EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 4: 684 - 697

DOI: https://doi.org/10.12082/dqxxkx.2022.210523

地理空间分析综合应用

基于动态模拟视角与共享社会经济路径的多情景县域可持续发展潜力评价

  • 李福香 , 1 ,
  • 刘殿锋 , 1, 2, * ,
  • 孔雪松 1, 2 ,
  • 刘耀林 1, 2
展开
  • 1.武汉大学资源与环境科学学院,武汉 430079
  • 2.武汉大学数字制图与国土信息应用工程自然资源部重点实验室,武汉 430079
*刘殿锋（1985— ）,男,内蒙古赤峰人,博士,副教授,博士生导师,主要从事土地资源可持续利用、土地利用生态 效应与优化决策。E-mail:

李福香（1997— ）,女,江西赣州人,硕士生,主要从事乡村发展与土地资源可持续利用研究。E-mail:

收稿日期: 2021-08-31

  修回日期: 2021-11-02

  网络出版日期: 2022-06-25

基金资助

国家重点研发计划项目(2018YFD1100801)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Multi-scenario Evaluation of County-scale Development Potential based on Shared Socioeconomic Pathways and Dynamic Simulation Approach

  • LI Fuxiang , 1 ,
  • LIU Dianfeng , 1, 2, * ,
  • KONG Xuesong 1, 2 ,
  • LIU Yaolin 1, 2
Expand
  • 1. School of Resources and Environmental Sciences, Wuhan University, Wuhan 430079, China
  • 2. Key Laboratory of Digital Cartography and Land Information Application Engineering, Ministry of Natural Resources, Wuhan 430079, China
*LIU Dianfeng, E-mail:

Received date: 2021-08-31

  Revised date: 2021-11-02

  Online published: 2022-06-25

Supported by

National Key Research and Development Program of China(2018YFD1100801)

Copyright

Copyright reserved © 2022
Fold

摘要

作为可持续发展的重要主题之一,科学评估县域可持续发展潜力是制定县域发展战略的基础。现有可持续发展潜力评估方法多是基于县域发展现状的多维度综合分析,在体现发展的动态性上仍存在不足。本文构建了面向联合国2030年可持续发展目标的县域可持续发展潜力指标体系,采用系统动力学和FLUS模型对发展潜力指标进行预测,提出了一种结合共享社会经济路径的多情景县域可持续发展潜力评估方法。本文以山东省招远市作为案例区,基于2009—2018年的社会经济以及土地利用数据,通过模拟2030年招远市基准情景、SSP1、SSP2、SSP3、SSP5共5种情景下的县域发展态势,对比评估了实验区可持续发展潜力的差异性。结果表明：① 经济发展、居民福祉维度的多数指标在所有情景下均呈增长趋势,而生态维度指标则呈显著的下降趋势;② 相比2018年,SSP1、SSP2情景下县域发展潜力均值分别提升了17.36%、9.80%,而在SSP3、SSP5情景下分别下降了0.50%、4.20%,可见,SSP1情景能够最大限度提升招远市发展可持续性,SSP5则将产生显著的负面影响;③ 招远市未来发展应持续优化SSP1路径,重点关注不同产业劳动力占比、人口老龄化、碳固持等滞后指标。本研究建立了2030可持续发展目标与县域发展潜力的映射关系,提供了一种面向未来的多情景县域发展潜力评价技术框架,预期为招远市未来发展政策制定与高质量发展转型提供科学依据。

关键词： 发展潜力评价; 多情景模拟; 可持续发展目标; 系统动力学; 共享社会经济路径; FLUS模型; 县域可持续发展; 指标体系

本文引用格式

李福香 , 刘殿锋 , 孔雪松 , 刘耀林 . 基于动态模拟视角与共享社会经济路径的多情景县域可持续发展潜力评价[J]. 地球信息科学学报, 2022 , 24(4) : 684 -697 . DOI: 10.12082/dqxxkx.2022.210523

Abstract

As a key issue of sustainable development, scientific assessment of sustainable development potential at county scale provides a solid support for policy making of regional planning. The existing studies have mostly evaluated development potentials of counties using the aggregation of multi-dimensional indicators based on actual development conditions, but rarely focused on the evolution of development potentials in future. Here, we construct an indicator system for the evaluation of sustainable development potential at county scale based on the 2030 Sustainable Development Goals (SDGs), and project the changes in evaluation indicators based on the integration of System Dynamics model (SD) and Future Land Use Simulation model (FLUS). The Zhaoyuan City in Shandong Province, one of China's top 100 economic counties and famous of its gold mining, was selected as a case study to explore the potential of its transition from the mining-dependent to the sustainable development mode. To examine the impacts of different development modes on sustainable development potentials of the study area, we designed five simulation scenarios based on multiple Shared Socioeconomic Pathways (SSPs), i.e., business-as-usual scenario, SSP1, SSP2, SSP3, and SSP5, and performed the evaluation under different pathways from a simulation perspective. The results show that: (1) A majority of indicators on economic and social dimensions are likely to be improved under all scenarios, while ecological indicators, e.g. carbon sequestration, forest, grass, water shape index, and number of forest, grass, and water patches, will be significantly declined; (2) The changing rate of development potentials during the period of 2018-2030 will be less than that from 2009 to 2018 due to the development transition from extensive to the high-quality mode; (3) Compared with the year of 2018, the development potential on average in 2030 under SSP1 and SSP2 scenarios will be increased by 17.36% and 9.8%, respectively, while those under SSP3 and SSP5 will be decreased by 0.5% and 4.20%, respectively. The SSP1 can maximize the development sustainability of the study area, but SSP5 may exert significantly negative impact; (4) future development of Zhaoyuan City should focus on the promotion of SSP1 scenario and cope with backward indicators such as the labor force proportion in different industries, aging population, and carbon sequestration. Overall, we aim to clarify the mapping relationship between 2030 Sustainable Development Goals and development potentials at county scale and provide a comprehensive evaluation framework for development potentials under multiple simulation scenarios. Our work is expected to provide scientific guidance for development policy making and high-quality development transition of Zhaoyuan City.

