基于隨機森林回歸模型的集體經(jīng)營性建設用地土地級別質(zhì)量影響因素實證分析

余文芊 周丙娟

摘要 利用南昌市本級集體建設用地定級與基準地價評估的項目，獲取南昌市本級轄區(qū)258個行政村的調(diào)研數(shù)據(jù)，并運用隨機森林回歸模型分析農(nóng)村集體經(jīng)營性建設用地土地級別質(zhì)量的影響因素及各類因素的重要性程度，同時驗證模型的準確率。結果表明：模型的準確率和決定系數(shù)（R2）均大于80%，且五折交叉驗證結果的準確率也大于80%。因子層重要性全域范圍內(nèi)是宏觀區(qū)位影響度、繁華程度、產(chǎn)業(yè)集聚效應、交通條件和區(qū)域規(guī)劃因子比基礎設施條件和環(huán)境條件因子更大；其中，城區(qū)受產(chǎn)業(yè)集聚效應因子影響最大，而城郊受交通規(guī)劃條件因子影響最大，且兩者受繁華程度和交通條件因子影響也較大。因素層重要性全域范圍內(nèi)是宏觀區(qū)位影響度最大，其次是繁華程度、交通條件、產(chǎn)業(yè)集聚效應和區(qū)域規(guī)劃，而其余因素影響相對較??；其中，城區(qū)受產(chǎn)業(yè)集聚效應影響最大，而城郊受區(qū)域規(guī)劃條件影響最大，其次繁華程度和交通條件也對土地級別質(zhì)量有較大影響，而宏觀區(qū)位影響度的影響相對減小。

關鍵詞 集體經(jīng)營性建設用地；土地級別質(zhì)量；影響因素；隨機森林回歸模型

中圖分類號 F301? 文獻標識碼 A? 文章編號 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

基金項目 地方政府委托項目（JXLZ-2021-G009）。

作者簡介 余文芊（1999—），女，江西上饒人，碩士研究生，研究方向：土地經(jīng)濟學。

*通信作者，副教授，碩士，碩士生導師，從事土地經(jīng)濟學研究。

收稿日期 2023-06-29；修回日期 2023-07-28

隨著我國經(jīng)濟水平提高和社會快速發(fā)展，以及各類用地需求的不斷增長，農(nóng)村集體建設用地的使用價值與資產(chǎn)價值日益顯現(xiàn)［1］。與此同時，國家正穩(wěn)步開展集體經(jīng)營性建設用地入市等試點工作，圍繞農(nóng)村集體土地的相關研究也不斷深入，但相較于成熟的城鎮(zhèn)建設用地研究，集體經(jīng)營性建設用地的相關研究仍處于欠缺狀態(tài)。學者對集體經(jīng)營性建設用地的研究前期主要集中在土地流轉(zhuǎn)方面，進入農(nóng)村土地制度改革試點階段后逐漸轉(zhuǎn)到對入市問題的研究，如入市動因［2］、入市模式［3］、入市范圍［4］、入市主體［5］和收益分配［6］等方面，對于集體經(jīng)營性建設用地土地級別質(zhì)量影響因素的研究不多。趙小敏等［7］以余江縣的4個鄉(xiāng)鎮(zhèn)為例，通過對農(nóng)村集體建設用地內(nèi)涵及國有建設用地差異性進行分析，建立了集體建設用地等級評估的技術思路和指標體系；楊建鋒等［8］以新野縣為例，基于集體建設用地的特點，從宏觀趨勢層面和微觀差異層面進行綜合考慮，進而構建了兩者并存的指標體系；許婷等［9］以錦江鎮(zhèn)為例，從農(nóng)村集體建設用地特點出發(fā)，并結合當?shù)靥厣?，構建了集體建設用地指標體系。在定量分析影響因素的研究方法上，許多學者采用的是傳統(tǒng)的多因素綜合評定法、主成分分析法等，大部分都具有一定的主觀性和偶然性，而隨機森林回歸模型的隨機性能很好地從大量數(shù)據(jù)中分析影響農(nóng)村集體經(jīng)營性建設用地土地級別質(zhì)量的重要因素，且不需要檢查變量的交互作用是否顯著［10-11］。

