EN中文

干旱区地理 >

2024 , Vol. 47 >Issue 6: 1061 - 1072

DOI: https://doi.org/10.12118/j.issn.1000-6060.2023.318

区域发展

宁夏区域发展对环境胁迫的时空演变及驱动机制分析

  • 马明德 , 1 ,
  • 李俊杰 2 ,
  • 薛晨皓 3
展开
  • 1.北方民族大学管理学院/学报编辑部，宁夏 银川 750021
  • 2.银川市建设用地服务中心，宁夏 银川 750004
  • 3.西北师范大学地理与环境科学学院，甘肃 兰州 730070

马明德（1979-），男，博士，副编审，主要从事人口、资源、环境与区域可持续发展研究. E-mail:

收稿日期: 2023-06-28

  修回日期: 2023-10-14

  网络出版日期: 2026-03-11

基金资助

宁夏自然科学基金项目(2021AAC03191)

收起

Spatiotemporal evolution and driving mechanism of environmental stress of regional development in Ningxia Hui Autonomous Region

  • Mingde MA , 1 ,
  • Junjie LI 2 ,
  • Chenhao XUE 3
Expand
  • 1. School of Management/Editorial Office of Journal, North Minzu University, Yinchuan 750021, Ningxia, China
  • 2. Yinchuan Construction Land Service Centre, Yinchuan 750004, Ningxia, China
  • 3. College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, Gansu, China

Received date: 2023-06-28

  Revised date: 2023-10-14

  Online published: 2026-03-11

Fold

摘要

区域发展引发的环境胁迫已经成为制约黄河流域高质量发展的重要限制性因素。宁夏回族自治区位于黄河上游地区，生态地位十分重要。以宁夏回族自治区为研究区，构建环境胁迫评价指标体系，运用熵权法对2012—2020年宁夏各县域的环境胁迫指数进行测度，并系统分析环境胁迫指数的空间相关性，在此基础上，借助GWR模型对影响环境胁迫空间分异的因素进行识别。结果表明：（1） 虽然宁夏各县域环境胁迫指数的平均值由0.56580降至0.49762，但是环境胁迫指数的最小值由0.056359增至0.091005，最大值也仅由0.948896降至0.911162，区域发展对环境造成的胁迫压力仍然较重，表现为整体环境质量有所改善，但局部环境胁迫压力依然趋紧的特点。（2） 环境胁迫指数的空间分布差异明显，较高环境胁迫等级和高环境胁迫等级的县域主要分布在经济发展水平较高、资源相对较丰富的宁夏北部川区，而低环境胁迫等级和较低环境胁迫等级的县域主要分布在社会经济发展相对滞后的宁夏南部山区。Moran’s I指数和Getis-Ord G*指数分析表明，环境胁迫指数的空间聚集性在逐渐增强，且其强度和冷热点区的分布与区域经济社会发展水平存在相关性。（3） 人口因素、城镇化因素和能源消耗因素对环境胁迫具有正相关性，产业结构因素和土地利用因素对环境胁迫具有负相关性。为此，宁夏应该有序促进人口在空间合理分布，加快实施新型城镇化战略，对高耗能高污染产业进行改造升级，推进产业结构升级和土地利用结构优化。

关键词： 环境胁迫; 时空分异; 区域发展; 宁夏

本文引用格式

马明德 , 李俊杰 , 薛晨皓 . 宁夏区域发展对环境胁迫的时空演变及驱动机制分析[J]. 干旱区地理, 2024 , 47(6) : 1061 -1072 . DOI: 10.12118/j.issn.1000-6060.2023.318

Abstract

Environmental stress caused by regional development has emerged as a critical impediment to the high-quality development of the Yellow River Basin. The Ningxia Hui Autonomous Region, located in the upper reaches of the Yellow River, holds significant ecological status. This study focuses on the Ningxia Hui Autonomous Region, establishing an environmental stress evaluation index system and utilizing the entropy method to systematically calculate the environmental stress index (ESI) across various counties in Ningxia. The results show that during 2012—2020, the minimum ESI value in the county level of Ningxia increased from 0.056359 to 0.091005, the maximum value decreased from 0.948896 to 0.911162, and the average ESI value in the county level of Ningxia decreased from 0.56580 to 0.49762. Overall, Ningxia’s environmental stress level has improved, and the local environmental stress is still tight. Moran’s I index analysis showed a significant spatial correlation between environmental stress during 2012—2020, and the spatial spillover effect of regional development on environmental stress increased, with the spatial aggregation effect becoming more obvious. In addition, the Getis-Ord G* index analysis demonstrated that the distribution of hot and cold spots of environmental stress correlated with economic and social development levels. This paper selected a geographically weighted regression model that could better reflect the change in variable regression coefficient with the trend of geographical location for analysis to identify factors affecting the spatial distribution of environmental stress in Ningxia. The results show that population, urbanization, and energy consumption positively affect environmental stress, while industrial structure and land use have negative effects. Therefore, Ningxia should constantly improve population quality, orderly promote the rational distribution of the population in space, implement a new urbanization strategy, and improve urbanization quality. In addition, Ningxia should make technological improvements to energy-intensive and high-polluting industries to reduce pollutant discharge, accelerate the upgrading of the industrial structure, optimize the land use structure, and continuously raise resource utilization efficiency.

