王江波, 顧夢瑤, 吳宇凡, 茍愛萍

(1.南京工業(yè)大學(xué)建筑學(xué)院,江蘇 南京 211816;2.江蘇省城鎮(zhèn)化和城鄉(xiāng)規(guī)劃研究中心,江蘇 南京 210036;3.上海應(yīng)用技術(shù)大學(xué)生態(tài)技術(shù)與工程學(xué)院,上海 201418)

0 引言

廣東省處于亞熱帶季風(fēng)氣候區(qū),受熱帶海洋氣團(tuán)和極地大陸氣團(tuán)的交替控制,加之地質(zhì)構(gòu)造較為復(fù)雜、地勢起伏較大,臺風(fēng)、洪澇、風(fēng)暴潮、地質(zhì)災(zāi)害等復(fù)雜自然災(zāi)害頻發(fā),高強(qiáng)度的人類活動(dòng)加劇了這些災(zāi)害的發(fā)生頻率與威脅范圍。獨(dú)特的自然地理環(huán)境使廣東省自然災(zāi)害呈現(xiàn)種類多、成災(zāi)強(qiáng)度大、發(fā)生頻率高、影響范圍廣、突發(fā)性強(qiáng)、多種災(zāi)害交替出現(xiàn)或同時(shí)出現(xiàn)等特點(diǎn)。廣東省坐擁粵港澳大灣區(qū)內(nèi)9個(gè)核心城市,且背后擁有廣闊腹地,作為承接粵港澳大灣區(qū)的戰(zhàn)略高地和“一帶一路”沿線城市對外開放的窗口,其戰(zhàn)略地位不言而喻,但頻發(fā)的自然災(zāi)害給廣東省的經(jīng)濟(jì)發(fā)展和生態(tài)環(huán)境帶來重大影響。因此,研究廣東省自然災(zāi)害的災(zāi)情,對于政府部門制定全省防災(zāi)減災(zāi)規(guī)劃、加強(qiáng)災(zāi)害動(dòng)態(tài)監(jiān)測預(yù)警、提高防災(zāi)工作的科學(xué)性與時(shí)效性具有重大現(xiàn)實(shí)意義。

近年來,國內(nèi)外眾多學(xué)者針對自然災(zāi)害災(zāi)情評估開展大量研究,國外有關(guān)重大自然災(zāi)害的災(zāi)情評估,已經(jīng)形成一定的技術(shù)框架,并輔以較成熟的技術(shù)手段與信息平臺,主要有災(zāi)害損失與需求評估框架(the damage loss and needs assessment,DaLA)、美國國家多災(zāi)種評估系統(tǒng)(the hazards united states-multi-hazard,HAZUS-MH)[1]、澳大利亞應(yīng)急管理署的災(zāi)害損失評估框架(emergency management australia-disaster loss assessment,EMA-DLA)[2]、災(zāi)害社會(huì)經(jīng)濟(jì)與環(huán)境影響評估框架(estimating the socio-economic and environment effects of disasters,ECLAC)[3]和災(zāi)后需求評估框架(post disaster needs assessment,PDNA)[4]5個(gè)國際主流災(zāi)害損失評估體系,各評估系統(tǒng)的評估理念、內(nèi)容、方法有一定差異。國內(nèi)的災(zāi)情評估研究也取得大量優(yōu)秀成果,馬宗晉等[5]提出基于基礎(chǔ)上報(bào)統(tǒng)計(jì)數(shù)據(jù)的定性分析。隨著研究的深入,災(zāi)情評定的量化方法也逐漸增多[6-8],一定程度上突破了基于統(tǒng)計(jì)上報(bào)數(shù)據(jù)進(jìn)行災(zāi)情損失評估的局限[9]。

隨著學(xué)科交叉程度的提高,自然災(zāi)害災(zāi)情量化的評估模型和多指標(biāo)綜合評估逐漸成為研究熱點(diǎn)。目前評估模型主要包括模糊綜合評判法[10]、灰色聚類法[11]、主成分分析法[12]等。由于數(shù)理模型本身的特性,此類模型存在一定局限性,如主成分分析法在透析指標(biāo)時(shí)一定程度上將部分重要信息忽略,且評估指標(biāo)越多,重要信息被忽略的越多[13-14]?；诙嘀笜?biāo)的綜合評價(jià)方法能夠較全面地反映較大范圍研究區(qū)域的災(zāi)情分布情況,基于該方法目前有較多優(yōu)秀成果。綜合災(zāi)情指數(shù)是由程立海等[15]學(xué)者提出,其核心思路是集成不同維度的指標(biāo)為一個(gè)綜合指數(shù),眾多學(xué)者基于該思路對不同尺度的災(zāi)害評定進(jìn)行了深入研究與探索[16-19]。

