京津冀地区生态足迹变化趋势研究——基于BP神经网络的视角

贾 旭 白 云

(武汉大学 质量发展战略研究院， 湖北 武汉 430072)

京津冀地区生态足迹变化趋势研究
——基于BP神经网络的视角

贾 旭 白 云

(武汉大学 质量发展战略研究院， 湖北 武汉 430072)

京津冀地区生态环境发展是京津冀区域发展的重要保证，《京津冀协同发展规划纲要》明确提出把生态环境保护作为京津冀发展的突破口，因此需要对京津冀区域的生态环境状况进行定量分析。本文运用BP神经网络预测方法，对京津冀1999-2013年的生态足迹变化趋势进行测定，并对2014年的数据进行预测,发现京津冀地区的生态足迹增长速度呈现先降后升的趋势,在此基础上提出京津冀协同发展的对策和建议。

京津冀； 生态足迹； BP神经网络

京津冀区域经济的快速增长，也带来对区域生态环境的考验，生态环境的保护是经济增长的基础。在《京津冀协同发展规划纲要》中，明确提出了把生态环境保护作为京津冀发展的突破口。关于对生态足迹的研究，国外研究相对较早，生态足迹分析方法的提出最早是在在20世纪90年代初，由加拿大规划与资源生态学教授Willian E.Rees提出，1996年魏克内格教授Wackernagel等学者对模型进行了进一步完善。Wackernagel(1997)应用生态足迹模型，通过计算全球52个国家的人均生态足迹的阈值，得出当时全球平均人均生态足迹为2.8hm2，35个国家和地区存在生态赤字的结论，从而为生态环境的判定提供了量化的标准。需要指出的是，根据Wackernagel等计算，中国1997年的人均生态足迹为1.12hm2。

国内关于生态足迹的研究主要在2000年以后，近些年以各地生态环境为样本的研究成果较多，李纯[1](2013)采用综合计算法对河北省2007年生态足迹值进行计算并与之前数据进行比较分析，认为河北省可持续发展水平较低且经济发展与资源状况不匹配；李一琼等[2](2016)利用空间自相关方法，对广西全区县域及影响因子的空间差异进行了分析，认为生态足迹和生态承载力具有空间差异，部分地区有聚集现象；朱新玲等[3](2015)对湖北省人均生态足迹进行拟合和预测，得出未来几年湖北省人均生态足迹呈逐年上升趋势且增长速度先升后降的结论。本文运用BP神经网络的分析方法对京津冀地区生态足迹变化进行分析，从而为决策提供依据。

一、京津冀地区生态环境概况

京津冀地区是我国北方最大和发展程度最高的经济核心区，2014年地区生产总值约为6.65万亿元，人均GDP接近6万元。但这一地区目前生态环境形势严峻，水资源和环境容量极为稀缺，大气污染长期处于较高水平，草场退化面积、土地荒漠化面积、森林退化面积比较严重，已经对区域经济和社会发展产生了不同程度的制约作用。

(一)京津冀城市生态足迹影响因素分析

生态足迹的计算公式如下：

EF=N[ef=∑(aai)=∑(Ci/pi)]

其中，i为交换商品和投入的类型；pi为i种交易商品的平均生产能力；Ci为i种商品的人均消费量；aai为人均i种交易商品折算的生产土地面积；N为人口数；ef为人均生产足迹；EF为总的生产足迹。

用于计算生态足迹的指标主要包括区域内每年消耗的农产品、林产品、畜产品、水产品、建筑设施、能源等6个方面，这6个方面的数据一般可以从统计年鉴中得到。

计算各类人均生态足迹的总和：

ef=∑ri×Ai

式中ef为人均生态足迹总和，ri为均衡因子。均衡因子用来将6类生态生产性土地面积转换为可以直接比较和加总的、具有某种相同生态生产力的等量面积。现采用的均衡因子多取自Wackemagel等所作的1997年世界各国生态足迹的报告：耕地2.8，林地1.1，草地0.5，水域0.2，建筑用地2.8，化石能源地1.1。

(二)京津冀地区生态足迹

本文以京津冀地区为研究对象，运用生态足迹模型，主要从国家统计局网站中获取相关数据，另外还参考了《北京市统计年鉴》《天津市统计年鉴》《河北经济年鉴》等与京津冀生态足迹相关的数据资料，从而计算出京津冀的生态足迹。采用生态足迹方法对京津冀地区1999年—2014年生态足迹进行了计算，其中部分地区部分年份的数据有缺失，进而利用插值法以及灰度预测法对数据进行了填充，经计算得出京津冀1999-2014历年生态足迹值(见表1)。

