EN中文

华南地理学报 >

2025 , Vol. 3 >Issue 1: 81 - 93

DOI: https://doi.org/10.20125/j.2097-2245.202501006

专辑：空间计量模型研究：实证应用与理论进展

中国城市建设用地的空间演变及其影响因素研究——基于238个地级及以上城市的实证

  • 乔艺波 , 1, 2 ,
  • 袁超君 , 1
展开
  • 1. 南京大学 建筑与城市规划学院，南京 210093
  • 2. 南京大学 空间规划研究中心，南京 210093
袁超君（1991—），女，博士研究生，主要研究方向为城镇化与城乡发展机制，E-mail：

①文中的定义来自新版《标准》的出版稿，而在报批稿中，人均城市建设用地的定义为城市和县人民政府所在地镇内的城市建设用地面积除以中心城区（镇区）内的常住人口数量。

乔艺波（1992—），男，博士，助理教授，主要研究方向为产业演化与空间规划，E-mail：

收稿日期: 2025-01-03

  修回日期: 2025-03-30

  网络出版日期: 2025-06-18

基金资助

国家自然科学青年基金项目(52408066)

收起

The Spatial Evolution and Influencing Factors of Chinese Cities' Urban Construction Land: Evidence from 238 Prefecture-level and Higher Level Cities

  • QIAO Yibo , 1, 2 ,
  • YUAN Chaojun , 1
Expand
  • 1. School of Architecture and Urban planning, Nanjing University, Nanjing 210000, China
  • 2. Space Planning Research Center, Nanjing University, Nanjing 210000, China

Received date: 2025-01-03

  Revised date: 2025-03-30

  Online published: 2025-06-18

Fold

摘要

基于2003—2018年267个城市的3 222个观测样本构成的非平衡面板和由随机森林法构造的238个城市的3 808个观测样本构成的平衡面板两个数据集，构建非平衡和平衡面板空间杜宾误差模型，研究中国城市建设用地的空间演变及其影响因素。研究发现，在时空演变特征方面：（1）2003年以来中国人均城市建设用地大体上不断提高，即使按照所定义的低估的数值，业已逼近2012新版《城市用地分类与规划建设用地标准》中规定的上限（115 m2/人）；（2）除超大城市的人均城市建设用地大体上有所降低之外，其他六类城市均呈现出显著的增长趋势。在影响因素方面：（1）城市规模扩大显著降低人均城市建设用地；（2）经济发展水平和城镇化率的提高，目前仍然促进人均城市建设用地的上升，而尚未转入推动土地集约利用的阶段；（3）人均城市建设用地也受到相邻城市的规模、经济发展水平、产业结构和开放程度的影响。

关键词： 城市建设用地; 空间演变; 影响因素; 空间杜宾误差模型

本文引用格式

乔艺波 , 袁超君 . 中国城市建设用地的空间演变及其影响因素研究——基于238个地级及以上城市的实证[J]. 华南地理学报, 2025 , 3(1) : 81 -93 . DOI: 10.20125/j.2097-2245.202501006

Abstract

Based on an unbalanced panel composed of 3 222 observation samples of 267 cities and a balanced panel composed of 3 808 observation samples of 238 cities constructed by the random forest method from 2003 to 2018, we construct both the unbalanced and balanced panel spatial Durbin error models to study the spatial evolution and influencing factors of urban construction land in China. The study reveals the following spatiotemporal evolution characteristics: 1. Since 2003, China's per capita urban construction land has generally exhibited a continuous upward trend. Even based on the underestimated values defined in this study, it has approached the upper limit (115 m²/person) stipulated in the 2012 updated Urban Land Classification and Planning Construction Land Standard. 2.With the exception of megacities, where per capita urban construction land has shown an overall decline, the other six city categories demonstrated significant growth trends.Regarding influencing factors: 1. Urban scale expansion significantly reduces per capita urban construction land. 2. Current economic development and urbanization rates still promote the increase of per capita urban construction land, indicating that these drivers have not yet transitioned to a phase of promoting intensive land use. 3. Per capita urban construction land is also influenced by neighboring cities'urban scales, economic development levels, industrial structures, and openness.

Key words： urban construction land; spatial evolution; influencing factors; spatial durbin error model

