黄河流域城市生态福利绩效测算及驱动因素研究

董洁芳，张凯莉，屈学书，阮 征

（1.运城学院黄河文化生态研究院/文化旅游系，山西 运城 044000；2.西北大学城市与环境学院，陕西 西安 710127；3.陕西省地质科技中心，陕西 西安 710065）

伴随着城镇化快速发展，全球性和区域性的生态危机日趋严重，威胁人类福祉，阻碍城市可持续发展。城市发展目标应更加关注人类福祉的提升，即以更少的环境污染、资源消耗实现经济的健康发展[1]。生态福利绩效（EWP）是指单位自然消耗所带来的福祉水平提升，是单位生态消耗的福利产出效率。提高城市EWP 是实现城市可持续发展的有效抓手之一［2］。科学评价城市EWP 并探究其作用机制对实现城市生态保护与社会经济协调发展具有重要意义，目前已成为城市低碳发展中亟待解决的科学问题［3］。

国内外学者对EWP 的概念和内涵进行了深入持续的探究。1974 年Daly［3］首次提出EWP 概念及比值的测算方法，受到了学者们广泛关注。Daly 认为EWP 是社会福利价值量和生态资源消耗的实物量比值，反映单位资源投入所带来的社会福利提高程度。但由于比值中社会福利价值量在实践中难以量化和对比，所以EWP 的概念一直无法广泛应用［1］。1990 年，联合国“千年生态系统评估”报告［4］对人类福祉的概念进行了界定，发布了“人类发展指数”。人类发展指数是一个综合指数，从3个维度衡量一个国家的平均发展水平：卫生和医疗水平、受教育水平和收入水平。这一指数既包括基于国民所得的经济福利，又包括了基于社会选择的非经济福利。这种有限变量的做法便于计算和分析，从而使EWP 评价有了可靠的计量依据。2012 年，里约+20 会议指出EWP 可以通过生态投入与社会福利的脱钩程度来反映，在此基础上，EWP 研究得到进一步发展。综合而言，EWP是建立福利的价值量和生态资源消耗的实物量的比值关系，通过对其进行时序分析可以反映社会福利与生态资源消耗的脱钩程度，进而反映一个国家或地区将自然资本消耗转化为福祉的能力。

目前，基于EWP研究成果主要包含以下3个方面：一是评价EWP 的指标与方法。EWP 测度指标从以GDP为主逐渐演变为人类发展综合指数，EWP的评价指标逐渐完善［5-8］。EWP 的测度方法从研究初期的社会福利与生态足迹比值的简单方法［9-12］，到近年来的随机前沿（SFA）、包络分析（DEA）方法［13-15］，以及基于松弛变量的超效率DEA 模型，使得EWP 测算精度越来越高［5］。如龙亮军［14］基于DEA方法构建城市EWP评价指标体系，并测算了中国35个主要城市2011—2015年的EWP。但现有评价指标多以经济因素为主，对于生态环境因素考虑不足。二是评价EWP 的尺度以国家和省际为主。Jorgenson 等［16］研究了1970—2010 年106 个国家的经济发展对人类福祉的影响；方时姣等［17］研究了中国2005—2016 年30 个省份EWP 水平及其空间效应；徐昱东等［10］同样对中国30 个省份EWP 进行研究。但在城市尺度方面，研究成果相对缺乏。仅有龙亮军等［18］利用超效率DEA 模型对上海市EWP 水平进行综合测评，具体到黄河流域城市尺度的研究鲜见。三是探究EWP 的驱动机制。多数研究只刻画EWP 的时空变化特征和分异格局［10,19-20］等，仅有少数成果开展了影响因素［1,12,21］、空间收敛性［22］的研究。如李成宇等［1］运用空间自相关方法和空间误差模型对中国省际EWP 的空间分布特征及影响因素进行检验。冯吉芳等［12］采用对数平均迪氏分解法（LMDI）剖析省市EWP的影响因素。陈少炜等［23］使用空间计量模型对黄河流域9 个省份EWP 的影响因素进行检验。但已有文献未充分考虑各因子对EWP影响的空间非均质性和时间滞后效应。

