EN中文

自然资源学报 >

2021 , Vol. 36 >Issue 9: 2368 - 2381

DOI: https://doi.org/10.31497/zrzyxb.20210914

国土空间安全的规划方法创新

灾害风险视角下的城市安全评估及其驱动机制分析——以滁州市中心城区为例

  • 杨海峰 ,
  • 翟国方
展开
  • 南京大学建筑与城市规划学院,南京 210093
翟国方（1964- ）,男,江苏江阴人,博士,教授,研究方向为城市与区域规划、城市灾害风险综合评估、空间规划与城市安全。E-mail:

杨海峰（1994- ）,男,安徽安庆人,博士研究生,研究方向为城市灾害风险评估、生态安全。

收稿日期: 2020-07-03

  要求修回日期: 2021-04-02

  网络出版日期: 2021-11-28

基金资助

日本学术振兴会项目(18K03022)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Spatial assessment and driving mechanism of urban safety from the perspective of disaster risk:A case study of Chuzhou central city

  • YANG Hai-feng ,
  • ZHAI Guo-fang
Expand
  • School of Architecture and Planning, Nanjing University, Nanjing 210093, China

Received date: 2020-07-03

  Request revised date: 2021-04-02

  Online published: 2021-11-28

Copyright

Copyright reserved © 2021.
Fold

摘要

全球自然灾害以及城市化进程中的人为灾害频发,严重制约着城市的生存和安全发展。以典型的灾害多发地区滁州市中心城区为例,基于压力—状态—响应（Pressure-State-Response,PSR）概念框架,构建了各单灾种风险评价指标体系,利用耦合激励模型复合单灾种风险评估结果,定量测度了研究区的城市安全风险分布特征,并运用地理探测器对城市安全风险进行了驱动机制分析。结果表明：（1）研究区的城市安全风险等级占比从低到高分别为2.49%、8.71%、41.08%、30.47%和17.25%,以中风险占主导。在空间上,城市安全风险表现为中部高于周围边缘区域,呈现出由核心区往外逐步减弱的格局特征。（2）6个驱动因子对城市安全风险的解释力强度为人口密度（0.404）>地均GDP（0.402）>建筑承灾能力（0.095）>植被覆盖度（0.078）>路网密度（0.013）>用地类型风险（0.012）,因子交互协同作用后对结果的解释力增强。研究结果为城市安全风险评估提供了新的理论视角与研究框架,能够服务于高风险区域的灾害风险管理。

关键词： 城市安全风险; PSR框架; 耦合激励模型; 地理探测器; 驱动机制; 滁州市中心城区

本文引用格式

杨海峰 , 翟国方 . 灾害风险视角下的城市安全评估及其驱动机制分析——以滁州市中心城区为例[J]. 自然资源学报, 2021 , 36(9) : 2368 -2381 . DOI: 10.31497/zrzyxb.20210914

Abstract

The frequent occurrence of natural and man-made disasters in the process of urbanization has seriously restricted the survival and safe development of cities. We used Chuzhou central city, one of the representative disaster prone areas, as a case study to measure safety risk. We constructed a safety risk index system, based on a typical Pressure-State-Response (PSR) conceptual framework. We then used coupling indication model to compound the risk assessment results of each single disaster, and quantitatively evaluated the distribution characteristic of urban safety risk. Finally, we used geographic detector to analyse the impact mechanism of the driving indicators of urban safety risk. We found that: (1) The proportions of urban safety risk grades from low to high were 2.49%, 8.71%, 41.08%, 30.47% and 17.25%, respectively, with medium risk dominating the study area. Spatially, the safety risk of central area was higher than that of the surrounding areas, that is to say, it showed a declining trend from the central city to the suburbs. (2) The order of the explanatory power intensity of the driving indicators on the safety risk was as follows: population density (0.404) > GDP density (0.402) > building disaster tolerance (0.095) > vegetation coverage (0.078) > road network density (0.013) > risk of land use type (0.012), and the explanatory power of the results was enhanced by interaction of factors. The research will provide a new theoretical perspective and framework for urban safety risk assessment, and help for disaster risk management in high risk areas.

Key words： urban safety risk; PSR framework; coupling indication model; geographic detector; driving mechanism; Chuzhou central city

