基于扩展STIRPAT模型和共享社会经济路径（SSPs）的城市群生态足迹驱动力分析与预测
文献来源：Ziheng Li, Muntasir Murshed, Pengdong Yan, Driving force analysis and prediction of ecological footprint in urban agglomeration based on extended STIRPAT model and shared socioeconomic pathways （SSPs）, Journal of Cleaner Production, Volume 383,2023,135424. https://doi.org/10.1016/j.jclepro.2022.135424.
摘要：当前，一些地区正面临着环境退化的挑战，尤其是中国经济最具活力的珠三角城市群。该区综合发展水平高，区域发展不均衡，进一步加大了生态安全评价的复杂性和难度。为此，我们建立了城市群生态足迹（EF）模型和扩展的非线性STIRPAT模型，探讨了珠江三角洲城市群生态足迹的时空演变规律和驱动机制，并利用共享社会经济路径情景（SSP1-SSP5）数据库预测了2000 - 2100年人口变化对生态足迹的影响。结果表明，2014年以后，中国生态足迹显著增加，但年均增速放缓。同时，生态足迹呈现空间聚集现象，并逐渐向深圳迁移。人口增长对生态足迹的扩大贡献最大，其次是人均GDP和城市绿地面积，而技术对生态足迹的影响存在不确定性。此外，研究还表明，经济发展与生态足迹之间不存在经典的环境库兹涅茨曲线（EKC）假设。预测结果表明，人口变化对大部分城市生态足迹的贡献在2040 ~ 2060年达到峰值，其中SSP5情景的峰值最大。研究结果旨在为世界上其他存在经济与生态发展不平衡问题的城市群提供参考。
一、引言
经济的高速发展和人口的快速增长极大地提高了全球资源消耗标准。与此同时，世界各地出现了一系列环境问题。为了保持人与自然的动态平衡，世界环境与发展委员会于1987年正式提出了可持续发展的概念。因此，科学测量人类活动与资源环境的关系对实现区域可持续发展具有重要意义。
此前，已有多种方法用于识别人类活动对区域资源环境绩效的影响，其中生态足迹模型已被证明是一种强有力的工具，因此，本研究将应用生态足迹模型定量分析1990 - 2019年珠江三角洲城市群生态足迹的时空格局，并采用标准差椭圆法探讨生态足迹空间分布方向和扩散趋势。此外，利用扩展的STIRPAT模型识别生态足迹的主要驱动因素及其非线性驱动效应，并利用岭回归代替传统的最小二乘法解决不同变量之间的共线性问题，进一步选择对生态足迹影响最大的因子，分析不同SSP情景下对生态足迹的贡献。以期为该区的生态建设和可持续发展提供一些建议。
二、研究区域和数据来源
2.1 研究区域
珠江三角洲城市群（PRDUA）位于广东省东南部，，是中国南部亚热带最大的亚热带冲积平原，总面积约5.6 × 104 km2。自然条件优越，同时又处于中国对外开放的前沿，在国民经济社会发展和改革大局中具有突出的引领作用和重要的战略地位。
随着珠江三角洲的快速全面发展，生态系统发生了巨大变化。自然资源的过度开发造成了珠江三角洲严重的生态问题。综合发展水平高，区域经济发展空间不平衡，进一步加大了生态安全评估的复杂性和难度。为了追求社会与环境的可持续性，梳理珠江三角洲生态环境变化的原因，制定合理的生态发展战略具有重要意义。
图1 研究区概况图
2.2 数据来源
生态足迹和驱动因子数据来源于1900 - 2019年EPS数据平台和各省市统计年鉴。根据PRDUA的实际情况，我们收集了两类消费数据（生物消费和能源消费），共40个统计项。SSP1-SSP5情景下PRDUA各城市2020 - 2100年的人口总数基于多维人口模型。中国特色总人口发展路径概述如下：在SSP1-SSP5情景下，生育率分别为低、中、高、低、低;死亡率分别为低、中、高、中、低;迁移率分别为中等、中等、低、中、高。利用ArcGIS提取空间分辨率为1 km × 1 km的人口总数数据。
表1 生态足迹指标评价体系
数据类型
数据信息
数据来源
共享社会经济路径
1 km × 1 km的人口总数数据
2010-2100年共享社会经济路径下中国省级和网格化人口预测
生态足迹核算指标
生物资源消耗
耕地
水稻、玉米、小麦、豆类、红薯、油料作物、甘蔗、蔬菜、瓜类、猪肉、鸡蛋
