市化水平的表征，城市人口密度对农地城市流转产生需求压力，二者是农地城市流转的直接推动力；人均国内生产总值、居民可支配收入体现衡量经济发展水平重要指标，全社会固定资产投资额的高低表征了城市和工业基础设施的建设以及场地购买的数量水平，由于我国仍处于经济增长主要依靠要素投入的增加来支撑的社会经济发展阶段，因此上述因素对农地城市流转规模有重要影响。第三产业比重则代表农地城市流转在经济方面的影响因素。此外，耕地保护制度、农地转用政策和土地市场运行等构成了影响农地城市流转的制度因素：从宏观政策层面看，我国实行的土地利用总体规划制度、土地用途管制制度、永久性基本农田划定制度等对各省农地城市流转规模具有全局影响；而从中观政策层面看，各省、市的农地城市流转政策存在一定地区差异，如重庆、成都等地实施的“地票”制度实际上对农地城市流转有正向推动作用。但考虑到政策因素难以通过数据进行量化，且本文旨在对省域农地城市流转规模的截面数据进行研究，而”地票”交易等制度在部分城市展开，因此本文假定短期内国家宏观政策制度环境不变，从而侧重研究影响全国农地城市流转规模的上述因素作用程度的空间分异。
1.2.2 模型构建
农地城市流转规模数据作为空间数据，包含其所在空间位置的特征，而特定空间位置之间的相异特征会引起农地城市流转规模随空间变化，即导致农地城市流转规模在空间位置上产生分异。地理加权回归（GWR）模型能够描述变量在空间地理位置上的变化情况，使得回归参数估算更注重局部而非全局，且能够通过引入“权重”来刻画观测对象在局部区域内所受的影响；此外，该模型能通过各观测点的回归系数描述自变量与因变量间随地理位置变化的规律，从而实现对农地城市流转各影响因素在不同空间地理位置上的空间非平稳性的描述，以及对不同因素影响作用叠加下各区域农地城市流转规模的量化。因此，GWR模型的应用特性与农地城市流转的特性较为吻合，该模型在研究农地城市流转规模影响因素作用程度的空间异质性方面具有较强的适宜性。
空间权重函数是GWR模型的核心，对参数估计结果有重要影响[18]。高斯（Gauss）函数和bisquare函数是GWR模型常用的权重函数[19]。考虑到我国各省份土地面积悬殊，采用bisquare函数有可能将因带宽设置不当而导致GWR模型估计产生误差，因此选取能够将所有观测样本的空间权重都纳入模型的高斯函数作为该模型的权重函数。选择带宽时，采用调整型空间核（Adaptive）以保持对当前考察省份农地城市流转产生影响的周边省份数量不变，即带宽可随省份分布的疏密程度而自行调节，带宽为不定值，即各省份的观测值对当前考察省份观测值的空间权重根据自行调整的带宽长度确定。本文依据Akaike准则获取最优带宽，在指定调整型空间核的基础上自动查找最佳距离/近邻参数。
GWR表达农地城市流转影响因素的影响程度随空间位置改变而产生的变化，回归系数随回归点而变化。本文GWR模型见式（5），省域i的农地城市流转规模yi表达为第j个自变量（第0个自变量为常数，其余自变量的含义见表1）与相应系数βij乘积的总和，ε为残差。
在GWR模型中，运用权重的高斯函数量化描述各样本点对第i个省份农地城市流转规模的影响：
2 结果与分析
2.1 数据来源及其描述性统计
本文选取我国除港澳台以外的大陆行政区划的31个省（自治区和直辖市）为研究区域，在西安80坐标系下划定上述省份的行政界限，在省域尺度上为农地城市流转规模以及城镇人口比重、人均地区生产总值、全社会固定资产投资额、年初耕地面积、第三产业比重、居民人均可支配收入、城市人口密度七個影响因素建立相应的shapefile，分层录入其空间位置和属性信息。其中，当年征收土地面积和年初耕地面积来源于《中国国土资源统计年鉴》（2015），城镇人口比重、人均地区生产总值、全社会固定资产投资额、第三产业比重、居民人均可支配收入、城市人口密度数据来源于《中国统计年鉴》（2015）。
由表2可知，省域农地城市流转规模中位数为36.74 km2，平均值为47.70 km2，一半以上省份的农地城市流转规模在平均值以下；标准差为37.23 km2，表明样本农地城市流转数据离散程度较大；偏度系数为正（0.90），表明样本农地城市流转数据分布具有正偏离，数据分布右侧有较长的尾部，即右偏态；峰度为3.02，说明数据分布比标准正态分布更陡峭，分布更集中。《中国国土资源统计年鉴》（2015）的数据显示，2014年各省份农地城市流转规模的空间差异明显，整体呈现由东部沿海发达省份向中部省份再向西南省份及东北、西北地区省份逐渐降低的趋势。
2.2 农地城市流转规模的空间异质性分析结果
探索性空间数据分析（ESDA）可以初步分析观测对象的空间信息并描述其在空间上的集聚和分异现象。本文使用该方法对2014年省域农地城市流转规模数据进行全局趋势描述以及空间异质性分析。
2.2.1 全局趋势分析
农地城市流转规模的全局趋势分析是将数据投影到水平与纬度的正交平面上，观察其在水平方向和纬度方向上的变化规律，本文利用ArcGIS中Geostatistical Analyst模块的ESDA工具生成31个省域农地城市流转规模趋势图。如图1所示，在X方向上（经度趋势），省域农地城市流转规模呈不断上升趋势且尚未达到拐点，表明我国农地城市流转规模从西向东呈现单调上升的趋势；且上升曲线平缓，说明省域农地城市流转规模由西向东上升幅度稳定，变化较小。在Y方向上（纬度趋势），流转规模变化呈倒“U”型，说明省域农地城市流转规模在我国中部地区省份达到最大值，并分别沿着南北方向的省份递减。
2.2.2 空间异质性分析
2.2.2.1 全局自相关分析
对省域农地城市流转规模进行全局空间自相关分析，结果显示Morans I指数为0.14，表明全国省域农地城市流转规模存在正的空间自相关，即高值或低值集聚。显著性检验结果显示，标准化Z值为2.91，大于正态分布99%置信区间双侧检验阈值2.58，这表明”全国农地城市流转规模在空间上随机分布”这一假设成立的可能性小于1%，即我国省域农地城市流转规模在0.01的显著性水平上呈现出明显的空间自相关。由此可见，全国省域农地城市流转规模在空间上并非随机分布，相邻省份农地城市流转规模在整体上呈现空间集聚特征。
2.2.2.2 局部自相关分析
进一步地，运用OpenGeoDa空间分析工具进行局域自相关分析，即测算省域农地城市流转规模的Local Morans I指数。Moran散点图的四个象限Ⅰ、Ⅱ、Ⅲ、Ⅳ分别表示“高-高自相关（HH）”、“低-高自相关（LH）”、“低-低自相关（LL）”、“高-低自相关（HL）”。图2表明，我国大部分省域的Local Morans I指数位于第Ⅰ、Ⅲ象限内，大部分省域的农地城市流转规模与其临近省份存在正向相关性，即“高-高关联”或“低-低关联”。
为进一步明确集聚发生的区域，本文采用GeoDA中的局部空间自相关分析功能揭示各省份农地城市流转规模的空间联系的局部指标（LISA）。表3显示了全国农地城市流转规模的局部自相关随空间位置变化的情况，我国农地城市流转规模并非随机分布，具有明显的空间集聚现象，具体而言：
（1）高-高聚类：包括我國东中部的山东、安徽、江苏、浙江、福建、湖北、江西七省，其共同特点是经济发展水平高，城市建设速度快，用地需求强烈，迫切要求大量农地转为城市用地以满足日益增长的建设用地需求。这部分省域农地城市流转规模呈现“高-高关联”，是农地城市流转的“热点”区域。
