四川省乡村聚落空间格局的多尺度驱动机制研究

Research on multi-scale driving mechanisms of spatial patterns of rural settlements in Sichuan Province

摘要

目的 探析不同空间尺度下的四川省乡村聚落空间格局特征及驱动机制，以期为优化乡村聚落空间格局及全面落实乡村振兴战略提供科学依据。 方法 运用GIS空间分析法分析2020年四川省乡村聚落多尺度空间格局特征，进而运用最优参数地理探测器（OPGD）和多尺度地理加权回归模型（MGWR），探讨了县域尺度与网格尺度下乡村聚落空间格局的驱动因素及空间异质性。 结果 （1） 四川省乡村聚落空间分布集聚态势明显，呈“一带单核”空间格局，空间质心位于成都南部，空间分布方向与山脉走向基本一致。尺度越小，聚落空间分布局部特征越突出，集聚程度越显著。（2） 地理环境对乡村聚落空间格局的影响具有尺度效应，县域尺度比最优网格尺度的影响因子解释力强，坡度与社会经济因素在不同尺度对乡村聚落空间分布的影响均较大。（3） 经MGWR分析，四川省乡村聚落空间格局是多种因素共同作用的结果，自然环境塑造乡村聚落地域特色，区位交通促进乡村聚落集聚，社会经济推动乡村聚落转型。不同尺度驱动机制存在共性与特殊性。 结论 四川省乡村聚落“一带单核”的空间格局，是多因子协同作用的结果，各驱动因子的影响力存在明显的尺度效应与空间异质性。

Abstract

Objective This study analyzes the spatial pattern characteristics and driving mechanisms of rural settlements in Sichuan Province at multiple spatial scales and provides a scientific basis for optimizing rural settlement layout and fully implementing the rural revitalization strategy. Methods The GIS spatial analysis method was employed to analyze the multi-scale spatial patterns of rural settlements in Sichuan Province in 2020. Subsequently， the optimal parameters-based geodetector （OPGD） and the multi-scale geographically weighted regression （MGWR） models were applied to explore the driving factors and spatial heterogeneity of rural settlement patterns at both the county and grid scales. Results （1） The spatial distribution of rural settlements in Sichuan Province exhibited a clear clustering trend， forming a “one belt with one core” pattern. The spatial center of gravity was located in southern Chengdu， and the spatial distribution direction was generally consistent with the orientation of the mountain ranges. At smaller scales， local characteristics of settlement distribution became more pronounced， and the degree of agglomeration was more significant. （2） The influence of geographical environment on the spatial patterns of rural settlements exhibited scale effects. The explanatory power of driving factors was greater at the county scale than at the optimal grid scale. Slope and socio-economic factors had substantial effects on the spatial distribution of rural settlements across different scales. （3） MGWR analysis revealed that the spatial patterns of rural settlements in Sichuan Province resulted from the combined effects of multiple factors. The natural environment shaped the regional characteristics of settlements， location and transportation facilitated their agglomeration， and socio-economic factors drove their transformation. Commonalities and particularities coexisted in the driving mechanisms across different scales. Conclusion The “one belt with one core” spatial pattern of rural settlements in Sichuan Province arises from the synergistic effects of multiple factors. The influence of each driving factor demonstrates distinct scale effects and spatial heterogeneity.

Graphical abstract

关键词

乡村聚落 / 空间格局 / 多尺度 / 驱动机制 / 最优参数地理探测器 / 多尺度地理加权回归

Key words

rural settlements / spatial pattern / multi-scale / driving mechanism / optimal parameters-based geodetector / multi-scale geographically weighted regression

乡村聚落，又称为乡村居民点，是乡村地区各种形式的人口居住场所，即村落^［1］，其类型、形成、发展、分布规律是乡村聚落地理学研究的重点领域^［2］。伴随工业化与城镇化发展，乡村地区面临着乡村衰落、土地粗放、环境恶化等问题^［3］。在此背景下，2017年中国提出“实施乡村振兴战略”，深化农村改革，学界也对乡村聚落开展了深入研究。乡村聚落格局是人类活动与自然环境共同作用的结果，乡村聚落在不同尺度下呈现差异化的空间格局，尺度效应明显^［4］。因此，揭示多尺度下乡村聚落的空间格局特征及驱动机制，有助于依据区域特色制定有效的空间治理措施，推动乡村振兴与区域可持续发展。

国外关于乡村聚落的研究源于19世纪，研究内容逐步由乡村聚落物质实体向人类生存环境和社会问题综合研究转变^［5］。研究方法由定性描述向定量分析转变^［6］。总体来看，西方国家的研究日趋多元化，结合多学科理论对乡村聚落进行深入分析已成为主流。国内相关研究虽起步较晚，但近年来在聚落规模^［7］、空间演化^［8］、空间形态^［9］、空间重构^［10］等方面取得丰硕成果。研究方法上，空间分析方法多采用景观指数^［11］、最近邻指数^［12］、核密度分析^［13］、探索性空间数据分析^［14］等。影响因素方法主要为缓冲区分析^［15］、地理探测器^［16］、多元Logistic回归模型、因子分析法^［17］等。近年来Song等^［18］提出的最优参数地理探测器（Optimal Parameters-based Geodetector， OPGD），因其能够识别空间数据离散化分类方法与空间尺度参数的最优组合，能更好地揭示地理现象空间分异背后的驱动机制，使其被广泛运用。Sun等^［19］基于OPGD模型探究了双廊镇乡村聚落空间感知的关键影响因素及其交互机制。但OPGD模型忽视了影响因素的空间异质性，Fotheringham等^［20］提出了多尺度地理加权回归模型（Multi-scale Geographically Weighted Regression， MGWR），各变量选择最适合的尺度进行建模，能探究各影响因素作用机制的空间尺度差异^［21］。周向丽等^［21］基于MGWR模型，揭示了2002—2020年海口市乡村聚落演变影响因素的空间分异和尺度效应。研究尺度上，大多数研究聚焦于地级市^［15］、县级^［22］、网格^［23］等单一空间尺度，少数学者从多尺度角度分析乡村聚落空间格局特征，孔雪松等^［24］基于地块、网格、县域和省域4个尺度，探究了江苏省乡村聚落演化的特征及地域分异性规律。但对不同空间尺度下影响因素的比较分析相对不足，尚未系统揭示各尺度影响因素的共性和特殊性，对区域精准化空间规划的指导价值不足。

