图1 “五位一体”总体布局与城市宜居性评价适配性机制
Fig. 1 Diagram of the "Five-in-One" general layout and the adaptability mechanism of urban livability evaluation
北京大学学报(自然科学版) 第60卷 第2期 2024年3月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 60, No. 2 (Mar. 2024)
doi: 10.13209/j.0479-8023.2023.052
收稿日期: 2023–02–23;
修回日期: 2023–06–09
摘要 以陕西省为例, 基于“五位一体”总体布局, 使用熵权 TOPSIS 法对 10 个地级市的城市宜居性进行评价与分析, 并运用主成分析法对区域内城市宜居性提升的关键驱动力进行研究。结果表明, 陕西省西安市的城市宜居性较高, 且与其他城市存在较大的差异, 但总体上各城市宜居性仍有较大的提升空间; 商洛、安康和铜川的城市宜居性一直处于较低水平。陕西省城市宜居性提升的驱动力在不同时段存在一定的差异。2011—2015 年的关键驱动力为政治、经济和社会因素, 关键驱动因子为公共服务水平、经济发展水平、基层政治服务水平、资源供给水平和产业结构优化水平。2016—2020 年的关键驱动力转变为经济、文化、社会和生态文明因素, 关键驱动因子为通信文化交流环境、公共服务水平、水土流失治理水平、共同富裕水平、污水治理效率和对外开放水平。公共服务水平驱动因子在两个不同的时期对城市宜居性的提升均发挥着重要的促进作用。
关键词 陕西省; 城市宜居性提升; 驱动力; 熵权 TOPSIS 法; 主成分分析法
2012 年, “十八大”首次提出“五位一体”总体布局, 即全面推进经济建设、政治建设、文化建设、社会建设和生态文明建设[1], 该理念广泛运用于城市建设、城市发展和城市质量等方面的评估与研究中, 对区域全面发展进步具有深刻的指导意义, 众多学者也在探究区域全面发展问题的过程中融入该理念[1–5]。
作为国家生态安全战略格局的重要组成部分, 陕西省是贯彻落实黄河流域生态保护和高质量发展战略的重要区域[6–7]。陕西省境内土质疏松、风沙较大, 气候相对干旱, 存在较严重的水土流失现象, 生态环境呈现明显的脆弱性, 成为制约其发展进步的障碍。由于陕西省不具备先天自然环境的优势, 因此只能通过不断加强城市建设来改善城市环境, 进而提升城市宜居性, 吸引更多的人才, 达到促进区域社会经济持续健康发展的根本目的。此外, 陕西省是我国西北地区大省, 南北跨度较大, 自然环境差异大, 具有典型性, 因此探究陕西省城市宜居性的现实状况并分析其提升的关键驱动力, 可以为西北城市环境的不断改善以及社会经济的全面发展提供借鉴, 同时对识别该区域城市发展存在的问题, 进而优化城市发展路径, 均有重要参考作用。
在上述背景下, 本文将基于“五位一体”总体布局理念, 从城市建设的角度出发, 对陕西省城市宜居性提升问题进行深入的研究。选取 2011—2020年陕西省 10 个地级市相关数据, 对陕西省城市环境宜居性进行测度与评价, 了解其时空变化趋势, 在此基础上分析不同时段城市宜居性提升的关键驱动力。在对城市宜居性进行分析评价的基础上, 从宏观与微观两个层面探究其关键驱动力, 既可以反映“五位一体”总体布局下陕西省的城市建设水平与城市宜居性现状, 同时可以体现城市建设对城市环境宜居性改善的效应。
当前关于城市宜居性的研究可以概括为 3 个方面。1)对城市环境宜居性进行测度与评价, 并分析不同区域城市宜居性的时空演化规律[7–14]。宋永永等[7]分析了黄土高原生态环境响应格局。姚晓婧等[10]基于多源数据, 对中新天津生态城的宜居性进行研究。袁子峰等[11]以云南省临沧市为例, 对欠发达山地城市人居环境适宜性进行综合评价。冯琰玮等[12]对内蒙古自治区人居环境适宜性进行综合评估。2)探究单因素力量对城市宜居性的影响[15–19]。王毅等[15]以中国 40 个大中城市为例, 分析经济发展对城市宜居性的影响。许婧雪等[16]研究杭州城市人口密度对人居环境的影响。王晓学等[17]分析了土地利用时空变化对宁夏盐池县沙区人居环境的影响。3)分析城市宜居性提升的驱动因素[20–25]。邓茜月等[21]以四川省为例, 分析农村人居环境质量提升的驱动因素。邵海琴等[22]分析了长江中游城市群人居环境空间关联网络结构的驱动因素。
