农村居民点是农村地域系统中人口生活居住与生产活动的承载体[1–2], 是农村人地关系互动的关键空间单元[3]。社会经济转型期, 随着城乡交互作用逐渐增强, 农村居民点的数量、斑块大小和分布格局等形态特征发生剧烈的变化[4], 其中一个显著的变化特征是破碎化[5]。农村居民点破碎化主要呈现数量多、规模小、布局散和连通性差等特征, 反映农村居民点空间格局的不稳定性和不协调性, 是影响农村居民点利用效率的重要因素[6]。农村居民点破碎化会提高农村基础设施建设成本, 降低农村居民点空间组织效率, 成为制约农村土地利用和公共资源均衡配置的核心障碍之一[7]。可见, 在建设用地指标趋紧和乡村振兴战略背景下, 优化农村居民点形态, 进而提升其利用效率, 不仅是实现土地集约利用的客观需求, 也是保障农村建设和产业发展用地需求的关键途径[8]。
农村居民点破碎化的相关研究聚焦于概念界定、特征量化及驱动机制剖析。概念界定方面, 有学者认为农村居民点破碎化是由于缺少统一规划而导致的农村居民点分布零散、利用低效和空间组织混乱, 表征由于自然或人为干扰导致的农村居民点被分割的状态[9]。特征量化方面, 有学者构建包括面积、形状和空间分布等多维指标的农村居民点综合破碎度评价体系, 并基于斑块规模、形状复杂度和布局连通性等, 定量刻画农村居民点破碎化特征[10]。驱动机制剖析方面, 研究者普遍认为农村居民点破碎化是多因素作用的结果, 具有显著的空间分异性。自然地理条件(如地形起伏、坡度和水文条件等)在山地丘陵区对农村居民点形态的演化起关键作用[11–12]。区位条件与社会经济发展水平构成农村居民点形态差异的重要外部因素, 交通便捷和受城镇辐射带动强的区域, 农村居民点多呈集聚布局, 破碎化程度相对较低, 而远离中心城区、交通不便和经济发展薄弱的区域, 农村居民点布局分散, 功能结构单一, 破碎化特征更为显著[13]。此外,人为干预亦是农村居民点破碎化的重要影响因素,土地整治和宅基地制度改革等均在不同程度上影响农村居民点的形态[14]。
当前, 少有研究聚焦农村居民点破碎化的效应(影响), 尤其是缺乏农村居民点破碎化对土地利用效率作用机制的系统性剖析。从理论上讲, 农村居民点破碎化主要通过投入–产出与功能格局两种传导路径对土地利用效率产生影响[15–16]。首先, 农村居民点破碎化伴随空间失序与资源错配, 增加了基础设施与公共服务人均供给成本, 因其难以形成集聚效应而限制二、三产业发展, 从而降低土地的投入–产出效率[17]。其次, 破碎化的空间格局阻碍农村居民点多功能的形成, 单个、分散的居民点斑块难以承载多样化的服务, 从而降低其综合利用效率[18]。然而, 上述影响机制并非均质性的, 在不同地形条件与经济发展水平下, 其作用强度与方向可能存在显著的空间异质性。因此, 从梯度分异视角探讨农村居民点破碎化对土地利用效率的影响, 是深化农村居民点演变效应研究的重要方向。
在新型城镇化、乡村振兴及国土空间规划战略背景下, 农村居民点破碎化不仅影响土地资源的集约利用, 也关系到耕地保护红线落实、城乡融合发展与乡村可持续建设。本文从地形梯度和经济梯度的双重视角, 以天津市为研究区, 使用景观格局指数和地理加权回归模型, 系统地解析农村居民点破碎化对土地利用效率的影响及梯度分异, 以期丰富农村居民点破碎化与土地利用效率关系的实证研究, 并为指导农村居民点重构、村庄规划编制及乡村振兴实施提供决策依据。
1 数据与方法
1.1 研究区概况
天津市地处华北平原北部, 是京津冀城市群的核心区域[19]。天津市城镇化发展迅速, 截至 2024年末, 城镇常住人口为 1173万人, 乡村常住人口为191万人, 城镇化率为 86.01%。快速扩张的城市对农村地区的发展带来冲击, 导致“人口减少、用地增加”的人地关系错配现象, 农村居民点斑块数量增加且分布零散, 破碎化趋势日益突出[20–21]。天津市的地貌类型由北部的低山丘陵逐渐过渡至中南部的平原, 受地形条件和产业发展等影响, 不同地域农村居民点的破碎化特征具有显著的梯度分异[22]。
