环境科学  2026, Vol. 47 Issue (9): 6392-6404   PDF    
引用本文
左璐, 鲁军景, 孙雷刚, 郝庆涛, 王钦艺, 张鹏飞, 马晓倩. 时空动态关系下京津冀地区社会-生态系统风险评估及管控分区[J]. 环境科学, 2026, 47(9): 6392-6404.
ZUO Lu, LU Jun-jing, SUN Lei-gang, HAO Qing-tao, WANG Qin-yi, ZHANG Peng-fei, MA Xiao-qian. Social-ecological System Risk Assessment and Management Zoning in the Beijing-Tianjin-Hebei Region from a Spatio-temporal Dynamic Relationship Perspective[J]. Environmental Science, 2026, 47(9): 6392-6404.
时空动态关系下京津冀地区社会-生态系统风险评估及管控分区
左璐1,2, 鲁军景1,2, 孙雷刚1,2, 郝庆涛1,2, 王钦艺1,2, 张鹏飞1,2, 马晓倩1,2     
1. 河北省科学院地理科学研究所，石家庄 050021;
2. 河北省地理信息开发应用技术创新中心，石家庄 050021
收稿日期: 2025-08-08; 修订日期: 2025-10-17
基金项目: 河北省科学院基本科研业务费制度试点项目（2025PF04）
作者简介: 左璐（1991~），女，博士，助理研究员，主要研究方向为生态遥感与区域可持续，E-mail: zuol.14b@igsnrr.ac.cn
通信作者: 孙雷刚, E-mail: sunleigang3s@163.com
摘要: 快速城市化进程中自然系统与人类社会多重风险因子相互作用，导致区域面临极大的生态风险，科学评估管理生态风险对区域生态安全与可持续发展意义重大. 基于多源风险时空动态关系视角，引入社会-生态系统框架评估分析了2000~2020年京津冀地区生态系统风险、社会系统风险及综合生态风险的时空演变特征，基于不同类型风险时空动态关联性，运用双变量空间自相关及冷热点分析法将研究区划分为6类小区和3类大区，并利用最优参数地理探测器探究全域及分区综合生态风险的驱动差异. 结果表明：①京津冀地区生态系统风险、社会系统风险和综合生态风险均值分别为0.464、0.299和0.381，分布上呈西北低东南高的空间格局，燕山-太行山沿线各类风险等级较低，平原地区风险明显高于山区且生态系统风险强于社会系统风险；②近20 a生态系统风险下降2.55%，社会系统风险增加2.01%，综合生态风险下降0.78%，其中山区西北部及平原东部滨海湿地生态风险下降明显，城市化地区呈核心区等级不变边缘区风险加剧的圈层结构；③双系统风险间空间正相关效应显著且持续增强，综合生态风险显著增大和显著减小面积占比分别为18.63%和19.06%，紧急管控区集中于城市边缘扩张区，重点管控区位于城市核心区，密切监控区分布于城市外围及滨海地带，动态调控区分布最广，预防管理区和维护保育区主要分布在燕山-太行山生态功能区；④地形地貌、城市建设和社会经济活动因素主导全域及监控区综合生态风险空间分异，城市建设对管控区影响突出，地表覆盖对防范区影响更甚；建设用地占比与坡度为全域及监控区最强交互因子，管控区建设用地占比与植被覆盖度交互作用最强，防范区植被覆盖度与裸土指数交互更强. 研究成果可为区域生态风险精准管控和社会经济可持续发展提供参考.
关键词: 生态风险      时空动态关系      社会-生态系统（SES）      京津冀（BTH）地区      管控分区     
Social-ecological System Risk Assessment and Management Zoning in the Beijing-Tianjin-Hebei Region from a Spatio-temporal Dynamic Relationship Perspective
ZUO Lu1,2 , LU Jun-jing1,2 , SUN Lei-gang1,2 , HAO Qing-tao1,2 , WANG Qin-yi1,2 , ZHANG Peng-fei1,2 , MA Xiao-qian1,2     
1. Institute of Geographical Sciences, Hebei Academy of Sciences, Shijiazhuang 050021, China;
2. Hebei Technology Innovation Center for Geographic Information Application, Shijiazhuang 050021, China
Abstract: The interaction of multiple risk factors between natural systems and human societies during rapid urbanization poses significant ecological risk to regions. Scientifically assessing and managing these risks is crucial for regional ecological security and sustainable development. This study adopts a multi-source risk spatio-temporal dynamic relationship perspective, incorporating the social-ecological system (SES) framework to assess and analyze the spatio-temporal evolution characteristics of ecosystem risk, social system risk, and comprehensive ecological risk in the Beijing-Tianjin-Hebei (BTH) Region from 2000 to 2020. Based on the spatio-temporal dynamic correlations among different risk types, the study area is categorized into six sub-regions and three macro-regions using bivariate spatial autocorrelation and hot spot-cold spot analysis. Furthermore, optimal parameters-based Geodetector analysis is employed to investigate the driving differences of comprehensive ecological risks across the entire region and within each partitioned zone. The results show that: ① The mean values of ecosystem risk, social system risk, and comprehensive ecological risk in the BTH Region were 0.464, 0.299, and 0.381, respectively. Their distribution exhibited a spatial pattern of low values in the northwest and high values in the southeast. The risk levels of various types along the Yanshan-Taihang Mountains were relatively low, and the risk in plain areas was significantly higher than that in mountainous areas, with ecosystem risk being stronger than social system risk. ② Over the past 20 years, ecosystem risk decreased by 2.55% and social system risk increased by 2.01%, resulting in a slight decrease (0.78%) in comprehensive ecological risk. Comprehensive ecological risk decreased significantly in the northwestern mountainous areas and the coastal wetlands in the eastern plains. Urbanized areas exhibited a ring structure: constant risk levels in the core and increased risk in the peripheral zones. ③ A significant and strengthening positive spatial correlation existed between ecosystem risk and social system risk. The proportions of areas with significantly increased and decreased comprehensive ecological risks were 18.63% and 19.06%, respectively. Emergency control macro-zones were concentrated in urban expansion fringes, key control macro-zones were located within urban core areas, and close monitoring macro-zones were distributed in the urban periphery and coastal belts. Dynamic regulation macro-zones covered the most extensive area, while preventive management macro-zones and conservation macro-zones were primarily situated within the Yanshan-Taihang Mountains Ecological Functional Area. ④Topography, urban construction, and socio-economic activities dominated the spatial differentiation of comprehensive ecological risk across the entire region and within monitoring macro-zones. Urban construction exerted a particularly prominent influence within control macro-zones. Land surface cover served as the primary controlling factor in preventive macro-zones. The percentage of built-up land and slope gradient represented the strongest interactive factors for the entire region and monitoring macro-zones. Within control macro-zones, the percentage of built-up land and vegetation coverage formed the strongest interactive pair. Vegetation coverage and the bare soil index emerged as the strongest interactive factors in preventive macro-zones. The research findings provide valuable references for implementing precise ecological risk management and promoting socio-economic sustainable development in the region.
Key words: ecological risk      spatio-temporal dynamic relationship      social-ecological system (SES)      Beijing-Tianjin-Hebei (BTH) Region      management zoning     

人口增长、城镇扩张和土地利用变化等人类活动对生态系统的结构和功能造成极大干扰[1，2]，引发生态系统服务衰减、景观破碎化和热岛效应等一系列生态环境问题，导致许多区域面临极大的生态风险，严重威胁到区域生态安全和人类社会的可持续发展[3，4]. 生态风险评估为生态系统可持续管理提供诊断工具，现已成为生态学、地理学和环境科学等领域的研究热点，对于促进区域生态环境保护和绿色高质量发展具有重要意义[5~7].

