中国省域土地资源配置结构均衡性与效率时空格局分析

张苗 刘璇 陈银蓉 彭山桂

摘要：研究目的：揭示我国省域层面土地资源配置结构均衡性及其效率时空格局特征，为合理配置土地资源提供参考。研究方法：洛伦兹曲线—基尼系数法、非参数效率测算法、探索性空间数据及核密度分析法。研究结果：（1）研究期内我国省域层面不同类型土地资源的洛伦兹曲线相互靠拢且基尼系数呈下降趋势，相比于2009年，2019年的耕地、园地、林地、城镇村及工矿用地和交通运输用地等类型土地配置更加均衡。（2）研究期内我国省域土地资源配置效率均值呈现两阶段变化，分界点至2019年表现为下降趋势，要素效率均值高于总效率均值，呈现出以胡焕庸线为界“东南高西北低”的空间分布格局，高高集聚和低低集聚为主要的局部空间自相关类型。（3）总效率演进趋势为总体下降和省域间差距缩小；城镇村及工矿用地碳排放效率低值阈值不断提高同时省份之间差距缩小；交通运输用地碳排放效率呈现阶段性变化。研究结论：2002—2019年我国省域土地资源配置结构均衡性表现为动态稳定，碳排放约束下的土地资源配置效率在时序上呈降低趋势，在空间分布上呈显著正相关和锁定效应，总效率与要素效率时空分布格局非同步变化，上述特征的有效解读为合理土地资源配置提供了启示。

关键词：土地资源配置结构；土地资源配置效率；要素效率；均衡性；时空分布

中图分类号：F301.2 文献标志码：A 文章编号：1001-8158（2023）06-0052-12

基金项目：国家自然科学基金项目（42001252，42101272，42271270）；山东省自然科学基金项目（ZR2019BG002，ZR2021QD085）。

土地作为一种要素资源，共生共长于经济发展的每一个阶段。在中国经济增长的底层逻辑从要素投入转向要素使用效率提升的新时代[1]，提高土地资源配置效率成为实现经济高质量发展的重要途径。一方面，《中共中央 国务院关于构建更加完善的要素市场化配置体制机制的意见》中明确提出推进土地资源从低质低效向优质高效领域流动，强调土地的利用效率和配置效率是要素市场化配置改革的重中之重[2]；另一方面，土地资源配置显著影响其他生产要素的集聚或扩散，进一步带来效率和生产率的差异。土地资源配置格局往往表现出特定的时代特征，明确我国各阶段土地资源配置结构，准确测算土地资源配置效率并刻画其空间分布格局，有利于在遵循空间结构自然秩序客观规律的原则上开发与利用土地资源，为土地资源作为要素有序高效地参与新阶段经济社会生产提供依据。

效率分析主要回答资源是否有效配置[3]，而结构调整则可以通过对生产资源的优化配置产生“结构红利”[4]。因此，在进行土地资源配置效率分析之前有必要对土地资源配置结构现状进行“摸底”。已有文献采用信息熵模型[5]、洛伦兹曲线与基尼系数相结合[6]的方法对不同区域层面的土地资源配置结构均衡性展开了讨论。全国国土调查作为重大国情国力调查，是摸清土地资源“家底”的主要渠道，考虑到第三次全国国土调查数据于2021年8月公布，本文借助上述方法将全国省域层面土地资源配置结构均衡性现状更新至最新时点，为进一步的效率分析提供参考。

现有文献关于土地资源配置效率的度量方法主要分为两大类。一是从全要素生产率视角，基于非参数方法在传统资源配置效率测算基础上，将土地作为资本和劳动的平行要素纳入研究框架[7]，将测得的效率定义为土地利用效率，但事实上该效率数值是包括土地、劳动和资本在内的全要素生产率；范建双等[8]尝试以农用地面积、建设用地面积和未利用地面积作为投入要素定义土地利用结构效率，但缺乏投入产出对应关系的进一步讨论。二是从边际生产率视角，基于参数方法将土地作为投入要素纳入柯布—道格拉斯（C-D）生产函数，以土地要素边际生产率作为土地资源配置效率的解释指标[9]，进一步地，朱庆莹等[10]将土地要素投入以单位面积劳动力和资本的形式体现，基于C-D生产函数对数形式构建地均投入产出随机前沿分析实证模型测得土地资源配置效率。不论是全要素生产率视角还是要素的边际生产率视角，将土地要素纳入考虑都体现了土地资源在经济社会生产中发挥着不可忽视的重要作用。从方法适用性来看，非参数方法更为灵活，无需过多假设，可以最大限度地避免由假设条件不满足而产生的估计偏误[11]，但以加入土地要素测得的全要素生产率作为土地利用效率并不精确；从概念定义精确性来看，参数方法则进一步地明确了土地资源配置效率的内涵，有效区分包含土地要素的全要素生产率和土地单要素边际生产率，同时将土地资源配置效率从土地利用效率中剥离出来，但在表达土地资源配置时代内涵上有所欠缺。