城市发展与抵御各类灾害风险相随。近百年来,全球范围内的地震地质、气象、洪涝、风暴潮等自然灾害频发,城市火灾、事故灾难、公共卫生事件等人为灾害成为新兴风险源,给自然环境和人类社会带来了严重的负面效应,严重威胁着城市居民的生命财产安全[1]。同时,伴随着城市化进程的加快,城市用地规模与人口规模急剧增加,人类活动的强度和范围逐渐扩大。城市复合人地系统日趋脆弱[2],在受到灾害干扰时其自身抵抗能力、调节能力较弱,导致城市灾害风险的负面效应被逐步叠加和放大[3]。据《仙台减少灾害风险框架》,2005—2015年间,各类灾害共造成70多万人丧生、140多万人受伤和大约2300万人无家可归,全球有超过15亿人受到灾害的各种影响[4]。
防灾减灾成为城市发展的重要议题,国际社会对于城市安全问题日益关注。而保障城市安全的首要要求就是要了解城市自然与人为灾害的安全现状,对灾害风险视角下的城市安全现状进行定量化、空间化的表达[5]。基于灾害风险视角,国内外也开展了大量相关的城市安全评估工作[6,7]。早在20世纪60年代,国外学者就针对某一类灾种的成灾机理、形成条件、活动过程等[8]展开了研究。1970s后,开展了灾害风险评价研究[9,10],基于潜在威胁和伤害的致灾因子、承载因子的脆弱性以及城市的综合防灾减灾能力进行分析和评价,从而对灾害风险进行分级、划定空间范围和判定灾害损失等,开启了灾害研究领域的新篇章[11]。如Thierry等[12]依据致灾因子危险性、暴露性和易损性框架,对喀麦隆地区的地质灾害进行了风险区划;Schmidt等[13]基于致灾因子、城市资产、脆弱性和灾害损失构建了风险评价模型,并针对新西兰的典型地震、火山、洪水和台风自然灾害进行了实证和预测。国内的城市安全风险评价起步可以追溯到1980s,侧重于灾害风险管理的研究与探讨[14,15]。近些年逐渐形成了一套较为完整的城市安全风险评价理论体系,评估方法也越来越多元化,多以定性或定量相结合的分析方法为主,主要包括指标体系法、图层叠置法、函数模型法、情景分析法等[16,17,18],其中,指标体系法是在城市安全风险评估中应用最为广泛的一种分析方法。通过构建城市安全风险评价指标体系,既能反映城市人地耦合系统暴露于灾害下的可能性及引起的损失大小,又能表征测度灾害胁迫下城市具有的适应与恢复能力。如Wolf等[19]从暴露性、敏感性和适应力等方面构建高温脆弱性指数,测度了英国伦敦城市内部的高温脆弱性时空变化特征;王国萍等[20]基于压力—状态—响应模型构建了国家公园综合灾害风险管理的评估指标体系,实现了公园灾害风险管理目标。
然而,当前城市安全风险研究大多针对单一灾种的风险评估,或是对某一区域相近灾种以及典型灾害的评估,对城市综合灾害进行整体评价的研究相对薄弱[21,22],还缺乏较为系统完整的方法体系对各灾害类型进行空间耦合。而从多灾种角度分析不同灾害类型对于城市安全风险的贡献率,不仅可以认知各类灾害的时空分布特点及致灾机制,而且能够确定未来减轻风险的优先领域[23,24]。另外,如史培军等[25]虽然构建了反映中国城市主要致灾因子的综合自然灾害强度指标体系,但也没有聚焦于小尺度的城市安全风险空间测度,未能空间化表征城市化背景下的以人为灾害、自然灾害相结合的城市综合安全水平。因此,本文选取滁州市中心城区为研究区域,考虑到城市不同灾害系统的内在机制差异,从自然、人为灾害和社会环境等维度出发,通过指标的合理选取与预处理,构建灾害风险视角下的城市各单灾种风险评价指标体系,运用耦合激励模型和地理探测器,测度并分析研究区域的综合灾害安全风险空间特征以及驱动机制,以期提高城市居民对于灾害风险的认知,为城市的灾害管理和防灾减灾战略制定提供一定参考,改善城市灾害安全水平[26]。

1 研究方法与数据来源

1.1 研究区概况

滁州市位于安徽省东部,处于31°51′~33°13′N、117°09′~119°13′E之间,是皖东的政治、经济、文化中心和水路交通枢纽,全市设2个区、管辖4个县、代管2个县级市。本文关注的重点区域为滁州市中心城区,东至滁马高速、南至京沪高铁、西至琅琊山、北至宁洛高速,城市建设用地面积约120 km2（图1）,常住人口约100万人。作为南京都市圈、合肥都市圈核心圈层、长三角城市群的成员城市,虽然滁州市目前已经在抗震、消防、气象等专业防灾领域取得了长足的发展,但仍面临着传统灾害与新兴灾害、本地灾害与区域灾害、自然灾害与人为灾害相互叠加的风险。在全球气候变化的影响下,滁州市干旱、洪涝、高温、冰雪等气象灾害风险增加,崩塌、滑坡、泥石流、山洪等地质灾害呈现高发态势,构造断裂发育、郯庐断裂带贯穿部分地区存在发生中强度地震的背景,导致灾害时空分布呈现出新变化,更具突发性、异常性和难以预见性。
图1 研究区范围

Fig. 1 Boundary of the study area

1.2 数据来源

数据类型、精度及来源如表1所示,预处理主要包括遥感植被数据、气象产品数据的处理。（1）遥感数据为MOD13Q1系列的250 m植被指数16 d合成产品,采用MODIS Reprojection Tool工具提取NDVI波段,并进行镶嵌与转换投影,基于像元二分模型利用ENVI 5.3软件计算植被覆盖度。（2）温度、降水量和相对湿度的气象站点数据统计整理后,利用ArcGIS 10.2软件中的克里金插值法进行空间插值。最终,对气象要素数据、遥感数据以及基础地理信息数据等进行投影转换,统一空间参考格式为WGS_1984_UTM_Zone_50N。选取滁州市中心城区行政边界数据对气象数据和遥感数据进行掩膜提取,并将所有指标图层重采样至100 m×100 m空间分辨率,以便指标后续叠加处理分析。
表1 主要数据类型、精度及来源

Table 1 Data types, accuracy and source

数据类型 数据来源 精度 网址
人口密度 World pop 100 m、2015年 https://www.worldpop.org/
GDP 中国资源环境数据云平台 1 km、2015年 http://www.resdc.cn/
气象数据 国家气象科学数据共享服务平台 2000—2015年 http://data.cma.cn/
遥感植被数据 地理空间数据云 250 m、2015年 http://www.gscloud.cn/
DEM 地理空间数据云 30 m http://www.gscloud.cn/
基础地理信息数据 安徽省城乡规划设计研究院 行政边界、土地利用、道路、避难点、火灾点以及医疗、消防点等数据

1.3 研究方法

1.3.1 城市安全风险评估步骤
不同灾害类型存在内部作用机制差异,不能忽视风险源压力、承灾体状态以及防灾减灾响应手段的不同。因此,灾害风险视角下的城市安全评估应根据区域特征、历史灾情信息等,在明晰城市灾害风险类型基础上,以单灾种风险评估为依托,通过权重确定和风险叠加的方式,构建由单灾种风险分析向多灾种复合的评估方法体系（图2）。
图2 多灾种复合评估流程

