EN中文

地理学报 >

2021 , Vol. 76 >Issue 7: 1778 - 1791

DOI: https://doi.org/10.11821/dlxb202107015

土地利用与地表过程

农业旱灾综合风险防范多主体共识定量研究——以湖南鼎城区为例

  • 吴瑶瑶 , 1, 2 ,
  • 江耀 2 ,
  • 郭浩 2, 3 ,
  • 王静爱 , 2, 4, *
展开
  • 1.应急管理部国家减灾中心,北京 100124
  • 2.北京师范大学地理科学学部,北京 100875
  • 3.浙江师范大学地理与环境科学学院,金华 321004
  • 4.青海省人民政府—北京师范大学高原科学与可持续发展研究院,西宁 810008
王静爱(1955-), 女, 河北定州, 硕士, 教授, 主要从事自然灾害风险研究。E-mail:

吴瑶瑶(1991-), 女, 福建宁德, 博士, 助理研究员, 主要从事自然灾害风险与凝聚力研究。E-mail:

收稿日期: 2020-09-29

  要求修回日期: 2021-05-10

  网络出版日期: 2021-09-25

基金资助

国家自然科学基金项目(41671501)

国家重点研发计划(2016YFA0602402)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Quantifying the consensus of multi-stakeholders on integrated risk governance of agricultural drought: Taking Dingcheng, Hunan, China as a case study

  • WU Yaoyao , 1, 2 ,
  • JIANG Yao 2 ,
  • GUO Hao 2, 3 ,
  • WANG Jing'ai , 2, 4, *
Expand
  • 1. National Disaster Reduction Center of China, Ministry of Emergency Management, Beijing 100124, China
  • 2. Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
  • 3. College of Geography and Environmental Sciences, Zhejiang Normal University, Jinhua 321004, Zhejiang, China
  • 4. Academy of Plateau Science and Sustainability, People's Government of Qinghai Province & Beijing Normal University, Xining 810008, China

Received date: 2020-09-29

  Request revised date: 2021-05-10

  Online published: 2021-09-25

Supported by

National Natural Science Foundation of China(41671501)

National Key Research and Development Program of China(2016YFA0602402)

Copyright

Copyright reserved © 2021
Fold

摘要

全球气候变化背景下,干旱呈现加重趋势,加强旱灾风险防范对区域农业可持续发展具有重要意义。不同主体的共识程度会影响旱灾风险防范效果,因此,开展旱灾风险防范多主体共识定量化研究,有助于加深主体间合作抗旱机制的认识。本文从“认知—情感”维度出发,同时考虑主体情感积极程度,构建了共识指标体系和基于“距离”的模型,定量了湖南省鼎城区政府、乡镇政府、村委、农户和涉农企业等不同主体在旱灾风险防范上的共识。主要结论为：① “认知”共识中,各组主体在各项指标上的共识平均值呈现应急理解度>备灾理解度>恢复理解度的趋势,各村农户、村委、政府两两之间在恢复措施上的认知差异较为明显。② “情感”共识中,各组主体在各项指标上的共识平均值呈现公平感知<宽容感知<约束感知<归属感的趋势,主体在公平性、体谅他人和接受资源约束上的态度不够积极,其中政府、村委和企业的感知差异最为明显。③ 综合共识中,农户和乡镇政府、村委和区政府、乡镇政府和区政府共识的平均值均大于0.65,企业和其他主体共识的平均值均不超过0.6。以上结果揭示了主体间的感知差异,为社会—生态系统旱灾综合风险防范多主体“凝心聚力”研究开辟了一条定量化新思路,为进一步考虑灾害不同阶段、不同主体需求和资源配置等问题在风险防范中发挥的作用提供借鉴与参考。

关键词： 农业旱灾; 风险防范; 多主体; 共识

本文引用格式

吴瑶瑶 , 江耀 , 郭浩 , 王静爱 . 农业旱灾综合风险防范多主体共识定量研究——以湖南鼎城区为例[J]. 地理学报, 2021 , 76(7) : 1778 -1791 . DOI: 10.11821/dlxb202107015

Abstract

Under the background of global climate change, drought has become more serious than before. Therefore strengthening drought risk governance is of great significance to the sustainable development of regional agriculture. The consensus of different stakeholders will affect drought risk governance, so quantifying consensus will help to deepen the understanding of cooperation and drought relief mechanism of multi-stakeholders. Starting from the "cognitive-emotional” dimension and considering the emotional positivity, this article constructed a consensus indicator system and a model based on "distance" to quantify the consensus of Dingcheng district government, township governments, village committees, households and agricultural enterprises in Hunan Province. The main conclusions are as follows: (1) In the "cognition" consensus, the average value of each group presents a trend of emergency understanding > preparedness understanding > recovery understanding. Cognition differences among households, village committees, and governments in preparedness and recovery measures are more obvious. (2) In the "emotion" consensus, the average of each group presents a trend of fairness perception < tolerance perception < constraint perception < sense of belonging. The attitudes of stakeholders towards fairness, consideration for others, and acceptance for resource constraints are not positive. The government, village committees, and enterprises have obvious differences. (3) In the integrated consensus, the average values of households with township governments, village committees with district government, township governments with district government are greater than 0.65, while those of the enterprises with other stakeholders do not exceed 0.6. The results reveal the differences in the perceptions, and open up a new quantifiable idea for the multi-stakeholders' "consilience" research on the integrated risk governance of drought, which provides references for further consideration of different stages, requirements of different stakeholders and resource allocation in the risk governance.

