余文芊 周丙娟

摘要 利用南昌市本级集体建设用地定级与基准地价评估的项目，获取南昌市本级辖区258个行政村的调研数据，并运用随机森林回归模型分析农村集体经营性建设用地土地级别质量的影响因素及各类因素的重要性程度，同时验证模型的准确率。结果表明：模型的准确率和决定系数（R2）均大于80%，且五折交叉验证结果的准确率也大于80%。因子层重要性全域范围内是宏观区位影响度、繁华程度、产业集聚效应、交通条件和区域规划因子比基础设施条件和环境条件因子更大；其中，城区受产业集聚效应因子影响最大，而城郊受交通规划条件因子影响最大，且两者受繁华程度和交通条件因子影响也较大。因素层重要性全域范围内是宏观区位影响度最大，其次是繁华程度、交通条件、产业集聚效应和区域规划，而其余因素影响相对较小；其中，城区受产业集聚效应影响最大，而城郊受区域规划条件影响最大，其次繁华程度和交通条件也对土地级别质量有较大影响，而宏观区位影响度的影响相对减小。

关键词 集体经营性建设用地；土地级别质量；影响因素；随机森林回归模型

中图分类号 F301  文献标识码 A  文章编号 0517-6611（2024）11-0047-07

doi：10.3969/j.issn.0517-6611.2024.11.011

Empirical Analysis of Factors Influencing the Quality of Land Grade for Collective Management Construction Land Based on Random Forest Regression Model

YU Wen-qian1，2， ZHOU Bing-juan1，2

（1. School of Land Resources and Environment， Jiangxi Agricultural University， Nanchang，Jiangxi 330045;2. Jiangxi Poyang Lake Basin Key Laboratory of Agricultural Resources and Ecology， Nanchang， Jiangxi 330045）

Abstract Using the project of grading and benchmark land price evaluation of collective construction land at the local level in Nanchang City， we obtained survey data from 258 administrative villages in the jurisdiction of Nanchang City，and random forest regression model was used to analyze the influencing factors of land quality for rural collective commercial construction land and the degree of importance of various factors， while also verifying the accuracy of the model. The results showed that the model accuracy and decision coefficient （R2） were greater than 80%， and the accuracy of the 5-fold cross validation results was also greater than 80%. The overall importance of factor layer was that macro location influence degree， prosperity level， industrial agglomeration effect， traffic conditions and regional planning factors were greater than infrastructure conditions and environmental conditions. Among them， the urban area was most affected by the industrial agglomeration effect factor， while the suburban area was most affected by the traffic planning condition factor， and both were greatly affected by the prosperity degree and traffic condition factor.The overall importance of the factors layer was that macro location influence degree had the greatest influence， followed by bustling degree， traffic conditions， industrial agglomeration effect and regional planning， while the remaining factors had relatively less influence. Among them， the urban area was most affected by the industrial agglomeration effect， while the suburban area was the most affected by the regional planning conditions. Secondly， the prosperity degree and traffic conditions also had a greater impact on the quality， while the macro location influence degree was relatively reduced.

Key words Collective commercial construction land;Land grade quality;Influencing factors;Random forest regression model

基金项目 地方政府委托项目（JXLZ-2021-G009）。

作者简介 余文芊（1999—），女，江西上饶人，硕士研究生，研究方向：土地经济学。

*通信作者，副教授，硕士，硕士生导师，从事土地经济学研究。

收稿日期 2023-06-29；修回日期 2023-07-28

随着我国经济水平提高和社会快速发展，以及各类用地需求的不断增长，农村集体建设用地的使用价值与资产价值日益显现［1］。与此同时，国家正稳步开展集体经营性建设用地入市等试点工作，围绕农村集体土地的相关研究也不断深入，但相较于成熟的城镇建设用地研究，集体经营性建设用地的相关研究仍处于欠缺状态。学者对集体经营性建设用地的研究前期主要集中在土地流转方面，进入农村土地制度改革试点阶段后逐渐转到对入市问题的研究，如入市动因［2］、入市模式［3］、入市范围［4］、入市主体［5］和收益分配［6］等方面，对于集体经营性建设用地土地级别质量影响因素的研究不多。赵小敏等［7］以余江县的4个乡镇为例，通过对农村集体建设用地内涵及国有建设用地差异性进行分析，建立了集体建设用地等级评估的技术思路和指标体系；杨建锋等［8］以新野县为例，基于集体建设用地的特点，从宏观趋势层面和微观差异层面进行综合考虑，进而构建了两者并存的指标体系；许婷等［9］以锦江镇为例，从农村集体建设用地特点出发，并结合当地特色，构建了集体建设用地指标体系。在定量分析影响因素的研究方法上，许多学者采用的是传统的多因素综合评定法、主成分分析法等，大部分都具有一定的主观性和偶然性，而随机森林回归模型的随机性能很好地从大量数据中分析影响农村集体经营性建设用地土地级别质量的重要因素，且不需要检查变量的交互作用是否显著［10-11］。

