EN中文

JOURNAL OF NATURAL RESOURCES >

2022 , Vol. 37 >Issue 7: 1782 - 1798

DOI: https://doi.org/10.31497/zrzyxb.20220709

Regular Articles

Spatio-temporal dynamic characteristics of the ecosystem service values under differential economic growth: A case study of the Pearl River-West River Economic Belt

  • ZHAO Yong-chun ,
  • SU Fang-lin
Expand
  • School of Economics and Management, Guangxi Normal University, Guilin 541004, Guangxi, China

Received date: 2021-08-28

  Revised date: 2022-03-18

  Online published: 2022-09-28

Fold

Abstract

Promoting the construction of ecological civilization is conductive to alleviate the contradiction between ecosystem degradation and the people's high-level requirements for a better life, which leads the regions to achieve a win-win situation between ecological value enhancement and economic growth. This paper quantitatively analyzes the spatial and temporal patterns of ecosystem service values (ESV) in the Pearl River-West River Economic Belt in 2005, 2010, 2015, and 2018 by using the method of the value equivalent factor in unit area, which is modified by biomass and vegetation coverage. Further, this paper constructs a geographically weighted regression (GWR) model based on the STIRPAT model to empirically analyze the spatial heterogeneity and spatial non-stationarity of county economic growth affecting unit area ESV. The results shows that: (1) From the perspective of spatio-temporal variation pattern, the ESV of the study area was 4783.391 billion yuan, 4597.193 billion yuan, 5231.360 billion yuan, and 5074.459 billion yuan in 2005, 2010, 2015, and 2018, respectively, documenting a time-varying trend of decreasing, then increasing, and decreasing again. The contribution of the first classification of land-use types to ESV was ranked as forest land > watershed > grassland > cropland > wetland > desert. From the perspective of spatial trends, the ESV showed an alternative distribution of high and low value areas, and presented a spatial pattern of "low in the west, but high in the east". Some districts and counties located at the border between Guangdong and Guangxi have higher ESV per unit area, which appeared a trend of spreading from east to west. However, ESV in the Pearl River Delta region was hardly affected by the diffusion trend. (2) The number of counties with a significant effect of GDP per capita on ESV per unit area was increasing and concentrated in the eastern, central and northern parts. Among them, the Guangdong section of the Pearl River-West River Economic Belt showed a continuous and significant negative effect. In contrast, the central and northern parts of Guangxi showed a change from negative to positive effect, which is in accordance with the EKC hypothesis. Based on the above results, this paper proposes targeted recommendations. First, further declines in ESV in the Pearl River Delta and its western contiguous parts should be avoided. Second, the central and northern parts of the Pearl River-West River Economic Belt should be given more preferential policies to speed up regional development. Third, the northwestern and southwestern parts should pay more attention to the coordination of economic growth and ecological environment. The results of this paper have important implications to the localized development that balances economic growth and ecological environment.

Key words： Pearl River-West River Economic Belt; ecosystem service value; economic growth; STIRPAT model; geographically weighted regression

Cite this article

ZHAO Yong-chun , SU Fang-lin . Spatio-temporal dynamic characteristics of the ecosystem service values under differential economic growth: A case study of the Pearl River-West River Economic Belt[J]. JOURNAL OF NATURAL RESOURCES, 2022 , 37(7) : 1782 -1798 . DOI: 10.31497/zrzyxb.20220709

为了推进生态文明建设的战略决策,党的十八大将可持续发展提升到绿色发展高度。党的十九大进一步将“坚持人与自然和谐共生”纳入新时代坚持和发展中国特色社会主义的基本方略,认为保护生态环境就是保护生产力,良好的生态环境决定社会创造财富的能力。面对经济增长与生态环境保护的双重压力,以及地区间经济增长速度与生态资源存量的差异,准确测算生态系统服务价值（Ecosystem Service Value,ESV）并评估其在经济增长作用下的反应程度,是深入贯彻习近平总书记生态文明思想和践行“绿水青山就是金山银山”理论的基础研究[1],也是针对性提出发展策略以实现经济增长与生态增值“双赢”的重要依据。
“生态系统”是Ehrlich等[2]基于已有的“环境服务”与“自然服务”概念首次提出[3],生态系统服务则是指通过生态系统的结构、过程与功能为人类生存提供的直接或间接生命支持产品的服务类型[4]。基于概念研究,Gretchen等[4]和Costanza等[5]相继通过对生态系统为人类提供的服务进行量化,将生态系统相关研究推进到新一阶段。当前,已有文献在ESV测算方面主要基于Costanza等[5]提出的当量因子法,由于该方法具有直观易用、数据需求少、适用于区域尺度的评估[6]等优点而被国内外学者广泛采用,随后谢高地等[7]在此基础上改进价值评估指标并结合对生态学专家的问卷调查结果,得出中国价值当量的平均水平并为后续研究奠定基础。为了体现出生态系统服务的地区差异[8],已有文献一方面使用生物量调整法[7,8]、生态区位指标法[9]、农作物单位面积经济价值法[6,10]针对特定区域的当量因子表进行修正,另一方面将社会发展阶段系数、地方政府支付能力指数[11]、生态保护效应,以及家庭福利水平[12]纳入当量因子的经济价值评估,进一步研究以ESV为标准的生态补偿问题,但是较少有文献使用植被覆盖度进行当量因子的修正或经济价值的评估。基于ESV的测算结果,在影响因素的研究方面,已有文献通过对自然因素与人类活动因素相比较,普遍认为后者才是改变ESV估值最直接[13]、最主要的[14]原因,具体可以表现在生产活动[13]、社会政策导向[14]、城镇化水平[15,16]、居民收入增加渠道[16]等方面。除了因果关系之外,还有学者对城镇化[17]、居民福祉[18]、土地利用程度[19]与生态系统服务、生态系统结构功能,以及生态系统服务经济价值之间的耦合关系[20]展开研究。现阶段,已有研究进一步通过探索性数据分析方法（Exploratory Spatial Data Analysis,ESDA）和地理加权回归等技术研究同一因素在不同地理空间单元中产生回归系数差异的原因[21],但是对经济增长水平变动带来具有区域异质性的影响研究相对欠缺。事实上,生态脆弱、人口集聚地区的经济增长往往伴随着更大数量的生态资源占用与破坏,交通便利且科技发达地区由于产业与就业人口结构更加优化,提升单位经济总量带来的资源环境破坏更少,因此人类活动对ESV的负向作用相对较小[22,23],但是随着时间变动,这样的研究结果是否发生改变仍有待进一步探讨。
珠江—西江经济带作为东部发达地区与西部欠发达地区的连接地带,正处于经济转型升级与资源丰富的生态敏感区建设的关键时期,基于此,本文提出以下两个问题：（1）经济增长水平存在差异的地区在ESV的时空演变规律方面是否也存在差异?（2）人文因素中的经济增长对生态环境产生的空间非稳定性影响,与ESV的空间分布规律存在何种联系?如何影响未来的经济政策?本文的创新点包括：（1）克服变量选取过程中的相对随意性,依据已有研究针对人文驱动因素影响环境所构建的STIRPAT模型,选取本文的解释变量;（2）克服传统计量方法所得回归结果具有平均数特征的缺陷,采用地理加权回归模型（GWR）分析并研究区域经济增长影响生态环境的空间异质性。研究结果可对因地制宜地实现经济增长与生态环境保护兼顾型发展提供理论与实践意义。

