基于多源数据的江苏省城市韧性影响因子分析

舒文杰,胡晋山,康建荣

(江苏师范大学 地理测绘与城乡规划学院,江苏 徐州 221116)

0 引言

“十四五”规划建议明确提出,要建设韧性城市,提高城市治理管理水平,加强城市风险防控。近年来,如何提高城市抵御、适应不确定风险的能力,建设有韧性能力的城市正成为当前地理学、城市规划及其相关学科领域亟待探索的新课题。

韧性(Resilience),源自拉丁语“resilire”,最初被应用于工程学、物理学,代表材料受到形变作用后恢复至原始状态的能力[1]。1956年,Holling提出“适应性循环”理论[2],被众多学者运用到地理学、生态学,城市规划学等领域研究中,该理论被广泛认为是现代城市韧性理论的思想基础。当前,虽然不同学科对城市韧性的概念定义不尽相同,但部分内容形成共识,即城市面对扰动时,具备适应、抵抗、恢复的能力[3]。近年来,学者们关于城市韧性的研究多侧重于韧性测度[4,5],如通过计算雾霾灾害指标评估城市灾害韧性[6],以城市群研究尺度评价城市韧性空间格局[7-9],从人居环境、经济发展与环境质量、日常活动-环境系统角度分析城市生态韧性[10-12]。随着研究成果的不断丰富,相关研究人员开始逐渐聚焦于城市韧性的影响因素探讨,并立足于多种测度模型探究影响城市韧性的深层次因素。如:物理学耦合模型[13]、计量经济学回归模型[14]、障碍因子诊断模型[15,16]、相关性分析[17,18]、结构方程模型[19]。而对于城市韧性影响因子的研究,现有的研究数据多采用社会发展统计公报、城市统计年鉴,数据来源单一重复,缺少多元化及科学全面性[20]。因此,本文基于经济、社会、基础设施、生态4个维度构建城市综合韧性评价体系,借助熵值法对江苏省13个地级市进行城市韧性测算,分析城市韧性空间分异格局。引入多源数据如POI(point of interest,兴趣点)数据、OSM(open street map,路网)数据、AQI(air quality index,空气质量指数)数据、遥感数据以及统计年鉴数据,建立影响因子,弥补传统统计年鉴数据在实证研究时数据广度和深度的不足。运用地理探测器模型探究影响因子对江苏省城市综合韧性的影响程度。相关研究结论以期为江苏省及其他省份城市管理建设提供借鉴。

1 数据来源与研究方法

1.1 数据来源及预处理

本文使用的数据包括统计年鉴数据、多源遥感数据、POI数据、OSM数据和AQI数据。受数据获取难度和新冠疫情的影响,2020年后统计局发布的城市年鉴数据存在大量缺失,使得疫情期间基于统计数据的江苏省城市韧性定量分析工作难以进行。研究数据的时间尺度为2019年,空间尺度为江苏省全域。

其中,POI数据通过高德地图API接口运用Python爬虫获取,总共获得了5 461 314条数据,经过清洗整理后得到20种中类功能点的相关数据,包括社会设施和交通设施,共485 815条数据。多源遥感数据包括夜间灯光数据、DEM数据和NDVI归一化植被数据集。夜间灯光数据从NOAA/NGDC网站下载,经过校正和裁剪操作得到江苏省各城市的夜间灯光均值。DEM数据来自地理空间数据云,通过统计和计算得到研究区的地形起伏度。NDVI归一化植被数据表示城市的植被覆盖率,数据来自中国科学院资源环境科学与数据中心,经过处理得到2019年江苏省各城市的归一化植被指数均值。OSM数据为开源地图数据,通过网站(http://www.openstreetmap.org/)下载得到2019年全国的路网数据集,并经过处理得到江苏省的路网信息。AQI数据来自空气质量在线监测分析平台,获取了2019年江苏省各城市的月度空气质量数据,并计算得到年度均值作为城市生态环境指标。统计数据主要使用了2020年《中国城市统计年鉴》、2020年《江苏省统计年鉴》和2020年各地市国民经济和社会发展统计公报。对于部分缺失数据,采用了线性插值法进行补缺。

