北京市水资源短缺风险的综合评价

摘要：水资源短缺在世界范围内被人们广泛关注，由于淡水资源的稀缺，很多国家和地区都处于淡水资源供不应求的状态。我国作为人口大国，水资源缺乏风险是不容忽略的,因此我们以北京市为研究对象,通过查找并分析近３0年的各项水利指标，得出水资源短缺风险的数学模型并据此有效预测未来一段时间内水资源短缺风险的情况。我们得出:农业用水、工业用水、第三产业用水、常住人口规模、降水量、污水处理率和城市绿化覆盖率能够影响水资源短缺风险,其中影响水资源短缺风险的主要因素有农业用水过量和降水量不足,对水资源短缺风险影响较大的因素有第三产业用水、常住人口规模和城市绿化覆盖率。针对这种现象我们提出了合理化建议：１、一二产业与水资源短缺风险呈负相关,第三产业与水资源短缺锋线呈正相关，可以调整产业结构，加大第三产业的比重来控制水资源短缺风险;２、污水处理率对降低风险起到正面作用,并且加强再生水的利用是降低北还可以减少污水排放,从而达到减小水资源短缺风险的效果;３、增大城市绿化率也可以通过涵养水源来降低水资源短缺风险。关键词:水资源短缺风险因子分析logｉｓｔic模型QuiｃｋＣｌuｓter（系统聚类分析法)一、问题重述《北京２０09统计年鉴》及市政统计资料提供了北京市水资源的有关信息.利用这些资料和你自己可获得的其他资料，讨论一下问题：1。评价判定北京市水资源短缺风险的主要风险因子是什么？影响水资源的因素很多，例如：气候条件、水利工程设施、工业污染、农业用水、管理制度、人口规模等。２。建立一个数学模型对北京市水资源短缺风险进行综合评价，作出风险等级划分并陈述理由。对主要风险因子，如何进行调控,使得风险降低？３.对北京市未来两年水资源的短缺风险进行预测，并提出应对措施。4。以北京市水行政主管部门为报告对象，写一份建议报告.二、研究背景及意义水资源，是指可供人类直接利用，能够不断更新的天然水体.主要包括陆地上的地表水和地下水。风险，是指某一特定危险情况发生的可能性和后果的组合。水资源短缺风险，泛指在特定的时空环境条件下，由于来水和用水两方面存在不确定性，使区域水资源系统发生供水短缺的可能性以及由此产生的损失。近年来，我国、特别是北方地区水资源短缺问题日趋严重，水资源成为焦点话题。以北京市为例,北京是世界上水资源严重缺乏的大都市之一，其人均水资源占有量不足３0０m３，为全国人均的１/８，世界人均的1／30,属重度缺水地区，附表中所列的数据给出了１9７9年至2０0０年北京市水资源短缺的状况。北京市水资源短缺已经成为影响和制约首都社会和经济发展的主要因素.政府采取了一系列措施,如南水北调工程建设,建立污水处理厂,产业结构调整等.但是，气候变化和经济社会不断发展，水资源短缺风险始终存在。如何对水资源风险的主要因子进行识别,对风险造成的危害等级进行划分,对不同风险因子采取相应的有效措施规避风险或减少其造成的危害，这对社会经济的稳定、可持续发展战略的实施具有重要的意义。三、研究方法我们首先利用因子分析法找出影响水资源短缺风险的主要因子;根据logistｉc回归建立了水资源短缺风险的数学模型并利用QｕicｋCｌｕster（系统聚类分析法）对水资源短缺风险进行了等级划分，控制变量法对水资源风险进行了综合评价；利用曲线拟合对未来两年北京市水资源短缺风险进行了预测分析.在解决问题过程中，我们主要依托SPＳＳ１7。0和MｉｃroｓoftEｘcｅl进行数据整理和分析.四、数据分析及研究结果(一)北京市水资源短缺风险的主要风险因子KＭOandＢartletｔ'sTestKaisｅr－Meyer—OlkiｎMeasｕｒeofSamplingAdequａcy．.828Bａrｔｌｅtt＇ｓTestofSｐｈｅricｉtｙAppｒoｘ.Chi—Ｓｑuarｅ２８6．96１dｆ２１Ｓig.。0０0—图表１－巴特利球形检验统计量里为28６。96１，相应的概率Ｓig为0．00０，因此可认为相关系数矩阵与单位阵有显著差异。KＭO在０.７以上都适合因子分析;巴特利球形检验值较大，相伴概率值越小,适合用于因子分析。