基于俄罗斯联邦土地用途许可类型分析的经济活动环境影响评估 瓦西里·科维亚任 叶利扎维塔·博格达诺娃 雅娜·沃尔科娃 弗拉基米尔·博格达诺夫

《Land》：Environmental Assessment of Economic Activity Based on Analysis of Types of Permitted Use of Land Plots in the Russian Federation Vasily Kovyazin, Elizaveta Bogdanova, Jana Volkova and Vladimir Bogdanov

　　摘要：密集的人类经济活动导致生态系统退化，因此需要从传统的管理方法转向主动的环境风险评估策略。本研究提出了一种定量方法，用于根据俄罗斯联邦土地用途的允许类型（TPU）分析来计算综合环境风险指标（CERI）。该方法包括三个阶段：确定每种TPU的基风险权重，使用多重回归分析（MRA）对影响因素进行统计加权，以及合成最终的CERI。研究发现五个关键影响因素：工业污染、生物源和农业源影响、景观和资源变化、人为和家庭负荷以及特定风险和灾害。结果表明，生物源和农业源影响（权重0.450）以及特定风险和灾害（权重0.398）是最重要的因素。由于多重共线性，工业污染和景观变化被排除在模型之外。模型的R2值（0.194）证实了其作为宏观层面风险评估基础框架的统计有效性。进一步的改进可以解决与地籍数据变异性相关的限制，并整合本地化环境参数。所开发的CERI被集成到地理信息系统中（GIS），以可视化各土地地块的风险梯度。研究表明，使用经过统计验证的因素权重可以实现客观的地域分区，从而促进从主观专家评估向基于实际环境后果的管理转变。

1. 引言
近期研究表明，包括工业、交通和城市扩张在内的密集的人类经济活动是生态系统退化和栖息地破碎化的主因，对当地人口健康构成威胁[1,2,3]。在城市化、领土开发和气候变化的背景下，现代环境评估需要全面分析人类活动对自然环境的影响。来自路边污染或工业排放等来源的有害化学元素在土壤、空气和尘埃中的积累，要求对浓度进行定量评估，并评估环境和社会风险[2,4]。更广泛的来看，研究指出土地利用变化和城市化加剧了生物多样性的丧失和热退化[5,6]。科学研究强调，有效应对气候威胁需要跨学科的方法，以解决其基础设施组成部分及其对社会和环境系统的影响[7,8]。缺乏系统的地理空间分析导致工业制定的环境措施不足，因为它们未能考虑地域特性。这会导致生态系统稳定性的削弱和生态系统的破坏[9,10]。因此，开发一种能够根据具体地域条件客观评估负面影响的工具具有战略重要性。鉴于城市化压力下生态系统的脆弱性，准确的可持续性评估需要一种综合方法，该方法结合自然和气候因素，并依赖于开发适应地方特色的可靠综合指标[11]。在城市化和生态系统脆弱性背景下进行土地利用可持续性的全面分析，需要整合自然和气候数据，超越纯粹的社会经济因素。这需要开发多维、可靠的综合指标，以创建详细且灵活的风险评估方法，而不仅仅是通用方法[12,13,14]。有效管理土地资源和预防环境威胁不仅需要分析现状，还需要使用预测模型来模拟未来的土地利用情景及其生态影响[15]。规划和评估环境项目的复杂性在于将它们视为动态过程而非静态情景，这需要一个灵活的决策系统[16]。政府的积极支持促进了土地资源向新活动的重新分配[17]，并推动了先前未使用地区的开发，从而产生了对土地利用环境后果进行主动管理的需要。目前，全球科学界认识到制定旨在实现积极环境结果的主动策略的必要性，因为基于“不造成伤害”原则的经典管理和评估不足以抵消复杂的负面影响[18,19]。创建用于识别和监测关键环境组成部分（如生物多样性和功能连通性）的综合工作流程对于确保自然和城市系统的可持续性至关重要[20]。环境保护计划的有效性应基于严格的方法论进行评估，其中关键指标将测量参数与实际环境后果直接联系起来，以最小化形式目标与实际环境改善之间的差异[21]。考虑到预测环境影响不仅需要评估现状，还需要全面考虑各种相关因素（从人为负荷到生物过程），因此有必要开发能够客观评估每个因素对总体风险贡献的模型[22]。

