2. 清华大学 水利水电工程系, 水沙科学与水利水电工程国家重点实验室, 北京 100084;
3. 国家开发银行 四川分行, 成都 610041
2. State Key Laboratory of Hydroscience and Engineering, Department of Hydraulic Engineering, Tsinghua University, Beijing 100084, China;
3. Sichuan Branch, China Development Bank, Chengdu 610041, China
在气候变化和城市化背景下,城市洪涝已经成为一个全球性问题[1-3]。据联合国统计,在2000—2019年间,洪涝灾害在所有自然灾害中的发生频率为44%,位于首位[4]。中国作为一个高速发展的国家,正在经历快速的城市化进程,但近年来频发的暴雨洪涝灾害给城市的发展造成了严重的影响,制约着经济社会的持续健康发展[5]。科学、准确的洪涝灾害损失评估对于防灾减灾措施的制定、指导灾后恢复重建以及洪涝灾害保费厘定等具有重要意义[6]。在洪涝灾害损失评估中,经济损失评估是重要的指标之一。就评估对象而言,经济损失评估分为直接经济损失评估[7]和间接经济损失评估[8]。目前关于洪涝灾害经济损失的研究多集中在直接经济损失上,研究方法也比较丰富[9-10]。但受限于模型计算效率、数据采集时效等因素,评估方法主要以静态评估为主,即针对某一时刻的经济损失进行评估,难以展示某一段时间内洪涝灾害直接经济损失的发展过程。同时,缺少高分辨率的社会经济空间分布数据,也是制约洪涝灾害损失评估的主要因素[11]。间接经济损失评估方法以比例系数法[12]和投入产出模型法[13]为主,其中投入产出模型法可以量化产业间的关联,能够较为有效地评估洪涝灾害的间接经济损失,但目前相关研究多关注单一产业的间接经济损失,缺少对全行业间接经济损失的评估。
针对现有研究的不足,本研究在Python环境下利用Arcpy库实现了洪涝灾害直接经济损失的动态评估,即评估了整个洪涝灾害发展阶段的直接经济损失发展过程;同时,基于土地利用数据、随机森林模型和兴趣点(point of interest, POI)数据,获得了高分辨率的经济分布数据,为洪涝灾害评估提供了数据支撑;最后,将不同产业部门进行归类,综合评估了全行业的洪涝灾害间接经济损失,弥补了现有研究仅从单一产业进行洪涝灾害间接损失评估的不足。本研究对于促进新技术在城市水文领域的应用、丰富洪涝灾害损失评估方法、提高城市自然灾害损失评估水平具有一定的借鉴意义。
1 研究区概况与数据来源 1.1 研究区概况广东省是中国常住人口最多、经济最发达的省份。前山河流域位于广东省中山市与珠海市交汇处,城镇化率达85%以上,是城市建设密集区。流域面积约为328 km2。2020年流域常住人口为108.61万人,国民生产总值(gross domestic product, GDP) 为1 050.93亿元。前山河流域属亚热带海洋性季风气候,雨量充沛,汛期雨量集中,多为高强度、短历时的暴雨。2000—2019年,流域年平均降水量约为2 216.61 mm(图 1)。台风潮、外河和局部降雨引发的洪涝灾害是该流域的主要气象灾害。2018年,中山市和珠海市因洪涝灾害造成的直接经济损失分别为16.46亿元和5.78亿元,是广东省内经济损失较大的城市。因此,选择前山河流域作为研究区具有一定的现实意义。
![]() |
图 1 广东省2000—2019年平均年降水量空间分布及研究区位置图 |
1.2 数据来源
由于缺少实际的排水管网数据,本研究采用Mair等提出的“道路管网”法[14]对道路进行适当概化以获得研究区的排水管网,其中道路数据来自于OpenStreetMap数据集(https://www.openstreetmap.org/)。土地利用数据通过解译遥感影像来获得,遥感影像来源于中国资源卫星应用中心(http://www.cresda.com/CN/)高分一号卫星遥感影像,空间分辨率为16 m。数字高程模型(digital elevation model,DEM)数据来源于地理空间数据云(https://www.gscloud.cn/)的ASTER GDEM数字高程数据产品,空间分辨率为30 m。土壤数据来源于国家冰冻圈沙漠数据中心提供的Harmonized World Soil Database 1.1版的中国土壤数据集(http://www.ncdc.ac.cn),空间分辨率为1 km。排水管网、土地利用、DEM、土壤类型的耦合模型建模情况如图 2所示。
设计暴雨采用珠海市气象局(http://weather.zhuhai.gov.cn)发布的珠海暴雨强度经验公式计算,
$ q = \frac{{822.407(1 + 0.766\ln P)}}{{{{(t + 5.000)}^{0.390}}}}. $ | (1) |
式中:q为设计暴雨强度,mm/min;P为重现期,a;t为降雨持续时间,min。
鉴于研究区并不位于中心城区范围,其内涝防治标准为30~50 a,因此仅设置50 a一遇设计暴雨。具体来说,降雨历时为2 h,峰值系数为0.4,峰值降雨强度为6.09 mm/min,总降雨量为209.83 mm。
径流曲线数(curve number,CN)和Manning系数也是构建城市雨洪模型的关键参数,参数设置详见相关文献[1, 15]。
POI数据和GDP空间分布数据用于获取高分辨率的社会经济数据,其中POI数据来自高德地图开放平台(https://lbs.amap.com),数据年份为2015年和2020年,包括14种POI类型。2015年GDP数据来源于资源环境科学与数据中心(http://www.resdc.cn),空间分辨率为1 km。2020年GDP总量及各行业GDP统计数据来自于中山市统计局(http://stats.zs.gov.cn)和珠海市统计局(http://tjj.zhuhai.gov.cn)。
洪涝灾害间接损失评估需要用到投入产出表。由于各地级市的投入产出表无法获取,本研究采用2017年广东省投入产出表(42部门),数据来源为广东省统计信息网(http://stats.gd.gov.cn/trcc/)。
