黎躍勇，周威，李好，梁可

(1.湖南省氣象服務(wù)中心，長沙 410118；2.氣象防災(zāi)減災(zāi)湖南省重點實驗室，長沙 410118；3.湖南省張家界市氣象局，張家界 427000)

引 言

暴雨是我國目前面臨的主要氣象災(zāi)害之一，常會引發(fā)城市內(nèi)澇及山洪、泥石流、山體滑坡等衍生災(zāi)害(鄭國等，2011；史軍等，2016)。近年來，我國學(xué)者從區(qū)域性暴雨定量化評估、強降水特征、山洪淹沒及致災(zāi)閾值模擬等方面對暴雨及其衍生災(zāi)害進行了較多研究(伍紅雨等，2019；谷曉平等，2020；張連成等，2020；呂新生等，2021)，不僅建立了暴雨引發(fā)的城市積澇模型(強降水預(yù)警閾值)，還對降雨引發(fā)的地質(zhì)災(zāi)害進行分型(陳悅麗等，2019；狄靖月等，2019)，得出不同降雨型地質(zhì)災(zāi)害的閾值、降水與城市內(nèi)澇的相互關(guān)系(鄧汗青等，2017；孟玉婧等，2019)。另外，秦鵬程等(2016)將有效降水指數(shù)用于暴雨洪澇監(jiān)測和評估；張霞等(2020)基于對環(huán)境參數(shù)的分析構(gòu)建了極端暴雨預(yù)報指數(shù)；黃珍珠等(2019)采用個例分析法，建立了“龍舟水”災(zāi)害對早稻產(chǎn)量影響評估模型，通過確定早稻“龍舟水”災(zāi)害保險閾值，設(shè)計了“龍舟水”災(zāi)害保險氣象理賠指數(shù)。這些研究成果為開展暴雨災(zāi)害監(jiān)測評估、確定暴雨致災(zāi)閾值、設(shè)計暴雨災(zāi)害保險理賠產(chǎn)品積累了經(jīng)驗。

張家界市是湖南省的四大暴雨中心之一，暴雨對該市城鄉(xiāng)居民生命財產(chǎn)安全構(gòu)成較大威脅，嚴重影響到當(dāng)?shù)亟?jīng)濟社會正常發(fā)展。為了積極應(yīng)對氣候變化和極端天氣、災(zāi)害性天氣的影響，迫切需要加強事前風(fēng)險防范，充分發(fā)揮保險在氣象防災(zāi)減災(zāi)中的風(fēng)險管理和保障功能。目前，我國關(guān)于保險行業(yè)財貨險出險特征的相關(guān)研究相對較少，且前人研究中也未將財貨險與致災(zāi)因子、致災(zāi)閾值進行關(guān)聯(lián)，導(dǎo)致財貨險的氣象災(zāi)害監(jiān)測預(yù)警預(yù)報服務(wù)缺乏針對性。另一方面，由于地域不同，各地暴雨閾值及其致災(zāi)閾值也存在較大差異。為避免或減輕暴雨災(zāi)害造成的經(jīng)濟損失和帶來的其他影響，對暴雨致災(zāi)閾值以及財貨險出險特征開展本地化研究非常必要。為此，本文以張家界市暴雨及暴雨引發(fā)的財貨險理賠案件為研究對象，基于優(yōu)勢分析法，確定暴雨綜合致災(zāi)指數(shù)，劃分出險等級閾值，建立暴雨致災(zāi)閾值，以期為氣象災(zāi)害監(jiān)測預(yù)報預(yù)警、財貨險防災(zāi)減損服務(wù)提供技術(shù)支撐。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

張家界市位于湖南省西北部、澧水中上游，屬武陵源山區(qū)腹地，下轄兩區(qū)(永定區(qū)、武陵源區(qū))和兩縣(慈利縣、桑植縣)。該市地形復(fù)雜多樣，主要有山地、巖溶、丘陵、崗地和平原等，山地面積占該市國土總面積的76%，海拔高度最大落差達1 400 m；全年4—8月為降水集中期，此期間降水量占全年總降水量的65.0%左右，極易引發(fā)暴雨洪澇及次生災(zāi)害，并造成財產(chǎn)、貨物等重大損失。

