中国大运河生态效率的时空动态演变及驱动因素:一项县域尺度研究

《Ecological Indicators》:Spatiotemporal dynamic evolution and driving factors of eco-efficiency in China's Grand Canal:A county-level study

【字体: 大 中 小 】 时间:2026年07月17日 来源:Ecological Indicators 8.7

编辑推荐:

  作为一项融合遗产、经济、文化、历史和生态维度的大型线性遗产,大运河的生态效率(EE)对推进遗产空间的可持续发展具有实质性实践价值。基于期望产出理论,本研究评估了2012–2023年大运河核心区150个县级行政单元的EE,并采用XGBoost-SHAP和地理时空

  
作为一项融合遗产、经济、文化、历史和生态维度的大型线性遗产,大运河的生态效率(EE)对推进遗产空间的可持续发展具有实质性实践价值。基于期望产出理论,本研究评估了2012–2023年大运河核心区150个县级行政单元的EE,并采用XGBoost-SHAP和地理时空加权回归(GTWR)系统分析了影响EE的关键因素及其时空异质性。主要发现如下:(1)EE呈现出显著的“极化”趋势,高值(EE > 0.8)和低值(EE < 0.3)区域数量增加,而中效区域减少。高值区主要集中在大运河南段。(2)EE表现出空间自相关,莫兰指数(Moran's I)呈“W”形波动,表明存在明显的“高-高”和“低-低”集聚的俱乐部趋同。(3)区域差异分析显示,各省市基尼系数(Gini coefficient)排序为:山东 > 河北 > 安徽 > 江苏 > 河南 > 浙江 > 天津 > 北京。区域间差异已成为总体差异的主要来源。(4)EE受多种因素非线性驱动。人口规模、植被覆盖度和城市化率产生正向效应,而消费水平、城市-运河关系、产业结构和政府规制表现出负向影响,各因素的影响存在显著的空间异质性。本研究为促进大运河沿线生态协同治理和差异化政策设计提供了科学依据。据此,研究人员倡导针对大运河沿线区域EE水平制定差异化发展战略。具体而言,高效区域应发挥优势,培育高附加值绿色产业,如文化创意和生态旅游。过渡区域需要加强技术创新和政策激励,以推动其向更高效率层级迈进。低效区域必须优先进行生态恢复和严格污染控制。此外,建议建立跨区域大数据平台以促进协同治理。
**论文解读:中国大运河生态效率的时空动态演变及驱动因素**

**研究背景与问题**

大运河作为一项融合文化遗产、经济、历史与生态维度的大型线性遗产,其可持续发展面临多重挑战。现有研究多聚焦于文化遗产的经济价值与旅游开发,忽视了生态维度,且城市化与工业化进程加剧了人类活动对运河沿线生态环境的负面影响。如何在文化保护、生态保育与经济发展之间寻求平衡,成为遗产空间可持续利用的关键。生态效率(EE)作为衡量可持续发展的重要指标,旨在最大化经济收益的同时最小化生态负担,但已有研究在遗产区域的应用不足,空间尺度多集中于省级或市级,缺乏对县级微观单元的精细刻画;此外,影响因素的识别多依赖传统线性回归方法,难以捕捉多因素间的非线性效应与空间异质性。为此,研究人员在大运河遗产空间语境下,提出将文化维度纳入EE评估框架,并采用县级视角,利用XGBoost-SHAP与地理时空加权回归(GTWR)模型,系统揭示大运河EE的时空演变规律与驱动机制。该研究发表在《Ecological Indicators》,为促进运河沿线生态协同治理与差异化政策设计提供了科学依据。

**主要技术方法**

本研究基于期望产出理论,采用超效率松弛变量测度(SBM)模型(考虑非期望产出,如PM2.5浓度和CO2排放)评估大运河核心区150个县级行政单元(2012–2023年面板数据,样本来自统计年鉴与遥感栅格数据)的EE。通过全局和局部莫兰指数(Moran's I)分析空间自相关;利用Dagum基尼系数(Gini coefficient)分解区域差异;采用XGBoost-SHAP模型量化驱动因素的非线性影响与相对重要性;借助GTWR模型揭示驱动因素的空间异质性。

