摘要：已有城市扩张文献多将建设用地视为单一对象，而较少考虑不同类型的建设用地可能受差别化的驱动因素的影响。针对此，论文以浙江义乌为例，采用无序多分类Logistic回归模型，分析了2006—2014年间义乌商住用地与工业用地扩张所受驱动力的差异。结果表明：商住用地与工业用地扩张均受到自然环境、社会经济区位、邻域状态及空间政策等多重因素的综合影响，但也存在明显的内部差异：一是驱动商住用地扩张的因素并不必然作用于工业用地，反之亦然;二是作用于两类用地扩张的同一驱动因素，其作用方向也可能截然相反;三是对两类用地扩张具有相同作用方向的驱动因素，其作用强度也往往不同，并形成了义乌“产城分离”的城市发展格局。论文揭示了城市化背景下不同建设用地扩张的驱动差异特征，对现有驱动力研究进行了一定拓展，能够为城市规划和城市用地分类管理提供科学依据和直接参考。
关 键 词：城市扩张;驱动力分析;商住用地;工业用地;无序多分类Logistic回归
经济合作与发展组织 (Organization for Economic Co- operation and Development， OECD) 于2015年指出：中国未来10 a内将形成约9亿的城市人口规模，城市人口比重将提升至70%[1]。人口大量流入必然造成城市用地的快速扩张，加剧因土地利用/覆被变化及土地产权重构所引发的“人-地”及“人-人”紧张关系，诱发栖息地破坏、生态环境恶化、农地减少、征地冲突等一系列矛盾[2-3]，城市发展将面临严峻挑战。如何控制城市无序扩张已成为现实及学界的重要议题[4]，而把握城市扩张的客观规律是有效引导城市发展的重要前提，因此加强城市建设用地扩张的驱动研究则尤为必要。
城市扩张监测与驱动力分析是城市扩张研究的两大主体内容[5-6]。前者主要采用面向像素和面向对象等遥感分类方法对遥感影像进行地类解译，识别不同时点城市建设用地或不透水面的范围，通过对比实现对城市扩张范围的监测[7-8];该类研究通常受空间分辨率的限制，无法进一步准确识别出具体的城市建设用地类别，譬如住宅、商业或工业用地。后者则从经济学、制度学、地理学等实证经验视角[7,9-12]，对监测出的城市扩张范围进行定量或定性分析，找出引发城市扩张的驱动因素，识别驱动因素对城市扩张的具体作用，分析不同驱动因素之间的交互关系，从而把握城市扩张的机制[13-14]，比较常用的手段是借助计量回归模型[15]，其中以Logistic回归模型的应用最为普遍。比如，Verburg等[16] 最早采用二元Logistic模型对荷兰城市扩张进行了分析，认为可达性、政策、邻域交互作用等是导致居住、工业、商业及娱乐用地扩张的主要驱动因素;Braimoh等[17]采用Logistic回归模型分析了尼日利亚Lagos地区居住用地与工商用地扩张的驱动因素;Arsanjani 等[18]利用Logistic回归模型对伊朗Tehran地区城市扩张的驱动因素进行了探讨，并进一步将回归结果作为城市用地扩张模拟的基础。在国内，Liu等[19]和Shu等[4]采用同样的方法分别对浙江杭州、江苏太仓在不同时期的城市用地扩张进行了驱动力分析;李春林等[20] 采用Logistic回归与增强回归树两种不同方法对沈阳城市建成区扩张进行驱动力分析，发现两种方法在揭示城市扩张驱动因素方面取得了近似的研究结果。
上述两个方面的研究多以建设用地为单一客体，并未区分城市内部的商业、住宅、工业或公共基础设施用地。其中，城市扩张监测受数据质量限制而未能进行细化;而驱动力分析则隐含着不同类型建设用地受相同驱动力影响的假设前提[21-22]，这显然与现实情形及相关理论不符。若未考虑不同建设用地在空间分布上的差异，则揭示的城市用地扩张驱动机制很可能存在“有偏”的研究判断[23-24]。鉴于此，以浙江义乌为例，将商住用地与工业用地作为研究客体①，探讨在快速城市化背景下不同建设用地扩张所受驱动力的差异，并进一步揭示城市内部不同建设用地的空间分布格局，为实行差别化的城市用地管理提供科学依据。
1 数据与方法
1.1 研究区概况
义乌位于浙江中部，地处金衢盆地东缘，市境多面环山，土地总面积 1 105 km2 ，根据其地形地貌特征，剔除山体等不可建设区域后，形成本文的研究区域 (图 1)。近年来，随着产业转型升级，义乌市人口、经济呈现快速发展的趋势。2006—2014年间，全市户籍人口提高至 76.66 万人 (不含流动人口约为 125 万人)。GDP 增长约 2.75 倍，达到 968.60 亿元规模，三次产业结构由 2.9∶ 46.2∶50.9调整为2.3∶39.4∶58.3。同时，经济增长引发用地需求扩大，城市建成区面积从 56 km2 增至 102 km2 ，表现出典型的外延扩张特征，其中又以商业、住宅及工业等用地扩张居多。该地区城市快速扩张、经济发展迅速的特点，是开展城市扩张研究较为理想的对象。
