EN中文

Landscape Architecture >

2025 , Vol. 32 >Issue 1: 49 - 56

DOI: https://doi.org/10.3724/j.fjyl.202407160389

Influencing Mechanisms of Ecosystem Services on Net Carbon Sink Efficiency and Spatial Differentiation Thereof: A Case Study of the Shanghai Metropolitan Area

  • Haoyang SONG ,
  • Min WANG , *
Expand
  • 1 College of Architecture and Urban Planning (CAUP), Tongji University
  • 2 Key Laboratory of Ecology and Energy Saving Study of Dense Habitat, Ministry of Education

SONG Haoyang is a Ph.D. candidate in the College of Architecture and Urban Planning (CAUP), Tongji University. Her research focuses on landscape planning and design

WANG Min, PH.D., is deputy Party secretary of and an associate professor and doctoral supervisor in the College of Architecture and Urban Planning (CAUP), Tongji University, director and co-founder of Eco-SMART LAB attached to Key Laboratory of Ecology and Energy Saving Study of Dense Habitat, Ministry of Education, a member of the Technology Innovation Center for Land Spatial Eco-restoration in Metropolitan Area, MNR, and a member of the Shanghai Engineering Research Center of Landscaping on Challenging Urban Sites. Her research focuses on ecosystem services for blue and green spaces, urban green space and ecological planning and design, and resilient landscape and urban sustainability

Received date: 2024-07-16

  Revised date: 2024-11-12

  Online published: 2025-12-07

Copyright

Copyright © 2025 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective] Ecosystem services are the link between ecosystems and social systems. While effectively coordinating regional ecological, social and economic needs and promoting carbon sequestration and emission reduction, ecosystem services can be transmitted to surrounding areas to boost regional ecological space optimization. Under the guidance of the carbon peaking and carbon neutrality goals, clarifying the positive impact of ecosystem services on net carbon sink efficiency in metropolitan areas and the spillover effect of ecosystem services can effectively contribute to regional ecosystem service enhancement, and realize efficient carbon sequestration and reduction in ecological space.
[Methods] Supported by multi-source panel data spanning the period from 2010 to 2020, this research takes the Shanghai Metropolitan Area as the research object and divides the research area into 40 research units. Based on the multiple benefits of ecosystem services in synergistically promoting urban sink enhancement and emission reduction, this research constructs a net carbon sink efficiency indicator system. Then, utilizing the undesirable slacks-based measurement (SBM) model, the research evaluates the net carbon sink efficiency of each unit during the period from 2010 to 2020, and further explores the distributional characteristics and spatial-temporal changes of carbon sinks, carbon emissions, and net carbon sink efficiency from the geospatial perspective. In combination with the guiding content of spatial synergistic planning for the Shanghai Metropolitan Area, four important ecosystem services, namely water retention, water purification, soil retention and biodiversity maintenance, are quantitatively characterized with the InVEST model. Subsequently, based on the spatial decomposition effects (direct, indirect and total effects) obtained with spatial econometric model, the influencing mechanisms of ecosystem services and their interrelationship on the net carbon sink efficiency of 40 research units are analyzed. In addition, the spatial spillover effects of ecosystem services are innovatively revealed according to ecosystem service flow conduction mechanisms.
[Results] Research results are summarized as follows. 1) During the 11 years from the 2010 to 2020, the growth of carbon dioxide emissions in the Shanghai Metropolitan Area gradually slowed down, while the net primary productivity of vegetation continued to increase, and the areas with high carbon emissions and high carbon sinks were partially overlapped; in addition, the net carbon sink efficiency of some core nodes, such as Shanghai City, maintained a steady improvement, effectively driving neighboring cities to reduce carbon emissions and increase carbon sinks; meanwhile, the areas with improved net carbon sink efficiency have some similar characteristics and can be divided into 2 types: areas with high production value, high carbon emissions, and high carbon sinks, and those with medium-high production value, low carbon emissions, and medium-high carbon sinks. 2) The four ecosystem services have significant spatial heterogeneity and relatively stable changes over the 11-year period, with the high values mainly distributed in the southwestern part of the area with high vegetation cover and the area around the Taihu Lake with concentrated water resources, while the low values mainly distributed in the concentrated urban construction areas and near the regional traffic arteries, and the total amount of the four ecosystem services has shown fluctuating characteristics. 3) Regarding the spatial decomposition effects of ecosystem services on net carbon sink efficiency, there are differences in the coefficients, directions and significance of the spatial effects of different ecosystem services. For the ecosystem service trade-off index and relationship index, the direct effects are significantly positive, while indirect effects significantly negative.
[Conclusion] The research clarifies that water-related ecosystem services such as water retention and water purification services can significantly affect carbon reduction and sink enhancement in the Shanghai Metropolitan Area, and attention should be paid to water network system and its coupling effects with green and grey spaces, so as to further stimulate the ecological vitality of Jiangnan water vein. As there are differences in the spillover effects of different ecosystem services, it is necessary to differentiate the optimization and enhancement strategies for each type of ecological space and its ecosystem services according to local conditions, and the conservation of important ecological spaces in the metropolitan area should be continuously strengthened, followed by joint protection and control of ecological red lines in neighboring areas, so as to promote territorial spatial carbon reduction and sink enhancement activities, thus contributing to the steady improvement of the net carbon sink efficiency of the Shanghai Metropolitan Area in general. The research clearly demonstrates the positive effects of enhancing water-related ecosystem services and conserving important ecological spaces on regional carbon sinks and reduction, and effectively reveals an effective path for synergistic carbon reduction in the region, which may provide certain reference for improving territorial spatial management.