1.2 研究方法

1.2.1 城市韧性评价体系

参考已有研究成果,从经济-社会-基础设施-生态4个维度构建城市综合韧性评价体系[21,22]。其一是城市经济韧性,表现为城市面对未知因素冲击时表现的经济稳定性,共设有6个评价指标;其二是城市社会韧性,表现为城市遭受冲击时维持社会稳定能力,共设有5个评价指标;其三是城市基础设施韧性,表现为城市基础设施的建设及服务水平,共设有5个评价指标;其四是城市生态韧性,表现为城市发展过程中遭受自然灾害的抵抗能力,共设有7个评价指标,详见表1。

表1 城市韧性指标体系及权重

熵值法通过数据的信息熵即信息的无序程度来客观地度量数据指标的相对幅度,是一种客观赋权法,相比层次分析法能够克服其主观评价,使得数据评价更具备可信度。其公式如下:

(1)

(2)

式(1)、式(2)中,yij为已标准化后的数据矩阵,xij为第i个城市、第j项指标的数据值,min(xij)为数据矩阵中第j项中最小的数据值,max(xij)为数据矩阵中第j项中最大的数据值。当数据指标在评价分析中呈现正向作用时,采用式(1),当数据指标在评价分析中呈负向作用时,采用式(2)。

(3)

(4)

(5)

式(3)中ej为第j项指标的熵值,k=1/lnm,其中m为评价指标的数据;式(4)中pij为第j项指标下第i个样本值占该指标的比重;式(5)中wij为指标权重,eij为熵值,n为指标个数。

Yi=∑wij×yij

(6)

Xi=∑Wi×Yi

(7)

Si=∑Qi×Xi

(8)

式(6)中Yi为评价指标的得分,wij为其评价指标权重;式(7)中Xi为子系统韧性指标的得分,Wi为子系统韧性指标权重;式(8)中Si为城市综合韧性指标的得分,Qi为城市综合韧性指标权重。

通过式(5)、式(7)对数据进行处理,得到2019年江苏省子系统韧性权重4项,各个韧性评价指标权重23项,其中负向指标4项,正向指标19项,计算结果见表1。

城市综合韧性的空间分布特征受多种因素共同影响,参考相关学者研究成果[13,23-28],将多源数据清洗、加工处理后,从地理空间、生态环境、基础设施、城市发展、成本投入5个方面,最终选取12个影响因子,验证不同因子对城市韧性空间分异的驱动影响。影响因子的指标释义及计算方法见表2。

表2 城市韧性影响因子指标及计算方法

1.2.2 地理探测器

地理探测器是由王劲峰[29]提出的一种探测地理空间分异性的统计方法,其因子探测及交互作用探测能有效的度量空间分异背后的驱动因子[30,31]。

(9)

地理探测器的交互作用探测可以分析不同因子对城市韧性的影响情况,交互作用探测首先通过探测不同因子对城市韧性的q值影响,得到q(X1)、q(X2),再根据两两因子交互得到q(X1∩X2)。通过比较三者之间的关系,得到5种交互作用类型,结果见表3。

表3 双因子交互探测类型

2 结果分析

2.1 城市韧性空间分异特征

利用表2中2019年江苏省各子系统韧性权重,通过式(8)计算得到江苏省13个城市韧性分值并进行排名,见表4。基于表4的数据运用自然断裂法在ArcGIS10.3中对城市韧性等级进行分类,如图1所示。

