基于改進權重AHP法的內澇災害風險評價
——以汕頭市濠江區為例

周佳麒，林凱榮,2,3*，解 雪，陳海燕，高 鑫

(1.中山大學土木工程學院，廣東 珠海 519082；2.廣東省海洋土木工程重點實驗室，廣東 珠海 519082；3.廣東省華南地區水安全調控工程技術研究中心，廣東 珠海 519082)

近年來在以全球變暖為主要特征的氣候變化環境下，極端天氣和自然災害發生的頻率不斷增加，洪澇災害作為一種極易發生且破壞性大的自然災害廣泛的存在于全國各地。城市內澇是指由于強降水或連續性降水超過城市排水能力致使城市內產生積水災害的現象。城市內澇在中國比較普遍，從發生的區域來看，以前主要發生在一些沿海地勢比較低的地區，現在內陸城市也經常發生[1]。新中國成立以后，珠江及韓江流域均發生多次洪水，尤其是臺風過境時極易引發洪澇災害，給區域的經濟人口都造成了巨大損失。近年來，許多研究者運用多種方法進行了各地內澇風險的評估，對洪澇災害的預警發布和防洪指揮調度提供了幫助。

吳舒祺等[2]運用自然災害風險評估理論和方法，以氣象數據、地理信息數據和社會經濟數據為基礎，建立了浙江省洪水風險評估指標體系。鄧運超等[3]通過層次分析法和專家打分法等方法確定洪澇災害風險評估指標及其各因子相應的權重系數，開展了萊西市洪澇災害綜合風險區劃研究。劉恒[4]將神經網絡運用到洪澇災害的研究中，主要用于多因子的洪水分類。申海燕等[5]通過城市內澇巨災理論和場景進行風險識別，建立了多層次的洪澇災害風險指標體系，并采用了層次分析-模糊綜合評價法建立完整的洪澇災害風險評估體系，估計出風險概率和風險損失結果。林蓉璇等[6]從暴雨洪澇災害的致災因子、孕災因子、承災因子和防災減災能力4個角度選取評價指標構建洪澇災害風險評估體系，利用ArcGIS軟件對廣東省暴雨洪澇災害進行風險區劃。成陸等[7]加入了對遙感的考慮，利用RS技術對洪澇災害進行監測和范圍驗證，得出武安市洪澇災害風險評價結果。李尤等[8]利用InfoWorks ICM軟件分別構建降雨-產流、管網匯流、河道匯流與地表漫流模型，耦合形成精細化綜合洪澇模型，判斷內澇點的集中位置。戴晶晶等[9]以蘇州市城市中心區為例，采用數值模擬的手段評估識別內澇風險，運用InfoWorksICM軟件建立集防洪、除澇、排水于一體的蘇州市城市中心區排水防澇數學模型。上述研究中，基于RS的研究方法，能夠更加精確地對相關地理信息數據、社會經濟數據進行綜合處理；運用InfoWorks ICM的研究方法，則更側重于產匯流模型的構建和對管網的考慮；運用ArcGIS和層次分析法的研究，則基于多影響因子的考量，進行指標體系的構建，其優勢在于綜合性和易操作性，是研究者們最常用的評估方法。傳統層次分析法確定各指標權重的方法構建兩兩判斷矩陣時，常因矩陣構建者的不同而出現差異，帶有一定的主觀性，使分析結果趨于不穩定[10]，其重要性量化評估也受到整數閾的限制，本文對此進行了一定的改良，運用神經網絡改進了層次分析法的權重確定方式，將傳統九分法的中間變量拓展到小數點后三位，并由機器打分確定權重以一定程度上減小主觀性，最終構建了汕頭市濠江區內澇災害風險評價體系。