Key words： environmental stress; spatiotemporal differentiation; regional development; Ningxia

黄河流域是我国重要的生态安全屏障区，其环境质量优劣是事关中华民族伟大复兴的千秋大计。习近平总书记强调，黄河流域生态保护和高质量发展是重大国家战略，意味着黄河流域经济社会发展正在由高速增长向高质量发展转型。因此，探明黄河流域区域发展的环境胁迫机制，识别黄河流域生态保护和高质量发展的路径显得十分紧迫。
环境胁迫过程是人类活动对自然资源和生态环境构成压力的过程[1]，环境污染是区域发展对环境构成的重要胁迫作用，而经济的迅速增长[2]、人口的聚集[3]、景观的变化[4-5]、城镇化的快速推进[6]和产业规模的不断扩大[7]等加剧了环境污染的发生。因此，在影响污染物生成机理方面，更多的研究开始关注人口和工业聚集引发的生活污染物及其空间溢出效应[8]，在农业面源污染方面，农田退水、农村畜禽养殖和城乡结合部的生活排污，是造成水体N、P等元素营养化问题急剧恶化的最主要原因[9-10]，而频发的大气环境问题已经成为公众关注的焦点，也是各级政府亟待解决的问题之一，PM2.5的来源[11]、污染状况及特征[12]、化学组成[13]等成为研究的热点问题。城镇化是拉动区域发展的重要引擎，但其引发的生态环境问题，已经严重制约区域发展[14-15]。在研究方法方面，OLS回归模型、STIRPAT模型[16-17]、脱钩分析法[18]、ARIMA模型[19]、ECM模型[20]、动态面板数据模型[21]等方法广泛应用于区域发展与环境污染之间关系的研究。这些方法大多采用的是统计学方法，但一般的统计学方法在处理空间数据时存在缺陷，而空间计量模型可以构建空间权重，能够揭示空间分布特征及关联程度。与此同时，遥感和GIS技术的发展，为区域发展的环境胁迫机制研究提供了新的方法和研究手段。例如，通过对景观格局的分析揭示其空间格局的形成及演变机理[22]。综观已有研究，通过单一要素或视角揭示区域发展与环境之间的胁迫关系，其研究方法已经较为成熟。然而，区域发展对环境造成的胁迫是多原因综合作用的结果，因此单一要素或视角的分析在辨析环境胁迫机制方面难免存在局限，而目前综合分析区域发展的环境胁迫效应的研究成果相对较少。鉴于此，本文以宁夏回族自治区各县域为研究对象，通过构建区域发展的环境胁迫评价指标体系，借助熵权法系统测算2012—2020年宁夏各县域环境胁迫指数，并运用GWR方法对驱动环境胁迫指数空间异质性的原因进行识别，以期为宁夏推动黄河流域生态保护和高质量发展先行区建设提供决策参考。

1 研究区概况

宁夏回族自治区面积6.64×104 km2，地处黄河上游地区。截至2021年年底，宁夏有人口725×104人，地区生产总值为4522.31×108元，增速居全国第4位。长期以来，宁夏经济发展依重依能现象突出，以万元GDP能耗为例，2021年宁夏万元GDP的能耗高达3002.53 kWh，位居全国第一。与此同时，水土流失面积占宁夏总面积的23.7%，全区生态环境敏感脆弱，有40.23%的区域属于中度以上生态脆弱区，荒漠化、盐渍化、水土流失等生态问题长期困扰宁夏经济社会发展。尽管近年来宁夏加大了环境治理力度，全区环境质量得到明显改善，但经济发展对环境的胁迫作用依旧十分明显。2020年6月，习近平总书记在宁夏考察时强调，宁夏要努力建设黄河流域生态保护和高质量发展先行区。因此，如何转变经济增长方式、纾困人地矛盾、提高经济发展质量是宁夏今后面临的紧迫任务。

2 数据与方法

2.1 数据来源

本文以宁夏回族自治区各县域为分析单元，构建2012—2020年环境胁迫评价指标体系，采用熵权法系统测度区域发展的环境胁迫指数。为了能全面、客观地反映宁夏各县域环境胁迫强度，本文参考已有研究经验，并结合宁夏资源禀赋状况和产业结构“依重依能”特征构建环境胁迫评价指标体系，具体指标包括工业废水排放量、工业废水中化学需氧量排放量、工业废气排放量、工业SO2排放量、工业氮氧化物排放量、工业烟（粉）尘排放量、一般工业固体废物产生量，数据来源于2013—2021年《宁夏统计年鉴》。

2.2 研究方法

2.2.1 熵权法

为了客观、准确地量度区域发展的环境胁迫效应，本文采用熵权法测算区域发展的环境胁迫指数（Environment stress index，ESI）。熵权法能够在综合考虑各因素提供的信息量基础上计算出一个综合指标[23]。该方法具有较高的精确度和可信度，不仅避免了专家打分法造成的主观依赖性，也克服了主成分分析法容易受异常值干扰的局限[24]。具体测算步骤如下[25]。
（1） 评价指标进行对数变换
r i j = l n   a i j
式中： a i j为第i地第j类污染物的属性值； r i j为进行自然对数变换后的属性值。
（2） 评价指标标准化变换
r i j ' = r i j - m i n r i j m a x r i j - m i n r i j
式中： r i j '为极差标准化后的属性值； r i j为第i地第j类污染物的属性值（i=1, 2, …, n； j=1, 2, …, m）； m a x { r i j }、 m i n { r i j }分别为第i地第j类污染物属性值的最大值和最小值。
（3） 测算第i地第j类污染物指标的比例（ R i j）。
R i j = r i j ' ∑ i = 1 n r i j '
式中：n为县域数。
（4） 测算第i地第j类污染物指标的熵权（ E j）。
E j = - 1 l n   n ∑ i = 1 n R i j l n   R i j
（5） 测算第j类污染物指标的信息效用值（ G j）。
G j = 1 - E j
（6） 测算第j类污染物指标的权重（ W j）。
W j = G j ∑ j = 1 m G j
式中：m为污染数指数的个数。
（7） 测算第i地的环境胁迫指数（ E S I i）。
E S I i = ∑ j = 1 m W j r i j '

