长江流域城市蔓延与生态系统服务流解耦类型识别及提升路径

引用本文

冉丽娟, 官冬杰, 周李磊, 陈拾, 陆云, 朱旭森. 长江流域城市蔓延与生态系统服务流解耦类型识别及提升路径[J]. 环境科学, 2026, 47(9): 6365-6376.

RAN Li-juan, GUAN Dong-jie, ZHOU Li-lei, CHEN Shi, LU Yun, ZHU Xu-sen. Identification and Improvement Path of Decoupling Type of Urban Sprawl and Ecosystem Service Flow in the Yangtze River Basin, China[J]. Environmental Science, 2026, 47(9): 6365-6376.

长江流域城市蔓延与生态系统服务流解耦类型识别及提升路径

冉丽娟¹, 官冬杰¹, 周李磊¹, 陈拾², 陆云¹, 朱旭森³

1. 重庆交通大学智慧城市学院，重庆 400074;
2. 重庆交通大学河海学院，重庆 400074;
3. 重庆社会科学院生态与环境资源研究所，重庆 400020

收稿日期: 2025-07-15; 修订日期: 2025-09-28

基金项目: 国家自然科学基金项目（42171298）；国家自然科学基金联合基金项目（U24A20580）；重庆市自然科学基金创新发展联合基金项目（CSTB2023NSCQ-LZX0009）；重庆英才计划“包干制”项目（CQYC20220302420）

作者简介: 冉丽娟（2001~），女，硕士研究生，主要研究方向为生态系统服务，E-mail: 1620017417@qq.com

通信作者: 官冬杰, E-mail: guandongjie_2000@163.com

摘要: 城市的无序扩张会导致生态系统服务流的空间传递路径被切断，不仅阻碍城市的可持续发展，还会对自然生态系统造成严重破坏. 基于弹性系数解耦模型，从结构维、密度维、品质维、效率维和形态维这5个维度，结合淡水供给、景观美学、粮食生产、气候调节、水源涵养和碳固持这6种生态系统服务流，构建解耦测度模型，对长江流域城市蔓延与生态系统服务流的解耦特征进行识别. 运用地理探测器和地理加权回归模型分析驱动因素，提出长江流域城市蔓延与生态系统服务流可持续发展提升路径. 结果表明：①2010~2020年长江流域城市蔓延在结构维、品质维、效率维和形态维这4个维度上城市蔓延程度随时间增强，在密度维城市蔓延程度随时间减弱. 2010~2020年长江流域6种生态系统服务流的流动强度随时间下降或受阻. ②2010~2020年长江流域城市蔓延与生态系统服务流的解耦结果以强负解耦和扩张性负解耦为主，地级市占比分别为44%和31%. ③品质维和效率维对生态系统服务流的交互作用最强，其余因子间交互作用的解释力也均在30%以上. 第二产业占比和建成区紧凑度是解耦程度的主要指标因子，并且各因子对解耦程度的影响在空间上表现出一定的异质性. 需要对不同解耦类型提出针对性的优化策略，促进长江流域城市与生态系统服务流的可持续发展.

关键词: 长江流域城市蔓延生态系统服务流解耦地理探测器地理加权回归

Identification and Improvement Path of Decoupling Type of Urban Sprawl and Ecosystem Service Flow in the Yangtze River Basin, China

RAN Li-juan¹ , GUAN Dong-jie¹ , ZHOU Li-lei¹ , CHEN Shi² , LU Yun¹ , ZHU Xu-sen³

1. School of Smart City, Chongqing Jiaotong University, Chongqing 400074, China;
2. School of River and Ocean Engineering, Chongqing Jiaotong University, Chongqing 400074, China;
3. Institute of Ecology and Environmental Resources, Chongqing Academy of Social Sciences, Chongqing 400020, China

Abstract: The disorderly sprawl of cities leads to the spatial transmission path of ecosystem service flows being cut off, which not only hinders the sustainable development of cities but also causes serious damage to natural ecosystems. Based on the decoupling model of the elastic coefficient, a decoupling measurement model was constructed from five dimensions, namely structural dimension, density dimension, quality dimension, efficiency dimension, and morphological dimension, combined with six ecosystem service flows, namely freshwater supply, landscape aesthetics, food production, climate regulation, water conservation, and carbon sequestration, to identify the decoupling characteristics of urban sprawl and ecosystem service flow in the Yangtze River Basin. Geodetectors and geographically weighted regression models were used to analyze the driving factors, and the sustainable development path of urban sprawl and ecosystem service flow in the Yangtze River Basin was proposed. The results show that: ① From 2010 to 2020, the degree of urban sprawl in the Yangtze River Basin increased with time in the four dimensions of structure, quality, efficiency, and form and decreased with time in the density dimension. From 2010 to 2020, the flow intensity of six ecosystem service flows in the Yangtze River Basin decreased or was blocked with time. ② From 2010 to 2020, the decoupling results of urban sprawl and ecosystem service flow in the Yangtze River Basin were mainly strong negative decoupling and expansive negative decoupling, accounting for 44% and 31% of prefecture-level cities, respectively. ③ The interaction between the quality and efficiency dimensions on ecosystem service flow was the strongest, and the explanatory power of the interaction between the other factors was also more than 30%. It is necessary to propose targeted optimization strategies for different decoupling types to promote the sustainable development of urban and ecosystem service flows in the Yangtze River Basin.

Key words: Yangtze River Basin urban sprawl ecosystem service flows decoupling Geodetector geographically weighted regression

城市蔓延是在城市边缘出现的空间发展模式，呈现出不连续、低密度、低效率和功能单一化的特征^[1，2]. 生态系统服务流是对生态系统服务从产生、迁移到消费的空间动态过程进行分析，揭示生态系统服务格局演变对人类福祉的作用机制^[3，4]. 随着城市化进程的快速推进，城市蔓延程度越来越严重，导致生态系统服务供需矛盾加剧. 这种矛盾体现在城市蔓延通过载体传递和流动路径两方面，改变了生态系统服务流的流量、流速和流向，导致生态系统服务流总量的减少和空间异质性的增加^[5]. 因此进行“城市蔓延-服务流损耗”量化分析，揭示城市蔓延与生态系统服务流相互作用机制，对于破解“城进绿退”矛盾，推动可持续发展具有重要意义.

近年来许多学者都对城市化与生态系统的关系进行了研究. Li等^[6]通过综合运用多源数据集成与多方法耦合，发现城市化对生态系统服务的影响呈现“空间分异-时间突变-阈值效应”这3种特征. Basu等^[7]发现由于建成区扩张，导致景观破碎化上升，植被斑块碎片化加剧，生态系统稳定性下降. 建设用地扩张和生态系统服务变化存在明显空间溢出效应，且对不同类型生态系统服务变化的影响不同^[8]. Aduko等^[9]发现城市蔓延已导致生态系统碎片化、自然栖息地丧失及生态走廊断裂. Ríos-Ocampo等^[10]研究指出大悉尼地区因人口增长和住宅需求扩张，导致绿地面积减少38%，生态走廊断裂，出现生态碎片化问题. Kong等^[11]研究发现城市扩张不仅产生直接生态影响，还通过内部耦合、周边耦合和远程耦合机制引发间接和远程的生态系统服务损失. 毕晓普等^[12]研究发现长三角地区各城市的近远程耦合度普遍低于近程耦合度，现有的生态治理政策忽视了跨区域的生态影响. 在研究区域上，学者们从城市群^[13，14]、省域^[15，16]、市域^[17]、流域^[18]、县域^[19，20]、粤港澳大湾区^[21]和小区域尺度^[22]等不同的空间尺度进行了研究. 在研究方法上，主要有解耦指数^[23]，地理探测器^[24]、热点分析^[25，26]、敏感性分析^[27]、耦合协调度模型^[28，29]和结构方程模型^[30]等. 当前研究聚焦城市化对生态系统的多方面影响，涵盖其时空动态变化、驱动机制剖析和空间关系探究等，揭示出城市化导致生态系统功能退化.

