EN中文

经济地理 >

2021 , Vol. 41 >Issue 7: 173 - 182

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.07.19

三农、土地与生态

长株潭核心区土地利用变化时空格局及驱动力多维分析

  • 李毅 , 1 ,
  • 肖腊梅 1 ,
  • 胡文敏 2 ,
  • 易敏 3 ,
  • 谢宜章 , ※
展开
  • 1.湖南农业大学 商学院，中国湖南 长沙 410128
  • 2.中南林业科技大学 林学院，中国湖南 长沙 410004
  • 3.湖南省环境监测中心站，中国湖南 长沙 410014
※谢宜章（1986—），男，湖南永州人，博士，讲师，硕士生导师，研究方向为生态经济与管理。E-mail：

李毅（1979—），男，湖南耒阳人，博士，讲师，硕士生导师，研究方向为生态经济、城市代谢与可持续发展。E-mail：

收稿日期: 2020-05-27

  修回日期: 2021-04-20

  网络出版日期: 2025-03-31

基金资助

湖南省自然科学基金项目(2018JJ3247)

湖南省自然科学基金项目(2020JJ5265)

湖南省自然科学基金项目(2021JJ30368)

湖南省社会科学成果评审委员会一般项目(XSP20YBC402)

收起

Spatio-temporal Pattern of Land Use Change in Changsha-Zhuzhou-Xiangtan Core Areas and Its Driving Forces

  • LI Yi , 1 ,
  • XIAO Lamei 1 ,
  • HU Wenmin 2 ,
  • YI Min 3 ,
  • XIE Yizhang , ※
Expand
  • 1. School of Business，Hunan Agricultural University，Changsha 410128，Hunan，China
  • 2. School of Forestry，Central South University of Forestry and Technology，Changsha 410004，Hunan，China
  • 3. Hunan Province Environmental Monitoring Center，Changsha 410014，Hunan，China

Received date: 2020-05-27

  Revised date: 2021-04-20

  Online published: 2025-03-31

Fold

摘要

以长株潭城市群中开发强度最大的长株潭核心区作为研究对象，利用GIS和计量分析工具分析长株潭核心区2000—2018年土地利用变化的时空特征，从自然环境、区位交通、经济发展、政策导向、产业驱动、人口增长等六大维度，以及城市交互作用等方面研究土地利用变化驱动机制，采用Logistic回归模型探究各地类变化的驱动因子，研究结果表明：①2000—2018年，耕地减少324.96 km2、林地减少855.47 km2，建设用地增长1 161.87 km2，草地与水体面积总体保持稳定并略有变动。②2000—2008与2008—2018年两期耕地、林地、建设用地变化驱动因子存在较大差异。③自然环境（DEM、河流水系）是耕地、林地和建设用地变化的基础条件，从根本上决定着三种地类变化的空间形态；区位交通中公路、铁路等交通网络的延伸，扩大了三种地类变化的范围；经济发展、政策导向、产业发展、人口增长加快了三种地类变化的速度。④城市交互作用强度有效反映了各种地类变化，特别是建设用地变化的趋势，这表明城市交互作用强度是除六大维度外的第七大影响因素。

关键词： 长株潭核心区; GIS-Logistic模型; 土地利用变化; 驱动力; 长株潭一体化; 建设用地

本文引用格式

李毅 , 肖腊梅 , 胡文敏 , 易敏 , 谢宜章 . 长株潭核心区土地利用变化时空格局及驱动力多维分析[J]. 经济地理, 2021 , 41(7) : 173 -182 . DOI: 10.15957/j.cnki.jjdl.2021.07.19

Abstract

Taking Changsha-Zhuzhou-Xiangtan core area as an example,it applies GIS and quantitative analysis to analyze the temporal and spatial characteristics of land use change between 2000 and 2018 in Changsha-Zhuzhou-Xiangtan core area,and builds an index system of land use change and driving force from the perspective of natural environment,regional traffic,economic development,policy orientation,industry drive,population growth and urban interaction. Based on the GIS and Logistic regression model,it explores driving factors of different land type. The results are as follows: 1) Cultivated land was reduced by 324.96 km2 in 2000-2018,forestland by 855.47 km2,but construction land was increased by 1 161.87 km2. The grasslands and water areas remain stable as a whole with a slight change. 2) During two periods from 2000 to 2008 and 2008 to 2018,it exhibits significant difference in the driving factors of different land use change(cultivated land,forest land and construction land). 3) Nature environment (DEM and river system) is fundamental condition for changes of cultivated land,forestland and construction land,determine the spatial form of those three kind of lands. Extension of transport network such as highway and railway enlarges the changing range of those three kind of lands. Economic development,policy orientation,industrial development and population growth have accelerated the pace of changes in three land categories. 4) The strength of urban interaction can effectively reflect the change trend of various land types,especially the change of construction land,which indicates that the strength of urban interaction is the seventh important influencing factor besides six factors above.

