2026, Vol. 18
2. 区域环境安全全国重点实验室, 北京 100084
2. State Key Laboratory of Regional Environment and Sustainability, Beijing 100084, China
传统的环境治理方式面临数据采集难度大 [1, 2]、分析复杂性高 [3]和决策支持体系不完善 [4-6]等问题，以大数据技术、人工智能为代表的新兴数字技术因其强大的数据处理能力为环境治理提供了新的机遇 [7-9]，推动了环境治理的智能化发展 [10, 11]。一些学者从技术应用的角度，将环境治理智能化定义为利用物联网、云计算、人工智能和大数据等现代信息技术，有效结合环境信息数据、终端、人及环境等要素，最终形成精细化、系统化、灵活化的环境治理模式 [12]。这一定义虽然详细阐述了环境治理智能化的技术手段和实现路径，但未能充分体现环境治理的目标导向。因此，本研究将环境治理智能化定义为将以人工智能为代表的新兴数字技术应用于各类环境治理目标的过程。
环境治理智能化不仅依赖于技术应用水平、基础设施配置和数据资源整合能力等技术层面的投入 [13, 14]，还需结合本地面临的环境胁迫与治理需求，制定相应的技术落地政策与配套支持项目 [15, 16]。然而在城市内部，这两方面的发展进程往往并不同步 [17-19]；在城市之间，环境治理智能化发展水平也表现出明显的异质性特征。系统分析城市尺度的环境治理智能化能力，并开展城市内部及城市间的横向与纵向比较，有助于全面掌握各城市环境治理智能化的现状与重点领域，进而实现有针对性的战略部署，提升整体环境治理效能。
近年来，学界对环境治理与数字技术融合水平评估的研究不断深入，在研究对象、研究方法等方面呈现了较大变化。一方面，研究对象从信息技术应用转向数字技术应用，进而拓展至智能技术应用。Mol[20]于2006年首次系统提出“信息化治理”概念，论证了信息采集、处理和传输如何成为环境治理的基础性权力资源；刘锐等 [21]从资源投入、技术应用融合、协同创新能力和经济社会效益四个方面，构建了环境治理信息化建设的投入产出效益分析框架。随着数字技术的发展，Turnheim等 [22]从数字时代环境治理的视角，系统审视了数字平台、遥感监测等技术如何重塑环境监测、公众参与和治理干预方式。近年来，人工智能技术的兴起推动研究进入智能化阶段，程飞鸿 [12]从技术治理与社会治理两个维度分析了智能技术对环境治理的重塑作用。然而，上述研究主要聚焦于理论阐释与分析框架构建，尚未形成针对城市环境治理智能化能力的评估方法。
另一方面，受限于数据获取困难，现有研究仍以定性分析为主，缺乏量化实证支撑。环境治理智能化相关的专利、政策等文本大数据十分丰富，有潜力实现指标量化和分析框架构建。然而这类数据是典型的非结构化数据，难以直接进行量化分析。Dong等 [23]采用自然语言处理算法和基于文本的提示学习方法，评估了2007—2022年7282项国家级、省级和地市级低碳政策强度。但是该方法需要专业人员标注大量训练文本，成本高昂且耗时。近期兴起的ChatGPT等大语言模型技术为解决专业领域标注数据不足的问题提供了新思路 [24]，但还未有研究将其应用于环境治理智能化水平分析领域。
基于上述研究现状，本研究首先界定了环境治理智能化的定义与内涵，从技术创新和应用落地两个关键环节构建城市环境治理智能化能力评估方法，利用ChatGPT等自然语言处理技术，量化我国典型案例城市2014—2023年的能力差异，从时间变化、空间变化和城市发展路径三个方面展开分析，并从智能技术类型和环境治理目标类型两个维度对城市环境治理智能化表现差异展开讨论。
1 分析框架构建与数据来源 1.1 城市环境治理智能化能力分析框架构建本研究构建了城市环境治理智能化能力的分析框架，其理论基础建立在环境治理智能化的关键环节和内涵这两个维度上。
环境治理智能化的关键环节由技术创新和应用落地两方面构成。其中技术创新层面包含：①大数据技术创新，大数据作为信息时代的基础资源，是环境监测与分析的基本要素；②人工智能技术创新，通过优化算法和模型将大数据转化为智能决策能力。应用落地层面包含：①政策支持，政策可为环境治理智能化提供制度保障和发展方向；②项目实施，项目通过资金投入推进环境治理智能化相关政策的具体落地和运行。
环境治理智能化的内涵包含：①智能技术类型，基于数据作为新兴数字技术核心动力的特点，可将与环境治理智能化相关的技术分为数据获取、数据处理和数据应用三类。②环境治理目标，参考《中共中央国务院关于全面推进美丽中国建设的意见》 [25]，可将其划分为污染控制、生态保护和资源管理三类。
在此基础上，本研究构建了包含4个评价指标和6个分析维度的城市环境治理智能化能力评估方法（图 1）。评价指标由环境治理智能化的关键环节确定，用于综合评价城市智能化能力水平。分析维度由环境治理智能化的内涵确定，旨在从智能技术类型和环境治理目标的双重视角分析城市环境治理智能化能力表现特征。
|
图 1 城市环境治理智能化能力分析框架 |
本研究综合智慧城市发展水平 [26]、城市创新能力 [27]两个维度筛选案例城市。智慧城市发展水平反映了城市在数字基础设施建设和智能技术应用方面的整体能力，城市创新能力则体现了技术研发和创新转化的潜力，两者均反映了城市环境治理智能化发展的基础条件。具体筛选标准为上述两个维度排名均进入前20名，或至少一个维度进入前10名，同时兼顾区域代表性，选取了北京市、上海市、南京市、合肥市、广州市、成都市、杭州市、武汉市、深圳市和苏州市共十个城市作为研究案例，时间范围为2014—2023年。