该研究在参考相关文献的基础上，结合集体经营性建设用地的特点，构建农村集体经营性建设用地土地级别质量影响因素体系，利用南昌市本级辖区258个行政村的调研数据，通过随机森林回归模型分析集体经营性建设用地土地级别质量影响因素及其重要性程度，以期为行政村尺度下的集体经营性建设用地土地级别质量影响因素体系的构建提供参考。

1 资料与方法

1.1 研究区域和数据来源

该研究以南昌市市本级管辖区为研究区域，辖区258个行政村为研究对象，总面积为99 258.51 hm2，其中农村集体经营性建设用地面积为1 477.48 hm2。南昌市市本级管辖区东至高新区五星垦殖场边界线，西至湾里管理局边界线，南至红谷滩区，北至经开区（图1），城区面积44 118.60 hm2，城郊面积55 139.91 hm2。各个行政村总人口为1 000～4 000人，农民人均纯收入为1万～2万元。城区范围内的行政村140个，城郊范围内的行政村118个。

于2021年10月至2022年8月深入各个村庄开展实地入户调研，收集集体经营性建设用地土地级别质量影响因素的调研数据，包括商业中心、工业企业等土地级别质量影响因素相关数据。

1.2 样本特征

对样本数据基本特征进行分析，结果如表1所示。样点所在的行政村社会经济发展情况存在较大的差异，可代表不同发展水平的行政村：城区和城郊内行政村人均纯收入最大分别为8.00万和5.00万元，最小分别仅为0.10万和0.20万元；人口数最大可达上千甚至上万人，最小仅为数十人；集体建设用地面积最大分别为135.65和140.47 hm2，最小甚至为0.00 hm2。样点所在行政村的交通等情况也存在较大的差异：城区和城郊内行政村到商业繁华区的距离

最远分别为14 857.11和37 173.46 m，最近分别为1 502.71和6 346.38 m；到产业集中区的距离最远分别为4 705.96和16 668.17 m，最近分别为96.48和85.98 m；而到公交站台的距离最远分别为1 891.10和5 623.21 m，最近分别为34.57和67.40 m。

1.3 研究方法

1.3.1 变量设定。

该研究在参考大量相关文献的基础上，结合集体经营性建设用地特点，构建农村集体经营性建设用地土地级别质量影响因素体系，如表2所示。

繁华程度主要是指某一个地区的商业和服务业的聚集程度，以及各类商业和服务业的影响程度。商业繁华度对土地级别质量有显著的影响，是土地定级中非常重要的一个因素，同时商业繁华度会受到多种商业服务业设施的影响，因此选取商业中心、大型超市、农贸市场、专业市场4个指标来衡量。各指标采用其与行政村几何中心距离来进行量化。

宏观区位影响度也是反映土地级别质量的重要指标，一般来说，宏观区位条件越好，土地级别质量越高。该研究主要选取商业繁华区和产业集中区2个指标。各指标采用其与行政村几何中心距离来进行量化。

交通条件是反映区域之间土地级别质量的主要标尺，该研究分别从道路通达度、公共交通便捷度和对外交通便利度3个方面选取相应的指标。其中，道路通达度采用的是国道、省道、县道、城市道路和乡道长度与其所在行政村区域总面积比来进行量化；公共交通便捷度和对外交通便利度则采用其与行政村几何中心距离来进行量化。

产业集聚效应是指各种产业和经济活动在区域内集中到一定程度时，可以为区域的经济发展带来额外的效益。该研究选取工业企业密度指标来衡量，并采用行政村工业企业数量占全域总量比来进行量化。