四川省作为农业与旅游大省，其乡村聚落分布具有显著的区域特色。近年来受城镇化影响，区域间城乡人地矛盾突出，城乡聚落格局差异显著。基于此，本文以四川省乡村聚落为研究对象，采用平均最近邻指数、核密度估计、标准差椭圆、空间自相关等方法，探讨四川省2020年乡村聚落多尺度空间格局特征，通过OPGD模型比较县域尺度与最优网格尺度的因子作用强度，构建MGWR模型探讨两个尺度下主要影响因素的空间异质性，进而揭示乡村聚落空间格局的多尺度驱动机制，在此基础上，提出分区优化与治理对策，以期为优化四川省乡村聚落空间格局及全面落实乡村振兴战略提供参考依据。

1 研究区与数据来源

1.1 研究区概况

四川省位于中国西南腹地，地处长江上游，介于26°03′—34°19′N，97°21′—108°33′E（图1），总面积48.6万km²，下辖18个地级市、3个自治州及183个县级行政区，划分为成都平原经济区、川南经济区、川东北经济区、攀西经济区、川西北生态示范区五大经济区。2024年全省常住人口8 364万人，地区生产总值64 697.0亿元。全省地势西北高东南低，西部以高原和山地为主，东部以盆地和丘陵为主。受地势和季风影响，各地气候差异显著，川东属亚热带湿润性气候，川西南属亚热带半湿润性气候，川西北属高山高原高寒气候。省内河网稠密，但空间分布不均。耕地资源集中于东部地势平缓区。随着城镇化加速，区域城乡矛盾突出，人地资源关系紧张，乡村聚落空间格局呈显著区域分异，部分地区乡村聚落布局不合理，人居环境较差。因此，科学识别乡村聚落布局差异背后的多尺度驱动机制，对区域空间规划与治理起重要作用。

1.2 数据来源及处理

基于前人研究及数据可获得性，本文选取2020年相关数据。利用ArcGIS 10.8.2从土地利用数据中提取农村居民点图斑，作为乡村聚落数据，通过ArcGIS 10.8.2统计与计算，四川省乡村聚落斑块数量共19 598个，总面积为2 379.38 km²。同时提取耕地数据（包括水田和旱地），其他自然环境、区位交通及社会经济数据来源详见表1。本文数据均在ArcGIS 10.8.2完成预处理，包括裁剪、投影和重采样等操作，统一采用WGS84_Albers投影坐标系，空间分辨率重采样至250 m。

2 研究方法

2.1 GIS空间分析法

2.1.1 平均最近邻指数

平均最近邻指数（Average Nearest Neighbor， ANN）是通过计算各乡村聚落斑块质心与其最近邻斑块质心之间的平均距离得出，是判断乡村聚落空间分布模式的常用方法^［12］，ANN<1，表示乡村聚落空间分布为集聚分布模式；ANN>1，表示离散分布模式；ANN=1，表示随机分布模式，且指数越小集聚程度越高^［25］。计算方法如下：

\mathrm{A}\mathrm{N}\mathrm{N}=\frac{{\gamma }_{\mathrm{\alpha }}}{{\gamma }_{\mathrm{\beta }}}=\frac{\sum \frac{d_{\mathrm{m}\mathrm{i}\mathrm{n}}}{n}}{\frac{\sqrt[]{\raisebox{1ex}{$n$}\!\left/ \!\raisebox{-1ex}{$A$}\right.}}{\mathrm{2}}}=\frac{\mathrm{2}\sqrt[]{\lambda }}{n}\sum d_{\mathrm{m}\mathrm{i}\mathrm{n}}（1）

式中：\mathrm{A}\mathrm{N}\mathrm{N}为平均最近邻指数；{\gamma }_{\mathrm{\alpha }}为乡村聚落点最近邻平均距离；{\gamma }_{\mathrm{\beta }}为乡村聚落点空间随机分布的理论平均值；d_{\mathrm{m}\mathrm{i}\mathrm{n}}为任一乡村聚落点与最近邻乡村聚落的距离；n为乡村聚落总数；A为区域总面积；\lambda为乡村聚落空间分布密度。

2.1.2 核密度估计

核密度估计是一种依据研究对象分布特征对未知密度函数进行非参数估计的空间分析方法，可反映乡村聚落空间分布的集聚程度^［13］，计算方法如下：

f\left(x\right)=\frac{\mathrm{1}}{nh}{\displaystyle \sum _{i=\mathrm{1}}^n}k\left(\frac{x-x_i}{h}\right)（2）

式中：f\left(x\right)为乡村聚落点的核密度估计值；k为核函数；n为乡村聚落点数量；h为带宽；\left(x-x_i\right)为两个乡村聚落点之间的估计距离。

