基于ODD框架的农户有限理性决策模型的构建及模拟*——以陕西省米脂县马蹄洼村为例

毛南赵，梁小英※，段 宁，商舒涵

(1.西北大学城市与环境学院，陕西西安 710127； 2.陕西省地表系统与环境承载力重点实验室，西安 710127)

0 引言

生态脆弱区土地利用/覆被变化驱动机制的探讨已成为土地利用研究的重要方向之一。农户作为农业生产及土地利用活动的主体，其行为的发生、发展过程直接影响土地利用的数量、质量、结构和效率[1-6]。而人地系统作为一个复杂的耦合系统，将人的行为决策纳入到地表格局变化研究中，是研究人地关系复杂性的焦点问题之一[7-8]。目前，基于行为理论，通过模型模拟的方法来探讨农户行为对于区域土地利用变化的微观响应机理，已经成为国内外研究的趋势之一[6-15]，在智能体模型(Agent Based Model)构建、理性与有限理性决策分析、个体间相互作用定量表达等方面积累丰富[16-21]； 比较有代表性的研究如Ligtenberg等[17]基于BDI(Belief，Desire，Intention)行为理论，构建微观主体效益最大化决策框架，探讨和分析微观主体决策的形成机制，黄河清等[10]基于农户行为构建了LUC-ASM模型，主要应用于研究土地利用变化和社会经济发展与人口增长之间的关系，朱月季等[11]基于农户个体的异质性模拟微观层面农户之间的互动和选择行为。但实际过程中由于农户受到自我认知、能力及时间的影响，决策受限，最终农户的决策实际是一种有限理性决策，如何进一步揭示农户有限理性作用机理成为研究农户行为和土地变化格局这种人地关系的关键问题之一。

鉴于效益最大化模型对现实微观主体决策有限的解释力，目前已有研究展开基于BDI理论的有限理性决策研究。例如，王艳妮等[16]通过增加能力与资源修正指数构建CR-BDI模型；宋世雄等[22]通过探讨不同类型农户间相互作用构建CBDI模型，分别对原有效益最大化BDI模型进行修正，探讨微观主体的有限理性BDI决策及其变化。一方面，这些研究为土地利用变化的微观主体行为决策及其变化机制分析与探讨奠定坚实的基础；但另一方面，这些研究大多依据作者研究的目的构建模型，即使研究区相同，也很难对类似研究进行对比和分析。同时，现有对农户有限理性决策的研究大多集中在决策框架构成、影响因素的探讨、主体间相互作用分析等方面，还缺少将上述部分整合在一起的研究。

目前，利用Overview、Design Concept and Detail(ODD)框架进行ABM模型的构建已经得到国内外学者的认可[23]。采用ODD框架构建ABM模型，利于不同研究的对比，方便学者的阅读和理解，易于看清文章的逻辑和框架[23-24]。因此，文章采用ODD框架来构建农户土地利用决策框架； 并在该框架下综合多种影响因素，构建可反映农户有限理性的Household Bounded Rationality Decision-making Model(HBRDM)模型，基于Netlogo平台，来模拟农户有限理性土地利用行为决策，旨在通过ODD框架，增强研究的可比性，进一步揭示生态脆弱区土地变化的微观驱动机理。

图1 研究区位置及2015年土地利用图

1 研究区与数据来源

1.1 研究区概况

马蹄洼村位于陕西省米脂县高渠乡西北部，地理位置为110°09′29″E～110°11′08″E、37°50′10″N～37°51′29″N，地处黄土高原腹地，水土流失严重，属典型的生态脆弱区。高渠乡作为米脂县退耕还林典型乡镇及陕西省农业厅第三批“一乡一业”示范乡镇，主要发展红葱集聚产业，而马蹄洼村是发展红葱产业的典型村落。目前，该村土地总面积约304hm2，主要种植红葱、马铃薯、玉米、杂粮等作物(图1)。2013年该村成立了红葱种植专业合作社，该村农户类型多样，据2015年实地调研可知，全村共130户人，其中，打工户70户、兼业户25户、种植户35户。该文以马蹄洼村作为样本区，为探讨生态脆弱区农村经济发展的微观效应、阐明生态脆弱区农业发展和演变的微观机制提供了参考。

