地理科学进展 2016 , 35 (10): 1258-1268 https://doi.org/10.18306/dlkxjz.2016.10.009

研究论文

基于CR-BDI模型的农户作物种植行为模拟——以陕西省米脂县姜兴庄为例

王艳妮, 陈海^*^,, 宋世雄, 梅亚军, 温馨

西北大学城市与环境学院,西安 710127

Simulation of households' planting behavior based on a CR-BDI model: Case study of Jiangxingzhuang Village of Mizhi County in Shaanxi Province

WANG Yanni, CHEN Hai^*^,, SONG Shixiong, MEI Yajun, WEN Xin

Department of Urban and Resource Sciences, Northwest University, Xi'an 710127, China

通讯作者: 通讯作者：陈海(1971-),男,山西侯马人,教授,博士生导师,主要从事自然地理、生态学方面研究,E-mail: chw@nwu.edu.cn。

基金资助: 国家自然科学基金项目(41271103)

作者简介:

作者简介：王艳妮(1990-),女,山东潍坊人,硕士研究生,主要从事土地利用变化研究,E-mail: wynnwu2013@163.com。

展开

摘要

运用模拟平台模拟农户土地利用行为,对揭示农户土地利用变化机制和调整土地利用决策具有重要意义。本文选择生态脆弱区一乡一业、一村一品典型村陕西省米脂县姜兴庄为例,以信念—愿望—意图模型(BDI)为基础,构建有限理性能力与资源(CR-BDI)模型。基于NetLogo平台对CR-BDI模型和传统BDI模型的模拟情况进行对比分析,结果表明：①CR-BDI模型更适于微观尺度农户土地利用决策研究。2014年该模型面积失误率为6.78%,比传统BDI模型低8.48%,空间准确率比传统BDI模型高10.10%,2015年CR-BDI模型和传统BDI模型的整体空间正确率分别为78.8%和69.2%;②CR指数有利于体现农户的有限理性,与实际种植决策较为符合;③利用NetLogo平台有利于直观再现农户土地利用行为,揭示土地利用变化的微观机理,可作为研究土地利用变化互动机理的良好平台。

关键词： 农户行为 ; 土地利用 ; 种植 ; 有限理性 ; NetLogo平台 ; 模拟 ; CR-BDI模型 ; 陕西省米脂县姜兴庄

Abstract

At present, the research of agent-based modeling (ABM), which considers farming households' bounded rational behavior and uses simulation platform to simulate farming households' land use behavior, has become a focus of land use and land cover change simulation. Based on the beliefs-desires-intention (BDI) model, this study constructed a bounded rationality-resources (CR-BDI) model. A case study was conducted for Jiangxingzhuang Village of Mizhi County in Shaanxi Province. To verify the effectiveness of the CR-BDI model, a comparison between CR-BDI and BDI modeling results was performed. A number of observations and conclusions can be drawn: (1) Compared to the BDI model, a more realistic representation of farming households' decision-making process was provided by the CR-BDI model. The simulation accuracy of the CR-BDI model of 2014 is 93.22%, 8.48% higher than that of the traditional BDI model. The spatial distribution accuracy of the CR-BDI model output is 10.1% higher than that of the traditional BDI model. The simulated results of all crops (except scallion) in the CR-BDI model were of higher accuracy than in the BDI model. In 2015, the spatial accuracy of the CR-BDI model output is 78.8%, 9.6% higher than that of the traditional BDI model. (2) The indicator of CR is suitable for reflecting the bounded rationality of farming households, and matches the actual planting decision of farming households better. (3) The NetLogo platform is useful for representing farming households' land use behavior and provides a new way to research land use and land cover change.

Keywords： household behaviors ; land use ; planting ; bounded rationality ; NetLogo platform ; simulation ; CR-BDI model ; Jiangxingzhuang Village of Mizhi County in Shaanxi Province

PDF (4445KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

王艳妮, 陈海, 宋世雄, 梅亚军, 温馨. 基于CR-BDI模型的农户作物种植行为模拟——以陕西省米脂县姜兴庄为例[J]. , 2016, 35(10): 1258-1268 https://doi.org/10.18306/dlkxjz.2016.10.009

WANG Yanni, CHEN Hai, SONG Shixiong, MEI Yajun, WEN Xin. Simulation of households' planting behavior based on a CR-BDI model: Case study of Jiangxingzhuang Village of Mizhi County in Shaanxi Province[J]. 地理科学进展, 2016, 35(10): 1258-1268 https://doi.org/10.18306/dlkxjz.2016.10.009

1 引言

自1979年农村经济体制改革以来,作为中国农村社会基本细胞的农户,逐渐成为农村社会经济活动的主体(张小林等, 2002)。农户的土地利用行为决策与农村资源的开发利用、农业景观格局演变以及农村可持续发展等方面的联系日益紧密(宋长青等, 2005; 梁小英等, 2010; 张佰林等, 2016)。探讨微观主体——农户的土地利用行为与农业土地利用格局之间的互动机理,对了解农户行为的变迁,认识和理解农业土地利用格局的演变特征和过程,进而调控农户土地利用行为和优化农业景观格局具有重要的意义(张保华等, 2007; 陈海等, 2008; 陈海等, 2014)。

通过土地利用情景模拟模型,可有效地阐明人类需求驱动下的环境变化及人类如何适应自然与社会经济变化(Costanza et al, 1998; 吴文斌等, 2007)。相对其他模型而言,基于智能体模型(Agent Based Model, ABM)可以反映景观中具有自动性、异质性和分散性的人类决策,利于阐明行为人对变化的自然与社会经济环境的适应机制,揭示土地利用变化和环境变化之间的动态反馈作用(陈海等, 2008; 杜守帅等, 2011; 张云鹏等, 2013),因而在自然资源管理、农业经济和城市模拟等领域得到广泛应用(陈海等, 2008; Balke et al, 2014)。目前,利用决策理论模拟智能体决策已成为研究趋势之一,其中,BDI模型(Belief-Desires-Intension)来源于心理学家Bratman的思想,由于其具有在复杂动态环境模拟中构建推理系统的优势而得到广泛应用(引自Balke et al, 2014),目前主要集中于理性经济人决策模型研究方面,部分学者对微观主体的有限理性行为进行了积极研究,比较有代表性的有eBDI模型和BOID模型(Le et al, 2008; Balke et al, 2014),但上述研究大多为理论探讨,目前还鲜有土地利用变化领域的理论与案例研究。

NetLogo作为一个多智能体建模仿真集成环境,特别适合于随时间演化的复杂系统的建模仿真。国内外已有不少学者运用NetLogo研究土地利用,如Feitosa等(2011)将人口动态模型与景观动态模型相结合研究城市隔离现象;Filatova等(2011)研究了土地市场、价格、税收及生态服务价值等因素对沿海城市土地利用格局及其生态效应的影响。上述研究为土地利用的空间决策提供了有效的方法,但由于研究大多集中在城市,且土地利用的主体往往是群体或类群,对个体决策、尤其是微观尺度农户行为决策研究没有涉及。在农户决策方面,较有代表性的如Le等(2008)研究了基于劳动力预算、地块面积大小等因素对农户森林砍伐决策所作出的时空动态耦合模拟;Mena等(2011)对相对封闭海岛居民的生计与环境之间的复杂关系模拟研究,探讨入侵作物的扩张对农户土地利用决策的影响;但这些研究均未涉及农户的有限理性决策问题。

基于此,本文拟运用BDI决策模型,通过获取反映农户有限理性的能力与资源参数,构建有限理性能力与资源CR-BDI模型,模拟和检验农户的有限理性行为,并结合NetLogo模拟平台展示农户土地利用行为所引发的土地利用数量和空间上的变化,以此来揭示生态脆弱区土地利用变化的微观机理。在模拟时先利用2013年实际土地利用种植以及分布情况,模拟2014年土地种植情况以及不同作物分布情况,并通过与2014年实际情况加以对比,既可展示姜兴庄现实的模拟结果,又可对驱动力因素选择的准确性作出检验;之后为进一步验证构建模型模拟的有效性,用2014年土地利用情况对2015年土地利用情况进行模拟验证。

2 研究区域与数据

2.1 研究区概况

米脂县位于陕西省北部,属典型的黄土高原沟壑区,以梁、峁为主,水土流失严重、生态脆弱,属中温带半干旱性气候区,降水年际变化大且空间分布不均。为减轻水土流失对黄河流域的影响,米脂县于1999年被国家林业局列为首批退耕还林示范县。1999-2006年,退耕还林(草)面积共115.67 km²,林草地所占的面积比重从1999年的31.3%上升为2006年的40.8%,耕地相应地从由65%减少至53.15%(郗静, 2009)。2006年之后,耕地与林草地之间面积占比基本保持上述格局。

高渠乡是米脂县退耕还林典型乡镇,1999-2006年,林地和耕地面积年变化率分别为3.32%与3.17%。高渠乡的农业主要以种植薯类、小杂粮、土豆为主,并种植红葱、苹果等经济作物。随着红葱成为高渠乡特色的经济作物,该乡已于2010年被定为陕西省农业厅第三批一乡一业示范乡镇(陈姗姗等, 2012)。为探索在保护环境的前提下,如何有效发展农村经济,揭示农村经济发展的微观机理,选取一乡一业、一村一品典型村——姜兴庄作为研究对象。姜兴庄自2000年起执行退耕还林政策,土地利用方式发生很大变化。2005年山地基本退耕或种植经济林,其中退耕面积约占总面积的40%。目前,川地主要种植红葱、土豆等经济作物以及谷子、豆类等粮食作物;相对于川地,坝地种植较稳定,以种植玉米为主。全村耕地约61 hm²,果树约占35%。图1为2015年玉米、土豆、红葱、杂粮等作物的分布情况,可以看出：玉米一般分布在村中部的坝地,土豆和红葱分布在村西北部的川地,杂粮主要分布在村西部和东部的川地;上述4种作物所占比例分别为18.4%、15.7%、21.3%、9.5%。全村农户约有154户,约有80户外出打工,其耕地一般由亲属或者邻居种植,剩余务农农户中约有20余户为年迈老人,仅在院落种植杂粮、土豆满足生活需求,全村以种植作物谋生的农户约为51户。

显示原图| 下载原图ZIP| 生成PPT

图1 研究区位置及主要农作物分布概况图

Fig.1 Distribution of the main crops in the study area

2.2 数据来源及处理流程

2.2.1 数据来源

(1) 农户问卷调查数据。主要通过参与式乡村评估(Participatory Rural Appraisal, PRA)与入户问卷调查结合的方法获取有效农户调查数据。调研在村干部的带领下进行：一是便于与农户沟通,二是适当听取村干部的意见,尽可能选取所有农户类型。调研先后于2013-2015年暑假(7-8月)进行,基本覆盖所有常年在家务农的农户。每年获取的有效问卷数量在35份左右,占当年在家务农农户总量的60%以上,问卷有效率在95%以上。调查内容主要包括农户家庭劳动力数量、种植产出情况、作物出售价格、影响自身种植作物的因素,以及作物种植面积与地籍信息等。

