中國發達地區工業土地集約利用的驅動因素
——基于企業微觀數據的研究

張 琳，王亞輝，郭雨娜，劉冰潔

（大連理工大學管理與經濟學部，遼寧 大連 116024）

中國發達地區工業土地集約利用的驅動因素
——基于企業微觀數據的研究

張 琳，王亞輝，郭雨娜，劉冰潔

（大連理工大學管理與經濟學部，遼寧 大連 116024）

研究目的：中國工業發展與土地資源現狀均對工業土地集約利用提出了迫切需求，而工業企業的土地集約利用則是實現區域工業土地集約利用的微觀基礎。研究方法：在現有研究多集中于中、宏觀層面的背景下，本文將研究深入至企業微觀層面，先從理論角度分析了各個驅動因素及其傳導機理。然后選取中國工業化進程較快的兩個省份（廣東和江蘇）作為研究區域，以1999—2009年1290家工業企業面板數據為樣本進行實證檢驗，實證結果與理論分析相互印證。研究結果：在所有驅動因素中，工業用地價格對集約用地促進作用最明顯；中國目前處于土地邊際報酬遞增階段，單位土地要素投入的增加可促進企業集約用地，其中勞動投入的系數最大；外資企業相較于其他所有制企業，集約用地水平較高。研究結論：企業規模和企業距港口距離與集約用地水平呈倒U型關系；良好的地理區位、盈利水平及經濟環境等均能在一定程度上促進企業集約用地。

土地利用；工業；集約；驅動因素

1 問題提出

在相對較短的工業化歷程中，中國工業的發展創造了“中國奇跡”，但也付出了高昂的資源代價，尤其在土地資源日益稀缺的背景下，工業用地的粗放利用仍較普遍，出現了工業高速發展與土地低效利用并存的現象。根據對17個較發達城市抽樣調查數據顯示，其工業用地產出率不到發達國家20世紀80年代的2%，就連工業用地產出率高的深圳市也只相當于20世紀末發達國家7%的水平[1]。在中國繼續推進工業化進程的背景下，促進工業用地的集約利用將是緩解土地資源約束的根本途徑。

一直以來，土地集約利用是學術界的研究熱點之一，從研究對象來看，早期傾向于將城鎮建設用地作為一個整體進行研究[2]。之后，隨著工業化進程不斷推進，工業用地逐漸從城鎮建設用地中被分離出來單獨研究[3]。從研究內容看，早期多以現狀評價與空間比較分析為主[4-6]，隨著現實發展與政策制定的需求，研究重心逐漸轉向更深層次的驅動因素與機理分析上來[7-8]。從研究尺度來看，已有成果大多運用統計數據分析，多集中于宏觀、中觀層面。國家、省級、地市級的研究表明市場化水平、區位條件、經濟水平、城鎮化率等因素造成土地集約利用水平差異[9-16]；而開發區層面的研究則表明開發區級別、區位、布局、企業集聚水平及土地政策是影響土地集約利用的主要因素[17-18]。由于受到諸多條件限制，再進一步深入到企業層面的研究就十分有限，僅有個別學者基于小范圍企業樣本進行調研分析。如Tan Dan等基于江蘇三個城市的企業調查研究[19]；趙小鳳和黃賢金利用企業數據研究不同層面因素對工業土地集約利用的影響[20]；鄒偉等檢驗了土地保有稅對工業企業土地效率有顯著正向影響[21]。

但實際上，工業企業集約用地是構成并實現區域層面工業土地集約利用的微觀基礎，企業的生產決策及經營狀況才是影響土地集約利用的根本原因。因此，深入到企業層面的驅動因素研究是摸清企業用地規律與合理引導企業用地的基礎，對促進區域范圍內的工業用地集約利用更具有實際意義。只有基于企業層面的數據分析，才能將行業、所有制結構、企業規模等之前研究未曾涉及的因素納入到研究中來，從而更加全面深入地進行驅動因素分析與機理剖析。