1.2 数据来源与处理
基础数据包括义乌2006、2014年两期1∶1万土地利用现状数据、土地利用总体规划数据(2006—2020年)、2006—2014年农用地转用数据②、城市规划数据、城市基准地价数据、DEM数据③、2007—2015年统计年鉴以及具有地标特征的位置数据 (包括CBD、工业中心等)，主要来源于义乌市国土资源局、城乡规划建设局以及统计局，部分位置坐标数据来源于百度地图平台④。
首先，将人口、产业产值等社会经济数据根据地域归属进行矢量化，并对城市基准地价进行栅格矢量化;其次，基于土地利用现状图，采用投影变换、几何校正、镶嵌配准等方式，将城市基准地价、DEM、地标位置等数据投影至同一空间坐标系;最后，将所有矢量数据按照30 m×30 m进行栅格化处理。
考虑到第二次全国土地调查前后可能存在土地利用数据差异，利用Landsat影像数据和历史高分影像数据分别对2006和2014年建成区范围进行匹配性校验⑤，并将两期土地利用现状图叠加，得到2006—2014年时段内城市建设用地扩张的区域。再与历年农用地转用图层进行空间叠加分析，获取城市建设用地扩张区域内不同地块的土地用途等信息(图2)。本文仅考虑扩张规模较大的住宅、商业及工业用地，而由于义乌主城区内商、住不分离的现象较为普遍，而且商业与住宅用地因功能互补而在空间分布上较为集中，因此将商业与住宅用地统一为商住用地进行分析。
1.3 模型与方法
1.3.1 无序多分类Logistic回归
常用的Logistic回归模型主要针对二分类因变量，当因变量取值超过两种以上时，则需采用多分类Logistic回归模型[27]。多分类Logistic回归包括无序多分类Logistic (Multinominal Logistic Regression， MLR) 和 有 序 多 分 类 Logistic (Ordinal Logistic Regression，OLR)两类，结合本文因变量属性特征，适合采用 MLR 进行城市扩张驱动力分析。MLR模型的构建思路与二分类Logistic一致，均通过转化为求因变量取不同值时的概率来进行。
1.3.2 空间抽样
土地利用变化存在空间自相关特性[28]，为降低样点间的空间依赖性[29]，采用空间平衡抽样 (Spatially-Balanced Sampling, SBS) 与分层抽样相结合的方式进行空间采样。 SBS抽样强调采样点随机概率的一致性和空间分布的均衡性[30]，能最大化降低采样点之间的空间自相关性，提高估计值的效率[31-32]。将研究区划分为未转变区域、转变为商住用地区域以及转变为工业用地区域3个抽样区，分别进行SBS抽样。对未转变区域进行抽样时，剔除水库水面及河流水面等不宜建设区。为统一抽样数量，每个抽样区设定3 000 个样本量，共同构成9 000个总样点集合。
1.4 变量设置
以2006—2014年城市用地的变化情况为因变量Y，Y=0表示研究起止时期内未转变为城市建设用地的样本，Y=1与Y=2分别表示研究时期内转变为商住用地和工业用地的样本，其中以Y=0为参照组。
正如Verburg等[16]所言，目前并没有关于土地利用/覆被变化的统一理论，但综合不同学科的知识有助于理解土地利用变化的驱动因素，该观点同样适合于城市用地扩张研究。已有研究表明，城市扩张受自然、社会、经济、文化、制度等多层面因素的综合影响[16-17]，因此本文在选取潜在驱动因素时，结合研究区特点及国内相似区域的研究结果[4,7,19]，选取了5类共13项驱动因素：
1)自然环境。自然环境是影响城市扩张的基础性因素，由于义乌境内地形地貌并不单一，地质条件对城市扩张的影响存在空间差异性;加之近年为保护水环境而推出的 “让江河湖泊休养生息”的政策，使得与水体之间的相互关系也成为制约城市用地扩张的潜在因素。因此，选择海拔(Altitude)、坡度(Slope)、到河流距离(River)等因子描述自然环境条件。
2) 社会经济状况。社会经济发展对城市化具有重要影响[4,19]。大量人口涌入城市直接催生了对建设用地需求的增加，是城市用地扩张的外在动力;经济增长在吸引人口向城市快速集聚的同时[33]，也刺激产业结构的转型与生产要素组合的升级，促成第一产业向第二、三产业的转移，进而加快城市化步伐[13,34]。采用人口密度 (Population) 及第二、三产业产值(STIVA)测度社会经济发展水平的差异，其中，人口密度及第二、三产业产值因统计口径限制而采用镇 (街道) 级尺度的平均值，即单位土地面积上的人口数量及第二、三产业增加值。此外，选择基准地价 (DLP) 进一步衡量城市内部用地单元的社会经济分化，并采用分级别的城市土地综合基准地价进行具体分析，以消除不同用途之间基准地价的显著差异性⑥;需注意，由于城市基准地价成果仅适用3~5 a，过期需进行实时变更，但变更主要体现在土地价值波动上，不同级别基准地价的范围变化较小，因此暂不考虑城市基准地价调整对回归结果的影响。
