杨屹, 樊明东, 张景乾

西安理工大学经济与管理学院, 西安 710054

1 前言

自20世纪90年代以来, 区域非均衡发展成为学术研究热点之一。区域生态差异性导致的经济社会发展不平衡问题也随之成为研究的焦点。自然资源禀赋决定着区域生态的基本状况, 但也受到不同经济发展模式的影响。相对东部而言, 西部经济社会发展水平仍有待提高, 生态环境建设的投入还有一定差距。不同经济发展模式也使得区域间生态环境大相径庭[1]。WANG Mingquan等通过比较中国31个省份的生态足迹发现人口密集的东部沿海地区生态足迹最大, 而西部地区生态足迹总量较低[2]。CHU Xi等使用生态足迹法定量测量京津冀地区生态安全状况, 结果显示, 快速的城市化和工业化致使资源利用过度, 区域生态足迹均呈上升趋势, 天津生态安全水平评估风险较高, 而北京从“风险”转为“高风险”, 河北则由“高风险”转为“风险”[3]。LI Jingwei等通过1990—2010年内蒙古、陕西、新疆三省的生态足迹动态变化来评估中国北方旱地可持续发展水平, 结果显示, 这三个省份可持续发展水平急剧下降[4]。胡正李等测算了1997—2014年北京、上海、天津、重庆的人均生态足迹, 生态足迹动态差异变化比较研究表明, 化石能源足迹成为人均生态足迹增长的主要因素[5]。张星星等测算了珠江三角洲城市群的生态足迹变化及自然资本利用驱动因素, 结果显示, 珠江三角洲生态足迹高于全国大部分地区,人口规模是导致自然资本利用差异的主要因素[6]。

陕西省由北向南可分为陕北、关中和陕南三大区域, 具有鲜明的地域特征及经济差异性。形成这一差异的主要原因是地理区位与自然资源禀赋。陕北多为山地和黄土高原, 自然环境差, 生态系统脆弱。关中处于平原地带, 交通便捷, 区位条件好, 是陕西经济发展最快的区域。陕南自然资源丰富, 生态多样性较高, 为秦巴山区生态多样性功能区的重要组成部分, 生态地位重要, 生态环境稳定。任志远等通过构建生态压力指数测算模型, 对陕西省三大区域的生态安全进行等级划分, 结果显示, 陕北处于生态安全临界状态, 关中为不安全状态, 陕南处于安全状态[7]。杨屹等依据陕西省地域特点, 采用修正后的生态足迹模型测算了 2000—2012年陕西省生态足迹及承载力动态变化[8], 同时, 研究了陕南生态环境资源消耗及占用状况, 结果表明, 陕南三市生态效率动态变化与资源效率波动一致, 呈先增后减的趋势[9]。为推动陕西三大区域的协调发展, 进一步揭示驱动区域生态变化差异性的社会经济因素,结合不同区域资源禀赋及经济要素的实际, 应用生态足迹模型、基于PLS方法修正的STIRPAT模型评价区域生态足迹差异性的驱动因素及对社会经济发展的影响。这不但能够为研究不同尺度区域间经济社会、生态协调发展提供科学依据, 而且对提出区域可持续发展对策与建议有一定参考意义。

2 研究方法

2.1 人均生态足迹及相关指数

作为一种评价可持续发展的研究方法[10], 生态足迹方法使可持续发展从一个抽象的理念变为可操作的实践[11], 通过引入“均衡因子”和“产量因子”将区域范围内资源与能源消费转化为能够提供这种物质流所必需的生产性土地面积, 然后同区域内所能够提供的生产性土地面积进行比较, 通过计算生态承载供需差额, 在保证生存和发展的前提下判别生产消费活动是否处于生态系统承载力范围内[12]。应用生态足迹模型有两个假设条件, 一是各类型土地作用类型、空间布局单一及功能互斥[13], 二是可以用生物生产性土地面积来量化区域内的消耗和废弃物[14]。其中, 生物生产性土地是指具有生态生产能力的地表空间, 是生态足迹分析法为各类自然资本提供的统一度量基础。人均生态足迹是全部的生物生产性土地与人口数量之比。人均生态足迹的计算公式为：

在式(1)中,EF为人均生态足迹,EFi为第i类消费商品的生态足迹,N为该区域的总人口数,ri为均衡因子,Ci为第i种商品的消费量,pi为第i种消费商品的平均生产能力,i为消费商品的类别。

