哈尔滨市耕地集约利用水平预测及障碍因子诊断*

乐容潮，雷国平， 2※，丁 雪，殷嘉迪，曲晓涵

(1.东北农业大学资源与环境学院，黑龙江哈尔滨 150030； 2.东北大学土地管理研究所，辽宁沈阳 110819)

·技术方法·

哈尔滨市耕地集约利用水平预测及障碍因子诊断*

乐容潮1，雷国平1， 2※，丁 雪1，殷嘉迪1，曲晓涵1

(1.东北农业大学资源与环境学院，黑龙江哈尔滨 150030； 2.东北大学土地管理研究所，辽宁沈阳 110819)

【目的】如何高效利用土地资源、提高耕地集约度是当前科学研究的主要问题，但如何科学预测耕地集约度则一直是研究难点。【方法】基于哈尔滨市耕地集约利用现状，运用熵权、变异系数组合赋权法、BP神经网络、障碍因子诊断法等揭示哈尔滨市耕地集约利用水平发展趋势及耕地集约利用影响因素，为耕地集约利用发展方向及提高耕地集约利用度提供理论依据。【结果】结果表明：(1)1985～2014年哈尔滨市耕地集约利用水平平均值为0.346 2，处于相对集约状态；2015～2024年哈尔滨市耕地集约利用水平呈稳定上升态势，耕地集约利用度均值为0.475，处于高度集约状态；1985～2024年耕地集约利用水平以相对平稳态势发展，且并未出现较大波动，40年间哈尔滨市耕地集约利用平均值达0.409 6，处于较集约状态。(2)从准则层指标障碍度来看，耕地产出效率和投入强度对耕地集约利用水平的影响较大，并且呈现不断上升的趋势,耕地产出效率和投入强度年均增长速率为8.69%、7.82%，耕地利用程度和耕地利用可持续性年均下降速率为4.86%、5.73%，耕地集约利用水平的主要障碍因子是灌溉指数、单位耕地面积农业从业人员、农业产值比、单位播种面积粮食产量等。【结论】运用BP神经网络对哈尔滨市耕地集约利用水平进行科学预测，用障碍因子诊断法诊断耕地集约利用障碍因子，能为研究哈尔滨市耕地集约利用发展趋势提供理论支撑。

耕地集约利用 预测研究 BP神经网络 障碍诊断法 哈尔滨市

0 引言

我国工业化和城镇化已进入转型发展阶段，一方面，农地非农化现象越演越烈，我国人均耕地面积不足0.095hm2/人，仅为世界人均水平的1/3； 另一方面，随着“全面放开二胎”政策的实施，据翟振武等教授研究表明我国将出现人口增长高潮，对粮食产量需求不断增大； 而我国后备耕地资源十分有限，提高耕地集约利用度是缓解农业生产与农产品消费矛盾的有效途径[1]。近年来，人们认识到，耕地集约度的变化远比耕地面积缩小更威胁中国的粮食安全，因此应加强对耕地集约利用的研究[2]。