2 研究方法 2.1 城市洪涝模拟方法本研究使用基于SWMM模型和TELEMAC模型的一二维耦合水动力模型对城市洪涝进行模拟。该模型耦合方式为松散耦合,模型的详细描述见相关文献[16-18],本研究不再赘述。
在一二维耦合水动力模型中,降雨产流过程采用TELEMAC-2D模块提供的SCS-CN方法。耦合模型的计算时间步长为1 s,TELEMAC-2D模块输出的时间步长为3 min,SWMM-EXTRAN模块输出的时间步长为15 min。模拟时长为6 h。
2.2 高分辨率GDP数据空间化方法第一产业中的农业、林业、牧业和渔业分别与自然用地中的耕地、林地、草地和水域有着密切的联系[19]。因此,本研究对第一产业GDP使用基于土地利用的地均GDP法进行空间化处理,即按照不同土地利用类型对应于第一产业中不同行业的GDP进行空间展布,其中耕地、林地、草地和水域分别对应于农业、林业、牧业和渔业,计算方法见相关文献[20]。
一些研究已经证实POI的集聚程度与人类生产活动有关,能够反映当前的经济发展水平,并以POI作为影响因素实现了第二、三产业GDP的空间化[20]。因此,本研究使用POI数据和随机森林回归模型对第二、三产业的GDP进行空间化处理,具体空间化方法见相关文献[21]。
2.3 直接经济损失评估方法在直接经济损失的计算中,考虑经济数据的可获取性,本研究采用GDP数据作为每个格网的成本价值,并对不同行业制定了不同的统计规则。对于农林牧渔业,设定一次洪涝灾害发生会对全年的GDP产生影响,因为大的洪涝灾害会造成农田被淹、粮食减产、森林破坏、鱼类死亡等损失,这些损失是后期无法进行修复的;而对于第二、三产业来说,某一次洪涝灾害并不会持续性对全年的GDP产生影响,如果以全年GDP来进行核算,损失量无疑是巨大的,这与实际情况也是不相符的,因为第二、三产业具有一定的韧性,洪涝只会引起某行业暂时的停工、停产,因此对于第二、三产业的直接经济损失采用损失率法计算。
$ {\rm{loss\_GD}}{{\rm{P}}_{2 - 3, i, j}} = \frac{{{{\rm{loss}}_j} \cdot {\rm{GD}}{{\rm{P}}_{2 - 3, i}} \cdot {D_i}}}{{365}}. $ | (2) |
式中:loss_GDP2-3, i, j为第二、三产业中第i个栅格第j个行业的直接经济损失,万元;lossj为研究区第二、三产业中第j个行业的损失率,%;GDP2-3, i表示第i个栅格的第二、三产业GDP,万元;Di为第i个栅格的淹没天数。
2.4 间接经济损失评估间接经济损失评估采用投入产出(input output, IO)模型。IO模型是综合分析经济活动中投入与产出之间数量依存关系的一种经济数学模型,该模型由投入产出表和根据投入产出表平衡关系建立起来的数学方程组两部分构成。投入产出表结构详见相关文献[9]。投入产出表的平衡关系可以表述为:行向各部门的总产出等于生产过程中间消耗使用与最终产品使用的和,列向各部门总供给等于生产过程中间投入和各要素增加值的和,且行向的总产出与列向的总投入相等。本研究基于行平衡关系对洪涝灾害引起的间接损失进行计算,行平衡关系式为[9]
$ \left\{ {\begin{array}{*{20}{c}} {{a_{11}}{Q_1} + {a_{12}}{Q_2} + \cdots + {a_{1n}}{Q_n} + {Y_1} = {Q_1}, }\\ {{a_{21}}{Q_1} + {a_{22}}{Q_2} + \cdots + {a_{2n}}{Q_n} + {Y_2} = {Q_2}, }\\ \vdots \\ {{a_{n1}}{Q_1} + {a_{n2}}{Q_2} + \cdots + {a_{nn}}{Q_n} + {Y_n} = {Q_n}.} \end{array}} \right. $ | (3) |
式中:aij为直接消耗系数矩阵,aij=Qij/Qj;Qij为中间需求;Yi为最终需求;Qi为部门i的总需求(总产出)。
将式(3)用矩阵形式可以表示为
$ \mathit{\boldsymbol{AQ}}{\rm{ + }}\mathit{\boldsymbol{Y}}{\rm{ = }}\mathit{\boldsymbol{Q}}\mathit{\boldsymbol{.}} $ | (4) |
式中:Q为由各部门总产出构成的列向量,即[Q1, Q2, …, Qn]T;A为由直接消耗系数构成的矩阵;Y为由最终需求构成的列向量,即[Y1, Y2, …, Yn]T。
将式(4)进一步整理为
$ \mathit{\boldsymbol{Q}} = {(\mathit{\boldsymbol{I}} - \mathit{\boldsymbol{A}})^{ - 1}}\mathit{\boldsymbol{Y}} $ | (5) |
式中:(I- A)-1称为Leontief逆矩阵,A为由aij构成的消耗系数矩阵,I为单位矩阵。
为了计算洪涝灾害所导致的总产出的变化量,需要将IO模型的行模型改成增量的形式,
$ {\rm{\Delta }}\mathit{\boldsymbol{Q}} = {(\mathit{\boldsymbol{I}} - \mathit{\boldsymbol{A}})^{ - 1}}{\rm{\Delta }}\mathit{\boldsymbol{Y}}\mathit{\boldsymbol{.}} $ | (6) |
式中:ΔQ为由各部门总产出变化量构成的列向量,ΔY为由各部门最终需求变化量构成的列向量。
采用IO模型评估灾害造成的间接经济损失,需要基于一定的假设条件[22]。为了更好地理解某部门受灾对其他部门造成的影响,下面以农业部门的间接经济损失推求为例。假设农业部门的直接经济损失为ΔQ1,即农业部门当年总产出的降低值。假设其他部门最终需求ΔYi(i≠1)均保持不变,则根据式(6)得到整个经济系统的产出变化量为[22]