本文参考天津市经济与地形综合区域划分[22],将研究区划分为中心城区(和平区、河西区、南开区、河东区、河北区和红桥区)、环城区(东丽区、西青区、津南区、北辰区)、远郊区(武清区、宝坻区、宁河区和静海区)、滨海新区和蓟州山区五大区域(图1)。其中, 中心城区及其他区的部分乡镇(街道)没有农村居民点, 所以未纳入分析范围。最终得到本文研究范围为环城区、远郊区、滨海新区和蓟州山区, 共计 10个区的 175个乡镇(街道)。
图1 研究区概况
Fig.1 Overview of the study area
1.2 数据来源
本研究所用数据主要包括天津市农村居民点、社会经济、地形和行政区划等数据。其中, 2020年人口密度数据来源于 LandScan数据库(https://lands can.ornl.gov/); 夜间灯光数据采用 2022年 DMSPOLS夜光遥感影像[23], 空间分辨率为 1 km; 农村居民点数据来自武汉大学发布的中国土地利用/覆盖变化数据集(CLCD)(https://zenodo.org/records/5816 591); 地形数据选用 NASA发布的 2020年数字高程模型(DEM), 空间分辨率为 30 m (https://earthexplo rer.usgs.gov); 2023年 POI数据来源于互联网开放平台(https://lbs.amap.com); 2020年天津市行政区划数据来源于天津市地理信息公共服务平台(https://tian jin.tianditu.gov.cn)。
1.3 农村居民点破碎化测度
参考相关研究成果[6,9], 结合天津市农村居民点地理分布不均、破碎化显著的特征[24], 本文构建涵盖数量、规模、分隔程度和形状复杂性 4个维度的综合测度框架, 并选取斑块密度(patch density, PD)、平均斑块面积(mean patch area, AM)、分裂指数(splitting index, SPLIT)和景观形状指数(landscape shape index, LSI)作为测度指标(表1)。相比单一指标,多维度指标体系可以更全面地反映农村居民点形态特征。相关研究也表明, 这些指标在表征农村居民点景观格局方面具有较高的科学性和通用性[25–26]。上述指标均通过 Fragstats 4.2计算获得, 测度单元为乡镇(街道)。为保证指标的可比性, 对计算结果进行归一化处理, 并采用熵权法确定各指标权重,最终计算得到农村居民点综合破碎化指数(RFI)。
表1 农村居民点破碎化指数
Table 1 Rural settlement fragmentation index
指数名称计算公式变量解释含义k PD Ni 为第i 个农村居民点斑块的数量, k 为PD 衡量的是单位面积内农村居民点斑块数量, PD 值高通常表示单位面PD=i N A =1 i 斑块总数量, A 为研究区域的总面积积内斑块数量多且面积小, 农村居民点破碎化严重n AM AM=i A n =1 i Ai 为第i 个农村居民点斑块的面积, n 为AM 衡量的是农村居民点斑块的平均大小, 该指数越高说明斑块整体越斑块的总数量大, 农村居民点的破碎化程度越低n SPLIT SPLIT 用于衡量农村居民点斑块之间的分隔程度和分裂程度, 该值高意SPLIT==1 i Bi 为第i 个农村居民点斑块的边界长度,i B N N 为斑块的总数量味着斑块分隔明显, 表示农村居民点破碎化程度较高LSI 通过计算农村居民点斑块形状与相同面积的圆或正方形之间的偏离LSI LSI=i 1 1 k = =i Pi 为第i 个农村居民点斑块的周长, Ai 为k 程度来衡量其形状复杂程度, LSI 值高表明斑块形状复杂、偏离度高,i P A i 第i 个斑块的面积; k 为斑块的总数量农村居民点的破碎化程度较高
1.4 农村居民点利用效率评价
土地利用功能多样性是提升土地系统运行效率的核心维度[27], 传统的土地利用效率研究往往侧重投入产出因素, 忽视功能多样性的影响。本文提出“投入产出–功能多样性”双维度框架, 测度农村居民点利用效率, 尤其是在城乡融合发展背景下, 农村居民点日益承载着商业、服务和休闲等多样化功能, 功能多样性是衡量其综合利用效率不可或缺的关键因素[3,27]。
1.4.1 投入–产出水平测度
