长江流域水资源利用效率时空动态与情景优化：基于超效率EBM-APSO-LightGBM-CMOPSO的测量-预测-优化框架

《Sustainability》：Spatiotemporal Dynamics and Scenario Optimization of Water Resource Utilization Efficiency: A Measurement-Prediction Framework for the Yangtze River Basin

　　

改善水资源利用效率对于在大河流域平衡经济发展、资源节约和环境保护至关重要。研究人员构建了一个面向长江流域11个省级区域2010—2023年的测量—预测—优化（measurement–prediction–optimization）框架。采用含非期望产出（undesirable outputs）的超效率EBM（epsilon-based measure）模型测量效率并识别时空格局。开发自适应粒子群优化（APSO）–LightGBM模型进行效率预测，并使用SHAP（SHapley Additive exPlanations）解释关键驱动因素。采用约束多目标粒子群优化（CMOPSO）模型优化固定资产投资、劳动投入和总用水量。结果表明，全流域效率从2010年的0.269上升至2023年的0.732，呈现下游引领、上游追赶和中游分化。APSO-LightGBM模型获得测试R²为0.894和RMSE为0.093，GDP、废水排放和总用水量为主要贡献因素。优化为所有154个观测值生成了可行解，将平均预测效率从0.410提高至0.435，同时使固定资产投资、劳动投入和用水量分别降低4.26%、1.81%和6.88%。敏感性分析表明，资源调整取决于解选择阈值和经验边界，尤其是投资和就业。结果描述了条件性投入节约机会，而非直接可达的政策目标。

论文解读：长江流域水资源利用效率的测量—预测—优化框架

研究背景与问题：水资源利用效率对大河流域平衡经济发展、资源节约和环境保护具有重要意义。已有研究从传统DEA（data envelopment analysis，数据包络分析）发展到考虑非径向松弛、尺度差异和非期望产出的EBM（epsilon-based measure）等方法，并在长江流域和长江经济带开展效率测度、区域差异、动态演化及影响因素分析。但既有研究多集中于静态效率评价、时空特征描述或影响因素事后解释，较少关注前瞻性效率预测及其与最优资源配置的整合；机器学习多用于驱动因素识别，较少直接用于效率预测并嵌入资源分配优化；效率测度、影响因素识别和资源优化常分开，优化与效率评估联系有限。研究人员据此构建测量—预测—优化框架，以连接效率评价、预测与资源配置。

主要技术方法：研究区域为长江流域11个省级决策单元（DMU，decision-making unit），样本为2010—2023年154个省份—年份观测。数据来自中国统计年鉴、中国水资源公报、中国城市建设统计年鉴、中国城乡建设统计年鉴及11省市区统计年鉴。投入为固定资产投资、就业人数、总用水量；期望产出为GDP（gross domestic product）；非期望产出为废水排放。方法包括含非期望产出的超效率EBM、APSO（adaptive particle swarm optimization，自适应粒子群优化）–LightGBM预测模型、SHAP解释、CMOPSO优化，并以CRITIC（criteria importance through intercriteria correlation）确定资源压力权重。

研究结果：3.1 水资源利用效率时空演变：通过超效率EBM测度，2010—2023年长江流域效率总体上升，年均EBM效率从0.2695升至0.7317；2010—2015缓慢改善，2016—2018稳定增长，2019后更快。区域分层为下游最高且增长较大，中游2018后追赶，上游较低但稳定增长，空间呈“下游引领、中游分化、上游追赶”。2010—2023平均效率下游0.5757，高于上游0.3615和中游0.3214；2023下游0.9012、上游0.7755、中游0.4892；云南、上海、江苏2023效率超过1。差异机制需额外解释变量。

3.2 基于APSO-LightGBM的预测与模型解释：3.2.1 预测性能中，与OLS、默认LightGBM、Random Forest、XGBoost比较，APSO-LightGBM测试R²=0.8939，RMSE=0.09342，训练测试R²差0.0072，MAE训练0.037、测试0.057。3.2.2 SHAP特征重要性排序为GDP > 废水排放 > 总用水量 > 就业人数 > 固定资产投资，GDP占32.8%；高GDP一般正贡献；废水排放和总用水呈非线性；就业和投资贡献较低。3.2.3 SHAP依赖与非线性中，GDP平滑曲线上升，零交叉约CNY 28,552.91亿元；废水零交叉约186,092.42千吨；总用水零交叉约198.02亿m³后下降；就业约单峰，零交叉约2679.95千人；固定资产投资约U形，贡献在约CNY 38,607.22亿元附近转正。这些为近似零交叉，非因果阈值。

3.3 基线最优资源配置结果：通过APSO-LightGBM-CMOPSO耦合优化，154个省份—年份观测均获可行解。平均基线预测效率0.410，优化后0.435，绝对增益0.025，相对约6.01%；119个观测预测效率上升，35个基本不变，无下降。固定资产投资、劳动投入、总用水量平均下降4.26%、1.81%、6.88%；复合资源压力优化值0.961，下降约3.92%。结果表示模型情景内潜在改进。

