基于空间计量模型的土地整理后土地价值潜力的空间结构
《Land Use Policy》:Spatial structure of land value potential after land consolidation using spatial econometric modelling
【字体:
大
中
小
】
时间:2026年09月18日
来源:Land Use Policy 6.6
编辑推荐:
•构建了一种新颖的土地价值潜力(LVP)指标,用于评估土地整理成果。
•后整理土地价值模式中检测到显著的空间自相关。
•空间误差模型(SEM)在解释价值形成方面优于 OLS 和 SAR。
•土地整理重塑了地块结构,但未能消除嵌入空间的价值不平等。
1. 引言
土地碎片化是全
•构建了一种新颖的土地价值潜力(LVP)指标,用于评估土地整理成果。
•后整理土地价值模式中检测到显著的空间自相关。
•空间误差模型(SEM)在解释价值形成方面优于 OLS 和 SAR。
•土地整理重塑了地块结构,但未能消除嵌入空间的价值不平等。
1. 引言
土地碎片化是全球粮食安全的重大挑战,尤其是在转型经济体中(Niu 等人,2025,Zhang 等人,2025)。受继承法、人口压力和历史进程驱动,这一现象将农业用地分割成小块、分散且形状不规则的地块。这增加了将劳动力和设备运往田地的成本,由于地块几何形状不利造成显著的产量损失,并直接限制农业生产力(Janus and Ertun?, 2020, Aslam and Fazal, 2025)。特别是小块和分散的地块阻碍了现代农业机械的高效使用,增加了生产成本,并可能导致农民退出农业活动或放弃土地。
土地整理(LC)是消除这些负面影响和改善农业结构的最基本政策工具(Ertun? and Uyan, 2022, Tongur 等人,2020, Uyan 等人,2025)。整理项目通过合并地块优化农场规模,并提供关键基础设施服务,包括建立灌溉系统、开发道路网络和修正地块几何形状。这些项目在抗击贫困、推进农村发展和支持可持续农业生产方面发挥着核心作用,通过提高农业企业的经济效率来实现。波兰、土耳其和中国等国的实践证实,土地整理不仅提高了生产力,还通过更新土地记录加强了产权安全性,并有助于农村地区的振兴(Munnangi 等人,2020, Uyan 等人,2020, Wojewodzic 等人,2021, Xue 等人,2022, Leń 等人,2024)。在本研究中,土地整理特指为改善农业生产、减少土地碎片化和增强农村地块空间组织而实施的农业土地整理。尽管土地碎片化和整理在城市环境中也很重要(涉及城市重建和土地重划),但其制度目标、实施程序和预期结果与农业土地整理有显著不同。因此,本研究仅专注于农业土地管理。
传统的土地估值方法主要基于市场数据或基于地块的分类(Demetriou, 2017)。然而,获取实际市场数据往往很困难,特别是在农村地区,这限制了估值过程的客观性(Günes and Yildiz, 2016, Zhou 等人,2020)。尽管经典估值方法本质上包含了区位属性,但在交易透明度有限的背景下,可靠的市场估值仍然具有挑战性。土地整理不仅是经济重组,也是空间重组过程,该过程的产出对于评估空间后果很重要。农业地块并非孤立运作,而是嵌入在可达性、基础设施、灌溉系统、环境条件和邻近地块配置的网络中。一个地块的改善可能会通过溢出效应、共享基础设施和区域发展动态影响相邻地块。因此,使用非空间统计模型评估土地整理成果可能会忽视决定价值形成的空间相互依赖关系。Mallios 等人(2009)发现,与传统的特征价格法相比,空间计量模型提高了效率和一致性,并减少了参数估计的偏差,其中空间误差模型表现最佳。(Sidharthan and Bhat, 2012)提供了关于土地利用决策中时间依赖性和空间动态的非常有力的证据,证明土地所有者的决策表现出来自附近地块的空间溢出效应。Richards(2018)表明,一个地区转变为农业的可能性与周围地区的土地利用情况密切相关,而独立于自然适宜性。Anputhas 等人(2016)明确证明,忽略变化的空间影响会导致土地利用变化预测产生偏差。大多数土地整理的实证研究依赖于描述性统计、成本 - 效益分析或假设观测值之间相互独立的经典回归方法(Kassahun and Thorsen, 2020, Tepnadze 等人,2022, De Vries, 2022)。
当地块共享灌溉网络、道路通行权、土壤特征或地形模式时,自然会出现空间自相关。忽视这种空间依赖性可能会导致系数偏差、估计效率低下和不正确的政策结论。在本研究中,引入了一个称为土地价值潜力(LVP)的操作指标。LVP 构建为一个综合地块级度量,包含紧凑度指数(CI)、道路可达性和土壤质量。这些组成部分代表了土地整理后塑造土地生产能力的结构和区位属性。应强调的是,LVP 不代表观测到的市场价值。相反,它是一个旨在根据土地整理影响的特性和区位特征量化农业地块相对空间潜力的综合指标。因此,本研究的目标不是模拟市场价格,而是解释土地整理后 LVP 的空间变化。虽然 LVP 整合了可达性和土壤条件等与空间相关的特征,但它不假设地块间的相互作用或空间溢出效应。相反,它捕捉每个地块在其物理和基础设施环境中产生价值的内在能力。这一区别使得后续能够检验空间依赖性是否超出了指标本身嵌入的结构组成部分而涌现。如果 LVP 反映结构和区位特征,就会产生一个重要的实证问题。LVP 在地块间的分布是保持空间独立性,还是表现出由更广泛的情境力量驱动的额外空间依赖性?