在对城市环境宜居性的评价方面, 不同学者采用的指标存在一定的差异。袁子峰等[11]从地形、生态、文化和经济 4 个维度构建云南省山地城市临沧的人居环境适宜性评价体系。冯琰玮等[12]从自然与人文两个方面构建人居环境适宜性评价指标体系。李伯华等[13]从地形、气候、植被、水文、交通和 GDP 这 6 个维度出发, 构建汾河流域的人居环境评价体系。邓玲等[26]基于共享发展理念, 构建南京市城市人居环境发展质量体系。李陈[27]从居住条件、城市环境质量和基础设施与公共服务 3 个层面入手, 构建我国 36 个中心城市的人居环境评价指标体系。董锁成等[28]从人文环境、经济环境、社会环境和生态环境 4 个方面, 构建山东半岛城市群人居环境质量的综合评价体系。可以看出, 在构建城市宜居性综合评价指标体系的过程中虽然存在一定的差异, 但均涉及社会与生态两个层面, 也大多强调自然因素的影响。
陕西省境内自然环境对城市宜居性的影响较小, 随着城市建设的不断加强, 自然因素的影响程度还将大幅降低, 而城市建设中的人为因素对城市环境改善的作用愈发明显。本文结合陕西省的实际情况, 强化人为因素在城市环境宜居性改善中的重要性, 从城市建设出发构建城市宜居性综合评价指标体系。
政治、经济、文化、社会和生态文明是城市宜居性的重要组成部分, 共同构成城市发展的多维格局。以往的研究成果在一定程度上也说明, “五位一体”总体布局与城市宜居性评价具有一定的适配性。据此, 本文提出“五位一体”总体布局与城市宜居性评价适配性机制(图 1)。
本文选择陕西省西安、铜川、宝鸡、咸阳、渭南、延安、汉中、榆林、安康和商洛共 10 个地级市为研究对象, 研究区域如图 2 所示。
图1 “五位一体”总体布局与城市宜居性评价适配性机制
Fig. 1 Diagram of the "Five-in-One" general layout and the adaptability mechanism of urban livability evaluation
10 个地级市 2011—2020 年的相关数据来源于《陕西省统计年鉴》《中国城市统计年鉴》以及各地级市统计年鉴。考虑到数据的可得性和可操作性, 本文从政治建设、经济建设、文化建设、社会建设和生态文明建设 5 个视角出发, 基于 5 个宏观驱动因子和 20 个微观驱动因子, 构建陕西省城市宜居性的综合评价指标体系, 探究宜居性提升的关键驱动力, 其中各指标的权重通过熵权法计算[1,28–29]得到, “五位一体”总体布局下城市宜居性评价的各子系统和各指标的影响各异, 同一个指标在不同时段的影响程度也有差异, 因此需要客观地测算指标权重。熵权法是一种可应用于多对象、多指标评价指标体系的客观赋权法, 在指标较多、数据统计量较大时也较易算出权重, 同时计算精度高[1]。因此, 本文借助熵权法计算各指标权重, 各项指标及其权重如表 1 所示。
从表 1 可以看出, 本文构建的指标体系充分体现了陕西省城市的特色, 其中指标视角, 即“五位一体”总布局下的理论内涵, 是本文的理论基础, 指标成分则是在理论基础上进行划分的, 为下一步主成分分析奠定基础。政治建设方面, 陕西省城市行政区划比较分散, 因此地区基层政治服务水平与财政支持状况对城市宜居性影响较为深刻。经济建设方面, 由于地理环境的限制, 该地区工业和服务业发展相对缓慢, 使得经济产业结构比较单一。并且, 该地区基础设施相对薄弱, 交通相对不便, 市场相对闭塞, 在一定程度上制约了经济发展, 因此经济发展水平、产业结构优化水平和对外开放水平对地区发展影响较大。陕西省各区域的经济社会发展存在一定的差异, 而共同富裕对于其可持续发展影响深远, 因此纳入共同富裕水平指标具有重要意义。文化建设方面, 陕西省深处内陆, 优化通信交流环境很有必要性, 并且加强文化承载力也格外重要, 此外文化观念的差异也会影响消费观念, 故将居民消费观念纳入宜居性评价指标。社会建设方面, 陕西省人口密度整体较低, 差异化发展特征明显, 因此采用城市交通环境、医疗卫生服务水平、资源供给水平、公共服务水平和就业工作环境 5 个指标来反映陕西省社会建设方面的特征。生态文明建设方面, 陕西省地区生态环境相对脆弱, 因此从污染治理层面纳入固体废弃物治理效率、污水治理效率、大气环境改善水平和城市卫生环境指标, 从生态状况层面纳入城市生态基础指标。水土流失治理是陕西省的重要生态保护工作, 因此纳入水土流失治理水平指标。
图2 研究区域
Fig. 2 Study area
表1 陕西省城市宜居性综合评价指标体系
Table 1 Comprehensive evaluation index system of urban livability in Shaanxi Province
