王 芳，李 寧，張正濤，劉 遠，陳 曦，黃承芳

(北京師范大學地理科學學部環(huán)境演變與自然災(zāi)害教育部重點實驗室//減災(zāi)與應(yīng)急管理研究院，北京 100875)

自然災(zāi)害對人類的危害主要表現(xiàn)在2個方面：一是人員傷亡和緊急安置轉(zhuǎn)移，二是經(jīng)濟損失[1]. 經(jīng)濟損失包括直接損失和間接損失. 災(zāi)區(qū)的工商業(yè)可能因電力、天然氣、水或通信線路的破壞而減產(chǎn)，進而引起產(chǎn)業(yè)鏈中斷，由此產(chǎn)生的連鎖反應(yīng)將波及整個災(zāi)區(qū)甚至災(zāi)區(qū)外的經(jīng)濟，這種作用造成的損失稱為災(zāi)害的間接經(jīng)濟損失. 間接經(jīng)濟損失一般通過模型模擬進行評估，研究表明災(zāi)害的間接影響要比直接影響更長遠[2-4]. 勞動力是生產(chǎn)力三要素之一，災(zāi)害導(dǎo)致勞動力無法正常參加生產(chǎn)服務(wù)而造成的經(jīng)濟損失是災(zāi)后間接經(jīng)濟損失的重要組成部分. 人口大量聚集的城市，因勞動力受災(zāi)導(dǎo)致的間接經(jīng)濟損失更大.

間接經(jīng)濟損失研究始于20世紀70年代[5]；80年代引入的投入產(chǎn)出模型(Input/Output,IO)[6]是目前評估災(zāi)害間接經(jīng)濟損失的主流模型，并于90年代蓬勃發(fā)展[7-8]；90年代，CGE模型[9]加入了勞動力參數(shù)，受災(zāi)人口開始作為一個整體的“行業(yè)”引入到災(zāi)害損失評估中；00年代，美國聯(lián)邦應(yīng)急管理署(Federal Emergency Management Agency,FEMA)引入IO模型創(chuàng)建“HAZUS災(zāi)害管理系統(tǒng)平臺”[10]，加入了人口受災(zāi)的要素[11-12]. 21世紀10年代，學者們開始重視作為生產(chǎn)關(guān)鍵要素的人口在生產(chǎn)恢復(fù)中的作用，如：LI 等[13]將因交通延誤的勞動力平均分配到每個經(jīng)濟部門，恢復(fù)過程為線性；KOKS等[14]假設(shè)每個部門的勞動力平均分布，用部門淹沒損失代替勞動力損失，淹沒時長代替勞動損失時間；BUMEN等[15]用發(fā)放短期津貼人數(shù)和發(fā)放時間來反映災(zāi)害對勞動力影響的全過程；XIA等[16]按各部門的發(fā)病率判斷各部門的受損勞動力，并用病人平均就診時間表示勞動力損失時間；MENDOZA-TINOCO等[17]用被淹房屋數(shù)量與每戶平均勞動力人數(shù)的乘積表示受災(zāi)勞動力人數(shù)，根據(jù)經(jīng)驗將交通延誤折算為勞動損失時間，恢復(fù)過程為線性；吳先華等[18]利用勞動力報酬和就業(yè)人數(shù)的變化表示災(zāi)后勞動力損失與恢復(fù)的情況. 可見，間接損失評估模型雖然加入了勞動力參數(shù)，但因受災(zāi)勞動力部門分布、延誤時長及恢復(fù)路徑等關(guān)鍵數(shù)據(jù)都未統(tǒng)計在災(zāi)情記錄里，相關(guān)研究或未直接涉及勞動力自身受災(zāi)和恢復(fù)的問題，或僅停留在總受災(zāi)人口部門平均分配以及災(zāi)后線性恢復(fù)的層面，未考慮勞動力恢復(fù)機理和部門之間的差異，從而影響了間接損失評估的精確度.

