长三角地区绿色发展绩效评估与差异化提升路径：基于降碳、减污、扩绿、增长协同视角

引用本文

郑婷予, 徐浩然, 于欣鑫, 毋泽鹏, 姜明栋. 长三角地区绿色发展绩效评估与差异化提升路径：基于降碳、减污、扩绿、增长协同视角[J]. 环境科学, 2026, 47(10): 6802-6813.

ZHENG Ting-yu, XU Hao-ran, YU Xin-xin, WU Ze-peng, JIANG Ming-dong. Green Development Performance Evaluation and Differentiation Improvement Strategy in the Yangtze River Delta Region: Based on the Synergistic Perspective of Carbon Reduction, Pollution Reduction, and Green Expansion[J]. Environmental Science, 2026, 47(10): 6802-6813.

长三角地区绿色发展绩效评估与差异化提升路径：基于降碳、减污、扩绿、增长协同视角

郑婷予¹, 徐浩然¹, 于欣鑫², 毋泽鹏³, 姜明栋^1,4,5

1. 东南大学公共管理系，南京 211189;
2. 中国人民大学生态环境学院，北京 100872;
3. 北京大学环境科学与工程学院，北京 100871;
4. 东南大学长三角碳中和战略发展研究院，南京 210096;
5. 江苏省习近平新时代中国特色社会主义思想研究中心生态环境厅基地，南京 210036

收稿日期: 2025-09-08; 修订日期: 2025-11-13

基金项目: 江苏省自然科学基金项目（BK20251282）；国家自然科学基金项目（W2412157，42171277）；国家社会科学基金项目（23BGL317）；江苏省社会科学基金重点项目（22EYA001）；江苏省社科应用研究精品工程习近平生态文明思想研究专项（STA-11）

作者简介: 郑婷予（2003~），女，硕士研究生，主要研究方向为可持续发展评估，E-mail：zhengty131@163.com

通信作者: 姜明栋, E-mail：jmd@seu.edu.cn

摘要: 绿色发展是推动我国生态环境治理体系现代化与实现经济社会全面转型的关键战略. 基于投入-产出框架，从降碳、减污、扩绿、增长协同视角构建绿色发展绩效评估体系，采用超效率SBM模型测度2012~2023年长三角27市绿色发展绩效，并结合核密度估计与Dagum基尼系数分解法分析其时空演化规律. 结果表明：①本研究期内，长三角绿色发展绩效整体呈“先降后升”趋势，均值从0.598波动上升至0.877，增幅达46.66%. ②省域层面，浙江和安徽在本研究初期绩效优势明显，但提升速度缓慢，而上海、江苏绿色发展绩效在本研究期内显著提升. 城市层面，绍兴和池州等6市绿色发展水平在本研究期始末均处于效率前沿面，无锡、常州、苏州和嘉兴等城市增幅最大，而铜陵、芜湖绿色发展绩效出现下降. ③长三角绿色发展绩效的城际差异在本研究期内有所缓解，总体基尼系数由0.248降至0.125，其中省内差异是整体差异的主要来源. 基于实证结果，从经济发展水平和绿色发展绩效两个维度构建四象限图，据此提出不同城市绩效提升的差异化路径，并从政策协同、产业协作、生态联治和科技共享等方面提出绿色协同保障机制.

关键词: 绿色发展绩效评估提升策略长三角地区核密度估计

Green Development Performance Evaluation and Differentiation Improvement Strategy in the Yangtze River Delta Region: Based on the Synergistic Perspective of Carbon Reduction, Pollution Reduction, and Green Expansion

ZHENG Ting-yu¹ , XU Hao-ran¹ , YU Xin-xin² , WU Ze-peng³ , JIANG Ming-dong^1,4,5

1. Department of Public Administration, Southeast University, Nanjing 211189, China;
2. School of Ecology and Environment, Renmin University of China, Beijing 100872, China;
3. College of Environmental Sciences and Engineering, Peking University, Beijing 100871, China;
4. Yangtze River Delta Carbon Neutrality Strategy Development Institute, Southeast University, Nanjing 210096, China;
5. Jiangsu Province Xi Jinping Research Center for Socialism with Chinese Characteristics for a New Era Base of the Department of Ecology and Environment, Nanjing 210036, China

Abstract: Green development is a key strategy to promote the modernization of our ecological and environmental governance system and realize the comprehensive transformation of the economy and society. Based on the input-output framework, a green development performance evaluation system is constructed from the perspective of carbon reduction, pollution reduction, and green growth synergy, and the green development performance of 27 cities in the Yangtze River Delta Region from 2012 to 2023 is measured by using the super-efficient SBM model. The spatio-temporal evolution law is also analyzed by combining kernel density estimation and the Dagum Gini coefficient decomposition method. The results show that: ① During the study period, the overall green development performance of the Yangtze River Delta Region showed a trend of "first decreasing and then rising, " with the average fluctuating from 0.598 to 0.877, an increase of 46.66%. ② At the provincial level, Zhejiang and Anhui had obvious performance advantages at the beginning of the study period, but the improvement rate was slow, while the green development performance of Shanghai and Jiangsu increased significantly during the study period. At the city level, the green development level of six cities including Shaoxing and Chizhou has always been at the forefront of efficiency, with Wuxi, Changzhou, Suzhou, Jiaxing, and other cities increasing the most, while the green development performance of Tongling and Wuhu in Anhui has declined. ③ The intercity differences in green development performance in the Yangtze River Delta Region eased during the study period, and the overall Gini coefficient decreased from 0.248 to 0.125, of which intra-provincial differences were the main source of the overall differences. Based on the empirical results, a four-quadrant diagram is constructed from the two dimensions of economic development level and green development performance; the differentiated paths for performance improvement in different cities are proposed; and a green collaborative guarantee mechanism is proposed from the aspects of policy coordination, industrial collaboration, ecological joint governance, and science and technology sharing.

Key words: green development performance assessment improvement paths Yangtze River Delta Region nuclear density estimation

绿色发展是人类社会应对工业化进程所致生态环境挑战和可持续生存威胁的新型发展模式. 立足新发展阶段的基本国情，推动绿色发展不仅是生态环境保护由末端治理向源头阻控延伸的必然要求，更是倒逼经济增长模式由规模扩张向创新驱动跃迁的重要战略抓手^[1]. 党的二十大和二十届三中全会明确提出，要“协同推进降碳、减污、扩绿、增长，加快经济社会全面绿色转型”. 这标志着我国正从被动应对“减污”与“增长”二元对立问题，转向主动应对气候变化，构建人与自然和谐共生、经济与环境协调发展的中国式现代化新道路^[2，3]. 作为我国最大城市群和经济发展的重要引擎，长三角地区既承担着实现经济高质量发展与环境高水平保护的双重使命，也面临着工业高度集聚、环境自净能力较弱等现实制约. 科学评估该地区绿色发展绩效并探索差异化的绩效提升路径，对协同推动长三角绿色转型具有重要意义^[4].

