基于模型集成的中国耕地非农化影响因素及其时空特征研究

崔许锋，马云梦，张光宏



基于模型集成的中国耕地非农化影响因素及其时空特征研究

崔许锋，马云梦，张光宏

（中南财经政法大学工商管理学院，武汉 430073）

【目的】揭示耕地非农化影响因素作用的时空特征，为耕地资源保护和利用政策制定提供决策支撑。【方法】研究采用2006—2015年耕地非农化的面板数据，通过构建“一般回归模型-面板模型-地理加权回归模型-时空加权回归模型”模型集成（简称OPGT），对耕地非农化影响因素进行计量分析。【结果】一般回归模型、地理加权回归模型（GWR）和时空加权回归模型（GTWR）估计结果显示，城镇人口增长、固定资产投资、经济发展水平、耕地资源禀赋和产业结构变量均通过显著性检验；耕地非农化莫兰指数（）为0.740，并且通过1%水平上显著性检验，表明耕地非农化具有显著的空间正相关性；采用一般回归模型、GWR、GTWR模型估计，方程拟合优度分别为0.689、0.785、0.858，加入时空权重信息的GWR和GTWR模型方程解释能力有显著提升；GWR和GTWR模型方程结果显示，耕地非农化影响因素弹性系数存在时空非平稳特征；空间分析显示，城镇人口增长和耕地资源禀赋对耕地非农化影响在经向上呈现出由西向东递减的状态，在纬向上呈现出倒“U”型状态，固定资产投资与经济发展水平对耕地非农化的影响程度在经向上呈现出由西向东递增的特征，在纬向上呈现出“U”型特征，产业结构对耕地非农化的影响程度在经向上由西向东递增，在纬向上由北向南递减；时序分析显示，城镇人口增长、固定资产与经济发展水平投资系数呈现减小的趋势，耕地资源禀赋系数有所增大，产业结构系数在部分省域有所降低。【结论】（1）OPGT是一个有机整体，各部分相互检验、互为补充，可以更加细致的刻画因素的时空作用；（2）耕地非农化因素总体作用强度方面，弹性系数最大的是产业结构，其次为经济发展水平、固定资产投资和耕地资源禀赋，最小为城镇人口增长；（3）空间特征方面，城镇人口增长和耕地资源禀赋总体呈现出由西向东递减的趋势，而固定资产投资、经济发展水平和产业结构呈现出由西向东递增的趋势；（4）时序演变特征方面，城镇人口增长、固定资产与经济发展水平投资对耕地非农化的影响作用呈现下降趋势，耕地资源禀赋与耕地非农化关联性趋于增强，产业结构的影响虽在部分省域有所降低，但其整体影响程度仍然相对较高。

