高雁鹏¹, 陈文俊²
1. 东北大学 江河建筑学院，辽宁 沈阳 110169;
2. 厦门大学 公共事务学院，福建 厦门 361005
收稿日期：2022-01-21
基金项目：国家自然科学基金资助项目(41871162)。
作者简介：高雁鹏(1976-)，男，吉林松原人，东北大学副教授。

摘要：以沈阳市内五区作为研究区域，通过构建开发强度模型，对2005—2020年开发强度时空演变规律及影响因素进行探究.结果表明：开发强度总体呈现先快速下降、后平稳发展的变化态势，2009年后受政策调控，开发趋于合理，地区间差异逐渐减小；开发强度表现出中心高四周低的空间格局，圈层式发展特征显著；开发强度空间集聚性明显，表现出中部热点集聚和边缘冷点集聚的“核心-边缘”特征；人均城乡用地面积、城市用地弹性增长系数以及地均GDP是影响开发强度的主要因素.
关键词：开发强度时空演变开发强度模型核密度估计地理加权回归
Study on Spatio-Temporal Evolution and Influencing Factors of Development Intensity in Shenyang's Five Districts
GAO Yan-peng¹, CHEN Wen-jun²
1. School of Jangho Architecture, Northeastern University, Shenyang 110169, China;
2. School of Public Affairs, Xiamen University, Xiamen 361005, China
Corresponding author: CHEN Wen-jun, E-mail: 1901411@stu.neu.edu.cn.

Abstract: A development intensity model was constructed to explore the spatio-temporal evolution of development intensity of Shenyang's five districts from 2005 to 2020 and its influencing factors. The results showed that: the development intensity shows a trend of rapid decline at first and then steady development. After 2009, due to the influence of policy regulation, the development activities tend to be more reasonable, which have also led to a gradual reduction in regional differences. The spatial pattern of development intensity is high in the center and low in the periphery and is characterized by circular development. The spatial agglomeration of development intensity is obvious, showing the"core-edge"characteristics of hot spots agglomeration in the central regions and cold spots agglomeration in the edges. Per capita urban and rural land area, elastic growth coefficient of urban land and average land GDP are the main factors affecting the development intensity.
Key words: development intensityspatial-temporal evolutiondevelopment intensity modelkernel density estimationGWR (geographical weighted regression)
随着城市经济的快速发展，城市空间大规模开发建设导致出现土地低效利用、城市无序蔓延、空间结构紊乱等粗放利用问题.在此背景下，探索城市空间开发强度时空演变规律及影响因素，对于合理控制城市开发强度，实现开发与保护的匹配协调，推动城市高质量发展具有重要意义.
当前学术界对于开发强度的研究，多集中在概念内涵、测度评价以及影响因素等方面.其中概念内涵通常采用空间收敛模型、空间权重矩阵、能值分析^[1-3]等研究方法，从土地、景观、资源^[4-5]等城市基本要素对开发强度进行定量刻画；测度评价通常选取容积率、建设用地面积、建筑密度^[6]等指标构建评价体系，运用层次分析法、熵权法、指数计算模型^[7]等研究方法对开发强度进行评价分析；影响因素常考虑交通、社会、经济、地形^[8-9]等要素对开发强度的影响，运用弹性指数、最小二乘法、地理加权回归(geographical weighted regression，GWR)等方法对其影响程度进行探究.总的来说，当前对流域、省市等宏观尺度的研究仅集中在评价部分^[10]；对街区、宗地等微观尺度的研究，受数据所限，多以建设面积占比^[11]等简单指标来表征，对城市内部开发识别尚有不足.
沈阳市作为东北地区政治和文化中心，其中心城区在城镇化的不断推进中开展了大规模开发建设，但只追求经济效益的粗放型发展方式也致使城市出现过度开发、土地低效利用等现实问题.因此，本文以沈阳市5个中心区即沈阳市内五区为研究区域，分析开发强度时空演变及影响因素，旨在为城市科学规划与精细化管理提供依据.
1 数据来源与处理1.1 开发强度内涵界定开发强度作为人类社会经济活动在空间上的综合映射，是监测城市开发建设水平与资源环境承载能力的重要指标.城市开发的开放性、动态性与复杂性决定了人类对城市的开发不仅包括建设用地的开发利用过程，更是人类与自然、社会、经济系统多方面、复杂性的交互过程^[12].
因此，城市开发强度的多维内涵可以界定为在城市空间范围内，人地交互活动中，经济产出、社会进步、资源利用等多个子系统综合响应的强度表征(图 1).
图 1(Fig. 1)

