简介
《基于TOPSIS-PSO-ELM的长三角城市群城市韧性时空演化模式》文章发表于国际期刊Sustainable Cities and Society，2022年12月第87卷，通讯作者为南京大学建筑与城市规划学院的翟国方教授。
原文题目：The spatiotemporal evolution pattern of urban resilience in the Yangtze River Delta urban agglomeration based on TOPSIS-PSO-ELM
JCR分区：一区
中科院分区：一区
影响因子：11.7
原文链接：
https://doi.org/10.1016/j.scs.2022.104223
主要内容
研究背景
城市韧性是一种能够量化城市健康运行的方法论，对阐明城市发展规律、促进城市可持续发展具有理论和现实意义。面对多发多发的灾害，城市韧性为指导城市发展方向、灵活应对干扰、增强抗干扰能力提供了新的视角。目前，国际学者主要探讨了各种城市基础设施对自然灾害的响应，并开展了一系列研究，这些可行的研究可用于指导实际工程建设和改善城市空间布局。但城市韧性是一个超级系统，包括经济社会发展、生态环境保护和基础设施建设，受到多种复杂因素的相互作用和耦合作用的影响。因此，对城市群韧性进行系统、全面的研究，顺应高质量可持续发展的趋势，将城市系统要素、城市韧性特征及其形成过程之间的关系联系起来就显得尤为重要，该方法从“评价机制-管理”的操作闭环角度出发，思考城市韧性机制与评价结果与城市管理的无缝衔接。它可以为世界其他国家城市群城市韧性的内在机制分析和评价提供先进的机器学习方法和理论指导，为国际欠发达地区的城市一体化建设提供了可持续发展的参考样本。
本文以长三角城市群49个城市为研究对象，采用TOPSIS方法、粒子群优化算法（PSO）和极限学习机（ELM）对2010-2020年的城市韧性进行了测度，分析了长三角城市群城市韧性的时空演化特征，采用主流的探索性空间数据分析、地统计学趋势线分析和地理检测器分析了长三角城市群城市韧性的空间相关性、差异性和驱动机制。为了准确评估长三角城市群的城市韧性水平，本文采用频率统计、理论分析和专家咨询等方法对城市韧性文献进行了筛选，遵循系统性、科学性、典型性和可操作性的数据选择原则，结合韧性理论和“经济社会生态基础设施”多学科理论，构建了一个系统的城市韧性评价框架，坚持城市韧性研究的全方位性，包括“经济韧性、社会韧性、生态韧性和基础设施韧性”。本文的分析不仅揭示了影响城市韧性空间格局的主导驱动因素，而且直观立体地说明了长三角城市韧性的分布。
研究方法
1. TOPSIS综合评价方法
TOPSIS是一种典型的多属性决策分析方法，在经济社会发展领域得到了广泛的应用。TOPSIS旨在通过测量每个样本到正理想解和负理想解的欧几里得距离来评估系统的发展水平。本研究采用TOPSIS评价模型结合AHP和熵权（EWM）对长三角城市群的城市韧性进行了基础评价，为PSO-ELM融合算法提供了训练和测试样本。
2. PSO-ELM融合算法
基于TOPSIS模型的评估结果，本文将综合评估值输入到ELM中，作为训练和测试的先验样本。在训练过程中，引入粒子群优化算法对ELM的网络结构和连接权值进行优化。由此获得了更合适的输入权重（w）和神经元阈值（b）。将这种TOPSIS-PSO-ELM组合模型应用于长三角城市群的城市韧性评估。
2.1 极限学习机（ELM）