2.2.2 地理加权回归模型

地理加权回归模型（GWR）是对诸如OLS等普通线性回归方法的拓展，该方法将变量的空间特征纳入模型之中，从局部视角研究变量间的空间非稳定性，其参数是空间位置的函数，通过获取局部参数评估自变量与因变量关系在空间尺度上的变异情况[26]。地理加权回归模型的计算公式如下[27]：
y i = β 0 ( u i ,   v i ) + ∑ k = 1 m β k ( u i ,   v i ) x i k + ε i
式中： y i为i县域的因变量； x i k为i县域第k个自变量； ( u i ,   v i )为宁夏回族自治区i县域的地理坐标； β 0 ( u i ,   v i )为常数项； β k ( u i ,   v i )为i县域的第k个自变量的回归参数；m为自变量的个数； ε i为随机误差。GWR模型的回归系数 β k ( u i ,   v i )计算公式如下：
β k ( u i ,   v i ) = X T W ( u i ,   v i ) X - 1 X T W ( u i ,   v i ) y i
式中：X为自变量的矩阵； X T为其转置矩阵； W ( u i ,   v i )为观测点i的空间权重矩阵。

3 结果与分析

3.1 区域发展对环境胁迫的时空演变特征分析

通过计算可知：2012—2020年宁夏各县域环境胁迫指数的最小值由0.056359增至0.091005，增加了61.47%，最大值由0.948896降至0.911162，减少了3.98%，宁夏各县域环境胁迫指数的平均值由0.56580降至0.49762，减少了12.05%。2012—2020年宁夏有7个县域环境胁迫指数增加，主要分布在宁夏中部干旱带及南部山区，环境胁迫指数减少的县域主要集中在宁夏北部地区。由此可见，宁夏环境胁迫整体处于较高水平，虽然随着环境治理力度的不断加强，全区整体环境质量有所改善，但局部环境压力依然趋紧。
本文运用Jenks自然断裂法将2012年和2020年的环境胁迫指数划分为低、较低、一般、较高和高5个等级（图1），以分析环境胁迫的时空变化情况。2012年高环境胁迫等级的县域有5个，分别是宁夏北部的石嘴山市惠农区及中部的灵武市（县级市）、青铜峡市（县级市）、中卫市沙坡头区和中宁县；2020年高环境胁迫等级的县域降至3个，分别是惠农区、平罗县和灵武市。2012年和2020年，较高环境胁迫等级的县域均为6个，但值得注意的是，2020年青铜峡市、中宁县和沙坡头区这一连片区域由高环境胁迫等级区降为较高环境胁迫等级区，说明该区域的环境胁迫压力有所降低。2012年一般环境胁迫等级的县域有2个，2020年为4个，其中永宁县和固原市原州区由较高环境胁迫等级降为一般环境胁迫等级。2012—2020年低和较低环境胁迫等级县域均为8个。总体来看，2012—2020年除原州区外，其他较高环境胁迫等级和高环境胁迫等级的县域主要分布在经济发展水平较高的宁夏北部川区，分别占全区总面积的32.97%和45.29%；而低环境胁迫等级和较低环境胁迫等级县域主要分布在经济社会发展相对滞后的宁夏南部山区，分别占全区总面积的67.03%和54.71%。
图1 2012—2020年宁夏县域环境胁迫指数时空间分布

注：该图基于宁夏标准地图在线服务网站下载的审图号为宁S(2022)第001号的标准地图制作，底图边界无修改。下同。

Fig. 1 ESI spatial distribution of counties in Ningxia from 2012 to 2020

3.2 区域发展对环境胁迫的空间效应分析

环境胁迫指数的Moran’s I值分析结果表明（表1），2012—2020年宁夏各县域环境胁迫指数的Moran’s I由0.267461增至0.304817，均通过了5%的显著性检验，表明区域发展对环境胁迫存在显著的空间相关性，而且区域发展对环境胁迫影响的空间溢出效应在不断增加，空间聚集效应愈加明显。
表1 2012—2020年环境胁迫指数的Moran’s I指数

Tab. 1 Moran’s I index of ESI from 2012 to 2020

年份 Moran’s I Z得分 P值
2012 0.267461 2.049678 0.040396
2020 0.304817 2.287351 0.022175

注：Z得分为标准差的倍数；P值为显著性水平。

为进一步揭示区域发展对环境胁迫影响的空间相关性，本文对2012—2020年宁夏各县域环境胁迫指数的Getis-Ord G*指数进行分析（图2），并将G*指数划分为热点区、次热区、次冷区和冷点区4种类型。由分析结果可见，2012—2020年热点区由6个降至5个，次热区均为8个，次冷区由5个降至3个，冷点区由3个增至6个。从冷热点区分布看，热点区和次热区主要分布在宁夏北部地区，该区域以平原为主，有黄河灌溉的便利条件，城镇化和工业发展水平相对较高，区域发展对环境的胁迫程度也较高；冷点区和次冷区主要分布在宁夏南部地区，该区域以山区为主，气候干旱、环境脆弱、水土流失严重，经济社会发展相对滞后。由此可见，环境胁迫的冷热点区分布与经济社会发展水平存在一定的关联性。
图2 2012—2020年宁夏县域环境胁迫指数的冷热点区时空变化

Fig. 2 County ESI temporal and spatial changes of cold and hot spots in Ningxia from 2012 to 2020