因此，筆者基于《中國工業企業數據庫》進行企業用地的調研與數據收集，從微觀層面對土地集約利用的驅動因素進行探索，前期研究已經驗證了企業規模對于企業用地有顯著影響[22]。在此基礎上，本文選擇了中國工業化進程最快，最具代表性的兩個省份（廣東省和江蘇省）作為研究區域，補充數據后，進一步從經營投入、企業屬性、地理區位及經濟環境4個方面對工業企業集約用地的驅動因素進行深入剖析，并提出相應政策建議。

2 模型、變量與數據說明

2.1 模型

本文采用面板數據模型進行實證分析。首先，進行了Hausman檢驗[23-24]，結果建議選擇固定效應模型。接下來，根據本文研究目的和理論進行進一步分析，如果單純使用固定效應模型，研究中很多重要驅動因素如企業所屬行業、地理區位因素等由于不隨時間改變，在固定效應模型中將會被剔除，從而影響研究的全面性。因此，在參考了相關研究的基礎上[25-26]，本文采用隨機效應模型與固定效應模型相結合的方式進行研究，即首先用隨機效應模型將全部驅動因素納入進行擬合，然后再用固定效應模型剔除掉部分不隨時間變化的驅動因素進行擬合，由此可以作為隨機效應模型的穩健性檢驗，如果固定效應和隨機效應中各變量的估計結果大致相當，則說明該模型的設定較準確，這樣設計將使得分析結果更加嚴謹準確。

模型確定之后，需對固定效應模型進行估計，估計操作步驟如下：（1）采用似然比（Likelihood Ratio）檢驗來檢驗模型是否存在異方差；（2）采用Wooldridge檢驗來檢驗模型是否存在序列相關；（3）采用Pesaran檢驗來檢驗面板數據是否存在截面相關；（4）如果面板數據存在異方差或者序列相關，且存在截面相關，那么將采用Driscoll and Kraay的估計方法加以修正；反之，如果不存在異方差或序列相關、截面相關，那么將采用Rogers的估計方法加以修正[27]。

固定效應模型的檢驗結果表明，本文存在異方差、序列相關和截面相關，故模型估計采用Driscoll and Kraay的方法來處理。

基于上述分析，本文分別構建如下模型：

第一，面板固定效應模型：式（1）中，ILUit為i企業第t年工業用地集約利用水平，X1it為影響工業企業集約用地的直接驅動因素，X2it為影響工業企業集約用地的間接驅動因素。其中，直接驅動因素主要是指工業生產過程中的直接要素投入，如勞動力、資本等，這些要素的投入多寡與企業集約用地水平直接相關；間接驅動因素一般包括企業所在環境、所屬行業及企業特征等，這些因素通常會通過其他機制或渠道來影響企業要素投入，進而影響集約用地水平。αi為企業間的個體差異；εit為誤差項；β為待估參數。

第二，面板隨機效應模型：

式（2）中，ILUit為i企業第t年工業用地集約利用水平，X1it為影響工業企業集約用地的直接驅動因素，X2it為影響工業企業集約用地的間接驅動因素，Z為影響工業企業集約用地不隨時間變化的驅動因素，比如企業距離港口的距離、企業所屬行業等，αi為企業間的個體差異，ηit為誤差項，β為待估參數。

2.2 變量說明

（1）因變量構造。本文因變量為工業企業土地集約利用水平。比較考慮了目前常用的單一指標法和綜合指標法，為避免共線性，本文將采用單一指標評價法（工業產出）進行衡量。計算公式如下：

式（3）中，ILU為企業集約用地水平；GIP為企業工業總產值；S為企業生產占地面積。

（2）自變量選擇。為了更加全面地揭示工業企業集約用地的驅動因素，同時盡量減少模型的遺漏變量偏誤，本文從直接驅動和間接驅動兩方面，對可能的變量進行篩選（表1）。

2.3 數據說明

本文研究區域為廣東、江蘇兩省，屬沿海發達地區，工業化進程速度快且具有代表性，使得結果對于其他地區具有較強的前瞻性和借鑒性?；A數據來源于1999—2009年①本文研究區間為1999—2009年，由于國家統計局官方公布的《中國工業企業數據》只更新到2009年，其他渠道流傳的2010、2011年的數據經調查檢驗，可能存在一定的偏差，故本文沒納入。兩省《中國工業企業數據庫》（下稱《數據庫》）。具體的數據處理過程如下：