生态风险研究起源于20世纪80年代的环境影响评价，经历了从环境风险、生态风险到区域生态风险的发展历程[8]. 评价对象从单一风险因子与受体，发展为多风险源及多受体，研究尺度从种群和群落等微观层面延伸至城市[9]、流域[10]和景观[11]等宏观尺度. 基于土地利用变化的景观生态风险应用最为广泛，一般通过计算景观干扰度和景观脆弱度来反映区域生态风险状况[12，13]. 卿希等[14]利用景观干扰度指数和脆弱度指数构建生态风险评价模型，对比分析了黄流流域5个国家级城市群景观生态风险的时空演化特征. 景观生态风险侧重生态过程[15]，对生态过程与社会过程的交互耦合关系关注不足[16，17]. 生态风险实质上是自然生态与人类社会共同作用的结果，多个系统要素相互作用，最终引发生态风险[18]. 近年来，有学者将“社会-生态”复合系统理论引入到区域生态风险评估体系中[19]，对自然生态-人类社会的作用关系进行了探索. 夏哲一等[20]基于社会-生态耦合视角构建生境服务评估框架，对上海市城市边缘区的生境质量进行了评估与分区，张辛欣等[21]基于社会-生态系统视角构建了内生性⁃外源性⁃控制性生态风险评估框架，对快速城市化的江苏省进行了生态风险评价与管控分区. 然而，当前大部分生态风险研究基于单一风险类型的静态特征分析，分区管理时忽视了不同类型风险间的动态交互机制，尤其是时空关联性. 事实上，区域生态风险受自然环境变化和人类活动压力等多重因素共同影响[22，23]，时间上具有累积性[24]，空间上具有关联性[25]. 因此，亟需从社会-生态系统风险时空动态关系视角出发，深入探究自然演变与人类干扰下的区域生态风险时空分异特征与驱动机制.

京津冀地区是我国快速城镇化的典型案例区，也是中国北方重要的生态屏障，承载着华北平原水源涵养、防风固沙和生物多样性维护等多重生态功能[26]. 2000~2020年，京津冀地区城镇化发展迅速，城镇化率从39.04%跃升至68.6%，人口密度增长了22%，城市用地规模增长近一倍[27]. 高强度的人类活动、剧烈的土地利用转型、破碎化的生态空间导致生态系统结构稳定性下降与服务功能衰减，区域生态安全形势严峻. 本研究以京津冀地区为研究区，基于社会-生态系统框架，融合自然环境演变与人类活动干扰构建了区域综合生态风险评价模型，结合多源数据测度了2000~2020年京津冀地区生态系统风险、社会系统风险以及综合生态风险，基于不同类型风险间的时空动态关系，运用双变量空间自相关、冷热点分析等方法进行风险管控分区，并利用最优参数地理探测器探究全域及分区的驱动因素差异，揭示了自然生态-人类社会交互作用下区域生态风险的时空演变规律及关联特征，以期为超大城市群生态风险精准评估与分区管控提供参考依据.

1 研究区概况

京津冀地区包括北京、天津2个直辖市以及河北省石家庄、唐山、保定等13个地级市，总面积21.6万km2，位于华北平原与内蒙古高原交界地带（36°03′~42°37′N，113°27′~119°50′E），背靠燕山，西倚太行，东临渤海，兼有山地、高原、丘陵、平原、海滨等多种地貌类型，整体地势西北高东南低，区域内8万km2的平原地区约占区域土地总面积的37%，是人口和经济活动的主要承载地，根据闫语等[26]研究将其划分为平原和山区（图 1）. 该地区属暖温带半湿润大陆性季风气候，受季风、地形等因素影响，降水空间分布不均，山区年均降水470.34 mm，平原地区年均降水505.41 mm，加之人类社会无节制地开发利用造成水资源短缺、水土流失和土地沙化等一系列生态问题，生态系统较为脆弱.

图 1 研究区概况 Fig. 1 Overview of the study area

2 材料与方法 2.1 数据源与预处理

本研究涉及的数据类型包括土地利用数据、夜间灯光数据、气象、地形、植被、土壤、人口和社会经济数据等. 其中土地利用数据来自武汉大学的中国年度土地覆被数据集（CLCD）[28]，分辨率为30 m，根据研究区实际情况，将其重分类为耕地、林地、灌木、草地、水域、裸地和建设用地这7个大类. 夜间灯光数据和植被覆盖度来源于地球资源数据云（http://gis5g.com/home），高程数据（DEM）为美国ASTER GDEM全球高程数字产品，来源于地理空间数据云（http://www.gscloud.cn/）；MODIS地表反射率产品（MOD09A1）和地表温度产品（MOD11A2）分别用于计算遥感指数和表征城市热岛效应，遥感指数包括归一化植被指数（NDVI）和裸土指数（BSI），来源于美国NASA网站（http://www.nasa.gov/）；不透水面数据为中国科学院空天信息创新研究院的全球30 m不透水表面动态数据集（GISD），GDP数据来自于中国科学院资源环境科学与数据中心（https://www.resdc.cn/），人口数据来自于WorldPop全球高分辨率人口分布网格数据（https://hub.worldpop.org/），土壤数据为世界土壤数据库（HWSD），与气温、降水和蒸散发等气象数据均来自国家青藏高原科学数据中心（http://data.tpdc.ac.cn/），粮食产量等社会经济数据来自各省市统计年鉴. 所有数据共涵盖2000年、2010年和2020年这3期数据，空间坐标系重投影为WGS 1984 UTM Zone 50，空间分辨率统一为500 m.

2.2 生态风险评估方法 2.2.1 指标体系构建

自然生态系统为人类生存提供物质基础和服务，人类社会的城市建设、经济发展和生产生活等改变了生态系统组成和结构，从而导致生态服务和功能的丧失，引发生态风险. 参考前人研究[21]，本文基于社会-生态系统构建了京津冀地区综合生态风险（IER）评估指标体系，由生态系统风险（ER）和社会系统风险（SR）两部分组成. 其中生态系统风险（ER）由生态系统活力（EV）、生态系统组织力（EO）、生态系统恢复力（ERE）和生态系统服务（ESI）计算得到，生态系统活力表示生态系统新陈代谢能力，由NDVI表征[29]；生态系统组织力表示生态系统结构稳定性，由景观异质性、景观连通性和生态斑块（林地、灌木、草地和水域）连通性表征，运用Fragstats软件采用移动窗口法计算得到[30]；生态系统恢复力表示生态系统抗干扰能力，由生态弹性指数表征[31]；生态系统服务表示生态系统为人类提供服务的能力，包括粮食生产服务、产水服务、固碳服务、土壤保持服务和生境质量服务[32，33]. 社会系统风险则由人类活动强度（HAI）、城市热岛效应（SHUI）和城市扩张（CE）强度计算得到[34]，其中人类活动强度由不同土地利用类型、夜间灯光指数和人口分布加权得到[35]，城市热岛效应由相对地表温度表征[36]，城市扩张由不透水盖度表征[37]，具体计算方法或来源见表 1.

