发展地理学视角的生态足迹及其区域差异

姜群鸥¹, 曾晨², 韩赜³, 赵哲⁴, 金贵^5,*

(1. 北京林业大学水土保持学院, 北京 100083
2. 华中农业大学公共管理学院, 武汉 430070
3. 中国科学院地理科学与资源研究所, 北京 100101
4. 辽宁大学经济学院, 沈阳 110136
5. 中国矿业大学公共管理学院, 徐州 221116)

摘要: 随着全球人口增长和经济快速发展, 人类对自然资源的消耗及对环境的压力不断增加, 生态足迹作为量化这一影响的重要工具, 其研究日益迫切。本文旨在深入分析中国生态足迹现状及其与经济发展的关系, 为制定可持续发展政策提供科学依据。首先, 系统回顾了国内外生态足迹研究进展, 阐述了相关理论基础。其次, 基于熵权TOPSIS模型, 构建了包含社会经济、自然资源和环境三大系统共20个指标的评价体系。通过分析2009—2017年中国各地区数据, 计算了社会经济系统指数、资源指数、环境指数及生态足迹指数。研究结果表明: (1) 中国生态足迹整体水平较低, 呈现显著的区域差异, 西北地区高于东南地区; (2) 各地区在生态足迹水平、空间分布及子系统发展同步性方面存在明显差异; (3) 生态足迹与经济发展之间关联度较弱, 表现出明显不协调性。基于上述发现, 本文提出了优化资源配置、加强环境保护、推动绿色发展等对策建议, 以提升中国生态足迹水平, 促进经济与环境协调发展。研究成果对制定区域发展政策和推动生态文明建设具有重要参考价值。

关键词: 生态足迹, 生态效率, 区域发展, 熵权TOPSIS模型, 可持续发展, 中国

DOI: 10.48014/fdg.20240806001

引用格式: 姜群鸥, 曾晨, 韩赜, 等. 发展地理学视角的生态足迹及其区域差异[J].发展地理学前沿, 2024, 3(2): 21-40.

文章类型: 研究性论文

收稿日期: 2024-06-18

接收日期: 2024-06-20

出版日期: 2024-06-28

1　引言

在全球化与区域化交织并进的背景下，经济发展与生态环境保护之间的平衡问题日益凸显，成为制约区域可持续发展的关键议题^[1]。生态足迹作为衡量人类活动对自然资源消耗及生态环境影响的重要工具，为评估区域可持续发展状态提供了新的视角^[2,3]。然而，现有研究多局限于单一区域或静态分析，缺乏对区域间生态足迹差异的动态比较及其内在机制的深入探讨。

发展地理学强调区域内部经济、社会、环境等要素的相互作用与影响^[4]。在此框架下，生态足迹不仅是一个环境指标，更是反映区域发展模式、资源利用效率、环境承载力及社会经济活动空间分布的综合性概念^[5]。通过生态足迹分析，可以揭示不同区域在经济增长过程中对自然资源的依赖程度、环境压力的分布特征以及可持续发展能力的差异^[6]。

中国作为世界上最大的发展中国家，其区域间发展不平衡问题尤为显著^[7]。东部地区经济发达但资源消耗量大，中部地区面临产业升级与环境保护的双重挑战，西部地区拥有丰富自然资源但生态环境脆弱^[8]。这种区域发展的多样性使得生态足迹在不同区域间呈现显著差异^[9]。因此，从发展地理学视角深入分析生态足迹的区域差异，对揭示区域可持续发展的内在规律、指导区域发展政策的科学制定具有重要理论和实践意义^[10]。

基于上述背景，本研究旨在探讨以下科学问题:(1)中国不同区域间生态足迹的差异表现如何?(2)影响这些差异的关键因素有哪些?(3)如何通过政策调控促进区域协调与可持续发展?为解答这些问题，本研究将首先对生态足迹的概念、计算方法及国内外研究进展进行系统综述。其次，结合中国区域发展实际，运用定量与定性相结合的方法，分析生态足迹的区域差异及其影响因素。最后，探讨优化区域发展战略、提升资源利用效率、加强生态环境保护等措施，以促进区域间协调与可持续发展。

本研究的创新之处在于:(1)将发展地理学理论与生态足迹分析相结合，提供一个新视角;(2)采用动态比较方法，揭示区域间生态足迹差异的演变规律;(3)构建综合评估框架，更全面地反映区域可持续发展能力。研究结果将为制定差异化的区域发展政策提供科学依据，对推动中国区域协调发展和生态文明建设具有重要的理论和实践意义。

2　数据源

研究数据包含经济社会数据、资源数据和环境数据。数据主要来源于《中国统计年鉴》《中国环境统计年鉴》《中国环境年鉴》及《中国城乡建设统计年鉴》。

3　研究方法

3.1　生态足迹评价

3.1.1　构建生态足迹评价指标体系

区域生态足迹评价指标体系的构建多从经济、社会、环境和资源等方面入手。根据中国的资源环境现状，借鉴已有研究的评价思路和框架，从经济社会、资源、环境三个方面选取20个指标构建生态足迹评价指标体系(表1)。

表1　生态足迹评价指标体系

Table 1　Evaluation index system of ecological footprint

目标层	准则层	指标层	指标单位	指标类型	指标代码	指标说明
生态足 迹指数 RE	经济社 会指数 S	人均GDP	元/人	正指标	S1	GDP/常住人口
		第三产业产值占GDP比重	%	正指标	S2	第三产业产值/GDP
		城镇化水平	%	正指标	S3	城镇常住人口/常住人口总数
		居民人均可支配收入	元/人	正指标	S4	—
		居民人均消费支出	元/人	正指标	S5	—
		技术市场成交额占GDP比重	%	正指标	S6	—
		城镇登记失业率	%	逆指标	S7	—
	资源 指数 R	每万人拥有的耕地面积	公顷/万人	正指标	R1	耕地面积/常住人口
		城市每万人拥有的建设用地面积	公顷/万人	正指标	R2
		城市人口密度	人/km2	逆指标	R3	—
		人均水资源量	m3/人	正指标	R4	水资源总量/常住人口
		万元GDP用水量	m3/万元	逆指标	R5	综合用水量/GDP
		万元GDP能源消费量	千克标准煤/万元	逆指标	R6	能源消费量/GDP
	环境 指数 E	森林覆盖率	%	正指标	E1	—
		城市建成区绿化覆盖率	%	正指标	E2	—
		环保投资额占GDP比重	%	正指标	E3	环境污染治理投资总额/GDP
		工业固体废物综合利用率	%	正指标	E4	工业固体废物综合利用量/ 工业固体废物产生量
		万元GDP的SO2排放量	kg/万元	逆指标	E5	—
		万元GDP的NOx排放量	kg/万元	逆指标	E6	—
		万元GDP的废水排放量	kg/万元	逆指标	E7	—

3.1.2　基于熵权TOPSIS的生态足迹评价模型

(1)标准化评价矩阵构建

依据确定的指标，建立中国生态足迹的初始评价矩阵X=。其中，m为评价目标的个数，i=1，2，…，m;n为评价指标的个数，j=1，2，…，n。即矩阵涉及m个评价目标和n个评价指标^[11]。

X=(1)

初始评价指标矩阵(公式1)中，X为初始评价矩阵，x_ij为第i个评价目标的第j个指标的初始值。对所搜集的数据进行标准化处理，尽可能消除指标的效益(正向)、成本(逆向)、量纲、数量级等属性造成的偏差。根据所选指标的不同性质，分别对正向指标、逆向指标按照如下公式进行标准化处理。

正向指标:

r_ij=(2)

逆向指标:

r_ij=(3)

其中，x_ij是第i个评价目标的第j个指标的初始值;min、max分别是第j个指标在各评价目标中的最小值与最大值;r_ij是第i个评价目标的第j个指标的标准化值。处理后得到标准化后的评价矩阵:

R=(4)

(2)熵权法确定指标权重

由于权重的确定有较大主观性，且多指标变量的信息具有重叠倾向。熵权法利用原始数据信息分析指标关联度，根据各项指标承载的信息量，使权重的确定更为客观，故采用熵权法确定各指标权重^[12]。

首先，计算第j项指标下第i个评价目标指标值占该指标的比重:

(5)

其次，计算第j项指标的熵值:

(6)

其中，k=1/ln(m)，e_j≥0，且ln0=0。接着计算信息熵冗余度:

d_j=1-e_j(j=1，2，…，n)(7)