Key words： development potential evaluation; multi-scenario simulation; sustainable development goals; system dynamics; Shared Socioeconomic Pathways; FLUS model; County sustainable development; indicator system

1 引言

县域可持续发展旨在促进经济、民生福祉、生态文明的协调发展,对推进我国城乡统筹与乡村转型发展,落实乡村振兴战略、生态文明建设具有重要意义[1,2]。可持续发展潜力可以看作是一种依托现状、面向未来,在现状基础上能够支撑区域系统全面、协调、可持续发展的能力[3]。准确评价县域可持续发展潜力,不仅有助于建构县域发展现状与未来发展目标的有效联系,还能够实现对县域不同发展维度的系统化解析。在当前高质量发展背景下,研究不同发展路径下的县域可持续发展潜力可以为县域发展政策与目标制定提供科学依据。
目前,县域发展潜力评价通常从发展要素、发展机制以及发展需求等方面展开。发展要素是发展的基础条件,现有研究多集中于对农业生产[4]、土地利用[5]、旅游发展[6]等单一要素或多要素的发展潜力进行评价。在发展机制方面,研究主要从系统演化视角出发,通过分析县域发展的内生式与外生式驱动力机制,以探索县域发展潜力[7]。考虑到实际需求,相关研究面向村庄规划、乡村振兴战略等开展县域发展潜力评价[7,8]。在此基础上,学者们主要通过构建发展潜力评估指标体系,采用多因素加权评估模型[9]、聚类分析法[10]等进行县域综合发展潜力评估。总体来看,多数研究更注重对研究区域现状发展水平的刻画,而在发展潜力指标科学量化、面向未来态势的发展潜力评价2个方面仍然存在不足。
指标体系是县域发展潜力评估的基础,科学构建与量化指标体系决定着评价结果的可靠性与可比性。2030年联合国可持续发展目标（Sustainable Development Goals, SDGs）是以结果为导向的可持续发展框架,包含17项目标、169项具体目标,其目的是鼓励各国利用该框架指导国家规划、政策制定和投资决策,并定期监测和报告至2030年目标实现的进展情况[11]。当前,结合可持续发展目标进行区域可持续发展评价的研究日益增多,例如建立中国土地可持续评价指标体系[12]、城市可持续发展评价指标体系[13]、美丽中国内涵与评价指标体系[14]等,同时关于中国落实各项SDGs进展的评估研究也已取得初步成果[15]。上述研究为开展面向可持续的县域发展潜力评价提供了借鉴价值,但目前仍未关于SDGs在县域尺度发展潜力评价中的运用。
县域发展潜力评价需要面向县域未来的发展态势,可持续发展潜力也具有动态性和不确定性[16]。面向未来发展目标,准确分析不同发展情景下的县域可持续发展潜力动态规律是开展适应性、动态性政策制定的关键[17]。目前常用的可持续发展水平模拟模型主要有T21模型、综合可持续发展目标模型（iSDG）等。其中,T21模型可以通过评估不同政策对发展结果的影响来支持可持续发展政策的制定[18],iSDG则建立在T21模型基础上,具备拟合不同SDGs之间反馈过程、非线性关系以及时滞效应等复杂相互作用的能力[19]。此外,部分研究采用时间序列模型开展未来可持续发展水平的预测分析[20],但此模型在预测机理可解释性上相对较弱。由于县域系统的复杂性,构建具有高度灵活性、实用性和准确性的预测模型是亟待解决的挑战。共享社会经济路径（Shared Socioeconomic Pathways, SSPs）通过将区域发展水平与社会经济条件有机结合,有效地描述了未来潜在的社会经济发展路径,通过与系统动力学模型结合,能够为统一、可比的多情景区域发展模拟提供可行框架[21]。SSPs已经在包括城市扩张[22]、土地利用变化[21]、环境保护[23]、乡村转型发展[24]等多方面运用,但其能否应用于多情景县域发展潜力评价仍有待进一步探索[25,26]。
招远市多次入选“中国百强县”、“工业百强县”以及“全国县域经济综合竞争力100强”榜单,是我国主要的黄金产地之一。传统资源依赖型发展模式带来的环境污染、生态破坏、资源浪费等问题严重阻碍了高质量发展转型进程,亟需通过科学评估发展模式为未来发展提供决策支持。本文以招远为研究区,构建了面向联合国2030年可持续发展目标的县域可持续发展潜力指标体系,采用系统动力学（System Dynamics, SD）和FLUS（Future Land Use Simulation）模型对发展潜力指标进行预测,进而对比评价多种共享社会经济发展路径下的县域可持续发展潜力,为其向绿色可持续发展转型提供路径选择。

2 研究方法

县域可持续发展潜力评价主要包括面向SDGs的县域可持续发展潜力指标体系构建、基于共享社会经济路径的多情景发展态势预测、多情景县域可持续发展潜力对比分析3部分（图1）。县域发展实质上是经济、社会、生态系统间的相互联系与协同发展,SDGs旨在实现经济发展、社会包容、环境美好的多维协调发展,与县域发展理念存在辩证统一性,因此能够作为县域可持续发展潜力指标体系的构建依据。结合系统动力学和FLUS模型进行县域发展状态模拟,预测可持续发展潜力指标的状态。为了验证不同发展路径对未来县域可持续发展的影响,本文基于共享社会经济路径设定未来发展情景,采用人口、经济、城镇化以及固定资产投资的变化率[23]等参数对不同情景进行描述,并采用SD模型建立起不同参数之间的相互作用关系,预测统计型可持续发展潜力指标的未来态势。同时,鉴于部分潜力指标与未来土地利用格局的关联性,利用FIUS模型预测未来土地利用格局,计算该类空间性潜力值未来态势。最后根据各潜力指标的预测结果,以2030年联合国SDGs的目标阈值为参考标准,综合评估不同情景下的县域可持续发展潜力。
图1 县域可持续发展潜力评价流程

Fig. 1 Sustainable development potential evaluation framework at county scale

2.1 可持续发展潜力指标体系构建

2030年联合国可持续发展目标指标体系涵盖了17个目标、169个子目标,由于其相应指标是根据国家尺度的评估监测和全球普适性设计,不能够充分反映不同国家和地区的特殊情况,难以直接套用到所指定的研究区域[27]。因此,需根据研究区域的地域特征,依据适应性、可定量和尽可能覆盖原则,对SDGs的具体指标进行筛选或改进,构建出本土化的SDG指标用于发展潜力评估[11]（表1）。
表1 县域可持续发展潜力评估指标体系

Tab. 1 Indicator system for sustainable development potential evaluation at county scale

目标层
准则层 指标层 属性 对应SDGs
经济
发展		 人均经济增长 人均GDP年增长率/% 适中型 SDG8
农业生产 人均农林牧渔产值/（万元/人） 正向型 SDG8
非农经济发展 二三产业增加值占GDP比重/% 正向型 SDG9
生产性就业 二三产业劳动力占总人口比重/% 正向型 SDG8
经济发展投资 二三产业固定资产投资占GDP比重/% 正向型 SDG8
居民
福祉		 城乡发展 城镇化率/% 适中型 SDG11
人口活力 人口老龄化程度/% 负向型 SDG11
生活空间 城市人均用地/（km2/万人） 适中型 SDG11
乡村人均用地/（km2/万人） 适中型 SDG11
建设用地聚集指数(AI) 正向型 SDG11
生态
可持续		 土地生产要素 人均耕地面积/（km2/人） 正向型 SDG15
可持续管理森林 林地面积比重年变化率/% 适中型 SDG15
水生态可持续 水域面积比重年变化率/% 适中型 SDG6
草地可持续 草地面积比重年变化率/% 适中型 SDG15
生物多样性保护 碳固持/（t/hm2） 正向型 SDG13
林草水域斑块数量（NP） 负向型 SDG15
林草水域形状指数（LSI） 正向型 SDG15
香农多样性指数（SHDI） 正向型 SDG15
潜力评估指标体系包括经济发展、居民福祉、生态可持续3个维度,其中经济维度对应SDG8—促进可持续经济增长和SDG9—促进可持续工业化[28],包括经济总量、产业发展、劳动力资本、资金资本投入等方面,为了更好地监测系统状态的变化,多采用比率类型的指标[27],例如,人均GDP年增长率、人均农林牧渔产值、二三产业增加值占GDP比重、二三产业劳动力占总人口比重以及二三产业固定资产投资占GDP比重等;促进社会公平正义,增进居民福祉是可持续住区的重要体现[29],对应SDG11—建设可持续的城市和人类住区,具体选取城镇化率、城市人均用地、乡村人均用地、人口老龄化程度等表征城乡发展水平及社会养老事业发展,同时选取建设用地聚集指数表示建设用地的空间集约程度;生态可持续维度对应SDG6—水资源保护、SDG13—应对气候变化、SDG15—保护、恢复和促进可持续利用陆地生态系统,遏制生物多样性的丧失[30],选取人均耕地面积、林地面积比重年变化率、水域面积比重年变化率、草地面积比重年变化率体现自然要素的变化,选取生物多样性保护表征生态系统的服务功能,同时选取林草水域斑块数量、林草水域形状指数、香农多样性指数表示生物多样性及其影响因素的空间变化。

