姜露露, 馬仁鋒, 袁海紅

臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估研究進(jìn)展

姜露露1,2, 馬仁鋒1,3,*, 袁海紅1,3

1. 寧波大學(xué)地理與空間信息技術(shù)系, 寧波陸海國(guó)土空間利用與治理協(xié)同創(chuàng)新中心, 浙江 寧波 315211 浙江省普陀中學(xué), 浙江 舟山 316100 3.浙江省新型重點(diǎn)專業(yè)智庫(kù)寧波大學(xué)東海戰(zhàn)略研究院, 浙江 寧波 315211

臺(tái)風(fēng)災(zāi)害對(duì)全球沿海地區(qū)社會(huì)經(jīng)濟(jì)系統(tǒng)具有重要影響, 客觀地評(píng)估和預(yù)測(cè)臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失, 能提高區(qū)域?yàn)?zāi)前災(zāi)后決策科學(xué)性, 降低臺(tái)風(fēng)災(zāi)害損失。利用文獻(xiàn)分析法梳理臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估對(duì)象, 評(píng)估視角-指標(biāo)-數(shù)據(jù)源與處理, 評(píng)估方法等。研究發(fā)現(xiàn): (1)直接經(jīng)濟(jì)損失評(píng)估對(duì)象單一, 以物質(zhì)形態(tài)損失為主; 間接經(jīng)濟(jì)損失評(píng)估對(duì)象多元, 有待完善與體系化; (2)評(píng)估指標(biāo)體系通用性低, 臺(tái)風(fēng)強(qiáng)度、臺(tái)風(fēng)路徑、地表事物布局及自然與社會(huì)經(jīng)濟(jì)要素相互關(guān)系被忽略; 指標(biāo)遴選忽視區(qū)域特征與典型性; 評(píng)估數(shù)據(jù)以臺(tái)風(fēng)、歷史災(zāi)情、社會(huì)經(jīng)濟(jì)等截面數(shù)據(jù)為主, 新媒體、非結(jié)構(gòu)化大數(shù)據(jù)等新興數(shù)據(jù)正在被挖掘; (3)臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失評(píng)估法以回歸模型、模糊、神經(jīng)網(wǎng)絡(luò)、可拓、AHP、DEA為主, 間接經(jīng)濟(jì)損失評(píng)估法以投入產(chǎn)出、比例系數(shù)為主, 社交媒體數(shù)據(jù)庫(kù)損害評(píng)估模型用于物理?yè)p害和情緒損害評(píng)估。臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估視角聚焦經(jīng)濟(jì)社會(huì)可持續(xù), 但是缺乏對(duì)就業(yè)、收入、勞動(dòng)市場(chǎng)、社會(huì)秩序恢復(fù)等的關(guān)注, 其評(píng)估指標(biāo)選擇與權(quán)重確定、數(shù)據(jù)拓展, 以及運(yùn)用地理信息技術(shù)與巨災(zāi)保險(xiǎn)等結(jié)合亟待深入研究。

臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估; 評(píng)估視角; 評(píng)估指標(biāo)體系; 臺(tái)風(fēng)路徑

0 前言

臺(tái)風(fēng)(typhoon)是全球影響范圍廣、發(fā)生頻率高、破壞性強(qiáng)的自然災(zāi)害之一[1], 是人類面臨的重大全球性問(wèn)題之一。世界氣象組織將中心持續(xù)風(fēng)速在32.7—41.4 m·s-1(即12—13級(jí))的氣旋定義為臺(tái)風(fēng)(或颶風(fēng))[2]。中國(guó)氣象局為實(shí)現(xiàn)與國(guó)際接軌于1989年采用世界氣象組織標(biāo)準(zhǔn), 2006年頒布“關(guān)于實(shí)施熱帶氣旋等級(jí)國(guó)家標(biāo)準(zhǔn)”(GBT19021)[3]。為便于應(yīng)用和對(duì)外服務(wù), 中國(guó)將熱帶風(fēng)暴、強(qiáng)熱帶風(fēng)暴、臺(tái)風(fēng)、強(qiáng)臺(tái)風(fēng)和超強(qiáng)臺(tái)風(fēng)統(tǒng)稱為“臺(tái)風(fēng)”。臺(tái)風(fēng)災(zāi)害是致災(zāi)因子、孕災(zāi)環(huán)境和承災(zāi)體共同作用的結(jié)果, 是致災(zāi)因子破壞強(qiáng)度超過(guò)承災(zāi)體承受能力而導(dǎo)致的失衡事件, 臺(tái)風(fēng)致災(zāi)因子強(qiáng)度越大, 超出承災(zāi)體承受能力的可能性越大; 反之, 當(dāng)臺(tái)風(fēng)致災(zāi)因子強(qiáng)度較弱, 承載體足以承受其破壞而不致受害, 則損失較少[4]。臺(tái)風(fēng)災(zāi)害損失量與暴露于臺(tái)風(fēng)中承災(zāi)體的數(shù)量、價(jià)值有關(guān), 以及與承災(zāi)體脆弱性相關(guān), 抵抗災(zāi)害的能力和災(zāi)后恢復(fù)能力越強(qiáng), 災(zāi)害損失越少[5]。災(zāi)害評(píng)估是預(yù)測(cè)災(zāi)害發(fā)生、災(zāi)害防治以及災(zāi)后補(bǔ)償研究基礎(chǔ), 評(píng)估結(jié)果是國(guó)家減災(zāi)、防災(zāi)和救災(zāi)政策制定與實(shí)施的科學(xué)依據(jù), 對(duì)區(qū)域可持續(xù)發(fā)展具有重要意義。

1 臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失研究熱點(diǎn)領(lǐng)域

基于CNKI與WOS數(shù)據(jù)庫(kù)利用CiteSpaceV計(jì)量分析得圖1和圖2, 結(jié)合經(jīng)典文獻(xiàn)發(fā)現(xiàn)臺(tái)風(fēng)災(zāi)害研究始于20世紀(jì)60年代, 2004年后迅猛發(fā)展, 研究?jī)?nèi)容由20世紀(jì)90年代臺(tái)風(fēng)災(zāi)害以及次生風(fēng)災(zāi)、洪澇對(duì)房屋等直接經(jīng)濟(jì)損失研究轉(zhuǎn)向21世紀(jì)臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)、臺(tái)風(fēng)災(zāi)害等級(jí)、臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)轉(zhuǎn)移與風(fēng)險(xiǎn)管理等; 研究方法趨向運(yùn)用神經(jīng)網(wǎng)絡(luò)模型與大數(shù)據(jù); 研究區(qū)域由宏觀轉(zhuǎn)向微觀, 日益重視微區(qū)域案例(圖1、圖2)。臺(tái)風(fēng)災(zāi)害評(píng)估是臺(tái)風(fēng)災(zāi)害研究重要領(lǐng)域, 包括風(fēng)險(xiǎn)評(píng)估、災(zāi)情評(píng)估、經(jīng)濟(jì)損失評(píng)估、減災(zāi)防災(zāi)能力評(píng)估、生態(tài)評(píng)估等(圖2)。該類研究多以某次具體臺(tái)風(fēng)過(guò)程為研究對(duì)象, 預(yù)測(cè)研究區(qū)域過(guò)去發(fā)生或即將發(fā)生或正在發(fā)生的臺(tái)風(fēng)災(zāi)害所導(dǎo)致的損失。如何充分利用歷史社會(huì)經(jīng)濟(jì)數(shù)據(jù)、氣象資料和地理信息技術(shù), 結(jié)合臺(tái)風(fēng)運(yùn)動(dòng)原理, 構(gòu)建具有普適性特征的經(jīng)濟(jì)損失評(píng)估與預(yù)測(cè)模型, 快速且準(zhǔn)確預(yù)測(cè)某一臺(tái)風(fēng)造成的經(jīng)濟(jì)損失, 成為防災(zāi)應(yīng)急預(yù)案和災(zāi)后重建工作的重點(diǎn)內(nèi)容和難點(diǎn)領(lǐng)域。

圖1 “臺(tái)風(fēng)災(zāi)害”研究外文文獻(xiàn)關(guān)鍵詞共現(xiàn)

Figure1 Co-occurring of key words in foreign literature on "typhoon disaster"

圖2 “臺(tái)風(fēng)災(zāi)害”研究中文文獻(xiàn)關(guān)鍵詞共現(xiàn)

Figure 2 Co-occurrence of key words in related literature of "typhoon disaster "

