2021, Vol. 41 
生态安全是一个十分复杂的问题且是影响区域可持续发展的关键问题。2020年两会期间，习近平同志进一步强调“经济发展不能以破坏生态为代价，生态本身就是经济，保护生态就是发展生产力”，因此对生态安全进行评价研究十分重要，有利于提高生态安全水平和促进工业经济绿色发展。生态安全是对维护和保障生态环境系统和社会经济系统之间协调、稳定、健康和可持续发展关系的探讨[1]。生态安全评价是根据研究对象和研究目的，对特定时空范围内生态安全状况的定性和定量描述[2]，促进和维护生态系统的稳定。
国外生态安全评价主要从生态风险评价和预报[3]、环境冲突评价[4-5]、自然灾害评价等[6]方面进行研究，研究模型主要有PSR(press-state-response)[7]、系统动力学模型[8]、变权模型等[9]，已经具备全面的评价体系和系统的研究方法。国内生态安全评价研究内容重点在评价方法[10]和评价系统构建[11]两方面，研究维度由土地[12]延伸到工业、旅游[13]、公路路域环境、农田[14]、水环境[15]、湿地[16]、景观等[17]方面。21世纪初期，中国才开始对工业这个维度的生态安全进行研究，研究领域包括工业生态安全评价、工业生态安全预警、工业生态脆弱性等[18]。生态安全评价方法主要有正态云模型、综合指数法、TOPSIS法(technique for order preference by similarity to ideal solution)和云物元模型等。在预测方法上，又以灰色理论[19]、情景分析[20]、RBF神经网络(radial basis function neural network)[21]、可拓分析[22]、BP神经网络(back-propagation neural network)等[23]预测方法为主，余文波等[24]对土地进行评价和调控，采用灰色预测模型对湖南省未来6 a的生态安全值进行预测；周彬等[25]通过灰色系统GM(1, 1)模型和RBF神经网络模型对普陀山岛旅游生态安全发展趋势进行预测，并将两种预测结果进行比较选优；高家骥等[26]研究南四湖湖泊湿地生态环境状态，运用BP神经网络模型对未来10 a警度发展进行预测。以上研究内容主要偏向于单方面因素的研究，片面性较强，缺乏综合性交叉及定量实证研究，又因为关于工业生态安全方面的研究起步较晚研究时间较短，因而提出两方面的不足：①生态安全等级的分类多以平均分类法进行划分，因而等级的判断精准度不够；②对于生态安全评价预测方面的研究不够，没有考虑到预测精度问题及未来区域发展对生态安全的作用影响。
BP神经网络是20世纪80年代Rumelhart和McClelland提出的一种以误差为依据进行多次反向传播训练的多层前馈网络[27]，通过逼近非线性连续函数时改变神经元个数的方法提高模型的准确度，且具有高度自学和自适应能力。因此，本研究基于PSR-EEES模型构建工业生态安全评价指标体系并测算安徽省工业生态安全水平，借助BP神经网络算法对安徽省工业生态安全进行预测，旨在通过该算法预测出后续几年安徽省工业生态安全水平，从工业维度提高区域安徽省生态安全水平，为促进安徽省区域可持续发展提供依据。
1 指标体系构建及数据来源 1.1 研究区概况安徽省位于中国长江下游，淮河中游，处于114°54′—119°37′E，29°41′—34°38′N。安徽省的第一产业和第二产业一直以来较为兴盛，2019年安徽省生产总值为3.71×1012元，其中工业增加值为1.15×1012元，比例为30.86%，展现了庞大的工业规模，为全省社会经济的发展及生态建设提供了重要的物质基础。但由于工业化、城市化高速推进，工业生产过程中三废的产生量急剧增加，未经处理的化学物质投放速度超过了生态系统的自我修复速度，加之无计划开采生态资源及生产生活中的大量流费，资源破坏生态污染问题蔓延甚至呈扩大趋势，全省工业生态安全面临沉重压力，虽环保力度在不断加大，但形势仍不容乐观。
1.2 指标体系构建工业生态安全评价指标体系是一个融合自然、环境、经济、社会等多方面的复合系统，从自然生态环境安全角度开展研究，同时对经济生态环境、社会生态环境安全领域也有涉及，具有综合复杂性和动态变化性的特点，其指标的选择要结合工业生态安全的特点，除了能反映工业生态状况的实际情况，也应该考虑到人类相关活动对工业生态安全的潜在影响和其他重要因素。最初在1979年由加拿大统计学家David J. Rapport和Tony Friend提出、后由经济合作与发展组织(OECD)和联合国环境规划署(UNEP)进一步完善的PSR模型从压力、状态、响应3方面反映了生态环境系统与社会经济系统之间的相互作用关系，有助于系统性的对工业生态安全指标的选取进行指导[28]。
