通过系统整合基于关联关系的环境承载能力和多种环境足迹来调控区域资源环境效应

《Sustainable Cities and Society》：Regulating regional resource environmental effect through systematic integration of nexus-based environmental carrying capacity and multiple environmental footprints

北京-天津-河北都市圈资源环境效应评估与多情景优化研究。基于水-土-能-食耦合系统构建生态承载力（ECC）与环境压力（EEP）综合评价框架，采用三维魔方模型实现区域功能分区。研究发现：①未来十年RE呈现9.92%增长，土地与能源子系统贡献率分别达51.39%和27.95%；②北部区域RE显著高于南部，ECC呈先升后降趋势；③阈值敏感性分析显示降低指标阈值可使ECC提升7%，而提高阈值导致RE下降23%。

　　这项研究聚焦于京津冀都市圈（BTHUA）的资源环境效应（REE），通过多因素视角对区域的环境承载能力（ECC）和环境压力（EEP）进行评估。研究引入了三维魔方模型，将区域划分为不同的单元，以便对REE进行有效调控。研究结果显示，REE和EEP在未来均呈现持续增长趋势，分别增长9.92%和5.38%。尽管ECC在当前处于中等不协调状态，但其发展趋势预计将从过去的增长转向未来的下降。其中，土地和能源子系统是资源与环境改善的主要制约因素，分别贡献了总REE的51.39%和27.95%。此外，京津冀都市圈的北部区域REE水平高于南部区域。不确定性分析进一步表明，降低指标阈值能够显著提升ECC和REE的整体表现，分别变化7%和-5%；相反，提高阈值则会导致明显的恶化，变化分别为-23%和+26%。值得注意的是，能源子系统对这些调整的反应呈现相反趋势。因此，那些具有高REE和低ECC（即高EEP）的城市，如秦皇岛、张家口、承德、廊坊和衡水，应成为优先调控的对象。相比之下，北京和天津的总体REE相对较低，但其水、土地和粮食子系统的承载能力却对区域发展构成潜在风险。这些研究发现为保障资源安全和促进人与自然的和谐发展提供了科学依据。

京津冀都市圈作为中国北方最发达的经济区域之一，同时也是高能耗地区，涵盖了北京、天津以及河北省的11个地级市，包括石家庄、唐山、保定、廊坊、邯郸、邢台、沧州、秦皇岛、张家口、承德和衡水（见图S1）。根据主要规划方向，该区域被划分为四个功能区：核心功能区（CA）、南部生态扩展区（SA）、东部生态扩展区（EA）和北部生态扩展区（NA）。这些功能区的划分有助于更精准地识别不同区域在资源环境方面的差异，并制定相应的管理策略。研究发现，从2000年到2015年，京津冀都市圈的总体ECC显著增长了41.31%（见图2），但整体仍处于中等不协调状态，平均值为0.49。各功能区的平均ECC排序为：SA（0.53）> EA（0.52）> CA（0.46）> NA（0.44），其中NA的增幅最大，平均年增长率达到4.49%。在城市层面，廊坊、张家口、承德、秦皇岛、天津和北京的平均ECC较低，表明这些城市在资源承载能力方面面临更大挑战。

研究还与以往的相关工作进行了比较，以更全面地评估京津冀都市圈的环境状况。为此，研究选取了六个发达国家——意大利和芬（欧洲）、美国和加拿大（北美）、日本和韩国（亚洲）——以及三个主要的中国都市圈：成渝都市圈（UAC）、中游都市圈（UAM）和长三角都市圈（UAD）。这种跨区域的比较有助于识别不同区域在资源环境方面的异同，并为制定更具针对性的政策提供参考。研究发现，京津冀都市圈的水生态足迹（WREF）呈现北部高、南部低的空间分布格局，且靠近海洋区域的城市（如秦皇岛）表现出较高的WREF。这种分布模式反映了区域在资源利用和环境压力方面的差异，也突显了海洋周边城市在资源环境管理中所承担的独特角色。

资源环境效应（REE）是环境承载能力（ECC）与环境压力（EEP）相互作用的结果，它被视为评估区域可持续性的关键指标。因此，开发一个多维度的REE评估框架对于缓解京津冀都市圈的资源问题具有重要意义。目前，REE评估主要依赖于两个关键指标：ECC和环境足迹（EF）。ECC通常通过水、土地、能源和粮食子系统来体现，这些子系统之间存在复杂的相互关系。而环境足迹则用于衡量消费和贸易对虚拟资源占用和潜在环境污染的影响，其研究重点已从静态评估逐步转向动态模拟，以更好地分析长期趋势并支持跨时间资源管理决策。

