北京大学学报(自然科学版) 第60卷 第5期 2024年9月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 60, No. 5 (Sept. 2024)
doi: 10.13209/j.0479-8023.2024.058
收稿日期: 2023–09–13;
修回日期: 2023–10–25
摘要 引入“基于自然的解决方案”(NBS)视角, 借助空间计量模型, 分析绿隔地区的生态环境质量变化及其驱动因素, 得到以下结果: 1)从生态环境质量变化看, 2005—2020 年, 绿隔地区整体上呈现先下降后回升的趋势, 空间上圈层格局明显; 2)两道绿隔地区的生态环境质量变化趋势不同, 第一道绿隔地区相对更低, 且一直延续下降趋势, 第二道绿隔地区 2015 年后止降回升; 3)从驱动因素看, NBS 措施对绿隔地区生态环境质量改善具有驱动作用, 其中绿色基础设施在两道绿隔地区都表现出显著的驱动作用, 而生态基础设施仅在第二道绿隔地区表现出显著的驱动作用。北京市进入减量发展新阶段以来, 绿隔地区的生态环境质量明显改善。未来可以更有针对性地应用 NBS 措施, 进一步提升城市生态环境质量, 完善城市绿色空间体系建设。
关键词 生态环境质量; 基于自然的解决方案; 驱动因素; 绿隔地区; 北京
快速城市化背景下, 城市建成区不断向外扩张, 土地利用无序变动, 引发一系列生态环境问题[1–2]。20 世纪 50 年代, 北京市提出规划建设绿化隔离地区(简称“绿隔地区”), 通过大规模绿化造林, 防止城市无序蔓延, 保护和改善城市生态环境[3]。第一道和第二道绿隔地区分别于 1994 年和 2003 年启动建设, 绿隔地区成为北京市主城区的重要生态屏障[4]。然而, 近 30 年来, 绿隔地区的建设用地扩张速度远超规划预期, 阶段性的绿化目标也未完全实现[5–6]。从环境承载力的角度看, 绿隔地区敏感性基础设施多, 支撑性公共服务设施少, 人居环境与经济协调发展能力弱[7–8]。在北京市转向减量发展模式、健全绿色空间体系的背景下, 绿隔地区作为城市生态环境脆弱区, 其生态环境质量变化过程需要更深入的科学定量分析[4]。
土地利用变化改变生态系统的结构和功能, 产生生态环境效应, 并引起生态服务价值的变化[9]。因此, 可以用对生态服务价值的测算来评估区域生态环境质量的变化[10]。现有研究测算了各类地理单元的生态服务价值, 发展出市场价格法、防治费用法和能值分析法等多种方法[11–12]。其中, 利用谢高地等[13]建立的生态系统服务价值表来测度生态环境质量, 方法便捷有效, 且应用范围最广。驱动因素分析可以揭示人类活动对生态环境质量变化的影响[14]。然而, 现有关于生态环境效应的研究, 主要关注测算方法的创新和测算效率的提升, 测算结果的时空间格局刻画和调控对策讨论[15–16], 对生态环境质量变化驱动因素的分析相对较少[17]。从计量方法看, 基于经典统计的回归分析对土地利用变化的空间相关性考虑不足, 容易导致参数低估, 空间计量模型能有效地解决这一问题[18]。
基于自然的解决方案(Nature-based Solutions, NBS)指“保护、可持续管理和修复生态系统的行动”, 用于应对全球气候变化的挑战[19]。针对城市问题, 欧盟将 NBS 定义为“受到自然启发、支撑并利用自然的解决方案, 目标是通过对自然资源的可持续管理和保护来提高城市韧性”[20]。在欧美地区, 应用 NBS 措施来促进城市适应性转型, 已经有较完善的理论框架、实施路径、评估方法和典型案例[21–23], 但我国城市的 NBS 研究与实践尚处于起步探索阶段[24–25]。引入 NBS 视角, 探究 NBS 措施对城市生态环境质量变化的影响, 不仅有利于构建本土化的NBS 应用策略, 还有助于包括绿隔地区在内的城市绿色空间规划, 更有效地应对生态环境问题[26–27]。
因此, 本文以北京市绿隔地区为例, 构建基于用地类型的生态环境质量指数(简称“环境指数”)赋值方法, 测度绿隔地区 2005—2020 年的生态环境质量变化情况。在识别与量化 NBS 措施的基础上, 优选空间计量模型, 分析 NBS 措施对绿隔地区生态环境质量变化的驱动作用。