耕地非农化；模型集成；影响因素；时空特征

0 引言

【研究意义】耕地是人类赖以生存和发展的重要资源。但是随着20世纪90年代以来我国经济的快速增长以及工业化、城镇化进程的不断加快，建设过量占用耕地问题凸显，人地矛盾问题突出[1]。据我国国土资源管理部门统计，2006—2015年，中国约有2.07×106hm2耕地转化为建设用地[2]，耕地非农化为城镇化发展提供了空间支撑，但同时不合理耕地非农化也会引致粮食安全[3-5]、耕地质量降低等经济[6]、社会[7-8]、环境[9-10]领域的问题，这些问题无疑会对经济社会可持续发展产生阻力，因此研究耕地非农化影响因素，实现耕地非农化与粮食安全、生态保护的协调成为重要的议题[11]。【前人研究进展】耕地非农化是指耕地改变农业用途，从而转化为非农建设用地的过程，即耕地的非农占用，它具有动态性、难逆转性、政策倾向性、阶段性和危害性等特征[12]。一般认为自然、经济、社会、制度等因素是导致耕地非农化的主要因素[13-14]。从自然因素层面看，普遍认为耕地资源禀赋与耕地资源非农化的关联性显著[15]，此外地理位置、气候、土壤和地质等也影响耕地向建设用地的转换[16]。在经济因素层面，固定资产投资、经济发展水平等是影响耕地非农化的重要经济因素[17]。城镇化是社会因素层面影响耕地非农化的最显著因素[18]，农业与农业发展的特征也是影响耕地非农化的原因之一[12]。制度因素层面，土地产权的不明晰、收益分配不合理以及管理制度的不完善都是导致耕地过度非农化的重要因素[19]。同时，现行的财政税收制度以及行政绩效考核标准也导致了部分地方政府过度依赖“土地财政”，也致使了耕地的过度非农化[20]。由于空间相关性的存在，邻域的空间溢出效应对耕地非农化有不可忽略的影响。在研究方法选择上，研究者主要采用数理经济学模型估计的方法，例如回归分析模型、随机效应模型、固定效应模型[15]等。研究尺度上，对国家、东中西部区域、省域、市域、县尺度耕地非农化的均有研究涉及[21-23]。已有研究基于不同尺度和研究方法，对耕地资源非农化影响因素进行了研究，加深了对耕地资源问题的认知，但仍然存在进一步研究的空间：已有研究多基于单一的计量方法，缺乏方法的集成与比较分析；其次由于耕地的显著空间属性，忽视耕地非农化的空间非平稳性（spatial non- stationarity）特征，可能会导致模型设定的偏误。【本研究切入点】土地是产业发展的空间支撑，产业结构与耕地非农化关系密切，那么产业结构对耕地非农化影响是否显著？在考虑了耕地非农化空间非平稳性条件下，耕地非农化影响因素作用系数有哪些时空分布特征？模型集成方法能否能更好地对耕地非农化影响进行计量分析？【拟解决的关键问题】鉴于以上的分析，研究拟采用2006—2015年面板数据（panel data），构建“一般回归模型-面板模型-地理加权回归模型-时空加权回归模型”模型集成，通过多模型集成比较分析，揭示耕地资源非农化的影响因素及时空特征。

1 研究方法与数据来源

1.1 概念模型

基于耕地非农化研究文献分析，研究拟构建以下概念模型：

_agr=(_popu,_ass, Economy,Arable, Indu_struc) （1）

其中：

_agr：耕地非农化，采用耕地非农化年度数据；

_popu：城镇人口增长，采用年末城镇人口数；

_ass：固定资产投资，以固定资产投资额测算；

Economy：经济发展水平，参考Grossman 和 Krueger 相关研究，即采用人均国内生产总值（per capita gross domestic product）指标度量，这里研究采用的是省域数据，因此应为人均地区生产总值（per capita gross regional product）；

Arable：耕地资源禀赋，以年初耕地保有量度量；

Indu_struc：产业结构，以非农产业增加值占地区生产总值比重测度；

：分别表示面板数据的截面和时间，即年份与省域，= 1, 2, 3,…, 31；= 2006, 2007, 2008, …, 2015。

1.2 模型集成

在概念模型基础上，构建因素分析“一般回归模型-面板模型-地理加权回归模型-时空加权回归模型”模型集成（简称OPGT），从而比较分析耕地非农化影响因素，发现其时空特征。其中，一般回归模型可对解释变量显著性进行初步判断，承担变量筛选与方程初步评估功能，面板模型考虑了截面的个体效应，提升了模型显著性水平，而GWR和GTWR模型则可以实现时空临近信息的局域（local）回归，呈现了变量影响作用的时空特征。OPGT是一个有机整体，各部分相互检验、互为补充，可以更加细致的刻画因素的时空作用。其技术路线如图1所示。

OPGT可以分为6个步骤：（1）数据收集和预处理；（2）一般回归模型分析，通过一般回归模型，对解释变量在模型中的显著性水平和模型拟合优度进行分析，从而在整体上对解释变量选择、模型拟合程度进行判断；（3）面板模型分析，在考虑个体效应的基础上，对模型进行检验并与一般回归进行比较；（4）地理加权回归模型，基于研究对象的空间特征，引入空间位置信息，确定截面回归系数；（5）时空加权回归模型，在空间差异基础上，拓展到时间维度的系数差异。

1.2.1 一般回归模型

研究首先构建一般回归模型：

Y=X(j)+ε1, 2, 3（2）

式中，Y为被解释变量，X(j)被解释变量，0为常数项，β为解释变量X(j)的系数，ε为干扰项。为解释变量的个数，和分别表示面板数据中的截面和时间，一般回归模型虽然能够对面板数据进行运算，但是不能处理其中的截面个体效应。

