数实融合能否有效遏制城市蔓延？来自中国的证据——基于双重/去偏机器学习方法

《Land Use Policy》：Can digital-real integration effectively curb urban sprawl? Evidence from China using double/debiased machine learning

　　

• •
  构建了一个将数字-实体经济融合（DRI）与城市蔓延治理相联系的整合框架。
• •
  采用严格的因果识别策略，构建了多维度的DRI指数。
• •
  识别了DRI塑造城市蔓延的多种机制。
• •
  发现在高异质性和不同治理能力的情况下，DRI的效应更为显著。

引言

城市蔓延（URS），其特征为低密度增长、土地利用碎片化和缺乏协调的扩张，已成为中国等快速城市化国家面临的一个结构性挑战（Ghasemi et al., 2025）。这一现象降低了土地利用效率，增加了基础设施成本，并加剧了环境退化、能源过度消耗和社会不平等（Rosati, 2025）。值得注意的是，城市蔓延并非仅存在于发展中国家，在发达经济体中同样持续存在。例如，在1977年至2017年的美国，通勤时间大幅上升，拥堵成本每年高达1790亿美元。以洛杉矶和凤凰城为代表的蔓延型城市，依赖高速公路和分散式增长，其人均出行距离远高于纽约和旧金山等紧凑型城市（Rahman and Antipova, 2024）。在全球范围内，城市蔓延的轨迹差异显著，反映了不同的治理策略和规划能力。Gao和O'Neill（2020）在不同发展阶段中识别出明显的类型学差异：在"平稳城市化"国家（如印度），城市蔓延表现为中小城镇的扩张及其向区域中心的演变；相反，在美国和欧洲等"已城市化"国家，扩张由社会经济转变驱动；而在"快速城市化"的南部非洲国家，扩张主要受基本住房与基础设施需求驱动。

国际经验表明，主动的空间规划和监管手段能够将城市发展引导至紧凑均衡的形态。悉尼的"三城都会"战略将高密度增长与绿地管理相结合，在四十余年间将建成区扩张控制在40%以下，同时保留了紧凑的核心区和低密度的外围区域（Soltani et al., 2025）。在欧洲和北美，一些城市通过采用数据支持的增长边界管理、土地利用监测系统和跨部门空间协调机制，进一步加强了紧凑发展政策的一致性（Kirby et al., 2023）。相比之下，作为世界最大的城市化国家和拥有复杂制度环境的国家，中国面临更为严峻和多样化的城市蔓延压力。2000年至2023年间，中国建成区面积扩张超过187%，而城市人口增长不足110%，显示出明显的"土地先行"现象（Meng et al., 2024）。案例研究进一步揭示了这种差异：珠三角地区的制造业枢纽东莞，由于高度依赖土地财政，其蔓延指数持续上升；老工业基地沈阳在人口减少的背景下面临"空心扩张"和"鬼城"风险；而中小城市则因土地价格较高而向外扩张（Yu et al., 2024）。

现有研究还表明，中国的城市蔓延具有明显的阶段性特征。例如，X. Li等（2025）记录的长三角地区证据显示，该区域城市扩张轨迹因不同发展阶段的差异而显著不同：南京已进入成熟阶段，扩张趋于稳定并转向内部优化；无锡已从快速扩张转向减速阶段；扬州仍处于城市化的早期阶段，扩张势头强劲。这些差异表明，城市发展阶段和治理能力水平深刻地影响着城市蔓延的强度和轨迹。鉴于如此大的异质性，单纯依赖行政规划或传统监管工具已不足以应对不同类型城市面临的差异化风险（Taranu and Verbeeck, 2022）。因此，采用更加灵活和智能的治理工具，以提高空间监管的响应性和精确性，已成为城市治理领域的重要议程。

数字技术的兴起为转变城市治理模式创造了重要机遇。通过将大数据、人工智能和物联网等数字工具与法律监管框架相结合，政府可以建立更具适应性的治理策略，显著增强引导和调节城市空间形态的能力（Bozkurt et al., 2025, Cheng et al., 2025, Jiang et al., 2025）。

数字-实体经济融合（DRI）定义为数字技术与实体经济各领域之间的深度融合，不仅重塑产业组织和资源配置，还为城市空间治理提供了新的路径（Luo et al., 2025）。在国际上，迪拜（阿联酋）和挪威的奥勒松等城市已采用数字平台来增强城市管理能力（El-Agamy et al., 2024）。同时，在中国，智慧城市试点已将这些技术具体应用于建设用地审批和空间扩张监测中，通过实时数据反馈提升了土地利用监管的精确性和透明度（Zhuo et al., 2025）。基于上述发展，现有研究认为，DRI有望通过降低信息成本、提高要素流动性和支持动态决策，抑制低效的外向扩张，推动城市向更加紧凑和智能的方向发展（Xie et al., 2025, Zhao et al., 2025）。然而，这种融合是否能够在不同的制度与空间背景下持续抑制城市蔓延仍不确定，且关于其内在机制和因果效应的系统性实证证据仍然有限。