视角 宏观驱动因子微观驱动因子测算方式 单位属性符号权重 政治建设政治基层政治服务水平城市乡镇、街道办事处数量个+a10.018 政府财政支持力度政府一般公共预算支出亿元+a20.038 经济建设经济经济发展水平人均GDP元+a30.030 产业结构优化水平第三产业占GDP比重%+a40.062 对外开放水平出口值占进出口总值比重%+a50.010 共同富裕水平农村居民收入/城市居民收入%+a60.017 文化建设文化通信交流环境移动电话数万户+a70.068 文化休闲娱乐承载力公园面积公顷+a80.089 居民消费观念社会消费品零售总额/GDP%–a90.013 社会建设社会城市交通环境人均城市道路面积平方米/人+a100.020 医疗卫生服务水平卫生技术人员数量人+a110.056 资源供给水平供水普及率%+a120.007 公共服务水平公厕数量座+a130.113 就业工作环境城镇非私营单位就业人员平均工资元+a140.013 生态文明建设生态文明固体废弃物治理效率废弃物利用率%+a150.016 污水治理效率废水处理率%+a160.045 大气环境改善水平空气日报优良率%+a170.014 城市生态基础园林绿化覆盖面积公顷+a180.123 城市卫生环境生活垃圾清运量万吨+a190.160 水土流失治理水平累计水土流失治理面积千公顷+a200.088
说明: “+”表示正向属性, “-”表示负向属性。
政治驱动因子包含基层政治服务水平和政府财政支持力度。以往研究成果表明, 政府治理能力与财政投入水平影响政治服务质量[1], 因此将基层政治服务水平和政府财政支持力度作为政治驱动的微观因子。经济驱动因子包含经济发展水平、产业结构优化水平、对外开放水平和共同富裕水平。经济发展水平体现经济发展的规模优势[1,13,15], 产业结构优化水平体现经济的协调发展状况[1–2], 对外开放水平体现经济的开放发展状况[2–3], 共同富裕水平体现经济的共享发展状况[2,26], 这也是探究经济高质量发展常用的指标, 因此经济高质量发展和城市宜居性评价具有一定的共通之处。文化建设方面包括通信交流环境、文化休闲娱乐承载力和居民消费观念。通信交流环境是现代社会中不可或缺的一个方面, 包括各种通信手段, 这些通信手段使得信息传递更加便捷、快速, 同时也促进文化的交流和传播。通过通信交流环境的建设, 人们可以更加广泛地接触来自不同国家、不同地区的文化, 了解到新的思想和观点, 从而促进文化多元化的发展, 因此将该指标纳入文化驱动因子。文化休闲娱乐承载力和居民消费观念则基于以往研成果[29]选择。社会驱动因子方面, 借鉴以往研究成果[3,5], 选取城市交通环境、医疗卫生服务水平、资源供给水平、公共服务水平和就业工作环境作为衡量指标。生态文明建设方面, 固体废弃物治理效率、污水治理效率、大气环境改善水平、城市生态基础和城市卫生环境等是以往研究中考虑的因素[3–4,27], 而水土流失治理水平是基于陕西省本土现实状况纳入的指标。
2.3.1城市宜居性评价
熵权 TOPSIS 法广泛应用于环境宜居性综合评价研究[29–30], 本文使用熵权 TOPSIS 法测算陕西省各地区的城市宜居性情况。
步骤 1 建立原始评价矩阵。假设有 n 个评价指标, 存在 m 个待评价的方案。原始矩阵 A 如式(1)所示:
(1)
其中, aij 为第 i 个方案关于第 j 个指标的观察值, i=1, 2, 3..., m, j=1, 2, 3, ..., n。
步骤 2 通过归一化处理, 形成归一化决策矩阵。根据正向指标(式(2))和负向指标(式(3)), 对原始矩阵 A进行归一化处理, 可以得到归一化的评价矩阵 Z=(Zij)m×n。
,(2)
,(3)
,(4)
,(5)
其中, aij 为第 i 行第 j 个归一化数值, amax 和 amin 分别为第 j 个指标的最大值和最小值。
步骤 3 首先利用熵权法确定指标权重:
(6)
然后计算第 j 项指标的熵值:
(7)
第 j 项指标的信息效用值:
,(8)
最后给各项指标赋权, 求得各个指标的权重:
(9)
步骤 4 利用 TOPSIS 法计算理想解与综合得分。首先计算加权归一化矩阵:
(10)
然后计算 T 的正理想解 T+和负理想解 T–:
(11)
其中, 
。可以得到各方案正负理想解:
(12)
最后, 计算各陕西省城市宜居性的综合评分:
。(13)
2.3.2城市宜居性提升关键驱动力
主成分分析法在环境科学领域中广泛用于探究相关经济社会发展指标的驱动因子[31–34]。本文根据陕西省城市宜居性综合评价指标体系, 使用主成分分析法对城市宜居性的关键驱动力进行研究。首先进行 KMO 与 Bartlett 检验, 若通过检验, 说明可以进行主成分分析, 若未通过表示不适合。通过检验后, 根据方差解释表判断主成分的个数, 以特征根大于 1 为标准, 选择主成分数量。最后得到成分矩阵表, 用来分析各成分下的主要驱动因子。
3.1.1时空演进分析
