浙江大湾区生态安全预警及障碍因子分析

李瑞发，崔旺来，司凌涵，鲍声望，杨帆

浙江海洋大学经济与管理学院，浙江 舟山 316022

生态安全是国家安全的重要组成部分（应凌霄等，2022），区域生态安全是构成国家生态安全的个体（王如松等，2007）。城市作为区域的核心（Shu et al.，2022），城市生态安全是区域生态安全的基础和核心（贾良清等，2004），也是城市永续发展的基石（苏小霞等，2022）。城市是由社会、经济、自然共同组成的复合生态系统（张中浩等，2022），其生态安全预警研究在生态安全研究领域具有典型性和代表性（柯小玲等，2020）。近年来，由于城市化的快速推进引起的城市人口密度剧增、用地结构失衡、生态空间蚕食问题已经影响到城市的可持续发展（王焰新，2022）。城市生态安全预警集中研究城市生态安全状态的逆向变化（即退回、恶化）的过程和规律，做出及时的警告和对策（邓淏丹等，2022）。如何全方位开展城市生态安全预警预报，提前发出生态警报、及时避免生态风险、防止生态环境恶化，使得城市生态安全预警研究具有非常强的现实需求和研究的紧迫性（Ke et al.，2021）。

生态安全预警是基于生态安全评价指标体系，对未来生态安全状况进行预测和提前对受威胁状态进行预警的方法（傅伯杰，1993；秦海旭等，2020；Jiao et al.，2023）。目前，国内外学者以耕地、湖泊等各类生态系统（柯小玲等，2021；苏迎庆等，2021；魏小衬等，2021；霍文敏等，2022；Zou et al.，2022；Du et al.，2023；苟露峰等，2023；Liu et al.，2023；Xiong et al.，2023）为研究对象，在指标选取（吴朋等，2016；马艳等，2018；Wang et al.，2021a；Wang et al.，2022a）、模型构建（高宇等，2015；冯琰玮等，2018；向文等，2018；陈林等，2019；金兰等，2019；Chen et al.，2020；Wang et al.，2021b；谭术魁等，2022；Sun et al.，2023）、预警方法（傅伯杰，1992；曹新向，2006；郑泽娜等，2013；易武英等，2017）等方面取得了一批重要研究成果（赵鹏宇等，2020），为区域生态保护决策提供支持。但现有研究中对湾区进行生态安全预警研究的成果几乎没有。且大都利用单一的社会经济统计数据进行研究，忽略了土地利用景观生态方面的影响，本文综合利用社会经济统计数据、土地利用遥感数据、景观格局指数等多元化指标，预警结果更为全面、系统、科学。此外，大多数研究停滞于对预警结果的阐释，而没有在此基础之上对其具体的障碍因子做进一步分析，导致所提对策缺乏理论依据，研究成果缺乏现实意义。

浙江大湾区作为中国城市化进程最为猛烈、过程最为剧烈的地区，多重国家级战略叠加联动，人地矛盾、用地方式与生态变化非常具有典型性（崔旺来等，2023）。浙江省第十五次党代会提出“要加快建设世界级大湾区”。伴随着浙江大湾区快速推进引起的城市大量人口迁入、土地利用结构失衡、生态空间不断被侵蚀等严重生态安全问题，生态安全预警研究有助于及时发现威胁生态安全的因素，并对未来生态安全发展趋势进行预测预警，做到“事前控制”（柯小玲等，2021）。本研究以浙江大湾区为例，基于DPSIR 模型构建生态安全评价指标体系，采用灰色模型从县域层面模拟预测浙江大湾区2025、2030、2035 年的生态安全状况，同时利用障碍度模型诊断制约浙江大湾区生态安全的障碍性因素，以期为湾区未来生态安全的调控和管理提供决策参考。

