传统村落是文化历史长河中物质文化和非物质文化的结合体，但一些古村落、古建筑、历史街区伴随着工业化和城市化进程遭到不同程度的破坏。研究传统村落的空间分布并探讨其影响因素对区域传统村落的优化布局和保护开发具有重要的意义。

2012年，国家住房城乡建设部、文化部、国家文物局和财政部在印发的《关于开展传统村落调查的通知》中指出，“传统村落是指村落形成较早，拥有较丰富的传统资源，具有一定历史、文化、科学、艺术、社会、经济价值，应予以保护的村落”^[1]，因此近年来地方政府对传统村落的保护越来越重视。学术界关于传统村落的研究始于20世纪80年代后期，结合空间统计^[2]、空间分析^[3]和空间句法^[4]等方法，开展了宏观尺度下不同区位传统村落的空间分布特征^[5-11]、微观上传统村落的功能演变^[12]等研究，取得了丰硕的理论与实践研究成果^[13-14]。但多数传统村落研究都是基于某一地区或个别案例的定性分析，存在样本点少、研究区域相对单一、研究尺度不平衡等问题。

苏鲁豫皖四省位于中国中东部地区。该区是以东部为起点向西推进中西部经济发展的重要战略区域。2020年底，该区域约人口密度约为1 357人/km²，人均GDP为73 477元。截至国家住建部等部门公布的第5批传统村落数量，该区共有传统村落及历史文化名村825个，同期占全国比例的11%。鉴于此，本文选择河南、安徽、山东、江苏四省传统村落为研究对象，综合运用多种空间分析方法，探讨该区传统村落的空间格局、空间形态特征, 并进一步探测该区传统村落空间分异驱动因素，以期为今后区域内传统村落开发与保护提供理论依据与技术支持。

1.   数据来源与研究方法

1.1   数据来源

本文以2012年以来由国家住建部、国家文化部、国家文物局发布的5批国家级传统村落名录及历史文化名村名镇为主要数据来源。经统计，该区共有825个传统村落，其中第1批54个、第2批112个、第3批115个、第4批117个、第5批427个(包括56个历史文化名村)。传统村落及历史文化名村名镇坐标借助百度地图API坐标拾取系统获取并进行可视化；道路交通数据、水系数据及行政边界数据来源于来自OpenStreetMap网站(https://www.openstreetmap.org/)；DEM数字高程数据来源于中国科学院数据云平台(http://www.gscloud.cn)；其他人口、经济数据则通过统计局、统计年鉴及各级政府工作报告获取。数据可视化如图 1所示。

图  1  研究区概况

注: 该图基于2019标准地图(审图号：GS(2019)1822)制作，底图无修改。下同。

Figure  1.  Summary of study area

下载: 全尺寸图片 幻灯片

1.2   研究方法

1.2.1   最邻近指数

传统村落作为一种点要素，在空间上存在均匀分布、随机分布和集聚分布3种空间分布模式，可采用最邻近指数进行判别^[6]。最邻近指数是以实际所有点平均最邻近距离与随机分布模式下理论最邻近距离的比值来衡量点要素的空间分布模式，其计算公式如下：

其中，R为最邻近指数，r₁为实际平均最临近距离，r_E为理论最邻近距离，m为研究区传统村落数量，A是研究区总面积。若R=1，则表明传统村落趋于随机分布；若R < 1，则表明传统村落趋于聚集分布；若R>1，表明传统村落在空间上趋于均匀分布。

1.2.2   地理集中指数与不平衡指数

地理集中指数是衡量研究区传统村落空间分布集中程度的重要指标，其计算公式如下：

其中，G为地理集中指数，X_i为在某一尺度下区域i传统村落的数量，T为传统村落总规模，n为某一尺度下研究区数量。G值介于0~100之间，G值越大表明传统村落分布越集中, G值越小表明传统村落分布越分散。

不均衡指数可用来衡量某一尺度下不同区域内传统村落分布状况是否均衡，其计算公式如下：

其中，S为不均衡指数，n为研究范围内传统村落的数量，Y_i为各研究区内传统村落数量在整个研究范围所占比重由大到小排序后第i位的累积百分比。不平衡指数S取值在0~1之间，若S=0，则表明传统村落在各区域内均匀分布；若S=1，则表明传统村落在某一区域内集中分布。

