基于ODD框架的農(nóng)戶有限理性決策模型的構建及模擬*
——以陜西省米脂縣馬蹄洼村為例

毛南趙，梁小英※，段 寧，商舒涵

(1.西北大學城市與環(huán)境學院，陜西西安 710127； 2.陜西省地表系統(tǒng)與環(huán)境承載力重點實驗室，西安 710127)

0 引言

生態(tài)脆弱區(qū)土地利用/覆被變化驅動機制的探討已成為土地利用研究的重要方向之一。農(nóng)戶作為農(nóng)業(yè)生產(chǎn)及土地利用活動的主體，其行為的發(fā)生、發(fā)展過程直接影響土地利用的數(shù)量、質量、結構和效率[1-6]。而人地系統(tǒng)作為一個復雜的耦合系統(tǒng)，將人的行為決策納入到地表格局變化研究中，是研究人地關系復雜性的焦點問題之一[7-8]。目前，基于行為理論，通過模型模擬的方法來探討農(nóng)戶行為對于區(qū)域土地利用變化的微觀響應機理，已經(jīng)成為國內外研究的趨勢之一[6-15]，在智能體模型(Agent Based Model)構建、理性與有限理性決策分析、個體間相互作用定量表達等方面積累豐富[16-21]； 比較有代表性的研究如Ligtenberg等[17]基于BDI(Belief，Desire，Intention)行為理論，構建微觀主體效益最大化決策框架，探討和分析微觀主體決策的形成機制，黃河清等[10]基于農(nóng)戶行為構建了LUC-ASM模型，主要應用于研究土地利用變化和社會經(jīng)濟發(fā)展與人口增長之間的關系，朱月季等[11]基于農(nóng)戶個體的異質性模擬微觀層面農(nóng)戶之間的互動和選擇行為。但實際過程中由于農(nóng)戶受到自我認知、能力及時間的影響，決策受限，最終農(nóng)戶的決策實際是一種有限理性決策，如何進一步揭示農(nóng)戶有限理性作用機理成為研究農(nóng)戶行為和土地變化格局這種人地關系的關鍵問題之一。

鑒于效益最大化模型對現(xiàn)實微觀主體決策有限的解釋力，目前已有研究展開基于BDI理論的有限理性決策研究。例如，王艷妮等[16]通過增加能力與資源修正指數(shù)構建CR-BDI模型；宋世雄等[22]通過探討不同類型農(nóng)戶間相互作用構建CBDI模型，分別對原有效益最大化BDI模型進行修正，探討微觀主體的有限理性BDI決策及其變化。一方面，這些研究為土地利用變化的微觀主體行為決策及其變化機制分析與探討奠定堅實的基礎；但另一方面，這些研究大多依據(jù)作者研究的目的構建模型，即使研究區(qū)相同，也很難對類似研究進行對比和分析。同時，現(xiàn)有對農(nóng)戶有限理性決策的研究大多集中在決策框架構成、影響因素的探討、主體間相互作用分析等方面，還缺少將上述部分整合在一起的研究。

目前，利用Overview、Design Concept and Detail(ODD)框架進行ABM模型的構建已經(jīng)得到國內外學者的認可[23]。采用ODD框架構建ABM模型，利于不同研究的對比，方便學者的閱讀和理解，易于看清文章的邏輯和框架[23-24]。因此，文章采用ODD框架來構建農(nóng)戶土地利用決策框架； 并在該框架下綜合多種影響因素，構建可反映農(nóng)戶有限理性的Household Bounded Rationality Decision-making Model(HBRDM)模型，基于Netlogo平臺，來模擬農(nóng)戶有限理性土地利用行為決策，旨在通過ODD框架，增強研究的可比性，進一步揭示生態(tài)脆弱區(qū)土地變化的微觀驅動機理。

