基于耕地利用行为的黄土旱塬区农户类型分化及其影响因素分析

Differentiation of farm household types and influencing factors based on cultivated land use behavior in Loess Plateau dryland areas

摘要

目的 揭示黄土旱塬区农户耕地利用行为的分异特征及其驱动机制，为制定差异化耕地管理政策提供依据。 方法 采用DBSCAN空间聚类算法对农户类型进行识别，并通过描述性统计与空间分析揭示其类型特征与分布规律，运用结构方程模型（SEM）定量解析农户类型分化的影响因素。 结果 （1） 农户分化为传统风险规避型（类型Ⅰ）与技术采纳集约型（类型Ⅱ）；（2） 农户类型分布呈显著的空间地貌分异特征，类型Ⅰ农户集中于梁峁丘陵区及受城镇扩张影响的川道平原，类型Ⅱ农户主要分布于残塬沟壑区；（3） 两类农户技术采纳意愿差异显著，类型Ⅰ未采纳地膜技术，化肥投入波动大、农药施用呈右偏分布，类型Ⅱ全部采纳地膜技术，农药施用呈左偏分布；（4） 田块大小、耕地规模等资源禀赋（路径系数0.357）通过规模效应显著促进农户向类型Ⅱ转化，年龄、学历等农户属性（路径系数-0.249）则推动农户向类型Ⅰ转化。 结论 农户类型分化是资源禀赋与人力资本反向驱动的结果，各因素驱动机制在不同地貌类型呈现差异化特征，故需分区施策：在残塬沟壑区应推动田块整合，梁峁丘陵区则需加强代际技术传递，川道平原区应协调城乡发展保护耕地。

Abstract

Objective This study reveals the differentiation characteristics and driving mechanisms of farmers′ cultivated land use behaviors in the Loess Plateau dryland areas， providing a basis for formulating differentiated cultivated land management policies. Methods The DBSCAN spatial clustering algorithm was employed for identifying farm household types. Descriptive statistics and spatial analysis were used to reveal their type characteristics and distribution patterns. A structural equation model （SEM） was applied to quantitatively analyze the influencing factors in farmer type differentiation. Results （1） Farm households were differentiated into two types： traditional risk-averse types （Type Ⅰ） and technology-adopting intensive types （Type Ⅱ）. （2） The distribution of household types exhibited significant spatial geomorphic differentiation： Type I households were concentrated in the ridge-and-mound hilly areas and alluvial plains affected by urban expansion， while Type Ⅱ households were mainly distributed in residual tableland-gully areas. （3） Significant differences existed in technology adoption willingness between the two types： Type Ⅰ households did not adopt plastic film mulching， showed high fluctuation in fertilizer input， and exhibited a right-skewed distribution in pesticide application， whereas all Type Ⅱ households adopted plastic film mulching， with pesticide application showing a left-skewed distribution. （4） Resource endowments such as plot size and cultivated land scale （path coefficient =0.357） significantly promoted the transition to Type Ⅱ through scale effects， while household attributes such as age and education level （path coefficient=-0.249） drove transitions toward Type Ⅰ. Conclusion Farm household type differentiation is jointly driven by resource endowments and human capital in opposite directions. The driving mechanisms of various factors exhibit differentiated characteristics across different geomorphic types. Therefore， region-specific strategies are required： promoting plot consolidation in residual tableland-gully areas， strengthening intergenerational technology transfer in the ridge-and-mound hilly areas， and coordinating urban-rural development to protect cultivated land in alluvial plains.

Graphical abstract

关键词

土地管理 / 耕地利用行为 / 农户分化 / 影响因素 / DBSCAN聚类算法 / 结构方程模型 / 黄土旱塬区

Key words

land management / cultivated land use behavior / farm household differentiation / influencing factors / DBSCAN clustering algorithm / structural equation model / Loess Plateau dryland areas

耕地是重要的农业生产资料，也是保障国家粮食安全的重要物质基础^［1］。农户作为耕地利用的微观决策主体，其利用行为直接影响耕地的可持续利用^［2］。合理的耕地利用行为能够增强土壤肥力、抑制水土流失，维持耕地的长期生产力，进而提升粮食生产的数量和质量。然而，当前农户的耕地利用行为存在显著的内部异质性^［3］。因此，基于耕地利用行为特征对农户类型进行划分，并探究其影响因素作用机制，对促进耕地资源可持续利用和保障粮食安全具有重要意义。

