全球化背景下，快速城市化推动各类要素向城市集聚^[1，2]，城市发展模式正从单中心转向城市群网络化发展^[3]. 然而，城市生态系统在此进程中持续承受多重胁迫压力，导致景观结构改变和生态压力剧增，陆续出现功能退化、生物多样性减少和承载能力下降等生态风险^[4]. 从生态学视角来看，生态风险本质为生态系统在多重风险源作用下遭受不利影响的可能性^[5]，其累积效应不仅威胁着生态系统结构与功能完整性，还会通过损害生态系统服务降低人类福祉^[6]. 因此，有效管理生态风险是城市发展的迫切需求. 目前，风险评估作为识别与监测潜在风险的关键手段，是生态系统综合评价与风险管理的重要途径，也是当下生态学和地理学的研究热点^[7]. 景观生态风险作为生态风险的重要方面，是基于景观生态学原理揭示人与自然因素对生态系统的潜在负面影响^[8，9]，其时空异质性分析和可视化研究对风险管理具有重要价值^[10].

城市作为社会-经济-自然复合生态系统，其景观生态风险受到多种因素影响^[11，12]. 社会因素通过人类活动改变景观结构与干扰生态过程等影响风险；经济要素驱动土地利用转型间接调控风险^[13]；自然要素则通过景观格局与生态系统服务直接构成风险基底^[14~16]. 当前景观生态风险影响研究已从单一因子转向复杂系统视角，揭示其本质为社会-经济-自然系统非线性交互与多尺度效应共同作用的结果^[17~21]. 因此，不同城市群在经济发展、人口特征、生态环境、基础设施和社会文化等方面的差异，不仅反映城市化进程中各地区的独特性和复杂性，也导致城市景观生态风险的地域差异. 现有研究聚焦景观生态风险的时空演变、模拟预测、驱动机制及安全评估等方向^[17，22~26]，覆盖国家至县域多级尺度^[27~31]. 然而，当前研究多集中在自然生态系统，对人工系统及城市化较高地区关注不足，且多局限于内部要素趋同的单一行政区，难以有效揭示风险的空间差异特征^[32~34]，缺乏跨区域的对比研究. 这导致生态风险治理依赖局部经验，尚未形成统一有效的指导制度，阻碍了区域协调可持续发展，并使得部分地区治理无法精准借鉴适宜经验. 此外，城市群空间格局演变使城市间联系日益紧密复杂，加剧了景观生态风险的多样性与复杂性^[35]，当前空间跨度较小的区域研究难以全面揭示城市景观生态风险的区位差异与影响因素分异. 因此，需要对比不同区域的景观生态风险，以解析土地利用、景观结构和生态治理等的共性规律和差异性，为制定统一指导制度和区域差异化生态治理提供科学依据^[13，36].

景观生态风险研究主要采用风险源汇理论和生态风险指数模型^[32]. 前者遵循“识别-受体-危害”模型，适用于自然保护区等区域评估^[37]，但难以解析景观复杂性对风险传递的影响，不适用于更为复杂的生态系统. 景观生态风险指数模型摆脱以特定自然风险来描述区域风险状态的局限，整合多风险源构建复合评估体系^[38]，通过格局-过程耦合机制分析外部干扰与内部脆弱性^[39]，适合城市群的时空动态研究. 此外，现有方法主要使用土地利用数据和景观指标作为风险评估依据^[40]，侧重描述生态风险的静态模式，忽略了社会经济要素以及气候等自然要素的动态演变过程. 基于韧性理论适应性循环框架，有学者构建了“潜力-连通性-韧性”三维评估体系^[39]，揭示城市景观受风险干扰时在结构、联系及恢复等维度的响应机制，验证了韧性理论应用于风险识别的可行性. 因此，本文在景观生态风险指数模型基础上，结合韧性理论，以景观脆弱指数和干扰指数作为核心指标构建城市景观生态风险指标体系^{[19，39，41]}.

