淮海经济区生态效率时空演化及空间驱动

摘要： 以淮海经济区10市为研究区域，运用超效率EBM模型对2010—2021年各市生态效率进行测度，分析其时空演化特征及区域差异，并利用时空地理加权回归（GTWR）模型分析淮海经济区生态效率的影响因素.结果表明：淮海经济区生态效率整体上呈现先降后升的变化过程，区域上表现为苏北＞鲁南＞皖北＞豫东，生态效率区域差异呈现出“增大减小增大”的趋势，区域间“极化”现象加剧；空间上，淮海经济区生态效率由中间高两边低分布演变为菏泽—徐州—宿迁—连云港一线生态效率较高而两侧较低的格局；淮海经济区生态效率存在一定的空间非均衡性但并不显著，区间差异逐渐成为区域差异的主要来源，皖北地区和鲁南地区的内部差异高于苏北地区；经济、行政、技术等因素共同作用城市生态效率变化，不同时期主导驱动因素在不断变化，城市生态效率驱动因子逐渐向经济质量和政府支持等力量转变.

关键词： 淮海经济区；生态效率；超效率EBM模型；GTWR模型；空间驱动

中图分类号： F129.9

文献标志码：A

doi： 10.3969/j.issn.2095-4298..0.004

Spatiotemporal evolution and spatial driving force of

ecological efficiency in Huaihai Economic Zone

Wang Meng，Zhang Xinlin^*

（School of Geography，Geomatics & Planning，Jiangsu Normal University，Xuzhou 221116，Jiangsu，China）

Abstract： Taking 10 cities in Huaihai Economic Zone as the research areas， the super efficiency EBM model was used to measure the ecological efficiency of each city from 2010 to 2021 and analyze its spatiotemporal evolution characteristics， and the GTWR model was used to analyze the influencing factors of ecological efficiency in Huaihai Economic Zone. The results show that the overall ecological efficiency of Huaihai Economic Zone has gone through a process of decreasing in early stage and then increasing. Regionally， Northern Jiangsu > Southern Shandong > Northern Anhui > Eastern Henan， the difference in ecological efficiency shows a trend of "increasing-decreasing-increasing"， and the phenomenon of "polarization" between regions has intensified. The spatial distribution pattern of ecological efficiency in the zone has evolved from a distribution pattern of high in the middle and low on its both sides to a spatial pattern of high ecological efficiency on the Heze-Xuzhou-Suqian-Lianyungang line but low on its both sides. There is a certain spatial imbalance in the ecological efficiency of the zone， but it is not significant. Interval differences have gradually become the main source of regional differences in ecological efficiency in Huaihai Economic Zone， with higher internal differences in the northern Anhui and southern Shandong regions than in the northern Jiangsu region. Economic， administrative， technological and other factors jointly affect the changes in urban ecological efficiency， the dominant driving factors are constantly changing in different periods， and the driving factors of urban ecological efficiency are gradually shifting towards economic quality and government support.

Key words： Huaihai Economic Zone; ecological efficiency; ultra efficient EBM model; GTWR model; space driven

长期以来，淮海经济区凭借区位条件与资源禀赋等优势，以矿业、机械、化工和纺织等传统工业为主导产业，是我国典型的老工业城市和资源型城市集中分布地区.但它内生比较优势不足，粗放式规模扩张和追求经济总量快速增长的工业化发展模式严重制约了区域可持续发展.2022年，《淮海经济区高质量协同发展规划》中明确提出，“深化生态环境联防联控，健全跨区域生态治理和环境保护联动机制，共建美丽新淮海.”因此，从客观上看，在面对生态问题以及推动区域一体化高质量发展的背景下，淮海经济区亟须向绿色发展转型，推动区域生态效率总体提升，走“生态优先、绿色发展”的道路，实现区域与生态的可持续发展.然而，由于各城市经济发展、资源配置、环境治理和发展路径的不同，淮海经济区生态效率存在难以避免的空间差异.在此背景下，测度淮海经济区各市生态效率水平，探究其时空演化和空间驱动，一方面可揭示淮海经济区生态效率的演化过程和空间异质性，另一方面也可为推动淮海经济区绿色高质量发展提供针对性建议.