ZHANG等[19]在IO模型中添加了災(zāi)后勞動力數(shù)量損失和恢復(fù)2個模塊，建立了AMIL(Adaptive Multiregional Input-Output with Inventory & Labor)模型，該模型基于經(jīng)濟學的勞動力生產(chǎn)理論[20]和災(zāi)害學的恢復(fù)力理論[21]評估間接經(jīng)濟損失. 在受災(zāi)勞動力數(shù)量模塊中，AMIL模型將受災(zāi)勞動力按就業(yè)比例劃分到各個部門；在受災(zāi)勞動力恢復(fù)模塊中，AMIL模型采用雙曲正切函數(shù)路徑，將簡單線性恢復(fù)升級為基于恢復(fù)機理的非線性過程. 然而，受災(zāi)勞動力部門劃分是否合理、雙曲正切函數(shù)恢復(fù)路徑與實際災(zāi)情是否吻合、勞動力恢復(fù)時間誤差是否可以忽略等問題都需要通過災(zāi)害事件的調(diào)查來驗證. 本文通過在廣州市和深圳市實地調(diào)研取得的845份問卷數(shù)據(jù)，分析了受災(zāi)勞動力部門的分布情況及不同部門勞動力的停工誤工時間，對勞動力恢復(fù)理論進行定量化的驗證，并對比了臺風“山竹”對廣州市、深圳市勞動力影響的差異，擬為間接經(jīng)濟損失模型中勞動力模塊的參數(shù)調(diào)整提供參考.

1 研究方法

1.1 研究區(qū)選擇

2018年9月16日17時許，超強臺風“山竹”在廣東省江門市登陸. 登陸時，臺風中心附近的最大風力為14級(45 m/s)，中心最低氣壓為955 hPa，帶來強降雨，造成多地暴雨洪澇. 災(zāi)害對勞動力的影響顯著，產(chǎn)生的災(zāi)害間接經(jīng)濟損失突出.

本研究選取廣州市和深圳市為調(diào)研區(qū)域，調(diào)研區(qū)域內(nèi)經(jīng)濟發(fā)達、人口密集、生產(chǎn)貿(mào)易聯(lián)系密切. 從經(jīng)濟發(fā)展水平來看，2017年末，廣州市、深圳市的GDP分別占廣東省GDP總值的24.0%、25.1%[22]；從人口規(guī)模來看，廣州市、深圳市的常住人口分別占廣東省常住人口的13.0%、11.2%[22]；從受災(zāi)情況來看，廣州市和深圳市距臺風“山竹”中心較近，遭受強降雨侵襲，都造成嚴重的城市洪澇災(zāi)害；從災(zāi)害應(yīng)急和救助措施來看，廣州市和深圳市都采取“停工(業(yè))、停產(chǎn)、停課”等嚴密防御措施，勞動力的工作時間均受到較大影響.

1.2 問卷調(diào)查設(shè)計

為研究勞動力參數(shù)，問卷主要設(shè)置了兩方面的問題：一是被訪者的工作部門，二是受“山竹”影響的誤工時間. 根據(jù)2017年國家發(fā)布的《國民經(jīng)濟行業(yè)分類》[23]國家標準，并考慮廣東省的現(xiàn)實行業(yè)分布情況，問卷設(shè)置了19個相關(guān)部門(表2)，用于比較受災(zāi)勞動力的部門分布情況與AMIL模型中假設(shè)的差距. 針對誤工時間，問卷設(shè)置了以下問題：(1)是否接受緊急轉(zhuǎn)移安置？(2)轉(zhuǎn)移時長是多少？(3)因臺風影響，停工、停業(yè)或停課多久？(4)如未停工，通勤時間比正常情況下長多少？(5)一周工作時間為幾天，周末是否工作？由于“山竹”臺風在周日(2018年9月16日)登陸，被調(diào)查人員中周日需工作的，停工時間從周日算起，周日原本不工作的，停工時間從周一算起. 問卷同時調(diào)查了所在城市、性別和年齡等個人信息.

