再生水回用行为引导政策作用效果仿真

2021-06-02 13:25丁超付汉良何玉麒王振华吴思美王萌萌
中国人口·资源与环境 2021年3期
关键词:BP神经网络

丁超 付汉良 何玉麒 王振华 吴思美 王萌萌

摘要:再生水回用对于增加水资源供给、缓解水环境污染具有重要意义,然而公众对于再生水回用的排斥却制约着再生水回用的推广。针对这一问题,本研究将再生水回用行为引导政策作为研究对象。选取衡量个体与群体之间相互影响关系的关联型自我构建指标,作为不同个体交互规则的设计依据。在此基础上,通过构建Agent-basedModel(ABM)模型对不同政策的作用效果进行仿真模拟。首先,在西北干旱地区开展问卷调查,并基于获取的一手数据,训练个体决策的人工神经网络模型。通过将该神经网络模型嵌入ABM模型,来实现仿真模拟过程中的个体自主决策。研究发现:①示范引导型政策对各类再生水回用行为均具有良好的作用效果。②环保动机激发型政策和知识普及型政策的作用效果,会分别随着再生水回用行为人体接触程度的提高而增强和减弱。对接触程度高的再生水回用行为,环保动机激发型政策能起到较强的影响效果。③知识普及型政策对于人体接触程度低的再生水回用行为影响效果较好,但对于接触程度高的再生水回用行为甚至出现负向影响。根据研究结论提出以下政策建議:在制定再生水回用推广政策时,应当注意区分不同再生水回用行为的类型,选择适当的引导政策。由于示范引导政策对于各类型再生水回用行为均有较好的引导效果,应加强再生水回用示范工程建设。对于高人体接触程度的再生水回用类别,应当注重对其环保属性的宣传,激发公众的环保动机。对于低人体接触程度的再生水回用类别,则应当注重通过加强相关知识的普及,来打消公众的疑虑。

关键词:再生水回用;公众接受;行为引导政策;BP神经网络;Agent-basedModel

中图分类号X-4

文献标识码A文章编号1002-2104(2021)03-0161-10DOI:10.12062/cpre.20200631

淡水资源仅占全世界水资源总量的2.5%,且诸如冰川融雪、地下水及地表径流等可直接为人类利用的水资源又仅占淡水资源总量的1%[1],因此,淡水资源总量极其有限。近年来,因人类活动而造成的大规模水环境污染更是加剧了全球范围内水资源的紧缺。比如,供养了全世界1/15人口的长江,如今却有20%的水源构成是污水[2]。水资源紧缺和水环境污染已成为当前全人类面临的共同挑战[3],而采用替代水源则是解决这一问题的有效办法之一。再生水作为替代水源的一种,其生产过程相较于海水淡化等其他替代水源更加节能。同时,其生产过程可以处理大量污水,还能减少对水环境的污染物排放[4]。基于这些优势,再生水回用已得到世界各国的重视。

如今,污水处理技术已能生产出满足任何水质标准的再生水,其已不再是制约再生水回用推广的最大障碍[5],取而代之的则是公众对再生水回用的排斥[6-7]。公众往往会因再生水是“由厕所而来的水(ToilettoTap)”产生厌恶感,进而不接受再生水回用[8]。这一现象早在1970年代就被学者发现,描述为公众对再生水回用不洁的厌恶[9]。在随后的研究中,恶心因素被证实对再生水回用的公众排斥行为具有极强的预测效果[10-11]。对再生水回用的厌恶还会抵消其对环境保护的积极作用,甚至即使有权威科学家为再生水的品质背书,也无法改变公众对于再生水回用的排斥[12]。这也导致了相对于诸如雨水再利用、海水淡化等其他种类的替代水资源,再生水回用更容易遭到公众的排斥[13]。因此,对于再生水回用的推广而言,有针对性的制定政策来引导公众参与再生水回用,意义重大且势在必行。