随着绿色发展理念在理论与实践中的不断深化，其绩效评估研究也日益丰富. 现有研究主要遵循以下3种思路：一是以绿色国民经济核算为导向，将资源环境要素纳入传统核算体系，基于联合国环境经济核算体系（SEEA）框架开展绿色GDP核算^[5~8]；二是采用多维度综合评价方法，依据绿色发展内涵构建涵盖经济、环境、社会等多维度的指标体系^[9~12]，常用方法包括主客观赋权法（如熵权法、德尔菲法）^[13~15]和综合评价模型（如TOPSIS、CRITIC-熵权组合法等）^[16~18]；三是从投入-产出效率视角出发，运用数据包络分析（DEA）及其扩展模型对绿色全要素生产率进行测度^[19~22]. 在研究尺度上，现有成果已覆盖国家、省域及城市群等多个层面，其中长三角和京津冀等重大战略区域成为关注重点. 例如，徐小鹰等^[23]从创新、经济、资源和环境等6个维度构建指标体系，采用熵值法分析长三角城市群绿色发展的时空演变特征；Guo等^[24]则利用SBM-Undersirable模型，基于劳动力、资本和技术等7类投入产出指标测度该地区的绿色发展效率及其时空特征；窦睿音等^[25]则借助Min DS模型，构建投入-产出指标体系对西部资源型城市的绿色发展效率进行评价. 在提升路径方面，现有研究主要聚焦三大方向：一是自主驱动，强调通过产业结构升级、技术创新与绿色转型等内部优化方式提升绩效^[26~28]；二是外部支持，主张通过政府政策引导、制度保障与生态补偿等手段创造有利条件^[29~31]；三是协同优化，基于区域差异与合作，提出通过要素流动与制度协同等途径推动整体绿色发展^[32~34].

总体而言，在绿色发展绩效评估方面，随着我国碳达峰目标不断推进，虽已有部分学者尝试将“降碳”纳入传统的绿色发展评估框架，但对碳中和导向的“扩绿”目标仍欠缺关注，尚未形成系统性评估框架. 在绿色发展绩效提升路径方面，现有文献多从“问题-对策”角度研究绿色发展绩效提升策略^[35，36]，尽管一些学者提出不同地区应遵循差异化路径选择，但结论多局限于定性论述. 针对已有研究不足，本研究从降碳、减污、扩绿、增长这4个维度构建评估体系并据此确立相应的投入-产出指标，从而使评估框架与现阶段国家推动绿色发展的战略方向和行动目标更加契合^[37，38]. 基于定量评估结果，通过构建经济发展水平与绿色发展绩效四象限图，进一步对长三角地区城市进行科学分类，总结各类城市的发展特征与典型模式，以期为构建差异化协同的绿色发展绩效提升路径提供实证依据.

1 材料与方法 1.1 评价指标体系构建

现有研究在构建绿色发展指标体系时，常存在指标选取主观性强、难以全面反映资源投入与环境产出效率的问题. 相较而言，基于投入-产出视角的DEA方法能够更客观、系统地衡量绿色发展的效率与绩效. 因此，本文在借鉴以往研究成果的同时，根据党的二十大与党的二十届三中全会精神，基于投入-产出视角，从降碳、减污、扩绿、增长这4个维度构建城市绿色发展绩效评估指标体系^[39].

投入指标方面，选取劳动力投入、资本投入和自然资源投入等指标，以全面反映长三角地区在绿色发展过程中的资源投入情况. 劳动力和资本是最基本的生产要素，分别以就业人员数和固定资产投资表征^[40]. 在绿色发展目标下，自然资源因其稀缺性成为社会发展中愈加重要的生产要素，其中水资源和电力消耗是实现经济效益的重要保障，是城市不可或缺的重要投入，而建成区面积则可以直观反映城市土地投入情况. 因此选取水资源消耗量、全社会用电量以及建成区面积作为衡量自然资源投入的关键指标^[41].

产出指标方面，本研究依据降碳、减污、扩绿、增长的内涵选取相应指标^[42，43]. 降碳聚焦二氧化碳等温室气体减排，本研究选取城市二氧化碳排放量作为降碳维度的指标^[44]. 减污主要强调传统污染物减排，提高环境质量，工厂排放的工业三废是环境污染的主要来源，因此选取工业废水排放量、工业二氧化硫排放量以及工业颗粒物排放量描述减污维度的绩效^[45]. 碳汇作为可以吸收和储存二氧化碳的自然资产，有益于减少大气中的二氧化碳浓度，其能力建设是“双碳”目标下优化生态系统的关键路径，因此将城市碳汇能力作为衡量扩绿水平的关键指标. 增长主要强调在生态环境高水平保护的基础上加快国民经济系统绿色转型和高质量增长，本文选取地区生产总值进行表征^[46]. 此外，对指标属性进行区分，将工业三废、碳排放量指标纳入非期望产出范畴. 具体评估指标体系如表 1所示.

表 1 城市绿色发展绩效评估指标体系 Table 1 Urban green development performance evaluation index system

1.2 超效率SBM模型

绿色发展涉及降碳、减污、扩绿、增长等多重目标，注重推动自然资源利用和环境排放效率的提升. 本文基于投入-产出视角，采用DEA分析框架构建城市绿色发展绩效评估体系. 本研究使用超效率SBM模型对城市绿色发展绩效进行评估^[47]，具体公式如下：

ρ^{*} = m i n \frac{1 + \frac{1}{m} \sum_{i = 1}^{m} \frac{s_{i}^{-}}{x_{i k}}}{1 - \frac{1}{s} \sum_{r = 1}^{s} \frac{s_{r}^{+}}{y_{r k}}}

(1)

s . t . \{\begin{array}{l} x_{i k} \geq \sum_{j = 1, j \neq k}^{n} λ_{j} x_{i j} - s_{i}^{-} \\ y_{r k} \geq \sum_{j = 1, j \neq k}^{n} λ_{j} x_{r j} + s_{r}^{+} \\ λ_{j} \geq 0 \\ w_{i}^{-} \geq 0 \\ w_{r}^{+} \geq 0 \end{array}

式中，每个决策单元表示长三角地区不同的城市，ρ^*表示绿色发展绩效值；s_i^-和s_r⁺表示投入和产出的松弛变量；λ_j为约束条件；x_ik和y_rk表示第k个决策单元的投入和产出变量.

1.3 核密度估计

为了进一步分析长三角地区时空演化特征，本文引入核密度估计方法. 核密度估计方法是一种基于考察对象测度值分布特点的空间分析方法，核密度曲线分布的位置反映绿色发展绩效的数值，波峰的高度和宽度反映绿色发展绩效的聚集和分散程度，波峰数量反映极化程度. 核密度指数计算公式如下：

f (x) = \frac{1}{n h} \sum_{i = 1}^{n} K (\frac{x - x_{i}}{h})

(2)

式中，f（x）为核密度估计量；n表示观测值个数；h表示带宽，带宽越小核密度估计越精确；x_i为第i个点观测值；K（x）为核密度函数，本文采用高斯核函数进行空间Kernel密度估计.