2.1.3 标准差椭圆

标准差椭圆可以准确揭示乡村聚落的中心趋势、分散和方向趋势，用椭圆长轴的方向代表乡村聚落的主要分布方向，椭圆的中心反映乡村聚落在整体空间分布的相对位置^［26］。

2.1.4 空间自相关

空间自相关分为全局自相关与局部自相关，全局自相关（Global Moran′s I）可以分析研究对象在整个区域层面的空间关联程度；局部自相关（Local Indicators of Spatial Association， LISA）侧重研究对象在不同尺度的局部层面的空间关联程度^［27］。本文通过计算乡村聚落密度的全局Moran′s I指数，评估乡村聚落空间分布的集聚特征，并通过LISA聚类分析图识别不同空间分布中的聚类和异常值。全局Moran′s I指数计算方法如下：

I=\frac{{\displaystyle \sum _i^n}{\displaystyle \sum _{j\mathrm{*}i}^n}{w}_{ij}\left(x_i-\overline{x}\right)\left(x_j-\overline{x}\right)}{S^{\mathrm{2}}{\displaystyle \sum _j^n}{\displaystyle \sum _{j\mathrm{*}i}^n}{w}_{ij}}（3）

式中：n为乡村聚落数量；S^{\mathrm{2}}为乡村聚落核密度值的方差，x_i与x_j分别为空间单元i和j内的乡村聚落核密度值；\overline{x}为乡村聚落核密度值的均值；w_{ij}为空间权重矩阵。

2.2 最优参数地理探测器

地理探测器是探测地理现象的空间分异性，以及揭示其背后驱动力的统计方法，主要包括因子探测、交互式探测、风险探测和生态探测4个模块^［28］。OPGD是其改进模型，能选择解释力最强的自变量及最优参数组合，提高结果科学性与精准性^［18］。参数优化包括变量空间尺度优化和离散化参数优化。为对比县域尺度和网格尺度的驱动力异同，本文将研究区划分为6，7，8，9，10 km5种网格尺度，比较解释变量在不同尺度上的q值和q值的90%分位数，以解释变量q值的90%分位数最高的尺度作为最优网格尺度。在此基础上，进行离散化参数优化，采用等间距分类、自然断点法、分位数分类、几何间隔分类和标准差分类5种离散方法，分类数设为3~7类，选出q值最大的参数组合作为最优参数。随后，运用因子探测器和交互探测器揭示影响乡村聚落空间格局的关键影响因素及其交互作用机制，计算方法如下：

q=\mathrm{1}-\frac{\mathrm{1}}{N{\sigma }^{\mathrm{2}}}{\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}}（4）

式中：q为因子的解释力，\mathrm{0}\le q\le \mathrm{1}，q越大，解释力越强；L为因素的分层；N_h和N分别为层h和全区的单元数；{\sigma }_h^{\mathrm{2}}和{\sigma }^{\mathrm{2}}分别为乡村聚落核密度值在层h和全区的方差。

2.3 多尺度地理加权回归模型

MGWR模型能够有效阐述变量间的空间非平稳性，在经典GWR模型的基础上，允许在不同尺度选取最佳带宽，结果更真实可靠^［29］，因此，本文采用MGWR模型探究乡村聚落空间格局的多尺度驱动因素的空间分异性，计算方法如下：

y_i={\beta }_{\mathrm{b}\mathrm{w}\mathrm{o}}\left(u_i,v_i\right)+{\displaystyle \sum _{j=\mathrm{1}}^k}{\beta }_{\mathrm{b}\mathrm{w}\mathrm{j}}\left(u_i,v_i\right){x_i}_j+{\epsilon }_i（5）

式中：\left(u_i,v_i\right)为样本的空间坐标。y_i和x_{ij}分别为乡村聚落分布密度y和影响因素x_j在\left(u_i,v_i\right)点的观测值；{\beta }_{\mathrm{b}\mathrm{w}\mathrm{j}}为第j个影响因素在最优带宽下的回归系数；{\beta }_{\mathrm{b}\mathrm{w}\mathrm{o}}为\left(u_i,v_i\right)处的截距；\mathrm{b}\mathrm{w}\mathrm{j}和\mathrm{b}\mathrm{w}\mathrm{o}分别为第j个影响因素和截距的最优带宽；{\epsilon }_i为随机误差。

本文利用MGWR2.2软件构建乡村聚落密度与驱动因子之间的MGWR模型。核函数和带宽的选择标准遵循二次核函数和赤池信息准则（Corrected Akaike Information Criterion， AICc），并采用黄金分割算法进行最优带宽的搜寻。

3 结果与分析

3.1 四川省乡村聚落空间格局特征

3.1.1 四川省乡村聚落整体空间格局特征

运用ANN揭示乡村聚落的空间分布模式（表2），全省乡村聚落的理论最近邻距离远大于实际最近邻距离，ANN=0.367<1，且p<0.01，说明四川省乡村聚落整体呈集聚分布特征。川东北经济区、川西北生态示范区、成都平原经济区、攀西经济区、川南经济区的ANN分别为0.650，0.456，0.516，0.431，0.575，ANN均小于1，且p<0.01，表明五大经济分区的乡村聚落在地理空间上均为集聚分布态势，且呈现攀西经济区>川西北生态示范区>成都平原经济区>川南经济区>川东北经济区的集聚特征。核密度分析结果显示，四川省乡村聚落在空间分布格局上呈现“一带单核”的结构特征（图1），“一带”指的是，乡村聚落的高密度核心区沿着龙泉山呈南北向带状分布。“单核”指的是，乡村聚落仅有一个高密度核心区，位于成都平原，包括成都市、德阳、眉山、乐山。根据标准差椭圆结果可知，乡村聚落分布的空间质心位于成都南部，其椭圆长轴方向为北偏东37.98°，呈东北—西南走向，与龙泉山走向基本一致。

