1999—2018年广东省自然灾害灾情时空变化特征及影响因素研究

王江波, 顾梦瑶, 吴宇凡, 苟爱萍

(1.南京工业大学建筑学院,江苏 南京 211816;2.江苏省城镇化和城乡规划研究中心,江苏 南京 210036;3.上海应用技术大学生态技术与工程学院,上海 201418)

0 引言

广东省处于亚热带季风气候区,受热带海洋气团和极地大陆气团的交替控制,加之地质构造较为复杂、地势起伏较大,台风、洪涝、风暴潮、地质灾害等复杂自然灾害频发,高强度的人类活动加剧了这些灾害的发生频率与威胁范围。独特的自然地理环境使广东省自然灾害呈现种类多、成灾强度大、发生频率高、影响范围广、突发性强、多种灾害交替出现或同时出现等特点。广东省坐拥粤港澳大湾区内9个核心城市,且背后拥有广阔腹地,作为承接粤港澳大湾区的战略高地和“一带一路”沿线城市对外开放的窗口,其战略地位不言而喻,但频发的自然灾害给广东省的经济发展和生态环境带来重大影响。因此,研究广东省自然灾害的灾情,对于政府部门制定全省防灾减灾规划、加强灾害动态监测预警、提高防灾工作的科学性与时效性具有重大现实意义。

近年来,国内外众多学者针对自然灾害灾情评估开展大量研究,国外有关重大自然灾害的灾情评估,已经形成一定的技术框架,并辅以较成熟的技术手段与信息平台,主要有灾害损失与需求评估框架(the damage loss and needs assessment,DaLA)、美国国家多灾种评估系统(the hazards united states-multi-hazard,HAZUS-MH)[1]、澳大利亚应急管理署的灾害损失评估框架(emergency management australia-disaster loss assessment,EMA-DLA)[2]、灾害社会经济与环境影响评估框架(estimating the socio-economic and environment effects of disasters,ECLAC)[3]和灾后需求评估框架(post disaster needs assessment,PDNA)[4]5个国际主流灾害损失评估体系,各评估系统的评估理念、内容、方法有一定差异。国内的灾情评估研究也取得大量优秀成果,马宗晋等[5]提出基于基础上报统计数据的定性分析。随着研究的深入,灾情评定的量化方法也逐渐增多[6-8],一定程度上突破了基于统计上报数据进行灾情损失评估的局限[9]。

随着学科交叉程度的提高,自然灾害灾情量化的评估模型和多指标综合评估逐渐成为研究热点。目前评估模型主要包括模糊综合评判法[10]、灰色聚类法[11]、主成分分析法[12]等。由于数理模型本身的特性,此类模型存在一定局限性,如主成分分析法在透析指标时一定程度上将部分重要信息忽略,且评估指标越多,重要信息被忽略的越多[13-14]。基于多指标的综合评价方法能够较全面地反映较大范围研究区域的灾情分布情况,基于该方法目前有较多优秀成果。综合灾情指数是由程立海等[15]学者提出,其核心思路是集成不同维度的指标为一个综合指数,众多学者基于该思路对不同尺度的灾害评定进行了深入研究与探索[16-19]。

灾害影响因素方面,我国学者的研究多关注经济损失与经济水平、受灾人口与人口数量等对应因素的关联性。研究方法上,学者多采用统计学方法和空间计量学方法[20-23]。王劲峰等[24]提出地理探测器模型可量化地理空间中自变量对因变量的解释力,能精确计算单因子及因子间交互对因变量空间分异的解释力,并在自然地理[25-26]、人文地理[27-28]、应用生态分析[29]、灾害分析[30-31]等学科领域得到广泛应用。

综上所述,由于学科视角、评估灾种、评估尺度不同,灾情评估方法众多且差异性较大,尚未形成权威、统一的方法论。广东省作为我国灾害频发的地区,其自然灾害相关研究较为丰富,多集中于台风、热带气旋的单灾种研究,或是对单个地级市的灾情研究,缺少省域范围的灾情研究。

