浙江省臺風災害直接經濟效益評估模型研究

1臺風災災后預評估和災后評估研究臺風災害是浙江省最重要的自然災害。它帶來的次降風、風暴、潮、洪水、滑坡、泥石流等次災，對人民生命財產造成重大損害。如5612號臺風給浙江省造成4925人死亡,直接經濟損失達1.5億元,占當年GDP的4.47%。隨著社會經濟發展和防災能力提高,臺風造成的人員傷亡比過去大大減少了,但臺風災害造成的直接經濟損失卻呈明顯上升趨勢,如0505號、0509號臺風給浙江省造成的人員傷亡雖然分別只有3人、4人,但給浙江省造成的直接經濟損失分別達54.6億元和65.6億元。尤其是隨著全球氣候變暖帶來的溫度升幅加大,臺風強度增強,臺風災害的危害將更為嚴重。災害評估是防災減災的重要環節,是防災、抗災、救災資金發放和保險理賠的重要依據。目前我國臺風災害影響前的災情預評估工作還處于起步階段,災害發生過程中和災害剛結束時的災情收集主要是靠行政渠道逐級上報,這些災情數字基本上都是粗略估計出來的,由于缺乏統一的災情統計標準和規范化的計算方法,在統計災情時存在較大的人為性,同時災害造成的一些經濟損失要通過一段時間才能反映出來,造成不同部門評估出來的數字相差幾倍甚至十幾倍,既費時費力又不夠準確,已成為鉗制災情和救災工作及時開展的桎梏。20世紀90年代以來,我國學者采用致災因子和災情相結合的方法開展了臺風災情評估研究,盧文芳、錢燕珍等采用數理統計方法、孟菲等采用SAS系統、梁必騏等采用模糊數學方法、李春梅等采用層次分析法、葉雯等采用感知器算法分別建立臺風災情等級評估模型。上述模型由于沒有考慮孕災環境和承災體的變化,用于臺風災情實際評估時誤差較大。因此綜合考慮臺風災情與致災因子、孕災環境和承災體的相關關系,開展和實際相符的臺風災害災情的預評估和災后評估,對做好防災減災工作具有重要意義。為此本文從致災因子、孕災環境和承災體三個方面選取評估因子,用主成分分析方法對評估因子進行預處理,并針對評估因子和臺風災情之間具有高度不確定的非線性關系,應用BP神經網絡模型進行浙江省臺風災害經濟損失評估,取得了較好的效果。2數據來源和研究方法2.1資料來源和研究對象民政部門給出的最終災情數據是災害發生后會同農業、糧食、水利、統計等部門進行綜合分析核定得出的,有較高的可靠性。本文使用的1949～2006年臺風災情資料來自浙江省民政廳,臺風資料和氣象資料分別來自上海臺風研究所和浙江省氣象臺,1949～2006年浙江省人口數量、城鎮和農村人口比例、耕地面積、GDP總量、人均GDP資料來自浙江省統計年鑒資料(1949～2006年)。浙江省近1/3的氣象臺站在1970～1971年才建成,為了保證氣象資料的完整性、連續性,本文把1971年后登陸或影響浙江省的64個臺風作為研究對象。同時,由于昌化、天目山、嵊山、北麂、岱山、括蒼山、南麂、象山8個氣象站在上世紀90年代初期已停止觀測,統計氣象資料時剔除這幾個站的資料。臺風災害主要由暴雨、大風、風暴潮三類災害因子造成,統計時,考慮不同臺風對浙江省造成的災害不同,把在福建省寧德地區和浙江省沿海登陸的30個臺風劃為登陸臺風一類,其余34個臺風劃為影響一類。2.2學習方法2.2.1臺風孕災環境和災災承災體的基本特征災情是致災因子、孕災環境與承災體綜合作用的結果。臺風災害致災因子主要指臺風本身攜帶的大風、暴雨和風暴潮等因子,它們的強度和影響范圍是臺風災害產生的先決條件和原動力。風暴潮是沿海地區臺風影響過程中和結束后能根據氣象觀測網絡及時獲得各級臺風災害的主要致災因子之一。