1900 - 2019年各省市EPS数据平台和统计年鉴
林地
柑桔、香蕉、荔枝、菠萝、桂圆、檀香、山茶籽、松香、木材、核桃、茶叶、烟草、板栗、竹子、药材
草地
牛肉、羊肉、禽肉、牛奶
水域
鱼，螃蟹，贝壳
能源消耗
建设用地
电力、石油，液化石油气
化石能源用地
原煤，焦炭，汽油，柴油，燃料
三、研究方法
3.1. 研究框架
首先，利用1990 - 2019年珠三角各城市不同土地类型消费数据计算生态足迹。其次，选取可能对生态足迹产生影响的指标，通过Pearson相关分析进行筛选。筛选的指标具有共线性，因此本文采用岭回归分析生态足迹的驱动力，量化各因子与生态足迹的关系。最后，基于不同SSP的情景设置，预测了各城市总人口对生态足迹的贡献。研究框架如图2所示。
图2 研究框架
3.2 生态足迹模型
生态足迹是指追踪人类对生物圈再生能力的需求，以维持人类生存所需的生产性土地面积表示。生态足迹是被解释的变量。生态足迹计算：
EF为生态足迹（hm2）；i指某一类商品；n为商品总数；j为不同土地利用类型；rj是第j类土地的均衡因子（一类土地的生物生产力与该地区所有生产性土地的平均生产力之比）；Ci为第i种商品的资源消耗（kg；m3；kW⋅h）；Pi是全球平均产量（kg/ha；m3 /ha；kW·h/ha） 。
3.3 扩展STIRPAT模型
STIRPAT模型允许对模型进行扩展，通过添加、减去、分解因素来提高模型的分析和解释能力（York et al .， 2003）。本文借鉴STIRPAT模型，构建了生态足迹变化与其驱动力因子的关系模型。为了保持数据平稳性和便于计算，可以将模型转化为以下线性对数运算形式：
其中Y为被解释变量:生态足迹（EF）；P、A、T分别代表人口、富裕程度和技术水平作为驱动因素;ε作为引入的自变量，表示除P、A、T以外的其他驱动力影响因素；Ln a和Ln e分别代表常数项和误差项。
基于以往的研究综合考虑人口规模、经济发展、科学技术、政府基础设施投资和自然条件等因素，选取人口总数（P， 104人）、人均GDP （A，￥ RMB/人）、研发支出（T1， 104￥ RMB）、专利认证（T2， item）、城市绿地面积（ε， ha）、平均气温（ε1，◦C）、水资源总量（ε2, 108 m3） 7个驱动因素。
b、c、d、k为模型的弹性系数，表明当驱动力影响因子（P、A、T、ε）变化1%时，Y分别变化b%、c%、d%、k%。以总人口为例，具体证明如下：
人口变化对生态足迹的贡献计算如下：
其中，Y2019表示2019年（基准年）的生态足迹，P2019表示2019年的总人口，Pt表示t年的总人口，△Yt表示t年的总人口对生态足迹的贡献。
四、结果与分析
4.1 生态足迹的时空格局
生态足迹的空间格局如图3所示。结果发现，1990 - 2019年，深圳和广州的生态足迹增长最快。截至2019年，这两个城市的生态足迹显著高于其他城市。
从生态足迹来看，广州和深圳是珠三角的两个增长极。2008年以后，除了广州和深圳，其他城市都没有明显的增长。珠海虽然有了一定的增长，但仍然处于较低的位置。此外，1990 - 2019年，该区EF的空间分布格局重心变化明显，空间聚集性明显。从图3m中可以看出，沿长轴方向的迁移为37.4 km（由蓝点向红点），标准差椭圆扁率由0.372变为0.352（由蓝色标准差椭圆变为红色标准差椭圆），这主要是由于深圳的发展使EF逐渐向其迁移，并且越来越集中在广州和深圳。
图3生态足迹的空间格局
图4为1990 - 2019年珠三角城市生态足迹分布图。结果发现，广州、深圳、珠海、惠州四个城市均呈现增长趋势。四个城市的人均能源消耗均有显著增长，人均化石燃料消费增长是主要驱动因素，其次是人均电力消费也对能源消耗有部分贡献。这表明这四个城市正在迅速发展。广州和深圳是整个PRDUA的核心，为了保持经济增长势头，对化石燃料和电力的需求一直很强劲，并且已经开始以破坏环境为代价。
珠海的生态环境量很小，但尽管增长迅速，但在生态上仍然是健康的。惠州面临生态破坏，是珠三角地区最不宜居的。其中，2019年广州EF最大，为60.53 × 106 hm2，深圳增幅最大，年均增幅为1.64 × 106 hm2。虽然惠州一直在增长，但EF的整体规模太小。其余城市在EF达到峰值后呈现下降或稳定的趋势。其中，东莞降幅最大。东莞能源消耗在2013年达到峰值（17.35 × 106 hm2）后，2019年继续下降至14.19 × 106 hm2，主要原因是人均化石燃料消费量下降，其次是猪肉、粮食和渔业产品的人均消费量略有下降。东莞环境资源的下降与政府环境投资的增加有关。佛山环境资源在2010年达到28.97 × 106 hm2的峰值后基本保持不变，其主要原因是人均猪肉消费量下降，人均蔬菜、粮食和化石燃料消费量略有下降。随着EF的稳定，佛山的生态环境也得到了改善。