1.2 數(shù)據(jù)來源及處理

本文使用的氣象數(shù)據(jù)包括:(1)2016—2020年張家界市3個國家級氣象觀測站逐時降水資料，對該資料采用兩相回歸模型(BENG et al.,2017)進行了均一性檢驗。(2)同期張家界市133個區(qū)域自動氣象站逐時降水資料，該資料經(jīng)過了嚴格審核和篩選，檢驗方法主要為系統(tǒng)閾值自動提醒(每分鐘降水7 mm)、5個臨近站點比較、雷達回波驗證等。本文分析所用的氣象數(shù)據(jù)均通過了湖南省氣象局的審核。

其他數(shù)據(jù):(1)2016—2021年財貨險數(shù)據(jù)。財貨險包括企業(yè)財產(chǎn)、普通家財、建筑工程、投資型家財?shù)缺ｋU種類，所有這些險種記錄均歸入財貨險范圍。(2)2016—2020年暴雨災(zāi)情數(shù)據(jù)。該數(shù)據(jù)來源于各年《張家界年鑒》、張家界市自然災(zāi)害信息專報等。財貨險出險(理賠)數(shù)據(jù)來源于中國人民財產(chǎn)保險股份有限公司湖南省分公司的報表文件，以此構(gòu)建了暴雨引發(fā)的財貨險出險(理賠)數(shù)據(jù)庫。(3)數(shù)字高程模型(digital elevation model，DEM)數(shù)據(jù)。該數(shù)據(jù)為ASTER GDEM V1，是基于星載熱發(fā)射和反輻射計數(shù)據(jù)計算而成，也是目前唯一覆蓋全球陸地表面的高分辨率高程影像數(shù)據(jù)，分辨率30 m×30 m，采用GCS WGS 1984地理坐標(biāo)系，空間范圍為張家界全市(圖1)。

圖1 張家界市地形地貌與氣象站點分布圖(彩色陰影為海拔高度，單位:m)Fig.1 Distribution of meteorological stations and topographic features over Zhangjiajie City.Colored shaded denotes altitude(unit:m).

1.3 研究方法

本文首先分析篩選出各種財貨險致災(zāi)因子。然后，采用優(yōu)勢分析法建立張家界市財貨險出險暴雨綜合致災(zāi)指數(shù)，對出險鄉(xiāng)鎮(zhèn)(街道)、出險次數(shù)、理賠金額分別進行回歸擬合，在此基礎(chǔ)上應(yīng)用最優(yōu)分割法建立張家界市財貨險出險暴雨綜合致災(zāi)指數(shù)閾值。最后，選用實際出險案例對上述財貨險出險暴雨綜合致災(zāi)指數(shù)閾值進行檢驗。

1.3.1 優(yōu)勢分析法

本文在確定與暴雨災(zāi)害密切相關(guān)的致災(zāi)因子的影響權(quán)重時，采用了優(yōu)勢分析法。該法的主要思路是在先驗理論和實證的基礎(chǔ)上，確定一個回歸模型，亦稱為全模型。由全模型衍生出來所有的子模型有2P－1個(P為全模型中致災(zāi)因子個數(shù)，致災(zāi)因子為自變量，本文統(tǒng)一將致災(zāi)因子視為自變量)。如，當(dāng)全模型中致災(zāi)因子(自變量，下同)有3個時，由該模型衍生出來的子模型個數(shù)為23－1，即7個；當(dāng)全模型中的致災(zāi)因子有6個時，由該模型衍生出來的子模型個數(shù)為26－1，即63個。對所有子模型進行全面比較分析后，再對各致災(zāi)因子的相對重要性進行分析。判定各致災(zāi)因子之間相對重要性的標(biāo)準為：在所有子模型中，各致災(zāi)因子的總平均貢獻值占模型方差的百分比。以此判定的相對重要性，既不會夸大、也不會忽視任一自變量(致災(zāi)因子)對因變量的重要性，從而解決了采用傳統(tǒng)的斜率基礎(chǔ)指標(biāo)和方差降低指標(biāo)判定法所存在的問題(孫玉龍等，2021)。

上述各自變量之間的優(yōu)勢關(guān)系分3種，由強至弱依次為完全優(yōu)勢、條件優(yōu)勢、總體優(yōu)勢。完全優(yōu)勢是指各自變量在所有子模型中，其相對重要性序列是恒定的；條件優(yōu)勢是指在平均貢獻情況下，自變量之間的相對重要性序列是恒定的；總體優(yōu)勢是指在總平均貢獻的情況下，自變量之間的相對重要性序列是恒定的(謝寶國和龍立榮，2006)。使用優(yōu)勢分析法，可以避免在確定各自變量相對重要性或權(quán)重系數(shù)過程中人為主觀上的影響，該法是一種基于數(shù)據(jù)驅(qū)動的相對客觀的定量方法(馬金輝等，2014)。