1.4 Dagum基尼系数

Dagum基尼系数常被用于比较区域间（内）指标差异性及其来源，其优势在于能够解决均衡性、样本数据重叠等问题. 本文采用这一系数测度绿色发展绩效的空间分布差异，并将基尼系数（G）解构为区域内的差异贡献（G_w）、区域间的净值差异贡献（G_rb）和超变密度贡献（G_t）. 计算过程如下：

G = \frac{\sum_{j = 1}^{k} \sum_{h = 1}^{k} \sum_{i = 1}^{n_{j}} \sum_{r = 1}^{n_{h}} |y_{j i} - y_{h r}|}{2 n^{2} \bar{y}} = G_{w} + G_{r b} + G_{t}

(3)

G_{w} = \sum_{j = 1}^{k} G_{J j} P_{j} S_{j}

(4)

G_{r b} = \sum_{j = 2}^{k} \sum_{h = 1}^{j - 1} G_{j h} (P_{j} S_{h} + P_{h} S_{j}) D_{j h}

(5)

G_{t} = \sum_{j = 2}^{k} \sum_{h = 1}^{j - 1} G_{j h} (P_{j} S_{h} + P_{h} S_{j}) (1 - D_{j h})

(6)

式中，G为总体基尼系数；y_ji、y_hr分别为j区域第i个城市、h区域第r个城市的绿色发展绩效； $\bar{y}$ 为绿色发展绩效的均值；G_w为区域间净值差异贡献；G_rb为区域内差异贡献；G_t为超变密度贡献；G_Jj为j区域的区域内基尼系数；G_jh为j和h区域间基尼系数；D_jh为j和h区域绿色发展绩效的相对影响；P_j、P_h分别为j、h区域所包含的城市占全部城市的份额；S_j、S_h分别为j、h区域绿色发展绩效；n为城市数量；k为划分的区域数量.

1.5 数据来源

本文以长三角地区城市作为研究对象，基于DEA模型构建城市绿色发展绩效评估体系. 研究采用2012~2023年长三角城市群27个城市的相关数据，数据主要来源于《中国城市统计年鉴》及各省市统计年鉴. 对于少量缺失数据，参考刘曙光等^[48]、吴洁等^[49]和杨新梅等^[50]研究，采用插值法进行补充处理.

2 结果与分析 2.1 总体变化趋势

本研究基于超效率SBM模型，对长三角地区27个城市在2012~2023年期间的绿色发展绩效进行了测度与动态分析，结果如图 1所示. 数据显示，本研究期内，该地区城市绿色发展平均绩效呈现先下降后上升的阶段性演变特征. 2012~2015年呈波动下降趋势，由0.60降至0.54，降幅9.66%. 结合具体指标分析，2012~2015年长三角地区生产总值和固定资产投资分别增长27.2%和44.9%，经济扩张与投资增加可能带动高耗能产业扩张，虽未直接导致碳排放大幅增长，但碳排放总量仍呈上升趋势，增幅3.8%，环境承载压力加大. 同时，碳汇量从23.8万t降至23.4万t，生态固碳能力减弱，削弱了生态系统对碳排放的抵消作用. 该阶段经济增长仍以资源大量投入和高碳排放为代价，而生态保护与碳汇建设未能同步跟进，导致绿色发展的“质”未能与“量”同步提升，从而绩效水平呈现波动下降. 2015~2023年转入持续上升通道，绩效值由0.54升至2023年的0.88，增幅62.23%，2022年达到峰值0.90. 这一变化趋势反映出长三角地区绿色发展绩效的增长呈现出阶段性差异. 这种阶段性特征与国家和区域层面的战略部署及政策推动密切相关. 在国家战略引领下，长三角地区各城市逐步探索生态优先、绿色低碳的发展路径，加速淘汰落后产能，大力培育新能源等绿色产业. 以上举措共同推进长三角地区城市绿色发展绩效快速提升，实现增长效率的巨大突破.

图 1 长三角地区绿色发展绩效 Fig. 1 Green development performance in the Yangtze River Delta Region

从省域层面来看，各地区绿色发展绩效呈现出不同的演变路径与特征. 上海绿色发展绩效呈现初期平稳、中期跨越式增长、末期高位稳定的演变轨迹. 2012~2015年绩效保持平缓波动，2015年值为0.29；2015~2019年进入快速提升阶段，绩效值跃升至1.00，增幅达240.7%，绿色转型成效显著；2019~2023年在小幅波动后维持高位稳定状态，平均绩效达0.98. 上海绿色发展绩效涨幅巨大，这主要得益于其具备经济发达、技术先进和产业结构高端化等综合优势. 2016年，上海市委通过《关于加快推进上海市生态文明建设实施方案》，进一步明确了生态文明建设的实施路径和重点任务，强化了节能降耗和绿色生产要求.

浙江绿色发展绩效呈现初期小幅回落、中后期持续上升的平稳演变态势. 2012~2015年绩效由0.74降至0.64，降幅13.51%. 结合指标数据进一步分析，此阶段浙江经济增长与资源环境投入的协调性不足，2012~2015年，全省平均地区生产总值由3 695亿元增至4 643亿元，涨幅为25.66%；而固定资产投资增长更为迅猛，由1 746亿元升至2 746亿元，涨幅高达57.27%，显著高于地区生产总值增速. 从投资结构看，该时期固定资产投资中绿色投资占比偏低，资金投向更倾向于能源密集型产业而非绿色低碳产业，直接推动能源消费量与碳排放量快速攀升. 2012~2015年全省二氧化碳排放量由3 737万t增至4 016万t，印证了经济增长的环境代价显著上升，最终导致绿色发展绩效下降. 2015~2023年逐步回升并持续增长，2023年达0.88，累计增幅37.5%. 作为“绿水青山就是金山银山”理念的发源地与实践先行区，浙江长期将生态环境保护纳入区域发展核心战略，以“千村示范、万村整治”工程为抓手推进美丽乡村建设，通过开展生态旅游、绿色农业、培育节能环保产业等，实现生态优势向经济优势的转化，为绩效平稳提升奠定坚实基础.

江苏绿色发展绩效呈现前期平缓、后期激增的前缓后快特征. 2012~2016年绩效维持低位平稳，平均值为0.38；2016~2023年进入快速增长期，由0.38升至0.92，增幅达142.1%. 这可能与江苏社会产业结构有关. 本研究初期，江苏作为工业强省，传统制造业与重化工业占比高，产业结构刚性制约绿色绩效提升；2016年后，伴随国家绿色发展战略深化，江苏通过实施“两减六治三提升”专项行动、推进化工园区整治、淘汰落后产能等举措加速产业转型，同时强化水体污染治理与跨区域生态联防联控，多重政策协同推动绿色绩效实现后发跃升.

安徽绿色发展绩效演变路径最为平缓，本研究期内无显著趋势性变化. 2012年绩效为0.71，2023年达0.77，累计增幅仅8.45%，平均绩效为0.73. 本研究初期，安徽经济发展滞后、工业规模较小，污染物排放总量低，生态承载压力轻，绩效基数较高；随着长三角一体化推进，安徽作为产业转移承接地，承接大量高耗能、高污染企业，传统产业扩张导致环境压力激增，而环境治理措施未能同步跟进，制约绩效增长；2017年后，皖江城市带绿色转型启动，但受传统产业依赖度高、绿色技术储备不足、要素资源有限等因素影响，转型成效有限，绩效回升幅度较小，整体仍与苏浙沪存在一定差距.

2.2 空间分布特征

图 2绘制了长三角地区2012年、2023年绿色发展绩效空间分布特征. 本文按照等距原则对长三角地区城市2012~2023年发展绩效进行划分：低绩效水平[0.1，0.3）、较低绩效水平[0.3，0.5）、中等绩效水平[0.5，0.7）、较高绩效水平[0.7，0.9）和高绩效水平[0.9，1.1].