图 3 为陕西省城市宜居性时空演进图。可以看出, 西安和汉中的城市宜居性起初位于陕西省各个城市之首, 但西安市一直处于领先地位。汉中市 2011 年后城市宜居性有所下降, 2017 年又开始回升, 保持相对优势状态。陕北地区榆林市2011 年城市宜居性较低, 之后开始出现向好变化趋势, 但变化幅度不大。延安市早期处于领先地位, 后期却出现收敛性变化, 2017 年后又恢复起初态势, 也说明陕北地区城市宜居性变化的不稳定性。铜川、安康和商洛长期处于低水平状态, 2011 年以来未出现明显的变化。近年来宝鸡和咸阳等地城市宜居性有逐步提升的趋势。从整体来看, 西安市与其他地级市的宜居性差异较大, 其他城市之间总体上差异较小。陕西省各个城市宜居性一直未突破 0.5 的水平线, 说明仍有很大的提升空间, 也启示各个城市应继续强化城市建设, 优化城市环境, 提升城市宜居性, 进而促进城市持续健康发展。
3.1.2纵向变化分析
图 4 为陕西省城市宜居性变速图。可以看出, 西安市的宜居性整体上呈现增强趋势, 且增速较快, 但 2018 年以后增长速度有所放缓。2011—2013 年, 榆林、商洛和汉中地区出现波浪形变化, 3 个地区整体上的波动性也较大。2014 年以后, 各个地区均呈现波动中上升的趋势, 但增速均较缓慢, 其中宝鸡、咸阳、榆林和商洛等地增速较快, 2018 年以后, 西安、榆林、咸阳和汉中的增速轻度减弱。总体来看, 除西安外, 其他城市之间的增速变化相差不大, 变化不明显, 西安与其他地区的增速变化存在较大的差异。可以看出, 除西安外, 其他城市宜居性的提升速度还有待增强, 启示这些地区要寻求特色化城市发展道路, 以更好的方式实现城市宜居性的快速提升。
3.1.3横向对比分析
图 5 展示陕西省城市宜居性排名分布。可以看出, 第一档为西安市, 除 2021 和 2013 年外, 西安市的排名均居于第 1 位。第二档为咸阳、汉中、宝鸡和榆林, 其中汉中市呈现两端趋好、中间劣势的排名状态, 但近年来排名优势在增强。宝鸡、咸阳和榆林之间排名交错变化, 但基本上位于同一水平线。第三档为延安市。第四档为商洛、安康和铜川, 其中排名最靠后的为铜川市, 除 2015 年排名第9 外, 铜川市在其他年份均排名第 10。商洛和安康排名相差不大, 早期安康排名整体上优于商洛, 但后期商洛排名整体上优于安康。这也启示, 排名相对靠后商洛、安康和铜川地区要继续强化城市建设, 提升城市综合水平, 排名靠前地区应积极发挥联动效应, 带动周边地区城市建设进程, 共同提升城市宜居性。
由于不同时段城市宜居性提升的关键驱动力可能存在一定的差异, 因此本文分两个时段研究关键驱动力。
3.2.1 KMO与Bartlett检验
表 2 列出各时段 KMO 与 Bartlett 检验结果。可以看出, 不同时段 KMO 值均大于 0.6, 说明变量之间存在相关性, 且两个时段 Bartlett 球形度检验的 P值均小于 0.001, 说明主成分分析结果有效, 可进一步进行主成分分析。
3.2.2确定主成分
表 3 列出各时间段的总方差解释结果。可以看出, 依据特征根大于 1 的标准进行主成分选择, 可以确定 2011—2015 年和 2016—2020 年的主成分均为 5 个, 与“五位一体”总体布局视角下的 5 个宏观驱动因子吻合, 在一定程度上表明了本文指标构建的合理性。
3.2.3城市宜居性提升驱动力结果与分析
2011—2015 年城市宜居性提升的驱动力分析结果如表 4 所示。可以看出, 主成分 1 的各因子中, 公共服务水平因子的正向贡献率最高, 因此可以认为该成分下社会驱动因子对城市宜居性的提升发挥关键力量。主成分 2 的因子中, 经济发展水平驱动因子的正向贡献率最高, 说明该成分下关键驱动力为经济因素。主成分 3 的因子中, 基层政治服务水平因子的正向贡献率最高, 因此该成分下的关键驱动力为政治因素。主成分 4 的因子中, 资源供给水平因子的正向贡献率最大, 该成分下主要驱动力是社会因素。主成分 5 的因子中, 产业结构优化水平的因子正向贡献率最高, 因此该成分下城市宜居性水平提升的关键驱动力为经济因素。综上所述, 可知 2011—2015年陕西省城市宜居性提升的关键驱动力为政治因素、经济因素和社会因素, 且社会与经济因素在 5 个成分中出现两次, 具体驱动因子为公共服务水平、经济发展水平、基层政治服务水平、资源供给水平和产业结构优化水平。
图3 城市宜居性时空演进图
Fig. 3 Spatial and temporal evolution of urban livability
图4 陕西省城市宜居性变速图
Fig. 4 Urban livability variable speed map in Shaanxi Province
1～10 表示排名, 由内往外表示城市宜居性排名越靠后
图5 陕西省城市宜居性排名分布
Fig. 5 Distribution map of livability ranking of cities in Shaanxi Province
