基于SSA-ELM模型的臺風風暴潮災害損失預評估

郝 婧, 劉 強

基于SSA-ELM模型的臺風風暴潮災害損失預評估

郝 婧, 劉 強

(中國海洋大學 工程學院土木工程系, 山東 青島 266100)

近年來全球氣候變化加劇, 臺風風暴潮災害的頻率、強度和損失逐漸加大, 臺風風暴潮災害損失的預評估對海洋防災減災工作有重大現實意義。作者選用廣東省1995年—2020年間的50組臺風風暴潮數據進行研究, 量化氣候變化數據, 建立臺風風暴潮損失評估體系并通過主成分分析進行降維。采用麻雀搜索算法優化極限學習機建立預評估模型, 分別對臺風風暴潮損失等級、受災人口和直接經濟損失進行預測, 結果表明, 優化后的模型正確率更高, 且具有更好的預測精確性和適用性, 為防災減災事業提供了有效的損失評估方式。

臺風風暴潮; 損失預評估; 麻雀搜索算法(SSA); 極限學習機

臺風風暴潮是沿海地區在強烈的大氣擾動條件下, 并受海平面上升等因素的影響, 產生的異常增水現象[1]。中國是世界上受臺風風暴潮最嚴重的國家之一, 東南沿海地區造成的損失尤為嚴重。近年來由于全球氣候變化加劇, 中國臺風風暴潮發生頻率逐步加大, 造成的損失逐步遞增[2], 僅2019年造成的直接經濟損失高達116.38億元, 占海洋災害總損失的99.44%[3]。臺風風暴潮對農田、海岸、漁船等造成嚴重損毀, 對人民生命安全和地區經濟發展都產生了極大的威脅。因此, 合理、快速和準確的預測臺風風暴潮災害損失, 科學評估臺風風暴潮災害損失等級分級成為當務之急。

臺風風暴潮災害損失評估方法可歸結為以下幾類: 基于統計模擬的評估、基于GIS的評估、基于機器學習的評估等[4]。基于統計模擬的評估: 國外的有VAMS[5]、HAZUS-MH[6]、ANFIS-MOGA[7]、WRF[8]、SE、SLOSH、GCOM2D/3D[9]等評估模型。國內的葉金玉等[10]基于地理空間參數的多元線性回歸模型進行了臺風災害暴露性評估; 史軍等[11]運用逐步回歸方法評價臺風災害損失的年際變化和地區差異; 趙昕等[12]從經濟學角度運用投入產出模型評估了風暴潮災害損失; 基于GIS的評估: MAHAPATRA等[13]使用GIS進行物理和人口變量的沿岸風暴潮脆弱性評估; 江斯琦等[14]通過GIS空間分析功能來降低臺風風暴潮災害損失評估誤差; 基于機器學習方法: 很多學者在災害損失預評估方面已進行了多種模型研究, 葉小嶺等[15]、王甜甜等[9]、馮倩等[16]、張穎超等[17]等分別運用的優化方法對機器學習算法進行改進, 研究結果對災害損失評估提供了豐富的理論基礎。為進一步提高臺風風暴潮災害損失評估的可靠性, 作者基于已有研究的基礎上, 提出了基于麻雀搜索算法優化的極限學習機模型, 進一步提高了損失等級分級和各損失預測的精確性。

1 材料與方法

1.1 數據來源與因子選取

夏秋時節, 中國東南沿海地區易遭受臺風風暴潮襲擊, 尤以廣東、福建和浙江省災情較重[18]。廣東省位于西北大西洋西岸, 大陸海岸線達4 114.4 km, 自1949年—2020年已遭遇204次臺風登陸, 每年均有發生且成災率高, 造成了嚴重的人口和經濟損失。作者搜集了廣東省1995年—2020年間記錄較為完整的50組臺風風暴潮數據進行研究, 數據主要來源為自然資源部(臺風風暴潮及損失數據、氣候數據)、廣東省統計局(經濟、人口和設施等數據)和《中國風暴潮災害史料集》[19]。

目前, 國內外還未明確臺風風暴潮災害指標體系的構建標準, 主要依托于專家的先驗經驗[20]。基于風險評估理論, 并充分考慮了氣候變化和數據易取性, 本文從氣候變化、危險性、易損性和防災減災能力4個方面構建臺風風暴潮災害損失評估指標體系, 選擇8個災情損失評估指標作為損失分級的標準, 如表1所示。

