基于超效率DEA和人工神经网络模_省略_市畜禽养殖资源环境承载力综合研究_黄成.docx

《基于超效率DEA和人工神经网络模_省略_市畜禽养殖资源环境承载力综合研究_黄成.docx》由会员分享，可在线阅读，更多相关《基于超效率DEA和人工神经网络模_省略_市畜禽养殖资源环境承载力综合研究_黄成.docx（77页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 独创性声明 本人声叨所呈交的论文足我个人在导师指导卜 i 进行的研宄工作及取得的研宄成 來 从我所知，除了文十特別加以标注和致谢的地方外，论文中不包含其他人己经发 农或撰写过的研宄成泶，也 +包含为获得中国农业科学院或其它教育机构的学位或证 书而使用过的材料 与我制工作的同志对本研究所做的任何贡献均己在论文中作了 明确的说明并表示了谢 ， d 本人完全了解中国农、丨 k 科学院有关保留、使用学位论文的规定，即：中国农业科 学院有权保留送交论文的 U 印件和磁盘，允许论文被査阅和借阅，可以采用影印、缩 印或扫描等复制手段保存、丨丨 :编学位论文。同意中国农业科学院可以用不同方式在不 N 媒体上

2、发表、传播学位论文的全部或部分内容。 关于论文使用授权的声明 时 间 ： 年 f 月 中 国 农 业 科 学 院 硕士学位论文评阅人、答辩委员会签名表 论文题目 基于超效率 DEA 和人工神经网络模型的天津市畜禽养殖资源环境 承载力综合研宄 论文作者 黄成 专业 环境工程 研宄方向 农业环境工 程效应评价 指导教师 程波 培养单位（研究所） 天津环保所 姓名 职称 硕（博） 导师 单 位 专业 签名 评 阅 人 硕导口 博导口 硕导口 博导口 答 辩 主 席 张智超 教授 硕导口 博导 0* 南开大学 农业环境科学 答 辩 委 员 张智超 教授 硕导口 博导 南开大学 农业环境科学 滅1 于宏

3、兵 教授 硕导口 博导 0 南开大学 环境保护 0 j=l,2,n 输出向量： v= 为 、： j=l,2, -,n 式中， x,:/0 , /=i,Z ?,+r=i 上 ，因此可以用 （ x, y)来表示这个评价单元。 由于评价过程各种输入和各种输出之间的相对作用不同，因此需要将各输入和输出进行综 合。若设输入、输出权重向量为 1， = (1， 1， 2， 3.;)71;=(1， 2,3.4)71。则可以将多输入、 多输出分别通过线性组合转化为一个综合输入和一个综合输出。则每个评价单元都有相应的效率 评价指数： 9 式中， /7,_表示 7_评价单元的相对效率值， fv,表示综合输出； vi

4、,表示综合输入。 为了评价某个评价单元是否相对于其他单元来说是不是最优，因此对所有评价单元的效率指 数设置约束条件 （ 使评价结果在 1 之间 ） ，以 评价单元的效率指数为目标函数，构造 C2R 模 型。其表达式如下： 通过建立 Chamess-Cooper 变化，即令 : 可变成如下的线性规划模型： 用线性规划的最优解来定义评价单元办的有效性。因此对评价单元办的评价结果是相对于其 他所有评价单元而言的。 该线性模型的对偶规划为： 为了讨论和应用方便，将上面的不等式约束变为等式约束，因此引入松弛变量 s+和剩余变量 10 S_，即为 DEA 基础模型 : (2)超效率 DEA 模型介绍 超效

5、率 DEA 模型是在 C2R 模型的基础上，将有效的评价单元从参考效率前沿面分离出去， 不仅使评价对象摆脱约束条件的限制，而且使模型适用于更多评价目的和多指标评价。这一方法 在Andersen 等人的努力下日臻成熟。 超效率 DEA 模型在对某评价单元进行评价时，不考虑被评价单元本身，而是以其它所有的 评价单元构成参考集。评价结果 （ 0 值）有可能大于 1，从而可以对同为 DEA 有效 （ 0=1)的评 价单元做进一步的评价，评价结果更具区别性。超效率 DEA 模型表达式为： 式中， x/、 v 分别表示输入和输出向量； 0 表示评价单元相对效率指数，为评价对象相对优劣 性的综合评价结果。

