陕甘宁革命老区生态系统服务价值时空分异及影响因素研究

doi:10.3785/j.issn.1008-9497.2022.04.014

陕甘宁革命老区生态系统服务价值时空分异及影响因素研究

朱相君^,^,, 薛亮^,^,

陕西师范大学地理科学与旅游学院，陕西西安 710119

Research on the spatial and temporal variations and influencing factors of ecosystem service value in the Shaanxi-Gansu-Ningxia Revolutionary Region

ZHU Xiangjun^,^,, XUE Liang^,^,

School of Geography and Tourism，Shaanxi Normal University，Xi′an 710119，China

通讯作者: ORCID： https：//orcid.org/0000-0002-9076-2820，E-mail：brxue@snnu.edu.cn.

收稿日期: 2021-04-15

基金资助:

陕西省社会科学基金项目. 2019D045

Received: 2021-04-15

作者简介 About authors

朱相君（1996—），ORCID：https：//orcid.org/0000-0003-2871-012X，女，硕士研究生，主要从事3S集成与应用研究，E-mail：2236819681@qq.com. , E-mail：2236819681@qq.com

摘要

陕甘宁革命老区是黄土高原和黄河中上游的重点生态治理区，作为重要的生态屏障区，其生态治理意义重大。以陕甘宁革命老区为研究区域，基于改进的生态系统服务价值（ecosystem service value，ESV）当量因子法，利用地理探测器及地理加权回归（geographically weighted regression，GWR）模型，分析1995—2018年各县ESV时空变化特征、影响因素及各主导因素作用强度的空间分异特征。结果表明：（1）1995—2018年，陕甘宁革命老区ESV呈先下降后上升的特征，整体呈上升趋势，草地与林地对该区域ESV的贡献较大；（2）ESV空间等级转化呈现较显著的两极变化趋势，其中低级、高级ESV区域面积显著扩张，较高级ESV区域面积明显缩减；（3）地被覆盖度、人口密度、垦殖系数是ESV空间分异的主导因素，平均空间解释力超过0.378 0，自然、社会、经济因素间的交互协同增强了其对陕甘宁革命老区ESV的影响程度；（4）各主导因素对ESV的影响程度表现出空间异质性，其中地被覆盖度及垦殖系数的影响程度由东向西递减，人均GDP和人口密度的影响程度则由西向东递减。

关键词： 生态系统服务价值（ESV） ; 地理探测器 ; 地理加权回归（GWR）模型 ; 影响因素 ; 陕甘宁革命老区

Abstract

The Shaanxi-Gansu-Ningxia Revolutionary Region is a key ecological management area in the Loess Plateau and the upper and middle reaches of the Yellow River. As an important ecological barrier area, its ecological governance is of great significance. Based on the improved equivalent factor method, geographic detectors and geographically weighted regression (GWR) models, this research choose Shaanxi-Gansu-Ningxia Revolutionary Region as the research area and analyzed the ESV changes, influencing factors and dominant factors of ESV of each county from 1995 to 2018. The main conclusions are as follows: (1) From 1995 to 2018, the ecosystem service value (ESV) of this region showed a characteristics of first decreasing and then rising, but the overall trend is increasing. Among them, the forest land and grassland contributed more to the ESV of the region; (2) The spatial feature of ESV level conversion presents obvious two extremes, low-level and high-level ESV regions are significantly expanding and the area of sub-high regions is significantly reduced; (3) The main factors leading to the spatial differentiation of ESV are land cover, population density and reclamation coefficient, and their spatial explanatory power exceed to 0.378 0. The interaction and synergy among natural, social and economic factors has enhanced the effects on ESV in the region; (4) The impact of each dominant factor on ESV shows spatial heterogeneity. Among them, the impact of land cover degree and reclamation coefficient decreases from east to west, while the impact of per capita GDP and population density decreases from west to east.