Fig. 2 Complex evaluation process of multiple disaster

1.3.2 单灾种风险评价指标体系构建与风险区划
（1）单灾种风险评价指标体系构建
城市系统在面临各类灾害胁迫时,会经历“压力刺激—冲击状态—响应恢复”的动态阶段,可以看作是城市系统不断适应风险扰动的循环过程,甚至在该过程中能将危机转变为机遇,从而实现创新发展。这一过程能很好地与压力—状态—响应（Pressure-State-Response,PSR）模型对应起来,PSR模型最早在1979年由加拿大统计学家Rapport和Friend提出,之后被广泛的应用于生态环境问题[27,28]。本文中,压力指的是致灾因子危险性与暴露于不利影响或遭受损害的可能性,即产生某类问题的诱因,具有负面效应;状态指的是城市系统内部抵抗危机的能力及在压力影响下的系统状态与变化情况,通常包含城市的自然环境资源、人口、土地等要素;响应指的是从危机中恢复正常运行以及遭受危机后适应新情况、新环境的能力,即城市对系统内部状态变化的正机制反馈（图3）。该模型框架清晰地阐释了城市人地耦合系统的动因、内部状态和人类活动三者之间的相互作用链式关系[29],可以从系统面临的压力风险输入、系统自身状态变化和系统主体的反馈这三方面共同出发,构建各单灾种风险评估指标体系。
图3 城市灾害风险下的PSR模型框架

Fig. 3 PSR model and urban safety risk interaction diagram

因此,本文聚焦于城市自然灾害与人为灾害干扰,综合各种自然环境、社会经济要素,从风险压力、风险状态和风险响应三个维度,遵循事实性、科学性、系统性、可行性和适应性原则,构建基于区域本身结构功能和灾害实际的城市地震、地质、洪涝、高温和火灾风险评价指标体系,测度分析城市各单灾种的风险空间特征。具体指标选取见表2。
表2 滁州市中心城区各单灾种风险评价指标体系

Table 2 Risk assessment index system of each single disaster in Chuzhou central city

目标层 准则层 各灾害类型指标层
地震 地质灾害 洪涝 高温 火灾
滁州市中心城区安全风险 压力 地震震级
分区A1		 地质灾害易
发性B1		 多年平均
降雨量C1		 夏季舒适度
指数D1		 与重大危险源
距离E1
地质灾害强度B2 距河距离C2 消防警情数量E2
状态 人口密度A2 人口密度B3 人口密度C3 人口密度D2 人口密度E3
建筑抗震
能力A3		 坡度B4 海拔高度C4 植被覆盖度D3 消防安全用地
等级E4
植被覆盖度B5 地形起伏度C5 土地利用类型D4 建筑密度E5
地质岩土类型B6 河网密度C6
响应 地均GDP A4 地均GDP B7 地均GDP C7 地均GDP D5 地均GDP E6
路网密度A5 路网密度B8 路网密度C8 医疗设施D6 路网密度E7
公共空间
密度A6		 防洪设施C9 消防力量覆
盖程度E8
避难场所
可达性 A7		 消防供水
能力E9
（2）单灾种风险区划
在对指标预处理后,采用综合指数法计算各单灾种风险指数并进行区划。主要步骤如下：
① 指标无量纲化。采取极差标准化法对正、负向指标据进行处理,消除指标量纲的影响。

正向指标： X i ' = X i - X i , min Xi , max - Xi , min

负向指标： X i ' = Xi , max - Xi X i , max - Xi , min

式中： X i '为第i项指标的标准化值;Xi为第i项指标的实际值;Xi, max、Xi, min分别为第i项指标的最大值和最小值。
② 通过客观和主观赋权相结合的方式,利用层次分析法和熵值法的平均值确定各指标权重[30]（表3）,且一致性检验结果CR=0.03<0.1。
表3 各灾害类型指标权重

Table 3 Index weight of different disaster types

地震 地质灾害 洪涝 高温 火灾
指标 属性 权重 指标 属性 权重 指标 属性 权重 指标 属性 权重 指标 属性 权重
A1 + 0.305 B1 + 0.232 C1 + 0.179 D1 + 0.341 E1 + 0.133
A2 + 0.087 B2 + 0.200 C2 - 0.122 D2 + 0.222 E2 + 0.217
A3 定性 0.171 B3 + 0.083 C3 + 0.038 D3 - 0.124 E3 + 0.027
A4 - 0.042 B4 + 0.085 C4 - 0.122 D4 定性 0.128 E4 定性 0.075
A5 - 0.137 B5 - 0.041 C5 + 0.072 D5 - 0.066 E5 + 0.135
A6 - 0.132 B6 定性 0.173 C6 - 0.125 D6 - 0.119 E6 - 0.047
A7 - 0.126 B7 - 0.057 C7 - 0.027 E7 - 0.115
B8 - 0.129 C8 - 0.135 E8 - 0.114
C9 - 0.180 E9 - 0.157
③ 在通过遥感和GIS的方法对各指标进行预处理后,按照确定的指标权重值计算各单灾种风险指数（Sigle Disaster Risk Index,SDRI）,并基于指数的数值范围0~1将SDRI等间距划分为低、较低、中、较高和高五个风险等级。
SDR I j = ∑ i = 1 m w i X i '
式中：SDRIj为第j项灾种风险指数;wi为第i项指标权重;m为第j项灾种指标个数（个）。
1.3.3 多灾种耦合激励模型构建
各单灾种由于发生时间、相互作用以及级联效应等耦合关系,存在复杂的内在作用机制差异。以往的简单指标权重叠加难以判断灾害风险应对优先级,在综合风险评估过程中表现出显著的不确定性。本文中构建的多灾种耦合激励模型,参考王威等[31]开展的石家庄中心城区多灾种风险评估工作,通过确定各灾种的空间耦合激励关系,对研究区内的地震、地质、洪涝、高温和火灾五种典型灾害进行综合评估分析。主要步骤如下：
（1）建立各单灾种间的耦合激励效应规则,通过风险矩阵描述触发灾害与被触发灾害间的复杂演化关系（表4）。
表4 单灾种间的耦合激励效应

