期刊检索:
  暴雨灾害   2022, Vol. 41 Issue (2): 232-239.  DOI: 10.3969/j.issn.1004-9045.2022.02.014

短论

DOI

10.3969/j.issn.1004-9045.2022.02.014

资助项目

湖南省气象局2021年重点科技项目“保险灾害风险阈值等级及防灾减损应急调度技术研究”(QXKJ21A006)

第一作者

黎跃勇,主要从事应用气象与气象服务研究。E-mail: 302907731@qq.com.

通信作者

周威,主要从事专业气象服务研究。E-mail: 490486172@qq.com.

文章历史

收稿日期:2021-09-17
定稿日期:2022-03-15
基于优势分析法的暴雨综合致灾指数及阈值研究——以张家界市保险业为例
黎跃勇1,2 , 周威3 , 李好1 , 梁可3     
1. 湖南省气象服务中心,长沙 410118;
2. 气象防灾减灾湖南省重点实验室,长沙 410118;
3. 湖南省张家界市气象局,张家界 427000
摘要:首先,利用张家界2016—2020年降水资料和暴雨灾情资料,以中国人民财产保险股份有限公司湖南省分公司财货险(以下简称“财货险”)理赔案件为研究样本,运用优势分析法确定致灾因子的影响权重,构建暴雨综合致灾指数(I)模型。然后,采用指数函数拟合财货险出险乡镇(街道)数与I的关系,获得不同出险等级对应的I阈值。最后,选用2021年张家界汛期暴雨致灾理赔案例对I及其阈值进行验证。结果表明: 张家界市暴雨造成的财货险出险次数总体呈东西少、中间多的特点。暴雨致灾因子中96 h累积降雨量对出险范围影响权重最大,达28.6%。模拟财货险出险范围、理赔金额、出险次数的等级与实际灾情等级均通过0.01显著性水平检验。阈值检验显示,用其对暴雨致灾案例的预测等级与实际等级的一致率(即准确率)为71.4%,其中,轻度、中度、重度灾情等级的预测准确率分别为70%、70%、100%,因而建立的I阈值可用于张家界市财货险专业气象服务。
关键词暴雨    财货险    优势分析法    致灾阈值    
Study on torrential rain comprehensive disaster-causing index and its threshold based on Dominance Analysis Method: A case of insurance industry in Zhangjiajie City
LI Yueyong1,2 , ZHOU Wei3 , LI Hao1 , LIANG Ke3     
1. Hunan Provincial Meteorological Service Centre, Changsha 410118;
2. Key Laboratory of Hunan Province for Meteorological Disaster Prevention and Mitigation, Changsha 410118;
3. Zhangjiajie Meteorological Office of Hunan Province, Zhangjiajie 427000
Abstract: First, based on the precipitation data and torrential rain disaster data in Zhangjiajie City of Hunan Province from 2016 to 2020, taking the claim cases of the property and cargo insurance (hereinafter referred to as "property and cargo insurance") from Hunan Branch of the People's Insurance Company of China as the research sample, the Dominance Analysis Method was used to determine the influence weights of disaster-causing factors to establish a comprehensive disaster-causing index (I) model of torrential rain. Second, an exponential function is used to fit the relationship between the number of town or street which filed claims of property and cargo insurance and I, then to determine the threshold of I corresponding to different accident levels. Finally, the claim case caused by torrential rain disaster in Zhangjiajie in the flood season of 2021 were selected to verify the I and its threshold. The results show that the number of property and cargo insurance accidents caused by torrential rain in Zhangjiajie is generally low in east and west but high in middle areas. Among the disaster-causing factors, the weight of the 96-hour accumulated precipitation on the scope of accident is the largest, reaching 28.6%. The simulated grades of the scope of accident, the amount of claim and the number of accidents of property and cargo insurance have a high correlation with the grades of actual disasters, and all passed the test at the 0.01 significance level. The threshold test results show that the consistency rate or accuracy between the predicted level and the actual level of torrential rain disaster-causing cases is 71.4%, in which the predicted values of accuracy for the mild, moderate and severe disaster levels are 70%, 70% and 100%, respectively. Therefore, the threshold of I established in this study can be used for the industrial meteorological services related to the property and cargo insurance in Zhangjiajie.
Key words: torrential rain    property and cargo insurance    Dominance Analysis Method    disaster threshold    
引言