物流是指实施和管理产品等从原产地到消费地低成本流动和存储的全过程，考虑到产品也包括商业和工业产品，因而在一定程度上也会对土地级别质量产生影响。指标采用其与行政村几何中心距离来进行量化。

社会经济发展状况主要是指科教文卫、社会保障等方面的发展，其发展状况反映所在地区的经济和社会结构，以及不断进步的创新过程或变化过程，对土地级别质量也会产生一定的影响，一般经济发展良好，地价水平也会随之上升。该研究选取集体建设用地占比、人均纯收入、常住人口密度和劳动人口密度4个指标。其中，集体建设用地占比、常住人口密度和劳动人口密度采用其与所在行政村区域总面积比进行量化；人均纯收入则直接采用所在行政村的人均纯收入。

基本设施条件是指所在地区周围的基础设施情况，基础设施越完善，其土地级别质量也会相应提高。该研究选取供水质量、供电质量、供气质量、排水质量和通信质量5个指标。其中，供水质量是用所在行政村的供水方式、覆盖率、停水周期和水压实际情况进行百分制评定；供电质量是用所在行政村的停电周期、是否采用变压器提压和电压稳定性实际情况进行百分制评定；供气质量是用所在行政村的天然气覆盖率和煤气管道覆盖率实际情况进行百分制评定；排水质量是用所在行政村是否有污水处理站、分明暗沟和管道维修频率实际情况进行百分制评定；通信质量则是用所在行政村的通信服务公司数量和通信信号强度实际情况进行百分制评定。

环境条件是顺利进行经济生产和社会活动的基本物质条件，其也是反映所在地区土地经济区位的量度指标。同时，环境条件在区域内的分布及各区域的优劣，对土地级别质量有重大影响。该研究主要选取自然灾害和工程地质条件2个指标，其中，自然灾害是用所在行政村的自然灾害数量来量化；工程地质条件则是用所在行政村的地面塌陷和坡度情况进行百分制评定。

区域规划对土地级别质量也有重要影响，当某区域被纳入规划范围时，土地的价值就会提高。该研究主要选取商业、工业规划功能区和交通规划方面的指标，各指标采用其与行政村几何中心距离来进行量化。

1.3.2 模型选择。

随机森林模型（RF）是由Breiman和Cutler最早提出的，基于决策树的机器学习模型。该模型在算法上具有独特优势，且能极大地提升模型预测精度。随机森林模型根据研究变量的不同大致可划分为2种［12］：①当样本数据为连续变量时，采用随机森林回归模型；②当样本数据为分类变量时，采用随机森林分类模型。该研究的样本数据为连续变量，故采用随机森林回归模型。随机森林回归模型采用的是Bootstrap重抽样方法，即可放回抽样，具体运算公式如下：

limm→∞（1-1m）m→1e（1）

ht=θ（D，Dbs）（2）

H（x）=argmaxy∈YTt=1I（ht（x）=y）（3）

式中：m是样本个数；ht是基学习器；θ是基学习算法；D是m个样本的初始数据集；Dbs是随机采样产生的样本分布；I（·）是指示函数，若·为真，取1，否则取0。

随机森林回归模型用于评价变量重要性采用的是变量重要性评分（VIM）。变量重要性评分是通过排列原理对误差进行随机置换而产生的均方残差减少量和模型精确度的减小量来表征不同变量对结果的影响度［13］，输入变量的重要性得分越高，该变量对结果的影响越大。用于计算各变量重要性评分的方法有2种：①根据基尼（Gini）指数求得；②根据袋外数据（OOB）错误率求得。由于VIMj（OOB）在实际中的应用范围更加广泛，该研究将用其来计算各变量的重要性评分，计算公式如下：

VIM（OOB）i，j=ni0p=1I（Yp=Yip）ni0-

ni0p=1I（Yp=Yip，πj）ni0

（4）

VIM（OOB）j=ni=1VIM（OOB）i，jn（5）

式中：ni0为第i棵树OOB的个数；Yp为第p个观测数据的实际值；Yip为随机置换前第i棵决策树对OOB的第p个观测结果；Yip，πj为置换后的观测结果；n为决策树数量。