本文聚焦京津冀、长三角和珠三角三大城市群，基于“社会-经济-自然”多维框架选取代表性因素，对比分析其景观生态风险时空演变及影响因素. 研究结果对提出生态风险治理的统一指导制度，以及针对不同地区采取差异化治理政策提供了理论依据和实证经验.

1 研究区域与数据源 1.1 研究区域

中国“19+2”城市群体系依托“两横三纵”战略格局，已成为高质量发展的重要引擎. 然而，快速城镇化下资源超载开发与生态脆弱性的空间耦合呈现显著区域分异，这使得揭示各类因素对不同区位城市群景观生态风险的影响差异性具有重要现实意义. 本文聚焦京津冀、长三角和珠三角三大国家级城市群，其社会-经济-自然的多维特征差异是揭示城镇化进程中生态风险差异的典型样本（图 1）.

（1）社会维度  京津冀以首都功能为核心，呈现强政府调控的协同治理模式；长三角依托成熟市场机制形成多元主体共治格局；珠三角则以市场化先发优势构建外向型治理体系.

（2）经济维度  京津冀正经历传统产业升级与新兴产业培育的双重转型；长三角具备高端产业集群优势但区域差异显著；珠三角面临外向型经济转型与土地资源约束的双重挑战.

（3）自然维度  京津冀地处华北平原北部，属暖温带半湿润半干旱过渡区，生态系统相对脆弱；长三角地处长江中下游平原，属北亚热带季风气候区，地势低平，河网密布，生态系统多样，但存在洪涝、水污染等问题；珠三角位于珠江三角洲，地势低洼，气候炎热潮湿，生态系统开放性和动态性强.

1.2 数据源

本文采用2013年、2018年和2023年数据：土地利用数据（30 m）来源于武汉大学开发的CLCD中国逐年土地覆盖数据集（https://doi.org/10.5281/zenodo.12779975）；归一化植被指数（normalized difference vegetation index，1 km）来源于美国国家航空航天局；夜间灯光数据（1 km）来源于美国国家海洋和大气管理局国家地球物理数据中心；高程和坡度（30 m）数据来源于地理空间数据云；年均降水（m）和温度（℃）数据（1 km）来自国家地球系统科学数据中心；人口密度（10³人·km^-2）、地均GDP（亿元·km^-2）和政府干预程度（公共预算支出/生产总值）来源于研究年份的《中国县（市）社会经济统计年鉴》《中国区域经济统计年鉴》以及中国各市县的社会经济统计公报等；路网数据来源于OpenStreetMap. 所有数据均重采样至30 m分辨率，采用WGS_1984坐标系.

2 研究方法 2.1 城市景观生态风险评估

本文构建的城市景观生态风险评价体系，由景观干扰指数和景观脆弱指数组成. 景观干扰指数通过线性加权整合4个指标：景观破碎度、景观分离度、景观分形维度和夜间灯光强度趋势；景观脆弱指数通过线性加权整合4个指标：景观多样性、植被覆盖度、植被覆盖趋势指数和土地利用结构.

景观破碎度指数：反映景观被分割为不连续斑块的程度，数值越大，表明景观被分割越严重；景观分离度：衡量某一景观类型斑块在空间上的离散程度，分离度越高，斑块分布越分散，连通性越差；景观分维度：量化斑块形状复杂度，反映自然或人为干扰对景观形态的影响；夜间光强度趋势指标反映了人类活动对自然生态系统的干扰，显著增加的趋势表明干扰强度强，生态风险高，反之生态风险低^[39]；景观多样性指数反映生态完整性和生物多样性潜力^[42]；植被覆盖指数可以指示区域生产力、光合活性和碳封存能力^[43]；植被覆盖趋势指标衡量一个地区的生态弹性和可持续性；土地结构指标：评估不同地类自身具有的生态价值.