智能体模型(Agents-basedmodel,ABM)作为一种政策模拟工具,能通过模拟多个Agents的同时行动和相互作用以再现和预测复杂现象。整个模拟过程从低层次(微观)到高层次(宏观)逐步涌现,系统在多Agents的相互作用下可模拟出如真实世界般的复杂性。通过ABM捕捉关于不同类型干预策略前后的系统均衡状态,就可以观察并预测其作用效果。因为ABM的这些优势,众多学者在诸如用水行为干预策略[14]、环境经济政策模拟[15-16]及建筑工人不安全行为预防策略[17]等方面开展了卓有成效的研究。因此,本研究采用ABM对再生水回用行为干预政策的作用效果进行模拟,以期为再生水回用公众引导政策的制定提供科学依据。

1研究假设的提出与研究框架的构建

1.1研究假设

由于再生水自身的特点,造成公众对于不同再生水回用行为的接受程度大相径庭。在Hurlimann和Dolnicar[18]的研究当中,通过比较9个国家公众对于不同再生水回用行为的接受程度数据,指出再生水回用的接受程度随其与人体接触程度的提高而降低。因此,为更详尽的研究不同行为引导政策的作用效果,本研究参照Fu等[19]的研究选取较为常见的9种用途,按照人类使用再生水的接触程度将再生水回用行为(Recycledwaterreusebehavior,RWB)划分为四类(表1)。

在此基础上,本研究选取示范引导型政策(DemonstrationGuidingPolicy,DGP)、知识普及型政策(KnowledgePopularizationPolicy,KPP)和环保动机激发型政策(EnvironmentalMotivationStimulatingPolicy,EMP)作为研究对象。由此提出以下假设:

假设1:DGP对于各种再生水回用行为均具有最好的引导效果。早在1974年Baumann等[20]的研究中就指出,“提高居民对于再生水接受意愿最有效的办法,就是在一处吸引人的设施中使用再生水,并邀请居民参观它、闻它、围绕着它野营、钓鱼甚至在水里游泳”。也就是说,DGP其实就是给大家营造再生水回用的环境,提高再生水回用设施的普及程度,让大家有机会接触再生水,从而影响其使用意愿。因此,为验证其是否具有最好的引导效果,故此提出假设1。

假设2:KPP的作用效果会随着再生水回用行为人体接触程度的降低而提高。由于对再生水回用缺乏了解,人们容易陷入对再生水消极、错误的认知,甚至先入为主的认为使用再生水是不安全的[21]。因此,通过提高公众对于再生水回用知识的了解程度,使公众正确认识再生水,会对低接触程度的再生水回用行为起到良好的促进作用。但是,随着公众对再生水回用知识了解的越多,对高接触程度的再生水回用行为反而会起到一定抑制作用。故此提出假设2。

假设3:EMP的作用效果会随着再生水回用行为人体接触程度的升高而提高。由于再生水回用所具备的环保行为属性,公众在进行再生水回用行为决策时,并不完全出于自身利益进行权衡,而会在一定程度上受保护环境、造福社会的利他动机驱使。因此,通过有效的激发公众保护环境的动机,无疑对提高公众对于再生水回用的接受程度具有重要意义。而对公众使用顾虑最大的高人体接触程度的再生水回用行为,这一影响效果则有可能会更为明显。故此提出假设3。

1.2研究步骤

第一步:首先对中国西北干旱地区6个典型城市进行“再生水回用行为引导政策作用效果”的问卷调研,收集“居民不同再生水回用行为引导政策的感知情况”“居民对不同接触程度的再生水回用行为接受情况”“关联型自我构建(relevantself-construction)”等个体数据(图1第一步)。

第二步:利用所收集的数据进一步构建并训练人工神经网络(ArtificialNeuralNetwork,ANN),在網络结构上选择了反向传播的神经网络(BackPropagationNeuralNetwork,BPNN),构建“个体受外界影响(引导政策)而进行不同行为决策”的BPNN模型(图1第二步)。

第三步:利用Netlogo6.1.0构建ABM,以DGP、KPP、EMP为每一个Agent的基本属性,并作为输入数据进入BPNN,以BPNN的输出结果作为每个Agent的决策结果。以关联型自我构建建立交互规则,最终收集数据并观察结果(图1第三步)。该方法的研究步骤如图1所示。