图 2 2012年和2023年长三角地区绿色发展绩效空间分布特征 Fig. 2 Spatial distribution characteristics of green development performance in the Yangtze River Delta Region in 2012 and 2023

总体而言，2012~2023年间长三角地区绿色发展绩效实现显著跃升，区域内绿色发展水平呈现“提质扩面”的良好态势. 从城市层级分布看，低绩效水平城市实现全面清零，数量从本研究期初的6座减至期末的0座，高绩效水平城市则大幅扩容，数量从6座增至17座，占长三角地区城市总数的比例也由22.2%提升至62.9%. 中等及以上绩效水平城市比例从55.6%大幅攀升至88.9%，意味着区域绿色发展的整体基底持续夯实. 这一系列变化清晰表明，长三角地区在保持经济快速增长的同时，始终将生态环境保护与绿色低碳转型置于重要位置，成功实现了绿色发展量的积累与质的飞跃. 不过需注意的是，区域绿色发展进程并非线性推进，而是呈现波动上升的特征，部分城市仍受产业结构调整滞后、传统发展路径依赖等问题制约，在转型过程中面临着不小的挑战.

从市域层面看，本研究期初绿色发展中等绩效以上城市呈区域集聚特征：浙江有温州、绍兴、金华和台州这4座城市，集群效应显著；安徽有安庆、池州和宣城这3座高绩效城市. 低绩效城市共6座城市，除浙江嘉兴及上海外，其余4座均为江苏城市. 本研究期末，区域格局显著重构：江苏除南京外，其余城市均从低、较低绩效跃升至较高、高绩效水平，其中盐城绩效值达1.062，位列27座城市首位；浙江高绩效城市增至6座，新增杭州、温州和嘉兴，其中嘉兴涨幅最多，从低绩效跃升至高绩效，涨幅高达268.86%，舟山维持中等绩效水平不变；安徽高绩效水平城市新增合肥，滁州从中等绩效水平升至较高绩效水平，但马鞍山、芜湖始终处于较低绩效区间. 整体而言，苏浙两省城市转型成效显著，而安徽部分传统资源型城市因生态保护与产业转型双重压力，转型阻碍较大.

从变动格局看，本研究期内，无锡、常州、苏州和嘉兴这4座城市展现出强劲的绿色转型动能，绩效涨幅均超过200%，实现了向高绩效水平城市的跃升. 其中，常州以制造业绿色转型为核心抓手，通过淘汰高耗能传统产能，聚焦新能源装备、智能电网等高端制造领域，构建绿色低碳产业链. 在这一过程中，其绿色发展绩效指数从0.269显著提升至1.003，增幅最多，高达272.86%，体现了绿色制造战略对绩效提升的直接推动作用. 浙江的绍兴、金华与台州和安徽的安庆、池州与宣城绿色发展绩效始终在1以上，兼顾发展的效率与稳定性. 深入分析其优势，浙江三市都经历了从传统制造业或商贸业向绿色、高附加值产业的跃迁. 这不仅提升了资源利用效率，也规避了高污染路径. 安徽三市则积极突破对传统资源型产业的依赖，且这三市地理位置都位于皖南，该地区生态环境优良，将生态优势直接转化为发展优势，发展旅游、大健康等绿色产业，实现了低污染、高效益的增长. 值得注意的是，部分城市绩效呈下滑态势，铜陵由0.520降至0.477，降幅8.27%. 原因可能是铜陵作为典型的资源型城市，一方面陷入矿产资源衰竭导致的传统产业经济增长瓶颈，另一方面面临着高强度资源开发遗留的生态修复压力，因此绿色发展绩效出现明显的下滑现象. 同样绩效下滑的城市还有芜湖，由0.474降至0.453，降幅4.43%. 这一情况主要受产业结构与基础设施制约，其传统制造业占比高，工业固废综合利用率低. 同时，该城市环境基础设施更新滞后，虽推进绿色工厂建设与生态修复，但转型成效未完全显现，故绿色发展绩效偏低. 舟山由0.611降至0.609，降幅0.33%，长期处于中等绩效水平，主要因海洋资源环境约束强且海洋经济绿色转型滞后，导致经济增长与资源保护矛盾凸显，绿色发展协调性下降.

2.3 核密度结果分析

为进一步分析2012~2023年绿色发展绩效的分布演化规律，本文采用Kernel核密度估计分析长三角地区绿色发展绩效分布的动态特征，结果如图 3所示. 总体而言，核密度曲线整体呈现出持续稳健的右移趋势，主峰位置从2012年的0.4~0.6区间逐步迁移至2023年的0.9~1.1区间，这一变化直观印证了本研究期内长三角地区绿色发展绩效实现了整体性、跨越式提升.

图 3 2012~2023年长三角地区绿色发展绩效的核密度曲线 Fig. 3 Kernel density curves of green development performance in the Yangtze River Delta Region from 2012 to 2023

从分布形态特征看，核密度曲线宽度从2012年的0.2~0.8区间扩展至2023年的0.4~1.2区间，且曲线形态呈现前期波幅平缓和末期快速抬升的特征. 这一现象表明，长三角地区绿色发展绩效的离散程度先稳后缩，区域内部相对差异呈逐年减小趋势，整体发展协调性始终保持良好. 前期差异较大的原因与长三角内部城市发展基础有关，上海和杭州等核心城市依托产业基础雄厚、科技创新能力强的优势，率先通过数字经济与绿色产业融合实现绩效跃升；而皖北和苏北部分资源型城市因产业转型起步较晚，传统高耗能产业占比仍较高，绩效提升速度相对滞后. 末期缩小差异，可能得益于长三角生态绿色一体化发展示范区建立跨区域项目协作和资源共享机制，上海与安徽和江苏开展产业转移与生态补偿结对合作，2025年揭牌3个跨省域高新区分园，推动生态资源转化为经济优势，实现区域发展差距的逐步收敛.

从峰值分布角度看，初期和中期呈较为明显的多峰分布，末期呈明显的单峰分布格局，反映出长三角地区各城市绿色发展差距在逐年减小，这说明绿色发展路径的趋同性与政策协同效应，区域一体化发展机制在绿色转型领域发挥了关键纽带作用. 长三角区域一体化发展并上升为国家战略后，跨区域协同机制不断完善，在生态治理方面，建立长江和太湖流域联防联控机制；在产业协同方面，推动新能源和节能环保等产业跨区域布局；在要素流动方面，推进生态环境数据共享. 这些协同实践使得各城市绿色发展形成联动共进的格局，最终表现为后期空间分布上的较为稳定的单峰特征. 需注意的是，2020~2022年核密度曲线右移速度略有放缓，这与疫情后部分城市为短期恢复经济、阶段性依赖高耗能产业的特殊背景相关；2023年随着碳达峰碳中和政策的持续深化与绿色产业的快速复苏，曲线重新回归稳步右移趋势，充分彰显长三角绿色发展的韧性与可持续性.

2.4 基尼系数结果分析

在前文分析基础上，进一步构建Dagum基尼系数分解模型探究长三角城市绿色发展绩效空间差来源，结果如表 2及图 4~6所示. 总体而言，长三角绿色发展城际差异持续收敛，总体基尼系数从2012年的0.248降至2023年的0.125. 具体而言，省内差异贡献率占绝对主导，均值达87.484%，且从2012年的76.247%升至2023年的92.912%. 相比之下，省际差异贡献率则稳定在32.5%左右，反映出长三角地区绿色发展绩效的空间分异主要来源于省内而非省际. 这一现象表明，随着长三角绿色一体化政策的推进，省际经济壁垒、产业壁垒以及环境治理信息壁垒等问题得到明显改善；但与此同时，各省内部不同城市由于经济基础、资源禀赋、产业结构和政策导向等方面差异所致的绿色发展不均衡问题依旧不可小觑.

