基于AHP-BN的四川省新型城镇化水平研究

蒲英霞，邓冬梅，赵心怡

(1．南京大学 地理与海洋科学学院，江苏 南京 210023；2．南京大学 江苏省地理信息技术重点实验室，江苏 南京 210023；3．江苏省地理信息资源开发与利用协同创新中心，江苏 南京 210023；4．绵阳市游仙经济试验区管委会，四川 绵阳 621000)

新型城镇化由过去片面追求城市规模扩张，转变为更加注重城市质量发展，要求城市发展速度与质量相统一，核心在于城乡一体化和公共服务均等化．新型城镇化是新型工业化、信息化和农业现代化发展的基石，对现代化发展起着至关重要的作用．当前，新型城镇化研究多侧重于定性分析，包括内涵界定、动力机制、发展模式和优化路径等[1]．在评价指标体系构建方面，由于指标的多样性和选取过程中的不确定性，研究人员分别提出了各自不同的观点[2-4]．新型城镇化定量研究侧重于新型城镇化水平的测度[5-7]．层次分析法(Analytic hierarchy process，AHP)是最为常用的一种方法，然而，该方法也存在一定的局限性，如各个指标的权重主要根据专家意见给出，当专家意见不统一时难以确定权重值，不能有效集中各个专家的意见．

贝叶斯网络(Bayesian network，BN)是从不确定性的角度，将概率论和图论有机结合，对一些著名的问题进行建模，包括遗传连锁分析、计算机视觉、文档和文本分析、决策支持系统和灵敏度分析等[8-13]．将层次分析与贝叶斯网络相结合的AHP-BN方法，不仅充分考虑要素权重与要素发生概率，而且能有效集结不同领域专家的知识和经验，正好弥补单一的层次分析法所面临的问题，在决策支持系统、灾害预警分析与评价等方面具有重要的价值[14-16]．文中尝试运用AHP-BN法对区域新型城镇化水平进行综合研究，若分析结果合理，则可为新型城镇化的定量分析提供一种新的思路．

近年来，西部大开发战略越来越受到中央和地方政府的重视，如何将西部大开发与新型城镇化、“一带一路”倡议与区域开发开放结合起来，成为亟待解决的问题．四川省作为我国西部大省，在西部大开发战略中占据着极为重要的位置．四川省自然资源丰富，生态区位优势独特，科技教育资源优良，逐渐形成了“一群、四核、五带”的城镇空间布局，对推进新型城镇化进程提供了强大的政策引导和规划指导[4]．然而，四川省各地区发展不平衡，各市州发展差异较大，如何从区域自身特点出发，合理、有序推进新型城镇化进程，是未来四川省新型城镇化建设面临的关键问题．文中采用AHP-BN法，集成多个专家意见测度当前四川省新型城镇化发展水平，以期对四川省加快推进新型城镇化战略提供一定的决策参考．

1 研究区、指标选取与数据来源

1.1 研究区概况

四川，简称“川”或“蜀”，位于中国西南腹地，介于东经97°21′～108°33′，北纬26°03′～34°19′之间，地处长江上游，省会成都．与7个省(自治区、直辖市)接壤，北连陕西、甘肃、青海，南接云南、贵州，东邻重庆，西衔西藏．辖区面积48.6 万km2，居全国第5位．现辖1个副省级市(成都)、17个地级市(德阳、绵阳等)、3个自治州(甘孜、阿坝及凉山)．截至2015年底，户籍人口9 132.6万人，常住人口8 204万人．东西长1 075 km，南北宽921 km．

1.2 新型城镇化水平评价指标选择

文中在深刻理解新型城镇化内涵的基础上，综合《国家新型城镇化规划(2014—2020)》及指标选择原则——综合性、科学性、可获得性及可比性，构建了新型城镇化水平评价指标体系，其中，选取经济发展、人口城镇化、基础设施、生态环境、城乡统筹与创新研发等6个一级指标，人均GDP、非农人口比等21个二级指标(表1)．

1.3 数据来源

新型城镇化水平评价指标体系中涉及到的经济、社会、环境等统计数据主要来自2011年和2015年《中国城市统计年鉴》、《中国统计年鉴》、《四川统计年鉴》、《四川经济年鉴》等资料．

2 研究方法

2.1 层次分析法(AHP)