Key words： Changsha-Zhuzhou-Xiangtan core area; GIS-Logistic Model; land use change; driving forces; Changsha-Zhuzhou-Xiangtan integration; construction land

土地利用及其变化受区域经济发展、社会进步和自然环境等多重因素影响[1]，其数量、质量结构和空间格局呈现出一定规律性分布，并深刻影响区域内生态环境状况[2]。土地利用变化动力机制旨在揭示土地利用变化的原因、机理[3]，并预测未来发展方向[4]，它是目前土地利用研究中的热点与难点问题，一直备受国内外学者的重视。因此，聚焦土地利用驱动力分析，可理清区域土地利用变化过程，找准驱动土地利用变化的关键因素，对调整区域土地利用政策，提升区域可持续发展绩效，实现土地资源高效、绿色、集约利用具有重要的理论和实践意义[5]。
城市群是经济、社会与城镇化发展到一定程度的产物，是城市一体化的高级空间组织形态[6]，是物质流、人流和信息流等空间流频繁交换的区域[7]，其土地利用变化是多因素协同驱动的复杂过程。有关城市或城市群土地利用变化驱动因素的论述，国内外成果颇丰。在国外，城市发展驱动力分析始于Alfred Weber创立的工业区位理论[8]。现代意义城市群动力机制分析首倡者为法国地理学家Jean Gottmann，1957年他提出了大都市带理论，并对美国东海岸城市带成长机理进行分析[9]。后续学者Krugman、Hershberg、Baruch、Portnov、Boddy、Ascione分别从区位优势[10]、政府协调[11]、地理位置[12]、人口迁移[13]、产业发展[14]、生态环境[15]等不同角度探究城市群发展的动力机制。在国内，姚士谋指出：城市的发展受自然、经济和国家政策驱动[16]，并进一步阐述城市群发展是经济与非经济因素共同驱动的结果[17]。相关学者主要聚焦长三角城市群、珠三角城市群、京津冀城市群、长江中游城市群、辽宁中部城市群、武汉城市圈和长株潭城市群等，从经济活动[18]、政策制度[19]、地理区位[19]、人口数量[18]和科技发展[20]等阐述了城市群发展的动因。国内外城市群驱动力研究不仅涉及理论创新，还囊括了经济、社会、人口、环境、科技和政策等多个方面，为本文从多维视角分析驱动力奠定了坚实基础。目前，长株潭城市群发展驱动力分析中，主要是从乡村功能[21]、湿地景观[22]、植被变化[23]、生态资产[24]、耕地[25]等单一视角切入，尚缺少从城市群多地类变动视角，未构建多维驱动指标体系，缺乏多城市交互作用分析。
鉴于此，本文立足新时代城市群高质量发展背景，考虑引入3S技术，尝试构建城市群多维驱动力分析体系，分析快速城市化的长株潭核心区土地利用时空格局，探究土地利用变化的驱动机制，探讨城市群中多城市间协同作用。这是对多维驱动力分析应用的拓展，是对长株潭城市群内三城市交互作用的初探，可为长株潭城市群国土空间战略规划和未来绿色城市发展边界划定提供理论支撑，为城市群驱动政策调整提供支持。

1 研究区概况

进入新世纪，长株潭一体化步伐加快，其中标志性的事件有：2000年，湖南省出台《长株潭经济一体化“十五”规划》；2008年，国务院批准《长株潭城市群资源节约型和环境友好型社会建设综合配套总体方案》与《长株潭城市群区域规划（2008—2020年）》；2018年，在长沙召开长株潭城市群一体化发展首次联席会议，并发布《长株潭城市群一体化发展行动计划（2018—2019年）》。为此本文选定2000、2008和2018年作为长株潭核心区土地利用变化的关键时间节点。
长株潭核心区①2)位于湖南中东部，为湘中丘陵向洞庭湖平原过渡区，是长江中游城市群的核心组成部分，地处112°36′E~113°16′E，27°36′N~28°33′N。研究区内矮山、低岗、丘陵、冲积平原、水系交错，有湘江及其支流浏阳河、捞刀河、靳江河、沩水、涟水、涓水和渌水等。研究区内南部丘岗起伏、北部平缓开阔，总体地势低平，海拔100 m以下面积占研究区的88.72%。区域属于典型的亚热带季风湿润气候，年均降水约为1 400 mm，年均气温为16~18℃。本区土地面积接近4 600 km2，包括长沙市辖区及长沙县9镇、湘潭市辖区及湘潭县易俗河区一带、株洲市辖区和株洲县，是湖南省经济发展的核心增长极，也是湖南快速城镇化发展区，在中部地区乃至全国都具有十分重要的地位。

2.1 模型建立

Logistic为研究二分类或多分类问题的通用方法[26]。本文依据区域土地利用变化的实际情况，选用Logistic回归模型对长株潭核心区土地利用变化进行驱动力分析，回归模型构建如下：
p = e α + β 0 + β 1 x 1 + β 2 x 2 + ⋯ + β n x n 1 + e α + β 0 + β 1 x 1 + β 2 x 2 + ⋯ + β n x n
上式经Logit变换得：
I n p i 1 - p i = α + β 0 + β 1 x 1 + β 2 x 2 + ⋯ + β n x n
式中：p为土地利用变化事件发生的概率；x1、x2、x3…xn为n个自变量，即为土地利用变化各种驱动因子；α为常数项；β1、β2、β3…βn为回归系数。
本文采用Wald统计量进行回归系数假设检验，若概率p值小于给定的显著性水平α（α=0.05），则零假设被拒绝，认为该回归系数与零有显著差异，应保留在方程中；反之，则从方程中删除[27]。使用Homsmer-Lemeshow指标（HL）对Logistic回归方程拟合度进行检验，若HL指标统计显著说明模型拟合性较差；反之，认为模型拟合性较好[3]。

2.2 变量选取

①因变量。根据2000、2008和2018年长株潭核心区土地利用类型分类结果，耕地、林地向建设用地转换最为显著，水体、草地面积变动不大。为此，本文仅研究耕地、林地、建设用地在2000—2008、2008—2018年两时段地类利用变化。因变量情况见表1。
表1 自变量与因变量GIS数据库

