基于AT-LSTM-BP的生态–经济–城镇化耦合探索及预测——以黄河流域省份为例
Coupling Coordination Degree and LSTM-Attention-BP Model-Based Exploration and Prediction for Ecology-Economy-Urbanization Development—A Case Study of the Yellow River Basin, China
摘要: 深入研究生态–经济–城镇化的协调发展状况,以2005~2021年黄河9省数据为例,采用耦合协调度、Dagum基尼系数及障碍因子模型分析了三系统的耦合发展关系、区域差异及来源,并构建AT-LSTM-BP模型预测生态发展情况。结果表明:(1) 黄河流域的耦合协调度总体呈现“中度不协调–勉强协调–中度协调–高度协调”的演化规律。且表现出下游 > 中游 > 上游的空间格局。(2) 区域间差异是黄河流域耦合协调水平差异的主要来源,其中上–下游区域之间差异最大。总体及上游区域内的差异均呈扩大趋势,中、下游区域内差异呈现显著倒“U”型。(3) 黄河流域三系统的耦合协调发展主要受到经济规模、环境治理和环境要素的制约,上–中–下游的各省的主要障碍因子存在一定差异。(4) 组合模型预测结果明显优于单一模型,经济发展、城镇化建设综合指标对生态环境质量指标的驱动作用显著。AT-LSTM-BP模型的预测效果最佳,能为相关研究带来帮助。
Abstract: To deeply study the development status of Ecology-Economy-Urbanization (EEUs) in nine Yellow River provinces, the coupled development relationship, regional differences and sources of EEUs were analyzed by using the coupling coordination degree (CDD), Dagum Gini coefficient and obstacle factor model, and a LSTM-Attention-BP model was constructed to predict ecological development. The results showed that: (1) The CCD in the Yellow River Basin generally shows the evolution of “moderate incoordination-reluctant coordination-moderate coordination-high coordination”. The spatial pattern is downstream > midstream > upstream. (2) Inter-regional differences are the main source of differences in the level of coupling coordination. The overall and upstream differences show an expanding trend, and the differences between the middle and downstream regions show a significant inverted “U” shape. (3) The coupling coordinated development of EEUs is mainly constrained by Economic Scale, Environmental Management and Environmental Element, and there are some differences in the main obstacles between provinces. (4) The prediction result of the combined model is significantly better than that of the single model. The AT-LSTM-BP model has the best prediction effect, which can be helpful for the related research.
文章引用:秦一天, 檀健, 杨珂, 蔡涛. 基于AT-LSTM-BP的生态–经济–城镇化耦合探索及预测——以黄河流域省份为例[J]. 建模与仿真, 2024, 13(5): 5116-5130. https://doi.org/10.12677/mos.2024.135463

1. 引言

在经济快速发展、城镇化水平提高之际,我国环境问题愈演愈烈,严重影响了经济乃至城市建设的和谐发展[1]。随着可持续发展战略深入推进,城镇生活与经济质量发展有了显著改善。因此,生态质量、经济发展、城镇化建设三者密不可分[2],探索生态–经济–城镇化间的协调发展趋势和驱动关系,对推进绿色现代化建设具有重要理论价值。

近年来,经济、城镇化与生态关系的研究引起了许多学者的兴趣。一些学者以不同国家、地区为研究对象,分别基于CO2 [3]、SO2 [4]等温室气体数据,探讨了环境库兹涅茨曲线假说,为可持续发展提供了合理的政策建议。耦合协调度模型也在生态[2]、经济[5]、城镇化[6]相关研究中受到学者们的青睐,其研究区域覆盖陕西[1]、云南[7]、黄河流域[8]-[10]、长江流域[11]-[13]、丝绸之路经济带[14]、哈萨克斯坦[15]等。其中,Ariken等人[16]构建了RSEI和耦合协调度模型,为中国延庆盆地的生态–城镇化协调发展失衡现象提供了对策。Liu等人[17]结合耦合协调度与时空计量模型,探讨了黄河流域环境–经济的耦合发展规律及空间异质性。随着人工智能的兴起,神经网络在生态指标预测中的应用成为研究热点之一。Kai等[18]将BP神经网络和GRNN结合起来预测风速时间序列,结果表明该算法具有较高的实用性。Ma等人[19] [20]分别构建了BAS-BP和BP-ANN模型,探讨多因素对NDVI的驱动影响并预测其发展趋势。

综上,目前与环境相关的耦合协调研究主要集中于生态–经济或生态–城镇化,但对生态环境–经济–城镇化之间的耦合关系研究不够深入。而对于生态环境预测,多数研究只关注某一指标,不能全面分析生态发展状况。在预测方法上,大部分研究仅考虑生态指标的时间特征或驱动因素,存在一定局限性。因此,本文以黄河流域九省为研究对象,利用2005~2021年生态、经济和城镇化的相关数据,探究耦合协调发展进程、空间格局和发展差异,并构建AT-LSTM-BP模型,从时间和驱动因素双角度对生态质量指数进行预测,从而为黄河流域绿色协调发展提供理论支持。