災(zāi)害影響因素方面,我國學(xué)者的研究多關(guān)注經(jīng)濟(jì)損失與經(jīng)濟(jì)水平、受災(zāi)人口與人口數(shù)量等對應(yīng)因素的關(guān)聯(lián)性。研究方法上,學(xué)者多采用統(tǒng)計(jì)學(xué)方法和空間計(jì)量學(xué)方法[20-23]。王勁峰等[24]提出地理探測器模型可量化地理空間中自變量對因變量的解釋力,能精確計(jì)算單因子及因子間交互對因變量空間分異的解釋力,并在自然地理[25-26]、人文地理[27-28]、應(yīng)用生態(tài)分析[29]、災(zāi)害分析[30-31]等學(xué)科領(lǐng)域得到廣泛應(yīng)用。

綜上所述,由于學(xué)科視角、評估災(zāi)種、評估尺度不同,災(zāi)情評估方法眾多且差異性較大,尚未形成權(quán)威、統(tǒng)一的方法論。廣東省作為我國災(zāi)害頻發(fā)的地區(qū),其自然災(zāi)害相關(guān)研究較為豐富,多集中于臺風(fēng)、熱帶氣旋的單災(zāi)種研究,或是對單個(gè)地級市的災(zāi)情研究,缺少省域范圍的災(zāi)情研究。

自然災(zāi)害給社會(huì)經(jīng)濟(jì)與生命安全帶來巨大損失,鑒于廣東省重要戰(zhàn)略地位和防災(zāi)減災(zāi)轉(zhuǎn)型的迫切要求。研究廣東省自然災(zāi)害災(zāi)情的時(shí)空分布規(guī)律,分析其背后的影響機(jī)制是開展科學(xué)防災(zāi)減災(zāi)工作的重要基礎(chǔ)。因此,本文以廣東省1999—2018年自然災(zāi)害損失基本數(shù)據(jù)為基礎(chǔ),利用CRITIC(criteria importance though intercrieria correlation)權(quán)重法構(gòu)建綜合災(zāi)情指數(shù)模型,同時(shí),利用地理探測器從多因子角度對廣東省自然災(zāi)害災(zāi)情從時(shí)間、空間上開展研究,探究其變化特征和影響因素,希望研究成果能夠?qū)Π踩罏?zāi)與韌性建設(shè)決策起到參考與輔助作用。

1 研究區(qū)域概況和研究方法

1.1 廣東省概況

廣東省位于中國大陸南部,與香港、澳門、廣西、湖南、江西及福建接壤,與海南隔海相望[32],下轄21個(gè)地級市。全省陸地面積約17.9萬km2,島嶼面積約1592.7km2,屬東亞季風(fēng)氣候區(qū),降雨充沛,年平均降水量在1300～2500mm,地勢北高南低,地形復(fù)雜,以山地和丘陵為主,主要分布在北部、西北部、粵東和粵西沿海地區(qū)[33]。2021年廣東地區(qū)生產(chǎn)總值已達(dá)12.44萬億元,但省內(nèi)經(jīng)濟(jì)發(fā)展水平存在嚴(yán)重的區(qū)域差異。

1.2 研究方法

1.2.1 綜合災(zāi)情指數(shù)

綜合災(zāi)情指數(shù)(synthetical disaster condition index,SDI)是由學(xué)者程立海[15]開發(fā)的多指標(biāo)評估算法,其本質(zhì)是基于綜合評價(jià)法的數(shù)理模型,通過構(gòu)建不同的指標(biāo)層結(jié)合一定的數(shù)學(xué)模型將多個(gè)評價(jià)因子濃縮至一個(gè)整體,對給定時(shí)間范圍內(nèi)的地區(qū)災(zāi)害損失情況進(jìn)行總體衡量。

(1)評估指標(biāo)選取。國家標(biāo)準(zhǔn)化管理委員會(huì)2009年發(fā)布了GB/T 24438.1—2009《自然災(zāi)害災(zāi)情統(tǒng)計(jì) 第1部分:基本指標(biāo)》,該標(biāo)準(zhǔn)規(guī)范了災(zāi)情統(tǒng)計(jì)的28項(xiàng)基本指標(biāo),將這些基本指標(biāo)按不同維度分成4大類,包括人口維度、農(nóng)作物維度、基礎(chǔ)設(shè)施維度、經(jīng)濟(jì)維度。人口受災(zāi)情況、農(nóng)作物受災(zāi)情況、房屋倒損情況和直接經(jīng)濟(jì)損失是過去和當(dāng)前自然災(zāi)害災(zāi)情統(tǒng)計(jì)的核心內(nèi)容。結(jié)合廣東省已有數(shù)據(jù)與統(tǒng)計(jì)年鑒的實(shí)際情況,選取受傷人口、受災(zāi)人口、死亡人口、農(nóng)作物受災(zāi)面積、房屋倒損數(shù)量、直接經(jīng)濟(jì)損失6個(gè)參數(shù)作為本文綜合災(zāi)情指數(shù)模型中的基本指標(biāo),如圖1。