1.2.2 面板模型

面板模型可以分为固定效应模型（fixed effect model）和随机效应模型（random effect model）。对于面板模型，OLS估计量虽然是一致的，但不再是有效估计量，需要采用广义最小二乘法（generalized least squares，即GLS）来估计。其中，固定效应模型（fixed effect model）方程如下：

Y=X(j)+ε1, 2, 3（3）

式中，Y为被解释变量，X(j)被解释变量，β为解释变量X(j)的系数，ε为干扰项。为解释变量的个数，和分别表示面板数据中的截面和时间。β对于每个截面是一个固定的常数，表示个体的特殊效应，也反映了个体的差异。如果假定β不是固定的，而是随机的，那么模型就转化为了随机效应模型。确定采用固定效应面板还是随机面板要根据逻辑分析和霍斯曼检验确定。

1.2.3 地理加权回归模型

地理加权回归模型（geographically weighted regression，即GWR）是对传统线性回归模型的扩展，它将空间属性纳入到方程中，特定的回归系数不再是利用全部（global）观察值得到的假定常数，而是利用邻近观测值的子样本信息进行统计，估计系数随着空间上局域地理位置的变化而变化[24]，具体模型如下：

图1 OPGT 技术路线

Y=X(j)+ ε1, 2, 3（4）

式中，Y为被解释变量，X(j)为第个解释变量，为解释变量个数，为截面，0为常数项，β为解释变量系数，（u，v）为空间位置，ε为干扰项。

1.2.4 时空加权回归模型

GWR模型考虑了空间的非平稳，通过基于空间距离构建权重矩阵，实现对模型参数的估计，但其在考虑时间因素方面存在不足。因此引入时空加权回归模型（geographically and temporally weighted regression，即GTWR），GTWR是GWR模型拓展，将时空非平稳性同时考虑到模型中，为每个观察值赋予时空关系坐标，实现对模型参数的有效估计[25-27]，模型表达式如下：

Y=X(j)+ ε1, 2, 3（5）

式中，Y为被解释变量，为截面，0(u,v,t)为截距项，t为第个截面的时间坐标；X(j)为第个截面的第个解释变量；β(u,v,t)表示解释变量X(j)在(u,v,t)时空坐标上的系数；ε表示干扰项。

基于以上模型集成，根据耕地非农化概念模型（1），将研究采用的被解释变量耕地非农化，以及解释变量城镇人口增长、固定资产投资、经济发展水平、耕地资源禀赋和产业结构代入方程（2）—（5），可以得到：

1, 2, 3（6）

1, 2, 3（7）

1, 2, 3（8）

1, 2, 3（9）

式中，factor(j)为耕地非农化影响因素变量，5，即Urb_popu，Fixed_ass，Economy，Arable，Indu_struc。为了使得模型估计结果系数具有弹性的含义，采用双对数模型，即先对变量求自然对数，然后参与模型的计量分析。

1.3 数据来源

研究所采用的数据为中国大陆地区31个省域（省、自治区、直辖市）的数据。由于中国香港、中国澳门、中国台湾数据暂缺，因此本研究暂不包含上述地区。其中，年末城镇人口数、地区生产总值、地区第一二三产业增加值、固定资产投资额来源于《中国统计年鉴（2007—2016）》，年初耕地保有量数据来源于《中国国土资源年鉴（2007—2016）》。

2 结果

2.1 变量描述性统计

首先对变量进行描述性统计分析，如表1所示。根据描述统计分析结果，可以知道我国地域跨度较大，省域之间差异较强，例如，被解释变量耕地非农化面积最大值是23 872.92 hm2，最小值是2.60 hm2，标准差为4 826.32 hm2；耕地资源年初保有量最大值为15 865.90×103hm2，最小值为187.60×103hm2，标准差为3 125.47×103hm2。因此基于省域层面的研究，其空间差异性不容忽视。

