以下文章来源于区域经济 ，作者郝宗鸽 研读
文献来源：Zhang Maomao,Tan Shukui,Zhang Yanwei,He Ju,Ni Qianlin. Does land transfer promote the development of new-type urbanization? New evidence from urban agglomerations in the middle reaches of the Yangtze River[J].Ecological Indicators,2022,136.
摘要：随着城市化的快速发展，农地非农化已成为城市发展的重要组成部分。首先本文构建了2006-2017年长江中游城市群新型城镇化水平的综合评价体系；其次采用空间计量模型探讨农地非农化对新型城镇化的影响；最后基于研究结果提出政策建议。结果表明:(1)我国新型城镇化水平呈波动增长趋势，区域差异呈扩大趋势；(2)新型城镇化的Moran’s I在0.120左右波动，呈现空间正相关;(3)空间德宾模型(SDM)的估计结果表明，农地非农化系数及其空间滞后系数分别为0.040和0.006，表明农地非农化对新型城镇化具有正向影响。
1 引言
中国经历了世界历史上最广泛和最快的城市化。根据中国国家统计局的数据，城镇人口从1978年的1.72亿增长到2019年的8.48亿，城镇化率从1978年的17.92%增长到2019年的60.60% 。根据中国社会科学院发布的《城市蓝皮书》，中国城镇化率预计将在2030年达到约70%的峰值，未来中国经济的主要驱动力仍将是城镇化。然而，随着城市化的快速发展，城市建设用地的快速扩张带来了土地使用的粗放和土地要素有效供给的不足。单方面强调快速发展的传统城镇化已经不能满足新时代的发展要求。新型城镇化的发展除了注重规模和经济性外，还更加注重城市公共服务水平、生态环境质量，以及以人为本等。随着中国经济进入“新常态”阶段，新型城镇化战略已成为高效利用土地的措施。
在近几十年的城市化进程中，中国土地出让面积从1999年的4.5万hm2增加到2018年的66.6万hm2，这一快速增长带来了城市土地空间的新特征。在快速城市化过程中，流动人口往往呈现短期迁移的趋势，“伪城市化”的不可持续劣势逐渐凸显。那么，在这样的社会背景下，中国新型城镇化水平的空间分布特征是什么?新型城镇化与农地非农化有何关系?农地非农化能否促进新型城镇化发展?
本文将对这些问题进行分析和讨论。第2部分描述了研究区域和数据来源；第3部分介绍了研究方法，建立了新型城镇化测度评价指标体系，介绍了空间计量模型并对模型进行了检验和估计；第4部分介绍了结果，并对可能的原因进行了解释和分析；第5部分基于结果提出相应的政策建议。
2 研究区和数据来源
2.1 研究区
长江中游城市群是中国国家级城市群之一，位于其他4个国家级城市群的中心。随着中部崛起战略和长江中游经济带的实施，该地区城市群已成为中国经济发展的新增长极。在快速城市化的背景下，这片土地的用途发生了深刻的变化。本研究选取长江中游城市群作为研究区域（图1）。
2.2 数据来源
长江中游城市群的社会经济数据主要来源于中国政府发布的官方统计年鉴和国家统计局官方网站。2006 - 2017年农地非农化数据来源于中国土地市场网(www.landchina.com)。本文利用Python爬虫抓取网页数据，然后对各地区历年数据进行清理和汇总。由于缺乏个体社会经济指标数据，本文采用插值法进行估计和补充。
3 研究方法
3.1 新型城镇化评价
3.1.1 新型城镇化指标体系
