随着我国新型城镇化进程不断加快，城市土地资源紧张与高质量发展目标之间的矛盾日益凸显。如何在保持经济增长的同时实现土地集约高效利用，已成为城市可持续发展的重要命题。特别是在快速扩张城市中，土地利用效率（ULUE）受到经济、社会、环境等多重因素的影响，呈现出复杂的非线性和区域异质性特征，亟需构建科学的评价指标体系和驱动机制识别方法。

针对这一问题，中国科学院东北地理与农业生态研究所城市与乡村地理学科组研究人员提出了一种融合Slack-Based Measure方向性距离函数（SBM-DDF）与可解释机器学习（CatBoost+SHAP+GAM）的分析框架，系统评价了2007—2022年我国35个典型快速扩张城市的土地利用效率及其时空演变特征，并深入解析了关键驱动因素及其非线性边际效应。研究表明，我国城市ULUE整体呈现上升趋势，尤其是东部城市提升最为显著，然而区域间仍存在明显差异，其中东部城市效率均值为0.749，中部、西部和东北地区依次下降至0.737、0.727与0.691。值得关注的是，一些中西部城市正逐渐逼近效率前沿，而个别东部发达城市则出现效率回落。驱动因素分析结果显示，经济发展水平（38%）、社会发展条件（23%）与生态环境状况（18%）为ULUE提升的三大核心动因，且各区域表现出显著异质性：东部城市主要受益于高质量经济增长与绿色治理，中西部和东北城市则更多依赖于公共服务提升和产业结构优化。此外，研究还揭示了多个因素的非线性门槛效应。

本研究在方法上创新性地融合了非期望产出效率评价模型与可解释机器学习工具，突破了传统评价方法对变量线性关系与“黑箱模型”的依赖，且具备良好的迁移性与政策适应性。研究成果可为制定差异化的区域土地利用政策、提升城市空间治理能力提供科学参考。

相关成果以《Unraveling Drivers of Land Use Efficiency in Rapidly Urbanizing Areas: A Hybrid SBM-DDF and Explainable Machine Learning Framework》为题发表在国际期刊《Habitat International》上（中科院一区Top期刊）。朱家侣硕士生为第一作者，刘文新高级工程师为通讯作者。研究工作得到国家自然科学基金项目（42071275）资助。

图1 城市土地利用效率测度及驱动机制研究框架

论文信息：

Zhu,J.,Liu,W.,Zheng,S.,& Sun,Y. (2025). Unraveling drivers of land use efficiency in rapidly urbanizing areas: A hybrid SBM-DDF and explainable machine learning framework. Habitat International,164,103518.

论文链接：

https://doi.org/10.1016/j.habitatint.2025.103518