2. 材料与方法

2.1. 研究区域

黄河发源于青藏高原,全长5464公里,流域面积约79.5万平方公里[8],是中国重要的经济带和生态屏障[9]。因此,以黄河流域为研究对象,探索生态–经济–城镇化的协调发展进程,对我国生态文明建设至关重要。为确保省域研究的完整性,本文将青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南和山东9省作为研究区域。

2.2. 数据来源和处理

本文数据来源包括《中国环境统计年鉴》、国家统计局和黄河流域9省2005~2008年的统计年鉴。本文首先采用min-max法对数据进行标准化处理,消除指标间的单位差异和正负影响[7]。采用层次结构法构建评价体系[11],并利用熵权法提高体系构建的全面性和科学性[5]。其中,GDP相关指标以2003年为基期转化为实际GDP,并用插值法处理缺失值[1]。指标权重见表1

Table 1. Evaluation indicator system of ecology-economy-urbanization

1. 生态–经济–城镇化评价指标体系

一级指标

二级指标

三级指标

方向

权重/%

综合权重/%

生态环境质量

环境压力

X1 单位GDP能耗

6.17

20.02

X2 人均供水量

5.28

X3 工业废水排放量

5.41

X4 空气质量指数AQI

3.16

环境要素

X5 城镇建成区绿化覆盖率

+

5.92

35.31

X6 人均公园绿地面积

+

10.84

X7 森林覆盖率

+

18.55

环境治理

X8 一般工业固体废物综合利用率

+

9.67

44.68

X9 生活垃圾无害化处理率

+

4.9

X10 城市污水日处理能力

+

30.11

经济发展

经济规模

X11 GDP

+

13.53

57.13

X12 固定资产投资

+

18.18

X13 公共预算收入

+

9.35

X14 社会消费品零售总额

+

16.07

经济活力

X15 GDP增长率

+

8

25.88

X16 第三产业增长率

+

3

X17 固定资产投资增长率

+

3.23

X18 社会消费品零售总额增长率

+

3.28

X19 出口值增长率

+

5.37

经济结构

X20 第二产业生产总值占GDP的比重

+

7.14

16.99

X21 第三产业生产总值占GDP的比重

+

9.85

城镇化建设

人口

X22 城镇人口密度

4.09

15.71

续表

城镇化建设

人口

X23 城镇化率

+

4.02

X24 城镇登记失业率

4.2

X25 第三产业就业人员比重

+

3.4

经济

X26 城镇居民人均可支配收入

+

8.33

31.46

X27 城镇人均GDP

+

7.34

X28 城镇人均社会消费品零售总额

+

5.34

X29 城镇人均固定资产投资

+

10.45

空间

X30 城镇人均建设用地面积

+

7.88

19.10

X31 城镇人均道路面积

+

7.08

X32 城镇建设用地面积占市区面积比例

+

4.14

社会

X33 城镇职工基本养老保险参保人数

+

14.6

33.74

X34 城镇万人拥有公交车数量

+

4.18

X35 城镇卫生机构床位数

+

14.96

2.3. 研究方法

2.3.1. 耦合协调度模型

为深入探讨生态–经济–城镇化的协调发展关系,构建了耦合协调度模型。耦合协调度(D)可以反映系统间协调状况的好坏[15],具体公式如下:

C j = [ Y 1,j × Y 2,j × Y 3,j × ( Y 1,j + Y 2,j + Y 3,j 3 ) 3 ] 1/3 (1)

T=α Y 1 +β Y 2 +γ Y 3 (2)

D= C×T (3)

其中,Y表示三个评价体系的指标,C为耦合度,T为协调发展水平的综合指数。 α β γ 为指标权重,本文认为三个评价系统同等重要,故设 α=β=γ=1/3

通过对大量文献的研究[12],将生态–经济–城镇化的耦合发展阶段划分为五级,如表2所示。

Table 2. Standards for categorizing the degree of coupling coordination

2. 耦合协调度划分标准

发展阶段

耦合协调区间

耦合协调等级

协调阶段

0.8 < D ≤ 1

高度协调

过渡阶段

0.6 < D ≤ 0.8

中度协调

0.4 < D ≤ 0.6

勉强协调

失调阶段

0.2 < D ≤ 0.4

中度失调

0 < D ≤ 0.2

极度失调

2.3.2. Dagum基尼系数

与泰尔指数和传统的基尼系数相比,Dagum基尼系数能够揭示地区差异的根源[13]。本文利用Dagum基尼系数及其分解方法,探究黄河流域耦合协调发展的区域差异及其来源。总基尼指数公式如下:

G= j=1 k h=1 k i=1 n j r=1 n h | y ji y hr |/ 2 n 2 y ¯ (4)

其中, y ji j区域i省份的耦合协调度, y ¯ 为耦合协调度均值。

根据 P j = n j /n S j = n j y ¯ j / n y ¯ 分别计算得到区域内差异( G w )、区域间差异( G jh )及超变密度( G t )的贡献度:

G w = j=1 k G jj P j S j (5)

G jj = 1 2 y ¯ j=1 k r=1 n j | y ji y hr | n j 2 (6)

G nb = j=2 k h=1 j1 G jh ( P j S h + P h S j ) D jh (7)

G jh = i=1 n j r=1 n h | y ji y hr | n j n h ( y ¯ j + y ¯ h ) (8)

G t = j=2 k h=1 j1 G jh ( P j S h + P h S j ) ( 1 D jh ) (9)

其中, D jh 为地域间耦合协调的相互影响程度。

2.3.3. 障碍度模型

为探究制约黄河流域协调发展的影响因子,本文构建以下障碍度模型:

D j = W j (10)

I j =1 x j (11)

M j = D j I j j=1 n D j I j ×100% (12)

其中, x j 表示第j个指标的标准化后的值, W j 为其权重, D j I j M j 分别为因子贡献度、指标偏离度和障碍度。

2.3.4. AT-LSTM-BP模型

生态质量指数本质上是一组时间序列数据,因此需考虑提取时间特征。此外,生态环境与人类活动、经济发展息息相关,因此驱动因素也是预测的关键之一。结合时序预测和非线性神经网络模型,本文提出了AT-LSTM-BP模型来预测生态质量指数。

长短期记忆网络(Long Short-Term Memory, LSTM)是一种递归神经网络,它使用三个门控单元——输入门、遗忘门和输出门,来自适应地保留和遗忘过去的输入信息[21]。在t时刻,将序列 X t ={ x 1 , x 2 ,, x m } 作为输入,那么LSTM在t时间步的输出可以表示为:

h t =LSTM( X t , h t1 ) (13)

在LSTM层之后加入注意力机制,自注意力机制(Self-Attention)可以自适应地选择最相关的输入特征,通过初始化权重矩阵 W Q W K W V ,对输入特征进行线性映射,并进行SoftMax处理,从而赋予相关特征序列信息更高的权重,具体表示如下:

Attention( Q,K,V )=softmax( Q K T d k )V (14)

本文将LSTM的输出向量 h t 作为Self-Attention层的输入,计算每个时间步序列信息的注意力权重 w t ,之后将权重与LSTM层的输出向量 h t 相乘,加权求和得到整个序列的加权表示,再通过全连接层得到预测值 Y t ={ y 1 , y 2 ,, y m } 。模型具体结构如图1所示。

Figure 1. Structure of the AT-LSTM model

1. AT-LSTM模型结构图

由于生态–经济–城市化间的相互作用十分复杂,本文使用了反向传播神经网络(Back propagation neural network, BPNN)探究其三者间的驱动关系。BPNN通常用于探索因子间的非线性关系[19] [20]。本文使用简单明了的三层结构模型,即输入层、隐藏层和输出层,这种结构允许每个神经元在输入和输出之间建立合适的非线性关系,而不受输出在(−1, 1)的限制[22]。对于每个时间步t,输入特征向量为 S t ={ s 1 , s 2 ,, s n } ,隐藏层采用ReLU激活函数学习非线性特征,最后通过全连接层得到预测输出值:

y t =ReLU( w t s t + b t ) (15)

其中, w t b t 分别为权重矩阵和偏置项。模型结构如图2所示。

Figure 2. Schematic structure of BPNN

2. BPNN结构图

根据模型的预测值( A L(B) n )和实际值( A T n )得到预测精度 P L(B) n =1| 1 A L(B) n / A T n | ,并计算比例系数 k n1 = ( 1 P B n1 )/ ( 1 P L n1 ) 。对预测结果进行修正,具体公式如下:

C A L(B) n = A T n1 × A L(B) n A L(B) n1 (16)

通过比例系数加权求和,得到最终的预测值:

A n = C A L n +C A B n × k n1 k n1 +1 (17)