通过软件Fragstats 4.2计算景观模式指数PD、DIVISION、PAFRAC和SHDI，分别代表景观破碎指数、景观分离指数、景观分数维度指数和景观多样性. 参考以往的研究，未利用土地、水体、耕地、草地、林地和建设用地的土地利用结构指数分别为0.17、0.33、0.50、0.67、0.83和1.00^[19]. 计算公式如下：

L E R = α L D I k + β L F I k

(1)

L D I k = μ 1 D 1 k + μ 2 D 2 k + μ 3 D 3 k + μ 4 D 4 k

(2)

L F I k = 1 - λ 1 S 1 k - λ 2 S 2 k - λ 3 S 3 k - λ 4 S 4 k

(3)

S 3 k = ∑ i = 1 n A k A k i × S 3 k i

(4)

式中，LER表示第k个单位的改进型景观生态风险指数，α和β根据熵权结果分别设0.7和0.3；LDI_k和LFI_k分别表示单位k的景观干扰指数和景观脆弱性指数；D_1k、D_2k、D_3k 和D_4k分别对应单位k的碎裂指数、分离指数、分数维度指数和夜间灯光趋势指数；S_1k、S_2k、S_3k和S_4k分别为单位k的多样性指数、植被覆盖指数、土地利用结构指数和植被覆盖趋势指数；根据熵权法确定系数μ₁、μ₂、μ₃和μ₄分别为0.586 2、0.236 3、0.067 7和0.109 8；λ₁、λ₂、λ₃和λ₄的权重为0.057 8、0.014 0、0.927 9和0.000 3；A_ki表示单位k内土地利用类型i的面积，A_k表示单位k的总面积；S_3ki表示单位k内土地利用类型i的土地利用结构指标.

2.2 影响因素选取

本文构建“社会-经济-自然”的多维分析框架，旨在阐释城市景观生态风险影响因素. 社会维度指与城市发展、资源利用、环境管理相关的各种社会结构、行为模式及制度因素. 经济维度从经济活动的规模、结构、效率及资源配置等方面，揭示其对生态风险的影响. 自然维度指直接影响城市景观生态风险研究中自然系统空间属性、地理要素和生态过程.

本文从社会、经济和自然维度选取代表性指标，揭示其对生态风险的复杂影响. ①社会维度：政府干预程度反映作为社会制度效能的直接体现，反映政策法规对生态风险的调控能力^[44]；人口密度表征人类活动强度，其空间分布差异可揭示局部超载现象^[45]. ②经济维度：地均GDP反映经济活动规模与土地利用效率^[46]，高密集区通常伴随高强度资源开发，通过产业污染、能源消耗等加剧生态风险，但也可能通过技术升级和产业优化重构生态安全格局；路网密度作为基础经济建设代表，是城市空间蔓延的典型标志，通过切割生态廊道、加剧景观破碎化影响生态连通性. ③自然维度：年均降水与温度反映生态系统的气候敏感性^[17，39]，其变化影响植被覆盖度、土壤持水能力等关键生态过程^[47]；选择高程和坡度揭示地形对生态过程的调控作用，高程影响物质能量流动，塑造生态服务功能空间分异；坡度制约人类活动干扰强度和生态连通性.

2.3 空间自相关

空间自相关（Moran's I指数）指地理邻近、经济或社会联系等因素引起的区域观测值间相关性，而空间相关性检验是用于分析地理数据在空间上是否存在关联的一种方法^[48]. 本研究测算了2013年、2018年和2023年三大城市群的Moran's I指数来分析城市景观生态风险的空间相关性.

全局莫兰指数（global Moran's I）：是用于衡量空间自相关的常用指标. 它通过比较观测值与其空间滞后值之间的相关性来衡量整个研究区域内数据的空间聚集程度.

I = n ∑ i = 1 n ∑ j = 1 n w i j ∑ i = 1 n ∑ j = 1 n w i j ( x i - x ¯ ) ( x j - x ¯ ) ∑ i = 1 n ( x i - x ¯ ) 2

(5)

式中，n为研究区域中的空间单元数量；x_i和x_j分别为空间单元i与单元j的变量值； x ¯ 为变量的平均值；w_ij为空间权重矩阵中的元素，表示单元i与单元j的空间关系.