生态承载力是指区域内所能提供给人类的生物生产性土地的面积总和。人均生态承载力计算公式为：

在式(2)中,EC人均生态承载力总量,ECj为第j类生物生产土地生态承载力,aj为第j类生物生产土地的面积,yj为产量因子,j为均衡因子。

人均生态盈亏ED是指人均生态承载力EC与人均生态足迹EF之差, 计算公式为：

当人均生态盈亏ED＜0时显示为生态赤字, 表明生态环境已超载, 反之则为生态盈余, 由此判断区域发展是否处于生态承载力范围之内。

生态压力指数EPI反映人类活动对生态系统的干扰强度, 用人均生态足迹与人均生态承载力的比值表示[15], 计算公式为：

当EPI＜1时, 说明人类活动对生态系统的干扰强度还没有超过一定条件下区域生态系统的自身反馈阈值, 则生态系统仍处于平衡状态。EPI越大时,人类活动对生态系统的干扰就越大, 就越可能面临生态安全和生态系统崩溃的问题[16]。

万元 GDP生态足迹是指将区域每单位最终产出所耗费的各种资源折算为生物生产性土地面积,反映经济发展对土地资源利用率、经济增长和技术进步对可持续发展的影响[17]。计算公式为：

万元GDP生态足迹越大, 说明资源利用率越低,反之则利用率越高。

生态足迹多样性指数是描述特定区域内各类消费所需生物生产性土地面积的均衡程度。借鉴Shannon-Weaver[18]的研究成果, 计算公式为：

在式(6)中,H为生态足迹多样性指数,pi为第i类土地类型在生态足迹中的比例。H越大, 则区域生态足迹分配越公平, 反之则区域生态足迹类型单一或比例失衡, 生态系统处于不稳定状态[19]。

足迹深度和足迹广度分别是说明自然资本存量和流量的指标。足迹深度表达的是人类对自然资本存量的消耗程度, 即需要多少公顷土地才能提供人类在1ghm2土地上所消费的资源量[20]。计算公式为[21]：

足迹广度是指在承载力限度内生物生产性土地年际占用面积, 表达的是人类对自然资本流量的占用大小。生态承载力为生态系统中自然资本流量的上限[19]。足迹广度的范围为[20]：

2.2 STIRPAT模型

20世纪70年代, Ehrlich等在分析经济增长对资源环境变化驱动因素影响时首次提出了 IPAT模型[22]。由于该模型对驱动因素数据变化的要求严格,有一定的局限性。1991年, Rose等在IPAT模型基础上对人口、财富和技术进行回归, 建立了环境压力随机模型, 即STIRPAT模型[23], 计算公式为：

在式(9)中, 因变量I表示环境压力, 自变量P、A、T分别表示为人口数量、富裕度与技术水平。a为模型的系数,b、c、d分别表示自变量变化的弹性系数,e为随机误差项。

目前, 研究驱动区域生态足迹动态变化的因素主要从人口、经济、社会等方面考虑。JIA Junsong等采用STIRPAT模型分析了1983—2006年河南省人口、人均GDP、第二产业结构及城镇化率等因素对生态足迹变化的影响[24]。TANG Wei等采用STIRPAT模型测算了四川省生态足迹变化的驱动因素, 认为人口数量是主要因素, 而且工业化水平同生态足迹变化呈正相关[25]。X Long等对72个国家不同的收入水平, 通过STIRPAT模型分析了城市化对生态系统的影响, 认为全球城市化率总体生态弹性为负[26]。黄宝荣等应用 IPAT模型测算了 2000—2010年中国生态足迹变化情况, 结果显示, GDP的快速增长及城镇化是生态足迹急剧增长的主要驱动因素[27]。借鉴这些成果, 结合陕西省的实际, 在分析三大区域生态足迹差异性时, 选取人口、人均GDP、第二产业比重、第三产业比重及城镇化率为STIRPAT模型中的解释变量。由此构建出陕西三大区域生态足迹驱动因素关系模型：

对式(10)两边同时取对数, 得到：

式(11)中,Y表示人均生态足迹；lna和lnε分别为常数与随机扰动项；lnP为总人口数；lnA为人均GDP, 指经济发展水平；lnT1和lnT2分别表示第二产业比重与第三产业比重；lnU表示城市化率；a1、a2、a3、a4、a5分别为lnP、lnA、lnT1、lnT2、lnU的弹性系数。

