李琛，赵筱青

(云南大学 地球科学学院，昆明 650500)

0 引言

城镇是经济发展的重要支撑点，随着“一带一路”战略的不断推进，沿线国家的城镇化发展加快。特别在面向东南亚开发中的地区，由于其区位优势和“一带一路”的战略支撑，逐渐改变中小城镇发展相对滞后的情况[1]。然而急速城镇化的典型特征就在于剧烈的土地利用变化，出现了区域生态环境严重破坏[2]、城镇化与耕地保护矛盾突出等问题[3]，土地利用演变特征是人类塑造活动空间的综合反映，为人类合理、可持续地使用土地提供依据。因此探讨土地利用时空演变特征及影响因素分析具有重要意义。国内外学者在土地利用研究方面进行了诸多的探讨，主要集中于土地变化[4]和优化方法[5-6]，探讨影响因素[7-8]，并建立起了一系列土地利用变化的研究方法和模型，例如土地利用动态度、信息熵、转移矩阵及空间动态模型、主成分分析、回归分析、地理探测器法及Logistic回归模型等方法[9-13]。然而在空间尺度方面，研究主要集中于东部经济发达地区以及生态脆弱等大尺度区域，分析其土地利用演变特征，而对于西部中小城镇尺度的研究较少[14]，特别是面向东南亚国家“一带一路”沿线的中小城镇研究。

云南省红河州的个旧、开远、蒙自为核心组成的滇南中心城市处于与越南“两廊一圈”中西廊-昆河经济走廊，不仅是面向东南亚的门户城市，也是国土空间开发利用与保护的重点区域[15]。其中，开远市地处中国-东盟两大市场结合部和中国昆明、越南河内两大城市辐射交汇点，在“一带一路”战略背景下，作为滇南地区的商贸物流中心和面向东盟开放的交通枢纽的开远市得到了迅速的发展，其中心城镇土地利用变化大、速度快。然而，快速城镇化中建设用地的迅速扩张给区域土地资源承载力和生态环境带来了巨大压力。为促进区域可持续发展，缓解用地矛盾，以开远市中心城镇为研究区，选取2009年、2014年和2018年三期土地利用数据，在系统分析土地利用时空演变特征的基础上，运用二元Logistic回归模型探究土地利用演变的影响因素,以期为开远市中心城镇土地资源的合理利用、深入推进滇南中心城市建设及“一带一路”沿线中小城镇的国土空间规划提供参考。

1 研究区概况

开远市位于云南省东南部(103°04′～103°43′E，23°30′～23°58′N)，隶属于云南省红河州，地处中国-东盟两大市场结合部和中国昆明、越南河内两大城市辐射交汇点，是滇南中心城市群的重要组成部分，下辖灵泉街道、乐白道街道、小龙潭镇等7个乡镇。中心城镇位于中部，由乐白道街道和灵泉街道两个乡镇组成。其中乐白道街道是开远市的政府驻地，与灵泉街道一起构成了开远市的政治、经济、文化和交通中心(图1)。中心城镇的人口约占开远市总人口的55%、财政收入占全市的73.5%[16]，在开远市处于重要地位，因此中心城镇城市用地、建制镇、村庄以及交通运输用地面积扩大成为了必然趋势。

图 1 开远市中心城镇区位示意Figure 1 Location of the Kaiyuan Central Town

2 数据来源及处理

2.1 数据来源

土地利用数据采用2009年开远市第二次全国土地调查数据、2014年和2018年土地变更调查成果；社会经济数据主要来源于《2009年开远市统计年鉴》《开远经济工作手册(2016年)》《开远经济工作手册(2018年)》；部分自然和经济数据主要参考《开远市乐百街道办事处土地利用总体规划(2010—2020)》《开远市灵泉道街道办事处土地利用总体规划(2010—2020)》。