国外对耕地集约利用的研究最早来源于农用地，Ricardo认为农用地集约利用是通过增加投入以获得效益最大化[3]，Petty指出土地效益并不总是随着投入增多而增加，当到达一定点时反而会持续下降。后来，围绕农用地集约利用变化、趋势、驱动力分析的研究逐渐增多。而近年来国内有关耕地集约利用研究相对集中，从研究内容来说，大部分学者通过选取不同综合指标，分析耕地集约利用水平的时空变化及驱动力[4-5]。同时，一些学者从某一特定视角出发对特定区域进行研究，如倪超、杨胜天等基于循环经济视角评价黑龙江省耕地利用集约度[6]； 陈伟、吴群从耕地质量角度出发评价江苏省耕地集约利用度[7]； 邓楚雄、谢炳庚等基于投影寻踪法揭示长株潭城市群地区耕地集约利用变化[8]； 从研究方法来说，多数学者以层次分析法确定权重，运用百分制法计算耕地集约利用度，如宋戈以层次分析法定量分析黑龙江耕地集约利用度； 骆东奇以层次分析法为基础评价重庆市耕地集约利用水平； 于丹丹以层次分析法为主评价甘肃省耕地集约利用水平的空间差异，但层次分析法主观性较强，不能客观评价耕地集约利用水平； 从研究尺度来说，主要从宏观(国家级、流域级、省级、粮食主产区)层面进行研究[9-10]，如李兆亮基于我国视角研究耕地集约利用的空间差异及影响因素； 姚成胜等以长江三角洲为例研究耕地集约利用与经济发展关系； 丁艳喜以河南省为研究区分析耕地集约利用水平的影响因素，这些研究都着重以典型区域为例进行实证探索，只能从宏观上揭示耕地集约利用水平，但基于市域的研究相对薄弱，不能从微观层面揭示耕地集约利用水平。多数学者通过不同方法、不同指标对耕地集约利用度进行测算，但少见学者通过预测耕地集约利用度，以揭示耕地集约利用水平的未来发展趋势。BP神经网络通过不断修正网络数值以减少误差，达到最大精度，有较强的预测模拟能力，对提高预测的研究有重要意义，这类研究广泛用于地下水位及含水量和农业机械总动力等领域，但少见其用于耕地集约利用度的预测，鉴于此，文章基于BP神经网络和matlab软件对哈尔滨市2015～2024年耕地集约利用指标进行预测，以熵权、变异系数组合赋权确定权重，运用百分制计算哈尔滨市2015～2024年耕地集约利用水平，以揭示哈尔滨市耕地集约利用度的发展趋势。

1 研究区域与研究方法

1.1 研究区概况

哈尔滨市(125°42′E～130°10′E、44°04′N～46°40′N)位于黑龙江省南部，松嫩平原中部地区，包括9个市辖区、7个县，面积约为5.384万km2，是主要的商品粮基地之一，承担着国家粮食安全的重任。该区域属中温带大陆性气候，夏季多雨，太阳辐射资源较丰富，土壤种类以黑土为主要类型。2013年，哈尔滨市耕地面积为197.9万hm2，粮食产量为1 393.93万t，占黑龙江省21.5%，因此哈尔滨市粮食安全是黑龙江省粮食安全的基本保证，对黑龙江省及全国粮食安全起着十分重要的作用。

1.2 指标体系构建及数据来源

耕地集约利用是指通过增加对土地的投入以提高经济、社会以及生态等效益，其评价指标体系是关于耕地投入与产出的复合系统，关于耕地集约利用评价指标，国内没有明确的定义，该研究根据指标选择的科学性、指导性、重要性等原则从投入强度、利用程度、产出效率、可持续性4个层面选取12个指标构建哈尔滨市耕地集约利用评价指标体系(表1)。

表1 哈尔滨市耕地集约利用评价指标体系

目标层准则层指标层耕地集约利用投入强度单位耕地面积化肥施用量(X1);单位耕地面积农业从业人员(X2);单位耕地面积农业机械总动力(X3)利用程度复种指数(X4);灌溉指数(X5);垦殖指数(X6)产出效率单位播种面积粮食产量(X7);单位耕地面积农民人均纯收入(X8);农业产值比(X9)可持续性安全系数(X10);受灾面积占耕地面积比(X11);城镇化水平(X12)

该文基础数据主要来源于《黑龙江省统计年鉴(1986～2015年)》、《哈尔滨市统计年鉴(1986～2015年)》、《中国统计年鉴(1986～2015年)》及《哈尔滨市社会经济发展公报(1985～2014年)》等。

1.3 研究方法

1.3.1BP神经网络原理

BP(BackPropagation)神经网络是一个由输入层、隐含层、输出层构成的3层神经网络，也是一种按误差逆传播算法训练的多层前馈网络，虽然理论上对隐含层的层数没有限制，但已由学者已经证明，采用多个隐含层可能导致网络训练的复杂性，而且未必能使其更精确，具有一个隐含层的神经网络能够实现任意精度的连续函数的映射，故本文采用3层神经网络模型[11-13]。为检验该模型是否适用于耕地集约利用指标的预测，选取1985～2010年数据，先对2011～2014年数据进行验证，看其是否适用于进行耕地集约利用指标的预测。