表1 臺風風暴潮災害損失評估指標

Tab.1 Typhoon storm surge disaster loss assessment indicators

1.2 影響因子預處理

因選擇的評估指標較多, 不同的指標間可能存在相關性; 且單位不一致, 無法直接相加和對比。為了避免數據的冗余, 降低主觀選擇的誤差, 提高模型精確性, 使用主成分分析進行降維處理。主成分分析法(Principal Component Analysis, PCA)是一種借助正交變換對多維變量系統進行降維的決策方法[21-22], 將原來較多具有一定相關性的指標重新組合為一組互不相關的綜合指標。

利用SPSS統計工具, 將原始數據X標準化處理得到ZX, 分別對災情損失評估指標、氣候變化、危險性、易損性和防災減災能力5個方面進行因子分析。經處理, 得出相關系數矩陣來計算主成分荷載, 選取特征值大于1或累積方差貢獻率大于85%對應的主成分F, 最終計算綜合評價指數[23]。可以得出, 災情損失評估指標、氣候變化、危險性、易損性和防災減災能力的分別綜合評價指數0、1、2、3和4的計算公式如下:

根據主成分分析降維結果, 將1、2、3和4作為4個輸入變量,0作為臺風風暴潮損失綜合等級劃分指標。

1.3 臺風風暴潮災害損失等級劃分

根據譚麗榮等[24]提出的臺風風暴潮災害損失等級劃分標準進行分級, 如表2所示。參考的分級指標過多, 使用上述1.2中的主成分分析進行數據標準化和降維, 得到表2中的綜合分級標準。將經處理的50個臺風風暴潮損失指標0按照綜合分級標準進行等級劃分, 可得重災1個、大災2個、中災8個、小災19個和輕災20個, 搜集數據的跨度較全面。

表2 臺風風暴潮災害損失等級劃分標準

2 損失評估模型的建立

50組臺風風暴潮數據為總樣本, 按照等級和時間序列, 選取近幾年的10個樣本為測試集, 分別為大災1個、中災2個、小災3個和輕災4個, 其余40個樣本為訓練集。在MATLAB 2019b平臺, 主成分分析后的氣候變化1、危險性2、易損性3和防災減災能力4作為輸入因子, 等級作為等級評估的輸出因子, 根據相關部門和多數學者關注的核心災情[25], 選取受災人口、直接經濟損失兩組為損失評估輸出因子。

2.1 模型精度檢驗指標

為了對模型精度進行檢驗, 本文引入均方誤差(MSE)進行參數選擇, 歸一化均方根誤差(NRMSE)、相關系數(CC)作為評估檢驗指標, 各表達式為[26]:

其中,為測試集樣本數,′為測試樣本,為預測結果。和表示預測數據與原始數據的偏離程度, 越接近于0, 預測效果越好;表示預測數據和原始數據的擬合程度, 接近于1, 精確度越高。

2.2 SSA-ELM評估模型

極限學習機(Extreme Learning Machine, ELM)是一種單隱含層前饋網絡, 該算法隨機產生的連接權值與閾值無需調整, 僅確定出最佳的隱含層節點數, 就可以獲得唯一的最優解[27]。ELM的預測模型可以表示為:

式中, 網絡的輸出為,輸入層節點到隱含層節點的連接權值為w, 隱含層節點到輸出層節點的連接權值為, 隱含層神經元的閾值為, 激活函數為(), 常見的激活函數為Sin和Sigmoid[28]。與傳統的方法相比, 該方法只需要確定隱含層節點數和隱含層神經元的激活函數, 具有學習速度快和泛化性能好等優點[27]。

麻雀搜索算法(Sparrow Search Algorithm, SSA)是在2020年由XUE等[29]受麻雀的覓食和反捕食行為的啟發提出的一種群智能優化算法, 具有搜索精度高、收斂速度快、穩定性好和避免陷入局部最優等優點。在麻雀覓食過程中, 主要分為捕食者和加入者, 容易找到食物并且可以為種群提供捕食區域和方向的個體為捕食者, 利用捕食者來獲取食物的個體為加入者。同時, 種群中存在警戒者具有偵查預警行為, 當種群發現危險時會出現反捕食行為, 保障安全。因此采用麻雀搜索算法優化極限學習機, 提高模型的穩定性和預測精度。

