碳排放约束下长三角城市群国土绿色利用效率时空分异及驱动机制研究

Spatiotemporal differentiation and driving mechanisms of green land use efficiency in Yangtze River Delta urban agglomeration under carbon emission constraints

摘要

目的 “双碳”目标下的国土绿色利用效率是衡量区域高质量发展的重要指标，探究国土绿色利用效率时空分异及驱动机制，为促进国土绿色利用转型发展提供依据。 方法 将碳排放量作为非期望产出纳入评价指标体系，运用超效率SBM模型、探索性空间数据分析和时空地理加权回归系统考察2010—2022年长三角城市群41个城市国土绿色利用效率的时空分异特征及驱动机制。 结果 （1） 从时序上看，研究期内长三角城市群国土绿色利用效率整体呈波动上升趋势，平均值由0.563增加至0.713，整体水平提高了约26.64%，标准差从0.316下降到0.289，变异系数由0.562下降到0.405，城市间国土绿色利用效率的绝对差距和相对差距均不断缩小。从空间上看，长三角城市群国土绿色利用效率呈“东高西低”的非均衡特征，东部沿海和长江沿线城市国土绿色利用效率水平较高，而安徽省、江苏省北部和浙江省西南部城市则相对较低。（2） 长三角城市群国土绿色利用效率存在显著的正向全域空间自相关，局域空间特征则包括高—高集聚、低—低集聚和高—低集聚3种类型。（3） 经济发展、产业结构、基础设施、信息化和政府调控对长三角城市群国土绿色利用效率存在显著影响，但作用强度具有时空异质性。 结论 长三角城市群国土绿色利用效率受多重因素影响且呈现较为显著的时空分异特征，各城市应立足自身发展阶段与产业水平，精准识别主导因素，因地制宜地实施针对性发展政策。

Abstract

Objective Green land use efficiency under the “dual carbon” goals serves as an important indicator for assessing high-quality regional development. This study investigates the spatiotemporal differentiation and driving mechanisms of green land use efficiency to provide a basis for promoting the transformation toward green land use development. Methods Carbon emissions were incorporated as an undesirable output into the evaluation indicator system. The super-efficiency SBM model， exploratory spatial data analysis， and geographically and temporally weighted regression were employed to systematically examine the spatiotemporal differentiation characteristics and driving mechanisms of green land use efficiency in 41 cities of the Yangtze River Delta urban agglomeration from 2010 to 2022. Results （1） From a temporal perspective， green land use efficiency in the Yangtze River Delta urban agglomeration showed a fluctuating upward trend during the study period. The average value increased from 0.563 to 0.713， representing an overall increase of approximately 26.64%. The standard deviation decreased from 0.316 to 0.289， and the coefficient of variation decreased from 0.562 to 0.405， indicating that both the absolute and relative disparities in green land use efficiency among cities continuously narrowed. Spatially， green land use efficiency in the Yangtze River Delta urban agglomeration exhibited an uneven pattern characterized by “high in the east and low in the west”. Cities in the eastern coastal areas and along the Yangtze River had relatively higher levels， while cities in Anhui Province， northern Jiangsu Province， and southwestern Zhejiang Province had relatively lower levels. （2） Green land use efficiency in the Yangtze River Delta urban agglomeration exhibited a significant positive global spatial autocorrelation. Local spatial characteristics included three types： high-high clustering， low-low clustering， and high-low clustering. （3） Economic development， industrial structure， infrastructure， informatization， and government regulation significantly influenced green land use efficiency in the Yangtze River Delta urban agglomeration， but the strength of these effects exhibited spatiotemporal heterogeneity. Conclusion Green land use efficiency in the Yangtze River Delta urban agglomeration is affected by multiple factors and exhibits significant spatiotemporal differentiation. Each city should consider its own development stage and industrial level， accurately identify the dominant factors， and implement targeted development policies according to local conditions.

Graphical abstract

关键词

“双碳”目标 / 国土绿色利用效率 / GTWR模型

Key words

“dual carbon” goals / green land use efficiency / GTWR model

国土空间作为国家生存与发展的战略性资源，是一切社会经济活动的物质载体。2000年以来，传统土地扩张发展模式下，我国城市出现土地利用效率低下、资源浪费、环境破坏等一系列问题。当前，在中国坚定推进“双碳”战略目标的宏观背景下，促进土地利用向绿色、集约、低碳转型，已成为实现区域高质量发展的核心路径。2024年2月中央全面深化改革委员会第四次会议明确强调要“增强土地要素对优势地区高质量发展保障能力”，并指出需建立同宏观政策、区域发展高效衔接的土地管理制度，着力提升土地资源配置精度与利用效率。与此同时，在资源要素和“双碳”目标的制约下，国土利用效率与碳排放之间呈现出相互影响与制约的关系：一方面，土地利用变化是影响碳排放与碳汇相对平衡的关键环节^［1］；另一方面，碳排放约束也倒逼国土利用模式向绿色低碳转型。然而长三角城市群国土空间面临着粗放利用、空间布局失衡与利用效能不足的困境，高强度的开发建设与密集的产业活动也带来了巨大的资源环境压力。因此，亟需转变发展模式，将碳排放指标纳入区域发展的绩效考量，研究结果对于提升长三角城市群国土绿色利用效率，严格土地用途管制和制定差异化发展路径，具有重要的指导意义。