1.3.2 障碍度模型

为提高耕地集约利用水平，分析影响耕地集约利用水平的障碍因子，找出影响耕地集约利用水平的障碍因素，具体方法是引进指标偏离度Vj(单因素指标与城市土地利用绩效目标之间的差距，即单项指标因素评估值与100%之差)、因子贡献度Uj(单因素对总目标的权重)、障碍度(Mj，Bj)(分别表示单项指标和分类指标对城市土地利用绩效的影响程度)3个指标进行分析[14-16]。计算公式如下：

Uj=Rj×Wj,Vj=1-Xj

(1)

(2)

在分析了各个单项评价因子限制程度之后，就进一步研究各准则层指标对耕地集约利用水平的障碍度，其公式如下：

bi=ΣMij

(3)

式中，Mij是各个单项指标的障碍度。

2 结果分析

2.1 模型检验效果

表2 2011～2014年预测精度状况

指标2011201220132014实际值预测值误差率实际值预测值误差率实际值预测值误差率实际值预测值误差率X10.22850.21803.40.23930.24552.60.24700.25493.20.24760.25603.4X20.74760.74983.00.73930.76303.20.73970.72122.50.73060.74962.6X34.09704.25273.84.52794.44191.94.71124.87143.44.93845.04702.2X41.01111.03742.61.02851.05632.71.03361.00053.21.03281.05552.2X50.16190.16773.60.17740.18433.90.18410.19375.20.19000.19593.1X60.00370.00382.30.00370.00382.60.00370.00382.60.00370.00362.4X77.14827.26261.67.90867.76621.86.85937.02392.46.98247.08711.5X848.796450.30913.150.274451.02851.554.906055.83901.760.636762.09202.4X90.46700.48012.80.46610.47822.60.46600.47491.90.46790.48012.6X103.58203.66442.34.02594.15073.13.50313.60122.83.61503.62583.0X110.14460.15023.90.42670.44684.70.21970.23024.80.19200.19953.9X120.47970.49362.90.48180.49242.20.48300.49853.20.48760.49852.3

2.2 耕地集约利用水平预测值

在BP人工神经网络拓扑结构中，该文以12个指标为输入神经元个数，输出层为指标预测值，构建耕地集约模型图见图1。

根据1985～2014年耕地集约利用指标数据，依据BP神经网络模型，计算得出耕地集约利用指标预测值，见图2。

图1 耕地集约利用指标预测模型

图2 耕地集约利用指标预测值

图3 哈尔滨市耕地集约利用水平

经由BP神经网络运算所得耕地集约利用指标的12个预测值，由图2可知，单位耕地面积农业从业人员、单位耕地面积化肥使用量、复种指数、灌溉指数、垦殖指数、农业产值比、单位播种面积粮食产量、城市化水平均呈现稳定发展趋势，变化不明显，出现较大波动的为单位耕地面积农业机械劳动力、单位耕地面积人均纯收入及粮食安全系数，波动率分别为25%， 34.9%， 34.67%。

在此基础上，运用熵权法和变异系数法组合赋权确定权重，如表3； 运用百分制法得出哈尔滨市耕地集约利用水平，如图3所示。

表3 耕地集约利用指标权重

X1X2X3X4X5X6X7X8X9X10X11X12熵权法0.09980.05440.05810.14440.04060.13860.05260.06240.04860.09830.08920.1129变异系数法0.04980.10110.12380.02140.12730.02420.12880.10090.18210.04540.04970.0455组合赋权0.07480.07770.09100.08290.08400.08140.09070.08160.11540.07190.06950.0792