本研究基于PSR模型，加入自然、环境、经济和社会4个指标因素，组合形成PSR-EEES模型(press-state-response—ecology-environment-economy-society)，强调压力、状态、响应3方面均具有生态、环境、经济和社会4方面的影响因素，有利于从动态的角度更好的诠释工业生态安全的演变过程(图 1)。
|
图 1 PSR-EEES模型运行机制 |
基于PSR-EEES模型的工业生态安全评价的运行机制中，压力表征人类的经济和社会活动对环境的作用，是造成工业生态安全恶化的原因，选取单位GDP能耗、生态环境补水率、GDP增长率、人口密度等指标从生态压力、环境压力、经济压力和社会压力四方面进行构建；状态表征在压力的影响下，工业生态安全的状态和变化的情况，选取森林覆盖率、水土协调度、人均工业产值、失业率等指标从生态状况、环境状态、经济状态和社会状态4方面进行构建；响应表征面临压力和状态情况下，为了规避生态风险，促进工业生态的可持续性发展采取的补救措施，选取自然保护区面积比例、工业固体废弃物综合利用率、工业污染投资额、每万人大学生数等指标从生态、环境、经济和社会响应4方面进行构建。结合工业生态安全内涵，参考相关学者研究成果[29]，本研究构建系统性的安徽省工业生态安全评价指标体系(表 1)。
|
表 1 安徽省工业生态安全评价指标体系 |
数据来源参考《中国统计年鉴(2010—2019年)》《安徽统计年鉴(2010—2019年)》《安徽省环境状况公报(2009—2018年)》《安徽省环境质量报告书(2009—2018年)》及《安徽省国民经济和社会发展十三五规划》等，其中生产总值相关数据均平减为2008年不变价。
2 研究设计及等级判别 2.1 BP神经网络预测方法 2.1.1 BP神经网络结构BP神经网络运行原理为：通过无数次正向与反向数据样本传播，修正神经网络之间的权值和阈值使得输出样本和最终输出样本之间的误差处于预定范围，则最终输出样本是十分精确的，图 2为其正、反向传播修正学习的算法结构。
|
注：φ，ξ为激活函数；xj为输入层节点j的输入值；θi为隐含层节点的阈值；ak为输出层的阈值；wij，wki分别为输入层与隐含层、隐含层与输出层之间的权值。j=1, 2, …, p; i=1, 2, …, T; k=1, 2, …, q。 图 2 3层BP神经网络结构 |
BP神经网络正向学习过程为原始样本从输入层p开始，途径隐含层T，最后传到输出层q，3层BP神经网络p-T-q数学模型为：
| $ \begin{array}{l} {U_i} = \varphi \left( {\sum\limits_{i = 1}^p {{w_{ij}}{x_j} + {\theta _i}} } \right)\\ \left( {j = 1, 2, \cdots , p;i = 1, 2, \cdots T} \right) \end{array} $ | (1) |
| $ \begin{array}{l} {U_k} = \xi \left[ {\sum\limits_{i = 1}^T {{w_{ki}}\varphi } \left( {\sum\limits_{j = 1}^p {{w_{ij}}{x_j} + {\theta _i}} } \right) + {a_k}} \right]\\ (j = 1, 2, \cdots , p;i = 1, 2, \cdots T;\\ k = 1, 2, \cdots q) \end{array} $ | (2) |
式中：Ui, Uk分别为隐含层和输出层的输出模型; φ，ξ为激活函数; wij, wki分别为输入层与隐含层、隐含层与输出层之间的权值; θi为隐含层节点的阈值; ak为输出层的阈值; xj为输入层节点j的输入值。
误差反向传播通过调整各层神经元节点之间的权值和阈值使之达到预期的误差范围，ek为网络预测误差；η为学习速率，则输出层和隐含层修正的权值和阈值为：
| $ w{'_{ij}} = {w_{ij}} + \eta {U_i}\left( {1 - {U_i}} \right){x_j}\sum\limits_{k = 1}^q {{w_{ki}}{e_k}} $ | (3) |
| $ w{'_{kj}} = {w_{ki}} + \eta {U_i}{e_k} $ | (4) |
| $ \theta {'_i} = {\theta _i} + \eta {U_i}\left( {1 - {U_i}} \right)\sum\limits_{k = 1}^q {{w_{ki}}} {e_k} $ | (5) |
| $ a{'_k} = {a_k} + {e_k} $ | (6) |
式中：w′ij，w′ki为修正误差后的权重，θ′i，a′k为修正误差后的阈值。
2.1.3 模型学习结束检验为验证模型学习效果，以便更准确地预测工业生态安全发展态势，通过比较输出结果，若没有达到预计期望，则将误差原路返回以修正网络参数降低误差，看输出结果是否达到要求的标准，若没有符合要求，继续进行循环训练，直到符合要求为止。