圖1 研究區(qū)位置及2015年土地利用圖

1 研究區(qū)與數(shù)據(jù)來源

1.1 研究區(qū)概況

馬蹄洼村位于陜西省米脂縣高渠鄉(xiāng)西北部，地理位置為110°09′29″E～110°11′08″E、37°50′10″N～37°51′29″N，地處黃土高原腹地，水土流失嚴重，屬典型的生態(tài)脆弱區(qū)。高渠鄉(xiāng)作為米脂縣退耕還林典型鄉(xiāng)鎮(zhèn)及陜西省農(nóng)業(yè)廳第三批“一鄉(xiāng)一業(yè)”示范鄉(xiāng)鎮(zhèn)，主要發(fā)展紅蔥集聚產(chǎn)業(yè)，而馬蹄洼村是發(fā)展紅蔥產(chǎn)業(yè)的典型村落。目前，該村土地總面積約304hm2，主要種植紅蔥、馬鈴薯、玉米、雜糧等作物(圖1)。2013年該村成立了紅蔥種植專業(yè)合作社，該村農(nóng)戶類型多樣，據(jù)2015年實地調研可知，全村共130戶人，其中，打工戶70戶、兼業(yè)戶25戶、種植戶35戶。該文以馬蹄洼村作為樣本區(qū)，為探討生態(tài)脆弱區(qū)農(nóng)村經(jīng)濟發(fā)展的微觀效應、闡明生態(tài)脆弱區(qū)農(nóng)業(yè)發(fā)展和演變的微觀機制提供了參考。

1.2 數(shù)據(jù)來源

(1)2015～2016年馬蹄洼村土地利用圖及地籍圖。通過2015～2016年該地高分一號影像數(shù)據(jù)和手持GPS實測點數(shù)據(jù)，結合ENVI 5.3、ArcGIS 10.2平臺，解譯得到2015～2016年該區(qū)土地利用類型圖，并結合實際調研得到研究區(qū)的耕地地塊權屬圖。

(2)DEM數(shù)據(jù)，來自中科院計算機網(wǎng)絡信息中心地理空間數(shù)據(jù)云(http：//www.gscloud.cn/)，通過GPS測點，結合30m×30m分辨率DEM數(shù)據(jù)，插值重采樣獲取研究區(qū)5m×5m分辨率的DEM數(shù)據(jù)。

(3)種植農(nóng)戶社會經(jīng)濟調查問卷數(shù)據(jù)。采用PRA和入戶調查相結合的方式，主要涉及農(nóng)戶年齡、家庭收入和消費、作物種植投入與產(chǎn)出、家庭勞動力及租種面積等數(shù)據(jù)。在2015～2017年每年的7～8月進行調研，該村共完成問卷62份，其中有效問卷共55份。

2 基于ODD的農(nóng)戶有限理性決策模型的構建

基于Grimm對Agent建模要求的規(guī)范，結合ODD框架建模的優(yōu)勢，該文根據(jù)ODD建模標準從模型概述、概念框架和細節(jié)設計三大方面7個基本元素層面對HBRDM模型的構建進行描述[23]。

2.1 HBRDM模型概述

2.1.1 目的

HBRDM模型的目的是利用BDI行為理論，綜合考慮多種因素及農(nóng)戶間相互作用對農(nóng)戶Desires和Intention的約束，基于Netlogo平臺來模擬農(nóng)戶有限理性種植行為決策，揭示生態(tài)脆弱區(qū)土地變化的微觀驅動機理。

2.1.2 模型的實體、變量和研究尺度

該模型中實體是農(nóng)戶Agent，其包含農(nóng)戶分類、耕地面積、地塊權屬及有限理性系數(shù)等屬性信息； 狀態(tài)變量是農(nóng)戶種植行為以及影響因素； 模擬的尺度是村域耕地地塊尺度。格網(wǎng)大小根據(jù)研究區(qū)馬蹄洼的村落邊界設置為484×488，每個像元代表5m×5m。

2.1.3 模型過程概述及運行步長

HBRDM模型的模擬過程主要基于基礎地理數(shù)據(jù)，通過設置農(nóng)戶種植行為規(guī)則，進行農(nóng)戶與地塊之間的交互，得到最終耕地空間種植格局變化結果圖。Agent模擬時間步長及狀態(tài)變量更新時間為1年。

