陕西省生态环境对耕地利用生态效率的响应

王睿,员学锋,杨悦,赵雨

(1.长安大学地球科学与资源学院,西安 710054;2.长安大学土地工程学院,西安 710064;3.陕西省土地整治重点实验室,西安 710064)

生态环境是人类社会发展重要的自然基础和主要的物质来源,在人类的生产生活中发挥着重要作用,同时,它也是人类生产生活废弃物和人类活动作用的承担者。21世纪以来,中国经济快速发展,同时也出现了一系列环境问题,大气污染、自然灾害频发等[1]。长此以往,生态环境问题会给人类的生产、生活带来负向影响,尤其是强烈依赖生态环境的农业生产[2]。耕地作为农业生产活动中重要的生产要素之一,具有生产、生活和生态功能[3]。据第七次全国人口普查数据显示,2020年底,我国有14亿人口,庞大的人口基数叠加,消费不断升级,粮食需求仍在不断增长。面对全球农产品贸易的不确定性,二十大报告强调要“确保中国人的饭碗牢牢端在自己手中”。因此,在“人与自然和谐共生”发展目标下,探究生态环境对耕地利用生态效率的响应方式与程度,对促进生态环境和耕地利用协同发展、保障粮食安全、实现农业现代化发展具有重要意义[4]。

国外较少提及耕地利用生态效率,研究多集中于农业和农作物生产效率等方面[5-6]。近年来,国内对粮食安全和耕地利用的关注度提高,学者在耕地利用生态效率度量体系的构建[7]、耕地利用生态效率时空差异分析及影响因素等[8]方面进行了深入研究。在研究方法上,数据包络分析(DEA)可以有效避免函数形式错误,逐渐成为耕地利用生态效率测算研究的主流模型。在评价指标体系上,目前主要由资源投入和农业产出两部分组成,在“双碳目标”背景下,学者开始将农业面源污染[9]、碳排放[10]作为非期望产出引入到指标体系中,但目前的研究很少考虑耕地利用过程中的碳汇。在对生态环境质量的研究中,徐涵秋[11]基于遥感数据构建遥感生态指数模型来评价生态环境质量,因其数据易获取、主观因素影响小而应用广泛。在对不同地区进行研究时,学者对遥感生态指数有所改进[12]。现有研究[13-14]主要集中在土地利用对生态环境的影响,在研究区内部生态环境对耕地利用生态效率的响应方式和程度方面研究分析较少。基于此,本文以陕西省为研究区域,以县域为研究单元,将碳排放量作为非期望产出,农业生产过程中的碳汇作为生态期望产出引入耕地利用生态效率评价指标体系中,运用非期望产出的超效率SBM 模型等方法,探究生态环境对耕地利用生态效率的响应方式和程度,以期为陕西省耕地利用转型升级和农业高质量发展提供方向指引和科学依据。

1 研究数据、指标选取与研究方法

1.1 研究区域与研究数据

陕西省位于31°42′—39°35′N,105°29′—111°15′E,年均温为13.7℃,年均降水量680 mm,地势南北高,中间低,秦岭和黄土高原将陕西划分为陕北黄土高原、关中平原和陕南秦巴山地三大自然区,造成省内自然地理环境的空间差异性明显,耕地利用条件各不相同。在国家推进质量兴农、黄河流域高质量发展大背景下,陕西省位于黄河中游,地处黄土高原区,是典型的气候变化敏感区和生态环境脆弱区,农业发展的质量效益不高,有较大提升空间[15]。

研究选取2005年、2010年、2015年和2019年陕西省103个(区)县作为研究对象(因西安市新城区、莲湖区、碑林区和雁塔区内无耕地,未将其作为研究对象),耕地投入和产出数据主要来源于《中国县域统计年鉴2005—2019 年》《陕西统计年鉴2005—2019年》以及陕西省各市的统计年鉴(2005 年、2010 年、2015年、2019年)。对于个别年份缺失数据采用线性趋势值法、平均估值法等方法补齐。生态环境质量分析所需的遥感数据来源于Google Earth Engine(GEE),遥感生态指数具有季节性波动特点,因此选取2005 年、2010 年、2015 年和2019 年5—8 月的MODIS数据来计算遥感生态指数。

1.2 耕地利用生态效率指标选取

基于耕地利用生态效率的内涵[16],将耕地利用生态效率评价指标体系分为投入、期望产出和非期望产出3部分。参照已有研究成果[16],结合柯布道格拉斯生产函数,选取10项指标构建陕西省耕地利用生态效率评价指标体系(表1)。

表1 耕地利用生态效率指标Table 1 Ecological efficiency index of cultivated land use

1.3 研究方法

1.3.1 耕地利用碳汇量测算方法 耕地利用的碳汇主要来自农作物生长周期中光合作用形成的净初级生产量。公式如下:

式中:C为农作物碳吸收总量;Ci为某种农作物的碳吸收总量;k为农作物种类数;ci为作物碳吸收率;Yi为作物的经济产量(统计值);ri为作物经济产品部分的含水量;HIi为作物经济系数。农作物的相关参数主要参考王修兰[17]和韩召迎等[18]相关研究成果(表2)。

表2 中国主要农作物经济系数与碳吸收率Table 2 Economic coefficients and carbon absorption rates of major crops in China

1.3.2 耕地利用碳排放量测算方法 参考田云等[19]的相关研究,耕地利用碳排放源主要有农用物资碳排放、土壤N2O 排放、稻田CH4排放3个方面,计算公式如下:

式中:E为耕地利用碳排放总量;Ei为各类碳源碳排放量;Ti为各碳排放的量;δi为各碳排放的碳排放系数(表3)。

表3 主要碳源碳排放系数Table 3 Carbon emission coefficients of main carbon sources

为了方便分析,将N2O 和CH4置换成标准C,依据IPCC第4次评估报告(2007年),1 t N2O 相当于298 t CO2(81.272 7 t C),1 t CH4相当于25 t CO2(6.818 2 t C)。

1.3.3 非期望产出超效率SBM 模型 非期望产出超效率SBM 模型在考虑非期望产出的情况下,解决了SBM模型计算的效率值只能保持在(0,1]区间内的问题,可以进一步对评价单元进行分析,计算公式如下:

式中:ρ为每个单元的效率值;s1和s2分别为期望产出和非期望产出;sxi,syk和szl分别为投入、期望产出和非期望产出的松弛变量;x0,y0和z0分别为研究单元的投入、期望产出和非期望产出向量;xj,yj和zj则分别为投入、期望产出和非期望产出矩阵;λ为权重向量。

1.3.4 遥感生态指数构建 遥感生态指数(RSEI)是由绿度(NDVI)、湿度(WET)、干度(NDBSI)、热度(LST)4个指标通过主成分分析提取第一主成分后得到[11],计算方法如下。

NDVI计算公式为:

式中:ρi为Landsat TM/OLI对应i波段的反射率。

WET 计算公式为:

式中:ρi为Landsat TM/OLI对应i波段的反射率。

NDBSI计算公式为:

式中:ρi为Landsat TM/OLI对应i波段的反射率。

LST 计算公式为:

式中:T为传感器探测到的亮度温度;λ为热红外波段的波长;ε为地表比辐射率,通过NDVI计算得到。

由于4个指标量纲不统一,所以对指标进行归一化处理,公式如下:

式中:I为某指标的归一化值;Ii为某指标值;Imin和Imax为某指标最小值和最大值。

经过归一化处理后的4个指标通过主成分分析确定权重,得到初始的遥感生态指数RSEI0,计算公式如下:

式中:RSEI0为初始的遥感生态指数;PC1为第一主成分;f为对各指标进行归一化处理。最后将RSEI0进行归一化处理得到最终遥感生态指数RSEI。

1.3.5 地理加权回归模型 地理加权回归模型(GWR)的实质是在研究区域内每个点处建立局部回归方程,GWR 既可以探索研究对象之间的相关关系,也可以反映研究对象的在研究区域内的空间变化[13]。模型公式为:

式中:yi为采样点i的因变量值;β0为截距;(ui,vi)为采样点的常数项;xik为采样点i的第k个自变量;βk(ui,vi)为采样点的第k个自变量的系数;εi为随机误差项。

2 结果与分析

2.1 耕地利用生态效率时空格局分析

借助非期望产出超效率SBM 模型,设定期望产出与非期望产出权重比为1∶1,测算得出2005年、2010年、2015年和2019 年陕西省耕地利用生态效率,以2005年自然断点法的分类结果为依据,分为5个等级,即低效率区(0～0.50),较低效率区(0.50～0.86),中等效率区(0.86～1.22),较高效率区(1.22～1.53),高效率区(1.53～2.94)。

时间维度上,2005 年、2010 年、2015 年和2019年陕西省的耕地利用生态效率均值分别为0.92,0.89,0.91,0.86,效率值在0.9上下波动。在4个年份中,面积占比最高的等级均为中等效率,占比最低均为高效率,低效率、较低效率与中等效率的面积占比均在88%以上(表4)。在2005—2019年,较高效率与高效率的面积占比从8.9%增长到10.9%,占比虽然略有提高但仍较低,陕西省耕地利用尚处于中等效率发展水平,还有较大提升发展空间。