2数据来源与研究方法

2.1数据来源

本研究在2019年1月1日—4月30日间,选取中国干旱缺水的新疆、青海、内蒙、甘肃、宁夏、陕西6个省份当中的典型城市乌鲁木齐、西宁、包头、兰州、银川及西安作为调研地点。采用线上及线下相结合的方式发放问卷,剔除无效问卷,每个城市400份[22]有效问卷,获满为止,获取了2400份有效问卷,样本情况介绍见表2。被调查对象的男女比例、年龄段分布、民族构成等都与西北地区情况较类似,符合随机抽样的特征。

2.2研究方法

2.2.1问卷设计及检验

本次调研所采用的问卷分为4个部分。第一部分,包含调研参与人的社会人口学指标,包括年龄、性别、学历、民族等。第二部分,包含调研参与人对于不同再生水回用用途的接受程度。共有4个问题以测度公众对4种不同接触程度的再生水回用行为的接受程度。第三部分,根据不同政策的作用原理,分别选取再生水回用设施普及程度、公众对再生水回用知识的了解程度以及对保护水环境的动机作为DGP、KPP以及EMP的作用效果测量指标。第四部分,将衡量个体与群体之间相互影响关系的关联型自我构建指标的强度作为制定小世界网络中Agents之间交互准则的依据。并借鉴文献等[23-28]的研究,对关联型自我构建指标进行测量。同时,在问卷发放前,课题组邀请了相关人员和专家进行了试做,确保相关题项语意清晰,没有歧义,并进行了小幅修正。

2.2.2个体行为决策的人工神经网络实现

在模拟个体决策的过程中,我们面临这样的难题,即个体决策行为难以进行量化表达。通过问卷调研结果进行相关性检验,不同引导政策与不同接触程度的再生水回用行为具有较强相关性,即引导政策对个体作用强度的改变,也会引起个体回用行为的改变,但是目前改变的程度并没有明确的数学表达。因此,我们利用调研问卷所获得的数据构建BPNN,通过BPNN对数据进行模式匹配,建立一个受政策驱动的个体再生水回用行为决策的人工神经网络模型,由此来解决每一个个体决策行为的量化问题。

BPNN的网络结构见图2。BPNN模型的输入和输出设置情况见表3。

由于线性回归的标签y和模型输出都为连续的实数值,因此在模型中,损失函数选择平方损失函数(QuadraticLossFunction)ζ来衡量真实标签和预测标签之间的差异。

ζ(y,f(x,θ))=(y-f(x,θ))22(1)

其中,f(x,θ)为假设空间中的模型结果,是预测值;θ为一组可学习参数(包含权重和偏置);x为输入;y为对应输入的真实结果。

模型选择经验风险最小化准则进行训练,训练集D上的经验风险定义为:

R(w)=12∑Nn=1(y(n)-f(x(n),θ))2(2)

其中,N为样本数量;y(n)为真实值;f(x(n),θ)为预测值。

评价指标选取准确率(accuracy)进行观测:

ACC=1N∑Nn=1I(y(n)=((n)),(3)

其中,N为样本数量;I为指示函数;y(n)为真实值;(n)为预测值。

通过对不同学习率(LearningRate)下损失函数(Loss)收敛情况的比较,选择了性能相对较好的0.1为学习率的默认设置。将调研收集的数据整理并制作数据集,采用留出法(Hold-out)随机划分80%为训练集D,另20%为测试集T。经过训练,BPNN模型的损失函数及预测准确率见图3,准确率基本在70%左右。测试集的结果稍好于训练集,没有出现过拟合(over-fitting)的现象。对于调研数据来说,预测结果基本可以接受。

2.2.3ABM模型构建

(1)实验思路。概括地说,该模型模拟了这样一个小世界:在这个世界中,每一个Agent即代表一个能够独立决策的个体,每个Agent对再生水的使用决策受到两种因素影响。首先,不同引导政策会对Agent的决策直接产生影响;同时,Agents之间存在“关联型自我构建”效果,会相互影响。通过不断循环,在不同的影响环境下,每一个Agent的再生水回用行为选择都在变化。在实验过程中,通过改变每一项引导政策的作用力度,每一个Agent都会做出自己的行为决策,最终形成稳定的输出,通过汇集每一个Agent的再生水回用行为决策的结果,就能够观察到不同引导政策的宏观作用效果。本实验的个体行为决策逻辑见图4。