圖1 綜合災(zāi)情指數(shù)模型示意圖

(2)數(shù)據(jù)預(yù)處理。指標(biāo)間關(guān)系相互獨(dú)立,各指標(biāo)的特征、統(tǒng)計(jì)單位不同,將各指標(biāo)進(jìn)行無量綱化處理。在進(jìn)行無量綱化前,先對數(shù)據(jù)進(jìn)行預(yù)處理,以免影響分析結(jié)果。數(shù)據(jù)預(yù)處理包括2個(gè)步驟:①對0值指標(biāo)及極端指標(biāo)進(jìn)行剔除處理;②對直接經(jīng)濟(jì)損失指標(biāo)的折算,通貨膨脹會(huì)造成經(jīng)濟(jì)指標(biāo)統(tǒng)計(jì)數(shù)值的變化,因此,基于國家統(tǒng)計(jì)局公布的累積消費(fèi)價(jià)格指數(shù)(consumer price index,CPI)對直接經(jīng)濟(jì)損失數(shù)據(jù)進(jìn)行轉(zhuǎn)換。由于自然災(zāi)害具有偶發(fā)性,并不服從正態(tài)分布,故不適用標(biāo)準(zhǔn)化消除數(shù)據(jù)差異性的方法進(jìn)行無量綱化處理。歸一化原理是對原始數(shù)據(jù)進(jìn)行線性變換,將其映射到[0,1]之間,是做線性模型預(yù)處理的關(guān)鍵,故本文選取歸一化進(jìn)行無量綱處理。

(3)CRITIC權(quán)重分析。CRITIC權(quán)重法是利用數(shù)據(jù)波動(dòng)性或數(shù)據(jù)相關(guān)性大小計(jì)算權(quán)重,能較好地利用數(shù)據(jù)本身的客觀屬性進(jìn)行科學(xué)評價(jià)[34]。為更客觀地呈現(xiàn)廣東省1999—2018年災(zāi)情變化規(guī)律,利用該方法確定綜合災(zāi)情指數(shù)評價(jià)指標(biāo)中各指標(biāo)之間的權(quán)重。將無量綱處理后的數(shù)據(jù)代入CRITIC權(quán)重法進(jìn)行分析,見表1。

表1 各項(xiàng)指標(biāo)權(quán)重分布

由表1可得,死亡人口權(quán)重占比最高,符合人道主義價(jià)值的判定,其次是農(nóng)作物受災(zāi)面積,權(quán)重占比最小的是受災(zāi)人口指標(biāo)。

由于極端值在一定程度上會(huì)影響數(shù)據(jù)分布情況,進(jìn)而影響其波動(dòng)性和相關(guān)性,雖然CRITIC權(quán)重法確定的指標(biāo)值是根據(jù)指標(biāo)間相關(guān)性來確定,對極端值敏感度較低,但為了確保極端值對最終權(quán)重影響可控,故討論去掉2017和2018年極端值(由臺風(fēng)“天鴿”和“山竹”導(dǎo)致的極端值),見表2。

表2 去掉極端值后的權(quán)重分布

從表2可以看出,原本權(quán)重最小的受災(zāi)人口指標(biāo)變?yōu)榉课莸箵p數(shù)量指標(biāo),權(quán)重最大的死亡人口指標(biāo)依舊不變,可見,極端值對客觀權(quán)重的確定存在一定影響,但由于整體變化情況控制在方差0.012,評價(jià)結(jié)果變化不大,所以,為確保評價(jià)結(jié)果客觀呈現(xiàn),最終綜合災(zāi)情指數(shù)模型中保留2017與2018年時(shí)間序列數(shù)據(jù)。

1.2.2 地理探測器

地理探測器既可以檢驗(yàn)單變量的空間分異性(stratified heterogeneity),也可以通過檢驗(yàn)2個(gè)變量空間分布的耦合性(coupling)來探測變量間可能的因果關(guān)系。本文利用地理探測器中的因子探測分析災(zāi)情中各因子的影響力與貢獻(xiàn)度,利用交互探測分析各因子之間的交互作用。