本文选取人口密度和夜间灯光数据作为衡量农村居民点投入–产出水平的核心指标。将人口密度作为重要的投入要素, 能够有效地体现农村居民点利用及发展潜力[28]。夜间灯光数据具有客观性、连续性和空间覆盖广泛的特点, 可以作为经济活动强度和产出水平的有效代理变量[29]。两者能够较为全面地反映农村居民点利用效率, 科学地量化投入–产出水平:
其中, IOL为农村居民点的投入–产出水平, 取值范围为[0, 1]; POPD为归一化后人口密度值; DN为归一化后的夜间灯光亮度; x1和 x2为权重。
1.4.2 功能多样性测度
本研究将农村居民点功能多样性(functional diversity, FD)界定为其所承载的多种服务, 可通过POI的类型和密度表征。不同类型的 POI反映农村居民点提供服务的能力和范围, 若 POI密度高且涵盖多种类型, 表明农村居民点能够满足居民的多样化需求, 体现出较高的功能多样性; 相反, 若 POI的种类较少且密度低, 则意味着农村居民点的功能较为单一[26]。计算公式如下:
其中, FD为农村居民点功能多样性, 取值范围为[0,1]; TPOI表示单位农村居民点上承载的 POI类型;NPOI为单位农村居民点上承载的 POI数量; x1和 x2为权重。
1.4.3 农村居民点利用效率测度
本研究对农村居民点投入–产出水平和功能多样性结果进行归一化处理, 采用加权求和法计算得到农村居民点利用效率(land-use efficiency, LUE):
其中, LUE表示农村居民点利用效率, 取值范围为[0, 1]; ω1和 ω2为权重系数。
1.5 梯度划分
本文采用 POI的核密度和夜间灯光指数作为经济发展水平的代理变量[26], 并通过加权求和得到综合经济指标。基于 2020年数字高程模型(DEM)数据提取乡镇(街道)平均高程值。经济指标和地形指标均采用自然断裂法划分为高、中、低 3个梯度,从而对研究区的经济发展水平和地形条件进行定量分区。
1.6 农村居民点破碎化对土地利用效率影响的测度
本文采用 Spearman相关系数计算农村居民点破碎化与土地利用效率的相关性, 计算公式如下:
其中, ρ 表示 Spearman相关系数, di为第i个观测值两个变量的秩次差, n为样本总数。| ρ |越趋近 1, 说明变量之间的秩次关系越稳定, 相关性越强; 接近0则说明秩次之间无显著相关性。
考虑到不同区域经济发展水平和自然条件的差异, 农村居民点破碎化对土地利用效率的影响并非一个全局恒定的常量, 而是随空间位置的变化而变化。传统的全局回归模型(如 OLS)无法捕捉这种重要的空间异质性。为有效地揭示不同地理环境下破碎化对利用效率影响的局部特征, 本文选用地理加权回归(GWR)模型。该模型通过为每个观测单元构建独立的局部回归方程, 能够估算出随空间变化的局部回归系数, 从而精细地刻画影响强度的空间分异规律[30], 计算公式如下:
其中, yi表示第 i个乡镇(街道)的农村居民点利用效率, xik为第 i个乡镇(街道)的第 k个农村居民点破碎化指标, (ui, vi)为第 i个乡镇(街道)中心点的地理位置坐标, βk(ui, vi)表示随地理位置变化的局部回归系数, εi为随机误差项, p为自变量个数。
2 农村居民点破碎化及土地利用效率特征
2.1 农村居民点破碎化及其梯度特征
梯度划分结果显示, 天津市农村居民点破碎化程度总体上偏高, 并呈现由市中心向外围逐步增高的圈层式空间分异格局(图2(a))。其中, 全市中、高破碎化农村居民点占比分别为 48.50%和 41.30%,低破碎化农村居民点仅占 10.20%。农村居民点破碎化等级的分布与距市中心距离表现出高度的空间一致性。高破碎化农村居民点集中在北部的蓟州山区和远郊区, 面积分别高达 86.59 km2和 212.76 km2,合计占全市高破碎化农村居民点的 97.58%。中、低破碎化农村居民点则主要分布在环城区和滨海新区。环城区不含高破碎化农村居民点, 该区与滨海新区共同构成低破碎化农村居民点的主要分布区,面积分别为 25.92 km2和 22.06 km2, 合计占全市低破碎化农村居民点的 63.34%。
图2 农村居民点破碎化及其梯度分布
Fig.2 Fragmentation of rural settlements and its gradient distribution