（1）樣本選取。把兩省11年間一直存活下來的企業進行按照“法人代碼”進行年際之間匹配，共計廣東813家、江蘇529家，共1342家工業企業。

表1 變量說明Tab.1 Variable explanation

（2）數據補充調研。原數據庫中收集了工業企業概況、財務等相關經濟指標近120個，但缺乏土地、地理區位及社會經濟等指標，而這些指標是本研究的關鍵。本文對相關數據進行補充調研。企業占地面積數據主要采用網絡調查；地理區位數據（主要包括各企業與區域最大港口距離、與城市最高基準地價距離等）采用Google地圖實驗室中的距離測量工具測量所得；社會經濟數據主要來源于《廣東統計年鑒》和《江蘇統計年鑒》；片區工業用地價格則根據企業所在地址定位，通過“中國城市地價動態監測網”搜集所得，精確到城市內各區，且各數據均經過了指數平減等相應處理。

（3）樣本剔除整理。樣本調查中剔除了電力、煤炭、礦業及天然氣等企業，因為這些企業調研的數據是服務所轄地區的面積，而不是生產用地面積；此外，還剔除了11年間占地面積多次變更的企業、個別調研數據依據常規判斷不真實及數據庫中重要指標缺失的企業。經過剔除整理，最后剩下廣東788家、江蘇502家，共計1290家工業企業為本文的樣本。

3 實證結果分析

表2分別呈現了固定效應和隨機效應回歸結果，其中固定效應采用Driscoll and Kraay的估計方法[30]，隨機效應模型采用Hausman-Taylor估計方法[31]，兩種模型可以作為相互補充以確定各變量的估計準確程度。

表2 實證結果Tab.2 The empirical results

表2中模型的異方差、序列相關及截面相關均進行了系統性處理，得出穩健性的結果。其中，隨機效應的R2-between可以達到0.8847 ，說明模型中已囊括絕大多數影響工業企業集約用地的因素，遺漏變量的可能性很小，模型總體擬合效果較好。下面分別對隨機效應和固定效應估計的結果進行逐一分析。

3.1 隨機效應分析

本文先對數據進行取對數、標準化等處理，然后回歸分析之后進行內生性檢驗和工具變量合理性檢驗，結果表明模型已不存在內生變量，工具變量合理性檢驗的Sargan-Hansen統計量為5.328 ，P值為0.1587 ，工具變量選擇較為合理。

表2結果顯示，回歸結果的Wald統計量為13696.94 ，R2為0.8847 ，方程總體上顯著，大部分變量均在1%的置信水平下顯著。整體來看，實證結果與理論推斷相互印證，擬合結果良好。

比較各驅動因素來看，工業用地價格變量的回歸結果為正，且系數最大，為1.0205 。由此說明，工業用地價格是企業集約用地的重要驅動因素，這與理論分析相吻合，同時也與中國的實際發展情況相符。中國土地市場化配置改革起步較晚，前期大量的土地多以劃撥或低價出讓等形式進行分配，從資源經濟學理論分析，資源價格過低，無法正確反映資源價值，將會造成資源的浪費與粗放利用，工業用地就是個很好的例子。之后，隨著土地市場化出讓制度的逐步完善，工業用地價格逐漸回歸正常，能夠反映出市場的供需水平。工業用地價格越高，一方面獲取土地的企業實力就越強，另一方面，較高的土地成本也會刺激企業進行要素替代，從而提高集約用地水平。在已有研究中，也有學者從宏觀層面證明了土地市場發育水平對土地集約利用有著重要的促進作用[9]。