2.2 生态安全评估方法 2.2.1 数据标准化为消除数据单位不同带来的误差，对数据进行处理：
正向指标处理：
| $ \begin{array}{l} {y_{ij}} = \left( {{x_{ij}} - \min {x_{ij}}} \right)/\left( {\max {x_j} - \min {x_j}} \right)\\ \;\;\;\;\;\;\;\left( {i = 1, 2, \cdots , n;j = 1, 2, \cdots , m} \right) \end{array} $ | (7) |
逆向指标处理：
| $ \begin{array}{l} {y_{ij}} = \left( {\max {x_j} - {x_{ij}}} \right)/\left( {\max {x_j} - \min {x_j}} \right)\\ \;\;\;\;\;\;\;\left( {i = 1, 2, \cdots , n;j = 1, 2, \cdots , m} \right) \end{array} $ | (8) |
式中：xij为数据初始值; yij为数据标准化值。
2.2.2 指标权重为避免主观因素的影响，本研究运用熵权法对指标权重wj进行测算，公式为：
| $ \begin{array}{l} {{\rm{e}}_j} = - K\sum\limits_{i = 1}^n {{f_{ij}}\ln {f_{ij}}} \\ (K = \frac{1}{{\ln n}}, {f_{ij}} = \frac{{{y_{ij}}}}{{\sum\limits_{i = 1}^n {{y_{ij}}} }}, \\ 当{f_{ij}} = 0时, {f_{ij}}\ln {f_{ij}} = 0) \end{array} $ | (9) |
| $ {w_j} = \frac{{1 - {{\rm{e}}_j}}}{{m - \sum\limits_{j = 1}^m {{{\rm{e}}_j}} }} $ | (10) |
式中：ej为第j项指标熵值; K为常数; n为样本个数。
2.2.3 评价指数参照相关研究[30-31]，采用综合指数法测算出3个子系统的评价指数，并得出安徽省总评价指数，具体公式为：
| $ \begin{array}{l} {\rm{ESW}}{{\rm{I}}_p} = \sum\limits_{j = 1}^m {{w_j}{y_{ij}}} \\ {\rm{ESWI}} = \sum\limits_{p = 1}^3 {{\rm{ESW}}{{\rm{I}}_p}} \end{array} $ | (11) |
式中：ESWIp(p=1, 2, 3)为各子系统的评价指数; ESWI为工业生态安全总评价指数。
2.2.4 等级确定聚类分析能将抽象对象按照相似类分成若干组，本研究基于聚类分析工具中的系统聚类法对2009—2018年安徽省工业生态安全评价水平进行分类[32]，划分出表 2的安全、较安全、临界安全、较不安全、不安全5个工业生态安全评价等级，对应的指示灯分别为绿(Ⅴ)、蓝(Ⅳ)、黄(Ⅲ)、橙(Ⅱ)、红(Ⅰ)。
|
|
表 2 安徽省工业生态安全评价等级划分 |
通过障碍度模型对障碍度进行分析，找出影响安徽省工业生态安全水平的主要障碍因子，计算方法参见范胜龙[33]研究。
| $ \begin{array}{l} {H_j} = \frac{{{R_j}{T_j}}}{{\sum\limits_{j = 1}^m {{R_j}{T_j}} }} \times 100\% \\ \left( {{H_p} = \sum {{H_j}, } {T_j} = 1 - {y_{ij}}} \right) \end{array} $ | (12) |
式中：Hj，Hp分别为各指标及和子系统的障碍度；Rj为因子贡献度，用权重wj表示；Tj为指标偏离度。
3 结果与分析 3.1 预测结果为预测安徽省工业生态安全3个子系统2019—2025年评价指数，采用BP神经网络算法实现，具体操作为：首先，基于2009—2018年子系统的实际数据，建立时间序列预测模型，选择4 a作为一个周期，依次建立2009—2012，2010—2013，2011—2014年等7个周期进行迭代滚动预测。其次，以一组周期的前3 a数据作为一组样本输入值，预测下一年数据作为样本输出值，2012—2018年共构成7组评价指数样本输出值。最后，对于3层网络神经元的确定，输入层的神经元数为3，输出层的神经元数为1；BP神经网络的特点就是隐含层神经元的个数不唯一，参照李旭军[34]的研究，确定隐含层的最佳神经元个数为7。在此基础上，运用MatlabR 2018b应用软件编写程序，构造BP神经网络模型进行学习，学习情况见图 3，学习结束检验见表 3。由图 3的各子系统学习情况可知，模型的输入值与期望值相差不大；结合表 3可知压力子系统、状态子系统和响应子系统相对误差和绝对误差均较小，平均相对误差分别为0.286 8%，0.295 0%，0.267 4%，平均绝对误差分别为0.045 7%，0.046 2%，0.041 5%，模型精度很高，说明模型学习训练情况很好，可用其进行预测，最终预测结果详见图 4，并根据式(11)计算出安徽省工业生态安全2019—2025年综合评价指数。
