王倩雯,曾 堅,辛儒鴻,梁 晨
(天津大學(xué) 建筑學(xué)院,天津 300072)
我國改革開放40年來,城市化從18%提高到59.58%(2018年),雖然有效地促進(jìn)了中國社會經(jīng)濟(jì)的發(fā)展,但與洪澇災(zāi)害風(fēng)險系統(tǒng)形成復(fù)雜關(guān)系。城市化進(jìn)程中,社會經(jīng)濟(jì)活動和土地擴(kuò)張是影響洪澇災(zāi)害風(fēng)險的關(guān)鍵因素,也是洪澇災(zāi)害風(fēng)險研究領(lǐng)域的熱點,如在土地利用規(guī)模上,人口持續(xù)增長和城市的蔓延擠占了水安全空間、破壞了生態(tài)安全格局[1],當(dāng)流域適度城市化時,其水文特征和洪水強(qiáng)度的相對變化最為顯著[2];在土地利用類型上,城市化導(dǎo)致的土地覆被/利用變化、不透水表面增加影響了水文特征,在短期低強(qiáng)度的降雨中仍會導(dǎo)致更高的洪峰和體積等[3],同時,隨著城市化的不斷深入和成熟,生態(tài)用地向城市建設(shè)用地的轉(zhuǎn)化更能解釋洪水災(zāi)害的空間變化[4];在開發(fā)強(qiáng)度上,城市化(PCIT情景下的密集開發(fā))將導(dǎo)致被洪水淹沒的土地面積顯著增加[5],且在洪水易發(fā)區(qū)進(jìn)行高密度開發(fā)會增加社區(qū)遭受洪水災(zāi)害的風(fēng)險[6];在社會經(jīng)濟(jì)上,洪澇災(zāi)害高風(fēng)險區(qū)往往是連續(xù)片狀分布[7],城市化使暴露在災(zāi)害風(fēng)險中的人口和財產(chǎn)增加[8-9],但由此產(chǎn)生的社會經(jīng)濟(jì)發(fā)展也有助于增強(qiáng)城市適應(yīng)能力[10]等??傮w而言,國內(nèi)外學(xué)者通過解構(gòu)城市化和洪澇災(zāi)害風(fēng)險,探索各要素間作用關(guān)系和綜合效應(yīng)方面取得了顯著成果,為緩解城市化與洪澇災(zāi)害風(fēng)險的矛盾提供了重要依據(jù)。
從已有研究經(jīng)驗來看,城市化特征和災(zāi)害風(fēng)險均存在較強(qiáng)的地域性,因此針對特定地區(qū)的研究仍具有重要意義;其次,洪澇災(zāi)害風(fēng)險辨識多聚焦于單一河流或局部城市尺度,但由于流域尺度災(zāi)害影響范圍較大,從局部尺度切入容易忽略全局風(fēng)險相互作用形成的復(fù)雜結(jié)果,常用的辨識方法依賴主觀判斷[11],導(dǎo)致辨識結(jié)果存在一定局限性;對城市化和災(zāi)害風(fēng)險的研究以系統(tǒng)構(gòu)成要素的函數(shù)關(guān)系和風(fēng)險等級分區(qū)為重點,導(dǎo)致空間效應(yīng)及規(guī)律研究缺失;同時,對脆弱性的研究多聚焦于資產(chǎn)的貨幣價值及國民安全[12],忽略災(zāi)害對生態(tài)價值的破壞,有必要進(jìn)行進(jìn)一步探討。
選取位于福建省東南海岸的閩三角地區(qū)為研究對象,基于多源數(shù)據(jù)建立能夠有效反映閩三角流域暴雨洪澇災(zāi)害風(fēng)險的GIS多準(zhǔn)則評價與BP神經(jīng)網(wǎng)絡(luò)辨識模型,在優(yōu)化辨識方法的同時,歸納閩三角地區(qū)社會經(jīng)濟(jì)城市化與土地城市化水平的空間特征、城市化與暴雨洪澇災(zāi)害風(fēng)險空間效應(yīng)及主控因子,探討城市化進(jìn)程中,社會經(jīng)濟(jì)活動、土地擴(kuò)張與洪澇災(zāi)害風(fēng)險在空間上的相關(guān)性,從而判斷不同城市化水平的高風(fēng)險區(qū)和風(fēng)險因子對洪澇災(zāi)害的影響效應(yīng),為緩解閩三角地區(qū)城市化與洪澇災(zāi)害風(fēng)險的矛盾提供參考。