1.3 樣本合理性分析

本次問卷覆蓋廣州市和深圳市的各個城區(qū)，對于產(chǎn)業(yè)分布較多的城區(qū)，發(fā)放的問卷量比其他城區(qū)增加10%. 采用多階段隨機抽樣與面訪(面訪內(nèi)容與問卷內(nèi)容一致)相結(jié)合的方式完成問卷. 共發(fā)放問卷1 000份，剔除無效問卷，共收到有效問卷845份，有效問卷占84.5%. 其中：廣州市的有效問卷為426份，深圳市的有效問卷為419份；調(diào)查對象中，男性勞動力共582人(占68.9%)，女性勞動力共263人(占31.1%)；845份有效問卷涵蓋了各年齡段的勞動力，其中主要勞動力(18～50歲)占總調(diào)查人數(shù)的96.3%(表1). 受調(diào)查勞動力的部門分布情況與2018年末廣州市和深圳市的實際勞動力部門分布類似(表2)，樣本具有代表性，可以反映廣州市和深圳市的勞動力基本情況.

表1 被調(diào)查人員基本信息統(tǒng)計Table 1 The statistics of basic information of respondents

表2 調(diào)查勞動力的部門分布Table 2 The sector distribution of the labor force surveyed

1.4 構(gòu)建勞動力恢復(fù)路徑

勞動力恢復(fù)路徑是評估災(zāi)害間接經(jīng)濟損失的重要參數(shù)，可利用勞動力停工誤工時間計算災(zāi)后不同時間勞動力的恢復(fù)率，以觀察勞動力的恢復(fù)路徑:

其中，Yij為災(zāi)后第j天第i產(chǎn)業(yè)的勞動力恢復(fù)率；Ni為第i產(chǎn)業(yè)的受災(zāi)總?cè)藬?shù)；Aij為第i產(chǎn)業(yè)在災(zāi)后第j天累計勞動力恢復(fù)工作的人數(shù). 根據(jù)法定8小時工作時間，對于上班延誤時間小于等于4 h的受災(zāi)勞動力視為災(zāi)后第0.5天恢復(fù)工作.

綜合勞動力恢復(fù)率為勞動力恢復(fù)工作總?cè)藬?shù)與受災(zāi)總?cè)藬?shù)的比值，勞動力恢復(fù)路徑由不同時間的勞動力恢復(fù)率構(gòu)成.

2 結(jié)果與分析

本文根據(jù)845份問卷，從不同產(chǎn)業(yè)部門和不同城市受災(zāi)勞動力的角度，對受災(zāi)勞動力的部門分布、恢復(fù)時間和恢復(fù)路徑進行統(tǒng)計分析，與AMIL模型假設(shè)進行對比;并對比了廣州市和深圳市的勞動力受災(zāi)情況.

2.1 勞動力受臺風影響情況

2.1.1 受災(zāi)勞動力的部門分布 實際調(diào)查中，兩市共419名勞動力受到臺風影響，占總調(diào)查人數(shù)(845人)的49.6%. 由圖1可知：(1)受災(zāi)勞動力所在部門比例較高的有信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)(S9,13.13%)、制造業(yè)(S3,11.22%)、金融業(yè)(S10,10.26%)、建筑業(yè)(S5,9.55%)、批發(fā)和零售業(yè)(S6,9.55%). 臺風帶來強對流天氣，影響網(wǎng)絡(luò)信號傳輸，導(dǎo)致信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)成為勞動力受災(zāi)比例最高的部門. 另外，建筑業(yè)的勞動力多在室外作業(yè)，工作環(huán)境受天氣影響大，而且，臺風導(dǎo)致建筑工地塔機等機器設(shè)備受損及建筑工人臨時住所活動板房受損等，導(dǎo)致停工誤工比例高. (2)受災(zāi)勞動力比例較低的部門有農(nóng)林牧漁業(yè)(S1)、采礦業(yè)(S2)以及電力、熱力、燃氣及水生產(chǎn)和供應(yīng)業(yè)(S4)，3個部門均僅有0.72%的勞動力受到臺風影響. 調(diào)查原因得知，市區(qū)農(nóng)林牧漁業(yè)和采礦業(yè)的從業(yè)人口少；電力、熱力、燃氣及水生產(chǎn)和供應(yīng)業(yè)則因為關(guān)乎民生基礎(chǔ)和基本安全保障，在臺風發(fā)生前后一直處于備戰(zhàn)或救災(zāi)狀態(tài)，停工誤工的勞動力較少.

