城市化进程对暴雨洪涝灾害风险影响效应研究——以闽三角地区为例

王倩雯，曾 坚，辛儒鸿，梁 晨

(天津大学 建筑学院，天津 300072)

我国改革开放40年来，城市化从18%提高到59.58%(2018年)，虽然有效地促进了中国社会经济的发展，但与洪涝灾害风险系统形成复杂关系。城市化进程中，社会经济活动和土地扩张是影响洪涝灾害风险的关键因素，也是洪涝灾害风险研究领域的热点，如在土地利用规模上，人口持续增长和城市的蔓延挤占了水安全空间、破坏了生态安全格局[1]，当流域适度城市化时，其水文特征和洪水强度的相对变化最为显著[2]；在土地利用类型上，城市化导致的土地覆被/利用变化、不透水表面增加影响了水文特征，在短期低强度的降雨中仍会导致更高的洪峰和体积等[3]，同时，随着城市化的不断深入和成熟，生态用地向城市建设用地的转化更能解释洪水灾害的空间变化[4]；在开发强度上，城市化(PCIT情景下的密集开发)将导致被洪水淹没的土地面积显著增加[5]，且在洪水易发区进行高密度开发会增加社区遭受洪水灾害的风险[6]；在社会经济上，洪涝灾害高风险区往往是连续片状分布[7]，城市化使暴露在灾害风险中的人口和财产增加[8-9]，但由此产生的社会经济发展也有助于增强城市适应能力[10]等。总体而言，国内外学者通过解构城市化和洪涝灾害风险，探索各要素间作用关系和综合效应方面取得了显著成果，为缓解城市化与洪涝灾害风险的矛盾提供了重要依据。

从已有研究经验来看，城市化特征和灾害风险均存在较强的地域性，因此针对特定地区的研究仍具有重要意义；其次，洪涝灾害风险辨识多聚焦于单一河流或局部城市尺度，但由于流域尺度灾害影响范围较大，从局部尺度切入容易忽略全局风险相互作用形成的复杂结果，常用的辨识方法依赖主观判断[11]，导致辨识结果存在一定局限性；对城市化和灾害风险的研究以系统构成要素的函数关系和风险等级分区为重点，导致空间效应及规律研究缺失；同时，对脆弱性的研究多聚焦于资产的货币价值及国民安全[12]，忽略灾害对生态价值的破坏，有必要进行进一步探讨。

选取位于福建省东南海岸的闽三角地区为研究对象，基于多源数据建立能够有效反映闽三角流域暴雨洪涝灾害风险的GIS多准则评价与BP神经网络辨识模型，在优化辨识方法的同时，归纳闽三角地区社会经济城市化与土地城市化水平的空间特征、城市化与暴雨洪涝灾害风险空间效应及主控因子，探讨城市化进程中，社会经济活动、土地扩张与洪涝灾害风险在空间上的相关性，从而判断不同城市化水平的高风险区和风险因子对洪涝灾害的影响效应，为缓解闽三角地区城市化与洪涝灾害风险的矛盾提供参考。

1 区域概况与研究方法

1.1 区域概况

闽三角地区位于福建省东南海岸，由泉州市、厦门市、漳州市所辖区县构成，是我国沿海经济开放区和正在崛起的三大特色经济群之一。该地区山地、丘陵面积占比超过80%，地形起伏破碎，且位于中国东南沿海台风高发区，常出现短时强降雨，洪涝灾害频发，见图1。

图1 区位概况Fig.1 Geographical situation

1.2 研究方法

1.2.1 研究范围与研究单元确定

研究基于闽三角流域尺度展开，将通过水文分析识别的97个汇水分区作为研究范围。为了便于数据叠加计算和对比，因此研究采用规则的正方形渔网覆盖研究范围。兼顾多源数据精度统一和流域研究的价值，将网格精度设置为1 000 m×1 000 m，流域范围共计网格单元21 377个，见图2。

图2 研究单元划分Fig.2 Research unit division

1.2.2 数据处理

城市化和灾害数据均以当前数据资源较为丰富完整的2017年数据为主。

(1)城市化数据

社会经济城市化主要由人口类、经济类和服务类三类指标反映，构建代表性指标体系[13-14]，见表1。

表1 社会经济城市化评价指标体系Table 1 Evaluation index system of social and economic urbanization