6、6IF对原权值进行修正，从而获得新的连接权向量 w。 至此该网络完成训练一次。 网络的训练过程也就是不断重复上述过 程。当网络输出误差均满足要求时，就可以认为 BP 网络已经学习好了。 2.3 畜禽养殖资源环境承载力单指标预测方法 2.3.1时间序列预测法 oer 时间序列预测法是一种常用的趋势外推法，它是利用按时间顺序排列的数据预测序列未来趋 势的方法。事物延续到未来的发展变化趋势主要反映在时间序列的平稳性或准平稳性。其中准平 稳性是指时间序列经过数据处理后将转变为平稳的性质。时间序列趋势预测一般要考虑 4 种变动 因素，即长期趋势 (T)、 周期变动 (C)、 季节变动 (S)， 以及偶然

7、变动（ I)。从而衍生出乘法模式、 加法模式和混合模式来处理这 4 种变化因素。 时间序列法的预测方法主要分两类：一是对 4 种变动因素有侧重地进行预处理，从而派生出 移动平均法、剔除季节变动法、指数平滑法等方法；二是直接利用时间序列数据建立数学模型， 不细分 4 种变动因素进行预测。下面介绍本文运用的几种时间序列预测方法。 BP 人工神经网络预测法 对于时间序列，以； ;中按照时间排列的前个数据为输入，后 m个数据为输出，构建 BP 人工神经网络预测模型输入 -输出数据集。预测模型的训练过程与 BP 人工神经网络相同。 趋势拟合外推法 趋势拟合外推法已被广泛应用于科技、经济和社会发展的预测。

8、该法通过建立函数模型拟合 15 时间序列数据点，再利用函数模型进行趋势外推，如线性模型、指数曲线以及曲线模型等 。 Holt-Winter 预测模型 Holt Winter 模型的基本思想是把具有季节变动、线性趋势和随机波动的时间序列进行分解 研究。并与指数平滑法相结合，从而对长期趋势、季节波动和趋势的增量分别做出分析，然后建 立预测模型，外推预测值。该模型由 3 个平滑方程和 1 个预测公式组成。 (1) 平滑方程 Holt Winter 模型的基础是 3 个平滑方程，每个平滑方程的参数都与时间序列的季节性、趋 势性和随机性之一有关。这种方法不但可以修正趋势性和平滑随机性，而且还包括 个附加

9、参数 来处理季节性。平滑方程的表达式如下： 式中： L 为季节长度；是稳定项； 6 是线性成分； /为季节项； /,为季节性修正系数，它是 季节因子的指数平滑平均数； a、 /?、，为平滑系数。 由于时间序列的原始数据 X,具有趋势性、季节性和随机性，而 S 值仅包含趋势性 和随机性。 因此通过给新算出的季节性系数 xf/乂加权夕，从而使 xf中的随机性得到平滑。 为了使时间序列的趋势性得到平滑，故在的的方程中，给以前的趋势性加权 (1-/)， 给增量加权 / 。在平滑后的 方程中，被 /,4 除，其目的是消除原始数据 X,的季节 性。 (2) 预测公式 Holt Winter 模型的预测公式

10、为： ft + m = St + btm)It+m_L 式中： m 为从当前时期到所要预测时期的数目； /,+m为 第 时 期 预 测 值 。 (3) 模型建立方法 首先计算前两个周期内，各周期的平均增量 5: 计算初始增量 hi+1和初始指数平滑值 b:L+i = B 2L+I =V2+(L-)B/2 计算第一周期内每个时期的季节指数： Iu=X t l- L + )l2-mB 其中， 计算前两个周期每个时期的季节指数： /； =(/1,+/2,)/2 16 季节指数正态化 : 其中 ， f ; (4) 确定最优加权系数的值 为了使预测值与原始数据之间误差的均方差最小，因此需要确定最优的加权

11、系数、夕、，。 其确定方法是让 、夕、 ，分别在 0.05, 1区间内以一定的步长递增，分别计算每步的预测误差。 确定误差的均方差最小的 、夕、 ，值即为模型的最优参数。 2.3.1.4ARIMA 模型 ARIMA 模型全称为差分自回归移动平均模型 (Autoregressive Integrated Moving Average Model.简记 ARIMA)， 一般表示为 ARIMA(p， d， q)，其中 AR 表示自回归； MA为移动平均； p 为自回归项； d 为时间序列成为平稳时所做的差分次数； q 为移动平均项数。 ARIMA 模型的基本思想是：将预测对象的时间序列视为一个随机序