基于此，为同时兼顾非参数方法的适用性和参数方法的确指性，本文将在已有维度基础上进行深化研究：以省域层面全国国土调查及其变更数据为基础，在探讨土地资源配置结构均衡性演变基础上选择具有代表性的土地利用类型作为投入要素，考虑到“双碳”战略推进的时代背景，将碳排放约束纳入考量，基于非参数方法分别测算全要素生产率和单要素效率视角下的土地资源配置效率，并进一步分析其时空格局，明确土地资源配置效率的时代内涵，丰富土地资源配置效率在省域层面的时序表达。

1 研究方法與数据来源

1.1 洛伦兹曲线与基尼系数法

借鉴洛伦兹曲线原理，以目标年总土地面积累计百分比为横坐标，以某地类面积累计百分比为纵坐标，按照某地区某种土地类型面积占某地区总面积从小到大顺序进行排列，再计算累计百分比，并与总土地面积累计百分比一一对应，绘制坐标图，其中y = x的直线代表绝对平均线，其他曲线与绝对平均线的离差就是该地类实际分布与在全区均匀分布的差异测度，以此分析我国不同的土地利用类型在省域水平上分布的差异程度。

根据洛伦兹曲线所定义的判断收入分配公平程度的指标，通过计算曲线与绝对平均线之间面积和绝对平均线以下的三角形面积之比测算基尼系数（图1）。

1.2 非参数效率测算法

RESTUCCIA和ROGERSON[13]指出，资源在不同经济主体间的配置是影响全要素生产率的关键因素，土地资源也不例外。早期的文献便是先关注农地非农化的空间配置效率[14]，进一步地，从土地要素的空间配置出发测算中国各区域的土地利用效率，发现建设用地指标向东部倾斜有利于优化中国土地资源空间配置效率[15]，近年来则聚焦于微观视角的土地资源配置与生产率关系[16-17]，认为政府主导的土地管理往往会导致用地配置与市场需求产生偏离，从而影响建设用地的使用效率。决定土地资源配置效率差异的路径主要有两条：一是土地资源作为非流动要素的配置结构，即不同类型土地面积所占比重；二是劳动力、资本等流动要素在不同土地利用类型上的流动和分配，以及由此引起的能源传递和流通。本文所定义的“效率”包括碳排放约束下土地资源配置效率（总效率）和不同类型土地利用效率（要素效率），前者是指在碳排放约束下合理配置不同用途土地资源以有效推进国民经济发展和实现各项建设目标，体现土地资源配置效率路径差异，后者则是反映单一类型土地利用的碳排放效率。考虑到将非期望产出或污染物产出纳入效率测度的方法得到了快速发展，本文选择非参数方法SBM（Slack Based Measure）模型测算效率，主要优点在于解决了径向DEA模型对无效率的测量无法包含松弛变量的问题，同时能将碳排放作为非期望产出纳入模型。含非期望产出的SBM模型在本文的主要应用为：一是测算土地资源配置效率值（总效率），二是根据各个变量的松弛量，定义作为投入要素的各类型土地的效率值（要素效率），具体模型参照文献[18]和[19]。