梳理国内外相关文献，国土绿色利用效率的现有研究主要集中在概念内涵、影响因素、测度方法与指标等方面。（1） 在概念内涵上，国内外研究普遍认为国土绿色利用效率是其在经济、社会、文化及生态4个维度上所产生效益的综合反映^［2-3］。部分学者认为关于国土绿色利用效率的内涵界定尚未统一，但普遍认为其本质即是在严格的生态环境约束框架内，所实现的城市生产要素投入与产出系统在空间上的特定配置效率^［4］。边志强等^［5］认为国土绿色利用效率是指在特定技术条件下，将土地及其他生产要素的投入转化为经济与环境双重效益的能力。与此同时，相较于传统的城市土地利用效率，国土绿色利用效率的本质内涵是强调一种资源节约、环境友好的土地开发利用模式。（2） 在影响因素上，国土绿色利用效率受城镇化水平、人口密度、科技水平^［6］、产业结构^［7］、资本投入^［2］等多方面因素影响。陈红梅等认为城镇化对城市土地利用效率的影响存在非线性的“U”型关系^［6］。马明等通过主导因素识别，认为产业结构是影响土地绿色效率的重要潜在因素^［4］。彭文英等认为人口集聚对土地绿色利用效率产生了显著的抑制作用，而资本投入能促进土地绿色利用效率^［7］。尽管学界在国土绿色利用效率领域已积累了丰富成果，但从碳排放约束角度展开的系统性研究仍相对有限。随着“绿色低碳”理念的纵深发展，部分学者认为碳排放应成为影响国土绿色利用效率的重要因素。碳排放作为土地利用过程中的负效应，其增加通常意味着资源利用效率降低^［3，8］。部分学者将绿色理论和低碳发展理念应用到土地利用过程中，强调通过减少污染和碳排放来提升国土利用效率^［9-10］。碳排放约束既是生态环境保护的核心目标，也是推动可持续发展的重要路径。（3） 在效率测度与指标上，研究方法主要包括超效率SBM模型、随机森林算法、Malmquist-Luenberger指数^［6］、随机前沿分析（Stochastic Frontier Analysis， SFA）和数据包络分析（Data Envelopment Analysis， DEA）等^［7］。在指标构建方面，现有研究多选取经济、社会、生态不同维度和环境污染等方面指标来量化国土绿色利用效率^［7］。随着环境污染和可持续发展越来越受到重视，环境因素作为重要的指标纳入生产效率测算指标体系，并达成普遍共识^［11］。刘颖莹等将环境因素作为非期望产出纳入评价体系^［12］，田光辉等通过非期望产出的SBM-DEA模型测度国土绿色利用效率^［13］。既有文献对投入指标和期望产出指标基本形成一致，而在非期望产出方面，工业废水、工业二氧化硫和工业烟尘排放量成为常用的代理变量^［14-15］，也有部分学者将环境污染、碳排放量作为非期望产出指标^{［1，5，12］}。随着测度方法的完善，学者们广泛开展了不同维度和典型区域国土绿色利用效率的实证考察。基于中国城市的研究发现，中国城市群国土绿色利用效率总体呈上升趋势，基本遵循波浪式爬升规律，空间上呈现“南北高中间低，西高东低”的分布特征^［10］。典型区域层面，长江经济带城市绿色全要素生产率虽然持续提升，但在空间分布上存在明显的上中下游分异格局，并且呈现空间自相关性^［16］。黄河流域中下游城市绿色生产率同样分异显著，呈现“中部塌陷”的空间非均衡特征^［17］。京津冀城市群国土绿色利用效率在空间上呈现“中间高四周低”的空间非均衡性特征^［7］。此外，对长三角与珠三角城市群绿色生产率的比较分析发现，长三角城市群绿色生产率水平整体略高于珠三角城市群，并且更倾向于“高投资率”模式^［18］。

总体来看，目前国内外对于国土绿色利用效率的概念内涵、影响因素、测度方法与指标等都进行了广泛的探讨。然而，我们也不难发现已有研究尚存在以下两方面的问题值得进一步探讨。与以往的国土绿色利用效率测度相比，考虑碳排放约束下的绿色利用效率将二氧化碳排放量作为非期望产出纳入评价指标体系，以衡量经济发展过程中对环境的破坏程度，相对于仅采用工业“三废”指标作为非期望产出，能够更加全面地揭示国土绿色发展水平。更重要的一点是，已有研究大多从一般线性回归得出全局整体结论，而国土绿色利用效率与城市所处的地理区位、资源条件和发展阶段都具有密切联系。也就是说，全局结果忽略了地理空间位置因素，因此，并不能客观真实地揭示国土绿色利用效率的驱动机理。

鉴于此，本文在梳理和借鉴已有相关研究的基础上，首先构建碳排放约束下的国土绿色利用效率评价指标体系，并测度长三角城市群国土绿色利用效率；其次，通过GIS可视化和探索性空间数据分析对长三角城市群国土绿色利用效率的空间分异特征进行考察，并运用时空地理加权回归模型对国土绿色利用效率的影响因素及其空间分异进行深入探讨；最后，根据研究结论提出相关政策建议。本文的研究目的，一方面为更科学地揭示国土绿色利用效率失衡特征的内在分异机制提供方法参考，另一方面为促进长三角城市群国土绿色高质量利用和因地制宜地制定城市绿色可持续发展方案提供决策依据。

1 研究区域与研究方法

1.1 研究区域

长三角城市群是长江经济带的重要节点，也是支撑和引领我国区域经济绿色发展的重要功能区。根据2019年出台的《长江三角洲区域一体化发展规划纲要》，长三角城市群覆盖上海、江苏、浙江和安徽三省一市全部区域的41个城市。长三角城市群是我国城市化程度最高、城镇分布最密集的区域，国土总面积为35.8万km²，仅占我国国土面积的3.7%，但是集中了中国约25%的经济总量和约16%的常住人口。据统计，2019年长三角城市群一次能源消费占全国总量的17%，二氧化碳排放量占全国总排放量的20%以上^［19］。在“双碳”背景下，长三角城市群率先实现“碳达峰”，不仅能有效助力国家“双碳”目标的实现，而且对其他地区具有示范引领作用。近年来，长三角城市群先后出台《生态绿色一体化发展示范区碳达峰碳中和工作实施方案》和《生态绿色一体化发展示范区国土空间总体规划》，聚焦于绿色经济、高品质生活和可持续发展，以生态优先为导向，提升绿色低碳发展水平。因此，加强该地区国土绿色利用效率的研究十分有必要。另一方面，长三角城市群各地区发展条件和经济水平差异较大，探究该地区国土绿色利用效率的失衡特征及其驱动机制，有利于因城施策，为制定更精准的资源配置政策提供依据。

1.2 研究方法

1.2.1 包含非期望产出的超效率SBM模型

本文对国土绿色利用效率的测度参照Tone提出的包含非期望产出的超效率SBM模型^［20］，相对于传统的DEA模型，该模型解决了以往有效决策单元（Decision-Making Units， DMUs）难以比较的问题，并允许其效率值≥1，提升了效率评估的精确性^［21］。并且纳入了非期望产出，还能对有效决策单元进行再分解，从而避免了有效决策单元的信息损失。模型公式如下：

\mathrm{m}\mathrm{i}\mathrm{n}\rho =\frac{\mathrm{1}}{m}{\displaystyle \sum _{i=\mathrm{1}}^m}\frac{\overline{x}}{x_{ik}}/〔\frac{\mathrm{1}}{r_{\mathrm{1}}+r_{\mathrm{2}}}\left({\displaystyle \sum _{s=\mathrm{1}}^{r_{\mathrm{1}}}}\frac{{\overline{y}}_d}{y_{sk}^d}+{\displaystyle \sum _{q=\mathrm{1}}^{r_{\mathrm{2}}}}\frac{{\overline{y}}_u}{y_{qk}^u}\right)〕（1）