环境足迹的种类包括水资源生态足迹（WREF）、生态足迹（EF）、碳足迹（CF）和氮足迹（NF）等。其中，EF的概念最早由Rees（1992）提出，并在后续研究中发展为系统的核算框架（Wackernagel和Rees，1997；Wackernagel等，2002）。该框架通过生物生产性土地作为基础，量化人类对生物资源和能源的需求与自然资源供给能力之间的关系。通过引入平衡和产出因子，环境足迹可以将资源消费和供给转化为全球公顷（ha），从而实现从城市到国家层面的直观环境可持续性评估。生态赤字指的是供给能力低于需求，而生态盈余则是供给能力高于需求。当前，研究重点已从静态评估转向动态模拟，以更好地分析长期趋势并支持跨时间资源管理决策。

碳足迹、水资源生态足迹和氮足迹等环境足迹的提出，使得能够分别追踪人类活动中的二氧化碳排放、水资源消耗和反应性氮排放。这些指标在评估不同维度的环境影响方面具有重要作用。然而，由于资源和环境问题的复杂性和多样性，单一环境足迹难以全面反映某一区域的综合环境影响，这促使研究从单一足迹转向多维足迹的综合分析，例如水-碳足迹、生态-碳足迹以及水-碳-生态足迹等。这种综合分析有助于更系统地研究资源环境系统对整体系统及其子系统的多维压力，从而提升对环境复杂性的理解，并为决策者提供跨学科的可持续性评估指标。

值得注意的是，水-土地-能源-粮食（WLEF）纽带下的ECC和环境足迹构成了资源环境系统的双向约束机制，共同决定了区域的REE。当供给小于需求时，REE可能放大系统的风险，表现为资源枯竭和污染加剧。相反，当供给大于需求时，系统可能进入人与自然之间的良性循环。然而，以往的研究大多仅从单一视角（如ECC或环境足迹）来评估REE，这种做法只能从供给或需求的单一维度来描绘资源环境状况，可能导致评估结果片面化，从而削弱决策指导的有效性。此外，REE通常被简化为单一维度的比率，如能源生态足迹与能源生态承载能力的比率，或水资源消耗与水资源供给的比率。这种简化方式容易导致REE的高估或低估，其主要原因是人类活动对环境的复杂影响被过度简化，忽略了不同维度之间的关联性和替代性，难以反映多系统联合压力，导致评估结果失真。一些研究倾向于使用简化的指标来刻画REE，但它们往往仅关注局部问题，可能导致结果的碎片化认知偏差。

因此，有必要开发一个能够同时考虑WLEF纽带下的ECC和多种环境足迹的综合评估框架，以整合多个系统的性能，确保评估结果的稳健性，并避免单一维度评估所带来的局限性。更重要的是，适应性资源环境管理策略的制定应基于高精度预测与区域特征的协同整合。一方面，以往的研究过度依赖于历史REE值来制定统一的应对措施，这可能会忽视未来的潜在风险。未来趋势预测能够使地方政府提前实施预防措施，从而显著提升应对能力，并做出科学决策。机器学习算法在预测环境、资源和经济指标的未来动态方面表现出色，能够有效应对复杂的非线性关系和高维数据特征。其中，随机森林模型作为机器学习的代表性方法，通过集成学习的原则，聚合多个决策树的预测结果，从而生成最终的输出。该模型在泛化能力、处理复杂非线性关系的有效性以及结果的稳健性方面具有明显优势，有助于预测具有高维和非线性特征的资源环境系统的性能。

另一方面，相比单一指标，多种指标的整合能够更全面地捕捉城市间的多维差异，为制定精确的调控策略提供科学依据。在决策过程中，仅依赖单一指标可能会导致某些城市过度追求某一维度的发展，而忽视其他问题。为此，研究引入了三维魔方模型，该模型通过构建一个三维分析框架，根据城市在三个维度（如ECC、EEP和REE）的表现进行功能分区。这种方法不仅能够识别每个城市与其他地区之间的优势和劣势，还能为制定个性化的政策提供支持，以提高城市管理的效率。