Key words： carbon neutrality; ecosystem service; net carbon sink efficiency; spatial econometric model; influencing mechanism; Shanghai Metropolitan Area

Cite this article

Haoyang SONG , Min WANG . Influencing Mechanisms of Ecosystem Services on Net Carbon Sink Efficiency and Spatial Differentiation Thereof: A Case Study of the Shanghai Metropolitan Area[J]. Landscape Architecture, 2025 , 32(1) : 49 -56 . DOI: 10.3724/j.fjyl.202407160389

在全面推进生态文明建设背景下，协同提升多重生态系统服务（ecosystem services, ES）成为国土空间绿色生态发展的必然趋势。生态系统服务作为连接生态系统和社会系统的纽带，是人类直接或者间接从生态系统中得到的各种惠益[1-2]，包括供给、支持、调节和文化4种服务类型。各种生态系统服务在一定时空范围内传递、转移与流动[3]，在空间上跨区域相互影响。在国土空间规划体系下，越来越多研究在都市圈尺度关注生态系统服务[4-5]，将生态系统服务与发展需求相关联，通过空间规划优化生态系统的结构和过程，进而实现国土生态空间提质增效，推动城市群可持续发展。
聚焦国家“双碳”目标，生态系统服务在提升生态空间碳汇效益的同时，能促进城市有效减排，在推动都市圈实现碳中和过程中发挥了重要作用[6-7]。已有学者整合多种生态系统服务，探索提升城市生态空间碳汇效益的有效路径。相关研究多应用植被净初级生产力（net primary productivity, NPP）、碳储量等指标来表征固碳服务效能[8-9]，并探索固碳服务与其他生态系统服务的权衡/协同关系及影响因子[9-11]。其中，NPP为单位时间单位面积内绿色植物光合作用产生的有机物总量减去自身呼吸消耗后剩余的部分，能有效反映生态系统的碳元素输入能力[12]，表征碳汇效益。与此同时，有研究指出，生态系统服务能通过提升城市环境质量和居民生活品质，间接减少城市能耗需求[13]，促进生态系统服务与城市增碳汇、减碳排过程在空间上互联互通；但现有研究多聚焦于碳汇维度，未能在碳循环过程中思考生态系统服务对于碳排放的影响。尤其是都市圈作为资源配置与功能发展的重要区域，面向持续增长的物质生产需求，各类生态系统服务存在复杂的权衡/协同关系。如何较为全面地认知生态系统服务对于城市增汇减碳的影响，成为促进生态空间提质增效、实现都市圈绿色低碳发展的关键。
净碳汇效率（net carbon sink efficiency, NCSE）指标为研究提供了新的视角。净碳汇效率将碳汇作为期望产出纳入城市碳排放效率测算框架中[14]，可理解为城市以较低的资源投入和碳排放代价实现经济-生态效益最大化的能力，能用于表征城市碳中和综合效益。在中国迈向高质量发展的背景下，净碳汇效率包含3个维度的含义，即在生态维度下追求碳汇效益最大化，在经济维度下实现空间刚性约束对经济产出影响的最小化，以及在可持续维度下推进生态保护和经济发展协调化。许多学者已展开了相关研究，如量化省市县尺度下的净碳汇效率并结合空间计量模型探索多维度影响因素[15-16]。相较于传统研究维度单一，净碳汇效率考虑了都市圈的客观发展需求和高碳排特征，全面讨论了城市生态环境与经济社会发展之间的关系是否健康[17]，对宏观指导都市圈生态空间建设具有重要意义。
综上，提升净碳汇效率成为推动都市圈“双碳”目标实现的重要途径。基于此，本研究选取上海大都市圈展开实证探索，在多源面板数据支持下，聚焦该区域水源涵养、水质净化、土壤保持和生物多样性维持4项关键生态系统服务，探究分析各项生态系统服务对净碳汇效率的影响机制，揭示生态系统服务的空间溢出效应，明确影响净碳汇效率的重要因子，以期为宏观调配生态资源、差异化提升生态系统服务、推动城市绿色低碳转型提供参考。

1 研究区概况与数据来源

1.1 研究区域与研究单元

本研究选取上海大都市圈为研究对象。依据上海市人民政府、江苏省人民政府、浙江省人民政府联合印发的《上海大都市圈空间协同规划》（下文简称《规划》），本研究范围确定为包括上海市及其周边的苏州市、无锡市、常州市、南通市、嘉兴市、湖州市、宁波市、舟山市在内的“1+8”城市市域行政范围，总面积约5.6万km2。上海大都市圈以水为源、因水而兴，以长江、钱塘江为主脉形成了“两江、六湖、一湾、十六河”的水网格局，具有丰富的蓝绿生态资源。《规划》强调，要保护更洁净的区域水环境，锚固更稳定的生态空间网络，维护区域生物多样性。因此，如何协调经济社会发展和蓝绿生态系统保护，提升水源涵养、水质净化、土壤保持和生物多样性维持4项关键生态系统服务成为上海大都市圈生态管理的重要命题。
顺应上海大都市圈“多中心、多节点”的网络化结构形态，本研究以上海大都市圈规划研究中心和研究联盟发布的上海大都市圈城市指数（SMAI）系列数据和各市统计数据为参考，以9个市区、6个市辖区、10个县和15个县级市为评价对象，共划分出40个研究单元（图1）。
图1 研究区域及研究单元

Fig. 1 Research area and research units

1.2 数据来源

本研究基于上海大都市圈40个研究单元的多源面板数据展开研究，数据类型包括地理信息数据、社会经济数据两大类。
地理信息数据：1）行政边界图来源于天地图；2）历年路网数据来源于OpenStreetMap；3）历年气象数据（中国1 km分辨率年降水量数据和逐月潜在蒸散发数据集）来源于国家地球系统科学数据中心；4）历年土地利用数据来源于中国陆地覆盖数据集（China Land Cover Dataset, CLCD）；5）历年植被NPP数据来源于美国国家航空航天局MODIS数据集中的MOD17A3HGF数据；6）30 m精度数字高程模型（digital elevation model, DEM）数据来源于ALOS PALSAR数据集；7）土壤数据（土壤类型及根系限制层深度）来源于世界土壤数据库（Harmonized World Soil Database, HWSD）。以上数据时间范围均为2010—2020年，本研究对所有栅格数据进行重采样处理，将分辨率统一为1 km。
社会经济数据主要来源于各市区县 2010—2020年的统计年鉴及国民经济与社会发展公报。由于部分区县个别年份统计数据缺失，为了使数据完整，本研究采用插值法、类比法进行补全修正。其中二氧化碳排放数据来源于欧盟委员会的全球大气研究排放数据库（Emissions Database for Global Atmospheric Research, EDGAR），各研究单元数据经分区统计获得。