Keywords： ecosystem service value (ESV) ; geographic detector ; GWR model ; influencing factors ; Shaanxi-Gansu-Ningxia Revolutionary Region

PDF (3325KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

朱相君, 薛亮. 陕甘宁革命老区生态系统服务价值时空分异及影响因素研究. 浙江大学学报(理学版)[J], 2022, 49(4): 498-507 doi:10.3785/j.issn.1008-9497.2022.04.014

ZHU Xiangjun, XUE Liang. Research on the spatial and temporal variations and influencing factors of ecosystem service value in the Shaanxi-Gansu-Ningxia Revolutionary Region. Journal of Zhejiang University(Science Edition)[J], 2022, 49(4): 498-507 doi:10.3785/j.issn.1008-9497.2022.04.014

在全球环境变化背景下，人类不合理的社会经济活动加剧了生态环境的恶化，导致水土流失、资源枯竭等一系列生态问题。全球性及区域性的生态危机日益严峻，对人类自身的可持续发展产生了极大威胁，从而促使人类关注和反省自身发展与生态系统间的关系^［1］。如何定量评估生态系统服务价值（ecosystem service value，ESV）^［2］及探究其驱动因素^［3-4］已成为国内外学者研究的热点问题之一。

生态系统服务是人类从生态系统获得的直接或间接的产品、服务或功能，与人类福祉关系密切^［5］，ESV是衡量生态服务大小的重要指标。1997年，COSTANZA等^［6］首次估算了全球ESV，从科学意义上明确了ESV的估算原理与方法，为国内外学者研究ESV奠定了基础。鉴于ESV的复杂性及异质性，国内外一些学者对ESV的理论及方法做了探索与实证^［7-8］。国外学者多围绕ESV的理论分析^［9］、量化^［10］及其对周围环境的响应^［11］等方面进行探讨，且多结合土地利用数据进行ESV演变分析^［12］。在我国，随着ESV理论和案例研究的深入，ESV的定量评估方法日趋成熟，可归纳为基于单位生态系统服务功能的方法和基于单位面积ESV的方法。其中谢高地等^［8］在COSTANZA等的研究基础上根据我国生态系统和社会经济发展状况建立了我国陆地ESV当量因子表，即当量因子法，由于该方法计算简便、直观易用且结果可比性较高得到广泛应用。在ESV定量核算的基础上，有学者开始关注ESV的动态变化及其驱动机制^［3］。尽管目前相关研究成果逐渐丰富，且研究方法多样，但研究区域主要集中在三峡库区^［13］、长江流域^［14］等生态较敏感、经济相对发达的区域，针对跨行政区域的革命老区的研究相对缺乏。另外，以往研究多选取社会经济指标与ESV进行相关分析或回归分析，忽略了不同影响因素作用强度的异质性及空间分布差异性。

陕甘宁革命老区是革命传统和延安精神教育基地，属生态脆弱区。该区历史文化底蕴深厚，但经济相对落后；地下资源富集，但地上资源缺乏且水土流失严重，人地关系较复杂。本文以陕甘宁革命老区为研究区域，基于改进的当量因子法，定量测算ESV，并分析其时空变化特征，运用地理探测器识别主导因素，进一步利用地理加权回归（geographically weighted regression，GWR）模型探讨主导因素的空间异质性，以期为深入开展黄土高原和黄河中上游地区生态治理提供一定的科学参考。

1　研究方法与数据来源

1.1　研究区概况

陕甘宁革命老区位于黄土高原中北部，地势西北高东南低，属于温带大陆性气候，夏秋干热，冬春寒冷，年降水量在330~570 mm，年平均气温为7℃，日温差大。受地形地貌的限制以及气候和人类活动的影响，陕甘宁革命老区植被稀疏，水土流失严重^［15］，生态环境整体脆弱。截至2020年，陕甘宁革命老区共辖陕西省延安、榆林、铜川，甘肃省庆阳、平凉，宁夏回族自治区吴忠、固原、中卫等8个地级市，以及陕西省富平、旬邑、淳化、长武、彬州、三原、泾阳，甘肃省会宁，宁夏回族自治区灵武等9个县（市/区）^［16］，总面积19.2万km²。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 陕甘宁革命老区概况

