基于IOSM的蘇州市自然災害損失風險分析

連 達 軍，董 開 權，蘇 群

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

基于IOSM的蘇州市自然災害損失風險分析

連 達 軍1，董 開 權2，蘇 群1

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

基于災害損失歷史統計數據，借助于內外集模型(IOSM)進行自然災害風險分析。首先確定觀測區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，然后計算災害損失的風險期望值，并基于ArcGIS制作不同災害情境下各災害損失指標的風險分布圖。針對蘇州市主要自然災害類型，選取受災人口、倒塌房屋、農作物受災面積和直接經濟損失作為災害損失指標進行災害風險分析，得到以下主要結論：1)不同災害類型下各災害損失指標的風險水平和復現期不同，其中臺風導致200萬人口、12 500 hm2農作物受災和42.5萬間房屋倒塌的復現期均為7.2～7.5 a。2)不同類型災害的損失特征和程度不同，臺風對人口、農作物和房屋的影響最大；洪澇災害的直接經濟損失最大，說明洪澇災害后果最嚴重；風雹對各項指標的影響都比較小，與其影響區域小、持續時間短等局部災害特征有關。3)各類型災害損失風險呈現顯著的空間差異特征，對臺風導致的災害損失風險分析表明，吳中區、吳江市、常熟市和張家港市的災害風險最大；常熟市和吳中區臺風導致受災人口和農作物減產的風險最大，市區周圍臺風導致受災人口風險最小；常熟市臺風導致房屋倒塌的風險最大。4)災害發生概率及其可能性共同決定災害損失風險。研究成果對民政部門制訂、調整、規劃救災對策以及民生保險預算具有重要意義。

災害風險分析；災害損失；內外集模型(IOSM)；風險度；風險期望值

世界各地每年都會發生規模不等的各類型自然災害。隨著自然災害破壞損失的急劇增加，消除所有的災害技術上不切實、經濟上也不可行。20世紀末以來，世界各國的相關學者都相繼拓寬了災害研究領域，在繼續深入研究災害機理的同時，開始進行災害風險評估研究。若能科學進行災害風險評估分析，就可以事先獲得目前和未來災害發生的風險，從而采取切實有效的防范對策[1-4]。目前國內外自然災害風險評估的方法多種多樣，按方法的驅動因素可分為指標驅動和數據驅動兩大類風險評估方法：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的風險等級，但無法獲得研究區的風險度；數據驅動類風險評估方法如時序模型、聚類分析、概率密度函數參數估計法或非參數估計法，此類方法存在風險評估不準確、樣本數據太少時評估結果失真或無法直接比較評估結果等缺陷。內外集模型(IOSM)不僅可以依據數據樣本的分布形式測算樣本的可能性概率指標，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年自然災害損失報表，基于內外集模型測算災害損失樣本數據的可能性概率分布矩陣，基于此計算各損失指標的風險期望，并借助于GIS空間分析技術方法研究該市災害風險的空間分布規律及其特征。

1 研究區概況與數據來源

蘇州市位于我國長江三角洲區域，近年來沒有經受大的自然災害，但各類氣候災害時有侵擾，并且直接影響到百姓的正常起居和日常生活，表1為1994年以來蘇州市受災較嚴重的年份主要自然氣候災害類型導致的直接經濟損失統計，可直觀反映蘇州市主要災害類型。因此，本文將風雹、臺風和洪澇災害三類自然災害作為蘇州市自然災害風險分析對象，為便于比較，將干旱、雪災和低溫冷凍、地震、滑坡和泥石流、病蟲害等偶發災害統一劃歸為其他災害類型。以1994-2012年蘇州全市災情匯總數據、蘇州各縣區自然災害損失情況統計臺賬以及蘇州行政區劃圖為數據源，選取受災人口、農作物受災面積、倒塌房屋等災害損失指標為災害風險分析數據，基于IOSM分析各災害情形下不同指標的風險損失。

2 研究方法

2.1 內外集模型(IOSM)

