在水资源限制条件下，利用人工智能（AI）提升的系统动态模拟助力可持续城市发展：以中国廊坊市为例

《Environmental Research》：AI-enhanced system dynamics simulation for sustainable urban development under water constraints: A case study of Langfang City, China

　　李淑乐|裴秋明|李静文|薛茹
四川科技大学经济学院，中国宜宾644000

**摘要**
水资源短缺的城市在经历快速城市化进程的同时，必须维持经济增长，并遵守严格的水资源和环境限制。然而，长期政策模拟往往受到外部驱动因素（尤其是人口动态）不确定性的影响。本研究开发了一种基于人工智能（AI）的系统动力学（SD）框架，该框架将BP神经网络集成预测器与一个综合水资源、环境过程和城市发展的多子系统SD模型相结合。预测模块非线性地结合了GM（1,1）和Logistic模型来生成年度人口轨迹，这些轨迹被用作SD模拟的外生边界输入。SD模型捕捉了供水与分配、再生水回用、污染控制、经济增长和城乡协调之间的反馈。该框架应用于河北省廊坊市，这是一个位于京津冀地区的严重水资源短缺的城市，使用2000-2021年的数据模拟了2020-2035年的五种政策情景。BP集成模型的平均相对回溯误差为0.08%，优于GM（1,1）（0.40%）和Logistic模型（0.42%）。在协调发展情景（S5）下，每增加10,000元工业增加值，工业用水量每年减少3.2%，再生水利用率达到60%，城市化率为78%，到2035年GDP将达到1.005万亿人民币。再生水占总供应量的24.4%，废水排放量降至S1水平的55.6%，城乡收入比缩小至1.74。与单一目标路径相比，S5在经济增长、水资源安全、污染控制和社会公平方面提供了更平衡的发展轨迹。所提出的AI-SD框架为减少外生输入不确定性和支持水资源受限城市系统的多目标政策设计提供了一种可复制的方法。

**引言**
水资源和水生环境对生态安全、社会经济发展和人类福祉至关重要（V?r?smarty等人，2010年）。在气候变化、人口增长、快速城市化和工业扩张的多重压力下，水资源短缺已经从一个区域性和偶发的限制转变为影响全球许多城市系统的结构性挑战（Gong等人，2026年；Mekonnen和Hoekstra，2016年；Wang等人，2024年）。同时，水质恶化进一步减少了可用水资源的可用性，从而加剧了水资源安全风险。这些压力在发展中国家的快速城市化地区尤为突出，这些城市必须在日益严格的资源和环境限制下容纳人口集中和经济增长（Fl?rke等人，2018年；Mansour等人，2026年；Mohammadian等人，2026年）。在中国北方，这种紧张关系在北京-天津-河北（BTH）城市集群中尤为明显，那里有限的水资源、过度开采的地下水、工业搬迁和城市扩张共同加剧了水资源需求和污染负荷（Jia等人，2019年；Li和Pei，2026年；Li等人，2022年；Ma等人，2020年）。位于大城市功能腹地的城市往往经历加速的人口流入和工业搬迁，这会迅速增加水资源需求和污染负荷（Li和Pei，2026年；Liu等人，2025年；Ma等人，2020年）。因此，水资源短缺城市的可持续城市发展需要综合管理供水组合、需求侧效率、污染控制和社会经济转型（Cansino-Loeza和Ponce-Ortega，2021年；Wu等人，2024年）。

**基于模型的政策评估对于在资源、环境和社会经济约束下识别可行的发展路径至关重要（Borgomeo等人，2014年；Kasprzyk等人，2013年）**。系统动力学（SD）建模已被广泛应用于城市水资源和环境管理，因为它能够明确表示反馈循环、存量-流量结构、非线性响应和时间延迟（Ma等人，2018年；Maier等人，2014年；Sun等人，2026年；Yan等人，2014年）。这些特性使得SD特别适合于涉及人口、水资源需求、废水产生、经济增长和政策干预的耦合系统的长期情景模拟（Li等人，2026年；Pejic Bach等人，2019年；Wang等人，2022b；Zare等人，2019年）。先前的研究使用SD模型评估了供水-需求平衡、再生水回用、用水效率、产业重组和多部门权衡（Konstantinou等人，2025年；Mou等人，2019年；?zcan和Alp，2026年；Wang等人，2022a）。例如，Zheng等人（2024年）强调了提高用水效率和优化深圳经济结构的重要性，而Zhu等人（2024年）认为综合发展是平衡天山山脉北部城市集群中人口、水资源、生态和经济的有利途径。总体而言，这些研究表明城市水系统受到相互作用的环境、经济和社会过程的塑造，而一维线性分析不足以支持长期视野下的政策制定。