$ \left[ {\begin{array}{*{20}{c}} {\Delta {Q_1}}\\ {\Delta {Q_2}}\\ \vdots \\ {\Delta {Q_n}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{b_{11}}}&{{b_{12}}}& \cdots &{{b_{1n}}}\\ {{b_{21}}}&{{b_{22}}}& \cdots &{{b_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{b_{n1}}}&{{b_{n2}}}& \cdots &{{b_{mn}}} \end{array}} \right] \cdot \left[ {\begin{array}{*{20}{c}} {\Delta {Y_1}}\\ 0\\ \vdots \\ 0 \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {{b_{11}}\Delta {Y_1}}\\ {{b_{21}}\Delta {Y_1}}\\ \vdots \\ {{b_{n1}}\Delta {Y_1}} \end{array}} \right]. $ | (7) |
式中:bij为Leontief逆矩阵系数,ΔQi(i≠1)为农业部门受灾导致的部门i的间接经济损失。
根据式(7)可以得到如下关系:
$ \left\{ {\begin{array}{*{20}{c}} {{b_{11}}\Delta {Y_1} = \Delta {Q_1}, }\\ {{b_{21}}\Delta {Y_1} = \Delta {Q_2}, }\\ \vdots \\ {{b_{n1}}\Delta {Y_1} = \Delta {Q_n}} \end{array} \Rightarrow \left\{ {\begin{array}{*{20}{c}} {\Delta {Y_1} = \frac{{\Delta {Q_1}}}{{{b_{11}}}}, }\\ {\Delta {Y_1} = \frac{{\Delta {Q_2}}}{{{b_{21}}}}, }\\ \vdots \\ {\Delta {Y_1} = \frac{{\Delta {Q_n}}}{{{b_{n1}}}}.} \end{array}} \right.} \right. $ | (8) |
将式(8)进一步整理后,可以得到
$ \frac{{\Delta {Q_1}}}{{{b_{11}}}} = \frac{{\Delta {Q_2}}}{{{b_{21}}}} = \cdots = \frac{{\Delta {Q_n}}}{{{b_{n1}}}}. $ | (9) |
由此可以得到因农业部门受灾而导致的其他部门间接经济损失计算公式为
$ \Delta {Q_i} = \frac{{{b_{21}} \cdot \Delta {Q_1}}}{{{b_{11}}}}(i \ne 1). $ | (10) |
进一步可以获得农业部门受灾而造成的总间接经济损失为
$ \begin{array}{c} {{\mathop{\rm loss}\nolimits} _1} = \sum\limits_{i = 2}^n \Delta {Q_i} = {S_1} \cdot \Delta {Q_1}, \\ {S_1} = \frac{{{b_{21}} + \cdots + {b_{n1}}}}{{{b_{11}}}}. \end{array} $ | (11) |
式中S为间接经济损失系数。
其他受灾部门因产业关联引起的间接经济损失按照上述计算过程依次推求。本研究中将式(8)中的系数S称为间接经济损失系数,S>1则代表间接经济损失大于直接经济损失,S<1则代表间接经济损失小于直接经济损失,S=1则代表间接经济损失等于直接经济损失。
3 结果分析 3.1 城市洪涝模拟结果 3.1.1 模型合理性验证本研究通过易涝点的模拟对模型的合理性进行讨论。易涝点实际位置数据来自广东省水利水电科学研究院,共81个。易涝点的判定标准采用《室外排水设计规范(GB50014—2006)》(2016年版)中关于道路积水的定义:积水深度大于0.15 m,积水历时大于1 h,积水范围超过50 m2。模拟结果表明,在50 a重现期下,本文建立的模型可模拟出的内涝点个数为59个(图 3),模拟精度为72.8%,精度较高。
![]() |
图 3 50 a一遇设计暴雨情景下的易涝点模拟结果验证 |
3.1.2 城市洪涝模型模拟结果分析
在Python环境下用Arcpy库对耦合模型输出的积水深度进行批量处理,绘制了积水量和积水面积随时间变化的曲线,其中积水面积的统计标准是积水深度大于0.15 m的面积。结果如图 4所示,积水量和积水面积最大的时刻发生在第120 min,即降雨刚刚停止的时刻。50 a一遇设计暴雨情景下的最大积水量为51 534 080 m3,最大积水面积为50.95 km2,积水量和积水面积均呈现先增加后减少的变化趋势。在增加阶段通过观察曲线的变化斜率可以看出,增加速率出现了由快到慢的变化过程,这与设计暴雨的雨型是一致的。
![]() |
图 4 积水量和积水面积随时间的变化情况 |
3.2 高分辨率GDP数据空间化结果 3.2.1 第一产业GDP数据空间化
根据相关统计部门数据,中山市和珠海市2015年第一产业GDP分别为68.58亿元和46.63亿元,2020年第一产业的GDP分别为71.57亿元和60.02亿元。由于统计部门并未发布第一产业GDP的分类数据,故本研究通过农林牧渔业产值的比例及不同土地利用类型分别对2015年和2020年中山市和珠海市的地均GDP进行了计算,其中2015年的第一产业GDP空间化数据主要用于获取2015年第二、三产业的GDP数据,以便为随机森林回归模型提供训练样本,而2020年的GDP数据主要用于与预测的2020年第二、三产业GDP数据进行整合,获取研究区的社会经济分布数据。2015年和2020年的第一产业地均GDP计算结果如表 1和2所示。
产业名称 | 珠海市 | 中山市 | |||||||||
产值/亿元 | 比例/% | GDP/亿元 | 面积/km2 | 地均GDP/(万元·km-2) | 产值/亿元 | 比例/% | GDP/亿元 | 面积/km2 | 地均GDP/(万元·km-2) | ||
农业 | 14.14 | 17.71 | 8.26 | 356.00 | 231.92 | 39.58 | 35.50 | 24.35 | 237.33 | 1 025.93 | |