2 研究方法与变量计算

本研究分为4个步骤（图2）。1）响应变量测度：构建非期望产出的基于松弛变量测度 （slacks-based measurement, SBM）模型，对40个研究单元的净碳汇效率进行测度。2）解释变量遴选与测度：结合上位规划和生态本底，选择上海大都市圈4项关键生态系统服务、2项表征研究单元城镇化水平的变量（人口密度、建成区占比），以及2项表征生态系统服务相互关系的指标（权衡指数、关系指数）作为解释变量，应用ArcGIS和InVEST模型对各解释变量进行量化评估。3）空间计量模型构建：基于上述8个解释变量，以净碳汇效率为响应变量，设定空间权重矩阵并进行必要性检验。4）模型结果分析：明确各项生态系统服务影响净碳汇效率的空间分异特征。
图2 研究框架

Fig. 2 Research framework

2.1 基于非期望产出的SBM模型的净碳汇效率量化

数据包络分析（data envelopment analysis, DEA）及其扩展模型能有效评价同质性单元“多投入-多产出”的相对效率，指导各单元减少投入、增加产出，多用于量化城乡生态、社会或经济资源的利用效率。其中，Tone[18]提出的非期望产出的SBM模型在考虑非期望产出的同时，能对有效决策单元进行分解排序，解决了传统模型的投入、产出松弛性问题，有效提高了评价的准确性和实用性[19]。
因此，本研究选取非期望产出的SBM模型对各研究单元的净碳汇效率进行测度，通过设置投入、期望产出和非期望产出构建SBM模型，综合比较上海大都市圈各单元生态-经济协同低碳发展的相对效率。参考相关研究[17, 20]并考虑数据可获取性，本研究选择劳动力、资本和能源为投入要素，选择经济效益和碳汇效益为期望产出要素，选择城镇高速发展带来的激增式碳排放为非期望产出要素，计算净碳汇效率指标（表1）。计算式
$\begin{array}{c}\rho=\min \frac{1-\frac{1}{M} \sum_{m=1}^{M} \frac{S_{m}^{-}}{X_{m i}}}{1+\frac{1}{S_{1}+S_{2}}\left(\sum_{q=1}^{S_{1}} \frac{S_{q}^{g}}{y_{q i}^{g}}+\sum_{r=1}^{S_{2}} \frac{S_{r}^{b}}{y_{r i}^{b}}\right)}, \\\text { s.t. }\left\{\begin{array}{l}X_{i}=X \lambda+S^{-}, y_{i}^{g}=Y^{g} \lambda-S^{g}, y_{i}^{b}=Y^{b} \lambda+S^{b} ; \\S^{-} \geqslant 0, S^{g} \geqslant 0, S^{b} \geqslant 0, \lambda \geqslant 0 .\end{array}\right.\end{array}$
式中：ρ为净碳汇效率，M、S1、S2分别为投入、期望产出、非期望产出要素个数（m=1，2，…，M；S1；r=1，2，…，S2；每个研究单元均有投入向量、期望产出向量和非期望产出向量，分别表示为X∈RM，yg∈RS1，yd∈RS2；定义矩阵X、Yg、Yd分别为X=[x1，x2，…，xn]∈RM×n，Yg=[$y_{1}^{g}$，$y_{2}^{g}$，…$y_{n}^{g}$]∈RS1×n，Yb=[$y_{1}^{b}$，$y_{2}^{b}$，…$y_{n}^{b}$]∈RS2×n；对于研究单元i，xi、$y_{i}^{g}$、$y_{i}^{b}$均大于0；$S_{m}^{-} 、 S_{q}^{g} 、 S_{r}^{b}$分别为投入冗余量、期望产出不足量及非期望产出超标量；$S^{-}, S^{q}, S^{b}$对应的向量；λ为权重向量；目标函数ρ严格单调递减，且0＜ρ≤1，当ρ=1时，表明净碳汇效率完全有效，当ρ＜1时，表明净碳汇效率存在一定损失，可以通过调整投入、期望产出及非期望产出进行改善。
表1 净碳汇效率指标体系

Tab. 1 Net carbon sink efficiency indicator system

类型 要素名称 表征指标 单位
投入 劳动力 从业人员数量 万人
资本 固定资金投资金额 亿元
能源 全年用电量 亿kW·h
期望产出 经济效益 年度GDP 亿元
碳汇效益 植被NPP 万t
非期望产出 碳排放 二氧化碳排放量 万t

2.2 基于InVEST模型的生态系统服务评估

结合上位规划及发展需求，本研究选取水源涵养、水质净化、土壤保持和生物多样性维持4项关键生态系统服务，分别采用InVEST模型中的产水量模块、养分输送比模块、泥沙输移比模块和生境质量模块进行量化测算，并利用ArcGIS软件中的分区统计工具基于40个研究单元进行统计。其中，水质净化服务以氮的输出量为表征，氮的输出量越小，说明水质净化功能越强。相关参数设定严格参考InVEST官方用户指南和研究区域及周边的相关权威文献[10, 21-23]（表2）。
表2 模型变量及计算方法[9-11, 21-25]

Tab. 2 Model variables and calculation methods[9-11, 21-25]