2.2 可持续发展态势模拟情景设置

参考已有研究,本研究构建了基准情景（Business-As-Usual, BAU）、SSP1、SSP2、SSP3、SSP5共5种情景[25]。基准情景主要作为对比分析基准,突出县域可持续性的历史演化趋势,其他4种情景则参考共享社会经济路径相关定义进行设置,主要用于分析不同发展路径下县域可持续发展潜力的变化情况（表2）。由于SSP4对未来社会经济发展期望相对悲观,倾向于对社会发展不均衡性的描述,其不符合招远市作为全国经济百强县的未来发展预期,也与我国城乡统筹发展的战略目标不符,故本文未作考虑。
表2 不同模拟情景的参数设置

Tab. 2 Parameters setting under different simulation scenarios (%)

参数 SSP1 SSP2 SSP3 SSP5 BAU
GDP增长率 7.50 6.00 4.50 9.00 6.79
城镇化增长率 2.00 1.50 1.00 2.00 1.25
城镇人口变化率 0.60 0.40 0.20 0.30 0.22
农村人口变化率 -0.50 -0.30 -0.10 -0.20 -0.41
固定资产投资增长率 7.00 5.00 3.00 8.00 7.00
各情景的参数设置依据研究区发展需求以及各路径的关键特征进行设置[21,22]。其中,GDP增长率与固定资产投资按照招远市发展目标以及历史发展趋势设置,城镇化率增长率依据中国城镇化研究趋势预测成果设置[31]。具体参数如下：
（1）BAU情景。该情景强调人口、经济、城镇化率以及固定资产投资延续历史变化趋势。其中,GDP增长率为6.79%,城镇化增长率为1.25%,城镇人口变化率、农村人口变化率分别为0.22%、 -0.41%,固定资产投资增长率为7%。
（2）SSP1情景。该情景为相对可持续发展路径,关键特征是中高经济水平、较高城镇化水平、较低人口水平[22],相较于基准情景其经济发展速度更加符合招远发展目标,城镇化增长率也较高。根据招远未来经济发展目标,设定GDP增长率为7.5%,城镇化增长率高于基准情景即为2%,城镇人口变化率、农村人口变化率分别为0.6%、-0.5%,固定资产投资增长率与基准情景保持一致（7%）。
（3）SSP2情景。该情景为中间路径,介于SSP1与SSP3之间,关键特征是中等经济水平、中等城镇化水平、中等人口水平,参数设置也介于SSP1与SSP3之间[22]。因此,设定GDP增长率为6%,城镇化增长率为1.5%,城镇人口变化率、农村人口变化率分别为0.4%、-0.3%,固定资产投资增长率为5%。
（4）SSP3情景。该情景为区域竞争路径,关键特征是低经济水平、低城镇化水平、高人口水平,相较于基准情景该路径经济发展速度放缓,城镇化进程减缓,投资减少,但区域发展也存在着竞争[32]。有学者和研究机构认为2050年之前中国GDP年均增速下降至2.98%左右（浮动1%~2%）[31],故设定GDP增长率为4.5%,固定资产投资增长率为3%。根据该路径特征以及与基准情景的比较,设置城镇化增长率为1%,城镇人口变化率、农村人口变化率分别为0.2%、-0.1%。
（5）SSP5情景。该情景为高速发展路径,关键特征是高速经济水平、高城镇化水平、低中人口水平,相较于基准情景该路径投资力度大,经济建设强度高[22],故设定GDP增长率为9%,固定资产投资增长率为8%,城镇化增长率为2%,城镇人口变化率、农村人口变化率分别为0.3%、-0.2%。

2.3 可持续发展态势模拟模型构建

本文结合系统动力学和FLUS模型进行县域可持续发展态势模拟,模拟结果主要用于对统计型、空间型潜力指标进行量化。
SD模型基本特征是动态模拟,通过不同模块和变量之间的反馈回路来分析和模拟复杂系统。模型应明确变量的动态行为、时间范围和参考模式三要素[33],动态行为定义了基于变量变化的逻辑关系,时间范围是模拟的时间段,以及模拟时间段内的时间步长,参考模式定义了模型中关键变量的变化。本研究的时间范围为2018—2030年,时间步长为1年,SD模型包含人口、经济和土地利用3大模块,所考虑的变量及其相互关系如图2所示,变量之间的相互作用关系通过回归方法和其逻辑关系得到[32]。人口模块模拟了城乡人口、劳动力的变化,与农产品和城乡建设用地需求的变化有关,并决定了相应的土地资源数量[34]。经济模块探究GDP增长和固定资产投资对建设用地开发、农业生产、森林保护、水产生产和畜牧业的影响。土地利用模块则定义了不同土地利用类型的转换逻辑[25]。在本研究中,根据每个情景的特征设定关键变量的动态变化率,包括GDP、城镇化率、人口变化和固定资产投资变化率。表2中部分潜力指标属于空间型,与土地利用格局密切相关。基于此,利用FLUS模型进行2030年土地利用格局的预测[35]。具体选取国内生产总值、坡度、高程以及与高速公路、铁路、国道、省道和城镇中心的距离9个变量作为土地利用变化驱动变量[36],以SD输出的2030年土地利用数量结构作为约束条件。根据2009年、2018年土地利用数据,采用FLUS中的人工神经网络模块训练得到各土地利用类型的发生概率[37],采用其中的元胞自动机模型进行2030年土地利用空间格局模拟,模拟结果用于计算空间型潜力指标值。
图2 SD模型内部结构

Fig. 2 Interior structure of SD model

同时,本文采用式（1）验证系统动力学模型精度[38]：
θ = x ̂ - x x × 100 %
式中： θ为模型误差; x ̂为模拟数值; x为实际值。同时,采用Kappa系数来衡量FLUS模型对土地利用变化的模拟准确性,Kappa系数通过2018年模拟结果与实际土地利用格局的混淆矩阵计算,混淆矩阵表示了预测地类与真实地类之间的转换关系[37]。