Key words： agricultural drought; risk governance; multi-stakeholder; consensus

1 引言

旱灾是影响面积最广、持续时间最长的自然灾害之一。在全球气候变化背景下,干旱呈现加重趋势,造成巨大的农业损失[1,2,3]。仅在2008—2017年中国年均因旱受灾面积高达1337万hm2,造成粮食年均损失达271亿kg[4]。旱灾对农业人口的生活稳定性、农业发展的可持续性造成严重影响,深入研究农业旱灾风险防范已成为当前灾害研究领域的迫切需要[5]。
目前灾害风险防范中“多方参与、协同合作”的风险防范模式正受到广泛关注。其中多主体的共识问题成为近年来的研究热点[6,7,8]。共识指的是群体对具体问题感知的一致性状态。多主体达成共识对综合灾害风险防范具有重要意义,主要体现在两个方面,一是从“协同宽容”角度上看,当系统面临风险时,各主体达成共识可以使系统产生有别于常态时的宽容性,获得比常态时更大的抵抗性和恢复性。在此情况下,灾中应对时能产生更大的调整空间和更高的设防能力;同样,在灾害过后可以协调资源分配、平衡成本效益等,从而让系统整体上更有效地应对灾情,并快速恢复。二是从“协同约束”角度上看,由于系统防范风险的总体资源有限,每个主体无法任意使用资源而达到局部效果的最优。从系统的角度,为了达到有限资源条件下的整体最优,往往需要各行为主体达成共识,对自身行为或资源进行约束,在一定的协同配置下,这种约束可以缓解系统压力,对系统整体产生更为优化的风险防御能力[7, 9]。多主体共识水平影响系统应对灾害的效率,正逐渐成为灾害风险防范领域中不可忽视的重要内容。
“共识”问题属于意识形态范畴的内容,俗语说“人心齐,泰山移”,人们意识形态的一致程度会影响行为决策和整体协同程度,进而影响抵御灾害的能力[10,11,12,13],了解表达意识形态的指标和对象成为研究共识的前提。从指标上看,主要集中刻画人们的理解能力和情感水平等两类意识形态。比如Paton等认为提升人们整体认知水平会降低他们的脆弱性[14,15];Huang等强调所有人的集体认同感会影响应急效率[16,17];Chang等指出人们对社区的认识、依恋感和归属感等对灾后恢复重建有极大影响[18,19,20,21,22]。以往研究中采用的各种软指标为旱灾风险防范多主体共识指标体系构建奠定了基础。从研究对象上看,以旱灾为例,农户作为受旱影响最直接的群体而受到众多关注,Ashraf等认为农户对旱灾的认识会影响抗旱措施的实施,进而影响他们适应旱灾的能力[23];管理者因为在抗旱减灾中起决策指导作用也受到诸多关注,Blanke等认为村委对节水技术的感知和接受程度会提高农村应对旱灾的能力[24];企业作为社会力量,近年来在灾害预防救助等方面发挥了越来越大的作用,他们对于风险的感知判断也将影响风险转移效果[25]。综上可知,目前多数研究比较关注单类主体的风险防范感知,还鲜有考虑他们之间的协同程度。
社会学、自然科学、信息科学等领域的相似性研究为多主体共识的定量化提供了诸多借鉴。在社会学中,为判断群体语义共识,Kacprzyk定义“强共识”模型,用0或1定量相似性,若两人判断相同为1,否则为0[26],Cabrerizo等进一步拓展,提出“软共识”模型,将不同专家对问题的偏好用矩阵表示,通过[0, 1]之间的数值表达偏好的相似性[27,28]。在自然科学中,Tversky基于集合论思想,采用特征模型计算集合相似性,通过求解两个集合之间交集、差集的不等式,从而得到特征值来表示相似性[29];Suppes等基于距离思想,应用几何模型计算空间向量的相似性,其中闵可夫斯基公式最为常见,主要通过带入两个空间向量维度上的值进行计算[30];Schwering基于图论思想,采用网络模型定量相似性,通过计算网络中所有成对节点的平均最小路径长度来衡量网络相似性[31]。在信息科学中,同步性计算可以作为相似性的另一种表达方式。Pecora等通过离差模型,计算给定时间内某节点与所有节点空间平均状态之差来判断同步程度[32],Manzano等通过构建周期函数表示时间序列的同步性[33]。目前这些模型尚未应用在灾害风险防范领域,但其中的“矩阵”“距离”“图论”和“同步性”等思想为定量化不同主体的旱灾风险防范共识提供许多参考。
通过综述发现,目前灾害风险防范多主体共识研究中存在一些不足：① 以往研究大多独立看待单类主体的风险感知,鲜有从系统角度考虑主体之间达成共识的状态。主体间的想法一致性越高,就越有可能在抗旱中积极合作,因而研究多主体的共识具有重要意义;② 以往其他领域的相似性研究对共识的定量化有所启发,但还未分析主体在积极或消极态度下形成的共识对系统产生的效果的差异性,积极情感达成的共识有利于抵御灾害,消极情感形成的一致性会带来阻碍。因而区分积极与消极态度的多主体共识对防范灾害风险而言十分必要。研究团队已有相关研究[34]提到多主体“共识”是“凝聚力”研究中关键且亟待开展工作的重要内容,社会—生态系统只有“凝心”和“聚力”,才能有效地防范风险。后续研究[35]对多主体共识进行探索性研究,主要定量主体之间的感知相似性,但由于该研究没有区分主体抗旱的积极和消极态度,结果仍不是灾害风险防范凝聚力研究中所要表达的共识。因此,如何定量基于主体积极态度的共识值得深入探讨。
基于上述,① 本文考虑主体的意识形态类别,从认知和情感角度构建了农业旱灾综合风险防范的共识指标体系。② 借鉴“距离”思想,建立共识模型,对主体抗旱积极程度进行正负方向赋值,从而定量主体间的旱灾风险防范共识。③ 以湖南鼎城为例（受旱典型区）,定量分析农户、村委、乡镇政府农业管理部门负责人、区政府农业管理部门负责人、涉农企业负责人等关键主体之间在不同指标上的共识,深入了解区域不同主体协调抗旱的“软因素”,以期为旱灾风险防范政策措施中考虑“软因素”提供科学依据,为旱灾风险防范凝聚力研究奠定基础。