由图3可知， 1985～2014年哈尔滨市耕地集约利用水平处于曲折式上升状态，耕地集约利用平均水平为0.346 2，处于相对集约状态。可分为2个阶段： 1985～1995年为波动上升期，这与哈尔滨市这几年处于城镇化发展阶段，城镇化水平不高有重要联系，同时，由于农业经济水平变化较大，单位耕地面积农民纯收入、单位耕地面积农业从业人员等波动变化较大，如哈尔滨市单位耕地面积农业从业人员由1985年的3.7人/hm2变为1990年的4.6人/hm2，再到1995年下降为2.4人/hm2，较大的变化幅度使得哈尔滨市1985～1995年耕地集约利用水平呈波动上升态势。而且，这10年间耕地集约利用水平出现了几个较明显的峰值， 1990年出现第一个峰值点，分析各因素可知，哈尔滨市单位播种面积粮食产量在1990年达18t/hm2，为近五年最大值，且单位耕地面积农民人均纯收入为23.04元/hm2，故哈尔滨市耕地集约利用水平在1990年相对较高，此时哈尔滨市耕地集约利用水平为0.459 93； 1995年为第二个峰值点，此时哈尔滨市耕地集约利用水平为0.530 49，分析各因素可知，此时变化较大的是哈尔滨市单位耕地面积农业机械化动力，由1994年2.1kW/hm2迅猛增长至4.2kW/hm2，单位耕地面积农业机械化动力的迅速增长提高了哈尔滨市耕地集约利用水平。1996～2014年为第2个阶段，此时处于持续上升期，哈尔滨市耕地集约利用水平持续上升， 1996年以来，由于农业机械水平的提高使得哈尔滨市单位耕地面积农业从业人员、单位耕地面积化肥施用量、受灾面积占耕地面积不断减少，相反，单位耕地面积农业机械劳动力、复种指数、单位播种面积粮食产量以及单位耕地面积农民人均纯收入不断上升，特别是2000年以来政府对农业支持力度不断加大，农业补贴以及农业投入的上涨带动了农民种粮积极性，使得1996年以来哈尔滨市耕地集约利用水平持续上升，尤其是2006年以来哈尔滨市耕地集约利用水平迅速上升，这主要是由于全面废除农业税直接使得单位耕地面积农民人均纯收入上涨， 2006年哈尔滨市单位耕地面积农民人均纯收入接近30元/hm2，为近10年最高值，但是由于城镇化水平的提高，农地非农化现象越来越明显，这在一定程度上又抑制了耕地集约利用水平的发展。

2015～2024年为哈尔滨市耕地集约利用度预测值，由图可知， 2015～2024年哈尔滨市耕地集约利用水平呈现稳步上升的态势，并且呈现强劲上升状态，有可能超过1995年的最大值，达史上耕地集约利用水平的最高值。2015～2024年哈尔滨市耕地集约利用度最小值出现在2016年，此时耕地集约利用水平为0.434 7，而2015～2024年耕地集约度的平均值接近0.475，与1985～2014年相比，耕地集约利用水平上升了0.128 76，表明哈尔滨市耕地集约利用水平在未来10年会呈现稳定上升状态，即哈尔滨市耕地集约利用呈现良好态势发展。未来几年是哈尔滨市新型城镇化和工业化不断发展阶段，，城镇化水平上涨，由图2可知， 2024年哈尔滨市城镇化水平为50.89%，农地非农化较之明显，但由于机械化水平的不断提高及土地流转的迅速发展导致单位耕地面积农业从业人口规模下降，单位耕地面积农民人均纯收入及单位播种面积粮食产量上升，由图2可知， 2024年哈尔滨单位耕地面积农民人均纯收入为84.376 9元/hm2，相比2014年上涨约25元/hm2，单位播种面积粮食产量为8.18t/hm2，上涨约为2t/hm2，农业从业人口下降至0.51人/hm2，农业从业人员、种植结构的变化都使得哈尔滨市耕地集约利用水平不断上涨。

对比耕地集约利用水平参考值和耕地集约利用水平预测值，发现参考值比预测值的变化幅度更大，预测值呈更加平稳的状态发展，通过各因素对比分析，结果发现由于统计年鉴个别数据的混乱导致参考值在求出的耕地集约利用评分值一定程度上呈现较大波动。

