长株潭城市群新型城镇化对生态系统服务价值空间分异的影响

陈 睿，杨 灿，2，童 晶，蒋晓娉，蔺向宇，欧阳婳

(1.中南林业科技大学 经济学院，湖南 长沙 410004；2.湖南绿色发展研究院，湖南 长沙 410004）

2014 年中共中央、国务院印发《国家新型城镇化规划（2014—2020 年）》，明确指出我国正处转型的关键时期，应着力解决凸显的生态环境问题，建立绿色循环、低碳环保、可持续发展的经济体系，将生态环境与城镇化建设放在同等重要的位置，进而推动二者协调可持续发展[1]。随着我国经济步入“新常态”阶段，新型城镇化呈现出新的发展态势，走中国特色的新型城镇化道路已达成共识。理论研究上，当下学者们主要从以下几个不同视角出发：新型城镇化的内涵[2]、发展规律和目标[3]、存在问题[4]等；实证研究方面，主要从新型城镇化的发展水平测算[5]、时空格局演化[6]、评价指标体系构建等方面进行研究。

随着生态环境问题的愈加恶化，测算生态系统服务价值（Ecosystem service value，ESV）已成为生态学、经济学、可持续发展等领域的关注焦点[7]。目前，ESV的定量核算方法主要分为两大类：价值量评价法和能值分析法，其中Costanza 等[8]率先运用价值量评价法对全球的ESV进行测算，掀起了学术界对ESV进行深入研究的新浪潮，但由于生态系统具有一定个异性，谢高地等[9]于2015 年参考中国实际情况修订建立了当量因子表及动态评估方案，为我国ESV的深入研究提供一定价值借鉴。目前，学术界围绕全球、国家、区域、城市群、省市、流域等不同研究对象，探讨人类活动强度[10]、经济社会发展[11]、土地利用变化[12]、景观格局演变[13]、城镇化水平[14]等因子对ESV的影响。

伴随着城市群区域的城镇化进程，土地利用发生了快速转型，严重干扰了生态系统的正常结构和功能。姚小薇等[14]以武汉城市群为例，运用空间计量分析不同城镇化水平与ESV的空间分异特征。陈万旭等[15]借助长江中游城市群的土地利用数据，测度其ESV时空分布格局，并结合空间自相关、空间回归对城镇化水平与ESV之间的空间关系进行深入探讨。耿甜伟等[16]运用地理探测器、地理加权回归探究2000—2015 年陕西省107 个县级行政单元ESV的时空分布特征、影响因子、主导因子作用强度的空间分异特征。张佳田等[17]以中国333 个城市为评价单元，运用综合指标体系法，测度不同年份的城镇化与生态系统服务水平及二者的时空演变特征，最后运用空间计量探究城镇化水平与ESV之间的关系。

综上，本研究以长株潭城市群县级行政尺度为评价单元，基于2010—2018 年三期的Landsat卫星遥感数据及经济社会统计数据，首先采用当量因子法分析研究区ESV的时空分布格局，在ArcGIS 和GeoDa 的技术支撑下，再探究不同新型城镇化与ESV的双变量空间相关性，最后综合运用普通最小二乘法（OLS）、空间回归模型（SRM）、地理加权回归模型（GWR）从全局和局部视角探测不同新型城镇化水平对ESV空间分异的影响，并测度其空间相互作用、空间依赖和空间溢出效应。以期为长株潭城市群高质量和一体化建设提供一定价值借鉴，同时为区域新型城镇化建设和生态环境质量提升提供决策参考，最终实现新型城镇化和生态文明“一体化”建设。

1 研究区概况与数据来源

1.1 研究区概况

长株潭城市群，坐落于湖南省的中东部，为长江中游经济带的重要组成部分，涵盖长沙、株洲和湘潭三市，共23 个县级行政单元[18]（图1）。2005 年以来，湖南省政府颁布《湖南省推进新型城镇化实施纲要（2012—2020）》《长株潭城市群区域规划（2008—2020）》等一系列政策推动长株潭城市群的融合发展，是中国首个自主进行区域一体化建设发展试验的区域。鉴于此，选取长株潭城市群为研究区域，探究新型城镇化对土地利用变化生态环境效应的空间分异情况，进而对城市群集聚地区土地可持续利用和生态环境保护提供一定指导和借鉴。

