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

卢新海　陈丹玲　匡兵

摘要

探寻区域一体化背景下城市土地利用效率（ULUE）的基本内涵及整体分布格局是加快区域一体化进程的关键环节，也是新型城镇化路径创新的基础平台和重要参照。本文以长江中游城市群2003—2015年数据为研究样本，首先在理论层面揭示区域一体化与ULUE变化的互动机理，并据此构建了区域一体化背景下ULUE测度的“规模+结构+集聚”指标体系，在此基础上，综合运用小波神经网络模型和核密度估计对长江中游城市群ULUE的基本格局及区域差异演變特征进行探讨。结果表明：①区域一体化与ULUE彼此影响、相互促进，区域一体化改变区域要素的交流规模与频率，是ULUE变化的重要驱动力，而ULUE则是评判区域一体化程度及整体水平的关键指标之一，会对区域一体化进程产生反作用。②在明晰区域一体化对ULUE变化作用机理的基础上，从规模效率、结构效率和集聚效率三个维度选取规模效应、乘数效应、产业合理化、产业高级化、人口集聚和产业集聚6个指标构建了区域一体化背景下ULUE的测度指标体系。③长江中游城市群整体及其内部各子城市群的ULUE均呈波动上升态势，但表现出明显的空间差异，且根据核密度估计结果，考察期间长江中游城市群ULUE的地区差距总体上遵循“先扩大，后减小，再扩大”的变化路径，武汉城市群ULUE的多极分化特征明显，环鄱阳湖城市群ULUE的地区差距逐步减小但幅度较小，环长株潭城市群ULUE的区域差异则经历了先增大后减小的过程，江淮城市群ULUE始终呈两极分化趋势。④

为实现区域一体化与ULUE的协调发展，并形成相互支撑，内在互动的开放格局，提出针对性的对策和建议，包括制定因地制宜的土地利用政策、建立区域合作与交流机制、借鉴邻近ULUE高阶区的城市土地利用和管理经验等。

关键词区域一体化；城市土地利用效率；指标体系设计；区域差异；长江中游城市群

中图分类号F293.2文献标识码A文章编号1002-2104（2018）07-0102-09

DOI：10.12062/cpre.20180316

区域一体化是一定空间范围内的城市通过一系列政策安排与制度设计实现各类要素规模集聚和利用效益提升的过程，是区域城市化水平发展到更高层次的表现[1-2]。城市土地是区域一体化的基础物质载体[3]，区域一体化的速度与程度等会改变区域土地生产要素与资本、劳动力等生产要素的交流频率与路径，改变区域城市土地利用系统内部物质循环及与外部环境的能量传递，并最终影响到区域城市土地利用格局及利用效率[4-5]。在我国新型城市化加速推进的现实背景下，如何科学把握区域一体化背景下城市土地的配置状况及利用效率将成为当前乃至未来一段时间内城市经济学、城市地理学、土地管理学等领域的焦点话题。

目前理论界直接关于区域一体化与城市土地利用效率（Urban Land Use Efficiency，ULUE）关系的成果并不多见，但是围绕区域一体化的外在表现形式——不同职能定位和经济发展水平的城市通过地域集中及空间相互作用等所形成的城市群的ULUE进行了大量思考与探究，这些研究主要集中在特定城市群ULUE的指标体系建构[6]、测度方法选取[7]、时空差异探讨[8]及驱动机制分析[6]等。在城市群ULUE测度体系设计上，经历了单因素分析到多因素评判的发展过程，从以土地经济密度[9]、土地开发强度[10]等单一指标衡量逐渐到构建“经济+社会+环境”[11]、“投入+生产+生活+生态+可持续”[6]、“利用结构+效益”[12]、“投入+期望产出+非期望产出”[7]等综合体系进行度量，测度体系日益丰富与多元。在测度方法上，BP神经网络模型是目前城市群ULUE测度时较为先进的方法之一。同时，在ULUE的区域差异已经得到学界普遍认同的基础上，学者们大多利用泰尔指数[11]、变异系数[13]、探索性空间数据分析[11]等方法对单一城市群内部或多个城市群间ULUE的空间特征进行定量刻画，丰富了ULUE的应用领域与研究案例，在某种程度上也为区域一体化与城市土地利用的协调发展提供了支撑。但是应该看到，上述指标体系也适用于任何发展阶段、单个城市的ULUE测度，没有考虑到区域一体化的推进策略与传统的单一城市发展模式在要素配置格局及资源开发利用模式上存在的差异会对ULUE造成何种影响，也没有将区域一体化下的ULUE测度与传统城市化下的ULUE测度进行区分。同时在研究技术上，BP神经网络模型在结构设计及训练速度等方面存在明显缺陷[14]，而且，泰尔指数、变异系数等差异测算方法尽管能够反映出不同尺度ULUE的地区差异程度，但是无法揭示出这种差距的长期演变趋势[15]。我们的问题也由此产生，区域一体化是如何影响并作用于ULUE的？如何更加准确对区域一体化背景下的ULUE及其区域差异进行度量？为解决这些问题，本文将以长江中游城市群为研究样本，首先在理论层面揭示区域一体化与ULUE的互动关系，据此构建出全新的区域一体化背景下ULUE评价指标体系，并引入改进的BP神经网络——小波神经网络模型和核密度估计探讨长江中游城市群ULUE分布的动态演进规律，对探索区域一体化背景下城市土地可持续利用与区域均衡发展路径等具有重要的现实意义。