2.2 模型的概念框架

圖2 HBRDM模型概念框架

借鑒傳統(tǒng)BDI決策理論框架，HBRDM模型通過探討影響因素來調整農(nóng)戶的愿望和意圖； 雖然前期在該方面有所研究，但綜合考慮多種因素對農(nóng)戶愿望和意圖影響的研究還比較欠缺：例如王艷妮等[16]僅考慮農(nóng)戶種植能力與資源系數(shù)對傳統(tǒng)BDI框架的有限修正，卻未考慮農(nóng)戶間相互作用的影響，宋世雄等[22]雖側重探討同類農(nóng)戶間的相互作用對農(nóng)戶耕地撂荒行為的影響，但沒有顧及其他因素對主體愿望的影響。因此，結合建模中的優(yōu)勢和不足，HBRDM模型除綜合考慮農(nóng)戶種植能力與資源CR系數(shù)和農(nóng)戶間相互作用的影響外，還進一步探討同類和不同類農(nóng)戶間的相互作用。

圖2為HBRDM模型的結構框架圖。由圖2可以看出，在政策和市場的影響下，農(nóng)戶Agent對自然條件和作物重要性具有一定的認知，從而產(chǎn)生作物種植信念； 在信念基礎上形成種植愿望時，受自身種植能力與資源的影響，在有限理性系數(shù)下修正其種植愿望； 在形成種植意圖時，不僅受到作物收益的影響，農(nóng)戶間還存在交流，則通過農(nóng)戶間相互作用進一步修正農(nóng)戶意圖，最終形成其真正的種植意圖； 最后，農(nóng)戶Agent做出決策后形成新的耕地空間種植格局。同時，新的種植格局對農(nóng)戶信念的形成具有反饋作用，從而不斷更新農(nóng)戶Agent的種植信念。

2.3 模型的細節(jié)設計

主要包括模型的初始化、數(shù)據(jù)輸入和子程序等3個部分。其中，HBRDM模型初始化為2015年馬蹄洼村典型農(nóng)戶基礎屬性數(shù)據(jù)及其種植作物空間格局情況； 數(shù)據(jù)的輸入主要包括農(nóng)戶Agent的屬性輸入、模擬期初耕地類型作物空間分布圖的加載等； 耕地地塊和農(nóng)戶屬性之間通過農(nóng)戶權屬相互關聯(lián)； 子程序包括HBRDM模型的子模塊和重要參數(shù)的說明，該文重點進行闡述。

2.3.1 農(nóng)戶Agent生成模塊

基于已有的多源GIS數(shù)據(jù)、統(tǒng)計數(shù)據(jù)、典型農(nóng)戶社會調研數(shù)據(jù)和權屬數(shù)據(jù)，得到農(nóng)戶Agent的屬性信息； 利用多源GIS數(shù)據(jù)將農(nóng)戶Agent與其地塊進行空間關聯(lián)； 地塊是模型模擬的基本單元，且每個地塊每年只對應1種作物類型。

2.3.2 農(nóng)戶Agent的簡化與分類模塊

依據(jù)Evans[25]的研究，按照農(nóng)戶年齡和作物種植面積大小將研究區(qū)農(nóng)戶Agent劃分為3類，即打工型農(nóng)戶、種植型農(nóng)戶和自給型農(nóng)戶。其中，打工型農(nóng)戶常年在外打工； 種植型農(nóng)戶包括兼業(yè)戶，主要以種植為主； 自給型農(nóng)戶年齡偏大或勞動能力弱，種地少或不耕種。打工型和種植型農(nóng)戶之間通過土地租種來相互影響，即打工戶的耕地被種植戶租種。由于打工戶常年不在家，自給戶種地很少，種植戶是該村主要耕種者。因此，該文將重點研究種植戶的作物種植行為。

2.3.3 農(nóng)戶Agent決策分析模塊

基于BDI決策框架，農(nóng)戶Agent決策分析模塊主要包括信念模塊、愿望模塊和意圖模塊。該文對于關鍵部分進行闡述。

(1)信念模塊構建

參照陳海等[5]對BDI信念描述，結合研究區(qū)實際情況，該文構建信念(B)的公式：

Bikt={Impikt，Pikt}

(1)

式(1)中，Bikt表示目前農(nóng)戶i在時間t時對當前影響其第k種土地種植類型的環(huán)境因素的感知；Impikt表示農(nóng)戶i在時間t時對土地種植作物k的重要性認識；Pikt反映農(nóng)戶對于不同自然環(huán)境條件的認知。