|
注：图中结果为MatlabR2018b软件运行代码所得。 图 3 2012-2018年安徽省工业生态安全评价各子系BP神经网络学习检验 |
|
|
表 3 2012-2018年安徽省工业生态安全评价BP神经网络运行误差情况 |
|
注：2009—2018年为测算所得结果，2019—2025年为预测结果，下同。 图 4 安徽省工业生态安全评价指数及发展趋势 |
基于上述综合指数法测算到安徽省工业生态安全子系统的评价指数(图 4，表 4)。2009—2018年安徽省工业生态安全压力评价指数表现为波动上升趋势，由2009年的0.119 9逐步增加至2018年的0.210 9，安全等级总体上沿着“较不安全”—“临界安全”—“安全”方向演变，指示灯由“橙色”—“黄色”演变至“绿色”。2009—2012年安徽省工业生态安全水平处于波动下降期，2013—2018年工业生态安全评价指数转而大幅度上升，平均增长率为8.49%，生态环境补水率、人均GDP、人口密度、城镇化率等指标的生态安全评价指数呈现不同程度的优化态势，说明对于缓解安徽省工业生态安全压力具有一定促进作用。从具体指标的生态安全评价指数来看，生态环境补水率从2013年的0.009 7增加到2018年的0.025 9，表明安徽省通过相关措施在生态平衡和生态系统恢复方面取得一定成效。人均GDP以年平均增长速率为11.92%的速度从2013年的0.015 2提高到2018年的0.029 8，表明提高人民生活水平对降低工业生态安全压力具有一定的制约作用。人口密度从2013年的0.020 4降低到2017年的0.004 8，城镇化率由0.018 1减少到0.003 2，可见社会经济活动一定程度上有利于环境向好，因此合理推进城镇化，适度发展经济，节约利用水资源能够缓解生态压力。
|
|
表 4 安徽省工业生态安全级别 |
2009—2018年状态子系统处于波动状态，2009—2010年工业生态安全状态极好，然而在2011年评价指数急速下降到0.115 2，形势不容乐观，随后呈现不稳定的上升态势，安全等级演变为“安全”—“临界安全”—“较安全”，指示灯由“绿色”—“黄色”演变至“蓝色”(图 4，表 4)。2011年正处于安徽省“十二五”规划的开启年，“861”行动计划也持续深入实施，这是2011年状态子系统评价指数降低的原因。随后几年，由于水资源浪费、农业面源污染、人为破坏、工业污染等一系列因素的综合影响，安徽省状态子系统的工业生态安全水平呈现不稳定状态，出现了一系列问题。安徽省水资源总量每年波动幅度极大，致使水土协调能力进一步下降，可见安徽省自然资源及环境对工业生态安全的影响程度很大。2017年安徽省人民政府办公厅印发的《安徽省“十三五”环境保护规划的通知》指出水环境质量形势严峻，明确实施最严格的水环境控制单元管理，着力加强水资源的污染防治工作。此外，经济发展对安徽省工业生态安全水平的影响同样不容忽视，如不合理利用土地资源致使土地结构破坏、工业生产过程产生的污染物造成水体污染、土壤被化学物污染进而遭到破坏和生产产生的工业噪声对动植物产生危害，因此需多方面协同推进和重点把握同时进行以此改善状态子系统带来的影响。
3.2.3 安徽省工业生态安全响应子系统趋势分析2009—2018年安徽省工业生态安全评价指数主要呈稳定上升趋势，上升幅度较快，安全等级由“临界安全”演变为“安全”，指示灯由“黄色”变为“绿色”。由表 4和图 4可知，2009—2016年这一阶段，安徽省工业生态安全水平基本处于“临界安全”状态，2009年响应子系统安全评价指数为0.142 8，到2016提高到0.172 8，期间年平均增长率达到2.407 7%，处于向好发展态势。随后2016—2018年，响应子系统安全评价指数增长幅度明显，由0.172 8提高到0.228 5，期间增速为9.762 7%，与上一阶段相比，年平均增长速率增加近3倍。其中，建成区绿化覆盖率、人均公园绿地面积、工业污染治理投资额、工业企业科学研究与试验发展经费支出、第二产业从业人员比例等指标的评价指数呈不同幅度的上升趋势，表明这些指标对安徽省工业生态安全响应子系统具有一定程度的促进作用。为了改善工业生态安全水平，缓解生态破坏等一系列问题，安徽省积极出台了《安徽省大气污染防治条例》《安徽省生态保护红线》等一系列政策规定，采取“控制污染严重产业的布局，建设工业垃圾处置工程，创新污染防治管理机制，建设湿地恢复工程，限制水产养殖规模”等一系列措施，有效提高了工业生态安全水平，全省污染物处理能力、治理投资力度明显加强，污染治理效果明显好转；全省绿化覆盖率明显增加，有效调节生态质量水平；全省高水平就业人员、设备投入明显增多，为生态安全提供技术支持。