1 研究方法与数据来源

1.1 研究区概况

珠江—西江经济带介于21°36′~26°6′N、104°29′~114°4′E之间,下辖11个地市88个县区,区域面积16.5万km2。地域东西长、南北窄,地形西北高、东南低,由西向东依次为云贵高原、广西盆地、两广丘陵、珠三角平原四大地貌单元。地形方面,区域边缘多为山地丘陵,连片集中分布在桂西南、桂东南、粤北和粤西北地区;中部大小盆地与平原相杂,其中包括广西盆地、浔江平原、珠江三角洲平原等。经济方面,珠江—西江经济带处于东盟经济圈、华南经济圈以及西南经济圈的交叠处,区位优势明显,作为东部发达地区与西部欠发达地区的连接地带,是探索我国跨省区流域经济合作发展模式的重要区域。

1.2 研究方法

1.2.1 生态系统服务价值测算

（1）构建当量因子表。参照《土地利用现状分类标准》（GB/T21010-2007）以及中国科学院地理科学与资源研究所提供的土地利用类型分类,同时基于上述已有研究成果,本文构建包含6类一级生态系统、13类二级生态系统和11类生态系统服务功能的单位面积ESV当量因子表。首先,将中国科学院地理科学与资源研究所分类中的滩涂、滩地、沼泽地归类为湿地,沙地、戈壁、盐碱地、裸土地、裸岩石质地归类为荒漠,河渠、湖泊、水库坑塘归类为水域。其次,参照谢高地等[10]的当量因子赋值与生态系统二级分类不一致的修正方法,通过该土地利用类型的生物量和面积占比对林地和草地的二级分类当量因子进行调整。由于大区域尺度生物量难以完全精确获取,因此参照邓伟等[16]的方法,使用2005年、2010年、2015年净初级生产力（Net Primary Production,NPP）数据替代并进行相应年份的当量因子修正,同时鉴于数据可获得性且年份接近,使用2015年的当量因子对2018年的ESV进行测算。
（2）确定单位面积ESV的当量因子经济价值量。已有研究将1标准单位ESV当量因子的经济价值定义为当年主要粮食作物市场价值平均数的1/7[7],本文采用珠江—西江经济带的主要粮食作物进行测算,其中广东为稻谷、薯类,广西为稻谷、玉米。由于 2009年之后的《中国农村统计年鉴》地区农业分项产值才出现稻谷、薯类、玉米分类,同时考虑粮食种植面积和价格会受到自然和市场因素的影响而产生波动,参照曹跃群等[8]的方法,本文选取2009—2018年的经济价值量平均数作为计算标准,计算公式如下：
D 1 = 1 10 ∑ n = 2009 2018 1 7 S n r × F n r + S n t × F n t / r n
D 2 = 1 10 ∑ n = 2009 2018 1 7 S n r × F n r + S n w × F n w / r n
式中：D1与D2分别表示广东与广西1标准单位ESV当量因子的经济价值（元/hm2）; S n r、 S n t、 S n w分别表示稻谷、薯类、玉米的播种面积占比（%）; F n r、 F n t、 F n w分别表示稻谷、薯类、玉米的单位面积产值（元/hm2）;n表示年份;r表示将粮食作物价格转为 2005年不变价的价格指数。经计算,确定广东与广西1标准单位ESV当量因子的经济价值分别为3589.63元/hm2与2816.45元/hm2。
（3）ESV测算。根据上述修正后的单位面积ESV当量因子及其经济价值,与不同土地利用类型面积的乘积即可计算ESV,参照曹跃群[8]的方法,使用的计算公式如下：
E S V j = ∑ i = 1 n S i j l × V C j
D E S V j = E S V j / S j c
式中：ESV表示生态系统服务价值（亿元）;S l表示土地利用面积（hm2）;VC表示修正后的单位土地利用面积价值当量指数;DESV即地均ESV,表示单位行政面积生态系统服务价值（元/hm2）;S c表示行政面积（hm2）;i表示土地利用类型;n表示土地利用类型数量,n=13;j表示县区单元。由于谢高地等[10]提供的是全国当量因子的平均水平,本文参照邓伟等[16]的方法,采用表征生态系统质量状况的生物量因子和植被覆盖度因子对价值当量指数进行修正,计算公式如下：
V C j = n j / N × f j / F × V 0 × D j
式中：n表示研究区域生物量的替代数据NPP的年均值（g C/m2）;N表示我国生物量的替代数据NPP的年均值（g C/m2）;f表示研究区域所在省区的植被覆盖度年均值;F表示我国的植被覆盖度年均值;V0表示单位土地利用面积ESV的当量因子;D表示研究区域所在省区单位土地利用面积ESV当量因子的经济价值（元/hm2）。f计算公式如下：
f = N D V I - N D V I m i n N D V I m a x - N D V I m i n
式中：NDVI为像元的归一化植被指数（Normalized Difference Vegetation Index,NDVI）,NDVImax和NDVImin分别为研究区域内植被指数的最大值和最小值,本文计算植被覆盖度所用NDVI通过月度数据最大合成法获得。

1.2.2 经济增长影响生态系统服务价值分析方法

（1）OLS模型构建。本文基于STIRPAT模型的形式构建实证模型。Ehrlich等[24]在1971年提出经典IPAT恒等式并被广泛应用于人文环境影响,随后为了进一步研究人文驱动因素对环境非单调和不同比例的影响,Dietz等[25]和York等[26,27]将IPAT等式修改为带有随机扰动项的随机形式模型,简称为STIRPAT模型。本文聚焦于人口规模、富裕程度和技术水平三个关键的人文因素展开讨论。STIRPAT模型的一般表达式如下：
I j = a P j b A j c T j d e j
式中：I表示生态环境指标;P、A、T分别表示人口规模、富裕程度、技术水平;a表示常数项;b、c、d分别表示各影响因素的指数项;e表示随机误差项。显然,如果a=b=c=d=e=1,STIRPAT模型会还原成IPAT等式[28]。随后,本文将该模型的原表达式进行对数变换,变换后的形式如下：
l n D E S V j = α + β 1 l n P E O P L E j + β 2 l n P G D P j + β 3 l n S E C T O R j + e j
式中：DESV为生态环境指标,表示单位行政面积的生态系统服务价值,即地均ESV（元/hm2）;PEOPLE为户籍人口密度（人/hm2）,表示人口规模;PGDP为人均国民生产总值（元/人）,表示富裕程度;SECTOR为技术水平的代理变量,由于测算复杂,一般采用无量纲的比值数据表示技术水平[18],鉴于第二产业通常比第三产业生产更多专利[29]并拥有更高的技术水平,因此使用第三产业与第二产业的增加值之比来表示;β为解释变量的待估计系数,表示人文因素变化1%所引起的环境指标变化百分比。
（2）地理加权回归模型。考虑到各地区的经济增长条件存在差异,进而在人文因素对环境污染的影响同样存在地理空间上的差异[30],因此本文在全局回归模型的基础上进行局部参数估计,使用Fotheringham等[31]提出的地理加权回归（GWR）模型对回归系数的空间异质性与空间非平稳性展开研究。具体表达式如下：
l n D E S V j = a u j , v j + β 1 u j , v j l n P E O P L E + β 2 u j , v j l n P G D P + β 3 u j , v j l n S E C T O R + e j
式中：(uj, vj) 表示研究区域j点的坐标;α(uj, vj) 表示在研究区域j点的截距项;β(uj, vj) 表示研究区域j点的解释变量待估计系数,是地理位置函数;如果 (u, v) 在空间中保持不变,则模型（9）就转变为全局模型（8）。基于借数原理,本文使用高斯（Gaussian）核函数构建空间权重矩阵Wjz,计算公式如下：
W j z = e x p - 1 2 d j z b 2
式中：b表示带宽;djz表示研究区域j点和z点的经纬度距离。国际上普遍采用交叉确认（cross-validation,CV）准则搜寻最优带宽,计算公式如下：
C V = ∑ j = 1 n y j - y ≠ j ^ b 2
式中： y ≠ j ^ b为yj的拟合值;CV准则原理是根据最小平方准则,通过测算观测点真实值与拟合值来确定带宽,当CV值达到最小时,对应b值就是所需带宽。同时,由于采用不同函数得到的带宽数值存在差异,Forheringham等[32]提出AIC值最小时所对应带宽最优[29]。