Table 4 Coupling indication relationship between single disasters

触发灾害 被触发灾害
地震 地质 洪涝 火灾 高温
地震 — 1 1 1 0
地质 0 — 1 0 0
洪涝 0 1 — 0 0
火灾 0 0 0 — 0
高温 0 0 0 1 —

注：“1”和“0”分别表示单灾种间的耦合激励关系强、弱;“—”表示单灾种间无耦合激励关系。

（2）区分不同风险等级间的耦合激励系数。基于栅格归一化后的各单灾种五级风险数据,采用幂函数求解风险等级区间的激励程度,确定不同风险等级的激励分位权重系数。
I ij = ( 1 + j ) α ∑ j = 0 k ( 1 + ε j ) α
式中：Iij为第i（i=1, 2, …, m）类灾害的j级风险所对应激励分布权重系数;k为划分风险等级数;εj为第j个分位点值,其中ε0=0、εk=1;α为调整参数。当α>0时,灾种间为正激励关系,Iij>Iij-1,表示风险等级值越大,其激励程度越大;当α=0时,无激励关系,Iij=Iij-1;当α<0时,为负激励关系,Iij<Iij-1,表示风险等级值越小,其激励程度越大。本文中α≥0,当灾种间的耦合激励效应为1时,α参考取值为5.55。
（3）复合形成多灾种风险。设各灾种的综合风险取值集为f(A1, A2, …, Am),则各栅格像元内的综合风险值与分布权重系数的关系式如下：
f ( A 1 , A 2 , … , A m ) = f ( I ij * , A ie )
f ( I ij * , A ie ) = max A ie max A ie = 1 或 0
f ( I ij * , A ie ) = ( 1 + max A ie ) × ∑ i = 1 m A ie I ij * 0 < max A ie < 0.5
f ( I ij * , A ie ) = max A ie + ( 1 - max A ie ) × ∑ i = 1 m A ie I ij * 0.5 ≤ max A ie < 1
式中：Aie为第e个像元的i类灾种风险值;Iij*为无量纲后的第i类灾种的j级风险所对应的分布权重激励系数。
1.3.4 地理探测器
地理探测器是探究地理要素的空间分异性并解释其背后驱动力的一种计量工具,是进行空间格局成因和机理分析的一种重要模型方法[32,33],由风险探测器、因子探测器、生态探测器和交互探测器四个部分组成[34]。本文主要使用因子探测器和交互探测器,其中,因子探测器用来分析城市安全风险格局各影响因素的解释程度大小。具体公式如下：
q = 1 - ∑ h = 1 L N h σ h 2 N σ 2
式中：q表示影响因子对安全风险因变量的解释程度,数值范围为0~1,其值越大说明解释力度越大,当q=1时,表明该影响因子决定因变量的空间分布特征,q=0时,表明因子完全不影响因变量;N为样本量（个）;σ2为样本量方差;L为影响因子的分类数;Nh、σh2分别表示第h层的样本量（个）和方差。
交互探测器用于探测多因子交互作用后对地理事物的因子解释力,即自变量Xi、Xj指标共同作用后的影响效应[35],主要影响效应类型如表5所示。
表5 交互探测类型

Table 5 Type of interactive detection

关系表达式 交互作用关系类型
P(Xi∩Xj)>P(Xi)+P(Xj) 非线性增强
P(Xi∩Xj)>max[P(Xi), P(Xj)] 双线性增强
P(Xi∩Xj)=P(Xi)+P(Xj) 相互独立
P(Xi∩Xj)<min[P(Xi), P(Xj)] 非线性减弱
min[P(Xi), P(Xj)]<P(Xi∩Xj)<max[P(Xi), P(Xj)] 单线性减弱

2 结果分析

2.1 单灾种风险空间分布特征

2.1.1 地震灾害风险
滁州市中心城区位于长江下游的黄海地震带内,根据区域历史及近代的地震资料,公元288年至今,区域范围内共发生4.75级以上地震49次,其中6.25级地震2次,6级地震4次,地震活动具有明显的时空分布不均等特征。地震风险等级整体呈现出西北高东南低的空间分布特征,其中琅琊新区和城北、城东工业组团区域的风险等级较高（图4a）。该区域内虽然学校、公园、广场等公共资源分布密集,但建筑抗震能力类型属于重点改造区,导致地震风险等级较高。
图4 单灾种空间分布特征

Fig. 4 Spatial distribution of each single disaster

2.1.2 地质灾害风险
滁州市中心城区内各类自然和人为作用产生的地质灾害点共19处,地质灾害类型主要为滑坡、崩塌和地面塌陷。地质灾害高易发区为灾害点较多且危害强度较高区域,主要位于西南边缘区域,面积为2.17 km2,占比达到1.27%。地质灾害高风险等级沿西北方向分布,主要位于研究区的城东工业组团和琅琊新区（图4b）,该区域为地质灾害高易发区或中易发区,地质环境脆弱、植被覆盖度低。
2.1.3 洪涝灾害风险
滁州市是洪涝灾害易发、多发区域,中心城区2000—2015年的平均降水量达到1048.9~1075.9 mm,滁河洪水和本地暴雨是中心城区发生洪涝灾害的主要原因。据统计,建国后滁州市发生较大洪涝灾害共计10次,平均每6年发生一次。洪涝灾害风险整体呈现出西北高、东南低的空间分布特征,高风险区域主要位于研究区的老城组团和琅琊新区（图4c）,该区域内硬质表面较多、蓄水能力较弱,地形起伏度大,且防洪排涝设施如防洪堤坝、雨水排涝等建设基础薄弱。
2.1.4 高温灾害风险
滁州市属于气象灾害的多发地区,气象灾害造成的直接经济损失约占当年GDP的3%~6%,主要气象灾害类型为高温干旱。历史上多次出现大范围、持续性的高温少雨天气,中心城区2000—2015年的夏季平均温度达到27 ℃。高温灾害风险等级整体呈现出自南至北递增的空间分布特征,高风险区域主要位于琅琊新区以及城东、城北工业组团,而城南的低风险区域由于人口密度低、农业经济和建设用地分布稀疏、植被覆盖密集,受高温干旱灾害天气的影响较小（图4d）。
2.1.5 城市火灾风险
根据中心城区2009—2014年的火灾发生位置点统计分析,滁州市共发生消防警情930起,火灾发生次数和损失都呈现出逐年增加的态势。火灾风险整体呈现出“包围式递增”的空间分布特征,高风险区域主要位于会峰路以北、清流河以西的老城区,该区域内消防警情事件高发,且具有人口密度和建筑密度较高、石油和化工等易燃易爆企业分布密集、消防供水能力不能满足需求的特征。另外,随着城南、城东的快速发展,安置小区和城中村的火灾风险较高（图4e）。