自然灾害给社会经济与生命安全带来巨大损失,鉴于广东省重要战略地位和防灾减灾转型的迫切要求。研究广东省自然灾害灾情的时空分布规律,分析其背后的影响机制是开展科学防灾减灾工作的重要基础。因此,本文以广东省1999—2018年自然灾害损失基本数据为基础,利用CRITIC(criteria importance though intercrieria correlation)权重法构建综合灾情指数模型,同时,利用地理探测器从多因子角度对广东省自然灾害灾情从时间、空间上开展研究,探究其变化特征和影响因素,希望研究成果能够对安全防灾与韧性建设决策起到参考与辅助作用。

1 研究区域概况和研究方法

1.1 广东省概况

广东省位于中国大陆南部,与香港、澳门、广西、湖南、江西及福建接壤,与海南隔海相望[32],下辖21个地级市。全省陆地面积约17.9万km2,岛屿面积约1592.7km2,属东亚季风气候区,降雨充沛,年平均降水量在1300～2500mm,地势北高南低,地形复杂,以山地和丘陵为主,主要分布在北部、西北部、粤东和粤西沿海地区[33]。2021年广东地区生产总值已达12.44万亿元,但省内经济发展水平存在严重的区域差异。

1.2 研究方法

1.2.1 综合灾情指数

综合灾情指数(synthetical disaster condition index,SDI)是由学者程立海[15]开发的多指标评估算法,其本质是基于综合评价法的数理模型,通过构建不同的指标层结合一定的数学模型将多个评价因子浓缩至一个整体,对给定时间范围内的地区灾害损失情况进行总体衡量。

(1)评估指标选取。国家标准化管理委员会2009年发布了GB/T 24438.1—2009《自然灾害灾情统计 第1部分:基本指标》,该标准规范了灾情统计的28项基本指标,将这些基本指标按不同维度分成4大类,包括人口维度、农作物维度、基础设施维度、经济维度。人口受灾情况、农作物受灾情况、房屋倒损情况和直接经济损失是过去和当前自然灾害灾情统计的核心内容。结合广东省已有数据与统计年鉴的实际情况,选取受伤人口、受灾人口、死亡人口、农作物受灾面积、房屋倒损数量、直接经济损失6个参数作为本文综合灾情指数模型中的基本指标,如图1。

图1 综合灾情指数模型示意图

(2)数据预处理。指标间关系相互独立,各指标的特征、统计单位不同,将各指标进行无量纲化处理。在进行无量纲化前,先对数据进行预处理,以免影响分析结果。数据预处理包括2个步骤:①对0值指标及极端指标进行剔除处理;②对直接经济损失指标的折算,通货膨胀会造成经济指标统计数值的变化,因此,基于国家统计局公布的累积消费价格指数(consumer price index,CPI)对直接经济损失数据进行转换。由于自然灾害具有偶发性,并不服从正态分布,故不适用标准化消除数据差异性的方法进行无量纲化处理。归一化原理是对原始数据进行线性变换,将其映射到[0,1]之间,是做线性模型预处理的关键,故本文选取归一化进行无量纲处理。

(3)CRITIC权重分析。CRITIC权重法是利用数据波动性或数据相关性大小计算权重,能较好地利用数据本身的客观属性进行科学评价[34]。为更客观地呈现广东省1999—2018年灾情变化规律,利用该方法确定综合灾情指数评价指标中各指标之间的权重。将无量纲处理后的数据代入CRITIC权重法进行分析,见表1。

表1 各项指标权重分布

由表1可得,死亡人口权重占比最高,符合人道主义价值的判定,其次是农作物受灾面积,权重占比最小的是受灾人口指标。

由于极端值在一定程度上会影响数据分布情况,进而影响其波动性和相关性,虽然CRITIC权重法确定的指标值是根据指标间相关性来确定,对极端值敏感度较低,但为了确保极端值对最终权重影响可控,故讨论去掉2017和2018年极端值(由台风“天鸽”和“山竹”导致的极端值),见表2。

表2 去掉极端值后的权重分布

从表2可以看出,原本权重最小的受灾人口指标变为房屋倒损数量指标,权重最大的死亡人口指标依旧不变,可见,极端值对客观权重的确定存在一定影响,但由于整体变化情况控制在方差0.012,评价结果变化不大,所以,为确保评价结果客观呈现,最终综合灾情指数模型中保留2017与2018年时间序列数据。

