陕西省能源足迹动态变化与影响因素分析

王 涛，冯 杰

(1.西安科技大学测绘科学与技术学院，陕西 西安 710054；2.西北大学城市与环境学院，陕西 西安710127；3.西安交通大学公共政策与管理学院，陕西 西安710049)

绿色矿业

陕西省能源足迹动态变化与影响因素分析

王 涛1,2，冯 杰3

(1.西安科技大学测绘科学与技术学院，陕西 西安 710054；2.西北大学城市与环境学院，陕西 西安710127；3.西安交通大学公共政策与管理学院，陕西 西安710049)

陕西省经济发展与能源消耗关系密切，能源足迹是定量评价区域内能源消耗及经济可持续发展的重要方法。陕西省能源足迹动态变化与影响因素分析，可为经济可持续发展提供理论指导。以陕西省1999～2014年能源消耗数据为基础，采用能源足迹计算模型和STIRPAT模型，分析陕西省能源足迹动态变化与影响因素，结果表明：①陕西省能源足迹呈增加趋势，2007～2014年是能源足迹快速增加时期；能源足迹的增加明显高于能源足迹人均承载力，导致陕西省能源足迹长期处于赤字状态，且赤字逐步扩大，能源足迹生态压力加大，生态安全风险增大，自然生态系统处于严重不安全状态；②陕西省能源足迹中煤及煤制品的贡献最大，平均超过80%，降低煤及煤制品消耗能够有效降低能源足迹水平；③陕西省单位能源足迹产值呈增加趋势，而能源足迹强度呈下降趋势，表明陕西省能源集约利用效率在逐步提高；④陕西省能源足迹与第二产业占GDP的比重、人均GDP呈正相关关系。提高第三产业占GDP比重，减少煤及煤制品消耗量，均是陕西省降低能源足迹水平的有效途径。

能源足迹计算模型；STIRPAT模型；生态安全；陕西省

改革开放之后，中国经济得到了迅猛的发展。相对东部沿海地区经济发展而言，中西部地区的经济发展起步较晚。陕西省经济在过去30多年时间里得到了迅速发展，尤其是2000年之后，经济快速发展更为明显[1]。与经济发展过程相对应，陕西省乃至中国经济发展与能源消耗之间关系明显[2-3]，经济发展主要是能源消耗型[4-6]。

能源足迹(Energy Ecological Footprint，EEF)由生态足迹(Ecological Footprint，EF)衍生而来，用于定量分析区域内能源消耗及对生态环境产生的压力和区域经济发展的可持续性问题[7-8]。能源足迹通过将区域内能源消耗折算成生物生产性土地面积的方法进行分析。除能源足迹外，近年来，水足迹[9-10]、碳足迹[11-12]以及污染足迹[13]等生态足迹的衍生内容越来越多。总体来看，各种足迹研究均难脱离生态足迹的基本范畴[14-15]。陕西省能源足迹动态分析，有助于揭示陕西省能源消耗及评价经济可持续发展能力，是定量评价可持续发展的重要方法。

国内外关于能源足迹研究的内容较为丰富。研究尺度方面，从全球[16]、国家[17-19]、省域[20-22]、市域[23-24]尺度均进行了研究，结果均表明，改革开放之后随着经济的快速发展，能源消耗增大，能源足迹呈上升趋势。研究方法方面，传统能源足迹模型存在诸多问题[15,25]，在此基础上很多学者提出和应用改进的能源足迹模型，对不同区域尺度进行了分析，结果反映出改进能源足迹模型相对传统能源足迹模型计算结果要更为乐观[26-27]。此外，一些学者利用投入-产出模型对能源足迹进行了分析[28]。能源足迹研究在交通运输等国民生产部门的行业基本单元[29]与城市消费者个体等人类个体方面[11]以及新能源、清洁能源方面[30]有深入研究的趋势。

陕西省位于中国西北部，总土地面积20.56×104km2，地貌类型包括陕北黄土高原、关中平原和陕南秦巴山地三个部分。气候属温带大陆性季风气候，年平均气温为14.1℃，年降水量618.1 mm。1999～2014年是陕西省经济快速发展时期，能源消耗量持续增加，土地利用发生较大变化，对其能源足迹动态变化与影响因素分析，对于科学认识经济发展的能源消耗现状以及评估区域可持续发展，提高能源集约利用具有重要意义。

