A Study of the Labor Parameter in the Model of Indirect Economic Loss in Typhoon Disaster
-
摘要: 为进一步研究自然灾害间接损失模型中受灾劳动力参数问题,调查了“山竹”台风严重影响的广州市和深圳市的劳动力受灾情况.基于实地调研的845份问卷调查数据,分析了受灾劳动力部门分布、影响时长以及恢复路径的实际情况,并与灾害间接损失前沿评估模型(AMIL模型)中的理论假设参数进行对比.研究结果表明:(1)从受灾劳动力所属部门来看,信息传输、软件和信息技术服务业、制造业、金融业、建筑业、批发零售业5个部门的实际受灾劳动力较多,而AMIL模型假设低估了信息传输、软件和信息技术服务业、金融业、建筑业等14个部门的劳动力受灾情况;(2)从恢复时间来看,所有劳动力实际恢复工作的时间是台风过后的第4天,远少于AMIL模型设置的时间;(3)从恢复路径来看,综合劳动力恢复路径呈先快后慢的趋势,幂函数对该路径的拟合效果较好,与AMIL模型假设的双曲正切函数曲线不符;(4)广州市劳动力受台风影响情况比深圳市的更加严重,且恢复速度较慢.研究表明:AMIL模型中对劳动力所属部门假设和劳动力灾后动态恢复路径的函数设置与选择方面存在进一步调整修正的空间.Abstract: A survey on labor force losses in Guangzhou and Shenzhen during the typhoon Mangkhut was conducted in order to study the parameter of the affected labor force in the indirect loss model of natural disasters. Based on the data of 845 questionnaires, the three parameters of sector of the affected labor, recovery time and recovery path were analyzed. They were also compared with the assumed parameters in the AMIL model, a model for frontier assessment of indirect disaster loss. The following results were obtained. First, in terms of the sector of labor force affected by the disaster, five sectors (information transmission, software and information technology services, manufacturing, finance, construction, and wholesale and retail) had the most labor force affected. The AMIL model's assumptions understated the impact on the workforce in 14 sectors, such as information transmission, software and information technology services, finance and construction. Second, on the 4th day after the typhoon, all labor had recovered, and the recovery time was far less than the assumed time of the AMIL model. Third, the labor recovery path showed a trend of being first fast and then slow. The power function had a good fitting effect on the recovery path, which was different from the hyperbolic tangent function curve assumed by the AMIL model. Fourth, the labor force in Guangzhou was more seriously affected by typhoon disaster than that in Shenzhen and the labor force reco-very rate was slower. The AMIL model still has room for improvement in the function setting and selection of the dynamic recovery path of labor force after a disaster.
-
Keywords:
- typhoon /
- labor parameter /
- AMIL model /
- questionnaire survey
-
自然灾害对人类的危害主要表现在2个方面:一是人员伤亡和紧急安置转移,二是经济损失[1].经济损失包括直接损失和间接损失.灾区的工商业可能因电力、天然气、水或通信线路的破坏而减产,进而引起产业链中断,由此产生的连锁反应将波及整个灾区甚至灾区外的经济,这种作用造成的损失称为灾害的间接经济损失.间接经济损失一般通过模型模拟进行评估,研究表明灾害的间接影响要比直接影响更长远[2-4].劳动力是生产力三要素之一,灾害导致劳动力无法正常参加生产服务而造成的经济损失是灾后间接经济损失的重要组成部分.人口大量聚集的城市,因劳动力受灾导致的间接经济损失更大.