3.3 区域发展对环境胁迫的时空演变机制分析

3.3.1 影响因素选择

本文在总结前人成果及宁夏区域特点的基础上，从人口、城镇化、土地利用、产业结构及能源消耗等方面对影响宁夏环境胁迫的空间分异机制进行分析。① 人口因素（pop）。长期以来人口问题是困扰宁夏生态环境的重要因素之一[28]。因此，本文用各县域人口占全区人口比例来表征人口因素，以分析人口对环境的胁迫影响。② 城镇化因素（urb）。宁夏正处于城镇化的较快发展阶段，而城镇化会导致能源消费和污染物排放增加，因此，本文选择城镇化作为影响因素，以揭示城镇化对环境的胁迫机制。③ 土地利用因素（luc）。土地利用是引起区域乃至全球环境变化的重要原因[29]，而建设用地扩展不可避免地会挤压生态系统空间，打破系统内部原有的生态环境和生物地球化学过程[30]，因此，本文用建设用地比例来表征土地利用因素，以分析土地利用对环境的胁迫程度。④ 产业结构因素（ter）。产业结构的调整是解决经济增长与污染物减排的关键路径，宁夏正面临环境约束和产业转型双重压力，因此，本文用第三产业比例来表征产业结构因素。⑤ 能源消耗因素（eng）。宁夏产业发展“依重依能”现象突出，对环境胁迫的强度较为严重，本文将用万元GDP能耗来表征能源消耗因素。

3.3.2 基于GWR模型的影响因素分析

为了更好地比较OLS模型与GWR模型的拟合优度，本文先对各影响因素进行了OLS模型分析（表2）。OLS模型的分析结果显示：各方差膨胀因子（VIF）值均小于7.5，表明所选指标之间不存在多重共线性问题；从各因素的影响显著性看，2012年只有城镇化因素、土地利用因素和能源消耗因素等变量通过了显著性检验，2020年只有城镇化因素和能源消耗因素变量通过了显著性检验，说明OLS模型的分析效果并不理想。OLS模型与GWR模型的拟合优度结果显示（表3），虽然2012年和2020年的OLS模型和GWR模型的R2、调整R2及AICc等参数十分接近，但考虑到不同空间单元的回归系数是不同的[31]，而且各要素存在空间自相关性。如果利用OLS模型估计会有偏差[32]，GWR模型能够反映变量的回归系数随地理位置移动而变化的空间趋势[33]，因此，GWR模型的拟合效果相对更优，故本文选用GWR模型进行分析。
表2 宁夏县域环境胁迫影响因素的OLS模型估计结果

Tab. 2 OLS model estimation results of environmental stress influencing factors of counties in Ningxia

变量 2012年 2020年
系数 标准差 T统计量 P值 VIF 系数 标准差 T统计量 P值 VIF
截距 0.29479 0.14959 1.97072 0.11945 - 0.11934 0.20892 0.57122 0.59654 -
pop 2.11593 2.26502 0.93418 0.25581 2.18531 1.29175 2.16479 0.59671 0.48043 2.37403
ter -0.10233 0.42182 -0.24260 0.80568 2.96175 -0.10370 0.35312 -0.29367 0.81930 2.91962
urb 0.30963 0.14052 2.20354 0.00183 1.32802 0.42767 0.22280 1.91956 0.02651 1.71465
luc -0.63028 0.21296 -2.95962 0.00006 1.24904 -0.07109 0.18598 -0.38226 0.48459 1.10865
eng 0.10259 0.02777 3.69467 0.00159 2.22788 0.08271 0.02877 2.87477 0.02260 2.27814

注：VIF为方差膨胀因子值；pop为人口因素；ter为产业结构因素；urb为城镇化因素；luc为土地利用因素；eng为能源消耗因素。

表3 OLS模型与GWR模型拟合优度结果

Tab. 3 Goodness of fit results of OLS model and GWR model

模型参数 2012年 2020年
R2 调整R2 AICc R2 调整R2 AICc
OLS 0.79556 0.73167 -9.86242 0.67916 0.57890 -5.59402
GWR 0.79578 0.73176 -9.85740 0.69508 0.58875 -5.64189

注：OLS为普通最小二乘回归；GWR为地理加权回归；AICc为赤池信息量准则值；R2为决定系数。

3.3.3 环境胁迫空间分异的驱动因素分析

本文借助ArcGIS 10.5软件，对影响区域环境胁迫指数的因素进行GWR分析，为了更加直观地表达各自变量与因变量关系在空间尺度上的变异情况，本文对回归系数进行可视化呈现，具体结果如下。
（1） 人口因素。由图3可见，2012—2020年人口因素与区域环境胁迫指数呈现正相关，各县域人口因素回归系数的平均值由2012年的2.113004变为2020年的1.192612，说明人口因素对环境的胁迫影响在减弱，这与全区人口增长速度减缓有关，2012—2020年全区人口自然增长率由8.93‰降至5.71‰。即便如此，人口仍是所有因素中对区域环境胁迫影响程度最高的因素。从人口因素的回归系数分布看，2012年和2020年人口因素对区域环境胁迫的影响程度由南向北呈现梯度减弱趋势，其中，原州区、西吉县、海原县、彭阳县、隆德县和泾源县等地的人口因素回归系数始终是最高的区域，其原因可能是，2012年原州区、西吉县、海原县、彭阳县、隆德县和泾源县6县域人口占全区人口的25.72%，2020年占20.49%，长期以来人口规模较大，与当地资源环境承载力极不匹配，成为制约经济社会发展的重要因素，而宁夏中北部地区经济社会发展较好，人口的规模和增速与地方经济社会发展水平较为适宜。
图3 人口因素回归系数的空间分布