1.2.3   核密度分析

核密度函数值可反映传统村落在研究区内的空间聚集及分散特征，函数值越高，说明传统村落在该地区聚集程度越高。其计算公式如下：

其中，f_n(x)为核密度估值，k((x－x_i)/h)为核函数，x－x_i为估值点x与样本点x_i的距离，n为传统村落规模，h(h>0)为核密度函数带宽。

1.2.4   莫兰指数

莫兰指数分为全局莫兰指数(GlobalQ Moran's I)和局部莫兰指数(Local Moran's I)，在ArcGIS软件中分别是“空间自相关”与“聚类和异常值分析”工具。

全局Moran's I指数通常用于研究观测变量在整个研究区域内的空间相关性的总体趋势以及差异性，其计算公式如下：

其中，n为研究区的空间单元数，x_i、x_j分别为i、j空间单元的观测值，x为观测值的均值，w_ij为空间权重矩阵，S₀为空间权重矩阵之和。

局部Moran's I指数可以用来揭示研究区域内不同空间单元属性之间的异质性，其计算公式如下：

其中，Z_i、Z_j分别为i、j空间单元观测值的标准化值，W_ij为空间权重。

1.2.5   地理探测器

地理探测器是检测单因子空间分异性和多因子耦合性的一种有效手段，因此利用地理探测器开展研究区传统村落空间分异的单因子及多因子交互影响因素探测^[15]。其计算公式如下：

其中，h=1, 2, …, l为变量Y或因子X的分区；N_h和N分别为h层和全区的单元数；σ_h²和σ²分别是h层和全区Y的方差。q表示该因子或者组合因子对传统村落空间分异影响程度，其值越大，说明影响程度越大。

2.   研究区传统村落空间分异特征

2.1   空间分布类型

根据整理的苏鲁豫皖传统村落分布统计资料(表 1)，利用ArcGIS 10.8最近邻分析，对苏鲁豫皖825处传统村落进行处理，计算得：r_E=17 261，r₁=6 162，R=0.357＜1。Z为-35.33，P值为0.00，表明从整体上看苏鲁豫皖传统村落空间分布呈集聚型。根据表 1，可计算得到苏鲁豫皖各省传统村落空间分布类型(表 2)。结果表明：苏鲁豫皖各省传统村落空间分布类型均为集聚型，且安徽、河南和山东集聚程度较为明显。

表  1  苏鲁豫皖传统村落分布统计

Table  1.  Distribution statistics of traditional villages in the study area

区域名称	传统村落数/个	占比/%	密度/(个·km-2)
安徽省	424	51.40	30.26
河南省	220	26.67	13.28
山东省	136	16.48	8.63
江苏省	45	5.45	4.31
总计	825	100.00	14.53

下载: 导出CSV 

| 显示表格

表  2  苏鲁豫皖各省传统村落空间分布类型

Table  2.  Spatial distribution types of traditional villages in each province in the study area

区域名称	rE/km	r1/km	R	Z	P	分布类型
安徽省	8 355	3 928	0.470	-20.84	0	聚集分布
河南省	16 380	8 395	0.513	-13.83	0	聚集分布
山东省	16 320	7 874	0.482	-11.55	0	聚集分布
江苏省	17 449	13 172	0.755	-3.15	0	聚集分布

下载: 导出CSV 

| 显示表格

2.2   空间分布均衡性

2.2.1   集中程度分析

苏鲁豫皖传统村落总数T＝825，市域总数n＝63。计算得到地理集中指数G=37.8。假设苏鲁豫皖825个传统村落平均分布在各市，此时地理集中指数G₀=13.1。由于37.8>13.1，说明在市域尺度上苏鲁豫皖传统村落分布较为集中，主要集中分布在安徽的黄山市、宣城市和河南的平顶山市、信阳市，苏鲁豫皖传统村落数目占4省传统村落总数目的51.76%。

2.2.2   市域分布特征

利用ArcGIS 10.8软件对苏鲁豫皖地区传统村落的分布情况进行可视化处理，得到苏鲁豫皖传统村落市域分布图。由结果(图 2)可知：(1)传统村落在苏鲁豫皖各市分布很不均衡。具体来说，主要集中分布在安徽的黄山市、宣城市、池州市；河南的安阳市、鹤壁市、洛阳市、平顶山市、信阳市；山东的淄博市、烟台市。(2)江苏省传统村落数量总体较少，主要分布在苏州市。其中在山东的北部，如东营市、滨州市等地，江苏的北部，如徐州市、宿迁市等地目前尚无传统村落分布。(3)苏鲁豫皖地区传统村落分布的市域特征为：邻近黄山、大别山、太行山山脉的地区传统村落多，其他地区传统村落的数量较少；主要分布在各省交通较为不便、社会经济相对发达或相对落后和历史文化浓厚的地区，这些地方传统村落保留较为完好。