2.4 面向SDGs的可持续发展潜力评价

采用理想值法对多情景县域可持续发展潜力进行评价与对比分析。基于理想值法,当前县域发展状态与其理想目标之间的差距可客观反映县域发展的潜力空间,当前状态距离目标值（理想值）的差距越大,越难以实现发展目标,潜力就越小,反之差距越小,潜力越大。理想值法的核心在于确定每个发展潜力指标的上限值、下限值（表3）,明确指标对县域发展潜力的正向、负向或适中作用类型,然后基于上限值、下限值分类对指标进行归一化处理,得出单一指标的潜力值[11]。
表3 各指标上限值、下限值确定

Tab. 3 Each indicator upper limit value, the lower limit value is determined

指标 上限值 下限值 参考来源
人均GDP年增长率/% 7.00 7.00 2018年中国评估报告[40]
人均农林牧渔产值/(万元/人） 2.97 0.00 Xu等[11]
二三产业增加值占GDP比重/% 95.00 57.00 2018年中国评估报告
二三产业劳动力占总人口比重/% 73.60 28.70 SDG指数和指示板[41]
二三产业固定资产投资占GDP比重/% 71.72 46.85 2018年中国评估报告
城镇化率/% 70.00 70.00 曹祺文等[31]
人口老龄化程度/% 16.10 30.00 2018年中国评估报告
城市人均用地/(km2/万人) 2.50 2.50 SDG指数和指示板
乡村人均用地/(km2/万人) 3.50 3.50 SDG指数和指示板
建设用地聚集指数（AI） 84.74 82.70 前五的平均值、倒数2.5%位置值
人均耕地面积/(km2/人) 3.10 1.50 2018年中国评估报告
林地面积比重年变化率/% 0.10 -2.00 SDG指数和指示板
水域面积比重年变化率/% 0.10 -2.00 SDG指数和指示板
草地面积比重年变化率/% 0.10 -2.00 SDG指数和指示板
碳固持/(t/hm2) 107.75 107.00 前五的平均值、倒数2.5%位置值
林草水域斑块数量（NP） 9913.00 10 609.00 前五的平均值、倒数2.5%位置值
林草水域形状指数（LSI） 154.73 153.50 前五的平均值、倒数2.5%位置值
香农多样性指数（SHDI） 1.07 1.01 前五的平均值、倒数2.5%位置值
上限值和下限值设定原则及阈值范围参照贝塔斯曼基金会与联合国可持续发展解决方案网络（SDSN）发布的《可持续发展报告SDGs指数和指示板》[27]、《中国落实2030年可持续发展议程国别方案》[39]、中国可持续发展目标（SDGs）指标构建及进展评估报告以及国际权威学术论文中的相关标准[11]等。具体上、下限值主要根据以下原则确定：对于SDGs指数和仪表板、中国SDGs指标构建及进展评估报告、国际权威学术论文中已经涉及的指标,则采用其使用的上下限值;对于其他指标,将研究区域前五名的平均水平设定为上限值,将位于指标数据最差绩效2.5%的位置值定义为下限值[27]。

3 研究区概况与数据来源

3.1 研究区概况

招远市地处中国山东省东北部、烟台市境西北部,位于37°05′ N—37°33′ N和120°08′ E—120°38′ E,总面积约为1432.32 km2,辖5个街道、9个镇 （图3）。市域内生物资源丰富,生态本底优越,拥有丰富的山林资源,山区、丘陵分别占总面积的32.90%和38.40%,河流水系交错分布。招远市2020年入选“全国县域经济综合竞争力100强”,黄金、食品、橡胶、机械、电子是其五大支柱产业,其中黄金产业发展基础好,黄金资源约占中国总储量的十分之一,是中国最重要的黄金产区之一。在资源依赖型向绿色可持续转型发展的进程中,招远市城乡资源要素、经济发展、生态环境等存在较大差异,需寻求不同发展路径以推进可持续发展。因此,亟需从可持续发展视角出发评价其未来发展潜力,为制定差异化的可持续发展政策提供支持。
图3 招远市地理位置

Fig. 3 The location of Zhaoyuan city

3.2 数据源及预处理

本研究所需数据主要包括土地利用数据、自然环境数据、社会经济数据等,数据来源及用途如表4所示。基于2009—2018年的人口数据、社会经济数据（包含农业、工业、服务业、经济总量等方面）进行招远市经济发展、居民福祉维度的指标计算,其中包括人均GDP年增长率、人均农林牧渔产值、二三产业增加值占GDP比重、二三产业劳动力占总人口比重、二三产业固定资产投资占GDP比重、城镇化率、人口老龄化程度等;利用2009—2018年的土地利用数据计算生态维度的相关指标,其中碳固持水平采用测量乘法,依据不同土地利用类型的碳固持当量计算[42]。同时基于2009年和2018年的实际土地利用数据、道路网络数据、城镇中心点数据和DEM数据对未来的土地利用空间格局变化进行模拟,在Fragstats中基于土地利用空间格局模拟结果计算建设用地聚集指数（Aggregation Index, AI）、林草水域斑块数量（Number of Patches, NP）、林草水域形状指数（Landscape Shape Index, LSI）、香农多样性指数（Shannon's Diversity Index, SHDI）[43]。所有空间数据均转换为CGCS2000坐标系统下 30 m分辨率的栅格影像。
表4 主要数据及其来源

Tab. 4 Data and sources in this study

数据类别 数据名称 时间/年 数据来源 数据用途
土地利用 土地利用数据 2009—2018 招远市自然资源和规划局 SD、FLUS 模型的输入和验证数据及指标计算
社会经济 总人口、城乡人口 2009—2018 招远市自然资源和规划局 SD模型构建及指标计算
农林牧渔产值 2009—2018
固定资产投资 2009—2018
GDP、一二三产业增加值 2009—2018
一二三产业劳动力 2009—2018
自然环境 DEM 2018 地理空间数据云平台[44] FLUS模型输入数据
基础地理信息 铁路、省道、国道、高速公路、城镇中心位置 2018 OpenStreetMap[45]
FLUS模型输入数据

4 结果与分析

4.1 模拟精度验证

图4展示了系统动力学模型在预测县域发展态势相关指标时的误差。各指标模拟精度相对较高,其中绝对部分指标误差值小于1%,仅未利用地面积、二三产业增加值等少量指标误差高于1.5%,验证了SD模型在本研究中的有效性。从土地利用空间格局模拟来看,Kappa系数能够达到0.92,表明FLUS模型可以较精确地预测招远市未来土地利用变化。
图4 SD模型实验结果误差