3.1.2 四川省乡村聚落空间格局的多尺度特征

从县域尺度看，四川省乡村聚落核密度呈现出明显空间集聚特征（图2A）。高密度区位于郫都、温江、新都、新津、崇州等区县，次高密度区分布在高密度区周围，上述地区地形平坦开阔、气候宜人、河网稠密且交通便利，为农村人口居住与发展创造了良好条件。低密度区主要分布在川西北地区，该地区自然环境复杂，地质灾害频发，限制大规模人口集聚。利用Moran′s I对核密度值进行全局空间自相关分析，结果显示Moran′s I=0.790，Z=41.164，p<0.01，表明乡村聚落在县域尺度上的分布具有显著的正向空间关联。为深入验证空间关联特征，将核密度值进行局部空间自相关分析（图2B），高—高聚集区主要分布在成都、眉山、绵阳等中部平原所辖区县；低—低聚集区主要位于阿坝州、甘孜州、凉山州、巴中、达州、乐山南部、雅安南部等区县；低—高聚集区的数量较少，主要分布于汶川县。

从网格尺度看，乡村聚落核密度的分布特征更为细致，呈现以成都平原为中心的“核心—外围”分布格局（图2C）。其中，成都市包含24个高密度区网格和29个次高密度区网格；眉山市有4个次高密度区网格；德阳市有8个次高密度区网格；川西北生态示范区以低密度区网格为主；川东北经济区、川南经济区、攀西经济区等整体以低密度及较低密度网格为主。网格尺度下，Moran′s I为0.907，Z=99.775，p<0.01，表明乡村聚落分布具有更强的空间正相关性。由LISA聚类图（图2D）可知，高值聚集区主要分布在成都、德阳、绵阳、眉山、乐山等地；低—低聚集区分布面积较大，网格数量较多，包括阿坝州、甘孜州高海拔山区、绵阳北部、泸州南部、雅安西部、眉山—乐山—凉山一带等地；低—高聚集区的数量最少，零星分布于高—高聚集区的边缘地带。

3.2 乡村聚落空间格局的多尺度驱动因子探测

3.2.1 影响因子的选取

为揭示四川省乡村聚落空间格局的影响因素，遵循指标选择的科学性与可行性，综合参考前人相关研究^{［8，16，23，26］}，围绕自然环境、区位交通和社会经济3个一级指标，构建四川省乡村聚落空间格局的影响因子指标体系（表3）。其中，自然环境作为乡村聚落空间布局的重要基础，选取高程、坡度、年平均气温、年降水量、NDVI、耕地比例和河网密度7个因子，以反映四川省乡村聚落分布所需的基础地形、气候、生态环境、耕作条件和水文条件；区位交通作为乡村聚落发展的重要支撑，选取路网密度，刻画区域可达性；社会经济因素作为乡村聚落转型的关键动力，选取GDP、人口密度、夜间灯光指数和4A，5A级景区密度4个因子，综合反映乡村聚落发展的经济支撑条件与社会发展基础。基于县级尺度和网格尺度提取影响因子的平均值（图3），并借助OPGD模型研究多尺度下乡村聚落空间格局驱动机制的共性与差异。

3.2.2 最优参数选择

本文借助RStudio 4.4.3中的GD包，计算所有解释变量在不同空间尺度上的q值和q值的90%分位数（图4）。研究发现解释变量q值的90%分位数呈先增加后减少趋势，在9 km网格尺度下达到最大值0.366，因此，使用9 km作为最优网格尺度，再进一步进行OPGD模型中的最优离散化、因子探测和交互探测分析。由图5可知，不同的离散方式与不同的分区数量组合方式，对q值具有明显影响，以平均坡度为例，当采用几何间隔分类且分类数目为7时，q值达到最大值0.397，说明此时参数为平均坡度的最优参数选择，其他驱动因子的参数优选过程与之相似，均遵循q值最大原则进行最优离散化。

3.2.3 驱动因素分析

采用最优参数地理探测器的因子探测，识别县域尺度与网格尺度单因子对乡村聚落空间分布的解释力（图6）。结果表明，两个尺度下的各驱动因子对乡村聚落空间分布均有显著驱动作用（p<0.01），网格尺度下影响因子的解释力均低于县域尺度。从县域尺度看，4A，5A级景区密度的解释力最强（q=0.647），其次为夜间灯光指数、人口密度、平均坡度和NDVI。从网格尺度看，平均坡度（q=0.397）和人口密度（q=0.366）是主要影响因素，其次是GDP，4A，5A级景区密度和夜间灯光指数。综上，在县域尺度和网格尺度层面，坡度与社会经济因素均对乡村聚落空间分布具有较强解释力。

与单因子探测相比，双因子交互探测结果显示（图7），在两个尺度下，大多数交互因子的解释力显著增强。在县域尺度下，各因子组合表现为双因子增强、非线性增强和单因子非线性减弱3种模式（图7A），除河网密度外，4A，5A级景区密度与其他因子交互作用均达到了最大值，q值均在0.647以上，其中4A，5A级景区密度与NDVI交互作用最强，q值高达0.835，表明二者对乡村聚落空间分异的解释力极强。在网格尺度下，任意两个因子交互作用呈双因子增强和非线性增强的效应（图7B），非线性交互作用中，平均坡度与耕地比例的交互作用解释力最强（q=0.601），双因子增强中，平均坡度与4A，5A级景区密度的交互作用解释力最强（q=0.620）。路网密度在两个尺度下与其他因子的交互作用均为双因子增强效应，可见交通可达性在多因子耦合中对乡村聚落空间分布具有稳定的增强作用。综上，四川省乡村聚落空间分异是地形条件、生态环境、耕地资源、区位条件、景区布局等多要素共同作用的结果。