Fig. 3 Spatial distribution of regression coefficients for population factors

（2） 城镇化因素。由分析可见（图4），城镇化与区域环境胁迫指数呈现正相关，且2020年的回归系数整体高于2012年，表明2020年宁夏的城镇化速度要快于2012年，城镇化对环境的影响更强。城镇化回归系数的分布呈现梯度变化，不同之处是，2012年城镇化回归系数呈现由南向北递减，而2020年则为由东南向西北递减。可能的原因是，由于经济社会发展滞后，原州区、西吉县、海原县、彭阳县、隆德县和泾源县等地在城镇化过程中用于环境治理的投入不足，环境治理与城镇化过程未能同步；而宁夏北部地区，环境本底质量较好，城镇化水平相对较高，用于环境治理的投入更为充足，有效缓解了城镇化对环境造成的影响。
图4 城镇化因素回归系数的空间分布

Fig. 4 Spatial distribution of regression coefficients for urbanization factors

（3） 土地利用因素。由图5可知，2012—2020年用地强度与环境胁迫指数呈现负相关，可能的原因有以下几个方面。① 城镇盲目扩张的势头得到遏制，各地开始不断深挖存量建设用地，土地价值和利用效率得到提升。② 党的十八大以来，新型城镇化战略的实施，使城镇建设用地得到优化，用于园林城市、环保项目建设的用地比例逐渐增加。从土地利用因素回归系数的空间分布看，2012年土地利用因素对环境胁迫指数的负效应由南向北逐渐增强，而2020年则正好相反。2012年宁夏北部地区作为宁夏工业和经济发展的重心，用地结构得到优化；2020年以来，宁夏南部地区通过城区改造、优化住宅结构、提高城镇建设用地集约化等措施，加大了治污、绿化等设施的建设。
图5 土地利用因素回归系数的空间分布

Fig. 5 Spatial distribution of regression coefficients for land use factors

（4） 产业结构因素。由分析可见（图6），2012年和2020年产业结构因素对环境胁迫的影响均呈现负相关，即第三产业的发展对环境胁迫具有抑制作用。2012—2020年第三产业占全区地区生产总值的比例由44.6%增至50.4%，第三产业所占比例越高，越有利于提高资源和能源利用效率，从而有效降低经济发展对环境的压力。从回归系数的空间分布看，2012年和2020年产业结构因素回归系数均呈现由南向北梯度变化，2012年产业结构因素回归系数的绝对值由南向北梯度递增，即2012年宁夏北部地区第三产业对环境胁迫的抑制作用要强于宁夏南部地区，2020年则呈由南向北梯度递减，出现这种现象的可能原因是：① 2012年以来北部川区大部分县域的第三产业占比超过第二产业，第三产业发展对环境减压效果更加明显；② 近年来，宁夏南部山区第三产业发展较快，加之大量农村剩余劳动力转向第三产业，刺激了第三产业发展，一定程度上减轻了环境压力。
图6 产业结构因素回归系数的空间分布

Fig. 6 Spatial distribution of regression coefficients for industrial structure factors

（5） 能源消耗因素。从分析结果可见（图7），2012年和2020年能源消耗对环境胁迫的影响均为正相关，即能源消耗会促使对环境的胁迫，但乐观的是，2012年能源消耗因素回归系数的平均值为0.102611，2020年则为0.083197，下降18.92%，说明能耗问题正在逐渐得到改善，从全区万元GDP能耗可以看出，2012年万元GDP能耗为2.31×104 t标准煤·(104元)-1，2020年降至2.26×104 t标准煤·(104元)-1。从回归系数的空间分布可见，2012年能源消耗因素回归系数呈现由南向北梯度减小，而2020年则呈现由南向北梯度增大，可能的原因是：① 与宁夏北部地区相比，南部地区的发展更为粗放，资源和能源的使用效率较低，经济发展对能耗依赖较强；② 2020年以来，宁夏北部地区通过优化产业结构、改进生产工艺、提升信息化水平等措施，不断优化工业生产的能耗和污染物排放问题。
图7 能源消耗因素回归系数的空间分布

Fig. 7 Spatial distribution of regression coefficients for energy consumption factors

4 讨论与结论

4.1 讨论

通过分析发现，人口、城镇化、能源消耗等因素对环境胁迫具有较为显著的影响，这与宁夏生态环境脆弱，资源环境承载能力弱，产业倚能倚重、低质低效问题突出，以及人口发展与资源环境空间匹配错位有关，目前整个黄河流域以上问题较为普遍[34]；土地利用因素和产业结构因素对环境胁迫具有一定的抑制作用，即建设用地规模与环境之间可能存在类似环境库兹涅茨曲线关系，这与已有研究结论较为符合[35]，而通过优化产业结构力争从源头降低区域发展对环境的胁迫作用，也是学界关于黄河流域产业发展对生态环境胁迫诊断的一致结论[36-37]。然而，随着人民生活水平的提高，来自生活源的环境胁迫效应愈加凸显，但本研究鉴于宁夏生态环境现状及资源环境禀赋特征，在构建环境胁迫指标时重点关注了工业源指标，未能引入生活源指标，这是本研究的不足之处，也是今后需要不断改进的地方。