2.2 城市安全风险空间分布特征

将各单灾种划分为100 m×100 m的栅格单元,通过Matlab编程技术,按照耦合激励模型叠加得到滁州市中心城区的安全风险图层,风险等级占比和空间分布特征结果均与实际情况较为符合。从各单灾种风险以及复合形成的综合风险等级占比来看,栅格单元内由于各单灾种存在正激励关系,导致综合风险的中、较高和高风险等级占比上升,而低和较低风险等级占比下降。另外,从城市安全风险等级自身所占面积比例来看,中风险等级所占研究区面积比例最大,达到41.08%,较高风险和高风险所占比例分别为30.47%、17.25%,较低风险和低风险所占面积比例较小,分别为8.71%、2.49%（表6）。城市安全风险等级整体呈现出“橄榄型”的正态分配格局,两极分化特征不明显,有利于维系城市功能结构稳定,合理推进安全风险的格局优化。
表6 各灾种风险等级占比

Table 6 Proportion of risk grades of each disaster type (%)

风险等级 地震 地质 洪涝 高温 火灾 综合风险
低 15.70 6.64 10.89 14.24 35.81 2.49
较低 16.33 37.74 25.95 21.22 30.29 8.71
中 22.62 16.12 24.33 15.65 19.21 41.08
较高 35.41 26.12 20.58 23.66 10.30 30.47
高 9.94 13.38 18.25 25.23 3.77 17.25
从空间分布特征来看,安全风险整体分布特征为核心区高于周围边缘区域,即由中心城区的核心区往外逐步降低（图5）。高风险等级主要集中在中心城区的老城组团,部分分布在琅琊新区南部以及城东工业组团,该区域内各灾种风险压力较大,人口集聚且灾害响应能力较弱。较高风险等级集中在琅琊新区的西北部、城北和城东组团南部,该区域密集分布重大化工企业,承灾体状态的脆弱程度高,但由于灾害响应能力位于前列,导致在面对灾害扰动时即使遭受损失较重,城市也能较快地从灾害危机中恢复到危机前的运作水平。中风险等级呈现出集中连片式的分布特点,而较低和低风险等级的分布较为分散。
图5 城市安全风险空间分布

Fig. 5 Spatial distribution of urban safety risk

2.3 城市安全风险驱动机制分析

考虑到不同的人类需求和响应能力,从各单灾种风险评价指标体系中筛除单一维度指标,如河网密度指标仅对洪涝灾害具有显著影响效应。选取对城市安全风险具有多重效应的指标作为驱动机制分析影响因子,主要包括人口密度、用地类型风险、植被覆盖度、建筑承灾能力、地均GDP和路网密度6个指标。以100 m×100 m的格网为单元,提取总计22566个点数据导入到GeoDetector软件,将6个因子作为自变量,城市安全风险等级作为因变量进行驱动机制探测分析。从城市安全风险随各因子的等级变化情况来看,人口密度为正向驱动因子,地均GDP、建筑承灾能力、植被覆盖度、路网密度为负向驱动因子,而用地类型风险的作用方向不明显（图6）。
图6 驱动因子各等级的城市安全风险平均值

Fig. 6 Average value of urban safety risk of each level of driving factors

在因子探测器中各因子的p值均小于0.01,通过显著性检验。6个因子的解释力强度由大到小分别为：人口密度（q=0.404）>地均GDP（q=0.402）>建筑承灾能力 （q=0.095）>植被覆盖度（q=0.078）>路网密度（q=0.013）>用地类型风险（q=0.012）。其中,人口密度和地均GDP对城市安全风险影响最大,建筑承灾能力指标次之,植被覆盖度影响力一般,路网密度和用地类型对城市安全风险影响力较小。因此,人口和经济是制约滁州市中心城区安全发展的关键因素。利用交互探测器探测因子在影响城市安全风险等级上是否存在交互作用 （表7）。探测结果表明,在所选因子中任意两个因子的交互作用均大于单个因子的影响强度,说明各因子具有交互协同作用,研究区的安全风险等级不是由单一因素造成的,而是受到多种因素的共同作用。其中,用地类型风险与其他因子均表现为强的非线性增强交互作用,路网密度与植被覆盖度、建筑承灾能力两个因子同样表现为强的非线性增强的交互作用,而其余因子间呈现出双线性增强的交互作用。此外,人口密度和地均GDP作为单因子解释力最高的2个因子,在交互后影响作用无显著提升（q=0.407）,说明人口密度和地均GDP两者间的交互作用关系弱。
表7 因子交互关系作用类型