3.2.4 安徽省工业生态安全水平演变及趋势分析根据图 4和表 4可知，2009—2018年安徽省工业生态较为安全，安全等级由“临界安全”转为“安全”，指示灯由“黄色”变为“绿色”，表明这期间安徽省工业生态安全总体水平正逐渐提高，日渐向好发展。2009—2015年安全等级较低，工业生态安全受到威胁，同年响应子系统的安全等级与全省总体水平相似，表明响应子系统对全省总体生态安全水平起着至关重要的作用。随后几年，工业生态安全评价指数上升，安全等级基本处于“安全”状态，表明这期间安徽省工业生态安全水平较高。安徽省在发展社会经济的同时，注重对工业生态安全的保护力度，针对淮河和巢湖等重点流域出台了一系列生态修复政策，节能技术产品装备和工业行业清洁生产技术改造等高效节能环保工程相继投入使用，植树造林和林业保护项目也有序开展，使得工业生态安全水平得到不断提高，安全等级上升为“安全”，评价指数上升0.149 3，幅度有限；但是空气质量下降、工业“三废”污染、自然资源退化、生态植被破坏、重点流域污染等问题仍十分明显，工业生态安全形势仍不容乐观，说明这几年安徽省为保护生态安全出台的一系列政策和执行的措施并没有起到显著的效果。
3.3 BP神经网络评价预测结果与分析基于PSR三大子系统2009—2018年评价数据预测出2019—2025年各子系统评价指数并测算安徽省工业生态安全评价指数(图 4，表 4)。就压力系统而言，未来几年，是安徽省城镇化与工业化提速发展的重要阶段，同时国家明确提出解决污染防治重要任务，全省迅速做出反应，加强生态环境保护，出台各项环境政策、对工业企业防污提出要求。由表 4可知，2019—2025年压力系统评价指数持续波动上升，处于“安全”状态，指示灯为“绿色”，与预期相符。就状态系统来看，2019—2025年，在压力系统的作用下，尤其是在生态环境的恢复和合理推进城镇化进程中，安徽省工业生态安全状态系统的生态安全形势一片大好，处于“较安全”状态，指示灯为“蓝色”，表明状态系统对提高安徽省工业生态安全水平具有积极意义。对于响应系统，根据预测结果可知，2019—2021年安全评价指数平稳上升，2022—2025年出现下降趋势，安全等级由“安全”演变为“临界安全”，指示灯由“绿色”转变为“黄色”。随着安徽省“十四五”规划的到来，一系列环保举措的进一步实施及对工业企业进行政策布局，各类污染治理力度将进一步加大。安徽省主导产业是第二产业，随着工业经济深入发展不可避免地占领大面积生态用地、运用大量生态资源，工业生态安全质量仍然有恶化的风险。总体来看，按此发展态势，2019—2025年，若不出现大的变故，安徽省工业生态安全水平将继续保持稳定发展状态，在平稳中略有下降，不会出现极为严重的生态问题，但由于响应系统评价指数有逐步下降趋势，对安徽省总体的工业生态安全水平形成负面影响，因而总体评价指数一直保持在0.55左右，处于刚从“较安全”过渡到“安全”的状态，与到达完全“安全”状态差距较大，因此，未来几年全省仍应把生态保护放在工作的第一位，继续采取措施加大环境改善力度。
3.4 工业生态安全关键障碍因子分析基于障碍度模型并借助2009—2018年标准化处理后的指标值与指标对应的权重计算出各指标障碍度，障碍度大小能够判断该指标在安徽省工业生态安全水平中起到的作用程度，若指标障碍度越大，则对安徽工业生态安全制约程度越大。因此对安徽省工业生态安全指标障碍度进行分析可探知其工业生态安全水平高低的主要原因(图 5)。
|
图 5 安徽省工业生态安全的障碍系统分析 |
从各子系统看，图 5中通过障碍度模型得到的三大系统的障碍度总体上呈现下降态势，状态系统各指标障碍度总体上高于压力系统和响应系统，从2009年的第三障碍系统上升为2018年的第一障碍系统，因此状态系统是影响安徽省工业生态安全水平的关键障碍系统。响应系统各年的障碍度占比范围在28%~40%之间，状态系统的障碍度占比范围在25%~43%之间，二者是造成安徽省工业生态安全水平波动的根本原因，应该成为今后提高工业生态安全的首要关注对象。压力系统的障碍度相对较小，且每年的障碍度基本保持下降趋势，表明安徽省对于缓解工业生态安全中压力指标的工作已经在有条不紊的进行中，对工业生态安全的总体发展趋势不会造成太大的影响。
选取障碍度最大的前5个指标分析安徽省工业生态安全主要障碍因子(表 5)。
|
|
表 5 安徽省工业生态安全主要障碍因子 |