表2 各时间段KMO与Bartlett检验结果
Table 2 KMO and Bartlett test results table for each time period
时间段KMO值Bartlett球形度检验 近似卡方dfP 2011—2015年0.7051248.481190<0.001 2016—2020年0.7201232.149190<0.001
表3 各时间段总方差解释结果
Table 3 Results for the interpretation of total variance for each time period
成分2011—2015年2016—2020年 特征根方差解释率/%累积方差解释率/%特征根方差解释率/%累积方差解释率/% 19.13045.65145.6518.59442.97242.972 22.38511.92757.5793.40517.02559.997 32.15310.76468.3431.8049.01869.015 41.2816.40574.7481.6068.03177.046 51.0265.13079.8781.0485.24282.289 60.8924.46084.3380.7933.96686.254
表4 2011—2015年各主成分下因子贡献率汇总
Table 4 Summary of factor contribution rate under each principal component from 2011 to 2015
驱动因子 符号主成分1主成分2主成分3主成分4主成分5 基层政治服务水平a10.0340.0970.3540.1180.115 政府财政支持力度a20.1000.1130.0960.025–0.019 经济发展水平a30.0480.333–0.0240.111–0.018 产业结构优化水平a4–0.002–0.0610.177–0.3850.578 对外开放水平a5–0.0360.236–0.151–0.1740.425 共同富裕水平a60.0900.100–0.052–0.2090.068 通信交流环境a70.106–0.0140.070–0.0050.020 文化休闲娱乐承载力a80.105–0.0300.0110.001–0.048 居民消费观念a90.084–0.2100.009–0.1290.034 城市交通环境a100.051–0.030–0.0020.5200.174 医疗卫生服务水平a110.104–0.0340.069–0.0060.016 资源供给水平a120.054–0.028–0.2120.2830.350 公共服务水平a130.107–0.0080.029–0.015–0.003 就业工作环境a140.0180.2710.028–0.261–0.316 固体废弃物治理效率a150.0400.215–0.1900.0420.271 污水治理效率a16–0.0410.0340.347–0.0040.159 大气环境改善水平a17–0.0670.0020.1540.2300.227 城市生态基础a180.101–0.0490.014–0.036–0.072 城市卫生环境a190.105–0.0440.043–0.0280.007 水土流失治理水平a20–0.0190.2080.1820.199–0.170
表5 2016—2020年各主成分下因子贡献率汇总
Table 5 Summary of factor contribution rate under each principal component from 2016 to 2020
驱动因子符号主成分1主成分2主成分3主成分4主成分5 基层政治服务水平a10.0480.213–0.1110.1660.145 政府财政支持力度a20.1070.0860.0440.054–0.013 经济发展水平a30.0500.1870.048–0.337–0.011 产业结构优化水平a40.061–0.1140.290–0.2350.058 对外开放水平a5–0.035–0.0610.1470.2030.742 共同富裕水平a60.0230.0880.3350.2610.027 通信交流环境a70.1130.018–0.0480.0930.020 文化休闲娱乐承载力a80.1120.01500.0230.023 居民消费观念a90.076–0.1750.0190.0820.056 城市交通环境a100.0430.1520.175–0.2120.358 医疗卫生服务水平a110.1120.009–0.0690.096–0.028 资源供给水平a120.039–0.1520.2990.059–0.243 公共服务水平a130.1130–0.0430.020.037 就业工作环境a140.0760.0970.1240.017–0.240 固体废弃物治理效率a150.034–0.109–0.161–0.2840.348 污水治理效率a16–0.0310.153–0.1450.3240.048 大气环境改善水平a17–0.0460.0830.3330.071–0.034 城市生态基础a180.107–0.021–0.1170.0080.025 城市卫生环境a190.108–0.012–0.0360.0450.035 水土流失治理水平a20–0.0420.2280.041–0.216–0.008