间接经济损失研究始于20世纪70年代[5];80年代引入的投入产出模型(Input/Output, IO)[6]是目前评估灾害间接经济损失的主流模型,并于90年代蓬勃发展[7-8];90年代,CGE模型[9]加入了劳动力参数,受灾人口开始作为一个整体的“行业”引入到灾害损失评估中;00年代,美国联邦应急管理署(Federal Emergency Management Agency, FEMA)引入IO模型创建“HAZUS灾害管理系统平台”[10],加入了人口受灾的要素[11-12]. 21世纪10年代,学者们开始重视作为生产关键要素的人口在生产恢复中的作用,如:LI等[13]将因交通延误的劳动力平均分配到每个经济部门,恢复过程为线性;KOKS等[14]假设每个部门的劳动力平均分布,用部门淹没损失代替劳动力损失,淹没时长代替劳动损失时间;BÄUMEN等[15]用发放短期津贴人数和发放时间来反映灾害对劳动力影响的全过程;XIA等[16]按各部门的发病率判断各部门的受损劳动力,并用病人平均就诊时间表示劳动力损失时间;MENDOZA-TINOCO等[17]用被淹房屋数量与每户平均劳动力人数的乘积表示受灾劳动力人数,根据经验将交通延误折算为劳动损失时间,恢复过程为线性;吴先华等[18]利用劳动力报酬和就业人数的变化表示灾后劳动力损失与恢复的情况.可见,间接损失评估模型虽然加入了劳动力参数,但因受灾劳动力部门分布、延误时长及恢复路径等关键数据都未统计在灾情记录里,相关研究或未直接涉及劳动力自身受灾和恢复的问题,或仅停留在总受灾人口部门平均分配以及灾后线性恢复的层面,未考虑劳动力恢复机理和部门之间的差异,从而影响了间接损失评估的精确度.
ZHANG等[19]在IO模型中添加了灾后劳动力数量损失和恢复2个模块,建立了AMIL(Adaptive Multiregional Input-Output with Inventory & Labor)模型,该模型基于经济学的劳动力生产理论[20]和灾害学的恢复力理论[21]评估间接经济损失.在受灾劳动力数量模块中,AMIL模型将受灾劳动力按就业比例划分到各个部门;在受灾劳动力恢复模块中,AMIL模型采用双曲正切函数路径,将简单线性恢复升级为基于恢复机理的非线性过程.然而,受灾劳动力部门划分是否合理、双曲正切函数恢复路径与实际灾情是否吻合、劳动力恢复时间误差是否可以忽略等问题都需要通过灾害事件的调查来验证.本文通过在广州市和深圳市实地调研取得的845份问卷数据,分析了受灾劳动力部门的分布情况及不同部门劳动力的停工误工时间,对劳动力恢复理论进行定量化的验证,并对比了台风“山竹”对广州市、深圳市劳动力影响的差异,拟为间接经济损失模型中劳动力模块的参数调整提供参考.
1. 研究方法
1.1 研究区选择
2018年9月16日17时许,超强台风“山竹”在广东省江门市登陆.登陆时,台风中心附近的最大风力为14级(45 m/s),中心最低气压为955 hPa,带来强降雨,造成多地暴雨洪涝.灾害对劳动力的影响显著,产生的灾害间接经济损失突出.
本研究选取广州市和深圳市为调研区域,调研区域内经济发达、人口密集、生产贸易联系密切.从经济发展水平来看,2017年末,广州市、深圳市的GDP分别占广东省GDP总值的24.0%、25.1%[22];从人口规模来看,广州市、深圳市的常住人口分别占广东省常住人口的13.0%、11.2%[22];从受灾情况来看,广州市和深圳市距台风“山竹”中心较近,遭受强降雨侵袭,都造成严重的城市洪涝灾害;从灾害应急和救助措施来看,广州市和深圳市都采取“停工(业)、停产、停课”等严密防御措施,劳动力的工作时间均受到较大影响.