本文关注的绿隔地区(图 1)的行政范围与北京市朝阳区农村地区重合, 保证了数据来源的统一性。该区域包含 19 个乡, 169 个村庄(社区)。2020 年, 研究区内常住人口 170 万, 其中流动人口约 100 万, 农业人口 9 万, 平均户籍城市化率为 87.8%。在参考《北京市“十四五”时期绿化隔离带地区建设发展规划》的基础上, 以距离城市中心 15km 为标准, 划分两道绿隔地区。第一道绿隔地区包含 65 个村庄(社区), 靠近市中心; 第二道绿隔地区包含 104 个村庄(社区), 接近城市外边缘。
图1 北京市朝阳区绿隔地区示意图
Fig. 1 Greenbelt of Chaoyang District, Beijing
研究数据包括土地利用和经济社会统计数据。土地利用数据以第二次全国土地调查数据为基础, 结合遥感影像对发生地类变化的地块进行校准, 获得 2005 年数据, 2010 年、2015 年和 2020 年土地利用数据来源于《朝阳区土地变动调查报告》。经济社会数据来源包括《朝阳区统计年鉴》和《朝阳农村地区经济数据》等。NBS 措施的案例数据基于区(乡)级《绿隔地区城市化建设项目统计》《政府工作报告》和《城乡一体化建设规划》等资料汇总获得。第二道绿隔地区于 2003 年启动建设, 因此本文以 2005 年和 2020 年作为研究起止年份, 探究生态环境质量变化及其驱动因素。
1.3.1 环境指数赋值
土地利用多功能性是用地分类的重要依据, 强调人类对土地利用的功能性需求, 包括生产、生活和生态功能[14]。本文在“三生”功能分类的基础上, 兼顾科学性和可操作性, 以生态功能强弱为主要依据, 借鉴复合功能分类理念, 将 23 类二级用地归纳为 7 类一级用地。
由于理论基础与研究视角不同, 环境指数的赋值标准尚不统一。针对自然地理单元的赋值体系, 就绿隔地区的生态功能定位而言, 河流和湖泊的赋值偏高, 农用地的赋值偏低[10]。因此, 在参考相关研究的基础上, 本文以谢高地等[11]的研究结果为首要依据, 结合研究区的实际情况进行适当的修正, 构建“三生”功能视角下的环境指数赋值表(表 1)。
1.3.2 NBS措施赋值
根据欧盟的定义[20], NBS 实施路径包括但不限于生态恢复、生态系统适应性改造和基础设施建设等。就基础设施而言, NBS 措施可以分为生态基础设施(INFRA-E)和绿色基础设施(INFRA-G)”[20,28]。生态基础设施属于自然和半自然系统, 是居民获得自然服务的基本保障, 是城市扩张的刚性限制和土地可持续利用的重要基础, 例如生态廊道。绿色基础设施是各种开敞空间和自然区域组成的绿色空间网络, 将自然元素纳入城市系统, 可以增强城市的环境效益, 例如雨水花园。生态基础设施和绿色基础设施包含不同的项目, 但 NBS 措施的量化尚无统一的标准。本文的研究单元绝大部分面积在 1~3km2 之间, 小部分小于 1km2。综合考虑不同项目的生态功能作用尺度和研究单元的空间规模[28–29], 本文提出相应的判断与赋值标准(表 2)。
基于 NBS 措施的案例数据, 对研究区 169 个村庄/社区单元进行判别和赋值, 如果满足条件, 则赋值 1, 否则赋值 0, 并求和。从赋值评价结果可以看出, 研究区内生态基础设施的全样本平均值为 0.72, 高值单元更靠近城市边缘(图 2(a)), 而绿色基础设施的赋值相对较高, 全样本平均值为 0.86, 空间分布更均衡(图 2(b))。
对不同的土地利用类型进行环境指数赋值, 计算各单元的环境指数, 用于测度生态环境质量的变化情况。以村庄(社区)为基本单位, 计算环境指数:
表1 环境指数赋值表
Table 1 Eco-environmental quality index assignment table
一级用地分类 二级用地分类 环境指数 林木生态用地有林地、灌木林地、其他林地0.85 牧草生态用地天然牧草地、人工牧草地、其他草地0.75 水域生态用地河流、湖泊、水库、坑塘、滩涂0.65 农业生产–生态用地水田、水浇地、沟渠、旱地、果园、菜园0.35 农村生活–生产用地农村宅基地0.25 城镇生活–生产用地商业用地、城镇住宅用地、公共管理与公服用地0.20 工矿生产用地工矿仓储用地、交通运输用地0.15
表2 NBS措施的判断标准与赋值
Table 2 Judging criteria and assignment of NBS measures
措施项目判断标准赋值 生态基础设施城市公园或郊野公园建设有城市公园, 且域内公园面积占总面积比例超过10%0或1 生态廊道或防护绿地建设有生态廊道或防护绿地, 且域内生态廊道或防护绿地面积超过5 hm20或1 水环境修复连续3年以上实施水环境修复工程, 且水环境质量达到城市标准0或1 绿色基础设施雨水花园或生态停车场建设有雨水花园、生态停车场或口袋公园等绿色基础设施0或1 植物园或文体公园等专类公园建设有植物园或文体公园等专类公园, 且域内公园面积占总面积比例超过5%0或1 滨水公共空间或人工湿地建设有滨水公共空间或人工湿地, 且域内滨水公共空间或人工湿地面积超过1 hm20或1