**研究结果**

**3.1 生态效率的时空演变**

**3.1.1 生态效率的时空演变**:通过超效率SBM模型计算EE值并可视化,发现EE呈现显著的极化趋势,高值(EE > 0.8)和低值(EE < 0.3)区域数量增加,中效区域(0.3–0.8)减少,高值区主要集中在大运河南段(江浙地区)。

**3.1.2 生态效率的时空聚类**:通过全局Moran's I分析,EE表现出空间自相关,Moran's I指数呈“W”形波动(2012–2023年),表明俱乐部趋同特征;局部Moran's I揭示出显著的“高-高”(HH)和“低-低”(LL)集聚,LL集聚分布于天津、河南、安徽部分县区,HH集聚集中于江苏、浙江的县区。

**3.2 区域差异分析**:通过Dagum基尼系数分解,发现总体基尼系数从2012年的0.2137上升至2023年的0.2403,各省市基尼系数均值排序为:山东 > 河北 > 安徽 > 江苏 > 河南 > 浙江 > 天津 > 北京。区域间差异(2023年贡献率46.14%)已成为总体差异的主要来源,而区域内差异保持稳定。

**3.3 驱动因素分析**

**3.3.1 驱动因素的识别与重要性排序**:通过XGBoost-SHAP模型,发现人口规模(PS)的SHAP均值最高,是影响EE的首要因素;植被覆盖度(VC)和城市化率(UR)具有正向效应,而消费水平(CL)、城市-运河关系(UCR)、产业结构(IS)和政府规制(GR)表现出负向效应。交互效应远弱于主效应,模型解释稳定。

**3.3.2 驱动因素的空间异质性**:通过GTWR模型,各因素影响存在明显空间异质性。植被覆盖度在北南两端(如北京、天津、宁波)正向效应强,中部农业县区(如河南、山东)较弱;城市-运河关系在宁波、绍兴等水网高密度区及郑州、开封等平原城市呈正效应;城市化率在江浙地区正向效应显著;人口规模在中部地区正向效应最强;产业结构在部分北方城市呈正效应(绿色服务业主导);消费水平在江苏、浙江正向效应,在河南、山东负向;政府规制在财政能力强地区(如宿迁、徐州)呈正效应,总体上负向。

**讨论与结论**

讨论部分指出,大运河南段(江浙段)的高EE得益于三重机制:高遗产密度(世界遗产河段占40.74%,遗产点占60.34%)对土地利用的刚性约束驱动产业升级;强经济基础支撑高强度的生态治理投入;城市-运河-水网深度耦合形成生态与空间协同基础。研究结论翻译如下:本研究中,研究人员评估了2012–2023年大运河150个县级行政单元的EE,并通过空间自相关分析、Dagum基尼系数、XGBoost-SHAP模型和GTWR探讨了EE的时空分布格局与驱动因素。大运河沿线EE的空间分布呈现日益分化的趋势,效率低于0.3和高于0.8的县级行政单元数量显著增加,而介于0.3和0.8之间的单元数量明显减少。此外,高EE值主要集中在大运河南部区域。大运河沿线县级行政单元的EE表现出空间相关性,Moran's I指数呈先降后升、再降再升的“W”形趋势,EE呈现明显的“低-低”和“高-高”集聚的俱乐部趋同。8个省市基尼系数排序为:山东 > 河北 > 安徽 > 江苏 > 河南 > 浙江 > 天津 > 北京。随时间推移,区域间差异已成为总体差异的主要来源,而区域内差异保持相对稳定。大运河沿线EE受多种因素非线性驱动,人口规模、植被覆盖度和城市化率对EE产生正向效应,而消费水平、城市-运河关系、产业结构和政府规制表现出负向影响,这些效应具有显著的空间异质性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号