2.3 偏最小二乘回归法

偏最小二乘回归(partial least-squares regression,简称 PLS)方法是一种多元统计数据分析方法, 可以研究多因变量对多自变量的回归建模。马明德等采用PLS模型分析了地理、资源、环境等生态承载因素与社会经济指标之间的关系[28]。在应用普通的多元线性回归分析时, 常会受到样本点数量、自变量之间的多重相关性等问题困扰, PLS是集多元线性回归分析、典型相关分析及主成分分析的特点为一体, 使得在同一个计算过程中同时实现回归模型的建立、自变量的降维以及各变量之间的相关分析,从而不但克服了普通的多元线性回归中变量多重共线性在系统建模中的影响, 而且减少了样本点过少而对回归分析的结果产生的影响, 提高了模型相关分析的精度, 具有更强的解析能力[29-30]。通常使用SIMCA-P 11.5作为分析软件。

PLS的基本思想为, 首先设m1个因变量{y1,y2,L,ym1}nm1和m2个自变量{x1,x2,L,xm2}, 通过选取n个观测样本点, 构建因变量与自变量的数据矩阵Y=(y1,y2,L,ym1)n×m1与X=(x1,x2,L,xm2)n×m2。首先分别从因变量Y与自变量X中提取有效成分u1和t1, 且u1和t1都能最大程度地携带数据矩阵Y与X中的变异信息, 同时t1对u1也有较强的解释能力。其次, 第一组主成分被提取之后, 将因变量Y对u1与自变量X对t1进行线性回归, 此时若回归模型精度符合要求, 模型拟合结束, 否则进行第二次成分提取。最后,利用交叉有效性原则检验回归模型的精度。

在使用 PLS测算驱动因素程度的大小时, 常采用变量投影重要性指数VIP(Variable Important in Projection)来度量自变量对因变量的重要性。因为任意自变量xj对因变量Y的解释能力都是通过提取有效成分th来传递的, 即自变量xj对有效成分th的构造起到了重要作用, 因此, 当有效成分th对因变量Y有很强解释能力时, 自变量xj对因变量Y的解释能力就被认为很强[31]。计算公式为：

式(12)中,VIPj是指自变量jx的投影重要性指数。一般情况下, 当VIP值大于1时, 自变量xj对于因变量Y是重要的驱动因素；当VIP值小于1而大于0.5时, 认为是一般重要的驱动因素；当VIP值小于0.5而大于0时, 则认为是不重要的驱动因素。

2.4 研究区域

陕西省位于我国西北内陆腹地, 全省面积为20.58万平方公里。根据地形特点自北向南可分为地理、经济、文化等截然不同的三大区域。北部为陕北区域, 包括延安市和榆林市, 区域总面积 8.10万平方公里, 占全省面积的 39.36%, 是我国甚至世界黄土分布面积最大的地区, 同时也地处毛乌素沙漠边缘。陕北石油、天然气、煤炭等资源丰富, 原煤开采量占全省 77.2%。全省油气产量几乎都来自于陕北。陕北生态系统敏感脆弱, 自然环境复杂, 水资源贫乏, 植被覆盖率低, 水土流失、荒漠化严重, 一定程度上制约着陕北经济社会的发展。20世纪 90年代后期, 陕北实施了“退耕还林”、“退牧还草”等生态工程, 有效地改善了人居环境。但 2000年以后,随着“西部大开发”、“一带一路”等国家战略的实施,在获得重大发展机遇的同时, “削山造城”、“煤气油”开发等大型工程的建设导致陕北生态容量遭受着前所未有的挑战。陕西中部为关中区域, 包括西安市、铜川市、宝鸡市、咸阳市、渭南市、杨凌农业高新技术产业示范区等。区域内人口数量占全省总人口数的 63%, 是全省人口最为密集的地区。关中农业耕种条件优越, 为主要的农耕区。关中工业集中,2016年区域内GDP占全省GDP总数的62.8%, 三次产业比重为8.0：45.9：46.1, 是西北综合实力最强的区域, 但关中水资源紧缺, 渭河流域污染严重, 空气质量日趋下降, 雾霾天气严重影响关中生态环境。在陕西省“十三五”规划中, 提出“四横十纵”关中水网、“引汉济渭”、渭河生态区及水生态建设等重点项目, 系统修复关中主要江河湖等水系水生态,并实施PM2.5治理、热电联产及余热余压利用等项目, 提高城市空气质量。陕西南部为陕南区域, 包括汉中市、安康市、商洛市。作为秦巴山区的重要组成部分, 陕南水资源占全省的 71%, 不仅是南水北调中线工程的水资源重要涵养地, 而且也是我国极其重要的生态屏障与生态功能区。陕南生态资源丰富, 拥有13个国家森林公园及12个国家自然保护区, 但经济发展缓慢, 生态环境保护与区域经济发展的矛盾凸显。近年来, 陕南矿产资源的开发、环境保护的滞后、城镇化率及产业发展的提高对生态环境产生了一定的影响。