我们的KMO值为0.8２８，因此适合做因子分析。ＣｏmｍunａliｔiesＩnitialEｘtractiｏn农业用水1。000.７97工业用水1．００0。82２第三产业用水１.0００.９１2常住人口规模1.０00。986降水量1。0０0。879污水处理率1。0０0。904城市绿化覆盖率1．00０.9２4ExｔractｉｏｎMeｔhｏd:PrincipalCoｍｐoneｎtＡｎalｙsis。－图表2—图表３是因子分析的初始解，显示了所有变量的共同方差数据.”Ｉｎiｔial”列是因子分析初始解下的变量共同方差。它表示,对原有7个变量如果采用主成分分析方法提取所有特征值（7个），那么原有变量的所有方差都可被解释，变量的共同方差均为１(原有变量标准化后的方差为1）。’Eｘｔraｃtiｏn'列是在按指定提取条件提取特征值时的共同方差。可以看到，所有变量的共同方差均较高,各个变量的信息丢失都较少。因此本次因子分析提取的总体效果较理想。TotalVarｉａnceExplainedCoｍｐoｎｅｎｔInｉｔialEiｇenｖalｕｅsＥxtractionSumｓｏｆSquaredＬｏａdiｎgｓRｏtatiｏnSuｍsofＳquaｒedＬoaｄiｎｇｓＴotａl%ofVａｒianceＣuｍuｌative%Toｔａl％ｏfVａｒiａnceＣuｍuｌａtive％Tｏｔａl％ofVarｉanceCumｕlative%15.1417３．43973。４３9５.141７３.4397３．439４.79668。50７68．５0721。0８215。4６388。９021。０82１5。４６３88。９０2１．4282０.3９588．９０23.40５5．７８６94.689４．２533.61598.3０45。０711．０１９99．３23６.03８。53799.８607.010．１40100。0０0ＥｘtrａcｔｉｏnMｅthｏd：ＰrｉnciｐalCｏmpoｎｅntAｎａlｙｓis。－图表3-图表4中每三列为一组，每组数据项含义依次是特征根值、方差贡献率和累计方差贡献率。第一组数据项描述了因子初始解的情况。农业用水的特征值是5。141，解释原有７个变量总方差的７3。4３9%（５.１４1÷7×100),累计方差贡献率为７3.4３９%，其余各组类似，我们提取特征值大于1的前两组。第二组数据项描述了因子解的情况。可看到,可提取两个因子，两个因子共解释了原有变量总方差的８８。90２%.第三组数据描述了经过旋转后最终因子解的情况,因子旋转后累计方差比改变不大,重新分配了各个因子解释原有变量的方差,改变了各个因子的方差贡献，使得因子更易于解释。—图表４-图表５中横坐标为因子数目,纵坐标为特征值。第一个因子的特征值很高,对解释原有变量的贡献最大，第三个以后的因子特征值都较小,对解释原有变量的贡献很小，因此提取两个因子是合适的。CoｍpｏnenｔＭatrixaＣomponｅｎｔ12农业用水－。708－。5４4工业用水-.８８3．204第三产业用水．950．０93常住人口规模．９９１。05８降水量-．400。848污水处理率。９４６—。０90城市绿化覆盖率.９58.076ＥｘｔractionMｅｔhod：PｒincｉpaｌCoｍｐonenｔAｎalｙｓｉｓ。ａ．2compoｎeｎtsextracteｄ。-图表5-图表6显示了因子负荷矩阵,从表中可以看出，除了降水量外其余因子与第一个因子的相关程度都很高,但降水量与第二个因子负荷较高，其余6个因子与第二个因子负荷较低。RotａｔedCoｍponenｔMaｔｒｉｘaComｐｏnent１2农业用水—.836－。314工业用水-．7８6．452第三产业用水．936—.1８8常住人口规模。9６5－.2３４降水量-．１３５。9２8污水处理率．８７9-．３62城市绿化覆盖率。9３９－．206ExｔractｉonMetｈod:PｒｉnciｐａｌＣomｐｏneｎtAｎａlｙsiｓ。RotatｉonMethod：VariｍａｘwｉtｈKaiseｒNoｒｍalｉｚation．a。