3. 结果与讨论

3.1. 黄河流域耦合协调的时空变化特征

3.1.1. 时间演变特征

图3显示了黄河流域9省生态–经济–城镇化耦合协调度的变化趋势。2005至2021年,耦合协调度呈现出持续稳步提升的态势,其演化路径为中度失调–勉强协调–中度协调。按地区划分,山西、青海、甘肃和宁夏的耦合协调度始终低于流域平均值。内蒙古的耦合协调度在2014年以前在平均值附近波动,2014年之后下降到平均值以下。陕西在2009年提升至平均值以上。山东、四川和河南始终高于平均水平,这是下游耦合发展水平远高于上、中游,且上游发展差异大的重要原因之一。从发展速度角度来看,2005~2021年间黄河流域生态–经济–城镇化耦合协调度均值提高了52.84%。其中,陕西、山东、河南、四川的增幅均大于流域平均增幅。四川的耦合协调度增长率最高,为67.47%,其次是河南和陕西。宁夏和青海的增长率低于其他省份。因此可以看出,九省的耦合发展处于良性循环之中,但由于地理位置和地方发展政策不同,各省在耦合协调发展的过程中存在一定差距。

Figure 3. Trend map of the coupling coordination degree of ecology-economy-urbanization in the Yellow River Basin, 2005~2021

3. 2005~2021年黄河流域生态–经济–城镇化耦合协调度趋势图

3.1.2. 空间演变特征

图4所示,从空间整体来看,黄河上、中、下游的耦合协调度均呈快速上升趋势。自西向东和自北向南呈现逐渐上升趋势。下游由勉强协调变为高度协调,中游由勉强协调变为中度协调,上游耦合协调类型由中度失调变为勉强协调。空间格局呈现出显著的下游 > 中游 > 上游的分布格局。

从局部区域来看,黄河下游的山东于2007年率先进入中度协调阶段,而河南紧随其后,并于2016年、2021年先后步入高度协调阶段。黄河下游地区在优越地理位置的支撑下,大力引导创新科技驱动,推动农业现代化发展,发展智能化服务业,高质量协调建设成效显著。对于黄河中游地区,陕西在2013年率先从勉励协调向中度协调演进,山西和内蒙古分别在2017年和2019年进入中度协调阶段。黄河中游作为黄河流域承上启下的区域,绿色协调发展总体较好,但仍有提升空间。对于黄河上游,宁夏、甘肃、青海都经历了中度失调–勉强协调的演进历程,并在2007年全部进入勉强协调阶段。而四川与山东类似,经历了勉强协调–中度协调–高度协调阶段,一定程度上扩大了上游地区耦合发展差异。

Figure 4. Heat map of the coupling coordination degree of ecology-economy-urbanization in the Yellow River Basin, 2005~2021

4. 2005~2021年黄河流域生态–经济–城镇化耦合协调度热图

3.2. 黄河流域耦合协调的区域发展差异

本文利用Dagum基尼系数分析了黄河流域耦合协调水平的总体差异,以及上–中–下游区域内、区域间差异及差异来源。

3.2.1. 总体差异和区域内差异

图5(a)所示,2005~2020年总体差异呈上升趋势,基尼系数从0.072上升到0.11,上升了52.77%,2020年后下降到0.107,黄河流域耦合协调发展差异逐年增大,但几年来有缓和趋势。2005~2021年黄河上–中–下游基尼系数的均值分别为0.0739、0.0206和0.0344,说明黄河流域上游耦合协调差异最大,中游内部差异最小。

甘肃、青海、宁夏耦合协调发展的滞后现象以及四川高质量耦合发展导致黄河上游发展差异越来越大,但2020年后呈现下降趋势。2005~2010年黄河中游差异逐年增大,其中2010~2016年差异明显增大,2016~2021年差异逐渐减小,降幅约为35.29%,总体呈现显著的倒“U”型趋势。黄河流域下游的基尼系数在2005年至2012年变化较为平缓,增幅为30.3%,2012年后大幅下降,同样呈明显的倒“U”型趋势。在“十三五”规划的推动下,黄河流域中下游区域发展差异现象得到明显改善[6]。综上,总体和区域间的耦合协调发展差异均呈现先扩大后缩小的趋势,表明黄河流域协调发展的协同性在逐步增加,但差异依旧不容忽视。

3.2.2. 区域间差异

图5(b)所示,总体来看,2005~2021年上–中–下游地区的基尼系数均呈上升趋势,地域间差异逐渐增大。从组间基尼系数的年均值来看,上–下游地区间的差异最大(0.1468),其次是下–中游(0.1089),最后是上–中游(0.0802)。由此可见,由于下游的环境治理、科技转型成效显著,中游,黄河流域的耦合协调度存在一定的“上–下”分化现象。从动态演化角度看,上–下游与上–中游的区域间差异变化基本趋同,2005~2009及2010~2020年差异逐渐增大,2009~2010年和2020~2021年基尼系数波动下降。中–下游的基尼系数在2005~2009年和2020~2021年下降,2009~2020年上升。说明黄河流域耦合协调度的区域间差异变化存在一定波动,近年来呈缩小趋势,但仍存在显著差异。

