空间效应视角下中国城市土地城镇化的驱动因素

杨喜 卢新海

摘要 从空间效应视角下分析城市土地城镇化驱动因素可以为优化城市土地资源可持续开发利用提供新参考。基于2003—2017年中国283座城市面板数据，构建经济地理空间权重矩阵，借助空间面板杜宾模型及其偏分分解方法分析中国城市土地城镇化驱动因素。研究表明：①研究期内中国城市土地城镇化水平呈持续上升特征，城际差异呈持续扩大特征，并伴随着极化现象。②中国城市土地城镇化在地理空间上并非随机分布，而是存在显著正向全局空间自相关性，局域空间格局特征表现为高值集聚、低值塌陷、低值集聚和高值凸起四种类型，数量上以HH和LL为主，以LH和HL为辅，并且存在“低者恒低、高者恒高”的空间格局特征。③中国城市土地城镇化存在显著正向空间溢出效应，本地城市土地城镇化水平提升会驱动邻近城市土地城镇化水平提升，这打破了传统计量研究中样本相互独立的基本假设，只有将空间效应纳入城市土地城镇化的计量回归模型之中，才能合理解释城市土地城镇化驱动因素。④经济发展、第二产业和土地财政对本地城市土地城镇化具有正向直接效应;经济发展、人口城镇化和对外开放对邻近城市土地城镇化具有负向溢出效应，土地财政对邻近城市土地城镇化具有正向溢出效应。据此，管控城市土地城镇化不可“孤城而为”，需要综合考虑邻近城市之间空间溢出效应的存在，发挥城际之间在推进土地城镇化理性发展中的合作联动治理作用。

关键词 空间效应;土地城镇化;经济地理空间权重;空间面板杜宾模型

土地城镇化是城市生产、生活与生态关系在城市空间上的综合映射，是推动城市迈向现代化发展的空间载体。然而，城市土地城镇化超前发展以及无序蔓延备受诟病，却又在各地屡禁不止，由此导致城市生产空间、生活空间和生态空间之间的矛盾日益加剧，对城市可持续发展构成了威胁。根据《中国城市建设统计年鉴》统计发现，2003—2017年中国城市建设用地面积由从28 308 km2增长至56 225 km2，增长了98.62%。2019年11月中办、国办印发《关于在国土空间规划中统筹划定落实三条控制线的指导意见》，明确提出将城镇开发边界、永久基本农田和生态保护红线三条控制线作为调整经济结构、规划产业发展、推进城镇化不可逾越的红线[1]。在三大国土空间红线强力管控下，传统依靠外延空间无序扩张的城市发展路径将会被遏制。但各城市发展并非孤立地存在，城市土地城镇化快速发展也并非一城之因，人流、物流、信息流和资金流在空间流动过程中将不同的城市串联在一起，既往研究基于样本相互独立的假设与现实不符。因此，从空间效应视角下加强对中国城市土地城镇化驱动因素的研究，对有效治理城市土地城镇化超前发展和促进城市土地资源可持续开发利用具有十分重要的意义。