0　引言

城市建设用地是城市经济社会活动的空间载体，人均城市建设用地是反映城市土地集约利用水平的核心指标，对于指导城市发展和规划建设有着重要的实践意义，尤其对我国这样一个人口稠密、土地资源较为稀缺的后发赶超型国家而言更是如此。官方和学界普遍认为我国城镇化进程存在土地城镇化远快于人口城镇化的结构性失衡现象［1-4］，其直接体现便是人均城市建设用地的激增。然而，由于缺乏准确的官方统计数据，这一论断在一定程度上也受到质疑［5］，这无疑会对城市发展与规划实践造成一定的概念困扰。然而，虽然“人均城市建设用地”这一概念自1991年旧版《城市用地分类与规划建设用地标准》（简称“旧版《标准》”）提出以来已有三十年时间，但学界对其研究仍然较为匮乏。造成这一局面的原因，很大程度上与概念本身的定义与现有统计资料之间的不匹配有关。旧版《标准》提出在计算人均城市建设用地时，人口计算范围必须与用地的计算范围相一致，且人口数宜以非农业人口数（即城市户籍人口）为准。赵民和汪军［6］即采用这种方法计算了1985年至2004年全国人均城市建设用地，并结合更早的统计数据指出建国以来全国人均城市建设用地呈现明显的“V”字型，而自从2003年开始，全国人均城市建设用地就已经超过了1991年旧版《标准》所规定的120 m2/人的上限。但由于城区非农人口未包含非户籍常住人口，因此这种测度方式相比使用城区常住人口的测度方式会过高地估计人均城市建设用地［5］。随着市场化改革的深入推进，我国人口的流动性越来越大，基于非农业人口得出的人均城市建设用地显然已经不再符合实际。
有鉴于此，2012年1月1日起实施的新版《城市用地分类与规划建设用地标准》（简称“新版《标准》”）中规定人均城市建设用地指城市建设用地面积除以该范围内的常住人口数量①，其中常住人口指户籍人口数量与半年以上的暂住人口数量之和。然而由于现有的关于城市面板数据的统计资料，如《中国城市统计年鉴》《中国城市建设统计年鉴》《中国区域经济统计年鉴》等，并不提供城市建设用地范围内常住人口的统计数据，因此在现有的研究文献中，学者们多采用城区（市辖区）的统计口径来度量和表征人均城市建设用地。如陈莹［7］使用第五次人口普查数据的城区常住人口口径，计算得出2000年全国600多个城市人均用地为82 m2/人，远低于按城区非农业人口计算的人均用地110 m2/人，并指出人口规模、自然条件、产业结构会显著影响人均城市建设用地，尤其人口规模大以及以第三产业占主导的城市人均城市建设用地较小。但由于城区常住人口很难与城市建成区在空间上相对应，因此按照这种方式计算的人均城市建设用地也存在一定误差［8］，但在不存在精确对应于城市建成区口径的统计资料的情况下，以城区口径的建设用地面积除以城区常住人口是最为接近新版《标准》中人均城市建设用地定义的近似值。
同时，现有文献对于人均城市建设用地指标的定量研究多处于描述性统计阶段［9-11］，缺乏较为深入的定量分析，且对影响人均城市建设用地变化的因素的探究也大多出于定性探讨阶段。如吴一凡、刘彦随等［12］提出人口与土地城镇化耦合发展程度受到经济发展水平、城市性质、人口规模、政府决策行为、地理区位条件和地区内部差距等要素的综合影响，舒帮荣［13］、袁利平［14］、张延吉等［15］使用描述性统计和OLS回归分析探讨了城市职能类型对人均城市建设用地的影响。瞿诗进等［16］使用滑动T检验、K密度估计等方法识别中国城市建设用地转型节点与时空特征，并定性地提出城市建设用地转型受到社会经济发展的要素（人口、资本等生产要素）和国家发展战略、土地管理政策等的作用影响。吕凤涛等［17］基于粤港澳大湾区城市群建设用地时空演变的分析，定性地判断一段时期内城市人口的快速增加是大湾区建设用地增长的重要原因等。陈康林等［18］基于GEE云平台对珠江口沿岸土地利用变化进行探测，同样指出GDP和人口数量是一段时期内珠江口沿岸建设用地快速扩张的主要因素。因此，本文试图选取2003—2018年的地级及以上城市为研究对象，呈现其人均城市建设用地面积的空间演化趋势，并通过空间计量经济学模型探究决定人均城市建设用地的影响因素，以期对我国城市的规划建设和土地集约利用提供相应的决策参考。

1 样本数据与模型设定

1.1　数据来源与处理

1.1.1　变量说明及数据来源

在被解释变量方面，本文采用城区建设用地面积除以城区户籍人口加城区暂住人口之和的方式度量人均城市建设用地面积（缩写为PCUCL，单位为m2/人）。由于城区不仅包含了建成区，也包括了建成区以外的未划入建成区的区域，因此我们度量常住人口的方式会高估作为分母的人口数，也就低估了人均城市建设用地，对于城镇化程度比较高，人口比较集中于建成区的城市而言，低估的程度较小，反之则较大。但这种测度方式有两个主要的优点是使用非农人口的测度方式所不具备的：一是能够保持较长时段数据的前后一致性，这是因为2005年以后《城市建设统计年鉴》不再提供城区非农人口的统计数据，而关于城区人口和建成区的数据则是一以贯之的；二是提供了依据现有统计资料所能得出的全国层面上人均城市建设用地尽可能精确的保守估计，究其实质是城区常住人口的人均城市建设用地。在作为分子的城市建设用地的选取上，由于2012年新版《标准》与1991年旧版《标准》在城市建设用地定义上有所差别，综合比对新旧两版《标准》后，本研究将2012年以前的对外交通用地和特殊用地剔除出城市建设用地范围，以保持数据的前后一致性。研究所使用的数据来源为住建部网站公布的2003—2018年历年《城市建设统计年鉴》。
在解释变量方面，既有文献中典型如张延吉等［15］所选取解释变量为表征城市职能的产业部门职能标准化指数，控制变量包括气候区、城镇常住人口、财政收入比重、人均GDP等，指出以通讯电子设备制造、电力燃气供、房地产为主导职能对人均城市建设用地有显著正向影响，以信息服务及软件业为主导职能则有显著负向影响。吴一凡等［12］使用经济发展水平（人均GDP、规模以上工业总产值、第三产业占GDP比重）、政府决策行为（人均财政支出、地均房地产开发投资等）、城市区位条件（城市建成区绿化率、城市虚拟变量）等作为解释变量，研究认为经济发展水平并非人口与土地城镇化失调的决定性力量，而政府决策行为与区位条件的影响程度更为显著。此外，相关定性研究中常见的认为对人均城市建设用地具有影响的因素包括城市人口规模、城市职能、城市行政等级、地理位置等［19］。因此，基于既有文献研究成果和数据的可获得性，本研究选取城市规模、经济发展水平、产业结构、固定资产投资、政府干预强度、开放程度、公共交通水平和区域特征作为影响人均城市建设用地的解释变量。其中，城市规模、经济发展水平、产业结构、固定资产投资、政府干预强度、区域特征为既有研究中所使用过的较常见解释变量，开放程度、公共交通水平为本研究基于数据可得性并认为有必要增加的新解释变量。
在以上解释变量中，以城区人口（缩写为UP，单位为万人）和城区暂住人口（缩写为UTP，单位为万人）表征城市规模，以市辖区人均GDP表征经济发展水平（缩写为PCGDP，单位为万元/人），以第三产业占GDP的比重表征产业结构（缩写为P3IGDP），以市辖区人均房地产投资额表征固定资产投资水平（缩写为REIA，单位为万元/人），以城市行政等级（缩写为CH）和市辖区人均预算内支出表征政府干预强度（缩写为BEA，单位为万元/人），其中城市行政等级为虚拟变量，普通地级市为0，省会及以上城市为1。以市辖区人均外商直接投资表征开放程度（缩写为FDIA，单位为美元/人），以市辖区人均轨道交通拥有长度（缩写为RTA，单位为百米/万人）表征公共交通水平，以自然地理区划（缩写为GZ）和省域城镇化率（缩写为UR）表征区域特征，其中自然地理区划分为华北、东北、华东、华中、华南、西南和西北。轨道交通数据来自2003年-2018年历年《城市建设统计年鉴》，2005—2018年各省城镇常住人口城镇化率来自《中国人口和就业统计年鉴——2019》，2003和2004年各省城镇常住人口城镇化率来自参考文献［20］，其余数据均来自2004—2019年《中国城市统计年鉴》。
最终的数据集有两个。第一个是非平衡面板数据集，首先删除缺省值所在行，然后截取人均建设用地的0.5%分位数至99.5%分位数的观测值以消除极端值的影响，再删除仅有一期的观测值之后，最终得到由267个城市的3 222个观测值构成的非平衡面板。由于现在使用非平衡面板数据估计空间计量模型的技术还不成熟［21］，因此本文进一步构造了平衡面板数据集。构造平衡面板可以通过两种途径来实现：一是删除所有缺省值所在行并仅保留无缺失数据的城市。但这种方式数据丢失情况极为严重，在本研究中通过这种方式构造的数据仅包含49个城市，因此并不可取；二是通过多重插补技术（Multiple Imputation）填补缺省值，这种方式能够更为有效地利用现有数据信息，在数据缺失不严重的情况下尤为有效。图1呈现了数据的缺失情况，其中缺失较为严重的是外商直接投资数据（11.3%）和城区暂住人口数据（8.8%），其余数据缺失情况较轻，总缺失数据仅占全部数据总数的2.54%，缺失情况并不严重，用多重插补方法能够在不丢失原有数据信息的情况下有效地构造平衡面板。本文分别通过R语言中的“missForest”［22］和“mice”（Multivariate Imputation via Chained Equations）［23］ 程序包来实现这一目的，其中前者采用非参数的随机森林算法填补缺失数据，后者采用线性回归预测法填补缺失数据。在截取人均建设用地的0.5%分位数至99.5%分位数的观测值并仅保留无缺失数据的城市。之后，前者构造出包含238个城市连续16年3 808个观测值的平衡面板数据，后者亦构造出包含238个城市连续16年3 808个观测值的数据集。由于非参数方法相对而言更为稳健，故本文以前者为主要的分析数据集，并与后者进行对照。
图1 各变量数据缺失情况及缺失类型统计

