我国台风风暴潮灾害损失的时空演变特征分析

刘旭，王峥，梁颖祺，蔡文博

（1.国家海洋环境预报中心，北京 100081；2.北京林业大学经济管理学院，北京 100083；3.国家海洋环境预报中心自然资源部海洋灾害预报技术重点实验室，北京 100081）

0 引言

风暴潮灾害居海洋灾害之首，世界上绝大多数因台风引起的特大海岸灾害（人员伤亡、财产损失）大都是由风暴潮造成的[1-2]，其导致的经济损失占我国全部海洋灾害经济损失的90%以上[3]。我国政府和学术界对海岸带灾害特别是风暴潮灾害十分重视，不断完善灾害预警和应急反应体系[4]、预防和抵御台风风暴潮造成的灾害损失已成为沿海地区防灾减灾工作中的重要研究课题之一[5]。风暴潮灾害经济损失的评估预测较为复杂[6]，其影响机制也尚未清晰[7]。通过分析我国风暴潮灾害损失的时空分布特征及其长期变化规律，有助于提高灾害损失的机制研究和中长期预报能力，并深入推进防灾减灾能力建设[4，8]。

已有学者针对我国风暴潮灾害的时空分布开展了研究工作，并根据验潮站历史资料，分别总结了我国南海区域[8]、浙江省[9]、福建省[10]和广西沿海[11]风暴潮增水的时空分布特征。侯京明等[1]根据验潮站资料，统计了我国1949—2009年间达到红色预警级别的重大风暴潮过程，结果表明风暴潮次数呈上升趋势。孙佳等[12]对东海沿岸台风的路径、发生频率及风暴潮增水特征进行了系统分析，结果表明东海潮位有逐年增加的趋势，登陆型台风的损失最为严重。SHI 等[13]根据49 个验潮站数据，绘制了我国风暴潮增水风险等级图。这些研究大多基于验潮站风暴潮潮位资料，反应的是风暴潮灾害损失的危险性的变化状况，但是尚未对风险暴露程度、脆弱性和抗灾能力等综合因素造成的风暴潮灾害时空分布特征进行分析。

谢丽等[4]分析了近20 年来我国沿海地区风暴潮灾害的次数和强度、时空分布及其与灾害损失的相关关系，结果表明风暴潮灾害时空分布具有相对集中性，风暴潮强度与灾害损失有一定的相关关系，但不一定成正比。甘申东等[5]系统总结了我国1990—2009 年南海风暴潮的灾害特征，结果表明特大风暴潮的发生频率和损失强度均有上升趋势。SHI 等[14]系统分析出1949—2013 年我国风暴潮损失和死亡人口均呈下降趋势。李程等[15]分析了福建省2008—2017年风暴潮的时空分布规律、灾害经济损失现状以及灾害特征，结果表明风暴潮灾害在福建省具有发生频次高、影响范围广、灾害损失重的特点。WANG 等[16]系统梳理了我国1983—2018年172 次风暴潮过程的时空分布特征，结果表明1997 年后风暴潮损失具有显著下降趋势，广东省、福建省和浙江省风暴潮灾害次数占全国的57%，总损失占全国的80%。以上研究成果虽然对我国风暴潮灾害损失进行了系统分析，但都局限于定性分析，缺乏量化的评判依据。本研究旨在对风暴潮灾害频次、灾害损失和死亡人口等因素进行系统梳理的基础上，采用趋势检验方法、突变点检验法、周期分析方法和空间统计方法等对我国风暴潮灾害损失的趋势、突变点、周期和空间分布进行量化分析研究，以期为风暴潮灾害预防及治理提供更为科学的依据。

1 数据与方法

1.1 数据预处理

风暴潮分台风风暴潮和温带风暴潮，考虑到两者的致灾程度以及与实测资料的统一，本研究的风暴潮均指台风风暴潮[17]。根据1989—2018 年《中国海洋灾害公报》的统计结果[18-19]，系统梳理了我国30年间风暴潮过程的频次、人口和直接经济的损失，采用各年份居民消费价格指数（Consumer Price Index，CPI）将经济损失数据统一折现到2018年[16-17]，构建我国1989—2018年风暴潮频次、直接经济损失和死亡（失踪）人口的时间序列数据。

