基于IOSM的蘇州市自然災(zāi)害損失風(fēng)險分析

連 達(dá) 軍，董 開 權(quán)，蘇 群

(1.蘇州科技大學(xué)，江蘇 蘇州215009；2.蘇州市民政局，江蘇 蘇州215031)

基于IOSM的蘇州市自然災(zāi)害損失風(fēng)險分析

連 達(dá) 軍1，董 開 權(quán)2，蘇 群1

(1.蘇州科技大學(xué)，江蘇 蘇州215009；2.蘇州市民政局，江蘇 蘇州215031)

基于災(zāi)害損失歷史統(tǒng)計數(shù)據(jù)，借助于內(nèi)外集模型(IOSM)進行自然災(zāi)害風(fēng)險分析。首先確定觀測區(qū)間并檢驗觀測樣本的分布形式，基于此確定其可能性-概率分布矩陣PPD，然后計算災(zāi)害損失的風(fēng)險期望值，并基于ArcGIS制作不同災(zāi)害情境下各災(zāi)害損失指標(biāo)的風(fēng)險分布圖。針對蘇州市主要自然災(zāi)害類型，選取受災(zāi)人口、倒塌房屋、農(nóng)作物受災(zāi)面積和直接經(jīng)濟損失作為災(zāi)害損失指標(biāo)進行災(zāi)害風(fēng)險分析，得到以下主要結(jié)論：1)不同災(zāi)害類型下各災(zāi)害損失指標(biāo)的風(fēng)險水平和復(fù)現(xiàn)期不同，其中臺風(fēng)導(dǎo)致200萬人口、12 500 hm2農(nóng)作物受災(zāi)和42.5萬間房屋倒塌的復(fù)現(xiàn)期均為7.2～7.5 a。2)不同類型災(zāi)害的損失特征和程度不同，臺風(fēng)對人口、農(nóng)作物和房屋的影響最大；洪澇災(zāi)害的直接經(jīng)濟損失最大，說明洪澇災(zāi)害后果最嚴(yán)重；風(fēng)雹對各項指標(biāo)的影響都比較小，與其影響區(qū)域小、持續(xù)時間短等局部災(zāi)害特征有關(guān)。3)各類型災(zāi)害損失風(fēng)險呈現(xiàn)顯著的空間差異特征，對臺風(fēng)導(dǎo)致的災(zāi)害損失風(fēng)險分析表明，吳中區(qū)、吳江市、常熟市和張家港市的災(zāi)害風(fēng)險最大；常熟市和吳中區(qū)臺風(fēng)導(dǎo)致受災(zāi)人口和農(nóng)作物減產(chǎn)的風(fēng)險最大，市區(qū)周圍臺風(fēng)導(dǎo)致受災(zāi)人口風(fēng)險最小；常熟市臺風(fēng)導(dǎo)致房屋倒塌的風(fēng)險最大。4)災(zāi)害發(fā)生概率及其可能性共同決定災(zāi)害損失風(fēng)險。研究成果對民政部門制訂、調(diào)整、規(guī)劃救災(zāi)對策以及民生保險預(yù)算具有重要意義。