式中, EVt 是第 t 期环境指数, Ai 是第 t 期第 i 类用地类型的面积, A 为区域总面积, Ri 为第 i 类用地类型的环境指数, N 为土地利用类型数量。
空间计量模型分为空间自回归模型(spatial lag model, SLM)和空间误差模型(spatial error model, SEM)。本文借助 Lagrange Multiplier (LM)和 Moran指数工具, 对线性回归模型(ordinary least square, OLS)的结果进行检验, 选择合适的空间计量模型进行分析。
如果临近区域的因变量对本区域回归结果产生影响, 则使用 SLM 分析变量是否有扩散现象(即空间溢出效应), 其表达式为
Y=ρWY+Xβ+ε, (2)
式中, Y 为因变量; X 为自变量; W 是空间权重矩阵; WY 为空间滞后矩阵, 反映空间距离对观察值的作用; β 是自变量系数; ρ 为空间回归系数; 随机误差 ε服从正态分布。
如果临近区域的不可观测因素具有空间相关性, 对本区域回归结果产生影响, 则使用 SEM 分析相邻区域因变量的误差冲击, 其表达式为
Y=Xβ+ε, ε=λWε+μ, (3)
式中, 空间误差系数 λ, 用于测度空间依赖作用, 即相邻区域的观测值 Y 对本地区观察值 y 的影响; 随机误差 μ 服从正态分布。
对于模型可靠性的辅助判断, 常用的指标有自然对数似然函数值(Log likelihood, Log-L)、赤池信息准则(Akaike information criterion, AIC)和施瓦茨准则(Schwartz criterion, SC)等[18]。Log-L 越大, AIC和 SC 越小, 则模型的拟合效果越好。
(a)生态基础设施; (b)绿色基础设施
图2 NBS措施赋值评价结果
Fig. 2 Evaluation results of NBS measures
土地利用变化产生的生态环境效应, 会在自然和经济社会因素的驱动下发生变动[9]。现有研究分析了海拔、坡度、植被和降水等自然因素对生态环境质量变化的影响[14,30], 但在人类活动强度大、自然条件均质性高的绿隔地区, 经济社会因素会成为主要的驱动力来源[31]。本文的重点是探究 NBS 措施对绿隔地区生态环境质量变化的影响, 因此将户籍人口城镇化率、人口密度、GDP、二产产值占比和单位工业产值能耗等经济社会因素作为控制变量, 将两类 NBS 措施作为解释变量(表 3)。
计量分析的样本是 169 个村庄(社区), 控制变量中, GDP、二产产值占比和单位工业产值能耗, 取村庄(社区)所属乡的平均值。为避免异常值波动的影响, 对控制变量 GDP 进行取对数处理。与市中心的距离取村庄(社区)的几何中心到市中心的直线距离。各变量 2020 年与 2005 年的差值即为所求变量数值。
桑基图(Sankey diagram)是一种数据流程图, 数据流分支宽度表示数据大小, 与传统的土地利用矩阵相比, 它可以更直观地展示不同地类之间的转变情况(图 3)。从转变规模看, 2005—2020 年, 林木生态用地的规模先下降后增长, 工矿生产用地则相反, 牧草生态用地和城镇生活–生产用地规模不断增长, 农业生产–生态用地和农村生活–生产用地规模不断减少。从转变方向看, 林木生态用地和农业生产–生态用地主要流向工矿生产用地, 农村生活–生产用地主要流向城镇生活–生产用地和工矿生产用地, 工矿生产用地则主要流向城镇生活–生产用地, 部分流向林木和牧草生态用地。这说明, 绿隔地区的工业开发主要侵占的是生态空间, 城镇化建设用地则主要来源于村庄改造和工业用地腾退, 具有典型的工业化带动城镇化发展特征。
由于村庄数量较多, 使用 ArcGIS 的采样工具(Sampling), 等比例地在两道绿隔地区随机抽取 10和 16 个村庄, 绘制环境指数散点图和均值变化折线图(图 4)。可以看出, 研究区的环境指数整体上呈现先下降后回升的趋势。从数值变化来看, 2005—2020 年, 研究区的环境指数介于 0.2~0.7 之间, 均值从 2005 年的 0.568 持续下降至 2015 年的 0.450, 之后缓慢上升到 2020 年的 0.466。各村庄之间的环境指数差距也不断地扩大, 全样本方差从 2005 年的0.111 上升到 2020 年的 0.142。2015 年是由降转升的转折点, 与北京市 2014 年起实施的“疏解”政策有关。“十三五”期间, 政府在研究区疏解腾退低效产业用地, 同时实施大尺度绿化工程和绿隔新一轮建设项目, 规划小微公园实施率超过 90%, 建设用地减量约为 33km2, 大力推进绿隔地区高质量城市化建设。
