城市公共安全系统影响因素的结构方程模型

黄玉杰，林子燚，阳富强，段在鹏

(福州大学环境与安全工程学院，福建 福州 350108)

0 引言

随着我国城市群落数量持续增加、 城市网络系统不断联结，在快速城市化背景下，人口流动规模不断扩大，至2020年底，我国常住人口城镇化率已超过60%[1]. 城市人口持续扩张，过度丰盈的人口数量对城市的公共资源、 环境、 基础设施和城市管理提出了新的挑战[2-4]. 人口城市化偏离目标，加剧了城市的脆弱与失衡，将影响城市的可持续发展[5-7]. 因此，亟需找出影响城市公共安全建设的相关因素及各影响因素之间的关联，从而更好地为城市公共安全提供方向和思路.

2003年SARS事件及2008年汶川地震等一系列城市风险事件的发生，显示出我国在应急管理、 公共安全管理、 风险治理和安全规划等方面的短板，公共安全管理由此得到学者的广泛关注，并在接下来的10 a内与此相关联的主题得到发展及完善[8]. 当前，城市公共安全主要应用于高层建筑[9]、 轨道交通[10]、 公共消防[11]、 城市信息网络[12]和智慧城市[13]等主题进行，对这些主题主要从风险辨识、 风险分析、 风险评估及风险管控等4方面开展研究，对于城市公共安全系统影响因素分析还未进行深入的研究. 结构方程模型是用变量的协方差矩阵来分析变量之间关系的一种统计方法，它将不能直接观测的指标、 概念以潜在变量的形式表现出来，通过创建与测量变量(明显的影响因素)间的线性关系进行分析，是比较好的方法[14].

综上所述，本研究拟采用结构方程模型及AMOS 21.0软件，引入城市公共安全背景系统、 城市公共安全承灾系统及城市公共安全抗灾系统3个潜在变量，构建多因素的城市公共安全系统满意度的结构方程模型，定量描述各个子系统及其影响因素对选择结果的影响大小，分析各个影响因素间的因果关系，通过结构方程假设模型图及修正模型图将两者间的具体数值关系直观地反映出来，从而得出结论及相应的改进措施.

1 城市公共安全系统影响因素分析

1.1 潜在变量与测量变量分析

城市内部秩序及外部环境都存在着影响制约城市公共安全系统发展及完善的因素. 将城市公共安全指标体系中的“脆弱性”和“防护能力”细分为城市公共安全背景系统(自然生态环境)、 城市公共安全承灾系统(城区内硬件设施)及城市公共安全抗灾系统(城区内的软件设施). 各潜在变量含义及测量变量如表1所示. 城市公共安全系统需要综合考虑3个子系统及其内部影响因素的耦合关系及安全可靠度，加强正耦合效应、 减弱负耦合效应，从整体上提升城市公共安全建设水平.

表1 潜在变量与测量变量

1.2 模型假设

由耦合理论和系统分析理论，假设城市公共安全3个子系统间具有相互影响的关系，提出以下6个假设，且根据以下假设绘制出城市公共安全系统SEM假设模型，如图1所示.

图1 城市公共安全系统SEM假设模型

假设H1： 城市公共安全背景系统对城市公共安全承灾系统有正面影响.

假设H2： 城市公共安全承灾系统对城市公共安全背景系统有正面影响.

假设H3： 城市公共安全抗灾系统对城市公共安全背景系统有正面影响.

假设H4： 城市公共安全背景系统对城市公共安全抗灾系统有正面影响.

假设H5： 城市公共安全抗灾系统对城市公共安全承灾系统有正面影响.

假设H6： 城市公共安全承灾系统对城市公共安全抗灾系统有正面影响.

2 结构方程模型

2.1 数学模型

结构方程模型(SEM)分为测量方程和结构方程. 测量方程表示潜在变量与测量变量间的关系； 结构方程表示潜在变量间的相互关系. 测量方程和结构方程的表达式如下：

(1)

η=B×η+Γ×ξ+ζ

(2)

式中：x、y分别为外源、 内源潜在变量指标向量；ξ、η分别为外源、 内源潜在变量组成的向量；Λx和Λy为测量变量与潜在变量的关系；ε、δ、ζ分别为测量变量x、y的测量误差；B和Γ为结构路径系数矩阵，其中B是内源潜在变量之间的关系，Γ是外源潜在变量对内源潜在变量的作用和影响[15].