1 文献综述

城镇化是推动人类文明发展进步的重要驱动力，城镇化的核心是人口城镇化，城镇化的载体是土地城镇化，作为城镇化一体两面之一的土地城镇化受到了研究者广泛关注。当前学者围绕土地城镇化的研究主要经历了从空间特征分析到与人口城镇化关系分析再到驱动因素分析的研究脉络。一是土地城镇化空间特征，如卢斌莹等[2]借助GIS分析了西安市南郊土地城市化空间特征;杨洋等[3]利用夜间灯光数据对环渤海地区土地城镇空间特征进行了分析;崔许锋[4]分析了云南省土地城镇化空间异质性特征。二是土地城镇化与人口城镇关系，如刘琼等[5]、于立等[6]分别从不同的时间阶段视角来研究土地城镇化与人口城镇化协调关系;李宝礼等[7]、许芬[8]、李子联[9]探究了土地城镇化快于人口城镇化的原因;王成新等[10]从结构视角探讨了土地城市化与人口城市化异速增长的原因。三是土地城镇化驱动因素，如李永乐等[11]、吴一凡等[12]采用最小二乘回归计量模型（ordinary least squares，OLS）分析了房价、经济发展水平和人口规模等因素对土地城镇化的影响;张立新等[13]采用偏最小二乘回归计量模型（partial least squares， PLS）分析了经济发展水平、人口规模和产业结构升级等因素对长江经济带土地城镇化的影响;刘耀林等[14]采用Logistic计量模型分析了城镇化水平、产业结构和地形条件等因素对湖北省城乡建设用地城镇化的影响;王晓云等[15]采用了Tobit计量模型分析了经济发展水平、产业结构和外资利用规模等因素对甘肃省土地城镇化的影响;卢新海等[16]采用了空间误差模型（spatial error model，SEM）分析了经济发展、人口规模和产业结构等因素对中部地区土地城镇化的影响，虽然该研究考虑到了空间效应，但是该研究尚未将被解释变量和解释变量的空间效应共同纳入模型分析之中，并且该研究只分析了截面数据上的误差项空间效应。通过文献梳理可知，当前学界对土地城镇化的研究已经取得了较为丰富的成果，但是还存在进一步推进研究的方面：一是，在研究尺度上，现有研究较多关注单个城市尺度、省级尺度以及区域级尺度，而较少关注全国地级市尺度土地城镇化的研究，造成对全国地级市层面土地城镇化空间格局特征和驱动因素把握不足;二是，在驱动因素方法选择上，現有文献多采用未考虑空间效应的基于样本相互独立假设的研究方法，较少使用空间面板计量模型来揭示土地城镇化驱动因素，忽略了邻近城市在土地资源管理、产业布局和经济发展政策与策略所存在的空间互动效应，导致对土地城镇化驱动因素模型估计上存在偏误;三是，在研究重点上，现有文献鲜有关注土地城镇化空间溢出效应的研究，也鲜有文献采用空间面板计量模型中的偏微分分解方法来分析土地城镇化各驱动因素的直接效应与溢出效应。

基于此，本文在借鉴现有文献研究基础上，采集中国283座城市2003—2017年面板数据，利用空间自相关来识别中国城市土地城镇化全局和局域空间格局特征，借助空间面板杜宾模型对中国城市土地城镇化空间溢出效应进行参数化估计，并利用偏微分分解方法对城市土地城镇化各驱动因素的空间效应进行分解分析，以期为城市以及城市之间空间治理和土地城镇化理性发展提供参考借鉴。

2 研究方法

2.1 空间自相关

（1）全局空间自相关。全局空间自相关是从全域视角对研究对象空间相关性进行度量的指标，本文采用全局Morans I指数来度量城市土地城镇化全局空间格局特征，其取值范围为[-1，1]，若大于0表示空间正相关，若小于0表示空间负相关，若等于0表示属性数据在空间上随机分布，不具有空间自相关。对于空间自相关显著性水平可通过标准化统计量阈值Z来进行检验，当Z>1.96或P<0.05，表明通过显著性水平检验，意味着地理属性观测值存在显著的空间自相关，函数公式参考文献[17]。

式中，n为样本城市数量;xi和xj分别表示城市i和城市j的观测值;为观测值平均数;S2为样本方差;wij为城市i和城市j在空间上的邻近关系。

（2）局部空间自相关。局部空间自相关是从局域视角对研究对象空间相关性进行度量的指标，测度的是本地区域观测值与周围邻近区域观测值之间的相似程度，可以用来识别局域空间格局集聚和离散特征。本文采用局域Morans Ii指数来识别城市土地城镇化局域空间格局特征，具体可分为四种集聚类型：HH（High-High）、LH（Low-High）、LL（Low-Low）和HL（High-Low），函数公式参考文献[17]，式中变量含义与式（1）相同。

2.2 空间计量模型

（1）空间面板计量模型设定。空间计量模型将长期被传统计量模型所忽略的空间效应纳入模型中，可用来识别不同地理空间单元之间的空间交互关系。现阶段空间面板计量模型使用最多和比较成熟的有三种设定形式。

①空间面板滞后模型（spatial pcnel lag model，SPLM）描述的是空间实质相关，空间效应主要以被解释变量滞后形式存在于计量模型设定中。SPLM模型设定为：

②空间面板误差模型（spatial panel error model，SPEM）描述的是空间扰动相关，空间效应主要以误差滞后形式存在于计量模型设定中。SPEM模型设定为：

