东北地区生态系统服务价值特征及其驱动因子研究*

周 宇 张 余 王 琴 迟淦文 姜 博

(东北农业大学公共管理与法学院,黑龙江 哈尔滨 150030)

生态系统服务是人类从生态系统结构、功能和过程直接或间接得到的产品或服务[1-2]。然而随着中国近几年经济的高速发展,城镇化进程的不断加快,土地利用格局发生剧烈变化,尤其是占用农用地的建设用地扩张,导致粮食安全、生物多样性锐减等生态问题,造成生态系统服务价值(ESV)损失[3-4]。因此,探究ESV及其驱动因子对于区域经济、社会、生态协调可持续发展具有重要意义。

目前国内外学者对ESV评估体系尚未达成统一见解。COSTANZA等[5]阐明了ESV量化的原理与方法,为ESV测算提供了重要参考。谢高地等[6]912-913,[7]在前述方法的基础上,结合中国实际情况进行修正,构建了适应于中国的ESV动态量化方法,并得到广泛应用[8-10]。现有研究尺度多从省域[11]、市域[12]以及区域[13-14]尺度逐渐转向县域[15]等更细化的尺度,或者如流域[16-17]、绿洲[18]等特定区域,探讨ESV时空演变。还有一部分学者则在预测未来土地利用变化趋势的基础上,研究其对生态系统服务功能的影响[19-20],而针对ESV驱动因子研究,多数学者从自然、经济和社会视角构建指标体系,利用回归分析[21]、相关性分析[22]、灰色关联度[23]等方法,探究区域ESV驱动因子,但仅揭示了驱动因子作用强度,忽视了驱动因子间的复杂交互作用,为了解决这一问题,有学者开始利用地理探测器来揭示因子之间复杂耦合作用对ESV的影响[24]。

基于此,本研究以自然资源丰富的东北地区为研究区,探究其近18年来ESV时空变化特征,利用地理探测器以及地理加权回归(GWR)模型来探讨主导因子作用强度的空间差异,以期为东北地区经济发展与生态环境可持续发展提供一定的理论参考。

1 研究区概况及数据来源

1.1 研究区概况

东北地区主要包括黑龙江省、吉林省、辽宁省3个省级行政区,地形以平原、山地为主,森林覆盖率达39.60%,远远高出全国森林覆盖率(16.55%),森林总蓄积量约占全国的1/3。东北地区不仅矿产资源丰富,同时主要矿种比较齐全,且降水分布呈现东部多于西部、北部多于南部的特点。在土地利用中,建设用地增长较快,而林地、草地、水域都有不同程度下降;东北地区人均国内生产总值(GDP)从2000年的2 719.67元增加到2018年的14 464.07元,年均增速9.70%。随着经济发展,东北地区面临着黑土资源侵蚀、森林生态功能衰退及草地资源由于过度放牧和滥垦出现退化、沙化、盐碱化等一系列生态问题,使得东北地区生态环境保护压力较大。

1.2 数据来源

土地利用数据来源于中国科学院资源环境科学与数据中心数据平台,空间分辨率为30 m,对数据进行Kappa精度检验,Kappa系数均达到80%以上,达到分类精度要求。将研究区时段内的土地利用类型划分为耕地、林地、草地、水域、建设用地和未利用地6类,社会经济数据来源于相应年份的黑龙江省统计年鉴、吉林省统计年鉴和辽宁省统计年鉴,全国粮食平均收购价格来源于相应年份的中国农产品价格调查年鉴。

2 研究方法

2.1 土地利用动态度

土地利用动态度能够反映研究区某一研究时段内各用地类型动态变化情况。土地利用动态度越小,研究区土地利用变化越小;反之,则土地利用变化越大。动态度计算方法见式(1)。

(1)