随着解耦理论的深化发展，解耦被用于衡量经济增长与资源消耗或环境压力之间关系的定量工具^[31，32]. 解耦目的在于打破环境危害与经济增长的耦合关系，减少经济活动对生态环境的影响^[33]. 研究者们在城市固体废物^[34]、CH₄排放^[35]、二氧化硫排放^[36]和温室气体排放^[37]等方面与经济增长的解耦关系都进行了研究. 在城市化方面，Yuan等^[38]采用空间相关和解耦分析方法，发现南京市城市化导致生态系统服务供应、调节和支持功能分别下降17%、4.3%和0.9%. Peng等^[39]通过解耦分析发现，高人口密度区域的生态系统服务供需失衡显著，解耦指数随城市化指标呈现递增趋势. Yuan等^[40]利用空间相关分析和解耦模型发现城市化引发的土地利用变化和生态系统服务的交互关系的主导类型为强解耦和扩张负解耦，且研究期间出现扩张负解耦的国家数量迅速减少. 目前在测度解耦程度时，主要采用OECD的解耦指数法以及Petri Tapio提出的弹性分析法为主.

当前，学者们围绕城市化与生态系统服务流关系展开的研究，为后续进一步深入探究奠定了坚实的基础. 但在城市蔓延过程中，流域尺度下城市蔓延与生态系统服务流之间复杂的相互作用机制尚未完全明晰，以及如何控制城市蔓延的同时又保护生态系统服务流的方法还不够完善. 本文以长江流域为研究区域，首先基于城市蔓延和生态系统服务流的概念，量化不同维度城市蔓延的变化率和不同生态系统服务流的变化率. 通过解耦基本理论，测度一定时期内区域的解耦指数，反映长江流域城市蔓延与生态系统服务流的变化关系，并判断各区域城市蔓延与生态系统服务流的解耦状态类型. 最后根据不同的解耦状态类型，提出针对性的长江流域可持续发展提升路径.

1 材料与方法 1.1 研究区概况

长江流域作为我国重要的自然地理单元与经济发展带，地跨青藏、西南和华中等地理分区，纵贯中国中东部，流经11个省、自治区和直辖市（图 1）. 流域总面积约达180万km²，占国土面积的18.8%^[41]. 在城镇化发展进程中，流域内建成区面积呈现显著扩张态势，建成区面积从2005年的13 500 km²增加到2020年的26 700 km²，增长了0.98倍，反映出城市化进程的持续推进. 在人口经济方面，2020年流域常住人口达5.13亿，占全国总人口的36.34%；地区生产总值达58.69万亿元，占全国经济总量的57.97%. 流域内生态系统空间分异特征明显，上游以高原山地生态系统和森林湿地生态系统为主；中游典型生态系统为湖泊湿地与农田生态系统；下游则形成以河口湿地、农田及城市生态系统为特征的复合生态系统. 流域覆盖130个地级市，汇聚成渝、长江中游、长三角三大国家级城市群. 在城市规模体系中，超大城市（人口≥1 000万）3个，特大城市（500万≤人口 < 1 000万）6个，I型大城市（300万≤人口 < 500万）6个，Ⅱ型大城市（100万≤人口 < 300万）35个，中等城市（50万≤人口 < 100万）41个，I型小城市（20万≤人口 < 50万）27个，Ⅱ型小城市（人口 < 20万）12个.

图 1 研究区域概况 Fig. 1 Study area

1.2 长江流域多维度城市蔓延测度

基于城市蔓延的本质及影响因素，构建多维度城市蔓延指标体系，选取2010年和2020年长江流域的数据. 从结构、密度、品质、形态和效率这5个维度进行测度，评估城市蔓延的程度、结构和效率特征^[42]，详细的指标体系如表 1所示.

表 1 长江流域多维度城市蔓延测度指标体系^[42] Table 1 Multi-dimensional Urban Sprawl Index System for the Yangtze River Basin

维度（D）	指标w（权重p）	计算方式	指标方向
结构维	土地利用多样化（0.08）	$\mathrm{GM}=1-\sum\left(f_i^2\right) / \sum\left(f_i\right)^2$	负向
	土地利用多样化（0.08）	式中，f_i表示第i种土地利用类型面积	负向
	土地利用规模（0.06）	建成区面积/研究区总面积	正向
密度维	常住人口密度（0.07)	年常住人口/建成区面积	负向
	人口城市化水平（0.08）	非农人口/年均人口	正向
	从业人口密度（0.07）	从业人口/建成区面积	负向
品质维	区域地均财政支出（0.08）	区域财政支出/建成区面积	负向
品质维	公共服务设施密度（0.09）	公共服务设施面积/建成区面积	负向
效率维	区域地均财政支出（0.08）	区域财政支出/建成区面积	负向
	区域地均GDP（0.08）	区域GDP/建成区面积	负向
	区域地均二三产值（0.11）	区域二三产值/建成区面积	负向
形态维	形状指数（0.08）	$L S = 0.25 P / \sqrt[]{A}$	正向
	形状指数（0.08）	式中，P表示建成区周长；A表示建成区面积	正向
	紧凑度指数（0.06）	$B C I = 2 \sqrt[]{\prod (A / P)}$	正向
	紧凑度指数（0.06）	式中，P表示建成区周长；A表示建成区面积	正向
	分形维数（0.06）	$D = 2 l n (P / 4) / l n (A)$	负向
	分形维数（0.06）	式中，P表示建成区周长；A表示建成区面积	负向

表 1 长江流域多维度城市蔓延测度指标体系^[42] Table 1 Multi-dimensional Urban Sprawl Index System for the Yangtze River Basin

首先运用熵值法确定各指标的权重，再结合指标数据与对应权重，算出长江流域各城市在不同维度的综合城市蔓延指数；随后将以上维度指数累加，得到长江流域的综合城市蔓延指数；最后依据变化率计算公式，分别求得分维度城市蔓延指数的变化率和综合城市蔓延指数的变化率.

分维度综合城市蔓延指数：

D_{i} = \sum_{k = 1} w_{i k} p_{i k}

(1)

式中， $D_{i}$ 表示第i个维度的城市蔓延指数； $w_{i k}$ 表示第i个维度的第k个指标； $p_{i k}$ 表示第i个维度的第k个指标的权重.