表1 新型城镇化水平评价指标体系

层次分析法是一种定性与定量相结合的多准则决策方法， 该方法可以将决策者对复杂系统的决策思维模型化、数量化．决策者在建模过程中需要将问题分为若干层次和若干因素，对不同的因素加以比较，最后得出不同方案的权重，从而决定最终方案．AHP包括5个步骤：① 建立层次结构模型；② 构造判断矩阵；③ 层次单排序；④ 矩阵一致性检验；⑤ 层次总排序[8]．

2.2 贝叶斯网络(BN)

贝叶斯网络又称信度网络，是Bayes方法的扩展，由Pearl于1985年正式提出[8]．贝叶斯网络由有向无环图(Directed acyclic graph，DAG)及条件概率表构成(图1)．具体地，该图由父(Parents)节点S和子(Children)节点E构成，2节点间产生一个条件概率值P(E|S)．简言之，就是把某个研究系统中涉及的随机变量，根据条件是否独立绘制在一个有向图中，就形成了贝叶斯网络[15]．贝叶斯网络模型的构建过程如下．

1)构建贝叶斯网络模型．贝叶斯网络模型由一个父节点变量(或指标)和一系列子节点变量(专家)以及变量间的有向边构成，子节点数量即为评估专家总数(记为m)．该模型中每个变量的状态有限且互斥，概率P(Si)表示在指标Si的影响下，新型城镇化水平落入高(H)或低(L)水平的概率；P(Ei j|Si)是针对某个指标Si，专家j认为其落入某一评价准则的概率．贝叶斯网络模型包括网络拓扑结构、指标Si的边缘概率P(Si)和条件概率P(Ei j|Si)(图2)[15]．

图1 贝叶斯网络有向无环图

Fig 1 Directed acyclic graph of Bayesian network

图2 变量Si的贝叶斯网络模型

2)确定各指标的评价准则．由于P(Ei j|Si)不能直接得出，而P(Si|Ei j)更容易计算，因此针对某一指标，可先由各专家给出具体评价准则以及每一评价准则下某地区新型城镇化水平高或低的程度，由条件概率P(Si|Ei j)表示,其中，评价准则有多种状态[16]．例如，针对人均GDP指标S1，可给出3个状态：高(H)、中(M)、低(L)．若专家1认为人均GDP为高时可确定其新型城镇化水平为高的概率为P(S1=H|E11)=0.7；人均GDP为中时其新型城镇化水平为高的概率为P(S1=M|E21)=0.4；人均GDP为低时其新型城镇化水平为高的概率为P(S1=L|E31)=0.3．表2以经济发展指标为例，给出了不同专家的评价准则．

3)建立BN模型各节点的概率分布表．在BN模型中，对于P(Si)，可初始化P(Si=H)=P(Si=L)=1/2，因为初始值对最后结果并没有太大影响．由步骤2)得到P(Si|Eij)，再根据贝叶斯定理计算P(Eij|Si)．

对于每一个i和j，由贝叶斯定理有[14]7

这样，利用(1)式，可由P(Eij)和P(Si|Eij)计算出P(Eij|Si)．同时，可根据P(Eij)和P(Si|Eij)计算P(Si)[14]7：

表2 不同专家对经济发展指标的评价准则

4)更新新型城镇化水平为高时的概率P(Si=H)．现在，将逐步利用各专家给出的各个指标上的数据，对每一地区的P(Si=H)进行更新，直到所有的证据都被利用．例如，对于第i个指标Si而言，专家1认为该数值将落入e1，也就是说，P*(Ei1)=(1,0,0,…)，所以[14]7

专家2认为Si将落入e2，所以P*(Ei2)=(0,1,0,…)，因此可以根据贝叶斯公式更新P*(Si=H)[14]8：

其中，P(Ei2=e2|Si=H)及P(Ei2=e2|Si=L)已由贝叶斯公式计算得出．因此，对于指标Si，可计算P*(Si=H|Ei2=e2)[14]8：

随着越来越多专家知识与经验的加入，将得到更为合理的P(Si=H)，即当评价指标Si落入某一准则时，该地区新型城镇化水平为高的概率值P(Si=H)．

2.3 AHP-BN法

利用层次分析法得到的不同指标的权重Wi，以及经过逐步更新获得的每个指标所对应的新型城镇化水平为高时的概率值P(Si=H)，通过(7)式，可以将新型城镇化水平评价指标体系中的所有指标综合在一起，计算出某个地区的新型城镇化水平[14]9：