閩三角地區(qū)位于福建省東南海岸,由泉州市、廈門市、漳州市所轄區(qū)縣構(gòu)成,是我國沿海經(jīng)濟(jì)開放區(qū)和正在崛起的三大特色經(jīng)濟(jì)群之一。該地區(qū)山地、丘陵面積占比超過80%,地形起伏破碎,且位于中國東南沿海臺風(fēng)高發(fā)區(qū),常出現(xiàn)短時強(qiáng)降雨,洪澇災(zāi)害頻發(fā),見圖1。
圖1 區(qū)位概況Fig.1 Geographical situation
1.2.1 研究范圍與研究單元確定
研究基于閩三角流域尺度展開,將通過水文分析識別的97個匯水分區(qū)作為研究范圍。為了便于數(shù)據(jù)疊加計算和對比,因此研究采用規(guī)則的正方形漁網(wǎng)覆蓋研究范圍。兼顧多源數(shù)據(jù)精度統(tǒng)一和流域研究的價值,將網(wǎng)格精度設(shè)置為1 000 m×1 000 m,流域范圍共計網(wǎng)格單元21 377個,見圖2。
圖2 研究單元劃分Fig.2 Research unit division
1.2.2 數(shù)據(jù)處理
城市化和災(zāi)害數(shù)據(jù)均以當(dāng)前數(shù)據(jù)資源較為豐富完整的2017年數(shù)據(jù)為主。
(1)城市化數(shù)據(jù)
社會經(jīng)濟(jì)城市化主要由人口類、經(jīng)濟(jì)類和服務(wù)類三類指標(biāo)反映,構(gòu)建代表性指標(biāo)體系[13-14],見表1。
表1 社會經(jīng)濟(jì)城市化評價指標(biāo)體系Table 1 Evaluation index system of social and economic urbanization
土地城市化采用利用衛(wèi)星圖像、開放街道地圖、夜間燈光、POI和騰訊社交大數(shù)據(jù)等輔助數(shù)據(jù)進(jìn)行計算評估獲得的2010-2017年土地利用數(shù)據(jù)[15]。
(2)暴雨洪澇災(zāi)害風(fēng)險數(shù)據(jù)
參考前人對流域洪澇災(zāi)害風(fēng)險評價的研究[16-17]及閩三角氣候與水文環(huán)境,構(gòu)建洪澇災(zāi)害風(fēng)險“3種關(guān)系-2類特征-20項指標(biāo)”的研究體系。3種關(guān)系指洪澇災(zāi)害系統(tǒng)所包含的致災(zāi)因子、孕災(zāi)環(huán)境和承災(zāi)體。由于致災(zāi)因子和孕災(zāi)環(huán)境多為自然要素決定,而承災(zāi)體多體現(xiàn)人為因素及災(zāi)損效應(yīng),因此將20項指標(biāo)分為自然因素主導(dǎo)的自然系統(tǒng)危險性;人為因素主導(dǎo)的社會經(jīng)濟(jì)系統(tǒng)脆弱性風(fēng)險特征分別進(jìn)行處理,見表2,二者是洪澇災(zāi)害形成的必要因素,決定災(zāi)害風(fēng)險程度[18]。
表2 風(fēng)險評價指標(biāo)體系Table 2 Risk evaluation index system
1.2.3 主要研究方法
主成份分析法:由于反映部分城市化水平的社會經(jīng)濟(jì)系統(tǒng)因素存在相互關(guān)聯(lián)性,因此研究選取主成份分析法,利用SPSS將14項指標(biāo)標(biāo)準(zhǔn)化并計算相關(guān)矩陣,根據(jù)各指標(biāo)的關(guān)聯(lián)性對其進(jìn)行降維處理,得到能夠體現(xiàn)社會經(jīng)濟(jì)城市化的獨立綜合變量。
GIS多準(zhǔn)則法與BP神經(jīng)網(wǎng)絡(luò)算法:GIS多準(zhǔn)則評價方法用于風(fēng)險特征初始值的計算,并提供源數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)算法最成熟的一種[30],通過平行分散處理模式對源數(shù)據(jù)的學(xué)習(xí)訓(xùn)練,對誤差進(jìn)行反向傳播修正,用于對閩三角洪澇災(zāi)害風(fēng)險各類特征值進(jìn)行低誤差辨識,突破非線性模型的瓶頸,實現(xiàn)精細(xì)化風(fēng)險計算。