12、列，通过建立数学模型 来近似描述这个序列。模型一旦成功建立后，可以运用该模型对未来趋势进行预测。 模型建立的基本方法为： (一） 首先对时间序列的平稳性进行识别。若序列随时间表现出一定的增长或下降趋势，则 该序列为非平稳序列。对于非平稳序列，对其数据进行多次差分处理，直至其转换为平稳序列； (二） 对该数列检验其方差齐性、趋势及其季节性变化规律。建立平稳后的时间序列自相关 函数和偏自相关函数图，如果数据存在异方差，则需要进行处理； (三） 根据时间序列模型的识别结果，从而建立相应的模型。若平稳序列的偏相关函数和自 相关函数均是拖尾的，则序列适合 ARMA 模型；若平稳序列的偏相关函数是拖尾的，

13、而自相关 函数是截尾的，则可断定序列适合 MA 模型；若平稳序列的偏相关函数是截尾的，而自相关函数 是拖尾的，可断定序列适合 AR 模型； (四） 对模型的残差序列进行白噪声检验，并对模型的系数进行显著性检验； (五） 通过检验的模型就可以用于预测分析。 2.3.2 Elman 神经网络模型 Elman 网络是一种典型的局部回归网络，它是 J.L. Elman 于 1990 年为解决语音处理问题而 提出来的。 Elman 网络是一个具有局部记忆单元，并能够实现局部反馈连接的前向神经网络。故 其神经网络结构一般分为 4 层：输入层、隐含层（也称中间层）、承接层和输出层 (图 2.2-3)。承 接

14、层又称为状态层或上下文层，它使得 Elman 网络同其他网络相区别。承接层是一个一步延时算 子，其主要作用是用来记忆隐含层单元前一时刻的输出值，并将其返回给输入层。因此 Elman 网 络模型是一个动态的分析模型，其对历史数据信息的发掘比较灵敏， 特别适合对时间序列未来长 期趋势的预测。Elman 网络的结构示意图如下： 17 图 2.2_3 Elman 神经网络结构示意图 Fig 2.2-3 The composition of Elman network 其 中 ， 为 输 入 层 节 点 ， x为隐含层节点 ， 1为承接层节点，为输出层节点。 为承接层到隐含层的连接权值；为输入层到隐含层

15、的连接权值；为隐含层到输入层的连接 权值。 Elman 神经网络的数学模型表达式为： y(k)=g M3x(kj x ( k ) = f w , x c k ) + w 2 u k - ) x c ( k ) = x ( k - ) 式中， A 为输出层节点个数；外幻为输出层节点的输出向量； g 为 输 出 层 的 传 递 函 数 ； 为 隐含层节点输出向量； /为隐含层的传递函数。 Elman 神经网络训练过程同 BP 网络类似，训练指标也采用误差平方和函数 _进行衡量： 式中，为计算输出向量；为目标输出向量；为输入向量。 模型通过将误差信息反向传递，从而对、进行修正，当训练指标满足要求时，

16、 Elman 网络就训练好了。 18 第三章评价指标体系建立及承载力评价分析 3.1天津市概况 3.1.1白然概况 天津地处华北平原北部，东临渤海，北依燕山。其地跨东经 11643 至 11804 ，北纬 3834 至 4015 之间。市中心位于东经 11710 北纬 3910 、天津市东起滨海新区洒金坨以东陡河西干 渠，南至滨海新区翟庄子沧浪渠，南北长 189 公里；西至静海县子牙河王进庄以西滩德干渠，东 西宽 117公里。北起蓟县黄崖关。天津市疆域周长约 1290.8 公里，海岸线长 153 公里，陆界长 1137.48 公里。 天津市位于东亚季风盛行的地区，因此其主要受季风环流的支配，属

17、暖温带半湿润季风性 气候。同时天津市东临渤海，因此海洋也对天津的气候造成一定的影响。天津市主要气候特征是 四季分明，春季多风，干旱少雨；夏季炎热，雨水集中；秋季气爽，冷暖适中；冬季寒冷，干燥 少雪。冬半年多西北风；夏半年以偏南风为主。天津的年平均气温约为 14 C， 7月最热，月平均 温度 28 C;历史最高温度是 41.6 C。 1 月最冷， 月平均温度 -2 C。 历史最低温度是 -17.8 C。 年平 均降水量在 360 970 毫米之间， 1949 年 2010 年平均值是 600 毫米上下。 3.1.2资源概况 3.1.2.1 水资源 天津地跨海河两岸，而海河是华北最大的河流。天津的