1.3 数据来源与处理

土地利用数据和归一化植被指数来源于中国科学院资源环境科学数据中心（ https://www.resdc.cn）,净初级生产力数据来源于陈鹏飞[33],空间分辨率均为1 km。NDVI和NPP数据均为月度数据,采用最大值合成法生成,即使用每年1-12月的月度数据最大值表示年度数据。粮食作物数据来源于《中国农村统计年鉴》,人口规模、人均GDP、产业结构数据来源于《中国统计年鉴》《广东统计年鉴》《广西统计年鉴》《中国农业年鉴》《中国农村统计年鉴》《中国县域统计年鉴》《广西壮族自治区国民经济和社会发展统计公报》,以及地级市年鉴。
根据数据可获得性,由于2005年缺少兴宁区、青秀区、江南区、西乡塘区、良庆区、邕宁区、城中区、鱼峰区、柳南区、柳北区与龙圩区的数据,2010年缺少江南区、西乡塘区、良庆区、邕宁区、城中区、鱼峰区、柳南区、柳北区、万秀区、长洲区与龙圩区数据,因此均使用77个县区作为研究对象,2015年和2018年则使用全部88个县区作为研究对象。为了统一统计口径,人均变量均为户籍人口的人均值,人口规模为户籍人口规模。为了实现可比性,以2005年为基期,使用居民消费价格指数（Consumer Price Indices,CPI）对主要粮食作物价格、人均GDP、第二产业增加值、第三产业增加值进行价格平减,以消除价格因素对估计系数的影响。

2 结果分析

2.1 生态系统服务价值的时间演变特征

2005年、2010年、2015年、2018年珠江—西江经济带的ESV总值由47833.91亿元波动上升至50744.59亿元,增幅为6.08%,由于水域生态系统中的冰川融雪以及建设用地生态系统的ESV均为0,因此本文未将其纳入研究内容。具体数值如表1所示。
表1 珠江—西江经济带生态系统服务价值变化

Table 1 Changes of ecosystem service value in the Pearl River-West River Economic Belt

时间段/年 耕地 林地 草地 湿地 荒漠 水域 小计
水田 旱地 有林地 灌木林 疏林地 其他林地 高覆盖度 中覆盖度 低覆盖度 荒漠 裸地
ESV/亿元 2005 832.1 770.14 31543.23 3189.57 2514.81 98.48 2993.86 95.44 0.27 112.49 0.03 0.04 5683.45 47833.91
2010 800.76 743.49 30225.46 3070.21 2430.56 131.82 2928.94 86.84 0.21 92.36 0.03 0.04 5461.22 45971.93
2015 895.91 832.28 34777.31 3332.96 2615.38 149.85 3375.71 100.42 0.27 103.26 0.05 0.06 6130.13 52313.6
2018 882.95 802.81 34095.1 3261.17 2578.15 140.88 3249.45 93.04 0.27 85.74 0.04 0.03 5554.96 50744.59
贡献率/% 2005 1.7396 1.61 65.9432 6.668 5.2574 0.2059 6.2589 0.1995 0.0006 0.2352 0.0001 0.0001 11.8816 100
2010 1.7418 1.6173 65.7476 6.6784 5.2871 0.2867 6.3712 0.1889 0.0005 0.2009 0.0001 0.0001 11.8795 100
2015 1.7126 1.591 66.4785 6.3711 4.9994 0.2865 6.4528 0.192 0.0005 0.1974 0.0001 0.0001 11.718 100
2018 1.74 1.5821 67.1896 6.4266 5.0806 0.2776 6.4035 0.1833 0.0005 0.169 0.0001 0.0001 10.9469 100
变化量/亿元 2005—2010 -31.34 -26.65 -1317.77 -119.36 -84.25 33.33 -64.92 -8.6 -0.06 -20.13 0 0 -222.22 -1861.98
2010—2015 95.15 88.79 4551.85 262.75 184.82 18.04 446.76 13.59 0.06 10.9 0.03 0.02 668.91 6341.67
2015—2018 -12.96 -29.48 -682.21 -71.79 -37.23 -8.97 -126.25 -7.39 0 -17.52 -0.01 -0.03 -575.18 -1569.01
2005—2018 50.85 32.66 2551.87 71.59 63.35 42.4 255.59 -2.4 0 -26.75 0.01 -0.01 -128.49 2910.68
变化率/% 2005—2010 -3.77 -3.46 -4.18 -3.74 -3.35 33.85 -2.17 -9.01 -21.64 -17.89 -2.98 1.89 -3.91 -3.89
2010—2015 11.88 11.94 15.06 8.56 7.6 13.68 15.25 15.65 28.48 11.8 101.73 40.05 12.25 13.79
2015—2018 -1.45 -3.54 -1.96 -2.15 -1.42 -5.99 -3.74 -7.35 0.96 -16.96 -23.71 -53.7 -9.38 -3
2005—2018 6.11 4.24 8.09 2.24 2.52 43.05 8.54 -2.52 1.64 -23.78 49.31 -33.93 -2.26 6.08
研究发现,2005年、2010年、2015年、2018年珠江—西江经济带ESV分别为47833.91亿元、45971.93亿元、52313.60亿元、50744.59亿元,整体呈先下降、后上升、再下降的态势。具体而言,（1）2005—2010年间ESV总额减少1861.98亿元。从土地利用面积的变化来看,主要原因是水田、旱地、有林地、疏林地、湿地以及水域面积减少且向不产生正向ESV的建设用地转变,其中疏林地面积损失量最大,5年内减少18000 hm2,损失价值84.25亿元,占总损失的4.52%;而有林地的面积减少10200 hm2,5年内损失价值达1317.77亿元,占总损失的70.77%,林地这一土地利用类型在5年内主要表现为有林地、灌木林、疏林地向其他林地的转变,说明期间部分的林地郁闭度下降,部分林业用地向苗圃及各类园地转变。此外,水田和旱地的面积下降幅度同样较为明显,但是由于其单位面积的ESV当量因子较低,因此在ESV总值中的贡献度较低。（2）2010—2015年间ESV总额增加6341.67亿元,主要原因是用于ESV测算的修正因子之一的生物量因子在5年间上升9.6%,抵消各类土地利用面积减少对ESV总值带来的负向影响。这一结果能够验证谢高地等[7]的观点,即生态系统的生态服务功能大小与生物量存在显著的正相关关系,生物量越大则生态服务功能越强。（3）2015—2018年间研究区域的ESV总值减少1569.01亿元,这是ESV测算修正因子之一的植被覆盖度减少以及各类型土地利用面积变化共同作用的结果,其中负向影响最显著的是水域面积,减少了25400 hm2,造成575.18亿元的价值损失,占总损失的36.66%。另一方面,3年内的水田面积增加了14800 hm2,根据第一产业发展会通过负向影响植被覆盖度,造成水土流失并削弱生态服务功能的观点[23],耕地类型中的水田面积增加一定程度上可以解释研究期间ESV下降的现象。
在四个研究时间截面内,森林生态系统的土地利用小部分转变为灌木林,而大部分转变为ESV较低的其他林地类型;草地生态系统的土地利用则逐渐转变为ESV较高的高覆盖度草地类型;荒漠生态系统中的荒漠面积小幅度增加,而裸地面积大幅度减少。从修正因子来看,生物量和植被覆盖度在研究年份均出现上升趋势,一定程度上抵消了由于高价值生态系统类型的土地利用面积减少带来的ESV下降,并且使得珠江—西江经济带的ESV总值在2005—2018年间提升了2910.68亿元。此外,根据一级分类来看,各类土地利用对珠江—西江经济带ESV的贡献度排序为林地>水域>草地>耕地>湿地>荒漠。