4.2 结论

（1） 通过对环境胁迫指数的分析发现，宁夏各县域的环境胁迫呈现整体好转、局部恶化的趋势，在空间分布上呈现由南向北梯度变化的特征，这种空间上的规律变化与经济社会发展、环境本底特征较为吻合。
（2） 通过对环境胁迫指数Moran’s I值的分析表明，区域发展对环境胁迫存在显著的空间聚集效应；通过Getis-Ord G*指数的分析发现，环境胁迫的冷热点区分布与宁夏各县域的经济社会发展水平存在一定的关联性。
（3） 由于存在空间自相关性，本文运用GWR方法对影响环境胁迫指数空间分异的因素进行分析，GWR模型客观反映了变量回归系数在不同地理空间的变化趋势。由分析可知，人口因素、城镇化因素、能源消耗因素与环境胁迫之间呈正相关，土地利用因素和产业结构因素与环境胁迫之间呈负相关。有鉴于此，宁夏应该不断提升人口质量，促进人口在空间合理分布，推进人口发展与资源环境相均衡、与经济社会发展相适应；大力实施新型城镇化战略，适度控制城镇化速度，促进城镇化由强调速度向注重质量转变；平衡好生态用地与建设用地的关系，盘活存量建设用地，不断提升土地利用效益；加强对传统产业特别是高耗能高污染产业的改造升级，加快推动产业绿色转型，不断提升资源利用效率和区域创新能力，以实现在经济发展过程中降低对能源的过度依赖，减少污染物的排放。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
苗鸿, 王效科, 欧阳志云. 中国生态环境胁迫过程区划研究[J]. 生态学报, 2001, 21(1): 7-13.

[Miao Hong, Wang Xiaoke, Ouyang Zhiyun. Study on regionalization of eco-environmental stress process in China[J]. Acta Ecologica Sinica, 2001, 21(1): 7-13.]

[2]
叶阿忠, 郑航. 经济增长对环境污染的非线性效应研究——基于半参数空间模型的再检验[J]. 生态经济, 2022, 38(4): 117-185.

[Ye A’zhong, Zheng Hang. Study on non-linear effect of economic growth on environmental pollution: Retest based on semi parametric spatial model[J]. Ecological Economy, 2022, 38(4): 117-185.]

[3]
程开明, 洪真奕. 城市人口聚集度对空气污染的影响效应——基于双边随机前沿模型[J]. 中国人口·资源与环境, 2022, 32(2): 51-62.

[Cheng Kaiming, Hong Zhenyi. Effect of urban population aggregation index on air pollution: Based on the bilateral stochastic frontier model[J]. China Population, Resources and Environment, 2022, 32(2): 51-62.]

[4]
陈利顶, 孙然好, 刘海莲. 城市景观格局演变的生态环境效应研究进展[J]. 生态学报, 2013, 33(4): 1042-1050.

[Chen Liding, Sun Ranhao, Liu Hailian. Eco-environmental effects of urban landscape pattern changes: Progresses, problems, and perspectives[J]. Acta Ecologica Sinica, 2013, 33(4): 1042-1050.]

[5]
陈博, 王小平, 刘晶岚, 等. 不同天气下景观生态林内外大气颗粒物质量浓度变化特征[J]. 生态环境学报, 2015, 24(7): 1171-1181.

DOI

[Chen Bo, Wang Xiaoping, Liu Jinglan, et al. Mass concentration variations of airborne particulate matters inside and outside of a landscape ecological forest under different weather conditions[J]. Ecology and Environmental Sciences, 2015, 24(7): 1171-1181.]

[6]
康恒元, 刘玉莲, 李涛. 黑龙江省重点城市AQI指数特征及其与气象要素之关系[J]. 自然资源学报, 2017, 32(4): 692-703.

DOI

[Kang Hengyuan, Liu Yulian, Li Tao. Characteristics of air quality index and its relationship with meteorological factors in key cities of Heilongjiang Province[J]. Journal of Natural Resources, 2017, 32(4): 692-703.]

DOI

[7]
杨仁发. 产业集聚能否改善中国环境污染[J]. 中国人口·资源与环境, 2015, 25(2): 23-29.

[Yang Renfa. Whether industrial agglomeration can reduce environmental pollution or not[J]. China Population, Resources and Environment, 2015, 25(2): 23-29.]

[8]
肖周燕, 李慧慧, 孙乐. 人口与工业集聚对生产和生活污染的影响及空间溢出[J]. 长江流域资源与环境, 2022, 31(4): 851-862.

[Xiao Zhouyan, Li Huihui, Sun Le. Population and industrial agglomeration’s spatial impact on production & consumption pollution and overflow[J]. Resources and Environment in the Yangtze Basin, 2022, 31(4): 851-862.]

[9]
张维理, 武淑霞, 冀宏杰, 等. 中国农业面源污染形势估计及控制对策I. 21世纪初期中国农业面源污染的形势估计[J]. 中国农业科学, 2004, 37(7): 1008-1017.

[Zhang Weili, Wu Shuxia, Ji Hongjie, et al. Estimation of agricultural non-point source pollution in China and the alleviating strategies: I. Estimation of agricultural non-point source pollution in China in early 21 century[J]. Scientia Agricultura Sinica, 2004, 37(7): 1008-1017.]

[10]
葛继红, 周曙东. 农业面源污染的经济影响因素分析——基于1978—2009年的江苏省数据[J]. 中国农业经济, 2011(5): 72-81.

[Ge Jihong, Zhou Shudong. An analysis of the economic determinants to agricultural non-point source pollution: Based on data of Jiangsu Province during 1978—2009[J]. Chinese Agricultural Economy, 2011(5): 72-81.]

[11]
朱先磊, 张远航, 曾立民, 等. 北京市大气细颗粒物PM2.5的来源研究[J]. 环境科学研究, 2005, 18(5): 1-5.

[Zhu Xianlei, Zhang Yuanhang, Zeng Limin, et al. Source identification of ambient PM2.5 in Beijing[J]. Research of Environmental Sciences, 2005, 18(5): 1-5.]

[12]
王跃思, 张军科, 王莉莉, 等. 京津冀区域大气霾污染研究意义、现状及展望[J]. 地球科学进展, 2014, 29(3): 388-396.