生态效率是指将各种资源消耗与环境污染进行传统的投入产出核算，通过高效率配置各种资源要素投入和减少环境产出等手段，力争在获取经济效益最大化的同时使资源消耗与环境污染最小化，因而常被用于考量经济活动对于环境外部性的影响，现已成为综合考察区域可持续发展的重要工具.目前，对生态效率的相关研究主要集中在3方面.一是测度模型，主要有数据包络分析（DEA）及其改进模型^［1-3］、随机前沿面模型^［4］、TOPSIS模型^［5］、绿色GDP评价模型^［6］、Malmquist指数^［7］等.二是时空演化.时间上，主要利用核密度估计^［8］、泰尔指数^［9］等方法分析区域生态效率的时间演化特征；空间上，主要利用ArcGIS空间分析^［10］、标准差椭圆模型^［11］等方法分析区域生态效率的空间格局.三是影响因素，主要利用线性回归^［12］、空间计量模型^［13］、空间杜宾模型^［14］等考察区域生态效率的驱动因素.

综上所述，既有研究已十分全面，但在研究方法和研究内容上仍存在一些不足.第一，现有研究主要从全国、城市群以及省域等视角出发，而针对淮海经济区的研究相对较少.第二，已有关于生态效率的研究多通过Tobit等模型考察相关影响因素，忽视了地理位置变化所产生的变量影响差异^［15］，基于地理加权回归（GWR）和时空地理加权回归（GTWR）模型开展生态效率影响因素的空间异质性的研究较少.但GWR是一种基于截面数据的计量模型，一般要求个体数量在30个以上.鉴于此，本文运用超效率EBM模型测度2010—2021年淮海经济区10市的生态效率，分析淮海经济区生态效率的时空演化特征及其区域差异；考虑到样本数量，借助GTWR模型分析不同影响因素的时空异质性并进行可视化处理.从影响因素的区域差异、演化过程两个角度进行讨论，可避免研究视角的单一性，更全面地揭示淮海经济区生态效率的演进趋势及驱动机制.

1 研究方法与数据来源

1.1 超效率EBM模型

DEA及其改进模型可以不受量纲与人为主观影响，处理多项投入与多项产出，用多项综合指标评价效率，同时对于非有效决策单元通过分析松弛变量得出要素投入冗余率以及产出不足率，从而提供效率改进对策.但传统DEA模型有两大不足，一是结果范围为0～1，难以对有效决策单元（效率值为1）进行进一步的比较分析.因此，Andersen等^［16］于1993年提出了超效率DEA模型.二是具有径向性和角度性，模型假定投入减少与产出增加的比例相同或固定，与现实的生产活动不相符.另外，当存在投入过度或产出不足，即存在投入或产出的非零松弛时，径向的效率测度会产生偏差^［17］.因此，Tone^［18］提出了SBM模型.然而，SBM模型虽然避免了投入产出等比例减小或增大的缺点，但会使有效前沿面上投影值的原始比例不准确，容易低估决策单元的效率^［9］.为克服此缺陷，Tone等^［19］于2010年提出了包含径向与非径向的两类距离函数的混合模型——EBM模型，它不仅考虑了目标值与实际值之间的径向比例，而且可以反映非径向松弛变量，能够更加真实地反映决策单元的相对效率水平.目前，该模型应用较少.为进一步分析有效决策单元的效率，本研究选用超效率EBM模型测度生态效率，具体方法见文献［20］.

1.2 泰尔指数

泰尔指数反映了个体间的差异.区域总体差异可表示为

式中：s_q表示城市q的生态效率；表示区域生态效率的平均值；k为城市数量.T的取值范围为［0，1］，数值越小说明差异越小.

将淮海经济区10市分为苏北、皖北、豫东、鲁南4个区域，从而可将淮海经济区生态效率的总体差异（T）分解为区内差异（T_w）和区间差异（T_b），以便了解差异主要来自区间还是区内.分解式为

式中：T_p为区域p的总体差异泰尔指数；k_p为区域p的城市数量；_p为区域p的生态效率平均值.

另外，定义T_w/T和T_b/T分别为区域内差异和区域间差异对总体差异的贡献率.

1.3 时空地理加权回归模型

时空地理加权回归模型加入了时间维度，考虑到了时间和空间的双重异质性，使得估计结果更具科学性^［21］.GTWR模型表达式为

式中：x和y分别为解释变量和被解释变量;（u_i，v_i，t_i）为第i个样本点的时空坐标，β₀（u_i，v_i，t_i）为回归常数，β_k（u_i，v_i，t_iaYyApsZiBdbUa356QEF2hQ==）为回归参数;ε_i为残差项.

