EN中文

Tropical Geography >

2026 , Vol. 46 >Issue 1: 110 - 128

DOI: https://doi.org/10.13284/j.cnki.rddl.20250510

Characterization of Spatial and Temporal Coupling of Digital Economy and Carbon Emission in Yangtze River Delta Urban Agglomerations and the Influence Factors by Integrating GWRF and SHAP

  • Qianwei Zhang , 1 ,
  • Guangliang Xi , 1, 2
Expand
  • 1. School of Architecture and Urban Planning, Nanjing University, Nanjing 210093, China
  • 2. Jiangsu Smart City Planning and Digital Governance Engineering Research Center, Nanjing 210093, China

Received date: 2025-07-29

  Revised date: 2025-09-01

  Online published: 2025-12-31

Fold

Abstract

Against the strategic backdrop of "Digital-China" and the "Dual-Carbon" goals, the synergistic advancement of digital economy and carbon emission reduction is crucial for achieving high-quality, sustainable development. As a leading region in China's economic and digital transformation, the Yangtze River Delta (YRD) urban agglomeration provides a critical-case study for examining the complex interplay between digital growth and decarbonization. In this study, we aimed to systematically analyze the spatiotemporal-coupling characteristics and underlying influence mechanisms between the digital economy and carbon emissions in the YRD region from 2011 to 2023. Moving beyond aggregate-analysis and linear-assumptions, this study seeks to reveal the spatial heterogeneity, nonlinear-relationships, and threshold-effects to provide a nuanced empirical basis for differentiated-regional policymaking. Methodologically, we integrated the Geographically Weighted Random Forest (GWRF) model with SHapley Additive exPlanations (SHAP). We constructed comprehensive evaluation systems for both the digital economy and carbon emissions, and calculates the coupling coordination degree (D) between these two systems for 41 cities. The core analytical approach uses the GWRF model, which embeds a spatial-weight matrix into the Random Forest algorithm to simulate the spatially-varying and nonlinear effects of multiple influencing factors on the degree of coordination. Subsequently, the SHAP framework was applied to interpret the GWRF " black-box model and quantify the global-importance, directional-contribution, and potential nonlinear or threshold-behavior of each explanatory variable. This study yielded several key findings. Regarding temporal evolution, the overall coupling coordination degree of the YRD urban agglomeration shows a clear upward trend, increasing from 0.411 in 2011 to 0.505 in 2023, marking a transition from an "imminent-imbalance" to a "barely-coordinated" stage. However, this progression is not monotonic; the significant dip observed in 2021 reflects dynamic tension and potential lagged-adaptation between technological-advancement cycles and stringent emission-reduction targets. In terms of spatial patterns, a distinct hierarchical "core-corridor-periphery" radial structure has formed. Shanghai, leveraging its advanced technological foundation and institutional advantages, remains at the forefront, achieving "high-quality coordination" by 2023. The provinces of Jiangsu and Zhejiang exhibit follow-up growth, entering the "barely-coordinated" stage. In contrast, Anhui province, despite exhibiting the fastest growth rate, remains at the threshold of "imminent-imbalance," highlighting persistent regional disparities within the agglomeration. At the city level, high-coordination cores were concentrated along the Shanghai-Nanjing-Hefei-Hangzhou development axis, with coordination levels gradually diffusing along major transport corridors and weakening in northern Anhui and southwestern Zhejiang. Concerning the model validation and identification of key drivers, the GWRF model demonstrated significantly superior explanatory power and predictive accuracy compared to the standard-Random Forest model, confirming its efficacy in capturing spatial-non-stationarity. The SHAP analysis identified variables from the digital economy subsystem, specifically, the number of mobile phone subscribers, employees in information transmission and software services, and postal business volume, as important positive drivers. Their intensity-of-influence exhibited a spatial-diffusion pattern, radiating outward from core metropolitan areas to key manufacturing nodes and emerging industrial zones. Conversely, variables from the carbon emissions subsystem, particularly carbon emissions intensity and per-capita carbon emissions, act as primary inhibitors of coupling coordination. In summary, this study elucidates a dual-path mechanism, wherein the agglomeration of digital elements drives synergistic improvements, whereas high-carbon economic structures exert inhibitory pressure. This study makes substantive contributions to both the theoretical and methodological fronts. Theoretically, it provides robust empirical evidence for the complex, nonlinear-interdependencies between digital and green transitions, challenging simplistic linear-assumptions and enriching the understanding of their coupling dynamics in a regional context. Methodologically, the integrated GWRF-SHAP framework was validated as a powerful tool for dissecting high-dimensional and spatially-heterogeneous problems in urban and regional studies, offering a replicable-analytical pathway. These findings provide actionable-insights for policymakers to advocate tailored-strategies that reinforce positive digital diffusion, especially in lagging areas, while implementing targeted measures to decouple economic growth from carbon emissions in high-pressure zones. Ultimately, this approach aims to foster a more balanced and synergistic development pathway for the YRD and similar regions.

Key words： Geographically Weighted Random Forest (GWRF); SHAP; digital economy; carbon emission; coupled coordination; Yangtze River Delta Urban Agglomerations

Cite this article

Qianwei Zhang , Guangliang Xi . Characterization of Spatial and Temporal Coupling of Digital Economy and Carbon Emission in Yangtze River Delta Urban Agglomerations and the Influence Factors by Integrating GWRF and SHAP[J]. Tropical Geography, 2026 , 46(1) : 110 -128 . DOI: 10.13284/j.cnki.rddl.20250510