各种类型的人类经济活动造成的密集人为影响导致生态系统服务的碎片化和中断[6,23]。有效的战略规划需要考虑空间特征，因为即使在同一地域内，景观结构和风险分布也不均匀[24]。在这种情况下，分析生态系统服务有助于将基于自然的解决方案合理整合到土地利用模式中，从而预测其对生态系统状态的影响[25]。减少环境负担的必要性强调了合理处理工业废物的必要性（例如，通过回收废物制造具有改进特性的材料[26]），以及研究使用最佳化学解决方案（例如，用于抑制大宗材料的粉尘[27]）。在评估与工业用途类型（TPU）相关的技术风险时，必须同时考虑负面影响（污染和景观扰动）以及通过技术创新缓解这种影响的潜力。例如，相关行业正在积极研究利用工业副产品（如二氧化碳）的方法，以实现双重效益：提高效率和减少环境足迹[28]。这突显了需要一个灵活的风险评估方法，该方法考虑整个工业部门，因为研究表明[29]，在做出适度、现实且基于科学的决策的国家，减少环境影响的显著成就已经取得。虽然这些技术创新为风险缓解提供了具体途径，但本研究提出的CERI框架旨在确定TPU的基权重，代表特定土地利用类别的固有环境风险。定义这一基准是主动管理的必要前提；它能够识别最需要工业废物处理或碳利用策略的土地利用类型。因此，所提出的指标作为一种诊断工具，将土地使用的法律状态与对先进环境保护技术的潜在需求联系起来。

在俄罗斯，允许的经济活动直接由土地关系规范。土地根据土地用途分为七类：农业用地；居住用地；工业用地和其他特殊用途用地；特别保护的自然保护区用地；森林基金用地；水域基金用地；以及储备用地。土地类别具有通用性，而TPU明确规范了允许的活动。由于土地只能按照其TPU使用，因此已建立的使用类型与其对领土的实际环境影响之间存在直接关系。然而，在经济活动中验证对允许的土地使用的合规性仍然是一个关键问题。研究揭示了绿地法定用途与其实际状况之间的显著差异，这通常表现为设施的非法放置和植被覆盖的退化，如NDVI指标所示[30]。必须综合考虑三类因素的综合效应来评估基础设施设施对土地利用的负面影响：监管权利的限制、领土缺陷和环境污染。这需要开发全面的补偿算法，以确保合理利用土地[31]。因此，转向对土地利用类型本身内在潜在风险的定量评估是主动管理的必要步骤。鉴于现有挑战和迫切需要转向主动规划，需要一种客观的环境风险评估方法。这种方法应基于TPU和多重回归分析（MRA）来正确计算权重系数。尽管存在多种环境评估框架，但现有方法通常存在两个主要局限性。首先，它们主要是定性的，严重依赖主观专家评分或手动指标，这可能导致不同地区的结果不一致。其次，许多现有模型仅限于局部现场测量或高度特定的技术监测（例如，在狭窄的建筑风险区域内评估结构完整性[32]），这使得它们难以扩展或统一应用于大规模的国家土地利用系统。此外，缺乏直接量化土地用途法律状态（其允许用途）内在环境危害的研究。本研究通过开发一种基于数据的定量CERI框架来填补这些空白。通过利用庞大的国家数据集并应用多重回归分析（MRA）来推导出客观权重，本研究用可扩展且经过统计验证的框架取代了主观判断，以实现主动风险管理。本研究的目的是开发一种用于计算综合环境风险指标（CERI）的定量方法，并通过回归模型对影响因素进行经验验证。

为了实现这一目标，完成了以下任务：首先，根据环境控制登记册中的中位风险值确定了各种土地利用类型的基权重；其次，选择了具有统计学意义的负面影响因素并确定了它们的权重；第三，开发并证明了综合环境风险指标（CERI）的有效性。本研究的新颖之处在于开发了一种三阶段的人类经济活动环境评估方法：评估TPU的基本风险，对自然环境负面影响因素的统计加权，以及获得一个综合的环境风险指标。

