土地资源错配的全要素生产率损失效应与形成机制

彭山桂，李 敏，王 健，张 苗

（1.山东农业大学经济管理学院，山东 泰安 271018；2.南京农业大学公共管理学院，江苏 南京 210095）

1 引言

中共十九大报告明确指出，中国经济已由高速增长阶段转向高质量发展阶段，这意味着经济发展要从主要依靠要素投入转向依靠全要素生产率提升。提高全要素生产率是高质量发展的重要内涵，其一般包括技术进步和资源配置效率提升两个来源[1]。在中国经济发展可预见的未来，由于与技术前沿的差距快速缩小，技术进步难度在不断加大；而通过深化供给侧结构性改革，优化资源配置，提高全要素生产率，实现经济高质量发展则仍有很大的空间[2]。纵观改革开放以来中国经济的发展历程，资源优化配置从3条路径有力地促进了全要素生产率的提升[2]：一是传统部门向现代部门转型过程中，劳动力由农村向城市流动；二是内向型经济向外向型经济转变过程中，资源向出口部门倾斜；三是市场化改革过程中，资源从国有部门向非国有部门转移。随着社会经济发展阶段的演进，这3条路径都面临着调整与转变：一是在城乡融合、乡村振兴发展阶段，农业劳动力转移难以维持原有规模和乡—城单向流动，城乡互动将成为趋势；二是在以国内大循环为主体、国内国际双循环相互促进的新发展格局中，外向型经济的调整已不可避免；三是2008年国际金融危机以来，民营经济的发展空间受到严重制约。在资源优化配置传统路径难以持续提升全要素生产率的背景下，土地资源由于长期存在的结构性错配问题，有望成为下一阶段优化资源配置，提高全要素生产率，获取“结构性红利”的重要突破口。具体而言，中国实施的基于地区、城市双重偏向的土地供给政策，在地区维度偏向欠发达地区，在城市维度严格管控大城市土地供应[3]。这导致具有强大人口与投资吸引力的东部地区大城市建设用地供给十分紧张，人口与投资吸引力不足的中西部中小城市建设用地供给却较为宽松[4]。东部地区大城市在建设用地供给受限的情况下，地方政府进一步通过非饱和供给模式，高价出让住宅与商服用地推涨房价，推升了生活与生产成本，削弱了产业的比较优势。与此同时，中西部中小城市由于超量的房地产开发，部分新城沦为“空城”与“鬼城”[5]。中西部中小城市在获得政策倾斜的情况下，地方政府进一步通过以地引资模式，低价出让工业用地招商引资，利用“建设开发区—土地抵押与再融资—开发区扩大建设”的投融资循环，拉动短期经济增长，导致大量工业园闲置，地方政府债务率居高难下[6]。与此同时，东部地区大城市由于工业用地供应的收紧，大量企业被迫迁移，致使规模经济效应未能充分发挥[7]。可见，由于土地资源配置中诸多的结构性问题，催生出比较优势弱化、规模经济不彰、新城与工业园闲置、政府债务高企等一系列深层次问题，造成产出不足与投入冗余并存的困局，拉低了全要素生产率。鉴于此，分析并化解土地资源错配问题，优化土地资源配置，对于提高全要素生产率，实现高质量发展具有重要的政策意义。

自HSIEH等[8]开创性地开展资源错配研究以来，资源错配对全要素生产率的影响这一主题逐渐受到重视。基于中国的实证研究表明，总体上中国的资源错配导致全要素生产率平均下降42.7%[9]。分部门的测度表明，对于中国的农业部门与非农部门，资源错配导致的全要素生产率损失分别达20%和30%[10-11]；对于中国制造业部门，资源错配导致的全要素生产率损失为30.1%～57.1%[12]。进一步，聚焦到土地资源错配的全要素生产率损失效应。在部门维度，对于中国工业部门，土地资源错配造成了明显的全要素生产率损失[13]，整体上土地资源错配对工业部门全要素生产率损失的贡献率为10.05%[14]。对于中国农业部门，消除土地资源错配可使农业全要素生产率提升1.36倍[15]。在地区维度，以湖北省为案例的研究表明，建设用地空间错配造成的效率损失为3.84%～6.92%[16]。总体而言，相关研究做了有益的探索，但仍存在一些不足：其一，现有研究主要集中于讨论某一地区、部门、行业的土地资源错配的全要素生产率损失效应，缺乏对全国层面土地资源错配的全要素生产率损失效应及其区域差异的系统测度。其二，对于土地资源错配的形成机制，现有研究聚焦于分析建设用地数量结构的影响，缺乏对机制障碍作用的系统考察。针对上述不足，本文基于扩展的HK模型测度全国层面资源错配的全要素生产率损失效应，刻画资本、劳动力、土地3种资源错配对全要素生产率损失的贡献。在此基础上，从机制障碍、数量结构两个维度，考察土地资源错配的形成机制，提出针对性的政策启示。