直接驅動因素擬合結果與理論分析相一致，單位土地的投入要素越多，工業用地集約利用水平就越高，由此也印證了本文關于目前中國處于土地報酬遞增階段的判斷。其中，勞動投入和資本投入的系數較高，勞動力系數達0.5347 ，而研發投入系數較小。這說明現階段中國工業企業仍然以投入勞動力和資本為主，勞動和資本對工業企業的發展起到了關鍵性作用。以企業為導向的研發處于較低水平（研發投入企業占比為10.92 %），因此對土地集約利用的促進作用仍顯不足。

間接驅動因素中，系數較大的變量為外部經濟環境與企業盈利水平。一般來說，區域發展階段與經濟水平越好，企業的管理水平、要素配置等水平也通常隨之提高，因此均會顯著提高土地集約利用水平。具體來看，人均GDP和二、三產業之比兩個因素均顯著為正，說明區域經濟水平的提高與產業結構的升級均能促進當地工業企業的集約用地。相較而言，城市規模的系數為負，說明城市規模越大，工業企業集約用地水平反而越低。這與發達城市“退二進三”的實際情況以及中國的產業梯度轉移相吻合。廣東、江蘇均屬于中國工業發展最快、經濟最發達的省份，隨著產業發展階段的推進，很多大城市的工業企業不斷向外轉移，而工業內部的結構優化升級與替代尚未跟上，導致工業相對萎縮；而中小城市由于承接了相應的產業轉移，工業則處于快速發展階段。如此一來，就出現城市規模擴大，而工業企業集約用地水平下降的局面。這也是中國工業發展過程中的一個過渡時期，目前發達地區也都著重推進工業轉型升級，隨著這項工作的推進，土地集約利用水平還會再次提高。

此外，企業所有制變量系數均為負，且國有企業系數絕對值最大，達到0.1651 。由于本文將外資企業作為對照組，這說明相較于外資企業而言，其他所有制結構的工業企業集約用地水平較低，尤其以國有企業集約用地水平最低。這與中國的實際狀況相符，中國大量的國有企業用地是計劃經濟時代靠政府劃撥所得，土地成本低，利用相對粗放，而大部分外資企業的土地則是靠租賃或出讓等市場化手段獲得，土地成本相對要高，因而也提高了集約用地水平。從行業比較，一般重工業企業的集約用地水平要比輕工業企業要高，而企業規模的二次項系數為正，說明其與土地集約利用水平呈“U”型關系，這些結果也都驗證了理論判斷。

最后，不隨時間變化的影響因素。區位因素的系數整體上較小，對土地集約利用的影響相較于其他方面因素要弱。但從實證結果來看，各變量均顯著，并能體現一定的規律。與城市基準地價最高點距離的系數為0.0105，且在1%置信水平下顯著，表明隨著企業遠離城中心其集約用地水平反而有所提升。這點與中國很多發達城市產業布局導向相吻合，即將市內的工業企業（主要是制造業）搬遷到離城市中心較遠的郊區或工業園區，騰退土地用以商業開發，導致了城市中心工業空心化，很多經營良好的工業企業則多集中于城市外圍工業區，從產業集聚的角度來看，可以促進企業的集約用地。

而進一步分析與區域最大港口距離變量發現，其與集約用地水平之間呈現倒“U”型關系。即隨著企業與港口的距離逐漸變遠，其集約用地水平先增大后降低，轉折點在與最大港口距離為362.08 km處。通過對本文的樣本統計可知，大約有96.74 %的企業處于距離最大港口小于362.08 km的位置，即絕大多數企業的集約用地水平會隨著與區域最大港口的距離變遠而增大。這與前文的分析結果相互印證，表明除了城市內部的產業布局調整之外，城市之間的產業梯度轉移，也使得很多工業從發達地區搬遷至相對欠發達的地區，從而使得相應的土地利用發生了變化，與最大港口有一定距離的二三線城市成了工業用地利用相對集約的地區。