③空间面板杜宾模型（spatial panel Dubin model，SPDM）同时将被解释变量和解释变量的空间效应纳入计量模型设定中。SPDM模型设定为：

式中，Yit为被解释变量的观测值，在本文为城市土地城镇化;Xit为解释变量的观测值，在本文为影响被解释变量变动的各影响因素;ρ为被解释变量的空间回归系数;λ为误差项的空间回归系数;θ为解释变量的空间回归系数;β为解释变量的回归系数;μi、υt分别表示空间固定效应和时间固定效应;εit为服从独立同分布的随机误差项，表示未被纳入计量模型中的其他因素;Wij为空间权重矩阵。当θ=0、ρ≠0时，SPDM模型就会退化为SPLM模型;当θ+ρβ=0时，SPDM模型就会退化为SPEM模型。

（2）空间权重矩阵构建。本文借鉴谭术魁等[18]空间权重构建思路，将城市之间的地理特征和经济特征同时考虑在内来构建综合的经济地理空间权重矩阵。构建此空间权重矩阵的主要依據是，一方面，根据Tobler[19]地理学第一定律，地区之间相互影响的关系会随地理距离增大而减小，由此构建基于地理距离衰减的地理距离矩阵，该权重可以很好地体现即使区域之间空间上不邻但也会具有要素流动的客观现实情况，同时该权重也可以把邻近关系随距离衰减的最本质特征反映出来。另一方面，城市之间互动影响的能力并不是完全对等的，经济实力强的城市往往对其他城市影响更大、影响范围更广，由此根据城市之间经济实力上的差异，赋予各城市不同的经济空间权重。综合以上考虑构建经济地理空间权重矩阵：

式中，Wij为经济地理空间权重矩阵;wij为地理距离矩阵;diag（·）为对角矩阵;d 为城市之间的地理距离;i为第i个城市在研究期内从时间t0到t1时段地区经济产值的平均值;为研究期内从时间t0到t1时段所有城市地区经济产值的平均值;n为城市总数量。

（3）空间效应分解。由于变量之间存在空间上的相关性，故此参考学术界常规做法采取极大似然估计（maximum likelihood estimation，MLE）方法对空间计量模型进行估计。同时根据Lesage等[20]的偏微分方法将解释变量对被解释变量的空间效应分解为直接效应和间接效应，将SPDM模型移项整理成一般形式：

式中，分解矩阵中主对角线上的元素用来捕捉直接效应，分解矩阵中非对角线上的元素用来捕捉间接效应。由偏微分分解公式可以发现，某一特定单元解释变量的变动，不仅会对该单元自身被解释变量的变动产生影响，而且同时还会对其他单元被解释变量的变动产生影响，前者称为直接效应，后者称为间接效应（空间溢出效应）。如果ρ=0并且θk=0，则不存在空间溢出效应。

3 变量选取与数据来源

3.1 变量选取

土地城镇化最为直接的表现就是城市用地对非城市用地的占用和替代，是城市建设用地扩张和蔓延的过程，本文借鉴吴一凡等[12]、卢新海等[16] 和孙焱林等[21]研究方法，采用城市建设用地面积与城市总面积之比来表征城市土地城镇化。

土地城镇化驱动因素的选择，综合考虑地级市城市特性以及数据的可获得性与一致性，并参考借鉴前人研究的基础，从经济发展、人口城镇化、产业结构、土地财政和对外开放来选择解释变量。①城市经济发展（Pgdp）。城市经济发展是城市实力的综合体现，是推动城市土地城镇化发展的基础动力，同时也是城市之间相互影响能力大小的主要因素，借鉴张立新等[13]方法采用人均实际GDP表示。②城市人口城镇化（Pur）。城市人口的增长加大城市空间承载的压力，会迫使城市向外拓展发展空间，借鉴杨孟禹等[22]方法采用市辖区人口与城市总人口数之比表示。③城市产业结构（Sei）。第二产业具有土地资源消耗大的特征，城市第二产业占比上升也会推动土地城镇化的扩张，借鉴李成宇等[23]方法采用第二产业产值与GDP之比表示。④城市土地财政 （Lfd）。土地财政可以反映出地方政府“以地生财”的能力，是推动土地城镇化的重要资金来源，土地财政也会存在示范效应，城市之间会竞相模仿，借鉴邵朝对等[24]方法采用人均实际土地出让收入表示。⑤城市对外开放（Fdi）。学界通常用外商投资来衡量城市对外开放水平，外商投资的引进可能存在两种效应，一是其带来的挤出效应，外商投资凭借其技术和管理优势对本地土地资源消耗大的产业产生挤出效应，缓解土地城镇化快速蔓延;二是城市之间竞争效应，城市在吸引外资上存在以“以地引资”，加大土地资源消耗推动了土地城镇化。借鉴周琳等[25]方法采用 FDI与GDP之比表示。为了增强数据的可比性，利用GDP指数对GDP数据做平减处理，其他价格数据利用CPI指数进行销账处理，利用汇率将外商投资数据调整为人民币计价。