如9417號臺風于1994年8月21日22時30分在溫州市瑞安登陸,時值農歷七月十五日大潮汛,風、雨、潮三者疊加,引發了百年不遇的風暴潮特高潮位,僅溫州的直接經濟損失就高達105億元。臺風風暴潮的資料難于收集,臺風激發的風暴潮與臺風中心氣壓和近中心最大風速有關,在臺風登陸前后幾個小時內,沿海地區風力達到最大,此時的風暴潮也最高。目前氣象觀測系統能及時對臺風中心氣壓和近中心最大風速進行監測,并提前24～48h對臺風登陸位置和登陸時的中心氣壓和近中心最大風速作出較準確預測,因此本文把臺風登陸時的中心氣壓和近中心最大風速作為風暴潮影響因子。臺風孕災環境主要受臺風產生和登陸地區的氣候條件、移動路徑和登陸地區地理條件、臺風登陸地區水文條件、土壤條件和植被條件等共同影響,這些環境條件與臺風配合,在一定程度上能加強或減弱臺風致災因子及次生災害,直接影響災情。孕災環境隨時間而變化,因此可以通過該地區致災因子和時間來反映。臺風災害承災體主要包括臺風影響地區人口、房屋結構、農作物、工礦企業、水利設施系統、海灘養殖、交通通訊生命線系統等,這些指標的數量與質量組合(脆弱性強度)是臺風成災的主要原因和重要因素。但這些指標在不斷變化中,不能及時準確獲得。對于一個研究區域,這些指標由區域的社會經濟發展水平決定,如農民經濟收入增加后,改善住房條件,增加了防臺風災害能力。20世紀80年代以來,沿海灘涂養殖開發、工業發展,使經濟GDP大幅增長,同時臺風災害直接經濟損失也大幅增長。因此對于一個地區來說,臺風災害承災體隨時間而變化,是時間的非線性函數。臺風災情還與人民的防災意識、地區的抵御能力、政府的應急能力等有關。近年來有關臺風路徑、登陸時間、登陸地點以及降水、大風等要素的預報精確度提高為防災減災提供了更為科學的決策依據,公眾對臺風的認識和防災減災意識的提高,各種水利、防臺設施及房屋建設,有效地降低臺風災情,特別是近幾年來,浙江省政府在臺風影響前采取水庫提前放水并及時組織可能受災區域人員的安全大轉移,使人員傷亡、直接經濟損失降低到最低程度。綜上所述,一個地區的孕災環境、承災體、防災能力可以通過該地區的致災因子、時間來反映。本文以登陸或影響浙江省的臺風影響期間的浙江省各地區過程降水量≥100.0mm、≥150.0mm、≥200.0mm、≥250.0mm、≥300.0mm站數,過程極大風速≥17.2m/s、≥20.8m/s、≥24.5m/s站數(X1～X88,見表1)、登陸類臺風登陸時的中心氣壓(X89)和最大風速(X90)、臺風影響年份(X91)共91個因子作為評估因子。2.2.2通過降維生成n個相關變量臺風災情各評估因子,由于單位的不同,不能直接相加和綜合,同時因子之間存在較高的相關性;主成分分析法在減少因子相關性、避免信息重疊和克服確定權重的主觀片面性等方面有其獨特的作用,它能很好地抓住事物的主要矛盾。主成分分析的基本原理是:設有n個相關變量Xi(i=1,2,…,n)組合成n個獨立變量Yi(i=1,2…,n),使得獨立變量yi的方差之和等于原來n個相關變量Xi的方差之和,并按方差大小由小到大排列。把n個相關變量的作用看作由幾個獨立變量Yi(i=1,2…,m)(m<n)所決定,于是n個相關變量就縮減成m個獨立變量Yi,Yi(i=1,2…,m)也就是主成分。具體計算時通過數據標準化,由標準化后的數據求協方差矩陣,計算特征方程中所有特征值并根據特征值累計比例確定主成分的數量,計算主成分載荷值和主成分得分,以及進行主成分評分等。