1 研究區概況與資料

1.1 研究區概況

濠江區位于汕頭東南部，汕頭海灣南岸，東南瀕臨南海，西與潮陽區接壤，北隔海灣與金平區、龍湖區相望，位于東經116°61′～116°82′，北緯23°20′～23°34′，面積179 km2(含灘涂、水域面積)，下轄7個街道，分別是：玉新街道、濱海街道、馬滘街道、河浦街道、廣澳街道、礐石街道和達濠街道。濠江區屬南亞熱帶海洋性季風氣候，氣候溫和、濕潤，雨量充沛、光照充足，四季常青，多風易旱。年平均降水量1 593 mm，歷年4—9月汛期降水量平均1 228 mm，占全年降水量的80%以上。低山丘陵年平均降水量1 701 mm。濠江區行政區劃、地勢分布、水系分布見圖1a、1b、1c。

a)行政區劃

1.2 數據來源

為客觀反映濠江區各街道內澇災害風險，前期工作中針對濠江區自然環境和社會經濟條件展開調查，搜集了大量的基礎資料。其中遙感影像數據來自中國科學院資源環境科學數據中心，氣象水文數據來源于廣東省氣象局，社會經濟數據來源于濠江區2018年1—12月經濟運行簡況，歷史洪澇災害點分布數據來源于2017廣東省易澇點統計以及廣東省水利電力勘測設計研究院的外業調查報告，河網水系、交通路網及水利設施分布源于廣東省水利電力勘測設計研究院。

2 研究方法

2.1 層次分析法

層次分析法(Analytic Hierarchy Process，簡稱AHP法)是由美國運籌學家Saaty于20世紀70年代提出，1982年被介紹到中國的一種基于圖論和線性代數理論的決策分析方法。AHP法能夠將定性分析與定量分析相結合，有基本的客觀性、系統性以及靈活性，由于其思路清晰，操作簡便，一經推出便在中國得到廣泛運用[11]。梁翔等[12]基于(-1，0，1)的三標度法對傳統方法進行了改進，構建了3個層次、18個指標的評價體系，以期對蓄滯洪區可持續發展狀況進行綜合評價。其原理為對每一個所選指標進行重要性賦值，構建權重判斷矩陣，計算判斷矩陣每行所有元素的幾何平均值，經過歸一化得到各指標相對權重并檢驗其一致性，最后通過組合權重計算得到目標層指標的相對權重，對目標層做出決策[13]。

2.2 神經網絡

BP神經網絡是人工神經網絡中應用最廣的一種神經網絡，其算法的實質是求解誤差函數的最小值問題，正向傳遞的輸入信號X通過隱含層節點作用于輸出節點，每個神經元的輸入包括輸入向量和期望輸出向量，通過輸出結果與預測結果求解偏差，若偏差向量不滿足期望，通過反向傳遞調整輸入節點與隱含層節點的連接權值和閾值等來指導每一層權值的更新和優化[14]。神經網絡依靠系統的復雜性，不斷地自動調整內部大量節點之間的互聯關系，具備自學習和自適應的能力，具有強大的信息處理能力。由于BP神經網絡具有非線性、非局限性、非常定性的特點，在一定程度上可以解決AHP法的矩陣構建中存在的主觀性問題。

2.3 基于神經網絡的改進權重確定

在傳統的AHP法中，各個層次之間的權重確定，往往是通過將各層次因子的重要性兩兩進行比較，采用九分法進行標度，然后根據標度的結果建立判斷矩陣，進而計算出相對權重運用到AHP中。事實上，這個過程存在2個有待改進之處。第一是使用九分法進行標度時，在表征各因子兩兩間的重要程度時，實質上是將“重要性”這一概念進行了量化，并根據專家打分經驗和使用者的判斷對此量化值進行評估和比較。而九分法為了簡便和通用，僅僅存在1—9的整數標度，中間值也僅有偶數2、4、6、8，這使得判斷矩陣的構建過程中，重要性的衡量受到整數的局限，其量化值并不連續，見表1。第二，九分法的標度是由專家打分或者技術人員打分得出的，具有一定的主觀性，而在AHP法的運用中，這種主觀性難以完全消除，但是可以通過機器學習的方式進行一定的改進。機器學習算法在自然災害評估中越來越受歡迎，雖然該技術已經在多個流域進行了洪水易感性分析，但基于機器學習方法的洪澇災害風險評估研究較少[15]，本文首次將神經網絡運用到AHP法的權重確定環節中，在一定程度上可消除AHP法的主觀性，進而更科學地評估洪澇災害風險。