暴雨是我国目前面临的主要气象灾害之一,常会引发城市内涝及山洪、泥石流、山体滑坡等衍生灾害(郑国等,2011史军等,2016)。近年来,我国学者从区域性暴雨定量化评估、强降水特征、山洪淹没及致灾阈值模拟等方面对暴雨及其衍生灾害进行了较多研究(伍红雨等,2019谷晓平等,2020张连成等,2020吕新生等,2021),不仅建立了暴雨引发的城市积涝模型(强降水预警阈值),还对降雨引发的地质灾害进行分型(陈悦丽等,2019狄靖月等,2019),得出不同降雨型地质灾害的阈值、降水与城市内涝的相互关系(邓汗青等,2017孟玉婧等,2019)。另外,秦鹏程等(2016)将有效降水指数用于暴雨洪涝监测和评估;张霞等(2020)基于对环境参数的分析构建了极端暴雨预报指数;黄珍珠等(2019)采用个例分析法,建立了“龙舟水”灾害对早稻产量影响评估模型,通过确定早稻“龙舟水”灾害保险阈值,设计了“龙舟水”灾害保险气象理赔指数。这些研究成果为开展暴雨灾害监测评估、确定暴雨致灾阈值、设计暴雨灾害保险理赔产品积累了经验。

张家界市是湖南省的四大暴雨中心之一,暴雨对该市城乡居民生命财产安全构成较大威胁,严重影响到当地经济社会正常发展。为了积极应对气候变化和极端天气、灾害性天气的影响,迫切需要加强事前风险防范,充分发挥保险在气象防灾减灾中的风险管理和保障功能。目前,我国关于保险行业财货险出险特征的相关研究相对较少,且前人研究中也未将财货险与致灾因子、致灾阈值进行关联,导致财货险的气象灾害监测预警预报服务缺乏针对性。另一方面,由于地域不同,各地暴雨阈值及其致灾阈值也存在较大差异。为避免或减轻暴雨灾害造成的经济损失和带来的其他影响,对暴雨致灾阈值以及财货险出险特征开展本地化研究非常必要。为此,本文以张家界市暴雨及暴雨引发的财货险理赔案件为研究对象,基于优势分析法,确定暴雨综合致灾指数,划分出险等级阈值,建立暴雨致灾阈值,以期为气象灾害监测预报预警、财货险防灾减损服务提供技术支撑。

1 数据与方法 1.1 研究区概况

张家界市位于湖南省西北部、澧水中上游,属武陵源山区腹地,下辖两区(永定区、武陵源区)和两县(慈利县、桑植县)。该市地形复杂多样,主要有山地、岩溶、丘陵、岗地和平原等,山地面积占该市国土总面积的76%,海拔高度最大落差达1 400 m;全年4—8月为降水集中期,此期间降水量占全年总降水量的65.0% 左右,极易引发暴雨洪涝及次生灾害,并造成财产、货物等重大损失。

1.2 数据来源及处理

本文使用的气象数据包括: (1) 2016—2020年张家界市3个国家级气象观测站逐时降水资料,对该资料采用两相回归模型(PENG et al., 2017)进行了均一性检验。(2) 同期张家界市133个区域自动气象站逐时降水资料,该资料经过了严格审核和筛选,检验方法主要为系统阈值自动提醒(每分钟降水7 mm)、5个临近站点比较、雷达回波验证等。本文分析所用的气象数据均通过了湖南省气象局的审核。

其他数据: (1) 2016—2021年财货险数据。财货险包括企业财产、普通家财、建筑工程、投资型家财等保险种类,所有这些险种记录均归入财货险范围。(2) 2016—2020年暴雨灾情数据。该数据来源于各年《张家界年鉴》、张家界市自然灾害信息专报等。财货险出险(理赔)数据来源于中国人民财产保险股份有限公司湖南省分公司的报表文件,以此构建了暴雨引发的财货险出险(理赔)数据库。(3) 数字高程模型(digital elevation model,DEM)数据。该数据为ASTER GDEM V1,是基于星载热发射和反辐射计数据计算而成,也是目前唯一覆盖全球陆地表面的高分辨率高程影像数据,分辨率30 m×30 m,采用GCS WGS 1984地理坐标系,空间范围为张家界全市(图 1)。

图 1 张家界市地形地貌与气象站点分布图 (彩色阴影为海拔高度,单位: 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