Fig. 4 Experimental error of SD model

4.2 土地利用数量与空间格局预测结果

2030年招远市各情景地类面积变化以及土地利用空间格局如图5、图6所示。基准情景下耕地、林地、草地、建设用地、水域和未利用地的面积分别为59 045.21、48 010.32、4079.13、24 104.70、6853.63、1143.05 hm2。相比于2018年,耕地、林地和草地的面积分别减少了3.95%、4.08%和17.96%,建设用地增加了31.38%,水体和未利用地的面积变化幅度较小。与基准情景相比,SSP3情景下建设用地增加幅度最小（27.65%）,耕地减少幅度最低（-3.01%）;SSP5情景下建设用地增加幅度最大（35.21%）,耕地、林地、草地减少幅度则最大,分别减少5.01%、4.61%、20.59%。在空间格局上,基准情景、SSP1、SSP2、SSP3、SSP5情景下建设用地聚集指数均相较2018年有所增大,分别提升了2.46%、2.63%、2.28%、1.89%、1.86%。相反,尽管林草、水域预测面积明显下降,其斑块数量在各情景下将分别增加15.05%、14.36%、16.10%、15.60%、15.80%,多样性指数分别提高了3.71%、4.13%、3.26%、2.87%、2.74%,表明生态用地日趋破碎,诸多生态过程以及物种间相互作用与协同共生的稳定性均将受到负面影响。
图5 不同情景下2018—2030年的土地利用面积

Fig. 5 Land use quantities under different scenarios during the period of 2018-2030

图6 不同情景下2030年土地利用格局

Fig. 6 Land use patterns under different scenarios in 2030

4.3 不同情景下潜力指标预测结果

表5统计了2030年不同情景下各指标的预测结果。总体上,人均GDP年增长率、人均农林牧渔产值、二三产业增加占比、二三产业劳动力占比、城镇化率在所有情景下均呈增长趋势,人口老龄化日益严峻,而人均耕地面积与生态用地面积均呈现不同程度的减少,碳固持总体较为稳定。相比基准情景,SSP1有效提升了人均农林牧渔产值、二三产业增加值占比、城镇化率和景观格局指标,城乡发展、社会经济与生态系统的协同发展在该路径下得到保障,体现了可持续发展路径的优势。SSP3则导致城市化与经济发展减缓、投资减少（分别降低3%、4%）,生态用地减少幅度降低。SSP5将获取最高的经济发展水平,相比于基准情景,该情景人均GDP年增长率增加了29.86%、人均农林牧渔产值增加了26.74%,但是人均耕地面积下降了2.91%,生态用地面积比重年变化率在所有情景中最大,斑块数量增加了15.80%,斑块形状指数降低了1.16,快速经济发展与城市化水平将明显增加对建设用地的需求,从而影响生态系统的健康发展。
表5 不同情景下2030年各指标预测结果

Tab. 5 Projects of individual indicators in 2030 under different scenarios

指标 2009年 2018年 BAU SSP1 SSP2 SSP3 SSP5
人均GDP年增长率/% 15.00 6.00 6.36 6.98 5.66 4.31 8.26
人均农林牧渔产值/(万元/人） 0.63 1.40 3.50 3.75 3.14 2.62 4.44
二三产业增加值占GDP比重/% 93.26 93.56 94.78 95.29 94.90 93.37 97.78
二三产业劳动力占总人口比重/% 36.49 40.42 47.30 46.27 46.15 46.01 46.09
二三产业固定资产投资占GDP比重/% 56.15 64.44 70.01 66.71 61.08 57.54 61.27
城镇化率/% 33.64 44.01 45.88 47.28 46.09 44.90 45.49
人口老龄化程度/% 18.49 26.40 37.70 37.12 37.06 36.98 37.02
城市人均用地/(km2/万人) 2.96 2.80 2.72 2.72 2.74 2.77 2.81
乡村人均用地/(km2/万人) 2.78 3.97 3.85 3.80 3.83 3.84 4.00
建设用地聚集指数 82.71 82.89 84.93 85.07 84.7 84.46 84.43
人均耕地面积/(km2/人) 1.64 1.64 1.60 1.57 1.58 1.58 1.55
林地面积比重年变化率/% -0.14 -0.13 -0.13 -0.13 -0.11 -0.11 -0.15
水域面积比重年变化率/% 0.00 0.00 -0.01 -0.01 -0.01 -0.01 -0.02
草地面积比重年变化率/% -0.02 -0.01 -0.04 -0.04 -0.03 -0.02 -0.05
碳固持/(t/hm2) 107.39 107.82 107.75 107.69 107.78 107.81 107.61
林草水域斑块数量 8793.00 9162.00 10 541.00 10 478.00 10 637.00 10 591.00 10 609.00
林草水域形状指数 153.50 154.94 154.61 154.55 154.74 154.82 153.77
香农多样性指数 1.01 1.03 1.07 1.07 1.06 1.06 1.06

4.4 多情景县域发展潜力

表6展示了2030年招远市在不同情景下的发展潜力。相比2018年,基准情景、SSP1、SSP2指标综合得分分别显著提高了15.56%、17.36%、9.80%,而SSP3、SSP5情景则降低了0.50%、4.20%。结果表明SSP1发展潜力最大,而SSP5情景下发展潜力最小,总体上2018—2030年发展潜力增长幅度要小于2009—2018年,表明招远市将从单纯追求发展速度向高质量发展模式转型。从各单项指标来看,人均农林牧渔产值、二三产业增加值占比在不同情景下均较为理想,表明招远产业结构较为稳定,总体潜力空间较小;空间上林草、水域等生态用地面积较为稳定,表明保护政策将很大程度改善生态系统健康水平,但在景观格局与功能提升方面仍有着较大的潜力空间;值得注意的是,二三产业劳动力占比、人口老龄化、人均耕地面积、碳固持在各情景下均表现不理想,是未来发展需要重点关注的指标。
表6 不同情景下2030年各指标及综合发展潜力评估结果

Tab. 6 Scores of individual indicator and their aggregations in 2030 under different scenarios

指标 2009年 2018年 BAU SSP1 SSP2 SSP3 SSP5
人均GDP年增长率/% 0.00 87.50 92.50 100.00 83.75 66.25 83.75
人均农林牧渔产值/(万元/人） 20.39 40.23 100.00 100.00 100.00 88.14 100.00
二三产业增加值占GDP比重/% 95.05 95.04 99.43 100.00 99.72 95.72 100.00
二三产业劳动力占总人口比重/% 17.34 24.11 41.44 40.13 38.88 38.55 38.72
二三产业固投占GDP比重/% 37.39 70.82 85.39 73.84 57.22 42.97 58.00
城镇化率/% 0.00 25.51 33.66 49.51 37.22 32.95 34.59
人口老龄化程度/% 82.81 15.90 0.00 0.00 0.00 0.00 0.00
城市人均用地/(km2/万人) 0.00 35.13 52.31 51.58 47.26 40.21 32.89
乡村人均用地/(km2/万人) 0.00 34.60 52.11 58.31 54.76 52.59 30.71
建设用地聚集指数 0.00 9.05 100.00 100.00 100.00 86.20 85.15
人均耕地面积/(km2/人) 8.52 8.65 6.12 4.36 4.85 5.17 3.22
林地面积比重年变化率/% 88.57 88.82 89.03 89.08 89.81 90.21 87.90
水域面积比重年变化率/% 95.15 95.08 94.63 94.62 94.73 94.79 94.50
草地面积比重年变化率/% 94.46 94.54 93.54 93.52 93.88 94.10 92.96
碳固持/(t/hm2) 58.14 74.01 72.20 77.38 48.50 30.82 0.00
林草水域斑块数量 100.00 100.00 9.77 18.82 0.00 2.59 0.00
林草水域形状指数 0.00 100.00 88.53 85.70 84.33 54.41 22.18
香农多样性指数 0.00 45.86 100.00 100.00 89.32 80.64 80.06
综合潜力分值 38.37 59.49 68.75 69.82 65.32 59.19 56.99