注：（1）数据插补阶段的变量为市辖区总额数据，故与前文定义的市辖区人均数据在缩写上有所不同；

（2）图1右图展示了不同数据缺失类型的样本数占比情况。图的左侧列出了数据缺失的类型，右侧则对应每种类型的样本数占比（百分比），如图右侧最下方一行代表无缺失数据的样本数占比75.6%，同理类推。

Fig.1 Missing data status and types of variables

1.1.2　多重共线性、平稳性及截面相关检验

在对面板数据进行回归分析之前，需要对数据的多重共线性、平稳性和截面相关性进行检验，以保证后续计量模型结果的准确性。这里使用随机森林法插补得到的平衡面板数据。
从表1可以看出，虽然各自变量之间大多数存在显著的两两相关关系，但在线性回归方程中各自变量的方差膨胀因子（VIF）均小于标准值10，故并不存在严重的多重共线问题。
表1 变量描述性统计及相关性矩阵

Tab.1 Descriptive statistics and correlation matrix of variables

变量 均值 方差 VIF PCUCL UP UTP PCGDP P3IGDP BEA REIA FDIA RTA
PCUCL 105.58 34.68
UP 106.68 197.87 4.97 -0.17**
UTP 17.41 47.28 4.03 -0.14** 0.85**
PCGDP 4.65 3.47 2.90 0.37** 0.27** 0.32**
P3IGDP 43.27 10.86 1.47 -0.02 0.29** 0.31** 0.14**
BEA 0.73 0.67 2.83 0.32** 0.35** 0.41** 0.70** 0.32**
REIA 0.74 0.83 3.05 0.20** 0.32** 0.43** 0.69** 0.36** 0.67**
FDIA 215.22 326.15 1.94 0.14** 0.36** 0.39** 0.58** 0.21** 0.57** 0.60**
RTA 0.10 0.49 2.05 -0.04* 0.67** 0.61** 0.33** 0.24** 0.42** 0.42** 0.42**
UR 49.90 11.09 2.48 0.27** 0.36** 0.35** 0.52** 0.25** 0.53** 0.42** 0.38** 0.32**

注：·表示P<0.1，*表示P<0.05，**表示P<0.01，***表示P<0.001。

接下来进行平稳性检验，由于UTP和RTA变量含有较多的0值，无法进行单位根检验，故仅对剩余的变量进行单位根检验。表2的检验结果表明，在加入截距和趋势项的情况下，各变量均显著拒绝存在单位根的原假设，可以认为所有变量均为趋势平稳变量，在模型中加入时间趋势项就能有效避免伪回归的问题。
表2 变量单位根检验

Tab.2 Unit root tests for variables

变量 LLC (2002) IPS (2003) Maddala & Wu (1999) P test by Choi (2001)
PCUCL -27.96*** -16.28*** 2 206.7*** 56.09***
UP -93.17*** -24.22*** 3 364.7*** 93.62***
PCGDP -16.61*** -14.53*** 1 702.7*** 39.76***
P3IGDP -11.82*** -7.45*** 1 559.6*** 35.12***
BEA -9.68*** -9.52*** 1 642.3*** 37.80***
REIA -8.95*** -8.30*** 1 947.3*** 47.69***
FDIA -13.91*** -13.11*** 1 909.9*** 46.47***
UR -10.73*** -8.99*** 1 251.5*** 25.13***