災(zāi)情影響因素研究表明[35],降水、溫度、濕度等表征氣候(氣象)的指標(biāo)與自然災(zāi)害災(zāi)情大小息息相關(guān)。此外,一個(gè)地區(qū)的經(jīng)濟(jì)發(fā)達(dá)水平、人群素質(zhì)程度、政府公共管理能力等社會(huì)經(jīng)濟(jì)因素也與災(zāi)害損失程度有關(guān)。基于前人研究[36],結(jié)合廣東省處于季風(fēng)氣候區(qū)且地勢復(fù)雜的實(shí)際情況選取地理探測器的影響因子,包括極端氣候因子、地形地表因子、基礎(chǔ)建設(shè)因子、防災(zāi)減災(zāi)因子。其中,極端降雨、極端高溫、極端強(qiáng)風(fēng)等因子表征極端氣候因子,采用單個(gè)站點(diǎn)氣候要素(氣溫、降水、風(fēng)速)超過特定界限值的記錄次數(shù)來定義極端氣候事件;地形地表因子選取高程標(biāo)準(zhǔn)差因子、坡度因子、有可能誘發(fā)地質(zhì)災(zāi)害的植被覆蓋率因子、有可能誘發(fā)洪澇災(zāi)害的河網(wǎng)密度因子。結(jié)合該地區(qū)經(jīng)濟(jì)社會(huì)差異和防災(zāi)工程投入差異,選取人口密度因子、建設(shè)密度因子、耕地密度因子、地區(qū)生產(chǎn)總值因子代表基礎(chǔ)建設(shè)水平。當(dāng)?shù)厝巳菏芙逃潭?、醫(yī)療水平、防災(zāi)工程的投入等能一定程度上減輕自然災(zāi)害帶來的影響?；诖?本文選取人群受教育程度、人均醫(yī)療水平、人均綠地面積、防洪堤長度、通車?yán)锍痰纫蜃幼鳛榉罏?zāi)減災(zāi)因子。人群受教育程度因子為地區(qū)高等院校在校人數(shù)與當(dāng)年常住人口數(shù)的比;當(dāng)?shù)厝司t(yī)療水平因子為地區(qū)醫(yī)院總床位數(shù)與當(dāng)年常住人口的比;公共綠地可以很好調(diào)節(jié)地區(qū)微氣候,減少誘發(fā)自然災(zāi)害的可能性,除此之外,公共綠地作為開敞空間也是自然災(zāi)害來臨時(shí)較好的避難場所,選用地區(qū)公園綠地面積與常住人口的比表示人均綠地因子;防洪堤長度表示防災(zāi)工程投入因子;通車?yán)锍瘫硎窘煌ㄍㄟ_(dá)度因子。廣東省災(zāi)害影響因子及量化方法,見表3。

表3 災(zāi)害影響因子及量化方法

1.3 數(shù)據(jù)來源

本文選取表征自然災(zāi)害損失的數(shù)據(jù)來自《廣東省防災(zāi)減災(zāi)年鑒》《廣東農(nóng)村統(tǒng)計(jì)年鑒》;極端氣候數(shù)據(jù)來源于國家氣象信息中心實(shí)時(shí)庫;高程數(shù)據(jù)來源于SRTM DEM 90m分辨率的柵格數(shù)據(jù);植被覆蓋率數(shù)據(jù)、巖性數(shù)據(jù)、土地利用數(shù)據(jù)均來源于中國科學(xué)院地理科學(xué)與資源研究所,數(shù)據(jù)類型為柵格數(shù)據(jù),精度為100m;廣東省土地面積、人口密度、地區(qū)生產(chǎn)總值等基礎(chǔ)數(shù)據(jù)來源于1999—2018年歷年《廣東統(tǒng)計(jì)年鑒》《廣東建設(shè)年鑒》《廣東農(nóng)村年鑒》;廣東省自然資源廳、廣東省應(yīng)急管理廳、廣東省財(cái)政廳等政府網(wǎng)站發(fā)布的救災(zāi)情況、公共預(yù)算支出等數(shù)據(jù)作為本文的參考與補(bǔ)充數(shù)據(jù)。上述源數(shù)據(jù)根據(jù)分布性質(zhì)與廣東省省情,基于R語言對數(shù)據(jù)進(jìn)行處理,所有數(shù)據(jù)重采樣到空間分辨率為5km。

2 廣東省自然災(zāi)害災(zāi)情時(shí)空變化特征

2.1 時(shí)間演變規(guī)律

(1)綜合災(zāi)情指數(shù)總體處于微弱上升趨勢,如圖2。由圖2可知,廣東省20年間的綜合災(zāi)情指數(shù)在0.212～0.596之間,平均值為0.339,高值區(qū)間為0.339～0.596,低值區(qū)間為0.212～0.339。最低年份為2007年,最高年份為2013年,高低年之間相差2.5倍。

圖2 廣東省1999—2018年綜合災(zāi)情指數(shù)變化

2013年,廣東省入汛偏早,熱帶氣旋登陸和影響頻繁,降雨偏多且暴雨洪澇影響期集中,先后出現(xiàn)6月1305號熱帶風(fēng)暴“貝碧嘉”、7月初1306號強(qiáng)熱帶風(fēng)暴“溫比亞”、7月中旬1307號超強(qiáng)臺風(fēng)“蘇力”、8月初1309號強(qiáng)熱帶風(fēng)暴“飛燕”、8月中旬1311號超強(qiáng)臺風(fēng)“尤特”、8月下旬1312號臺風(fēng)“潭美”、9月下旬1319號超強(qiáng)臺鳳“天兔”、11月上中旬1330號超強(qiáng)臺風(fēng)“海燕”等熱帶氣旋。據(jù)省三防辦統(tǒng)計(jì),全省共出現(xiàn)29場暴雨過程,平均降雨量達(dá)2179.3mm,較常年同期偏多約23%,是有氣象記錄以來歷史同期的第五位[37]?！褒堉鬯卑l(fā)生較早,平均降水量較常年偏多10.7%,導(dǎo)致部分地區(qū)發(fā)生嚴(yán)重的洪澇災(zāi)害。多地出現(xiàn)百年一遇的短歷時(shí)降雨,多條江河出現(xiàn)超過預(yù)警的特大洪水,部分出現(xiàn)超歷史實(shí)測最大洪水和最高風(fēng)暴潮位。一年中有7條中小河流出現(xiàn)特大洪水,為歷史罕見。