1.3 探索性空间数据分析法

采用全局莫兰指数（I）来判别碳排放约束下土地资源配置效率的相关性强弱（式（2）），局部莫兰指数（LISA）来检验是否存在集聚现象（式（3））。

1.5 指标体系与数据来源

1.5.1 效率测算指标体系

以碳排放约束下的全要素生产率为导向，基于新古典经济学增长理论，构建土地资源配置效率测算指标体系（表1）。其中，土地要素投入综合考虑土地利用类型的基尼系数和在实际生产活动中所承担的“角色”差异，以结构决定功能为理论导向，采用农用地面积反映第一产业土地要素投入，城镇村及工矿用地面积和交通运输用地面积反映二、三产业土地要素投入；考虑到选用的碳排放主要为化石燃料燃燒和水泥生产过程所引起，定义为二、三产业要素投入带来的非期望产出。

1.5.2 数据来源与说明

本文主要包括土地利用、碳排放和经济社会发展三类数据。其中，土地利用数据为全国土地利用调查数据及其变更数据，来源于《中国国土资源年鉴》（2003—2009年），《中国国土资源统计年鉴》（2010—2018年）及2021年官方公布的第三次全国国土调查主要数据公报，2018年的数据未公布，以缺省值代替。碳排放数据采用中国碳核算数据库（CEADs）的省级排放清单的表观CO2排放量，由于西藏缺乏能源消费数据导致无法估算碳排放量，同时港澳台地区未被列入核算数据库，由此确定本文的研究对象为剔除西藏和港澳台地区的30个省级行政区。经济社会发展数据主要来源于《中国统计年鉴》（2003—2020年）以及根据指标定义测算而来。其中，固定资本存量采用张军方法[21]，以2000年为基期计算，为保持基期的一致性，将第一、二和三产业的GDP增加值同样以2000年为基期进行修正。

2 结果分析

2.1 土地资源配置结构均衡性分析

2.1.1 定性分析——洛伦兹曲线

土地利用结构在一定时期内具有相对稳定性，考虑到研究期内2009年和2019年分别为“二调”和“三调”的时间截至点，选其为代表性年份作对比分析。

由洛伦兹曲线法得出洛伦兹曲线（图3），（1）从总体上看，相比于2009年，2019年各土地利用类型的洛伦兹曲线更加紧密且向绝对平均线靠拢，说明研究期内不同类型土地资源在省域层面分布均衡性的差异程度逐渐缩小，省际之间土地资源配置结构表现为趋同效应。（2）从各土地利用类型来看，园地、城镇村及工矿用地、草地及耕地等类型土地在两个时间点上相对远离绝对平均线，分布不均衡，相对地，水域及水利设施用地和林地在两个时间点上则离绝对平均线相对较近，分布相对均衡。交通运输用地的分布均衡性变动明显，2019年成为最靠近绝对平均线的土地利用类型，原因可能在于“二调”和“三调”数据统计的差异，“二调”基于现场调查（功能）和政策处理，而“三调”基于现状所见即所得来认定，且近些年来中国快速发展的交通运输业导致交通运输用地的快速增长，特别是中西部地区交通运输用地快速增长，带来省域层面交通运输用地的分布更加均衡。同时，2009年的其他土地类型离绝对平均线较远，分布极不均衡，其他土地中除去设施农用地外多为不能被利用的土地（人类所从事的经济活动较少），不均衡分布是土地资源禀赋的呈现，并不影响经济社会发展秩序；2019年新增湿地远离绝对平均线的程度居于中间水平，2012年至今新增和修复湿地约80万hm2，并且在“三调”中成为新增的单独地类，这与国家层面全面推进生态文明建设和重视生态用地密不可分。

2.1.2 定量分析——基尼系数

借鉴联合国有关组织确定的基尼系数分级标准，以0.39为临界值，采用<0.2、0.2～<0.3、0.3～<0.4、0.4～<0.5、≥0.5五级标准对应“绝对平均”、“相对均匀”、“较为合理”、“相对集中”和“绝对集中”的均衡程度，各用地类型基尼系数见表2。

由表2可知，耕地、园地、林地、城镇村及工矿用地和交通运输用地等土地利用类型的基尼系数有所下降，但从系数值来看，除2019年调整的交通运输用地外，均大于0.39的临界值，意味着省域之间配置结构差异缩小但仍处于极不均衡状态。具体来看，城镇村及工矿用地、园地、草地（2019年）和其他土地（2009年）的基尼系数均大于0.5，属于绝对集中等级，其中城镇村及工矿用地的配置反映出各省区经济社会发展对建设用地需求的差异，基尼系数越大意味着需求差异越大；耕地、草地（2009年）、交通运输用地（2009年）、湿地（2019年）的基尼系数介于0.4～<0.5之间，属于相对集中等级；林地、交通运输用地（2019年）和水域及水利设施用地的基尼系数介于0.3～<0.4之间，属于较为合理等级。基尼系数结果与洛伦兹曲线结果互相印证，整体来看，2009—2019年我国省域层面各类型土地资源的分布均衡程度相对稳定，省域之间差异缩小。