按具体指标来看，障碍度排名前五名的指标出现频率从多到少分别为：第二产业从业人员比例(R9)、第二产业占GDP的比例(S4)、污水集中处理率(R5)、森林覆盖率(S1)、人口密度(P9)，是改善安徽省工业生态安全水平的首要调节对象。第二产业就业人员比例为社会响应指标，是2014—2018年影响工业生态安全水平的障碍因素，近年来安徽省第二产业就业人数仍在持续上升，表明工业企业就业人数需求空间在扩大，其吸纳劳动力的能力仍不可小觑，加强安徽省新型工业化进程是一项亟待实施的任务；第二产业占GDP的比例为经济状态指标，是2011—2014年安徽工业生态安全障碍因子之一，作为一个长期靠工业拉动经济发展的大省，工业污染排放程度仍然左右着全省生态环境水平；污水集中处理率为环境响应指标，在2009—2011年严重阻碍安徽工业生态安全提高，表明重视污染物处理是有效改变安徽省工业生态安全的方法；森林覆盖率为生态响应指标，随着快速工业化时期的到来，经济发展的同时伴随着对环境质量保护力度的加强，森林覆盖率一定程度上代表着人民生态观念的提高程度，对环境质量的重视程度；人口密度为社会压力指标，是2016—2018年产生的障碍因子，人口多意味着资源需求增加，打破了生态的平衡，对生态产生巨大的压力。
4 结论与讨论 4.1 结论本研究通过构建PSR-EEES模型评价安徽省工业生态安全水平，运用综合指数法测算工业生态安全评价指数，依据聚类分析工具确定工业生态安全等级，以2009—2018年数据为基础，通过BP神经网络算法测算2019—2025年工业生态安全评价指数，最后，依据障碍度模型识别影响安徽省工业生态安全的主要障碍因素，得出如下结论与建议：
(1) 2009—2018年安徽省工业生态安全水平总体呈波动上升态势，安全等级由2009年的“临界安全”恶化为2013年的“较不安全”，后又缓解为2018年的“安全”状态，指示灯转变趋势为“黄色”—“橙色”—“绿色”。就各子系统而言，压力子系统评价指数处于稳定上升态势，后期一直处于“安全”状态；状态子系统和响应子系统评价等级都呈现先下降后上升态势，从而影响了安徽省工业生态安全水平提高。
(2) 本研究通过构建PSR模型，又创新性的采用EEES模型深入各个角度从生态、环境、经济和社会多方面分别探析子系统的评价趋势，体现了生态安全与生态环境和社会经济之间相互能动关系，使得指标体系的系统性和层次性更加清晰，有利于系统全面的研究安徽省工业生态安全的评价状况。
(3) BP神经网络较其他预测方法而言，模型预测精确度很高。本研究创新性的运用此算法对安徽省工业生态安全未来几年的工业生态安全水平发展趋势进行预测，研究结果表明BP神经网络的准确性高、误差小，未来7 a安徽省工业生态安全状况良好，说明BP神经网络是生态安全评价预测的有效方法之一。
(4) 通过研究结果可知，状态子系统和响应子系统是影响安徽省工业生态安全的主要原因，第二产业从业人员比例、第二产业占GDP的比例、污水集中处理率、森林覆盖率、人口密度为首要调节对象。全省需重视对自然资源的合理利用，节约水资源、合理开发建设用地，加速推进新型城镇化和新型工业化的步伐，同时增强工业企业对于生态环境保护观念，进而持续改善工业生态安全水平。
4.2 讨论目前工业是对生态环境产生压力最大的行业之一，提高区域工业生态安全水平已成为促进社会经济绿色发展的重中之重。根据安徽及周边省份相关数据可知，山东省、江苏省和浙江省作为经济发达的沿海地区，工业废水排放量较高，位居安徽周边省份前3名，安徽省是除江西省外工业废水排放量最低的省，说明安徽省水资源污染控制力度在不断加强；但近两年安徽省工业废气排放量下降速度有所减缓，成为除江苏省和山东省外工业废气排放量最高的地区，表明安徽省大气污染比较严重，大气质量没有得到高关注，后续应该加强对于大气环境的治理力度。这几年安徽省加快重点城镇规划和建设步伐，大力推进皖北地区经济加快发展，加快工业化和市场化进程；此外，全省经济总量扩张呈加速态势，工业一直是促进安徽省经济增长的中坚力量，生态安全政策不到位，工业企业污染物的排放会大大增加环境的恶化速度。因此，安徽省出台了一系列生态安全政策《生态全省建设实施纲要》《安徽省划定并严守生态保护红线实施方案》等，在强力推动绿色发展、重视生态保护、提高生态自我修复能力的背景下，全省环境质量总体保持平稳，生态环境状况良好，但第二产业从业人员比例、第二产业占GDP的比例、污水集中处理率、森林覆盖率、人口密度及工业废气排放量等因素仍然是提高安徽省工业生态安全的阻力，后续需要进一步研究如何改进。
| [1] |
崔馨月, 方雷, 王祥荣, 等. 基于DPSIR模型的长三角城市群生态安全评价研究[J]. 生态学报, 2021, 41(1): 302-319. |
| [2] |
杨兆青, 陆兆华, 刘丹, 等. 煤炭资源型城市生态安全评价: 以锡林浩特市为例[J]. 生态学报, 2021, 41(1): 280-289. |
| [3] |