图 1 城市开发强度多维内涵示意图Fig.1 Schematic diagram of the multi-dimensional connotation of urban development intensity

1.2 研究区概况沈阳市内五区地处于沈阳市东南部，辽河平原中部，东部为辽东丘陵山地，地势呈东北高、西南低，含和平区、沈河区、大东区、皇姑区与铁西区5个行政区，总土地面积574.16 km².2019年末沈阳市内五区地区生产总值3 686.282万元，占全市国民生产总值的56.1%，是沈阳市的5个中心区，也是城市开发建设活动时间最早、经济增长最快、建设活动最为频繁的典型代表区域.
1.3 数据来源本文所用数据及来源见表 1.
表 1(Table 1)

表 1 数据及来源汇总Table 1 Summary of data and sources 使用数据 数据来源 沈阳市内五区卫星遥感数据 美国NAS陆地卫星2020年Langdsat8卫星遥感数据和30 m分辨率的ASTER GDEM 沈阳市内五区行政边界 辽宁省地理信息服务平台 土地利用/土地覆被数据(LUCC) 中国科学院资源环境科学数据中心 中国公里格网人口数据 中国科学院地理科学与资源研究所 中国公里格网GDP分布数据 中国科学院地理科学与资源研究所 2005—2020年沈阳市社会经济统计数据 2005—2020年《沈阳市统计年鉴》、《沈阳市国民经济和社会发展统计公报》、2005—2020年沈阳市各区县统计年鉴

表 1 数据及来源汇总 Table 1 Summary of data and sources

1.4 评价指标体系构建基于开发强度多维内涵与平行数据，从威胁、容量、调控3个维度设置评价准则层(表 2).威胁维度层是指城市开发活动的现实约束，选取开发密度一级指标、城市人口密度等3项二级指标从要素数量变化方面进行表达；容量维度层是指城市开发建设的现实状况，选取开发程度一级指标、人均GDP等4项二级指标表征其现实建设水平；调控维度层是指城市开发建设过程中可调整控制的实际收益，选取开发效益一级指标及人口城镇化率等4项二级指标从经济、人口、土地多维度刻画.
表 2(Table 2)

表 2 城市空间开发强度指标体系和权重Table 2 Index system and weight of urban spatial development intensity 维度层 一级指标 一级指标权重 二级指标 二级指标权重 威胁 开发密度 0.390 2 0.078 0 0.148 3 城市用地弹性增长系数 0.163 9 容量 开发程度 0.278 4 人均GDP/(元·人-1) 0.070 3 地均GDP/(元·m-2) 0.072 1 分形维数 0.074 6 紧凑度 0.061 4 调控 开发效益 0.331 4 0.073 3 人口城镇化率/% 0.080 5 用地多样性指数 0.083 2 用地破碎度指数 0.094 4 注：表中的权重数据根据熵值法计算所得.

表 2 城市空间开发强度指标体系和权重 Table 2 Index system and weight of urban spatial development intensity

2 研究方法2.1 开发强度模型城市开发强度是一个多维度的综合指数^[13]，本文基于开发强度评估框架，以开发密度、开发程度、开发效益表达开发强度，其计算公式如下：

(1)

式中: I_USD为城市空间开发强度，反映了城市空间开发建设水平；P₀为开发密度；D₀为开发程度；B₀为开发效益；α，β，γ分别为开发密度、开发程度、开发效益的权重，其权重值由熵值法确定.
2.2 核密度估计核密度估计利用连续的密度函数来描述随机变量的分布形态^[14]，本文运用核密度曲线图揭示开发强度的动态演进特征.计算公式为

(2)

式中：f(x)为核密度函数；m为样本数量；为核函数；h为带宽，宽度越小核密度估计越精确.
本文设定核类型为epanechnikov, 带宽为0.015，进行计算.
2.3 变异系数变异系数较极差、方差、标准差等方法，可以更客观反映一组数据内部的差异程度^[15]，计算公式如下：

(3)

式中：C_v表示变异系数；q=74, 为研究区街道单元数；x_u为第u个街道的开发强度水平; x为研究区域所有街道开发强度的平均值.
2.4 空间自相关空间自相关是研究数据在空间单元上是否具有相关关系的一种分析方法，可以探究数据反映的主体在空间上的集聚程度，通常分为全局和局部空间自相关^[16].局部空间自相关多利用Getis-OrdGi^*指数来识别空间对象属性值的高值簇或热点区与低值簇或冷点区，并以此识别出集聚发生的具体空间位置.
2.5 普通最小二乘法利用最小二乘法模型对影响城市开发强度的相关因素进行因子筛选^[17].计算公式如下：