2.2 土地资源配置效率分析

2.2.1 时序变化与空间分布

采用Stata软件测算了土地资源配置效率值，限于篇幅不再展示，因农用地多被定义为碳汇用地，与本文选取的表观CO2相关性较小，在此只分析城镇村及工矿用地和交通运输用地的要素效率。均值时序变化见图4（a），采用自然间断点分级法将效率均值划分为4个阶段，图4（b）、4（c）、4（d）为效率均值的空间分布，图5为2009年和2019年的效率空间分布。

由图4（a）总体时序变化来看，研究期内碳排放约束下中国省域土地资源配置要素效率均值高于总效率均值，均呈现两阶段变化，前半阶段为波浪式动态变化，后半阶段表现为下降趋势，但出现下降转折的分界点不同。具体来看：（1）总效率均值由2002年的0.723降至2019年的0.472，这与卢新海等[7]研究认为2003—2017年我国城市土地绿色利用效率呈上升趋势结论相反，可能原因，一是非期望产出的差异，已有研究效率测算未加入碳排放约束，意味着不考虑碳排放产出将高估土地利用效率，二是选择投入的土地要素不同。总效率从2011年开始主要表现为下降趋势，“十二五”时期我国经济快速增长，带来的碳排放效应显著，导致碳排放约束下的土地利用效率持续降低，进入“十三五”经济增速有所放缓，虽然2015—2016年出现短暂的持平状态，但持续下降趋势未能改变，事实上，我国于2020年9月正式提出“双碳”战略，碳排放增速放缓未能体现在样本研究期，成为碳排放约束下的土地資源配置效率持续下降的有力证据。（2）从要素效率来看，城镇村及工矿用地碳排放效率均值从2009年开始明显高于总效率和交通运输用地碳排放效率均值，一方面得益于建设用地带来高碳排放的同时能够发挥更高的经济效益，另一方面在于建设用地指标的刚性约束减少了城镇村及工矿用地供给和投入，在其他要素投入缺乏约束的前提下，相当于缩小了城镇村及工矿用地的真实投入与目标投入的差距，从2014年开始呈现缓慢下降趋势，这与宏观上始于2014年的供给侧结构性改革和微观上土地新政存在关联，一方面供给侧改革减少了低质量的建设用地供给，同时减少了在建设用地上的非必要投入，但在非期望产出碳排放因“惯性效应”并未明显减少的情形中导致了效率的降低，另一方面2014年中央一号文件出台关于“允许农村建设用地与国有土地同价入市”新策，这带来城镇村及工矿用地作为投入要素在理论上的数量供给增加，但实践中农村建设用地的经济效益远小于城市建设用地，在同价入市的背景下，新增城镇村及工矿用地效率的提升需要更多的时间来验证，这与唐洪松等[22]测算的我国省际层面建设用地碳排放效率在2002—2014年的变化趋势相一致；交通运输用地碳排放效率均值。从2011年开始呈现“先缓后急”的下降趋势，与总效率出现下降趋势的年份一致，意味着从2011年开始交通运输用地的真实投入与目标投入的差距逐渐增大，2019年表现异常，吻合“三调”中交通运输用地类型调整的事实。