2 数据与研究方法

2.1 研究区概况

鼎城区位于湖南省北部,是全国商品粮基地之一,也是湖南较严重的旱区之一。鼎城区地势从西南至东北倾斜,大致为三分丘岗,两分半山,四分半平原和水面。该地区降水丰沛,1960—2014年平均降雨量达到1300 mm,不过降水的年际变率大,年内分配不均匀,历史上频繁遭受旱灾影响,尤其是在秋季,由于受到副热带高压控制,天气晴热,蒸发强烈,自然降水经常满足不了作物需水,当地主要的农作物,比如早稻、中稻、晚稻和棉花在7—9月的生长关键时期,常常因为需水量和降水量不匹配而造成旱灾。

2.2 问卷调查

本文中所用数据主要来源于调查问卷。选择样本的策略主要有：① 各单位选择主要农业负责人、以及专业人员。② 各乡镇选择受旱影响严重、经济较为贫困、具有特色农业的农村作为样本村,保证样本农村的代表性。③ 结合当前土地流转的农业发展形势（出现大户和散户）,各村农户分别选择承包大户和普通散户作为样本（比例约为2∶8）,保证农户样本多样性。
在以上策略指导下,研究团队分别于2018年9月16日—10月9日进行了3次野外调研,通过开放式访谈和结构式问卷,调查了鼎城区与旱灾风险防范关系密切的区级单位、乡镇单位、村委会、农户以及涉农企业等,具体走访路线和收集到的问卷数量见表1,各类主体样本统计特征见表2、表3。采样点空间分布见图1（样本覆盖每个乡镇）。
表1 野外调研路线与数据收集

Tab. 1 Field investigation routine and data collection

时间 调研路线 访谈单位与人次 有效问卷数量(份)
9.16—9.23 镇德桥镇→石公桥镇→周家店镇→双桥坪镇→蔡家岗镇→石板滩镇→灌溪镇 1. 各乡镇政府领导、民政所、农技站和水利站负责人; 2. 抽样村村委会主要负责人共46人次访谈 区级部门: 19
乡镇部门: 71
村委会: 168
农户: 1005
涉农企业: 8
(全区仅有10
多家相关企业)
总计: 1271
有效问卷
9.24—9.30 许家桥乡→草坪镇→尧天坪镇→牛鼻滩镇→韩公渡镇→十美堂镇 1. 各乡镇政府领导、民政所、农技站和水利站负责人; 2. 抽样村村委会主要负责人共30人次访谈
10.1—10.9 1. 花岩溪镇→黄土店镇→蒿子港镇→中河口镇→谢家铺乡;2. 区政府→民政局→水利局→农业局→气象局→发改局→财政局;涉农企业 1. 各乡镇政府领导、民政所、农技站和水利站负责人; 2. 抽样村村委会主要负责人; 3. 部分涉农企业主要负责人共37人次访谈
表2 农户样本相关统计特征

Tab. 2 Statistical characteristics of household samples

性别 占比(%) 年龄(岁) 占比(%) 教育程度 占比(%) 农业收入占比(%) 占比(%) 务工收入占比(%) 占比(%) 家庭收入(万元/a) 占比(%)
男 69 <40 2 I 7 <20 45 <20 41 <10 77
女 31 40~50 14 II 38 20~40 15 20~40 5 10~20 17
50~60 38 III 38 40~60 10 40~60 9 20~40 3
60~70 30 IV 14 60~80 9 60~80 16 >40 2
>70 16 V 2 >80 21 >80 29

注：教育程度I（不识字）、II（小学）、III（初中）、IV（高中）、V（大专及以上）。

表3 村委、乡镇政府、区政府和涉农企业样本统计特征占比(%)

Tab.3 Statistical characteristics of samples of village committees, township governments, district governments and agricultural enterprises

主体 性别 年龄(岁) 工作年限(a) 教育程度
男 女 <40 40~50 >50 <5 5~10 10~15 >15 I II III IV V
村委 77 23 18 20 62 22 15 8 55 1 0 11 56 33
乡镇政府+ 90 10 12 54 35 21 7 7 65 0 0 10 11 79
区政府 83 17 28 39 33 17 17 0 67 0 0 11 0 89
企业 86 14 14 0 86 14 29 14 43 0 0 14 43 43

注：乡镇政府的统计数据包括乡镇的农技站、水利站、民政所。

图1 鼎城区采样点分布

Fig. 1 Sampling distribution in Dingcheng district

2.3 研究方法

2.3.1 共识定量研究思路 本文首先从主体意识形态类别出发,构建多主体旱灾风险防范共识指标体系,包括认知、情感等2类指标。其中认知类指标主要包括旱灾备灾、应急和恢复措施理解程度等3个指标,情感类指标包括公平感知、协同宽容、协同约束和归属感等4个感知指标,以上指标数据通过Likert scale量表打分获取。其次,借鉴“距离”思想构建共识模型,即主体之间量表分数的“距离”越接近,则共识程度越高。最后从“认知—情感—综合”分析维度出发,研究农户（HO）、村委（VC）、乡镇政府（GT）、区政府（GD）和涉农企业（AE）等5类关键主体在旱灾风险防范问题上的共识水平（注：下文出现的如“HO_VC”的描述,表示HO和VC之间的共识）。
2.3.2 指标体系构建 本文从旱灾风险防范认知和情感维度出发,结合多次野外预调研经验,建立多主体的旱灾风险防范共识指标体系,总共包括7个一级指标,20个二级指标（表4）。
表4 农业旱灾综合风险防范多主体共识指标体系

Tab. 4 Consensus index system of multi-stakeholders for integrated risk governance of agricultural drought