图1 江苏省城市韧性空间分布格局

表4 江苏省城市综合韧性得分

从城市综合韧性表现看(图1(e)),江苏省的城市韧性在空间分布上显示出显著的分异特征,江苏南部的城市韧性水平明显高于中部和北部。苏南地区的城市,如苏州市、南京市、无锡市、常州市和镇江市,表现出中高级别的城市综合韧性。其中,苏州市和南京市的城市综合韧性显著高于其他苏南城市,处于江苏省内的领先水平。位于江苏中部地理空间的城市,如南通市、扬州市、泰州市和镇江市,其综合韧性水平处于较低或中等级别,城市综合韧性均值达到0.357。而苏北地区的城市,主要包括徐州市、淮安市、盐城市、连云港市和宿迁市,其综合城市韧性均值为0.211。这种差异的原因在于苏南地区的城市在快速发展经济的同时,也在城市基础设施建设和城市管理方面取得了显著进展,从而提高了城市在面对各种未知因素时的抗干扰能力和快速恢复能力。相对于江苏北部地区,南部地区具有较多高韧性水平的城市,形成了南北城市综合韧性的空间分异格局。

根据图1(a)和(b)以及表4的结果显示,在城市子系统韧性方面,除了镇江市和常州市外,其他江苏城市的基础设施韧性和社会韧性在地理空间上呈现集聚特征,并与城市的综合韧性(图1(e))相似。生态韧性较高的城市主要包括扬州市和南通市,而中等和较低水平的生态韧性城市则环绕在高值生态韧性城市的周边(图1(c))。从经济韧性上看,高值和中值韧性的城市主要集中在苏南区域,代表性城市包括苏州市、南京市、无锡市和常州市等。而低值和较低值韧性的城市主要集中在苏北区域,例如徐州市、连云港市和宿迁市等(图1(d))。需要注意的是,尽管徐州市位于苏北城市圈内,但其经济韧性排名在全省中位居第7位,属于苏北区域中经济韧性较强的城市。

2.2 城市韧性的空间分异机理分析

根据地理探测器模型,将江苏各城市韧性值作为因变量,12个影响因子作为自变量进行因子探测,其中各影响因子的数据经自然间断法处理后得到分类数据,然后将上述数据与各城市韧性值导入地理探测器模型计算得到各影响因子的q值。计算结果见表5,根据探测结果将探测q值超过0.800,且显著性水平通过5%判定为城市韧性主导影响因子。

表5 影响因子地理探测结果

从表5可以看出,共有7个影响因子指标通过5%水平的显著性检验,其中1个因子通过1%水平显著性检验,q值均高于0.8的空气质量指数(X4)、水电投入指数(X11)、社会设施密度(X5)、城镇就业人口(X12)为影响江苏省城市韧性的主导因子。其中,地形因子(X1)未通过显著性检验,且q值影响力仅为0.077,表明研究区地形起伏度特征并未制约江苏省城市韧性空间格局形成。

单因子分析可以解释单因子变量对城市韧性影响作用,因子交互探测可以进一步识别不同因子两两交互作用下对城市韧性影响情况。经过双因子探测分析,12个影响因子交互影响q值、交互作用类型见表6。

表6 交互因子探测结果

从表6可以看出,双因子交互作用下对城市韧性的解释力均大于单因子的解释力,且交互作用类型多为双因子增强,极少为非线性增强。空气质量指数(X4)、社会设施密度(X5)、水电投入指数(X11)、城镇单位就业人口(X12)4个因子与其他单因子交互作用极大推动城市韧性空间分异格局的形成,双因子交互q值均处于0.900以上,此结果进一步说明影响城市韧性的空间差异的主导因素取决于成本投入、基础设施、生态环境共同影响。

在定量探测影响江苏省城市综合韧性主导影响因子和双因子交互的基础上,进一步分析探讨城市韧性空间分异的内在机理,有助于为城市韧性科学管理、省域韧性协调发展提供参考。

1)成本投入。成本投入包含2个影响因子,其中水电投入指数与城镇单位就业人口的q值分别排行第2、第4,表明成本投入与城市韧性水平有着较为显著的影响关系。城镇就业人口代表着城市劳动力,充沛的劳动力可以促进城市产业及科技创新进步发展,有助于城市社会经济提升,起到激发城市活力,推动城市韧性水平提升作用[32]。水电投入同时又是当地城市经济活跃的代表变量,也象征着当地二三产业发展规模。研究指出,城市经济发展水平的提升能够推动城市生产规模变迁、产业结构升级,进而促进城市韧性水平提升[13]。江苏省南部区域城市如南京市、苏州市,是经济相对发达区域,经济韧性水平处于高值水平(图1(d))。因此,成本投入是影响江苏省城市韧性空间分异的重要因素。