(2) 2013-2015年姜兴庄土地利用图及地籍图。运用已有的2012年姜兴庄土地利用类型底图和2015年手持GPS定位仪测定的数据,在 ArcGIS 10.1 环境下,参照手持GPS 定位仪测定的土地利用类型特征点,人工绘制2013、2014及2015 年研究区的土地利用类型图,并对地块的权属信息进行完善,其中调研农户的土地面积约占全村作物种植面积的47%。为与DEM数据匹配,将土地类型图及距道路距离图全部转化为5 m×5 m分辨率的栅格数据。

(3) DEM数据分辨率为5 m,来自中国科学院计算机网络信息中心地理空间数据云(http://www.gscloud.cn/)。

2.2.2 处理流程

数据处理流程如图2所示：数据处理大体分为农户有限理性决策模型构建及NetLogo实现与检验2部分。以BDI模型为基础,通过构建能力与资源修正指数,修正农户的愿望,构建农户CR-BDI有限理性决策模型。在此基础上,基于NetLogo模拟平台,模拟农户下年度的土地利用决策,并结合实际土地利用数据,检验和验证模型的有效性。

显示原图| 下载原图ZIP| 生成PPT

图2 数据处理流程图

Fig.2 Flowchart of data processing

3 农户有限理性决策模型的构建

3.1 信念模型

BDI模型即信念—愿望—意图模型,本文在构建基于有限理性的BDI信念模型时,参照陈海等对BDI信念(陈海等, 2009; 陈海等, 2014)描述,认为信念是指智能体(Agent)对目前系统状态的认识和未来状态的估计。表达式为：

$\begin{matrix} B_{ikt} = f {P_{ikt ，} I m_{ikt}} \end{matrix}$ (1)

式中： $\begin{matrix} B_{ikt} \end{matrix}$ 为目前农户 $\begin{matrix} i \end{matrix}$ 在时间 $\begin{matrix} t \end{matrix}$ 对种植作物 $\begin{matrix} k \end{matrix}$ 的信念; $\begin{matrix} P_{ikt} \end{matrix}$ 是农户 $\begin{matrix} i \end{matrix}$ 在时间 $\begin{matrix} t \end{matrix}$ 对种植作物 $\begin{matrix} k \end{matrix}$ 的自然环境及耕作条件的认识; $\begin{matrix} I m_{ikt} \end{matrix}$ 为时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 种植作物 $\begin{matrix} k \end{matrix}$ 的重要性。就研究区而言,影响该区域农户种植的自然因素主要为海拔高度、坡度以及距主要道路的距离;由于研究区耕地为梯田,故本文不考虑坡度因素,而将距主要道路距离、海拔高度列为主导影响因素。为定量化表示农户对自然条件的认识,拟以任一条件下某种作物的面积与该条件作物面积的比值,来代表农户对该条件下作物种植的认识。因此, $\begin{matrix} P_{ikt} \end{matrix}$ 表达如下：

$\begin{matrix} P_{ikt} = \frac{Are a_{D A_{iktsj}}}{\overset{4}{\sum_{i = 1}} Are a_{D A_{iktsj}}} \end{matrix}$ (2)

式中： $\begin{matrix} Are a_{D A_{iktsj}} \end{matrix}$ 为自然条件 $\begin{matrix} D A_{iktsj} \end{matrix}$ 下作物k的面积; $\begin{matrix} D A_{iktsj} \end{matrix}$ 为时间t农户i作物 $\begin{matrix} k \end{matrix}$ 距主要道路距离 $\begin{matrix} s \end{matrix}$ 与高度为 $\begin{matrix} j \end{matrix}$ 时的自然条件,其中D、A分别表示距离和海拔高度。农户依据与主要道路的距离和海拔高度等因素综合判断自然条件对作物种植的影响。为较精确地反映农户对自然条件的认识,同时也为了便于计算,将距离( $\begin{matrix} distance \end{matrix}$ )与海拔高度( $\begin{matrix} altitude \end{matrix}$ )各分为5类(表1)。为定量化表达自然条件,构建公式如下：

$\begin{matrix} D A_{iktsj} = distanc e_{ikts} \times 10 + altitud e_{iktj} \end{matrix}$ (3)

式中： $\begin{matrix} distance \end{matrix}$ 为地块到村庄主要道路的距离, $\begin{matrix} altitude \end{matrix}$ 为地块的海拔高度。

本文通过土地利用类型重要性 $\begin{matrix} I m_{ikt} \end{matrix}$ 来代表农户对土地利用的安排和认识。不同土地利用方式的排序可以表征不同土地类型对农户的重要性。作为农户后续决策的基础,该参数的公式如下：

$\begin{matrix} I m_{ikt} = \frac{Incom e_{ikt}}{\overset{n}{\sum_{k = 1}} Incom e_{ikt (k = 1,2, \dots, n)}} \end{matrix}$ (4)

式中： $\begin{matrix} I m_{ikt} \end{matrix}$ 为土地利用类型重要性; $\begin{matrix} m_{ikt} \end{matrix}$ 表示时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 第 $\begin{matrix} k \end{matrix}$ 种作物的重要性; $\begin{matrix} \overset{n}{\sum_{k = 1}} Incom e_{ikt (k = 1,2, \dots, n)} \end{matrix}$ 表示时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 的农业总收入。 $\begin{matrix} I m_{ikt} \end{matrix}$ 数值越大,表明第 $\begin{matrix} k \end{matrix}$ 种作物对于农户 $\begin{matrix} i \end{matrix}$ 越重要,改变第 $\begin{matrix} k \end{matrix}$ 种作物种植的可能性越小。

表1 距离和海拔高度等级划分表/m

Tab.1 Distance and altitude classes/m

等级	1	2	3	4	5
距离	0~99	99~220	220~330	330~455	455~1400
海拔高度	971~990	990~1020	1020~1033	1033~1058	1058~1110

注：如31表示距离在220~330 m和海拔高度在971~990 m的自然条件,31+41表示距离在220~330 m和海拔高度在971~990 m以及距离在330~455 m和海拔高度在971~990 m的自然条件。

新窗口打开

3.2 愿望模型

农户愿望是农户希望达到的状态,通过农户扩大或者缩小种植规模而表现;传统BDI模型大多利用效益最大化模型(Le et al, 2008; 梁小英等, 2010),即农户通常会将收益最大的作物保留,并会将其他作物转化为收益最大的作物,作为农户在现有条件下的种植“最优解”。为了表征农户的有限理性,真实反映其对市场和自身种植状况的认识,本文在传统愿望模型的基础上添加有限理性因素作为农户的愿望模型,表达式如下：

$\begin{matrix} D_{ikt} = I m_{ikt} \times M_{ikt} \times C R_{ikt} \end{matrix}$ (5)

式中： $\begin{matrix} M_{ikt} \end{matrix}$ 为时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 认为市场对第 $\begin{matrix} k \end{matrix}$ 种作物的影响; $\begin{matrix} C R_{ikt} \end{matrix}$ 为时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 认为种植第 $\begin{matrix} k \end{matrix}$ 种作物的能力与资源修正指数,以此来表征其实际的决策水平,其他参数含义如上。

3.2.1 市场对作物的影响

为了真实体现农户对市场信息的了解,结合调研的实际状况,选取近2年来不同作物出售价格的比值作为市场对不同作物的影响,计算公式如下：

$\begin{matrix} M_{kt} = \frac{Pric e_{kt}}{Pric e_{k, t - 1}} \end{matrix}$ (6)

式中： $\begin{matrix} Pric e_{kt} \end{matrix}$ 表示时间 $\begin{matrix} t \end{matrix}$ 第 $\begin{matrix} k \end{matrix}$ 种作物价格; $\begin{matrix} Pric e_{k, t - 1} \end{matrix}$ 表示 $\begin{matrix} t - 1 \end{matrix}$ 年第 $\begin{matrix} k \end{matrix}$ 种作物的价格。如果 $\begin{matrix} M_{kt} \end{matrix}$ >1,表明第 $\begin{matrix} k \end{matrix}$ 种作物的价格上涨,农户一般会考虑扩大该种作物的种植规模;如果 $\begin{matrix} M_{kt} \end{matrix}$ <1,农户可能会缩小种植规模或改种其他收益作物。

3.2.2 农户能力与资源指数(CR)

农户能力与资源(CR)修正指数的公式如下：

$\begin{matrix} C R_{ikt} = W_{1 k} \times Capabilit y_{ikt} + W_{2 k} \times Resource s_{ikt} \end{matrix}$ (7)

式中： $\begin{matrix} Capabilit y_{ikt} \end{matrix}$ 为时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 种植第 $\begin{matrix} k \end{matrix}$ 种作物的能力; $\begin{matrix} Resource s_{ikt} \end{matrix}$ 为时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 种植第 $\begin{matrix} k \end{matrix}$ 种作物的资源; $\begin{matrix} W_{1 k} \end{matrix}$ 和 $\begin{matrix} W_{2 k} \end{matrix}$ 为权重因子,分别为 $\begin{matrix} Capability \end{matrix}$ 和 $\begin{matrix} Resources \end{matrix}$ 权重。 $\begin{matrix} W_{1 k} \end{matrix}$ 和 $\begin{matrix} W_{2 k} \end{matrix}$ 的计算公式如下：

$\begin{matrix} W_{1 k} = \frac{β_{1 k}}{β_{1 k} + β_{2 k}} \end{matrix}$ (8)

$\begin{matrix} β_{hk} = \frac{n_{hk}}{n_{sum}} (h = 1, 2) \end{matrix}$ (9)

式中： $\begin{matrix} n_{sum} \end{matrix}$ 为被调查农户的总数; $\begin{matrix} n_{hk} \end{matrix}$ 是指种植第 $\begin{matrix} k \end{matrix}$ 种作物选择经济效益或劳动力因素的农户数量; $\begin{matrix} β_{hk} \end{matrix}$ 为种植第 $\begin{matrix} k \end{matrix}$ 种作物选择经济效益或选择劳动力的户数占被调查总户数的比例(常笑等, 2013);h为经济效益或劳动力因素。 $\begin{matrix} W_{1 k} \end{matrix}$ 表示归一化后的权重;可根据W₁_k+W₂_k=1,得出W₂_k值。

$\begin{matrix} Capabilit y_{ikt} \end{matrix}$ 为农户对经济效益的判断、政策把握及种植技术的掌握等方面的能力。调研时发现,该区域的政策主要涉及退耕还林及耕地补贴等,上述政策对农户的耕地决策行为影响不大;该村的作物均世代耕作,不存在未掌握种植技术的情况,故文中对此不作讨论。因此,本文构建的能力参数表达为经济效益( $\begin{matrix} Profi t_{ikt} \end{matrix}$ ),为时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 种植第 $\begin{matrix} k \end{matrix}$ 种作物的经济效益参数。为体现不同作物的经济效益对农户行为的影响,采用时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 种植第 $\begin{matrix} k \end{matrix}$ 种作物的平均利润占该农户所有作物平均利润之比重新加以表达。一般而言, $\begin{matrix} Profi t_{ikt} \end{matrix}$ 越大,表明农户种植该种作物的能力越高。 $\begin{matrix} Profi t_{ikt} \end{matrix}$ 构建如下：