本文首先分析筛选出各种财货险致灾因子。然后,采用优势分析法建立张家界市财货险出险暴雨综合致灾指数,对出险乡镇(街道)、出险次数、理赔金额分别进行回归拟合,在此基础上应用最优分割法建立张家界市财货险出险暴雨综合致灾指数阈值。最后,选用实际出险案例对上述财货险出险暴雨综合致灾指数阈值进行检验。

1.3.1 优势分析法

本文在确定与暴雨灾害密切相关的致灾因子的影响权重时,采用了优势分析法。该法的主要思路是在先验理论和实证的基础上,确定一个回归模型,亦称为全模型。由全模型衍生出来所有的子模型有2P-1个(P为全模型中致灾因子个数,致灾因子为自变量,本文统一将致灾因子视为自变量)。如,当全模型中致灾因子(自变量,下同)有3个时,由该模型衍生出来的子模型个数为23-1,即7个;当全模型中的致灾因子有6个时,由该模型衍生出来的子模型个数为26-1,即63个。对所有子模型进行全面比较分析后,再对各致灾因子的相对重要性进行分析。判定各致灾因子之间相对重要性的标准为:在所有子模型中,各致灾因子的总平均贡献值占模型方差的百分比。以此判定的相对重要性,既不会夸大、也不会忽视任一自变量(致灾因子)对因变量的重要性,从而解决了采用传统的斜率基础指标和方差降低指标判定法所存在的问题(孙玉龙等,2021)。

上述各自变量之间的优势关系分3种,由强至弱依次为完全优势、条件优势、总体优势。完全优势是指各自变量在所有子模型中,其相对重要性序列是恒定的;条件优势是指在平均贡献情况下,自变量之间的相对重要性序列是恒定的;总体优势是指在总平均贡献的情况下,自变量之间的相对重要性序列是恒定的(谢宝国和龙立荣,2006)。使用优势分析法,可以避免在确定各自变量相对重要性或权重系数过程中人为主观上的影响,该法是一种基于数据驱动的相对客观的定量方法(马金辉等,2014)。

1.3.2 致灾因子选取及暴雨综合致灾指数的建立

为确定财货险的暴雨致灾的因子,本文将暴雨细分为120、96、72、48、24 h五个时段的降水量,同时分析暴雨过程最大小时雨量(120 h内)和连续雨日,这样可得到120、96、72、48、24 h雨量以及最大小时雨量和连续雨日共7个暴雨致灾因子。其中,24 h雨量为出险当日的降雨量,48 h雨量为出险前1 d至出险当日的累积降雨量,以此类推,120 h降雨为出险前4 d至出险当日的累积降雨量。

在确定暴雨综合致灾指数时,对上述各致灾因子数据进行标准化处理。首先,计算所有暴雨出险案例的最大小时雨量以及120、96、72、48、24 h累积雨量平均值;然后,将实际雨量数据除以样本平均值作为研究样本数据,以各致灾因子的贡献率所占百分比作为构建暴雨综合致灾指数的权重系数;第三,根据各致灾指数的权重系数,建立张家界市财货险出险暴雨综合致灾指数;最后,采用最优分割法(吴立等,2016黄冰洁等,2020),建立张家界市财货险出险暴雨综合致灾指数阈值,并以实际案例对其进行检验。

1.3.3 显著性检验方法

本文在对张家界财货出险与致灾因子以及对暴雨综合致灾指数与出险乡镇(街道)数、理赔金额、出险次数进行拟合时,通过SPSS计算得出pearson相关系数,分别对其进行了显著性检验;另外,对张家界市暴雨引发的财货险出险次数的空间分布进行空间插值时,采用的是反距离加权法。

2 结果与分析 2.1 财货险出险与降雨量的关系

根据人保公司对财货险一般在48 h内报案的约定以及在实际操作中又普遍存在大于48 h的报案。表 1给出张家界2016—2020年4—8月财货险出险记录与相关的降雨量统计值。

表 1 2016—2020年张家界市财货险出险记录与降雨量统计 Table 1 Property and cargo insurance accident records and the statistics of different rainfall in Zhangjiajie from 2016 to 2020.

