长江中游城市群城市土地利用效率的动态演进及空间收敛

陈丹玲　卢新海　匡兵

摘要：探寻碳排放和工业污染物排放双重视域下城市土地利用效率（ULUE）的区域差异及协同提升路径是实现区域可持续发展的根本要求和必然选择。本文以长江中游城市群2003—2015年数据为研究样本，在考虑城市土地利用碳排放和工业污染物排放对ULUE的双重影响下，构建“规模+结构+效益”的ULUE测度指标体系，并运用随机森林算法、核密度估计及空间收敛模型从时间和空间两个维度对ULUE时序差异的动态演进及空间差异的收敛性进行研究。结果显示：在考虑碳排放和工业污染物排放后，长江中游城市群及其各子城市群ULUE的增长相对缓慢，说明在土地利用過程中ULUE存在双重生态损耗，但ULUE总体上仍不断上升，且基本呈现“南高北低”、“西高东低”的空间非均衡格局。从时间维度上来看，根据核密度估计结果，长江中游城市群及其各子城市群内的ULUE都出现过不同程度的极化现象，但整体上ULUE的地区差距逐渐缩小。其中，长江中游城市群总体、武汉城市群、环鄱阳湖城市群的ULUE经历了一个先扩大、后缩小的起伏波动过程，地区差异先增加后降低，而环长株潭城市群、江淮城市群ULUE的区域差异呈现先扩大、后趋于稳定的状态。从空间维度上来看，在考虑空间效应的情况下，长江中游城市群内既存在武汉城市群和环长株潭城市群ULUE的绝对β收敛，也存在包括长江中游城市群总体及其子城市群在内的全域范围内ULUE的条件β收敛。为实现环境与ULUE的协调耦合，增强区域绿色化发展能力，提出优化要素空间交流环境、加快实施创新驱动战略、严格执行污染排放限制标准等建议。

关键词 ：城市土地利用效率；动态演进；空间收敛；碳排放；工业污染物；双重约束

中图分类号 F293.2 文献标识码 A 文章编号 1002-2104（2018）12-0106-09 DOI：10.12062/cpre.20180524

城市土地利用效率（Urban Land Use Efficiency，ULUE）是城市系统与土地利用系统间耦合水平的直接体现，也是衡量土地产出能力及区域发展质量的关键指标[1]。工业现代化以来，城市土地利用程度不断提高，但以高能耗、高碳排、高污染为主要特征的传统土地利用模式越发难以为继，土地利用粗放、生态状况恶化的空间格局初现端倪[2]。在资源和环境约束日益趋紧的现实背景下，碳排放和工业污染物排放造成的土地利用生态效率损失已不容忽视，实行土地低碳利用和绿色利用势在必行。然而，伴随新型城镇化的加速推进，经济增长对工业和能源的过度依赖仍使得土地利用过程中的碳排放和工业污染物排放总量急剧增加[3]，暴露出的地区差距、资源浪费、环境污染等问题仍未得以根本解决。充分考虑土地利用中的资源与环境代价，科学测度碳排放和工业污染物双重约束下ULUE水平并深入揭示其地区差异，对于破除资源环境约束难题，探寻ULUE协同提升路径，增强区域可持续发展能力具有重要理论价值和现实意义。