該研究在參考相關文獻的基礎上，結合集體經(jīng)營性建設用地的特點，構建農(nóng)村集體經(jīng)營性建設用地土地級別質(zhì)量影響因素體系，利用南昌市本級轄區(qū)258個行政村的調(diào)研數(shù)據(jù)，通過隨機森林回歸模型分析集體經(jīng)營性建設用地土地級別質(zhì)量影響因素及其重要性程度，以期為行政村尺度下的集體經(jīng)營性建設用地土地級別質(zhì)量影響因素體系的構建提供參考。

1 資料與方法

1.1 研究區(qū)域和數(shù)據(jù)來源

該研究以南昌市市本級管轄區(qū)為研究區(qū)域，轄區(qū)258個行政村為研究對象，總面積為99 258.51 hm2，其中農(nóng)村集體經(jīng)營性建設用地面積為1 477.48 hm2。南昌市市本級管轄區(qū)東至高新區(qū)五星墾殖場邊界線，西至灣里管理局邊界線，南至紅谷灘區(qū)，北至經(jīng)開區(qū)（圖1），城區(qū)面積44 118.60 hm2，城郊面積55 139.91 hm2。各個行政村總人口為1 000～4 000人，農(nóng)民人均純收入為1萬～2萬元。城區(qū)范圍內(nèi)的行政村140個，城郊范圍內(nèi)的行政村118個。

于2021年10月至2022年8月深入各個村莊開展實地入戶調(diào)研，收集集體經(jīng)營性建設用地土地級別質(zhì)量影響因素的調(diào)研數(shù)據(jù)，包括商業(yè)中心、工業(yè)企業(yè)等土地級別質(zhì)量影響因素相關數(shù)據(jù)。

1.2 樣本特征

對樣本數(shù)據(jù)基本特征進行分析，結果如表1所示。樣點所在的行政村社會經(jīng)濟發(fā)展情況存在較大的差異，可代表不同發(fā)展水平的行政村：城區(qū)和城郊內(nèi)行政村人均純收入最大分別為8.00萬和5.00萬元，最小分別僅為0.10萬和0.20萬元；人口數(shù)最大可達上千甚至上萬人，最小僅為數(shù)十人；集體建設用地面積最大分別為135.65和140.47 hm2，最小甚至為0.00 hm2。樣點所在行政村的交通等情況也存在較大的差異：城區(qū)和城郊內(nèi)行政村到商業(yè)繁華區(qū)的距離

最遠分別為14 857.11和37 173.46 m，最近分別為1 502.71和6 346.38 m；到產(chǎn)業(yè)集中區(qū)的距離最遠分別為4 705.96和16 668.17 m，最近分別為96.48和85.98 m；而到公交站臺的距離最遠分別為1 891.10和5 623.21 m，最近分別為34.57和67.40 m。

1.3 研究方法

1.3.1 變量設定。

該研究在參考大量相關文獻的基礎上，結合集體經(jīng)營性建設用地特點，構建農(nóng)村集體經(jīng)營性建設用地土地級別質(zhì)量影響因素體系，如表2所示。

繁華程度主要是指某一個地區(qū)的商業(yè)和服務業(yè)的聚集程度，以及各類商業(yè)和服務業(yè)的影響程度。商業(yè)繁華度對土地級別質(zhì)量有顯著的影響，是土地定級中非常重要的一個因素，同時商業(yè)繁華度會受到多種商業(yè)服務業(yè)設施的影響，因此選取商業(yè)中心、大型超市、農(nóng)貿(mào)市場、專業(yè)市場4個指標來衡量。各指標采用其與行政村幾何中心距離來進行量化。

宏觀區(qū)位影響度也是反映土地級別質(zhì)量的重要指標，一般來說，宏觀區(qū)位條件越好，土地級別質(zhì)量越高。該研究主要選取商業(yè)繁華區(qū)和產(chǎn)業(yè)集中區(qū)2個指標。各指標采用其與行政村幾何中心距離來進行量化。

交通條件是反映區(qū)域之間土地級別質(zhì)量的主要標尺，該研究分別從道路通達度、公共交通便捷度和對外交通便利度3個方面選取相應的指標。其中，道路通達度采用的是國道、省道、縣道、城市道路和鄉(xiāng)道長度與其所在行政村區(qū)域總面積比來進行量化；公共交通便捷度和對外交通便利度則采用其與行政村幾何中心距離來進行量化。