2.5 数据来源及说明

第一, 陕北、关中、陕南三大区域 2005—2015年生物资源账户、化石能源账户、建设用地账户、污染排放账户的原始数据均来源于 2006—2016年《陕西省统计年鉴》。

第二, 在计算生态足迹过程中, “均衡因子”和“产量因子”来源于全球生态足迹网(Global Footprint Network)2017年发布的《Working Guidebook to the National Footprint Accounts》(如表1所示)。假定吸纳污染的土地为生物生产能力较差的土地, 将其均衡因子设定为1.0。

第三, 测算生态承载力时, 考虑到土地类型面积数据获得性, 市(区)各土地类型面积数据来源于《陕西省土地利用总体规划2006—2020年》, 采用2010年规划面积进行替代。

第四, 研究三大区域的生态足迹驱动因素过程中, 需要以人口数、人均GDP, 第二产业比重、第三产业比重和城镇化率为驱动因素指标。由于2006年及2016年以后的《陕西省统计年鉴》未统计城镇人口数, 无法计算出城镇化率。因此, 在生态足迹驱动因素分析过程中, 选取数据的时间为2006—2014年。

3 结果分析

3.1 区域人均生态足迹计算结果

根据式(1)得出, 2005—2015年陕西三大区域人均生态足迹均呈增长趋势, 陕北人均生态足迹由2005年的 2.132 hm2·人-1增长至 2015 年的 4.481 hm2·人-1, 增长幅度达到 110.1%, 年均增长率为 10.0%。关中人均生态足迹由 2005年的 1.755 hm2·人-1增长至2015年的 2.845 hm2·人-1, 增长幅度为62.1%, 年均增长率为 5.6%。陕南人均生态足迹由 2005年的1.362 hm2·人-1增长至 2015 年的 2.217 hm2·人-1, 增长幅度为62.8%, 年均增长率为5.7%(如表2所示)。从图1可以看出, 陕北人均生态足迹变化明显。

根据式(2)得出, 2005—2015年陕北、关中、陕南人均生态承载力分别在 2.62 hm2·人-1至2.70 hm2·人-1、0.52 hm2·人-1至 0.54 hm2·人-1、2.10 hm2·人-1至 2.13 hm2·人-1范围波动(如表 2 所示)。

根据式(3)得出, 2005—2015年陕北人均生态赤字由 0.564 hm2·人-1减少至-1.852 hm2·人-1, 关中人均生态赤字从-1.215 hm2·人-1减少为-2.318 hm2·人-1,陕南人均生态赤字从 0.747 hm2·人-1降低至-0.091 hm2·人-1(如表2所示)。结果显示, 三大区域人均生态赤字均不断增加。

表 1 不同类型土地的均衡因子和产量因子Tab. 1 Equivalence factor and yield index of different land types

图1 2005年至2015年陕西省三大区域人均生态足迹差异Fig. 1 The difference of per capita ecological footprint in three regions of Shaanxi province from 2005 to 2015

3.2 区域生态相关指数结果分析

根据式(4)得出, 2005—2015年陕西三大区域生态压力指数呈上升趋势(如图2所示)。2005年关中生态压力指数为3.249, 到2015年增至5.398, 增长了0.662倍。相比之下, 陕北与陕南生态压力指数起点较低, 2005年陕北、陕南生态压力指数分别为0.791、0.646, 到2015年分别增至1.705、1.043, 分别增长了1.156、0.615倍。

表 2 陕西三大区域人均生态足迹、人均生态承载力、人均生态赤字测算结果 (hm·人 )Tab. 2 Computation results of per capita ecological footprint, per capita ecological carrying capacity and per capita ecological deficit in three regions of Shaanxi

图2 2005年至2015年陕西省三大区域生态压力指数动态变化情况Fig. 2 Changes of ecological tension index in three regions of Shaanxi province from 2005 to 2015

根据式(5)得出, 2005—2015年陕西三大区域万元GDP生态足迹指数均呈下降趋势(如图3所示)。陕北由 1.003 hm2·万元-1下降到 0.625 hm2·万元-1, 降低了 37.7%。关中由 1.582 hm2·万元-1下降到 0.586 hm2·万元-1, 降低了63.0%。陕南由2005年的1.968 hm2·万元-1下降到 2015 年的 0.901 hm2·万元-1, 降低了54.2%。结果表明, 近年来陕西省区域资源利用效率在逐步提高。

根据式(6)得出, 2005—2015年陕北、关中、陕南的生态足迹多样性指数分别从 2.045减少到2.007、从2.329减少到2.292、从2.496减少到2.427。相比较而言, 陕北生态系统最不稳定。