从图 4 可见, 第二道绿隔地区的环境指数明显高于第一道绿隔地区, 且两道绿隔地区的环境指数变化趋势不相同。2005—2015 年, 两道绿隔地区的环境指数都在下降, 速度接近。从数值变化来看, 2005—2010 年和 2010—2015 年, 研究区整体环境指数均值分别下降 0.0589 和 0.0587, 第二道绿隔地区的环境指数均值分别下降 0.0538 和 0.0574, 第一道绿隔地区的环境指数均值分别下降 0.0670 和0.0608。2015 年以后, 第二道绿隔地区的环境指数止降回升, 第一道绿隔地区则延续下降趋势, 但下降速度有所减缓。两道绿隔地区的环境指数变化趋势不同, 说明绿隔地区的生态环境质量变化存在空间分异, 具体的驱动因素需要进一步分析。
表3 计量模型与变量描述
Table 3 Econometric model and variable description
类型变量名称变量描述极大值极小值均值标准差 因变量eco-index环境指数4.20−29.00−10.217.09 控制变量urban-rat户籍人口城镇化率(%)45.740.4617.1913.78 pop-density人口密度(人/公顷)30.22−21.811.7312.33 GDPGDP (万元)19.6417.0118.280.78 share-SI二产产值占比(%)23.00−56.00−5.3217.36 REE单位工业产值能耗(吨标准煤/万元)29.04−65.27−38.2017.62 distance距离市中心(km)20.378.5413.993.60 解释变量INFRA-E生态基础设施300.720.83 INFRA-G绿色基础设施300.860.92
图3 土地利用类型变化桑基图
Fig. 3 Sankey diagram of land use change
图4 2005—2020年环境指数变化
Fig. 4 Change of eco-environmental quality index from 2005 to 2020
从空间分布(图 5)看, 环境指数呈现出明显的圈层规律, 第一道绿隔地区的环境指数明显低于第二道绿隔地区, 且内部差距较小。尤其是靠近市中心的地区, 2005 年, 环境指数在 0.3 左右, 此后不断下降, 2015—2020 年期间, 下降至 0.2 左右的低位。相比之下, 第二道绿隔地区的环境指数相对更高, 尤其是远离市中心的边缘地区, 2005 年环境指数均超过 0.7, 此后逐渐下降至 0.6 左右, 2015—2020 年小幅回升至 0.65 左右。
灰色粗虚线表示两道绿隔地区分界线
图5 2005—2020年环境指数空间分布
Fig. 5 Spatial distribution of eco-environmental quality index from 2005 to 2020
此外, 研究区北部的环境指数整体上高于南部, 这与北京市实施的“疏解整治促提升”以及新一轮绿隔地区建设有关, 相关工作的试点单位集中在北部和东部地区, 对相应区域的生态环境质量提升具有重要影响。北京市中心以及通州副中心沿线附近地区的环境指数普遍较低, 原因是北京在打造城市副中心的过程中, 基础设施建设重点区域的建设用地扩张和交通道路建设, 难免造成区域生态环境质量下降。
由于两道绿隔地区的生态环境质量变化出现空间分异, 驱动因素可能并不相同, 因此在对研究区进行全样本分析的基础上, 分别对两道绿隔地区进行回归分析。回归模型有 4 个, 模型 1 和模型 2 分别对研究区整体(eco-index)进行线性回归和空间回归分析, 模型 3 (eco-index1)和模型 4 (eco-index2)分别对第一和第二道绿隔地区进行空间回归分析。为了确定模型的具体形式, 首先利用 SPSS 工具, 基于逐步回归法进行自变量筛选。步进概率 Entry 设为0.05, 回归系数比分检验的 P 值小于 0.05 时, 将变量纳入方程, 否则将其排除。在 VIF 检验中, 所有变量的 VIF 值均小于 5, 平均 VIF 值为 3.253, 据此排除多重共线性问题。