\left\{\begin{array}{l}\overline{x}\ge {\displaystyle \sum _{j=\mathrm{1},j\ne k}^n}{x}_{ij}{\lambda }_j,\hspace{1em}{\overline{y}}^d\le {\displaystyle \sum _{j=\mathrm{1},j\ne k}^n}{y}_{sj}^d{\lambda }_j,\\ {\overline{y}}^d\ge {\displaystyle \sum _{j=\mathrm{1},j\ne k}^n}{y}_{qj}^d{\lambda }_j,\hspace{1em}\overline{x}\ge x_k,\\ {\overline{y}}^d\le y_k^d,\hspace{1em}{\overline{y}}^u\ge y_k^u,\\ {\lambda }_j\ge \mathrm{0},\hspace{1em}i=\mathrm{1,2},\dots ,m;j=\mathrm{1,2},\dots ,n\\ s=\mathrm{1,2},\dots ,r_{\mathrm{1}};\hspace{1em}q=\mathrm{1,2},\dots ,r_{\mathrm{2}}\end{array}\right.（2）

式中：假设有n个决策单元，每个决策单元由投入m、期望产出r_{\mathrm{1}}和非期望产出r_{\mathrm{2}}组成，x、y^d、y^u为相应的投入矩阵、期望产出矩阵和非期望产出矩阵中的元素；\rho为国土绿色利用效率值。

1.2.2 探索性空间数据分析

探索性空间数据分析（Exploratory Spatial Data Analysis， ESDA）作为测度属性数据空间相关性的常用分析方法，包括全局空间自相关和局部空间自相关。全局空间自相关主要用于分析属性数据在整个区域内的关联和集聚特征，本文采用\mathrm{G}\mathrm{l}\mathrm{o}\mathrm{b}\mathrm{a}\mathrm{l}\mathrm{M}\mathrm{o}\mathrm{r}\mathrm{a}{\mathrm{n}}^{\mathrm{\text{'}}}\mathrm{s}I指数来考察长三角城市群国土绿色利用效率的全局空间关联特征，其计算公式如下：

I=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{ij}(y_i-\overline{y})(y_j-\overline{y})}{S^{\mathrm{2}}{\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{ij}}（3）

式中：y_i、y_j分别为城市i和j的国土绿色利用效率值；n为城市样本数量；\overline{y}和s^{\mathrm{2}}分别为国土绿色利用效率指数的均值和标准差；w_{ij}为城市i和j之间的空间权重矩阵。根据Tobler地理学第一定律，地区之间相互影响的关系会随着距离增大而衰减。长三角的要素流动地理关联性是一种基于复杂地缘毗邻、并由基础设施网络强化、被产业分工和政策协同所驱动的密集型网络关系，相邻城市之间存在频繁的要素流动和相互影响关系。因此，本文按照\mathrm{q}\mathrm{u}\mathrm{e}\mathrm{e}\mathrm{n}法则构建邻接空间权重矩阵，更符合该区域高度一体化、多方向交互的实际特征。

局部空间自相关主要用于测度属性要素的局域空间关联特征，分析局部空间的非均衡性，从而发现属性数据的空间分异特征。本文采用\mathrm{L}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{M}\mathrm{o}\mathrm{r}\mathrm{a}{\mathrm{n}}^{\mathrm{\text{'}}}\mathrm{s}I指数来衡量长三角城市群国土绿色利用效率局部空间的关联特征和异质性，计算公式如下：

I_i=\frac{(y_i-\overline{y}){\displaystyle \sum _{j=\mathrm{1}}^n}〔w_{ij}(y_j-\overline{y})〕}{S^{\mathrm{2}}}（4）

1.2.3 时空地理加权回归

时空地理加权回归模型（Geographically and Temporally Weighted Regression， GTWR）在传统的地理加权回归模型（Geographically Weighted Regression， GWR）基础之上，同时结合了时间和空间两个维度，能够动态调整权重函数，从而更加精确地捕捉影响作用的时空异质性，更加贴合真实世界的情况。模型计算公式如下：

y_i={\beta }_{\mathrm{0}}(u_i,v_i,t_i)+{\displaystyle \sum _{k=\mathrm{1}}^n}{\beta }_k(u_i,v_i,t_i)x_{ik}+{\epsilon }_i（5）

式中：y和x分别为被解释变量和解释变量；t为时间，u、v为样本的地理空间坐标，下标i为研究样本；k为解释变量序号； {\beta }_{\mathrm{0}}(u_i,v_i,t_i)为截距项；{\beta }_k(u_i,v_i,t_i)为解释变量的估计系数；\epsilon为随机误差项。本文中的时空权重函数选择高斯距离函数，带宽的选择影响时空权重的确立，本文采用AICc法则，自适应带宽^［22］。

1.3 指标选取与数据来源

1.3.1 国土绿色利用效率的测度指标选取

参考已有文献^{［11，23］}，国土绿色利用效率评价指标体系如表1所示，其测度的投入指标包括资本投入、劳动力投入和土地投入，分别选取全社会固定资产投资总额、就业人数和城市建设用地面积3个指标，期望产出包括经济、社会和生态效益，分别选取第二、三产业国内生产总值、社会消费品零售总额和公园绿地面积，而非期望产出主要为碳排放量和环境污染指标，包括二氧化碳排放量、工业废水排放量、工业二氧化硫排放量和工业烟尘排放量，其中，二氧化碳排放量参考已有文献^［24］，通过碳排放系数法计算得出。