表 1可知,2016—2020年张家界市财货险出险(以下简称出险)累计278次,出险涉及58个乡镇(街道) 计111个次。为了便于掌握主要降雨时段累积降水与财货险出险情况的关系,表 1还给出各年4月1日—8月31日累积雨量(Rc)。统计张家界市的永定、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日该市出险24次、出险乡镇(街道)15个,均达到其相应的峰值,当日最大小时雨量为66.3 mm,120、96、72、48、24 h最大雨量分别为193.4、190.8、150.5、149.9、119.9 mm,但计算其相应的算术平均值(对每个出险地的降雨量按各致灾因子取算术平均),结果分别为23.9、89.3、84.8、67.0、61.2、36.5 mm。计算各年全年出险时的暴雨平均量发现,虽然2020年最大小时雨量小于2018年(因2018年异常降水日少,出险次数少,其平均后对应的量值高),但出险次数、出险乡镇(街道)数要高于2018年。同样,2016年最大小时雨量及120 h和96 h降雨量均小于2017年、2018年,但2016年出险次数、出险乡镇(街道) 数要高于2017年、2018年。这表明出险次数、出险乡镇(街道)数同日降雨量异常偏多日数相关,即表明4—8月日降雨量异常偏多日数越多,出险的次数和乡镇(街道)数也越多。

2.2 财货险出险次数的空间分布

从2016—2020年张家界市暴雨引发的财货险出险次数的空间分布图(图 2)可见,该市出险次数大致呈东西部少、中部多的特点。同期,全市共有58个乡镇(街道)出险,占全市所有乡镇(街道)数的74.4%。其中,永定区24个乡镇(街道)中,有21个出险,占比87.5%;武陵源区4个乡镇(街道)出险,占比66.7%;桑植县17个乡镇(街道)出险,占比63.0%;慈利县4个乡镇(街道) 出险,占比64.0%。从出险乡镇(街道)累计数看,慈利县最多,为121个次;永定区次之,为89个次;桑植县49个次;武陵源区最少,仅19个次。

图 2 2016—2020年张家界市暴雨引发的财货险出险次数的空间分布 Fig. 2 Spatial distribution of the number of property and cargo accidents caused by torrential rain in Zhangjiajie from 2016 to 2020.

统计该市两区两县各乡镇(或街道)出险次数表明: 慈利县通津铺镇出险次数最多,达51次;其次是张家界城区的崇文、大庸桥、南庄坪、永定街道,共31次。出险次数为0的乡镇(街道)有慈利县的苗市、广福桥、二坊坪、零溪、高桥、岩泊渡、许家坊、赵家岗、南山坪镇,桑植县的八大公山、河口、上河溪、沙塔坪、廖家村、竹叶坪镇,永定区的四都坪、阳湖坪、沅古坪镇。相比其他区县,桑植县的出险范围最小、出险次数最少。

另外, 2016—2020年财货险理赔记录以及湖南人保智慧气象灾害风控服务平台监测数据显示,总体上,张家界市低洼地段受暴雨致灾影响明显;滑坡也是财货险出险的主要原因之一,如慈利县1987—2011年共发生滑坡事件306次,绝大多数滑坡事件都发生在一年中的雨季,滑坡事件次数与月平均降雨量呈明显的正相关(林巍等,2020)。

2.3 暴雨综合致灾指数的研制

暴雨导致出险的原因虽然十分复杂, 但主要仍取决于气象条件。统计结果表明,连续雨日、最大小时雨量及120、96、72、48、24 h降雨量对暴雨导致的出险影响较大。因此,将上述7个气象因子作为财货险出险的致灾因子。表 2给出2016—2020年张家界市财货出险与各致灾因子的相关系数(均通过0.01显著性水平检验)。从中看到,无论是出险次数还是出险乡镇(街道)数,均与连续雨日的相关性最好,最大小时雨量次之,120 h降雨量再次之。

表 2 2016—2020年张家界市财货出险与不同致灾因子的相关系数 Table 2 Correlation coefficient between the property and cargo accidents and the different disaster-causing factors in Zhangjiajie from 2016 to 2020.

本文对雨日和连续雨日的定义,采用《地面气象观测规范》中的标准,将日降雨量达到或超过0.1 mm记为一个雨日,连续2 d及以上日降雨量达到或超过0.1 mm的日数记为连续雨日。通过对研究时段张家界市财货险出险逐日降雨资料的分析发现,存在出险当日至前4 d内连续2 d甚至3 d日降雨量≥0.1 mm但又<5.0 mm的记录,这种情况对出险理赔不具说服力,在采用优势分析法建立暴雨综合致灾指数模型时不予考虑。因此,该模型中包含除连续雨日的其它6个致灾因子,即最大小时雨量以及120、96、72、48、24 h降雨量,分别以X1X2X3X4X5X6表示。以财货险出险乡镇(街道)数为因变量,计算各致灾因子被带入到不含该致灾因子本身的各个子模型时方程确定系数(R2)的变化,对这些值相加求平均所得到的结果即为该致灾因子的优势权重(增值贡献),其计算式为

