EN中文

经济地理 >

2019 , Vol. 39 >Issue 9: 104 - 111

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.09.013

城市地理与新型城镇化

考虑环境效应的长三角城镇化效率格局及驱动因素异质性

  • 张荣天 , 1 ,
  • 李传武 2 ,
  • 李红波 3
展开
  • 1.扬州大学 苏中发展研究院，中国江苏 扬州 225009
  • 2.盐城师范学院 城市与规划学院，中国江苏 盐城 224051
  • 3.南京师范大学 地理科学学院，中国江苏 南京 210046

张荣天（1987—），男，江苏南京人，博士后，助理研究员，硕士生导师。主要研究方向为城乡发展与区域规划。E-mail：。

收稿日期: 2018-12-11

  修回日期: 2019-04-23

  网络出版日期: 2025-04-17

基金资助

中国博士后科学基金项目(2017M621834)

江苏高校哲学社会科学基金项目(2018SJA1153)

安徽省城镇化发展研究中心2016年度开放课题

扬州大学科技创新培育基金项目(2017CXJ112)

扬州大学人文社会科学基金项目(XJJ2016-66)

江苏省社科应用研究精品工程课题(19SYC-111)

收起

Urbanization Efficiency Pattern and Its Driving Factors in Yangtze River Delta Considering Environmental Effect

  • ZHANG Rongtian , 1 ,
  • LI Chuanwu 2 ,
  • LI Hongbo 3
Expand
  • 1. Research Institute of Central Jiangsu Development，Yangzhou University，Yangzhou 225009，Jiangsu，China
  • 2. Institute of Urban and Planning，Yancheng Teachers University，Yancheng 224051，Jiangsu，China
  • 3. The college of Geography science，Nanjing Normal University，Nanjing 210046，Jiangsu，China

Received date: 2018-12-11

  Revised date: 2019-04-23

  Online published: 2025-04-17

Fold

摘要

以长三角地区作为案例地，构建考虑非期望产出的城镇化效率评价体系，运用SBM模型定量测度2000—2016年考虑环境效应的长三角城镇化效率水平，基于ESDA模型研究2000年以来长三角城镇化效率空间格局演变特征；并通过地理加权回归模型（GWR）揭示长三角城镇化效率演化驱动因素及异质性。结果表明：①研究期间考虑非期望产出的城镇化效率[0.5679，0.5913]要低于不考虑非期望产出情况[0.5849，0.6141]，城镇化效率东—西方向上递减，南—北方向上呈倒“U”字型格局。②2000—2016年长三角城镇化效率全局表现空间集聚分异特征；局部上城镇化效率H-H集聚区分布在苏锡沪，并不断向杭州演化，L-L集聚区主要分布在浙江舟山、台州和安徽安庆、池州。③经济发展、产业结构、科技水平及市场化程度可有效解释长三角城镇化效率格局演化，经济发展对城镇化效率影响在江苏扬泰、安徽铜池表现更为强烈，产业结构、市场化程度对沪苏杭的城镇化效率影响具有局部优势，而科技水平对浙江舟台地区存在较弱的驱动效应。

关键词： 快速城镇化; 城镇化效率; 驱动因素; 异质性; 环境效应; 长三角地区

本文引用格式

张荣天 , 李传武 , 李红波 . 考虑环境效应的长三角城镇化效率格局及驱动因素异质性[J]. 经济地理, 2019 , 39(9) : 104 -111 . DOI: 10.15957/j.cnki.jjdl.2019.09.013

Abstract

Taking the Yangtze River Delta as a case study, this article constructs the urbanization efficiency evaluation system based on the non-expected output and quantitatively measures the level of urbanization efficiency in the Yangtze River Delta by the means of the SBM model considering environmental effect. Based on ESDA model, this paper studies the spatial pattern evolution of urbanization efficiency in the Yangtze River Delta during 2000-2016. The driving factors and heterogeneity of urbanization efficiency evolution are also revealed through the geographically weighted regression (GWR) model. The results show that: 1) urbanization efficiency based on the non-expected output[0.5679,0.5913]is lower than without the non-expected output[0.5849,0.6141], the urbanization efficiency decreases in the east-west direction, and the south-north direction shows an inverted "U" shape pattern; 2) it shows the differential characteristics in the urbanization efficiency of the Yangtze River Delta from 2000 to 2016; the H-H cluster areas were located in Shanghai, Suzhou and Wuxi, and continued to evolve to Hangzhou; the L-L cluster areas were located in Zhoushan, Taizhou, Anqing and Chizhou; 3) economic development, industrial structure, level of science and technology, and marketization degree can effectively explain the pattern evolution of the urbanization efficiency during the research period. The impact of economic development on urbanization efficiency is even stronger in Yangzhou-Taizhou and Tongling-Chizhou, industrial structure and marketization degree had local advantages in the urbanization efficiency of Shanghai-Suzhou-Hangzhou, and the level of science and technology had a weak driving effect on the Zhoushan-Taizhou.