3.3 多尺度分异的影响机制解析

3.3.1 影响因子筛选

为选取关键变量进行多尺度加权回归分析，文中将县域尺度与网格尺度下，单因子探测中q值排名前9的因子作为解释变量，利用普通最小二乘法（Ordinary Least Squares， OLS），筛选出方差膨胀因子（Variance Inflation Factor， VIF）小于7.5，显著性水平p<0.05的因子。县域尺度下筛选出年平均气温、路网密度、夜间灯光指数和4A，5A级景区密度4个因子，网格尺度下筛选出平均坡度、年平均气温、耕地比例、路网密度、夜间灯光指数和4A，5A级景区密度6个因子。

3.3.2 模型比较分析

分别运用OLS、GWR与MGWR模型计算筛选后的关键影响因子的回归系数（表4），结果显示，两个尺度下的MGWR模型的拟合优度R²与调整后R²均大于OLS和GWR模型，且AICc与残差平方和均为最低，表明在县域尺度与网格尺度下的MGWR模型的拟合度均为最优。变量带宽代表的是不同因素的作用尺度，带宽越小说明变量对乡村聚落空间布局的影响越局部化，空间异质性越强，反之则表示其具有更广泛的区域影响范围，空间异质性越小^［30］。由表4县域尺度的带宽，可知GWR模型的带宽均为64，而MGWR模型不同变量作用尺度不同。年平均气温、夜间灯光指数的带宽为182，4A，5A级景区密度带宽为168，这3个变量作用尺度大，空间异质性小；路网密度带宽为44，作为局部变量，空间异质性较强。表4中网格尺度的GWR模型带宽均为294，MGWR模型带宽更丰富。气温带宽为2 053，路网密度带宽为1 400，这两个因素在区域尺度上作用较明显；平均坡度与耕地比例带宽均为49，空间异质性最强；夜间灯光指数的带宽为61，4A，5A级景区密度的带宽为260，空间异质性较强。综上所述，MGWR模型不仅具有更优的拟合精度，变量带宽选择也更加灵活且科学，因此MGWR模型更适合分析不同变量对四川省乡村聚落的空间作用机制。

3.3.3 自然环境因素

年平均气温方面，两个尺度下年平均气温的回归系数均为负值，说明年平均气温对四川省乡村聚落空间分布总体具有负向效应。县域尺度下年平均气温的负值高值区位于川东北地区（图8A），受地形及地理位置影响，四川东部年平均气温普遍高于西部，进一步升温可能引发热害和病虫害，降低居住舒适度与农作物产量，从而抑制聚落发展。网格尺度下，年平均气温的回归系数绝对值较小（图9B），表明其对乡村聚落空间分布的负向影响相对较弱，系数值的空间格局与县域尺度类似，均呈现自东向西递增的趋势，与四川省气候带具有空间耦合性。

平均坡度方面，网格尺度下坡度与乡村聚落分布呈负向效应（图9A），回归系数空间分布差异显著，空间格局上，正值主要位于阿坝州-甘孜州接壤处、攀西东部及南部，这些区域海拔较高、坡度陡峭，当地藏族、羌族和彝族聚落依山而建，表明四川西部乡村聚落偏好分布在半山区地带。负向效应最强的区域位于成都平原，表明低海拔地区的乡村聚落偏向分布于坡度平缓的地区。

耕地比例方面，网格尺度下其对乡村聚落空间格局的异质性影响显著（图9C）。总体来看，回归系数表现为正负混杂，表明耕地在不同区域对乡村聚落分布的影响存在显著空间异质性。空间格局上，正值区域主要位于川西北生态示范区、攀西经济区、成都西部等，负值区域则集中于川东北经济区、川南经济区、成都平原经济区东部，其中成都平原经济区东部的负向效应最强，因其受到农业规模化、土地政策及人口流动的综合影响，乡村聚落空间呈现被挤占的趋势。

3.3.4 区位交通因素

路网密度方面，两个尺度下路网密度回归系数均值均为正，表明道路完善显著促进乡村聚落形成与发展。县域尺度下，正值高值区分布在成都、德阳西北部、雅安北部、阿坝州南部（图8B），主要是因为成都平原地区地势平坦，便于农村公路建设，改善了人居环境；阿坝州南部地形复杂，交通枢纽促进了乡村聚落的空间集聚与功能分化。网格尺度下，路网密度的系数值呈现以成都平原为核心、向周边地区逐渐递减的空间格局（图9D），进一步揭示交通可达性与乡村聚落空间格局之间的耦合与互动机制。

3.3.5 社会经济因素

夜间灯光指数方面，两个尺度下的回归系数空间分布差异显著。在县域尺度上，夜间灯光指数对乡村聚落分布起负向效应（图8C），川东北、成都平原北部、阿坝州东部等负向效应最强，可能因为成都平原北部城镇化水平高，城市扩张对乡村聚落空间形成挤压，而阿坝州东部及川东北地区受地形和生态条件限制，经济开发活动集中于地势平缓、水源充足的河谷地带，从而抑制了聚落扩张。相比之下，网格尺度的夜间灯光指数表现出更强的空间异质性，正值高值区集中于阿坝州北部、凉山州、攀枝花西北部、成都—眉山—乐山—宜宾一带（图9E），负值高值区位于成都、汶川、雅安交界地带，这反映出城乡要素在空间上存在双向流动特征，共同塑造了乡村聚落的空间分布格局。

旅游景区方面，两个尺度下的回归系数均值均为正，县域尺度下系数值呈现自西北向东南递减的格局（图8D），其中甘孜州北部、阿坝州等系数最高，说明经济相对滞后的山区，依托丰富的自然景观和独特的文化资源，旅游景区发挥显著的辐射带动作用，促进景区周边乡村聚落形成与发展。网格尺度下有89.14%的单元回归系数为正值（图9F），进一步印证景区建设利于乡村聚落集聚。但广元、巴中、达州、泸州、宜宾、凉山西南部等地对乡村聚落分布具有负向效应，可能是当地景区与聚落关联度不足，未来应实施差异化景区管理，强化景区与农村社区联动，促进乡村聚落多元化发展。

