網絡公眾對高放廢物深地質處置接受性研究

張冰燾，趙帥維，李洪輝，謝龍龍，孟子賀

（中國輻射防護研究院，太原 030006）

隨著核電的發展，將會有越來越多的高放廢物產生，而高放廢物的安全處置是核能可持續發展和環境保護的重大問題［1］。目前大多數有核國家都傾向于采用由美國國家科學院首先提出的深地質處置方案來進行高放廢物處置［2］。中國對于高放廢物處置的相關研究開展較晚，于1985年由徐國慶等開始了第1個高放廢物地質處置研究課題［3-4］。從此，中國開展了高放廢物地質處置的跟蹤調研、高放廢物地質處置規劃、處置庫場址區域篩選、地下實驗室場址篩選、工程屏障、核素遷移和安全評價等多方面的研究。自21世紀開始，中國高放廢物地質處置相關的研究開發工作進入了一個穩步發展的全新階段［3］，高放廢物地質處置科研從選址、場址評價逐漸進入為地下實驗室建設做準備的階段。

高放廢物深地質處置地下實驗室的建設涉及到許多的問題，在使用的過程中肯定會涉及到放射性廢物的處置。一旦有關放射性廢物的處置研究勢必離不開公眾的支持［5-7］。公眾接受性研究是政治學、心理學和公共政策等領域中公共輿論與風險治理研究的一大分支，是一項科學創新與公共管理的交叉研究［5］。地下實驗室的公眾接受性會對國家未來的核退役治理工程發展的政策、技術、經濟性等問題都會產生影響。國家決策不僅要考慮經濟成本，還要考慮社會成本，如果公眾對地下實驗室存在較大爭議，甚至引發沖突，其結果所造成的巨大社會影響是政府在進行決策時考慮的主要問題之一［8］。因此，地下實驗室的公眾接受性既影響核退役治理工程的發展，也影響安全目標的制訂，在國外地下室實驗的建設過程中，公眾的決定占據了主導地位。如芬蘭、瑞典，在建設的初期與公眾保持了良好的溝通，項目順利進行；相反的是，法國、美國因為公眾的強烈反對導致研發計劃終止或者延期。因此公眾的參與起到了決定性的作用［9-12］。

由于中國高放廢物地質處置地下實驗室工程初步建立，而高放廢物潛在的安全性以及公眾對其的擔心和影響決定后續發展，特別是工程周圍的居民的接受度對其擁有巨大的影響力，他們對高放廢物的認知水平將對工程的建設起到了重要的作用。調研國內、外分析公眾接受性的方法，以及收集有關公眾接受性的數據，是目前了解高放廢物地質處置地下實驗室建設公眾接受性的基礎。然后再選擇合適的分析與研究方法總結影響公眾對高放廢物地質處置地下實驗室工程接受度的關鍵因素，進而了解公眾參與的接受程度。這有利于對后續過程中加強高放廢物知識的宣傳普及，提高公眾的核應急意識，解決由于高放廢物地質處置研究室對他們生活、生活環境中造成問題提供幫助。因此，尋求影響地下實驗室公眾接受性的關鍵因素，一方面有助于社會科學研究者提煉出公共輿論、政策過程和政府回應的一般知識；另一方面有助于決策者把握公眾心理，從而制訂出技術可行、人民滿意的政策，實現科學化和民主化［5］。

1 網絡爬蟲確定關鍵因素

以網絡爬蟲（Web crawler）的方式從各大新聞網站上爬取核相關新聞數據進行研究，對爬取的數據進行數據預處理，并進行分析、歸納和整理，最終得到公眾接受性關鍵因素。

爬蟲就是請求網站并提取數據的自動化程序，本研究采用Scrapy框架來實現爬蟲，其具體步驟如下：（1）打開一個網站，找到處理該網站的爬蟲（Spider），并請求第1個要爬取的網址（Uniform Resource Location，URL）［13］；（2）通過調度器（Scheduler）以請求（Request）的形式進行調度，并請求下一個要爬取的URL；（3）Scheduler返回下一個要爬取的URL，同時下載頁面；（4）頁面下載完畢后，將其發送給引擎（Engine）；（5）將下載的頁面交給Spider處理，并返回爬取到的項目（Item）及新的Request；（6）將返回的Item給項目管道（Item Pipeline），將 新 的Request給Scheduler；（7）重 復 以 上 步驟，直到Scheduler中沒有更多的Request，關閉該網站，爬取結束。

通過以上步驟，一共爬取到11 508條數據，涉及包括性別、年齡、學歷、住址、職業、年收入、對核的了解、對政府和專家的信任程度、知情權、監督權、參與權和對核退役的態度等29個屬性，如表1所示。