2.2 生态系统服务价值的空间演变特征

由于研究区域的用地结构和地域面积不同,并且各县区ESV差距明显[14],因此以珠江—西江经济带县域作为评价单元,对单位行政面积的ESV（地均ESV）时空演变规律展开研究更加具有经济意义。为了进一步探究ESV的空间演变特征,本文将地均ESV的测算结果通过表2展示。
表2 珠江—西江经济带单位行政面积生态系统服务价值的时空变化

Table 2 Spatio-temporal change of ecosystem service value per unit of administrative area in the Pearl River-West River Economic Belt (元/hm2)

地级市 县区 2005年 2010年 2015年 2018年 地级市 县区 2005年 2010年 2015年 2018年
南宁 兴宁 212221 211044 239252 249250 百色 右江 326329 312360 358408 347948
青秀 258345 251225 281545 266889 田阳 194033 181595 204665 206285
江南 183386 177564 200064 207274 田东 230394 222157 251799 249283
西乡塘 186974 173057 196408 205886 平果 182978 176636 197848 192606
良庆 265798 264714 297969 288064 德保 195904 186665 211324 207457
邕宁 152556 149990 167457 168332 那坡 185402 180657 202557 194805
武鸣 227816 221461 251845 232142 凌云 268556 257365 293245 282950
隆安 184674 177853 200675 195295 乐业 307401 301254 343547 337623
马山 202639 197822 222274 223027 田林 384348 371784 428112 415755
上林 215199 207684 235451 213186 西林 326440 311277 356259 360529
宾阳 216243 208732 239422 241458 隆林 238576 230207 262586 261934
横州 276008 269803 307843 292171 靖西 160467 155403 172583 167447
柳州 城中 360115 347401 396835 444423 广州 荔湾 197519 190810 215687 233552
鱼峰 419871 406239 458344 485286 越秀 88567 85591 97454 191760
柳南 576159 562274 633709 622319 海珠 184913 162855 183580 312734
柳北 183792 177649 201107 223765 天河 261741 250284 286436 232203
柳江 99474 98770 109873 101954 白云 219532 202960 232216 260306
柳城 161369 156337 175843 181279 黄浦 338508 308719 343685 347204
鹿寨 265769 257601 292814 285084 番禺 368302 361138 404946 409189
融安 328799 317454 362302 350765 花都 325940 305064 343091 348991
融水 355573 344528 396088 379449 南沙 326843 303998 340208 378632
三江 290823 282447 321940 312857 增城 338100 341189 392294 378676
梧州 万秀 368837 349452 393943 367711 从化 414770 406650 468349 461906
长洲 373420 359736 396741 382070 佛山 禅城 400902 368789 336115 86527
龙圩 248073 219977 247781 244964 南海 423497 386603 429737 233892
苍梧 402141 388354 443442 437009 三水 490235 466934 515493 522335
藤县 367687 351913 402405 397635 高明 439923 405734 459738 458204
蒙山 373372 362890 415730 408173 顺德 853377 779898 850733 293782
岑溪 377281 358518 411637 413930 肇庆 端州 478208 437123 497883 445168
贵港 港北 218313 214593 245641 237915 鼎湖 671356 643441 734470 763336
港南 191521 185063 211011 196745 广宁 525432 494374 571188 554416
覃塘 177170 166614 188815 186096 怀集 448499 425434 487235 480987
平南 274788 263356 302465 294961 封开 479437 458608 526485 521106
桂平 239127 230507 262343 255982 德庆 481815 447042 512938 489811
来宾 兴宾 143539 140633 157778 157208 高要 458008 435065 497089 505192
忻城 171509 167340 186002 180488 四会 439307 426363 485568 515177
象州 218220 211475 240528 240934 云浮 云城 475148 456020 524640 497942
武宣 215855 212134 240979 232192 新兴 389706 382282 435644 428664
金秀 401078 383816 442518 431894 郁南 428908 410140 470171 451774
合山 154237 158579 178448 179619 云安 443556 407287 464852 466857
崇左 江州 179159 174205 195615 190385 罗定 314337 314120 358655 339980
扶绥 183308 182515 207022 204477
宁明 303434 289993 332023 332757
龙州 152361 147071 163323 160177
大新 165577 160008 178774 177066
天等 191700 183610 205893 199972
凭祥 309652 303365 346355 342723
研究发现,2005年、2010年、2015年、2018年珠江—西江经济带各县区地均ESV在时间上呈现出低价值县区数量先增加后减少、高价值县区数量先减少后增加的趋势,与上述ESV总值的变化趋势相对应;在空间上呈现高低值区相间分布,以及西部低东部高的形态。具体而言：（1）2005—2010年间地均ESV从次低值区（地均ESV为150000~ 400000元/hm2）下降至低值区（地均ESV<150000元/hm2）的县区为龙州县和邕宁区,从次高值区（地均ESV为400000~750000元/hm2）下降至次低值区的县区为金秀瑶族自治县、苍梧县、南海区以及禅城区。从地理位置来看,出现明显下降趋势的县区主要分布在珠江—西江经济带的边缘区域,5年间仅有合山市和增城区的地均ESV变化量为正值。（2）2010—2015年间各县区的地均ESV普遍上升,仅禅城区出现小幅度下降。其中龙州县、邕宁区、兴宾区从低值区转变为次低值区;田林县、金秀瑶族自治县、蒙山县、藤县、岑溪市、苍梧县、新兴县、南海区、番禺区从次低值区转变为次高值区,从地理位置上看主要集中分布在广东与广西的交界处。（3）2015—2018年间珠江—西江经济带的地均ESV呈现轻度下降趋势,其中禅城区的地均ESV从次低值区进一步下降至低值区,藤县、南海区从次高值区下降至次低值区,而顺德区更是从高值区（地均ESV >750000元/hm2）首次下降至次低值区,上述四个出现地均ESV显著下降趋势的县区中,三个县区位于珠三角地区;而三年内仅有城中区、越秀区、鼎湖区的地均ESV出现显著上升趋势。
从地形特征来看,西北部云贵高原与中部广西平原的地均ESV在2005—2018年间呈现平稳上升趋势,西南部十万大山地区的地均ESV在研究年份变幅更大,但是普遍仍表现为次低值区组团。位于两广交界处的山地丘陵地区形成了较稳定的次高值区组团,并出现向西部扩散的趋势,东部珠三角平原地区在研究年份中不仅没有受到地理位置临近的高值区组团影响,而且除了地处边缘的零星县区,其余地区的地均ESV处于稳定的次低值状态。可以看出,珠江—西江经济带经济增长水平存在差异的东部与中西部地区在自然资源所产生服务的价值水平方面却存在相似之处,本文将就此问题展开进一步研究。

2.3 生态系统服务价值与区域经济增长的空间关系

2.3.1 OLS回归结果分析

本文首先基于上述变量设置,使用Stata 16.0软件对式（8）进行OLS经典线性回归,回归结果见表3。从四个研究年份的截面数据回归结果可以看出,方差膨胀因子均小于7.5,说明解释变量之间不存在多重共线性;2005年、2010年、2015年的F值均在5%的统计水平下显著,说明解释变量对被解释变量有影响的概率大于95%,回归结果具有统计学意义,而2018年的F值未通过10%的显著性水平检验。
表3 最小二乘法模型回归结果

Table 3 Estimated results of the OLS model

变量 2005年 2010年 2015年 2018年
截距 11.02***
(19.60)		 11.13***
(18.60)		 11.54***
(20.52)		 12.07***
(19.39)
lnPGDP 0.18***
(2.77)		 0.14**
(2.21)		 0.10*
(1.88)		 0.05
(0.80)
lnPEOPLE -0.13**
(-2.20)		 -0.08
(-1.25)		 -0.05
(-1.09)		 -0.00
(-0.04)
lnSECTOR 0.01
(0.08)		 -0.07
(-0.97)		 -0.11**
(-2.13)		 -0.05
(-0.81)
Mean VIF 1.96 2.07 1.67 1.79
F-value 3.07
[0.03]		 3.08
[0.03]		 4.23
[0.01]		 0.60
[0.62]
R2 0.11 0.11 0.13 0.02
Adjusted R2 0.08 0.08 0.10 -0.01
AIC 86.69 84.63 92.36 98.20
残差平方和 12.53 12.20 13.44 14.36
样本数/个 77 77 88 88