从理论角度看,土地整理后的 LVP 可能通过两种替代的空间机制进行构建:
•空间相互作用(内生效应)——其中一个地块的价值直接影响邻近地块。
•空间结构化的未观察因素(外生情境效应)——其中空间聚集的被省略变量驱动价值模式。
区分这些机制至关重要。如果 LVP 主要由内生相互作用驱动,政策干预应侧重于空间扩散策略。反之,如果空间依赖性源于未观察的情境因素,必须重新考虑结构设计变量,如灌溉设计、基础设施布局或环境梯度。
尽管这些机制在理论上很重要,但实证土地整理研究很少使用空间计量建模来区分它们。文献缺乏明确检验土地价值空间依赖性的地块级分析,并比较替代空间模型。Mallios 等人(2009)比较了农业用地灌溉水估值中的空间滞后模型和空间误差模型,发现空间误差模型更优。Kostov(2009)对北爱尔兰农业用地价格应用了空间分位数回归,确定了市场细分间的异质性空间依赖性。Dong 等人(2015)开发了一种方法来区分北京地块级土地定价数据中的空间相互作用效应和情境群体效应。然而,这些来源没有专门针对土地整理后的背景。
本研究通过调查土地整理后的 LVP 是否具有空间结构以及识别这种结构背后的机制来解决这一缺口。使用地块级数据,估计以下模型:
•普通最小二乘法(OLS)模型作为基线,
•空间滞后模型(SAR)以捕捉内生相互作用,
•空间误差模型(SEM)以捕捉空间结构化的省略效应。
然后使用似然统计量、AIC 值和残差空间诊断比较这些模型。
本研究以三种方式为土地整理文献做出贡献。首先,它引入了一种空间计量框架来评估后整理土地价值重组。其次,它将综合指标构建与正式的空间依赖性诊断整合在一个统一的分析框架中。第三,它证明后整理土地价值模式不仅由地块级特征塑造,还由更广泛的空间结构情境效应塑造。通过将空间自相关分析与竞争性的空间计量模型相结合,本研究推进了评估农村重组政策的方法论方法。
2. 方法
2.1. 研究区域
研究区域由土耳其科尼亚省 Güneys?n?r 区 Alan?zü 社区的一个土地整理实施区组成,这是土耳其的一个高产农业区(图 1)。项目总面积约为 153 公顷。研究区域的土地整理项目是通过参与式、自愿的土地重划框架实施的。该过程包括与土地所有者协商以及地块布局的技术重新设计,以改善农业可达性和空间效率。2015 年人口普查记录的人口为 616 人,2025 年下降至 546 人。该地区有 333 名土地所有者。土地整理前,土地所有者拥有 683 个地籍地块;平均农业地块面积为 2235 平方米;每位土地所有者拥有 2.08 个地块;运输系统长度为 6587 米;260 个地块(21%)直接从运输系统中受益。该地区的农业生产以谷物种植为特征,特别是大麦和小麦,同时还包括水果种植和葡萄种植,表明这是半干旱中亚内陆农村系统典型的混合耕作结构。
下载:下载高分辨率图像 (353KB) 下载:下载全尺寸图像
图 1. 研究区域的地理位置图和土地整理前后地块结构。
土地整理前,地块结构表现出高度碎片化、不规则的地块几何形状、某些子群中有限的可达性以及异质的土壤质量分布。这些结构特征使该地区成为评估土地整理对土地价值形成能力空间影响的适当案例。
土地整理后,地块数量减少至 303 个,减少了 55.6%。同时,平均地块面积增加至 4790 平方米,相当于增加了 114.3%。这些数字表明了重大的结构转型。道路网络长度增加至 11185 米,反映了运输基础设施扩展了 69.8%。最重要的是,后整理规划确保 100% 的地块获得了通往道路系统的直接通行权。这些结构改进构成了评估后续分析中 LVP 和空间不平等模式变化的基础。地块几何形状在投影坐标参考系统(WGS 1984 UTM 第 36 带 N)中处理,确保面积、距离和邻接计算的度量准确性。
使用 ArcGIS Pro 进行地块几何形状预处理、拓扑验证、质中心生成、CI 计算、道路可达性测量和土壤质量空间叠加操作。所有空间预处理和指标构建步骤均在 ArcGIS Pro 环境中完成。R 用于实现空间权重矩阵、估计 OLS 回归、进行 Moran's I 残差诊断、估计 SAR 和 SEM,以及使用 AIC 和对数似然度量比较模型。
2.2. LVP 的概念框架
土地整理项目通常使用物理和经济绩效标准进行评估,例如地块扩大、碎片化减少、基础设施改善或成本效率。然而,这些标准并没有直接捕捉到空间重组所产生的结构价值形成能力。为了解决这一缺口,本研究将 LVP 概念化为一个操作指标,代表土地整理过程中农业土地单元的结构价值形成能力。与观测到的市场价格不同,LVP 不衡量已实现的价值。相反,它代表地块根据其空间配置、可达性条件和内在土地质量产生价值的潜在能力。在此意义上,LVP 被视为一种结构性的、受空间条件制约的潜力,而不是市场结果。LVP 指标应被解释为一种反映生产力相关价值组成部分的空间结构化代理变量,在概念上更接近于基于收入的估值方法,而不是基于市场销售比较方法的替代品。