综合城市蔓延指数：

U S = \sum_{i = 1}^{5} D_{i}

(2)

分维度城市蔓延指数变化率：

Δ D = \frac{D_{末} - D_{初}}{D_{初}}

(3)

式中， $D_{初}$ 表示初期分维度城市蔓延指数； $D_{末}$ 表示末期分维度城市蔓延指数.

综合城市蔓延指数变化率：

Δ U S = \frac{U S_{末} - U S_{初}}{U S_{初}}

(4)

式中， $U S_{初}$ 表示初期综合城市蔓延指数； $U S_{末}$ 表示末期综合城市蔓延指数.

1.3 长江流域生态系统服务流评估

基于生态系统服务流的本质及功能，构建生态系统服务流指标体系. 选取2010年和2020年长江流域淡水供给、景观美学、粮食生产、气候调节、水源涵养和碳固持6种生态系统服务流的数据进行计算^[43].

生态系统服务流的计算公式如下：

E_{i} = E S S_{i} - E S D_{i}

(5)

式中，E_i表示表示1 km网格i的生态系统服务流；ESS_i和ESD_i分别表示网格i对应的服务供给量和需求量.

熵值法通过计算指标的离散程度来判断指标信息量大小，进而确定每个生态系统服务流指标的权重，熵值法计算步骤如下^[44].

（1）对原始数据进行标准化处理

$ \text { 正向指标：} \quad X_{i j}=\frac{X_{i j}-X_{\min }}{X_{\max }-X_{\min }}+0.001 $

(6)

$ \text { 负向指标：} \quad X_{i j}^{\prime}=\frac{X_{\text {max }}-X_{i j}}{X_{\text {max }}-X_{\text {min }}}+0.001 $

(7)

式中，j为指标，i为样本；i＝1，2，…，n；j＝1，2，…，m；n为总样本数；m为总指标数； $X_{i j}$ 和 $X_{i j}^{'}$ 分别为第j个指标的原始数值和标准化后的数值； $X_{m a x}$ 和 $X_{m i n}$ 分别为第j个指标的最大值和最小值.

（2）计算指标比例

P_{i j} = \frac{X_{i j}^{'}}{\sum_{i = 1}^{n} X_{i j}^{'}}

(8)

（3）计算熵值

e_{j} = - \frac{1}{l n n} \sum_{i = 1}^{n} P_{i j} l n P_{i j}

(9)

（4）计算各项指标的权重

v_{j} = \frac{1 - e_{j}}{\sum_{j = 1}^{m} (1 - e_{j})}

(10)

淡水供给、景观美学、粮食生产、气候调节、水源涵养和碳固持的权重分别为0.10、0.18、0.13、0.38、0.11和0.10，根据指标权重，将每个生态系统服务流指数累加得到长江流域综合生态系统服务流指数，通过变化率计算公式得到每个生态系统服务流指数的变化率和综合生态系统服务流指数变化率.

综合生态系统服务流指数：

E S = \sum_{j = 1}^{6} v_{j} E_{j}

(11)

式中， $v_{j}$ 表示第j个生态系统服务流的权重，淡水供给、景观美学、粮食生产、气候调节、水源涵养和碳固持的权重分别为0.10、0.18、0.13、0.38、0.11和0.10； $E_{j}$ 表示第j个生态系统服务流指数.

单个生态系统服务流指数变化率：

Δ E = \frac{E_{末} - E_{初}}{E_{初}}

(12)

式中， $E_{初}$ 表示初期单个生态系统服务流指数； $E_{末}$ 表示末期生态系统服务流指数.

综合生态系统服务流指数变化率：

Δ E S = \frac{E S_{末} - E S_{初}}{E S_{初}}

(13)

式中， $E S_{初}$ 表示初期综合生态系统服务流指数； $E S_{末}$ 表示末期综合生态系统服务流指数.

1.4 城市蔓延与生态系统服务流解耦测度模型构建

本研究利用解耦理论来反映城市蔓延与生态系统服务流的变化关系，加入弹性概念，分析城市蔓延与生态系统服务流的解耦关系^[45，46]，计算公式如下：

ε_{t} = \frac{Δ U S {(Y)}_{t}}{Δ E S {(X)}_{t}}

(14)

式中， $ε_{t}$ 表示t时期城市蔓延和生态系统服务流两个子系统的解耦弹性系数； $Δ U S {(Y)}_{t}$ 表示t时期城市蔓延指数的变化率； $Δ E S {(X)}_{t}$ 表示t时期生态系统服务流的变化率.

根据公式，计算出城市蔓延与生态系统服务流变化方向，再判断生态系统服务流与城市蔓延的解耦关系状态. 解耦类型具体划分情况如图 2所示.

图 2 城市蔓延与生态系统服务流解耦状态类型划分 Fig. 2 Classification criteria for decoupling state types of urban sprawl and ecosystem service flows

1.5 驱动因素分析 1.5.1 地理探测器模型

地理探测器模型能够在将平面数据转换为空间数据的基础上，运用ArcGIS软件的空间叠加技术识别多因子之间的空间相关性^[47]. 包括因子探测器和交互探测器两个部分，因子探测器是探测单因子对生态系统服务流空间分异性的解释力^[48]，交互探测器能够揭示两个因素在影响因变量方面的相互作用性质，通过比较两个相互作用的自变量的q值判断交互作用的强弱^[49].

驱动因子的解释力（q值）计算公式如下：

q = 1 - \frac{1}{n σ^{2}} \sum_{i = 1}^{m} n_{i} σ_{i}^{2}

(15)

式中，m（i=1，2，…，m）表示分区数，n表示样本数， $σ^{2}$ 表示指标方差.

1.5.2 地理加权回归模型

地理加权回归模型是一种用于分析空间数据的统计模型，通过变量的地理位置解释其在不同空间单元中的变化^[50]，计算空间数据在不同地点的回归系数，反映变量之间的局部空间关系和空间异质性^[51，52].

模型的计算公式如下：

y_{i} = β_{i 0} (μ_{i}, ν_{i}) + \sum_{k = 1}^{P} β_{i k} (μ_{i}, ν_{i}) x_{i k} + ε_{i}

(16)

式中， $(μ_{i}, ν_{i})$ 为第i个采样点的坐标； $β_{i 0} (μ_{i}, ν_{i})$ 为位置 $(μ_{i}, v_{i})$ 上的局部截距； $x_{i k}$ 为第i个采样点第k个自变量； $β_{i k} (μ_{i}, ν_{i})$ 为第i个采样点上的第k个自变量的回归参数； $ε_{i}$ 为第i个采样点的随机误差项.

2 结果与分析 2.1 长江流域城市蔓延和生态系统服务流变化率 2.1.1 5个维度城市蔓延变化率分析

2010~2020年长江流域5个维度的城市蔓延变化率空间分布如图 3所示. 从结构维来看，大部分地区都属于正向变化，变化率在0.001~0.009. 在长江上游西南地区有部分城市属于负向变化. 从密度维来看，大部分地区都属于负向变化，且负向变化率较大，最大为-1.499，只有6个城市属于正向变化. 从品质维来看，大部分地区都属于正向变化，且正向变化率较大，最大为4.499，只有长江上游东部少量的城市属于负向变化. 从效率维来看，大部分地区都属于正向变化，且正向变化率较大，最大为7.179，只有少量的城市属于负向变化. 从形态维来看，长江流域正负变化率变化较小，大部分地区都属于正向变化.