变量类型 变量名 计算式 式注
响应变量 净碳汇效率 式（1）
解释变量 人口密度 研究单元的户籍总人口与总面积之比
建成区占比 研究单元的建成区总面积与总面积之比
水源涵养 $ {\text{WY}}_{x}=\left(1-\dfrac{\text{AET}_{x}}{{P}_{x}}\right)\cdot {P}_{x} $ ${\text{WY} }_{x}$为栅格$ x $的年产水量，mm；$ {P}_{x} $为栅格 $ x $的年降水量，mm；$ \text{AET}_{x} $为栅格$ x $的年平均蒸散量，mm
水质净化 ${\text{NE} }_{x}={\text{HSS} }_{x}\times {\text{pol} }_{x}$

$ {\text{HSS}}_{x}=\dfrac{{\lambda }_{x}}{{\lambda }_{w}} $

${\lambda }_{x}={\rm{log}}\left(\displaystyle\sum\nolimits _{U}{Y}_{U}\right)$		 $ {\text{NE}}_{x} $为栅格$ x $的载荷值，kg；$ {\text{pol}}_{x} $为栅格$ x $的输出系数；$ {\text{HSS}}_{x} $为栅格$ x $的水文敏感性评分；$ {\lambda }_{w} $为集水区平均径流指数；$ {\lambda }_{x} $为栅格 $ x $的径流指数；$ \displaystyle\sum\nolimits _{U} {Y}_{U} $为栅格$ x $所处径流路径内所有栅格产水量的总和（包括栅格$ x $自身的产水量）
土壤保持 ${ {\text{SC} } }_{x}={R}_{x}\cdot {K}_{x}\cdot {\text{LS} }_{x}\cdot {（1-C}_{x}-{P}_{x}）$ ${\text{SC}}_{x}$为栅格$x $的土壤保持量；$R_{x} $为栅格$ x $的降水侵蚀性因子；$ {K}_{x} $为栅格$ x $的土壤可侵蚀性因子；$ {\text{LS}}_{x} $为栅格$ x $的坡长坡度因子（无量纲）；$ {C}_{x} $为栅格$ x $的植被覆盖因子（无量纲）；$ {P}_{x} $为栅格$ x $的水土保持措施因子（无量纲）
生物多样性维持 ${\text{HQ} }_{xj}={H}_{j}\left[1-\left(\dfrac{ {D}_{xj}^{z} }{ {D}_{xj}^{z}+{k}^{z} }\right)\right]$ $ {\text{HQ}}_{xj} $为栅格$x$中土地利用类型$j $的生境质量； ${D}_{xj}^{z} $为生境胁迫水平；$ {H}_{j} $为土地利用类型$ j $的生境适宜性；$ k $为半饱和常数，为$ {D}_{xj}^{z} $最大值的一半；$ z $为默认常数，取2.5
权衡指数 $\text{EST}=\sqrt{\dfrac{1}{n-1}\cdot \displaystyle\sum _{i=1}^{n} {\left({Y}_{i}-\overline{ {Y}_{} }\right)}^{2} }$ $ \text{EST} $为生态系统服务权衡指数；$ n $为生态系统服务的数量；$ {Y}_{i} $为第$ i $项生态系统服务归一化处理后的数值；$ \overline{{Y}_{}} $为$ n $项生态系统服务归一化处理后的均值
关系指数 $\text{ESR}={[S}_{B}\times{\text{ESB} }^{ {n}_{B} }+{S}_{T}{（1-\text{EST}）}^{ {n}_{T} }{]}^{\tfrac{1}{ {n}_{T} } }$

$ \text{ESB}=\dfrac{1}{n}\displaystyle\sum _{i=1}^{n}{Y}_{i} $		 $\text{ESR}$为生态系统服务关系指数；$ \text{ESB} $为生态系统服务协同指数，表征生态系统服务的综合供给能力；$\text{EST}$为生态系统服务权衡指数； $ n $为生态系统服务的数量；$ {S}_{B} $和$ {S}_{T} $为权重系数，设定为1；$ {n}_{B} $和$ {n}_{T} $描述了2个分量间的非线性程度及对关系指数的贡献，设定为2
在此基础上，引入生态系统服务权衡指数和关系指数[9, 24]，对生态系统功能时空变化特征进行多角度解析。生态系统服务权衡指数用来量化多个生态系统服务的权衡关系及程度，表征不同生态系统服务单向变化的不均匀速率，即同一单元不同生态系统服务变化的不平衡程度[25]。生态系统服务关系指数揭示了生态系统服务之间的复杂互动关系，可基于多个生态系统服务的整体权衡和协同指数计算获得。

2.3 基于空间计量模型的空间关联性评估

2.3.1 模型构建

本研究通过Stata 17软件测度生态系统服务与净碳汇效率的空间关联性。首先，计算研究区域全局莫兰指数（Moran’s I）并进行显著性检验，评估40个研究单元的净碳汇效率在空间上的整体联系程度。Moran’s I计算结果为正且显著，说明净碳汇效率分布呈现正向且稳定的空间相关性特征。其次，构建关于净碳汇效率影响因素的空间计量模型框架。考虑到城市经济发展水平和开发建设强度的影响，本研究以4项关键生态系统服务、人口密度、建成区占比及生态系统服务权衡指数和关系指数（表2）为解释变量。为了避免数据异方差及因基数不同造成的巨大数值差异，对4项生态系统服务进行取对数处理。最后，借助空间权重矩阵表征各研究单元的空间距离。利用Queen邻近规则对空间权重进行赋值[26]，即若空间上相邻的2个研究单元具有共同边界，则权重$ {w}_{ij} $为1，否则为0。
$ {w}_{ij}=\left\{\begin{array}{l}1{，}{{\rm{{当}{研}{究}{单}{元}}}}\,i\,{{与}}\,j\,{{\rm{{相}{邻}{时}}}}{；}\\[7.5pt] 0{，}{{\rm{{当}{研}{究}{单}{元}}}}\,i\,{{\rm{{与}}}}\,j\,{{\rm{{不}{相}{邻}{时}}}}{。}\end{array}\right. $