在本研究中,LVP 构建为源自三个基本组成部分的综合准则:
•紧凑度指数(CI):反映几何规则性和操作效率。改善的紧凑度降低了操作成本并增强了对机械化的适用性。表明地块形状质量的 CI 定义为(Polsby and Popper, 1991):
CI = 4πA / P2
其中 A 是地块面积,P 是地块周长
•道路可达性:代表与运输基础设施的物理连通性,这影响物流效率和市场整合。
•土壤质量:捕捉内在的农业生产力潜力。
这些组成部分共同代表了价值形成能力的几何、基础设施和生物物理决定因素。这一选择基于土地整理理论,该理论强调减少碎片化、改善可达性和提高生产力为主要目标。
2.2.1. 数据标准化
因为所选标准以不同单位衡量,所以需要标准化以确保可比性。所有标准均使用最小 - 最大缩放进行归一化(Han 等人,2022)。
x'ij = (xij - min(xj)) / (max(xj) - min(xj))
其中 xij 是地块 i 组件 j 的原始值,x'ij 是范围 [0,1] 内的标准化值。
2.2.2.
## 使用最佳-最差法(BWM)确定权重
为避免任意赋权或等权重假设,采用最佳-最差法(BWM)确定准则权重。BWM是一种多准则决策技术,能够减少成对比较中的不一致性。BWM的程序包含四个步骤(Rezaei, 2015):
- 识别最佳(最重要)和最差(最不重要)准则。
- 最佳与其他准则比较:使用偏好标度(1–9)将最佳准则与所有其他准则进行比较。
- 其他与最差准则比较:将所有准则与最差准则进行比较。
- 优化模型:通过最小化推导比较值与参考比较值之间的最大绝对偏差,获得最优权重。
计算准则的最优权重(wi)和一致性指标。若一致性指标接近"0",则表明具有高度一致性。Y?lmaz和Uyan(2025)已对BWM进行了全面阐述。
### 2.2.3. 最终LVP计算
在进行空间计量建模之前,将LVP指标构建为一个加权综合测度,整合了CI(紧凑指数)、道路通达性和土壤质量。准则权重通过BWM获得。道路通达性被确定为最重要的准则,而CI被选为最不重要的准则。最终权重如表1所示:道路通达性为0.529,土壤质量为0.265,CI为0.206。BWM的一致性比率为0.078,表明判断一致性可接受。
**表1. LVP构建中使用的BWM派生权重**
| 准则 | CI | 道路通达性 | 土壤质量 |
|------|------|------------|----------|
| 权重(wi) | 0.206 | 0.529 | 0.265 |
LVP的计算采用标准化准则的加权线性组合:
LVP = w?·CI + w?·道路通达性 + w?·土壤质量
分别计算了整治前和整治后地块的LVP值。较高的LVP值表明由几何特征、通达性和土壤相关特性所衍生的土地价值潜力更大。
### 2.3. 空间权重矩阵构建
空间依赖性通过基于8最近邻(8-NN)准则构建的空间权重矩阵(W)进行建模。在此设定下,每个地块根据其质心到质心的欧几里得距离与最近的八个相邻地块相连。选择8-NN方法是因为研究区的农业地块呈现不规则的尺寸、形状和空间配置。在此条件下,基于邻接的方法可能产生孤立观测值或高度不均衡的邻域结构,而8-NN设定确保每个地块具有相同数量的邻居,并产生适合空间计量建模的全连接空间权重矩阵。
此外,农业地块之间的潜在空间相互作用不仅限于共享边界,还可能通过道路通达性、环境条件和耕作实践等邻近相关因素产生。因此,基于距离的邻域定义被认为更适合表示研究区的空间依赖性。
空间权重矩阵具有以下特征:
- 地块数量:303
- 邻域准则:8最近邻
- 平均邻居数:8
- 行标准化权重(style = W)
- 非对称邻居结构
行标准化确保空间滞后变量代表相邻观测值的加权平均值,便于解释和比较空间回归系数。
### 2.4. 空间计量建模框架
在完成LVP准则构建后,下一个分析阶段旨在考察整治后LVP的决定因素,同时明确考虑空间依赖性。忽视空间相互作用可能导致有偏或低效的估计量。因此,实施了一种结构化的空间计量建模策略。
空间模型的被解释变量为LVP?,代表地块i的整治后LVP。
解释变量包括:
- **ΔCI(紧凑指数变化)**:捕捉整治后的几何改善程度。
ΔCI = (Post_CI ? Pre_CI) / Pre_CI
- **碎片化指数(fragindex)**:表示结构碎片化水平。
FragIndex = 贡献于整治后地块的整治前地块数量
- **Pre-LVP**:整治前的基准土地价值潜力。
Pre_LVP_weighted,j = Σ? (Pre_LVP? × X_Overlap_Area?? / Sum_pre_Area?)