(4)

式中：y_u是第u个街道开发强度；θ为二乘法空间截距；θ_s为第s项自变量(影响因素)的回归系数；x_us为第s项自变量(影响因素)第u个街道的取值；ε_u为残差.
2.6 地理加权回归(GWR)最小二乘法无法有效反映影响因素在不同区域对各区域开发强度的影响程度.在利用最小二乘法筛选影响因素后，采用地理加权回归在空间上对影响因素进行研究^[18-19].计算公式为

(5)

式中：W_lj为第j个点与第l个点的回归权重; b为地理加权回归模型带宽，是表明权重随着距离的增减速度、权重与距离之间函数关系的非负衰减参数；d_lj表示第j个点与回归点l之间的距离.
2.7 层次聚类分析运用层次聚类分析方法可以对开发强度得分进行相似性计算^[20]，选择欧氏距离对沈阳市内五区各街道之间的相似性进行计算，并采用组间平均法进行聚类，准确识别各街区单元的开发强度状况.计算公式如下：

(6)

式中：B_vc为v街道与c街道维度层得分的相似性系数；x_vk^′为v街道单元k维度层得分的标准化值；x_ck^′为c街道单元k维度层得分的标准化值；q=74，为研究区街道单元数.
3 结果与分析3.1 开发强度时序演变3.1.1 时序变化特征1) 开发强度时序变化.通过对2005—2020年沈阳市内五区开发强度进行分析(见图 2)，可以看出，开发强度总体呈现先快速下降后平稳发展的变化态势.具体来看，2005—2007年综合得分由0.117 8下降至0.057 1，下降幅度为51.53%，呈快速下降变化，说明此阶段社会经济发展速度放缓，城镇化内生动力不足，城市开发建设受到严重制约；2007—2020年处于平稳发展阶段，表明此阶段沈阳市协调各区开发建设活动，城镇化水平得以平稳推进.
图 2(Fig. 2)

图 2 沈阳市内五区城市空间开发强度综合得分Fig.2 Comprehensive score of urban spatial development intensity of Shenyang's five districts

2) 开发强度内部时序差异.由于各区域间受资源禀赋、发展定位、规划政策的影响不同，开发强度时序变化具有差异性.由图 3可知，2005—2020年沈阳市内五区开发强度整体呈现先降低再波动发展的演变规律.具体来说，2005—2008年和平区、沈河区作为中心城区的核心区域，开发起步早，开发强度大；2010年前后随着铁西经济开发区的进一步发展，极大提高铁西区开发强度，同时沈阳地铁的成功开通也对铁西区开发强度的提高起到助推作用.2016年后沈阳市城市空间开发强度呈现下降趋势，且渐渐趋于平稳发展.
图 3(Fig. 3)

图 3 开发强度时序演变趋势Fig.3 Temporal evolution trend of urban space development intensity

3.1.2 动态演进分析基于核密度估计曲线图(图 4)，进一步揭示沈阳市内五区开发强度的动态演进规律.从曲线位置变化上可以看出，2005—2020年开发强度密度曲线变化趋势为先向左，再向右，且2005—2010年向左移动的幅度最大，开发强度经历了快速下降，主要是由于东北地区经济放缓，城镇化进程难以推进，开发强度整体降低.
图 4(Fig. 4)

图 4 城市空间开发强度的核密度估计Fig.4 Kernel density estimation of urban space development intensity

3.2 开发强度空间演化3.2.1 总体格局变化1) 开发强度空间格局.通过对沈阳市内五区开发强度空间格局进行分析(见图 5)，可以看出空间分布具有不均衡性，呈现出中心低四周高的分布格局，圈层式发展特征显著.2005—2020年区域中心位置开发强度持续较高，且变化不大，这可能是由于该区域各街道基础设施完善、经济结构合理、经济社会活动频繁.随着城镇化的快速推进与城市经济社会的进一步发展，开发建设具有明显的惯性增长与路径依赖，致使开发强度形成不易打破的开发高值区.
图 5(Fig. 5)

图 5 沈阳市内五区城市开发强度空间分布Fig.5 Spatial distribution of the urban development intensity of Shenyang's five districts (a)—2005年；(b)—2010年；(c)—2015年；(d)—2020年.