將閩三角流域風(fēng)險5類,Ⅰ級代表風(fēng)險評價等級安全,Ⅱ級代表風(fēng)險評價等級較安全,Ⅲ級代表風(fēng)險評價等級中等,Ⅳ級代表風(fēng)險評價等級較危險,Ⅴ級代表風(fēng)險評價等級為危險。參考已有文獻(xiàn)對20項指標(biāo)在洪澇災(zāi)害領(lǐng)域的專項研究,以及閩三角地方政府對相關(guān)指標(biāo)的標(biāo)準(zhǔn)要求,歸納提取適用于該地區(qū)的風(fēng)險閾值劃分,作為設(shè)置風(fēng)險等級初始值的標(biāo)準(zhǔn)之一;其次,“自然間斷點分級法”會在數(shù)據(jù)集差異相對較大的位置設(shè)置邊界,使各類之間的差異最大化[31],因此結(jié)合閾值判斷和自然間斷點分級法,隨機(jī)選擇21 377個網(wǎng)格中符合該特征值的樣本創(chuàng)建訓(xùn)練和測試數(shù)據(jù)集[32]。經(jīng)篩選,危險性總樣本為984個網(wǎng)格,脆弱性總樣本為749個網(wǎng)格,訓(xùn)練集占總樣本的60%,測試集占總樣本的40%。以MATLAB軟件中提供的神經(jīng)網(wǎng)絡(luò)工具箱為基礎(chǔ),編制網(wǎng)絡(luò)建立、訓(xùn)練、測試代碼。根據(jù)經(jīng)驗公式確定隱含層的節(jié)點個數(shù),建立1個隱含層的3層洪澇災(zāi)害風(fēng)險分類識別BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。危險性指標(biāo)輸入層節(jié)點數(shù)為12,隱層節(jié)點數(shù)為13,輸出層節(jié)點數(shù)為5,激活函數(shù)采用sigmoid函數(shù),網(wǎng)絡(luò)訓(xùn)練誤差為0.000 000 4,學(xué)習(xí)速率為0.1,最大迭代次數(shù)為1 000??倶颖緸?84。脆弱性指標(biāo)輸入層節(jié)點數(shù)為8,隱層節(jié)點數(shù)為9,輸出層節(jié)點數(shù)為5,激活函數(shù)采用sigmoid函數(shù),網(wǎng)絡(luò)訓(xùn)練誤差為0.000 000 4,學(xué)習(xí)速率為0.1,最大迭代次數(shù)為1 000。運行該網(wǎng)絡(luò),危險性風(fēng)險驗證集總體準(zhǔn)確率為0.966,脆弱性風(fēng)險驗證集總體準(zhǔn)確率為0.940,結(jié)果表明該辨識精度較高,網(wǎng)絡(luò)性能良好。
熵權(quán)法:熵權(quán)法通過評估每項指標(biāo)的信息熵差異來描述變量的重要程度,是一種客觀賦權(quán)的方法[33],因此用于認(rèn)知各指標(biāo)對風(fēng)險的貢獻(xiàn)率,以消除主觀因素對主控因子判斷的影響。研究提取綜合風(fēng)險判斷結(jié)果中為Ⅴ級風(fēng)險的柵格點,并根據(jù)柵格聚集的地理空間位置進(jìn)行分組計算,以判斷不同區(qū)位條件的高風(fēng)險區(qū)的風(fēng)險主控因子。
空間自相關(guān)模型:研究基于Moran’sI指數(shù)判斷閩三角流域洪澇災(zāi)害風(fēng)險的空間自相關(guān)性,判斷高風(fēng)險與低風(fēng)險地區(qū)的空間系統(tǒng)關(guān)系,并計算研究單元與鄰域單元之間是否存在集聚區(qū),以探究流域風(fēng)險分布的規(guī)律?;诳臻g相關(guān)分析中基于距離權(quán)重矩陣的局部空間自相關(guān)指數(shù)(Gi*),識別流域洪澇災(zāi)害風(fēng)險高值積聚的熱點區(qū)。其計算公式為:
(1)
(2)
(3)
式中,xi和xj為空間網(wǎng)格i和j位置上的風(fēng)險值;Wij為權(quán)重,δ為x的標(biāo)準(zhǔn)差。
空間自回歸模型:研究采用空間自回歸模型處理災(zāi)害主控因子與危險性風(fēng)險空間單元空間相關(guān)性的計算,其計算公式為:
y=ρW1y+βx+μ+α.