本研究基于专利、政策及项目数据评估城市环境治理智能化能力水平。在技术创新能力维度，本研究通过中国知网专利数据库获取环境治理领域的大数据及人工智能相关专利数据，用于量化大数据创新指数和人工智能创新指数。对于大数据相关的专利，检索词为（“环境治理”或“环保”或“生态”）和（“大数据”或“云计算”或“数据挖掘”或“数据分析”）；对于与人工智能相关的专利，检索词为（“环境治理”或“环保”或“生态”）和（“人工智能”或“机器学习”或“深度学习”），收集的专利文本数据包括标题和摘要。
在应用落地能力维度，本研究基于北大法宝法律数据库的政策和项目数据，分别构建政策支持力度和项目实施力度指标。政策数据通过检索词（“环境治理”或“环保”或“生态”）和（“智能”或“大数据”或“人工智能”）获取；项目数据则通过检索词（“环境治理”或“环保”或“生态”）和（“智能”或“大数据”或“人工智能”）和（“项目”或“方案”）获取。政策、项目文本数据包括标题和正文全部内容。
研究总共获取了2014—2023年研究区域内10个案例城市的6507条专利文本数据和13 234条政策、项目文本数据。分城市看，专利文本数据方面，北京市、上海市、南京市、合肥市、广州市、成都市、杭州市、武汉市、深圳市和苏州市分别为1974条、595条、745条、251条、627条、420条、522条、384条、698条和291条；政策项目文本数据方面，各城市分别为2830条、2777条、737条、950条、1299条、760条、992条、1122条、898条和869条。
1.3 数据处理和指标量化方法 1.3.1 数据预处理本研究所收集的数据需进行数据清洗和摘要提取。数据清洗 [28]包括去除无关字符、统一文字格式、剔除停用词等，以确保文本数据的标准化和规范化。考虑到政策和项目文本两类数据内容通常较长，为了提高后续数据分析的效率和准确性，本研究采用Textrank算法 [29]对这两类数据的正文文本进行摘要提取，并限定提取后的摘要长度不超过5句话。
1.3.2 ChatGPT文本标注本研究通过提示词引导ChatGPT 3.5 API从三个环境治理目标和三个智能技术类别分别对每条文本数据进行分类标注 [30]。输入的数据为每条文本数据的标题和摘要，输出的是相应的分类标签，每条数据可以拥有多个分类标签。研究使用提示词引导ChatGPT有效完成多标签分类任务 [31]，提示词包含任务说明和分类规则两部分。其中，任务说明明确了需要完成的分类任务——从两个维度对提供的文字材料进行分类标注，每条材料可以拥有多个分类标签。①按环境治理目标维度标注（可多选）：污染控制、生态保护、资源管理。②按智能技术类别维度标注（可多选）：数据获取、数据处理、数据应用。分类规则详细定义了各分类并阐述了判定标准。鉴于ChatGPT的输出可能存在随机性和不稳定性 [32]，本研究对每条文本数据进行10次API调用标注，再通过多数投票法（即10次标注结果中频率最高的标注类型）确定最终的分类。
由于直接使用ChatGPT对全部数据进行标注时间和成本较高 [33]，本研究使用ChatGPT标注的数据涵盖所有分类代表性样本各50条，合计1500条标注数据。标注后的数据将用于后续本地化部署文本标注模型。
为验证ChatGPT标注的准确性，研究团队从1500条标注数据中随机抽取20%（300条）进行人工校验。人工标注由本研究作者中2名具有环境科学背景的研究人员独立完成，标注前对2名标注员进行统一培训，明确各类别的判定标准和边界情况处理原则。标注过程中，2名标注员首先独立标注，对存在分歧的样本通过讨论达成一致。经验证，ChatGPT标注准确率为0.87，表明其标注质量基本满足后续模型训练需求。
1.3.3 基于小样本学习的文本标注本地化部署BERT（Bidirectional Encoder Representations from Transformers）模型 [34]是在大规模中文语料库上进行的深度双向预训练模型，具备强大的语义理解能力，通过基于模型微调（fine-tune）的小样本学习方法 [35]，仅使用有限的训练数据，BERT模型也能有效完成复杂的文本标注任务。BERT作为一个开源模型可以本地化部署训练，计算时间和成本显著低于ChatGPT，因此本研究使用前述基于ChatGPT的标注结果对BERT模型进行微调，方法如下：
在BERT模型最上面添加2个独立的全连接层，分别用于预测环境治理目标和智能技术类型。为增强模型训练效果，研究仅对全连接层的权重和偏置、BERT模型最后两层参数进行更新，BERT模型前10层参数被冻结，保证模型更好地聚焦于更新高层次特征以适应本文任务。在训练过程中，ChatGPT标注的1500条数据被按照8∶ 2的比例划分为训练集和验证集。验证结果显示模型的准确率为0.89、召回率为0.91、F1分数为0.90，均达到较好效果，能够满足研究需要。
研究使用微调后的BERT模型对剩余18 241条文本数据进行标注，从而得到每条文本数据对应的环境治理目标和智能技术类型标签。
1.3.4 指标计算方法基于文本标注结果，本研究的具体指标计算过程如下：
（1）技术创新能力指标计算。大数据创新指数BDI用于衡量城市在大数据技术领域的创新实力，使用该城市在某一年获得的与大数据相关的专利数量作为计算指标。人工智能创新指数AII用于衡量城市在人工智能技术领域的创新实力，使用该城市在某一年获得的与人工智能相关的专利数量作为计算指标。将大数据创新指数和人工智能创新指数相加，得到城市的技术创新能力TIC得分：
| $ \mathrm{TIC}_{i, t}=\mathrm{BDI}_{i, t}+\mathrm{AII}_{i, t} $ | (1) |
其中，$\mathrm{TIC}_{i, t}$ 表示城市i在年份t的技术创新能力指数，项/a；$ \mathrm{BDI}_{i, t}$表示城市i在年份t的大数据创新指数，项/a；$\mathrm{AII}_{i, t}$ 表示城市i在年份t的人工智能创新指数，项/a。