2) 开发强度空间内部差异.根据变异系数计算出的沈阳市内五区开发强度空间内部差异见图 6，可以看出开发强度存在内部差异，呈先增长后降低的变化趋势.2005年铁西区、和平区的不均衡性最高，处于低级的差异化发展阶段，局部的极化效应明显；2010年大东区不均衡程度最高，局部地区极化效应严重，存在低水平街道开发赶超实力不足等问题；2015—2020年各区差异有所缩小，这是因为随着和平区、沈河区等核心区辐射带动能力不断增强，城市空间开发平稳推进，各区协同发展能力也有所增强.
图 6(Fig. 6)

图 6 沈阳市内五区开发强度空间内部差异Fig.6 Spatial internal differences of the development intensity of Shenyang's five districts (a)—2005年；(b)—2010年；(c)—2015年；(d)—2020年.

3.2.2 空间关系变化1) 全局空间关系.利用GeoDa软件计算得出沈阳市内五区4个时段的开发强度全局莫兰指数，通过表 3可见，2005—2020年开发强度的莫兰指数均为正值，取值范围为0.364~0.409，均通过了95%的显著性水平检验(Z值大于临界值1.96)，存在明显的正相关关系，在空间上存在集聚效应.从趋势上看，莫兰指数总体呈现先下降再上升的变化特征，说明沈阳市内五区城市空间开发强度空间集聚效应先减弱后增强.
表 3(Table 3)

表 3 沈阳市内五区开发强度的全局莫兰指数Table 3 Global Moran's index of development intensity in the five districts of Shenyang 年份 2005 2010 2015 2020 全局莫兰指数 0.409 0.392 0.364 0.385 Z值 5.008 4.984 4.533 4.761 P值 0.005 0.005 0.002 0.010

表 3 沈阳市内五区开发强度的全局莫兰指数 Table 3 Global Moran's index of development intensity in the five districts of Shenyang

2) 局部空间关系.通过图 7可以看出，开发强度总体形成以核心热点区的高值中心向外扩展的圈层结构，呈现中部热点集聚和边缘冷点集聚的“核心-边缘”特征.从冷热点区的演化过程来看，形成了强者越强、弱者越弱的分布特征.
图 7(Fig. 7)

图 7 沈阳市内五区开发强度冷热点空间演化Fig.7 Spatial evolution of cold and hot spots in the development intensity of Shenyang's five districts (a)—2005年；(b)—2010年；(c)—2015年；(d)—2020年.

3.3 影响因素分析开发强度的演变是多个因素共同作用的结果，利用OLS模型对2005—2020年沈阳市内五区开发强度影响因素进行识别，结果显示人均城乡用地面积、城市用地弹性增长系数和地均GDP在研究期间均通过显著性检验(P < 0.05)，是影响开发强度的主要因素.基于识别出的3个影响因素，运用GWR模型对其回归系数进行空间可视化，得到各影响因素回归系数的空间分布.
人均城乡用地面积回归系数从空间上看(图 8)，空间分布不均衡，低值区域先减少后增加，高值区域先增加后减少.总体上说，城市开发强度的提升很大程度上依赖土地资源，但单位面积建设用地开发承受能力以及产出经济效益存在上限，当土地开发到达峰值后，开发强度难以持续提高.
图 8(Fig. 8)

图 8 人均城乡用地面积回归系数空间分布Fig.8 Spatial distribution of regression coefficients of urban and rural land area per capita (a)—2005年；(b)—2010年；(c)—2015年；(d)—2020年.

城市用地弹性增长系数回归系数从空间上看(图 9)，研究期内分布格局并未发生明显变动，呈现出自中心低值区域向外扩散增加的趋势，低值区域逐渐减少，高值区域稳步增加，这表明当人口与用地协调时，城市开发强度得到提升；反之，城市开发建设活动会受到制约.
图 9(Fig. 9)

图 9 城市用地弹性增长系数回归系数空间分布Fig.9 Spatial distribution of regression coefficient of elastic growth coefficient of urban land (a)—2005年；(b)—2010年；(c)—2015年；(d)—2020年.

由图 10可以看出，地均GDP回归系数低值区域呈先减少后增加的变化趋势，高值区域并未发生明显变化.这表明随着沈阳市地均GDP的不断增加，建设用地经济效益得到提升，单位面积社会经济活动增多，进一步提升开发强度.
图 10(Fig. 10)

图 10 地均GDP回归系数空间分布Fig.10 Spatial distribution of regression coefficients of average land GDP (a)—2005年；(b)—2010年；(c)—2015年；(d)—2020年.