(4)
μ=λW2η+ε.
(5)
式中,y為因變量,為洪澇災(zāi)害危險性風(fēng)險值;x為自變量(包括人口密度和GDP),不僅為風(fēng)險影響因子,也是城市化體系的主要構(gòu)成成分;β為自變量的參數(shù)向量;μ為隨機(jī)誤差項;ε為隨機(jī)誤差項向量;W1和W2分別為反映因變量和殘差空間趨勢的的權(quán)重矩陣;ρ為空間滯后項W1y的系數(shù);λ為W2的回歸系數(shù)。
研究過程中,均采用min-max標(biāo)準(zhǔn)化方法(Min-Max Normalization)對數(shù)據(jù)進(jìn)行統(tǒng)一處理。
2.1.1 社會經(jīng)濟(jì)城市化水平特征
社會經(jīng)濟(jì)城市化水平可體現(xiàn)人口和經(jīng)濟(jì)聚集情況及城市發(fā)展質(zhì)量。計算結(jié)果顯示,P1、P2、E1、E6、E7、E8在主因子F1中負(fù)荷較大(P<0.00),包含了人口發(fā)展、居民生活成本和經(jīng)濟(jì)活力等內(nèi)容,體現(xiàn)了城市化綜合水平;E2、E3、E5、S3在主因子F2中負(fù)荷較大(P<0.00),包含了產(chǎn)業(yè)增值、產(chǎn)業(yè)結(jié)構(gòu)和交通條件等內(nèi)容,體現(xiàn)了城市產(chǎn)業(yè)發(fā)展效率;S1、S2在主因子F3中負(fù)荷較大(P<0.00),主要公共服務(wù)設(shè)施配比相關(guān)指標(biāo),體現(xiàn)了城市公共服務(wù)能力;P3、E4在主因子F4中負(fù)荷較大(P<0.00),包含了人口和產(chǎn)業(yè)資源流動情況,體現(xiàn)了城市發(fā)展?jié)摿?,見?。
表3 社會經(jīng)濟(jì)城市化水平計算結(jié)果Table 3 Calculation results of social and economic urbanization level
根據(jù)各主成份因子得分情況對閩三角地區(qū)社會經(jīng)濟(jì)城市化水平進(jìn)行可視化,見圖3。市域尺度上,廈門和泉州社會經(jīng)濟(jì)城市化水平領(lǐng)先于漳州,但是從區(qū)縣尺度上來看,由于城市化發(fā)展基礎(chǔ)、產(chǎn)業(yè)發(fā)展功能不同,在數(shù)據(jù)測算上存在差異。中心城區(qū)和部分沿??h級市的城市化綜合水平明顯高于西部山地地區(qū),城市發(fā)展?jié)摿Φ貐^(qū)主要集中在廈門灣區(qū)附近。
圖3 目標(biāo)層主成份因子空間分布圖Fig.3 Spatial distribution of principal component factors in target layer
2.1.2 土地城市化水平特征
土地城市化表達(dá)了城市化過程中土地條件和土地性質(zhì)的轉(zhuǎn)化過程,是城市化形成的標(biāo)志之一[34]。雖然土地城市化為人口增加提供了載體,但諸多研究表明,土地城市化因素對于洪澇災(zāi)害風(fēng)險存在相關(guān)性[3,5,35]。研究以2010—2017年土地利用數(shù)據(jù)為基礎(chǔ),引入用地利用擴(kuò)張強(qiáng)度指數(shù)[36]來表征閩三角地區(qū)土地城市化特征。結(jié)果表明,近年用地擴(kuò)張增量比較集中,見圖4,主要分布在廈門灣區(qū)和北部沿海地區(qū),但用地擴(kuò)張強(qiáng)度分布較為分散,見圖5,除了分布于晉江和九龍江中下游外,南部沿海部分地區(qū)也屬于擴(kuò)張高強(qiáng)度區(qū)。由于廈門市城市化起步較早,雖然屬于用地擴(kuò)張熱區(qū),但是擴(kuò)張強(qiáng)度弱于泉州和漳州。