2 臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估對(duì)象

臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失包括最終產(chǎn)品損失與因產(chǎn)業(yè)間關(guān)聯(lián)所產(chǎn)生的中間產(chǎn)品損失, 學(xué)界將物質(zhì)形態(tài)(如房屋、基礎(chǔ)設(shè)施、土地、農(nóng)田等)物理破壞, 以及由此引發(fā)的后續(xù)非物質(zhì)形態(tài)的物理影響[6]視為直接經(jīng)濟(jì)損失。如臺(tái)風(fēng)對(duì)農(nóng)田、農(nóng)作物、水產(chǎn)養(yǎng)殖、房屋建筑、公共基礎(chǔ)設(shè)施等造成破壞即為直接經(jīng)濟(jì)損失[7]。社會(huì)經(jīng)濟(jì)系統(tǒng)存在多樣化關(guān)聯(lián)是臺(tái)風(fēng)災(zāi)害間接經(jīng)濟(jì)損失產(chǎn)生主要原因, 直接經(jīng)濟(jì)損失影響間接經(jīng)濟(jì)損失, 從而導(dǎo)致社會(huì)總財(cái)富減少[8-9]; 關(guān)聯(lián)產(chǎn)業(yè)、關(guān)聯(lián)區(qū)域因產(chǎn)業(yè)停產(chǎn)造成經(jīng)濟(jì)影響[10], 包括資源、災(zāi)害和社會(huì)經(jīng)濟(jì)三類關(guān)聯(lián)型損失[11]。臺(tái)風(fēng)災(zāi)害間接經(jīng)濟(jì)損失不僅包括產(chǎn)業(yè)減產(chǎn)、支出增加, 還包括勞動(dòng)者就業(yè)、國(guó)民收入、社會(huì)秩序以及居民心理等無(wú)法直接計(jì)量損失[12], 因臺(tái)風(fēng)災(zāi)害導(dǎo)致交通、能源供給等中斷而誘發(fā)的損失[13], 以及建筑業(yè)和旅游業(yè)的經(jīng)濟(jì)損失[14]。直接經(jīng)濟(jì)損失多分析勞動(dòng)者報(bào)酬、國(guó)民收入和就業(yè)率的變化[15-16], 以及災(zāi)害直接導(dǎo)致企業(yè)停產(chǎn)造成的經(jīng)濟(jì)損失[17]; 災(zāi)后重建角度分析居民生活、當(dāng)?shù)仄髽I(yè)生產(chǎn)經(jīng)營(yíng)、交通運(yùn)輸設(shè)施及生命線和農(nóng)田資源等的前后差異。

3 臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估研究視角、指標(biāo)和方法

臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估包括數(shù)據(jù)收集、指標(biāo)處理、模型構(gòu)建三步。評(píng)估視角影響指標(biāo)選取與處理, 評(píng)價(jià)指標(biāo)遴選又取決于數(shù)據(jù)源、數(shù)據(jù)精度與區(qū)域特性, 否則將影響研究結(jié)果客觀性與可操作性。

3.1 臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估視角

臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估均與人類生產(chǎn)、生活等行為相關(guān), 比較重視有形的經(jīng)濟(jì)利益損失; 也關(guān)注影響人類生產(chǎn)、生活具有重要意義的海洋漁業(yè)資源、自然生態(tài)環(huán)境(表1)。較少考慮對(duì)臺(tái)風(fēng)路徑因素對(duì)災(zāi)害損失影響, 如同一臺(tái)風(fēng)不同階段災(zāi)害損失差異, 同一區(qū)域多個(gè)臺(tái)風(fēng)多個(gè)路徑影響下災(zāi)害經(jīng)濟(jì)損失差異。

臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失評(píng)估視角多利用面板數(shù)據(jù)預(yù)測(cè)臺(tái)風(fēng)災(zāi)害過(guò)程及其造成災(zāi)害程度, 為地方災(zāi)后恢復(fù)提供依據(jù)[18-19], 預(yù)測(cè)方向以區(qū)域?yàn)?zāi)害趨勢(shì)及時(shí)空分布為主。學(xué)界較少研究單一承災(zāi)體, 較多結(jié)合脆弱性、敏感性和恢復(fù)力預(yù)測(cè)臺(tái)風(fēng)災(zāi)害經(jīng)經(jīng)濟(jì)損失[20], 構(gòu)建具有評(píng)估、預(yù)測(cè)功能的臺(tái)風(fēng)強(qiáng)度等級(jí)與造成經(jīng)濟(jì)損失間回歸模型。差異化臺(tái)風(fēng)強(qiáng)度等級(jí)會(huì)造成承災(zāi)體不同程度破壞, 臺(tái)風(fēng)強(qiáng)度等級(jí)與承災(zāi)體受災(zāi)程度之間存在對(duì)應(yīng)關(guān)系, 找出該對(duì)應(yīng)關(guān)系模擬方程即可實(shí)現(xiàn)臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失預(yù)測(cè)[21,22]。同一臺(tái)風(fēng)的強(qiáng)度隨時(shí)間變化, 非同一時(shí)刻的同一臺(tái)風(fēng)對(duì)同一承災(zāi)體造成的破壞不同; 與臺(tái)風(fēng)相對(duì)位置也會(huì)對(duì)承災(zāi)體受損度造成一定的影響。直接通過(guò)與臺(tái)風(fēng)致災(zāi)因子、孕災(zāi)環(huán)境和承災(zāi)體數(shù)據(jù)綜合處理構(gòu)建災(zāi)情指數(shù)并分級(jí)也是學(xué)界直接評(píng)估視角之一[23]。

臺(tái)風(fēng)災(zāi)害間接經(jīng)濟(jì)損失影響范圍廣、具有潛伏性, 研究視角較為單一, 關(guān)注社會(huì)秩序、心理健康、就業(yè)等非物質(zhì)方面損失為主。學(xué)界從農(nóng)業(yè)受災(zāi)切入評(píng)估臺(tái)風(fēng)災(zāi)害造成農(nóng)業(yè)損失引發(fā)其他產(chǎn)業(yè)損失[24]; 評(píng)估勞動(dòng)者報(bào)酬、就業(yè)機(jī)會(huì)、國(guó)民心理健康等比較困難, 但臺(tái)風(fēng)災(zāi)害產(chǎn)生影響具有地方、強(qiáng)度和時(shí)間效應(yīng)[25], 選取科學(xué)數(shù)據(jù)仍可測(cè)度間接經(jīng)濟(jì)損失; 行業(yè)差異所引起的災(zāi)害敏感度差異會(huì)在一定程度上影響評(píng)估精確度。未來(lái)臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估, 需要統(tǒng)籌可見(jiàn)的經(jīng)濟(jì)利益與無(wú)形的社會(huì)文化福祉, 以及潛伏期較長(zhǎng)的生態(tài)環(huán)境與漁業(yè)資源等領(lǐng)域, 提出更為綜合評(píng)估邏輯框架, 實(shí)現(xiàn)人與自然的和諧。

表1 臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估視角

3.2 臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失的評(píng)估指標(biāo)、數(shù)據(jù)源與數(shù)據(jù)處理

3.2.1 臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估指標(biāo)遴選

臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估指標(biāo)源自致災(zāi)因子的破壞性、孕災(zāi)環(huán)境的敏感性、承災(zāi)體的易損性和防災(zāi)減災(zāi)能力四方面具體化。

(1)致災(zāi)因子是表達(dá)臺(tái)風(fēng)災(zāi)害過(guò)程多種因素, 來(lái)自災(zāi)害的強(qiáng)度、頻率和影響范圍等, 臺(tái)風(fēng)災(zāi)害中致災(zāi)因子主要為氣壓、大風(fēng)、強(qiáng)降水等。研究表明臺(tái)風(fēng)登陸時(shí)最大風(fēng)速和中心最低氣壓決定著災(zāi)害的破壞強(qiáng)度, 過(guò)大的風(fēng)速能夠直接摧毀建筑和植被, 帶來(lái)強(qiáng)降水可能直接造成城市內(nèi)澇和滑坡泥石流等次生災(zāi)害, 沿海地區(qū)受潮位提高會(huì)對(duì)農(nóng)業(yè)、房屋、道路等基礎(chǔ)設(shè)施產(chǎn)生重大影響[28]。但是多數(shù)學(xué)者選擇致災(zāi)因子評(píng)估指標(biāo)時(shí)只考慮量的差異, 很少關(guān)注因子空間差異, 即處于臺(tái)風(fēng)不同結(jié)構(gòu)影響下區(qū)域遭受的災(zāi)害程度不同。為此, 選擇致災(zāi)因子評(píng)估指標(biāo), 首先應(yīng)明確研究區(qū)域與臺(tái)風(fēng)的長(zhǎng)期關(guān)系(臺(tái)風(fēng)經(jīng)過(guò)區(qū)或影響區(qū)), 其次應(yīng)分析臺(tái)風(fēng)影響區(qū)是不存在中心最低氣壓、中心最大風(fēng)速和持續(xù)時(shí)間等。

(2)臺(tái)風(fēng)災(zāi)害不僅與臺(tái)風(fēng)過(guò)程的要素強(qiáng)度有關(guān), 而且與受災(zāi)區(qū)地理環(huán)境密切聯(lián)系。孕災(zāi)環(huán)境是由大氣、水、巖石(包括土壤和植被)、生物、人類等圈層構(gòu)成的綜合地表環(huán)境。這些要素是地表過(guò)程中一系列具有耗散特性的物質(zhì)循環(huán)、能量流動(dòng)、信息流動(dòng)的過(guò)程。孕災(zāi)環(huán)境敏感性是受災(zāi)區(qū)域?qū)τ跒?zāi)害影響反應(yīng)的靈敏度, 可從水源涵養(yǎng)、土壤持水、排水等方面評(píng)估。水源涵養(yǎng)能力主要依靠植被覆蓋率衡量, 蓄水與排水能力通常用河網(wǎng)密度與海拔分析, 植被覆蓋相較排水和蓄水能力的孕災(zāi)敏感性會(huì)相對(duì)較高。

