EN中文

Journal of Geo-information Science >

2020 , Vol. 22 >Issue 12: 2358 - 2370

DOI: https://doi.org/10.12082/dqxxkx.2020.200286

Analysis of Spatial-temporal Evolution and Influencing Factors of Green Land Use Efficiency in Central China based on Geographic Detector

  • ZHAO Dandan , 1, 2 ,
  • JIN Shengtian , 3, * ,
  • BAO Bingfei 4 ,
  • ZHANG Liguo 1
Expand
  • 1. School of Economics, Jiangxi University of Finance and Economics, Nanchang 330013, China
  • 2. School of Engineering Management Hunan University of Finance and Economics, Changsha 410205, China
  • 3. Institute of Ecological Civilization, Jiangxi University of Finance and Economics, Nanchang 330013, China
  • 4. Institute of Statistics and Applied Mathematics,Anhui University of Finance & Economics, Bengbu 233000, China
* JIN Shengtian, E-mail:

Received date: 2020-06-15

  Request revised date: 2020-10-12

  Online published: 2021-02-25

Supported by

The 65th batch of general projects of China Postdoctoral Science Foundation(2019M652271)

General topics of the Hunan Provincial Social Science Achievement Review Committee in 2019(XSP19YBZ141)

Jiangxi University of finance and economics graduate innovation project in 2019

Copyright

Copyright reserved © 2020
Fold

Abstract

After the Chinese government put forward the Rise of Central China Plan, it rapidly facilitates the economy development of Henan province, Hubei province, Hunan province, Jiangxi province, Anhui province and Shanxi province which has gradually become the fourth growth pole driving national economic growth, has caused the built-up area to expand and arable land to decrease, which not only threaten food security, but also impose resource and environmental constraints. In the context, based on the panel data of 80 prefecture-level cities in six provinces of central China from 2007 to 2018, this paper analyzes the green-efficiency of land use and its evolution, the trajectory of gravity center change, influencing factors of green-efficiency of land use and its influence degree applying Malmquist-Luerberger index, gravity center model, spatial econometric regression model and geographical detector model. The results show that ① the green-efficiency of land use and technological progress in the six provinces of central China from 2007 to 2018 fluctuated frequently and their change pace was basically the same, while the technological efficiency was relatively stable, indicating the green-efficiency of land use was “single-track” driven by technological progress. ② The green-efficiency of urban land use showed obvious spatial differentiation characteristics, and the center of gravity generally moved to the northeast part of Central China. ③ It showed spatial dependence and spatial spillover effects on the green-efficiency of land use at the provincial level and prefecture level, the green-efficiency of land use among the prefecture-level cities is mainly in the high-high and low-low level. ④ In addition to the area of urban construction land, urbanization rate, the advanced level of industrial structure, the level of economic development, and the amount of foreign direct investment all positively affect the green-efficiency of land use in 80 prefecture-level cities of six central provinces. Among them, the influence degree of various factors on the green-efficiency of land use from strong to weak, in order, is the advanced level of industrial structure, the amount of foreign direct investment, the area of urban construction land, the urbanization rate and the level of economic development.

Key words： green land use efficiency; temporal and spatial evolution; center of gravity; spatial correlation; influencing factors; spatial autoregressive model; geographical detector; six provinces in central China

Cite this article

ZHAO Dandan , JIN Shengtian , BAO Bingfei , ZHANG Liguo . Analysis of Spatial-temporal Evolution and Influencing Factors of Green Land Use Efficiency in Central China based on Geographic Detector[J]. Journal of Geo-information Science, 2020 , 22(12) : 2358 -2370 . DOI: 10.12082/dqxxkx.2020.200286

1 引言

目前,绿色已成为当代城市经济发展的主题[1]。党的十八届五中全会提出了“创新、协调、绿色、开放、共享”5大发展理念,其中“绿色”指绿色发展。绿色发展的目标是在打造“两型”社会的基础上,实现经济、社会和环境的协调发展[2]。2004年温家宝总理提出“中部崛起”战略,促进中国中部经济区——河南、湖北、湖南、江西、安徽和山西6省共同崛起,之后中部六省经济快速发展,逐步成为拉动国家经济增长的第四增长极[3]。高速的经济发展必将导致中部六省建成区面积进一步扩张,但由于土地总量的有限性,建成区面积扩张的同时,耕地面积必然减少,这不仅对粮食安全造成严重威胁,也会加剧资源约束和环境污染。在上述背景下,研究中部六省城市土地绿色利用效率,对缓解资源压力、减少城市开发过程中带来的环境污染、推动经济绿色协调可持续发展和土地可持续利用等具有重要意义。
国外城市土地利用效率起步较早,从理论研究着手,逐步转向实证研究,成果丰硕,为全球土地利用效率的研究提供经验借鉴[4]。20世纪20年代,生态学派以直观的视角辨认城市土地利用空间,将其识别成多种直观模式,如多核模式、扇形模式等[5,6]。20世纪70年代,以市场平衡理论为基础的经济区位理论逐渐形成,进一步丰富了土地利用研究[7],如阿隆索提出依据城市不同用途土地应该支付不一样的地价,萌生了城市地价理论[8]。20世纪70—80年代,政治经济学派开始揭示城市土地利用的内在机制。理论研究较为成熟之后,城市土地利用效率的实证研究开始出现,城市建设用地利用效率研究的重点在效率的评价方法及影响因素上,如David等[9]对土地利用效率评价方法进行了创新;Abreu等[10]根据环境模拟的多代理系统构建了土地利用的动态模拟器,并引入了多目标优化算法;Pouriyeh等[11]分析了影响土地利用效率的生态因素;Abaynew等[12]对埃塞俄比亚城市土地利用效率进行了测算,并分析其影响因素。国内对城市土地利用效率的研究起步较晚,主要为实证研究。孟成等[13]提出一种基于土地税收的土地利用效率计算方法,解决土地利用效率计算中指标数据多源异构的问题。梁流涛等[14]、张立新等[15]、詹国辉[16]运用传统未纳入非期望产出的DEA模型对不同区域范围城市土地利用效率测度、变化特征及影响因素进行了深入研究。然而,土地利用过程中,不仅会产生目标产出物,还会产生大量废气、废水和固体废弃物,最终排向大自然,对生态环境造成巨大破坏,不符合经济发展与环境保护协调发展的目标。因此,大量学者转而选用Tone[17]在传统DEA模型基础上改进而成的非径向、非角度的SBM-Undesirable模型测算城市土地利用效率[18,19,20,21,22],该模型能够将非期望产出纳入到测度模型中。
综上,国内外学者在城市土地利用效率测算方法创新、影响因素分析等方面均取得丰硕的研究成果。然而,对于中部六省这一新的经济增长极,从考虑非期望产出的角度测算其土地利用效率,探究其空间分异格局,并测算各影响因素对土地利用效率影响力值的研究并不多见。基于此,本文首先以中国中部六省的80个地级市为研究对象,探索2007—2018年80个地级市土地绿色利用效率的时空演变特征及其重心移动轨迹变化情况;其次,运用空间计量回归模型分析土地绿色利用效率的影响因素;再次,运用地理探测器模型测算各影响因素对土地绿色利用效率的影响力值,旨在为提高中部六省土地绿色利用效率提供有针对性的对策建议。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