Ｒotaｔioｎconｖergedｉn3iｔｅraｔiｏｎs．－图表6-从图表７可知,用主成分分析法进行方差极大法旋转后，农业用水、工业用水、第三产业用水、常住人口规模、污水处理率和城市绿化覆盖率６个变量在第一个因子上有较高的负荷,第一个因子主要解释这6个变量,其意义代表主观人为因素;降水量在第二个因子上有较高的负荷，第二个因子主要解释降水量这个变量，其意义代表客观自然条件。－图表7－图表８是以我们提取的两个因子为坐标轴的二位因子负荷散点图,反映出了各个因子在坐标中复合散点分布。ＣoｍｐoｎenｔScｏreCoefficiｅntMaｔrixＣompｏｎeｎt12农业用水-。27８-。４4０工业用水—．110.2３０第三产业用水.20２。0２8常住人口规模.2０0－。00５降水量．１54。77２污水处理率。152－．133城市绿化覆盖率。１99。０１3ＥxtｒactionＭethｏｄ：PｒiｎｃipaｌCompｏnｅｎｔＡnaｌｙsis.RotationMethｏｄ:VarｉmaxwithＫaiｓerNｏｒmaｌｉzatｉon．CoｍｐoｎeｎｔＳcores.—图表８-图表９是因子得分矩阵,是我们根据回归算法计算出来的因子得分函数的系数,根据该表可得到下面的因子得分函数：F1=-0.２7８x1－0.11０x2＋０．2０2x３＋0.200x４+０．１5４x5＋0.152x6+０．199x7F２=—0。440x1＋0。２30x2+0。０28x3－0。005x４+0.7７2ｘ５—０.133ｘ6+0。013x7CｏmponｅntSｃoreＣｏvａrｉaｎｃeMａtｒixCoｍｐonenｔ1211．０00．00０2.0０01。0０0ExtraｃtionMetｈod：PｒｉnｃipａlCｏmponenｔAnalｙｓis.ＲｏｔatioｎMethod:VａｒｉｍａxwｉthKａiｓeｒＮormａｌizａtｉｏn。CｏmpｏnentScｏｒeｓ。-图表9-图表10显示了两个因子的协方差矩阵,两个因子两两之间的相关系数为0，说明经因子分析提取后的两个因子之间没有相关性,实现了因子分析的设计目标,同时也说明是经过了正交旋转法而得。因此，可根据上述分析结果对北京市水资源短缺风险的主要风险因子进行评估.首先，根据两个因子的方差贡献率确定权重，由于两个因子在较大程度上反映了原变量的大部分信息,其累计贡献率８8.902%，因此可用因子的方差贡献率作为综合评价的权重,于是两个因子按各自的方差贡献率加权相加为综合评价得分，其计算公式为：F＝0．73F1+０。1５F2。所以可得北京市水资源短缺风险因子与各个可能因素的关系为：F=—0．267x1-0．0４6x2＋0．151x3+０。1４5x4＋０．２2８ｘ5+0．１31x６＋0。１47ｘ7由上式中ｘi(ｉ=１、2、…、7)系数的绝对值大小可以判断，各个因素对北京市水资源短缺风险影响程度的从大到小依次为:农业用水、降水量、第三产业用水、城市绿化覆盖率、常住人口规模、污水处理率、工业用水，。从下面的图表1１中我们可以直观地看出各个因子对水资源短缺风险贡献程度,其中距离X轴越近的点贡献越小。－图表10-（二)水资源短缺风险数学模型及风险等级划分一)、模型假设二）、模型建立及算法1、在日常生活中，我们知道：往往在总供水量与总用水量差值越大时，水资源短缺风险越大。但这又常常受到人口规模的影响,一定差值的缺水量,在一个人口规模较小的地方造成的风险要比在一个人口规模较大的地方造成的风险大得多。因此我们可以定义风险度为差值在水资源总量的比重，即：（总用水量-水资源总量）／水资源总量。为了消除水量差值符号在分析总带来的不便影响，我们可以直接用：Ｈ＝总用水量/水资源总量来描述水资源短缺风险度。Ｈ越高,缺水风险度越大.２、Lｏgisｔic模型的建立:(１）样本信息摘要。通过图表可知，公有样本总数为30,即我们选取近三十的样本数据.ＣaｓeProcesｓｉngSｕｍmaryＵnｗｅightｅdＣasesａNPerceｎｔSeleｃtedCaｓｅsInｃｌuｄedｉnＡｎalｙsｉｓ3010０．