AMIL模型假設(shè)將受災(zāi)勞動力按不同部門就業(yè)人口比例分配到相應(yīng)部門，與實際調(diào)查情況比較，兩者存在較大差異(圖1)：在AMIL模型中，由于制造業(yè)(S3)、租賃和商務(wù)服務(wù)業(yè)(S12)的從業(yè)人口比例大，分配到兩部門的受災(zāi)人口多，與實際調(diào)查情況相比，兩部門的受災(zāi)人口分別被高估了18.87%和16.75%，AMIL模型中受災(zāi)勞動力被高估的部門還有農(nóng)林牧漁業(yè)(S1)、批發(fā)和零售業(yè)(S6)、科學研究、技術(shù)服務(wù)業(yè)(S13)、居民服務(wù)、修理和其他服務(wù)業(yè)(S15)；AMIL模型假設(shè)低估了其他13個部門的勞動力受災(zāi)情況，尤其信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)(S9)、金融業(yè)(S10)、建筑業(yè)(S5)分別被低估10.43%、8.91%、5.55%，這些部門的就業(yè)人口比例不高，但實際受災(zāi)勞動力比例卻較高.

結(jié)果表明：勞動力受災(zāi)最嚴重的部門是信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)，而非傳統(tǒng)的制造業(yè)，受災(zāi)勞動力的部門分布與AMIL模型假設(shè)存在偏差. 所以，在進行間接災(zāi)害損失評估時，需要重視受災(zāi)勞動力人數(shù)在不同行業(yè)的特點和差異.

圖1 受災(zāi)勞動力的部門分布比例

2.1.2 受災(zāi)勞動力的恢復(fù)時間 調(diào)查顯示：臺風造成多條主要道路兩旁綠化樹木倒伏，道路堵塞，勞動力因道路無法通行而出現(xiàn)上班延誤. 由圖2、圖3可知：(1)上班路上延誤小于1 h的人數(shù)占受災(zāi)總?cè)藬?shù)的29.12%；延誤2～4 h的人數(shù)占比較小，共占受災(zāi)總?cè)藬?shù)的3.34%. (2)災(zāi)后第0.5天和第2天的勞動力恢復(fù)人數(shù)的比例較高，分別為41.29%和33.89%，災(zāi)后第4天的勞動力恢復(fù)人數(shù)的比例最低(僅為3.10%). (3)所有受災(zāi)勞動力在災(zāi)后第4天均恢復(fù)工作.

圖2 不同誤工時長的受災(zāi)勞動力占比

圖3 災(zāi)后勞動力恢復(fù)情況

AMIL模型假設(shè)勞動力恢復(fù)到穩(wěn)定階段需30天，完全恢復(fù)需90天，遠遠大于實際勞動力恢復(fù)工作的時間，究其原因為：AMIL模型中所設(shè)置的勞動力恢復(fù)時間參數(shù)偏大而導(dǎo)致間接損失評估偏大. 另外，AMIL模型假設(shè)中恢復(fù)時間以“天”為單位，而實際調(diào)查中，勞動力工作延誤1 h以內(nèi)的人數(shù)的占比位居第二. 因此，在災(zāi)害間接損失評估模型的受災(zāi)勞動力恢復(fù)模塊中，勞動力延誤時間的單位設(shè)置應(yīng)精確到小時.