类别 一级指标 二级指标(指标序号) 问题(7分Likert Scale量表)
认知指标 备灾措施理解度(A) 致灾因素理解度(1) 塘坝、机埠、水库等年久失修多大程度上会造成旱灾?
管理方式理解度(2) 政府出资、村民负责管理小型水利设施有利于抗旱吗?
水稻耐旱理解度(3) 水稻耐旱水平如何?
油茶耐旱理解度(4) 油茶耐旱水平如何?
棉花耐旱理解度(5) 棉花耐旱水平如何?
应急措施理解度(B) 应急方式理解度(6) 水渠清淤,塘坝扩充容量抗旱效果如何?(应急措施)
恢复措施理解度(C) 生活恢复方式理解度(7) 外出务工在多大程度上可以减轻农民旱灾损失?
生产恢复方式理解度(8) 改种补种在多大程度上可以减轻农民旱灾损失?
土地流转抗旱效果理解度(9) 土地转让/出租在多大程度上可避免农民受旱影响?
农业保险抗旱效果理解度(10) 农业保险在多大程度上可避免农民受旱影响?
情感
指标
风险防范公平感知(D) 信息获得公平性(11) 本地所有人获取作物销售、务工等信息的公平性如何?
水利设施使用公平性(12) 本地所有人使用塘坝、机埠、水库取水的公平性如何?
救灾款物分配公平性(13) 本地受灾群众遭受旱灾时获得救灾粮食的公平性如何?
农业补贴公平性(14) 本地种粮农户获得的农业补贴的公平性如何?
协同宽容感知(E) 政府抗旱困难体谅程度(15) 您在多大程度上理解政府在抗旱中遇到的困难?
群众抗旱困难体谅程度(16) 您在多大程度上理解农户在抗旱中遇到的困难?
协同约束感知(F) 资源优先体谅程度(17) 您觉得抗旱资源需要优先考虑受旱严重的地区吗?
社会力量体谅程度(18) 您觉得有能力企业等需要多提供抗旱救灾资源吗?
归属感(G) 防灾减灾责任感(19) 您在多大程度上觉得防灾减灾有您的一份责任?
防灾减灾工作认同感(20) 您在多大程度上认可本地为防灾减灾所做的工作?

注：① 设计认知指标的目的是了解主体对主要抗旱措施的理解程度。② 通过调研,筛选出应急方面关注度最高的水库清淤和塘坝扩容措施,故在应急方式理解度（B）中设计了一个最关键的指标。

2.3.3 基于“距离”的多主体共识模型构建 在共识模型构建之前,本文对不同主体的量表打分进行预处理。a. 认知类指标：主体在此类指标上的分数高低不反映其主观积极程度,所以不处理量表分数;b. 情感类指标：主体在此类指标上的分数高低反映其主观积极程度,分数越高,表明主体在相关问题上态度越积极,越有益于凝心聚力,而分数越低,表明主体在相关问题上态度越消极,越不益于凝心聚力。为了区分主体态度的积极程度对凝聚力的贡献度（打分越高,贡献度越大）,本文将各主体在此类指标上打分的值域[1, 7]映射到[-1, 1]之间,映射区间的-1反映主体的态度非常消极,映射区间的1反映主体的态度极为积极。
在预处理之后,本文借鉴“距离”思想,建立共识定量模型,即主体之间量表分数的距离远近表达主体共识水平：
（1）认知共识的计算。首先计算2个主体i、j在每个二级认知指标上的共识 C ( i , j ) xf II ：即计算两人量表分数的“距离”,分数越接近,一致程度越高,如式（1）。其次,计算乡村内部不同类主体I,J之间在二级指标上的共识 C xf Ⅱ village ,如式（2）。在二级指标基础上求取平均值得到主体在一级指标上的共识 C xl Ⅰ village ,如式（3）。最后,全区尺度主体认知共识 C xl Ⅰ district 通过村、乡镇共识结果的“自下而上”综合得到,如式（4）。
C i , j xf Ⅱ = 1 - p i xf Ⅱ - p j xf Ⅱ / g ; xf ∈ 1,2 , … , 10
C xf Ⅱ village = ( ∑ i = 1 k ∑ j = 1 m C ( i , j ) xf Ⅱ ) / ( k × m )
C xl Ⅰ village = C A Ⅰ village C B Ⅰ village C C Ⅰ village = 1 ( n 1 ) ∑ xf = 1 ( n 1 ) C xf Ⅱ village 1 ( n 2 ) ∑ xf = 6 ( n 2 ) C xf Ⅱ village 1 ( n 3 ) ∑ xf = 7 ( n 3 ) C xf Ⅱ village ; xl ∈ A , B , C
C xl Itown = C A I town C B I town C C I town = 1 ( p ) ∑ p = 1 ( p ) C A I village 1 ( p ) ∑ p = 1 ( p ) C B I village 1 ( p ) ∑ p = 1 ( p ) C C I village C xl I district = C A I district C B I district C C I district = 1 ( q ) ∑ q = 1 ( q ) C A I town 1 ( q ) ∑ q = 1 ( q ) C B I town 1 ( q ) ∑ q = 1 ( q ) C C I town
（2）情感共识的计算。首先计算2个主体i、j在每个二级情感指标上的共识 C ( i , j ) xs II ,如式（5）,即计算两人量表分数距离与两人量表分数平均值的乘积（平均值相当于积极程度对风险防范凝聚力的贡献系数）。其次,计算乡村内部不同类主体I、J之间在二级指标上的共识 C xs II villlage ,如式（6）。在二级指标基础上求取平均值得到主体在一级指标上的共识 C xm I villlage ,如式（7）。最后全区尺度主体情感共识 C xm I district 通过村、乡镇共识结果的“自下而上”综合得到,如式（8）。
C i , j xs II = 1 2 × ( p i xs II + p j xs II ) × ( 1 - p i xs II - p j xs II / h ) ; xs ∈ 11,12 , … , 20
C xs II village = ∑ i = 1 k ∑ j = 1 m C ( i , j ) xs II ( k × m )
C xm I village = C D I village C E I village C F I village C G I village = 1 ( n 4 ) ∑ xs = 11 ( n 4 ) C xs II village 1 ( n 5 ) ∑ xs = 15 ( n 5 ) C xs II village 1 ( n 6 ) ∑ xs = 17 ( n 6 ) C xs II village 1 ( n 7 ) ∑ xs = 19 ( n 7 ) C xs II village ; xm ∈ D , E , F , G
C xm I town = C D I town C E I town C F I town C G I town = 1 ( p ) ∑ p = 1 ( p ) C D I village 1 ( p ) ∑ p = 1 ( p ) C E I village 1 ( p ) ∑ p = 1 ( p ) C F I village 1 ( p ) ∑ p = 1 ( p ) C G I village , C xm I district = C D I district C E I district C F I district C G I district = 1 ( q ) ∑ q = 1 ( q ) C D I town 1 ( q ) ∑ q = 1 ( q ) C E I town 1 ( q ) ∑ q = 1 ( q ) C F I town 1 ( q ) ∑ q = 1 ( q ) C G I town
（3）综合共识的计算。将步骤（2）中全区主体的认知共识和情感共识的平均值作为2类主体的综合共识 C in I district ,如式9：
C in I district = 1 2 ( C xl I district + C xm I district )
式中：g、h分别为6和2,即量表区间的最大距离; p ( i ) xf II 、 p ( j ) xf II 和 p ( i ) xs II 、 p ( j ) xs II 分别为主体i、j在二级认知指标xf（对应表2中1~10号）和二级情感指标xs（对应表2中11~20号）上的量表打分。个体i ∈ I类主体,j ∈ J类主体,I群体调查k人,J群体调查m人;n1、n2和n3分别为A、B、C一级指标下二级指标的个数;n4、n5、n6和n7分别为D、E、F、G一级指标下二级指标的个数;p为各乡镇中对应调研的农村数量;q为鼎城区所有乡镇数量。