表 1 基于社会-生态系统的区域综合生态风险评估指标体系 Table 1 Regionl integrated ecological risk assessment index system based on social-ecological system

2.2.2 综合生态风险计算

各指标由于量纲和单位不同，在计算前均采用极差标准化方法进行标准化处理，各类型生态风险的计算公式如下：

IER= e×ER+s×SR (1)
ER=1-ESI×EV×EO×ERE4 (2)
SR=a×HAI+b×SHUI+c×CE (3)

式中，IER为综合生态风险，ER为生态系统风险，SR为社会系统风险，ESI为生态系统服务，EV为生态系统活力，EO为生态系统组织力，ERE为生态系统恢复力，e、s、a、b和c均为权重系数，参考前人研究成果[21]，e = 0.5，s = 0.5，a = 0.6，b = 0.2，c = 0.2.

为了增强结果的可比性，采用自然断点法将ER、SR、IER分为低风险、较低风险、中风险、较高风险和高风险5个等级[40]，利用等级差值分析风险变化，负值表示风险等级降低，正值表示风险等级增大，0值表示风险等级不变.

2.3 空间分析方法 2.3.1 双变量空间自相关

双变量空间自相关可以反映两个地理事物或现象在不同空间位置上的相关程度[41]，分为全局自相关和局部自相关，分别表征地理事物的空间关联程度和聚集特征. 本文运用GeoDa软件计算生态系统风险与社会系统风险之间的莫兰指数（Moran's I）和空间聚集性，计算公式如下：

I=n∑in ∑j≠1nwijEiSj(n-1)∑in ∑j≠1nwij (4)
Iij=Ei∑j=1n(wijSj) (5)

式中，I为双变量全局空间自相关Moran's I指数，Iij为双变量局部空间自相关Moran's I指数，n为斑块总数，wij为空间权重第i行第j列的元素，Ei为斑块i对应的生态系统风险值，Sj为与i临近斑块j所对应的社会系统风险值. Moran's I指数值域为[-1，1]，0值表示不存在空间相关性，正值且越大说明空间正相关越强，负值且越小说明空间负相关越强.

2.3.2 冷热点分析（Getis-Ord Gi*指数）

Getis-Ord Gi*指数是一种局部空间自相关指数，通过对地理事物邻近点值的观察来描述整个区域存在的热点区和冷点区，当某区域自身是高值并且周围又被高值点包围即称为热点区，自身是低值又被低值点包围的为冷点区. 本文通过冷热点分析度量区域综合生态风险时间变化的空间依赖程度，识别出显著增大和显著减小的空间集聚分布[26].

$ G_i^*(d)=\frac{\sum\limits_{i=1}^n \boldsymbol{w}_{i j}(d) x_i}{\sum\limits_{i=1}^n x_i} $ (6)

式中，xi为斑块i的综合生态风险差值，wij为空间权重矩阵，n为斑块总数. 若 $G_i^*$显著为正，表明斑块i周围的综合生态风险差值也相对较高，属于显著增大聚集区（热点），反之为显著减小聚集区（冷点）.

2.4 管控分区方法

为更好地管理和应对区域生态风险，根据2020年生态系统风险（ER）与社会系统风险（SR）空间聚集性以及2000~2020年综合生态风险（IER）变化空间显著性，将研究区划分为紧急管控区和重点管控区（管控区）、密切监控区和动态调控区（监控区）、预防管理区和维护保育区（防范区）这6个二级区和3个一级区（表 2）.

表 2 生态风险管控分区 Table 2 Ecological risk management zoning

2.5 最优参数地理探测器

地理探测器是一种度量地理变量空间分异性并分析其驱动因素的统计学方法[42]. 传统地理探测器要求输入的自变量为离散化数据，其分类数量和方法都会影响结果，本研究运用最优参数地理探测器有效避免了主观分类对结果的影响. 模型表达式如下：

q=1-∑h=1LNhσh2Nσ2 (7)

式中，h=1, 2,⋯,L，为自变量或因变量的分类或分区；Nh和N分别为层h和全区的单元数；σh2和σ2分别为因变量在层h和全区的方差. q的值域为[0，1]，当q值越趋近于1，说明变量的影响力越强，反之则越弱.

本文从自然和人为两个方面选取共11个影响因子，探究其对区域综合生态风险空间分异性的影响，自然因素包括地形地貌、气候条件和地表覆盖，人为因素包括社会经济活动和城市建设，具体各因子见表 3. 结合研究区面积和空间异质性特征，兼顾精度及计算效率，参考相关研究[43~45]，将研究区划分为5 km×5 km的网格单元，以IER为因变量，获取网格单元各因子标准化值作为自变量，输入R语言中运行“GD”包进行最优参数地理探测器分析，分类数量为5~20类，分类方法为等间隔法、自然断点法、分位数法和几何间隔法.

表 3 生态风险影响因素 Table 3 Influencing factors of ecological risk

3 结果与分析 3.1 生态风险时空演变 3.1.1 生态风险空间分布

图 2是2000~2020年京津冀地区ER、SR和IER的空间分布情况. 从中可知，京津冀地区生态风险存在显著的空间异质性，燕山-太行山山脉沿线各类风险等级较低，人口密集、经济活跃的城市中心风险等级较高，平原地区风险等级整体高于山区且ER强于SR.

图 2 2000年、2010年和2020年研究区生态风险等级空间分布 Fig. 2 Spatial distribution of ecological risk grades of the study area in 2000, 2010, and 2020

对于ER，平原地区以较高等级为主，其中城市中心和周边城镇以及东部滨海区ER等级更高；山区ER等级空间差异较大，燕山-太行山沿线ER等级为低和较低，西北部坝上地区ER等级为较高和中等，山区平原交界带ER中等. 从面积占比来看，京津冀地区ER等级以中风险为主，3个年度面积占比均在30%左右，低和较低、高和较高等级面积占比之和相接近. 2000~2020年低和较低等级面积占比之和逐渐增大，高和较高等级面积占比之和逐渐减小，其中高等级占比增加4.22个百分点，较高等级占比减少6.99个百分点，总体减少2.77个百分点，说明研究区ER有所降低.

对于SR，平原地区以较低等级为主，其中城市中心和周边城镇SR等级为高，东部滨海区等级为低；山区SR以低等级为主，尤其是北部燕山、西部太行山沿线，西北部山间盆地少量SR等级略高. 从面积占比来看，京津冀地区SR低和较低风险等级占据主导地位，3个年度两者面积占比均在40%左右，其中较低风险面积占比下降最为明显，总体减少6.63个百分点；其次是中风险，面积占比在8%左右且较为稳定，高和较高风险等级面积占比较低但逐渐增大，尤其是高风险等级，2020年面积占比是2000年的2.21倍.