最后，计算各项指标的权重:

(8)

(3)基于熵权的评价矩阵构建

在中国生态足迹的标准化评价矩阵基础上，结合熵权w_j构建出基于熵权的规范化评价矩阵Y计算过程如下^[13]:

Y=

= (9)

(4)正负理想解确定

设为评价数据中第j个指标在所有评价目标中的最大值，即正理想解，可选择的最偏好的方案。为评价数据中第j个指标在所有评价目标中的最小值，即负理想解，最不偏好的方案。计算方法如下^[13]:

∣j=1，2…，n=(10)

∣j=1，2…，n=(11)

(5)距离计算

关于距离的计算，借鉴徐文斌等(2018)的处理方法，采用欧几里得度量计算公式。设D_i⁺为第i个评价目标与的距离，D_i为第i个评价目标与y_j的距离计算方法如下^[13]:

(12)

(13)

(6)计算评价目标值与理想解的贴近度

设T_i为第i个评价目标生态足迹靠近最优承载力的程度，称为贴近度，其取值范围是[0，1]。T_i越大，表明越靠近生态足迹最优水平。当T_i=0时，生态足迹最小。当T_i=1时，生态足迹最大。中国生态足迹的大小可采用与理想解的贴近度进行衡量，若贴近度越大，则承载力越大;反之则承载力越小。计算方法如下^[13]:

T_i=(14)

3.1.3　构建系统动力学模型

引入“经济社会发展-生态足迹”系统动力学模型，对不同发展情景下中国生态足迹的未来发展趋势进行仿真预测^[14]。在重点分析中国生态足迹系统与各子系统的动态反馈机制的基础上，建立中国生态足迹的系统流程图。主要状态变量包括GDP、总人口、户籍人口城镇化率、常住人口城镇化率、全国建设用地面积、耕地面积、综合用水量。主要速率变量有GDP增长量、总人口增长量、户籍人口城镇化率增长量、常住人口城镇化率增长量、全国建设用地面积增长量、耕地面积减少量、综合用水增加量等。主要辅助变量有国土开发强度、SO₂排放量、NOx排放量、实际城镇化率、工业总产值、工业能源消费量等。常量有城市常住人口系数、国土面积、农业转移人口市民化指数、城市建成区绿化因子等。通过参数的变化对系统运行行为进行调控。利用 Vensim 软件对中国生态足迹系统进行仿真模拟(图1)。

3.1.4　未来不同区域发展模式的情景设置

通过改变模型参数的数值，模拟不同情形下中国生态足迹的变化状况，从中选取合适的发展模式。在此采用情景分析法进行分析辅助决策，设置现状延续型、政绩驱动型、环境保护型、协调发展型四种发展情景，对中国未来的生态足迹进行系统模拟。

(1)情景模式

现状延续型模式是以历史发展趋势为标准，即保持当前的经济社会发展模式，根据之前的发展趋势继续运行，延续现有的资源利用、环境保护和生产生活方式。

政绩驱动型模式是以GDP快速增长为目标，注重经济发展的规模和速度，而对资源消耗、环境污染、人民生存状况未予重视。

生态环保型模式是以保护生态环境为目标，注重资源的节约集约利用及减少污染物的排放，不强调经济发展的规模和速度。

图1　中国生态足迹系统动力学流程图

Fig.1　System dynamics flow chart of China􀆳s ecological footprint

是协调发展型模式以可持续发展为目标，既保持经济的健康快速发展，又兼顾节能环保。

(2)情景参数设定

根据《国民经济和社会发展第十三个五年(2016—2020年)规划纲要》、《国家人口发展规划(2016—2030年)》(国发〔2016〕87号)、《全国国土规划纲要(2016—2030年)》(国发〔2017〕3号)、《打赢蓝天保卫战三年行动计划》(国发〔2018〕22号)目标与要求，确定经济社会发展、污染物减排及资源利用指标为控制参量，设定中国生态足迹系统在各情景下的参数。

现状延续型模式，即在中国生态足迹系统动力学模型中，保持各参数的值不变，依据目前的发展走向开展模拟。

政绩驱动型模式，即根据《国民经济和社会发展第十三个五年(2016—2020年)规划纲要》，2020年国内生产总值较2010年翻一番，年均增数大于6.5%。的相关要求，期间中国经济仍保持高速增长。设定2018年开始GDP增长率为7.5%，全国建设用地面积增长系数提高到1.5，城市建成区面积增长系数提高到1，模型其他参数不变，在此基础上对未来发展状况进行模拟。

生态环保型模式，即经济发展难以避免地会消耗大量的资源，同时向大自然排放污染物。为了使资源和环境均能够得到很好的保护，大幅降低经济发展速度，节约集约利用资源、能源，减少煤炭等化石能源使用量，发展新能源。设定2018年开始GDP增长率为3%;工业能源节约系数提高到0.3，人口增长率2020之前为5.32‰，此后调整为在5.32‰基础上每年减少0.532‰，工业SO₂去除率增加到95%，工业NOx去除率增加到80%，全国建设用地面积增长系数降低为1，城市建成区面积增长系数降低为0.5，模型其他参数不变，在此基础上对未来发展状况进行模拟。

协调发展型模式，即保持适度的经济发展速度，同时节约集约利用资源、能源，适度减少煤炭等化石能源使用量，努力发展新能源，使中国经济实现健康发展。设定2018—2020年GDP增长率为6.3%，2021—2030年GDP增长率为5%;工业能源节约系数增加到0.2，工业SO₂去除率为92%，工业NOx去除率为78%，模型其他参数不变，在此基础上对未来发展状况进行模拟。四种发展模式调控变量的取值如下(表2)。

表2　各发展模式系统模拟变量取值

Table 2　Values of system simulation variables for different development models

控制变量	现状延续型	政绩驱动型	生态环保型	协调发展型
GDP增长率	6.86%	7.5%	3%	6.3%，5%
工业能源节约系数	0	0	0.3	0.2
工业SO2去除率	90.825%	90.825%	95%	92%
工业NOx去除率	68.816%	68.816%	85%	78%
全国建设用地面积增长系数	1.38	1.5	1	1.09
城市建成区面积增长系数	0.77469	1	0.5	0.7446
人口增长率	5.32‰(2020年后 每年减少0.48363‰)	5.32‰(2020年后 每年减少0.48363‰)	5.32‰(2020年后 每年减少0.532‰)	5.32‰(2020年后 每年减少0.48363‰)

3.2　生态效率的测度

3.2.1　生态效率测度

(1)测度方法选取

生态效率是人类赖以依存的资源环境条件在满足人类需要并创造社会财富时所发生的投入与产出对应关系。采用超效率SBM对中国2009—2017年的生态效率进行测度，并利用Malmquist指数模型进行动态分析^[15]。

(2)评价指标体系构建

从资源、环境、经济三个层面，选取自然资源投入指标4项、社会资源投入指标2项，以及非期望产出指标5项、期望产出指标1项，构建生态效率评价指标体系^[15](表3)。

表3　生态效率测度指标体系

Table 3　Index system for measuring ecological efficiency

指标类型	指标类别		指标名称	指标单位
投入指标	资源类	自然资源投入	城市建设用地面积	km2
			耕地面积	km2
			能源消费量	万吨标准煤
			用水量	亿m3
		社会资源投入	就业人员数	万人
			固定资产投资额	亿元
产出指标	环境类	非期望产出	废水排放量	万吨
			二氧化硫排放量	万吨
			氮氧化物排放量	万吨
			烟粉尘排放量	万吨
			工业固体废物未利用量	万吨
	经济类	期望产出	GDP	亿元

3.2.2　生态效率收敛性

根据新古典增长理论的收敛假说，区域的生态效率收敛指的是生态效率较低的地区具有比生态效率水平较高的地区更高的增速，实证研究方法主要有σ收敛与β收敛^[15]。σ收敛体现的是区域生态效率差异的变化趋势，常使用标准差、变异系数来检验σ收敛假说。设e_i是第i个省市的生态效率值，σ为区域生态效率的标准差，C_v表示生态效率的变异系数，n为区域的个数。标准差和变异系数的计算公式分别为:

(15)

C_v=(16)