2 理论分析框架

根据新古典经济增长理论，全要素生产率的提升主要源于技术进步的推动与资源配置效率的改善[1]。引导各类资源向具备先进生产力的地区、部门、行业集聚，有利于提升全要素生产率。反之，资源错配的存在与深化，则会抑制全要素生产率的提升，甚至降低全要素生产率[17]。聚焦到土地资源，其会通过两种错配对全要素生产率产生负面影响（图1）。

图1 理论分析框架Fig.1 Theoretical analysis framework

其一，组合型土地资源错配。RESTUCCIA等[18]指出，土地、资本、劳动力等实物资源与制度环境等抽象资源之间不适配，会形成资源错配，拉低全要素生产率。对照中国地方政府面临的激励机制与制度环境，可以发现，为应对财税激励、晋升激励，地方政府普遍采用高价限量供给商住用地、低价过量供给工业用地的“两手”供地策略。这一策略会引发两方面的资源组合错配：一方面，高价限量供给商住用地导致与合理价格相比，商住用地价格向上扭曲，进而触发劳动力的紧缩化决策机制[3]。高企的商住用地价格推高了劳动力的生活成本，形成了劳动力流入的壁垒与劳动力扩大消费的负担。导致与合理水平相比，劳动力流入的数量不够、消费不足，规模经济效益无法有效释放。从而塑造了一个土地、劳动力紧缩，全要素生产率不足的两害局面。另一方面，低价过量供给工业用地导致与合理价格相比，工业用地价格向下扭曲，进而触发企业的过度投资机制[19]，引致大量本不该上马的重复建设与低端产业投资项目落地。这些技术水平不高、缺乏竞争力的投资项目通常表现为高投入、低产出的不良状态，最终面对市场机制筛选时，大量被淘汰。从而塑造了一个土地、资本利用率低下，全要素生产率不足的两害局面。

其二，内涵型土地资源错配。HSIEH等[8]指出，在资源有效配置的状态下，不同经济主体间的资源投入数量比例应是相似的。如因某些因素，导致资源流动存在障碍，使得资源边际产出在不同地区间存在明显差距，意味着部分资源没有配置到高生产率的地区去，会形成资源错配，拉低全要素生产率。对照中国国情，可以发现，中国的土地资源配置行政干预严重，市场调节不足，由此导致地区间土地资源的过剩与短缺并存。某些地区、城市因为政策倾斜，土地市场供过于求，实际的土地边际产出很低。与此同时，某些地区、城市因为政策限制，土地供给严重不足，实际的土地边际产出很高。显然，如果将边际产出较低的地区、城市的土地资源指标调整到边际产出较高的地区、城市，在资源投入总量相同的情况下，会增加总产出，伴随着全要素生产率的提升。反之，如果地区间、城市间土地资源的数量结构失衡，就会拉低总产出，对全要素生产率产生负面影响。

3 模型构建与数据来源

在中国，建设用地指标分配是一种典型的区域导向性政策[3]，分配格局与具体区位“绑定”。与此对应，本文的模型构建与实证分析都遵循全国与区域层面相结合的研究思路。

3.1 资源错配的全要素生产率损失效应测度模型

3.1.1 生产函数设置

在HSIEH等[8]构建的经典HK模型的基础上，借鉴陈诗一等[9]的思路，扩展原始模型，测度资源错配的全要素生产率损失效应。首先，将城市层面的C-D生产函数设定为：