DOI

[Wang Yuesi, Zhang Junke, Wang Lili, et al. Researching significance, status and expectation of haze in Beijing-Tianjin-Hebei region[J]. Advances in Earth Science, 2014, 29(3): 388-396.]

DOI

[13]
魏复盛, 滕恩江, 吴国平, 等. 我国4个大城市空气PM2.5、PM10污染及其化学组成[J]. 中国环境监测, 2001, 17(增刊1): 1-6.

[Wei Fusheng, Teng Enjiang, Wu Guoping, et al. Concentrations and elemental components of PM2.5, PM10 in ambient air in four large Chinese cities[J]. Environmental Monitoring in China, 2001, 17(Suppl. 1): 1-6.]

[14]
黄金川, 方创琳. 城市化与生态环境交互耦合机制与规律性分析[J]. 地理研究, 2003, 22(2): 211-220.

[Huang Jinchuan, Fang Chuanglin. Analysis of coupling mechanism and rules between urbanization and eco-environment[J]. Geographical Research, 2003, 22(2): 211-220.]

DOI

[15]
方创琳, 周成虎, 顾朝林, 等. 特大城市群地区城镇化与生态环境交互耦合效应解析的理论框架及技术路径[J]. 地理学报, 2016, 71(4): 531-550.

DOI

[Fang Chuanglin, Zhou Chenghu, Gu Chaolin, et al. Theoretical analysis of interactive coupled effects between urbanization and eco-environment in mega-urban agglomerations[J]. Acta Geographica Sinica, 2016, 71(4): 531-550.]

DOI

[16]
黄蕊, 王铮, 丁冠群, 等. 基于STIRPAT模型的江苏省能源消费碳排放影响因素分析及趋势预测[J]. 地理研究, 2016, 35(4): 781-789.

DOI

[Huang Rui, Wang Zheng, Ding Guanqun, et al. Trend prediction and analysis of influencing factors of carbon emissions from energy consumption in Jiangsu Province based on STIRPAT model[J]. Geographical Research, 2016, 35(4): 781-789.]

DOI

[17]
杨思存, 霍琳, 王成宝, 等. 基于STIRPAT模型的甘肃省农业碳排放特征分析[J]. 干旱区地理, 2023, 46(9): 1493-1502.

[Yang Sicun, Huo Lin, Wang Chengbao, et al. Characteristics of agricultural carbon emissions in Gansu Province based on STIRPAT model[J]. Arid Land Geography, 2023, 46(9): 1493-1502.]

[18]
梁涵玮, 倪玥琦, 董亮, 等. 经济增长与资源消费的脱钩关系——基于演化视角的中日韩美比较研究[J]. 中国人口·资源与环境, 2018, 28(5): 8-16.

[Liang Hanwei, Ni Yueqi, Dong Liang, et al. Decoupling relationship analysis between economic growth and resource consumption in China, Japan, South Korea and the United States[J]. China Population, Resources and Environment, 2018, 28(5): 8-16.]

[19]
张勃, 刘秀丽. 基于ARIMA模型的生态足迹动态模拟和预测——以甘肃省为例[J]. 生态学报, 2011, 31(20): 6251-6260.

[Zhang Bo, Liu Xiuli. Dynamic ecological footprint simulation and prediction based on ARIMA model: A case study of Gansu Province, China[J]. Acta Ecologica Sinica, 2011, 31(20): 6251-6260.]

[20]
李国璋, 江金荣, 周彩云. 全要素能源效率与环境污染关系研究[J]. 中国人口·资源与环境, 2010, 20(4): 50-56.

[Li Guozhang, Jiang Jinrong, Zhou Caiyun. Relations between total factor energy efficiency and environmental pollution[J]. China Population, Resources and Environment, 2010, 20(4): 50-56.]

[21]
王立平, 管杰, 张纪东. 中国环境污染与经济增长: 基于空间动态面板数据模型的实证分析[J]. 地理科学, 2010, 30(6): 818-825.

[Wang Liping, Guan Jie, Zhang Jidong. Environmental pollution and economic growth in China: A dynamic spatial panel data model[J]. Scientia Geographica Sinica, 2010, 30(6): 818-825.]

DOI

[22]
林美霞, 吝涛, 邱全毅, 等. 不同类型城市快速扩张区域人工景观对自然景观的生态安全胁迫效应比较[J]. 应用生态学报, 2017, 28(4): 1326-1336.

DOI

[Lin Meixia, Lin Tao, Qiu Quanyi, et al. Comparition of ecological security stress effects of artificial landscapes on natural landscapes in different rapid urban sprawl areas[J]. Chinese Journal of Applied Ecology, 2017, 28(4): 1326-1336.]

DOI

[23]
贾艳红, 赵军, 南忠仁, 等. 基于熵权法的草原生态安全评价——以甘肃牧区为例[J]. 生态学杂志, 2006, 25(8): 1003-1008.

[Jia Yanhong, Zhao Jun, Nan Zhongren, et al. Ecological safety assessment of grassland based on entropy-right method: A case study of Gansu pastoral area[J]. Chinese Journal of Ecology, 2006, 25(8): 1003-1008.]

[24]
陈明华, 王哲, 谢琳霄, 等. 中国中部地区高质量发展的时空演变及形成机理[J]. 地理学报, 2023, 78(4): 859-876.

DOI

[Chen Minghua, Wang Zhe, Xie Linxiao, et al. The spatiotemporal pattern evolution and formation mechanism of high-quality development in central China[J]. Acta Geographica Sinica, 2023, 78(4): 859-876.]