3 结果分析

3.1 “认知”共识分析

备灾措施理解度共识是主体在致灾因素、水利设施管理方式、农作物耐旱程度等旱灾防范相关问题上的认知一致性。各组主体共识的平均值均在0.6以上,组内各村之间主体共识的波动程度较大（图2）。除VC_GT的共识有双峰分布外（可见村委和镇政府内部认知分散程度比较大）,其他主体之间的共识均是单峰分布。各组主体的共识平均值在[0.68, 0.75]之间,其中GT_GD之间的共识平均值最大,HO_GD之间的共识平均值最小,各组主体共识的标准差与极差均比较小。各村农户、村委以及政府两两之间在对旱灾防范措施上的认知差异比较明显。
图2 鼎城区不同主体在旱灾备灾—应急—恢复过程中的“认知”共识

注：① 3种颜色小提琴图分别表达各组主体在备灾—应急—恢复措施上的共识分布曲线;② 图中每一个方格对应一组主体的共识,比如图a表示HO和AE的共识。

Fig. 2 The consensus of "cognition" among multi-stakeholders in the process of drought preparedness, response and recovery

应急措施理解度共识是主体在塘坝扩容、水渠清淤等抗旱措施上的认知一致性。各组主体的共识均处在较高水平,其平均值都大于0.75,组内各村之间主体共识波动程度较大（图2）。VC_GT共识的平均值达到0.86,各组主体共识的极差低于0.4。总体而言,各组主体在应急措施方面的共识高于对应主体在备灾和恢复方面的共识。旱灾应急措施问题受到关注多,通过平常的经验积累与宣传教育,主体之间容易形成较高水平的共识。
恢复措施理解度共识是主体在灾后生产生活恢复、风险转移等措施上的认知一致性。各组主体在此项的共识水平低于备灾以及应急的共识水平。所有组别主体在恢复措施理解度上的共识平均值均不超过0.7,组内各村之间主体共识的离散度比较小（图2）。VC_GT、HO_VC的共识平均值小,反映出村委和乡镇政府、农户和村委在对旱灾恢复措施有比较大的认知差异。各组主体中,GT_AE共识的平均值最大,也只有0.68,表明各主体具有较大的感知差异。各主体对土地流转、改种补种、外出务工和农业保险等恢复措施的看法大为不同。恢复措施往往涉及更多的利益问题,这是造成主体之间共识偏低的原因之一。
总体而言,各组主体在旱灾全过程的“认知”共识中呈现应急措施理解度>备灾措施理解度>恢复措施理解度的趋势。应急阶段措施对切身利益的影响最直观,各主体关注度高,他们的认知具有较高的一致性。而对于备灾和恢复阶段,防范措施周期比较长,防范效果并非立竿见影,这可能是导致此阶段共识偏低的原因之一。另外,农户和其他主体的共识水平偏低,说明在全过程灾害风险防范中提高基层主体的认知水平十分关键。

3.2 “情感”共识分析

公平感知上的共识是主体在对待抗旱资源、救灾款物分配公平性等问题上的一致性程度,共识程度越高,表明主体的态度越积极。农户和其他主体的共识平均值的规律比较突出,呈现HO_VC>HO_GT>HO_GD的特征,反映出“主体之间在行政关系上距离越近,共识越高”的倾向。各村HO_VC和VC_GT共识具有较大的极差,分别为0.63与0.72,反映出农户和村委,村委和政府之间公平性感知差异比较大（图3）。
图3 鼎城区不同主体在公平—宽容—约束—归属上的“情感”共识

注：① 4种颜色小提琴图分别表达各组主体在公平—宽容—约束—归属等情感上的共识分布曲线;② 图中每一个方格对应一组主体的共识,比如图a对应HO和AE的共识。

Fig. 3 The consensus of "emotion" among multi-stakeholders on fairness, tolerance, restraint and sense of belonging