Key words： rapid urbanization; urbanization efficiency; driving factors; heterogeneity; environmental effect; Yangtze River Delta

诺贝尔奖获得者斯蒂格利茨指出，“中国城镇化”“美国高科技发展”是21世纪影响世界最大的两件事[1]。1978年改革开放以来，中国城镇化呈现快速发展态势，截至2016年年底，我国城镇化率已达到57.35%。同时，快速城镇化过程中资源过度消耗和环境污染不断加剧，导致我国城镇化发展越来越逼近资源和环境条件的约束边界，资源环境对区域城镇化发展约束效应日益增强，城镇化效率相对低下[2]。因此，研究考虑环境效应背景下城镇化效率及影响机制成为转型期我国城镇化发展关注的重点问题。纵观国内外关于城镇化效率的研究进展：①研究视角上，目前国内外学者主要从全要素发展效率（TFP）[3-4]和单要素发展效率（土地）[5-6]两大视角上对城镇化效率开展研究。②研究内容上，目前主要涉及到城镇化效率评价指标体系构建[7-8]、模型测度[9-10]、演化趋势[11]、影响因素[12]及提升路径[13]等方面，研究内容不断在拓展。③研究方法上，城镇化效率评价主要涉及到随机前沿分析（SFA）[14]、数据包络分析（DEA）[15]、Malmquist指数[16]等数学模型，并开始运用GIS空间分析方法[17]来探究城镇化效率时空格局分异特征。④研究需深化方向，一是视角上忽视了城镇化过程中负面环境产出，导致了城镇化效率评价指标体系中较少考虑非期望产出因素，影响城镇化效率测度评价准确性；二是内容上侧重在城镇化效率测度及区域差异研究，而深入对城镇化效率驱动因素及异质性探讨相对较少。基于当前研究存在的不足，考虑到城镇化资源环境效应，本研究将采用考虑非期望产出的SBM模型评价城镇化效率，并揭示城镇化效率演化的驱动因素及空间异质性规律。
长三角地区地处中国东部沿海地区与长江流域的结合部，是目前支撑中国经济高速增长的核心区域。根据国家最新的《长江三角洲城市群发展规划》（发改规划〔2016〕1176号），长三角空间范围包括上海、南京、无锡、常州、苏州、南通、盐城、扬州、镇江、泰州、杭州、宁波、嘉兴、湖州、绍兴、金华、舟山、台州、合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城等26城市，区别于《长江三角洲地区区域规划》（发改地区〔2010〕1243号）中16个城市，对新加入的10个城市发展情况需开展对比性研究。以长三角地区作为研究案例地，首先，将非期望产出要素纳入到城镇化效率评价之中，构建出考虑非期望产出的城镇化效率指标体系；其次，运用考虑非期望产出的SBM模型定量测度2000—2016年考虑环境效应的长三角城镇化效率水平值，运用ESDA模型揭示2000年以来长三角城镇化效率时空格局演化规律；最后，运用地理加权回归模型（GWR）揭示2000—2016年长三角城镇化效率演化的驱动因素及空间异质性，以期为长三角城镇化效率提升提供理论参考及实践借鉴。