从空间分布来看，总效率和要素效率的均值和具体年份的空间分布呈锁定效应，呈现出以胡焕庸线为界“东南高西北低”的空间分布格局，这与周迪和王雪芹[23]测算的我国省级层面碳排放效率低值区主要为中西部，特别是西北地区相一致，说明即使存在碳排放约束，经济发达地区仍然保持着土地资源配置效率和土地利用效率优势。具体来看：（1）对于总效率（图4（b）和图5（a）），效率高值区集中于北京、江苏、浙江、上海、福建、广东、海南、湖南和湖北等省域，支持了GUASTELLA等[24]提出大城市具有更高的土地管理效率的假设，2019年比2009年的效率低值范围扩大，2019年的低值为0.166，而2009年为0.255，意味着土地资源配置效率低下的省份在纵向层面持续降低；（2）对于要素效率（图4（c）、4（d）和图5（b）、 5（c）），城镇村及工矿用地碳排放效率较高的地区主要集中于北京、山东、江苏、浙江、上海、福建、广东、海南、河南、湖北、湖南、四川和广西等省域，比总效率覆盖省份范围广且2019年比2009年的效率低值范围缩小，这与建设用地指标刚性供给和国家强调土地集约节约利用带来部分省级行政区的城镇村及工矿用地碳排放效率提升密不可分；交通运输用地碳排放效率较高的地区主要集中于北京、山东、江苏、上海、福建、广东、海南、河南、湖北、湖南等省域，与总效率覆盖范围大致相当，2019年比2009年效率低值范围大幅扩大，由2009年的0.216降至2019年的0.069。

2.2.2 空间集聚特征分析

采用Stata软件计算出总效率和要素效率的全局Morans I值，限于篇幅展示部分年份（表3），采用ArcGIS软件作LISA图展示2009年和2019年的总效率和要素效率在局部空间上的集聚和分散情况（图6）。

从空间相关性来看（表3），2002—2019年，总效率和要素效率全局莫兰指数均为正值，且P值均小于0.01，意味着碳排放约束下的土地资源配置总效率和要素效率具有顯著的空间正相关性，相邻省份之间可能存在溢出效应，具备形成联动发展机制的条件。具体来看：（1）总效率莫兰指数呈现下降趋势，表明省域之间土地资源配置效率的相关性有所减弱。（2）城镇村及工矿用地碳排放效率的莫兰指数表现为波浪式变化，代表着各省份之间的城镇村及工矿用地碳排放效率空间相关性动态变化；交通运输用地碳排放效率的莫兰指数主要表现为下降趋势。

从空间集聚特征来看（图6），以2002—2019年的效率均值集聚分布为参考，2009年和2019年的空间集聚模式表现为动态变化，高高集聚和低低集聚是主要的局部空间自相关类型。（1）从总效率来看（图6（a）），低低集聚（LL）的省域未表现出明显的动态变化趋势，主要集中在西北地区，包括新疆、青海、甘肃和宁夏等省份，这些省份是传统意义上土地利用效率较低的区域，在碳排放约束下，仍处于效率洼地；高高集聚（HH）的省域由2009年的整片区域变化为2019年的由低高集聚分割的两块区域，其中江苏、上海、浙江和福建等东部沿海区域和湖北省一直为效率高地，对邻近省份具有较好的带动效应，江西省一直处于低高集聚（LH）状态，享受邻近省份的效率溢出效应，2019年安徽省也进入低高集聚状态，而四川处于高低集聚（HL）状态，一方面接受高效率地区的溢出效应，另一方面对西北地区等省份产生辐射效应，但该状态在2019年不再显著。（2）从城镇村及工矿用地碳排放效率来看（图6（b）），2009—2019年，低低集聚的区域呈现扩张趋势，而高高集聚的省份出现“南移缩减”，低高集聚的省份不减反增，不存在高低集聚省份，以上变化趋势反映出在样本研究期内具有较高效率的省份并没有发挥较好的带动效应，而本身效率较低的省份在碳排放约束和建设用地快速无序扩张中难以提升效率。（3）从交通运输用地碳排放效率来看（图6（c）），LL和HH的省份数量均呈现递减趋势，2009—2019年空间集聚显著省份呈现出由南往北和由西向东靠拢趋势，这意味着交通运输用地在省域之间配置更加均衡，交通运输用地碳排放效率省域之间差异不大，与交通运输用地的基尼系数降低幅度大相吻合。