底图来源于自然资源部网站（http：//www.mnr.gov.cn），审图号：GS（2020）4635，底图无修改。

Fig.1 Sketch map in the Shaanxi-Gansu-Ningxia Revolutionary Region

1.2　数据来源

研究所需要的数据包括土地利用数据和影响因子指标数据。土地利用数据来源于中国科学院资源环境科学数据中心（http：//www.resdc.cn）提供的1995，2005，2015，2018年4期土地利用栅格数据，分辨率为1 km×1 km，土地利用类型有耕地、林地、草地、水域、建设用地和未利用地6种一级类型；影响因子指标数据包括NPP、NDVI、温度、降水、DEM及各县（市/区）的社会经济统计数据等，其中NPP和NDVI数据来源于美国NASA（https：//ladsweb.modaps.eosdis.nasa.gov）提供的数据产品，分辨率为1 km×1 km，影像通过MRT软件进行拼接及投影转换；温度及降水数据来源于国家气象科学数据中心（http：//data.cma.cn）；DEM数据来源于中国科学院资源环境科学数据中心（http：//www.resdc.cn），分辨率为1 km×1 km；各县（市/区）社会经济统计数据（人均GDP、城镇化率、人均社会消费品、城乡居民人均收入、人均粮食产量、人口密度）等来源于1996—2019年的《陕西统计年鉴》《甘肃发展年鉴》《宁夏统计年鉴》《中国城市统计年鉴》以及各县级的政府门户网站。

1.3　研究方法

1.3.1　ESV当量因子修正与计算

鉴于不同地区ESV存在较大差异，考虑区域实际，为减小误差，对谢高地等^［8］提出的中国陆地ESV当量因子表加以修正。将1995—2018年陕甘宁革命老区平均单位面积粮食产量与全国平均单位面积粮食产量的比值作为区域修正系数^［17］，得到陕甘宁革命老区单位面积ESV当量表（表1）。

表1 陕甘宁革命老区单位面积ESV当量表

Table 1 Equivalent value of ESV per unit area in Shaanxi-Gansu-Ningxia Revolutionary Region

一级服务功能	二级服务功能	耕地	林地	草地	水域	未利用地
合计		6.48	23.06	9.49	37.19	1.14
供给服务	食物生产	0.82	0.27	0.27	0.43	0.02
	原材料生产	0.32	2.44	0.30	0.29	0.03
调节服务	气体调节	0.59	3.54	1.23	0.42	0.05
	气候调节	0.80	3.34	1.28	1.69	0.11
	水文调节	0.63	3.35	1.25	15.39	0.06
	废物处理	1.14	1.41	1.08	12.18	0.21
支持服务	土壤保持	1.21	3.30	1.84	0.34	0.14
	维持生物多样性	0.84	3.70	1.53	2.81	0.33
文化服务	提供美学景观	0.14	1.71	0.71	3.64	0.20

新窗口打开| 下载CSV

为消除农作物价格波动和通货膨胀对ESV的影响，以1995—2018年陕甘宁革命老区平均粮食单价及单产计算一个标准单位ESV当量因子的经济价值，然后提取对应年份各土地利用类型面积，计算陕甘宁革命老区各县各土地利用类型的ESV。

\begin{matrix} E S V = \sum_{i = 1}^{m} \sum_{j = 1}^{n} A_{j} E_{i j} ， \\ i = 1,2, \dots ， m ， j = 1,2 ， \dots ， n \end{matrix}

，（1）

其中， $A_{j}$ 为j类土地利用类型的面积（hm²）； $E_{i j}$ 为 $j$ 类土地利用类型的 $i$ 类生态系统功能基准单价（元·hm^-2）。

然而，即便同一生态系统其内部ESV也有差异，已有研究显示，植被覆盖度与ESV呈现较好的正相关性^［18］，生物量与生态系统功能及ESV密切相关^［8］。本研究基于NPP和NDVI数据对各县市ESV时间动态及空间异质性进行修正。修正后的ESV很好地反映了时间的动态变化，同时在空间上既保证了在宏观尺度上的可比性，也体现了区域内的差异性。系数修正公式为：

\begin{matrix} F_{i} = (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}) ， \\ α_{i} = F_{i} / F_{m e a n}, β_{i} = N P P_{i} / N P P_{m e a n}, \\ E S V_{i} = E S V \times α_{i} \times β_{i}, i = 1,2, \dots ， n, \end{matrix}

