在中国县域尺度评估与解释人类-自然协调:结合可解释的时空图神经网络与双重差分法

《Land Degradation & Development》:Assessing and Explaining Human–Nature Coordination at the County Scale in China: Combining an Interpretable Spatiotemporal Graph Neural Network and Difference-In-Differences

【字体: 大 中 小 】 时间:2026年07月30日 来源:Land Degradation & Development 4.0

编辑推荐:

  协调高强度人类活动与脆弱生态系统仍是全球可持续发展的主要挑战。准确评估人类-自然协调(HNC)至关重要,然而县域尺度变化、潜在驱动因素及对生态分区的响应鲜有在同一框架内同时研究。研究人员通过整合生态系统服务供给与人类活动之间的局地和远程耦合协调度,构建了200

  
协调高强度人类活动与脆弱生态系统仍是全球可持续发展的主要挑战。准确评估人类-自然协调(HNC)至关重要,然而县域尺度变化、潜在驱动因素及对生态分区的响应鲜有在同一框架内同时研究。研究人员通过整合生态系统服务供给与人类活动之间的局地和远程耦合协调度,构建了2001–2022年中国县域单元的HNC指数。对于具有完整协变量的1817个县,研究人员使用多元时间序列图神经网络(MTGNN)、集成梯度(IG)和部分依赖图(PDP)来表征时间和跨县预测依赖性。随后,采用交错双重差分(DID)设计估算国家重点生态功能区(NKEFZ)的影响。全国HNC在2016年之后略有下降;在整个研究期间,45.0%的县域改善,54.7%的县域恶化。降水、温度和坡度分别贡献了模型归因的34.7%、12.3%和10.3%,降水量在66.1%的县域中是最主要的预测因子。学习到的图进一步识别出非局地预测群落。NKEFZ使标准化HNC提高了0.034。正式渠道检验支持生态恢复、工业活动压力减小和公共服务支持,其中NDVI途径约占总体效应的30.9%;产业结构途径未得到统计支持。政策效应在不同区域和限制因子分组间存在差异,而学习图群落内部的异质性相对较低。这些发现连接了县域HNC动态、预测约束和生态分区效应,为约束敏感的政策设计提供了证据。
**论文解读:中国县域尺度人类-自然协调的评估、驱动与政策效应**

**研究背景**
全球变暖和快速城市化深刻重塑了人类与自然的相互作用,生态系统退化与人类发展需求之间的矛盾已成为可持续发展的主要制约因素。中国作为最大的发展中国家,正处于生态保护与经济增长并重的关键阶段。从气候角度看,中国以暖湿气候为主,洪涝灾害频发,多地出现破纪录极端事件;从社会经济角度看,中国经历了全球最大规模、最快速度的城镇化,建成区面积在过去二十年扩大近2.7倍,城镇化率在2024年达到67%。在这一背景下,中国面临协调生态保护与人类发展需求的全球性挑战,而其广袤领土、多样生态系统和显著区域差异导致人类-自然相互作用呈现高度异质性的空间格局和差异化轨迹。

**现存问题与研究必要性**
准确量化人类-自然关系是理解人地系统动态的基础。现有研究从气候变化、城市扩张、生态工程等角度探讨了人类-自然关系,但多数协调评估仍聚焦于单一区域内两个子系统间的相互作用,对县域间潜在的非局地依赖性考虑不足。距离、共享环境变化和资源联系可能连接非相邻县域。此外,传统机器学习方法在同时捕捉时间动态和空间依赖方面存在局限,而时空图神经网络虽能耦合空间关联与时间演化,但其在捕捉政策效应方面仍有不足,导致驱动因素归因与政策影响评估之间持续存在差距。国家重点生态功能区(NKEFZ)政策虽已显示出多维效应,但将人地关系视为整体系统并考察其影响与路径的研究仍有限。因此,构建集成可解释时空图神经网络与政策效应评估的框架,对于系统理解县域尺度HNC、识别NKEFZ影响机制具有重要科学意义。