$ C_{x_{i}}^{(k)}=\left(\sum R_{y x_{h} x_{i}}^{2}\right) /\left(k^{P}-1\right) $ (1)

其中,xi为全模型中某一致灾因子;Cxi(k)表示当xi加入含有k个致灾因子但不含xi自身的子模型时被解释致灾因子的平均贡献;xh表示除致灾因子xi之外包含在子模型中的其他k个致灾因子(马金辉等,2014)。

因此,致灾因子对于出险乡镇(街道)数的总平均贡献(Cxi)的计算式为

$ C_{x_{i}}=\frac{1}{P} \sum\limits_{k=0}^{p-1} \mathcal{C}_{x_{i}}^{(k)} $ (2)

各致灾因子的总平均贡献大小反映其各自的重要程度。由式(1)—(2)统计计算出张家界市2016—2020年上述6个致灾因子对财货险的增值贡献及总平均贡献,其结果见表 3

表 3 张家界市2016—2020年各致灾因子对财货险的增值贡献及总平均贡献 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.

根据本文第1.3.1节对优势分析法的介绍,6个致灾因子其所衍生的子模型多达63个(受篇幅所限,未一一列出),因此文中仅列出经过合并计算后的各致灾因子的增值贡献值。由表 3看到,X3完全优势于X2X5,即96 h降雨完全优势于120 h和48 h降雨。因为在子模型中不包含任何变量的情况下(k=0),当分别加入变量X3X2时,有CX3CX2,即1.391 0>1.309 0;分别加入变量X3X5时,有CX3CX5,即1.391 0>1.355 0;在子模型含任意2个变量的情况下(k=1),有CX3CX2CX3CX5,即0.010 4>0.004 0、0.010 4>0.002 4;在子模型含任意3个变量的情况下(k=2),有CX3CX2CX3CX5,即0.007 7>0.002 1、0.007 7>0.000 8;在子模型含任意4个变量的情况下(k=3),有CX3CX2CX3CX5,即0.004 9>0.002 4、0.004 9>0.001 2;在子模型含任意5个变量的情况下(k=4),有CX3CX2CX3CX5,即0.002 2>0.001 8、0.002 2>0.000 4;在子模型含6个变量的情况下(k=5),CX3CX2CX5的贡献值均为0。以上分析表明,本文在分析各致灾因子相互间的条件优势时,只要不含X2,则CX3CX1CX3CX4,即不考虑120 h降雨时,96 h降雨优势于最大小时雨量和72 h降雨。

总体上,上述6个致灾因子中,CX3CX4CX3CX6,即96 h降雨优势于72 h和24 h降雨;同理,24 h降雨优势于最大小时雨强、120 h降雨,即在对出险次数进行预测时,致灾因子中的96 h降雨量的百分比最高,为28.6%;72 h降雨量次之,其百分比为20.1%,24 h降雨、最大小时雨量的贡献度再次之,分别为17.4%和16.6%;48 h降雨的贡献度最低,仅5.5%。

根据各致灾因子对财货险的增值贡献及总平均贡献占比,以其占比作为构建暴雨综合致灾指数的权重系数,建立如下张家界市财货险出险暴雨综合致灾指数(I)模型,即

$ \begin{gathered} I=0.166 X_{1} / \bar{X}_{1}+0.117 X_{2} / \bar{X}_{2}+0.286 X_{3} / \bar{X}_{3}+ \\ \quad 0.201 X_{4} / \bar{X}_{4}+0.055 X_{5} / \bar{X}_{5}+0.174 X_{6} / \bar{X}_{6} \end{gathered} $ (3)

其中,$ \bar{X}_{1} 、\bar{X}_{2} 、\bar{X}_{3} 、\bar{X}_{4} 、\bar{X}_{5} 、\bar{X}_{6}$分别为致灾因子$ {X}_{1} 、{X}_{2} 、{X}_{3} 、{X}_{4} 、{X}_{5} 、{X}_{6}$即最大小时雨量和120、96、72、48、24 h降雨量的平均值,经计算得到对应各均值分别为21.0、99.6、88.8、77.7、64.5、46.7 mm。

2.4 暴雨综合致灾指数与出险乡镇(街道)数、理赔金额、出险次数的拟合

将由式(3)计算得到的暴雨综合致灾指数(I)分别与张家界市财货险出险乡镇(街道)数、理赔金额、出险次数进行回归拟合,其结果见图 3

图 3 2016—2020年张家界市暴雨综合致灾指数与出险乡镇(街道)个数(a)、理赔金额(b)、出险次数(c)的拟合 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.