2.2 数据处理

开远市土地利用分类以第二次全国土地调查土地利用现状分类标准(GB/T 21010-2007)为基础，结合实际情况，为进一步体现开远市中心城镇土地利用演变情况，对土地利用类型进行调整，分为耕地、园地、林地、草地、交通运输用地、水域及水利设施用地、设施农用地、裸地、城市、建制镇、村庄和工矿用地等12个土地利用类型。

2.3 研究方法

2.3.1 土地利用时间演变特征分析方法

引入土地利用面积变化量和单一土地利用类型动态度[17]，反映开远市中心城镇土地利用时间变化，公式如下：

S=Ub-Ua

(1)

(2)

式(1～2)中：S表示土地利用面积变化量，K表示单一土地利用类型动态度，Ua、Ub分别为研究初末期土地利用类型的面积；T为研究时段。

2.3.2 土地利用空间演变特征分析方法

(1)土地利用程度空间分布

借鉴刘纪远的土地利用程度综合指数模型和土地利用程度变化模型[18-20]，参考相关研究[21-22]，确定开远市中心城镇土地利用程度分级指数，具体公式如下：

(3)

(4)

式(3～4)中:Lj为j时间研究区土地利用程度综合指数;△Lb-a为土地利用程度变化量；Ai为研究区内第i级土地利用程度分级指数。裸地为1级；林地、草地、水域为2级；耕地、园地为3级；城镇村及工矿用地、交通运输用地为4级。

(2)土地利用空间动态变化模型土地利用空间动态模型通过土地转移矩阵反映土地利用变化的类型和转移状态，为土地利用空间类型变化过程定量分析提供依据[23-24]。土地利用动态变化空间分析模型为[12]：

(5)

(6)

CCLi=TRLi+IRLi

(7)

式(5～7)中:IRLi表示第i种土地利用类型转入速率；TRLi表示第i种土地利用类型转出速率；CCLi表示第i种土地利用类型的空间变化速率；LA(i,i1)-ULA,表示第i种土地利用类型转移部分的面积；LA(i,i2)-ULA,表示新增部分面积；t1、t2分别表示研究期初、期末的时间。

2.3.3 土地利用影响因素分析方法

(1)二元Logistic回归模型

采用二元Logistic回归模型方法对影响因素进行分析。当假设某一栅格出现某种土地利用的概率为P时，则二元Logistic回归模型可以得到表达式[25]：

(8)

式(8)中：Pi是每个栅格可以出现第i类型土地的概率，X是影响因子，βn是Xn的系数，βn值越大，则表示第n种影响因子X与土地利用类型的相关程度越高。

通过函数变化，Logistic回归模型表达式可以表示为：

(9)

式(9)中：该比值称为OR值为发生比，即发生与不发生之间的比例，EXP(β)>1发生概率增加，EXP(β)<1发生概率减少，EXP(β)=1发生概率不变。

(2)检验方法

利用ROC曲线下面积值来验证二元Logistic回归模型的准确性[26]。当ROC值越接近1，则效果越好，ROC>0.7时，说明影响因子对土地利用类型变化具有较强的解释性[27]。

(3)因子选择及处理

土地利用变化不仅深受自然因素的影响，也受社会经济因素的影响。依据参考文献[28-30]，结合开远市中心城镇实际情况，其地势起伏较大，山区地带地形交错复杂，地形地貌条件对研究区有重要影响；中心城镇在整个开远市中人口社会经济发展相对较快，直接影响研究区的土地利用变化；作为面向东盟开放的交通枢纽，区域可达性对土地利用变化有着明显的影响作用。考虑所能获取的相关数据，从自然因素、社会经济因素和可达性3个方面选择土地利用时空演变影响因子(表1)。

表 1 土地利用时空演变影响因素 Table 1 Impact factors of spatial and temporal evolution of the land use

将数据进行栅格化，并把所有栅格数据统一为投影坐标体系(CGCS2000)和空间分辨率(30 m×30 m)，将各个因子栅格数据转化为TIF格式，由于城市用地和建制镇用地在建设过程中的主要影响因素相似且建制镇用地在中心城镇中所占面积较小，因此因子分析时将城市用地和建制镇合并为城镇用地进行分析。