本文遵循科学性、有效性、可操作性原则，参考《中国新型城镇化规划(2014-2020年)》提出的新型城镇化建设要求及相关文献，从人口城镇化、经济城镇化、社会城镇化、空间城镇化、生态环境城镇化五个维度对新型城镇化进行了界定，建立了包含20个指标的新型城镇化指标体系，对长江中游城市群进行了评价。在人口城镇化方面，选取了城镇人口占比、城镇人口密度等指标；在经济城镇化体系中，选择了人均GDP、第二产业总产值占GDP比重等指标；在社会城镇化方面，选择了教育从业人员、科学支出占国内生产总值(GDP)的比例、每万人拥有公厕等指标；在空间城镇化体系中，选取了建成区面积、人均城市道路面积等指标；在生态环境城镇化方面，选择了二氧化硫排放、废水排放等指标。该体系的创新可能体现在指标体系的全面性。以往的研究多以单一人口城市化作为评价标准，但中国城市化已经发展成为一个复杂的系统。从五个维度构建的指标体系更符合中国当前新型城镇化建设的要求，是中国城镇化发展经验的集中体
现。新型城镇化水平综合评价指标体系如下表（表1）所示。
4.1.2 熵权法
熵的概念最初起源于热力学的研究，并已广泛应用于信息论。根据熵的特点，本文采用熵的方法确定新型城镇化水平指标的权重，具体步骤如下：
（1）数据标准化。
（2）计算信息熵。
（3）计算信息熵冗余度。
（4）计算各指标权重。
4.1.3 新型城镇化评价
根据上述评价方法可以得到长江中游城市群新型城镇化水平（表2）。总体而言，2006-2017年，长江中游城市群新型城镇化水平呈波动上升趋势。
利用ARCGIS 10.2软件中的自然断裂方法，将新型城镇化水平划分为5个等级(高级、较高级、中级、较低级、低级)，结果如图2所示。新型城镇化水平空间格局演变主要表现为：高级、较高级基本分布在经济较发达的城市。特别是武汉、长沙、南昌这三座省会城市，一直是新型城镇化水平较高的地区。高级别以上城市基本都在省会城市附近。此外，随着经济的发展，新型城镇化水平高的城市呈现向省会城市扩张的趋势。中低水平城市集聚效应较弱，总体水平与经济发达城市相比不容乐观。
4.2 空间计量模型
4.2.1 空间自相关分析
为了全面考察新型城镇化水平的空间效应，本文分别采用全局和局部空间相关指数进行检验。其中，Global Moran’s I用于探索变量的空间相关性；local Moran’s I用于反映局部空间集聚特征。计算公式如下：
式中，I和Ii分别表示全局空间自相关指数和局部空间相关指数，S2 = 1n∑(xi−x)2, x = 1n∑nI =Xi。当I < 0表示空间负相关，I > 0表示空间正相关，I = 0表示空间不相关。该值越大，集聚程度越强。Wij为评价单元i与j之间的空间权重矩阵。xi和Xj分别为某属性特征在空间单元i和j上的代表值。X为代表性均值，n为空间评价单元总数。
4.2.2 空间滞后模型
当被解释变量之间的空间依赖性对模型非常关键并导致空间相关时，这是空间滞后模型（SLM），具体公式如下。
其中，ρ为内生相互作用效应系数(WY)，其大小反映了空间扩散或空间溢出的程度。如果ρ显著，则表明被解释变量之间存在一定的空间依赖性。
4.2.3 空间误差模型
当模型的误差项具有空间相关性时，称为空间误差模型（SEM），具体公式如下：
其中，Y表示被解释变量；X表示解释变量；β表示回归系数；U为随机误差向量，λ为回归残差项的空间相关系数。W表示一个(n×n)空间权值矩阵。ε代表随机误差项，一般认为是独立分布的。
4.2.4 空间杜宾模型
空间杜宾模型（SDM)结合了空间滞后模型和空间误差模型的优点，可以同时考察被解释变量、解释变量和不可观测随机冲击的空间效应，具体公式如下：
其中，θ为外生相互作用效应系数。当θ=0时为SLM模型，当θ=−ρβ时为SEM模型。θ越显著，说明解释变量的空间相互作用越强。
5 实证结果与分析
5.1 空间自相关分析
表3和图3显示了2006-2017年城市群新型城镇化水平的空间相关性。
从表4可以看出，全局moran’s I呈阶段性变化趋势。2006年和2007年新型城镇化水平的Moran’s I值分别为0.036和0.052，但均未通过显著性检验。2008 - 2017年，Moran’s I值在0.120左右波动，均通过显著性检验。这说明现阶段新型城镇化水平的空间自相关性呈现逐渐增强的趋势，其空间依赖性是动态的或只有部分区域具有空间依赖性。