1 数据与方法

1.1 数据来源

研究使用数据主要来自陕西省统计年鉴(2000～2015年)[1]，主要包括1999～2014年陕西省能源消耗量、森林面积、人口数量、GDP、第二产业占GDP比重、单位工业增加值能耗量数据。

1.2 研究方法

1.2.1 能源足迹测度方法

1.2.1.1 能源足迹

能源足迹计算方法借助于生态足迹计算模型，生态足迹有关概念、假设等参见文献[31]。本文采用赵冠伟等[32]和张乐勤等[23]使用的计算公式,见式(1)。

(1)

式中：EEF为人均能源足迹，ghm2/人；i表示能源类型；Fi为第i种能源消耗量，kg标准煤；Ai为第i种能源的全球平均足迹，ghm2；P为人口数量。文中计算使用全球平均足迹，煤及煤制品为55 GJ·ghm-2，石油及石油制品为73 GJ·ghm-2，天然气为93 GJ·ghm-2。能源折算系数分别为1 t原煤=0.714 3 t标准煤，1 t原油=1.428 6 t标准煤和1 m3天然气=1.33 kg标准煤。热能转化标准为1kg标准煤热能=7 000 kcal，1 kcal=4.186 8 kJ。

1.2.1.2 能源足迹人均承载力

能源足迹人均承载力计算借鉴人均生态承载力计算方法，采用刘某承等[33]使用的计算公式，如式(2)所示。

PEEF=∑j=1Ai×rj×yj

(2)

式中：PEEF为能源足迹人均承载力，ghm2/人；Aj为第j种类型土地的人均面积，ghm2/人；rj为均衡因子；yj为产量因子。据张乐勤等[23]，均衡因子和产量因子分别取林地1.41和0.91。

1.2.1.3 能源足迹生态压力

能源足迹生态压力(Ecological Pressure Intensity of Energy Footprint，EPIEF)是人类消耗能源及废物排放与生态环境承载力的比值。比值越大，反映生态压力越大，生态安全风险越大，反之，则生态压力小，生态安全风险小，其计算公式见式(3)。

EPIEF=EEF/PEEF

(3)

式中：EPIEF为能源足迹生态压力；EEF为人均能源足迹，ghm2/人；PEEF为森林对能源足迹的人均承载力，ghm2/人。

1.2.1.4 能源足迹产值

能源足迹产值(Value of Energy Footprint, VEF)表示单位能源足迹产生的经济效益，值越大反映能源利用率高，经济发展良好，反之则较差。计算公式见式(4)。

VEF=PGDP/EEF

(4)

式中：VEF为能源足迹产值，元/ghm2；PGDP为人均GDP，元/人；EEF为人均能源足迹，ghm2/人。

1.2.1.5 能源足迹强度

能源足迹强度(Energy Footprint Intensity, EFI)表示万元GDP生产所需能源足迹，值越大反映能源集约利用程度较差；反之则较好。计算公式见式(5)。

EFI=EEF×P/GDP

(5)

式中：EFI为能源足迹强度，ghm2/万元；EEF为人均能源足迹，ghm2/人；P为人口数量。

1.2.2 影响因素分析

陕西省能源足迹影响因素分析采用STIRPAT模型。STIRPAT模型由Rose等对已有经济增长与资源环境关系IPAT模型改进而得到，其模型表达式见式(6)[34-35]。

I=aPbAcTdε

(6)

式中：I、P、A、T分别表示环境影响、人口数量、富裕程度和技术；a、b、c、d分别是系数，ε为模型残差项，见式7。

借鉴李琦等[36]构建的改进模型计算。

Q=KPaDbIcTd

(7)

式中：Q为人均能源足迹，ghm2/人；P为人口数，万人；D为经济发展水平，用人均GDP表示，元/人；I为产业结构状况，用第二产业占GDP的比重表示；T为能源利用技术，用单位工业增加值能耗表示，t/万元；K为常数；a、b、c和d为系数。

对式(7)两侧取对数，得到式(8)。

lnQ=lnK+alnP+blnD+clnI+dlnT

(8)

以lnQ为因变量，lnP、lnD、lnI和lnT为自变量，lnK为常数项，在对原始数据处理(取对数)基础上，进行多元线性回归拟合，分析陕西省1999～2014年能源足迹动态变化影响因素。