目前学者们主要围绕ULUE指标体系构建[4]、测算方法[5]、区域差异及其收敛[6]等方面展开思考与探究。在指标选取方面，较具代表性的主要分为以下两类：第一类是经济学层面下以土地经济密度[6]、土地开发强度[7]为主的ULUE单一测度指标，第二类是复合系统视角下ULUE综合测度框架，以只包含期望产出变量的“经济+社会+生态”[8]、“规模+结构+集聚”[9]、“投入+期望产出”[10]等测度体系居多。事实上，城市土地在利用并体现其生产、生活及生态功能的同时，也成为了一个重要的碳源和污染物排放源[2-3]。杨清可[5]、岳立[11]将工业“三废”排放纳入ULUE测算的“投入+期望产出+非期望产出”模型中，黎孔清[12]将能源碳排放量纳入土地低碳利用效率评价体系。在认识这一客观事实的基础上，部分学者还从环境友好[3]、可持续发展[13]等角度对土地利用方式和评价体系进行了研究。在测度方法上，人工神经网络模型是目前ULUE测度时较为先进的方法之一，基于ULUE测算结果，学者们多运用“GIS可视化分析+传统收敛模型”[6]的研究框架对不同尺度下ULUE的区域差异及其收敛情况进行定量刻画。但应该看到，在土地利用系统自发过程与人类活动（主要是工业生产）扰动的共同主导下，城市土地会同时以“碳排放”和“污染物排放”的方式做出响应[2-3]，而现有测度体系对环境负响应的考察主要集中于污染类指标或碳排放因素对ULUE的单一约束，缺少对碳排放和工业污染物排放双重约束下ULUE区域差异时空演进特征的探索。研究方法上，基于人工神经网络的ULUE测度模型，其网络结构过于复杂，运算参数难以准确设定，易出现过拟合从而导致测算结果有偏[14]，此外，传统收敛模型将各研究区域当作完全独立的、不存在相互联系的截面个体，没有考虑到地理空间效应在ULUE区域差异收敛变化过程中的作用。基于此，本文以长江中游城市群2003—2015年数据为研究样本，首先将城市土地利用过程中产生的碳排放和工业污染物排放同时作为非期望产出，设计双重约束下“规模+空间+效益”的ULUE测度框架，并引入随机森林算法对ULUE指数进行测度；其次，在考虑空间效应的前提下，综合运用核密度估计和空间收敛模型深入探讨ULUE时序差异的动态演进和空间差异的敛散特征；最后，基于前文的研究结果，得出结论与启示。

1 理论假说：ULUE空间收敛

从经济理论上，短期内随着城市规模不断扩张，ULUE高值区具有更强的经济基础、技术水平和学习能力，能够创造并吸收更多有利于ULUE增长的发展资源从而进一步扩大各区域因初始效率水平和要素结构不同而产生的ULUE空间差异，导致ULUE“发散增长” [3，15-16]，但微观、中观和宏观层面的收敛机制会使得ULUE出现区域差异收敛。

微观收敛机制包括要素收敛机制和技术收敛机制。特定地理空间内资本、劳动力等生产要素的过度集聚会产生“拥挤效应”并对生态环境产生下行压力，导致土地利用的绿色产出效率下降，从而推动部分要素向比较利益更优的相邻区域转移，减小ULUE的区域差异[10，16]。此后，随着区域经济增长依赖性的增强，技术溢出对土地利用的碳排放和污染物排放具有更强的控制作用，毗邻空间单元间的ULUE趋于共同提升[17]。

中观收敛机制为结构收敛机制。在经济发展对技术进步依赖性不断增强的现实背景下，各产业主体（主要发生在第二产业之间，第三产业之间）在规模、结构和空间布局上进行广泛联动，并结合为一个“整体”。这一过程中，高碳产业低碳化、低碳产业低污染化，加之产业结构升级、产业集聚、技术扩散等与区域经济增长收敛性的相互作用， ULUE趋于空间趋同[18]。

宏观收敛机制为政府行为收敛机制。一方面，国家倾斜性的低碳减排政策和技术扶持政策会进一步鼓励知识、技术、创新要素向相对滞后的区域集聚，从而强化落后区域土地的绿色发展能力，缩小区域差距[10，15]。另一方面，区域间政府行政权的协调与融合，使得市场机制得以有效发挥，在提高能耗与工业排污准入门槛的同时，实现ULUE收敛[2，9]。

从长期来看，伴随经济发展、先进技术的应用、产业结构升级和政府倾斜性政策的实施，土地利用的碳排放与工业污染物排放对ULUE的双重约束减弱，ULUE区域差异先扩大后缩小，理论上存在较高水平下的空间收敛现象。

2 研究区概况

长江中游城市群是以武汉城市群、环长株潭城市群、环鄱阳湖城市群和江淮城市群为主体形成的特大城市群，是我国重化工产业布局集中区，也是长江经济带生态文明建设和流域生态安全格局维护的核心区域。凭借雄厚的工业基础和巨大的城镇化发展潜力，2015年长江中游城市群的国民经济生产总值超过7.4万亿元，仅次于长三角地区、京津冀地区和珠三角地区。然而，随着社会经济的快速发展，资源环境的胁迫效应对该区域城市土地利用的约束日益凸显，高投入、高消耗、偏重数量扩张的工业发展土地利用模式越发难以为继[19]。同时，长江中游城市群区域间生态环境、资源禀赋和产业结构等存在的显著差异，也为土地利用效益的协同提升带来了严峻挑战。在这一现实背景下，实现生态环境与土地利用的协调融合并增强区域发展的统筹度已成为本区域经济可持续增长的必然选择。

