EN中文

Economic geography >

2025 , Vol. 45 >Issue 4: 47 - 55

DOI: https://doi.org/10.15957/j.cnki.jjdl.2025.04.005

Spatiotemporal Differentiation and Influencing Factors of Green Development Efficiency in the Yangtze River Delta Urban Agglomeration

  • CHEN Hongzhang , 1 ,
  • DAI Yufang 2 ,
  • HUANG Ting , 2, ※ ,
  • WEN Youdong 2
Expand
  • 1. Achievement Transformation Center，Jiangxi University of Finance and Economics，Nanchang 330013，Jiangxi，China
  • 2. School of Statistics and Data Science，Jiangxi University of Finance and Economics，Nanchang 330013，Jiangxi，China

Received date: 2024-10-25

  Revised date: 2025-03-05

  Online published: 2025-06-24

Fold

Abstract

Based on the data of 41 cities in the Yangtze River Delta (YRD) urban agglomeration from 2006 to 2022, this paper measures the green development efficiency of the YRD urban agglomeration, analyzes its spatiotemporal dynamic pattern using the SBM model of super-efficient network considering non-expected outputs and the Malmquist-Luenberger (ML) index. It explores the intrinsic mechanism affecting the green development efficiency based on the geographic detector. It's found that: 1) The static efficiency of green development generally shows a fluctuating upward trend in the YRD urban agglomeration from 2006 to 2022, but there are significant differences and imbalances among cities. It has higher efficiency of green development in Wenzhou, Chizhou and Shaoxing, while it has lower efficiency of green development in Yancheng and Wuhu. 2) Dynamic efficiency of green development shows different change characteristics at different stages. The Dagum index analysis shows that the overall Gini coefficient decreases, but the efficiency gap among three provinces and Shanghai fluctuates greatly. 3) Fiscal decentralisation, urbanization level, and the degree of openness to the outside world have an important impact on the efficiency of green development, and the interaction between urbanization level and market size, fiscal decentralisation and financial development plays a key role in improving efficiency in a given year.

Key words： green development efficiency; SBM model of super-efficient network; new quality productive forces; fiscal decentralisation; the degree of openness to the outside world; environmental regulation; the Yangtze River Delta urban agglomeration

Cite this article

CHEN Hongzhang , DAI Yufang , HUANG Ting , WEN Youdong . Spatiotemporal Differentiation and Influencing Factors of Green Development Efficiency in the Yangtze River Delta Urban Agglomeration[J]. Economic geography, 2025 , 45(4) : 47 -55 . DOI: 10.15957/j.cnki.jjdl.2025.04.005

