基于承灾体的多灾种气象灾害风险评估

向曦　彭艳秋　赵婧

摘要 通过专家打分法，确定了大理白族自治州主要灾害类型为暴雨洪涝、冰雹、大风；运用地理探测器、GIS空间分析等方法，以歷史气象灾情数据为基础，探究了3个灾种气象灾害空间分布与相互影响因子之间的关系，并构建了灾害指数，划分了灾害致灾区域。从灾害系统角度出发，结合专家打分法，从4个维度层面（大理白族自治州气象灾害致灾因子危险性、孕灾环境敏感性、承灾体的易损性和防灾能力）搭建大理白族自治州多灾种气象灾害风险评估模型。结果表明：大理白族自治州乡镇级行政区划中，低风险地区占比高，低风险地区和较低风险地区占比为60.72%，中等风险地区占比为20.53%，而高风险地区和次高风险地区占全部区域的18.75%。高风险地区和次高风险地区主要分布在大理白族自治州东北部、南部和中部。

关键词 灾害风险；承灾体；地理探测器；多灾种

中图分类号：S42 文献标识码：B 文章编号：2095–3305（2023）06–0082-05

灾害产生的危害性影响十分深远，除会严重威胁人民群众生命财产安全之外，还会严重破坏经济发展和社会稳定。近年来，防灾减灾形势并不乐观，仍需采取针对性的措施减轻气象灾害对经济、社会稳定以及人身安全产生的危害性影响。结合实际防范情况来看，采用灾害风险管理方式是当前有效解决灾害风险问题的重要措施。

灾害风险是一个综合的概念，从灾害学角度来看，可以将灾害风险理解为一定区域范围内由孕灾环境、致灾因子以及承灾体3个子系统相互作用而引发的一系列灾害风险问题[1]。王金虎等[2]

以中国长三角地区为例，基于多遥感数据、地理信息数据、统计年鉴数据反演2020年长江三角洲地区高温承载体的空间分布情况，围绕致灾因子、孕灾环境、承灾体和防灾能力等维度要素，科学构建了高温灾害风险评估模型；康龙等[3]运用自然灾害风险综合指数法、层次分析法以及GIS空间处理技术分析了孕灾环境脆弱性、灾害因子危害性和承灾体脆弱性，建立了拉萨—林芝铁路沿线主要气象灾害的风险研究模型；王洁等[4]基于ArcGIS技术，利用层次分析等方法，从3类因子方面针对暴雨灾害影响和朔黄铁路暴雨灾害风险区划模型构建问题进行了深度研究。迄今为止，针对单灾种风险评估方面的研究已较为成熟。

灾害之间所表现出的复杂响应、互斥关系相对突出，灾种概念与单灾种概念可呈现出相互影响、相互作用的关系。从概念来看，灾种概念指的是在特定时段特定地区，受到多种致灾因子并存和并发的影响，导致该区域灾害风险严重程度较高，所产生的危害性影响较大。当前，关于多灾种风险评估方式的研究，通常需要基于灾害系统论逻辑和相关内容科学展开研究。其中，比较主流的多灾种风险评估方法需要立足单灾种风险评估方式进行科学开展。结合近几年的研究情况来看，灾害叠加视角与灾害耦合视角基本上可以被视为多灾种风险综合方式的应用研究表现。牛彦合等[5]运用PSR模型，从致灾因子危险性、承灾体脆弱性和防灾设施服务能力3个方面构建了城市多灾种风险评估指标体系，以风险区划和指标分值双向引擎的方式进行多灾种风险评估；张靖岩等[6]研究运用层次分析法，提出了基于模糊评价的数学模型，建立了多层级指标的权重向量和判断矩阵，满足了多层次、多因素的评估需求。

现阶段，多灾种风险定量研究较少，一定程度上影响了灾害学领域既有成果在区域灾害风险管理中的应用。因此，有针对性地开展多灾种区域灾害风险评估理论和模型等研究工作，通常需要立足重大自然灾害灾情评估和综合风险评估标准进行规范性研究，以期加强对灾害风险问题的防范。以大理白族自治州为研究区，通过专家打分法，确定了大理白族自治州主要灾害类型为暴雨洪涝、冰雹、大风，采用地理探测器、GIS空间分析等方法，以历史气象灾情数据为基础，探究了3个灾种气象灾害空间分布与相互影响因子之间的关系，并构建灾害指数，划分灾害致灾区域。从灾害系统角度出发，结合专家打分法，针对大理白族自治州气象灾害致灾因子危险性、孕灾环境敏感性以及承灾体易损性、防灾能力等重要影响因素进行科学研究，根据研究结果，搭建大理白族自治州多灾种气象灾害风险评估模型。