更新捕食者位置的公式如下:

更新加入者位置的公式如下:

其中,X為捕食者的最佳位置,worst為全局最差位置,A為各元素為1或–1的1×d矩陣。>2為第個加入者未獲得食物, 適應度低, 需要進行覓食;≤2為加入者將在最優位置附近進行覓食。

更新警戒者位置的公式如下:

全局最佳位置,是步長控制參數為服。

其中,best為全局最佳位置,是步長控制參數為服從均值0和方差1的正態分布隨機數,∈[–1, 1],為避免分母為0的極小常數,f、f和f分別為第只麻雀、全局最佳和最差的適應度。f>f為麻雀處于種群的邊緣, 易受攻擊; 另一種情況為麻雀處于種群中間位置, 預警到危險, 及時調整搜索策略為避免攻擊。

傳統的ELM進行訓練時, 連接權值和閾值是由系統隨機產生, 隱含層數通常依賴于訓練者的試錯訓練和先驗經驗, 往往導致全局搜索差或訓練失敗的情況。麻雀搜索算法作為全局尋優算法, 優化后的權值閾值能較大程度的提高訓練效果和網絡性能, 提高收斂速度, 避免隨機初始化導致陷入局部最優、網絡不穩定等問題。綜上, 可得SSA-ELM預測模型的具體流程, 如圖1所示。

3 結果與討論

3.1 損失等級評估

本次實驗中, 為提高預測精確性, 經過訓練試驗采用控制單一變量的方法, 比較MSE選取最優參數。選取SSA-ELM評估模型的激勵函數為sin, 設置網絡結構為4-17-1, ST安全值為0.6, 捕食者比例為0.7, 加入者比例為0.3, 警戒者比例為0.2。

圖1 SSA優化ELM流程圖

為了測試SSA-ELM模型相較于其他算法是否具有優越性, 選取ELM、隨機森林(Random Forest, RF)、支持向量回歸(Support Vector Machine for Regression, SVR)和SSA-SVR作為對比模型。

表3和圖2為5種評估模型預測集和訓練集的擬合結果, 可以看出SSA-ELM模型在訓練集和測試集的正確率均較高, 5個模型對于損失等級較低的災害預測效果較好, 較大損失等級的預測還需進一步提升, 經過優化的模型在訓練集和測試集的正確數均有提高, 因此SSA-ELM評估模型的預測準確度更好。圖3為SSA-ELM模型的適應度曲線, 可知在經過20次迭代時就能找到最優解, 收斂速度較高。

表3 不同模型效果對比

圖2 5種模型擬合結果

圖3 SSA-ELM模型適應度曲線

3.2 損失評估

本文使用的直接經濟損失跨度為25 a, 為降低通貨膨脹的影響, 根據婁偉平[30]提出的經濟損失指數, 采用廣東省地區生產總值和價格指數對直接經濟損失數據進行預處理。

本次進行2次損失評估實驗中, 在受災人口和直接經濟損失評估中, 經過訓練試驗控制單一變量的方法依次比較MSE選取最優參數, SSA-ELM評估模型選取的參數見表4。

表4 SSA-ELM評估模型參數

同理選擇5個模型的評估結果如表5和圖4所示, 在兩種指標的評估中, SSA-ELM模型相比ELM模型的NRMSE平均優化0.005 5, CC平均提高0.015 5; SSA-ELM相比于RF的誤差更低, NRMSE平均優化0.177 9, CC平均提高0.215 6; SSA-ELM的預測效果優于SVR模型, NRMSE平均優化0.129 4, CC平均提高0.076 7; SSA-ELM較SSA-SVR模型的預測誤差更好, NRMSE平均優化0.125 2, CC平均提高0.087 0,雖然SSA-SVR模型在直接經濟損失的預測CC值較優, 但NRMSE值較大, 且在受災人口的預測效果較差, 因此從總體的擬合效果來看, SSA-ELM模型的預測準確性更高。從擬合結果圖的多個峰值預測可以看出, 由于總樣本數量較少的局限性, 5種評估模型在損失等級較高的災害中預測出現較大誤差, 但在損失等級較低的災害中預測擬合效果較好, SSA-ELM模型在受災人口的2、3、6號預測樣本和直接經濟損失的3、5、7、8號預測樣本基本達到完全擬合。從整體的預測檢驗指標和擬合效果來看, SSA-ELM預評估模型具有更好的預測適用性和預測精度。