表1 京津冀1999-2014历年生态足迹

二、京津冀地区生态足迹预测

(一)人工神经网络模型的构建

神经网络的基本原理就是利用人工神经元的学习和记忆功能，先让神经元学习各个数据的大量样本，从而记住数据中的样本特征，然后再根据新的样本，预测最终的生态足迹值。

基于BP算法的多层前馈型网络的结构如图1所示。这种网络具有输入层节点、输出层节点和一层或多层隐含节点。对于输入信息，要向前传播到隐含层的节点上，经过各单元的特性激活函数运算后，把隐含节点的输出信息出驳到输出节点，最后输出结果。当误差达到人们所希望的要求时， 就结束网络的学习过程。

图1 BP神经网络结构图

表2 京津冀1999-2014生态足迹与相关社会经济统计指标

建立神经模型的过程中，首先将1999-2014年的前六个变量读入到程序当中，并进行归一化处理。其中归一化处理是为了防止数据间的单位或者数值不统一从而导致结果误差增大，所以利用函数将前六个因素的值映射到[-1,1]之间，消除数据的差异化，并将这6个数据作为输入层。再将生态足迹的值也读入到程序中，作为输出层的值。

利用Matlab建立前馈神经网络，分别利用对数S形转移函数logsig函数和线性函数purelin函数对隐含层和输出层神经元激活，并利用梯度下降BP训练函数traingd函数对神经元进行训练。设定训练参数，对神经网络训练的目标误差为0.001，学习率设置为0.01，最大迭代次数为50000次。

(二)神经网络预测和评价

神经网络训练完毕后，将2014年的人口数量、人均GDP、工业总产值、农业总产值、耕地面积以及全社会固定资产投资读入到数据中进行预测，并将2014年的生态足迹值读入程序中与预测值进行对比。结果显示，预测值(3.8140)与实际值(3.7813)的实际误差仅为0.86%。从预测结果的效果来看，利用BP神经网络通过对社会经济因素来预测当年的生态足迹值来说，具有相当高的精度。同时也表明了利用这种方法对生态足迹的预测是有效的。

本文通过对社会经济因素建立了6输入、1输出、11隐含层的三层BP神经网络模型，利用神经网络自身能够反映的全局非线性映射关系，从而对生态足迹值进行预测，在一定程度上反映出了社会经济因素与生态足迹之间存在着复杂的映射关系。根据模型的结果来看，0.69%的误差率也反映了神经网络在预测京津冀的生态足迹方面拟合程度高，利用该网络模型进行预测，效果会较好。

三、数据分析及政策建议

(一)数据分析

通过对表1分析后发现，京津冀地区的耕地、草地、化石能源地的总值占到了总的生态足迹值的90%以上，证明在粮食、蔬菜、肉禽类以及化石能源的使用上占到了日常消费的绝大多数。尤其是对于化石能源的依靠，占到了总数的50%左右，并且呈现出了连年增长的趋势，尤其在刚开始阶段增长迅速，后来也许由于国家的政策以及政府的干涉使得增长趋势下降，但在今年增长趋势又开始增加。相较于这三点，京津冀地区在林地、水域以及建筑用地上的消费要小的多。

对于总体的生态足迹值来讲，近些年呈现出了先迅速增长后减慢又迅速的趋势，这对于我们的政府提出了考验，应尽快制定相应的政策及战略从而控制近年来生态足迹增长速度，进而降低生态足迹的值，达到京津冀协同发展，实现三地的可持续发展战略。

(二)政策建议

通过对京津冀地区生态足迹数据分析发现，随着京津冀地区经济的快速增长，其人均生态足迹值也在呈连年增长的趋势，这表明当前京津冀地区的经济增长模式还是在用土地换发展的过程中，通过依赖土地以及能源的消耗来获得经济的快速增长。尤其是化石能源的消耗，占到了总体的一半左右，这要求我们的政府应该尽快转变经济发展方式，以新兴的环保能源来代替传统的污染能源，从而降低因化石能源所导致的环境污染问题。另外，还可以提高能源的利用率，从而降低能源的使用，进而减少浪费消耗。对于相对较高的草地以及耕地情况，就需要京津冀地区的居民转化自己的消费方式。政府可以出台相应的政策及文件，鼓励三地的居民减少浪费资源、破坏环境的行为。通过政府和居民共同努力，使得京津冀的发展不仅仅是在经济上的发展，也是在生态环境方面的发展。

[1] 李纯.基于生态足迹模型的河北省可持续发展研究[D].石家庄： 河北师范大学,2013.

[2] 李一琼,刘艳芳,唐旭.广西生态足迹及影响因子的空间差异分析[J/OL].http://www.cnki.net/kcms/detail/11.4415.p.20160517.1321.024.html.

[3] 朱新玲，黎鹏.基于BP神经网络的湖北省生态足迹拟合与预测研究[J].武汉科技大学学报：社会科学版，2015(2):77-80.

编辑：刘小明

2016-07-04

贾 旭(1993—)，男，武汉大学质量发展战略研究院硕士研究生。研究方向：数据挖掘、产业经济。 白 云(1994—)，女，武汉大学质量发展战略研究院硕士研究生。研究方向：产业经济。