注：·表示P<0.1，*表示P<0.05，**表示P<0.01，***表示P<0.001。

最后进行截面相关检验，以检验空间效应存在与否，其中局部截面相关和随机化空间相关检验中的空间邻近矩阵根据两城市行政边界是有重合点来定义是否相邻。表3中全局截面相关和局部截面相关检验均显著拒绝无截面相关的原假设，但仍不能确定所表现出的截面相关是由共同因素导致的还是真正的局部空间相关效应，进一步的随机化空间相关检验随机抽取999组数据与原数据的统计结果进行比较，以确定是真正的局部空间相关效应还是受共同因素影响。检验结果显示，只有UTP和BEA没有拒绝原假设，而因变量和其他自变量均在0.01的显著水平上拒绝了原假设，表明确实存在局部空间相关效应。
表3 截面相关检验

Tab.3 Cross-sectional dependence tests

变量 全局截面相关 局部截面相关 随机化空间相关
PCUCL 326.19*** 50.823*** 0.004
UP 181.75*** 36.573*** 0.002
UTP 158.14*** 24.298*** 0.256
PCGDP 583.18*** 85.024*** 0.002
P3IGDP 238.18*** 40.215*** 0.002
BEA 567.25*** 80.397*** 0.202
REIA 462.21*** 71.265*** 0.002
FDIA 170.32*** 34.179*** 0.002

注：·表示P<0.1，*表示P<0.05，**表示P<0.01，***表示P<0.001。

1.2　模型设定

1.2.1　非平衡面板SDEM模型

本文以基础的面板数据模型作为分析的起点。模型中变量的定义如前文所示，其中i代表城市个体，t代表时期，α 0表示截距，μi 表示城市的个体效应，λt 表示时间效应， ϵ i t表示特异性误差，下文相同的符号意义相同。在这一阶段，本文采用非平衡面板数据集。具体公式如下所示：
P C U C L i t = α 0 + β 1 U P + β 2 U T P + β 3 P C G D P + β 4 P 3 I G D P + β 5 B E A + β 6 R E I A + β 7 F D I A + R T A + β 9 U R + β 10 C H + β 11 G Z + μ i + λ t + ϵ i t。
由于基础的面板数据模型不能估计自变量的空间滞后效应，也未考虑误差中的空间效应，故在模型中加入确实存在局部空间相关效应的自变量和误差的空间滞后项形成空间杜宾误差模型（SDEM）。本研究并不估计人均城市建设用地的空间自回归效应，这是因为一个城市的人均城市建设用地是各种经济社会活动在空间上的结果，其对周边城市人均城市建设用地的影响也是通过自身的经济社会活动实现的，故仅在模型中加入部分自变量和误差的空间滞后项即可。由于非平衡面板数据集在每一时期所包含的城市各不相同，故根据每一时期所包含的城市构造适用于这一时期的空间加权矩阵，以每一时期的空间加权矩阵与这一时期的解释变量相乘，构造解释变量的空间滞后值作为新的解释变量加入模型之中。在估计误差的空间滞后值时，首先通过个体和时间双向固定效应模型估计每个城市的个体效应的一致估计量，然后用方程（1）的每一时期的方程的被解释变量减去对应的城市个体效应构造新的被解释变量，然后以这一新解释变量为因变量，保持方程（1）每一时期的自变量不变，用OLS回归方程得到残差Resid it，作为每一时期特定城市误差的一致估计量。因为个体效应已经被除去，同时每一时期的时间效应为固定值被吸收到OLS模型的截距之中，故误差估计程序是一致的。继而，以每一时期的空间加权矩阵乘以相应时期的残差得到误差的空间滞后值，并将之作为解释变量：
P C U C L i t = α 0 + β 1 U P i t + β 2 U T P i t + β 3 P C G D P i t + β 4 P 3 I G D P i t + β 5 B E A i t + β 6 R E I A i t + β 7 F D I A i t + β 8 R T A i t + β 9 U R i t + β 10 C H i t + β 11 G Z i t + θ 1 ∑ j = 1 N   W i j t U P j t + θ 2 ∑ j = 1 N   W i j t P C G D P j t + θ 3 ∑ j = 1 N   W i j t P 3 I G D P j t + θ 4 ∑ j = 1 N   W i j t R E I A j t + θ 5 ∑ j = 1 N   W i j t F D I A j t + ρ ∑ j = 1 N   W i j t R e s i d j t + μ i + λ t + v i t，
其中，Wijt 表示特定时期两个城市的空间加权系数，ρ代表误差空间滞后值的系数，vit 表示剥离空间误差滞后值之后的特异性误差。然而，由于vit 与误差的空间滞后项相关导致内生性问题，故模型估计系数是不一致的，但作为近似的非平衡面板SDEM模型，结合自变量空间滞后模型（SLX）比较两者的估计系数仍有一定的参照意义。

1.2.2　基于多重插补平衡面板数据的SDEM模型

由于非平衡面板数据丢失了有缺省值的观测样本，存在较严重的数据损失问题，故本文进一步基于构造的平衡面板数据估计空间杜宾误差模型：
P C U C L i t = α 0 + β 1 U P i t + β 2 U T P i t + β 3 P C G D P i t + β 4 P 3 I G D P i t + β 5 B E A i t + β 6 R E I A i t + β 7 F D I A i t + β 8 R T A i t + β 9 U R i t + β 10 C H i t + β 11 G Z i t + θ 1 ∑ j = 1 N   W i j U P j t + θ 2 ∑ j = 1 N   W i j P C G D P j t + θ 3 ∑ j = 1 N   W i j P 3 I G D P j t + θ 4 ∑ j = 1 N   W i j R E I A j t + θ 5 ∑ j = 1 N   W i j F D I A j t + μ i + λ t +   ϵ i t，
  ϵ i t = ρ ∑ j = 1 N   W i j ϵ j t +   v i t  。
由于此时空间权重矩阵在所有时期是同一的，故可以直接在统计软件中使用极大似然估计和广义矩估计方法来进行估计，本研究采用R语言中的“splm”［24］软件包完成模型估计。