通過降維產生的新變量能夠在不損失原有信息的情況下,使原有變量所代表的信息更集中、更典型地體現出來。本文采用DPS軟件的主成分分析模塊對評估因子進行處理,具體步驟參見文獻。2.2.3人工神經網絡的內涵臺風災情與評估因子之間存在強耦合和非線性關系,但災情與評估因子資料信息不全、變化大,難以用常規數學方法描述二者關系,采取線性統計模型評估結果和實際情況之間往往存在較大誤差。人工神經網絡ANN(ArtificialNeuralNetwork)技術綜合了數理統計、神經計算、符號邏輯等人工智能理論技術,是一種非線性的動力學系統,不要求對事物機制有明確的了解,不需建立復雜的數學模型以及非線性映射能力強等優點,系統的輸出只取決于系統輸入和輸出之間的連接權,而這些連接權的數值則是通過訓練樣本學習獲得,這種方式對解決具有一定的內在規律、機理尙不明確,有一定模糊性的問題特別有效。本文采用DPS軟件的BP神經網絡模塊建立臺風災害經濟損失的預測模型,具體步驟參見文獻。3直接經濟損失的歸一化評估災害的直接經濟損失常用兩種數據處理方法:一種是直接用當年的直接經濟損失值;另一種用當年的直接經濟損失值除以當年的國內生產總值(GDP)。表2列出了1971年以來登陸浙江省的臺風災害造成的直接經濟損失,隨年份增長,國內生產總值增加,登陸時強度相同或接近的臺風造成的直接經濟損失增加,因此直接用當年的直接經濟損失值來表示臺風災害災情會造成七八十年代的災情偏小;進入90年代,浙江省的GDP隨時間呈指數增長,但登陸時強度相同或接近的臺風造成的直接經濟損失并不隨時間明顯增長,因此用當年的直接經濟損失值除以當年的國內生產總值,不能反映90年代以來尤其是2004年后的臺風災情。災害直接經濟損失不僅與災害發生時的GDP有關,還與當時的物價指數有關。本文首先對直接經濟損失進行歸一化。考慮到GDP和物價指數在數量級別上存在明顯的差異,二者分別乘以一系數:Y=Z×(1GDP×10+1W×500)÷2Y=Ζ×(1GDΡ×10+1W×500)÷2式中:Y為直接經濟損失指數,Z為直接經濟損失(單位級別為萬元),GDP為上一年度的國內生產總值(單位級別為億元),W為上一年度的物價指數。物價指數的計算:以1970年為基數100,由各年與1970年的關系計算出該年度的物價指數。可根據Y從上式還原出直接經濟損失。4結果和分析4.1主成分評估因子登陸類臺風以評估因子X1～X90、影響類臺風以評估因子X1～X88作為原變量,通過對數據標準化,計算變量方差和協方差矩陣的特征量,將多個變量通過降維轉化為少數幾個綜合變量。當前幾個主成分的累計方差貢獻率達到85%以上時,主成分基本概括評估因子的大部分信息。表3、4分別是登陸類、影響類臺風評估因子的總方差分解表,登陸類臺風的前11個主成分因子、影響類臺風的前10個主成分因子的累計方差貢獻率達到85%以上,因此分別以它們作為主成分,代表主要的風雨評估因子指標。4.2效應標效果檢驗以主成分分析識別出的主成分和臺風影響年份作為BP神經網絡輸入層神經元矩陣,臺風災害直接經濟損失指數Y作為其輸出層神經元。BP網絡結構為三層,隱含層節點設為輸入層節點數的75%,在系統訓練時再增減1到2個節點數進行比較,確定出最合理的網絡結構。經過訓練和檢驗,登陸類臺風直接經濟損失評估模型的BP結構為12-8-1,影響類臺風直接經濟損失評估模型的BP結構為11-8-1。模型的輸入和輸出結果見表5和表6。