式（1）中：Ysi、Asi、Ksi、Lsi、LDsi分别为地区s内城市i第二三产业的产出、全要素生产率与资本、劳动力、土地要素投入；αs、βs、λs分别为地区s资本、劳动力、土地要素的产出弹性，αs+βs+λs= 1。基于此，将各城市的产出用CES生产函数生成地区总产出，地区层面的生产函数为：

式（2）中：Ys为地区s第二三产业的总产出；σ为城市间产出替代弹性；n为地区s内的城市数量。进一步采用CES生产函数生成全国总产出，全国层面的生产函数为：

式（3）中：Y为全国第二三产业的总产出；θ为地区间产出替代弹性，m为地区数量。

3.1.2 资源错配测度

资源错配本质上是资源配置违反帕累托效率，表现为资源边际产出在截面上系统性的扭曲[8]。定义要素配置偏离最优状态导致要素边际产出变化的扭曲为τ。对于土地要素，如政策性地放松土地供给，过多的供地导致土地要素价格向下偏离最优水平，那么τLD,si＜0；如政策性地收紧土地供给，过少的供地导致土地要素价格向上偏离最优水平，那么τLD,si＞0。以此类推，设资本、劳动力的价格扭曲为τK,si、τL,si。基于此，式（1）城市层面生产函数对应的收益最大化问题为：

式（4）中：Psi为产出价格，PsiYsi为实物产出对应的产值；Rk、ω、RLD分别为资本、劳动力、土地要素无扭曲的使用价格。无扭曲时，地区内所有城市面临的要素价格相同。结合式（1）与式（4）最大化问题的一阶条件，可以明确三要素的错配指数：

式（5）—式（7）中：MRPKsi、MRPLsi、MRPLDsi分别为资本、劳动力、土地要素的边际产值。1+τK,si、1+τL,si、1+τLD,si衡量了相对于无扭曲的要素投入状况，资本、劳动力、土地要素投入的偏离程度，参考朱喜等[10]的研究，将其定义为资本、劳动力、土地的错配指数。若其大于1，表明相对于有效状态，应增加实际的要素投入；若其小于1，应减少实际的要素投入。

3.1.3 资源错配与全要素生产率

（1）城市层面的要素配置与全要素生产率。要素的边际产值决定要素配置状况，由于要素价格扭曲广泛存在且不同城市要素扭曲状况各异，塑造了不同城市差异化的生产要素配置比率，导致实际全要素生产率与有效全要素生产率之间产生不同程度的偏离。根据式（1）可以测度城市层面的实际全要素生产率（Asi）：

进一步，可以测度消除资源错配，将要素投入调整为无错配有效状态下的有效全要素生产率为：很明显，（1+τK，si）（αs1+τL，si）（βs

1+τLD，si）λs测度了城市层面实际全要素生产率与有效全要素生产率的比值，反映了两者间的偏离程度，将其定义为城市层面的总体资源错配指数（DIsi）。

（2）地区层面的要素配置与全要素生产率。要素边际产值决定要素的跨城市配置，结合CES生产函数形式，将城市层面的全要素生产率加总到地区层面，地区层面的实际全要素生产率（As）表示为：

式（10）中：Ks、Ls、LDs分别表示由城市加总到地区层面的资本、劳动力、土地要素投入，分子为地区层面的总体资源错配指数，对应地，分母即城市层面的总体资源错配指数（DIsi）。可见，地区层面的实际全要素生产率与城市层面的实际全要素生产率正相关，与城市层面的资源错配程度负相关。进一步，可以明确不存在资源错配的情况下，地区层面的有效全要素生产率为：

（3）全国层面的要素配置与全要素生产率。与地区层面的推导逻辑一致，将地区层面的全要素生产率加总到全国层面，全国层面的实际全要素生产率（A）表示为：

式

（12）中：分子、分母分别为全国、地区层面的总体资源错配指数，其中全国层面的总体资源错配指数测度思路与式（10）一致。进一步，可以明确不存在资源错配的情况下，全国层面的有效全要素生产率（A*）为：

（4）资源错配的全要素生产率损失效应。测度的基本思路是，比较资源错配导致的实际、有效全要素生产率之间的偏离程度。对于地区层面的资源错配全要素生产率损失效应（DTFPs），测度公式为：