图 3 2010~2020年长江流域5个维度城市蔓延变化率空间格局 Fig. 3 Spatial pattern of urban sprawl change rates across five dimensions in the Yangtze River Basin from 2010 to 2020

结构维、品质维、效率维和形态维的城市蔓延变化率主要呈现正向变化，密度维的城市蔓延变化率呈现负向变化. 表明2010~2020年长江流域的城市在不同维度上都有所扩张.

2.1.2 6种生态系统服务流变化率分析

2010~2020年长江流域6种生态系统服务流变化率空间分布如图 4所示. 从淡水供给服务流来看，整个区域的变化率变化较小，整体变化率从-0.509~0.798. 在长江上游的东南部、中游的西南部和下游地区主要表现为负向变化. 在长江上游的西部、中游东部和东北部主要表现为正向变化. 从景观美学服务流来看，长江流域整个区域的变化率的变化波动较大，负向变化最大值为-56.893，正向变化最大值为30.669. 负向变化地区较多，长江上游的东北部，中游的西部以及下游地区都表现为负向变化. 从粮食生产服务流来看，长江流域大部分地区的表现为负向变化，变化率最大值为-24.799，少量边缘城市表现为正向变化. 从气候调节来看，长江流域整个区域的变化率波动较大，负向变化最大值为-18.572，正向变化最大值为14.074. 长江上游和下游地区主要表现为负向变化，长江中游地区主要表现为正向变化. 从水源涵养来看，长江流域整个地区的变化率变化波动较小，变化率为-0.514~0.604，长江上游的东南部、中游的西南部以及下游地区都表现为负向变化. 从碳固持服务流来看，长江流域整个地区的变化率波动较小，变化率为-0.523~0.467，大部分地区都表现为负向变化，只有少量的地区表现为正向变化.

图 4 2010~2020年长江流域6种生态系统服务流变化率空间格局 Fig. 4 Spatial pattern of change rates of six ecosystem service flows in the Yangtze River Basin from 2010 to 2020

6种生态系统服务流变化率呈现负向变化的城市较多，表明2010~2020年6种生态系统服务流的功能都有不同程度地下降.

2.2 不同维度城市蔓延与生态系统服务流解耦分析

由图 5可知2010~2020年长江流域结构维城市蔓延与生态系统服务流解耦结果以弱解耦和强负解耦为主. 弱解耦状态分布范围最广，上游主要分布在横断山脉、云贵高原等山区，中游主要分布在一些平原地区，下游主要分布在中部地区. 强负解耦状态主要集中上游包括重庆及其周边地区和中游的西南部. 有48%的地级市属于弱解耦状态，包括2个超大城市、3个特大城市、3个Ⅰ型大城市、15个Ⅱ型大城市、21个中等城市、7个Ⅰ型小城市和10个Ⅱ型小城市. 44%的地级市属于强负解耦状态，包括超大城市重庆、Ⅰ型大城市长沙、2个特大城市、17个Ⅱ型大城市、21个中等城市、11个Ⅰ型小城市和4个Ⅱ型小城市.

图 5 不同维度城市蔓延与生态系统服务流解耦状态空间分布 Fig. 5 Spatial distribution of decoupling states between urban sprawl in different dimensions and ecosystem service flows

密度维的解耦结果以强解耦和弱负解耦为主. 强解耦状态区域分布最为广泛，上游主要分布在西部山区和高原，中游主要分布于边缘地区，下游主要分布于中部地区. 弱负解耦状态区域分布其次，上游主要分布于东部的重庆及其周围地区，中游的中间地区有少量分布，下游主要分布在东部和西部. 50%的地级市属于强解耦状态，包括2个超大城市、4个特大城市、4个Ⅰ型大城市、15个Ⅱ型大城市、22个中等城市、Ⅰ型小城市和10个Ⅱ型小城市.

品质维的解耦结果以弱解耦和强负解耦为主. 弱解耦状态在上游主要分布于西部的山区和高原地区，中游主要分布于东南、西南边缘地区，下游主要分布于中部地区. 强负解耦状态在重庆及周边区域和长江中游的中部分布较多，在下游的东部地区有少量分布. 45%的地级市属于强负解耦状态，包括1个超大城市、1个特大城市、2个Ⅰ型大城市、18个Ⅱ型大城市、17个中等城市、16个Ⅰ型小城市和3个Ⅱ型小城市.

效率维的解耦结果以强负解耦和扩张性负解耦为主. 强负解耦状态主要分布在长江上游的重庆及其周围地区，在中游的中部和下游的东部地区也有一定分布. 扩张性负解耦状态主要分布在长江上游西南部的甘孜、凉山等山区和长江中游东北部黄冈和咸宁等平原地区. 46%的地级市属于强负解耦状态，包括1个超大城市、2个特大城市、2个Ⅰ型大城市、18个Ⅱ型大城市、18个中等城市、16个Ⅰ型小城市和3个Ⅱ型小城市.

形态维的解耦结果以弱解耦和强负解耦为主. 弱解耦状态主要分布在长江上游西部、北部的山区，中游主要分布在东北、东南平原地区. 强负解耦状态分布在长江上游的东北部，中游的西南部和下游的东、西部地区. 42%的地级市属于强负解耦状态，包括2个特大城市、1个Ⅰ型大城市、18个Ⅱ型大城市、17个中等城市、12个Ⅰ型小城市和4个Ⅱ型小城市.

结构维的城市蔓延主要呈现强负解耦和弱解耦状态，品质维、效率维和形态维的城市蔓延主要呈现强负解耦状态，密度维的城市蔓延主要呈现强解耦状态. 不同维度的城市蔓延都对生态系统产生不同的影响，较为发达的城市对生态系统的破坏更为严重，在一些偏远山区注重城市发展与生态保护.

2.3 不同生态系统服务流与城市蔓延解耦分析

由图 6可知2010~2020年长江流域淡水供给服务流与城市蔓延指数解耦结果以强负解耦和扩张性负解耦为主. 强负解耦状态主要分布在上游的东部和南部地区，中游的西南部以及下游的整个区域. 扩张性负解耦状态主要分布在上游的西部高原和山区，中游的南部和北部地区平原地区. 属于强负解耦状态地级市占比46%，属于扩张性负解耦状态的地级市占比40%，属于强解耦状态的地级市占比8%.

图 6 不同生态系统服务流与城市蔓延解耦状态空间分布 Fig. 6 Spatial distribution of decoupling states between different ecosystem service flows and urban sprawl

景观美学服务流与城市蔓延指数解耦结果以强负解耦为主. 主要分布在上游的东部和北部，中游的西部和北部以及下游整个区域. 属于强负解耦状态的地级市占比66%，属于扩张性负解耦状态的地级市占比11%，属于弱解耦状态的地级市占比7%.

粮食生产服务流与城市蔓延指数解耦结果以强负解耦为主. 主要分布在上游的中部和东部，中游的西部和西北部以及下游的南部和北部地区. 属于强负解耦状态的地级市占比67%，属于扩张性负解耦状态的地级市占比18%，属于衰退性解耦状态的地级市占比9%.