3.2 固定效應分析

為了對比回歸結果，本文又采用固定效應模型進行擬合，模型自動剔除不隨時間變化的部分變量，本文又剔除不顯著變量（篇幅所限，結果未全部列出），回歸結果如表2所示。

回歸方程整體上顯著，且模型均通過了截面異方差檢驗和時間序列檢驗，內生性檢驗和工具變量合理性檢驗。11項指標均在不同置信水平下顯著。與隨機效應模型的實證結果比較可以看出：各變量的回歸系數、標準誤及顯著性等具有高度一致性。其中，各驅動因素的擬合符號基本一致。影響程度最大的因素基本一致，第一為工業用地價格，其次是勞動投入（隨機效應模型中系數第二大的企業規模變量，在固定效應模型中被剔除了）。兩個模型的擬合結果相互印證吻合，說明本文的驅動因素分析結果真實可信。

此外，由于剔除了較多變量，固定效應模型的擬合優度（0.5508 ）要低于隨機效應模型（0.8847 ），由此說明，如果一開始就采用固定效應模型，會有較多的驅動因素被忽略掉，從而影響分析的全面性和準確性。本文的嘗試也證明，采用隨機效應模型分析此類問題能夠盡可能地保留自變量，避免驅動因素的損失與遺漏，同時也可以通過相關檢驗，符合計量方法的要求，今后可以在類似研究中應用。

4 結論與建議

（1）提高工業項目投資準入門檻，增加工業用地投入強度。本文回歸結果顯示，勞動投入、資本投入、技術投入的系數均顯著為正，由此說明中國工業企業的生產尚處于土地邊際報酬遞增階段，單位面積土地上生產要素投入的增加能提高土地利用集約度，因此，政府積極促進工業用地的要素投入強度提高十分必要。2008年，國家頒布了《工業項目建設用地控制指標》，明確規定了工業用地地均投資強度不得低于300萬元/畝，筆者前期研究發現，大部分樣本企業可達標，并且很多企業要遠高出這一指標[22]。與此同時，中國土地投資強度相較于國外仍存在較大差距。所以，今后仍需進一步提高工業用地投資的準入門檻。此外，實證結果顯示，目前工業企業的研發投入對土地集約利用的驅動力不足，今后應加大鼓勵工業企業研發投入，從而促進土地—技術之間的要素替代。

（2）深化工業用地市場化配置改革，科學制定工業用地基準地價。本文研究結果顯示，工業用地價格是工業企業集約用地最重要的驅動因素，對集約用地有積極的促進作用。因此，今后應進一步深化工業用地市場化配置改革，進一步完善工業用地出讓、租賃機制，使得土地價格充分體現資源的稀缺程度與資源價值，并結合所在區域的宏觀經濟背景與后備資源稟賦，科學制定工業基準地價，正確反映當地的工業用地供需水平，避免為了招商引資，刻意壓低工業地價的做法。

（3）積極提高工業企業規模，引導企業做大做強。本文研究結果顯示，企業規模與集約用地水平呈現“U”型關系，筆者前期研究也表明大型企業的土地集約利用程度較中、小型企業有很大飛躍[22]。因此，政府首先應盡量引導一些資金、技術相對較成熟的大型工業企業落地，同時扶持現有企業做大做強，突破土地集約利用的低值區，提高土地利用的規模效應，使得企業在較高的生產經營水平上實現土地集約利用。而一些小型工業企業，除了集約用地水平低下，很可能其帶來的環境污染也相對較嚴重，從社會總體福利而言，往往得不償失，今后應禁止上馬以限制其數量。

（4）適時引導企業重組，提高企業管理水平。本文實證結果顯示，相較于外資企業而言，國有企業、私人企業及港澳臺企業的集約用地水平仍偏低，尤其是國有企業的集約用地水平最低。一方面是由于土地獲取途徑不同導致土地成本有所差異，另一方面也有可能是不同所有制下的企業在經營理念、管理水平等方面存在差異所致。因此，適時引導企業重組，比如積極推進國有企業混合所有制改革，引入社會多元化資本，鼓勵有能力的企業上市，激發企業內部活力，能促使企業內部各要素優化配置，提高企業運營效率，促進土地集約利用。

（5）合理規劃工業布局，促進工業集聚發展。理論分析和實證檢驗均表明合理的空間積聚會促進企業集約用地。因此，對于新增工業企業，要合理引導其選址布局；對于城市已有的工業企業，則應結合城市發展規劃，逐步引導搬遷至相應園區。此外，對于已經存在各類工業園區也應加強評估、監管，實行園區、工業企業間的適度動態淘汰機制，從源頭上杜絕工業用地粗放利用，提高園區的土地集約利用水平。

（References）:

［1］ 王立彬. 述評：必須抬高中國工業用地的準入門檻［EB/OL］ . http://finance.sina.com.cn/review/20080215/19544509610. shtml/2008 - 02 - 15.