3.2 数据来源

由于部分城市数据缺失较多，为了保持数据前后的一致性和连贯性，最终以中国大陆283座地级及以上城市为研究对象，变量数据主要来源于《中国城市统计年鉴（2003—2017）》和《中国建设统计年鉴（2003—2017）》，部分缺失数据通过查询各省市统计年鉴和统计公报补充。由于城市GDP指数数据和CPI指数数据缺失较多，采用城市所在省级数据来替代。汇率数据和历年各省GDP指数和各省CPI指数数据来源于国家统计局。各城市地理空间位置坐标信息借助ArcGIS软件提取，最終整理获得2003—2017年中国283座城市面板数据。

4 实证结果与分析

4.1 时序演进特征分析

图1为借助Eviews10软件绘制的中国城市土地城镇化核密度曲线图，借此来刻画中国城市土地城镇化时序演进特征。①从核密度曲线位置来看，2003—2017年曲线位置整体呈现出向右逐渐迁移态势，表明在研究期内中国城市土地城镇化水平呈现出持续上升演进特征。②从曲线主峰波峰高度来看，2003—2017年呈现出逐渐下降态势，由尖峰形态逐渐向宽峰形态演变，表明在研究期内中国城市土地城镇化城际差异呈现持续扩大化演进特征。③从曲线波峰数量来看，2003—2017年呈现出以一个主峰为主和右侧隆起次峰为辅的形态，表明在研究期内中国城市土地城镇化呈现出了极化特征。④从曲线拖尾来看，2003—2017年右侧拖尾出现了延长、抬厚趋势，表明在研究期内中国城市土地城镇化处于高值区城市数量比例呈现出扩大演进特征。

4.2 空间格局特征分析

（1）全局空间格局特征。由表1可知，2003—2017年中国城市土地城镇化全局Morans I指数处于0.406～0.427 之间，并且Z-Value >1.96，P-Value<0.01，各年都通过1%显著性水平检验，表明中国城市土地城镇化在地理空间上并非随机分布，而是存在显著正向全局空间自相关性。从总体上看，全局Morans I指数呈现上升趋势，具体而言，2003—2011年呈上升趋势，2011—2015年呈下降趋势，2015—2017年呈上升趋势，表明研究期内中国城市土地城镇化全局空间关联呈现由弱相关向强相关演变特征，但年际间存在一定的波动性，城市土地城镇化全局空间格局关系特征尚未形成稳态。通过全局空间自相关，可以发现传统研究中基于样本相互独立的基本假设与现实不符，因此需要将空间效应纳入城市土地城镇化的计量回归模型之中。

（2）局域空间格局特征。由图2可知，2003—2017年中国城市土地城镇化局域空间格局特征具体可归为四类：第一类高值集聚型 （HH），该类型表示本地城市土地城镇化水平高，其周围邻近城市土地城镇化水平高，呈现为“中心高，四周高”的高水平均值空间关联集聚状态。第二类低值塌陷型 （LH），该类型表示本地城市土地城镇化水平低，但其周围邻近城市土地城镇化水平高，呈现为“中心低，四周高”的空间非均衡关联集聚状态。第三类低值集聚型（LL），该类型表示本地城市土地城镇化水平低，其周围邻近城市土地城镇化水平也低，呈现为“中心低，四周低”的低水平均值空间关联集聚状态。第四类高值凸起型（HL），该类型表示本地城市土地城镇化水平高，但其周围邻近城市土地城镇化水平低呈现为“中心高，四周低”的空间非均衡关联集聚状态。从数量上来看，中国城市土地城镇化水平在研究期内所呈现的是以高值集聚和低值集聚为主，以低值塌陷和高值凸起为辅。城市土地城镇化水平四种集聚类型走势上具有较强的路径依赖性，但各类型之间大致呈小幅波动的平行走势，类型之间很难发生突破性的大跃迁，即当邻近城市土地城镇化处于高（低）水平值时，本地也更容易成为高（低）水平值城市，或者本地也更难向低（高）水平值城市转移，由此城市土地城镇化容易形成“低者恒低、高者恒高”的局域空间格局特征。主要原因是城市土地城镇化地理空间上存在邻近同伴效应和空间溢出效应，邻近城市在经济发展中土地资源管理和产业布局上所采取的政策措施和策略行为上具有互动模仿、学习和竞争效应，经济结构上存在趋于或互补现象。