表4 陕西省2005-2019年耕地利用生态效率面积比重Table 4 Area proportion of cultivated land use eco-efficiency from 2005 to 2019 in Shaanxi Province

空间维度上,陕西省的耕地利用生态效率区域差异显著,空间分布不均衡(图1)。2005年高效率区集聚分布在陕南的宁陕县和佛坪县,低效率区较为集中分布在陕北东部的子洲县、米脂县和延川县等地,呈现“南高北低”的分布特征。此后14年,陕北地区黄土丘陵沟壑区和毛乌素沙地的生态治理工程成效显现,有效遏制水土流失,耕地利用的自然条件改善[29]。陕南地区由于耕地破碎,农业机械化发展受阻[15],导致效率低值区逐渐南移。2019年高效率区为凤翔区、灞桥区和吴堡县,分散分布在关中地区和陕北地区,低效率区有三大集中分布区,分别在陕北南部的延川县和延长县等地、关中北部的白水县和澄城县等地以及陕南南部汉滨区和白河县等地。

图1 2005-2019年陕西省耕地利用生态效率分布Fig.1 Distribution map of cultivated land use eco-efficiency in Shaanxi Province from 2005 to 2019

2.2 生态环境质量时空变化分析

陕西省遥感生态指数(RSEI)主成分分析结果表示第一主成分(PC1)中特征值贡献率均较高(表5),因此以PC1构建陕西省遥感生态指数。根据已有研究[30],将RSEI按照相等间隔划分为5个等级:低(0～0.2)、较低(0.2～0.4)、中等(0.4～0.6)、较高(0.6～0.8)、高(0.8～1)。

表5 遥感生态指数主成分分析结果Table 5 Principal component analysis results of remote sensing ecological index

时间尺度上看,陕西省2005—2019年生态环境质量总体上呈现不断提高的趋势。2005年、2010年、2015年和2019年陕西省RSEI均值分别为0.58,0.62,0.64,0.65,逐渐由中等水平提高至较高水平。在2005—2019年,低等级与较低等级的面积占比由28.9%降低至13.1%(表6),这说明陕西省实施的三北防护林等生态环境治理工程行之有效,低等级与较低等级区域主要分布在陕北黄土丘陵沟壑区和毛乌素沙地,东部黄土丘陵沟壑区主要实行“坡面退耕还林还草,沟道拦蓄整地,梁峁固土保水”的治理措施,西北部毛乌素沙地则以“沙地固沙还灌草,农区防风还林网”为主。

表6 陕西省2005-2019年遥感生态指数Table 6 Remote sensing ecological index of Shaanxi Province from 2005 to 2019

空间尺度上看,陕西省2005—2019 年RSEI总体上保持“南高北低”的分布格局(图2)。陕西省内RSEI高等级区域主要分布在陕南地区以及陕北南部的黄陵县等地,这些地区地处秦岭山区、黄龙山景区和子午岭森林公园,以森林覆盖为主,绿度指数较高。低和较低等级区域主要分布陕北西北部的定边县等地,地处毛乌素沙地,湿度指数较低。将2005 年、2010年、2015年和2019年陕西省生态环境质量分布图进行对比,得到RSEI变化情况(图3)。总的来看,陕西省RSEI变化分布格局在3个时段内有较大的变化,RSEI提高0.1～0.5主要分布在陕北地区的吴起县等地,降低0.1～0.5主要分布在关中地区的三原县等地。在2005—2010 年,RSEI变化以提高为主,少部分RSEI降低主要在关中地区的太白县等地,以及陕南地区的平利县等地;2010—2015年与上一个时段相比,RSEI降低地区面积有所增加,主要分布在关中地区的武功县等地,以及陕北地区的米脂县等地。2015—2019年RSEI变化分布较为集中,质量降低地区面积继续扩大,集中分布在关中地区,陕南地区以及陕北南部的延长县和宜川县等地,质量提高地区集中分布在陕北地区的定边县等地。

图2 陕西省2005-2019年RSEI等级Fig.2 RSEI level of Shaanxi Province from 2005 to 2019

图3 陕西省2005-2019年RSEI变化Fig.3 Changes of RSEI in Shaanxi Province from 2005 to 2019

2.3 生态环境对耕地利用生态效率的响应

基于GeoDa 软件测度2005—2010 年、2010—2015年和2015—2019年陕西省耕地利用生态效率和RSEI指数双变量全局空间自相关Moran′sI指数,均通过了5%的显著性检验,且Moran′sI均为正,表明两者存在显著的空间正相关(表7)。

表7 双变量全局空间自相关Moran's I 指数Table 7 Bivariate global space autocorrelation Moran's I index