2.2.3 动态演进分析

采用高斯核密度估计法得到中国省域土地资源配置总效率和要素效率的核密度分布图（图7），总效率和要素效率的核密度分布差异较大。（1）从总效率来看，2002—2019年核密度曲线整体向左偏移，2009—2019年向左偏更加明显，曲线波峰持续上升，说明土地资源配置总效率一是呈现下降趋势，二是省域间差距缩小，由多极分化向“集聚”状态转变，这对应于样本研究期内，各类型土地资源配置不够均衡，“高要素投入低经济产出”加之碳排放非期望产出的不断增加，导致土地资源配置效率低下，地区间差距缩小是多数省份效率共同下降和示范引领的效率高地不断减少的结果。（2）从城镇村及工矿用地碳排放效率来看，2002—2019年核密度曲线在y轴方向表现为动态上升趋势，2019年有所回落，峰值较高且变化区间较小，代表着地区间差距缩小，曲线左拖尾右移，意味着效率低值阈值不断提高，低值和高值的差距不断缩小，上述均表明省域之间城镇村及工矿用地碳排放效率差距缩小。（3）从交通运输用地碳排放效率来看，2002—2015年曲线波峰为单一波峰，且峰值不断上移，表明省域之间交通运输用地碳排放效率差距不断缩小，但仍处于极化状态，对应于我国快速发展的交通运输业，交通运输用地在省域之间配置更加均衡，但部分省域的先发优势依然存在。2019年“三调”数据中关于交通运输用地分类统计口径的差异导致交通运输用地碳排放效率的核密度曲线出现反方向的变化，表现为曲线左移，波峰位于低效率值区间，这与交通用地承载大量的碳排放有关，在碳排放约束下，省域之间差异缩小但效率整体较低。

3 结论与启示

3.1 结论

本文借助洛伦兹曲线和基尼系数法将土地资源配置结构均衡性更新至最新时点，以此作为效率测算指标选取依据，采用非参数效率测算SBM模型、探索性空间数据分析及核密度分析法等方法，分析了碳排放约束下2002—2019年我国省域层面土地资源配置总效率和要素效率的时空演变格局。主要结论如下。

（1）从土地资源配置结构均衡性来看，研究期内我国省域层面不同类型土地资源的洛伦兹曲线相互靠拢且基尼系数呈下降趋势，土地资源配置结构趋同效应明显；大部分类型土地的分布均衡性未发生明显改变，城镇村及工矿用地和园地属于绝对集中等级，耕地、交通运输用地（2009年）和湿地（新增）属于相对集中等级，林地、交通运输用地（2019年）和水域及水利设施用地属于较为合理等级。

（2）从土地资源配置效率的时序变化来看，2002—2019年我国省域土地资源配置效率均值呈现两阶段变化，前半阶段为波浪式动态变化，后半阶段表现为下降趋势，要素效率均值高于总效率均值，总效率和交通运输用地碳排放效率先于城镇村及工矿用地碳排放效率出现转折分界点。从空间分布来看，2002—2019年总效率和要素效率的空间分布呈锁定效应，呈现为以胡焕庸线为界“东南高西北低”的空间分布格局。

（3）从土地资源配置效率的空间集聚特征来看，2002—2019年总效率和要素效率存在显著的空间正相关，高高集聚和低低集聚是主要的局部空间自相关类型。总效率高高集聚的省域主要集中于江苏、上海、浙江和福建等东部沿海区域及湖北省，低低集聚的省域集中在西北地区；城镇村及工矿用地碳排放效率的高高集聚省份出现“南移缩减”，低低集聚的区域呈现扩张趋势；交通运输用地碳排放效率的高高集聚和低低集聚省份数量均呈现递减趋势，呈现出由南往北和由西向东靠拢趋势。

（4）从土地资源配置效率的动态演进来看，2002—2019年总效率演进趋势为总体下降和省域间差距缩小；城镇村及工矿用地碳排放效率低值阈值不断提高，低值和高值的差距不断缩小，省份之间差距缩小；交通运输用地碳排放效率呈现出前期与城镇村及工矿用地碳排放效率，后期与总效率相一致的变化状态。土地资源配置效率的动态演进趋势与时空演变趋势相吻合。

3.2 启示

省域间土地资源禀赋和经济社会发展差异造成了土地资源的非均衡配置，并进一步带来了土地资源配置效率的差异。结合上述研究结论，启示如下。

（1）在土地资源配置结构均衡性持久动态稳定和碳排放约束下土地资源配置效率持续降低的情境下，应充分意识到土地资源配置结构产生的影响是长期和深远的，土地资源配置格局一旦形成则存在较大的“路径依赖”，只有规划引领从源头上降低土地资源错配比例，调整优化土地资源结构性错配，促进结构减碳和功能增汇并行，才能打破这种低效率的配置均衡稳态。

