特大城市公共安全风险评价研究——来自21 个特大城市的实证数据①

柴 龙

（陕西警官职业学院，陕西 西安 710021）

一、引言

2020年第七次全国人口普查数据显示，我国特大以上城市已经达到21个。目前超大城市有上海、北京、深圳、重庆、广州、成都、天津7城，特大城市有武汉、东莞、西安、杭州、佛山、南京、沈阳、青岛、济南、长沙、哈尔滨、郑州、昆明和大连14城。特大城市的城区人口规模通常在500万以上，人口具有很强的流动性，当出现突发性公共安全事件时，产生的风险波及面较广，城市运维工作往往遭遇极大阻碍。同时，建筑设施高度集中、交通系统持续处于高负荷运转状态、城市土地综合开发水平较高、对资源和能量的需求较大等特征也加剧了城市系统的脆弱性，进一步对环境造成较大损害。［1］2021年，针对特大及以上城市风险防控和化解国家安全屏障等方面的问题，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》阐述了具体的发展指导意见，要求特大及以上城市必须更有效、更高标准地应对和防范重大突发风险。特大城市作为我国崛起的一种新兴城市形态，其城市安全管理工作面临着新的挑战，亦成为我国经济社会高质量发展过程中亟待解决的关键性问题。［2］

在公共安全风险评估体系方面，国内外学者做出了大量工作，形成了较多极具参考价值的研究成果。［3、4、5］关于公共安全风险评价体系方面的相关研究主要可归为三类，第一类以持续性业务评价量表为主要工具的“单纯能力评价”；第二类以UNDP构建的灾害危险指标（DRI）为代表的“单纯脆弱性评价”；第三类为“脆弱性与能力综合评价框架”，也是目前应用较为广泛的评价体系。我国公共安全风险评价工作的重点是建立和健全城市公共安全评价体系。孙毓鸿［6］从资产、脆弱性、威胁三个角度出发，提出了一种全新的AF-RA评价模式。刘继川［7］等建立了“灾难严重度——危机处理”的城市公共安全评价指标体系。李琼等［8］从自然环境风险、基础设施运行风险、公共安全风险三个方面出发，认为城市公共安全风险因子评价的主要指标是城市社会风险和产业金融风险。从整体上看，关于城市公共安全风险问题的研究具有视角多元化、学科广泛化和维度多层式的特点，但仍存在有待补充和推进之处。第一，某些风险评价的手段有其局限性。比如，风险矩阵方法可以将危险因子的出现概率和影响度进行量化，但是关于危险的概率和影响因子的定量分析仍然是经验式的，尚未有准确、严密的评价。第二，调查对象不完整。已有调查多集中在国家层面或省级层面，我国的特大城市具有独特的社会环境属性，因而在建立相应的评价指标体系时也存在一定差异。

基于此，本研究以我国21个特大城市为具体研究对象，从风险评估、公共安全管理、指标构建、因素分析等角度研讨其存在的公共安全风险。一方面基于国内外已有研究构建了评价模型，结合现实数据分析我国特大城市公共安全风险现状，运用熵值法测度我国特大城市公共安全风险系数；另一方面考虑特大城市公共安全承突能力及抗灾能力，运用基准回归模型筛选出影响我国特大城市公共安全风险的主要因素。本研究具备理论价值与实践意义：一方面有助于深化特大城市公共安全风险评价的相关理论，从而为今后的理论研究提供新的方向；另一方面有利于推动我国特大城市治安综合治理的发展，为特大城市防范与应对公共安全风险提供实践层面的指导，最终有益于提升我国城市整体公共安全水平。