2 结果分析

2.1 能源足迹动态变化分析

利用陕西省1999～2014年能源消耗数据，根据式(1)计算得到1999～2014年陕西省人均能源足迹(图1)。

陕西省1999～2014年能源消耗量由2 544.20×104t标准煤增加到11 568.38×104t标准煤。由图1可知，1999～2014年，陕西省人均能源足迹由1999年的0.355 5 ghm2/人增加到2014年的1.516 5 ghm2/人，增加约4.26倍。1999～2000年由于煤品标准煤消耗量的减少，人均能源足迹呈微弱的减少；2001～2014年呈线性增加趋势。1999～2014年陕西省年平均人均能源足迹为0.890 3 ghm2/人，其中1999～2006年低于平均值，2007～2014年高于平均值，并且前者年平均能源足迹为0.531 0 ghm2/人，远低于2007～2014年的1.249 6 ghm2/人。以上分析表明，2007年是陕西省近15年经济发展的转折点，之后的能源消耗、人均能源足迹均呈快速的增加特征。

2.2 能源足迹生态压力分析

根据式(2)和式(3)，结合陕西省1999～2014年森林面积数据、人口数据及EEF值计算得到图2。

图1 能源消耗量及人均能源足迹(EEF)

图2 人均能源足迹供需及能源足迹生态压力变化

由图2可知，陕西省1999～2014年能源足迹生态压力(EPIEF)持续增加，2014年是1999年的2.59倍。1999～2014年，陕西省人均能源足迹(EEF)持续增加，由1999年的0.355 5 ghm2/人增加到2013年的1.516 5 ghm2/人，而能源足迹人均承载力(PEEF)仅由1999年的0.176 4 ghm2/人增加到2014年的0.290 0 ghm2/人，增加量及增加速率显著小于人均能源足迹。总体上，陕西省人均能源足迹长期处于赤字状态，赤字由1999年的0.179 1 ghm2/人扩大到2014年的1.226 5 ghm2/人，并且研究时段内人均能源足迹赤字呈明显的扩大趋势，供需矛盾突出。EPIEF由1999年的2.015 3扩大到2014年5.229 2，表明陕西省能源消耗对生态环境影响较大，生态安全风险很大，自然生态系统处于严重的不安全状态。

2.3 能源足迹结构分析

人均能源足迹计算过程涉及到各类能源足迹的计算，见式(1)。通过计算得到的各类能源人均能源足迹，可以得到陕西省1999～2014年人均能源足迹构成(图3)。

图3表明，陕西省1999～2014年，EEF(煤品)足迹在能源足迹中占主导地位，平均占比为80.61%，EEF(油品)次之，平均占比为15.25%，EEF(天然气)最低，为4.14%。煤及煤制品作为陕西省乃至中国的主要能源，在人均能源足迹中占有主导地位，降低能源足迹及生态安全风险，需要从降低能源结构中煤及煤制品比例出发。

2.4 能源足迹强度分析

根据公式(4)和(5)计算得到陕西省1999～2014年单位能源足迹产值(VEF)和能源足迹强度(EFI)，见图4。

图3 人均能源足迹构成

图4 人均GDP、VEF和EFI变化

图4可知，陕西省1999～2014年人均GDP呈指数增加趋势，由1999年的4 402元/人，增加到2014年的46 861元/人，增加10.65倍，其中2007～2014年增加速度高于1999～2006年。单位能源足迹产值(VEF)呈增加趋势，由1999年的12 383.60元/ghm2增加到2014年的30 900.07元/ghm2，增加2.50倍。VEF变化过程可以划分为1999～2006年的缓慢增加阶段和2007～2014年的快速增加阶段，前一阶段平均值为13 953.83元/ghm2，后一阶段为23 807.98元/ghm2，后一阶段是前一阶段的1.71倍，表明2007之后，陕西省单位能源足迹产值在迅速提高，也反映了2007～2014年是陕西省经济快速发展时期。与人均GDP、VEF变化过程相反，能源足迹强度(EFI)呈下降趋势，由1999年的0.807 5 ghm2/万元降低到2014年的0.323 6ghm2/万元，表明陕西省1999～2014年每万元GDP生产需要消耗的能源在降低，即能源集约利用程度在提高，间接表明陕西省经济发展过程中，对能源消耗的依赖在逐渐降低。反映在GDP结构上，表现为第三产业(能源消耗较小)的规模、产值持续增加，在GDP构成中所占比例也在增加。EFI变化过程可以划分为1999～2006年和2007～2014年两个阶段，前一阶段平均值为0.72 ghm2/万元，后一阶段为0.43 ghm2/万元，后一阶段是前一阶段的60.4%。