18、一级河道共有 19 条，总长度为 1095.1 公里。二级河道有 79 条，总长度为 1363.4 公里，深渠 1061 条，总长度为 4578 公里。天津还多 次引黄济津，并有一定数量的地下水。 3.1.2.2 土地资源 天津市土地资源丰富。全市的土地，除北部蓟县山区、丘陵外，其余地区都是在深厚积沉物 上发育的土壤。土壤类型主要为水稻土、潮土、滨海盐土、褐土和棕壤等。在海河下游的滨海地 区，有待开发的荒地、滩涂 1214 平方公里。 3.1.3社会经济 2014 年，天津市三次产业结构为 1.3:49.4:49.3。全年实现地区生产总值 （ GDP) 15722.47 亿元，按可比价格计算，

19、比上年增长 10.0%。分三次产业看，第一产业增加值 201.53 亿元，增长 2.8%;第二产业增加值 7765.91 亿元，增长 9.9%;第三产业增加值 7755.03 亿元，增长 10.2%。 3.2评价指标体系的建立以及承载力评价 3.2.1评价指标体系的建立 3.2.1.1评价指标确定原则 (1)目的性 19 注： 指标正负性是指与资源环境承载力的正负相关性 .其划分参考宋福忠 2011)、王甜甜 2012)和安晶潭 2015)等对畜禽养殖 资源环境承载力评价指标正负性的判定结果。 (1)畜禽污水处理达标率、畜禽环保投资等指标难以获得数据 .只能放弃或用相关指标表示。 所谓环境不仅

20、包括自然环境，也应包括社会环境。社会环境是人造的环境，也是承载体。社 会环境状况好坏能够反映其对畜禽养殖业的支撑力度，故社会环境状况又称社会支撑条件。 本次研究的对象是大城市，因此本研究选取了 “ 城市人均 GDP” 和 “ 工业总产值 ” 来反映大 城市特殊的社会环境特征。 “ 城市人均 GDP” 是系统总体经济水平的体现，由于畜禽养殖业粪污 治理工程是一个受财政补助的工程，城市 GDP 总量越大，系统对畜禽养殖业的补助能力越强， 从评价的内容来看，评价指标必须与研究对象相关。指标体系不能选择与评价对象、评价内 容无关的指标。选取的指标必须能够划分为畜禽养殖资源环境承载力的压力指标和支撑指标

21、，以 便于 评价模型分析。 (2) 全面性 选择的指标要尽可能地覆盖评价的内容，如果有所遗漏，评价就会出现偏差。比较全面的另 一个说法就是有代表性，确定的指标即使不能做到全面表针评价对象，但必须能代表某一侧面。 (3) 可操作性 某些指标虽然更加适合于指标体系的构建，但是如果数据难以获取也枉然。即便为了获取准 确的指标值（如用于消纳畜禽粪污的年末耕地面积），而大量地消耗人力和物力，也显得不具有 操作性。因此要尽可能地选择有一定代表性的、指标值易获取的指标（如相关统计公报的统计数 据），以便于相关管理部门应用于掌握。 (4) 系统性 畜禽养殖资源环境承载力是一个大系统的概念，包括资源状况、社会环

22、境、畜禽养殖和环境 状况子系统。因此要从整体性的角度出发，所选取得指标必须能够体现系统各个方面内容。 3.2.1.2 评价指标的选择 本研究总结目前关于畜禽养殖资源环境承载力评价指标体系的相关研究成果，并结合天津市 畜禽养殖状况和数据的可获取性，选取与天津市畜禽养殖承载力相关的，涉及各子系统的并能反 应压力水平和支撑能力的指标如下： 表 3.2-1 天津市畜禽养殖资源环境承载力评价指标介绍 Table 3.2-1 Index of Tianjin livestock and poultry breeding resource environmental bearing capacity 20