为确定整治后LVP是否通过地块间的直接交互作用或空间结构化环境准则而生成,构建了三个模型:
- 普通最小二乘法(OLS)
- 空间滞后模型(SAR)
- 空间误差模型(SEM)
这种分层建模策略有助于识别空间依赖性运作机制。
比较OLS、空间滞后(SAR)和空间误差(SEM)模型有助于识别整治后土地价值形成背后的空间依赖性形式。OLS假设空间独立性,SAR捕捉相邻空间单元之间的内生交互效应,而SEM则考虑由未观测到的环境过程引起的空间依赖性。因此,比较这些竞争性设定为确定土地价值潜力中的空间聚集是源于直接空间交互作用还是源于更广泛的空间结构化环境和基础设施条件提供了严谨的框架。
#### 2.4.1. 普通最小二乘法(OLS)
这是一种非空间统计方法,用于建模被解释变量与一个或多个解释变量之间的关系。它假设观测值在空间上是独立的且随机分布的,即一个位置的值不影响另一个位置的值(Gao等,2020;Moindjié等,2022)。
基准设定为经典线性回归模型:
LVP? = β? + β?ΔCI? ? β?fragindex? + β?pre-LVP? + ε?
#### 2.4.2. 空间滞后模型(SAR)
也称为SLM,这是一种考虑被解释变量中空间自相关的空间自回归模型(Ismaila等,2022)。该模型认为,特定位置的产出由相邻位置的产出共同决定,有效地捕捉了"溢出"效应(Bidanset和Lombard, 2014;Moindjié等,2022)。
如果土地价值潜力受到相邻地块价值水平的直接影响,则空间依赖性通过被解释变量本身发挥作用。这一机制由SAR捕捉:
LVP? = ρ·Σ?w??LVP? + X?β + ε?
其中w为空间权重矩阵,ρ为空间自回归系数。
若ρ > 0,则高LVP地块倾向于被其他高LVP地块包围,表明存在溢出效应。当空间交互作用反映市场扩散、结构连续性或整治导致的聚集时,该模型适用。
#### 2.4.3. 空间误差模型(SEM)
该模型考虑误差项(残差)中的空间依赖性,而非被解释变量中的空间依赖性(Ismaila等,2022)。它特别适用于捕捉遵循空间模式的未测量解释变量的影响,或纠正由空间测量误差引起的偏差(Moindjié等,2022)。
如果空间依赖性不是由直接交互作用引起的,而是由遗漏的空间相关因素引起的,则空间过程存在于误差项中。
SEM的定义为:
LVP? = X?β + u?
u? = λ·Σ?w??u? + ε?