注：*、**和***分别表示在10%、5%和1%的水平下显著,圆括号内数据为t统计量,下同。方括号内数据为P值。

就各变量回归结果而言：（1）人均GDP对地均ESV的回归系数在2005年、2010年、2015年分别为0.18、0.14、0.10,并且均通过了10%及以上的显著性水平检验,说明人均GDP对地均ESV产生递减的正向影响;（2）人口规模指标的回归系数仅在2005年通过了5%的显著性水平检验,而在四个研究截面中均表现为负向影响,其中原因可能在于珠三角地区相比于其他地区的人口规模与人口密集度存在较大差异,并且人口规模增加带来的生产与生活行为对生态系统服务带来破坏;（3）技术水平指标的回归系数仅在2015年通过了5%的显著性水平检验,而在研究截面年份中整体表现为负向影响,说明第三产业增加而第二产业减少带来的发明专利数量下降对生态系统服务带来负向影响。此外,随着第三产业增加并且产业结构升级目的更多偏向于提高生态产品的市场化利用效率,如发展旅游产业,在借助外来消费者提高生态系统服务的市场化水平[8]过程中,片面追求经济利益而忽视了对生态环境的保护问题。
从表3还可以发现,四个研究年份界面回归结果的R2和调整后的R2均小于0.15,说明解释变量对珠江—西江经济带县域ESV的解释不足15%,且AIC值均大于80,因此上述回归结果反映富裕程度、人口规模、技术水平影响ESV的全局特征,需使用GWR模型对影响作用的局部特征进一步检验。

2.3.2 GWR回归结果分析

进一步地,为了反映人文因素对地均ESV影响的局部特征,本文使用GWR 4软件对式（9）进行回归系数估计,同时参照Brunsdon等[34]、Fotheringham等[32]提出的方差分析（ANOVA）,以及Brundson等[35]的方式判断GWR模型是否更能有效描述变量间的关系。
对比表3、表4,GWR模型相比于OLS回归结果的R2和调整后R2更高,且与OLS回归结果的AIC值之差的绝对值大于3,因此根据Fotheringham等[32]的评价标准,即使将复杂性考虑在内,具有较低AIC和AICc值的GWR模型拟合结果更优[22,30]。基于自适应带宽的高斯核函数空间权重矩阵,通过CV交叉确认法选择2005年、2010年、2015年、2018年样本的最优带宽分别为9 km、9 km、20 km、18 km。
表4 地理加权回归模型诊断指标

Table 4 Diagnosis index of the GWR model

模型参数 2005年 2010年 2015年 2018年
R2 0.79 0.78 0.59 0.54
Adjusted R2 0.69 0.68 0.50 0.44
AIC 6.50 7.09 43.95 50.63
AICc 21.13 21.34 48.51 55.93
残差平方和 2.93 2.97 6.39 6.74
表5对GWR模型的估计结果进行了统计学分析,可以看出各解释变量对地均ESV的影响存在空间非稳定性。具体而言,（1）在四个研究年份截面中,人均GDP回归系数的平均值与中位数均存在由负转正的趋势,说明珠江—西江经济带的经济增长与生态环境保护的协调性提高。但是从回归结果的最小值与最大值来看,符号均不一致且数值呈现波动态势,说明各县域之间的经济增长环境存在空间异质性。（2）人口规模指标回归系数的平均值与中位数均为负数,与OLS方法的回归结果一致。从统计结果的最大值来看,2005年、2010年、2018年部分县区的人口规模对人均ESV产生正向影响,但是影响程度存在随时间推移而减少的趋势。（3）技术水平指标回归系数从平均值与中位数来看,对地均ESV的负向影响存在先增加后减弱的趋势,说明随着第三产业的生产技术改进能够通过产业结构转型升级提高其环境保护效应;从最大值的统计结果来看,部分县区的第三产业产值增加而第二产业产值减少会对地均ESV带来正向影响,这与辛晓华等[36]的回归结果存在一定相似性。
表5 地理加权回归模型估计结果

Table 5 Estimated results of the GWR model

年份 变量 平均值 最小值 1/4分位值 中位值 3/4分位值 最大值
2005 截距 13.84 8.38 12.43 13.99 15.27 16.66
lnPGDP -0.03 -0.22 -0.10 -0.02 0.06 0.13
lnPEOPLE -0.08 -0.35 -0.15 -0.10 -0.01 0.54
lnSECTOR 0.04 -0.42 -0.24 0.08 0.26 0.29
2010 截距 13.78 6.00 12.03 13.96 15.67 19.53
lnPGDP -0.07 -0.51 -0.13 -0.06 0.05 0.15
lnPEOPLE -0.05 -0.38 -0.19 -0.07 0.04 0.45
lnSECTOR -0.13 -0.41 -0.29 -0.10 0.01 0.08
2015 截距 13.91 11.81 12.82 13.67 15.34 16.18
lnPGDP 0.00 -0.17 -0.09 0.07 0.08 0.11
lnPEOPLE -0.10 -0.17 -0.12 -0.11 -0.07 -0.03
lnSECTOR -0.09 -0.22 -0.19 -0.09 0.00 0.06
2018 截距 14.66 10.89 12.44 13.52 17.36 19.33
lnPGDP 0.01 -0.20 -0.12 0.08 0.10 0.16
lnPEOPLE -0.16 -0.31 -0.24 -0.15 -0.09 0.00
lnSECTOR -0.02 -0.11 -0.10 0.00 0.03 0.07
由于本文的研究重点在于地区间经济增长水平差异对生态环境产生的不同影响,为了掌握其中的分异规律,进一步使用表格展示已通过10%以上显著性水平检验的人均GDP的估计结果（表6）。研究发现,在2005年、2010年、2015年、2018年四个研究年份截面中,人均GDP对地均ESV的回归结果通过10%的显著性水平检验区域随时间变动而增加,说明经济增长对生态环境的影响程度不断提升。其中,位于珠江—西江经济带中部与北部地区的县区人均GDP对地均ESV表现为由负转正的影响态势,而位于珠三角及其西侧毗连地区的县区人均GDP却保持稳定的负向影响。
表6 GWR模型人均GDP回归系数的时空分布

Table 6 Spatio-temporal distribution of regression coefficients of GDP per capita in the GWR model

