合肥市非空间脆弱性指数值的动态预测模型及演化趋势分析

在得到最终的合肥市非空间脆弱性动态演化的预测模型后，下面就可以对未来若干年的非空间脆弱性指数值进行预测，从而为制定调控对策提供科学的决策依据。

首先，根据六个主要测度指标在1998—2012年中的变化对其2013—2017年的数值进行预测，从而得到利用RBF神经网络进行预测时的输入变量值。对六个单一指标的预测采用时间序列分析中的指数平滑法，具体来说，就是分别对每个指标进行基于线性趋势、指数趋势和衰减趋势的指数平滑预测建模，再从中优选出用于预测的模型。选取标准是残差平方和（SSE）尽可能小，同时预测结果要符合逻辑。最终的预测模型要同时满足这两个条件，由此获得该指标在2013—2017年这五年中的预测值。这样，利用指数平滑法得到六个主要测度指标在2013—2017年中的预测值如表4－20所示。

其次，利用上述训练好的RBF神经网络模型，以六个主要测度指标在2013—2017年中的预测值作为网络输入变量值，由此得到这五年合肥市非空间脆弱性指数的预测结果，详见表4－21。同时，1998—2017年的合肥市非空间脆弱性指数的动态演化态势如图4－17所示。

表4－20　六个主要测度指标的预测结果

表4－21　合肥市非空间脆弱性指数预测结果(www.xing528.com)

图4－17 1998—2017年合肥市非空间脆弱性动态演化图

根据表4－21和图4－17可知，2013年合肥市非空间脆弱性指数的预测值为0.453 3，比2012年的实测值0.443 8略有增加。2014—2017年的预测值逐年减小，直至2017年的预测值最小为0.043 9。其中，2015年的预测值为0.284 3，其与1998—2012年实测值中的最小值0.276 8（2010年）相差0.007 5，呈基本持平状态，此即意味着：行政区划调整后，尽管由于巢湖市、庐江县和原合肥市存在发展差异而导致新合肥市的非空间脆弱性指数突变增大，但只要六个主要测度指标能保持目前的发展趋势和比例结构，那么合肥市非空间脆弱性指数将在2015年重新回到区划调整前（2010年）的水平和状态。

本节技术方法的基础是指数平滑法，没有基于指数平滑法的六个主要测度指标在2013—2017年中的预测值，也就没有基于RBF神经网络的非空间脆弱性动态预测模型的预测结果。但需说明的是，指数平滑法尽管是预测研究领域中被应用最多的一种方法，但也有技术方法上的优点和不足。指数平滑法是在移动平均法的基础上发展起来的一种时间序列分析预测法，兼容了全期平均和移动平均两种预测方法的优势，即使数据序列的样本个数较少时，也能预测得到所需要的结果。虽然指数平滑法不舍弃过去远期的数据，但仅给予逐渐减弱的比重，即赋予远期数据较小的比重和近期数据较大的比重，所以其在进行短期、近期（如常用的1—3年）预测时的精度较高，而对于中长期的预测精度则存在一定的不确定之处。因此，对于合肥市非空间脆弱性指数预测来说，2013—2015年的预测值具有更大的可信度，而2016年和2017年的预测值则可作为一个中长期的参考。