人工智能创新指数BDI与大数据创新指数AII的比值反映了城市在环境智能化治理中人工智能技术相对于大数据技术的发展偏向性。
（2）应用落地能力指标计算。政策支持力度PSI用于衡量城市政府在环境治理智能化方面发布政策的积极性，使用该城市在某一年发布的环境治理智能化相关政策数量作为计算指标。项目实施力度PII用于衡量城市在环境治理智能化项目上的实际投入和执行情况，使用该城市在某一年度实施的环境治理智能化相关项目数量作为计算指标。将政策支持力度和项目实施力度相加，得到城市的应用落地能力AIC得分：
| $ \mathrm{AIC}_{i, t}=\mathrm{PSI}_{i, t}+\mathrm{PII}_{i, t} $ | (2) |
式中，$\mathrm{AIC}_{i, t}$ 表示城市i在年份t的应用落地能力，项/a；$\mathrm{PSI}_{i, t}$ 表示城市i在年份t的政策支持力度，项/a；$\mathrm{PI}_{i, t}$表示城市i在年份t的项目实施力度，项/a。
项目实施力度PSI与政策支持力度PII的比值反映了政策制定效率与实际执行效率之间的匹配程度。
（3）指标归一化处理。为了消除各个指标之间的数值量级差异，确保不同指标在综合评价中具有可比的贡献度，研究对技术创新能力总指数和应用落地能力总指数进行归一化处理。使用最小—最大归一化方法，将指标值映射到0~ 100。
（4）指标的多维分析。为从智能技术类型和环境治理目标的双重视角分析城市环境治理智能化能力表现特征，各城市在不同维度上的指标计算如下：
针对智能技术类型（数据获取DAQ、数据处理DP、数据应用DAP）或环境治理目标（污染控制PC、生态保护EP、资源管理RM）中的某一维度s，技术创新能力TICs得分计算公式为：
| $ \alpha_{i, t}^{s}=\frac{\text { Pat_ } N_{i, t}^{s}}{\text { Pat_ } N_{i, t}^{\mathrm{Total}}} $ | (3) |
| $ \mathrm{TIC}_{i, t}^{s}=\alpha_{i, t}^{s} \times \mathrm{TIC}_{i, t} $ | (4) |
式中，$\mathrm{TIC}_{i, t}^{s}$ 为城市$i$ 在年份$t$ 对应智能技术类型或环境治理目标在维度$s$ 的技术创新能力得分；$\alpha_{i, t}^{s}$ 为维度$s$ 对应的权重系数；Pat＿$N_{i, t}^{s}$ 为城市$i$ 在年份$t$ 属于维度$s$ 的用于计算$\mathrm{TIC}_{i, t}$ 的专利文本数量，项/a；Pat＿$N_{i, t}^{\text {Total }}$ 为城市$i$ 在年份$t$ 的用于计算$\mathrm{TIC}_{i, t}$ 的专利文本数量，项/ a。
应用落地能力AICs得分计算公式为：
| $ \beta_{i, t}^{s}=\frac{\text { Pol_ } N_{i, t}^{s}}{\text { Pol_ } N_{i, t}^{\text {Total }}} $ | (5) |
| $ \mathrm{AIC}_{i, t}^{s}=\beta_{i, t}^{s} \times \mathrm{AIC}_{i, t} $ | (6) |
式中，$\mathrm{AIC}_{i, t}^{s}$ 为城市$i$ 在年份$t$ 对应智能技术类型或环境治理目标在维度$s$ 的应用落地能力得分；$\beta_{i, t}^{s}$ 为维度$s$ 对应的权重系数；Pol＿$N_{i, t}^{s}$ 为城市$i$ 在年份$t$ 属于维度$s$ 的用于计算$\mathrm{AIC}_{i, t}$ 的政策项目文本数量，项/a；Pol＿$N_{i, t}^{\mathrm{Total}}$ 为城市$i$ 在年份$t$ 的用于计算$\mathrm{AIC}_{i, t}$ 的政策项目文本数量，项/a。
尽管同一专利、政策或项目可能在不同维度上同时涉及特定的智能技术类型和环境治理目标，从而出现重复计入的情况，但本研究在呈现结果时各维度得分彼此独立、不进行加总，同时也可更清晰地揭示城市在各维度上的相对侧重和发展差异。
2 结果与分析本研究根据上文的分析框架和量化方法，对10个案例城市2014—2023年各项指标得分进行量化，系统分析环境治理智能化发展情况。为更好地分析其特征，本文从时间演变、空间演变和城市发展路径三个角度展开分析。
2.1 案例城市环境治理智能化能力的时间演变规律分析研究时间范围内，10个案例城市的平均技术创新能力TIC和应用落地能力TIC均呈现出波动上升趋势（图 2）。技术创新能力TIC和应用落地能力TIC在2014年和2023年的均值分别为8.2、10.6和60.0、70.0，分别增长了633% 和559%，表明各城市在环境治理智能化方面的技术研发和实际应用能力均有显著提高。
|
图 2 2014—2023年案例城市的环境治理智能化能力得分均值 |
梳理环境治理智能化相关中央政策文件发现，地方环境治理智能化能力的变化与中央政策发布的密度、政策类型结构及其配套实施机制具有相关性。2014年《中华人民共和国环境保护法》的修订为环境信息化建设提供了法律基础，构建起环境监测网络建设的政策框架，2017年《新一代人工智能发展规划》 [36]将“智能环保”列入重点应用领域，2021年《“十四五”国家信息化规划》 [37]《“十四五”生态环境领域科技创新专项规划》 [38]等战略规划性政策为环境领域的人工智能创新提供顶层设计，同时《关于开展生态环境遥感监测试点工作的通知》 [39] 《生态环境智慧监测创新应用试点工作方案》 [40]等实施指导性政策构建了应用实施框架。各地环境治理智能化能力水平从2014年起开始提升，在2016年及2019年快速增长（增长率分别为67.6% 和38.5%），这与2014年和2017年相关核心政策的颁布形成明显的时序对应关系，上述现象说明中央政策从颁布到地方实际落地存在时滞性，政策效应需要通过地方实施机制转化并逐步积累。