1.2 Mann-Kendall趋势分析法

Mann-Kendall 趋势分析法对变量不需要分布假定，是世界气象组织推荐并广泛使用的非参数检验方法。对序列为n的样本构造统计量Z:

式中：i为第i个位置，j为第i+1位置；Xi为第i个位置的数，Xj为第j个位置的数；n为数据量，代表序列长度。Z＞0 为上升趋势，Z= 0 为无趋势，Z＜0 为下降趋势。Z的绝对值越大，说明序列变化趋势越明显，采用t检验进行趋势显著性检验[20]。

1.3 Pettitt突变检验法

Pettitt 突变检验法是基于秩的非参数检验法，该方法受异常值影响较小，因此被广泛应用于水文气象领域[21]。构造统计量:

式中：t为第t个位置；N为序列总长度；xt为 第t个位置的数值，xj第j个位置的数值。

原假设为数据序列不存在突变点，对统计量|Ut,N|的最大值采用t检验进行显著性检验[22]。

1.4 Morlet小波分析法

小波分析以傅里叶变换为基础，通过引入可伸缩和平移的小波函数，可将时间序列从时域和频域两个角度进行分解，进而揭示序列的周期波动特征[23]。Morlet小波分析法已被用于水文[21，24]、气候[22]等多个领域，也有学者将其用于海平面周期变化研究[23]。Morlet复小波变换基函数可表示为：

式中：fb为小波带宽；fc为小波中心频率。小波能量谱|φ(γ,t)|2为小波变换幅值的平方，通过小波频谱图可定性进行峰值分析，采用t 检验法进行峰值显著性分析[25]。

1.5 标准差椭圆分析法

标准差椭圆分析法是从定性的角度分析要素的空间分布特征，反映要素在空间不同方向上的聚集分布趋势。标准差椭圆主要由沿长轴的标准差、沿短轴的标准差和方向角构成。长轴表示数据分布的方向，短轴表示数据分布的范围，短半轴越短，表示数据集聚越明显，长短半轴的值差距越大，表示数据的方向性越明显[26]。

2 结果与讨论

2.1 我国风暴潮灾害损失的时间序列变化特征

2.1.1 风暴潮频次

1989—2018 年间，《中国海洋灾害公报》共统计了159 次风暴潮灾害过程[18-19]，年均为5.3 次，其中2013 年风暴潮灾害次数最多，为10 次，1997 年、1998 年、1999 年、2022 年灾害次数最少，均为2 次（见图1a）。采用Mann-Kendall 趋势分析法构造的统计量Z大于0，经过t 检验，p值在95%置信区间内小于0.05，说明我国风暴潮灾害频次具有显著上升趋势（见表1）。Pettitt 突变检验法结果表明2005 年存在突变点（见图1b），1989—2005年风暴潮年平均频次为4.1 次，2006—2018 年为6.56 次。Morlet 小波分析法检验结果表明，1989—2018 年的风暴潮灾害存在2～8 a 的周期波动特征（见图1c），图中红色区域为通过t 检验的显著主周期。经检验，1989—2005 年和2006—2018 年的风暴潮频次时间序列在95%置信区间内无显著的趋势特征和突变点特征，1989—2018 年间仅存在一个突变点（见表1），即2005年后上升趋势速度增快，这个突变点与WANG等[16]的研究结论一致，较FANG 等[27]研究出的风暴潮频次趋势突变点为2000年偏晚。

表1 时间序列趋势及突变点检验结果Tab.1 Time series trend and mutation point test results

表2 1989—2018年我国台风风暴潮灾害标准差椭圆参数Tab.2 Elliptic parameters of standard deviation of typhoon storm surge disasters in China from 1989 to 2018

图1 1989—2018年我国风暴潮频次时间序列变化特征Fig.1 Time series characteristics of storm surge frequency in China from 1989 to 2018

