基于多智能體與CA結合模型分析的農村土地利用變化驅動機制

劉敬杰，夏　敏，劉友兆，張開亮，張子紅

（南京農業大學公共管理學院，南京 210095）

0　引　言

農村土地類型眾多、變化過程復雜，同時受到自然、社會、經濟等諸多因素的影響，但其變化實質是人地關系相互作用的效果[1]。隨著人類活動對農村土地利用變化干預程度的增加，人文因素逐漸成為影響農村土地利用變化的重要因素[2]，土地利用主體決策行為越來越受重視[3]。政府、企業、農戶等作為中國農村社會的主體，是農村土地利用和農村經濟活動的基本決策單元，其土地利用決策行為對農村自然地理環境、農村土地資源利用和保護、農業景觀格局變化和農村社會可持續發展均有很大影響[4]。但現有農村土地利用變化驅動機制的研究多從自然、社會、經濟等方面選取驅動因子[5-6]，忽視主體決策行為對農村土地利用變化的影響[7]。在農村土地利用系統中，影響土地利用變化的自然、社會、經濟等驅動因子在政府、企業、農戶等利益相關者層面上存在著差異性，且各種因子的相互作用導致其影響程度模糊難辨[8]，采用適宜有效的方法識別并分析農村土地利用變化驅動因子及其影響，為統籌安排未來農村各類土地規模、布局和時序提供科學依據，對促進新農村建設、城鄉一體化及村級土地利用規劃編制工作具有重要意義。

多智能體系統（multi-agent system，MAS）是由多個智能體交互決策以實現目標層的系統，是描述與模擬具有意識行為、能夠實施空間移動與信息交換的人群個體特征與行為的最佳工具，通過“自下而上”的思路建模，賦予系統中微觀個體一定的行為規則，定義個體間的相互作用機制，最終研究宏觀層面上的“涌現”現象[9]。作為復雜系統分析與模擬的重要手段，MAS在城市熱島效應[10-11]、牧農選址[12]、城市土地擴張[13-14]、土地利用變化模擬預測[15-16]、城市土地利用優化配置[17-18]等領域應用廣泛，但應用于驅動機制的研究成果相對較少，常笑等[19]利用MAS對農戶主體決策行為進行模擬，僅揭示了農戶土地種植決策變化受市場等因素的影響，并未充分考慮農戶生產與生活選址、企業投資管理、政府規劃等決策行為對農村土地利用變化的影響。因此，本文以官林鎮為例，以遙感解譯、問卷調查及社會經濟統計數據為基礎，基于多智能體方法構建以研究農村土地利用變化驅動機制為目的模型，定量分析自然區位因子及各主體決策行為對農村土地數量和空間格局變化的驅動機制，以期為農村土地利用變化研究及農村土地管理決策的制定提供參考。

1　研究區概況與數據來源

1.1　研究區概況

官林鎮地處宜興市西北部，東瀕滆湖，地理位置優勢顯著。2015年全鎮總面積10 590.21 hm2，由18個行政村和2個社區組成，農村人口68 525人，占全鎮總人口的76.48%。鎮域內地形平坦、土壤肥沃、大小湖蕩密布，農村土地利用類型多樣，主要有耕地、養殖水面、農村居民點用地、企業用地、生態用地等，其中，耕地面積3 404.14 hm2，占總面積的32.19%，養殖水面面積1 082.27 hm2，占總面積的 10.23%，企業用地面積達1 593.31 hm2，占總面積的15.07%。作為宜興市新興生態型工貿重鎮，全鎮有規模以上企業120家、高新技術產業28家，加快傳統電線電纜產業高端化步伐的同時，大力發展光電光伏、精密機械、生物醫藥等新興產業，企業的迅速擴張導致大量耕地被占用，同時依托滆湖及鎮域內眾多水域等有利資源優勢，水產養殖業發展迅速，圍湖、圍蕩、挖塘等使大量水域及其他用地轉變為養殖水面。農村土地利用變化受到自然、社會、經濟、主體決策等諸多因素的影響，為進一步調整和優化農村土地利用格局，需要識別并分析影響因素對農村土地數量和空間格局變化的驅動機制。

1.2　數據來源與處理

本文所需的數據和資料包括：1）農村土地利用數據，利用官林鎮2005年、2010年和2015年三期分辨率為2.44 m的QuickBird衛星遙感影像解譯出農村土地利用圖，根據研究需要將19種農村土地類型合并為耕地、養殖水面、農村居民點用地、企業用地、生態用地和其他用地 6種類型，并提取交通用地、河流、建制鎮、基本農田保護區等圖層；2）DEM 數據，來自中科院計算機網絡信息中心地理空間數據云（http://www.gscloud.cn/），并提取高程、坡度等數據；3）土壤數據及耕地質量數據，從官林鎮土壤圖、官林鎮總體規劃、宜興市耕地質量等級成果報告等相關數據庫中提取；4）社會經濟數據，來源于2005—2015年《官林鎮統計年鑒》；5）主體決策行為數據，從多主體視角出發，以“政府——企業——農戶”的多主體關系為核心，對各主體行為進行分析與調查：通過與政府相關部門座談、收集相關規劃資料獲取政府主體意愿；從企業基本情況、企業用地變化意愿及選址意愿3方面設計問卷，對大型規上企業、中型規上企業、小型規上企業和非規上企業 4種類型的企業主體進行調研，共發放企業問卷60份、回收56份，問卷有效率93.33%；從農戶基本情況、農村土地變化意愿及選址意愿 3方面設計問卷，對非農戶、兼業戶、種植戶、養殖戶 4種類型的農戶主體進行調研，共發放農戶問卷 240份、回收221份，問卷有效率92.08%。