**研究内容与结论**
研究人员以2001–2022年中国县域为对象,通过整合局地和远程耦合协调度(LTCCD)构建了人类-自然协调指数(HNC),采用Mfuzz时间序列聚类提取演化模式,运用多元时间序列图神经网络(MTGNN)结合集成梯度(IG)和部分依赖图(PDP)进行可解释预测,并利用交错双重差分(DID)及CSDID方法评估NKEFZ的政策效应。主要结论:全国HNC在2016年后略有下降,45.0%的县域改善、54.7%恶化;降水、温度和坡度是主要预测因子(贡献率分别为34.7%、12.3%、10.3%),降水在66.1%的县域中占主导;MTGNN学习到的图结构揭示了非局地预测群落;NKEFZ使标准化HNC显著提高0.034,生态恢复(NDVI途径)贡献约30.9%的总效应,工业活动压力减小和公共服务支持为补充渠道,产业结构升级未获统计支持;政策效应在区域和限制因子分组间存在显著异质性,但学习图群落内部异质性较低。该研究将HNC动态、预测约束与生态分区效应相连接,为约束敏感的政策设计提供了证据。论文发表在《Land Degradation》。

**主要关键技术方法**
研究方法包括:①多元时间序列图神经网络(MTGNN),自适应学习县域间空间依赖关系,同时捕捉时间滞后和空间异质性;②集成梯度(IG)用于量化各驱动因素对模型输出的边际贡献;③部分依赖图(PDP)揭示非线性响应关系;④交错双重差分(DID)及Callaway和Sant'Anna双重差分(CSDID)识别NKEFZ的政策净效应;⑤Mfuzz模糊C均值聚类提取HNC时间演化模式;⑥中介效应模型检验生态恢复、工业活动压力、产业结构调整和公共服务支持四条潜在渠道。数据来源:1817个县域的15个驱动因素(气候、地形、植被、社会经济、景观格局),来自遥感产品、统计年鉴和政策档案。

**研究结果**
**3.1 ESI和HAI的时空动态**
通过趋势分析和空间制图得出:生态系统服务供给指数(ESI)总体呈波动上升趋势(年均增长0.113,p<0.05),但存在明显阶段性差异;人类活动指数(HAI)呈线性增长(年均增长0.286,p<0.01),空间上从西北向东南递增。

**3.2 HNC的时空动态**
全国HNC总体处于初级协调发展水平,2016年后呈波动下降趋势。空间上呈现南高北低的分异格局,SC、SW、MYG以协调发展为主,NC、MYW、NW以过渡发展和初级协调发展为主。2001–2022年,45.0%的县域改善,54.7%恶化。LISA分析显示NE和SW呈现显著高-高集聚,NC和MYG呈现低-低集聚。

**3.3 时间发展模式**
Mfuzz聚类识别出四类演化模式:类型1(21.1%)为持续高值伴强烈年际波动,主要分布在SC和MYG;类型2(20.4%)为早中期逐步改善后后期下降,集中在SW和MYG;类型3(24.9%)为低起点逐步增长后趋稳,分布在NE、NW、MYW;类型4(33.6%)为持续低值且波动下降,主要分布在MYW和NC。

**3.4 MTGNN可解释分析**
**3.4.1 特征重要性**:IG归因显示降水(PRE)贡献34.7%,温度(TMP)12.3%,坡度(SLOPE)10.3%,ISP、NDVI、CLP分别为6.6%、5.9%、5.6%。多数变量在当前时间步贡献最高,但PRE和TMP在滞后一期仍保持较高贡献。
**3.4.2 非线性响应关系**:PDP表明PRE、SLOPE、NDVI、CLP与预测HNC呈正向响应;TMP、ISP、TFA、REP、LFE、SHEI呈负向响应。
**3.4.3 主导预测因子空间分布**:PRE在66.1%的县域占主导,连续分布于SC、MYG、MYW、NC;SLOPE主导县域(11.8%)集中在SW;TMP主导县域(11.7%)分布在NE和NW;EC呈现PRE、SLOPE、ISP混合模式。
**3.4.4 MTGNN学习图结构**:高权重连接呈非局地特征,形成跨区域网络。Louvain算法识别出四个规模相当的群落(C1–C4),分别以地形、气候-植被、地形-低社会经济、高人类活动强度为特征,空间上呈现交错分布。