3 方法设计

3.1 ULUE的随机森林算法

随机森林 （Random Forest，RF）算法是利用高斯维普法求解有约束非线性规划问题，进而进行运算和属性评价的集成结构算法。相比于人工神经网络， 随机森林算法在多变量非线性关系及权重客观性、动态性的处理上具有更为优越的性能，运行所需参数少，可以防止由于训练样本存在噪声和数据缺失引起的精度降低，是ULUE测度的理想工具[14]。本文尝试采用随机森林算法对ULUE进行测算，Matlab2015 a的操作过程如图1所示。

3.2 核密度估计

核密度估计（Kernel Density Estimation，KDE）是经济学中的一种数据分布探测模型，已经成为量化要素差异的成熟研究方法[20]。与传统的区域差异测度方法相比，核密度估计具有函数预设的客观性和要素状态捕捉的准确性等优势，可以很直观地揭示出差异的演变趋势，其基本原理可参照文献[20]。本文借助Eviews7.2软件，以长江中游城市群及各子城市群内部空间单元的ULUE值为基础，选择应用最广泛的Gauss核函数并通过考察曲线的位置、形状及延展性等来揭示ULUE时序差异的演进。

3.3 动态空间收敛模型

在Eviews7.2软件和Matlab2015 a空间计量工具箱的支持下，本文构建纳入空间权重矩阵并适用于截面数据的空间β收敛模型[21]，主要包括β收敛的空间误差模型（SEM）和空间滞后模型（SLM），公式分别如下：

变化速率的自然对数值，lnyi，t为区域i在t年ULUE的自然对数值；εi，t为随机误差。若β大于0，则ULUE间存在β收敛，否则发散。

3.4 数据来源

基础数据主要来源于相应研究年份的《中国城市统计年鉴》《中国城市建设统计年鉴》及各省、各地市统计年鉴，个别缺失数据通过相邻年份数据线性插值补齐。城市土地利用碳排放计算中，能源折标准煤系数来源于《综合能耗计算通则》（GB/T2589-2008）[22]，能源碳排放系数采用IPCC（2006）系数[23]，纯碱、合成氨、水泥、生铁、粗钢、钢材和水泥等工业生产过程的碳排放系数依据《全球气候变化和温室气体排放清单编制方法》[24]确定。

4 实证分析

4.1 双重约束下ULUE测度体系

ULUE的本质是要素规模变化及空間集聚后所产生的各种内在、外在表现和综合效益的总和[9]，而现有的测度体系，实际上都是基于城市土地利用的外在表现将其综合效率分解为经济、社会及生态等方面进行测算[8]，它们对ULUE内在属性和功能的反映并不全面，且外在表现上忽略了城市土地利用过程中碳排放和工业污染物排放的双重影响。因此本文从ULUE的内在属性和外在表现出发，同时将城市土地利用碳排放和工业污染物排放纳入测度框架中，构建“规模+空间+效益”的ULUE测度体系，具体指标选取详见表1。

规模维度上，生产要素投入规模是城市土地实现其资

本属性及资源吸纳功能的重要体现[9-10]。一方面，建成区面积变化为城市内部各功能性用地的数量配置和结构调整提供了空间与潜力，是城市土地利用的基础支撑，参考张雅杰[8]等人的研究，选择建成区面积衡量土地投入规模。另一方面，非土地要素投入规模指标选取与单位土地产出相关性较强的地均二、三产业从业人员及地均固定资产投资分别表征人力投入规模和资本投入规模。

空间维度上，要素的空间流动与转移是城市土地实现其资源属性和空间承载功能的直接反映[9]。要素流动方向、范围和规模的不同往往导致区域经济形态和土地利用模式的差异，其中信息、交通和技术是区域流动性和影响性最大的要素“流”，这类依据社会经济发展要求而相互联系所形成的空间要素“流”是提高ULUE的重要驱动。通过对相关研究[8，10]的整理和归纳，分别选取人均邮电业务量、路网密度、地均科技支出作为衡量指标。