图  2  研究区传统村落的市域分布

Figure  2.  The distribution of the traditional villages at municipal scale in the study area

下载: 全尺寸图片 幻灯片

2.2.3   均衡程度分析

为进一步计算研究区内传统村落分布的均衡程度，计算出不平衡指数S=0.76，说明研究区传统村落空间分布不均衡。根据统计数据，绘制洛伦兹曲线。由结果(图 3)可知：苏鲁豫皖传统村落的洛伦兹曲线距均匀分布线较远且弯曲程度较大，表明传统村落在各个市域内分布不均衡。其中：黄山、宣城、信阳、平顶山等地市传统村落数量较多，占比超过整个区域内传统村落总数量的50%；日照、淮南、南京等靠近区域中心地区的传统村落分布较少，只占区域内的0.12%~0.24%；淮北、聊城、宿迁等目前没有传统村落的分布。

图  3  研究区市域传统村落分布的洛伦兹曲线

Figure  3.  The Lorenz curve of traditional villages distribution at municipal scale in the study area

下载: 全尺寸图片 幻灯片

2.3   空间分布密度

利用ArcGIS 10.8软件的核密度分析工具对苏鲁豫皖地区825个传统村落进行分析，由核密度分析图(图 4)可知：

图  4  研究区传统村落的核密度分布

Figure  4.  The Kernel density distribution of traditional villages in the study area

下载: 全尺寸图片 幻灯片

(1) 苏鲁豫皖传统村落集聚分布的态势显著。总体上，呈“一主+两次+多中心”的团簇状分布格局，“核心—边缘”状分布较为明显，且在空间上表现为横“V”字型。

(2) 主要形成了以皖南黄山市为主的高密度区，以豫中平顶山市-许昌市和安阳市-鹤壁市为主的2个次高密集区，以豫南信阳市、鲁中淄博市、鲁东烟台市和苏南苏州市为主的4个中密度区，其他区域的村落分布则较为松散。传统村落主要分布在研究区的边缘地带，并以高密度中心向四周扩散。

(3) 黄山市地处皖南山区，社会经济的发展受到限制，这里交通较落后，一定程度上保护传统村落较少受到外界影响，为传统村落完整保存提供了基础。此外，黄山是徽州文化的核心发祥地，其代表建筑是徽派建筑。明代中叶以后，随着徽商的崛起和社会经济的发展，徽商耗费大量财富修建豪华的住宅、园林、书院、祠社、学校等，因此形成了传统村落的高密度聚集区。

2.4   传统村落的空间相关性

2.4.1   全局自相关

全局空间自相关可判断传统村落在研究区内的空间关联性。计算可得：Moran's I指数为0.468 657，预期指数为-0.002 421，方差为0.000 18，Z为35.131 594，P=0.000。结果表明：(1)苏鲁豫皖传统村落数在市域空间尺度上的莫兰指数大于零且比期望值大，可推断传统村落的分布呈现正的空间相关性。(2)Z>2.58，P < 0.01，表明苏鲁豫皖传统村落的空间分布不是随机的，呈现明显的聚集性。

2.4.2   局部自相关

由于全局莫兰指数只能反映整个区域空间差异的特性，难以反映区域内部之间的空间特性及其关系。因此，本研究运用局部莫兰指数来进一步分析传统村落空间分布的局部空间特征。由结果(图 5)可知，该区域主要存在低-低(L-L)聚集类型、高-高(H-H)聚集类型、低-高(L-H)聚集类型，具体表述如下：

图  5  研究区传统村落局部空间自相关分析

Figure  5.  Local spatial autocorrelation analysis of tradititional villages in the study area

下载: 全尺寸图片 幻灯片

(1) 低-低(L-L)聚集类型，属于其自身及其周围传统村落密度均低的“双低”区域，覆盖范围较大。主要分布在豫东商丘、皖北大部和苏北宿迁，这些地区传统村落极少分布或没有分布。