对于全国层面的资源错配全要素生产率损失效应（DTFP），测度公式为：

此外，需要特别指出的是，为考察某种资源错配对全要素生产率损失的贡献，基于“反事实”分析框架[9]，在保持其他资源错配状态不变的情形下，用消除某种资源错配后实际全要素生产率的增量来衡量。

3.2 土地资源错配形成机制分析模型

构建面板计量模型，以机制障碍、数量结构两方面的变量作为核心解释变量，对土地资源错配形成机制进行分析，模型如下：

式

（16）中：被解释变量DILD为土地资源错配指数，即前文中测度出的1+τLD。与理论分析中组合型、内涵型土地资源错配发生机理相对应，核心解释变量MO、LQ分别为机制障碍、数量结构。其中，机制障碍用于考察地方政府应对激励所产生的土地供给行为扭曲对土地资源错配的影响。在中国，地方政府行为模式受财税激励、官员晋升激励两方面因素的形塑[20]，因此，从财政压力、官员晋升压力两方面构建机制障碍变量。数量结构用于考察中央政府对不同类型城市配置土地资源的政策偏向对土地资源错配的影响。Controls为一组控制变量，参考相关研究[21-22]，控制经济增长方式、产业结构状况、市场化水平等特征的影响。c为常数项；α、β、θ为待估系数；i、t分别为城市、年份；ε为残差项。需要特别说明的是：被解释变量土地资源错配指数以1作为基准，偏离1越远，土地资源错配越严重。由于没有比较意义的一致性，不利于计量分析。对此，本文将小于1的数据做正向化处理，并采用极差标准化将全部数据限制在0～1之间，使其具备可比性。

3.3 数据收集与整理

（1）研究时空范围设定。本文涉及的地价数据收集来源于自然资源部的中国地价监测网，考虑可得性，数据收集的时间范围是2007—2019年，覆盖的空间范围是105个重点城市的主城区（或建成区）。与此适应，将本文研究数据口径匹配为市辖区，收集105个重点城市2007—2019年市辖区口径的数据。

（2）变量数据收集与处理。其一，要素投入与产出数据。其中，城市第二三产业的产出数据来源于《中国城市统计年鉴》。由于第二三产业的产出为名义值，包含价格因素，不能较好地反映实物产出的变动趋势，为尽量减少价格因素的影响，采用较远基期（1995年=100）的价格指数进行平减处理[9]。资本存量数据采用永续盘存法估算，技术处理参考张少辉等[23]的研究，结果调整成1995年为基期的数据。从业人员、城市建设用地面积数据分别来源于《中国城市统计年鉴》 《中国城市建设统计年鉴》。其二，要素无扭曲的使用价格数据。资本无扭曲的使用价格（租金率），参考陈诗一等[9]的研究设定。劳动力、土地要素无扭曲的使用价格，参考朱喜等[10]、邓楚雄等[14]的研究，采用平均工资、平均综合地价确定，数据源于《中国城市统计年鉴》与中国地价监测网。其三，土地资源错配形成机制分析数据。对于核心解释变量，财政压力以1-政府预算内收入占支出的比重来衡量；官员晋升压力参考钱先航等[24]的做法，从经济增长率、财政盈余、失业率3个维度构建相对绩效指标来衡量；这两个变量数值越大意味着压力越大。数量结构参考文乐等[25]的研究，基于投入产出视角，用建设用地供应总量比重与GDP比重的比值来衡量，数值越大意味着土地供应越宽松。对于控制变量，参考相关研究[21-22]，分别以固定资产投资占GDP的比重、产业结构高级化指数、1-地方政府预算内财政支出/ GDP，作为经济增长方式、产业结构状况、市场化水平等特征的代理变量。上述变量的描述性统计见表1。

表1 变量描述性统计分析Tab.1 Descriptive statistical analysis of variables

（3）参数取值的确定。资本、劳动力、土地要素产出弹性，根据C-D生产函数估计结果赋值。CES生产函数的产出替代弹性根据HSIEH等[8]的研究，设定为2/3。

4 资源错配的全要素生产率损失效应分析结果

4.1 损失效应测度及其区域差异

根据国家统计局关于经济区域划分的规定，对东部、中部、西部、东北分别进行估计，并给出全国层面的结果作为对照。按照式（1）模型，根据检验结果选择不变斜率固定效应模型进行参数估计，采用对数线性形式，施加规模报酬不变约束（αs+βs+λs= 1），基于λs= 1 -αs-βs确定土地要素的产出弹性（表2），得出东部、中部、西部、东北以及全国层面的土地要素产出弹性分别为0.392、0.155、0.223、0.318和0.242。

