基于土地利用变化与驱动机制解析的大都市腹地县域生态系统服务价值（ESV）评估——以湖南宁乡市为例

本研究通过修订的当量因子法评估了宁乡市2010–2022年间生态系统服务价值（ESV）的时空演变，结合地理探测器和地理加权回归（GWR）模型揭示了其空间分异的驱动机制。结果表明，建设用地扩张导致生态用地减少，ESV总量下降5.96%，水文调节与气候调节服务衰退显著；ESV呈“西北高–东北低”的空间聚集格局；归一化植被指数（NDVI）、人类活动强度（HAI）和人口密度（POP）是主要驱动因子，其影响呈现显著东西梯度差异。本研究为县域尺度高精度ESV评估与生态治理提供了科学依据。

　　

1 引言

生态系统服务价值（ESV）指生态系统通过其功能、过程与结构直接或间接为人类社会提供的生命支持产品与服务价值，反映生态系统对人类福祉与生态环境质量的贡献。土地利用作为ESV的重要载体，在社会经济快速发展背景下，人类对自然资源的过度开发导致土地利用格局剧变，生态系统承载力下降，生态环境问题成为区域发展的突出制约。因此，开展ESV定量评估对区域生态系统管理与可持续发展具有重要意义。

当前ESV评估主要包括基于初级数据的模型法（如市场价格法、碳税法、旅行成本法等）和基于单位价值的当量因子法。后者由Costanza等提出，并经谢高地等修订形成适用于中国的评价体系，因其简便可靠而被广泛应用。然而现有研究多聚焦省域、流域、大都市等大尺度区域，县域及以下行政单元的高精度ESV评估仍较缺乏。大都市腹地县域在经济进程中角色日益凸显，加强其高精度ESV评估既是生态治理的现实需求，也有助于促进区域经济与生态协调发展。

为深入解析ESV变动的根源，需精准识别其驱动因素。现有研究多采用相关分析、回归分析等传统统计方法，难以捕捉驱动因子的空间异质性与交互作用。地理探测器模型可量化多因子交互影响，地理加权回归（GWR）模型则能揭示驱动力的空间非平稳性，二者结合为ESV驱动机制研究提供了新路径。

宁乡市位于湖南省，是长株潭城市群与洞庭湖生态经济圈的结合部，作为长沙西部的工业重镇，兼具区位优势与生态屏障功能。近年来，经济增长与人类活动加剧导致林地侵占、水体萎缩等生态问题凸显，生态系统功能退化，威胁区域经济长期可持续发展。因此，本研究基于土地利用数据评估宁乡市ESV时空变化，结合地理探测器与GWR模型解析其驱动机制，以期为县域生态政策制定与土地可持续利用提供科学支撑。

2 材料与方法

2.1 研究区概况

宁乡市（27°55′N–28°29′N, 111°53′E–112°46′E）地处湖南省，东接长沙市区，北临洞庭湖，是湖南省会郊县与副中心城市。属亚热带大陆性季风湿润气候，四季分明，雨量充沛，日照适中，年均气温16.8°C，年降水量1358.3 mm。总面积2906 km2，辖4街道、21镇、4乡，经济水平位居县域前列。地形以丘陵为主（占88%），西高东低，河网发达，以沩江、靳江水系为主，森林覆盖率48.79%，是长株潭地区重要生态屏障。

2.2 数据来源与处理

土地利用数据（2010、2016、2022年）来源于中国科学院资源环境科学数据中心（RESDC），空间分辨率30 m，分为林地、耕地、草地、水体、建设用地和裸地6类。粮食价格数据来自国家发改委官网，粮食产量与播种面积数据取自《长沙统计年鉴》。ESV驱动因子包括自然因子（DEM、坡度、年降水量PRE、年均温TEM、NDVI、土壤容重SBD、土壤有机质SOM）与社会经济因子（人均GDP、人口密度POP、道路距离DTR、人类活动强度指数HAI）。数据经栅格化后采用自然断点法重分类，基于500 m×500 m网格单元采样构建地理探测器分析数据集。

2.3 研究方法

2.3.1 ESV评估

参考谢高地等制定的中国ESV当量因子表，结合宁乡及周边地区研究成果修订形成本地化当量因子表。单位面积ESV当量因子经济价值依据公式Ea = 1/7 × ∑(mi×pi×qi)/Mi计算，其中mi为作物种类，pi为均价（2683.84元/t），qi为单产（6.715 t/hm2），Mi为播种面积。计算得Ea = 2574.57元/hm2。ESV总量计算公式为ESV = ∑∑Aj × VCij，其中Aj为j类土地利用面积，VCij为单位面积ESV值。建设用地ESV赋值为0。