二、评价指标体系构建

（一）特大城市公共安全风险影响因素识别

本部分借鉴刘继川、李琼等［8］学者的研究，以特大城市公共安全风险为具体研究对象，从自然灾害、事故灾难、公共卫生事件、社会安全事件四个方面着手，综合衡量评估相关指标，最终筛选出22项指标。其中自然灾害危害性较大，涵盖了崩塌发生次数、地面塌陷发生次数、地质灾害发生次数、地质灾害死亡人数、地质灾害直接经济损失、高温天气（平均高于30摄氏度）持续最长天数、旱灾成灾占受灾面积比例、滑坡发生次数、泥石流发生次数、年均降雨量、水灾成灾占受灾面积比例、汛期月均降雨量等指标；事故灾难包含道路交通事故损失折款、十万工矿商贸企业从业人员出现生产安全事故死亡率、十万人口火灾发生率、亿元地区生产总值安全事故死亡率等指标；食品药品安全事件、传染性疾病事件等指标归属于公共卫生事件范畴；刑事案件立案起数、刑事案件破案率、治安案件查处率、治安案件受理起数等指标归属于社会安全事件范畴，具体如表1所示。

表1 指标体系框架

（二）特大城市公共安全风险指数测度

1.数据获取。本部分参考了大量统计资料和文献（孙华丽等［9］；张丽娜等［10］），主要从两个方面进行了基本指数资料的采集：一是通过食药、卫生、环保、水利、电力、气象、安监局、国土资源部等官方网站，获取了有关城市降水、气温等气象灾害信息；滑坡、泥石流、地表塌方等地质灾难资料；交通安全、煤矿、工商安全、消防等行业信息以及突发环境事件资料等。二是从《中国经济年鉴》《中国统计年鉴》以及《中国劳动统计年鉴》等相关文献资料中收集了大量刑事、治安立案统计资料、人群特征资料等。通过上述方法，本部分总共获取了中国21个特大城市2010年至2021年12年间22个基础指标的数据，共5 544个数据。

2.熵值法实现过程。熵值法是指从各个指标的观测值出发，依据信息值最终确定指标的权重，其赋权方法具有客观性，具体的算法实现过程如下：

（1）数据矩阵。

其中，Xij为第j个指标第i个对象的评价值，1≤i≤m，1≤j≤n。

（2）数据的归一化处理。在确定各个指数的权重时，首先要将各个指数的绝对价值转换成相应的数值，这样就可以避免各个指数之间的均一性。积极与消极指标的意义不一样，积极指数的值愈高愈好；消极指数的值愈小愈好，故应采取不同的资料规范化处理。对于第i个评价对象而言，标准化第j个指标数据得出Pij，该指标表示对于第i个评价对象而言，第j个指标值的最大值、最小值之间存在的偏差；对第i个评价对象而言，第j个指标具备的原始数据用Xij表示；被评价对象用n表示其数量。

对于积极指标：

对于消极指标：

对本部分的22个指标，先进行正向化处理，再按照上述步骤标准化。

（3）计算第j个指标第i个对象指标的比重。

（4）计算第j个指标的熵值ej。

其中，自然对数用ln表示，ej≥0。式中样本数m决定了常数k，通常c=，则0≤ej≤1。

（5）计算第j个指标的熵权。

（三）评价结果

用熵权法计算各个指标的权重，结果显示，权重排名前三的为治安案件受理起数（0.1110）、道路交通事故损失折款（0.0797）、刑事案件立案起数（0.0568），权重最低的为传染性疾病事件（0.0308）、治安案件查处率（0.0335）、汛期月均降雨量（0.0338）。之后根据以上权重计算得到综合指标得分。

三、特大城市公共安全风险影响因素的实证分析

（一）研究设计

1.变量选择。结合以上对于特大城市公共风险指数的分析，本部分借鉴赵冬月［11］、胡传博［12］等学者的研究，选取的主要变量如表2所示。

2.模型构建。根据本部分的研究目的，建立面板数据模型：

UPSFit=α0+α1INFit+α2ECDEit+α3SOSEit+α4ECOit+α5LRit+α6PCPit+α7EDit+α8lnPOPit+μi+νt+εit

其中，α0为常量，代表其他数值为0的时候，UPSF的平均值；α1为系数项，代表解释变量、控制变量对被解释变量的影响；i代表第i个大型城市；t代表数据所在的年份；εit则代表未被考虑到模型中的其他因素，从数值上来说，是实际值与真实值的差值；μi代表个体效应；νt代表年份效应。本研究控制了个体效应和年份效应对被解释变量的影响，可以使得模型结果更为精确。