Tab.1 GIS database of independent variable and dependent variable

变量 指标 栅格类型 赋值/单位/描述
因变量 耕地变化（2000—2008、2008—2018年） 两分类 0或1
林地变化（2000—2008、2008—2018年） 两分类 0或1
建设用地变化（2000—2008、2008—2018年） 两分类 0或1
自变量 自然环境 DEM（x1） 连续型 m
距河流距离（x2） 连续型 km
区位交通 距区县中心距离（x3） 连续型 km
距地市中心距离（x4） 连续型 km
距道路（省道、国道、高速）距离（x5） 连续型 km
距铁路距离（x6） 连续型 km
经济发展 GDP（x7） 连续型 万元
社会消费品零售总额（x8） 连续型 万元
固定资产投资额（x9） 连续型 万元
人均可支配收入（x10） 连续型 元/人
政策导向 地方财政收入（x11） 连续型 万元
公共财政支出占区域GDP比重（x12） 连续型 万元
产业驱动 工业总产值（x13） 连续型 万元
第三产业增加值（x14） 连续型 万元
人口增长 总人口密度（x15） 连续型 人/km2
②自变量。根据长株潭核心区经济社会发展的现状以及借鉴前人研究成果[16]，并考虑驱动因素的科学性、可得性及其与区域土地利用变化的相关性，从自然条件、区位交通、经济发展、政策导向、产业驱动和人口增长6维度15项指标进行分析，并建立GIS数据库，自变量情况见表1。

2.3 数据来源

本文采用2000、2008、2018年美国地质调查局网站的Landsat数据（表2），研究区内水系、交通图等来自湖南省自然资源厅2007年版湖南省1∶50 000矢量地图，DEM数据来源于美国地质调查局网站的ASTGTM2 DEM数据（30 m分辨率），社会经济数据来源于《湖南统计年鉴》和相关区县社会发展统计公报。
表2 遥感卫星影像信息一览表

Tab.2 List of remote sensing satellite image information

影像时期 日期 行列号 数据类型 云量（%）
2000 2000-09-13 123/040 Landsat 5 TM 2.20
2000-09-13 123/041 Landsat 5 TM 5.00
2008 2008-09-19 123/040 Landsat 5 TM 5.00
2008-09-19 123/041 Landsat 5 TM 1.00
2018 2018-07-29 123/040 Landsat 8 OLI_TIRS 12.16
2018-07-29 123/041 Landsat 8 OLI_TIRS 2.79

2.4 数据处理

①因变量数据处理。首先，利用ENVI以湖南省1∶50 000矢量图为底图对遥感影像进行辐射校正、几何校正；然后，分年对6景影像进行镶嵌、裁剪；接着，参考谷歌地图高分影像依托目视判断方法选取感兴趣点（区域），采用随机森林方法对影像进行土地利用分类，分为耕地、林地、草地、水体、建设用地等五类，并进行分类后处理及精度检验，得到2000、2008和2018年三期土地利用分类图（图略）；最后，利用ArcGIS软件叠加分析2000、2008和2018年研究区土地利用分类图，形成2000—2008与2008—2018年耕地、林地、建设用地、水体和草地两期变化图，如图1所示；再重新编码，“1”为变化区域，“0”为未变化区域。
图1 耕地、林地、建设用地、水体和草地两期变化图

Fig.1 Changes of cultivated land, forestland, construction land, water and grasslands in two phases

②自变量数据处理。自变量中，DEM数据来源对ASTGTM2 DEM数据进行处理和分类；距河流距离、距区县中心距离、距地市中心距离、距道路（省道、国道、高速）距离、距铁路距离等5个因子数据来源利用ArcGIS软件中直线距离分析工具对湖南省1∶50 000矢量地图中相关因子进行处理获得；其他9个因子的基础数据均来源于《湖南统计年鉴》和相关区县社会发展统计公报，然后利用ArcGIS软件中Add Joins工具将各指标数值赋值给相关研究区县。
③其他相关处理。一是将所有数据转换为栅格数据、分辨率30 m×30 m并配准到同一坐标系下；二是为保证Logistic回归模型抽样的样本量足够多，并避免数据空间相关性，因而采取随机分层均匀抽样3 000个样本点，利用ArcGIS软件Sample工具提取各因子的值，并对所有因子数值进行归一化处理；三是利用SPSS软件采取自变量向后逐步选择法进行Logistic回归分析；四是采用方差膨胀因子（VIF）检验多重共线性，一般认为 V I F 10时模型的多重共线性为可以接受的范围[28]。具体处理过程如图2所示。
图2 Logistic模型分析步骤

Fig.2 The analytical procedures of Logistic modeling

3 结果分析

3.1 土地利用变化系统分析

总体来看，2000—2018年研究区内土地利用类型的变化幅度较大（图1，表3）。18年间，耕地面积减少324.96 km2，年减少1.58%；林地面积减少855.47 km2，年减少1.64%；草地面积增加26.17 km2，年增加7.80%；水体面积减少7.61 km2，年减少0.22%；建设用地面积增加1 161.87 km2，年增加18.64%。土地利用变化具体转移情况为：
表3 研究区2000—2018年各地类变化情况

Tab.3 The change of land use type from 2000 to 2018 in Changsha-Zhuzhou-Xiangtan core region