其中λ为残差中的空间自相关参数。
空间依赖性源自遗漏的空间结构化过程。地块之间不存在LVP的直接溢出效应。当空间聚集反映环境背景效应而非地块间交互作用时,SEM适用。
#### 2.4.4. 空间模型选择程序
为确定合适的空间回归设定,采用了一种序贯诊断程序,遵循Anselin(1988)和Elhorst(2014)的建议。首先,估计OLS模型作为基准设定。然后使用全局Moran's I检验OLS残差中是否存在空间依赖性。随后,采用Rao's Score(RS,原拉格朗日乘数)诊断来识别所检测到的空间依赖性更符合空间滞后过程还是空间误差过程。根据这些诊断结果,同时估计SAR和SEM。
OLS模型不作为最终解释模型进行解释,仅作为诊断基准来评估空间依赖性的存在。与标准空间计量实践一致,Moran's I和RS诊断的证据随后用于确定是否需要空间回归模型,并指导选择最合适的设定。
#### 2.4.5. 模型比较与选择
使用以下指标比较模型:
- 对数似然值
- 赤池信息准则(AIC)
- 似然比(LR)检验
选择AIC最低的模型作为首选设定。此外,对每个空间模型进行残差Moran's I检验,以评估空间自相关是否得到了充分控制。
#### 2.4.6. 后估计诊断
对选定的空间模型,检查以下内容:
- 空间参数(ρ或λ)的统计显著性
- 相对于OLS的对数似然值改善
- 残差空间独立性(模型残差的Moran's I)
此步骤确保空间设定不当的问题已得到充分解决,最终模型得出了无偏且高效的参数估计。
完整的方法论框架在图2中以示意图形式总结。

## 3. 结果
### 3.1. 描述性数据结构
本研究所包含的303个农业地块均经历了整治。构建的LVP指数显示研究区存在可测量的变异性,表明整治后价值形成能力存在结构异质性。
根据表2,整治后LVP的离散程度大于整治前水平,表明土地整治后存在结构性分化。ΔCI的负均值表明紧凑性改善在各地块间并不均匀,而碎片化指数的高方差则反映了研究区内异质的结构条件。
**表2. 模型变量的描述性统计**
| 变量 | 均值 | 标准差 | 最小值 | 最大值 |
|------|------|--------|--------|--------|
| Post-LVP | 0.737 | 0.128 | 0.502 | 1.327 |
| ΔCI | ?0.161 | 0.240 | ?0.641 | 0.620 |
| fragindex | 3.036 | 3.666 | 1 | 45 |
| Pre-LVP | 0.492 | 0.093 | 0.188 | 0.951 |
根据图3,整治前LVP值主要集中在低到中等等级(0.18–0.70)。高价值地块(>0.90)相对有限且空间上分散。空间格局呈现异质性但弱聚集特征,没有明显的主导高价值核心。外围区域价值潜力较低,表明整治前存在结构性劣势。整治前LVP分布反映了一种碎片化的空间结构,高价值集中度有限,价值异质性相对分散。
整治后LVP值明显向较高价值等级转移。最高等级(1.10–1.33)地块的出现更为显著。深色聚集区(高LVP区域)相比整治前结构表现出更强的空间集中度。价值分化增加,表明发生了结构性重组。整治后,空间格局显示出更清晰的分化特征,出现了新的高价值聚集区,形成了更结构化的空间层级。

对整治前和整治后LVP图的视觉比较揭示了一次结构性重组。整治前格局反映出分散的、相对薄弱的价值集中,而整治后配置显示出高价值聚集区的更清晰出现。这表明整治不仅增加了价值潜力,还重塑了其在农业景观中的空间分布。
根据图4,整治前LISA图显示了一种弱而碎片化的局部聚集模式。高-高聚集区有限且空间上不连续,而低-低聚集区主要集中于研究区的西北部。大量地块在统计上不显著,表明整治前存在相对分散的空间结构。

整治后LISA配置显示出局部空间依赖性的结构性转变。虽然强高-高聚集区变得不那么明显,但高-低聚集区出现,表明形成了高价值地块被相对较低价值邻居包围的格局。这种模式表明空间分化增加,而非同质性聚集。
LISA聚集图的比较表明,整治改变了LVP的局部空间依赖结构。整治前格局表现出弱而碎片化的聚集,而整治后配置显示出增加的空间分化,以高-低聚集区的出现为标志。这表明整治在重塑地块层面的价值潜力,但未产生均匀的空间集中。
### 3.2. 基准OLS模型
OLS模型作为基准设定,在空间诊断和后续模型选择之前进行估计。
根据表3、表4,所有解释变量均统计显著,且与整治后LVP正相关。然而,残差诊断表明存在空间设定不当。
**表3. OLS回归结果**
| 变量 | 系数 | 标准误差 | t值 | p值 |
|------|------|----------|-----|------|
| 截距 | 0.5871 | 0.0404 | 14.53 | <0.001 |
| ΔCI | 0.1067 | 0.0303 | 3.52 | 0.0005 |
| fragindex | 0.0117 | 0.0018 | 6.48 | <0.001 |