(3)孕災(zāi)環(huán)境的敏感性存在于社會(huì)經(jīng)濟(jì)環(huán)境, 受社會(huì)經(jīng)濟(jì)地理事物布局影響, 學(xué)界將社會(huì)經(jīng)濟(jì)環(huán)境的敏感性統(tǒng)稱為承災(zāi)體易損性。承災(zāi)體易損性指暴露在臺(tái)風(fēng)災(zāi)害中容易遭受損失那部分, 與暴露數(shù)量和價(jià)值有很大聯(lián)系。承災(zāi)體易損性包括承災(zāi)體敏感性、應(yīng)對(duì)能力和自身恢復(fù)力。暴露性只存在于災(zāi)害發(fā)生時(shí)致災(zāi)因子與承災(zāi)體相互作用的承災(zāi)體上, 表現(xiàn)為暴露于災(zāi)害系統(tǒng)的數(shù)量和價(jià)值。致災(zāi)因子強(qiáng)度大, 承災(zāi)體暴露性可能增加。承災(zāi)體類型差異可分為經(jīng)濟(jì)、社會(huì)和環(huán)境三類易損性, 主要從人口、建筑、生命線工程、農(nóng)業(yè)和旅游業(yè)等表示社會(huì)財(cái)產(chǎn)規(guī)模與集中度相關(guān)指標(biāo)進(jìn)行評(píng)估。學(xué)界僅考慮敏感性, 多選擇人口密度、建筑設(shè)施密度等指標(biāo), 忽視了表示孕災(zāi)環(huán)境應(yīng)對(duì)能力和自身恢復(fù)力衡量指標(biāo)。

(4)防災(zāi)減災(zāi)能力指受災(zāi)區(qū)對(duì)災(zāi)害監(jiān)測(cè)預(yù)警、救災(zāi)、恢復(fù)重建能力等災(zāi)害應(yīng)急管理能力。災(zāi)情救援很大程度上取決于當(dāng)?shù)亟?jīng)濟(jì)水平和政府管理效率, 多數(shù)學(xué)者選擇人均GDP等予以衡量。災(zāi)后救援和重建還與當(dāng)?shù)蒯t(yī)療水平、政府應(yīng)急處理能力有重要關(guān)系, 醫(yī)療水平高低直接影響受災(zāi)人口傷亡率, 政府應(yīng)急處理能力決定災(zāi)后損失是否得到有效控制, 該領(lǐng)域因子亟待更全面考察。

遴選評(píng)估指標(biāo)是評(píng)估的靈魂, 如區(qū)域人均GDP既可評(píng)估承災(zāi)體的自身恢復(fù)力, 也可評(píng)估受災(zāi)區(qū)減災(zāi)防災(zāi)能力的災(zāi)后恢復(fù)重建能力。因?yàn)槿司鵊DP在一定程度上能夠反映人民和區(qū)域經(jīng)濟(jì)狀態(tài), 人均GDP較高意味著個(gè)人和受災(zāi)區(qū)經(jīng)濟(jì)實(shí)力都比較強(qiáng), 能夠支撐災(zāi)后重建費(fèi)用, 說(shuō)明承災(zāi)體和受災(zāi)區(qū)恢復(fù)力較好。歸納形成表2指標(biāo)體系, 可知指標(biāo)體系需要重視海洋資源、海岸海洋生態(tài)環(huán)境破壞性, 以及自然地理因素與社會(huì)經(jīng)濟(jì)因素的相互關(guān)系等指標(biāo)考核; 充分重視產(chǎn)業(yè)損失分類評(píng)估指標(biāo)的行業(yè)細(xì)化或行業(yè)敏感性等; 探究衡量多樣化區(qū)域和承災(zāi)體的災(zāi)損評(píng)估指標(biāo)。

3.2.2 臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失數(shù)據(jù)源與數(shù)據(jù)處理

臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估數(shù)據(jù)以氣象數(shù)據(jù)、災(zāi)情數(shù)據(jù)、社會(huì)經(jīng)濟(jì)數(shù)據(jù)、基礎(chǔ)地理信息數(shù)據(jù)和風(fēng)暴潮數(shù)據(jù)為主[19](表3), 表達(dá)指標(biāo)數(shù)據(jù)采集通過(guò)基礎(chǔ)地理信息計(jì)算、遙感等地面監(jiān)測(cè)、政府災(zāi)害統(tǒng)計(jì)及其模擬等方式獲取[20]?；A(chǔ)地理信息計(jì)算主要利用GIS軟件計(jì)算相關(guān)指標(biāo)狀態(tài)值, 如致災(zāi)因子破壞性指標(biāo)是根據(jù)直接監(jiān)測(cè)和統(tǒng)計(jì)數(shù)據(jù)及位置數(shù)據(jù)的綜合加權(quán)獲得; 遙感監(jiān)測(cè)主要用于監(jiān)測(cè)時(shí)間短、空間范圍大、邊界清晰、易于光譜識(shí)別的對(duì)象指標(biāo)獲取, 如植被覆蓋率可通過(guò)地物光譜分析、建立解譯標(biāo)志來(lái)利用遙感識(shí)別地物, 計(jì)算植被覆蓋面積和區(qū)域總面積; 地面監(jiān)測(cè)主要用于時(shí)間周期長(zhǎng)、需要精密儀器測(cè)量的氣象、水文等指標(biāo)。統(tǒng)計(jì)年鑒主要獲取以行政區(qū)為單元的社會(huì)經(jīng)濟(jì)和災(zāi)情數(shù)據(jù), 如人口密度等[21]。模擬無(wú)法直接獲得數(shù)據(jù), 如區(qū)域減災(zāi)防災(zāi)能力需要監(jiān)測(cè)預(yù)警、搶險(xiǎn)救災(zāi)、恢復(fù)重建和災(zāi)害應(yīng)急管理等能力的加權(quán)計(jì)量而得。隨著網(wǎng)絡(luò)信息技術(shù)發(fā)展與智能手機(jī)普及, 社交媒體大數(shù)據(jù)成為災(zāi)害評(píng)估數(shù)據(jù)的新來(lái)源, 能夠及時(shí)反映災(zāi)害損失類別、數(shù)量和規(guī)模[22]; 如利用EO(Engineering Order)工程秩序圖與建筑藍(lán)圖實(shí)現(xiàn)準(zhǔn)確測(cè)量建筑損壞等[23]。

表2 沿海地區(qū)臺(tái)風(fēng)災(zāi)害影響評(píng)估要素及其指標(biāo)

外圍空間特征、數(shù)據(jù)空間特征、數(shù)值空間化、數(shù)據(jù)無(wú)量綱化等是[24]臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估過(guò)程常見(jiàn)數(shù)據(jù)處理步驟。外圍空間特征處理主要處理數(shù)據(jù)空間參照系、坐標(biāo)系、數(shù)據(jù)類型等空間數(shù)據(jù)的外在特征, 保證數(shù)據(jù)具有相同的坐標(biāo)體系, 符合GIS/RS軟件應(yīng)用要求。數(shù)據(jù)空間特征處理是處理指標(biāo)數(shù)據(jù)的空間特征, 如區(qū)域生產(chǎn)總值空間分布特征可采用夜間燈光遙感數(shù)據(jù)空間插值與綜合等程序計(jì)算出。數(shù)值空間化處理是將面域統(tǒng)計(jì)類數(shù)值轉(zhuǎn)換成空間分布型的空間數(shù)據(jù), 多用于社會(huì)經(jīng)濟(jì)面域統(tǒng)計(jì)型數(shù)據(jù)處理, 以格點(diǎn)生成、多因子加權(quán)融合法為主。數(shù)據(jù)無(wú)量綱化處理更為普遍, 將原始數(shù)據(jù)標(biāo)準(zhǔn)化實(shí)現(xiàn)計(jì)算和對(duì)比, 標(biāo)準(zhǔn)化方式有隸屬函數(shù)、分布擬合法、區(qū)間賦值、權(quán)重賦值法、層次分析法等[25,29]。

3.3 臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估方法研究進(jìn)展

臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估是基于大樣本歷史災(zāi)情數(shù)據(jù)應(yīng)用各類統(tǒng)計(jì)法對(duì)過(guò)去、現(xiàn)在和未來(lái)發(fā)生的臺(tái)風(fēng)災(zāi)害已經(jīng)造成的、正在造成的或者未來(lái)即將造成的人員、建筑物等可直接統(tǒng)計(jì)或不可直接統(tǒng)計(jì)的經(jīng)濟(jì)損失核算, 并進(jìn)行分級(jí)比較。臺(tái)風(fēng)災(zāi)害評(píng)估主要分為直接經(jīng)濟(jì)損失、間接經(jīng)濟(jì)損失兩部分, 多以指標(biāo)綜合量化法為主。

3.3.1 臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失評(píng)估方法運(yùn)用評(píng)價(jià)

