【正文】 R C? ? ?? ? ? ? ? ?(2) 式中 :CTLFWU是農村生活用水量 ， TPA是農村用水人口 ， APNIC是農 村居民人均純收入 ， LFPRC是居民生活用水水價。因此 ， 選用雙對數(shù)的函數(shù)形式作為居民生活用水函數(shù)的估計形式。 (2)回歸模型擬合 最常用和典型的函數(shù)形式是雙對數(shù)線性形式。對于農村居民生活用水 ， 水價的偏相關系數(shù)達到 ， 這說明目前水價對農村居民生活用水已形成有效約束。事實上 ， 偏相關系數(shù)經常被用來確定不同變量在多元回歸模型中的相對重要性 ， 從而決定應當在方程中添加哪個變量。 應用 SAS/STAT提供的偏相關分析法對影響居民生活用水的各種因素進行偏相關分析 ， 用偏相關系數(shù) r表示單個影響因素對居民生活用水量的相關程度。在實際研究中 ， 很難收集到長系列的節(jié)水措施資料 ， 而用水觀念更是難以量化 ， 但是這些因素與居民生活水平具有直接關系 ， 生活水平的提高會促進節(jié)水器具的普及和節(jié)水意識的提高 ， 因此 ， 研究中采用居民收入來反映這些因素。 (1)影響因素相關分析 居民生活用水在總用水量中所占的比重不大 ， 但是由于人口的增加和人民生活水平的提高 ， 居民生活用水也在逐步提高。由于沒有收集到農業(yè)用水水價的長系列數(shù)據(jù) ， 因此在回歸方程中沒有體現(xiàn)出水價對農業(yè)用水量的影響。 (3)結果分析 北京市農業(yè)用水與灌溉面積呈正相關關系 ， 而與糧食作物占播種面積的比重和科技進步呈負相關關系。 應用 SAS/STAT提供的多元回歸分析方法對方程進行參數(shù)估計 ， 得到回歸結果。通過分析選用二項式函數(shù)作為農業(yè)用水的函數(shù)的估計形式。根據(jù)分析結果 ， 選擇灌溉面積、作物結構和農村居民人均純收入作為農業(yè)用水的解釋變量。這部分用水量與降雨量、溫度、濕度、作物結構、灌溉面積、節(jié)水技術和水價等有關。 (1)影響因素相關分析 農業(yè)是高耗水行業(yè) ， 農業(yè)灌溉對水資源的需求超過了工業(yè) 用水 ， 居第一位。 二、數(shù)據(jù)挖掘方法在北京水資源短缺主要風險因子規(guī)律分析中的應用 美國 SAS數(shù)據(jù)挖掘軟件在數(shù)據(jù)統(tǒng)計分析和數(shù)據(jù)挖掘方面具有很大優(yōu)勢 ， 它不僅具有強大的統(tǒng)計功能及良好的人機交互性 ， 而且 SAS的豐富數(shù)據(jù)采集、數(shù)據(jù)管理、數(shù)據(jù)分析和信息展現(xiàn)能力 ， 又使之成為決策支持的最好工具。運用相關分析能夠從大量數(shù)據(jù)中自動發(fā)現(xiàn)變量之間的相關關系 ， 從而提取主要影響因素。 數(shù)據(jù)挖掘的方法按照其采用的挖掘技術分為統(tǒng)計分析類和知識發(fā)現(xiàn)類 ， 常用統(tǒng)計分析類方法包括相關分析、回歸分析、時間序列分析、聚類分析等 ， 常用的知識發(fā)現(xiàn)類分析方法包括關聯(lián)規(guī)則、決策樹、神經網(wǎng)絡、遺傳算法、模糊集等。此后 ， 作為知識發(fā)現(xiàn)過程的關鍵 步驟 ， 數(shù)據(jù)挖掘開始流行。20222022年全年供水（用水）量變化統(tǒng)計圖313233343536373839402022 2022 2022 2022 2022 2022 2022 2022時間/年供水（用水）總量/億立方米水量變化19792022年全年供水（用水）量變化統(tǒng)計圖01020304050601979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2022時間/年供水（用水）總量/億立方米水量變化 根據(jù)對 2022年北京市水資源需求預測 ,在現(xiàn)有工程的基礎上 (不包括南水北調工程 )采用 1979~2022年的供水（用水）系列資料 [插新表 ]按年為時段進行系列10 供需平衡操作。北京水資源風險分析的計算單元見表 3。采用上述 SVM 算法建立的 SVR?? 模型 ,通過對核函數(shù)的比較分析 ,選擇 Gauss 徑向基作為水資源短缺風險評價模型的核函數(shù) ,通過交叉驗證和最速下降法 ,最終確定 在不靈敏參數(shù) ?? ,核參數(shù) 20?? 、懲罰因子5C? 時為最優(yōu)預測模型。這樣就可以得到 25組樣本組成的評價標準樣本 ,見表 2。 假設 ijvux 是樣本輸入 ,其中 1,2,...,5i? ,代表 5個風險等級 1,2,...,5j? 代表在 iv這個風險等級上 ,隨機均勻選取的 5組指標值 。對于各因素指標落在同一風險范圍內的標準樣本 ,可以對照表 1快速查得風險等級但實際評估樣本時往往是不同的評價因素落在不同的風險等級 ,因此采用標準樣本訓練支持向量回機()SVR 模型 ,再對實際待評樣本進行預測 評價。 (這只是本文約定的分級方法 ,具體的等級劃分依各地權威部門的劃分為準 ) 表 1 各評價指標分級情況 風險等級 u1(風險性 ) u2( 脆弱 u3(可恢復 u4(重現(xiàn)期 P u5(風險度 ) 8 性 ) 性 ) 年 ) v1(低 )=1 ≤ ≤ ≥ ≥ ≤ v2(較低 )=2 ～ ～ ～ ～ ～ v3(中 )=3 ～ ～ ～ ～ ～ v4(較高 )=4 ～ ～ ～ ～ ～ v5(高 )=5 ≥ 01800 ≥ 01800 ≤ 01200 ≤ 1 ≥ 21000 表 2 風險評價樣本數(shù)據(jù) 樣本 u1( 風險性 ) u2( 脆弱性 ) u3( 可恢復性 ) u4( 重現(xiàn)期 /年 ) u5( 風險度 ) 風險等級 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 (2)構造樣本數(shù)據(jù)。將選取的風險率、脆弱性、可恢復性、事故周期、風險度等水資源短缺風險評價指標劃分為 5個等級 ,分別對應 5個標準值 ,即低、較低、中、較高、高 ,對應的風險程度分別為可以忽略的風險、可以接受的風險、邊緣風險、不可接受風險、災變 風險等。利用支持向量機方法進行水資源短缺風險評價 ,首先要確定影響水資源短缺風險的影響因素 ,建立評價指標 ,其次根據(jù)實際資料構造樣本數(shù)據(jù)集 ,然后利用 SVM進行學習訓練 ,最后根據(jù)訓練后獲得的參數(shù)對某個地區(qū)的水資源短缺風險進行評價。偏置 b 可以通過KKT(Karush2Kuhn2Tucker)條件計算22( , ) ex p iixxk x x?????????? *1**1( ) ( , ) , ( 0 , )( ) ( , ) , ( 0 , )ni i i i iini i i i iiy a a k x x a Cby a a k x x a C????? ? ? ? ???? ?? ? ? ? ?????(8) 這樣就可以求出擬合樣本集的估計函數(shù) f(x)的解析表達式。 常用的樣本損失函數(shù)有二次函數(shù)、 Huber 函數(shù)、 Laplance 函數(shù)和 ? 不敏感函數(shù)等 ,由于 ? 不敏感函數(shù)能夠忽略 ? 范圍內的回歸誤差 ,所以樣本損失常由 ? 不敏感函數(shù)來度量。C 為懲罰因子 。b 為偏置量。通過訓練學習尋求一模式 ()fx,使得 樣本集不iy 但滿足 ,而且對于樣本以外的 x ,通過 ()fx能找出對應的 y 。對給定的訓練樣本集 ,假如訓練樣本集是線性可分的 ,則機器學習的結果是一個超平面 ,二維情況下是直線或稱為判別函數(shù) 。所謂最優(yōu)分類面 ,就是這樣的分類超平面 ,它不但能夠將所有訓練樣本正確分類 ,而且使訓練樣本中離分類面最近的點到分類面的距離 (定義為 間隔 )最大。 基于支持向量機的區(qū)域水資源短缺風險評判模型及方法 步 驟 影響因素 容許度 移出概率 最小馬氏距離的平方 組間 1 工業(yè)排放總量 2 工業(yè)排放總量 2,5 水資源總量 1,4 3 污水 排放總量 1,5 水資源總量 2,4 農業(yè)用水量 2,5 4 污水 排放總量 1,5 水資源總量 2,4 農業(yè)用水量 2,5 生活 用水量 2,5 6 支持向量機是一種基于結構風險最小化的新型機器學習技術 ,也是一種具有很好泛化能力的回歸方法 ,支持向量機和神經網(wǎng)絡一樣 ,具有逼近任意連續(xù)有界非線性函數(shù)的能力 ,并且它還具有神經網(wǎng)絡所不具有的許多優(yōu)點 [9]。評價指標選擇的原則是 ： (1)能集中反映缺水地區(qū)的缺水風險 ； (2)能集中反映缺水風險的程度 ；(3)能反映水資源短缺風險發(fā)生后水資源系統(tǒng)的承受能力 ； (4)代表性好 ， 針對性強 ， 易于量化。在進行風險評價過程中 ， 要充 分考慮風險的特點以及水資源系統(tǒng)的復雜性 ， 要把存在風險的概率、風險出現(xiàn)的時間、風險造成的損失有多少、風險解除的時間、缺水量的分散程度等一系列因素考慮在內。 第三部分： 建立一個數(shù)學模型對北京市水資源短缺風險進行綜合評價，作出風險等級劃分并陳述理由。 （二） 水資源影響分析： 5 根據(jù)提出的水資源影響因素和 Mahalanobis 距離法篩選出水資源短缺敏感因子，其分析結果見下表格： 表一：敏感因素篩選 結論一：從表一中的第三欄可以看出，水資源總量、污水排放總量、農業(yè)用水量、生活用水量這四個變量， 是影響北京地區(qū)水資源缺乏的敏感因子。 本文采用距離判別法 (Mahalanobis距離法 )，即每步都使得相距最近的兩類間的 Mahalanobis 距離最大的變量進入判別函數(shù)，計算公式如下： ? ? ? ? 39。 （一）因素判別與分析： 根據(jù)上述水資源短缺的風險因子分析，根據(jù)相關數(shù)據(jù)，尋找相關數(shù)據(jù)的對象及 變量的信息，能夠從諸多表明觀測對象特征的自變量中篩選出提供較多信息的變量，且使這些變量之間的相關程度較低。從這來看導致北京市水資源短缺的主要原因是資源型缺水和水質型缺水等。 水資源短缺已成為影響和制約首都社會和經濟發(fā)展的主要因素。