$\begin{matrix} Capabilit y_{ikt} = Profi t_{ikt} = \frac{P_{ikt}}{\overset{n}{\sum_{k = 1}} P_{ikt (n = 1,2, \dots 21)}} \end{matrix}$ (10)

式中： $\begin{matrix} P_{ikt} \end{matrix}$ 为时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 种植第 $\begin{matrix} k \end{matrix}$ 种作物每亩地的平均利润; $\begin{matrix} \overset{n}{\sum_{k = 1}} P_{ikt (n = 1,2, \dots, 21)} \end{matrix}$ 为时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 种植 $\begin{matrix} k \end{matrix}$ 种作物每亩地的平均利润之和。

资源参数为劳动力Labor_ikt影响因素,公式如下：

$\begin{matrix} Resource s_{ikt} = Labo r_{ikt} = \frac{L_{it} - L_{tmin}}{L_{tmax} - L_{tmin}} \end{matrix}$ (11)

式中： $\begin{matrix} Labo r_{ikt} \end{matrix}$ 为时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 的农业劳动人数对第 $\begin{matrix} k \end{matrix}$ 种作物的影响; $\begin{matrix} L_{it} \end{matrix}$ 表示时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 的农业劳动人数; $\begin{matrix} L_{tmin} \end{matrix}$ 表示时间 $\begin{matrix} t \end{matrix}$ 被调查农户农业劳动人数的最小值; $\begin{matrix} L_{tmax} \end{matrix}$ 表示时间 $\begin{matrix} t \end{matrix}$ 被调查农户农业劳动人数的最大值。

3.3 意图模型

意图是农户的最终决定,它除了受农户自身愿望影响外,还受种植作物收益大小的影响。最终意图( $\begin{matrix} I_{ik, t + 1} \end{matrix}$ )构建如下：

$\begin{matrix} I_{ik, t + 1} = f \{D_{ikt}, I n_{ikt}\} = D_{ikt} \times I n_{ikt} \end{matrix}$ (12)

式中： $\begin{matrix} D_{ikt} \end{matrix}$ 为时间 $\begin{matrix} t \end{matrix}$ 农户 $\begin{matrix} i \end{matrix}$ 种植第 $\begin{matrix} k \end{matrix}$ 种作物的种植愿望; $\begin{matrix} I n_{ikt} \end{matrix}$ 表示为作物收益系数,本文用时间 $\begin{matrix} t \end{matrix}$ 所有农户第 $\begin{matrix} k \end{matrix}$ 种作物的收入与所有农户的所有作物收入和的比值表示,公式如下：

$\begin{matrix} I n_{ikt} = \frac{\overset{n}{\sum_{i = 1}} Incom e_{ikt}}{\overset{m}{\sum_{k = 1}} \overset{n}{\sum_{i = 1}} Incom e_{ikt}} \end{matrix}$ (13)

式中 $\begin{matrix} ： \overset{n}{\sum_{i = 1}} Incom e_{ikt} \end{matrix}$ 表示时间 $\begin{matrix} t \end{matrix}$ 所有农户种植第 $\begin{matrix} k \end{matrix}$ 种作物的总收入; $\begin{matrix} \overset{m}{\sum_{k = 1}} \overset{n}{\sum_{i = 1}} Incom e_{ikt} \end{matrix}$ 表示时间 $\begin{matrix} t \end{matrix}$ 所有农户种植作物的总收入; $\begin{matrix} n \end{matrix}$ 是指农户的数量; $\begin{matrix} m \end{matrix}$ 指种植作物的种类。 $\begin{matrix} I n_{ikt} \end{matrix}$ 值越大,表明该作物的在研究区所占的收益比重越大,作物 $\begin{matrix} k \end{matrix}$ 种植稳定性就越大;反之,改变种植的可能性就会较大。

4 结果与分析

4.1 农户信念分析

基于式(2)-(3)及相关假设,计算得出农户对自然条件的认识 $\begin{matrix} P_{ikt} \end{matrix}$ 。图3为主要 $\begin{matrix} D A_{iktsj} \end{matrix}$ 条件下作物 $\begin{matrix} P_{ikt} \end{matrix}$ 值适宜种植情况。从图3可以看出,各种作物都有其适宜的种植范围。玉米适宜种植在海拔较低的位置,如在 $\begin{matrix} D A_{iktsj} \end{matrix}$ =(31+41),即距道路距离>200 m,且高度<990 m的区域,其种植面积的比重达83%;土豆适宜种植在距道路较近、海拔略高的区域,如在(23+33)自然条件下,种植面积比重达73%;红葱的适宜种植范围与土豆相似,但更倾向于种植在海拔高度偏低的地区;杂粮适宜种植在距离道路较远、海拔较高的位置,在自然条件为(44+45)地区种植面积的比重达65%。

显示原图| 下载原图ZIP| 生成PPT

图3 农户对自然条件的认知图

Fig.3 Perception of the farmers for the natural conditions

由式(4)可计算出农户的土地利用方式重要性 $\begin{matrix} I m_{ikt} \end{matrix}$ ,由于调研农户较多,为清晰地表达不同类型农户的种植情况,表2仅列出典型农户的 $\begin{matrix} I m_{ikt} \end{matrix}$ ,约占2013-2015年调研农户数据的43%。

从表2可看出,不同作物的重要性不同。就姜兴庄整体而言,红葱的重要性值最大,这与该村将红葱作为主导产业的现状相一致。其次是玉米和土豆,杂粮的重要性最低(均值仅为12%)。为进一步分析农户的种植特征,本文依据主要作物(玉米、土豆和红葱)的重要性状况,将农户划分两大类型：均衡种植农户和非均衡种植农户;前者主要是指玉米、土豆、红葱三者的重要性参数大体相等,如农户1和农户2,以农户1较为典型,3种作物的重要性参数均大于0.3;后者还可进一步划分为3种类型：玉米重要性高的类型,如表2中的农户3和农户4;土豆重要性大的类型,如农户5和农户6;红葱重要性大的类型,如农户7、农户8和农户9。在21户农户中,均衡种植户有6户,玉米重要性大的农户有3户,红葱重要性大的农户有9户,土豆重要性大的农户有3户。

表2 农户土地利用重要性

Tab.2 Importance of farming households' land use

农户序号	玉米	土豆	红葱	杂粮
1	0.36	0.33	0.31	0.00
2	0.32	0.25	0.38	0.05
3	0.65	0.19	0.16	0.00
4	0.46	0.11	0.25	0.18
5	0.21	0.47	0.22	0.10
6	0.23	0.40	0.23	0.14
7	0.17	0.15	0.54	0.14
8	0.18	0.17	0.53	0.12
9	0.23	0.12	0.65	0.00
村庄整体均值	0.30	0.22	0.36	0.12

新窗口打开

4.2 农户愿望分析

依据式(7)-(11),计算得到有限理性CR指数 (表3)。从表3可以看出,①就农户整体角度来看,在能力指数方面,红葱最高,土豆和玉米次之,杂粮的能力指数最低,这与该村以红葱种植为主相一致;在资源指数方面,杂粮最高,土豆、玉米和红葱次之。②CR指数可进一步表征同一类农户间的差异性。相比较而言,能力指数对农户差异的分离度要大于资源指数的分离度。结合表2可知,农户1与农户2都为均衡种植农户,但农户2各种作物的能力指数有较大差异,农户1各作物能力指数较为接近。这表明,即使是同一类农户,其不同作物的能力指数也有较大差异。③不同类型农户在CR指数方面也表现出相似性。就能力指数而言,表中所有农户红葱的能力指数均为最高。

表3 农户CR指数表

Tab.3 Bounded rationality (CR) of the typical farming households

农户序号	能力(经济效益)指数					资源(劳动力)指数
农户序号	玉米		土豆	红葱	杂粮	玉米	土豆	红葱	杂粮
1	0.15	0.16	0.15	0.00		0.21	0.27	0.20	0.28
2	0.09	0.12	0.15	0.10		0.43	0.53	0.41	0.56
3	0.16	0.14	0.16	0.00		0.21	0.27	0.20	0.28
4	0.12	0.12	0.14	0.08		0.21	0.27	0.20	0.28
5	0.09	0.13	0.15	0.11		0.21	0.27	0.20	0.28
6	0.09	0.14	0.16	0.10		0.21	0.27	0.20	0.28
7	0.12	0.13	0.17	0.09		0.21	0.27	0.20	0.28
8	0.10	0.13	0.16	0.11		0.21	0.27	0.20	0.28
9	0.15	0.15	0.19	0.00		0.21	0.27	0.20	0.28
村庄整体均值	0.12	0.13	0.16	0.09		0.21	0.25	0.20	0.27

新窗口打开

根据式(5),可计算得到农户的愿望,表4为典型农户的愿望表。从表4可看出：①就农户整体来看,研究区种植红葱的愿望最高,其次为玉米和土豆,杂粮的种植愿望最低。②从农户类型来看,虽然均衡种植农户种植玉米的愿望较高,但与其他作物间的差距不是很大;相比较其他农户各类作物的差值来看,农户决策意愿仍较为平均;结合表2,其他类型的农户种植意愿与种植信念基本一致,如以红葱种植信念较高的农户,其种植愿望也较高。

表4 典型农户决策的愿望表

Tab.4 Desire of the typical farming households in decision making

农户序号	玉米	土豆	红葱	杂粮
1	0.14	0.11	0.13	0.00
2	0.20	0.14	0.17	0.04
3	0.29	0.06	0.08	0.00
4	0.16	0.06	0.12	0.06
5	0.09	0.13	0.07	0.03
6	0.11	0.12	0.07	0.05
7	0.07	0.05	0.22	0.06
8	0.09	0.03	0.14	0.06
9	0.05	0.03	0.08	0.00
村庄整体均值	0.13	0.10	0.16	0.04

新窗口打开

4.3 农户意图分析

根据式(13)得到研究区玉米、土豆、红葱和杂粮4种作物的收益系数分别为0.24、0.28、0.33和0.15。红葱的收益系数值最大,其次为土豆和玉米,杂粮的收益系数值最低,这表明红葱在研究区占十分重要地位,农户一般不会考虑将红葱转变为其他作物,而将杂粮等收益系数小的作物转变为其他收益系数大作物的可能性较高。

由式(12)得到基于CR-BDI的农户土地利用决策结果(表5)。从表5可以看出,在村庄的面积误差方面,模拟结果与2015年实际情况相对比,误差合计为6.78%,其中红葱的村庄失误面积累计最高,为1.86 hm²;其次为玉米、土豆和杂粮。从农户类型来看,均衡种植户的失误率最低,模拟效果最好。第二类农户中,主要作物的预测较为准确,如以玉米种植为主的农户,玉米模拟的正确率相对其他作物较高。