表2 要素产出弹性的估计结果Tab.2 Estimation results of factors output elasticity

在明确各区域要素产出弹性的基础上，基于本文构建的测度模型，对全国层面资源错配的全要素生产率（TFP）损失效应进行测度，结果如图2所示。考察测度结果，可以得出两点结论：其一，研究期内，资源错配的全要素生产率损失效应平均值为19.03%。这意味着，资源错配导致全要素生产率年均下降近两成，是拉低全要素生产率的重要力量。其二，资源错配的全要素生产率损失效应呈上升趋势，从2007年的14.43%上升至2019年的27.03%，表明资源错配导致的全要素生产率损失并未随着时间的推移有所缓解，反而有进一步恶化的趋势。更值得关注的是，TFP、GDP增长率与资源错配全要素生产率损失效应三者之间的关系。一般而言，在正常的市场经济状况下，全要素生产率的变化趋势是顺周期的[26]，即TFP、GDP增长率正相关。原因是在经济增长加速的时期，产出快速增长，要素投入却通常存在一定的滞后，因此体现出的是产能利用率的快速上涨，伴随着全要素生产率的同步提升。但是图2的测度结果表明，TFP、GDP增长率并没有显著的正相关关系。这种反常的现象与资源错配导致的全要素生产率损失紧密相关。图2中TFP增长率与资源错配全要素生产率损失效应之间的Pearson相关系数为-0.570，在5%的水平上显著，两者之间存在显著的负相关关系。这提示资源错配的全要素生产率损失效应改变了全要素生产率的增长趋势，在一定程度上塑造了一条与经济增长没有显著正相关关系的全要素生产率变化轨迹。

图2 TFP、GDP增长率与资源错配的TFP损失效应Fig.2 TFP, GDP growth rate and TFP loss effect of resource misallocation

进一步，为考察资源错配全要素生产率损失效应的区域差异，按东部、中部、西部、东北分别进行测度（图3）。测度结果如下：其一，各区域的资源错配全要素生产率损失效应差异明显。研究期内，东部、中部、西部、东北地区资源错配全要素生产率损失效应的平均值分别为27.41%、13.98%、30.23%和19.36%，差异明显；其二，各区域的资源错配全要素生产率损失效应总体上升但趋势各异。东部、中部、西部、东北地区资源错配导致的全要素生产率损失效应，年均分别上升1.39、1.19、0.27、2.83个百分点。

图3 资源错配全要素生产率损失效应的区域差异Fig.3 Regional differences of TFP loss effect of resource misallocation

4.2 损失效应分解及其区域差异

为考察不同种类资源错配在全要素生产率损失形成中的差异化作用，分别测度资本、劳动力、土地三种资源错配对全要素生产率损失的贡献。基于“反事实”分析框架，在保持其他资源错配状态不变的情形下，分别消除三种资源错配，考察由于该种资源错配消除后带来的全要素生产率的增量比重，全国层面的贡献分解结果如图4所示。测度结果显示：其一，三种资源错配对全要素生产率损失贡献的变化趋势各异。总体上，资本错配对全要素生产率损失的贡献呈下降趋势，劳动力错配的贡献呈上升趋势，土地资源错配的贡献基本保持稳定。其二，三种资源错配对全要素生产率损失的贡献大小差异明显。研究期内，资本、劳动力、土地资源错配对全要素生产率损失的贡献率平均值分别为25.55%、31.02%和43.43%，差别明显，土地资源错配的贡献最大，劳动力次之，资本最小。原因也很明显，由于中国特殊的建设用地指标计划管理制度，土地资源配置由行政主导，由于计划制定的滞后性、适应性等问题，容易产生资源错配。更为重要的是，由于考虑调控区域平衡发展等因素，土地资源配置过程掺杂了大量非经济因素的干预，进一步加剧了土地资源错配。当然，资本、劳动力要素配置也会受到管制与干预，但相对较轻。这导致全国层面上资源错配导致全要素生产率损失的主要症结在于土地资源错配。