党的二十届三中全会指出，“必须以新发展理念引领改革，立足新发展阶段，深化供给侧结构性改革，完善推动高质量发展激励约束机制，塑造发展新动能新优势”[1]。绿色发展理念作为新发展理念的重要组成部分，是指导“十四五”时期社会经济发展的核心导向，其目标实现的关键在于持续提升绿色发展效率。当下，资源环境问题已然成为横亘在中国发展道路上的严峻挑战之一，而绿色发展契合人类社会发展的时代趋势，作为一种超脱传统发展模式的可持续发展范式应运而生。该模式以统筹解决发展中生态问题为关键理念，进而成为我国发展进程中的必然战略走向[2]。推动绿色发展的核心要义是实现绿色发展效率的进阶提升，这一点也构成我国迈向经济高质量发展阶段所面临的关键任务与工作重心[3-4]。新质生产力作为一种全新的生产力跃迁形态崭露头角，以驱动绿色发展为导向，汇聚创新的主导力量，促使全要素生产率实现大幅跃升，彰显出生产力质态的革新。其鲜明的实践路径指向绿色发展领域。由此可见，新质生产力与绿色发展相互交融、协同发力，是新时期实现高质量发展与建设美丽中国的核心动力双擎和重要着力点[5-6]。随着《长三角生态绿色一体化发展示范区总体方案》等国家区域发展规划的发布与实施，长三角已然成为我国经济发展的前沿阵地与战略制高点，在治理污染、修复生态、建设宜居环境等方面走在全国前列，在不断提升绿色发展效率和实现经济高质量发展上肩负着重要使命，需凭借绿色转型发展这一利刃，破除城市群发展进程中的重重困境，强化城市间的互联互通，构建起引领经济高质量攀升的强大引擎[7]。因此，以长三角城市群为例研究绿色发展效率时空分异与影响因素具有典型性和代表性。
绿色发展效率的概念可追溯到1989年德国经济学家提出的生态效率理念，它将环境因素整合进分析体系，作为评估全要素生产率的一个关键指标[8]。基于投入产出的视角考虑，绿色发展效率能够实现以城市经济和社会效益增加而资源消耗最小为目标，较为准确地反映区域经济的可持续发展状态[9]。由此，绿色发展效率不仅是衡量绿色经济发展的关键性指标，也是界定经济与环境是否协调发展的重要标志，主要表现在其以资源投入为前提，客观评估经济绿色发展过程中所消耗的真实成本[10]。目前，大部分关于绿色发展效率测度方法的研究，均基于经济、环境、社会及自然因素构建绿色发展效率指标体系，并且采用数据包络分析DEA模型、随机前沿SFA模型等方法进行测度。但由于SFA模型在处理非期望产出方面存在一定的不足，同时DEA模型未考虑到松弛改进的部分，因此学界主要采用改进后的DEA模型，如SBM-DEA模型、Super-SBM模型等，且利用Malmquist指数和Malmquiet-Luenberger指数分解考察时空演变特征。例如，杨志江等运用基于跨期生产前沿的SBM-DEA模型对中国省际绿色发展效率进行评估测算，证明中国省际绿色发展效率水平在1999—2012年内不高，呈现区域差异不断增大的演变趋势[11]；黄磊等采用全局超效率SBM模型对长江经济带城市的工业绿色发展效率进行测度，结果表明产业集聚等因素的正向空间溢出效应明显[12]；卢新海等利用非期望产出超效率SBM模型对我国城市的土地绿色利用效率进行测度，发现我国地级市的土地利用效率呈整体上升趋势，但存在两极化现象[13]；辛龙等采用Undesirable-SBM模型，选取工业废气排放量、工业废水排放量和工业固体废弃物排放量纳入非期望产出测算绿色经济效率值[14]；周亮等将环境污染等非期望产出纳入考虑范围，采用非期望产出和固定规模报酬不变的SBM-Undesirable模型测度中国城市绿色发展效率[15]；施建刚等考虑将碳排放作为非期望产出纳入指标体系，利用GML指数分析法探索长三角城乡融合发展效率的动态演进特征[16]。此外，还有学者对长三角城市群的绿色发展效率问题进行了研究，如王素凤等运用DEA模型对长三角部分城市的绿色发展效率进行了初步测算，但在指标选取上未充分考虑城市群内部产业关联和资源流动特征[17]；王淑婧等从空间溢出效应角度探讨对长三角城市群绿色发展效率的影响因素，但对城市间异质性分析不足[18]。基于此，本文引入比较理想的SBM-DEA模型进行测算，不仅可以有效避免因径向和角度在期望产出和非期望产出方面产生的误差，而且能够打破传统效率值不超过1的约束，有利于对所有DMU的效率高低进行统一比较。
综上，已有研究为本文提供了良好基础，但仍可能存在以下进一步探究之处：①研究视野受限。现有绿色发展效率研究多集中于国家、省、市级层面，对长三角地区城市群这类具有典型性、联动性的区域研究相对较少，缺乏针对性深入探究。②新质生产力是可持续发展的生产力，能够以创新为驱动实现绿色低碳转型，提升绿色全要素生产率[19]，而现有绿色发展效率测算尚未将新质生产力纳入指标体系，未构建起成熟科学的测算体系[20-22]。鉴于此，本文选取长三角城市群41个城市作为研究对象，借助非期望产出的超效率SBM模型，测算两阶段的效率分解值。同时，在构建指标体系的过程中将专利授权数和产业结构整体升级界定为中间产出的变量，凸显出创新与产业结构升级在中间产出的重要性；将新质生产力政策支持度作为资源要素的量化指标，进一步丰富绿色发展效率评价指标体系[23-24]。在此基础上，结合Malmqusit-Luenberge指数揭示地区差异性和空间关联性，采用地理探测器剖析驱动长三角城市群绿色发展空间分异的影响因素，以期为推进长三角城市群绿色高质量发展提供决策建议。

1 研究设计

1.1 模型设定

1.1.1 考虑非期望产出的超效率网络SBM模型

传统的数据包络分析方法（DEA）多数是径向测度模型，投入或产出均以相同比例改进，导致测算结果出现弱DEA有效[25]。Tone提出非径向的超效率SBM模型，有效克服了传统DEA模型不能区分效率为1决策单元等不足之处[26]。为了更进一步研究决策单元的内部结构，Tone等在SBM模型基础上提出经典网络SBM模型，将决策单元的整个过程分解成若干个阶段，测度多阶段的效率值[27]。

1.1.2 Malmquist-Luenberger指数

网络SBM模型是对效率值的静态测算，而Malmquist-Luenberger（ML）指数可以测量t~t+1期的相对生产率增长，动态分析效率弥补了静态分析的不足，其可以进一步分解为技术进步变化指数和技术效率变化指数[28]。