我国中部六省地区包括湖北省、湖南省、安徽省、山西省、江西省和河南省（图1）,含80个地级市①(①80个地级市分别为：合肥市、淮北市、亳州市、宿州市、蚌埠市、阜阳市、淮南市、滁州市、六安市、马鞍山市、芜湖市、宣城市、铜陵市、池州市、安庆市、黄山市、太原市、大同市、阳泉市、长治市、晋城市、朔州市、晋中市、运城市、忻州市、临汾市、吕梁市、长沙市、株洲市、湘潭市、衡阳市、邵阳市、岳阳市、常德市、张家界市、益阳市、郴州市、永州市、怀化市、娄底市、武汉市、黄石市、十堰市、宜昌市、襄阳市、鄂州市、荆门市、孝感市、荆州市、黄冈市、咸宁市、随州市、南昌市、景德镇市、萍乡市、九江市、新余市、鹰潭市、赣州市、吉安市、宜春市、抚州市、上饶市、郑州市、开封市、洛阳市、平顶山市、安阳市、鹤壁市、新乡市、焦作市、濮阳市、许昌市、漯河市、三门峡市、南阳市、商丘市、信阳市、周口市、驻马店市。)。2004年温家宝总理提出“中部崛起”战略以来,在国家政策的支持下,中部六省经济快速发展,逐步成为拉动国家经济增长的第四增长极。2018年,中部六省人口总数占全国比重为25.29%,创造的GDP占全国比重为21.40%,是我国人口密集、经济发展的主要区域,对我国经济发展起到关键作用。中部六省各地级市气候条件均存在差异,主要以温带季风、副热带季风气候为主。中央提出中部崛起战略后,中部六省省会城市资源高度集聚,城市扩张迅速,城市间发展不均衡,土地利用差异显著。本研究以中部六省为研究对象,对保障粮食安全、推进经济发展等具有重要的战略意义。
图1 研究区域划分

Fig. 1 Study area division

2.2 数据来源

本文以中部六省80个地级市为研究对象,所涉及城市建设用地面积、城市建设维护资金、固定资产投资、第二产业从业人员、第三产业从业人员、第二产业增加值、第三产业增加值、职工平均工资、各地级市GDP、外商直接投资额、财政支出均来源于《中国统计年鉴》（2007—2019年）[36]和《中国城市统计年鉴》（2007—2019年）[37],工业废水排放量、二氧化硫排放量、一般工业固体废物排放量等环境污染数据来源于中部各省环境统计年鉴及各地级市国民经济和社会发展统计公报（2007—2018年）,部分数据基于年鉴数据计算获得。采用的空间数据均来源于全国地理信息资源目录服务系统（http://www.webmap.cn）提供的1:100万矢量数据。