1.4 数据来源与处理

本研究选择地区生产总值为期望产出变量，废水、废气等为非期望产出变量，土地资源与电能消耗为资源投入变量，人力投入和固定资产投入为社会投入变量.主要数据来源于《中国城市建设统计年鉴》《江苏统计年鉴》《山东统计年鉴》《安徽统计年鉴》《河南统计年鉴》以及各市统计年鉴和相关统计公报等.

2 淮海经济区生态效率时空演化特征

2.1 时间演变特征

本文借助Maxdea软件，基于超效率EBM模型测算出2010—2021年淮海经济区10市的生态效率，并以各研究单元效率值的算术平均值作为该区域的效率值，以全局视角来分析淮海经济区生态效率的时间演变特征，所得结果如图1所示.

从整体上看，2010—2021年淮海经济区生态效率变化可分为两个阶段.2010—2013年，淮海经济区生态效率总体呈波动下降趋势.该时段大部分城市处于工业化中期阶段，资源、投资等各种要素投入不断增加，拉动区域经济增长，但随之而来的环境污染问题也日益凸显，资源消耗严重，工业排放量不断增加，生态服务负担逐步加重，使得生态效率呈下降趋势.2014—2021年，淮海经济区生态效率稳步提升，增长了29.3%.可以看出，随着政府部门对生态问题的重视程度不断增加，大部分城市对于污染物排放量严加控制，并将污染性企业转移或者关停，积极贯彻污染防治措施，生态效率呈现稳步上升趋势.

从区域差异上看，生态效率均值表现为苏北＞鲁南＞皖北＞豫东，并经历了区域差异增大到减小再到增大的过程.其中：苏北地区生态效率平稳增长并最终处于领先地位，从2010年到2021年增长了64.7%，增长最快；鲁南地区生态效率增长速度相对较慢，但总体发展较为平稳；皖北地区生态效率增长速度最慢；豫东地区生态效率增长幅度最为明显，但仍处于劣势水平.可以看出，苏北与豫东地区生态效率发展趋势良好，内生动力明显增强；而鲁南与皖北地区生态效率发展态势缓慢，存在较大提升空间.整体上，区域间“分化”与“极化”现象日益加剧.

2.2 空间演变特征

根据时间演变特征，选取2010年、2014年、2018年和2021年4个代表性时间节点，分别采用自然断裂点法，分析淮海经济区各时间节点生态效率的空间分布格局，进一步探讨淮海经济区生态效率的时空演化过程，结果如图2所示.

2010年，淮海经济区生态效率呈现中间高两边低的分布格局；2014年生态效率未有明显增长态势，且空间分布格局与2010年相差不大；2018年淮海经济区大部分城市生态效率得到大幅度提升，但淮北和临沂生态效率提升速度较慢，空间上呈现自西北到东南生态效率相对较高而其两侧较低的格局；2021年，淮海经济区生态效率整体上呈现菏泽—徐州—宿迁—连云港一线生态效率较高而其两侧较低的空间格局.从空间演变趋势上看，淮海经济区生态效率高值城市增加、低值城市减少，效率高值城市空间上呈现出自西北向东南一线集聚的趋势，主要是由于“虹吸效应”，该线上城市资源较为集中，从而依托资源优势发展先进制造业和现代服务业，产业转型速度较快，推动产业结构升级，生态效率提升较快.而该线两侧城市经济基础较为薄弱，更易受到极化效应的影响，人才、资本等资源向周边中心城市流动，使得这些城市进行产业升级与创新困难相对较大，生态效率较为落后.

2.3 区域差异分析

利用泰尔指数对2010—2021年淮海经济区10市生态效率差异进行定量分析，并计算苏北、皖北、鲁南、豫东4个地区区域内差异，结果见表2.

整体上看，2010—2021年淮海经济区生态效率泰尔指数数值较小，区域差异并不显著，总体呈现出波动上升的特征，说明生态效率的区域差异在扩大，但扩大速度有缩小趋势.区内泰尔指数呈现出先增大后减小的变化过程，区间泰尔指数呈现出先减小后增大的变化过程.从贡献度来看，研究期淮海经济区生态效率的区内差异贡献度先是不断上升，直至最高值95.83%，然后持续下降又回升；而区间差异贡献度不断下降，直至最低值4.17%，然后持续上升又下降.可见，淮海经济区生态效率由区内差异大于区间差异转变为区间差异大于区内差异.因此，缩小区域间差异是目前缩小淮海经济区生态效率区域差异的关键，但区内差异作用仍不容忽视.