Table 7 Interactive impact types of factors

Xi∩Xj P(Xi∩Xj) 判断 交互关系作用类型
人口密度（0.404）∩地均GDP（0.402） 0.407 P(Xi∩Xj)>max[P(Xi), P(Xj)] 双线性增强
人口密度（0.404）∩用地类型风险（0.012） 0.427 P(Xi∩Xj)>P(Xi)+P(Xj) 非线性增强
人口密度（0.404）∩植被覆盖度（0.078） 0.429 P(Xi∩Xj)>max[P(Xi), P(Xj)] 双线性增强
人口密度（0.404）∩路网密度（0.013） 0.409 P(Xi∩Xj)>max[P(Xi), P(Xj)] 双线性增强
人口密度（0.404）∩建筑承灾能力（0.095） 0.422 P(Xi∩Xj)>max[P(Xi), P(Xj)] 双线性增强
地均GDP（0.402）∩用地类型风险（0.012） 0.424 P(Xi∩Xj)>P(Xi)+P(Xj) 非线性增强
地均GDP（0.402）∩植被覆盖度（0.078） 0.430 P(Xi∩Xj)>max[P(Xi), P(Xj)] 双线性增强
地均GDP（0.402）∩路网密度（0.013） 0.408 P(Xi∩Xj)>max[P(Xi), P(Xj)] 双线性增强
地均GDP（0.402）∩建筑承灾能力（0.095） 0.421 P(Xi∩Xj)>max[P(Xi), P(Xj)] 双线性增强
用地类型风险（0.012）∩植被覆盖度（0.078） 0.131 P(Xi∩Xj)>P(Xi)+P(Xj) 非线性增强
用地类型风险（0.012）∩路网密度（0.013） 0.029 P(Xi∩Xj)>P(Xi)+P(Xj) 非线性增强
用地类型风险（0.012）∩建筑承灾能力（0.095） 0.114 P(Xi∩Xj)>P(Xi)+P(Xj) 非线性增强
植被覆盖度（0.078）∩路网密度（0.013） 0.107 P(Xi∩Xj)>P(Xi)+P(Xj) 非线性增强
植被覆盖度（0.078）∩建筑承灾能力（0.095） 0.150 P(Xi∩Xj)>max[P(Xi), P(Xj)] 双线性增强
路网密度（0.013）∩建筑承灾能力（0.095） 0.108 P(Xi∩Xj)>P(Xi)+P(Xj) 非线性增强

3 结论与讨论

3.1 结论

本文在国土空间规划的城市安全发展时代背景下,从灾害风险视角出发,基于人地关系地域系统综合考虑自然环境与社会经济等要素,选取滁州市中心城区为案例区域,通过压力—状态—响应模型构建了城市各单灾种风险评价指标体系,利用耦合激励模型复合各单灾种风险评估结果,定量评估了研究区的城市安全风险空间分布特征,并运用地理探测器探究了城市安全风险的驱动机制。主要结论如下：
（1）滁州市是自然与人为灾害多发城市之一,灾害种类多、发生频率高,灾害发生后影响严重、波及程度广。虽然中心城区的琅琊新区以及城东、城北工业组团在救灾资源分布、经济密度、防灾设施建设等灾害响应要素方面具有一定优势,但由于该区域内地震、地质灾害和城市火灾风险压力程度较高,且具有人口密度高、植被覆盖度低、建筑密集且抗震能力弱等特点,导致安全风险等级较高。
（2）在空间分布上,城市中部区域的安全风险等级明显高于外围区域,呈现出由核心区向外逐渐降低的特征。在风险等级占比上,将安全风险等级划分为低、较低、中、较高和高五级,呈现出“橄榄型”等级分布特征,中风险等级占比最高,达到41.08%。
（3）因子探测器显示,人口密度和地均GDP对安全风险结果的解释力较强,而用地类型风险等级因子的解释力最弱。交互探测器显示,任何两因子交互作用后对城市安全风险结果的解释力均大于单一因子解释力,说明安全风险结果为多因素协同作用造成。

3.2 讨论

基于PSR模型构建的综合灾害风险评估指标体系,区别于以往的单一灾种风险评价,具有清晰的框架结构和逻辑关系,而且关注不同灾害系统的作用机制差异,从各单灾种评估指标层面,对城市系统可能面临的多种灾害风险压力、风险受体内部状态以及灾害响应进行了较为全面的概括,能够较为精准地反映出城市安全风险水平。但是,由于灾害风险下的城市安全是在人类活动和自然因素共同作用下长期演化所形成的复合产物,涵盖自然、经济、社会、政策等多方面因素。本文虽已经尽可能全面地选取评价指标,但由于数据来源不可获取或难以空间化表达等原因的限制,导致现有评价指标体系仍未能全方位的表征城市安全风险状况。因此,对于已经得到的数据还需要再进一步的丰富和充实,例如,增加生态灾害风险、政府管理响应等方面指标,为城市安全风险管理提供更为有效精准的科学依据和方案。
在对各单灾种风险评估结果进行综合分析时,耦合激励模型考虑到了各灾种间的相互触发关系,且在风险叠加计算时区别于以往权重系数为1的情况,能够有效地降低指标间的信息冗余量,提升城市安全风险的模拟分析结果。在模型的后续改进中,可以进一步精确设置各单灾种的触发效应规则、不同风险等级间的耦合激励系数,得到修正的各单灾种耦合激励关系,以此改善模型精度。另外,本文只选择了6个指标去探究城市安全风险驱动机制。后期工作中,可以选取其他的人类需求和响应能力指标来进行对比研究,或者可以运用不同的驱动机制分析方法,如无序多分类Logistic回归[36]、主成分分析等来验证比较不同方法结果的一致性情况。
提升高风险地区的防灾减灾救灾能力,制定与建设区域相协调适应的安全韧性提升路径和政策,是顺应新时代下城市安全发展理念的重要举措。针对本文中的高风险地区琅琊新区以及城东、城北工业组团,可以从区域安全空间结构优化、工程项目建设和应急管理体系提升三个方面开展工作。首先,可以通过优化区域防灾减灾空间结构、构建三级避难场所体系、打造应急避难救援体系等方面来强化灾害安全韧性空间保障体系。其次,在具体建设过程中,可以通过防震减灾工程、地质灾害工程、防洪工程、气象工程以及消防工程的建设来统筹区域防灾减灾设施,对各类灾害进行防治分区划分,明确重大灾害类型的工程治理项目和措施。最后,可以从救灾应急指挥体系建设、大数据系统建设与应用、综合防灾监测预警机制完善、应急救灾物资储备系统建设等方面来健全区域应急管理体系。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李迅. 防控重大风险,建设韧性城市. 城市发展研究, 2020, 27(4):1-6.