地级市 县区 2005年 2010年 2015年 2018年 地级市 县区 2005年 2010年 2015年 2018年
南宁 兴宁 — — — — 百色 右江 — — — —
青秀 — — — — 田阳 — — — —
江南 — — — — 田东 — — — —
西乡塘 — — — — 平果 — — — —
良庆 — — — — 德保 — — — —
邕宁 — — — — 那坡 — — — —
武鸣 — — — 0.12*
(1.75)		 凌云 — — — —
隆安 — — — — 乐业 — — — 0.09*
(1.74)
马山 — — 0.10*
(1.68)		 0.13**
(2.08)		 田林 — — — —
上林 — — 0.11*
(1.82)		 0.14**
(2.19)		 西林 — — — —
宾阳 — — — 0.13*
(1.90)		 隆林 — — — 0.09*
(1.74)
横州 — — — — 靖西 — — — —
柳州 城中 — — — 0.13**
(2.05)		 广州 荔湾 — — -0.16***
(-2.77)		 -0.20***
(-2.92)
鱼峰 — — — 0.13**
(2.05)		 越秀 — — -0.16***
(-2.77)		 -0.19***
(-2.91)
柳南 — — — 0.13**
(2.05)		 海珠 — — -0.16***
(-2.76)		 -0.19***
(-2.86)
柳北 — — — 0.13**
(2.05)		 天河 — — -0.16***
(-2.81)		 -0.19***
(-2.93)
柳江 — -0.48***
(-3.13)		 — 0.14**
(2.16)		 白云 — — -0.16***
(-2.86)		 -0.19***
(-2.93)
柳城 — -0.51***
(-3.33)		 — 0.13**
(2.05)		 黄浦 — — -0.15***
(-2.78)		 -0.18***
(-2.91)
鹿寨 — -0.33**
(-2.64)		 — 0.11*
(1.74)		 番禺 — — -0.14***
(-2.69)		 -0.17***
(-2.87)
融安 — — — 0.08*
(1.87)		 花都 -0.18***
(-2.94)		 -0.14**
(-2.28)		 -0.17***
(-2.99)		 -0.19***
(-3.12)
融水 — -0.28**
(-2.52)		 — 0.10*
(1.98)		 南沙 -0.13*
(-1.84)		 — -0.14***
(-2.66)		 -0.17***
(-2.88)
三江 0.08**
(2.02)		 — 0.06*
(1.80)		 0.07*
(1.81)		 增城 — — -0.14***
(-2.78)		 -0.17***
(-2.99)
梧州 万秀 — — — — 从化 -0.19***
(-3.19)		 -0.16***
(-2.66)		 -0.14***
(-2.81)		 -0.17***
(-3.05)
长洲 — — — — 佛山 禅城 -0.17**
(-2.36)		 — -0.15***
(-2.81)		 -0.19***
(-2.95)
龙圩 — — — — 南海 -0.18**
(-2.56)		 — -0.15***
(-2.83)		 -0.19***
(-2.98)
苍梧 — — — — 三水 -0.21***
(-3.22)		 -0.15**
(-2.3)		 -0.15***
(-2.96)		 -0.18***
(-3.14)
地级市 县区 2005年 2010年 2015年 2018年 地级市 县区 2005年 2010年 2015年 2018年
梧州 藤县 0.11*
(1.99)		 — — — 佛山 高明 -0.14***
(-2.97)		 -0.11**
(-2.41)		 -0.13**
(-2.56)		 -0.15***
(-2.85)
蒙山 — — — — 顺德 -0.15**
(-2.02)		 — -0.14***
(-2.71)		 -0.18***
(-2.90)
岑溪 0.07*
(1.66)		 — — — 肇庆 端州 -0.13***
(-2.70)		 -0.11**
(-2.41)		 -0.13**
(-2.63)		 -0.15***
(-2.88)
贵港 港北 — — — — 鼎湖 -0.17***
(-3.82)		 -0.14***
(-3.16)		 -0.14***
(-2.86)		 -0.16***
(-3.00)
港南 — — — — 广宁 -0.16***
(-3.97)		 -0.15***
(-3.52)		 -0.12**
(-2.61)		 -0.14***
(-2.81)
覃塘 — — — 0.11*
(1.70)		 怀集 -0.11***
(-3.08)		 -0.10***
(-2.81)		 -0.08*
(-1.96)		 -0.10**
(-2.29)
平南 — — — — 封开 — -0.06*
(-1.70)		 — -0.09**
(-2.00)
桂平 — — — — 德庆 — -0.08*
(-1.73)		 -0.09*
(-1.97)		 -0.12**
(-2.41)
来宾 兴宾 — -0.30*
(-1.76)		 0.11*
(1.80)		 0.16**
(2.41)		 高要 -0.19***
(-3.68)		 -0.14***
(-2.90)		 -0.15***
(-2.85)		 -0.17***
(-3.03)
忻城 — -0.30**
(-2.30)		 0.10*
(1.75)		 0.15**
(2.37)		 四会 -0.19***
(-4.40)		 -0.15***
(-3.69)		 -0.14***
(-2.97)		 -0.16***
(-3.08)
象州 — -0.46***
(-2.92)		 — 0.12*
(1.77)		 云浮 云城 — — -0.09**
(-2.02)		 -0.12**
(-2.49)
武宣 — -0.32*
(-1.86)		 — 0.12*
(1.82)		 新兴 -0.08*
(-1.94)		 -0.08*
(-1.82)		 -0.09**
(-2.02)		 -0.12**
(-2.52)
金秀 — — — — 郁南 — — — -0.09*
(-1.88)
合山 — -0.30**
(-2.08)		 0.11*
(1.83)		 0.16**
(2.51)		 云安 — -0.08*
(-1.68)		 -0.09**
(-2.05)		 -0.12**
(-2.49)
崇左 江州 — — — — 罗定 — -0.07*
(-1.67)		 -0.08*
(-1.85)		 -0.11**
(-2.40)
扶绥 — — — —
宁明 — — — —
龙州 — — — —
大新 — — — —
天等 — — — —
凭祥 — — — —
具体而言：（1）2005年仅有18个县区人均GDP对地均ESV产生显著影响,其中有15个县区集中在珠三角及其西侧毗连地区,并表现为显著负向影响,而位于研究区域中部和北部的藤县、岑溪市以及三江侗族自治县则表现为显著正向影响。（2）2010年24个回归结果显著的县区均表现为人均GDP负向影响地均ESV,其中珠三角地区的负向影响县区呈现向西侧扩散的趋势,这可能是由于产业转移带来的生产技术溢出效应,导致人均GDP提升的同时对生态环境的污染程度出现同质化。而在研究区域的中部偏北地区同样出现了人均GDP负向影响的集聚,这可能是柳州市各县区作为工业重镇的辐射能力增强,以及地理位置邻近的来宾市部分县区由于正处于区域性发展裂谷带的落后区域[37],因此用于保护生态环境的资金较少,共同导致了经济增长与生态环境协调发展过程中出现“中部塌陷”现象。（3）2015年的33个人均GDP回归结果显著的县区中,仅有6个县区位于研究区域的中部与北部,并且均表现为对地均ESV产生正向影响,其余县区在珠三角及其西侧毗连地区持续性产生经济增长对生态环境的负向影响。（4）2018年在研究区域中部和北部出现人均GDP对地均ESV产生显著正向影响的集聚,同时在西北部也零星出现了人均GDP回归系数为正的县区,而在研究区域东部县区人均GDP对地均ESV依然表现为显著的负向影响。究其原因,可能是由于产业转移方面,珠三角地区的污染产业由于低山丘陵阻隔以及行政区之间的政策差异而较少流入位于广西的区县;产业升级方面,柳州市各县区作为工业重镇在经历2010年经济增长对环境产生负向影响之后,逐渐提高工业产业发展与环境保护的协同能力,并且通过辐射效应扩大了人均GDP回归系数为正的县区集聚。
值得注意的是,在四个研究年份截面中,珠江—西江经济带广东段的各县区人均GDP回归结果的绝对值表现为以珠三角为高值区域,并逐渐向外降低的圈层结构,这可能是由于人口集聚带来对环境问题的负向影响,以及产业升级过程中重视经济效应而忽视环境保护所导致。但是根据上述回归结果来看,以珠三角为核心的经济扩散效应仅停留在广东省内。从位于两广交界处的梧州市各县区人均GDP回归结果来看,并未表现出对地均ESV显著的负向影响。此外,对于中西部县区而言,人均GDP对地均ESV呈现显著影响的区域从零星分散向片状分布发展,并且大致符合环境库兹涅茨曲线的形状,即在社会发展初期阶段,经济增长对生态环境造成破坏,当社会发展进入成熟阶段时,经济增长对生态环境造成的负向影响达到峰值后会转变为正向影响。