2　模型構建與實現

農村土地利用變化驅動機制模型框架見圖1，模型主要由農村土地利用空間實體和社會環境 2部分組成，兩者通過統一的二維農村土地空間網格相互作用。其中社會環境中的主體既有能活動的主體，也有不能活動的主體，前者代表現實中的行為主體即智能主體[8]，模型中的MAS模塊表達其決策行為；后者包括自然區位因子和外部環境因子，將其稱為環境主體，模型中的元胞自動機（cellular automata，CA）模塊表現自然區位因子的驅動機制，外部環境因子是自然區位因子和智能主體決策共同遵守的條件，可通過其他 2部分間接實現。農村土地利用空間實體表示社會環境中各類型主體所依賴的載體，即農村土地利用類型。環境主體和智能主體決策行為之間相互作用、相互影響，根據自身因素和環境主體的變化，智能主體不斷調整其決策行為，直接作用于農村土地利用[20]，不同類型智能主體作用的農村土地利用類型也有所差異；反之，智能主體決策行為也會作用于環境主體，改變其各因子的狀態，導致農村土地利用發生變化。

圖1　農村土地利用變化驅動機制模型框架Fig.1　Model framework of rural land-use change driving mechanism

本文借助IDRISI軟件實現CA模塊，以適宜的空間網格為基本分析單位，通過局部規則轉換的運算來模擬空間和時間上離散的復雜現象[21]；借助ArcGIS軟件通過“自下而上”思路建模實現MAS模塊，賦予系統中具有意識行為、能夠實施空間移動與信息交換的智能主體的行為規則[22]，主體之間的相互作用揭示農村土地利用變化的動力機制；2個模塊通過共同的柵格空間實現交互。

2.1　環境主體

環境主體主要包括外部環境因子和自然區位因子。外部環境因子主要包括農村工業化、農村城鎮化、人口增長、經濟發展、政策制度等空間信息。自然區位因子包括自然環境要素、社會環境要素和距離變量3方面：1）自然環境要素直接影響耕地質量、農用地和建設用地的空間布局等，主要選取了地形、地貌、土壤等方面的因子；2）社會環境要素不僅會改變耕地和養殖水面等農用地面積和結構，也會導致建設用地的擴張，加劇農村土地類型間的轉變，主要包括總人口、產量、產值、收入、支出等；3）農村道路的建設給農業生產、企業發展、村民居住和生活創造了巨大的便利條件；水資源是農作物生長、魚塘養殖、企業生產、人們生活必不可少的要素；企業進駐農村，影響水環境、大氣環境的同時，對周邊農用地和農村居民點用地的空間變化產生影響。因此距離變量主要是指某一地塊距離城鎮、道路、水源、企業等的距離。

采用IDRISI軟件的Markov模塊，將研究區2005年和2010年的農村土地利用類型圖進行疊加，確定這一時間段的農村土地利用轉移概率矩陣和轉移面積矩陣，為CA模塊模擬提供局部轉換規則；將2010年各農村土地利用類型作為因變量、自然區位因子作為自變量，輸入IDRISI軟件的 Logistic模塊中，輸出篩選的自變量及參數，制作2010年各類農村土地的適宜性圖；并用collection editor工具將各農村土地類型適宜性圖組合成2010年農村土地利用空間分布概率適宜性圖集，為CA模塊模擬提供全局轉換規則；最后以2010年農村土地利用類型圖作為基期土地利用覆被圖像，結合局部轉換規則和全局轉換規則，采用IDRISI軟件的CA-Markov模塊預測2015年的農村土地利用空間分布情況。

2.2　智能主體

Agent的概念最早由美國學者Minsky提出[23]，中文釋義是“主體”或“智能體”等。智能主體決策行為是農村土地利用變化的基本動力和直接動力，智能主體的行為是目的驅動型，不同類型的智能主體具有不同的目的，即使自己的利益最大化[24]。農村土地利用變化主要受到政府、企業、農戶 3種類型主體決策行為的影響，政府主體不具有空間屬性，作為農村土地利用的規劃者和重要決策者，通過編制相關規劃對各類農村土地利用進行數量控制和空間管制約束，其決策行為影響各類農村土地利用的變化；企業主體的投資管理決策及對自然、社會、經濟等因素的反應，導致企業用地數量結構和空間布局發生變化；農戶主體作為農村土地利用和農村經濟活動的重要主體和基本決策單元，其農業結構調整、棄耕、申請宅基地等決策行為直接影響耕地、養殖水面和農村居民點用地變化。

MAS模塊中的智能主體決策行為交互主要分為以下2類：1）政府Agent、企業Agent和農戶Agent分別決策相關類型的農村土地擴張轉換概率；2）3種類型的Agent經過不同組合，決策相關類型農村土地的擴張轉化概率。