2. 材料与方法
2.1. 允许用途类型的基权重确定
基于土地用途TPU分析的经济活动环境评估方法包括三个主要阶段（图1）：
- 图1. 人类经济活动环境评估的三阶段方法。根据对象风险的中位值（Y）确定TPU的基权重。
- 使用多重回归分析（Wi）确定影响环境的因素的权重。
- 通过综合影响因素和TPU的基权重（Y）计算综合环境风险指标（CERI）。
本研究的一个重要特点是该方法适用于联邦层面。与基于有限现场数据的本地研究不同，所提出的方法基于全俄罗斯的监管法规。
确定TPU基权重（Y）的输入数据包括：首先，允许的用途类型（法律规定了171种类型）；其次，由联邦自然资源监督服务监测环境活动的登记对象。对于这项研究，在俄罗斯选择了1959个对象，涵盖了联邦自然资源监督服务（Rosprirodnadzor）管理的所有TPU，这些信息可在以下链接查阅：https://rpn.gov.ru/activity/supervision/objects/environment/（2025年11月1日访问）。控制的性质取决于指定的风险级别（表1）。表1. 风险级别的解释。这种监督方法被称为“基于风险”的方法，因为它有助于区分国家控制的力度和频率。风险越高，列表中的对象将更频繁和彻底地进行检查。
TPU的基权重是与其特定允许用途相关的登记对象的中位风险水平，四舍五入到最接近的整数。选择中位数作为抗异常值指标。表2显示了计算登记对象基权重的示例。
2.2. 因素的选择和统计验证
在本研究的范围内，确定许多风险可以根据共同的影响机制分为五个因素：工业污染（工业设施和交通）；生物源和农业源影响（农业和渔业）；景观和资源变化（建筑、采矿和伐木）；人为和家庭负荷（住宅开发和娱乐）；以及特定风险和灾害（危险行业和事故）。
为了表征对象对TPU的影响，采用了一种分类方法。这涉及以下步骤：首先，将与某种允许用途相关的所有注册对象进行分组；其次，使用二进制变量建立允许用途类型与五个因素之间的关系：如果该因素有影响，则设为“1”，如果没有影响则设为“0”；第三，使用公式（1）确定对象对TPU的贡献；第四，估计对象对TPU的影响（2），以获得从0到100的标准化贡献值。表3展示了“渔业”TPU的一个示例计算。表3. 对TPU影响的计算方法。每个TPU的影响因素（Bj）的二进制分配是基于对官方联邦注册册中描述的环境影响特征的系统性分析进行的。如果特定的土地用途类型与给定影响因素（例如生物生成因素的氮负荷）有关，则分配值为“1”；如果在监管文件中没有发现此类关联，则分配值为“0”。

(1) 其中 —— 对给定TPU的特定因素的对象贡献的汇总； —— 属于该TPU的第j个对象的个别风险水平（根据注册数据）； —— 表示第j个对象是否存在该因素影响的二进制变量（1或0）；n —— 注册在该TPU的对象总数。

(2) 其中 Xi —— 对TPU的对象影响；Ci —— 对TPU的对象贡献的汇总。

2.3. 因子权重（Wi）的计算
采用多元线性回归分析（MRA）来确定每个因素的独特贡献。选择MRA作为主要方法，因为与传统多标准决策分析（MCDA）方法[1,33]不同，它允许基于实际数据（Y）来统计确定权重（Wi），从而最小化专家评估的主观性[33]。将结构化决策方法与GIS结合使用是解决与复杂系统分析相关的多标准任务的最有效方法[34]。虽然地理空间方法（如DInSAR [28]）能够确保高监测精度，但我们的方法侧重于将多因素环境风险整合到一个综合指标中。在本研究的框架内，因变量是TPU的基准权重，自变量是对象对TPU的影响。MRA使我们能够获得反映每个因素对Y预测的独特贡献的回归系数（βi），消除了因素之间的相互关系造成的影响。

为了对数据数组进行初步筛选，进行了相关性分析：对因变量和因素之间关系的定量评估有助于识别最具信息量的风险形成指标，并将那些解释力不足的变量从模型中排除（见第3节）。因素可能是相互依赖的，并且会重复彼此的信息，这可能导致回归系数不稳定。在进行了一个阈值为0.7的多重共线性初步检查后，才将因素纳入模型（见第3节）。根据公式（3），通过将回归系数的绝对值标准化并求和为1来计算因素的权重，并在后续的第3节中进行展示。