若区域生态效率标准差、变异系数逐渐减小，则判定存在σ收敛。

3.3　经济发展σ收敛分析

3.3.1　标准差

评估2009年至2017年中国经济发展水平波动性的一个有效方法是利用标准差分析^[16]。通过收集这九年间每年的GDP增长率或其他相关经济指标数据，计算其标准差，可以量化地反映经济发展水平的离散程度。标准差越小，表明经济发展越为稳定，波动较小;而标准差越大，则意味着经济发展在不同年份间存在较大的波动。这种方法为深入理解中国经济发展的稳定性和增长趋势提供了重要的量化依据。

3.3.2　变异系数

用经济发展水平的变异系数评估中国区域，可以全面、客观地刻画中国各地区之间的经济发展水平差距^[16]。变异系数，又称离散系数，是标准差与其平均值之比，用于衡量数据的变异程度或离散程度。在区域经济发展的研究中，变异系数常被用于比较不同区域间经济发展水平的差异。

3.3.3　绝对β收敛

经济发展绝对β收敛指的是经济发展水平较低地区的经济发展水平增长速度快于经济发展水平较高的地区，最后达到稳定状态，它要求不同地区 “基本特征”一致，即具有相同外界因素^[16]:

ln(Ii，t+T/Ii，t)/T=a+bln(Ii，t)+μit(16)

绝对β收敛(公式10~16)中，Ii，t和Ii，t+T分别表示第i个地区第t期和t+T期的经济发展水平的值;ln(Ii，t+T/Ii，t)/T表示从第t 期和t+T期经济发展水平的年均增长率;a是常数项;b是基期经济发展水平值的系数;μit为随机误差项。如果b显著为负，则表示各地区经济发展水平的增长速度和初始值成反比，经济发展水平较低的地区对经济发展水平较高的地区有着“追赶”的态势，即存在绝对β 收敛。反之，则不存在绝对β收敛。为有效利用样本数据，使计量回归的时间序列具有连续性，令T=1。中国经济发展水平增长的绝对β收敛可表示为:

ln(Ii，t+T/Ii，t)=a+bln(Ii，t)+μit(17)

4　研究结果

4.1　环境容量与生态足迹的表征

4.1.1　资源承载力水平评价

生态足迹整体水平总体呈上升趋势(表4)。全国生态足迹只在2011年出现下降，其他年份均较上年有所提升。主要原因在于2011年人均耕地面积占有量、人均水资源量、环保投资额占GDP比重、工业固体废物综合利用率等方面表现不佳。

从东部、中部、西部整体水平来看，东部生态足迹水平最高，西部次之，中部最低(表5~7)。虽然三者的生态足迹水平均呈上升趋势，但中、西部与东部的生态足迹水平差距不断扩大。

表4　生态足迹评价指标权重

Table 4　Weight of evaluation indicators for ecological footprint

指标	S1	S2	S3	S4	S5	S6	S7	R1	R2	R3
权重	0.055	0.040	0.029	0.055	0.052	0.256	0.043	0.078	0.058	0.023
指标	R4	R5	R6	E1	E2	E3	E4	E5	E6	E7
权重	0.128	0.004	0.017	0.056	0.016	0.044	0.033	0.006	0.005	0.004

表5　生态足迹与正理想解距离(2009—2017年)

Table 5　Distance between ecological footprint and positive ideal solution(2009—2017)

区域	年份
	2009	2010	2011	2012	2013	2014	2015	2016	2017
全国	0.300	0.296	0.297	0.292	0.291	0.289	0.287	0.284	0.284
北京	0.190	0.182	0.179	0.166	0.161	0.158	0.160	0.157	0.157
天津	0.295	0.296	0.292	0.288	0.286	0.278	0.271	0.270	0.271
河北	0.317	0.317	0.316	0.315	0.315	0.314	0.313	0.311	0.309
山西	0.315	0.315	0.314	0.311	0.308	0.308	0.307	0.307	0.304
内蒙古	0.303	0.299	0.298	0.289	0.289	0.294	0.294	0.296	0.296
辽宁	0.301	0.298	0.299	0.292	0.296	0.297	0.294	0.285	0.282
吉林	0.303	0.298	0.302	0.300	0.296	0.300	0.299	0.288	0.280
黑龙江	0.293	0.295	0.296	0.290	0.285	0.287	0.288	0.286	0.286
上海	—	—	—	0.273	0.275	0.273	0.271	0.271	0.273
江苏	0.309	0.304	0.301	0.300	0.296	0.296	0.294	0.293	0.293
浙江	0.302	0.299	0.302	0.297	0.299	0.296	0.294	0.291	0.291
安徽	0.310	0.308	0.307	0.305	0.301	0.298	0.295	0.293	0.294
福建	0.307	0.299	0.305	0.297	0.300	0.300	0.298	0.293	0.298
江西	0.310	0.301	0.305	0.297	0.302	0.300	0.296	0.294	0.295
山东	0.311	0.310	0.308	0.307	0.306	0.304	0.303	0.301	0.299
河南	0.319	0.317	0.317	0.316	0.315	0.314	0.313	0.312	0.310
湖北	0.305	0.302	0.302	0.298	0.287	0.277	0.270	0.265	0.263
湖南	0.307	0.307	0.311	0.306	0.305	0.303	0.301	0.301	0.297
广东	0.300	0.296	0.300	0.296	0.293	0.296	0.291	0.288	0.288
广西	0.308	0.305	0.307	0.302	0.301	0.301	0.297	0.297	0.294
海南	0.300	0.297	0.296	0.300	0.295	0.300	0.302	0.294	0.298
重庆	0.304	0.297	0.298	0.302	0.298	0.290	0.301	0.293	0.299
四川	0.308	0.307	0.307	0.302	0.301	0.298	0.295	0.294	0.290
贵州	0.314	0.310	0.310	0.308	0.307	0.302	0.302	0.303	0.295
云南	0.306	0.304	0.306	0.300	0.300	0.300	0.298	0.296	0.293
陕西	0.305	0.301	0.291	0.283	0.270	0.265	0.259	0.256	0.254
甘肃	0.303	0.302	0.301	0.295	0.289	0.288	0.285	0.282	0.281
青海	0.286	0.286	0.283	0.280	0.277	0.274	0.267	0.261	0.253
宁夏	0.312	0.313	0.310	0.309	0.308	0.307	0.306	0.306	0.305
新疆	0.305	0.300	0.301	0.299	0.298	0.300	0.296	0.294	0.294

表6　生态足迹与负理想解距离(2009—2017年)

Table 6　Distance between ecological footprint and negative ideal solution(2009—2017)

区域	年份
	2009	2010	2011	2012	2013	2014	2015	2016	2017
全国	0.050	0.053	0.050	0.055	0.056	0.058	0.060	0.062	0.063
北京	0.187	0.201	0.209	0.241	0.255	0.262	0.266	0.273	0.284
天津	0.068	0.069	0.075	0.079	0.082	0.090	0.097	0.102	0.104
河北	0.042	0.042	0.045	0.042	0.044	0.045	0.047	0.048	0.052
山西	0.041	0.044	0.043	0.050	0.052	0.050	0.050	0.063	0.051
内蒙古	0.083	0.087	0.091	0.093	0.098	0.098	0.097	0.096	0.098
辽宁	0.057	0.060	0.061	0.069	0.068	0.069	0.071	0.077	0.079
吉林	0.071	0.075	0.072	0.074	0.078	0.077	0.077	0.081	0.084
黑龙江	0.096	0.096	0.094	0.097	0.101	0.098	0.099	0.100	0.100
上海	—	—	—	0.110	0.113	0.118	0.123	0.117	0.120
江苏	0.058	0.061	0.064	0.066	0.072	0.075	0.078	0.080	0.084
浙江	0.076	0.080	0.079	0.084	0.087	0.090	0.093	0.096	0.098
安徽	0.049	0.051	0.051	0.054	0.060	0.060	0.063	0.064	0.066
福建	0.072	0.079	0.072	0.082	0.082	0.084	0.085	0.092	0.086
江西	0.061	0.073	0.067	0.076	0.069	0.071	0.074	0.077	0.074
山东	0.056	0.057	0.058	0.061	0.063	0.066	0.066	0.067	0.069
河南	0.038	0.040	0.040	0.043	0.045	0.047	0.049	0.049	0.053
湖北	0.051	0.055	0.054	0.056	0.063	0.072	0.076	0.081	0.083
湖南	0.055	0.058	0.052	0.056	0.058	0.060	0.064	0.066	0.069
广东	0.074	0.082	0.074	0.077	0.079	0.080	0.084	0.087	0.089
广西	0.064	0.067	0.063	0.071	0.074	0.073	0.078	0.076	0.081
海南	0.076	0.079	0.081	0.076	0.083	0.077	0.076	0.083	0.079
重庆	0.055	0.059	0.062	0.060	0.063	0.067	0.065	0.068	0.069
四川	0.047	0.048	0.047	0.052	0.051	0.054	0.056	0.057	0.061
贵州	0.045	0.048	0.046	0.051	0.052	0.060	0.059	0.059	0.061
云南	0.059	0.063	0.059	0.061	0.065	0.064	0.066	0.069	0.071
陕西	0.048	0.050	0.056	0.063	0.076	0.081	0.086	0.090	0.090
甘肃	0.051	0.053	0.053	0.060	0.067	0.067	0.069	0.070	0.069
青海	0.132	0.110	0.109	0.130	0.099	0.117	0.095	0.101	0.122
宁夏	0.071	0.061	0.066	0.067	0.071	0.073	0.072	0.073	0.070
新疆	0.067	0.071	0.070	0.076	0.081	0.082	0.081	0.085	0.085