鉴于此，本文尝试做以下3个方面拓展：（1）利用人类发展指数表征城市社会福利水平，综合考虑生态资源投入，构建多产出目标的城市EWP评价指标体系；（2）将非期望产出纳入超效率SBM模型，测算黄河流域59个城市EWP；（3）基于2006—2019年面板数据，运用时空地理加权回归（GTWR）模型，分析EWP影响因子的时空异质性。

1 研究区概况

黄河发源于青藏高原，流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南、山东9个省区，流域面积达75×104km2，是我国重要生态功能区和经济地带［24］。由于气候变化和人类活动的影响，黄河流域生态系统退化［25］、水源涵养功能下降、水土流失严重、生态流量偏低［26］等环境问题日益凸显。城市作为经济发展和生态治理保护的载体，是促进流域绿色协调发展的核心推动力［27］。因此，本文将地级城市作为研究单元，探索城市生态保护与高质量发展协调推进路径。借鉴已有文献［24,26］，结合黄河水利委员会公布的流域范围，综合考虑数据可得性，最终选取59个地级及以上城市（图1）为研究对象。

图1 研究区示意图Fig.1 Schematic diagram of the study area

2 数据与方法

2.1 数据来源与处理

PM2.5数据来源于达尔豪斯大学大气成分分析组（Atmospheric Composition Analysis Group at Dalhousie University）（数据编号V4.GL.02）；生境质量年均值数据来源于国家科技基础条件平台——国家地球系统科学数据中心（http://www.geodata.cn）；其余数据均来自2007—2020年《中国城市统计年鉴》、水资源公报等，缺失数据利用内插法和外推法得出。以研究区地图数据为基础，利用ArcGIS 10.8软件对遥感栅格原始数据进行投影、裁剪和分区统计等操作［28］，构建包含统计年鉴和遥感影像数据的多源数据集。

2.2 城市EWP测度方法

2.2.1 测算指标选取 参考已有文献［29-30］，综合科学性、系统性与可操作的原则，构建指标体系准则层，基于数据可获得性确定指标变量。（1）准则层的构建。投入准则层包含资源型投入与非资源型投入。资源型投入以能源、水资源、土地资源为主，非资源型投入主要包含资本、劳动力。产出准则层通常分为期望产出和非期望产出。期望产出主要包含经济、教育和健康3 个维度，非期望产出则为废水、废气、废渣等。（2）指标变量的确定。按照准则层的含义，确定具体指标。其中，投入指标包含5项，产出指标包含9 项。综上，城市EWP 测算指标体系如表1所示。

表1 城市生态福利绩效（EWP）测算指标体系Tab.1 Calculating index system for urban EWP

2.2.2 超效率SBM-DEA模型为了对处于前沿面的决策单元进一步对比评价，参考已有文献［31］，本文选取基于非径向非角度的产出导向超效率SBM模型，对黄河流域59 个城市EWP 进行测度。假设有n个决策单元的生产系统，每个决策单元由投入、期望产出和非期望产出3 个投入产出向量构成，使用m单位投入产生r1的期望产出和r2的非期望产出，模型［32］构建为：

2.3 城市EWP驱动因素分析方法

2.3.1 驱动因素指标选取城市EWP受到多种因素共同作用，考虑黄河流域区域特征，本文综合考察自然、社会、经济3 类因素对城市EWP 的影响。具体代理变量及测度方法如表2所示。

表2 城市EWP影响因素指标Tab.2 Indicators of influencing factors of urban EWP

2.3.2 全局空间自相关构建泰森多边形，采用全局自相关模型探究黄河流域59个城市EWP的空间分布，以判断其在空间上是否存在集聚性。本文采用全局Moran’sI指数，计算公式如下：

式中：xi、xj分别为地理单元的EWP；n为城市单元个数；Wij为空间权重，采用Rook 邻接标准定义；xˉ为所有城市单元EWP 的均值。Moran’sI的取值范围在-1 和1 之间，越接近于1，空间正相关性越强；越接近于-1，空间负相关性越强。统计检验采用Z检验和P检验。

2.3.3 局域空间自相关局域空间自相关用来度量局部空间单元相对于整体研究范围空间自相关的影响程度［32］，本文采用局部Moran’sI指数，计算公式如下：

式中：xi、xj分别为地理单元i、j的EWP；xˉ为所有城市单元EWP的平均值；n为城市单元个数；Wij为空间权重，采用Rook邻接标准定义；m为城市单元i相邻的多边形个数。