1 内容与方法

1.1 研究区域概况

浙江大湾区地处长三角南翼，界于119°03′—123°10′E，27°02′—31°11′N 之间（图1），包括杭州、湖州、嘉兴、绍兴、宁波、舟山、温州、台州8 个地市，共65 个县（市、区）。区域占地面积约为65 104 km2，地形复杂，地势自西向东呈阶梯状倾斜。属亚热带季风气候，气温适中，光照充足，雨量丰沛。浙江大湾区据有丰富的海港资源、发达的民营经济、灵活的体制机制等多重优势，不仅是浙江高质量发展的主要阵地，也是长三角乃至辐射东部地区发展的关键平台。截至2022 年底，浙江大湾区国内生产总值和常住人口数分别占浙江省的87.84%和81.77%。然而，经济的高速发展和人口的急剧增长给大湾区生态安全带来了严重的威胁。

1.2 数据来源及处理

2000、2005、2010、2015 和2020 年浙江大湾区土地利用类型数据（30 m×30 m）来自武汉大学遥感信息处理研究所公开数据集（http://doi.org/10.5281/zenodo.4417809）。2000、2005、2010、2015和2020 年植被归一化指数数据（30 m×30 m）来自国家生态科学数据中心（http://www.nesdc.org.cn/）。高程数据（30 m×30 m）来自地理空间数据云（https://www.gscloud.cn/），基于最新的 ASTER GDEM 30M 分辨率数字高程数据整理拼接而成。2000、2005、2010、2015 和2020 年经济社会统计数据来自《浙江统计年鉴》浙江各地市统计年鉴、浙江各县（市、区）国民经济和社会发展统计公报。

由于数据的类型和来源多样，本文将所有栅格数据都投影至GCS_WGS_1984 坐标系，并重采样为900 m×900 m 分辨率，最后通过分区统计工具分配到每个县区。对于统计数据本文从统计年鉴中进行搜集整理，并将其链接至研究区域的行政区划矢量图进行计算。

1.3 生态安全评价指标体系

湾区生态安全是湾区生态系统健康和稳定的整体反映（崔旺来等，2022），与湾区的自然条件、人类活动、生态景观等息息相关（胡志仁等，2018），评价湾区生态安全时应综合考虑上述因素，并按一定的逻辑关系进行研究（黄烈佳，2019）。DPSIR 模型将经济、社会、资源、环境等多种因素联系起来，为湾区生态安全评价提供了基本框架（Zhang et al.，2021）。具体而言，“驱动力”（D）是指对区域发展及生态环境变化的潜在影响，“压力”（P）是直接影响区域生态安全的资源和环境问题，“状态”（S）是指区域日常生产生活或向周边区域提供资源、服务的状态，“影响”（I）是指生态系统的各种变化对经济、社会、环境等方面的影响，“响应”（R）是指地方为应对生态问题、促进经济社会可持续发展而采取的积极行动。该模型揭示出经济发展等驱动力有效促进了区域资源的开发，但人口密度的增加及大量污染物的排放给生态系统带来了巨大压力，导致生态系统的状态也产生一定的变化，继而对景观格局、生态服务等方面产生影响，这些变化和影响迫使人类采取适当措施应对这些问题。因此，本文基于DPSIR 模型，在参考多方相关文献的指标构建（蔡文博等，2020；何晔宇等，2020；Wang et al.，2021c；Chen et al.，2022；Gao et al.，2022；孙传谆等，2023）和咨询专家意见的基础上，结合浙江大湾区的自然条件、人类活动和生态景观状况，选定21 个指标构建了浙江大湾区生态安全评价指标体系（表1）。指标分为正向指标和负向指标，正向指标与生态安全呈正相关，指标值越大表示生态安全状况越好；负向指标与生态安全呈负相关，指标值越大表示生态安全状况越差。

表1 浙江大湾区生态安全评价指标体系Table 1 Evaluation index system of ecological security in Zhejiang Greater Bay Area

指标体系中国民生产总值、人口密度、政府环保投资等表征人类活动对生态安全的影响。年平均气温、年降水量、坡度用以表示自然条件对生态安全的作用。在生态景观方面，植被归一化指数可衡量地区植被面积占有情况及植被资源丰富程度，生态系统服务价值是指人类从自然生态系统中直接或间接获得的惠益，生态系统弹性是生态系统吸收外来干扰并保持其原有状态的能力反映，生态系统服务价值和生态系统弹性基于土地利用类型计算而得，土地利用类型的判定依据是遥感影像，各系数的设定参照（Li et al.，2020；崔旺来等，2022）等研究。最大斑块指数用以确定景观中的优势斑块类型，香浓均匀度指数可比较不同景观或同一景观不同时期多样性变化，蔓延度指数表征不同斑块类型的团聚程度或延展趋势，上述景观格局指数是利用Fragstats 软件计算所得。计算公式如下：

