西安市高陵区建设用地扩张时空变化分析
时间：2021-01-17 22:01:35 来源：达达文档网 本文已影响 人 
李旭卉 杨瑾
摘要：隨着工业化、城镇化进程不断加快和人口的持续增长，建设用地的需求不断增加，未来建设用地扩张与土地供给刚性和耕地保护的矛盾将会日趋尖锐。为了更好地利用建设用地，了解建设用地的扩张情况及驱动机制十分必要。本文以2012—2018年高陵区建设用地和相关社会经济数据为基础，对高陵区建设用地的时间变化特征进行分析;运用空间分析方法揭示高陵区建设用地扩张的空间变化特征;分析建设用地扩张的主要驱动因素。研究表明：2012—2018年，高陵区建设用地持续扩张、结构趋于均衡发展、分散性和破碎度逐渐增大。各用地类型的比例差异呈缩小趋势，人类活动对居住环境的破坏程度较大且较明显。另外，高陵区建设用地扩张的空间分布具有较强集聚性且趋向稳定;扩张强度的标准差椭圆在空间分布上呈现“东北—西南”的空间特征并向“西北—东南”方向收缩。影响建设用地扩张的驱动因素概括为居民生活水平提高及经济发展。高陵区应通过合理预测、统筹安排布局等方式及行政手段等系统管理建设用地。
关键词：建设用地扩张;空间自相关;标准差椭圆;MoransⅠ指数
中图分类号：S-3文献标识码：ADOI：10.19754/j.nyyjs.20200815011
收稿日期：2020-06-28
作者简介：李旭卉（1997-），女，硕士在读。研究方向：土地利用。
引言
随着我国城镇化、工业化进程的加速推进，城市建设用地扩张导致城市土地利用形态发生剧烈变化，在此过程中区域性的社会经济问题、生态问题频发。因此在人口规模和土地资源的硬性约束下，如何有效控制建设用地扩张，从而寻找城市可持续发展的道路已成为当前城市发展重要的研究内容[1]。
建设用地的扩张和驱动机制已成为国内外学者关注的焦点问题。国外学者对建设用地研究较早，主要集中在扩展空间过程、动力机制和增长控制等方面[2]。Anderson和Ge[3]经研究指出，改革开放以来，对外开放程度促进了我国城市的发展，其它要素对建设用地扩展也起到重要的支撑作用。另外，国外的相关研究大多集中于对遥感技术的应用。Taragi和Pundir[4]等在对印度勒克墙的建设用地蔓延过程分析时利用了卫星图像，结果发现勒克墙建设用地的扩张具有很快的速率，并且主要是沿着西南方向和东北方向的交通运输主线的周围。我国对建设用地扩张及其驱动力的研究相对于国外较晚。在研究尺度上，大多数的研究集中在经济发达地区，多以单个城市、大型城市群为主。研究方法主要采用回归分析、相关分析、空间计量分析等方法;如，王潇等[5]以国家级历史文化名城长汀为例，运用分形维数、等扇形分析等空间分析方法，定量解析2006—2016年长汀主城区8大类城市用地的空间演变特征。在驱动力机制上大多采用定性分析，缺少定量检验实证，且较少从时间和空间2个角度讨论驱动机制。
因此，本研究在借鉴国内外建设用地扩张研究的基础上，从建设用地扩张的时间和空间尺度入手，利用景观格局指数、空间自相关、标准差椭圆分析、主成分分析等方法，探讨高陵区2006—2016年建设用地规模变化及城市扩张的规律。研究结果可以为该区制定科学有效的土地利用政策提供参考依据，进而寻求更好的解决城市人口、土地资源失调等问题的办法。
1研究区概况与研究方法
1.1研究区概况
高陵区位于陕西省关中平原腹地，泾河、渭河两岸，西安市辖域北部。位于E108°56′16″～109°11′15″，N34°25′00″～34°37′30″。东西长20.55km，南北宽20.1km，总面积294km2。全区境内属暖温带季风气候。冬夏季节长，春秋季节短，雨热同季，四季分明。区内水域泾河、渭河自西向东，在泾渭堡村东北交会，流经区域南部，水域占全区总面积的5.6%。2018年末全区常住人口36.36万人，比2017年末净增加0.56万人。初步核算，至2018年底，全年地区生产总值378.45亿元，比2017年增长8.1%。高陵区位置见图1。