图 3中可见,I较小时,出险乡镇(街道)数较少,随着I增大,出险乡镇(街道)数相应增加(图 3a),其中R2为0.287,相关系数(R)为0.536,通过了0.01显著性水平检验,表明两者拟合效果较好、相关性较高,I能够反映出险乡镇(街道)数变化。再从I与理赔金额的拟合看(图 3b),R2为0.071,相关系数为0.266,也通过0.01显著性水平检验,同样表明两者拟合效果较好且高度相关。另从I和出险次数的拟合看(图 3c),R2为0.238,相关系数为0.488,亦通过0.01显著性水平检验,表明两者拟合效果较好且具有显著相关性。

2.5 暴雨综合致灾指数阈值设定

财货险理赔实践表明,出险乡镇(街道)个数反映出险范围大小,出险次数反映发生出险的难易程度(有些乡镇从未有出险记录,而有些乡镇遇暴雨必致灾),虽然出险乡镇(街道)数和出险次数二者紧密相关, 但又不完全一致。因此,在暴雨综合致灾指数(I)阈值的设定上不能笼统地规定为一个阈值。为更好地表征暴雨综合出险阈值,分别按照出险范围、理赔金额、出险次数划分财货出险等级如下:

(1) 根据出险特征并结合湖南气象灾害特点,与保险专家共同研究,确定按照每日出险乡镇(街道)个数,将财货出险分为四个等级:轻度[出险乡镇(街道)1个]、中度[出险乡镇(街道) 2~5个]、重度[出险乡镇(街道) 6~10个]和特重[出险乡镇(街道)10个以上]。

(2) 对于财货险理赔金额(保单等级),人保公司无具体定义,即没有财产、货物的等级标准,但人保公司根据保额大小,自行界定了是否大额保单、重点客户等。遵循保额决定保费原则,保额越高,其保费越高,反之保额越少,其保费越少。本文在分析财货险出险等级时,主要依据赔偿金额来划分,根据不同理赔案金额,将出险划分为轻度(赔案金额1万元以下)、中度(赔案金额10~99万元)、重度(赔案金额100~500万元)和特重(赔案金额500万元以上)。

(3) 根据不同出险次数(以实际出险统计),将出险划分为轻度(每日出险1次)、中度(每日出险2~5次)、重度(每日出险6~10次)和特重(每日出险10次以上)。

依据上述基于出险范围、理赔金额、出险次数的出险等级,表 4给出2016—2020年张家界市财货险出险等级划分标准及其所占百分比。

表 4 2016—2020年张家界市财货险出险等级划分标准 Table 4 Level standard of property and cargo insurance accident in Zhangjiajie from 2016 to 2020.

从实际出险情况看,出险范围不同于出险次数,若同一个乡镇(街道)出险2次,依照出险范围上记为轻度出险,因是同一乡镇(街道),不管该乡镇(街道)出险几次,在出险范围上都记为1个,即为轻度。但由出险次数判别,则为2次,记为中度出险。若出险次数为6次,则记为重度出险。因此,在设计暴雨综合致灾指数阈值时对出险等级需要精细考虑。

在实际设计暴雨综合致灾指数阈值时,分别以出险乡镇(街道)总个数、理赔总金额、出险总次数为基础,采用最优分割法(吴立等,2016黄冰洁等,2020),对张家界暴雨引发的财货险案例进行等级划分,各等级起讫点为客观确定,所分各等级内离差平方和最小化的分割即为最优分割。实践中,最优分割通过SPSS软件进行Fisher判别实现。最优分割结果表明: 当出险乡镇(街道)个数为1、4、9个时,财货险出险等级表现为最佳分割;出险次数为1、3、8次时,财货险出险等级即为最佳分割;理赔金额为8 000、55 000、640 000元时,财货险出险等级达到最佳分割,但理赔金额普遍低于实际值,其阈值不具代表性,仅作参考,不用作检验。可见,使用表征暴雨引发财货险出险强度和范围的出险次数、出险乡镇(街道)数设计暴雨综合致灾指数阈值较理赔金额更科学、更客观。因为根据张家界市自然灾害信息专报等资料可掌握当地暴雨致灾情况,但理赔金额完全取决于投保情况,而投保情况具有较大的不确定性,如去年对某个财货投保、今年却不再投保,又或很多受灾财货由于种种原因,可能一直就未投保但实际又受了灾,这几种情况不能通过理赔金额体现,但可以出险次数、出险乡镇(街道)数来衡量,从而判定暴雨导致的出险情况。为此,分别计算最佳等级分割点所对应的暴雨综合致灾指数(I),即为张家界市财货险不同灾情等级的暴雨综合致灾指数阈值,其结果见表 5