4 讨 论

乡村聚落空间格局的驱动机制是乡村聚落地理学的热点话题，文中通过OPGD和MGWR模型从多尺度角度分析乡村聚落空间格局的驱动机制，有利于揭示聚落分异规律，可以推广到更多地区的研究，为精准制定乡村空间治理政策提供科学依据。

与以往研究相比，文中主要贡献如下：（1） 在研究尺度方面，现有研究多基于单一空间尺度分析乡村聚落空间格局特征^{［15，25］}，文中引入多尺度视角，揭示了乡村聚落空间格局在不同尺度下的共性与差异。（2） 在研究方法方面，现有研究多采用地理探测器识别乡村聚落空间格局的驱动因子^［8，16］，本文结合OPGD模型与MGWR模型，发现坡度与社会经济因素对乡村聚落空间分布具有较强解释力，这与前人发现基本一致^{［8，16，17］}，并进一步揭示了关键驱动因子在空间上的异质效应。（3） 在驱动机制方面，本文从县域与网格尺度来解析乡村聚落空间格局的驱动机制，发现地理环境对乡村聚落空间分布的影响具有尺度效应，这与已有多尺度空间格局研究成果一致^［4］。同时揭示了网格尺度下影响因子的空间异质性更强，不同尺度驱动机制既存在共性，也存在差异，为现有研究领域提供了补充。

四川省乡村聚落是由“自然环境-区位交通-社会经济”多因子共同作用的结果，这些因子共同塑造了四川省乡村聚落独特的空间格局。驱动机制既存在共性，也具有尺度效应。在县域尺度，驱动机制更多体现为宏观背景的整体性约束，而在网格尺度，则表现为局部要素的异质性调节。具体而言，自然环境因子作为支撑力，塑造乡村聚落地域特色，年平均气温、坡度、耕地比例等对乡村聚落影响存在区域差异。在县域与网格尺度下，年平均气温与乡村聚落分布均呈负向效应，系数空间格局基本一致，但县域尺度制约力更强。坡度与乡村聚落分布总体呈现负向效应，空间异质性强，东部平缓地区利于乡村聚落集聚，而西部高原山区环境复杂，少数民族聚落“依山而建”，体现聚落选址的多样性与适应性；不同区域耕地对乡村聚落布局影响差异明显，这与区域产业结构和生产生活方式密切相关，西部山区传统聚落仍以传统农耕为主，对耕地依存度高，而东部丘陵区受农业规模化与城镇化影响较大，乡村聚落对耕地的依赖逐步弱化。区位交通因子是四川省乡村聚落的牵引力，交通基础设施是连接村庄与外部市场、服务和资源的重要渠道，为乡村聚落的空间集聚和扩展提供条件。社会经济因素作为转型的关键动力，夜间灯光指数在不同尺度下对乡村聚落作用差异显著，县域尺度夜间灯光指数与乡村聚落布局呈负向效应，而网格尺度下夜间灯光指数作用效果的空间异质性更强，区域间作用力差异明显。造成这一差异的原因，可能是县域尺度下夜间灯光反映整体城镇化水平，呈现对乡村空间的挤压效应，而网格尺度则对局地经济活力更为敏感，表现出更强空间异质性。两个尺度下景区对乡村聚落分布均为正效应，大部分地区凭借丰富旅游资源，有效吸引人才、资本与政策资源向特定区域集聚，与县域尺度相比，网格尺度空间异质性更强，部分地区经济效益有限，故在进行空间规划时需注重尺度效应。

基于四川省乡村聚落空间格局的多尺度机制解析，提出以下发展建议：（1） 成都平原作为四川省经济核心区，城镇用地和耕地蔓延对乡村聚落布局构成威胁，须严格界定城镇开发边界，合理规划耕地利用，优化土地资源配置，推动城乡融合发展。（2） 攀西及川东北景区辐射效应较弱，制约区域要素流动与乡村经济发展。着力完善交通通信等基础设施，优化区域可达性，创新文旅产业，打造“文旅融合型”乡村旅游点，增强乡村活力，推动其向可持续发展模式转型。（3） 川西为少数民族集聚地及长江上游重要生态屏障，需要全面加强少数民族特色村寨的保护和改造，推动聚落与周边景区协同发展，在文化传承中推动民族地区乡村聚落的可持续发展。（4） 川西高原及川南山区地质环境复杂，自然灾害频发，威胁乡村聚落安全，亟需科学规划高风险区乡村聚落布局，选择交通便利、地质稳定区进行集中安置，促进人地协调发展。

乡村聚落规划与发展是一项长期复杂的工作，本文仍存在一些不足，需进一步深入研究。研究时间仅聚焦于2020年，而乡村聚落空间格局的驱动机制不仅具有空间异质性和尺度效应，还可能存在时间异质性。此外，由于数据可获得性限制，暂未考虑政策法规和历史文化因素的作用。未来可结合更高分辨率遥感影像数据和更长时序的动态数据，引入政策与文化维度变量，系统探讨乡村聚落时空演变的驱动机制。

5 结 论

（1） 四川省乡村聚落整体呈现空间集聚态势，攀西经济区集聚态势最强，形成“一带单核”的空间格局。空间分布质心位于成都南部，分布方向与山脉走向基本一致。随着尺度缩小，乡村聚落局部格局特征更突出，空间集聚性更显著。

（2） OPGD结果表明，地理环境对乡村聚落空间格局的影响具有尺度效应，县域尺度比最优网格尺度的影响因子解释力高。坡度与社会经济因素在不同尺度均为影响乡村聚落空间布局的重要因素，在县域尺度，4A，5A级景区密度、夜间灯光指数、人口密度、坡度、NDVI主导了四川乡村聚落的空间格局。在网格尺度，坡度、人口密度、GDP、4A，5A级景区密度、夜间灯光指数是乡村聚落空间格局的主导因子。