在国家深入推进数字中国与“双碳”战略的宏观背景下，数字经济与碳排放的协同发展已成为高质量发展的核心议题。国家数据局发布的《数字中国发展报告（2024年）》（国家数据局，2025）显示，2023年中国数字经济规模达53.9万亿元、占GDP的42.8%，数字经济对GDP增长贡献率达66.45%。《全球能源评论2025》（International Energy Agency, 2025）指出，2024年全球能源相关二氧化碳排放增长0.8%，中国碳排放增速放缓至不足3%。数字技术在推动产业升级的过程中，其自身发展也带来能源消耗与碳排放的增长。但与此同时，其创新成果能广泛渗透至上下游产业，通过智能化、绿色化改造显著降低整体碳排放水平。因此，探索数字经济与碳排放的协同机制与协调发展路径，具有重要的理论价值和现实意义。
数字经济与碳排放之间存在内在关联。一方面，数字经济通过技术赋能促进能源效率提升和产业结构优化，为碳减排提供新路径；另一方面，碳排放约束也倒逼数字技术向绿色低碳转型。二者协同不仅有助于从理论层面突破以往研究中单向或孤立分析的局限，也拓展了数字经济与碳排放关系的系统性研究。在现实层面，推动数字技术与降碳深度融合对中国实现“双碳”目标与经济高质量发展具有重大意义，中国数字经济发展迅猛、潜力巨大，依托数字技术助推节能降碳不仅具有紧迫性，也具备现实可行性。长三角城市群作为中国经济密度最高、创新能力最强的区域之一，肩负着探索经济高质量发展与生态环境高水平保护协同的重要使命。研究长三角城市群数字经济与碳排放耦合关系及协调发展的驱动因素，不仅为破解“数字增质”（即数字经济通过促进效率提升与结构优化实现经济高质量发展）与“低碳转型”的深层矛盾提供理论支撑，更能为长三角地区推进数字经济发展、加快“双碳”目标落地进程、促进数字经济与碳排放深度协调等方面提供指导。
数字经济作为以数据要素为核心、数字技术为驱动的新型经济形态，其与碳排放的关联本质上是技术创新与资源环境的动态博弈。不同于以往学者对数字经济与碳排放的单独讨论（冷硕峰 等，2023，2024；廖铮潇 等，2025），当前对于两者关系的研究呈现多维度特征，研究视角从单向因果分析逐步转向系统协同。早期研究聚焦数字经济对碳排放的单向影响，形成了减排效应主导论与非线性关系论2类核心结论：减排效应主导论认为数字经济通过技术赋能与结构优化实现碳减排（邓荣荣 等，2021；Han et al., 2022; Zhou et al., 2022），数字经济可通过能源结构清洁化与技术进步降低碳排放强度（谢云飞，2021）；非线性关系论则验证了数字经济与碳排放的倒“U”型关系，强调需突破技术积累与产业协同的临界点以释放减排红利（Li et al., 2021；缪陆军 等，2022），同时指出数字经济对碳排放的空间溢出效应呈现“本地减排、邻域增排”的非对称特征（Wang et al., 2022）。
随着研究的深入，视角逐渐转向数字经济与碳排放的动态耦合机制。数字经济通过能源结构优化（Li & Wang, 2022）、产业协同升级（赵涛 等，2020）、技术空间溢出（贺茂斌 等，2021）等路径推动碳减排，而碳排放约束反向倒逼数字技术向绿色化转型。此外，“形流融合”理论的提出进一步强调要素流动与物质空间的耦合协同，为解析城市群层面数字经济与碳排放的空间互动提供了新视角（席广亮 等，2025）。然而，既有研究仍存在一定局限性：实证层面多聚焦数字经济对碳排放的单向影响，缺乏二者耦合互动机理的理论框架，且实证分析成果相对有限。此外，研究尺度多停留于省域宏观层面，对城市群及城市间异质性的探讨存在显著缺口，难以充分揭示特定区域的复杂作用机制。
对于影响耦合协调的关键因素识别，已有学者虽采用例如地理探测器（朱智洺 等，2024）、空间杜宾模型（颜平 等，2024）、面板向量自回归（孟贵 等，2024）等方法，而机器学习方法的引入能更精准地捕捉变量间的非线性作用与空间异质性。现有方法体系中，随机森林（Random Forest,RF）模型虽具备捕捉变量间复杂非线性交互效应的能力（Grekousis et al., 2020; Luo et al., 2022; Zhao et al., 2023），却难以解析变量重要性的空间异质性特征；地理加权回归模型（Geographically Weighted Regression, GWR）虽能有效刻画空间异质性（Quiñones et al., 2021; Luo et al., 2022），却受限于线性假设，无法处理变量间广泛存在的非线性关联。基于此，本文引入地理加权随机森林模型（Geographically Weighted Random Forest, GWRF），该模型作为融合空间计量与机器学习的局部非线性分析工具（Georganos et al., 2021），可有效突破传统方法在非线性与空间性兼容上的局限，同时结合SHAP（SHapley Additive exPlanations）方法解释GWRF模型，为精准识别区域耦合协调的核心驱动因素与空间差异机制提供方法支撑。
基于对现有文献的梳理，本研究围绕以下内容及目标开展：1）聚焦长三角城市群，揭示数字经济与碳排放耦合协调的内在规律，丰富区域可持续发展理论框架，为破解“数字增质”与“低碳转型”的复杂矛盾提供理论支撑；2）运用地理加权随机森林模型（GWRF），解析影响数字经济与碳排放耦合协调变量的空间异质性及变量间高维非线性关系，突破传统方法在非线性与空间性兼容上的局限；3）结合SHAP方法解释GWRF模型，精准识别长三角城市群数字经济与碳排放耦合协调的核心驱动因素及空间差异机制，为优化区域资源配置、制定差异化政策体系提供决策参考。

1 研究设计

1.1　研究思路与框架

本研究构建了整合“数据处理、空间建模与深度解释”的综合分析框架（图1）。基于系统耦合理论，首先整合多源异构数据并利用耦合协调度模型量化数字经济与碳排放系统间的动态关联，其次立足于空间异质性与非线性假设，利用网格搜索与k倍交叉验证优化参数，构建地理加权随机森林（GWRF）模型以捕捉空间异质性，最后遵循机器学习的可解释性原则，引入SHAP解释模型对预测结果进行贡献度拆解，从全局与局部维度剖析变量重要性，通过局部依赖图揭示变量对耦合协调发展的非线性影响机制，从而实现对复杂系统关联的精准识别与科学解释。
图1 研究思路与框架

Fig.1 Research ideas and framework

1.2　研究区域

作为中国经济发展的重要引擎与全球竞争力的核心区域，长三角城市群涵盖上海、江苏、浙江、安徽全域，总面积35.8万km2，地区生产总值占全国比例达24.1%，是引领高质量发展、推动区域一体化的标杆典范。长三角是中国数字经济最活跃的区域之一，2022年数字经济总量突破12万亿元，占全国总量的24%以上，数字技术与实体经济的深度融合为探索“数字赋能减排”机制提供了丰富实践场景。同时，作为能源消耗和产业集聚核心区，其碳排放总量占全国16%左右，近年来随着产业升级与能源结构转型，区域碳排放强度持续下降，但其内部城市间仍存在显著差异。因此，研究长三角城市群数字经济与碳排放时空耦合特征及影响因素，既能揭示两者互动的内在规律，也能为区域深化数字赋能、推进碳减排、优化可持续发展空间布局提供理论支撑与决策参考，对全国层面探索经济与环境协同发展路径具有示范意义。

1.3　数据来源

以长三角城市群41个城市为研究样本，选取2011—2023年市级面板数据展开分析。具体数据来源于历年《中国城市统计年鉴》（国家统计局，2025）、中经网 1数据库以及EPS数据平台 2等，其中，碳排放数据来源于欧盟全球大气排放数据库（EDGAR）（Joint Research Centre, 2024），数字普惠金融指数相关数据来源于北京大学数字金融研究中心 3。部分缺失数据通过插值法补齐。

1.4　评价指标体系构建

1.4.1 数字经济评价体系

为确保数字经济指标测度的科学性与精确性，本文在既有文献研究成果与数字经济内涵界定（赵涛 等，2020）的基础上，遵循系统性与综合性相结合的指标体系构建原则，从数字基础设施、数字人员投入、数字业务水平及数字普惠金融4个维度选取指标（表1）。1）数字基础设施维度，包括互联网宽带接入、固定电话和移动电话年末用户数。其中，固定电话用户数虽在移动互联时代重要性有所下降，但仍可反映传统通信设施的覆盖水平与企业及公共服务中的基础支撑能力。2）数字人员投入维度，涵盖信息传输与软件服务业、科研技术服务业、交通运输仓储邮政业从业人员数，体现数字产业及关联行业的人力规模。3）数字业务水平维度，采用邮政和电信业务总量，衡量数字实体经济活动规模。4）数字普惠金融维度，从覆盖广度、使用深度与数字化水平3方面评估金融服务的数字可及性与质量。由此形成包含11项指标的数字经济系统评估体系。
表1 数字经济与碳排放耦合系统评价指标体系

Table 1 Evaluation index system for digital economy and carbon emission coupling system

目标层 准则层 指标层 单位 属性 权重/%
数字经济系统 数字基础设施 互联网宽带接入用户数A 1 万户 正向 5.62
固定电话年末用户数A 2 万户 正向 4.26
移动电话年末用户数A 3 万户 正向 5.00
数字人员投入 信息传输、软件和信息服务业从业人员数B 1 万人 正向 22.61
科学研究和技术服务业从业人员数B 2 万人 正向 18.11
交通运输、仓储和邮政业从业人员数B 3 万人 正向 14.59
数字业务水平 邮政业务总量C 1 万元 正向 18.94
电信业务总量C 2 万元 正向 9.70
数字普惠金融 数字普惠金融覆盖广度D 1 — 正向 0.39
数字普惠金融使用深度D 2 — 正向 0.30
数字普惠金融数字化水平D 3 — 正向 0.49
碳排放系统 人口碳排放 人均碳排量E 1 t/万人 负向 16.99
土地碳排放 碳排放密度E 2 万t/km2 负向 14.96
经济碳排放 碳排放强度E 3 t/万元 负向 28.53
工业碳排放 碳生产力E 4 t//万元 负向 39.52