| Pre-LVP | 0.2666 | 0.0748 | 3.56 | 0.0004 |
**表4. OLS模型诊断**
| R2 | 调整R2 | F统计量 p值 |
|-----|---------|-------------|
| 0.270 | 0.263 | <0.001 |
RS诊断(原拉格朗日乘数检验)确认了OLS残差中存在显著的空间依赖性(表5)。RS-Lag和RS-Error统计量均统计显著,表明观测到的空间依赖性可能同时通过内生交互作用和空间结构化误差过程产生。因此,同时估计了SAR和SEM设定,并使用模型拟合统计量(AIC和对数似然值)以及后估计残差诊断进行评估。
**表5. 空间模型选择的RS诊断**
| 诊断检验 | 统计量 | p值 |
|----------|--------|------|
| RS Error | 51.968 | <0.001 |
| RS Lag | 17.082 | <0.001 |
| Adjusted RS Error | 54.807 | <0.001 |
| Adjusted RS Lag | 19.922 | <0.001 |
根据表6,显著为正的Moran's I表明存在强烈的残差空间自相关,意味着违反了独立性假设。这证实了OLS在空间依赖性下统计上是不充分的。
**表6. OLS残差的Moran's I检验**
| Moran's I | z值 | p值 |
|-----------|------|------|
| 0.198 | 7.47 | <0.001 |
图5展示了OLS残差的Moran散点图。回归线的正斜率(R2 ≈ 0.14)表明残差结构中存在空间聚集。位于右上象限(高-高)和左下象限(低-低)的地块表明存在局部空间依赖性,违反了OLS的经典独立性假设。正斜率确认了在OLS设定下空间自相关的存在。该图违反了OLS的独立性假设并证明了空间依赖性的存在。空间聚集的存在表明OLS未能完全捕捉嵌入在LVP动态中的空间结构。因此,这些证据证明了空间模型的必要性,且转向SEM/SAR在方法论上是必然的。

图6中的局部空间关联指标(LISA)聚集图进一步证实了这一视觉模式。识别出若干统计显著的聚集区。高-高(HH)和低-低(LL)聚集区揭示了空间结构化模型误差的局部集中区域。
此外,高低(HL)和高低(LH)异常值表示地籍单元与相邻残差模式存在系统性偏差的区域。这些聚类群的出现表明OLS模型存在空间错设问题。
下载:下载高分辨率图片(130KB)下载:下载完整尺寸图片 图6. OLS残差的LISA聚类图。
**3.3 空间滞后模型(SAR)**
对数似然值 = 247.66
AIC = -483.32
表7中,正向且显著的ρ系数表明LVP形成过程中存在空间溢出效应。然而,需要进一步比较才能确定空间依赖主要通过滞后过程还是误差过程起作用。
表7. SAR模型结果。
| 变量 | 系数 | 标准误 | z值 | p值 |
|------|------|--------|------|------|
| 截距项 | 0.3600 | 0.0650 | 5.54 | < 0.001 |
| ΔCI | 0.1364 | 0.0293 | 4.66 | < 0.001 |
| fragindex | 0.0112 | 0.0017 | 6.44 | < 0.001 |
| pre_LVP | 0.2088 | 0.0727 | 2.87 | 0.004 |
| ρ(空间滞后) | 0.359 | 0.078 | 4.61 | < 0.001 |
**3.4 空间误差模型(SEM)**
估计SEM以检验空间依赖是否由遗漏的空间结构化过程驱动(表8)。
表8. SEM模型结果。
| 变量 | 系数 | 标准误 | z值 | p值 |
|------|------|--------|------|------|
| 截距项 | 0.6445 | 0.0460 | 14.03 | < 0.001 |
| ΔCI | 0.2124 | 0.0302 | 7.02 | < 0.001 |
| fragindex | 0.0102 | 0.0016 | 6.27 | < 0.001 |
| pre_LVP | 0.1983 | 0.0822 | 2.41 | 0.016 |
| λ(空间误差) | 0.567 | 0.069 | 8.24 | < 0.001 |
对数似然值 = 261.26
AIC = -510.51
空间误差系数(λ = 0.567)为正值且高度显著,表明未观测因素中存在强空间自相关性。
相比之下,空间误差模型(SEM)的残差诊断显示出截然不同的模式。如图7所示,残差不再呈现系统性的空间聚类。地图以不显著区域为主,先前观察到的HH和LL聚集现象基本消失。
下载:下载高分辨率图片(132KB)下载:下载完整尺寸图片 图7. SEM残差的LISA聚类图。