地区层面，苏北、皖北、鲁南和豫东的泰尔指数存在明显差异，且各自的时间演变特征也各不相同.比较来看，苏北地区的生态效率泰尔指数相对较低，皖北地区和鲁南地区的泰尔指数相对较高.豫东地区因为仅商丘1市，故区内差异为0.

3 淮海经济区生态效率的影响因素

进一步分析淮海经济区生态效率的影响因素，总结生态效率的主导驱动力结构模式.将城市生态效率作为因变量，从经济发展水平、产业结构、科技创新、政府规模、对外开放水平和环境规制6个维度分别选取人均地区生产总值（万元）、第三产业与第二产业产值之比、科学技术支出占地区生产总值比重（%）、地方财政支出占地区生产总值比重（%）、进出口贸易总额占地区生产总值比重（%）和污水厂集中处理率（%）作为解释变量，并采用极差标准化法对所有变量进行标准化处理.同时，为避免在回归时出现伪回归现象，利用Stata 16.1对标准化后的所有变量进行多重共线性检验，结果显示，所有解释变量的方差膨胀因子均<10，平均方差膨胀因子为2.02，说明不存在多重共线性，满足模型估计的要求.对所有变量分别进行OLS、GWR、GTWR回归，对比3种模型的拟合结果（表3）.结果显示，GTWR模型检验的拟合优度更高，残差平方和更小，能更有效地说明解释变量对因变量的影响.

利用Huang等^［22］制作的时空地理加权回归中的ArcGIS 10.5的插件（带宽采用自动最优设置），得到各解释变量对生态效率的回归系数.系数>0表示该解释变量对生态效率起到正向驱动作用，且值越大表明驱动效应越强；反之，系数<0表示该解释变量对生态效率起到负向抑制作用，且值越小表明抑制作用越强.计算2010—2013年、2014—2017年、2018—2021年的3个时间段内各解释变量回归系数的算术平均值，将其均值按照自然断裂点法进行4级分类，见图3.

不同时期各解释变量对淮海经济区生态效率的驱动效果存在空间异质性.

1）经济发展水平对生态效率的驱动效果逐渐增强.2010—2013年回归系数正向高值区集中分布于淮海经济区南部，2014—2017年正向高值区开始向东部转移，2018—2021年形成由西向东阶梯式递增的空间分布格局.正向高值区主要为徐州、连云港、宿迁、枣庄和临沂，表明这些城市经济发展水平对生态效率起到正向驱动作用;负向高值区的空间格局较为稳定，主要为菏泽与商丘，说明它们在经济发展过程中未能充分考虑到伴随的环境污染问题，经济发展水平对生态效率起到负向抑制作用，经济发展方式需从粗放型增长向集约型发展转变.回归系数绝对值较低的区域集中于淮海经济区中部城市，这些城市经济发展水平对生态效率的影响力较弱.

2）产业结构对生态效率的抑制效果逐渐减弱.2010—2013年负向高值区集中分布于淮海经济区北部.2014—2021年大部分城市虽仍以负向影响为主，但回归系数逐渐减小.2018—2021年除菏泽、商丘、连云港3市外，其余城市的回归系数仍为负值.表明以上3市第三产业的发展对生态效率起到正向驱动作用，而其余城市产业结构升级对生态效率起到抑制作用，但抑制作用在不断减弱.原因可能在于：研究期初资源密集型产业作为主导产业，资源耗量大，对环境造成较为严重的负面影响；后期主导产业的更替以及产业结构的优化使产业间比例和要素配置向更有利于环境友好、资源节约和生态保护的方向发展^［23］，但它们对生态效率经济产出的提高难以完全对冲对生态环境带来的负面影响.

3）科技创新回归系数绝对值相对较小，对生态效率的驱动力较弱.部分学者认为，技术的提高有利于减少污染物的排放，从而对城市生态效率的提升具有促进作用^［14］；但也有学者认为，对于我国大部分中小城市来说，科技的进步尚不足以提升城市生态效率^［4］.从时间演变上看，科技创新主要以正向影响为主，2010—2021年呈现出正值城市不断增加、负值城市不断减少的空间演变特征，且正值区域从淮海经济区西北部逐渐转移向东南部，表明东南部城市科技创新水平比西北部城市发展速度更快，但它对生态效率的驱动力并不明显，仍有提升的空间.