1 研究方法及数据来源

1.1 研究方法

1.1.1 非期望产出的SBM模型

为了有效克服径向DEA模型不考虑投入产出的松弛性问题，以及考虑城镇化发展过程中所包含的非期望产出问题，在Tone提出的非径向、非角度基于松弛的SBM（Slack Based Measure）模型和考虑非期望产出的SBM 模型的基础上[18-19]，构建在固定规模报酬下考虑非期望产出的SBM理论模型测度城镇化效率值，计算公式如下：
ρ = m i n 1 - 1 N ∑ n = 1 N S n x / x k ' n t ' 1 + 1 M + I ∑ m = 1 M s m y / y k ' m t ' + ∑ i = 1 I s i b / b k ' i t '
s . t . ∑ t = 1 T ∑ k = 1 K z k t x k n t + s n x = x k ' n t '   n = 1,2 , … , N ∑ t = 1 T ∑ k = 1 K z k t x k m t - s m y = y k ' m t '   m = 1,2 , … , M ∑ t = 1 T ∑ k = 1 K z k t x k i t + s i b = x k ' i t '   i = 1,2 , … , I z k t ≥ 0 , s n x ≥ 0 , s m y ≥ 0   k = 1,2 … , K
式中： ρ为城镇化效率值；N、M、I分别为投入、期望产出、非期望产出个数； ( s n x , s m y , s i b )表示投入产出的松弛向量； ( x k ' n t ' , y k ' m t ' , b k ' i t ' )是第k'地区在t'时期投入产出值； z k t表示决策单元权重； ρ取值范围为[0，1]。SBM模型与传统CCR、BCC模型不同之处在于将松驰变量纳入目标函数中，有效解决了非期望产出下的效率评价问题。

1.1.2 ESDA模型

ESDA模型（Exploratory Spatial Data Analysis）是通过对地理现象空间分布格局描述与可视化，发现空间集聚特征，解释空间作用机制。具体分析指标主要包括Global Moran’s I、LISA指数[20-21]。

1.1.3 地理加权回归模型

地理加权回归模型（Geographical Weighted Regression，GWR）是一种探测空间非平稳性的有效方法，最先由Brunsdon于1996年提出来[22]。地理加权回归是通过对每个观测的空间单元都进行局部回归，用局部参数估计来代替全局参数估计，允许自变量系数存在空间分异，有助于探索地理变量的空间依赖性及变异性规律[23]。运用GWR模型来揭示研究期间长三角城镇化效率的驱动因素及空间异质性特征，计算公式如下：
y i = β o ( u i , v i ) + ∑ k β k ( u i , v i ) x i k + ε i
式中： ( u i , v i )是第i个观测对象的空间坐标； β k ( u i , v i )是连续函数 β k ( u , v )在i点的值，是地理位置的函数，对于 β k ( u i , v i )而言，接近位置的数据会比那些远离数据的估计有更多影响；p为独立变量个数；xik为独立变量xk在i点的值； ε i是随机误差。空间核函数和核带宽是GWR模型拟合中最重要参数，应用ArcGIS 10.2分析软件中的GWR工具来实现GWR模型具体构建。

1.2 数据来源

数据取自《江苏省统计年鉴》《浙江省统计年鉴》《安徽省统计年鉴》《上海市统计年鉴》及长三角各城市统计年鉴（2001—2017）、国民经济和社会发展统计公报（2001—2017），空间分析尺度为长三角市域单位（共26个），行政边界数据取自《江苏省地图集（2016）》《浙江省地图集（2016）》《安徽省地图集（2016）》《上海市地图集（2016）》的政区图，经扫描在ArcGIS 10.2分析软件中进行高精度配准后跟踪矢量化获取，并对行政区划调整的区域进行相应合并处理，确保对比性。

2 考虑环境效应的长三角城镇化效率时空格局

2.1 指标体系与测度分析

参考当前关于城镇化效率评价指标相关研究成果[24⇓-26]，国内外研究主要从投入—产出两个维度来测度城镇化效率水平。鉴于此，从“投入—产出”视角上构建考虑环境效应的长三角城镇化效率评价体系（表1）：第一，投入层面上。城镇化过程中一般投入主要包括人力、资本和土地资源等。第二，产出层面上。由于是考虑环境效应的城镇化效率评价，故将环境污染物作为“有害”的非期望产出，纳入城镇化效率评价体系之中。
表1 考虑环境效应的长三角城镇化效率评价指标体系

Tab.1 Evaluation index system of urbanization efficiency based on the environmental effect