根据《中国海洋灾害公报》的统计结果，风暴潮发生频次存在2～8 a 的周期波动，该规律与TORRENCE 等[28]采 用Nin͂o3 海 表 面 温 度 分 析 得 到的厄尔尼诺-南方涛动（El Niño-Southern Oscillation，ENSO）指数存在2～7 a 的周期波动较为接近。台风风暴潮发生频次与登陆我国沿海地区的热带气旋密切相关[8，29]，我国受ENSO 影响的台风在厄尔尼诺年频数较少，在拉尼娜年偏多[30]，尤其是南海地区台风活动频数与ENSO周期变化具有较好的相关性[31]。台风强度与ENSO 指数也存在周期性变化[32-33]。HSU 等[34]以台风能量周期变化为研究对象，得出台风能量与ENSO 的相关系数为0.79。刘颖婧等[35]采用气旋能量（Accumulated Cyclone Energy，ACE）指数研究了台风强度与Nin͂o3.4 的相关性，结果表明厄尔尼诺年的ACE 值与Nin͂o3.4 有较强的正相关，反之，拉尼娜年存在较强的负相关，其原因可能与ENSO事件年海气要素的异常变化有关。目前，主要研究集中于ENSO 和热带气旋频次及强度的相关性，但对我国风暴潮与ENSO 相关性的研究较少[36-37]，且尚未得出明确结论。风暴潮过程除受台风影响外，还耦合了更多的影响因素[13]，因此还需更加深入的探讨。

2.1.2 死亡（含失踪）人口

1989—2018 年间，我国风暴潮导致的死亡（含失踪）人口数量有显著下降趋势（见表1、图2a），30年间死亡（含失踪）共计4 440 人，平均年死亡（含失踪）133人。1994年死亡（含失踪）人口数量最多，为1 240 人，占总死亡（含失踪）人口的28%；1996 年和1990 年为次大值，分别为523 人和462 人。30 年间存在2 个突变点，分别为1999 年和2009 年（见图2b），说明2000 年后风暴潮灾害死亡（含失踪）人口数量较1989—1999年下降速度增快，2010—2018年较2000—2009 年的下降速度进一步增快。1989—1999 年间死亡（含失踪）共计3 681 人，约占总人口损失的83%；2000—2010 年间死亡（含失踪）共计686 人，约占总人口损失的15%；2011—2018 年间死亡（含失踪）共计33 人，占总人口损失不到1%。从周期波动看，主周期规律与频次波动规律较为一致，但在95%置信区间内不存在显著性（见图2c）。

图2 1989—2018年我国风暴潮导致的死亡（失踪）人口时间序列变化特征Fig.2 Time series of fatalities caused by storm surge in China from 1989 to 2018

通过Mann-Kendall 趋势分析法、Pettitt 突变检验法对我国风暴潮导致的人口损失进行统计检验，结果表明1989—2018 年间人口损失数量具有显著的下降趋势，在1999年和2009年存在突变点。2000—2009 年人口损失数量减缓较1989—1999 年更为明显，推测与2000年后大力开展防潮固堤等基础设施有关。在9417 号台风“弗雷德”造成我国历史上人员伤亡最大的风暴潮灾害后，浙江省提出了“建千里海塘，保千万生灵”的迫切需求，2000 年基本完成了标准海塘的建设工作[16]，有效降低了人员伤亡[16，18]。2009 年前后，经过持续不断的海岸线工程防护建设，我国海塘长度与海岸线长度比达到60%以上[29]，广东省甚至高达90%以上[38]，进一步巩固了人民安全防线[16，18]。随着基础设施的不断完善，我国还不断推进了风暴潮预警报及基准潮位核定工作，2011 年发布的《警戒潮位核定方法技术规范（GB/T 17839—2011）》采用了4 色警戒潮位核定方法，更符合海洋预警报及应急需求，为进一步实施应急减灾措施以降低风暴潮导致的人员损失提供了有效的决策辅助支撑[18]。

2.1.3 直接经济损失

Mann-Kendall 趋势分析法的结果表明，我国风暴潮导致的直接经济损失在1989—2018 年间显著下降（见图3a、表1）。30 年间直接经济损失共计5 083 亿元，平均年损失为154 亿元。1996 年、1997年和2005年受风暴潮导致的直接经济损失最严重，依次为452 亿元、466 亿元和474 亿元，合计占总经济损失的27%。1996 年发生了两次红色警报级别的风暴潮灾害，分别为9608 号台风“贺伯”和9615号台风“莎莉”引发的特大风暴潮灾害，两次台风过程造成直接经济损失452亿元。9711号台风“温妮”单次过程造成直接经济损失435亿元，是1989—2018年间造成直接经济损失最大的风暴潮过程。2005年共计发生9次风暴潮过程，包括1次红色警报和6次橙色警报过程，其中0518 号台风“达维”和0519 号台风“龙王”造成的直接经济损失均超过百亿元。