中國(guó)學(xué)界探索臺(tái)風(fēng)災(zāi)情指數(shù)評(píng)估法(回歸、模糊綜合、神經(jīng)網(wǎng)絡(luò)等)和統(tǒng)計(jì)模擬法評(píng)估臺(tái)風(fēng)直接經(jīng)濟(jì)損失, 臺(tái)風(fēng)災(zāi)情指數(shù)評(píng)估法適用范圍廣, 但是以宏觀評(píng)估為主。(1)回歸分析法根據(jù)自變量與因變量之間是否存在線性關(guān)系, 模擬或預(yù)測(cè)因變量對(duì)自變量響應(yīng)。臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失評(píng)估過(guò)程, 據(jù)災(zāi)前災(zāi)后各因子選取差異性可分為2類: 一是直接引入致災(zāi)因子和承災(zāi)體因子模擬與預(yù)測(cè)這兩大類各要素的回歸關(guān)系; 二是將致災(zāi)因子與災(zāi)后因子均作為自變量, 表征災(zāi)害程度的受災(zāi)指數(shù)(災(zāi)損度)作為因變量進(jìn)行回歸[19]?；貧w分析法多以聯(lián)立方程、多項(xiàng)式擬合和冪函數(shù)擬合為主, 聯(lián)立方程模型多用于災(zāi)情因子和致災(zāi)因子之間的響應(yīng)模擬[30]; 多項(xiàng)式擬合將致災(zāi)因子指數(shù)化、承災(zāi)體脆弱性性合成為承災(zāi)體指數(shù), 繼而構(gòu)建國(guó)民經(jīng)濟(jì)直接經(jīng)濟(jì)損失、房屋倒損數(shù)量等損失評(píng)估模型[31-32]; 冪函數(shù)回歸通過(guò)灰色關(guān)聯(lián)度將臺(tái)風(fēng)攻擊力指數(shù)、受災(zāi)體暴露度指數(shù)和受災(zāi)體御災(zāi)力指數(shù)合成為臺(tái)風(fēng)綜合評(píng)價(jià)指數(shù), 并與農(nóng)作物受災(zāi)面積、因?yàn)?zāi)倒毀的房屋以及直接經(jīng)濟(jì)損失額之間進(jìn)行冪函數(shù)回歸構(gòu)建單一變量的臺(tái)風(fēng)災(zāi)害評(píng)估模型[33]。(2)模糊綜合評(píng)價(jià)法采用模糊數(shù)學(xué)對(duì)多因素綜合評(píng)估, 可用于臺(tái)風(fēng)災(zāi)害災(zāi)前預(yù)估和災(zāi)后評(píng)估。當(dāng)以房屋倒損量、農(nóng)田受災(zāi)面積、人員傷亡等災(zāi)后因子為因素模糊集時(shí), 為災(zāi)后評(píng)估; 當(dāng)以臺(tái)風(fēng)降水量、風(fēng)速和地貌、水網(wǎng)等因子為因素模糊集合時(shí), 為災(zāi)前預(yù)估, 均采用模糊方法確定各因素權(quán)重進(jìn)行綜合[34-35]。(3)層次分析法將臺(tái)風(fēng)災(zāi)害影響因子構(gòu)建目標(biāo)層/準(zhǔn)則層/措施層的多結(jié)構(gòu)體系, 通過(guò)矩陣判斷或?qū)＜掖蚍址ù_定指標(biāo)權(quán)重, 計(jì)算各指標(biāo)綜合指數(shù)[36]。(4)可拓方法用于將致災(zāi)因子、孕災(zāi)環(huán)境、承災(zāi)體等具體因子作為評(píng)價(jià)指標(biāo), 通過(guò)可拓方法將其作為物元, 再進(jìn)行關(guān)聯(lián)度計(jì)算實(shí)現(xiàn)災(zāi)害等級(jí)評(píng)估[37-38]。(5)神經(jīng)網(wǎng)絡(luò)法能夠解決臺(tái)風(fēng)災(zāi)情與評(píng)估因子之間因資料不全而導(dǎo)致耦合性較差問(wèn)題, 通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練構(gòu)建臺(tái)風(fēng)致災(zāi)因子與臺(tái)風(fēng)災(zāi)情之間的網(wǎng)絡(luò)結(jié)構(gòu)模型實(shí)現(xiàn)預(yù)測(cè)[36]。學(xué)界日益重視直接經(jīng)濟(jì)損失評(píng)估法如何適應(yīng)從單一因子間關(guān)系模擬轉(zhuǎn)向多因子間耦合關(guān)系和非線性關(guān)系探索, 評(píng)估方法日益重視數(shù)學(xué)統(tǒng)計(jì)理論、方法和具體指標(biāo)間邏輯關(guān)系量化, 以及與3S技術(shù)綜合運(yùn)用。

西方學(xué)界臺(tái)風(fēng)災(zāi)損評(píng)價(jià)方法研究比較成熟, 形成(1)HAZARS-MU系統(tǒng), 集臺(tái)風(fēng)危險(xiǎn)性模型、建筑物變化模型、建筑物脆弱性模型以及經(jīng)濟(jì)收入變化模型為一體, 量化損失評(píng)估因子關(guān)系, 對(duì)區(qū)域損失評(píng)估和防災(zāi)能力精確模擬[14]; (2)FPHL模型根據(jù)計(jì)算的風(fēng)場(chǎng)序列和遙感覆蓋度數(shù)據(jù)對(duì)臺(tái)風(fēng)歷史數(shù)據(jù)進(jìn)行重建[36], 這兩類模型對(duì)歷史數(shù)據(jù)量、實(shí)時(shí)高分辨率遙感數(shù)據(jù)要求極高。(3)美國(guó)國(guó)家建筑科學(xué)研究所(National Institute of Building Sciences)以地理信息系統(tǒng)為技術(shù)支撐構(gòu)建了HAZUS-Wind評(píng)估模型, 用于評(píng)估各區(qū)域不同類型建筑物的潛在破壞程度, 此后Chen等[39]利用案例推理和模糊理論進(jìn)行快速評(píng)估直接經(jīng)濟(jì)損失的模糊智能決策系統(tǒng); Huang[40]、Dorland[41]等開(kāi)發(fā)了臺(tái)風(fēng)速率與損失率的指數(shù)函數(shù)模型; Klawa[42]建立了預(yù)期瞬時(shí)與臺(tái)風(fēng)風(fēng)速間冪函數(shù)模型用以評(píng)估建筑物的脆弱性; Mitsuta[43]通過(guò)計(jì)算地區(qū)風(fēng)分布函數(shù)來(lái)預(yù)期經(jīng)濟(jì)損失; Unanwa[44]利用保險(xiǎn)損失與臺(tái)風(fēng)頻數(shù)預(yù)測(cè)臺(tái)風(fēng)災(zāi)害損失。(4)社交媒體數(shù)據(jù)庫(kù)損害評(píng)估模型?；谖⒉?、微信、Twitter等新興社交平臺(tái)構(gòu)建數(shù)據(jù)庫(kù), 實(shí)現(xiàn)對(duì)災(zāi)害的實(shí)時(shí)監(jiān)測(cè)、評(píng)估和響應(yīng), 提高災(zāi)害監(jiān)控與管控的能力。Yury等基于Twitter活動(dòng)數(shù)據(jù)對(duì)颶風(fēng)“桑迪”發(fā)生之前、發(fā)生期間以及發(fā)生之后進(jìn)行了多尺度損失分析, 發(fā)現(xiàn)颶風(fēng)的路徑和颶風(fēng)相關(guān)的社會(huì)媒體活動(dòng)之間密切相關(guān)[45]; Teodorescu將語(yǔ)音和文本通信中的情感數(shù)據(jù)與人口密度和災(zāi)害嚴(yán)重程度相關(guān)聯(lián), 構(gòu)建災(zāi)害情緒損失評(píng)估模型[46]。

綜合而論, 臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失評(píng)估法以數(shù)學(xué)模型為主, 尚未形成通用評(píng)估方法系統(tǒng), 評(píng)估方法由研究者自主選擇。綜合評(píng)價(jià)法是災(zāi)害直接經(jīng)濟(jì)損失評(píng)估較為常用方法, 其關(guān)鍵是如何實(shí)現(xiàn)標(biāo)準(zhǔn)化、科學(xué)化的指標(biāo)權(quán)重確定。隸屬函數(shù)法、層次分析法、神經(jīng)網(wǎng)絡(luò)算法等是學(xué)界應(yīng)用較廣的指標(biāo)權(quán)重確定法: 隸屬度確定主觀性較大, 不同評(píng)估因子的選擇會(huì)影響結(jié)果的穩(wěn)定性; 層次分析法缺乏必要定量數(shù)據(jù)支撐會(huì)令人不信服或指標(biāo)過(guò)多導(dǎo)致統(tǒng)計(jì)變量過(guò)多而不易確定權(quán)重; 神經(jīng)網(wǎng)絡(luò)算法只有在目標(biāo)函數(shù)較為簡(jiǎn)單情況才適用, 一旦過(guò)于復(fù)雜反而會(huì)陷入局部極值的困境。國(guó)外臺(tái)風(fēng)災(zāi)害直接經(jīng)濟(jì)損失評(píng)估法已形成相對(duì)較為成熟的評(píng)估方法體系, 能夠?qū)崿F(xiàn)對(duì)臺(tái)風(fēng)災(zāi)害過(guò)程及其造成的直接經(jīng)濟(jì)損失精確模擬與評(píng)估。臺(tái)風(fēng)瞬時(shí)變幻、臺(tái)風(fēng)頻數(shù)、地區(qū)風(fēng)分布、經(jīng)濟(jì)損失轉(zhuǎn)移對(duì)臺(tái)風(fēng)災(zāi)后程度的影響, 包括新媒體大數(shù)據(jù)的利用都是我們所忽略的。

3.3.2 臺(tái)風(fēng)災(zāi)害間接經(jīng)濟(jì)損失評(píng)估方法研究評(píng)價(jià)