圖4 用地擴(kuò)張增量空間分布(2010—2017) 圖5 用地擴(kuò)張強(qiáng)度空間分布(2010—2017)Fig.4 Spatial distribution of land expansion increment Fig.5 Spatial distribution of land expansion intensity
危險性風(fēng)險具有較為明顯的地理空間分布特征,見圖6,遠(yuǎn)離河流、降雨量較少的山區(qū)風(fēng)險較低,而山區(qū)洼地、河流沿岸、河口和灣區(qū)附近為高風(fēng)險區(qū)。脆弱性風(fēng)險分布相對較為分散,見圖7,主要原因是除了計算災(zāi)害人員傷亡和經(jīng)濟(jì)財產(chǎn)損失之外,還計算了災(zāi)害對農(nóng)業(yè)、原料和生態(tài)供給的損害,因此高風(fēng)險主要積聚在人口、經(jīng)濟(jì)和生態(tài)供給指標(biāo)均處于較高水平的地區(qū)。然而在城市化快速進(jìn)程中,往往以犧牲生態(tài)服務(wù)為代價,因此脆弱性高風(fēng)險區(qū)鄰域出現(xiàn)中低風(fēng)險斷層。城市化水平較低、生態(tài)條件良好的地區(qū),風(fēng)險值根據(jù)價值水平呈現(xiàn)分散分布。
圖6 危險性風(fēng)險分布 圖7 脆弱性風(fēng)險分布Fig.6 Hazard judgment Fig.7 Vulnerability judgment
將危險性風(fēng)險與脆弱性風(fēng)險結(jié)果進(jìn)行疊加分析,并生成綜合風(fēng)險空間分布圖。整理1950至2000年歷史文獻(xiàn)中該地區(qū)暴雨洪澇災(zāi)害的相關(guān)信息[37],并隨機(jī)選取高風(fēng)險集中的晉江下游地區(qū)作為驗證節(jié)點,爬取2017年前后相關(guān)受災(zāi)數(shù)據(jù)位置信息,通過統(tǒng)計計算受災(zāi)點核密度分布情況,驗證風(fēng)險辨識結(jié)果可靠性,見圖8。結(jié)果顯示,歷史受災(zāi)區(qū)域與本研究高風(fēng)險判斷區(qū)域基本一致,綜合風(fēng)險高值集中在流域中下游和城市地區(qū),上游、山區(qū)和農(nóng)村等城市化水平低的地區(qū)風(fēng)險較低。
圖8 綜合風(fēng)險分布及驗證Fig.8 Comprehensive risk judgment of basin and validation
2.3.1 社會經(jīng)濟(jì)城市化水平與風(fēng)險空間分布相關(guān)性
提取綜合城市化水平和城市化潛力結(jié)果,并根據(jù)各區(qū)縣計算得分進(jìn)行象限分布,發(fā)現(xiàn)高風(fēng)險區(qū)在社會經(jīng)濟(jì)城市化水平上按照城市中心區(qū)-縣級市城區(qū)-縣城區(qū)三類級別規(guī)律分布,見圖9:
圖9 社會經(jīng)濟(jì)城市化水平與風(fēng)險關(guān)系分類Fig.9 Classification of the relationship between social-economic urbanization level and risk
第一類以廈門市集美區(qū)和泉州市鯉城區(qū)為代表,分布第一象限,城市化水平和城市化潛力均為高值,風(fēng)險原因是資源高度聚集,城市脆弱性較強(qiáng),對工程措施依賴;第二類以泉州市晉江市、石獅市為代表,分布第二象限,城市化水平高,但城市化潛力為低值,城市化水平提高以其潛力減弱為代價,社會經(jīng)濟(jì)資源聚集,脆弱性強(qiáng),適災(zāi)力弱;第三類以漳州市云霄縣、漳浦縣、詔安縣為代表,分布第三四象限,城市化水平和城市化潛力均為中低值,高風(fēng)險原因主要為極端氣候和孕災(zāi)環(huán)境高風(fēng)險性的作用,同時也存在空間資源使用粗放、基礎(chǔ)設(shè)施欠賬多的間接原因,導(dǎo)致適災(zāi)能力弱。