4.3 空间计量模型检验与选择

空间计量包括空间滞后（spatial lag model，SLM）空间误差（spatial error model，SEM）以及空间杜宾（spatial Dubin model，SDM）有三大基础模型，而在具体模型的选择上还需要进行一系列的检验。由表2可知，在LM检验中 LM-lag 和LM-error检验都通过了1%显著性水平检验，在Robust LM检验中LM-lag未通过10%显著性水平检验，LM-error检验通过了1%显著性水平检验，表明空间滞后模型和空间误差模型可能同时存在，那么就倾向于选择空间杜宾模型[20]。此时还需要对空间杜宾模型进行检验，检验其是否可以退化为空间滞后模型或空间误差模型，其中Wald检验和LR检验都在1%显著性水平上拒绝了空间杜宾模型可以退化为空间滞后模型和空间误差模型的原假设，因此应当选择空间杜宾模型[26]。同时Hausman 检验在1%显著性水平上拒绝随机效应的原假设，所以最终采用固定效应空间面板杜宾模型。

根据表3空间面板杜宾模型估计结果可以发现，被解释变量空间回归系数ρ在三种固定效应估计下系数都为正，并且均通过了1%显著性水平检验，结果较为稳健，由此可以发现中国城市土地城镇化存在显著的正向空间溢出效应，本地城市土地城镇化对其他邻近城市土地城镇化具有显著的正向影响，这也进一步验证了前面的统计分析所得结果和将空间效应纳入计量模型中的合理性和必要性。在三种固定效应估计中，时空固定效应模型拟合优度（R2）和对数似然值（log-likelihood）最大，并且sigma2也是最小。综合上述检验结果，本文最终选择更为一般的时空双固定效应空间面板杜宾模型作为最终的分析模型。但是空间杜宾模型所得出的结果，解释变量系数并不直接表示边际效应，也不表示直接效应和空间溢出效应[27]，所以并不能采取传统的非空间模型解释系数的方法对其加以解释[20]，因而其并不是本文研究的主要分析对象。

4.4 空间效应分解分析

表4为在时空双固定效应下空间面板杜宾基础上，采取偏微分方法对城市土地城镇化各驱动因素进行的空间效应分解结果。

（1）经济发展水平直接效应系数为0.435 8，溢出效应系数为-0.225 7，并且二者都通过了1%显著性水平检验。表明本地城市经济发展水平提升会推动本地城市土地城镇化发展，这与高金龙等[28]研究结论一致，但是会通过负向溢出效应抑制邻近城市土地城镇化发展。主要原因是经济发展水平高的城市，经济增长中具有自我强化功能，投资回报往往也较高，容易成为资本、劳动要素流入的目的地，需要有更多土地资源作为城市发展空间承载体，提高城市在发展过程中对土地资源的需求，推动了城市空间生长。同时本地城市经济发展水平提升，对邻近经济发展较弱城市资本、人力等流动性生产要素产生虹吸效应，而邻近城市生产要素的流出会降低对土地资源的需求，抑制了邻近城市空间的进一步扩展。

（2）人口城镇化水平直接效应系数为0.037 9，未通过10%显著性水平检验，溢出效应系数为-0.267 2，通过了1%显著性水平检验。表明本地城市人口城镇化水平提升对本地城市土地城镇化尚未形成显著的促进作用，但会通过负向溢出效应抑制邻近城市土地城镇化的发展。主要原因是当前城市土地城镇化并非由人口城镇化带来的自然引致需求，存在人口城镇化滞后于土地城镇化[9]和“化地不化人”[29]的城镇化现象，以及传统“重体量不重质量”的发展模式造成了城镇化演化的无序[30]，由此造成人口城镇化对本地土地城镇化促进作用并未通过统计学意义上的检验。同时在人口自由流动和人口增长率下降情况下，本地人口城镇化水平的提升，邻近城市人口就会相应的流出，抑制了邻近城市由人口效应带来驱动土地城镇化的基础动力。