表1 各個因素指標含義Table 1 The meaning of each factor index

2 各個因素權重的計算

2 .1層次分析模型的建立

根據表1所得到的網絡上公眾接受性的指標與分類，因素中人口性別、年齡、職業和家庭收入是通過其他因素等間接影響到公眾的接受性。公眾對于接受程度的判斷結果是非常主觀的［14］。雖然年齡、性別等客觀因素可能影響到公眾的接受情況，但并不能作為公眾接受性的評價標準［15］。因此，對于公眾接受性影響因素當中的性別、年齡、職業和家庭收入的客觀因素進行刪除，最終可以構建出層次分析模型，如圖1所示。

圖1 網絡因素的層次分析模型Fig.1 AHP mode of factors in the internet

2 .2 XGBoost算法確定各個因素的權重

層次分析法確認權重一般通過專家打分法進行打分，但是這種方法個人主觀性太強，不能很好地表示出民眾的意愿。為了更好地結合網絡工具，采用大數據處理的方法對采集到的數據進行整理，以確定各個因素的權重。

XGBoost（Extreme Gradient Boosting）算 法是基于決策樹的集成機器學習算法，使用梯度上升框架，適用于分類和回歸問題［15］。它可以有效地構建增強樹并能夠并行運行，假設有T顆樹，那么模型的輸出值為：

式中：T—樹的數目；F—樹的集合空間；yi—模型的預測值；xi—第i個數據點的特征向量，且xi∈R（i=1，2，…，n）；ft—第t棵獨立樹的結構，與葉子的權重向量有關。每一棵的參數包括它的結構與葉子結點的值，不妨將每一顆樹作為參數來進行優化，目標函數可改寫為：

采用前向分布算法把學習過程分解為先學習第一顆樹，然后基于學習好的第一顆樹再去學習第二棵樹，以此類推，直到通過第t?1顆樹來學習第T顆樹為止。即要找到這樣一個樹，使下面的目標函數最小：

在一個基學習器（CART）中，影響其復雜度的因素主要有葉子結點數、葉子的權值，因此樹復雜度函數Ω（ft）可以寫為：

問題轉換為使得目標函數Obj（T）最小

解得

代入目標函數得

XGBoost算法從根的節點開始，用遞歸的方法選擇樹結構的最優特征，以此對訓練數據進行分割［16］。信息增益最大的分割為該節點的最優分割，其計算如公式

式中：中括號第1項—左子樹分數；第2項—右子樹分數；第3項—不分割時的分數；γ—加入新葉子節點引入的復雜度代價，當Gain<0時，放棄分割［17］。

XGBoost根據結構分數的增益情況，計算出選擇哪個特征作為分割點，而這個特征的重要性就是它在所有樹中出現的次數之和［18］。也就是說一個屬性越多地被用來在模型中構建決策樹，它的重要性就相對越高，相應的對結果的預測影響更高。

以是否同意所在的地區被選定為高放廢物處置庫建設區為類別標簽，同意為1，反對為0，訓練集和測試集的數據比例按照7：3進行劃分。最終XGBoost模型相關性能指標結果如表2所示。由 表2可 見，XGBoost模 型 的AUC達 到 了91.22%，預測效果良好。Accuracy（ACC）代表模型準確率，XGBoost模型的ACC為82.18%，表示模型具有良好的準確率。Recall和Precision分別代表查全率及精確率，F1-score代表F1得分。這三個指標都在80%以上，代表模型預測精度好，結果的可信度較高。

表2 XGBoost模型性能指標Table 2 Performance index of XGBoost mode

由于集成模型中的XGBoost仍然屬于樹模型，對于樹模型可以判斷每個特征變量對模型的貢獻程度，從而判斷哪些特征變量對于是否同意所在的地區被選定為高放廢物處置庫建設區的影響更為顯著，其結果如圖2所示。

圖2 因素的特征重要性Fig.2 The characteristic importance of factors

圖2顯示了每個特征變量對模型的貢獻程度，通過程度的強弱來表示每種因素的權重，最終筆者通過以下公式確定每個因素的權重。

式中：q—子因素對模型的貢獻程度，Q—該子因素所對應的主要因素的貢獻程度，V—該子因素的權重，以此可以計算出每個因素的權重。根據構建好的公眾接受性評價指標體系，建立評價指標集。

一級指標：

U=｛V1；V2；V3；V4｝=｛認知水平；信任水平；感知風險；感知利益｝

二級指標：

V1=｛V11；V12；V13；V14；V15；V16；V17｝=｛是否了解核泄漏；是否了解核污染；是否了解核；是否了解核電；是否了解核能；是否了解核技術；是否了解核退役｝；