林业 | 0.20 | 0.25 | 0.12 | 756.67 | 1.54 | 0.02 | 0.02 | 0.01 | 594.67 | 0.21 | |
牧业 | 11.69 | 14.64 | 6.83 | 31.33 | 2 178.43 | 8.05 | 7.22 | 4.95 | 37.33 | 1 326.48 | |
渔业 | 53.83 | 67.41 | 31.43 | 1 074.67 | 292.47 | 63.83 | 57.26 | 39.27 | 956.00 | 410.74 |
产业名称 | 珠海市 | 中山市 | |||||||||
产值/亿元 | 比例/% | GDP/亿元 | 面积/km2 | 地均GDP/(万元·km-2) | 产值/亿元 | 比例/% | GDP/亿元 | 面积/km2 | 地均GDP/(万元·km-2) | ||
农业 | 15.34 | 15.33 | 8.40 | 348.73 | 263.86 | 35.92 | 30.35 | 21.26 | 230.60 | 941.82 | |
林业 | 0.03 | 0.03 | 0.01 | 752.13 | 0.22 | 0.07 | 0.06 | 0.04 | 591.33 | 0.72 | |
牧业 | 2.23 | 2.23 | 1.22 | 27.80 | 481.18 | 3.58 | 3.02 | 2.12 | 32.60 | 663.98 | |
渔业 | 82.46 | 82.41 | 45.13 | 1 049.13 | 471.78 | 78.80 | 66.57 | 46.63 | 942.00 | 505.78 |
由表 1和2可知,中山市和珠海市的产业结构类似,产业占比从大到小依次为渔业、农业、牧业和林业,但中山市的农业和林业占比略高于珠海市,而牧业和渔业占比略低于珠海市。2020年,两市的产业结构均有所变化,表现为珠海市的农业和渔业产值占比增加,林业和牧业产值占比减少,而中山市的渔业和林业产值占比增加,农业和牧业产值占比减少。
基于2020年第一产业的地均GDP和土地利用数据,获得了研究区的第一产业GDP数据,如表 3所示。由表 3可知,前山河流域的第一产业GDP主要来源于中山市,约占第一产业总GDP的91%。
地区 | 耕地面积/km2 | 林业用地面积/km2 | 水域面积/km2 | 第一产业GDP总量/亿元 |
中山市 | 57.04 | 57.02 | 13.76 | 6.07 |
珠海市 | 10.81 | 42.21 | 6.00 | 0.59 |
3.2.2 第二产业和第三产业GDP数据空间化
本研究选取了14类与人们生活密切相关的POI服务,以获取研究区的社会经济活动特征。为了证明通过POI数据预测GDP空间分布的可行性,计算了14类POI服务的核密度及其与GDP的相关系数,结果如图 5所示。POI核密度与GDP的平均相关系数为0.57,为中等相关。同时,基于随机森林回归模型,计算了不同POI核密度在预测GDP空间分布中的重要性,结果如图 5所示。“公司企业”对第二、三产业GDP的预测最为重要。
![]() |
图 5 不同服务POI核密度与第二、三产业GDP的相关系数和重要性 |
模型超参数的选择通常采用多重交叉验证方法。本研究采用网格搜索算法和五次交叉验证进行超参数选择,采用决定系数R2进行精度评价。根据获得的第一产业的地均GDP数据,基于中科院资源环境科学与数据中心提供的2015年1 km分辨率的土地利用和GDP空间分布数据,可以获得2015年第二、三产业的GDP数据,以此作为随机森林回归模型的训练样本。结果显示,经优化后相关参数取值分别为:抽样方式(bootstrap)为有放回的抽样,最大深度(max_depth)为30,最大特征个数(max_features)为ln 2,基评估器的数量(n_estimators)为260,每个节点最少训练样本数(min_samples_split)为2,叶子节点最少训练样本数(min_samples_leaf)为1。训练集的R2为0.937 8,表明模型拟合效果较好;测试集的R2为0.654 9,可以满足本研究的需要。
基于2020年14类POI核密度和训练好的随机森林回归模型,获得了第二、三产业GDP空间化数据。结果表明,前山河流域中珠海市和中山市的第二、三产业GDP占全市第二、三产业GDP的比例分别为18.24%和13.64%。统计数据显示,2020年珠海市和中山市的第二、三产业GDP总量分别为3 421.92亿元和3 080.03亿元,计算出前山河流域2020年第二、三产业GDP总值为1 044.27亿元。基于2020年每个栅格的权重和前山河流域第二、三产业GDP总值即可获得第二、三产业的GDP空间分布数据。
将第一产业和第二、三产业的空间化结果进行整合,获得了2020年30 m分辨率的GDP空间分布数据(图 6)。图 6显示,流域的西南、中部和东南部为3个核心区域,与实际情况一致。
![]() |
图 6 2020年30 m分辨率GDP空间分布 |
3.3 洪涝灾害经济损失动态评估 3.3.1 直接经济损失评估
直接经济损失采用损失率法来计算。参考相关文献[23],确定了不同土地利用类型的积水深度与损失率的关系,如图 7所示。通过耦合模型模拟的积水深度空间分布与GDP的空间分布数据,即可求得不同时刻的直接经济损失,如图 8所示。图 8显示,50 a一遇暴雨情景下直接经济损失最大值为5 421.90万元。从直接经济损失的变化趋势来看,在降雨结束前,直接经济损失的变化趋势与设计暴雨强度的变化趋势较为一致,在峰值雨强前,直接经济损失增加的速度在变快,在峰值雨强后,直接经济损失增加的速度在变慢,而降雨停止后,直接经济损失并未减少,而是缓慢增加了一段时间后才开始缓慢减少,出现直接经济损失最大值的时刻与出现积水量和积水面积最大值的时刻(图 4)并不一致。为了探究产生这一现象的原因,绘制了不同产业的直接经济损失的动态变化过程(图 9)。
![]() |
图 7 不同土地利用类型的洪涝灾害损失率 |
![]() |
图 8 50 a一遇设计暴雨情景下的直接经济损失变化过程 |
![]() |