（3）产业结构水平直接效应系数为0.129 9，通过了1%显著性水平检验，溢出效应系数为0.036 6，未通过10%显著性水平检验。表明本地城市第二产业结构水平提升会推动本地城市土地城镇化发展，这与吕立刚等[31]研究结论一致，对邻近城市土地城镇化尚未形成显著的推动作用。主要原因是第二产业比重增大，意味着第三产业比重缩小，而第二产业往往是土地资源需求和土地资源消耗大的产业，其比重提升会进一步推动城市土地城镇化发展。同时第二产业由于投资的地域性和固定性特征表现为较强的本地效应，造成其对邻近城市土地城镇化推动作用并未通过统计学意义上的检验。

（4）土地财政水平直接效应系数为0.016 0，溢出效应系数为0.026 7，并且二者都通过了5%显著性水平检验。表明本地城市土地财政水平提升不仅会推动本地城市土地城镇化发展，这与刘颜[32]研究结论一致，而且还会通过正向溢出效应推动邻近城市土地城镇化发展。主要原因是土地财政是地方政府收入重要来源和缓解财政压力重要手段[33]，政府通过低价征收土地高价卖出土地“以地生财”模式乐此不疲，土地财政的存在推动了城市空间的扩张，是驱动土地城镇化快速发展的根源。同时本地城市低价征地高价卖地的“低征高卖”的生财模式容易通过示范、模仿和学习效应对邻近城市进行空间传导，推动了邻近城市土地城镇化发展。

（5）对外开放水平直接效应系数为-0.004 4，未通过10%显著性水平检验，溢出效应系数为-0.056 2，通过了1%显著性水平检验。表明本地城市外商投资水平的提升对本地城市土地城镇化并无显著的影响，但会通过负向溢出效应抑制邻近城市土地城镇化的发展，这与卢新海等[34]研究结论较为一致。主要原因是城市之间在外商引资上存在竞争效应，存在以低价出让土地使用权为代价作为吸引外资的筹码，增加了外资对土地资源占用，推动了土地城镇化的扩张，但外资的进驻也可能会凭借其先进技术和管理经验提高土地资源利用效率，并对本地土地资源消耗大的产业产生挤出效应[35]，抑制土地城镇化无序蔓延，而这其中错综复杂的作用机制，造成对外开放水平对本地城市土地城镇化未通过统计学意义上的检验。同时吸引外资多的往往是经济实力较强和地理区位条件较为优越的地区[36-38]，本地城市吸引外资多就会阻断经济实力较弱和地理区位条件较差的城市以牺牲土地资源为代价来达到引进外资的目的，从而抑制了其他城市土地城镇化的扩张。

5 结论与启示

本文采集中国283座城市2003—2017年面板数据，利用空間自相关和借助空间面板杜宾模型及其偏微分分解方法，从空间效应视角对中国城市土地城镇化驱动因素进行分析，得出以下主要结论与启示。

（1）从时序特征来看，研究期内中国城市土地城镇化水平呈现出持续上升演进特征，土地城镇化城市之间差异呈持续扩大特征，并伴随着极化现象，土地城镇化处于高值区城市数量比例呈现出扩大特征。

（2）从空间特征来看，中国城市土地城镇化在空间分布上并非随机状态，而是存在显著正向全局空间自相关性，但这种全局空间关系尚未形成稳态，年际间存在一定的波动性。局域空间格局特征表现为高值集聚、低值集聚、低值塌陷和高值凸起四种集聚类型，数量上以HH和LL为主，以LH和HL为辅，并且存在“低者恒低、高者恒高”局域空间格局特征。

（3）从SPDM估计结果来看，中国城市土地城镇化空间回归系数在三种空间杜宾模型固定效应估计下系数都显著为正，本地城市土地城镇化水平提升会促使其他邻近城市土地城镇化水平提升，城市土地城镇化空间溢出效应的存在，打破了传统研究中基于样本相互独立的基本假设，将空间效应纳入城市土地城镇化的计量回归模型之中，才能合理解释城市土地城镇化驱动因素。