气候调节服务流的解耦结果以强负解耦、扩张性负解耦和弱解耦为主. 强负解耦状态主要分布在上游的东北部、北部和西部，下游的东北部和北部地区. 扩张性负解耦状态主要分布在上游的中部和东南部，中游的东南部以及下游的西南部地区. 弱解耦状态主要分布在中游地区，分布较为分散. 属于强负解耦状态的地级市占比48%，属于扩张性负解耦的地级市占比16%，属于弱解耦状态的地级市占比14%.

水源涵养服务流的解耦结果以强负解耦和扩张性负解耦为主. 强负解耦状态主要分布在上游的东部和南部，中游的西南部以及下游整个区域. 扩张性负解耦状态主要分布在上游的西部高原和中游的西北部平原地区. 属于强负解耦状态的地级市占比52%，属于扩张性负解耦的地级市占比35%，属于强解耦的地级市占比7%.

碳固持服务流的解耦结果以强负解耦和扩张性负解耦为主. 强负解耦状态在长江流域整个区域都有大量分布. 扩张性负解耦状态主要分布在上游的边缘部分地区以及中游东部的少量地区. 属于强负解耦状态的地级市占比69%，属于扩张性负解耦的地级市占比17%，属于衰退性解耦的地级市占比7%.

6种生态系统服务流与城市蔓延的解耦主要呈现强负解耦状态. 超大城市以及特大城市的发展较为迅速，容易忽视生态系统的保护. 小城市的发展比较缓慢，生态系统受干扰程度较弱.

2.4 长江流域城市蔓延与生态系统服务流解耦分析 2.4.1 城市蔓延与生态系统服务流变化率分析

不同维度的城市蔓延与生态系统服务流的解耦存在差异，不同生态系统服务流与城市蔓延的解耦状况也不相同. 为更深入研究二者间的解耦关系，对城市蔓延和生态系统服务流解耦类型进行分析.

由图 7可知2010~2020年长江流域城市蔓延与生态系统服务流解耦结果以强负解耦和扩张性负解耦为主，面积占比40%和38%. 44%的地级市属于强负解耦状态，主要分布在成渝经济圈、长江中游城市群以及长江下游的苏州、芜湖等地区，这些城市面临城市扩张速率超过生态系统服务供给能力的问题. 31%的地级市属于扩张性负解耦状态，主要分布在上游的西部高原和山区，中游的南部和东北部平原地区以及下游的南京、上海等大城市，由于城市扩张的速率远超生态保护政策落地效率，导致建设用地侵占生态空间的速度已超出自然系统的自我调节阈值. 11%的地级市属于弱解耦状态，主要分布在长江流域的部分小型城市，城市发展呈现出增速放缓与生态保护并行推进的双重特征.

图 7 城市蔓延与生态系统服务流解耦状态空间分布 Fig. 7 Spatial distribution of decoupling states between urban sprawl and ecosystem service flows

2.4.2 驱动因子分析

利用地理探测器的因子探测功能，分析各维度单独对长江流域生态系统服务流变化的解释能力. 因子探测结果如表 2所示，各因子的P值都小于0.1，通过显著性检验，说明对生态系统服务流的变化有显著影响，因子探测结果可靠. 因子的解释力排序为：密度维＞效率维＞品质维＞形态维＞结构维. 密度维和效率维的解释力相对较高，人口密度和经济密度是本研究中的主要影响因素，人口的高度聚集往往伴随着高强度的土地开发、资源消耗以及污染物排放，高经济密度往往伴随土地利用方式的剧烈转变，大量自然生态用地被转化为工业用地、城镇建设用地等，密集的经济活动还会产生高强度的资源需求. 品质维和形态维的解释力中等，形态维解释力相对较弱，但因P值显著，属于有意义的影响因子. 5个维度的q值均在0.17~0.29之间，未出现接近1的值，说明生态系统服务流的变化并非由单一维度主导，而是多维度共同作用的结果.

表 2 驱动因子解释力 Table 2 Explanatory power of driving factors

通过交互探测器进一步分析不同指标因子之间的交互作用对生态系统服务流的影响. 探测5个因子对生态系统服务流交互作用的影响程度，交互作用的解释力越大表明两个因子对生态系统服务流交互作用影响力越强. 如图 8所示，交互探测显示，任意两个影响因子的交互作用均大于单一影响因子对生态系统服务流的影响. 结构维和效率维、品质维和效率维、品质维和形态维相互作用为非线性增强，其余因子交互作用均为双因子增强. 品质维和效率维对生态系统服务流的交互作用最强，两者交互作用后对生态系统服务流的空间分异解释力高达66.1%，效率维与其它因子交互作用的解释力超过40%，其余因子间交互作用的解释力也均在30%以上，这表明多种影响因子在复杂条件下产生多种变化会对生态系统服务流产生显著影响.

图 8 5个维度城市蔓延与生态系统服务流交互探测器结果 Fig. 8 Interaction detector results of urban sprawl and ecosystem service flows across five dimensions

2.4.3 空间分布分析

以解耦程度为因变量，取值1~8，1表示强负解耦，8表示强解耦. 选取地形、经济和生态为自变量，利用ArcGIS进行地理加权回归分析，将各影响因素的回归系数进行分级，并分别成图，如图 9所示. 人口密度、建成区紧凑度及第二产业占比的作用方向则因区域异质性表现出正负分化作用，三者呈现的正相关区域都主要为长江上游地区，负相关区域主要为长江中游和下游地区. 第二产业占比对解耦程度的影响最大，且上游地区的影响程度大于下游地区，中游西部的影响程度大于东部. 其次是建成区紧凑度，上游地区的影响程度小于下游地区. 人口密度的影响程度表现为两边高中间低. 生态用地占比和经济密度的回归系数呈现负相关性，其影响程度表现为由上游至下游逐步递减的特征，且生态用地占比的影响程度大于经济密度的影响程度. 坡度的回归系数呈现正相关，影响程度表现为由上游至下游逐步递增的特征.

图 9 地理加权回归模型回归系数分布 Fig. 9 Distribution of regression coefficients in the geographically weighted regression model

3 讨论 3.1 城市群尺度城市蔓延与生态系统服务流解耦类型分析

2010~2020年长江流域不同城市群城市蔓延与生态系统服务流解耦类型统计如图 10所示. 三大城市群中强负解耦状态的地级市数量较为突出，长江中游城市群强负解耦状态的地级市达12个，成渝双城经济圈与长三角城市群分别为5个和10个. 表明在城市蔓延过程中，生态系统服务流的流动受到显著负面影响，对生态空间的挤压、资源的过度消耗等问题较为普遍. 扩张性负解耦状态在各城市群中也占较高比. 长江中游城市群为10个，成渝双城经济圈和长三角城市群也有一定数量. 长三角城市群凭借优越的地理位置和政策支持，是我国重要的制造业和服务业基地，吸引大量人口涌入，城市为满足住房、就业等需求不断向外扩张. 长江中游城市群和成渝双城经济圈近年来工业化进程加速，工业用地和配套基础设施建设规模持续扩大，推动城市空间快速拓展. 这种以经济增长为导向的发展模式，忽视了生态保护.

