期刊：Cities（中科院一区TOP）
英文题目：Nonlinear and spatial non-stationary effects of land finance on urban expansion at the county level in China: Insights from explainable spatial machine learning
中文题目：土地财政对中国县级市扩张的非线性和空间非平稳效应：可解释空间机器学习的启示
发表时间：2025年
文章链接：https://doi.org/10.1016/j.cities.2025.105850
以往的研究强调了土地财政在中国城市扩张中的复杂作用，但很少有研究同时探讨其非线性和空间非平稳效应。本研究采用可解释的空间机器学习模型，将地理加权随机森林(GW-RF)与SHAP相结合，在县级层面研究这些效应。我们发现土地出让金(LCFs)与城市扩张之间存在非线性关系，随着时间的推移，阈值从10亿元增加到90亿元。起初，土地财政的影响有限，但其影响在一定范围内迅速增长，并在较发达县趋于稳定。各部门的土地出让金呈现出类似的模式，其中工业土地出让金的影响加速度更大，尤其是在后期。空间SHAP地图显示了差异，发达城市地区的影响更大，而欠发达地区的影响较小。随着时间的推移，土地财政的影响在中国西部和中部地区不断扩大，尤其是在华北平原等工业发达地区。土地出让金的影响力则随着与区域中心的距离和县域人口的减少而降低。这些发现为土地财政政策的转型和更有效地管理城市发展提供了宝贵的启示。
可解释空间机器学习旨在模拟非线性和空间非平稳效应。
不同规模的土地财政对城市扩张具有非线性和阈值效应。
土地财政对城市扩张的影响在中国国土上表现出空间差异。
部门土地财政效应在核心县和边缘县之间表现出差异。
在前期研究的基础上，我们提出了一个以非线性效应和空间非平稳效应为核心的分析框架(图1)。非线性效应指的是非线性和阈值影响，研究土地财政的规模变化如何通过规模经济影响城市扩张的程度。空间非平稳效应是指研究土地财政的空间变化如何影响不同地区的城市扩张，重点关注空间集聚和扩散影响。通过对这两大维度的集中研究，我们旨在深入理解研究课题。
(1) 非线性效应。由于规模经济或规模不经济的原因，不同类型县的土地财政规模各不相同，可能造成影响城市扩张的差异。例如，通常作为区域中心的发达县通常拥有雄厚的财政基础，减少了城市建设对土地财政的依赖。因此，土地财政对这些地区的影响可能有限。相比之下，欠发达县在开发当地市场和吸引投资者方面面临巨大挑战。不成熟的市场和低需求会导致土地开发效率低下，这意味着土地融资对这些地区的城市扩张影响有限。然而，发展中县域更有可能面临严峻的财政挑战，原因是工业涌入和人口流入导致基础设施投资需求增加。在这些县，土地财政估计会对城市扩张产生重大影响。基于这些观察，我们假定土地财政的规模和城市扩张的程度在不同类型的县域中有所不同，可能呈现出非线性关联。
(2) 空间非平稳效应。
先行地区的土地财政经验往往通过学习和模仿传播到周边地区，在空间上影响城市扩张。20世纪90年代，以市场为导向的土地改革，如土地储备和租赁改革，在一些沿海地区进行了试点，并取得了巨大成功。这些改革为土地融资奠定了坚实的基础，既解决了资金短缺问题，又产生了政治效益。因此，相邻地区在激烈的地区间和政府间竞争的推动下，开始效仿这些成功的做法。相邻的地方政府在经济和政治利益的驱使下，认识到扩大城市区域以创造土地收入的价值。这一行为导致了同一城市群内的空间集聚效应。随着土地价格的上涨，工业企业和流动人口会在更远的县城寻找更实惠的土地，从而使土地财政战略得到更广泛的传播。这些做法扩散到最初的先行地区之外，可能会促进内陆县的扩张，因为内陆县拥有更便宜的土地和更多的土地配额。基于这些观察，我们假定土地财政对城市扩张产生空间上的不同影响，从而导致集群和扩散模式。
我们强调了我们对现有知识体系的贡献。(1)我们的研究量化了土地财政对城市扩张的影响，重点关注中国独特的公共土地所有权背景。与依赖市政债券、房产税和开发影响费的英国和美国不同，中国的地方政府严重依赖土地租赁来为城市发展提供资金。这种方法产生的一次性财政收入与埃塞俄比亚和越南类似。在中国，土地财政已成为激励投资和为城市基础设施创造市政收入的重要政策工具，导致了广泛的土地征用、土地囤积和以土地为基础的城市化。因此，中国的城市扩张在很大程度上是由强势政府的土地使用决策驱动的，而非纯粹的市场动态。中国的土地财政经验为转型经济体的价值获取机制和城市扩张模式提供了宝贵的启示，为全球学术界做出了贡献。(2) 我们采用了最近新出现的地理加权随机森林模型，该模型集成了机器学习和空间回归方法，以处理非线性和异质性问题。传统的机器学习或空间回归模型在同时探索非线性效应和空间非平稳性方面往往能力有限。通过利用地理加权随机森林模型和SHAP方法，我们有效地捕捉到了土地财政对城市扩张的时变和空间变量影响。可解释空间机器学习模型的应用证明了其稳健性和高可靠性，与计量经济学分析方法相比，提供了一种新的定量研究方法选择。(3) 与以往的研究不同，我们将研究重点放在县级上，县级是一个比地级更精细的尺度，这为我们提供了一个深入的关联调查。县级的选择增加了高要求机器学习训练的样本量，提高了模型的可靠性。此外，县级有助于更深入地了解空间非平稳性。与县级结果相比，我们的研究结果显示了更明显的空间聚类效应。这种更细的尺度还突出了土地财政战略对核心县和边缘县之间城市扩张的不同影响，而这一点在县级研究中往往被忽视。
我们承认这项工作存在局限性。(1) 我们的分析基于横截面数据。将空间机器学习模型或数据挖掘方法应用于面板数据，对今后的研究大有裨益。(2）由于R软件中的地理加权随机森林模型与其他机器学习方法不同，不提供分析交互效应的模块，因此我们没有研究多个解释变量与土地财政的交互效应。这一限制源于地理加权随机森林与SHAP模型的复杂性，它依赖于许多树模型的集合，需要大量的计算资源和时间。我们预计将使用GBDT和XGBoost 等其他机器学习方法探索土地财政和其他变量对城市扩张结果的交互和协同效应。(3）由于数据的可获得性，我们主要使用土地出让金总额和部门土地出让金作为土地融资的替代变量。未来的研究可以加入更多变量，如土地融资场所和债务，以更好地描述土地融资现象。(4) 我们对2022年以来土地融资的最新发展关注有限，在市场低迷和政府干预期间，土地融资经历了快速转型。(5) 中国土地市场网提供的2007年之前的土地交易数据可能不完整。不过，鉴于这一时期的土地出让金规模相对较小，尽管可能存在偏差，但2004年至2009年的汇总数据仍可用于分析。(6) 为简化分析，我们将土地出让金汇总到县一级。然而，部分土地出让金可能分配给了县级市政府。由于数据的不可得性，本研究没有考虑地级市政府收取的部分。
声明：本推送内容仅代表个人对文章的理解，烦请有兴趣的同学阅读原文。
原文请见：Zhang, Y., Liu, Y., Li, Y., Chu, J., & Yang, Q. (2025). Nonlinear and spatial non-stationary effects of land finance on urban expansion at the county level in China: Insights from explainable spatial machine learning. Cities, 160, 105850.