表7　生态足迹贴近度(2009—2017年)

Table 7　Closeness degree of ecological footprint(2009—2017)

区域	年份
	2009	2010	2011	2012	2013	2014	2015	2016	2017
全国	0.142	0.152	0.145	0.157	0.162	0.167	0.172	0.179	0.182
东部均值	0.206	0.217	0.218	0.236	0.243	0.248	0.255	0.263	0.266
中部均值	0.157	0.166	0.160	0.172	0.179	0.182	0.188	0.198	0.199
西部均值	0.174	0.176	0.178	0.191	0.197	0.205	0.204	0.210	0.217
北京	0.496	0.525	0.538	0.592	0.613	0.623	0.625	0.635	0.644
天津	0.186	0.190	0.203	0.214	0.222	0.244	0.263	0.274	0.278
河北	0.117	0.117	0.125	0.118	0.122	0.125	0.131	0.135	0.144
山西	0.116	0.122	0.121	0.139	0.144	0.139	0.140	0.171	0.144
内蒙古	0.215	0.225	0.234	0.243	0.253	0.250	0.247	0.245	0.248
辽宁	0.160	0.167	0.171	0.190	0.186	0.188	0.195	0.212	0.219
吉林	0.190	0.201	0.192	0.197	0.208	0.204	0.204	0.219	0.231
黑龙江	0.246	0.245	0.242	0.251	0.263	0.255	0.255	0.259	0.260
上海	—	—	—	0.287	0.292	0.301	0.311	0.301	0.305
江苏	0.158	0.167	0.174	0.181	0.197	0.203	0.210	0.215	0.222
浙江	0.201	0.212	0.208	0.220	0.225	0.233	0.241	0.248	0.253
安徽	0.137	0.142	0.143	0.150	0.166	0.168	0.175	0.179	0.183
福建	0.189	0.209	0.192	0.216	0.216	0.219	0.222	0.238	0.223
江西	0.165	0.195	0.180	0.204	0.187	0.191	0.201	0.207	0.200
山东	0.153	0.155	0.159	0.166	0.171	0.178	0.180	0.182	0.188
河南	0.106	0.112	0.112	0.119	0.125	0.130	0.134	0.137	0.147
湖北	0.143	0.154	0.153	0.159	0.181	0.206	0.221	0.234	0.239
湖南	0.152	0.158	0.143	0.154	0.159	0.165	0.176	0.180	0.188
广东	0.197	0.216	0.199	0.206	0.212	0.213	0.224	0.232	0.235
广西	0.172	0.181	0.170	0.190	0.197	0.195	0.208	0.204	0.216
海南	0.202	0.209	0.215	0.203	0.221	0.204	0.202	0.221	0.210
重庆	0.153	0.167	0.171	0.166	0.175	0.188	0.178	0.187	0.187
四川	0.132	0.136	0.132	0.146	0.146	0.152	0.160	0.163	0.174
贵州	0.126	0.133	0.130	0.143	0.146	0.165	0.163	0.162	0.172
云南	0.161	0.171	0.162	0.169	0.178	0.176	0.181	0.189	0.196
陕西	0.135	0.143	0.161	0.182	0.219	0.234	0.250	0.261	0.261
甘肃	0.145	0.149	0.150	0.168	0.188	0.188	0.194	0.199	0.196
青海	0.315	0.278	0.279	0.317	0.264	0.300	0.263	0.279	0.325
宁夏	0.185	0.164	0.176	0.178	0.188	0.193	0.191	0.192	0.186
新疆	0.179	0.192	0.190	0.202	0.214	0.215	0.214	0.223	0.223

4.1.2　模型历史检验

历史检验选取的变量是能够反映各子系统功能和要素状况的主要变量，分别是SO₂排放量、NOx排放量、耕地面积、城市人均建设用地面积、国土开发强度、综合用水量、GDP、常住人口城镇化率。通过计算关键变量仿真模拟结果与真实历史数据的误差率来判断模型的有效性(表8)。结果显示，主要变量的误差率较低，所建立的中国生态足迹系统动力学模型能较好地展现中国生态足迹系统的真实状况，有效性和可靠性强。

表8　模型主要变量拟合误差率(误差率单位:%)

Table 8　Fitting error rate of main variables in the model(Unit of Error Rate:%)

指标	数值	2009	2010	2011	2012	2013	2014	2015	2016	2017
GDP (十亿元)	统计值	34908.14	38621.02	42304.09	45627.61	49167.23	52755.29	56395.52	60184.78	64311.23
	模拟值	34908.1	38621	42304.1	45627.6	49167.2	52755.3	56395.5	60184.7	64311.2
	误差率	0	0	0	0	0	0	0	0	0
常住人口 城镇化率 (%)	统计值	48.34	49.95	51.27	52.57	53.73	54.77	56.1	57.35	58.52
	模拟值	48.34	49.95	51.07	52.17	53.17	54.23	55.31	56.4	57.54
	误差率	0	0	-0.39	-0.76	-1.04	-0.99	-1.41	-1.66	-1.67
城市人均建 设用地面积 (m2/人)	统计值	106.55	105.29	105.02	110.57	111.02	114.12	114.1	112.43	114.29
	模拟值	103.35	104.54	106.48	108.27	109.73	111.21	112.6	113.95	115.19
	误差率	-3	-0.71	1.39	-2.08	-1.16	-2.55	-1.31	1.35	0.79
耕地面积 (×10km2)	统计值	135384.6	135268.3	135238.6	135158.4	135163.4	135057.3	134998.7	134920.9	134881.2
	模拟值	135385	135268	135206	135146	135087	135033	134976	134918	134859
	误差率	0	0	-0.02	-0.01	-0.06	-0.02	-0.02	0	-0.02
国土开发 强度(%)	统计值	—	—	—	—	3.9	3.97	4.02	4.07	4.12
	模拟值	3.71	3.76	3.81	3.87	3.91	3.96	4.02	4.07	4.12
	误差率	—	—	—	—	0.26	-0.25	0	0	0
综合用水量 (亿m3)	统计值	5965.2	6022	6107.2	6131.2	6183.4	6094.9	6103.2	6040.2	6043.4
	模拟值	5965.2	5965.25	6025.26	6110.39	6133.02	6191.99	6106.2	6107.28	6035.44
	误差率	0	-0.94	-1.34	-0.34	-0.81	1.59	0.05	1.11	-0.13
SO2排放 量(万吨)	统计值	2214.4	2185.1	2217.9	2117.6	2043.9	1974.4	1859.1	1102.86	875.4
	模拟值	2344.49	2252.14	2093.7	2084.7	1966.42	1923.23	1885.55	1102.86	875.4
	误差率	5.87	3.07	-5.6	-1.55	-3.79	-2.59	1.42	0	0
NOx排放 量(万吨)	统计值	1692.7	1852.4	2404.3	2337.8	2227.4	2078	1851	1394.31	1258.83
	模拟值	1832.26	1900.31	2263.42	2285.54	2148.99	2044.1	1889.75	1394.31	1258.83
	误差率	8.24	2.59	-5.86	-2.24	-3.52	-1.63	2.09	0	0