1.3.2 致災(zāi)因子選取及暴雨綜合致災(zāi)指數(shù)的建立

為確定財貨險的暴雨致災(zāi)的因子，本文將暴雨細分為120、96、72、48、24 h五個時段的降水量，同時分析暴雨過程最大小時雨量(120 h內(nèi))和連續(xù)雨日，這樣可得到120、96、72、48、24 h雨量以及最大小時雨量和連續(xù)雨日共7個暴雨致災(zāi)因子。其中，24 h雨量為出險當(dāng)日的降雨量，48 h雨量為出險前1 d至出險當(dāng)日的累積降雨量，以此類推，120 h降雨為出險前4 d至出險當(dāng)日的累積降雨量。

在確定暴雨綜合致災(zāi)指數(shù)時，對上述各致災(zāi)因子數(shù)據(jù)進行標(biāo)準化處理。首先，計算所有暴雨出險案例的最大小時雨量以及120、96、72、48、24 h累積雨量平均值；然后，將實際雨量數(shù)據(jù)除以樣本平均值作為研究樣本數(shù)據(jù)，以各致災(zāi)因子的貢獻率所占百分比作為構(gòu)建暴雨綜合致災(zāi)指數(shù)的權(quán)重系數(shù)；第三，根據(jù)各致災(zāi)指數(shù)的權(quán)重系數(shù)，建立張家界市財貨險出險暴雨綜合致災(zāi)指數(shù)；最后，采用最優(yōu)分割法(吳立等，2016；黃冰潔等，2020)，建立張家界市財貨險出險暴雨綜合致災(zāi)指數(shù)閾值，并以實際案例對其進行檢驗。

1.3.3 顯著性檢驗方法

本文在對張家界財貨出險與致災(zāi)因子以及對暴雨綜合致災(zāi)指數(shù)與出險鄉(xiāng)鎮(zhèn)(街道)數(shù)、理賠金額、出險次數(shù)進行擬合時，通過SBSS計算得出pearson相關(guān)系數(shù)，分別對其進行了顯著性檢驗；另外，對張家界市暴雨引發(fā)的財貨險出險次數(shù)的空間分布進行空間插值時，采用的是反距離加權(quán)法。

2 結(jié)果與分析

2.1 財貨險出險與降雨量的關(guān)系

根據(jù)人保公司對財貨險一般在48 h內(nèi)報案的約定以及在實際操作中又普遍存在大于48 h的報案。表1給出張家界2016—2020年4—8月財貨險出險記錄與相關(guān)的降雨量統(tǒng)計值。

表1 2016—2020年張家界市財貨險出險記錄與降雨量統(tǒng)計Table 1 Property and cargo insurance accident records and the statistics of different rainfall in Zhangjiajie from 2016 to 2020.

由表1可知，2016—2020年張家界市財貨險出險(以下簡稱出險)累計278次，出險涉及58個鄉(xiāng)鎮(zhèn)(街道)計111個次。為了便于掌握主要降雨時段累積降水與財貨險出險情況的關(guān)系，表1還給出各年4月1日—8月31日累積雨量(Rc)。統(tǒng)計張家界市的永定、慈利、桑植三站Rc平均值可知，Rc占三站全年平均降雨量的65%。如，2020年7月18日該市出險24次、出險鄉(xiāng)鎮(zhèn)(街道)15個，均達到其相應(yīng)的峰值，當(dāng)日最大小時雨量為66.3 mm，120、96、72、48、24 h最大雨量分別為193.4、190.8、150.5、149.9、119.9 mm，但計算其相應(yīng)的算術(shù)平均值(對每個出險地的降雨量按各致災(zāi)因子取算術(shù)平均)，結(jié)果分別為23.9、89.3、84.8、67.0、61.2、36.5 mm。計算各年全年出險時的暴雨平均量發(fā)現(xiàn)，雖然2020年最大小時雨量小于2018年(因2018年異常降水日少，出險次數(shù)少，其平均后對應(yīng)的量值高)，但出險次數(shù)、出險鄉(xiāng)鎮(zhèn)(街道)數(shù)要高于2018年。同樣，2016年最大小時雨量及120 h和96 h降雨量均小于2017年、2018年，但2016年出險次數(shù)、出險鄉(xiāng)鎮(zhèn)(街道)數(shù)要高于2017年、2018年。這表明出險次數(shù)、出險鄉(xiāng)鎮(zhèn)(街道)數(shù)同日降雨量異常偏多日數(shù)相關(guān)，即表明4—8月日降雨量異常偏多日數(shù)越多，出險的次數(shù)和鄉(xiāng)鎮(zhèn)(街道)數(shù)也越多。