土地城市化采用利用卫星图像、开放街道地图、夜间灯光、POI和腾讯社交大数据等辅助数据进行计算评估获得的2010-2017年土地利用数据[15]。

(2)暴雨洪涝灾害风险数据

参考前人对流域洪涝灾害风险评价的研究[16-17]及闽三角气候与水文环境，构建洪涝灾害风险“3种关系-2类特征-20项指标”的研究体系。3种关系指洪涝灾害系统所包含的致灾因子、孕灾环境和承灾体。由于致灾因子和孕灾环境多为自然要素决定，而承灾体多体现人为因素及灾损效应，因此将20项指标分为自然因素主导的自然系统危险性；人为因素主导的社会经济系统脆弱性风险特征分别进行处理，见表2，二者是洪涝灾害形成的必要因素，决定灾害风险程度[18]。

表2 风险评价指标体系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会经济系统因素存在相互关联性，因此研究选取主成份分析法，利用SPSS将14项指标标准化并计算相关矩阵，根据各指标的关联性对其进行降维处理，得到能够体现社会经济城市化的独立综合变量。

GIS多准则法与BP神经网络算法：GIS多准则评价方法用于风险特征初始值的计算，并提供源数据。BP神经网络作为人工神经网络算法最成熟的一种[30]，通过平行分散处理模式对源数据的学习训练，对误差进行反向传播修正，用于对闽三角洪涝灾害风险各类特征值进行低误差辨识，突破非线性模型的瓶颈，实现精细化风险计算。将闽三角流域风险5类，Ⅰ级代表风险评价等级安全，Ⅱ级代表风险评价等级较安全，Ⅲ级代表风险评价等级中等，Ⅳ级代表风险评价等级较危险，Ⅴ级代表风险评价等级为危险。参考已有文献对20项指标在洪涝灾害领域的专项研究，以及闽三角地方政府对相关指标的标准要求，归纳提取适用于该地区的风险阈值划分，作为设置风险等级初始值的标准之一；其次，“自然间断点分级法”会在数据集差异相对较大的位置设置边界，使各类之间的差异最大化[31]，因此结合阈值判断和自然间断点分级法，随机选择21 377个网格中符合该特征值的样本创建训练和测试数据集[32]。经筛选，危险性总样本为984个网格，脆弱性总样本为749个网格，训练集占总样本的60%，测试集占总样本的40%。以MATLAB软件中提供的神经网络工具箱为基础，编制网络建立、训练、测试代码。根据经验公式确定隐含层的节点个数，建立1个隐含层的3层洪涝灾害风险分类识别BP神经网络拓扑结构。危险性指标输入层节点数为12，隐层节点数为13，输出层节点数为5，激活函数采用sigmoid函数，网络训练误差为0.000 000 4，学习速率为0.1，最大迭代次数为1 000。总样本为984。脆弱性指标输入层节点数为8，隐层节点数为9，输出层节点数为5，激活函数采用sigmoid函数，网络训练误差为0.000 000 4，学习速率为0.1，最大迭代次数为1 000。运行该网络，危险性风险验证集总体准确率为0.966，脆弱性风险验证集总体准确率为0.940，结果表明该辨识精度较高，网络性能良好。

熵权法：熵权法通过评估每项指标的信息熵差异来描述变量的重要程度，是一种客观赋权的方法[33]，因此用于认知各指标对风险的贡献率，以消除主观因素对主控因子判断的影响。研究提取综合风险判断结果中为Ⅴ级风险的栅格点，并根据栅格聚集的地理空间位置进行分组计算，以判断不同区位条件的高风险区的风险主控因子。

空间自相关模型：研究基于Moran’sI指数判断闽三角流域洪涝灾害风险的空间自相关性，判断高风险与低风险地区的空间系统关系，并计算研究单元与邻域单元之间是否存在集聚区，以探究流域风险分布的规律。基于空间相关分析中基于距离权重矩阵的局部空间自相关指数(Gi*)，识别流域洪涝灾害风险高值积聚的热点区。其计算公式为：

(1)

(2)

(3)

式中，xi和xj为空间网格i和j位置上的风险值；Wij为权重，δ为x的标准差。

空间自回归模型：研究采用空间自回归模型处理灾害主控因子与危险性风险空间单元空间相关性的计算，其计算公式为：

y=ρW1y+βx+μ+α.

(4)

μ=λW2η+ε.