根据式(7)与(8)得出, 陕西三大区域的足迹深度逐年增加(如图4所示), 陕北、关中、陕南年均分别增长4.7%、5.1%、2.3%。足迹广度结果表明, 关中一直保持着自然资本中度利用型的状态, 陕北和陕南从自然资本轻度利用型逐渐转变为自然资本中度利用型[32]。

图3 2005年至2015年陕西省三大区域万元GDP动态变化情况Fig. 3 Changes of ten thousand Yuan GDP in three regions of Shaanxi province from 2005 to 2015

3.3 驱动区域生态足迹变化的因素分析

基于STIRPAT模型对陕西三大区域进行最小二乘回归分析的结果显示(如表3所示), 对陕北、关中、陕南的模型调整后拟合优度均介于0.960—0.994之间,D-W统计量检验结果为2.729—3.418,F统计量的显著性值 Sig.＜0.05, 可以通过显著性检验。说明三大区域的STIRPAT模型拟合程度较高。

进一步计算各自变量的方差膨胀因子(VIF)。一般情况下, 若VIF值大于 10, 则认为指标间存在多重共线性, 影响STIRPAT模型结果。从表4可以看出, 陕北的城市化率指标VIF=4.241＜10, 关中的人口指标的VIF=5.784＜10, 陕南的各指标VIF值均大于 10, 这意味着驱动生态足迹的解释变量之间存在着严重的多重共线性问题, 即应用最小二乘回归方法分析三大区域生态足迹变化驱动因素将会失真。因此, 需要采用偏最小二乘回归方法消除解释变量之间的多重共线性。

图4 2005年至2015年陕西省三大区域足迹深度、足迹广度动态变化情况Fig. 4 Changes of EF depth and EF size in three regions of Shaanxi province from 2005 to 2015

表 3 STIRPAT模型分析Tab. 3 Analyzing results of EF drivers by original STIRPAT model

表 4 VIF值Tab. 4 VIF value

3.3.1 驱动陕北生态足迹变化的因素分析

首先提取有效成分t4, 得出交叉有效性Q42=0.7746＞0.0975, 继续提取有效成分Q52=0.0442＜0.0975, 因此停止继续提取有效成分, 即需要提取四个有效成分t1、t2、t3、t4。此时模型对自变量X的解释能力R2X=1, 对因变量Y的解释能力为R2Y=0.992, 且Q2=0.974, 这说明回归模型的精度与可靠性高, 模型选取合理。进一步地对陕北PLS模型进行特异点分析。根据特异点分析原理, 所有点都在 t1/t2椭圆图内部, 从而保证了模型样本质量达到建模要求。由此得出陕北PLS模型为：

从式(13)可以看出, 人均GDP、第二产业比重和第三产业比重的弹性系数为正, 对陕北生态足迹的变化有促进作用。而人口数、城镇化率的弹性系数为负, 对陕北生态足迹的变化有减缓作用。各驱动因素lnP、lnA、lnT1、lnT2、lnU的弹性系数分别为-0.379、1.392、0.140、0.208、-0.008, 说明上述指标每变化1%,lnY分别变化-0.379%、1.392%、0.140%、0.208%、-0.008%。从驱动因素的弹性系数可以看出,人均GDP对陕北生态足迹变化的影响最大, 其次是总人口数、第二产业比重及第三产业比重, 城镇化率对生态足迹变化的影响最不显著。

根据公式(9), 得到各驱动因素的VIP值。VIP值显示, 对驱动陕北生态足迹变化的因素重要性程度从大到小排序依次为人均GDP、人口数、城镇化率、第二产业比重、第三产业比重(如图5所示)。人均GDP和区域总人口数的VIP值均大于1, 是重要驱动因素。人均GDP的快速增长主要是由于陕北能源重化工企业的快速发展、工业产值的增加以及社会固定资产投资的带动。企业生产消耗大量的能源,产生污染废气物, 导致陕北近几年化石能源账户和污染排放账户生态足迹大幅增加, 引起陕北生态足迹的变化。而区域人口数的弹性系数为负, 说明人口的增长有助于缓解陕北生态足迹。城镇化率、第二产业比重与第三产业比重的VIP值均在0.5—1之间, 对陕北生态足迹变化的影响不显著。