(2)年際間綜合災(zāi)情指數(shù)波動(dòng)較劇烈,大小災(zāi)年交替明顯。從圖2可知,20年來廣東省自然災(zāi)害綜合災(zāi)情指數(shù)波動(dòng)較大。對綜合災(zāi)情指數(shù)運(yùn)用基礎(chǔ)統(tǒng)計(jì)學(xué)方法進(jìn)行描述性分析,見表4。對比表4和圖2可知,中位數(shù)為0.300,最靠近中位數(shù)的年份是2005和2016年。變異系數(shù)為33.522%,說明數(shù)據(jù)離散程度較大,即20年間綜合災(zāi)情指數(shù)波動(dòng)較大,大小災(zāi)年交替明顯。

表4 基礎(chǔ)統(tǒng)計(jì)學(xué)描述分析

2.2 空間分異規(guī)律

(1)廣東省20年間21個(gè)地級市的絕對綜合災(zāi)情指數(shù)范圍為0.003～0.391,可見空間分異程度較大,見表5。

表5 1999—2018年各地市綜合災(zāi)情指數(shù)統(tǒng)計(jì)

由表5可知,綜合災(zāi)情指數(shù)茂名市最高為0.391,深圳最低為0.003,城市分布呈邊緣高—中間低的格局,在空間上無明顯集中趨勢。從區(qū)域分布來說,平均綜合災(zāi)情指數(shù)粵西地區(qū)最高,大灣區(qū)九市最低。

(2)廣東省20年自然災(zāi)害災(zāi)情時(shí)空分布特征一定程度上印證了自然災(zāi)害具有偶發(fā)性、隨機(jī)性的特性。為進(jìn)一步歸納并總結(jié)其時(shí)空格局演化規(guī)律,從時(shí)間序列角度對2011—2018年綜合災(zāi)情進(jìn)行時(shí)空演化格局分析,見表6。

表6 2011—2018年廣東省絕對綜合災(zāi)情指數(shù)

可以看出,2011—2018年綜合災(zāi)情重災(zāi)區(qū)有明顯的轉(zhuǎn)移路徑:粵西→粵北→粵東→沿海。為進(jìn)一步研究受災(zāi)程度上的差異,對綜合災(zāi)情指數(shù)進(jìn)行空間自相關(guān)分析,見表7。

表7 2011—2018年綜合災(zāi)情莫蘭指數(shù)分布

莫蘭指數(shù)絕對值處于0.038～0.705之間,平均數(shù)為0.221,跨度較大,最低指數(shù)接近零,為2016年,說明該年綜合災(zāi)情在空間上呈隨機(jī)分布;最高點(diǎn)為0.705,較接近1,為2011年,說明該年綜合災(zāi)情具有較強(qiáng)的空間集聚性。

3 影響因素分析

分析綜合災(zāi)情指數(shù)和莫蘭指數(shù)發(fā)現(xiàn),2013年綜合災(zāi)情指數(shù)最高且莫蘭指數(shù)較高,表明該年災(zāi)情較嚴(yán)重為大災(zāi)年,且空間集聚性較高;2018年綜合災(zāi)情指數(shù)和莫蘭指數(shù)均較低,表明該年災(zāi)情較輕為小災(zāi)年,且空間異質(zhì)性較高。因此,利用地理探測器中的因子探測與交互探測分別對2013與2018年綜合災(zāi)情影響因素及各因素之間的作用關(guān)系進(jìn)行分析,探究各因子對于災(zāi)情的影響程度并分析災(zāi)情背后的響應(yīng)交互機(jī)制。

3.1 影響機(jī)制分析

利用地理探測器中的因子探測對廣東省2013與2018年綜合災(zāi)情影響因素進(jìn)行分析,q值表示各影響因子Xi(i=1,2,…,16)解釋綜合災(zāi)情指數(shù)Y的空間分異,q值越大,其自變量Xi對因變量Y的解釋力也就越強(qiáng)。因子探測結(jié)果表明,2013年解釋力較強(qiáng)的因子為極端降雨事件X9、極端強(qiáng)風(fēng)事件X12、極端高溫事件X16、人口密度X13;2018年解釋力較強(qiáng)的因子為耕地密度X10、建設(shè)密度X2、人均醫(yī)療水平X11、植被覆蓋率X15,如圖3。