表 5 2016—2020年张家界市各财货险指标不同灾情等级的暴雨综合致灾指数阈值 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 暴雨综合致灾指数阈值检验

为检验上述暴雨综合致灾指数阈值的合理性,以2021年5—8月张家界市暴雨致灾案例为样本,最终筛选出符合检验条件的21个致灾案例。使用公式(3)计算得到每个致灾案例的暴雨综合致灾指数,对照表 5中的不同灾情等级,分别以出险乡镇(街道)1、4、9个以及出险次数1、3、8次为灾情等级分割点,对照实际等级为轻度、重度、重度、特重4个等级的案例个数,统计分析该等级标准下不同案例个数,其结果见表 6,其中,准确个数为实际等级和预测等级一致的案例数,准确率为准确个数占检验案例个数的百分比。

表 6 张家界市暴雨综合致灾指数阈值的检验结果 Table 6 Test results of the threshold of torrential rain comprehensive disaster-causing index in Zhangjiajie.

上述供检验的案例共有21个,其中,轻度、中度、重度分别为10、10、1个。从表 6中看出,轻度等级的检验结果为9个(误判2个,漏判1个),准确率为70%,中度等级检验结果是10个(误判4个),准确率为70%,重度等级案例1个,准确率达100%。总体上,21个案例中,15个检验准确,准确率71.4%。

4 结论与讨论

本文利用气象、财货险、暴雨灾情等资料,采用优势分析方法,从出险与降雨的关系、出险时空分布、理赔金额等方面,对暴雨综合致灾指数阈值进行分析研究。主要得到如下几点结论:

(1) 张家界市2016—2020年财货险出险次数共计278次,其空间分布大致呈东西部少、中部多的特点;全市共有58个乡镇(街道)出险,占全市所有乡镇(街道)数的74.4%,其中,永定区24个乡镇(街道)中有21个出险,占比最高,为87.5%,桑植县比例最低,为63.0%;从出险乡镇(街道)累计数看,慈利县最多,永定区次之;从出险乡镇(街道)数占比看,武陵源区高于桑植县。

(2) 暴雨综合致灾指数主要与6个致灾因子有关,其中96 h降雨量贡献度最高,为28.6%;72 h降雨量次之,为20.1%;48 h降雨贡献度最低,为5.5%。模拟财货险出险乡镇(街道)数、理赔金额、出险次数的等级与实际灾情等级相关性较好,均通过了0.01显著性水平检验。

(3) 使用表征暴雨引发财货险出险强度和范围的出险次数、出险乡镇(街道)数设计暴雨综合致灾指数阈值较理赔金额更科学、更客观。

(4) 选取2021年5—8月张家界市暴雨致灾案例检验分析表明,建立的暴雨综合致灾指数阈值的准确率为71.4%,其中,轻度、中度、重度灾情等级的准确率分别为70%、70%和100%,因而建立的暴雨综合致灾指数阈值可用于张家界市财货险专业气象服务。

需要指出的是,检验结果中重度等级准确率达100%,但仅1个案例不能很好地说明问题,随着重度等级案例个数的增加,准确率可能会下降。另外,检验样本中因无特重等级,其准确率如何尚待检验。本文在暴雨综合致灾指数的研究上,全市统一设计,阈值不再按区县划分。若是研究包含有山地、丘陵、平原等地形的大面积区域,需要按地形细分阈值,则更有针对性和科学性。本文研究中使用的方法、技术可以推广应用到保险业财货险暴雨灾害致灾阈值分析和检验,研究中取得的成果可应用于保险气象服务业务中。因此,建议暴雨灾害较为严重区域的地方政府加强与相关保险机构的联系和沟通,建立基于暴雨致灾阈值的先行赔付机制,探索开发暴雨指数保险产品。暴雨综合致灾指数及其阈值是开展财货险专业气象服务的有益探索,下一步将根据降雨时间、降雨范围、降雨强度,开展提前发布财货险预报预警服务,切实提高财货险气象服务的针对性,发挥气象防灾减灾的保障作用。