產(chǎn)業(yè)集聚效應是指各種產(chǎn)業(yè)和經(jīng)濟活動在區(qū)域內(nèi)集中到一定程度時，可以為區(qū)域的經(jīng)濟發(fā)展帶來額外的效益。該研究選取工業(yè)企業(yè)密度指標來衡量，并采用行政村工業(yè)企業(yè)數(shù)量占全域總量比來進行量化。

物流是指實施和管理產(chǎn)品等從原產(chǎn)地到消費地低成本流動和存儲的全過程，考慮到產(chǎn)品也包括商業(yè)和工業(yè)產(chǎn)品，因而在一定程度上也會對土地級別質(zhì)量產(chǎn)生影響。指標采用其與行政村幾何中心距離來進行量化。

社會經(jīng)濟發(fā)展狀況主要是指科教文衛(wèi)、社會保障等方面的發(fā)展，其發(fā)展狀況反映所在地區(qū)的經(jīng)濟和社會結構，以及不斷進步的創(chuàng)新過程或變化過程，對土地級別質(zhì)量也會產(chǎn)生一定的影響，一般經(jīng)濟發(fā)展良好，地價水平也會隨之上升。該研究選取集體建設用地占比、人均純收入、常住人口密度和勞動人口密度4個指標。其中，集體建設用地占比、常住人口密度和勞動人口密度采用其與所在行政村區(qū)域總面積比進行量化；人均純收入則直接采用所在行政村的人均純收入。

基本設施條件是指所在地區(qū)周圍的基礎設施情況，基礎設施越完善，其土地級別質(zhì)量也會相應提高。該研究選取供水質(zhì)量、供電質(zhì)量、供氣質(zhì)量、排水質(zhì)量和通信質(zhì)量5個指標。其中，供水質(zhì)量是用所在行政村的供水方式、覆蓋率、停水周期和水壓實際情況進行百分制評定；供電質(zhì)量是用所在行政村的停電周期、是否采用變壓器提壓和電壓穩(wěn)定性實際情況進行百分制評定；供氣質(zhì)量是用所在行政村的天然氣覆蓋率和煤氣管道覆蓋率實際情況進行百分制評定；排水質(zhì)量是用所在行政村是否有污水處理站、分明暗溝和管道維修頻率實際情況進行百分制評定；通信質(zhì)量則是用所在行政村的通信服務公司數(shù)量和通信信號強度實際情況進行百分制評定。

環(huán)境條件是順利進行經(jīng)濟生產(chǎn)和社會活動的基本物質(zhì)條件，其也是反映所在地區(qū)土地經(jīng)濟區(qū)位的量度指標。同時，環(huán)境條件在區(qū)域內(nèi)的分布及各區(qū)域的優(yōu)劣，對土地級別質(zhì)量有重大影響。該研究主要選取自然災害和工程地質(zhì)條件2個指標，其中，自然災害是用所在行政村的自然災害數(shù)量來量化；工程地質(zhì)條件則是用所在行政村的地面塌陷和坡度情況進行百分制評定。

區(qū)域規(guī)劃對土地級別質(zhì)量也有重要影響，當某區(qū)域被納入規(guī)劃范圍時，土地的價值就會提高。該研究主要選取商業(yè)、工業(yè)規(guī)劃功能區(qū)和交通規(guī)劃方面的指標，各指標采用其與行政村幾何中心距離來進行量化。

1.3.2 模型選擇。

隨機森林模型（RF）是由Breiman和Cutler最早提出的，基于決策樹的機器學習模型。該模型在算法上具有獨特優(yōu)勢，且能極大地提升模型預測精度。隨機森林模型根據(jù)研究變量的不同大致可劃分為2種［12］：①當樣本數(shù)據(jù)為連續(xù)變量時，采用隨機森林回歸模型；②當樣本數(shù)據(jù)為分類變量時，采用隨機森林分類模型。該研究的樣本數(shù)據(jù)為連續(xù)變量，故采用隨機森林回歸模型。隨機森林回歸模型采用的是Bootstrap重抽樣方法，即可放回抽樣，具體運算公式如下：

limm→∞（1-1m）m→1e（1）

ht=θ（D，Dbs）（2）

H（x）=argmaxy∈YTt=1I（ht（x）=y）（3）

式中：m是樣本個數(shù)；ht是基學習器；θ是基學習算法；D是m個樣本的初始數(shù)據(jù)集；Dbs是隨機采樣產(chǎn)生的樣本分布；I（·）是指示函數(shù)，若·為真，取1，否則取0。