类型 指标 含义
投入层面 非农从业人数（X1） 人力投入
每年资本存量（X2） 资本投入
城市建成区面积（X3） 土地投入
产出层面 城镇人口占总人口比重（X4） 人口城镇化率
非农经济生产总值（X5） 经济城镇化率
建成区面积占市辖区总面积比重（X6） 空间城镇化率
人均社会消费品零售总额（X7） 社会城镇化率
城市工业废水排放量（X8） 非期望产出
城市工业废气排放量（X9） 非期望产出
城市工业固体废弃物产生量（X10） 非期望产出
根据SBM理论模型原理，分别测算出2000—2016年考虑非期望产出和不考虑非期望产出两种情况下长三角城镇化效率值ρ，并对两种情况ρ值展开比较研究（表2）。通过表2可知：①数值对比上，考虑非期望产出情况下，2000—2016年长三角城镇化效率呈现出持续提高趋势，效率均值在[0.5913]之间波动变化，研究期间长三角城镇化效率提升了4.12%；不考虑非期望产出情况下，2000—2016年长三角城镇化效率在[0.6141]区间范围变化，相比较而言研究期间不考虑非期望产出情况的城镇化效率水平要比考虑非期望产出情况ρ值得分高，因此考虑非期望产出的城镇化效率评价相对更为合理、科学。②区域差异上，2000—2016年研究期间上海[0.8034]、杭州[0.7392]、南京[0.6926]、苏州[0.7358]、无锡[0.7125]、芜湖[0.6189]等地城镇化效率相对较高，而泰州[0.5083]、扬州[0.5381]、舟山[0.4672]、台州[0.4922]、池州[0.4985]、宣城[0.5101]等地城镇化效率则相对较低。
表2 2000—2016年长三角城镇化效率得分值

Tab.2 Score of urbanization efficiency in the Yangtze River Delta from 2000 to 2016

城市 考虑非期望产出情况 不考虑非期望产出情况
2000 2008 2016 2000 2008 2016
南京 0.6382 0.6738 0.6926 0.6652 0.6932 0.7287
镇江 0.5532 0.5439 0.5792 0.5792 0.5837 0.6097
常州 0.6204 0.6378 0.6553 0.6498 0.6634 0.6902
无锡 0.6789 0.6839 0.7125 0.6993 0.7128 0.7406
苏州 0.6881 0.7124 0.7358 0.7095 0.7251 0.7536
扬州 0.5043 0.5117 0.5381 0.5292 0.5365 0.5656
泰州 0.4865 0.4939 0.5083 0.5088 0.5189 0.5437
南通 0.5278 0.5368 0.5536 0.5435 0.5506 0.5981
盐城 0.4923 0.4986 0.5025 0.5003 0.5123 0.5165
上海 0.7345 0.7643 0.8034 0.7495 0.7774 0.8282
湖州 0.6123 0.6206 0.6285 0.6305 0.6335 0.6676
嘉兴 0.6032 0.6115 0.6208 0.6221 0.6383 0.6504
杭州 0.6893 0.7123 0.7392 0.7092 0.7236 0.7562
绍兴 0.5734 0.5838 0.5936 0.5925 0.5969 0.6137
宁波 0.5993 0.5876 0.6103 0.6195 0.6357 0.6545
舟山 0.4505 0.4587 0.4672 0.4789 0.4802 0.4986
台州 0.4823 0.4895 0.4922 0.4955 0.5023 0.5098
金华 0.5004 0.5089 0.5136 0.5112 0.5189 0.5234
合肥 0.5965 0.5996 0.6024 0.6025 0.6128 0.6207
芜湖 0.6023 0.6112 0.6189 0.6121 0.6206 0.6285
马鞍山 0.5725 0.5789 0.5823 0.5882 0.5907 0.5996
铜陵 0.5629 0.5688 0.5773 0.5782 0.5836 0.5912
安庆 0.5023 0.5078 0.5111 0.5126 0.5197 0.5202
滁州 0.5125 0.5203 0.5277 0.5287 0.5303 0.5378
池州 0.4883 0.4903 0.4985 0.4922 0.4981 0.5003
宣城 0.4956 0.5031 0.5101 0.5008 0.5114 0.5189
均值 0.5679 0.5773 0.5913 0.5849 0.5951 0.6141
鉴于此，运用趋势面分析方法揭示研究期间考虑环境效应的长三角城镇化效率区域差异特征。基于ArcGIS 10.2软件平台，将2000—2016年长三角各城市的城镇化效率得分值看作高度属性值Z轴，各城市的地理坐标当作X轴、Y轴，并旋转到合理的透视角度，形成2000—2016年长三角城镇化效率趋势演化图（图1）。通过图1可知：总体上长三角城镇化效率空间分异格局显著，①东—西方向上效率递减，具体表现为从东部地区上海、苏州、无锡等地不断向西部地区池州、安庆等地递减；②南—北方向上呈倒“U”字型格局，具体表现为从长三角南部地区台州、绍兴、舟山等地到上海、苏州、杭州，进而再演进到江苏南通、泰州及盐城等地，上海、苏州、杭州等地城镇化效率值得分在长三角地区相对最高，因此沪苏杭等城市位于倒“U”字型格局谷峰，这充分表明2000年以来长三角城镇化效率空间格局存在显著分异特征。因此，还需进一步深入探究考虑环境效应的城镇化效率空间分异与空间关联格局。
图1 考虑环境效应的长三角城镇化效率趋势演化（2000—2016）