图4 全国层面资源错配全要素生产率损失效应的分解Fig.4 Decomposition of TFP loss effect of resource misallocation at the national level

进一步，为考察资源错配全要素生产率损失效应分解的区域差异，分东部、中部、西部、东北分别测度了资本、劳动力、土地三种资源错配对全要素生产率损失的贡献（图5）。测度结果显示：不同地区资源错配导致全要素生产率损失的主导要素差别明显。对于东部地区，研究期内资本、劳动力、土地资源错配对全要素生产率损失贡献的平均值分别为22.44%、35.58%和41.98%；对于中部地区，三种资源错配贡献的平均值分别为41.99%、11.73%和46.28%；对于西部地区，三种资源错配贡献的平均值分别为54.70%、36.84%和8.46%；对于东北地区，三种资源错配贡献的平均值分别为51.15%、29.59%和19.26%。可见，对于东部、中部地区资源错配导致全要素生产率损失的主导要素为土地资源错配；对于西部、东北地区资源错配导致全要素生产率损失的主导要素则是资本错配。由此可见，不同地区资源错配导致全要素生产率损失的主要症结并不一致。

图5 区域层面资源错配全要素生产率损失效应的分解Fig.5 Decomposition of TFP loss effect of resource misallocation at the regional level

5 土地资源错配形成机制的计量分析结果

5.1 全国层面的土地资源错配形成机制

按照式（16）模型开展计量分析，根据检验结果，采用个体、时间双固定效应模型进行参数估计，结果如表3所示。可见，在逐个考察核心解释变量以及加入控制变量的过程中，核心解释变量的显著性保持稳定，系数大小仅略有变化，表明参数估计结果具有较好的稳健性。聚焦到表3中模型（4）的估计结果，可以得出以下3点结论：

表3 全国层面土地资源错配形成机制估计结果Tab.3 Estimation results of land resource misallocation formation mechanism at the national level

其一，机制障碍导致的价格扭曲是组合型土地资源错配的重要成因。财政压力与官员晋升压力两个核心变量的系数符号为正，均在5%的水平上显著，这表明财政压力、官员晋升压力都加剧了土地资源错配。究其原因，在财政压力下，地方政府表现出“以地生财”行为模式，凭借自身在土地一级市场的垄断地位，选择商住用地非饱和供给模式[27]，高价供给商住用地，获得土地出让收入，弥补财权事权的不对等[28]。在官员晋升压力下，地方政府表现出“以地引资”行为模式，通过协议出让、设置前置性条件出让等手段低价供给工业用地，以争取投资，在促进本地经济增长的同时限制其他城市获得投资的机会，从而推动地方官员在基于经济绩效考核的晋升锦标赛中脱颖而出[29]。无论是向上扭曲的商住用地价格，还是向下扭曲的工业用地价格，都会导致土地资源配置偏离最优状态，加剧土地资源错配。

其二，建设用地供应格局导致的数量结构问题是内涵型土地资源错配的重要成因。核心解释变量数量结构的系数符号为正，在1%的水平上显著，这说明现有的建设用地的供应格局加剧了土地资源错配。其原因是，中央实施了基于地区、城市双重偏向的土地供给政策，在地区维度偏向欠发达地区的基础上[4]，对各区域内中心城市实施更为严格的建设用地供给管控[25]。这导致对劳动力与资本更具吸引力的东部地区中心城市土地供给不足，对劳动力与资本缺乏吸引力的中西部地区中小城市土地供给却较为充足，在生产要素组合上形成劳动力—土地错配、资本—土地错配，推动城市间土地资源边际产出的差异扩大，加剧土地资源错配。

其三，控制变量对土地资源错配形成的影响各异。其中，经济增长方式的系数符号为正，在1%的水平上显著，这表明以投资驱动的经济增长方式加剧了土地资源错配。可能的原因是，投资驱动的经济增长属于典型的外生驱动型增长，容易产生过度投资问题[30]，导致要素配置失衡，加剧土地资源错配。产业结构状况的系数不显著，表明产业结构升级并未伴随着土地资源配置的优化，这可能与普遍存在的低端产业存活强化机制有关，即大量本应被淘汰的低端产业因为土地要素价格的向下扭曲得以存活[31]，导致产业结构升级与土地资源优化配置没有实现同步演进。市场化水平的系数符号为负，在1%的水平上显著，这表明提高资源配置的市场化程度有助于化解土地资源错配。可能的原因是，行政干预通常伴随着扭曲，减少行政干预，提高资源配置的市场化程度有助于改善土地资源配置状况。