2.3.2 模型选择

空间计量模型主要包括空间滞后模型（spatial lag model, SLM）、空间误差模型 （spatial error model, SEM）和空间杜宾模型（spatial Durbin model, SDM）3种[27]。本研究基于拉格朗日乘数 （Lagrange multiplier, LM）检验、似然比（likelihood ratio, LR）检 验以及豪斯曼（Hausman）检验，进行模型选择。
SDM是SEM和SLM的扩展，它同时考虑了自变量和因变量的空间相关性，以及空间滞后项和空间误差项对模型的影响[27]。显著性检验结果证实，在本研究中，SDM优于SEM和SLM，且退化为SEM和SLM的假设在1%水平上被显著否定。且豪斯曼检验表明，数据在1%水平上拒绝了存在空间随机效应的假设，时空双固定效应模型的LR检验结果相比时间固定效应和个体双固定效应模型更显著。综上，本研究最终采用时空双固定效应的SDM进行空间关联性评估。

3 结果分析

3.1 碳排、碳汇效益及净碳汇效率时空变化特征

本研究在计算碳排放与碳汇的基础上，结合社会经济数据测算了上海大都市圈40个研究单元2010—2020年的净碳汇效率，分析了碳排、碳汇效益、净碳汇效率3个指标在11年间的时空变化特征（图3）。
图3 2010—2020年上海大都市圈碳排、碳汇效益及净碳汇效率时空变化

Fig. 3 Spatial-temporal changes in carbon emissions, carbon sinks and net carbon sink efficiency in the Shanghai Metropolitan Area, 2010−2020

碳排方面，上海大都市圈的碳排放总量呈现缓慢波动上升的趋势，碳排放总量从118 989万t增长至125 858万t，增长率为5.77%，形成了以各大市区为中高值节点的放射性网络结构，与都市圈城市发展建设格局相符。另外，各区域的碳排放量变化趋势不一，其中常州市区、长兴县大幅增长，上海市区、无锡市区和宁波市区大幅下降，变化幅度均超25%。
碳汇效益方面，2010—2020年研究区域NPP总量呈现持续上升趋势，从16 645万t上升至18 362万t，增长率为10.3%，其中高值主要分布于东部沿海和西部环太湖区域。变化趋势方面，各区域NPP均有增长，且增长率大致呈现从东到西逐渐上升的趋势，其中无锡市、昆山市、嘉定区和松江区NPP大幅上升，增长率超15%。
净碳汇效率方面，形成了一条东西向的高值轴，串联天目山、太湖、淀山湖、澄湖等重要生态空间。以上海为核心的东部区域净碳汇效率呈显著上升趋势，周边苏州市、无锡市、南通市大部分区域的净碳汇效率缓慢上升；而上海南部及邻近区域净碳汇效率呈轻微下降趋势，岱山县呈显著下降趋势。
通过上述分析可以发现，高碳排区域和高碳汇区域部分重叠，如常州市区、苏州市区和宁波市区等生态空间较为聚集的区域。净碳汇效率上升的区域可分为2类。一类为高产值-高碳排-高碳汇区域，如上海市区、苏州市区，这些区域生态本底良好，城市发展稳步进入提质增效阶段，一方面可以通过调整产业和能源结构控制碳排放上升趋势，另一方面可以积极保护与修复生态环境、提升居民生活品质，逐渐提升城市净碳汇效率。另一类为中高产值-低碳排-中高碳汇区域，如昆山市、如皋市、宜兴市、舟山市区等，这些区域生态本底优异且能源结构良好，可以通过保护现有生态环境、针对性治理生态问题来有效提升净碳汇效率。

3.2 生态系统服务时空变化特征

总体来看，上海大都市圈内4项关键生态系统服务存在显著空间异质性，且11年间变化相对稳定，生态系统服务总量呈现波动性变化特征（图4）。水源涵养服务方面，低值区域主要分布在东北部，高值区域主要分布在西南部和东南部，该分布特征主要受降水特征和林地分布的影响；服务量总体上呈上升趋势，具体表现为北部升高、南部降低。水质净化服务方面，高值区域多分布在中部河湖流域，低值区域多集中在北部和西南部，服务量总体上呈现缓慢波动下降的趋势，具体表现为南部升高，北部降低。土壤保持服务方面，高值区域主要集中在植被覆盖度高的西部、南部，低值区域集中在建设强度高的东部、东北部区域；且东南部沿海区域土壤保持服务量显著降低，西南部山地区域土壤保持服务量显著升高。生物多样性维持服务方面，高值区域主要分布在西南部山区和中部的太湖、淀山湖流域，低值区域则分布在集中建设区域和交通干线周边；2010—2020年生物多样性维持服务量呈现整体缓慢提升、沿城乡交通干线和零星建成区大幅下降的趋势。
图4 2010—2020年上海大都市圈4项生态系统服务时空变化

Fig. 4 Spatial-temporal changes of four ecosystem services in the Shanghai Metropolitan Area, 2010−2020

3.3 生态系统服务对净碳汇效率影响机制分析

基于SDM，本研究采用空间分解效应（直接效应、间接效应和总效应）计算结果（表3）来解释生态系统服务对净碳汇效率的影响。结合生态系统服务的传导机理[28]，对于某一研究单元，直接效应表示该单元的解释变量对同一单元净碳汇效率的影响程度，表征了生态系统服务的原位服务；间接效应表示该单元的解释变量对邻近单元净碳汇效率的影响程度，表征了生态系统服务的非原位服务，即空间溢出效应[27]；总效应为直接效应和间接效应之和，表征了该单元解释变量对所有研究单元净碳汇效率的平均影响程度。
表3 各变量空间分解效应计算结果