参考文献
陈悦丽, 赵琳娜, 王英, 等. 2019. 降雨型地质灾害预报方法研究进展[J]. 应用气象学报, 30(2): 142-153.
邓汗青, 田红, 方茸, 等. 2017. 合肥市城市典型易涝点致灾阈值确定及其风险评估[J]. 暴雨灾害, 36(5): 482-487. DOI:10.3969/j.issn.1004-9045.2017.05.011
狄靖月, 许凤雯, 李宇梅, 等. 2019. 东南地区引发地质灾害降水分型及阈值分析[J]. 灾害学, 34(1): 62-67, 93. DOI:10.3969/j.issn.1000-811X.2019.01.013
谷晓平, 廖留峰, 段莹, 等. 2020. 贵州2020年汛期不同历时强降水雨量特征分析[J]. 暴雨灾害, 39(6): 586-592. DOI:10.3969/j.issn.1004-9045.2020.06.006
黄冰洁, 周玉良, 金菊良, 等. 2020. 基于最优分割法的年降水阶段划分——以合肥站降水为例[J]. 人民珠江, 41(12): 21-26. DOI:10.3969/j.issn.1001-9235.2020.12.004
黄珍珠, 刘尉, 张羽, 等. 2019. 早稻"龙舟水"灾害保险气象理赔指数设计[J]. 暴雨灾害, 38(6): 676-682.
林巍, 李远耀, 徐勇, 等. 2020. 湖南慈利县滑坡灾害的临界降雨量阈值研究[J]. 长江科学院院报, 37(2): 48-54.
吕新生, 周雅蔓, 余行杰, 等. 2021. 1961—2019年新疆暴雨山洪灾害损失的时空变化特征[J]. 沙漠与绿洲气象, 15(4): 42-49.
马金辉, 田菲, 陈璐. 2014. 基于优势分析法的泥石流影响因子相对重要性分析——以白龙江流域为例[J]. 兰州大学学报(自然科学版), 50(5): 722-727.
孟玉婧, 白美兰, 董祝雷. 2019. 内蒙古山洪致灾阈值与定量化风险评估研究[J]. 暴雨灾害, 39(3): 285-292.
秦鹏程, 刘敏, 李兰. 2016. 有效降水指数在暴雨洪涝监测和评估中的应用[J]. 中国农业气象, 37(1): 84-90. DOI:10.3969/j.issn.1000-6362.2016.01.011
史军, 穆海振, 杨涵洧, 等. 2016. 上海中心城区暴雨内涝阈值研究[J]. 暴雨灾害, 35(4): 344-350. DOI:10.3969/j.issn.1004-9045.2016.04.006
孙玉龙, 王丽荣, 张琪, 等. 2021. 基于优势分析法的河北省暴雨对房屋致灾阈值研究[J]. 气候与环境研究, 26(3): 289-298.
伍红雨, 邹燕, 刘尉. 2019. 广东区域性暴雨过程的定量化评估及气候特征[J]. 应用气象学报, 30(2): 233-244.
吴立, 霍治国, 杨建莹, 等. 2016. 基于Fisher判别的南方双季稻低温灾害等级预警[J]. 应用气象学报, 27(4): 396-406.
谢宝国, 龙立荣. 2006. 优势分析方法及其应用[J]. 心理科学, 29(4): 922-925. DOI:10.3969/j.issn.1671-6981.2006.04.038
张霞, 王新敏, 栗晗, 等. 2020. 基于环境参数的极端暴雨指数构建及其应用[J]. 气象, 46(7): 898-912.
张连成, 余行杰, 邵伟玲, 等. 2020. 基于不同数据的新疆山洪淹没模拟及致灾阈值分析[J]. 高原气象, 39(1): 80-89.
郑国, 薛建军, 范广洲, 等. 2011. 淮河上游暴雨事件评估模型[J]. 应用气象学报, 22(6): 753-759. DOI:10.3969/j.issn.1001-7313.2011.06.014
PENG Jiadong, LIAO Yufang, JIANG Yuanhua, et al. 2017. Development of the homogenized monthly precipitation series during 1910-2014 and its changes in Hunan Province, China[J]. Joumal of Water and Climate Change, 8(4): 791-801. DOI:10.2166/wcc.2017.178