综上所述，现有研究大致可概括为两个脉络。第一类研究从土地财政、交通网络和规划制度的角度探讨了城市蔓延的驱动因素。第二类研究系统评估了DRI对产业升级和资源配置效率的影响。然而，这两个研究脉络在很大程度上仍然相互脱节：DRI如何作为城市空间系统中的治理机制发挥作用，以及它是否能够影响城市蔓延这一结构性结果，尚未得到系统考察。

因此，本研究采用中国280个地级及以上城市的面板数据，从理论和实证两个角度考察了DRI对城市蔓延的影响及其内在机制。本文的贡献体现在三个方面。第一，在研究视角方面，本研究明确将DRI纳入城市蔓延治理框架中，系统评估其在应对城市蔓延这一结构性挑战中的作用，从而拓展了城市治理领域中数字化研究的空间维度。第二，在方法方面，本文运用纵横向离散度法构建了DRI的多维指数，并在高维控制条件下采用双重/去偏机器学习（DML）模型识别因果效应，这在一定程度上有助于缓解模型设定偏误和内生性问题（Zhang et al., 2024）。第三，在分析深度方面，本研究识别了DRI抑制城市蔓延的三个具体渠道——产业结构升级、职住平衡改善以及基于道路通勤的依赖度降低——并进行了跨区域、城市群、城市规模、资源依赖度和蔓延程度的异质性分析。这些发现共同为差异化数字空间治理策略的设计提供了实证证据和政策启示。

章节摘要

文献综述

现有研究普遍认为，城市蔓延深深根植于制度激励和治理能力，而非孤立的市场经济力量（Brueckner, 2000）。关于城市蔓延的治理方法，现有研究大致可分为三个脉络：规划与监管工具，如分区规划和城市增长边界（Amponsah et al., 2022）；与土地财政、地方政府行为和要素配置相关的制度性与经济激励（Su et al.

双重/去偏机器学习

与传统计量模型（如双向固定效应模型）相比，双重/去偏机器学习（DML）在处理高维协变量和复杂非线性关系方面表现出更强的稳健性。这一优势在处理连续型处理变量的因果推断中尤为突出（Z. Wang et al., 2024）。DML的方法论特征与本研究的命题高度契合。

一方面，数字-实体经济融合

基准回归结果

为避免由任意参数调优引起的潜在过拟合问题，并确保与经典的双重/去偏机器学习（DML）框架保持一致，本研究采用随机森林算法估计伪函数，并使用Stata中的ddml软件包实施DML程序（Ahrens et al., 2024）。我们采用该软件的默认超参数设置。该软件包提供了对所提出DML框架的标准化和可重复实施。

主要发现与政策启示

本研究的发现与日益增长的有关数字技术对城市结构空间影响的文献基本一致，同时通过时间序列的机制分析和异质性分析提供了新的证据。具体而言，尽管先前的研究表明DRI通过提高资源配置效率和推动绿色转型来促进城市发展（Ranta et al., 2021, Yang et al., 2024），但它们对这种

结论

从空间治理的视角出发，本研究系统考察了DRI对城市蔓延的影响以及这些效应发挥作用的条件。

• (1)
  DRI对城市蔓延具有统计上稳健的抑制效应。
  结果表明，DRI总体上显著抑制了城市蔓延，且该发现在经过多次稳健性检验和内生性处理后依然稳健。这一证据表明，数字技术与实体经济的深度融合并非一种中立的

CRediT作者贡献声明

胡春杰：撰写——初稿、方法论、形式分析、概念化。郑金松：撰写——初稿、调查研究、数据整理。赖南曦：可视化、验证。王秋雨：撰写——审阅与编辑。何守奎：撰写——审阅与编辑、监督、项目管理。

资金信息

本研究得到重庆交通大学研究生科研创新项目〔资助号 CYS25563〕、重庆市哲学社会科学创新项目〔资助号 2025CXZD16〕以及重庆市社会科学规划重大项目〔资助号 2021ZDSC06〕的资助。

利益冲突声明

作者声明不存在可能影响本文研究结果的已知竞争性经济利益或个人关系。

胡春杰|郑金松|赖南曦|王秋雨|何守奎