國(guó)內(nèi)學(xué)者評(píng)估臺(tái)風(fēng)災(zāi)害間接經(jīng)濟(jì)損失常用調(diào)查分析、比例系數(shù)、投入產(chǎn)出、一般均衡模型、經(jīng)濟(jì)計(jì)量模型等[45]。(1)調(diào)查法通過(guò)走訪與調(diào)查間接經(jīng)濟(jì)損失量, 比例系數(shù)法根據(jù)與直接經(jīng)濟(jì)損失比例直接計(jì)算間接經(jīng)濟(jì)損失。于慶東等[44]直接根據(jù)災(zāi)害前后的GDP變化情況計(jì)算間接經(jīng)濟(jì)損失; 劉希林等[47]詳細(xì)歸納了間接經(jīng)濟(jì)損失評(píng)估法: 一是強(qiáng)調(diào)從生活、生產(chǎn)、交通、生命線、農(nóng)田5個(gè)方面詳細(xì)評(píng)估, 二是假定間接經(jīng)濟(jì)損失與直接經(jīng)濟(jì)損失存在一定比例關(guān)系繼而確定系數(shù), 在確定直接經(jīng)濟(jì)損失前提下即可求得間接經(jīng)濟(jì)損失。(2)投入產(chǎn)出模型通過(guò)建立線性投入產(chǎn)出方程組刻畫(huà)各產(chǎn)業(yè)間生產(chǎn)與投入關(guān)系, 原理是處于同一產(chǎn)業(yè)鏈的各產(chǎn)業(yè)或部門(mén)之間存在著投入與產(chǎn)出的關(guān)系, 當(dāng)某一產(chǎn)業(yè)或部門(mén)生產(chǎn)力受到影響時(shí), 其它產(chǎn)業(yè)或部門(mén)必將產(chǎn)生連鎖反應(yīng)。通常引入投入產(chǎn)出模型刻畫(huà)農(nóng)業(yè)減產(chǎn)對(duì)其它產(chǎn)業(yè)部門(mén)的影響來(lái)衡量間接經(jīng)濟(jì)損失具有先導(dǎo)性作用[48,49], 也可研究區(qū)域歷史災(zāi)情數(shù)據(jù)與投入產(chǎn)出數(shù)據(jù)形成投入產(chǎn)出模型劃分區(qū)域臺(tái)風(fēng)災(zāi)害影響評(píng)估與災(zāi)情等級(jí)[19,50,-52], 當(dāng)然發(fā)展CGE模型可清楚地發(fā)現(xiàn)臺(tái)風(fēng)災(zāi)害對(duì)區(qū)域各產(chǎn)業(yè)和宏觀經(jīng)濟(jì)的各項(xiàng)指標(biāo)變化趨勢(shì)影響。(3)經(jīng)濟(jì)計(jì)量模型被地理學(xué)家引入自然災(zāi)害損失評(píng)估過(guò)程, 改造了模型內(nèi)外生變量, 評(píng)估與預(yù)測(cè)臺(tái)風(fēng)等自然災(zāi)害造成的經(jīng)濟(jì)損失, 如廣義倍差法[27]同時(shí)選取多組臺(tái)風(fēng)災(zāi)害作為外部干預(yù), 在一定程度上克服了倍差法的異質(zhì)性差異導(dǎo)致結(jié)果偏差。

國(guó)外臺(tái)風(fēng)災(zāi)害間接經(jīng)濟(jì)損失評(píng)估研究缺乏案例研究, 評(píng)估多采用以投入產(chǎn)出模型與一般均衡模型為主。Wassily Leontief[53]于1930年提出靜態(tài)投入產(chǎn)出模型, Okuyama[54]隨后引入時(shí)間序列拓展其成為動(dòng)態(tài)投入產(chǎn)出模型用于評(píng)估間接經(jīng)濟(jì)損失; Haimes 等[55]提出非正常投入產(chǎn)出模型分析石油、天然氣等燃料、公共基礎(chǔ)設(shè)施、文化事業(yè)等脆弱性, 建立地區(qū)影響評(píng)估模型; Hallegatte[56]將適應(yīng)舉措引入構(gòu)建了適應(yīng)區(qū)域投入產(chǎn)出模型分析了Katrina 臺(tái)風(fēng)造成的價(jià)格、供需、勞動(dòng)力等變動(dòng)產(chǎn)生的間接經(jīng)濟(jì)損失?？捎?jì)算一般均衡模型是Rose[57]在分析投入產(chǎn)出模型、社會(huì)核算矩陣和數(shù)學(xué)規(guī)劃等模型的優(yōu)劣基礎(chǔ)上提出用以評(píng)估地震災(zāi)害對(duì)波蘭供水系統(tǒng)破壞產(chǎn)生的部門(mén)間接經(jīng)濟(jì)損失, 該模型被用于評(píng)估斐濟(jì)島Ami臺(tái)風(fēng)造成的間接經(jīng)濟(jì)損[58]。臺(tái)風(fēng)對(duì)產(chǎn)業(yè)、勞動(dòng)市場(chǎng)、就業(yè)率、居民收入、人口遷移等影響, 受到國(guó)外學(xué)者關(guān)注。如Burrus 等[59]評(píng)估1996—1998年Bertha、Fran、Bonnie臺(tái)風(fēng)襲擊北卡羅萊納州威爾明頓城, 中斷各行業(yè)導(dǎo)致的經(jīng)濟(jì)損失; Ewing等[60]分析了1999 年 5月 3 日龍卷風(fēng)發(fā)生前后俄克拉荷馬市8個(gè)工業(yè)部門(mén)就業(yè)總量的變動(dòng), 認(rèn)為龍卷風(fēng)過(guò)后商業(yè)、住宅區(qū)以及基礎(chǔ)設(shè)施重建刺激了勞動(dòng)力市場(chǎng)、增加了平均就業(yè)率; Julie Zissimopoulos等[48]發(fā)現(xiàn)經(jīng)歷卡特里娜颶風(fēng)災(zāi)害一年后, 路易斯安那州和密西西比州出現(xiàn)了相對(duì)較高的自主就業(yè)率, 并認(rèn)為自主創(chuàng)業(yè)是災(zāi)后經(jīng)濟(jì)恢復(fù)的重要因素; Thompson Eduardo Rodríguez-Oreggia[62]采用墨西哥32個(gè)地區(qū)微觀數(shù)據(jù)研究颶風(fēng)對(duì)受不同教育程度工作者的收入影響, 指出颶風(fēng)對(duì)低學(xué)歷正式工作者的工資有積極影響, 但強(qiáng)度效應(yīng)尚不確定; Ouattara等[63]用向量自回歸模型研究颶風(fēng)對(duì)美國(guó)沿海城市移民影響, 發(fā)現(xiàn)颶風(fēng)發(fā)生后富裕人群向外遷移率增加, 但向內(nèi)遷移率沒(méi)有顯著變化; Huigen等以150戶菲律賓農(nóng)戶為調(diào)查對(duì)象分析臺(tái)風(fēng)對(duì)菲律賓農(nóng)村社會(huì)經(jīng)濟(jì)造成損失; Li等[64]收集Vicente臺(tái)風(fēng)數(shù)據(jù)分析該臺(tái)風(fēng)對(duì)香港高樓產(chǎn)生不同影響。

綜上, 國(guó)內(nèi)外臺(tái)風(fēng)災(zāi)害間接經(jīng)濟(jì)損失評(píng)估法無(wú)較大差別, 主要是模型分析法、計(jì)量經(jīng)濟(jì)模型、投入產(chǎn)出模型和一般均衡模型, 各具優(yōu)缺點(diǎn)和適用條件(表4)。(1)投入產(chǎn)出模型包括了一般均衡模型和區(qū)域適應(yīng)模型, 評(píng)估結(jié)果與實(shí)際最相符; 計(jì)量經(jīng)濟(jì)評(píng)估法是學(xué)界正在追求和開(kāi)發(fā)的, 還處于起步階段。(2)計(jì)量經(jīng)濟(jì)模型能夠?qū)⒗碚撆c數(shù)據(jù)現(xiàn)實(shí)結(jié)合, 通過(guò)數(shù)據(jù)模型實(shí)現(xiàn)數(shù)值化, 但是難衡量災(zāi)害中難以計(jì)量的指標(biāo), 對(duì)數(shù)據(jù)要求比較高, 現(xiàn)實(shí)災(zāi)害數(shù)據(jù)并不能夠滿足這些模型對(duì)數(shù)據(jù)要求; 投產(chǎn)出模型將經(jīng)濟(jì)系統(tǒng)看作一個(gè)平衡的相互緊密聯(lián)系整體, 整體和局部視角全面評(píng)估損失, 但要求研究環(huán)境太理想化, 致使研究結(jié)果大多偏離實(shí)際情況甚遠(yuǎn); 一般均衡模型主要分析財(cái)政政策、國(guó)際貿(mào)易等經(jīng)濟(jì)問(wèn)題影響, 對(duì)突發(fā)性自然災(zāi)害造成的影響評(píng)估并不太有意義。(3)投入產(chǎn)出模型較為科學(xué), 應(yīng)用簡(jiǎn)便、數(shù)據(jù)易獲取。當(dāng)然因自然災(zāi)害種類繁多, 發(fā)生的時(shí)間與地點(diǎn)也具有高度的不確定性, 加深了災(zāi)害數(shù)據(jù)獲取的困難性, 以及間接經(jīng)濟(jì)損失具有一定的滯后性, 關(guān)聯(lián)性影響經(jīng)濟(jì)損失難以統(tǒng)計(jì), 所以數(shù)據(jù)的精確性有待提高。(4)評(píng)估內(nèi)容有待完善, 因?yàn)?zāi)害間接經(jīng)濟(jì)損失概念不統(tǒng)一, 評(píng)估因子選取存在較大差異, 未來(lái)應(yīng)完善以經(jīng)濟(jì)層面要素為主體評(píng)估指標(biāo), 積極發(fā)展人類心理、社會(huì)秩序、生態(tài)環(huán)境等非經(jīng)濟(jì)層面要素刻畫(huà)。國(guó)外該領(lǐng)域遠(yuǎn)超中國(guó), 間接經(jīng)濟(jì)損失評(píng)估不應(yīng)再停留于宏觀經(jīng)濟(jì)損失而逐步關(guān)注不同人群影響。