近年来，随着农村劳动力非农转移加速和土地制度改革的深化，农户分化现象日益显著^［4］，逐渐成为农业经济与乡村地理学研究的重要议题。既有研究围绕农户分化类型的划分展开了多维探索。早期研究主要根据农户生计来源差异，以农户非农收入占比为分类依据，将农户划分为纯农户、非农户和兼业户^［5］。随着农业现代化的推进，小农户逐渐向专业种植户或家庭农场等新型农业经营主体转型，部分学者基于农户的生产规模和生产方式，将其划分为传统农户、专业种植与养殖户、经营与服务性农户、半工半农型农户和非农农户^［6］。近年来，学者则基于农户生产经营能力及目标诉求的差异，将农户划分为生存型农户、生产型农户、生活型农户和功能型农户^［7］。综上所述，农户类型分化的划分标准呈现出多元化趋势，不同的划分标准从不同角度揭示了农户分化的复杂性和多样性。现有研究多聚焦农户的职业分化和收入差距^［8-10］，对微观耕地利用行为异质性关注不足，尚未从耕地利用行为视角构建起完善的农户类型分化分析框架，且对其分化机制缺乏深入的实证研究与理论阐释。

黄土旱塬区地处陕西黄土丘陵沟壑区与渭河冲积平原的过渡带，生态环境脆弱，水土流失风险突出，同时又承担着保障区域粮食安全的重要功能^［11］。因此，本文以渭北黄土旱塬区典型农业县——陕西省彬州市为案例区，基于农户问卷调查数据，利用DBSCAN空间聚类算法从耕地利用行为的角度对农户类型进行识别，揭示其空间分异格局与行为特征差异，并构建结构方程模型（SEM）定量分析农户类型分化的多重影响因素及其作用路径，旨在为区域差异化耕地管理政策制定和农业可持续发展提供理论支撑和实践指导。

1 数据来源与方法

1.1 研究区概况

陕西省彬州市属渭北旱塬的塬梁沟壑区，东经107°49′—108°22′，北纬34°51′—35°17′，总面积1 185 km²（图1）。年均气温9.7 ℃，年均降雨量579.6 mm，无霜期180 d，属暖温带半干旱大陆性季风气候。地势东南高西北低，泾河自西北向东南斜贯其中，平均海拔1 096 m。根据地形变化，全市可分为黄土旱塬区、残塬沟壑区、川道平原区和梁峁丘陵沟壑区4个地貌类型区^［12］。社会经济方面，彬州市2024年农村人口21.6万人，占总人口60.3%，农村人均可支配收入18 654元，实现农业总产值41.4亿元，分别较上年增长7.7%和1.0%。全市耕地面积309 km²，人均866.67 m²，主要分布在黄土旱塬区和残塬沟壑区，在川道平原区与梁峁丘陵沟壑区分布较少。旱地梯田占区域耕地类型总面积的99.9%^［13］。农业生产区土壤类型以黄土性土、黑垆土和红土为主，面积占比分别为64.1%，22.3%和8.4%^［12］。彬州市作物熟制为二年三熟，夏粮作物主要为冬小麦，秋粮作物主要为春玉米。2024年全市粮食播种面积26 836 hm^²，总产量13.2万t，增长1.4%。

1.2 数据来源

文中数据主要来源于2023年9月课题组在彬州市开展的实地调研。为保证调研数据的代表性和可靠性，采用随机抽样法在全市156个行政村中随机抽取65个行政村作为调研样本。受天气、土地利用实地情况和行政区划调整等客观因素影响，最终完成61个行政村的农户调查。调研采用随机入户方式，每个行政村访问3~4户，共发放回收问卷210份，剔除关键信息缺失的无效问卷，获得有效问卷180份，问卷有效率达85.7%。

1.3 研究方法

1.3.1 农户类型识别模型

本研究聚焦农户耕地利用行为中最具生产干预性和环境外部性特征的核心环节，选取化肥施用强度、农药施用频次及地膜覆盖技术采纳情况3个指标表征农户耕地利用行为特征^［14］。这3个指标是农户在干旱缺水环境约束下，为保障生计而采取的最核心、最易产生分化的耕地利用行为，构成了衡量农户集约化生产决策与行为偏好的关键维度^［15］。其投入强度与方式直接体现了农户在耕地利用策略、风险偏好及技术采纳上的差异，可为不同类型农户的识别与划分提供重要依据。其中，化肥施用强度反映农户对耕地养分投入的集约化程度，是衡量耕地利用强度与生态压力的重要指标；农药施用频次体现农户对病虫害管理的强度与生态风险；地膜覆盖技术采纳情况作为耕地保护性技术的典型代表，其采用与否直接反映农户对土壤保墒、增温及长期可持续生产的认知与技术采纳能力。利用DBSCAN聚类算法对彬州市农户耕地利用行为进行聚类分析，识别不同农户类型，并综合运用ArcGIS 10.8空间分析和描述性统计探究不同类型农户的空间分布特征及其耕地利用行为差异。