（3） MGWR模型显示，四川省乡村聚落空间格局是多种因素共同作用的结果，自然环境塑造乡村聚落地域特色，区位交通促进乡村聚落集聚，社会经济推动乡村聚落转型。不同尺度的因子影响强度和方向既有共性，也存在差异。年平均气温在两个尺度下对乡村聚落分布均为负效应，但县域尺度制约作用更强；两个尺度下景区密度与路网密度其影响均为正效应，但网格尺度空间异质性更强；夜间灯光指数的影响存在显著尺度差异，网格尺度更能捕捉局部人类经济活动。网格尺度下，坡度与耕地比例对乡村聚落分布影响的空间异质性强，坡度对乡村聚落格局起负向影响，耕地比例对其影响表现为正负混杂。

参考文献

[1] 郭晓东，张启媛，马利邦.山地—丘陵过渡区乡村聚落空间分布特征及其影响因素分析［J］.经济地理，2012，32（10）：114-120.

[2] Guo X D， Zhang Q Y， Ma L B. Analysis of the spatial distribution character and its influence factors of rural settlement in transition-region between mountain and hilly［J］. Economic Geography， 2012，32（10）：114-120.

[3] 何仁伟，陈国阶，刘邵权，等.中国乡村聚落地理研究进展及趋向［J］.地理科学进展，2012，31（8）：1055-1062.

[4] He R W， Chen G J， Liu S Q， et al. Research progress and tendency of Chinese rural settlements geography［J］. Progress in Geography， 2012，31（8）：1055-1062.

[5] 宁满秀，袁祥州，王林萍，等.乡村振兴：国际经验与中国实践：中国国外农业经济研究会2018年年会暨学术研讨会综述［J］.中国农村经济，2018（12）：130-139.

[6] Ning M X， Yuan X Z， Wang L P， et al. International experiences and China′s practices of rural revitalization： an overview on the symposium of China foreign agricultural economics research association［J］. Chinese Rural Economy， 2018（12）：130-139.

[7] Zhang X P， Yu L， Wen X， et al. Multi-scale spatial differentiation and formation mechanisms of rural settlements （RS）： a Geodetector-based analysis in the middle-lower Yellow River Basin （ML-YRB）， China［J］. Frontiers in Environmental Science， 2025，13：1606333.

[8] 李红波，张小林.国外乡村聚落地理研究进展及近今趋势［J］.人文地理，2012，27（4）：103-108.

[9] Li H B， Zhang X L. A review and trend on rural settlement geography abroad［J］. Human Geography， 2012，27（4）：103-108.

[10] 孙裔煜，高静，仝德，等.基于GTWR的广东省乡村聚落规模时空演变研究［J］.地理科学，2023，43（7）：1249-1258.

[11] Sun Y Y， Gao J， Tong D， et al. Spatio-temporal evolution characteristics and influencing factors of rural settlements in Guangdong Province based on GTWR model［J］. Scientia Geographica Sinica， 2023，43（7）：1249-1258.

[12] 马晨，王宏卫，谈波，等.新疆典型绿洲城乡聚落规模体系特征及空间重构：以渭干河-库车河三角洲绿洲为例［J］.地理学报，2022，77（4）：852-868.

[13] Ma C， Wang H W， Tan B， et al. Characteristics and spatial reconstruction of an urban-rural settlement scale system in a typical oasis in Xinjiang： a case study of the Ugan-Kuqa River Delta Oasis［J］. Acta Geographica Sinica， 2022，77（4）：852-868.

[14] 王绍邦，李志英，龙晔，等.滇中高原湖区乡村聚落空间演化及驱动因素［J］.水土保持研究，2025，32（2）：387-395.

[15] Wang S B， Li Z Y， Long Y， et al. Spatial evolution and driving factors of rural settlements in the plateau lake area in central Yunnan［J］. Research of Soil and Water Conservation， 2025，32（2）：387-395.

[16] 黄亚平，郑有旭.江汉平原乡村聚落形态类型及空间体系特征［J］.地理科学，2021，41（1）：121-128.

[17] Huang Y P， Zheng Y X. The rural settlement morphological types and spatial system characteristics in the Jianghan Plain［J］. Scientia Geographica Sinica， 2021，41（1）：121-128.

[18] Bi G H， Yang Q Y. Spatial reconstruction of rural settlements based on multidimensional suitability： a case study of Pingba Village， China［J］. Land， 2022，11（8）：1299.

[19] Song W， Li H H. Spatial pattern evolution of rural settlements from 1961 to 2030 in Tongzhou District， China［J］. Land Use Policy， 2020，99：105044

[20] 李琛，吴映梅，高彬嫔，等.高原湖泊乡村聚落空间分异及驱动力探测：以环洱海地区为例［J］.经济地理，2022，42（4）：220-229.

[21] Li C， Wu Y M， Gao B P， et al. Spatial differentiation and driving factors of rural settlement in plateau lake： a case study of the area around the Erhai［J］. Economic Geography， 2022，42（4）：220-229.

[22] 林金萍，雷军，吴世新，等.新疆绿洲乡村聚落空间分布特征及其影响因素［J］.地理研究，2020，39（5）：1182-1199.

[23] Lin J P， Lei J， Wu S X， et al. Spatial pattern and influencing factors of oasis rural settlements in Xinjiang， China［J］. Geographical Research， 2020，39（5）：1182-1199.

[24] 刘荣萍，周忠发，朱孟，等.易地扶贫搬迁驱动下喀斯特山区乡村聚落时空演变特征［J］.地理科学，2023，43（11）：2024-2032.