图 9 第一产业和第二、三产业直接经济损失变化过程 |
由图 9可以看出,第一产业的直接经济损失大于第二、三产业的直接经济损失,主要是因为统计标准不同,第一产业是按照全年GDP计算的,而第二、三产业是按照日均GDP计算的。第一产业的直接经济损失变化趋势与总的直接经济损失变化趋势基本一致,而第二、三产业的直接经济损失在降雨停止后开始逐渐减少,这是由于第二、三产业主要分布于城镇区域,而城镇区域具有完善的排水系统,在降雨停止后,城镇区域内的积水会在排水系统的作用下逐渐排出,因此第二、三产业的损失会在降雨停止后开始逐渐减少。在50 a一遇设计暴雨情景下,第一产业和第二、三产业的直接经济损失最大值分别为3 137.96万元和2 498.04万元。
为了更好地说明第一产业直接经济损失变化趋势的产生原因,绘制了研究区第一产业中不同行业直接经济损失的变化趋势图(图 10)。虽然中山市和珠海市的第一产业中包含牧业,但牧业并不在本研区内。可以看出,在降雨停止后,渔业的直接经济损失仍呈增加的趋势,林业呈减小的趋势,农业呈先增加后减小的趋势。在本研究区内,由于水域在洪涝灾害发生时起到排泄雨洪的作用,因此渔业的损失在降雨停止后仍会持续增加;由于林业主要位于高海拔地区,不易形成积水,因此林业损失会在降雨停止后开始减少;由于农田周围多为城区,城区部分雨洪流量会向农田汇集,农田地区由于地势平坦,Manning系数较大,因此积水的排出会有一定的滞后性,这也会导致降雨停止后的一段时间内,农业直接经济损失呈现增加的趋势。从3个行业的损失值来看,农业的直接经济损失最大,因此其变化趋势会起主要作用,导致了第一产业直接经济损失在降雨停止后呈现先增加后减少的变化趋势。
![]() |
图 10 农业、林业和渔业直接经济损失变化过程 |
对于洪涝灾害损失而言,该损失并不会存在下降阶段,因为当承灾体受灾后,如路基冲毁、电器水浸损坏、车辆进水等,损失并不会因为洪涝水情的减少而降低。因此,对于洪涝灾害直接经济损失的变化过程,需要关注的时段为损失开始时刻至损失峰值时刻。
基于中山市和珠海市统计局对GDP的统计分类,将GDP分为9种行业,分别为农林牧渔业,工业,建筑业,批发和零售业,交通运输、仓储和邮政业,住宿和餐饮业,金融业,房地产业,其他服务业。其中,农林牧渔业的直接经济损失对应于第一产业,而其他行业的直接经济损失则对应于第二、三产业。为了获得第二、三产业中不同行业的直接经济损失,本研究按照中山市和珠海市不同行业GDP所占的比例对研究区内各行业的直接经济损失进行了分配,如表 4所示。结果显示,第二、三产业中损失最大的行业为工业,损失最小的行业为住宿和餐饮业。
行业名称 | 比例/% | 直接经济损失最大值/万元 |
工业 | 40.88 | 1 021.20 |
建筑业 | 5.35 | 133.65 |
批发和零售业 | 9.41 | 235.07 |
交通运输、仓储和邮政业 | 1.72 | 42.97 |
住宿和餐饮业 | 1.30 | 32.47 |
金融业 | 10.14 | 253.30 |
房地产业 | 8.40 | 209.84 |
其他服务业 | 22.80 | 569.55 |
3.3.2 间接经济损失评估
为了计算不同行业的直接经济损失因产业间关联引起的间接经济损失,本研究基于中山市和珠海市统计局提供的GDP分类,对投入产出表中的相关部门进行了合并,并基于合并后的投入产出表计算了直接消耗系数矩阵(图 11)和完全消耗系数矩阵(图 12),其中1—9分别代表农林牧渔业,工业,建筑业,批发零售业,交通运输、仓储和邮政业,住宿和餐饮业,金融业,房地产业,其他服务业(表 5)。
![]() |
图 11 直接消耗系数矩阵热力图 |
![]() |
图 12 完全消耗系数矩阵热力图 |
行业代号 | 行业名称 | 间接经济损失系数 |
1 | 农林牧渔业 | 0.92 |
2 | 工业 | 0.17 |
3 | 建筑业 | 2.51 |
4 | 批发和零售业 | 0.84 |
5 | 交通运输、仓储和邮政业 | 1.05 |
6 | 住宿和餐饮业 | 1.72 |
7 | 金融业 | 0.51 |
8 | 房地产业 | 0.48 |
9 | 其他服务业 | 0.75 |
图 11的直接消耗系数矩阵显示,农林牧渔业、工业、建筑业、住宿和餐饮业在生产过程中对工业产品或服务的消耗量最大;批发和零售业对金融业的消耗量最大;交通运输、仓储和邮政业,金融业,房地产业和其他服务业于对本行业的消耗量最大。图 12的完全消耗系数矩阵显示,所有行业对工业产品或服务的消耗量均为最大。
根据图 11的直接消耗系数矩阵,核算了研究区各个行业由于产业间关联而引起的间接经济损失。结果显示,在50 a一遇设计暴雨情景下,直接经济损失最大值对应的间接经济损失为4 340.68万元。进一步,统计了不同行业直接经济损失和间接经济损失在全部经济损失中的占比(图 13)。结果显示,在所有行业中,工业的间接经济损失占比最小,为14.82%,建筑业的间接经济损失占比最大,为71.47%;建筑业,交通运输、仓储和邮政业,住宿和餐饮业的间接经济损失均超过了直接经济损失;其他行业的经济损失中,间接经济损失的占比介于14.82%~47.79%之间;全行业洪涝灾害经济损失中,间接经济损失的比例为43.47%。
![]() |
图 13 直接经济损失和间接经济损失占比 |
进一步基于式(8)计算了间接经济损失系数(表 5),并结合直接消耗系数矩阵热力图(图 11),对直接经济损失和间接经济损失占比的计算结果进行分析。间接经济损失系数是基于研究区的产业结构进行计算的。对于前山河流域而言,工业的间接经济损失系数最小,同时从直接消耗系数来看,工业在生产过程中主要消耗自身产品,而对其他行业的消耗量较少,因此其间接经济损失占比最少;对于建筑业,其间接经济损失系数最大,对其他行业的消耗量也远大于自身,因此其间接经济损失占比最大;建筑业,交通运输、仓储和邮政业,住宿和餐饮业的间接经济损失系数均大于1,因此其间接经济损失占比均大于直接经济损失占比。
4 讨论洪涝灾害引起的直接经济损失指洪水淹没造成的损失,反映了已有社会财富的减少情况,包括固定资产损失、流动资产损失、居民财产损失和农作物损失等。但是,由于缺少前山河流域相关资产的统计资料,本研究只能参考相关文献[24-25],采用GDP数据作为每个格网的成本价值;同时,对于间接经济损失评估,由于缺少市级行政区的投入产出表,采用了广东省的投入产出表。这些在一定程度上会增加评估结果的不确定性。后续研究将加强基础资料的收集工作,减少由基础数据带来的评估误差。