1.1.3 随机森林模型

随机森林算法（Random Forest，RF）是一种集成学习算法，主要功能是基于构建多个决策树的集成方法构建非线性关系，通过综合预测结果有效降低模型的方差，提高模型的准确性和鲁棒性。随机森林能提供特征重要性评估，通过计算每个特征在所有决策树中的贡献，确定哪些特征对模型的预测能力影响最大，比传统的统计方法更直观和高效[29]。

1.1.4 地理探测器模型

地理探测器能够提示某一现象的空间分异性以及揭示其驱动因素，其核心要点在于，影响某一现象改变的因素具备空间分异性，且这些因素的空间分布与该现象的空间分布存在显著的一致性或相似性[30]。并且通过更为深入的交互作用探测，可以更全面地理解因素之间的协同或拮抗关系，从而为复杂问题的分析提供更全面的见解，交互作用的强弱及判断标准见表1。
表1 交互探测因素交互作用强弱的判断标准及说明

Tab.1 Criteria and explanation for judging the strength of interaction among interactive detection factors

判断标准 交互作用
q（x1∩x2） 非线性减弱
min[q（x1），q（x2）]<q（x1∩x2）<max[（q(x1)，q(x2)] 单因子非线性减弱
q（x1∩x2）>max[（q(x1)，q(x2)] 双因子增强
q（x1∩x2）>q（x1）+q（x2） 非线性增强
q（x1∩x2）=q（x1）+q（x2） 相互独立

1.2 指标选取

本文参照传统的绿色发展效率SBM评价指标体系以及所选指标的实用性、可获得性与可操作性等原则，构建包括投入产出、中间产出、期望产出和非期望产出的长三角城市群绿色发展效率评价指标体系（表2）。第一阶段为绿色技术研发阶段。依据柯布—道格拉斯生产函数相关理论，将资本要素、劳动力要素和技术要素作为影响产出的重要因素[31]，故选取固定资产投资总额、科学技术支出以及教育支出作为绿色发展的资本投入要素，年末单位从业人员数作为劳动力投入要素[32]。技术投入方面，选取专利申请数作为技术投入要素。资源投入方面，考虑到政府工作报告作为政府政策工作的指挥棒，能够起到一定的资源调配作用，故将新质生产力政策支持度作为资源要素的量化指标，体现了新质生产力的要素嵌入视角。中间产出指标方面，配第克拉克定理揭示了一个规律，即随着国内经济的增长和人均国民收入的提升，国民经济中三次产业的占比会持续变动，促使产业结构逐步由低级形态向高级形态演进，参考汪伟等[33]的研究方法，构造包含三次产业的产业结构升级系数。计算公式为：
I S = ∑ i = 1 3 q i · i = q 1 · 1 + q 2 · 2 + q 3 · 3
式中：qi为第i产业占GDP的比重。IS的取值范围为[1,3]，产业结构升级水平越低，就意味着IS的值越接近于1；反之，产业结构升级的水平越高，就意味着IS的值越接近于3。因此本文的产业结构整体升级的量化指标即为1倍的第一产值占比与2倍的第二产值占比以及3倍的第三产值占比之和。专利授权数不仅包含直接的绿色技术专利，还涵盖一系列支撑性、关联性技术创新成果，与绿色发展之间总是存在紧密的正向关联，是一个广泛可得且相对稳定的指标，因此本文选取专利授权数作为中间变量。第二阶段为成果转化阶段，包括最终产出指标，即期望产出与非期望产出。其中，期望产出指GDP，非期望产出指工业废水排放量、工业SO2排放量以及工业烟粉尘产生量。
表2 绿色发展效率指标体系及说明

Tab.2 Indicator system of green development efficiency and its explanation

分类 指标名称 指标描述 数据来源
投入
变量		 资本要素 固定资产投资总额（万元） 《中国城市统计年鉴》
科学技术支出（万元）
教育支出（万元）
劳动力要素 年末单位从业人员数（万人）
技术要素 专利申请数（件）
资源要素 新质生产力政策支持度（%） 地方政府工作报告
中间
产出		 中间产出 专利授权数（件） 《中国城市统计年鉴》
产业结构整体升级（%）
产出
变量		 期望产出 地区生产总值（万元） 《中国城市统计年鉴》
非期望产出 工业废水排放量（万t）
工业SO2排放量（t）
工业烟粉尘产生量（t）

1.3 样本选择

2006—2012年覆盖了我国“十一五”至“十二五”规划的关键阶段，2006年国家开始将绿色发展纳入国家战略，长三角作为经济前沿区域，其绿色转型实践从探索期（2006—2010）到深化期（2015—2022）的完整周期具有典型研究价值。因此，本文选取2006—2022年长三角城市群（上海、江苏、浙江和安徽三省一市）的41个地级及以上城市（下文统称“城市”）作为研究对象，数据来源于《中国城市统计年鉴》《中国环境统计年鉴》以及各省市统计年鉴、地方政府工作报告，部分缺失数据采用插值法进行对应填补。因固定资产投资总额、科学技术支出、教育支出等受到价格变动的影响，其变量值均以2006年为基期进行平减处理。