(3) 其中 Wi —— 因子的权重；βi —— 回归系数。

2.4. 综合环境风险指标（CERI）
综合环境风险指标（CERI）是在方法论的最后阶段计算得出的，代表了一个综合的定量风险评估。在第一阶段，确定了那些其权重通过MRA（公式（4）得到统计支持的因素的累积影响。这个值（Nv）反映了所有特定于这种允许用途的外部威胁的加权贡献。

(4) 其中 Nv —— 因素的累积影响；Wi —— 因子的权重；Xi —— TPU的基准权重。

在第二阶段，使用公式（5）计算环境影响得分（ETPU）。这种方法认为，整体负面影响的水平不仅取决于TPU的潜力，还取决于因素的累积影响。

(5) 其中 ETPU —— 环境影响得分；Nv —— 因素的累积影响；Y —— TPU的基准权重；Wi —— 因子的权重；Xi —— 对TPU的对象影响。

应当注意的是，公式（5）中基准权重（Y）和累积因素影响（Nv）之间的相互作用并不会导致风险的双重计算。尽管这两个参数使用相同的监管数据集，但它们代表环境危害的不同维度。基准权重（Y）作为一个静态的规范基准，反映了某一土地用途类别固有的中等风险潜力。相反，累积影响（Nv）是一个动态系数，它量化了由MRA确定的特定影响因素（F2、F4和F5）的相对强度和分布。将这些值相乘允许模型根据类别的基本危害水平来调整风险因素的强度，从而提供更细致的环境影响得分（ETPU）。综合环境风险指标（CERI）是使用公式（6）得出的。CERI的范围是0到100（表4），它作为一个综合指标，包含了TPU的固有风险和对自然环境的累积多因素影响。

表4. CERI解释尺度（基于分位数）。已经开发了一个CERI解释尺度来解释综合环境风险指标的值。鉴于指数分布的不对称性，即低环境风险值占主导地位，因此使用了五分位数方法进行分类（根据出现频率将所有TPU分为五个相等的组）。这些阈值范围是根据数据派生的，并根据全国数据集中CERI值的分布动态调整的，而不是任意固定的。这种方法允许根据环境危害程度不同，统计上合理地识别活动集群：从最小影响（第I级）到临界影响（第V级）。指标值超过21%（在0-100%的范围内）的被统计上视为异常高，与其他90%的允许用途类型相比。这个值作为“临界影响”类别（第V级）的客观截止点，涵盖了具有最大潜在负面影响的活动。使用这个尺度确保了结果解释的透明度，可以根据各类型用途在全国范围内的环境影响强度对其进行排名，其中100%对应于在研究数据集中识别出的最大影响水平。

基于所开发的尺度，CERI指标通过整合到地理信息系统中获得了空间相关性。为了可视化结果，从统一的国家房地产登记册（USRRE）中获取了地籍图形式的空间数据。通过将计算出的CERI值与土地地块多边形进行属性连接来创建地图（图2）。这种连接是通过分配给每个地籍图的官方“允许用途类型”（TPU）属性来建立的。这使得可以在GIS环境中自动为每个多边形分配相应的风险级别。这些CERI值使用基于分位数的分类进行映射，以可视化风险梯度并识别人类活动负荷最高的区域。图2. 穆爾曼斯克地区Teriberka地区的CERI分布。因此，CERI从一个数值指标转变为一个可视化的风险热图，能够客观识别人类活动负荷最高的区域，并为定义保护区边界提供了基础。

统计数据处理使用的是Microsoft Excel 2021（微软公司，美国华盛顿州雷德蒙德市）。空间数据分析和可视化使用的是开源软件QGIS版本3.28（开源地理空间基金会，美国俄勒冈州比弗顿市）。

3. 结果
对数据进行的初步相关性分析（表5）揭示了因变量与选定因素之间的关系程度。相关系数分析表明，因素F1（工业污染）和F3（景观和资源变化）表现出最强的中等相关性（r = 0.47），而因素F4（人为和家庭负荷）显示出非常弱的相关性（r = 0.08）。解释获得的相关系数（r = 0.34–0.47）需要考虑主题领域的具体情况。从应用土地管理和社会环境风险评估的角度来看，这些值应被视为较高且统计上显著的，因为它们确认了一个因素可以解释TPU基准权重的多达22%的方差（决定系数=0.22）。这一结果证实了所选因素在逻辑上补充了Y，而不是重复它。表5. 五个因素的相关性分析结果。尽管F4与TPU的基准权重显示出较弱的线性关系，但它与其他因素的交叉相关性非常低（与F5的r = 0.40，与F2的r = 0.15），表明它反映了独特的、独立的风险方面。将F4保留在回归模型中，使我们能够考虑这种特定的、不相关的贡献，以解释因变量的变异性。