3.2.3. 区域差异来源及贡献率

图5(c)显示了黄河流域耦合协调发展水平区域差异的来源和贡献率。从差异来源来看,区域内差异贡献率在16.24%~19.04%,区域间差异贡献率在64.59%~71.74%,超变密度贡献率在10.48%~16.08%,说明区域间差异是总体差异的主要来源。此外,2005~2021年区域间差异的贡献率逐年下降,可以看出,不同区域间的差异虽然较大,但呈下降趋势。区域内差异贡献率基本持平,且影响较低,表明单独区域内部耦合协调差异变化稳定。超变密度贡献率始终处于最低水平但略有上升,说明不同区域耦合发展交叉重叠的程度有所增加。

(a)

(b)

(c)

Figure 5. Trends in intra- and interregional coupled and harmonized Gini coefficients and differential contributions, 2005~2021

5. 2005~2021年区域内、区域间耦合协调基尼系数及差异贡献率变化趋势

3.3. 黄河流域耦合协调的障碍因子探究

为探究各省域生态–经济–城镇化耦合协调发展的障碍因素,本文计算了省域协调因子的障碍度。由于我国提出的五年计划与黄河流域生态–经济–城镇化密切相关,本文分别将2005年、2010年、2015年和2021年作为主要研究年份[7]

表3列出了黄河流域9省排名前三的障碍因子。黄河流域的关键障碍因子为X10、X7、X12和X26,障碍度分别为10.35%、6.6%、6.2%和5.95%,障碍因子在各省排名前三的频率分别为32、16、24、3。因此,认为X10、X7和X12是影响生态–经济–城镇化耦合协调的关键障碍因子,而障碍程度较高的X26则是重要障碍因子。主要障碍维度为经济规模 > 环境治理 > 环境要素 > 社会城镇化 > 经济城镇化。可以看出,解决经济发展不平衡、治理生态污染问题一直是黄河流域协调发展建设的重点和难点。

黄河流域整体的第一障碍因子为X10,说明污水处理是当前黄河流域协调发展的最大问题。因此,在促进经济增长和城镇化建设的同时提升污水处理能力,是实现绿色协调发展的重要途径。

上游地区的第一障碍因子始终为X10,青海、宁夏和甘肃的第二和第三障碍因子分别为X7、X12、X14和X26。2005年四川的重要因子与青海、宁夏相同,之后逐渐变为X26、X8、X29和X6。其主要原因可能是,上游荒漠化治理难度大,过度放牧和资源开发问题严重,导致生态问题森林覆盖率降低。此外,青海、宁夏、甘肃固定资产投资偏低,阻碍了城市基础设施建设和生产力发展,影响了城市经济规模,导致协调发展滞后。

陕西、山西和内蒙古的关键障碍因子分别为X10、X12和X14,分别属于环境治理和经济规模。陕西和山西均为煤炭能源大省,而内蒙古则以畜牧业为主,加上黄河额流域水土流失现象严重,生态压力进一步加重。因此,未来需要进一步加强生态建设和城镇民生建设,优化产业结构,推动高质量发展。

河南的关键因子是X10、X26、X21,重要因子为X7、X12、X6。山东的关键因子是X7,重要因子是X1、X15、X21、X29。下游地理位置较好,未来应大力开展科技创新,同时继续推进节能减碳绿色发展,进一步促进协调发展。

Table 3. Obstacle factors and their degree of coupled ecology-economy-urbanization coordination in the Yellow River Basin