(2)愿望模塊構建

愿望由信念產(chǎn)生，是信念的現(xiàn)實表達。結合農(nóng)戶能力和資源修正系數(shù)對農(nóng)戶愿望的約束，從而表達農(nóng)戶有限理性下的真實愿望。計算公式：

Dikt={Bikt，Impikt，Mikt，CRikt}

(2)

式(2)中，Dikt是農(nóng)戶i在t時刻Bikt的基礎上產(chǎn)生種植作物k的愿望，即Agent希望在t時刻能夠達到的狀態(tài)；Mikt是時間t農(nóng)戶i認為市場對第k種作物的影響；CRikt是時間t農(nóng)戶i認為種植第k種作物的能力與資源修正指數(shù)，以此來表征其實際的決策水平，其他參數(shù)含義同上。

(3)意圖模塊構建

由圖2可知，農(nóng)戶意圖是在信念和愿望基礎上的最終表達，不僅受到作物收益大小的影響，而且由于農(nóng)戶間存在交流學習的過程，還受到其他農(nóng)戶間(同類和不同類)的相互作用影響。因此，為更加合理表達農(nóng)戶有限理性，進一步通過同類和不同類農(nóng)戶間的相互作用系數(shù)來對農(nóng)戶意圖進行約束。農(nóng)戶的決策意圖(Iik，t+1)計算公式：

Iik，t+1={Bikt，Dikt，Ct，Inikt}=Dikt×Ct×Inikt

(3)

式(3)中，Inikt表示作物種植效益指數(shù)；Ct表示t時刻其他農(nóng)戶Agent對目標農(nóng)戶Agent的影響，其他參數(shù)如上。為模型簡化，同類和不同類農(nóng)戶間相互作用采取等權重進行量化，Ct的計算公式：

Ct=β1+β2

(4)

式(4)中，β1為t時刻其他同類農(nóng)戶Agent對目標農(nóng)戶Agent決策的影響系數(shù)；β2為t時刻不同類農(nóng)戶Agent對目標農(nóng)戶Agent決策的影響系數(shù)。

該文認為，農(nóng)戶間存在相互作用。對于同類農(nóng)戶間的相互作用，通過對農(nóng)戶特定作物重要性與同類農(nóng)戶中該類作物最大值的比較，來判定農(nóng)戶間相互作用的大小，比值越大，相互作用越??； 對于不同類農(nóng)戶間的相互作用，通過是否存在租種行為來定量化表征； 通過對上述兩種相互作用來修正農(nóng)戶真實的種植意圖，做出有限理性的決策。

對于同類農(nóng)戶Agent間相互作用，計算公式：

(5)

式(5)中，Ii-jkt為時間t農(nóng)戶j受到同類其他農(nóng)戶i影響后第k種土地利用方式；j為有第k種土地利用方式的農(nóng)戶；k為第k種土地利用方式； 其他參數(shù)含義同上。

在耕地總量一定的條件下，其他類農(nóng)戶不同的意愿對種植型農(nóng)戶最終的決策是有影響的。即如果其他類農(nóng)戶種植意愿小，種植型農(nóng)戶可種植作物的面積相對就大，反之該類農(nóng)戶可種植作物面積相對就小，則可用種植型農(nóng)戶是否存在租種行為來表示不同類農(nóng)戶影響系數(shù)，計算公式如下：

(6)

式(6)中，Areajkto表示農(nóng)戶j在時間t0租種的耕地面積；Areajkt表示農(nóng)戶j在時間t耕種總面積。

3 實例結果與分析

3.1 農(nóng)戶信念分析

由信念模塊計算，得到農(nóng)戶對自然條件的認知。圖3為農(nóng)戶對自然條件認知圖(圖3a中主要自然條件分級LH表示地塊距道路近、海拔高的自然條件； MH為距道路適中、海拔偏高條件； HH是距道路遠、海拔高的條件)。由圖3可知，馬鈴薯主要種植在距道路近、海拔較高(LH)的區(qū)域，該自然條件下馬鈴薯的種植面積比例為42%, 紅蔥主要種植在距離道路較近、海拔較高(MH)的位置(40%)，雜糧主要種于距離道路較近、海拔較高(MH)的位置(41%)。