宽容感知上的共识是主体理解政府和农户抗旱困难的一致性程度,共识越高,表明主体越能理解、包容他人。各组主体之间的共识平均值在[0.41, 0.75]之间,其中共识平均值最小的组别为HO_AE,共识平均值最大的组别为GT_GD,各组主体共识的极差在[0.23, 0.77]之间,其中共识极差最小的组别为GT_AE,共识极差最大的组别为VC_GT（图3）。企业和其他主体的共识均处于比较低的水平,他们一般不会去深入了解政府和农户抗旱困难,难以感同身受,这是导致企业在抗旱过程中积极性偏低的原因之一。
约束感知上的共识是主体接受有限资源优先分配、效益良好单位多提供资源等规则的一致性程度,共识越高,表明主体的资源优化配置意识越强烈。VC_GT和GT_GD具有较高的共识水平,平均值分别为0.75和0.76,HO_VC的共识平均值为0.65,而企业和其他主体的共识水平较低,平均值均不超过0.6（图3）。农户、村委和政府人员希望社会力量可以多提供资源,而企业负责人则希望实现利益最大化,对提供救灾资源的态度并不积极,这是导致他们和其他主体在此问题上共识偏低的原因之一。
归属感上的共识是主体对家乡责任感、认同感等问题上的一致性程度,共识越高,表明主体对家乡越依恋,对家乡发展越认同。VC_GT和GT_GD具有较高的共识水平,平均值分别为0.81和0.85,其他组主体之间的共识平均值则比较接近。农户和所有主体共识的极差在[0.42, 0.72]之间,其中共识极差最大的组别为HO_VC,共识极差最小的组别为HO_AE（图3）。全区各村农户和其他主体具有比较大的归属感差异,相比而言,行政人员之间在归属感上的感知则比较一致。
总体而言,从指标平均值上看,各组主体的共识平均值呈现公平感知<宽容感知<约束感知<归属感的趋势。各组主体在公平性问题上的态度最为消极,在谅解他人困难上还很难达成一致,在资源约束问题上因为身份立场不同而产生情感上的差异,在归属感上,行政人员比较一致,而农户和其他主体具有较大差异。从主体上看,农户、企业两类主体和其他主体的共识总体偏低,而行政人员间的共识总体较高。提高农户、企业与其他主体的共识对促进区域综合风险防范“凝心”水平有重要意义。

3.3 综合共识分析

各组主体的综合共识均是单峰分布,其中共识平均值最大的组别为GT_GD,达到0.7,共识平均值最小的组别为HO_AE,仅有0.52,各组主体综合共识的极差在[0.08, 0.31]之间,其中HO_VC、VC_GT的综合共识具有较大的极差,分别为0.31和0.27。另外,HO_AE,VC_AE、GT_AE综合共识处于较低水平,平均值分别为0.52、0.59和0.6,反映出企业和其他主体在旱灾风险防范感知上具有较大的差异。VC_GT、VC_GD以及GT_GD综合共识水平比较高,平均值分别为0.71、0.68和0.7,反映出村委、乡镇政府和区政府两两之间在旱灾风险防范感知上具有较小的差异（图4）。
图4 鼎城区不同主体旱灾风险防范综合共识

注：① 小提琴图表达各组主体综合共识分布曲线;② 图中每一个方格对应一组主体的共识,比如图a表示HO和AE的共识。

Fig. 4 The integrated consensus among multi-stakeholders on drought risk governance

总体而言,村委、政府之间的综合共识水平比较高,农户、企业与其他主体在农业旱灾风险防范感知上有较大的差异。受到自然条件、区域发展等因素影响,主体在相关防范措施的态度和行为不尽相同。比如推广实施土地流转政策：在平原区的蒿子港镇,水源充沛,土地肥沃,土地流转利润丰厚,农户出租土地、政府招商引资和相关企业投资的意愿度非常高,所以该镇各类主体在此类问题上的共识水平较高。而同样位于平原区的韩公渡镇和牛鼻滩镇,因为当地存在重金属污染问题,土地流转没有效益,在推广该政策过程中很难形成共识。再如,推广实施农业保险政策：经济富裕村庄的村委会直接为全村农户购买保险,农户则积极配合政策推广实施,然而在经济贫困的村庄,保险对一般农户而言都是一种负担,他们配合的态度就较为消极,因此在这些问题上很难形成共识。以上结果揭示了主体感知差异规律还受地域环境、经济水平等因素影响。未来旱灾风险防范研究中进一步考虑区域平衡、主体利益平衡等问题则具有重要作用。

4 结论与讨论

4.1 结论

农业旱灾综合风险防范是一个复杂过程,各主体形成共识是共同抵御风险的重要环节。本文从“认知—情感”维度出发,考虑主体情感积极程度,构建了农业旱灾综合风险防范共识指标体系和基于“距离”思想的定量模型,揭示了农户、村委、乡镇政府、区政府和涉农企业等不同主体在备灾、应急和恢复措施上的认知差异,在宽容、体谅他人等方面的情感差异,以及整体的感知差异。本文以系统思想研究了多主体共识,弥补了他人研究中仅考虑主体的风险感知,而未将个体差异和主观积极态度考虑在内的不足;提供了一个认识主体主观能动性的视角,为社会—生态系统旱灾综合风险防范多主体“凝心聚力”研究开辟了一条可量化的新思路。
（1）旱灾风险防范全过程“认知”共识中,总体上各组主体在各项指标上的共识平均值呈现应急理解度>备灾理解度>恢复理解度的趋势。各村农户、村委、政府两两之间的备灾措施理解度共识处于中等水平,他们之间的认知差异较为明显;各组主体的应急措施理解度共识处在较高水平,其平均值都在0.75以上;各组主体的恢复措施理解度共识处于较低水平,其中农户和村委、农户和乡镇政府的共识平均值比较小。以上结果具有指导意义,政府应加强灾后恢复措施的引导力度,同时在旱灾不同阶段都应重视和农户沟通,提高基层主体对于全过程灾害风险防范的认知水平,减少协同合作中的摩擦,从而提高工作效率。
（2）旱灾风险防范的“情感”共识中,总体上各组主体在各项指标上的共识平均值呈现公平感知<宽容感知<约束感知<归属感的趋势。农户、企业在公平性问题上的态度较为消极;各组主体在谅解他人困难问题上的共识平均值在[0.41, 0.75]之间,其中企业和其他主体的共识平均值均比较低;政府和村委之间在资源约束问题上的共识平均值均超过0.75,而企业和其他主体的平均值较低,均小于0.6;在归属感上,行政人员比较一致,而农户和其他主体具有较大差异。不同主体在公平性、体谅他人困难和资源约束上的态度不够积极,同时农户、企业两类主体和其他主体的感知差异最为明显。以上结果辨别出重要但容易被忽略的群体,为旱灾风险防范中针对具体主体开展相关措施,形成抗旱凝聚力提供借鉴与参考。
（3）旱灾风险防范的综合共识中,总体上村委和乡镇政府、村委和区政府、以及乡镇政府和区政府综合共识水平比较高,平均值分别为0.71、0.68和0.7,反映出村委、乡镇政府、区政府之间在旱灾风险防范上的感知差异比较小。企业和农户、企业和村委、企业和乡镇政府综合共识水平比较低,平均值分别为0.52、0.59和0.6,反映出企业和其他主体在旱灾风险防范上的感知差异比较大。在调查中发现,自然条件、区域经济发展等因素影响不同主体的感知差异,另外,农户和企业因利益诉求而与行政人员有不同看法。以上结果揭示主体感知差异规律,为旱灾风险防范措施开展中考虑区域平衡、主体利益平衡等问题,以及进一步探讨公平机制和资源配置制度提供借鉴与参考。