将栅格数据转为ASCII数据，再利用CLUE-S模型中的convert工具将ASCII数据转化为SPSS中可识别的数据并对其进行Z标准化。

3 结果分析

3.1 土地利用时空演变特征

3.1.1 土地利用时间演变特征

(1)土地利用面积变化

利用公式(1～2)得到土地利用面积变化量和单一土地利用类型动态度结果(表2)。开远市中心城镇以林地、耕地和草地为主，2009—2018年林地是最主要的土地利用类型，均占总面积的40%以上；其次是耕地，均占总面积的20%以上；城镇村及工矿用地仅占整个中心城镇的5%～6%左右。耕地、园地、林地所占百分比分别下降0.53%、0.38%、0.20%，而城镇村及工矿用地占比则上升0.63%。

表 2 土地利用面积变化量及单一土地利用动态度Table 2 Area change of land use and dynamics of single land use

2009—2018年土地数量变化主要以耕地、园地、林地、城市用地和交通运输用地为主，耕地、园地和林地减少，而城市用地和交通运输用地增加。其中，在2009—2014年中心城镇土地利用数量变化最多的是城市用地，增加了283.31 hm2，占总变化量的23.81%，其次为耕地，耕地减少了250.33 hm2，占总变化量的21.04%。2014—2018年中心市镇增加的土地利用数量变化最多的是耕地，减少了75.44 hm2，占总变化量的26.67%，其次是水域及水利设施用地，增加了53.48 hm2，占总变化量的18.90%。

(2)土地利用动态变化

2009—2018年土地利用动态度在10%以上的是交通运输用地、设施农用地以及村庄，分别增速57.36%、35.14%、14.09%，土地利用动态度在1%以上的是城市和水域及水利设施用地，分别增速2.18%和1.18%，其他土地利用类型的土地利用动态度则不明显。其中2009—2014年交通运输用地和设施农用地增速高达92.25%和45.83%，建制镇以及城市增速则为21.1%和3.69%； 2014—2018年设施农业地增速为6.62%、建制镇增速为2.59%，交通运输用地增速则为2.45%，而城市增速仅为0.25%。

总之，前5年为开远市中心城镇土地利用动态度最为活跃的时期，城镇村、交通和设施农用地均迅速增长，其中建制镇土地利用动态度明显高于城市用地，交通运输用地增速最为显著；后5年土地利用动态度明显缓慢，仅有水利及水域设施用地和村庄的动态度超过了上一阶段，其中水利及水域设施则是由于沟渠建设而引起的。

3.1.2 土地利用空间演变特征

(1)土地利用程度空间变化

通过构建100 m×100 m、200 m×200 m、500 m×500 m、1 000 m×1 000 m尺度计算土地利用程度综合指数，认为在200 m×200 m尺度上选择采样点能较好地反映中心城镇城市用地、建制镇用地等高利用程度地区形态和扩展方向等空间变化情况，根据公式(3～4)，通过插值得到土地利用程度综合指数和土地利用程度变化量的空间分布(图2～3)。

2009—2018年土地利用程度较高的区域主要集中在中部城区，并且面积在增加，主要是由于沿交通运输用地的增多，城市用地、建制镇和村庄的扩展，导致土地利用程度提高。

当ΔL>0时，说明土地利用程度得到提高；当ΔL≤0时，说明土地利用程度不变或者下降。由图3可知，2009—2014年土地利用程度变化呈现出随城镇用地内部填充和沿交通路线扩散而提高的趋势，利用程度提高区域主要集中在中部和东南部，沿交通路线和围绕城镇用地呈团块状分布。2014—2018年土地利用程度有升有降，但总体是在提高，主要集中在南部地区，城镇用地扩展形态逐渐由面状扩展转向点状扩展，分散在各个建制镇和村庄。