圖3 農(nóng)戶對自然條件的認知圖

表1 典型農(nóng)戶決策經(jīng)CR系數(shù)修正與否的愿望

農(nóng)戶序號D玉米D馬鈴薯D紅蔥D雜糧10.07(0.21)0.12(0.37)0.12(0.71)0.04(0.13)20.04(0.16)0.07(0.21)0.36(1.20)0.01(0.04)30.08(0.25)0.23(0.66)0.00(0.00)0.10(0.26)40.02(0.07)0.21(0.53)0.14(0.62)0.07(0.25)50.04(0.14)0.17(0.48)0.18(0.68)0.04(0.15)60.02(0.08)0.20(0.46)0.49(1.09)0.01(0.04)70.44(0.64)0.01(0.08)0.10(0.24)0.04(0.07)80.05(0.20)0.07(0.24)0.22(0.73)0.06(0.21)90.04(0.14)0.26(0.66)0.10(0.49)0.04(0.15)100.02(0.08)0.29(0.75)0.05(0.24)0.10(0.28)村莊均值0.10(0.23)0.15(0.42)0.23(0.56)0.06(0.15) 注:括號內數(shù)字表示未經(jīng)CR系數(shù)修正的農(nóng)戶種植愿望值

3.2 農(nóng)戶愿望分析

表1為經(jīng)過CR系數(shù)修正與否的農(nóng)戶種植愿望結果。從表1可以看出，就農(nóng)戶整體層面而言，修正前后研究區(qū)均以種植紅蔥的愿望最高，其次為馬鈴薯和玉米，雜糧的種植愿望最低。但農(nóng)戶個體層面則存在較明顯差異，如農(nóng)戶1未經(jīng)CR系數(shù)修正，種植紅蔥愿望大于馬鈴薯，修正后則種植兩者愿望相等； 農(nóng)戶4修正前種植紅蔥的愿望高于馬鈴薯，修正后種植馬鈴薯愿望高于紅蔥； 農(nóng)戶7修正前馬鈴薯略高于雜糧，受CR系數(shù)影響，則種植雜糧的愿望略高于馬鈴薯。由此可以看出，村莊均值僅能反映村莊內農(nóng)戶種植愿望的均值，而CR系數(shù)不僅可揭示農(nóng)戶整體的愿望，也可對單個農(nóng)戶種植愿望進行有效表征。同時，也說明CR指數(shù)對于厘定農(nóng)戶愿望差異的重要性。

3.3 農(nóng)戶意圖分析

表2為同類和不同類農(nóng)戶間相互作用系數(shù)影響下的種植意圖表。其中，農(nóng)戶間相互作用影響系數(shù)為β1，不同類農(nóng)戶影響系數(shù)為β2，表2中括號內表示只考慮同類農(nóng)戶間相互作用影響下農(nóng)戶的種植意圖。由表2可以看出：租種面積占總耕地面積越大，農(nóng)戶的租種行為對于其他類農(nóng)戶影響也就越大。同時，只有綜合考慮β1和β2，才能真實表達農(nóng)戶的實際土地利用決策。如農(nóng)戶4在僅受β1影響時，其馬鈴薯和紅蔥的種植意圖相同，但綜合考慮β1和β2，其紅蔥的種植意圖則高于馬鈴薯； 農(nóng)戶7在僅受同類影響時，其馬鈴薯和雜糧的種植意圖較小，但綜合考慮β1和β2，其馬鈴薯和雜糧的種植意圖有較大提升。綜上可見，只有綜合考慮農(nóng)戶間相互作用影響(同類和不同類)，才能較為準確地表達實際的農(nóng)戶土地利用決策。

表2 綜合考慮同類和不同類農(nóng)戶間相互影響系數(shù)作用下的農(nóng)戶種植意圖

農(nóng)戶序號租種面積(667m2)影響系數(shù)β2I玉米bI馬鈴薯bI紅蔥bI雜糧b1140.5380.012(0.003)0.022(0.005)0.037(0.010)0.003(0.000)2250.5000.006(0.001)0.011(0.002)0.098(0.024)0.001(0.000)3150.4550.011(0.004)0.040(0.014)0.000(0.000)0.006(0.001)4150.5000.002(0.000)0.037(0.011)0.039(0.011)0.005(0.001)5100.5000.005(0.001)0.031(0.009)0.053(0.016)0.003(0.000)6120.4440.003(0.000)0.030(0.010)0.119(0.038)0.001(0.000)7200.6670.081(0.013)0.002(0.000)0.032(0.005)0.004(0.000)860.4000.006(0.002)0.010(0.002)0.055(0.019)0.004(0.001)9100.4550.005(0.001)0.044(0.015)0.025(0.007)0.003(0.001)10——0.000(0.000)0.018(0.018)0.002(0.002)0.001(0.001)村莊均值80.280.013(0.003)0.024(0.009)0.046(0.013)0.003(0.001)