其中:K为研究时段内某一土地利用类型的动态度,%;Ua和Ub分别表示某一土地利用类型在研究前期和后期的面积,km2;T为研究时段年份跨度。

2.2 ESV测算方法

根据谢高地等[6]914修改得出的中国ESV当量基础表,结合东北地区实际状况,利用研究区的粮食单产所产生的经济价值对当量表进行修正。东北地区2000—2018年各地区单位面积粮食单产平均值为2 136.58 kg/hm2,2018年全国粮食平均价格为2.65元/kg。按照除去人力投入的自然生态系统提供的经济价值是现有单位面积耕地提供的食物生态服务经济价值的1/7[6]915,计算出东北地区1个ESV因子的经济价值为2 049.94元/hm2,由此确定研究区单位面积ESV系数(见表1),计算出研究区ESV。

表1 东北地区不同土地利用类型单位面积ESV系数

2.3 地理探测器

地理探测器是用来度量地理事物及其影响因素之间关系的空间分析模型[25]。利用地理探测器分析东北地区ESV与驱动因子之间的关系,公式如下:

(2)

其中:q为某指标对ESV的影响力,取值介于0～1;n为研究区样本总数;σ2、σh2分别为整个研究区、评价单元h的ESV方差;L为评价单元总数。

2.4 GWR模型

GWR模型是一种改进的空间线性回归模型,多用于分析变量系数之间的空间差异。GWR模型可以在空间上对每个观测对象的参数进行估计,利用邻近观测对象的子样本数据信息进行局域回归得到估计值,该值随着局部地理位置变化而变化,更直观地体现研究变量的空间依赖性[26-28]。

3 结果与分析

3.1 土地利用动态变化分析

利用ArcGIS 10.2对东北地区2000、2005、2010、2015、2018年遥感数据进行重采样、重分类,提取出东北地区土地利用状况,并分析其土地利用变化状况,结果见图1和表2。

图1 2000—2018年东北地区土地利用类型年度变化

表2 2000—2018年东北地区土地利用转移矩阵1)

由图1可知,东北地区土地利用变化在不同阶段呈现不同的特点。2000—2005年间,未利用地动态变化最大,其次是建设用地,林地和水域都有一定减少,耕地、草地有所增加;2005—2010年,未利用地面积变化依然最大,土地利用动态度达到4.18%,除未利用地与建设用地外,其他用地都有不同程度的减少,其中林地面积减少最大;2010—2015年,建设用地动态变化最大,未利用地减少,土地整治项目使得耕地面积呈增加趋势,林地、草地有不同程度减少;2015—2018年,除耕地、建设用地和未利用地增加外,其他用地都在减少,草地动态变化最大,动态度达-9.73%。从整体来看,2000—2018年间东北地区土地利用变化明显,林地、草地和水域都呈现减少的趋势,其中草地最为明显,动态度达-1.77%;而近年来东北地区开展土地利用整治,耕地面积有所增加,经济的发展以及城镇化的扩张带动建设用地的增加。

从土地利用转移角度看(见表2),东北地区2000—2018年共有165 363.13 km2土地进行了相互转化,其中林地转出面积最大,其次是耕地、草地、未利用地、水域,转出面积最小的是建设用地;耕地转入面积最大,其次是林地、未利用地、草地和建设用地,水域转入面积最小。耕地与林地相互转换,未利用地则通过土地整治项目成为耕地面积增加的第二大来源;草地的增加主要来源是林地和耕地,分别占草地转化总面积的51%和29%;水域因内河道滩涂和沼泽地规划不合理导致的占用等原因,主要向未利用地转换,2000—2018年建设用地面积增加14 839.28 km2,其主要来源于对耕地的占有(占建设用地总转入面积的80%),随着东北振兴战略的实施,东北地区经济发展方式转变,使得城市建设进程进一步加快,进而推动建设用地面积的持续增长,而通过土地整合和旧城改造等项目的实施,也有6 277.94 km2的建设用地转变为了耕地。

3.2 ESV变化分析

3.2.1 ESV时间变化

2000—2018年东北地区ESV变化情况见表3。2000—2018年,东北地区整体ESV下降了982.70亿元,下降率达4.04%。从土地利用类型来看,研究期内,林地ESV占比均超过60%以上,说明林地ESV是东北地区ESV主要构成,其次是水域、耕地。研究期间内耕地与未利用地ESV呈波动上升趋势,草地ESV呈波动下降的趋势,林地与水域ESV呈不断下降的趋势。从各时间阶段来看,2000—2018年东北地区总ESV呈逐年下降的趋势,其中2015—2018年下降速度最快,下降率达2.6%。