2.2 一般回归分析

为了与后续模型进行比较，首先基于一般回归分析模型（6）对耕地非农化影响因素进行分析，结果如表2所示。首先以城镇人口增长、固定资产投资为解释变量进行OLS回归分析（方程6-a），结果显示城镇人口增长与固定资产投资对耕地非农化的影响均在1%的水平上显著，拟合优度为0.535。为了验证经济发展水平对耕地非农化是否有显著影响，在方程（6-a）的基础上引入经济发展水平变量，检验结果见（6-b）。由分析结果可知，在控制了城镇人口增长、固定资产投资变量的条件下，经济发展水平对耕地非农化的影响均在1%的水平上显著，拟合优度为0.647，解释能力有所提升。方程（6-c）为（6-b）的基础上加入耕地资源禀赋检验结果，结果显示耕地资源禀赋对耕地非农化的影响在1%的水平上显著，但此时经济发展水平变量却不显著。为了检验产业结构变量是否对耕地非农化有显著影响，在控制了城镇人口增长、固定资产投资、经济发展水平和耕地资源禀赋变量的基础上，加入产业结构变量，检验结果如（6-d）所示。产业结构对耕地非农化在1%的水平上显著，拟合优度为0.689，4个控制变量均处于显著的水平。

表1 数据描述性统计

表2 耕地非农化一般回归模型OLS估计结果

括号内数值为标准误，括号外数值为系数，*、**、***分别表示在10%、5%、1%的水平上显著。下同

The statistics in and out of parentheses is standard errors and coefficients, *, **, *** denote statistical significance at 10%, 5%, and 1%, respectively. The same as below

根据一般回归模型分析结果可以知道，城镇人口增长、固定资产投资、经济发展水平、耕地资源禀赋和产业结构变量均有显著影响，但拟合优度为0.689，方程解释力仍然偏低。

2.3 面板模型分析

根据描述统计分析可以知道，我国省域耕地资源非农化差异明显，在计量分析中其空间差异性不可忽视，因此采用面板模型，在考虑省域个体效应的基础上，对模型进行检验分析。霍斯曼检验结果显示，χ2(5)= 22.30，Prob= 0.0005，通过1%水平的显著性检验，拒绝原假设，因此研究采用固定效应模型。

采用固定效应模型对耕地非农化数据进行估计，其估计结果见表3。结果显示，在采用面板模型的条件下，城镇人口增长、固定资产投资、经济发展水平和耕地资源禀赋变量处于显著水平，但是产业结构变量却未通过检验。

表3 耕地非农化固定效应模型估计结果

2.4 地理加权回归分析

在采用GWR模型进行空间差异性分析前，首先对耕地非农化数据进行空间自相关检验。检验结果显示，莫兰指数（）[28-29]为0.740，并且伴随概率（）小于0.01，通过1%水平上显著性检验，表明耕地非农化具有显著的空间正相关性，因此适合进行GWR模型回归。利用GWR进行计量分析，其检验结果见表4。根据表4中可以得知GWR模型回归拟合优度为0.785，在方程解释力上比方程（6）和方程（7）有明显提升，解释变量均通过显著性检验。GWR模型中省域耕地非农化影响因素方程系数如见表5所示。

为了总体描述系数的变化，首先对解释变量系数进行统计描述分析，主要统计量有最大值、最小值、方差、均值、绝对值的均值，结果如表6所示。根据其标准差与绝对值的均值计算出变异系数，从而分析变量弹性系数在空间上的非平稳程度大小。城镇人口增长的变异系数最大，为1.115，其次分别是产业结构（0.993）、耕地资源禀赋（0.897）、固定资产投资（0.784），经济发展水平变异系数最小，变异系数值为0.700因此变量系数在省域变异最大的是城镇人口增长，其次是产业结构水平，耕地资源禀赋和是固定资产投资，变异最小的经济发展水平。

从变量影响强度看，弹性系数呈现出的状态。由此可知，对耕地非农化的驱动作用最大的变量是产业结构，其次为经济发展水平、固定资产投资和耕地资源禀赋，最小的是城镇人口增长。另外，GWR分析结果显示经济发展水平弹性系数为负，表明经济发展对耕地非农化有一定的抑制作用，这与一般回归模型（即模型6）检验结果一致。