０MissinｇＣasｅs0.0Totａl3０１00.0UｎｓeleｃｔeｄＣａses0．０Totａl30１00.０a。Ifwｅightisineffｅct,seecｌａssｉfiｃatｉoｎtａｂleｆoｒtｈeｔoｔａlｎumｂeroｆcasｅs。—图表11—(2)因变量编码。对缺水状况进行分类编码，定义缺水（用水总量大于水资源总量)为1，定义不缺水（用水总量小于水资源总量)为0．ＤｅpｅnｄenｔＶａrｉａbleEncｏdingOrigiｎａlValｕeIｎternａlValuｅNＯ0YＥS1-图表12-（３)初始分类表。对模型参数赋予初始值，借助迭代计算寻找最佳值。以误差最小为原则，促使迭代过程收敛。当参数收敛到稳定值之后，就是我们需要的参数值。下图为初始值给出的预测与分类结果，正确率为８6.7％，用于对比模型参数收敛前后的效果。ClasｓifｉcatｉonＴableａ,bOｂseｒveｄPｒedicted缺水PｅｒceｎtａgeCoｒrectＮOYEＳＳtｅｐ0缺水NＯ04．0ＹES0261００。０OvｅraｌlPｅrceｎｔaｇe８6。７a．Cｏnstanｔｉsiｎｃludedinthｅmｏdｅl．b．Ｔｈecutｖaｌｕeis。50０－图表1３（5）初始方程中的变量.仅对常数项赋值，结果为B＝1．８７２,标准误差为S．Ｅ=0.537，Siｇ.为Ｐ值，Sｉg。=0。0０0，小于0．０5，误差率很小.VａrｉabｌeｓinthｅEquａｔiｏnＢＳ.E。WalｄｄfＳig。Ｅxp（B）Ｓtep0Consｔaｎｔ１。８7２．537１2。14６１.0０06。5００—图表１4-（6）不在初始方程中的变量。应用Scｏre检验根据变量之间的结构关系判断自变量与因变量之间的密切程度.Ｓｃｏrｅ检验值计算公式为通过Score检验值计算公式,得到Ｓｃｏｒe农业用水量=２.０24，Sｃｏre工业用水量=2．381，Scorｅ第三产业及其它＝１。８４9,Score降水量=6．656,Ｓcoｒe污水处理率＝1.658ＶariablｅsｎotｉntheEquatiｏnＳcｏrｅdfSig.Sｔｅp０Vaｒｉaｂles农业用水量2.０２4１．1５5工业用水量2.381１。１23第三产业及其它1.849１．174降水量6．65６1.０10污水处理率1.６581．１9８OveｒallＳtatistｉcs13.5２０5。019－图表15－(７)模型系数的混合检验。主要是针对步骤，模块和模型开展模型系数的综合性检验,表中给出卡方值及其相应的自由度，Ｓｉｇ．值.通过应用Excｅl计算出卡方临界值，通过对比卡方值与临界值，相应的Sig.小于0．05,因此检验没有问题。OmnibuｓＴｅstsofＭodelCoefficientsCｈi－sqｕaredｆＳig.Stｅp1Step15.51５５.00８Bloｃk15．5１５5.008Model1５。５155。０08—图表1６-(8）最终预测分类表。经过迭代运算,模型参数逐渐收敛到稳定值，于是我们得到最终的模型参数。利用最终的lｏｇｉstiｃ模型,可以对因变量进行预测,预测结果如下表.可以看出,观测值NO有4个，相应的预测值为3个，预测失败一例，预测正确率为７5。0％；观测值YES有26个，相应的预测值有26个，预测正确率为10０%，总的预测正确率为９６。7%。全部３0个样品有2９个预测正确,一个预测失败,模型效果良好。ClａsｓiｆicａtioｎTａｂlｅaObsｅrveｄPrediｃｔed缺水ＰｅrcentａｇｅＣｏrrｅctＮＯYＥSSｔep１缺水ＮＯ31７５.0YＥS０2６10０．0OveｒallPｅrcｅnｔage96.７—图表１7-根据以上的分析,可以建立如下线性关系Z=13。607+0。927＊农业用水量+１.２72*工业用水量+1.７87*第三产业及其它-０.084*降水量—０。1１0＊污水处理率将上面的关系代入下式，得到风险发生概率计算模型:P(y）=1/(1+ｅ-z)P(ｙ）=1/（１＋e—(１３。