（4）从SPDM空间效应分解来看，经济发展水平对本地城市土地城镇化具有推动作用，对邻近城市土地城镇化具有负向溢出效应。人口城镇化水平对本地城市土地城镇化并无统计学意义上的推动作用，对邻近城市土地城镇化具有负向溢出效应。第二产业结构水平对本地城市土地城镇化具有推动作用，对邻近城市土地城化并无统计学意义上溢出效应。土地财政水平对本地城市土地城镇化具有推动作用，对邻近城市土地城镇化具有正向溢出效应。对外开放水平对本地城市土地城镇化并无统计学意义上的推动作用，对邻近城市土地城镇化具有负向溢出效应。

（5）政策启示如下：第一，城市土地城镇化空间溢出效应的存在决定了城市在土地资源开发利用中不可“孤城而为”，在区域一体化发展背景下，综合考虑本地城市与邻近城市之间的空间互动关系，加强城市之间在土地城镇化上的联动管控作用[39-40]。第二，推进国土空间治理能力现代化，推进土地供给侧结构性改革，城市发展中需要摒弃以城市空间扩展为主的外延式土地城镇化，推进以人为本的内涵式人口城镇化发展，加强对城市现有存量土地的挖潜。第三，推进城市新旧动能转换和产业结构转型升级，将城市经济增长从“楼宇经济”中释放出来，逐步摆脱对土地财政的依赖，加强对外商投资管理，避免城市之间以土地价格战手段来引进外资，利用其先进管理技术和经验，提高城市土地利用效率。第四，根据城市实际需求实施差异化的建设用地配给政策，在理性推进土地城镇化过程中既需要兼顾短期目标与长远目标相统一，也需要综合考虑经济效益、社会效益和生态效益与城市空间承载能力协调统一，从而为城市健康可持续发展提供基础保障。

参考文献

[1]新华社. 中共中央办公厅 国务院办公厅印发《关于在国土空间规划中统筹划定落实三条控制线的指导意见》[EB/OL].2019-11-01[2019-12-02]. http：//www.gov.cn/xinwen/2019-11/01/content_5447654.htm.

[2]卢斌莹，陈正江，侯春红，等.基于GIS的西安市南郊土地城市化空间发展研究[J].人文地理，2010，25（1）：56-59.

[3]杨洋，黄庆旭，章立玲.基于DMSP/OLS夜间灯光数据的土地城镇化水平时空测度研究：以环渤海地区为例[J].经济地理，2015，35（2）：141-148，168.

[4]崔许锋.民族地区的人口城镇化与土地城镇化：非均衡性与空间异质性[J].中国人口·资源与环境，2014，24（8）：63-72.

[5]刘琼，杜晓航，盛业旭.基于阶段对比的中国人口城镇化与土地城镇化协调关系[J].中国人口·资源与环境，2018，28（1）：26-34.

[6]陳春，于立，张锐杰，等.中国城镇化加速阶段中期土地城镇化与人口城镇化的协调程度[J].长江流域资源与环境，2016，25（11）：1654-1662.

[7]李宝礼，胡雪萍.金融发展会造成人口城镇化滞后于土地城镇化吗：基于安徽省16个地级市面板数据的研究[J].华东经济管理，2014，28（12）：18-23.

[8]许芬.中国人口城镇化滞后土地城镇化的根源：基于城乡间要素不平等交换视角的分析[J].城市问题，2016（7）：12-17.

[9]李子联.人口城镇化滞后于土地城镇化之谜：来自中国省际面板数据的解释[J].中国人口·资源与环境，2013，23（11）：94-101.

[10]王成新，王波涛，王翔宇.基于结构视角的中国人口城市化与土地城市化异速增长研究[J].中国人口·资源与环境，2016，26（8）：135-141.

[11]李永乐，舒帮荣，吴群.房地产价格与土地城镇化：传导机制与实证研究[J].中国土地科学，2013，27（11）：52-58.

[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.

[13]张立新，朱道林，杜挺，等.长江经济带土地城镇化时空格局及其驱动力研究[J].长江流域资源与环境，2017，26（9）：1295-1303.

[14]刘耀林，李纪伟，侯贺平，等.湖北省城乡建设用地城镇化率及其影响因素[J].地理研究，2014，33（1）：132-142.