2.5 影响因素分析

利用STIRPAT模型，以陕西省1999～2014年能源足迹(Q)为因变量，人口(P)、人均GDP(D)、第二产业占GDP的比重(I)和单位工业增加值能耗(T)为自变量，先在Excel中对Q、P、D、I和T求自然对数，而后利用求出的结果在SPSS19.0中进行逐步回归拟合，得到回归拟合方程,见式(9)。

lnQ=-13.073+0.380lnD+2.351lnI

(9)

逐步回归拟合方程表明，能源足迹变化与人口(P)、单位工业增加值能耗(T)无相关性，P和T均未进入回归方程，反映出陕西省1999～2014年人口因素、单位工业增加值能耗变化并未引起能源足迹的变化。D、I进入回归方程，并且P<0.001，F=1129.016，回归方程显著，表明D、I与能源足迹相关性较强。通过拟合方程各变量系数可知，D、I的系数分别为0.380、2.351，表明能源足迹与第二产业占GDP的比重(I)关系最密切，其次是人均GDP(D)，并且均呈正相关关系。即第二产业占GDP比重增加、人均GDP增加，均会导致能源足迹的增加。

3 结论与讨论

以陕西省1999～2014年能源消耗数据为基础，利用能源足迹计算模型和STIRPAT模型，分析了陕西省能源足迹动态变化和影响因素，得到如下结论。

1)陕西省1999～2014年能源消耗量由2 544.20 t标准煤增加到11 568.38 t标准煤，人均能源足迹由0.355 5 ghm2/人增加到1.516 5 ghm2/人。2007～2014年是陕西省能源消耗量和人均能源足迹迅速增加的时期。

2)陕西省1999～2014年能源足迹人均承载力由0.176 4 ghm2/人增加到0.290 0 ghm2/人，明显低于能源足迹增加速率。陕西省能源足迹长期呈赤字状态且赤字水平逐步扩大，由0.179 1 ghm2/人扩大到1.226 5 ghm2/人，能源足迹生态压力较大，由2.015 3增加到5.229 2。陕西省生态安全风险很大，自然生态系统处于严重不安全状态。

3)陕西省能源足迹中煤及煤制品贡献最大，平均占80%以上，降低煤及煤制品消耗量，能够有效降低能源足迹水平，降低生态安全风险。

4)陕西省1999～2014年人均GDP持续增加，由4 402元/人增加到46 861元/人，单位能源足迹产值也呈持续增加态势，由12 383.60元/ghm2增加到 30 900.07元/ghm2，能源足迹强度呈下降趋势，由0.807 5 ghm2/万元降低到0.323 6 ghm2/万元，表明陕西省能源集约利用效率在逐步提高。

5)陕西省能源足迹与第二产业占GDP的比重、人均GDP呈正相关关系。即第二产业占GDP比重增加、人均GDP增加，均会导致能源足迹的增加。同时也表明缩减第二产业占GDP比重，提高人均GDP水平能够有效降低能源足迹水平，其中，发展第三产业，减少煤及煤制品消耗，均是降低能源足迹水平的有效途径。

传统能源足迹计算模型是一种悲观模型[26]，尤其是在能源足迹人均承载力计算过程中，仅考虑了森林的作用，而忽视了草地、水域、耕地等CO2吸收的作用。所以，本文计算过程中，陕西省1999～2014年的人均能源足迹赤字以及能源足迹生态压力值偏大。同时，就陕西省而言，统计年鉴中除森林面积外，还有林地面积统计，并且林地面积值要高于同期森林面积，如果使用林地面积计算能源足迹人均承载力，得到的人均能源足迹赤字和能源足迹生态压力值会有所减小，但总体趋势未发生变化。能源足迹模型计算仅能估算某一地区的能源足迹状况，随着计算模型的改进，得到的结果大相径庭，需要进一步从能源足迹产生过程、机理方面进行系统、深入研究。

[1] 陕西省统计局，国家统计局陕西调查总队.陕西统计年鉴(2000～2014年)[M].北京：中国统计出版社，2000～2015年.