（2）

其中， $F_{i}$ 为i县的植被覆盖度； $N D V I$ ， $N D V I_{m a x}$ ， $N D V I_{m i n}$ 分别为归一化植被指数及其最大值、最小值； $α_{i}$ 为 $i$ 县的植被覆盖度修正系数； $F_{m e a n}$ 为区域的平均植被覆盖度； $β_{i}$ 为 $i$ 县的生物量修正系数； $N P P_{i}$ 和 $N P P_{m e a n}$ 分别为 $i$ 县植被净初级生产力及其平均值； $E S V_{i}$ 为 $i$ 县经植被覆盖度和生物量修正后的ESV。

1.3.2　地理探测器

地理探测器是用于测度地理现象的空间分异性与其潜在影响因素间关系的空间分析模型^［19］，既能探测因变量 $Y$ 的空间分异性，也能反映自变量 $X$ 对 $Y$ 的解释力^［20］。本研究通过地理探测器分析ESV与各潜在影响因素间的关系，进而识别主导因素与各因素间的交互作用类型，计算式为

q = 1 - \frac{1}{n σ^{2}} \sum_{h = 1}^{L} n_{h} σ_{h}^{2}

，（3）

其中， $n$ 为全部样本数； $σ^{2}$ 为 $Y$ 值的离散方差； $h$ 为 $Y$ 或 $X$ 的分区， $h$ =1，2，…，L； $L$ 为分区数； $q$ 为指标的空间异质性，值域为［0，1］，若分区是由自变量 $X$ 生成的，则 $q$ 值越大，表示 $X$ 对 $Y$ 的解释力越强，反之则越弱^［21］。通过探测不同因素间的交互作用，研究双因素的加强或减弱对因变量产生的影响，判断方法如表2所示。

表2 自变量间的交互作用类型

Table 2 Interaction types between covariates

q值比较	交互作用类型
$q (x_{1} ⋂ x_{2}) < m i n (q (x_{1}), q (x_{2}))$	非线性减弱
$m i n (q (x_{1}), q (x_{2})) < q (x_{1} ⋂ x_{2}) < m a x (q (x_{1}), q (x_{2}))$	单因子非线性减弱
$q (x_{1} ⋂ x_{2}) > m a x (q (x_{1}), q (x_{2}))$	双因子增强
$q (x_{1} ⋂ x_{2}) = q (x_{1}) + q (x_{2})$	独立
$q (x_{1} ⋂ x_{2}) > q (x_{1}) + q (x_{2})$	非线性增强

新窗口打开| 下载CSV

1.3.3　GWR模型

GWR模型通过将空间数据嵌入回归参数，探索驱动因素在空间层面上对因变量的影响机制^［22］。当自变量存在空间自相关时，最小二乘法（OLS）模型无法满足研究需求，由于GWR模型引入了空间距离权重，考虑了空间对象的局部效应，故模拟结果具有空间可靠性，更符合客观实际。GWR模型为：

y_{i} = β_{0} (U_{i}, V_{i}) + \sum_{k = 1}^{n} β_{k} (U_{i}, V_{i}) x_{k} (U_{i}, V_{i}) + ε_{i}

，（4）

\begin{array}{l} β_{k} (U_{i}, V_{i}) = (X^{T} W (U_{i}, V_{i} {) X)}^{- 1} \times \\ X^{T} W (U_{i}, V_{i}) y \end{array}

，（5）

W_{i j} = e x p (- d_{i j}^{2} / h^{2})

，（6）

其中， $y_{i}$ 为空间位置i的ESV， $β_{0} (U_{i}, V_{i})$ 为 $(U_{i}, V_{i})$ 空间位置的GWR截距， $β_{k} (U_{i}, V_{i})$ 为第 $k$ 个驱动因素在 $(U_{i}, V_{i})$ 空间位置的加权回归系数， $x_{k} (U_{i}, V_{i})$ 为第 $k$ 个驱动因素在空间位置的取值， $ε_{i}$ 为算法残差， $X^{T}$ 为驱动因素的转置， $W (U_{i}, V_{i})$ 为距离权重矩阵，y为ESV， $h$ 为AIC准则的带宽， $d_{i j}$ 为i与j的空间位置距离。