图 10 城市群尺度城市蔓延与生态系统服务流解耦类型统计 Fig. 10 Statistics on decoupling types between urban sprawl and ecosystem service flows at the urban agglomeration scale

3.2 流域尺度城市蔓延与生态系统服务流解耦类型分析

2010~2020年长江流域不同流域城市蔓延与生态系统服务流解耦类型统计如图 11所示. 三大流域中属于强负解耦状态和扩张性负解耦状态的地级市数量较为突出. 上游分别为17个和18个，中游分别为30个和4个，下游分别为10个和8个. 长江上游属于扩张性负解耦状态和强负解耦状态的城市数量较多. 上游主要由青藏高原、横断山脉以及云贵高原等构成，地形条件极为复杂. 随着经济发展需求的增长，上游地区的资源开发力度不断加大，基础设施建设也在加速推进. 城市扩张过程中，山区的生态脆弱性被进一步放大. 长江中游属于强负解耦状态的城市较多，该区域涵盖着江汉平原、洞庭湖平原等平原地带. 其地势平坦开阔，为城市建设提供适宜开发的土地资源. 在城市边界不断外扩的过程中，大量的湿地、农田等生态空间被侵占. 长江下游地势平坦开阔，交通网络发达，经济发展水平高，吸引大量人口迁入，推动城市化进程加速. 长江下游属于强负解耦的地级市数量较长江中游少，但城市发展与生态保护间的矛盾依然存在.

图 11 流域尺度城市蔓延与生态系统服务流解耦类型统计 Fig. 11 Statistics on decoupling types between urban sprawl and ecosystem service flows at the river basin scale

3.3 城市蔓延程度与生态系统服务流解耦路径

城市蔓延通过侵占自然栖息地、破坏耕地及干扰物质循环，导致生态系统服务流能力下降，加剧人地关系矛盾. 实现城市蔓延与生态系统服务流的解耦，构成了二者关系协调发展的最佳状态，其特征是城市蔓延的下降与生态系统服务流的正增长. 但2010~2020年长江流域只有少量的城市属于解耦状态，解耦情况还需改善. 参考《长江经济带⁃长江流域国土空间规划（2021⁃2035年）》，依据不同的解耦类型，构建针对性优化策略体系，促进长江流域城市与生态系统服务流的可持续发展进程.

强负解耦区域在长江流域占比最高，空间分布主要集中于成渝经济圈、长江中游城市群等城市. 其原因主要与大城市产业集聚引发的生态用地过度挤占和建设用地的无序扩张有关. 建议产业转移至周边城市、暂停高污染产业，严格控制新增用地的范围和形态.

扩张性负解耦区域在长江流域上游和中游的部分中等城市和大城市都有大量分布. 归因于公共服务设施空间布局的离散化特征以及自然资源开发力度大. 建议优化公共服务设施的空间布局，通过节点串联的方式提升设施可达性；将资源开发强度严格控制在生态承载力阈值内.

弱负解耦区域仅包括遂宁、黔东南和上饶. 成因可归结为人口的大规模外流和丘陵山区城市建设较为分散. 可培育区域特色优势产业、提升本地教育供给质量等举措增强人口吸引力，合理规划城市建设用地.

衰退性解耦区域占比相对较低，为神农架、黔南、达州、九江等中小城市. 由于生态用地转化为建设用地转化的过程缺乏有效规制，通过划定土地用途管制的“禁止转化区-限制转化区-适宜转化区”，强化对建设用地扩张的约束.

弱解耦区域在长江流域的占比偏低且空间分布呈现离散化特征，主要涉及西安、张家界、果洛等14个城市. 主要是城市发展过程中对城镇开发边界的系统性忽视，可通过强化开发区用地的全流程审核与动态监测机制加以规制.

强解耦区域主要分布在雅安、宜宾和抚州等10个城市. 在城市发展的同时注重生态保护，可以持续落实生态环境监管责任，确保生态保护力度与城市发展节奏相适配.

4 结论

（1）2010~2020年长江流域城市蔓延在结构维、品质维、效率维和形态维这4个维度上城市蔓延程度都随时间增强，在密度维上城市蔓延程度随时间减弱，城市蔓延是多维度和系统性的恶化过程. 2010~2020年长江流域淡水供给、景观美学、粮食生产、气候调节、水源涵养和碳固持这6种生态系统服务流随时间下降或受阻，生态系统的整体服务功能在持续退化.

（2）2010~2020年长江流域多数城市在城市蔓延与生态系统服务流的协调发展面临较大压力，强负解耦和扩张性负解耦状态的城市占据主导，在未来的城市发展过程中，需加强对不同区域城市发展模式的引导和调控.

（3）品质维和效率维对生态系统服务流的交互作用最强，其余因子间交互作用的解释力也均在30%以上. 生态系统服务流的变化是多种因子共同作用的结果，在制定生态系统服务流保护和调控策略时，应充分考虑各因子之间的复杂关系.