1.4.2 碳排放评价体系

考虑各地区在人口规模、经济发展程度、城市空间范围及工业发展层次等方面存在显著差异，单纯采用碳排放量指标评估区域碳排放综合水平存在一定局限性。基于此，本文构建包含人口、土地、经济与工业发展水平的四维评估框架，选取人均碳排放量、碳排放密度、碳排放强度及碳生产力4项指标（见表1）。其中，人均碳排放量（碳排放量与年末总人口之比）从个体需求与消费角度反映碳排放的压力；碳排放密度（碳排放量与土地面积之比）体现单位空间范围内的排放集聚程度与土地利用的碳效率；碳排放强度（碳排放量与地区生产总值之比）衡量经济产出的碳成本，直接关联绿色发展水平；碳生产力（单位工业利润所对应的碳排放量）聚焦于工业部门的碳经济效率，突出工业减排与利润增长的协同关系。

1.5　研究方法

1.5.1　熵值法

采用基于数据驱动的客观赋权方法——熵值法，对数字经济系统与碳排放系统展开综合评价。计算步骤为：1）数据标准化处理，为规避熵值测算过程中可能出现的零值或负值问题，参照已有研究（吕明元 等，2022），对标准化后的数值实施平移操作。 x i j表示第 i个城市第 j个指标， m为城市数， n为指标数。
正向 指标 : x i j ( p ) = x i j - m i n   x i j m a x x i j - m i n   ( x i j )
逆向 指标 : x i j ( r ) = m a x x i j - x i j m a x x i j - m i n   ( x i j )
2）计算各指标比重：
P i j = x i j ' ∑ i = 1 m x i j '
3）计算熵值：
e j = - 1 l n m ∑ i = 1 m P i j l n   P i j
4）计算差异系数：
g j = 1 - e j
5）计算权重：
w j = g j ∑ j = 1 n g j
6）基于指标的标准化值和权重，计算数字经济和碳排放系统综合评价值：
U = ∑ j = 1 n w j x i j '

1.5.2 耦合协调度模型

耦合度概念源于物理学领域，是指2个或2个以上系统或要素通过相互作用，彼此之间相互影响并形成协同效应的现象。为科学量化长三角城市群数字经济与碳排放系统的交互关联程度，借鉴相关研究（田云 等，2022；蔡勃伟 等，2022；孙茜 等，2022；Tian & Lin, 2022），构建适用于二元系统的耦合协调度分析模型：
C ( U 1 , U 2 ) = 2 × U 1 U 2 ( U 1 + U 2 ) 2
T = α U 1 + β U 2
D = C × T
式中： U 1代表数字经济发展水平的综合评价值； U 2代表碳排放系统状态的综合评价值； C表示2个系统的耦合度； T为综合协调指数； α和 β为两系统待定权重系数。本文认为2个系统同样重要，故取 α = β = 0.5； D为二元系统的耦合协调综合指数，其值域为[0，1]通常认为D值越大，2个系统的发展协同性越高，反之则说明系统间的协调程度较低。本文借鉴已有研究关于耦合度和耦合协调度的划分标准，详见文献（杨坤 等，2020；张茹倩 等，2022）。

1.5.3 地理加权随机森林（GWRF）

地理加权随机森林（简称GWRF）作为经典随机森林（RF）方法在空间维度的地理学拓展形式，其核心思想与地理加权回归（GWR）一致，均基于局部校准理念，公式见文献（赵宏波 等，2023）。地理加权回归（GWR）通过引入局部参数估计机制改进普通线性回归，已成为空间数据分析的重要工具（Fotheringham et al., 2002）；现有学者（Georganos et al., 2021）将这一原理拓展至非线性RF，通过集成数据观测点空间信息，构建空间权重矩阵，并嵌入局部回归框架，形成由若干局部RF子模型构成的GWRF模型（Luo et al., 2022）。该模型融合GWR空间分析思想与RF非线性处理能力，通过将研究区域划分为若干子区域、独立构建局部RF子模型，刻画响应变量与解释变量的空间非平稳关系（Georganos et al., 2021），且无需假定数据服从高斯分布（Grekousis et al., 2022），可有效处理空间异质性与非线性关系，兼具模拟性能优、不易过拟合、结果具有空间局部效应等优势。本文通过R语言“Spatial ML”程序包构建GWRF模型，并采用随机网格搜索法结合十折交叉验证进行超参数优化，确定带宽等核心指标。

1.5.4 SHAP方法

SHapley Additive exPlanations（简称SHAP）是一种基于合作博弈论的模型解释框架，其理论根基源于Shapley值在特征重要性量化中的应用，旨在解决机器学习模型的黑箱问题，公式见文献（Lundberg & Lee, 2017）。该方法通过量化特征在不同组合下对预测结果的边际贡献（Lundberg & Lee, 2017；王梓蒙 等，2023），为每个特征赋予标准化的重要性分值，实现对模型输出的归因分析。SHAP将博弈论中的最优信用分配原则与局部解释机制相结合，能从全局层面揭示特征对模型预测的整体影响程度，也可针对单个样本进行局部解释，具有特征贡献度公平分配、可解释性强及可视化效果优越等显著优势（叶淼 等，2024）。

2 耦合协调时空演变分析

2.1　城市群时序演化特征

表2揭示了长三角城市群数字经济与碳排放系统的协同演进规律。2011—2023年，系统耦合协调度呈现阶梯式演进特征，数值由0.411提升至0.505，累计增幅达22.9%。其中耦合度指标由0.480增至0.631，年均增速2.34%，表明系统间交互作用持续强化。然而，2021年耦合度骤降引发协调等级回退，揭示出技术创新周期与减排目标间的动态适配矛盾。时序演化可划分为3个特征阶段：2011—2018年处于濒临失调衰退，2019—2020年进入初级协调突破期，2021—2023年呈现波动巩固态势，反映系统演进受政策驱动与市场调节的双重作用。
表2 2011—2023年长三角城市群整体耦合协调度及时序变化

Table 2 Changes in Overall Coupling Coordination Degree and Timing Sequence of Yangtze River Delta Urban Agglomerationsduring 2011-2023

年份 耦合度C 耦合协调度D 耦合协调度等级

耦合度

增速/%

 耦合协调度增速/%
2011 0.480 0.411 濒临失调衰退 3.05 2.27
2012 0.483 0.416 濒临失调衰退
2013 0.543 0.445 濒临失调衰退
2014 0.535 0.446 濒临失调衰退
2015 0.546 0.449 濒临失调衰退
2016 0.551 0.459 濒临失调衰退
2017 0.560 0.466 濒临失调衰退
2018 0.589 0.480 濒临失调衰退
2019 0.628 0.502 勉强协调发展 4.09 3.10
2020 0.638 0.510 勉强协调发展
2021 0.598 0.488 濒临失调衰退 -1.76 -1.06
2022 0.615 0.498 濒临失调衰退
2023 0.631 0.505 勉强协调发展 2.59 1.28

2.2　区域时序演化特征

表3揭示了长三角城市群三省一市数字经济与碳排放系统的区域协同特征。2011—2023年三省一市耦合协调度均呈持续上升趋势，数值分别从0.688、0.429、0.418、0.318提升至0.907、0.515、0.488、0.405，增幅分别达到31.8%、20.0%、16.7%和27.4%。区域呈现梯度分化特征：上海凭借先发优势与地方政策，2013年率先实现良好协调并于2023年达到优质协调（0.907）；江苏虽于2018年突破0.5阈值，但2021年发生阶段性回撤并暴露出传统制造业占比过高对系统韧性的制约；浙江（0.488）与安徽（0.405）虽增速可观，至2023年仍未突破协调阈值，前者数字技术应用深度不足，而后者低碳基建滞后。区域差异表明，长三角亟需形成数字技术扩散与碳配额协同机制，加速构建多极联动的协同发展格局。
表3 2011—2023年长三角城市群三省一市耦合协调度及时序变化