就直接经济损失的发展过程而言,本研究基于土地利用类型和积水深度确定了每个栅格的损失率,因此每个栅格的成本价值虽然会对最终的评估结果产生影响,但是并不会影响对发展规律的认识。同样,在计算间接经济损失时,间接经济损失是通过间接经济损失系数与直接经济损失相乘获得的,而间接经济损失系数是基于投入产出表计算得到的,仅与研究区的产业结构有关,因此本研究使用GDP数据作为每个栅格的成本价值虽然会对定量的评估结果产生影响,但是并不影响对间接经济损失的定性认识。
此外,随着不同地区之间贸易联系的增加,产业关联损失也不仅限于本地区的损失,还会导致其他地区相关行业因原材料供应不足或中断而停工停产及产品积压等造成经济损失,即地域波及的损失。后续研究应该考虑将该损失进行核算。
5 结论本研究基于土地利用数据、POI数据和随机森林回归模型获取了研究区高分辨率的GDP空间分布数据,在Python环境下通过调用Arcpy库实现了对洪涝灾害整个过程中直接经济损失的动态评估,并基于投入产出模型对各行业的洪涝灾害间接经济损失进行了核算,得到如下结论:
1) 基于土地利用数据、POI数据和随机森林回归模型获取高分辨率的GDP空间分布数据是可行的,有助于提升洪涝灾害损失的评估精度;
2) 洪涝灾害经济损失变化趋势与积水量和积水面积的变化趋势并不完全一致,积水量和积水面积最大的时刻并不是经济损失最严重的时刻,因此开展洪涝灾害损失动态评估、掌握洪涝灾害损失的发展规律是十分必要的;
3) 洪涝灾害损失的变化趋势在不同产业、不同行业间存在差异,洪涝灾害损失最大值的发生时刻也不尽相同,因此对于不同行业的经济损失进行评估时,应该重视行业间灾害损失发展规律的差异性;
4) 在50 a一遇设计暴雨情景下,前山河流域洪涝灾害损失最大值为9 627.98万元,其中直接经济损失占比为56.23%,间接经济损失占比为43.47%,因此在洪涝灾害损失评估中要重视间接经济损失的评估;
5) 不同行业的直接经济损失与间接经济损失占比存在差异,因此为减少洪涝灾害损失,针对不同行业可以制定不同的防灾减灾措施,如工业主要以减少本行业损失为主,而建筑业对其他行业的影响较大,要防止损失在其他行业中进一步扩大。
[1] |
邵蕊, 邵薇薇, 苏鑫, 等. 基于TELEMAC-2D模型分析不同洪涝情景对城市应急响应时间的影响[J]. 清华大学学报(自然科学版), 2022, 62(1): 60-69. SHAO R, SHAO W W, SU X, et al. Impact of various flood scenarios on urban emergency responses times based on the TELEMAC-2D model[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(1): 60-69. (in Chinese) |
[2] |
邵薇薇, 刘家宏, 王开博, 等. 基于情景模拟的城市洪涝交通影响评估[J/OL]. [2022-02-22]. 清华大学学报(自然科学版), 2022: 1-15. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=QHXB20220211000&uniplatform=NZKPT&v=MAkv1cVpNtNwjI5djgiPkCbBlKmWjZv3LxpeFWtjENL9QJHGFAcyZXnBfDjbxyXA. SHAO W W, LIU J H, WANG K B, et al. Assessment of urban flood impact on traffic flow based on scenario simulations[J/OL]. [2022-02-22]. Journal of Tsinghua University (Science and Technology), 2022: 1-15. https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=QHXB20220211000&uniplatform=NZKPT&v=MAkv1cVpNtNwjI5djgiPkCbBlKmWjZv3LxpeFWtjENL9QJHGFAcyZXnBfDjbxyXA. (in Chinese) |
[3] |
刘家宏, 王浩, 高学睿, 等. 城市水文学研究综述[J]. 科学通报, 2014, 59(36): 3581-3590. LIU J H, WANG H, GAO X R, et al. Review on urban hydrology[J]. Chinese Science Bulletin, 2014, 59(36): 3581-3590. (in Chinese) |
[4] |
UNDRR/CRED. The human cost of disasters: An overview of the last 20 years (2000-2019)[EB/OL]. (2020-10-13)[2021-12-15]. https://www.undrr.org/publication/human- cost-disasters-overview-last-20-years-2000-2019.
|
[5] |
张建云, 王银堂, 贺瑞敏, 等. 中国城市洪涝问题及成因分析[J]. 水科学进展, 2016, 27(4): 485-491. ZHANG J Y, WANG Y T, HE R M, et al. Discussion on the urban flood and waterlogging and causes analysis in China[J]. Advances in Water Science, 2016, 27(4): 485-491. (in Chinese) |
[6] |