1.2 数据来源

(1)2015～2016年马蹄洼村土地利用图及地籍图。通过2015～2016年该地高分一号影像数据和手持GPS实测点数据，结合ENVI 5.3、ArcGIS 10.2平台，解译得到2015～2016年该区土地利用类型图，并结合实际调研得到研究区的耕地地块权属图。

(2)DEM数据，来自中科院计算机网络信息中心地理空间数据云(http：//www.gscloud.cn/)，通过GPS测点，结合30m×30m分辨率DEM数据，插值重采样获取研究区5m×5m分辨率的DEM数据。

(3)种植农户社会经济调查问卷数据。采用PRA和入户调查相结合的方式，主要涉及农户年龄、家庭收入和消费、作物种植投入与产出、家庭劳动力及租种面积等数据。在2015～2017年每年的7～8月进行调研，该村共完成问卷62份，其中有效问卷共55份。

2 基于ODD的农户有限理性决策模型的构建

基于Grimm对Agent建模要求的规范，结合ODD框架建模的优势，该文根据ODD建模标准从模型概述、概念框架和细节设计三大方面7个基本元素层面对HBRDM模型的构建进行描述[23]。

2.1 HBRDM模型概述

2.1.1 目的

HBRDM模型的目的是利用BDI行为理论，综合考虑多种因素及农户间相互作用对农户Desires和Intention的约束，基于Netlogo平台来模拟农户有限理性种植行为决策，揭示生态脆弱区土地变化的微观驱动机理。

2.1.2 模型的实体、变量和研究尺度

该模型中实体是农户Agent，其包含农户分类、耕地面积、地块权属及有限理性系数等属性信息； 状态变量是农户种植行为以及影响因素； 模拟的尺度是村域耕地地块尺度。格网大小根据研究区马蹄洼的村落边界设置为484×488，每个像元代表5m×5m。

2.1.3 模型过程概述及运行步长

HBRDM模型的模拟过程主要基于基础地理数据，通过设置农户种植行为规则，进行农户与地块之间的交互，得到最终耕地空间种植格局变化结果图。Agent模拟时间步长及状态变量更新时间为1年。

2.2 模型的概念框架

图2 HBRDM模型概念框架

借鉴传统BDI决策理论框架，HBRDM模型通过探讨影响因素来调整农户的愿望和意图； 虽然前期在该方面有所研究，但综合考虑多种因素对农户愿望和意图影响的研究还比较欠缺：例如王艳妮等[16]仅考虑农户种植能力与资源系数对传统BDI框架的有限修正，却未考虑农户间相互作用的影响，宋世雄等[22]虽侧重探讨同类农户间的相互作用对农户耕地撂荒行为的影响，但没有顾及其他因素对主体愿望的影响。因此，结合建模中的优势和不足，HBRDM模型除综合考虑农户种植能力与资源CR系数和农户间相互作用的影响外，还进一步探讨同类和不同类农户间的相互作用。

图2为HBRDM模型的结构框架图。由图2可以看出，在政策和市场的影响下，农户Agent对自然条件和作物重要性具有一定的认知，从而产生作物种植信念； 在信念基础上形成种植愿望时，受自身种植能力与资源的影响，在有限理性系数下修正其种植愿望； 在形成种植意图时，不仅受到作物收益的影响，农户间还存在交流，则通过农户间相互作用进一步修正农户意图，最终形成其真正的种植意图； 最后，农户Agent做出决策后形成新的耕地空间种植格局。同时，新的种植格局对农户信念的形成具有反馈作用，从而不断更新农户Agent的种植信念。