多重共线性测试显示F1/F3（r = 0.997）、F1/F5和F2/F3（表6）之间的高相关性。决定排除因素F1（工业污染），因为因素F5（特定风险和灾难）更为复杂，已经包含了技术风险、紧急情况以及危险行业的特点，从而涵盖了更广泛的人为影响范围。同样，F3（景观和资源变化）因素也被从模型中排除，因为F3（景观）中的景观变化成分实际上存在于所有考虑的影响因素中，是它们的共同系统特征。因此，选择以下因素进行MRA：F2（生物生成和农业效应）、F4（人为和家庭负荷）以及F5（特定风险和灾难）。表6. 影响因素的多重共线性测试结果。使用F2、F4和F5作为自变量的多元线性回归分析得出了一个统计上显著的模型，决定系数（R2）为0.194（调整后的R2 = 0.180），解释了TPU基准权重的19.4%的方差。对于这种复杂程度的多因素系统来说，解释近20%的方差是一个相当大的R2值。与土地利用相关的环境风险代表了一个受到多种变量影响的高度多方面的系统，包括自然条件、人为压力、经济活动和社会文化因素，这些因素在单一模型中很难完全捕捉。在这种复杂的领域中，很难实现非常高的R2值（例如0.70–0.80）。虽然仍有相当一部分方差受到当前监管范围之外因素的影响，但该模型作为一个高级筛选工具，提供了一个标准化的、客观的环境风险评估基线。因此，该模型有意关注人为成分，作为更大环境综合体的一个关键和可测量的子系统。

所有三个选定的因素都做出了统计上显著的贡献（p < 0.05）（表7）。通过公式（3）对β系数进行标准化，得到了客观的因子权重（表8）。表7. 回归模型系数分析的结果。表8. 环境影响因素的权重。最终的多元回归方程由公式（7）描述。

(7) 其中 Y —— TPU的基准权重；X2 —— 生物生成和农业效应；X4 —— 人为和家庭负荷；X5 —— 特定风险和灾难；0.0233、0.0079和0.0206 —— 标准化的回归系数βi。获得的权重反映了每个因素对预测基准权重的独立影响，不受多重共线性影响。

CERI指标是使用因子权重（Wi, 表8）和对象对TPU的影响（Xi）与基准权重Y（方程（4）–（6）相结合计算得出的。这些计算使我们能够为每个TPU获得一个排序的风险指标。类似于环境安全方案整合来源、走廊和节点的方式[35]，CERI提供了一个必要的结构框架，作为制定领土管理和优化保护制度的可靠工具。CERI是一个适合于主题性映射领土脆弱性的综合指标。这一主题制图的结果展示在图2中。图2显示了特列贝尔卡（穆尔曼斯克州科拉区）农村定居点区域内综合环境风险指标（CERI）的空间分布，这些风险根据五个影响等级进行了分类。该地图是使用来自统一国家房地产登记册（USRRE）的地籍数据生成的，其中土地使用边界对应于官方登记的土地地块。每个地块的CERI值是根据其注册的允许使用类型（TPU）来分配的。可视化结果显示，“关键”（第五等级，>21.0）和“高”（第四等级，8.5–21.0）影响区域主要集中在定居点中心及交通走廊沿线。相反，相邻的自然区域的影响等级为“最小”（第一等级，0–1.8）或“低”（第二等级，1.8–4.2），表明环境负担与人类活动的集中程度之间存在明显差异。这种基于位置的制图有效突出了环境风险的空间异质性，为差异化的区域管理提供了明确的基础。