4.2 讨论

4.2.1 多主体共识的区域差异分析 在不同地理环境、不同受灾程度的地区中,人们的灾害风险防范感知具有显著差异。鼎城是一个地形多样,受旱影响时空差异明显的水田农业区,进行多主体共识的区域分异分析将有助于深入理解多主体共识的空间分布规律。
基于此,本文尝试从自然和人文地理的分区角度,探讨不同孕灾环境、经济收入水平地区的多主体共识的区域差异。其中孕灾环境类型区依据当地的DEM数据,划分平原、丘陵和低山3类地形区。经济类型区则根据统计年鉴上各乡镇农村人均收入进行排序后,按照等间隔分类,分为低收入区、中等收入区和较高收入区。结果显示：从孕灾环境区看,丘陵区农户和他人的综合共识高于平原区和低山区对应组别主体的共识;从经济区看,收入高值区主体共识平均水平较高。造成差异的原因主要有：① 从地形上分析,丘陵区各组主体共识要高于平原区和低山区,很大可能由于丘陵区比其他两个区域更易受到旱灾的影响,所以很重视抗旱防灾方面的经验积累,从而形成较高的共识。② 从经济水平上分析,经济收入水平高的区域,主体对当地水利、农村建设工程的态度更加开放,同时对相关政策的满意程度比较高,容易达成共识。以上探索进一步表明不同类型区内主体间的共识存在差异,未来进行更全面、更精确的多主体共识区域分异规律研究,对因地制宜指导多主体防范旱灾风险具有重要意义。
4.2.2 多主体共识的驱动力研究 本文主要对主体感知一致性程度的表层现象进行分析,然而,对现象的描述不足以阐释多主体变化机理。如果要深入理解共识,就必须识别共识差异的驱动力因子并探究其驱动机制。对于共识的驱动力探讨成为未来研究的重点方向之一。
有许多学者关注不同问题的驱动力,相关方法为多主体共识驱动力研究提供参考,主要包括：相关分析、主成分分析、因子分析、多元线性回归分析、Logistic回归分析、空间自回归模型和结构方程模型（SEM）等。其中结构方程模型因其简明直接表达变量因果关系的特点而广泛应用于主体感知领域相关问题的分析。比如,有学者应用SEM模型,通过计算各种感知对行为的贡献率,进而研究行为驱动机制[36,37]。本文也以HO_VC的综合共识为例,尝试运用SEM研究主体的旱灾感知（旱灾关注程度、风险防范必要性感知、旱灾发生概率判断、旱灾影响程度判断）和抗旱积极性（技术培训积极性、出钱出力积极性、关注气象积极性、寻找水源积极性、改种补种积极性、外出务工积极性）对综合共识的贡献率,从而分析驱动机制。结果初步显示风险防范必要性感知和出钱出力积极性对主体共识的贡献率最高。结合以上的探索,未来还可以增加教育、文化、性格、工作职能等各种属性,结合不同的方法,进行更全面的共识驱动力分析,从而为提高各主体抗旱“凝心”水平提供科学依据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Wang Q F, Wu J J, Lei T J, et al. Temporal-spatial characteristics of severe drought events and their impact on agriculture on a global scale. Quaternary International, 2014,349:10-21.

DOI

[2]
Jia Gensuo. New understanding of land-climate interactions from IPCC special report on climate change and land. Climate Change Research, 2020,16(1):9-16.

[ 贾根锁. IPCC《气候变化与土地特别报告》对陆气相互作用的新认知. 气候变化研究进展, 2020,16(1):9-16.]

[3]
Gaupp F, Hall J, Hochrainer-Stigler S, et al. Changing risks of simultaneous global breadbasket failure. Nature Climate Change, 2020,10(1):54-57.

DOI

[4]
Ministry of Water Resources of the People's Republic of China. China Water and Drought Bulletin. Beijing: China Water and Hydropower Press, 2019.

[中华人民共和国水利部. 中国水旱公报. 北京: 中国水利水电出版社, 2019.]

[5]
Wilhite D A, Sivakumar M V K, Pulwarty R. Managing drought risk in a changing climate: The role of national drought policy. Weather and Climate Extremes, 2014,3:4-13.

DOI

[6]
Shi Peijun, Song Changqing, Cheng Changxiu. Geographical synergetics: From understanding human-environment relationship to designing human-environment synergy. Acta Geographica Sinica, 2019,74(1):3-15.

DOI

[ 史培军, 宋长青, 程昌秀. 地理协同论: 从理解“人—地关系”到设计“人—地协同”. 地理学报, 2019,74(1):3-15.]

[7]
Shi Peijun, Wang Ming, Hu Xiaobing, et al. Integrated risk governance consilience mode of social-ecological systems. Acta Geographica Sinica, 2014,69(6):863-876.

DOI

[ 史培军, 汪明, 胡小兵, 等. 社会—生态系统综合风险防范的凝聚力模式. 地理学报, 2014,69(6):863-876.]

[8]
Shi P J, Ye T, Wang Y, et al. Disaster risk science: A geographical perspective and a research framework. International Journal of Disaster Risk Science, 2020,11(4):426-440.

[9]
Hu X, Shi P, Wang M, et al. Towards quantitatively understanding the complexity of social-ecological systems: From connection to consilience. International Journal of Disaster Risk Science, 2017,8(4):343-356.