4.1.3　生态足迹情景模拟

按照各模式的要求对模型依次进行调整，得到不同模式下中国经济社会发展规模和资源环境质量(2018—2030年)(表9)。如常住人口城镇化率1代表现状延续型模式下的常住人口城镇化率。SO₂和NOx排放量、国土开发强度、GDP、常住人口城镇化率的变化情况见图2-6。

图2　SO₂排放量

Fig.2　SO₂ emissions

图3　NO_X排放量

Fig.3　NO_X Emissions

图4　国土开发强度(%)

Fig.4　Intensity of territorial development(%)

图5　GDP

Fig.5　GDP

图6　常住人口城镇化率(%)

Fig.6　Urbanization rate of permanent resident population(%)

表9　关键变量预测结果
Table 9　Prediction results of key variables

指标/年份	2018	2019	2020	2021	2022	2023	2024	2025	2026	2027	2028	2029	2030
常住人口城镇化率1	58.77	60.10	61.51	63.02	64.64	66.36	68.21	70.18	72.28	74.53	76.94	79.51	82.26
常住人口城镇化率2	58.77	60.22	61.78	63.45	65.25	67.18	69.26	71.49	73.89	76.47	79.24	82.23	85.43
常住人口城镇化率3	58.77	59.35	59.95	60.56	61.19	61.85	62.52	63.21	63.92	64.65	65.41	66.19	66.99
常住人口城镇化率4	58.77	59.99	61.28	62.65	63.81	65.03	66.31	67.65	69.06	70.54	72.09	73.72	75.43
GDP1	68722.9	73437.3	78475.1	83858.5	89611.2	95758.5	102328	109347	116848	124864	133430	142583	152364
GDP2	69134.5	74319.6	79893.6	85885.6	92327	99251.6	106695	114698	123300	132547	142488	153175	164663
GDP3	66240.5	68227.7	70274.6	72382.8	74554.3	76790.9	79094.6	81467.5	83911.5	86428.9	89021.7	91692.4	94443.1
GDP4	68362.8	72669.7	77247.8	81110.2	85165.8	89424	93895.2	98590	103520	108695	114130	119837	125829
SO21	956.68	983.28	1011.70	1042.08	1074.54	1109.22	1146.29	1185.90	1228.22	1273.45	1321.78	1373.43	1428.62
SO22	959.00	988.26	1019.71	1053.52	1089.86	1128.93	1170.93	1216.09	1264.62	1316.80	1372.89	1433.19	1498.01
SO23	556.67	560.94	565.35	569.89	574.56	579.37	584.33	589.44	594.70	600.12	605.70	611.45	617.37
SO24	770.03	786.98	805.00	820.20	836.16	852.92	870.52	888.99	908.40	928.77	950.16	972.62	996.20
NOx1	1347.01	1375.88	1406.72	1439.67	1474.89	1512.53	1552.74	1595.72	1641.64	1690.71	1743.15	1799.19	1859.07
NOx2	1349.53	1381.28	1415.40	1452.08	1491.52	1533.91	1579.48	1628.47	1681.13	1737.75	1798.61	1864.03	1934.36
NOx3	900.14	904.24	908.46	912.80	917.28	921.89	926.64	931.53	936.57	941.76	947.10	952.61	958.28
NOx4	1057.97	1072.85	1088.67	1102.02	1116.03	1130.74	1146.19	1162.41	1179.45	1197.33	1216.11	1235.83	1256.53
国土开发强度1	4.182	4.245	4.313	4.386	4.463	4.546	4.634	4.729	4.829	4.937	5.053	5.176	5.307
国土开发强度2	4.262	4.338	4.419	4.506	4.600	4.700	4.808	4.925	5.050	5.184	5.329	5.484	5.651
国土开发强度3	3.927	3.948	3.968	3.990	4.012	4.034	4.057	4.081	4.106	4.132	4.158	4.185	4.213
国土开发强度4	3.988	4.034	4.083	4.135	4.179	4.225	4.273	4.324	4.377	4.433	4.492	4.553	4.618

注:表中指标后的数字1、2、3、4分别代表现状延续型、政绩驱动型、生态环保型、协调发展型四种模式。

现状延续型模式模拟期间，中国经济发展保持较快增长，经济总量大幅增加，2020年GDP为78.4751万亿元，较2010年至少翻一番;2020年常住人口城镇化率为61.51%，2030年升至82.26%;2020年户籍人口城镇化率为46.07%，2030年升至67.23%;2020年实际城镇化率为53.33%，2030年升至74.29%，达到《国民经济和社会发展第十三个五年(2016—2020年)规划纲要》、《国家人口发展规划(2016—2030年)》的目标。2030 年GDP 将达到152.364万亿元。

政绩驱动型模式模拟期间，中国经济发展迅速，经济总量快速提升，2020年GDP为79.8936万亿元，较2010年至少翻一番;2020年常住人口城镇化率为61.78%，2030年常住人口城镇化率增至85.43%;2020年户籍人口城镇化率为46.34%，2030年增至70.47%;2020年实际城镇化率为53.59%，2030年增至77.50%。2030 年GDP 将达到164.663万亿元。

生态环保型模式模拟期间，中国经济发展保持低速增长，经济总量缓慢增加，2020年GDP为70.2746万亿元，未能实现较2010年翻一番;2020年常住人口城镇化率为59.95%，2030年为66.99%;2020年户籍人口城镇化率为44.48%，2030年为51.66%;2020年实际城镇化率为51.75%，2030年为58.86%，距离《国民经济和社会发展第十三个五年(2016—2020年)规划纲要》、《国家人口发展规划(2016—2030年)》的目标还有一点差距。2030 年GDP 将达到94.443万亿元。

协调发展型模式模拟期间，中国经济发展保持适度增长，经济总量不断增加，2020年GDP为77.2478万亿元，较2010年至少翻一番;2020年常住人口城镇化率为61.28%，2030年增至75.43%;2020年户籍人口城镇化率为45.84%，2030年增至60.27%;2020年实际城镇化率为53.09%，2030年增至67.39%，达到《国民经济和社会发展第十三个五年(2016—2020年)规划纲要》、《国家人口发展规划(2016—2030年)》的目标。2030 年GDP 将达到125.829万亿元。

4.2　生态效率水平测度表征

4.2.1　地区生态效率的超效率表现

(1)时序特征

中国整体生态效率水平呈现先升后降的态势。从东部、中部、西部整体水平来看，它们生产效率值变化情况也是如此。东部与中部生态效率值在2011年达到最大值，分别是2.99和0.43，生态效率值2011年达到最大值，西部生态效率值于2010年达到最大值0.63。

(2)空间特征

2009—2017年生态效率值均大于或等于1的是海南、天津、北京、上海、青海五地，地区个数占地区总数的1/6(表10)。2009—2017年生态效率值最高的是海南和天津两个地区，2009年、2010年、2013年、2015年、2016年海南的生态效率值最高，其他年份天津的生态效率值最高。2009—2017年生态效率值最低的是新疆。2009—2017年各年地区生态效率最高值与最低值的差额分别是7.25、10.26、16.6、11.03、8.03、7.81、5.02、4.34、4.64。

4.2.2　地区生态效率指数(ML指数)及其分解

从三大区域来看，研究时段内东部、中部、西部的生态效率的综合增长指数均大于1，生态效率总体呈上升趋势(表11)。其中，中部地区生态效率增长速度最快，东部次之，西部最慢。

表10　2009—2017年中国地区生态效率的超效率值

Table 10　Super-efficiency scores of ecological efficiency in China􀆳s regions from 2009—2017