1.2 问卷调查设计
为研究劳动力参数,问卷主要设置了两方面的问题:一是被访者的工作部门,二是受“山竹”影响的误工时间.根据2017年国家发布的《国民经济行业分类》[23]国家标准,并考虑广东省的现实行业分布情况,问卷设置了19个相关部门(表 2),用于比较受灾劳动力的部门分布情况与AMIL模型中假设的差距.针对误工时间,问卷设置了以下问题:(1)是否接受紧急转移安置?(2)转移时长是多少?(3)因台风影响,停工、停业或停课多久?(4)如未停工,通勤时间比正常情况下长多少?(5)一周工作时间为几天,周末是否工作?由于“山竹”台风在周日(2018年9月16日)登陆,被调查人员中周日需工作的,停工时间从周日算起,周日原本不工作的,停工时间从周一算起.问卷同时调查了所在城市、性别和年龄等个人信息.
表 1 被调查人员基本信息统计Table 1. The statistics of basic information of respondents调查项目 调查人数/人 比例/% 城市 广州市 426 50.4 深圳市 419 49.6 性别 男 582 68.9 女 263 31.1 年龄 <18岁 9 1.1 18~30岁 455 53.8 31~40岁 249 29.5 41~50岁 110 13.0 51~60岁 17 2.0 >60岁 5 0.6 表 2 调查劳动力的部门分布Table 2. The sector distribution of the labor force surveyed部门编号 部门名称 产业类型 各部门就业人员占比/% 样本 实际 S1 农林牧渔业 1 1.18 3.87 S2 采矿业 2 0.36 0.02 S3 制造业 2 21.89 30.09 S4 电力、热力、燃气及水生产和供应业 2 1.07 0.41 S5 建筑业 2 5.80 4.00 S6 批发和零售业 2 10.89 12.32 S7 交通运输、仓储和邮政业 2 6.04 4.78 S8 住宿和餐饮业 2 6.04 3.96 S9 信息传输、软件和信息技术服务业 2 6.27 2.70 S10 金融业 2 4.85 1.35 S11 房地产业 2 3.55 3.54 S12 租赁和商务服务业 3 14.32 21.28 S13 科学研究、技术服务业 3 1.18 1.85 S14 水利、环境和公共设施管理业 3 3.31 0.50 S15 居民服务、修理和其他服务业 3 2.13 2.67 S16 教育 3 2.84 2.62 S17 卫生和社会工作 3 2.84 1.26 S18 文化、体育和娱乐业 3 1.89 0.64 S19 公共管理、社会保障和社会组织 3 3.55 2.13 注:产业类型1、2、3分别表示第一产业、第二产业、第三产业. 1.3 样本合理性分析
本次问卷覆盖广州市和深圳市的各个城区,对于产业分布较多的城区,发放的问卷量比其他城区增加10%.采用多阶段随机抽样与面访(面访内容与问卷内容一致)相结合的方式完成问卷.共发放问卷1 000份,剔除无效问卷,共收到有效问卷845份,有效问卷占84.5%.其中:广州市的有效问卷为426份,深圳市的有效问卷为419份;调查对象中,男性劳动力共582人(占68.9%),女性劳动力共263人(占31.1%);845份有效问卷涵盖了各年龄段的劳动力,其中主要劳动力(18~50岁)占总调查人数的96.3%(表 1).受调查劳动力的部门分布情况与2018年末广州市和深圳市的实际劳动力部门分布类似(表 2),样本具有代表性,可以反映广州市和深圳市的劳动力基本情况.
1.4 构建劳动力恢复路径
劳动力恢复路径是评估灾害间接经济损失的重要参数,可利用劳动力停工误工时间计算灾后不同时间劳动力的恢复率,以观察劳动力的恢复路径:
Yij=AijNi×100%(j=0.5,1,2,3,4), 其中,Yij为灾后第j天第i产业的劳动力恢复率;Ni为第i产业的受灾总人数;Aij为第i产业在灾后第j天累计劳动力恢复工作的人数.根据法定8小时工作时间,对于上班延误时间小于等于4 h的受灾劳动力视为灾后第0.5天恢复工作.
综合劳动力恢复率为劳动力恢复工作总人数与受灾总人数的比值,劳动力恢复路径由不同时间的劳动力恢复率构成.