2.3 研究方法

本文实证分析的思路如图2所示。
图2 技术路线

Fig. 2 Technology roadmap

2.3.1 Malmquist-Luerberger指数
Malmquist-Luerberger指数是在Malmquist指数[23]的基础上考虑了非期望产出的一种动态指数方法。将决策单元的投入指标记为 X ,期望产出记为 Y ,非期望产出记为 B ,产出的调整量记为G[24],则根据[25]基于产出时期 t 到时期 t + 1 的ML生产率指数计算公式如下：
M L t t + 1 = 1 + E t ( x t + 1 , y t + 1 , b t + 1 , g y t + 1 , - g b t + 1 ) 1 + E t ( x t , y t , b t , g y t , - g b t ) × 1 + E t + 1 ( x t + 1 , y t + 1 , b t + 1 , g y t + 1 , - g b t + 1 ) 1 + E t + 1 ( x t , y t , b t , g y t , - g b t )
其中,Malmquist-Luerberger指数可以分解为绿色技术效率指数（ MLE C t t + 1 ）和绿色技术进步指数（ MLT C t t + 1 ）,即 M L t t + 1 = MLE C t t + 1 × MLT C t t + 1 。则时期 t 到时期 t + 1 的ML生产率指数计算公式进一步分解如下：
M L t t + 1 = 1 + E t ( x t + 1 , y t + 1 , b t + 1 , g y t + 1 , - g b t + 1 ) 1 + E t ( x t , y t , b t , g y t , - g b t ) × 1 + E t + 1 ( x t + 1 , y t + 1 , b t + 1 , g y t + 1 , - g b t + 1 ) 1 + E t + 1 ( x t , y t , b t , g y t , - g b t ) = 1 + E t + 1 ( x t + 1 , y t + 1 , b t + 1 , g y t + 1 , - g b t + 1 ) 1 + E t ( x t , y t , b t , g y t , - g b t ) × 1 + E t ( x t + 1 , y t + 1 , b t + 1 , g y t + 1 , - g b t + 1 ) 1 + E t + 1 ( x t + 1 , y t + 1 , b t + 1 , g y t + 1 , - g b t + 1 ) × 1 + E t ( x t , y t , b t , g y t , - g b t ) 1 + E t + 1 ( x t , y t , b t , g y t , - g b t )
MLE C t t + 1 = 1 + E t + 1 ( x t + 1 , y t + 1 , b t + 1 , g y t + 1 , - g b t + 1 ) 1 + E t ( x t , y t , b t , g y t , - g b t )
MLT C t t + 1 = 1 + E t ( x t + 1 , y t + 1 , b t + 1 , g y t + 1 , - g b t + 1 ) 1 + E t + 1 ( x t + 1 , y t + 1 , b t + 1 , g y t + 1 , - g b t + 1 ) × 1 + E t ( x t , y t , b t , g y t , - g b t ) 1 + E t + 1 ( x t , y t , b t , g y t , - g b t )
其中,绿色效率变化指数（ MLE C t t + 1 ）、绿色技术进步指数（ MLT C t t + 1 ）分别与Malmquist指数方法中效率变化指数、技术进步指数含义相同。当Malmquist-Luerberger指数、绿色技术效率指数和绿色技术进步指数均大于1时,分别表示绿色全要素生产率增长、绿色技术效率改善和绿色技术进步;反之,当Malmquist-Luerberger指数、绿色技术效率指数和绿色技术进步指数均小于1时,则分别表示绿色全要素生产率降低、绿色技术效率恶化和绿色技术退步。本文将采用Malmquist-Luerberger指数测算出的绿色全要素生产率表示土地绿色利用效率。
2.3.2 空间面板计量模型
土地绿色利用效率的影响因素及其作用机理通常采用计量模型进行实证分析,而经典的计量经济学仅要求各解释变量之间相互独立,尚未考虑地区间的经济活动存在空间效应。因此,采用经典计量模型将导致回归结果与实际偏离。鉴于此,本文运用空间计量经济学把空间效应纳入土地绿色利用效率的影响因素研究框架中,从而得出更切合实际的结果。空间面板计量模型主要包括空间相关性检验、空间面板计量方法及空间权重矩阵的构建。
（1）空间相关性检验
① 全局空间自相关。全局空间自相关反映在整个研究区某一属性值的空间关联性,其计算公式如下[26]：
I = n ∑ i = 1 n ∑ j = 1 n w ij ( x i - x ̅ ) ∑ i = 1 n ∑ j = 1 n w ij ∑ i = 1 n ( x i - x ̅ )
式中： n 为研究单元个数; x i 为某一属性在 i 单元上的观测值; w ij 为标准化的空间权重矩阵。 I 取值范围为[-1,1]之间。当 I 大于0,表示研究区某一属性值在空间上显著集聚; I 接近1,表明其值在空间上集聚程度就越大; I 小于0,表示研究区某一属性值在空间上显著差异; I 接近-1,表明其值在空间上差异就越大; I 等于0,表示空间不相关。
② 局部空间自相关。局部空间自相关反映研究区某单元某一属性值与其相邻单元之间的空间集聚（或差异）程度。其计算公式如下[26]：
I i = x j - x ̅ S ∑ j = 1 n w ij ( x j - x ̅ )
式中： n 、 x i 、 w ij 含义与全局I指数公式相同, S = ∑ j = 1 , j ≠ i n x j 2 n - 1 - x ̅ 2 。
（2）空间面板计量方法
常用的空间面板计量主要有空间面板自回归模型和空间面板误差模型。
① 空间面板滞后模型。空间面板滞后模型（SLM Panel）也称空间面板自回归模型（SAR Panel）,通过研究因变量之间的相关性,探讨因变量的空间溢出效应或邻居扩散效应。其基本形式如下：
Y it = ρW Y it + X it β + u + μ it
μ it ~ N ( 0 , σ 2 I n )
式中： i 表示地区, i = 1,2 , ⋯ , n ; t 表示时间, t = 1,2 , ⋯ , T ; Y it 为因变量; X it 为自变量; ρ 是空间自回归系数,反映因变量的空间效应; W 是 n × n 空间权重矩阵; W Y it 是因变量的空间自回归项,属于内生变量; β 是自变量 X it 的回归系数; u 表示回归模型中的个体效应; μ it 是服从正态分布的随机误差项。
② 空间面板误差模型。空间面板误差模型（SEM Panel）强调了空间异质性的存在,认为因变量之间的空间相关性是由于区域间随机冲击导致的,它测度邻近地区因变量的误差冲击对本地区因变量的影响程度。其基本形式如下：
Y it = X it β + u + μ it μ it = λW μ it + ε it
ε it ~ N ( 0 , σ 2 I n )
式中： i 表示地区, i = 1,2 , ⋯ , n ; t 表示时间, t = 1,2 , ⋯ , T ; Y it 为因变量; X it 为自变量; λ 是随机误差项 μ it 的空间自回归系数,表示某个地区的随机误差项对邻近地区随机误差项的空间溢出效应; W 是 n × n 的空间权重矩阵; W μ it 是随机误差项的空间自回归项; β 是解释变量 X it 的回归系数; u 表示回归模型中的个体效应; ε it 表示服从正态分布的随机误差项。
（3）空间权重矩阵构建
空间地理权重的设置,常用的主要有3种：邻接空间权重矩阵、地理距离空间权重矩阵以及经济空间权重矩阵。其中,若邻接空间权重矩阵中的元素 W ij 为区域 i 与区域 j 相邻,则取值为1;反之,则为0,如式（11）所示。地理距离空间权重矩阵由不同地区间地理距离平方的倒数构成。经济空间权重矩阵通常采用不同地区间GDP差值绝对值的倒数。实证研究中,通常釆用相邻性指标表示空间权重矩阵。
W ij = 0 若地区 i 与地区 j 不相邻 1 若地区 i 与地区 j 相邻
2.3.3 地理探测器模型
地理探测器模型主要从空间分异的角度分析地理对象之间的关系,包括风险探测、因子探测、生态探测和交互探测4个部分[27,28,29]。本研究选用其中因子探测部分,寻找可能影响土地利用效率的因子。本研究采用标准差分级方法,将各项指标分为较低、低、中、较高、高5个等级,输入地理探测器进行分析,得出各影响因素对土地绿色利用效率的影响力值,影响力值越大表示该影响因素对土地绿色利用效率影响越大,影响力值越小表示该影响因素对土地绿色利用效率影响越小。影响因素的地理探测力值公式如下：
P d , u = 1 - 1 n σ 2 ∑ i = 1 m n d , i σ 2 U d , u
式中： P d , u 为影响因子d对土地绿色利用效率的探测力值; σ 2 为土地绿色利用效率的方差; n 为区域数量; n d , i 为次级区域数量; m 为次级区域个数; σ 2 U d , u 为次级区域的方差。