[ LI X. To fend off and control major risks, build a resilient city. Urban Studies, 2020, 27(4):1-6.]

[2]
黄曦涛, 李怀恩, 张瑜, 等. 基于PSR和AHP方法的西安市城市内涝脆弱性评价体系构建与脆弱度评估. 自然灾害学报, 2019, 28(6):167-175.

[ HUANG X T, LI H E, ZHANG Y, et al. Construction of urban waterlogging vulnerability assessment system and vulnerability assessment based on PSR & AHP method in Xi'an city. Journal of Natural Disasters, 2019, 28(6):167-175.]

[3]
翟国方, 崔功豪, 谢映霞, 等. 风险社会与弹性城市. 城市规划, 2015, 39(12):107-112.

[ ZHAI G F, CUI G H, XIE Y X, et al. Risk society and resilience city. City Planning Review, 2015, 39(12):107-112.]

[4]
United Nations International Strategy for Disaster Reduction. Sendai framework for disaster risk reduction 2015-2030. New York: United Nations, 2015.

[5]
王鑫. 城市自然灾害安全评价体系与调控方法及应用研究. 郑州: 郑州大学, 2019.

[ WANG X. Urban disaster safety integrated assessment system and regulation. Zhengzhou: Zhengzhou University, 2019.]

[6]
CARRENO M L, CARDONA O D, BARBAT A H, et al. Holistic disaster risk evaluation for the urban risk management plan of Manizales, Colombia. International Journal of Disaster Risk Science, 2017, 8(3):258-269.

DOI

[7]
王思成, 运迎霞, 李道勇. 城市雨洪安全风险测度与防灾规划管理响应研究. 现代城市研究, 2019, (11):125-131.

[ WANG S C, YUN Y X, LI D Y. Study on safety risk measurement and disaster prevention planning response of urban rainstorm and flood. Modern Urban Research, 2019, (11):125-131.]

[8]
尚志海. 基于人地关系的自然灾害风险形成机制分析. 灾害学, 2018, 33(2):5-9.

[ SHANG Z H. Natural disaster risk formation mechanism based on man-land relationship. Journal of Catastrophology, 2018, 33(2):5-9.]

[9]
RANA I A, ROUTRAY J K. Integrated methodology for flood risk assessment and application in urban communities of Pakistan. Natural Hazards, 2018, 91(1):239-266.

DOI

[10]
万昔超, 殷伟量, 孙鹏, 等. 基于云模型的暴雨洪涝灾害风险分区评价. 自然灾害学报, 2017, 26(4):77-83.

[ WANG X C, YIN W L, SUN P, et al. Risk division assessment of rainstorm-flood disasters based on cloud model. Journal of Natural Disasters, 2017, 26(4):77-83.]

[11]
代文倩. 城市综合灾害风险评估. 唐山: 华北理工大学, 2018.

[ DAI W Q. Urban Comprehensive disaster risk assessment. Tangshan: North China University of Science and Technology, 2018.]

[12]
THIERRY P, STIELTJES L, KOUOKAM E, et al. Multi-hazard risk mapping and assessment on an active volcano: The GRINP project at Mount Cameroon. Natural Hazards, 2008, 45(3):429-456.

DOI

[13]
SCHMIDT J, MATCHAM I, REESE S, et al. Quantitative multi-risk analysis for natural hazards: A framework for multi-risk modelling. Natural Hazards, 2011, 58(3):1169-1192.

DOI

[14]
刘希林, 尚志海. 中国自然灾害风险综合分类体系构建. 自然灾害学报, 2013, 22(6):1-7.

[ LIU X L, SHANG Z H. Establishment of integrated classification of natural disaster risk in China. Journal of Natural Disasters, 2013, 22(6):1-7.]

[15]
吴健生, 罗宇航, 王小玉, 等. 城市滑坡灾害生态风险不确定性分析与风险管理: 以深圳市为例. 生态学报, 2020, 40(11):3612-3621.

[ WU J S, LUO Y H, WANG X Y, et al. Uncertainty analysis and risk management of ecological risk of urban landslide disaster: A case of Shenzhen city. Acta Ecological Sinica, 2020, 40(11):3612-3621.]

[16]
曹罗丹, 李加林. 基于遥感与GIS的浙江省洪涝灾害综合风险评估研究. 自然灾害学报, 2015, 24(4):111-119.

[ CAO L D, LI J L. Integrated risk assessment of flood disaster in Zhejiang province based on RS and GIS. Journal of Natural Disasters, 2015, 24(4):111-119.]

[17]
CHEN N, CHEN L, MA Y C, et al. Regional disaster assessment of china based on self-organizing map: Clustering, visualization and ranking. International Journal of Disaster Risk Reduction, 2019, 33:196-206.

DOI

[18]
尹占娥, 许世远, 殷杰, 等. 基于小尺度的城市暴雨内涝灾害情景模拟与风险评估. 地理学报, 2010, 65(5):553-562.

[ YIN Z E, XU S Y, YIN J, et al. Small-scale based scenario modeling and disaster risk assessment of urban rainstorm water-logging. Acta Geographica Sinica, 2010, 65(5):553-562.]

[19]
WOLF T, MCGREGOR G. The development of a heat wave vulnerability index for London, United Kingdom. Weather & Climate Extremes, 2013, 1(1):59-68.

[20]
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. 生态学报, 2019, 39(22):8232-8244.

[ WANG G P, MIN Q W, DING L B, et al. Comprehensive disaster risk assessment index system for national parks based on the PSR model. Acta Ecological Sinica, 2019, 39(22):8232-8244.]