1.3.2 影响因素指标选取

国土绿色利用效率受诸多因素影响，结合长三角城市群实际情况，从经济发展、产业结构、基础设施、信息化和政府调控5个方面（表2），对该区域国土绿色利用效率的影响因素进行分析。（1） 经济发展。经济发展水平反映了投入和产出要素的结构是否合理，尤其是经济发达的城市能够促进劳动力结构、土地资源利用结构的优化，并且具备较强的经济实力支撑科技创新，提高生产效益而降低环境污染。选取人均国内生产总值作为经济发展水平的代理变量；（2） 产业结构。第三产业对资本、人力和资源能源的需求更小，而经济产出效益更高，环境污染更小。近年来，长三角城市群核心城市产业功能不断外溢，“退二进三”趋势明显，极大地促进了区域产业结构升级和优化调整，进而推进国土绿色利用效率提升。选择三产与二产的比值表征产业结构水平；（3） 基础设施。完善的基础设施系统能够缩减生产运营的空间成本和资源消耗，支撑城市高效运转，对国土绿色利用效率具有显著影响。通过建成区道路网密度表征基础设施水平；（4） 信息化。信息技术作为先进生产力，缩短了技术创新周期，提高了劳动产出的创新附加值，而且随着信息技术向国民经济各领域的不断渗透，为生产生活的各个环节提供了便捷的媒介，促进了生产效率提升。选择万人国际互联网用户数表征信息化水平；（5） 政府调控。市场化背景下的个体趋利性会导致资源配置不合理、环境污染、恶性竞争等问题，这些都将抑制国土绿色利用效率，而政府调控是应对市场失灵，提升资源配置效率的有效手段。采用财政支出占GDP比重衡量政府调控程度。

1.3.3 数据来源

本文选取长三角城市群41个城市2010—2022年的国土绿色利用效率数据为研究对象。所有数据和指标均来自《中国城市统计年鉴》《中国城市建设统计年鉴》以及长三角各省、市统计年鉴和统计公报，个别异常值和缺失数据采用该城市三年平均增长率进行线性插值或所在省份的平均值进行替代。各级行政区划边界数据来自1∶400万国家基础地理信息数据库（https://ww.resdc.cn），各城市经纬度数据通过ArcGIS 10.6软件提取。

2 结果与分析

2.1 长三角城市群国土绿色利用效率的时空分异特征

2.1.1 时序演进特征

基于长三角城市群41个城市的面板数据，测算出2010—2022年各城市国土绿色利用效率值，并计算其标准差和变异系数（图1）。2010—2022年长三角城市群国土绿色利用效率的平均值由0.563持续波动上升到0.713，整体水平提高了约26.64%。最低值由0.231提高到0.282，最高值由1.297逐渐下降到1.239。长三角城市群国土绿色利用效率呈“U”型演进趋势，主要呈现两个阶段：2010—2016年长三角城市群国土绿色利用效率平均值由0.563缓慢波动下降到0.507，反映出该阶段区域内仍面临发展模式粗放、资源配置效率不高、绿色转型动力不足等现实困境，制约了整体效率提升。2017—2022年长三角城市群国土绿色利用效率平均值由0.511提升到0.713，表明该阶段在政策推动、区域协同治理和绿色转型战略的共同作用下，长三角城市群逐步克服了前期的发展瓶颈，实现了国土绿色利用效率的提升。研究期内国土绿色利用效率的标准差从0.316下降到0.289，变异系数由0.562下降到0.405，两者随时间均呈波动下降趋势，表明在研究期内长三角城市群各城市间国土绿色利用效率的绝对差距和相对差距呈缩小的趋势，即城市间的非均衡特征趋于缓和。

2.1.2 空间格局特征

为更深入地揭示长三角城市群国土绿色利用效率的空间分异特征，选取2010年、2016年、2022年国土绿色利用效率的空间格局进行可视化（图2），考虑研究期内所有样本效率值的实际分布情况，参考相关研究^［25］，将国土绿色利用效率（Green Land Use Efficiency，GLUE）划分为5种类型，分别为低效率（GLUE≤0.4）、中低效率（0.4<GLUE≤0.6）、中效率（0.6<GLUE≤0.8）、中高效率（0.8<GLUE≤1.0）和高效率（GLUE>1.0）。

总体来看，2010—2022年长三角城市群国土绿色利用效率空间极化特征明显，整体上呈东高西低的格局，东部沿海和长江沿线城市国土绿色利用效率水平较高，形成高值集聚区域，而安徽省、江苏省北部和浙江省西南部城市则相对较低。具体来看，2010年长三角城市群国土绿色利用效率水平两极分化严重，但整体以低效率类型为主，省际间的差异上海>浙江>江苏>安徽。其中，长江经济带沿线的上海、苏州和合肥等城市以及浙江省南部的沿海城市显著高于其他城市，而安徽省大部分城市、江苏省北部城市整体处于低效率水平。2016年长三角城市群国土绿色利用效率仍然以低效率和中低效率类型为主，高效率类型城市减少。其中，以上海为中心的长三角核心城市国土绿色利用效率水平较高，整体为中高效率和高效率类型，江苏省北部以及安徽省全省整体处于低效率和中低效率水平。2022年高效率类型城市数量显著增加，从6个增加至17个。在空间分布上，逐渐沿长江下游形成带状集聚。其中，上海、南京、苏州、无锡、常州等沿江城市均为高效率水平，江苏北部和安徽北部城市国土绿色利用效率提升显著，大部分发展到中高效率或高效率水平，而安徽南部宣城、铜陵等城市国土绿色利用效率均低于0.6，仍处于中低效率水平。长三角城市群国土绿色利用效率的时空分异特征在一定程度上说明省会城市、经济发达城市以及交通区位较好的城市，其资源投入产出的绿色效率更高，同时对周边城市具有一定的辐射带动作用，逐渐形成高值集聚区，而处于核心圈层外围的相对欠发达城市，由于受地理区位和城市发展阶段的约束，其绿色利用效率相对较低。

研究期内，上海、南京、苏州、无锡、常州和温州等城市的国土绿色利用效率始终维持在较高水平，上述城市普遍属于经济较发达、三产水平较高或产业绿色化水平较高的城市。宣城、铜陵、淮北等城市则始终处于低效率水平，这些城市作为传统的重工业城市或资源型工业城市，土地投入要素多，但产出效益低，并且碳排放污染较大。此外，在研究期内，安徽省的大部分城市国土绿色利用效率提升显著，一方面，这与安徽省大力承接长三角核心城市产业外溢，不断优化产业结构有关，另一方面，安徽省自2010年以来一直将生态强省建设作为战略重点，先后出台《应对气候变化方案》《绿色发展行动实施方案》等文件，促进土地绿色高效利用。研究期间，合肥、南通、台州等城市的国土绿色利用效率水平下降趋势明显。具体而言，合肥市的绿色利用效率值从1.01降至0.67，降幅达33.66%；南通市由1.00下降至0.47，降幅高达53.00%；台州市则由1.03跌至0.56，降幅为45.63%。这一变化趋势表明：上述城市一方面是由于行政区划调整，城市建设用地面积扩大，但经济产出增加并不明显，导致国土绿色利用效率水平下降。另一方面也说明土地利用亟待转型，摆脱高投入、低产出、高污染的传统发展路径。