1 研究资料和区域

1.1 资料来源与处理

（1）灾情数据源自云南省气象灾害查询分析系统，选取1984—2021年的历史数据。（2）气象数据来源于气象大数据云平台天擎系统。6、24和72 h累计降雨量基于国家气象站逐小时降水量数据计算得到。（3）大理白族自治州数字高程模型（DEM）数据下载自地理空间数据云，数据分辨率为30 m。基于DEM数据，利用ArcGIS软件的坡度分析功能生成坡度分级图。（4）大理白族自治州水系数据来自云南省地图院，通过创建渔网、空间计算和统计生成河网密度。（5）人口密度、GDP、农业生产潜力等数据来源于大理白族自治州统计年鉴。

1.2 研究区域

大理白族自治州地处云贵高原与横断山脉结合位置，从地势特点来看，整体地势呈现出西北高、东南低的特点。因为该区域地形地貌条件相对复杂，所以气候的垂直差异显著。加上季风环流不稳定，导致大理白族自治州气象灾害频发。比较常见的气象灾害问题有干旱、洪涝以及霜冻等。

2 主要灾种的识别和权重的确定

利用专家打分法对各灾种涉及的不同评价因子进行科学打分，并结合打分结果对各灾种累计的总分值从高到低进行排序，确定大理白族自治州主要灾害类型为暴雨洪涝、冰雹、大风，同时结合分值占比，合理掌握多灾种风险评估时各灾种的权重关系（表1）。

3 单灾种致灾区域分析

3.1 暴雨灾害的致灾区域划定

暴雨的发生主要受到大气环流和天气、气候系统的影响，天气与气候因素是引发暴雨的根本原因。当区域发生暴雨之后，地理环境等因素将成为主导灾害发生的重要影响因素。其中，地形地貌、地理位置以及江河分布等都可以被视为地理环境体系的影响因素。因此，选取了6 h累计降雨量（X1）、24 h累计降雨量（X2）、72 h累计降雨量（X3）、海拔（X4）、坡度（X5）、河网密度（X6）作为分析因子（表2）。

结果显示，暴雨洪涝灾害空间分布受6个因子的大小顺序：24 h累计降雨量>坡度>河网密度>高程>6 h累计降雨量>72 h累计降雨量，也通过计算得到相应的权重。Ir的公式如下：

其中，Ir值越高，说明越容易发生暴雨灾害。

通过ArcGIS栅格化和加权计算得到暴雨灾害指数分布图。从图1可以发现，暴雨灾害指数较高的地方分布在海拔较高、坡度较大的地方，主要集中于大理白族自治州西北地区，暴雨灾害指数较低的区域分布在东南地区。通过分析灾情数据可知，大理白族自治州暴雨洪涝灾害多为连续性暴雨，由于排水不及时导致水位上涨而引发塌方、泥石流等灾害，造成经济损失。大理白族自治州地势西北高东南低，全州湖泊盆地很多，面积在1.5 km2以上的盆地有18个，占全州总面积的6.6%，加上全州水系密布，更易导致洪涝灾害的发生。

3.2 冰雹灾害的致灾区域划定

冰雹的形成通常与大尺度天气系统和不稳定环境条件等因素息息相关。同时，强烈的上升气流影响和局部地形的动力抬升也会引发冰雹灾害[7]。降雹与暴雨都是在强对流天气过程中产生的灾害，受到地形等条件的限制，会呈现出相伴生的特点。结合前人相关研究和大理白族自治州冰雹灾害特点，将海拔（Y1）、坡度（Y2）、坡向（Y3）、地形起伏度（Y4）作为下垫面的影响因子，将最高温度（Y5）、气温日较差（Y6）、相对湿度（Y7）作为天气系统的影响因子[8]。

将7个影响因子进行栅格化、归一化处理后，对影响因子进行重分类，通过地理探测器模型进行演算，得到因子探测器结果，并进行权重计算，冰雹灾害的影响因子权重结果如表3所示。