式中：

YESV——生态系统服务价值；

YECO——生态系统弹性；

X1——耕地面积（m2）；

X2——林地面积（m2）；

X3——草地面积（m2）；

X4——水域面积（m2）；

X5——建筑用地面积（m2）；

X6——未利用地面积（m2）；

X7——总面积（m2）。

式中：

YLPI——最大斑块指数；

YSHEI——香浓均匀度指数；

YCONTAG——蔓延度指数；

amax——景观或某一种斑块类型中最大斑块的面积（m2）；

Pi——i类型斑块所占面积百分比；

gik——i类型斑块和k类型斑块毗邻的数目；

m——景观中斑块类型的总数目。

1.4 方法

1.4.1 生态安全评价方法

生态安全评价是基于自然、社会、经济等多方面因素的相互作用关系，对生态系统整体及影响区域生态安全的各个因素进行生态安全评估，从而为区域生态环境预警、决策提供科学的依据。

1）因指标涉及多个维度，无法直接进行比较与计算，本文采用最大差异标准化方法对数据进行标准化处理。

正向指标：

负向指标：

2）为使结果更为客观，本文采用熵值法确定指标权重。过程如下：

①计算指标信息熵Hj

②计算第j项指标的差异性系数Gj

③计算指标权重Wj

3）本文采用多层次加权综合指数法进行综合评价，评价过程通过ArcGIS 10.8 的叠加分析和计算完成。

式中：

YESEI——生态安全预警指数（值越大代表生态安全状况越好，即生态安全预警等级越低）；

Xj——指标j的标准值；

Wj——指标j的权重；

n——指标个数。

1.4.2 生态安全预警方法

灰色系统理论因其主要研究“小样本”“贫信息”的不确定性系统，可通过研究“已知”信息，认知“未知”信息，实现不确定系统的科学评价和预测，被广泛应用于资源环境、社会经济等领域（马艳等，2018）。灰色预测模型是小样本、信息量少的预测模型，因其计算过程相对比较简单、预测比较精确（余文波等，2018），被广泛应用于城市扩张（胡静等，2005）、人口预测（吴华安等，2018）、碳排放预测（Wang et al.，2022b）、土地利用模拟（孙仪阳等，2016）和生态环境评价（Qiu et al.，2021）等。因此，本文选用灰色模型进行生态安全预测，其基本思想是通过累积或减去离散的历史数据，生成一系列连续的、规则的数据序列，建立时间—目标序列的微分方程，继而利用数学方法计算模型参数，实现对目标的预测。建模步骤如下：

1）构建原始时间数据序列x(0)(i)。为减少原始数据的随机性和波动性，x(1)(m)由x(0)(i)累积所得。

式中：

i、m和n——时间序列。

2）计算x(1)(m)的邻域均值等效权重矩阵B和常数项向量Y。

3）得到模型的白化微分方程。

式中，t为时间序列。

4）由方程计算出参数a和u，并构建矩阵z。

式中，BT为B的转置矩阵。

5）将a和u代入方程，得到预测值累积序列的时间响应函数。

式中：

1.4.3 生态安全预警等级划分

目前，对生态安全预警等级划分还没有统一的标准。为使评估结果更具可比性，本文参考相关文献（崔旺来等，2022）和专家意见，基于浙江大湾区的生态安全预警指数，利用ArcGIS 软件中自然断点法将预警情况分为如下4 个等级（表2）。

表2 浙江大湾区生态安全预警等级的分级标准Table 2 Early warning grade standard for ecological security in Zhejiang Greater Bay Area