2. 结果与分析
本文根据845份问卷,从不同产业部门和不同城市受灾劳动力的角度,对受灾劳动力的部门分布、恢复时间和恢复路径进行统计分析,与AMIL模型假设进行对比; 并对比了广州市和深圳市的劳动力受灾情况.
2.1 劳动力受台风影响情况
2.1.1 受灾劳动力的部门分布
实际调查中,两市共419名劳动力受到台风影响,占总调查人数(845人)的49.6%.由图 1可知:(1)受灾劳动力所在部门比例较高的有信息传输、软件和信息技术服务业(S9, 13.13%)、制造业(S3, 11.22%)、金融业(S10, 10.26%)、建筑业(S5, 9.55%)、批发和零售业(S6, 9.55%).台风带来强对流天气,影响网络信号传输,导致信息传输、软件和信息技术服务业成为劳动力受灾比例最高的部门.另外,建筑业的劳动力多在室外作业,工作环境受天气影响大,而且,台风导致建筑工地塔机等机器设备受损及建筑工人临时住所活动板房受损等,导致停工误工比例高. (2)受灾劳动力比例较低的部门有农林牧渔业(S1)、采矿业(S2)以及电力、热力、燃气及水生产和供应业(S4),3个部门均仅有0.72%的劳动力受到台风影响.调查原因得知,市区农林牧渔业和采矿业的从业人口少;电力、热力、燃气及水生产和供应业则因为关乎民生基础和基本安全保障,在台风发生前后一直处于备战或救灾状态,停工误工的劳动力较少.
AMIL模型假设将受灾劳动力按不同部门就业人口比例分配到相应部门,与实际调查情况比较,两者存在较大差异(图 1):在AMIL模型中,由于制造业(S3)、租赁和商务服务业(S12)的从业人口比例大,分配到两部门的受灾人口多,与实际调查情况相比,两部门的受灾人口分别被高估了18.87%和16.75%,AMIL模型中受灾劳动力被高估的部门还有农林牧渔业(S1)、批发和零售业(S6)、科学研究、技术服务业(S13)、居民服务、修理和其他服务业(S15);AMIL模型假设低估了其他13个部门的劳动力受灾情况,尤其信息传输、软件和信息技术服务业(S9)、金融业(S10)、建筑业(S5)分别被低估10.43%、8.91%、5.55%,这些部门的就业人口比例不高,但实际受灾劳动力比例却较高.
结果表明:劳动力受灾最严重的部门是信息传输、软件和信息技术服务业,而非传统的制造业,受灾劳动力的部门分布与AMIL模型假设存在偏差.所以,在进行间接灾害损失评估时,需要重视受灾劳动力人数在不同行业的特点和差异.
2.1.2 受灾劳动力的恢复时间
调查显示:台风造成多条主要道路两旁绿化树木倒伏,道路堵塞,劳动力因道路无法通行而出现上班延误.由图 2、图 3可知:(1)上班路上延误小于1 h的人数占受灾总人数的29.12%;延误2~4 h的人数占比较小,共占受灾总人数的3.34%. (2)灾后第0.5天和第2天的劳动力恢复人数的比例较高,分别为41.29%和33.89%,灾后第4天的劳动力恢复人数的比例最低(仅为3.10%). (3)所有受灾劳动力在灾后第4天均恢复工作.
AMIL模型假设劳动力恢复到稳定阶段需30天,完全恢复需90天,远远大于实际劳动力恢复工作的时间,究其原因为:AMIL模型中所设置的劳动力恢复时间参数偏大而导致间接损失评估偏大.另外,AMIL模型假设中恢复时间以“天”为单位,而实际调查中,劳动力工作延误1 h以内的人数的占比位居第二.因此,在灾害间接损失评估模型的受灾劳动力恢复模块中,劳动力延误时间的单位设置应精确到小时.