2.1.3 时空关联特征

为进一步研究国土绿色利用效率的空间相关性，利用Stata 16软件计算出2010—2022年长三角城市群国土绿色利用效率值的\mathrm{G}\mathrm{l}\mathrm{o}\mathrm{b}\mathrm{a}\mathrm{l}\mathrm{M}\mathrm{o}\mathrm{r}\mathrm{a}{\mathrm{n}}^{\mathrm{\text{'}}}\mathrm{s}I指数（表3）。结果显示，各个年份的I值均大于0，且均通过了10%的显著性水平检验，表明长三角城市群国土绿色利用效率存在显著的空间正相关性，即存在空间极化特征。研究期内，\mathrm{M}\mathrm{o}\mathrm{r}\mathrm{a}{\mathrm{n}}^{\mathrm{\text{'}}}\mathrm{s}I指数由0.415波动提高到0.544，随后持续下降至0.264，表明长三角城市群国土绿色利用效率的空间极化程度先增强后逐渐减弱。

进一步地，计算\mathrm{L}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{M}\mathrm{o}\mathrm{r}\mathrm{a}{\mathrm{n}}^{\mathrm{\text{'}}}\mathrm{s}I指数并绘制2010年、2016年、2022年长三角城市群国土绿色利用效率的\mathrm{L}\mathrm{I}\mathrm{S}\mathrm{A}集聚图，探究其是否存在局部分异。如图3所示，长三角城市群国土绿色利用效率局域空间特征存在3种类型：（1） 第一类为高—高集聚类型（H-H），该类城市自身及邻近城市的国土绿色利用效率都较高，空间差异小，呈现出典型的高水平集聚态势。研究期内，高—高集聚类型在时空上表现出较强的稳定性，主要包括上海、苏州、无锡、常州、南京、温州等城市，上述城市经济基础好，产业关联度高，科技创新驱动生产要素的投入产出结构不断优化，促进土地高效化、绿色化利用。（2） 第2类为低—低集聚类型（L-L），该类城市自身及邻近城市的国土绿色利用效率都较低，主要分布在安徽和江苏两个省份，且随着时间推移逐渐减少。主要集中于宿迁、滁州、安庆等城市，上述城市普遍以传统重工业为支柱产业，土地利用效益低，转型难度大，对国土绿色利用效率形成一定制约。（3） 第3类为高—低集聚类型（H-L），该类城市自身国土绿色利用效率较高，而邻近城市较低，主要包括宣城、马鞍山、淮南等城市，说明上述城市的国土绿色利用效率并未对周边城市产生外溢效应和示范带动作用，区域绿色高效协同发展的格局尚未形成。

2.2 长三角城市群国土绿色利用效率空间分异的驱动机制

2.2.1 模型比较

空间自相关分析结果表明长三角城市群国土绿色利用效率具有一定的空间极化趋势，且城市间存在显著的空间分异特征。为了更准确地揭示各因素对长三角城市群国土绿色利用效率格局演变的分异机制，采用GTWR模型对长三角城市群41个城市的国土绿色利用效率水平进行估计。首先，进行多重共线性检验，所有影响因素指标的方差膨胀因子（VIF值）均小于10，表明不存在多重共线性。接下来，通过ArcGIS 10.6软件进行时空地理加权回归，将拟合的主要参数与OLS和GWR的参数进行比较，如表4所示。结果显示，GTWR的拟合优度（R²）和AICc值均优于GWR和OLS回归，说明GTWR模型能够更好地解释长三角城市群国土绿色利用效率格局演变影响因素在空间上的分异特征。

2.2.2 驱动因素的空间异质性分析

通过自然断点法对2010年、2016年、2022年3个时间截面的GTWR结果进行可视化（图4—7），以更加直观地揭示不同驱动因素对长三角城市群国土绿色利用效率影响的时空差异，具体来看：

（1） 经济发展影响作用的时空分异（图4）。从人均GDP回归系数的时空演变来看，经济发展对长三角城市群国土绿色利用效率影响作用总体表现出北高南低的特征。2010—2022年长三角北部的江苏和安徽，主要城市为皖北的亳州、淮北、宿州、蚌埠和苏北中心城市徐州、苏南中心城市南京，回归系数均为正值且持续提升，回归系数区间为0.146~1.130。整体而言，经济发展为生产技术和环境技术的创新提供了资金支持和市场需求，有助于提升土地资源利用效率并减少环境污染，从而推动国土绿色利用。然而长三角南部城市回归系数较低且为负值，该区域中经济发展影响对国土绿色利用效率产生消极作用。例如衢州作为浙江省内的传统工业与资源型城市，其化工、建材等产业占比较高，其经济增长尚未摆脱资源依赖路径，加剧了环境压力，从而对国土绿色效率产生了抑制作用。由此说明人均GDP提高也意味着经济活动规模和强度的增加，导致更多的资源消耗和污染排放，可能抑制国土绿色利用效率^［26］。因此，在追求经济发展过程中，应当综合考虑城市发展阶段和地区差异特征，通过个性化的调控策略促进经济和环境协同发展。

（2） 产业结构影响作用的时空分异（图5）。从三产与二产比值回归系数的时空演变来看，产业结构对长三角城市群国土绿色利用效率的影响作用分异显著，2010—2016年产业结构对国土绿色利用效率的促进作用整体上由西向东逐渐增强。自2008年国务院出台《关于进一步推进长江三角洲地区改革开放和经济社会发展的指导意见》以来，长三角核心城市产业结构不断优化，生产性服务业和高新技术产业占比显著提升，区域产业政策和环保政策的衔接有效推进了节能降碳，上海、杭州、南京等东部核心城市凭借其区位与人才优势，率先发展了生产性服务业与高新技术产业，实现了产业结构的深度优化与绿色升级。而西部城市产业结构调整过程则较为粗放，整体上仍以高投入和高碳排放作为代价，因此对国土绿色利用的促进作用相对较小。截至2022年，产业结构对国土绿色利用效率的影响作用则呈西高东低，实质上是西部产业转型“边际效应”的凸显。西部地区正处于产业转型升级的快速发展期，如安徽省将战略性新兴产业作为主导方向，通过政策强力聚焦，在光伏、新能源车、人工智能等领域形成了极具竞争力的绿色产业集群，对国土绿色利用效率的影响更大。