2)基础设施。基础设施包含3个影响因子,其中社会设施密度、交通设施密度q值分别排行第3、第6。这表明基础设施对城市韧性起到重要影响。一般来说,城市基础设施相对完善,有助于城市抗灾容灾,在城市遭受自然灾害、不确定灾难事件后具备快速恢复、可持续发展能力,保证城市能够正常运行[33]。基础设施欠完善的城市,城市公共交通、社会设施在面对灾害侵袭时易出现响应速度慢、交通拥堵、机动性低等问题,风险应对能力及城市灾后恢复能力较低[33]。因此,基础设施是影响江苏省城市韧性空间分异的重要因素。

3)生态环境。生态环境包含2个影响因子,空气质量指数、归一化植被指数q值排行分别为第1及第5。说明生态环境是影响城市韧性空间分异主导因子。城市发展在一定程度上会对生态环境产生负向压力,造成气候异常、大气污染、地下水污染等问题,易引发自然灾害对城市社会造成经济、生命损害。而高水平的生态韧性也同时具备了较高的区域生态风险防范能力,满足人类社会基本的生态安全需求。因此,生态环境是影响江苏省城市韧性空间分异的主导因素。

3 结论和讨论

3.1 结论

基于2020年江苏省统计年鉴数据建立城市韧性评价模型,对江苏省城市韧性的空间格局进行了测算分析。利用POI数据、遥感数据及统计数据等多源数据,运用地理探测器模型探讨了江苏省城市韧性空间分异的影响机理。主要研究结论如下:①江苏省城市综合韧性表现出显著的空间分异特征,城市综合韧性水平自南向北逐渐降低,形成南部高于北部的空间格局。子系统城市韧性中,基础设施韧性、社会韧性的地理空间分布与城市综合韧性格局基本吻合。②江苏省城市综合韧性受地形起伏影响低,主要受到如:空气质量指数、社会设施密度多个主导因子综合作用。主导因子与其他因子两两交互作用下,双因子交互作用,对城市综合韧性的影响强度远大于单因子影响,交互作用类型主要为双因子增强。③江苏省城市韧性空间格局形成与成本投入、基础设施、生态环境3个因素密切相关。在影响机制上,成本投入影响着城市产业结构、科技创新能力的提升,有利于城市经济韧性水平提升;城市基础设施的多样化程度,能够为城市提供切实有效的生命防线,有助于提高城市基础设施韧性水平;良好的生态环境能够显著促进城市生态韧性增强,在城市生态风险中扮演重要角色。

3.2 讨论

基于上述对江苏省城市韧性的空间格局及影响因素分析,为未来江苏省城市韧性的建设提出以下几点建议:①韧性水平协调发展。鉴于江苏省南部城市相对较高的综合韧性水平,政府可以通过引导投资和资源向北部城市倾斜,推动北部城市的发展,以实现区域平衡。②环境治理和污染防控。由于环境因素在城市综合韧性中的重要性,政府应加大力度推进环境治理和污染防控工作。包括加强空气和水质监测,减少污染物排放,推动清洁能源使用,改善城市环境质量,提高城市韧性水平。③促进产业结构优化和升级。表明成本投入对城市韧性具有重要影响。政府可以采取措施促进产业结构优化和升级,鼓励技术创新和知识密集型产业的发展,提高城市的经济韧性和创新能力。

通过对江苏省城市韧性空间分布及影响因子进行剖析,相关研究结论对城市管理有一定参考意义,但仍存在以下不足:①由于疫情影响,2020年之后的江苏省统计年鉴数据严重缺失,未能分析近几年江苏省城市韧性空间分异格局,也未能探究不同影响因子对江苏省城市韧性空间格局驱动机理。②研究方法上,未来可采用神经网络、多种深度学习模型等方法进行一步论证成本投入、基础设施、生态环境对城市韧性空间分布的影响,丰富及充实城市韧性研究内容。