Fig.1 Trend analysis of urbanization efficiency based on the environmental effect from 2000 to 2016

2.2 长三角城镇化效率时空分异特征

2.2.1 全局空间集聚特征

通过ESDA模型Global Moran’s I指数来探讨2000—2016年考虑环境效应的长三角城镇化效率全局空间集聚分异特征。基于GeaDA095分析软件，测算出2000—2016年考虑环境效应的长三角城镇化效率Global Moran’s I值（表3）。通过表3可知：2000—2016年考虑环境效应的长三角城镇化效率Global Moran’s I指数在0.1%的显著水平上表现出正空间自相关性，表明2000—2016年长三角城镇化效率呈现空间集聚分布模式；城镇化效率的Global Moran’s I指数从2000年的0.4123持续上升到2016年的0.4905，16年间提升了18.97%，这充分说明21世纪以来长三角城镇化效率空间自相关性不断增强，也表明考虑环境效应的长三角城镇化效率空间集聚态势在增强。
表3 考虑环境效应的长三角城镇化效率Global Moran’s I （2000、2008、2016年）

Tab.3 The global Moran’s index of urbanization efficiency based on the environmental effect

年份 Global Moran’s I E（I） Z（I） P（I）
2000 0.4123 -0.1355 2.23 0.001
2008 0.4475 -0.1355 2.38 0.001
2016 0.4905 -0.1355 2.71 0.001

2.2.2 局部空间集聚演化

ESDA模型Global Moran’s I仅从全局分析长三角城镇化效率空间集聚态势，还需通过LISA集聚图等来进一步探讨2000—2016年考虑环境效应的长三角城镇化效率空间局部空间关联类型及集聚演化规律。鉴于此，基于ArcGIS 10.2软件分析平台，绘制出2000—2016年长三角城镇化效率LISA空间集聚图（图2），通过图2可知：①H-H聚集型（市域自身和相邻市域城镇化效率均高）。2000年H-H类型区主要分布在上海、苏州、无锡等城市，2016年杭州市演化成为H-H聚集型。总体上看，2000—2016年H-H聚集型主要分布在沪杭、苏锡地区，这一地区经过长期经济高速发展和产业结构不断转型升级，城镇化效率得到有效改善提升，并且在空间上相毗邻，形成了研究期长三角城镇化效率H-H集聚区。②H-L聚集型（市域自身城镇化效率高，相邻市域较低）。2000年长三角城镇化效率H-L聚集型主要分布在苏南地区南京、常州、镇江和浙江嘉州、湖州、杭州、宁波，以及安徽芜湖、马鞍山、铜陵等城市，到2016年合肥等城市从L-H型演化为H-L型，杭州市演化成为H-H型。2000—2016年长三角城镇化效率H-L聚集区分布的数量最多，且空间分布格局相对稳定，这也表明了长三角地区城镇化效率处在相对较高的水平上。③L-H聚集型（市域自身城镇化效率低，相邻市域较高）。2000年长三角城镇化效率L-H聚集型分布在江苏泰州、南通、盐城和浙江金华，以及安徽滁州、合肥等城市，到2016年合肥从L-H型演化为H-L型，宣城从L-L型演化为L-H型。这一类型空间比邻的是城镇化效率水平高的苏锡常、上海以及杭州，造成江苏苏中、安徽皖中地区城镇化效率相对低值空间集聚格局。④L-L聚集型（市域自身和相邻市域城镇化效率都低）。2000年长三角城镇化效率L-L聚集区分布在浙江的台州、舟山和安徽的池州、安庆、宣城等地，到2016年长三角城镇化效率L-L聚集区数量保持稳定，仅宣城市发生演化，总体上L-L型未发生较大变动，L-L型的城镇化效率长期处在低水平状态，并且与周边城市城镇化效率差距日益加大，形成了长三角城镇化效率L-L空间塌陷区。总体上，2000—2016年考虑环境效应的长三角城镇化效率局部分异格局演化保持相对稳定的态势。
图2 考虑环境效应的长三角城镇化效率LISA集聚演化（2000-2016）