登陸類臺風和影響類臺風直接經濟損失指數擬合值和實際值的相關系數分別為0.9913、0.9569,均達到0.01顯著水平,平均絕對誤差分別為0.66、0.95;我們同時建立了線性回歸模型,登陸類臺風和影響類臺風直接經濟損失指數擬合值和實際值的相關系數分別為0.7784、0.6988,平均絕對誤差分別為5.15、2.38,效果差于主成分神經網絡模型。從表5和表6可知,登陸類臺風模型擬合效果優于影響類臺風,登陸類臺風除9017、0216號臺風擬合效果較差,其余和實際值相接近,影響類臺風有5個臺風擬合效果較差,這和氣象部門對臺風的預報能力以及人們的防臺措施有關。浙江省地處我國東南沿海,平均每年受1～2個臺風登陸影響,上世紀70年代以來,氣象部門加強了對登陸類臺風的影響預報,能提前1天作出較準確預報,人們及時采取相應的防臺措施,因此登陸類臺風災情和評估因子間相關關系較好;影響類臺風由于是外圍影響,影響臺風降水的不確定性因素多,臺風外圍和冷空氣結合會產生強降水,氣象預報難度較大,影響人們的防臺措施,造成了臺風災情的不確定性。在2007年和2008年,利用建立的主成分BP神經網絡模型對登陸或影響浙江省的5個臺風災害的直接經濟損失進行了評估,評估結果和擬合結果見表7。災后根據實際的降水量、大風、登陸時中心氣壓、近中心最大風速作出的評估值比實際收集的直接經濟損失指數偏大,臺風災情與政府的防災減災能力密切相關,二者差值反映了防災減災效果。其中二個影響類臺風“Sepat”、“Fung-wong”和登陸時強度較弱的臺風“Kalmaegi”,實際收集的直接經濟損失指數較小,災后評估值和實際值比較相符。“Vipa”登陸時強度級別為強臺風,直接經濟損失指數災后評估值比實際值偏大2.16,“Krosa”登陸時強度級別為臺風,直接經濟損失指數災后評估值比實際值偏大0.49,反映了臺風強度越大,影響越嚴重,防災減災越重視,防災減災效果越明顯,這和實際工作中是一致的。登陸類臺風以登陸前24h、影響類臺風以開始影響浙江省時作出的登陸時中心氣壓、近中心最大力、過程降水量和大風預報值,作為臺風災害的評估因子得到直接經濟損失災前預評估指數(表7)。除“Vipa”外,4個臺風根據開始影響時的風雨預報值作出的預評估值和實際值相差較大,其中2個影響類臺風異常偏大,這和氣象部門對臺風特別是影響類臺風帶來的降水和大風預報能力有關。“Vipa”號臺風過程風雨預報值和實況相符(圖1),災前預評估和災后評估一致;Krosa等4個臺風影響時的過程風雨預報值比實況偏大,其中2個影響類臺風異常偏大(圖2),使災前預評估值偏大。因此,準確的臺風影響前過程降水量、大風預報是提高災后預評估準確率的關鍵。5臺風災害損失評估的應用(1)災情評估是做好防災減災的重要環節,根據氣象資料開展臺風災害影響前的災情預評估和災后評估,可以為開展防災、救災工作提供客觀依據。隨著社會經濟發展和防災能力提高,臺風災情隨時間呈動態變化,在評估臺風災情時必須考慮孕災環境和承災體的變化,提高災情評估的準確性。(2)現有的臺風災害評估方法采用災情等級來表示受災程度,災情等級劃分主觀性較大,同一災情等級對應的直接經濟損失值范圍大,不能提供準確的直接經濟損失值。臺風災害直接經濟損失值既與致災因子、孕災環境和承災體有關,又與GDP、物價指數有關。本文先把臺風災害直接經濟損失值用GDP、物價指數進行歸一化處理成直接經濟損失指數,消除年際間GDP、物價指數對直接經濟損失值的影響。采取直接經濟損失指數方便政府部門把臺風災害直接經濟損失轉化成等級向外發布,指導人們開展防災減災工作,又可以提供具體的直接經濟損失值為政府開展防災減災、救災和災后保險理賠提供