2.4 指标选取

2.4.1 城市土地绿色利用效率评价指标
目前学界对于城市土地绿色利用效率的概念并没有统一的界定,本文参考前人对土地绿色利用效率的界定[2,30],将城市土地绿色利用效率界定为：在一定的自然、经济、技术和社会条件下,城市土地利用系统的投入要素（资源环境消耗）与产出要素（经济、社会、环境综合效益）的比值,即用最少的资源环境要素投入,获取最大的经济、社会、环境综合效益。因此,土地绿色利用效率的指标设定既要考虑到土地的经济、社会等正效应,也要考虑到土地利用过程中所带来的负效应。本研究本着科学性、合理性以及指标数据可获得性等原则,在借鉴已有研究的成果的基础上[31,32],确定中部六省土地绿色利用效率评价的投入-产出指标。其中,投入指标：即城市建设用地面积、固定资产投资、第二、三产业从业人员数;选取2类产出变量：期望产出和非期望产出。期望产出主要包括第二、三产业增加值、城市建设维护资金、职工平均工资表示。非期望产出主要包括二氧化硫排放量、工业废水排放量、一般工业工体产生量。
2.4.2 绿色土地利用效率影响因素指标选取
本文在结合国内外相关学者研究的基础上,选取城市建设用地面积、城镇化率、产业结构高级化水平、经济发展水平、外商直接投资额等[33,34,35]为土地绿色利用效率的影响因素。
（1）建设用地面积（X1）：城市建设用地面积的增加带来经济增长的同时也伴随着固体废弃排放的增多和自然资源的过度开发,这将会阻碍土地绿色利用效率提高,但随着城市建设用地面积的增加,城市土地规模化水平的提高,这又有助于城市土地利用效率的提高。因此,城市建设用地面积对土地绿色利用效率的影响有待验证。
（2）城镇化率（X2）：用于反映人口向城市聚集的过程和聚集程度。选取城镇常驻人口数占常驻总人口数为城镇化率。城镇人口作为绿色发展理念下城市发展的重要拉动力,人口在向城镇流动过程中,城镇规划影响城镇土地格局,带来环境污染的增加,降低土地绿色利用效率。因此,城镇化率对土地绿色利用效率的影响有待验证。
（3）产业结构高级化水平（X3）：用二三产业增加值与国内生产总值的比值来表示。产业结构高级化水平的提高,推动土地利用结构向更优方向转变,促进土地资源有效配置。另外,不同地区的土地利用方式、结构等所产生的边际效益不同,城镇规模与发展阶段的差异将使其影响程度甚至方向发生变化。因此,产业结构高级化水平对土地绿色利用效率的影响有待验证。
（4）经济发展水平（X4）：用人均地区生产总值表示。一方面,经济发展水平的提高加速土地流转,促进土地利用效率的提高;另一方面,随着经济发展水平的不断提升,土地资源供需矛盾越发严重,将不利于土地绿色利用效率的提高。因此,经济发展水平对土地绿色利用效率的影响有待验证。
（5）外商直接投资额（X5）：外商直接投资额可以用于城市社会经济发展,有利于土地利用效率的提高,然而地方政府为了吸引外资,通过完善交通等基础设施的修建,同时以廉价的土地和相应的优惠政策来吸引外商投资,推动城市经济发展,但也导致了土地资源浪费,不利于土地利用效率水平的提高。因此,外商直接投资额对土地绿色利用效率的影响有待验证。

3 中部六省土地利用效率时空演变分析

3.1 基于时间维度的土地绿色利用效率演变

整体看,2007—2018年中部六省土地绿色利用效率呈上升趋势,年均上升为7.45%。其中,2016年土地绿色利用效率上升最快,上升25.78%,其次是2013年,上升22.91%;2009年土地绿色利用效率下降幅度最大,下降16.89%,其次是2012年,下降5.16%。
图3显示,2007—2018年中部六省土地绿色利用效率和技术进步波动较频繁,且二者变化步调基本一致,而技术效率变化则相对平稳,表明年际间技术进步是中部六省土地绿色利用效率增长的主要源泉。换言之,2007—2018年,中部六省土地利用效率增长是靠技术进步“单轨驱动”。
图3 2007—2018年中部六省80个地级市土地绿色利用效率时序演变

Fig. 3 Time series evolution of land green use efficiency in 80 prefecture-level cities in six provinces in central China from 2007 to 2018

3.2 基于空间维度的土地绿色利用效率分析

为了摸清2007—2018年中部六省80个地级市土地绿色利用效率空间格局演变,并进一步了解空间分布情况,首先选取4个年份土地绿色利用效率数据,运用ArcGIS 10.1空间计量软件对其空间分布作图（图4）;其次采用重心模型计算2007—2018年中部六省80个地级市土地绿色利用效率的重心,展示其重心移动轨迹变化情况。
图4 2007—2018年中部六省80个地级市土地绿色利用效率空间格局演变

Fig. 4 The spatial pattern evolution of green land use efficiency in 80 prefecture-level cities in six central provinces from 2007 to 2018

总的来说,2007—2018年中部六省80个地级市土地绿色利用效率上升的地级市个数呈先增加后减少再增加的变化趋势。其中,2011年土地绿色利用效率上升的地级市个数最多（72个）,而2015年最少（34个）。近年来,为了改变传统粗放式发展模式来提高土地利用效率,中央采取调整土地保护策略,加强对土地资源严格管控,提高土地利用集约化水平,达到保护环境的同时提高土地利用效率的目的。这虽然在一定程度上减缓了土地绿色利用效率的恶化程度,但2007—2018年中部六省仍有较多地级市土地绿色利用效率水平不高,说明保持土地绿色利用效率持续稳定提高具有长期性和艰巨性。
由图5可以看出,2007—2018年中部六省土地绿色利用效率的重心移动情况。总体上主要表现出以下特征：中部六省土地绿色利用效率重心分布在114.02° E—114.37° E,31.61° N—32.36° N,年际间土地绿色利用效率重心主要在孝感市、随州市、信阳市等区域内移动。以2007年重心为参考,移动方向不稳定,总体向东北方向移动,这说明中部六省城市土地绿色利用效率的空间差异在逐渐扩大。
图5 2007—2018年中部六省80个地级市土地绿色利用效率重心变化轨迹

Fig. 5 Center of gravity change of land green use efficiency in 80 prefecture level cities of six provinces in Central China from 2007 to 2018