2 绿色发展效率时空格局演变分析

2.1 绿色发展静态效率分析

由图1可知，2006—2022年长三角城市群绿色发展效率的均值总体呈现波动上升趋势。其中，2020—2021年绿色发展效率显著提升，而在2021—2022年出现急速下降现象。对比三省一市的绿色发展效率可知，2006—2010年安徽的绿色发展效率最高，上海的绿色发展效率最低；2010—2012年浙江的绿色发展效率最高；2012—2022年上海和浙江的绿色发展效率高，上海的绿色发展效率总体较高于浙江。这说明长三角城市群绿色发展效率呈自西向东依次递增的空间分布。从三省一市的绿色发展效率演化趋势来看，2006—2022年江苏和安徽的变化趋势基本一致，两者总体上保持稳定发展的特征；上海的绿色发展效率波动趋势最显著，是未来发展需要关注的重点区域。
图1 2006—2022年长三角城市群绿色发展效率变化态势

Fig.1 Green development efficiency in the YRD urban agglomeration from 2006 to 2022

基于绿色发展效率均值，根据表3可知，长三角城市群绿色发展效率总体较低，各城市间差异较大，发展不平衡，存在提升空间。在41个城市中，温州、池州、舟山、绍兴、黄山等城市的绿色发展效率较高，而盐城、芜湖等城市的绿色发展效率较低。
表3 2006—2022年长三角城市群部分城市绿色发展效率及排名

Tab.3 Green development efficiency of selected cities in the YRD urban agglomeration from 2006 to 2022

城市 2006 2022 均值 排名
温州 0.4690 1.7999 1.7279 1
池州 1.8894 1.3025 1.1214 2
舟山 1.0652 0.5803 1.1003 3
绍兴 1.0000 0.6699 1.0622 4
黄山 1.0000 1.0000 1.0000 5
南通 1.0442 0.8281 0.5932 20
金华 0.5925 0.6723 0.5902 21
铜陵 0.6596 0.4505 0.5707 22
淮安 0.7495 0.7204 0.5671 23
泰州 0.4950 0.7318 0.5595 24
合肥 0.2815 0.6174 0.4148 37
嘉兴 0.2501 0.4929 0.4074 38
滁州 0.2910 0.4765 0.4041 39
芜湖 0.4072 0.3344 0.3692 40
盐城 0.2590 0.4521 0.3347 41

2.2 Malmquist-Luenberge指数分析

由图2可知，2006—2022年长三角城市群绿色发展动态效率的均值总体呈现波动趋势。其中，2006—2007和2021—2022年绿色发展动态效率急速下降，2008—2019年绿色发展动态效率变化平稳，在2007—2008年及2019—2021年急速上升。
图2 2006—2022年长三角城市群绿色发展动态效率变化态势

Fig.2 Green development dynamic efficiency in the YRD urban agglomeration from 2006 to 2022

图3展示了长三角城市群绿色发展效率的Malmquist-Luenberger指数及其分解值。ML指数、EC指数及TC指数由高到低依次排序均为浙江、江苏、上海、安徽。上海、江苏、浙江的ML指数、EC指数及TC指数均大于1，说明绿色发展效率良好。而安徽的ML指数小于1，EC指数大于1，TC指数小于1，后期提高绿色发展效率需要加强改善技术效率，提高绿色创新意识，促使技术水平提升。
图3 长三角城市群绿色发展效率的Malmquist-Luenberger指数及其分解值

Fig.3 Malmquist-Luenberger index of green development efficiency in the YRD urban agglomeration and its decomposition values

2.3 绿色发展效率的空间分布

2.3.1 地区差异分析

本文使用Dagum基尼系数分析长三角城市群三省一市的绿色发展效率差距，以便更好地识别地区差距来源。由表4可知，长三角城市群绿色发展效率的基尼系数呈明显下降趋势，其中2006年为0.232，2022年为0.156。然而，2006—2022年的绿色发展效率差距变化波动较大。
表4 2006—2022年长三角城市群绿色发展效率的Dagum基尼系数

Tab.4 Dagum Gini coefficient of green development efficiency in the YRD urban agglomeration from 2006 to 2022