(a) 农村居民点破碎化分布; (b) 叠加地形梯度的农村居民点破碎化分布; (c) 叠加经济梯度的农村居民点破碎化分布
叠加地形梯度因素后可以发现, 二者的空间分布高度吻合(图2(b)), 高地形梯度区没有低破碎化农村居民点, 中破碎化农村居民点面积为 33.80 km2(占 72.14%), 高破碎化农村居民点面积为 13.05 km2(占 27.86%)。在中地形梯度区和低地形梯度区, 高破碎化农村居民点占比逐步下降, 分别为 44.57%和39.72%, 低破碎化农村居民点占比则明显提升, 从高梯度区的 0%提升至低梯度区的 15.80% (53.58 km2)。经济梯度与农村居民点破碎化格局的空间关系更清晰(图2(c))。高经济梯度区以中、低破碎化农村居民点为主, 两者面积合计 86.30 km2, 占比高达 93.25%。广泛分布于远郊区和蓟州山区的低经济梯度区, 高破碎化农村居民点占主导地位, 面积达 232.98 km2, 占比为 61.10%。中经济梯度区围绕高经济梯度区分布, 涵盖远郊区部分中心乡镇(街道)及滨海新区, 以中破碎化农村居民点为主导, 占比为 58.18% (156.46 km2)。
2.2 农村居民点土地利用效率及其梯度特征
与破碎化格局相反, 天津市农村居民点利用效率由市中心外围向远郊区逐步降低(图3(a))。从总体上看, 全市农村居民点利用效率以中、低水平为主, 占比分别为 42.89%和 41.05%, 高利用效率农村居民点仅占 16.06%。农村居民点利用效率高值区连片分布于环城区, 面积达 58.06 km2, 占该区农村居民点的 70.19%, 此外, 以点状、团块状分布在远郊区和蓟州山区部分中心乡镇(街道)的农村居民点,面积分别为 34.30 km2和 18.87 km2。低利用效率农村居民点则构成广阔的“效率洼地”, 连片分布于远郊区(204.48 km2)和蓟州山区(93.06 km2), 分别占该区农村居民点的 46.10%和 59.44%。
图3 农村居民点利用效率及其梯度分布
Fig.3 Land-use efficiency of rural settlements and its gradient distribution
(a) 农村居民点利用效率分布; (b) 叠加地形梯度的农村居民点利用效率分布; (c) 叠加经济梯度的农村居民点利用效率分布
地形梯度与农村居民点利用效率的空间分布亦呈现特定的规律(图3(b))。高地形梯度区的农村居民点以低利用效率为主(占比为 59.72%), 而在低地形梯度区, 农村居民点利用效率空间分异显著, 既包含以高利用效率为主的“圈层式高地”(环城区高效率占比高达 70.19%), 也涵盖以低利用效率为主的“洼地”(远郊区低效率占比达到 46.16%)。农村居民点利用效率空间格局与经济梯度叠加后可知, 无论是圈层式核心还是团块状次级核心, 高利用效率的分布总是与高经济梯度的分布在空间上高度重合(图3(c))。高经济梯度区以高利用效率为主(占比为76.28%), 低经济梯度区则以低利用效率为主导(占比为 69.20%)。
3 农村居民点破碎化对土地利用效率的影响
3.1 农村居民点破碎化与土地利用效率的相关性
相关性分析结果显示, 天津市农村居民点综合破碎化指数(RFI)与土地利用效率显著负相关(r =−0.339, p<0.01), 即破碎化程度越高的农村居民点,其利用效率越低(表2)。其中, PD和 SPLIT均与农村居民点利用效率显著负相关, 表明农村居民点斑块的细碎化和分布离散化往往对应较低的利用效率; AM与农村居民点利用效率显著正相关, 表明农村居民点斑块大、布局集中的区域, 其利用效率也呈现较高的水平。
表2 农村居民点破碎化与土地利用效率的相关系数
Table 2 Correlation coefficients between fragmentation and land-use efficiency of rural settlements
IOL −0.375** −0.510** −0.636** 0.375** −0.644**FD −0.177* 0.464** 0.347** 0.177* 0.265**LUE −0.395** −0.106 −0.272** 0.395** −0.339**