3 结果与分析

3.1 2014年各市州新型城镇化水平

对于新型城镇化水平评价指标体系中的各个指标(S1～S21)，分别通过层次分析法(AHP)得到相应指标的权重Wi(表3)，可以看出经济发展指标在新型城镇化水平测度中所占的比重最大，达到40%．文中根据3个专家的意见，得到了2014年成都市各个指标的P(Si=H)值(表3)，其他各市州的BN计算结果此处忽略．参与评价的专家越多，得到的结果越准确．P(Si=H)值越小，说明在促进该地区新型城镇化水平的所有指标体系中，该指标的作用较小．这从一个侧面反映了该地区在今后城镇化发展进程中需要进一步改善此类指标，为提高当地的新型城镇化水平做出贡献．

表3 2014年成都市各指标的AHP-BN结果

利用层次分析法所得的指标权重Wi和经过逐步更新得到的P***(Si=H)，并通过(7)式计算出2014年四川省各市州新型城镇化水平(表4)．

从表4中可以看出，2014年四川省各市州新型城镇化水平普遍较低．其中，成都市和攀枝花市的AHP-BN值超过0.5，表明在当前经济社会发展条件下，这两个城市的新型城镇化水平为高的概率大于50%．其余市州的AHP-BN值基本在0.23～0.39，约占全省市州数量的86%．毗邻成都的德阳市，有望在未来城镇化进程中迈入较高发展阶段．

表4 2014年四川省各市州新型城镇化水平

3.2 新型城镇化水平的空间格局分析

采用ArcGIS默认的自然断点(Natural breaks)分类原则，将表4中的AHP-BN值由高到低划分为5类，得到2014年四川省地级市新型城镇化水平分级图(图3)．该方法利用统计学知识，首先计算各种分类下每一类的方差，然后将各类方差相加，得到方差和最小的分类即为最终分类结果．其优点是“物以类聚”，类别之间差异明显，而类内部的差异很小．

图3 2014年四川省地级市新型城镇化水平分级

由图3可以看出，四川省新型城镇化水平空间差异较大，大体可分为如下5个层次．

一类城市(新型城镇化水平最高)．成都市新型城镇化水平接近0.7，明显高于四川省其他市州，在发展结构上呈“一城独大”的态势．根据BN模型结果(表3)，可以看出成都市第三产业从业人数比(S7)、人均绿地面积(S11)、工业SO2排放量(S16)、城乡居民人均消费比(S19)等指标的P(Si=H)值较小，表明在当前评价指标体系下这些指标是成都市新型城镇化水平的主要制约因素．第三产业从业人数比的P(Si=H)值较小，反映了成都市在今后发展中可以着重调整产业结构，增加第三产业就业；人均绿地面积则表明应注重加强绿色基础设施建设；工业SO2排放从侧面反映出成都市在发展经济的同时需要加强环境保护，促进可持续发展；而人均消费比则反映了城乡统筹问题，城乡发展不协调问题突出．这与我国当前所处的快速城镇化发展阶段相吻合，不可避免导致诸多弊病，包括城乡差距、生态环境和社会公平、公正等问题．

二类城市(新型城镇化水平较高)．位于川渝城市群的德阳市、绵阳市以及钢铁城市攀枝花市，新型城镇化水平在0.38～0.52．攀枝花市原名“渡口市”，是“攀钢”所在地，矿产资源丰富．作为工业城市，该市经济发展水平较高，但从BN分析结果来看，工业SO2排放量及工业固体废弃物综合利用率(S15)的P(Si=H)的值较小，说明在发展工业的同时并未很好地兼顾环境保护，普通高校在校学生数(S20)、科研人员数(S21)概率值仍然较小，创新与科研能力仍有待提升．德阳市、绵阳市位于成绵德经济区，经济发展水平相对较高．其中，德阳市经济发展相关指标的P(Si=H)与成都市相差较大，经济发展潜力并未得到完全释放；高校在校学生人数和科研人员数的P(Si=H)值仍然较小，说明创新与研发能力仍有待提高．绵阳市是党中央、国务院批准的我国唯一的科技城，创新能力较强，高校在校学生人数和科研人员数的值都较高．但从BN结果来看，经济实力仍有待提高，城乡居民人均消费比的概率值较小，说明也存在城乡发展不协调问题．