2.3 模型的细节设计

主要包括模型的初始化、数据输入和子程序等3个部分。其中，HBRDM模型初始化为2015年马蹄洼村典型农户基础属性数据及其种植作物空间格局情况； 数据的输入主要包括农户Agent的属性输入、模拟期初耕地类型作物空间分布图的加载等； 耕地地块和农户属性之间通过农户权属相互关联； 子程序包括HBRDM模型的子模块和重要参数的说明，该文重点进行阐述。

2.3.1 农户Agent生成模块

基于已有的多源GIS数据、统计数据、典型农户社会调研数据和权属数据，得到农户Agent的属性信息； 利用多源GIS数据将农户Agent与其地块进行空间关联； 地块是模型模拟的基本单元，且每个地块每年只对应1种作物类型。

2.3.2 农户Agent的简化与分类模块

依据Evans[25]的研究，按照农户年龄和作物种植面积大小将研究区农户Agent划分为3类，即打工型农户、种植型农户和自给型农户。其中，打工型农户常年在外打工； 种植型农户包括兼业户，主要以种植为主； 自给型农户年龄偏大或劳动能力弱，种地少或不耕种。打工型和种植型农户之间通过土地租种来相互影响，即打工户的耕地被种植户租种。由于打工户常年不在家，自给户种地很少，种植户是该村主要耕种者。因此，该文将重点研究种植户的作物种植行为。

2.3.3 农户Agent决策分析模块

基于BDI决策框架，农户Agent决策分析模块主要包括信念模块、愿望模块和意图模块。该文对于关键部分进行阐述。

(1)信念模块构建

参照陈海等[5]对BDI信念描述，结合研究区实际情况，该文构建信念(B)的公式：

Bikt={Impikt，Pikt}

(1)

式(1)中，Bikt表示目前农户i在时间t时对当前影响其第k种土地种植类型的环境因素的感知；Impikt表示农户i在时间t时对土地种植作物k的重要性认识；Pikt反映农户对于不同自然环境条件的认知。

(2)愿望模块构建

愿望由信念产生，是信念的现实表达。结合农户能力和资源修正系数对农户愿望的约束，从而表达农户有限理性下的真实愿望。计算公式：

Dikt={Bikt，Impikt，Mikt，CRikt}

(2)

式(2)中，Dikt是农户i在t时刻Bikt的基础上产生种植作物k的愿望，即Agent希望在t时刻能够达到的状态；Mikt是时间t农户i认为市场对第k种作物的影响；CRikt是时间t农户i认为种植第k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，其他参数含义同上。

(3)意图模块构建

由图2可知，农户意图是在信念和愿望基础上的最终表达，不仅受到作物收益大小的影响，而且由于农户间存在交流学习的过程，还受到其他农户间(同类和不同类)的相互作用影响。因此，为更加合理表达农户有限理性，进一步通过同类和不同类农户间的相互作用系数来对农户意图进行约束。农户的决策意图(Iik，t+1)计算公式：

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

(3)

式(3)中，Inikt表示作物种植效益指数；Ct表示t时刻其他农户Agent对目标农户Agent的影响，其他参数如上。为模型简化，同类和不同类农户间相互作用采取等权重进行量化，Ct的计算公式：

Ct=β1+β2

(4)

式(4)中，β1为t时刻其他同类农户Agent对目标农户Agent决策的影响系数；β2为t时刻不同类农户Agent对目标农户Agent决策的影响系数。

该文认为，农户间存在相互作用。对于同类农户间的相互作用，通过对农户特定作物重要性与同类农户中该类作物最大值的比较，来判定农户间相互作用的大小，比值越大，相互作用越小； 对于不同类农户间的相互作用，通过是否存在租种行为来定量化表征； 通过对上述两种相互作用来修正农户真实的种植意图，做出有限理性的决策。

对于同类农户Agent间相互作用，计算公式：

(5)