隨機森林回歸模型用于評價變量重要性采用的是變量重要性評分（VIM）。變量重要性評分是通過排列原理對誤差進行隨機置換而產(chǎn)生的均方殘差減少量和模型精確度的減小量來表征不同變量對結果的影響度［13］，輸入變量的重要性得分越高，該變量對結果的影響越大。用于計算各變量重要性評分的方法有2種：①根據(jù)基尼（Gini）指數(shù)求得；②根據(jù)袋外數(shù)據(jù)（OOB）錯誤率求得。由于VIMj（OOB）在實際中的應用范圍更加廣泛，該研究將用其來計算各變量的重要性評分，計算公式如下：

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為第i棵樹OOB的個數(shù)；Yp為第p個觀測數(shù)據(jù)的實際值；Yip為隨機置換前第i棵決策樹對OOB的第p個觀測結果；Yip，πj為置換后的觀測結果；n為決策樹數(shù)量。

隨機森林回歸精度一般進行必要性檢驗［14-15］，其評價指標主要包括決定系數(shù)（R2）和均方根誤差（MSE），同時當R2越大、MSE越小時，模型解釋的精度越高，擬合效果也越好［16］。此外，為了進一步檢測模型的解釋精度，還將采用五折交叉驗證來進一步驗證，當5組折疊的預測精度和最終的平均精度越高時，模型的結果越可信［17］。該研究的隨機森林回歸模型使用Python 3.7.7實現(xiàn)。在構建模型前，先對樣本數(shù)據(jù)進行標準化處理，由于訓練集與測試集比例過小會使模型學習不充分，比例過大會使模型結果可信度降低［18］，因而該研究將訓練集和測試集的比例預先設為7∶3。同時，考慮到程序運算效率，將隨機森林決策樹數(shù)量（n_estimators參數(shù)）設置為600，其他參數(shù)保持默認。

2 結果與分析

2.1 隨機森林回歸模型準確度檢測

利用行政村全域、城區(qū)和城郊的訓練集數(shù)據(jù)訓練模型，導入測試集，計算出模型準確率分別為96.17%、82.12%和90.10%，可見模型訓練出來的結果可信度較高。計算訓練集和測試集上真實值與預測值的MSE，如圖2所示。可知，訓練集上的MSE均小于0.5，測試集上的MSE均在5.0以下，說明訓練出的真實值與預測值相差不大，且訓練集和測試集上的決定系數(shù)（R2）均在0.8以上，說明模型的擬合精度較高，即解釋變量的解釋水平較高。

不斷改變決策樹的數(shù)量，測試在不同數(shù)目的決策樹的情況下訓練集和測試集上的MSE，其值均比之前略小，詳見圖3。其中，行政村全域訓練集和測試集上的MSE達到最小時，對應數(shù)的數(shù)量分別為598和476。同時，城區(qū)對應數(shù)的數(shù)量分別為182和286，城郊對應數(shù)的數(shù)量分別為524和166。綜上可知，模型的準確度和擬合精度均較高，解釋水平也較高。

考慮到該研究數(shù)據(jù)量相對較少，使用五折交叉檢驗來計算隨機森林回歸模型的模型準確率。經(jīng)檢驗后，模型每次準確率如表3所示。由表3可知，行政村全域、城區(qū)和城郊5次的平均準確率分別為96.07%、87.94%和85.74%，且模型每次準確率基本在80.00%以上，說明模型的準確率較高，結果基本可信。

2.2 集體經(jīng)營性建設用地影響因素分析

度量變量重要性的基本思想，即如果一個變量足夠重要，那么發(fā)生改變后會極大地增加預測誤差，反之預測誤差則較小。由此可知，預測誤差越大，解釋變量重要性評分越高，則該變量越重要。同時，解釋變量還是評價集體經(jīng)營性建設用地質(zhì)量的重要指標，變量重要性評分越高，對集體經(jīng)營性建設用地質(zhì)量影響也越大。將分類前后的樣本數(shù)據(jù)放入隨機森林回歸模型進行學習，得到各解釋變量的重要性評分，結果如表4所示。

從表4可以看出，全域范圍內(nèi)重要性評分排在前5的因子依次為距商業(yè)繁華區(qū)距離、工業(yè)企業(yè)密度、距商業(yè)中心距離、距火車站距離、距大型超市距離；排在后5的因子依次是自然災害、通信質(zhì)量、省道密度、城市道路密度和供電質(zhì)量。