（2）低-高聚类：包括北京、天津、上海、重庆四个直辖市和河北、辽宁、湖南、广西、广东五个省份。其中：河北、辽宁、江西、重庆、湖南、广西、广东农地城市流转规模较中部沿海省份低，较内陆地区又相对高，这部分农地城市流转规模呈现“低-高关联”。而北京、天津和上海的城市发展进程长，城市规模和发展模式较稳定、合理，土地需求较发展中的沿海地区低。
（3）低-低聚类：主要包括新疆、西藏为代表的我国西北部地区。新疆、西藏经济发展缓慢，因城市扩张而产生的农地转用需求较小。其周边省域也被相似的状况影响而呈现相似规律，农地城市流转规模较小，这些省域呈现出“低-低关联”现象，这部分省份为全国农地城市流转的“冷点”。
2.3 农地城市流转影响因素作用程度的空间异质性分析结果
2.3.1 模型预处理
多重共线性检验结果（见表1）表明模型的解释变量间存在一定的相关关系，会大大降低模型估计的准确性。因此，将方差膨胀因子VIF值>7.5的城镇人口比重、人均地区生产总值、城市人口密度三个因素作为冗余变量排除。
去除冗余变量后，通过计算残差平方和和Sigma值来判断地理加权回归模型对于农地城市流转问题的拟合度。如表4所示，R2和Adjusted R2值分别达到了0.872和0.799。表明GWR模型对研究农地城市流转规模空间非平稳性有较高的拟合度。
对模型回归残差进行空间自相关分析可检验回归残差是否为随机分布，如果存在高值或低值的显著聚类则表明错误地指定了地理加权回归模型。表5表明，残差在空间上随机分布，这也验证了模型选取的正确性。
条件数（cond）可用于评估局部是否存在多重共线性，若局部存在较强的多重共线性，则会大大降低模型结果的稳定性；Local值则用于评估模型局部的解释功能，Local值过低则表明该模型的局部拟合功能不佳。结果表明，31个样本点（省份）的条件数均低于30，表明并不存在局部共线性，系数估计结果可靠，同时31个样本点的Local值均处于0.75—0.91之间，表明局部模拟性能良好。
2.3.2 影响因素作用程度的空间异质性分析
解释变量系数随样本点空间位置的变化而变化，通过GWR模型输出解释变量系数空间分布图可揭示各影响因子在不同空间位置上作用程度的差异。
（1）全社会固定资产投资额。表6揭示了全社会固定资产投资额对农地城市流转规模的影响程度在空间上的差异。31个省份“固定资产投资额”因子的系数全部为正，数值在0.240 0到0.292 6之间。这表明全国范围内各省域的全社会固定资产投资额越高，农地城市流转规模越大，且存在空间异质性：从水平方向上来看，西部省份全社会固定资产投资额对农地城市流转规模的正向影响高于中部地区、中部地区又高于东部地区。这一特点与东、西部省份在经济投资上的差异密切相关，从全社会固定资产投资总额上看，东部地区经济发展水平较高，经济投入高且稳定，东部地区省份的全社会固定资产投资额要高于西部地区；从投资结构上看，2014年在东部地区省份的全社会固定资产投资额中，批发零售业、交通运输业、仓储和邮政业、住宿和餐饮业、信息传输、软件和信息技术服务业、金融业、租赁和商务服务业、科学研究和技术服务业的投资比重高达37.85%，仅24.29%的部分用于建筑业和房地产业投资。相较而言，西部地区的固定资产投资额中则有超过32.43%的部分用于建筑业和房地产业投资。结合投资的边际效用递减规律、投资的结构以及我国国情和经济发展的特点，西部省份城市建设起步较晚发展、水平较低，对于全社会固定资产投资的敏感度更高，因此，相对于东部省份而言，西部省份因全社会固定资产投资总额增加而引起的农地城市流转规模增幅更为明显，所以该因子在西部省份对农地城市流转的正向拉动作用明显高于其在东部地区的作用。
（2）年初耕地面积。表7揭示了年初耕地面积对农地城市流转规模的影响程度在空间上的差异。31个省份“年初耕地面积”因子的系数均为负，数值在-0.438 6到-0.082 8之间，这表明全国范围内各省域年初耕地面积与农地城市流转规模呈负向相关性。年初耕地面积对农地城市流转规模的负向影响作用在中部省份表现的最为显著，并向东、西两个方向省份递减。这一现象可以从近年来政府对农地城市流转愈加严格的管制中得到一定的解释。我国于2011 年正式启动永久基本农田划定工作，并于同年6 月发布了《全国主体功能区规划》，通过划分优化开发、重点开发、限制开发和禁止开发四类区域严控农地城市流转，避免城市规模的无序扩张。我国中部地区省份多为农业大省或国家粮食主产区，具有耕地资源丰富、耕地质量较高、农业生产总值占比大的特点，当地政府必须采取更为严格的措施控制耕地流转规模以确保当地农业的可持续发展，如河南省政府就曾于2015年12月专门出台《河南省人民政府关于进一步落实最严格耕地保护制度的若干意见》（豫政〔2015〕71号）以更好地落实最严格的耕地保护制度。已有研究[17、20]多认为年初耕地面积作为农地城市流转的自然供给因素，通常对其产生正向拉动作用，而本文通过GWR模型分析耕地面积因素在全国范围内对农地城市流转的影响程度发现，随着近年来永久性基本农田划定工作的持续推进以及中央、地方政府对耕地资源保护力度的不断增强使得耕地资源丰度与农地城市流转规模之间并非正向关系，且其影响程度存在明显的空间异质。
（3）第三产业比重。表8表明，31个省份“第三产业比重”因子的系数均为负，数值在-18.734 8到-1.782 8之间，这意味着各省份第三产业在产业结构中比重越高，农地城市流转规模越小。该因子对于农地城市流转规模的影响也呈现很明显的空间异质性，影响程度由我国东南部省份向西北部省份递减，即相比西北部省域，第三产业比重相同幅度的上升在東南部省份将会引起农地城市流转规模较大幅度的减小。我国东南部省份第三产业占比较高是我国近年来产业结构不断升级的重要体现，国民经济的重心向第二产业，进而向第三产业转移，产业结构不断优化升级。土地资源作为产业发展的基本要素，其利用结构必然会随产业结构的调整相应变化。我国现阶段的经济增长还处于依赖要素投入阶段，在工业用地利用模式相对粗放的背景下，产业结构升级势必能够减少对产业（建设）用地的需求，缓解农地城市流转压力。东南部省份作为我国产业调整升级的先驱，其加快产业结构升级、提高第三产业比重的趋势正在逐步改变依靠过度消耗资源换取增长的经济发展方式，对土地的需求逐渐降低，农地城市流转规模得到抑制。相比之下，西北地区由于其自然资源禀赋和社会经济发展特点，一、二产业占比仍居高不下，第三产业发展滞后，产业结构升级步伐缓慢，产业结构升级因子对农地城市流转规模的影响程度相对较弱。
（4）居民人均可支配收入。表9表明，31个省份居民人均可支配收入与农地城市流转规模间呈正向相关关系，即该省份人均可支配收入越高，农地城市流转规模越大，因子系数在0.410 3到1.661 2之间，差异较大。现有研究通常将居民人均可支配收入作为衡量经济发展水平的一项重要指标。根据中国统计年鉴的数据测算，我国居民人均年可支配收入在2000年至2015年间增长了5.92倍。土地需求是一种引致需求，居民收入的大幅增加、经济发展水平的提高刺激了人们对各类建设用地的需求，必然导致更大规模的农用地向城市建设用地流转。由表9可知，居民人均可支配收入对于农地城市流转规模的影响呈现明显的空间异质性，影响程度由东南部向北北部省份递减。东南部沿海省份居民人均可支配收入对农地城市流转规模的影响程度均高于内陆省份。原因可能在于，东部沿海省份人均可支配收入相对较高，较高的消费水平使得居民更偏向于投资房地产，改善居住条件，或是购买交通代步工具，增加对交通用地的需求，因此东部沿海省份人均可支配收入对住宅用地和交通运输用地的增加有较大幅度的推动作用。
3 结论与讨论
3.1 主要结论