地类 面积（km2） 年变化率（%）
2000 2008 2018 2000—2008 2008—2018 2000—2018
耕地 1 136.66 1 013.54 811.70 -1.52 -1.99 -1.58
林地 2 901.79 2 602.25 2 046.32 -1.44 -2.14 -1.64
草地 18.63 26.16 44.80 3.60 7.12 7.80
水体 196.01 156.05 188.40 -3.20 2.07 -0.22
建设用地 346.21 801.30 1 508.08 7.10 8.82 18.64
合计 4 599.30 4 599.30 4 599.30
①耕地转移空间分析。耕地转向林地区域主要发生在长沙县、开福区、株洲县、荷塘区和湘潭县等区域；耕地转向草地区域主要发生在沿湘江一带；耕地转向水体区域主要发生在望城区、株洲县、湘潭县及沿湘江一带；耕地转向建设用地区域主要发生在芙蓉区、雨花区、天心区、岳麓区、长沙县、天元区、雨湖区、岳塘区和湘潭县等区域。
②林地转移空间分析。林地转向耕地区域主要发生在长沙县、开福区、望城区、岳塘区、天元区、株洲县和湘潭县等区域；林地转向草地或水体区域较离散，没有显著空间特征；林地转向建设用地区域主要发生在长沙县、雨花区、开福区、岳麓区、望城区、天元区、芦淞区、岳塘区和湘潭县等区域。
③草地转移空间分析。草地转向其他土地利用类型区域较离散，没有显著空间特征。
④水体转移空间分析。水体转向耕地区域主要发生在望城区和长沙县；水体转向林地区域较少，且空间位置不明显；水体转向草地区域主要发生在望城区沿湘江一带；水体转向建设用地区域主要发生在开福区、天心区和芦淞区。
根据以上分析发现：18年间研究区内耕地、林地和建设用地等三种地类变化面积较大，草地和水体面积总体面积和变化面积均较少，因此下文主要分析这三种地类变化的驱动机制。

3.2 驱动力多维分析

3.2.1 耕地变化驱动力分析

为保障耕地变化的Logistic回归模型正常使用，需就各自变量相对独立性进行判断。为此，先对各自变量进行多重共线性检验，经计算得出各自变量VIF值处在1.01~8.57内，变量间多重共线性属于合理范围，自变量均可进入回归模型；进而采用SPSS软件计算耕地变化回归模型。模型中，2000—2008与2008—2018年两期HL值为14.03和12.20，p值为0.09和0.16，统计均不显著，这说明回归模型拟合数据情况良好，预测可靠，模型合理可用。两期回归模型中各变量情况见表4。
表4 研究区2000—2018年耕地变化模型估计结果

Tab.4 Estimation results of cultivated land change model in the study area from 2000 to 2018

时间段 自变量 回归系数（β） 标准误差（SE） Wald统计量 自由度（df） 显著水平（p） 发生比（OR）
第1期
2000—2008
HL=14.03
p=0.09		 DEM（x1） -1.70 0.68 6.22 1 0.01 0.18
距河流距离（x2） -1.86 0.38 24.37 1 0.00 0.16
距区县中心距离（x3） -2.93 0.33 77.74 1 0.00 0.05
距地市中心距离（x4） -0.91 0.28 10.33 1 0.00 0.40
距铁路距离（x6） -0.50 0.22 5.20 1 0.02 0.61
GDP（x7） 0.36 0.16 5.23 1 0.02 1.43
社会消费品零售总额（x8） 1.78 0.23 60.98 1 0.00 5.92
人均可支配收入（x10） 1.08 0.23 22.32 1 0.00 0.34
地方财政收入（x11） 0.38 0.17 5.14 1 0.02 0.68
公共财政支出占区域GDP比重（x12） 0.28 0.16 3.03 1 0.08 1.33
工业总产值（x13） 0.70 0.25 8.07 1 0.00 2.01
总人口密度（x15） 2.91 0.12 566.86 1 0.00 18.42
常数项 -0.61 0.12 27.40 1 0.00 0.59
第2期
2008—2018
HL=12.20
p=0.16		 DEM（x1） -2.76 0.55 24.93 1 0.00 0.06
距河流距离（x2） -2.27 0.23 100.03 1 0.00 0.10
距区县中心距离（x3） -1.82 0.27 43.25 1 0.00 0.16
距铁路距离（x6） -1.53 0.16 91.00 1 0.00 0.21
GDP（x7） 1.78 0.37 23.40 1 0.00 5.95
社会消费品零售总额（x8） 1.53 0.22 47.26 1 0.00 0.21
地方财政收入（x11） 1.92 0.27 52.23 1 0.00 0.16
工业总产值（x13） 2.04 0.25 66.17 1 0.00 7.69
第三产业增加值（x14） 1.41 0.19 56.73 1 0.00 4.10
总人口密度（x15） 0.53 0.26 4.31 1 0.03 1.70
常数项 -0.81 0.10 60.89 1 0.00 0.50

注：HL为模型拟合优度指标；p为变量发生概率，以下略。

由表4可知：驱动2000—2008年耕地变化的有自然环境维DEM（x1）、距河流距离（x2）等2因子，区位交通维距区县中心距离（x3）、距地市中心距离（x4）、距铁路距离（x6）等3因子，经济发展维GDP（x7）、社会消费品零售总额（x8）、人均可支配收入（x10）等3因子，政策导向维地方财政收入（x11）、公共财政支出占区域GDP比重（x12）等2因子，产业驱动维工业总产值（x13），人口增长维总人口密度（x15）等，共12个因子。驱动2008—2018年耕地变化的有自然环境维DEM（x1）、距河流距离（x2）等2因子，区位交通维距区县中心距离（x3）、距铁路距离（x6）等2因子，经济发展维GDP（x7）、社会消费品零售总额（x8）等2因子，政策导向维地方财政收入（x11），产业驱动维工业总产值（x13）、第三产业增加值（x14）等2因子，人口增长维总人口密度（x15）等，共10个因子。经过对比两期驱动因子发现耕地变化的影响因素不完全一致，其中自然环境、人口增长影响基本相近，区位交通、经济发展、政策导向、产业驱动影响存在较大差异。
具体来讲，第2期区位交通维“距地市中心距离”不再是主要驱动因子，这表明耕地减少不再由距离中心城区距离决定，仍更多受“距区县中心距离”影响，这与长株潭城市群拓展由单点定向发展逐渐向多点全面拓展转变的实际相符；第2期经济发展维“人均可支配收入”不再是主要驱动因子，这表明人均可支配收入并不是耕地减少的内在驱动因素；第2期政策导向维“公共财政支出占区域GDP比重”不再是主要驱动因子，这也凸显了第2期政府执行了更加严格的耕地保护政策，政策导向方面并不支持耕地转化为建设用地；第2期产业驱动维“第三产业增加值”成为主要驱动因子，模型中回归系数为正，Wald统计量为56.73（p<0.01），这表明城市建设用地很大一部分来源于耕地，且第三产业增加值增加越多耕地减少就越快，第三产业增加值每增加1万元，耕地变成建设用地等地类的概率约增加0.24倍（即1万元的发生概率为 e 1.41 = 4.09 , 1 4.09 = 0.24）。另外，距道路（省道、国道、高速）距离（x5）、固定资产投资额（x9）均未进入模型，这说明这两个因子对耕地变动影响不太直接。