2　结果分析

2.1　ESV时空变化特征

2.1.1　ESV时间变化分析

基于当量因子表，依据式（1）和式（2）计算陕甘宁老区的ESV，进而分析其时间变化特征（表3），其中建设用地的ESV不做估算^［8］。由表3可知，陕甘宁革命老区23年间ESV呈先减少后增加的趋势，整体来看，ESV有所增加。1995，2005，2015，2018年4期的ESV总量分别为2 236.61，2 141.98，2 104.72，2 300.64亿元，23年间ESV总量增加了64.03亿元，其中，1995—2005年，陕甘宁革命老区ESV总量减少了94.63亿元，变化率为-4.23%；2005—2015年，ESV总量减少了37.26亿元，变化率为-1.74%；2015—2018年，ESV总量增加了195.92亿元，变化率为9.31%。从土地利用类型看，草地和林地的ESV平均比重较大，分别为37.94%和36.98%，其次为耕地，ESV平均比重为22.88%，水体与未利用地的ESV平均比重较小。在变化趋势与速率方面，草地和林地的ESV呈增加趋势，增长率分别为7.00%和5.59%，耕地、水体及未利用地的ESV则呈下降趋势，下降率分别为5.48%，20.35%和47.32%。综合比较发现，草地和林地是陕甘宁革命老区非常重要的生态系统。

表3 不同生态系统类型的ESV

Table 3 ESV of different ecosystem types

年份	ESV/亿元
年份	耕地	森林	草地	水域	未利用地	合计
平均比重/%	22.88	36.98	37.94	1.98	0.22	100.00
1995	508.43	818.15	852.84	49.91	7.27	2 236.61
2005	507.88	804.14	785.30	40.91	3.75	2 141.98
2015	509.34	762.92	785.42	42.81	4.23	2 104.72
2018	480.58	863.91	912.56	39.75	3.83	2 300.64

新窗口打开| 下载CSV

表4为不同生态系统服务功能的ESV，可知，从整体看，23年间，陕甘宁革命老区食物生产功能的ESV呈下降趋势，其余各项功能的ESV均呈上升趋势。从局部看，各项生态系统服务功能的ESV变化率及趋势有所差异。其中，1995—2015年，各项生态系统服务功能ESV均呈下降趋势，变化率相对较高的有提供美学景观（-3.71%）、维持生物多样性（-3.13%）、水文调节（-3.34%）、气体调节（-3.11%）等。1995，2005，2015，2018年4个时期，土壤保持、生物多样性维持、水文调节及气候调节功能的ESV均较大，食物生产功能的ESV均最小。一级服务功能按ESV从大到小排序，依次为调节服务、支持服务、供给服务、文化服务。

表4 不同生态系统服务功能的ESV

Table 4 ESV of different ecosystem service functions

年份	ESV/亿元
	供给服务		调节服务				支持服务		文化服务	合计
	食物生产	原材料生产	气体调节	气候调节	水文调节	废物处理	土壤保持	维持生物多样性	提供美学景观	合计
1995	98.97	138.93	283.47	298.78	301.62	254.51	378.02	340.57	141.73	2 236.61
2005	96.66	135.15	272.26	286.84	286.75	242.24	362.33	325.64	134.11	2 141.98
2015	96.39	130.89	266.12	281.20	281.73	240.70	356.81	319.52	131.37	2 104.72
2018	97.52	144.09	295.44	309.25	309.03	255.25	390.43	352.21	147.42	2 300.64

新窗口打开| 下载CSV

2.1.2　ESV空间变化特征

为便于空间分析，利用ArcGIS软件对陕甘宁革命老区ESV总量按照自然断点法^［23］分级，其中，低级为（0，10.51］亿元，较低级为（10.51，20.03］亿元，中级为（20.03，44.09］亿元，较高级为（44.09，85.80］亿元，高级为85.80亿元以上。由表5可知，1995—2018年，陕甘宁革命老区低级、高级ESV区域面积呈扩张趋势，且扩张率分别为167.37%和160.60%。较低级、中级、较高级ESV区域面积呈缩减趋势，其中较低级和中级ESV区域面积缩减率较低，分别为-3.59%和-6.36%，而较高级区域面积缩减较为明显，缩减率为-72.29%。综上，陕甘宁革命老区不同等级ESV区域面积转化呈较为显著的两极分化趋势。