图3 1989—2018年我国风暴潮导致的直接经济损失时间序列变化特征Fig.3 Time series of direct economic losses caused by storm surge in China from 1989 to 2018

Pettiett 突变检验法结果表明，2006 年具有显著突变特征（见图3b、表1），说明2006 年后由风暴潮造成的直接经济损失的下降速度更为明显。1989—2006 年间直接经济损失为3 701 亿元，占总损失的73%，年均损失为206 亿元；2007—2018 年间直接经济损失为1 373 亿元，占总损失的27%，年均损失为124亿元。从波动周期看，直接经济损失存在2～8 a的显著周期振荡（见图3c），较图1c 和图2c 的波动规律更为复杂，还嵌套了3～5 a的波动规律，说明风暴潮灾害直接经济损失较频次波动和人口损失波动更具有不确定性[27]。

我国风暴潮灾害直接经济损失突变点为2006年，这与我国全面加强风暴潮预警报工作的时间一致[16，18]，说明预警报水平的提升对灾害损失有缓解作用。2006 年我国发布了《海洋观测预报工作方案》，是全面提升海洋观测预报服务水平的开端。2009 年，国家海洋环境预报中心开发和改进了风暴潮灾害数值预报系统，经过10 年的发展，预警的准确率稳步提升，预警时间从24 h 提高至72 h 以上，为防御风暴潮灾害争取了更加充足的时间；构建了较为完整的国家-海区-省-市四级海洋灾害预警业务体系，各级海洋预报机构上下联动，向社会公众和防汛部门提供预警信息，有效降低了灾害损失[18]；另外，全社会海洋灾害风险防范意识的提高也对有效降低经济损失有重要意义[39]。贾宁等[40]对比了台风“天鸽”（1713）和台风“山竹”（1822）两次风暴潮灾害对珠海造成的海水淹没和承载体受损情况，在两次台风登陆点、强度、海岸工程设施、淹没区域高度相似的情况下，由于群众防灾减灾意识的进一步加强，使得因台风“山竹”风暴潮造成的损失远小于台风“天鸽”。

2.2 我国风暴潮灾害损失的空间变化特征

基于ArcGIS10.5 平台的自然间断点分级方法[41]，对1989—2018年间我国沿海11个省市的风暴潮灾害的发生频次、死亡人口、直接经济损失进行了分级，进一步采用标准差椭圆空间分析法，以每10 a 为时间尺度，分析了我国30 年间风暴潮灾害频次及损失的重心移动轨迹，结合标准差椭圆空间分析法分析了风暴潮灾害频次及损失的空间分布特征。

2.2.1 频次

采用自然间断点将我国沿海11 个省市受风暴潮影响频次分成3个等级（见图4），从重心分布范围来看，我国风暴潮灾害高发期的重心分布较为集中，东南沿海地区为风暴潮高发地区[8-10]。浙江省、福建省和广东省30 年间风暴潮的发生频次占全国各省市合计频次的一半以上，其中广东省占沿海省市总频次的21%[17]；广西壮族自治区、海南省、江苏省和上海市灾害发生频次处于第二等级，总计占比36%；北部沿海4 个省市风暴潮发生频次共计占比10%。

图4 1989—2018年我国台风风暴潮灾害发生频次空间分布Fig.4 Spatial distribution of typhoon storm surge disaster frequency in China during 1989—2018

1989—1998 年、1999—2008 年、2009—2018 年3 个阶段的风暴潮发生频次的空间分布方向基本一致，均为东北—西南方向，1989—1998 年频次分布较为分散，另外两个阶段的方向角较1989—1998年向东南方向偏移10°左右。1999—2008 年的椭圆中心点比1989—1998 年向西南移动约80 km，2009—2018 年的椭圆中心点比1999—2008 年向西北方向移动了约52 km。1999—2008 年和2009—2018 年风暴潮发生频次总体呈现出空间分布更集中、发生地点向南方偏移的趋势（见图4）。