本文在揭示我国大陆31个省（自治区、直辖市）农地城市流转规模在水平及纬度方向上的变化趋势的基础上，运用全域及局域自相关模型分析了我国农地城市流转规模的空间异质性，并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，得到以下主要结论：
（1）31个省（自治区、直辖市）的农地城市流转规模在水平及纬度方向上呈现不同变化趋势：在水平方向上，我国省域农地城市流转规模自西向东呈缓慢稳定上升趋势；在纬度方向上，农地城市流转规模则呈倒“U”型，即在我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。
（2）全国范围内的省域农地城市流转规模呈现出一定程度的空间关联特征，且省域农地城市流转的局部自相关随区域而变化，呈现空间异质性，其中：我国东中部的山东、安徽、江苏、浙江、福建、湖北、江西省七个省份为农地城市流转的“热点”；以新疆、西藏为代表的西北部为农地城市流转的“冷点”；我国东部向内陆过渡的河北、广东、广西、湖南、重庆所在区域呈“低-高关联”；其余区域省份未呈现出显著的空间关联。
（3）省域农地城市流转规模受到诸多因素影响，且这些因素对农地城市流转的影响程度因空间位置不同而变化，具有空间异质性。全社会固定资产投资额、居民人均可支配收入及年初耕地面积、第三产业比重是影响省域农地城市流转规模的重要因素。其中：从影响方向看，其中前两者为正向作用，后两者为负向作用；从影响程度看，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，空间异质性较小（系数在0.240 0到0.292 6之间），而年初耕地资源（系数在-0.438 6到-0.082 8之间）、第三产业比重（系数在-18.734 8到-1.782 8之间）和居民人均可支配收入（系数在0.410 3到1.661 2之间）对各省份农地城市流转规模的影响程度存在较大的空间异质。
以上研究结果意味着，对农地城市流转规模的规划和管制应充分考虑空间异质性的特征，提高规划方案或管制措施的有效性和针对性。首先，土地利用总体规划是国家实行土地用途管制的基础，按照我国行政区划分为全国、省（自治区、直辖市）、市（地）、县（市）和乡（镇）五级，其中《全国土地利用总体规划纲要》的任务之一是明确全国各区域土地利用的主要方向，对省级土地开发利用进行调控和管理。鉴于我国相邻省份农地城市流转规模在全局上呈现空间集聚特征，在局部区域表现出差异性的空间关联，因此，在制定和实施全国土地利用总体规划的过程中，应着眼于区域整体治理的视角，明确区域性的规划目标和
规划指标，进而通过差别化的指标约束和用途管制实现对不同区域内相关省份土地利用的合理规划与管理。其次，需采用差异性的综合性的经济和政策调控措施控制农地城市流转规模，具体而言：应优化全社会固定资产投资规模以实现对不同区域内各省份农地城市流转规模的有效控制；继续坚持实施最为严格的耕地保护政策，严格控制各省份尤其是中部地区农业大省的农地城市流转规模；加快我国东南部省份的产业结构升级，通过合理优化产业结构降低农地城市流转压力；在确保经济快速发展的前提下，逐步转变原有的依靠过度消耗土地资源换取经济增长的发展方式。
3.2 讨论
由于数据获取的限制，本文仅在省域尺度上对一个特定年度内的农地城市流转规模及其影响因素作用程度的空间异质性进行了研究。在今后的研究中，应结合多个年份的面板数据在市域、县域、地块等多种尺度上展开研究，通过将时间和空间信息同时纳入模型实现对农地城市流转规模及其影响因素空间异质性的动态研究，以丰富该领域的研究成果。在地理加权回归模型的基础上加入时间效应的时空地理加权回归模型（GTWR）能够在时间和空间两个维度上对不同空间单元的参数变异进行捕捉，因此可作为一种可行的尝试。
参考文献（References）
[1]HABERL H. Competition for land： a sociometabolic perspective[J]. Ecological economics， 2015，119： 424-431.
[2]LIU Y， TANG W， HE J， et al. A landuse spatial optimization model based on genetic optimization and game theory[J]. Computers， environment and urban systems， 2015， 49： 1-14.
[3]张雄，张安录，闵敏. 湖北省农地城市流转效率及其影响因素[J]. 中国人口·资源与环境，2013（3）：146-151.[ZHANG Xiong， ZHANG Anlu， MIN Min. Evaluation on ruralurban land conversion efficiency of Hubei Province[J]. China population， resources and environment， 2013（3）：146-151.]
[4]钟海玥. 农地城市流转与经济增长的交互作用及其尺度效應[D]. 武汉：华中农业大学，2014：1-2.[ZHONG Haiyue. Interaction between ruralurban land conversion and its spatial scale effects[D]. Wuhan： Huazhong Agricultural University， 2014： 1-2.]
[5]张修芳，牛叔文，冯骁， 等. 天水城市扩张的时空特征及动因分析[J]. 地理研究， 2013（12）： 2312-2323.[ZHANG Xiufang， NIU Shuwen， FENG Xiao， et al. Spatialtemporal characteristics and driving factors of urban land expansion of a valley city： a case study of Tianshui City in Western China[J]. Geographical research， 2013 （12）： 2312-2323.]
[6]肖琳，田光进，乔治. 基于Agent的城市扩张占用耕地动态模型及模拟[J]. 自然资源学报， 2014（3）：516-527.[XIAO Lin， TIAN Guangjin， QIAO Zhi. An agentbased approach for urban encroachment on cropland dynamic model and simulation[J]. Journal of natural resources， 2014（3）：516-527.]
[7]任平，吴涛，周介铭. 耕地非农化的空间过程与扩散路径研究——以成都市龙泉驿区为例[J]. 中国土地科学， 2015（12）：68-73，94.[REN Ping， WU Tao， ZHOU Jieming. Study on the spatial pattern and diffusion path of cultivated land conversion： a case study in Chengdu Longquanyi District[J]. China land sciences， 2015 （12）：68-73，94.]