2016—2020 年城市宜居性提升的驱动力结果如表 5 所示。可以看出, 主成分 1 的因子中, 通信文化交流环境与公共服务水平因子的正向贡献率一致, 且最高, 因此该成分下是文化与社会双重因素驱动城市宜居性的提升。主成分 2 的因子中, 水土流失治理水平驱动因子的正向贡献率最高, 因此可以认为该成分下主要驱动力为生态文明因素, 水土流失治理水平的提升可以驱动陕西省城市宜居性的提升, 这也符合当地的现实情况。主成分 3 的因子中, 共同富裕水平因子正向贡献率最高, 可以认为该成分下的关键驱动力为经济因素。主成分 4 的因子中, 污水治理效率的因子正向贡献率最大, 可知该成分下主要驱动力为生态文明因素。主成分 5 的因子中, 对外开放水平因子的正向贡献率最高, 可认为该成分下城市宜居性水平提升的关键驱动力为经济因素。综上所述, 可知 2016—2020 年, 陕西省城市宜居性提升的关键驱动力为经济、文化、社会和生态文明因素, 而经济、社会与生态文明驱动因子均出现两次, 具体驱动因子为通信文化交流环境、公共服务水平、水土流失治理水平、共同富裕水平、污水治理效率和对外开放水平。
从陕西省城市宜居性发展变化情况来看, 西安市城市宜居性整体上高于其他地区, 且呈现增长趋势, 增速较快, 与其他地区的城市宜居性差异较大。近年来, 咸阳、宝鸡、榆林、汉中、渭南和延安地区的城市宜居性有向好趋势, 铜川、安康和商洛等地的城市宜居性总体较差。从城市宜居性提升的驱动力来看, 不同时段之间存在一定的差异。2011—2015 年, 关键驱动力主要为政治、经济和社会因素, 具体的驱动因子为公共服务水平、经济发展水平、基层政治服务水平、资源供给水平和产业结构优化水平。2016—2020 年, 关键驱动力转变为经济、文化、社会和生态文明因素, 具体的驱动因子为通信文化交流环境、公共服务水平、水土流失治理水平、共同富裕水平、污水治理效率和对外开放水平。社会驱动力下的公共服务水平驱动因子在两个时间段对城市宜居性的提升均发挥着重要的 作用。
基于上述研究结论, 本文提出以下建议。
1)充分发挥地区特有优势, 建立特色化城市发展道路, 优化城市建设路径。地区之间存在不同的区位优势, 陕北地区应充分利用矿产等资源优势, 关中地区应发挥旅游资源、交通资源和文化资源等优势, 陕南地区应充分发挥气候资源和水资源等优势, 积极探索特色化城市发展路径, 提升地区宜 居性。
2)加快生态文明建设, 注重地区环境保护。地区应注重环境保护, 优化产业结构, 减少污染排放, 提升污染处理技术, 加强自然生态维护, 注重水土流失治理, 增强城市绿化率。
3)提升城市公共服务水平, 提升城市核心竞争力。政府部门应多方面增强城市公共服务能力, 建立全方位一体化的城市公共服务水平提升机制, 通过不断优化服务方式、渠道和内容等来提升城市服务能力, 留住本土人才, 吸引外地人才, 进而增强城市的吸引力, 提升城市竞争力。
参考文献
[1] 王静, 方德斌. 基于“五位一体”的中国经济高质量发展指数研究. 宏观经济研究, 2022(5): 22–34
[2] 周成, 张旭红, 张倩, 等. 黄河流域“五位一体”综合评价体系建构与空间差异研究. 中国沙漠, 2021, 41(4): 1–11
[3] 杨青, 何玲, 刘星星, 等. 城市TREES “五位一体”协调发展时空分异研究. 科研管理, 2020, 41(7): 89–99
[4] 李旭辉, 朱启贵. 基于“五位一体”总体布局的省域经济社会发展综合评价体系研究. 中央财经大学学报, 2018(9): 107–117
[5] 赵继敏, 杨波. 多目标导向下的北京城市空间结构绩效评价研究——基于“五位一体”的视角. 生态经济, 2018, 34(7): 148–153
[6] Song Yongyong, Xue Dongqian, Dai Lanhai, et al. Land cover change and eco-environmental quality res-ponse of different geomorphic units on the Chinese Loess Plateau. Journal of Arid Land, 2020, 12(1): 29–43