[15]王晓云，杨秀平，张雪梅.基于DEA-Tobit两步法的城镇化效率评价及其影响因素：从人口城镇化与土地城镇化协调发展的视角[J].生态经济，2017，33（5）：29-34.

[16]卢新海，柯楠，匡兵，等.中部地区土地城镇化水平差异的时空特征及影响因素[J].经济地理，2019，39（4）：192-198.

[17]李庆.空间相关性对各省市生态文明建设的影响分析[J].中国人口·资源与环境，2019，29（9）：91-98.

[18]谭术魁，饶映雪，朱祥波.土地投入对中国经济增长的影响[J].中国人口·资源与环境，2012，22（9）：61-67.

[19]TOBLER W R. A computer movie simulating urban growth in the Detroit region[J]. Economic geography， 1970， 46（1）：234-240.

[20]LESAGE J P， PACE R K. Introduction to spatial econometrics[M]. Boca Raton： CRC Press， 2009：45-75.

[21]孙焱林，覃飞，陈亚会，等.基于空间计量的地级市政府间城镇化竞争分析[J].中国人口·资源与环境，2018，28（5）：115-122.

[22]杨孟禹，张可云.中国城市扩张的空间竞争实证分析[J].经济理论与经济管理，2016（9）：100-112.

[23]李成宇，张士强，张伟.中国省际工业生态效率空间分布及影响因素研究[J].地理科学，2018，38（12）：1970-1978.

[24]邵朝对，苏丹妮，邓宏图.房价、土地财政与城市集聚特征：中国式城市发展之路[J].管理世界，2016（2）：19-31，187.

[25]周琳，范建双，虞晓芬.政府间竞争影响城市土地市场化水平的双边效应研究：基于财政竞争和引资竞争的不同作用[J].中国土地科学，2019，33（5）：60-68.

[26]ELHORST J P. Spatial econometrics： from cross-sectional data to spatial panels[M]. Heidelberg： Springer，2014： 63-67.

[27]伍駿骞，方师乐，李谷成，等.中国农业机械化发展水平对粮食产量的空间溢出效应分析 [J].中国农村经济，2017（6）：44-57.

[28]高金龙，包菁薇，刘彦随，等.中国县域土地城镇化的区域差异及其影响因素[J].地理学报，2018，73（12）：2329-2344.

[29]文贯中，熊金武.化地不化人的城市化符合中国国情吗：人口密集型的“老浦西”和土地资本密集型的“新浦东”的历史比较[J].城市规划，2012，36（4）：18-24.

[30]朱庄瑞，藏波.房地产市场促进城镇化建设的作用机理与协调发展研究[J].中国人口·资源与环境，2016，26（9）：116-122.

[31]吕立刚，隋雪艳，汪翔，等.江苏省土地城镇化的空间分异及其主导因素探测[J].人文地理，2018，33（4）：88-94，112.

[32]刘颜.土地财政对中国城市空间扩张的影响：基于动态空间计量模型的实证检验[J].财经理论与实践，2019，40（3）：9-14.

[33]安勇，原玉廷.土地财政、扭曲效应与区域创新效率[J].中国土地科学，2019，33（8）：36-42，52.

[34]卢新海，唐一峰，匡兵.长江中游城市群城市土地利用效率空间溢出效应研究[J].长江流域资源与环境，2018，27（2）：252-261.

[35]刘骞文，闫笑.地方政府“土地引资”背景下的FDI挤入挤出效应研究[J].财经研究，2016，42（1）：17-29.

[36]袁晓玲，吕文凯.从“资源引致”向“效率引致”：基于政府效率、引资优惠及溢出效应对FDI的影响分析[J].现代经济探讨，2019（7）：10-18.

[37]张林，张军龙，刘凯，等.环境约束下山东省城镇化效率及影响因素[J].山东师范大学学报：自然科学版，2019，34（3）：295-304.

[38]徐超.代合治.山东省新型城镇化的时间演变与空间差异研究[J].山东师范大学学报：自然科学版，2018，33（1）：105-111.

[39]张红凤，王鹤鸣，何旭.基于改进引力模型的山东省城市空间联系与格局划分[J].山东财经大学学报，2019，31（3）：110-120.

[40]孔艳芳.城镇化是否缩小了中国城乡收入差距：基于直接影响与空间溢出效应的经验论证[J].山东财经大学学报，2019，31（4）：87-98.