年份 基尼系数
总体 组内基尼系数Gw 组间基尼系数Gb 超变密度基尼系数Gt
2006 0.232 0.070 0.080 0.083
2007 0.202 0.057 0.088 0.056
2008 0.229 0.068 0.074 0.086
2009 0.183 0.053 0.066 0.064
2010 0.152 0.048 0.020 0.084
2011 0.177 0.056 0.039 0.082
2012 0.129 0.041 0.032 0.056
2013 0.131 0.033 0.064 0.034
2014 0.136 0.043 0.013 0.080
2015 0.160 0.047 0.048 0.066
2016 0.187 0.058 0.029 0.100
2017 0.162 0.048 0.054 0.060
2018 0.144 0.038 0.079 0.027
2019 0.166 0.054 0.043 0.069
2020 0.221 0.058 0.115 0.048
2021 0.120 0.036 0.024 0.061
2022 0.156 0.044 0.047 0.066
通过对比可知，长三角城市群内部的绿色发展效率不均匀，相对贡献较为稳定，主要保持在30%左右（图4）。绿色发展效率不均主要来源于各地区交叉重叠，即各地区交叉的相对差距。其中，2006—2008、2012—2013、2017—2018、2019—2020年绿色发展效率不均主要来源于组间差距，即长三角城市群各城市间的绿色发展效率发展不均。
图4 长三角城市群绿色发展效率的Malmquist-Luenberger指数及其分解值

Fig.4 Malmquist-Luenberger index of green development efficiency in the YRD urban agglomeration and its decomposition values

2.3.2 空间演变分析

根据静态效率测算结果，可将长三角城市群绿色发展静态效率划分为4个等级：低效率（0≤绿色发展效率<0.5），中高效率（0.5≤绿色发展效率<1），高效率（1≤绿色发展效率<1.5），超高效率（绿色发展效率≥1.5）。
从图5可以看出，与2006年相比，2022年绿色发展低效率城市个数有所减少，芜湖、盐城、安庆、滁州、阜阳和嘉兴一直处于低效率行列，多数来自安徽省。属于中高效率行列的城市个数增加较多，其中淮北、马鞍山、金华、连云港和淮安始终处于中高效率行列。到2022年，池州、杭州、蚌埠和温州属于超高效率。此外，相比于研发阶段，成果转化阶段效率水平更高，这表明长三角城市群绿色发展效率的研发阶段处于上升期。
图5 2006和2022年长三角城市群绿色发展静态效率空间分布

Fig.5 Static efficiency distribution of green development in the YRD urban agglomeration in 2006 and 2022

根据动态效率测算结果，可将长三角城市群绿色发展动态效率同样划分为4个等级：低效率（0≤绿色发展效率<0.5），中高效率（0.5≤绿色发展效率<1），高效率（1≤绿色发展效率<1.5）和超高效率（绿色发展效率≥1.5）。由图6可知，2006年，安庆、宿迁和滁州属于绿色发展动态低效率行列；而2022年，上海属于绿色发展动态低效率行列，其绿色发展效率波动较大。2006年，杭州、盐城和合肥的绿色发展效率位于超高效率。到2022年，淮安、宁波和蚌埠的绿色发展效率位于超高效率。通过2006年与2022年的对比，发现绿色发展动态效率属于中高效率行列的城市有所增加。
图6 2006和2022年长三角城市群绿色发展动态效率空间分布

Fig.6 Dynamic efficiency distribution of green development in the YRD urban agglomeration in 2006 and 2022

3 长三角城市群绿色发展效率驱动因素

3.1 驱动因素选取

根据已有研究成果[19,32]，结合长三角城市群绿色发展效率特征，选取经济集聚水平（X1）、城市化水平（X2）、城镇化水平（X3）、政府干预程度（X4）、财政分权度（X5）、金融发展程度（X6）、外商投资水平（X7）、对外开放程度（X8）、工业化水平（X9）、市场化水平（X10）、市场规模（X11）、环境规制（X12）、基础设施水平（X13）13个因素构建初步影响指标体系。将绿色发展动态效率（ML）作为被解释变量，通过随机森林初步选取重要驱动因素，之后运用地理探测器对长三角城市绿色发展效率背后的影响因素进行深入探究。
本文从绿色发展动态效率的上升期、平缓期、下降期各选取1年作为分析对象，其中上升期选择2008年，平缓期选择2018年，下降期选择2021年。基于随机森林模型，图8显示了2018年绿色发展动态效率的各影响因子重要性排序。根据初步筛选结果，下文将深入探究财政分权度（X5）、经济集聚水平（X1）、城镇化水平（X3）、市场规模（X11）、政府干预程度（X4）、对外开放程度（X8）、城市化水平（X2）、工业化水平（X9）、金融发展程度（X6）因素对绿色发展效率的影响。
图7 长三角城市群绿色发展效率影响因子重要性排序

Fig.7 Importance ranking of factors influencing of green development efficiency in the YRD urban agglomeration