(2) 高-高(H-H)聚集类型，属于其自身传统村落密度较高且周围区域传统村落密度也较高的“双高”区域，传统村落空间关联性较强。主要分布在皖南黄山、宣城和池州，这些地区传统村落分布数量多，占总传统村落数量的46.71%。

(3) 低-高(L-H)聚集类型，属于传统村落密度较低，周围区域传统村落密度较高，主要分布在南阳。

总体来看，苏鲁豫皖传统村落密度空间关联性差异较大，整体形成显著的“高-高”与“低-低”各自聚集、“低-高”分布范围较窄的特征。

3.   传统村落的空间分异驱动因素

传统村落是经过长期的社会历史发展过程而积淀下来的文化遗产，其形成的原因错综复杂，受地形、水文、交通、经济等多重因素综合影响。通常情况下，地形对传统村落的选址、形态及规模起着基石性作用；水系因传统村落中居民的生活、生产用水及交通出行等特点影响着传统村落的布局；现代交通对传统村落影响较大，尤其是交通便利、靠近城区周边的传统村落破坏比例较大；经济发展状况与传统村落留存具有矛盾统一性，部分地区经济发展会导致传统村落消失，同时也有部分地区有更好的条件对传统村落实施保护。基于以上分析，本文选取了高程、坡度、坡向等地形因子，河网密度、距离河流距离等水文因子，高速公路密度、一般公路密度(除高速公路、铁路)、与高速公路距离、与一般公路距离(除高速公路、铁路)、与地级市距离等交通因子以及GDP密度等社会经济因子，研究苏鲁豫皖传统村落空间分异的驱动因素。

3.1   单因子对传统村落布局影响分析

利用地理探测器对传统村落空间布局与以上11个单因子及组合因子进行驱动力探索。各因子探测器q值(表 3)按解释力从高到低分别为：GDP密度(0.67)>高速公路密度(0.65)>一般道路密度(0.64)>河流密度(0.39)>高程(0.22)>坡度(0.07)>距地级市距离(0.06)=距离高速公路距离(0.06)>距水系距离(0.05)>坡向(0.02)>距一般道路距离(0.01)。借助ArcGIS 10.8软件, 对传统村落空间分布特征具有影响的主要因子进行图示化表征(图 6~图 9)。

表  3  各影响因素影响力(q值)探测器结果

Table  3.  The influence of each influencing factor (q value) on the detector results

探测结果	GDP密度	一般道路密度	高速公路密度	河流密度	高程	距地级市	距高速公路	距水系	距一般道路	坡度	坡向
q	0.67	0.64	0.65	0.39	0.22	0.06	0.06	0.05	0.01	0.07	0.02

下载: 导出CSV 

| 显示表格

图  6  传统村落人均GDP的密度分布

Figure  6.  The density distribution of percapita GDP in traditional villages

下载: 全尺寸图片 幻灯片

图  7  传统村落道路网的密度分布

Figure  7.  The density distribution of road network in traditional villages

下载: 全尺寸图片 幻灯片

图  8  传统村落河流的密度分布

Figure  8.  The density distribution of rivers in traditional villages

下载: 全尺寸图片 幻灯片

图  9  传统村落的高程分布

Figure  9.  The elevation distribution of traditional villages

下载: 全尺寸图片 幻灯片

总的来看，GDP密度对研究区传统村落空间分异解释力最为明显，其次是道路密度及河流密度，最后是地形因素。其中，经济因子解释力最大，说明研究区传统村落空间分异受经济发展程度影响较为强烈。传统村落分布数量较多的地区，其社会经济发展水平也相对较低。而通常情况下，这些区域的GDP密度(图 6)、道路网密度(图 7)较低，有利于保证这些地区传统村落保护工作的顺利进行。河流作为次要因素(图 8)，为村落居民提供充沛水源的同时还能方便居民日常出行和农业生产。研究区传统村落受地形影响相对较小(图 9)，主要是研究区地形起伏总体不大，村民进行村落选址受高程、坡度及坡向等地形因子影响相对较小。

3.2   因子相互作用对传统村落布局影响分析

为更深入地探讨传统村落空间分布的综合限制因子组合类型及其影响程度，本文利用地理探测器中交互式探测模块进行评估。结果表明，因子之间交互作用存在非线性减弱、非线性增强、单因子非线性减弱、双因子增强、因子相互独立5种情况。进一步探测11个因子两两交互对研究区传统村落空间分异的解释力，探测结果见表 4。