DBSCAN是一种典型的基于密度的聚类算法，最初由Ester等^［16］提出。其最大优点是可以在不预设聚类数量的前提下，有效处理噪声点并发现任意形状的空间聚类^［17］。该方法主要涉及两个关键参数：Eps和MinPts。其中，Eps为数据对象邻域半径，MinPts表示核心对象在Eps内的最少样本点个数，如果研究对象的Eps内样本点数大于等于MinPts，则该对象为核心对象，否则该对象为噪声点，即离群数据。Eps和MinPts采用K-dist图确定，即通过计算要素P与其第K个最近要素的欧氏距离K-dist，绘制成K-dist图，将出现明显变化的拐点所对应的K-dist值确定为参数Eps的取值。然后，计算数据集中每个点邻域半径Eps内点数量的期望，即可得到参数MinPts的最优取值。函数公式为：

\mathrm{M}\mathrm{i}\mathrm{n}\mathrm{P}\mathrm{t}\mathrm{s}=\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}\mathrm{C}\mathrm{o}\mathrm{u}\mathrm{n}{\mathrm{t}}_i（1）

式中：n为样本点数量；\mathrm{C}\mathrm{o}\mathrm{u}\mathrm{n}{\mathrm{t}}_i为点i的Eps内样本点的数量。

轮廓系数是评估聚类效果的一个指标，通过计算聚类的凝聚度和分离度来确定聚类的质量。轮廓系数的取值范围在-1到1之间，越接近1，聚类结果越理想，计算公式如下：

S=\frac{b-a}{\mathrm{m}\mathrm{a}\mathrm{x}(b-a)}（2）

式中：S为轮廓系数；a为样本到其簇内其他样本的平均距离（即簇内凝聚度）；b为样本到最近簇的平均距离（即簇间分离度）。通过计算所有样本的轮廓系数并取平均值，可以得到总体轮廓系数值，用于评估聚类的整体质量。

本文利用Python语言编写DBSCAN聚类算法，采用适合混合型数据的Gower距离度量方法^［18］，对化肥施用强度、农药施用频次及地膜覆盖技术采纳情况三组数据进行聚类。通过绘制K-dist图分析数据点的密度分布特征，确定最优邻域半径Eps值为0.08。通过系统迭代测试确定MinPts=5时，轮廓系数达到最大值0.61，此时聚类效果最优。

1.3.2 农户类型分化影响因素分析模型

SEM是一种融合多元回归分析、路径分析以及验证性因子分析等技术的综合性数据分析方法^［19］。它以变量的协方差矩阵为基础，用于探究变量之间的相互关系，因此也被称作协方差结构分析方法。该方法不仅能够有效处理测量过程中产生的误差，还可以深入分析潜在变量之间的结构关系。SEM包括结构模型和测量模型两部分，其中测量模型反映潜变量与观测变量之间的关系，而结构模型则反映潜变量之间的因果关系，其计算公式如下：

X={\mathrm{\Lambda }}_x\xi +\delta（3）

Y={\mathrm{\Lambda }}_y\eta +\epsilon（4）

\eta =B\eta +\mathrm{\Gamma }\xi +\zeta（5）

式中：X与Y分别是外生潜变量ξ和内生潜变量η的观测变量；{\Lambda }_x\mathrm{和}{\Lambda }_y代表因子载荷系数矩阵；B为内生潜变量之间的相互影响效应系数；Г为外生潜变量对内生潜变量的影响效应系数（即路径系数）；δ、ε和ζ代表误差项。

结合区域特点与前人研究^［20-21］，本文从农户属性和耕地资源禀赋两个维度选取7个变量作为潜在解释变量（表1），利用Mplus 7.4软件实现结构方程模型的构建与求解，分析潜在解释变量与农户类型之间的作用关系，揭示农户类型分化机制。由于模型中的因变量为分类变量，故采取处理类别数据优于其他估计方法的稳健加权最小二乘法（WLSMV）进行模型参数估计及检验^［22］。通过对SEM的绝对适配量指标和增值适配量指标计算来检验模型的适配度。其中，绝对适配量指标包括卡方自由度比值（χ²/df）、显著性概率（P）和近似误差均方根（RMSEA），增值适配量指标包括比较拟合指数（CFI）和Tucker-Lewis指数（TLI），相关指标的计算见温忠麟等^［23］的研究。

2 结果与分析

2.1 基于DBSCAN的农户类型分化

2.1.1 农户类型识别及其空间分布特征

DBSCAN聚类分析结果表明，彬州市农户主要分为两种类型。其中，农户类型Ⅰ占有效问卷农户总数的53.9%，农户类型Ⅱ占有效问卷农户总数的38.9%，其余农户的类型归属不明确，属于噪声点，占有效问卷农户总数的7.2%。由各类型农户的空间分布图可知（图2），农户类型Ⅰ呈现典型的“双核”分布格局，第一分布核心位于梁峁丘陵沟壑区，该区具有明显的高海拔、强切割地形特征，地形破碎；第二分布核心则位于中部的川道平原区，该区虽然具备地形平坦、土壤肥沃、灌溉条件好等优越的农业耕作条件，但作为县域城镇主要建设区，建设用地扩张导致耕地资源面积的减少与破碎化程度的增加。农户类型Ⅱ则主要分布在东南部海拔相对较低的残塬沟壑区，该地貌单元具有明显的过渡带特征，其农业生产条件介于较差的丘陵沟壑区和较好的平原区之间。噪声点则零散分布于各类地貌交界处，如丘陵—平原过渡带和残塬边缘地带，没有明显的集中趋势。