对于IER，平原地区以中、高等级为主，中等级呈片状分布于非城镇地区，高等级集中在人口和建筑密集的城镇地区及交通干线；山区IER以低等级为主但空间差异明显，北部燕山、西部太行山沿线IER为低等级，西北部坝上地区IER为较低等级，山间盆地以中等为主，这是由于燕山-太行山林草茂密，人类活动干扰小，生态系统具有较强的稳定性、抗干扰能力及自我调节恢复能力，ER和SR均为低等；而坝上地区自然本底较差，土地沙化和植被退化较为严重，ER较高，山间盆地自然环境较为脆弱，人类生产生活也产生一定的干扰，ER较高SR较低. 从面积占比来看，京津冀地区IER以中风险为主，3个年度面积占比均在45%左右，2000~2020年中风险面积占比持续下降，总体降低6.94个百分点；低风险和较低风险占比也较高且两者面积占比之和持续上升，总体上升1.84个百分点，其中低风险占比增加，较低风险占比下降；较高风险和高风险等级面积占比较低但逐渐增大，尤其是较高风险等级，2020年面积占比是2000年的1.58倍.

3.1.2 生态风险时间变化

图 3是2000~2020年京津冀地区ER、SR和IER水平的变化情况. 从中可知，2000~2020年京津冀地区ER平均水平为0.464，总体呈持续下降趋势，总降幅2.55%. 其中平原地区ER增加了3.03%，山区ER下降明显，降幅8.18%[图 3(a)]. SR水平低于ER，3个年度均值为0.299，总体呈波动上升趋势，总增幅2.01%. 其中平原地区SR增加明显，增幅7.09%；山区SR水平先下降后上升，整体降低3.38%[图 3(b)]. 对于IER，2000~2020年全域平均值为0.381，介于ER与SR之间，总体略微下降，总降幅0.78%. 其中平原地区IER水平持续上升，总体增加4.65%；山区IER水平持续下降，总体降低6.37%[图 3(c)].

图 3 2000~2020年研究区生态风险水平变化 Fig. 3 Ecological risk level changes of the study area from 2000 to 2020

从等级变化来看，2000~2020年京津冀地区ER明显减小，全域ER等级降低面积为4.27万km2，占研究区总面积的19.75%，主要分布在山区西北部和平原东部滨海区. ER等级增大的面积为2.52万km2，占研究区总面积的11.67%，分散分布在平原地区，局部平原地区ER降低，可能是因为耕地保护、盐碱地治理等生态修复政策和措施取得一定成效[图 4(a)]. 相较于ER，2000~2020年京津冀地区SR等级增大更为明显，全域SR等级增大面积为2.71 km2，占研究区总面积的12.56%，主要分布在平原城镇扩张区及交通干路沿线，整体沿山区与平原分界线向东部平原扩散，山区西北部局部地区SR等级也增大. SR等级降低面积较小，仅为0.79万km2，占研究区总面积的3.65%，集中分布在西北部坝上地区[图 4(b)].

图 4 2000~2020年研究区生态风险等级变化分布 Fig. 4 Spatial distribution of ecological risk grade changes in the study area from 2000 to 2020

相对于ER和SR，IER等级降低和增大的面积相当，分别为1.99万km2和1.84万km2，占比为9.22%和8.52%. 降低区域主要分布在山区西部、北部以及平原东部滨海区，这些地区ER明显降低SR变化不大；IER增大区域主要分布在平原地区尤其是城市扩张区，这些地区ER和SR都明显增大[图 4(c)]. 值得注意的是，高度城市化地区ER、SR和IER都存在明显的圈层结构，如北京、天津等，即城市核心区生态风险等级基本不变，城市边缘区风险等级明显增大，这与前人[24，46]的研究结论一致. 主要是因为城市核心区虽以建设用地为主，但土地利用结构稳定，景观连通性和均质化程度高，生态系统稳定性高，因此IER等级高但基本不变；而边缘区土地利用转变剧烈，大量耕地和林地被建设用地取代，生态系统稳定性和健康度下降，使得ER增大，同时周边人口、建筑逐渐密集，人类活动强度和城市热岛范围也逐渐增大，使得SR也增大，表明区域综合生态风险是生态系统内在结构功能变化和人类活动外在压力共同作用的结果.

3.2 生态风险管控分区 3.2.1 双系统风险空间相关性

利用双变量空间自相关分析2000~2020年研究区ER与SR之间的空间关联关系，结果如表 4和图 5所示.

表 4 2000~2020年研究区ER与SR空间自相关莫兰指数 Table 4 Spatial autocorrelation Moran's I in the study area between ER and SR from 2000 to 2020

图 5 2000年、2010年和2020年研究区ER与SR空间自相关格局 Fig. 5 Spatial autocorrelation patterns of ER and SR in the study area in 2000, 2010, and 2020

由表 4可知，2000~2020年研究区ER与SR之间的Moran's I指数均为正数（P＜0.001），表明ER与SR之间具有较强的空间正相关关系，其中全域Moran's I指数持续增加，表明ER与SR之间空间正相关效应持续加剧，山区Moran's I指数在2000~2010年有所增加，2010~2020年基本不变，表明山区ER与SR之间空间正相关效应逐渐趋于稳定，而平原ER与SR之间空间正相关效应增加明显，Moran's I指数由2000年的0.121持续增长至2020年的0.354，增长近2倍. 相比之下，山区Moran's I指数明显大于平原地区，表明山区ER与SR之间空间正相关效应更加显著，这可能是因为山区自然生态系统较为脆弱，易受人类活动干扰.

由图 5可知，2000~2020年研究区ER与SR之间呈正向集聚分布，空间聚集模式以高-高和低-低聚集为主. 低-低聚集主要分布在山区且逐渐增多，表明山区生态环境明显改善，ER和SR较低区域有所扩张，高-高聚集主要分布在平原且逐渐减少，表明平原ER和SR等级较高但空间聚集性有所降低，这可能是因为随着城市化的快速发展，受人类活动直接影响的SR逐渐向城镇地区集聚，而ER由于受自然环境和人类活动共同影响，迁移的方向性并不明显. 此外还存在少量的高ER-低SR聚集区域但逐渐减少，主要分布在东部滨海区，这是因为沿海滩涂湿地生态系统脆弱，人类活动强度小，ER高而SR低，近年来随着沿海生态防护区生态修复治理的不断推进，ER逐渐降低.

3.2.2 综合生态风险变化与分区

图 6是研究区不同时期综合生态风险变化的空间聚集显著性. 从中可知，近20 a京津冀大部分地区IER变化不显著，热点（显著增大）和冷点（显著减小）面积占比均在10%~20%之间. 从不同时期来看，2000~2010年京津冀地区IER显著增大区域主要分布在平原地区，尤其是北京、天津、石家庄等大城市外围扩张区，面积占比为13.65%，其中极显著热点占比最高；IER显著减小区域主要分布在山区西北部及东部部分地区，面积占比为14.63%，其中显著冷点占比最高[图 6(a)]. 2010~2020年，IER显著增大区域有所增加，分散分布在平原地区，面积占比增加了3.00个百分点；显著减小区域也明显增加，尤其是燕山西部及太行山北部坝上地区，面积占比增加了2.04个百分点，其中极显著冷点增幅最大[图 6(b)].