災(zāi)害風(fēng)險分析；災(zāi)害損失；內(nèi)外集模型(IOSM)；風(fēng)險度；風(fēng)險期望值

世界各地每年都會發(fā)生規(guī)模不等的各類型自然災(zāi)害。隨著自然災(zāi)害破壞損失的急劇增加，消除所有的災(zāi)害技術(shù)上不切實、經(jīng)濟上也不可行。20世紀(jì)末以來，世界各國的相關(guān)學(xué)者都相繼拓寬了災(zāi)害研究領(lǐng)域，在繼續(xù)深入研究災(zāi)害機理的同時，開始進行災(zāi)害風(fēng)險評估研究。若能科學(xué)進行災(zāi)害風(fēng)險評估分析，就可以事先獲得目前和未來災(zāi)害發(fā)生的風(fēng)險，從而采取切實有效的防范對策[1-4]。目前國內(nèi)外自然災(zāi)害風(fēng)險評估的方法多種多樣，按方法的驅(qū)動因素可分為指標(biāo)驅(qū)動和數(shù)據(jù)驅(qū)動兩大類風(fēng)險評估方法：前者如層次分析法、模糊綜合評判法和主成分分析法，該類方法可大致反映研究區(qū)的風(fēng)險等級，但無法獲得研究區(qū)的風(fēng)險度；數(shù)據(jù)驅(qū)動類風(fēng)險評估方法如時序模型、聚類分析、概率密度函數(shù)參數(shù)估計法或非參數(shù)估計法，此類方法存在風(fēng)險評估不準(zhǔn)確、樣本數(shù)據(jù)太少時評估結(jié)果失真或無法直接比較評估結(jié)果等缺陷。內(nèi)外集模型(IOSM)不僅可以依據(jù)數(shù)據(jù)樣本的分布形式測算樣本的可能性概率指標(biāo)，而且可顧及小樣本情形下概率估計的模糊特征[5-7]。本文綜合分析蘇州市1993-2012年自然災(zāi)害損失報表，基于內(nèi)外集模型測算災(zāi)害損失樣本數(shù)據(jù)的可能性概率分布矩陣，基于此計算各損失指標(biāo)的風(fēng)險期望，并借助于GIS空間分析技術(shù)方法研究該市災(zāi)害風(fēng)險的空間分布規(guī)律及其特征。

1 研究區(qū)概況與數(shù)據(jù)來源

蘇州市位于我國長江三角洲區(qū)域，近年來沒有經(jīng)受大的自然災(zāi)害，但各類氣候災(zāi)害時有侵?jǐn)_，并且直接影響到百姓的正常起居和日常生活，表1為1994年以來蘇州市受災(zāi)較嚴(yán)重的年份主要自然氣候災(zāi)害類型導(dǎo)致的直接經(jīng)濟損失統(tǒng)計，可直觀反映蘇州市主要災(zāi)害類型。因此，本文將風(fēng)雹、臺風(fēng)和洪澇災(zāi)害三類自然災(zāi)害作為蘇州市自然災(zāi)害風(fēng)險分析對象，為便于比較，將干旱、雪災(zāi)和低溫冷凍、地震、滑坡和泥石流、病蟲害等偶發(fā)災(zāi)害統(tǒng)一劃歸為其他災(zāi)害類型。以1994-2012年蘇州全市災(zāi)情匯總數(shù)據(jù)、蘇州各縣區(qū)自然災(zāi)害損失情況統(tǒng)計臺賬以及蘇州行政區(qū)劃圖為數(shù)據(jù)源，選取受災(zāi)人口、農(nóng)作物受災(zāi)面積、倒塌房屋等災(zāi)害損失指標(biāo)為災(zāi)害風(fēng)險分析數(shù)據(jù)，基于IOSM分析各災(zāi)害情形下不同指標(biāo)的風(fēng)險損失。

2 研究方法

2.1 內(nèi)外集模型(IOSM)

表1 蘇州市1994年以來主要自然災(zāi)害類型導(dǎo)致的直接經(jīng)濟損失統(tǒng)計

(1)

在離散概率論域P={pk|k=0,1,2,…,n}={0,1/n,2/n,…,1}上，可計算出事件Ij發(fā)生的概率是pk的可能性為πIj(pk)，此即為內(nèi)集-外集模型(簡稱IOSM)[8，9]。

2.2 基于IOSM的災(zāi)害損失風(fēng)險測算方法

以災(zāi)害損失統(tǒng)計值作為觀測樣本基礎(chǔ)數(shù)據(jù)，基于IOSM方法測算災(zāi)害風(fēng)險期望值，測算過程如圖1所示，其中PPD矩陣元素πIj(p)計算公式為：

(2)

式中：desc{}和asc{}分別表示按降序和升序排列的數(shù)組。由可能性概率矩陣分別計算冒險風(fēng)險權(quán)重{πIj(p0)}、保守風(fēng)險權(quán)重{πIj(pn)}和風(fēng)險期望E(也稱最大可能性風(fēng)險)權(quán)重ωij。

(3)