表4 耕地集约利用水平障碍因子

年份位序123451985障碍因素X5X3X8X7X1障碍度(%)2.285.143.711.3410.331990障碍因素X5X8X1X3X11障碍度(%)1.325.73.389.47.91995障碍因素X2X8X7X6X11障碍度(%)0.533.022.061.818.852000障碍因素X5X2X7X3X8障碍度(%)16.8815.3714.3413.5710.92005障碍因素X5X2X7X3X9障碍度(%)18.4316.4913.2812.7810.52010障碍因素X5X2X7X9X11障碍度(%)21.8520.7514.7812.86.262014障碍因素X2X5X7X9X11障碍度(%)25.8823.2117.4615.926.79

图4 准则层指标障碍度

2.3 耕地集约用水平障碍因素诊断

2.3.1 耕地集约利用水平障碍因子分析

选取1985～2014年耕地集约利用水平数据，利用公式(1)(2)计算影响耕地集约利用水平的障碍因子及障碍度，如表4。1985～1995年影响耕地集约利用水平的障碍因子集中在耕地投入强度和耕地利用的利用程度及产出效益上，主要包括灌溉指数、单位耕地面积人均纯收入、单位耕地面积农业机械劳动力、单位耕地面积化肥施用量等； 2000～2014年阻碍耕地集约利用水平的因素主要集中在耕地产出效率和投入强度上，主要包括灌溉指数、单位耕地面积农业从业人员、单位播种面积粮食产量、农业产值比和单位耕地面积农业机械总动力等。从单向指标来看， 1985～2014年单位耕地面积农业从业人员及农业产值比等指标障碍度逐渐上升，单位耕地面积农民人均纯收入及单位耕地面积农业机械劳动力等指标障碍度逐渐下降，研究发现这主要由于我国第二、三产业的迅速发展，导致农业从业人员逐渐转向从事第二、三产业，虽然我国出台一系列扶持农业发展政策，增加对农业的投入，但依旧避免不了农业从业人员的减少及农业产值比的逐渐下降现象的出现。与此同时，单位耕地面积人均纯收入不断的上涨， 1985年哈尔滨市单位耕地面积农民人均纯收入为13元/hm2， 2014年上涨至60元/hm2， 30年间大大增加了农民人均纯收入，因此其障碍度不断下降。

2.3.2 准则层指标障碍度

在计算单项指标的基础上，利用公式(3)计算准则层指标的障碍度，如图4所示，从整体来看，产出效率和利用程度呈上升趋势，可持续性呈下降趋势，投入强度呈缓慢上涨趋势。从障碍度数值来看，产出效率数值最大，均值为0.305 9，其次是投入强度，均值为0.305 7，因此，提高耕地集约利用水平应从耕地产出效率和耕地投入强度着手。从时间点来看， 1990年之后，耕地产出效益和耕地投入强度呈上涨趋势， 1995年之后耕地利用程度呈不断上升趋势，相反，耕地可持续性利用在1995年之后大幅度下降。1985～2014年耕地产出效率和投入强度年均增长速率为8.69%、7.82%，耕地利用程度和耕地利用可持续性年均下降速率分别为4.86%、5.73%，显然，耕地产出效率不仅是现在更是未来阻碍耕地集约利用水平的障碍因素。

3 结论与讨论

3.1 结论

(1)研究结果表明，基于BP神经网络预测的12个指标值，平均误差率为2.8458%，误差相对较小，因此适用于耕地集约利用指标的预测，使得哈尔滨市耕地集约利用水平预测值更科学。运用熵权法和变异系数法结合而成的组合赋权法能够更加客观的对耕地集约利用指标进行赋权，在一定程度上也提高了耕地集约度测算的准确性。