[2] 吴敬锐，杨兆萍，阿依达·赛肯. 基于STIRPAT模型分析新疆能源足迹的影响因素[J]. 干旱区地理，2011，34(1): 187-193.

[3] 梅艳，何蓓蓓，刘友兆. 江苏省生态足迹与经济增长关系的计量分析[J]. 自然资源学报，2009，24(3): 476-482.

[4] 岳强，李志伟，王彤，等. 辽宁省人均能源足迹分解模型及实证分析[J]. 东北大学学报：自然科学版，2011，32(2): 288-291.

[5] 曲艳伟. 基于可计算一般均衡模型的中国能源生态足迹研究[D]. 阜新: 辽宁工程技术大学， 2012.

[6] 陈成忠，林振山. 中国生态足迹和生物承载力构成比例变化分析[J]. 地理学报，2009，64(12): 1523-1533.

[7] Chakraborty D, Roy, J. Energy and carbon footprint: numbers matter in low energy and low carbon choices[J]. Current Opinion in Environmental Sustainability, 2013, 5: 237-243.

[8] Stöglehner G. Ecological footprint-a tool for assessing sustainable energy supplies[J]. Journal of Cleaner Production, 2003, 11: 267-277.

[9] Lee Y J. land, carbon and water footprints in Taiwan[J]. Environmental impact assessment review, 2015, 54: 1-8.

[10] Elena G, Esther V. From water to energy: the virtual water content and water footprint of biofuel consumption in Spain[J]. Energy Policy, 2010, 38: 1345-1352.

[11] Hassard H A, Couch M H, Techa-erawan T, et al. Product carbon footprint and energy analysis of alternative coffee products in Japan[J]. Journal of Cleaner Production, 2014, 73: 310-321.

[12] Pekala L M, Tan R R, Foo D C Y, et al. Optimal energy planning models with carbon footprint constraints[J]. Applied Energy, 2010, 87: 1903-1910.

[13] 闵庆文，焦雯珺，成升魁. 污染足迹：一种基于生态系统服务的生态足迹[J]. 资源科学，2011，33(2): 195-200.

[14] 方恺. 足迹家族：概念、类型、理论框架与整合模式[J]. 生态学报，2015，35(6): 1647-1659.

[15] Wiedmann T, Barrett J. A review of the ecological footprint indicator-perceptions and methods[J]. Sustainability, 2010, 2: 1645-1693.

[16] 方恺，董德明，林卓，等. 基于全球净初级生产力的能源足迹计算方法[J]. 生态学报，2012，32(9): 2900-2909.

[17] Lammers A, Moles R, Walsh C, et al. Ireland’s footprint: a time series for 1983-2001[J]. Land Use Policy, 2008, 25: 53-58.

[18] Chen B, Chen G Q, Yang Z F, et al. Ecological footprint accounting for energy and resources in China[J]. Energy Policy, 2007, 35: 1599-1609.

[19] 陈成忠. 生态足迹模型的多尺度分析及其预测研究[D]. 南京: 南京师范大学，2008.

[20] 张乐勤，李荣富，荣慧芳，等. 安徽省近10年能源足迹测度及驱动因子分析[J]. 环境科学研究，2012，25(4): 474-480.

[21] 刘建兴，许肃. 福建省1990～2008年能源足迹强度及生态压力分析[J]. 中国矿业，2010，19(9): 21-24.

[22]ZhangY,ZhengH,FathBD.Analysisoftheenergymetabolismofurbansocioeconomicsectorsandtheassociatedcarbonfootprints:modeldevelopmentandacasestudyforBeijing[J].EnergyPolicy, 2014, 73: 540-551.

[23] 张乐勤，司友斌，荣慧芳，等. 池州市2000-2010年能源足迹动态测度与驱动因子分析[J]. 环境科学学报，2012，32(5): 1270-1280.

[24] 荆治国，周杰，詹涛，等. 调整特征参量的生态足迹新方法研究-以西安市为例[J]. 资源科学，2009，31(11): 1982-1987.

[25] 方恺，董德明，沈万斌. 生态足迹理论在能源消费评价中的缺陷与改进探讨[J]. 自然资源学报，2010，25(6): 1013-1021.