4 研究展望

臺(tái)風(fēng)災(zāi)害損失評(píng)估理論研究與實(shí)踐應(yīng)用的指標(biāo)遴選, 未能將臺(tái)風(fēng)路徑、強(qiáng)度、經(jīng)濟(jì)地理空間布局等因素考慮其中, 忽視了自然地理環(huán)境因素與社會(huì)經(jīng)濟(jì)因素及其相互關(guān)系對(duì)災(zāi)害程度的影響等[68]。2012年后“統(tǒng)計(jì)模擬法”與統(tǒng)計(jì)指標(biāo)結(jié)合越來(lái)越緊密, 指標(biāo)權(quán)重以熵值–層次分析法[69]為代表的主客觀相結(jié)合確定方法, 巧妙地克服了指標(biāo)權(quán)重確定過(guò)于主觀的問(wèn)題。本文概述已有研究動(dòng)態(tài), 理清了臺(tái)風(fēng)災(zāi)害評(píng)估研究的視角、內(nèi)容、數(shù)據(jù)源、指標(biāo)體系、方法等。

(1)評(píng)估對(duì)象、評(píng)估目的直接影響評(píng)估思路、評(píng)估視角和評(píng)估內(nèi)容。依賴于截面數(shù)據(jù)的綜合評(píng)估多選擇“直接經(jīng)濟(jì)損失”“傷亡人數(shù)”“房屋倒塌數(shù)”“受災(zāi)農(nóng)田面積”四個(gè)因子, 指數(shù)化處理、綜合評(píng)價(jià)指數(shù)計(jì)算、分別回歸處理直接經(jīng)濟(jì)損失與其他三個(gè)因子關(guān)系實(shí)現(xiàn)歷史災(zāi)情評(píng)估。多以直接經(jīng)濟(jì)損失與各致災(zāi)因子為指標(biāo), 利用回歸、神經(jīng)網(wǎng)絡(luò)等方式構(gòu)建單因素預(yù)測(cè)模型或多因素綜合預(yù)測(cè)模型。臺(tái)風(fēng)災(zāi)害間接經(jīng)濟(jì)損失評(píng)估視角與內(nèi)容主要集中于臺(tái)風(fēng)災(zāi)害對(duì)農(nóng)業(yè)、關(guān)聯(lián)產(chǎn)業(yè)、社會(huì)就業(yè)、勞動(dòng)市場(chǎng)等方面。主要通過(guò)計(jì)算災(zāi)損關(guān)聯(lián)度進(jìn)行災(zāi)情的評(píng)估與預(yù)測(cè)。研究者忽略了不同行業(yè)性質(zhì)與災(zāi)害敏感性、脆弱性差異。臺(tái)風(fēng)災(zāi)害不僅影響人類的社會(huì)經(jīng)濟(jì)活動(dòng), 對(duì)人類自身以及人類賴以生存的自然生態(tài)環(huán)境都會(huì)產(chǎn)生一定的影響。應(yīng)積極學(xué)習(xí)國(guó)外, 細(xì)化研究?jī)?nèi)容, 提升研究針對(duì)性。評(píng)價(jià)指標(biāo)構(gòu)建過(guò)程, 要深入考察臺(tái)風(fēng)路徑、臺(tái)風(fēng)發(fā)展階段、經(jīng)濟(jì)類型、人口密度等影響因素, 并為政府出臺(tái)減災(zāi)防災(zāi)政策、救濟(jì)物資發(fā)放以及相關(guān)應(yīng)急管理工程建設(shè)提供參考。

(2)災(zāi)害損失評(píng)估研究離不開(kāi)評(píng)估指標(biāo)體系與評(píng)估數(shù)據(jù), 這兩個(gè)方面是評(píng)估研究的支柱。臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估的指標(biāo)分為“致災(zāi)因子”“孕災(zāi)環(huán)境”“承災(zāi)體易損性(脆弱性)”和“防災(zāi)減災(zāi)能力”四類?，F(xiàn)有評(píng)價(jià)指標(biāo)遴選忽視了自然要素和經(jīng)濟(jì)要素的聯(lián)系, 將各要素作為獨(dú)立個(gè)體進(jìn)行應(yīng)用, 割裂了要素相互影響。

評(píng)估數(shù)據(jù)主要包括臺(tái)風(fēng)氣象、臺(tái)風(fēng)災(zāi)情歷史、基礎(chǔ)地理信息、風(fēng)暴潮以及新媒體社交大數(shù)據(jù)等五大類。對(duì)五類數(shù)據(jù)進(jìn)行處理, 以實(shí)現(xiàn)統(tǒng)一計(jì)算與比較。根據(jù)采集數(shù)據(jù)的長(zhǎng)短, 可以分為截面數(shù)據(jù)與時(shí)間序列數(shù)據(jù)。截面數(shù)據(jù)往往用于評(píng)估, 時(shí)間序列數(shù)據(jù)用以評(píng)估或預(yù)測(cè)模型的驗(yàn)證與檢驗(yàn), 以降低評(píng)估與預(yù)測(cè)的誤差, 并借助GIS/RS等軟件對(duì)數(shù)據(jù)進(jìn)行特征處理, 實(shí)現(xiàn)數(shù)據(jù)的無(wú)序化到規(guī)律化與可視化。此過(guò)程數(shù)據(jù)收集的時(shí)限、區(qū)域限制、完整度、準(zhǔn)確度最容易出現(xiàn)問(wèn)題, 可借助開(kāi)普勒雷達(dá)數(shù)據(jù)解決數(shù)據(jù)獲取的時(shí)效性難題; 應(yīng)注意指標(biāo)統(tǒng)一, 而且不同區(qū)域有不同的統(tǒng)計(jì)口徑與標(biāo)準(zhǔn), 要注意數(shù)據(jù)單位統(tǒng)一, 以及統(tǒng)計(jì)項(xiàng)目間的細(xì)微差異, 還要注意排除通貨膨脹對(duì)部分統(tǒng)計(jì)信息影響。

(3)臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估方法主要包括指標(biāo)量化統(tǒng)計(jì)法和統(tǒng)計(jì)模擬法兩類, 其中直接經(jīng)濟(jì)損失評(píng)估法以回歸分析、模糊綜合評(píng)價(jià)、神經(jīng)網(wǎng)絡(luò)法為主, 間接經(jīng)濟(jì)損失評(píng)估法以投入產(chǎn)出模型、比例系數(shù)法、計(jì)量經(jīng)濟(jì)模型為主, 社交媒體數(shù)據(jù)庫(kù)損害評(píng)估模型適應(yīng)范圍較廣, 可用于直接災(zāi)害損失與情感災(zāi)害損失。評(píng)估方法應(yīng)用較為陳舊, 對(duì)GIS、RS等新興技術(shù)軟件; 微博微信等新興社交媒體數(shù)據(jù)的開(kāi)發(fā)與應(yīng)用有限。加速地理軟件災(zāi)害評(píng)估專項(xiàng)功能開(kāi)發(fā)、微博微信等大數(shù)據(jù)媒體數(shù)據(jù)應(yīng)用, 積極學(xué)習(xí)與創(chuàng)新評(píng)估方法, 以形成成熟的評(píng)估和預(yù)測(cè)系統(tǒng), 是最緊迫的環(huán)節(jié)。

[1] 周俊華, 史培軍, 范一大, 等. 西北太平洋熱帶氣旋風(fēng)險(xiǎn)分析[J]. 自然災(zāi)害學(xué)報(bào), 2004, 13(3): 146–151.

[2] WMO技術(shù)文件, 裘國(guó)慶, 等譯. 全球熱帶氣旋預(yù)報(bào)指南 (WMO/TD-NO. 560) [M]. 北京: 氣象出版社, 1995.

[3] 殷杰, 尹占娥, 許世遠(yuǎn). 沿海城市自然災(zāi)害損失分類與評(píng)估[J]. 自然災(zāi)害學(xué)報(bào), 2011, 20(1): 124–128.

[4] 陳和, 劉貴政, 蒲惠熒. 臺(tái)風(fēng)災(zāi)害承災(zāi)體社會(huì)經(jīng)濟(jì)易損性研究[J]. 中國(guó)防汛抗旱, 2012, 22(4): 34–36.