注: * p<0.05, ** p<0.01。
从各项指标来看, PD, LSI和 SPLIT与农村居民点投入–产出水平负相关。其中, SPLIT的负相关性最强, 表明农村居民点斑块空间分割程度越高, 其投入–产出水平越低; PD越高意味着农村居民点斑块越破碎, 提升了农村居民点利用成本; LSI越高则意味着农村居民点形态越不规则, 边界越曲折, 其土地产出效率往往越低。AM与农村居民点投入–产出水平正相关, 表明集中连片、规模适中的农村居民点形态更有利于提升其投入–产出水平。LSI,SPLIT和 AM与农村居民点功能多样性正相关, 表明形态复杂、规模较大的农村居民点斑块能够承载更多类型的服务, 其功能多样性往往较高; PD与农村居民点功能多样性负相关, 表明农村居民点斑块越细碎, 其功能多样性指数越低。
3.2 农村居民点破碎化对土地利用效率的影响
3.2.1 影响作用的空间格局与地域分异
地理加权回归分析结果揭示, 农村居民点破碎化对土地利用效率产生影响, 且这种影响具有显著的空间非平稳性(图4(a))。局部回归系数 β 的值域为−0.84～0.30, 形成以“南正北负”为主的空间格局。另外, 北部也有正值的多中心、点状分布区域。
图4 农村居民点破碎化对土地利用效率影响强度空间分布
Fig.4 Spatial distribution of the impact intensity of rural settlement fragmentation on their land-use efficiency
(a) 农村居民点破碎化对土地利用效率影响强度; (b) 地形梯度下农村居民点破碎化对土地利用效率影响强度; (c) 经济梯度下农村居民点破碎化对土地利用效率影响强度
负向效应区(β 值集中于−0.84 ～ −0.01)分布广泛,集中在远郊区。农村居民点破碎化对土地利用效率有抑制作用。首先, 破碎化分布抑制规模经济与集聚效应的形成, 农村居民点布局零散, 不仅增加基础设施的网络化供给成本及人均维护成本, 而且使其难以支撑乡村产业发展, 抑制土地利用“投入–产出水平”; 其次, 破碎化分布导致农村居民点功能单一, 过于分散的空间布局造成农村居民点无法达到支撑公共服务或商业设施所需的门槛, 从而阻碍功能多样性的提升。
与此形成鲜明对比的是, 正向效应区(β 值集中于 0.01～0.30)在空间上高度集中于环城区, 其他区域的部分乡镇(街道)也形成点状正向效应集聚区。这表明“正向效应”并非普遍规律, 而是特定区域内与农村居民点功能集聚的等级和强度密切相关的局部现象。在这些区域, 景观格局指数表征的“破碎化”(如高斑块密度)则是功能复合与多样的空间表征, 因此对利用效率产生正向影响。
3.2.2 地形梯度对影响作用的调节效应
地形梯度深刻地调节了农村居民点破碎化对其土地利用效率的影响作用(图4(b))。在低地形梯度区域, 既包含正向效应(β 值集中于 0.01～0.30), 也存在显著的负向效应(β 值集中于−0.86 ～ −0.44)。该区域地势平坦, 地形对农村居民点布局的限制最小,意味着农村居民点是“集聚”还是“分散”, 不主要取决于自然条件, 而是取决于社会经济活动, 从而导致效应的两极分化。一方面, 平原区农村居民点多呈块状和团状集聚分布, 即使是细微的破碎化程度变化, 也会对农村居民点的空间组织与功能布局产生干扰, 引发较为强烈的负向效应。另一方面, 平坦的地形为农村居民点多元业态的空间复合与要素流动提供了自然条件, 因此在经济发达的平原区容易形成农村居民点功能多样的正向效应。
在高地形梯度区域, 影响作用的强度被削弱,且以负向效应为主(β 值集中于−0.50 ～ −0.13)。山区复杂的地形条件导致农村居民点布局分散, 破碎化作为农村居民点形态普遍的空间特征, 对土地利用效率的边际负效应相对有限。同时, 地形也限制了大规模、高强度农村居民点功能混合的可能性, 因此在图4(a)中该区域观测到的正向效应, 在分梯度模型中未能作为主导趋势表现出来。