参考文献

[1]	Dutton J A. New American urbanism: re-forming the suburban metropolis[M]. Milano: Skira, 2000.
[2]	王家庭, 谢郁, 马洪福, 等. 中国城市蔓延的多指标指数测度研究——基于快速城镇化的背景[J]. 城市规划, 2019, 43(6): 9-19. Wang J T, Xie Y, Ma H F, et al. Measuring China's urban sprawl in the rapid urbanization period by multi-indicator index method[J]. City Planning Review, 2019, 43(6): 9-19.
[3]	Bagstad K J, Johnson G W, Voigt B, et al. Spatial dynamics of ecosystem service flows: a comprehensive approach to quantifying actual services[J]. Ecosystem Services, 2013, 4: 117-125. DOI:10.1016/j.ecoser.2012.07.012
[4]	夏沛, 彭建, 徐子涵, 等. 生态系统服务流概念内涵与量化方法[J]. 地理学报, 2024, 79(3): 584-599. Xia P, Peng J, Xu Z H, et al. Conceptual connotation and quantification methods of ecosystem service flows[J]. Acta Geographica Sinica, 2024, 79(3): 584-599.
[5]	官冬杰, 和秀娟, 周李磊. 城市蔓延对生态系统服务流的影响研究进展及对长江流域的启示[J]. 重庆交通大学学报(自然科学版), 2024, 43(2): 30-39. Guan D J, He X J, Zhou L L. Research progress of the impact of urban sprawl on the ecosystem service flows and implications for the Yangtze River Basin, China[J]. Journal of Chongqing Jiaotong University (Natural Science), 2024, 43(2): 30-39.
[6]	Li J H, Xie B G, Dong H M, et al. The impact of urbanization on ecosystem services: both time and space are important to identify driving forces[J]. Journal of Environmental Management, 2023, 347. DOI:10.1016/j.jenvman.2023.119161
[7]	Basu T, Das A, Das K, et al. Urban expansion induced loss of natural vegetation cover and ecosystem service values: a scenario-based study in the Siliguri municipal corporation (Gateway of North-East India)[J]. Land Use Policy, 2023, 132. DOI:10.1016/j.landusepol.2023.106838
[8]	罗松开, 罗志军, 杨晓芳, 等. 建设用地扩张影响下南昌市生态系统服务变化及公平性识别[J]. 环境科学, 2025, 46(7): 4641-4656. Luo S K, Luo Z J, Yang X F, et al. Changes in ecosystem services and equity identification in Nanchang under the influence of construction land expansion[J]. Environmental Science, 2025, 46(7): 4641-4656.
[9]	Aduko J, Yakubu M A, Anokye K. Assessing the environmental impacts of urban sprawl on vegetation cover and ecosystem integrity in Wa municipality, Ghana[J]. World Development Sustainability, 2025, 6. DOI:10.1016/j.wds.2025.100225
[10]	Ríos-Ocampo J P, Gary M S. Urban growth strategy in Greater Sydney leads to unintended social and environmental challenges[J]. Nature Cities, 2025, 2(3): 223-233. DOI:10.1038/s44284-024-00187-6
[11]	Kong W L, Shen W C, Yu C Y, et al. The neglected cost: ecosystem services loss due to urban expansion in China from a triple-coupling perspective[J]. Environmental Impact Assessment Review, 2025, 112. DOI:10.1016/j.eiar.2025.107827
[12]	毕晓普, 沈丽珍, 冯广源, 等. 远程耦合视角下城镇化与生态系统交互作用机制: 以长三角地区为例[J]. 生态学杂志, 2025, 44(10): 3178-3189. Bi X P, Shen L Z, Feng G Y, et al. The interaction mechanisms between urbanization and ecosystems from a telecoupling perspective: a case study of the Yangtze River Delta Region[J]. Chinese Journal of Ecology, 2025, 44(10): 3178-3189.
[13]	Ouyang X, Tang L S, Wei X, et al. Spatial interaction between urbanization and ecosystem services in Chinese urban agglomerations[J]. Land Use Policy, 2021, 109. DOI:10.1016/j.landusepol.2021.105587
[14]	Zhang H, Deng W, Zhang S Y, et al. Impacts of urbanization on ecosystem services in the Chengdu-Chongqing Urban Agglomeration: changes and trade-offs[J]. Ecological Indicators, 2022, 139. DOI:10.1016/j.ecolind.2022.108920
[15]	Zhao Y L, Shi Y, Feng C C, et al. Exploring coordinated development between urbanization and ecosystem services value of sustainable demonstration area in China- take Guizhou Province as an example[J]. Ecological Indicators, 2022, 144. DOI:10.1016/j.ecolind.2022.109444
[16]	孙雪健, 李国栋, 任晓娟, 等. 城市扩张下安徽省土地利用变化及其生态环境效应[J]. 环境科学, 2025, 46(7): 4510-4521. Sun X J, Li G D, Ren X J, et al. Response of land use change to ecological environment effect in Anhui Province under urban expansion[J]. Environmental Science, 2025, 46(7): 4510-4521.
[17]	王梦如, 汪勇政, 黄闯, 等. 快速城市化地区生态系统服务价值时空演变和驱动因素分析——以合肥市为例[J]. 环境污染与防治, 2025, 47(8): 64-72. Wang M R, Wang Y Z, Huang C, et al. Analysis of spatial and temporal evolution of ecosystem service value and driving factors in rapidly urbanizing areas: a case study of Hefei[J]. Environmental Pollution & Control, 2025, 47(8): 64-72.
[18]	Pan Z Z, Gao G Y, Fu B J, et al. Exploring the historical and future spatial interaction relationship between urbanization and ecosystem services in the Yangtze River Basin, China[J]. Journal of Cleaner Production, 2023, 428. DOI:10.1016/j.jclepro.2023.139401
[19]	Bi Y Z, Zheng L, Wang Y, et al. Coupling relationship between urbanization and water-related ecosystem services in China's Yangtze River economic Belt and its socio-ecological driving forces: a county-level perspective[J]. Ecological Indicators, 2023, 146. DOI:10.1016/j.ecolind.2023.109871
[20]	Xiao S, Fügener T, Wende W, et al. The dynamics of vegetation and implications for ecosystem services in the context of urbanisation: an example from Huangyan-Taizhou, China[J]. Ecological Engineering, 2022, 179. DOI:10.1016/j.ecoleng.2022.106614
[21]	Yushanjiang A, Zhou W Q, Wang J, et al. Impact of urbanization on regional ecosystem services---a case study in Guangdong-Hong Kong-Macao Greater Bay Area[J]. Ecological Indicators, 2024, 159. DOI:10.1016/j.ecolind.2024.111633
[22]	Lyu R F, Zhang J M, Xu M Q, et al. Impacts of urbanization on ecosystem services and their temporal relations: a case study in northern Ningxia, China[J]. Land Use Policy, 2018, 77: 163-173. DOI:10.1016/j.landusepol.2018.05.022
[23]	Xie Y Q, Dai W C, Xiang S J, et al. Supply and demand of ecosystem services and their interaction with urbanization: the case of Chengdu-Chongqing urban agglomeration[J]. Urban Climate, 2024, 55. DOI:10.1016/j.uclim.2024.101978
[24]	高彬嫔, 吴映梅, 李琛, 等. 滇中城市群城市扩张动态演变对生态系统健康的影响[J]. 环境科学, 2026, 47(1): 506-516. Gao B P, Wu Y M, Li C, et al. Effects of urban sprawl dynamics on ecosystem health in the Central Yunnan Urban Agglomeration[J]. Environmental Science, 2026, 47(1): 506-516.
[25]	Wang J L, Zhou W Q, Pickett S T A, et al. A multiscale analysis of urbanization effects on ecosystem services supply in an urban megaregion[J]. Science of the Total Environment, 2019, 662: 824-833. DOI:10.1016/j.scitotenv.2019.01.260
[26]	Wang S, Hu M M, Wang Y F, et al. Dynamics of ecosystem services in response to urbanization across temporal and spatial scales in a mega metropolitan area[J]. Sustainable Cities and Society, 2022, 77. DOI:10.1016/j.scs.2021.103561