［2］ Chen Jianfei, Kang-tsung C, Karacsonya D. Comparing Urban Land Expansion and Its Driving Factors in Shenzhen and Dongguan, China［J］ . Habitat International, 2014, 43（7）：61 - 71.

［3］ 熊強，郭貫成. 中國各省區城市工業用地生產效率差異研究［J］ . 資源科學， 2013，35（5）：910 - 917.

［4］ 費羅成，吳次芳，程久苗，等. 資源城市轉型期工業用地集約利用評價——以棗莊市為例［J］ . 城市問題，2013，（2）：29 - 36.

［5］ 王成新，劉洪顏，史家璐，等. 山東省省級以上開發區土地集約利用評價研究［J］ . 中國人口·資源與環境，2014， 24（6）：128 - 133.

［6］ 彭沖，肖皓，韓峰. 2003—2012年中國城市土地集約利用的空間集聚演化及分異特征研究［J］ . 中國土地科學，2014，28（12）：24 - 32.

［7］ Salvador D. S., Leandro G. M. Public Provision Versus Private Provision of Industrial Land: A Hedonic Approach［J］ . Land Use Policy，2005，22（3）：215 - 223.

［8］ LI Guang-dong, FANG Chuang-lin, PANG Bo. Quantitative Measuring and Influencing Mechanism of Urban and Rural Land Intensive Use in China［J］ . Journal of Geographical Sciences，2014，24（5）：858 - 874.

［9］ 吳郁玲，曲福田. 中國城市土地集約利用的影響機理：理論與實證研究［J］ . 資源科學，2007，29（6）：106 - 113.

［10］ 鄭新奇，鄧紅蒂，姚慧，等. 中國設區市土地集約利用類型區劃分研究［J］ . 中國人口·資源與環境，2010，20（2）：6 - 11.

［11］ 郭婧銳，周偉. 青海省土地集約利用與經濟發展時空差異分析［J］ . 水土保持研究，2014，21（2）：194 - 199.

［12］ 李玉雙，葛京鳳，梁彥慶，等. 河北省城市土地集約利用與城市化的耦合協調度分析［J］ . 水土保持研究，2013，20（2）：238 -242.

［13］ 吳廣玲，金麗國，黃凌翔. 天津市土地集約利用評價及影響因素關聯分析［J］ . 湖南農業科學，2013，（13）：59 - 62.

［14］ 渠麗萍，張麗琴，胡偉艷. 城市土地集約利用變化影響因素研究——以武漢市為例［J］ . 資源科學，2010，32（5）：970 - 975.

［15］ 李燦，張鳳榮，姜廣輝，等. 京郊衛星城區域農村居民點土地利用特征分析［J］ . 農業工程學報，2013，29（19）：233 - 243.

［16］ 鈕心毅，李時錦，宋小冬，等. 城市工業用地調整的空間決策支持——以廣州為例［J］ . 城市規劃，2011，35（7）：24 - 30.

［17］ 范穎超，聶宜民，陳紅艷，等. 基于GIS空間模型的開發區工業企業土地集約利用潛力研究［J］ . 安徽農業科學，2014，42（6）：1836 - 1839.

［18］ 黃凌翔，趙娣，金麗國. 開發區土地集約利用潛力實現研究——基于天津經濟技術開發區673個地塊的調研［J］ . 中國土地科學，2014，28（10）：33 - 39.

［19］ Tan Dan, Huang Xian-jin. Influencing Factors of the Levels of Intensive Use of Typical Industrial Land［J］ . China Population Resources Environment，2008,（6）：23 - 29.