该视觉证据与SEM残差不显著的Moran's I统计量相吻合,表明模型的误差结构已成功捕捉到空间依赖性。因此,SEM设定成功解释了影响LC后LVP的空间结构化遗漏变量。
**3.5 模型比较**
尽管RS诊断表明同时存在滞后依赖和误差依赖,但模型比较结果(表9)明确支持SEM设定。与SAR模型相比,SEM产生了最低的AIC和最高的对数似然值。此外,SEM估计后残差空间自相关性消失(表10和图7),表明剩余的空间依赖性已被空间误差过程成功捕捉。因此,选择SEM作为最终解释模型。
表9. 模型比较。
| 模型 | AIC | 对数似然值 |
|------|------|------------|
| OLS | -470.36 | — |
| SAR | -483.32 | 247.66 |
| SEM | -510.51 | 261.26 |
表10. SEM残差的Moran's I。
| Moran's I | z值 | p值 |
|-----------|------|------|
| -0.019 | -0.58 | 0.72 |
**3.6 残差空间独立性检验**
根据表10,不显著的Moran's I表明空间自相关性已被成功消除。
根据核心实证发现,LC后LVP中存在空间依赖性,且主要机制不是地块之间的直接溢出效应(SAR),而是空间结构化的上下文过程(SEM)。这表明LC后土地价值形成主要受空间嵌入的结构条件影响,而非相邻地块之间的直接相互作用。
**4. 讨论**
LC传统上通过结构和几何改善进行评估,如地块扩大和碎片化减少。然而,LC干预的空间经济后果仍缺乏充分的建模。尽管大量研究证实LC提高了运营效率,但只有少数研究明确检验这些改善是否产生了空间结构化的价值转变。
除了总体效率提升之外,LC成果还必须评估参与土地所有者之间的分配公平性。在当代LC实践中,一个基本原则是再分配不应系统性地使个别所有者处于不利地位,因为此类结果可能损害LC项目的合法性和可接受性。因此,空间显式评估为确定价值转变是空间均衡还是集中在特定地点提供了一个重要的分析框架。
图5、图6、图7中的对比残差诊断为土地价值潜力形成背后的空间机制提供了关键洞见。OLS残差的空间聚类(图5、图6)表明,地块级LVP并非在空间中独立生成。相反,价值形成似乎嵌入在一个空间结构化的过程中。忽略这一结构会导致偏差推断并低估空间溢出动态。OLS残差中显著的空间自相关确认了LC后LVP具有空间结构。这一发现与Anselin(1988)的基础框架一致,该框架确立了忽略空间依赖性会导致偏差推断。Elhorst(2014)和Dargel(2021)强调,由于共享的环境、基础设施和制度背景,土地利用和农业变量几乎总是表现出空间交互效应。本研究的发现与这一当代认识相符。
SEM设定下聚类现象的消失(图7)表明,空间依赖性主要通过未观测的上下文效应而非相邻地块之间的直接价值扩散起作用。从理论角度来看,SEM也比SAR模型更适合表示土地整合中的空间过程。在地块再分配后,相邻地块不被预期通过内生交互直接决定彼此的土地价值潜力。相反,地块同时受到共同的空间结构化因素影响,包括道路基础设施、灌溉网络、环境条件、规划决策和当地地形。这些共享的上下文因素通过误差过程而非直接的地块间价值传递产生空间依赖性,为本研究中SEM优于SAR的表现提供了理论依据。换言之,LC后LVP不仅由地块内部特征塑造,还受到更广泛的、空间相关的环境和基础设施因素影响。诊断检验和土地整合的理论特征均支持SEM而非SAR设定。这一结果在LC背景下尤为重要。它表明LC重塑了更广泛的空间配置(道路可达性模式、土壤质量集群和景观连续性),从而产生结构化的残差依赖性。Song和Ren(2022)以及Xu等人(2023)同样证明,在农村重组过程中,上下文空间效应通常主导直接交互效应。
这一发现对土地整合政策具有实质性的意义。它表明,地块再分配并不能完全消除既有的空间价值结构;相反,整合与空间嵌入的上下文条件相互作用。从方法学角度来看,研究结果表明,空间计量建模不仅是统计上的改进,更是理解整合项目中价值再分配的必需要求。通过消除残差空间自相关性,SEM框架为价值形成提供了结构一致性的表示,强化了土地整合成果必须在空间显式分析框架内评估的论点。
本研究侧重于解释LC后LVP的空间结构,而非估计地块集聚相关的经济溢价。尽管后者是一个重要且有前景的研究方向,但它需要一个以邻里溢出机制、共享基础设施和协调农业生成为中心的不同概念框架。因此,未来研究可能通过明确评估空间聚类的整合地块是否在地块级改善之外产生额外的价值溢价,来扩展本研究的空间计量框架。此类分析将补充而非取代本研究开发的空间显式评估框架。
对于研究区域,结果表明未来的LC干预应优先改善道路可达性和高度碎片化地块群的重新组织,因为这些因素构成了LVP的主要组成部分。LC后空间聚类的持续存在表明,仅靠地块再分配可能不足以减少空间差异。因此,应同时设计可达性投资、田间道路规划和地块重新分配策略,特别是在可达性低且所有权结构碎片化的区域。此外,在规划阶段使用Moran's I和LISA分析等空间诊断工具,可能有助于识别整合效益可能仍然空间不均的位置,使规划者能够在项目实施前制定更均衡的再分配方案。
