安徽省生态足迹的影响因素分析及趋势预测——基于PLS-STIRPAT模型

黄永强，张 俊，任志安，陈 琳

安徽财经大学经济学院，安徽蚌埠，233000

安徽省生态足迹的影响因素分析及趋势预测
——基于PLS-STIRPAT模型

黄永强，张 俊，任志安，陈 琳

安徽财经大学经济学院，安徽蚌埠，233000

基于能值生态足迹模型，计算并分析了安徽省1990-2014年生态足迹变化，采用灰色GM(1，1)模型预测了安徽省十三五期间的生态足迹，利用STIRPAT模型和偏最小二乘法对生态足迹影响因素进行了实证分析。结果表明，安徽省的人均生态足迹逐年增加，人均生态承载力没有明显变化，生态赤字日益严重；预测2020年安徽省人均生态足迹将达到9.8382hm2/人，能源账户足迹所占比重将达到68.77%；人口规模、农村人均纯收入、城镇居民人均可支配收入、城镇化水平、第二产业GDP占比以及第三产业GDP对生态足迹具有正向的促进作用，能源消耗强度具有反向的抑制作用；能源消耗强度、农村和城镇人均收入以及城镇化水平是安徽省生态足迹重要的影响因素。

生态足迹；STIRPAT模型，偏最小二乘法；GM(1，1)模型

生态足迹理论是由加拿大经济学家Rees[1]提出，并由其博士生Wackemagel[2]完善的一种衡量人类对自然资源利用程度以及自然界为人类提供服务的量化分析方法[3]。随着徐中民等人[4]将生态足迹理论引入国内后，生态足迹逐渐成为国内学者衡量生态环境状况的重要指标。目前，运用生态足迹理论开展的研究主要分为两类：一类主要为生态足迹的计算与改进。国内学者对生态足迹的理论模型和计算方法进行了大量的实证研究[5]，拓展了生态足迹理论在不同层面[6]、不同行业上[7]的应用范围并对生态足迹模型进行了一系列改进[8]。另一类主要为生态足迹的影响因素和内在机制研究[9]。国内学者主要以相关性分析[10]以及STIRPAT模型[11]分析为主，前者侧重于研究单个或多个影响因素，但缺乏对影响因素的整体认识以及各类影响因素重要程度的比较；后者虽然将各类影响因素纳入模型中，但由于各类影响因素间往往存在多重共线性，模型拟合效果不够理想。目前，国内学者为解决此问题，采取较为普遍的做法是主成分分析法[12]以及岭回归法[13]。主成分分析法在提取自变量主成分时，完全撇开了自变量，所提取的主成分虽然能很好地解释自变量系统中的信息，但是对因变量却缺乏解释能力，而岭回归在岭参数估计上也存在问题[14]。偏最小二乘(PLS)法作为一种新型的多元统计数据分析方法，将多元回归分析、主成分分析、典型相关分析结合起来，不仅有效解决了多元回归中变量多重共线性和样本容量较少、自由度较低等实际问题[15]，且相比于其他两种方法，数据的拟合效果更加理想。

本文基于能值生态足迹模型计算、分析安徽省1990-2014年生态足迹，采用STIRPAT模型和PLS回归实证分析了安徽省生态足迹的各类影响因素，并运用灰色预测GM(1，1)模型对安徽省十三五规划期间(2016-2020年)生态足迹进行预测，结合研究结果为安徽省降低生态足迹，改善生态环境，达到十三五规划的生态要求，实现可持续发展和绿色城镇化建设提出一定几点建议。

1 研究方法和数据来源

1.1STIRPAT模型

STIRPAT模型的基础理论来源于美国生态学家Ehrlich和Commonerder提出的IPAT模型[16]：

I=P×A×T

式中，I代表环境影响，P代表人口大小，A代表富裕程度，T代表技术水平。STIRPAT模型[17]则在此基础上作了改进，提出了一种包含随机影响的模型：

I=a×pb×Ac×Td×e

(1)