值得注意的是，因子探测器表明：坡向对冰雹的空间分布没有明显的驱动作用，因此在后续计算的过程中，坡向未参与计算。将所得的权重代入公式（2）进行栅格加权，得到冰雹灾害的致灾区域如图2所示。

从图2可以发现，大理白族自治州冰雹灾害指数较高的区域分布较为广泛，总体呈现西北部低、东南部高的分布格局。其中，鹤庆县、宾川县、祥云县、南涧县等地发生冰雹灾害指数较高，该区域地形海拔为1 000～2 500 m，坡度在10°～20°之间，地形起伏较大，气温日较差较大，往年出现的冰雹次数也较多。云龙县、永平县、漾濞县等地区灾害指数低，该区域地形海拔在2 500 m以上，坡度>20°，往年出现的冰雹次数较少。

3.3 大风灾害的致灾区域划定

统计大理白族自治州1984—2021年的历史气象灾害灾情数据发现，大风一年四季均可出现。大理白族自治州大风灾害尤以7月和8月出现最多。

海拔高度在一定程度上与大风环境密切相关。究其原因，主要是风速会随着高度的上升而不断增加，加上高海拔地区通常无明显的遮挡物，所以与地势较低的区域相比而言，地势较高的区域更容易受到大风等恶劣天气的影响。与此同时，距离河道越近的位置，所面临的大风灾害危害影响程度越高[9]。此外，当地的地表覆盖类型和土壤土质等也会对大风灾害产生重要的影响。基于此，可以判断海拔、坡度、河网密度以及植被覆盖度等均可以被视为导致大风致灾的重要影响因子。植被覆盖度数据从地理遥感生态网获得。将4个影响因子进行栅格化、归一化处理后，对影响因子进行重分类，并通过地理探测器模型进行演算，得到因子探测器结果，并进行权重计算，大风灾害的影响因子权重结果如表4所示。

结果显示，大风灾害空间分布受4个因子影响的顺序：植被覆盖度>海拔>河网密度>坡度，通过计算得到相应的权重。大风灾害指数公式如下：

将所得的权重代入公式（3）进行栅格加权得到大风灾害的致灾区域如图3所示。从大风灾害指数分布图可知，大理白族自治州大风灾害指数总体呈现北高南低的分布格局，云龙县、剑川县、洱源县、漾濞县、鹤庆县等地更易发生大风灾害，其他县虽然大风灾害指数较低，但是每个县都有灾害指数较高的区域。换言之，大理白族自治州的大风灾害分布广泛，在各县均有可能发生。

4 多灾种气象灾害的风险评估

4.1 风险评估指标权重的确定

从灾害系统角度来说，关于灾害的发生问题研究可以从致灾因子、孕灾环境、承灾体和防灾能力4个方面进行分析。致灾因子的危险性往往是由致灾因子的强度和频次2个方面的因素决定的，选取灾害密度和灾害程度2个指标。孕灾环境指的是在自然环境和人类环境的影响作用下，区域环境演变时空分异情况会对自然灾害的空间分异程度产生重要影响。

本研究通过深入研究3类灾害的致灾因子，重点掌握影响因素和危害问题。其中，针对指标因素，需要从海拔、坡度、月平均降雨量、气温日较差、植被覆盖度5个指标进行研究。作为各种致灾因子作用的直接对象，承灾体指的是人类及其活动所在的社会与各种资源的集合，且所涉及的灾害风险可以从致灾因子与承灾体之间的作用方面进行分析，经过分析之后可以获得有害结果[10]。灾害的危害程度与承灾体密切相关，受到地理地貌、人口等因素的影响，不同地区所产生的危害影響和经济损失会存在明显的差异。相较而言，人口密度高且财产集中的区域受灾损失明显比经济落后、人口密度低的区域大。大理白族自治州的灾情数据资料分析显示，主要的受灾对象是居民、农作物，并遭受了一定的经济损失，因此确定承灾体的指标为人口密度、GDP、农业生产潜力3个指标。在分析的过程中，由于尚未完全掌握对承灾体的破坏机理，加上一些关键数据获取难度较大，因此人们难以对确定的区域进行精准的抗灾能力评估工作。基于此，主要结合统计年鉴中的相关数据，将能够反映防灾救灾能力特征的指标作为主要评价因子，考虑经济发展和医疗卫生2个方面，如居民人均收入、医疗数、医院床位数和医疗人员数4个指标。建立的灾害性天气风险评估模型如下：