2.3.4GTWR模型GTWR模型是一种空间分析技术，其加入了空间和时间维度，既能考察自变量间是否存在空间自相关性［33］，也能解决时间特征问题，为处理“时-空”的非平稳性提供了分析基础，更符合客观实际［34-35］，更有利于探索时空变异特征和空间规律［36］。其模型表示如下：

其次，这两种思维差异还体现在对动词种类的使用以及其语态上。正是英语中“以物为主”和汉语中“以人为主”的特点决定了两种语言在谓语动词方面的选择。英语中最具标志性的表达形式之一就是常用“有灵动词”(animate verb)充当谓语，如bring,drive,find,offer等等，不胜枚举。而另一重要突出标志则体现在语态上，英语中经常会使用大量的被动语态，如下例：

式中：ui、vi、ti分别为第i个观测点的纬度、经度、观测点所处的时序；uj、vj、tj为j个观测点的纬度、经度、观测点所处的时序；δ为空间带宽参数与时空带宽参数的比值；μ为时间带宽参数与时空带宽参数的比值。

3 结果与分析

3.1 城市EWP测度结果

选择超效率SBM 模型对黄河流域59 个城市2006—2019 年EWP 进行测算。限于篇幅只呈现城市EWP 均值及增长率排名前5 位和后5 位城市（表3）。分析发现：2006—2019年，城市EWP整体偏低，其均值为0.803，说明黄河流域城市经济发展与生态环境协调程度较差，尚存在19.7%的提升空间。从均值来看，排名前5 位城市依次是定西市、陇南市、天水市、庆阳市和榆林市；排名后5位的城市依次是铜川市、阳泉市、大同市、兰州市和西宁市。结合地理区位可以发现，EWP均值较高及较低城市均多位于黄河上游及中游。从年均增长率来看，增长速度最快的5 个城市分别是宝鸡市、济南市、太原市、西安市和乌海市，其中宝鸡市EWP 年均增速高达12.81%。说明2006—2019 年，这些城市EWP 得到显著改善。相反，增速最低的5 个城市依次为陇南市、石嘴山市、运城市、固原市和铜川市，其年均增速均小于0，铜川市年均增速低至-9.02%。

表3 2006—2019年黄河流域城市EWPTab.3 Urban EWP of Yellow River Basin during 2006—2019

3.2 城市EWP空间相关性分析

黄河流域城市EWP整体水平较低，且地区差异明显。为深入刻画黄河流域城市EWP 的空间相关性，本文基于ArcGIS 10.8软件进行全局自相关分析（表4）。除2011年和2014年外，其余年份Moran’sI指数均通过0.05水平显著性检验，这表明黄河流域城市EWP 均呈现明显空间正相关，空间效应显著，即一个城市EWP会受到周边城市EWP的影响。

表4 黄河流域城市EWP全局Moran’s I指数Tab.4 Global Moran’s I of urban EWP of Yellow River Basin

为识别城市EWP 典型集聚类型，选取2006 年和2019 年进行局部空间自相关分析（图2），结果均通过0.05 水平的显著性检验。这表明黄河流域城市EWP存在显著局部集聚特征。分析发现，处于空间正相关的城市由2006 年18 个下降到2019 年4个。从集聚类型来看，低-低型城市由2006年15个减少为2019 年2 个。高-高型城市数量由2006 年3个下降到2019年的2个，这表明黄河流域城市EWP局部集聚特征明显减弱。

3.3 城市EWP空间差异驱动因素分析

3.3.1 传统回归模型估计结果 为探究各因素对黄河流域城市EWP的全局影响，首先基于普通最小二乘法（OLS）估计各因素的显著性水平及其他特性［38］。由表5 可见，各因素的方差膨胀因子（VIF）均小于7.5，表明因素选取合理，不存在多重共线性问题。