2.3.2 敏感性检验

采用敏感性系数CS验证ESV系数合理性，CS = |(ESVj – ESVi)/ESVi| / |(VCjk – VCik)/VCik|。若CS < 1，表明ESV对VC变化不敏感，修订系数可靠。

2.3.3 人类活动指数（HAI）

HAI = ∑(Ai × Pi)/TA，其中Ai为i类土地利用面积，Pi为人类活动强度系数（耕地0.61、林地0.12、草地0.09、水体0.12、建设用地0.94、裸地0.08），TA为区域总面积。

2.3.4 空间自相关分析

采用全局与局部Moran’s I指数衡量ESV空间聚集性。全局Moran’s I公式为I = n × ∑∑Wij(xi – x?)(xj – x?) / (∑∑Wij × ∑(xi – x?)2)，局部Moran’s Ii = n(xi – x?) × ∑Wij(xj – x?) / ∑(xi – x?)2。正值表示高值或低值聚集，负值表示异质聚集。

2.3.5 地理探测器模型

用于识别ESV空间分异驱动因子，q = 1 – ∑(Nhσh2)/(Nσ2)，q值度量因子解释力（0–1）。

2.3.6 地理加权回归（GWR）

模型公式yi = β0(μi,υi) + ∑βk(μi,υi)xik + εi，用于分析驱动因子的空间非平稳性。

3 结果与分析

3.1 宁乡市土地利用变化

2010–2022年间，宁乡市土地利用以耕地和林地为主，裸地占比极低。林地先减后增，累计减少80.19 km2；耕地先增后减，净增52.65 km2；建设用地持续扩张，增幅78.84%；草地与水体分别减少12.74%和16.18%。耕地主要转为林地和建设用地，林地主要转为耕地和建设用地，建设用地转入主要来自耕地和林地。水体与草地的流转均与耕地密切相关。

3.2 宁乡市ESV时空变化特征

3.2.1 ESV时间变化

ESV总量从121.03×10⁸元降至113.93×10⁸元，降幅5.96%。调节服务贡献最大，支持服务次之，供给与文化服务较小。水文调节与气候调节是核心服务功能，除食物生产ESV微增外，其余功能均持续下降。水文调节ESV减少2.52×10⁸元（7.94%），气候调节减少1.63×10⁸元，水源供给降幅最大（21.64%）。2016年后各类服务功能ESV下降趋缓。

林地与耕地是ESV主要贡献源。耕地ESV先增后减，净增3.51%；林地ESV先降后升，累计减少量占ESV总降幅85.24%；草地ESV下降12.74%；水体ESV减少1.77×10⁸元（15.97%）。森林与水体萎缩是区域ESV损失主因。敏感性检验显示所有CS < 1，修订系数可靠。

3.2.2 ESV空间变化

网格尺度ESV呈“西北高–东北低”格局，低值区连片分布于中部、东北平原及沿河地带（耕地与建设用地为主），高值聚集于西北高植被覆盖区。71.9%区域ESV无显著变化，减少区（21.9%）远多于增加区（6.2%）。乡镇尺度，沩山乡单位面积ESV最高，城郊街道与玉潭街道最低。低ESV区集中于东北主城区及周边乡镇，高ESV区位于西北林区乡镇。ESV显著下降区集中于城市扩张带（如城郊街道、白马桥街道）。

3.3 ESV空间自相关分析

网格尺度Moran’s I值（2010–2022）为0.568、0.554、0.562，乡镇尺度为0.679、0.667、0.636，p值均为0，表明ESV存在显著空间聚集。高–高聚集区分布于西部山林（沩山乡、黄材镇、沙田乡等），低–低聚集区集中于东北平原与主城区（城郊街道、玉潭街道等）。空间聚集格局总体稳定，2010–2016年西部巷子口镇、龙田镇由高–高聚集转为不显著，2016–2022年东部煤炭坝镇、金洲镇由不显著转为低–低聚集，东北部生态退化风险持续。

3.4 ESV驱动因子分析

3.4.1 地理探测器因子检测

土壤容重与年均温未通过显著性检验（p < 0.05），其余因子解释力显著。NDVI解释力最强（q = 58.6%），其次为HAI（56%）、POP（54.4%）和DTR（51.9%），反映人类活动对生态环境的强烈干扰。