图 6 不同时期研究区IER变化冷热点分布 Fig. 6 Spatial distribution of cold and hot spots in IER changes in the study area during different periods

总体而言，2000~2020年京津冀地区IER整体稳定，显著增大和显著减小区域面积占比相当，分别为18.63%和19.06%，其中显著增大区域主要分布在平原地区，显著减小区域主要分布在山区西部、北部[图 6(c)]. 值得注意的是，大城市边缘扩张区IER增大尤为明显，且显著性向四周逐渐降低，如天津、石家庄等，但核心区出现IER显著减小的“洼地”，如北京. 这可能是随着城市的发展，城市内部绿化建设及环境治理措施不断加强，城市核心区综合生态风险有所降低.

图 7是根据不同类型风险时空动态关系划分的管控分区. 从二级分区来看[图 7(a)]，紧急管控区是京津冀地区ER和SR高-高聚集且IER显著增大的区域，主要分布在城市边缘扩张区，占总面积的12.35%；重点管控区主要分布在平原城市核心区，这些区域ER和SR都高且IER变化不大，占总面积的6.27%；密切监控区ER和SR都不高但IER显著增大，主要分布在城市边缘区外围及东部滨海区，占总面积的6.27%；动态调控区ER和SR都不高且IER变化不大，主要分布在平原中部、东部，山区西北部及山区平原交界带以西，是分布最广的类型，占区域总面积的49.43%；预防管理区和维护保育区ER和SR都低，前者IER显著增大，后者IER变化不大，预防管理区分布较少，维护保育区主要分布在具有水源涵养、水土保持、生物多样性维护等多重生态功能的燕山-太行山沿线.

图 7 研究区生态风险管控分区 Fig. 7 Ecological risk management zones of the study area

从一级分区来看[图 7(b)]，管控区包括紧急管控区和重点管控区，占总面积的18.62%，主要分布在平原城镇地区，这些区域由于人类活动频繁ER和SR都高；监控区包括密切监控区和动态调整区，占总面积的55.50%，主要分布在平原非城镇区和山区西北部，其中平原非城镇区由于人类社会农业、物流等活动影响，山区西北部由于自然环境脆弱ER相对SR更高；防范区包括预防管理区和维护保育区，占总面积的25.88%，主要分布在燕山-太行山沿线生态功能区，这些区域由于生态保护ER和SR都低.

3.3 生态风险影响因素

为探究京津冀地区综合生态风险空间异质性的影响因素，以2020年为例，采用最优参数地理探测器分析了影响因子对研究区全域及不同管控分区的作用，结果如图 8和图 9所示.

图 8 研究区全域及不同分区影响因子探测结果 Fig. 8 Detection results of influencing factors for overall and management zones of the study area

*表示非线性减弱，其他均为交互增强 图 9 研究区全域及分区影响因子交互探测结果 Fig. 9 Interaction detection results of influencing factors for overall and management zones of the study area

3.3.1 单因子探测结果

图 8是研究区全域及不同分区综合生态风险的单因子探测结果. 从中可知，各因子对全域IER空间分异性具有显著影响（P < 0.01），其中POP、SL、CON和DEM为排名前4位的主控因子，q值均超过0.5，表明社会经济活动、地形地貌和城市建设是影响全域IER空间分异性的主要因素.

从不同分区来看，管控区CON和VFC的q值远超其他因子，对IER空间分异性的解释力最大，表明城市建设和地表植被覆盖是影响管控区IER的主要因素，气候条件和地形地貌的q值较小，对管控区IER空间分异性的解释力较小，这是因为管控区主要分布在平原地区，建设用地和耕地分布范围广，植被覆盖度差异大，气温、降水和高程、坡度空间差异则较小. 监控区各因子对IER空间分异性均具有显著影响（P < 0.01），地形地貌和气候条件因子的q值明显增大，CON、SL、POP和DEM为主控因子，q值在0.4左右，表明城市建设、地形地貌和社会经济活动是影响监控区IER空间分异性的主要因素. 这是因为监控区在平原和山区均有分布，建设用地和人口分布差异较大，地形起伏差异也较大. 防范区除NTL外，其余各因子均通过显著性检验（P < 0.01），其中VFC和BSI的q值较大，对IER空间分异性的解释力最大，其余各因子q值较小，表明地表植被覆盖和土壤裸露状况是影响防范区IER的主要因素.

3.3.2 交互探测结果

区域综合生态风险的空间分异状况受多种影响因子共同作用，不同因子交互对综合生态风险解释力会产生较大影响，图 9是研究区全域及不同分区综合生态风险影响因子间的交互作用结果.

由图 9可知，研究区全域、管控区和监控区中任意两因子交互作用均为增强，尤其是PRE，在全域和监控区对IER的解释力较小，在管控区无显著影响，与其他任一因子交互后q值明显增大，说明降水与其他自然因素和人为因素共同作用能显著增强对区域IER空间分异性的解释力. 其中全域与POP的交互作用最强（q=0.642），管控区与CON的交互作用最强（q=0.684），监控区与SL的交互作用最强（q=0.511）. 这主要是因为京津冀地区水资源总量匮乏且时空分布不均，人口与水资源分布的不协调对区域综合生态风险具有重要影响，建设用地占比高的管控区由于人口密度高，农业、工业耗水量大且效率低，使得水资源短缺问题更为严重，监控区地形起伏影响水源涵养量，从而影响区域生态风险.

全域范围内SL、CON、POP与其他因子的交互作用较强，其中SL和CON的q值最大（q=0.783），最能解释全域IER的空间分异性. 从不同分区来看，管控区CON、VFC、POP与其他因子的交互作用较强，其中CON和VFC的q值最大（q=0.764），对IER空间分异性的解释力最强；监控区CON、SL、DEM与其他因子的交互作用较强，其中CON和SL的q值最大（q=0.700），最能解释IER的空间分异性；防范区中CON、POP等人为因子的解释力明显减弱，BSI、VFC和SL等自然因子的解释力明显增强，其中BSI和VFC的q值最大（q=0.434），交互作用最强.

4 讨论

针对以往区域生态风险研究系统性、时空动态关联性不足的问题，本研究基于多重风险时空动态关系视角，引入社会-生态系统理论，构建融合自然环境演变与人类社会干扰的区域综合生态风险评价模型，充分考虑自然生态-人类社会的动态交互及多风险类型的时空关联关系，利用双系统风险现状空间聚集性与综合生态风险时间变化显著性，将研究区划分为：管控区（紧急管控区和重点管控区）、监控区（密切监控区和动态调控区）、防范区（预防管理区和维护保育区）这3类大区和6类小区，并利用最优参数地理探测器明确了全域及不同分区的驱动差异，提升了评估和管理的系统性与科学性.

本研究结果表明，京津冀地区生态风险总体呈现西北低东南高的空间格局，这与汪翡翠[45]和Liu等[47]的结论一致，也与长三角城市群[39]、粤港澳大湾区[46]生态风险由中心城区向外围生态区域降低的分布模式相似，主要原因是东南部平原人口、城镇与经济高度集聚，人类活动干扰强烈，生态系统稳定性低，而西北部燕山-太行山区生态本底较好，受干扰较轻. 高度城市化区域呈现圈层式风险结构，核心区风险高且稳定，边缘区风险逐步加剧，主要是由于城市扩张持续侵占生态空间致使生态系统服务下降[48]. 研究时段内，京津冀地区生态风险总体下降，西北部坝上地区、燕山-太行山沿线和东部滨海区生态风险明显降低，与京津冀协同发展区划及国家重点生态工程实施区域基本一致，表明区域生态保护政策成效显著.