表3 不同模型模擬失誤率

%

此外，經(jīng)計算得到研究區(qū)玉米、馬鈴薯、紅蔥和雜糧4種主要作物的收益系數(shù)分別是0.23、0.25、0.41和0.11。其中，紅蔥的收益系數(shù)值最大，其次為馬鈴薯和玉米，雜糧最低。由此說明，紅蔥在當?shù)馗仡愋椭兴紮嘀乇容^大，農(nóng)戶一般不會輕易考慮將紅蔥轉變?yōu)槠渌愋偷姆N植類型，而低收益系數(shù)的雜糧等作物轉變?yōu)槠渌找嫦禂?shù)較高類型作物的可能性較大。

3.4 模型的驗證及分析

結合2015年農(nóng)戶調研數(shù)據(jù)，利用Netlogo平臺基于Logo語言進行二次編程開發(fā)，通過HBRDM模型對馬蹄洼2016年土地利用進行模擬，并對HBRDM模型的模擬效果和僅考慮相互作用(Ct)以及能力和資源系數(shù)(CR)的模擬結果進行對比。圖4和表3分別為3種模型(即模型a表示HBRDM模型，模型b、c則分別表示該模型僅考慮CR或Ct)的模擬勘誤圖和失誤率表。

結合圖4和表3可以看出：

(1)HBRDM模型的模擬效果最佳。在綜合考慮CR和Ct的條件下，整體失誤率最低，為20.2%，即HBRDM模型的準確率為79.8%； 若分別僅考慮CR和Ct條件，模擬失誤率分別為24.9%和28.7%，分別比HBRDM模型的模擬效果差4.7%和8.5%；

圖4 2016年馬蹄洼作物模擬勘誤圖

(2)不同參數(shù)對耕地類型變化的解釋力不同。就研究區(qū)而言，農(nóng)戶間相互作用對該區(qū)耕地變化的解釋力較低，其次是資源和能力指數(shù)，最后是兩種因素的綜合。例如，紅蔥種植在僅考慮相互作用時失誤率為34.5%； 在僅考慮資源和能力系數(shù)是失誤率為28.5%，準確率提高6%； 當同時考慮兩種因素，失誤率則進一步減少到17.2%，很顯然綜合考慮多種影響因素對于小紅蔥種植的解釋力要顯著優(yōu)于單因素考量。馬鈴薯、雜糧也是如此。同時，結合自然條件的分析揭示HBRDM模型模擬失誤可能的原因。對于模擬失誤率較高的馬鈴薯而言，失誤主要集中在海拔高的自然條件下。其中，在距道路近、海拔高的條件下實際種植馬鈴薯的地塊模擬結果為紅蔥，其失誤占馬鈴薯總失誤率的23.2%； 而在距道路適中、海拔高條件下實際種植馬鈴薯的地塊模擬結果為雜糧，其失誤占馬鈴薯總失誤率的21.3%。產(chǎn)生模擬失誤，主要原因：①農(nóng)戶保持地力的需要。當?shù)剞r(nóng)戶在實際種植過程中通過輪作方式保持土壤肥力，會在適宜種植馬鈴薯和紅蔥的地塊上種植雜糧。這是造成模擬失誤的主要原因之一。 ②種植的隨機性和規(guī)則的剛性。模擬時將距離道路近作為種植紅蔥、馬鈴薯等經(jīng)濟作物的“剛性”條件，但由于研究區(qū)地塊的自然條件較為接近，農(nóng)戶在種植時會將“理應”種植馬鈴薯的地塊栽種為紅蔥，這種種植的隨機性也是造成模擬失誤的主要原因之一。