2.1.3 受災(zāi)勞動力的恢復(fù)路徑 AMIL模型利用雙曲正切函數(shù)構(gòu)建S型勞動力恢復(fù)曲線，以擬合勞動力恢復(fù)路徑(圖4)，將線性勞動力恢復(fù)路徑升級為非線性. 但是，不同行業(yè)受臺風災(zāi)害的敏感性不同，在恢復(fù)路徑的“線型”上可能存在差異. 實際調(diào)研結(jié)果(圖5)顯示：(1)第一產(chǎn)業(yè)的勞動力恢復(fù)路徑存在先慢后快的特征，臺風過后12 h內(nèi)，勞動力恢復(fù)率為0；臺風過后第1天，勞動力恢復(fù)率有所上升；臺風過后第2天的勞動力恢復(fù)率與第1天的持平；臺風過后第3天，勞動力恢復(fù)率達到100%. (2)第二、三產(chǎn)業(yè)的勞動力恢復(fù)路徑均呈現(xiàn)先快后慢的特征，第三產(chǎn)業(yè)的勞動力恢復(fù)整體快于第二產(chǎn)業(yè)，可能與第三產(chǎn)業(yè)較多為室內(nèi)工作，臺風對其影響較小有關(guān). 由此可知不同產(chǎn)業(yè)的勞動力恢復(fù)路徑存在差異，AMIL模型中不同產(chǎn)業(yè)勞動力恢復(fù)路徑參數(shù)應(yīng)根據(jù)實際情況進行調(diào)整.

由實際調(diào)研結(jié)果可知綜合恢復(fù)路徑呈現(xiàn)先快后慢的特征(圖5)：臺風過后12 h內(nèi)的勞動力恢復(fù)較快，已有41.77%的勞動力恢復(fù)工作；臺風過后第1天，恢復(fù)工作人數(shù)達52.27%；臺風過后第2天，恢復(fù)工作人數(shù)高達85.92%；臺風過后第3天，只有極少數(shù)勞動力未恢復(fù)工作；臺風過后第4天，所有勞動力均恢復(fù)工作. 這一特征與AMIL模型中“先慢后快再慢”的S型勞動力恢復(fù)路徑(圖4)存在較大差異. 本文嘗試用不同函數(shù)擬合勞動力綜合恢復(fù)曲線，由結(jié)果(表3)可知：冪函數(shù)擬合R2=0.964，Sig=0.003<0.05，且殘差最小，擬合效果最好. 該結(jié)果可為擴展AMIL模型中關(guān)于勞動力恢復(fù)路徑“線型”提供參考.

圖4 AMIL模型勞動力恢復(fù)路徑示意圖

圖5 實際勞動力恢復(fù)路徑

表3 不同函數(shù)模型擬合結(jié)果Table 3 The simulation results of different function models

2.2 廣州市和深圳市勞動力受災(zāi)情況對比

2.2.1 受災(zāi)勞動力人數(shù)對比 廣州市和深圳市均為一線城市，勞動力作為生產(chǎn)要素在城市經(jīng)濟運轉(zhuǎn)中均占重要地位，兩城市的樣本量相當，具有可比性. 由調(diào)查結(jié)果可知廣州市的勞動力受災(zāi)情況比深圳市的嚴重：(1)廣州市、深圳市分別有219、200名勞動力受臺風影響，分別占兩城市調(diào)查人數(shù)的51.4%、47.7%.(2)19個部門中，深圳市僅有7個部門的勞動力受災(zāi)比例高于廣州市，其中6個部門屬于第三產(chǎn)業(yè)(圖6)，而第三產(chǎn)業(yè)的受災(zāi)勞動力更容易恢復(fù). 廣州市的城市面積大于深圳市，其常駐人口數(shù)量也更多，較大的受災(zāi)面積和較大的基數(shù)人口可能是廣州市勞動力受災(zāi)情況更嚴重的原因之一.

2.2.2 受災(zāi)勞動力恢復(fù)路徑對比 廣州市和深圳市的勞動力恢復(fù)路徑都呈先快后慢的趨勢，但恢復(fù)速度有所不同(圖7)：深圳市的勞動力恢復(fù)速度明顯快于廣州市，臺風過后12 h內(nèi)，深圳市已有52%的人數(shù)恢復(fù)工作，而廣州市只有32.42%，兩者差距接近20%. 隨著時間的推移，雖然兩城市的勞動力恢復(fù)工作比例的差距越來越小，但總體來看，深圳市勞動力的恢復(fù)速度快于廣州市. 首先，由前文分析知深圳市的勞動力受臺風影響的程度低，且受災(zāi)勞動力比例高的部門多集中在第三產(chǎn)業(yè)，第三產(chǎn)業(yè)勞動力多在室內(nèi)工作，受臺風影響后恢復(fù)速度快；第二，深圳市面臨的氣象災(zāi)害，尤其臺風災(zāi)害較多，在國內(nèi)首開氣象災(zāi)害預(yù)警信號先河[24]，氣象災(zāi)害預(yù)警機制不斷完善，群眾對臺風暴雨災(zāi)害的防災(zāi)意識強[25]，這可能是深圳市勞動力恢復(fù)速度較快的原因之一.