3.4 优化结果比较分析：3.4.1 优化前后空间比较中，上中下游优化前平均预测效率0.3595、0.3282、0.5761，优化后0.3798、0.3580、0.6028，增益0.0203、0.0298、0.0267；中游平均改善最大。安徽、四川、湖北增益0.0482、0.0481、0.0457；江西0.0330、云南0.0248；西藏、青海、上海0.0023、0.0085、0.0104。3.4.2 投入调整方向比较中，固定资产投资、劳动、总用水下降观测数分别为127、150、148，不变各1，增加26、3、5。平均变化?4.26%、?1.81%、?6.88%。就业调整受搜索范围强烈影响，154代表解中136个（88.31%）达到各自就业下界，143个（92.86%）位于或高于下界0.10个百分点以内；75%、100%、125%搜索边界下平均就业调整为?1.38%、?1.81%、?2.25%，因此不是独立估计的劳动冗余目标。

3.5 敏感性与稳健性分析：评估经验搜索边界宽度（75%、100%、125%）、效率保留阈值（90%、95%、99%）、GDP或废水排放±5%局部输出扰动。所有情景154观测均获可行代表解。75%、100%、125%边界下平均预测效率增益0.017、0.025、0.028，WRRI（weighted relative resource-input index，加权相对资源投入指数）为0.967、0.961、0.953。更严格效率保留提高平均预测效率但提高WRRI；投资尤其敏感，平均减少从90%保留的5.50%到99%保留的0.46%；就业和水保持负号但幅度变化。95%为中间权衡。局部输出扰动下平均预测效率改进约0.024—0.026，WRRI为0.960—0.962；GDP和废水不是决策变量。

3.6 讨论：3.6.1 方法优势与适用性中，框架将效率评估与替代资源配置评价连接；超效率EBM分数作为APSO-LightGBM目标，CMOPSO评估候选投入组合，符合代理优化原则。敏感性测试区分广泛方向稳定与精确调整幅度稳定；就业调整常达经验下界，投资减少幅度在99%保留阈值时变化大。结论支持在检验搜索边界、输出设置和选择阈值内的条件优化机会。结果与SDG（Sustainable Development Goals）目标6.4相关，不构成SDG指标6.4.1或水压力变化的直接估计；也提供目标6.5情景信息。Biedunkova et al.强调水化学参考条件，效率导向分配应结合独立水质证据；废水固定且污染物浓度与处理性能未建模，未证明目标6.3进展。3.6.2 局限与未来方向中，省级行政单元DMU与流域边界不重合，尤其西藏、云南，观测可能包括流域外活动；结果应解释为与长江流域相关的选定省级行政单位比较，非严格水文流域估计。GDP和固定资产投资未换算不变价，跨期变动混合数量与价格变化，限制跨年效率变化解释。随机80/20分割可能同省不同年份同时进入训练和测试，导致乐观性能估计。CMOPSO依赖历史经验边界、投入比约束和效率要求，实际系统还受气候变异、生态需水、财政约束、跨区域调水政策影响，未来可纳入鲁棒优化、随机规划、动态情景分析。APSO-LightGBM用与EBM相同五变量预测效率，SHAP解释预测贡献非因果；优化结果为模型情景非政策结果。技术进步、产业升级、生态条件未显式建模。GDP和废水固定限制条件投入调整情景，不应解释为投入、经济产出和环境结果联合优化。

3.7 政策含义与实践价值：优先改善投入组合；基线情景平均预测效率0.4100到0.4347，复合资源压力下降3.92%，平均WRRI降至0.961，表明条件投入节约配置范围。差异化区域措施：上游考虑生活用水和生态流量；中游如湖北关注投入结构；下游安徽结构，江苏上海技术管理。协调节水与经济和污染管理，但GDP和废水固定，改变经济产出或废水的政策效果需单独评估。

研究结论翻译：研究人员整合超效率EBM测量、APSO-LightGBM预测和CMOPSO情景优化，分析154个省份—年份观测（11个区域，2010—2023）。主要发现：全流域平均效率从2010年0.269增至2023年0.732，区域异质性持续：下游相对较高，上游追赶，中游分化。APSO-LightGBM随机分割测试R²=0.894、RMSE=0.093；GDP、废水排放和用水量是SHAP最强贡献，表示预测关联非因果。在GDP和废水固定及基线选择设置下，154个省份—年份观测均产生可行代表配置；平均预测效率从0.410升至0.435，投资、就业和用水平均变化为?4.26%、?1.81%、?6.88%；平均WRRI为0.961。敏感性分析表明代表解阈值影响资源调整，尤其投资；154个基线解中136个（88.31%）达到就业下界。配置结果量化条件性、边界依赖的投入节约潜力，而非直接可实现政策目标。