对 OLS 模型进行 LM 检验, 结果如表 4 所示。Moran 指数都是显著的正值, 说明在 OLS 模型中, 随机误差项存在不同程度的空间正相关, 有必要使用空间计量模型进行分析。对于 eco-index 和 eco-index2, LM lag 比 LM error 显著, 且 Robust LM lag比 Robust LM error 显著, 说明 SLM 优于 SEM。对于eco-index1, LM error 比 LM lag 显著, 且 Robust LM error 比 Robust LM lag 显著, 说明 SEM 优于 SLM。
驱动因素分析结果(表 5)显示, 模型 1 只有能源消耗(REE)和距离(distance)两个变量表现出显著的驱动作用, 解释效果并不理想。在模型 2 中, 人口密度(pop-density)和二产产值占比(share-SI)对生态环境质量改善具有显著的负向驱动力, 表明绿隔地区人口密度增加以及二产产值占比上升, 都会在一定程度上驱动区域生态环境质量的下降。距离(distance)、生态基础设施(INFRA-E)和绿色基础设施(INFRA-G)对区域生态环境质量改善具有显著的正向驱动力, 说明离市中心越远, 越有利于生态环境质量的提升。更重要的是, 模型 2 的结果证实, NBS 措施对绿隔地区生态环境质量改善具有显著的正向驱动力。
表4 OLS模型的LM检验结果
Table 4 LM test results of OLS model
因变量Moran’s ILM lagLM errorRobust LM lagRobust LM error数值P数值P数值P数值P数值P eco-index9.5390.0018.2630.0041.2850.0527.5940.0122.1180.032 eco-index12.5700.0101.0480.0709.6370.0011.8620.0417.1460.017 eco-index23.4160.00710.6920.0012.2460.0289.7610.0011.3370.048
表5 生态环境质量变化的驱动因素
Table 5 Driving factors of the change of eco-environmental quality index
因变量eco-indexeco-index1eco-index2 模型1 (OLS)模型2 (SLM)模型3 (SEM)模型4 (SLM) 常数−1.772−1.473**2.382***1.862* urban-rat−0.836−0.672−0.761−0.937*** pop-density2.572*−1.264***−2.519*−1.836* GDP0.4391.2751.37***−0.251** share-SI−1.594*−1.428**−2.731**−2.263*** REE−0.593**−1.143*−0.662**−1.475*** distance5.281***4.926***10.37*5.647* INFRA-E8.259*6.047**4.426*3.942*** INFRA-G5.753*8.515**7.103***5.481*** 空间系数λ2.364*** ρ0.837***0.624*** R20.7460.8250.8940.903 Log-L−27.941−32.664−26.738 AIC118.362121.38288.612 SC126.68397.57396.549
注: *,**和***分别代表10%, 5%和1%的统计显著性水平。
分别对两道绿隔地区进行回归分析, 结果显示, 驱动因素并不完全相同。人口密度、能源消耗和二产产值占比在两道绿隔地区都表现出显著的负向驱动力, 距离也表现出显著的正向驱动力。不同之处在于, 城镇化率(urban-rat)仅在第二道绿隔地区表现出显著的负向驱动力, 此区域的城镇化率从 2005年的 47.68%上升至 2020 年的 95.82%, 说明快速城镇化建设驱动了区域生态环境质量的下降。相比之下, 第一道绿隔地区 2005 年的城镇化率就已经超过 80%, 因而其驱动作用并不显著。此外, 经济实力(GDP)在两道绿隔地区呈现出显著但方向相反的驱动作用, 这与经济发展质量有关。第一道绿隔地区更靠近市中心, 第三产业占比高, 经济发展的环境负担较小, 随着经济实力不断提升, 可以有效地推动生态环境质量的改善。第二道绿隔地区的第二产业占比和单位工业产值能耗较高, 经济发展的环境负担较大, 在发展经济的同时, 生态环境质量会受影响。