當(dāng)i=0時，式(3)括號中第二項為0；i=n時，第四項為0[10]。本流程將區(qū)間Ij的中值uj定義為該區(qū)間的風(fēng)險水平，與uj對應(yīng)的超越概率P(u≥uj)稱為風(fēng)險度，其倒數(shù)即為該風(fēng)險水平的復(fù)現(xiàn)期。

圖1 災(zāi)害損失的IOSM風(fēng)險期望測算流程

3 結(jié)果與分析

3.1 風(fēng)險期望測算

以風(fēng)雹災(zāi)害導(dǎo)致的受災(zāi)人口為例按2.2節(jié)和圖1所述方法進行風(fēng)險測算，對蘇州全市1994年以來該指標(biāo)的統(tǒng)計值進行單個樣本K-S檢驗，sig值為0.004，認(rèn)為其服從正態(tài)分布；漸進優(yōu)化區(qū)間數(shù)目為6，風(fēng)險水平取各區(qū)間中點，分別對應(yīng)500、1 500、2 500、3 500、4 500和5 500。在顯著性水平α=0.05時，正態(tài)分布函數(shù)的上α/2分位點Uα/2=1.96。經(jīng)計算σ為1 505.1。表2為風(fēng)雹受災(zāi)人口的風(fēng)險度和風(fēng)險期望測算結(jié)果。

表2 風(fēng)雹受災(zāi)人口的風(fēng)險期望測算結(jié)果

3.2 風(fēng)險分布圖繪制

按上述方法計算蘇州市各縣區(qū)不同災(zāi)害損失指標(biāo)的風(fēng)險值，借助于ARCGIS軟件可分別繪制保守風(fēng)險圖、冒險風(fēng)險圖和風(fēng)險期望(最大可能性風(fēng)險)圖，用以分析該市自然災(zāi)害空間分布特征，圖2為蘇州市風(fēng)雹-受災(zāi)人口對應(yīng)的3種風(fēng)險分布圖。

圖2 風(fēng)雹-受災(zāi)人口風(fēng)險空間分布

3.3 風(fēng)險分布特征分析

根據(jù)蘇州市各災(zāi)害損失指標(biāo)的風(fēng)險分布圖，可以得到蘇州市經(jīng)受自然災(zāi)害風(fēng)險的分布規(guī)律，主要表現(xiàn)為以下特征：

(1)不同災(zāi)害類型下災(zāi)害損失指標(biāo)的風(fēng)險水平和復(fù)現(xiàn)期不同。從表2可以看出，蘇州市0～5萬人口遭受風(fēng)雹災(zāi)害的可能性最大；此類受災(zāi)人口達(dá)到55萬人左右的可能性最低，為0.06711，復(fù)現(xiàn)期為14.3 a；每兩年左右就有不低于25萬人口受到風(fēng)雹災(zāi)害的影響。類似地，可以對洪澇、臺風(fēng)、風(fēng)雹和其他災(zāi)害類型所導(dǎo)致的受災(zāi)人口、農(nóng)作物受災(zāi)面積、倒塌房屋進行類似分析(表3)，可見不同災(zāi)害類型下各損失指標(biāo)的風(fēng)險水平和復(fù)現(xiàn)期明顯不同

(2)不同災(zāi)害類型的特征和后果不同 從表2還可以看出，不同災(zāi)害類型表現(xiàn)出不同的特征和后果。表中的期望風(fēng)險值表明，臺風(fēng)對人口、農(nóng)作物和房屋的影響最大；洪澇災(zāi)害的直接經(jīng)濟損失最大，說明洪澇災(zāi)害后果最嚴(yán)重；風(fēng)雹對各項指標(biāo)的影響都比較小，說明其影響區(qū)域較小，一般表現(xiàn)為局部災(zāi)害。