3.2 单因子探测

由表5可知，各因素对长三角城市群绿色发展效率的影响程度存在差异。其中，2008年q值由强到弱分别是财政分权度（X5）、金融发展程度（X6）、市场规模（X11），2018年q值由强到弱分别是财政分权度（X5）、对外开放程度（X8）、城镇化水平（X3）、经济集聚水平（X1）、市场规模（X11），2021年q值由强到弱分别是城镇化水平（X3）、市场规模（X11）、对外开放程度（X8）、金融发展程度（X6）、城市化水平（X2）、经济集聚水平（X1）、财政分权度（X5）、工业化水平（X9）、政府干预程度（X4）。
表5 长三角城市群绿色发展效率影响因子探测结果

Tab.5 Detection results of influencing factors of green development efficiency in the YRD urban agglomeration

年份 X1 X2 X3 X4 X5 X6 X8 X9 X11
2008 0.137 0.139 0.244 0.277 0.469*** 0.453*** 0.163 0.260 0.413*
2018 0.356*** 0.184 0.371*** 0.321 0.413*** 0.246 0.405*** 0.209 0.336***
2021 0.525*** 0.526*** 0.973*** 0.124*** 0.236*** 0.532*** 0.534*** 0.164*** 0.965***

注：***、**、*分别表示影响因素在1%、5%与10%水平上显著。

各因素对长三角城市群绿色发展效率的影响呈现显著时空异质性，财政分权度（X5）在2008年和2018年均居主导地位，但随着分税制改革深化，其解释力在2021年降至0.236，反映地方政府绿色决策权的边际递减效应；城镇化水平（X3）在2021年以0.973的q值跃居首位，验证新型城镇化战略下人口集聚与空间优化对绿色效率的规模效应；市场规模（X11）的影响力从2008年的0.413提升至2021年的0.965，其与城镇化水平的协同作用成为效率提升的核心动力；对外开放程度（X8）在2018年显著促进绿色技术溢出，但2021年被市场规模和城镇化超越，体现国内大循环对绿色发展支撑作用的增强。

3.3 交互作用探测

由表6交互探测分析结果可知，各影响因素两两交互后，均存在增强的协同作用，说明影响因素间交互作用可以更好地解释长三角文旅产业发展时空演化特征。具体来讲，2008年排序前5位主导因素是X3∩X11、X8∩X11、X2∩X11、X4∩X11、X1∩X11；2018年排序前5位主导因素是X3∩X8、X1∩X4、X3∩X4、X8∩X4、X3∩X11；2021年主导因素是X5∩X6、X1∩X2、X4∩X9。从中看出，长三角城市群绿色发展效率时空演化受这些因素的综合交互作用。具体来说，2008年城镇化水平与市场规模的交互解释力度为0.6048，可通过提高城镇化水平和扩大市场规模产生的双重作用促进绿色发展效率；2018年城镇化水平和对外开放程度的交互解释力度为0.6610，排序第一，表明城镇化和对外开放的交互作用对绿色发展效率的解释力最强；2021年财政分权和金融发展水平的交互解释力度为0.5490，可在优化财政分权和提升金融水平的双重作用下提高绿色发展效率。
表6 长三角城市群绿色发展效率双因子增强交互探测结果

Tab.6 Interactive detection results of dual-factor enhancement of green development efficiency in the YRD urban agglomeration

2008 2018 2021
主导交互因素 值 主导交互因素 值 主导交互因素 值
X3∩X11 0.6048 X3∩X8 0.6610 X5∩X6 0.5490
X8∩X11 0.5545 X1∩X4 0.6504 X1∩X2 0.5265
X2∩X11 0.5106 X3∩X4 0.6266 X4∩X9 0.2186
X4∩X11 0.4718 X8∩X4 0.6073
X1∩X11 0.4716 X3∩X11 0.5957
绿色发展效率存在双因子非线性增强交互作用（图略）。其中，2006年工业化水平与市场规模的非线性交互作用促进绿色发展效率；2018年经济集聚水平与金融发展程度的非线性交互作用促进绿色发展效率；2021年财政分权度与工业化水平的非线性交互作用促进绿色发展效率。

4 结论与建议

4.1 主要结论

本文基于2006—2022年长三角城市群41个城市数据，选取超效率网络SBM-Malmquist模型对绿色发展效率进行测度，分析了绿色效率的时空演变；同时使用随机森林模型、地理探测器探究了影响绿色发展效率的因素。主要结论如下：
①2006—2022年长三角城市群绿色发展静态效率总体呈现波动上升趋势，但总体水平不高，且各城市间差异较大，发展不平衡。长三角城市群2006—2007和2021—2022年绿色发展动态效率急速下降，2008—2019年绿色发展动态效率平稳变化，2007—2008和2019—2021年呈现急速上升变化现象。
②与2006年相比，2022年长三角城市群绿色发展静态效率属于低效率行列的城市个数有所减少，属于中高效率行列的城市个数增加较多，其中芜湖、盐城、安庆、滁州、阜阳和嘉兴一直处于低效率行列。绿色发展动态效率属于中高效率行列的城市有所增加。
③从影响因素看，财政分权度、经济集聚水平、城镇化水平、市场规模、政府干预程度、对外开放程度、城市化水平、工业化水平、金融发展程度都对绿色发展效率产生一定的影响。其中，2008年城镇化水平和市场规模产生的双重作用促进绿色发展效率，2018年城镇化和对外开放的交互作用对绿色发展效率的解释力最强，2021年在财政分权和金融水平的双重作用下提高绿色发展效率。不同因素在不同阶段对绿色发展效率的影响差异，反映了绿色发展过程中多种因素相互作用的复杂性。