表5 不同模型效果比較

圖4 兩種損失指標預測集擬合結果

3 結論

本文將氣候變化量化, 從氣候變化、危險性、易損性和防災減災能力4個方面構建臺風風暴潮災害損失評估指標體系, 并通過主成分分析進行指標預處理, 避免數據冗余。

使用SSA優化ELM模型, 使其優化后的權值閾值好于傳統ELM的隨機狀態, 經對照RF、SVR、SSA-SVR模型, 優化后模型的預測精度在等級和損失方面均有提高。因此SSA-ELM模型可以較好地對臺風風暴潮等級和損失進行預預評估, 為海洋災害和防災減災工程提供了一種新的方法。但在預測結果中可以發現, 損失等級較高的臺風風暴潮災害的預測誤差較大, 這主要局限于實驗中訓練的高損失等級樣本數量較少, 無法在較大損失的災害中達到很好的訓練效果, 可以進一步針對于較大損失的災害進行專門的評估研究, 為中災及以上災害的防災減災工程提出更具針對性的評估方法。

[1] 馮愛青, 高江波, 吳紹洪, 等. 氣候變化背景下中國風暴潮災害風險及適應對策研究進展[J]. 地理科學進展, 2016, 35(11): 1411-1419.

FENG Aiqing, GAO Jiangbo, WU Shaohong, et al. Research progress on storm surge disaster risk and adaptation countermeasures in China under the background of climate change[J]. Advances in Geographical Science, 2016, 35(11): 1411-1419.

[2] 趙昕, 王小涵, 鄭慧. 內嵌POT損失分布擬合模型的風暴潮災害風險價值測算[J]. 海洋環境科學, 2018, 37(5): 773-779.

ZHAO Xin, WANG Xiaohan, ZHENG Hui. Storm surge disaster risk value calculation with embedded POT loss distribution fitting model[J]. Marine Environmental Science, 2018, 37(5): 773-779.

[3] 國家海洋局. 2019年中國海洋災害公報[EB/OL]. http: // gi.mnr.gov.cn/202004/t20200430_2510979.html,2020-04-30.

State Oceanic Administration. 2019 China Marine Disaster Bulletin[EB/OL]. http://gi.mnr.gov.cn/202004/t20200430_ 2510979.html, 2020-04-30.

[4] 賴寶幫. 基于臺風相似性的臺風災害損失估計方法研究[D]. 哈爾濱: 哈爾濱工業大學, 2020.

LAI Baobang. Study on the method of typhoon disaster loss estimation based on typhoon similarity[D]. Harbin: Harbin Institute of Technology, 2020.

[5] BERKE P, LARSEN T, RUCH C. A computer system for hurricane hazard assessment[J]. Computers, Environment and Urban Systms, 1984, 9(4): 259-269.

[6] PETER J V, JASON L, PETER F S, et al. HAZUS-MH hurricane model methodology. II: Damage and loss estimation[J]. Natural Hazards review, 2006, 7(2): 94-103.

[7] HUEI-TAU O. Input optimization of ANFIS typhoon inundation forecast models using a Multi-Objective Genetic Algorithm[J]. Journal of Hydro-environment Research, 2018, 19: 16-27.

[8] GAURAV T, SUSHIL K, ASHISH R, et al. A high- reso-lution mesoscale model approach to reproduce super typhoon maysak (2015) over northwestern pacific ocean[J]. Earth Systems and Environment, 2019, 3(1): 101-112.

[9] 王甜甜, 劉強. 基于BAS-BP模型的風暴潮災害損失預測[J]. 海洋環境科學, 2018, 37(3): 457-463.

WANG Tiantian, LIU Qiang. Storm surge disaster loss prediction based on BAS-BP model[J]. Marine Environmental Science, 2018, 37(3): 457-463.

[10] 葉金玉, 王舒凡, 丁鳳. 基于空間參數的中國沿海地區臺風災害暴露性分析[J]. 防災科技學院學報, 2019, 21(1): 82-88.

YE Jinyu, WANG Shufan, DING Feng. Analysis of typhoon disaster exposure in coastal areas of China based on spatial parameters[J]. Journal of the Institute of Disaster Prevention Science and Technology, 2019, 21(1): 82-88.