效益维度上，主要包括正效益和负效益两方面的内容。参照李苗苗[4]等人的研究，从经济增长、社会发展及环境友好三方面选取ULUE正效益指标。负效益重点考虑城市土地利用过程中碳排放和工业污染物排放的双重影响。参照IPCC[23]核算框架，城市土地利用碳排放主要来源于能源消费和工业生产。其中能源消费碳排放量核算公式为CEenergy=∑（CO2）i=∑Ei·CEFi，i为能源类别，包括原煤、焦炭、汽油、煤油、柴油、燃料油、液化石油气、天然气、洗精煤、其他洗煤和焦炉煤气，Ei表示能源i的终端消费量，按标准煤计，单位万t，CEFi为能源i的碳排放系数；工业过程碳排放量核算公式为CEindustry=∑（CO2）j=∑Pj·IEFj， j为主要工业产品类别，包括纯碱、合成氨、水泥、生铁、粗钢和钢材，Pj为各工业产品产量，单位万t，IEFj为生产每万t工业产品的碳排放量。同时，依据《中国环境统计公报》中划定的主要排放物，参照董小林[25]提出的测算方法，从工业废水排放量、工业SO2排放量、工业烟尘排放量和固体废弃物产生量四类污染指标测度工业污染物排放强度。

4.2 ULUE测度

基于上述指标体系，借助Matlab2015 a软件得到2003—2015年长江中游城市群38个地市的ULUE指数（RF1）。同时为验证碳排放和工业污染物排放对ULUE的实际影响，也采用RF算法对不含环境负效益变量的ULUE进行测度（RF2）。表 2 反映的是主要年份ULUE的两次测度结果。从中可以看出，考虑碳排放和工业污染物排放双重影响的情况下，大部分地市ULUE值明显低于RF2的ULUE测算结果，而且，RF1和 RF2中ULUE最高值与最低值的绝对差距均在3倍以上，整体表现出“南高北低”、“西高东低”的空间分异特征。总体来看，考察期间长江中游城市群ULUE从2003年的0.440 3增加到2015年的0.654 7，年均增长1.79%。低于RF2中ULUE年均增速2.06%，在考虑双重约束后ULUE增速放缓说明在土地利用过程中存在双重生态损耗。

分区域来看，同时加入碳排放和工业污染物排放指标后，相比于RF2的测算结果，武汉城市群、环长株潭城市群、环鄱阳湖城市群及江淮城市群ULUE的增速在考察期内也呈现不同幅度的下降态势，分别下降了0.93%、0.45%、0.08%、0.65%。为反映ULUE的真实水平，下文分析均围绕RF1的测算结果展开。

4.3 时序差异的动态演进

以2003、2007、2011、2015为考察时点，从整体和局部两个层面揭示ULUE区域差异的时序演变特征（见图2）。①不同城市群ULUE的区域差异及所表现出的发散特征是初始环境禀赋、效率差异和要素结构差异综合作用的结果，而随着长江中游城市群内合作协调机制完善，这种差异将趋于收敛。考察期内，长江中游城市群总体、武汉城市群、环鄱阳湖城市群ULUE分布曲线的主峰宽度先增大后缩小，表明ULUE的绝对差距先增加后降低。而环长株潭城市群、江淮城市群密度曲线的主峰峰值持续下降，主峰宽度逐年增加，其ULUE绝对差距处于先大幅扩大，后趋于稳定。②在城市群内各空间单元的合作交流日益密切的现实背景下，资本、技术、人力等要素流动受行政区划和资源禀赋的影响逐渐减弱，最终降低ULUE变化的波动性及分布状态的异质性。长江中游城市群总体及各子城市群密度曲线的向右拖尾现象并不显著，其分布延展性并未呈现拓宽趋势，表明上述城市群内各城市的ULUE均呈上升态势，且ULUE差异趋于减小。③各城市群的社会经济发展特征会主导城市土地利用系统对区域经济系统的响应过程及作用强度， 使不同城市群ULUE的极化程度及路径呈现差异性。考察期内，长江中游城市群总体ULUE的单极化分布持续存在但有所缓和。武汉城市群的分布曲线始终维持“一主一小”的双峰格局，ULUE呈现分散化的区域集聚特征。环长株潭城市群ULUE的分布特征则从两级分化逐步向单极化过渡。环鄱阳湖城市群ULUE的分布则由呈现出“多极化——单极化——多极化”的演变趋势，但多极分化现象较为微弱。而江淮城市群ULUE的地区差距则由单极分化进一步演变为两极分化。