2.1.2 不同类型农户耕地利用行为差异分析

耕地利用行为特征分析结果显示，两种类型农户在化肥施用强度和农药施用频次上差异不显著，但在地膜覆盖技术采纳行为方面存在显著差异（表2）。其中，化肥施用强度在不同农户类型之间虽然不存在显著差异，但农户类型Ⅰ的变异系数为72.0%，高于类型Ⅱ的变异系数68.8%。该结果表明，黄土旱塬区农户对化肥投入具有普遍依赖性，但农户类型Ⅰ化肥施用强度的离散程度更高，说明其行为决策不稳定，易受外部扰动，具有更高的不确定性。在农药施用频次方面，类型Ⅰ农户的平均值为3.8次/年，中位数较高（4.0次/年），变异系数较低（25.9%），偏度0.53（右偏），峰度1.05（尖峰态）。该分布特征表明其农药施用频次整体略高且相对集中，存在右侧极端值，即过度施用现象。类型Ⅱ农户的平均值略低（3.6次/年），中位数较低（3.0次/年），变异系数较高（31.7%），偏度-0.38（左偏），峰度0.77。该分布显示其分布离散程度相对较高且略向左偏，体现了该类型农户倾向于精准施用等更科学的风险管理策略。虽然不同农户类型的施用频率无显著差异，但中位数和偏度差异表明类型Ⅰ农户可能倾向于更保守的高投入策略，而类型Ⅱ农户则更注重施用效率优化。在地膜覆盖技术采纳情况方面，类型Ⅰ农户全部未采纳，而类型Ⅱ农户全部采纳，组间差异显著（p<0.05）。该指标揭示了不同农户类型之间技术采纳意愿的根本分化：类型Ⅰ的零采纳率突显其对传统耕作方式的固守，而类型Ⅱ的全采纳率体现主动技术应用倾向。

2.2 基于SEM农户类型分化影响因素的结果与分析

2.2.1 模型适配度分析

本研究识别出两类典型农户（类型Ⅰ和类型Ⅱ）及少量噪声点。为提升模型稳定性，在构建SEM前剔除噪声点，将农户类型Ⅰ和农户类型Ⅱ分别赋值为1，2。在Mplus7.4环境下建立SEM，分析农户类型分化的影响因素。表3为模型适配度关键指标及其适配标准，模型拟合的χ²/df， p， RMSEA和CFI值分别为1.3，0.17，0.04，0.91，均达到且优于适配标准，表明模型与样本数据契合程度较高，拟合结果理想；此外，TLI=0.86>0.80，虽略低于适配标准0.90，但仍在可接受范围内。整体而言，模型与样本数据的适配度良好，具有较好的解释力，模型可以被接受。

2.2.2 模型路径结果与分析

农户属性特征（F₁）和耕地资源禀赋特征（F₂）对农户分化类型（x₈）的影响效应分别在10%和1%水平上显著，其路径系数分别为-0.249和0.357（图3）。该结果表明，彬州市农户类型分化受到农户属性和耕地资源禀赋二者的共同驱动，且耕地资源禀赋对农户分化类型的影响比农户属性更为强烈和显著。此外，农户属性与耕地资源禀赋对农户类型分化的驱动方向相反。农户属性特征值增大会推动农户向类型Ⅰ分化，反之向类型Ⅱ分化；而耕地资源禀赋特征值增大则会推动农户向类型Ⅱ分化，反之向类型Ⅰ分化。从不同路径来看，F₁由年龄（x₁）、学历（x₂）、健康状况（x₃）、主要劳动力人数（x₄）4个指标进行量度。其中，年龄和主要劳动力人数对农户属性特征值呈显著正向影响，其影响效应分别为0.707和0.430，分别在1%和5%水平上显著；学历和健康状况对农户属性特征值呈显著负向影响，其影响效应分别为-0.197和-0.223，分别在1%和5%水平上显著。总体来看，年龄和主要劳动力人数，尤其是年龄，对农户属性特征具有更强的解释力。F₂由耕地规模（x₅）、耕地质量（x₆）和平均田块大小（x₇）3个可观测指标进行表征。耕地规模、耕地质量和平均田块大小三者对耕地资源禀赋特征值均呈显著正向影响，分别在1%，5%和1%水平上显著。各指标对耕地资源禀赋特征的解释效应大小呈：平均田块大小（0.675）>耕地规模（0.447）>耕地质量（0.295），说明平均田块大小和耕地规模对耕地资源禀赋特征具有更强的影响。