2.1.3 受灾劳动力的恢复路径
AMIL模型利用双曲正切函数构建S型劳动力恢复曲线,以拟合劳动力恢复路径(图 4),将线性劳动力恢复路径升级为非线性.但是,不同行业受台风灾害的敏感性不同,在恢复路径的“线型”上可能存在差异.实际调研结果(图 5)显示:(1)第一产业的劳动力恢复路径存在先慢后快的特征,台风过后12 h内,劳动力恢复率为0;台风过后第1天,劳动力恢复率有所上升;台风过后第2天的劳动力恢复率与第1天的持平;台风过后第3天,劳动力恢复率达到100%. (2)第二、三产业的劳动力恢复路径均呈现先快后慢的特征,第三产业的劳动力恢复整体快于第二产业,可能与第三产业较多为室内工作,台风对其影响较小有关.由此可知不同产业的劳动力恢复路径存在差异,AMIL模型中不同产业劳动力恢复路径参数应根据实际情况进行调整.
由实际调研结果可知综合恢复路径呈现先快后慢的特征(图 5):台风过后12 h内的劳动力恢复较快,已有41.77%的劳动力恢复工作;台风过后第1天,恢复工作人数达52.27%;台风过后第2天,恢复工作人数高达85.92%;台风过后第3天,只有极少数劳动力未恢复工作;台风过后第4天,所有劳动力均恢复工作.这一特征与AMIL模型中“先慢后快再慢”的S型劳动力恢复路径(图 4)存在较大差异.本文尝试用不同函数拟合劳动力综合恢复曲线,由结果(表 3)可知:幂函数拟合R2=0.964,Sig=0.003 < 0.05,且残差最小,拟合效果最好.该结果可为扩展AMIL模型中关于劳动力恢复路径“线型”提供参考.
表 3 不同函数模型拟合结果Table 3. The simulation results of different function models函数模型 R2 Sig F 残差 对数函数 0.962 0.003 75.346 0.11 二次项函数 0.987 0.013 76.319 0.04 三次项函数 0.989 0.135 29.167 0.03 幂函数 0.964 0.003 80.312 0.02 指数函数 0.856 0.024 17.792 0.09 2.2 广州市和深圳市劳动力受灾情况对比
2.2.1 受灾劳动力人数对比
广州市和深圳市均为一线城市,劳动力作为生产要素在城市经济运转中均占重要地位,两城市的样本量相当,具有可比性.由调查结果可知广州市的劳动力受灾情况比深圳市的严重:(1)广州市、深圳市分别有219、200名劳动力受台风影响,分别占两城市调查人数的51.4%、47.7%.(2)19个部门中,深圳市仅有7个部门的劳动力受灾比例高于广州市,其中6个部门属于第三产业(图 6),而第三产业的受灾劳动力更容易恢复.广州市的城市面积大于深圳市,其常驻人口数量也更多,较大的受灾面积和较大的基数人口可能是广州市劳动力受灾情况更严重的原因之一.
2.2.2 受灾劳动力恢复路径对比
广州市和深圳市的劳动力恢复路径都呈先快后慢的趋势,但恢复速度有所不同(图 7):深圳市的劳动力恢复速度明显快于广州市,台风过后12 h内,深圳市已有52%的人数恢复工作,而广州市只有32.42%,两者差距接近20%.随着时间的推移,虽然两城市的劳动力恢复工作比例的差距越来越小,但总体来看,深圳市劳动力的恢复速度快于广州市.首先,由前文分析知深圳市的劳动力受台风影响的程度低,且受灾劳动力比例高的部门多集中在第三产业,第三产业劳动力多在室内工作,受台风影响后恢复速度快;第二,深圳市面临的气象灾害,尤其台风灾害较多,在国内首开气象灾害预警信号先河[24],气象灾害预警机制不断完善,群众对台风暴雨灾害的防灾意识强[25],这可能是深圳市劳动力恢复速度较快的原因之一.
广州市和深圳市各个部门受灾劳动力的比例以及劳动力恢复路径均存在差异,说明同次灾害发生在不同城市应区别对待,应根据实地调研情况设置参数,以减小模型模拟的不确定性.