Pan Zhong, Liu Qianlong, Jiang Ronggen. Microplastic pollution and ecological risk assessment in an estuarine environment: The Dongshan Bay of China[J]. Chemosphere, 2021, 262. |
| [4] |
Timothy M. Lenton. What early warning systems are there for environmental shocks?[J]. Environmental Science & Policy, 2013, 27: 60-75. |
| [5] |
Joern Birkmann, Denis Chang Seng, Neysa Setiadi. Enhancing early warning in the light of migration and environmental shocks[J]. Environmental Science & Policy, 2013, 27: 76-88. |
| [6] |
Hans J P Marvin, Gijs A Kleter, Maryvon Y Noordam, et al. Proactive systems for early warning of potential impacts of natural disasters on food safety: Climate-change-induced extreme events as case in point[J]. Food Control, 2013, 34(2): 444-456. DOI:10.1016/j.foodcont.2013.04.037 |
| [7] |
Bai Xiaorui, Tang Jingchun. Ecological security assessment of Tianjin by PSR model[J]. Procedia Environmental Sciences, 2010, 2: 881-887. DOI:10.1016/j.proenv.2010.10.099 |
| [8] |
Lu Shasha, Qin Fan, Chen Ni, et al. Spatiotemporal differences in forest ecological security warning values in Beijing: Using an integrated evaluation index system and system dynamics model[J]. Ecological Indicators, 2019, 104: 549-558. DOI:10.1016/j.ecolind.2019.05.015 |
| [9] |
Zhou Bin, Zhong Linsheng, Chen Tian, et al. Ecological security early-warning in Zhoushan Islands based on variable weight model[J]. Journal of Applied Ecology, 2015, 26(6): 1854-1862. |
| [10] |
Ke Xiaoling, Amal Mougharbel, Guo Haixiang, et al. Early warning simulation of urban ecological security in the Yangtze River Economic Belt: A case study of Chongqing, Wuhan, and Shanghai[J]. Journal of Environmental Planning and Management, 2020, 63(10): 1811-1833. DOI:10.1080/09640568.2019.1689931 |
| [11] |
郭中伟. 建设国家生态安全预警系统与维护体系: 面对严重的生态危机的对策[J]. 科技导报, 2001(1): 54-56. DOI:10.3321/j.issn:1000-7857.2001.01.017 |
| [12] |
陈英, 孔喆, 路正, 等. 基于RBF神经网络模型的土地生态安全预警: 以甘肃省张掖市为例[J]. 干旱地区农业研究, 2017, 35(1): 264-270. |
| [13] |
徐美, 刘春腊, 李丹, 等. 基于改进TOPSIS-灰色GM(1, 1)模型的张家界市旅游生态安全动态预警[J]. 应用生态学报, 2017, 28(11): 3731-3739. |
| [14] |
赵艳萍. 农田生态安全预警研究[D]. 安徽合肥: 安徽农业大学, 2007.