其中，a为模型常数项，b、c、d分别为P、A、T的指数项，e为误差项。结合安徽省的发展情况，本文在实际应用中对该模型作了一些改进[18]：I用计算的总生态足迹结果来表示，人口大小仍旧采用总人口(P)来表示，富裕程度则将学者普遍采用的人均GDP指标细化为农村人均纯收入(A1)和城镇人均可支配收入(A2)，技术水平上分解为第二产业GDP占比(T1)、第三产业GDP占比(T2)、城镇化水平(T3)和能源消耗强度(T4)。为了方便，将模型转化为对数形式，最终构建模型如下：

lnE=a+blnP+c1lnA1+c2(lnA1)2

+c3lnA2+c4(lnA2)2+d1lnT1

+d2lnT2+d3lnT3+d4lnT4+e

(2)

式中，对富裕度指标加入二次项(lnA1)2和(lnA2)2，用来检验安徽省是否存在环境与经济增长的倒“U”型关系，a为模型(1)的常数项的对数；b、c1、c2、c3、c4、d1、d2、d3、d4均为模型系数；e为随机误差项。

1.2 PLS方法

式中，Ph为因变量的预测误差平方和，Sh代表因变量的误差平方和，h为成分数。同时，为了更好地测度各个自变量Xj对PLS模型因变量的重要程度，定义了变量投影重要性指标V(Variable Importance in Projection，简记为VIP)的概念。V反映了每个自变量在解释因变量变化的重要性程度。V大于1、在0.8～1之间以及小于0.8分别表示因变量变化的重要、不确定、不重要因素，公式如下：

1.3 数据来源与处理

安徽省1990-2014年生态足迹的计算数据以及模型(2)中各变量所涉及的数据均来源于历年《安徽省统计年鉴》《中国统计年鉴》《中国能源统计年鉴》。其中城镇化水平以常用的人口城镇化指标表示，即常住人口城镇化率来衡量城市化水平(%)。为了消除价格因素的影响，农村人均纯收入、城镇居民人均可支配收入均以1990年的价格为基期(指数=100)进行折算。

2 结果与分析

2.1 安徽省生态足迹动态变化分析

本文生态足迹的计算是基于改进的能值生态足迹理论，关于能值生态足迹理论的参考文献[19-20]已有许多，在此不再赘述。其计算公式为：

其中，EF为人均生态足迹(hm2)；i为资源项目的类型，i=1,2,…,n；Xi为第i种资源的消费量(产量)(kg)；Ri为第i种资源的能量折算系数(J/kg)；Ti为第i种资源的能值转化率(sej/J)；P为区域能值密度(sej/hm2)；N为总人口数。本文分别创建了生物资源账户和能源账户。生物资源账户包括耕地(稻谷、小麦、玉米、豆类、薯类、油料、棉花、麻类、烟叶、茶叶、糖料、蔬菜、猪肉、禽蛋)、林地(木材、水果)、牧草地(牛肉、羊肉、奶类)、水域(淡水产品)。能源消费账户主要消费品为化石能源用地(煤炭、原油、汽油、柴油)、建筑用地(电力)。

人均生态承载力反映了该区域所能提供的满足单位人口消费和排放废物的生态面积，计算公式为

式中，EC为人均生态承载力(hm2/人)，EI表示区域可更新资源总能值(sej)，P为区域能值密度(sej/hm2)，N为人口数。一般计算时，扣除12%的面积作为保护生物多样性的面积。受篇幅限制，此处仅列出部分年份的人均生态足迹数据，见表1。

表1显示，安徽省人均生态足迹逐年增加，人均生态承载力基本不变。1990年安徽省人均生态足迹为2.0280 hm2/人，人均生态承载力为0.2200 hm2/人，人均生态赤字为1.808 hm2/人；2014年人均生态足迹已增长至7.0713 hm2/人，增幅为248.68%，人均生态承载力为0.2209 hm2/人，人均生态赤字已扩大至6.8504 hm2/人，不断扩大的生态赤字说明安徽省当前的发展现状是不可持续的。其中，生态足迹用地中增长最为明显的为能源账户的两类用地，2014年能源账户对总生态足迹的贡献率已经达到57.78%，反映出安徽省经济的迅速发展以及城镇化的快速推进依赖于煤炭等能源的大量消耗，导致能源生态足迹不断增加，严重破坏了生态环境。生物资源账户的四类用地中，相比于耕地，林地、牧草地以及水域对生态足迹的增加贡献并不显著；由于安徽省快速工业化推动，第二产业占比迅速上升并成为主导产业，耕地生态足迹的增长速度也在逐步放缓，1990年耕地占生物账户生态足迹的比重为84.96%，占总生态足迹的比重为52.41%，2014年耕地的生态足迹约占生物账户77.80%，而占总生态足迹的比重下降为32.85%。