4 結論與討論

4.1 結論

按照ODD標準化建模程序，以BDI結構為基礎，構建HBRDM模型，以陜西省米脂縣馬蹄洼村為例，并結合ArcGIS、Netlogo平臺進行農(nóng)戶種植行為模擬空間化表達，得出如下結論。

(1)HBRDM模型可有效表征農(nóng)戶的有限理性決策。通過對比分析僅考慮農(nóng)戶間相互作用和能力與資源指數(shù)的情況可知，HBRDM模型的模擬效果最好，分別比其他兩種方式的模擬效果高4.7%和8.5%，這表明農(nóng)戶決策更多地趨向“滿意”的有限理性決策。

(2)“剛性”的模擬規(guī)則和種植的隨機性是造成模擬失誤的主要原因； “剛性”規(guī)則雖然關注到多數(shù)自然條件下耕地的變化，但由于地塊自然條件的差異較小，加之農(nóng)戶種植存在一定程度的隨機性，由此造成了部分作物在特定自然條件下的失誤率較高。

(3)基于ODD構建的HBRDM模型，有利于不同研究的對比，方便學者的閱讀和理解，同時易于看清該文的邏輯和框架。

4.2 討論

基于有限理性理論進行行為決策研究已成為多樣化決策研究的熱點。借鑒傳統(tǒng)BDI決策理論框架，HBRDM模型通過探討影響因素來調整農(nóng)戶的愿望和意圖。結果表明，HBRDM模型相對于已有研究，更具解釋力，而且通過ODD框架建模，便于讀者閱讀和看清文章的邏輯框架，從而進一步豐富了揭示生態(tài)脆弱區(qū)土地利用變化的微觀驅動機理的研究思路和方法。不過，由于該模型的參數(shù)及規(guī)則主要依據(jù)研究區(qū)實際情況而設定，且不同區(qū)域間存在空間差異性及農(nóng)戶個體的異質性； 同時，農(nóng)戶隨著年齡增長，其行為可能會發(fā)生較大變化，而該文認為在研究時間內農(nóng)戶類型不變，即農(nóng)戶行為假設是不變的； 因此對上述問題的修改和調整，將是未來模型優(yōu)化的一個方向之一。

目前已有研究對土地利用主體與土地利用變化間的相互作用進行探討，但在尺度的推演上大多采用簡單村莊類型推演法進行模擬[16]，沒有考慮不同村莊類型和合作經(jīng)濟體在尺度轉化方面的影響[22]。因此，深入探討不同農(nóng)戶個體決策向農(nóng)戶群體決策的轉化、村莊類型在土地利用決策方面的差異，以及合作經(jīng)濟組織在土地利用決策方面的影響，就成為今后研究的主要方向。同時，還應當看到，該文雖然綜合考慮了農(nóng)戶間相互作用和能力與資源指數(shù)等因素，但對政策和市場的影響處理較為簡單[26]，還沒有考慮社會規(guī)范對于農(nóng)戶行為的影響[27]。因此，進一步分析政策和市場對農(nóng)戶個體決策的影響，將社會規(guī)范合理納入農(nóng)戶土地利用決策之中就成為今后完善農(nóng)戶個體有限理性決策模型的主要問題。

[1] 李小建.欠發(fā)達農(nóng)區(qū)經(jīng)濟發(fā)展中的農(nóng)戶行為——以豫西山地丘陵區(qū)為例.地理學報， 2002， 57(4)： 459～468

[2] 鐘太洋， 黃賢金.農(nóng)戶層面土地利用變化研究綜述.自然資源學報， 2007, 22(3): 341～352

[3] 王倩， 肖淵實，余勁.農(nóng)地流轉對農(nóng)戶土地利用行為及效果影響探究.中國農(nóng)業(yè)資源與區(qū)劃， 2016, 37(2): 231～236

[4] 田文勇， 張會幈，黃超，等.農(nóng)戶種植結構調整行為的影響因素研究——基于貴州省的實證.中國農(nóng)業(yè)資源與區(qū)劃， 2016, 37(4): 147～153

[5] 陳海， 王濤，梁小英，等.基于MAS的農(nóng)戶土地利用模型構建與模擬：以陜西省米脂縣孟岔村為例.地理學報， 2009, 64(12): 1448～1456

[6] 喬家君， 李小建，葛真.基于農(nóng)戶調查的村域商業(yè)經(jīng)濟活動空間研究.經(jīng)濟地理， 2009, 29(5): 817～822