[27]	Das M, Das A. Dynamics of urbanization and its impact on urban ecosystem services (UESs): a study of a medium size town of west Bengal, eastern India[J]. Journal of Urban Management, 2019, 8(3): 420-434. DOI:10.1016/j.jum.2019.03.002
[28]	Tian Y Y, Zhou D Y, Jiang G H. Conflict or coordination? Multiscale assessment of the spatio-temporal coupling relationship between urbanization and ecosystem services: the case of the Jingjinji Region, China[J]. Ecological Indicators, 2020, 117. DOI:10.1016/j.ecolind.2020.106543
[29]	李琛, 吴映梅, 高彬嫔, 等. 滇中城市群城镇化水平与生态系统健康的近远程耦合协调[J]. 经济地理, 2025, 45(4): 157-167. Li C, Wu Y M, Gao B P, et al. Local and tele-coupling coordination of urbanization and ecosystem health in the Central Yunnan Urban Agglomeration[J]. Economic Geography, 2025, 45(4): 157-167.
[30]	孟霜, 刘益宏, 刘富平, 等. 城市化水平和景观格局变化与城市绿地土壤典型生态系统服务功能的关联机制[J]. 环境科学, 2026, 47(4): 2511-2519. Meng S, Liu Y H, Liu F P, et al. Mechanisms linking urbanization intensity and landscape pattern changes with typical soil ecosystem service functions of urban greenspace[J]. Environmental Science, 2026, 47(4): 2511-2519. DOI:10.13227/j.hjkx.202503108
[31]	Weng Z X, Xu M, Li J Y, et al. Carbon decoupling and drivers decomposition under the carbon neutrality target: evidence from county-level cities in China[J]. Resources, Conservation and Recycling, 2025, 222. DOI:10.1016/j.resconrec.2025.108465
[32]	刘庆芳, 王兆峰. 长江中游城市群旅游经济发展和生态环境压力耦合与解耦态势[J]. 地理与地理信息科学, 2021, 37(2): 128-134. Liu Q F, Wang Z F. Coupling and decoupling situation of tourism economic development and ecological environment pressure of urban agglomeration in the middle reaches of the Yangtze River[J]. Geography and Geo-Information Science, 2021, 37(2): 128-134.
[33]	Wei W D, Cai W Q, Guo Y, et al. Decoupling relationship between energy consumption and economic growth in China's provinces from the perspective of resource security[J]. Resources Policy, 2020, 68. DOI:10.1016/j.resourpol.2020.101693
[34]	Zhang C Y, Dong H J, Zeng Y, et al. Global patterns and mechanisms of decoupling municipal solid waste generation from economic growth[J]. Environmental Impact Assessment Review, 2025, 115. DOI:10.1016/j.eiar.2025.108041
[35]	Xu C, Qin Y S, Li J D, et al. Spatiotemporal decoupling CH₄ emission from economic growth and future trend in categorized Chinese cities[J]. Environmental Impact Assessment Review, 2025, 112. DOI:10.1016/j.eiar.2025.107859
[36]	Tian Y N, Wang Y Z, Hang Y, et al. Decoupling economic growth from industrial SO₂ emissions in China: a two-stage decomposition approach[J]. Chinese Journal of Population, Resources and Environment, 2025, 23(1): 49-61. DOI:10.1016/j.cjpre.2025.01.005
[37]	Infante-Amate J, Travieso E, Aguilera E. Unsustainable prosperity? Decoupling wellbeing, economic growth, and greenhouse gas emissions over the past 150 years[J]. World Development, 2024, 184. DOI:10.1016/j.worlddev.2024.106754
[38]	Yuan Y J, Wu S H, Yu Y N, et al. Spatiotemporal interaction between ecosystem services and urbanization: case study of Nanjing City, China[J]. Ecological Indicators, 2018, 95(1): 917-929.
[39]	Peng J, Wang X Y, Liu Y X, et al. Urbanization impact on the supply-demand budget of ecosystem services: decoupling analysis[J]. Ecosystem Services, 2020, 44. DOI:10.1016/j.ecoser.2020.101139
[40]	Yuan S F, Mei Z H, Zhu C M, et al. Investigating the spatio-temporal interactive relationship between land use structure and ecosystem services in urbanizing China[J]. Ecological Indicators, 2024, 158. DOI:10.1016/j.ecolind.2023.111315
[41]	Yang X Y, Meng F, Fu P J, et al. Spatiotemporal change and driving factors of the Eco-Environment quality in the Yangtze River Basin from 2001 to 2019[J]. Ecological Indicators, 2021, 131. DOI:10.1016/j.ecolind.2021.108214
[42]	官冬杰, 杨文, 周李磊, 等. 长江流域城市蔓延特征识别及演化趋势模拟——基于城市蔓延多维度指标的测度[J]. 地理研究, 2023, 42(11): 2940-2964. Guan D J, Yang W, Zhou L L, et al. Spatio-temporal characteristics and evolutionary trends of urban sprawl based on measuring the multi-dimensional indicators in the Yangtze River Basin, China[J]. Geographical Research, 2023, 42(11): 2940-2964.
[43]	Guan D J, Fan X F, Zhou L L, et al. Quantitative assessment of the supply, demand and flows of ecosystem services in the Yangtze River Basin, China[J]. Frontiers of Earth Science, 2024, 18(2): 422-445. DOI:10.1007/s11707-024-1114-1
[44]	李婧昕, 杨立, 杨蕾, 等. 基于熵理论的城市生态系统服务流定量评估——以北京市为例[J]. 应用生态学报, 2018, 29(3): 987-996. Li J X, Yang L, Yang L, et al. Quantitative assessment of urban ecosystem services flow based on entropy theory: a case study of Beijing, China[J]. Chinese Journal of Applied Ecology, 2018, 29(3): 987-996.
[45]	Li J Y, Sing M C P, Huang Z H, et al. Exploring the decoupling evolution of carbon emissions from economic efficiency in the construction sector: a comparative perspective[J]. Sustainable Cities and Society, 2025, 128. DOI:10.1016/j.scs.2025.106464
[46]	黄卓男, 陈颖彪, 吴志峰. 珠三角城市群地表热环境与生态系统服务价值解耦的时空特征[J]. 应用生态学报, 2022, 33(7): 1993-2000. Huang Z N, Chen Y B, Wu Z F. Spatiotemporal charactersitics of decoupling between land surface thermal environment and ecosystem service value in Pearl River Delta Urban Agglomeration, China[J]. Chinese Journal of Applied Ecology, 2022, 33(7): 1993-2000.
[47]	王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.
[48]	董世杰, 安慧, 吴海林. 长三角地区生态脆弱性评估、驱动因素分析及预测[J]. 环境科学, 2026, 47(5): 3235-3248. Dong S J, An H, Wu H L. Ecological vulnerability assessment, driving factor analysis, and prediction in the Yangtze River Delta Region[J]. Environmental Science, 2026, 47(5): 3235-3248.
[49]	Fan Y M, Wei G E. Assessment of ecological resilience and its response mechanism to land spatial structure conflicts in China's southeast coastal areas[J]. Ecological Indicators, 2025, 170. DOI:10.1016/j.ecolind.2024.112980
[50]	卢宾宾, 葛咏, 秦昆, 等. 地理加权回归分析技术综述[J]. 武汉大学学报(信息科学版), 2020, 45(9): 1356-1366. Lu B B, Ge Y, Qin K, et al. A review on geographically weighted regression[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9): 1356-1366.
[51]	Fotheringham A S, Yu H C, Wolf L J, et al. On the notion of 'bandwidth' in geographically weighted regression models of spatially varying processes[J]. International Journal of Geographical Information Science, 2022, 36(8): 1485-1502. DOI:10.1080/13658816.2022.2034829
[52]	叶丽敏, 黄锦樘, 邹泽耀, 等. 福建省沿海区域道路网络扩张对植被动态变化的影响机制[J]. 环境科学, 2025, 46(12): 7865-7877. Ye L M, Huang J T, Zou Z Y, et al. Analysis of the impact mechanism of road network expansion on vegetation in the coastal region of Fujian province[J]. Environmental Science, 2025, 46(12): 7865-7877.


环境科学 2026, Vol. 47 Issue (9): 6365-6376	PDF