表5 CR-BDI模型决策模拟结果/hm²

Tab.5 Simulation result of the CR-BDI model/hm²

农户序号	玉米	土豆	红葱	杂粮	农户失误率合计/%
1	0.37(-0.03)	0.29(0.02)	0.28(0.01)	0.00(0.00)	6.38
2	0.55(-0.05)	0.40(0.02)	0.44(0.07)	0.05(-0.02)	10.61
3	0.54(0.05)	0.12(-0.02)	0.08(-0.03)	0.00(0.00)	13.89
4	0.71(0.06)	0.09(-0.05)	0.35(0.04)	0.15(-0.05)	15.75
5	0.34(-0.06)	0.67(0.02)	0.39(0.06)	0.05(-0.02)	10.06
6	0.49(-0.04)	0.63(-0.04)	0.47(0.10)	0.12(-0.02)	12.59
7	0.14(0.03)	0.07(-0.04)	0.54(0.07)	0.08(-0.05)	23.53
8	0.17(-0.05)	0.04(-0.02)	0.52(0.09)	0.07(-0.02)	23.38
9	0.25(-0.02)	0.08(-0.05)	0.57(0.07)	0.00(0.00)	14.58
村庄失误面积累计	1.21	0.96	1.86	0.76	6.78

注：括号内数字表示模拟值与实际面积的差值,表6同。

新窗口打开

4.4 模型的检验与验证

结合2013和2014年的实际调研数据,利用NetLogo平台对CR-BDI模型与BDI模型的模拟结果进行对比研究。对比主要集中在以2个方面：一是各地类模拟数量的对比,二是各地类空间位置的对比。前者包括2个层面：村庄整体层面与典型农户层面。BDI模型数量模拟结果见表6,2种模型空间差异对比见图4(在NetLogo平台中设置模拟准确的作物地类用蓝色表示,红色表示模拟失误的作物地类分布)。

表6 BDI模型决策模拟结果/hm²

Tab.6 Simulation result of the BDI model/hm²

序号	玉米	土豆	红葱	杂粮	农户失误率合计/%
1	0.35(-0.06)	0.28(0.02)	0.31(0.04)	0.00(0.00)	12.77
2	0.50(-0.10)	0.46(0.08)	0.35(-0.02)	0.11(0.04)	18.18
3	0.42(-0.11)	0.20(0.07)	0.10(0.04)	0.00(0.00)	30.50
4	0.52(-0.16)	0.27(0.13)	0.33(0.08)	0.15(-0.05)	33.07
5	0.42(0.02)	0.50(-0.17)	0.40(0.06)	0.16(0.09)	22.97
6	0.56(0.03)	0.50(-0.15)	0.33(0.06)	0.20(0.06)	18.87
7	0.20(0.07)	0.20(0.09)	0.35(-0.12)	0.10(-0.04)	37.64
8	0.15(-0.05)	0.05(0.01)	0.51(0.11)	0.06(-0.07)	31.17
9	0.20(-0.10)	0.26(0.13)	0.50(-0.03)	0.00(0.00)	27.08
村庄失误面积累计	2.12	2.20	1.42	1.57	15.26

新窗口打开

显示原图| 下载原图ZIP| 生成PPT

图4 CR-BDI与BDI模型失误分布图

Fig.4 Distribution of error of the CR-BDI and BDI models

结合表5和表6可看出：从村庄整体来看,BDI模型的整体失误率为15.26%,高于CR-BDI模型。但BDI模型红葱的模拟结果优于CR-BDI的模拟结果,进一步对比发现,BDI模型红葱失误面积比CR-BDI少0.44 hm²;其他作物如玉米、土豆和杂粮的村庄失误面积累计分别比CR-BDI模型高0.91、1.24 和0.79 hm²。结合调研发现,出现这种情况的原因是农户种植杂粮、土豆及玉米更多是为满足自身及牲畜饲料需求,当有剩余时再进入市场,偏重于有限理性的表达;而选择种植红葱则更偏于增加收入。

从农户类型来看,与CR-BDI模型相比,采用BDI模型失误率较高,均衡种植农户的失误率相对其他农户类型较低;非均衡农户的失误率同样比CR-BDI模型要高。说明从整体上,CR-BDI模型能更好表达农户的行为决策,也表明姜兴庄农户在土地利用时并不是简单地追求效益的最大化(即采用“理性经济人决策”),而是呈现有限理性的特点,即决策趋向于“满意”。

2种模型模拟的空间差异如图4所示。其中, CR-BDI空间分布的正确率为81.3%,BDI模型的正确率为71.2%。从图4可以看出：两模型的模拟失误都主要集中在村庄西北部和中东部地区。为具体分析2种模型在不同自然条件下的优劣,对失误较大的自然条件进行具体分析(表7)。就作物类型而言,2种模型中土豆和红葱的失误率较大,都占到各自总失误的69%和61%,杂粮次之,玉米失误最小。对比2种模型,玉米、土豆、杂粮等作物都是采用CR-BDI模型时失误较低;从红葱的模拟效果来看,BDI模型要优于CR-BDI模型的模拟结果：前者红葱面积失误累计为1.42 hm²,后者红葱面积失误累计为1.86 hm²。通过对红葱重要性高的农户分析发现,对该类农户红葱种植的模拟效果BDI模型要优于CR-BDI模型,两者红葱面积失误累计分别为0.48、1.14 hm²。由此看出以红葱种植为主的农户,其追求效益最大化决策的程度要高于其他农户。

表7 CR-BDI模型主要自然条件下失误表/%

Tab.7 Simulation errors of the main natural conditions of the CR-BDI and BDI models/%

自然条件	CR-BDI模型						BDI模型
自然条件	玉米		土豆	红葱	杂粮	合计	玉米	土豆	红葱	杂粮	合计
31 + 41	0.2	0.3	0.3	0.0	0.8		0.4	0.8	0.5	0.0	1.7
22 + 32	0.6	1.5	2.2	0.9	5.2		1.2	2.1	1.8	1.2	6.3
23 + 33	0.5	1.7	2.6	0.7	5.5		1.0	2.5	2.3	1.2	7.0
44 + 45	0.3	0.7	1.0	1.4	3.4		0.7	1.1	0.9	2.1	4.8
整体失误	1.6	4.2	6.1	3.0			3.3	6.5	5.5	4.5

注：自然条件31、41的数值如式(3)和表1所示,31+41表示31和41这2种自然条件下的情况,以此类推。

新窗口打开

从主要自然条件看(表7),2种模型在村庄北部与距道路距离较近、海拔高度略高(即自然条件类型为23+33)及村庄中部与道路距离略远、海拔高度较低的(即自然条件类型为22+32)失误率较高,在村庄中部距道路较远、海拔较低(31+41)区域总失误率及各种作物的失误最小。模拟在数量及空间位置存在差异及模拟失误的原因主要有：①土豆和红葱在种植位置上比较难以量化区分,从实际调研来看,农户一般会有意识将土豆种植在距道路较远处,红葱种植在距道路较近处,但在农户实际种植时,面对自然条件差异不大的地块,选择的随机性较大,因此增加了模拟的难度;②农户为通过轮作方式保持土壤肥力及减少病虫害发生的可能性,会在适宜土豆和红葱的土地上改种杂粮,这也是导致正确率降低的原因;③农户种植作物繁多,本文将谷子、糜子、花生、红豆、黑豆等作物归为杂粮,决策因素统一计算,难以考虑到每种作物的决策。

为进一步验证所构建的CR-BDI模型的有效性,本文通过NetLogo平台利用2014年的农户数据对2015年土地利用情况进行进一步的模拟验证,所得出的CR-BDI模型与BDI模型失误分布图如图5所示,其中CR-BDI模型正确率为78.8%,BDI模型正确率为69.2%。同样说明CR-BDI模型能更好地模拟农户的土地决策情况。

显示原图| 下载原图ZIP| 生成PPT

图5 2015年CR-BDI与BDI模型失误分布图

Fig.5 Distribution of error of the CR-BDI and BDI models for 2015

5 结论与讨论

5.1 结论

本文以BDI模型为基础,构建有限理性CR-BDI模型,以陕西省米脂县姜兴庄为例,基于NetLogo平台对农户土地利用行为进行模拟。通过对CR-BDI与BDI模型的对比分析,得到如下结论：

(1) 与BDI模型相比,CR-BDI模型模拟数量准确度较高。虽然利用BDI模型模拟红葱的效果要好于CR-BDI模型,但从该村整体来看CR-BDI模型比BDI模型模拟误差少8.48%。因此,CR-BDI模型能够较好地揭示微观尺度农户土地利用行为。

(2) CR-BDI模型在空间模拟结果的表达上更为准确。CR-BDI模型的2014年空间模拟正确率为81.3%,BDI模型的2014年空间模拟正确率为71.2%;虽然BDI模型对红葱的模拟比CR-BDI略好,但对其他作物的空间模拟正确率都低于CR-BDI模型。用2014年数据模拟2015年土地利用情况,得到2015年CR-BDI模型正确率为78.8%,BDI模型正确率为69.2%。

(3) CR指数有利于体现农户的有限理性。通过2种模型的对比分析可知,正是由于CR指数的存在,使得CR-BDI模型比BDI模型的模拟效果更加符合实际种植情况,同时也表明研究区农户的决策并非简单的效益最大化,而是更多趋向于满意的决策。

(4) NetLogo平台有利于直观再现农户土地利用行为。其与GIS结合可从空间上展示农户的行为决策结果,可直观地再现微观主体——农户的土地利用过程,为揭示土地利用变化的微观驱动机理提供了良好的互动平台。

5.2 讨论

需要说明的是,本文仅对农户的有限理性进行初步探讨,没有进行更长时间的模拟,主要出于2个原因：一是在调研中发现,农户进行多年种植后,为保持地力,一般会考虑轮作,把农户的轮作行为纳入到决策中,将是下一步努力的重点;二是农户土地利用行为模拟的时间问题。一般而言,农户行为在短时期内模拟的效果较好,但时间较长(例如5~10年)模拟的效果较差。如何利用短期农户数据来模拟长期农户行为将是下一步研究的主要内容之一。

同类农户与不同农户间的相互作用也是影响农户决策的关键因素,考虑农户间的相互影响也是今后的努力方向。另外,本文的研究尺度较小,还需要进一步探讨乡镇—县域—区域等较大空间尺度土地利用变化与微观主体间的相互作用机理,并在本文的基础上进一步探讨不同尺度间的转化机理。