3.2.2 林地变化驱动力分析

首先对各自变量进行多重共线性检验，经计算得各自变量VIF值处在1.00~7.15内，变量间多重共线性属于合理范围，自变量均可进入回归模型，进而采用SPSS软件计算林地变化回归模型。模型中，2000—2008与2008—2018年两期HL值为12.45和11.34，p值为0.14和0.19，统计均不显著，这说明回归模型拟合数据情况良好，预测可靠，模型合理可用。两期回归模型中各变量情况见表5。
表5 研究区2000—2018年林地变化模型估计结果

Tab.5 Estimation results of forest land change model in the study area from 2000 to 2018

时间段 自变量 回归系数（β） 标准误差（SE） Wald统计量 自由度（df） 显著水平（p） 发生比（OR）
第1期
2000—2008
HL=12.45
p=0.14		 DEM（x1） -0.90 0.44 4.17 1 0.03 0.31
距河流距离（x2） -1.29 0.30 18.05 1 0.00 0.27
距区县中心距离（x3） -2.44 0.31 60.88 1 0.00 0.08
距地市中心距离（x4） -1.31 0.26 26.07 1 0.00 0.27
距道路（省道、国道、高速）距离（x5） -0.47 0.24 3.98 1 0.04 0.63
距铁路距离（x6） -0.82 0.21 15.88 1 0.00 0.44
社会消费品零售总额（x8） 1.18 0.21 30.33 1 0.00 3.24
固定资产投资额（x9） 0.86 0.12 53.62 1 0.00 2.37
人均可支配收入（x10） 0.97 0.23 17.33 1 0.00 0.71
地方财政收入（x11） 0.29 0.15 3.97 1 0.04 1.34
工业总产值（x13） 0.34 0.07 23.32 1 0.00 2.64
总人口密度（x15） 0.46 0.22 4.33 1 0.03 0.63
常数项 0.33 0.10 9.26 1 0.00 1.39
第2期
2008—2018
HL=11.34
p=0.19		 DEM（x1） -3.69 0.35 114.49 1 0.00 0.03
距河流距离（x2） -0.33 0.17 3.80 1 0.05 0.72
距区县中心距离（x3） -1.91 0.20 92.30 1 0.00 0.15
距地市中心距离（x4） -1.08 0.15 51.90 1 0.00 0.34
距道路（省道、国道、高速）距离（x5） -0.47 0.14 11.14 1 0.00 0.63
距铁路距离（x6） -0.41 0.12 11.56 1 0.00 0.66
GDP（x7） 0.66 0.20 11.39 1 0.00 1.94
社会消费品零售总额（x8） 0.86 0.18 24.26 1 0.00 2.37
固定资产投资额（x9） 0.93 0.14 45.04 1 0.00 2.53
地方财政收入（x11） 1.36 0.21 43.82 1 0.00 3.91
工业总产值（x13） 0.43 0.16 7.16 1 0.00 0.65
常数项 -0.04 0.06 0.50 1 0.50 0.95
由表5可知：驱动2000—2008年林地变化的有自然环境维DEM（x1）、距河流距离（x2）等2因子，区位交通维距区县中心距离（x3）、距地市中心距离（x4）、距道路（省道、国道、高速）距离（x5）、距铁路距离（x6）等4因子，经济发展维社会消费品零售总额（x8）、固定资产投资额（x9）、人均可支配收入（x10）等3因子，政策导向维地方财政收入（x11），产业驱动维工业总产值（x13），人口增长维总人口密度（x15）等，共12个因子。驱动2008—2018年耕地变化的有自然环境维DEM（x1）、距河流距离（x2）等2因子，区位交通维距区县中心距离（x3）、距地市中心距离（x4）、距道路（省道、国道、高速）距离（x5）、距铁路距离（x6）等4因子，经济发展维GDP（x7）、社会消费品零售总额（x8）、固定资产投资额（x9）等3因子，政策导向维地方财政收入（x11），产业驱动维工业总产值（x13）等，共11个因子。经过对比两期驱动因子发现林地变化中自然环境、区位交通两维度影响突出，政策导向、产业驱动维基本保持稳定，经济发展、人口增长等维度影响存在一定差异。
具体来讲，第2期经济发展维“人均可支配收入”不再是主要驱动因子，这表明人均可支配收入并不是耕地减少的内在驱动因素；GDP成了主要驱动因子，模型中回归系数为正，Wald统计量为11.39（p<0.01），这表明城市建设用地很大一部分来源于林地，且GDP值增加越多林地减少就越快，GDP每增加1万元，林地变成建设用地等地类的概率约增加0.52倍（即1万元的发生概率为 e 0.66 = 1.93 , 1 1.93 = 0.52）。第2期人口增长维“总人口密度”不再是主要驱动因子，这也反映出人口对林地变化影响越来越小。另外，公共财政支出占区域GDP比重（x12）、第三产业增加值（x14）未进入模型，说明这两个因子对林地变动影响不太直接。