1.2.2 地理探测器

地理探测器既可以检验单变量的空间分异性(stratified heterogeneity),也可以通过检验2个变量空间分布的耦合性(coupling)来探测变量间可能的因果关系。本文利用地理探测器中的因子探测分析灾情中各因子的影响力与贡献度,利用交互探测分析各因子之间的交互作用。

灾情影响因素研究表明[35],降水、温度、湿度等表征气候(气象)的指标与自然灾害灾情大小息息相关。此外,一个地区的经济发达水平、人群素质程度、政府公共管理能力等社会经济因素也与灾害损失程度有关。基于前人研究[36],结合广东省处于季风气候区且地势复杂的实际情况选取地理探测器的影响因子,包括极端气候因子、地形地表因子、基础建设因子、防灾减灾因子。其中,极端降雨、极端高温、极端强风等因子表征极端气候因子,采用单个站点气候要素(气温、降水、风速)超过特定界限值的记录次数来定义极端气候事件;地形地表因子选取高程标准差因子、坡度因子、有可能诱发地质灾害的植被覆盖率因子、有可能诱发洪涝灾害的河网密度因子。结合该地区经济社会差异和防灾工程投入差异,选取人口密度因子、建设密度因子、耕地密度因子、地区生产总值因子代表基础建设水平。当地人群受教育程度、医疗水平、防灾工程的投入等能一定程度上减轻自然灾害带来的影响。基于此,本文选取人群受教育程度、人均医疗水平、人均绿地面积、防洪堤长度、通车里程等因子作为防灾减灾因子。人群受教育程度因子为地区高等院校在校人数与当年常住人口数的比;当地人均医疗水平因子为地区医院总床位数与当年常住人口的比;公共绿地可以很好调节地区微气候,减少诱发自然灾害的可能性,除此之外,公共绿地作为开敞空间也是自然灾害来临时较好的避难场所,选用地区公园绿地面积与常住人口的比表示人均绿地因子;防洪堤长度表示防灾工程投入因子;通车里程表示交通通达度因子。广东省灾害影响因子及量化方法,见表3。

表3 灾害影响因子及量化方法

1.3 数据来源

本文选取表征自然灾害损失的数据来自《广东省防灾减灾年鉴》《广东农村统计年鉴》;极端气候数据来源于国家气象信息中心实时库;高程数据来源于SRTM DEM 90m分辨率的栅格数据;植被覆盖率数据、岩性数据、土地利用数据均来源于中国科学院地理科学与资源研究所,数据类型为栅格数据,精度为100m;广东省土地面积、人口密度、地区生产总值等基础数据来源于1999—2018年历年《广东统计年鉴》《广东建设年鉴》《广东农村年鉴》;广东省自然资源厅、广东省应急管理厅、广东省财政厅等政府网站发布的救灾情况、公共预算支出等数据作为本文的参考与补充数据。上述源数据根据分布性质与广东省省情,基于R语言对数据进行处理,所有数据重采样到空间分辨率为5km。

2 广东省自然灾害灾情时空变化特征

2.1 时间演变规律

(1)综合灾情指数总体处于微弱上升趋势,如图2。由图2可知,广东省20年间的综合灾情指数在0.212～0.596之间,平均值为0.339,高值区间为0.339～0.596,低值区间为0.212～0.339。最低年份为2007年,最高年份为2013年,高低年之间相差2.5倍。

图2 广东省1999—2018年综合灾情指数变化

2013年,广东省入汛偏早,热带气旋登陆和影响频繁,降雨偏多且暴雨洪涝影响期集中,先后出现6月1305号热带风暴“贝碧嘉”、7月初1306号强热带风暴“温比亚”、7月中旬1307号超强台风“苏力”、8月初1309号强热带风暴“飞燕”、8月中旬1311号超强台风“尤特”、8月下旬1312号台风“潭美”、9月下旬1319号超强台凤“天兔”、11月上中旬1330号超强台风“海燕”等热带气旋。据省三防办统计,全省共出现29场暴雨过程,平均降雨量达2179.3mm,较常年同期偏多约23%,是有气象记录以来历史同期的第五位[37]。“龙舟水”发生较早,平均降水量较常年偏多10.7%,导致部分地区发生严重的洪涝灾害。多地出现百年一遇的短历时降雨,多条江河出现超过预警的特大洪水,部分出现超历史实测最大洪水和最高风暴潮位。一年中有7条中小河流出现特大洪水,为历史罕见。