圖3 2013年與2018年因子探測結(jié)果分布

(1)極端氣候因子(直接作用)。極端氣候因子包括極端降雨因子、極端高溫因子、極端強(qiáng)風(fēng)因子。2013和2018年的因子探測結(jié)果顯示,大災(zāi)年的極端降雨因子、極端強(qiáng)風(fēng)因子等極端氣候因子解釋力排名靠前;小災(zāi)年的極端氣候因子處于中間,可見極端氣象事件對于自然災(zāi)害的影響起直接作用,且無論大小災(zāi)年對災(zāi)情的影響具有較高水平。

(2)地形地表因子(間接作用)。地形地表因子包括高程標(biāo)準(zhǔn)差因子、坡度因子、植被覆蓋率因子及河網(wǎng)密度因子。高程標(biāo)準(zhǔn)差因子和河網(wǎng)密度因子在2次因子探測結(jié)果中解釋力排名均靠后,可見無論大小災(zāi)年地勢起伏度與河網(wǎng)密集程度對災(zāi)情影響都較小。坡度因子在2次探測中解釋力排名分別靠后和中間,可見在大災(zāi)年地形對災(zāi)情的影響甚微,但對小災(zāi)年的影響增大。植被覆蓋率因子在大災(zāi)年的解釋力較小,而在小災(zāi)年較大,說明在通常情況下植被覆蓋率高能夠減輕泥石流、滑坡、崩塌等地質(zhì)災(zāi)害的發(fā)生,但在強(qiáng)降雨等極端氣候條件下效果甚微。地形地表因子誘發(fā)自然災(zāi)害需要強(qiáng)降水或者高溫干旱等前提條件,因此,它對災(zāi)情大小的影響起間接作用。

(3)基礎(chǔ)建設(shè)因子(助推作用)?；A(chǔ)建設(shè)因子包括人口密度因子、建設(shè)密度因子、耕地密度因子、地區(qū)生產(chǎn)總值因子。人口密度因子在2次探測結(jié)果中排名都比較靠前,在自然事件作用范圍一定的情況下,人口密度越高意味著暴露在自然事件的生命體越多,造成的生命安全損失也越大。耕地密度與建設(shè)密度在大災(zāi)年解釋力排名居中,在小災(zāi)年排名第一,說明耕地密度因子與建設(shè)密度因子一定程度上對災(zāi)情產(chǎn)生影響。地區(qū)生產(chǎn)總值因子在2次探測結(jié)果中排名都較靠后,雖然經(jīng)濟(jì)發(fā)達(dá)地區(qū)的財(cái)富暴露度較高,加劇災(zāi)害來臨時(shí)的損失,對災(zāi)情起到正向的助推作用,較強(qiáng)的經(jīng)濟(jì)能力意味著有更大的能力進(jìn)行防災(zāi)工程建設(shè),從而減緩一些自然事件造成的損失;沒有基礎(chǔ)建設(shè)和人類活動(dòng),任何自然事件作用于地表都無法構(gòu)成損失,也無法從自然事件變?yōu)樽匀粸?zāi)害,可見基礎(chǔ)建設(shè)因子通過助推作用來影響災(zāi)情大小[38]。

(4)防災(zāi)減災(zāi)因子(緩沖作用)。防災(zāi)減災(zāi)因子包括人群受教育程度因子、人均醫(yī)療水平因子、防洪堤長度因子、通車?yán)锍桃蜃?、人均綠地因子。根據(jù)探測結(jié)果,人群受教育程度因子和人均綠地因子在2次探測結(jié)果排名分別靠后和居中,可見,人群教育程度與防災(zāi)意識無關(guān)聯(lián),開放綠地對自然災(zāi)害具有的緩沖作用有限。人均醫(yī)療因子在2次探測結(jié)果中排名居中和靠前,可見人均醫(yī)療水平對災(zāi)情具有一定影響力,災(zāi)后救助能力越強(qiáng),則造成的生命損失越少。防洪堤長度因子與通車?yán)锍桃蜃釉?次探測結(jié)果中排名均在中等靠后,說明建設(shè)防洪堤能阻止強(qiáng)降雨時(shí)期水位高漲帶來的洪澇災(zāi)害,較為通達(dá)的交通能力也能在災(zāi)害發(fā)生后第一時(shí)間提高運(yùn)輸與救援能力,但影響力有限?？傊?防災(zāi)減災(zāi)因子能對災(zāi)情大小起一定的減緩作用。

極端氣候因子對廣東省災(zāi)情大小的影響作用最為直接,影響力排名靠前。地形地表因子無論在大小災(zāi)年均較穩(wěn)定。經(jīng)濟(jì)、耕地等基礎(chǔ)建設(shè)因子小災(zāi)年的影響力較大,大災(zāi)年較小。防災(zāi)減災(zāi)因子在大小災(zāi)年的影響力都相對較弱。

3.2 交互機(jī)制分析

對2013與2018年綜合災(zāi)情影響因素進(jìn)行交互作用探測,如圖4。根據(jù)相交結(jié)果與單因子比較,分為非線性減弱、單因子非線性減弱、雙因子增強(qiáng)、獨(dú)立、非線性增強(qiáng)5種作用結(jié)果。