1理论分析：区域一体化与ULUE变化

1.1区域一体化与ULUE变化的相互关系

区域一体化的内涵极为丰富，包括社会、经济、市场等多个方面的内容[2]，但是区域一体化这一地域演进形态的本质和精髓是要素一体化[1，16]，无论是哪个方面的一体化，最终都会落脚到各种生产要素的投入规模及配置格局上。城市土地是区域一体化的“直接见证者”和“主要参与者”，在区域一体化推进过程中，区域要素的投入规模、配置结构、集聚水平以及由此带来的产业结构和状态的变化等都会改变影响到区域ULUE变化，而ULUE的变化及围绕城市土地高效利用形成的各种规划与政策又会反作用于区域一体化。

区域一体化与ULUE变化间复杂的作用关系实际上也是以要素一体化为桥梁和纽带而形成的，要素一体化是区域一体化的落脚点，而ULUE提高则是要素一体化的最终目标（见图1）。其中，区域一体化对ULUE变化的影响集中表现在由要素规模变化、产业结构调整和空间集聚后所产生的直接和间接效应上。

（1）规模约束力。主要包括土地要素投入规模和非土地要素投入规模两个方面的内容。首先，为进一步满足区域一体化进程中规模化、专业化及合作化生产需求，实现产品的综合性功能和多样化供给，要求城市土地不断扩展和延伸以提升城市承載能力和市场潜力进而提高土地利用的规模效应[3，5]。其次，由于土地稀缺性和自然供给的非弹性，区域一体化与城市土地上承载产业的高度融合进一步吸引资金、人力、技术等非土地要素向那些具有比较优势的城市空间集中[1，4]，这一过程中资本投入规模增大产生的乘数效应通过技术扩散、人力补偿和信息共享等多种传导路径刺激土地向投资回报率高的生产领域参与分配与重组[2，5，17]。

（2）结构拉动力。主要包括土地结构和产业结构两个方面的内容。区域一体化强化了区域间的空间联系，核心与边缘的极化边际效应[18]与其扩散边际效应[1]趋于相互制衡促使区位竞争加剧。为获得最优外部性，产业结构逐步升级，土地利用进入结构性调整时期。一方面，区域的一体化、服务化、信息化发展态势促使高服务化产业在市场选择下“脱颖而出”，产业结构的“经济服务化”有利于土地利用结构的优化和土地高效利用[4-5，19]。另一方面，贸易成本的下降拓宽了资本、劳动等要素的空间流动范围，这一过程中弱竞争力产业被置换，产业结构合理化趋向愈发明显[1-2，20]，最终影响土地的集约利用状况。

（3）集聚驱动力。主要包括人口集聚和产业集聚两个方面的内容。一方面，人口集聚会扩大市场规模的深度和广度，在“增长极”的带动下，人口消费增加直接推动各生产、生活服务行业经济效益的提高[17，20]。此外，人口集聚到一定程度还会对城市基础设施建设产生激励作用，进而通过公共服务效应、配套设施效应等[6]影响土地利用的社会效益。另一方面，在区域一体化规模经济和范围经济的驱动下，替代性或互补性产业趋向集聚于某一地理空间，形成相互关联、相互促进的产业共同体，当产业集聚形成一定规模时，便开始对相邻地域产生扩散辐射效应[1-2]，加之产业自身技术知识的空间溢出效应[21]，两种效应的交叉融合以及相互叠加都会在一定程度上影响区域土地利用的投入——产出效率。