[7] 翟瑞雪， 戴爾阜.基于主體模型的人地系統(tǒng)復雜性研究.地理研究, 2017(10)： 1925～1935

[8] 梁小英， 劉俊新.農(nóng)戶土地利用決策對農(nóng)業(yè)景觀格局的影響研究：以陜西省米脂縣孟岔村為例.自然資源學報， 2010, 25(9): 1489～1495

[9] Mena C F， Walsh S J，F(xiàn)rizzelle B G，et al.Land use change on household farms in the Ecuadorian Amazon：Design and implementation of an Agent-Based Model.Applied Geography， 2011， 31(1)： 210

[10]黃河清， 潘理虎，王強，等.基于農(nóng)戶行為的土地利用人工社會模型的構造與應用.自然資源學報， 2010, 25(3): 353～367

[11]朱月季， 高貴現(xiàn)，周德翼.基于主體建模的農(nóng)戶技術采納行為的演化分析.中國農(nóng)村經(jīng)濟, 2014(4)： 58～73

[12]Costanza R， Ruth M.Using dynamic modeling to scope environmental problems and build consensus.Environmental Management， 1998, 22(2): 183～195

[13]Verburg P H， Veldkamp A，F(xiàn)resco L O.Simulation of changes in the spatial pattern of land use in China.1999, 19(3): 211～233

[14]Valbuena D， Verburg P H，Veldkamp A，et al.Effects of farmers′ decisions on the landscape structure of a Dutch rural region：An agent-based approach.Landscape & Urban Planning， 2010, 97(2): 98～110

[15]常笑， 劉黎明，劉朝旭，等.農(nóng)戶土地利用決策行為的多智能體模擬方法.農(nóng)業(yè)工程學報， 2013, 29(14): 227～237

[16]王艷妮， 陳海，宋世雄，等.基于CR-BDI模型的農(nóng)戶作物種植行為模擬：以陜西省米脂縣姜興莊為例.地理科學進展， 2016, 35(10): 1258～1268

[17]Ligtenberg A， Wachowicz M，Bregt A K，et al.A design and application of a multi-agent system for simulation of multi-actor spatial planning.Journal of Environmental Management， 2004， 72(1-2)： 43～55

[18]Simon H A.A behavioral model of rational choice.Quarterly Journal of Economics， 1955, 69(1): 99～118

[19]余強毅， 吳文斌，唐華俊，等.復雜系統(tǒng)理論與Agent模型在土地變化科學中的研究進展.地理學報， 2011, 66(11): 1518～1530

[20]陳姍姍， 陳海，梁小英，等.農(nóng)戶有限理性土地利用行為決策影響因素：以陜西省米脂縣高西溝村為例.自然資源學報， 2012, 27(8): 1286～1295

[21]Balke T， Gilbert N.How Do Agents Make Decisions?A Survey.Journal of Artificial Societies & Social Simulation， 2014， 17(4)： 13

[22]宋世雄， 梁小英，梅亞軍，等.基于CBDI的農(nóng)戶耕地撂荒行為模型構建及模擬研究——以陜西省米脂縣馮陽坬村為例.自然資源學報， 2016, 31(11): 1926～1937

[23]Grimm V，Berger U，Deangelis D L，et al.The ODD protocol：A review and first update.Ecological Modelling， 2010, 221(23): 2760～2768

[24]余強毅， 吳文斌，唐華俊，等.基于農(nóng)戶行為的農(nóng)作物空間格局變化模擬模型架構.中國農(nóng)業(yè)科學， 2013, 46(15): 3266～3276

[25]Evans T P， Kelley H.Multi-scale analysis of a household level agent-based model of land cover change.Journal of Environmental Management， 2004， 72(1-2)： 57～72

[26]陳海， 郗靜，梁小英，等.農(nóng)戶土地利用行為對退耕還林政策的響應模擬——以陜西省米脂縣高渠鄉(xiāng)為例.地理科學進展， 2013, 32(8): 1246～1256

[27]Meneguzzi F，Luck M.Norm-based behaviour modification in BDI agents.International Conference on Autonomous Agents and Multiagent Systems.International Foundation for Autonomous Agents and Multiagent Systems， 2009： 177～184