圖4 2013年與2018年交互探測結(jié)果分布

2013年各因子交互探測結(jié)果,如圖4(a)。從如圖4(a)可知,16個(gè)影響因子兩兩之間互相作用時(shí)均為增強(qiáng),其中,極端降雨事件X2與建設(shè)密度X9交互作用對災(zāi)情影響最大。2018年各因子交互探測結(jié)果,如圖4(b)。從如圖4(b)可知,各因子兩兩交互作用對綜合災(zāi)情產(chǎn)生的影響均大于單一因子的影響,其中,高程標(biāo)準(zhǔn)差X5與極端強(qiáng)風(fēng)事件X12交互作用對災(zāi)情影響最大。

非線性增強(qiáng)的因子大災(zāi)年中較多,小災(zāi)年較少,因此,本文對大災(zāi)年各因子兩兩交互作用對綜合災(zāi)情產(chǎn)生的影響進(jìn)行分析。從如圖4(a)可知,在大災(zāi)年中高程標(biāo)準(zhǔn)差因子X5與其他5個(gè)因子存在非線性增強(qiáng)作用,這說明地勢起伏度作為孕災(zāi)環(huán)境與其他因子共同作用時(shí)對災(zāi)情大小的影響表現(xiàn)突出。根據(jù)災(zāi)害系統(tǒng)理論,致災(zāi)因子直接作用于地球表面,與地球表面各圈層發(fā)生作用,最終形成自然災(zāi)害[39]。從災(zāi)害長期演變機(jī)制角度看,區(qū)域地表過程引發(fā)的鏈?zhǔn)椒磻?yīng)會(huì)導(dǎo)致災(zāi)害組合發(fā)生變化,從而使自然災(zāi)害發(fā)生的范圍與強(qiáng)度發(fā)生變化[40],這說明孕災(zāi)環(huán)境對災(zāi)情的作用方式是緩慢的間接影響過程。在因子探測中地形地表因子影響力排名較為穩(wěn)定,這表明孕災(zāi)環(huán)境具有一定穩(wěn)定性。地區(qū)生產(chǎn)總值因子、耕地密度因子、通車?yán)锍桃蜃釉诮换ヌ綔y中也表現(xiàn)出較好的非線性增強(qiáng)作用,這說明地區(qū)經(jīng)濟(jì)發(fā)展與建設(shè)程度作為承災(zāi)體,其對災(zāi)情的影響不僅體現(xiàn)在本身的暴露程度,也體現(xiàn)在與其他因子共同作用時(shí)的非線性增強(qiáng)作用。可以看出,致災(zāi)因子可直接作用于承災(zāi)體和孕災(zāi)環(huán)境,孕災(zāi)環(huán)境和承災(zāi)體同時(shí)具備人工屬性和自然屬性,存在互相重疊的屬性,也在互相作用中共同影響災(zāi)情[41]。地理探測器的交互探測結(jié)果表明,自然災(zāi)害災(zāi)情大小是多因素綜合影響的結(jié)果,如圖5。

圖5 各因子交互機(jī)制

4 討論與建議

4.1 討論

自然災(zāi)害本身具有偶發(fā)性、隨機(jī)性、連鎖性等特性,這也與廣東省1999—2018年災(zāi)情時(shí)空特征表現(xiàn)一致,即災(zāi)情綜合指數(shù)波動(dòng)劇烈、大小災(zāi)年交替、不同維度的線性趨勢不一致等特點(diǎn)。自然災(zāi)害的區(qū)域連鎖反應(yīng)的影響范圍不僅作用于單一行政區(qū)劃,同時(shí)各地區(qū)的基礎(chǔ)建設(shè)密度、經(jīng)濟(jì)實(shí)力、人口、減災(zāi)能力等差異,受災(zāi)影響深度也有差異,因此廣東省災(zāi)情出現(xiàn)空間分異性較高、不同維度重災(zāi)區(qū)不一致的特點(diǎn)。從2014年開始,災(zāi)情的空間集聚呈現(xiàn)下降趨勢,這表明自然災(zāi)害災(zāi)情多呈點(diǎn)狀、密集發(fā)生,而非片狀、大范圍發(fā)生。從災(zāi)情影響的機(jī)制看,災(zāi)害系統(tǒng)中不同要素分別具有不同特性,如致災(zāi)因子危險(xiǎn)性、孕災(zāi)環(huán)境穩(wěn)定性、承災(zāi)體脆弱性。不同因子的影響力和影響方式具有顯著的差異,如極端氣象因素影響力最大,直接影響災(zāi)情大小,而地形地表因子影響力則相對穩(wěn)定,間接影響災(zāi)情大小。