2 中国人均城市建设用地的空间演变特征

从总体上看，在研究时段内，我国人均城市建设用地不断提高（图2），自2003年的73.22 m2/人一路攀升至2014年的114.57 m2/人，其后有些许回落，至2018年为111.20 m2/人。如前所述，与新版《标准》中的明确定义相比，本文的人均城市建设用地指标存在一定程度的低估，但即使按照这一低估的数值，我国的人均城市建设用地也已超过了大多数城市的最高标准110 m2/人，逼近新版《标准》中规定的上限115 m2/人。
图2 2003—2018年中国地级市人均城市建设用地面积演变

注：（1）基于自然资源部标准地图服务网站审图号为GS（2019）1822号的标准地图制作，底图无修改；

（2）其中空白城市为数据缺失。

Fig.2 Evolution of per capita urban construction land area in chinese prefecture-level cities， 2003‒2018

图3呈现了2003—2018年中国不同规模城市的人均城市建设用地演变，从城市规模来看，人均建设用地与城市人口规模呈现明显的负相关，截至2018年，只有城区常住人口在300万以上的Ⅰ型大城市、特大城市和超大城市的人均建设用地面积低于115 m2/人的上限，而其余四类城市均超过了这一上限，并且城市规模越小，高出上限的数值越高，Ⅱ型小城市的人均城市建设用地甚至高达136.75 m2/人。可以看出，超大城市的人均建设用地在2003年是所有类型城市中最高的，但2010却降至最低，近两年稳定在75 m2/人左右，其他六类规模的城市均呈现出显著的增长趋势。需要指出的是，由于北京、上海、深圳、广州的城区暂住人口数据缺失较多，但由于超大城市数量太少不能简单将之删除，故图3在计算超大城市的人均建设用地时，将暂住人口的缺失项设为零，跟其他规模类型的城市相比，这将高估超大城市的人均建设用地。但即使存在高估，2010年以来，超大城市的人均城市建设用地仍然显著小于其他类型城市。这表明，与全国城市土地城镇化快于人口城镇化的状况相反，超大城市的常住人口城镇化快于土地城镇化的速度，证明超大城市在土地集约利用方面的确更有效率。
图3 2003—2018年中国不同规模城市的人均城市建设用地演变②

注：其中超大城市在2005年城市建设用地面积数据缺失。

Fig.3 Evolution of per capita urban construction land in chinese cities of different sizes， 2003‒2018

3 中国人均城市建设用地影响因素的实证结果分析

3.1　非平衡面板SDEM模型结果分析

首先估计不包含空间效应的非平衡面板数据模型作为分析的起点，模型（1）~（5）使用的均为按照城市聚类的异方差稳健标准误。如表4所示。模型（1）为混合面板数据回归，与对数据直接进行OLS回归的结果一样，模型（1）的结果表明，人均城市建设用地与城区人口和城区暂住人口显著负相关，而与人均GDP、人均财政支出和城镇化率呈显著的正相关关系，同时不同地理区划之间也存在统计学意义上的显著区别（为缩减表格长度未报告地理区划的估计系数）。但由于未考虑城市的个体效应和不同时期的时间效应，OLS模型无疑是有偏的。模型（2）为控制个体和时间双向效应之下的随机效应模型，其回归结果与模型（1）相比，城市行政等级显著正相关，而人均财政支出不再显著。但豪斯曼检验结果显示，随机效应模型是不一致的，因此应该采用固定效应模型。模型（3）即为控制个体和时间双向效应之下的固定效应模型，其回归结果显示，人均城市建设用地与城区人口、城区暂住人口显著负相关，而与人均GDP和城镇化率显著正相关。然而，由于部分自变量存在显著的空间相关效应，需要在模型中加入空间滞后效应才能更好地拟合数据。因此，模型（4）进一步加入了部分自变量的空间滞后值构成空间杜宾模型（SDM），结果显示产业结构和人均外商直接投资存在显著空间滞后效应。在模型（4）的基础上，模型（5）进一步加入误差的滞后值构成空间杜宾误差模型（SDEM），回归结果和模型（4）基本相同，但误差的空间滞后项在0.1显著性水平上并不显著，这可能是模型（5）的内生性问题或者数据缺失较多导致空间效应难以识别所致。笔者认为模型（4）的结果是使用非平衡面板数据的模型中最为可靠的。
表4 基于非平衡空间面板数据的模型回归结果

Tab.4 Regression results of models based on unbalanced spatial panel data

变量 因变量：PCUCL
不含空间效应模型 空间杜宾误差模型
(1) (2) (3) (4) (5)
UP -0.067 4***(0.023 6) -0.105 2***(0.030 2) -0.189 2***(0.051 4) -0.187 2***(0.051 1) -0.187 2***(0.051 0)
UTP -0.081 9**(0.037 8) -0.119 4***(0.027 3) -0.155 0***(0.038 6) -0.154 0***(0.038 6) -0.153 9***(0.038 6)
PCGDP 2.411 1***(0.734 8) 1.327 8***(0.498 9) 1.044 8**(0.465 7) 1.140 7**(0.487 7) 1.137 5**(0.487 8)
P3IGDP 0.070 4(0.119 8) 0.045 9(0.108 8) 0.026 7(0.119 4) 0.013 0(0.122 6) 0.016 4(0.122 6)
CH -5.299 2(6.513 4) 16.746 7**(7.656 9)
BEA 7.876 4**(3.118 2) 1.333 8(2.187 1) 0.899 9(2.212 6) 0.846 2(2.304 1) 0.885 2(2.304 5)
REIA 0.285 0(1.909 7) -0.737 1(1.670 9) -0.004 2(1.875 1) 0.261 1(1.812 6) 0.199 2(1.833 4)
FDIA 0.000 8(0.004 4) 0.000 7(0.003 4) -0.000 7(0.003 6) 0.000 8(0.003 6) 0.000 5(0.003 6)
RTA -1.202 2(1.952 0) -0.394 3(1.447 7) 0.684 9(1.567 1) 0.439 9(1.548 5) 0.485 3(1.554 9)
UR 0.666 7***(0.175 3) 0.602 0**(0.238 7) 0.586 8(0.417 4) 0.684 7(0.423 2) 0.702 9*(0.425 2)
wUP 0.008 5(0.015 7) 0.008 1(0.015 6)
wPCGDP -0.153 5(0.536 0) -0.126 3(0.534 7)
wP3IGDP 0.324 2*(0.180 9) 0.319 8*(0.181 1)
wREIA -1.703 0(1.756 5) -1.711 2(1.771 7)
wFDIA -0.011 5***(0.003 8) -0.011 3***(0.003 8)
wResid -0.065 2(0.059 2)
截距 53.827 6***(11.545 9) 48.643 8***(15.410 0)
GZ Yes Yes No No No
个体效应 否 是 是 是 是
时间效应 否 是 是 是 是
样本数量 3 222 3 222 3 222 3 222 3 222
R2 0.294 8 0.437 7 0.080 6 0.090 9 0.091 7
F统计量 83.76*** 2,360.12*** 28.57*** 20.89*** 19.69***