随机森林回归精度一般进行必要性检验［14-15］，其评价指标主要包括决定系数（R2）和均方根误差（MSE），同时当R2越大、MSE越小时，模型解释的精度越高，拟合效果也越好［16］。此外，为了进一步检测模型的解释精度，还将采用五折交叉验证来进一步验证，当5组折叠的预测精度和最终的平均精度越高时，模型的结果越可信［17］。该研究的随机森林回归模型使用Python 3.7.7实现。在构建模型前，先对样本数据进行标准化处理，由于训练集与测试集比例过小会使模型学习不充分，比例过大会使模型结果可信度降低［18］，因而该研究将训练集和测试集的比例预先设为7∶3。同时，考虑到程序运算效率，将随机森林决策树数量（n_estimators参数）设置为600，其他参数保持默认。

2 结果与分析

2.1 随机森林回归模型准确度检测

利用行政村全域、城区和城郊的训练集数据训练模型，导入测试集，计算出模型准确率分别为96.17%、82.12%和90.10%，可见模型训练出来的结果可信度较高。计算训练集和测试集上真实值与预测值的MSE，如图2所示。可知，训练集上的MSE均小于0.5，测试集上的MSE均在5.0以下，说明训练出的真实值与预测值相差不大，且训练集和测试集上的决定系数（R2）均在0.8以上，说明模型的拟合精度较高，即解释变量的解释水平较高。

不断改变决策树的数量，测试在不同数目的决策树的情况下训练集和测试集上的MSE，其值均比之前略小，详见图3。其中，行政村全域训练集和测试集上的MSE达到最小时，对应数的数量分别为598和476。同时，城区对应数的数量分别为182和286，城郊对应数的数量分别为524和166。综上可知，模型的准确度和拟合精度均较高，解释水平也较高。

考虑到该研究数据量相对较少，使用五折交叉检验来计算随机森林回归模型的模型准确率。经检验后，模型每次准确率如表3所示。由表3可知，行政村全域、城区和城郊5次的平均准确率分别为96.07%、87.94%和85.74%，且模型每次准确率基本在80.00%以上，说明模型的准确率较高，结果基本可信。

2.2 集体经营性建设用地影响因素分析

度量变量重要性的基本思想，即如果一个变量足够重要，那么发生改变后会极大地增加预测误差，反之预测误差则较小。由此可知，预测误差越大，解释变量重要性评分越高，则该变量越重要。同时，解释变量还是评价集体经营性建设用地质量的重要指标，变量重要性评分越高，对集体经营性建设用地质量影响也越大。将分类前后的样本数据放入随机森林回归模型进行学习，得到各解释变量的重要性评分，结果如表4所示。

从表4可以看出，全域范围内重要性评分排在前5的因子依次为距商业繁华区距离、工业企业密度、距商业中心距离、距火车站距离、距大型超市距离；排在后5的因子依次是自然灾害、通信质量、省道密度、城市道路密度和供电质量。

单从城区看，重要性评分排在前5的因子依次为工业企业密度、距专业市场距离、距商业中心距离、距高速出入口距离和距商业繁华区距离；排在后5的因子依次是自然灾害、省道密度、城市道路密度、供电质量和国道密度。

单从城郊看，重要性评分排在前5的因子依次为距道路规划距离、距大型超市距离、距公交站台距离、距火车规划距离和距商业繁华区距离；排在后5的因子依次是工业企业密度、自然灾害、通信质量、城市道路密度和供电质量。

由此可知，宏观区位影响度、繁华程度、产业集聚效应、交通条件和区域规划因子比基础设施条件和环境条件因子更为重要。城区受产业集聚效应和繁华程度的因子影响较大，城郊受交通条件和繁华程度的因子影响较大。此外，集体建设用地占比的重要性程度整体较为适中，可见集体建设用地占比对质量有一定的影响，但影响相对来说不太大。

若将各类因子汇总到因素层进行重要性排序，结果如表5所示。由表5可知，行政村全域重要性由高到低排序依次为宏观区位影响度、繁华程度、交通条件、产业集聚效应、区域规划、社会经济发展状况、基本设施条件、环境条件、物流。