5.2 空间效应
为了选择更合适的空间测量模型，本文对SEM、SLM和SDM的结果进行了估计。具体结果如表5所示。表中各模型核心变量的符号基本一致，空间自回归ρ系数和空间误差项λ系数通过1%显著性检验。这表明，城市新型城镇化水平在空间上是相关的。根据Anselin提出的标准，三个模型的LM- error、LM-Lag、Robust LM- error和Robust LM-Lag通过了不同程度的显著性检验，但SDM模型的检验结果更为显著。此外，从对数似然和R2可以看出，SDM比其他模型有更好的拟合效果。因此，SDM更符合客观事实，对新型城镇化水平的解释也更有说服力。在接下来的文章中，本文将重点对SDM的估计结果进行解释。
从表5的SDM估计结果来看，农地非农化面积的回归系数（0.037）显著正，说明农地非农化能够促进该地区新型城镇化水平的提高，并对其产生正向影响。同时，农地非农化规模每增加1%，就有可能推动新型城镇化水平提高0.040%。农地非农化的空间滞后系数(W*lnLTA)为0.006，通过5%显著性检验，说明邻近城市农地非农化规模的扩大对当地城市化水平的正向影响也相对较弱。政府干预、环境规制、外商直接投资、产业结构等变量的回归系数都是正的，通过1%显著性检验，对新型城镇化水平有显著正向影响。具体来说，即环境监管和外国直接投资对乡镇水平的提高起着重要的促进作用。科技水平的回归系数为−0.066，说明城市科技水平的提升对周边城市新型城镇化有显著的抑制作用。这可能是由于城市科技水平指数的空间延伸性，城市监管边界明显，周边城市可能出现科技发展“单打独斗”的局面。
6 政策执行和结论
6.1 政策执行
土地流转与新型城镇化协调发展，对城镇健康可持续发展尤为重要。这些成果也为中国乃至世界其他城市的城市化建设和发展带来了政策启示。
对于新型城镇化水平较高或较高的城市，要考虑土地利用的综合效益，优化土地配置，尽量以最小的土地投入获得更大的产出。从新型城镇化的空间自相关性来看，城市应打破分割，促进区域经济一体化。发挥区域经济发展的组织作用是促进城市群内城市化水平提高的重要途径。从空间自回归模型的结果来看，政府干预、环境规制、外商直接投资、产业结构、技术水平、土地流转等因素对新型城镇化具有不同程度的正向或负向影响。在实施新型城镇化战略过程中，要结合区域发展特点，因地制宜。城市管理者应尽量优先考虑政府干预、外国直接投资等影响较大的因素;但是，土地流转、技术水平等附加因素的影响也不容忽视。
6.2 结论
参照《中国国家新型城镇化规划(2014-2020年)》中的指标体系，本文对长江中游城市群新型城镇化水平进行了测度。本文运用空间计量经济模型，探讨了土地流转对新型城镇化的影响，并得出以下结论：
（1）研究期间，长江中游城市群新型城镇化水平呈现出明显的波动上升趋势，但区域间存在显著差异。以武汉、长沙、南昌为核心的省会城市水平一直高于其他地区。三省会城市新型城镇化水平分别从2006年的0.5195、0.4632和0.4437上升到2017年的0.6048、0.5640和0.5340。周边城市新型城镇化水平显著高于其他城市，新型城镇化水平中低的城市表现出明显的集聚特征。
（2）从空间自回归模型的结果来看，2006-2017年，Moran’s I指数在0.120左右波动，且所有值都通过了1%的显著性检验，表明城市化水平在空间上存在正相关。
（3）SDM估计结果表明，农地非农化的回归系数为0.040，表明其对新型城镇化具有正向影响。农地非农化规模增加了1%，预计将提高0.040%。
（4）农地非农化的空间滞后系数为0.006，说明邻近城市农地非农化的扩大对当地新型城镇化水平的正向影响也相对较弱。
研读人：河南大学2022级土地资源管理专业硕士研究生 郝宗鸽
转自：“经管学术联盟”微信公众号
如有侵权，请联系本站删除！