表4 耕地非农化GWR和GTWR模型检验结果

表5 耕地非农化GWR模型估计结果

2.5 时空加权回归分析

为进一步探讨耕地非农化影响因素的时间差异，采用GTWR模型进行分析，其检验结果见表4，考虑了时间属性的GTWR模型拟合优度为0.858，各解释变量回归统计值伴随概率均小于0.01，均通过显著性水平为1%的检验，表明各回归系数随时空的变化具有显著性。

GTWR估计结果显示了解释变量弹性系数的年度发展变化。结果分析可知，2006—2015年城镇人口增长、固定资产投资和经济发展水平对耕地非农化的影响作用呈现下降趋势；耕地资源禀赋与耕地非农化关联性作用变得更加强烈；产业结构的影响虽在部分省域有所降低，但其整体影响程度仍然较高。估计结果中，2006、2010、2015年3个时间节点的解释变量系数估计值如表7所示。

为进一步发现耕地非农化影响因素的整体空间特征，根据解释变量省域系数的平均值，采用ArcGIS的“趋势分析”工具[30-31]绘制解释变量弹性系数的变化分布图（图2）。由图2-a和2-d可知，城镇人口增长和耕地资源禀赋对耕地非农化影响在X方向（经向）上现出由西向东递减的状态，在Y方向（纬向）上呈现出倒“U”型状态。由图2-b和2-c可知固定资产投资与经济发展水平对耕地非农化的影响程度在X方向上呈现出由西向东递增的特征，在Y方向上则为“U”型变化特征，表明我国东北地区的耕地非农化对固定资产投资与产业结构变化更加敏感。从图2-e中可以看出产业结构对耕地非农化的影响程度在X方向上由西向东递增，在Y方向上由北向南递减，表明产业结构对耕地非农化的影响由东北向西南递减。

图2 解释变量系数空间变化

表6 GWR模型系数统计值

表7 耕地非农化GTWR模型估计结果(2006、2010、2015年)

3 讨论

对于耕地非农化已有较为丰富的研究，研究多基于回归模型采用全局（global）估计方法，而耕地与其他经济学研究对象相比，其具有显著空间性特征，如果忽视其空间非平稳性特征，可能会违反“地理事物或属性在空间分布上互为相关”的地理学第一定律[32]，导致方程估计参数的偏误。所以研究采用OPGT集成模型，在一般回归的和面板模型估计的基础上，引入时空权重信息，通过构建GWR和GTWR模型采用对耕地非农化进行分析，其模型系数是根据时空临近观测值通过局域（local）回归得来，更好的表达了影响因素系数的时空特征。

研究也存在一定的局限性。研究探讨了城镇人口增长、固定资产投资、经济发展水平及产业结构等因素对耕地非农化影响，但对于土地制度、农业与农村内部因素等则尚未涉及。其次，虽然研究对土地资源禀赋与耕地非农化的关系进行了探讨，但尚未对气候、土壤和地质等自然影响因素进行分析，而这些自然因素与耕地非农化关系密切，如何将这些因素纳入统一的模型分析框架，这些都是研究进一步深化的方向。

4 结论

研究采用2006—2015年耕地非农化的统计数据，利用OPGT模型集成的方法对面板数据进行分析，研究表明：（1）OPGT是一个有机整体，各部分相互检验、互为补充，可以更加细致的刻画因素的时空作用；（2）耕地非农化因素总体作用强度方面，弹性系数最大的是产业结构，其次为经济发展水平、固定资产投资和耕地资源禀赋，最小为城镇人口增长；（3）空间特征方面，城镇人口增长和耕地资源禀赋总体呈现出由西向东递减的趋势，而固定资产投资、经济发展水平和产业结构呈现出由西向东递增的趋势；（4）时序演变特征方面，城镇人口增长、固定资产投资与经济发展水平对耕地非农化的影响作用呈现下降趋势，耕地资源禀赋与耕地非农化关联性趋于增强，产业结构的影响虽在部分省域有所降低，但其整体影响程度仍然相对较高。

[1] 赵文武. 世界主要国家耕地动态变化及其影响因素. 生态学报,2012, 32(20): 6452-6462.

ZHAO W W. Arable land change dynamics and their driving forces for the major countries of the world.2012,32(20): 6452-6462. (in Chinese)

[2] 中华人民共和国国土资源部. 中国国土资源统计年鉴(2007-2016). 北京: 地质出版社, 2007-2016.