1.4.4 障碍度诊断模型

障碍度模型是识别影响区域生态安全主要障碍因子及其障碍程度的有效方法。障碍度表示指标对生态安全的障碍程度，取值范围为0—1，值越大代表该因子障碍程度越高，即对生态安全的负面作用越大（王冠孝等，2023）。精准甄别障碍因子可为区域生态安全预警提供针对性的决策依据。目前通常利用贡献度和偏差度来计算指标的障碍度，进而分析单个指标对生态安全的障碍影响。计算公式如下：

式中：

Ii——指标偏离度；

Dij——指标标准化值；

Wi——贡献度；

Pij——指标层各指标障碍度；

Qi——准则层障碍度。

2 结果及分析

2.1 生态安全评价结果分析

如图2 所示，2000、2005、2010、2015 和2020年生态安全预警指数的平均值分别为0.496、0.496、0.507、0.519 和0.518。时间上看，浙江大湾区的生态安全预警指数呈波动上升趋势，表明其生态安全状况在逐渐改善。但上升趋势并不稳定，且2000—2020 年浙江大湾区生态安全状况大多集中于“一般”与“差”的区间，表明浙江大湾区的整体生态安全水平仍有较大的提升空间。空间上看，浙江大湾区生态安全水平整体呈西高东低的格局。其中，生态安全状况较差的区域主要分布在湾区的东北部及南部地区，而西部地区的生态安全状况较好，处于“好”区间的安吉、淳安、余杭3 个县（市、区）均分布于此。

图2 浙江大湾区的生态安全状况变化Figure 2 Variation of ecological security in Zhejiang Greater Bay Area

2.2 生态安全预警结果

2.2.1 精确度验证

为保证预测结果的准确性，必须对模型的准确性进行评估。本文利用相对精度验证模型的精确度，将样本分为校准集和验证集，即利用2000、2005、2010、2015 年的数据建立模型，利用2020 年的数据验证模型，预测误差的统计结果如表3 所示。由表可知，预警模型的相对误差以0—3%为主，平均相对误差为1.91%。因此，该预警模型具有良好的精确度，可用于生态安全预警研究。

表3 预警模型的误差统计数据Table 3 Error statistics of early warning model

2.2.2 生态安全预警结果分析

如图3 所示，2025、2030 和2035 年生态安全预警指数的平均值分别为0.523、0.533 和0.545。其中，余杭、富阳、象山等43 个县（市、区）的生态安全预警指数一直上升，表明这些地区的生态安全状况稳定好转，未来一段时期要发挥现有优势，保障区域生态安全持续向好；北仑、南浔、文成等16个县（市、区）的生态安全预警指数呈波动变化状态，表明这些地区的生态安全状况变化不太稳定，应重视造成波动的障碍因素并予以解决，避免区域生态安全回落；海曙、南湖、嘉善等6 个县（市、区）的生态安全预警指数呈下降趋势，表明这些地区的生态安全状况在不断变差，必须加大生态保护力度，防止区域生态安全状况进一步恶化。

图3 浙江大湾区生态安全预警指数值的变化Figure 3 Changes in the value of ecological security early-warning index in Zhejiang Greater Bay Area

据浙江大湾区的生态安全预警等级分布图显示（图4），未来一段时期内，浙江大湾区生态安全状况的总体形势好转，但生态安全预警压力仍不可小觑。2025 年，只有余杭、淳安、安吉、萧山、富阳5 个县（市、区）为无预警，16 个县为严重预警，23 个县（市、区）为中度预警，21 个县（市、区）为轻度预警。与2025 年相比，2030 年无预警的县（市、区）数量将增加5 个，而有严重预警的县（市、区）数量将减少2 个。到2035 年，无预警、轻度预警、中度预警、严重预警的县（市、区）数分别为17、14、19、15 个。此外，可以看出浙江大湾区生态安全的预警等级分布与2000—2020 的评价结果是相吻合的。因此，浙江大湾区在发展规划时要把经济发展和生态保护协同推进，密切关注生态安全预警等级不降反升的区域，保障湾区的绿色高质量发展。

图4 浙江大湾区生态安全预警等级分布图Figure 4 Distribution of ecological security early warning levels in Zhejiang Greater Bay Area