**3.5 NKEFZ的政策效应**
**3.5.1 基准回归**:双向固定效应模型下,NKEFZ使标准化HNC提高0.034(p<0.01),加入控制变量后结果稳健。
**3.5.2 平行趋势检验**:事件研究法和CSDID均显示政策前处理组与对照组无显著差异,政策后出现持续正向效应。
**3.5.3 稳健性检验**:通过替换因变量、调整样本期、虚构政策时间、控制同期政策等六类检验,NKEFZ的正向效应均保持稳健。
**3.5.4 潜在渠道分析**:中介效应检验显示生态恢复(NDVI)间接效应占30.9%,工业活动压力(AVSI)和公共服务支持(PFE)均为显著补充渠道;产业结构调整(ADV)路径不显著。
**3.5.5 异质性分析**:EC、MYG、NC、MYW政策效应最强(0.109–0.043),NW、SW较弱(0.009、0.006),NE、SC不显著;按限制因子分组,社会经济约束县域效应最强(0.051),植被约束县域不显著;四个学习图群落效应均显著且差异较小(0.031–0.039)。

**讨论与结论**
**讨论总结**:HNC的时空动态表明,生态系统服务供给的增强不足以抵消人类活动扩张的压力,需同时考虑两个子系统的变化方向和相对速率。MTGNN-IG揭示了水热条件的主导作用及其空间异质性,学习图结构表明非局地关联在跨县域预测中具有重要地位。NKEFZ通过生态恢复、压力控制和公共服务支持三条路径发挥正向效应,但产业结构升级路径尚未显现,可能需更长时间。政策效应在不同区域和限制因子分组间存在显著异质性,社会经济约束县域响应最强,植被约束县域最弱。基于“识别主导约束–评估政策响应–配置政策工具”的决策逻辑,研究提出了区域组织、县域治理和跨区域协调三个层面的政策建议。未来研究可整合实际流数据、模拟不同发展情景下的长期变化。

**研究结论翻译**:本研究构建了集成可解释多元时间序列图神经网络(MTGNN-IG)与交错双重差分(DID)设计的框架,联合刻画了2001–2022年中国县域HNC的动态、预测约束与政策响应性。得出三个主要结论:第一,全国HNC维持在初级协调水平,但2016年后略有下降,45.0%的县域改善、54.7%恶化;南高北低格局和四条时间轨迹表明县域HNC由生态系统服务供给与人类活动的水平和相对增长率共同决定,而非仅由初始条件支配。第二,MTGNN-IG归因识别出降水、温度和坡度为最主要预测因子(贡献率34.7%、12.3%、10.3%),降水在66.1%的县域占主导,并揭示了空间异质性的限制因子以及超越地理邻近的非局地预测群落。第三,NKEFZ对HNC产生稳定的正向效应,在替代估计量、因变量测量、安慰剂检验和同期政策控制下均保持稳健;生态恢复(NDVI途径)约占总体效应的30.9%,工业活动压力减小和公共服务支持为补充渠道,而产业结构升级未获统计支持;效应在不同区域和限制因子分组间存在显著差异。通过链接预测约束与政策响应性,该框架支持了一种约束敏感的治理逻辑——识别主导约束、评估政策响应、相应配置工具——以服务于差异化的县域尺度可持续发展。由于贡献反映预测关联而路径被解释为潜在而非严格因果渠道,未来纳入直接跨县域流数据和基于情景的预测将进一步加强这些结论。
相关新闻
生物通微信公众号
微信
新浪微博

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