绿色发展导向下中国城市新型城镇化效率的时空动态及其关联因素：一种可解释机器学习方法

《Land》：Spatiotemporal Dynamics and Associated Factors of New Urbanization Efficiency in Chinese Cities Under a Green Development Orientation: An Interpretable Machine Learning Approach

　　

快速城镇化对全球可持续发展构成根本性挑战，因为城市扩张日益与资源约束、生态承载力及碳排放管控要求相冲突。中国作为一个高度空间异质性的天然实验室，为将绿色发展嵌入城市效率评估提供了关键情境。研究人员通过涵盖资源投入、协调发展过程与可持续产出的多维框架重新概念化新型城镇化效率（New Urbanization Efficiency，NUE）；利用281个地级市的面板数据，借助遥感约束的Super-SBM（Slack-Based Measure）模型评估NUE，并运用LISA（Local Indicators of Spatial Association）时间路径与可解释空间机器学习框架（GWR-XGBoost-SHAP，Geographically Weighted Regression-Extreme Gradient Boosting-Shapley Additive exPlanations）解析其时空动态。主要发现如下：（1）中国NUE呈波动上升趋势，空间格局由东高西低转向南高北低。（2）时空分析显示华北地区具有强空间惯性与深度路径依赖，表现为持续性低值盆地，而东南沿海城市则呈现动态且具突破性的轨迹。（3）绿色发展强度、产业升级与技术创新是主要驱动因素，但其通过复杂非线性机制发挥作用：绿色发展与创新存在阈值触发的协同效应，人口集聚发挥非线性放大作用，外部开放度呈现依情境而定的负向交互。上述发现完善了NUE测量方法，并为处于城市增长与生态极限摩擦中的区域制定差异化、因地施策的城镇化政策提供了可迁移的分析框架。

研究背景方面，全球城镇化加速带来了水资源与土地资源压力、生态退化及碳排放上升等环境挑战，制约了可持续城市发展。国际城市科学日益将这一挑战视为超越单一国家范畴的问题，城市扩张影响淡水可得性、耕地、生物多样性与碳库，以及不同发展轨迹地区的建筑能源需求与城市CO₂排放。因此，国际可持续城镇化研究呼吁建立连接城市增长、资源效率、环境外部性与社会福利的评估框架，而非仅以经济产出评价扩张。中国自改革开放至2023年城镇化率从17.9%提升至66.16%，城镇化虽是经济增长引擎，但也带来资源低效、环境恶化与区域不平等加剧等问题。绿色发展理念倡导以更低资源消耗、能源使用与污染物排放实现更高经济生产力，促进人地关系和谐，成为可持续城镇化的指导原则。《国家新型城镇化规划（2014）》与“双碳”目标（2030年碳达峰、2060年碳中和）均强调将绿色发展原则嵌入城镇化进程。现有研究多关注城镇化对绿色发展的影响及二者耦合机制，较少从绿色发展原则系统审视中国NUE的演化，且传统评估依赖社会经济统计，忽视夜间灯光、建成区、PM_2.5浓度与碳排放等遥感证据对环境外部性的刻画；方法论上传统线性框架难以捕捉非线性与空间异质性。为此，研究人员以绿色发展为导向评估中国281个地级市NUE，集成遥感数据、LISA时间路径与GWR-XGBoost-SHAP框架，揭示时空动态与驱动机制，论文发表于《Land》。

主要关键技术方法方面，研究人员以2011—2022年中国281个地级市（不含港澳台、西藏自治区及西南西北部分城市）为样本队列，构建含土地、资本、劳动力、能源投入，经济—社会—生态期望产出及环境污染、碳排放非期望产出的NUE指标体系；采用遥感约束的Super-SBM模型测度效率，其中非期望产出引入遥感PM_2.5浓度与人均碳排放；运用全局空间自相关（Global Moran’s I）与LISA时间路径（相对长度L_i、曲率φ_i、转移方向θ_i）分析时空演化；构建GWR-XGBoost模型，以自适应带宽地理加权结合XGBoost局部建模，通过Optuna优化超参数与3折交叉验证，并利用SHAP值解释因素贡献与交互，辅以1000次置换检验评估显著性，另进行按城市分组的5折空间泛化验证。

研究结果部分，首先是4.1. Spatiotemporal Patterns of China’s NUE。研究人员通过Super-SBM模型分别基于传统统计与集成遥感两套指标体系统计2011—2022年NUE，发现总体呈波动上升趋势，可分为三阶段：2011—2013年传统发展阶段效率低速增长；2014—2019年与新城镇化战略时间吻合，两体系效率稳步上升且差距扩大；2020—2022年与“双碳”目标时间吻合，遥感体系下疫情导致的NUE下降慢于传统体系。空间上由东高西低转为南高北低，遥感体系更敏感捕捉环境成本：长三角、珠三角形成高效集聚，华北为连片低值区；传统体系低估东南沿海、高估中西部工业地区。全局Moran’s I为0.1166，呈显著正空间自相关，指数波动上升呈弱—强—弱—强聚类周期，2013与2020年为峰值。