3 讨论与结论

3.1 讨论

3.1.1 农户类型分化及其空间分异特征

本文通过DBSCAN聚类分析，从农户耕地利用行为的集约化投入维度识别出两种农户类型，并揭示了其空间分布特征及耕地利用行为差异。研究结果显示，类型Ⅰ农户呈现“双核”分布格局，主要集中于梁峁丘陵沟壑区和川道平原区，而类型Ⅱ农户则集中分布于残塬沟壑区。这一空间分异格局突显了地貌环境对农户决策行为的深刻影响^［24］。梁峁丘陵沟壑区的高切割地形和自然灾害风险体现了类型Ⅰ农户的风险规避倾向，使其更依赖传统耕作模式以降低不确定性；川道平原区的城镇扩张则加剧了耕地资源的破碎化与稀缺性，促使类型Ⅰ农户在行为决策中表现出高度不稳定性。相反，残塬沟壑区作为过渡带，兼具丘陵与平原特征，地形条件相对稳定，促进了更为均衡的资源管理和技术推广采纳。这种空间—行为耦合机制印证了“人地关系”理论在黄土旱塬区的适用性^［25］，即地貌破碎化与资源约束通过改变农户风险感知，驱动了类型分化。

两类农户耕地利用行为的核心异质性在于技术采纳（地膜）的显著分化，而资源投入（化肥、农药）虽强度趋同但分布特征各异。类型Ⅰ农户的化肥施用变异系数高（72.0%）和农药施用右偏分布（偏度0.53），体现了其决策易受外部扰动以规避风险，符合Kahneman和Tversky提出的风险规避理论^［26］。同时，为规避新技术带来的不确定性，类型Ⅰ农户的地膜覆盖技术采纳率为0。因此，类型Ⅰ为传统风险规避型农户，体现了生态安全优先下的经济次优选择。在生态脆弱或资源约束强烈的地貌单元中，这类农户以规避生产风险为核心目标，采用传统耕作模式，技术采纳意愿低，资源投入呈现高波动性，最终会导致耕地生态系统稳定性下降、可持续性供给不足。类型Ⅱ农户化肥施用变异系数较低（68.8%）和农药施用呈左偏分布（偏度-0.38），突显了其科学的风险管理策略，强调精准施用以优化效率，并表现为地膜技术的全采纳率；其行为体现了主动应用新技术以提升效率和可持续性，属于技术采纳集约型农户。这类农户通过地膜技术采纳和精准化管理，在保证经济收益的同时实现了生态风险的可控，能够推动耕地系统向生产效益与生态保护协同发展方向演进。传统风险规避型农户在生态脆弱区占主导（占样本量53.9%），其高变异和高频率行为可能加剧区域水土流失风险；技术采纳集约型农户（占38.9%）则代表区域农业现代化转型方向，其稳定投入和技术采纳有助于耕地可持续利用。

3.1.2 农户类型分化的影响因素

SEM分析显示，模型关键适配指标均达到理想标准，TLI值（0.86）虽略低于0.90但仍在可接受范围，表明模型能有效捕捉黄土旱塬区农户分化的复杂因果关系。这一结果验证了SEM在解析“社会—生态”耦合系统机制中的适用性^［27］，尤其对耕地资源禀赋（F₂）与农户属性（F₁）两类潜变量的设定具有理论合理性。值得注意的是，TLI值的轻微偏离可能反映样本在地貌过渡带农户（如噪声点群体）的行为异质性未被完全涵盖，这与DBSCAN聚类结果形成呼应，暗示未来研究需增加社会—生态过渡性指标以提升模型精度。

农户类型分化影响因素分析结果表明，耕地资源禀赋与农户属性对农户类型分化具有显著的反向驱动效应。耕地资源禀赋能够推动黄土旱塬区农户的集约化转型，而人力属性滞后则会强化农户的路径依赖。其中，耕地资源禀赋驱动农户向技术采纳集约型分化，体现了资源诱导型分化逻辑。平均田块大小与耕地规模的强解释力表明了地块的规模经济效应。大田块通过降低耕作成本、促进机械化^［28］，显著推动农户向技术采纳集约型（类型Ⅱ）转型，尤其残塬沟壑区相对完整的田块形态为此提供了空间基础。值得注意的是，虽然川道平原区田块较大，但由于城镇扩张引发的耕地破碎化^［29］抵消了其资源禀赋优势，导致该区农户仍以类型Ⅰ为主。耕地质量的较弱影响反映了旱作农业区的特殊性，即水分约束使土壤肥力退居次要地位，而地膜技术（类型Ⅱ核心特征）通过保墒间接提升质量感知，形成“技术替代禀赋”的创新路径。农户属性则驱动农户向传统风险规避型转化，揭示了能力约束型分化机制。年龄的正向载荷与学历的负向载荷说明了人力资本对农户类型分化的约束效应。高龄农户和低学历农户通常技术学习能力更弱、经验依赖性更强、风险承受能力更弱^［30］，因而会推动农户向类型Ⅰ转化，尤其在梁峁丘陵区（地形破碎加剧技术应用难度）。劳动力数量的正向作用反映家庭生命周期效应，劳动力充足家庭更倾向承担技术采纳风险，推动农户向类型Ⅱ转化，而劳动力短缺则强化保守策略，促进农户向类型Ⅰ分化。