3.2.3 建设用地变化驱动力分析

首先对各自变量进行多重共线性检验，经计算得各自变量VIF值处在1.00~8.45范围，变量间多重共线性属于合理范围，自变量均可进入回归模型，进而采用SPSS软件计算建设用地变化回归模型。模型中，2000—2008与2008—2018年两期HL值为12.37和13.14，p值为0.18和0.12，统计均不显著，这说明回归模型拟合数据情况良好，预测可靠，模型合理可用。两期回归模型中各变量情况见表6。
表6 研究区2000—2018年建设用地变化模型估计结果

Tab.6 Estimation results of construction land change model in the study area from 2000 to 2018

时间段 自变量 回归系数（β） 标准误差（SE） Wald统计量 自由度（df） 显著水平（p） 发生比（OR）
第1期
2000—2008
HL=12.37
P=0.18		 DEM（x1） -0.89 0.43 4.28 1 0.03 0.30
距河流距离（x2） -1.29 0.30 18.05 1 0.00 0.28
距区县中心距离（x3） -2.45 0.31 60.88 1 0.00 0.09
距地市中心距离（x4） -1.31 0.26 26.07 1 0.00 0.27
距道路（省道、国道、高速）距离（x5） -0.47 0.24 3.98 1 0.04 0.63
距铁路距离（x6） -0.82 0.21 15.89 1 0.00 0.44
社会消费品零售总额（x8） 1.46 0.14 111.16 1 0.00 4.31
固定资产投资额（x9） 0.86 0.12 53.62 1 0.00 2.37
人均可支配收入（x10） 0.46 0.22 4.33 1 0.03 0.63
工业总产值（x13） 0.29 0.15 3.97 1 0.04 1.34
第三产业增加值（x14） 0.34 0.07 23.32 1 0.00 2.64
总人口密度（x15） 0.97 0.23 17.33 1 0.00 0.71
常数 0.15 0.13 1.20 1 0.27 1.16
第2期
2008—2018
HL=13.14
p=0.12		 DEM（x1） 1.64 0.27 38.17 1 0.00 5.15
距区县中心距离（x3） -0.75 0.16 22.53 1 0.00 0.47
距地市中心距离（x4） -0.39 0.20 3.80 1 0.05 0.68
GDP（x7） 1.17 0.20 34.05 1 0.00 0.31
社会消费品零售总额（x8） 0.53 0.14 14.09 1 0.00 1.69
人均可支配收入（x10） 0.39 0.11 13.03 1 0.00 1.47
工业总产值（x13） 1.31 0.12 128.84 1 0.00 3.72
第三产业增加值（x14） 0.97 0.15 43.46 1 0.00 2.65
总人口密度（x15） 1.02 0.21 23.99 1 0.00 0.36
常数 -1.36 0.09 198.90 1 0.00 0.26
由表6可知：驱动2000—2008年建设用地变化的有自然环境维DEM（x1）、距河流距离（x2）等2因子，区位交通维距区县中心距离（x3）、距地市中心距离（x4）、距道路（省道、国道、高速）距离（x5）、距铁路距离（x6）等4因子，经济发展维社会消费品零售总额（x8）、固定资产投资额（x9）、人均可支配收入（x10）等3因子，产业驱动维工业总产值（x13）、第三产业增加值（x14）等2因子，人口增长维总人口密度（x15）等，共12个因子。驱动2008—2018年建设用地变化的有自然环境维DEM（x1），区位交通维距区县中心距离（x3）、距地市中心距离（x4）等2因子，经济发展维GDP（x7）、社会消费品零售总额（x8）、人均可支配收入（x10）等3因子，产业驱动维工业总产值（x13）、第三产业增加值（x14）等2因子，人口增长维总人口密度（x15）等，共9个因子。经过对比两期驱动因子发现建设用地变化受自然环境、区位交通、经济发展影响较大，政策导向无明显影响，产业驱动和人口增长两个维度前后两期影响变动不大。
具体来讲，第2期自然环境维“距河流距离”、区位交通维“距道路（省道、国道、高速）距离、距铁路距离”不再是建设用地变化主要驱动因子，这说明建设用地变化受自然条件和区位位置影响越来越小；第2期经济发展维“固定资产投资额”不再是建设用地变化主要驱动因子，这说明建设用地变化逐渐摆脱了投资驱动；新增了“GDP”成为建设用地主要驱动因子，这说明GDP增长是建设用地扩张的重要因素。另外，地方财政收入（x11）、公共财政支出占区域GDP比重（x12）未进入模型，说明这两个因子对耕地变动影响不太直接。

3.3 城市间交互作用分析

经济引力模型在分析城市辐射、城市发展边界中被普遍运用[12]，本文引入许学强[29]的经济引力模型来分析长沙、株洲、湘潭三市在城市发展间的交互作用，并将城市间的交互作用强度加以量化，其公式如下：
I = P 1 P 2 G 1 G 2 D 2
式中：I为城市1和城市2之间交互作用强度；P1、P2为城市1和城市2的人口数； G 1、 G 2为城市1和城市2的工业增加值；D为城市1和城市2之间的距离。其三城总人口数、工业增加总值、城市之间距离和城市间交互强度见表7。
表7 长沙—株洲—湘潭三市2000、2008和2018年交互作用相关变量

Tab.7 Interaction related variables of Changsha-Zhuzhou-Xiangtan in 2000, 2008 and 2018