表 2 2012~2023年长三角地区群绿色发展绩效的基尼系数及其分解情况 Table 2 Gini coefficient and its decomposition of green development performance in the Yangtze River Delta Region from 2012 to 2023

图 4 2012~2023年长三角地区群绿色发展绩效总体差异及其分解 Fig. 4 Overall differences and their decomposition in green development performance of the Yangtze River Delta Region from 2012 to 2023

图 5 2012~2023年长三角地区群绿色发展绩效省际差异分解 Fig. 5 Inter-provincial differences in green development performance of Yangtze River Delta Region from 2012 to 2023

图 6 2012~2023年长三角地区群绿色发展绩效省内差异分解 Fig. 6 Inter-provincial differences in green development performance of Yangtze River Delta Region from 2012 to 2023

从省际差异看，江苏与安徽的组间差异最高，本研究期内基尼系数均值达0.215，但总体呈下降趋势. 江苏与浙江间、浙江与安徽间基尼系数均值分别为0.191、0.164，明显小于江苏与安徽间的差异. 在各省内部，安徽各城市绿色发展绩效基尼系数在本研究期内的均值最高，表明该省内部绿色发展存在较为严重的两极分化现象. 安庆、宣城等城市依托良好的生态环境基础，深化践行“绿水青山就是金山银山”理念，逐步把自身生态优势转化为经济优势；但与此同时，马鞍山和铜陵等典型资源型城市囿于产业路径依赖，绿色转型依旧面临瓶颈. 江苏各市绿色发展绩效差异同样较大，但2020年以后得到显著改善. 江苏绿色发展绩效在本研究初期处于低位的苏州、无锡和常州等城市凭借雄厚的经济基础和科技实力，本研究期内基本完成了产业升级，绿色发展绩效快速提升；与此同时，盐城和扬州等生态禀赋相对较好的城市也在本研究期内大力发展生态经济，绿色发展水平也呈现稳步提升态势. 相较而言，浙江作为“绿水青山就是金山银山”理念的发源地以及共同富裕示范区，省内各市绿色发展绩效基尼系数均值为0.130，在三省中最低，且出现波动下降趋势.

3 讨论

根据实证测算结果，虽然长三角地区绿色发展绩效整体呈现波动上升态势，但由于不同地区禀赋特征、发展基础和政策定位差异，长三角内部演进状态并不均衡，省内和省际差异并存且存在基尼系数回升风险. 在具体城市层面，金华等部分高绩效城市增长动能有所减弱，绩效增速趋于放缓；滁州、马鞍山等部分中低绩效城市面临转型瓶颈，绩效提升乏力；芜湖、铜陵等个别城市的绿色发展绩效甚至在本研究期内波动下降，反映出局部地区面临绿色转型进程受阻的发展困境. 因此，有必要综合考虑不同城市的绿色绩效现状和经济发展基础，剖析各类城市绩效提升的关键问题和最佳路径，同时构建相应政策协同体系降低地区间绿色鸿沟，实现差异化协同目标.

3.1 差异化路径选择

为科学制定长三角地区绿色发展的差异化路径，本文从经济收入水平和绿色发展绩效两个维度，以均值作为二分标准构建四象限图，将长三角27座城市分为“高收入-高绩效”、“高收入-低绩效”、“低收入-高绩效”、“低收入-低绩效”这4类（如图 7），进而据此提出各类城市的差异化绿色绩效提升路径.

图 7 2023年长三角地区城市经济发展水平-绿色发展绩效四象限 Fig. 7 Four-quadrant chart of urban economic development level and green development performance in the Yangtze River Delta Region, 2023

高收入-高绩效城市包括上海、无锡、常州、苏州、南通、扬州、泰州、杭州和绍兴，均为首批进入长三角城市经济协调会的城市. 该类城市兼具较高的经济发展水平和较优的生态环境质量，普遍拥有雄厚的资金基础和先进的技术水平，产业地位总体居于城市群价值链顶端. 但由于已经达到或接近绿色技术前沿面，以上城市在本研究期末普遍出现绩效提升乏力现象. 因此，该类城市应继续坚持创新驱动绿色转型的发展方向，致力推进绿色低碳前沿技术的基础研发与产业化应用，依托长三角G60科创走廊和苏南国家自主创新示范区的政策优势大力培育高端服务、智能制造等绿色新质生产力. 对于上海而言，可发挥全国金融中心的资源配置功能，发展碳金融市场、绿色认证体系等绿色低碳服务业，打造国际绿色金融枢纽；而对于扬子江城市群和杭州都市圈城市，则可深化推进数字技术与实体经济融合发展，打造具有全球竞争力的绿色智能制造产业集群.

高收入-低绩效城市包括南京、舟山、宁波和镇江. 由于钢铁和石化等高能耗和高排放产业占比较高，该类城市虽然经济基础良好，但绿色发展绩效滞后，存在明显的传统产业路径依赖和绿色转型动力不足问题. 对此，该类城市一方面应培育重点发展绿色钢铁、绿色石化产业，引导传统行业龙头企业加大绿色技术研发投入，通过工艺革新、设备升级等手段，降低生产过程中的能源消耗与污染物排放，提升产业整体绿色发展绩效；另一方面，应依托良好的经济基础与产业配套能力，加大绿色投资力度，培育发展清洁能源、新能源汽车等绿色产业，构建智能电网系统与工业互联网平台，打造绿色产业集群，优化绿色基础设施，为城市绿色转型注入新动力. 对于南京而言，可依托其高等教育与科研机构集聚优势，重点突破钢铁、石化等重点行业节能减排关键技术瓶颈；宁波、舟山则发挥临港经济优势，推动产业结构由石化工业向清洁能源生产和储运装备制造业跃迁.

低收入-高绩效城市以盐城、宣城为代表，此类城市虽然经济发展水平较低，但凭借良好的生态环境本底禀赋，创造了较高的绿色发展绩效. 其中，盐城2023年绿色发展绩效位居长三角首位，但其人均GDP尚不达城市群的整体均值水平. 该类城市应深化践行“绿水青山就是金山银山”理念，着力将生态优势转化为经济优势. 合肥、盐城、嘉兴、台州、温州和金华等新兴工商业城市应在生态环境保护约束下进一步推动制造业绿色升级，通过智能化改造降低单位产值能耗，提升产业经济效益. 而池州、宣城和安庆等城市工业基础薄弱，应着力推进生态资源产业化开发，依托良好的生态环境培育生态旅游和森林康养等特色产业，打造区域性绿色品牌. 同时，创新生态产品价值实现机制，探索建立碳汇交易平台，吸引绿色资本进入.

低收入-低绩效城市以铜陵和马鞍山等资源型城市为代表，面临经济失速与绿色转型的双重压力，转型基础薄弱且动力不足，亟需从产业转型和生态修复等多方面入手，实现发展水平与绿色绩效协同提升. 一方面，需加快调整产业结构，严格控制高污染行业产能，积极开发门槛较低的绿色产业或通过引进外部绿色产业实现转型目标，从而降低对矿产资源及资源依赖型产业的依赖. 另一方面，还应加大环境治理投入，补齐污水和固废处理设施短板，尤其需要加强对尾矿及周边生态环境的修复工作. 此外，该类城市还可发挥长三角区位优势，通过跨区协作引入先进绿色技术与管理经验，与上海和杭州等核心城市共建“飞地园区”，提升转型能力.