2.2 模型假设

模型假设是进行结构方程模型分析的首要内容. 主要包括潜在变量和测量变量的选择、 样本容量的确定及结构方程初始模型建立的4个层面. 结构方程初始模型的建立需要根据研究人员的经验和理论分析来选择适配的测量变量与潜在变量，并对模型中可能存在的相关关系指标变量做出假设估计.

2.3 数据检验

将问卷调查数据进行信度、 效度分析是进行参数模型估计有效的前置步骤. 信度分析指的是对问卷量表的可信程度分析，用来检测问卷调查数据的可靠性或稳定性. 信度检验常用Cronbach’sα系数法，用α数值进行评估各题项间的稳定性，其值越大表明测量标准误差值越小. 效度分析是用来检测问卷量表的有效性及正确性. KMO值越靠近1, 表明题项间的共性因子越多； Bartlett’s球状检验用于检验各个变量间的独立性，Bartlett’s检验显著性(即Sig)值为0.000，若小于0.01则拒绝原假设，说明问卷效度可靠，可进行下一步计算.

2.4 参数估计

在结构方程模型中，常用的参数估计法有最大似然法ML、 无加权最小平方法ULS、 二阶段最小平方法TSLS. 本研究通过AMOS 21.0软件进行模拟所采用的是最大似然法ML，它可为模型寻求最可能解释观测数据的值，即运用ML法从观测数据中抽取模型所需数据.

2.5 模型检验

拟合优度指数检验是用来判断所提出的假设模型是否能够用以描述实际变量间的关系. 如果拟合指数未达到标准值，则表示提出的假设存在一定的问题，需要进行进一步分析及修正[16]. 其主要检验指标有显著性检验(P)、 卡方自由度比值检验(χ2/df)、 拟合优度指数检验(GFI)、 残差均方根检验(RMR)、 增值适配指数检验(IFI)、 非规则适配指数检验(TLI)、 比较拟合指数检验(CFI)和近似均方根残差检验(RMSEA). 相应的检验标准如表2所示.

表2 SEM拟合优度指数标准值

2.6 模型修正及解释

当假设理论模型和实际观察数据的拟合优度指数不佳时，可以采用修正指数MI调整假设模型，重新、 反复进行模型的参数估计和拟合. 通常，显著性水平α=0.05，且修正指数大于4的模型才是有意义的. 模型解释即根据模型修正后的参数估计结果结合问卷题项对实际问题进行分析，针对不满足当前城市公共安全系统的影响因素提出建议.

3 实证分析

3.1 数据调查

以福州市主城区为研究对象，调查福州市民对福州公共安全系统的满意程度及看法. 对于问卷调查的发放方式主要是以“线上问卷”为主，共计发放并回收了78份问卷，回收率为100%，满足样本分析要求. 问卷的内容包括居民个人信息及城市公共安全满意度评价两个部分. 基于本文主要影响因素的基础上，满意度评价包含了13个题项. 运用标准Likert 5点量表形式将问卷量表题测选项进行量化赋值，5个程度语言代表对5个选项的见解，“5”表示“影响重大”，“3”表示“影响一般”，“1”表示“不相关”.

由调查市民基本信息可知，18～40岁之间的人数所占比重最大，占调查总人数的73.1%，各个年龄段的居民均有调查，结果更为客观. 城郊居民共35人，占比重为44.9%，城中居民43人，占比重为55.1%，问卷包含城郊、 城中居民且人数相当，结果更符合客观事实.

3.2 验证性因子分析

对测量模型进行验证性因子分析以验证假设模型与实际数据的拟合程度. 本研究运用SPSS 26.0软件计算问卷量表信度、 效度值. 当Cronbach’sα系数值大于等于0.7时，表示可以接受. 信度检验结果的Cronbach’sα系数值为0.759，问卷信度为可以接受，说明问卷量表具有良好的一致性及稳定性. 效度检验结果的KMO值为0.731，Bartlett’s检验显著性为0.000，表明问卷量表各题项间相互独立且具有较多的共性因子.

3.3 模型拟合检验

在进行模型路径系数分析前，需先进行模型的拟合优度指数检验. 若拟合指数不符合标准值则需将假设模型进行修正. 本文采用的拟合检验主要包括： 卡方自由度比值检验、 GFI数检验、 RMR检验、 IFI检验、 TLI检验、 CFI检验、 RMSEA检验等. 运用AMOS 21.0软件对调查问卷所获得的样本数据进行拟合检验，如表3所示. 由表可知，除了χ2/df、 GFI、 RMSEA 等3个拟合指数符合标准要求可以接受外，其余拟合指数均达不到标准值，因此需要对假设模型进行修正.