The authors have declared that no competing interests exist.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]	常笑, 刘黎明, 刘朝旭, 等. 2013. 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, 29(14): 227-237. Magsci [本文引用: 1] 摘要为了找出土地利用调控的关键结点，为相关政策的制定提供科学依据，该文利用MAS（multi-agent system）模拟微观主体的决策行为，自下而上地探究土地利用变化的内在机制。该文以河南省唐河县小庄村为例，构建了农户土地利用决策概念框架，并对其进行定量表达，通过模拟农户的决策行为，探讨了多智能体方法在农业土地利用变化研究中的应用可能。结果表明：1）各农户的内部决策值存在个体差异，但花生的内部决策值普遍较高。2）市场因子在一定程度上加强了农户种植花生的意愿，对于农户间相互作用，各农户差异较大，无统一规律可循；综合看来，在外部因子的强化作用下，各农户的最终决策更加偏向于种植花生。3）2012年小庄村棉花与花生的种植面积比例的模拟值为0.26:0.74，与实际值0.25:0.75基本一致，反映出2011年棉花价格的大幅下降给当地棉花种植带来了较大冲击，2012年小庄村秋季经济作物以花生为主。研究结果可为农户行为的调控提供理论依据，从根源处促进农用地的合理利用。 [Chang X, Liu L M, Liu Z X, et al.2013. Method of multi-agent system for simulating land-use decision-making behavior of farmer households [J]. Transactions of the Chinese Society of Agricultural Engineering, 29(14): 227-237.] Magsci [本文引用: 1] 摘要为了找出土地利用调控的关键结点，为相关政策的制定提供科学依据，该文利用MAS（multi-agent system）模拟微观主体的决策行为，自下而上地探究土地利用变化的内在机制。该文以河南省唐河县小庄村为例，构建了农户土地利用决策概念框架，并对其进行定量表达，通过模拟农户的决策行为，探讨了多智能体方法在农业土地利用变化研究中的应用可能。结果表明：1）各农户的内部决策值存在个体差异，但花生的内部决策值普遍较高。2）市场因子在一定程度上加强了农户种植花生的意愿，对于农户间相互作用，各农户差异较大，无统一规律可循；综合看来，在外部因子的强化作用下，各农户的最终决策更加偏向于种植花生。3）2012年小庄村棉花与花生的种植面积比例的模拟值为0.26:0.74，与实际值0.25:0.75基本一致，反映出2011年棉花价格的大幅下降给当地棉花种植带来了较大冲击，2012年小庄村秋季经济作物以花生为主。研究结果可为农户行为的调控提供理论依据，从根源处促进农用地的合理利用。
[2]	陈海, 梁小英, 高海东, 等. 2008. Multi-Agent System模型在土地利用/覆盖变化中的研究进展 [J]. 自然资源学报, 23(2): 345-352. https://doi.org/10.11849/zrzyxb.2008.02.019 Magsci [本文引用: 3] 摘要在微观与中宏观尺度上,MAS模型可以反映景观中具有自动性、异质性和分散性的人类决策,利于阐明智能体对自然与社会经济环境的适应机制。因而在自然资源管理、农业经济和城市模拟等领域得到广泛应用。目前,该模型的研究主要集中在智能体决策、智能体相互作用、模型多尺度、模型检验与验证等几个方面。综合分析得出如下结论:①智能体决策框架还需进一步完善,特别有限理性决策框架(Bounded Rationality)还需进一步完善;②智能体之间相互作用的研究仍停留在定性的、概念性的水平,还需进一步研究定量分析智能体相互作用的方法;③在多尺度研究中,第一种尺度转化途径机理明确,但决策的空间显性(spatially-explicit)表达较为困难;第二种途径可以表达空间显性,但决策与土地利用变化之间的逻辑解释不强;第三种途径可以表达土地利用过程中决策与复杂性关系,但智能体之间的相互作用处理较为简单;④还需加强对模型的检验与验证方面的研究,探索验证人类复杂行为的技术方法。 [Chen H, Liang X Y, Gao H D, et al.2008. A review on Multi-Agent System for the simulation of land-use and land-cover change [J]. Journal of Natural Resources, 23(2): 345-352.] https://doi.org/10.11849/zrzyxb.2008.02.019 Magsci [本文引用: 3] 摘要在微观与中宏观尺度上,MAS模型可以反映景观中具有自动性、异质性和分散性的人类决策,利于阐明智能体对自然与社会经济环境的适应机制。因而在自然资源管理、农业经济和城市模拟等领域得到广泛应用。目前,该模型的研究主要集中在智能体决策、智能体相互作用、模型多尺度、模型检验与验证等几个方面。综合分析得出如下结论:①智能体决策框架还需进一步完善,特别有限理性决策框架(Bounded Rationality)还需进一步完善;②智能体之间相互作用的研究仍停留在定性的、概念性的水平,还需进一步研究定量分析智能体相互作用的方法;③在多尺度研究中,第一种尺度转化途径机理明确,但决策的空间显性(spatially-explicit)表达较为困难;第二种途径可以表达空间显性,但决策与土地利用变化之间的逻辑解释不强;第三种途径可以表达土地利用过程中决策与复杂性关系,但智能体之间的相互作用处理较为简单;④还需加强对模型的检验与验证方面的研究,探索验证人类复杂行为的技术方法。
[3]	陈海, 梁小英, 王国义, 等. 2014. 基于过程的农户土地利用行为模型的设计与模拟研究 [J]. 自然资源学报, 29(6): 1076-1089. [本文引用: 2] [Chen H, Liang X Y, Wang G Y, et al.2014. A process-based decision-making model and its application for farm households' learning behavior responding to environmental changes [J]. Journal of Natural Resources, 29(6): 1076-1089.] [本文引用: 2]
[4]	陈海, 王涛, 梁小英, 等. 2009. 基于MAS的农户土地利用模型构建与模拟: 以陕西省米脂县孟岔村为例 [J]. 地理学报, 64(12): 1448-1456. Magsci [本文引用: 1] 摘要 <p>Multi-Agent System (简称MAS) 给进行多主体参与的LUCC研究提供一个概念性框架。本文试图通过对多主体决策的模拟，来探讨MAS在微观层面土地利用变化过程中的应用，揭示农户土地利用决策变化的机制。首先，简要说明MAS在土地利用变化模拟中的研究进展和背景；然后，基于B、D、I的决策结构，建立基于MAS的农户土地利用框架；再次，以陕西省米脂县孟岔村为例进行研究；最后，探讨了MAS模型在微观层面模拟LUCC的潜力与不足。研究表明：① 利用可清晰地表达决策产生过程的B、D、I决策框架，构建微观个体 (农户) 的土地利用决策模型；② 利用连续函数，构建同类农户间的相互作用模型；③ 构建市场对农户决策的影响模型，定量分析市场对农户最终土地利用决策的影响，厘定市场、同类农户间相互作用对其土地利用决策的影响；④ 构建的基于MAS的农户土地利用决策模型为从微观视角研究土地利用变化提供了新的方法，同时，也为进一步探索宏观土地利用变化与微观土地利用决策间的互动机理积累理论与实践的经验。还需要进一步研究和探讨的问题包括：① 决策的尺度变化问题，即单个农户决策与群体农户决策之间的转化问题；② 探索在更长时间里进行农户土地利用决策研究的方法，以期在大量的土地利用资料与有限时间决策之间找到沟通的桥梁；③ 进一步探讨不同农户间相互作用的定量方法和模型，充实农户间相互作用的研究。</p> [Chen H, Wang T, Liang X Y, et al.2009. Simulation and application of household's LUCC based on a Multi-Agent system: A case study for Mengcha Village of Mizhi County of Shaanxi Province [J]. Acta Geographica Sinica, 64(12): 1448-1456.] Magsci [本文引用: 1] 摘要 <p>Multi-Agent System (简称MAS) 给进行多主体参与的LUCC研究提供一个概念性框架。本文试图通过对多主体决策的模拟，来探讨MAS在微观层面土地利用变化过程中的应用，揭示农户土地利用决策变化的机制。首先，简要说明MAS在土地利用变化模拟中的研究进展和背景；然后，基于B、D、I的决策结构，建立基于MAS的农户土地利用框架；再次，以陕西省米脂县孟岔村为例进行研究；最后，探讨了MAS模型在微观层面模拟LUCC的潜力与不足。研究表明：① 利用可清晰地表达决策产生过程的B、D、I决策框架，构建微观个体 (农户) 的土地利用决策模型；② 利用连续函数，构建同类农户间的相互作用模型；③ 构建市场对农户决策的影响模型，定量分析市场对农户最终土地利用决策的影响，厘定市场、同类农户间相互作用对其土地利用决策的影响；④ 构建的基于MAS的农户土地利用决策模型为从微观视角研究土地利用变化提供了新的方法，同时，也为进一步探索宏观土地利用变化与微观土地利用决策间的互动机理积累理论与实践的经验。还需要进一步研究和探讨的问题包括：① 决策的尺度变化问题，即单个农户决策与群体农户决策之间的转化问题；② 探索在更长时间里进行农户土地利用决策研究的方法，以期在大量的土地利用资料与有限时间决策之间找到沟通的桥梁；③ 进一步探讨不同农户间相互作用的定量方法和模型，充实农户间相互作用的研究。</p>
[5]	陈姗姗, 陈海, 梁小英, 等. 2012. 农户有限理性土地利用行为决策影响因素: 以陕西省米脂县高西沟村为例 [J]. 自然资源学报, 27(8): 1286-1295. https://doi.org/10.11849/zrzyxb.2012.08.003 Magsci [本文引用: 1] 摘要利用有限理性理论与方法进行行为决策研究已成为多样化决策研究中的热点。研究微观尺度土地利用变化中农户有限理性行为决策的影响因素,对于揭示农户土地利用驱动因子、调整农户决策行为与优化农业景观格局具有重要的理论与现实意义。论文以陕西省米脂县高西沟村为例,通过构建农户效应收益模型,利用2009—2011年农户调查数据揭示理性最优决策与农户实际决策之间的差异性;利用体现农户行为满意度的Probit模型分析有限理性决策的影响因素。结论为:①高西沟村农户理性最优决策与实际决策差异性较大,说明农户在实践中采用有限理性进行土地利用生产;②构建Probit模型模拟农户满意度决策行为态度,选取的4类变量较好地解释了农户决策的影响因子。其中,农业收入回归系数为0.78、反映相对经济地位下降变量0.41、退耕面积-0.42、耕地面积-0.62、打工收入-0.34、性别0.48、劳动力0.31,均处于显著相关水平。各变量估计结果与理论预测和实际调查结果相符合,具有较强的解释力。 [Chen S S, Chen H, Liang X Y, et al.2012. Effect of the household bounded rationality decision-making about land use behavior: A case study for Gaoxigou Village of Mizhi County in Shaanxi Province [J]. Journal of Natural Resources, 27(8): 1286-1295.] https://doi.org/10.11849/zrzyxb.2012.08.003 Magsci [本文引用: 1] 摘要利用有限理性理论与方法进行行为决策研究已成为多样化决策研究中的热点。研究微观尺度土地利用变化中农户有限理性行为决策的影响因素,对于揭示农户土地利用驱动因子、调整农户决策行为与优化农业景观格局具有重要的理论与现实意义。论文以陕西省米脂县高西沟村为例,通过构建农户效应收益模型,利用2009—2011年农户调查数据揭示理性最优决策与农户实际决策之间的差异性;利用体现农户行为满意度的Probit模型分析有限理性决策的影响因素。结论为:①高西沟村农户理性最优决策与实际决策差异性较大,说明农户在实践中采用有限理性进行土地利用生产;②构建Probit模型模拟农户满意度决策行为态度,选取的4类变量较好地解释了农户决策的影响因子。其中,农业收入回归系数为0.78、反映相对经济地位下降变量0.41、退耕面积-0.42、耕地面积-0.62、打工收入-0.34、性别0.48、劳动力0.31,均处于显著相关水平。各变量估计结果与理论预测和实际调查结果相符合,具有较强的解释力。
[6]	杜守帅, 宋婷, 马兴波. 2011. 多智能体模拟在土地变化预测中的应用 [J]. 同济大学学报: 自然科学版, 39(10): 1510-1516. https://doi.org/10.3969/j.issn.0253-374x.2011.10.018 URL [本文引用: 1] 摘要伴随着城市建设的快速发展,城市中心及周边的绿地规模正在逐年减小,城市内部绿地环境在逐步恶化.因此对城市建设用地和绿地的变化进行定量的把握,对其变化进行预测和评价是非常重要的.以日本大分市植田地区为例,建立多智能体模型(MAS),计算各智能体的变化概率,确立各智能体的分类类型,进而对对象地区的土地变化进行模拟,并验证其有效性.再以此模型为基准,对将来的城市建成区和绿地环境变化进行预测模拟,提出结合人口要素对土地变化进行模拟预测的意见和方法. [Du S S, Song T, Ma X B.2011. Application of multi-agent simulation in land change prediction [J]. Journal of Tongji University: Natural Science, 39(10): 1510-1516.] https://doi.org/10.3969/j.issn.0253-374x.2011.10.018 URL [本文引用: 1] 摘要伴随着城市建设的快速发展,城市中心及周边的绿地规模正在逐年减小,城市内部绿地环境在逐步恶化.因此对城市建设用地和绿地的变化进行定量的把握,对其变化进行预测和评价是非常重要的.以日本大分市植田地区为例,建立多智能体模型(MAS),计算各智能体的变化概率,确立各智能体的分类类型,进而对对象地区的土地变化进行模拟,并验证其有效性.再以此模型为基准,对将来的城市建成区和绿地环境变化进行预测模拟,提出结合人口要素对土地变化进行模拟预测的意见和方法.