Table 3 Changes in coupling coordination degree and timing sequence of three provinces and one city in Yangtze River Delta Urban Agglomerations during 2011-2023

年份 上海市 江苏省 浙江省 安徽省
耦合协调度 等级 耦合协调度 等级 耦合协调度 等级 耦合协调度 等级
2011 0.688 初级协调发展 0.429 濒临失调衰退 0.418 濒临失调衰退 0.318 轻度失调衰退
2012 0.687 初级协调发展 0.429 濒临失调衰退 0.431 濒临失调衰退 0.323 轻度失调衰退
2013 0.820 良好协调发展 0.459 濒临失调衰退 0.435 濒临失调衰退 0.336 轻度失调衰退
2014 0.787 中级协调发展 0.465 濒临失调衰退 0.437 濒临失调衰退 0.343 轻度失调衰退
2015 0.789 中级协调发展 0.474 濒临失调衰退 0.440 濒临失调衰退 0.344 轻度失调衰退
2016 0.778 中级协调发展 0.488 濒临失调衰退 0.447 濒临失调衰退 0.358 轻度失调衰退
2017 0.790 中级协调发展 0.493 濒临失调衰退 0.455 濒临失调衰退 0.365 轻度失调衰退
2018 0.806 良好协调发展 0.510 勉强协调发展 0.458 濒临失调衰退 0.389 轻度失调衰退
2019 0.869 良好协调发展 0.531 勉强协调发展 0.466 濒临失调衰退 0.411 濒临失调衰退
2020 0.855 良好协调发展 0.544 勉强协调发展 0.471 濒临失调衰退 0.424 濒临失调衰退
2021 0.842 良好协调发展 0.504 勉强协调发展 0.481 濒临失调衰退 0.391 轻度失调衰退
2022 0.888 良好协调发展 0.508 勉强协调发展 0.484 濒临失调衰退 0.400 轻度失调衰退
2023 0.907 优质协调发展 0.515 勉强协调发展 0.488 濒临失调衰退 0.405 濒临失调衰退

2.3　城市时空演化特征

选取2011、2017、2023年3个时间节点，观测三角城市群数字经济与碳排放耦合协调度在城市层面的空间演化特征（图2）。总体上，2011—2023年城市群耦合协调水平呈现显著的空间梯度扩散与层级跃升特征，逐步构建起以核心城市为“中枢”、重要交通轴线为“走廊”、偏远地市为“边缘”的梯度扩散模式：2011—2017年，初始阶段约80%的城市处于濒临失调衰退及以下层级；截至2017年，上海市凭借资源集聚优势率先跃升为中枢节点，成为中级协调发展城市，濒临失调衰退及以上城市占比提升至约60%，苏州市、南京市等7个城市完成至少一个层级的跃升，合肥市从轻度失调衰退跨越至濒临失调衰退，成为中部地区首个实现协调等级突破的省会城市。2017—2023年，上海成为优质协调发展城市，南京、苏州、杭州、宁波跃升为中级协调城市，勉强协调城市由4个增至15个，约85%的城市实现协调等级提升，部分制造业强市如常州、无锡因数字化减排滞后出现停滞。
图2 2011—2023年长三角城市群城市耦合协调度时空演化

注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2024）0650号的标准地图制作，底图无修改，下同。

Fig.2 Spatio-temporal evolutionary of urban coupling coordination degree in Yangtze River Delta Urban Agglomerations during 2011-2023

空间分异特征表明，2023年协调度呈现明显的梯度特征，优质与中级协调城市集中于沪宁合杭甬发展轴，形成了支撑全域的动力中枢与核心走廊；勉强协调城市沿长江经济带连续分布，构成二级过渡走廊；皖北、浙西南地区虽有所改善，但仍存在轻度失调集聚区，处于空间的边缘地带。与2011年相比，协调度高值区（D≥0.5）空间覆盖率显著提升，区域发展差距呈现缩小趋势。长三角城市群耦合协调度的时空演化与数字经济走廊建设、G60科创走廊推进及生态绿色一体化发展示范区政策实施形成强关联，特别是2018年长三角一体化上升为国家战略后，跨域数据共享与碳普惠机制加速了技术与制度协同创新的联动效应扩散，逐步构建起以核心中枢为增长极、沿重要交通走廊梯度传导、带动边缘区域多层级联动的新型空间发展模式。

3 耦合协调影响因素分析

3.1　模型构建与验证

3.1.1 模型训练与评价

本研究采用多维度指标评估模型性能：使用决定系数R²衡量预测值与实际值的拟合优度，均方误差（MSE）和均方根误差（RMSE）量化预测偏差的总体水平，平均绝对偏差（MAD）用于降低异常值对评估结果的干扰（李兰晖，2023；陈艺敏，2024）。通过指标综合对比，系统分析模型的准确性和稳定性。
以表1指标为自变量，耦合协调度为因变量，随机选取2011—2023年数据集的70%为训练集，30%为测试集构建RF和GWRF模型。模型性能对比分析表明，GWRF模型相较于传统RF模型展现出显著优势。在训练集上，GWRF的决定系数（R²=0.995）接近理论最优值，均方误差（MSE=0.000）、均方根误差（RMSE=0.008）和平均绝对偏差（MAD=0.006）均显著低于RF模型（R²=0.923，MSE=0.002，RMSE=0.039，MAD=0.027），表明其能有效捕捉数据的空间异质性特征。测试集验证进一步支持这一结论：GWRF的R²（0.976）与误差指标（RMSE=0.015，MAD=0.012）均优于RF（R²=0.912，RMSE=0.039，MAD=0.028），其RMSE值仅为RF模型的38.5%，凸显更强的泛化能力。GWRF模型预测结果相比RF模型更接近1∶1，表明GWRF拟合性能优于RF。

3.1.2　模型性能测试

进一步选取2011—2022年数据建立RF和GWRF模型，对2023年独立样本展开预测评估模型性能。GWRF模型在各项指标上均优于RF模型，其决定系数（R²=0.992）高于RF模型的0.965，均方误差（MSE=0.000）、均方根误差（RMSE=0.011）与平均绝对误差（MAD=0.008）均显著低于RF模型（MSE=0.001，RMSE=0.026，MAD=0.019）；对于模型预测结果，两模型预测结果均与2023年观测结果基本一致，但GWRF的预测散点更紧密地集中在1∶1线附近，且整体误差率更低。模型测试结果与模型训练和检验结果均表明，地理加权算法的引入对于RF模型性能提升显著。

3.2　影响因素时空异质性

基于上述模型评价与性能测试结果，选取GWRF模型对2011—2023年长三角城市群41个城市的15个变量进行测算，以识别影响城市群数字经济和碳排放系统耦合协调的关键因素，判断变量的重要程度及其在空间上的分布异质性。为避免出现过拟合风险，通过随机网格搜索法结合十折交叉验证优化超参数组合，并确定核心参数为：kernel=fixed，bandwidth=90，ntree=1 000，mtry=5。模型在2011、2017、2023年的最终拟合优度分别达到79.9%、81.5%、83.2%，表明该模型对耦合协调的影响因素有较强解释力。变量重要性评估中，采取均方误差增量（%IncMSE）作为判别指标，该值正向关联于变量对模型预测能力的贡献度。本文分别从数字经济系统中的数字基础设施、数字人员投入、数字业务水平、数字普惠金融以及碳排放系统整体五部分，评估耦合协调影响因素重要性时空格局（图3—7）。