就全域而言，对农村集体经营性建设用地土地级别质量影响最大的因素还是宏观区位影响度，说明宏观区位影响度最容易影响到集体经营性建设用地土地级别质量，区位条件越好，质量也越高。其次是繁华程度和交通条件，也对集体经营性建设用地土地级别质量有较大影响，即繁华程度越高，交通条件越好，其质量也会越高。然后是产业集聚效应，产业集聚效应主要是指工业企业的聚集情况，工业企业聚集度越高，说明有许多工业企业在此办厂，也会对集体经营性建设用地土地级别质量产生较大影响。区域规划则是指从整体和长远利益出发，为实现所在地区开发和建设目标而进行的总体部署，如果某块区域纳入规划范围，其质量水平也将会得到提高，因此会间接地影响到集体经营性建设用地的土地级别质量。而社会经济发展状况、基本设施条件、环境条件和物流对集体经营性建设用地土地级别质量的影响相比来说比较小。

城区重要性由高到低依次为产业集聚效应、繁华程度、交通条件、宏观区位影响度、基本设施条件、社会经济发展状况、区域规划、物流、环境条件。可知，宏观区位影响度的影响相对较小，而繁华程度和交通条件因素仍对质量有较大影响。此外，影响城区集体经营性建设用地土地级别质量最大的是产业集聚效应，可能是城区内有较多的工业企业在此办厂，产业较为集中，因而影响最大。

城郊重要性由高到低依次为区域规划、交通条件、繁华程度、宏观区位影响度、社会经济发展状况、基本设施条件、物流、环境条件、产业集聚效应。可知，宏观区位影响度对其影响也相对较小，而繁华程度和交通条件因素影响相对较大。此外，影响城郊集体经营性建设用地土地级别质量最大的是区域规划，可能是相对于城区而言，城郊的工业企业相对较少，大多数仍处于发展阶段，因而需要通过区域规划来为地区开发和建设进行部署。

综上所述，整体上对农村集体经营性建设用地土地级别质量影响最大的因素还是宏观区位影响度，同时繁华程度、交通条件、产业集聚效应和区域规划对集体经营性建设用地土地级别质量也有较大影响，而其余因素影响相对较小。单从城区和城郊来看，繁华程度和交通条件因素仍对集体经营性建设用地土地级别质量有较大影响，而宏观区位影响度的影响有所减弱。此外，影响城区集体经营性建设用地土地级别质量最大的是产业集聚效应，而影响城郊集体经营性建设用地土地级别质量最大的是区域规划。

3 结论与讨论

3.1 结论

该研究先构建了农村集体经营性建设用地土地级别质量影响因素体系，然后利用南昌市本级辖区258个行政村的调研案例，对集体经营性建设用地土地级别质量影响因素及其重要性程度进行了实证研究。得出的结论如下：

（1）对模型准确度进行检测，可得模型准确率和决定系数（R2）均大于80%，且五折交叉验证结果的准确率也大于80%，由此可知，模型的准确度较高，解释变量的解释水平较高，结果可信。

（2）从因子层重要性排序结果来看，全域范围内宏观区位影响度、繁华程度、产业集聚效应、交通条件和区域规划因子比基础设施条件和环境条件因子更为重要。其中，城区受产业集聚效应因子影响最大，而城郊受区域规划因子影响最大，且两者受繁华程度和交通条件因子影响也较大。此外，集体建设用地占比的重要性程度整体较为适中，可见集体建设用地占比对土地级别质量的影响不大。

（3）从因素层重要性排序结果来看，全域范围内对农村集体经营性建设用地土地级别质量影响最大的因素还是宏观区位影响度，说明宏观区位影响度最容易影响到集体经营性建设用地的土地级别质量，同时繁华程度、交通条件、产业集聚效应和区域规划对集体经营性建设用地土地级别质量也有较大影响，而其余因素影响相对较小。单从城区和城郊来看，宏观区位影响度的影响相对较小，而繁华程度和交通条件仍对土地级别质量有较大影响。此外，影响城区集体经营性建设用地土地级别质量最大的是产业集聚效应，而影响城郊最大的则是区域规划。

综上，行政村尺度下影响农村集体经营性建设用地土地级别质量的主要因素是繁华程度、交通条件、宏观区位影响度、产业集聚效应和区域规划，而社会经济发展状况、基本设施条件、环境条件和物流的影响相对较小。