［20］ 趙小風，黃賢金. 江蘇省開發區土地集約利用的分層線性模型實證研究［J］ . 地理研究，2012，（4）：56 - 61.

［21］ 鄒偉，趙杰，吳群. 土地保有稅對工業企業土地利用效率影響研究——基于江蘇省的典型企業調查［J］ . 中國土地科學，2014，28（1）：60 - 67.

［22］ 張琳，王亞輝. 微觀企業視角下工業用地產出效率的影響因素研究—基于2088家工業企業樣本的實證分析［J］ . 華東經濟管理，2014，28（9）：43 - 48.

［23］ Badi H. Baltagi, Georges Bresson. A Robust Hausman-Taylor Estimator［J］ . Advances in Econometrics, 2012，（1）：1 - 23.

［24］ Badi H. Baltagi, Long Liu. The Hausman-Taylor Panel Data Model with Serial Correlation［D］ . New York: Syracuse University, 2012.

［25］ Egger. P, Pfaffermayr M. Distance, Trade and FDI: A Hausman-Taylor SUR Approach［J］ . Journal of Applied Econometrics, 2004, 19（2）：227 - 246.

［26］ 錢忠好,牟燕. 土地市場化是否必然導致城鄉居民收入差距擴大——基于中國23個省（自治區、直轄市）面板數據的檢驗［J］ .管理世界，2013，（2）：78 - 89.

［27］ 陳強. 高級計量經濟學及stata應用［M］ . 北京：高等教育出版社，2014：66 - 84，250 - 270.

［28］ 陸銘,高虹,佐藤宏. 城市規模與包容性就業［J］ . 中國社會科學，2012，（10）：47 - 66.

［29］ Wang Z, Zhu J. The Evolution of China’s City Size Distribution: Empirical Evidence From 1949 to 2008［J］ . Chinese Economy, 2012,（6）： 6 - 17.

［30］ Driscoll J. C., A. C. Kraay. Consistent covariance matrix estimation with spatially dependent panel data［J］ . Review of Economics and Statistics，1998，80（4）：549 - 560.

［31］ Hausman J, Taylor W. Panel data and unobservable individual effects［J］ . Econometrica，1981，49（6）：1377 - 1398.

（本文責編：王慶日）

Research on Driving Factors of Intensive Land Use of Industrial Enterprises in Developed Regions in China: Empirical Research based on Micro-Data

ZHANG Lin, WANG Ya-hui, GUO Yu-na, LIU Bing-jie
（Faculty of Management and Economics, Dalian University of Technology, Dalian 116024, China）

With rapid industrialization in China, the land resource is increasingly scarce. It is important to reveal the driving factors on intensive land use of industrial enterprises, which can effectively improve relevant land policies and reduce the extensive land use. Under the background of existing research focusing on the macro or median level, this article analyzed the driving factors from the view of theory and explored its transmission mechanism in the micro level of the enterprises. And then, based on 1290 industrial enterprises from 1999 to 2009 in Guangdong and Jiangsu provinces, this article studied the driving factors of intensive land use. The empirical results were in accordance with theoretic analysis. The results showed that industrial land price is the most significant driving factors, and input factor can improve the land use intensity significantly, especially the labor input, because China is on the stage of increasing marginal landreturns, and the land use intensity of foreign capital enterprises is higher than other ownership enterprises. In addition, the enterprise size and distance from ports presents an inverted U-shaped relationship with land use intensity，and the land use intensity can be enhanced effectively by good location, level of profitability and economic environment.

land use; industry; intensive; driving factors

F301.2

A

1001-8158（2016）10-0020-09

10.11994/zgtdkx.20161111.110202

2016-05-24；

2016-09-09

國家自然科學基金“微觀視角下工業企業集約用地的動力機制和政策優化”（71403038）；中央高校基本科研業務費“產業升級中的土地資源協調保障機制研究”（DUT16RW128）。

張琳（1978-），女，黑龍江海林人，博士，副教授，碩士生導師。主要研究方向為土地經濟學。E-mail: zhanglintg@126.com