研究方法上，文章构建了一个综合性分析框架：
因变量：创新性地利用夜间灯光（NTL）卫星数据与网格化人口数据估算城市内部基尼系数，作为高分辨率的空间不平等代理变量。
自变量：采用自然语言处理（NLP）技术分析地方政府工作报告，量化其SDGs实施强度。
核心模型：运用时空地理加权回归（GTWR）模型捕捉效应的时空变异，并以BP神经网络进行验证。
主要研究发现如下：
时间异质性（U型趋势）：SDGs的“缩小效应”并非线性。其效应在2012年较弱，于2018年达到峰值，之后到2022年有所回落，呈现明显的“U型”曲线，表明政策效果存在动态变化过程。
空间异质性（因地而异）：效应强度在不同城市间差异显著。中国西南部城市的缩小效应最为明显，可能得益于清洁能源投资等政策。然而，在高度发达的一线城市、人口外流城市及可持续发展成本高的城市，效应则相对有限。
提前实施的关键作用：那些SDGs实施强度大、效果显著的城市，其不平等缩小的“峰值年份”会提前1-2年出现，凸显了提早行动的战略价值。
其他影响因素：分析同时证实，城镇化与基础设施建设有助于降低不平等，而外国直接投资（FDI） 和较高失业率则会加剧不平等。
研究结论与政策启示表明，地方政府实施SDGs是缓解城市不平等的有效工具，但必须采取差异化策略，而非“一刀切”。政策制定应：
分类施策：为不同类别的城市定制独特的SDGs实施路径。
前瞻布局：鼓励城市尽早落实SDGs，以更快获益。
协同治理：在经济发展政策中配套社会措施，对冲其可能加剧不平等的负面影响。
总之，该研究通过多学科方法融合，为理解和评估SDGs的本地化成效提供了新颖框架与实证依据，对推动包容性可持续发展具有重要启示。#城市可持续发展
因变量：创新性地利用夜间灯光（NTL）卫星数据与网格化人口数据估算城市内部基尼系数，作为高分辨率的空间不平等代理变量。
自变量：采用自然语言处理（NLP）技术分析地方政府工作报告，量化其SDGs实施强度。
核心模型：运用时空地理加权回归（GTWR）模型捕捉效应的时空变异，并以BP神经网络进行验证。
主要研究发现如下：
时间异质性（U型趋势）：SDGs的“缩小效应”并非线性。其效应在2012年较弱，于2018年达到峰值，之后到2022年有所回落，呈现明显的“U型”曲线，表明政策效果存在动态变化过程。
空间异质性（因地而异）：效应强度在不同城市间差异显著。中国西南部城市的缩小效应最为明显，可能得益于清洁能源投资等政策。然而，在高度发达的一线城市、人口外流城市及可持续发展成本高的城市，效应则相对有限。
提前实施的关键作用：那些SDGs实施强度大、效果显著的城市，其不平等缩小的“峰值年份”会提前1-2年出现，凸显了提早行动的战略价值。
其他影响因素：分析同时证实，城镇化与基础设施建设有助于降低不平等，而外国直接投资（FDI） 和较高失业率则会加剧不平等。
研究结论与政策启示表明，地方政府实施SDGs是缓解城市不平等的有效工具，但必须采取差异化策略，而非“一刀切”。政策制定应：
分类施策：为不同类别的城市定制独特的SDGs实施路径。
前瞻布局：鼓励城市尽早落实SDGs，以更快获益。
协同治理：在经济发展政策中配套社会措施，对冲其可能加剧不平等的负面影响。
总之，该研究通过多学科方法融合，为理解和评估SDGs的本地化成效提供了新颖框架与实证依据，对推动包容性可持续发展具有重要启示。#城市可持续发展