1）政府Agent

政府Agent編制《官林鎮總體規劃》、《官林鎮鎮村布局規劃》、《官林鎮高新技術產業開發區規劃》和《官林鎮綠地系統規劃》，劃定農業片、居民點集聚地、工業片和生態廊道，對各類型農村土地數量和空間布局產生較大影響。本文通過收集相關規劃資料，選取基本農田保護區、道路紅線區、生態保護紅線區等，作為政府Agent決策行為對各類農村土地利用變化的限制區域。

MAS模塊中通過柵格計算落實限制區域，若位于二維農村土地柵格中第i行、第j列的地塊不受任何限制區域的影響，認定該地塊可以發生轉變，即Y=0；若該地塊受到一個或多個區域的限制，認定該地塊不能發生轉變，即Y>0。表達式為：

式中 Y為相加的結果，是[0，3]之間的整數。[farmland]為基本農田保護區柵格圖，[road]表示道路紅線區柵格圖，[ecology]為生態保護紅線區柵格圖，值為1表示限制區域內，值為0表示限制區域外。

2）企業Agent

企業的自身個體特征和經濟特征影響企業主體對企業用地面積做出的擴張決策行為，即判斷是否增減企業用地規模或將企業搬遷到其他地方等，這一決策行為可影響企業用地面積的變化。為了解企業主體擴張決策行為及影響因素，在企業問卷中設定“綜合考慮企業情況，未來有何發展規劃”這一問題，56份有效的企業調查問卷中，選擇擴大企業用地的企業占比 25%，選擇減少企業用地的占比 55%，選擇維持現有企業用地不變的占比20%。企業主體擴張決策中的“擴張”或“搬遷”后，為擴張或搬遷的企業進行區位選址時受到資源成本、區位交通、區域經濟發展等條件的影響，企業主體的位置再選擇決策行為可影響企業用地空間布局的變化。企業問卷中設置“為擴張或搬遷的企業用地選址時考慮的主要因素有哪些？”這一問題，匯總企業用地空間布局的影響因素（表1）。

表1　企業用地位置再選擇影響因素Table 1　Influencing factors of enterprise land reselection

在MAS模塊中，根據企業主體擴張決策比例生成企業Agent，假設企業Agent決策行為在企業用地上落地。引入隨機效用模型和離散選擇模型，計算某一待選用地單元對企業Agent的區位效用值和用地轉換概率，隨機產生足夠多的智能體，使可達范圍覆蓋全區。區位效用是指主體在空間可達范圍內綜合考慮各種因素偏好而選擇特定用地位置所獲得的滿足程度[25-26]，主體的位置再選擇決策行為以效用最大化為前提。

根據隨機效用模型，某一待選用地單元Lij對企業主體的區位效用表達式為：

式中Uij為企業用地區位效用，Wlocation、Windustry、Weconomics分別代表準則層因子效用值，可根據表 1中指標層因子加權求和計算；a、b、c為企業用地位置再選擇決策影響因素準則層各因子的偏好權重，且a+b+c=1，由于在模擬初始無法判斷指標重要性程度，本文初步認為準則層和指標層的各個指標對用地位置再選擇決策行為同等重要，采用等權重法，分別設置準則層和指標層因子偏好權重初始值均為0.333 3和0.111 1；uij為企業用地區位效用隨機擾動項。

根據離散選擇模型，用地單元Lij被企業選擇作為企業用地的概率為

式中Pij為企業用地轉換概率，m為用地單元Lij所吸引的企業主體個數。

3）農戶Agent

農戶的個體特征和家庭特征影響農戶主體對耕地、養殖水面和農村居民點用地的擴張決策行為，為了解農戶主體擴張決策行為及影響因素，在農戶問卷中設置“計劃采取何種方式增加家庭收入”和“未來是否會建房或買房”等問題。221份有效農戶問卷中，農戶主體對耕地、養殖水面和農村居民點用地面積變化選擇“擴大”、“減少”或“不變”的決策比例見表2。農戶主體擴張決策的區位選址受到區位交通、基礎設施建設、周邊環境等條件的影響，問卷中設置“為擴張或搬遷的農村土地選址時考慮的主要因素有哪些？”這一問題，匯總得到耕地、養殖水面和農村居民點用地空間布局的影響因素（表3）。

表2　農戶主體決策比例Table 2　Percentage of decision-making for farmers　　%

在MAS模塊中，根據農戶主體擴張決策比例生成農戶Agent，假設農戶Agent決策行為在相關土地類型上落地。同企業主體決策行為表達過程相同，采用隨機效用模型和離散選擇模型計算某一待選用地單元對農戶Agent的區位效用值和用地轉換概率，隨機產生足夠多的智能體，使可達范圍覆蓋全區。

本文以農戶主體耕地決策為例說明農戶決策行為表達及實現過程，首先采用公式（4）計算某一待選用地單元對農戶主體的耕地區位效用值，再根據離散選擇模型，參考公式（3）計算用地單元Lij被農戶選擇作為耕地的概率。

式中U'ij為耕地區位效用，W'location、W'facility、W'quality分別代表耕地效用準則層因子效用值，可根據表 3中指標層因子加權求和計算；a'、b'、c'分別為耕地位置再選擇影響因素準則層各因子的偏好權重，且a'+b'+c'=1，采用等權重法，分別設置準則層和指標層因子的偏好權重初始值為0.333 3和0.100 0；u'ij為耕地區位效用隨機擾動項。