局部莫兰指数（local Moran's I）测量属性值在局部邻域的空间关联性. 可视化工具LISA（local indicators of spatial association）可识别具有统计显著性的空间聚类：热点（高-高）、冷点（低-低）及空间异常值（高-低或低-高）.

I i = x i - x ¯ S 2 ∑ j = 1 , j ≠ i n w i j ( x i - x ¯ )

(6)

式中，I_i为空间i单元的局部莫兰指数. n为研究区域中的空间单元数量. x_i为空间i单元的变量值. x ¯ 为变量在整个研究区上的平均值. S²为变量的方差. w_ij为空间权重矩阵中的元素，表示单元i与单元j的空间关系.

2.4 地理探测器

地理探测器（Geodetector）是探测空间分异性及其驱动因素的统计方法，是基于“影响因素强则其空间分布应与因变量相似”的假设. 该方法通过计算和比较单因子及因子交互的q值来量化影响程度，识别关键影响因子并分析其交互作用的强弱、方向、线性还是非线性等^[49]. 本文运用其分析三大城市群自然、经济和社会等因素对城市景观生态风险的影响程度.

q = 1 - ∑ h = 1 L N h σ h 2 N σ 2

(7)

式中，L为自变量将研究区域划分成的层区数量；N_h和N分别为层区h和整个区域的样本数量；σ_h²和σ²分别为层区h和整个研究区域因变量的方差.

2.5 GTWR模型

GTWR模型，即广义时空加权回归（geographically and temporally weighted regression），是一种扩展了地理加权回归（GWR）和时序分析的方法，适用于分析具有时空非平稳性的复杂数据^[50]. 其核心在于赋予不同时空点的观测值不同的回归系数，以捕获数据的时空变异特性. 鉴于三大城市群的社会经济和自然要素随时间及空间演变，其景观生态风险的影响因素存在显著时空差异. 因此，本文选用GTWR模型量化2013年、2018年和2023年各影响因素对生态风险作用程度的时空变化. 表达形式通常如下：

y i = β 0 ( u i , v i , t i ) + ∑ k = 1 p β k ( u i , v i , t i ) x i k + ε i

(8)

式中，y_i为第i个观测点的因变量值.（u_i，v_i，t_i）分别为第i个观测点的经纬度和时间. β₀（u_i，v_i，t_i）为截距项，作为空间和时间的函数存在. β_k（u_i，v_i，t_i）为第k个自变量在第i个观测点的回归系数，是空间和时间的函数. x_ik为第i个观测点的第k个自变量. ε_i为随机误差项.

在GTWR模型中，回归系数是通过对每个观测点周围的一定范围内的数据进行加权回归得到的. 其权重计算如下：

w i j ( u i , v i , t i ) = e x p - d i j 2 h 2 - ( t i - t j ) 2 r 2

(9)

式中，w_ij（u_i，v_i，t_i）为第i个观测点对第j个观测点的权重. d_ij为第i个观测点对第j个观测点之间的空间距离. t_i和t_j分别为第i个观测点对第j个观测点的时间. h和r分别为空间带宽和时间带宽，用于控制权重的衰减速度.

3 结果与分析 3.1 城市景观生态风险的时空演变

在景观生态学中，评价小区为平均斑块面积的2~5倍最佳^[15]. 基于三大城市群平均斑块面积差异、市级分析单元尺度，本文参考现有研究^[19]划分10 km网格单元，有效平衡计算效率与空间细节. 京津冀、长三角和珠三角城市群的评价小区个数分别为2 590、2 891和787. 利用ArcGIS软件的克里金插值与自然断点法划分5级风险区，表 1显示：三大城市群65%以上区域为中高风险，超20%为高风险区. 时间上，低中风险区扩大，高风险区缩减，而较低风险区变化分异显著：京津冀先增后减，长三角先减后增，珠三角持续下降.