年份	2009	2010	2011	2012	2013	2014	2015	2016	2017
北京	1.48	1.5	1.56	1.55	1.56	1.55	1.56	1.5	1.72
天津	2.06	2.19	16.91	11.33	6.74	8.08	4.22	3.63	4.9
河北	0.56	0.53	0.52	0.5	0.49	0.48	0.47	0.46	0.46
辽宁	0.44	0.44	0.45	0.45	0.45	0.45	0.47	0.59	1
上海	1.18	1.22	1.2	1.22	1.19	1.17	1.16	1.16	1.16
江苏	0.76	0.7	0.67	0.65	0.64	0.64	0.62	0.62	0.62
浙江	0.91	1.01	0.86	0.78	0.67	0.67	0.67	0.67	0.66
福建	1.04	1.02	1.02	1.01	0.66	0.65	0.64	1	1
山东	0.62	0.61	0.59	0.57	0.6	0.58	0.55	0.55	0.56
广东	1.02	1.02	1.04	1.05	1.06	1.03	0.67	0.65	0.64
海南	7.6	10.6	8.06	8.7	8.31	6.47	5.28	4.61	3.64
东部均值	1.61	1.89	2.99	2.53	2.03	1.98	1.48	1.40	1.49
山西	0.45	0.45	0.45	0.43	0.42	0.4	0.38	0.37	0.46
吉林	0.4	0.41	0.42	0.43	0.44	0.44	0.42	0.43	0.43
黑龙江	0.36	0.35	0.36	0.35	0.35	0.37	0.36	0.37	0.36
安徽	0.36	0.36	0.37	0.37	0.36	0.36	0.35	0.35	0.35
江西	0.42	0.42	0.42	0.42	0.41	0.42	0.39	0.39	0.38
河南	0.53	0.51	0.51	0.5	0.49	0.49	0.47	0.47	0.47
湖北	0.42	0.4	0.4	0.39	0.41	0.4	0.41	0.41	0.4
湖南	0.44	0.47	0.48	0.49	0.5	0.51	0.51	0.53	0.51
中部均值	0.42	0.42	0.43	0.42	0.42	0.42	0.41	0.42	0.42
内蒙古	0.53	0.48	0.49	0.49	0.49	0.47	0.53	0.54	0.53
广西	0.42	0.41	0.42	0.4	0.4	0.39	0.37	0.36	0.35
重庆	0.44	0.44	0.45	0.49	0.5	0.49	0.48	0.48	0.48
四川	0.43	0.43	0.44	0.43	0.43	0.43	0.4	0.39	0.38
贵州	0.39	0.4	0.38	0.36	0.36	0.35	0.34	0.33	0.3
云南	0.38	0.37	0.36	0.37	0.39	0.37	0.35	0.35	0.34
陕西	0.67	1	1.01	0.54	0.51	0.51	0.49	0.48	0.45
甘肃	0.37	0.36	0.34	0.34	0.34	0.32	0.32	0.33	0.36
青海	2.21	2.25	2.26	2.32	2.22	2.28	2.36	2.15	2.05
宁夏	0.47	0.48	0.49	0.5	0.49	0.51	0.56	0.59	0.62
新疆	0.35	0.34	0.31	0.3	0.28	0.27	0.26	0.27	0.26
西部均值	0.61	0.63	0.63	0.59	0.58	0.58	0.59	0.57	0.56
全国均值	0.92	1.04	1.44	1.26	1.07	1.05	0.87	0.83	0.86

表11　2009—2017年中国各地区年均Malmquist 指数及其分解值

Table 11　Annual average malmquist index and its decomposition values for China􀆳s regions from 2009—2017

区域指数	技术效率	技术进步	纯技术效率	规模效率	全要素生产率
北京	1.000	1.096	1.000	1.000	1.096
天津	1.000	0.957	1.000	1.000	0.957
河北	0.998	1.044	0.996	1.002	1.042
辽宁	1.051	1.053	1.038	1.012	1.106
上海	1.000	1.064	1.000	1.000	1.064
江苏	0.997	1.060	1.000	0.997	1.056
浙江	0.991	1.057	1.000	0.991	1.047
福建	1.000	1.038	1.000	1.000	1.038
山东	0.985	1.043	1.000	0.985	1.027
广东	0.986	1.039	1.000	0.986	1.025
海南	1.000	0.889	1.000	1.000	0.889
东部均值	1.001	1.029	1.003	0.998	1.030
山西	1.003	1.034	1.012	0.992	1.038
吉林	1.010	1.063	1.009	1.000	1.073
黑龙江	0.998	1.048	0.995	1.003	1.046
安徽	1.001	1.058	1.000	1.000	1.059
江西	0.987	1.056	0.986	1.001	1.042
河南	1.004	1.039	1.003	1.001	1.043
湖北	0.994	1.054	0.995	0.999	1.048
湖南	1.026	1.023	1.027	0.999	1.049
中部均值	1.003	1.047	1.003	0.999	1.050
内蒙古	1.002	1.040	1.001	1.002	1.042
广西	0.988	1.048	0.987	1.001	1.036
重庆	1.013	1.053	1.010	1.003	1.067
四川	0.987	1.039	0.988	0.999	1.025
贵州	0.967	1.015	0.966	1.001	0.981
云南	1.007	1.018	1.007	1.001	1.025
陕西	0.979	1.047	0.979	1.000	1.025
甘肃	0.987	1.027	1.014	0.973	1.014
青海	1.000	0.947	1.000	1.000	0.947
宁夏	1.041	0.975	1.004	1.037	1.015
新疆	0.964	1.031	0.961	1.004	0.995
西部均值	0.994	1.021	0.992	1.002	1.015
全国均值	0.999	1.031	0.999	1.000	1.030

从2010年以来，中国生态效率的综合增长指数均大于1，波动中有所上升，说明中国生态效率总体来说呈上升趋势，并且增长速度有所提升(表12)。同时表明在严重的环境污染形势下，中国开展的环境保护和治理取得了一定成效，为可持续发展打开了良好的突破口。2009 年开始，中国生态效率的增长呈正弦增长态势。从影响中国生态效率增长的因素来看，技术进步是其中的主因，但在有些年份技术效率、纯技术效率和规模效率却会制约其增长。

表12　2009—2017年中国生态效率分年度 Malmquist 指数及其分解

Table 12　Annual malmquist index and its decomposition for ecological efficiency in China from 2009—2017

区域指数	技术效率	技术进步	纯技术效率	规模效率	全要素生产率
2009—2010	1.000	1.011	1.000	1.000	1.011
2010—2011	0.987	1.051	0.995	0.991	1.037
2011—2012	0.984	1.045	0.988	0.996	1.029
2012—2013	0.977	1.045	0.986	0.991	1.021
2013—2014	1.000	1.003	0.998	1.002	1.003
2014—2015	1.018	1.003	1.010	1.008	1.021
2015—2016	1.020	1.054	1.007	1.012	1.075
2016—2017	1.005	1.037	1.008	0.996	1.042
均值	0.999	1.031	0.999	1.000	1.030

4.2.3　生态效率的标准差

从标准差的变化趋势(表13)中可以看出:全国和东部生态效率的标准差变动趋势基本一致，相对较大，总体先升后降，二者的标准差差异有所缩小。西部生态效率的标准差在波动中呈现先升后降态势。由此，全国和东部的生态效率存在σ收敛，中部和西部不能证明存在σ收敛。下面采用变异系数开展进一步的分析。

表13　2009—2017年中国生态效率标准差

Table 13　Standard deviation of ecological efficiency in China from 2009—2017

年份	全国标准差	东部标准差	中部标准差	西部标准差
2009	1.3494	2.0401	0.0547	0.5397
2010	1.8754	2.93	0.0541	0.5664
2011	3.2469	5.1052	0.0518	0.5723
2012	2.4431	3.7626	0.0531	0.5773
2013	1.8125	2.7579	0.0539	0.5481
2014	1.7544	2.6636	0.0537	0.5691
2015	1.1444	1.6649	0.0549	0.5955
2016	0.984	1.3954	0.0602	0.5333
2017	1.025	1.4487	0.0571	0.5065
九年均值	1.7372	2.6409	0.0548	0.5565

4.2.4　生态效率的变异系数

从变异系数的变化趋势(表14)可以看出，全国生态效率的变异系数依次大于东部、西部、中部，中部的变异系数较小，且相对稳定。总体都是先上升后下降。中部、西部生态效率的变异系数波动中略有上升。由此，全国和东部的生态效率存在σ收敛，中部和西部不存在σ收敛。

表14　2009—2017年中国生态效率变异系数

Table 14　Coefficient of variation of ecological efficiency in China from 2009—2017

年份	全国变异 系数	东部变异 系数	中部变异 系数	西部变异 系数
2009	1.4609	1.27	0.1295	0.8915
2010	1.805	1.5466	0.1284	0.8952
2011	2.2527	1.708	0.1215	0.9058
2012	1.9426	1.4883	0.1257	0.971
2013	1.6907	1.3562	0.1276	0.9406
2014	1.6682	1.3458	0.1267	0.9798
2015	1.3174	1.1229	0.1335	1.014
2016	1.1794	0.9941	0.1452	0.9356
2017	1.19	0.974	0.1359	0.9104
九年均值	1.6119	1.3118	0.1304	0.9382