3.4 开发状况识别结合沈阳市内五区开发强度时空分析结果，运用式(6)将2020年开发强度划分为综合型、复合型以及密度型、效益型、程度型3个单项类型，其中复合型主要包括密度-程度型、密度-效益型、程度-效益型3类不同类型.整体来看，2020年沈阳市内五区开发强度高值区单元总计26个，占街道总数的35.14%，低值区单元总计48个，占街道总数的64.86%，占比远远超过高值区单元数量，说明沈阳市内五区开发强度整体有待进一步提升.
4 讨论城市开发是在城市空间下人类活动与自然生态系统交互的复杂过程，人类在城市中不合理的开发建设是生态系统功能退化的主要元凶.因此，通过多维指标构建评价体系，科学识别城市开发强度，考虑开发与保护的关系，对推动城市高质量发展具有重要意义.结合沈阳市内五区开发强度时空演变过程以及影响因素分析，可以发现社会经济活动仍是城市开发建设的主要驱动力，一定程度上决定了城市发展方向与建设水平.城市开发强度高的地区作为区域内受人为活动干扰最为激烈的部分，生态系统稳定性弱、自我恢复能力差，需要努力改变粗放型发展模式，优化协调区域资源存量与开发活动，提升生态系统韧性，同时积极加强其辐射带动作用，实现区域协调发展.对于开发强度低的地区，应在保护自然环境的基础上积极承接部分产业转移、合理发展第二、第三产业，加快城市基础设施建设，稳妥推进空间开发.
但应当指出的是，本文考虑到沈阳市历年来开发建设活动多集聚于中心城区，对开发时间晚、开发方式较为成熟的新区以及以农业主导的周边区县开发强度未进行深入探究；同时基于数据的可获得性与社会统计数据口径差异，所选取的数据指标只能大致反映沈阳市内五区的开发强度，可能与真实情况存在细微偏差.
5 结论1) 2005—2020年沈阳市内五区开发强度经历了先快速下降、后平稳发展的变化过程.2007年后随着经济调控与政策引导，城市开发强度趋于合理，地区间差异逐渐减小，但由于各区资源禀赋、发展定位不同，开发强度时序变化具有差异性.
2) 沈阳市内五区开发强度空间演变格局具有空间差异性，圈层式发展特征显著，内部差异呈先增大后减小的趋势；冷热点呈现明显的空间集聚状态，形成以核心热点区的高值中心向外扩展的圈层结构，表现出中部热点集聚和边缘冷点集聚的“核心-边缘”特征.
3) 通过最小二乘法筛选出人均城乡用地面积、城市用地弹性增长系数以及地均GDP是影响开发强度的主要因素.沈阳市内五区开发强度差距较大，低值区单元占街道总数的64.86%，占比远远超过高值区单元数量，整体开发强度有待提升.
参考文献