(2)Agent属性初始设置。关联型自我构建。根据调查结果可知,每位被调查者都具备强弱不同的关联型自我构建,本研究设定其为Agent的自然属性,用SNi表示。对问卷数据的SN和KPP、DGP、EMP数据进行相关性检验,结果为不相关。因此,系统中Agent的关联型自我构建属性采取模型初始化时随机赋值,赋值范围为[1,5],表示Agent的关联型自我构建由弱到强。“1”表示最弱,受其他主体影响的概率最小,“5”表示最强,最易受其他主体的影响。

引导政策的初始接受程度。每个Agent有三个决策认知属性,即KPPi、DGPi及EMPi。这三个属性初始化时按照调研数据中出现的频率随机赋值,公式如下:

{KPPi,DGPi,EMPi}=random[1,2,3,4,5](4)

(3)交互规则。模拟世界是一个由101×101地块(patches)组成的“城镇”网格,Agents数量为1089。交互准则的设计依据如下:①Agent是模拟城市居民,因此每一个Agent都能够进行移动并进行交互。②根据城市居民日常生活的活动情况,大部分Agent都在一定范围内活动。

每一个Agent通过社会网的交流和沟通完成交互,设置所有的Agent位于一个正方形的社会网格上,视野参数(Slightlimit,SL)为1,每个网格的邻域边长为3,位于中心的Agent只受到邻域边长3以内的其他Agent的影响。见图5(b),每一个彩色框即为Agent的视野,每一个Agent在如图5(a)所示的黑色框中活动,只有当其他Agent处于自己的视野内,双方才能够进行交互。即图5(b)中,Agent1不能与其他任何Agent交互,Agent2能与Agent3交互,Agent3能与Agent2和Agent4交互,Agent4只能和Agent3交互。

每个Agent对其他Agent的影响大小由自己以及对方的关联型自我构建强弱决定。在图5的交互过程中,每个Agent将自己的关联型自我构建值与周边Agent比较,如果对方的数值强于该Agent,该Agent则根据差值大小决定其再生水回用行为调整概率的大小,差值越大则调整概

率越大。交互影响的公式如下:

RWBi=RWBi+(RWBj-RWBi)×

(SNj-SNi)/4,SNj>SNi(5)

RWBj=RWBj+(RWBi-RWBj)×

(SNi-SNj+5)/4,SNj>SNi(6)

其中,RWBi为当前Agent的再生水回用行为意愿;RWBj为当前Agent视野内可交互Agent的再生水回用行为意愿;SNi为当前Agent的关联型自我构建;SNj为当前Agent视野内可交互Agent的关联型自我构建。

3结果分析

为准确模拟不同政策对再生水回用行为的影响作用,本研究在保持其余政策施加强度为0的情况下,每次提高某一政策施加强度0.01,并在小世界网络稳定后,记录全体Agent的再生水回用行为接受意愿平均值数据。在图6及图7中,横轴均为不施加其余两种政策(即其余两种政策改变量为0)时,政策的施加强度。纵轴代表Agents对于再生水回用行为接受意愿的平均值变化量,当x轴的政策施加强度为0时,y轴对应接受意愿均值变化量为0。

3.1不同类型再生水回用行为的适配引导政策

为了确定不同类型再生水回用行为的适配引导政策,本研究在将9种再生水回用行为依照人体接触程度的高低划分为4大类的基础上,分别模拟了在不同政策干预强度下,各个Agent对于不同类型再生水回用行为接受意愿的变化程度如图6所示。

除RWB1外,DGP对于其余三类再生水回用行为作用效果均最强。如图6(b)至图6(d)所示,DGP改变造成Agent对于RWB2、RWB3和RWB4的接受意愿(Acceptance,ACC)均值变化量均高于其余两种政策类型,这一结论与假设1相一致。然而,对于接触程度最低的再生水回用行为RWB1,DGP的作用效果却弱于KPP,与假设1不符。造成这一现象的原因,一则是由于KPP对于RWB1的作用效果本身较强;另外亦可能因为RWB1所对应的几种再生水回用用途为当前应用最为广泛的用途,因公众接触较多而在一定程度上造成对该类用途的心理脱敏,并进一步导致以营造再生水回用氛围来实现引导效果的作用效果的弱化。