空间上，三大城市群景观生态风险空间异质性显著（图 2）. 京津冀的高风险区集中于西、北部的燕山-太行山（> 33%），呈“北高南低”格局；长三角的高风险区分布在苏浙中部城市带及东南沿海（> 20%），呈“西低东高”格局；珠三角的高风险区广布全域（> 32%），仅肇庆、惠州北部森林覆盖区呈中低风险.

3.2 空间自相关

表 2显示，三大城市群景观生态风险的Moran's I指数均通过1%水平的显著性检验，均值超0.4，呈空间正相关集聚. 随时间推移，这种正相关有所减退，2023年的京津冀下降最明显，较初期下降约0.14，表明该区域风险空间分布趋于分散.

图 3显示，本研究期内的三大城市群景观生态风险空间集聚类型以高-高和低-低聚类为主，格局稳定. 京津冀的高-高聚类集中在北部（承德、张家口）和西部城市，低-低聚类分布在北京、天津及区域南部；长三角的高-高聚类集中在区域中部和东南部，低-低聚类零散分布，以安徽居多. 珠三角的高-高聚类在区域中部，低-低聚类集中在肇庆和惠州地区.

3.3 地理探测器

因子检测结果及其排序显示（表 3），社会、经济和自然因子均显著影响三大城市群景观生态风险，但主导因素各异：京津冀的自然因子解释力占优（高程、坡度和年均气温主导）；长三角以经济和自然因子为核心解释因子，其中经济因子解释力更强（路网密度、地均GDP和年均气温主导）；珠三角呈现自然-经济综合影响特征（高程、坡度、路网密度和年均降水主导）. 时间上，京津冀因子解释力持续增强，社会经济因素（路网密度和地均GDP）作用突出；长三角的因子解释力呈现波动变化，路网密度、政府干预程度和人口密度呈现倒U型变化，自然因子方面则出现增长；珠三角的q值排序稳定，以高程和坡度的解释力尤为显著.

图 4揭示了三大城市群交互效应差异：京津冀与长三角呈协同增强效应，交互效应解释力普遍超越单因子，京津冀在2013年和2018年以高程因子的协同效应最为显著，2023年坡度与年均温度交互效应达区域峰值（q=0.652 9）；长三角在研究前中期，政府干预程度的交互作用显著，末期的年均温度-人口密度组合达到区域峰值（0.511 9）；珠三角同时存在协同增强效应和非线性减弱现象，人口密度、地均GDP、政府干预程度和年均温度与其他因子之间等呈增强效应，而高程、坡度、路网密度和年均降水等因子与其他因子呈交互减弱效应.

3.4 GTWR模型

GTWR模型的固定带宽和时空距离比为0.11和0.20. R²、Adjusted R²和AIC的结果表明模型拟合程度较高（表 4），能有效解释变量间关系，且均通过1%显著性检验.

图 5揭示了三大城市群社会经济因子回归系数的空间异质性：人口密度在京津冀持续负向增强；长三角呈“西正东负”格局且正向区向东扩张；珠三角2013年的西部呈正向后全域转负. 地均GDP在京津冀于2023年由负转正；长三角大部地区呈正向，但东部高正值区缩减；珠三角仅2018年东部呈正向. 政府干预在京津冀全域呈负向，南部高负值区收缩；长三角呈“东正西负”空间分异；珠三角由局部正向转为全域抑制. 路网建设在京津冀保持稳定正向；长三角的西北部和东南部分别呈高正向和高负向回归；珠三角持续负向但末期影响减弱.