[11] 史軍, 肖風勁, 穆海振, 等. 上海地區臺風災害損失評估[J]. 長江流域資源與環境. 2013, 22(7): 952-957.

SHI Jun, XIAO Fengjin, MU Haizhen, et al. Typhoon disaster loss assessment in Shanghai area[J]. Resources and Environment in the Yangtze River Basin, 2013, 22(7): 952-957.

[12] 趙昕, 王曉霞, 李莉. 風暴潮災害經濟損失評估分析——以山東省為例[J]. 中國漁業經濟, 2011, 29(3): 91-97.

ZHAO Xin, WANG Xiaoxia, LI Li. Evaluation and analy-sis of economic loss of storm surge disaster—taking Shandong Province as an example[J]. Chinese Fisheries Economics, 2011, 29(3): 91-97.

[13] MAHAPATRA M, RATHEESH R, RAJAWAT A S. Storm surge vulnerability assessment of Saurashtra coast, Gujarat, using GIS techniques[J]. Nature Hazards, 2017, 86: 821-831.

[14] 江斯琦, 劉強. 基于改進神經網絡及地理信息系統空間分析的風暴潮經濟損失評估[J]. 科學技術與工程, 2020, 20(22): 9243-9247.

JIANG Siqi, LIU Qiang. Storm surge economic loss assessment based on improved neural network and geographic information system spatial analysis[J]. Science Technology and Engineering, 2020, 20(22): 9243-9247.

[15] 葉小嶺, 梁偉, 鄧華. 基于主成分分析及RBF神經網絡的浙江省臺風災害損失預測[J]. 科技通報, 2014, 30(9): 13-19.

YE Xiaoling, LIANG Wei, DENG Hua. Based on princi-pal component analysis and RBF neural network, Zhejiang Province typhoon disaster loss prediction[J]. Bulletin of Science and Technology, 2014, 30(9): 13-19.

[16] 馮倩, 劉強. 基于SVM-BP神經網絡的風暴潮災害損失預評估[J]. 海洋環境科學, 2017, 36(4): 615-621.

FENG Qian, LIU Qiang. Preassessment of storm surge disaster loss based on SVM-BP neural network[J]. Marine Environmental Science, 2017, 36(4): 615-621.

[17] 張穎超, 范金平, 鄧華. 基于組合預測的浙江省臺風災害損失預測[J]. 自然災害學報, 2013, 22(6): 223-231.

ZHANG Yingchao, FAN Jinping, DENG Hua. Forecast of typhoon disaster loss in Zhejiang Province based on combined forecasting[J]. Journal of Natural Disasters, 2013, 22(6): 223-231.

[18] 董劍希, 李濤, 侯京明. 福建省風暴潮時空分布特征分析[J]. 海洋通報, 2016, 35(3): 331-339.

DONG Jianxi, LI Tao, HOU Jingming. Analysis of tem-poral and spatial distribution characteristics of storm sur-ge in Fujian province[J]. Ocean Bulletin, 2016, 35(3): 331-339.

[19] 于福江, 董劍希, 葉琳, 等. 中國風暴潮災害史料集[M]. 北京: 海洋出版社, 2015.

YU Fujiang, DONG Jianxi, YE Lin, et al. Historical materials of storm surge disasters in China[M]. Beijing: Ocean Press, 2015.

[20] 郭騰蛟, 李國勝. 基于驗證性因素分析的臺風風暴潮災害經濟損失影響因子優化分析[J]. 自然災害學報, 2020, 29(1): 121-131.

GUO Tengjiao, LI Guosheng. Optimization analysis of economic loss influencing factors of typhoon storm surge disaster based on confirmatory factor analysis[J]. Journal of Natural Disasters, 2020, 29(1): 121-131.

[21] HOU L, WU F, XIE X. The spatial characteristics and relationships between landscape pattern and ecosystem service value along an urban-rural gradient in Xi’an city, China[J]. Ecological Indicators, 2020, 108: 1-10.

[22] 劉彪, 許瑞, 王居賀, 等. 基于改進的主成分分析法的鉆頭優選評價模型[J]. 石油機械, 2020, 48(9): 8-14.