表5 不同等级ESV区域面积变化

Table 5 The change of region area of different level ESV

年份	面积变化/km²
年份	低级	较低级	中级	较高级	高级
1995	10 430.41	41 583.12	66 638.05	43 221.29	12 087.12
2005	25 423.35	54 206.91	43 974.15	29 210.88	21 155.86
2015	29 660.69	59 266.07	40 472.70	36 329.51	8 240.79
2018	27 888.06	40 090.15	62 400.08	11 975.89	31 498.91

新窗口打开| 下载CSV

2.2　ESV影响因素分析

ESV受很多因素的影响，包括自然因素、经济因素、社会因素。本研究依据陕甘宁革命老区的区域概况，参考相关学者的研究成果^［22］，结合数据的可获取性，得到影响陕甘宁革命老区ESV的因素，包括年均气温（X1）、年均降水量（X2）、地形起伏度（X3）、地被覆盖度（X4）等自然因素，人均GDP（X5）、城镇化率（X6）、人均社会消费品零售总额（X7）、城乡居民人均收入（X8）等经济因素，人均粮食产量（X9）、人口密度（X10）、垦殖系数（X11）等社会因素。

2.2.1　基于地理探测器的因子探测分析

采用地理探测器模型对影响ESV的因素进行识别，进而确定主导因素，并分析各因素间的交互作用对ESV空间分异的影响。由表6可知，X6，X7，X8，X9这4个因素的q值均小于0.1，说明其对ESV的解释程度较弱，而X1，X2，X3，X4，X5，X10，X11这7个因素的q值均大于0.1，具有一定的解释作用。

表6 地理探测器探测结果

Table 6 Geographical detector detection results

探测值	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11
q	0.142 0	0.201 4	0.262 9	0.400 5	0.231 2	0.035 6	0.066 0	0.060 6	0.089 2	0.391 9	0.341 5
p	0.015 1	0.026 1	0.018 3	0	0.015 2	0.022 1	0.281 4	0.217 6	0.133 5	0	0.007 0

新窗口打开| 下载CSV

根据q值得到各因素的影响大小排序，依次为X4，X10，X11，X3，X5，X2，X1，其中，X4，X10，X11的q值明显高于其他因素，解释力分别为0.400 5，0.391 9，0.341 5，且均通过了0.01水平的显著性检验，说明这3个因素是影响陕甘宁革命老区ESV空间分异的主导因素；X3，X5，X2的解释力均在0.25左右，是影响陕甘宁革命老区ESV空间分异的重要因素；X1的解释力为0.142 0，是影响陕甘宁革命老区ESV空间分异较为重要的因素。X6，X7，X8，X9的解释力均在0.10以下，说明这4个因素对陕甘宁革命老区ESV的空间分异影响相对较小。

分析准则层发现，自然因素、社会因素在较大程度上揭示了陕甘宁革命老区ESV空间分异的驱动机制。其中，自然因素对ESV的解释力最强，说明该区域自然环境对ESV贡献最大，相关部门应继续加大对流域的资源保护及生态保育力度；其次是社会因素，反映了人类活动对区域生态环境存在干扰较大，因此在土地利用过程中，应该严格遵循土地利用规划及管制原则，加强人类活动对区域生态干扰的风险管控。

2.2.2　基于地理探测器的因素交互探测

进一步对陕甘宁革命老区ESV影响因素进行交互探测（表7），发现任意两个因素的交互作用程度均大于单因素的影响程度，且任意两个因素的交互状态主要为交互增强和非线性增强。

表7 ESV空间分异驱动因素的交互探测q值

Table 7 The q of factor detector for the spatial differentiation of ESV

交互探测	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11
X1	0.142 0
X2	0.729 1	0.201 4
X3	0.356 9	0.548 5	0.262 9
X4	0.788 1	0.582 7	0.736 1	0.400 5
X5	0.729 9	0.562 5	0.683 5	0.633 4	0.231 2
X6	0.371 8	0.576 7	0.381 9	0.795 3	0.653 8	0.035 6
X7	0.466 2	0.637 9	0.427 4	0.641 4	0.580 4	0.151 4	0.066 0
X8	0.403 6	0.563 4	0.512 4	0.731 6	0.617 7	0.301 1	0.334 9	0.060 6
X9	0.662 9	0.423 9	0.521 5	0.750 1	0.570 5	0.450 1	0.419 7	0.466 2	0.089 2
X10	0.739 2	0.699 0	0.628 6	0.842 7	0.745 1	0.650 9	0.609 1	0.742 2	0.834 3	0.391 9
X11	0.603 2	0.802 3	0.715 0	0.793 3	0.725 9	0.687 6	0.704 5	0.572 4	0.714 2	0.756 1	0.341 5