(3)各災(zāi)害類型呈現(xiàn)顯著的空間差異特征。從圖2可以看出，蘇州市各區(qū)縣風(fēng)雹-受災(zāi)人口的空間分布不同，位于蘇州東部的太倉市此類災(zāi)害損失風(fēng)險最大，南部的吳江區(qū)此類災(zāi)害的冒險風(fēng)險和期望風(fēng)險水平也較高。對臺風(fēng)導(dǎo)致的災(zāi)害損失風(fēng)險分析表明(圖3)，吳中區(qū)、吳江市、常熟市和張家港市的災(zāi)害風(fēng)險最大；常熟市和吳中區(qū)臺風(fēng)導(dǎo)致受災(zāi)人口和農(nóng)作物減產(chǎn)的風(fēng)險最大，張家港和吳江市次之，太倉和昆山市再次之，市區(qū)周圍臺風(fēng)導(dǎo)致受災(zāi)人口風(fēng)險最小；常熟市臺風(fēng)導(dǎo)致房屋倒塌的風(fēng)險最大。其他災(zāi)害類型導(dǎo)致的災(zāi)害損失具有相似規(guī)律，不再贅述。

表3 蘇州市各主要災(zāi)害類型導(dǎo)致的災(zāi)害損失水平及其復(fù)現(xiàn)期

圖3 臺風(fēng)災(zāi)害損失的空間差異

(4)災(zāi)害損失風(fēng)險值由災(zāi)害發(fā)生概率及其可能性共同決定 一般情況下災(zāi)害損失的期望風(fēng)險值E應(yīng)介于其保守風(fēng)險和冒險風(fēng)險之間，但也有例外，這是因為災(zāi)害損失風(fēng)險由其發(fā)生概率和可能性共同決定。以昆山市風(fēng)雹所帶來的直接經(jīng)濟損失為例，其冒險(即最小概率)風(fēng)險估計值為96 497.7萬元，保守(即最大概率)風(fēng)險估計值為1 684.5萬元，而其最大可能性風(fēng)險估計值為10 473.96萬元，發(fā)生概率約為23%，即4～5年一遇。

4 結(jié)論

研究表明，蘇州市不同災(zāi)害類型下各災(zāi)害損失指標(biāo)的風(fēng)險水平和復(fù)現(xiàn)期不同。災(zāi)害損失特征和損失程度在不同類型災(zāi)害間存在差別，臺風(fēng)對人口、農(nóng)作物和房屋的影響最大，洪澇災(zāi)害后果最嚴(yán)重，風(fēng)雹對各項災(zāi)害損失指標(biāo)的影響都較小，與其影響區(qū)域小、持續(xù)時間短等局部災(zāi)害特征有關(guān)。各類災(zāi)害損失風(fēng)險呈現(xiàn)顯著的空間差異特征，如吳中區(qū)、吳江市、常熟市和張家港市經(jīng)受臺風(fēng)災(zāi)害的風(fēng)險最大，其中常熟市和吳中區(qū)因臺風(fēng)導(dǎo)致受災(zāi)人口和農(nóng)作物減產(chǎn)的風(fēng)險最大，常熟市臺風(fēng)導(dǎo)致房屋倒塌的風(fēng)險最大；而市區(qū)周圍臺風(fēng)災(zāi)害風(fēng)險最小。本文研究成果可以全面揭示各災(zāi)害情景下不同災(zāi)害損失指標(biāo)的可能性-概率分布(PPD)信息，對民政部門進行救災(zāi)對策制訂、調(diào)整、規(guī)劃以及民生保險預(yù)算具有重要意義。若能結(jié)合災(zāi)害發(fā)生機理劃分蘇州市災(zāi)害風(fēng)險等級，并合理安排蘇州市自然災(zāi)害監(jiān)測預(yù)警工作，則可防患于未然，大幅減少災(zāi)害損失，并減緩民政部門救災(zāi)應(yīng)急壓力。

[1] HENSTRA D.Evaluating local government emergency management programs:What framework should public managers adopt [J].Public Administration Review，2010(2)：236-246.

[2] LICHTER M,FELSENSTEIN D.Assessing the costs of sea-level rise and extreme flooding at the local level:A GIS-based approach[J].Ocean & Coastal Management，2012，59：47-62.

[3] MONTOYAA L,MASSERB I.Management of natural hazard risk in Cartago,Costa Rica[J].Habitat International，2005，29：493-509.