Ministry of Land and Resources of PRC.Beijing: Geology Publishing House, 2007-2016. (in Chinese)

[3] 何英彬, 陈佑启, 姚艳敏,石淑芹, 李志斌, 万利. 东北三省耕地非农化时空特征及其与粮食生产能力的关系. 资源科学, 2009, 31(2):295-302.

HE Y B, CHEN Y Q, YAO Y M, SHI S Q, LI Z B, WAN L. Temporal and spatial characteristics analysis of relation between arable land non-agriculturalization and food productivity based on GIS technique., 2009, 31(2):295-302. (in Chinese)

[4] 程传兴, 高士亮, 张良悦. 中国农地非农化与粮食安全. 经济学动态, 2014(7):87-96.

CHENG C X, GAO S L, ZHANG Y Y. Farmland non-agriculturalization and food security in China., 2014(7):87-96. (in Chinese)

[5] 赵爱栋, 彭冲, 许实, 曾薇, 马贤磊. 生态安全约束下耕地潜在转换及其对粮食生产的影响——以东北地区为例. 中国人口·资源与环境, 2017, 27( 11) : 124-131.

ZHAO A D, PENG C, XU S, ZENG W, MA X L. Impact of farmland conversion grain output under the ecological constraint: based in the Northeast of China.,2017,27(11): 124-131.(in Chinese)

[6] 张基凯, 吴群, 黄秀欣.耕地非农化对经济增长贡献的区域差异研究——基于山东省17个地级市面板数据的分析. 资源科学, 2010, 32(5):959-969.

ZHANG J K, WU Q, HUANG X X. A study on regional differences in contribution of cultivated land conversion to economic growth based on panel data analysis of 17 cities in Shandong Province.2010, 32(5):959-969. (in Chinese)

[7] 望晓东, 魏玲, 江华. 耕地非农化与经济增长、城市化的互动关系实证研究——基于广东省时间序列数据的分析. 农村经济, 2013(7):32-36.

WANG X D, WEI L,JIANG H. Empirical study on the interactive relationship between cultivated land conversion and economic growth and urbanization——based on the analysis of time series data of Guangdong Province.,2013(7): 32-36. (in Chinese)

[8] 沈孝强, 吴次芳, 方明. 浙江省产业、人口与土地非农化的协调性分析. 中国人口·资源与环境, 2014, 24(9):129-134.

SHEN X Q, WU C F, FANG M. Coordination of industry, population and land deagriculturalization during the rapid process of urbanization in Zhejiang Province.2014, 24(9):129-134. (in Chinese)

[9] 杨振, 刘会敏, 余斌. 土地非农化生态价值损失估算. 中国人口·资源与环境, 2013, 23(10):146-150.

YANG Z, LIU H M, YU B. Estimation on loss of ecological value in the process of land’s non-agriculturalization.2013, 23(10):146-150. (in Chinese)

[10] 李国敏, 卢珂, 黄烈佳. 主体权益下耕地非农化价值损失补偿的反思与重构. 中国人口·资源与环境，2017, 27(12) : 137-145.

LI G M, LU K, HUANG L J. Reflection and reconstruction of cultivated land conversion value loss compensation under the subject rights2017, 27(12): 137-145. (in Chinese)

[11] 谭荣, 曲福田. 中国农地非农化与农地资源保护：从两难到双赢. 管理世界, 2006(12): 50-66.

TAN R, QU F T. Farmland conversion and farmland resources protection in china: From dilemma to win-win., 2006(12): 50-66. (in Chinese)

[12] 叶宇航. 我国耕地非农化的驱动因素研究. 科学决策, 2015(9):33-50.

YE Y H. The analysis of drivers of our country's cultivated land conversion.,2015(9):33-50. (in Chinese)

[13] 许恒周,吴冠岑,郭玉燕.耕地非农化与中国经济增长质量的库兹涅茨曲线假说及验证——基于空间计量经济模型的实证分析.中国土地科学,2014, 28(1): 75-81.