表1 蘇州市1994年以來主要自然災害類型導致的直接經濟損失統計

(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發生的概率是pk的可能性為πIj(pk)，此即為內集-外集模型(簡稱IOSM)[8，9]。

2.2 基于IOSM的災害損失風險測算方法

以災害損失統計值作為觀測樣本基礎數據，基于IOSM方法測算災害風險期望值，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組。由可能性概率矩陣分別計算冒險風險權重{πIj(p0)}、保守風險權重{πIj(pn)}和風險期望E(也稱最大可能性風險)權重ωij。

(3)

當i=0時，式(3)括號中第二項為0；i=n時，第四項為0[10]。本流程將區間Ij的中值uj定義為該區間的風險水平，與uj對應的超越概率P(u≥uj)稱為風險度，其倒數即為該風險水平的復現期。

圖1 災害損失的IOSM風險期望測算流程

3 結果與分析

3.1 風險期望測算

以風雹災害導致的受災人口為例按2.2節和圖1所述方法進行風險測算，對蘇州全市1994年以來該指標的統計值進行單個樣本K-S檢驗，sig值為0.004，認為其服從正態分布；漸進優化區間數目為6，風險水平取各區間中點，分別對應500、1 500、2 500、3 500、4 500和5 500。在顯著性水平α=0.05時，正態分布函數的上α/2分位點Uα/2=1.96。經計算σ為1 505.1。表2為風雹受災人口的風險度和風險期望測算結果。

表2 風雹受災人口的風險期望測算結果

3.2 風險分布圖繪制

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

圖2 風雹-受災人口風險空間分布

3.3 風險分布特征分析

根據蘇州市各災害損失指標的風險分布圖，可以得到蘇州市經受自然災害風險的分布規律，主要表現為以下特征：

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

(2)不同災害類型的特征和后果不同 從表2還可以看出，不同災害類型表現出不同的特征和后果。表中的期望風險值表明，臺風對人口、農作物和房屋的影響最大；洪澇災害的直接經濟損失最大，說明洪澇災害后果最嚴重；風雹對各項指標的影響都比較小，說明其影響區域較小，一般表現為局部災害。

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

表3 蘇州市各主要災害類型導致的災害損失水平及其復現期

圖3 臺風災害損失的空間差異

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

4 結論

研究表明，蘇州市不同災害類型下各災害損失指標的風險水平和復現期不同。災害損失特征和損失程度在不同類型災害間存在差別，臺風對人口、農作物和房屋的影響最大，洪澇災害后果最嚴重，風雹對各項災害損失指標的影響都較小，與其影響區域小、持續時間短等局部災害特征有關。各類災害損失風險呈現顯著的空間差異特征，如吳中區、吳江市、常熟市和張家港市經受臺風災害的風險最大，其中常熟市和吳中區因臺風導致受災人口和農作物減產的風險最大，常熟市臺風導致房屋倒塌的風險最大；而市區周圍臺風災害風險最小。本文研究成果可以全面揭示各災害情景下不同災害損失指標的可能性-概率分布(PPD)信息，對民政部門進行救災對策制訂、調整、規劃以及民生保險預算具有重要意義。若能結合災害發生機理劃分蘇州市災害風險等級，并合理安排蘇州市自然災害監測預警工作，則可防患于未然，大幅減少災害損失，并減緩民政部門救災應急壓力。

[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.情景驅動的區域自然災害風險分析[J].自然災害學報，2012,21(1)：9-13.

[6] 燕群，蒙吉軍，康玉芳.基于防災規劃的城市自然災害風險分析與評估研究進展[J].地理與地理信息科學，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害風險度綜合評價研究[J].四川大學學報(工程科學版)，2009，41(6)：6-12.

[8] 黃崇福.內集-外集模型的計算機仿真檢驗[J].自然災害學報，2002,11(3)：62-70.

[9] 陳志芬，黃崇福，張俊香.基于擴散函數的內集-外集模型[J].模糊系統與數學，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

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

連達軍(1972-)，男，博士，副教授，研究方向為災害監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