三类城市(新型城镇化发展水平中等)．成绵德城市群周边地区，主要包括雅安、眉山、乐山、自贡、泸州、南充等市，新型城镇化水平在0.31～0.37．其共同特点是经济发展指标(S1,S2,S3,S4)的P(Si=H)值都较低，经济发展水平和人口城镇化水平普遍不高，创新与研发能力不足，但基础设施建设较到位，生态环境保护较好．

四类城市(新型城镇化发展水平较低)．包括资阳、内江、遂宁、广安等市，新型城镇化水平在0.28～0.30．由于位于四川省周边，受成渝城市群经济辐射作用不明显，各个指标的发展都不够突出．因此，应加大对人才的吸引，调整产业结构并加强在基础设施建设等方面的投资力度．

五类城市(新型城镇化发展水平最低)．包括宜宾、广元、巴中、达州市及3州(阿坝、凉山及甘孜自治州)，新型城镇化水平在0.23～0.27．宜宾市除涉及基础设施建设的用水普及率(S9)、燃气普及率及建成区绿化覆盖率的概率值较高之外，其余指标都很低；广元、巴中和达州3市相邻，新型城镇化水平也较为相似，除基础设施建设和生态环境两方面较好外，其余发展有待提高．3州地区大部分是山地和高原区，人口较少，集聚效应不高，自然环境条件相对较差，基础设施建设落后．

3.3 2010—2014年新型城镇化发展对比

为了考察“新型城镇化”战略实施后的影响，利用2010年四川省各市州经济、社会和环境等相关统计数据，计算了新型城镇化水平(表5)．

表5 2010年四川省各市州新型城镇化水平

与表4相比，实施“新型城镇化”战略之后，四川省各市州新型城镇化水平均有不同程度的提高．其中，成都和德阳的提升幅度在10%以上，自贡、泸州和雅安为9%，内江、资阳、绵阳为8%，表明这些城市的新型城镇化发展势头良好．值得关注的是，宜宾市和甘孜州在这几年间停滞不前，需要从源头上发现问题并加以解决．

3.4 讨论

为了验证AHP-BN法的可行性，利用单一的层次分析法计算2014年四川省各市州的新型城镇化水平(表6)．

为了更直观地比较AHP-BN法与单一的AHP法在新型城镇化水平计算结果方面的差异，将表6中结果在ArcGIS中进行可视化处理(图4)．

表6 2014年四川省各市州新型城镇化水平

图4 基于AHP的2014年四川省新型城镇化水平分级

从表6和图4中可以看出，AHP分析结果出现了极大值和极小值相差较悬殊的情形，而在AHP-BN计算结果中并没有出现这种极端情况．例如，单纯利用AHP法得到的2014年成都市新型城镇化水平评价结果为0.94，甘孜州的结果仅为0.09，这显然是不合理的．其余各市州通过这两种方法得到的计算结果相差较小，说明AHP-BN法是可行的．而AHP-BN所表现出的更为均衡的计算结果，意味着该方法更为科学．此外，和单一的AHP法相比，AHP-BN能明显看出各市州的哪些指标对其新型城镇化水平影响较小，从而为该地区新型城镇化发展提出具体的对策和建议，因此采用AHP-BN法更具优势．

4 结论

新型城镇化是新时期我国全面建设小康社会的核心策略，对新型城镇化水平的综合评价关系到区域城镇化进程的可持续发展．文中选取经济发展、人口城镇化、基础设施、资源环境、城乡统筹、创新与研发等6个一级指标，人均GDP、人口密度等21个二级指标构建新型城镇化水平评价指标体系，并采用AHP-BN法对2014年四川省21个市州的新型城镇化水平进行了测度，并与单一的AHP分析结果做了对比．为了进一步考察“新型城镇化”战略实施的效果，也计算了2010年四川省新型城镇化水平．初步得到如下结论：