23、类别 指标名称（单位 ） 正 / 负 指标含义 年末实有耕地面积（万 hm2) + 表征消纳畜禽粪污的耕地资源状况 资源 年末实有林地面积（万 hm2) + 表征消纳畜禽粪污的林地资源状况 状况 地表水资源总量亿 m3) + 表征受纳畜禽粪污以及供给畜牧业用水的地表水资源状况 粮食总产量万 t) + 表征畜禽养殖业发展必要的粮食资源状况 社会环 境状况 城市人均 GDP (万元 ） + 城市 GDP 越高，区域对畜禽养殖业粪污治理补助能力越强 工业总产值（万亿元） - 工业总产值越高，占用畜禽养殖业的资源越多，污染物排放量一般越大 环保投资占 GDP 比重（ ) + 表征区域污染治理资金状况

24、畜禽养 殖状况 农业产值 /养殖业产值 C%) + 表征畜禽养殖在农业中的发展强度和规模 畜禽养殖总量猪当量） - 畜禽养殖业产业规模 利润率 / (元 /猪当量 ） + 表征畜禽养殖业经济效益。效益越高，可用于粪污治理投资越多 粪便 TN 耕地负荷 （ kg/hm2) - 表征区域耕地粪便 TN 承载水平 环境 状况 粪便 TP 耕地负荷 Ckg/hm2) - 表征区域耕地粪便 TP 承载水平 V 类及以下水质河长比重（ ) - 调查对象为 43 条一、二级河道，表征区域主要地表径流环境质量状况 单位耕地化肥施用量 a/hm2) - 表征单位耕地化肥的施用量 单位耕地农药施用量 a/万 hm

25、2) - 表征单位耕地农药施用量，表征农业面源污染状况 能够促进产业的环保水平的提高。 “ 工业总产值 ” 是系统工业化水平的体现。系统工业化水平越 高，工业污染物排放强度一般比较大，从而阻碍畜禽养殖资源环境承载力的改善。而且工业行为 会占用畜禽养殖业的资源和发展空间 （ 如耕地），从而抑制畜禽养殖业的发展（宋福忠， 2011)。 由于国内尚未制定畜禽养殖粪便养分的施用标准，因此本研究建议天津市参考欧洲较为严格 的标准（耿维等， 2013;潘洁等， 2014)，即为了防止环境风险，有机肥年施氮量和施磷量限值 分别为170kg/hm2 和 35kg/hm2。 沈根祥等 （ 1994)研究表明耕地

26、畜禽粪便负荷量超过有机肥最大 施用量的0.4 倍时，该地区畜禽粪便不能完全被农田环境所消纳和承受，将会环境构成污染威胁。 天津市畜禽粪便负荷水平远远高出该值，因此将粪便 TN 耕地负荷和粪便 TP 耕地负荷作为制约 指标。 3.2.1.3评价指标体系建立 为了得到综合评价结果 （ 0 值），超效率 DEA 模型要求将评价对象的评价指标分为输入指标 和输出指标，因此需要确定输入指标和输出指标划分原则。魏权龄 （ 1988)证明了下述定理： 设有 n 个评价单元，对DMUj 有输入向量； =(x;,_x/0， 输出向量 r,_= v.,vf0， = 设 DMUj。 对应（為， 7 )，则 DMUj

27、。 为 DEA 有效的充要条件为（為， 7 )是多 目标规划问题 （ FP): s .t .(X ,Y ) e T 的 Pareto 有欢解，其中 T = (XJ) | X， Y J Y i A i Y , A j Y , A j 0,j e j 由上述定理可知 DEA 模型的输入向量的属性是越小越好，输出向量的属性是越大越好（吴 杰等； 2006)，因此对于资源环境承载力的研究，基于超效率 DEA 模型的的输入指标和输出指 标的划分原则是基于模型对输入指标越小越好和输出指标越大越好的要求。即根据评价目的，通 常将各评价单元的越小越好的指标（成本型指标 ） 作为系统的输入指标，将越大越好的指标

28、（效 益型指标）作为系统的输出指标 （ Pekka， 2004;路位忠， 2005;吴杰等； 2006;杜栋等， 2008; 孙源远， 2009;罗艳， 2012;周映雪， 2012;陈建球， 2013)。 畜禽养殖资源环境承载力评价指标根据与承载力的正负相关性，分为发展指标（属性越大越 好，与承载力呈正比；效益型指标）和制约指标 （ 属性越小越好，与承载力呈反比；成本型指标 ) (宋福忠，2011;王甜甜， 2012;安晶潭， 2015)。本研究将制约指标 分为污染物排放状况指标 和污染受纳体状况指标。制约条件越大，说明畜禽养殖行为污染物排放强度相对越大，而且污染 物受纳体本身的状况也相对越