新窗口打开| 下载CSV

X10与X4的交互作用对区域ESV空间分异的影响最强，解释力高达0.842 7，其次为X10与X9，X4与X6，解释力分别为0.834 3和0.795 3。交互探测q值超过0.50的有40多种，剩余因素的q值虽然低于0.50，但仍高于单因素对ESV空间分异性影响的程度。从交互探测的准则层面看，社会因素与自然因素、经济因素与自然因素之间的交互作用明显强于社会因素内部或经济因素内部的交互作用。说明在区域自然条件约束下，由于受人类社会经济活动的强烈干扰，区域ESV空间分异性显著增加。因此，在土地利用过程中，应该优先考虑区域本身的地理环境特点，结合不同驱动因素的作用效果及因素间交互协同增强的效果，采取差异化多元协同调控的策略，选择与区域自然环境相适应的社会经济发展模式，避免不合理的社会经济活动。

2.2.3　基于GWR的影响因子空间异质性分析

基于地理探测器的结果，选取X4，X10，X11，X5共4个因素进行建模。一方面实现了因素降维，另一方面最大程度地体现了驱动因素的影响，避免重复性和无效性。

对ESV及各主导因素进行普通最小二乘（ordinary least squares，OLS）回归，结果显示，残差拟合不服从正态分布，为提升拟合度，引入GWR模型。首先，判断因变量的空间相关性，利用GeoDa软件分析陕甘宁革命老区ESV空间自相关性，结果显示，4期Moran's I值分别为0.44，0.54，0.55，0.51，说明区域ESV存在显著的空间集聚性。然后，采用GWR模型进行拟合（表8），拟合后的R²由0.620 8升至0.786 4，AICc由552.381 5降至540.693 1，差值为11.688 4，整体表现较好，表明GWR模型较OLS模型拟合效果更好。

表8 GWR与OLS模型拟合效果对比

Table 8 Comparison of fitting effects between GWR and OLS models

模型	AICc	R²	调整R²
OLS	552.381 5	0.620 8	0.643 8
GWR	540.693 1	0.786 4	0.734 4

新窗口打开| 下载CSV

基于上述研究，采用GWR模型对各县市ESV及驱动因素进行拟合。回归系数显示，地被覆盖度与ESV呈正相关关系，而垦殖系数、人口密度及人均GDP与ESV呈负相关关系。为更加直观地展示影响程度，采用自然断点法对各主导因素回归系数的绝对值进行可视化分析，探究主导因素对ESV影响程度的空间异质性（图2）。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 生态系统服务价值影响因素的空间异质性

Fig.2 Spatial heterogeneity of influencing factors of ESV

如图2所示，各主导因素对ESV的影响程度具有空间异质性，具体表现在以下3个方面：

（1）地被覆盖度与ESV呈正相关关系，在空间上呈东高西低的特征，即每增加一个单位的地被覆盖度，区域ESV将不同程度地增加，其中东部ESV增加幅度高于西部。这是因为植被在维持区域生态环境、保护生物多样性及调节气候等方面有重要作用，地被覆盖度的增加必然使ESV增加，且东部林地、草地面积相对较大，作为区域ESV的主要组成部分，东部地被覆盖度的变化对ESV的影响程度亦较大。

（2）垦殖系数与ESV呈负相关关系，在空间上呈东高西低的空间特征，即每增加一个单位的垦殖系数将导致区域ESV不同程度的下降，其中东部ESV下降程度明显高于西部，这是由于东部林地、草地面积广，而垦殖率的增加势必导致原有提供较多生态系统服务功能的林地及草地面积下降，进而导致东部ESV下降程度较大。