从智能技术类型来看，数据获取类技术的创新和应用都取得了显著进展，是目前三种智能技术类型中的发展重点，见图 3a和图 3c。具体而言，数据获取类技术的技术创新能力得分TICDAQ从2014年的1.5提高到2023年的17.0，应用落地能力得分AICDAQ从2014年的3.9提升至2023年的23.1，这一显著提升得益于环境监测网络建设的全面推进，自2015年国务院办公厅印发《生态环境监测网络建设方案》 [41, 42]以来，我国已建成覆盖全国的监测网络，为智能技术获取海量环境数据提供了坚实基础。相比之下，数据处理与应用类技术的推进较为缓慢，研究期内TICDP、TICDAP、AICDP、AICDAP的得分绝对值增长量最高不超过6。
|
图 3 2014—2023年案例城市智能技术类型和治理目标指标得分 |
从治理目标来看，资源管理类和污染控制类智能技术的创新能力最为突出，但生态保护类智能技术的应用落地能力最强（图 3b和图 3d）。具体来说，在技术创新能力方面，各类治理目标下的智能技术创新能力显著提升，尤其是资源管理类TICRM和污染控制类TICPC，从2014年到2023年分别从0.9和1.0增至10.4和10.8。而在应用落地能力方面，生态保护类AICEP表现更为突出，自2021年以来持续保持领先优势并在2023年达到13.4，显著高于同期污染控制类（10.0）和资源管理类（10.8），表明生态保护领域的智能技术虽然目前在技术创新中投入相对较少，但在实际应用中展现出较强的落地潜力。
2.2 案例城市环境治理智能化能力的空间演变规律分析以2023年案例城市环境治理智能化能力得分为例（图 4），分析发现北京市和上海市得分显著高于其他城市。在技术创新能力方面，北京市得分为满分，显示出其在技术发展上的优势。在应用落地能力方面，北京市和上海市的得分分别为171.6和182.1，显著领先于其他城市。大部分城市的技术创新和应用落地发展较为均衡。但上海市的应用落地能力显著高于其技术创新能力，南京市与之相反，这可能是因为两市的城市功能定位存在差异：上海作为国际经济金融中心强调技术快速转化和产业应用 [43, 44]，政策导向场景开放和示范应用；而南京作为创新名城侧重原始创新和科技自立自强，政策聚焦算法创新和研发平台建设 [45]。
|
图 4 案例城市的环境治理智能化关键环节各指标得分（2023年） |
从人工智能创新指数BDI与大数据创新指数AII的比值来看，合肥市（4.5）、南京市（1.6）的比值相对较高，说明这些城市在环境治理智能化发展中更侧重于人工智能技术的应用和创新。相反，武汉市（0.6）的比值较低，反映出该城市选择了以大数据基础设施建设为主导的发展路径，优先夯实数据基础能力。从项目实施力度PSI与政策支持力度PII的比值来看，成都市（1.3）、上海市（1.2）和北京市（1.2）这一比值较高，显示这些城市在环境治理智能化进程中更注重项目落地和实践探索。相比之下，合肥市（0.3）和广州市（0.1）的比值较低，表明这些城市当前阶段更侧重于政策体系的构建和顶层设计的完善。
从智能技术类别上看，各城市普遍呈现以数据获取技术为主，而数据处理类和数据应用类技术相对薄弱的“重硬轻软”发展模式，见图 5a和图 5c。数据获取类技术的TICDAQ、AICDAQ在技术创新能力和应用落地能力中占据主导地位（平均占比分别为60% 和67%），反映出城市普遍重视数据基础设施建设和数据采集环节。数据处理类技术的TICDP在技术创新能力中平均占比达到23%，但AICDP在应用落地能力中仅为7%，表明该类技术在实际应用中的转化率较低。数据应用类技术的TICDAP在技术创新能力中平均占比为16%，而AICDAP在应用落地能力中的平均占比为25%，表明相对于数据获取和处理类技术而言，数据应用类技术在创新方面投入不足，但实际落地需求较大。这种技术发展的差异与智能环境治理技术发展历程密切相关。环境监测传感器、监测物联网等数据采集技术早在20世纪90年代就已快速发展 [46]，而基于深度学习的环境预测和污染分析等数据处理技术直到2012年后才逐步实现突破 [47]，数据应用类技术则更多依赖于前两者的成熟和对行业场景的深度理解，因此发展相对滞后。这种由技术成熟度差异导致的发展不平衡，在实践中演变为目前存在的较多“浅层化应用”问题，项目多停留在监测数据采集层面，缺乏深度分析和智能决策支持，各城市在环境数据价值挖掘方面仍有较大提升空间。
|
图 5 案例城市环境治理智能化内涵维度各指标得分占比（2023年） |
从治理目标类别分析，各城市技术创新侧重点存在显著差异，而技术应用则趋于均衡，见图 5b和图 5d。在技术创新能力方面，城市间展现出显著的结构性差异。具体而言，污染控制类技术TICPC（29%~ 53%）、生态保护类技术TICEP（15%~ 36%）和资源管理类技术TICRM（24%~ 52%）的分布区间跨度较大。各城市普遍呈现出技术创新的专业化导向，主要表现为污染控制技术或资源管理技术的主导地位。例如，武汉市污染控制技术占比达53%，上海市和广州市资源管理技术占比均超过50%。相比之下，在应用落地能力层面，污染控制类技术AICPC（23%~ 35%）、生态保护类技术AICEP（33%~ 45%）和资源管理类技术AICRM（22%~ 39%）的分布则呈现出较高的均衡性。各城市环境治理技术发展呈现出从“技术创新专业化突破”向“应用落地均衡化发展”的现象，说明尽管各城市在技术创新上呈现出明显的差异特征，但在实际环境治理应用中，各类技术的比例趋于均衡，反映出环境治理实践需要不同领域的技术协同配合。