更重要的是, 在两道绿隔地区, 两类 NBS 措施的驱动作用并不相同。绿色基础设施在两道绿隔地区都表现出对生态环境质量改善的显著驱动作用, 但生态基础设施仅在第二道绿隔地区表现出显著的正向驱动力, 这与两类 NBS 措施的内涵和两道绿隔地区的自然本底资源有关。与雨水花园、文体公园和滨水公共空间等绿色基础设施相比, 建设城市公园和生态廊道等生态基础设施的占地规模更大, 对区域自然本底资源的要求更高。第一道绿隔地区的城镇化率更高, 城市的蓝色和绿色空间有限, 更适宜通过城市微改造等手段, 见缝插针式地营造小规模高质量的绿色基础设施, 在改善环境的同时, 驱动生态环境质量的提升。第二道绿隔地区保留了较多的林地、草地和开阔水面, 因地制宜建设的绿色基础设施和生态基础设施都能显著地驱动区域生态环境质量的提升。
本文通过构建基于三生功能的环境指数赋值体系, 测度北京市绿隔地区的生态环境质量变化情况, 并分析 NBS 措施的驱动作用, 得到如下结果。1)从土地利用变化看, 2005—2020 年, 绿隔地区的工矿生产用地和农业生产–生态用地发生较大规模的转出, 城镇生活–生产用地和牧草生态用地有较大规模的转入。2)从生态环境质量变化看, 2005—2020 年, 绿隔地区的整体环境指数呈现先下降后回升的趋势, 圈层规律明显。两道绿隔地区的变化趋势不同, 第一道绿隔地区的环境指数相对更低, 在 2015 年后延续下降趋势, 第二道绿隔地区的环境指数从 2015 年开始止降回升。3)从驱动因素看, 两类 NBS 措施都对绿隔地区整体生态环境质量改善具有显著的正向驱动作用, 区别在于绿色基础设施在第一和第二道绿隔地区都分别表现出显著的驱动作用, 而生态基础设施仅在第二道绿隔地区表现出显著的驱动作用。
本文评估了生态环境质量的变化过程, 揭示了隔地区对改善城市生态环境的重要意义, 对驱动因素的分析可以是生态环境效应相关研究的有益补充。更重要的是, 本文创新性地引入 NBS 视角, 提出识别与量化 NBS 措施的方法, 并证实 NBS 措施对改善绿隔地区生态环境质量的有效性。本文也存在一些不足, 对 NBS 措施的量化方法局限于村庄(社区)微观尺度, 从政府文件中收集 NBS 措施实施案例的资料, 难免存在个别数据缺失的问题, 使用空间计量分析方法亦是为了尽可能消除其对结果的负面影响。
从 1994 年正式启动第一道绿隔地区建设工作起, 近 30 年来, 绿隔地区一直是北京主城区重要的生态屏障, 但城市建设区“摊大饼”式扩张也在不断地蚕食绿隔地区的生态空间。本研究发现 2005 年以来, 绿隔地区的生态环境质量整体上明显下降, 2014 年起, 北京市进入减量发展新阶段, 在完善城市绿色空间体系的背景下, 绿隔地区的新一轮绿化建设有效地促进了区域生态环境质量的改善。未来绿隔地区可以更有针对性地应用不同类别的 NBS措施, 在城市建成区利用有限空间, 营造雨水花园和生态停车场等绿色基础设施, 在城市边缘区利用闲置用地, 打造郊野公园和生态廊道等生态基础设施, 进一步提升城市生态环境的建设水平, 打造更高质量, 更具包容性和综合效益的城市绿色空间。
参考文献
[1] 陈晓红, 周宏浩. 城市化与生态环境关系研究热点与前沿的图谱分析. 地理科学进展, 2018, 37(9): 1171–1185
[2] 王文丽, 张安录, 刘蒙罢. 长江经济带城市土地利用效率与生态系统健康耦合时空格局分析. 水土保持研究, 2022, 29(6): 352–362
[3] 王博娅, 刘志成. 基于改进生态绿当量的城市绿色空间要素配置优化——以北京市中心城区为例. 生态学报, 2023, 43(11): 4539–4548
[4] 孙喆. 北京市第一道绿化隔离带区域热环境特征及绿地降温作用. 生态学杂志, 2019, 38(11): 3496–3505
[5] 张豪, 冯长春, 郭永沛, 等. 绿隔政策背景下北京市村庄改造特征及规划策略. 规划师, 2022, 38(4): 78–84
[6] 吴纳维, 张悦, 王月波. 北京绿隔乡村土地利用演变及其保留村庄的评估与管控研究——以崔各庄乡为例. 城市规划学刊, 2015(1): 61–67
[7] 徐勤政, 石晓冬, 胡波, 等. 利益冲突与政策困境——北京城乡结合部规划实施中的问题与政策建议. 国际城市规划, 2014, 29(4): 52–59
[8] 张豪, 郭永沛, 苏黎馨, 等. 城乡结合部人居环境与经济协调发展分析——以北京市朝阳区为例. 人文地理, 2021, 36(6): 108–116