D=（VJwj）（VHwh）（VSws）（VVwv）（4）

式（4）中，D为灾害性天气风险指数，VJ、VH、VS、VV为对应的致灾因子、孕灾环境、承灾体和抗灾能力风险指数，wj、wh、ws、wv为4个因子的权重。

邀请专家打分后使用层次分析法确定权重，结果如表5所示。

4.2 承灾体分析

基于各指标权重的多灾种气象灾害风险评估模型可以细化处理各指标，经过图层叠加计算之后，可以精准确定该区域灾害性天气致灾危险性指数、孕灾环境指数、承灾体易损性指数、防灾能力指数等重要指标（图4）。

图4表明大理白族自治州灾害性天气致灾危险性总体集中在西北和南部，尤其集中在剑川县、鹤庆县、南涧县、祥云县等地，而在云龙县、永平县、巍山县等地致灾危险性因子较低。致灾危险性较高的地区往年遭遇灾害次数较多，受到的危害程度也高。根据历史资料统计，鹤庆县历史遭遇灾害次数占比高达30%。从分布结果可以看出，孕灾高值主要分布于海拔坡度较大的区域，孕灾中值与孕灾低值交叉，也与地形表现出较高的相关性。承灾体考虑大理白族自治州人口、GDP、农业生产潜力3个指标，当一个地区人口、农业生产产值越高、经济越发达，灾害来临时产生的损失越大，大理市、祥云县、宾川县等地是农业生产潜力较大的地区，因此易损性也较高。作为大理白族自治州的核心城市，大理市人口密度高且经济条件尚好，因此易损性高值主要集中表现在城区位置。防灾能力考虑居民人均收入、医疗数、医院床位数和医疗人员数4个指标，区域抗灾能力越强，则表明该区域抗灾能力指数越高。大理白族自治州抗灾能力高值主要位于经济水平较高、医疗设施较好的地区。

4.3 多灾种综合风险区划

在多维度影响因素的共同作用下，通常会对灾害性天气的时空分布、易损程度产生直接影响。其中，一旦灾害形成，就可以视为承灾体已经无法适应环境变化，会引发一系列危害风险问题。因此，在分析过程中，可综合衡量致灾因子、孕灾环境、承灾体及防灾能力4个方面，借助ArcGIS加权计算、分区统计计算方式，针对大理白族自治州每个乡镇的风险指数值进行合理计算与确定分析。采用自然断点法划分阈值，科学划分灾种气象灾害风险等级。其中，自然断点法是一种根据数值统计分布规律分级和分类的统计方法，它能使类之间的不同最大化，结果如表6所示。

在大理白族自治州乡镇级行政区划（图5）中，低风险地区占比高，低风险地区和较低风险地区占比为60.72%，

中等风险地区占比为20.53%，而高风险地区和次高风险地区占全区域的18.75%。高风险地区和次高风险地区主要分布在大理白族自治州东北部、南部和中部，集中在鹤庆县的黄坪镇、西邑镇、松桂镇等地，南涧县的南涧镇、无量山镇等地，漾濞彝族自治县和洱源县的乔后镇、西山乡、漾江镇等地，这些区域历史上发生灾害次数多、灾害程度较严重，风险较高。中风险地区主要位于大理白族自治州北部剑川县的马登镇、沙溪镇等地，大理白族自治州东部祥云县的祥城镇、禾甸镇等地，以及大理白族自治州西南部永平县的博南镇、厂街彝族乡等地。低风险地区主要位于大理白族自治州中心区域大理市，大理市具有很强的抗灾能力。西北部的云龙县、南部的巍山县和弥渡县也多为次低风险地区或低风险地区，这些地区海拔和坡度较低、月平均降雨量也较少，医疗基础设施较为完善，孕灾低值区域较多，因此其发生风险低。