3)区位条件。区位条件反映了土地利用单元同社会和经济机会的接近程度，是城市空间结构演化的重心[17]。假定土地开发利用决策是基于对土地利用效益的最大化考虑[16]，分别以到CBD、工业中心、道路和汽车站的欧氏距离来评估对土地利用效益最大化的影响，设定CBD邻近度 (PCBD)、工业中心邻近度 (PI)、道路邻近度 (PR) 和汽车站邻近度(PB)4项因子，以此描述可开发用地单元的区位差异。
4) 邻域状态。土地利用中的空间交互性影响到邻域用地单元的变化[28]，一般而言，邻域中建设用地单元越多，未开发用地单元转化为建设用地的概率相对越高[16]。选择可供开发用地量(AVAIL)和已建成建设用地量(BUA)两项因子表征可开发用地单元的邻域状态[19]，两者分别反映邻域范围内的可开发用地单元数量和建设用地单元数量，前者排除禁止建设区及基本农田保护区内的用地单元，后者不包括水库水面等用地单元，邻域范围统一采用33×33 Moore邻域计算⑦。
5) 空间政策。规划类空间政策能有效刺激或约束土地的开发利用行为[4]，是政府引导城市合理发展的有力工具。选择土地利用总体规划与城市规划来描述空间政策，设定空间规划因子(Plan)，当用地单元符合土地利用总体规划，且在城市规划范围内时，取 Plan=1;其他情形下Plan=0(参照组)。 2 结果与分析 2.1 Logistic回归结果与分析多重共线性检验显示，各自变量之间的相关系数在0~0.675之间，条件指数均小于 10，方差膨胀因子也在1~2之间，而特征根中除Plan (0.097) 接近0以外，其他均大于 0，表明所选自变量具有较弱的多重共线性[35]，可采用MLR模型进行回归分析。
根据回归结果，将原始样点数据 (自变量)代入回归模型进行Y值的预测，并与实际 Y 值进行对比 (表 1)，以此进行回归精度检验。其中，未转变为城市建设用地(Y=0)、转变为商住用地 (Y=1) 和转变为工 业 用 地 (Y=2) 的 预 测 准 确 率 分 别 为 88.60%、65.60%与 75.10%，整体预测准确率达到 76.40%，满足拟合精度要求，回归模型有效可靠，对研究区城市扩张具有较好的解释能力。
选定的13项驱动因子在不同组 (Y=1与Y=2) 之间的显著性水平及回归系数 β 均存在差异(表2)，这表明在义乌城市发展过程中，商住用地扩张与工业用地扩张受到不同驱动因素的差别化影响。
2.2 驱动因子分析⑧
2.2.1 商住用地扩张驱动分析
坡度(Slope)与海拔(Altitude)与商住用地扩张存在显著负相关性。研究区受地形地貌约束，坡度越大、海拔越高，前期土地开发建设的投入成本会相应增加，可开发用地单元转变为商住用地的概率相应降低。到河流距离(River)与商住用地扩张不存在显著关系。
人口密度 (Population) 与商住用地扩张存在负相关性，这是由于老城区土地价值高、可发展空间受限，新增商业或住宅用地一般以占用人口密度较低的农业区域为主，从而表现出数量上的负相关性。第二、三产值 (STIVA)、城市基准地价 (DLP) 则与之存在正相关性，经济活力越强的区域，对住宅及商业用地的需求也越高，而基准地价越高说明其基础设施配套更为完善，转变为商住用地后的土地保值增值空间更为稳定，相对更受土地开发者青睐。
CBD邻近度 (PCBD) 与商住用地扩张存在负相关性，而工业中心邻近度 (PI) 则与之相反。CBD及其周边区域的经济活跃度最高，基础设施状况、公共服务水平以及金融环境相对最好，对商业及住宅等产业的吸引力也更大，表现出对商住用地的吸引效应;而工业开发会对自然和生活环境带来较高的负外部性，因此表现出对商住用地的排斥效应。道路邻近度(PR)和汽车站邻近度(PB)与商住用地扩张存在负相关性，表明道路交通便捷性对商住用地扩张具有显著影响，其中离汽车站越近，对外交通便捷度越高，越有利于商业或居住的集聚。
快速城市化背景下不同建设用地扩张的驱动差异探讨：以浙江省义乌市为例相关论文期刊推荐：《现代城市研究》(月刊)创刊于1986年，由南京城市科学研究会主办。是以城市为研究对象的综合性学术期刊。本刊追求学术性、前沿性和前瞻性，注重理论联系实际，反映学术界和实际部门的新动态，刊载有创见的现代城市研究成果、述评、实例分析、文摘等。
转载请注明来自：http://www.lunwencheng.com/lunwen/jgu/15065.html