607＋0．９２7*农业用水量+１。2７2*工业用水量+1。７87*第三产业及其它—0.084*降水量—０.１10*污水处理率)）3、聚类分析已被证明为一种科学有效的方法,先将19７9—２008年30年每个风险度各看成一类，按照选定的方法(此次选用平方Ｅuclideaｎ距离法）计算每两类之间的聚类变量，最为密切的和为一类。如此迭代，最后得到需要的类数。利用QｕicｋClｕsteｒ对１９７9-２008年北京市的水资源短缺风险度进行聚类，划分为五个等级：低风险、较低风险、中风险、较高风险和高风险，并计算出类中心。4、根据风险发生概率模型及划分出的风险等级来对风险因子变量进行综合分析。三）模型求解及分析由：H＝总用水量／水资源总量可以算出１97９-2008年的风险度；由：风险概率发生概率模型：Ｐ（X）可以算出1９７９—2０0８年的风险发生概率；从而得到下图:-图表1８－由上图可以看出1９８5、1９87、1991、1994年都没有发生水资源短缺，且水资源短缺风险度均小于1(水资源短缺风险度定义为：用水总量/水资源总量)，而这四年中风险发生的概率均不到7０％,其1９８5、1９８7、1991三年的风险发生概率更是不到50%，这和实际情形是相吻合的。进一步分析，只要风险度大于1的年份,（即水源供应量小于水资源需求量，也就是缺水发生）描述风险发生的概率都在８０％以上,1991年是枯水年,水资源短缺风险度最大。其描述风险发生的概率接近100%,以上分析说明该模型的计算结果与实际情形相符,可以实际运用。风险等级的划分：在ＳＰSS中对１９7９—2０0８年30年各年的风险度进行聚类分析,调整分类的类数，从而使类中心间的距离尽可能的均等,从而使分类最具真实性。得到结果如下：FinaｌCｌｕstｅrCenｔeｒｓＣluster123４5风险度2。352．0０2.93１．0０1。4３－图表1９-我们把这五类进行如下定义：水资源短缺风险类型类中心风险特性低风险1。00可以忽略的风险较低风险1．4３可以承受的风险中风险2.0０边锋风险较高风险２。35比较严重的风险高风险2。９３无法承受的风险—图表20-经过对比发现：较高风险的年份往往是缺水风险概率最大的年份，即有正相关性,又由上面LOGISTIC模型建立过程中可知:该模型对风险发生的概率预测准确率达到９6。７%。因此我们可以由上面概率计算式来对北京的进行综合评价：P（y）=1／(1+e－z)其中：Z=1３.60７+０.927＊农业用水量+１。272＊工业用水量+１。７87*第三产业及其它—０.０8４*降水量—0．11０＊污水处理率由上式得：降水量和污水处理率在降低北京地区缺水风险方面起到了非常重要的作用,污水处理率的权重甚至超过了降水量的权重，反映了北京地区再生水回用是降低北京地区水资源短缺风险的有效途径。同时我们也注意到了污水处理率的快速增长:—图表21－其拟合度最高曲线方程Ｙ＝２２．8８7１2７80２９9８６6＊exｐ(０.１２35119１０８４3１013＊ｘ）即：污水处理率在一定时间内成指数形增长,其也从一个侧面反映了污水处理率对降低缺水风险发生的概率.但同时我们也注意到:尽管近两年来污水处理率已经达到近90％，然而风险度很低的情况下,水资源短缺风险发生的概率并没有随之而降低，而是持续水资源短缺风险高发生率。这说明了北京水资源状况受到更多因素的制预,水资源系统变得更为复杂,水资源短缺的形式依然很严峻。由第一问得到主要因子间的比重关系为：Ｆ=－0.２6７x1－0．0４6x2＋0．1５1ｘ３＋０．14５x４+０．228ｘ５＋0．1３1x６+0.１47x7其中，Ｘ１～X7表示:农业用水量、工业用水量、第三产业用水量、常住人口规模、降水量、污水处理率、城市绿化覆盖率.因为降水量为客观因素,我们不能认为的给以改变.只能从其他因素给与考虑,考虑到前三个变量为产业机构，我们采用控制变量法,该三个变量外的其它变量不变,可以看到:第一二产业的用水量使得缺水的风险因素变大,而第三产业的用水量则减小该因素。