4）政府规模对生态效率的驱动效果逐渐增强.这与已有的研究结果相印证^［24］，地方政府承担的事权和支出责任越多，所需财政资金就越多.为了获得更多财政收入，地方政府会更加关注产业的转型升级以及生态环境保护的投入.正向高值区从淮海经济区西部逐渐向东部集中，且回归系数随时间变化逐渐增大，表明这些城市政府规模对生态效率的驱动力越来越强.负向高值城市主要为菏泽和商丘，表明这些城市需要加大政府支持力度，引进专业人才和学习先进的知识和技术.

5）对外开放水平对生态效率的影响力较小且较为波动.回归系数有正有负，两者所占比例较为均衡.正向高值区从淮海经济区西部逐渐向中部集中，且回归系数随时间变化逐渐减小，表明这些城市对外开放水平对生态效率的驱动力越来越弱.而负向高值区从淮海经济区东部逐渐转移向边缘城市，说明随着对外开放程度的深入，外资不断增加，各市积极承接产业的引进与转移，但吸引外资的质量并不高，对环境造成负面影响，不利于生态效率的提升^［4］.

6）环境规制对生态效率的抑制效果逐渐增强.回归系数有正有负，两者所占比例较为均衡.负向高值区逐渐从淮海经济区西部转向中部，其中负向回归系数绝对值随时间变化逐渐增大，表明中部城市环境治理能力对生态效率起到抑制效果.可能的原因在于：这些城市环境治理使得环境成本增加，产出效益相对降低，企业投入增加，容易出现资源冗余的情况^［25］.

4 讨论

近年来，淮海经济区生态文明建设水平和质量有了很大提高.生态效率整体发展态势较好，区域差异不显著.从不同区域看，区域间“分化”与“极化”现象日益加剧，皖北和豫东地区生态效率仍有很大的提升空间.生态效率的区域间差异不利于区域生态效率的协同发展，是今后淮海经济区探寻生态效率提升路径的重要阻碍.因此，应树立生态经济一体化发展意识，建立有效的跨省市联系协作机制与平台.进一步完善交通网、信息网等基础设施，推动技术、人才、资源等要素向皖北和豫东地区流动.这2个地区在继续推行技术减排和结构减排的同时，应主动与东部城市进行沟通与交流，从而加深地区间纵向分工协作，实现各市主体功能互补，推动产业结构的优化升级，以缩小淮海经济区生态效率的区域差异.

不同驱动因素对不同城市的影响程度不同.经济发展水平和政府规模对生态效率的驱动效果在淮海经济区东部城市较为强烈，而在西部城市菏泽与商丘则起到强烈的抑制效果.因此，东部城市需基于自身资源禀赋和区位优势，提升经济发展水平，扩大经济优势，从而更好地提供环境保护和治理等方面的资金、人力和技术等.政府需结合自身实际建立相对应的绿色化发展政策体系，成立有关部门监督政策的落实及其成效等；应着重加强产学研合作，积极培养和引进专业人才，学习先进的知识和技术.菏泽、商丘等市需要转变经济发展方式，由粗放型增长向集约型发展转变，注重环境保护，实现经济与环境的协同发展；政府部门需建立健全资源有偿使用制度和生态环境补偿机制，鼓励企业提高科技水平与创新能力，推进节能减排.此外，还需加大对环境的投入，实施生态保护和修复工程，主动向东部地区城市学习环境治理经验，引进优秀人才与先进的知识、技术，从而改善生态环境，提高生态系统服务能力.

不同时期不同因素所起的影响程度不同.2018—2021年，经济发展水平和政府规模逐渐超过其他因子，成为淮海经济区东部城市的核心驱动因子，产业结构、科技创新、对外开放水平和环境规制对淮海经济区各市生态效率起到抑制作用或驱动力较弱.产业结构的抑制作用虽在不断减弱，但各市仍需优化产业结构，鼓励发展低能耗、低排放的新能源产业等绿色产业，大力发展具有比较优势的先进制造业和高新技术产业等;科技创新的驱动效果较弱，说明各市的科技创新水平仍有待提高，应当把科技水平纳入各地政府、高校及企业的考核标准，促进地方政府及企业等加大科技投入，加强跨区域的科技交流与合作；对外开放水平的驱动效果不断减弱，各地政府在引进外资的同时，仍需注重外资企业质量，增加环境准入门槛；环境规制的抑制效果不断增强，各地政府需基于生态效率的异质性，因地制宜地制定环境规制政策，与各自的产业结构调整方向相匹配，更合理有效地提升生态效率.