3.3.2 驱动关中生态足迹变化的因素分析

首先提取有效成分t1, 得出交叉有效性Q12=0.8909＞0.0975, 继续提取第二有效成分t2, 得出交叉有效性Q22= -0.2222＜0.0975。因此只需提取一个有效成分t1即可, 此时模型对自变量X的解释能力R2X=0.803, 对因变量Y的解释能力为R2Y=0.952, 且Q2=0.891, 这说明回归方程的精度较高, 可靠性程度高, 模型选取合理。进一步对模型进行特异点分析, 所有点都在t1/t2椭圆图内部, 说明模型的样本质量得到保证。由此得出关中PLS模型为：

从式(14)可以看出, 区域人口数、人均 GDP与第二产业比重、城镇化率的弹性系数为正, 说明与关中生态足迹变化正相关。而第三产业所占比重的弹性系数为负, 说明与生态足迹变化负相关。各项驱动因素指标lnP、lnA、lnT1、lnT2、lnU的弹性系数分别为0.147、0.247、0.230、-0.204、0.245, 说明上述指标每变化 1%, 则lnY分别变化 0.147%、0.247%、0.230%、-0.204%、0.245%。由此可知, 人均 GDP与城镇化率对关中生态足迹变化的影响最显著, 其次是第二产业比重和第三产业比重。总人口数对关中生态足迹变化影响最不显著。

从各驱动因素的VIP值(如图6所示)来看, 关中各驱动因素重要性程度从大到小排序依次为人均GDP、城镇化率、第二产业比重、第三产业比重、人口数。人均GDP和城镇化率的VIP值均大于1, 是关中生态足迹变化的重要驱动因素。而第二产业比重、第三产业比重及区域人口数的VIP值在0.5—1之间, 则对关中生态足迹变化的影响为一般重要。关中城镇化水平高, 区域产业结构、发展模式转型快, 城镇化率同生态足迹变化正相关程度高。

图5 陕北各驱动因素VIP值Fig. 5 VIP values of driving factors in northern Shaanxi

图6 关中各驱动因素VIP值Fig. 6 VIP values of driving factors in Guanzhong

3.3.3 驱动陕南生态足迹变化的因素分析

首先提取有效成分t1, 得出交叉有效性Q12=0.9712＞0.0975, 继续提取第二成分t2, 交叉有效性Q22=-0.1132＜0.0975, 则只需提取一个有效成分t1即可。此时模型对自变量X的解释能力R2X=0.891, 对因变量Y的解释能力为R2Y=0.980, 且Q2=0.971, 这说明回归方程拟合较好。进一步对PLS模型进行特异点分析, 所有点都在t1/t2椭圆图内部,即未发现特异点, 模型的样本数据得到保证。由此得出陕南PLS模型为：

从式(15)可以看出, 人均GDP、第二产业比重及城镇化率的弹性系数为正, 说明陕南生态足迹变化会随其正向增长。而区域人口数、第三产业所占比重的弹性系数为负, 则说明会与陕南生态足迹变化负向增长。各项驱动因素指标lnP、lnA、lnT1、lnT2、lnU的弹性系数分别为-0.181、0.219、0.215、-0.210、0.222, 则上述指标每变化 1%,lnY分别变化化-0.181%、0.219%、0.215%、-0.210%、0.222%。由于各驱动因素的弹性系数绝对值均分布在 0.181—0.222之间, 说明这些因素对陕南生态足迹变化的影响相差无几。

从各驱动因素的VIP值(如图7所示)来看, 陕南各驱动因素重要性程度从大到小排序依次为城镇化率、人均GDP、第二产业比重、第三产业比重、人口数。人均GDP、第二产业比重及城镇化率的VIP值均大于1, 是陕南生态足迹变化的重要驱动因素。第三产业比重与区域人口数的VIP值在 0.8—1之间。作为重点生态功能区, 陕南受区位以及资源条件的制约, 经济社会发展相对不发达。随着陕南生态移民项目的不断推进, 小城镇建设将成为重要发展动力, 可能会导致由于城镇化率的提高而影响生态足迹变化的问题。与陕北相同的是, 人口数量对陕南生态足迹变化的弹性系数为负, 说明人口增长与生态足迹增加是反向的。

图7 陕南各驱动因素VIP值Fig. 7 VIP values of driving factors in southern Shaanxi

4 结论及政策建议

结合陕西省三大区域的资源禀赋、区位环境、产业集聚等实际, 通过建立生态足迹模型, 在对比三大区域之间生态足迹动态变化趋势的基础上, 采用修正后的 STIRPAT模型分析三大区域之间形成生态差异性的经济社会驱动因素, 主要结论有：