图1高陵区位置示意图
1.2 数据来源
本文中涉及的数据主要分空间数据和统计数据2类。
空间数据包括土地利用现状数据、土地利用规划数据。根据《陕西省土地利用现状数据集》的统计资料，可以得到西安市高陵区2012—2018年建设用地面积的原始资料;土地利用规划数据来源于《西安市土地利用总体规划（2006—2020年）调整完善》。统计数据来自《西安统计年鉴》（2012—2018年）及西安市国民经济和社会发展统计公报（2012—2018年）。
1.3研究方法
1.3.1时间变化分析
1.3.1.1景观破碎度
破碎度表征景观被分割的破碎程度，反映景观空间结构的复杂性，在一定程度上反映了人类流动强度对区域景观格局的干扰程度。景观破碎化是生物多样性丧失的重要原因之一，其与自然资源保护密切相关[6]。衡量不同景观类型的破碎化程度，可用景观平均斑块面积来表达，公式如下：
式中，Ci为景观i的破碎度，Ni为景观i的斑块数，Ai为景观i的总面积。
1.3.1.2最大斑块指数
最大斑块指数表示整个景观或某一景观类型占其他斑块总面积的百分比例。最大斑块面积比例能够反映景观优势类型，同时与景观优势物种以及景观内部物种丰富度呈正相关，比例的变化直接体现出人类活动的偏向和力度[7]。
1.3.2空间变化分析
1.3.2.1MoransⅠ指数
MoransⅠ指数也称莫兰指数，是空间自相关系数的一种，用于判定一定范围内的空间实体相互之间是否存在相关关系，其中P值和Z值被用来显著性水平检验。P值（P-Value，Probability，Pr）代表的是概率，反映某一事件发生的可能性大小。在空间相关性的分析中，P值表示所观测到的空间模式是由某一随机过程创建而成的概率。而Z值则是总体各单位标准值与其平均数离差平方的算术平均数的平方根。
1.3.2.2标准差椭圆
标准差椭圆即方向分布，又称利非弗方向性分布，该算法最早是由美国南加州大学社会学教授韦尔蒂·利菲弗在1926年提出。该算法最大的特点是可以识别一组数据的方向以及分布的趋势，并且了解到这份数据是否具有一些特性[8]。
2建设用地扩张变化分析
2.1建设用地扩张时间变化分析
本研究使用景观指数对建设用地扩张的结构进行分析。研究表明，2012—2018年，在整个高陵区研究范围内，城镇用地和农村居民点在建设用地中占支配地位。建设用地景观指数变化情况见表1。
从结果可以看出，建设用地破碎度由2012年的0.297增加到2015年的0.386再到2018年的0.467，建设用地LPI指数由2012年的8.605%减少到2015年的7.644%再到2018年的7.077%。这说明，在2012—2018年，人为活动对建设用地的干预较大，人为干扰了景观的破碎化。人类活动对居住环境的破坏程度较大且较明显，也说明人居环境紧缺，对土地节约集约利用的程度增加。其中，城镇用地、农村居民点的破碎度持续增加，LPI指数持续降低;交通运输用地等破碎度持续减少，LPI指数变化均相对较小。说明对独立工矿用地的保护和整治初有成效，有利于盘活存量土地、提高土地产能;随着社会和经济的发展进步，通达度增加;对风景名胜及特殊用地的保护效果及整合能力明显增强，这与逐渐兴起的旅游产业带有很大关系。
2.2建设用地扩张空间变化分析
2.2.1空间自相关分析
利用ArcGIS软件中的空间统计工具分析2012—2018年高陵区建设用地扩张的全局空间自相关系数[9]。2012年、2015年和2018年3个时间节点的MoransⅠ指数见图2～4。