(2)年际间综合灾情指数波动较剧烈,大小灾年交替明显。从图2可知,20年来广东省自然灾害综合灾情指数波动较大。对综合灾情指数运用基础统计学方法进行描述性分析,见表4。对比表4和图2可知,中位数为0.300,最靠近中位数的年份是2005和2016年。变异系数为33.522%,说明数据离散程度较大,即20年间综合灾情指数波动较大,大小灾年交替明显。

表4 基础统计学描述分析

2.2 空间分异规律

(1)广东省20年间21个地级市的绝对综合灾情指数范围为0.003～0.391,可见空间分异程度较大,见表5。

表5 1999—2018年各地市综合灾情指数统计

由表5可知,综合灾情指数茂名市最高为0.391,深圳最低为0.003,城市分布呈边缘高—中间低的格局,在空间上无明显集中趋势。从区域分布来说,平均综合灾情指数粤西地区最高,大湾区九市最低。

(2)广东省20年自然灾害灾情时空分布特征一定程度上印证了自然灾害具有偶发性、随机性的特性。为进一步归纳并总结其时空格局演化规律,从时间序列角度对2011—2018年综合灾情进行时空演化格局分析,见表6。

表6 2011—2018年广东省绝对综合灾情指数

可以看出,2011—2018年综合灾情重灾区有明显的转移路径:粤西→粤北→粤东→沿海。为进一步研究受灾程度上的差异,对综合灾情指数进行空间自相关分析,见表7。

表7 2011—2018年综合灾情莫兰指数分布

莫兰指数绝对值处于0.038～0.705之间,平均数为0.221,跨度较大,最低指数接近零,为2016年,说明该年综合灾情在空间上呈随机分布;最高点为0.705,较接近1,为2011年,说明该年综合灾情具有较强的空间集聚性。

3 影响因素分析

分析综合灾情指数和莫兰指数发现,2013年综合灾情指数最高且莫兰指数较高,表明该年灾情较严重为大灾年,且空间集聚性较高;2018年综合灾情指数和莫兰指数均较低,表明该年灾情较轻为小灾年,且空间异质性较高。因此,利用地理探测器中的因子探测与交互探测分别对2013与2018年综合灾情影响因素及各因素之间的作用关系进行分析,探究各因子对于灾情的影响程度并分析灾情背后的响应交互机制。

3.1 影响机制分析

利用地理探测器中的因子探测对广东省2013与2018年综合灾情影响因素进行分析,q值表示各影响因子Xi(i=1,2,…,16)解释综合灾情指数Y的空间分异,q值越大,其自变量Xi对因变量Y的解释力也就越强。因子探测结果表明,2013年解释力较强的因子为极端降雨事件X9、极端强风事件X12、极端高温事件X16、人口密度X13;2018年解释力较强的因子为耕地密度X10、建设密度X2、人均医疗水平X11、植被覆盖率X15,如图3。

图3 2013年与2018年因子探测结果分布

(1)极端气候因子(直接作用)。极端气候因子包括极端降雨因子、极端高温因子、极端强风因子。2013和2018年的因子探测结果显示,大灾年的极端降雨因子、极端强风因子等极端气候因子解释力排名靠前;小灾年的极端气候因子处于中间,可见极端气象事件对于自然灾害的影响起直接作用,且无论大小灾年对灾情的影响具有较高水平。

(2)地形地表因子(间接作用)。地形地表因子包括高程标准差因子、坡度因子、植被覆盖率因子及河网密度因子。高程标准差因子和河网密度因子在2次因子探测结果中解释力排名均靠后,可见无论大小灾年地势起伏度与河网密集程度对灾情影响都较小。坡度因子在2次探测中解释力排名分别靠后和中间,可见在大灾年地形对灾情的影响甚微,但对小灾年的影响增大。植被覆盖率因子在大灾年的解释力较小,而在小灾年较大,说明在通常情况下植被覆盖率高能够减轻泥石流、滑坡、崩塌等地质灾害的发生,但在强降雨等极端气候条件下效果甚微。地形地表因子诱发自然灾害需要强降水或者高温干旱等前提条件,因此,它对灾情大小的影响起间接作用。