3.数据的采集及处理。在特大城市公共安全风险影响因素的变量选取上，主要借鉴《城市公共安全风险识别规范》《国家突发公共事件总体应急预案》等文件对于城市承突能力、抗灾能力的衡量标准。继续获取有关特大城市承突能力及抗灾能力的相关指标数据，总共收集到我国21个特大城市2010年到2021年12年间22个基础指标和1个人口指标的数据，共5 769个数据。利用熵权法得到权重如表3所示。

表3 承突能力和抗灾能力指标权重

从表3可以发现，权重最高的为人均GDP，权重最低的为电信长途光缆线路长度，根据以上权重，得到各二级指标得分。

（二）描述性统计

本部分对观测值的数量、均值、标准差、最小值以及最大值进行描述性统计。结果显示，研究数值样本个数均为252个，说明缺失数值均已剔除；UPSF的均值为0.4453，标准差为0.0958，最小值为0.2728，最大值为0.7456，数据的区间波动比较大；INF的均值为0.1204，最小值为0.0288，最大值为0.2703，数据比较倾向于最小值；ECDE的均值为0.0229，最小值为0.0009，最大值为0.1553；SOSE的均值为0.0775，其最大值和最小值分别是0.1553和0.0029，存在较大的波动；ECO的最大值和最小值分别是0.0641和0.0025，均值达到0.0333；LR的最大值和最小值分别是0.1109和0.0000，均值达到了0.0520；PCP和ED的均值分别是0.0477和0.0455。

（三）相关性分析

相关性分析是两两变量间在未加入其他变量和相关效应控制下的结果，因此只能作为初步判断，但不能作为回归结果的判断，若绝对值高于0.8，那么存在多重共线性特征，需要进行修正。相关性分析结果如表4所示：

表4 相关性分析

从表4可以发现，解释变量相关系数最大值的绝对值低于0.8，初步判断不存在相关性过强导致的模型结果不好的问题。解释变量INF、SOSE、ECO、PCP、ED与被解释变量UPSF的相关系数分别为-0.5168、-0.2072、-0.4597、-0.6621、-0.4478，表明均存在显著的负相关关系，即INF、SOSE、ECO、PCP、ED的增加会引起被解释变量UPSF的降低；而ECDE、LR与UPSF的相关系数虽然是负向的，但是不显著。由于相关分析没有考虑到大型城市效应的影响，也未加入其他解释变量加以控制，因此需进一步进行回归分析。

（四）模型检验及选择

1.多重共线性检验。由于相关性分析只是两两变量之间的相关性，更为精准的判断共线性的方法是VIF检验。VIF检验是将每个解释变量或者控制变量与其余的解释变量或者控制变量进行回归，得到的拟合优度若高于0.9，即VIF值高于10，则说明其他解释变量或者控制变量与该解释变量关系过强。VIF检验结果显示：各变量的VIF值都在10以下，SOSE的VIF为4.3100，为VIF中最大项，并且经过了方差膨胀因子的测试，因而可视为无多重共线性。

2.模型选择。模型检验结果如表5所示：

表5 模型检验结果

从表5可以发现，F检验的P值为0.0000，表明应选择固定效应模型；LM检验的P值为0.0000，表明应选择随机效应模型；进一步在固定和随机之中进行选择，Hausman检验的P值为0.0000，表明应选择固定效应模型。经过三个检验，确定固定效应模型最为合适。

（五）回归分析

接下来对固定效应模型进行估计，估计结果如表6所示：

表6 模型估计结果

从表6的估计结果中，F检验的结果为54.3540，模型整体通过了显著性检验。城市公共安全有其自身的生成和发展规律，它是源发性要素和促发性要素相互耦合过程和结果的反映。尤其是特大城市，因为规模体量更大、人口结构更复杂、流动性更高，因此其城市公共安全管理体系更为复杂，如基础设施建设、社会保障等要素也成为了特大城市公共安全的重要影响变量。