2.3.2 土地城市化水平與風(fēng)險空間分布相關(guān)性
對土地擴(kuò)張強(qiáng)度指數(shù)和風(fēng)險值進(jìn)行雙變量空間自相關(guān)分析,Moran’I為0.145,z得分為148.898,P值小于等于0.05,數(shù)據(jù)置信度較高,可見洪澇災(zāi)害風(fēng)險與土地擴(kuò)展指數(shù)存在顯著的聚類和空間正相關(guān)的可能性,見圖10。計算結(jié)果顯示,高高集聚區(qū)主要分布在晉江入??诩皬B門灣區(qū)、九龍江下游及南部沿海地區(qū),這些地區(qū)大多為城市建成區(qū)、區(qū)域戰(zhàn)略發(fā)展核心區(qū)。城市化質(zhì)量的提高有助于城市韌性的提升,從而減緩洪澇災(zāi)害風(fēng)險的發(fā)生,但計算結(jié)果顯示,閩三角高度城市化、快速城市化地區(qū)與高風(fēng)險地區(qū)具有一定重合性,在城市韌性防災(zāi)層面,該地區(qū)的城市擴(kuò)張強(qiáng)度與城市化的質(zhì)量并不匹配。
圖10 土地城市化水平與風(fēng)險空間自相關(guān)Fig.10 Spatial autocorrelation of land urbanization level and risk
2.3.3 風(fēng)險主控因子影響效應(yīng)分析
通過熵權(quán)法分別對7個高風(fēng)險地區(qū)20個風(fēng)險指標(biāo)進(jìn)行貢獻(xiàn)分析,見圖11、圖12。危險性指標(biāo)貢獻(xiàn)率差異較大,降雨強(qiáng)度、地理環(huán)境決定的淹沒范圍和河流緩沖的總貢獻(xiàn)率具有壓倒性強(qiáng)度,其次為地形與地表相關(guān)因素。極端降雨情況貢獻(xiàn)率較小,對比極端降雨強(qiáng)度統(tǒng)計結(jié)果可知,極端降雨的強(qiáng)度和頻率雖是閩三角流域洪澇災(zāi)害風(fēng)險的主要來源之一,但在閩三角流域覆蓋范圍廣泛,由此因素決定的風(fēng)險值差異較小。脆弱性指標(biāo)貢獻(xiàn)率差異相對較小,貢獻(xiàn)率較為突出的為生態(tài)服務(wù)價值,形成該結(jié)果的原因是高風(fēng)險點城市化水平均處于中高水平城鎮(zhèn)地區(qū),災(zāi)害帶來的風(fēng)險差異多由城市生態(tài)服務(wù)供給條件決定。
圖11 貢獻(xiàn)率計算結(jié)果 圖12 冗余度計算結(jié)果Fig.11 Calculation results of contribution rate Fig.12 Calculation results of redundancy
分別提取各高值點貢獻(xiàn)率大于80%的風(fēng)險要素,判斷局部高風(fēng)險點各項指標(biāo)的貢獻(xiàn)率。計算結(jié)果顯示,市級行政單元風(fēng)險熱點的主控因子貢獻(xiàn)率最高的為淹沒范圍,其次主要為脆弱性因子下的生產(chǎn)價值和生態(tài)服務(wù)價值,縣級行政單元在洪澇災(zāi)害風(fēng)險主控因子除了生產(chǎn)價值和生態(tài)服務(wù)價值外,人口和社會經(jīng)濟(jì)價值也具有突出貢獻(xiàn)。從熵權(quán)法的計算原理來看,變量貢獻(xiàn)率由其信息離散程度決定,貢獻(xiàn)率越高,說明該變量相對其他變量來說差異較小[38]。反觀計算結(jié)果,市級與縣級行政單元在災(zāi)害主控因子類型上存在相似性,即生態(tài)服務(wù)價值均為災(zāi)害高風(fēng)險形成的主控因子,說明在高風(fēng)險地區(qū)城市化進(jìn)程中,生態(tài)服務(wù)價值在空間上存在較大差異,生態(tài)景觀格局破碎、不均衡能夠加劇洪澇災(zāi)害風(fēng)險。