1)四川省各市州新型城镇化水平空间分异较大．成都市在空间上呈“一城独大”的态势，新型城镇化水平远远高于四川省第二大城市绵阳市．3州地区因基本位于山地和高原区，自然条件恶劣，经济发展内源动力不足，资金投入有限，新型城镇化水平较低．在影响新型城镇化水平是高还是低的各个指标中，经济发展指标影响最大，人口城镇化对新型城镇化水平的影响位列第二；

2)实施“新型城镇化”战略后，四川省各市州新型城镇化水平明显提高，但空间格局变化不明显．其中，成都、攀枝花、德阳、绵阳等市的新型城镇化水平增长最快，变化明显，而宜宾市、甘孜州水平最低，年际变化也不明显；

3)在新型城镇化水平评价过程中，融合了多个专家知识与经验的AHP-BN法更为科学、合理．单一的AHP法分析结果出现了异常的极大值和极小值，存在明显的不合理之处．此外，该方法需要预先将指标数据进行归一化处理，当专家意见不统一时，难以得到结果．而AHP-BN法不存在上述缺点，且能直观得出具体指标的发展状况，能针对新型城镇化发展的具体方面提出更为明确的建议．

文中以四川省为例，对AHP-BN法在新型城镇化水平测度与评价方面的适用性进行了有益的探索，这将对其他地区新型城镇化水平的研究具有一定的参考价值．然而，文中仍存在以下不足，将在今后的研究工作中加以改进.① 新型城镇化水平评价指标体系有待进一步完善．由于历史问题及制度原因，中国属于城乡“二元”对立格局，如何解决农村人口的教育、就业、医疗、养老保障是新型城镇化进程中必须面对的问题，有必要在评价体系中增加“登记失业率”“医保覆盖率”等指标；② 在利用贝叶斯网络模型计算新型城镇化水平为高的概率时，文中只涉及3个专家，有待增加不同领域的专家参与评价，不断提高评价方法的科学性．

[1] 单卓然，黄亚平．“新型城镇化”概念内涵、目标内容、规划策略及认知误区解析[J].城市规划学刊，2013(2)：16.

[2] 卫言．四川省新型城镇化水平及指标体系构建研究[D].成都：四川师范大学，2011.

[3] 师满江，颉耀文，卫娇娇，等．基于遥感和GIS的农村城镇化进程分析及模式探索[J].农业工程学报，2015，31(5)：292.

[4] 袁春霞，杨莉芸．新型城镇化背景下四川城镇化发展路径选择[J].成都行政学院学报，2016(9)：47.

[5] 余海清，陈阿林，董国仓，等．基于层次分析法和GIS的城镇化水平分析——以重庆市“1小时经济圈”为例[J].安徽农业科学，2010，38(10)：5359.

[6] 陈红娟，孙桂平，石晓丽．基于GIS的京津冀地区新型城镇化水平时空格局演化[J].生态经济，2016，32(8)：73.

[7] 颜毓洁，谢娇娇．基于层次分析法的新型城镇化评价指标体系研究[J].西部财会，2016(1)：71.

[8] VAN DER GAAG L C．Bayesian belief networks：odds and ends[J].TheComputerJournal，1996，39(2)：97.

[9] 苏从勇．人脸感知：基于学习的人脸跟踪与合成[D].杭州：浙江大学，2005.

[10] 汤在祥，王学枫，吴雯雯，等．基于贝叶斯统计的遗传连锁分析方法[J].遗传，2006，28(9)：1117.

[11] 刘丽珍，陈蕾，张茂红．基于贝叶斯网络的大型城市社区消防安全评估模型[J].计算机应用研究，2011，28(01)：182.

[12] 胡春玲．贝叶斯网络结构学习及其应用研究[D].合肥：合肥工业大学，2011.

[13] 尹晓伟．基于贝叶斯网络的元件重要度和灵敏度分析[J].沈阳工程学院学报(自然科学版)，2012，8(3)：262.

[14] HA J S，SEONG P H．A method for risk-informed safety significance categorization using the analytic hierarchy process and Bayesian belief networks[J].ReliabilityEngineeringandSystemSafety，2004，83(1)：1.

[15] 矫健，刘煜，郑恒．基于AHP-BN的网络信息资源综合评价研究[J].现代图书情报技术，2007(9)：66.

[16] 李维乾，解建仓，李建勋，等．基于AHP-BN的陕西经济可持续发展水资源保障研究[J].水力发电学报，2012，31(5)：6.