Fig.2 LISA cluster map of urbanization efficiency based on the environmental effect in Yangtze River Delta

3 驱动因素异质性分析

3.1 GWR模型构建与检验

由于经典线性的OLS假定空间是均质的，忽略了空间效应影响，可能导致估计结果及推论不可靠[27]。因此，通过引入地理空间效应建立GWR来对经典的线性OLS模型进行修正。通过GWR加权二乘法对2000—2016年长三角市域数据建立GWR理论模型，以人均GDPX1、第三产业产值比重X2、科技经费支出X3、有效发明专利数X4、区域市场化指数X5指标来表示经济发展、产业结构、科技水平及市场化程度4个变量，采用AIC信息准则法，得到2000—2016年影响长三角城镇化效率演变各变量GWR模型结果（表4），通过表4可知：调整后的模型拟合优度（R2Adjusted）达到80%以上，整个GWR估计模型能较好模拟各变量因素对2000—2016年考虑环境效应的长三角城镇化效率格局演变影响分异。
表4 GWR模型回归系数的描述性统计分析

Tab.4 Descriptive statistical analysis of regression coefficients in the GWR model

指标 模型参数 2000 2008 2016
人均GDP Residual Squares 0.5353 0.5403 0.5476
Sigma 0.1003 0.1009 0.1013
AICc -50.109 -47.862 -46.942
R2 0.8554 0.8512 0.8672
R2Adjusted 0.8943 0.8889 0.8987
第三产业
产值比重		 Residual Squares 0.5983 0.5883 0.6083
Sigma 0.1101 0.1045 0.1203
AICc -47.893 -45.093 -41.124
R2 0.8034 0.8245 0.8298
R2Adjusted 0.8877 0.8956 0.9036
科技经费
支出		 Residual Squares 0.4345 0.4389 0.4428
Sigma 0.2347 0.2398 0.2425
AICc -33.887 -30.075 -28.996
R2 0.8224 0.8365 0.8556
R2Adjusted 0.8889 0.8909 0.9007
有效发明
专利数		 Residual Squares 0.4226 0.4309 0.4346
Sigma 0.2009 0.2067 0.2135
AICc -34.983 -33.369 -31.106
R2 0.8112 0.8325 0.8332
R2Adjusted 0.8908 0.8915 0.8995
市场化指数 Residual Squares 0.5008 0.5165 0.5208
Sigma 0.1886 0.1892 0.1903
AICc -45.126 -43.897 -41.778
R2 0.8245 0.8409 0.8465
R2Adjusted 0.8909 0.8993 0.9014

3.2 各变量对城镇化效率演变驱动异质性

①经济发展水平对城镇化效率演变驱动异质性。从图3可看出，2000—2016年经济发展与城镇化效率演变之间呈现正向关联，城市经济发展对区域城镇化效率提升具有重要的正向促进效应。从回归系数空间分布看，2000年经济发展回归系数绝对值高值主要分布在江苏的扬州、泰州、盐城和浙江的舟山、台州，以及安徽的池州、铜陵等城市，而经济发展回归系数绝对值低值主要分布在苏锡沪；到2016年回归系数绝对值高值分布空间地域未发生变动。相对而言，在长三角地区江苏扬州、泰州、盐城和浙江舟山、台州，以及安徽池州、铜陵等城市经济发展水平比较滞后，因此通过促进经济发展能够较为显著地发挥其对区域城镇化效率提升的正面促进作用。总体上看，2000—2016年经济发展回归系数绝对值呈现出以“扬泰盐”“舟台”等为核心区不断向外围城市减弱的空间分异特征。
图3 GWR模型各变量回归系数分布