4.2 对策建议

①建立区域协同均衡发展策略，制定城市差异化绿色发展效率提升路径规划。对于绿色发展滞后区域，如安徽部分城市，应依托长三角一体化发展契机，由上海、浙江等绿色发展前沿地区实施对口帮扶，借助产业转移园区、联合创新中心等载体，推动绿色技术、管理经验及高端人才的跨区域流动，以点带面，促进区域绿色发展协同共进，逐步熨平区域间的发展鸿沟，实现长三角城市群绿色发展的均衡布局。此外，聚焦不同城市在绿色发展静态与动态效率层级分化现状，针对芜湖、盐城等长期处于低效率梯队的城市，需深度剖析其产业架构、资源特质与生态承载能力。以产业生态化转型为抓手，引导传统高耗能产业向绿色低碳领域迭代升级；同时，加大绿色技术研发专项扶持，优化成果转化落地政策环境，培育本土绿色创新型企业，量身定制迈向中高效率行列的转型路线图。
②搭建动态监测系统，完善技术创新激励机制。要运用大数据、人工智能等前沿技术，实时追踪绿色发展关键指标，精准溯源政策执行偏差、市场供需异动、生态冲击等诱因，迅速启动应急预案，通过政策工具组合拳，如财税调节、产业引导、生态补偿等，确保绿色发展动态效率稳健上行。此外，针对安徽等地技术效率短板，需全方位夯实绿色技术创新根基。设立绿色发展专项基金，汇聚高校、科研院所、企业创新资源，打造协同创新联合体；同时，完善绿色技术知识产权保护与激励机制，加速科技成果商业化进程，以技术创新赋能绿色发展动态效率跃升。
③释放核心影响因素效能，促进交互因素协同融合。各地政府应精准施策，放大关键因素正向效应；适度优化财政分权结构，赋能地方政府绿色发展财权事权匹配度，引导资金精准投向绿色基础设施、生态修复等领域。例如，无锡作为制造业强市，产业基础雄厚但面临转型升级压力，省级财政应设立制造业绿色转型专项资金，鼓励企业开展绿色技术改造，推动传统制造业向绿色高端制造业迈进；聚力打造绿色经济集聚高地，通过产业生态化集群布局，提升资源集约利用与循环转化效能。湖州生态环境优越，当地政府可利用财政分权优势，加大对生态农业、生态旅游等绿色产业的扶持力度，完善绿色产业补贴政策，吸引社会资本参与生态产业发展，探索生态产品价值实现的新路径。同时，应持续推进以人为核心的新型城镇化，强化城镇绿色空间营造、绿色交通体系构建，提升城镇绿色发展品质。此外，应深度挖掘城镇化与对外开放协同红利，在城镇国际化进程中，布局绿色自贸区、跨境生态合作示范区，吸引国际绿色资本、前沿技术落地生根；与此同时，还应持续关注财政分权与金融发展联动潜能，创新绿色金融工具，如绿色市政债、生态资产证券化产品，为绿色发展注入多元资金活水，全方位提升绿色发展效率。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
樊杰. “健全主体功能区制度体系”的经济地理学讨论[J]. 经济地理, 2024, 44(8):1-7.

DOI

[2]
胡鞍钢, 周绍杰. 绿色发展:功能界定、机制分析与发展战略[J]. 中国人口·资源与环境, 2014, 24(1):14-20.

[3]
马建堂, 蔡昉, 高培勇, 等. 学习贯彻落实党的二十届三中全会精神笔谈[J]. 中国工业经济, 2024(7):5-28.

[4]
Liu R R, Chen D, Yang S C, et al. Evaluation of green development efficiency of the major cities in Gansu Province,China[J]. Sustainability, 2021, 13(6):3034-3034.

[5]
魏后凯, 叶兴庆, 黄祖辉, 等. 进一步全面深化改革,开创高质量发展新局面——权威专家研究阐释党的二十届三中全会精神[J]. 中国农村经济, 2024(9):2-21.

[6]
任保平, 程至瑜, 宗景辉. 新质生产力形成中制造业新质化发展水平测度与时空演进[J]. 数量经济技术经济研究, 2024, 41(12):5-24.

[7]
邹德玲, 丛海彬, 李钰, 等. 长三角城市群内小城镇产业集聚效率时空演变与影响因素[J]. 经济地理, 2023, 43(4):73-82.