回归结果显示，基础设施建设（INF）的系数为-0.1086，在1%的显著性水平下存在负向影响，表明基础设施建设水平越高，城市公共安全风险水平越低；物质性层面的建设是城市公共安全治理现代化的前提和基础，且在所有正向影响指标中，基础设施建设水平对于城市公共安全风险的贡献率为最大。实践证明，城市生命线系统、防灾设施系统、环境保护系统以及科教文卫服务性设施等作为城市治理和发展的重要基础设施，其建设水平越高，在特大城市公共安全管理体系中发挥的基础性作用也越强，同时，城市公共安全风险水平也将随之降低。社会保障（SOSE）的系数为-0.0259，在5%的显著性水平下存在负向影响，表明社会保障水平越高，城市公共安全风险水平越低。特大城市经济发达，人口密度大，住房需求高，房价高，供需缺口带动房价高涨，部分居民对住房需求不理智，出现住房资源占有不平衡、紧缺的情况。与此同时，空巢老人、空巢青年、离婚家庭急剧增加，人口老龄化、独居居民的增加、代际关系的弱化导致养老、住房等社会保障问题成为流动人口中的中年人、老年人所最为关注的问题。只有做好社会保障工作，才能提高公众对于特大城市政府的信任度，拥有良好的群众基础也将从侧面缓解特大城市在社会治安方面的公共安全管理风险。生态环境（ECO）的系数为-0.0497，在1%的显著性水平下存在负向影响，表明生态环境越好，城市公共安全风险越低。加拿大生态学家Crawford·S·Holling（1973）首次将韧性的思想应用到系统生态学的研究领域。生态韧性不仅意味着系统能够恢复到原始状态的平衡，而且可以促使系统形成新的平衡状态。生态韧性强调系统得以持续生存的自我适应和自我修复的能力。因此，打造具有恢复韧性的生态环境能够进一步加强特大城市应对诸如地质、旱涝灾害等城市安全风险的能力，进而降低公共安全风险。防治项目（PCP）、应急演练（ED）的系数分别为-5.0063、-0.0655，在1%的显著性水平下存在负向影响，表明在防治项目水平、应急演练水平比较高情况下，城市公共安全风险水平越低。防治项目与应急演练两个指标具有较强的内部联系，其中的防治项目在所有指标中的影响系数为最高，结合前文对于基础设施、生态环境的分析，在城市公共安全管理体系中，加强基础设施与生态环境等的建设是基础性工作，并注重自然灾害等防治项目的建设，能够较大幅度地提升特大城市的抗风险能力。同时注重在日常生活中引导社会公众积极参加应急演练，提高个体对于城市安全风险的应对能力，由此整体提升城市公共安全风险管理能力。经济发展（ECDE）和法律法规（LR）的负向影响不显著，原因可能在于经济发展与城市公共安全风险之间存在内生性，且各城市关于城市风险的法律法规数量较为欠缺，因此二者对特大城市公共安全风险造成了威胁。

（六）稳健性检验

为了结果的稳定性，将2020年和2021年受到疫情影响的数据加以剔除，若解释变量对被解释变量的影响方向和影响的显著性仍然是一致的，说明模型结果是稳定的，检验结果如表7所示。从表7可以看到，变量的显著性与前文是一致的，因此，模型结果通过了稳健性检验。

表7 稳健性检验

四、结果讨论

（一）特大城市公共安全承突能力讨论

很多灾难事件发生后，往往会引发一系列的次生灾难，也就是所谓的“灾难连锁”或“灾害链”。前文对特大城市的灾难承载能力和公共安全危险程度进行了相关分析，发现“基础设施”在承受突发事件的能力中，随着各系数单元的提高，其城市公共安全的危险程度下降了0.1086。“生态环境”指数的增加，使城市公共安全的危险程度减少了0.0698。造成这种现象的主要原因在于，随着城市化和工业化的不断推进，特大城市产业链与供应链日趋复杂，各种承灾体暴露度、集中度、脆弱性都在进一步加大，多灾种的聚集和灾难链条的特点日趋明显，风险的系统性和复杂性也在持续加剧。另外，根据“生态环境”灾情链条构成原则，不同灾种对环境反应程度也不尽相同，有些灾种对某些环境几乎没有影响；不同灾害的作用区域（规模）也不一样。