2.3 案例城市环境治理智能化的发展路径分析从整体上看，案例城市的环境治理智能化水平尽管起始能力存在差异，但均呈现显著的增长趋势，表现为高基数城市引领绝对值增长，低基数城市保持高增长率的发展态势（图 6）。从技术创新维度来看，北京市和广州市的表现最为突出，技术创新能力分别提升了186.2分和80.4分；在应用落地能力方面，上海市和北京市分别增长了162.4分和105.5分。另外，部分城市虽然目前的绝对得分较低，但也展现出追赶态势。例如，合肥市和苏州市的技术创新能力增长率分别达到1821% 和1335%，南京市在应用落地能力方面虽然绝对分值增长最低（22.2），但增长率高达2199%，表明这些城市在环境治理智能化领域的发展态势强劲。
|
图 6 2014—2023年案例城市环境治理智能化区域间差异比较 |
从案例城市环境治理智能化能力得分增长的波动变化来看，技术创新能力普遍存在较大波动（年增长率标准差平均为120.8），而应用落地能力虽然整体波动性相对较小（年增长率标准差平均为77.3），但城市间差异显著（最小值为上海市21.0，最大值为南京市260.0）。这两种能力的波动性差异原因可能在于，技术创新更容易受政策导向、资源投入等短期因素的影响，如合肥市在2016年《智慧合肥建设“十三五”规划纲要》 [48]出台后，技术创新能力得分即从2016年开始快速上升，但2017年便出现增长停滞。相比之下，应用落地能力提升则相对缓慢，且城市间差异更为明显，需要在技术、产业等多方面长期发力，具有一定滞后性和累积效应，如合肥市的应用落地能力从2017年才开始缓慢上升，2019年后才进入快速增长阶段。
从技术创新能力与应用落地能力的相关性分析来看，样本城市的相关系数整体较高。上海市、武汉市、杭州市、北京市展现出较高的相关性（相关系数超过0.8）。虽然上海市在应用落地能力（182.1）与技术创新能力（39.4）的绝对得分上存在显著差异，但两者的发展变化具有高度同步性（相关系数为0.95）。合肥市的相关系数仅为0.49，明显低于其他城市，表明其技术创新与应用落地的能力发展趋势存在一定差异。高度相关性在一定程度上说明技术创新和应用落地两个环节之间存在一定的相互促进因素。有研究表明，实现特定领域的技术应用必须有足够的技术基础支撑 [49]，应用需求也可以引导技术创新方向，促使围绕产业急需突破关键共性技术 [50]。
3 研究结论与政策建议本研究围绕环境治理智能化的关键环节和内涵两个维度构建了城市环境治理智能化能力分析框架，从时间演变、空间演变和城市发展路径三个方面分析了我国十个案例城市的环境治理智能化发展情况。
研究发现：①案例城市的环境治理智能化能力水平在2014—2023年整体呈现出显著的上升趋势，北京市和上海市保持领先优势，各城市发展重点存在差异，如上海市偏重应用落地、南京市偏重技术创新。②从关键环节上看，苏州市、成都市等城市技术创新环节可能存在大数据基础与人工智能应用深度的发展不匹配现象；成都市、上海市等城市应用落地环节可能存在政策发布与项目落地的断层现象。③在智能技术类型方面，各城市呈现“重硬轻软”的失衡现象，反映出“浅层化应用”问题；在环境治理目标方面，各城市呈现从“技术创新专业化突破”向“应用落地均衡化发展”的演进规律。④从城市发展路径上看，起点较高的城市引领行业发展，其余城市正加速追赶。在发展过程中，各城市技术创新能力易受短期影响而波动，应用落地能力则呈现渐进累积特征。
基于上述研究发现，提出以下政策建议：第一，推动环境治理场景化智能应用平台建设。建议进一步整合环境大数据资源，探索建立面向具体治理场景的AI训练与应用平台，支持污染溯源、环境预警、智能监管等典型场景的算法研发与部署，逐步实现从数据采集到智能决策的全链条智能化转型。第二，强化软件能力建设与软硬件投入平衡。建议在持续完善硬件基础设施的同时，适度加大对数据分析算法、预测模型、决策支持系统等软件技术的研发投入，探索建立软硬件协同发展机制，提升环境大数据的分析应用能力与智能化水平。第三，健全从政策制定到实践落地的传导机制。建议进一步明确政策实施路径和责任分工，探索设立相关专项支持计划，建立政策实施的动态评估与反馈机制，推动各项智能化举措在环境治理实践中发挥实效。
| [1] |
MAHAJAN S. Design and development of an open-source framework for citizen-centric environmental monitoring and data analysis[J]. Scientific reports, 2022, 12(1): 14416. DOI:10.1038/s41598-022-18700-z |
| [2] |
NCUBE M M, NGULUBE P. Enhancing environmental decision-making: a systematic review of data analytics applications in monitoring and management[J]. Discover sustainability, 2024, 5(1): 290. DOI:10.1007/s43621-024-00510-0 |
| [3] |
UNDERDAL A. Complexity and challenges of long-term environmental governance[J]. Global environmental change, 2010, 20(3): 386-393. DOI:10.1016/j.gloenvcha.2010.02.005 |
| [4] |