3 结论与政策建议

本文首先基于生物量因子和植被覆盖度修正后的当量因子法,测算珠江—西江经济带的生态系统服务价值（ESV）并分析其时空演变规律;其次基于STIRPAT模型并构建地理加权回归模型（GWR）,实证研究人口规模、富裕程度和技术水平等三方面人文因素对环境正向指标,即ESV的影响;最后着重探究富裕程度的代理变量,制作通过10%显著性水平检验的人均GDP回归系数时空分布表,揭示珠江—西江经济带县域经济增长水平影响生态环境的空间异质性和非稳定性,得到主要结论如下：
（1）从时间演变规律来看,2005年、2010年、2015年、2018年的珠江—西江经济带ESV总值呈现先下降、后上升、再下降的态势。在四个研究时间截面内,森林生态系统的土地利用小部分转变为灌木林,而大部分转变为ESV较低的其他林地类型;草地生态系统的土地利用则逐渐转变为ESV较高的高覆盖度草地类型;荒漠生态系统中的荒漠面积小幅度增加,而裸地面积大幅度减少。修正因子方面,生物量和植被覆盖度在研究年份均出现上升趋势,一定程度上抵消了由于高价值生态系统类型的土地利用面积减少带来的ESV下降,并且使得珠江—西江经济带的ESV总值在2005—2018年间提升了2910.68亿元。（2）从县域地均ESV的空间分布规律来看,珠江—西江经济带的ESV总值整体表现为高值区与低值区相间分布,以及西部低东部高的态势,经济增长水平存在较大差异的珠三角与中西部地区的地均ESV差别不大。位于两广交界处的部分县区地均ESV较高,并且存在向中部地区产生扩散趋势,但是高值区对同样在地理位置上相邻的珠三角地区几乎不产生扩散效应。（3）在研究年份截面中人均GDP对地均ESV存在显著影响的县区逐渐增加,并且集中分布在研究区域的东、中、北部,而零星分布在西北部。其中,人均GDP对地均ESV的影响在珠江—西江经济带的广东段呈现持续且显著的负向影响,说明经济高速增长带来的负向影响大于邻近地区ESV的空间扩散效应,进而出现珠三角地区的地均ESV持续较低的局面;广西段的中部与北部地区在四个研究年份截面中,主要表现为由负转正的影响态势,由于ESV是表示生态环境的正向指标,因此该部分的时间变化规律符合环境库兹涅茨假说。
基于此,本文针对避免珠三角及其毗连地区的ESV在经济增长过程中出现进一步下降,研究区域中部和北部进行经济追赶,以及西北和西南部加强对经济增长与生态环境协调发展问题的重视方面提出以下政策建议：（1）位于珠江—西江经济带东部的珠三角地区由于ESV较低且经济增长对ESV长期表现为负向影响,因此,为了避免生态系统状况的进一步恶化,应该充分开发城市绿色空间,提高土地集约节约利用水平与城市绿地面积以保护生态本底。另一方面,应该提高工业企业的绿色创新意识,同时通过环境治理政策约束,促使生产技术向周边地区产生溢出效应并降低虹吸效应带来的人口集聚,缓解经济活动对生态环境带来的负向影响。（2）珠三角西侧毗连地区与两广交界地区的ESV较高,但是经济增长对ESV同样表现为持续的负向影响,因此该地区在承接产业转移的同时应该积极培育新的经济增长极,依据自身生态资源丰富的要素禀赋提升生产的技术水平。梧州市各县区由于低山区阻隔,受到发达地区溢出效应的影响相对较弱,因此应该加快培育自身工业经济,打造多中心和均衡化的经济空间结构。（3）珠江—西江经济带的中部和北部地区当前经济增长能够对ESV产生正向影响,因此一方面应该通过工业化发展吸引高质量人才与研发资金等创新要素的流入,对发达地区产生经济追赶,另一方面应该提高工业城市的研发要素溢出效应,填补经济裂谷带并提升经济增长速度。（4）对于研究区域的西北和西南部区域而言,资源丰富、以山地为主、植被覆盖度高的生态特征使其应该提升对经济增长影响生态环境问题的重视,其中西南部地区应该积极发挥边境区位优势,在对外贸易政策的作用下实现经济增长与生态环境保护的协调发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
於方, 杨威杉, 马国霞, 等. 生态价值核算的国内外最新进展与展望. 环境保护, 2020, 48(14): 18-24.

[YU F, YANG W S, MA G X, et al. The latest development and prospect of ecological value accounting at home and abroad. Environmental Protection, 2020, 48(14): 18-24.]

[2]
EHRLICH P R, EHRLICH A H. Extinction:The Causes and Consequences of the Disappearance of Species. New York: Random House, 1981.

[3]
陈万旭, 李江风, 朱丽君. 长江中游地区生态系统服务价值空间分异及敏感性分析. 自然资源学报, 2019, 34(2): 325-337.

[CHEN W X, LI J F, ZHU L J. Spatial heterogeneity and sensitivity analysis of ecosystem services value in the Middle Yangtze River Region. Journal of Natural Resources, 2019, 34(2): 325-337.]

DOI

[4]
GRETCHEN D, JOHN P M, JOSHUA R, et al. Nature's Services:Societal Dependence on Natural Ecosystems. Washington DC: Island Press, 1997.

[5]
COSTANZA R, D'ARGE R, GROOT R D, et al. The value of the world's ecosystem services and natural capital. Nature, 1997, 387(6630): 253-260.

DOI

[6]
赵鸿雁, 陈英, 杨洁, 等. 基于改进当量的甘肃省耕地生态系统服务价值及其与区域经济发展的空间关系研究. 干旱区地理, 2018, 41(4): 851-858.

[ZHAO H Y, CHEN Y, YANG J, et al. Ecosystem service value of cultivated land and its spatial relationship with regional economic development in Gansu province based on improved equivalent. Arid Land Geography, 2018, 41(4): 851-858.]

[7]
谢高地, 鲁春霞, 冷允法, 等. 青藏高原生态资产的价值评估. 自然资源学报, 2003, 18(2): 189-196.

[XIE G D, LU C X, LENG Y F, et al. Ecological assets valuation of the Tibetan Plateau. Journal of Natural Resources, 2003, 18(2): 189-196.]

[8]
曹跃群, 赵世宽, 杨玉玲, 等. 重庆市生态系统服务价值与区域经济增长的时空动态关系研究. 长江流域资源与环境, 2020, 29(11): 2354-2365.

[CAO Y Q, ZHAO S K, YANG Y L, et al. Research on the spatio-temporal dynamic relationship between the ecosystem services value and the regional economic growth in Chongqing. Resources and Environment in the Yangtze Basin, 2020, 29(11): 2354-2365.]

[9]
赵志刚, 余德, 韩成云, 等. 2008—2016年鄱阳湖生态经济区生态系统服务价值的时空变化. 长江流域资源与环境, 2017, 26(2): 198-208.

[ZHAO Z G, YU D, HAN C Y, et al. Study on the spatial and temporal changes of ecosystem services value in Poyang Lake Ecological Economic Zone from 2008 to 2016. Resources and Environment in the Yangtze Basin, 2017, 26(2): 198-208.]

[10]
谢高地, 张彩霞, 张雷明, 等. 基于单位面积价值当量因子的生态系统服务价值化方法改进. 自然资源学报, 2015, 30(8): 1243-1254.

[XIE G D, ZHANG C X, ZHANG L M, et al. Improvement of the evaluation method for ecosystem service value based on per unit area. Journal of Natural Resources, 2015, 30(8): 1243-1254.]

[11]
刘利花, 杨彬如. 中国省域耕地生态补偿研究. 中国人口·资源与环境, 2019, 29(2): 52-62.

[LIU L H, YANG B R. Research on ecological compensation of provincial cultivated land in China. China Population, Resources and Environment, 2019, 29(2): 52-62.]