市、縣行政級別差異主要為人口和社會經(jīng)濟(jì)價值的貢獻(xiàn)。分別統(tǒng)計各區(qū)縣人口和GDP數(shù)據(jù),見圖13、圖14,市級行政單元的水平遠(yuǎn)高于縣級單元,說明縣級單元該兩項指標(biāo)貢獻(xiàn)率高,并不是因為人口及經(jīng)濟(jì)活動密集,而是由于人口和經(jīng)濟(jì)水平不均衡導(dǎo)致。借助GeoDa軟件,創(chuàng)建鄰接空間權(quán)重,分別建立以人口活動(以人口密度為代表)、社會經(jīng)濟(jì)活動(以GDP為代表)單一變量回歸模型和空間自回歸模型,以判斷人口和社會經(jīng)濟(jì)是否會加劇危險性風(fēng)險強(qiáng)度?;貧w模型根據(jù)參數(shù)向量的不同向量設(shè)置為0,可以形成普通線性回歸模型(OLR,β≠0,ρ=λ=0)、一階空間自回歸模型(FSAM,ρ≠0,β=λ=0)、空間滯后模型(SLM,β≠0,ρ≠0,λ=0)和空間誤差模型(SEM,β≠0,ρ=0,λ≠0,)4種模型[39-40],由于一階空間自回歸模型忽略了自變量對因變量的影響,因此僅考慮其它3種模型進(jìn)行計算對比。
圖13 高風(fēng)險點單位面積GDP統(tǒng)計 圖14 高風(fēng)險點常住人口密度統(tǒng)計Fig.13 GDP per unit area statistics at high risk points Fig.14 Population density statistics at high risk points
計算結(jié)果顯示,單一變量回歸模型的擬合度低于多元回歸模型,且社會經(jīng)濟(jì)與風(fēng)險的顯著性低于人口。這說明洪澇災(zāi)害的危險性強(qiáng)度受到人口密度和社會經(jīng)濟(jì)活動共同作用影響,且人口活動對災(zāi)害的影響更為顯著。模型計算結(jié)果如表4所示,OLS模型的R2為0.047,殘差的Moran’I高達(dá)0.761,具有強(qiáng)相關(guān)性, 說明人口經(jīng)濟(jì)和危險性的關(guān)系的解釋需要考慮到空間相關(guān)性。SLM和SEM模型計算結(jié)果較為接近,整體擬合效果SLM略優(yōu)于SEM,R2為0.782,明顯高于OLS,殘差的Moran’I接近0,在空間上已不再有明顯聚集性。結(jié)合SLM模型的特征,可以判斷單位面積內(nèi)危險性的風(fēng)險情況不僅與該單位的因變量(人口、經(jīng)濟(jì)條件)有關(guān),還受到鄰域因變量的影響。在SLM模型計算結(jié)果顯示,常住人口密度回歸系數(shù)為0.000 14,單位面積GDP為-0.000 02。常住人口密度可以反映區(qū)域人口聚集度,單位面積GDP反映區(qū)域經(jīng)濟(jì)活動活力,因此計算結(jié)果表明危險性風(fēng)險與人口聚集為正相關(guān),與社會經(jīng)濟(jì)活動活力存在負(fù)相關(guān),即人口密度越大,社會經(jīng)濟(jì)活動越弱,危險性風(fēng)險越高。
表4 多元空間自回歸模型計算結(jié)果Table 4 Calculation results of multivariate spatial autoregressive model