[4] HOLAND I S,LUJALA P I,R D J K.Social vulnerability assessment for Norway:A quantitative approach[J].Norsk Geografisk Tidsskrift_Norwegian Journal of Geography，2011， 65：1-17.

[5] 趙思健，黃崇福，郭樹軍.情景驅(qū)動的區(qū)域自然災(zāi)害風(fēng)險分析[J].自然災(zāi)害學(xué)報，2012,21(1)：9-13.

[6] 燕群，蒙吉軍，康玉芳.基于防災(zāi)規(guī)劃的城市自然災(zāi)害風(fēng)險分析與評估研究進展[J].地理與地理信息科學(xué)，2011，27(6)：78-82.

[7] 王文圣，金菊良，李躍清.基于集對分析的自然災(zāi)害風(fēng)險度綜合評價研究[J].四川大學(xué)學(xué)報(工程科學(xué)版)，2009，41(6)：6-12.

[8] 黃崇福.內(nèi)集-外集模型的計算機仿真檢驗[J].自然災(zāi)害學(xué)報，2002,11(3)：62-70.

[9] 陳志芬，黃崇福，張俊香.基于擴散函數(shù)的內(nèi)集-外集模型[J].模糊系統(tǒng)與數(shù)學(xué)，2006，20(1)：42-48.

[10] ZOU Q,ZHOU J Z,ZHOU C，et al.Fuzzy risk analysis of flood disasters based on diffused-interior-outer-set model[J].Expert Systems with Applications， 2012，39：6213-6220.

Analysis of Urban Natural Disaster Losses Risk in Suzhou City Based on IOSM

LIAN Da-jun1,DONG Kai-quan2,SU Qun1

(1.SuzhouUniversityofScience&Technology,Suzhou215009;2.SuzhouCivilAffairsBureau,Suzhou215031,China)

Based on statistical data of disaster losses,the natural disaster risk was analyzed with the help of inner and outer set model(i.e.IOSM) in this paper.Observation intervals of samples were firstly determined.The distribution form was then tested.On this basis,possibility probability distribution matrix(i.e.PPD) was calculated.And the disaster loss risk expectation was determined.Finally,the risk distribution map of each disaster loss index was produced by ArcGIS tools under different disaster situations.According to the main types of natural disasters in Suzhou City,affected population,collapse of housing,damaged crops area and direct economic losses were selected as the evaluating index of disaster loss risk.Following main conclusions were drawn:1)Each loss index caused from different types of disaster has its divergent risk level and repetition period.The repetition period of typhoon，which can affect two million population,damage 12 500 hectares of crops,or cause 425 000 houses collapsed,is almost as same as 7 years;2)Loss characteristics and degree of different types of disasters is diverse.Population,crops and houses were most affected by typhoon than by other types of disaster.Flood disaster has the most serious consequence because of its largest direct economic loss among all kinds of disaster.Relatively low loss indicators of hail are related of its characteristics such as small influence area and short duration.3)Loss risk of each type shows significantly spatial difference.The disaster risk analysis showed that Wuzhong district,Wujiang district，Changshu City and Kunshan City have the highest risk of typhoon disaster.Population and the crop has the highest typhoon disaster risk in Changshu City and Wuzhong District,followed by Zhangjiagang and Wujiang City,Taicang City and Kunshan City.People and crops around urban area has the minimum risk.Houses suffer the highest collapsed risk from typhoon in Changshu City.4) The disaster occurrence probability and its possibility jointly decides the disaster loss risk.The research results have important meanings for disaster relief measures,planning adjustment and livelihood insurance budget of civil affairs.

disaster risk analysis;disaster loss;IOSM;risk degree;risk expectation

2016-02-14；

2016-05-10

江蘇省政府留學(xué)基金項目(JS-2012-275)；住房與城鄉(xiāng)建設(shè)部科技項目(2013-R2-9)

連達(dá)軍(1972-)，男，博士，副教授，研究方向為災(zāi)害監(jiān)測與空間信息決策分析。E-mail:ldjwwyx@126.com

10.3969/j.issn.1672-0504.2016.04.010

X43

A

1672-0504(2016)04-0057-04