ELM是一种单隐层前馈神经网络（SLFNs）学习算法。ELM可以在确定模型参数时随机初始化输入层和隐藏层之间的连接权重（w）和神经元阈值（b），以获得唯一的最优解。ELM凭借其优越的自学习能力、智能高效的性能以及局部立体搜索优势，在多个领域得到了广泛应用。
ELM模型的基本结构由输入层、隐藏层和输出层组成。其中，n、H和m分别表示输入层、隐藏层和输出层中的节点数；g（x）是隐藏层中的神经元激活函数。
样本集的目标值输出矩阵T如下：
2.2 粒子群优化极限学习机(PSO-ELM)
由于ELM模型的随机选择值w和阈值b可能会因为过度训练而导致精度下降，为此，本研究引入了粒子群优化算法（PSO）来优化ELM的w和b，该算法可以全局优化，具有高收敛性，并具有高求解质量。
3. 城市韧性指标体系构建
为了准确评估长三角城市群的城市韧性水平，本文采用频率统计、理论分析和专家咨询等方法对城市韧性文献进行了筛选，遵循系统性、科学性、典型性和可操作性的数据选择原则，构建了城市韧性评价指标体系，包括经济韧性、社会韧性、生态韧性和基础设施韧性。
4. 地理探测器模型
地理检测器方法是一种新的解释空间差异特征和检测解释因素的统计方法。它具有操作方便、样本约束少的优点。借助Geo Detector，本文分析了长三角城市群城市韧性空间分化的驱动因素：
其中q表示索引[0,1]的检测值；h是城市恢复力指数的数字；N是样本总数；Nh是样本数量；σ2是长江三角洲城市韧性的方差。
研究结果与讨论
研究结果
1. 长三角城市群城市韧性时空演化特征
本文使用TOPSIS-PSO-ELM模型和MATLAB R2014a编程软件来评估长三角城市群的城市韧性，使用TOPSIS-PSO-ELM模型计算了2010-2020年长三角城市群41个地级市的城市韧性指数。
结果表明，2010-2020年，长三角城市群的城市韧性指数波动上升，表明这一时期区域发展趋势正在改善，安全系数的数量和质量明显提高。
2. 城市韧性测度的总体特征
2010-2020年城市经济社会生态基础设施韧性系统的时间演变特征如下：
（1）长三角城市群韧性指数相对较低，但总体呈持续上升趋势；
（2）城市韧性指数的标准差在0.1156至0.1190之间，总体波动幅度较小，表明城市韧性指数离散度较小；
（3）变异系数从2010年到2015年增加，从2015年到2020年显著下降，表明2015年后随着长三角一体化的逐步推进，城市韧性指数的空间差异逐渐缩小；
（4）2010-2020年，左偏分布占主导但有所减少，表明长三角城市群中韧性较低的城市数量持续减少；
（5）2010-2020年峰度系数从17.1971下降到12.9171，表明长三角高韧性城市群程度下降并趋于平衡。
3. 城市韧性的空间演化模式
3.1 城市韧性的全球演变趋势
2010-2020年，长三角城市群城市韧性总体提升，但空间失衡明显。数据显示，在不同的空间尺度上，表现为一个多层的“中心边缘”极化金字塔模式；即东部沿海地区的H–H集聚、华北和苏北平原的L–L集聚。韧性的“高峰”中心主要分布在上海、南京、杭州等一线发达城市，而“低谷”中心则主要分布在淮南、华北、亳州等西北边缘城市。
在该图中，X轴表示东西方向，Y轴表示南北方向。2010-2020年，长三角城市群的城市韧性表现出突出的空间分布特征，城市韧性指数呈现出显著的全球差异。众多的“峰”和“谷”中心形成了多核集群式的空间分布格局。城市韧性指数自东向西呈明显的梯形下降趋势，高值区主要集中在东部沿海地区，低值区主要聚集在南部山区。从南到北，城市韧性指数呈M型发展趋势，“高峰”集中在南部地区，“低谷”集中在北部地区。
3.2 城市韧性等级的空间格局
从总体空间格局来看，长三角城市群的城市韧性在不同的空间尺度上呈现出多层复合的“芯缘”两极金字塔格局。