MATTHIES M, GIUPPONI C, OSTENDORF B. Environmental decision support systems: current issues, methods and tools[J]. Environmental modelling & software, 2007, 22(2): 123-127. |
| [5] |
WALLING E, VANEECKHAUTE C. Developing successful environmental decision support systems: challenges and best practices[J]. Journal of environmental management, 2020, 264: 110513. DOI:10.1016/j.jenvman.2020.110513 |
| [6] |
XU K. Challenges, opportunities and future paths: environmental governance of big data initiatives in China[J]. Sustainability, 2023, 15(13): 9975. DOI:10.3390/su15139975 |
| [7] |
OLAWADE D B, WADA O Z, IGE A O, et al. Artificial intelligence in environmental monitoring: advancements, challenges, and future directions[J]. Hygiene and environmental health advances, 2024, 12: 100114. DOI:10.1016/j.heha.2024.100114 |
| [8] |
NALLAKARUPPAN M K, GANGADEVI E, SHRI M L, et al. Reliable water quality prediction and parametric analysis using explainable AI models[J]. Scientific reports, 2024, 14(1): 7520. DOI:10.1038/s41598-024-56775-y |
| [9] |
GUO Q Q, REN M J, WU S Y, et al. Applications of artificial intelligence in the field of air pollution: a bibliometric analysis[J]. Frontiers in public health, 2022, 10: 933665. DOI:10.3389/fpubh.2022.933665 |
| [10] |
余敏江. 智慧环境治理: 一个理论分析框架[J]. 经济社会体制比较, 2020(3): 87-95. |
| [11] |
程飞鸿. 智能化环境治理的内在悖论与矛盾纾解[J]. 中国人口·资源与环境, 2024, 34(1): 97-105. |
| [12] |
程飞鸿. 智能化环境治理向何处去[J]. 检察风云, 2022(23): 18-19. |
| [13] |
IQBAL K, WANG Y C, DANISH, et al. Understanding the relationship between technological innovation and environmental sustainability under the silver lining of education[J]. Frontiers in environmental science, 2023, 11: 1235376. DOI:10.3389/fenvs.2023.1235376 |
| [14] |
OMONIJO O N, ZHANG Y S. Examining the relationship between technological innovation, environmental social governance and corporate sustainability: the moderating role of green operational innovation[J]. Humanities and social sciences communications, 2025, 12(1): 107. DOI:10.1057/s41599-025-04389-8 |
| [15] |
LI D, HU S M. How does technological innovation mediate the relationship between environmental regulation and high-quality economic development? Empirical evidence from China[J]. Sustainability, 2021, 13(4): 2231. DOI:10.3390/su13042231 |
| [16] |
SHAO J. Implementation gap of China's environmental policies: logic behind the over-implementation of the coal to gas transition[J]. Journal of environmental policy & planning, 2023, 25(5): 611-624. |
| [17] |