表1 1990-2014主要年份各类用地人均生态足迹 单位hm2/人

图1显示，安徽省1990-2014年生态足迹的增长可分为三个阶段：1995年以前，年均增长率为2.71%；1995-2006年，年均增长率4.82%；2007年开始，年均增长率上升为6.04%。显然，安徽省人均生态足迹的增长速度在不断增加，生态环境不仅没有随着经济的发展而好转，反而日益恶化。

图1 安徽省生态足迹的动态变化

为了衡量安徽省经济活动对生态资源的利用效率，采用人均生态足迹与人均万元GDP的比值，即万元GDP生态足迹，反映GDP每增加万元导致生态足迹的增加量，发现万元GDP生态足迹在逐年下降，由最初1990年17.7028hm2/万元下降至2014年2.080hm2/万元，且对应于人均生态足迹变化的三个阶段。万元GDP生态足迹的下降速度也在不断放缓，说明1990年以来，安徽省在经济发展过程中，资源利用效率不断提高，一定程度上延缓了生态足迹的增长速度。可见，转变经济发展方式，优化产业结构是实现发展可持续的重要战略。然而，2010年以后，万元GDP的生态足迹下降遭遇瓶颈，而生态足迹增长速度却在增加，安徽省正面临着巨大环境压力。在该背景下，为了缓解安徽省经济发展与生态环境的矛盾，有必要深入分析安徽省生态足迹的各类影响因素，强化有利因素，抑制不利因素，从而推进安徽省绿色城镇化进程，实现经济发展可持续性。

2.2 生态足迹变化的影响因素分析2.2.1 普通最小二乘法分析

首先使用OLS回归对构建的STIRPAT模型进行预评估，结果显示(表2)，回归模型的拟合优度为0.996，通过了0.01显著性水平下的F检验，拟合度较好，然而多项自变量没有通过0.05显著性水平的t检验，且各变量方差膨胀因子(VIF)远大于10，多重共线性严重，因此普通最小二乘法并不适用。

表2 OLS回归结果

2.2.2PLS方法分析

为了消除多重共线性，由于主成分法、岭回归法的不足，本文采用PLS方法对STIRPAT模型进行回归。当提取自变量成分数为1时，R2为0.9767；当提取的主成分数为2时，累计交叉有效性为0.9770，R2为0.9814，此时交叉有效性为0.0891，已低于交叉有效性的临界值0.0975。结合考虑Ph最小原则、方程拟合情况以及主成分为2时的T2椭圆图(图2)，所有样本点全部分布在椭圆内，没有奇异点，说明模型样本取值合理，模型稳定。故本文选取的最优成分数为2。

图2 T2椭圆图

据此，得到生态足迹影响因素的STIRPAT模型为：

lnE=1.7958lnP+0.0718lnA1+0.0046(lnA1)2

+0.0696lnA2+0.0039(lnA2)2+0.1358lnT1

+0.3570lnT2+0.1682lnT3-0.1100lnT4

-16.9396+e

(3)

由(3)式可得模型的拟合结果显著，各项指标系数均合理，符合经济含义。(lnA1)2与(lnA2)2的回归系数为正，表明安徽省经济发展与环境保护之间不呈倒“U”关系，即安徽省目前还没有实现经济与环境的协同发展，环境好转的拐点还未出现。经济的不断增长，不仅不会带来环境的好转，反而会导致环境的不断恶化。因此，安徽省在追求经济快速增长的同时还应兼顾对生态环境的影响。

具体来看，观察模型各变量弹性系数，大部分变量的弹性系数为正。可以发现，人口规模、农村人均纯收入、城镇居民可支配收入、第二产业GDP占比、第三产业GDP占比、城镇化水平对lnE具有正向影响，能源消耗强度lnT4作为模型中唯一一个负值，反映出提高能源效率可以有效解决能源问题。此外，农村居民人均纯收入lnA1与城镇居民人均可支配收入lnA2的弹性系数分别为0.0718和0.0696，差别不明显，说明安徽省农村和城镇在对生态足迹的影响上无显著区别。由于未标准化的回归系数大小并不能反映自变量对因变量的影响大小[21]，因此需要采用成分为2的V值来进一步分析个因变量对生态足迹影响的重要性。