29、差，因此制约指标为畜禽养殖资源环境承载力的压力类指标。发展 类指标对畜禽养殖资源环境承载力起支撑发展作用，即畜禽养殖资源环境承载力的支撑类指标。 由于本研究是通过超效率 DEA 模型来进行畜禽养殖资源环境承载力分析的。根据模型输入 输出指标划分的原则，并参考周映雪运用 DEA 模型对城市交通道路安全评价以及刘晓平等人基 于 DEA的水资源承载力的计算等评价方法，本研究将制约指标作为模 型的输入指标，输入指标 为畜禽养殖资源环境承载力的压力类指标；将发展类的指标作为模型的输出指标，输出指标为畜 禽养殖资源环境承载力的支撑类指标。通过 Lingo 软件对各评价单元承载力进行评价， 0 值便为 模型

30、对承载力相对优劣性的综合评价结果。 21 事实上， 0 表示评价单元畜禽养殖资源环境承载力的总支撑力与总压力的比值。不少研究也 用支撑力与压力的比值（即 0 值）来评价资源环境承载力状况（黄丽杰， 2008;程硕， 2011)， 因此超效率 DEA 模型对承载力的评价思路与上述方法一 致。 0 值越大，系统朝健康稳定的方向发 展，说明畜禽养殖资源环境承载力压力相对越小，支撑能力相对越强，表明畜禽养殖行为同畜禽 资源环境的协调性越好，也就是说畜禽养殖资源环境承载力越大。 0 值越小，说明畜禽养殖资源 环境系统遭受破坏和恶化的可能性越大，也就说承载力水平相对越低。值得注意的是，超效率 DEA 模型

31、被评价单元各输入输出指标是同其他评价单元对应的输入输出指标数值之间进行对比 的（即被评价单元的 XI只同其他评价单元的 XI 进行对比分析），因此评价指标数值不用归一 化处理。 根据输入和输出指标的划分原则，最终建立了基于超效率 DEA 模型的天津市畜禽养殖资源 环境承载力评价指标体系。 表 3.2-2天津市畜禽养殖资源环境承载力指标体系 Table 3.2-2 Index system of Tianjin livestock and poultry breeding resource environmental bearing capacity 指标类别 指标名称 指标层 畜禽养殖总量 （

32、 Xi) 污染物排放状况指标 粪便 TN 耕地负荷 （ X2) 承载力压力类指标 粪便 TP 耕地负荷 （ X3) c 成本型指标） V 类及以下水质河长比重 （ x4) 污染受纳体状况指标 单位耕地化肥施用量 （ x5) 单位耕地农药施用量 （ x6) 资源状况评价指标 年末实有耕地面积 Yi) 年末实有林地面积 Y2) 地表水资源总量 Y3) 承载力支撑类指标 粮食总产量 （ Y4) 城市人均 GDP (Y5) c 效益型指标） 社会环境评价指标 工业总产值 * CY6) 环保投资占 GDP 比重 （ Y7) 畜禽养殖状况指标 农业产值 /养殖业产值 （ Ys) 利润率 CY9) *注：工

33、业总产值进行倒数处理，使之转化为发展指标，用于反映社会环境状况。 3.2.1.4 评价指标计算公式及数据源 为了使评价指标更具全面性，本研究构建了综合性指标，其计算公式说明如下： 利润率 该指标表示每单位猪当量的增加值。各类畜禽转化为猪当量的方法，参见农村小型畜禽养 殖污染防治项目建设与投资指南 （ 环境保护部， 2013)。 式中， M,为 /年畜禽养殖业年增加值 /元； C,为天津市 /年畜禽养殖总量 /猪当量 相关数据源如下： 22 表 3.2-3 天津市畜禽养殖业养殖状况及增加值 Table 3.2-3 Tianjin livestock and poultry breeding co

34、ndition and added value 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 生猪出栏量 /万头 412.94 446.61 481.45 503.16 262.08 301.12 328.93 358.23 352.7 374.21 肉牛出栏量 /万头 32.82 33.84 37.83 37.27 23.11 21.83 21.01 18.12 18 19.02 家禽出栏量 /万只 9441.88 8500.13 9205.64 9412.25 5684.1 6028 6184 6951.1 7215.72 8009.4