表3　耕地、養殖水面、農村居民點用地位置再選擇影響因素Table 3　Influencing factors of farmland, aquaculture and rural residential land reselection

4）智能主體決策交互

在所有農村土地類型中，生態用地和其他用地的變化僅受政府Agent決策行為的影響，其他類型農村土地變化所受主體決策行為影響程度可用公式（5）表示

式中Pfarmland、Ppond、Pvilliage、Pindustry分別表示待選用地單元轉變為耕地、養殖水面、農村居民點用地和企業用地的概率；Pgovernment、Penterprise、Pfarmer分別為政府、企業、農戶的決策概率，a11、a12、a13、a14、b11、b12、b13、b14、c11、c12、c13為各主體決策權重，a11+b11+c11=1、a12+b12+c12=1、a13+b13+c13=1、a14+b14=1。根據研究區實際調研情況，并參考經驗值[27]，設置各類型 Agent初始決策權重（表4）。在MAS模塊中，采用柵格計算器計算各類型農村土地的轉變概率，參考相關文獻[28]，將轉變初始閾值Pthreshold設置為0.2，以0.1為單位依次遞增，將用地轉變概率最大值 Pi,j與閥值 Pthreshold進行對比，若Pthreshold≥Pi,j，則此用地單元轉變為最大值所對應的地類，若與閾值相等，則以保護耕地為原則，優先轉換成耕地，遵守這一轉換規則得到MAS模塊模擬結果圖。

表4　各類型主體初始決策權重Table 4　Initial weights of all kinds of agents decision-making

2.3　模型綜合實現

將MAS模塊和CA模塊模擬的結果圖進行比較，若兩者結果一致選取MAS模塊模擬結果，反之則取初期現狀地類作為模擬結果，得到2015年農村土地利用結果圖；計算此結果圖與解譯的 2015年農村土地利用類型圖的Kappa系數評價模擬模型的有效性，若未通過有效性檢驗，同時調整CA模塊和MAS模塊中的參數，直至通過有效性檢驗則輸出模擬結果及最終參數。

3　結果與分析

3.1　2015年模擬結果及模型檢驗

2015年農村土地利用模擬結果及其與同期遙感影像解譯圖的差異見圖2，圖像總柵格數4 236 083，空間模擬一致的柵格數3 541 533，占比83.60%，Kappa值為0.8 087，位于（0.75,1）范圍內，說明模型模擬效果較好，結果可信度較高。

3.2　自然區位因子驅動機制分析

模擬模型通過有效性檢驗后，CA模塊輸出的最終自變量及參數見表5。

在主要地類中，耕地變化主要受到土壤pH值、農民年人均純收入、距水源的距離等因子的影響。自然環境要素中土壤pH值對耕地變化的影響程度最大，土壤pH值每增加一個單位，耕地變化概率增大 1.161倍，土壤pH值直接影響土壤理化性質、微生物活動以及氮、磷、鉀等各種礦質營養元素存在的形態和有效性等，進而影響作物的生長發育和產量，作物產量越低，耕地轉換成其他類型用地的可能性越大。社會環境要素中以農民年人均純收入對耕地變化影響最大，農民年人均純收入每提高一個單位，耕地變化概率增加1.313倍，近年來研究區農民收入水平不斷提高，但收入結構和比例由主要依靠農業生產向多元化方向發展，種植收入所占比重逐漸減小，使耕地開發利用程度和利用效益受到影響。距離變量中距水源的距離對耕地變化影響最大且呈負相關關系，距水源的距離每增加一個單位，耕地變化的概率減小0.780倍，因為養殖業收益較高，距水源越近，耕地特別是其中的水田轉變為養殖水面的可能性越大。

圖2　2015年農村土地利用變化模擬結果及差異Fig.2　Simulation results and difference of rural land use change in 2015

養殖水面變化主要受到坡度、農民年人均純收入、距水源的距離、距企業的距離等因子的影響。池塘養殖尤其是螃蟹養殖對坡度的要求較高，坡度越大，池塘的基建成本及池底改造成本越高，轉變為其他類型土地的可能性越大。社會環境中農民年人均純收入對養殖水面變化影響較大，農民年人均純收入每提高一個單位，養殖用地變化的概率減小0.761倍，近年來魚蝦、蟹類等水產品的價格不斷攀升，從事養殖業的農民收入水平越高，對池塘養殖的資金投入越大，養殖水面轉換成其他類型土地的可能性越小。距離變量中距水源和企業的距離對養殖水面變化影響較大，水源越充足、水質越高，池塘內魚蝦、蟹類的生長發育情況越好，養殖產量及收入越高，因此，距離水源越近、距離企業尤其是污染性企業越遠，養殖水面轉換為其他類型土地的可能性越小。