3. 黄河流域生态–经济–城镇化耦合协调的障碍因子及其程度

区域

省份

2005

2010

2015

2021

障碍因子

障碍度/%

障碍因子

障碍度/%

障碍因子

障碍度/%

障碍因子

障碍度/%

上游

青海

X10

12.19

X10

11.96

X10

12.20

X10

12.06

X7

7.51

X7

7.37

X7

7.52

X7

7.43

X12

7.36

X12

7.22

X12

7.37

X12

7.28

四川

X10

11.90

X10

11.05

X10

9.03

X10

7.89

X12

5.99

X26

8.65

X8

6.37

X6

7.24

X14

5.68

X14

5.70

X29

6.03

X12

5.80

甘肃

X10

10.98

X10

11.02

X10

11.26

X10

11.51

X12

6.52

X26

7.76

X7

6.74

X12

7.01

X7

6.33

X7

6.42

X14

6.18

X7

6.60

宁夏

X10

11.59

X10

13.91

X10

14.62

X10

14.57

X12

7.77

X12

8.79

X12

8.62

X12

9.00

X14

6.89

X14

8.00

X14

8.01

X14

8.02

中游

内蒙古

X10

13.00

X10

13.32

X10

13.45

X10

14.32

陕西

X12

9.18

X12

7.51

X12

7.92

X12

8.85

X14

6.80

X14

6.73

X14

7.30

X14

7.72

续表

中游

陕西

X10

13.32

X10

13.12

X10

12.84

X10

11.46

X12

6.88

X26

7.58

X14

6.97

X12

6.94

X14

6.45

X14

7.29

X12

6.83

X14

6.65

山西

X10

10.82

X10

11.41

X10

11.52

X10

12.68

X12

8.07

X12

7.38

X12

7.14

X12

7.67

X7

6.35

X14

6.10

X14

6.05

X14

6.81

下游

河南

X10

10.66

X26

8.06

X10

8.05

X21

7.00

X12

7.47

X10

7.88

X6

7.87

X10

6.87

X7

6.72

X7

6.46

X21

7.15

X7

6.82

山东

X7

18.95

X7

17.60

X7

17.15

X7

18.61

X1

9.79

X15

11.29

X21

10.79

X21

14.39

X15

9.61

X1

7.90

X29

8.07

X1

8.72

3.4. 时间序列–神经网络模型预测

在研究了黄河流域生态–经济–城镇化的耦合协调发展情况后,本文进一步采用时间序列–驱动因素模型探究经济、城镇化指数对生态环境的驱动作用。

3.4.1. 模型参数设置

对于AT-LSTM模型,模型参数Input_size设置为1,Hidden_size设置为64,Output_size大小为1,滑动窗口大小,即Seq_len设置为3,Dropout设置为0.1。模型参数更新使用Adam优化器,Learning rate设置为0.001,使用针对回归任务的MSELoss函数进行反向传播,训练轮数为1000轮。将三个时间步长的生态环境质量指数作为模型输入,下一年的指数为输出,进行预测。对于BPNN模型,模型参数Input_size设置为2,Hidden_size设置为10,Output_size设置为1,Dropout为0.1。隐藏层使用ReLU函数作为非线性激活函数,使用Adam优化器和MSELoss函数进行反向传播来更新模型参数。将经济发展和城镇化建设指数作为模型输入,生态环境质量指数作为训练输出进行模型训练。

3.4.2. 评价指标

在预测模型的有效性检验中,本文选取了较为常用的了平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、平均绝对百分比误差(MPAE)和均方百分比误差(MSPE)作为实验的评估指标,计算公式如下:

MAE= 1 m i=1 m | y i y ^ i i | (18)

MSE= 1 m i=1 m ( y i y ^ i ) 2 (19)

RMSE= 1 m i=1 m ( y i y ^ i ) 2 (20)

MAPE= 1 m i=1 m | y i y ^ i y i |×100% (21)

MSPE= 1 m i=1 m ( y i y ^ i y i ) 2 ×100% (22)

其中,m表示样本量, y i y ^ i 分别表示样本的真实值与预测值。MAE、MSE、RMSE、MAPE和MSPE的取值越接近于0,说明模型的预测效果越好。

3.4.3. 单一模型预测结果分析

首先采用时间序列模型和非线性神经网络模型对生态环境质量指标进行预测,MAE、MSE、RMSE、MAPE和MSPE的评估结果如表4所示。可以看出,在时间序列模型中,传统的时序模型ARIMA的预测效果最好;在驱动因素模型中,RBF模型的预测效果较好。而时间序列模型的预测性能普遍优于非线性的驱动因素模型,这说明由于生态质量指数本质上是一组时间序列,其时间特征显著,因此时间信息对预测结果的影响较大。此外,非线性驱动因素模型的预测性能虽然低于时序模型,但差距较小,因此经济、城镇化指标对生态环境质量指标可能存在一定的驱动影响,应进一步进行验证。

Table 4. Time series and driver model forecast effectiveness table

4. 时间序列与驱动因素模型预测效果表

模型

MAE

MSE

RMSE

MAPE (%)

MSPE (%)

ARIMA

0.032374

0.001497

0.038691

6.350591

0.657309

LSTM

0.044321

0.002842

0.053310

8.283609

1.007106

BP

0.110056

0.018874

0.137383

17.277392

3.856513

RBF

0.064297

0.006154

0.078447

10.887313

1.480246

3.4.4. 组合模型预测结果分析

本文进一步将时间序列模型与非线性驱动因素模型相结合,模型评估结果如图6所示。与单一模型相比,组合模型的五个评估指标均明显降低,说明当时间特征与驱动因素影响相结合时,模型的预测性能得到了显著提升。该效果分别在多个组合模型上有所体现,进一步说明了经济发展和城镇化建设指标对生态质量指数具有有效、稳定的驱动作用。