图4 1990年至2019年珠三角城市生态足迹
图5（a）为PRDUA生态足迹的时间变化。根据EF的平均年增长率，我们粗略地把珠江三角洲EF的发展分为三个阶段。其他地区的EF也可以根据年平均增长率划分适当的阶段，便于分析。第一阶段为稳定增长阶段，生态足迹从47.91 × 106 hm2（1990年）增加到78.56 × 106 hm2（1998年），年均增长3.83 × 106 hm2/年；第二阶段为快速增长期，生态足迹从78.56 × 106 hm2（1998年）增加到210.42 × 106 hm2年均增长8.24 × 106 hm2/年；第三阶段也是稳定增长阶段，生态足迹从210.42 × 106 hm2（2014年）增加到225.71 × 106 hm2（2019年），年均增长3.06 × 106 hm2/年。珠三角完成了“十二五”减排节能工程，EF的年均增速也有所放缓，并呈现下降趋势。
在第1阶段，EF的排序为：耕地>化石燃料用地>水源地>其他土地类型;在第2和第3阶段，EF的排序为：化石燃料用地>耕地>水源地>建设用地>其他土地类型。第三阶段土地利用类型的EF也是目前中国最常见的形式。根据三个阶段EF年平均增长量的不同，可以更方便地分别给出相应的处理措施。第1阶段为生态健康阶段，植被面积小，年平均增长量慢。管理者需要在发展的同时保持良好的当地生态状态，控制资源消耗。第二阶段生态环境出现过度扩张，其中化石燃料对生态环境的贡献最为显著。因此，政府应大力发展可再生能源，控制高耗能产业的发展，同时合理开发未利用土地。第三阶段平均年增长率较低，但生态足迹量巨大，需要加大环保投入以减少生态足迹总量。
图5（b）显示了不同土地利用类型对生态足迹的相对贡献率的比较。化石燃料用地比例不断上升，从1990年的32%上升到2019年的77%，而耕地比例从1990年的54%下降到2019年的10%。水陆生态足迹不断增加，但比重基本保持在一定水平。虽然建设用地生态足迹占比一直在提高，但总体总量仍然很小，2019年仅占总量的2%。2010年青藏高原生态足迹总量为178.31 × 106 hm2（图5），已达到广东省生态足迹总量的70%，甚至超过西藏、青海、海南等省（Wang et al, 2012）。这表明，PRDUA的自然资本消费能力高于中国大部分地区，并且PRDUA的人地关系比中国其他地区紧张得多。因此，目前的生产模式，不可能长期持续下去。
图5 珠江三角洲不同土地利用类型的生态足迹组成
4.2. 生态足迹驱动因素
4.2.1 Pearson相关分析筛选驱动因素
将选取的7个指标作为自变量，与因变量生态足迹进行Pearson相关分析。通过相关分析（图6），我们发现平均气温（ε1）和水资源总量（ε2）对EF不通过显著性检验，因此将其排除在外。此外，我们在讨论经典环境库兹涅茨曲线（EKC）的基础上考虑了人均GDP的二次项。
图6 Pearson相关分析
4.2.2岭回归求解扩展STIRPAT模型
自变量之间存在显著的相关性（图6），部分自变量的VIF大于10（表2），说明自变量之间存在共线性问题。使用普通最小二乘回归会使模型系数的估计不可靠。为了解决这个问题，我们采用了岭回归的正则化方法。简而言之，岭回归在残差平方和上添加了一个与系数大小的平方成比例的惩罚/正则化项，这反过来又稳定了回归系数并解释了多重共线性。回归方程的R2 值达到0.849，说明整个方程拟合良好，而回归方程的F检验在99%水平上也是显著的（表2）。从图7可以看出，PRDUA中每个城市的R2 值，我们也检验了PRDUA中每个城市的实际生态足迹与STIRPAT模型计算值之间的差异。结果表明，在95%置信区间内，各城市的实际足迹值与计算值之间没有显著差异。因此，本文建立的扩展STIRPAT模型对生态足迹具有满意的可解释性。从验证结果来看，惠州的效果最令人满意（R2 = 0.96），深圳的绩效最令人满意。这是由于大规模的土地复垦项目严重破坏了区域生态系统健康，深圳和珠海的经济增长驱动机制与珠三角内其他城市略有不同。在后续的研究中，可以通过卫星遥感等降尺度方法对深圳和珠海的EF驱动机制进行更详细的分析。