将以上3a的数据整理成表格，见表2。
表22012—2018年空间自相关系数
2.2.2标准差椭圆分析
利用ArcGIS软件的空间统计工具分析标准差椭圆参数，在研究时间段内选择中間节点时，由于2015年的标准差椭圆更具有代表性，更能反映2012—2018年间建设用地扩张强度的空间分布特征，因此研究所选的是2012年、2015年与2018年的标准差椭圆，标准差椭圆参数见表3。
对高陵区建设用地扩张空间分布变化的分析如下。
2012—2018年西安市高陵区建设用地扩张强度的标准差椭圆在空间分布上呈现“东北—西南”的空间特征，分布范围整体上呈现出持续收缩的态势。
从长半轴来看，2012—2018年间长半轴的标准差由7.63km缩小到6.86km再到6.75km，表明扩张强度在“东北—西南”方向上加强;从短半轴来看，2012—2018年间短半轴的标准差持续缩小，说明建设用地扩张的分布范围缩小，建设用地扩张呈现的向心力趋向明显，建设用地扩张的分布范围趋向集聚。2012年、2015年和2018年建设用地扩张的椭圆面积持续减小的变化情况与标准差椭圆的轴向变化情况一致。
从扁率来看，2012—2018年间标准差椭圆的扁率由0.067增加为0.117，整体上说明建设用地扩张的方向性趋向明显;2012—2018年间高陵区建设用地扩张的方向性先是模糊，然后趋于明显。从方位角来看，2012—2018年方位角由178.33°减少为77.37°，转动幅度较大，反映出“东北—西南”方向上的分布格局弱化。总体上来看，2012—2018年高陵区建设用地扩张的空间分布向“西北—东南”方向收缩。
因此，标准差椭圆的分布范围明显由东北方向往西南方向收缩，高陵区建设用地扩张的空间分布范围趋向集聚，分布的方向性更加明显。
2.3建设用地扩张驱动因素分析
2.3.1指标选取
考虑到指标选取的可操作性和可量化性及数据资料的可获取性，本文主要从人口增长、经济发展、社会进步等方面对高陵区建设用地扩张的驱动因素进行定量研究。运用SPSS软件中通过对上述11个备选驱动因子和因变量进行典型相关分析，剔除相关系数比较小的因子，最终得到9个显著影响的驱动因子[10]。
各要素与建设用地扩张的相关系数见表4。
2.3.2主成分分析
目前主要有4种判断主成分数量的方法，分别是：特征值>1;解释数据变异的比例;陡坡图检验;解释能力检验[11]。本研究选取前3种方法进行分析判断。
2.3.2.1数据变异比例及特征值
特征值方面：从上表可以看出，前2位主成分的特征值>1;而第3主成分的特征值为0.150，<1。数据变异比例方面：既往研究认为提取的主成分至少应该解释5%～10%的数据变异。因此主成分提取数量为2，即提取前2个主成分。
2.3.2.2陡坡图检验
陡坡图是根据各主成分对数据变异的解释程度绘制的图。图上每一个主成分为1个点，通过“陡坡趋于平缓”的位置判断主成分的数量。在本研究中，第2主成分之后的数据趋于平缓，由此认为应该提取前2个主成分[11]。陡坡图见图5。
从上述3种方法可以看出，影响建设用地扩张的驱动因素概括为居民生活水平提高及经济发展。
2.3.3主导驱动因素对建设用地扩张的分析
2.3.3.1居民生活水平提高的驱动
人口富裕程度和居民收入水平的提高，会对建设用地扩张产生影响。随着城市居民收入的提高，生活水平也会相应提高，对住宅质量的需求较大，推动了城市住宅建设;对环境质量的要求，推动了城市绿地的建设及居住用地向郊区扩展[12];一些大型商场和娱乐设施的建设满足了居民的物质和精神追求，从而推动建设用地面积的扩大。
2.3.3.2经济发展的驱动