3. 结论与讨论
本文针对灾害间接经济损失评估模型中受灾劳动力所在的部门、恢复时间和恢复路径的参数问题,对受台风“山竹”影响较大的广州市和深圳市的受灾劳动力情况进行问卷调查,分析调查结果并与AMIL模型假设中劳动力参数进行对比,主要结论如下:
(1) 从受灾人数来看,台风导致广州市和深圳市近一半劳动力受影响而停工误工,由此造成的减产对间接经济损失的影响不容忽视.
(2) 从受灾劳动力分布的部门来看,实际调查中,由于不同行业的特点和差异,以信息传输、软件和信息技术服务业为主的5个部门的劳动力受台风影响明显.
(3) 从台风影响时长方面来看,台风过后的第4天,所有部门的劳动力恢复工作;实际劳动力恢复工作时间远小于AMIL模型的假设时间.
(4) 从劳动力恢复路径来看,不同产业恢复特征和速度不一致,综合劳动力恢复路径呈先快后慢特征;幂函数对实际劳动力恢复路径的拟合效果较好.
(5) 劳动力受灾情况存在地区差异:广州市的受灾情况比深圳市的严重,深圳市劳动力的恢复速度整体快于广州市.
研究结果表明:实际受灾劳动力的部门分布与AMIL模型假设中受灾劳动力的部门分布不一致,受灾劳动力部门分布参数仅依靠比例法设置并不准确;实际劳动力恢复路径与AMIL模型中的S型路径不一致,且不同城市的实际劳动力恢复路径存在差异,劳动力恢复路径的参数应根据实际情况进行调整;在AMIL模型及其他间接经济损失模型的劳动力参数设置时需考虑劳动力工作环境因素和区域差异因素.
大灾后劳动力短缺是经济复苏的重要制约因素之一,受灾劳动力的部门分布、受损时间与恢复路径是间接经济损失评估模型的重要参数.参数的设置仅依靠比例法和经验值是不够的,有必要通过实地调研进行逐步调整和改进.本文对劳动力恢复理论进行了定量化的验证,所得结果可为间接经济损失评估模型的劳动力参数调整提供参考,从而提高间接经济损失模型评估的准确性和全面性.
-
表 1 被调查人员基本信息统计
Table 1 The statistics of basic information of respondents
调查项目 调查人数/人 比例/% 城市 广州市 426 50.4 深圳市 419 49.6 性别 男 582 68.9 女 263 31.1 年龄 <18岁 9 1.1 18~30岁 455 53.8 31~40岁 249 29.5 41~50岁 110 13.0 51~60岁 17 2.0 >60岁 5 0.6 表 2 调查劳动力的部门分布
Table 2 The sector distribution of the labor force surveyed
部门编号 部门名称 产业类型 各部门就业人员占比/% 样本 实际 S1 农林牧渔业 1 1.18 3.87 S2 采矿业 2 0.36 0.02 S3 制造业 2 21.89 30.09 S4 电力、热力、燃气及水生产和供应业 2 1.07 0.41 S5 建筑业 2 5.80 4.00 S6 批发和零售业 2 10.89 12.32 S7 交通运输、仓储和邮政业 2 6.04 4.78 S8 住宿和餐饮业 2 6.04 3.96 S9 信息传输、软件和信息技术服务业 2 6.27 2.70 S10 金融业 2 4.85 1.35 S11 房地产业 2 3.55 3.54 S12 租赁和商务服务业 3 14.32 21.28 S13 科学研究、技术服务业 3 1.18 1.85 S14 水利、环境和公共设施管理业 3 3.31 0.50 S15 居民服务、修理和其他服务业 3 2.13 2.67 S16 教育 3 2.84 2.62 S17 卫生和社会工作 3 2.84 1.26 S18 文化、体育和娱乐业 3 1.89 0.64 S19 公共管理、社会保障和社会组织 3 3.55 2.13 注:产业类型1、2、3分别表示第一产业、第二产业、第三产业. 表 3 不同函数模型拟合结果
Table 3 The simulation results of different function models
函数模型 R2 Sig F 残差 对数函数 0.962 0.003 75.346 0.11 二次项函数 0.987 0.013 76.319 0.04 三次项函数 0.989 0.135 29.167 0.03 幂函数 0.964 0.003 80.312 0.02 指数函数 0.856 0.024 17.792 0.09 -
[1] 黄崇福.自然灾害基本定义的探讨[J].自然灾害学报, 2009, 18(5):41-50. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zrzhxb200905007 HUANG C F. A discussion on basic definition of natural disaster[J]. Journal of Natueal Disasters, 2009, 18(5):41-50. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zrzhxb200905007