（3） 基础设施影响作用的时空分异（图6）。从城市道路网密度回归系数的空间分布来看，基础设施对长三角城市群国土绿色利用效率影响作用的异质性显著，且空间格局较为稳定。长三角城市群进入后城镇化阶段后，城市发展由“粗放式”扩展向“内涵式”提升转变，道路交通等基础设施不断完善，极大地提升了城市运输效率，促进资本、劳动力和技术等要素流动，从而提升国土绿色利用效率。但由于受到地理因素的约束，道路网密度对国土绿色利用效率影响的高值区域主要集中于长三角北部城市，而低值区域主要分布于南部城市。相比北部平原地区，长三角西南部主要为山地丘陵区，道路设施的建设和运营需要投入更多的资源和能源，可能导致资源过度开采和环境污染等问题^［27］，道路设施建设也驱动城市呈组团分散式扩张，增加生产生活的空间距离，进而导致碳排放增加，对国土绿色利用效率的促进作用较小，甚至产生一定的抑制作用。

（4） 信息化影响作用的时空分异（图7）。从万人互联网用户数回归系数的空间分布来看，信息化对长三角城市群国土绿色利用效率影响作用的时空差异性较为显著，整体上由北向南呈递增趋势。高值区域主要集中在浙江省，早在2003年，浙江省就前瞻性地战略部署“数字浙江”工程，全面推进信息化带动工业化建设，相继出台《浙江省“互联网+”行动计划》《关于深化“互联网+先进制造业”发展工业互联网的实施意见》等政策支持文件，促进互联网技术与经济社会发展的深度融合，显著提升了国土绿色利用效率。低值区域则主要集中在皖北和苏北地区，这也从侧面反映出该区域的信息化建设与城市绿色发展的协同效应较弱，尤其是信息化过程中的“数字鸿沟”造成了资源分配不均、土地利用低效、生态环境破坏等问题，信息化对国土绿色利用效率的影响相对较小，甚至抑制了部分城市的绿色发展^［28］。因此，随着信息化的普及和广泛应用，应当加强信息化的管理和优化，推进互联网技术与生态技术的深度融合，缩小城市间的“数字鸿沟”，促进信息化与城市绿色发展的良性互动和协调发展。

（5） 政府调控影响的时空分异（图8）。从财政支出占GDP比重回归系数的时空演变来看，政府调控对长三角城市群国土绿色利用效率的影响作用存在显著的空间异质性，但规律性尚不明显。研究期内，回归系数的高值区域在大部分年份都集中在皖北和苏北区域。这说明，这一时期政府干预和政府治理对皖北和苏北城市的国土绿色利用效率起到了助推作用，一方面，政府支出的提升改善了基础设施建设，提升了土地利用效率，另一方面，政府干预促进了该区域产业绿色化转型，降低了能源消耗和碳排放。低值区域大部分年份主要集中于浙江省西南部，可能的原因是，财政支出规模的持续扩张会增加政府财政压力，驱动政府通过土地资源错配增加财政收入，并不利于提高国土绿色利用效率^［29］。财政支出规模的扩张也意味着政府对自由市场的过度干预，政府职能的越位和错位将更加严重，这在一定程度上抑制了市场经济的自由发展，并不利于资源投入产出的帕累托最优。

3 结论与启示

3.1 结 论

在生态文明和高质量发展背景下，建设资源节约型、环境友好型社会，创新绿色高效发展模式至关重要。本文构建了测度碳排放约束下国土绿色利用效率的综合评价指标体系，分析了长三角城市群国土绿色利用效率的空间分异特征，并通过时空地理加权回归模型对影响因素的空间异质性进行了分析，得出以下结论：（1） 从时间趋势来看，2010—2022年长三角城市群国土绿色利用效率均值由0.563提高到0.713，整体呈波动上升态势。具体而言，2010—2016年效率值从0.563波动下降至0.507，折射出该时期经济增长与资源环境压力的矛盾，2017—2022年效率值由0.511快速跃升至0.713，反映了生态文明建设与区域一体化高质量发展战略下国土绿色利用效率取得的显著成效。标准差和变异系数的变化趋势表明，长三角城市群国土绿色利用效率存在一定的极化特征，但城市间绝对差距和相对差距在逐步缩小。（2） 从空间格局上看，长三角城市群国土绿色利用效率空间分异显著，整体上东部高于西部，东部沿海和长江沿线城市国土绿色利用效率水平较高，而安徽省、江苏省北部和浙江省西南部城市则相对较低。研究期内长三角城市群国土绿色利用效率存在显著的空间正相关性。局域关联特征主要包括3种类型，其中，上海、苏州、无锡、常州等城市为高—高集聚类型，宿迁、滁州、安庆等城市为低—低集聚类型，宣城、马鞍山、淮南等城市为高—低集聚类型。（3） 从驱动因素来看，经济发展、产业结构、基础设施、信息化和政府调控对长三角城市群国土绿色利用效率具有显著的影响作用，但在时空上存在异质性。其中，经济发展和基础设施对北部区域城市的影响大于南部区域城市，而信息化的作用强度则刚好相反，产业结构的作用强度整体上由西至东逐渐增强，政府调控的作用强度则存在一定波动性，并且空间规律尚不明显。

3.2 政策启示

当前，长三角城市群国土绿色利用效率取得了一定成效，但空间分异较大，而且高投入、高污染和低产出的矛盾仍较为严峻。随着长三角区域一体化融合发展，城市土地资源紧张、生态环境压力等问题将进一步凸显，极大地制约了长三角城市群打造生态绿色一体化发展示范区战略目标的实现。本文立足于“双碳”视角，将碳排放作为非期望产出纳入国土绿色利用效率并考察其驱动机制，对优化资源配置结构以及制定相关政策促进长三角城市群国土绿色高质量发展具有一定的参考意义。结合研究结果，提出以下四方面政策建议：（1） 根据效率水平和空间集聚类型，可以将长三角城市群划分为3类政策区，实施差异化策略。一是打造核心引领区（高—高集聚区：上海、苏州、无锡等），重点发展高技术含量、高附加值的绿色服务业和先进制造业（如集成电路、生物医药），严格限制新建高耗能项目。二是建设重点提升区（低—低集聚区：宿迁、滁州、安庆等），核心为产业升级，积极承接核心区的绿色产业外溢（如新能源汽车零部件、光伏组件生产），并大力支持对本地传统产业（钢铁、建材、家电）进行绿色化、数字化技术改造。三是发展特色过渡区（高—低集聚区：宣城、马鞍山、淮南等城市），依据自身资源禀赋，发展特色生态农业、生态旅游、清洁能源等绿色产业。其核心任务是协同联动，避免“虹吸效应”，实现共赢发展。（2） 长三角城市群国土绿色利用效率受经济发展、产业结构、基础设施等多种因素影响，且存在时空差异，各城市应结合实际情况，综合考虑城市发展阶段和经济产业发展水平，精准把脉影响国土绿色利用效率的主导因素，实施有针对性的城市发展政策。对于北部区域的城市而言，应当大力提升基础设施水平，推进产业结构优化，促进经济绿色增长；对于南部区域的城市而言，应当立足于产业发展基础，充分发挥信息化建设的优势，通过数智赋能国土绿色利用。（3） 应当以集约节约利用土地资源为导向，通过优化资本投入和劳动力投入结构，完善城市基础配套设施，提升经济社会效益，通过技术创新减少环境污染排放，实现土地利用经济效益和低碳环保的双提升。（4） 充分利用长三角城市群打造“科技创新共同体”的战略机遇，转变经济发展方式，促进产业提档升级，大力发展新质生产力，提升产业附加值，进而促进国土绿色高质量发展。