3.2 政策保障体系构建

针对长三角地区绿色发展现存问题以及上文提出的差异化绩效提升路径，本文进一步以缩小区际差异为导向，从政策协同、产业协作、生态联治和科技共享等方面构建长三角地区绿色发展绩效差异化协同提升的政策保障体系. 第一，强化政策协同，构建区域绿色标准体系. 针对长三角绿色发展绩效空间不均衡困境，建立包含省内统筹与省际协同的双层政策框架：省内层面，强化省级统筹职能，制定统一的绿色准入标准，通过省级财政转移支付和绿色技术支援，缩小绿色鸿沟. 省际层面，推广新安江和太浦河治理经验，完善省际生态补偿机制，由上海和江苏等高收入地区对安徽皖南生态功能区进行可持续的资金和技术补偿，实现生态收益合理分配和修复成本跨域共担；第二，推动产业协作，优化绿色产业链布局. 根据上文分析结果，长三角地区不同城市可凭借各自产业优势，构建“研发-制造-服务”三位一体的绿色产业分工体系：高收入-高绩效城市聚焦绿色技术研发、创意设计和碳金融服务；高收入-低绩效城市专注发展高端绿色智能制造与环保装备；低收入城市则可依托其生态及成本优势，发展清洁能源、生态农业和循环经济产业；第三，深化生态联治，健全环境联防联控机制. 生态环境系统的整体性要求必须打破行政区划界限实现全域协同治理，一方面，完善长江、太湖等重点流域的一体化水质监测网络与数据共享平台，建立跨行政区的联合执法机制；另一方面，在长三角生态绿色一体化发展示范区的基础上，拓展跨省、跨市生态廊道建设，增强生态系统的连通性和稳定性；第四，促进科技共享，共建绿色创新共同体. 绿色知识溢出和技术扩散是缩小区域差距的关键动力，一方面，设立长三角绿色技术转移中心，构建区域性绿色技术交易市场，促进创新要素跨区域自由流动；另一方面，针对绩效下滑严重及低收入-低绩效城市的特定转型瓶颈，吸引顶尖科研团队研发定制化技术解决方案.

4 结论

（1）2012~2023年，长三角地区城市绿色发展绩效均值从0.598升至0.877，累计增长46.66%，整体呈波动上升态势. 其中，上海及江苏各市绿色发展绩效提升显著，均值分别提高265.11%和130.77%；浙江和安徽各市绿色发展绩效稳步提升，均值增幅分别为24.09%和8.98%.

（2）截至本研究期末，较高绩效及以上城市达22座，但仍有3座城市处于较低绩效水平. 具体而言，绍兴和池州等6城绿色发展水平在本研究期始末均处于效率前沿面，无锡、常州、苏州和嘉兴等先进制造业城市绩效提升幅度最大，铜陵和舟山等个别城市绩效略有下降，而芜湖和马鞍山等城市绩效水平持续处于低位，是区域整体绿色绩效提升的关键短板地区.

（3）长三角地区城市绿色发展绩效的基尼系数维持在0.108~0.258之间，整体呈现出波动下降态势. 省内差异是造成区域内部绿色发展绩效空间分异的主要原因，本研究期内贡献率均值达到87.484%，且主要源于江苏和安徽这两省. 值得注意的是，省内差异贡献率在本研究期内呈现上升态势，由2012年的76.247%升至2023年的92.912%.

（4）根据实证分析结果，本文从经济发展水平和绿色发展绩效两个维度构建四象限图，将长三角地区城市分为“高收入-高绩效”、“高收入-低绩效”、“低收入-高绩效”和“低收入-低绩效”4种类型，并针对各类城市特征和发展基础提出差异化绩效提升策略. 在此基础上，从政策协同、产业协作、生态联治和科技共享等方面提出绿色协同保障机制.