4.3　区域发展收敛性

4.3.1　经济发展水平的标准差

从标准差的变化趋势(表15)可以看出，2009—2017年东部经济发展水平的标准差依次大于全国、西部、中部，中部的标准差明显小于其他地区，也未达到全国标准差水平。各区域经济发展水平的标准差变动趋势基本一致，都是逐年扩大，其中全国与东部的变动情况最为接近。

表15　2009—2017年中国经济发展水平标准差

Table 15　Standard deviation of economic development kevel in China from 2009—2017

年份	全国标准差	东部标准差	中部标准差	西部标准差
2009	15284	16115	3197	7681
2010	16131	16630	3511	8797
2011	17186	17499	4059	10048
2012	18200	18475	4583	11142
2013	19299	19457	4878	12031
2014	20476	20627	5096	12928
2015	21899	22208	5424	13909
2016	23396	24252	5918	14871
2017	24611	25637	6163	15349
九年平均	19609	20100	4759	11862

4.3.2　经济发展水平的变异系数

全国经济发展水平的变异系数依次大于西部、东部、中部，中部的变异系数较小，且相对稳定(表16)。各区域经济发展水平的变异系数变动趋势基本一致，总体在波动中下降。因此全国、东部、中部和西部的经济发展水平存在σ收敛。区域经济发展受到生态足迹的制约，虽然不同区域在生态足迹以及生态效率存在一定差异，但是经济发展落后地区的增长潜力较大，长期来看区域间经济发展水平具有收敛性。

表16　2009—2017年中国经济发展水平变异系数

Table 16　Coefficient of variation of economic development level in China from 2009—2017

年份	全国变异 系数	东部变异 系数	中部变异 系数	西部变异 系数
2009	0.5373	0.3778	0.1525	0.3905
2010	0.5092	0.3562	0.1480	0.3919
2011	0.4890	0.3431	0.1518	0.3956
2012	0.4728	0.3352	0.1549	0.3931
2013	0.4616	0.3273	0.1513	0.3862
2014	0.4557	0.3243	0.1471	0.3830
2015	0.4551	0.3268	0.1464	0.3826
2016	0.4556	0.3360	0.1492	0.3810
2017	0.4505	0.3348	0.1451	0.3697
九年平均	0.4763	0.3402	0.1496	0.3860

4.3.3　经济发展绝对β收敛

从全国层面看，期初经济发展水平的系数估计值是-0.0914，且在1%的显著性水平上显著，说明期初经济发展水平与其增长率成反比关系，全国经济发展水平存在绝对β收敛，全国30 个省、自治区、直辖市(不含西藏、港澳台)的经济发展水平趋于稳态(表17)。从东中西部层面来看，期初经济发展水平的系数估计值分别是-0.0761、-0.0944、-0.1034，且在1%的显著性水平上显著，说明东部11个省份间、中部8个省份间、西部11个省份间均存在绝对β收敛。

表17　中国及东中西部经济发展绝对β收敛回归结果

Table 17　Absolute β-Convergence regression results for economic development in China and its Eastern，Central，and Western regions

区域	模型	a	b	Hausman	P值	结论
全国	FE	1.0439*** (45.31)	-0.0914*** (-41.61)	167.90	0.0000	固定效应
	RE	0.7463*** (23.62)	-0.0631*** (-20.96)
东部	FE	0.9031*** (35.71)	-0.0761*** (-32.76)	28.93	0.0000	固定效应
	RE	0.6103*** (8.73)	-0.0492*** (-7.67)
中部	FE	1.0603*** (23.76)	-0.0944*** (-21.78)	10.13	0.0015	固定效应
	RE	1.0917*** (16.56)	-0.0974*** (-15.24)
西部	FE	1.1499*** (35.99)	-0.1034*** (-33.05)	75.62	0.0000	固定效应
	RE	0.9320*** (19.27)	-0.0821*** (-17.36)

注:表中数据通过Eviews软件计算整理得到，***表示在1%的水平上显著，括号内为 t 统计量。

5　讨论

习近平总书记提出的“绿水青山就是金山银山”的“两山理论”，已成为新时代中国各地区经济社会发展的根本遵循与指导思想，对于欠发达地区尤其是资源型城市的转型与发展具有尤为重要的指导意义。这些地区应深刻领会并深入贯彻落实“两山理论”，摒弃传统依赖资源消耗的粗放型发展模式，积极推进产业结构转型升级，全面实施生态产业强市战略。通过绿色发展、循环发展、低碳发展，探索出一条符合自身实际的绿色转型之路，使地区经济在保护生态环境的前提下焕发新的生机与活力，实现经济效益、社会效益与生态效益的和谐统一，让绿水青山真正变成金山银山，为地区长远发展奠定坚实基础。

5.1　不发达地区的转型路径和政策选择

5.1.1　贯彻五大发展理念，清除地区发展障碍

“创新、协调、绿色、开放、共享”五大发展理念，是实现两个一百年奋斗目标和中华民族伟大复兴的基本发展理念，也是地区转型发展的基本方针。在欠发达地区转型发展中，更应认真贯彻与落实^[17]。坚持创新发展，就是要坚持理念创新、科技创新、思路创新，寻找创新点、探索新方向，落实创新驱动发展战略。第二，坚持协调发展，就是要城乡协调发展，充分发挥传统支柱产业的优势，同时大力发展其他产业，做大做强新兴产业。第三，坚持绿色发展，就是要将地区转型发展与节约资源、保护环境有效结合，发展经济的同时供给更多高质量生态产品。第四，坚持开放发展，就是要提高中国省际以及对外开放水平，发展更高层次的外向型经济。第五，坚持共享发展，就是要将经济、政治、文化、社会和生态文明建设的成果惠及全国人民。

5.1.2　推动产业结构调整，助力经济绿色转型

欠发达地区的产业结构调整，一方面应横向促进产业多元化，另一方面纵向促进产业链延伸^[18]。在发展过程中，应根据自身发展实际，选择适合的新兴产业，这才是其发展绿色转型的关键。

5.1.3　节约集约利用资源，促进地区节能减排

绿色消费是一种符合新时代发展要求的消费方式，注重消费者的健康以及节约资源、保护环境，倡导消费健康、环保、低能耗的绿色产品，在消费过程中努力避免资源的挥霍，使其利用更加高效^[19]。居民是产品和服务的重要消费主体，消费偏好的绿色化将促使企业生产经营方向进一步转变，从而促进产业结构转型升级。欠发达地区发展的绿色转型，除推行绿色生产方式外，还需大力推广绿色的生活方式，让每个居民节约集约利用自然资源，从源头减少污染的产生。

5.1.4　强化环保政策落实，大力开展铁腕治污

为深入推进生态文明建设，促进中国各地区顺利进行绿色发展转型，中国政府出台了一系列保护环境和治理污染的政策措施^[20]。各地区在发展过程中，应认真贯彻绿色发展理念，落实各项管控政策，保护好生态环境。环保政策效果的好坏与地区环保政策落实是否正确、到位密不可分。

5.2　不足与展望

本研究的一个主要局限性在于其数据时间范围仅限于2009年至2017年，这一时间段虽然覆盖了近十年来的变化，但未能反映中国近年来在资源利用、环境保护以及可持续发展方面可能发生的最新动态和趋势。由于中国经济、社会和环境状况在不断变化中，特别是在近几年，中国政府对生态文明建设给予了前所未有的重视，推出了一系列环保政策和措施，这些都对资源环境状况产生了深远影响。具体来说，近年来中国在能源结构调整、清洁能源发展、节能减排、生态环境治理等方面取得了显著成效，这些变化在较短的时间周期内可能并未完全体现在本研究的数据中。因此，本研究的结果虽然能够揭示2009年至2017年间中国生态足迹的基本情况和区域差异，但在解释当前及未来资源环境状况时可能存在一定的局限性。

为了弥补这一局限性，未来的研究应考虑纳入更长时间序列的数据，特别是近年来最新的数据，以便更准确地反映中国生态足迹的最新变化和趋势。同时，结合政策变化、技术进步和社会经济发展等多方面因素，深入分析这些变化对生态足迹的潜在影响，为制定更加科学合理的可持续发展策略提供有力支持。