[7] 宋永永, 薛东前, 马蓓蓓, 等. 黄土高原城镇化过程及其生态环境响应格局. 经济地理, 2020, 40(6): 174–184
[8] Ghasemi K, Hamzenejad M, Meshkini A. The spatial analysis of the livability of 22 districts of Tehran Metropolis using multi-criteria decision making app-roaches. Sustainable Cities and Society, 2018, 38: 382–404
[9] Paul A, Sen J. Livability assessment within a metro-polis based on the impact of integrated urban geo-graphic factors (IUGFs) on clustering urban centers of Kolkata. Cities, 2018, 74: 142–150
[10] 姚晓婧, 郑伟, 王大成, 等. 基于多源数据的中新天津生态城微观尺度宜居性评价. 应用生态学报, 2022, 33(9): 2493–2500
[11] 袁子峰, 周亮, 黄春林, 等. 欠发达山地城市人居环境适宜性综合评价——以云南省临沧市为例. 地球科学进展, 2022, 37(10): 1079–1087
[12] 冯琰玮, 甄江红. 内蒙古自治区人居环境综合适宜性评价及空间优化. 地球信息科学学报, 2022, 24 (6): 1204–1217
[13] 李伯华, 郑始年. 汾河流域人居环境适宜性评价及空间分异研究. 干旱区资源与环境, 2018, 32(8): 87–92
[14] 庞瑞秋, 胡宁, 魏冶. 基于多源数据的新疆人居环境质量评价. 地理科学, 2021, 41(12): 2127–2137
[15] 王毅, 苗转莹, 陆玉麒, 等. 经济发展对城市宜居性的影响——基于中国 40 个大中城市的实证分析. 地理学报, 2022, 77(10): 2529–2546
[16] 许婧雪, 张文忠, 谌丽. 杭州城市人口密度对人居环境感知的影响. 地理科学, 2022, 42(2): 208–218
[17] 王晓学, 林田苗, 吴秀芹. 土地利用时空变化对宁夏盐池县沙区人居环境的影响. 浙江农林大学学报, 2014, 31(1): 111–116
[18] 陈肖月. 商住复合型居住区中商业对人居环境的影响研究——基于问卷访谈及统计分析. 现代城市研究, 2015(7): 94–100
[19] 刘惠敏. 大型基础设施对地缘区人居环境的影响研究. 中国人口·资源与环境, 2011, 21(11): 139–145
[20] 贺宏斌, 丁鸿浩, 孙然好, 等. 基于社会感知的城市功能区人居环境愉悦度时空分析. 生态学报, 2023, 43(6): 2298–2309
[21] 邓茜月, 王永生, 黄晗. 四川省农村人居环境质量时空演化特征与驱动因素. 农业资源与环境学报, 2023, 40(5): 1111–1121
[22] 邵海琴, 王兆峰. 长江中游城市群人居环境空间关联网络结构及其驱动因素. 长江流域资源与环境, 2022, 31(5): 983–994
[23] 刘滨, 詹晶, 陈鸣. 中国乡村人居环境水平演化及其驱动因素的时空异质性. 生态与农村环境学报, 2022, 38(12): 1545–1556
[24] 张家其, 喻兴洁, 张兴苗. 旅游驱动下民族传统村落人居环境演变过程与驱动因素探究——以湖南省湘西州竹山村为例. 资源开发与市场, 2022, 38(4): 426–434
[25] 唐健雄, 刘雨婧. 基于“三生”系统的典型旅游城市人居环境演变过程及机制研究——以张家界市为例. 地理研究, 2021, 40(6): 1803–1822
[26] 邓玲, 王芳. 共享发展理念下城市人居环境发展质量评价研究——以南京市为例. 生态经济, 2017, 33(10): 205–209
[27] 李陈. 中国36座中心城市人居环境综合评价. 干旱区资源与环境, 2017, 31(5): 1–6
[28] 董锁成, 张佩佩, 李飞, 等. 山东半岛城市群人居环境质量综合评价. 中国人口·资源与环境, 2017, 27 (3): 155–162
[29] 崔世华, 于婧, 陈艳红, 等. 基于熵权TOPSIS的湖北省城市人居环境质量时空分异研究. 华中师范大学学报(自然科学版), 2022, 56(4): 695–702