基于农户类型分化影响因素分析结果，黄土旱塬区农业生产过程中要优先干预田块整合，在残塬沟壑区推广“并地入股”模式，通过地块合并破解机械化瓶颈，强化类型Ⅱ农户的规模优势。其次，要定向破解人力约束，对梁峁丘陵区高龄农户实施“代际技术传递”计划，以青年返乡创业带动技术扩散。第三，要谨慎利用耕地规模杠杆，川道平原区需严格保护基本农田，避免城镇扩张消解规模效益，探索城郊农业转型。

3.1.3 研究局限与未来方向

本文在利用SEM构建农户类型分化的影响因素模型时，仅考虑农户属性特征与耕地资源禀赋特征两个变量的影响，这使得研究的全面性和准确性受到一定限制。未来研究可以纳入市场因素、政策因素和社会文化因素等重要变量，例如市场因素包括农产品价格和投入品成本，政策因素涵盖补贴政策和环保规制，社会文化因素涉及邻里效应和传统观念等。通过引入这些多维度变量，可以更全面地分析影响农户耕地投入和生产决策的复杂因素，从而更深入地揭示农户行为的内在逻辑，为制定更精准的政策和干预措施提供科学依据，最终推动农业的可持续发展。

3.2 结论

本研究以黄土旱塬区典型县域彬州市为案例区，基于农户微观耕地利用行为数据，运用DBSCAN空间聚类算法识别农户分化类型，并借助SEM定量解析其影响因素及作用路径，主要得出以下结论：

（1）彬州市农户可划分为两类，且农户分化呈明显的地貌空间分异格局。农户类型Ⅰ呈“双核”分布，集中于梁峁丘陵沟壑区与中部川道平原区，受地形破碎化和建设用地扩张影响显著；类型Ⅱ主要分布在残塬沟壑区，该区域相对稳定的地形条件为资源优化管理和技术推广提供了基础，促进了更均衡的利用行为。

（2）不同类型农户存在显著的耕地利用行为分异特征。基于农户耕地利用行为的集约化投入维度关键指标特征将类型Ⅰ农户识别为传统风险规避型，类型Ⅱ农户识别为技术采纳集约型。类型Ⅰ农户占比53.9%，其核心特征为地膜覆盖技术零采纳率，化肥施用强度变异系数高，农药施用频次呈右偏分布，决策行为不稳定且具有规避风险倾向；类型Ⅱ农户占比38.9%，其显著特征为地膜覆盖技术全采纳率，农药施用频次呈左偏分布，体现了更注重效率优化与主动技术应用的行为模式。两类农户在化肥、农药平均投入强度上虽无显著差异，但在技术采纳意愿和资源投入分布特征上存在根本性分化。

（3）农户类型分化受到耕地资源禀赋与农户属性特征的双重驱动，且作用方向相反、强度各异。耕地资源禀赋对分化的驱动效应显著强于农户属性特征。耕地资源禀赋特征（F₂）是推动农户向技术采纳集约型（类型Ⅱ）分化的关键正向驱动因素。其中，平均田块大小和耕地规模的规模经济效应解释力最强，显著降低了耕作成本并促进了技术采纳。耕地质量亦发挥正向作用，但其在旱作区的相对重要性受水分约束影响而弱于地块特征。农户属性特征则主要驱动农户向传统风险规避型（类型Ⅰ）分化。年龄和学历是核心约束因素，反映了技术学习能力弱、经验依赖性强、风险承受能力低对技术采纳的抑制效应。劳动力数量充足有助于承担风险，推动向类型Ⅱ转化；反之则强化保守策略。健康状况也呈现显著负向影响。

参考文献

[1] 范树平，米逸诗，朱云涛，等.快速城镇化地区耕地资源社会价值时空异质特征及其影响因素［J］.长江流域资源与环境，2024，33（11）：2425-2439.

[2] Fan S P， Mi Y S， Zhu Y T， et al. Characteristics of spatiotemporal heterogeneity and influencing factors of social value of cultivated land resources in rapid urbanization areas［J］. Resources and Environment in the Yangtze Basin， 2024，33（11）：2425-2439.

[3] 辛玥，殷冠羿，娄毅.基于三维分形的山东省农户分化及耕地利用异质性分析［J］.中国土地科学，2020，34（4）：78-85.

[4] Xin Y， Yin G Y， Lou Y. Analysis of cultivated land use heterogeneity based on the three-dimensional differentiation of rural households in Shandong Province［J］. China Land Science， 2020，34（4）：78-85.