DOI

[8]
Schaltegger S, Roger B. Contemporary Environmental Accounting:Issues,Concepts and Practice[M]. London: Routledge, 2017.

[9]
卢丽文, 宋德勇, 李小帆. 长江经济带城市发展绿色效率研究[J]. 中国人口·资源与环境, 2016, 26(6):35-42.

[10]
秦炳涛, 柳佳男. 长三角绿色发展效率时空演变及空间溢出分析——基于Super-SBM模型和Tobit回归[J]. 生态经济, 2022, 38(11):64-71.

[11]
杨志江, 文超祥. 中国绿色发展效率的评价与区域差异[J]. 经济地理, 2017, 37(3):10-18.

[12]
黄磊, 吴传清. 长江经济带城市工业绿色发展效率及其空间驱动机制研究[J]. 中国人口·资源与环境, 2019, 29(8):40-49.

[13]
卢新海, 杨喜, 陈泽秀. 中国城市土地绿色利用效率测度及其时空演变特征[J]. 中国人口·资源与环境, 2020, 30(8):83-91.

[14]
辛龙, 孙慧, 王慧, 等. 基于地理探测器的绿色经济效率时空分异及驱动力研究[J]. 中国人口·资源与环境, 2020, 30(9):128-138.

[15]
周亮, 车磊, 周成虎. 中国城市绿色发展效率时空演变特征及影响因素[J]. 地理学报, 2019, 74(10):2027-2044.

DOI

[16]
施建刚, 段锴丰, 吴光东, 等. 碳排放约束下长三角地区城乡融合发展效率[J]. 经济地理, 2021, 41(6):57-67.

DOI

[17]
王素凤, 曹开心. 基于三阶段DEA模型的长三角城市雾霾治理效率研究[J]. 南京信息工程大学学报(自然科学版), 2023, 15(5):621-630.

[18]
王淑婧, 李俊峰. 长三角城市群高质量绿色发展的均衡性特征及障碍因素[J]. 自然资源学报, 2022, 37(6):1540-1554.

DOI

[19]
周雪琼. 新质生产力、颠覆性技术创新与碳福利绩效[J]. 工业技术经济, 2024, 43(6):40-48.

DOI

[20]
田光辉, 李江苏, 苗长虹, 等. 基于非期望产出的中国城市绿色发展效率及影响因素分析[J]. 经济地理, 2022, 42(6):83-91.

DOI

[21]
陈明华, 刘文斐, 王山, 等. 黄河流域绿色发展绩效评价、差异分解及驱动因素[J]. 中国人口·资源与环境, 2022, 32(4):126-133.

[22]
张国兴, 张婧钰. 黄河流域资源型城市高质量发展的时空演变[J]. 中国人口·资源与环境, 2023, 33(2):124-133.

[23]
王洪艳. 新质生产力对碳排放效率的影响——基于产业结构高度化和合理化的双重视角[J]. 统计与决策, 2024, 40(17):24-29.

[24]
张鹏伟. 新质生产力赋能制造业绿色转型探析[J]. 财会月刊, 2024, 45(20):116-122.

[25]
张启航, 张亚连, 谭桂菲, 等. 中国林业碳汇效率时空演化特征——基于三阶段超效率数据包络分析模型[J]. 生态学报, 2024, 44(15):6769-6782.

[26]
Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research, 2001, 130(3):498-509.

[27]
Tone K, Tsutsui M. Network DEA:A slacksbased measure approach[J]. European Journal of Operational Research, 2009,(197):243-252.

[28]
Chung Y H, Färe R, Grosskopf S. Productivity and undesirable outputs:A directional distance function approach[J]. Journal of Environmental Management, 1997, 51(3):229-240.

[29]
郭庆宾, 马梦瑶, 程叶青. 海南自由贸易港城乡融合发展水平的时空特征及其驱动机理[J]. 经济地理, 2024, 44(12):62-71.

DOI

[30]
杜锦, 苗长虹, 许家伟, 等. 中原城市群城市高质量发展时空格局与影响因素[J]. 经济地理, 2025, 45(01):67-76.

[31]
周思杨, 李巍, 陈佳璇, 等. 矿产资源型城市工业路径依赖综合诊断方法——基于改进的柯布—道格拉斯生产函数[J]. 中国环境科学, 2019, 39(1):412-419.

[32]
谢婷婷, 李玉梅, 潘宇. 外商直接投资、技术进步与产业结构升级——基于中国省域空间计量分析[J]. 工业技术经济, 2018, 37(8):35-43.

DOI

[33]
汪伟, 刘玉飞, 彭冬冬. 人口老龄化的产业结构升级效应研究[J]. 中国工业经济, 2015(11):47-61.

Options
Outlines

/

〈 〉