式(5)中，Ii-jkt为时间t农户j受到同类其他农户i影响后第k种土地利用方式；j为有第k种土地利用方式的农户；k为第k种土地利用方式； 其他参数含义同上。

在耕地总量一定的条件下，其他类农户不同的意愿对种植型农户最终的决策是有影响的。即如果其他类农户种植意愿小，种植型农户可种植作物的面积相对就大，反之该类农户可种植作物面积相对就小，则可用种植型农户是否存在租种行为来表示不同类农户影响系数，计算公式如下：

(6)

式(6)中，Areajkto表示农户j在时间t0租种的耕地面积；Areajkt表示农户j在时间t耕种总面积。

3 实例结果与分析

3.1 农户信念分析

由信念模块计算，得到农户对自然条件的认知。图3为农户对自然条件认知图(图3a中主要自然条件分级LH表示地块距道路近、海拔高的自然条件； MH为距道路适中、海拔偏高条件； HH是距道路远、海拔高的条件)。由图3可知，马铃薯主要种植在距道路近、海拔较高(LH)的区域，该自然条件下马铃薯的种植面积比例为42%, 红葱主要种植在距离道路较近、海拔较高(MH)的位置(40%)，杂粮主要种于距离道路较近、海拔较高(MH)的位置(41%)。

图3 农户对自然条件的认知图

表1 典型农户决策经CR系数修正与否的愿望

农户序号D玉米D马铃薯D红葱D杂粮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)村庄均值0.10(0.23)0.15(0.42)0.23(0.56)0.06(0.15) 注:括号内数字表示未经CR系数修正的农户种植愿望值

3.2 农户愿望分析

表1为经过CR系数修正与否的农户种植愿望结果。从表1可以看出，就农户整体层面而言，修正前后研究区均以种植红葱的愿望最高，其次为马铃薯和玉米，杂粮的种植愿望最低。但农户个体层面则存在较明显差异，如农户1未经CR系数修正，种植红葱愿望大于马铃薯，修正后则种植两者愿望相等； 农户4修正前种植红葱的愿望高于马铃薯，修正后种植马铃薯愿望高于红葱； 农户7修正前马铃薯略高于杂粮，受CR系数影响，则种植杂粮的愿望略高于马铃薯。由此可以看出，村庄均值仅能反映村庄内农户种植愿望的均值，而CR系数不仅可揭示农户整体的愿望，也可对单个农户种植愿望进行有效表征。同时，也说明CR指数对于厘定农户愿望差异的重要性。

3.3 农户意图分析

表2为同类和不同类农户间相互作用系数影响下的种植意图表。其中，农户间相互作用影响系数为β1，不同类农户影响系数为β2，表2中括号内表示只考虑同类农户间相互作用影响下农户的种植意图。由表2可以看出：租种面积占总耕地面积越大，农户的租种行为对于其他类农户影响也就越大。同时，只有综合考虑β1和β2，才能真实表达农户的实际土地利用决策。如农户4在仅受β1影响时，其马铃薯和红葱的种植意图相同，但综合考虑β1和β2，其红葱的种植意图则高于马铃薯； 农户7在仅受同类影响时，其马铃薯和杂粮的种植意图较小，但综合考虑β1和β2，其马铃薯和杂粮的种植意图有较大提升。综上可见，只有综合考虑农户间相互作用影响(同类和不同类)，才能较为准确地表达实际的农户土地利用决策。

表2 综合考虑同类和不同类农户间相互影响系数作用下的农户种植意图

农户序号租种面积(667m2)影响系数β2I玉米bI马铃薯bI红葱bI杂粮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)村庄均值80.280.013(0.003)0.024(0.009)0.046(0.013)0.003(0.001)