表3 东北地区ESV

从单项ESV来看(见表4),调节服务是东北地区生态系统服务的核心功能,2018年调节服务ESV约占总ESV的70%;从二级功能类型来看,东北地区生态系统服务中以气候调节和水文调节为主,2000—2018年占比均分别高于20%和30%。整体来看,研究期内除食物生产ESV有所上升之外,其他功能均呈不断下降的趋势,其中,水文调节功能价值损失量最大(达398.96亿元),说明随着东北地区经济发展,建设用地占用其他用地空间,导致东北地区生态系统的调节服务、支持服务和文化服务ESV均出现损失,而退林还耕政策以及农业现代化的发展,促进了食物生产ESV的提升。

表4 东北地区单项ESV

3.2.2 ESV空间变化

利用自然断点法,将ESV从高到低划分成4级,结果见图2。

图2 2000—2018年东北地区ESV分布

东北地区ESV主要呈现中间高、两端低的特点,高值区与次高值区分布广泛,呈现出月牙形状,分布在大兴安岭、小兴安岭、长白山、花脖子山等山区,该地区森林覆盖广阔,林地面积占比大,区域生态资源丰富,因此该地区ESV较高;低值区与次低值区主要分布在东北地区的东北平原、辽河平原以及三江平原,该地区地势平坦,水资源丰富,耕地面积占比较大,是东北地区粮食主产区,因此该地区人口密集,农业、工业生产活动较多,ESV较低。从空间演变来看,2000—2018年低值区与次低值区分布范围扩大,主要是由于东北地区林地与草地不断向耕地与未利用地转移,而耕地不断向建设用地转移,这使得建设用地面积不断增加,造成东北地区ESV减少。

3.3 ESV驱动力分析

3.3.1 驱动因子选取

为了进一步分析东北地区ESV驱动力,参考文献[27]至[29],ESV驱动因子大体可以分为自然因素与人为因素两大类,考虑到数据的可获取性,将东北地区ESV驱动力分为自然因子、经济因子与社会因子(见表5)。

表5 东北地区ESV驱动因子

3.3.2 ESV驱动力识别

根据所选取的驱动因子,利用地理探测器工具中的因子识别与交互作用功能对东北地区ESV驱动因子及其之间的交互作用进行定量分析,结果见表6。

表6 地理探测器因子识别结果

从表6可以看出,东北地区ESV受到自然、经济与社会的多重因子影响,其中,人口密度(0.44)、年均降水量(0.44)和GDP(0.41)等驱动因子对ESV影响作用较大,其次是总人口(0.40)、年均气温(0.35)、社会消费零售总额(0.32)、高程(0.24)、人均GDP(0.20)、农村居民人均可支配收入(0.19)和人均耕地面积(0.19),而城镇居民人均可支配收入(0.08)与坡度(0.04)对ESV变化的影响相对较小。此外,从总体来看,东北地区社会因子对ESV影响作用最大,其次是自然因子与经济因子。

地理探测器交互作用功能可以检验两种驱动因子是起独立作用还是相互作用[30]。从因子交互作用结果来看,东北地区ESV任意两个驱动因子交互作用均大于单个驱动因子对ESV的影响,可见,东北地区ESV是由多种驱动因子共同作用的结果。经济因子与社会因子交互作用对ESV的影响明显高于经济因子与自然因子的交互作用,这说明,经济因子、社会因子之间复杂耦合作用对ESV影响变化占据主导地位。

3.3.3 驱动因子空间差异分析

为了进一步探索东北地区ESV主导驱动因子空间差异性,根据地理探测器的探测结果,选择对ESV贡献最大的主导因子进行进一步分析,可以避免因子过多导致共线性问题。利用GWR模型对主导因子年均降水量、人口密度和GDP对ESV影响进行回归分析,进一步分析东北地区ESV驱动因子空间差异特征。在构建GWR模型之前,利用莫兰指数对东北地区ESV空间相关性进行验证,2000、2010、2018年莫兰指数分别为0.59、0.58、0.57,说明东北地区ESV存在明显空间集聚性,且与普通最小二乘法(OLS)模型结果对比可以看出,运用GWR模型模拟更优(见表7)。