5 讨论

本研究基于可持续发展理念和系统演化视角,提出了一种面向未来发展态势的县域可持续发展潜力评价框架。一方面,当前多数可持续发展研究集中在全球、国家、区域、省级等宏观尺度,县域可持续评估受限于相关指标数据获取与量化难等问题仍少有涉及。本研究是对全球可持续发展目标在地方尺度应用的一种尝试,可以有效将县域发展置于全球可持续发展评估的背景之中,为推动县域发展融入全球化进程提供决策依据;另一方面,本研究提供不同发展路径下县域可持续发展目标实现程度的监测与评估,运用SSPs提供的情景分析能力,对不同发展路径下的各项指标潜力进行比较评估,探索其距离可持续发展目标的差距以及实现程度。此外,传统可持续发展潜力指标均基于区域现状条件进行量化[46,47],本文从系统模拟视角出发,为可持续发展潜力指标提供了一种面向未来发展趋势的量化方法。SD模型与FLUS模型的结合改变了其多用于模拟多情景土地系统演化的传统应用模式[22,37],有效地支撑了非空间型、空间型可持续发展指标的量化预测。
县域可持续发展具有系统性与综合性,因此要求政府把关注点由单纯经济增长转换为经济、社会和生态维度的协同可持续发展上。提高县域发展潜力,需尽可能实现各维度指标的预测目标。相比而言,基于SSP1情景的发展路径较为可取,其在保持适当经济发展速度的同时,能够有效推动高质量的城镇化发展,保障居民需求并保护各类自然生态资源。SSP3情景一定程度上可以有效控制生态类用地被侵占的速度,但其低速低投入的经济发展模式将难以满足居民需求,从而阻碍总体可持续发展目标的实现。而SSP5情景下可能会出现城市快速扩张、生态类用地急剧减少的情况,其高速高投入的经济发展模式忽略了生态可持续性,使得SDGs生态保护目标难以完成,因而整体可持续发展潜力最低。综上所述,SSP1路径将是研究区的最佳选择,可以通过对其进行持续优化,保障经济建设的高质量发展和良好的人居环境,同时将生态保护纳入区域发展目标以保护生物多样性与生态系统健康[48]。同时,可持续发展路径优化还需要注重补短板,二三产业劳动力占比、人口老龄化、碳固持等滞后指标应受到重点关注。
未来研究仍需要在县域发展潜力的空间精细刻画方面进一步提升。当前评价框架中涉及运用长时序历史数据对未来县域发展态势的模拟,而受限于传统管理机制和获取手段,村、镇尺度上的长时序数据获取仍相对困难。志愿者数据、时空大数据和空天地一体化观测技术的发展,将有助于我们克服微观尺度数据获取的困难,加强村镇尺度数据的追踪与收集,进一步研究村镇尺度的发展潜力动态演化评估。

6 结论

本研究提供的一种面向未来的、多情景县域发展潜力评价框架具有可行性,该框架详细定义了县域发展潜力评价流程中的指标体系构建、指标量化和综合潜力评估等关键环节,为县域发展潜力评价提供了通用模板。以山东省招远市为案例区,得出主要结论如下：
（1）在所有情景下,招远市经济和社会维度的大部分指标可以得到提高,而生态指标,如碳固持、林地、草地、水域形状指数以及斑块数量需进一步改善。
（2）与2018年相比,2030年SSP1和SSP2情景下的平均发展潜力分别增加了17.36%和9.8%,而SSP3和SSP5情景下的平均发展潜力分别减少了0.5%和4.20%。SSP1可以最大限度地提高研究区发展的可持续性,但SSP5可能会产生显著的负面影响。当然,SSP1路径并未颠覆性地改变研究区未来大部分经济社会维度指标提升、生态维度指标退化的趋势,因此需要进一步优化,其中部分滞后指标仍需要重点关注,亟需提升劳动力占比、碳固持水平等滞后指标的可持续化程度。
（3）总体而言,本研究通过明确2030年可持续发展目标与县域发展潜力的对应关系,并提供多模拟情景下发展潜力的综合评价框架,长时序多情景模拟可为县域经济、社会以及生态发展提供模拟实验和案例参考,为县域发展政策制定和高质量发展转型提供科学参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
屠爽爽, 龙花楼, 李婷婷, 等. 中国村镇建设和农村发展的机理与模式研究[J]. 经济地理, 2015,35(12):141-147,160.

[ Tu S S, Long H L, Li T T, et al. The mechanism and models of villages and towns construction and rural development in China[J]. Economic Geography, 2015,35(12):141-147,160. ] DOI: 10.15957/j.cnki.jjdl.2015.12.020

DOI

[2]
刘彦随, 周扬, 李玉恒. 中国乡村地域系统与乡村振兴战略[J]. 地理学报, 2019,74(12):2511-2528.

DOI

[ Liu Y S, Zhou Y, Li Y H. Rural regional system and rural revitalization strategy in China[J]. Acta Geographica Sinica, 2019,74(12):2511-2528. ] DOI: 10.11821/dlxb201912007

DOI

[3]
马仁锋, 王筱春, 李文婧, 等. 省域尺度县域综合发展潜力空间分异研究——以云南省为实证[J]. 地理科学, 2011,31(3):344-350.

[ Ma R F, Wang X C, Li W J, et al. Spatial disparity of County comprehensive development potential in Yunnan Province[J]. Scientia Geographica Sinica, 2011,31(3):344-350. ] DOI: 10.13249/j.cnki.sgs.2011.03.012

DOI

[4]
郭丽英, 任志远, 靳晓燕. 西北地区特色农业发展潜力与定位分析[J]. 人文地理, 2006,21(1):65-67.

[ Guo L Y, Ren Z Y, Jin X Y. Analysis on the development potential and direction of characteristic agriculture in Northwest China[J]. Human Geogaphy, 2006,21(1):65-67. ] DOI: 10.13959/j.issn.1003-2398.2006.01.014

DOI

[5]
杨红, 陈百明, 高永, 等. 基于可持续发展的北京市大兴区土地整理潜力评价[J]. 农业工程学报, 2006,22(8):77-82.

[ Yang H, Chen B M, Gao Y, et al. Land-consolidation-potentiality evaluation based on sustainable development for Daxing District in Beijing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2006,22(8):77-82. ] DOI: 10.3321/j.issn:1002-6819.2006.08.016

DOI

[6]
丁正山, 钱新锋, 张学文, 等. 基于旅游发展潜力的县域单元旅游空间功能区划探讨——以江苏省常熟市为例[J]. 地理研究, 2012,31(10):1905-1915.