Fig.3 Spatial distribution of regression coefficients based on GWR model

②产业结构对城镇化效率演变驱动异质性。从图3可看出，研究期间产业结构调整的回归系数为正值，表明产业结构与城镇化效率演变表现正向相关，合理的城市产业结构有助于城镇化效率持续提升。从回归系数空间分布来看，2000—2016年产业结构回归系数绝对值总体表现出从“苏锡沪”核心不断向外围城市空间减弱的演化特征。回归系数绝对值高值区分布在上海、苏州、无锡等城市，在新型城镇化背景下这几大城市产业结构不断在转型与升级，逐步淘汰资源消耗大、环境污染大的工业企业，大力发展第三产业，加快发展现代服务业，有效降低了城市单位能耗水平，形成产业结构驱动因素高值空间分布区；而产业结构回归系数低值区主要分布在浙江舟山、台州和安徽安庆、池州等，舟山、台州、安庆及池州等城市产业结构不够完善、产业规模不大及产业链延伸不长，对城镇化效率促进能力也相对较弱。因此，研究期间产业结构对城镇化效率演变驱动效率不显著。
③科技水平对城镇化效率演变驱动异质性。从图3可看出，2000—2016年科技水平驱动因素的回归系数也为正值，表明科技发展水平与城镇化效率演变之间呈现正面相关性。从回归系数绝对值空间分布来看，科技经费支出和有效发明专利数两个指标回归系数绝对值高值区主要分布在上海、杭州、南京及合肥等，并且保持稳定的空间高值集聚分布态势，这主要归结于这几大城市是长三角地区高等院校、科研机构主要集中地，是各类人才集聚高地，城市科技发展水平较高，并具有较高的科技产出效应，因此对城镇化效率产生了重大促进作用。2000—2016年科技经费支出和有效发明专利数回归系数绝对值较低值区主要分布在苏中扬州、泰州和皖南池州、宣城等地，而低值区主要集聚在浙江舟山、台州，舟山、台州等两大城市科技发展水平相对较落后，研究期间对城镇化效率改善提升作用相对较弱。
④市场化程度对城镇化效率演变驱动异质性。从图3可看出，整个研究期间长三角市场化程度回归系数绝对值均为正值，表明市场化因素对长三角城镇化效率演化具有重要驱动作用，市场化机制在资源配置中发挥着基础性作用，以市场化推进城镇化能最大限度地优化资源配置，从而有效提升城镇化效率。从回归系数绝对值空间分布来看，2000—2016年，上海、苏州、杭州三大城市的市场化驱动因素的回归系数绝对值最高，这3个城市也是中国改革开放走在前列的城市，市场化的经营意识、方式等相对普及；而研究期间安徽池州、安庆等城市的市场化驱动因素的回归系数相对较小，池州、安庆等城市市场化程度较低，未能有效发挥市场化促使城市资源的重新配置和优化组合作用，对城镇化效率影响较弱。总体上，2000—2016年市场化驱动因子回归系数呈现由“沪苏杭”向外围减小的空间分异格局。

4 结论与讨论

以我国长三角地区作为典型案例地，基于考虑环境效应的视角，结合SBM-ESDA模型研究城镇化效率时空格局分异，并应用地理加权回归模型（GWR）揭示长三角城镇化效率演化的驱动因素及空间异质性规律。得到几点基本结论：①2000—2016年考虑非期望产出的城镇化效率[0.5913]要低于不考虑非期望产出情况[0.6141]，研究期间考虑环境效应的长三角城镇化效率东—西方向上递减，南—北方向上呈倒“U”字型分布格局。②2000—2016年长三角城镇化效率全局上表现空间集聚的自相关性；局部上城镇化效率H-H集聚区分布在苏锡沪，并不断向杭州演化，L-L集聚区主要分布在浙江舟山、台州和安徽安庆、池州等城市。③研究期间长三角城镇化效率演变受到经济发展水平、产业结构状况、科技发展水平及市场化程度综合影响，经济发展对城镇化效率影响在江苏扬泰、安徽铜池表现更为强烈，产业结构、市场化程度对沪苏杭的城镇化效率影响具有局部优势，而科技水平对浙江舟台地区存在较弱的驱动作用。
需要指出的是，研究还存在一定不足：首先本文仅初步地选取了2000—2016年三个时间断面分析考虑环境效应的长三角城镇化效率时空格局演化特征，需进一步深化长时间尺度上城镇化效率格局分异规律探究；另外，本文只是初步地选取经济发展、产业结构、科技水平及市场化程度等定量化因素展开分析，而政策因素对城镇化效率演化具有重要的影响效应，不同政策作用导向下城镇化效率演化的驱动机理如何?这些将是下一步值得研究的方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
关兴良, 魏后凯. 中国城镇化进程中的空间集聚、机理及其科学问题[J]. 地理研究, 2016, 35(2):227-241.