(5)

式中,y为因变量，为洪涝灾害危险性风险值；x为自变量(包括人口密度和GDP)，不仅为风险影响因子，也是城市化体系的主要构成成分；β为自变量的参数向量；μ为随机误差项；ε为随机误差项向量；W1和W2分别为反映因变量和残差空间趋势的的权重矩阵；ρ为空间滞后项W1y的系数；λ为W2的回归系数。

研究过程中，均采用min-max标准化方法(Min-Max Normalization)对数据进行统一处理。

2 实证分析

2.1 闽三角城市化特征分析

2.1.1 社会经济城市化水平特征

社会经济城市化水平可体现人口和经济聚集情况及城市发展质量。计算结果显示，P1、P2、E1、E6、E7、E8在主因子F1中负荷较大(P<0.00)，包含了人口发展、居民生活成本和经济活力等内容，体现了城市化综合水平；E2、E3、E5、S3在主因子F2中负荷较大(P<0.00)，包含了产业增值、产业结构和交通条件等内容，体现了城市产业发展效率；S1、S2在主因子F3中负荷较大(P<0.00)，主要公共服务设施配比相关指标，体现了城市公共服务能力；P3、E4在主因子F4中负荷较大(P<0.00)，包含了人口和产业资源流动情况，体现了城市发展潜力，见表3。

表3 社会经济城市化水平计算结果Table 3 Calculation results of social and economic urbanization level

根据各主成份因子得分情况对闽三角地区社会经济城市化水平进行可视化，见图3。市域尺度上，厦门和泉州社会经济城市化水平领先于漳州，但是从区县尺度上来看，由于城市化发展基础、产业发展功能不同，在数据测算上存在差异。中心城区和部分沿海县级市的城市化综合水平明显高于西部山地地区，城市发展潜力地区主要集中在厦门湾区附近。

图3 目标层主成份因子空间分布图Fig.3 Spatial distribution of principal component factors in target layer

2.1.2 土地城市化水平特征

土地城市化表达了城市化过程中土地条件和土地性质的转化过程，是城市化形成的标志之一[34]。虽然土地城市化为人口增加提供了载体，但诸多研究表明，土地城市化因素对于洪涝灾害风险存在相关性[3,5,35]。研究以2010—2017年土地利用数据为基础，引入用地利用扩张强度指数[36]来表征闽三角地区土地城市化特征。结果表明，近年用地扩张增量比较集中，见图4，主要分布在厦门湾区和北部沿海地区，但用地扩张强度分布较为分散，见图5，除了分布于晋江和九龙江中下游外，南部沿海部分地区也属于扩张高强度区。由于厦门市城市化起步较早，虽然属于用地扩张热区，但是扩张强度弱于泉州和漳州。

图4 用地扩张增量空间分布(2010—2017) 图5 用地扩张强度空间分布(2010—2017)Fig.4 Spatial distribution of land expansion increment Fig.5 Spatial distribution of land expansion intensity

2.2 闽三角洪涝灾害风险特征分析

危险性风险具有较为明显的地理空间分布特征，见图6，远离河流、降雨量较少的山区风险较低，而山区洼地、河流沿岸、河口和湾区附近为高风险区。脆弱性风险分布相对较为分散，见图7，主要原因是除了计算灾害人员伤亡和经济财产损失之外，还计算了灾害对农业、原料和生态供给的损害，因此高风险主要积聚在人口、经济和生态供给指标均处于较高水平的地区。然而在城市化快速进程中，往往以牺牲生态服务为代价，因此脆弱性高风险区邻域出现中低风险断层。城市化水平较低、生态条件良好的地区，风险值根据价值水平呈现分散分布。

图6 危险性风险分布 图7 脆弱性风险分布Fig.6 Hazard judgment Fig.7 Vulnerability judgment

将危险性风险与脆弱性风险结果进行叠加分析，并生成综合风险空间分布图。整理1950至2000年历史文献中该地区暴雨洪涝灾害的相关信息[37]，并随机选取高风险集中的晋江下游地区作为验证节点，爬取2017年前后相关受灾数据位置信息，通过统计计算受灾点核密度分布情况，验证风险辨识结果可靠性，见图8。结果显示，历史受灾区域与本研究高风险判断区域基本一致，综合风险高值集中在流域中下游和城市地区，上游、山区和农村等城市化水平低的地区风险较低。

图8 综合风险分布及验证Fig.8 Comprehensive risk judgment of basin and validation

2.3 城市化特征对灾害风险综合效应分析

2.3.1 社会经济城市化水平与风险空间分布相关性

提取综合城市化水平和城市化潜力结果，并根据各区县计算得分进行象限分布，发现高风险区在社会经济城市化水平上按照城市中心区-县级市城区-县城区三类级别规律分布，见图9：