[5] 楊秋珍, 徐明, 李軍. 熱帶氣旋對(duì)承災(zāi)體影響利弊及巨災(zāi)風(fēng)險(xiǎn)診斷方法的研究[J]. 大氣科學(xué)研究與應(yīng)用, 2009(2): 21–32.

[6] HAIMES Y Y. Modeling the demand reduction input-output I-O inoperability due to terrorism of interconnected infra- structures[J]. Risk Analysis, 2004, 24(6): 1437–1452.

[7] HAIMES Y Y, Horowitz B M, LAMBERT J H, et al. Inoperability input-output model (IIM) for interdependent infrastructure sectors: Theory and methodology[J]. Journal of Infrastructure Systems, 2005, 11: 67–79.

[8] KENNETH G G, YACOV Y H, Gideon T. Systemic valuation of strategic preparedness through application of the inoperability input-output model with lessons learned from hurricane katrina[J]. Risk Analysis, 2007, 27(5): 1345–1364.

[9] 吳吉東, 李寧. 淺析災(zāi)害間接經(jīng)濟(jì)損失評(píng)估的重要性[J]. 自然災(zāi)害學(xué)報(bào), 2012, 21(3): 15–21.

[10] 徐嵩齡. 災(zāi)害經(jīng)濟(jì)損失概念及產(chǎn)業(yè)關(guān)聯(lián)型間接經(jīng)濟(jì)損失計(jì)量[J]. 自然災(zāi)害學(xué)報(bào), 1998, 7(4): 7–15.

[11] 魏章進(jìn), 唐丹玲, 隋廣軍. 熱帶氣旋登陸概率的Logistic模擬[J]. 數(shù)理統(tǒng)計(jì)與管理, 2012, 31(3): 389–397.

[12] GORDON P, MOORE J E, RICHARDSON H W, et al. An integrated model of bridge performance highway networks and the spatial metropolitan economy: towards a general model of how losses due to earthquake impacts on lifelines affect the economy[C]//NCEER-97 -0005, Proceedings of the Workshop on Earthquake Frontiers in Transportation Facilities, National Center for Earthquake Engineering Research, Buffalo, N. Y, 1997.

[13] 馬華鈴. 沿海地區(qū)臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估[D]. 廣州: 廣東外語(yǔ)外貿(mào)大學(xué), 2016.

[14] 吳先華, 徐中兵, 袁迎蕾, 等. 臺(tái)風(fēng)災(zāi)害的關(guān)聯(lián)經(jīng)濟(jì)損失評(píng)估[J]. 災(zāi)害學(xué), 2014, 29(2): 77–83.

[15] 郭際, 劉慧, 吳先華. 基于廣義倍差法的臺(tái)風(fēng)災(zāi)害對(duì)勞動(dòng)力市場(chǎng)的影響研究[J]. 中國(guó)軟科學(xué), 2016(7): 78–88.

[16] 于慶東, 沈榮芳. 災(zāi)害經(jīng)濟(jì)損失評(píng)估理論與方法探討[J]. 災(zāi)害學(xué), 1996, 11(2): 10–14.

[17] 郝鵬飛. 我國(guó)臺(tái)風(fēng)災(zāi)害損失分類與估計(jì)[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2008.

[18] 史軍, 肖風(fēng)勁, 穆海振, 等. 上海地區(qū)臺(tái)風(fēng)災(zāi)害損失評(píng)估[J]. 長(zhǎng)江流域資源與環(huán)境, 2013, 22(7): 952–957.

[19] 牛海燕, 劉敏, 陸敏, 等. 中國(guó)沿海地區(qū)臺(tái)風(fēng)災(zāi)害損失評(píng)估研究[J]. 災(zāi)害學(xué), 2011, 26(3): 61–64.

[20] 郭桂禎, 趙飛, 王丹丹. 基于脆弱性曲線的臺(tái)風(fēng)-洪澇災(zāi)害鏈房屋倒損評(píng)估方法研究[J]. 災(zāi)害學(xué), 2017, 32(4): 94–97.

[21] 殷潔, 戴爾阜, 吳紹洪, 等. 中國(guó)臺(tái)風(fēng)強(qiáng)度等級(jí)與可能災(zāi)害損失標(biāo)準(zhǔn)研究[J]. 地理研究, 2013, 32(2): 266–273.

[22] SHAN Siqing, ZHAO Feng, WEI Yigang, et al. Disaster management 2. 0: A real-time disaster damage assessment model based on mobile social media data—A case study of Weibo (Chinese Twitter)[J]. Safety Science, 2019, 115(6): 393–413.

[23] KAHRAMAN F, IMAMOGLU M, ATES H F. Disaster damage assessment of buildings using adaptive self- similarity descriptor IEEE Geosci[J]. Remote Sens Lett, 2016, 13 (8): 1188–1192.

[24] 王秀榮, 王維國(guó), 馬清云. 臺(tái)風(fēng)災(zāi)害綜合等級(jí)評(píng)估模型及應(yīng)用[J]. 氣象, 2010, 36(1): 66–71.

[25] 陳香, 沈金瑞, 陳靜. 災(zāi)損度指數(shù)法在災(zāi)害經(jīng)濟(jì)損失評(píng)估中的應(yīng)用-以福建臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失趨勢(shì)分析為[J]. 災(zāi)害學(xué), 2007, 22(2): 31–35.

[26] 梁必騏, 梁經(jīng)萍, 溫之平. 中國(guó)臺(tái)風(fēng)災(zāi)害及其影響的研究[J]. 自然災(zāi)害學(xué)報(bào), 1995, 4(1): 84–92.

[27] LIU Zhang, DU Yanyun, YI Jiawei. Quantitative estimates of collective geo-tagged human activities in response to typhoon Hato using location-aware big data[J]. Journal International Journal of Digital Earth, 2019, 16(4)58–94.

[28]殷潔, 戴爾阜, 吳紹洪, 等. 中國(guó)臺(tái)風(fēng)強(qiáng)度等級(jí)與可能災(zāi)害損失標(biāo)準(zhǔn)研究[J]. 地理研究, 2013, 32(2): 266–274.

[29] 吳先華, 徐中兵, 袁迎蕾, 等. 臺(tái)風(fēng)災(zāi)害的關(guān)聯(lián)經(jīng)濟(jì)損失評(píng)估[J]. 災(zāi)害學(xué), 2014, 29(2): 77–83.

[30]郭際, 劉慧, 吳先華. 基于廣義倍差法的臺(tái)風(fēng)災(zāi)害對(duì)勞動(dòng)力市場(chǎng)的影響研究[J]. 中國(guó)軟科學(xué), 2016, (7): 78–88.

[31] 錢(qián)燕珍, 何彩芬, 楊元琴, 等. 熱帶氣旋災(zāi)害指數(shù)的估算與應(yīng)用方法[J]. 氣象, 2001, 27(1): 14–18.

[32] 呂純濂, 陳舜華. 氣象災(zāi)害經(jīng)濟(jì)損失估算與預(yù)測(cè)的經(jīng)濟(jì)計(jì)量模式[D]. 南京: 南京氣象學(xué)院學(xué)報(bào), 1993, 16(1): 67–72.

[33] 張穎超, 范金平, 鄧華. 基于組合預(yù)測(cè)的浙江省臺(tái)風(fēng)災(zāi)害損失預(yù)測(cè)[J]. 自然災(zāi)害學(xué)報(bào), 2013, 22(6): 49–54.

[34] 梁必騏, 樊琦, 楊潔, 等. 熱帶氣旋災(zāi)害的模糊數(shù)學(xué)評(píng)價(jià)[J].熱帶氣象學(xué)報(bào), 1999, 15(4): 305–311.

[35] 王秀榮, 呂終亮, 王莉萍, 等. 一種簡(jiǎn)化的暴雨災(zāi)害風(fēng)險(xiǎn)及影響評(píng)估方法和應(yīng)用研究[J]. 氣象, 2016, 42(2): 213–220.

[36] 李春梅, 羅曉玲, 劉錦鑾, 等. 層次分析法在熱帶氣旋災(zāi)害影響評(píng)估模式中的應(yīng)用[J]. 熱帶氣象學(xué)報(bào), 2006, 22(3): 13–228.

[37] 孫偉. 海南島臺(tái)風(fēng)災(zāi)害損失的可拓評(píng)估方法及應(yīng)用[J]. 熱帶作物學(xué)報(bào), 2010, 31(2): 319–324.

[38] 劉少軍, 張京紅, 何政偉, 等. 基于GIS的臺(tái)風(fēng)災(zāi)害損失評(píng)估模型研究[J]. 災(zāi)害學(xué), 2010, 25(2): 64–67.

[39] WANG Kunchen, SUI Gangjun, TANG Danling. A fuzzy intelligent decision support system for tropical cy-lone disaster management[C]//IEEE. International Conference on Fuzzy Systems, Taipei, Taiwan, 2011: 364–367.

[40] HUANG Z, ROSOWSKY D V, Sparks P R long-term hurricane risk assessment and expected damage to residential structures[J]. Reliability engineering& system safety , 2001, 74(3): 239–249.

[41] DORLAND C, TOL R S J, OOSTHOOM A A, et al. Impacts of wind-storms in the Netherlands Present risk and prospects for climate change[C] //true. Routledge, London, New York , 1999: 245–278.

[42] KLAWA M. ULBRICH U. A model for the estimation of storm losses and the identification of severe winter storms in Germany[J]. Natural Hazards and Earth System Science , 2003, 3(6): 725–732.