表7 OLS模型与GWR模型结果对比

根据GWR模型得出的结果,将各主导因子系数进行可视化,结果见图3。年均降水量对ESV的影响整体上呈正向作用,作用强度大体从东到西递减;在辽宁省中西部地区与黑龙江省的大兴安岭地区与黑河市则存在负向作用,这说明年均降水量的增加会带来以上地区ESV减少,其原因是辽宁省经济发展较快,土地利用变化较快,水源涵养能力较差,年均降水量过多意味着全年降水强度增加,而生态系统涵养水源能力具有一定限度,降水过多打破了地区水源涵养能力平衡,从而导致ESV下降。东北地区的中部与东部年均降水量与ESV呈正相关,说明年均降水量的变化会带来ESV的提升,但其影响作用相对较小。

图3 东北地区ESV空间差异性

人口密度对ESV的影响呈全域负相关,即人口密度越大,ESV越小,北部地区人口密度变化对ESV的影响高于南部。北部人口密度远低于南部,但由于北部地区生态系统脆弱,人口密度一旦增加,生态系统破坏程度将远高于南部地区,因此对ESV的影响较高。

GDP对ESV呈负向作用,相邻地市的GDP系数差异较小,说明GDP对ESV的影响有明显负向空间依赖性。相比之下,东北地区东、中部GDP系数绝对值高,西北和西南部相对较低,说明东、中部GDP变动对ESV下降更明显。东、中部地处三江平原地区和长白山地区,以能源化工产业为主;而西北部作为我国重要的森林资源保护区,且地处我国边境,开发受到限制,西南部经济发展较快,科技较为发达,产业结构合理,因此对ESV变化影响相对较小。

4 结论与展望

4.1 结 论

1) 2000—2018年间,东北地区整体土地利用结构变化明显,除了耕地、建设用地、未利用地之外,林地、草地、水域都有不同程度的减少;从土地利用转移矩阵来看,2000—2018年期间东北地区共有165 363.13 km2土地进行了相互转化,林地转出面积最大,是耕地和草地最大转换来源;而建设用地的主要来源是耕地。

2) 2000—2018年东北地区ESV呈下降趋势,期间共损失982.70亿元,林地ESV是ESV的主要构成。从单项ESV来看,调节服务是东北地区生态系统服务的核心功能,其中以水文调节和气候调节功能为主;从空间分布特征来看,ESV呈现中间高、两端低的特点,高值区与次高值区呈现月牙形状,主要分布在大兴安岭、小兴安岭、长白山、花脖子山等山区。低值区与次低值区则主要分布在东北平原、辽河平原以及三江平原等平原地区。

3) 从地理探测器结果来看,人口密度、年均降水量和GDP是主导因子,经济与社会因子共同作用对ESV影响最大。从GWR模型结果来看,人口密度与ESV呈负相关,作用强度由北向南递减;GDP与ESV呈负相关,各地级市之间系数差异较小,呈明显空间集聚性;年均降水量与ESV整体上呈正相关,作用强度整体上由东向西递减。

4.2 展 望

吉林省与黑龙江省作为我国省级生态重点建设地区,应该坚持民生与生态建设并重,积极开展生态系统多样性修复工程,警惕一刀切“退林还耕”趋势蔓延,在保障耕地红线以及粮食安全战略前提下,科学优化国土空间布局,精准衔接国土空间规划;为保证调节服务的可持续性,综合自然因子尤其是年均降水量的负向影响,辽宁省应该着重提升涵养能力,积极推广辽中南地区海绵城市建设,逐步提高建成区绿色空间覆盖率,尝试未利用地生态修复,发挥湿地“地球之肺”作用。

本研究利用GWR模型探讨了东北地区生态系统主导因子影响程度及其空间差异性,为东北地区区域生态系统环境保护、走可持续发展道路提供一些理论参考。但值得注意的是,从地理探测器交互结果来看,生态系统的变化是受到多重因子共同作用的结果,仅靠数据模型结果,难以全面了解ESV影响差异,因此未来可以从人类福祉等多重视角,更全面分析ESV影响差异。