表2 岭回归求解结果
图7 取自然对数后的实际值与模型计算值的比较
从表2可以看出，生态足迹与P、A、ε呈正相关，它们每增加1%，生态足迹分别增加0.686%、0.05%、0.019%。影响程度排序为:P > A > ε，其中P是生态足迹最重要的驱动因子，系数为0.686。相比之下，T对生态足迹的影响存在不确定性。研发投入和专利两个指标的证明回归系数分别为0.068和-0.025。
此外，回归结果显示，在研究范围内，人均GDP与生态足迹始终呈正相关关系（二次函数形式为正U型，人均GDP的取值范围均在二次曲线的对称轴右侧）。根据EKC（环境库兹涅茨曲线）假说，经济增长与环境恶化之间存在倒U型关系，这与我们的回归结果不一致。因此，在我们的研究范围内，经济增长和EF之间的关系并不符合经典的EKC假说。
大多数驱动因素与生态足迹呈正相关，总人口对生态足迹的影响最大。只有科学技术的投入可能会减少生态足迹。因此，珠三角地区（尤其是广东和深圳）的政府应限制人口的过度增长，并应增加科技投资。否则，随着生态足迹的增加，生态供需矛盾的加剧，生态安全的压力也会越来越大。
4.3. SSP1-SSP5情景下人口变化对生态足迹的贡献
人口对生态足迹的影响最大（表2），因此本文分析了SSP1 - SSP5情景下人口对生态足迹的贡献。本研究以2019年为基准年，计算与基准年相比EF的增减。以SSP5场景为例。图8显示了2020 - 2100年珠三角城市总人口变化对EF的贡献。对比SSP1-SSP5情景下的总人口数对EF的贡献，两者具有相似的变化趋势。肇庆和惠州的人口变化对EF的贡献在2025年前达到峰值，其余城市在2040-2060年达到峰值。值得注意的是，在2100年达到峰值后，所有情景都在继续下降，其中SSP4情景下降幅度最大。在SSP5情景下，到2100年，只有广东人口对基准年的生态足迹增加。其余城市贡献均为负，其中到2100年惠州与基准年相比降幅最大。在人口贡献峰值方面，不同城市在SSP1-SSP5情景下存在显著的异质性，不同时期对生态足迹的贡献也不尽相同。例如，与基准年相比，在SSP5情景下，广州市总人口对生态足迹的贡献在2046年达到峰值（27.51 × 106 hm2），在SSP1-SSP4情景下，广州市总人口变化对生态足迹的贡献也在2046年达到峰值，分别为24.35 × 106 hm2、24.01 × 106 hm2、22.20 × 106 hm2和20.80 × 106 hm2。
图8 SSP5情景下珠三角城市总人口变化对生态足迹的贡献（SSP1-4场景见原文附录）
综上所述，在不同的SSP情景下，人口总量变化对生态足迹的贡献是不同的。在SSP5情景中，人口总量变化对生态足迹峰值的贡献最大。种群变化对EF的贡献在SSP5情景下最大，而在SSP4情景下最大。不同区域人口总量变化对生态足迹峰值的贡献和达到峰值的时间并不一致。因此，未来在评估某一地区的生态足迹时，应考虑该地区真实的社会状况和总人口状况。
五、结论
本文使用EF模型计算了1990 - 2020年内蒙古自治区9个城市的生态足迹，分析了其时空格局和构成。在此基础上，通过Pearson相关分析筛选指标，利用STIRPAT模型厘清珠三角生态足迹驱动因子的影响程度。由于人口对生态足迹的影响最大。最后，利用5种SSP情景数据对人口变化对生态足迹的贡献进行了预测。本研究的主要结论：
（1） 1900 - 2019年，以年平均增长率为基准，将该区EF划分为3个阶段，其中第2阶段增长最快（8.24 × 106 hm2 /年）。
（2）深圳和广州已成为EF的主要增长动力并持续增长，而大多数城市的EF下降或保持稳定。同时，EF也出现了空间集聚现象，并逐渐向深圳迁移。
（3）人口增长是促进生态足迹增长的最重要因素，其次是人均GDP和城市绿地面积。相比之下，支出对技术的影响是不确定的。技术、研发经费和专利两个指标的回归系数分别为0.068和-0.025。
（4）经济增长与EF之间不存在经典EKC假设，即在本研究区间内，EF随经济增长而趋于非线性单调。
（5）在SSP1-SSP5情景下，大部分城市的EF由人口变化贡献的峰值出现在2040-2060年，其中SSP情景下的EF峰值最大。
研读人：河南大学2022级土地资源管理专业硕士研究生 李光辉
转自：“经管学术联盟”微信公众号
如有侵权，请联系本站删除！
