快速城市化地区土地利用效率驱动机制解析：基于SBM-DDF与可解释机器学习的混合框架

针对中国快速城市化进程中土地利用效率(ULUE)提升的迫切需求，本研究创新性地构建了融合SBM-DDF模型与可解释机器学习(CatBoost+SHAP+GAM)的混合分析框架，基于35个典型城市2007-2022年多源面板数据，揭示了经济水平(38%)、社会发展(23%)和环境条件(18%)三大主导因素的非线性阈值效应，为区域差异化土地政策制定提供了科学依据。

　　

随着中国城市化率从1978年的17.92%飙升至2024年的67%，城市建成区面积扩张达8.6倍，人口城镇化与土地城镇化失衡引发的资源环境压力日益凸显。在全球70%人口将居住于城市的背景下，如何破解土地利用效率(Urban Land Use Efficiency, ULUE)提升瓶颈成为可持续发展核心议题。传统研究受限于线性假设和"黑箱"模型，难以捕捉复杂驱动机制的阈值效应与区域异质性，亟需创新方法论突破。

中国的研究团队在《Habitat International》发表的最新研究，通过整合非径向方向距离函数(SBM-DDF)与可解释机器学习技术，构建了"测量-归因-解析"的全链条分析框架。研究选取35个典型扩张城市2007-2022年面板数据，创新性地将能源消耗纳入投入指标，生态效益和污染排放纳入产出指标，采用非参数检验验证了SBM-DDF模型相较于传统DEA、SBM模型的优越性。通过CatBoost算法结合SHAP值分解和广义加性模型(GAM)，首次系统揭示了ULUE驱动因素的贡献度排序与非线性响应规律。

关键技术方法包括：1) 基于夜间灯光数据反演城市能耗；2) 构建包含土地、资本、劳动、能源4类投入和经济、社会、生态3类产出的SBM-DDF模型；3) 采用网格搜索优化CatBoost参数；4) 应用SHAP值量化24个驱动因素的边际贡献；5) 通过GAM拟合阈值转折点。

研究结果呈现三大发现：

4.1 模型识别与ULUE时空格局
非参数检验显示SBM-DDF的J-T统计量(113960)显著优于传统模型。2007-2022年全国ULUE均值从0.64升至0.88，但呈现"东高西低"格局：东部效率最高(0.749)，中、西、东北部分别为0.737、0.727和0.691。值得注意的是，石家庄等东部城市2018年后出现效率下滑，而西宁等欠发达城市却逼近效率前沿。

4.2 驱动因素异质性
SHAP分析表明：经济水平贡献度达38%，其中人均GDP(92,000元阈值)和第三产业占比(55.6%阈值)是东部关键因子；中部ULUE更依赖城镇化率(72%阈值)和医疗水平(58床/万人)；西部受房地产投资(47.7亿元拐点)负向影响显著；东北地区则对产业转型(第三产业50%阈值)敏感。

4.3 非线性阈值效应
GAM曲线揭示环境治理存在"临界提升点"：当污水处理率超过95%时，其对ULUE的促进作用显著增强。市场开放度(E)整体呈负效应，反映外资过度介入可能导致土地资源配置扭曲。

讨论部分指出，该研究在三个方面推动领域发展：方法学上首次实现效率测量与机理解释的融合；实证层面验证了"效率悖论"——部分发达城市效率反降，而生态优先的欠发达城市表现优异；政策启示强调需建立区域差异化调控机制，如东部应聚焦产业升级(第三产业占比>55.6%)，西部需控制房地产过热(投资<47.7亿元)，东北则要突破转型阈值(第三产业>50%)。

这项研究为全球快速城市化地区提供了普适性分析框架，其揭示的"效率-发展-环境"复杂互馈规律，对实现SDG11.3可持续城市目标具有重要参考价值。未来研究可结合POI数据和空间计量模型，进一步探索城市群协同增效机制。