对于RWB3和RWB4所对应接触程度较高的再生水回用行为,EMP能起到较强的影响效果。在以往的众多研究当中已经证实,在决定是否接受接触程度较低的再生水回用用途时,再生水价格、使用是否方便等客观因素会起到重要作用。而对于高接触程度的再生水回用用途而言,对其安全性的顾虑及“恶心”则成为了决定性因素。因此,对于高接触程度的再生水回用行为而言,保护环境的动机则对其接受决定至關重要。所以,EMP对于接触程度较低的再生水回用行为,作用效果最弱(图6(a)),对接触程度较高的再生水回用行为却起到较为良好的作用效果(图6(d))。

KPP对于RWB1影响效果最好,但对于RWB4甚至出现负向影响。由图6(a)可见KPP对于RWB1的作用效果明显强于其他两类政策。而随着再生水回用行为与人体接触程度的提高,KPP对于RWB2的作用效果开始被DGP反超,但仍高于EMP。但对于接触程度最高的RWB3和RWB4,KPP的作用效果为所有政策中最弱,对于RWB4甚至产生了负向影响效果。这也说明了应用KPP时要更加注意作用对象,对于一些人体接触程度较高的再生水回用用途,KPP不但可能起不到预期效果,甚至会产生反向作用而加剧公众对于再生水回用工程的排斥。

3.2人体接触程度对政策作用效果的影响

为了探究再生水回用行为的人体接触程度对于政策作用效果的影响,及更为清晰的反应不同政策究竟对于何种再生水回用行为具有最好的作用效果。本研究将不同政策对于再生水回用接受意愿的影响作用分别作图(图7),结果分析如下。

DGP的作用效果与不同再生水回用行为的人体接触程度间没有明显联系。由图7(a)可见,DGP对于四类不同人体接触程度的再生水回用行为,除对于RWB1影响效果略低外,对其余三种类型再生水回用行为的引导效果较为接近,并出现影响效果交替领先的现象。同时,通过对比可见DGP的总体作用效果较EMP及KPP更强。由此可见,DGP对于各类型再生水回用行为均具有较为良好的引导效果,同时该作用效果受不同再生水回用行为的人体接触程度影响较小。

EMP对不同再生水回用行为的作用效果随人体接触程度的提高而增强。由图7(b)可以明显看出,EMP的作用效果随再生水回用行为人体接触程度的上升而提高,这一结论与假设2相符。表明当再生水回用行为的人体接触程度较高时,应当优先选择EMP作为推广政策,强调再生水回用对于环境保护的重要意义,激发公众保护环境的热情,引导公众主动参与再生水回用去减轻自身行为对自然环境所造成的不利影响。

KPP对不同再生水回用行为的作用效果随人体接触程度的提高而减弱。由图7(c)可见,KPP对于人体接触程度最低的RWB1具有最好的引导效果。同时,KPP的作用效果随着再生水回用行为人体接触程度的提高而降低,甚至对接触程度最高的RWB4产生负向作用。由此可见,当再生水回用用途的人体接触程度较低时,应优先考虑采用KPP,提高公众对于再生水回用的了解程度,打消其对于再生水回用的疑虑。而当再生水回用人体接触程度较高时,则需谨慎采用KPP,避免适得其反。

4结论及政策建议

4.1结论

将关联型自我构建作為交互准则的设计依据,构建小世界网络。本研究借鉴心理学领域关于自我构建(self-construal)的相关研究成果,选取其中代表个体与群体之间相互影响关系的关联型自我构建,率先将其作为Agent间交互准则的设计依据,引入到ABM建模当中,构建了关于再生水公众接受行为的小世界网络。该准则的引入,为模拟Agent间的相互影响行为提供了理论依据,同时为后续相关研究提供有效借鉴。

DGP对于各类型再生水回用行为均具有良好的引导效果。通过对DGP作用效果进行模拟,发现该类型政策的作用效果受不同再生水回用行为人体接触程度的影响较小,同时对于各种类型的再生水回用行为均具有良好的作用效果。这也佐证了各地均将建设再生水回用示范工程作为推广再生水回用重要手段的科学性,同时也与Rozin等[27]关于“消除公众对于再生水排斥的最好办法,就是让公众去使用再生水”的观点相一致。