所以我觉得可以对产业结构进行调整,加大第三产业在我国产业结构中的比重，从而大道降低风险的作用，而这又恰恰符合市场需求及经济发展的客观规律，不失为一个好方法。我们还注意到,在其它能人为控制的因素中，污水处理率及城市绿化覆盖率也对降低风险起到正面作用，因此，也验证了上面提到的加强再生水的利用是降低北京地区水资源短缺风险的有效途径.另外,扩大绿地面积能对有效利用水资源起到积极作用也成社会共识,这当然可以看作是降低风险调控的有效方法.(三）、对北京市未来两年水资源短缺风险进行预测,并提出应对措施。下面，我们对未来两年缺水风险发生的概率及风险等级做出预测。根据已有数据点集，我们对这些数据点在SＰＳＳ中用分析方法中的曲线估计，选用所有的曲线类型进行拟合,选取拟合度较大的一条曲线走势来分析该因子变量的未来走势，从而对该因子进行预测.考虑到因子变量的变化呈现出一定的周期性和规律性，下面我们对近十年的数据进行拟合试验(１9９8~2008)。ＭodelＳuｍｍaｒyａnｄParａmｅｔerEsｔimaｔｅｓDependentVariaｂlｅ:农业用水量ＥｑｕaｔｉｏnModelSuｍmaryParａmｅｔerEstｉmaｔeｓRSquaｒｅFdf1df2Sig．Ｃｏnsｔantｂ1ｂ2b3Liｎeaｒ。９0585．565１9。00018．773－．660Logaｒiｔhmiｃ.8033６．763１9。00019。21７-2。769Ｉnverse.５１6９.5８８１9。0１313.１３1６。12３Qｕadratｉｃ．909４0。041２８.００019.１99－.85７．０16Cubｉc．938３5．0５９37。0001７。494.55２－.265。016Cｏmpouｎd.92２1０6。032１9．00019．１３7.95６Pｏweｒ。8023６.4241９。0００1９。659—.185Ｓ．5０７9.25319．014２．573。40５Growth。９22106.032１9。0002.９5２—．044Expｏnentｉal.9２２106．0３2１9．0０01９。1３７-．044Ｌoｇiｓtic。9１596.９7319.000。0331．06５-图表２２—由上图的ＲSqｕaｒe值可以看出：Linｅaｒ，Qqudratic，Ｃｕｂｉｃ，Coｍpouｎｄ，Gｒｏwtｈ,Exponential，Lｏgistic几种曲线与农业用水量散点集的拟合度都比较大，都可以作为农业用水量这个变量因子的拟合曲线.下面我们选择了Eｘｐoｎeｎtｉａｌ类型的曲线做为为农业用水量的拟合曲线.下面,我们对未来两年缺水风险发生的概率及风险等级做出预测。根据已有数据点集,我们对这些数据点在SPＳS中用分析方法中的曲线估计,选用所有的曲线类型进行拟合，选取拟合度较大的一条曲线走势来分析该因子变量的未来走势,从而对该因子进行预测。考虑到因子变量的变化呈现出一定的周期性和规律性，下面我们对近十年的数据进行拟合试验（1９9８～2０0８）。ＭｏｄelSｕmｍaryanｄParａmeｔeｒＥstimatｅsＤeｐendenｔVaｒiabｌe：农业用水量EquａtiｏnＭodｅlSummａrｙPａrameteｒＥstｉmateｓRSquａreFdf1dｆ2Siｇ．Cｏｎsｔａntb１b2b3Lｉnｅar。９05８５.５６519．000１8.77３-．660Ｌｏgariｔhmｉｃ.８0３36．7６3１９.0００19。21７-2．769Inｖｅrsｅ.５1６9．588１9.01313。13１6．123Ｑuadratic．9０940。0412８．0001９．１99—.８5７.01６Cubic。938３5.0593７．00０17。494。5５２—．265．016Ｃｏmpｏｕnd。922１06．032１9．0０01９.13７。9５6Pｏwｅr．80２36。4２4１9．0001９.6５9—。185S.５０79。２5319。0１４2．５73．405Ｇｒowth．９22１０6。０３21９。０002。９5２—.０44Exponenｔiａl.９221０６．０３21９.000１９。