ULUE的变化也会对区域一体化起到反作用。首先，ULUE是区域一体化的内生动力。对于ULUE水平较高的地区来说，城市土地的产出能力能够对经济、社会、生态建设产生较强的反向推动从而加速区域一体化进程[5]，且由于区域资源的非均衡性，土地利用过程中会产生规模巨大的人流、物流及信息流，增强了区际联系，促进区域互动发展[4，22]。其次，ULUE是区域一体化的外在推力。一方面，以用地结构升级为核心而形成的经济集聚、基础设施集聚、产业链的横向扩展和纵向延伸，推动区域空间范围的延伸，有利于区域一体化进程中社会经济发展与土地功能的有机结合[15]。另一方面，围绕城市土地高效管理和开发利用而形成的各种制度与规划是有序推进区域一体化

的重要政策工具[2]。

1.2区域一体化背景下ULUE的指标体系设计

基于上文的理论分析，主要从规模效率、结构效率和集聚效率三个维度构建了区域一体化背景下ULUE的测度指标体系（见表1）。

在规模效率上，根据上文区域一体化对ULUE变化的规模约束力分析，主要考虑城市土地面积扩张所产生的规模效应和资本投资增加所产生的乘数效应。一方面，城市土地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，是发挥规模效应的基础支撑，参照郭宏施等[12]的研究成果，选取建成区面积作为衡量规模效应的指标。另一方面，从宏观经济学的角度来看，在资本、劳动、技术等要素中，引起乘数效应最关键的是资本要素[17]，区域一体化背景下的乘数效应实质上衡量土地生产活动中资本要素关联度强弱所引起ULUE变化的连锁反应程度，因此，在具体指标选取时，主要参考城市关联度[4]的测算方法，计算地均固定资产投资关联度作为乘数效应衡量指标。

在结构效率上，根据上文区域一体化对ULUE变化的结构拉动力分析，主要包括土地利用结构和产业结构两个切入点。两个指标的变化都会在一定程度上改变ULUE，然而，有学者指出[15]，产业结构变化不仅体现了其所承载产业的变化情况，同时也能反映出土地利用系统内部不同用地类型之间的“博弈”结果，本文主要从产业结构层面进行指标甄选。在进行具体指标选取时，考虑到区域一体化的市场选择效应[19]与土地价值规律[6]等会导致产业结构不断优化和升级，并逐渐趋于高水平下的稳定，主要利用产业合理化指数和产业高级化指数[22]来衡量结构效率。

在集聚效率上，根据上文区域一体化对ULUE变化的集聚驱动力分析，主要从人口集聚和产业集聚两个层面选取指标。在人口集聚方面，参考许科研等[23]的研究，选取人口集中指数来衡量人口集聚效率，也可以在一定程度上反映出人口的空间转移结果。在产业集聚方面，目前已经形成了相对较为完善的测算方法体系，具体到本文，主要参照张云飞[21]在测算城市群内产业集聚时的方法，利用产业聚集度来衡量产业集聚效率。

各指标的具体处理过程及数据来源详见表1。

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，范围涵盖湖北、湖南、江西及安徽四省共38个城市，是“长

江经济带”发展战略下全方位深化改革开放和推进新型城镇化的关键区域。2015年，长江中游城市群

国民经济生产总值超过7.4万亿元，是全国仅次于长三角地区、京津冀地区和珠三角地区的第四大地域共同体，但由于其目前还处于初级发展阶段，城市化水平、基础设施完善程度等方面与这些区域相比仍然存在一定差距。同时，长江中游城市群以约2.98%的国土面积承载了全国8.44%的人口，在社会经济快速发展过程中也给资源的开发、利用造成了很大的压力，特别是在城市群的建设过程中，传统粗放式城市土地利用模式的弊端日益凸显[11]。如何积极响应国家号召，加快区域一体化建设步伐，同时提高资源利用效率，实现区域一体化与各类生产要素，特别是土地要