土地碎片化已被广泛分析为一种结构性低效(Liu等人,2022;Zhou等人,2022;Pu等人,2024;Ye等人,2024)。本研究将碎片化视为空间配置问题,而不仅仅是几何问题。研究结果扩展了这一视角。碎片化指数变量在OLS、SAR和SEM模型中均保持统计显著性,但SEM结构显示其影响部分是空间结构化的。这表明减少碎片化不仅改善了个别地块,还重新组织了空间邻接系统。
Pre-LVP的统计显著性确认了空间持久性。然而,LISA图揭示了聚类的部分重组。一些高-高聚类消散,而其他聚类则发生地理位移。这表明LC修改了空间不平等模式,但未完全消除继承的空间结构。Meena等人(2024)、Amouzay和El Ghini(2025)、Gospodarowicz等人(2025)以及Kim等人(2026)证明,结构性干预通常产生受控的再分配而非完全的空间均质化。我们的结果与此模式一致。因此,LC应被视为空间优化器而非空间均衡器来概念化。
LC研究通常依赖于描述性的干预前后比较或确定性的效率指标。相比之下,本研究引入了推断性空间检验(Moran's I)、竞争性空间过程模型(OLS-SAR-SEM)以及通过AIC和残差空间诊断进行的模型比较。这使得LC成果评估符合当代空间计量标准。本研究填补了农村土地重组研究与现代农业经济学、环境经济学和区域规划中日益使用的现代空间计量建模方法之间的方法论差距。
在解释结果时,应考虑本研究的几个局限性。首先,分析基于LC后的横截面观察数据,因此未能捕捉到农业生产力或土地利用动态的长期变化。其次,研究主要关注地块级的空间特征和结构特征,未纳入农户层面的社会经济变量,如农民收入、所有权偏好或对再分配决策的行为反应。此外,虽然空间计量模型成功识别并解释了空间依赖模式,但一些影响土地整合成果的制度和决策过程可能仍未被观测到。
另一个局限性在于使用LVP作为分析推导的综合指标,而非观测到的市场交易价格或农业收入的直接衡量。因此,估计的关系不应被解释为实际土地市场价值变化的因果估计。相反,该分析旨在在LVP指标定义的概念框架内识别LC后土地价值潜力的空间结构和统计决定因素。这一区别很重要,因为综合指标必然代表对潜在现象的结构化近似,而非直接观测的经济结果。然而,这一局限性并不使空间分析失效;相反,它界定了估计关系应被解释的范围。未来研究可以补充观测到的土地交易价格、农场层面的生产力指标和纵向数据,以检验通过LVP识别的空间模式是否也反映在实际经济价值中。
**5. 结论**
本研究通过将综合LVP指标整合到正式的空间计量建模框架中,评估了LC的空间重组效应。实证结果清楚地表明,在空间独立性假设下无法充分解释LC后的LVP。OLS残差的显著Moran's I统计量确认了非空间回归的错设问题,需要明确处理空间依赖性。
对比模型诊断表明,SEM在AIC和对数似然值上均优于OLS和空间滞后设定,表现最强。空间误差参数的显著性(λ = 0.566,p < 0.001)以及SEM估计后残差空间自相关性的缺失,确认了LC后LVP的空间依赖性主要源于空间结构化的未观测过程,而非内生交互效应。这一发现意味着LC重组了更广泛的空间配置,如可达性模式、土壤质量集群和景观连续性,其影响未被可观测的地块级属性完全捕捉。
Pre-LVP作为显著预测变量的持续存在,连同观察到的LISA聚类模式重组,表明土地整合重塑而非消除了继承的空间结构。在计量经济学意义上,整合改变了系统的空间误差结构,从而修改了潜在的空间数据生成过程。这提供了实证证据,表明土地整合是嵌入在结构化空间均衡中的空间再分配机制。
从方法论角度来看,本研究强调了将综合指标构建嵌入严格的空间诊断序列的重要性,该序列从全局空间自相关检验逐步推进到竞争性空间模型设定和估计后残差验证。通过这样做,本研究建立了一个可复制的框架,用于在当代空间计量标准下评估农村重组政策。
从政策角度来看,将空间计量诊断整合到LC规划中,可以帮助决策者在最终确定再分配计划之前识别局部分配效应。这些分析工具可以提高协商过程的透明度,增强土地所有者的接受度,并降低土地所有者之间空间集中的不满风险。这突显了空间建模方法不仅作为评估工具,还作为参与式LC项目中主动规划支持工具的潜力。此外,研究结果强调,LC政策应在效率提升与空间公平考量之间取得平衡。
尽管土地整理能够改善农业结构条件,但规划者还必须确保再分配结果不会造成非预期的福利差异。因此,空间显式评估框架可以在支持更具包容性和社会可持续性的农村重组战略中发挥关键作用。总体而言,研究结果表明,土地整理不应仅仅被视为地块尺度上的几何干预措施,而应被理解为一个重新定义农业价值潜力空间随机结构的过程。忽视这一维度将导致有偏推断和不完整的政策评估。作者贡献声明:Mevlut Uyan:写作–审阅与编辑、写作–初稿撰写、可视化、验证、软件、资源、方法论、调查、形式分析、数据整理、概念化。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号