本研究结果显示，从管控区、监控区到防范区，建设用地占比和夜间灯光指数等人为因子的影响递减，高程和坡度等自然因子影响递增. 以往研究也表明，自然因素和人为因素共同影响区域生态风险空间分异[49，50]，Wang等[43]发现DEM、NDVI和人类足迹是京津冀生态风险的主要驱动因素，叶一衡等[23]发现京津冀以高程、坡度等自然因子为主导，自然因素与社会经济因素的协调增强效应突出.

受数据资料获取限制，本研究未纳入生物多样性维持、环境污染等指标，分区方案未细化到行政单元，未来将补充优化相关指标，完善评价体系与分区管控策略，提升生态风险管理的科学性和可操作性.

5 建议

针对京津冀地区不同区域的多样化风险，建议实施差异化的分区管控策略. 管控区重在管理控制，其中紧急管控区应遏制城镇无序扩张，强化开发边界约束与土地节约集约利用；重点管控区应推进污染源头治理、总量控制与产业绿色转型. 监控区须加强监测与调控，其中密切监控区应构建风险监测网络与预警机制，阻断风险传递路径；动态调控区应实施生态修复与活动强度调控，开展生态脆弱区综合治理. 防范区以预防与维护为主，其中预防管理区应完善风险评估预警与动态响应机制，维护保育区应严守生态保护红线，维护区域生态本底.

6 结论

（1）京津冀地区生态风险空间异质性显著，呈现西北低、东南高的总体格局. 燕山-太行山沿线各类风险等级均较低，西北坝上地区和东南平原城镇密集区风险较高，平原地区整体风险高于山区，且生态系统风险强于社会系统风险.

（2）2000~2020年，京津冀地区生态系统风险为中等水平且持续下降，总降幅2.55%，社会系统风险为较低水平但波动上升，总增幅2.01%，综合生态风险为中等水平且波动下降，总降幅0.78%；西北部双系统风险下降明显，东南部城市边缘区增加明显，综合生态风险降低区域集中于山区西部、北部以及平原东部滨海地带，城市化地区呈现核心稳定、边缘加剧的圈层结构.

（3）双系统风险间呈显著空间正相关且相关性持续增强，聚集模式以高-高和低-低为主，综合生态风险整体稳定，显著增大和显著减小区域占比分别为18.63%和19.06%；紧急管控区高-高聚集且综合生态风险显著增大，集中于城市边缘扩张区，重点管控区位于城市核心区，密切监控区分布在城市边缘区外围及东部滨海区，动态调控区分布最广，预防管理区和维护保育区主要分布在燕山-太行山沿线生态功能区.

（4）地形地貌、城市建设和社会经济活动是全域综合生态风险空间分异的主要驱动因素，管控区以建设用地占比和植被覆盖度为主导因子，监控区受建设用地、坡度、高程和人口密度共同影响，防范区以植被覆盖度和裸土指数为主导；全域各因子交互作用均为增强，降水协同作用显著，坡度与建设用地占比是全域及监控区最强交互组合，管控区与防范区最强交互因子分别为建设用地与植被覆盖度、植被覆盖度与裸土指数.