素的高效融合已成为本区域发展过程中的一个重要议题。

3研究方法

3.1小波神经网络模型

小波神经网络（Wavelet Neural Network，WNN）是一种以小波基函数为神经元激励函数的前馈网络模型[14]。相比于BP神经网络，小波神经网络在收敛速度、结构稳定性及精度等方面更具优势，目前在土地管理领域的多指标综合评价问题中已有涉及[24]。本文尝试利用Matlab2015a神经网络工具箱构建、训练ULUE测度的WNN模型（图

2）。根據文献[14]中的开源代码，首先将1.2节所选指标

作为样本输入，运用神经网络设定法则对各地市所有指标的标准化数据进行网络仿真训练；其次，设定隐层hi的网络参数和输出误差，模拟并量化评价指标与评价目标值ULUE间复杂的对应关系，通过不断调整与修正，确定各指标权重的最合理值vi；最后，由各隐层将输入指标、及权重信息传递到相应输出层，通过如下公式：ULUE=∑ni=1vihIk（i）-biai得出较为精确的ULUE指数。其中，Ik、ai、bi分别表示算法训练后的指标值、伸缩因子和平移因子。

3.2核密度估计

核密度估计（Kernel Density Estimation，KDE）是经济学中量化要素差异的成熟研究方法[25]

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，而且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[25-26]。本文主要借助Eviews8.0软件，以长江中游城市群及各子城市群内

部空间单元的ULUE测度值为基础，选用适用性最强的Gauss核函数分别绘制出2003、2007、2011和2015年ULUE的核密度二维图，通过考察曲线的位置、形状及延展性等来考察ULUE区域差异的演进特征[26]（见表2）。

4结果与分析

4.1ULUE的基本格局

根据3.1节的计算原理，借助Matlab2015a得到

2003—2015年长江中游城市群38个城市的ULUE指数，并以城市群内部各空间单元ULUE的平均值作为长江中游城市群及其各子城市群的ULUE指数（见表3）。

总体来看，长江中游城市群ULUE在考察期内呈波动上升态势，效率指数从2003年的0.561 4增加到2015年

的0.811 1，平均每年增长0.020 8。从各子城市群ULUE测度结果来看，四个子城市群的效率指数在研究期内也都表现出不同幅度的增长趋势，其中，江淮城市群的绝对增长量最大，由研究期初的0.292 7变化至期末的0.832 0，净增长0.539 3，其次是环鄱阳湖城市群和环长株潭城市群，分别由0.614 6、0.536 8增加至0.848 2和0.737 5，分别净增长0.233 6和0.200 7。而且从ULUE指数的年均增长率来看，由高到低依次为江淮城市群（9.10%）、环鄱阳湖城市群（2.72%）、环长株潭城市群（2.68%）和武汉城市群（0.26%）。同时，从表3可以清楚地看到，无论是长江中游城市群整体，还是其子城市群内部，ULUE指数都表现出明显的空间差异。2003年，武汉城市群的ULUE指数最高，其次是环鄱阳湖城市群和环长株潭城市群，江淮城市群的效率值最低，总体表现出“南高北低”的空间

格局；2015年，四个子城市群的效率值较为均衡，最高为环鄱阳湖城市群的0.848 2，最低为环长株潭城市群的0.737 5。

4.2ULUE空间差异的动态演进

4.2.1长江中游城市群整体层面

图3揭示了长江中游城市群ULUE差异的整体演变

特征。①从位置来看，2003—2015年，密度曲线整体表现出右移趋势，且平移距离先增大，后减小，反映长江中游城市群ULUE的逐步提升。左尾延长度在2003—2011年间逐年减小，2015年大幅度增加，说明考察期间ULUE的区域差距呈先增大后减小的趋势，但曲线的向右拖尾现象并不显著。②从峰度变化上，密度曲线出现了“宽峰——尖峰”的变化趋势，峰顶以左面积逐年缩小，以右面积逐年扩大，表明长江中游城市群ULUE增长较快，ULUE低值区正逐步减少。③从形状来看，长江中游城市群ULUE实现了单峰向双峰的转变，2015年密度曲线的双峰特征显著，意味着长江中游城市群ULUE存在两极分化现象，绝对差异持续扩大。

