构建并验证面向SDG的城市可持续发展的简约指标集：来自上海区级面板数据的证据

《Sustainability》：Construction and Validation of a Parsimonious Indicator Set for SDG-Oriented Urban Sustainable Development: Evidence from District-Level Panel Data in Shanghai

　　

为了平衡城市可持续性评估中的指标覆盖范围、信息冗余和年度数据更新成本，本研究构建并验证了一个面向SDG（可持续发展目标）本地化的简约区级指标集。使用上海市16个区2016–2024年的官方统计数据，建立了一个包含21个候选指标和144个区-年观测值的平衡面板数据集，无缺失或插补值。其中，18个具有明确方向性解释的指标被纳入筛选过程。以2016–2020年为训练期，对6–10个指标的组合进行确定性穷举搜索，受限于六维覆盖和最大方差膨胀因子（VIF）为5。2021–2024年的数据被保留为独立的时间测试集。结果识别出一个七指标集，涵盖经济活力、人口与包容性、教育、健康、生态绿化和城市形态。在训练期内，简约指数与完整参考指数之间的皮尔逊相关系数、斯皮尔曼相关系数和校准R²分别为0.901、0.908和0.812；在独立测试期内，相应值分别为0.867、0.889和0.698。留一年验证进一步支持了该指标集的时间信息保留能力。相比之下，留一区验证和指标重新选择揭示了显著的空间背景依赖性，表明所选指标适合作为上海市年度区级监测的简约核心集，而非唯一确定且普遍不变的最小集。基于等权重、熵权法和CRITIC（基于指标间相关性的标准重要性）加权的加法评估显示出较高的一致性，且排除2022年对结果几乎没有影响。然而，几何聚合和替代归一化方法在区级排名中产生了显著差异。因此，本研究提出一个分层监测框架，包括一个稳定的核心指标集，辅以背景特定指标。

**论文解读文章**

**研究背景与问题**
城市可持续发展评估面临指标覆盖范围、信息冗余与年度数据更新成本之间的根本性矛盾。现有研究倾向于通过扩展指标数量来提升主题覆盖度，但指标扩张容易导致重复测量、隐含权重失衡、统计定义不一致以及数据收集与更新成本上升。相反，单纯基于统计相关性或主成分载荷进行指标削减，可能剔除政策上不可或缺的维度。因此，核心问题不在于指标数量本身，而在于能否在SDG（可持续发展目标）维度覆盖、信息保留、多重共线性控制、可解释性和年度可更新性之间实现透明且可测试的平衡。上海市作为人口与经济高度集聚的超大城市，其16个区在产业结构、人口构成、公共服务和生态功能上差异显著，区级年度评估对城市规划与可持续性监测具有明确意义。现有研究多聚焦于城市间或地级市尺度的比较，对单个超大城市内连续区级评估及所选代理指标的空间稳定性关注不足。为此，研究人员利用上海16个区2016–2024年的官方区级数据，构建并验证了一个面向SDG本地化的简约指标集，旨在为年度区级监测提供可复现的实证支持。

**主要研究内容与结论**
研究人员构建了一个包含21个候选指标的平衡面板数据集（144个区-年观测值），其中18个具有明确方向性解释的指标进入筛选。以2016–2020年为训练期，对6–10个指标的组合执行确定性穷举搜索，受限于六维覆盖（经济活力、人口与包容性、教育、健康、生态绿化、城市形态）和最大方差膨胀因子（VIF）≤5。2021–2024年数据作为独立时间测试集。结果识别出一个七指标集（A1、B4、C1、C4、D4、E3、F2），覆盖所有六维。训练期内，简约指数与完整参考指数的皮尔逊相关系数（Pearson r）、斯皮尔曼相关系数（Spearman ρ）和校准R²分别为0.901、0.908和0.812；独立测试期内分别为0.867、0.889和0.698。留一年验证（LOYO）进一步支持时间信息保留能力（均值Pearson r=0.898，Spearman ρ=0.866，校准R²=0.770）。然而，留一区验证（LODO）显示空间泛化能力较弱（均值Pearson r=0.824，Spearman ρ=0.756，校准R²=-0.473），且留一区指标重新选择中平均重叠率仅为0.509，表明代理指标存在空间背景依赖性。因此，该七指标集适合作为上海区级年度监测的简约核心集，而非普遍不变的最小集。论文发表在《Sustainability》。

**关键方法概述**
本研究采用的主要技术方法包括：1）确定性穷举搜索（deterministic exhaustive search），对6–10个指标组合进行枚举，约束六维覆盖和最大方差膨胀因子（VIF）≤5；2）时间与空间外推验证，包括留一年验证（leave-one-year-out）和留一区验证（leave-one-district-out），以及训练期内留一区指标重新选择；3）多准则加权与聚合比较，包括等权重、熵权法、CRITIC（基于指标间相关性的标准重要性）加权，以及加法与几何聚合；4）稳健百分位数归一化与最小-最大归一化对比。样本来源：上海市16个区2016–2024年官方统计年鉴区级数据，无缺失或插补值。