2.3 生态安全障碍度分析

2.3.1 准则层障碍度

从图5 可知，各准则层对浙江大湾区生态安全的障碍度差距在逐渐缩小且整体上有所降低。响应、状态、驱动层的障碍度相对较高，其中，响应、驱动层障碍度从2000—2020 年处于持续下降的态势；状态层障碍度在2015 年以前缓慢上升，2015年达到最高值19.017%后开始呈下降趋势；压力、影响层障碍度相对较低，但是二者都表现有上升的趋势，尤其是压力层在2015 年后迅速增长，对此应当予以重视。

图5 准则层主要障碍因子障碍度Figure 5 Obstacle degree of main obstacle factor in the criteria layer

2.3.2 指标层障碍度

因指标层研究指标数量较多，本文选取障碍度排名前五的指标进行分析（表4）。时间上看，2000—2015 年障碍度排名前五的障碍因子包括R1（环保投资）、D4（城镇化率）、S4（生态系统服务价值）、R4（政府科技投入）、D1（国民生产总值）。其中，S4 的排名从2000 年的第三位上升至2005 年的第一位，且在后面十年中始终保持首位，其余障碍因子排名基本没有发生变化。到2020 年，S4、D4、R1 和D1 仍然是浙江大湾区生态安全的主要障碍因子，而R4 则大幅下降，相比之下，P1（人口密度）的排名迅速上升。

表4 指标层主要障碍因子障碍度Table 4 Obstacle degree of main obstacle factor in the index layer

2.3.3 重点区域障碍度

受文章篇幅影响，本文选取了生态安全预警中生态状况持续下降的6 个重点关注县区进行具体的障碍度测算。据表5 显示，滨江区的首要障碍因子是P1（人口密度），随着人口不断涌入市区，导致当地资源紧张及污染排放的生态问题愈发突出。其余5 个县区的首要障碍因子均为S4（生态系统服务价值），这表明快速的城市发展与急剧扩张的建设用地严重干扰了原有的景观格局，生态用地的面积被大幅度蚕食，生态系统向周边地区提供服务的水平不断降低。此外，6 个县区的首要障碍因子障碍度均高于研究区域整体的障碍度，这也表明影响这些县区的相关生态问题十分突出，亟需对症下药进行治理。

表5 重点区域的主要障碍因子障碍度Table 5 Obstacle degree of main obstacle factor in the key areas

3 结论

浙江大湾区具备独特的地理、资源和经济发展条件，对其进行生态安全预警研究具有非常强的现实需求和研究的紧迫性。本文基于DPSIR 模型，构建了浙江大湾区生态安全评价指标体系，对其2000、2005、2010、2015 和2020 年的生态安全状况进行综合评价，采用灰色预警模型从县域层面模拟预测浙江大湾区2025、2030、2035 年的生态安全状况，同时利用障碍度模型诊断制约浙江大湾区生态安全的障碍性因素。结果表明，1）2000—2020 年湾区的生态安全状况在逐步改善，平均生态安全预警指数从0.496 提升至0.518。但区域间存在差异，中西部地区生态安全状况较好，而东北部和南部地区生态状况不佳，应加强生态安全管理和监管。2）用灰色模型预测湾区2025—2035 年生态状况将不断提升，到2035 年，平均生态安全预警指数将从0.523 增加到0.545，将有47.7%的县（区、市）达到轻度预警及无预警状态。但生态安全形势依然严峻，部分地区的生态安全预警指数值呈波动和下降趋势，表明其生态环境存在不稳定甚至恶化的情况，必须加大生态保护力度，防止这些区域的生态状况进一步恶化。3）准则层障碍度方面障碍度差距在逐渐缩小且整体上有所降低，指标层障碍度方面制约大湾区生态安全的主要障碍因子包括R1（环保投资）、D4（城镇化率）、S4（生态系统服务价值）、R4（政府科技投入）、D1（国民生产总值）、P1（人口密度），应针对上述障碍因子采取针对性措施予以解决。综上所述，研究可为浙江大湾区未来生态安全的调控和管理提供决策参考，并为其他地区的生态安全研究提供借鉴。