4.2.2单个城市群层面

图4揭示了各子城市群ULUE内部差异的演变特征。①从位置上来看，武汉城市群和环鄱阳湖城市群ULUE的密度曲线的位移距离先增大后减小，环长株潭城市群ULUE密度曲线的位移逐渐减小，江淮城市群ULUE曲线始终处于持续右移阶段，同时双尾延长度均不断减小，说明各子城市群ULUE均处于波动上升，但其变化趋势存在差异。②从峰度上来看，武汉城市群和江淮城市群密度曲线的主峰峰值总体上升，表明城市间ULUE差距趋于发散，环长株潭城市群和环鄱阳湖城市群密度曲线峰值下降则代表其ULUE绝对差距的收敛。③从形状来看，武汉城市群密度曲线呈现“双峰——单峰——多峰”变化，单峰状态极为陡峭，双峰和多峰状态相对平缓，表明其ULUE沿“两极分化——无分化——多极分化”轨迹变化。环长

株潭城市群密度曲线呈现“宽峰——窄峰——宽峰”趋势，说明其ULUE内部的梯度差异趋于收敛。环鄱阳湖城市群呈现“单峰——多峰——单峰”变化，波峰高度逐年下降，表明其ULUE呈现“无极化——两极分化——无极

化”特点，梯度差异趋于收敛。而江淮城市群密度曲线始

终表现出双峰形态，ULUE两极分化现象始终存在。

事实上，长江中游城市群及其各子城市群间ULUE的空间差异及所表现出的特征是区域自然、社会经济和管理政策等多种因素共同作用的结果。其中，自然因素是基础，区域一体化进程中，区域自然资源禀赋和地理区位条件直接将影响城市土地供给和产业发展潜力。经济发展水平是重要驱动，不同经济发展阶段下，城市土地利用系统对区域经济系统的响应程度及作用路径不同，对ULUE分布格局及动态演进趋势的冲击力度也不同。刚性的行政区划是政策枷锁，区域一体化合作协调机制的缺失限制了要素的统筹规划和流动效率，加剧ULUE极化现象。

5结论与启示

（1）区域一体化与ULUE变化之间存在彼此影响、相互促进的耦合关系，二者以要素一体化为纽带统一于一个复杂的系统中。基于这一理论架构，本文从规模效率、结构效率和集聚效率三个维度分别选取规模效应、乘数效应、产业合理化、产业高级化、人口集聚和产业集聚六个指标构建了区域一体化背景下ULUE测度体系，并将其应用在长江中游城市群的ULUE测度中。

（2）长江中游城市群及各子城市群的ULUE在考察期内均处于波动上升，但其发展并不同步。而且从不同城市群ULUE的核密度曲线变化情况可以看出，长江中游城市群ULUE的区域差异整体呈“扩大—缩小—扩大”趋势，武汉城市群ULUE演变沿“两极分化—无分化—多极分化”

轨迹，环鄱阳湖城市群ULUE极化程度强弱交替，环长株潭城市群ULUE的梯度差异趋于收敛，江淮城市群ULUE始终存在两极分化现象。为实现各城市群之间ULUE的协调发展并形成相互支撑，良性互动的开放格局，一方面，ULUE低阶区要善于立足于本区域地理格局、经济发展水平及资源特点，采取针对性措施，通过提高规模效率、结构效率或集聚效率中的任一单项效率来带动ULUE的整体提升；另一方面，长江中游城市群在积极构建区域共同体的同时，应重点优化ULUE的空间联动环境，畅通生产要素在各区域间的流动渠道，完善区域合作机制，发挥ULUE高阶区对邻近城市的辐射带动作用，逐步弱化一体化进程中ULUE的地区差异。

（3）基于小波神经网络模型和核密度估计的分析结果，得出以下几方面的启示及后续研究方向：①小波神经网络模型的学习训练能力较强，训练结果与現实情况也较为吻合，具有一定的合理性和科学性，在ULUE相关主题的研究中具有较好的推广价值，但本文所构建的指标体系均为易量化指标，对政府管控效率、政策落实程度等难以获取或不可量化的指标并未涉及，这是后续研究区域一体化背景下ULUE评价体系的重点和难点。②核密度估计是研究ULUE区域差异动态演进过程的有效方法之一，不仅能够保证函数设定的客观性，而且揭示了相邻年份间ULUE的紧密联系。但本文研究缺乏与GIS空间分析、探索性空间分析等方法的深度结合，难以直观刻画ULUE空间演变，这也为该主题的深入研究指明了方向。③十九大报告中指出，要把以城市群为主体构建大中小城市和小城镇协调发展的城镇格局作为我国未来新型城镇化的路径与方向，在这一政策背景下，揭示区域一体化背景下ULUE空间差异的形成机理，探寻区域一体化进程中各城