表3 城市公共安全系统SEM拟合优度指数

3.4 模型修正

修正指数MI主要是使用模型的最小卡方值对模型进行逐参数修正的指数，它主要用于扩展模型路径. 通过修正指数MI进行模型的修正，增加e4和e7、 e8和e12、 e4和e53条路径，使得模型的卡方值减少并符合实际意义. 通过AMOS 21.0软件对城市公共安全系统修正后的模型进行拟合分析，修正后模型拟合优度指数结果见表4. 由表可知，各项拟合指数的拟合值均符合标准值，修正后的模型足够用于描述实际变量间的关系，图中数字表示修正路径系数，城市公共安全系统SEM修正模型如图2所示.

表4 城市公共安全系统SEM修正模型拟合优度指数

图2 城市公共安全系统SEM修正模型

3.5 模型结果分析

由AMOS21.0软件中“Amos Output”中的“Estimates”输出以下表格，表5反映了潜在变量之间路径系数. 表5中的路径系数(即Estimate值，用E表示)均是经过无量纲化处理后的结果，其大小反映了该变量在路径关系中的相对重要程度.

表5 SEM修正模型潜在变量之间的路径系数

由表5可知，在潜在变量的3组路径系数中，城市公共安全承灾系统与城市公共安全抗灾系统之间的相关性最高，为0.820； 城市公共安全背景系统与城市公共安全承灾系统的相关性次之，为0.424； 城市公共安全背景系统与城市公共安全抗灾系统之间的相关性在三者中最低，为0.381. 由P值(不接受原假设的程度)可知，3组路径的P值均小于0.05，表明可接受SEM假设模型的全部假设情形.

表6反映城市公共安全系统中潜在变量与其测量变量之间的路径系数大小，表6中E值表示各路径系数的估计值，正数表明二者间存在正相关关系.

表6 SEM修正模型参数估计及其统计量

在城市公共安全背景系统中人文因素对其的影响较大，说明在城市安全建设中，由人的不安全行为造成的危害及其可能性大于自然灾害，这也符合安全学中所说的管安全即管人的不安全行为.

在城市公共安全承灾系统中生命线工程对其影响最为重要. 它的存在维系着城市日常的正常运转. 福州市正在逐步完善其交通系统(包括公路、 地铁)，便于市民出行； 同时医疗保障服务可在“e福州”上进行查询和预约，不断健全的医疗体系有利于增强市民对城市公共安全的满意程度. 与生命线工程具有同等重要性的影响因素为城市类型，表明福州市民对其所居住城市的主体风险较为关心.

在城市公共安全抗灾系统中技术保障能力对其影响最大. 福州市的数字福州正在打造“云上峰会”和常态化抗疫，将科学技术融入城市的公共安全建设中，全面促进社会和谐稳定发展. 同时，安全管理能力与应急救助能力对公共安全抗灾系统的影响系数值较大.

在城市公共安全管理系统中，城市市民对于城市中各级管理者对经济的调节能力、 社会治安的治理能力、 突发事件的处理能力等安全问题较为重视，城市管理者对于城市安全问题可以从宏观上进行规划、 从微观上进行处理，城市的公共安全事件发生率将会有效降低. 在城市的应急救助方面，科学、 合理、 有效地从家庭到小区、 从小区到街道、 从街道到社区、 从社区到各区域, 进而达到整个城市进行应急救助单位的划分和规划，在突发事件发生后，能够以各小组单元进行及时救治，是市民认为在城市安全发展中重要的一个层面.

4 结语

1) 采用SPSS 26.0软件对问卷调查量表进行信度、 效度检验分析，通过计算可知，Cronbach’s α系数值为0.759，表明问卷信度为可以接受，问卷量表具有良好的一致性及稳定性； KMO测度值为0.731，表明问卷量表中各题项具备较强的相关性； Bartlett’s检验显著性(即Sig)为0.000，说明问卷效度可靠.

2) 城市公共安全背景系统、 城市公共安全承灾系统、 城市公共安全抗灾系统三者间有着直接正向影响关系，城市公共安全承灾系统与城市公共安全抗灾系统之间的相关性最高(0.820).

3) 在城市公共安全背景系统中人文因素对其影响较大(0.611)； 在城市公共安全承灾系统中生命线工程对其具有显著性影响(0.415)； 在城市公共安全抗灾系统中技术保障能力对其的影响较大(0.529).

后续的相关研究可以结合不同地区的城市公共安全系统，对潜在变量和测量变量进行调整，并增加样本数量，结合经济、 生态等情况进行详细分析.