4.4 空间差异的计量分析

4.4.1 空间自相关检验

检验双重约束下ULUE分布模式是正确设定空间收敛模型的前提，为了判断ULUE指数分布是否具有统计上显著的集聚或分散现象，本文借助GeoDa软件计算出ULUE全局Morans I指数。从表3中可以看出，考察期间长江中游城市群ULUE全局Morans I指数呈波动上升趋势，从2003年的0.111 6增加至2015年的0.264 4，且具有显著的统计意义。说明ULUE间存在逐渐增强的空间相互作用。这种空间相关性对ULUE趋于收敛的作用机理是什么？

4.4.2 空间收敛性结果及分析

根据收敛模型的基本原理，运用LM与RLM检验法对空间误差模型和空间滞后模型进行选择。从表4中可以看出：在绝对收敛中，LM（lag）、LM（error）、 Robust LM（lag）通过5%的显著水平检验，且LM（lag）的I统计量大于LM（error），因此在进行ULUE绝对收敛分析时采用空间滞后模型更优。同理，在条件收敛分析时采用空间滞后模型也更为合适，同时根据F和Hausman统计量的检验结果，本研究的绝对、条件β收敛分析均应建立以个体固定效应模型为基础。模型估计结果如表5、表6。

①由绝对收敛的估计结果（见表5）可知，武汉城市群、环长株潭城市群的β系数均小于0且显著，表明ULUE在这两个区域存在绝对收敛，即区域ULUE增长率不仅受初始ULUE水平影响，还与其他相邻地区ULUE增长率的随机误差冲击的空间溢出相关。而长江中游城市群总体的β系数虽小于0但不显著，可能存在假性收敛。同时，从θ值来看，ULUE在长江中游城市群总体武汉城市群、环长株潭城市群達到1/2收敛程度的时间分别为36.5 a、 14.9 a、21.4 a。而环鄱阳湖城市群、江淮城市群ULUE的区域差异不存在绝对收敛，那么绝对收敛趋势不显著是否意味着ULUE发散？接下来综合本文的理论假设及有关ULUE影响因素的研究，引入——经济发展水平G（人均GDP）、资本流动CF（进口总额与出口总额的比值）、技术投入TI（科学技术服务人员）、产业结构IS（第二产业产值占GDP比重）、政府财政支持FP（地区一般预算支出）、能源消耗结构ES（总能源消耗中煤炭所占比重）六个变量，探讨ULUE的条件收敛趋势。

②由条件收敛的估计结果（见表6）可知，从整体来看，长江中游城市群总体的ULUE每增加1%，ULUE就会在经济、产业结构、能源结构以及空间误差效应的共同影响下以1.18%的速度条件收敛，空间因素对ULUE增长的影响通过相邻区域间的空间滞后表现出来。分区域来看，虽然各子城市群存在显著的条件β收敛，但达到1/2收敛程度的周期存在明显差异，分别为58.6 a、54.6 a、49.0 a、33.9 a、29.8 a。从各指标变量来看，经济发展水平的提高有利于减小ULUE的区域差异。技术投入在各地区均未通过显著性检验，说明技术水平在区域间的空间溢出作用尚未展现。就资本流动和产业结构而言，仅长江中游城市群总体、武汉城市群、环长株潭城市群的系数通过了5%的显著性检验，表明在全局尺度上，资本流动性的增加和产业结构的优化对ULUE提高具有正向的促进作用，进而加快区域间的收敛过程。其余地区资本流动、产业结构与ULUE间的作用关系并不显著。此外，财政支持和能源消费结构的调整对ULUE差异性的减小起到一定作用，然而在较长一段时期内，长江中游城市群的能源需求总量仍然保持较高的水平，ULUE提高与减排之间的矛盾仍旧是未来区域可持续发展的巨大阻力。

5 结论与启示

与已有的研究相比，本文的研究创新在于：充分考虑到城市土地利用过程中碳排放和工业污染物排放的双重约束和空间溢出效应对ULUE的影响，综合利用随机森林算法、核密度估计及空间收敛模型对长江中游城市群ULUE的区域差异的时空敛散性进行研究，其研究视角的切入、研究方法的组合运用均是对当前ULUE研究体系的一个有效补充。研究结论表明：考察期间长江中游城市群及其各子城市群ULUE存在碳排放和工业污染物排放的双重生态损耗，ULUE水平虽不断提高但存在显著的空间非均衡。同时随着时间的推移，ULUE的区域分异现象逐步弱化，而纳入空间效应和模型控制变量后，长江中游城市群及其各子城市群的ULUE均存在显著的条件β收敛，收敛时间明显缩短。