参考文献
[1] Sui L, Yan Z M, Li K F, et al. Prediction of ecological security network in Northeast China based on landscape ecological risk[J]. Ecological Indicators, 2024, 160. DOI:10.1016/j.ecolind.2024.111783
[2] Liu J, Xuan K Y, Xie N M, et al. Effects of urbanisation on regional water consumption in China[J]. Journal of Hydrology, 2022, 609. DOI:10.1016/j.jhydrol.2022.127721
[3] 刘长峰, 侯鹰, 陈卫平, 等. 基于生态系统服务的城市化区域生态风险表征方法研究[J]. 生态学报, 2021, 41(9): 3343-3353.
Liu C F, Hou Y, Chen W P, et al. Research on ecological risk characterization methods for urbanized areas based on ecosystem services[J]. Acta Ecologica Sinica, 2021, 41(9): 3343-3353.
[4] Li J L, Hu D W, Wang Y Z, et al. Study of identification and simulation of ecological zoning through integration of landscape ecological risk and ecosystem service value[J]. Sustainable Cities and Society, 2024, 107. DOI:10.1016/j.scs.2024.105442
[5] 王美娥, 陈卫平, 彭驰. 城市生态风险评价研究进展[J]. 应用生态学报, 2014, 25(3): 911-918.
Wang M E, Chen W P, Peng C. Urban ecological risk assessment: a review[J]. Chinese Journal of Applied Ecology, 2014, 25(3): 911-918.
[6] 王洁, 摆万奇, 田国行. 土地利用生态风险评价研究进展[J]. 自然资源学报, 2020, 35(3): 576-585.
Wang J, Bai W Q, Tian G H. A review on ecological risk assessment of land use[J]. Journal of Natural Resources, 2020, 35(3): 576-585.
[7] Guo H J, Cai Y P, Li B W, et al. An improved approach for evaluating landscape ecological risks and exploring its coupling coordination with ecosystem services[J]. Journal of Environmental Management, 2023, 348. DOI:10.1016/j.jenvman.2023.119277
[8] 林梦婧, 石龙宇, 陈丁楷, 等. 区域综合生态风险评价框架——以雄安新区为例[J]. 生态学报, 2023, 43(18): 7566-7584.
Lin M J, Shi L Y, Chen D K, et al. A regional ecological risk assessment framework: case study of Xiong'an New Area[J]. Acta Ecologica Sinica, 2023, 43(18): 7566-7584.
[9] 曹佳梦, 官冬杰, 黄大楠, 等. 重庆市生态风险预警等级划分及演化趋势模拟[J]. 生态学报, 2022, 42(16): 6579-6594.
Cao J M, Guan D J, Huang D N, et al. Classification of ecological risk warning levels and simulation of evolutionary trends in Chongqing Municipality[J]. Acta Ecologica Sinica, 2022, 42(16): 6579-6594.
[10] 司琪, 樊浩然, 董文明, 等. 新疆叶尔羌河流域景观生态风险评价及预测[J]. 干旱区研究, 2024, 41(4): 684-696.
Si Q, Fan H R, Dong W M, et al. Landscape ecological risk assessment and prediction for the Yarkant River Basin, Xinjiang, China[J]. Arid Zone Research, 2024, 41(4): 684-696.
[11] 于航, 刘学录, 赵天明, 等. 基于景观格局的祁连山国家公园景观生态风险评价[J]. 生态科学, 2022, 41(2): 99-107.
Yu H, Liu X L, Zhao T M, et al. Landscape ecological risk assessment of Qilian Mountain National Park based on landscape pattern[J]. Ecological Science, 2022, 41(2): 99-107.
[12] 高林, 赵中秋, 宋东阳, 等. 景观生态风险演变及其对驱动因素的响应——以北京生态涵养区为例[J]. 中国环境科学, 2024, 44(7): 4031-4041.
Gao L, Zhao Z Q, Song D Y, et al. Evolution of landscape ecological risk and its response to natural and anthropogenic factors: a case study of ecological conservation area in Beijing[J]. China Environmental Science, 2024, 44(7): 4031-4041.
[13] 刘敏, 蔡海生, 张学玲, 等. 基于Geodetector-GTWR的江西省景观生态风险及驱动因素[J]. 环境科学, 2025, 46(10): 6455-6464.
Liu M, Cai H S, Zhang X L, et al. Landscape ecological risk and its driving factors in Jiangxi Province based on Geodetector-GTWR[J]. Environmental Science, 2025, 46(10): 6455-6464.
[14] 卿希, 李巍, 陆中桂. 黄河流域城市群土地利用变化与生态风险评价[J]. 中国环境科学, 2024, 44(2): 984-991.
Qing X, Li W, Lu Z G. Land use change and ecological risk assessment of the urban agglomerations in the Yellow River Basin[J]. China Environmental Science, 2024, 44(2): 984-991.
[15] 董文卓, 苏维词, 勾容, 等. 生态系统服务和生态系统健康视角下的贵州省生态风险时空演变[J]. 应用生态学报, 2025, 36(4): 1211-1221.
Dong W Z, Su W C, Gou R, et al. Spatial and temporal evolution of ecological risk in Guizhou Province, China from the perspective of ecosystem services and ecosystem health[J]. Chinese Journal of Applied Ecology, 2025, 36(4): 1211-1221.
[16] 余思洁, 侯鹰, 刘长峰, 等. 城市化区域生态风险驱动力及管控策略—以北京市为例[J]. 生态学报, 2023, 43(24): 10443-10453.
Yu S J, Hou Y, Liu C F, et al. Driving forces and controlling strategies of ecological risks in urbanized areas: a case study of Beijing[J]. Acta Ecologica Sinica, 2023, 43(24): 10443-10453.
[17] 刘金花, 郑永兴, 李威, 等. 基于生态退化风险的国土空间生态修复区域优先序划定——以黄河流域山东段为例[J]. 中国环境科学, 2025, 45(3): 1587-1600.
Liu J H, Zheng Y X, Li W, et al. Regional prioritization of territorial spatial ecological restoration based on ecological degradation risk: a case study of the Shandong Section of the Yellow River Basin[J]. China Environmental Science, 2025, 45(3): 1587-1600.
[18] 李璐, 段存存, 龚逸伟, 等. 城市生态环境风险评估方法与模型研究进展[J]. 中国环境科学, 2025, 45(7): 4124-4134.
Li L, Duan C C, Gong Y W, et al. Research progress on urban ecological environment risk assessment methods and models[J]. China Environmental Science, 2025, 45(7): 4124-4134.
[19] 杨黎敏, 王坤鹏, 易家林, 等. 耦合生态系统服务的社会生态风险分析框架[J]. 应用生态学报, 2024, 35(5): 1419-1425.
Yang L M, Wang K P, Yi J L, et al. Socio-ecological risk analysis framework coupled with ecosystem services[J]. Chinese Journal of Applied Ecology, 2024, 35(5): 1419-1425.
[20] 夏哲一, 刘黎明, 袁承程, 等. 基于社会-生态耦合视角的城市边缘区生境服务评估与分区[J]. 生态学报, 2024, 44(4): 1501-1513.
Xia Z Y, Liu L M, Yuan C C, et al. Assessment and zoning of habitat services in urban fringe areas from theperspective of social-ecological coupling[J]. Acta Ecologica Sinica, 2024, 44(4): 1501-1513.
[21] 张辛欣, 金晓斌, 梁坤宇, 等. 社会-生态系统视角下快速城市化地区生态风险评价与管控分区——以江苏省为例[J]. 生态学报, 2024, 44(18): 8138-8149.
Zhang X X, Jin X B, Liang K Y, et al. Ecological risk assessment and management zoning in rapid urbanization areasfrom the perspective of social-ecological system: a case study of Jiangsu Province[J]. Acta Ecologica Sinica, 2024, 44(18): 8138-8149.
[22] 高林, 赵中秋, 宋东阳, 等. 景观生态风险演变及其对驱动因素的响应——以北京生态涵养区为例[J]. 中国环境科学, 2024, 44(7): 4031-4041.
Gao L, Zhao Z Q, Song D Y, et al. Evolution of landscape ecological risk and its response to natural and anthropogenic factors: A case study of ecological conservation area in Beijing[J]. China Environmental Science, 2024, 44(7): 4031-4041.
[23] 叶一衡, 陈彧, 邓晓梅, 等. 景观生态风险识别及影响因素分析: 基于三大城市群的对比[J]. 环境科学, 2026, 47(6): 3853-3865.
Ye Y H, Chen Y, Deng X M, et al. Landscape ecological risk identification and driving factors analysis: a comparative study of three major city clusters[J]. Environmental Science, 2026, 47(6): 3853-3865.
[24] 杨帆, 金晓斌, 刘晶, 等. 时空动态视角下快速城市化地区景观生态风险评价与分区[J]. 农业工程学报, 2023, 39(18): 253-261.
Yang F, Jin X B, Liu J, et al. Assessing landscape ecological risk in rapidly urbanized areas from the perspective of spatiotemporal dynamics[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(18): 253-261.
[25] Wang J, Wang J M, Zhang J N. Optimization of landscape ecological risk assessment method and ecological management zoning considering resilience[J]. Journal of Environmental Management, 2025, 376. DOI:10.1016/j.jenvman.2025.124586