注：（1）*P<0.1， **P<0.05， ***P<0.01；（2）模型（1）~（3）使用前文1.2所述方程（1），模型（4）~（5）使用方程（2）。

3.2　基于多重插补的SDEM模型结果分析

为了更有效地利用非平衡面板丢失的信息，本文进一步使用随机森林法多重插补生成的平衡面板数据集。用这一平衡面板数据集重新估计模型（1）至模型（4）得到的结果与表4中的结果基本一致，因此不再报告，这也进一步从侧面印证了随机森林法多重插补数据的有效性。使用平衡面板数据对加入所有自变量和部分自变量空间滞后值的面板数据模型（即前文的模型（4））进行局部稳健的LM检验（在R语言的“splm”软件包中调用“slmtest”即可实现），以检验误差是否存在空间滞后效应，结果显示无论随机效应模型还是固定效应模型都存在显著的误差空间滞后效应，因此应该估计SDEM模型。同时，空间豪斯曼检验结果显著拒绝随机效应模型一致性的原假设，故采用固定效应SDEM模型。模型（6）采用极大似然估计方法估计方程（3）所表示的SDEM模型，也发现误差的空间滞后项显著相关。但由于极大似然法的假设要求误差独立同正态分布，故对异方差不够稳健，而广义矩估计无需假设误差的正态性分布，对于异方差比极大似然估计更为稳健，计算量也较小，但其缺陷是无法得到误差空间滞后项的标准误差［25-26］，不过在确定有误差空间滞后效应后，误差滞后项的系数也并不是模型解释所关注的重点。故进一步使用广义矩估计方法估计方程（3）得到模型（7），并使用由线性回归预测法插补缺失数据构造得来的平衡面板数据集进行验证得到模型（8），两者的结果除了在市辖区人均轨道交通拥有长度变量上有较大差别外，其他系数的显著性和数值大小均无显著变化，故笔者认为模型（7）的结果在使用平衡面板数据的模型中是最可靠的（表5）。
表5 基于平衡空间面板数据的模型回归结果

Tab.5 Regression results of models based on balanced spatial panel data

变量 因变量：PCUCL
极大似然估计量 广义矩估计量
(6) (7) (8)
UP -0.071 9***(0.009 2) -0.070 5***(0.009 4) -0.065 1***(0.008 5)
UTP -0.153 4***(0.016 9) -0.168 8***(0.017 3) -0.137 9***(0.013 0)
PCGDP 1.259 9***(0.254 2) 1.595 3***(0.257 4) 1.185 6***(0.231 7)
P3IGDP 0.118 8**(0.060 2) 0.050 8(0.059 6) 0.004 9(0.059 7)
BEA 2.047 8**(0.975 9) 3.816 1***(0.968 1) 3.699 7***(0.905 6)
REIA 0.626 4(0.785 5) 0.589 5(0.803 6) 1.126 8(0.760 8)
FDIA 0.000 4(0.001 8) 0.000 9(0.001 8) 0.000 6(0.001 7)
RTA -0.307 0(1.166 3) -0.825 5(1.194 0) -2.609 3**(1.052 7)
UR 0.036 8(0.192 4) 1.376 1***(0.128 0) 1.425 1***(1.425 1)
wUP -0.008 9(0.019 9) -0.077 5***(0.020 1) -0.074 4***(0.126 0)
wPCGDP 0.692 6(0.426 8) 1.953 2***(0.419 9) 2.046 9***(0.393 5)
wP3IGDP 0.565 7***(0.108 0) 0.285 5***(0.097 8) 0.349 3***(0.098 0)
wREIA -0.267 8(1.362 3) 1.475 5(1.416 1) 1.348 6(1.308 2)
wFDIA -0.019 7***(0.003 1) -0.017 0***(0.003 2) -0.013 8***(0.002 8)
ρ 0.098 1***(0.022 5) 0.177 04(-) 0.177 52(-)
个体效应 是 是 是
时间效应 是 是 是
样本数量 3 808 3 808 3 808