農村居民點用地變化主要受到表層土壤質地、村級公益事業配套投入、距農村道路的距離等因子的影響。農村居民點用地是用于建造房屋及其附屬建筑物的土地，穩定、安全、適宜的地質條件是農村住宅長期存在且持續發展的關鍵因素，表層土壤質地越好，土地的承受力越強，房屋地基越牢固，人們居住及日常生活就更有保障，農村居民點用地轉變為其他類型土地的可能性越小。村級公益事業配套投入對農村居民點用地的布局也具有重要影響，村級公益事業配套投入每提高一個單位，農村居民點用地變化的概率增加1.380倍，村級公益事業配套投入越高，其治安保障、環境治理、垃圾處理等設施就更健全，文化基礎設施建設也得以加強，吸引農村居民點的聚集能力越強。距離變量中距農村道路的距離對農村居民點變化影響較大，距農村道路的距離每增加一個單位，農村居民點用地發生變化的概率增加1.179倍，道路的便捷程度方便了人們的出行、促進了農村的發展，距離農村道路越近，農村居民點聚集程度越高，轉換為其他類型土地的可能性越小。

表5　自然區位因子驅動機制分析結果Table 5　Driving mechanism analysis of natural location factors

企業用地變化主要受到坡度、工業總產值、距農村道路的距離等因子的影響。企業用地是用于工業企業建造工廠、車間等生產場地及排渣（灰）場的土地，自然環境要素中的坡度對企業用地變化影響較大，隨著坡度的增加，建造工程的土石方量和基建投資成本不斷提高，企業生產工藝、運輸以及場地排水系統等均會受到影響，企業用地轉換為其他類型土地的可能性越大。社會環境要素中以工業總產值對企業用地變化影響較大，工業總產值每提高一個單位，企業用地變化概率減少0.300倍，工業總產值反映的是企業生產總規模和總水平，工業總產值越高，企業繼續生產和擴大現有生產規模的能力越強，企業用地轉換為其他類型土地的可能性越小。距離變量中距農村道路的距離對企業用地變化影響較大，距農村道路的距離每增加一個單位，企業用地變化的概率增加1.130倍，企業用地的交通運輸條件關系到企業的生產運行效益，企業生產需要的設備物資、產品的外銷等均離不開良好交通條件的保障，在有便捷運輸條件的地段布置企業，可有效節省建廠投資、保證生產的順利進行。

生態用地變化主要受到農業產值、漁業產值、工業總產值等因子的影響。生態用地作為調節環境、生物保育等生態服務功能為主要用途的土地類型，對維持區域生態平衡和可持續發展具有重要的作用，其分布和變化受工業化、城鎮化的快速發展影響較大。漁業產值每增加一個單位，生態用地變化概率增加1.017倍，漁業產值越高，水產養殖業發展越迅速，農民采取圍湖、圍蕩等多種方式繼續擴大養殖規模，生態用地轉變為養殖水面的可能性越大；工業總產值每增加一個單位，生態用地變化概率增加1.371倍，工業總產值越高，企業繼續擴大發展的能力越強，企業擴張占用生態用地的可能性越大，同時企業生產排放的廢氣、廢水、廢渣等對生態用地造成的污染越嚴重，加劇了生態用地轉變為其他類型土地的概率。

3.3　智能主體決策驅動機制分析

模擬模型通過有效性檢驗后，MAS模塊輸出的各類型主體決策行為影響因素及最終決策權重見表6和表7。

表6　各類型主體最終決策權重Table 6　Final weights of all kinds of agents decision-making

從表 6可以看出，作為農村土地利用的規劃者和重要決策者，政府Agent的決策行為對各類農村土地利用的變化均有很大影響，通過編制相關規劃，政府Agent對各類農村土地利用進行數量控制和空間管制約束。企業Agent的決策行為主要對企業用地變化影響較大，其決策權重達 0.41，對其他農村土地利用變化影響決策權重均在0.20左右，企業主體的投資管理決策及對自然、社會、經濟等因素的反應，直接導致企業用地數量結構和空間布局發生變化，間接對其他地類的空間分布產生影響。農戶Agent的決策行為主要對耕地、養殖水面和農村居民點用地變化影響較大，決策權重均在0.30以上，農戶主體做出的農業結構調整、棄耕、申請宅基地等決策行為直接影響耕地、養殖水面和農村居民點用地變化，其生產和生活行為、就業需求決策等也會間接影響農村生態環境和企業用地的分布，但影響程度較小，決策權重均在0.20以下。本文重點對企業Agent和農戶Agent的決策行為驅動機制進行詳細分析。

1）企業主體決策驅動機制分析

企業資產總額、企業職工年齡及學歷構成、企業閑置土地情況等企業個體特征和經濟特征影響企業 Agent做出的企業用地擴張決策行為，進而影響企業用地面積的變化，企業資產總額越高、企業職工平均年齡越小、職工學歷越高、企業閑置土地面積越小，企業用地面積增加的可能性越大。

資源成本、區位交通、區域經濟發展等因素影響企業Agent做出的企業用地位置再選擇決策行為，進而影響企業用地空間布局的變化。從表 7可以看出，影響較大的準則層因素主要是B11，指標層因素主要有C102、C103、C104等，B11偏好權重達0.539 0，官林鎮企業以電線電纜行業為主，由于該行業位于國民經濟產業鏈中游，原材料成本占比較大、下游產業需求旺盛，因此，供銷成本及供銷渠道是企業用地空間布局優先考慮的因素，同時距離承載質量高且路面較寬的道路越近，企業用地空間布局變化的可能性越大。C104的偏好權重值也較高，企業通過繳納土地出讓金獲取土地，雖然政府會制定相關的優惠條件使這一成本降低，但并非無償供給，所以待選用地的土地價格對企業用地空間布局變化的影響也較大。經濟要素方面的指標偏好權重值均較低，其中 C109的偏好權重值僅為0.032 2，鎮域范圍內經濟發展差異不明顯，因此經濟要素對企業用地空間布局變化的影響相對較弱。