基于上述结论，未来长江中游城市群ULUE的提升可以重点考虑以下几个方面：第一，利用空间溢出效应推动ULUE的共同提高。立足于长江中游城市群“极核+走廊”的点轴式空间结构，优化ULUE的空间联动环境，畅通生产要素在各区域间的流动渠道，发挥ULUE高阶区对邻近区域的正向溢出作用，同时沿江带动辐射两侧城市发展，实现ULUE的协同共进。第二，发挥经济发展和技术进步对ULUE收敛的正向驱动，经济较发达地区在深入转变经济增长方式的基础上加快实施创新驱动战略，打造武汉、长沙、南昌、合肥为核心的科技创新中心，通过科技成果就地转化进一步减少土地利用的资源环境成本。经济欠发达地区则应加大政府财政扶持力度、加快转变土地利用方式，在稳步提高ULUE的同时实现区域跨越式发展。

第三，促进产业结构升级以提高ULUE的收敛速度。武汉城市群、环长株潭城市群在继续扩大ULUE高增长优势下，要结合未来产业发展趋势， 以创新驱动代替要素驱动进一步发展高级制造业，强化其工业污染环境防治和治理投资力度，同时出台更为严格的资源环境政策来巩固现有减排成果。环鄱阳湖城市群、江淮城市群则需重点整合传统重工业， 关停高污染、高耗能产业的同时对传统行业进行绿色化改造以降低土地利用的资源环境约束。除此之外，提高区域环境规制水平，同时为土地绿色利用产业提供优惠和奖励政策予以支持，也是促进ULUE提升的有效路径。

（編辑：于 杰）

参考文献

[1]WU C， WEI Y D， HUANG X， et al. Economic transition， spatial development and urban land utilization efficiency in the Yangtze River Delta， China[J]. Habitat international， 2017， 63（5）：67-78.

[2]张友国.经济发展方式变化对中国碳排放强度的影响[J].经济研究，2010， 45（4）：120-133.

[3]LIANG Q M， DENG H M， LIU M. Cocontrol of CO2， emissions and local pollutants in China： the perspective of adjusting final use behaviors[J]. Journal of cleaner production， 2016， 131：198-208.

[4]李长健， 苗苗. 长江中游城市群土地利用效率测算：现实机理与时空分异[J]. 中国人口·资源与环境， 2017， 27（12）：157-164.

[5]杨清可， 段学军， 叶磊， 等. 基于SBMUndesirable模型的城市土地利用效率评价——以长三角地区16城市为例[J]. 资源科学， 2014， 36（4）：712-721.

[6]赵可， 徐唐奇， 李平， 等. 不同规模城市土地利用效率的差异及收敛性研究[J]. 干旱区资源与环境， 2015， 29（12）：1-6.

[7]赵亚莉， 刘友兆. 城市土地开发强度差异及影响因素研究——基于222个地级及以上城市面板数据[J]. 资源科学， 2013， 35（2）： 380-387.

[8]张雅杰， 金海. 长江中游地区城市建设用地利用效率及驱动机理研究[J]. 资源科学， 2015， 37（7）： 1384-1393.

[9]卢新海， 陈丹玲， 匡兵. 区域一体化背景下城市土地利用效率指标体系设计及区域差异——以长江中游城市群为例[J]. 中国人口·资源与环境， 2018， 28（7）：102-110.

[10]CHEN Y， CHEN Z， XU G， et al. Builtup land efficiency in urban China： insights from the general land use plan （2006-2020）[J]. Habitat international， 2016， 51（2）：31-38.

[11]岳立， 李文波. 環境约束下的中国典型城市土地利用效率——基于DDFGlobal MalmquistLuenberger指数方法的分析[J]. 资源科学， 2017， 39（4）：597-607.

[12]黎孔清， 陈银蓉， 陈家荣. 基于ANP的城市土地低碳集约利用评价模型研究——以南京市为例[J]. 经济地理， 2013， 33（2）：156-161.

[13]ZHANG X， WU Y， SHEN L. An evaluation framework for the sustainability of urban land use： a study of capital cities and municipalities in China[J]. Habitat international， 2011， 35（1）：141-149.