[12]
袁伟彦, 周小柯. 生态补偿效率问题研究述评. 生态经济, 2015, 31(7): 118-123, 139.

[YUAN W Y, ZHOU X K. A research review on the efficiency of ecological compensation. Ecological Economy, 2015, 31(7): 118-123, 139.]

[13]
姜翠红, 李广泳, 程滔, 等. 青海湖流域生态服务价值时空格局变化及其影响因子研究. 资源科学, 2016, 38(8): 1572-1584.

[JIANG C H, LI G Y, CHENG T, et al. Spatial-temporal pattern variation and impact factors of ecosystem service values in the Qinghai Lake Watershed. Resources Science, 2016, 38(8): 1572-1584.]

[14]
严恩萍, 林辉, 王广兴, 等. 1990—2011年三峡库区生态系统服务价值演变及驱动力. 生态学报, 2014, 34(20): 5962-5973.

[YAN E P, LIN H, WANG G X, et al. Analysis of evolution and driving force of ecosystem service values in the Three Gorges Reservoir Region during 1990-2011. Acta Ecologica Sinica, 2014, 34(20): 5962-5973.]

[15]
姚小薇, 曾杰, 李旺君. 武汉城市圈城镇化与土地生态系统服务价值空间相关特征. 农业工程学报, 2015, 31(9): 249-256.

[YAO X W, ZENG J, LI W J. Spatial correlation characteristics of urbanization and land ecosystem service value in Wuhan Urban Agglomeration. Transactions of the CSAE, 2015, 31(9): 249-256.]

[16]
邓伟, 周渝, 张勇, 等. 重庆市生态保护红线区生态系统服务价值时空演变特征及其驱动. 长江流域资源与环境, 2020, 29(1): 79-89.

[DENG W, ZHOU Y, ZHANG Y, et al. Spatio-temporal evolution characteristics of ecosystem service value in Chongqing ecological red line area. Resources and Environment in the Yangtze Basin, 2020, 29(1): 79-89.]

[17]
黄莘绒, 管卫华, 陈明星, 等. 长三角城市群城镇化与生态环境质量优化研究. 地理科学, 2021, 41(1): 64-73.

DOI

[HUANG X R, GUAN W H, CHEN M X, et al. Urbanization and optimization of the Yangtze River Delta Urban Agglomeration. Scientia Geographica Sinica, 2021, 41(1): 64-73.]

[18]
孙克, 徐中民, 宋晓谕, 等. 人文因素对省域环境污染影响的空间异质性估计. 生态学报, 2017, 37(8): 2588-2599.

[SUN K, XU Z M, SONG X Y, et al. Spatial heterogeneity estimation of the impacts of human factors on environmental pollution in Chinese provinces. Acta Ecologica Sinica, 2017, 37(8): 2588-2599.]

[19]
孙克, 徐中民. 环境影响评价中人文因素作用的空间计量. 生态学报, 2009, 29(3): 1563-1570.

[SUN K, XU Z M. A spatial econometric analysis of the impacts of human factors on environment in China. Acta Ecologica Sinica, 2009, 29(3): 1563-1570.]

[20]
BARBIER E B, KOCH E W, SILLIMAN B R, et al. Coastal ecosystem-based management with nonlinear ecological functions and values. Science, 2008, 319(5861): 321-323.

DOI

[21]
唐秀美, 郝星耀, 刘玉, 等. 生态系统服务价值驱动因素与空间异质性分析. 农业机械学报, 2016, 47(5): 336-342.

[TANG X M, HAO X Y, LIU Y, et al. Driving factors and spatial heterogeneity analysis of ecosystem services value. Transactions of the CSAM, 2016, 47(5): 336-342.]

[22]
耿甜伟, 陈海, 张行, 等. 基于GWR的陕西省生态系统服务价值时空演变特征及影响因素分析. 自然资源学报, 2020, 35(7): 1714-1727.

[GENG T W, CHEN H, ZHANG H, et al. Spatiotemporal evolution of land ecosystem service value and its influencing factors in Shaanxi province based on GWR. Journal of Natural Resources, 2020, 35(7): 1714-1727.]

DOI

[23]
陈彧, 李江风, 徐佳. 基于GWR的湖北省社会经济因素对生态服务价值的影响. 中国土地科学, 2015, 29(6): 89-96.

[CHEN Y, LI J F, XU J. The impact of socio-economic factors on ecological service value in Hubei province: A geographically weighted regression approach. China Land Sciences, 2015, 29(6): 89-96.]

[24]
EHRLICH P R, HOLDREN J P. The impact of population growth. Science, 1971, 171(3977): 1212-1217.

DOI

[25]
DIETZ T, ROSA E A. Effects of population and affluence on CO2 emissions. PNAS, 1997, 94(1): 175-179.

DOI

[26]
YORK R, ROSA E A, DIETZ T. Footprints on the earth: The environmental consequences of modernity. American Sociological Review, 2003, 68(2): 279-300.

DOI

[27]
YORK R, ROSA E A, DIETZ T. STIRPAT, IPAT and ImPACT: Analytic tools for unpacking the driving forces of environmental impacts. Ecological Economics, 2003, 46(3): 351-365.

DOI

[28]
徐中民, 程国栋. 中国人口和富裕对环境的影响. 冰川冻土, 2005, 27(5): 767-773.

[XU Z M, CHENG G D. Impacts of population and affluence on environment in China. Journal of Glaciology and Geocryology, 2005, 27(5): 767-773.]

[29]
苏方林. 省域R&D知识溢出的GWR实证分析. 数量经济技术经济研究, 2007, 24(2): 145-153.

[SU F L. An empirical analysis on China's provincial R&D knowledge spillovers on using GWR. The Journal of Quantitative & Technical Economics, 2007, 24(2): 145-153.]

[30]
DIETZ T, ROSA E A. Rethinking the environmental impacts of population, affluence and technology. Human Ecology Review, 1994, 1(2): 277-300.

[31]
FOTHERINGHAM A S, CHARLTON M E, BRUNSDON C. The geography of parameter space: An investigation of spatial non-stationarity. International Journal of Geographical Information Science, 1996, 10(5): 605-627.

[32]
FOTHERINGHAM A S, BRUNSDON C, CHARLTON M E. Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. West Sussex: John Wiley & Sons Ltd, 2002.

[33]
陈鹏飞. 北纬18°以北中国陆地生态系统逐月净初级生产力1公里栅格数据集(1985—2015). 全球变化数据学报, 2019, 3(1): 34-41, 143-150.

[CHEN P F. A 1-km raster dataset of monthly net primary productivity of Chinese terrestrial ecosystems north of 18°N latitude (1985-2015). Journal of Global Change Data & Discovery, 2019, 3(1): 34-41, 143-150.]

[34]
BRUNSDON C, FOTHERINGHAM A S, CHARLTON M E. Some notes on parametric significance test for geographically weighted regression. Journal of Regional Science, 1999, 39: 497-524.

DOI

[35]
BRUNSDON C, FOTHERINGHAM A S, CHARLTON M E. Geographically weighted regression. Journal of the Royal Statistical Society: Series D (The Statistician), 1998, 47(3): 431-443.

DOI

[36]
辛晓华, 吕拉昌. 中国主要城市技术创新影响环境污染的空间分异与机理. 地理科学, 2021, 41(1): 129-139.

DOI

[XIN X H, LYU L C. Spatial differentiation and mechanism of technological Innovation affecting environmental pollution in major Chinese cities. Scientia Geographica Sinica, 2021, 41(1): 129-139.]

[37]
张协奎, 黄跃. 广西区域经济发展差异时空变化分析. 城市问题, 2014, (9): 65-70.

[ZHANG X K, HUANG Y. Analysis on the spatio-temporal change of regional economic development disparity in Guangxi. Urban Problems, 2014, (9): 65-70.]

Options
Outlines

/

〈 〉