表1 九分法的重要性量化程度賦值及意義

本文通過60組技術人員打出的合理專家打分數據，并基于前期研究中已經采用并通過合理性檢驗的濠江區專家打分初始數據，在初始數據上對每一組專家打分數進行浮動，浮動范圍為(-1,1)，通過機器算法再進行擴展至1 000組，這些打分數組均與初始數據相似且同樣具有合理性，供神經網絡進行學習，模擬專家打分法的邏輯，通過神經網絡進行專家打分(圖2)。由于學習所使用的數據量相較于直接應用一組專家打分數據而言較大，更具有代表性，且神經網絡生成的權重基于人腦的模擬，而非直接人為打分，在一定程度上減少了打分過程中造成的主觀性；其次，對九分法的標度進行了擴展，神經網絡根據學習和訓練的專家打分邏輯，加入了浮點型打分數據，而不限于整數，這使得每一個因子的重要性標度精確性更高，因子兩兩之間可以產生更精確的中間值，計算出更加精準的權重值，提高了指標體系構建的精度。

圖2 神經網絡示意

3 評價體系構建

3.1 指標選取

根據聯合國開發計劃署對災害風險的定義[16]，風險是在一定區域和給定時段內，由于特定的自然災害而引起的人民生命財產和經濟生活的期望損失值。本文采用“風險度(R)=危險度(H)+易損度(V)+防災減災能力(F)”的表達式，借鑒廣東地區臨近區域[17]的風險區劃前人研究成果[13]，綜合考慮沿海地區的氣候特征以及研究區域的基本情況，選取了11個指標。基于Arcgis以DEM數據為基礎進行評價體系構建[18]。危險性指標主要依據評價區域內的自然環境、水文氣候條件，統計資料和遙感數據，描述區域內發生內澇災害的可能和危險程度。在內澇災害發生的危險性因子中，降雨是引發內澇災害的主導因素，其影響力最大，高程、坡度、地表不透水率等下墊面條件又為內澇災害的發生提供了孕災環境，但影響力較降雨小；在內澇災害易損性分析的各指標中，人口是內澇災害中最重要的保護對象，地均GDP反映了資產暴露狀況和下墊面土壤持水能力影響防洪能力，因此人口和地均GDP對內澇災害易損性評價有重大影響。此外，人均GDP、水利設施密度、醫療救助點密度和河網密度反映對內澇災害的抵抗能力和受災時候的恢復能力，對內澇災害的防災減災能力有重要影響。

3.2 權重確定

本文通過CR值對權重進行一致性檢驗，生成并采用的判斷矩陣見表2。

表2 各層次重要性量化值及檢驗結果

根據重要性分析結果，計算得到A-B層相對權重、B-C層相對權重以及C層在整個評價體系中的相對權重(表3)，在危險性層次中，如前文所說降雨是主導性因子，其權重也高達0.451；其次高程影響坡度，決定水流流向，也是重要影響因子。而對于地表不透水率和河網密度，其影響力在危險性中相對偏低，且重要性相當，若不采用改進的權重分析加入小數位標度，則難以區分其相對權重。易損性中根據以人為本的原則，人口密度權重最高，其次是經濟實力。防災減災層中人均GDP是最主要的衡量標準，其權重高達0.490。

表3 各層因子及其權重成果

3.3 評價模型構建

內澇和山洪災害風險分析主要依照基于改進權重層次分析法建立的指標體系和權重對各指標層的指標進行匯總，最終得出各柵格的內澇風險值。風險值越高，意味著面臨的內澇風險越大。利用ArcGIS柵格計算器將不同指標圖層疊加起來，得到危險性、易損性和風險性柵格分布圖。

(1)

(2)

(3)