Tab. 3 Results of spatial decomposition effects for each variable

变量 直接效应 间接效应 总效应
系数 T值 系数 T值 系数 T值
　　注：***、**、*分别表示在1%、5%和10%水平显著。
人口密度 11.080*** −2.190 5.157 −3.564 16.240*** −2.954
建成区占比 −1.976** −0.902 1.402 −1.560 −0.574 −1.310
水源涵养 0.232 −0.232 0.337 −0.300 0.569*** −0.217
水质净化 −0.665*** −0.170 0.271 −0.268 −0.394* −0.237
土壤保持 −0.103** −0.042 0.168** −0.069 0.065 −0.072
生物多样性维持 −0.108** −0.051 0.152* −0.080 0.044 −0.092
权衡指数 3.289** −1.386 −4.420** −2.177 −1.131 −2.464
关系指数 2.570** −1.075 −3.540** −1.708 0.03 −1.921
城市发展属性方面，人口密度的直接效应和总效应显著且为正。从城市净碳汇效率指标体系来看，本研究对于城市碳中和效益的评估综合考虑了经济和生态维度。上海大都市圈作为第三产业发展集中且快速的地区，低碳产业大量吸纳就业，在推动地区经济发展的同时，增加人口和劳动力对生态环境产生的负面影响较小，有益于城市净碳汇效率的提升。
单项生态系统服务方面，水源涵养服务的总效应显著且为正，表明上海大都市圈水脉相依、河网密布的生态空间特征使水源涵养服务能广泛影响到整体区域的水源供给，促进人居环境质量提升，降低碳的负面影响；水质净化服务的直接效应和总效应显著且为负，表明提升水质净化服务能够促进大都市圈整体减污降碳，提升净碳汇效率；生物多样性维持服务和土壤保持服务对净碳汇效率的直接效应显著且为负，间接效应为显著且为正，说明保育生境、保持水土等环境措施可能因限制建设范围、强度等制约了该地区的经济发展及低碳转型，但是这2项服务具有较强的正向溢出效应，能有效协助周边区域完善生态网络格局，维持生态安全，带动绿色产业发展，激活潜在优质生态空间，促进区域净碳汇效率的提高。
生态系统服务权衡指数和关系指数的直接效应均显著且为正，间接效应均显著且为负，这表明对于生态系统服务整体上良好的地区而言，基于生态本底重点提升核心生态功能、调配资源来选择性发展某些生态系统服务[29]，能够在提升生态系统服务供给总量的同时，直接有效地提升净碳汇效率；但需避免整体生态系统服务供需失衡，从而影响到邻近地区的生态可持续，进而减缓净碳汇效率的提升。生态系统服务关系指数表征了某一地区生态系统服务的整体协同关系，若关系指数的总效应为正，则表明协同提升各项生态系统服务能有效降低碳排放的负面影响，推动上海大都市圈净碳汇效率整体提升。

4 结论

都市圈作为区域协同规划的关键探索区域，是承接中国经济-社会-生态高质量发展的重要载体[5]。在“双碳”目标背景下，本研究在都市圈尺度下明确了关键生态系统服务对净碳汇效率的空间影响机制，既回应了区域发展规划诉求，在生态保护与城镇化耦合协调的视角下量化了城市的减碳增汇能力，又顺应了生态系统服务的流动特征，引导高效挖掘、整合各地区生态价值优势，促进生态网络联动发展。基于分析结果，本研究在国土空间规划体系下尝试提出相应的生态空间发展策略，以一体化举措推动生态环境共保联治，为实现生态资源差异布局和生态空间精准管控、推动上海大都市圈高质量发展提供参考，可归纳为4个方面。
1）与水相关的生态系统服务显著影响了上海大都市圈减碳增汇。本研究结果表明，水源涵养服务、水质净化服务在促进上海大都市圈碳中和目标的实现过程中发挥着关键性作用。上海大都市圈内河江湖海伴城而生、水脉相依，水源涵养和水质净化服务作为区域生态系统提供的关键服务，与绿色空间、建设空间紧密耦合，能够有效发挥保育生境、降温增湿、净化空气等生态效应，提升区域生态环境质量和韧性发展能力。因此，应持续关注上海大都市圈的水网系统及其与城镇空间的耦合效应，进一步激发江南水脉生态活力，促进区域增汇减碳。
2）生态系统服务的溢出效应存在差异。各项生态系统服务因生态过程、供需关系不同，直接和间接效应系数、正负方向并不一致，空间溢出效应存在差异。不同地区需因地制宜，结合生态基底特征和减碳增汇需求，差异化制定生态空间及生态系统服务的优化提升策略。如水质净化服务作为城市降污减碳能力的重要指征，主要通过原位服务产生正向效应，提升净碳汇效率应重点提升当地的水质净化服务。生物多样性维持和土壤保持服务则主要通过邻近溢出效应发挥作用，应协同提升周边地区的生境质量，加强水土保持，最大化这2项生态系统服务对净碳汇效率的正向效应，来促进净碳汇效率提升。此外，部分指标总效应显著而间接效应不显著，一定程度上反映了生态系统服务的远程流动特性[3]，其空间溢出机制有待后续结合其他空间模型深化探究。
3）在重要生态空间及生态系统服务溢出效应影响下，上海大都市圈净碳汇效率总体稳步提升。2010—2020年，上海大都市圈的二氧化碳排放量增长放缓，植被NPP持续提升，尤其是核心节点上海市的净碳汇效率持续稳步提升。碳排、碳汇及净碳汇效率时空关联特征分析结果证实了对天目山、太湖、淀山湖、澄湖等重要生态空间的保护，能够有效支撑城市存量提质改造和增量结构调整并重。近年来，上海大都市圈持续落实以自然保护地为核心的陆域和海洋生态保护红线，实现重要生态空间的刚性管控，一方面强化了区域生态安全格局，提升了区域生态健康，另一方面也为推动绿色产业技术发展和低碳社区、街区、园区的陆续落地提供了具有韧性、可持续的生态空间本底，助力各地区将生态优势转化为经济社会发展优势。
4）加强重要生态空间保育，推动生态系统服务协同发展，是促进国土空间协同减碳增汇的有效途径。本研究结果表明，重要生态功能区域各项生态系统服务整体协同发展，有利于该地区整体上呈现稳定向好的绿色低碳发展态势，并促进周边地区净碳汇效率的提升。例如崇明区、苏州市区、湖州市区及安吉县等，各项生态系统服务具有较高水平的关系指数和较低水平的权衡指数，集中分布的生态空间虽然在一定程度上减缓了该地区的经济增长，但平缓提升的净碳汇效率有利于周边地区（如上海市区、昆山市）和整个区域生态系统的健康发展。因此，应持续强化对都市圈内重要生态空间的保育，并加强对邻界地区生态保护红线的联保控制，确保生态保护红线功能不减弱、面积不减少、性质不改变，促进国土空间减碳增汇协同发展。
本研究在方法和数据方面仍存在一定局限性，后续将进一步提高数据精度，拓展探究其他生态系统服务对城市减碳的影响机制，并基于对城市发展多情景的思考，为区域生态空间规划建设提供更为细化的建议与指导。