35、5 蛋鸡存栏量 /万只 1741.08 1620.43 1701.35 1490.04 1513.87 1022 1050.57 1188.87 1307.56 1129.89 奶牛存栏量 /万头 13.3 16.14 17.61 18.24 15.37 15.03 15.8 15.67 15.79 15.58 羊出栏量 /万头 142.45 143.97 140.11 128.31 60.35 63.88 65.58 66.84 65.97 65.01 畜禽养殖业增加值 / 亿元（原始值） 32.4 38.9 43 43.7 32.3 36 34.8 36.8 41.4 44 注：中国畜牧业

36、年鉴、天津统计年鉴 粪便 TN、 TP 耕地负荷 粪便 TN、 TP 耕地负荷指数主要反映单位耕地面积畜禽排泄物 TN 和 TP 的负载水平。粪便 TN、 TP耕地负荷 （ kg/hm2)计算系数参见表 3.2-4 和表 3.2-5。 相关数据源如下： 表 3.2-4 各类畜禽污染物日排泄系数 Table 3.2-4 all kinds of livestock and poultry pollutants discharge coefficient 单位 :kg/(头 d) 猪 肉牛 奶牛 羊 蛋鸡 肉鸡 肉鸭 粪 2 15.01 26.3 2.6 0.15 0.12 0.13 尿 3.3

37、7.09 13.15 0.66 饲养天数 199 365 365 365 365 55 55 注 :摘自 畜禽养殖业污染治理工程技术规范 (环保部， 2009)； 第一次全国污染源普查畜禽养殖业源产污系数手册 表 3.2-5 畜禽污染物成分表 Table 3.2-5 Livestock and poultry pollution composition table 单位 :kg/t 项目 TP TN 牛 粪 1.18 4.37 尿 0.4 8.0 猪 粪 3.41 5.88 尿 0.52 3.3 羊 粪 2.6 7.5 尿 1.96 14.0 鸡 粪 5.37 9.84 鸭 粪 6.20 11

38、.0 注：全国规模化畜禽养殖业污染情况调查及防治对策（环保部） 3.2.1.5基础数据处理 指标体系中价格类指标评价时，以研究年限的起始年为基准年，消除通货因素的影响。具体 方法如下： L = Ioi X t i + r, 式中， /,为 /年消除通货后的指标值；心为 /年基础数据； G 为 /年相当于基准年的价格，基 23 准年计为 l; r,为 /年的通货膨胀率（相对于上年 ） 。 相关计算数据如下： 表 3.2-6 2003 2012 年通货膨胀率 （ 7p 数值表 Table 3.2-6 The numerical tables of inflation rate (T,) 年份 20

39、03 2004 2005 2006 2007 2008 2009 2010 2011 2012 通货膨胀率 1.2 3.9 1.8 1.5 4.8 5.9 -0.7 3.3 5.4 2.6 3.2.1.6评价指标评价 为了保证构建评价指标体系所需数据的可靠性，结合全部评价指标历史数据的可获取性，本 研究选取 20032012 年的统计数据作为分析天津市畜禽养殖资源环境承载力现状分析的历史数 据。 本文所需数据均来源于天津市统计年鉴、中国农业年鉴、中国畜牧业年鉴、中 国农村统计年鉴、中国统计年鉴、天津市水资源公报、中国农产品价格调查年鉴 以及天津市国民经济和社会发展统计公报。 评价指标体系评价结

40、果见表 3.2-7。 24 表 3.2-7评价指标评价结果 Table 3.2-7 the quantitative results of evaluation index 年份 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 养殖总量 X: 972.92 1020.88 1103.54 1121.22 696.64 716.4 751.93 783.29 786.44 817.93 粪便 TP 耕地负荷 X2 57.32 58.64 62.24 61.09 40.63 39.06 40.97 43.79 44.89 45.37 粪便 TN

41、耕地负荷 X3 178.16 187.05 199.50 197.16 129.82 127.51 132.88 137.39 139.49 141.67 V 类及以下水质河长比重 X4 62 75 88 74 77 70 90 77 89.6 91 单位耕地化肥施用量 X5 0.425 0.550 0.562 0.594 0.636 0.640 0.645 0.640 0.615 0.618 单位耕地农药施用量 X6 60.86 73.61 80.80 82.96 86.75 94.14 94.51 93.30 95.74 96.31 年末实有耕地面积 41.85 41.53 41.45 4