参考文献：

［1］ 魏权龄.数据包络分析（DEA）［J］.科学通报，2000（17）：1793.

［2］ 郭露，徐诗倩.基于超效率DEA的工业生态效率：以中部六省2003—2013年数据为例［J］.经济地理，2016，36（6）：116.

［3］ 王少剑，高爽，黄永源，等.基于超效率SBM模型的中国城市碳排放绩效时空演变格局及预测［J］.地理学报，2020，75（6）：1316.

［4］ 杨勇，邓祥征.中国城市生态效率时空演变及影响因素的区域差异［J］.地理科学，2019，39（7）：1111.

［5］ 常新锋，管鑫.新型城镇化进程中长三角城市群生态效率的时空演变及影响因素［J］.经济地理，2020，40（3）：185.

［6］ 金雨泽，黄贤金.基于资源环境价值视角的江苏省绿色GDP核算实证研究［J］.地域研究与开发，2014，33（4）：131.

［7］ 郭丽佳，李畅，彭红松，等.节能减排约束下中国省域旅游生态效率评估及空间格局研究［J］.地理科学进展，2021，40（8）：1284.

［8］ 曾祥静，何彪，马勇，等.长江中游城市群县域生态效率时空格局及多维动态演进［J］.地理科学，2023，43（6）：1088.

［9］ 汪克亮，刘悦，史利娟，等.长江经济带工业绿色水资源效率的时空分异与影响因素：基于EBM-Tobit模型的两阶段分析［J］.资源科学，2017，39（8）：1522.

［10］ 蔺雪芹，边宇，王岱.京津冀地区工业碳排放效率时空演化特征及影响因素［J］.经济地理，2021，41（6）：187.

［11］ 狄乾斌，梁倩颖.中国海洋生态效率时空分异及其与海洋产业结构响应关系识别［J］.地理科学，2018，38（10）：1606.

［12］ 万斯斯，李世杰，张明空，等.河南省城市生态效率时空演变及影响因素［J］.地域研究与开发，2021，40（6）：51.

［13］ 李贝歌，胡志强，苗长虹，等.黄河流域工业生态效率空间分异特征与影响因素［J］.地理研究，2021，40（8）：2156.

［14］ 张新林，仇方道，王长建，等.长三角城市群工业生态效率空间溢出效应及其影响因素［J］.长江流域资源与环境，2019，28（8）：1791.

［15］ 者彩虹，韩燕.黄河流域绿色发展效率时空分异与空间驱动［J］.统计与决策，2022，38（21）：87.

［16］ Andersen P，Petersen N C.A procedure for ranking efficient units in data envelopment analysis ［J］.Manag Sci，1993，39（10）：1261.

［17］ 岳立，薛丹.黄河流域沿线城市绿色发展效率时空演变及其影响因素［J］.资源科学，2020，42（12）：2274.

［18］ Tone K.A slacks-based measure of super-efficiency in data envelopment analysis ［J］.Eur J Oper Res，2002，143（1）：32.

［19］ Tone K，Tsutsui M.An epsilon-based measure of efficiency in DEA：a third pole of technical efficiency ［J］.Eur J Oper Res，2010，207（3）：1554.

［20］ 周祎庆，聂元昆.中国绿色全要素生产率动态测算与区域特征分解［J］.统计与决策，2022，38（20）：37.

［21］ 马建辉，孙钰，郭昭鹏，等.基于GTWR模型的河北省碳排放影响因素异质性研究［J］.生态经济，2023，39（9）：23.

［22］ Huang B，Wu B，Barry M.Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices ［J］.Int J Geogr Inf Sci，2010，24（3）：383.

［23］ 蔡玉蓉，汪慧玲.产业结构升级对区域生态效率影响的实证［J］.统计与决策，2020，36（1）：110.

［24］ 王成亮.财政分权、地方政府行为与生态效率［J］.中国农业会计，2021（4）：23.

［25］ 滕堂伟，潘雅君，王胜鹏，等.长三角地区城市绿色创新效率网络空间结构演化及影响因素［J］.长江流域资源与环境，2023，32（7）：1335.

［责任编辑： 刘春林］