[9] 王晓东, 蒙吉军. 土地利用变化的环境生态效应研究进展. 北京大学学报(自然科学版), 2014, 50(6): 1133–1140
[10] 陈万旭, 李江风, 曾杰, 等. 中国土地利用变化生态环境效应的空间分异性与形成机理. 地理研究, 2019, 38(9): 2173–2187
[11] 谢高地, 张彩霞, 张雷明, 等. 基于单位面积价值当量因子的生态系统服务价值化方法改进. 自然资源学报, 2015, 30(8): 1243–1254
[12] 李丽, 王心源, 骆磊, 等. 生态系统服务价值评估方法综述. 生态学杂志, 2018, 37(4): 1233–1245
[13] 谢高地, 鲁春霞, 冷允法, 等. 青藏高原生态资产的价值评估. 自然资源学报, 2003(2): 189–196
[14] 孔冬艳, 陈会广, 吴孔森. 中国“三生空间”演变特征、生态环境效应及其影响因素. 自然资源学报, 2021, 36(5): 1116–1135
[15] 陶陶. 数字生态模型支持下的“生态优先”城乡规划方法. 城市发展研究, 2013, 20(12): 76–81
[16] 刘强, 杨众养, 陈毅青, 等. 基于CA-Markov多情景模拟的海南岛土地利用变化及其生态环境效应. 生态环境学报, 2021, 30(7): 1522–1531
[17] 黄鑫, 程文仕, 李晓丹, 等. 干旱内陆河流域土地利用转型的生态环境效应变化特征及其驱动因素探测. 水土保持研究, 2023, 30(2): 324–332
[18] 刘永强, 龙花楼. 黄淮海平原农区土地利用转型及其动力机制. 地理学报, 2016, 71(4): 666–679
[19] Goodwin S, Olazabal M, Castro A J, et al. Global mapping of urban nature-based solutions for climate change adaptation. Nature Sustainability, 2023, 6: 458–469
[20] European Commission. Towards an EU research and innovation policy agenda for nature — based solutions and re-naturing cities. Brussels: EC, 2015: 16–25
[21] Liquete C, Udias A, Conte G, et al. Integrated valua-tion of a nature-based solution for water pollution con-trol: highlighting hidden benefits. Ecosystem Services, 2016, 22: 392–401
[22] Raymond C M, Frantzeskaki N, Kabisch N, et al. A framework for assessing and implementing the co-benefits of nature-based solutions in urban areas. Environmental Science Policy, 2017, 77: 15–24
[23] Frantzeskaki N. Seven lessons for planning nature-based solutions in cities. Environmental Science and Policy, 2019, 93: 101–111
[24] 罗明, 周旭, 周妍. “基于自然的解决方案”在中国的本土化实践. 中国土地, 2021(1): 12–15
[25] 周伟奇, 朱家蓠. 城市内涝与基于自然的解决方案研究综述. 生态学报, 2022, 42(13): 5137–5151
[26] Kabisch N, Frantzeskaki N, Pauleit S, et al. Nature-based solutions to climate change mitigation and adaptation in urban areas: perspectives on indicators, knowledge gaps, barriers, and opportunities for action. Ecology and Society, 2016, 21(2): 39