3.2.1 数字基础设施

图3为2011—2023年数字基础设施准则层下耦合协调影响因素重要性的时空分布格局。移动电话年末用户数（A 3）对耦合协调变化的作用程度最高，其高值区从上海、苏州向无锡、常州、杭州、合肥逐渐扩散，反映移动互联网普及推动数字经济与产业升级深度融合，通过催生共享经济、智能物流等低碳模式促进碳排放与经济增长的脱钩。互联网宽带接入用户数（A 1）高值区从南京、徐州等东部城市转向连云港、淮安等中西部城市，得益于“宽带中国”及新基建政策，其对耦合协调的支撑作用在长三角城市群呈现核心辐射与全域均衡的特征，尤其在苏中、苏北等制造业转移区域，宽带基础设施通过赋能工业互联网提升能源利用效率、抑制高碳产业扩张。固定电话年末用户数（A 2）作用程度最低，高值区集中于徐州、南通，而低值区向台州、丽水等城市扩散，其衰退趋势反映传统通信模式对耦合协调的贡献有限，而新兴城市通过移动互联技术直接切入低碳发展轨道，进一步凸显技术替代效应的影响力。
图3 2011—2023年数字基础设施影响因素重要性时空分布格局

Fig.3 Spatial and temporal distribution patterns of the importance of factors influencing digital infrastructure during 2011-2023

2011年 2017年 2023年

互

联

网

宽

带

接

入

用

户

数(A 1)

固

定

电

话

年

末

用

户

数(A 2)

移

动

电

话

年

末

用

户

数(A 3)

3.2.2 数字人员投入

图4为2011—2023年数字人员投入准则层下耦合协调影响因素重要性的时空分布格局。信息传输、软件和信息服务业从业人员数（B 1）对耦合协调变化的作用程度最高，其高值区从上海、杭州等长三角核心城市，逐步向南京、苏州、合肥、芜湖等城市扩散。这反映数字产业从“单核集聚”向“多极联动”演进，通过软件开发、数据服务等驱动产业数字化转型，减少传统产业碳排放强度。科学研究和技术服务业从业人员数（B 2）高值区长期聚焦上海、南京、杭州等高校与科研机构密集城市，并在2017—2023年向宁波、嘉兴等产业创新协同区延伸。其对耦合协调的支撑作用通过产学研合作渗透至先进制造领域，尤其在新能源、智能装备等低碳产业中，研发人员集聚加速了技术创新与碳减排技术落地。交通运输、仓储和邮政业从业人员数（B 3）作用程度相对较低，高值区集中于上海、南京、宁波，低值区分布在湖州、丽水。其重要性随智慧物流的发展，并呈现传统枢纽升级与新兴节点崛起的特征，苏州、无锡通过智能仓储、无人机配送等模式，在维持物流效率的同时降低运输环节碳排放。
图4 2011—2023年数字人员投入影响因素重要性时空分布格局

Fig.4 Spatial and temporal distribution patterns of the importance of factors influencing digital personnel inputs during 2011-2023

2011年 2017年 2023年

信息

传输、

软件和

信息

服务业

从业

人员数(B 1)

科学

研究和

技术

服务业

从业

人员数(B 2)

交通

运输、

仓储和

邮政业

从业

人员数(B 3)

3.2.3 数字业务水平

图5为2011—2023年数字业务水平准则层下耦合协调影响因素重要性的时空分布格局。邮政业务总量（C 1）对耦合协调变化的作用程度较高，其高值区从上海、苏州、杭州等经济发达的中心城市（2011年），逐步向南京、无锡、宁波等其他区域中心城市（2017年），以及合肥、嘉兴、绍兴等新兴电商与供应链节点（2023年）扩散。这表明电商普及与智慧物流发展推动邮政业务从“传统寄递”向“供应链管理”升级，通过无人机配送、智能仓储等低碳技术降低物流环节碳排放。电信业务总量（C 2）高值区长期以上海、南京、杭州等通信基础设施领先城市为核心，并向常州、芜湖、金华等产业数字化活跃城市延伸，其对耦合协调的支撑作用通过5G网络覆盖、云计算服务等路径，赋能工业互联网和智能终端应。
图5 2011—2023年数字业务水平影响因素重要性时空分布格局

Fig.5 Spatial and Temporal Distribution Patterns of the Importance of factors influencing the level of digital business during 2011-2023

2011年 2017年 2023年

邮

政

业

务

总

量

(C 1)

电

信

业

务

总

量

(C 2)

3.2.4 数字普惠金融

图6为2011—2023年数字普惠金融准则层下耦合协调影响因素重要性的时空分布格局。数字普惠金融覆盖广度（D 1）对耦合协调变化发挥基础而广泛的作用，其高值区从上海、杭州等城市（2011年），逐步向南京、苏州等区域中心城市（2017年），以及合肥、宁波、嘉兴等新兴产业与县域经济活跃区（2023年）扩散。该现象凸显数字金融从“城市中心”向“县域乡村”渗透的政策导向，通过移动支付、小微贷款等服务降低传统金融网点能耗，提升低碳金融可达性。数字普惠金融使用深度（D 2）高值区长期聚焦上海、南京、杭州等资本与技术密集型城市，并在2017—2023年向无锡、常州、绍兴等先进制造城市延伸，其对耦合协调的影响通过企业供应链金融、绿色信贷等模式，引导资金流向新能源、循环经济等低碳领域。数字普惠金融数字化水平（D 3）作用程度随技术迭代显著提升，高值区从上海、杭州（2011年）快速扩展至合肥、芜湖、金华（2023年），依托大数据风控、区块链结算等技术，推动碳金融产品的规模化发展，降低金融交易本身的碳足迹。
图6 2011—2023年数字普惠金融影响因素重要性时空分布格局

Fig.6 Spatial and temporal distribution patterns of the importance of digital financial inclusion influencing factors during 2011-2023

2011年 2017年 2023年

数

字

普

惠

金

融

覆

盖

广

度

(D 1)

数

字

普

惠

金

融

使

用

深

度

(D 2)

数

字

普

惠

金

融

数

字

化

水

平

(D 3)

3.2.5 碳排放系统

图7为2011—2023年碳排放系统耦合协调影响因素重要性的时空分布格局。人均碳排量（E 1）高值区从上海、南京、苏州等长三角人口密集城市（2011年），逐步向无锡、常州、宁波（2017年）及徐州、连云港（2023年）等城市扩散，反映早期工业化阶段能源消费集中的特征。碳排放密度（E 2）高值区长期聚焦上海、苏州、南京等土地开发强度高的核心城市，2017—2023年随产业转移向南通、扬州等苏中地区延伸，但其低值区在湖州、丽水等生态功能区持续巩固，体现数字经济对高碳产业的替代效应。碳排放强度（E 3）作用程度表现为核心城市率先下降、外围区域跟进的趋势，2011年高值区以徐州、淮南等资源型城市为主，2023年上海、杭州通过数字技术赋能服务业与先进制造业，单位GDP碳排放显著降低，成为低值区核心。碳生产力（E 4）高值区从上海、杭州（2011年）快速扩展至南京、宁波、合肥（2023年），依托人工智能优化能源调度、区块链技术追踪碳足迹等路径，实现单位碳排放的经济产出提升。
图7 2011—2023年碳排放系统影响因素重要性时空分布格局

Fig.7 Spatial and temporal distribution patterns of the importance of factors influencing carbon emission systems during 2011-2023

2011年 2017年 2023年

人

均

碳

排

量

(E 1)

碳

排

放

密

度

(E 2)

碳

排

放

强

度

(E 3)

碳

生

产

力

(E 4)

3.3　耦合协调度的驱动机制解析

3.3.1 主导驱动因子的全局贡献与方向分布

通过SHAP方法解释GWRF模型，对长三角城市群数字经济与碳排放耦合协调的各变量展开分析，讨论其对耦合协调影响的重要程度和方向。
基于平均SHAP值的变量重要性评估表明（图8），移动电话年末用户数（A 3）的绝对影响程度最高，对长三角城市群数字经济与碳排放耦合协调的预测值变化起核心驱动作用，其正向影响显著体现为变量数值提升对耦合协调水平的直接促进。信息传输、软件和信息服务业从业人员数（B 1）、科学研究和技术服务业从业人员数（B 2）及邮政业务总量（C 1）的影响程度次之，分别从数字人才集聚、科研创新渗透和物流业务升级维度形成正向支撑。交通运输、仓储和邮政业从业人员数（B 3）、碳排放强度（E 3）、互联网宽带接入用户数（A 1）及电信业务总量（C 2）通过基础设施支撑、产业能耗关联等路径产生中等强度影响，其作用方向与区域产业结构和数字化水平密切相关。固定电话年末用户数（A 2）因传统通信模式的局限性而影响微弱。碳生产力（E 4）、碳排放密度（E 2）和人均碳排量（E 1）因经济效率与碳排放强度的内在联系呈现一定相关性。数字普惠金融覆盖广度（D 1）、数字化水平（D 3）和使用深度（D 2）的影响作用呈间接性，反映金融数字化对耦合协调的作用尚待深化。
图8 各变量对耦合协调的全局贡献与方向分布