4 讨论

4.1 研究的可靠性及局限性

浙江大湾区是长三角世界级城市群的“金南翼”，浙江省第十五次党代会明确提出要建设绿色智慧和谐美丽的世界级大湾区，该区域未来的生态安全状况是这一目标能否达成的关键阀门。本文避免了单一社会统计数据具有不确定性的弊端，综合利用社会统计数据、自然地理数据和景观格局指标等多种数据源对浙江大湾区生态安全进行预警研究，结果更为全面、准确。此外，本文预测平均相对误差为1.91%。与现有研究相比，预警结果能够更为准确的反映浙江大湾区生态安全的发展趋势。

然而，研究仍有部分待完善之处。首先，生态安全预警等级的划分尚没有权威的定量标准，这对研究结果有一定的影响，需尽快确立一套科学权威的划分标准。其次，灰色模型虽然基本满足了未来生态安全变化预测的需求，但是其更适用于短期或中期预测，对长期预测的适应性还有待进一步提高。再次，本文以县域为尺度开展生态安全预警，对于遥感数据利用ArcGIS 10.8 中的分区统计工具将其分配到县域尺度进行空间分析，无法进一步描述县域内不同地区的生态安全状况。最后，区域生态安全状况是复杂、动态的，受多因素共同作用的影响，在后续研究中，应逐步完善评价指标体系，利用多源、细化、长期的序列指标数据，构建一个科学、稳定、普适的生态安全预警机制。

4.2 生态安全状况的影响因素

2000—2020 年浙江大湾区的生态安全状况持续改善，且在未来一段时期内还将保持上升态势。这主要得益于湾区各地转变经济发展方式、加大生态保护投入等多种响应措施。但在空间上仍存在较大差异，湾区的东北部和南部地区存在较大的生态风险，这与前人研究基本一致（崔旺来等，2023）。温州、宁波等地生态安全状况较差主要是由于急速城市扩张导致的大量人口涌入和数量较多的工业污染物排放。各地市主城区生态安全预警指数较低也可反映出人口急剧增长和城市高强度发展所带来的生态压力和生境破碎化对生态安全有着很大影响。

指标体系中指标层障碍度较大的障碍因子包括R1（环保投资）、D4（城镇化率）、S4（生态系统服务价值）、R4（政府科技投入）、D1（国民生产总值）、P1（人口密度）。2000—2015 年障碍度较大的障碍因子排名基本稳定，只有S4 的障碍度排名有所提升，期间浙江大湾区处于快速发展阶段，大量的耕地、林地被建设用地所挤占，使得生态系统服务价值指数持续降低，对生态安全的负面影响持续增加。2020 年R4 的障碍度排名降低，这反映出随着政府科技投入的力度加大，其障碍作用逐渐降低，而近年来过量的城市人口需要消耗的资源及排放的污染物也更多，导致P1 的障碍度排名有所提升。

4.3 政策路径

浙江大湾区作为支撑浙江高质量、现代化的重大战略平台，必须要持之以恒推进绿色低碳发展，努力建设人与自然和谐共生的现代化先行示范区。首先，加强污染防治与生态保护。尤其是温州、宁波等工业分布数量较多的地区要坚决遏制高污染、高排放工业盲目发展，根除工业废水的无序排放问题，并从污染治理向生态修复、生物多样性保护升级，通过增加区域内绿化覆盖率，提高生态系统的质量和稳定性。其次，推动产业结构低碳调整。浙江大湾区要加大对数字经济、新材料等战略性新兴产业和未来产业的扶持力度，通过产业结构转型从根源上解决污染物，以科技创新促进生态环境质量有质的提升。再次，优化土地利用方式。浙江大湾区土地面积十分有限，快速的城市化发展占据了大量生态空间，应适当增加生态用地的比重，进一步提高生态系统服务的供给水平。最后，针对主要障碍因子精准发力。通过加大环保投资力度、通过疏通非必要社会功能控制人口聚集和城市扩张等措施解决这些关乎湾区生态安全的“堵点痛点”，扎实有效推进绿色美丽大湾区建设。