[21]
夏陈红, 王威, 马东辉. 城市综合灾害风险等级组合评价的SD模型. 中国安全科学学报, 2019, 29(4):164-170.

[ XIA C H, WANG W, MA D H. Urban comprehensive disaster risk level combination evaluation model based on support degree. China Safety Science Journal, 2019, 29(4):164-170.]

[22]
吴瑶瑶, 郭浩, 王颖, 等. 综合灾害风险防范凝聚力研究进展与展望. 灾害学, 2018, 33(4):217-222.

[ WU Y Y, GUO H, WANG Y, et al. Research progress and prospect of integrated disaster risk governance consilience. Journal of Catastrophology, 2018, 33(4):217-222.]

[23]
孔锋. 透视大尺度综合自然灾害风险评估的主要进展和展望. 灾害学, 2020, 35(2):148-153.

[ KONG F. Perspective on the main progress and prospect of large-scale comprehensive natural disaster risk assessment. Journal of Catastrophology, 2020, 35(2):148-153.]

[24]
明晓东, 徐伟, 刘宝印, 等. 多灾种风险评估研究进展. 灾害学, 2013, 28(1):126-145.

[ MING X D, XU W, LIU B Y, et al. An Overview of the progress on muti-risk assessment. Journal of Catastrophology, 2013, 28(1):126-145.]

[25]
SHI P J, DU J, JI M X, et al. Urban assessment research of major natural disasters in China. Advances in Earth Science, 2006, 21(2):170-177.

[26]
代文倩, 初建宇, 马丹祥. 基于云模型的城市灾害综合风险评价方法. 华北理工大学学报: 自然科学版, 2019, 41(1):73-80.

[ DAI W Q, CHU J Y, MA D X. Urban disaster comprehensive risk assessment method based on cloud model. Journal of North China University of Science and Technology: Natural Science Edition, 2019, 41(1):73-80.]

[27]
赵鹏宇, 薛慧敏. 基于PSR模型的能源—生态复合区生态安全预警研究以山西省忻州市为例. 水土保持通报, 2020, 40(2):285-290, 298.

[ ZHAO P Y, XUE H M. A study on pre-warning of ecological security in energy-ecological recombination region based on PSR: Taking Xinzhou city of Shanxi province as example. Bulletin of Soil and Water Conservation, 2020, 40(2):285-290, 298.]

[28]
张崇淼, 李森, 张力喆, 等. 基于PSR模型的城市生态安全评价与贡献度研究: 以铜川市为例. 安全与环境学报, 2019, 19(3):1049-1056.

[ ZHANG C M, LI S, ZHANG L Z, et al. Urban ecological security evaluation and contribution analysis by PSR model: A case study of Tongchuan city, Shanxi. Journal of Safety and Environment, 2019, 19(3):1049-1056.]

[29]
彭建, 吴健生, 潘雅婧, 等. 基于PSR模型的区域生态持续性评价概念框架. 地理科学进展, 2012, 31(7):933-940.

[ PENG J, WU J S, PAN Y J, et al. Evaluation for regional ecological sustainability based on PSR model: Conceptual framework. Progress in Geography, 2012, 31(7):933-940.]

[30]
白洁, 王欢欢, 刘世存, 等. 流域水环境承载力评价: 以白洋淀流域为例. 农业环境科学学报, 2020, 39(5):1070-1076.

[ BAI J, WANG H H, LIU S C, et al. Evaluations of water environment carrying capacity: A case study in the Baiyangdian watershed, China. Journal of Agro-Enviroment Science, 2020, 39(5):1070-1076.]

[31]
王威, 夏陈红, 马东辉, 等. 耦合激励机制下多灾种综合风险评估方法. 中国安全科学学报, 2019, 29(3):161-167.

[ WANG W, XIA C H, MA D H, et al. Muti-hazard comprehensive risk assessment based on coupling incentive mechanism. China Safety Science Journal, 2019, 29(3):161-167.]

[32]
王鹏, 王亚娟, 刘小鹏, 等. 干旱地区生态移民土地利用变化生态风险: 以宁夏红寺堡区为例. 干旱地区农业研究, 2019, 37(1):58-65.

[ WANG P, WANG Y J, LIU X P, et al. Ecological risk of ecological immigrants on land use change in arid areas: Hongsihu district of Ningxia as an example. Agricultural Research in the Arid Areas, 2019, 37(1):58-65.]

[33]
徐超璇, 鲁春霞, 黄绍琳. 张家口地区生态脆弱性及其影响因素. 自然资源学报, 2020, 35(6):1288-1300.

[ XU C X, LU C X, HUANG S L. Study on ecological vulnerability and its influencing factors in Zhangjiakou area. Journal of Natural Resources, 2020, 35(6):1288-1300.]

[34]
王劲峰, 徐成东. 地理探测器:原理与展望. 地理学报, 2017, 72(1):116-134.

DOI

[ WANG J F, XU C D. Geodetector: Principle and prospective. Acta Geographica Sinica, 2017, 72(1):116-134.]

[35]
王钰, 胡宝清. 西江流域生态脆弱性时空分异及其驱动机制研究. 地球信息科学学报, 2018, 20(7):947-956.

DOI

[ WANG Y, HU B Q. Spatial and temporal differentiation of ecological vulnerability of Xijiang River in Guangxi and its driving mechanism based on GIS. Journal of Geo-Information Science, 2018, 20(7):947-956.]

[36]
熊昌盛, 谭荣, 岳文泽. 快速城市化背景下不同建设用地扩张的驱动差异探讨: 以浙江省义乌市为例. 自然资源学报, 2018, 33(12):2124-2135.

[ XIONG C S, TAN R, YUE W Z. Discussion on different driving factors of diversified construction land expansion in rapid urbanization area: A case study of Yiwu city. Journal of Natural Resources, 2018, 33(12):2124-2135.]

Options
文章导航

/

〈 〉