[8]张孝宇， 谢新朋， 张安录. 武汉市耕地非农化的空间非均衡发展与空间扩散路径分析[J]. 自然资源学报， 2014（10）：1649-1659.[ZHANG Xiaoyu， XIE Xinpeng， ZHANG Anlu. Spatial unbalanced development and diffusion route of farmland conversion in Wuhan City[J]. Journal of natural resources， 2014（10）：1649-1659.]
[9]李涛， 廖和平， 褚远恒， 等. 重庆市农地非农化空间非均衡及形成机理[J]. 自然资源学报， 2016， 31（11）：1844-1857.[LI Tao， LIAO Heping， CHU Yuanheng， et al. Spatial disequilibrium and its formation mechanism of farmland conversion in Chongqing[J]. Journal of natural resources， 2016， 31（11）：1844-1857.]
[10]张孝宇， 赖宗裕， 张安录. 基于地块尺度的耕地非农化驱动力空间异质性研究——以武汉市为例[J]. 长江流域资源与环境， 2015， 24（6）： 994-1002.[ZHANG Xiaoyu， LAI Zongyu， ZHANG Anlu. Spatial heterogeneity in driving forces of farmland conversion based on patch scale： a case study of Wuhan City[J]. Resources and environment in the Yangze Basin， 2015， 24（6）： 994-1002.]
[11]蔡运龙，霍雅勤. 耕地非农化的供给驱动[J]. 中国土地，2002（7）：20-22.[CAI Yunlong， HUO Yaqin. The supply driving forces of farmland conversion[J]. China land， 2002（7）：20-22.]
[12]田玉忠， 石志恒. 耕地非农化的供求驱动分析——以陕西省为例[J]. 开发研究， 2007（3）：25-27.[TIAN Yuzhong， SHI Zhiheng. The supply and demanding driving forces of farmland conversion： a case study of Shanxi[J]. Research on development， 2007（3）：25-27.]
[13]苑韶峰， 杨丽霞， 杨桂山， 等. 耕地非农化的社会经济驱动因素异质性研究——基于 STIRPAT 和 GWR 模型的实证分析[J]. 经济地理， 2013， 33（5）： 137-143.[YUAN Shaofeng， YANG Lixia， YANG Guishan， et al. The spatial heterogeneity of socioeconomic driving factors of cultivated land conversion： a case based on STIRPAT and GWR models[J]. Economic geography， 2013， 33（5）： 137-143.]
[14]張良悦， 师博， 刘东. 城市化进程中农地非农化的政府驱动——基于中国地级以上城市面板数据的分析[J]. 当代经济科学， 2008， 30（3）： 33-41， 125.[ZHANG Liangyue， Shi Bo， LIU Dong. Toward government driving of nonagriculture usage of rural land in urbanization： an analysis based on cities panel data in China[J]. Modern economic science， 2008， 30（3）： 33-41， 125.]
[15]张俊峰， 张安录， 何雄. 土地资源空间异质性及差别化政策研究[J]. 西北农林科技大学学报 （社会科学版）， 2016 （6）： 21-28.[ZHANG Junfeng， ZHANG Anlu， HE Xiong. Formation and transmission mechanism of land resources spatial heterogeneity and differentiated land policy[J]. Journal of Northwest A & F University （social sciences edition）， 2016 （6）： 21-28.]
[16]钟海玥， 张安录. 基于分层线性模型的武汉城市圈农地城市流转经济驱动机制研究[J]. 经济地理， 2014， 34（5）： 76-82.[ZHONG Haiyue， ZHANG Anlu. Land conversion driving forces based on hierarchical linear models： a case study in Wuhan Metropolitan Area[J]. Economic geography， 2014， 34（5）： 76-82.]
[17]魏倩倩， 任志远. 半干旱地区典型城市耕地面积变化空间差异及驱动力分析——以西安市为例[J]. 水土保持研究， 2016， 23（1）： 284-288.[WEI Qianqian， REN Zhiyuan. Spatial differences of cultivated land change and driving force analysis in typical semiarid area： a case study of Xian City[J]. Research of soil and water conservation， 2016， 23（1）： 284-288.]
[18]BRUNSDON C， FOTHERINGHAM A S， CHARLTON M E. Geographically weighted regression： a method for exploring spatial nonstationarity[J]. Geographical analysis， 1996， 28（4）： 281-298.
[19]FOTHERINGHAM A S， BRUNSDON C， CHARLTON M. Geographically weighted regression： the analysis of spatially varying relationships[J]. Geographical analysis， 2003，35（3）：272-275.
[20]曲福田， 陈江龙， 陈雯. 农地非农化经济驱动机制的理论分析与实证研究[J]. 自然资源学报， 2005， 20 （2）： 231-241.[QU Futian， CHEN Jianglong， CHEN Wen. Theoretical and empirical study on the land conversion economic driving forces[J]. Journal of natural resources， 2005， 20 （2）：231-241.]