（3）区域人口密度和人均GDP均与ESV呈负相关关系，在空间上呈西高东低的空间特征，但区域ESV对人口密度的变化较为敏感。这是因为相较于人均GDP，人口密度的增加意味着衣食住行的增长及建设用地的扩张。考虑该区域生态本底较为脆弱，水土流失及土地荒漠化问题较严重，人类活动的增加必然导致生态系统压力的增加，甚至超过生态环境的承载能力，导致区域ESV下降。从空间上看，每增加一个单位的人口密度或人均GDP，对西部ESV的影响程度更大，原因是西部以海拔较高的丘陵为主，生态本底较东部更脆弱，人口密度及人均GDP的增加所需要的生态系统服务更多，对西部的副作用更明显。

3　结论与讨论

3.1　结论

研究选取陕甘宁革命老区各县（市/区）作为评价单元，基于改进的当量因子法，分析评价研究区1995—2018年ESV时空变化特征，并利用地理探测器识别影响研究区ESV时空分异的主导因素及因素间的交互作用特征，进而利用GWR模型分析各主导因素的空间异质性，得到以下主要结论：

（1）1995—2018年，陕甘宁革命老区ESV先下降后上升，整体呈上升趋势。1995—2015年，ESV呈下降趋势，2015—2018年，ESV呈上升趋势；草地和林地对ESV贡献较大。草地和林地是陕甘宁革命老区非常重要的生态系统。

（2）从空间变化看，ESV等级转化特征呈两极分化趋势。其中低级、高级ESV区域面积呈扩张趋势，较低级、中等及较高级ESV区域面积呈缩减趋势。

（3）地被覆盖度、人口密度、垦殖系数是区域ESV空间异质性的主要影响因素。在指标层面，任意两个因素的交互作用对ESV空间分异具有协同增强的效果；在准则层面，社会因素与自然因素及经济因素与自然因素之间的交互作用明显强于社会因素之间或经济因素之间的交互作用。

（4）基于GWR模型系数结果，地被覆盖度与ESV呈正相关，垦殖系数、人口密度、人均GDP与ESV呈负相关。其中地被覆盖度、垦殖系数作用强度由东向西递减，人均GDP及人口密度作用强度则由西向东递减。

3.2　讨论

研究采用当量因子法，基于NDVI及NPP数据对ESV进行时间动态及空间异质性修正，修正后的结果既保证了ESV在时间上的动态性，也体现了ESV在区域尺度上的可比性；探究了驱动因子的作用强度及空间异质性，揭示了区域ESV空间异质性的形成机制。考虑区域生态保护与经济发展现状，陕甘宁革命老区在发展经济的过程中，应遵循因地制宜的开发原则。榆林市、咸阳市、延安市、铜川市及渭南市等东部的部分县市，地被覆盖度较高，生态本底好，人口及资源承载力高，产业发展潜力较好，适宜积极发展以生态旅游、乡村旅游等为主的第三产业，带动老区经济社会的发展；庆阳、平凉等中部地级市下辖的部分县（市/区），地势较为平坦，受人口密度、垦殖系数及人均GDP的影响相对较小，应以发展农业为主，同时进一步优化土地利用空间布局，提高土地利用效率；原州区、海原县等西南部区域，属于生态脆弱区，海拔较高，地被覆盖度低，受经济发展、人口密度及垦殖系数影响大，应坚持生态优先的开发原则，加大生态保护及修复力度，控制人类活动对生态环境的干扰，着力构建生态安全屏障。

本研究对于研究区生态文明建设具有一定的科学参考价值，但仍存在不足。在测算ESV时，由于当量因子法的计算是以自然系统为主，无法很好地体现建设用地的ESV，存在一定的局限性；在影响因素分析方面，由于ESV受多因素影响，单纯依靠模型进行模拟，无法全面探究ESV空间异质性的驱动机制。结合不同ESV计算方法的优点，综合考虑各利益相关方，利用质性分析等方法探究ESV的变化机制，将是未来研究的重点。

http://dx.doi.org/10.3785/j.issn.1008-9497.2022.04.014

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

赵育恒，曾晨.

武汉城市圈生态系统服务价值时空演变分析及影响因素

［J］. 生态学报， 2019， 39（4）： 1426-1440. DOI：10.5846/stxb201809131975