6　结论与政策启示

本研究通过对中国生态足迹的深入分析，得出以下主要结论:(1)中国生态足迹呈现显著的区域差异。东部地区生态足迹水平最高，西部次之，中部最低。这种差异反映了各地区经济发展水平、资源消耗强度和环境压力的不同。(2)三大区域的生态足迹水平均呈上升趋势，但中、西部与东部的差距不断扩大，凸显了区域协调发展的重要性和紧迫性。(3)中部地区正处于工业化、城镇化加速阶段，面临平衡发展与保护的挑战。西部地区虽资源丰富，但生态环境脆弱，需在开发中注重生态保护。(4)实施区域差异化发展战略，因地制宜推进生态文明建设，是实现全国范围内可持续发展的关键路径。在制定政策时充分考虑各地区的资源禀赋、环境承载力和发展阶段，避免“一刀切”的做法。(5)中国面临着巨大的资源环境压力不仅来自于经济快速发展和人口规模庞大，还与资源利用效率不高、产业结构不合理等因素有关。

基于上述结论，本研究提出以下政策建议:(1)深化资源环境管理体制机制改革。建立健全跨区域、跨部门的协同治理机制，提高资源环境管理的效率和效果。(2)加强生态环境保护和修复。特别是在西部地区和生态脆弱区，实施更加严格的生态保护措施，确保国家生态安全。(3)推动绿色低碳循环发展。加快构建绿色产业体系，促进资源节约和循环利用，推动经济发展方式的根本转变。(4)加大科技创新力度。重点支持清洁能源、节能环保、资源循环利用等领域的技术研发和应用，提高资源利用效率，减少污染物排放。(5)完善生态补偿机制。建立健全横向和纵向相结合的生态补偿制度，促进区域间的生态利益平衡。此外，还应提高公众环境意识。通过教育、宣传等多种方式，培养公众的生态文明理念，推动全社会参与生态环境保护。

利益冲突: 作者声明没有利益冲突。

---

^[②] *通讯作者　Corresponding author:金贵，jingui@cug.edu.cn
收稿日期:2024-06-18;　录用日期:2024-06-20;　发表日期:2024-06-28
基金项目:中国科学院A类战略性先导科技专项(XDA23070000)资助

参考文献(References)

[1] 程恩富, 宋宪萍. 全球经济新格局与中国新型工业化[J].政治经济学评论, 2023, 14(5): 3-25.
https://doi.org/10.3969/j.issn.1674-7542.2023.05.001.
[2] 刘欢, 宋孝玉, 李磊, et al. 中国31省(市, 自治区)水资源承载力评价及预测研究[J]. 干旱地区农业研究, 2023, 41(4): 226-237.
[3] 宗婷, 吴雅, 刘秀华. 中国省域城镇化与资源环境承载力的格兰杰因果关系分析[J]. 现代城市研究, 2023, 38(8): 90-96.
[4] 邓祥征. 城镇化生态转型: 理论, 方法与案例[M]. 2022.
[5] 邓祥征, 梁立, 吴锋, 等. 发展地理学视角下中国区域均衡发展[J]. 地理学报: 英文版, 2022, 32(1): 3-22.
https://doi.org/10.11821/dlxb202102002.
[6] 于贵瑞, 徐兴良, 王秋风. 全球变化对生态脆弱区资源环境承载力影响的研究进展[J]. 中国基础科学, 2020(5): 5.
[7] 金晓斌, 沈镭, 黄贤金, 等. 新质生产力赋能自然资源高质量管理:逻辑与路径[J]. 自然资源学报, 2024(6).
[8] 宋伟, 阳大智, 邓祥征. 地理科学研究中的区域贫困问题[J]. 发展地理学前沿, 2022, 1(1): 15.
https://doi.org/10.48014/fdg.20220618002
[9] 齐家国. 全球变化与生态文明(专题讨论)———全球气候变化与人类福祉以及适应性[J]. 学术月刊, 2014(46): 25.
[10] 李志慧, 曹聪洁, 邓祥征. 发展地理学中区域发展转型研究[J].发展地理学前沿, 2022, 1(1): 11.
https://doi.org/10.48014/fdg.20220618001
[11] 温芮, 石晓昕, 钱会. 基于DPSIR-TOPSIS及耦合协调度的安徽水资源承载力的时空变化[J]. 水资源与水工程学报, 2023, 34(6): 88-97.
[12] 叶桂延, 唐波, 谢伟星. 基于BSC和熵权法的广东滨海旅游高质量发展时空分异[J].地理信息世界, 2022(003): 029.
[13] 陈苗苗, 吕剑平. 基于熵权-TOPSIS的黄河上游耕地生态安全评价及障碍因子诊断[J].云南农业大学学报(社会科学), 2024, 18: 1.
https://doi.org/10.12371/j.ynau(s).202404166.
[14] 史培军, 宋长青, 景贵飞. 加强我国土地利用/覆盖变化及其对生态环境安全影响的研究————从荷兰“全球变化开放科学会议”看人地系统动力学研究的发展趋势[J].地球科学进展, 2002, 17(2): 8.
[15] 史丹, 王俊杰. 基于生态足迹的中国生态压力与生态效率测度与评价[J].中国工业经济, 2016(5): 17.
DOI:CNKI:SUN:GGYY.0.2016-05-002
[16] 王家庭, 袁春来, 马宁, et al. 中国八大综合经济区数字经济发展水平测度,区域差异和收敛性研究[J]. 区域经济评论, 2024(1): 111-121.
[17] 朱云飞, 安静, 马源禾. 地方发展质量评价与财政对策研究———基于创新,协调,绿色,开放 共享的新发展理念视角[J]. 经济研究参考, 2020(7): 15.
DOI:CNKI:SUN:JJCK.0.2020-07-008
[18] 余振. 结构, 机会与能动性: 后发区域绿色路径发展[J].地理研究, 2024, 43(1): 1-16.
https://doi.org/10.11821/dlyj020230456
[19] 侯华丽. 强化资源节约集约政策统筹防范合成谬误风险[J]. 中国国土资源经济, 2024(6).
https://doi.org/10.3969/j.issn.1672-6995.2024.06.001.
[20] 曲小瑜, 秦续天. 创新与环保政策组合对朴素式创新的驱动效应研究[J].华东经济管理, 2023, 37(3): 49-56.

The Environmental Bearing Capacity of China􀆳s Resources and Its Regional Differences

JIANG Qunou¹, ZENG Chen², HAN Zi³, ZHAO Zhe⁴, JIN Gui^5,*

(1. College of Soil and Water Conservation, Beijing Forestry University, Beijing 100083, China
2. College of Public Administration, Huazhong Agricultural University, Wuhan 430070, China
3. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
4. School of Economics, Liaoning University, Shenyang 110136, China
5. School of Public Administration, China University of Mining and Technology, Xuzhou 221116, China. )

Abstract: With the growth of global population and rapid economic development, human consumption of natural resources and pressure on the environment are increasing. As an important tool to quantify this impact, the study of ecological footprint is becoming increasingly urgent. The purpose of this paper is to analyze the current situation of China􀆳s ecological footprint and its relationship with economic development, so as to provide scientific basis for formulating sustainable development policies. Firstly, the research progress of ecological footprint at home and abroad is reviewed systematically, and the relevant theoretical basis is expounded. Secondly, based on TOPSIS model of entropy weight, an evaluation system of 20 indexes including social economy, natural resources and environment is constructed. By analyzing the data of various regions in China from 2009 to 2017, the socio-economic system index, resource index, environmental index and ecological footprint index were calculated. The results show that: (1) the overall ecological footprint of China is low, showing significant regional differences, and the northwest region is higher than the southeast region; (2) There are obvious differences in the level of ecological footprint, spatial distribution and synchronicity of subsystem development among different regions; (3) The correlation between ecological footprint and economic development is weak, showing obvious incoordination. Based on the above findings, this paper puts forward countermeasures and suggestions such as optimizing resource allocation, strengthening environmental protection and promoting green development, so as to enhance the level of China􀆳s ecological footprint and promote the coordinated development of economy and environment. The research results have important reference value for formulating regional development policies and promoting the construction of ecological civilization.  

Keywords: Ecological footprint, Ecological efficiency, Regional development, Entropy weight TOPSIS model, Sustainable development, China

DOI: 10.48014/fdg.20240806001

Citation: JIANG Qunou, ZENG Chen, HAN Zi, et al. The environmental bearing capacity of China􀆳s resources and its regional differences[J]. Frontiers of Development Geography, 2024, 3(2): 21-40.