[ Ding Z S, Qian X F, Zhang X W, et al. A research on functional divisions of tourism space at county level based on GIS technology: A case study of Changshu City, Jiangsu Province[J]. Geographical Research, 2012,31(10):1905-1915. ] DOI: 10.11821/yj2012100016

DOI

[7]
杨秀, 余龄敏, 赵秀峰, 等. 乡村振兴背景下的乡村发展潜力评估、分类与规划引导[J]. 规划师, 2019,35(19):62-67.

[ Yang X, Yu L M, Zhao X F, et al. Evaluation, classification and planning guidance of rural development potential under the background of rural revitalization[J]. Planners, 2019,35(19):62-67. ] DOI: CNKI:SUN:GHSI.0.2019-19-011

DOI

[8]
何杰, 金晓斌, 梁鑫源, 等. 城乡融合背景下淮海经济区乡村发展潜力——以苏北地区为例[J]. 自然资源学报, 2020,35(8):1940-1957.

[ He J, Jin X B, Liang X Y, et al. Research of rural system development potential in Huaihai Economic Zone: A case study of Northern Jiangsu province under the background of urban-rural integration[J]. Journal of Natural Resources, 2020,35(8):1940-1957. ] DOI: 10.31497/zrzyxb.20200814

DOI

[9]
余晓霞, 米文宝. 县域社会经济发展潜力综合评价——以宁夏为例[J]. 经济地理, 2008,28(4):612-616.

[ Yu X X, Mi W B. The comprehensive evaluation of development potentials of social and economic on county area[J]. Economic Geography, 2008,28(4):612-616. ] DOI: 10.15957/j.cnki.jjdl.2008.04.016

DOI

[10]
张燕, 徐建华, 曾刚, 等. 中国区域发展潜力与资源环境承载力的空间关系分析[J]. 资源科学, 2009,31(8):1328-1334.

[ Zhang Y, Xu J H, Ceng G, et al. The spatial relationship between regional development potential and resource & environment carrying capacity[J]. Resources Science, 2009,31(8):1328-1334. ] DOI: 10.3321/j.issn:1007-7588.2009.08.010

DOI

[11]
Xu Z, Chau S N, Chen X, et al. Assessing progress towards sustainable development over space and time[J]. Nature, 2020,577(7788):74-78. DOI: 10.1038/s41586-019-1846-3

DOI

[12]
徐晶, 张正峰. 面向SDGs的中国土地可持续评价指标研究[J]. 地理与地理信息科学, 2020,36(4):77-84.

[ Xu J, Zhang Z F. Research on land sustainable evaluation indices in China for SDGs[J]. Geography and Geo-Information Science, 2020,36(4):77-84. ] DOI: 10.3969/j.issn.1672-0504.2020.04.012

DOI

[13]
王鹏龙, 高峰, 黄春林, 等. 面向SDGs的城市可持续发展评价指标体系进展研究[J]. 遥感技术与应用, 2018,33(5):784-792.

[ Wang P L, Gao F, Huang C L, et al. Progresson sustainable city assessment index system for SDGs[J]. Remote Sensing Technology and Application, 2018,33(5):784-792. ] DOI: 10.11873/j.issn.1004-0323.2018.5.0784

DOI

[14]
高峰, 赵雪雁, 宋晓谕, 等. 面向SDGs的美丽中国内涵与评价指标体系[J]. 地球科学进展, 2019,34(3):295-305.

[ Gao F, Zhao X Y, Song X Y, et al. Connotation and evaluation index system of beautiful China for SDGs[J]. Advances in Earth Science, 2019,34(3):295-305. ] DOI: 10.11867/j.issn.1001-8166.2019.03.0295

DOI

[15]
朱婧, 孙新章, 何正. SDGs框架下中国可持续发展评价指标研究[J]. 中国人口·资源与环境, 2018,28(12):9-18.

[ Zhu J, Sun X Z, He Z, et al. Research on China's sustainable development evaluation indicators in the framework of SDGs[J]. China Population, Resources and Environment, 2018,28(12):9-18. ] DOI: 10.12062/cpre.20180721

DOI

[16]
van Berkel D B, Verburg P H. Sensitising rural policy: Assessing spatial variation in rural development options for Europe[J]. Land Use Policy, 2011,28(3):447-459. DOI: 10.1016/j.landusepol.2010.09.002

DOI

[17]
张军泽, 王帅, 赵文武, 等. 可持续发展目标关系研究进展[J]. 生态学报, 2019,39(22):8327-8337.

[ Zhang J Z, Wang S, Zhao W W, et al. Research progress on the interlinkages between the 17 Sustainable Development Goals and their implication for domestic study[J]. Acta Ecologica Sinica, 2019,39(22):8327-8337. ] DOI: 10.5846/stxb201902200299

DOI

[18]
Allen C, Metternicht G, Wiedmann T. National pathways to the Sustainable Development Goals (SDGs): A comparative review of scenario modelling tools[J]. Environmental Science & Policy, 2016,66:199-207. DOI: 10.1016/j.envsci.2016.09.008

DOI

[19]
Collste D, Pedercini M, Cornell S E. Policy coherence to achieve the SDGs: using integrated simulation models to assess effective policies[J]. Sustainability Science, 2017,12(6):921-931. DOI: 10.1007/s11625-017-0457-x

DOI PMID

[20]
Sigmund M, Ferstl R. Panel vector autoregression in R with the package panelvar[J]. The Quarterly Review of Economics and Finance, 2021,80:693-720. DOI: 10.1016/j.qref.2019.01.001

DOI

[21]
Chen G, Li X, Liu X, et al. Global projections of future urban land expansion under shared socioeconomic pathways[J]. Nature Communications, 2020,11(1):1-12. DOI: 10.1038/s41467-020-14386-x

DOI

[22]
Yang H, Huang J, Liu D. Linking climate change and socioeconomic development to urban land use simulation: Analysis of their concurrent effects on carbon storage[J]. Applied Geography, 2020,115:102135. DOI: 10.1016/j.apgeog.2019.102135

DOI

[23]
O Neill B C, Kriegler E, Riahi K, et al. A new scenario framework for climate change research: the concept of shared socioeconomic pathways[J]. Climatic Change, 2014,122(3):387-400. DOI: 10.1007/s10584-013-0905-2

DOI

[24]
Moyer J D, Hedden S. Are we on the right path to achieve the sustainable development goals?[J]. World Development, 2020,127:104749. DOI: 10.1016/j.worlddev.2019.104749

DOI

[25]
Popp A, Calvin K, Fujimori S, et al. Land-use futures in the shared socio-economic pathways[J]. Global Environmental Change, 2017,42:331-345. DOI: 10.1016/j.gloenvcha.2016.10.002

DOI

[26]
Lucas P L, Hilderink H B M, Janssen P H M, et al. Future impacts of environmental factors on achieving the SDG target on child mortality: A synergistic assessment[J]. Global Environmental Change, 2019,57:101925. DOI: 10.1016/j.gloenvcha.2019.05.009

DOI

[27]
Schmidt-Traub G, Kroll C, Teksoz K, et al. National baselines for the Sustainable Development Goals assessed in the SDG Index and Dashboards[J]. Nature Geoscience, 2017,10(8):547-555. DOI: 10.1038/ngeo2985

DOI

[28]
Huan Y, Liang T, Li H, et al. A systematic method for assessing progress of achieving sustainable development goals: A case study of 15 countries[J]. Science of the Total Environment, 2021,752:141875. DOI: 10.1016/j.scitotenv.2020.141875

DOI

[29]
Costanza R, Daly L, Fioramonti L, et al. Modelling and measuring sustainable wellbeing in connection with the UN Sustainable Development Goals[J]. Ecological Economics, 2016,130:350-355. DOI: 10.1016/j.ecolecon.2016.07.009

DOI

[30]
Pradhan P, Costa L, Rybski D, et al. A systematic study of Sustainable Development Goal (SDG) interactions[J]. Earth's Future, 2017,5(11):1169-1179. DOI: 10.1002/2017EF000632

DOI

[31]
曹祺文, 顾朝林, 管卫华. 基于土地利用的中国城镇化SD模型与模拟[J]. 自然资源学报, 2021,36(4):1062-1084.