其次是4.2. Spatiotemporal Dynamics of China’s NUE。通过LISA时间路径分析，相对长度高值分布于东北、东南、西南，表明局部空间重构强烈、效率转变快；低值集中于华北、江西、浙江南部，局部空间结构稳定，华北呈持续“低值盆地”与空间锁定。运动方向上156个城市（55.51%）呈协同增长，其中95个为负协同增长，主要位于华北与西南；正协同集群位于长三角及辽宁、黑龙江、安徽部分区域，反映政策响应与产业转型带来的效率提升。

再次是4.3. Influencing Factors of China’s NUE。研究人员选取绿色发展强度（节能环保财政支出占比）、技术创新（每万人专利授权量）、产业结构升级（产业结构高级化指数）、财政支持（政府财政支出占GDP比）、人口集聚（人口密度）、对外开放（实际利用外资占GDP比）六变量输入GWR-XGBoost，置换检验均显著（pseudo p < 0.01）。4.3.1. Analysis of Overall Influencing Factors表明预测贡献排序为：绿色发展强度（SHAP值0.0011）>产业结构升级（0.0009）>技术创新与人口集聚（均为0.0006）>财政支持与对外开放（均为0.0005）。绿色发展、产业升级、技术创新为正向主要预测因子；人口集聚呈正向但部分城市为负（集聚压力）；财政支持稳定正向；对外开放总体正向但部分城市为负（污染转移）。4.3.2. Analysis of Interactive Factors通过SHAP交互热图发现：绿色发展与技术创存在阈值触发的正向协同，绿色治理较弱时技术投资转化效率低；对外开放普遍与其他变量呈负向交互，弱创新基础地区可能嵌入高排放环节；人口集聚是交互网络中最高平均枢纽强度，为非线性乘数，与产业升级和财政支持匹配时放大效率增益，与绿色发展约束不匹配时加剧资源压力。

讨论部分总结，研究人员指出本研究理论贡献在于将遥感PM_2.5与碳排放作为非期望产出纳入NUE框架，并以LISA时间路径与GWR-XGBoost解析动态与非线性和空间异质性，优于传统线性方法。与既往研究相比，遥感体系纠正了传统方法高估中西部资源型地区、低估东部沿海的偏差；时空分析揭示华北低值盆地的路径依赖与东南的动态突破，城市群呈正负协同分化；因子分析印证绿色发展、产业升级、技术创新的正向关联，并发现开放度的负向交互与人口集聚的枢纽作用。政策上提出因地空间治理促进绿创协同、优化人口分布平衡集聚收益与压力、构建多因子绿色发展体系与绿色准入负面清单，并将环境产出纳入政府绩效。局限性包括样本未全覆盖、指标多维性受限、SHAP为相关性非因果、GWR-XGBoost复现敏感及跨城泛化有限，未来需全样本网络、微观数据融合与因果识别。

结论部分翻译，本研究在绿色发展框架下，利用遥感环境数据、时空转移分析与GWR-XGBoost机器学习模型，评估了2011—2022年中国281个城市的NUE。主要实证发现如下：第一，NUE呈波动上升趋势，空间格局转向南高北低；纳入PM_2.5浓度与碳排放表明，传统以经济为中心的指标可能高估重工业集中的中西部地区NUE。第二，LISA时间路径分析识别出华北明显的空间惯性，将其表征为持续性低值盆地并伴有负向协同增长；相反，东南沿海地区表现出更强动态性与正向协调的效率增长。第三，在随机测试框架中，绿色发展强度、产业结构升级与技术创新是与高NUE相关的三个主要预测因子，而按城市分组的验证提示将这些模式外推至未见城市时需谨慎。第四，机器学习框架识别出绿色发展与技术创新之间存在正向但适度的统计协同；外部开放度频繁与其他局部因素呈负向交互，而人口集聚显示最高枢纽强度，并作为非线性枢纽依局部情境放大效率增益与环境压力。上述发现表明高质量城镇化不仅取决于单一要素投入，还取决于绿色治理、技术与产业结构间的交互，因此需要差异化区域策略：华北等结构惰性地区可能需要针对性财政干预以支持绿色产业转型与清洁能源采用，而高效沿海集群可通过前沿生态创新进一步发展绿色集聚收益；外部开放度相关的负向交互也凸显了对外资设立更明确绿色准入标准的必要性。

要不要我帮你把这篇解读里提到的Super-SBM、GWR-XGBoost-SHAP等专业模型的核心原理再单独提炼成一段简明解释？