加载中...
Exploring the driving mechanism and scenario prediction of the spatialtemporal pattern of resilience of urban agglomerations in the middle reaches of the Yangtze River
作为区域经济发展的核心引擎，科学评估城市韧性对于增强区域可持续性和应对不确定性风险至关重要。本研究构建了一个五维框架来重新诠释城市韧性的内涵，并通过时空演化分析揭示了长江中游城市群城市韧性的时空分异特征，精准识别了空间脆弱区域。此外，我们开发了一种可解释的机器学习模型来识别关键驱动因素，并模拟不同情景下的城市韧性发展路径。结果表明：（1）2008年至2023年，长江中游城市群的城市韧性水平年均增长率为10.02%，呈现显著上升趋势。空间结构呈现出以武汉、长沙、南昌为核心的核心-外围层级，东西方向呈双峰分布，南北方向呈峰谷格局。（2）在城市韧性的五个子系统中，社会韧性增长最快，增长率为11.68%，而生态韧性滞后，增长率仅为1.02%。（3）创业活力、产业结构高级化和人力资本水平是提升城市韧性的核心驱动力，而外贸依存度和降雨量则呈现负面影响。（4）在创新驱动情景下，城市韧性水平将显著提升，而外贸优化情景效果最弱。本研究为全球类似城市群的规划与差异化韧性提升策略的制定提供了科学参考。
Abstract
As a core engine of regional economic development, the scientific evaluation of Urban Resilience (UR) is crucial for enhancing regional sustainable and addressing uncertain risks. This study constructs a five-dimensional framework to reinterpret the connotation of UR and reveals the spatiotemporal differentiation characteristics of UR in the Middle Reaches of the Yangtze River Urban Agglomeration (MRYRUA) through spatiotemporal evolution analysis, precisely identifying spatially vulnerable areas. Additionally, we develop an interpretable machine learning model to identify key driving factors and simulate UR development pathways under different scenarios. The results indicate: (1) From 2008 to 2023, the UR level of MRYRUA showed an average annual growth rate of 10.02%, exhibiting a significant upward trend. The spatial structure exhibits a core-periphery hierarchy centered on Wuhan, Changsha, and Nanchang, with a bimodal east-west distribution and a peak-valley north-south pattern. (2) Among the five sub-systems of UR, social resilience grew the fastest, with a growth rate of 11.68%, while ecological resilience lagged behind, with a growth rate of only 1.02%. (3) Entrepreneurial activity, industrial structure advancement, and human capital level are the core drivers for improving UR, whereas foreign trade intensity and rainfall exhibit negative impacts. (4) Under the innovation-driven scenario, the UR level will significantly improve, while the foreign trade optimization scenario shows the weakest effect. This study provides scientific insights for urban planning and the development of differentiated resilience enhancement strategies for similar urban agglomerations globally.
长江中游城市群韧性水平显著提升，但生态韧性滞后。
2008-2023年，长江中游城市群韧性水平年均增长率达10.02%，呈显著上升趋势。五个子系统中，社会韧性增长最快（11.68%），生态韧性增长最慢（1.02%），其贡献率下降，成为区域韧性提升的短板。
创业活力、产业结构高级化、人力资本是提升城市韧性的核心驱动力。
通过XGBoost-SHAP模型识别，创业活力（28.3%）、产业结构高级化（17.2%）和人力资本（15.6%）贡献率最高，其增长能显著促进城市韧性的非线性提升。
外贸依存度和降雨对城市韧性呈现负向影响。
外贸依存度（13.9%）和降雨量（2.0%）为负向驱动因素。外贸依赖加剧外部风险传导；而作为季风气候区的城市群，极端降水引发内涝等灾害，威胁基础设施和居民安全。
创新驱动情景下城市韧性提升效果最显著。
情景预测结果显示，创新驱动发展（S1）情景下，2024-2035年韧性水平年均增长率最高（5.51%），显著高于外贸优化（S2，1.46%）和均衡发展（S4，2.89%）情景，为区域韧性建设指明方向。
核心解释变量
核心解释变量：创业活力（EAL）、产业结构高级化（ISC）、人力资本水平（HCL）、研发创新水平（RIL）、外贸依存度（FTI）、城市规模（SC）、金融发展水平（FDL）、社会保障水平（SSL）、自然调节因子（NRF）
被解释变量
被解释变量：城市韧性综合指数（UR），基于经济-社会-生态-基础设施-制度五维框架、26个指标，采用CRITIC-熵权法测算
样本与数据
长江中游城市群31个地级市2008-2023年面板数据，数据来源于《中国城市统计年鉴》、各省统计年鉴、CnOpenData平台专利数据、NASA及国家空气质量监测站等
识别方法 / 模型设定
基于XGBoost机器学习模型与SHAP值分解识别各驱动因素的非线性效应与贡献度
内生性及稳健性检验
通过对比BP神经网络、随机森林、支持向量机、多元线性回归和岭回归，验证XGBoost模型具有最高的预测精度和拟合优度，并进行了VIF检验与Pearson相关性检验以排除多重共线性问题