|
| [15] |
何焰, 由文辉. 水环境生态安全预警评价与分析: 以上海市为例[J]. 安全与环境工程, 2004, 11(4): 1-4. DOI:10.3969/j.issn.1671-1556.2004.04.001 |
| [16] |
田欣. 星海湖湿地生态安全评估与预警研究[D]. 宁夏银川: 宁夏大学, 2018.
|
| [17] |
Li Yangfan, Sun Xiang, Zhu Xiaodong, et al. An early warning method of landscape ecological security in rapid urbanizing coastal areas and its application in Xiamen, China[J]. Ecological Modelling, 2010, 221(19): 2251-2260. DOI:10.1016/j.ecolmodel.2010.04.016 |
| [18] |
彭新沙, 田大伦. 国内工业生态安全研究述评[J]. 生态学报, 2016, 36(23): 7538-7550. |
| [19] |
Lu Shinli. Integrating heuristic time series with modified grey forecasting for renewable energy in Taiwan[J]. Renewable Energy, 2019, 133: 1436-1444. DOI:10.1016/j.renene.2018.08.092 |
| [20] |
熊建华, 唐将伟. 基于情景分析法的城市土地生态安全预警研究: 以深圳为例[J]. 安全与环境学报, 2018, 18(3): 1215-1219. |
| [21] |
吴艳霞, 邓楠. 基于RBF神经网络模型的资源型城市生态安全预警: 以榆林市为例[J]. 生态经济, 2019, 35(5): 111-118. |
| [22] |
潘真真, 苏维词, 王建伟. 基于可拓-马尔科夫模型的贵州省生态安全预警[J]. 山地学报, 2016, 34(5): 580-590. |
| [23] |
苏学能, 刘天琪, 曹鸿谦, 等. 基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法[J]. 中国电机工程学报, 2017, 37(17): 4966-4973, 5216. |
| [24] |
余文波, 蔡海生, 张莹, 等. 湖北省土地生态安全预警评价及调控[J]. 环境科学与技术, 2018, 41(2): 189-196. |
| [25] |
周彬, 虞虎, 钟林生, 等. 普陀山岛旅游生态安全发展趋势预测[J]. 生态学报, 2016, 36(23): 7792-7803. |
| [26] |
高家骥, 李雪铭, 张峰, 等. 南四湖湖泊湿地生态环境预警研究[J]. 地理科学, 2016, 36(8): 1219-1226. |
| [27] |
马世五, 谢德体, 张孝成, 等. 三峡库区生态敏感区土地生态安全预警测度与时空演变: 以重庆市万州区为例[J]. 生态学报, 2017, 37(24): 8227-8240. |
| [28] |
王国萍, 闵庆文, 丁陆彬, 等. 基于PSR模型的国家公园综合灾害风险评估指标体系构建[J]. 生态学报, 2019, 39(22): 8232-8244. |
| [29] |
周燕妃. 江苏省工业化与生态环境耦合协调度评价研究[D]. 安徽淮南: 安徽理工大学, 2019.
|
| [30] |
喻锋, 李晓兵, 王宏, 等. 皇甫川流域土地利用变化与生态安全评价[J]. 地理学报, 2006, 61(6): 645-653. DOI:10.3321/j.issn:0375-5444.2006.06.009 |
| [31] |
杨嘉怡, 曾旗. 基于组合模型的煤炭城市生态安全预警研究: 以焦作市为例[J]. 地域研究与开发, 2018, 37(3): 113-119. |
| [32] |
赵李明. 基于遗传算法和BP神经网络的广州市空气质量预测与时空分布研究[D]. 江西赣州: 江西理工大学, 2016.
|
| [33] |
范胜龙, 杨玉珍, 陈训争, 等. 基于PSR和无偏GM(1, 1)模型的福建省耕地生态安全评价与预测[J]. 中国土地科学, 2016, 30(9): 19-27. |
| [34] |
李旭军. BP神经网络在经济预测中的应用[D]. 湖北武汉: 华中师范大学, 2008.
|