图1 研究区空间区位及高程Fig.1 Spatial location and elevation of the study area

1.2 数据来源及处理

2010—2018 年的三期土地利用/覆被变化数据源自中国科学院资源环境科学与数据中心，借助ArcGIS 的重分类工具，划分为耕地、林地、草地、水域、建设用地和未利用地6 大类。粮食单产、粮食价格、其他经济社会数据源自《湖南统计年鉴》《中国农产品价格调查年鉴》和各市县区统计年鉴等。基础地理数据来源于国家基础地理信息系统全国1∶400 万数据库。

2 研究方法

2.1 新型城镇化水平测算

结合长株潭城市群的发展现状，立足于理论内涵的全面性、研究阶段的过渡性、数据获取的准确性，构建了一套涵盖人口、经济、空间、社会、生态城镇化等5 个子系统的新型城镇化发展水平评价系统。其中，人口城镇化是表象，经济和空间城镇化是动力，社会和生态城镇化是最终目标[15]。加强新型城镇化建设，促进经济社会协调发展，实现共同富裕，不仅要从城市人口、财政收入、空间规划、居民意念和设施建设等方面出发提高居民的生活水平，还应注重城镇化与生态环境的协调可持续发展。本研究选取人口城镇化率（城镇人口占总人口的比重，%）、人均财政收入（财政收入与总人口的比值，元/人）、建设用地比例（城市建设用地占市区面积的比重，%）、每万人普通中学在校生数（人/万人）、人均公园绿地面积（公园绿地面积与总人口的比值，m2/人）分别测度研究区的人口城镇化、经济城镇化、空间城镇化、社会城镇化和生态城镇化水平。为消除数据量纲的不一致与相关性，运用极差标准法对各指标进行处理。

2.2 生态系统服务价值测算

借鉴“一个当量因子的价值量等于当年单位面积粮食产量市场价值的1/7”规则，结合长株潭城市群粮食单产和粮食价格数据对当量因子表进行补充修订[9]。为使研究成果更加切合实际，粮食单产采用2010—2018 年长株潭城市群平均粮食单产水平，经测算为6 805.8 kg/hm²，粮食价格采用2018年全国中晚籼稻最低收购价格（长株潭城市群的主要粮食作物是中晚籼稻），经查询为2.52 元/kg。最后确定长株潭城市群单位面积ESV系数（表1），参考前人研究，拟定建设用地的价值系数为0。

表1 长株潭城市群单位面积生态系统服务价值系数Table 1 ESV coefficient per unit area of Changsha-Zhuzhou-Xiangtan urban agglomeration 元·hm-2·a-1

基于此，运用Costanza[8]等给出的方法，结合各土地利用类型的面积，测算不同县域尺度的ESV，公式如下：

式中：ESV为生态系统服务价值，AESV为地均生态系统服务价值，Ai为第i类土地利用类型的面积，VCij为单位面积第i类土地利用类型的第j项服务功能价值系数。

2.3 双变量空间自相关模型

空间自相关分析包含全局、局部空间自相关两种类型，一般情况下，采用Global Moran’s I和Local Moran’s I 指数分别对其进行描述。公式如下：

式中：I 为Global Moran’s I 指数，Ii为Local Moran’s I 指数，n 为空间单元数量，xi、xj分别为空间单元i、j 的属性值，为属性的均值，wij为空间权重矩阵。

为诊断多个变量间的空间相关性，相关学者们鉴于Moran’s I 指数，延伸到双变量空间自相关，本研究运用此方法探究不同新型城镇化水平与ESV之间的空间溢出效应。公式如下：

式中： xlp为空间单元p 的属性l 的值，xmq为空间单元q 的属性m 的值；、分别为属性l 和m 的均值；σl、σm分别为属性l 和m 的方差。

2.4 空间回归模型

基于空间自相关的检验结果，本研究引入空间计量模型分析新型城镇化水平与ESV之间的繁杂空间相互作用及空间依赖性，即普通最小二乘法（OLS）、空间滞后模型（SLM）、空间误差模型（SEM）。公式如下：

空间滞后模型：

空间误差模型：

式中：Y1、Y2为被解释变量，X 为解释变量，W 为空间权重矩阵，ρ 为空间滞后项WY 的参数，β 为参数向量，ε 为回归残差向量，λ 为空间误差相关系数，μ 为白噪声干扰项。