研究分別判斷了閩三角地區(qū)社會經(jīng)濟(jì)城市化和土地城市化的特征,并通過完善暴雨洪澇災(zāi)害風(fēng)險評價體系,構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型,有效辨識該流域綜合災(zāi)害風(fēng)險空間格局,在此基礎(chǔ)上,運用空間自相關(guān)模型、空間自回歸模型及熵權(quán)法,探討了城市化水平與災(zāi)害風(fēng)險空間分布規(guī)律及風(fēng)險主控因子影響效應(yīng)。結(jié)果顯示,閩三角流域暴雨洪澇災(zāi)害綜合高風(fēng)險區(qū)主要分布在河流沿岸、河口處和灣區(qū)附近;社會經(jīng)濟(jì)城市化水平方面,城市化水平較高地區(qū)由于資源積聚,因此脆弱性高,城市化水平較低地區(qū),危險性高,且因設(shè)施供應(yīng)不足導(dǎo)致適應(yīng)能力弱;城市化空間擴(kuò)張水平方面,洪澇災(zāi)害風(fēng)險與土地擴(kuò)展強(qiáng)度存在顯著的聚類和空間正相關(guān)的可能性,且快速城市化地區(qū)更容易受到洪澇災(zāi)害風(fēng)險的威脅。人口和社會經(jīng)濟(jì)水平會對洪澇災(zāi)害危險性產(chǎn)生影響,人口密度越大,災(zāi)害危險性越高,而社會經(jīng)濟(jì)活躍,則會間接形成完善的設(shè)施服務(wù),災(zāi)害危險性則越低。同時,生態(tài)服務(wù)供給是緩解洪澇災(zāi)害風(fēng)險的關(guān)鍵因素之一,生態(tài)格局完整更有利于緩解災(zāi)害風(fēng)險。
綜合來看,極端氣候事件和自然地理條件直接影響了閩三角地區(qū)洪澇災(zāi)害風(fēng)險,其城市化進(jìn)程對洪澇災(zāi)害風(fēng)險也存在間接影響,松散急速的土地使用決策和高強(qiáng)度的開發(fā)強(qiáng)度從不同程度加劇了洪澇災(zāi)害的危險性和脆弱性。城市化水平較高、空間擴(kuò)張強(qiáng)度較大的地區(qū),大多是以海港為脈絡(luò),呈環(huán)灣發(fā)展?fàn)顟B(tài),城市發(fā)展對港口依賴程度高,而這類區(qū)域發(fā)展?jié)摿εc災(zāi)害高風(fēng)險并存,因此對于此類區(qū)域,應(yīng)以平衡城市化發(fā)展和風(fēng)險矛盾為主,評估災(zāi)害治理與經(jīng)濟(jì)價值的投入成本,合理控制不同風(fēng)險等級城市空間的容納能力;對于城市化水平相對較低的區(qū)域,城市空間積聚資源強(qiáng)度與其發(fā)展質(zhì)量不成正比,不連貫的城市防洪減災(zāi)的工程措施和缺失的防洪管理干預(yù)不能滿足緩解災(zāi)害的需求,因此應(yīng)以防御為主,將風(fēng)險管理和流域綜合治理作為城市發(fā)展的有機(jī)組成部分和緩解災(zāi)害的關(guān)鍵工具。同時,城市活動與自然的相互作用,是城市系統(tǒng)的重要特征,不僅決定了城市系統(tǒng)的結(jié)構(gòu)和過程,也直接影響城市系統(tǒng)的穩(wěn)健性[41],因此城市化發(fā)展不能忽略生態(tài)服務(wù)價值對于減緩災(zāi)害的貢獻(xiàn),將城市生態(tài)系統(tǒng)格局、城市活動與自然的耦合性質(zhì)融入城市規(guī)劃研究過程中,盡可能地保證景觀格局的完整性,發(fā)揮區(qū)域生態(tài)系統(tǒng)功能效率,提升城市空間的適災(zāi)韌性。
由于研究對象為區(qū)域尺度,對災(zāi)害風(fēng)險指標(biāo)選取及處理尺度粒度較粗,在防洪工程設(shè)施方面,僅在水文模擬過程中考慮了部分區(qū)域大型水利工程設(shè)施,仍需要展開對于局部區(qū)域的風(fēng)險模擬,提高研究精度,并考慮小尺度具體水文水力過程和灰色基礎(chǔ)設(shè)施對災(zāi)害風(fēng)險的緩解效率,進(jìn)一步完善“區(qū)域尺度-城市尺度-街區(qū)尺度”的災(zāi)害風(fēng)險研究體系。