2.2 財貨險出險次數(shù)的空間分布

從2016—2020年張家界市暴雨引發(fā)的財貨險出險次數(shù)的空間分布圖(圖2)可見，該市出險次數(shù)大致呈東西部少、中部多的特點。同期，全市共有58個鄉(xiāng)鎮(zhèn)(街道)出險，占全市所有鄉(xiāng)鎮(zhèn)(街道)數(shù)的74.4%。其中，永定區(qū)24個鄉(xiāng)鎮(zhèn)(街道)中，有21個出險，占比87.5%；武陵源區(qū)4個鄉(xiāng)鎮(zhèn)(街道)出險，占比66.7%；桑植縣17個鄉(xiāng)鎮(zhèn)(街道)出險，占比63.0%；慈利縣4個鄉(xiāng)鎮(zhèn)(街道)出險，占比64.0%。從出險鄉(xiāng)鎮(zhèn)(街道)累計數(shù)看，慈利縣最多，為121個次；永定區(qū)次之，為89個次；桑植縣49個次；武陵源區(qū)最少，僅19個次。

圖2 2016—2020年張家界市暴雨引發(fā)的財貨險出險次數(shù)的空間分布Fig.2 Spatial distribution of the number of property and cargo accidents caused by torrential rain in Zhangjiajie from 2016 to 2020.

統(tǒng)計該市兩區(qū)兩縣各鄉(xiāng)鎮(zhèn)(或街道)出險次數(shù)表明:慈利縣通津鋪鎮(zhèn)出險次數(shù)最多，達51次；其次是張家界城區(qū)的崇文、大庸橋、南莊坪、永定街道，共31次。出險次數(shù)為0的鄉(xiāng)鎮(zhèn)(街道)有慈利縣的苗市、廣福橋、二坊坪、零溪、高橋、巖泊渡、許家坊、趙家崗、南山坪鎮(zhèn)，桑植縣的八大公山、河口、上河溪、沙塔坪、廖家村、竹葉坪鎮(zhèn)，永定區(qū)的四都坪、陽湖坪、沅古坪鎮(zhèn)。相比其他區(qū)縣，桑植縣的出險范圍最小、出險次數(shù)最少。

另外,2016—2020年財貨險理賠記錄以及湖南人保智慧氣象災(zāi)害風(fēng)控服務(wù)平臺監(jiān)測數(shù)據(jù)顯示，總體上，張家界市低洼地段受暴雨致災(zāi)影響明顯；滑坡也是財貨險出險的主要原因之一，如慈利縣1987—2011年共發(fā)生滑坡事件306次，絕大多數(shù)滑坡事件都發(fā)生在一年中的雨季，滑坡事件次數(shù)與月平均降雨量呈明顯的正相關(guān)(林巍等，2020)。

2.3 暴雨綜合致災(zāi)指數(shù)的研制

暴雨導(dǎo)致出險的原因雖然十分復(fù)雜,但主要仍取決于氣象條件。統(tǒng)計結(jié)果表明，連續(xù)雨日、最大小時雨量及120、96、72、48、24 h降雨量對暴雨導(dǎo)致的出險影響較大。因此，將上述7個氣象因子作為財貨險出險的致災(zāi)因子。表2給出2016—2020年張家界市財貨出險與各致災(zāi)因子的相關(guān)系數(shù)(均通過0.01顯著性水平檢驗)。從中看到，無論是出險次數(shù)還是出險鄉(xiāng)鎮(zhèn)(街道)數(shù)，均與連續(xù)雨日的相關(guān)性最好，最大小時雨量次之，120 h降雨量再次之。

表2 2016—2020年張家界市財貨出險與不同致災(zāi)因子的相關(guān)系數(shù)Table 2 Correlation coefficient between the property and cargo accidents and the different disaster-causing factors in Zhangjiajie from 2016 to 2020.