图9 社会经济城市化水平与风险关系分类Fig.9 Classification of the relationship between social-economic urbanization level and risk

第一类以厦门市集美区和泉州市鲤城区为代表，分布第一象限，城市化水平和城市化潜力均为高值，风险原因是资源高度聚集，城市脆弱性较强，对工程措施依赖；第二类以泉州市晋江市、石狮市为代表，分布第二象限，城市化水平高，但城市化潜力为低值，城市化水平提高以其潜力减弱为代价，社会经济资源聚集，脆弱性强，适灾力弱；第三类以漳州市云霄县、漳浦县、诏安县为代表，分布第三四象限，城市化水平和城市化潜力均为中低值，高风险原因主要为极端气候和孕灾环境高风险性的作用，同时也存在空间资源使用粗放、基础设施欠账多的间接原因，导致适灾能力弱。

2.3.2 土地城市化水平与风险空间分布相关性

对土地扩张强度指数和风险值进行双变量空间自相关分析，Moran’I为0.145，z得分为148.898，P值小于等于0.05，数据置信度较高，可见洪涝灾害风险与土地扩展指数存在显著的聚类和空间正相关的可能性，见图10。计算结果显示，高高集聚区主要分布在晋江入海口及厦门湾区、九龙江下游及南部沿海地区，这些地区大多为城市建成区、区域战略发展核心区。城市化质量的提高有助于城市韧性的提升，从而减缓洪涝灾害风险的发生，但计算结果显示，闽三角高度城市化、快速城市化地区与高风险地区具有一定重合性，在城市韧性防灾层面，该地区的城市扩张强度与城市化的质量并不匹配。

图10 土地城市化水平与风险空间自相关Fig.10 Spatial autocorrelation of land urbanization level and risk

2.3.3 风险主控因子影响效应分析

通过熵权法分别对7个高风险地区20个风险指标进行贡献分析，见图11、图12。危险性指标贡献率差异较大，降雨强度、地理环境决定的淹没范围和河流缓冲的总贡献率具有压倒性强度，其次为地形与地表相关因素。极端降雨情况贡献率较小，对比极端降雨强度统计结果可知，极端降雨的强度和频率虽是闽三角流域洪涝灾害风险的主要来源之一，但在闽三角流域覆盖范围广泛，由此因素决定的风险值差异较小。脆弱性指标贡献率差异相对较小，贡献率较为突出的为生态服务价值，形成该结果的原因是高风险点城市化水平均处于中高水平城镇地区，灾害带来的风险差异多由城市生态服务供给条件决定。

图11 贡献率计算结果 图12 冗余度计算结果Fig.11 Calculation results of contribution rate Fig.12 Calculation results of redundancy

分别提取各高值点贡献率大于80%的风险要素，判断局部高风险点各项指标的贡献率。计算结果显示，市级行政单元风险热点的主控因子贡献率最高的为淹没范围，其次主要为脆弱性因子下的生产价值和生态服务价值，县级行政单元在洪涝灾害风险主控因子除了生产价值和生态服务价值外，人口和社会经济价值也具有突出贡献。从熵权法的计算原理来看，变量贡献率由其信息离散程度决定，贡献率越高，说明该变量相对其他变量来说差异较小[38]。反观计算结果，市级与县级行政单元在灾害主控因子类型上存在相似性，即生态服务价值均为灾害高风险形成的主控因子，说明在高风险地区城市化进程中，生态服务价值在空间上存在较大差异，生态景观格局破碎、不均衡能够加剧洪涝灾害风险。

市、县行政级别差异主要为人口和社会经济价值的贡献。分别统计各区县人口和GDP数据，见图13、图14，市级行政单元的水平远高于县级单元，说明县级单元该两项指标贡献率高，并不是因为人口及经济活动密集，而是由于人口和经济水平不均衡导致。借助GeoDa软件，创建邻接空间权重，分别建立以人口活动(以人口密度为代表)、社会经济活动(以GDP为代表)单一变量回归模型和空间自回归模型，以判断人口和社会经济是否会加剧危险性风险强度。回归模型根据参数向量的不同向量设置为0，可以形成普通线性回归模型(OLR,β≠0，ρ=λ=0)、一阶空间自回归模型(FSAM，ρ≠0，β=λ=0)、空间滞后模型(SLM,β≠0，ρ≠0，λ=0)和空间误差模型(SEM,β≠0，ρ=0，λ≠0，)4种模型[39-40]，由于一阶空间自回归模型忽略了自变量对因变量的影响，因此仅考虑其它3种模型进行计算对比。