第一, 2005—2015年陕西省三大区域人均生态足迹逐步上升, 人均生态赤字持续超载。陕北人均生态足迹增长幅度最大, 增幅为110.1%, 达到4.481 hm2/人, 人均生态赤字降至-1.852 hm2·人-1。关中和陕南人均生态足迹增长趋势差别较小, 分别增长了62.1%、62.8%, 至 2015 年分别达到 2.845 hm2·人-1、2.217 hm2·人-1, 人均生态赤字分别降至-2.318 hm2·人-1、-0.091 hm2·人-1。从区域生态相关指数来看,生态压力指数呈上升趋势, 陕北、关中及陕南分别增长1.156、0.662、0.615倍, 表明三大区域正面临着严峻的生态压力。陕北生态足迹多样性指数变化相比关中和陕南较低, 生态系统最不稳定。万元GDP生态足迹指数分别降低了37.7%、63.0%、54.2%,表明三大区域的自然资源可持续利用率也不断提升。足迹深度逐年增加, 表明三大区域资源消费的生态压力持续增加。足迹广度结果表明关中对自然资本流量的占用保持稳定, 而陕北与陕南对自然资本流量的占用保持低速增长。

第二, 从影响人均生态足迹增长的驱动因素来看, 人口数量对陕北与陕南的人均生态足迹变化有一定的缓解作用, 而对关中有正向推动作用。人均GDP与第二产业对三大区域人均生态足迹变化均起到正向作用。人均GDP是导致人均生态足迹增长的主要原因, 这同陕西区域经济发展模式与产业布局密切相关。第三产业对关中与陕南的人均生态足迹变化有一定的缓解作用, 而对陕北则是正向作用。城镇化率的提高会使陕北的人均生态足迹下降, 但对关中与陕南的影响则是正向的。

第三, 陕西省三大区域生态差异性已经显现出来。因此, 针对三大区域不同的生态环境状况及产业发展结构, 应进一步完善区域协调发展的体制机制和政策体系, 促进区域协同联动目标, 推动生态资源和生态容量在三大区域的优化配置, 以不触及生态保护红线作为约束标准, 加强地区合作, 提升产业结构, 提高产业集约化水平, 壮大县域经济, 支持县域特色产业发展, 培育一批中小城市, 建设集生产、生活、生态于一体的特色小镇, 分散区域生态压力。为此, 建议陕北通过建设能源化工基地, 推动产业转型升级, 淘汰落后产能, 减少化石能源消耗, 持续推动生态建设和生态修复工程, 加快延安、榆林资源型城市转型的步伐, 将榆林建设成为鄂尔多斯盆地中心城市。关中应以协同创新绿色发展为目标, 优化产业结构和发展模式, 推进关中产业与生态协同发展, 减少工业企业能源消耗, 提高关中环境质量及生态功能, 将西安建设成为国家中心城市, 增强宝鸡市、渭南市聚集辐射功能, 将杨凌农业高新技术产业示范区建设成为世界知名农业科技创新城市, 提升关中城市群整体实力, 发挥“大西安”对全省经济的支撑

引领作用。陕南应依托丰富的生态资源, 发展循环经济, 促进生态农业与旅游业的融合, 通过发展“绿色化”、“生态化”农业, 提高特色农业生产效率, 将生态移民工作和加强空间治理、资源管理有机结合起来,加快安康、商洛、汉中城市基础设施建设, 建设生态宜居城市, 建立资源总量管理制度, 形成区域生态补偿机制, 实现陕南绿色可持续循环发展。

[1] 孙东琪, 张京祥, 朱传耿, 等. 中国生态环境质量变化态势及其空间分异分析[J]. 地理学报, 2012, 67(12)：1599-1610.

[2] WANG Mingquan, SONG Yanyu, LIU Jingshuang, et al.Exploring the anthropogenic driving forces of China's provincial environmental impacts[J]. International Journal of Sustainable Development and World Ecology, 2012,19(5)： 442-450.

[3] CHU Xi, DENG Xiangzheng, JIN Gui, et al. Ecological security assessment based on ecological footprint approach in BeijingTianjinHebei region, China[J]. Physics and Chemistry of the Earth, 2017, (101)： 43-51.

[4] LI Jingwei, LIU Zhifeng, HE Chunyang, et al. Are the drylands in northern China sustainable? A perspective from ecological footprint dynamics from 1990 to 2010[J].Science of the Total Environment, 2016, (553)： 223-231.

[5] 胡正李, 葛建平, 韩爱萍. 中国大都市生态足迹的比较研究—以北京、上海、天津和重庆为例[J]. 现代城市研究, 2017 (2)： 84-93.

[6] 张星星, 曾辉. 珠江三角洲城市群三维生态足迹动态变化及驱动力分析[J]. 环境科学学报, 2017, 37(2)： 771-778.