風險性：D=f(H,V,F)=ωHH+ωVV-ωFF

(4)

hi、vi、pi為各個柵格單元經過標準化處理后危險性指標、易損性指標和防災減災能力指標的取值。

根據表3得到的內澇災害風險指標體系及權重，得到本文危險性、易損性和風險性計算公式(其中防災減災能力會被反向歸一化加權)：

危險性(H)=0.451CH1+0.239CH2+0.159CH3+0.151CH4

(5)

易損性(V)=0.248CV5+0.452CV6+0.167CV7+0.133CV8

(6)

防災減災能力(F)=0.490CF9+0.221CF10+0.289CF11

(7)

風險性(R)=0.519H+0.333V+0.148F

(8)

式中 CH1、CH2、CH3、CH4、CV5、CV6、CV7、CV8、CF9、CF10、CF11——各柵格單元經過歸一化處理后的暴雨綜合指標、高程、不透水率、河網密度、地均GDP、人口密度、路網密度、土地利用、人均GDP、醫療救助點、水利設施分布。

各指標具體分布信息見圖3。

a)暴雨綜合指標

4 結果分析與討論

4.1 準則層評價結果

根據權重計算危險性圖層，見圖4a，濠江區洪澇危險性集中在中南部地區。按分鎮來看，河浦街道、玉新街道、濱海街道、馬滘街道，在不透水率因子上具有較高的危險性，在坡度因子上也具有較高的危險性，同時從暴雨綜合指標上看，其危險性在整個濠江區也是偏高的，這4個街道的綜合危險性偏高；達濠街道由于地勢較高，高程危險性較低，疊加后的危險性偏低；而廣澳街道各因子的危險性均不高，因此最后呈現較低的危險性；礐石街道整體危險性等級分布較為均勻，這與每一個權重因子分析得到的結果相符合。

濠江區內澇災害易損性區域性十分明顯，見圖4b，高風險區主要集中在中部的玉新街道、濱海街道、馬滘街道、達濠街道。這些地區人口密集，地均GDP也較高，路網密集，一旦發生洪澇災害，容易造成巨大的經濟損失、人員傷亡。河浦街道和廣澳街道易損性較小，這是因為這2個地區地廣人稀，地均GDP較小，人口密度也不高，路網密集程度也相對較低。

在濠江區西南部，玉新街道、濱海街道、馬滘街道附近，具有較高程度的人均GDP，且醫療救助點分布密集，雖然缺少水庫防災減災的加持，但是仍然具有高等級的防災減災能力，見圖4c。在人均GDP偏低、醫療救助點和水庫分布較少的東部，防災減災能力趨于低和微等級。

a)危險性分布

4.2 目標層風險性驗證

濠江區內澇災害風險評價指標體系中，危險性指標權重取值最高，易損性次之，防災減災因子指標權重最低。將4.1中的準則層成果按照神經網絡生成的權重疊加后，得到濠江區風險等級。同時，將濠江區歷史災害調查得到的歷史災害點在圖中標識，進行可行性驗證。風險性較高的區域集中在中部的玉新街道、濱海街道、馬滘街道、達濠街道，而廣澳街道和礐石街道整體的風險性相對較低，但是也不能疏于防御。將濠江區內澇災害危險等級分布圖與易澇點進行比對，見圖5。結果顯示濠江區的內澇點主要分布在人口密集的中南部，玉新街道、馬滘街道、濱海街道。與風險性等級的分布進行對比，傳統AHP法和改進權重的AHP法均有80%歷史洪澇災害點分布在極高風險和高風險區域，其余的大多零散分布在中風險的區域，驗證效果良好，因此本文構建的內澇風險評價模型的精度較高，可較好地反映該區域的內澇風險。在改進權重的AHP法中，更多的歷史災害點發生在了極高風險區，且在礐石街道南部的中高風險區域比其傳統的AHP法涵蓋了更多的歷史洪澇災害點，具有更好的評價效果。此外圖5中存在少量分布于低風險區的歷史洪澇災害點，這可能是由于歷史災害統計的時間跨度較大，部分區域由于城市化、堤防修建等原因，已經具有了更好的防范能力，但其在災害發生年份風險性等級并不低。