（2）在土地资源配置效率同時存在显著的空间正相关与空间分布锁定效应的前提下，促进“资本”和“劳动力”等“流动性要素资源”在“土地”“非流动性要素资源”之间优化配置成为省域间土地资源配置总效率和要素效率协同提升的肯綮，打通省域之间的要素流动通道，才能发挥区域间联动机制以协同提升效率。

（3）土地资源配置总效率和要素效率的时空分布格局非同步变化，原因在于土地资源配置总效率是所有土地要素与资本、劳动力等生产要素一起参与生产，同时受投入要素可优化空间大小与可调整比例大小的影响，综合反映所有土地要素的配置效率和利用效率；而要素效率是所选取的土地要素的实际配置数量与最优配置数量的比值，反映的是某类土地的利用效率高低，数值越接近1，意味着该类型土地要素配置越有效。在碳排放约束下，土地资源配置总效率同时受要素效率和土地资源配置结构影响，应通过提高要素效率来提高总效率。

最后，本文不足之处与所加入的碳排放约束存在关系，主要表现在未考虑林地、园地、草地和湿地的资源禀赋差异带来的碳汇能力的差别，可能造成部分省份效率的低估，进一步的研究应考虑这些土地利用类型带来的效率差异，以及生态补偿问题。

参考文献（References）：

[1] 陈江畅， 张京祥， 陈浩. 底线与边界： 治理视角下的土地资源合理配置逻辑[J] . 城市发展研究， 2021， 28（9）： 33 - 41.

[2] 邓慧慧， 赵晓坤， 李慧榕. 土地资源优化配置如何影响经济效率 ——来自浙江省“亩均论英雄”改革的经验证据[J] . 中国土地科学， 2020， 34（7）： 32 - 42.

[3] 张宁， 杜克锐. 效率与生产率分析教程——理论、应用与编程[M] . 济南： 山东大学出版社， 2022：79 - 82.

[4] 邵帅， 范美婷， 杨莉莉. 经济结构调整、绿色技术进步与中国低碳转型发展——基于总体技术前沿和空间溢出效应视角的经验考察[J] . 管理世界， 2022， 38（2）： 46 - 69，4.

[5] 许芸鹭， 雷国平. 辽中南城市群城市用地结构的时空演变分析[J] . 经济地理， 2018， 38（1）： 69 - 77.

[6] 扈传荣， 姜栋， 唐旭， 等. 基于洛伦兹曲线的全国城市土地利用现状抽样分析[J] . 中国土地科学， 2009， 23（12）：44 - 50.

[7] 卢新海， 杨喜， 陈泽秀. 中国城市土地绿色利用效率测度及其时空演变特征[J] . 中国人口·资源与环境，2020， 30（8）： 83 - 91.

[8] 范建双， 虞晓芬， 周琳. 南京市土地利用结构碳排放效率增长及其空间相关性[J] . 地理研究， 2018， 37（11）：2177 - 2192.

[9] 姜海， 陈磊. 县域国土空间主体功能区土地资源空间配置效率及管制策略——以江苏赣榆为例[J] . 自然资源学报， 2021， 36（9）： 2424 - 2436.

[10] 朱庆莹， 涂涛， 陈银蓉， 等. 长江经济带产业结构与土地利用效率协调度的时空格局分析[J] . 农业工程学报，2021， 37（23）： 235 - 246.

[11] VARIAN H R. The nonparametric approach to production analysis[J] . Econometrica： Journal of the Econometric Society， 1984， 52（3）： 579 - 597.

[12] ZHANG N， CHOI Y. Environmental energy efficiency of Chinas regional economies： a non-oriented slacks-based measure analysis[J] . The Social Science Journal， 2013， 50（2）： 225 - 234.

[13] RESTUCCIA D， ROGERSON R. Policy distortions and aggregate productivity with heterogeneous establishments[J] . Review of Economic Dynamics， 2008， 11（4）： 707 - 720.

[14] 谭荣， 曲福田. 农地非农化的空间配置效率与农地损失[J] . 中国软科学， 2006（5）： 49 - 57.