图 2 土地利用程度综合指数空间变化Figure 2 Spatial change of land use degree composite index

图 3 综合土地利用程度空间变化示意Figure 3 Spatial change of comprehensive land use degree

(2)土地利用空间动态变化分析

依据土地利用空间动态变化模型并结合土地利用转移矩阵，利用公式(5～7)得到土地利用类型转入速率(IRL)、转出速率(TRL)和空间变化速率(CCL)(表3)。

表 3 各年土地利用动态变化空间分析/%Table 3 Area change of land use and dynamic of single land use

2009—2018年开远市中心城镇的CCL变化较为明显，其中CCL交通运输用地为57.37%、CCL设施农用地为35.47%和CCL建制镇为15.45%，大量耕地、园地以及林地转变为城市用地、建制镇、交通运输用地、水域及水利设施用地，表明城镇扩张和耕地短缺之间的矛盾及城镇发展与生态环境保护的矛盾越来越激烈。

2009—2014年开远市中心城镇的CCL变化显著。变化明显的土地利用类型为交通运输用地、设施农用地和建制镇，其CCL分别为92.25%、45.87%和22.32%，以耕地、园地向城市用地、交通运输用地和建制镇转移为主。这一时期，城镇的快速发展侵占了大量的耕地，城镇扩张和耕地短缺之间的矛盾愈发突出。

2014—2018年开远市中心城镇的CCL变化相对放缓，变化明显的土地利用类型为：CCL设施农用地为6.88%、CCL水域及设施为3.07%、CCL建制镇为2.60%，呈现出多种土地利用类型转变，土地利用结构正在逐渐优化。与上一阶段相比，IRL与TRL之间的差值进一步缩小，区域多种土地利用类型转入转出；耕地、园地保持一定的动态平衡，耕地、园地的IRL迅速提高，耕地和园地被侵占的趋势有所减缓，但IRL

表 4 ROC值检验结果 Table 4 ROC value test result

表 5 耕地时空演变影响因子二元Logistic回归结果 Table 5 The logistic regression results of the impact factors of the spatial-temporal evolution of cultivated land

3.2 土地利用变化影响因素分析

3.2.1 模型检验

采用Pearson相关系数进行多重共线性分析，将高度相关的因子剔除(|r|≥0.8)消除多重共线性[31]。按照剔除后的影响因子对不同地类进行二元Logistic回归，利用ROC对结果进行检验(表4)。

开远市中心城镇各土地利用类型除了林地和草地的ROC值小于0.7以外，其他土地利用类型的ROC值均大于0.7(表4)，说明所构建的模型对于耕地、林地和草地的拟合效果一般，但整体来说模型较为可靠。

3.2.2 土地利用时空演变影响因子分析

重点对开远市中心城镇土地利用变化明显的耕地和城镇用地进行分析。

(1)耕地时空演变影响因子分析

由表5可知，2009—2018年耕地的影响因子主要为距农村道路距离(X9)、坡度(X2)以及海拔(X1),其中距农村道路距离(X9)是最主要的影响因子，2009年系数β为-0.621，2014年为-0.635、2018年为-0.631，发生比EXP(β)2009为 0.573 7、EXP(β)2014为 0.530、EXP(β)2018为0.532，距农村道路距离与耕地呈负相关，说明耕地多分布于距农村道路较近的区域，农村道路的建设，有利于农业生产资料的运输和农业的快速发展。距农村道路距离发生变化对耕地的时空演变产生的影响最大。次要影响因子是坡度，耕地与坡度有明显的负相关关系，耕地多分布于坡度较为平缓的地区，平缓的土地有利于耕作业的进行。海拔与耕地为正相关，表明耕地多分布于海拔相对较高的区域。 除此之外，农民人均所得(X7)、距公路道路距离(X8)以及距乡村点距离(X11)也对耕地产生影响，只是相对于主要影响因子而言影响较弱。