DOI

[2]
王庆喜, 钱遂, 庞尧. 环境约束下中国工业化与城镇化的关系演变——效率分析视角[J]. 地理科学, 2017, 37(1):92-101.

DOI

[3]
Bronzini R. Determinants of long-run regional productivity withgeographical spillovers:the role of R&D human capital and public infrastructure[J]. Regional Science and Urban Economics, 2009(2):187-199.

[4]
张荣天, 焦华富. 泛长三角城市发展效率时空格局演化与驱动机制[J]. 经济地理, 2014, 34(5):48-54.

[5]
Nareeluck W. Role of land tenure security and farm householdcharacteristics on land use change in the Prasae Watershed Thailand[J]. Land Use Policy, 2008(2):214-224.

[6]
张立新, 朱道林, 杜挺, 等. 基于DEA模型的城市建设用地利用效率时空格局演变及驱动因素[J]. 资源科学, 2017, 39(3):418-429.

DOI

[7]
胡彪, 张旭东, 程达, 等. 京津冀地区城市化效率与生态效率时空耦合关系研究[J]. 干旱区资源与环境, 2017, 31(8):56-62.

[8]
刘雷, 张华. 山东省城市化效率与经济发展水平的时空耦合关系[J]. 经济地理, 2015, 35(8):75-82.

[9]
魏后凯, 苏红键, 韩镇宇. 中国城镇化效率评价分析——基于资源环境效率的视角[J]. 中国地质大学学报:社会科学版, 2017, 17(2):65-73.

[10]
宋林, 张杨, 郭玉晶. 环境约束下陕西城镇化效率的区域差异及空间格局[J]. 人文地理, 2016, 31(2):115-122.

[11]
吴旭晓. 新型城镇化效率演化趋势及其驱动机制研究[J]. 商业研究, 2013(3):44-51.

[12]
万庆, 吴传清, 曾菊新. 中国城市群城市化效率及影响因素研究[J]. 中国人口·资源与环境, 2015, 25(2):66-74.

[13]
张明斗. 中国的城市化效率及其调控策略创新研究[J]. 学习与实践, 2016(4):45-49.

[14]
潘婷. 中国城市化效率的时空测度及其穀响因素研究[D]. 长沙: 湖南师范大学, 2015.

[15]
谢永琴, 曹怡品. 基于DEA-SBM模型的中原城市群新型城镇化效率评价研究[J]. 城市发展研究, 2018, 25(2):11-17.

[16]
刘习平. 基于DEA-Malmquist指数方法的我国城镇化效率研究[J]. 湖北经济学院学报, 2017, 15(1):32-38.

[17]
罗腾飞, 邓宏兵. 长江经济带城镇化效率测度及时空差异研究[J]. 华中师范大学学报:自然科学版, 2016, 50(3):423-434.

[18]
Tone K. Dealing with undesirable outputs in DEA:a slacks-based measure(SBM) approach[M]. Tokyo: GRIPS Policy Information Center, 2003.

[19]
吴梦杰. 我国新型城镇化效率研究——基于Super-SBM模型[D]. 蚌埠: 安徽财经大学, 2015.

[20]
张荣天, 焦华富. 长江经济带城市土地利用效率格局演变及驱动机制研究[J]. 长江流域资源与环境, 2015, 24(3):387-394.

[21]
Anselin L. Local indicators of spatial association:LISA[J]. Geographical Analysis, 1995, 27(2):93-115.

[22]
张雅杰, 金海. 基于ESDA-GWR多变量影响的经济空间格局演化[J]. 经济地理, 2015, 35(3):28-35.

[23]
胡宇娜, 梅林, 魏建国. 基于GWR模型的中国区域旅行社业效率空间分异及动力机制分析[J]. 地理科学, 2018, 38(1):107-113.

DOI

[24]
尹鹏, 刘曙光. 中国沿海城市群城镇化效率测度及其障碍因子诊断[J]. 华东经济管理, 2017, 31(7):68-74.

[25]
范建双, 虞晓芬. 中国区域城镇化综合效率测度及其动力因子分析[J]. 地理科学, 2015, 35(9):1 077-1 085.

[26]
方创琳, 关兴良. 中国城市群投入产出效率的综合测度与空间分异[J]. 地理学报, 2011, 66(8):1 011-1 022.

[27]
张贵, 李涛. 京津冀城市群创新产出空间差异的影响因素分析[J]. 华东经济管理, 2018, 32(1):69-76.

Options
文章导航

/

〈 〉