市群间要素交流和转换机制，创新区域一体化与ULUE的协调发展路径等问题将会成为未来学术界关注的新焦点。

（编辑：王爱萍）

参考文献（References）

[1]王珏，陈雯.全球化视角的区域主义与区域一体化理论阐释[J].地理科学进展，2013，32（7）：1082-1091.[WANG Jue， CHEN Wen. Implication of regionalism and regional integration under the global shift[J]. Progress in geography， 2013， 32（7）：1082-1091.]

[2]安虎森，李瑞林.区域经济一体化效应和实现途径[J].湖南社会科学，2007（5）：95-102.[AN Husen， LI Ruilin. Effect of regional economic integration and implementation approach[J]. Journal of Hunan social sciences， 2007 （5）： 95-102.]

[3]WU Y Z， ZHANG X L， SKITMORE M， et al. Industrial land price and its impact on urban growth： a Chinese case study[J]. Land use policy， 2014， 36： 199-209.

[4]闫卫阳，王发曾，秦耀辰.城市空间相互作用理论模型的演进与机理[J].地理科学进展，2009，28（4）：511-518.[YAN Weiyang， WANG Fazeng， QIN Yaochen. Analysis of the principle and evolvement of the theoretic models of urban spatial interaction[J]. Progress in geography， 2009， 28（4）： 511-518.]

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

[6]赵丹丹，胡业翠.土地集约利用与城市化相互作用的定量研究——以中国三大城市群为例[J].地理研究，2016，35（11）：2105-2115.[ZHAO Dandan， HU Yecui. Quantitative study of the interaction between intensive land use and urbanization in three urban agglomerations of China[J]. Geographical research， 2016， 35（11）： 2105-2115.]

[7]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.[YANG Qingke， DUAN Xuejun， YE Lei， et al. Efficiency evaluation of city land utilization in the Yangtze River Delta using a SBMUndesirable Model [J]. Resources science， 2014， 36（4）： 712-721.]

[8]杨海泉，胡毅，王秋香.2001—2012年中国三大城市群土地利用效率评价研究[J].地理科学，2015，35（9）：1095-1100.[YANG Haiquan， HU Yi， WANG Qiuxiang. Evaluation of land use efficiency in three major urban agglomerations of China in 2001-2012 [J]. Geography science， 2015， 35（9）： 1095-1100.]

[9]贝涵璐，吴次芳，冯科，等.土地经济密度的区域差异特征及动态演变格局——基于长江三角洲地区的实证分析[J].自然资源学报，2009，24（11）：1952-1962.[BEI Hanlu， WU Cifang， FENG Ke， et al. Regional disparity and dynamic evolution of land economic density：evidence from the Yangtze River Delta Area [J]. Journal of natural resources， 2009， 24（11）： 1952-1962.]

[10]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.[ZHAO Yali， LIU Youzhao. Difference and influencing factors of urban land development intensity across 222 cities in China [J]. Resources science， 2013， 35（2）： 380-387.]

[11]張雅杰， 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. [ZHANG Yajie， JIN Hai. Research on efficiency of urban construction land and the drive mechanism in the MidYangtze River[J]. Resources science， 2015， 37（7）： 1384-1393.]

[12]郭施宏. 海西城市群城市土地利用结构与效率[J]. 经济地理， 2017， 37（1）： 170-175，180. [GUO Shihong. Urban land use structure and land use efficiency in Hercynian urban agglomeration[J]. Economic geography， 2017， 37（1）： 170-175，180.]

[13]宋成舜， 谈兵， 韩冰华， 等. 基于变异系数TOPSIS法的土地利用效益测度研究——以武汉城市圈为例[J]. 水土保持研究， 2015， 22（1）： 286-291. [SONG Chengshun， TAN Bing， HAN Binghua， et al. Comprehensive evaluation of land use benefits based on the variance coefficient：TOPSIS Method in Wuhan metropolitan area[J]. Research of soil and water conservation， 2015， 22（1）： 286-291.]