我国沿海各省市风暴潮的发生频次与台风登陆次数有直接关系，推测发生频次更为集中表征了台风登陆位置更加集中，该结论与TORRENCE等[28]采用1958—2017 年联合台风预警中心和日本气象厅的台风最佳路径资料，分析得出的西北太平洋台风生成和登陆频次的变化规律的结论保持一致。陆晓婕等[29]对1951—2015 年间登陆我国的台风的时空变化特征进行了分析，认为登陆位置具有周期性波动特征，1977—2000 年台风登陆点有明显北移的趋势，2000—2010 年台风登陆点开始向南偏移，也与本文研究结果较为一致。台风登陆位置与气候变化的关系是气候学领域的研究热点，台风登陆位置的影响因素较多，目前尚未形成统一定论[26，42]。在气候变化的影响下，如何对我国风暴潮灾害及其造成的损失进行分析，有待于进一步探讨。

2.2.2 死亡（失踪）人口

采用自然间断点将我国沿海11 个省市风暴潮灾害的死亡（含失踪）人口数量分成5个等级。1989—2018年间，浙江省人口损失最为严重（见图5），总计为2 351 人，仅1994 年9417 号台风“弗雷德”就造成了1 240 人死亡（含失踪），占30 年间浙江省总人口损失的53%；浙江省、福建省和广东省的人口损失分别占全国人口损失的53%、20%、11%，合计占全国总人口损失的84%。30 年间山东省风暴潮灾害造成的人口死亡（含失踪）共计318 人，占总人口损失的7%，主要由9216 号台风“玻莉”和9711 号台风“温妮”造成，两次台风过程分别登陆福建长乐和浙江温岭，造成了全国范围内“六省二市”的特大风暴潮灾害[3]。山东省地处我国北部海域，受台风影响频次较低（见图4），台风强度也较弱，但由风暴潮灾害造成的人口损失却高于广西壮族自治区和海南省，与广东省持平。在以上两次特大风暴潮灾害过程中，台风“玻莉”造成福建省人口损失13 人，台风“温妮”造成浙江省人口损失236 人，山东省的人口损失数值远高于福建省，仅次于浙江省，推测这与山东省较东南沿海地区抗灾能力弱有直接关系[14]。

图5 1989—2018年我国台风风暴潮灾害死亡人口（含失踪）数量空间分布Fig.5 Spatial distribution of typhoon storm surge disaster fatalities in China during 1989—2018

分 析1989—1998 年、1999—2008 年、2009—2018 年3 个阶段台风风暴潮灾害造成的人口死亡（含失踪）数量的空间分布规律。结果表明，3 个阶段死亡（含失踪）人口数量的空间分布方向基本一致，均为东北—西南方向。1989—1998 年和2009—2018 年椭圆中心点的变化不明显，1999—2008 年的椭圆中心点较前两个阶段向南偏移75 km。在3 个阶段中，1999—2008 年椭圆的短轴明显缩短，说明死亡（含失踪）人口数量出现了集聚现象。3 个阶段的方向角变化不明显，死亡（含失踪）人口数量的空间分布方向没有显著偏移。1999—2008 年间，福建省遭遇的9914号台风“丹恩”、0519号台风“龙王”和0608号台风“桑美”分别造成72人、67人和324人死亡（含失踪），推测是造成这一时间段人口损失集聚的主要原因。人口损失除与台风和风暴潮强度的自然属性有关外，还主要受灾前人口是否转移和渔船是否及时回港等灾前预警和应急管理等因素影响，随着防灾减灾水平的提高，我国沿海省市呈现出人口损失显著下降的特征（见图2）。

2.2.3 直接经济损失

采用自然间断点将我国沿海11 个省市由风暴潮灾害造成的直接经济损失分成4 个等级。浙江省、福建省和广东省的经济损失合计占全国总损失的74%（见图6），广东省经济损失占比最高，为30%，浙江省为24%，福建省为23%，海南省为9%。山东省较江苏省的直接经济损失略高，两者分别占比5%和3%。直接经济损失与风暴潮频次和强度、沿海地区地形等自然属性有关[4]，还与经济发达水平和抗灾能力有密切关系[16]。东南沿海三省风暴潮最为频发（见图4），也是我国人口数量和经济水平最高的区域，风暴潮灾害导致的直接经济损失最为严重。随着沿海地区对灾害管理的高度重视，通过防潮设施、风暴潮预警报系统、应急管理水平等方面防灾减灾水平的不断提升，基本形成了较为完善的应急管理机制，在一定程度上减少了灾害造成的损失[2，14]。