[26] 闫语, 秦耀伟, 东嘉琪, 等. 京津冀生态系统健康与人类活动强度空间关系及驱动因素分析[J]. 环境科学, 2025, 46(12): 7908-7917.
Yan Y, Qin Y W, Dong J Q, et al. Analysis on spatial relationship and drivers between ecosystem health and human cctivity intensity in Beijing-Tianjin-Hebei Region[J]. Environmental Science, 2025, 46(12): 7908-7917.
[27] 夏楚瑜, 国淏, 赵晶, 等. 京津冀地区生态系统服务对城镇化的多空间尺度动态响应[J]. 生态学报, 2023, 43(7): 2756-2769.
Xia C Y, Guo H, Zhao J, et al. Dynamic responses of ecosystem services to urbanization at multi-spatial scales in the Beijing-Tianjin-Hebei Region[J]. Acta Ecologica Sinica, 2023, 43(7): 2756-2769.
[28] Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. DOI:10.5194/essd-13-3907-2021
[29] Kang P, Chen W P, Hou Y, et al. Linking ecosystem services and ecosystem health to ecological risk assessment: a case study of the Beijing-Tianjin-Hebei urban agglomeration[J]. Science of the Total Environment, 2018, 636: 1442-1454. DOI:10.1016/j.scitotenv.2018.04.427
[30] 郭珊珊. 黄河流域生态系统健康与城镇化耦合协调研究[D]. 徐州: 中国矿业大学, 2022.
Guo S S. A study on the coupling and coordination of ecosystem health and urbanization in the Yellow River Basin[D]. Xuzhou: China University of Mining and Technology, 2022.
[31] Xiao R, Liu Y, Fei X F, et al. Ecosystem health assessment: a comprehensive and detailed analysis of the case study in coastal metropolitan region, eastern China[J]. Ecological Indicators, 2019, 98: 363-376. DOI:10.1016/j.ecolind.2018.11.010
[32] 潘竟虎, 王云. 基于CVOR和电路理论的讨赖河流域生态安全评价及生态格局优化[J]. 生态学报, 2021, 41(7): 2582-2595.
Pan J H, Wang Y. Ecological security evaluation and ecological pattern optimization in Taolai River Basin based on CVOR and circuit theory[J]. Acta Ecologica Sinica, 2021, 41(7): 2582-2595.
[33] 何国钰, 张蕾, 雷锡琼, 等. 基于生态系统服务供需簇的武汉都市圈生态风险评估及影响因素[J]. 应用生态学报, 2024, 35(5): 1347-1358.
He G Y, Zhang L, Lei X Q, et al. Ecological risk assessment and influencing factors in the Wuhan Metropolitan Area based on supply and demand bundles of ecosystem services[J]. Chinese Journal of Applied Ecology, 2024, 35(5): 1347-1358.
[34] 朱青, 蔡永立. 生态风险与生态系统健康对生态系统服务的影响[J]. 地理学报, 2024, 79(5): 1303-1317.
Zhu Q, Cai Y L. Impact of ecological risk and ecosystem health on ecosystem services[J]. Acta Geographica Sinica, 2024, 79(5): 1303-1317.
[35] 陈泓瑾, 刘琳, 张正勇, 等. 天山北坡人类活动强度与地表温度的时空关联性[J]. 地理学报, 2022, 77(5): 1244-1259.
Chen H J, Liu L, Zhang Z Y, et al. Spatiotemporal correlation between human activity intensity and surface temperature on the north slope of Tianshan Mountains[J]. Acta Geographica Sinica, 2022, 77(5): 1244-1259.
[36] 徐宏超, 李春林, 王昊, 等. 土地利用变化对京津冀热环境时空演变的影响[J]. 中国环境科学, 2023, 43(3): 1340-1348.
Xu H C, Li C L, Wang H, et al. Impact of land use change on the spatiotemporal evolution of the regional thermal environment in the Beijing-Tianjin-Hebei urban agglomeration[J]. China Environmental Science, 2023, 43(3): 1340-1348.
[37] 赵安周, 刘宪锋, 裴韬, 等. 京津冀地区不透水表面覆盖率的时空演变及其对植被的影响[J]. 地理研究, 2021, 40(6): 1582-1595.
Zhao A Z, Liu X F, Pei T, et al. Spatiotemporal evolution of impervious surface percentage and its impact on vegetation in Beijing-Tianjin-Hebei Region[J]. Geographical Research, 2021, 40(6): 1582-1595.
[38] 孙彦, 蔺星娜, 李生, 等. 贵州省生态系统服务权衡时空动态与驱动因子评估[J]. 环境科学学报, 2024, 44(9): 401-413.
Sun Y, Lin X N, Li S, et al. Spatiotemporal dynamics and driving factor assessment of ecosystem service trade-offs in Guizhou Province[J]. Acta Scientiae Circumstantiae, 2024, 44(9): 401-413.
[39] 方林, 方斌, 刘艳晓, 等. 长三角地区景观生态风险与人类活动强度的响应及其时空关联[J]. 农业工程学报, 2022, 38(22): 210-219.
Fang L, Fang B, Liu Y X, et al. Scale response and spatiotemporal correlations between landscape ecological risk and human activity intensity in the Yangtze River Delta region[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(22): 210-219.
[40] 周克昊, 谭荣辉, 张扬, 等. 城市边缘区土地利用生态风险时空特征及其影响因素[J]. 生态学报, 2024, 44(20): 9183-9198.
Zhou K H, Tan R H, Zhang Y, et al. Analyzing the spatiotemporal characteristics and driving factors of landscape ecological risk in urban fringe area[J]. Acta Ecologica Sinica, 2024, 44(20): 9183-9198.
[41] 贾艳艳, 王少杰, 刘福胜, 等. 黄河三角洲高效生态经济区土地利用变化及其与生境质量的相关性[J]. 水土保持通报, 2020, 40(6): 213-220, 227.
Jia Y Y, Wang S J, Liu F S, et al. Land use change and its correlation with habitat quality in high efficiency eco-economic zone of Yellow River Delta[J]. Bulletin of Soil and Water Conservation, 2020, 40(6): 213-220, 227.
[42] 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.
[43] Wang W D, Chen Y, Du Z, et al. Ecological restoration zoning and its driving factors in Beijing-Tianjin-Hebei based on landscape ecological risk and ecosystem services[J]. Ecological Indicators, 2025, 178. DOI:10.1016/j.ecolind.2025.114086
[44] 梁仕豪, 李文, 高宇, 等. 吉林省生态系统服务价值与景观生态风险关联性及其空间分异[J]. 应用生态学报, 2024, 35(3): 769-779.
Liang S H, Li W, Gao Y, et al. Correlations between ecosystem service value and landscape ecological risk and its spatial heterogeneity in Jilin Province, China[J]. Chinese Journal of Applied Ecology, 2024, 35(3): 769-779.
[45] 汪翡翠, 汪东川, 张利辉, 等. 京津冀城市群土地利用生态风险的时空变化分析[J]. 生态学报, 2018, 38(12): 4307-4316.
Wang F C, Wang D C, Zhang L H, et al. Spatiotemporal analysis of the dynamic changes in land use ecological risks in the urban agglomeration of Beijing-Tianjin-Hebei vegion[J]. Acta Ecologica Sinica, 2018, 38(12): 4307-4316.
[46] 王欣妍, 王辰星, 张英男, 等. 基于"潜力-连通度-韧性"的粤港澳大湾区城市群生态风险适应能力评估与提升策略[J]. 生态学报, 2025, 45(7): 3047-3061.
Wang X Y, Wang C X, Zhang Y N, et al. Assessment and promotion strategies of ecological risk adaptability based on "potential-connectedness-resilience" in Guangdong-Hong Kong-Macao Greater Bay Area urban agglomeration[J]. Acta Ecologica Sinica, 2025, 45(7): 3047-3061.
[47] Liu R M, Li L, Guo L J, et al. Multi-scenario simulation of ecological risk assessment based on ecosystem service values in the Beijing-Tianjin-Hebei Region[J]. Environmental Monitoring and Assessment, 2022, 194(6). DOI:10.1007/s10661-022-10086-9
[48] 马丽莎, 刘殿锋, 刘耀林. 城市扩张与生态空间非线性动态耦合关系梯度分析模型[J]. 地球信息科学学报, 2023, 25(10): 1968-1985.
Ma L S, Liu D F, Liu Y L. Modelling gradient changes of non-linear dynamic coupling relationships between urban expansion and ecological land[J]. Journal of Geo-information Science, 2023, 25(10): 1968-1985.
[49] Liu H, Tang D W. Ecological zoning and ecosystem management based on landscape ecological risk and ecosystem services: a case study in the Wuling Mountain Area[J]. Ecological Indicators, 2024, 166. DOI:10.1016/j.ecolind.2024.112421
[50] 杨博文, 刘凤莲, 罗芹芹, 等. 三江并流区景观生态风险时空演变及驱动因素[J]. 环境科学, 2025, 47(6): 3866-3878.
Yang B W, Liu F L, Luo Q Q, et al. Landscape ecological risk assessment and driving factor detection in the Three Parallel Rivers Region[J]. Environmental Science, 2025, 47(6): 3866-3878.