(3)基础建设因子(助推作用)。基础建设因子包括人口密度因子、建设密度因子、耕地密度因子、地区生产总值因子。人口密度因子在2次探测结果中排名都比较靠前,在自然事件作用范围一定的情况下,人口密度越高意味着暴露在自然事件的生命体越多,造成的生命安全损失也越大。耕地密度与建设密度在大灾年解释力排名居中,在小灾年排名第一,说明耕地密度因子与建设密度因子一定程度上对灾情产生影响。地区生产总值因子在2次探测结果中排名都较靠后,虽然经济发达地区的财富暴露度较高,加剧灾害来临时的损失,对灾情起到正向的助推作用,较强的经济能力意味着有更大的能力进行防灾工程建设,从而减缓一些自然事件造成的损失;没有基础建设和人类活动,任何自然事件作用于地表都无法构成损失,也无法从自然事件变为自然灾害,可见基础建设因子通过助推作用来影响灾情大小[38]。

(4)防灾减灾因子(缓冲作用)。防灾减灾因子包括人群受教育程度因子、人均医疗水平因子、防洪堤长度因子、通车里程因子、人均绿地因子。根据探测结果,人群受教育程度因子和人均绿地因子在2次探测结果排名分别靠后和居中,可见,人群教育程度与防灾意识无关联,开放绿地对自然灾害具有的缓冲作用有限。人均医疗因子在2次探测结果中排名居中和靠前,可见人均医疗水平对灾情具有一定影响力,灾后救助能力越强,则造成的生命损失越少。防洪堤长度因子与通车里程因子在2次探测结果中排名均在中等靠后,说明建设防洪堤能阻止强降雨时期水位高涨带来的洪涝灾害,较为通达的交通能力也能在灾害发生后第一时间提高运输与救援能力,但影响力有限。总之,防灾减灾因子能对灾情大小起一定的减缓作用。

极端气候因子对广东省灾情大小的影响作用最为直接,影响力排名靠前。地形地表因子无论在大小灾年均较稳定。经济、耕地等基础建设因子小灾年的影响力较大,大灾年较小。防灾减灾因子在大小灾年的影响力都相对较弱。

3.2 交互机制分析

对2013与2018年综合灾情影响因素进行交互作用探测,如图4。根据相交结果与单因子比较,分为非线性减弱、单因子非线性减弱、双因子增强、独立、非线性增强5种作用结果。

图4 2013年与2018年交互探测结果分布

2013年各因子交互探测结果,如图4(a)。从如图4(a)可知,16个影响因子两两之间互相作用时均为增强,其中,极端降雨事件X2与建设密度X9交互作用对灾情影响最大。2018年各因子交互探测结果,如图4(b)。从如图4(b)可知,各因子两两交互作用对综合灾情产生的影响均大于单一因子的影响,其中,高程标准差X5与极端强风事件X12交互作用对灾情影响最大。

非线性增强的因子大灾年中较多,小灾年较少,因此,本文对大灾年各因子两两交互作用对综合灾情产生的影响进行分析。从如图4(a)可知,在大灾年中高程标准差因子X5与其他5个因子存在非线性增强作用,这说明地势起伏度作为孕灾环境与其他因子共同作用时对灾情大小的影响表现突出。根据灾害系统理论,致灾因子直接作用于地球表面,与地球表面各圈层发生作用,最终形成自然灾害[39]。从灾害长期演变机制角度看,区域地表过程引发的链式反应会导致灾害组合发生变化,从而使自然灾害发生的范围与强度发生变化[40],这说明孕灾环境对灾情的作用方式是缓慢的间接影响过程。在因子探测中地形地表因子影响力排名较为稳定,这表明孕灾环境具有一定稳定性。地区生产总值因子、耕地密度因子、通车里程因子在交互探测中也表现出较好的非线性增强作用,这说明地区经济发展与建设程度作为承灾体,其对灾情的影响不仅体现在本身的暴露程度,也体现在与其他因子共同作用时的非线性增强作用。可以看出,致灾因子可直接作用于承灾体和孕灾环境,孕灾环境和承灾体同时具备人工属性和自然属性,存在互相重叠的属性,也在互相作用中共同影响灾情[41]。地理探测器的交互探测结果表明,自然灾害灾情大小是多因素综合影响的结果,如图5。