[7]	梁小英, 刘俊新. 2010. 农户土地利用决策对农业景观格局的影响研究: 以陕西省米脂县孟岔村为例 [J]. 自然资源学报, 25(9): 1489-1495. https://doi.org/10.11849/zrzyxb.2010.09.008 Magsci [本文引用: 2] 摘要探讨微观主体——农户土地利用行为与宏观农业景观格局之间的互动机理,对于了解农户行为的变迁,认识和理解农业景观格局的演变特征和过程,进而调控农户土地利用行为和优化农业景观格局,显然具有重要的理论与现实意义。论文利用构建的农户土地利用决策模型、个体对群体与群体对整体权重影响模型,利用实际收集的陕西省米脂县孟岔村2007年与2008年数据(地籍、地块面积与农户收入等数据),探讨占优势的土地利用决策与占优势的农业景观格局关系。得出如下结论:①占优势的土地利用决策并不一定形成该土地利用方式占优势的土地利用格局;②当年占优势的农户整体土地利用决策并不一定形成次年该土地利用方式占优势的土地利用格局。并提出今后需要进一步研究与探讨的问题:①完善农户土地利用决策模型,在模型中增加风险规避、土地轮作、特殊地类转化等因素;②进一步探索整合地块面积及其空间布局与土地利用决策的方法。 [Liang X Y, Liu J X.2010. The study on the effect of the household decision-making to the agriculture landscape pattern: A case study for Mengcha Village of Mizhi County in Shaanxi Province [J]. Journal of Natural Resources, 25(9): 1489-1495.] https://doi.org/10.11849/zrzyxb.2010.09.008 Magsci [本文引用: 2] 摘要探讨微观主体——农户土地利用行为与宏观农业景观格局之间的互动机理,对于了解农户行为的变迁,认识和理解农业景观格局的演变特征和过程,进而调控农户土地利用行为和优化农业景观格局,显然具有重要的理论与现实意义。论文利用构建的农户土地利用决策模型、个体对群体与群体对整体权重影响模型,利用实际收集的陕西省米脂县孟岔村2007年与2008年数据(地籍、地块面积与农户收入等数据),探讨占优势的土地利用决策与占优势的农业景观格局关系。得出如下结论:①占优势的土地利用决策并不一定形成该土地利用方式占优势的土地利用格局;②当年占优势的农户整体土地利用决策并不一定形成次年该土地利用方式占优势的土地利用格局。并提出今后需要进一步研究与探讨的问题:①完善农户土地利用决策模型,在模型中增加风险规避、土地轮作、特殊地类转化等因素;②进一步探索整合地块面积及其空间布局与土地利用决策的方法。
[8]	宋长青, 冷疏影. 2005. 21世纪中国地理学综合研究的主要领域 [J]. 地理学报, 60(4): 546-552. Magsci [本文引用: 1] 摘要 <p>面对越来越综合和复杂的研究对象,各国地理学研究正在逐步从单一要素和过程的研究向多要素、复杂过程综合集成方向发展。中国地理学研究在地表自然过程刻画和人文过程的认识方面取得了突出成就,但仍然存在着诸多需要完善的方面,综合集成研究能力有待进一步提高。新世纪我国地理学研究需要在地表过程深入研究的基础上有针对性地探讨综合集成研究的理论和方法,加快与当代国际地理学的全面融合。</p> [Song C Q, Leng S Y.2005. Some important scientific problems of integrative study of Chinese geography in 5 to 10 years [J]. Acta Geographica Sinica, 60(4): 546-552.] Magsci [本文引用: 1] 摘要 <p>面对越来越综合和复杂的研究对象,各国地理学研究正在逐步从单一要素和过程的研究向多要素、复杂过程综合集成方向发展。中国地理学研究在地表自然过程刻画和人文过程的认识方面取得了突出成就,但仍然存在着诸多需要完善的方面,综合集成研究能力有待进一步提高。新世纪我国地理学研究需要在地表过程深入研究的基础上有针对性地探讨综合集成研究的理论和方法,加快与当代国际地理学的全面融合。</p>
[9]	吴文斌, 杨鹏, 柴崎亮介, 等. 2007. 基于Agent的土地利用/土地覆盖变化模型的研究进展 [J]. 地理科学, 27(4): 573-578. Magsci [本文引用: 1] 摘要在查阅国内外大量LUCC模型应用研究文献资料的基础上,重点对基于Agent的土地利用/土地覆盖变化模型(ABM/LUCC)的研究进展进行了详细论述。首先指出ABM/LUCC模型提出的背景,并对模型的基本理论和概念进行简要介绍;其次,重点论述ABM/LUCC模型的主要研究问题以及该模型在城市土地利用、农业土地利用以及自然资源管理等领域的国内外研究进展;最后,分析总结目前模型应用中存在的主要问题,并探讨模型未来发展的主要方向。 [Wu W B, Yang P, Shibasaki R, et al.2007. Agent-based model for land-use/cover change: A review [J]. Scientia Geographica Sinica, 27(4): 573-578.] Magsci [本文引用: 1] 摘要在查阅国内外大量LUCC模型应用研究文献资料的基础上,重点对基于Agent的土地利用/土地覆盖变化模型(ABM/LUCC)的研究进展进行了详细论述。首先指出ABM/LUCC模型提出的背景,并对模型的基本理论和概念进行简要介绍;其次,重点论述ABM/LUCC模型的主要研究问题以及该模型在城市土地利用、农业土地利用以及自然资源管理等领域的国内外研究进展;最后,分析总结目前模型应用中存在的主要问题,并探讨模型未来发展的主要方向。
[10]	郗静. 2009. 退耕还林政策影响下区域土地利用/覆被变化微观行为机制研究 [D]. 西安: 西北大学. [本文引用: 1] [Xi J.2009. Study on micro behaviour mechanism of regional land use and land cover change influenced by grain for green policy [D]. Xi'an, China: Northwest University.] [本文引用: 1]
[11]	张佰林, 蔡为民, 张凤荣, 等. 2016. 中国农村居民点用地微观尺度研究进展及展望 [J]. 地理科学进展, 35(9): 1049-1061. [本文引用: 1] [Zhang B L, Cai W M, Zhang F R, et al.2016. Progress and prospects of micro-scale research on rural residential land in China [J]. Progress in Geography, 35(9): 1049-1061.] [本文引用: 1]
[12]	张保华, 谷艳芳, 丁圣彦, 等. 2007. 农业景观格局演变及其生态效应研究进展 [J]. 地理科学进展, 26(1): 114-122. https://doi.org/10.11820/dlkxjz.2007.01.012 Magsci [本文引用: 1] 摘要 <p>农业景观格局演变的驱动力及生态效应研究具有重要的意义, 目前研究主要集中在农业景观格局及其组分的动态变化, 在驱动力和生态环境效应等方面的研究则是案例较多、归纳总结和机制研究相对薄弱。分析了形成当前研究状况的原因并提出了今后研究的重点方向, 包括发展能够反映生态过程的景观格局指数、归纳农业景观演变的驱动机制、农业景观格局变化的生态环境效应机理研究、发展景观格局整体性指标和长期定位观测数据相结合研究方法、农业景观变化所带来的生态恶化的恢复因子和恢复方法的研究、加强农业景观规划设计研究和实施、高效农田景观结构设计机理研究。</p> [Zhang B H, Gu Y F, Ding S Y, et al.2007. Research development on driving factors and ecological effects of agriculture landscape pattern change [J]. Progress in Geography, 26(1): 114-122.] https://doi.org/10.11820/dlkxjz.2007.01.012 Magsci [本文引用: 1] 摘要 <p>农业景观格局演变的驱动力及生态效应研究具有重要的意义, 目前研究主要集中在农业景观格局及其组分的动态变化, 在驱动力和生态环境效应等方面的研究则是案例较多、归纳总结和机制研究相对薄弱。分析了形成当前研究状况的原因并提出了今后研究的重点方向, 包括发展能够反映生态过程的景观格局指数、归纳农业景观演变的驱动机制、农业景观格局变化的生态环境效应机理研究、发展景观格局整体性指标和长期定位观测数据相结合研究方法、农业景观变化所带来的生态恶化的恢复因子和恢复方法的研究、加强农业景观规划设计研究和实施、高效农田景观结构设计机理研究。</p>
[13]	张小林, 盛明. 2002. 中国乡村地理学研究的重新定向 [J]. 人文地理, 17(1): 81-84. https://doi.org/10.3969/j.issn.1003-2398.2002.01.019 URL [本文引用: 1] 摘要本文首先分析了乡村地理学及其相邻学科(乡村经济学、乡村社会学)对乡村研究的基本内容,认为三者各有侧重,乡村地理学重点从地域空间的角度分析乡村的各种问题,乡村经济学主要关注乡村经济系统的组织与发展规律,乡村社会学则把重点放在乡村社会变迁上,但共同交叉之处甚多.乡村问题带有地域性、综合性特点,在当今城市化的背景下,乡村地域的功能在发生变化,乡村产业结构、社会结构均经历着由传统向现代的全面转型,当前我国乡村地理学需要新定向,笔者建议以乡村社会经济变迁的研究为主线,加强经济、社会、地理的综合研究,探讨空间结构模式及其规律性,指导乡村发展的实践. [Zhang X L, Sheng M.2002. The reorientation of rural geography in China [J]. Human Geography, 17(1): 81-84.] https://doi.org/10.3969/j.issn.1003-2398.2002.01.019 URL [本文引用: 1] 摘要本文首先分析了乡村地理学及其相邻学科(乡村经济学、乡村社会学)对乡村研究的基本内容,认为三者各有侧重,乡村地理学重点从地域空间的角度分析乡村的各种问题,乡村经济学主要关注乡村经济系统的组织与发展规律,乡村社会学则把重点放在乡村社会变迁上,但共同交叉之处甚多.乡村问题带有地域性、综合性特点,在当今城市化的背景下,乡村地域的功能在发生变化,乡村产业结构、社会结构均经历着由传统向现代的全面转型,当前我国乡村地理学需要新定向,笔者建议以乡村社会经济变迁的研究为主线,加强经济、社会、地理的综合研究,探讨空间结构模式及其规律性,指导乡村发展的实践.
[14]	张云鹏, 孙燕. 2013. 基于Multi-Agent系统的土地利用情景模拟 [J]. 南京工业大学学报: 自然科学版, 35(3): 75-81. https://doi.org/10.3969/j.issn.1671-7627.2013.03.016 URL [本文引用: 1] 摘要以常州市新北区为研究区,运用多智能体空间建模方法,利用 Eclipse和Swarm平台,对研究区不同情景下2006-2020年的土地利用情况进行了模拟,为区域规划决策和土地利用调控提供辅助技术支持.研究结果表明:经济社会快速发展情景中城镇化速度较快,城乡用地转换明显,农村居民点整治力度较大；经济社会中速发展情景中城镇用地空间扩张和人口增长都减缓速度,耕地资源的流失得到一定程度的控制；经济社会慢速发展情景中城乡用地变化速度明显放缓,耕地资源流失得到有效控制.多智能体模型突出考虑了土地利用过程中相关主体行为对土地利用变化的影响,并在建模过程中融合了土地利用情景分析,模型构建适用性强,可以较好地模拟不同情景下的土地利用变化情况. [Zhang Y P, Sun Y.2013. Scenario simulation of land use based on Multi-Agent System [J]. Journal of Nanjing University of Technology: Natural Science Edition, 35(3): 75-81.] https://doi.org/10.3969/j.issn.1671-7627.2013.03.016 URL [本文引用: 1] 摘要以常州市新北区为研究区,运用多智能体空间建模方法,利用 Eclipse和Swarm平台,对研究区不同情景下2006-2020年的土地利用情况进行了模拟,为区域规划决策和土地利用调控提供辅助技术支持.研究结果表明:经济社会快速发展情景中城镇化速度较快,城乡用地转换明显,农村居民点整治力度较大；经济社会中速发展情景中城镇用地空间扩张和人口增长都减缓速度,耕地资源的流失得到一定程度的控制；经济社会慢速发展情景中城乡用地变化速度明显放缓,耕地资源流失得到有效控制.多智能体模型突出考虑了土地利用过程中相关主体行为对土地利用变化的影响,并在建模过程中融合了土地利用情景分析,模型构建适用性强,可以较好地模拟不同情景下的土地利用变化情况.
[15]	Balke T, Gilbert N.2014. How do agents make decisions? A survey [J]. Journal of Artificial Societies and Social Simulation, 17(4): 13. https://doi.org/10.18564/jasss.2687 URL [本文引用: 3] 摘要 When designing an agent-based simulation, an important question to answer is how to model the decision making processes of the agents in the system. A large number of agent decision making models can be found in the literature, each inspired by different aims and research questions. In this paper we provide a review of 14 agent decision making architectures that have attracted interest. They range from production-rule systems to psychologically- and neurologically-inspired approaches. For each of the architectures we give an overview of its design, highlight research questions that have been answered with its help and outline the reasons for the choice of the decision making model provided by the originators. Our goal is to provide guidelines about what kind of agent decision making model, with which level of simplicity or complexity, to use for which kind of research question.