参考文献

[1]	杨传明, 王帆临, 陈俊梁. 中国绿色发展空间关联网络特征及动态演化[J]. 环境科学, 2026, 47(8): 5375-5390. Yang C M, Wang F L, Chen J L. Characteristics and dynamic evolution of the spatial correlation network of green development in China[J]. Environmental Science, 2026, 47(8): 5375-5390. DOI:10.13227/j.hjkx.202505025
[2]	管卫华, 徐慧, 吴巍, 等. 基于新发展理念的南京城市韧性综合及动态预测研究[J]. 地理科学, 2024, 44(4): 681-692. Guan W H, Xu H, Wu W, et al. Comprehensive urban resilience and dynamic prediction of Nanjing City based on the new development concept[J]. Scientia Geographica Sinica, 2024, 44(4): 681-692.
[3]	肖沁霖, 邓宗兵, 乔怡丹. 长三角城市群数字化与绿色化协同发展的时空演变及溢出效应[J]. 地理科学进展, 2025, 44(6): 1178-1193. Xiao Q L, Deng Z B, Qiao Y D. Spatiotemporal change of the coordinated development between digitization and greenization and spillover effect in the Yangtze River Delta urban agglomeration[J]. Progress in Geography, 2025, 44(6): 1178-1193.
[4]	仇方道, 张新林, 丁聪. 省际毗邻区域工业绿色转型绩效时空异质性及类型诊断——以淮海经济区为例[J]. 地理科学, 2024, 44(11): 1913-1924. Qiu F D, Zhang X L, Ding C. Evolution pattern of industrial green total factor productivity and its influencing factors in the Huaihai Economic Zone[J]. Scientia Geographica Sinica, 2024, 44(11): 1913-1924.
[5]	Chen J K, Abbas J, Najam H, et al. Green technological innovation, green finance, and financial development and their role in green total factor productivity: empirical insights from China[J]. Journal of Cleaner Production, 2023, 382. DOI:10.1016/J.JCLEPRO.2022.135131
[6]	高锡荣, 赵欣越, 柴程昕. 基于资源环境价值补偿的绿色GDP核算——以重庆市为例[J]. 生态经济, 2023, 39(5): 148-153. Gao X R, Zhao X Y, Chai C X. Construction of a green GDP accounting system based on resource and environmental value compensation: taking Chongqing as an example[J]. Ecological Economy, 2023, 39(5): 148-153.
[7]	赵昕, 贾在珣, 丁黎黎. 多维视角下中国海洋经济绿色全要素生产率的空间异质性[J]. 资源科学, 2023, 45(3): 609-622. Zhao X, Jia Z X, Ding L L. Spatial heterogeneity of green total factor productivity of China's marine economy from a multidimensional perspective[J]. Resources Science, 2023, 45(3): 609-622.
[8]	Hao X L, Li Y H, Ren S Y, et al. The role of digitalization on green economic growth: does industrial structure optimization and green innovation matter?[J]. Journal of Environmental Management, 2023, 325. DOI:10.1016/J.JENVMAN.2022.116504
[9]	陈明星, 先乐, 王朋岭, 等. 气候变化与多维度可持续城市化[J]. 地理学报, 2021, 76(8): 1895-1909. Chen M X, Xian Y, Wang P L, et al. Climate change and multi-dimensional sustainable urbanization[J]. Acta Geographica Sinica, 2021, 76(8): 1895-1909.
[10]	张虹, 黄民生, 胡晓辉. 基于能值分析的福建省绿色GDP核算[J]. 地理学报, 2010, 65(11): 1421-1428. Zhang H, Huang M S, Hu X H. Green GDP calculation of Fujian province based on energy analysis[J]. Acta Geographica Sinica, 2010, 65(11): 1421-1428.
[11]	郑琰, 夏朝泽, 肖玉杰, 等. 基于BP神经网络的江苏省多维度碳排放预测[J]. 环境科学, 2025, 46(6): 3485-3495. Zheng Y, Xia Z Z, Xiao Y J, et al. Predicting multidimensional carbon emissions in Jiangsu province based on the BP neural network[J]. Environmental Science, 2025, 46(6): 3485-3495. DOI:10.13227/j.hjkx.202405179
[12]	Cui X L, Shen Z, Li Z H, et al. Spatiotemporal evolutions and driving factors of green development performance of cities in the Yangtze River Economic Belt[J]. Ecological Informatics, 2021, 66. DOI:10.1016/J.ECOINF.2021.101476
[13]	李婧梅, 甘晓莹, 毛旭锋. 青海涉藏六州绿色发展水平评价[J]. 青海社会科学, 2022(4): 28-36.
[14]	史利江, 李永宁, 李前锦, 等. 资源型地区地级市绿色发展水平的时空演变及影响因素——以山西省为例[J]. 经济地理, 2024, 44(1): 77-87, 173. Shi L J, Li Y N, Li Q J, et al. Spatiotemporal evolution and influencing factors of green development in resource-intensive areas at the municipal level: a case study of Shanxi province[J]. Economic Geography, 2024, 44(1): 77-87, 173.
[15]	谢艾玉, 吕承, 秦梦怡, 等. 变异系数动态赋权-混合隶属度函数耦合的湖泊水质模糊评价[J]. 环境科学学报, 2026, 46(1): 464-474. Xie A Y, Lv C, Qin M Y, et al. Fuzzy evaluation of lake water quality based on dynamic weighting of coefficient of variation-mixed membership function coupling[J]. Acta Scientiae Circumstantiae, 2026, 46(1): 464-474.
[16]	周航, 廖昕, 陈仕阔, 等. 基于组合赋权和未确知测度的深埋隧道岩爆危险性评价——以川藏交通廊道桑珠岭隧道为例[J]. 地球科学, 2022, 47(6): 2130-2148. Zhou H, Liao X, Chen S K, et al. Rockburst risk assessment of deep lying tunnels based on combination weight and unascertained measure theory: a case study of Sangzhuling tunnel on Sichuan-Tibet traffic corridor[J]. Earth Science, 2022, 47(6): 2130-2148.
[17]	姜德娟, 余灏哲, 李丽娟. 基于综合赋权和TOPSIS模型的山东省水资源承载力动态评价[J]. 资源科学, 2024, 46(3): 538-548. Jiang D J, Yu H Z, Li L J. Dynamic evaluation of water resources carrying capacity in Shandong province based on the comprehensive weight and TOPSIS model[J]. Resources Science, 2024, 46(3): 538-548.
[18]	吴山, 高瑞忠, 刘廷玺, 等. 融合博弈论组合赋权与TOPSIS模型的黄河"几"字弯水资源承载力评价与障碍因子诊断[J]. 环境科学, 2026, 47(8): 5675-5685. Wu S, Gao R Z, Liu T X, et al. Comprehensive evaluation of water resources carrying capacity and diagnosis of obstacle factors in the Jizi bend of the Yellow River: an integrated approach using game-theoretic combined weighting and the TOPSIS model[J]. Environmental Science, 2026, 47(8): 5675-5685. DOI:10.13227/j.hjkx.202506260
[19]	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. Wang S J, Li J F. Balanced characteristics and obstacle factors of high-quality green development in Yangtze River Delta Urban Agglomeration[J]. Journal of Natural Resources, 2022, 37(6): 1540-1554.
[20]	汤李琛, 李洁, 陈慧, 等. 中国农作物生产降碳-减污-扩绿-增长协同的时空演变及驱动因素研究[J]. 中国环境科学, 2025, 45(9): 5287-5304. Tang L C, Li J, Chen H, et al. Research on spatial-temporal evolution and driving factors of CPGE synergy of crop production in China[J]. China Environmental Science, 2025, 45(9): 5287-5304.
[21]	李冬梅, 祁悦, 龚河阳, 等. 生态视角下吉林省粮食生产效率偏差时空演变与影响因素研究[J]. 地理科学, 2025, 45(5): 1050-1061. Li D M, Qi Y, Gong H Y, et al. Spatio-temporal evolution and determinants of grain production efficiency deviation in Jilin Province from ecological perspective[J]. Scientia Geographica Sinica, 2025, 45(5): 1050-1061.
[22]	Chang H, Ding Q Y, Zhao W Z, et al. The digital economy, industrial structure upgrading, and carbon emission intensity-empirical evidence from China's provinces[J]. Energy Strategy Reviews, 2023, 50. DOI:10.1016/j.esr.2023.101218
[23]	徐小鹰, 田焮焮. 长三角城市群绿色发展水平的时空演变及趋势预测[J]. 长江流域资源与环境, 2022, 31(12): 2568-2581. Xu X Y, Tian X X. Spatial-temporal evolution and trend prediction of green development level of Yangtze River Delta urban agglomerations[J]. Resources and Environment in the Yangtze Basin, 2022, 31(12): 2568-2581.
[24]	Guo Y, Tong Z H, Wang Z B, et al. Evolutionary characteristics and influencing mechanisms of green development efficiency in Chinese urban agglomerations: analysis of the Yangtze River Delta Urban Agglomeration[J]. Journal of Environmental Management, 2025, 375. DOI:10.1016/J.JENVMAN.2025.124236
[25]	窦睿音, 焦贝贝, 张文洁, 等. 西部资源型城市绿色发展效率时空分异与驱动力[J]. 自然资源学报, 2023, 38(1): 238-254. Dou R Y, Jiao B B, Zhang W J, et al. Research on spatiotemporal heterogeneity and driving forces of green development efficiency in resource-based cities of Western China[J]. Journal of Natural Resources, 2023, 38(1): 238-254.