表7　農村土地利用位置再選擇決策影響因素偏好權重Table 7　Influencing factors weights of rural land reselection

2）農戶主體決策驅動機制分析

農戶的年齡、學歷等個體特征以及家庭人口、收入等家庭特征影響農戶Agent做出的耕地、養殖水面和農村居民點用地擴張決策行為，進而影響到農村土地面積變化，農戶年齡越大、學歷越低、家庭人口數越多、家庭收入越高，耕地和養殖水面面積增加的可能性越大；農戶家庭人口越多、經濟條件越好，農村居民點用地面積增加的可能性越大。

區位、設施和耕地質量等因素影響農戶Agent做出的耕地位置再選擇決策行為，進而影響耕地空間布局的變化。從表7可以看出，影響較大的準則層因素主要是B23，指標層因素主要有 C202、C205、C208、C209、C210等，B23偏好權重達0.588 9，土壤pH值、表層土壤質地、土壤有機質含量、耕作層厚度等條件決定耕地質量的高低，而耕地質量直接影響著土地生產力和作物生產潛力，因此農戶偏向選擇質量高的耕地，質量越高的耕地空間布局變化的可能性越大。B21和 B22的偏好權重相差不大，其中C202、C205偏好權重值分別為0.117 3和0.085 8，到原有農地的距離可衡量農戶增加耕地規模的程度，充分利用水資源，合理調配灌水量和排水量，是農作物高產穩產的保證，這兩個因素對耕地空間布局變化影響較大。

區位、水體和周邊環境等因素影響農戶Agent做出的養殖水面位置再選擇決策行為，進而影響養殖水面空間布局的變化。從表 7可以看出，影響較大的準則層因素主要是B31，指標層因素主要有C302、C303、C306、C307等，B31偏好權重達0.539 0，池塘養殖是一種高密度的飼養方式，待選用地的交通區位條件越好，對鮮活魚蟹、飼料餌料等的采購、銷售越有利，養殖水面空間布局變化的可能性越大。B32偏好權重值為0.297 2，養殖水面相對封閉，水源和水質條件好對魚、蝦、蟹等的養殖非常重要，養殖水面布局在這些地塊的可能性越大。B33偏好權重較小，其中C310偏好權重值僅為0.026 8，說明周圍環境條件對養殖水面空間布局變化影響相對較弱。

交通區位、設施條件和周邊環境等因素影響農戶Agent做出的農村居民點用地位置再選擇決策行為，進而影響農村居民點用地空間布局的變化。從表7可以看出，影響較大的準則層因素主要是 B41，指標層因素主要有C402、C405、C407、C415等，B41偏好權重達 0.539 0，C402和C405的偏好權重值分別為0.134 1和0.204 5，區位交通環境對農村居住空間布局變化的影響較大，不僅為居住者提供更經濟的土地和勞動力等生產要素，也會擴大農民的經濟活動空間。B42偏好權重值為0.297 2，飲用水設施是影響農村居民點用地空間布局的重要因素，官林鎮內各居民點已通自來水，但有些自來水支管網需進行改造，因此，飲用水設施越好，農村居民點布局變化的可能性越大。B43偏好權重相對較小，但空氣質量狀況的偏好權重值較高，官林鎮是宜興市工業重鎮，位于鎮西的都山工業集中區對周邊村莊甚至鎮區的水源和空氣有一定污染，因此，空氣質量對農村居民點用地空間布局變化的影響較大。

4　結　論

本文基于多智能體方法構建以研究農村土地利用變化驅動機制為目的模型，借助IDRISI軟件和ArcGIS軟件分別實現模型的CA模塊和MAS模塊，通過模型轉換規則的運算對研究區農村土地利用變化進行模擬。對比研究區2015年農村土地利用解譯結果，計算模擬精度并調整參數，直至通過有效性檢驗，根據最終參數定量分析自然區位因子及各主體決策行為對農村土地數量和空間格局變化的驅動機制，以期為農村土地利用變化研究及農村土地管理決策的制定提供參考。文章主要結論如下：

1）本文研究的農村土地利用類型包括耕地、養殖水面、農村居民點用地、企業用地、生態用地和其他用地，土地類型不同，顯著影響農村土地利用變化的自然區位因子也有所差異，綜合來看，土壤pH值、表層土壤質地、農民年人均純收入、各行業產值、與水源及道路的距離等因子對各類農村土地利用變化影響較大。

2）本文涉及的智能主體包括政府、企業和農戶，主體類型不同，其決策行為影響的農村土地利用類型不同。政府決策行為對各類農村土地利用的變化均有很大影響；企業資產總額、職工年齡及學歷構成、閑置土地情況等影響企業擴張決策行為，與市場的接近程度、周邊道路情況等區位交通方面的因素影響用地位置再選擇決策行為，使企業用地面積和空間布局發生變化；農戶的年齡、學歷、家庭人口、收入等影響農戶擴張決策行為，耕地質量、水體質量、距道路的距離等因素影響用地位置再選擇決策行為，使耕地、養殖水面和農村居民點用地的面積和空間布局發生變化。