在中地形梯度区域, 影响强度的表现最为温和(β 值集中于−0.46～0.30)。作为山区与平原的过渡带和发展交错区, 该区域农村居民点形态在空间上呈现一定的过渡性与适应性, 既有零散分布的斑块,也存在一定规模的集聚区域, 农村居民点整体空间结构较为复杂, 破碎化的正向与负向效应都未能得到极化发展, 整体上影响作用相对较弱, 呈现出缓冲特征。
3.2.3 经济梯度对影响作用的调节效应
农村居民点破碎化对土地利用效率的影响作用呈现明显的经济梯度递减特征, 即负向效应强度随经济梯度提升而减弱(图4(c))。在低经济梯度区域,农村居民点破碎化对土地利用效率的负向效应较为强烈(β 值集中于−0.86 ～ −0.44)。低经济梯度区域多处于乡村工业化或农业现代化的转型初期, 规模化的居民点斑块是提升土地利用效率和突破发展瓶颈的重要路径。因此, 农村居民点破碎化直接阻碍高效空间秩序的形成, 其负面效应被显著地放大。
在中经济梯度区域, 影响作用的强度有所缓和(β 值集中于−0.43～0.30)。该区域是城乡要素双向流动与空间功能重构最剧烈的地带。城镇扩张、产业转移与传统农业保护等多重力量在此区域交织, 其复杂性和不确定性在一定程度上遮蔽或缓冲了破碎化对土地利用效率的单一影响。
在高经济梯度区域, 影响作用的强度整体上最弱, 趋于中性(β 值集中于−0.13～0.13)。在经济发达的城乡融合区域, 经济系统的韧性与复杂性使其对农村居民点形态破碎化效应的敏感度降低。一方面, 完善的基础设施网络和高效的要素流动在很大程度上抵消因居民点斑块空间割裂带来的负面成本; 另一方面, 这些区域破碎化的农村居民点很多为功能混合斑块形态, 其正向效应与负向效应相互作用, 使得最终的净效应趋于中性。
4 结论与建议
4.1 结论
天津市农村居民点破碎化与土地利用效率在空间上呈现高度耦合且方向相反的分异格局。从总体上看, 形成以环城区为核心、向外围远郊区和蓟州山区“破碎化水平递增、利用效率递减”的梯度特征。Spearman相关性分析结果从全局尺度证实, 农村居民点破碎化指数与土地利用效率显著负相关,即破碎化程度越高, 利用效率越低。
地理加权回归模型计算结果进一步揭示, 农村居民点破碎化影响了土地利用效率, 这种影响存在显著的空间非平稳性。具体而言, 在环城区和滨海新区南部, 农村居民点破碎化对土地利用效率呈现正向效应; 在远郊区和蓟州山区, 农村居民点破碎化对利用效率呈现抑制效应。同时, 梯度分异对这种影响作用存在复杂的调节作用。地形梯度主要调节影响强度, 低地形梯度区域存在正、负效应的分化, 而高地形梯度削弱了农村居民点破碎化对土地利用效率的边际影响。经济梯度则呈现清晰的梯度递减特征, 负向效应在低经济梯度区最为强烈, 随着经济水平提高, 影响强度逐步减弱, 并在高经济梯度区趋于中性。
4.2 政策建议
本文研究结果揭示, 农村居民点破碎化对土地利用效率的影响在不同梯度区域呈现出方向与强度迥异的空间特征。据此, 本文基于“破碎化程度–影响效应”二维矩阵, 将研究区划分为 3类并构建分区治理框架, 以便提升政策的精准性与可操作性。
第一类为高破碎化–负效应区, 主要分布在北部的远郊区和蓟州山区。农村居民点占全市的34.31%, 其特征是破碎化程度高, 且破碎化对土地利用效率的负向效应最为强烈。农村居民点布局零散、形态无序是制约土地利用效率提升的首要瓶颈, 应作为土地整治和乡村空间重构的重点区域。农村居民点治理的重点应聚焦于降低破碎化程度来提升土地利用效率。具体措施包括编制适用性村庄规划, 明确村庄建设布局以及迁并、保留和提升的村庄清单; 通过全域土地综合整治等政策工具, 引导零散农村居民点向中心村、镇区适度集中, 降低因分散布局带来的服务成本; 强化基础设施网络化建设, 优化农村居民点布局结构, 从而提升土地利用效率。
第二类为中低破碎化–负效应区, 主要分布于远郊区。农村居民点占全市的 46.84%, 其特征是破碎化程度不高, 但土地利用效率对破碎化极为敏感,负向效应强。农村居民点的空间形态较为脆弱, 无序扩张可能导致利用效率的显著下降。该区农村居民点治理目标应聚焦于形态管控, 而非大规模整治。具体措施包括严格划定和执行村庄建设边界,严控新增宅基地的无序扩张; 优化存量建设用地,通过村内道路梳理和闲置地改造为公共空间等“微更新”手段, 提升内部空间品质; 引导建设需求通过居民点内部集约利用解决, 防止其形态的进一步破碎化。