曹永强, 杜国志, 王方雄. 洪灾损失评估方法及其应用研究[J]. 辽宁师范大学学报(自然科学版), 2006, 29(3): 355-358. CAO Y Q, DU G Z, WANG F X. The study on flood disaster evaluating method and its application[J]. Journal of Liaoning Normal University (Natural Science Edition), 2006, 29(3): 355-358. (in Chinese) |
[7] |
JONGMAN B, KREIBICH H, APEL H, et al. Comparative flood damage model assessment: Towards a European approach[J]. Natural Hazards and Earth System Sciences, 2012, 12(12): 3733-3752. DOI:10.5194/nhess-12-3733-2012 |
[8] |
王宝华, 付强, 谢永刚, 等. 国内外洪水灾害经济损失评估方法综述[J]. 灾害学, 2007, 22(3): 95-99. WANG B H, FU Q, XIE Y G, et al. A review on evaluation method of economic loss of flood in the world[J]. Journal of Catastrophology, 2007, 22(3): 95-99. DOI:10.3969/j.issn.1000-811X.2007.03.022 (in Chinese) |
[9] |
宁思雨, 黄晶, 汪志强, 等. 基于投入产出法的洪涝灾害间接经济损失评估: 以湖北省为例[J]. 地理科学进展, 2020, 39(3): 420-432. NING S Y, HUANG J, WANG Z Q, et al. Indirect economic losses of flood disaster based on an input-output model: A case study of Hubei Province[J]. Progress in Geography, 2020, 39(3): 420-432. (in Chinese) |
[10] |
刘春腊, 马丽, 刘卫东. 洪水灾害社会经济损失评估方法研究述评[J]. 灾害学, 2014, 29(2): 136-141. LIU C L, MA L, LIU W D. Evaluation methods on social and economic loss of flood disaster[J]. Journal of Catastrophology, 2014, 29(2): 136-141. (in Chinese) |
[11] |
MERZ B, KREIBICH H, SCHWARZE R, et al. Assessment of economic flood damage[J]. Natural Hazards and Earth System Sciences, 2010, 10(8): 1697-1724. DOI:10.5194/nhess-10-1697-2010 |
[12] |
史瑞琴, 刘宁, 李兰, 等. 暴雨洪涝淹没模型在洪灾损失评估中的应用[J]. 暴雨灾害, 2013, 32(4): 379-384. SHI R Q, LIU N, LI L, et al. Application of rainstorm and flood inundation model in flood disaster economic loss evaluation[J]. Torrential Rain and Disasters, 2013, 32(4): 379-384. DOI:10.3969/j.issn.1004-9045.2013.04.012 (in Chinese) |
[13] |
王桂芝, 李霞, 陈纪波, 等. 基于IO模型的多部门暴雨灾害间接经济损失评估: 以北京市"7.21"特大暴雨为例[J]. 灾害学, 2015, 30(2): 94-99. WANG G Z, LI X, CHEN J B, et al. The rainstorm indirect economic loss assessment of multi departments based on IO model: A case study on the rainstorm on July, 21st in Beijing[J]. Journal of Catastrophology, 2015, 30(2): 94-99. DOI:10.3969/j.issn.1000-811X.2015.02.018 (in Chinese) |
[14] |
MAIR M, ZISCHG J, RAUCH W, et al. Where to find water pipes and sewers?-On the correlation of infrastructure networks in the urban environment[J]. Water, 2017, 9(2): 146. DOI:10.3390/w9020146 |
[15] |
YANG X L, CHEN H L, WANG Y L, et al. Evaluation of the effect of land use/cover change on flood characteristics using an integrated approach coupling land and flood analysis[J]. Hydrology Research, 2016, 47(6): 1161-1171. DOI:10.2166/nh.2016.108 |
[16] |