[1]	周敏, 匡兵, 陶雪飞. 空间收敛视角下中国城市土地开发强度演变特征[J]. 经济地理, 2018, 38(11): 98-103, 122. (Zhou Min, Kuang Bing, Tao Xue-fei. The evolution of urban land development intensity in China from the perspective of spatial convergence[J]. Economic Geography, 2018, 38(11): 98-103, 122.)
[2]	Huang X, Huang X J, Liu M M, et al. Spatial-temporal dynamics and driving forces of land development intensity in the Western China from 2000 to 2015[J]. Chinese Geographical Sciences, 2020, 30(1): 16-29. DOI:10.1007/s11769-020-1095-2
[3]	Liu Z J, Li B, Chen M Y, et al. Evaluation on sustainability of water resource in Karst area based on the emergy ecological footprint model and analysis of its driving factors: a case study of Guiyang City, China[J]. Environmental Science and Pollution Research, 2021, 28(35): 49232-49243. DOI:10.1007/s11356-021-14162-4
[4]	Yang Q K, Wang L, Li Y L, et al. Urban land development intensity: new evidence behind economic transition in the Yangtze River Delta, China[J]. Journal of Geographical Sciences, 2022, 32(12): 2453-2474. DOI:10.1007/s11442-022-2056-8
[5]	Yang F, Li J, Wang J Q, et al. Spatiotemporal characteristics of human activity on coastal landscape of Laizhou Bay[J]. Wetlands Ecology and Management, 2021, 29(6): 789-808. DOI:10.1007/s11273-021-09810-y
[6]	Zhang P Y, Yang D, Qin M Z, et al. Spatial heterogeneity analysis and driving forces exploring of built-up land development intensity in Chinese prefecture-level cities and implications for future urban land intensive use[J]. Land Use Policy, 2020, 99: 104958. DOI:10.1016/j.landusepol.2020.104958
[7]	Li X, Ma X D. Impacts of high-speed rail development on urban land expansion and utilization intensity in China[J]. Journal of Transportation and Land Use, 2021, 14(1): 583-601. DOI:10.5198/jtlu.2021.1804
[8]	Li W M, Cai Z Y. Spatiotemporal differences and influencing factors of high-quality utilization of land resources in the Yellow River Basin of China[J]. Environmental Science and Pollution Research, 2022, 29(59): 89438-89448. DOI:10.1007/s11356-022-22077-x
[9]	Zeng C, Zhang A L, Liu L, et al. Administrative restructuring and land-use intensity: a spatial explicit perspective[J]. Land Use Policy, 2017, 67: 190-199. DOI:10.1016/j.landusepol.2017.05.034
[10]	Lin L X, Qiu H L. The changes and driving factors of coastal areas land use in time and space: a case study in Fujian Province, Southeast China[J]. Polish Journal of Environmental Studies, 2022, 31(3): 2695-2707. DOI:10.15244/pjoes/144191
[11]	Llerena-Montoya S, Velastegui-Montoya A, Zhirzhan-Azanza B, et al. Multitemporal analysis of land use and land cover within an oil block in the Ecuadorian Amazon[J/OL]. International Journal of Geo-Information(2021-01-30)[2021-03-08]. https://www.mdpi.com/2220-9964/10/3/191.
[12]	王雨枫, 曹洪军. 基于分形理论的辽宁城市群人地关系特征时空演变[J]. 东北大学学报(自然科学版), 2021, 42(4): 598-603. (Wang Yu-feng, Cao Hong-jun. Spatial-temporal evolution of human-land relationship in Liaoning's city groups based on fractal theory[J]. Journal of Northeastern University(Natural Science), 2021, 42(4): 598-603.)
[13]	韦军, 李晓丹, 马丽娅, 等. 陇中黄土丘陵区土地利用功能时空演变及影响因素[J]. 水土保持研究, 2021, 28(3): 194-202, 215. (Wei Jun, Li Xiao-dan, Ma Li-ya, et al. Spatiotemporal evolution of land use function and influencing factors in Loess Hilly region of Longzhong[J]. Research on Soil and Water Conservation, 2021, 28(3): 194-202, 215.)
[14]	Su H, Yang S. Spatio-temporal urban land green use efficiency under carbon emission constraints in the Yellow River Basin, China[J/OL]. International Journal of Environmental Research and Public Health(2022-08-19)[2022-10-04]. https://www.mdpi.com/1660-4601/19/19/12700.
[15]	张改素, 魏建飞, 丁志伟. 中国镇域工业化和城镇化综合水平的空间格局特征及其影响因素[J]. 地理研究, 2020, 39(3): 627-650. (Zhang Gai-su, Wei Jian-fei, Ding Zhi-wei. Spatial pattern and its influencing factors of industrialization-urbanization comprehensive level in China at town level[J]. Geographical Research, 2020, 39(3): 627-650.)
[16]	Zhang D H, Zhou C S, Sun D Q, et al. The influence of the spatial pattern of urban road networks on the quality of business environments: the case of Dalian City[J]. Environment Development and Sustainability, 2021, 24(7): 9426-9446. DOI:10.1007/s10668-021-01832-z
[17]	Huang S S, Ma C, Liu P. Responses of sustainable development indicators to human activities and climate change in ecologically fragile areas of impoverished counties in China case study of the Zijin Mountain area of Linxian: a national-level poor county[J]. Natural Resources Forum, 2022, 46(4): 450-480.
[18]	Chen V Y J, Yang T C, Jian H L. Geographically weighted regression modeling for multiple outcomes[J]. Annals of the American Association of Geographers, 2022, 112(5): 1278-1295.
[19]	Cheng L, Jiang P H, Chen W, et al. Farmland protection policies and rapid urbanization in China: a case study for Changzhou City[J]. Land Use Policy, 2015, 48: 552-566.
[20]	孟令冉. 江苏省乡村生态系统健康评价与耦合调控研究[D]. 北京: 中国矿业大学, 2020. (Meng Ling-ran. Research on health assessment and coupling regulation of rural ecosystem in Jiangsu Province[D]. Beijing: China University of Mining and Technology, 2020. )