表3 不同模型模拟失误率

%

此外，经计算得到研究区玉米、马铃薯、红葱和杂粮4种主要作物的收益系数分别是0.23、0.25、0.41和0.11。其中，红葱的收益系数值最大，其次为马铃薯和玉米，杂粮最低。由此说明，红葱在当地耕地类型中所占权重比较大，农户一般不会轻易考虑将红葱转变为其他类型的种植类型，而低收益系数的杂粮等作物转变为其他收益系数较高类型作物的可能性较大。

3.4 模型的验证及分析

结合2015年农户调研数据，利用Netlogo平台基于Logo语言进行二次编程开发，通过HBRDM模型对马蹄洼2016年土地利用进行模拟，并对HBRDM模型的模拟效果和仅考虑相互作用(Ct)以及能力和资源系数(CR)的模拟结果进行对比。图4和表3分别为3种模型(即模型a表示HBRDM模型，模型b、c则分别表示该模型仅考虑CR或Ct)的模拟勘误图和失误率表。

结合图4和表3可以看出：

(1)HBRDM模型的模拟效果最佳。在综合考虑CR和Ct的条件下，整体失误率最低，为20.2%，即HBRDM模型的准确率为79.8%； 若分别仅考虑CR和Ct条件，模拟失误率分别为24.9%和28.7%，分别比HBRDM模型的模拟效果差4.7%和8.5%；

图4 2016年马蹄洼作物模拟勘误图

(2)不同参数对耕地类型变化的解释力不同。就研究区而言，农户间相互作用对该区耕地变化的解释力较低，其次是资源和能力指数，最后是两种因素的综合。例如，红葱种植在仅考虑相互作用时失误率为34.5%； 在仅考虑资源和能力系数是失误率为28.5%，准确率提高6%； 当同时考虑两种因素，失误率则进一步减少到17.2%，很显然综合考虑多种影响因素对于小红葱种植的解释力要显著优于单因素考量。马铃薯、杂粮也是如此。同时，结合自然条件的分析揭示HBRDM模型模拟失误可能的原因。对于模拟失误率较高的马铃薯而言，失误主要集中在海拔高的自然条件下。其中，在距道路近、海拔高的条件下实际种植马铃薯的地块模拟结果为红葱，其失误占马铃薯总失误率的23.2%； 而在距道路适中、海拔高条件下实际种植马铃薯的地块模拟结果为杂粮，其失误占马铃薯总失误率的21.3%。产生模拟失误，主要原因：①农户保持地力的需要。当地农户在实际种植过程中通过轮作方式保持土壤肥力，会在适宜种植马铃薯和红葱的地块上种植杂粮。这是造成模拟失误的主要原因之一。 ②种植的随机性和规则的刚性。模拟时将距离道路近作为种植红葱、马铃薯等经济作物的“刚性”条件，但由于研究区地块的自然条件较为接近，农户在种植时会将“理应”种植马铃薯的地块栽种为红葱，这种种植的随机性也是造成模拟失误的主要原因之一。

4 结论与讨论

4.1 结论

按照ODD标准化建模程序，以BDI结构为基础，构建HBRDM模型，以陕西省米脂县马蹄洼村为例，并结合ArcGIS、Netlogo平台进行农户种植行为模拟空间化表达，得出如下结论。

(1)HBRDM模型可有效表征农户的有限理性决策。通过对比分析仅考虑农户间相互作用和能力与资源指数的情况可知，HBRDM模型的模拟效果最好，分别比其他两种方式的模拟效果高4.7%和8.5%，这表明农户决策更多地趋向“满意”的有限理性决策。

(2)“刚性”的模拟规则和种植的随机性是造成模拟失误的主要原因； “刚性”规则虽然关注到多数自然条件下耕地的变化，但由于地块自然条件的差异较小，加之农户种植存在一定程度的随机性，由此造成了部分作物在特定自然条件下的失误率较高。