2.5 地理加权回归模型

地理加权回归模型的优势在于回归系数对于每个样本都有唯一的值，因此对不平稳的空间数据而言，可反映不同地理位置不同变量对该区域的影响程度，用以解释地域差异对变量的影响，本研究借此来探究不同新型城镇化水平对ESV空间分异的动态演变特征。公式如下：

式中：Yi为被解释变量，（ui,vi）为第i 个样本点的空间坐标，β0(ui,vi)为截距项，xik为解释变量xk在第i 个样本点的值，εi为随机扰动项。

3 研究结果与分析

3.1 新型城镇化水平时空演变

为更简明和可视化地表达研究区不同新型城镇化水平的时空分布格局，以长株潭城市群地形图为背景，测度出长株潭城市群各县域2010、2015 和2018 年的人口、经济、空间、社会、生态城镇化水平（图2）。总体上，研究区平原区域的新型城镇化水平明显高于山地区域，表现出以长沙市市区为中心，株洲、湘潭市市区为“双副中心”逐渐向周围递减的空间分布格局。其中，人口城镇化方面，长沙市芙蓉区位居榜首，高达100%的人口城市化水平，其次是天心区、开福区、雨花区、株洲市荷塘区和岳塘区等；经济城镇化方面，天元区达到最高水平，长沙市市区出现了集中连片的高水平分布格局，东、西和南部山地覆盖区域则呈现低水平分布格局。空间城镇化方面，芙蓉区及其周边的都市区形成了一个高水平的空间城镇化团体。社会城镇化方面，总体呈显著偏高水平，特别是岳麓区、雨花区和浏阳市等地区，说明该区域的娱乐休闲、科研教育等事业在不断发展，普及程度也在逐渐提高。生态城镇化方面总体呈“北高南低”空间布局，且位于北部的长沙市各县区呈直线降低的趋势。因此，建议其在发展经济的同时应注重居民的生活环境质量。

3.2 生态系统服务价值时空演变

3.2.1 生态系统服务价值时序变化

根据公式（1）测算长株潭城市群各地类ESV（表2）。2010、2015、2018 年研究区的ESV分别为1 461.80、1 451.60 和1 431.81 亿元，总体逐年递减，且累计降低了29.99 亿元。具体而言，耕地和林地提供的ESV呈直线下降的趋势，且降低幅度持续增加，林地提供的ESV分别降低了0.63%和1.43%；草地提供的ESV呈U 型变化特征；水域提供的ESV不断增加，是长株潭城市群ESV增加的主要贡献者，累计增加了4.85%；建设用地和未利用地对ESV的贡献不显著。

表2 2010—2018 年各地类ESV 变化Table 2 Changes in the ESV of various lands from 2010 to 2018

3.2.2 生态系统服务价值空间变化

借助公式（1）和（2）分别测算2010、2015和2018 年的ESV和AESV（图3）。ESV总体上呈“中心低、四周高”空间分布格局，由于土地利用类型和用地面积均存在一定差异，各评价单元的ESV存在显著差距，其中，东北部的浏阳市ESV处于最高水平；长沙、宁乡、湘乡和湘潭等的ESV次之；长沙市核心地位的芙蓉区ESV则处于最低水平。

图3 2010—2018 年ESV 和AESV 空间布局Fig.3 Spatial layout of the ESV and AESV from 2010 to 2018

为消除ESV对面积的依赖性，本研究进一步测度了研究区各评价单元AESV的空间特征，AESV的高值区主要分布在研究区的边界地区，东北部幕阜山、南部罗霄山、西北部雪峰山及周边山区尤为显著，该区域林地面积占比大，拥有丰饶的生态资源，进而产生相对较高的AESV。低值区连片分布在北部的洞庭湖平原以及中部的长沙、株洲、湘潭市市区，该区域地势平坦，森林覆盖率低，且城镇化水平相对较高，是导致该区域ESV较低的主导因素。