梅超. 城市水文水动力耦合模型及其应用研究[D]. 北京: 中国水利水电科学研究院, 2019. MEI C. Development of a coupled urban hydrological-hydrodynamic model and its application[D]. Beijing: China Institute of Water Resources and Hydropower Research, 2019. (in Chinese) |
[17] |
刘家宏, 李泽锦, 梅超, 等. 基于TELEMAC-2D的不同设计暴雨下厦门岛城市内涝特征分析[J]. 科学通报, 2019, 64(19): 2055-2066. LIU J H, LI Z J, MEI C, et al. Urban flood analysis for different design storm hyetographs in Xiamen Island based on TELEMAC-2D[J]. Chinese Science Bulletin, 2019, 64(19): 2055-2066. (in Chinese) |
[18] |
陈文杰. 城市洪涝水文水动力模型构建与洪涝管理关键问题研究[D]. 广州: 华南理工大学, 2019. CHEN W J. Urban flood hydrological and hydrodynamic model construction and flood management key issues exploration[D]. Guangzhou: South China University of Technology, 2019. (in Chinese) |
[19] |
卢秀, 李佳, 段平, 等. 基于夜间灯光和土地利用数据的GDP空间化及预测: 以云南沿边地区为例[J]. 地域研究与开发, 2020, 39(2): 36-39, 81. LU X, LI J, DUAN P, et al. Spatialization and forecasting of GDP in Yunnan border area based on nighttime light and land use data[J]. Areal Research and Development, 2020, 39(2): 36-39, 81. DOI:10.3969/j.issn.1003-2363.2020.02.007 (in Chinese) |
[20] |
刘杨, 李宏伟, 杨斌程, 等. 基于遥感数据和POI数据的GDP空间化研究: 以北京市为例[J]. 地域研究与开发, 2021, 40(2): 27-32, 39. LIU Y, LI H W, YANG B C, et al. Spatialization of GDP based on remote sensing data and POI data: A case study of Beijing city[J]. Areal Research and Development, 2021, 40(2): 27-32, 39. DOI:10.3969/j.issn.1003-2363.2021.02.005 (in Chinese) |
[21] |
SU X, SHAO W W, LIU J H, et al. Dynamic assessment of the impact of flood disaster on economy and population under extreme rainstorm events[J]. Remote Sensing, 2021, 13(19): 3924. DOI:10.3390/rs13193924 |
[22] |
张鹏, 李宁, 刘雪琴, 等. 基于投入产出模型的洪涝灾害间接经济损失定量分析[J]. 北京师范大学学报(自然科学版), 2012, 48(4): 425-431. ZHANG P, LI N, LIU X Q, et al. Quantitative analysis of indirect economic loss to flood disaster based on an input-output model[J]. Journal of Beijing Normal University (Natural Science), 2012, 48(4): 425-431. (in Chinese) |
[23] |
彭建, 魏海, 武文欢, 等. 基于土地利用变化情景的城市暴雨洪涝灾害风险评估: 以深圳市茅洲河流域为例[J]. 生态学报, 2018, 38(11): 3741-3755. PENG J, WEI H, WU W H, et al. Storm flood disaster risk assessment in urban area based on the simulation of land use scenarios: A case of Maozhou Watershed in Shenzhen City[J]. Acta Ecologica Sinica, 2018, 38(11): 3741-3755. (in Chinese) |
[24] |
王军, 叶明武, 李响, 等. 城市自然灾害风险评估与应急响应方法研究[M]. 北京: 科学出版社, 2013. WANG J, YE M W, LI X, et al. Study on the methods of risk assessment and emergency response of urban natural hazards[M]. Beijing: Science Press, 2013. (in Chinese) |
[25] |
金有杰. 基于GIS的潍坊市暴雨洪涝灾害损失评估方法研究[D]. 南京: 南京信息工程大学, 2013. JIN Y J. The Weifang City flood and waterlogging disaster loss evaluation method research based on GIS[D]. Nanjing: Nanjing University of Information Science and Technology, 2013. (in Chinese) |