[5] 常笑，刘黎明，刘朝旭，等.农户土地利用决策行为的多智能体模拟方法［J］.农业工程学报，2013，29（14）：227-237.

[6] Chang X， Liu L M， Liu Z X， et al. Method of multi-agent system for simulating land-use decision-making behavior of farmer households［J］. Transactions of the Chinese Society of Agricultural Engineering， 2013，29（14）：227-237.

[7] 胡贤辉，何丽华，谭芬，等.异质性农户耕地利用效率及其影响因素［J］.水土保持研究，2025，32（5）：352-362，383.

[8] Hu X H， He L H， Tan F， et al. Cultivated land use efficiency and its influencing factors of heterogeneous farmers［J］. Research of Soil and Water Conservation， 2025，32（5）：352-362，383.

[9] 王成超，杨玉盛.基于农户生计演化的山地生态恢复研究综述［J］.自然资源学报，2011，26（2）：344-352.

[10] Wang C C， Yang Y S. Review of research on mountainous ecological restoration based on farmer household livelihood evolution［J］. Journal of Natural Resources， 2011，26（2）：344-352.

[11] 黄祖辉，俞宁.新型农业经营主体：现状、约束与发展思路：以浙江省为例的分析［J］.中国农村经济，2010（10）：16-26，56.

[12] Huang Z H， Yu N. New agricultural management subject： present situation， constraints and development ideas： an analysis of Zhejiang Province as an example［J］. Chinese Rural Economy， 2010（10）：16-26，56.

[13] 张露，罗必良.农业的减量化逻辑：一个分析框架［J］.农业经济问题，2022（4）：15-26.

[14] Zhang L， Luo B L. The logic of chemical use reduction in agriculture： an analyzing structure［J］. Issues in Agricultural Economy， 2022（4）：15-26.

[15] 杨慧琳，袁凯华，陈银蓉，等.农户分化、代际差异对宅基地退出意愿的影响：基于宅基地价值认知的中介效应分析［J］.资源科学，2020， 42（9）：1680-1691.

[16] Yang H L， Yuan K H， Chen Y R， et al. Effect of farmer differentiation and generational differences on their willingness to exit rural residential land：Analysis of intermediary effect based on the cognition of the homestead value［J］. Resources Science， 2020， 42（9）：1680-1691.

[17] Glerum D R， Joseph D L， McKenny A F， et al. The trainer matters： cross-classified models of trainee reactions［J］. Journal of Applied Psychology， 2021，106（2）：281-299.

[18] 郭岩，汪兴东.土地禀赋、务农黏性与农户绿色生产行为：基于江西省“百村千户”面板数据［J］.中国生态农业学报（中英文），2025，33（7）：1419-1429.

[19] Guo Y， Wang X D. Land endowment， farming stickiness， and green production behavior： based on panel data of “hundreds of villages and thousands of households” in Jiangxi Province［J］. Chinese Journal of Eco-Agriculture， 2025，33（7）：1419-1429.

[20] 古圳威，刘京，陈怡，等.陕西渭北旱塬区生境质量及碳储量时空演变分析与模拟［J］.环境科学，2023，44（8）：4666-4678.

[21] Gu Z W， Liu J， Chen Y， et al. Analysis and simulation of the spatiotemporal evolution of habitat quality and carbon storage in the Weibei dry plateau region of Shaanxi［J］. Environmental Science， 2023，44（8）：4666-4678.

[22] 邱孟龙，曹小曙，周建，等.基于GWR模型的渭北黄土旱塬粮食单产空间分异及其影响因子分析：以陕西彬县为例［J］.中国农业科学，2019，52（2）：273-284.

[23] Qiu M L， Cao X S， Zhou J， et al. Spatial differentiation and impact factors of grain yield per hectare in Weibei Plateau based on GWR model： a case study of Binxian County， Shaanxi［J］. Scientia Agricultura Sinica， 2019，52（2）：273-284.

[24] 夏利恒，刘京，尉芳，等.陕西渭北旱塬区耕地时空格局变化分析［J］.农业工程学报，2021，37（5）：256-264.

[25] Xia L H， Liu J， Wei F， et al. Spatiotemporal pattern change of cultivated land in Weibei Dryland of Shaanxi Province［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021，37（5）：256-264.

[26] 龙禹桥，吴文斌，余强毅，等.耕地集约化利用研究进展评述［J］.自然资源学报，2018，33（2）：337-350.

[27] Long Y Q， Wu W B， Yu Q Y， et al. Recent study progresses in intensive use of cropland［J］. Journal of Natural Resources， 2018，33（2）：337-350.

[28] 石淑芹，曹玉青，吴文斌，等.耕地集约化评价指标体系与评价方法研究进展［J］.中国农业科学，2017，50（7）：1210-1222.