[27] Bush J, Doyon A. Building urban resilience with nature-based solutions: how can urban planning con-tribute?. Cities, 2019, 95: 102483
[28] 张翼飞, 李嘉蕙, 王艺蔚. 中国城市绿色基础设 施绩效研究——基于自然的解决方案. 生态经济, 2022, 38(11): 100–107
[29] 杨萌, 廖振珍, 石龙宇. 雄安新区多尺度生态基础设施规划. 生态学报, 2020, 40(20): 7123–7131
[30] 章程焱, 杨少康, 董晓华, 等. 基于RSEI指数的长江上游流域生态环境质量时空演变及影响因子研究. 水土保持研究, 2023, 30(1): 356–363
[31] 楼梦醒, 冯长春. 京津冀地区城市建设用地变化及差异化驱动力研究. 城市发展研究, 2018, 25(9): 23–28
Change and Driving Factors of Eco-environmental Quality in Beijing Greenbelt: From the Perspective of “Nature-based Solutions”
Abstract This paper introduces the perspective of “Nature-based Solutions” (NBS) and analyzes the change and driving factors of eco-environmental quality in greenbelt. The findings are as follows. 1) From 2005 to 2020, the eco-environmental quality showed a trend of first decline and then recovery, and a circle spatial pattern was obvious. 2) The change trend of eco-environmental quality in the two greenbelts was different. The eco-environment quality of the first greenbelt was relatively lower, and it continued to decline. The eco-environmental quality of the second greenbelt has stopped falling and rebounded after 2015. 3) As for driving factors, the study confirmed that NBS measures had driving effect on the improvement of eco-environmental quality. Green Infrastructure showed a significant driving effect in both greenbelts, while ecological infrastructure only showed a significant driving effect in the second greenbelt. Since entering the stage of reduction development, the eco-environmental quality of Beijing Greenbelt has improved obviously. In the future, NBS measures can be more targeted to further improve urban eco-environmental quality and the construction of urban green space system.
Key words eco-environmental quality; nature-based solutions; driving factors; greenbelt; Beijing
国家重点研发计划(2017YFE0119200)资助