为了解决上述挑战，本研究提出了一种新颖的综合比率框架，以清晰量化京津冀都市圈在多种情景下的REE。该框架以基于WLEF纽带的ECC作为分母，以基于水-生态-碳-氮足迹的EEP作为分子。该研究的主要贡献可总结为以下三点：首先，从水、土地、能源和粮食子系统的视角，揭示了京津冀都市圈ECC、EEP和REE的时空特征，其中ECC通过和谐评估方法进行量化，而EEP则通过环境足迹模型进行衡量；其次，利用随机森林模型对REE的未来特征进行研究，并通过情景分析解决评估过程中的不确定性，从而实现对城市向可持续发展过渡的主动干预；最后，基于三维魔方模型对具有相似ECC、EEP和REE特征的城市进行分类，突破了传统单一指标分类系统的局限性，避免了“一刀切”政策可能导致的资源错配问题。本研究的总体框架如图1所示。

通过这一综合框架，研究不仅能够更全面地理解京津冀都市圈的资源环境状况，还能为制定科学、精准的调控策略提供支持。在资源环境管理中，多维度的综合分析有助于识别不同区域的资源承载能力和环境压力之间的差异，从而为不同城市提供个性化的政策建议。这种基于多指标和多情景的评估方法能够有效应对资源环境系统的复杂性，并为决策者提供更为全面和科学的依据。此外，通过引入机器学习算法，研究能够在预测资源环境系统的未来动态方面实现更高的精度和可靠性，从而提升城市在面对资源环境挑战时的适应能力和应对能力。

在实际应用中，这一研究的成果能够为京津冀都市圈的可持续发展提供重要的参考。通过识别高REE和低ECC（即高EEP）的城市，可以优先实施调控措施，以缓解资源环境压力并提升区域的可持续性。同时，对于北京和天津这样的城市，虽然其总体REE相对较低，但其水、土地和粮食子系统的承载能力却对区域发展构成潜在风险。因此，有必要在这些城市中加强资源环境管理，以确保其长期发展和生态安全。此外，研究还强调了情景分析在资源环境评估中的重要性，通过调整指标阈值，可以更准确地反映区域的资源环境状况，并为政策制定提供更具前瞻性的依据。

本研究的创新之处在于将多种环境足迹与基于WLEF纽带的ECC进行整合，构建了一个多维度的评估框架。这种整合方式不仅能够更全面地反映资源环境系统的复杂性，还能为不同城市提供更为精准的管理建议。通过这一框架，研究能够系统地分析资源环境系统对整体系统及其子系统的多维压力，从而为决策者提供更全面的可持续性评估指标。同时，研究还强调了随机森林模型在预测资源环境系统未来动态方面的优势，该模型能够有效处理高维和非线性数据特征，提高预测的精度和可靠性。

在研究方法上，本研究采用了和谐评估方法和环境足迹模型相结合的方式，以实现对ECC和EEP的综合评估。和谐评估方法通过多维指标系统和数学方法的结合，实现了从单一指标到多指标、多标准的逐步整合，能够更全面地反映区域的资源环境状况。而环境足迹模型则能够量化人类活动对虚拟资源的占用和潜在环境污染的影响，为区域的可持续性评估提供重要依据。通过这两种方法的结合，研究能够更准确地识别区域的资源环境状况，并为制定科学、精准的调控策略提供支持。

此外，本研究还强调了情景分析在资源环境评估中的重要性。通过调整指标阈值，可以更准确地反映区域的资源环境状况，并为政策制定提供更具前瞻性的依据。情景分析不仅能够帮助识别不同情景下的资源环境变化趋势，还能为不同城市提供更为精准的管理建议。这种基于情景的评估方法能够有效应对资源环境系统的不确定性，提高评估结果的稳健性和科学性。

综上所述，本研究通过多因素视角和多维度评估方法，对京津冀都市圈的资源环境效应进行了系统分析。研究不仅揭示了区域的资源环境状况，还为制定科学、精准的调控策略提供了重要依据。通过引入随机森林模型和三维魔方模型，研究能够更准确地预测资源环境系统的未来动态，并为不同城市提供个性化的政策建议。这种综合评估框架能够有效应对资源环境系统的复杂性，并为决策者提供更为全面的可持续性评估指标。同时，研究还强调了情景分析在资源环境评估中的重要性，通过调整指标阈值，可以更准确地反映区域的资源环境状况，并为政策制定提供更具前瞻性的依据。