5.2 土地资源错配形成机制的区域异质性

为考察土地资源错配形成机制在不同区域的差异化表现，分别对东、中、西、东北地区进行参数估计，结果如表4所示，可以得出以下2点结论。

表4 地区层面土地资源错配形成机制估计结果Tab.4 Estimation results of land resource misallocation formation mechanism at the regional levels

其一，仅对于东部地区，机制障碍是土地资源错配的重要成因。对于东部地区，财政压力、官员晋升压力2个核心解释变量的系数符号为正，分别在5%、1%的水平上显著。与此对照，对于中部、西部、东北地区，财政压力、官员晋升压力2个核心解释变量的系数均不显著。这表明，4个地区中，仅有东部地区财政压力、官员晋升压力加剧了土地资源错配。可能的原因是，东部地区商住、工业用地用途差别化的“两手”供地策略更为明显，不同用途土地价格扭曲更为显著，导致土地资源配置更为偏离最优状态，加剧土地资源错配。与此印证的是，东、中、西、东北4个地区研究期内商住用地与工业用地均价的比值分别为：9.69、5.79、5.38和4.45，东部地区的比值明显更大。

其二，对于所有地区，数量结构都是土地资源错配的重要成因。对于东、中、西、东北4个地区，核心解释变量数量结构的系数符号均为正，在1%的水平上显著。这说明对于所有地区，现有的建设用地配置格局都加剧了土地资源错配。此外，值得指出的是，对于东、中、西、东北4个地区，数量结构的系数分别为0.114、0.316、0.231和0.172，中部、西部地区系数明显更大，表明受政策倾斜的中西部地区，较为宽松的土地供应反而导致了更为严重的土地资源错配。

6 研究结论与政策启示

本文基于扩展的HK模型测度资源错配的全要素生产率损失效应，刻画资本、劳动力、土地3种资源错配对全要素生产率损失的贡献。在此基础上，从机制障碍、数量结构两个维度，考察土地资源错配的形成机制，得到的主要结论为：其一，全国层面上，资源错配全要素生产率损失效应呈上升趋势，损失效应的平均值为19.03%，是拉低全要素生产率的重要力量。区域层面上，资源错配全要素生产率损失效应的大小排序为西部、东部、东北、中部。其二，全国层面上，资本、劳动力、土地资源错配对全要素生产率损失的贡献率分别为25.55%、31.02%、43.43%，资源错配导致全要素生产率损失的主要症结在于土地资源错配。区域层面上，对于东部、中部地区，资源错配导致全要素生产率损失的主要症结在于土地资源错配；对于西部、东北地区，主要症结则是资本错配。其三，全国层面上，机制障碍、数量结构都是土地资源错配的重要成因。区域层面上，仅对于东部地区，机制障碍是土地资源错配的重要成因；而对于所有地区，数量结构都是土地资源错配的重要成因。

基于上述结论，以促进全要素生产率的提升为政策目标，可以得出以下3点政策启示：其一，基于资源错配导致全要素生产率损失的主要症结的差异，可以明确不同地区资源错配治理的当务之急：对于东部、中部地区应优先化解土地资源错配，对于西部、东北地区应优先化解资本错配。其二，针对东部地区，着力推动财税制度、政绩考核制度的联动改革，化解财政压力、官员晋升压力等机制障碍引发的土地资源错配。其三，调整目前基于地区、城市双重偏向的土地供给政策，推动建设用地供给向东部地区、中心城市与重点城市群倾斜，化解数量结构问题引发的土地资源错配。

最后需要说明的是，由于城市地价数据的限制，本文研究范围只能覆盖列入地价动态监测的105个重点城市。后续在数据可得情况下，将进一步扩大研究样本，以便更全面地揭示土地资源配置对全要素生产率的影响。