5 结束语

使用专家打分结合层次分析法，将定性分析和定量分析联系起来，识别大理白族自治州主要气象灾害为暴雨洪涝、冰雹、大风，并确定了各灾种的权重指标。运用地理探测器的方法探究气象灾害空间分布与相互影响因子之间的关系，确定影响因子权重，构建灾害指数。以历史气象灾情数据为基础，立足灾害系统角度，从气象灾害致灾因子危险性、孕灾环境敏感性、承灾体（脆弱性和暴露度）和防灾能力出发，搭建大理白族自治州多灾种气象灾害风险评估模型。结果表明：在大理白族自治州乡镇级行政区划中，低风险地区占比高，低风险地区和较低风险地区占比为60.72%，中等风险地区占比为20.53%，而高风险地区和次高风险地区占全区域的18.75%。高和次高风险地区主要分布在大理白族自治州东北部、南部和中部，集中在鹤庆县的黄坪镇、西邑镇、松桂镇等地，南涧县的南涧镇、无量山镇等地，漾濞彝族自治县和洱源县的乔后镇、西山乡、漾江镇等地，这些区域历史上发生灾害次数多、灾害程度较严重，风险较高。

参考文献

[1] 潘耀忠，史培军.区域自然灾害系统基本单元研究Ⅰ：理论部分[J].自然灾害学报，1997（4）：3-11.

[2] 王金虎，王宇豪，陈江，等.基于承灾体空间化的高温灾害风险评估研究：以中国长三角为例[J].水利水电技术（中英文），2022，53（9）：1-12.

[3] 康龙，肖天贵，假拉，等.拉萨-林芝铁路沿线主要气象灾害风险研究[J].高原山地气象研究，2022，42（4）：127-135.

[4] 王洁，张中杰，曲晓黎，等.基于层次分析法的朔黄铁路暴雨灾害风险评估[J].气象科技，2022，50（6）：870-877.

[5] 牛彥合，焦胜，操婷婷，等.基于PSR模型的城市多灾种风险评估及规划响应[J].城市发展研究，2022，29（4）：39-48.

[6] 张靖岩，范乐，张泽伟，等.多灾种下特大城市安全韧性影响评估研究与实践[J].灾害学，2023，38（1）：7-12.

[7] 祝小梅，范宏云，白婷.伊犁地区冰雹气候特征及环境场分析[J].沙漠与绿洲气象，2022，16（2）：122-129.

[8] 尹丽云，梅寒，张腾飞，等.云南省精细化冰雹灾害危险性区划分析[J].灾害学，2022，37（3）：99-105.

[9] 陈鑫.杭州大风灾害风险区划[D].南京：南京信息工程大学，2012.

[10] UNDEE. Living with risk：a global review of disaster reduction initiatives[EB/OL]. （2006-03-02）[2023-01-03]https：//www.unisdr.org/we/inform/publications/657.

责任编辑：黄艳飞

Multi-disaster Meteor-ological Disaster Risk Assessment Based on Disaster-bearing Body

Xiang Xi et al（Yunnan Meteorological Service Center， Kunming， Yunnan 650034）

Abstract First determined the main disaster types of Dali Prefecture as rainstorm and flood， hail and gale through expert scoring method. Then， based on historical meteorological disaster data， it explored the relationship between the spatial distribution of meteorological disasters and mutual influence factors of the three disaster types through geographical detectors， GIS spatial analysis and other methods， and constructed disaster index to divide disaster causing regions. Finally， from the perspective of disaster system， combined with the expert scoring method， the risk assessment model of multiple meteorological disasters in Dali was constructed from four dimensions （namely， the risk of meteorological disasters in Dali， the sensitivity of disaster-producing environment， the vulnerability of the disaster-bearing body and the disaster prevention ability）. The results show that in the township administrative divisions of Dali Prefecture， low risk accounts for a high proportion， low risk and low risk accounts for 60.72%， medium risk areas account for 20.53%， and high and sub-high risk areas account for 18.75% of the total area. High and sub-high risk areas were mainly distributed in the northeast， south and middle of Dali.

Key words Disaster risk; Disaster-bearing body; Geographical detector; Multi-hazard

基金項目 大理白族自治州重点科技支撑专项计划“大理白族自治州灾害性天气气候致灾风险研究”（D2021NA03）。

作者简介 向曦（1986—），女，云南大理人，工程师，主要从事应用气象、气候可行性影响评估、巨灾指数保险研究。

收稿日期 2023-02-16