安徽省矿业城市生态安全动态评价及预测

阮 君，何 刚，王莹莹，赵杨秋

(安徽理工大学 经济管理学院，安徽 淮南 232001)

随着我国城镇化的快速推进，水土流失、资源短缺、空气污染等环境问题层出不穷。我国始终高度重视生态文明建设，2019年我国节能环保财政支出已高达7 443.6亿元[1]，然而我国生态环境现状仍不容乐观。较一般城市而言，矿业城市的生态环境更加脆弱，对其进行生态安全评价具有重要意义。

我国已有众多学者对矿业城市生态安全评价进行了研究。陈勇等[2]基于最小累计阻力模型研究了湖北省大冶市生态安全格局构建问题，认为区分不同性质源地是构建生态安全格局的基础；张丁轩等[3]结合GIS技术和CLUE-S模型对矿业城市2020年不同情景方案土地利用变化进行了模拟；王乃举等[4]利用集对分析—可变模糊集动态评价了铜陵市的生态安全，结果表明铜陵市生态安全一直处于较不安全、临界安全水平；武彦斌等[5]采用压力—状态—响应模型研究了安徽淮南的生态安全持续发展问题；王秀丽等[6]基于PSR-AHP模型定量评估了稀土矿区的生态安全状况，结果表明矿区生态整体呈稳定状态。目前，矿区生态安全格局构建[7-8]、生态风险[9-10]、生态功能区[11-12]等主题研究也逐渐成为热点。

综上所述，学者们主要采用模糊评价、层次分析、集对分析等方法进行矿区生态安全评价，但对评价过程中出现的随机性和模糊性问题关注较少。正态云模型能实现定性概念与定量数值之间的不确定性转换，可有效解决评价过程中的随机性和不确定性问题。因此，笔者基于压力—状态—响应(PSR)模型构建生态安全综合评价指标体系，引入正态云模型对安徽省9座矿业城市生态安全状况进行评价，并结合BP神经网络算法对未来发展趋势进行预测，以期为促进区域生态文明建设提供理论指导。

1 研究区概况

安徽省拥有9座矿业城市，分别为宿州、亳州、淮北、淮南、滁州、马鞍山、铜陵、池州及宣城。这 9座矿业城市的人口众多，自然资源丰富。然而，过度依赖能源的单一生产方式的弊端始终存在，已严重制约区域经济与生态环境的协调发展。

2 研究方法与模型

2.1 正态云模型

1995年中国工程院院士李德毅提出云模型，其是一种用语言值处理定性概念与定量描述之间发生不确定转换的模型[13]。云模型主要通过期望、熵和超熵3个数字特征将云的语言值定量表示，其中期望Ex为云的重心，熵En为云的厚度，超熵He为云的凝聚度，计算步骤如下[14-15]：

2)再生成以Ex为期望，E′2n为方差的正态随机数xi=norm(Ex,E′2n)。

3)计算

(1)

4)μ(xi)中的xi则成为数域中的一个云滴。

5)重复以上步骤，直至产生需要的n个云滴为止。

2.2 安徽省矿业城市生态安全评价步骤

1)构建安徽省矿业城市生态安全评价的因素域U={u1,u2,…，un}，建立评价域V={v1,v2,…，vm}。

2)利用熵权法确定各指标权重[16-17]，得到权重向量W={w1,w2,…，wn}。

(2)

(3)

Heij=k

(4)

借鉴叶达等[18]的研究成果，本研究将超熵值确定为0.01。

4)建立模糊隶属度矩阵U。利用式(1)计算出指标i对应等级j下的确定度uij，构建模糊隶属度矩阵U=(uij)n×m。

6)在此基础上，计算各系统及综合得分，计算公式如下：

(5)

式中z为等级对应分数。

3 计算与结果分析

3.1 生态安全综合评价指标体系构建

借鉴董会忠等[19-21]研究成果，基于压力—状态—响应(PSR)模型构建综合评价指标体系，结合研究区实际发展状况，将生态安全划分为5个等级：非常危险(Ⅰ级)、较危险(Ⅱ级)、警惕(Ⅲ级)、较安全(Ⅳ级)、非常安全(Ⅴ级)。生态安全综合评价指标体系如表1所示。

表1 生态安全综合评价指标体系

本文数据主要来源于2010—2018年《安徽省统计年鉴》、9座矿业城市统计年鉴及统计发展公报[22]。利用式(2)和式(3)计算确定各指标的正态云等级标准，如表2所示。

表2 生态安全指标正态云等级标准

根据表2，通过MATLAB软件生成各指标的正态云图。以人均GDP为例，得到人均GDP的正态云图如图1所示。

图1 人均GDP的正态云图

3.2 结果分析

3.2.1 横向年份分析

根据以上方法和步骤，以最大隶属度为原则，即选取某等级中最大得分为结果，得出2010—2018年安徽省9座矿业城市生态安全评价的最终得分和等级，如表3所示。

表3 2010—2018年安徽省9座矿业城市生态安全评价得分及等级

由表3可知，安徽省9座矿业城市整体生态安全状况改善明显，其变化主要分为2个阶段：第1阶段为2010—2016年，此时生态安全等级始终为Ⅲ级，生态安全评分从0.216 0波动上升到0.256 0；第2阶段为2016—2018年，此时生态安全等级虽已经提升至 Ⅳ级的较安全状态，但在2018年生态安全评分下滑到0.168 8。