摘要 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：①31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。
关键词 农地城市流转；规模；影响因素；空间异质性
中图分类号 F301.2文献标识码 A文章编号 1002-2104（2018）01-0054-09DOI：10.12062/cpre.20170701
土地资源是支撑社会经济发展不可或缺的自然资源基础，其稀缺性决定了不同用途、不同部门对土地的需求存在激烈竞争，从而导致不同的资源配置状态[1-2]。农地城市流转是城镇化的表现形式之一，其实质是农地与建设用地之间竞争的结果[3]。1978至2016年间，我国城镇化率由17.92%上升至57.35%，随之而来的是我国城市规模的快速扩张，城市建设用地面积由1981年的6.72×103 km2增至2012年的45.75×103 km2，扩大6.81倍，年均扩张速率高达6.38%[4]，大规模的农地城市流转无疑给我国的耕地保护带来了巨大压力。学者们对农地城市流转规律的现有研究集中在对城市扩张的情景（动态）模拟、时空特征分析[5-6]，耕地非农化的空间过程描述、空间非均衡分析[7-9]等方面；对其影响因素的研究多以对其驱动机制的定性或定量分析为主，主要从要素禀赋[10]、社会经济条件[11-13]、政策制度因素[14]等角度运用传统计量经济模型展开讨论，较少将空间地理因素纳入对社会、经济现象的考虑。而实际上，作为自然和社会经济的综合体，土地资源具有高度分化的特征，区域土地数量、质量、结构等特征具有显著的空间异质性[15]。那么，农地城市流转规模在空间上是否存在一定规律，农地城市流转规模诸多影响因素的作用程度是否会因空间位置不同而存在差異？对这些问题的关注不足是导致当前我国土地管理制度和政策针对性较弱、有效性不足的主要原因之一。因此，从空间异质的视角研究农地城市流转规模的变化规律及其影响因素作用程度的变化规律，有助于进一步揭示农地城市流转的复杂性和多样性，对于差别化的、有针对性地控制农地城市流转规模，进而有效保护有限的耕地资源具有重要意义。基于此，本文以2014年为时间断面，力图揭示省域尺度下我国农地城市流转规模的空间分异规律，并进一步探讨省域农地城市流转规模影响因素作用程度的空间异质性。期望为国家制定相关的土地利用规划及土地用途管制政策，控制农地城市流转规模提供一定的理论参考和实践依据。
1 模型构建
1.1 农地城市流转规模的空间异质性分析模型
1.1.1 全域空间自相关
全域关联程度多通过莫兰指数（Morans I）来评价在地理位置上临近区域观测点属性的相似程度，并以此探究该现象在空间地理上是否具有空间集聚和空间分异的特征，见式（1）。
Morans I取值一般在-1到1之间，大于0表示正相关，其值接近1时表明高值聚类或低值聚类，小于0时表示负相关，接近-1时表明高低值聚类。如果Morans I值为0，则表示随机分布，即不存在空间相关性。标准化的Z统计量常用来判断其显著性，见式（2）。
1.1.2 局域空间自相关
全域空间自相关分析只能在整体上体现出具有空间地理位置的某要素是否呈现出空间集聚或分异的特征，却无法体现局部观测要素的空间集聚特征，该问题可通过局域空间自相关模型LISA（Local Indicators of Spatial Association）方法描述观测要素在某空间位置上与相邻空间位置属性的相似程度来解决。局域Morans I的高值说明单元属性相似的空间观测点存在集聚特征，见式（3）。
1.2 农地城市流转影响因素选取及其空间异质性分析模型
1.2.1 影响因素选取
回顾已有研究[13，16-17]并结合我国农地城市流转现状发现，影响农地城市流转规模的因素一般包括供给、需求、经济发展和制度政策等方面。供给影响因素包括耕地资源禀赋、农地城市流转收益分配比、不同用途下土地收益差等；需求影响因素涉及导致流转需求增加的因素，包括人口和投资等；而制度和经济因素包括土地流转政策、耕地保护制度和土地交易市场的建设等。基于对数据可获得性的考虑，本文以农地城市流转规模（y）为因变量，选取以下七个影响因素展开研究：城镇人口比重（x1）、人均地区生产总值（x2）、全社会固定资产投资额（x3）、年初耕地面积（x4）、第三产业比重（x5）、居民人均可支配收入（x6）、城市人口密度（x7）。具体而言：年初耕地面积属于供给影响因素，耕地资源禀赋越丰富，则人地关系的紧张程度相对较低，农地非农化比例相对较小。城镇人口比重、人均国内生产总值、居民可支配收入、城市人口密度和全社会固定资产投资额则代表需求影响因素中的人口和投资因素，其中：城镇人口比重是城市化水平的表征，城市人口密度对农地城市流转产生需求压力，二者是农地城市流转的直接推动力；人均国内生产总值、居民可支配收入体现衡量经济发展水平重要指标，全社会固定资产投资额的高低表征了城市和工业基础设施的建设以及场地购买的数量水平，由于我国仍处于经济增长主要依靠要素投入的增加来支撑的社会经济发展阶段，因此上述因素对农地城市流转规模有重要影响。第三产业比重则代表农地城市流转在经济方面的影响因素。此外，耕地保护制度、农地转用政策和土地市场运行等构成了影响农地城市流转的制度因素：从宏观政策层面看，我国实行的土地利用总体规划制度、土地用途管制制度、永久性基本农田划定制度等对各省农地城市流转规模具有全局影响；而从中观政策层面看，各省、市的农地城市流转政策存在一定地区差异，如重庆、成都等地实施的“地票”制度实际上对农地城市流转有正向推动作用。但考虑到政策因素难以通过数据进行量化，且本文旨在对省域农地城市流转规模的截面数据进行研究，而”地票”交易等制度在部分城市展开，因此本文假定短期内国家宏观政策制度环境不变，从而侧重研究影响全国农地城市流转规模的上述因素作用程度的空间分异。
1.2.2 模型构建
农地城市流转规模数据作为空间数据，包含其所在空间位置的特征，而特定空间位置之间的相异特征会引起农地城市流转规模随空间变化，即导致农地城市流转规模在空间位置上产生分异。地理加权回归（GWR）模型能够描述变量在空间地理位置上的变化情况，使得回归参数估算更注重局部而非全局，且能够通过引入“权重”来刻画观测对象在局部区域内所受的影响；此外，该模型能通过各观测点的回归系数描述自变量与因变量间随地理位置变化的规律，从而实现对农地城市流转各影响因素在不同空间地理位置上的空间非平稳性的描述，以及对不同因素影响作用叠加下各区域农地城市流转规模的量化。因此，GWR模型的应用特性与农地城市流转的特性较为吻合，该模型在研究农地城市流转规模影响因素作用程度的空间异质性方面具有较强的适宜性。
空间权重函数是GWR模型的核心，对参数估计结果有重要影响[18]。高斯（Gauss）函数和bisquare函数是GWR模型常用的权重函数[19]。考虑到我国各省份土地面积悬殊，采用bisquare函数有可能将因带宽设置不当而导致GWR模型估计产生误差，因此选取能够将所有观测样本的空间权重都纳入模型的高斯函数作为该模型的权重函数。选择带宽时，采用调整型空间核（Adaptive）以保持对当前考察省份农地城市流转产生影响的周边省份数量不变，即带宽可随省份分布的疏密程度而自行调节，带宽为不定值，即各省份的观测值对当前考察省份观测值的空间权重根据自行调整的带宽长度确定。本文依据Akaike准则获取最优带宽，在指定调整型空间核的基础上自动查找最佳距离/近邻参数。
GWR表达农地城市流转影响因素的影响程度随空间位置改变而产生的变化，回归系数随回归点而变化。本文GWR模型见式（5），省域i的农地城市流转规模yi表达为第j个自变量（第0个自变量为常数，其余自变量的含义见表1）与相应系数βij乘积的总和，ε为残差。
在GWR模型中，运用权重的高斯函数量化描述各样本点对第i个省份农地城市流转规模的影响：
2 结果与分析
2.1 数据来源及其描述性统计