3）本文基于CA和MAS構建模型模擬農村土地利用變化并分析其驅動機制，對研究區2015年農村土地利用的模擬結果Kappa值為0.808 7，說明模擬效果較好，結果可信度較高，模型不僅能準確表達地理空間，還能把土地利用決策者的活動體現到土地利用變化過程中，從而更好地模擬土地利用變化過程。

由于中國特有的農村土地制度及復雜的主體博弈關系，農村土地利用的影響因素也錯綜復雜，進一步的研究需深入探討模型轉換規則及綜合規則的制定，其中現有外部環境可補充制度政策、文化底蘊等指標的約束，細分不同主體并將其利益訴求科學合理地融入規則中，在此基礎上開發簡單實用且適合中國農村特色的模擬平臺，為科學系統地研究農村土地利用變化，統籌安排未來農村各類土地規模、布局和時序提供科學依據。

[參考文獻]

[1] 黃賢金. 城鄉土地市場一體化對土地利用/覆被變化的影響研究綜述[J]. 地理科學，2017，37(2)：200－208.Huang Xianjin. A review of effects of urban and rural land market integration on land use and land cover change[J].Scientia Geographica Sinica, 2017, 37(2): 200－208. (in Chinese with English abstract)

[2] 劉洪彬，呂杰. 基于農戶微觀視角下的大城市郊區耕地土壤質量變化驅動機制研究[J]. 自然資源學報，2015，30(7)：1129－1140.Liu Hongbin, Lü Jie. Analyzing the soil quality change mechanism of the cultivated land based on the microscopic perspective of the household in the metropolitan suburban[J].Journal of Natural Resources, 2015, 30(7): 1129－1140. (in Chinese with English abstract)

[3] 鐘太洋，黃賢金. 農戶層面土地利用變化研究綜述[J]. 自然資源學報，2007，22(3)：341－352.Zhong Taiyang, Huang Xianjin. Review on the researches of land use change at farm household level[J]. Journal of Natural Resources, 2007, 22(3): 341－352. (in Chinese with English abstract)

[4] 蘇藝，鄧偉，張繼飛，等. 尼泊爾中部山區Melamchi流域農戶類型及其土地利用方式[J]. 農業工程學報，2016，32(9)：204－211.Su Yi, Deng Wei, Zhang Jifei, et al. Peasant household type and its land use pattern in Melamchi basin of central mountainous area in Nepal[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(9): 204－211. (in Chinese with English abstract)

[5] 郇紅艷，譚清美，朱平. 城鄉一體化進程中耕地利用變化的驅動因素及區域比較[J]. 農業工程學報，2013，29(21)：201－213.Huan Hongyan, Tan Qingmei, Zhu Ping. Driving factors of cultivated land use change in city and countryside integration process and region comparisons[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(21): 201－213. (in Chinese with English abstract)

[6] Xu Y Q, McNamara P, Wu Y F, et al . An econometric analysis of changes in arable land utilization using multinomial logit model in Pinggu district, Beijing, China[J].Journal of Environmental Management, 2013 (128): 324－334.

[7] 譚雪蘭，鐘艷英，段建南，等. 快速城市化進程中農村居民點用地變化及驅動力研究：以長株潭城市群為例[J]. 地理科學，2014，34(3)：309－315.Tan Xuelan, Zhong Yanying, Duan Jiannan, et al. The change and driving forces of rural residential area under the background of rapid urbanization: A case study of the Changsha-Zhuzhou-Xiangtan Urban Agglomeration [J].Scientia Geographica Sinica, 2014, 34(3): 309－315. (in Chinese with English abstract)

[8] 龔丹，馬曉明. 農牧交錯帶典型區土地利用驅動機制研究：基于多主體模擬方法[J]. 湖南農業大學學報（社會科學版），2007，8(4)：15－19.Gong Dan, Ma Xiaoming. Driving mechanism of land use in the agricultural and pastoral typical areas based on MAS method[J]. Journal of Hunan Agricultural University (Social Sciences), 2007, 8(4): 15－19. (in Chinese with English abstract)

[9] Sullivan D. Exploring the Structure of Space: Towards geo-computational theory [R]. Working Paper Series. London:Centrefor Advanced Spatial Analysis, 2000.

[10] Castella J C, Pheng Kam S, Dinh Quang D et al. Combining top-down and bottom-up modelling approaches of land use/cover change to support public policies: Application to sustainable management of natural resources in northern vietnam[J]. Land Use Policy, 2007, 24(3): 531－545.

[11] Valbuena D, Verburg P H, Bregt A K. A method to define a typology for agent-based analysis in regional land-use research[J]. Agriculture Ecosystems & Environment, 2008,128(1/2): 27－36.

[12] Milner-Gulland E J, Kerven C, Behnke R, et al. A multiagent system model of pastoralist behaviour in Kazakhstan[J].Ecological Complexity, 2006, 3(1): 23－36.