4 土地绿色利用效率空间自相关性分析

本节首先对中部六省土地绿色利用效率的空间相关性进行检验,若检验结果存在空间相关性,则进一步构建空间计量模型对土地绿色利用效率的影响因素进行分析;若检验结果不存在空间相关性,则采用传统计量模型进行影响因素分析。

4.1 全局空间自相关分析

表1是基于一阶邻接权重矩阵的中部六省土地绿色利用效率的全局Moran's I指数结果。从表中的数据可以看出,2007—2018年土地绿色利用效率的全局Moran's I指数值均为正,且在95%水平下通过显著性检验。即中部六省在整体上表现出显著的空间正相关关系,即具有较高土地绿色利用效率的地级市相对地趋于集聚,具有较低土地绿色利用效率的地级市相对趋于集聚。说明中部六省各地级市之间土地绿色利用效率并非孤立、随机分布的,而存在空间依赖性和空间溢出效应。也进一步验证了中部六省各地级市之间土地绿色利用效率不存在空间自相关性的原假设不成立,即存在全局空间相关性。
表1 2007—2018年中部六省土地绿色利用效率全局Moran's I指数结果

Tab. 1 Global Moran's I index results of land green use efficiency in six provinces in central China from 2000 to 2018

年份 土地绿色利用效率
Moran's I指数 均值 标准差 P值
2007 0.0720 -0.0181 0.0605 0.0500
2008 0.1497 -0.0135 0.0619 0.0040
2009 0.0960 -0.0146 0.0653 0.0480
2010 0.2480 -0.0112 0.0681 0.0010
2011 0.1712 -0.0116 0.0638 0.0070
2012 0.2561 -0.0120 0.0695 0.0020
2013 0.2082 -0.0112 0.0672 0.0020
2014 0.1919 -0.0100 0.0663 0.0050
2015 0.1700 -0.0122 0.0680 0.0120
2016 0.1934 -0.0097 0.0678 0.0040
2017 0.3957 -0.0113 0.0672 0.0010
2018 0.2834 -0.0132 0.0665 0.0010

4.2 局部空间自相关分析

全局Moran's I指数测算结果说明中部六省各地级市土地绿色利用效率整体存在空间自相关性,但未能揭示区域内部土地绿色利用效率的空间集聚现象[38,39]以及哪些地级市土地绿色利用效率偏离了空间正相关性,表现为低-高或高-低集聚现象[40]。因此,本部分选取2007、2011、2015和2018年的土地绿色利用效率,分析中部六省各地级市土地绿色利用效率的空间集聚特征,旨在确定各地级市土地绿色利用效率的空间相关性（图6）。
图6 中部六省80个地级市土地绿色利用效率的LISA集聚图（2007—2018年）

Fig. 6 LISA agglomeration map of green land use efficiency in 80 prefecture-level cities in six provinces in central China (2007-2018)

总的来说,土地绿色利用效率主要处于高-高和低-低地区的地级市个数相对较多。说明处于高-高地区的地级市土地绿色利用效率水平高,集聚性强,与周边地级市土地利用水平联系密切,辐射带动周边地级市作用强,处于低-低地区地级市土地绿色利用效率水平低,与周边地级市土地利用水平联系少,土地利用水平集聚性弱。而土地绿色利用效率处于高-低或低-高地区的地级市个数变化不明显,说明处于高-低地区、低-高地区的地级市土地绿色利用效率对周边地级市影响相对稳定。其余大部分地级市土地绿色利用效率“空间极化不明显,处于较低水平均衡状态”。
综上所述,2007—2018年中部六省各地级市土地绿色利用效率存在着显著的空间相关性,这进一步说明空间效应对土地绿色利用效率有很大影响,忽视空间效应可能会对结果产生偏误。因此,将空间地理因素纳入到土地绿色利用效率影响因素分析框架中,重视地理因素的影响十分必要。鉴于此,下文将运用空间计量经济学模型研究空间地理因素以及其他主要因素对中部六省各地级市土地绿色利用效率的影响,并运用地理探测器模型探究各影响因素对土地绿色利用效率的影响力值。

5 结果与分析

5.1 基于空间计量模型的土地绿色利用效率影响因素分析用效率

运用Stata 15.0统计软件进行回归分析（表2）,通过Hausman检验以及空间面板回归的残差进行模型选择,结果表明选择空间和时间的双固定模型更为合理。
表2 中部六省土地绿色利用效率影响因素回归结果

Tab. 2 Regression results of influencing factors of land green utilization efficiency in six provinces in central China

变量 模型Ⅰ
SAR双向固定回归结果		 模型Ⅱ
稳健性检验①		 模型Ⅲ
稳健性检验②
回归系数 T值 回归系数 T值 回归系数 T值
X1 -0.5576*** -2.9200 -0.5527*** -2.8900 -0.5578*** -2.9200
X2 0.0309** 2.1400 0.0303** 2.0900 0.0313** 2.1700
X3 0.0670 0.2800 0.0600 0.2600 0.0700 1.6800
X4 0.5713* 1.9400 0.5831* 1.9900 0.5725* 1.9500
X5 0.0111*** 5.3900 0.0110*** 5.3300 0.0110*** 5.4200
ρ 0.6254*** 0.5310*** 0.4320***
R2 0.3900 0.4700 0.4800
LogL 23.6154 23.4366 23.3704
AIC 61.2308 60.8733 60.7409
BIC 95.2994 94.9418 94.8094