图5 各因子交互机制

4 讨论与建议

4.1 讨论

自然灾害本身具有偶发性、随机性、连锁性等特性,这也与广东省1999—2018年灾情时空特征表现一致,即灾情综合指数波动剧烈、大小灾年交替、不同维度的线性趋势不一致等特点。自然灾害的区域连锁反应的影响范围不仅作用于单一行政区划,同时各地区的基础建设密度、经济实力、人口、减灾能力等差异,受灾影响深度也有差异,因此广东省灾情出现空间分异性较高、不同维度重灾区不一致的特点。从2014年开始,灾情的空间集聚呈现下降趋势,这表明自然灾害灾情多呈点状、密集发生,而非片状、大范围发生。从灾情影响的机制看,灾害系统中不同要素分别具有不同特性,如致灾因子危险性、孕灾环境稳定性、承灾体脆弱性。不同因子的影响力和影响方式具有显著的差异,如极端气象因素影响力最大,直接影响灾情大小,而地形地表因子影响力则相对稳定,间接影响灾情大小。

4.2 建议

针对以上影响机制分析及灾情时空演化特征,结合目前广东省防灾减灾现状,提出以下对策与建议。

(1)树立系统防灾观念。地理探测器的因子探测与交互探测结果表明,任何自然灾害灾情影响程度是各因子共同作用的结果。系统防灾在体制上要做到纵横向协调相结合。纵向协调,即充分发挥省级政府与地方各级政府的作用,特别是基层社区在防灾减灾管理中的作用;横向协调,即充分发挥各级政府设置的与防灾减灾相关机构的联动作用,针对区域自然灾害系统所具有的灾害链特征,实现减灾资源利用的效率化和效益化。

(2)完善综合防灾立法。目前,广东省单灾种专项法规法有50多部,缺乏防灾、减灾、救灾、应急管理的综合立法。综合立法能够全面问责、追责,确保各专项应急预案的法制化与标准化,同时确保各个部门之间应急的协调性与及时性,大大提高国家专项预案与省级、省级与地方之间的衔接效率,一定程度上可以打破专业壁垒与部门壁垒。

(3)优化区域防灾结构。针对重灾区不断转移、灾情空间较为分散的特点,要因地制宜、因灾施策,结合国土空间规划“双评价”结果,摸清不同地区在环境、资源、经济建设、社会文化等因素之间的差异,科学评估致灾因子的危险性与承灾体的脆弱性,横向衔接防灾专项规划。

(4)建立气象预警平台。地理探测器的因子探测结果表明,在灾情严重的大灾年,极端气候因子影响力较大。因此,加强气象预警平台的监测十分重要,尤其要提高对热带气旋、极端性强降雨等极端天气事件的预报准确率和精确度,保证空间和时间的精准。

5 结论

本文以1999—2018年广东省灾损数据为基础,从人口维度、农作物维度、基础设施维度、经济维度进行灾损描述并构建综合灾情指数;利用线性趋势、变异系数、相关性分析等统计学方法及空间分析方法进一步分析其时空演化特征;选取有可能影响灾情变化的因子,利用地理探测器进行因子探测和交互探测,给予一定的对策与建议。主要结论如下。

(1)从时间上看,广东省灾情具有指数波动剧烈、大小灾年交替、不同维度线性趋势不一致等特点。1999—2018年广东省综合灾情指数的总体趋势是大小灾年交替,线性趋势略微向上增长,变异系数波动性较大,灾情具有随机性和不确定性。综合灾情指数最高为2013年,最低为2007年。

(2)从空间上看,空间分异程度较大,灾情呈现边缘高—中间低的空间格局,综合灾情指数最高地区为茂名市,最低地区是深圳市,无明显集中趋势。灾情重心空间演化方面,重灾区自2010年开始,经历粤西→粤北→粤东→沿海的转移路径。

(3)地理探测器分析表明,极端气候因子对灾情大小影响最为明显且直接;地形地表因子间接影响灾情且较稳定;基础建设因子小灾年影响力较大,大灾年较小;防灾减灾措施因子对灾情有一定的减缓作用。

(4)本文的不足之处,一是在构建综合灾情指数时所采用的指标体系简单、不全面,时间序列较短;二是灾情影响因素仅做了初步分析,后续研究将针对上述不足进行完善与细化。