[13] 楊青生，黎夏. 多智能體與元胞自動機結合及城市用地擴張模擬[J]. 地理科學，2007，27(4)：542－548.Yang Qingsheng, Li Xia. Integration of multi-agent systems with cellular automata fosimulating urban land expansion [J].Scientia Geographica Sinica, 2007, 27(4): 542－548. (in Chinese with English abstract)

[14] 張鴻輝，曾永年，金曉斌，等. 多智能體城市土地擴張模型及其應用[J]. 地理學報，2008，63(8)：869－881.Zhang Honghui, Zeng Yongnian, Jin Xiaobin, et al. Urban land expansion model based on multi-agent system and application[J]. Acta Geographica Sinica, 2008, 63(8): 869－881. (in Chinese with English abstract)

[15] 張云鵬，孫燕，陳振杰，等. 基于多智能體的土地利用變化模擬[J]. 農業工程學報，2013，29(4)：255－265.Zhang Yunpeng, Sun Yan, Chen Zhenjie, et al. Scenario simulation of land use based on Multi-Agent system[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(4): 255－265. (in Chinese with English abstract)

[16] 余強毅，吳文斌，陳羊陽，等. 農作物空間格局變化模擬模型的MATLAB實現及應用[J]. 農業工程學報，2014，30(12)：105－114.Yu Qiangyi, Wu Wenbin, Chen Yangyang, et al. Model application of an agent-based model for simulating crop pattern dynamics at regional scale based on MATLAB[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(12): 105－114. (in Chinese with English abstract)

[17] 袁滿，劉耀林. 基于多智能體遺傳算法的土地利用優化配置[J]. 農業工程學報，2014，30(1)：191－199.Yuan Man, Liu Yaolin. Land use optimization allocation based on multi-agent genetic algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2014, 30(1): 191－199. (in Chinese with English abstract)

[18] 張鴻輝，曾永年，譚榮，等. 多智能體區域土地利用優化配置模型及其應用[J]. 地理學報，2011，66(7)：972－984.Zhang Honghui, Zeng Yongnian, Tan Rong, et al. A model for regional land use optimization allocation based on multi-agent system and its application[J]. Acta Geographica Sinica, 2011, 66(7): 972－984. (in Chinese with English abstract)

[19] 常笑，劉黎明，劉朝旭，等. 農戶土地利用決策行為的多智能體模擬方法[J]. 農業工程學報，2013，29(14)：227－237.Chang Xiao, Liu Liming, Liu Zhaoxu, et al. Method of multi-agent system for simulating land-use decision-making behavior of farmer households[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(14): 227－237. (in Chinese with English abstract)

[20] 余強毅，吳文斌，楊鵬，等. Agent農業土地變化模型研究進展[J]. 生態學報，2013，33(6)：1690－1700.Yu Qiangyi, Wu Wenbin, Yang Peng, et al. Progress of agent-based agricultural land change modeling: A review[J].Acta Ecologica Sinica, 2013, 33(6): 1690－1700. (in Chinese with English abstract)

[21] 張俊平，李凈. 基于 CA-Markov模型的甘州區土地利用變化預測分析[J]. 中國農學通報，2017，33(4)：105－110.Zhang Junping, Li Jing. Prediction and analysis of land use change based on CA-Markov model in Ganzhou District [J].Chinese Agricultural Science Bulletin, 2017, 33(4): 105－110. (in Chinese with English abstract)

[22] 王桂林，楊昆，許泉立，等. 基于MAS與CA的滇池流域土地利用變化模型研究[J]. 環境科學與技術，2015，38(8)：172－178.Wang Guilin, Yang Kun, Xu Quanli, et al. Model of dianchi basin land use change based on CA and MAS[J].Environmental Science & Technology, 2015, 38(8): 172－178. (in Chinese with English abstract)

[23] Minsky M. Will Robots Inherit the Earth? [J]. Scientific American, 1994, 271(4): 108－113.

[24] 全泉，田光進，沙漠泉. 基于多智能體與元胞自動機的上海城市擴展動態模擬[J]. 生態學報，2011，31(10)：2875－2887.Quan Quan, Tian Guangjin, Sha Moquan. Dynamic simulation of Shanghai urban expansion based on multi-agent system and cellular automata models [J]. Acta Ecologica Sinica, 2011, 31(10): 2875－2887. (in Chinese with English abstract)

[25] 何大安. 選擇偏好、認知過程與效用期望[J]. 學術月刊，2014，46(6)：49－58.He Daan. Choose preferences, cognitive processes and expectation utility[J]. Academic Monthly, 2014, 46(6): 49－58. (in Chinese with English abstract)

[26] 趙玉，張玉，熊國保. 基于隨機效用理論的贛江流域生態補償支付意愿研究[J]. 長江流域資源與環境，2017，26(7)：1049－1056.Zhao Yu, Zhang Yu, Xiong Guobao. Analysis of the peoples'willingness to pay for ecological compensation in the Ganjiang River Basin based on the Random Utility Theory[J].Resources and Environment in the Yangtze Basin, 2017,26(7): 1049－1056. (in Chinese with English abstract)

[27] 陳袁. 多智能體土地利用動態模擬及應用[D]. 成都：成都理工大學，2016.Chen Yuan. Land Use Dynamic Simulation and Implementation Based on Multi-agent Method[D]. Chengdu :Chengdu University of Technology, 2016. (in Chinese with English abstract)

[28] 劉濤. 基于CA與Multi-Agent的滇池流域土地利用變化模擬研究[D]. 昆明：云南師范大學，2013.Liu Tao. Land Use Change Simulation in Dianchi Lake Basin Based on CA and Multi-agent[D]. Kunming: Yunnan Normal University, 2013. (in Chinese with English abstract)