注：*、**、***分别表示在10%、5%、1%水平下通过显著性检验。

根据空间和时间双固定效应的空间面板自回归结果可知,中部六省土地绿色利用效率的空间自回归系数ρ的估计值为0.6254,且在1%水平下通过显著性检验。表征地理因素的空间相关系数为正并通过了显著性概率检验。进一步验证了本文选择空间计量模型而非传统面板数据模型的合理性。
基于空间和时间的双固定效应的空间面板自回归模型计量回归结果分析如下：
建设用地面积的系数为-0.5576,说明建设用地面积对中部六省土地绿色利用效率起到负向作用。在其他条件不变的情况下,建设用地面积提高1%,中部六省土地绿色利用效率将降低0.5576%,且建设用地面积在1%的水平上显著影响中部六省土地绿色利用效率。这表明随着中部地区城市化的快速发展,部分地区为了适应经济发展的需要盲目的开发城市建设用地,导致耕地、草地、林地、湿地等数量减少,从而给生态环境带来负面影响。
城镇化率的系数为0.0309,说明城镇化率对中部六省土地绿色利用效率起到正向作用。在其他条件不变的情况下,城镇化率提高1%,中部六省土地绿色利用效率将提高0.0309%,且城镇化率在5%的水平上显著影响中部六省土地绿色利用效率。由于新型城镇化强调资源高效利用,在土地资源方面,直接促进了低效用地再开发、减少土地资源的浪费以及环境污染物的排放量,进而提升了土地绿色利用效率。
产业结构高级化水平的系数为0.0670,说明产业结构高级化水平对中部六省土地绿色利用效率起到正向作用。在其他条件不变的情况下,城镇化率提高1%,中部六省土地绿色利用效率将提高0.0670%。表明第二和第三产业比重的提高对中部地区土地绿色利用效率水平的提升具有促进作用。不断推进的转型升级措施极大促进了中部地区工业和生产性服务业的高级化发展,进而带来土地利用的低投入高产出利用特征,有利于土地绿色利用效率的提高。
经济发展水平的系数为0.5713,说明经济发展水平对中部六省土地绿色利用效率起到正向作用。在其他条件不变的情况下,经济发展水平提高1%,中部六省土地绿色利用效率将提高0.5713%,且经济发展水平在10%的水平上显著影响中部六省土地绿色利用效率。说明经济发展水平越高,对土地绿色利用效率提升的积极正向作用越大,这与经济发展的阶段特征以及经济发展驱动下的土地资源利用方式有直接关系。
外商直接投资额的系数为0.0111,说明外商直接投资额对中部六省土地绿色利用效率起到正向作用。在其他条件不变的情况下,外商直接投资额提高1%,中部六省土地绿色利用效率将提高0.0111%,且外商直接投资额在1%的水平上显著影响中部六省土地绿色利用效率。表明随着中部六省各地级市间联系不断加强,外商直接投资的溢出效应、规模效应和示范效应十分显著,有利于土地绿色利用效率提高。

5.2 基于地理探测器的土地绿色利用效率各影响因素影响力分析

在分析各影响因素对中部六省80个地级市土地绿色利用效率影响的基础上,为进一步分析各个影响因素对土地绿色利用效率的影响力大小,本研究选择2018年土地绿色利用效率进行分析探测,并将选取的X1—X5共5个影响因素,在ArcGIS中按照标准差分类,分为低、较低、中、较高、高5个等级。然后将上述分类与土地绿色利用效率值导入地理探测器模型,得出各影响因素对土地绿色利用效率的影响力值（表3）,结果显示,城市建设用地面积、城镇化率、产业结构高级化水平、经济发展水平、外商直接投资额5个因素中,产业结构高级化水平对土地绿色利用效率的影响最为明显,q值为0.25,p为0.49,表明产业结构对土地绿色利用效率影响关系最为密切;其次为外商直接投资额、建设用地面积 2项,q值分别为0.19和0.15,p值分别为0.18和0.67,表明外商投资、城市建设用地面积对土地绿色利用效率存在一定影响;城镇化率、经济发展水平对绿色利用效率影响相对较弱,表明土地绿色利用效率空间分布格局与城镇化、经济发展的格局存在差异。
表3 中部各市土地绿色利用效率影响因素地理探测结果

Tab. 3 Geographical exploration results of influencing factors of land green use efficiency in cities in central China

变量 建设用地面积
X1		 城镇化率
X2		 产业结构高级化水平
X3		 经济发展水平
X4		 外商直接投资额
X5
q 0.15 0.03 0.25 0.03 0.19
p 0.67 0.99 0.49 0.86 0.18
q排序 3 4 1 5 2
对2007、2011、2015和2018年各市土地绿色利用效率影响因素的排名变化进行分析,探寻2007—2018年各要素影响关系的时间变化特征,结果如表4所示。从表4可知,建设用地面积对土地绿色利用效率的影响逐渐降低,从2007年各要素首位下降到2015年的第四位,而后上升到2018年的第三位。产业结构高级化水平对土地绿色利用效率的影响逐渐增强,从2007年各要素中第四位上升到2018年的第一位。同时,外商直接投资额指标对土地绿色利用效率的影响同样呈现逐渐增强的趋势,从2007年各要素中第五位上升到2018年的第二位。分析结果显示,2007—2018年,中部六省土地绿色利用效率的影响从以建设用地等城市扩张特征为主,转向产业结构升级等经济结构优化等特征为主。
表4 2007—2018年中部各市土地绿色利用效率影响因素变化地理探测结果

Tab. 4 Geographical exploration results of change of influencing factors of land green use efficiency in cities in central China from 2007 to 2018

年份 q排序
建设用地面积X1 城镇化率X2 产业结构高级化水平X3 经济发展水平X4 外商直接投资额X5
2007 1 3 4 2 5
2011 1 5 2 4 3
2015 4 2 1 5 3
2018 3 4 1 5 2

6 结论

本文对2007—2018年中部六省80个地级市土地绿色利用效率时空演变及影响因素分析,得出如下结论：
（1）时间维度来看,2007—2018年中部六省土地绿色利用效率和技术进步波动较频繁,且二者变化步调基本一致,而技术效率变化则相对平稳,说明这一时期,土地绿色利用效率的增长是靠技术进步“单轨驱动”的;从空间维度来看,中部六省80个地级市土地绿色利用效率变化存在差异,且变化不稳定,其重心分布在114.02° E—114.37° E,31.61° N—32.36° N,且主要在孝感市、随州市、信阳市等区域内移动。以2007年重心为参考,移动方向不稳定,总体向东北方向移动。
（2）由全局空间自相关分析可知,中部六省在整体上表现出显著的空间正相关关系,说明中部六省各地级市之间土地绿色利用效率并非孤立、随机分布的,而存在空间依赖性和空间溢出效应;由局部空间自相关分析可知,中部六省地级市土地绿色利用效率主要处于高-高地区、低-低地区的地级市个数相对较多。
（3）中部六省土地绿色利用效率的空间自回归系数ρ的估计值为0.6254,且在1%水平下通过显著性检验。除城市建设用地面积外,城镇化率、产业结构高级化水平、经济发展水平、外商直接投资额均正向影响中部六省80个地级市土地绿色利用效率。其中,各个影响因素对土地绿色利用效率的影响从强到弱依次为产业结构高级化水平、外商直接投资额、建设用地面积、城镇化率、经济发展水平。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
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.