3.4.2 因子交互检测

任意两因子交互均呈双因子增强效应。HAI ∩ SOM（q = 95.1%）与POP ∩ SOM（94%）解释力最高，土壤有机质通过影响植被生长与农业生产加剧人类活动对ESV分异的影响。NDVI与高程（82.7%）、PRE（82.3%）、SOM（90.8%）、HAI（86%）交互后解释力显著提升。坡度单因子作用不显，但与DEM、PRE、SOM、DTR交互后解释力大增，表明陡坡区依赖自然条件与简单路网缓冲了人类活动对生态服务的干扰。

3.4.3 GWR模型主导因子空间分异

选取NDVI、HAI、POP进行空间分析。GWR模型AICc低于OLS，ΔAICc > 3，R2（0.8576）高于OLS，拟合优度更佳。NDVI对ESV呈全局正相关，影响系数西高东低，西部ESV更受NDVI影响。HAI与ESV全局负相关，影响强度东高西低，东部主城区人为压力对ESV间接效应更强。POP与ESV全局负相关，影响系数东高西低，东部人口密集区人类压力导致生态系统更显著退化。

4 讨论

4.1 ESV变化与土地利用转化的响应

ESV下降与长株潭城市群整体趋势一致，是快速城镇化下土地利用重构深刻改变生态功能的体现。经济动能驱动下，宁乡土地利用处于增长导向的破坏阶段，生态用地（林地、水体、草地）转为建设用地与耕地，导致ESV持续流失。建设用地ESV贡献近乎零，是其成为ESV削减主因的关键。调节服务贡献最大，水体与林地是核心供给源，水体面积虽小但单位ESV高，轻微损失导致ESV显著退化；林地凭借水文与气候调节功能贡献最大ESV，其缩减导致85.24%的ESV下降。2016年后ESV下降趋缓，与生态保护红线实施、退耕还林、绿带建设等生态工程相关。

宁乡案例折射了大都市腹地县域经济加速中的经典矛盾：经济增长与生态可持续性的冲突。部分乡镇重经济效益轻生态协调，道路扩建、土地滥用、污水排放等问题严重损害生态服务。亟需推行绿色发展，以“保护优先”为前提，合理控制建设用地与耕地扩张，加强林水生态用地保护修复，核心是平衡经济利益与生态效益，保障生态安全。

4.2 ESV空间分异的驱动因子

自然条件与人类活动共同塑造ESV空间分异，导致显著差异与区域聚集。NDVI为主导因子，植被覆盖是生态服务基础。西北部高丘陵、陡坡、肥土、丰雨为茂密植被提供生境，多因子协同形成维持ESV的重要生态基底。HAI与POP对应的人类影响加速ESV空间分异。中部与东北平原及沿河区地形平坦、灌溉便利，适宜人类生产。主城区经济辐射吸引人口聚集与大规模开发，高强度土地开发直接驱动建设用地扩张与自然资源消耗，伴随植被破坏、土壤肥力下降等负效应，加剧ESV退化风险。县域边缘与乡村人口稀疏、开发较少，生态结构相对完整，ESV较高，但与核心区发展差距大。ESV空间失衡反向阻碍核心与边缘区域协调整合与可持续发展，此为大都市腹地县域典型困境。

4.3 局限与展望

依赖专家决策与先验知识的ESV估算与实际值存在不可避免的差距。该方法假设同类生态系统服务价值均一，实则受地形、气候、水文等地理特性影响而存在空间异质性。建议结合净初级生产力（NPP）、降水等数据细化时空系数，构建更精准、区域化的ESV评估模型。政策因子难以量化，未来可尝试构建政策强度指数、差异化政策分区等方法将其纳入驱动因子体系。

5 结论

2010–2022年宁乡市ESV持续下降，主因城镇化与农业扩张导致生态用地萎缩；水文与气候调节服务贡献主要ESV损失。ESV呈“西北高–东北低”空间聚集格局，东北部低值聚集提示生态退化风险升高。ESV空间分异受自然与社会经济因子协同驱动，NDVI为最主要驱动因子，西部影响更显著；HAI与POP负向影响强度自东向西递减。ESV下降凸显大都市腹地县域经济增长与生态可持续性的经典冲突，研究成果为县域土地规划与生态治理提供理论支持。