本文在“双碳”目标下聚焦长三角城市群国土绿色利用效率的时空演化与驱动机制，具有一定的理论价值与政策意义。并且纳入碳排放约束构建国土绿色利用效率综合评价框架，拓展了传统国土利用效率评价的维度。但长三角城市群国土绿色利用效率的时空演化是区域一体化发展下多种因素复杂作用的结果，具有较强的地域特定性和阶段性特征，在今后的研究中需结合政策文本分析、案例比较及空间治理工具等多种方法，进一步识别和解析政策驱动机制的具体路径与效应，以深化对建设用地绿色集约利用调控策略的认识。

参考文献

[1] 江曼琦，缪楚豪.中国城市碳平衡时空特征及土地利用结构影响机制［J］.城市发展研究，2025，32（7）：29-37.

[2] Jiang M Q， Miao C H. Spatiotemporal evolutionary of carbon balance in Chinese cities and its mechanisms of land use structure［J］. Urban Development Studies， 2025，32（7）：29-37.

[3] 林耀奔，吕昕蕾，黄思远，等.城市经济高质量发展与土地绿色利用效率耦合协调研究：以江苏省为例［J］.生态经济，2025，41（5）：90-98，107.

[4] Lin Y B， Lyu X L， Huang S Y， et al. A study on the coupling and coordination between high quality development of urban economy and green land use efficiency： Taking Jiangsu Province as an example［J］. Ecological Economy， 2025，41（5）：90-98，107.

[5] Chen M J， Wang Q R， Bai Z K， et al. Green land use efficiency and influencing factors of resource-based cities in the Yellow River Basin under carbon emission constraints［J］. Buildings， 2022，12（5）：551.

[6] 马明，毛理虎，刘宇戈，等.安徽省城市土地绿色利用效率时空分异及其影响因素［J］.水土保持通报，2025，45（1）：306-316.

[7] Ma M， Mao L H， Liu Y G， et al. Spatiotemporal differentiation and influencing factors of urban land green utilization efficiency in Anhui Province［J］. Bulletin of Soil and Water Conservation， 2025，45（1）：306-316.

[8] 边志强，张倩华.资源型城市土地绿色利用效率的动态演进、空间差异及收敛性［J］.水土保持学报，2025，39（2）：325-337，377.

[9] Bian Z Q， Zhang Q H. Dynamic evolution， spatial differences， and convergence of land green use efficiency in resource-based cities［J］. Journal of Soil and Water Conservation， 2025，39（2）：325-337，377.

[10] 陈红梅，张彩莉，李建豹.长三角地区新型城镇化对城市土地绿色利用效率的影响及空间效应［J］.长江流域资源与环境，2024，33（7）：1382-1396.

[11] Chen H M， Zhang C L， Li J B. Research on influence and spatial effect of new-type urbanization on urban land green use efficiency in the Yangtze River Delta Region［J］. Resources and Environment in the Yangtze Basin， 2024，33（7）：1382-1396.

[12] 彭文英，陈泽宇，孙加峰，等.京津冀土地绿色利用效率时空格局及影响因素［J］.水土保持学报，2024，38（4）：257-266.

[13] Peng W Y， Chen Z Y， Sun J F， et al. Spatio-temporal pattern of green land use efficiency in Beijing-Tianjin-Hebei and its influencing factors［J］. Journal of Soil and Water Conservation， 2024，38（4）：257-266.

[14] Yang J H， Ma R， Yang L. Spatio-temporal evolution and its policy influencing factors of agricultural land-use efficiency under carbon emission constraint in mainland China［J］. Heliyon， 2024，10（4）：e25816.

[15] 边蕊，赵安周，刘宪锋，等.关中平原城市群土地利用变化对碳储量的影响［J］.环境科学，2024，45（6）：3260-3269.

[16] Bian R， Zhao A Z， Liu X F， et al. Impact of land use change on carbon storage in urban agglomerations in the Guanzhong Plain［J］. Environmental Science， 2024，45（6）：3260-3269.

[17] 曾鹏，蒋晓昆，陈意.中国城市群土地绿色利用效率时空演变及爬升曲线模拟［J］.资源科学，2024，46（1）：187-204.

[18] Zeng P， Jiang X K， Chen Y. Spatiotemporal evolution and climbing curve simulation of land green use efficiency in urban agglomerations of China［J］. Resources Science， 2024，46（1）：187-204.

[19] 刘杨，杨建梁，梁媛.中国城市群绿色发展效率评价及均衡特征［J］.经济地理，2019，39（2）：110-117.

[20] Liu Y， Yang J L， Liang Y. The green development efficiency and equilibrium features of urban agglomerations in China［J］. Economic Geography， 2019，39（2）：110-117.

[21] 刘颖莹，姜明月，李萌，等.考虑非期望产出的绿色科技创新效率时空分异及影响因素研究：以山东省为例［J］.甘肃科学学报，2025，37（4）：143-152.

[22] Liu Y Y， Jiang M Y， Li M， et al. Research on the spatiotemporal differentiation and influencing factors of green technology innovation efficiency considering unexpected outputs［J］. Journal of Gansu Sciences， 2025，37（4）：143-152.

[23] 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.

[24] Tian G H， Li J S， Miao C H， et al. Urban green development efficiency and its influencing factors in China based on the undesirable outputs［J］. Economic Geography， 2022，42（6）：83-91.