自然因素对各城市群的影响呈现时空差异（图 6）：年均降水量在京津冀西部呈正向且高正值区先缩后扩，东北部呈负向；长三角全域正向且高正值区向东南延伸，珠三角整体负向. 年均温度在京津冀大部分地区呈负向影响，正值地区集中在南部；长三角全域呈正向，东南地区高正值区缩减；珠三角呈低值正向影响，末期转负. 高程在京津冀多数地区呈正向，东北部呈负向并向中部扩张；长三角整体呈负向影响，西部中等负值区缩减；珠三角持续负向. 坡度在京津冀多数区域呈正向，后期西南部转为高正值；长三角呈现南北正向强度梯度差异，中后期区域边缘出现负值；珠三角初期呈负向影响且随时间减弱，中期出现正向地区并逐渐扩张.

4 讨论 4.1 空间异质性视角下的三大城市景观生态风险的对比分析

本文揭示了中国三大城市群景观生态风险的时空演变及其影响差异. 本研究表明，三大城市群65%以上区域处于中等及以上风险等级，反映了高强度人类活动对区域生态系统的持续压力及快速城市化区域的高生态风险的共性. Moran's I指数显示生态风险空间正相关集聚特征，存在高-高和低-低风险区的连片集聚，表明区域统一治理的必要性.

通过对比分析发现，社会、经济和自然维度的因素影响在三大城市群的空间异质性显著. 全局上，地理探测器结果表明：①京津冀以高程、坡度等自然因子为主导，反映其生态风险受地形约束的典型特征；自然因素与其他因素的协调增强效应突出，表明区域内地形气候因素对社会经济影响的放大作用，例如地形条件对经济产业布局的限制作用，导致生态脆弱区域承载高污染产业从而加剧风险. ②长三角呈现经济影响主导模式，体现经济活动对生态的直接影响；社会因素的协同增强效应明显，表明区域政府干预能直接或间接放大其他因素的风险影响程度，例如经济导向政策会直接推动经济规模扩张，侵占生态空间，但生态保护政策也可以推动生态修复工程，提高生态系统韧性. ③珠三角呈自然-经济复合影响主导型，存在社会经济因素的协同增强效应和自然因素的非线性减弱效应，表明区域社会经济活动的交互效应增强了社会经济因素的影响作用，而自然因素与社会经济的交互减弱可能源于绿色技术升级和产业转型，减弱了自然因素的影响.

从局部来看，GTWR结果表明：①京津冀的社会因素影响呈现长期负向抑制；经济因素影响呈全域变化，路网密度影响持续正向作用表明了基础建设对生态连通性的干扰，2015年地均GDP的效应由负转正可能源于产业改革未能完全抵消规模效应导致的风险反弹；自然因素表现为山地-平原地区影响方向的差异. ②长三角的社会因素影响呈现东西差异，突出不同政策导向下政府作用的影响差异；经济因素方面，东部的地均GDP的正向影响减弱和路网密度的抑制作用，表明区域发展战略逐渐重视生态影响；自然因素方面，气候因子的正向影响强度存在东西差异，坡度因子影响存在南北梯度差异. ③珠三角的社会因素影响由早期部分地区风险加剧到后期全域呈负向抑制，通过政府干预与其他影响因子的协同增强效应表明该地区市场机制抑制风险的有效性；经济因素影响上也呈现负向抑制为主，体现了产业绿色转型的降低风险作用；自然因素方面，年均温度影响转向及西部出现坡度正向响应，通过自然因素与社会经济的交互减弱效应揭示了人类活动对自然因素影响方向及程度的干预效应.

总的来看，城市景观生态风险存在通过自然、经济和社会三者复杂的非线性交互作用共同塑造风险格局的共性，其逻辑关系可概括为“自然条件奠定风险基础，经济活动驱动风险产生，社会因素调控风险演化”. 其中，自然因素为生态风险提供物质载体和初始条件，其自身属性及变化直接影响风险的空间分异与演化方向；经济因素主要从经济活动的规模、结构、效率及资源配置等方面打破自然系统平衡，对城市生态风险有直接或间接影响：社会系统通过政策制定、人口分布和技术应用等路径，既可抑制风险恶化，也可能放大风险效应. 不同地区的对比研究发现，虽然总体符合自然-经济-社会影响的理论逻辑，但差异性的区位条件使得各类影响因素通过复杂交互作用对景观生态风险产生促进或抑制的差异性作用，未来需要在统一治理的框架下进行因地制宜的差异化生态治理.