注：*表示P<0.1，**表示P<0.05，***表示P<0.01；模型（6）~（8）均使用1.2所述方程（3）。

模型（7）除了印证了模型（5）的结果之外，还进一步显示出，人均城市建设用地与人均财政支出及邻接城市人均GDP显著正相关，而与邻接城市城区常住人口数负相关，并且城区暂住人口比城区人口对人均城市建设用地的影响更大，城区暂住人口每增加1万人，人均建设用地面积减少0.168 8 m2，是后者的2.39倍。人均GDP系数显著为正，表明经济发展水平的提高并未提高土地的集约利用水平，这在一定程度上表明我国城市GDP的增长仍然依托于建设用地的快速蔓延。人均财政支出系数显著为正，表明政府补贴和干预能力越强，越容易导致粗放型的土地开发利用模式。城镇化率系数显著为正，表明我国土地城镇化的程度高于人口城镇化的程度。在自变量的空间滞后项中，城区人口的空间滞后项呈现出显著的负相关，这可能是因为常住人口较多的城市更有可能增加相邻城市的暂住人口。人均外商直接投资的空间滞后项也呈现出显著的负相关，这可能是因为地方政府长期以来的唯GDP导向，倾向于以优惠的土地政策和财政补贴吸引外商引资，造成土地的低效利用，而外商投资在地理空间上又比较集聚，导致相邻城市吸引到的外资较少，反而使得土地能够相对集约利用。人均GDP的空间滞后项与人均GDP一样呈现出正相关，这或许是由于人均GDP较高城市对周围城市有一定的示范效应，导致周边城市模仿其依托于建设用地蔓延拉动GDP增长的发展模式。第三产业占GDP比重的空间滞后项显著正相关，可能是由于第三产业占GDP比重较高的城市的第二产业向周边较落后的城市迁移，从而导致后者人均建设用地的增长。这说明城市规模扩大能够显著降低人均城市建设用地，但经济发展水平和城镇化率的提高却与之正向显著相关，并未提升土地的集约利用水平，而城市政府的干预能力越强，人均城市建设用地越高，相应的土地利用效率越低，这一定程度上揭示出我国城市建设用地的粗放利用特征。同时，人均城市建设用地也受到相邻城市的城市规模、经济发展水平、产业结构和开放程度的影响。
与既有研究中的相关结论进行比较，相同或相近的结论包括：当前我国土地城镇化的程度仍然高于人口城镇化的程度［27］，城市人口规模的扩大能显著降低人均城市建设用地［19］，经济发展水平的提高现阶段尚未对人均城市建设用地起到抑制作用，而城市政府的干预能力与人均城市建设用地显著正相关［12］等。此外，本研究通过对解释变量空间滞后项的考察，验证人均城市建设用地受到相邻城市人口规模、经济发展水平、产业结构和开放程度的影响，完善了既有文献中关于产业结构和人均城市建设用地的关系研究，过往普遍认为第三产业占比高的产业结构能降低人均城市建设用地［15］，本研究则进一步指出，第三产业占GDP比重较高的城市的第二产业向周边较落后的城市迁移，从而导致后者人均建设用地的增长。

4 结论与讨论

本研究基于2003—2018年城市面板数据，通过构建非平衡（267个城市，3 222观测样本）与平衡（238个城市，3 808观测样本）面板空间杜宾误差模型，研究中国人均城市建设用地的空间演变及其影响因素。在时空演变特征方面，研究发现：（1）全国层面人均城市建设用地自2003年以来持续攀升，即使按照所定义的低估的数值，业已逼近2012新版《城市用地分类与规划建设用地标准》中规定的上限（115 m2/人）；（2）不同规模城市存在梯度效应，超大城市的人均城市建设用地总体有所减少，而其他六类城市均呈现出显著的增长趋势，且城市规模与建设用地强度呈反向关系。
在影响因素方面，研究发现：（1）城市规模扩大（尤其是暂住人口的上升）能够显著降低人均城市建设用地。城区人口、城区暂住人口与人均城市建设用地负相关，其中城区暂住人口比城区人口对人均城市建设用地的影响更大。（2）经济发展水平和城镇化率的提高，目前仍然促进人均城市建设用地的上升，而尚未转入推动土地集约利用的阶段。人均GDP、人均财政支出、城镇化率均与人均城市建设用地正相关。（3）人均城市建设用地也受到相邻城市的城市规模、经济发展水平、产业结构和开放程度的影响。例如，相邻城市的人口规模、外商投资水平抑制本地人均建设用地上升，但相邻城市人均GDP和第三产业发展水平促进本地人均建设用地上升。
本文的不足之处在于固定效应模型无法估计对城市而言不变的变量的系数，故未能揭示城市等级、自然地理区划等因素对人均城市建设用地的影响，后续研究可以为模型中内生的解释变量寻找合适的工具变量，从而估计随机效应工具变量模型得到特定城市不变变量的系数估计值。同时，本研究也未能考虑到城市内部空间结构的影响，后续研究可以结合陆地扫描全球人口数据库和欧洲航天局全球土地利用数据识别城市内部空间结构，进一步考察城市内部空间结构对人均城市建设用地的影响。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
中华人民共和国中央人民政府. 《国家新型城镇化规划(2014—2020年)》 [EB/OL] (2014-03-16) [2025-01-03].

The Central People's Government of the People's Republic of China. National New-Type Urbanization Plan (2014-2020) [EB/OL] (2014-03-16) [2025-01-03].

2
陆大道, 姚士谋. 中国城镇化进程的科学思辨 [J]. 人文地理, 2007(4): 1-5, 26.

LU D D, YAO S M. A scientific thought about urbanization progress in China [J]. Human Geography, 2007(4): 1-5, 26.

3
朱金, 赵民. 从结构性失衡到均衡——我国城镇化发展的现实状况与未来趋势 [J]. 上海城市规划, 2014(1): 47-55.

ZHU J, ZHAO M. From structural imbalance to rebalance: The current situation and future trend of China's urbanization development [J]. Shanghai Urban Planning Review, 2014(1): 47-55.

4
乔艺波. 改革开放以来中国城镇化的演进历程、特征与方向——基于人口、经济与制度视角 [J]. 城市规划, 2020, 44(1): 44-51.

QIAO Y B. Evolution, characteristics, and direction of China's urbanization since the Reform and Opening Up: Based on the perspectives of population, economy, and institution [J]. City Planning Review, 2020, 44(1): 44-51.

5
周建高, 刘娜. 论我国人均城市建设用地标准过低和成因与对策 [J]. 中国名城, 2019(9): 4-12.

ZHOU J G, LIU N. On the excessively low standards of per capita urban construction land in China: Causes and countermeasures [J]. China Ancient City, 2019(9): 4-12.

6
赵民,汪军.重构我国城市规划建设用地标准及控制体系的探讨 [J].城市规划学刊, 2007(6):29-35.

ZHAO M, WANG J. A study on restructuring of the standards and controlling system of urban land use [J]. Urban Planning Forum, 2007(6): 29-35.

7
陈莹. 人均城市建设用地的初步研究 [C]// 科学发展与土地资源节约和集约利用论文集. 乌鲁木齐: 中国土地学会, 2005: 147-153.

