纪晓东，薛 晔，薛崇义

(太原理工大学经济管理学院，山西 太原 030024)

中国煤层气储量巨大，埋深2 000 m以浅煤层气地质资源量为36.81×1012m3，如此丰富的煤层气资源如果能够得到合理的开发利用，将缓解资源压力与能源供需矛盾[1]。但是由于中国煤层气开发尚处于发展初期，在大规模发展的同时会对开发区域社会生态环境造成一定的影响，例如在煤层气排采期，伴随着煤层气的釆出水大多具有高矿化度特征，会对区域土壤和植被造成潜在影响[2]。因此，要使煤层气产业长久、稳定、绿色发展，获得最大的经济效益，对煤层气开发社会生态环境风险进行评价就显得较为重要。

目前国内外有关煤层气开发过程中对社会生态环境影响的研究主要涉及到自然环境与经济两个方面。李沿英等[3]以沁水盆地郑庄区块煤层气开采区为例，结合煤层气开发工序，对其潜在的生态环境影响进行定量分析，认为煤层气开采会对地下水、土壤、植被等造成不同程度的影响；帅官印等[4]对煤层气不同的开采方式与施工中不同阶段对地下水环境产生的影响进行分析，并针对如何更好地保护地下水环境提出了相关建议；裴亚托等[5]基于PSR模型建立煤层气开发生态系统评价指标体系，并运用AHP评价表明：煤层采出水、钻井废液、土地资源与植被的受损严重影响着生态环境。杨永国等[6]从系统的角度出发，采用模糊数学方法对煤层气项目经济风险进行评价；VANORSDALE[7]通过情景分析法对煤层气资源储量、盈利管理、财务状况三者的联系进行分析，并对煤层气开发经济风险进行评估；SENTHIL[8]运用Monte-Carlo和Hypercube模拟方法将经济风险因素分析与评价相结合，实现了对煤层气财务经济的有效评价；SUN等[9]基于灾害系统理论对煤层气开发中生态环境风险因素进行分析，并建立生态环境风险评价指标体系；XUE等[10]在改进的指标体系基础上，运用直觉模糊集对不确定风险信息进行描述，并通过Mandani直觉模糊神经网络确立了煤层气开发中生态环境风险评估模型。

综上，有关煤层气开发风险评价的研究大多数集中在经济领域，范围有限，且现有评价方法对风险因素之间相互作用关系的研究较少，没有充分体现煤层气开发风险的动态性，以及各个因素之间的关联性，鉴于此本文首先针对传统模糊认知图(FCM)模型中获取指标间相关关系与关联矩阵难度大、主观性强的缺陷，将ISM的可达矩阵算法、三角模糊数引入FCM模型中，并通过非线性Hebbian学习算法进行权值优化，以此确立更为全面稳定的模糊认知图模型，最后以沁水盆地郑庄区块煤层气开发区为例，结合模型推理机制进行风险评价。

1 研究方法

1.1 ISM的可达矩阵算法

图1 操作步骤流程Fig.1 Operation step flow

1.2 模糊认知图

本文在FCM中综合考虑指标间的直接关系与间接关系，并通过非线性Hebbian学习算法对关联矩阵进行优化，以确立改进后的FCM模型，即WTFCM模型。

(1)

(2)

WTFCM模型中指标节点初始状态值AG(0)通过变换函数f进行迭代，当陷入固定点状态或者处于极限环状态，则迭代过程结束，系统处于稳定状态。

2) WTFCM模型权值优化算法。将非线性Hebbian学习算法应用到FCM中，求取最优关联矩阵，此时式(1)变为式(3)。

(3)

(4)

①输出节点状态值与目标平均值间差异最小化，即式(5)。

(5)

②当输出节点ci相邻时刻状态值之差小于ε时，系统处于稳定状态，即式(6)。

(6)

式中，ε为保证F2尽量小的容忍值，当①、②都满足时权值即为最优。

2 基于WTFCM的煤层气开发社会生态环境风险评价

2.1 指标节点量化及确定

SHI等[12]指出社会生态系统由社会、经济、制度和生态四个子系统组成；熊军等[13]认为社会风险是一种危及社会稳定和秩序，并存在引发社会冲突的可能性。本文基于此并借鉴页岩气开发社会风险指标[14]，针对XUE等[10]改进后的煤层气开发生态环境风险评价指标体系增加指标：相关政策法规的落实程度、拆迁安置程度与公众满意度，最终确立指标体系见表1。

表1 煤层气开发社会生态环境风险评价指标体系Table 1 Evaluation index system of social ecological environment risk in coalbed methane development

2.2 评价指标体系节点初始状态值的确定

1) 定量指标节点。各个定量指标节点量纲和数量级不同，因此需对其进行无量纲化，将数值转换在区间[0,1]上。正向指标节点见式(7)，负向指标节点见式(8)。

(7)