利用ArcGIS软件对计算结果实现可视化，2010—2018年安徽省9座矿业城市生态安全状态等级分布如图2所示。

图2 2010—2018年安徽省9座矿业城市生态

安全状态等级分布

由图2可知，至2018年皖南地区生态安全状况已经普遍优于皖北地区，主要原因是皖北地区大部分为资源型城市，长期以来一直以依赖能源生产的单一方式发展，对环境影响较大。在皖北城市中，宿州、亳州的生态安全等级呈现轻微下滑状态，在2018年处于Ⅲ级警惕状态；淮北虽为典型煤炭城市，但近年来大力促进新兴产业发展，逐渐加大城市绿化措施，在2018年生态安全已达到Ⅳ级较安全状态；淮南虽始终处于Ⅱ级较危险状态，但是得分从0.165 6提升到0.272 3，多年来煤炭开采给环境带来的问题依然严峻。

皖南地区多为山区，自然资源丰富，以农业、旅游业发展为主，并积极进行环境保护，生态环境状况较好。其中宣城生态安全状态改善明显，从2010年的较危险提升到2018年较安全状态，主要得益于宣城人口密度小，工业化程度低，“三废”处理率、城市绿化率等指标稳步上升；马鞍山生态安全等级先从Ⅳ级下降到Ⅱ级，经治理后又回到Ⅳ级水平，城镇化的不断推进使得区域资源消耗逐渐增大，致使其生态安全得分在2018年下滑到0.174 7；铜陵、池州生态安全等级均为Ⅲ级的警惕状态，处于较低水平。

3.2.2 纵向指标分析

运用相同的模型和方法，以最大隶属度为原则，得出2010年和2018年安徽省9座矿业城市各准则层的评价结果，如表4 所示。

表4 2010、2018年安徽省9座矿业城市各准则层评价结果

由表4可知，2010、2018年安徽省9座矿业城市整体的压力子系统上升明显，从Ⅱ级较危险状态提升为Ⅲ级警惕状态，但生态安全得分只有 0.074 2。从各城市发展来看，2018年亳州、滁州的压力子系统已达到Ⅳ级水平，淮北和池州的压力子系统等级出现轻微下滑，其余城市始终处于较低水平。

2010、2018年安徽省9座矿业城市整体的状态子系统一直为Ⅲ级警惕状态，生态安全得分从0.112 3下降为0.048 9。2018年各城市间状态子系统水平差异较小，除淮北、淮南状态子系统为Ⅱ级水平外，其余城市状态子系统均保持在Ⅲ级水平。

2010、2018年安徽省9座矿业城市整体的响应子系统发展显著，不仅生态安全等级保持在Ⅳ级，生态安全得分也从0.096 8上升到0.150 8。2018年各城市响应子系统发展速度加快但存在差异，宿州、淮北、滁州、马鞍山、铜陵、池州和宣城的响应子系统均达到Ⅳ级及以上水平，但是亳州、淮南的响应子系统状态出现下滑，制约了整体区域的发展。

根据式(5)计算得出2010、2018年安徽省9座矿业城市各准则层及生态安全综合得分，如表5 所示。

表5 2010、2018年安徽省9座矿业城市各准则层及生态安全综合得分

基于BP神经网络算法，对未来生态安全发展进行预测。以2010—2018年整体数据为基础，利用前3年各准则层及综合系统得分作为输入层预测第4年综合得分，将预测值作为下一次的输入值，则确定输入层神经元个数为3，输出层神经元个数为1，根据Kolmogorov定理[23]确定隐含层神经元个数，计算公式如下：

隐含层神经元个数=2×输入层神经元个数+1

(6)

由式(6)计算得到隐含层神经元个数为7。根据算法结果,计算本次模拟预测的平均相对误差和平均绝对误差，结果见表6。

表6 误差计算结果

由表6可知，误差皆在允许范围内，表明预测结果具有合理性。

安徽省9座矿业城市整体预测结果如图3所示。

图3 安徽省9座矿业城市整体预测结果

由图3可知，在2019—2025年间，安徽省9座矿业城市生态安全状态整体呈上升趋势，其中压力和状态子系统变化幅度较小，且仍处于较低水平，状态子系统更加稳定；响应子系统在2018年之后逐步稳定并略微上升，综合指数总体呈上升趋势。因此在未来发展中，安徽省矿业城市需要更加关注压力、状态子系统建设，以实现区域生态环境的整体发展。

4 结论

1)将正态云模型引入到区域生态安全评价中，一定程度上避免了评价过程中的随机性和模糊性问题，提升了评价结果的科学性。

2)安徽省9座矿业城市生态安全状态整体提升明显，从Ⅲ级警惕水平稳定上升到Ⅳ级较安全水平；各矿业城市发展差异明显，其中淮南水平较低，淮北、马鞍山、滁州及宣城处于较高水平，其余居中。

3)根据预测结果，2019—2025年7年中安徽省9座矿业城市生态安全整体呈上升趋势，压力、状态子系统上升幅度较小，仍处于较低水平，响应子系统稳中有升。