a)傳統AHP法

4.3 分街道的風險值評估

洪澇災害風險等級劃分為微風險、低風險、中風險、高風險、極高風險共五級等級，對應風險值為1、2、3、4、5。地區總體風險值為對應風險等級區域面積乘以該等級風險值的加權平均結果，具體計算公式如下[19]:

risk =(1×A1+ 2×A2+3×A3+ 4×A4+ 5×A5)/(A1+A2+A3+A4+A5)

(9)

式中A1、A2、A3、A4、A5——微風險、低風險、中風險、高風險、極高風險等級的面積。

由式(9)計算出濠江區及其各個街道總體風險值以及各個街道不同風險等級占比，見表4。

表4 濠江區各鎮街風險值及占比分布

從各風險等級的分鎮分布情況來看，極高風險區、高風險區、低風險區、微風險區比例最高的分別是達濠街道、馬滘街道、河浦街道、廣澳街道。整體而言，濠江區的風險等級呈現出東北低西南高的特點。此特點與準則層三因子密切相關，如上文所提及西南部人口密集，經濟發達，路網密集，當災害發生時，容易威脅到財產和人身安全，具有較高的易損性。然而，此類經濟發達地區受到重視，往往也會具有更強的防災減災能力，如密集的醫院和堤防，但由于防災減災能力在準則層中權重偏低，對總體風險值的抵消能力有限，因此西南部地區綜合來說，風險值偏高。

5 結語與展望

本文基于改進的AHP法構建了汕頭市濠江區的洪澇風險評價模型并進行聚類分析，得到了濠江區分鎮的風險值以及風險分布圖，并運用歷史災害數據驗證了成果的合理性。其中，在AHP法的權重獲取階段，本研究采用神經網絡算法改進了傳統的單一專家打分數據，對重要性分值進行生成，其具有2個明顯的優勢：訓練時綜合了更多的相關數據，并且最終結果由機器學習生成，在一定程度上減小了AHP法中的主觀性問題；拓展了傳統的九分法標度，傳統的九分法相關中間值僅采用偶數2、4、6、8，而神經網絡生成的中間值加入了3位小數，使得其值閾更加精確，權重可信度更高。這是使用傳統的人工評分方式所難以達成的。

該地區相關部門根據各鎮街的風險分布及風險值結合實際情況開展更有效的工作，也可以在一定的時效年限內為洪澇災害的預警發布提供科學指導。具體要點如下：濠江區危險性分布為西南高，東北低，主要原因是西南地區高降雨和低地勢的影響，高危險性的地區應該更注重對災害的防御；易損性區域性十分明顯，主要集中在中部的玉新街道、濱海街道、馬滘街道、達濠街道。這些地區人口密集，地均GDP也較高，路網密集，災害一旦發生，損失巨大，這些地區除了增設防御性設施外，也需要更優質的疏散、轉移方案，保護人員和財產安全。從防災減災能力上看，在濠江區西南部，玉新街道、濱海街道、馬滘街道附近，具有較高程度的人均GDP，且醫療救助點分布密集，雖然缺少水庫防災減災的加持，但是仍然具有高等級的防災減災能力。根據風險性分布以及風險值計算成果，濠江區為中風險水平，總體風險值為2.801。但玉新街道、濱海街道、馬滘街道風險值均超過了4，達濠街道風險值也接近于4，這些地區具有相當高的風險性，歷史洪澇災害也主要集中于這些地區，需要在后續的工作中更為重視。

由于AHP法中權重存在的主觀性目前難以完全根除，所以本文對權重的改進也只能部分減少主觀性，因為神經網絡訓練集的數據依舊要根據專家打分法獲取，并且人為打分會受到九分法的局限性的影響，導致訓練集的數據尚不夠龐大，這些都是可以改進的地方。未來可以在一定的規則限制下，在小數閾再進一步擴充訓練集。