为了探究陕西省内部生态环境对耕地利用生态效率的响应方式和程度,选取2005—2010年、2010—2015年和2015—2019年耕地利用生态效率数据和RSEI数据,以RSEI变化值为因变量,以耕地利用生态效率变化值为解释变量,利用ArcGIS 10.7 软件GWR 工具计算回归系数,相关参数与结果见表8。

表8 GWR 模型参数估计及检验结果Table 8 GWR model parameter estimation and test results

从时间变化来看,2005—2019年RSEI和耕地利用生态效率的关系模式并不稳定,在3个时段内变化较大。2005—2010年,回归系数以负相关关系为主。2010—2015年与上一时段相比,正相关关系扩大,主要原因在于2012年党的十八大将生态文明建设纳入“五位一体”总体布局,陕西省政府大力推进农业污染减排工作,加快促进绿色农业发展,实现耕地利用和生态环境和谐发展,但耕地利用与生态环境保护协同发展模式尚不稳定还需进一步探索与巩固。2015—2019年,回归系数变为负向为主。

从空间分布来看,陕西省耕地利用生态效率与RSEI的回归系数分布空间差异较大(图4)。2005—2010年,耕地利用生态效率变化与RSEI变化的回归系数总体表现为强负相关关系,强负相关关系主要分布在陕北北部的府谷县、榆阳区、靖边县,关中南部的太白县、周至县和陕南地区的镇巴县等地,强正相关关系主要集中分布在关中地区的合阳县、富平县、临潼区和金台区。2010—2015年回归系数总体表现为正相关关系,强正相关关系集聚在关中北部的永寿县等地,较上一时段,这一时段负相关关系地区大幅减少且分布更为集中,主要分布在陕北地区的定边县和关中地区的岐山县等地。2015—2019年总体为弱负相关关系,与2005—2010年相比负相关程度较轻,强负相关关系分散分布在陕北东南部的延长县和关中北部的富平县等地,强正相关关系分布在志丹县和杨凌区。

图4 GWR 模型回归系数空间分布Fig.4 Spatial distribution of regression coefficients of GWR model

3 讨论

陕西省耕地利用生态效率对生态环境质量的影响具有空间不均衡性。研究发现三大区域生态环境对耕地利用生态效率的响应程度与演变趋势有所差异,主要原因在于三大区域的自然条件和社会经济状况不同。为实现不同区域农业高质量发展,提出以下几点建议:(1)关中地区是陕西省重要的粮食主产区之一,同时也是城镇化水平较高区域,人口相对密集,建设用地明显增加[31],部分地区人地矛盾突出,生态系统超载,耕地利用生态效率对生态环境质量有明显的负向影响。由于关中地区独特的自然环境和良好的区位优势,建议适度推进“农旅融合”模式,大力发展绿色农业和观光农业。(2)陕北黄土高原地区生态环境质量低,由于实施三北防护林等生态修复工程,生态环境逐渐改善,耕地利用生态效率提高,发展潜力大,部分县市实现耕地利用和生态环境协同发展。在“产学研用”模式下,可以推动农业产业科技发展,实现农业增产、农民增收、农业科技进步。在生态环境承载力下,可适度激发耕地利用潜力。(3)陕南地区地处秦岭生态保护区,耕地面积少且破碎化程度较高,农业现代化发展进程缓慢,生态环境对耕地利用生态效率的响应方式不稳定。建议结合地形特点和良好生态资源优势,发展菌类、茶类、中药材等特色产业,持续探索“两山”理论和“两化”模式在陕南的推广运用。

4 结论

(1)2005年、2010年、2015年和2019年陕西省耕地利用生态效率属于中等效率水平,2019年陕西省低效率、较低效率和中等效率区域的面积比重为89.07%,较高效率和高效率区域仅占10.93%,全省耕地利用水平较低,农业现代化发展水平有较大发展空间。

(2)2005年、2010年、2015年和2019年陕西省RSEI均值分别为0.58,0.62,0.64,0.65,陕西省生态环境质量由中等水平提高至较高水平。省内RSEI高等级主要分布在陕南地区和陕北南部的黄龙山景区与子午岭森林公园地区;陕北地区生态治理工程效果显著,生态环境质量在不断提高。

(3)全局莫兰指数结果显示陕西省RSEI和耕地利用生态效率存在显著的空间正相关。地理加权回归模型分析结果显示,陕西省生态环境对耕地利用生态效率的响应模式并不稳定,区域差异和时间变化较大。

由于时间和数据所限,本文研究仍存在不足之处,在使用非期望产出超效率SBM 模型测算耕地利用生态效率中,默认期望产出和非期望产出的权重比为1∶1,未考虑区域和时代的差异性。如何选取期望产出指标,以及如何设置期望产出和非期望产出权重比还需要进一步探讨。