城市 2000 2008 2018 距离（km）/交互作用强度
总人口
（万人）		 工业增加值（亿元） 总人口
（万人）		 工业增加值（亿元） 总人口
（万人）		 工业增加值（亿元） 长沙* 株洲** 湘潭***
长沙 583.19 620.49 645.14 1567.41 815.47 4 660.19 26/4265.67
10/29769.59
3/335791.60
株洲 370.09 116.76 381.15 497.20 402.08 1 149.20 23/5436.82
15/29183.71
7/189304.88
湘潭 280.00 121.40 293.99 298.11 286.49 932.10 10/3832.56
5/25774.96
3/17089.72

备注：*栏中三行数据分别为2000、2008、2018年长沙与株洲城市边界的距离和两城间交互作用强度；**栏中三行数据分别为2000、2008、2018年株洲与湘潭城市边界距离和两城间交互作用强度；***栏中三行数据分别为2000、2008、2018年长沙与湘潭城市边界的距离和两城间交互作用强度。

由表7可知：在长株潭一体化发展过程中，城与城之间的交互作用越来越大，长沙对株洲和湘潭具有较强的牵引作用，株洲和湘潭也具有较大相互吸引力；2018年长沙与湘潭两城之间的交互作用强度已大于长沙与株洲两城之间的交互作用强度；而且同期城市间的交互作用各自对区域内各种地类变化影响显著，特别是对建设用地的增长起到了加速作用。由表3、表7以及结合长沙、株洲、湘潭三城土地分类数据得，长沙、株洲、湘潭2000—2008年建设用地增长率分别为8.75%、3.86%、4.78%，而到2008—2018年增长率为9.51%、7.19%、7.90%，这基本上与城市间交互作用增加同步，而且三城之间建设用地增加速度趋于接近，这也说明交互作用有利于三城的均衡发展。

4 结论与讨论

本文基于RS与GIS技术，建立了GIS-Logistic回归模型，并以长株潭核心区为研究对象，采用2000、2008、2018年三期土地利用分类图，从自然环境、区位交通、经济发展、政策导向、产业驱动、人口增加和城市间交互作用等七个方面分析耕地、林地和建设用地变化的驱动机制，探究驱动三种地类变动的关键因子，得出如下结论：
①2000—2018年长株潭核心区耕地面积减少324.96 km2、年减少率1.58%；林地面积减少855.47 km2、年减少率1.64%；草地面积增加26.17 km2、年增加率7.80%；水体面积减少7.61 km2、年减少率0.22%；建设用地面积增加1 161.87 km2、年增长率18.64%。
②2000—2008与2008—2018年两个时期，耕地、林地与建设用地变化面积、速度均存在差异，其中耕地减少的面积（123.12 km2、201.84 km2）与年减少速度（-1.52%、-1.99%）持续扩大，林地减少的面积（299.54 km2、555.93 km2）与年减少速度（-1.44%、 -2.14%）持续扩大，建设用地增加面积（455.09 km2、706.78 km2）与年增长率（7.10%、8.82%）保持快速增长，且耕地与林地减少的面积绝大部分转换成了建设用地。
③自然环境（DEM、河流水系）是耕地、林地和建设用地变化的基础条件，从根本上决定着三种地类变化的空间形态；区位交通中公路、铁路等交通网络的延伸，扩大了三种地类变化的范围；经济发展、政策导向、产业发展、人口增长加快了三种地类变化的速度。
④城市交互作用强度有效反映了各种地类变化、特别是建设用地变化的趋势，城市交互作用强度是除六大维度外的第七大影响因素。
根据以上分析，本文展开以下讨论：
①GIS-Logistic回归模型能够有效分析城市群土地利用变化的机理与规律，对其他城市建设或区域土地利用变化具有一定的借鉴意义，在城乡规划、土地资源管理以及可持续发展方面有很好的应用潜力。但考虑到数据的可得性，本文的土地利用变化驱动指标体系仍有改进空间，仅从自然环境、区位交通、经济发展、政策导向、产业驱动、人口增长等六大维度选取了15个指标，而对科学技术、人文教育和对外发展等指标尚未纳入；考虑计算的便捷性，对于经济社会因子数据空间化，也采用了相对简便处理方案即按区县区划直接进行赋值，这与实际情况可能存在一定的出入，一定程度上会影响结果的精确性。
②城市群土地利用变化不但受自然与经济社会因素影响，还受城市与城市之间的交互作用影响。长株潭一体化发展既要强化长沙都市圈辐射带动作用，也要注重提升株洲、湘潭两城的经济发展水平和城市化进程；三城在一体化发展过程中，更应注重区内发展要素优化配置，加快构建城市群协商合作、规划协调、政策协同、社会参与等机制，凝神聚力推进城市群建设重点任务落地。破除发展壁垒，打通关键节点，改善交通，提升区域内通达性，实现均衡一体发展。
③城市群土地利用变化是一个复杂、多元和全方位的动态系统过程，本文仅分析了耕地、林地、草地、水体和建设用地的时空变化平面格局，并利用GIS-Logistic回归模型重点探讨了耕地、林地、建设用地变化的驱动机制，其理论的普适性和实践的推广性仍有待进一步检验。而且随着国家对国土空间规划的重视和人们追求更好人居环境体验的需求，今后应该进一步探索城市群平面发展开发边界、立体发展三维空间优化以及生态城市中耕地、林地、草地、水体与建设用地等地类的合理布局等。
④未来推动城市群高质量发展应以土地利用变化为抓手，统筹做好城市土地规划、功能分区、产业规划、人居服务和生态系统格局优化，鼓励盘活存量建设用地、稳步减少新增建设用地规模，完善土地管理体制，避免快速土地城镇化造成的用地浪费，规避快速土地城镇化的负面影响，促进城市功能互补、产业错位布局和特色化发展；完善城市群公路和城际铁路网络规划建设，加强城市与城市之间交通、通信、环保、防震减灾等设施共建共享，提高城市群应对洪水、地震、突发公共卫生事件等急性冲击与雾霾、交通拥堵和人口剧增等慢性扰动能力；推动创新链和产业链融合发展，鼓励长株潭城市群建立联合招商、共同开发、利税共享的产业合作发展机制；推动城市群生态环境协同共治、源头防治为重点，强化生态网络共建和环境联防联治，在一体化发展中实现生态环境质量同步提升，共建绿色、生态、韧性、幸福城市群。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
何志超, 赵春红, 李国煜, 等. 从空间规划到土地利用变化——差异、现状、挑战和未来方向[J]. 城市规划, 2020, 44(10):9-16.