EMP适用于高人体接触程度的再生水回用行为。本研究通过对比EMP对于不同人体接触程度再生水回用行为的作用效果,发现其作用效果随不同再生水回用行为人体接触程度的提高而增强的规律。启示人们,对于推广难度最大,也是公众使用顾虑最多的高接触程度的再生水回用用途,促使公众选择是否接受该用途的重要原因之一便是其发自内心的保护生态环境的动机。对于此类用途,有效强化参与再生水回用与环境保护之间的联系,激发公众的环保动机或许是最为有效的办法之一。

KPP适用于低人体接触程度的再生水回用行为。本研究通过仿真结果,发现了KPP对于不同类型再生水回用行为的接受意愿随其人体接触程度的升高而减弱的规律。启示人们,在实施此类政策时,要慎重选择使用场景。当推广再生水回用行为为低人体接触程度时,通过普及再生水回用知识能打消公众对于再生水回用的顾虑,大大提高其对于再生水回用的接受意愿。而对于人体接触程度较高的再生水回用行为,盲目的普及相关知识或许起不到预想效果,甚至适得其反[28]。

4.2建议

在制定再生水回用推广政策时,要考虑回用类型间的区别。由于再生水的特殊性,当将再生水回用于不同用途时,这些用途与人体接触程度之间的显著区别会影响公众对其不同类型相关信息的关注程度。与之对应,不同再生水回用行为,适合的推广方式也会有所区别。因此,在制定再生水回用推广政策时,应充分考虑到回用类型间的区别,选取适合的推广策略,避免因政策选型失误导致再生水回用公众排斥事件的发生。

大力建设再生水回用示范工程,营造再生水回用氛围。本研究已证明,DGP对各种回用类型均具有良好的作用效果。通过大力建设再生水回用示范工程,为公众提供更多亲身参与再生水回用的机会。同时,对已有再生水回用设施进行明确标识,进而在全社会营造再生水回用氛围。这将有利于降低公众对于再生水回用的陌生感,培养公众使用再生水的习惯,提高公众对于再生水回用的接受程度。

配合使用EMP和KPP。这两种政策在适用对象上有着很好的互补。对于高人体接触程度的再生水回用用途,应优先采用EMP,强调再生水回用对于含蓄水源、保护环境的重要作用,努力营造再生水回用绿色、环保的积极形象;给再生水回用贴上环保标签,激发公众环境保护动机,让公众觉得使用再生水是一件高尚的事情。对于人体接触程度较低的再生水回用用途,则应在回用地点周边设置内容详尽的信息公示牌,同时配合宣传再生水回用相关知识,提高公众对于再生水回用的了解程度,形成对再生水回用安全可靠的印象

参考文献

[1]ROZINP,HADDADB,NEMEROFFC,etal.Psychologicalaspectsoftherejectionofrecycledwate:contamination,purificationanddisgust[J].Judgment&decisionmaking,2015,10(1):50-63.

[2]WANGZM,SHAODG,WESTERHOFFP.WastewaterdischargeimpactondrinkingwatersourcesalongtheYangtzeRiver(China)[J].Scienceofthetotalenvironment,2017,599:1399-1407.

[3]王偉军,赵雪雁,张明军,等.西北干旱区内陆河流域公众的水资源感知及节水意向:以甘肃省河西走廊地区为例[J].中国人口·资源与环境,2019,29(11):148-157.

[4]RICARTS,RICOAM.Assessingtechnicalandsocialdrivingfactorsofwaterreuseinagriculture:areviewonrisks,regulationandtheyuckfactor[J].Agriculturalwatermanagement,2019,217:426-439.

[5]胡洪营,杜烨,吴乾元,等.系统工程视野下的再生水饮用回用安全保障体系构建[J].环境科学研究,2018,31(7):1163-1173.

[6]罗福周,吴晓萍,付汉良.基于结构方程模型的再生水回用公众接受程度研究[J].科技管理研究,2018,38(4):247-253.