表3 V值

由表3可以看出，lnT4、lnA1、lnA2和lnT3的V值均大于1，表明能源消耗强度、城乡人均收入、城镇化水平是安徽省生态足迹变化的重要影响因素。能源消耗强度作为生态足迹最重要的影响因素，其每增加1%将会使生态足迹下降0.11%，因此，鼓励技术创新，提高能源利用效率，可以有效抑制生态足迹的增长。经济增长作为另外一个影响生态足迹的重要因素，农村人均纯收入与城镇居民可支配收入每变动1%，分别增加0.0718%和0.0696%的生态足迹。安徽省相比于东部发达省份，工业化具有更大发展空间，在加快工业化进程的同时，生态环境也面临巨大挑战，实现绿色经济增长是安徽省面临的一个巨大难题。城镇化水平同样也是影响生态足迹的重要因素。城镇化水平每提高1%，将引起生足迹增加0.1682%。2015年，安徽省城镇化率突破50%，城镇化水平的不断提高，加大了人口的集聚，极大地促进了能源消费和基础设施等资源的利用，将会显著地影响生态环境。因此，粗放外延式的城镇化道路对安徽省的可持续发展是不利的，实现绿色城镇化的平稳推进，将极大改善安徽省发展过程中对生态环境造成的负面影响。

2.3 灰色GM(1，1)预测

灰色预测模型作为一种长期预测模型，通过灰色关联分析来判断各种系统因素之间发展趋势的相异程度，并对原始数据进行一系列处理来生成具有明显规律性的数据序列，最终建立相应的微分方程模型来做出预测[22]。由于该模型具有所需原始数据量小，预测精度高，运算简便等优点，广泛应用于经济、环境、农业等领域。考虑生态足迹的数据特点以及样本总量，本文运用灰色GM(1，1)模型进行预测，结果如表4所示。

表4 安徽省2016-2020年人均生态足迹预测结果

总生态足迹和人均能源生态足迹预测模型的后验差检验(P，C)分别为(1，0.0960)、(1，0.0667)，说明所建立的预测模型预测精度好，因此预测结果具有一定的参考价值。由表4可知，安徽省2016-2020年生态足迹仍在不断增长，2020年总人均生态足迹将增长至8.0518hm2/人，年均增长率为5.14%。此外，人均能源生态足迹年均增长率为8.66%，在2020年将达到6.7662hm2/人，占总人均生态足迹的比重上升至68.77%，年均增长率为8.66%。根据预测结果，安徽省将面临巨大的节能减排压力，要想顺利达到十三五规划的生态要求，必须作出相应的政策调整。

3 结论与建议

3.1 结 论

本文利用能值生态足迹模型对安徽省1990-2014年的生态足迹进行了测算，结果表明，安徽省的生态足迹逐年增加，人均生态承载力没有明显变化，生态赤字日趋严重，万元GDP生态足迹虽然在不断下降，但是生态足迹的增长速度仍在上升。2014年，安徽省的能源账户生态足迹已经占到总生态足迹的60%，结合GM(1，1)模型的预算结果发现该比例仍在进一步增加，预计2020年将达到人均能源生态足迹为6.7662hm2/人，占总人均生态足迹的比重上升至68.77%。因此，安徽省十三五规划期间节能减排的任务十分艰巨

结合STIRPAT模型并利用PLS方法修正，定量分析发现，安徽省目前不存在环境与经济增长的倒“U”型假设；人口规模、农村人均纯收入、城镇居民人均可支配收入、城镇化水平、第二产业GDP占比以及第三产业GDP对生态足迹具有正向的驱动作用，能源消耗强度对生态足迹具有反方向的抑制作用；从V值来看，能源消耗强度、城乡人均收入以及城镇化水平是安徽省生态足迹重要的影响因素。

3.2 建 议

根据以上结论，为促进安徽省可持续发展和城镇化健康推进，保证十三五规划目标的顺利实现，本文建议：一是要重点解决能源问题。一方面制定合理的节能减排政策，发展低碳经济；另一方面优化产业结构，不仅要优化三大产业结构，还要优化各类产业内部结构，鼓励创新，加大新能源技术的研发力度，积极开发新的可再生能源。二是继续提高民众的环保意识。消费仍是影响生态环境的重要因素，鼓励民众低碳消费，绿色出行，爱护环境、节能减排。三是政府要统筹协调好城镇化、经济增长和生态环境的关系，不能盲目追求快速城镇化，一味追求经济增长，要通过有效的政策，优化人口结构，控制城镇化速度，实现土地集约利用、资源有效利用、环境友好发展的绿色经济增长和绿色城镇化。