表5 OLS模型估计结果Tab.5 Estimated results of OLS model

由表5 可知，在5%及以下显著性水平条件下，共有6 个因子对EWP 有重要影响。其重要程度由大到小依次为教育发展水平（X4）、金融发展水平（X7）、降水量（X1）、人口密度（X3）、产业结构水平（X8）、经济强度（X5）。其中，金融发展水平（X7）、人口密度（X3）、产业结构水平（X8）、经济强度（X5）4 个因素系数为负；降水量（X1）、教育发展水平（X4）系数为正。Koenker（BP）统计量非常显著，说明建模方程不稳定，影响因素可能存在空间异质性问题（表6）。换言之，OLS模型仅考虑回归系数的全局特征，不能有效解决空间位置和时间效应引起的城市EWP 变化问题，因此有必要引入空间计量模型，以更好探究其局部系数特征。考虑模型效度，选取降水量（X1）、人口密度（X3）、教育发展水平（X4）、经济强度（X5）、金融发展水平（X7）及产业结构水平（X8）6个因子进入GTWR模型中。

表6 OLS模型参数Tab.6 Parameters of OLS model

3.3.2GTWR模型估计结果基于上文分析，采用GTWR模型，以各城市的投影坐标确定空间位置，以固定高斯函数为空间权属函数（bi-square），以AICc法确定最优带宽，进行估计。根据已有研究[29-30]观点，AICc 越小越好，若GTWR 拟合结果中AICc 与OLS 拟合结果中AICc 的差值大于3，说明GTWR 比OLS拟合结果更理想，应用性更好[35]。对比表6和表7可知，GTWR模型优于OLS模型。

表7 GTWR模型参数Tab.7 Parameters of GTWR model

3.3.3 城市EWP影响因素分析为更加直观地刻画各驱动因素对城市EWP的局部效应，本文采用自然断点法，将2006 年和2019 年的各因子系数进行可视化表达（图3、图4），结合表8 回归系数及可视化结果，分析各因素对黄河流域城市EWP的空间异质性影响。

图3 2006年黄河流域城市EWP各影响因素回归系数估计的空间分布Fig.3 Spatial distributions of regression coefficients of urban EWP of Yellow River Basin in 2006

图4 2019年黄河流域城市EWP各影响因素回归系数估计的空间分布Fig.4 Spatial distributions of regression coefficients of urban EWP of Yellow River Basin in 2019

（1）自然因素对城市EWP 的影响。降水量促进城市EWP 的提升，其回归系数为0.122。这表明降水量的增加会促进城市EWP 的提高。从空间关系来看，降水量对城市EWP 的影响程度存在“西高东低”的特征，其中以甘肃、宁夏、青海等省份的城市影响最大。结合图3a、图4a 可知，降水回归系数正值区域在2006年主要集中在黄河上中游，而负值区域主要聚集在黄河下游地区。2019 年降水量正值区域面积进一步扩大，但依然以上中游地区为主。黄河流域上中游城市均处于干旱、半干旱地区，降水量是影响植被生长的关键因素。因此，降水量对城市EWP 的正向促进作用在上中游区域更为显著。

（2）社会因素对城市EWP 的影响。社会因素包含人口密度和教育发展水平。从人口密度来看，其对城市EWP 主要为负向影响。2006 年人口密度对城市EWP 的抑制作用呈现自西向东逐渐递减的趋势（图3b）。负向影响最为显著的区域主要集中在甘肃、宁夏2 个省份。2019 年人口密度对城市EWP的影响方向出现分化，在流域上游及下游区域人口密度影响方向为正，而在流域中游影响方向为负（图4b）。从教育发展水平来看，其与城市EWP主要呈正相关。2006 年教育发展水平影响最显著的区域主要集中在甘肃省南部及陕西省关中地区（图3c）；2019 年则以黄河中下游地区为主，如郑州市、开封市、南阳市等（图4c）。这可能与中下游地区的城市教育配套体系和制度健全，使得教育经费产出效率提高有关。

（3）经济因素对城市EWP 的影响。经济因素包含经济强度、金融发展水平与产业结构水平。综合来看，经济强度和金融发展水平制约了城市EWP的提升。2006 年经济强度制约作用显著的城市包括陇南市、定西市、天水市、兰州市、白银市5 个城市，金融发展水平制约作用显著的城市为西宁市、武威市、乌兰察布市及巴彦淖尔市（图3d～e）；2019年经济强度制约作用减弱，而金融发展水平的制约作用进一步增强（图4d～e）。与经济强度和金融发展水平相反，产业结构水平对城市EWP具有正向促进作用。这表明产业结构水平越高，城市EWP 越高。2006年产业结构水平影响高值区域以西宁市、武威市、三门峡市、南阳市等城市最为凸显（图3f）；2019年高值区域以南阳市、平顶山市、洛阳市、郑州市等城市较为显著（图4f）。