廣州市和深圳市各個部門受災(zāi)勞動力的比例以及勞動力恢復(fù)路徑均存在差異，說明同次災(zāi)害發(fā)生在不同城市應(yīng)區(qū)別對待，應(yīng)根據(jù)實地調(diào)研情況設(shè)置參數(shù)，以減小模型模擬的不確定性.

圖7 廣州市和深圳市的勞動力恢復(fù)路徑對比

3 結(jié)論與討論

本文針對災(zāi)害間接經(jīng)濟損失評估模型中受災(zāi)勞動力所在的部門、恢復(fù)時間和恢復(fù)路徑的參數(shù)問題，對受臺風“山竹”影響較大的廣州市和深圳市的受災(zāi)勞動力情況進行問卷調(diào)查，分析調(diào)查結(jié)果并與AMIL模型假設(shè)中勞動力參數(shù)進行對比，主要結(jié)論如下：

(1)從受災(zāi)人數(shù)來看，臺風導(dǎo)致廣州市和深圳市近一半勞動力受影響而停工誤工，由此造成的減產(chǎn)對間接經(jīng)濟損失的影響不容忽視.

(2)從受災(zāi)勞動力分布的部門來看，實際調(diào)查中，由于不同行業(yè)的特點和差異，以信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)為主的5個部門的勞動力受臺風影響明顯.

(3)從臺風影響時長方面來看，臺風過后的第4天，所有部門的勞動力恢復(fù)工作；實際勞動力恢復(fù)工作時間遠小于AMIL模型的假設(shè)時間.

(4)從勞動力恢復(fù)路徑來看，不同產(chǎn)業(yè)恢復(fù)特征和速度不一致，綜合勞動力恢復(fù)路徑呈先快后慢特征；冪函數(shù)對實際勞動力恢復(fù)路徑的擬合效果較好.

(5)勞動力受災(zāi)情況存在地區(qū)差異：廣州市的受災(zāi)情況比深圳市的嚴重，深圳市勞動力的恢復(fù)速度整體快于廣州市.

研究結(jié)果表明：實際受災(zāi)勞動力的部門分布與AMIL模型假設(shè)中受災(zāi)勞動力的部門分布不一致，受災(zāi)勞動力部門分布參數(shù)僅依靠比例法設(shè)置并不準確；實際勞動力恢復(fù)路徑與AMIL模型中的S型路徑不一致，且不同城市的實際勞動力恢復(fù)路徑存在差異，勞動力恢復(fù)路徑的參數(shù)應(yīng)根據(jù)實際情況進行調(diào)整；在AMIL模型及其他間接經(jīng)濟損失模型的勞動力參數(shù)設(shè)置時需考慮勞動力工作環(huán)境因素和區(qū)域差異因素.

大災(zāi)后勞動力短缺是經(jīng)濟復(fù)蘇的重要制約因素之一，受災(zāi)勞動力的部門分布、受損時間與恢復(fù)路徑是間接經(jīng)濟損失評估模型的重要參數(shù). 參數(shù)的設(shè)置僅依靠比例法和經(jīng)驗值是不夠的，有必要通過實地調(diào)研進行逐步調(diào)整和改進. 本文對勞動力恢復(fù)理論進行了定量化的驗證，所得結(jié)果可為間接經(jīng)濟損失評估模型的勞動力參數(shù)調(diào)整提供參考，從而提高間接經(jīng)濟損失模型評估的準確性和全面性.