4.2 政策建议

基于三大城市群的景观生态风险及影响因素的对比分析，结合空间异质性和区域影响差异，提出以下政策建议.

第一，基于空间集聚特征和影响分析，针对跨域风险集聚现象，构建统一的空间协同治理机制：①实行区域一体化治理，加强技术合作、资源共享和政策协同，推动绿色技术的开发、应用和传播以实现风险抑制. ②构建跨域生态风险联防联控机制，依托监测网络与数据共享平台阻断风险扩散. ③构建区域生态安全网络，通过生态廊道增强缓冲功能，运用空间计量模型预判风险溢出路径，优先治理关键节点.

第二，基于空间异质性，风险治理需要实现差异化治理：①京津冀应构建地形梯度适应性政策，建立山地-平原生态屏障，发展特色生态经济以缓解自然压力. ②长三角需在东部实行产业强度红线管控，推动东西部生态补偿与政策协同机制，实现风险一体化治理. ③珠三角可深化自然-技术耦合治理路径，加速绿色技术应用与产业转型，强化市场机制对风险的负向抑制作用.

第三，交互作用表明，风险治理由单一维度向多维度协同治理的必要性，统一治理指导需要构建“自然基底+社会经济调控”的综合框架：①构建政府主导、市场参与和公众评估的多元治理机制，衔接生态红线与产业政策以减少制度摩擦. ②优先修复生态脆弱区，强化自然系统承载力. ③推动产业空间重构，规避生态敏感区高污染布局，同步嵌入绿色产业实现生态修复与产业转型协同增效.

4.3 研究不足与展望

本文深入探讨了城市群景观生态风险的时空演变及其影响因素差异，但仍存在不足. 首先，数据空间分辨率较大，尺度单一，影响结果精度. 其次，本文强调了政府干预在生态风险管理中的作用，但未采用具体政策效果评估指标进行衡量，可能导致结果差异. 因此，未来研究应拓展多维度机制分析（如社会文化和技术发展），结合定性研究方法，进一步丰富对景观生态风险的认识，并探究城市群间风险传递机制，为区域长期生态风险管理提供决策支撑.

5 结论

（1）三大城市群65%以上区域处于中高生态风险等级（高风险占比 > 20%）. 时间上，中低风险区递增，高风险区域缩减. 空间上，京津冀高风险区集中于燕山-太行山（> 33%），长三角分布于苏浙中部及东南沿海（> 20%），珠三角则广布全域（> 32%）. 空间集聚特征呈正相关但随时间减弱，以高-高聚类和低-低聚类分布为主.

（2）2013~2023年全局影响因素差异：京津冀以自然因子主导（高程、坡度和年均温度），协调增强效应显著；长三角呈现经济影响主导（路网密度、地均GDP和年均温度），与社会因素的协同增强效应显著；珠三角呈自然-经济复合影响型（高程、坡度、路网密度和年均降水），存在社会经济因素的协同增强效应和自然因素的非线性减弱效应.

（3）2013~2023年局部影响因素差异：京津冀的社会因素长期呈现负向抑制作用，经济因素表现为经济扩张加剧风险，自然因素形成山地-平原地区风险影响方向的差异；长三角自然因素影响梯度效应显著，社会经济因素影响呈现东西差异；珠三角社会经济因素受市场机制驱动抑制风险，自然因素的影响转变揭示了人类活动对自然因素影响方向及程度的干预作用.

（4）城市景观生态风险格局由自然、经济和社会因素复杂的非线性交互作用共同塑造，其逻辑关系可概括为“自然条件奠定风险基础，经济活动驱动风险产生，社会因素调控风险演化”. 其空间异质性源于不同地区社会-经济-自然要素的非线性交互作用对风险产生促进或抑制的差异性作用.