[7]高旭阔,吴思远.西安市再生水的公众认知及接受意愿研究[J].干旱区资源与环境,2019,33(6):63-69.

[8]CHINGL.Aquantitativeinvestigationofnarratives:recycleddrinkingwater[J].Waterpolicy,2015,17(5):831-847.

[9]DUONGK,SAPHORESJM.Obstaclestowastewaterreuse:anoverview[J].Wileyinterdisciplinaryreviews:water,2015,2(3):199-214.

[10]WESTERJ,TIMPANOKR,EKD,etal.Psychologicalandsocialfactorsassociatedwithwastewaterreuseemotionaldiscomfort[J].Journalofenvironmentalpsychology,2015,42:16-23.

[11]付汉良,刘晓君.再生水回用公众心理感染现象的验证及影响策略[J].资源科学,2018,40(6):1222-1229.

[12]FIELDINGKS,GARDNERJ,LEVISTONZ,etal.Comparingpublicperceptionsofalternativewatersourcesforpotableuse:thecaseofrainwater,stormwater,desalinatedwater,andrecycledwater[J].Waterresourcesmanagement,2015,29(12):4501-4518.

[13]BENNETTJ,MCNAIRB,CHEESMANJ.CommunitypreferencesforrecycledwaterinSydney[J].Australianjournalofenvironmentalmanagement,2016,23(1):51-66.

[14]BERGERT,BIRNERR,MCCARTHYN,etal.Capturingthecomplexityofwaterusesandwateruserswithinamulti-agentframework[J].Waterresourcesmanagement,2007,21(1):129-148.

[15]WANGHH,ZHANGJR,ZENGWH.IntelligentsimulationofaquaticenvironmenteconomicpolicycoupledABMandSDmodels[J].Scienceofthetotalenvironment,2017,618:1160-1172.

[16]张家瑞,王慧慧,曾维华.基于ABM+SD耦合模型的滇池流域水价政策仿真[J].中国环境科学,2017,37(10):3991-4000.

[17]LIANGHK,LINKY,ZHANGSJ.Understandingthesocialcontagioneffectofsafetyviolationswithinaconstructioncrew:ahybridapproachusingsystemdynamicsandagent-basedmodeling[J].Internationaljournalofenvironmentalresearchandpublichealth,2018,15(12):2696.

[18]HURLIMANNA,DOLNICARS.Publicacceptanceandperceptionsofalternativewatersources:acomparativestudyinninelocations[J].Internationaljournalofwaterresourcesdevelopment,2016,32(4):630-673.

[19]FUHL,MANOGARANG,WUK,etal.Intelligentdecision-makingofonlineshoppingbehaviorbasedoninternetofthings[J].Internationaljournalofinformationmanagement,2020,50:515-525.

[20]BAUMANNDD,KASPERSONRE.Publicacceptanceofrenovatedwastewater:mythandreality[J].Waterresourcesresearch,1974,10(4):667-674.

[21]CHENWP,BAIYY,ZHANGWL,etal.Perceptionsofdifferentstakeholdersonreclaimedwaterreuse:thecaseofBeijing,China[J].Sustainability,2015,7(7):9696-9710.

[22]KREJCIERV,MORGANDW.Determiningsamplesizeforresearchactivities[J].Educationalandpsychologicalmeasurement,1970,30(3):607-610.

[23]叶君,黄明健.新形势下公众参与生态文明建设法制保障研究[J].贵州大学学报(社会科学版),2016,34(4):96-101.

[24]刘华军,刘传明.环境污染空间溢出的网络结构及其解释:基于1997—2013年中国省际数据的经验考察[J].经济与管理评论,2017(1):57-64.

[25]沈超红,胡安.共享经济背景下政府规制与供给意愿关系研究[J].经济与管理评论,2018(6):47-59.

[26]PUSAKSRIKITT,KANGJ.Theimpactofself-construalandethnicityonself-giftingbehaviors[J].Journalofconsumerpsychology,2016,26(4):524-534.

[27]ROZINP,HADDADB,NEMEROFFC,etal.Psychologicalaspectsoftherejectionofrecycledwater:contamination,purificationanddisgust[J].Judgment&decisionmaking,2015,10(1):50-63.