Fig.8 Global contribution and directional distribution of variables to coupled coordination

通过对SHAP值分布与特征值的相关性分析可知，各变量的影响方向与特征值变化呈差异化关联，移动电话用户数、数字人才投入和邮政业务规模常伴随显著正向效应，部分传统产业相关变量显示弱负向或非线性作用。这些变量共同构成区域数字经济与碳排放耦合协调的多维作用机制，在一定程度上揭示了在技术创新引领、产业升级驱动以及政策引导协同下的复杂发展路径。

3.3.2　变量的非线性作用阈值分析

通过各变量的非线性依赖图，进一步分析其对耦合协调影响的驱动机制（图9）。结果表明，各变量对长三角城市群数字经济与碳排放耦合协调的独立影响呈现非线性多元特征。
图9 各变量对耦合协调的非线性影响

Fig.9 Nonlinear effects of variables on coupled coordination

1）数字基础设施维度：互联网宽带接入用户数（A 1）的SHAP值随特征值增加呈显著上升趋势，表明其通过完善数字基础设施对耦合协调产生直接正向促进作用。固定电话年末用户数（A 2）的SHAP值整体趋近于0且波动微弱，呈现弱影响模式，表明传统通信技术对数字经济与碳排放耦合协调贡献有限。移动电话年末用户数（A 3）的SHAP值随特征值增大显著攀升，呈强正相关模式，反映移动互联网普及对数字经济与低碳产业融合的关键驱动作用。
2）数字人员投入维度：信息传输、软件和信息服务业从业人员数（B 1）以及科学研究和技术服务业从业人员数（B 2）的SHAP值均随特征值增加稳步上升，分别通过数字技术创新与科研人才集聚，加速低碳技术研发应用，推动经济与碳减排协同。交通运输、仓储和邮政业从业人员数（B 3）的SHAP值波动幅度较小，对耦合协调的作用需依托智慧物流等场景赋能方可强化，但影响强度较弱。
3）数字业务水平维度：邮政业务总量（C 1）与电信业务总量（C 2）的SHAP值随特征值增加呈上升态势，分别通过智慧物流优化运输环节碳排放与支撑数字经济基础设施，间接促进耦合协调。
4）数字普惠金融维度：数字普惠金融覆盖广度（D 1）的SHAP值呈现先升后降的倒“U”型趋势，适度扩大覆盖广度可提升低碳项目融资效率，但超过阈值可能因资源错配抑制协调。数字普惠金融使用深度（D 2）的SHAP值变化趋势不显著，对耦合协调影响较为微弱。数字普惠金融数字化水平（D 3）的SHAP值随特征值在低水平区间（0~250）正向贡献增长缓慢，跨越拐点后SHAP值迅速由负转正，表现出边际效应递增特征，这表明数字化水平的深度演进能通过优化碳金融产品与服务，对耦合协调产生正向促进作用。
5）碳排放系统维度：人均碳排量（E 1）、碳排放密度（E 2）、碳排放强度（E 3）及碳生产力（E 4）的SHAP值随特征值增加显著下降，分别从个体、区域、经济及产业层面体现高碳排放对耦合协调的抑制作用。
各变量的非线性变化特征揭示了其在数字经济与碳排放耦合协调中的独特作用路径，为区域制定精准策略提供了理论支撑。基于此，通过强化关键变量的正向效应、规避非线性变量的阈值风险、降低高碳变量的负面影响，可有效提升区域数字经济与碳排放的耦合协调水平。

4 结论与讨论

4.1　结论

本文采用地理加权随机森林（GWRF）与SHAP方法，对长三角城市群数字经济与碳排放的时空耦合特征及影响因素进行探讨，主要结论为：
1）长三角城市群数字经济与碳排放系统整体呈现由“失调衰退”向“协调发展”跃升的动态演进特征，耦合协调度由2011年的0.411上升至2023年的0.505，互动水平显著提升。区域分异特征明显，上海依托技术与制度优势率先实现优质协调，苏浙紧随其后，安徽增速较快但仍处濒临失调状态，呈现数字经济与低碳转型在区域发展不平衡背景下的梯度演进特征。
2）城市层面耦合协调度呈现“中枢—走廊—边缘”的梯度扩散模式。以上海、南京等为核心的高协调城市，沿交通干线向苏中苏北、浙东皖北传导，与长三角一体化战略、基础设施联通的区域发展方向高度契合，体现政策牵引下的数字技术赋能与低碳转型协同推进特征，为区域协同政策精准实施提供空间层面的参考依据。
3）GWRF分析表明，移动电话用户数、信息与科研服务业从业人数、邮政业务总量等数字要素呈显著正向作用，且影响强度从核心城市向制造业节点及新兴产业区传导，凸显数字经济与人力资本集聚在产业升级和碳减排中的核心驱动作用。
4）SHAP分析揭示变量影响存在高度非线性与门槛效应，数字经济变量普遍具备正向促进作用，碳排放变量则多表现为负向抑制作用。此外，数字普惠金融覆盖广度、碳排放强度等的影响曲线呈倒“U”型，且存在适度投入阈值。

4.2　讨论

与既有研究相比，本文支持了数字经济对碳减排具有整体促进作用的观点（邓荣荣 等，2021；Han et al., 2022），但不同于以往研究中普遍假设的线性或简单非线性关系，本文发现如数字普惠金融覆盖广度、碳排放强度等变量存在显著的倒“U”型阈值特征。这表明数字经济的碳减排效益随发展水平提高呈边际递减趋势，该结论深化了“非线性关系论”（Li & Wang, 2022），证明数字-碳协同进程中“临界点”的确存在。在空间机制方面，本文识别出数字经济对碳排放的影响呈现梯度扩散与多级联动的复合模式，说明数字基础设施和高端人力资本在空间中的重新配置，有助于形成区域协同降碳的新路径。从方法层面看，现有研究多采用地理探测器、空间杜宾模型等传统计量方法（朱智洺 等，2024；颜平 等，2024），本文融合GWRF-SHAP方法，有效地分析了高维变量中的非线性效应与空间异质性，提升了复杂空间机制的可解释性与建模稳健性，为类似人地系统耦合研究提供了新路径。
长三角地区承担着实现数字中国和“双碳”目标的重要使命，然而区域内不同城市数字经济发展水平和碳排放压力差异显著，协调发展结构不均衡，由此制约了区域整体绿色转型进程。本研究的边际贡献在于突破传统线性分析的局限，通过构建融合GWRF与SHAP的空间非线性建模体系，揭示了系统间动态反馈、空间异质性的复合作用路径及其非均衡演化机制，为数字经济与碳排放协同关系研究提供了新框架。基于上述发现，本研究提出应立足地域特色和发展阶段制定差异化转型策略，构建以数字基础设施为核心的低碳产业生态系统，推动工业互联网、5G与人工智能在制造、物流、能源等领域的广泛应用；探索建立跨区域碳配额协调与数据共享机制，强化区域间技术共享与资源优化配置；优化数字人才与绿色技术协同培育路径，推进低碳技术快速转化与数字要素高效配置，构建“技术驱动―制度支撑―市场引导”的复合型绿色发展体系，以提升区域整体协同效能，落实因地制宜的数字赋能与低碳发展路径。
随着数字技术快速迭代和减排压力持续增大，数字经济与碳排放间复杂耦合关系日益凸显。本文在探讨两者协同机理的基础上，基于多源数据构建指标体系定量测度协调水平并分析其影响因素，但尚未从企业、园区等更微观尺度揭示数字技术减碳的具体路径与行为机制。同时，数字经济与碳排放系统内部多要素的耦合反馈与动态关联尚未完全明晰，其演化机理有待进一步解析。此外，受数据可获取性限制，本文对数字经济与碳排放的测度仍存在指标代表性不足的问题，未来可引入更高频、更精细的企业层级能源消费数据，拓展研究的深度与广度，增强研究的推广价值与政策适应力。