[ Lu X H, Yang X, Chen Z X. Measurement and temporal-spatial evolution characteristics of urban land green use efficiency in China[J]. China Population,Resources and Environment, 2020,30(8):83-91. ]

[2]
梁流涛, 雍雅君, 袁晨光. 城市土地绿色利用效率测度及其空间分异特征——基于284个地级以上城市的实证研究[J]. 中国土地科学, 2019,33(6):80-87.

[ Liang L T, Yong Y J, Yuan C G. Measurement of urban land green use efficiency and its spatial differentiation characteristics: An empirical study based on 284 cities[J]. China Land Science, 2019,33(6):80-87. ]

[3]
黄蕊, 王铮, 刘慧雅, 等. 中国中部六省的碳排放趋势研究[J]. 经济地理, 2012,32(7):12-17.

[ Huang R, Wang Z, Liu H Y, et al. Prediction on carbon emission in six provinces of China[J]. Economic Geography, 2012,32(7):12-17. ]

[4]
严芝清. 中国西南边疆山区省份城市土地利用效率的时空差异与影响因素研究[D]. 昆明:云南财经大学, 2020.

[ Yan Z Q. Study on the time: Space difference and influence factors urban land use efficiency in the mountainous southwest China:Taking Yunnan Province as provinces an example[D]. Kunming: Yunnan University of Finance and Economics, 2020. ]

[5]
Chapin F S, Kaiser E J. Urban Land Use Planning. 3rd Ed [M]. Illinois: University of Illinois Press, 1967.

[6]
Johnson H M. Sociology: A systematic introduction[M]. Paris: Allied Publishers, 1960.

[7]
沈涛. 国内外有关土地利用的研究综述[J]. 当代经济, 2013(24):156-157.

[ Shen T. Review of land use research at home and abroad[J]. Contemporary Economics, 2013(24):156-157. ]

[8]
Fisch O. Optimal allocation of land to transportation in a non-optimal urban structure[J]. Regional Science & Urban Economics, 1982,12(2):235-246.

[9]
David M, Eligius M T, Martin K, et al. A framework to study nearly optimal solutions of linear programming models developed for agricultural land use exploration[J]. Ecological Modeling, 2000,131(1):65-77.

[10]
Abreu C G, Ramos R M, Mendes A H D, et al. MASE-BDI: Agent-based simulator for environmentalland change with efficient and parallel auto-tuning[J]. Applied Intelligence, 2016,45(3):904-922.

[11]
Pouriyeh A, Khorasani N, Hosseinzadeh L F, et al. Efficiency evaluation of urban development in YazdCity, Central Iran using data envelopment analysis[J]. Environmental Monitoring & Assessment, 2016,188(11):618.

DOI PMID

[12]
Abaynew W B, Wubalem S G, et al. Assesment on urban density and land use efficiency in the EthiopianCities[J]. Civil and Environmental Research, 2017,9(10):7-15.

[13]
孟成, 卢新海, 彭明军, 等. 基于土地税收的土地利用效率计算方法研究[J]. 中国土地科学, 2016,30(7):56-63,2.

[ Meng C, Lu X H, Peng M J, et al. Research on the calculation method of land use efficiency based on land tax[J]. China Land Science, 2016,30(7):56-63,2. ]

[14]
梁流涛, 赵庆良, 陈聪. 中国城市土地利用效率空间分异特征及优化路径分析——基于287个地级以上城市的实证研究[J]. 中国土地科学, 2013,27(7):48-54.

[ Liang L T, Zhao Q L, Chen C. Analysis on the characters of spatial disparity of urban land use efficiency and its optimization in China: An empirical study based on 284 cities[J]. China Land Science, 2013,27(7):48-54. ]

[15]
张立新, 朱道林, 杜挺, 等. 基于DEA模型的城市建设用地利用效率时空格局演变及驱动因素[J]. 资源科学, 2017,39(3):418-429.

[ Zhang L X, Zhu D L, Du T, et al. Spatiotemporal pattern evolvement and driving factors of urban construction land use efficiency using data envelopment analysis[J]. Resources Science, 2017,39(3):418-429. ]

[16]
詹国辉. 城市建设用地利用效率及其影响因素探究——以江苏省13个城市为例[J]. 华东经济管理, 2017,31(6):11-15.

[ Zhan G H. A study on the land use efficiency and its influencing factors of urban construction: Evidence from 13 cities in Jiangsu Province[J]. East China Economic Management, 2017,31(6):11-15. ]

[17]
Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2001,130(3):498-509.

DOI

[18]
朱立祥, 雒占福, 王启雯, 等. 环境约束下的甘肃省城市土地利用效率时空差异及其演进特征[J]. 水土保持研究, 2020,27(4):368-375.

[ Zhu L X, Luo Z F, Wang Q W, et al. Spatial-temporal differences of urban land use eficiency and its evolution characteristics under environmental constraints in Gansu Province[J]. Research of Soil and Water Conservation, 2020,27(4):368-375. ]

[19]
薛建春, 郑海潮, 王雅荣. 基于Super-SBM和重心模型的中国城市群土地利用效率时空差异分析[J]. 湖北社会科学, 2019(12):70-77.

[ Xue J C, Zheng H C, Wang Y R. Spatial and temporal differences of land use efficiency in Chinese urban agglomerations based on super SBM and barycenter model[J]. Hubei Social Sciences, 2019(12):70-77. ]

[20]
陈恩, 董捷, 徐磊. 长江经济带城市土地利用效率时空差异与收敛性分析[J]. 资源开发与市场, 2018,34(3):316-321.

[ Chen E, Dong J, Xu L. Spatial-temporal differences and convergence of urban land use efficiency in Changjiang River economic belt[J]. Resource Development & Market, 2018,34(3):316-321. ]

[21]
李菁, 胡碧霞, 匡兵, 等. 中国城市土地利用效率测度及其动态演进特征[J]. 经济地理, 2017,37(8):162-167.