CHEN Y. A preliminary study on per capita urban construction land [C]// The Proceedings of Scientific Development and Intensive Use of Land Resources. Urumqi: China Land Society, 2005: 147-153.

8
胡紫薇, 王亚华, 张小林, 等. 新时期城镇人均建设用地指标评价方法及实证研究 [J]. 规划师, 2020, 308(8): 26-32.

HU Z W, WANG Y H, ZHANG X L, et al. Evaluation method and empirical study of urban per capita construction land index in the new era [J]. Planners, 2020, 308(8): 26-32.

9
郄瑞卿. 中国城市人口与城市建设用地的时空变化 [J]. 城市规划, 2014, 38(5): 22-28.

QIE R Q. Spatio-temporal change of urban population and urban construction land in China [J]. City Planning Review, 2014, 38(5): 22-28.

10
孟浩. 流空间视角下服务人口与城市建设用地的耦合研究 [D]. 江苏: 南京大学, 2019.

MENG H. Coupling between service population and urban construction land: A spaceof flows perspective [D]. Jiangsu: Nanjing University, 2019.

11
刘志佳, 黄河清. 珠三角地区建设用地扩张与经济、人口变化之间相互作用的时空演变特征分析 [J]. 资源科学, 2015, 37(7): 1394-1402.

LIU Z J, HUANG H Q. Construction area expansion in relation to economic-demographic development and land resource in the Pearl River Delta of China [J]. Resources Science, 2015, 37(7): 1394-1402.

12
吴一凡, 刘彦随, 李裕瑞. 中国人口与土地城镇化时空耦合特征及驱动机制 [J]. 地理学报, 2018, 73(10): 1865-1879.

WU Y F, LIU Y S, LI Y R. Spatio-temporal coupling of demographic-landscape urbanization and its driving forces in China [J]. Acta Geographica Sinica, 2018, 73(10): 1865-1879.

13
舒帮荣, 李永乐, 曲艺, 等. 不同职能城市建设用地扩张及其驱动力研究——基于中国137个地级以上城市的考察 [J]. 南京农业大学学报(社会科学版), 2014, 14(2): 86-92.

SHU B R, LI Y L, QU Y, et al. Research on the expansion of construction land in cities with different functions and its driving forces: Based on the investigation of 137 cities above the prefecture level in China [J]. Journal of Nanjing AgriculturalUniversity (Social Sciences Edition), 2014, 14(2): 86-92.

14
袁利平, 董黎明. 我国不同职能类型城市的用地水平分析 [J]. 中国土地科学, 2001, 15(3): 35-38, 23.

YUAN L P, DONG L M. Analysis of land utilization patterns in Chinese cities with distinct functional orientations [J]. China Land Science, 2001, 15(3): 35-38, 23.

15
张延吉, 林高志. 城市职能对城市建设用地指标的影响——基于人均城市建设用地面积和城市工业用地面积比重的视角 [J]. 城市规划, 2021, 45(12): 95-103.

ZHANG Y J, LIN G Z. Impact of urban function on the indices of urban construction land: Based on the perspective of urban construction land area per capita and proportion of industrial land [J]. City Planning Review, 2021, 45(12): 95-103.

16
瞿诗进, 胡守庚, 李全峰. 中国城市建设用地转型阶段及其空间格局 [J]. 地理学报, 2020, 75(7): 1539-1553.

QU S J, HU S G, LI Q F. Stages and spatial patterns of urban built-up land transition in China [J]. Acta Geographica Sinica, 2020, 75(7): 1539-1553.

17
吕凤涛, 麦建开, 王园园, 等. 粤港澳大湾区城市群时空演化的多尺度分析 [J]. 热带地貌, 2020, 41(2): 27-37.

LV F T, MAI J K, WANG Y Y, et al. A multi-scale analysis of the spatiotemporal evolution of urban agglomerations in the Guangdong-Hong Kong-Macao Greater Bay Area [J]. Tropical Geomorphology, 2020, 41(2): 27-37.

18
陈康林, 陈思凯, 龚建周. 基于GEE云平台的珠江口沿岸土地利用变化及驱动力探测 [J]. 华南地理学报,2023, 1(3): 10-24.

CHEN K L, CHEN S K, GONG J Z. Land use change and driving forces detection of the coastal landscape in the Pearl River Estuary based on GEE cloud platform [J]. South China Geographical Journal, 2023, 1(3): 10-24.

19
汪军, 赵民. 规划建设用地标准的影响因素及多元控制 [J]. 现代城市研究, 2011(9): 30-38.

WANG J, ZHAO M. The influencing factors and multi-criteria control mechanism of the regulation of planning development land [J]. Modern Urban Research, 2011(9): 30-38.

20
林坚. 2000年以来人口城镇化水平变动省际差异分析——基于统计数据的校正和修补 [J]. 城市规划, 2010, 34(3): 48-56.

LIN J. Provincial difference urbanization level in terms of population since 2000: Based on emendation of statistical data [J]. City Planning Review, 2010, 34(3): 48-56.

21
Loonis V. Handbook of spatial analysis: Theory and application with R [M]. Montrouge Cedex: Insee-Eurostat, 2018.

22
Stekhoven D J. Nonparametric missing value imputation using Random Forest [EB/OL]. 2020-10-13.

23
van Buuren S. Multivariate imputation by chained equations [EB/OL] (2020-10-13) [2025-01-03].

24
Millo G, Piras G. Econometric models for spatial panel data [EB/OL] (2020-10-13) [2025-01-03].

25
Croissant Y, Millo G. Panel data econometrics with R [M]. Hoboken: John Wiley & Sons, 2019.

26
Lin X, Lee L F. GMM estimation of spatial autoregressive models with unknown heteroskedasticity [J]. Journal of Econometrics, 2010,157(1): 34-52.

27
刘云中, 刘嘉杰. 中国城镇人口和建设用地扩张的空间特征及其启示 [J]. 发展研究, 2020(7): 8-15.

LIU Y Z, LIU J J. Spatial patterns and policy implications of urban population growth and construction land expansion in China [J]. Development Research, 2020(7): 8-15.

Options
文章导航

/

〈 〉