3.3 新型城镇化与生态系统服务价值的空间相关性特征

3.3.1 双变量全局空间自相关

结果如表3 所示。研究期内人口、经济、空间、生态4 个新型城镇化水平与AESV的双变量Moran’s I均小于0，且均通过显著性检验，表明存在显著的空间负相关关系，且诠释了随着新型城镇化建设的推进会导致生态系统服务恶化的现象。其中，人口城镇化与AESV的空间负相关性最强，且相关程度逐年递增，说明人口城市化的推进是造成地区ESV亏损的主导因素；人口城市化集聚会引发城市交通、住房、休闲娱乐及公共设施等社会需求不断增长，进而驱动地区土地利用/覆盖发生较为显著变化，因此，人口城镇化一定程度上会推动空间城镇化进程，研究期内空间城镇化与AESV的空间负相关性较强，且逐年递增。经济城镇化、生态城镇化与AESV的空间负相关性较弱，经济城镇化与AESV的空间负相关关系呈倒U 型变化，先增强再减弱，而生态城镇化与AESV的空间负相关关系呈U 型变化，先减弱再增强。相较而言，社会城镇化与AESV的全局Moran’s I 未通过假设检验，说明二者不存在显著的空间相关性，由于社会城镇化是对人口城市化、政府公共财政、国土空间规划、居民生活环境质量等现状的综合体现，虽然人口、经济、空间、生态对其产生一定显著效应，但决定性因素还是人民的生活水平和科研技术等，因而社会城镇化与AESV不存在直接的空间相关关系。

表3 2010—2018 年双变量空间自相关†Table 3 Bivariate spatial autocorrelation between the new urbanization and average ESV from 2010 to 2018

3.3.2 双变量局部空间自相关

鉴于Z检验（P=0.05），绘制2010—2018 年三期长株潭城市群的双变量局部空间自相关LISA聚集图（图4）。人口城镇化与AESV研究期内双变量空间相关分布格局无显著变化，主要呈现高—低与低—高聚集。经济城镇化与AESV研究期内双变量空间相关分布格局也无显著变化，仅2015 年岳塘区出现低—低聚集。空间城镇化与AESV的双变量空间相关分布格局和人口城镇化完全一致，很大程度上诠释了人口城镇化带动空间城镇化发展的形势。社会城镇化与AESV的全局Moran's I 未通过假设检验，但其局部LISA 聚集图存在4 种空间异质格局。生态城镇化与AESV研究期内双变量空间相关分布格局变化最显著，特别是2015 年出现了低—低聚集，主要分布在天心、开福、芙蓉、雨花等区和长沙县。

图4 2010—2018 年双变量LISA 聚集图Fig.4 Bivariate LISA aggregation of new urbanization and AESV from 2010 to 2018

3.4 新型城镇化对生态系统服务价值空间分异的影响

3.4.1 空间回归分析

基于新型城镇化水平与AESV之间的双变量空间相关特征分析可看出其间存在显著的空间依赖性，为进一步定量测度二者间的关系，首先在不考虑空间相互作用情况下，进行OLS 检验，再与SLM、SEM 模型的拟合优度（R2）、自然对数似然函数值（Log likelihood）、赤池信息量准则（AIC）、施瓦茨准则（SC）等统计量对比，可以发现SEM模型具有更大的R2和Log likelihood 值，更小的AIC 和SC 值，能更好的解释新型城镇化与AESV间的空间关系（表4）。

表4 OLS、SLM 和SEM 模型结果对比Table 4 Comparison results of OLS,SLM and SEM models

据SEM 模型检验结果（表5），回归显著性方面：经济、空间和生态城镇化均通过P＜0.01显著性检验，表明其对AESV具有显著驱动作用。值得说明的是，人口和社会城镇化未通过显著性检验，表明当前人口和社会城镇化对AESV尚未构成显著影响力，可能与近年来人口城镇化带动空间城镇化水平发展有关，且社会城镇化是对各城镇化水平的综合体现，则社会城镇化与AESV不存在直接显著的驱动动力，这也验证了前面双变量空间相关特征初步分析的结果。

表5 SEM 模型检验和估计结果Table 5 SEM model test and estimation results

回归系数方面：人口、经济、空间和生态城镇化回归相关系数为负，表明其对AESV产生负向驱动作用，社会城镇化水平对AESV产生正向作用。其中，空间城镇化（-0.757 2），表明空间城镇化水平每上升1 个单位，AESV将下降0.757 2 个单位，长株潭城市群位于长江中游核心位置，中部崛起过程中，为进一步扩张城市建成区，占用了大量的耕地、林地和水域面积建设居民住宅、商业用地及其配套设施等，并未注重科学合理的国土空间规划和生态系统的协调可持续发展，是对生态系统服务功能产生负面影响的主导因素；经济城镇化（-0.127 1），表现出一定的负向影响，伴随城市经济的不断发展，地方政府税收持续增长，政府预算支出会增加，如环保事业、社会教育等投入，从而对提升ESV起到一定促进作用，同时增加了城市建设的预算支出，给生态环境带来严峻压力，这一研究结果再次证明了经济和空间城镇化是影响ESV动力源的理论基础；生态城镇化（-0.065 5），表明出较弱的负向作用，人口城市化推动道路交通设施持续建设，虽政府会加大对绿化园区的规划，但仍处于初期，未对生态环境产生显著的促进作用。