單從城區(qū)看，重要性評分排在前5的因子依次為工業(yè)企業(yè)密度、距專業(yè)市場距離、距商業(yè)中心距離、距高速出入口距離和距商業(yè)繁華區(qū)距離；排在后5的因子依次是自然災害、省道密度、城市道路密度、供電質(zhì)量和國道密度。

單從城郊看，重要性評分排在前5的因子依次為距道路規(guī)劃距離、距大型超市距離、距公交站臺距離、距火車規(guī)劃距離和距商業(yè)繁華區(qū)距離；排在后5的因子依次是工業(yè)企業(yè)密度、自然災害、通信質(zhì)量、城市道路密度和供電質(zhì)量。

由此可知，宏觀區(qū)位影響度、繁華程度、產(chǎn)業(yè)集聚效應、交通條件和區(qū)域規(guī)劃因子比基礎設施條件和環(huán)境條件因子更為重要。城區(qū)受產(chǎn)業(yè)集聚效應和繁華程度的因子影響較大，城郊受交通條件和繁華程度的因子影響較大。此外，集體建設用地占比的重要性程度整體較為適中，可見集體建設用地占比對質(zhì)量有一定的影響，但影響相對來說不太大。

若將各類因子匯總到因素層進行重要性排序，結果如表5所示。由表5可知，行政村全域重要性由高到低排序依次為宏觀區(qū)位影響度、繁華程度、交通條件、產(chǎn)業(yè)集聚效應、區(qū)域規(guī)劃、社會經(jīng)濟發(fā)展狀況、基本設施條件、環(huán)境條件、物流。

就全域而言，對農(nóng)村集體經(jīng)營性建設用地土地級別質(zhì)量影響最大的因素還是宏觀區(qū)位影響度，說明宏觀區(qū)位影響度最容易影響到集體經(jīng)營性建設用地土地級別質(zhì)量，區(qū)位條件越好，質(zhì)量也越高。其次是繁華程度和交通條件，也對集體經(jīng)營性建設用地土地級別質(zhì)量有較大影響，即繁華程度越高，交通條件越好，其質(zhì)量也會越高。然后是產(chǎn)業(yè)集聚效應，產(chǎn)業(yè)集聚效應主要是指工業(yè)企業(yè)的聚集情況，工業(yè)企業(yè)聚集度越高，說明有許多工業(yè)企業(yè)在此辦廠，也會對集體經(jīng)營性建設用地土地級別質(zhì)量產(chǎn)生較大影響。區(qū)域規(guī)劃則是指從整體和長遠利益出發(fā)，為實現(xiàn)所在地區(qū)開發(fā)和建設目標而進行的總體部署，如果某塊區(qū)域納入規(guī)劃范圍，其質(zhì)量水平也將會得到提高，因此會間接地影響到集體經(jīng)營性建設用地的土地級別質(zhì)量。而社會經(jīng)濟發(fā)展狀況、基本設施條件、環(huán)境條件和物流對集體經(jīng)營性建設用地土地級別質(zhì)量的影響相比來說比較小。

城區(qū)重要性由高到低依次為產(chǎn)業(yè)集聚效應、繁華程度、交通條件、宏觀區(qū)位影響度、基本設施條件、社會經(jīng)濟發(fā)展狀況、區(qū)域規(guī)劃、物流、環(huán)境條件?？芍暧^區(qū)位影響度的影響相對較小，而繁華程度和交通條件因素仍對質(zhì)量有較大影響。此外，影響城區(qū)集體經(jīng)營性建設用地土地級別質(zhì)量最大的是產(chǎn)業(yè)集聚效應，可能是城區(qū)內(nèi)有較多的工業(yè)企業(yè)在此辦廠，產(chǎn)業(yè)較為集中，因而影響最大。

城郊重要性由高到低依次為區(qū)域規(guī)劃、交通條件、繁華程度、宏觀區(qū)位影響度、社會經(jīng)濟發(fā)展狀況、基本設施條件、物流、環(huán)境條件、產(chǎn)業(yè)集聚效應?？芍暧^區(qū)位影響度對其影響也相對較小，而繁華程度和交通條件因素影響相對較大。此外，影響城郊集體經(jīng)營性建設用地土地級別質(zhì)量最大的是區(qū)域規(guī)劃，可能是相對于城區(qū)而言，城郊的工業(yè)企業(yè)相對較少，大多數(shù)仍處于發(fā)展階段，因而需要通過區(qū)域規(guī)劃來為地區(qū)開發(fā)和建設進行部署。