第三类为正效应区, 主要包括环城区和滨海新区南部。农村居民点占全市的 18.85%, 其特征是破碎化对土地利用效率呈现正向效应。该区农村居民点治理的关键在于功能引导, 具体措施包括编制产业引导型村庄规划, 识别并保护有价值的工业和商业节点, 引导其与居住功能的合理混合, 并通过环境整治和消防通道建设等措施, 缓解因功能混合带来的负外部性; 推动产业升级, 向高附加值的都市农业、乡村文旅和科创孵化等转型, 并完善公共服务与基础设施配套, 提升人居环境质量, 从而提高农村居民点的土地利用效率。
[1]Liu Y S, Ou C, Li Y R, et al.Regularity of rural settlement changes driven by rapid urbanization in North China over the three decades.Science Bulletin,2023, 68: 2115–2124
[2]Lu M Q, Wei L Y, Ge D Z, et al.Spatial optimization of rural settlements based on the perspective of appropriateness-domination: a case of Xinyi City.Habitat International, 2020, 98: 102148
[3]Ma L B, Li J Y, Wang X, et al.Evolution and simulation optimization of rural settlements in urban-rural integration areas from a multi-gradient perspective: a case study of the Lan-Bai urban agglomeration in China.Habitat International, 2024, 153: 103203
[4]张佰林, 张紫涵, 周艳.中国农村居民点重心迁移特征及其指示意义.北京大学学报(自然科学版),2024, 60(5): 874–882
[5]冯应斌, 龙花楼.中国山区乡村聚落空间重构研究进展与展望.地理科学进展, 2020, 39(5): 866–879
[6]李学东, 伍盘龙, 刘云慧, 等.中国东部平原农村居民点破碎化状况与成因分析.农业工程学报,2022, 38(11): 250–258
[7]齐文平, 王艳慧, 梁晨霞, 等.农村居民点综合破碎度评价及影响因素探测——以山东日照市为例.中国农业资源与区划, 2019, 40(6): 18–26
[8]冯德东, 龙花楼, 王坤, 等.中国农村居民点空间布局优化研究综述与展望.地理研究, 2024, 43(8):2215–2232
[9]魏璐瑶, 陈娱, 张正方, 等.多情景视角下基于空间组合识别的农村居民点布局优化研究.地理研究,2021, 40(4): 977–993
[10]段斌俏, 陈万旭, 曾杰.中国农村居民点景观破碎化及其影响因素分析.农业资源与环境学报, 2025,42(1): 237–248
[11]马利邦, 石志浩, 李梓妍, 等.“人−地−业”协调与区位优势双重视角下农村居民点整理——以河西走廊金昌市为例.地理科学, 2023, 43(3): 476–487
[12]陈宗峰, 李裕瑞, 刘彦随.黄土丘陵沟壑区乡村聚落分布格局特征与类型.农业工程学报, 2017, 33(14): 266–274
[13]杨阳, 房艳刚, 李少琦.地方性景观重构的结构主义与人文主义叠加分析——以传统村落党家村为例.地理研究, 2025, 44(1): 149–165
[14]李学东, 伍盘龙, 刘云慧, 等.中国东部平原农村居民点破碎化状况与成因分析.农业工程学报,2022, 38(11): 250–258
[15]Carruthers J I, Ulfarsson G F.Urban sprawl and the cost of public services.Environment and Planning B:Planning and Design, 2003, 30: 503–522