[29] Shi S Q， Cao Y Q， Wu W B， et al. Progresses in research of evaluation index system and its method on arable land intensification： a review［J］. Scientia Agricultura Sinica， 2017，50（7）：1210-1222.

[30] Ester M， Kriegel H P， Sander J， et al. A density-based algorithm for discovering clusters in large spatial databases with noise［C］. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining， 1996：226-231.

[31] 刘瑞宽，李九全.西安市实体书店空间分布特征及影响因素：基于DBSCAN算法的分析［J］.经济地理，2021，41（6）：87-96.

[32] Liu R K， Li J Q. Spatial distribution characteristics and influencing factors of physical bookstores in Xi'an city： based on DBSCAN algorithm［J］. Economic Geography， 2021，41（6）：87-96.

[33] Gower J C. A general coefficient of similarity and some of its properties［J］. Biometrics， 1971，27（4）：857-871.

[34] 程开明.结构方程模型的特点及应用［J］.统计与决策，2006，22（10）：22-25.

[35] Cheng K M. Characteristics and application of structural equation model［J］. Statistics and Decision， 2006，22（10）：22-25. （in Chinese）.

[36] 闫阿倩，罗小锋.务农意愿对农户有机肥技术采纳行为的影响［J］.华中农业大学学报：社会科学版，2021（5）：66-74.

[37] Yan A Q， Luo X F. Influence of willingness to farm on farmers' adoption behavior of organic fertilizer technology［J］. Journal of Huazhong Agricultural University： social Sciences Edition， 2021（5）：66-74.

[38] 栾江，马瑞.农村劳动力转移就业稳定性对土地流转的影响效应研究：基于迁移异质性视角［J］.中国农业资源与区划，2021，42（12）：203-216.

[39] Luan J， Ma R. Study on the effect of stability of rural labor transfer employment on land transfer： based on the perspective of migration heterogeneity［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2021，42（12）：203-216.

[40] 王济川，王小倩，姜宝法.结构方程模型：方法与应用［M］.北京：高等教育出版社，2011.

[41] Wang J C， Wang X Q， Jiang B F. Structural equation models［M］. Beijing： Higher Education Press， 2011.

[42] 温忠麟，侯杰泰，马什赫伯特.结构方程模型检验：拟合指数与卡方准则［J］.心理学报，2004，36（2）：186-194.

[43] Wen Z L， Hou J T， Marsh H W. Structural equation model testing： cutoff criteria for goodness of fit indices and chi-square test［J］. Acta Psychologica Sinica， 2004，36（2）：186-194.

[44] 李庆，韩菡，李翠霞.老龄化、地形差异与农户种植决策［J］.经济评论，2019（6）：97-108.

[45] Li Q， Han H， Li C X. Aging， topography and peasant households' planting decisions［J］. Economic Review， 2019（6）：97-108.

[46] 刘彦随.现代人地关系与人地系统科学［J］.地理科学，2020，40（8）：1221-1234.

[47] Liu Y S. Modern human-earth relationship and human-earth system science［J］. Scientia Geographica Sinica， 2020，40（8）：1221-1234.

[48] Kahneman D， Tversky A. Prospect theory： an analysis of decision under risk［J］. Econometrica， 1979，47（2）：263-291.

[49] Tong D， Sun Y Y， Tang J Q， et al. Modeling the interaction of internal and external systems of rural settlements： the case of Guangdong， China［J］. Land Use Policy， 2023，132：106830.

[50] 史常亮，张益，郭焱，等.耕地细碎化对农户化肥使用效率的影响［J］.自然资源学报，2019，34（12）：2687-2700.

[51] Shi C L， Zhang Y， Guo Y， et al. The impact of land fragmentation on farmer′s chemical fertilizer use efficiency［J］. Journal of Natural Resources， 2019，34（12）：2687-2700.

[52] 王飞，叶长盛，华吉庆，等.南昌市城镇空间扩展与景观生态风险的耦合关系［J］.生态学报，2019，39（4）：1248-1262.

[53] Wang F， Ye C S， Hua J Q， et al. Coupling relationship between urban spatial expansion and landscape ecological risk in Nanchang City［J］. Acta Ecologica Sinica， 2019，39（4）：1248-1262.

[54] 杜三峡，罗小锋，黄炎忠，等.风险感知、农业社会化服务与稻农生物农药技术采纳行为［J］.长江流域资源与环境，2021，30（7）：1768-1779.

[55] Du S X， Luo X F， Huang Y Z， et al. Risk perception，specialized agricultural services and rice farmers’ adoption behavior of biological pesticide technology［J］. Resources and Environment in the Yangtze Basin， 2021， 30（7）： 1768-1779.

基金资助

国家自然科学基金项目(42471307)

陕西省自然科学基础研究计划资助项目(2024JC-YBQN-0300)

陕西省社科资助项目(2024 R040)

中央高校基本科研业务费专项资金项目(GK202505001)