綜上所述，整體上對農(nóng)村集體經(jīng)營性建設用地土地級別質(zhì)量影響最大的因素還是宏觀區(qū)位影響度，同時繁華程度、交通條件、產(chǎn)業(yè)集聚效應和區(qū)域規(guī)劃對集體經(jīng)營性建設用地土地級別質(zhì)量也有較大影響，而其余因素影響相對較小。單從城區(qū)和城郊來看，繁華程度和交通條件因素仍對集體經(jīng)營性建設用地土地級別質(zhì)量有較大影響，而宏觀區(qū)位影響度的影響有所減弱。此外，影響城區(qū)集體經(jīng)營性建設用地土地級別質(zhì)量最大的是產(chǎn)業(yè)集聚效應，而影響城郊集體經(jīng)營性建設用地土地級別質(zhì)量最大的是區(qū)域規(guī)劃。

3 結論與討論

3.1 結論

該研究先構建了農(nóng)村集體經(jīng)營性建設用地土地級別質(zhì)量影響因素體系，然后利用南昌市本級轄區(qū)258個行政村的調(diào)研案例，對集體經(jīng)營性建設用地土地級別質(zhì)量影響因素及其重要性程度進行了實證研究。得出的結論如下：

（1）對模型準確度進行檢測，可得模型準確率和決定系數(shù)（R2）均大于80%，且五折交叉驗證結果的準確率也大于80%，由此可知，模型的準確度較高，解釋變量的解釋水平較高，結果可信。

（2）從因子層重要性排序結果來看，全域范圍內(nèi)宏觀區(qū)位影響度、繁華程度、產(chǎn)業(yè)集聚效應、交通條件和區(qū)域規(guī)劃因子比基礎設施條件和環(huán)境條件因子更為重要。其中，城區(qū)受產(chǎn)業(yè)集聚效應因子影響最大，而城郊受區(qū)域規(guī)劃因子影響最大，且兩者受繁華程度和交通條件因子影響也較大。此外，集體建設用地占比的重要性程度整體較為適中，可見集體建設用地占比對土地級別質(zhì)量的影響不大。

（3）從因素層重要性排序結果來看，全域范圍內(nèi)對農(nóng)村集體經(jīng)營性建設用地土地級別質(zhì)量影響最大的因素還是宏觀區(qū)位影響度，說明宏觀區(qū)位影響度最容易影響到集體經(jīng)營性建設用地的土地級別質(zhì)量，同時繁華程度、交通條件、產(chǎn)業(yè)集聚效應和區(qū)域規(guī)劃對集體經(jīng)營性建設用地土地級別質(zhì)量也有較大影響，而其余因素影響相對較小。單從城區(qū)和城郊來看，宏觀區(qū)位影響度的影響相對較小，而繁華程度和交通條件仍對土地級別質(zhì)量有較大影響。此外，影響城區(qū)集體經(jīng)營性建設用地土地級別質(zhì)量最大的是產(chǎn)業(yè)集聚效應，而影響城郊最大的則是區(qū)域規(guī)劃。

綜上，行政村尺度下影響農(nóng)村集體經(jīng)營性建設用地土地級別質(zhì)量的主要因素是繁華程度、交通條件、宏觀區(qū)位影響度、產(chǎn)業(yè)集聚效應和區(qū)域規(guī)劃，而社會經(jīng)濟發(fā)展狀況、基本設施條件、環(huán)境條件和物流的影響相對較小。

3.2 討論

目前關于集體經(jīng)營性建設用地土地級別質(zhì)量影響因素的研究尚在探索之中。該研究在影響因素選取方面參考了國有城鎮(zhèn)建設用地和集體建設用地等相關文獻，并結合區(qū)域?qū)嶋H情況及商業(yè)和工業(yè)用地特點，增加了產(chǎn)業(yè)集聚效應、區(qū)域規(guī)劃等因素。整體上與城鎮(zhèn)建設用地和集體建設用地目前研究結果保持一致，但在具體分析城區(qū)和城郊時發(fā)現(xiàn)最大影響因素存在一定的差異，原因可能是在分析城區(qū)和城