[1]ReesWE.Ecologicalfootprintsandappropriatedcarryingcapacity:whaturbaneconomicsleavesout[J].EnvironmentandUrbanization,1992,4(2):121-130

[2]WackernagelM，OnistoL，BelloP，etal．Nationalnaturalcapitalaccountingwiththeecologicalfootprintconcept[J]．EcologicalEconomics，1999，29(3)：375-390

[3]谭伟文，文礼章，仝宝生，等.生态足迹理论综述与应用展望[J].生态经济，2012(6)：173-181

[4]徐中民，张志强，程国栋.甘肃省1998年生态足迹计算与分析[J].地理学报,2000，55(5):607-616

[5]熊德国,鲜学福,姜永东.生态足迹理论在区域可持续发展评价中的应用及改进[J].地理科学进展,2003,22(6):618-626

[6]赵云龙,唐海萍,李新宇,等.河北省怀来县可持续发展状况的生态足迹分析[J].自然资源学报,2004,19(1)：128-135

[7]李兵，张建强，权进民.企业生态足迹和生态效率研究[J].环境工程，2007(6)：85-88

[8]向书坚，柴士改.生态足迹若干不足、修正与完善以及应用拓展[J]．资源科学，2013，35(5):1051-1058

[9]黄宝荣，崔书红，李颖明.中国2000-2014年生态足迹变化特征及影响因素[J].环境科学，2016，37(2)：420-426

[10]李惠梅，张安录.我国经济增长和城市化对生态足迹影响的计量分析[J].中国人口·资源与环境，2011，21：381-383

[11]王立群,李冰,郭轲.北京市生态足迹变化及其社会经济驱动因子分析[J].城市问题,2014(7):2-8

[12]任毅，李宇，郑吉.基于改进STIRPAT模型的定西市生态足迹影响因素研究[J].生态经济，2016，32(1)：88-93

[13]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

[14]李健，王铮，朴胜任.大型工业城市碳排放影响因素分析及趋势预测：基于PLS-STIRPAT模型的实证研究[J].科技管理研究，2016(7)：229-234

[15]王惠文．偏最小二乘回归方法及其应用[M]．北京:国防工业出版社，1999：1-265

[16]WaggonerPE,AusubelJH.Aframeworkforsustainabilityscience:ArenovatedIPATidentity[J].ProceedingsoftheNationalAcademyofSciencesoftheUnitedStatesofAmerica,2002,99(12):7860-7865

[17]YorkR，RosaEA，DietzT．STIRPAT，IPATandImpact:analytictoolsforunpackingthedrivingforcesofenvironmentalimpacts[J].EcologicalEconomics，2003，46(3):351-365

[18]陈操操，刘春兰，汪浩，等.北京市能源消费碳足迹影响因素分析：基于STIRPAT模型和偏小二成模型[J].中国环境科学，2014，34(6)：1622-1632

[19]张芳怡，濮励杰，张建.基于能值分析理论的生态足迹模型及其应用：以江苏省为例[J].自然资源学报，2006，21(4)：653-660

[20]刘淼，胡远满，常禹，等.基于能值理论的生态足迹方法改进[J].自然资源学报，2008，23(3)：447-457

[21]肖思思,黄贤金，吴春笃.江苏省生态足迹时间维度变化及其驱动因素分析：基于PLS方法对STIRPAT模型的修正[J].地理与地理信息科学，2012，28(3)：76-82

[22]吴振信，石佳.基于STIRPAT和GM(1，1)模型的北京能源碳排放影响因素分析及趋势预测[J].中国管理科学，2012，20(11)：804-809

(责任编辑：汪材印)

10.3969/j.issn.1673-2006.2016.08.030

2016-03-19

国家社会科学规划基金一般项目(11BJL039)；安徽自然科学基金项目(1608085MG159)；安徽财经大学研究生创新基金项目(ACYC2015075)

黄永强(1993-)，安徽马鞍山人，在读硕士研究生，主要研究方向：宏观经济理论与政策。

F

A

1673-2006(2016)08-0108-06