[ Cao Q W, Gu C L, Guan W H. China's urbanization SD modelling and simulation based on land use[J]. Journal of Natural Resources, 2021,36(4):1062-1084. ] DOI: 10.31497/zrzyxb.20210419

DOI

[32]
Huang J, Tang Z, Liu D, et al. Ecological response to urban development in a changing socio-economic and climate context: Policy implications for balancing regional development and habitat conservation[J]. Land Use Policy, 2020,97:104772. DOI: 10.1016/j.landusepol.2020.104772

DOI

[33]
Iandolo F, Barile S, Armenia S, et al. A system dynamics perspective on a viable systems approach definition for sustainable value[J]. Sustainability Science, 2018,13(5):1245-1263. DOI: 10.1007/s11625-018-0565-2

DOI

[34]
Doelman J C, Stehfest E, Tabeau A, et al. Exploring SSP land-use dynamics using the IMAGE model: Regional and gridded scenarios of land-use change and land-based climate change mitigation[J]. Global Environmental Change, 2018,48:119-135. DOI: 10.1016/j.gloenvcha.2017.11.014

DOI

[35]
Liu X, Liang X, Li X, et al. A Future Land Use Simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects[J]. Landscape and Urban Planning, 2017,168:94-116. DOI: 10.1016/j.landurbplan.2017.09.019

DOI

[36]
孙定钊, 梁友嘉. 基于改进Markov-CA模型的黄土高原土地利用多情景模拟[J]. 地球信息科学学报, 2021,23(5):825-836.

DOI

[ Sun D Z, Liang Y J. Multi-scenario simulation of land use dynamic in the Loess Plateau using an improved Markov-CA model[J]. Journal of Geoinformation Science, 2021,23(5):825-836. ] DOI: 10.12082/dqxxkx.2021.200283

DOI

[37]
孙才志, 周舟, 赵良仕. 基于SD模型的中国西南水—能源—粮食纽带系统仿真模拟[J]. 经济地理, 2021,41(6):20-29.

[ Sun C Z, Zhou Z, Zhao L S. System simulation of Water-Energy-Food in Southwest China Based on SD model[J]. Economic Geography, 2021,41(6):20-29. ] DOI: 10.15957/j.cnki.jjdl.2021.06.003

DOI

[38]
张晓荣, 李爱农, 南希, 等. 基于FLUS模型和SD模型耦合的中巴经济走廊土地利用变化多情景模拟[J]. 地球信息科学学报, 2020,22(12):2393-2409.

DOI

[ Zhang X R, Li A N, Nan X, et al. Multi-scenario simulation of land use change along China-Pakistan Economic Corridor through coupling FLUS model with SD model[J]. Journal of Geo-information Science, 2020,22(12):2393-2409. ] DOI: 10.12082/dqxxkx.2020.190618

DOI

[39]
外交部. 2030年可持续发展议程[EB/OL]. https://www.fmprc.gov.cn/web/ziliao_674904/zt_674979/dnzt_674981/qtzt/2030kcxfzyc_686343/.

[ Ministry of Foreign Affairs. 2030 agenda for sustainable development[EB/OL]. https://www.fmprc.gov.cn/web/ziliao_674904/zt_674979/dnzt_674981/qtzt/2030kcxfzyc_686343/. ]

[40]
中国可持续发展目标(SDGs)指标构建及进展评估报告2018[EB/OL]. https://www.vzkoo.com/read/8d07506fdff3eae62e30c2286d6f6cfb.html.

[ China's Sustainable Development Goals (SDGs) indicator construction and progress assessment report 2018[EB/OL]. https://www.vzkoo.com/read/8d07506fdff3eae62e30c2286d6f6cfb.html. ]

[41]
Sustainable development report[EB/OL]. https://www.sdgindex.org/.

[42]
刘立程, 刘春芳, 王川, 等. 黄土丘陵区生态系统服务供需匹配研究——以兰州市为例[J]. 地理学报, 2019,74(9):1921-1937.

DOI

[ Liu L C, Liu C F, Wang C, et al. Supply and demand matching of ecosystem services in loess hilly region: A case study of Lanzhou[J]. Acta Geographica Sinica, 2019,74(9):1921-1937. ] DOI: 10.11821/dlxb201909016

DOI

[43]
王钰, 胡宝清. 西江流域生态脆弱性时空分异及其驱动机制研究[J]. 地球信息科学学报, 2018,20(7):947-956.

DOI

[ Wang Y, Hu B Q. Spatial and temporal differentiation of ecological vulnerability of Xijiang river in Guangxi and its driving mechanism based on GIS[J]. Journal of Geo-information Science, 2018,20(7):947-956. ] DOI: 10.12082/dqxxkx.2018.170633

DOI

[44]
地理空间数据云[EB/OL]. https://www.gscloud.cn/sources/accessdata/438?pid=2.

[ Geospatial data cloud [EB/OL]. https://www.gscloud.cn/sources/accessdata/438?pid=2. ]

[45]
OpenStreetMap[EB/OL]. https://www.openstreetmap.org/#map=4/36.95/104.15.

[46]
李杰兰, 陈兴鹏, 王雨, 等. 基于系统动力学的青海省可持续发展评价[J]. 资源科学, 2009,31(9):1624-1631.

[ Li J, Chen X, Wang Y, et al. Research on the Sustainable Development in Qinghai Province based on SystemDynamics[J]. Resources Science, 2009,31(9):1624-1631. ] DOI: 10.3321/j.issn:1007-7588.2009.09.025

DOI

[47]
马历, 龙花楼. 中国乡村地域系统可持续发展模拟仿真研究[J]. 经济地理, 2020,40(11):1-9.

[ Ma L, Long H L. Simulation on sustainable development of rural territorial system in China[J]. Economic Geography, 2020,40(11):1-9. ] DOI: 10.15957/j.cnki.jjdl.2020.11.001

DOI

[48]
Holden E, Linnerud K, Banister D. Sustainable development: Our common future revisited[J]. Global Environmental Change, 2014,26:130-139. DOI: 10.1016/j.gloenvcha.2014.04.006

DOI

Options
文章导航

/

〈 〉