郊時已經(jīng)自動考慮了區(qū)域位置，因而單獨分析時宏觀區(qū)位影響度的影響有所弱化，反而將其最大影響因素顯現(xiàn)出來。同時結合區(qū)域特點，發(fā)現(xiàn)城區(qū)內(nèi)工廠較多，尤其是大量產(chǎn)業(yè)園區(qū)在此集聚，而城郊相對比較落后，仍處于發(fā)展狀態(tài)，大部分地方還在進行規(guī)劃，與研究結果保持一致。因此，在構建集體經(jīng)營性建設用地土地級別質(zhì)量指標體系時可選取繁華程度、交通條件和宏觀區(qū)位影響度等相關因子，同時考慮產(chǎn)業(yè)集聚效應和區(qū)域規(guī)劃的相關因子，并根據(jù)所在區(qū)域的實際情況進行適當調(diào)整，而社會經(jīng)濟發(fā)展狀況、基本設施條件、環(huán)境條件和物流等可根據(jù)具體情況選取相關因子。另外，建議盡快完善農(nóng)村集體經(jīng)營性建設用地相關規(guī)程和標準，從而積極推進農(nóng)村集體經(jīng)營性建設用地入市。

參考文獻

［1］ 孫悅.農(nóng)村集體經(jīng)營性建設用地地價空間分異影響因素研究：以陽城縣為例［D］.太原：山西財經(jīng)大學，2020.

［2］ 魏來，黃祥祥.集體經(jīng)營性建設用地入市改革的實踐進程與前景展望：以土地發(fā)展權為肯綮［J］.華中師范大學學報（人文社會科學版），2020，59（4）：34-42.

［3］ 胡如梅，譚榮.集體經(jīng)營性建設用地統(tǒng)籌入市的模式選擇［J］.中國土地科學，2021，35（4）：101-108.

［4］ 王玥，盧新海，賀飛菲.集體經(jīng)營性建設用地入市試點政策選擇研究：基于14個試點地區(qū)的政策文本分析［J］.學習與實踐，2021（5）：79-87.

［5］ 曹笑輝.集體建設用地入市模式及其立法選擇［J］.理論探索，2016（2）：116-122.

［6］ 張建，鄒先明，李鑫.基于發(fā)展權的集體經(jīng)營性建設用地入市增值收益分配研究：以江蘇省贛榆區(qū)為例［J］.湖南農(nóng)業(yè)大學學報（社會科學版），2022，23（6）：88-96.

［7］ 趙小敏，周丙娟，黃心怡，等.基于GIS與綜合指數(shù)法的農(nóng)村集體建設用地質(zhì)量等級評價［J］.農(nóng)業(yè)工程學報，2018，34（7）：249-255，302.

［8］ 楊建鋒，馬軍成，楊建波，等.集體建設用地土地級別評定探討：以新野縣為例［J］.中國農(nóng)業(yè)資源與區(qū)劃，2013，34（6）：93-99，126.

［9］ 許婷，饒磊，趙小敏，等.農(nóng)村集體建設用地定級研究：以江西省錦江鎮(zhèn)為例［J］.江西農(nóng)業(yè)大學學報，2018，40（1）：198-205.

［10］ 袁曉芳.基于優(yōu)化隨機森林模型的蘭州市住宅類房產(chǎn)稅稅基評估研究［D］.蘭州：蘭州財經(jīng)大學，2022.

［11］ 張興.砂田土壤生化性質(zhì)空間異質(zhì)性分析及質(zhì)量綜合評價［D］.銀川：寧夏大學，2019.

［12］ 劉繼輝，許磊，馬曉龍，等.基于隨機森林回歸的制絲過程參數(shù)影響權重分析［J］.煙草科技，2017，50（2）：63-71.

［13］ 唐蓉.基于隨機森林回歸的青年人體質(zhì)影響因素研究［D］.南昌：華東交通大學，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，蔡紅艷，楊小喚.多元統(tǒng)計回歸及地理加權回歸方法在多尺度人口空間化研究中的應用［J］.地理科學進展，2016，35（12）：1494-1505.

［16］ 王超，闞璦珂，曾業(yè)隆，等.基于隨機森林模型的西藏人口分布格局及影響因素［J］.地理學報，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，肖勇貴，李霞.基于隨機森林回歸模型的城投債信用利差影響因素研究［J］.數(shù)學的實踐與認識，2020，50（12）：311-320.