本文选取我国除港澳台以外的大陆行政区划的31个省（自治区和直辖市）为研究区域，在西安80坐标系下划定上述省份的行政界限，在省域尺度上为农地城市流转规模以及城镇人口比重、人均地区生产总值、全社会固定资产投资额、年初耕地面积、第三产业比重、居民人均可支配收入、城市人口密度七個影响因素建立相应的shapefile，分层录入其空间位置和属性信息。其中，当年征收土地面积和年初耕地面积来源于《中国国土资源统计年鉴》（2015），城镇人口比重、人均地区生产总值、全社会固定资产投资额、第三产业比重、居民人均可支配收入、城市人口密度数据来源于《中国统计年鉴》（2015）。
由表2可知，省域农地城市流转规模中位数为36.74 km2，平均值为47.70 km2，一半以上省份的农地城市流转规模在平均值以下；标准差为37.23 km2，表明样本农地城市流转数据离散程度较大；偏度系数为正（0.90），表明样本农地城市流转数据分布具有正偏离，数据分布右侧有较长的尾部，即右偏态；峰度为3.02，说明数据分布比标准正态分布更陡峭，分布更集中。《中国国土资源统计年鉴》（2015）的数据显示，2014年各省份农地城市流转规模的空间差异明显，整体呈现由东部沿海发达省份向中部省份再向西南省份及东北、西北地区省份逐渐降低的趋势。
2.2 农地城市流转规模的空间异质性分析结果
探索性空间数据分析（ESDA）可以初步分析观测对象的空间信息并描述其在空间上的集聚和分异现象。本文使用该方法对2014年省域农地城市流转规模数据进行全局趋势描述以及空间异质性分析。
2.2.1 全局趋势分析
农地城市流转规模的全局趋势分析是将数据投影到水平与纬度的正交平面上，观察其在水平方向和纬度方向上的变化规律，本文利用ArcGIS中Geostatistical Analyst模块的ESDA工具生成31个省域农地城市流转规模趋势图。如图1所示，在X方向上（经度趋势），省域农地城市流转规模呈不断上升趋势且尚未达到拐点，表明我国农地城市流转规模从西向东呈现单调上升的趋势；且上升曲线平缓，说明省域农地城市流转规模由西向东上升幅度稳定，变化较小。在Y方向上（纬度趋势），流转规模变化呈倒“U”型，说明省域农地城市流转规模在我国中部地区省份达到最大值，并分别沿着南北方向的省份递减。
2.2.2 空间异质性分析
2.2.2.1 全局自相关分析
对省域农地城市流转规模进行全局空间自相关分析，结果显示Morans I指数为0.14，表明全国省域农地城市流转规模存在正的空间自相关，即高值或低值集聚。显著性检验结果显示，标准化Z值为2.91，大于正态分布99%置信区间双侧检验阈值2.58，这表明”全国农地城市流转规模在空间上随机分布”这一假设成立的可能性小于1%，即我国省域农地城市流转规模在0.01的显著性水平上呈现出明显的空间自相关。由此可见，全国省域农地城市流转规模在空间上并非随机分布，相邻省份农地城市流转规模在整体上呈现空间集聚特征。
2.2.2.2 局部自相关分析
进一步地，运用OpenGeoDa空间分析工具进行局域自相关分析，即测算省域农地城市流转规模的Local Morans I指数。Moran散点图的四个象限Ⅰ、Ⅱ、Ⅲ、Ⅳ分别表示“高-高自相关（HH）”、“低-高自相关（LH）”、“低-低自相关（LL）”、“高-低自相关（HL）”。图2表明，我国大部分省域的Local Morans I指数位于第Ⅰ、Ⅲ象限内，大部分省域的农地城市流转规模与其临近省份存在正向相关性，即“高-高关联”或“低-低关联”。
为进一步明确集聚发生的区域，本文采用GeoDA中的局部空间自相关分析功能揭示各省份农地城市流转规模的空间联系的局部指标（LISA）。表3显示了全国农地城市流转规模的局部自相关随空间位置变化的情况，我国农地城市流转规模并非随机分布，具有明显的空间集聚现象，具体而言：
（1）高-高聚类：包括我國东中部的山东、安徽、江苏、浙江、福建、湖北、江西七省，其共同特点是经济发展水平高，城市建设速度快，用地需求强烈，迫切要求大量农地转为城市用地以满足日益增长的建设用地需求。这部分省域农地城市流转规模呈现“高-高关联”，是农地城市流转的“热点”区域。
（2）低-高聚类：包括北京、天津、上海、重庆四个直辖市和河北、辽宁、湖南、广西、广东五个省份。其中：河北、辽宁、江西、重庆、湖南、广西、广东农地城市流转规模较中部沿海省份低，较内陆地区又相对高，这部分农地城市流转规模呈现“低-高关联”。而北京、天津和上海的城市发展进程长，城市规模和发展模式较稳定、合理，土地需求较发展中的沿海地区低。
（3）低-低聚类：主要包括新疆、西藏为代表的我国西北部地区。新疆、西藏经济发展缓慢，因城市扩张而产生的农地转用需求较小。其周边省域也被相似的状况影响而呈现相似规律，农地城市流转规模较小，这些省域呈现出“低-低关联”现象，这部分省份为全国农地城市流转的“冷点”。
2.3 农地城市流转影响因素作用程度的空间异质性分析结果
2.3.1 模型预处理
多重共线性检验结果（见表1）表明模型的解释变量间存在一定的相关关系，会大大降低模型估计的准确性。因此，将方差膨胀因子VIF值>7.5的城镇人口比重、人均地区生产总值、城市人口密度三个因素作为冗余变量排除。
去除冗余变量后，通过计算残差平方和和Sigma值来判断地理加权回归模型对于农地城市流转问题的拟合度。如表4所示，R2和Adjusted R2值分别达到了0.872和0.799。表明GWR模型对研究农地城市流转规模空间非平稳性有较高的拟合度。
对模型回归残差进行空间自相关分析可检验回归残差是否为随机分布，如果存在高值或低值的显著聚类则表明错误地指定了地理加权回归模型。表5表明，残差在空间上随机分布，这也验证了模型选取的正确性。
条件数（cond）可用于评估局部是否存在多重共线性，若局部存在较强的多重共线性，则会大大降低模型结果的稳定性；Local值则用于评估模型局部的解释功能，Local值过低则表明该模型的局部拟合功能不佳。结果表明，31个样本点（省份）的条件数均低于30，表明并不存在局部共线性，系数估计结果可靠，同时31个样本点的Local值均处于0.75—0.91之间，表明局部模拟性能良好。
2.3.2 影响因素作用程度的空间异质性分析
解释变量系数随样本点空间位置的变化而变化，通过GWR模型输出解释变量系数空间分布图可揭示各影响因子在不同空间位置上作用程度的差异。
（1）全社会固定资产投资额。表6揭示了全社会固定资产投资额对农地城市流转规模的影响程度在空间上的差异。31个省份“固定资产投资额”因子的系数全部为正，数值在0.240 0到0.292 6之间。这表明全国范围内各省域的全社会固定资产投资额越高，农地城市流转规模越大，且存在空间异质性：从水平方向上来看，西部省份全社会固定资产投资额对农地城市流转规模的正向影响高于中部地区、中部地区又高于东部地区。这一特点与东、西部省份在经济投资上的差异密切相关，从全社会固定资产投资总额上看，东部地区经济发展水平较高，经济投入高且稳定，东部地区省份的全社会固定资产投资额要高于西部地区；从投资结构上看，2014年在东部地区省份的全社会固定资产投资额中，批发零售业、交通运输业、仓储和邮政业、住宿和餐饮业、信息传输、软件和信息技术服务业、金融业、租赁和商务服务业、科学研究和技术服务业的投资比重高达37.85%，仅24.29%的部分用于建筑业和房地产业投资。相较而言，西部地区的固定资产投资额中则有超过32.43%的部分用于建筑业和房地产业投资。结合投资的边际效用递减规律、投资的结构以及我国国情和经济发展的特点，西部省份城市建设起步较晚发展、水平较低，对于全社会固定资产投资的敏感度更高，因此，相对于东部省份而言，西部省份因全社会固定资产投资总额增加而引起的农地城市流转规模增幅更为明显，所以该因子在西部省份对农地城市流转的正向拉动作用明显高于其在东部地区的作用。