4 讨论

（1）关于黄河流域城市EWP 水平的测度。已有研究［17,21］在构建指标体系的过程中，对于生态维度考虑不足。在借鉴已有研究［2,9］基础上，构建了反映EWP 的多目标评价指标体系，如生境质量年均值、PM2.5等。在非期望产出中，纳入遥感数据PM2.5作为废气污染评价指标，既拓展了非期望产出指标内涵，也尝试了使用遥感数据作为研究城市EWP的数据源。研究发现PM2.5对EWP 水平影响显著。另外，在产出指标中，增加了代表生态系统服务水平的人均绿地面积指标。虽然生态系统服务与城市生态福祉的融合需进一步加强，但纳入人均绿地面积等指标是一种有益尝试，为科学测度城市EWP水平提供新的研究思路。

（2）关于城市EWP的空间分异。目前对全国［21］、区域［17］、省际［10,22］和城市［14,29］等不同城市空间尺度的研究结果表明，城市EWP的演变在多重空间尺度下存在差异。本研究的不同之处在于聚焦自然禀赋、生态本底、经济发展水平等差异较大的黄河流域，利用空间探索方法剖析黄河流域城市EWP 的空间异质性，这与许多已有研究［12,18］不考虑空间相关性，假定城市EWP 随机分布不同。空间探索性分析为建立恰当的城市EWP 影响因素计量模型提供必要前提，较仅考虑其时间序列变化的因素分解模型［12］、多元回归模型［15］更能全面反映城市EWP 演变驱动机制。

（3）关于城市EWP 影响因素。当前研究中，对城市EWP影响因素研究主要考虑经济、社会等人文因素，对气温、降水等自然因素考虑较少［20］。而本研究发现，降水量对黄河流域城市EWP呈现显著正向影响，尤其是甘肃、宁夏、青海等省份的城市更为显著。进一步研究发现，不同因素对不同城市影响程度存在明显差异，但经济强度和人口密度对城市EWP 具有明显抑制作用，这与已有研究［14,23］相互印证。

当然，研究还存在一定提升空间。（1）研究尺度问题。由于数据可得性，本文选取地级市尺度测度EWP 并探究其影响因素，尚未从县域尺度进行研究。这对有效识别县域尺度EWP 的影响机制有一定影响，这将是下一步研究重点考虑的内容。（2）指标体系问题。由于生态系统为人类福祉的基础，本文借鉴已有研究［1,17］广泛采用的指标体系，虽将产出“人均绿地面积”等纳入指标体系，但如何将生态系统服务更科学地纳入城市EWP测算，也是进一步研究需要解决的问题。

5 结论

本文构建城市EWP投入与产出指标体系，采用非期望产出的超效率SBM模型，测算黄河流域59个城市2006—2019年的EWP，在分析其时空演化特征的基础上，利用GTWR 模型探究自然、社会和经济等因素对城市EWP的影响程度，主要结论如下：

（1）黄河流域城市EWP 总体水平较低。研究期内，其均值为0.803，存在19.7%的提升空间。结合地理区位可以发现，EWP均值较高及较低城市主要位于黄河流域中上游区域。下游城市EWP 差距相对较小。28.8%的城市EWP值在研究期内出现下降，说明黄河流域城市经济增长与生态环境需要更好地协调发展。

（2）黄河流域城市EWP 存在显著正向空间自相关和局部自相关，高-高型城市主要分布在人口密度较低的上游地区；低-低型多为黄河中下游经济发展较快、人口相对集中的城市。同时，城市EWP局部空间集聚呈收敛状态，意味着城市化EWP在整体提升的同时，其空间差异在逐步缩小。

（3）降水量、人口密度、教育发展水平、经济强度、金融发展水平及产业结构水平等因素对城市EWP 均有显著影响，且存在明显的空间差异。其中，降水量、教育发展水平和产业结构水平对城市EWP 的提升具有显著正向促进作用；人口密度、经济强度及金融发展水平对城市EWP 的改善具有明显负向抑制作用。在所有影响因素中，降水量、教育发展水平和人口密度对城市EWP的边际效应较大。