图6 1989—2018年我国台风风暴潮灾害直接经济损失空间分布Fig.6 Spatial distribution of direct economic losses caused by typhoon storm surge disasters in China during 1989—2018

按 照1989—1998 年、1999—2008 年、2009—2018年3个阶段分析风暴潮造成的直接经济损失的空间转移规律。结果表明，3 个阶段直接经济损失的空间分布方向基本一致，均为东北—西南方向（见图6），中心点逐渐向西南方向移动，1999—2008年的中心点比1989—1998 年向西南方移动约150 km，2009—2018 年比1989—1998 年向西南方移动约130 km；风暴潮灾害给福建省、广东省和海南省造成的直接经济损失与其他地区相比越来越明显，转移趋势与图4中风暴潮频次的空间转移趋势具有一致性，表现为向西南方向转移的特征。在3 个阶段中，1999—2008 年间椭圆长轴和短轴明显减小，说明此阶段直接经济损失向福建省、广东省的南部城市集聚。在此期间，共发生了3 次直接经济损失超百亿元的特大风暴潮过程，分别为0519 号台风“龙王”、0608号台风“桑美”和0814号台风“黑格比”，造成的直接经济损失分别为199 亿元、339 亿元和117亿元，推测这是灾害损失集聚的主要原因。2009—2018 年间方向角较另外两个阶段向东北方向偏移约5°，推测与1409号台风“威马逊”造成海南省直接经济损失占全国总损失的比例增大有关。

3 结论与展望

本文基于1989—2018 年《中国海洋灾害公报》中风暴潮灾害的统计数据，对我国风暴潮灾害频次、死亡（含失踪）人口及直接经济损失的时空分布及演变特征进行了研究。主要结论如下：

①从时间分布特征来看，我国风暴潮灾害频次具有显著上升的趋势，2005 年后上升趋势尤为明显，风暴潮灾害导致的人口损失和直接经济损失具有显著下降趋势，死亡（含失踪）人口数量分别在1999年和2009年出现趋势突变点，直接经济损失突变点为2006年。从周期上来看，风暴潮灾害频次具有2 a 和8 a 的显著主周期特征，风暴潮灾害导致的死亡（含失踪）人口数量不存在显著的周期波动特征。直接经济损失耦合了多重周期波动特征，具有2～8 a 的显著周期振荡和3～5 a 的波动规律，说明风暴潮灾害直接经济损失较频次波动和人口损失波动更具有不确定性。

②从空间分布特征来看，我国风暴潮灾害主要集中在浙江省、福建省和广东省，这3个省的风暴潮灾害频次占30 年间全国总频次的58%，死亡（含失踪）人口占比为84%，直接经济损失占比为74%。风暴潮灾害损失除与台风强度有关外，还与我国防灾抗灾能力有关。从空间演变趋势上看，1989—1998年、1999—2008 年、2009—2018 年3 个阶段的频次分布格局整体上呈现出空间分布更集中、发生地点向西南方偏移的趋势；由风暴潮灾害造成死亡（含失踪）人口数量在1999—2008 年出现了聚集现象，整体上没有显著的偏移趋势；灾害经济损失也在1999—2008 年出现了聚集现象，整体上呈现出向西南逐渐转移的趋势。

本文采用统计分析方法对风暴潮灾害损失的时空特征进行了系统的归纳分析，针对趋势和突变点的变化特征定性地与防灾减灾措施进行了关联性分析。在下一步工作中，亟需解决的首要问题是基于统计分析或复杂系统等方法深入分析风暴潮灾害损失的暴露性、脆弱性和抗灾能力等指标的适应性和敏感性，深入研究风暴潮灾害影响要素的响应机制，以便更全面准确地阐释风暴潮灾害损失的演变规律，进而在防灾减灾政策中补齐短板，为提升政府防灾减灾管理效能提供技术支撑。另外，台风活动频次、登陆位置、登陆强度的年际变化是国际台风气候学领域的重要科学问题之一，如何对风暴潮发生频次和致灾强度与气候变化进行定量化的关联性分析，也将是后续工作研究重点。