[2] 李宁, 张正涛, 陈曦, 等.论自然灾害经济损失评估研究的重要性[J].地理科学进展, 2017, 36(2):256-263. http://d.wanfangdata.com.cn/Periodical/dlkxjz201702011 LI N, ZHANG Z T, CHEN X, et al. Importance of economic loss evaluation in natural hazard and disaster research[J].Progress in Geography, 2017, 36(2):256-263. http://d.wanfangdata.com.cn/Periodical/dlkxjz201702011
[3] 吴吉东, 何鑫, 王菜林, 等.自然灾害损失分类及评估研究评述[J].灾害学, 2018, 33(4):160-166. http://d.wanfangdata.com.cn/periodical/zhx201804026 WU J D, HE X, WANG C L, et al. A review on classification and loss assessment of natural disasters[J]. Joumal of Catastrophology, 2018, 33(4):160-166. http://d.wanfangdata.com.cn/periodical/zhx201804026
[4] 张正涛, 李宁, 冯介玲, 等.从重建资金与效率角度定量评估灾后经济恢复力的变化——以武汉市"2016.07.06 "暴雨洪涝灾害为例[J].灾害学, 2018, 33(4):214-219. http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&filename=ZHXU201804036 ZHANG Z T, LI N, FENG J L, et al. Quantitative assessment of changes in post-disaster resilience from the perspective of rescue funds and rescue efficiency——a case study of a flood disaster in Wuhan city on July 6, 2017[J]. Joumal of Catastrophology, 2018, 33(4):214-219. http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&filename=ZHXU201804036
[5] HASS J E, KATES R W, BOWDEN M J. Reconstruction following disaster[M]. Massachusetts:The MIT Press, 1977.
[6] OOSTERHAVEN J. The supply-driven input-output model: a new interpretation but still implausible[J]. Journal of Regional Science, 1989, 29:459-465
[7] COCHRANE H C. Economic impacts of a midwestern earthquake[J]. The Quarterly Publication of NCEER (National Center for Earthquake Engineering Research), 1997, 11(1):1-55. http://pesquisa.bvsalud.org/brasil/resource/en/des-11345
[8] OKUYAMA Y, HEWINGS G J D, SONIS M. Economic impacts of an unscheduled, disruptive event: a miyazawa multiplier analysis[M]//HEWINGS G J D, SONIS M, MADDEN M, et al ed. Understanding and interpreting economic structure. Berlin: Springer, 1999: 113-144.
[9] BROOKSHIRE D S, CHANG S E, COCHRANE H, et al. Direct and indirect economic losses for earthquake damage[J]. Earthquake Spectra, 1997, 13:683-701. http://scitation.aip.org/getabs/servlet/GetabsServlet?prog=normal&id=EASPEF000013000004000683000001&idtype=cvips&gifs=Yes
[10] Federal Emergency Management Agency(FEMA). Hazus-MH-MR5 technical manual[M]. Washington:Department of Homeland Security, 2011.