1 https://db.cei.cn/jsps/Home

2 https://www.epsnet.com.cn/index.html#/Index

3 https://idf.pku.edu.cn/zsbz/515313.htm

张嵌玮：数据收集与分析，论文设计、撰写与修改；

席广亮：论文设计、撰写与修改指导，基金支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
陈艺敏，苏漳文，陈移萍，林子彭. 2024. 基于地理加权随机森林的长三角PM2.5空间效应建模. 中国环境科学，1-9[2024-03-28]. https://doi.org/10.19674/j.cnki.issn1000-6923.20240326.004.

Chen Yimin, Su Zhangwen, Chen Yiping, and Lin Zipeng. 2024. Modelling Spatial Effects of PM2.5 in Yangtze River Delta Based on Geographically Weighted Random Forest. China Environmental Science, 1-9 [2024-03-28]. https://doi.org/10.19674/j.cnki.issn1000-6923.20240326.004.

蔡勃伟，邢祖哥，周进，黄耿志. 2022. 珠三角城市经济升级与社会升级的耦合协调关系及其影响因素. 热带地理，42（8）：1228-1240.

Cai Bowei, Xing Zuge, Zhou Jin, and Huang Gengzhi. 2022. Coupling and Coordination of Economic and Social Upgrading in Pearl River Delta Cities and Its Influencing Factors. Tropical Geography, 42(8): 1228-1240.

邓荣荣，张翱祥. 2021. 中国城市数字金融发展对碳排放绩效的影响及机理. 资源科学，43（11）：2316-2330.

Deng Rongrong and Zhang Aoxiang. 2021. Impacts and Mechanisms of Digital Finance Development on Carbon Emission Performance in Chinese Cities. Resource Science, 43(11): 2316-2330.

European Commission, Joint Research Centre. 2024. EDGAR—The Emissions Database for Global Atmospheric Research(Database). (2024-11-05) [2025-05-30]. https://edgar.jrc.ec.europa.eu/.

Fotheringham A S, Brunsdon C, and Charlton M. 2002. Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Hoboken: Wiley.

国家数据局. 2025. 数字中国发展报告（2024年）. （2025-05-30）[2025-12-17].https://www.nda.gov.cn/sjj/ywpd/sjzg/0530/202505 30151342718164521_pc.html

National Data Administration. 2024. Digital China Development Report (2024). (2025-05-30) [2025-12-17]. https://www.nda.gov.cn/sjj/ywpd/sjzg/0530/20250530151342718164521_pc.html.

国家统计局. 2025. 中国城市统计年鉴. （2025-12-01）[2025-12-17].https://www.stats.gov.cn/sj/ndsj.

National Bureau of Statistics of China. 2025. China City Statistical Yearbook. (2025-12-01) [2025-12-17]. https://www.stats.gov.cn/sj/ndsj.

Georganos S, Grippa T, Niang Gadiaga A, Linard T, Lennert M, Vanhuysse S, Mboga N, Wolff E, and Kalogirou S. 2021. Geographical Random Forests: A Spatial Extension of the Random Forest Algorithm to Address Spatial Heterogeneity in Remote Sensing and Population Modelling. Geocarto International, 36(2): 121-136.

Grekousis G. 2020. Spatial Analysis Methods and Practice: Describe-Explore-Explain through GIS. Cambridge: Cambridge University Press.

Grekousis G, Feng Z X, Marakakis I, Yi L, and Wang R Y. 2022. Ranking the Importance of Demographic, Socioeconomic, and Underlying Health Factors on US COVID-19 Deaths: A Geographical Random Forest Approach. Health & Place, 74: 102744.

Han D, Ding Y, Shi Z, and He Y. 2022. The Impact of Digital Economy on Total Factor Carbon Productivity: The Threshold Effect of Technology Accumulation. Environmental Science and Pollution Research, 29(37): 55691-55706.

贺茂斌，杨晓维. 2021. 数字普惠金融、碳排放与全要素生产率. 金融论坛，26（2）：18-25.

He Maobin and Yang Xiaowei. 2021. Digital Financial Inclusion, Carbon Emissions and Total Factor Productivity. Financial Forum, 26(2): 18-25.

International Energy Agency. 2025. Global Energy Review 2025. (2025-03-01) [2025-05-30]. https://www.iea.org/reports/global-energy-review-2025.

冷硕峰，席广亮，甄峰. 2023. 长三角数字经济网络演化特征及影响因素. 热带地理，43（4）：620-635.

Leng Shuofeng, Xi Guangliang, and Zhen Feng. 2023. Evolutionary Characteristics and Influencing Factors of the Digital Economy Network in the Yangtze River Delta. Tropical Geography, 43(4): 620-635.

冷硕峰，席广亮，甄峰，刘翰阳. 2024. 基于企业股权关联的长三角数字经济网络演变和空间扩展模式研究. 人文地理，39（3）：81-91，182.

Leng Shuofeng, Xi Guangliang, Zhen Feng, and Liu Hanyang. 2024. Study on the Evolution and Spatial Expansion Pattern of the Digital Economy Network in the Yangtze River Delta Based on Inter-Firm Equity Connections. Human Geography, 39(3): 81-91, 182.

李兰晖，黄聪聪，张镱锂，刘林山，王兆锋，张海燕，张华敏. 2023. 基于地理加权随机森林的青藏地区放牧强度时空格局模拟. 地理科学，43（3）：398-410.

Li Lanhui, Huang Congcong, Zhang Yili, Liu Linshan, Wang Zhaofeng, Zhang Haiyan, and Zhang Huamin. 2023. Simulation of Spatial and Temporal Patterns of Grazing Intensity in Qinghai-Tibet Based on Geographically Weighted Random Forest. Geoscience, 43(3): 398-410.

Li Y, Yang X, Ran Q, Wu H, Irfan M, and Ahmad M. 2021. Energy Structure, Digital Economy, and Carbon Emissions: Evidence from China. Environmental Science Pollution Research, 28(45): 64606-64629.

Li Z and Wang J. 2022. The Dynamic Impact of Digital Economy on Carbon Emission Reduction: Evidence City-Level Empirical Data in China. Journal of Cleaner Production, 351: 131570.

Lundberg S and Lee S. 2017. A Unified Approach to Interpreting Model Predictions. In: von Luxburg U, Guyon I, Bengio S, Wallach H, and Fergus R. NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems. New York: Curran Associates Inc, 4768-4777.

Luo Y W, Yan J G, McClure S C, and Li F. 2022 Socioeconomic and Environmental Factors of Poverty in China Using Geographically Weighted Random Forest Regression Model. Environmental Science and Pollution Research, 29(22): 33205-33217.

吕明元，麻林宵. 2022. 中国省域大数据与制造业融合测度分析——基于2013—2018年中国省级面板数据. 技术经济，41（1）：88-100.

Lyu Mingyuan and Ma Linxiao. 2022 Analysis of Measurement of Big Data and Manufacturing Integration in Chinese Provinces—Based on Chinese Provincial Panel Data from 2013-2018. Technical Economics, 41(1): 88-100.

孟贵，王开泳，王甫园，李贺. 2024. 长江经济带市域数字经济与城乡融合发展耦合协调格局及其作用机制. 经济地理，44（11）：73-83.