(3)基于ODD构建的HBRDM模型，有利于不同研究的对比，方便学者的阅读和理解，同时易于看清该文的逻辑和框架。

4.2 讨论

基于有限理性理论进行行为决策研究已成为多样化决策研究的热点。借鉴传统BDI决策理论框架，HBRDM模型通过探讨影响因素来调整农户的愿望和意图。结果表明，HBRDM模型相对于已有研究，更具解释力，而且通过ODD框架建模，便于读者阅读和看清文章的逻辑框架，从而进一步丰富了揭示生态脆弱区土地利用变化的微观驱动机理的研究思路和方法。不过，由于该模型的参数及规则主要依据研究区实际情况而设定，且不同区域间存在空间差异性及农户个体的异质性； 同时，农户随着年龄增长，其行为可能会发生较大变化，而该文认为在研究时间内农户类型不变，即农户行为假设是不变的； 因此对上述问题的修改和调整，将是未来模型优化的一个方向之一。

目前已有研究对土地利用主体与土地利用变化间的相互作用进行探讨，但在尺度的推演上大多采用简单村庄类型推演法进行模拟[16]，没有考虑不同村庄类型和合作经济体在尺度转化方面的影响[22]。因此，深入探讨不同农户个体决策向农户群体决策的转化、村庄类型在土地利用决策方面的差异，以及合作经济组织在土地利用决策方面的影响，就成为今后研究的主要方向。同时，还应当看到，该文虽然综合考虑了农户间相互作用和能力与资源指数等因素，但对政策和市场的影响处理较为简单[26]，还没有考虑社会规范对于农户行为的影响[27]。因此，进一步分析政策和市场对农户个体决策的影响，将社会规范合理纳入农户土地利用决策之中就成为今后完善农户个体有限理性决策模型的主要问题。

[1] 李小建.欠发达农区经济发展中的农户行为——以豫西山地丘陵区为例.地理学报， 2002， 57(4)： 459～468

[2] 钟太洋， 黄贤金.农户层面土地利用变化研究综述.自然资源学报， 2007, 22(3): 341～352

[3] 王倩， 肖渊实，余劲.农地流转对农户土地利用行为及效果影响探究.中国农业资源与区划， 2016, 37(2): 231～236

[4] 田文勇， 张会幈，黄超，等.农户种植结构调整行为的影响因素研究——基于贵州省的实证.中国农业资源与区划， 2016, 37(4): 147～153

[5] 陈海， 王涛，梁小英，等.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.地理学报， 2009, 64(12): 1448～1456

[6] 乔家君， 李小建，葛真.基于农户调查的村域商业经济活动空间研究.经济地理， 2009, 29(5): 817～822

[7] 翟瑞雪， 戴尔阜.基于主体模型的人地系统复杂性研究.地理研究, 2017(10)： 1925～1935

[8] 梁小英， 刘俊新.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.自然资源学报， 2010, 25(9): 1489～1495

[9] Mena C F， Walsh S J，Frizzelle 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]黄河清， 潘理虎，王强，等.基于农户行为的土地利用人工社会模型的构造与应用.自然资源学报， 2010, 25(3): 353～367

[11]朱月季， 高贵现，周德翼.基于主体建模的农户技术采纳行为的演化分析.中国农村经济, 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，Fresco 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， 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.农业工程学报， 2013, 29(14): 227～237

[16]王艳妮， 陈海，宋世雄，等.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.地理科学进展， 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]余强毅， 吴文斌，唐华俊，等.复杂系统理论与Agent模型在土地变化科学中的研究进展.地理学报， 2011, 66(11): 1518～1530

[20]陈姗姗， 陈海，梁小英，等.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.自然资源学报， 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，梅亚军，等.基于CBDI的农户耕地撂荒行为模型构建及模拟研究——以陕西省米脂县冯阳坬村为例.自然资源学报， 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]余强毅， 吴文斌，唐华俊，等.基于农户行为的农作物空间格局变化模拟模型架构.中国农业科学， 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]陈海， 郗静，梁小英，等.农户土地利用行为对退耕还林政策的响应模拟——以陕西省米脂县高渠乡为例.地理科学进展， 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