DOI

[25]
周侃, 伍健雄, 樊杰, 等. 长江经济带环境污染胁迫的驱动因素及空间效应[J]. 环境科学学报, 2021, 41(5): 1996-2004.

[Zhou Kan, Wu Jianxiong, Fan Jie, et al. Driving factors of environmental pollution stress and their spatial effects in the Yangtze River Economic Belt[J]. Acta Scientiae Circumstantiae, 2021, 41(5): 1996-2004.]

[26]
高江波, 焦珂伟, 吴绍洪. 1982—2013年中国植被NDVI空间异质性的气候影响分析[J]. 地理学报, 2019, 74(3): 534-543.

DOI

[Gao Jiangbo, Jiao Kewei, Wu Shaohong. Revealing the climatic impacts on spatial heterogeneity of NDVI in China during 1982—2013[J]. Acta Geographica Sinica, 2019, 74(3): 534-543.]

DOI

[27]
阚博颖, 濮励杰, 徐彩瑶, 等. 基于GWR模型的南京主城区住宅地价空间异质性驱动因素研究[J]. 经济地理, 2019, 39(3): 100-107.

[Kan Boying, Pu Lijie, Xu Caiyao, et al. Driving factors on the spatial heterogeneity of residential land price in downtown Nanjing based on GWR model[J]. Economic Geography, 2019, 39(3): 100-107.]

[28]
周侃, 樊杰. 中国欠发达地区资源环境承载力特征与影响因素——以宁夏西海固地区和云南怒江州为例[J]. 地理研究, 2015, 34(1): 39-52.

DOI

[Zhou Kan, Fan Jie. Characteristics and influence factors of resources and environment carrying capacity in underdeveloped areas of China[J]. Geographical Research, 2015, 34(1): 39-52.]

DOI

[29]
杜习乐, 吕昌河, 王海荣. 土地利用/覆被变化(LUCC)的环境效应研究进展[J]. 土壤, 2011, 43(3): 350-360.

[Du Xile, Lu Changhe, Wang Hairong. Review: Researches on environmental effects of land use/cover change[J]. Soils, 2011, 43(3): 350-360.]

[30]
王成, 冀萌竹, 代蕊莲, 等. 村镇建设用地扩展与生态环境效应的耦合协同规律及类型甄别——以重庆市荣昌区为例[J]. 地理科学进展, 2022, 41(3): 409-422.

DOI

[Wang Cheng, Ji Mengzhu, Dai Ruilian, et al. Coupling and coordination pattern and type division of village and town construction land expansion and ecological environment effect: A case study of Rongchang District, Chongqing Municipality[J]. Progress in Geography, 2022, 41(3): 409-422.]

DOI

[31]
张天鹏, 保万魁, 雷秋良, 等. 1951—2010年中国土壤温度时空变化特征及其影响因素[J]. 地理学报, 2022, 77(2): 589-602.

[Zhang Tianpeng, Bao Wankui, Lei Qiuliang, et al. Characteristics of spatio-temporal changes in soil temperature in China from 1951 to 2010 and its influencing factors[J]. Acta Geographica Sinica, 2022, 77(2): 589-602.]

[32]
高晓光. 中国高技术产业创新效率影响因素的空间异质效应: 基于地理加权回归模型的实证研究[J]. 世界地理研究, 2016, 25(4): 122-131.

[Gao Xiaoguang. Spatial heterogeneity effect of the Chinese high technology industry’s innovation efficiency factors[J]. World Regional Studies, 2016, 25(4): 122-131.]

[33]
董又铭, 郭炎, 李志刚, 等. 长江经济带乡村性的时空分异格局及驱动机制[J]. 自然资源学报, 2022, 37(2): 378-395.

DOI

[Dong Youming, Guo Yan, Li Zhigang, et al. Spatio-temporal differentiation and driving mechanism of rurality in the Yangtze River Economic Belt[J]. Journal of Natural Resources, 2022, 37(2): 378-395.]

DOI

[34]
陈耀, 张可云, 陈晓东, 等. 黄河流域生态保护和高质量发展[J]. 区域经济评论, 2020(1): 8-22.

[Chen Yao, Zhang Keyun, Chen Xiaodong, et al. Ecological conservation and high-quality development of the Yellow River Basin[J]. Regional Economic Review, 2020(1): 8-22.]

[35]
文博, 徐聪, 孟霖, 等. 苏南地区生态用地破碎度时空演变及其对建设用地扩张的响应: 基于环境库兹涅茨曲线视角[J]. 资源科学, 2023, 45(8): 1676-1691.

DOI

[Wen Bo, Xu Cong, Meng Lin, et al. Spatiotemporal evolution of ecological land fragmentation and its response to construction land expansion in southern Jiangsu Province: An environmental Kuznets curve perspective[J]. Resources Science, 2023, 45(8): 1676-1691.]

DOI

[36]
刘琳轲, 梁流涛, 高攀, 等. 黄河流域生态保护与高质量发展的耦合关系及交互响应[J]. 自然资源学报, 2021, 36(1): 176-195.

DOI

[Liu Linke, Liang Liutao, Gao Pan, et al. Coupling relationship and interactive response between ecological protection and high-quality development in the Yellow River Basin[J]. Journal of Natural Resources, 2021, 36(1): 176-195.]

DOI

[37]
金凤君, 马丽, 许堞. 黄河流域产业发展对生态环境的胁迫诊断与优化路径识别[J]. 资源科学, 2020, 42(1): 127-136.

DOI

[Jin Fengjun, Ma Li, Xu Die. Environmental stress and optimized path of industrial development in the Yellow River Basin[J]. Resources Science, 2020, 42(1): 127-136.]

DOI

Options
文章导航

/

〈 〉