本文對雨日和連續(xù)雨日的定義，采用《地面氣象觀測規(guī)范》中的標(biāo)準，將日降雨量達到或超過0.1 mm記為一個雨日，連續(xù)2 d及以上日降雨量達到或超過0.1 mm的日數(shù)記為連續(xù)雨日。通過對研究時段張家界市財貨險出險逐日降雨資料的分析發(fā)現(xiàn)，存在出險當(dāng)日至前4 d內(nèi)連續(xù)2 d甚至3 d日降雨量≥0.1 mm但又＜5.0 mm的記錄，這種情況對出險理賠不具說服力，在采用優(yōu)勢分析法建立暴雨綜合致災(zāi)指數(shù)模型時不予考慮。因此，該模型中包含除連續(xù)雨日的其它6個致災(zāi)因子，即最大小時雨量以及120、96、72、48、24 h降雨量，分別以X1、X2、X3、X4、X5、X6表示。以財貨險出險鄉(xiāng)鎮(zhèn)(街道)數(shù)為因變量，計算各致災(zāi)因子被帶入到不含該致災(zāi)因子本身的各個子模型時方程確定系數(shù)(R2)的變化，對這些值相加求平均所得到的結(jié)果即為該致災(zāi)因子的優(yōu)勢權(quán)重(增值貢獻)，其計算式為

其中，xi為全模型中某一致災(zāi)因子；表示當(dāng)xi加入含有k個致災(zāi)因子但不含xi自身的子模型時被解釋致災(zāi)因子的平均貢獻；xh表示除致災(zāi)因子xi之外包含在子模型中的其他k個致災(zāi)因子(馬金輝等，2014)。

因此，致災(zāi)因子對于出險鄉(xiāng)鎮(zhèn)(街道)數(shù)的總平均貢獻(Cxi)的計算式為

各致災(zāi)因子的總平均貢獻大小反映其各自的重要程度。由式(1)—(2)統(tǒng)計計算出張家界市2016—2020年上述6個致災(zāi)因子對財貨險的增值貢獻及總平均貢獻，其結(jié)果見表3。

表3 張家界市2016—2020年各致災(zāi)因子對財貨險的增值貢獻及總平均貢獻Table 3 Value-added contribution and averaged total contribution of the different disaster-causing factors to the property and cargo insurance in Zhangjiajie from 2016 to 2020.

根據(jù)本文第1.3.1節(jié)對優(yōu)勢分析法的介紹，6個致災(zāi)因子其所衍生的子模型多達63個(受篇幅所限，未一一列出)，因此文中僅列出經(jīng)過合并計算后的各致災(zāi)因子的增值貢獻值。由表3看到，X3完全優(yōu)勢于X2、X5，即96 h降雨完全優(yōu)勢于120 h和48 h降雨。因為在子模型中不包含任何變量的情況下(k=0)，當(dāng)分別加入變量X3、X2時，有CX3＞CX2，即1.391 0＞1.309 0；分別加入變量X3、X5時，有CX3＞CX5，即1.391 0＞1.355 0；在子模型含任意2個變量的情況下(k=1)，有CX3＞CX2、CX3＞CX5，即0.010 4＞0.004 0、0.010 4＞0.002 4；在子模型含任意3個變量的情況下(k=2)，有CX3＞CX2、CX3＞CX5，即0.007 7＞0.002 1、0.007 7＞0.000 8；在子模型含任意4個變量的情況下(k=3)，有CX3＞CX2、CX3＞CX5，即0.004 9＞0.002 4、0.004 9＞0.001 2；在子模型含任意5個變量的情況下(k=4)，有CX3＞CX2、CX3＞CX5，即0.002 2＞0.001 8、0.002 2＞0.000 4；在子模型含6個變量的情況下(k=5)，CX3、CX2、CX5的貢獻值均為0。以上分析表明，本文在分析各致災(zāi)因子相互間的條件優(yōu)勢時，只要不含X2，則CX3＞CX1、CX3＞CX4，即不考慮120 h降雨時，96 h降雨優(yōu)勢于最大小時雨量和72 h降雨。

總體上，上述6個致災(zāi)因子中，CX3＞CX4、CX3＞CX6，即96 h降雨優(yōu)勢于72 h和24 h降雨；同理，24 h降雨優(yōu)勢于最大小時雨強、120 h降雨，即在對出險次數(shù)進行預(yù)測時，致災(zāi)因子中的96 h降雨量的百分比最高，為28.6%；72 h降雨量次之，其百分比為20.1%，24 h降雨、最大小時雨量的貢獻度再次之，分別為17.4%和16.6%；48 h降雨的貢獻度最低，僅5.5%。