[7] 任志远, 黄青, 李晶. 陕西省生态安全及空间差异定量分析[J]. 地理学报, 2005, 60(4)： 597-606.

[8] 杨屹, 加涛. 21世纪以来陕西生态足迹和承载力变化[J].生态学报, 2015, 35(24)： 7987-7997.

[9] 杨屹, 徐德龙, 张景乾. 陕西秦岭南麓区域发展与生态效率变动研究[J]. 环境科学学报, 2017, 37(5)：2021-2030.

[10] REES W. Ecological footprints and appropriated carrying capacity： what urban economics leaves out[J]. Environment and Urbanization, 1992, 4(2)： 120-130.

[11] WACKERNAGEL M, SCHULZ N B, DEUMLING D, et al. Tracking the ecological overshoot of the human economy[J]. Proceedings of the National Academy of Sciences of the USA, 2002, 99(14)： 9266-9271.

[12] 徐中民, 程国栋, 张志强. 生态足迹方法的理论解析[J].中国人口.资源与环境, 2006, 16(6)： 69-78.

[13] 杨开忠, 杨泳, 陈洁. 生态足迹分析理论与方法[J]. 地球科学进展, 2000, 15(6)： 630-636.

[14] 斯蔼, 汤洁, 林年丰, 等. 生态足迹法在松嫩平原西部可持续发展研究中的应用[J]. 干旱区研究, 2005, 22(4)：553-557.

[15] 史丹, 王俊杰. 基于生态足迹的中国生态压力与生态效率测度与评价[J]. 中国工业经济, 2016, (5)： 5-21.

[16] 王书华, 毛汉英, 王忠静. 生态足迹研究的国内外近期进展[J]. 自然资源学报, 2002, 17(6)： 776-781.

[17] 徐中民, 张志强, 程国栋, 等. 中国 1999年生态足迹计算与发展能力分析[J]. 应用生态学报, 2003, 14(2)：280-285.

[18] SHANNON C E, WEAVER W. The Mathematical Theory of Communication[M]. Urbana： University of Illinois Press,1949.

[19] 徐中民, 张志强, 程国栋. 生态学经济理论方法与应用[M]. 郑州： 黄河水利出版社, 2003.

[20] 方恺. 生态足迹深度和广度： 构建三维模型的新指标[J].生态学报, 2013, 33(1)： 0267-0274.

[21] NICCOLUCCI V, BASTIANONI S, TIEZZI E B P, et al.How deep is the footprint? A 3D representation[J].Ecological Modelling. 2009, 220(20)： 2819-2823.

[22] EHRLICH P R, HOLDREN J P. Impact of population growth[J]. Science, 1971, 171： 1212-1217.

[23] DIETZ T, KALOF L, FREY R S. On the utility of robust and resampling estimators[J], Rural Sociology, 1991, 56(3)：461-474.

[24] JIA Junsong, DENG Hongbing, DUAN Jing, et al. Analysis of the major drivers of the ecological footprint using the STIRPAT model and the PLS method—A case study in Henan Province, China[J]. Ecological Economics, 2009,68(11)： 2818-2824.

[25] TANG Wei, ZHONG Xianghao, LIU Shaoquan. Analysis of Major Driving Forces of Ecological Footprint Based on the STIRPAT Model and RR Method： A Case of Sichuan Province, Southwest China[J]. Journal of Mountain Science,2011, 8(4)： 611-618.

[26] X Long, XI Ji, S, Ulgiati. Is urbanization eco-friendly? An energy and land use cross-country analysis[J]. Energy Policy, 2016, 100： 387-396.

[27] 黄宝荣, 崔书红, 李颖明. 中国2000-2010年生态足迹变化特征及影响因素[J]. 环境科学, 2016, 37(2)： 421-426.

[28] 马明德, 马学娟, 谢应忠, 马甜. 宁夏生态足迹影响因子的偏最小二乘回归分析[J]. 生态学报, 2014, 34(3)：682-689.

[29] 吴开亚, 王玲杰. 生态足迹及其影响因子的偏最小二乘回归模型与应用[J]. 资源科学, 2006, 28(6)： 182-188.

[30] 王惠文. 偏最小二乘回归方法及其应用[M]. 北京：国防工业出版社, 2000.

[31] 王惠文, 吴载斌, 孟洁. 偏最小二乘回归的线性与非线性方法[M]. 北京：国防工业出版社. 2006.

[32] 方恺, 李焕承. 基于生态足迹深度和广度的中国自然资本利用省际格局[J]. 自然资源学报, 2012, 27(12)： 1995-2005.