[25] Liu R P， Zhou Z F， Zhu M， et al. Spatiotemporal evolution characteristics of rural settlements in karst mountainous areas driven by poverty-alleviation relocation［J］. Scientia Geographica Sinica， 2023，43（11）：2024-2032.

[26] 许鑫，徐丽婷，周达宝，等.江西省乡村聚落时空演变及影响因素［J］.水土保持研究，2024，31（3）：320-330.

[27] Xu X， Xu L T， Zhou D B， et al. Spatiotemporal evolution and influencing factors of rural settlements in Jiangxi Province［J］. Research of Soil and Water Conservation， 2024，31（3）：320-330.

[28] 楼雨晨，黄璐，李昂，等.太湖流域乡村聚落百年格局演变及其影响因素：以浙江省湖州市为例［J］.水土保持研究，2025，32（4）：320-331.

[29] Lou Y C， Huang L， Li A， et al. Evolution of the spatial pattern and influencing factors of rural settlements in the Taihu Basin over the past century： a case study of Huzhou City， Zhejiang Province［J］. Research of Soil and Water Conservation， 2025，32（4）：320-331.

[30] 刘苏文，吴永发，李永昌.江苏省乡村聚落格局及其驱动因子分析［J］.中国农业资源与区划，2025，46（6）：207-216.

[31] Liu S W， Wu Y F， Li Y C. Rural settlement pattern and its driving factors in Jiangsu Province［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2025，46（6）：207-216.

[32] Song Y Z， Wang J F， Ge Y， et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis： cases with different types of spatial data［J］. GIScience & Remote Sensing， 2020，57（5）：593-610.

[33] Sun Y W， Zhan H W， Gao C， et al. Spatial syntactic analysis and revitalization strategies for rural settlements in ethnic minority areas： a case study of Shuanglang Town， China［J］. Buildings， 2024，14（8）：2531.

[34] Fotheringham A S， Yang W B， Kang W. Multiscale geographically weighted regression （MGWR）［J］. Annals of the American Association of Geographers， 2017，107（6）：1247-1265.

[35] 周向丽，王智超，刘益珠，等.基于MGWR的乡村聚落空间演变的影响因素分析：以海口市为例［J］.热带地理，2023，43（8）：1599-1610.

[36] Zhou X L， Wang Z C， Liu Y Z， et al. Factors influencing the evolution of rural settlements based on MGWR： a case study of Haikou City［J］. Tropical Geography， 2023，43（8）：1599-1610.

[37] 米丹丹，斯琴朝克图，乌兰图雅，等.蒙东地区乡村聚落空间演变特征及其影响因素［J］.山地学报，2023，41（6）：863-878.

[38] Mi D D， Si Q C K T， Wu L T Y， et al. Spatial evolution and influencing factors of rural settlements in eastern Inner Mongolia， China［J］.Mountain Research，2023，41（6）：863-878.

[39] Tan Y X， Xiang M S， Lu H X， et al. Spatial difference studies and driving force analysis of rural settlements in the northwest Sichuan Plateau［J］. Sustainability， 2023，15（9）：7074.

[40] 孔雪松，朱芷晴，刘殿锋.江苏省乡村聚落演化的多尺度特征与空间关联性分析［J］.农业工程学报，2020，36（12）：247-256，329.

[41] Kong X S， Zhu Z Q， Liu D F. Multi-scale evolution characteristics of rural settlements and spatial correlation in Jiangsu Province， China［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020，36（12）：247-256，329.

[42] 曹翠，徐丽萍，刘彤，等.新疆乡村聚落区域空间格局特征及影响因素分析［J］.地域研究与开发，2024，43（5）：109-116.

[43] Cao C， Xu L P， Liu T， et al. Analysis of regional spatial pattern characteristics and influencing factors of rural settlements in Xinjiang［J］. Areal Research and Development， 2024，43（5）：109-116.

[44] 吴佳倚，储建国，展婧馨.黄河流域特色乡村空间格局特征及主控因素分析［J］.水土保持研究，2025，32（2）：305-315.

[45] Wu J Y， Chu J G， Zhan J X. Spatial pattern of characteristic villages and its controlling factors in the Yellow River Basin［J］. Research of Soil and Water Conservation， 2025，32（2）：305-315.

[46] 牛彦龙，王毅.基于MGWR模型的太行山区传统村落空间分异格局与影响机制研究［J］.干旱区资源与环境，2024，38（9）：87-96.

[47] Niu Y L， Wang Y. Spatial differentiation patterns of traditional villages in Taihang Mountain area and influencing mechanisms： a MGWR model based analysis［J］. Journal of Arid Land Resources and Environment， 2024，38（9）：87-96.

[48] 王劲峰，徐成东.地理探测器：原理与展望［J］.地理学报，2017，72（1）：116-134.

[49] Wang J F， Xu C D. Geodetector： principle and prospective［J］. Acta Geographica Sinica， 2017，72（1）：116-134.

[50] Li T， Li C K， Zhang R， et al. Spatial heterogeneity and influence factors of traditional villages in the Wuling Mountain area， Hunan Province， China based on multiscale geographically weighted regression［J］. Buildings， 2023，13（2）：294.

[51] 张茜，於冉，储昭君，等.2000—2020年安徽省生境质量时空演变及其影响因素［J］.水土保持通报，2024，44（2）：416-425.

[52] Zhang Q， Yu R， Chu Z J， et al. Temporal and spatial evolution of habitat quality and its influencing factors in Anhui Province during 2000—2020［J］. Bulletin of Soil and Water Conservation， 2024，44（2）：416-425.

基金资助

国家社会科学基金“乡村振兴战略下西南民族地区乡村聚落的时空演变及其生态安全研究”(21BMZ141)