最新初稿.doc

水资源短缺风险综合评价 摘要：水资源短缺 本文主要对北京市水资源短缺风险进行了研究，首先对问题一 问题背景 北京是世界上水资源短缺的大城市之一，行政区总面积平方米，截止截止年总人口已达万人，可利用的水资源约亿立方米。北京市地处华北平原北端，属于半干旱季风气候，天然水资源有限，年降雨量左右，且年际、年内变化大，地区差异显著。随着城市规模不断扩大，人民生活水平逐年提高，城镇需水量日益增长，水资源供需矛盾突出，北京市已经成为严重缺水的城市人均水资源占有量不足立方米，目前的年用水量已达到多年平均用水量，是世界人均占有量的，远远低于国际公认的人均立方米的下限。同时，北京市还面临上游地区水环境污染、水土流失、来水量减少等十分严峻的形势。北京地区水资源紧缺将是制约社会经济发展的关键因素。为了增强水资源利用的合理性，支持首都社会经济的可持续发展，应采取有效措施，广泛地开源、节流，挖掘水资源潜力，实现北京市水资源总体上的供需平衡。 模型结合北京市水资源紧缺的状况，通过收集相关数据提出影响水资源短缺的主要风险因子，并且对这些风险因子做了综合评价，从而对分析北京供水与需水状况提供可靠依据。 问题分析 对于问题一，要判定出北京市水资源短缺风险的主要风险因子。首先要找出造成水资源短缺的因素，我们主要从来水和用水两方面来分析；其次找到合适的筛选方法；最后通过数据分析，找出水资源短缺风险的主要风险因子。 模型的假设 （1）假设《北京水资源公报》中的数据真实可靠。 （2）假设气候条件中的降水量是造成水资源短缺风险的主要因素，而诸如水蒸发量、气温、冰雪等气候条件不会造成水短缺风险。 4. 符号说明 第年对第个因素的值。 第个因素的样本标准差。 第个因素的样本均值。 第个因素对应的特征值。 第个因素对应的特征向量。 累计贡献率 主因子载荷矩阵 第个因素，其中，具体表示的因素如下表： 5.模型的建立与求解 5.1问题一的模型的建立 5.1.1算法分析 风险识别是研究水资源风险的一项基础工作，它是指对水资源系统所面临的以及潜在的风险源和风险因子加以判断、归类的过程，也就是要找出风险之所在和引起风险的因素，因此，我们根据相关资料将导致水资源风险的可能性因子，采用事故树法将其按供水与需水风险得到如下辨识图： 通 通过对水资源短缺风险因素的分析,我们建立起相应的风险指标体系。如图上图所示,该指标体系共由17个指标组成。 众所周知，识辨系统在一个低维空间要比在一个高维空间容易得多，主成分分析是在力保数据信息丢失尽可能少的原则下，对高维变量空间进行降维处理的有效方法之，然而，主成分分析有三大不足之处： 其一、计算量大。这是因为在对随机向量 的主成分分析中，必须用到 的协方差阵的全部特征值和对应的特征向量，这些量通常是对用迭代法计算得到，这在很大(如)时其计算量是惊人的，且当 “病态” 严重（即变量多重相关性突出）时，其迭代收敛速度慢，计算误差（即舍入误差）可能大，致使计算结果不可信。 其二、由于主成分是的分量的线性组合，这使得在一个问题中所求主成分只有极少数有解释意义，而多数主成分很难对原变量作出合理的解释，这是不争的事实。 其三、当变量多重相关性突出时，一些主成分将会过分地夸大某些因素的作用，歪曲真实的数据信息，无法客观地反映原变量的统计特征。 鉴于以上分析，本文先通过SPSS软件对影响水资源短缺的各类因素进行相关性分析，分析各指标之间是否存在多重相关性。若指标之间存在多重相关性则故为了避免主成分分析的不足，得到更为合理的结论，我们利用矩阵的扫描运算，从中直接选择部分变量，即通过主变量筛选方法筛选出主要的变量，用这些主变量来反映的统计特性，以达到对高维变量空间降维处理的目的，同时又克服类似于主成分分析中的缺陷。之后，再对这些主变量进行相关性分析，得到变量之间相关性不大，这时，可以通过主成分分析，最终筛选出主要的风险因子。 5.1.2预备知识 4.2.1、定义 设，，定义一个新的方阵，其中 ，，，，，，， 则称由和的这种变换为以为枢元的扫描运算（或运算），记为. 引理1： 对于矩阵, 若以上运算能施行，则，. 对于矩阵, 若是 的行(列)形成的子块矩阵, 是其余的行(列)形成的子块矩阵, ,分别对应于的, 阶子块矩阵. 引理2: 若以上运算能施行，则的结构(是对应于的分块)为 ，, (1) (2) 若随机向量的期望，协方差阵，且有如前的分块形式，的分量的相应分块记为 ,