[26]	王珏, 李琳. 国家重大区域发展战略视角下资源型城市绿色转型绩效的地区差距及其政策启示[J]. 自然资源学报, 2023, 38(12): 3041-3057. Wang J, Li L. Regional disparity in green transformation performance of resource-based cities and its policy enlightenment[J]. Journal of Natural Resources, 2023, 38(12): 3041-3057.
[27]	郭建斌, 陈富良. 地方政府竞争、环境规制与城市群绿色发展[J]. 经济问题探索, 2021(1): 113-123. Guo J B, Chen F L. Local government competition, environmental regulation and green development of urban agglomeration[J]. Inquiry into Economic Issues, 2021(1): 113-123.
[28]	韩剑尘, 周良发. 绿色发展效率的地区异质性与因素分解[J]. 统计与决策, 2022, 38(14): 39-44. Han J C, Zhou L F. Regional heterogeneity and factor decomposition of green development efficiency[J]. Statistics & Decision, 2022, 38(14): 39-44.
[29]	王曰芬, 徐天傲, 岑咏华. 绿色发展理念支撑的生态文明建设综合评价指标体系构建及应用[J]. 智库理论与实践, 2023, 8(4): 52-63. Wang Y F, Xu T A, Cen Y H. Comprehensive evaluation of eco-civilization construction supported by green development[J]. Think Tank: Theory & Practice, 2023, 8(4): 52-63.
[30]	李林子, 邓陈宁, 詹丽雯, 等. 长江流域城市绿色发展评价与障碍影响[J]. 生态学报, 2024, 44(15): 6554-6566. Li L Z, Deng C N, Zhan L W, et al. Evaluation of urban green development and their obstacles in the Yangtze River Basin[J]. Acta Ecologica Sinica, 2024, 44(15): 6554-6566.
[31]	马历, 徐思怡, 龙花楼. 农业绿色发展先行区政策对耕地利用生态效率的影响及作用机制——基于多期DID的实证研究[J]. 资源科学, 2026, 48(4): 878-893. Ma L, Xu S Y, Long H L. Study on the influence and mechanism of agricultural green development pilot zone policy on the eco-efficiency of cultivated land use: a test based on multi-period difference-in-difference model[J]. Resources Science, 2026, 48(4): 878-893.
[32]	Xu S. Research on global innovative green development efficiency measurement based on Dea super efficiency model[J]. Academic Journal of Business & Management, 2020, 2(5): 90-101.
[33]	高星, 郭忠元, 赵美冉, 等. 中国城市绿色发展效率的时空演变、差异及空间收敛性[J]. 生态学报, 2025, 45(8): 3790-3805. Gao X, Guo Z Y, Zhao M R, et al. Research on the temporal and spatial evolution, differences, and spatial convergence of urban green development efficiency in China[J]. Acta Ecologica Sinica, 2025, 45(8): 3790-3805.
[34]	邵帅, 徐俐俐, 杨莉莉. 千里"碳缘"一线牵: 中国区域碳排放空间关联网络的结构特征与形成机制[J]. 系统工程理论与实践, 2023, 43(4): 958-983. Shao S, Xu L L, Yang L L. Structural characteristics and formation mechanism of carbon emission spatial association networks within China[J]. Systems Engineering-Theory & Practice, 2023, 43(4): 958-983.
[35]	陈毅辉, 李敏杰. 我国农业降碳-减污-扩绿-增长协同发展空间关联网络的结构特征及驱动因素[J]. 环境科学, 2026, 47(7): 4455-4472. Chen Y H, Li M J. Spatial correlation network structural characteristics and driving factors of agricultural carbon reduction-pollution reduction-green expansion-growth synergistic development in China[J]. Environmental Science, 2026, 47(7): 4455-4472. DOI:10.13227/j.hjkx.202505038
[36]	王常欣, 张祥建, 连欣燕. 长江经济带实现绿色协同发展: 基于区域减污降碳协同效应的量化分析[J]. 环境科学, 2025, 46(7): 4186-4197. Wang C X, Zhang X J, Lian X Y. Realizing green synergistic development in the Yangtze River economic belt: a quantitative analysis based on the synergistic effect of regional reduction of pollution and carbon emissions[J]. Environmental Science, 2025, 46(7): 4186-4197. DOI:10.13227/j.hjkx.202404220
[37]	张波, 别涛, 张震宇, 等. 深化永定河流域协同保护与绿色发展的建议[J]. 环境保护, 2024, 52(S5): 58-61. Zhang B, Bie T, Zhang Z Y, et al. Suggestions for deepening the collaborative protection and green development of the Yongding River basin[J]. Environmental Protection, 2024, 52(S5): 58-61.
[38]	尹碧波, 邝萍, 欧阳昕彤, 等. 中国减污降碳与扩绿增长耦合协调度的时空特征及其驱动因素[J]. 经济地理, 2024, 44(11): 122-131. Yin B B, Kuang P, Ouyang X T, et al. Spatio-temporal characteristics and driving factors of the coupling coordination degree between the pollution-carbon reduction, and the green expansion and economic growth in China[J]. Economic Geography, 2024, 44(11): 122-131.
[39]	王奇, 姜明栋, 黄玉洁. 长三角城市群美丽中国建设绩效评估[J]. 生态经济, 2025, 41(1): 28-34. Wang Q, Jiang M D, Huang Y J. Evaluation of beautiful China construction in the Yangtze River Delta Urban Agglomeration[J]. Ecological Economy, 2025, 41(1): 28-34.
[40]	刘阳, 秦曼. 中国东部沿海四大城市群绿色效率的综合测度与比较[J]. 中国人口·资源与环境, 2019, 29(3): 11-20. Liu Y, Qin M. Evaluation and comparison of green efficiency of four coastal urban agglomerations in eastern China[J]. China Population, Resources and Environment, 2019, 29(3): 11-20.
[41]	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. 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.
[42]	任晓松, 李佳徽. 中国降碳-减污-扩绿-增长耦合协同发展的组态路径分析[J]. 环境科学, 2026, 47(3): 1609-1622. Ren X S, Li J H. Analysis of the configuration path of the coupled coordinated development of carbon reduction, pollution reduction, green expansion, and economic growth in China[J]. Environmental Science, 2026, 47(3): 1609-1622. DOI:10.13227/j.hjkx.202501124
[43]	陈明华, 史楠, 张边秀, 等. 国家重大战略区域绿色低碳发展绩效时空分异与演进趋势[J]. 资源科学, 2024, 46(11): 2178-2193. Chen M H, Shi N, Zhang B X, et al. Spatiotemporal differentiation and evolution trend of green and low-carbon development performance in the National Major Strategic Regions[J]. Resources Science, 2024, 46(11): 2178-2193.
[44]	崔连标, 李晓, 段宏波. 长三角地区减污降碳协同效应评估[J]. 中国人口·资源与环境, 2024, 34(6): 21-32. Cui L B, Li X, Duan H B. Synergistic effects of reducing pollution and carbon emissions in the Yangtze River Delta[J]. China Population, Resources and Environment, 2024, 34(6): 21-32.
[45]	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. 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.
[46]	张杰, 范雨婷. 创新型城市绿色发展: 效率测算、外部性与提升路径[J]. 中国人口·资源与环境, 2023, 33(2): 102-112. Zhang J, Fan Y T. Green development of innovative cities: efficiency measurement, network externalities, and improvement paths[J]. China Population, Resources and Environment, 2023, 33(2): 102-112.
[47]	李子杰, 徐进亮, 王健, 等. 长江经济带城市碳排放及其影响因素的时空异质性研究[J]. 长江流域资源与环境, 2023, 32(3): 525-536. Li Z J, Xu J L, Wang J, et al. Spatial and temporal heterogeneity of urban carbon emissions and their influencing factors in Yangtze River economic belt[J]. Resources and Environment in the Yangtze Basin, 2023, 32(3): 525-536.
[48]	刘曙光, 尚英仕. 中国东部沿海城市群绿色发展效率评价及障碍因子分析[J]. 城市问题, 2020(1): 73-80. Liu S G, Shang Y S. Green development efficiency evaluation and obstacle factor analysis of coastal city groups in East China[J]. Urban Problems, 2020(1): 73-80.
[49]	吴洁, 张云, 韩露露. 长三角城市群绿色发展效率评价研究[J]. 上海经济研究, 2020(11): 46-55. Wu J, Zhang Y, Han L L. Research on green development efficiency evaluation of the Yangtze River Delta Urban Agglomeration[J]. Shanghai Journal of Economics, 2020(11): 46-55.
[50]	杨新梅, 黄和平, 周瑞辉. 中国城市绿色发展水平评价及时空演变[J]. 生态学报, 2023, 43(4): 1353-1365. Yang X M, Huang H P, Zhou R H. Evaluation and spatiotemporal evolution of urban green development level in China[J]. Acta Ecologica Sinica, 2023, 43(4): 1353-1365.


环境科学 2026, Vol. 47 Issue (10): 6802-6813	PDF