SEN S. Corporate governance, environmental regulations, and technological change[J]. European economic review, 2015, 80: 36-61. DOI:10.1016/j.euroecorev.2015.08.004 |
| [18] |
HUOVILA A, BOSCH P, AIRAKSINEN M. Comparative analysis of standardized indicators for Smart sustainable cities: what indicators and standards to use and when?[J]. Cities, 2019, 89: 141-153. DOI:10.1016/j.cities.2019.01.029 |
| [19] |
HE G, JIANG H Y, ZHU Y N. The effect of digital technology development on the improvement of environmental governance capacity: a case study of China[J]. Ecological indicators, 2024, 165: 112162. DOI:10.1016/j.ecolind.2024.112162 |
| [20] |
MOL A P J. Environmental governance in the information age: the emergence of informational governance[J]. Environment and planning C: government and policy, 2006, 24(4): 497-514. DOI:10.1068/c0508j |
| [21] |
刘锐, 刘文清, 卫晋晋, 等. "互联网+"智慧环保评价指标体系研究[J]. 中国工程科学, 2018, 20(2): 120-128. |
| [22] |
KLOPPENBURG S, GUPTA A, KRUK S R L, et al. Scrutinizing environmental governance in a digital age: new ways of seeing, participating, and intervening[J]. One earth, 2022, 5(3): 232-241. DOI:10.1016/j.oneear.2022.02.004 |
| [23] |
DONG X Y, WANG C, ZHANG F, et al. China's low-carbon policy intensity dataset from national- to prefecture-level over 2007–2022[J]. Scientific data, 2024, 11(1): 213. DOI:10.1038/s41597-024-03033-5 |
| [24] |
MITTELSTÄDT J M, MAIER J, GOERKE P, et al. Large language models can outperform humans in social situational judgments[J]. Scientific reports, 2024, 14(1): 27449. DOI:10.1038/s41598-024-79048-0 |
| [25] |
中共中央, 国务院. 中共中央国务院关于全面推进美丽中国建设的意见[EB/OL]. (2024-01-11)[2025-05-07]. https://www.gov.cn/zhengce/202401/content_6925406.htm.
|
| [26] |
北京大学中外人文交流研究基地, 港湾海外. 2023亚洲智慧城市排名[EB/OL]. (2023-07-07)[2025-05-07]. https://www.rmzxw.com.cn/c/2023-07-08/3374442.shtml.
|
| [27] |
中国科学技术信息研究所. 国家创新型城市创新能力评价报告(2023)[M]. 北京: 科学技术文献出版社, 2023.
|
| [28] |
SAWICKI J, GANZHA M, PAPRZYCKI M. The state of the art of natural language processing―a systematic automated review of NLP literature using NLP techniques[J]. Data intelligence, 2023, 5(3): 707-749. DOI:10.1162/dint_a_00213 |
| [29] |
LIU W J, SUN Y Y, YU B, et al. Automatic text summarization method based on improved textrank algorithm and K-means clustering[J]. Knowledge-based systems, 2024, 287: 111447. DOI:10.1016/j.knosys.2024.111447 |
| [30] |
ZHU Y M, ZHANG P X, HAQ E U, et al. Can ChatGPT reproduce human-generated labels? A study of social computing tasks[J]. arXiv preprint arXiv: 2304.10145, 2023.