根據(jù)各致災(zāi)因子對財貨險的增值貢獻及總平均貢獻占比，以其占比作為構(gòu)建暴雨綜合致災(zāi)指數(shù)的權(quán)重系數(shù)，建立如下張家界市財貨險出險暴雨綜合致災(zāi)指數(shù)(I)模型，即

2.4 暴雨綜合致災(zāi)指數(shù)與出險鄉(xiāng)鎮(zhèn)(街道)數(shù)、理賠金額、出險次數(shù)的擬合

將由式(3)計算得到的暴雨綜合致災(zāi)指數(shù)(I)分別與張家界市財貨險出險鄉(xiāng)鎮(zhèn)(街道)數(shù)、理賠金額、出險次數(shù)進行回歸擬合，其結(jié)果見圖3。

從圖3中可見，I較小時，出險鄉(xiāng)鎮(zhèn)(街道)數(shù)較少，隨著I增大，出險鄉(xiāng)鎮(zhèn)(街道)數(shù)相應(yīng)增加(圖3a)，其中R2為0.287，相關(guān)系數(shù)(R)為0.536，通過了0.01顯著性水平檢驗，表明兩者擬合效果較好、相關(guān)性較高，I能夠反映出險鄉(xiāng)鎮(zhèn)(街道)數(shù)變化。再從I與理賠金額的擬合看(圖3b)，R2為0.071，相關(guān)系數(shù)為0.266，也通過0.01顯著性水平檢驗，同樣表明兩者擬合效果較好且高度相關(guān)。另從I和出險次數(shù)的擬合看(圖3c)，R2為0.238，相關(guān)系數(shù)為0.488，亦通過0.01顯著性水平檢驗，表明兩者擬合效果較好且具有顯著相關(guān)性。

圖3 2016—2020年張家界市暴雨綜合致災(zāi)指數(shù)與出險鄉(xiāng)鎮(zhèn)(街道)個數(shù)(a)、理賠金額(b)、出險次數(shù)(c)的擬合Fig.3 Fitting of the torrential rain comprehensive disaster-causing index and(a)accident town or street number,(b)claim amount and(c)accident number in Zhangjiajie from 2016 to 2020.

2.5 暴雨綜合致災(zāi)指數(shù)閾值設(shè)定

財貨險理賠實踐表明，出險鄉(xiāng)鎮(zhèn)(街道)個數(shù)反映出險范圍大小，出險次數(shù)反映發(fā)生出險的難易程度(有些鄉(xiāng)鎮(zhèn)從未有出險記錄，而有些鄉(xiāng)鎮(zhèn)遇暴雨必致災(zāi))，雖然出險鄉(xiāng)鎮(zhèn)(街道)數(shù)和出險次數(shù)二者緊密相關(guān),但又不完全一致。因此，在暴雨綜合致災(zāi)指數(shù)(I)閾值的設(shè)定上不能籠統(tǒng)地規(guī)定為一個閾值。為更好地表征暴雨綜合出險閾值，分別按照出險范圍、理賠金額、出險次數(shù)劃分財貨出險等級如下:

(1)根據(jù)出險特征并結(jié)合湖南氣象災(zāi)害特點，與保險專家共同研究，確定按照每日出險鄉(xiāng)鎮(zhèn)(街道)個數(shù)，將財貨出險分為四個等級：輕度[出險鄉(xiāng)鎮(zhèn)(街道)1個]、中度[出險鄉(xiāng)鎮(zhèn)(街道)2～5個]、重度[出險鄉(xiāng)鎮(zhèn)(街道)6～10個]和特重[出險鄉(xiāng)鎮(zhèn)(街道)10個以上]。

(2)對于財貨險理賠金額(保單等級)，人保公司無具體定義，即沒有財產(chǎn)、貨物的等級標(biāo)準，但人保公司根據(jù)保額大小，自行界定了是否大額保單、重點客戶等。遵循保額決定保費原則，保額越高，其保費越高，反之保額越少，其保費越少。本文在分析財貨險出險等級時，主要依據(jù)賠償金額來劃分，根據(jù)不同理賠案金額，將出險劃分為輕度(賠案金額1萬元以下)、中度(賠案金額10～99萬元)、重度(賠案金額100～500萬元)和特重(賠案金額500萬元以上)。

(3)根據(jù)不同出險次數(shù)(以實際出險統(tǒng)計)，將出險劃分為輕度(每日出險1次)、中度(每日出險2～5次)、重度(每日出險6～10次)和特重(每日出險10次以上)。

依據(jù)上述基于出險范圍、理賠金額、出險次數(shù)的出險等級，表4給出2016—2020年張家界市財貨險出險等級劃分標(biāo)準及其所占百分比。

表4 2016—2020年張家界市財貨險出險等級劃分標(biāo)準Table 4 Level standard of property and cargo insurance accident in Zhangjiajie from 2016 to 2020.