表  4  由GeoDetector探测的交互因子q值

Table  4.  The q value of the interation factor by the GeoDetector

因子	GDP密度	一般道路密度	距地级市	距高速公路	高速公路密度	河流密度	坡度	坡向	距一般道路	距水系
一般道路密度	0.89#
距地级市	0.79*	0.77*
距高速公路	0.73#	0.67#	0.15*
高速公路密度	0.90#	0.79#	0.72*	0.68#
河流密度	0.91#	0.76#	0.52*	0.47*	0.71#
坡度	0.69#	0.65#	0.20*	0.20*	0.67#	0.44#
坡向	0.68#	0.66#	0.13*	0.13*	0.67#	0.42*	0.14*
距一般道路	0.70*	0.65#	0.13*	0.13*	0.66#	0.40#	0.11*	0.08*
距水系	0.70#	0.66#	0.16*	0.11*	0.67#	0.48*	0.13*	0.09*	0.10*
高程	0.75#	0.71#	0.32*	0.30*	0.75#	0.60#	0.29*	0.27*	0.26*	0.26#
注：*表示非线性增强，#表示双因子增强。

下载: 导出CSV 

| 显示表格

由表 4可知：(1)11个因子交互作用对传统村落空间分异格局存在非线性增强及双因子增强两种类型，说明研究区传统村落空间分布实际上是多种因素共同影响的结果。

(2) 从q来看，GDP密度、一般道路密度和其他10个因子交互作用q相对较大，其中q最大的为GDP密度与河流密度的交互作用(0.91)。

(3) 结合单因子探测和交互式探测结果，可明显看出，GDP密度、一般道路密度在单因子和交互式因子的驱动下，其q普遍大于其他单因子或交互组合因子。其他因子之间的交互作用均弱于GDP密度、一般道路密度与其他10个因子之间的交互作用，充分说明了GDP密度、一般道路密度与其他因素结合对传统村落空间分布来说是最主要的影响因素。

4.   结论与讨论

本文以苏鲁豫皖四省825个传统村落作为研究对象，综合运用多种空间分析方法对其空间分布特征进行研究，并运用地理探测器探测其空间分异驱动因素。主要结论如下：

(1) 苏鲁豫皖传统村落在空间分布上呈现集聚分布的态势，主要集中在安徽省。在各市内分布不均衡，且各市之间差异较大，主要集中在安徽的黄山市、宣城市和河南的平顶山市、信阳市。

(2) 核密度分析表明，苏鲁豫皖传统村落的空间分布总体上呈“一主+两次+多中心”的团簇状分布格局，主要形成了以皖南黄山市为主的高密度区，“核心—边缘”状分布较为明显，且在空间上表现为横“V”字型。

(3) 相关性分析表明，苏鲁豫皖传统村落空间分布聚集性显著，且空间关联性差异较大，整体形成显著的“高-高”与“低-低”各自聚集、“低-高”分布范围较窄的特征。

(4) 地理探测器因子探测结果表明，GDP密度、一般道路密度与其他因素结合对传统村落空间分布来说是最主要的影响因素。

本文对苏鲁豫皖传统村落空间分布展开研究，其影响因素地形、水文、交通、经济等与以往的传统村落空间分布研究结果相似。在以往对传统村落空间分析的基础上，本文结合地理探测器进行空间分异驱动力探索，并利用地理探测器中交互式探测模块进行评估，使评价结果更加合理。

传统村落的分布受到自然环境、经济发展、社会文化等多种因素的影响，本文运用地理探测器对苏鲁豫皖传统村落空间分异的影响因素进行了初步分析，取得了一定成效，有助于深化该领域的研究。但研究缺乏对各因素之间的相互作用的阐述，且所选择的影响因素不够全面，对传统村落影响因素的研究不够深入。未来将关注微观层面，对传统村落集中区域，综合考虑民族、历史、文化等人文因素，交通、政策、经济收入等社会因素，地形、气候、河流等自然因素对传统村落布局的影响，揭示传统村落空间分异背后深层次的自然和社会经济影响因素，同时结合典型案例剖析以上影响因素的相互作用机理，进一步开展传统村落的内部结构、形态特征、文化内涵和价值等微观方面的研究。