|
| [31] |
ZHANG W J, SONG X N, FENG Z H, et al. LabelPrompt: effective prompt-based learning for relation classification[J]. arXiv preprint arXiv: 2302.08068, 2023.
|
| [32] |
REISS M V. Testing the reliability of ChatGPT for text annotation and classification: a cautionary remark[J]. arXiv preprint arXiv: 2304.11085, 2023.
|
| [33] |
GILARDI F, ALIZADEH M, KUBLI M. ChatGPT outperforms crowd workers for text-annotation tasks[J]. Proceedings of the national academy of sciences of the United States of America, 2023, 120(30): e2305016120. |
| [34] |
DEVLIN J, CHANG M W, LEE K, et al. BERT: pretraining of deep bidirectional transformers for language understanding[C] //Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1(Long and Short Papers). Minneapolis: Association for Computational Linguistics, 2019: 4171-4186.
|
| [35] |
XUE K, ZHOU Y M, MA Z Y, et al. Fine-tuning BERT for joint entity and relation extraction in Chinese medical text[C] //Proceedings of the 2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). San Diego: IEEE, 2019: 892-897.
|
| [36] |
国务院. 国务院关于印发新一代人工智能发展规划[EB/OL]. (2017-07-20)[2025-05-07]. https://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.
|
| [37] |
中央网络安全和信息化委员会. "十四五"国家信息化规划[EB/OL]. (2021-12-27)[2025-05-07]. https://www.cac.gov.cn/2021-12/27/c_1642205314518676.htm.
|
| [38] |
科技部, 生态环境部, 住房和城乡建设部, 等. 科技部生态环境部住房和城乡建设部气象局林草局关于印发《"十四五"生态环境领域科技创新专项规划》的通知[EB/OL]. (2022-09-19)[2025-05-07]. https://www.gov.cn/zhengce/zhengceku/2022-11/02/content_5723769.htm.
|
| [39] |
生态环境部生态环境监测司. 关于开展生态环境遥感监测试点工作的通知[EB/OL]. (2019-02-28)[2025-05-07]. https://www.mee.gov.cn/xxgk2018/xxgk/sthjbsh/201903/t20190306_694554.html.
|
| [40] |
韩国高, 刘田广, 庞明川. 生态环境智慧监测与企业环境信息粉饰[J]. 世界经济, 2025, 48(7): 3-35. |
| [41] |
国务院办公厅. 国务院办公厅关于印发生态环境监测网络建设方案的通知[EB/OL]. (2015-07-26)[2025-05-07]. https://www.gov.cn/zhengce/content/2015-08/12/content_10078.htm.
|
| [42] |
柏仇勇, 赵岑. 中国生态环境监测40年改革发展与成效[J]. 中国环境管理, 2019, 11(4): 30-33. DOI:10.16868/j.cnki.1674-6252.2019.04.030 |
| [43] |
上海市经济和信息化委员会. 上海市经济和信息化委员会关于印发《上海市人工智能产业发展"十四五"规划》的通知[EB/OL]. (2021-12-27)[2025-11-20]. https://www.sheitc.sh.gov.cn/cyfz/20211228/29259791c2fd46a2aff8b0dc09d4f8e6.html.
|
| [44] |
上海市人民政府办公厅. 上海市人民政府办公厅印发《关于人工智能"模塑申城"的实施方案》的通知[EB/OL]. (2024-12-20)[2025-11-20]. https://www.shanghai.gov.cn/nw12344/20241227/670ecb743f954adfbc4fa60aaf3c688b.html.
|
| [45] |
中共南京市委, 南京市人民政府. 中共南京市委南京市人民政府印发《关于深化创新名城建设提升创新首位度的若干政策措施》的通知[EB/OL]. (2019-01-01)[2025-11-20]. https://sw.nanjing.gov.cn/zyfb/swwj/202009/t20200917_2409115.html.
|
| [46] |
HART J K, MARTINEZ K. Environmental sensor networks: a revolution in the earth system science?[J]. Earth-science reviews, 2006, 78(3-4): 177-191. DOI:10.1016/j.earscirev.2006.05.001 |
| [47] |
YUAN Q Q, SHEN H F, LI T W, et al. Deep learning in environmental remote sensing: achievements and challenges[J]. Remote sensing of environment, 2020, 241: 111716. DOI:10.1016/j.rse.2020.111716 |
| [48] |
合肥市人民政府. 智慧合肥建设"十三五"规划纲要[EB/OL]. (2016-12-21)[2025-11-20]. http://www.yrdcpcn.org.cn/c55876/20250610/i298153.phtml.
|
| [49] |
候玉琴. 数字经济时代的技术融合与应用创新趋势分析[J]. 现代工业经济和信息化, 2023, 13(9): 303-305. |
| [50] |
李瑾, 郭美荣, 高亮亮. 农业物联网技术应用及创新发展策略[J]. 农业工程学报, 2015, 31(S2): 200-209. |