Figure 6. Error histogram of combined model vs. single model

6. 组合模型与单一模型的误差直方图

表5所示,LSTM-BP组合模型的预测效果最好五个指标的评估结果均低于其他模型,均取得了最优的性能。而本文提出的AT-LSTM-BP模型针对生态环境质量指数显著的时间特征,在LSTM-BP模型的基础上融合了注意力机制,提升了模型对时序信息的学习能力,使得模型预测的准确性和均衡性均有提升。在MAE、MAPE和MSPR三个指标上均有显著提升,分别达到了0.013903、2.242443和0.060803,而MSE和RMSE的结果与LSTM-BP模型仅相差0.0006%和0.0175%,进一步说明该模型对生态环境质量指数预测的有效性。

Table 5. Time series-driver model predictive effectiveness table

5. 时间序列–驱动因素模型预测效果表

模型

MAE

MSE

RMSE

MAPE (%)

MSPE (%)

ARIMA-RBF

0.027490

0.001092

0.033045

4.791989

0.299828

LSTM-RBF

0.026759

0.000947

0.030773

4.870176

0.277118

ARIMA-BP

0.016721

0.000358

0.018921

2.880581

0.089391

LSTM-BP

0.014715

0.000293

0.017117

2.467995

0.067182

AT-LSTM-BP

0.013903

0.000299

0.017292

2.242443

0.060803

以预测精度 P=( 11/n i=1 m | y i y ^ i |/y )×100% 作为评估指标探究AT-LSTM-BP模型各省的预测效果。如图7所示,黄河流域所有省份的预测精度均在95%以上,平均精度达到97.76%,其中山西、内蒙古、山东、青海和宁夏五省甚至超过了98%,模型预测性能显著。

Figure 7. Prediction accuracy of LSTM-Attention-BP model in 2021

7. 2021年LSTM-Attention-BP的预测精度

4. 结论

基于2005~2021年黄河流域九省的面板数据,利用耦合协调度、Dagum基尼系数、障碍因子模型和时间序列–神经网络模型探究生态–经济–城镇化的协同演化关系,得出结论:黄河流域生态–经济–城镇化的耦合协调度整体处于上升阶段,经历了中度失调–勉强协调–中度协调的演变过程,空间上呈现出下游 > 中游 > 上游的分布格局。其总体差异呈扩大趋势,区域内差异的大小顺序为上游 > 下游 > 中游,区域间差异是总体差异的主要来源,地区间差异较大,但近年来呈下降趋势。此外,黄河流域耦合协调发展主要受经济规模、环境治理和环境要素的影响,经济发展和城镇化建设对生态质量存在稳定的驱动影响,本文提出的AT-LSTM-BP模型在生态质量指标预测中效果优异,能够为生态相关研究提供支持。