尽管取得了这些进展，许多SD应用的一个持续局限是，关键驱动因素（特别是人口）通常被视为外生输入，并使用固定的增长率、政策目标或单模型外推进行预测（Perramond，2020年；Veldkamp等人，2017年；Zare等人，2019年）。这种简化可能会在长期模拟中引入结构性偏差。即使是人口预测的微小误差也可能通过SD反馈结构被放大，从而影响模拟出的居民用水需求、废水排放、污染负荷、就业和经济产出（Addor等人，2017年；Smith等人，2025年）。因此，提高外生驱动因素预测的准确性和稳健性对于增强基于SD的政策评估的可信度至关重要，尤其是在水资源短缺的城市中，规划结论对人口假设非常敏感。

**人工智能（AI）的最新进展为减少这种不确定性提供了有希望的方法（Biazar等人，2025年；Rahman等人，2026年；Shen，2018年）**。神经网络具有强大的非线性逼近能力，已被广泛应用于降雨径流建模、流量预测、水质预测和水资源承载能力评估（Nguyen等人，2026年；Salehi和Akbar Salehi Neyshabouri，2025年；Vinoki?等人，2025年）。然而，AI方法通常用于数据驱动的预测，而SD模型主要用于基于机制的模拟和政策分析（Cai等人，2021年，2022年）。因此，将AI预测与SD建模结合可以同时实现预测准确性和结构可解释性。然而，来自水资源短缺城市的可复制耦合策略和实证证据仍然有限（Chen等人，2025年；Rasoulabadi和Safavi，2025年；Zhang等人，2025年）。

**基于此背景，本研究开发了一个基于AI的SD框架，将BP神经网络集成预测模块嵌入到一个耦合的水资源-环境-城市发展SD模型中**。预测模块通过BP神经网络结合GM（1,1）和Logistic模型来生成年度人口轨迹，然后将其用作SD模拟的外生边界输入。该框架应用于河北省廊坊市，这是唯一一个位于北京和天津之间的地级市（Li等人，2022年）。廊坊在BTH协调发展倡议中占据战略位置，但面临严重的水资源短缺、长期过度开采地下水和严格的环境法规（Gao等人，2025年；Li等人，2023年；Qian等人，2025年）。这使得廊坊成为研究水资源短缺城市如何在严格的水资源限制下追求可持续城市发展的代表案例。

**本研究有三个主要贡献**：首先，它通过整合GM（1,1）、Logistic增长和BP神经网络模型，为小样本城市人口动态开发了一种非线性集成预测方法，并进一步研究了人口输入不确定性如何传播到SD输出中。其次，它构建了包括水资源、环境和城市发展在内的子系统，并明确表示了再生水回用、废水排放、产业重组和城乡协调。第三，通过比较2020-2035年的五种政策情景，它确定了一条平衡经济增长、水资源安全改善、污染减少和社会公平的协调发展路径。所提出的框架为寻求在严格水资源限制下协调城市发展的水资源短缺城市提供了一种可转移的决策支持方法。

**部分摘录**
**BP神经网络集成预测方法**
为了提高SD模型中使用的人口输入的可靠性，我们开发了一个基于BP神经网络的集成预测模块。该模块结合了两个基础模型GM（1,1）和Logistic增长，并使用观察到的 population 数据来训练从基础模型预测到实际 population 值的非线性映射。得到的年度 population 序列被用作后续 SD 模拟的外生边界条件。

**研究区域**
廊坊市位于中国北方的河北省中部。如图3所示，它是唯一一个位于北京和天津之间的地级市，所有10个县级行政单位都与这两个直辖市之一接壤（Li等人，2022年）。这一独特的位置使廊坊处于BTH协调发展的战略腹地。其北部县与北京的通州次中心紧密相连，中部县与北京...

**基于BP神经网络集成的廊坊市人口预测**
GM（1,1）、Logistic和BP神经网络模型被应用于拟合廊坊的历史居民人口并生成到2035年的预测。拟合精度和预测结果分别在表3、表4和表5中进行了比较。

**节水强度与产业升级之间的协同作用**
在S5情景下，每单位工业附加值的用水量每年减少3.2%，高于S1的0.5%，低于S3的5.1%。这种中间设置平衡了节水压力与产业发展空间。这反映了城市水系统是通过资源限制、经济重组、环境法规和社会发展之间的相互作用而演变的，而不仅仅是通过单一目标优化（Rauch等人，2017年；Wang等人，...）