总体而言，长三角城市群的城市韧性从中心区向外围区递减，城市韧性的中心高值区域大多集中在上海、苏南和浙北等城市。高韧性城市数量显著增加，呈现出特定的空间扩散特征。西南外围二、三级城市韧性相对稳定（台州除外）。相比之下，北部外围一级城市的韧性普遍增强，导致低韧性城市的总体数量减少。
3.3 城市韧性的空间相关性分析
城市韧性指数空间集聚显著，东部沿海地区H-H集聚显著，苏北平原和苏北平原L-L集聚明显。根据城市韧性的空间自相关，2010年、2015年和2020年长三角城市群的城市韧性莫兰I指数分别为0.1609、0.1762和0.1806，每一个值都大于0，并且在整个研究期间都在增加，空间相关性越来越突出。
“高-高（H-H）”聚集区代表高韧性区域。2010年和2015年，H–H聚集区包括上海、苏州、无锡、常州、杭州、宁波和绍兴；到2020年，舟山也上升到H–H。
“高-低（H-L）”聚集区代表高韧性城市与低韧性城市相邻的空间。2010年和2015年，安徽省省会合肥占据了H-L区域，这表明合肥发挥了明显的虹吸效应，与其他城市形成强烈的空间差异。到2020年，滁州也上升到了H-L。
“低-高（L-H）”聚集区代表低韧性城市与高韧性城市相邻的空间。2010年和2015年，L-H聚集区包括南通、嘉兴、湖州和宣城；到2020年，南通已经成为一个微不足道的地区。L-H集群主要分布在安徽、江苏和浙江三省交界的中小城市周围。与苏州、上海和杭州等发达城市相比，这些较小的城市表现出显著的空间差异。
“低-低（L-L）”聚集区代表低韧性城市。2010-2020年，江淮平原和苏北平原的L-L聚集区分布均匀，这表明地理和其他自然因素可能决定了L-L聚集的位置，从而形成了连续的空间分布趋势。
4. 长三角城市群城市韧性发展差异分析
城市“经济-社会-生态-基础设施”子系统韧性的发展趋势线显示了经济、社会、生态和基础设施子系统的显著区域差异。2010-2020年，经济、社会和基础设施发展趋势相似，呈现出“东高西低”和“南北倒U型”的趋势。可以看出，三角洲东部和中部地区是城市经济、社会、基础设施韧性的高价值聚集区。2010-2020年，生态子系统的韧性值呈显著上升趋势，呈现出“东高西低、南高北低”的发展趋势。可以看出，三角洲东部和南部地区是生态韧性的高价值聚集区。
结合地理检测值q，从2010年到2020年，几个因素对城市经济韧性产生了显著影响：人均金融机构存款余额（A3）；地方财政收入（A5）；以及实际使用的外资金额（A6）。在社会子系统中，因素包括完全就业的员工的平均工资（B1）；医院床位数量（B3）；以及100人公共图书馆（B5）。在基础设施子系统中，影响因素包括全社会用电量（D8）；城市燃气供应总量（D9）；年末移动电话用户数量（D11）；以及互联网宽带用户的数量（D12）。生态环境的驱动因素对城市韧性空间的分化影响不大。
讨论
作为一个城市复杂系统，随着人口和产业的不断积累，城市面临着各种自然灾害和人为因素造成的长期压力等严重影响。提高城市群应对干扰和影响的韧性发展水平，增强区域韧性，提高城市可持续发展水平，已成为21世纪以来城市地理学和城市规划的热点。以三角洲日益突出的脆弱性为导向，认识和评估三角洲城市群当前的韧性状态，可以为提高城市韧性提供有益的可持续发展战略和实践指导。
声明
本推送内容仅代表课题组对文章的理解，不是对原文的翻译，请有兴趣的同学阅读原文。课题组水平有限，难免出现错讹，也请各位专家、同学批评指正。
来源：土地管理与城乡发展广波站
转自：“生态遥感前沿”微信公众号
如有侵权，请联系本站删除！