[25] 苏华，杨帆，张亚力.中国市域绿色全要素生产率空间计量分析［J］.经济地理，2022，42（9）：138-146.

[26] Su H， Yang F， Zhang Y L. Temporal-spatial evolution characteristics and spatial econometric analysis of green total factor productivity in Chinese Cities［J］. Economic Geography， 2022，42（9）：138-146.

[27] 李博，秦欢，孙威.产业转型升级与绿色全要素生产率提升的互动关系：基于中国116个地级资源型城市的实证研究［J］.自然资源学报，2022，37（1）：186-199.

[28] Li B， Qin H， Sun W. Interaction mechanism between industrial transformation and upgrading and green total factor productivity improvement： an empirical study based on 116 China′s prefecture-level resource-based cities［J］. Journal of Natural Resources， 2022，37（1）：186-199.

[29] 李汝资，刘耀彬，王文刚，等.长江经济带城市绿色全要素生产率时空分异及区域问题识别［J］.地理科学，2018，38（9）：1475-1482.

[30] Li R Z， Liu Y B， Wang W G， et al. Spatial-temporal evolution of green total factor productivity and identification of area problems in the Yangtze River economic belt［J］. Scientia Geographica Sinica， 2018，38（9）：1475-1482.

[31] 陈家涛，张坤鹏，苗长虹.高质量发展背景下黄河流域中下游绿色生产率时空分异研究［J］.人文地理，2021，36（5）：138-147.

[32] Chen J T， Zhang K P， Miao C H. Spatial-temporal differentiation of green productivity in the middle and lower reaches of the Yellow River Basin under the background of high-quality development［J］. Human Geography， 2021，36（5）：138-147.

[33] 李平.环境技术效率、绿色生产率与可持续发展：长三角与珠三角城市群的比较［J］.数量经济技术经济研究，2017，34（11）：3-23.

[34] Li P. Environment technical efficiency， green productivity and sustainable development［J］. The Journal of Quantitative & Technical Economics， 2017，34（11）：3-23.

[35] 蒋惠琴，陈苗苗，余昭航，等.异质性视角下长三角城市群碳达峰影响因素研究［J］.城市问题，2022（8）：52-61.

[36] Jiang H Q， Chen M M， Yu Z H， et al. Influencing factors and countermeasures of carbon peaking in Yangtze River Delta urban agglomeration from the heterogeneity perspective［J］. Urban Problems， 2022（8）：52-61.

[37] Xiao P N， Xu J， Yu Z P， et al. Spatiotemporal pattern differentiation and influencing factors of cultivated land use efficiency in Hubei Province under carbon emission constraints［J］. Sustainability， 2022，14（12）：7042.

[38] 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.

[39] Qin B T， Liu J N. Analysis on spatial and temporal evolution and spatial spillover of green development efficiency in the Yangtze River Delta： Based on super-SBM model and Tobit regression［J］. Ecological Economy， 2022，38（11）：64-71.

[40] 吴小影，杨山，尹上岗，等.基于GTWR模型的长三角地区城市建设用地时空动态特征及其驱动机理［J］.长江流域资源与环境，2021，30（11）：2594-2606.

[41] Wu X Y， Yang S， Yin S G， et al. Spatial-temporal dynamic characteristics and its driving mechanism of urban built-up area in Yangtze River Delta based on GTWR model［J］. Resources and Environment in the Yangtze Basin， 2021，30（11）：2594-2606.

[42] 宋洋， Godfrey Yeung，朱道林，等.京津冀城市群县域城市土地利用效率时空格局及驱动因素［J］.中国土地科学，2021，35（3）：69-78.

[43] Song Y， Godfrey Y， Zhu D L， et al. Spatial-temporal patterns and driving factors of urban land use efficiency at county level in Beijing-Tianjin-Hebei urban agglomeration［J］. China Land Science， 2021，35（3）：69-78.

[44] 杨浩，卢新海，匡兵，等.城市紧凑度与碳排放强度的时空互动关系及驱动因素：以长株潭城市群为例［J］.长江流域资源与环境，2021，30（11）：2618-2629.

[45] Yang H， Lu X H， Kuang B， et al. Spatial-temporal interaction and driving factors of urban compactness and carbon emission intensity： a case study in Changsha-Zhuzhou-Xiangtan urban agglomeration［J］. Resources and Environment in the Yangtze Basin， 2021，30（11）：2618-2629.

[46] 温柔，李洪义，吴儒练，等.基于多源数据的江西省县域土地绿色利用效率时空分异及影响因素分析［J］.地域研究与开发，2023，42（4）：136-142.

[47] Wen R， Li H Y， Wu R L， et al. Temporal and spatial differentiation and influencing factors analysis of land green use efficiency at county scale in Jiangxi Province based on multi-source data［J］. Areal Research and Development， 2023，42（4）：136-142.

[48] 杨思莹，王汉磊，王文志.经济增长目标与城市绿色全要素生产率［J］.经济纵横，2024（3）：70-79.

[49] Yang S Y， Wang H L， Wang W Z. Economic growth goals and urban green total factor productivity［J］. Economic Review Journal， 2024（3）：70-79.

[50] 徐海成，徐思，张蓓齐.交通基础设施对绿色全要素生产率的影响研究：基于门槛效应的视角［J］.生态经济，2020，36（1）：69-73，85.

[51] Xu H C， Xu S， Zhang B Q. Research on the influence of transportation infrastructure on green total factor productivity based on the threshold effect［J］. Ecological Economy， 2020，36（1）：69-73，85.

[52] 郑婷婷，付伟，陈静.信息化发展水平、资源依赖与绿色全要素生产率：来自地级市面板数据的分析［J］.科技进步与对策，2019，36（23）：44-52.

[53] Zheng T T， Fu W， Chen J. Information development level， resource dependence and green total factor productivity： Research based on the panel data of prefecture-level cities［J］. Science & Technology Progress and Policy， 2019，36（23）：44-52.

[54] 王艳，王拉娣，白仲林.政府财政压力下土地资源错配对全要素生产率的影响分析：基于动态面板回归模型［J］.科学决策，2023（5）：134-151.

[55] Wang Y， Wang L D， Bai Z L. Analysis of the impact of land resource misallocation on total factor productivity under government fiscal pressure： Based on dynamic panel regression model［J］. Scientific Decision Making， 2023（5）：134-151.

基金资助

国家自然科学基金项目(52278076)

湖北省教育厅哲学社会科学研究项目(24Y051)

武汉工程大学科学研究资助项目(K2024035)