图13 高风险点单位面积GDP统计 图14 高风险点常住人口密度统计Fig.13 GDP per unit area statistics at high risk points Fig.14 Population density statistics at high risk points

计算结果显示，单一变量回归模型的拟合度低于多元回归模型，且社会经济与风险的显著性低于人口。这说明洪涝灾害的危险性强度受到人口密度和社会经济活动共同作用影响，且人口活动对灾害的影响更为显著。模型计算结果如表4所示，OLS模型的R2为0.047，残差的Moran’I高达0.761，具有强相关性， 说明人口经济和危险性的关系的解释需要考虑到空间相关性。SLM和SEM模型计算结果较为接近，整体拟合效果SLM略优于SEM，R2为0.782，明显高于OLS，残差的Moran’I接近0，在空间上已不再有明显聚集性。结合SLM模型的特征，可以判断单位面积内危险性的风险情况不仅与该单位的因变量(人口、经济条件)有关，还受到邻域因变量的影响。在SLM模型计算结果显示，常住人口密度回归系数为0.000 14，单位面积GDP为-0.000 02。常住人口密度可以反映区域人口聚集度，单位面积GDP反映区域经济活动活力，因此计算结果表明危险性风险与人口聚集为正相关，与社会经济活动活力存在负相关，即人口密度越大，社会经济活动越弱，危险性风险越高。

表4 多元空间自回归模型计算结果Table 4 Calculation results of multivariate spatial autoregressive model

3 结论

研究分别判断了闽三角地区社会经济城市化和土地城市化的特征，并通过完善暴雨洪涝灾害风险评价体系，构建BP神经网络模型，有效辨识该流域综合灾害风险空间格局，在此基础上，运用空间自相关模型、空间自回归模型及熵权法，探讨了城市化水平与灾害风险空间分布规律及风险主控因子影响效应。结果显示，闽三角流域暴雨洪涝灾害综合高风险区主要分布在河流沿岸、河口处和湾区附近；社会经济城市化水平方面，城市化水平较高地区由于资源积聚，因此脆弱性高，城市化水平较低地区，危险性高，且因设施供应不足导致适应能力弱；城市化空间扩张水平方面，洪涝灾害风险与土地扩展强度存在显著的聚类和空间正相关的可能性，且快速城市化地区更容易受到洪涝灾害风险的威胁。人口和社会经济水平会对洪涝灾害危险性产生影响，人口密度越大，灾害危险性越高，而社会经济活跃，则会间接形成完善的设施服务，灾害危险性则越低。同时，生态服务供给是缓解洪涝灾害风险的关键因素之一，生态格局完整更有利于缓解灾害风险。

综合来看，极端气候事件和自然地理条件直接影响了闽三角地区洪涝灾害风险，其城市化进程对洪涝灾害风险也存在间接影响，松散急速的土地使用决策和高强度的开发强度从不同程度加剧了洪涝灾害的危险性和脆弱性。城市化水平较高、空间扩张强度较大的地区，大多是以海港为脉络，呈环湾发展状态，城市发展对港口依赖程度高，而这类区域发展潜力与灾害高风险并存，因此对于此类区域，应以平衡城市化发展和风险矛盾为主，评估灾害治理与经济价值的投入成本，合理控制不同风险等级城市空间的容纳能力；对于城市化水平相对较低的区域，城市空间积聚资源强度与其发展质量不成正比，不连贯的城市防洪减灾的工程措施和缺失的防洪管理干预不能满足缓解灾害的需求，因此应以防御为主，将风险管理和流域综合治理作为城市发展的有机组成部分和缓解灾害的关键工具。同时，城市活动与自然的相互作用，是城市系统的重要特征，不仅决定了城市系统的结构和过程，也直接影响城市系统的稳健性[41]，因此城市化发展不能忽略生态服务价值对于减缓灾害的贡献，将城市生态系统格局、城市活动与自然的耦合性质融入城市规划研究过程中，尽可能地保证景观格局的完整性，发挥区域生态系统功能效率，提升城市空间的适灾韧性。

由于研究对象为区域尺度，对灾害风险指标选取及处理尺度粒度较粗，在防洪工程设施方面，仅在水文模拟过程中考虑了部分区域大型水利工程设施，仍需要展开对于局部区域的风险模拟，提高研究精度，并考虑小尺度具体水文水力过程和灰色基础设施对灾害风险的缓解效率，进一步完善“区域尺度-城市尺度-街区尺度”的灾害风险研究体系。