從實際出險情況看，出險范圍不同于出險次數(shù)，若同一個鄉(xiāng)鎮(zhèn)(街道)出險2次，依照出險范圍上記為輕度出險，因是同一鄉(xiāng)鎮(zhèn)(街道)，不管該鄉(xiāng)鎮(zhèn)(街道)出險幾次，在出險范圍上都記為1個，即為輕度。但由出險次數(shù)判別，則為2次，記為中度出險。若出險次數(shù)為6次，則記為重度出險。因此，在設(shè)計暴雨綜合致災(zāi)指數(shù)閾值時對出險等級需要精細考慮。

在實際設(shè)計暴雨綜合致災(zāi)指數(shù)閾值時，分別以出險鄉(xiāng)鎮(zhèn)(街道)總個數(shù)、理賠總金額、出險總次數(shù)為基礎(chǔ)，采用最優(yōu)分割法(吳立等，2016；黃冰潔等，2020)，對張家界暴雨引發(fā)的財貨險案例進行等級劃分，各等級起訖點為客觀確定，所分各等級內(nèi)離差平方和最小化的分割即為最優(yōu)分割。實踐中，最優(yōu)分割通過SBSS軟件進行Fisher判別實現(xiàn)。最優(yōu)分割結(jié)果表明:當(dāng)出險鄉(xiāng)鎮(zhèn)(街道)個數(shù)為1、4、9個時，財貨險出險等級表現(xiàn)為最佳分割；出險次數(shù)為1、3、8次時，財貨險出險等級即為最佳分割；理賠金額為8 000、55 000、640 000元時，財貨險出險等級達到最佳分割，但理賠金額普遍低于實際值，其閾值不具代表性，僅作參考，不用作檢驗?？梢?，使用表征暴雨引發(fā)財貨險出險強度和范圍的出險次數(shù)、出險鄉(xiāng)鎮(zhèn)(街道)數(shù)設(shè)計暴雨綜合致災(zāi)指數(shù)閾值較理賠金額更科學(xué)、更客觀。因為根據(jù)張家界市自然災(zāi)害信息專報等資料可掌握當(dāng)?shù)乇┯曛聻?zāi)情況，但理賠金額完全取決于投保情況，而投保情況具有較大的不確定性，如去年對某個財貨投保、今年卻不再投保，又或很多受災(zāi)財貨由于種種原因，可能一直就未投保但實際又受了災(zāi)，這幾種情況不能通過理賠金額體現(xiàn)，但可以出險次數(shù)、出險鄉(xiāng)鎮(zhèn)(街道)數(shù)來衡量，從而判定暴雨導(dǎo)致的出險情況。為此，分別計算最佳等級分割點所對應(yīng)的暴雨綜合致災(zāi)指數(shù)(I)，即為張家界市財貨險不同災(zāi)情等級的暴雨綜合致災(zāi)指數(shù)閾值，其結(jié)果見表5。

表5 2016—2020年張家界市各財貨險指標(biāo)不同災(zāi)情等級的暴雨綜合致災(zāi)指數(shù)閾值Table 5 Threshold of torrential rain comprehensive disaster-causing index for the different property and cargo insurance index with different disaster levels in Zhangjiajie from 2016 to 2020.

3 暴雨綜合致災(zāi)指數(shù)閾值檢驗

為檢驗上述暴雨綜合致災(zāi)指數(shù)閾值的合理性，以2021年5—8月張家界市暴雨致災(zāi)案例為樣本，最終篩選出符合檢驗條件的21個致災(zāi)案例。使用公式(3)計算得到每個致災(zāi)案例的暴雨綜合致災(zāi)指數(shù)，對照表5中的不同災(zāi)情等級，分別以出險鄉(xiāng)鎮(zhèn)(街道)1、4、9個以及出險次數(shù)1、3、8次為災(zāi)情等級分割點，對照實際等級為輕度、重度、重度、特重4個等級的案例個數(shù)，統(tǒng)計分析該等級標(biāo)準下不同案例個數(shù)，其結(jié)果見表6，其中，準確個數(shù)為實際等級和預(yù)測等級一致的案例數(shù)，準確率為準確個數(shù)占檢驗案例個數(shù)的百分比。

表6 張家界市暴雨綜合致災(zāi)指數(shù)閾值的檢驗結(jié)果Table 6 Test results of the threshold of torrential rain comprehensive disaster-causing index in Zhangjiajie.