（2）年初耕地面积。表7揭示了年初耕地面积对农地城市流转规模的影响程度在空间上的差异。31个省份“年初耕地面积”因子的系数均为负，数值在-0.438 6到-0.082 8之间，这表明全国范围内各省域年初耕地面积与农地城市流转规模呈负向相关性。年初耕地面积对农地城市流转规模的负向影响作用在中部省份表现的最为显著，并向东、西两个方向省份递减。这一现象可以从近年来政府对农地城市流转愈加严格的管制中得到一定的解释。我国于2011 年正式启动永久基本农田划定工作，并于同年6 月发布了《全国主体功能区规划》，通过划分优化开发、重点开发、限制开发和禁止开发四类区域严控农地城市流转，避免城市规模的无序扩张。我国中部地区省份多为农业大省或国家粮食主产区，具有耕地资源丰富、耕地质量较高、农业生产总值占比大的特点，当地政府必须采取更为严格的措施控制耕地流转规模以确保当地农业的可持续发展，如河南省政府就曾于2015年12月专门出台《河南省人民政府关于进一步落实最严格耕地保护制度的若干意见》（豫政〔2015〕71号）以更好地落实最严格的耕地保护制度。已有研究[17、20]多认为年初耕地面积作为农地城市流转的自然供给因素，通常对其产生正向拉动作用，而本文通过GWR模型分析耕地面积因素在全国范围内对农地城市流转的影响程度发现，随着近年来永久性基本农田划定工作的持续推进以及中央、地方政府对耕地资源保护力度的不断增强使得耕地资源丰度与农地城市流转规模之间并非正向关系，且其影响程度存在明显的空间异质。
（3）第三产业比重。表8表明，31个省份“第三产业比重”因子的系数均为负，数值在-18.734 8到-1.782 8之间，这意味着各省份第三产业在产业结构中比重越高，农地城市流转规模越小。该因子对于农地城市流转规模的影响也呈现很明显的空间异质性，影响程度由我国东南部省份向西北部省份递减，即相比西北部省域，第三产业比重相同幅度的上升在東南部省份将会引起农地城市流转规模较大幅度的减小。我国东南部省份第三产业占比较高是我国近年来产业结构不断升级的重要体现，国民经济的重心向第二产业，进而向第三产业转移，产业结构不断优化升级。土地资源作为产业发展的基本要素，其利用结构必然会随产业结构的调整相应变化。我国现阶段的经济增长还处于依赖要素投入阶段，在工业用地利用模式相对粗放的背景下，产业结构升级势必能够减少对产业（建设）用地的需求，缓解农地城市流转压力。东南部省份作为我国产业调整升级的先驱，其加快产业结构升级、提高第三产业比重的趋势正在逐步改变依靠过度消耗资源换取增长的经济发展方式，对土地的需求逐渐降低，农地城市流转规模得到抑制。相比之下，西北地区由于其自然资源禀赋和社会经济发展特点，一、二产业占比仍居高不下，第三产业发展滞后，产业结构升级步伐缓慢，产业结构升级因子对农地城市流转规模的影响程度相对较弱。
（4）居民人均可支配收入。表9表明，31个省份居民人均可支配收入与农地城市流转规模间呈正向相关关系，即该省份人均可支配收入越高，农地城市流转规模越大，因子系数在0.410 3到1.661 2之间，差异较大。现有研究通常将居民人均可支配收入作为衡量经济发展水平的一项重要指标。根据中国统计年鉴的数据测算，我国居民人均年可支配收入在2000年至2015年间增长了5.92倍。土地需求是一种引致需求，居民收入的大幅增加、经济发展水平的提高刺激了人们对各类建设用地的需求，必然导致更大规模的农用地向城市建设用地流转。由表9可知，居民人均可支配收入对于农地城市流转规模的影响呈现明显的空间异质性，影响程度由东南部向北北部省份递减。东南部沿海省份居民人均可支配收入对农地城市流转规模的影响程度均高于内陆省份。原因可能在于，东部沿海省份人均可支配收入相对较高，较高的消费水平使得居民更偏向于投资房地产，改善居住条件，或是购买交通代步工具，增加对交通用地的需求，因此东部沿海省份人均可支配收入对住宅用地和交通运输用地的增加有较大幅度的推动作用。
3 结论与讨论
3.1 主要结论
本文在揭示我国大陆31个省（自治区、直辖市）农地城市流转规模在水平及纬度方向上的变化趋势的基础上，运用全域及局域自相关模型分析了我国农地城市流转规模的空间异质性，并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，得到以下主要结论：
（1）31个省（自治区、直辖市）的农地城市流转规模在水平及纬度方向上呈现不同变化趋势：在水平方向上，我国省域农地城市流转规模自西向东呈缓慢稳定上升趋势；在纬度方向上，农地城市流转规模则呈倒“U”型，即在我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。
（2）全国范围内的省域农地城市流转规模呈现出一定程度的空间关联特征，且省域农地城市流转的局部自相关随区域而变化，呈现空间异质性，其中：我国东中部的山东、安徽、江苏、浙江、福建、湖北、江西省七个省份为农地城市流转的“热点”；以新疆、西藏为代表的西北部为农地城市流转的“冷点”；我国东部向内陆过渡的河北、广东、广西、湖南、重庆所在区域呈“低-高关联”；其余区域省份未呈现出显著的空间关联。
（3）省域农地城市流转规模受到诸多因素影响，且这些因素对农地城市流转的影响程度因空间位置不同而变化，具有空间异质性。全社会固定资产投资额、居民人均可支配收入及年初耕地面积、第三产业比重是影响省域农地城市流转规模的重要因素。其中：从影响方向看，其中前两者为正向作用，后两者为负向作用；从影响程度看，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，空间异质性较小（系数在0.240 0到0.292 6之间），而年初耕地资源（系数在-0.438 6到-0.082 8之间）、第三产业比重（系数在-18.734 8到-1.782 8之间）和居民人均可支配收入（系数在0.410 3到1.661 2之间）对各省份农地城市流转规模的影响程度存在较大的空间异质。
以上研究结果意味着，对农地城市流转规模的规划和管制应充分考虑空间异质性的特征，提高规划方案或管制措施的有效性和针对性。首先，土地利用总体规划是国家实行土地用途管制的基础，按照我国行政区划分为全国、省（自治区、直辖市）、市（地）、县（市）和乡（镇）五级，其中《全国土地利用总体规划纲要》的任务之一是明确全国各区域土地利用的主要方向，对省级土地开发利用进行调控和管理。鉴于我国相邻省份农地城市流转规模在全局上呈现空间集聚特征，在局部区域表现出差异性的空间关联，因此，在制定和实施全国土地利用总体规划的过程中，应着眼于区域整体治理的视角，明确区域性的规划目标和
规划指标，进而通过差别化的指标约束和用途管制实现对不同区域内相关省份土地利用的合理规划与管理。其次，需采用差异性的综合性的经济和政策调控措施控制农地城市流转规模，具体而言：应优化全社会固定资产投资规模以实现对不同区域内各省份农地城市流转规模的有效控制；继续坚持实施最为严格的耕地保护政策，严格控制各省份尤其是中部地区农业大省的农地城市流转规模；加快我国东南部省份的产业结构升级，通过合理优化产业结构降低农地城市流转压力；在确保经济快速发展的前提下，逐步转变原有的依靠过度消耗土地资源换取经济增长的发展方式。
3.2 讨论
由于数据获取的限制，本文仅在省域尺度上对一个特定年度内的农地城市流转规模及其影响因素作用程度的空间异质性进行了研究。在今后的研究中，应结合多个年份的面板数据在市域、县域、地块等多种尺度上展开研究，通过将时间和空间信息同时纳入模型实现对农地城市流转规模及其影响因素空间异质性的动态研究，以丰富该领域的研究成果。在地理加权回归模型的基础上加入时间效应的时空地理加权回归模型（GTWR）能够在时间和空间两个维度上对不同空间单元的参数变异进行捕捉，因此可作为一种可行的尝试。
参考文献（References）
[1]HABERL H. Competition for land： a sociometabolic perspective[J]. Ecological economics， 2015，119： 424-431.