XU H Z, WU G C, GUO Y Y. A hypothesis on the Kuznets Curve relation between farmland conversion and quality of economic growth in China:An empirical analysis of spatial econometric model.2014,28(1):75-81. (in Chinese)

[14] QIU F, LALIBERTÉ L, SWALLOW B. Impacts of fragmentation and neighbor influences on farmland conversion: A case study of the Edmonton-Calgary Corridor, Canada.2015, 48(1):482-494.

[15] 张光宏,崔许锋. 耕地资源非农化驱动机制及其区域差异性. 中国农业科学, 2015, 48(8): 1632-1640.

ZHANG G H, CUI X F. Driving mechanism and regional differentiation of cultivated land non-agricultural-transformation.,2015,48(8):1632-1640. (in Chinese)

[16] USTAOGLU E, WILLIAMS B. Determinants of urban expansion and agricultural land conversion in 25 EU countries.2017, 60(4):717-746.

[17] 宋敏,王登娜.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. 中国人口·资源与环境,2018,28(1):54-62.

SONG M,WANG D N. Spatial heterogeneity of provincial rural-urban land conversion scale and effects of its influential factors.2018,28(1):54-62. (in Chinese)

[18] STOPP G H. The destruction of American agricultural land.1984, 69(1): 64-66.

[19] 曲福田,冯淑怡,诸培新,陈志刚. 制度安排、价格机制与农地非农化研究.经济学（季刊）, 2004, 4(1): 229-248．

QU F T, FENG S Y, ZHU P X, CHEN Z G. Institutional arrangements, price system and farmland conversion., 2004, 4(1): 229-248. (in Chinese)

[20] 钱忠好, 牟燕. 中国农地非农化市场化改革为何举步维艰——基于地方政府土地财政依赖视角的分析. 农业技术经济, 2017(1):18-27.

QIAN Z H, MOU Y. Why does the reform of non-agriculturalization of agricultural land in China make it difficult?——Based on the analysis of local government's dependence on land and finance.2017(1):18-27. (in Chinese)

[21] 王春秋, 徐长生. 山东省建设占用耕地与经济增长的脱耦分析. 中国人口·资源与环境, 2012, 22(8):128-132.

WANG C Q, XU C S. Decoupling evaluation between cultivated land occupation and economic growth in Shandong Province., 2012, 22(8):128-132. (in Chinese)

[22] 马才学,赵利利,柯新利.湖北省耕地非农化压力的时空演变格局.长江流域资源与环境,2016,25(1):71-78.

MA C X, ZHAO L L, KE X L. Temporal spatial variation of the pressure of cropland non-argiculturalization in Hubei Province.2016,25(1):71-78. (in Chinese)

[23] 张孝宇, 张安录. 武汉市耕地非农化的空间自相关分析. 长江流域资源与环境, 2015, 24(5):781-788.

ZHANG X Y, ZHANG A L. Small-Scale spatial patterns of farmland conversion based on autocorrelation analysis in Wuhan City., 2015, 24(5):781-788. (in Chinese)

[24] 崔许锋, 张光宏, 李飞. 城镇化土地集约利用潜力空间分异研究—基于土地城镇化的“人口-经济”二元驱动视角. 华东经济管理, 2016, 30(10):62-67.

CUI X F, ZHANG G H, LI F. A study on spatial differentiation of land intensive use potential: Based on the perspective of “Population- Economy” dual driving mode of land urbanization., 2016, 30(10):62-67. (in Chinese)

[25] WU B, LI R R, HUANG B. A geographically and temporally weighted autoregressive model with application to housing prices., 2014, 28(5): 1186-1204.

[26] CHU H J, HUANG B, LIN C Y. Modeling the spatio-temporal heterogeneity in the PM10-PM2.5 relationship., 2015, 102:176-182.

[27] 王新刚, 孔云峰. 基于时空窗口改进的时空加权回归分析——以湖北省黄石市住房价格为例. 地理科学, 2015, 35(5): 615-621.

WANG X G, KONG Y F. An improved spatiotemporally weighted regression analysis based on spatiotemporal windows: A case study of housing price of Huangshi City, Hubei Province., 2015, 35(5):615-621. (in Chinese)

[28] MORAN P A P. Notes on continuous stochastic phenomena., 1950, 37(1/2): 17-23.