DOI

[10]
Ouédraogo M, Barry S, Zougmoré R, et al. Farmers' willingness to pay for climate information services: Evidence from cowpea and sesame producers in northern Burkina Faso. Sustainability, 2018,10(3):611. DOI: 10.3390/su10030611.

DOI

[11]
Sun Y H, Zhou H J, Wall G, et al. Cognition of disaster risk in a tourism community: An agricultural heritage system perspective. Journal of Sustainable Tourism, 2016,25(4):536-553.

DOI

[12]
Wang M, Liao C, Yang S N, et al. Are people willing to buy natural disaster insurance in China? Risk awareness, insurance acceptance, and willingness to pay. Risk Analysis, 2012,32(10):1717-1740.

DOI

[13]
Ye T, Wang M. Exploring risk attitude by a comparative experimental approach and its implication to disaster insurance practice in China. Journal of Risk Research, 2013,16(7):861-878.

DOI

[14]
Paton D, Smith L, Daly M, et al. Risk perception and volcanic hazard mitigation: Individual and social perspectives. Journal of Volcanology and Geothermal Research, 2008,172(3-4):179-188.

DOI

[15]
Prior T, Eriksen C. Wildfire preparedness, community cohesion and social-ecological systems. Global Environmental Change, 2013,23(6):1575-1586.

DOI

[16]
Huang C F, Wang J J, Lin T J. Resource sufficiency, organizational cohesion, and organizational effectiveness of emergency response. Natural Hazards, 2011,58(1):221-234.

DOI

[17]
Mercado R M. People's risk perceptions and responses to climate change and natural disasters in Baseco Compound, Manila, Philippines. Procedia Environmental Sciences, 2016,34:490-505.

DOI

[18]
Chang K. Community cohesion after a natural disaster: Insights from a Carlisle flood. Disasters, 2010,34(2):289-302.

DOI PMID

[19]
Hikichi H, Aida J, Tsuboya T, et al. Can community social cohesion prevent posttraumatic stress disorder in the aftermath of a disaster? A natural experiment from the 2011 Tohoku earthquake and tsunami. American Journal of Epidemiology, 2016,183(10):902-910.

DOI

[20]
Kaniasty K. Predicting social psychological well-being following trauma: The role of postdisaster social support. Psychological Trauma: Theory, Research, Practice, and Policy, 2012,4(1):22-33.

DOI

[21]
Su Y, Zhao F, Tan L Z. Whether a large disaster could change public concern and risk perception: A case study of the 7/21 extraordinary rainstorm disaster in Beijing in 2012. Natural Hazards, 2015,78(1):555-567.

DOI

[22]
Townshend I, Awosoga O, Kulig J, et al. Social cohesion and resilience across communities that have experienced a disaster. Natural Hazards, 2015,76(2):913-938.

DOI

[23]
Ashraf M, Routray J K. Perception and understanding of drought and coping strategies of farming households in north-west Balochistan. International Journal of Disaster Risk Reduction, 2013,5:49-60.

DOI

[24]
Blanke A, Rozelle S, Lohmar B, et al. Water saving technology and saving water in China. Agricultural Water Management, 2007,87(2):139-150.

DOI

[25]
Chimwai L, Munyanyi W. Risk attitude, risk perception and risk management strategies adoption in Zimbabwean small and medium enterprises. Journal of Management and Economic Studies, 2019,1(2):53-68.

[26]
Kacprzyk J. On some fuzzy cores and "soft" consensus measures in group decision making. The Analysis of Fuzzy Information, 1987,2:119-130.

[27]
Cabrerizo F J, Al-Hmouz R, Morfeq A, et al. Soft consensus measures in group decision making using unbalanced fuzzy linguistic information. Soft Computing, 2017,21(11):3037-3050.

DOI

[28]
Herrera-Viedma E, Cabrerizo F J, Kacprzyk J, et al. A review of soft consensus models in a fuzzy environment. Information Fusion, 2014,17(Suppl.I):4-13.

DOI

[29]
Tversky A. Features of similarity. Psychological Review, 1977,84(4):327-352.

DOI

[30]
Suppes P, Krantz D H. Foundations of Measurement: Geometrical, Threshold, and Probabilistic Representations. Dallas: Courier Corporation, 2007.

[31]
Schwering A. Approaches to semantic similarity measurement for geo‐spatial data: A survey. Transactions in GIS, 2008,12(1):5-29.

[32]
Pecora L M, Sorrentino F, Hagerstrom A M, et al. Cluster synchronization and isolated desynchronization in complex networks with symmetries. Nature Communications, 2014,5:4079. DOI: 10.1038/ncomms5079.

DOI PMID

[33]
Manzano G, Galve F, Giorgi G L, et al. Synchronization, quantum correlations and entanglement in oscillator networks. Scientific Reports, 2013,3(1):1439-1445.

DOI

[34]
Wu Yaoyao, Guo Hao, Wang Ying, et al. Review and prospect on consilience researches of integrated disaster risk governance. Journal of Catastrophology, 2018,33(4):217-222.

[ 吴瑶瑶, 郭浩, 王颖, 等. 综合灾害风险防范凝聚力研究进展与展望. 灾害学, 2018,33(4):217-222.]

[35]
Wu Y, Guo H, Wang J A. Quantifying the similarity in perceptions of multiple stakeholders in Dingcheng, China, on agricultural drought risk governance. Sustainability, 2018,10(9):3219. DOI: 10.3390/su10093219.

DOI

[36]
Yang Xingzhu, Lu Lin, Wang Qun. Peasants participation in tourism decision-making behavior structural model and its application. Acta Geographica Sinica, 2005,60(6):928-940.

[ 杨兴柱, 陆林, 王群. 农户参与旅游决策行为结构模型及应用. 地理学报, 2005,60(6):928-940.]

[37]
Deng Y, Wang M, Yousefpour R. How do people's perceptions and climatic disaster experiences influence their daily behaviors regarding adaptation to climate change? A case study among young generations. Science of the Total Environment, 2017,581:840-847.

Options
文章导航

/

〈 〉