[11] OKUYAMA Y, HEWINGS G J D, SONIS M. Measuring economic impacts of disasters: interregional input-output analysis using sequential interindustry model[M/OL]//OKUYAMA Y, CHANG S E, ed. Modeling Spatial and Economic Impacts of Disasters. Berlin: Springer, 2004: 77-101. https://doi.org/10.1007/978-3-540-24787-6_5.
[12] HALLEGATTE S. An adaptive regional input-output model and its application to the assessment of the economic cost of katrina[J]. Risk Analysis, 2008, 28(3):779-799. http://www.mapfre.com/documentacion/publico/i18n/consulta/registro.cmd?id=103286
[13] LI J, CRAWFORD-BROWN D, SYDDALL M, et al. Mode-ling imbalanced economic recovery following a natural di-saster using input-output analysis[J]. Risk Analysis, 2013, 33(10):1908-1923. http://www.istic.ac.cn/suoguan/detailed.htm?dbname=xw_qk&wid=0220140300299808
[14] KOKS E E, BOCKARJOVA M, DE MOEL H, et al. Integrated direct and indirect flood risk modeling:develop-ment and sensitivity analysis[J]. Risk Analysis, 2015, 35(5):882-900. http://europepmc.org/abstract/MED/25515065
[15] BÄUMEN H S I D, TÖBBEN J, LENZEN M. Labour forced impacts and production losses due to the 2013 flood in Germany[J]. Journal of Hydrology, 2015, 527:142-150. http://www.sciencedirect.com/science/article/pii/S0022169415002899
[16] XIA Y, GUAN D, JIANG X, et al. Assessment of socioeconomic costs to China's air pollution[J]. Atmospheric Environment, 2016, 139:147-156. http://www.sciencedirect.com/science/article/pii/S1352231016303776
[17] MENDOZA-TINOCO D, GUAN D, ZENG Z, et al. Flood footprint of the 2007 floods in the UK:the case of the Yorkshire and the Humber region[J]. Journal of Cleaner Production, 2017, 168:655-667. http://www.sciencedirect.com/science/article/pii/S0959652617320048
[18] 吴先华, 徐中兵, 袁迎蕾, 等.台风灾害的关联经济损失评估——以江苏省为例[J].灾害学, 2014, 29(2):77-83. http://www.cnki.com.cn/Article/CJFDTotal-ZHXU201402017.htm WU X H, XU Z B, YUAN Y L, et al. Relational economic loss assessment of typhoon disaster——a case study of Jiangsu Province[J]. Journal of Catastrophology, 2014, 29(2):77-83. http://www.cnki.com.cn/Article/CJFDTotal-ZHXU201402017.htm
[19] ZHANG Z, LI N, CUI P, et al. How to integrate labor disruption into an economic impact evaluation model for postdisaster recovery periods[J]. Risk Analysis, 2019(4):1-21. doi: 10.1111/risa.13365
[20] 刘诗白.论马克思关于生产劳动和非生产劳动的理论[J].社会科学战线, 1982(3):55-65. http://www.cnki.com.cn/Article/CJFDTotal-SHZX198203011.htm [21] BRUNEAU M, CHANG S E, EGUCHI R T, et al. A framework to quantitatively assess and enhance the seismic resi-lience of communities[J]. Earthquake Spectra, 2003, 19(4):733-752.
[22] 广东省统计局.广东省统计年鉴[M].北京:中国统计出版社, 2019. [23] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准委员会.国民经济行业分类: GB/T 4754—2017[S].北京: 中国标准出版社, 2017: 4-83. [24] 张小丽.气象灾害预警信号发布的历程与深化[C]//中国气象学会2007年年会气象软科学论坛分会场论文集.中国气象学会: 中国气象学会, 2007: 159-165. [25] 陈申鹏.深圳市气象灾害预警机制研究[D].哈尔滨: 哈尔滨工业大学, 2019. CHEN S P. A study on Shenzhen's meteorological disaster warning mechanism[D]. Harbin: Harbin Institute of Technology, 2019.
-
期刊类型引用(0)
其他类型引用(2)