4.2 建議

針對以上影響機(jī)制分析及災(zāi)情時(shí)空演化特征,結(jié)合目前廣東省防災(zāi)減災(zāi)現(xiàn)狀,提出以下對策與建議。

(1)樹立系統(tǒng)防災(zāi)觀念。地理探測器的因子探測與交互探測結(jié)果表明,任何自然災(zāi)害災(zāi)情影響程度是各因子共同作用的結(jié)果。系統(tǒng)防災(zāi)在體制上要做到縱橫向協(xié)調(diào)相結(jié)合。縱向協(xié)調(diào),即充分發(fā)揮省級政府與地方各級政府的作用,特別是基層社區(qū)在防災(zāi)減災(zāi)管理中的作用;橫向協(xié)調(diào),即充分發(fā)揮各級政府設(shè)置的與防災(zāi)減災(zāi)相關(guān)機(jī)構(gòu)的聯(lián)動(dòng)作用,針對區(qū)域自然災(zāi)害系統(tǒng)所具有的災(zāi)害鏈特征,實(shí)現(xiàn)減災(zāi)資源利用的效率化和效益化。

(2)完善綜合防災(zāi)立法。目前,廣東省單災(zāi)種專項(xiàng)法規(guī)法有50多部,缺乏防災(zāi)、減災(zāi)、救災(zāi)、應(yīng)急管理的綜合立法。綜合立法能夠全面問責(zé)、追責(zé),確保各專項(xiàng)應(yīng)急預(yù)案的法制化與標(biāo)準(zhǔn)化,同時(shí)確保各個(gè)部門之間應(yīng)急的協(xié)調(diào)性與及時(shí)性,大大提高國家專項(xiàng)預(yù)案與省級、省級與地方之間的銜接效率,一定程度上可以打破專業(yè)壁壘與部門壁壘。

(3)優(yōu)化區(qū)域防災(zāi)結(jié)構(gòu)。針對重災(zāi)區(qū)不斷轉(zhuǎn)移、災(zāi)情空間較為分散的特點(diǎn),要因地制宜、因?yàn)?zāi)施策,結(jié)合國土空間規(guī)劃“雙評價(jià)”結(jié)果,摸清不同地區(qū)在環(huán)境、資源、經(jīng)濟(jì)建設(shè)、社會(huì)文化等因素之間的差異,科學(xué)評估致災(zāi)因子的危險(xiǎn)性與承災(zāi)體的脆弱性,橫向銜接防災(zāi)專項(xiàng)規(guī)劃。

(4)建立氣象預(yù)警平臺。地理探測器的因子探測結(jié)果表明,在災(zāi)情嚴(yán)重的大災(zāi)年,極端氣候因子影響力較大。因此,加強(qiáng)氣象預(yù)警平臺的監(jiān)測十分重要,尤其要提高對熱帶氣旋、極端性強(qiáng)降雨等極端天氣事件的預(yù)報(bào)準(zhǔn)確率和精確度,保證空間和時(shí)間的精準(zhǔn)。

5 結(jié)論

本文以1999—2018年廣東省災(zāi)損數(shù)據(jù)為基礎(chǔ),從人口維度、農(nóng)作物維度、基礎(chǔ)設(shè)施維度、經(jīng)濟(jì)維度進(jìn)行災(zāi)損描述并構(gòu)建綜合災(zāi)情指數(shù);利用線性趨勢、變異系數(shù)、相關(guān)性分析等統(tǒng)計(jì)學(xué)方法及空間分析方法進(jìn)一步分析其時(shí)空演化特征;選取有可能影響災(zāi)情變化的因子,利用地理探測器進(jìn)行因子探測和交互探測,給予一定的對策與建議。主要結(jié)論如下。

(1)從時(shí)間上看,廣東省災(zāi)情具有指數(shù)波動(dòng)劇烈、大小災(zāi)年交替、不同維度線性趨勢不一致等特點(diǎn)。1999—2018年廣東省綜合災(zāi)情指數(shù)的總體趨勢是大小災(zāi)年交替,線性趨勢略微向上增長,變異系數(shù)波動(dòng)性較大,災(zāi)情具有隨機(jī)性和不確定性。綜合災(zāi)情指數(shù)最高為2013年,最低為2007年。

(2)從空間上看,空間分異程度較大,災(zāi)情呈現(xiàn)邊緣高—中間低的空間格局,綜合災(zāi)情指數(shù)最高地區(qū)為茂名市,最低地區(qū)是深圳市,無明顯集中趨勢。災(zāi)情重心空間演化方面,重災(zāi)區(qū)自2010年開始,經(jīng)歷粵西→粵北→粵東→沿海的轉(zhuǎn)移路徑。

(3)地理探測器分析表明,極端氣候因子對災(zāi)情大小影響最為明顯且直接;地形地表因子間接影響災(zāi)情且較穩(wěn)定;基礎(chǔ)建設(shè)因子小災(zāi)年影響力較大,大災(zāi)年較小;防災(zāi)減災(zāi)措施因子對災(zāi)情有一定的減緩作用。

(4)本文的不足之處,一是在構(gòu)建綜合災(zāi)情指數(shù)時(shí)所采用的指標(biāo)體系簡單、不全面,時(shí)間序列較短;二是災(zāi)情影響因素僅做了初步分析,后續(xù)研究將針對上述不足進(jìn)行完善與細(xì)化。