[2]LIU Y， TANG W， HE J， et al. A landuse spatial optimization model based on genetic optimization and game theory[J]. Computers， environment and urban systems， 2015， 49： 1-14.
[3]张雄，张安录，闵敏. 湖北省农地城市流转效率及其影响因素[J]. 中国人口·资源与环境，2013（3）：146-151.[ZHANG Xiong， ZHANG Anlu， MIN Min. Evaluation on ruralurban land conversion efficiency of Hubei Province[J]. China population， resources and environment， 2013（3）：146-151.]
[4]钟海玥. 农地城市流转与经济增长的交互作用及其尺度效應[D]. 武汉：华中农业大学，2014：1-2.[ZHONG Haiyue. Interaction between ruralurban land conversion and its spatial scale effects[D]. Wuhan： Huazhong Agricultural University， 2014： 1-2.]
[5]张修芳，牛叔文，冯骁， 等. 天水城市扩张的时空特征及动因分析[J]. 地理研究， 2013（12）： 2312-2323.[ZHANG Xiufang， NIU Shuwen， FENG Xiao， et al. Spatialtemporal characteristics and driving factors of urban land expansion of a valley city： a case study of Tianshui City in Western China[J]. Geographical research， 2013 （12）： 2312-2323.]
[6]肖琳，田光进，乔治. 基于Agent的城市扩张占用耕地动态模型及模拟[J]. 自然资源学报， 2014（3）：516-527.[XIAO Lin， TIAN Guangjin， QIAO Zhi. An agentbased approach for urban encroachment on cropland dynamic model and simulation[J]. Journal of natural resources， 2014（3）：516-527.]
[7]任平，吴涛，周介铭. 耕地非农化的空间过程与扩散路径研究——以成都市龙泉驿区为例[J]. 中国土地科学， 2015（12）：68-73，94.[REN Ping， WU Tao， ZHOU Jieming. Study on the spatial pattern and diffusion path of cultivated land conversion： a case study in Chengdu Longquanyi District[J]. China land sciences， 2015 （12）：68-73，94.]
[8]张孝宇， 谢新朋， 张安录. 武汉市耕地非农化的空间非均衡发展与空间扩散路径分析[J]. 自然资源学报， 2014（10）：1649-1659.[ZHANG Xiaoyu， XIE Xinpeng， ZHANG Anlu. Spatial unbalanced development and diffusion route of farmland conversion in Wuhan City[J]. Journal of natural resources， 2014（10）：1649-1659.]
[9]李涛， 廖和平， 褚远恒， 等. 重庆市农地非农化空间非均衡及形成机理[J]. 自然资源学报， 2016， 31（11）：1844-1857.[LI Tao， LIAO Heping， CHU Yuanheng， et al. Spatial disequilibrium and its formation mechanism of farmland conversion in Chongqing[J]. Journal of natural resources， 2016， 31（11）：1844-1857.]
[10]张孝宇， 赖宗裕， 张安录. 基于地块尺度的耕地非农化驱动力空间异质性研究——以武汉市为例[J]. 长江流域资源与环境， 2015， 24（6）： 994-1002.[ZHANG Xiaoyu， LAI Zongyu， ZHANG Anlu. Spatial heterogeneity in driving forces of farmland conversion based on patch scale： a case study of Wuhan City[J]. Resources and environment in the Yangze Basin， 2015， 24（6）： 994-1002.]
[11]蔡运龙，霍雅勤. 耕地非农化的供给驱动[J]. 中国土地，2002（7）：20-22.[CAI Yunlong， HUO Yaqin. The supply driving forces of farmland conversion[J]. China land， 2002（7）：20-22.]
[12]田玉忠， 石志恒. 耕地非农化的供求驱动分析——以陕西省为例[J]. 开发研究， 2007（3）：25-27.[TIAN Yuzhong， SHI Zhiheng. The supply and demanding driving forces of farmland conversion： a case study of Shanxi[J]. Research on development， 2007（3）：25-27.]
[13]苑韶峰， 杨丽霞， 杨桂山， 等. 耕地非农化的社会经济驱动因素异质性研究——基于 STIRPAT 和 GWR 模型的实证分析[J]. 经济地理， 2013， 33（5）： 137-143.[YUAN Shaofeng， YANG Lixia， YANG Guishan， et al. The spatial heterogeneity of socioeconomic driving factors of cultivated land conversion： a case based on STIRPAT and GWR models[J]. Economic geography， 2013， 33（5）： 137-143.]
[14]張良悦， 师博， 刘东. 城市化进程中农地非农化的政府驱动——基于中国地级以上城市面板数据的分析[J]. 当代经济科学， 2008， 30（3）： 33-41， 125.[ZHANG Liangyue， Shi Bo， LIU Dong. Toward government driving of nonagriculture usage of rural land in urbanization： an analysis based on cities panel data in China[J]. Modern economic science， 2008， 30（3）： 33-41， 125.]
[15]张俊峰， 张安录， 何雄. 土地资源空间异质性及差别化政策研究[J]. 西北农林科技大学学报 （社会科学版）， 2016 （6）： 21-28.[ZHANG Junfeng， ZHANG Anlu， HE Xiong. Formation and transmission mechanism of land resources spatial heterogeneity and differentiated land policy[J]. Journal of Northwest A & F University （social sciences edition）， 2016 （6）： 21-28.]
[16]钟海玥， 张安录. 基于分层线性模型的武汉城市圈农地城市流转经济驱动机制研究[J]. 经济地理， 2014， 34（5）： 76-82.[ZHONG Haiyue， ZHANG Anlu. Land conversion driving forces based on hierarchical linear models： a case study in Wuhan Metropolitan Area[J]. Economic geography， 2014， 34（5）： 76-82.]
[17]魏倩倩， 任志远. 半干旱地区典型城市耕地面积变化空间差异及驱动力分析——以西安市为例[J]. 水土保持研究， 2016， 23（1）： 284-288.[WEI Qianqian， REN Zhiyuan. Spatial differences of cultivated land change and driving force analysis in typical semiarid area： a case study of Xian City[J]. Research of soil and water conservation， 2016， 23（1）： 284-288.]
[18]BRUNSDON C， FOTHERINGHAM A S， CHARLTON M E. Geographically weighted regression： a method for exploring spatial nonstationarity[J]. Geographical analysis， 1996， 28（4）： 281-298.
[19]FOTHERINGHAM A S， BRUNSDON C， CHARLTON M. Geographically weighted regression： the analysis of spatially varying relationships[J]. Geographical analysis， 2003，35（3）：272-275.
[20]曲福田， 陈江龙， 陈雯. 农地非农化经济驱动机制的理论分析与实证研究[J]. 自然资源学报， 2005， 20 （2）： 231-241.[QU Futian， CHEN Jianglong， CHEN Wen. Theoretical and empirical study on the land conversion economic driving forces[J]. Journal of natural resources， 2005， 20 （2）：231-241.]