2009—2018年距农村道路距离、距公路道路距离的系数β绝对值总体上在增加，但坡度、海拔系数及人口密度的系数β绝对值在减少，表明可达性对耕地农业生产的影响因素在逐渐增大，耕地虽然在靠近乡村点的区域，但多分布在人口较少的地区；区域坡度和海拔等自然因素虽然对耕地有着限制作用，但这种作用在减弱。

(2)城镇用地时空演变影响因子分析

2009—2018年城镇用地影响因子主要为海拔(X1)、距公路道路距离(X8)、人口密度(X4)和人均财政收入(X6)(表6)。其中，海拔在3年中均是最主要的影响因子，自然因素对城镇用地的发展起着基础作用，城镇用地多分布于海拔较低、坡度较缓、人口密度较高和公路密集的区域。总体来说，城镇用地与海拔的系数β绝对值有所下降，而与人口密度、距公路道路距离的系数β绝对值有所上升，城镇用地扩展过程中，自然因素的影响作用在不断减弱，社会经济因素与可达性因素的影响作用在不断增强。但自然因素依旧是最主要的影响因子，影响建设的适宜性程度，是城镇用地布局的基础，而人口密度越高，更需要城镇用地的扩展，交通运输条件有利于促进城镇用地的发展。

4 结论与讨论

4.1 结论

(1)中心城镇时间演变特征

土地利用类型以林地和耕地为主。2009—2018年城市、交通运输、建制镇用地面积分别增长301.65、234.99、53.05 hm2，增长比例各为0.49%、0.38%、0.09%；而耕地、园地和林地分别减少325.78、231.96、123.73 hm2，减少比例各为0.53%、0.38%、0.20%；耕地、园地、林地面积减少带来的区域可持续问题不容忽视。

土地利用时间演变有明显的阶段性，2009—2014年为迅速扩张阶段，2014—2018年为缓慢发展和内部调整阶段。2009—2014年变化最为明显的是城市用地。2014—2018年变化最为明显的是耕地。

(2)中心城镇空间演变特征

2009—2014年土地利用空间变化数量大、速度快，土地利用程度提高的区域集中在中部，沿交通路线和围绕城镇用地周围呈块状和带状分布，耕地、园地面积的89.7%向城市用地、交通运输用地和建制镇转移。

2014—2018年土地利用空间变化速度减缓，土地利用程度变化由面状扩展转向点状扩展。多种土地利用类型发生转入和转出。城镇扩张和耕地短缺之间的矛盾越来越突出，减少的耕地面积中有78.8%转移为城镇用地及交通运输用地，解决城镇与生态环境协调发展的问题迫在眉睫。

(3)中心城镇影响因素分析

土地利用时空演变的主要影响因素为海拔、坡度、人口密度、距农村道路距离、距公路道路距离等。随着区域经济发展，自然因素的影响在不断减弱，社会经济以及交通运输条件的影响作用在不断增强。

4.2 讨论

在土地利用变化方面，综合多种研究方法可以较好地反映土地利用变化特征。本研究从地理学的时空观出发，采用土地利用的数量、动态度等方法综合分析其时间演变特征，借助土地利用程度空间分布、空间动态变化综合分析其空间演变特征，结合时间和空间视角，在一定程度上完善了对该区域的研究。

在土地利用影响因素方面，周锐等研究表明二元Logistic模型不仅可以在短时间序列中，反映土地利用变化在时间和空间上与各个因子之间的关系，并在中小城镇尺度中效果较好[14]。本研究从自然因素、社会经济因素、可达性因素3个方面选择影响因子，运用二元Logistic模型揭示开远市中心城镇土地利用变化的影响因素。然而，土地利用变化必然是多个因素共同影响的，对于文化、政策等难以量化的因素仍难以定量探讨。针对这一情况，王兴友将基本农田和自然保护区作为政策限制因子进行讨论[32]，然而不能将其作为快速发展的中心城镇土地变化的影响因素。因此，中心城镇土地利用变化虽然受到文化环境和相关政策的影响，但本研究并未考虑。今后应加强影响因子的可量化和空间化，使选取的因子更加广泛，结论更加准确。