[30] 游细斌, 代启梅, 郭昌晟. 基于熵权TOPSIS模型的南方丘陵地区乡村人居环境评价——以赣州为例. 山地学报, 2017, 35(6): 899–907
[31] 于东升, 袁宏林, 张颖, 等. 太湖西岸水质变化趋势及主要驱动因子. 环境污染与防治, 2017, 39(10): 1063–1066
[32] 韩群柱, 冯起, 高海东, 等. 基于主成分分析的关中地区农业粮食生产变化的影响因素研究. 干旱区地理, 2020, 43(2): 474–480
[33] 贾浩, 王振华, 张金珠, 等. 基于主成分分析和Copula函数的灌溉水利用系数影响因素研究——以新疆建设兵团第十二师中型灌区为例. 干旱地区农业研究, 2020, 38(6): 167–175
[34] 朱丽君, 渠丽萍, 陈文昕, 等. 征地补偿农户满意度影响因素及提升路径——以武汉市江夏区为例. 资源科学, 2018, 40(2): 299–309
Evaluation of Urban Livability and Key Driving Forces in Shaanxi Province under “Five-in-One” General Layout
Abstract Taking Shaanxi Province as an example, this paper uses the entropy-weighted TOPSIS method to evaluate and analyze the urban livability of 10 prefecture-level cities based on the “Five-in-One” general layout, and uses the principal component analysis method to study the key driving forces for improving the livability of cities in the region. The results show that Xi’an City has high livability and is quite different from other cities, but on the whole, there is still much room for improvement in the livability of each city. The livability of Shangluo, Ankang and Tongchuan cities has always been at a low level. The driving forces for improving urban livability in Shaanxi Province vary in different periods. From 2011 to 2015, key driving components are political, economic and social, and the key driving factors are public service level, economic development level, grassroots political service level, resource supply level, and industrial structure optimization level. From 2016 to 2020, the key driving components have changed to economic, cultural, social and ecological civilization, and the key driving factors are communication and cultural exchange environment, public service level, soil erosion control level, common prosperity level, sewage treatment efficiency, and opening-up level. The driving factor of public service level plays an important role in the improvement of urban livability in both periods.
Key words Shaanxi Province; urban livability improvement; driving force; entropy-weighted TOPSIS method; principal component analysis