[29] LEVERS C, SCHNEIDER M, PRISHCHEPOV A V, ESTEL S, KUEMMERLE T. Spatial variation in determinants of agricultural land abandonment in Europe., 2018, 644: 95-111.

[30] 刘艳清,葛京凤,李灿,刘欣. 基于空间自相关的城市住宅地价空间分异规律研究——以石家庄市城区为例.干旱区资源与环境, 2018, 32(12):55-62.

LIU Y Q, GE J F, LI C, LIU X. Spatial differentiation characteristics of urban residential land prices of Shijiazhuang City based on spatial autocorrelation., 2018, 32(12):55-62. (in Chinese)

[31] 吴文佳, 张晓平, 李媛芳. 北京市景观可达性与住宅价格空间关联. 地理科学进展, 2014, 33(4):488-498.

WU W J, ZHANG X P, LI Y F. Spatial correlation analysis of landscape accessibility and residential housing price in Beijing., 2014, 33(4):488-498. (in Chinese)

[32] TOBLER W R. A computer movie simulating urban growth in the Detroit region., 1970, 46(suppl.): 234-240.

（责任编辑 李云霞）

The Factors of Farmland Conversion and Its Temporal and Spatial Characteristics: An Integrated Model

CUI XuFeng, MA YunMeng, ZHANG GuangHong

(School of Business Administration, Zhongnan University of Economics and Law, Wuhan 430073)

【Objective】The purpose of this paper was to reveal the temporal and spatial characteristics of the factors affecting farmland conversion, and to provide decision-making information support for policy making for the protection and utilization of farmland.【Method】Based on the panel data of farmland conversion from 2006 to 2015, an integrated model of "ordinary regression model-panel model-geographically weighted regression-geographically and temporally weighted regression" (abbreviately named “OPGT” ) was established to analyze the factors of farmland conversion【Result】The ordinary regression model, GWR and GTWR model results showed that urban population growth, fixed asset investment, economy, arable and industrial structure variables all passed the significance test; Moran's I of farmland conversion was 0.740, and passed significance test at the 1% level.The results showed that there was a significant positive spatial correlation of farmland conversion. Ordinary regression model, GWR and GTWR models were used to estimate the equations, and the fit goodness of the equations were 0.689, 0.785 and 0.858, respectively. The interpretation ability of GWR and GTWR models was improved significantly under the condition of adding spatio-temporal weight information. The results of GWR and GTWR models showed that the elastic coefficients of factors were spatio-temporal non-stationary. The results of spatial analysis showed that the influence of urban population growth and farmland resource endowment on farmland conversion was declining from west to east in longitude direction, and reversed U-shaped curve in latitude direction. The influence of fixed assets investment and level of economic development was increasing from west to east in longitude direction, and U-shaped curve in latitude direction. The influence of industrial structure was increasing from west to east in longitude direction, and declining from north to south in latitude direction. From the perspective of temporal evolution, the coefficients of urban population growth, fixed assets investment and level of economic development had a downward trend, while coefficients of farmland resource endowment tended to increase. Coefficients of industrial structure had been reduced in some provinces.【Conclusion】(1) OPGT was an organic whole, each part was mutually tested and complementary, which could describe the spatio-temporal effect of factors in more detail. (2) In terms of the overall action intensity of the factors, the largest elastic coefficient was industrial structure, followed by level of economic development, fixed asset investment and farmland resource endowment, and the smallest was urban population growth. (3) In terms of the spatial characteristics of factor intensities, the influence of urban population growth and farmland resource endowment on farmland conversion was declining from Western China to Eastern China, while fixed assets investment, level of economic development and industrial structure increasing. (4) From the perspective of temporal evolution, the influence of urban population growth, fixed assets investment and level of economic development on farmland conversion had a downward trend. The relationship between farmland resource endowment and farmland conversion tended to strengthen. Although the influence of industrial structure had been reduced in some provinces, its degree of overall influence was still relatively high.

farmland conversion; integrated model; factors; temporal and spatial characteristics

2018-06-14；

2018-10-11

国家社会科学基金（16BGL154）

崔许锋，Tel：027-88386757；E-mail：cuixufeng06@163.com。

张光宏，E-mail：zgh62@aliyun.com

10.3864/j.issn.0578-1752.2018.22.010