[14]韩璐， 谢俊奇. 基于WNN模型的土地利用方式决策研究[J]. 自然资源学报， 2013， 28（8）： 1395-1403. [HAN Lu， XIE Junqi. A study on land utilization decision making based on WNN Model[J]. Journal of natural resources， 2013， 28（8）：1395-1403.]

[15]卢新海， 匡兵， 周敏. 城市建设用地利用效率的空间非均衡及影响因素[J]. 中国人口·资源与环境， 2016， 26（11）： 45-52.[LU Xinhai， KANG Bing， ZHOU Min. Spatial inequality and influencing factors of utilization efficiency of urban construction land[J]. China population， resources and environment， 2016， 26（11）： 45-52.]

[16]屈子力. 内生交易费用与区域经济一体化[J]. 南开经济研究， 2003 （2）： 67-70. [QU Zili. The endogenous transaction cost of regional economic integration[J]. Nankai economic studies， 2003 （2）： 67-70.]

[17]鲁品越. 马克思宏观流通理论：非均衡宏观经济学——兼论生产过剩与投资扩张的兼论生产过剩与投资扩张的“乘数效应”[J]. 经济学家， 2015 （5）： 20-27. [LU Pinyue. The conversion of the driving forces of the development of the potentiality of Chinas economic growth against the changes in the structure of factor endowment at the new normal states：more discussions on production surplus and‘the multiplier effect of investment expansion[J]. Economist， 2015 （5）： 20-27.]

[18]張晓平， 刘卫东. 全球化、跨国公司投资与地区发展关系研究进展[J]. 地理科学进展， 2003， 22（6）： 627-638. [ZHANG Xiaoping， LIU Weidong. Impacts of economic globalization on regional development： a preliminary review[J]. Progress in geography， 2003， 22（6）： 627-638.]

[19]TUMWEBAZE H K， IJJO A T. Regional economic integration and economic growth in the COMESA Region， 1980-2010[J]. African development review， 2015， 27（1）：67-77.

[20]孙大斌. 由产业发展趋势探讨我国区域经济一体化动力机制[J]. 国际经贸探索， 2003， 19（6）： 71-74. [SUN Dabin. On countermeasures of the Chinese securities market against RMB appreciation[J]. International economics and trade research， 2003， 19（6）： 71-74.]

[21]张云飞. 城市群内产业集聚与经济增长关系的实证研究——基于面板数据的分析[J]. 经济地理， 2014， 34（1）： 108-113. [ZHANG Yunfei. Empirical studies on the relationship between industrial agglomeration and economic growth within the urban agglomeration：based on panel data analysis[J]. Economic geography， 2014， 34（1）： 108-113.]

[22]干春晖， 郑若谷， 余典范. 中国产业结构变迁对经济增长和波动的影响[J]. 经济研究， 2011 （5）： 4-16， 31.[GAN Chunhui， ZHENG Ruogu， YU Dianfan. An empirical study on the effects of industrial structure on economic growth and fluctuations in China[J]. Economic research journal， 2011 （5）： 4-16， 31.]

[23]许科研， 方一平. 近56年果洛州人口集中度变化及原因分析[J]. 世界科技研究与发展， 2009， 31（6）： 1159-1161.[XU Keyan， FANG Yiping. Population concentration change and its cause analysis in Guoluo State in recent 56 years[J]. World scitech R&D;， 2009， 31（6）： 1159-1161.]

[24]韩璐， 谢俊奇. 小波神经网络在土地利用效益分析中的应用——以兰州市为例[J]. 资源科学， 2011， 33（1）： 153-157. [HAN Lu， XIE Junqi. Application of the wavelet neural network to land use efficiency analysis： a case study on Lanzhou City[J]. Resources science， 2011， 33 （1）： 153-157.]

[25]匡兵， 卢新海， 周敏. 中国城市土地经济密度的分布动态演进[J]. 中国土地科学， 2016， 30（10）： 47-54. [KUANG Bing， LU Xinhai， ZHOU Min. Dynamic evolution of urban land economic density distribution in China[J]. China land science， 2016， 30（10）： 47-54.]

[26]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.