[43] MITSUTA Y, FUJII T, NAGASHIMA I. A Predicting Method of Typhoon Wind Damages[C]//Proc of Asce. Probabilistic Mechanics and Structural Reliability: Proceedings of the 7th Specialty Conference, 1996: 970–973.

[44] UNANWA C O, ME D R, MEHTA K C, et al. The development of wind damage bands for buildings[J]. Journal of wind Engineering and industrial Aerodynamics, 2000, 84(1): 119–149.

[45] YURY K, CHEN H, NICK O, et al. Rapid assessment of disaster damage using social media activity[J]. Ence Advances, 2016, 2(3): e1500779.

[46] TEODORESCU HN. SN voice and text analysis as a tool for disaster effects estimation—a preliminary exploration[J]. Speech Technology and Human Computer Dialogue, 2014, 8215(10): 1–8.

[47] 劉希林, 趙源. 地貌災(zāi)害間接經(jīng)濟(jì)損失評(píng)估[J]. 地理科學(xué)進(jìn)展, 2008, 27(3): 7–12.

[48] 顧振華. 基于投入產(chǎn)出模型的災(zāi)害產(chǎn)業(yè)關(guān)聯(lián)性損失計(jì)量[J]. 河南工業(yè)大學(xué)學(xué)報(bào): 社會(huì)科學(xué)版, 2011, 7(2): 31–34.

[49] 張鵬, 李寧, 吳吉東, 等. 基于投入產(chǎn)出模型的區(qū)域洪澇災(zāi)害間接經(jīng)濟(jì)損失評(píng)估[J]. 長(zhǎng)江流域資源與環(huán)境, 2012, 21(6): 773–779.

[50] 趙昕, 王曉霞, 李莉. 風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失評(píng)估分析[J]. 中國(guó)漁業(yè)經(jīng)濟(jì), 2011(3): 91–97.

[51] 吳先華, 徐中兵, 袁迎蕾, 等. 臺(tái)風(fēng)災(zāi)害的關(guān)聯(lián)經(jīng)濟(jì)損失評(píng)估[J]. 災(zāi)害學(xué), 2014, 29(2): 77–83.

[52] 周雄. 考慮線路停運(yùn)風(fēng)險(xiǎn)的電力系統(tǒng)隨機(jī)優(yōu)化調(diào)度及經(jīng)濟(jì)損失評(píng)估[D]. 長(zhǎng)沙: 長(zhǎng)沙理工大學(xué), 2013.

[53] LEONITIEF W W. Input-output economies[J]. Operational Research Quarterly, 1951, 185(4): 15–21.

[54] YASUHIDE O Y. Measuring economic impacts of natural disasters: Application of sequential inter industry model[D]. Renditional Research Institute West Virginia University, 2002.

[55] HAIMES YY, Jing P. Leontief-based model of risk in complex interconnected infrastructures[J]. Journal of Infrastructure Systems, 2001, 7(1): 1–11.

[56]HALLEGATTE S. An adaptive regional input-output model and its application to the assessment of the economic cost of Katrina[J]. Risk Analysis, 2008, 28(3): 779–799.

[57] ROSE A. Economic principles, issues, and research priorities in hazard loss estimation[M]//OKUYAMA Y, CHANG SE. Modeling Spatial and Economic Impacts of Disasters. Advances in Spatial Science. Springer Berlin Heidelberg, 2004: 13–36.

[58] NARAYAN P K. Macroeconomic impact of natural disasters on a small island economy: Evidence from a CGE model[J]. Applied Economics Letters, 2003, 1(10): 721–723.

[59] ROBETT T B, CHRISTOPHER F D, CLAUDE H F, et al. Impact of low-intensity hurricanes on regional economic activity[R]. Natural Hazards Review, 2002, 3(3): 118–125.

[60] BRADLEY T E, JAMIE B K, MARK A. Twister! Employment responses to the 3 May 1999 Oklahoma City tornado[J]. Applied Economics, 2009, 41: 691–702.

[61] JULIE Z, LYNA A K. Employment and self-employment in the wake of hurricane Katrina[J]. Demography, 2010, 47(2): 345–367.

[62] EDUARDO R, GUEZ O. Hurricanes and labor market outcomes: Evidence for Mexico[J]. Global Environmental Change, 2013, 23(4): 351–359.

[63] OUATTARA B, STROBL E. Hurricane strikes and local migration in US coastal counties[J]. Economics Letters, 2014, 124: 17–20.

[64] LI QS, LI X, HE Y, et al. Observation of wind fields over different terrain and wind effects on a super-tall building during a severe typhoon and verify cation of wind tunnel predictions[J], Journal of Wind Engineering and Industrial Aerodynamics , 2017, 162(3): 73–84.

[65] 林江豪, 陽(yáng)愛(ài)民. 基于BP神經(jīng)網(wǎng)絡(luò)和VSM的臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估[J]. 災(zāi)害學(xué), 2019, 34(1): 22–26.

[66] YU Xiaobing, CHEN Hong, LI Chenliang. Evaluate Typhoon Disasters in 21st Century Maritime Silk Road by Super-Efficiency DEA[J]. International Journal of Environmental Research and Public Health, 2019, 16(3), 16–14.

[67] 盧文芳. 上海地區(qū)熱帶氣旋災(zāi)情的評(píng)估和災(zāi)年預(yù)測(cè)[J]. 自然災(zāi)害學(xué)報(bào), 1995, 4(3): 40–45.

[68] 魏章進(jìn), 隋廣軍, 唐丹玲. 臺(tái)風(fēng)災(zāi)情評(píng)估及方法綜述[J]. 災(zāi)害學(xué), 2012, 27(4): 46–53.

[69] 魏章進(jìn), 馬華鈴, 唐丹玲. 基于改進(jìn)熵值法的臺(tái)風(fēng)災(zāi)害風(fēng)險(xiǎn)趨勢(shì)評(píng)估[J]. 災(zāi)害學(xué), 2017, 32(3) : 7–11.

Review on economic loss assessment of typhoon disasters

JIANG Lulu1,2, MA Renfeng1,3,*, YUAN Haihong1,3

1. Department of Geography and Spatial Information Technology, Ningbo Universities Collaborative Innovation Center for land and marine spatial utilization and governance research, Ningbo University, Ningbo 315211, China 2. Putuo High School of Zhejiang Province, Zhoushan 316100, China 3. Donghai Academy at Ningbo University of the New Type Key Think Tank of Zhejiang Province, Ningbo 315211, China

Typhoon disaster has a significant impact on the vulnerability of social and economic systems in coastal region of the world. Typhoon disaster losses should be objectivelyaccessed and predicted to effectively improve the scientific decision-making pre-disastersand post-disasters and reduce the negative impact of typhoon disaster. Literature analysis was used to sort out the objects of economiclosses assessment, assessment dimension - indicators - data sources and procedure, assessment methods, etc. The results show that:(1) the objects of direct economic losses assessment are single, mainly including material loss and direct economic loss. The objects of indirect economic loss assessment are diversified and need to be improved and systematized.(2) The evaluation index system has low universality, and the typhoon intensity, typhoon path, surface economic things layout and the relationship between nature and social and economic factors are ignored. The index selection ignores the regional characteristics and typicality. The assessment data are mainly cross-section data of typhoon, historical disaster, social economy, etc. New media, unstructured big data and other emerging data are mined.(3) Regression model, fuzzy, neural network, extension, AHP and DEA were used as the direct economic loss assessment methods for typhoon disasters. Meanwhile, input-output and proportional coefficient were used as the indirect economic loss assessment methods. Moreover, social media database damage assessment models were used for physical damage and emotional damage assessment. The perspective of typhoon disaster economic loss assessment focuses on economic and social sustainability, but it does not pay enough attention to employment, income, labor market, social order restoration, etc. Therefore, the selection and weight determination of assessment indicators, data expansion, and the combination of geographic information technology and catastrophe insurance need to be further studied.

typhoon disaster economic losses assessment; assessment perspective; assessment index system; typhoon paths

姜露露, 馬仁鋒, 袁海紅. 臺(tái)風(fēng)災(zāi)害經(jīng)濟(jì)損失評(píng)估研究進(jìn)展[J]. 生態(tài)科學(xué), 2022, 41(3): 252–263.

JIANG Lulu, MA Renfeng, YUAN Haihong. Review on economic loss assessment of typhoon disasters[J]. Ecological Science, 2022, 41(3): 252–263.

10.14108/j.cnki.1008-8873.2022.03.030

X43

A

1008-8873(2022)03-252-12

2020-07-04;

2020-08-03

浙江省基礎(chǔ)公益研究計(jì)劃項(xiàng)目(LGF22D010002); 國(guó)家自然科學(xué)基金面上項(xiàng)目(41771174); 浙江省自然科學(xué)基金青年項(xiàng)目(LQ18D010002)

姜露露(1994—), 女, 浙江淳安人, 碩士。主要從事海洋資源環(huán)境經(jīng)濟(jì)學(xué)研究, E-mail:2639360177@qq.com

馬仁鋒(1979—), 男, 湖北棗陽(yáng)人, 理學(xué)博士, 教授, 博導(dǎo)。從事海洋經(jīng)濟(jì)與文化地理學(xué)、人居環(huán)境與空間規(guī)劃研究, E-mail:marfxf@126.com