文中图表均由作者绘制，其中图1、3、4底图来源于天地图（https://www.tianditu.gov.cn/），审图号为GS（2024）0650号。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
傅伯杰, 张立伟. 土地利用变化与生态系统服务: 概念, 方法与进展[J]. 地理科学进展, 2014, 33(4): 441-446

DOI

FU B J, ZHANG L W. Land-Use Change and Ecosystem Services: Concepts, Methods and Progress[J]. Progress in Geography, 2014, 33(4): 441-446

DOI

[2]
COSTANZA R, D’ARGE R, DE GROOT R, et al. The Value of the World’s Ecosystem Services and Natural Capital[J]. Ecological Economics, 1998, 25(1): 3-15.

[3]
王云才, 刘玲. 远程耦合: 绿色基础设施绩效评价的空间生态智慧[J]. 中国园林, 2023, 39(10): 51-55

WANG Y C, LIU L. Telecoupling Spatial Ecological Wisdom for Performance Evaluation of Green Infrastructure[J]. Chinese Landscape Architecture, 2023, 39(10): 51-55.

[4]
朱俊俊, 高周冰, 王君櫹, 等. 南京都市圈生态系统服务时空变化及权衡协同关系[J]. 水土保持研究, 2023, 30(3): 383-394

ZHU J J, GAO Z B, WANG J X, et al. Spatio-Temporal Changes and Trade-Off/Synergy Relationship of Ecosystem Services in Nanjing Metropolitan Area[J]. Research of Soil and Water Conservation, 2023, 30(3): 383-394.

[5]
王敏, 郭广钰. 上海大都市圈城镇化与生态环境耦合协调关系: 基于2011—2020年面板数据的实证分析[J]. 北京林业大学学报, 2024, 46(7): 101-111

DOI

WANG M, GUO G Y. Coupling and Coordination Relationship Between Urbanization and Eco-environment in Shanghai Metropolitan Area: Empirical Analysis Based on Panel Data From 2011 to 2020[J]. Journal of Beijing Forestry University, 2024, 46(7): 101-111

DOI

[6]
LIN B Q, GE J M. Valued Forest Carbon Sinks: How Much Emissions Abatement Costs Could Be Reduced in China[J]. Journal of Cleaner Production, 2019, 224 455-464

DOI

[7]
GAO P, YUE S J, CHEN H T. Carbon Emission Efficiency of China’s Industry Sectors: From the Perspective of Embodied Carbon Emissions[J]. Journal of Cleaner Production, 2021, 283 124655

DOI

[8]
涂海洋, 加帕尔, 于涛, 等. 中国陆地生态系统净初级生产力时空变化特征及影响因素[J]. 生态学报, 2023, 43(3): 1219-1233

TU H Y, JIAPAER G L, YU T, et al. Analysis of Spatio-Temporal Variation Characteristics and Influencing Factors of Net Primary Productivity in Terrestrial Ecosystems of China[J]. Acta Ecologica Sinica, 2023, 43(3): 1219-1233.

[9]
WANG C, TANG C J, FU B J, et al. Determining Critical Thresholds of Ecological Restoration Based on Ecosystem Service Index: A Case Study in the Pingjiang Catchment in Southern China[J]. Journal of Environmental Management, 2022, 303 114220

DOI

[10]
李成, 赵洁, 庄智程, 等. 长三角城市群生态系统服务权衡强度时空演变及影响因素[J]. 生态学报, 2022, 42(14): 5708-5720

LI C, ZHAO J, ZHUANG Z C, et al. Spatio-Temporal Dynamics and Influencing Factors of Ecosystem Service Trade-Offs in the Yangtze River Delta Urban Agglomeration[J]. Acta Ecologica Sinica, 2022, 42(14): 5708-5720.

[11]
刘颂, 张浩鹏, 裴新生, 等. 长时间序列生态系统服务权衡与协同驱动因素: 以芜湖市生态系统服务功能极重要区为例[J]. 生态学报, 2024, 44(5): 1780-1790

LIU S, ZHANG H P, PEI X S, et al. Drivers of Ecosystem Service Trade-Off and Synergy in Long-Term Sequence: A Case Study of the Extremely Important Ecosystem Service Function Area in Wuhu City[J]. Acta Ecologica Sinica, 2024, 44(5): 1780-1790.

[12]
QUAN Y, HUTJES R W A, BIEMANS H, et al. Patterns and Drivers of Carbon Stock Change in Ecological Restoration Regions: A Case Study of Upper Yangtze River Basin, China[J]. Journal of Environmental Management, 2023, 348 119376

[13]
王敏, 宋昊洋. 影响碳中和的城市绿地空间特征与精细化管控实施框架[J]. 风景园林, 2022, 29(5): 17-23

WANG M, SONG H Y. Spatial Characteristics and Implementation Framework for Fine Control of Urban Green Space Affecting Carbon Neutrality[J]. Landscape Architecture, 2022, 29(5): 17-23.