基金项目

南京邮电大学自然科学基金(项目号:NY222168)。

参考文献

[1] Zou, C., Zhu, J., Lou, K. and Yang, L. (2022) Coupling Coordination and Spatiotemporal Heterogeneity between Urbanization and Ecological Environment in Shaanxi Province, China. Ecological Indicators, 141, Article ID: 109152.
https://doi.org/10.1016/j.ecolind.2022.109152
[2] Ren, Y., Bai, Y., Liu, Y., Wang, J., Zhang, F. and Wang, Z. (2022) Conflict or Coordination? Analysis of Spatio-Temporal Coupling Relationship between Urbanization and Eco-Efficiency: A Case Study of Urban Agglomerations in the Yellow River Basin, China. Land, 11, Articl e882.
https://doi.org/10.3390/land11060882
[3] Llorca, M. and Meunié, A. (2009) So2emissions and the Environmental Kuznets Curve: The Case of Chinese Provinces. Journal of Chinese Economic and Business Studies, 7, 1-16.
https://doi.org/10.1080/14765280802604656
[4] Sarkodie, S.A. and Strezov, V. (2018) Empirical Study of the Environmental Kuznets Curve and Environmental Sustainability Curve Hypothesis for Australia, China, Ghana and USA. Journal of Cleaner Production, 201, 98-110.
https://doi.org/10.1016/j.jclepro.2018.08.039
[5] Zhang, F., Sarker, M.N.I. and Lv, Y. (2022) Coupling Coordination of the Regional Economy, Tourism Industry, and the Ecological Environment: Evidence from Western China. Sustainability, 14, Article 1654.
https://doi.org/10.3390/su14031654
[6] Liu, H. and Ma, L. (2020) Spatial Pattern and Effects of Urban Coordinated Development in China’s Urbanization. Sustainability, 12, Article 2389.
https://doi.org/10.3390/su12062389
[7] 赵书虹, 白梦, 阮梦枝, 钱海燕. 云南省旅游资源与生态安全协调发展的时空演化特征及障碍因子分析[J]. 地理科学, 2021, 41(3): 493-503.
[8] An, S., Zhang, S., Hou, H., Zhang, Y., Xu, H. and Liang, J. (2022) Coupling Coordination Analysis of the Ecology and Economy in the Yellow River Basin under the Background of High-Quality Development. Land, 11, Article 1235.
https://doi.org/10.3390/land11081235
[9] Zhao, J., Tian, L., Ding, L., Sun, H. and Li, P. (2021) Research on Energy-Environment-Economy-Ecology Coupling Development in the Yellow River Basin. E3S Web of Conferences, 267, Article ID: 01003.
https://doi.org/10.1051/e3sconf/202126701003
[10] Yang, M., Gao, X., Siddique, K.H.M., Wu, P. and Zhao, X. (2023) Spatiotemporal Exploration of Ecosystem Service, Urbanization, and Their Interactive Coercing Relationship in the Yellow River Basin over the Past 40 Years. Science of the Total Environment, 858, Article ID: 159757.
https://doi.org/10.1016/j.scitotenv.2022.159757
[11] Ye, C., Pi, J. and Chen, H. (2022) Coupling Coordination Development of the Logistics Industry, New Urbanization and the Ecological Environment in the Yangtze River Economic Belt. Sustainability, 14, Article 5298.
https://doi.org/10.3390/su14095298
[12] Li, T., Li, D., Liang, D. and Huang, S. (2022) Coupling Coordination Degree of Ecological-Economic and Its Influencing Factors in the Counties of Yangtze River Economic Belt. Sustainability, 14, Article 15467.
https://doi.org/10.3390/su142215467
[13] 程静, 郝雯利, 杜震, 胡亚权. 长江经济带共同富裕水平的区域差异、分布动态与收敛性[J]. 生态经济, 2023, 39(11): 13-21.
[14] Ariken, M., Zhang, F., Chan, N.W. and Kung, H. (2021) Coupling Coordination Analysis and Spatio-Temporal Heterogeneity between Urbanization and Eco-Environment along the Silk Road Economic Belt in China. Ecological Indicators, 121, Article ID: 107014.
https://doi.org/10.1016/j.ecolind.2020.107014
[15] Huang, J., Na, Y. and Guo, Y. (2020) Spatiotemporal Characteristics and Driving Mechanism of the Coupling Coordination Degree of Urbanization and Ecological Environment in Kazakhstan. Journal of Geographical Sciences, 30, 1802-1824.
https://doi.org/10.1007/s11442-020-1813-9
[16] Ariken, M., Zhang, F., Liu, K., Fang, C. and Kung, H. (2020) Coupling Coordination Analysis of Urbanization and Eco-Environment in Yanqi Basin Based on Multi-Source Remote Sensing Data. Ecological Indicators, 114, Article ID: 106331.
https://doi.org/10.1016/j.ecolind.2020.106331
[17] Liu, K., Qiao, Y., Shi, T. and Zhou, Q. (2020) Study on Coupling Coordination and Spatiotemporal Heterogeneity between Economic Development and Ecological Environment of Cities along the Yellow River Basin. Environmental Science and Pollution Research, 28, 6898-6912.
https://doi.org/10.1007/s11356-020-11051-0
[18] Liu, K., Qiao, Y., Shi, T. and Zhou, Q. (2020) Study on Coupling Coordination and Spatiotemporal Heterogeneity between Economic Development and Ecological Environment of Cities along the Yellow River Basin. Environmental Science and Pollution Research, 28, 6898-6912.
https://doi.org/10.1007/s11356-020-11051-0
[19] Ma, Y., Zuo, L., Gao, J., Liu, Q. and Liu, L. (2021) The Karst NDVI Correlation with Climate and Its BAS-BP Prediction Based on Multiple Factors. Ecological Indicators, 132, Article ID: 108254.
https://doi.org/10.1016/j.ecolind.2021.108254
[20] Ma, B., Zeng, W., Hu, G., Cao, R., Cui, D. and Zhang, T. (2022) Normalized Difference Vegetation Index Prediction Based on the Delta Downscaling Method and Back-Propagation Artificial Neural Network under Climate Change in the Sanjiangyuan Region, China. Ecological Informatics, 72, Article ID: 101883.
https://doi.org/10.1016/j.ecoinf.2022.101883
[21] Zhang, X., Liang, X., Zhiyuli, A., Zhang, S., Xu, R. and Wu, B. (2019) AT-LSTM: An Attention-Based LSTM Model for Financial Time Series Prediction. IOP Conference Series: Materials Science and Engineering, 569, Article ID: 052037.
https://doi.org/10.1088/1757-899x/569/5/052037
[22] Li, Z. and Li, Y. (2020) A Comparative Study on the Prediction of the BP Artificial Neural Network Model and the ARIMA Model in the Incidence of AIDS. BMC Medical Informatics and Decision Making, 20, Article No. 143.
https://doi.org/10.1186/s12911-020-01157-3