3.4.2 地理加权回归分析

为进一步探究几个显著性因子在不同评价单元中作用方向和作用强度的空间差异性，本研究引入GWR 模型进行局部空间回归分析。由于GWR 模型只能对截面数据进行分析，拟定ESV为GWR 模型的因变量，经济、空间和生态城镇化等3 个显著性因子作为自变量，选择常用的“自适应”核类型和AICc 的带宽方法，得到具体参数如下：AICc 值为-64.063 2，R2值为0.960 6，校正的R2值为0.950 1，GWR 模型的R2比OLS 模型高，说明在GWR 模型中各影响因子对ESV的解释力大大提高。采用Jenks 将回归系数划分为5 个级别，得到空间分布图（图5），回归系数大小差异显著且均为负值，说明影响研究区ESV的不同新型城镇化水平存在空间异质性，也再度印证了不同新型城镇化水平对ESV具有负向作用。

图5 GWR 模型影响因子回归系数的空间布局Fig.5 Spatial layout of regression coefficients of GWR model influencing factors

经济城镇化与AESV全局呈负相关关系，回归系数在-0.088 4～-0.065 1 之间,表明经济城镇化水平的提升对AESV产生负向影响；空间特征分析：由中部向南北部逐渐递减，空间异质性较强，从绝对值来看，中部地区远高于南北部地区，说明长株潭城市群中部地区单位经济城镇化水平的变化造成的AESV下降幅度均高于南北部地区。空间城镇化对AESV的负面影响最大，回归系数在-0.935 0～-0.821 3 之间；空间特征分析：总体呈由西北地区向东南地区梯度递减的态势，空间异质性最强，说明西北地区单位空间城镇化水平的变化引起AESV的下降幅度最大，主要是由于长株潭城市群偏西北地区人口集聚、经济发达、交通便利及城市建成区不断扩张，给生态环境带来一定压力，且其生态本底较差，故呈现出空间城镇化对研究区西北地区ESV作用强度更大的特征。生态城镇化与AESV也呈全局负相关关系，回归系数在-0.0471～-0.0190之间；空间特征分析：呈“由北向南，由东向西”递减的态势，影响的空间差异范围较大，生态城镇化水平变化影响的高值地区主要为浏阳市和醴陵市。

4 结论与讨论

基于长株潭城市群2010—2018 年三期的土地利用遥感监测和社会经济数据，运用当量因子法、空间自相关、OLS、SRM 和GWR 等，从全局和局部视角出发探测不同新型城镇化水平对ESV空间分异的影响。结论如下：

1）长株潭城市群平原区域的新型城镇化水平明显高于山地区域，且表现出以长沙市市区为中心，株洲、湘潭市市区为“双副中心”逐渐向周围递减的空间分异格局；ESV研究期内显著下降，累计降低了29.99 亿元，空间上总体呈“中心低、四周高”分布特征；二者呈现相反的空间分布格局。

2）除社会城镇化以外，其他不同新型城镇化水平与AESV之间存在显著的空间依赖效应，且产生了一定的负外部性；高-低聚集区基本分布在以长沙市市区为核心或相邻的平原地区，人口聚集度高，社会经济发展水平较发达；低-高聚集区基本分布在东南部的罗霄山、八面山等山地丘陵地区，森林覆盖率高，生态优势显著。

3）通过对比发现，SEM 被证明能更好的解释不同新型城镇化水平与AESV之间的空间关系，经济、空间、生态城镇化是影响ESV空间分异的显著因子，且其作用方向均为负向，作用强度上空间城镇化水平最强，是对生态系统服务功能产生负面影响的主导因素，其次是经济和生态城镇化。

4）地理加权回归分析可知各因子的效应均存在显著的空间非平稳性，其中经济城镇化与AESV呈负相关关系，空间上由中部向南北部逐渐递减；空间城镇化对AESV的影响最大，呈现由西北向东南地区梯度递减，说明在西北地区单位空间城镇化水平的变化引起AESV的下降幅度最大；生态城镇化与AESV也呈全局负相关关系，总体上呈“由北向南，由东向西”递减态势。