[16]	Costanza R, Ruth M.1998. Using dynamic modeling to scope environmental problems and build consensus [J]. Environmental Management, 22(2): 183-195. [本文引用: 1]
[17]	Feitosa F F, Le Q B, Vlek P L G.2011. Multi-Agent Simulator For Urban Segregation (MASUS): A tool to explore alternatives for promoting inclusive cities [J]. Computers, Environment and Urban Systems, 35(2): 104-115. https://doi.org/10.1016/j.compenvurbsys.2010.06.001 URL [本文引用: 1] 摘要 Urban segregation represents a significant barrier to achieving social inclusion in cities. To mitigate this problem, it is necessary to implement policies founded upon a better understanding of segregation dynamics. This paper proposes MASUS, a multi-agent simulator for urban segregation, which provides a virtual laboratory for exploring the impacts of different contextual mechanisms on the emergence of segregation patterns. We illustrate the potential of MASUS through three experiments on segregation in S茫o Jos茅 dos Campos, a medium-sized city in southeast Brazil. The first experiment compares simulated outputs with empirical data, the second exemplifies the ability of MASUS to test theories, and the third tests an anti-segregation policy. We also discuss limitations of the current version of the model, and we recommend directions for further research.
[18]	Filatova T, Voinov A, van der Veen A.2011. Land market mechanisms for preservation of space for coastal ecosystems: An agent-based analysis [J]. Environmental Modeling & Software, 26(2): 179-190. https://doi.org/10.1016/j.envsoft.2010.08.001 URL 摘要 This paper presents an agent-based model of a land market, which is used to explore the effects of land taxes on the land use in a coastal zone. The model simulates the emergence of land prices and urban land patterns from bottom-up via interactions of individual agents in a land market. A series of model experiments helps visualize and explore how economic incentives in a land market may influence the spatial distribution of land prices and urban developments, either leaving space for coastal ecosystems or not. We demonstrate that economic incentives do affect urban form and pattern, land prices and welfare measures. However, they may not always be sufficient to reduce the pressure on coastal ecosystems. Our results show that preservation of ecosystems may involve difficult trade-offs between economic and ecological priorities, as well as between healthy ecosystems and social equity. We also show how conventional economic modelling based on a representative agent, which is usually employed by policy makers, overestimates both environmental benefits and economic costs associated with the tax meant to preserve coastal ecosystems.
[19]	Le Q B, Park S J, Vlek P L G, et al.2008. Land-Use Dynamic Simulator (LUDAS): A multi-agent system model for simulating spatio-temporal dynamics of coupled human-landscape system. I. Structure and theoretical specification [J]. Ecological Informatics, 3(2): 135-153. https://doi.org/10.1016/j.ecoinf.2008.04.003 Magsci [本文引用: 3] 摘要 <h2 class="secHeading" id="section_abstract">Abstract</h2><p id="">This paper presents the concept and theoretical specification of a multi-agent based model for spatio-temporal simulation of a coupled human–landscape system. The model falls into the class of <em>all agents</em>, where the human population and the landscape environment are all self-organized interactive agents. The model framework is represented by four components: (i) a system of human population defining specific behavioural patterns of farm households in land-use decision-making according to typological livelihood groups, (ii) a system of landscape environment characterising individual land patches with multiple attributes, representing the dynamics of crop and forest yields as well as land-use/cover transitions in response to household behaviour and natural constraints, (iii) a set of policy factors that are important for land-use choices, and (iv) a decision-making procedure integrating household, environmental and policy information into land-use decisions of household agents. In the model, the bounded-rational approach, based on utility maximisation using spatial multi-nominal logistic functions, is nested with heuristic rule-based techniques to represent decision-making mechanisms of households regarding land use. Empirical verifications of the model's components and the application of the model to a watershed in Vietnam for integrated assessments of policy impacts on landscape and community dynamics are subjects of a companion paper.</p>
[20]	Mena C F, Walsh S J, Frizzelle B G, et al.2011. Land use change on household farms in the Ecuadorian Amazon: Design and implementation of an agent-based model [J]. Applied Geography, 31(1): 210-222. https://doi.org/10.1016/j.apgeog.2010.04.005 Magsci 摘要 This paper describes the design and implementation of an Agent-Based Model (ABM) used to simulate land use change on household farms in the Northern Ecuadorian Amazon (NEA) The ABM simulates decision-making processes at the household level that is examined through a longitudinal socioeconomic and demographic survey that was conducted in 1990 and 1999 Geographic Information Systems (GIS) are used to establish spatial relationships between farms and their environment while classified Landsat Thematic Mapper (TM) imagery is used to set initial land-use/land-cover conditions for the spatial simulation assess from-to land-use/land-cover change patterns and describe trajectories of land use change at the farm and landscape levels Results from prior studies in the NEA provide insights into the key social and ecological variables describe human behavioral functions and examine population-environment interactions that are linked to deforestation and agricultural extensification population migration and demographic change Within the architecture of the model agents are classified as active or passive The model comprises four modules i e initialization demography agriculture and migration that operate individually but are linked through key household processes The main outputs of the model include a spatially-explicit representation of the land use/land cover on survey and non-survey farms and at the landscape level for each annual time-step as well as simulated socio-economic and demographic characteristics of households and communities The work describes the design and implementation of the model and how population-environment interactions can be addressed in a frontier setting The paper contributes to land change science by examining important pattern-process relations advocating a spatial modeling approach that is capable of synthesizing fundamental relationships at the farm level and links people and environment in complex ways (C) 2010 Elsevier Ltd All rights reserved