V2=｛V21；V22；V23｝=｛對當地政府的信任；對核事故防范的信任；對企業和科學家的信任｝；

V3=｛V31；V32；V34；V35；V36；V37；V38｝=｛建造高放廢物處理地區的位置；遏制本地經濟的發展；參與權；對本地生態環境的破壞；對本地居民造成心理負擔；監督權；生命安全；知情權｝；

V4=｛V41；V42；V43；V44；V45；V46｝=｛對 發展核退役工程持何種態度；補償收入得到提高；提供更多的就業機會；促進本地經濟發展；基礎服務設施得到提高；引進人才｝。

通過上述方式，進而計算各因素權重值，得出U的具體權重為：

U=｛V1；V2；V3；V4｝=｛0.176；0.268；0.315；0.241｝

設Vi各因素的權重分配為：

3 公眾接受性綜合評價

3.1 建立評語集

建立公眾接受性的評語集S=｛S1；S2；S3；S4；S5｝［14］。其中S1為非常差，S2為較差，S3為一般，S4為較高，S5為非常高，如表3所示。

表3 公眾接受性評語等級Table 3 The comment grade of public acceptance

3.2 綜合評價

如果rij（i=1，2，…，m；j=1，2，…，n）可以用來表示指標vi對第j級評語vj的隸屬程度，根據調查結果，并進行整理分析，則

因此，根據rij值就可以得到各因素對不同評價的隸屬程度所組成行向量元rij，根據行向量元rij，可以得到相應的評價矩陣。對于研究不同因素的權重值，通過以下公式：

形成相應的評價向量Bi，所得的Bi組成矩陣B，即

根據指標權重集U=｛V1；V2；V3；V4｝，得到向量Bv的具體公式：

根據計 算得出Bv=（0.060，0.338，0.097，0.431，0.074）。為了得到具體的結果，將評語集S=｛S1；S2；S3；S4；S5｝設分值并組成一個列向量W=［W1，W2，W3，W4，W5］T。分值定為每個等級范圍的中值，即W=［95，85，70，50，20］T，具體公式：

式中：Bi—評價向量jW—分值向量；G—綜合評價分數。根據公式計算可以得出：認知水平G1=60.753；信任水平G2=56.050；感知風險G3=58.770；感知利益G4=63.529；公眾接受性G=59.537。根據評價結果可以得到相應的網絡上公眾接受性水平，具體情況見表4。

表4 網絡群眾的公眾接受性評價結果Table 4 The evaluation results of Internet public acceptance

從分析該結果可以得出，網絡公眾的整體接受性處于較差水平。其中感知風險和信任水平的公眾接受性水平較低，說明網絡上公眾接受性受到個人狀況的影響較大，另外總體對政府部門、科學信任以及處理能力信任的水平不夠高。感知利益的公眾接受處于一般水平，這可能是由于網絡上的群眾并非是選址區域的受益方，導致感知利益方面上與選址區域群眾可能存在差異。認知水平的公眾接受性處于一般水平，說明網絡群眾整體對核的相關知識不太了解，從而造成對專家和政府的能力還不是十分信任。

4 結論

通過對網絡上公眾接受性進行研究，得到了以下的結論。

通過爬蟲爬取網絡上與核相關的信息評論，借鑒已有相關文獻的基礎上和通過數據整理歸納知識，建立公眾接受性的層次結構模型。通過該模型的識別，信任水平、認知水平、感知利益、感知風險是影響網民公眾接受性的主要因素。

根據網絡上高放廢物深地質處置公眾接受性的主要影響因素，建立了由4個一級指標和29個二級指標所組成的高放廢物深地質處置公眾接受性的評價指標體系。采用層次分析法建立模型，并通過XGBoost算法對每一項評價指標賦予權重值，結合模糊層次綜合評價法對高放廢物深地質處置公眾接受性進行綜合評價，得到評價結果為59.537分，根據所建立的公眾接受性的評語等級，可以得出，網絡上高放廢物深地質處置的公眾接受性處于較差水平。

通過所得的評價結果對網絡群眾高放廢物深地質處置公眾接受性進行綜合分析，網絡上高放廢物深地質處置在多個方面存在著不足，其中信任水平和感知風險處于較差水平，而認知水平和感知利益僅僅處于一般水平，說明網絡上公眾對于高放廢物深地質處置的信任不足，認知不夠。根據這些不足，可以加強有關高放廢物深地質處置知識的普及，建立該領域專家、政府、環保局等新聞發布制度，提升高放廢物深地質處置的相關技術和管理水平，進而為提高網絡上高放廢物深地質處置的公眾接受性提供依據。