(2)1985～2024年耕地集约利用水平以相对平稳态势发展，且并未出现较大波动， 40年间哈尔滨市耕地集约利用平均值达0.409 6，处于较集约状态； 1985～2014年哈尔滨市耕地集约利用水平呈波动上升态势， 1985～2014年耕地集约利用水平平均值为0.346 2，处于相对集约状态，可分为两个阶段，第一阶段为1985～1995年为波动上升期，这主要是由于这几年哈尔滨处于城镇化发展阶段，城镇化水平不高，而且，农业经济变化较大，单位耕地面积农业从业人数和单位耕地面积农民人均纯收入都有较大的变化； 第二阶段为1996～2014年为持续上升期，由于农业机械的不断推进及政府农业支持，如取消农业税及农业补贴政策的颁布都在一定程度上推进了哈尔滨市耕地集约利用水平的发展； 2015～2024年哈尔滨市耕地集约利用水平呈现稳定上升趋势，并有可能达到耕地集约利用水平的最高值，耕地集约利用度最低值出现在2016年为0.437，耕地集约利用水平平均值为0.473，处于高度集约水平，这是由于未来几年是哈尔滨工业化和城镇化不断发展的几年，第二、三产业迅猛发展及农地流转的快速发展使得农地规模不断扩大，农业从业人员不断减少，与此同时，农业机械化不断发展也在一定程度上提高了哈尔滨市耕地集约利用度。

(3)从准则层指标障碍度来看，耕地产出效率和投入强度对耕地集约利用水平的影响较大，并且呈现不断上升的趋势； 从指标层因子来看，影响哈尔滨市耕地集约利用水平的主要障碍因子是灌溉指数、单位耕地面积农业从业人员、农业产值比、单位播种面积粮食产量等，从单向指标来看，单位耕地面积农业从业人员及农业产值比等指标障碍度逐渐上升，单位耕地面积农民人均纯收入及单位耕地面积农业机械劳动力等指标障碍度逐渐下降。

3.2 讨论

(1)基于BP神经网络预测哈尔滨市耕地集约利用水平，相比其它预测方法(如GM、VAR模型)，BP神经网络能够提高耕地集约利用水平的准确性、减少误差，使耕地节约利用预测度更加精确，也是创新耕地集约利用水平的一次有益尝试。BP神经网络通过不断反复训练直至误差最小，在一定程度上有利于更加准确预测耕地集约利用水平，但BP神经网络运用于耕地指标预测尚未成熟，而且随理论知识的不断深入，基于BP神经网络的预测还有待进一步探讨和完善。

(2)虽然研究耕地集约利用的研究较多，但由于数据可获取有限性，因此，该文构建的评价指标体系是参考较多文献而来，但并未选取所有指标，仅从投入强度、利用程度、产出效率、可持续性4个方面选取有代表性的12个指标，故在今后的研究中应注重指标的选取，从多方面获取指标数据，使选取的指标应更能体现全局性、创新性、有效性等特点。

[1] 李兆亮， 杨子生，邹金浪.我国耕地利用集约度空间差异及影响因素研究.农业现代化研究， 2014, 35(1): 88～92

[2] 倪超， 杨胜天.黑龙江省耕地集约利用评价及障碍因素诊断.干旱区资源与环境， 2014, 28(12): 32～37

[3] Ricardo D.On the Principles of political economy and taxation.Canada Kitchener：Batoche Books， 2001