[14]
ZHANG A X, DENG R R. Spatial-Temporal Evolution and Influencing Factors of Net Carbon Sink Efficiency in Chinese Cities Under the Background of Carbon Neutrality[J]. Journal of Cleaner Production, 2022, 365 132547

DOI

[15]
CHU X, JIN Y, WANG X, et al. The Evolution of the Spatial-Temporal Differences of Municipal Solid Waste Carbon Emission Efficiency in China[J]. Energies, 2022, 15(11): 3987

DOI

[16]
权天舒, 张晖, 许玉韫.长三角城市群碳排放效率的空间关联网络及其影响因素[J/OL].南京林业大学学报（自然科学版）: 1-13（2024-05-08）[2024-07-16]. http://kns.cnki.net/kcms/detail/32.1161.S.20240508.1506.002.htm.

QUAN T S, ZHANG H, XU Y Y. The Spatial Correlation Network and Influencing Factors of Carbon Emission Efficiency in the Yangtze River Delta Urban Agglomeration[J/OL]. Journal of Nanjing Forestry University (Natural Sciences Edition): 1-13 (2024-05-08)[2024-07-16]. http://kns.cnki.net/kcms/detail/32.1161.S.20240508.1506.002.htm.

[17]
任悦宁, 张建勋, 董宏杰, 等. 中国省域净碳汇效率时空演变及影响因素研究[J]. 生态经济, 2024, 40(4): 36-45

REN Y N, ZHANG J X, DONG H J, et al. Spatio-Temporal Evolution and Influencing Factors of China’s Provincial Net Carbon Sink Efficiency[J]. Ecological Economy, 2024, 40(4): 36-45.

[18]
TONE K. Dealing with Undesirable Outputs in DEA: A Slacks-Based Measure (SBM) Approach: I-2003-0005[R/OL]. (2023-12-03)[2024-07-16]. https://www.researchgate.net/publication/360933959_The_Evolution_of_the_Spatial-Temporal_Differences_of_Municipal_Solid_Waste_Carbon_Emission_Efficiency_in_China.

[19]
朱红波, 高乙嘉. 我国西南地区城市土地利用效率的时空格局研究: 基于非期望产出超效率SBM模型的分析[J]. 城市问题, 2022 9): 95-103

ZHU H B, GAO Y J. Spatial and Temporal Pattern of Urban Land Use Efficiency in Southwest China: Based on Undesired Output Super-Efficiency SBM Model[J]. Urban Problems, 2022 9): 95-103.

[20]
YAN F P, SHANGGUAN W, ZHANG J, et al. Depth-to-Bedrock Map of China at a Spatial Resolution of 100 Meters[J]. Scientific Data, 2020, 7(1): 2

DOI

[21]
颜文涛, 陈卉, 万山霖, 等. 省级次区域国土生态空间格局构建与管控政策: 以川西北生态示范区为例[J]. 上海城市规划, 2021, 3(3): 8-17

DOI

YAN W T, CHEN H, WAN S L, et al. The Construction and Control Policy of the Ecological Spatial Pattern of the Provincial Sub-regions: A Case Study of Northwestern Sichuan[J]. Shanghai Urban Planning Review, 2021, 3(3): 8-17

DOI

[22]
申佳可, 彭震伟, 王云才. 基于生态系统服务空间流的洪涝调节服务需求制图与生态空间优先级识别[J]. 中国园林, 2022, 38(2): 20-25

SHEN J K, PENG Z W, WANG Y C. Mapping of Flood Regulation Service Demand and Identifying of Priority Settings of Ecological Spaces in Rapidly Urbanized Area Based on Ecosystem Service Spatial Flow[J]. Chinese Landscape Architecture, 2022, 38(2): 20-25.

[23]
嵇娟, 陈军飞, 丁童慧, 等. 长三角城市群城市洪涝韧性与生态系统服务的耦合协调关系[J]. 生态学报, 2024, 44(7): 2772-2785

JI J, CHEN J F, DING T H, et al. Coupling Coordination Between Urban Flood Resilience and Ecosystem Services in the Yangtze River Delta Urban Agglomerations[J]. Acta Ecologica Sinica, 2024, 44(7): 2772-2785.

[24]
温婉琴, 王强, 陈田田. 整合生态系统服务与驱动因素阈值效应的生态安全分区研究: 以西南地区为例[J]. 生态学报, 2024, 44(8): 3142-3156

WEN W Q, WANG Q, CHEN T T. Integrating the Threshold Effects of Driving Forces on Ecosystem Service into the Ecological Security Zoning: A Case Study in the Southwest China[J]. Acta Ecologica Sinica, 2024, 44(8): 3142-3156.

[25]
LIU L L, ZHANG H B, GAO Y, et al. Hotspot Identification and Interaction Analyses of the Provisioning of Multiple Ecosystem Services: Case Study of Shaanxi Province, China[J]. Ecological Indicators, 2019, 107 105566

DOI

[26]
王守坤. 空间计量模型中权重矩阵的类型与选择[J]. 经济数学, 2013, 30(3): 57-63

DOI

WANG S K. Several Types of Weights Matrix and Their Extended Logic[J]. Journal of Quantitative Economics, 2013, 30(3): 57-63

DOI

[27]
SONG M, WU J, SONG M R, et al. Spatio-Temporal Regularity and Spillover Effects of Carbon Emission Intensity in China's Bohai Economic Rim[J]. Science of the Total Environment, 2020, 740 140184

DOI

[28]
肖华斌, 郭妍馨, 王玥, 等. 从效用评估到过程测度: 生态系统服务流研究进展[J]. 风景园林, 2022, 29(10): 32-37

XIAO H B, GUO Y X, WANG Y, et al. From Utility Assessment to Process Measurement: Progress in Research on Ecosystem Services Flow[J]. Landscape Architecture, 2022, 29(10): 32-37.

[29]
王敏, 宋昊洋. 耦合功能分区的上海崇明岛生态安全格局构建[J]. 园林, 2022, 39(3): 78-86

DOI

WANG M, SONG H Y. Construction of Ecological Security Pattern of Chongming Island in Shanghai Coupling with Functional Zoning[J]. Landscape Architecture Academic Journal, 2022, 39(3): 78-86

DOI

Options
Outlines

/

〈 〉