[16]刘彦随, 刘玉.中国农村空心化问题研究的进展与展望.地理研究, 2010, 29(1): 35–41
[17]龙花楼, 陈坤秋.新型城镇化进程中中国乡村居住形态变迁与空间治理转型.经济地理, 2024, 44(9):12–21
[18]周婧, 杨庆媛, 信桂新, 等.贫困山区农户兼业行为及其居民点用地形态——基于重庆市云阳县 568户农户调查.地理研究, 2010, 29(10): 1767–1779
[19]Long H X, Yuan L, Yin Z L, et al.Spatiotemporal of ecosystem service values response to land use/cover change based on geo-informatic Tupu —a case study in Tianjin, China.Ecological Indicators, 2023, 154:110511
[20]Yang Y Y, Liu Y S, Li Y R, et al.Measure of urbanrural transformation in Beijing-Tianjin-Hebei region in the new millennium: population-land-industry perspective.Land Use Policy, 2018, 79: 595–608
[21]刘彦随.中国乡村振兴规划的基础理论与方法论.地理学报, 2020, 75(6): 1120–1133
[22]张佰林, 张欣瑜, 赵逸宁, 等.农村居民点显性形态和隐性形态转型特征及关联机制.资源科学,2025, 47(1): 84–96
[23]Wu Y Z, Shi K F, Chen Z Q, et al.Developing improved time-series DMSP-OLS-Like data (1992–2019) in China by integrating DMSP-OLS and SNPP-VIIRS.IEEE Transactions on Geoscience and Remote Sensing,2022, 60: 1–14
[24]刘祥平, 张贞, 李玲玉, 等.多维视角下天津市生态网络结构演变特征综合评价.应用生态学报,2021, 32(5): 1554–1562
[25]杨成波, 刘秀华.重庆市北碚区农村居民点用地景观变化及驱动因素分析.山地学报, 2017, 35(6):890–898
[26]Wu W X, Zhou L, Wang S H, et al.Identification of urban fringe areas and assessment of their landscape ecological risks in Xi’an, China.Chinese Geographical Science, 2025, 35(5): 1013–1029
[27]杜国明, 孙晓兵, 王介勇.东北地区土地利用多功能性演化的时空格局.地理科学进展, 2016, 35(2):232–244
[28]Liu Y, Yamauchi F.Population density, migration, and the returns to human capital and land: insights from Indonesia.Food Policy, 2014, 48: 182–193
[29]钱家乘, 张佰林, 连小云, 等.不同经济梯度下农村居民点产住空间结构分异特征——以东营市为例.中国农业资源与区划, 2022, 43(2): 259–266
[30]Lu B B, Charlton M, Harris P, et al.Geographically weighted regression with a non-Euclidean distance metric: a case study using hedonic house price data.International Journal of Geographical Information Science, 2014, 28(4): 660–681