[4] 唐莹， 穆怀中.我国耕地资源价值核算研究综述.中国农业资源与区划， 2014, 35(5): 73～79

[5] 王国刚， 刘彦随，陈秧分.中国省域耕地集约利用态势与驱动力分析.地理学报， 2014, 69(7): 907～915

[6] 倪超， 杨胜天，罗娅，等.基于循环经济的黑龙江省耕地利用集约度时空差异.地理研究， 2015, 34(2): 341～350

[7] 陈伟， 吴群.考虑耕地质量差异影响的江苏省耕地集约利用评价.农业工程学报， 2013, 29(15): 244～253

[8] 邓楚雄， 谢炳庚，李晓青，等.基于投影寻踪法的长株潭城市群地区耕地集约利用评价.地理研究， 2013, 32(11): 2000～2008

[9] 刘玉， 郝星耀，潘瑜春，等.河南省耕地集约利用时空分异及分区研究.地理科学， 2014, 34(10): 1218～1225

[10]周扬武， 柳杰.我国耕地集约利用水平地区差异研究——基于投影寻踪的面板数据分析.中国农业资源与区划， 2015, 36(1): 22～30

[11]李明月， 赖笑娟.基于BP神经网络方法的城市土地生态安全评价——以广州市为例.经济地理， 2011, 31(2): 289～293

[12]朱红梅， 周子英，黄纯，等.BP人工神经网络在城市土地集约利用评价中的应用——以长沙市为例.经济地理， 2009, 29(5): 836～839

[13]李净， 王卫东，张福存.利用LM-BP神经网络估算西北地区太阳辐射.干旱区地理， 2015, 38(3): 438～445

[14]吴一凡， 雷国平，路昌，等.基于改进TOPSIS模型的大庆市城市土地利用绩效评价及障碍度诊断.水土保持研究， 2015, 22(4): 85～90

[15]张锐， 刘友兆.我国耕地生态安全评价及障碍因子诊断.长江流域资源与环境， 2013, 22(7): 945～951

[16]秦伟霞、王新闯、马守臣， 等.基于功能分区的土地生态质量障碍因子诊断——以新乡市为例.水土保持研究， 2015, 22(4): 148～154

[17]吴郁玲， 冯忠垒，周勇，等.耕地集约利用影响因素的协整分析.中国人口·资源与环境， 2011, 21(11): 67～70

PREDICTION AND OBSTACLE FACTORS DIAGNOSIS OF INTENSIVE USE OF CULTIVATED LAND IN HARBIN CITY*

Yue Rongchao1，Lei Guoping1， 2※，Ding Xue1，yin Jiadi1，Qu Xiaohan1

(1.College of Resources and Environment，Northeast Agricultural University，Harbin，Heilongjiang 150030，China; 2.Institute of land Management，Northeast University，Shenyang,Liaoning 110819，China)

How to make use of the land resources effectively and improve the cultivated land intensive degree is the main problem of the current scientific research. Based on the present situation of cultivated land intensive use in Harbin city, the paper revealed cultivated land intensive use trends and influencing factors by using the method of combination weighting in entropy and coefficient of variation, BP neural network, barrier factor diagnostic, and so on. It aimed to provide a theoretical principle for cultivated land intensive use. The results showed that: (1)the value of cultivated land intensive use was 0.3462 in 1985-2014 in Harbin city, which increased to 0.475 in 2015-2024 year and showed a high intensive state. From 1985-2024, the overall level of cultivated land intensive use was 0.4096 and showed a relative intensive state in the 40 years. (2)The impact of cultivated land output efficiency and investment intensity on intensive use of arable land become large and presented a rising trend. The land production efficiency and input intensity annually increased 8.69% and 7.82%, while the land use degree and land use sustainability decreased 4.86% and 5.73%. the main obstacle factors of cultivated land intensive utilization level were irrigation index, farmers in per unit of cultivated land area, agricultural output ratio, grain yield per unit of sown area, and so on. It concluded that the method of BP neural network could provide the theoretical principle for predicting the trend of cultivated land intensive use in Harbin city.

intensive use of cultivated land; predict research; BP neural network method; barrier factor diagnostic method; Harbin city

10.7621/cjarrp.1005-9121.20170110

2016-08-08 作者简介：乐容潮(1993—)，女，湖北咸宁人，硕士。研究方向：土地资源利用。※通讯作者：雷国平(1963—)，男，黑龙江绥化人，博士、教授、博士生导师。研究方向：土地资源利用与管理。Email：guopinglei@126.com *资助项目：黑龙江省国土资源科研项目“黑龙江省两大平原现代农业综合配套改革试验区土地管理制度创新研究”(黑国土科研201411)

F304.7; F323.211

A

1005-9121[2017]01059-08