(8)

式中：A+、A-分别为对应正向、负向指标节点的实际值；Amax、Amin分别为国家规定的标准，相关参照值、实际调研数据或常规经验上限值与下限值。

表2 量化规则Table 2 Quantitative rule

对N位专家意见进行整合见式(9)，最后基于模糊概率和期望值的解模糊化方法进行处理，见式(10)。

(9)

(10)

2.3 基于可达矩阵的指标节点相关性的确定

传统FCM模型获取指标节点间关系主观性强，且只考虑指标节点间的直接关系，势必影响评价结果的准确性，因此本文将ISM的可达矩阵算法引入，以确定指标间是否存在关系。

1) 确定三级指标节点之间是否存在直接关系，建立W1(3)见式(11)。

(11)

2) 基于W1(3),通过ISM的可达矩阵算法计算得到W2(3),见式(12)。

(12)

以W2(3)为依据，对相应指标进行关联关系正负性的判断，绘制模糊认知图模型。

2.4 基于三角模糊数的关联矩阵确定

为降低传统FCM模型关联矩阵获取难度大的特点，本文将三角模糊数法引入WTFCM模型中计算指标权重，采用权重比公式获取关联矩阵。

1) 确定指标节点权重w。由于三角模糊数法较为常见，具体步骤本文不作额外赘述，可参考文献[15]所示步骤计算指标节点权重值。

2) 建立W3。以2.3部分模型为依据，采用权重比公式获取W3,即w3(i→j)=wci/wcj，且对角线元素为0。

3) 求取标准化矩阵W(0)。运用式(13)对W3进行标准化。

W(0)=s×W3

(13)

式中，s为W3中各行元素之和最大值的倒数。

2.5 风险评价及分级

为进一步降低FCM模型主观性强的缺点，将非线性Hebbian学习算法引入，对W(0)进行优化，通过WTFCM模型进行风险评价。

2) 风险评价及分级。根据AG(final)中R值对风险进行分级，风险评价等级量化表本文借鉴国家标准、地方标准和行业标准进行划分[16]，见表3。

表3 风险评估等级量化表Table 3 Risk assessment grade quantization table

3 案例分析

3.1 指标节点初始状态值的确定

由于数据的可获得性与区域的代表性，本文选取沁水盆地郑庄区块煤层气开采区为研究对象，定量指标数据通过山西省环境保护厅查询沁水煤层气田郑庄区块北部8亿m3产能建设项目环境影响报告书及相关文件，并结合研究区实际情况确定；定性指标通过咨询煤层气行业相关专家，对其采用模糊语言变量进行描述。定量指标计算公式见指标释义[10]，首先对于收集到的定量指标数据据对应公式进行计算，定性指标据式(9)进行计算，结果见表1基础数值，其次定量指标据式(7)和式(8)进行标准化，定性指标据式(10)进行标准化，得指标标准化数值，即AG(0)=(0.325,0.500,0.576,0.250,0.873,0.500,0.422,0.616,0.576,0.325,0.770,0.250,0.545,0.182,0.496,0.348,0.576,0)。

3.2 基于三角模糊数的关联矩阵确定

1) 以XUE等[9]基于灾害系统理论对煤层气开发生态环境风险因素的分析为基础，结合煤层气开发工序、产污环节与相关文献研究成果[17]，确定指标节点是否存在直接关系，并根据式(11)和式(12)进行计算，最终绘制模糊认知图模型(图2)。

图2 煤层气开发社会生态环境风险模糊认知图模型Fig.2 Fuzzy cognitive map model of social ecologicalenvironment risk in coalbed methane development

2) 根据三角模糊数法计算得三级指标权重w依次为：w=(0.023,0.038,0.079,0.029,0.046,0.070,0.086,0.127,0.043,0.034,0.041,0.078,0.105,0.027,0.042,0.076,0.058)。

3) 首先通过试错法确定η=0.01、γ=0.95,阈值函数通常令λ=1，即f(x)=1/1+e-x,其次输入AG(0),结合式(13)，通过Matlab软件进行仿真迭代，最终得到W(final),见式(14)。

W(final)=

3.3 评价结果分析

根据AG(0)、W(final),得AG(final)=(0.615 4,0.681 9,0.668 5,0.659 0,0.669 3,0.634 3,0.6404,0.643 7,0.659 9,0.659 0,0.666 6,0.646 0,0.659 0,0.661 7,0.683 7,0.666 0,0.676 4,0.644 0,0.664 1)，其迭代变化过程见图3。由图3可知，从指标节点状态值的迭代变化过程来看，在煤层气开发的不同时期，对社会生态环境风险有重要影响的因素也不尽相同，在煤层气开发前期，大气主要污染物最大地面浓度占标率、煤层气资源暴露程度、林草覆盖率指标状态值较高，说明其对社会生态环境风险影响较大，其中大气主要污染物最大地面浓度占标率状态值最大，表明在煤层气开发前期造成的大气污染较为严重，应对氮氧化物、二氧化硫等主要大气污染物浓度给予重点监控；随着煤层气开发过程的进行，生产机械化程度、职业病发生率、人员伤亡率状态值迅速增加且高于其他指标状态值，说明其对社会生态环境风险影响加剧，其中生产机械化程度状态值最高，因此在煤层气开发中期，应对生产机械化程度予以重视；在煤层气开发后期，经济损失比、拆迁安置程度指标状态值迅速上升且高于其他指标状态值，其中经济损失比状态值最高，对社会生态环境风险影响最大，是预防管理的重点。