以基础建设与生态环境的关联为前提的城市建设虽然可以大大提升整个城市系统的协调和运营效能，但某个单一意外很可能导致多起事故，并演变成复杂、系统的关联事件，从而导致影响的范围不断扩展，产生巨大的经济损害，城市的承灾能力与城市的社会治安风险密切相关。因此，基础设施所引发的灾难势必会给公众生产生活造成巨大冲击；而由于生态脆弱所引起的灾难，在短期内难以恢复，极易引起舆论乃至群体性事件，从而产生不良的社会后果。因而，在特大城市的承灾能力建设中，必须重视以上两个重要指标。

（二）特大城市公共安全抗灾能力讨论

通过对特大城市的灾害防御和社会治安危险程度的分析，发现“防治项目”在超大型城市的防灾能力中，随着其指标的提高，整体的社会治安危险指数下降了3.4885个单位。随着“应急演练”等级的提高，城市公共安全风险也将下降0.0721个单位。“防治项目”对特大城市的治安隐患的影响因子值是“基础设施”“生态环境”和“应急演练”三个指标的三倍以上。一般情况下，城市公共安全相关管理部门都会结合自身职能特征设定相应的应急预案，重大公共安全事件发生时，各个单位往往难以第一时间对上属部门的统一指挥做出响应，“保持步调一致”的可操作性较弱。从另一个方面来说，“防治项目”包括了基础建设、生态环境建设、应急演练等方面的建设工作。可以预见，“防治项目”的建设水平将会对特大城市的公共安全风险产生巨大影响。

五、结论与建议

本研究以中国21个特大城市为研究对象，对特大城市公共安全风险进行评价，并对其影响因素进行分析，构建了特大城市公共安全风险评价指标体系，指标体系从公共卫生事件、社会安全事件、事故灾难、自然灾害等维度出发确定22个指标，并利用熵值法求得各特大城市公共安全风险系数。将特大城市的承突能力与抗灾能力作为解释变量，特大城市公共安全风险系数为被解释变量，构建了回归模型。对于特大城市公共安全风险而言，基础设施建设、社会保障、生态环境、防治项目、应急演练等指标是其重要影响因素。实证结果表明，特大城市基础设施建设、生态环境、防治项目、应急演练等对特大城市公共安全风险均存在显著的负向影响，意味着特大城市基础设施建设水平、生态环境建设水平、防治项目设置水平、应急演练开展水平越高，特大城市面临的公共安全风险越低。

特大城市承突能力提升建议方面：第一，完善基础设施建设。防灾设备等基础设施建造水平与施工质量是提高城市抗灾减灾能力的重要因素。在规划设计上，应充分顾及到城市特征，合理规划灾害防御体系的布置与施工，尤其是地下防灾、防震、排水等方面。健全灾害防治机构运行的整体运行体制，把灾害防治工作融入到公共安全保障系统中，实现城市可持续发展。第二，注重生态环境保护。特大城市面临着生态转型与可持续发展等问题，因而需重视生态规划中的危险因素防治。注意加强对生态环境治理的精细化控制，比如确保工作机制的畅通、健全规范程序、突出前瞻性管理思维等，充分利用科技工具提升城市治理成效。［13］

特大城市抗灾能力提升建议方面：第一，注重防治项目设置。预防工程建设是城市公共安全体系建设的“保险”，尤其是在特大型城市中，要加强此类防治工程建设，提高防汛抗旱、气象、地质灾害、安全、运输、化工等灾害的防治能力和水平。大力开展“防灾综合治理示范社区”“平安校园”“平安工业园”等示范工程的建设。第二，提高应急演练意识。各大城市应重视紧急情况下的演练活动，提高公民对于应急演练重要性的意识。［14］此外，除了应急演练“资源”的建设，更要有“教育”的支持，特大城市中的各区、县、相关企业、场所运营部门都要强化对“应急演练”的意识，例如可以在地铁、高校等人流密集场所进行大型消防演练，以增强城市整体的防灾减灾能力。［15］