[ Li Q, Hu B X, Kuang B, et al. Measuring of urban land use efficiency and its dynamic development in China[J]. Economic Geography, 2017,37(8):162-167. ]

[22]
杨清可, 段学军, 叶磊, 等. 基于SBM-Undesirable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 Q H, Duan X J, Ye L, et al. Efficiency evaluation of city land utilization in the Yangtze River Delta using a SBM-Undesirable model[J]. Resources Science, 2014,36(4):712-721. ]

[23]
张利国, 鲍丙飞. 我国粮食主产区粮食全要素生产率时空演变及驱动因素[J]. 经济地理, 2016,36(3):147-152.

[ Zhang L G, Bao B F. Empirical analysis on spatio-temporal evolution and driving forces of food total factor production in major grain producing areasofour country[J]. Economic Geography, 2016,36(3):147-152. ]

[24]
王利利. 环境约束下的我国工业能源效率区域差异及影响因素研究[D]. 大连:东北财经大学, 2018.

[ Wang L L. Study on regional differences and influencing factors of industrial energy efficiency in China under environmental constraints[D]. Dalian: Dongbei University of Finance and Economics, 2018. ]

[25]
Chung Y H, Färe R, Grosskopf S. Productivity and undesirable outputs: A directional distance function approach[J]. Journal of Environmental Management, 1997,51(3):229-240.

DOI

[26]
Sanjeev S, Helena T, Richard L, et al. An exploratory spa tial data analysis approach to understanding the relationship between deprivation and mortality in Scotland[J]. Social Science & Me-dicine, 2007,65:1942-1952.

[27]
韩燕, 张苑. 甘肃省县域经济差异时空分异及影响因子研究[J]. 地球信息科学学报, 2019,21(11):1735-1744.

[ Han X, Zhang Y. Spatiotemporal variations of county economies and influencing factors:A case study of Gansu Province[J]. Journal of Geo-information Science, 2019,21(11):1735-1744. ]

[28]
尹上岗, 李在军, 宋伟轩, 等. 基于地理探测器的南京市住宅租金空间分异格局及驱动因素研究[J]. 地球信息科学学报, 2018,20(8):1139-1149.

DOI

[ Yin S L, Li Z J, Song W X, et al. Spatial differentiation and influence factors of Residential Rent in Nanjing based on geographical detector[J]. Journal of Geo-information Science, 2018,20(8):1139-1149. ]

[29]
杨丰硕, 杨晓梅, 王志华, 等. 江西省典型县域经济差异影响因子地理探测研究[J]. 地球信息科学学报, 2018,20(1):79-88.

DOI

[ Yang F S, Yang X M, Wang Z H, et al. Geographic detection of impact factors of economic differences among typical counties in Jiangxi Province[J]. Journal of Geo-information Science, 2018,20(1):79-88. ]

[30]
王德起, 庞晓庆. 京津冀城市群绿色土地利用效率研究[J]. 中国人口·资源与环境, 2019,29(4):68-76.

[ Wang D Q, Pang X Q. Research on green land-use efficiency of Beijing-Tianjin-Hebei urban agglomeration[J]. China Population,Resources and Environment, 2019,29(4):68-76. ]

[31]
杨清可, 段学军, 叶磊, 等. 基于SBM-Undesirable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 Q K, Duan X J, YE L, et al. Efficiency evaluation of city land utilization in the Yangtze River Delta using a SBM-Undesirable model[J]. Resources Science, 2014,36(4):712-721. ]

[32]
范建双, 虞晓芬. 土地利用效率的区域差异与产业差异的收敛性检验[J]. 统计与决策, 2015,34(10):99-103.

[ Fan J S, Yu X F. Convergence test of regional differences and industrial differences in land use efficiency[J]. Statistics & Decision, 2015,34(10):99-103. ]

[33]
张英浩, 陈江龙, 高金龙, 等. 经济转型视角下长三角城市土地利用效率影响机制[J]. 自然资源学报, 2019,34(6):1157-1170.

[ Zhang Y H, Chen J L, Gao J L, et al. The impact mechanism of urban land use efficiency in the Yangtze River Delta from the perspective of economic transition[J]. Journal of Natural Resources, 2019,34(6):1157-1170. ]

[34]
胡碧霞, 李菁, 匡兵. 绿色发展理念下城市土地利用效率差异的演进特征及影响因素[J]. 经济地理, 2018,38(12):183-189.

[ Hu B X, Li J, Kuang B. Evolution characteristics and influencing factors of urban land use efficiency difference under the concept of green development[J]. Economic Geography, 2018,38(12):183-189. ]

[35]
罗谷松, 李涛. 碳排放影响下的中国省域土地利用效率差异动态变化与影响因素[J]. 生态学报, 2019,39(13):4751-4760.

DOI

[ Luo G S, Li T. Dynamic change and driving factors of land use efficiency differences affected by carbon emissions at the provincial level in China[J]. ActaEcologicaSinica, 2019,39(13):4751-4760.]

[36]
国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社,2007- 2019.

[ National Bureau of Statistics. China Statistical Yearbook[M]. Beijing: China Statistics Press, 2007- 2019. ]

[37]
国家统计局城市社会经济调查司. 中国城市统计年鉴[M]. 北京: 中国统计出版社, 2007-2019.

[ Cities Socioeconomic survey office National bureau of statistics. China citystatistics yearbook[M]. Beijing: China Statistics Press, 2007-2019. ]

[38]
潘丹. 考虑资源环境因素的中国农业生产率研究[D]. 南京:南京农业大学, 2012.

[ Pan D. Study on China agricultural productivity incorporating water resource and agricultural non-point source pollution factors[D]. Nanjing:Nanjing Agricultural University, 2012. ]

[39]
金声甜, 肖文海, 杨胜苏, 等. 长江经济带土地利用变化及其生态系统响应[J]. 经济地理, 2020,40(7):166-173.

[ Jin S T, Xiao W H, Yang S S, et al. Land use change and its ecosystem response in the Yangtze River Economic Belt[J]. Economic Geography, 2020,40(7):166-173. ]

[40]
胡晓琳. 中国省际环境全要素生产率测算、收敛及其影响因素研究[D]. 南昌:江西财经大学, 2016.

[ Hu X L. Research on China's provincial environmental total factor productivity calculation, convergence and influencing factors[D]. Nanchang: Jiangxi University of Finance and Economics, 2016. ]

Options
Outlines

/

〈 〉