[28]宋妍,张明.公众认知与环境治理:中国实现绿色发展的路径探析[J].中国人口·资源与环境,2018,28(8):161-168.

Intelligentsimulationofbehavioralguidingpolicyonrecycledwaterreuse

DINGChao1FUHanliang2HEYuqi2WANGZhenhua1WUSimei3WANGMengmeng2

(1.SchoolofCivilEngineering,InnerMongoliaUniversityofScienceandTechnology,BaotouInnerMongolia014010,China;2.SchoolofManagement,XianUniversityofArchitectureandTechnology,XianShaanxi710055,China;3.SchoolofCivilEngineering,XianUniversityofArchitectureandTechnology,XianShaanxi710055,China)

AbstractThereuseofrecycledwaterisofgreatsignificanceforincreasingthesupplyofwaterresourcesandalleviatingthepollutionofthewaterenvironment.However,thepublicsrejectionofrecycledwaterhasnegativeinfluencesonthepromotionofrecycledwaterreuse.Inordertosolvethisproblem,thisstudytookthebehaviorguidingpolicyofrecycledwaterreuseastheresearchobject.Therelatedself-constructionindex,whichmeasurestheinteractionbetweenindividualsandgroups,wasselectedasthedesignbasisofdifferentindividualinteractionrules.Onthisbasis,theagent-basedmodel(ABM)wasconstructedtosimulatetheeffectofdifferentpolicies.Firstly,aquestionnairesurveywascarriedoutinthearidareaofNorthwestChina,andtheartificialneuralnetworkmodelofindividualdecision-makingwastrainedonthebasisofthefirst-handdataobtained.ByembeddingtheneuralnetworkmodelintotheABMmodel,theindividualsdecision-makinginthesimulationprocesswasrealized.Theresultsshowedthat:①Thedemonstrationguidingpolicyhadagoodeffectonallkindsofrecycledwaterreusebehaviors.②Atthesametime,theeffectofenvironmentalmotivationstimulatingpolicyandknowledgepopularizationpolicycouldbeenhancedorweakenedwiththeincreaseofhumancontactdegreeofrecycledwaterreusebehavior.Theenvironmentalmotivationstimulatingpolicyhadasubstantialimpactontherecycledwaterreuseswithahighcontactdegree.③Theknowledgepopularizationpolicyhadagoodeffectonthereusebehaviorofrecycledwaterwithlowhumancontact,butitevenharmedthereusebehaviorofrecycledwaterwithhighcontact.Accordingtotheresearchconclusion,thefollowingpolicyrecommendationsareputforward:Whenapromotionpolicyofrecycledwaterreuseismade,attentionshouldbepaidtodistinguishingdifferenttypesofrecycledwaterreusebehaviorandappropriateguidingpoliciesshouldbechosen.Asthedemonstrationguidingpolicyhasanexcellentguidingeffectonalltypesofrecycledwaterreusebehaviors,itisnecessarytostrengthentheconstructionofthedemonstrationprojectofrecycledwaterreuse.Forthecategoryofrecycledwaterreusewithhighhumancontact,attentionshouldbepaidtothepublicityofitsenvironmentalprotectionattributetostimulatethepublismotivationforenvironmentalprotection.Asforthecategoryofrecycledwaterwithalowhumancontactdegree,attentionshouldbepaidtothedispellingofthepublicsmisgivingsbystrengtheningthepopularizationofrelevantknowledge.

Keywordsrecycledwaterreuse;publicacceptance;behavioralguidingpolicy;backpropagationneuralnetwork;agent-basedmodel

(責任编辑:于杰)

猜你喜欢
BP神经网络
基于神经网络的北京市房价预测研究
一种基于OpenCV的车牌识别方法
基于遗传算法—BP神经网络的乳腺肿瘤辅助诊断模型
一种基于改进BP神经网络预测T/R组件温度的方法
基于BP神经网络的光通信系统故障诊断
提高BP神经网络学习速率的算法研究
就bp神经网络银行选址模型的相关研究
基于DEA—GA—BP的建设工程评标方法研究
复杂背景下的手势识别方法
BP神经网络在软件质量评价中的应用研究 