上述供檢驗的案例共有21個，其中，輕度、中度、重度分別為10、10、1個。從表6中看出，輕度等級的檢驗結(jié)果為9個(誤判2個，漏判1個)，準確率為70%，中度等級檢驗結(jié)果是10個(誤判4個)，準確率為70%，重度等級案例1個，準確率達100%?？傮w上，21個案例中，15個檢驗準確，準確率71.4%。

4 結(jié)論與討論

本文利用氣象、財貨險、暴雨災(zāi)情等資料，采用優(yōu)勢分析方法，從出險與降雨的關(guān)系、出險時空分布、理賠金額等方面，對暴雨綜合致災(zāi)指數(shù)閾值進行分析研究。主要得到如下幾點結(jié)論：

(1)張家界市2016—2020年財貨險出險次數(shù)共計278次，其空間分布大致呈東西部少、中部多的特點；全市共有58個鄉(xiāng)鎮(zhèn)(街道)出險，占全市所有鄉(xiāng)鎮(zhèn)(街道)數(shù)的74.4%，其中，永定區(qū)24個鄉(xiāng)鎮(zhèn)(街道)中有21個出險，占比最高，為87.5%，桑植縣比例最低，為63.0%；從出險鄉(xiāng)鎮(zhèn)(街道)累計數(shù)看，慈利縣最多，永定區(qū)次之；從出險鄉(xiāng)鎮(zhèn)(街道)數(shù)占比看，武陵源區(qū)高于桑植縣。

(2)暴雨綜合致災(zāi)指數(shù)主要與6個致災(zāi)因子有關(guān)，其中96 h降雨量貢獻度最高，為28.6%；72 h降雨量次之，為20.1%；48 h降雨貢獻度最低，為5.5%。模擬財貨險出險鄉(xiāng)鎮(zhèn)(街道)數(shù)、理賠金額、出險次數(shù)的等級與實際災(zāi)情等級相關(guān)性較好，均通過了0.01顯著性水平檢驗。

(3)使用表征暴雨引發(fā)財貨險出險強度和范圍的出險次數(shù)、出險鄉(xiāng)鎮(zhèn)(街道)數(shù)設(shè)計暴雨綜合致災(zāi)指數(shù)閾值較理賠金額更科學(xué)、更客觀。

(4)選取2021年5—8月張家界市暴雨致災(zāi)案例檢驗分析表明，建立的暴雨綜合致災(zāi)指數(shù)閾值的準確率為71.4%，其中，輕度、中度、重度災(zāi)情等級的準確率分別為70%、70%和100%，因而建立的暴雨綜合致災(zāi)指數(shù)閾值可用于張家界市財貨險專業(yè)氣象服務(wù)。

需要指出的是，檢驗結(jié)果中重度等級準確率達100%，但僅1個案例不能很好地說明問題，隨著重度等級案例個數(shù)的增加，準確率可能會下降。另外，檢驗樣本中因無特重等級，其準確率如何尚待檢驗。本文在暴雨綜合致災(zāi)指數(shù)的研究上，全市統(tǒng)一設(shè)計，閾值不再按區(qū)縣劃分。若是研究包含有山地、丘陵、平原等地形的大面積區(qū)域，需要按地形細分閾值，則更有針對性和科學(xué)性。本文研究中使用的方法、技術(shù)可以推廣應(yīng)用到保險業(yè)財貨險暴雨災(zāi)害致災(zāi)閾值分析和檢驗，研究中取得的成果可應(yīng)用于保險氣象服務(wù)業(yè)務(wù)中。因此，建議暴雨災(zāi)害較為嚴重區(qū)域的地方政府加強與相關(guān)保險機構(gòu)的聯(lián)系和溝通，建立基于暴雨致災(zāi)閾值的先行賠付機制，探索開發(fā)暴雨指數(shù)保險產(chǎn)品。暴雨綜合致災(zāi)指數(shù)及其閾值是開展財貨險專業(yè)氣象服務(wù)的有益探索，下一步將根據(jù)降雨時間、降雨范圍、降雨強度，開展提前發(fā)布財貨險預(yù)報預(yù)警服務(wù)，切實提高財貨險氣象服務(wù)的針對性，發(fā)揮氣象防災(zāi)減災(zāi)的保障作用。