[14]刘家福， 李林峰， 任春颖， 等.基于特征优选的随机森林模型的黄河口滨海湿地信息提取研究[J].湿地科学，2018，16（2）：97-105.

[15]KRUGMAN P. Increasing returns and economic geography[J]. Journal of political economy， 1991， 99（3）：483-499.

[16]FELDMAN M P， AUDRETSCH D B. Innovation in cities： implications for innovation[J]. European economic review， 1999， 43（2）：409-429.

[17]QUAH D. Spatial agglomeration dynamics[J]. American economic review， 2002， 92（2）：247-252.

[18]梁流涛， 翟彬， 樊鹏飞. 经济聚集与产业结构对城市土地利用效率的影响[J]. 地域研究与开发， 2017， 36（3）：113-117.

[19]李小玉， 邱信丰. 长江中游城市群工业绿色发展协作机制研究[J]. 经济纵横， 2017（10）：67-74.

[20]BURKHAUSER R V， ROVBA L. Income inequality in the 1990s： comparing the United States， Great Britain， and Germany[J]. The Japanese journal of social security policy， 2005， 4（1）： 1-16.

[21]林光平， 龙志和， 吴梅. 我国地区经济收敛的空间计量实证分析：1978—2002年[J].经济学：季刊， 2005， 4（S1）：71-86.

[22]中华人民共和国国家质量监督检验检疫总局， 中国国家标准化管理委员会. GB/T2589-2008： 综合能耗计算通则[S]. 北京：中国标准出版社， 2008.

[23]IPCC. 2006 Intergovernmental Panel on Climate Change guidelines for national greenhouse gas inventories[M]. Cambridge： Cambridge University Press， 2006.

[24]林而达， 李玉娥.全球气候变化和温室气体排放清单编制方法[M]. 北京：气象出版社， 1998.

[25]董小林， 王欢， 刘丰旋， 等. 基于熵权法的污染物排放强度区域分异性评价——以陕西省主要工业污染物为例[J]. 生态经济， 2017， 33（10）：190-194.

Abstract Exploring the regional differences and coordinated promotion path of urban land use efficiency （ULUE） under dual perspectives of carbon emission and industrial pollutant discharge is the fundamental requirement and inevitable choice for regional sustainable development. Based on data of urban agglomeration in the middle reaches of the Yangtze River from 2003 to 2015， this paper constructed the indicator system of ‘scale + structure + benefit of ULUE under considering the dual constraints of carbon emission and industrial pollutant discharge from urban land use， and then Random Forest Algorithm， Kernel Density Estimation and Spatial Convergence Model were applied to reveal the dynamic evolution of temporal differences and the convergence of spatial differences of ULUE. The results showed that： ①Slower growth of ULUE in the middle reaches of the Yangtze River appeared after taking carbon emissions and industrial pollutant discharge into account. The ULUE of urban agglomeration in the middle reaches of the Yangtze River were fluctuating upward with clear spatial imbalanced characteristics， which basically presented the geographical pattern of the southern region > the northern region， the western region > the eastern region. ②From the time dimension， according to the Kernel Density Estimation results， the ULUE in interior and exterior of urban agglomeration in the middle reaches of the Yangtze River had been polarized in varying degrees， but on the whole， the regional difference of ULUE had gradually decreased. In detail， the disparity of ULUE in the middle reaches of the Yangtze River， Wuhan urban agglomeration and Poyang Lake urban agglomeration manifested a distinctive tendency of ‘ExtendingReducing. The absolute difference of ULUE in Ring ChangshaZhuzhouXiangtan urban agglomeration and Jianghuai urban agglomeration were witnessing a process of increasing firstly and then unchanging. ③From the spatial dimension， absolute β convergence only existed in Wuhan and Ring ChangshaZhuzhouXiangtan urban agglomeration， but obvious conditional β convergence existed in interior and exterior of urban agglomeration in the middle reaches of the Yangtze River. ④In order to realize the coordinated coupling of the environment and the ULUE and enhance regional green development ability， some suggestions were put forward， such as optimizing the environment for spatial exchange of elements， speeding up the implementation of innovationdriven strategies， and strictly implementing the standards of pollution.

Key words urban land use efficiency （ULUE）； dynamic evolution； spatial convergence； dual constraints； carbon emission； industrial pollutant discharge