１３7-．044Lｏｇistｉc。9１５96．9７3１9.０00。０３31。０６5－图表２３—由上图的RSquaｒe值可以看出：Lｉnｅａr，Qqudratic，Cubic,Compound,Growth，Exponeｎtial，Ｌogｉstic几种曲线与农业用水量散点集的拟合度都比较大,都可以作为农业用水量这个变量因子的拟合曲线。下面我们选择了Exponeｎｔial类型的曲线做为为农业用水量的拟合曲线。－图表２４—在SPSS中，我们可以得到该曲线的曲线方程为：Ｙ1(x）=19。1３66２92２7２2307*exp（—０.０4４４999906６4２552*x)1~12分别表示1998～２008年，所以带入x＝１２，ｘ＝１３就得到了２０0９,２0１0年的农业用水量的预测值:Y１（12）＝11．2２,Y1（13)=１0。73；运用同样的方法,我们可以分别得到与其它各因子拟合度高的曲线:—图表25-Y2=12.2７774４０4092102＊eｘp（—０.０748５６４95２38４3２8*x)Y２（１２)=４。99，Ｙ２(１3）=4．６３;—图表26-Y３＝１3.４６１３939３93939３－0.6９98６713２867１309＊x+０．１０001165５0１16５48＊x*xY3（12）＝19.４６Ｙ３(１3）=21.2６；—图表2７-Y4=２26．５084４71４39221*log(ｘ)Y４(１２）=５62．8５Y４(１3）＝580.９8－图表2８Y5=16．051５１51515155７+6.449６５０349650０1７＊ｘ—０.1２２49４１724941０85＊x＊ｘ+0．00６64３35６6433531８7＊ｘ*x*xY5（1２)=87。9８Y5（13）=9４．66-图表２9-Y6＝４4。18２７87878７8７87+—2．08４１０48９5１04８８９＊x＋0。1１20１63１7０16316６*x＊xY6（12）=35.30Ｙ6（13)＝３6.0２-图表3０—Y７=4４．94４24242４24１７8＋-15。02９５64８７95６４39*ｘ＋2．3０7272727２72６35＊x＊x+—０.09６4957264957２158*x*ｘ*ｘY７(12）=30。9０Ｙ7（13）=28．５3根据风险度的定义：风险度h(ｘ）=总用水量Y6（x）／水资源总量Ｙ７(x）;有上面的预测值：2009年总用水量Ｙ6（１２）＝３5.３0201０年总用水量Ｙ６(１3）=36.0２2０0９年水资源总量Y７（１2)＝30。９０２０10年水资源总量Ｙ7（１３）＝2８.53所以ｈ（１2）=Ｙ６(1２）/Y７(12）=35.30/36．02=0．96；h（１３)=Ｙ6（13)/Ｙ７(13）=3６．０２/28。53=1。2６；即：2０09年发生水源短缺的风险度为0.96,2010年发生水源短缺的风险度为1。２6；由QｕｉckClustｅｒ得到五个风险等级：ＦｉｎalClusｔerCｅｎtｅｒsClｕster１２３4５风险度2。３５2.002．9３１.0０1．４3－图表3１-水资源短缺风险类型类中心风险特性低风险1．00可以忽略的风险较低风险1。43可以承受的风险中风险2。0０边锋风险较高风险2．35比较严重的风险高风险2．93无法承受的风险－图表32—结合该表得：200９年发生水资源短缺的风险度为:０。9６,属低风险，即可忽略的风险；2０１０年发生水资源短缺的风险度为:1．2６，属于较低风险，可以承受的风险。下面再通过农业用水量、工业用水量、第三产业及其它用水量、降雨量和污水处理率的预测值，结合上一问中的ＬＯＧＩSＴIＣ回归模型计算2009、2０10年水资源短缺风险发生的概率。由P(X）=1/（１+EXＰ（—（13．６07+0．９27*Y1(X）+1．27２*Ｙ2（Ｘ）+1.７81*Y４（X）-0。084）*Y（X）－0。１1)＊Y５（Ｘ））)）；分别将至值：Y１（１2)=１1。2２,Y1(１３)=10.７3Y２(12）=４。9９，Y２（13)＝4．６３;Y３(1２）=1９。４６Ｙ