LIU Biao, XU Rui, WANG Juhe, et al. Drill bit selection evaluation model based on improved principal component analysis method[J]. Petroleum Machinery, 2020, 48(9): 8-14.

[23] 王桂梅, 邢寶龍. 蕓豆品種主要農藝性狀的主成分分析和聚類分析[J]. 種子, 2021, 40(2): 76-79, 85.

WANG Guimei, XING Baolong. Principal component analysis and cluster analysis of main agronomic characters of kidney bean varieties[J]. Seeds, 2021, 40(2): 76-79, 85.

[24] 譚麗榮, 陳珂, 王軍, 等. 近20年來沿海地區風暴潮災害脆弱性評價[J]. 地理科學, 2011, 31(9): 1111-1117.

TAN Lirong, CHEN Ke, WANG Jun, et al. Vulnerability assessment of storm surge disasters in coastal areas in the past 20 years[J]. Chinese Journal of Geography, 2011, 31(9): 1111-1117.

[25] 葉小嶺, 梁偉, 鄧華. 基于主成分分析及RBF神經網絡的浙江省臺風災害損失預測[J]. 科技通報, 2014, 30(9): 13-19.

YE Xiaoling, LIANG Wei, DENG Hua. Prediction of typhoon disaster loss in Zhejiang Province based on principal component analysis and RBF neural network[J]. Bulletin of Science and Technology, 2014, 30(9): 13-19.

[26] KIM S, MATSUMI Y, PAN S, et al. A real-time forecast model using artificial neural network for after-runner storm surges on the Tottori coast, Japan[J]. Ocean Engineering, 2016, 122(1): 44-53.

[27] 高放, 包燕平, 王敏, 等. 基于FA-ELM的轉爐終點磷含量預測模型[J]. 鋼鐵, 2020, 55(12): 24-30.

GAO Fang, BAO Yanping, WANG Min, et al. Prediction model of final phosphorus content of converter based on FA-ELM[J]. Iron and Steel, 2020, 55(12): 24-30.

[28] XING H, JUNYI S, Jin H. The casualty prediction of earthquake disaster based on extreme learning machine method[J]. Nature Hazards, 2020, 102(3): 873-886.

[29] XUE J, SHEN B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34.

[30] 婁偉平, 陳海燕, 鄭峰, 等. 基于主成分神經網絡的臺風災害經濟損失評估[J]. 地理研究, 2009, 28(5): 1243-1254.

LOU Weiping, CHEN Haiyan, ZHENG Feng, et al. Typhoon economical loss evaluation based on principal component neural network[J]. Geography Research, 2009, 28(5): 1243-1254.

Pre-assessment of typhoon storm surge disaster loss based on the SSA-ELM model

HAO Jing, LIU Qiang

(College of Engineering, Ocean University of China, Qingdao 266100, China)

In recent years, global climate change has intensified, and the frequency, intensity, and loss of typhoon storm surge disasters have gradually increased. Pre-assessing typhoon storm surge disaster losses has a considerable practical significance for marine disaster prevention and mitigation. This paper selects 50 sets of typhoon storm surge data in Guangdong Province from 1995 to 2020, quantifies climate change data, establishes a typhoon storm surge loss assessment system, and reduces the dimensionality through principal component analysis. The sparrow search algorithm is used to optimize the extreme learning machine to establish a pre-evaluation model, which predicts the typhoon storm surge loss level, the affected population, and the direct economic loss. The results show that the optimized model has a higher accuracy rate and better prediction accuracy and applicability. Further, this paper provides an effective loss assessment method for disaster prevention and mitigation.

typhoon storm surge; loss pre-assessment; sparrow search algorithm(SSA); extreme learning machine

Jun. 7, 2021

X43、P732

A

1000-3096(2022)02-0055-09

10.11759/hykx20210607003

2021-06-07;

2021-08-13

國家自然科學基金項目(41072176, 41371496); 國家科技支撐計劃項目(2013BAK05B04)

[National Natural Science Foundation of China, No. 41072176, 41371496; National Key Technology Research and Development Program, No. 2013BAK05B04]

郝婧(1997—), 女, 山東濟南人, 碩士研究生, 主要從事海洋災害風險管理, 電話: 17852320910, E-mail: haojing0323@163.com; 劉強(1961—),通信作者, E-mail: liuqiang@ouc.edu.cn

(本文編輯: 譚雪靜)