图3 煤层气开发社会生态环境风险因素状态值变化过程Fig.3 Change process of value of social ecologicalenvironment risk factors in CBM development

从指标节点稳定状态值来看：风险值R为0.664 1，根据表3可知R介于0.6～0.79之间，因此郑庄区块煤层气开发社会生态环境风险等级为中，属于可控范围；此外经济损失比、生产机械化程度、人员伤亡率、大气主要污染物最大地面浓度占标率状态值较高，对社会生态环境风险影响较大，而经济损失比是影响最大的因素。

整体来看，除大气主要污染物最大地面浓度占标率、煤层气资源暴露程度外，其他指标在相互影响下均呈上升趋势，其中林草覆盖率、相关政策法规的落实程度、公众满意度状态值在较短时间内趋于稳定且状态值较低，说明在煤层气开发过程中风险状态良好，而生产机械化程度、机械设备的可靠性、大气主要污染物最大地面浓度占标率、经济损失比、人员伤亡率指标状态值在整个煤层气开发过程中相对较高，对社会生态环境风险影响较大。

3.4 与已有模型对比分析

为验证改进后的WTFCM模型是否可行，将FCM模型、经过非线性Hebbian学习算法的TFCM模型、引入全关系矩阵的WFCM模型与WTFCM模型的评价结果进行对比，各模型评价结果见图4，对应的标准差σ、变异系数cv见表4。

由图4与表4可知，在评估质量方面：TFCM模型与FCM模型相比，σ、cv均较小，说明通过非线性Hebbian学习算法，可以使指标节点之间的状态值差距变小，模型评价结果更加准确；WFCM模型与FCM模型相比，σ、cv同样较小，但相比TFCM模型数值差距更大，证明同时考虑指标间的间接关系与直接关系，可使模型评价结果更加准确，且优于TFCM模型的评价结果；WTFCM模型与WFCM模型相比，σ、cv较小，说明将非线性Hebbian学习算法、ISM的可达矩阵同时引入是可行的，所得评价结果优于FCM模型、TFCM模型、WFCM模型的评价结果。稳定性方面：TFCM模型与FCM模型相比，其状态值连线波动较小，说明通过非线性Hebbian学习算法对权值进行优化，使评价结果变得更加稳定；WFCM模型与FCM模型相比指标状态值连线波动幅度明显变小，效果显然优于TFCM模型，因此引入ISM的可达矩阵可较大程度上使模型评价结果更加稳定，同时也进一步证明WTFCM模型即将非线性Hebbian学习算法、ISM的可达矩阵同时引入是可行的，所得结果稳定性更强。

图4 模型评价结果对比Fig.4 Comparison of model evaluation results

表4 模型评价结果对比Table 4 Comparison of model evaluation results

4 结 论

本文首先将ISM的可达矩阵、三角模糊数引入FCM模型中，并通过非线性Hebbian学习算法进行权值优化，最后以郑庄区块煤层气开采区为研究对象，结合模型推理机制，对该区域进行了仿真评价，得出以下结论。

1) 通过仿真迭代，当系统处于稳定状态时可以得出郑庄区块煤层气开采区社会生态环境风险值为0.664 1，风险等级为(3级)中，属于可控范围，经济损失比、生产机械化程度、人员伤亡率、大气主要污染物最大地面浓度占标率对社会生态环境风险影响较大。

2) 从整个煤层气开发过程来看，林草覆盖率、相关政策法规的落实程度、公众满意度风险状态良好，而生产机械化程度、机械设备的可靠性、大气主要污染物最大地面浓度占标率、经济损失比、人员伤亡率指标对社会生态环境风险影响较大，其中大气主要污染物最大地面浓度占标率、生产机械化程度、经济损失比分别为煤层气开发前期、中期、后期对社会生态环境风险影响最大的因素，需在相应阶段予以重点关注。

3) 改进的模糊认知图方法降低了关联矩阵的获取难度，以及指标间关系是否存在的主观性，通过与FCM模型、TFCM模型、WFCM模型评价结果对比发现，WTFCM模型评价结果更加稳定准确，清楚地展示了煤层气开发社会生态环境风险指标及其关联关系。