42、1.42 40.6 40.44 40.26 39.88 39.65 39.54 年末实有林地面积 Y2 18.21 18.75 19.05 19.35 18.73 19.64 21.26 20.91 21.19 21.46 地表水资源总量 Y3 6.15 9.79 7.13 6.62 7.5 13.61 10.59 5.58 10.89 9.05* 粮食总产量 Y4 119.29 125.27 137.5 141.9 147.15 148.93 156.29 159.74 161.83 161.76 城市人均 GDP Y5 2.55 2.92 3.54 3.86 4.18 4.79 5.18

43、5.81 6.48 6.90 工业总产值 Y6 2.29 1.68 1.48 1.21 1.07 0.91 0.88 0.71 0.60 0.55 环保投资占 GDP 比重 Y7 3.42 3.09 2.59 2.33 2.88 2.62 2.56 2.57 2.67 2.52 农业产值 /养殖业产值 Y8 2.51 2.39 2.32 2.40 3.13 3.15 3.37 3.62 3.55 3.57 利润率 Y9 333.02 366.56 368.22 362,86 411.72 421.61 391.08 384.31 408.51 406.68 *注 ： 2012年水资源总量统计数

44、值（统计值为 26.54亿 m3)同其它年相比异常 （ 2013年统计数据正常 ）， 该值是天津市常年地表水资源总量数值的 3倍。通过查阅 2012年天津水资源公报得知，导致该统计 数值剧增的原因是 2012年 7月 21日至 7月 30日天津受极端气候影响，发生了 34年以来最大的大暴雨，局部地区特大暴雨的灾害。暴雨期间降水量为 330.2毫米 （ 2012年天津市年降水量 （ 850.3毫米）比常年 平均降水量 （ 574.92毫米）多 275.38 毫米。此次极端气象灾害因素导致地表水资源总量在极短时间内剧增（暴雨情景下，降水更容易转为地表径流），加上期间上游入境洪水量很大，因此其直接表

45、现为洪水 灾 害。根据文献天津 2012 年城乡排沥问题反思与对策，此次洪水来势凶猛，行洪压力大。洪水是难以驾驭的，在成灾的情况下，其被畜禽养殖业作为资源利用的水平很低，短时间内就会行洪排泄入海，对于 畜禽资源环境承载力也无明显的支撑作用。因此不能直接使用该数值，需要剔除异常气候导致的不能为畜禽养殖业资源化的洪水量。同时考虑到超效率 DEA 模型对异常数值比较敏感，因此需要对该值进行修正。 在考虑到没有相关统计数据的前提下，本研宂利用1980年至 2011年天津市年降水量时间序列数据，构建 ARIMA(0, 2, 2)模型对 2012年常规气候情景下的降水量进行预测。再通过降水量与地表水资源总

46、量 之间的关系推算出 2012年常规气候情景下天津市水资源总量值。采用该值进行建模。模型建成后，对该参数在 -30%30%的变化范围内，进行灵敏度分析。结果表明该数值在 -30%30%的变化范围内，对评价 结果的最大干扰率为 0.7%,说明修正成功，该值比原统计值在一定程度上更能反映区域客观的支撑畜禽养殖业的地表水资源状况。预测过程见章节 “4.1.1.3 受外部环境影响的指标 ” 。 25 3.2.1.7评价指标体系建立结果 根据各评价指标的数据，对同类数据进行多重共线性分析。多重共线性分析的目的是观察相 关性较高的指标是否重复表达相同内容。部分指标间相关性即使较强，只要表达不重复，均予以

47、保留（宋福忠， 2011)。 表 3.2-8 污染物排放状况评价指标多重共线性检验结果 Table 3.2-8 the multicollinearity test results of emission of pollutants index 指标 Xi X2 x3 Xi 1.000 0.988 0.993 x2 0.988 1.000 0.996 X, 0.993 0.996 1.000 由表 3.2-8 可知， 环境质量状况评价指标中， 畜禽养殖总量 XI、 粪便 TN 耕地负荷 X2 与粪 便 TP 耕地负荷 X3 存在较强的相关性。但是养殖总量表征畜禽养殖规模，粪便 TN 耕地负荷 X2 与粪便 TP 耕地负荷分别表征实有耕地的氮素和磷素的负载状况，它们所表达的含义不同，因此 均予以保留。 表 3.2-9 污染受纳体状况评价指标多重共线性检验结果 Table 3.2-9 the multicollinearity test results of Pollution ac