农户土地利用决策行为的多智能体模拟方法

2013

... 式中：

\begin{matrix} n_{sum} \end{matrix}

为被调查农户的总数;

\begin{matrix} n_{hk} \end{matrix}

是指种植第

\begin{matrix} k \end{matrix}

种作物选择经济效益或劳动力因素的农户数量;

\begin{matrix} β_{hk} \end{matrix}

为种植第

\begin{matrix} k \end{matrix}

种作物选择经济效益或选择劳动力的户数占被调查总户数的比例(常笑等, 2013);h为经济效益或劳动力因素.

\begin{matrix} W_{1 k} \end{matrix}

表示归一化后的权重;可根据W₁_k+W₂_k=1,得出W₂_k值. ...

农户土地利用决策行为的多智能体模拟方法

2013

... 式中：

\begin{matrix} n_{sum} \end{matrix}

为被调查农户的总数;

\begin{matrix} n_{hk} \end{matrix}

是指种植第

\begin{matrix} k \end{matrix}

种作物选择经济效益或劳动力因素的农户数量;

\begin{matrix} β_{hk} \end{matrix}

为种植第

\begin{matrix} k \end{matrix}

种作物选择经济效益或选择劳动力的户数占被调查总户数的比例(常笑等, 2013);h为经济效益或劳动力因素.

\begin{matrix} W_{1 k} \end{matrix}

表示归一化后的权重;可根据W₁_k+W₂_k=1,得出W₂_k值. ...

Multi-Agent System模型在土地利用/覆盖变化中的研究进展

2008

... 自1979年农村经济体制改革以来,作为中国农村社会基本细胞的农户,逐渐成为农村社会经济活动的主体(张小林等, 2002).农户的土地利用行为决策与农村资源的开发利用、农业景观格局演变以及农村可持续发展等方面的联系日益紧密(宋长青等, 2005; 梁小英等, 2010; 张佰林等, 2016).探讨微观主体——农户的土地利用行为与农业土地利用格局之间的互动机理,对了解农户行为的变迁,认识和理解农业土地利用格局的演变特征和过程,进而调控农户土地利用行为和优化农业景观格局具有重要的意义(张保华等, 2007; 陈海等, 2008; 陈海等, 2014). ...

... 通过土地利用情景模拟模型,可有效地阐明人类需求驱动下的环境变化及人类如何适应自然与社会经济变化(Costanza et al, 1998; 吴文斌等, 2007).相对其他模型而言,基于智能体模型(Agent Based Model, ABM)可以反映景观中具有自动性、异质性和分散性的人类决策,利于阐明行为人对变化的自然与社会经济环境的适应机制,揭示土地利用变化和环境变化之间的动态反馈作用(陈海等, 2008; 杜守帅等, 2011; 张云鹏等, 2013),因而在自然资源管理、农业经济和城市模拟等领域得到广泛应用(陈海等, 2008; Balke et al, 2014).目前,利用决策理论模拟智能体决策已成为研究趋势之一,其中,BDI模型(Belief-Desires-Intension)来源于心理学家Bratman的思想,由于其具有在复杂动态环境模拟中构建推理系统的优势而得到广泛应用(引自Balke et al, 2014),目前主要集中于理性经济人决策模型研究方面,部分学者对微观主体的有限理性行为进行了积极研究,比较有代表性的有eBDI模型和BOID模型(Le et al, 2008; Balke et al, 2014),但上述研究大多为理论探讨,目前还鲜有土地利用变化领域的理论与案例研究. ...

... ),因而在自然资源管理、农业经济和城市模拟等领域得到广泛应用(陈海等, 2008; Balke et al, 2014).目前,利用决策理论模拟智能体决策已成为研究趋势之一,其中,BDI模型(Belief-Desires-Intension)来源于心理学家Bratman的思想,由于其具有在复杂动态环境模拟中构建推理系统的优势而得到广泛应用(引自Balke et al, 2014),目前主要集中于理性经济人决策模型研究方面,部分学者对微观主体的有限理性行为进行了积极研究,比较有代表性的有eBDI模型和BOID模型(Le et al, 2008; Balke et al, 2014),但上述研究大多为理论探讨,目前还鲜有土地利用变化领域的理论与案例研究. ...

Multi-Agent System模型在土地利用/覆盖变化中的研究进展

2008

基于过程的农户土地利用行为模型的设计与模拟研究

2014

... BDI模型即信念—愿望—意图模型,本文在构建基于有限理性的BDI信念模型时,参照陈海等对BDI信念(陈海等, 2009; 陈海等, 2014)描述,认为信念是指智能体(Agent)对目前系统状态的认识和未来状态的估计.表达式为： ...

基于过程的农户土地利用行为模型的设计与模拟研究

2014

基于MAS的农户土地利用模型构建与模拟: 以陕西省米脂县孟岔村为例

2009

基于MAS的农户土地利用模型构建与模拟: 以陕西省米脂县孟岔村为例

2009

农户有限理性土地利用行为决策影响因素: 以陕西省米脂县高西沟村为例

2012

... 高渠乡是米脂县退耕还林典型乡镇,1999-2006年,林地和耕地面积年变化率分别为3.32%与3.17%.高渠乡的农业主要以种植薯类、小杂粮、土豆为主,并种植红葱、苹果等经济作物.随着红葱成为高渠乡特色的经济作物,该乡已于2010年被定为陕西省农业厅第三批一乡一业示范乡镇(陈姗姗等, 2012).为探索在保护环境的前提下,如何有效发展农村经济,揭示农村经济发展的微观机理,选取一乡一业、一村一品典型村——姜兴庄作为研究对象.姜兴庄自2000年起执行退耕还林政策,土地利用方式发生很大变化.2005年山地基本退耕或种植经济林,其中退耕面积约占总面积的40%.目前,川地主要种植红葱、土豆等经济作物以及谷子、豆类等粮食作物;相对于川地,坝地种植较稳定,以种植玉米为主.全村耕地约61 hm²,果树约占35%.图1为2015年玉米、土豆、红葱、杂粮等作物的分布情况,可以看出：玉米一般分布在村中部的坝地,土豆和红葱分布在村西北部的川地,杂粮主要分布在村西部和东部的川地;上述4种作物所占比例分别为18.4%、15.7%、21.3%、9.5%.全村农户约有154户,约有80户外出打工,其耕地一般由亲属或者邻居种植,剩余务农农户中约有20余户为年迈老人,仅在院落种植杂粮、土豆满足生活需求,全村以种植作物谋生的农户约为51户. ...

农户有限理性土地利用行为决策影响因素: 以陕西省米脂县高西沟村为例

2012

多智能体模拟在土地变化预测中的应用

2011

多智能体模拟在土地变化预测中的应用

2011

农户土地利用决策对农业景观格局的影响研究: 以陕西省米脂县孟岔村为例

2010

... 农户愿望是农户希望达到的状态,通过农户扩大或者缩小种植规模而表现;传统BDI模型大多利用效益最大化模型(Le et al, 2008; 梁小英等, 2010),即农户通常会将收益最大的作物保留,并会将其他作物转化为收益最大的作物,作为农户在现有条件下的种植“最优解”.为了表征农户的有限理性,真实反映其对市场和自身种植状况的认识,本文在传统愿望模型的基础上添加有限理性因素作为农户的愿望模型,表达式如下： ...

农户土地利用决策对农业景观格局的影响研究: 以陕西省米脂县孟岔村为例

2010

21世纪中国地理学综合研究的主要领域

2005

21世纪中国地理学综合研究的主要领域

2005

基于Agent的土地利用/土地覆盖变化模型的研究进展

2007

基于Agent的土地利用/土地覆盖变化模型的研究进展

2007

退耕还林政策影响下区域土地利用/覆被变化微观行为机制研究

2009

... 米脂县位于陕西省北部,属典型的黄土高原沟壑区,以梁、峁为主,水土流失严重、生态脆弱,属中温带半干旱性气候区,降水年际变化大且空间分布不均.为减轻水土流失对黄河流域的影响,米脂县于1999年被国家林业局列为首批退耕还林示范县.1999-2006年,退耕还林(草)面积共115.67 km²,林草地所占的面积比重从1999年的31.3%上升为2006年的40.8%,耕地相应地从由65%减少至53.15%(郗静, 2009).2006年之后,耕地与林草地之间面积占比基本保持上述格局. ...

退耕还林政策影响下区域土地利用/覆被变化微观行为机制研究

2009

中国农村居民点用地微观尺度研究进展及展望

2016

中国农村居民点用地微观尺度研究进展及展望

2016

农业景观格局演变及其生态效应研究进展

2007

农业景观格局演变及其生态效应研究进展

2007

中国乡村地理学研究的重新定向

2002

中国乡村地理学研究的重新定向

2002

基于Multi-Agent系统的土地利用情景模拟

2013

基于Multi-Agent系统的土地利用情景模拟

2013

How do agents make decisions? A survey

2014

... ).目前,利用决策理论模拟智能体决策已成为研究趋势之一,其中,BDI模型(Belief-Desires-Intension)来源于心理学家Bratman的思想,由于其具有在复杂动态环境模拟中构建推理系统的优势而得到广泛应用(引自Balke et al, 2014),目前主要集中于理性经济人决策模型研究方面,部分学者对微观主体的有限理性行为进行了积极研究,比较有代表性的有eBDI模型和BOID模型(Le et al, 2008; Balke et al, 2014),但上述研究大多为理论探讨,目前还鲜有土地利用变化领域的理论与案例研究. ...

... ; Balke et al, 2014),但上述研究大多为理论探讨,目前还鲜有土地利用变化领域的理论与案例研究. ...

Using dynamic modeling to scope environmental problems and build consensus

1998

Multi-Agent Simulator For Urban Segregation (MASUS): A tool to explore alternatives for promoting inclusive cities

2011

... NetLogo作为一个多智能体建模仿真集成环境,特别适合于随时间演化的复杂系统的建模仿真.国内外已有不少学者运用NetLogo研究土地利用,如Feitosa等(2011)将人口动态模型与景观动态模型相结合研究城市隔离现象;Filatova等(2011)研究了土地市场、价格、税收及生态服务价值等因素对沿海城市土地利用格局及其生态效应的影响.上述研究为土地利用的空间决策提供了有效的方法,但由于研究大多集中在城市,且土地利用的主体往往是群体或类群,对个体决策、尤其是微观尺度农户行为决策研究没有涉及.在农户决策方面,较有代表性的如Le等(2008)研究了基于劳动力预算、地块面积大小等因素对农户森林砍伐决策所作出的时空动态耦合模拟;Mena等(2011)对相对封闭海岛居民的生计与环境之间的复杂关系模拟研究,探讨入侵作物的扩张对农户土地利用决策的影响;但这些研究均未涉及农户的有限理性决策问题. ...

Land market mechanisms for preservation of space for coastal ecosystems: An agent-based analysis

2011

Land-Use Dynamic Simulator (LUDAS): A multi-agent system model for simulating spatio-temporal dynamics of coupled human-landscape system. I. Structure and theoretical specification

2008

Land use change on household farms in the Ecuadorian Amazon: Design and implementation of an agent-based model

2011

〈

〉

基于CR-BDI模型的农户作物种植行为模拟——以陕西省米脂县姜兴庄为例

Simulation of households' planting behavior based on a CR-BDI model: Case study of Jiangxingzhuang Village of Mizhi County in Shaanxi Province

1 引言

2 研究区域与数据

2.1 研究区概况

2.2 数据来源及处理流程

3 农户有限理性决策模型的构建

3.1 信念模型

3.2 愿望模型

3.3 意图模型

4 结果与分析

4.1 农户信念分析

4.2 农户愿望分析

4.3 农户意图分析

4.4 模型的检验与验证

5 结论与讨论

5.1 结论

5.2 讨论

参考文献 文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子