Meng Gui, Wang Kaiyong, Wang Fuyuan, and Li He. 2024. Coupling Coordination Pattern and Its Mechanism between Urban-Rural Integration Development and Digital Economy at Prefectural Level in the Yangtze River Economic Belt. Economic Geography, 44(11): 73-83.

缪陆军，陈静，范天正，吕雁琴. 2022. 数字经济发展对碳排放的影响——基于278个地级市的面板数据分析. 南方金融，（2）：45-57.

Miao Lujun, Chen Jing, Fan Tianzheng, and Lyu Yanqin. 2022 Impact of Digital Economy Development on Carbon Emissions—A Panel Data Analysis Based on 278 Prefecture-Level Cities. Southern Finance, (2): 45-57.

廖铮潇，席广亮，张嵌玮，黄启泽. 2025. 碳汇潜力视角下的长三角城市群碳排放空间关联网络时空演变及驱动因素. 陕西师范大学学报（自然科学版），53（5）：1-14. DOI:10.15983/j.cnki.jsnu.2025501.

Liao Zhengxiao, Xi Guangliang, Zhang Qianwei, and Huang Qize. 2025. Spatio-Temporal Evolution and Driving Factors of the Spatial Correlation Network of Carbon Emissions in the Yangtze River Delta Urban Agglomeration from the Perspective of Carbon Sink Potential. Journal of Shaanxi Normal University(Natural Science Edition), 53(5): 1-14. DOI:10.15983/j.cnki.jsnu.2025501.

Quiñones S, Goyal A, and Ahmed Z U. 2021 Geographically Weighted Machine Learning Model for Untangling Spatial Heterogeneity of Type 2 Diabetes Mellitus (T2D) Prevalence in the USA. Scientific Reports, 11(1): 6955.

孙茜，黄丽. 2022. 风险投资网络与绿色技术创新网络的时空耦合及其影响因素——以长三角城市群为例. 热带地理，42（5）：716-726.

Sun Xi and Huang Li. 2022. Spatio-Temporal Coupling of Venture Capital Network and Green Technology Innovation Network and Its Influencing Factors—A Case Study of Yangtze River Delta City Cluster. Tropical Geography, 42(5): 716-726.

田云，林子娟. 2022. 中国省域农业碳排放效率与经济增长的耦合协调. 中国人口·资源与环境，32（4）：13-22.

Tian Yun and Lin Zijuan. 2022. Coupled Coordination of Agricultural Carbon Emission Efficiency and Economic Growth in Chinese Provinces. China Population-Resources and Environment, 32(4): 13-22.

Tian Y and Lin Z J. 2022. Coupling Coordination between Agricultural Carbon Emission Efficiency and Economic Growth at Provincial Level in China. China Population, Resources and Environment, 32(4): 13-22.

Wang X, Wang X, Ren X, and Wen F. 2022 Can Digital Financial Inclusion Affect CO2 Emissions of China at the Prefecture Level? Evidence from a Spatial Econometric Approach. Energy Economics, 109: 105966.

王梓蒙，刘艳芳，罗璇，仝照民，安睿. 2023. 基于多源数据的城市活力与建成环境非线性关系研究——以双休日武汉市主城区为例. 地理科学进展，42（4）：716-729.

Wang Zimeng, Liu Yanfang, Luo Xuan, Tong Zhaomin, and An Rui. 2023. A Study on the Nonlinear Relationship between Urban Vitality and Built Environment Based on Multi-Source Data—A Case Study of Wuhan's Main Urban Area on a Double Holiday. Progress in Geoscience, 42(4): 716-729.

席广亮，甄峰，方创琳，杨帆. 2025. 形流融合视角的都市圈国土空间优化与协调发展. 地理学报 ，80（2）：272-287.

Xi Guangliang, Zhen Feng, Fang Chuanglin, and Yang Fan. 2025. Optimization and Coordinated Development of Metropolitan Territorial Space from the Perspective of "Form-Flow Integration". Acta Geographica Sinica, 80(2): 272-287.

谢云飞. 2021. 数字经济对区域碳排放强度的影响效应及作用机制. 当代经济管理，44（2）：68-78.

Xie Yunfei. 2021. The Effect of Digital Economy on Regional Carbon Emission Intensity and Its Mechanism. Contemporary Economic Management, 44(2): 68-78.

颜平，周闻宇，王瑞荣，金湖江. 2024. 长三角城市群数字经济与制造业高质量发展耦合协调时空演化及影响因素. 经济地理，44（7）：87-95.

Yan Ping, Zhou Wenyu, Wang Ruirong, and Jin Hujiang. 2024. Spatio-Temporal Evolution and Influencing Factors of Coupling Coordination between Digital Economy and High-quality Development of Manufacturing Industry in the Yangtze River Delta Urban Agglomeration. Economic Geography, 44(7): 87-95.

杨坤，汪万. 2020. 长三角地区协同创新、产业结构与生态效率耦合协调发展的时空演化. 科技管理研究，40（21）：80-87.

Yang Kun and Wang Wan. 2020. Spatial and Temporal Evolution of the Coupled and Coordinated Development of Collaborative Innovation, Industrial Structure and Eco-Efficiency in the Yangtze River Delta Region. Research on Science and Technology Management, 40(21): 80-87.

叶淼，朱琳，刘旭东，黄勇，陈蓓蓓，李欢. 2024. 基于连续小波变换、SHAP 和 XGBoost 的土壤有机质含量高光谱反演. 环境科学，45（4）：2280-2291.

Ye Miao, Zhu Lin, Liu Xudong, Huang Yong, Chen Beibei, and Li Huan. 2024. Hyperspectral Inversion of Soil Organic Matter Content Based on Continuous Wavelet Transform, SHAP and XGBoost. Environmental Science, 45(4): 2280-2291.

Zhao H B, Gu T S, Tang J Q, Gong Z Y, and Zhao P J. 2023. Urban Flood Risk Differentiation under Land Use Scenario Simulation. iScience, 26(4): 106479.

赵宏波，谷天顺，孙东琪，苗长虹. 2023. “三生”功能视角下黄河流域城市人居环境动态演变与机制. 地理学报，78（12）：2973-2999.

Zhao Hongbo, Gu Tianshun, Sun Dongqi, and Miao Changhong. 2023. Evolution of Urban Habitat Dynamics and Mechanisms in the Yellow River Basin from the Perspective of the 'Three Lives' Function. Acta Geographica Sinica, 78(12): 2973-2999.

赵涛，张智，梁上坤. 2020. 数字经济、创业活跃度与高质量发展——来自中国城市的经验证据. 管理世界，36（10）：65-76.

Zhao Tao, Zhang Zhi, and Liang Shangkun. 2020. Digital Economy, Entrepreneurial Activity and High-Quality Development-Empirical Evidence from Chinese Cities. Management World, 36(10): 65-76.

张茹倩，李鹏辉，徐丽萍. 2022. 城镇化对新疆土地利用碳排放的影响及其耦合关系. 生态学报，（13）：1-17.

Zhang Ruqian, Li Penghui, and Xu Liping. 2022. Impacts of Urbanisation on Carbon Emissions from Land Use and Its Coupling Relationship in Xinjiang. Journal of Ecology, (13): 1-17.

Zhou X, Zhou D, Zhao Z, and Wang Q. 2022. A Framework to Analyze Carbon Impacts of Digital Economy: The Case of China. Sustainable Production and Consumption, 31: 357-369.

朱智洺，徐婕，林文雪. 2024. 长三角城市群碳减排与经济高质量发展时空耦合及驱动因素. 长江流域资源与环境，33（10）：2285-2298.

Zhu Zhiming, Xu Jie, and Lin Wenxue. 2024. Spatio-Temporal Coupling and Driving Factors of Carbon Emission Reduction and High-Quality Economic Development in the Yangtze River Delta Urban Agglomeration. Resources and Environment in the Yangtze River Basin, 33(10): 2285-2298.

Options
Outlines

/

〈 〉