**研究结果**
**4.1 候选指标的信息结构与组合搜索**
训练期内，年份标准化相关矩阵显示A1与A2的相关系数为0.940，D4与D3为0.997。当18个指标全部纳入时，D4的VIF达882.331，A1和B4分别为26.731和15.032，表明严重多重共线性。主成分分析（PCA）显示第一主成分解释50.38%的方差，前三主成分解释79.00%。在六维覆盖约束下，六指标组合未达到训练期Pearson r和Spearman ρ均≥0.90的阈值，而七指标组合是首个同时满足六维覆盖、最大VIF≤5、Pearson r≥0.90、Spearman ρ≥0.90和校准R²≥0.75的组合，因此被选定。

**4.2 七指标简约集的组成与依据**
最终七指标组合为A1（规模以上工业企业人均营业收入）、B4（户籍老年人口比例）、C1（每万人口普通小学学校数）、C4（普通高中毕业率）、D4（每万人口注册护士数）、E3（人均公园绿地面积）、F2（建成区绿化覆盖率），覆盖所有六维。训练期最大VIF为4.982，全期（2016–2024）最大VIF为4.999，独立测试期最大VIF为6.209，表明多重共线性随时间变化。

**4.3 权重结构与区级综合评估**
等权重下每个指标权重为0.1429；熵权法赋予D4和A1较高权重（0.2734和0.2138），F2最低（0.0896）；CRITIC权重分布更均匀（0.1223–0.1653）。使用CRITIC加法指数进行2016–2024年回溯评估，全市均值从2016年的0.4385升至2024年的0.4614，但非单调变化（2018年下降，2020–2023年上升，2024年小幅下降）。2024年排名前五的区为金山区、徐汇区、奉贤区、静安区、浦东新区。

**4.4 时间外推效度与空间泛化能力**
训练期简约指数与完整参考指数的Pearson r=0.901、Spearman ρ=0.908、校准R²=0.812；独立测试期分别为0.867、0.889、0.698，均方绝对误差（MAE）为0.0221。留一年验证（LOYO）九次迭代中，均值Pearson r=0.898，Spearman ρ=0.866，校准R²=0.770，MAE=0.0200，年度前五重叠率均值0.756。留一区验证（LODO）中，16次迭代均值Pearson r=0.824，Spearman ρ=0.756，MAE=0.0207，校准R²=-0.473。训练期内留一区指标重新选择的平均重叠率0.509，其中C4在所有16次迭代中保留，A1保留12次，而B4仅保留3次，C1、D4、F2各保留5次。

**4.5 替代评估方法与稳健性边界**
等权重加法与熵权加法之间的Pearson r=0.918，Spearman ρ=0.908，前五重叠率均值0.822；等权重加法与CRITIC加法间Pearson r=0.965，Spearman ρ=0.942，前五重叠率0.844。CRITIC加法与CRITIC几何聚合之间Pearson r=0.495，Spearman ρ=0.526。稳健百分位数归一化与最小-最大归一化之间Pearson r=0.812，Spearman ρ=0.748。排除2022年后CRITIC权重重新估计，得分Pearson r=0.99995。阈值敏感性分析：当Pearson和Spearman阈值降至0.85时，六指标组合成为最小合格集；阈值升至0.95时，无6–10指标组合同时满足要求。

**总结讨论与结论**
讨论部分指出，七指标集的意义在于通过六维覆盖约束防止统计削减消除政策相关维度，时间验证支持其用于年度核心监测，但空间验证显示的背景依赖性表明该集适合上海而非普遍适用。评估结果对加权和聚合方法敏感，建议采用“稳定核心加背景扩展”框架，并建立“核心监测–结构诊断–背景校准”三层机制。局限性包括：指标池受限于公开区级数据，未覆盖住房可负担性、碳排放、治理质量等；单一城市限制泛化性；空间代理变量不稳定；归一化与非补偿性聚合方法敏感性。未来方向包括引入遥感、交通、碳排放等多源数据，开展跨城市外部验证，并比较不同聚合方法。

研究结论部分翻译如下：总之，本研究利用上海市16个区2016–2024年的连续官方数据，在六维覆盖、训练期信息保留和多重共线性控制的联合约束下，识别出一个七指标面向SDG的简约核心集。时间保留和留一年验证结果表明该组合适合上海市区级年度核心监测。然而，留一区验证、留一区重新选择指标、几何聚合和替代归一化结果揭示了空间代理变量、可补偿性假设和尺度边界带来的不稳定性。因此，简约不应等同于普遍唯一性。更合适的应用是采用“稳定核心加背景扩展”框架，保持年度可比性，透明报告方法敏感性，并在跨区域应用前进行更新的时空验证。