[2]
张佰发, 苗长虹. 黄河流域土地利用时空格局演变及驱动力[J]. 资源科学, 2020, 42(3):460-473.

DOI

[3]
徐谅慧, 杨磊, 李加林, 等. 基于GIS-Logistic耦合模型的杭州湾南岸景观演变驱动力分析[J]. 应用海洋学学报, 2016, 35(1):75-86.

[4]
李孝永, 匡文慧. 京津冀1980—2015年城市土地利用变化时空轨迹及未来情景模拟[J]. 经济地理, 2019, 39(3):187-194,200.

[5]
杨建新, 龚健, 高静, 等. 国家中心城市土地利用变化稳定性和系统性特征——以武汉市为例[J]. 资源科学, 2019, 41(4):701-716.

DOI

[6]
付丽娜, 陈晓红, 冷智花. 基于超效率DEA模型的城市群生态效率研究——以长株潭“3+5”城市群为例[J]. 中国人口·资源与环境, 2013, 23(4):169-175.

[7]
何建华, 王宵君, 杜超, 等. 武汉城市圈土地利用变化系统仿真模拟与驱动力分析[J]. 长江流域资源与环境, 2015, 24(8):1270-1278.

[8]
Weber A. Theory of the Location of Industries[J]. Nature, 1960, 15(1):1.

[9]
Gottmann J. Megalopolis or the urbanization of the Northeastern seaboard[J]. Economic Geography, 1957, 33(3),189-200.

[10]
Krugman P. Urban concentration:the role of increasing returns and transport costs[J]. International Regional Science Review, 1996, 19(1-2):5-30.

[11]
Hershberg T. Regional cooperation:strategies and incentives for global competitiveness and urban reform[J]. National Civic Review, 1996, 85(2):25-30.

[12]
Baruch A K. Dynamics and potentials of Israel’s megalopolitan processes[J]. Urban Studies, 1997, 34(3):489-501.

[13]
Portnov B A. The effect of housing construction on population migrations in Israel[J]. Journal of Ethnic and Migration Studies, 1998, 24(3):541-558.

PMID

[14]
Boddy M. Technology,innovation,and regional economic development in the state of Victoria[J]. Environment and Planning C:Government and Policy, 2000, 18(3):301-319.

[15]
Ascione M, Campanella L, Cherubini F. Environmental driving forces of urban growth and development[J]. Landscape and Urban Planning, 2009, 93(3-4):238-249.

[16]
姚士谋, 吴楚材, 徐桂卿. 现代城市发展若干问题的探讨[J]. 地理科学, 1982(2):179-187.

[17]
姚士谋. 我国城市群的特征、类型与空间布局[J]. 城市问题, 1992(1):10-15,66.

[18]
郗凤明, 贺红士, 胡远满, 等. 辽宁中部城市群城市增长时空格局及其驱动力[J]. 应用生态学报, 2010, 21(3):707-713.

[19]
朱磊, 岳嘉琛, 陈诗音, 等. 1992—2016年京津冀城市群城市扩展过程和驱动分析[J]. 北京师范大学学报:自然科学版, 2019, 55(2):291-298.

[20]
董会忠, 李旋, 张仁杰. 粤港澳大湾区绿色创新效率时空特征及驱动因素分析[J]. 经济地理, 2021, 41(5):134-143.

[21]
谭雪兰, 欧阳巧玲, 安悦, 等. 长株潭城市群地区乡村功能的动态演变及驱动机制(英文)[J]. Journal of Geographical Sciences, 2019, 29(8):1381-1395.

[22]
张猛, 曾永年. 长株潭城市群湿地景观时空动态变化及驱动力分析[J]. 农业工程学报, 2018, 34(1):241-249.

[23]
胡顺石, 彭雨龙, 秦建新, 等. 长株潭城市群植被指数动态变化及城市扩展对其影响分析[J]. 经济地理, 2019, 39(12):178-186.

[24]
李毅, 杨仁斌, 毕军平, 等. 长株潭地区生态资产变化格局分析[J]. 经济地理, 2015, 35(2):184-188,208.

[25]
邓楚雄, 李晓青, 向云波, 等. 长株潭城市群地区耕地数量时空变化及其驱动力分析[J]. 经济地理, 2013, 33(6):142-147.

[26]
陈彦光. 人口与资源预测中Logistic模型承载量参数的自回归估计[J]. 自然资源学报, 2009, 24(6):1105-1114.

DOI

[27]
孙才志, 闫晓露. 基于GIS-Logistic耦合模型的下辽河平原景观格局变化驱动机制分析[J]. 生态学报, 2014, 34(24):7280-7292.

[28]
李毅. 长株潭核心区土地利用变化及其生态环境效应研究[D]. 长沙: 湖南农业大学, 2015.

[29]
许学强, 周一星, 宁越敏. 城市地理学[M]. 北京: 高等教育出版社, 2003.

Options
文章导航

/

〈 〉