[26] 方恺，董德明，沈万斌. 基于净初级生产力的能源足迹模型及其与传统模型的比较分析[J]. 生态环境学报，2010，19(9): 2042-2047.

[27] 韩召迎，孟亚利，刘丽平，等. 基于区域土地利用变化的能源碳足迹改进算法及应用[J]. 农业工程学报，2012，28(9): 190-195.

[28]PenelaAC,VillasanteCS.Applyingphysicalinput-outputtablesofenergytoestimatetheenergyecologicalfootprint(EEF)ofGalicia(NWSpain) [J].EnergyPolicy, 2008, 36: 1148-1163.

[29]LarsonW,LiuF,YezerA.Energyfootprintofthecity:effectsofurbanlanduseandtransportationpolicies[J].JournalofUrbanEconomics, 2012, 72: 147-159.

[30]WuJianhua,HeChenglong,XuWeilin.Energyfootprintevaluationofhydropowerprojects[J].ScienceChina:TechnologicalSciences, 2013, 56(9): 2336-2342.

[31] 蔡运龙. 自然资源学[M]. 北京: 科学出版社,2007.

[32] 赵冠伟，杨木壮，陈建飞. 1990-2007年中国能源足迹时空差异分析[J]. 地理与地理信息科学，2011，27(2): 65-69.

[33] 刘某承，王斌，李文华. 基于生态足迹模型的中国未来发展情景分析[J]. 资源科学，2010，32(1): 163-170.

[34]ChertowMR.TheIPATequationanditsvariants:changingviewsoftechnologyandenvironmentalimpact[J].JournalofIndustrialEcology, 2000, 4(4): 13-30.

[35]YorkR,RoseEA,DietzT.Ariftinmodernity?AssessingtheanthropogenicsourcesofglobalclimatechangewiththeSTIRPATmodel[J].InternationalJournalofSociologyandSocialPolicy, 2003, 23(10): 31-51.

[36] 李琦，孙根年，韩亚芬. 中国能源足迹的区域差异及影响因素分析[J]. 统计与决策，2010(19): 111-113.

Dynamic change of energy ecological footprint and its influencing factors in Shaanxi province

WANG Tao1, 2, FENG Jie3

(1.College of Geomatics, Xi’an University of Science and Technology, Xi’an 710054, China; 2.College of Urban and Environmental Science, Northwest University, Xi’an 710127, China; 3.School of Public Policy and Administration, Xi’an Jiaotong University, Xi’an 710049, China)

Economic development has closely relationship with energy consumption in Shaanxi province, while energy ecological footprint (EEF) is an important method to quantitatively evaluate energy consumption and economic development sustainably. Analysis of dynamic change of EEF and influencing factors would provide theoretical guidance for sustainable economic development of Shaanxi province. Calculated model of EEF and STIRPAT model were used to analyze dynamic change of EEF and influencing factors on the basis of energy consumption data from 1999 to 2014 in Shaanxi province. Result showed: ① EEF showed an increasing trend and it was the rapid increase period during 2007-2014 year. The increase of EEF was higher than per person capacity of EEF, which leaded to deficit of EEF of Shaanxi province. With the deficit enlarging, the ecological pressure of EEF and the risk of ecological security were increase and the natural ecosystem was in a serious state of insecurity. ② Coal and coal products was the most contribution to EEF of Shaanxi province with more than 80% in an average from 1999 to 2014. EEF should be cut down by the reduction of consumption of coal and coal products. ③ The output of million GDP of per unit EEF showed increasing trend, while EEF intensity showed decrease trend, which all indicated that the efficiency of energy intensive use was gradually improved. ④ The correlation between EEF and ratio of the secondary industry in GDP, per capital GDP was positive. It is an effective way to reduce EEF by increasing the ratio of the third industry in GDP and cutting down the consumption of coal and coal products.

calculated model of energy ecological footprint; STIRPAT model; ecological security; Shaanxi province

2016-07-17

国家自然科学基金项目资助(编号：41671086)；国家重点研发计划项目资助(编号：2016YFC0501707)；黄土高原土壤侵蚀与旱地农业国家重点实验室开放基金项目资助(编号：A314021402-1616)

王涛(1984-)，男，河南汤阴人，博士，讲师，研究方向为区域环境变化，E-mail：wht432@163.com。

F301.24

A

1004-4051(2017)02-0083-05