4. 讨论
4.1. 因子权重的解释
与初步的相关性分析结果不同，最初F1（工业污染）和F3（景观和资源变化）与因变量以及它们之间显示出较强的关联性（如第3节所述），但由于高度共线性，这些因素随后被排除在多元回归分析之外。因此，因子权重的讨论集中在回归模型中保留的三个因素上：F2（生物源和农业源效应）、F4（人为因素和家庭负荷）以及F5（特定风险和灾害）。通过MRA获得的统计上合理的权重分配如下：F2（生物源和农业源效应）获得了最高的权重（W2 = 0.450），其次是F5（特定风险和灾害，W5 = 0.398）。F4（人为因素和家庭负荷）获得了最低的权重（W4 = 0.152）。这种权重分配突显了MRA的关键优势：虽然相关性分析表明这些因素之间存在共同变化或强烈依赖性，但Wi权重揭示了每个因素对TPU基础权重变化的独特、独立的贡献，从而通过解决共线性问题，使得模型更加稳定和易于解释。需要强调的是，对于如此复杂的多因素社会环境系统而言，R2值接近0.20已被视为相当可观的。与土地使用相关的环境风险受到多种变量的影响，包括自然条件、局部经济压力，甚至是难以在单一预测模型中完全捕捉到的社会文化因素。在这样的领域中，由于环境过程的固有随机性，很少能够实现非常高的系数（例如0.70–0.80）。因此，尽管该模型无法捕捉到所有局部细微差别，但它作为实用的初步诊断工具已经足够。

4.2. 实际意义
所提出方法的一个关键特点是其全国范围内的适用性，这得益于其基于联邦法规以及来自俄罗斯各地的全面数据集。允许使用类型（TPU）系统和风险分类框架由联邦立法定义，确保了全国范围内的法律标准化。重要的是，CERI的校准（包括基础权重Y和因子权重Wi）是使用从全国范围内选取的1959个地点的数据进行的，这些地点代表了所有主要类型的TPU。这种方法确保了CERI指数反映了基于全国数据的国家标准。所开发的方法通过统计模型将TPU的定性评估转化为定量风险指标（CERI），相对于纯粹的专家方法而言是一个重要的进步。相关研究表明，为了提高地籍土地评估的准确性，有必要使用回归建模来建立土壤物理化学特性与市场价值之间的关系，从而获得综合的质量指标，以克服土壤特征数据不完整所带来的限制。将CERI与地理信息技术相结合，可以实现风险映射，并为制定特别保护自然区内保护区的边界提供客观合理的解决方案。自然区的有效保护需要采用综合方法，该方法基于对人为因素影响范围的分析，对相邻区域进行空间分区，并根据当地风险等级优先考虑保护措施的实施。在这一背景下，特列贝尔卡地区的案例研究（图2）展示了如何在实践中应用全国范围内校准的CERI进行空间可视化和区域风险分区。

5. 结论
城市化的增长和密集的经济活动对自然系统造成了越来越大的压力，这要求我们从主观评估转向基于统计数据的客观方法来分析土地使用环境风险。在本研究的范围内，开发了一个数学上合理的框架，直接将土地地块的允许使用类型与其生态足迹联系起来。在这项研究中，开发并验证了一种确定综合环境风险指标（CERI）的三阶段方法，提供了一种全国范围内一致的客观定量评估风险的方法。通过整合联邦法规标准并利用涵盖俄罗斯1959个地点的数据集，CERI方法在整个俄罗斯联邦范围内适用。通过多元回归分析得出的因子权重突显了生物源效应和特定风险的重要贡献。尽管当前模型的解释能力（R2 = 0.194）表明有一部分环境风险变异受到高度局部化或未量化因素的影响，但其统计显著性确实在俄罗斯联邦范围内确立了CERI作为一个有价值的、客观的土地使用风险基线指标的地位。这一基础模型有效地作为一个高级筛选工具，适用于区域评估，在缺乏全面、特定地点数据的情况下提供了一个稳健的起点。未来的研究将在这一框架基础上整合更详细的本地环境数据（例如地质、水文和气候条件）和社会经济变量，进一步增强模型的解释能力，并实现更精确的、特定地点的风险评估。特列贝尔卡的案例展示了这一全国范围内校准的CERI的实际应用，证明了其在空间风险制图和识别人为负荷较高地区的有效性。因此，CERI指标作为一个强有力的工具，可用于国家层面的主动和差异化的土地管理策略，标志着从主观评估向数据驱动决策的转变。