[15] 钟顺昌.建设用地空间配置模式对技术效率的影响[J] .中国土地科学，2020，34（10）：58 - 68.

[16] 刘新智，周韩梅.土地资源配置如何影响城市经济效率——基于中国286个地级以上城市工业数据的实证检验[J] .中国土地科学，2022，36（9）：49 - 58.

[17] ZHOU D， HUANG Q， CHONG Z H. Analysis on the effect and mechanism of land misallocation on carbon emissions efficiency： evidence from China[J] . Land Use Policy， 2022， 121. doi：10.1016/j.landusepol.2022.106336.

[18] TONE K. A slacks-based measure of efficiency in data envelopment analysis[J] . European Journal of Operational Research， 2001， 130（3）： 498 - 509.

[19] 成刚. 数据包络分析方法与MaxDEA软件[M] . 北京： 知识产权出版社， 2014：62 - 148.

[20] 马林燕， 张仁慧， 潘子纯， 等. 中国省际耕地利用生态效率时空格局演变及影响因素分析——基于2000—2019年面板数据[J] . 中国土地科学， 2022， 36（3）： 74 - 85.

[21] 张军， 章元. 对中国资本存量K的再估计[J] . 经济研究，2003（7）： 35 - 43，90.

[22] 唐洪松， 苏洋， 汪晶晶. 碳排放视角下我国建设用地利用强度与效率研究[J] . 生态经济， 2018， 34（9）： 25 - 30，60.

[23] 周迪， 王雪芹. 中国碳排放效率与产业结构升级的耦合度及耦合路径[J] . 自然资源学报， 2019， 34（11）： 2305 -2316.

[24] GUASTELLA G， PAREGLIO S， SCKOKAI P. A spatial econometric analysis of land use efficiency in large and small municipalities[J] . Land Use Policy， 2017， 63： 288 - 297.

Spatial-Temporal Analysis of Structure Equilibrium and Efficiency of Provincial Land Resource Allocation in China

ZHANG Miao1， LIU Xuan2， CHEN Yinrong3， PENG Shangui1

（1. School of Economics and Management， Shandong Agricultural University， Taian 271018， China； 2. College of Management and Economics， Tianjin University， Tianjin 300072， China； 3. College of Public Administration， Huazhong Agricultural University， Wuhan 430070， China）

Abstract： The purposes of this study are to reveal the equilibrium of land resource allocation structure and the spatialtemporal evolution pattern of land resource allocation efficiency at the provincial level in China， and to provide references for the rational allocation of land resources. Lorenz curve-Gini coefficient method， non-parametric efficiency measurement， exploratory spatial data analysis and kernel density estimation are used in the study. The results showed that： 1） during the study period， the Lorenz curves of different land types moved closer to each other， and the Gini coefficients showed a downward trend in Chinas provinces. Compared with 2009， the allocation of cultivated land， garden land， forest land， residential land ， industrial/mining land and transportation land was more balanced in 2019. 2）The mean value of provincial land resource allocation efficiency in China from 2002 to 2019 showed a two-stage change， presenting a downward trend from the demarcation year to 2019. The average factor efficiency was higher than the total efficiency. The spatial distribution was high in the southeast but low in the northwest， bounded by the Hu Huanyong line. High-high agglomeration （HH） and low-low agglomeration （LL） were the main local spatial autocorrelation types. 3） The total efficiency showed an evolution trend of overall value decline and regional disparity reduction. The carbon emission efficiency of residential land and industrial/mining land presented a continuous increase in the low-value threshold and a narrowing gap among provinces. The carbon emission efficiency of transportation land showed a periodical change. In conclusion， the structure equilibrium of the provincial land resource allocation in China was dynamically stable from 2002 to 2019. The efficiency of land resource allocation under carbon emission constraints showed a decreasing trend in time series， and a significant positive correlation and lock-in effect in spatial distribution. The spatial-temporal distribution pattern of total efficiency and factor efficiency changed asynchronously. Effective interpretation of the above characteristics provides implications for the rational allocation of land resources.

Key words： land resource allocation structure； land resource allocation efficiency； factor efficiency； equilibrium； spatialtemporal distribution

（本文責编：张冰松）