3.2 讨论

目前关于集体经营性建设用地土地级别质量影响因素的研究尚在探索之中。该研究在影响因素选取方面参考了国有城镇建设用地和集体建设用地等相关文献，并结合区域实际情况及商业和工业用地特点，增加了产业集聚效应、区域规划等因素。整体上与城镇建设用地和集体建设用地目前研究结果保持一致，但在具体分析城区和城郊时发现最大影响因素存在一定的差异，原因可能是在分析城区和城

郊时已经自动考虑了区域位置，因而单独分析时宏观区位影响度的影响有所弱化，反而将其最大影响因素显现出来。同时结合区域特点，发现城区内工厂较多，尤其是大量产业园区在此集聚，而城郊相对比较落后，仍处于发展状态，大部分地方还在进行规划，与研究结果保持一致。因此，在构建集体经营性建设用地土地级别质量指标体系时可选取繁华程度、交通条件和宏观区位影响度等相关因子，同时考虑产业集聚效应和区域规划的相关因子，并根据所在区域的实际情况进行适当调整，而社会经济发展状况、基本设施条件、环境条件和物流等可根据具体情况选取相关因子。另外，建议尽快完善农村集体经营性建设用地相关规程和标准，从而积极推进农村集体经营性建设用地入市。

参考文献

［1］ 孙悦.农村集体经营性建设用地地价空间分异影响因素研究：以阳城县为例［D］.太原：山西财经大学，2020.

［2］ 魏来，黄祥祥.集体经营性建设用地入市改革的实践进程与前景展望：以土地发展权为肯綮［J］.华中师范大学学报（人文社会科学版），2020，59（4）：34-42.

［3］ 胡如梅，谭荣.集体经营性建设用地统筹入市的模式选择［J］.中国土地科学，2021，35（4）：101-108.

［4］ 王玥，卢新海，贺飞菲.集体经营性建设用地入市试点政策选择研究：基于14个试点地区的政策文本分析［J］.学习与实践，2021（5）：79-87.

［5］ 曹笑辉.集体建设用地入市模式及其立法选择［J］.理论探索，2016（2）：116-122.

［6］ 张建，邹先明，李鑫.基于发展权的集体经营性建设用地入市增值收益分配研究：以江苏省赣榆区为例［J］.湖南农业大学学报（社会科学版），2022，23（6）：88-96.

［7］ 赵小敏，周丙娟，黄心怡，等.基于GIS与综合指数法的农村集体建设用地质量等级评价［J］.农业工程学报，2018，34（7）：249-255，302.

［8］ 杨建锋，马军成，杨建波，等.集体建设用地土地级别评定探讨：以新野县为例［J］.中国农业资源与区划，2013，34（6）：93-99，126.

［9］ 许婷，饶磊，赵小敏，等.农村集体建设用地定级研究：以江西省锦江镇为例［J］.江西农业大学学报，2018，40（1）：198-205.

［10］ 袁晓芳.基于优化随机森林模型的兰州市住宅类房产税税基评估研究［D］.兰州：兰州财经大学，2022.

［11］ 张兴.砂田土壤生化性质空间异质性分析及质量综合评价［D］.银川：宁夏大学，2019.

［12］ 刘继辉，许磊，马晓龙，等.基于随机森林回归的制丝过程参数影响权重分析［J］.烟草科技，2017，50（2）：63-71.

［13］ 唐蓉.基于随机森林回归的青年人体质影响因素研究［D］.南昌：华东交通大学，2016.

［14］ ZENG C Q，ZHOU Y，WANG S X，et al.Population spatialization in China based on night-time imagery and land use data［J］.International journal of remote sensing，2011，32（24）：9599-9620.

［15］ 王珂靖，蔡红艳，杨小唤.多元统计回归及地理加权回归方法在多尺度人口空间化研究中的应用［J］.地理科学进展，2016，35（12）：1494-1505.

［16］ 王超，阚瑷珂，曾业隆，等.基于随机森林模型的西藏人口分布格局及影响因素［J］.地理学报，2019，74（4）：664-680.

［17］ XUE L，LIU Y T，XIONG Y F，et al.A data-driven shale gas production forecasting method based on the multi-objective random forest regression［J］.Journal of petroleum science and engineering，2021，196：1-13.

［18］ 王未卿，肖勇贵，李霞.基于随机森林回归模型的城投债信用利差影响因素研究［J］.数学的实践与认识，2020，50（12）：311-320.