全球气候变化对上海城市复合生态系统影响空间评价方法

本章主要采用地理信息系统（GEOGRAPHIC INFORMATION SYSTEM，简称GIS），GIS技术和情景分析方法来进行定量化的研究。地理信息系统拥有强大的数据库管理功能（如dATA MANAGEMENT TOOLS工具等）和空间分析功能（如SPATIAL ANALYST TOOLS工具等），它为后续的人口预测、暴露度分析、脆弱性空间分析和评估提供了有利条件。情景分析方法已经成为灾害评估的重要手段之一，其基本方法之一是对可能发生的自然灾害极端危害情景进行模拟，用以评估和预测未来情景下灾害造成的各类损失及其受灾范围。本章选定了2030年和2050年两个时间点作为情景时间设定，在海平面将持续上升和中心城区地面沉降加重背景下，假定两种情景下的台风风暴潮（低情景：0608号；高情景：9711号）将登陆上海，对2030年和2050年给上海造成的人口和经济损失以及受灾范围进行预估。

本章按照以上的研究思路，分别从关键因子筛选、建立数据库、灾害和社会情景预估、脆弱性分析四大方面进行海平面上升及风暴潮灾害情景下的上海市脆弱性评估的技术路线（见图5.1）。本章将全球气候变化的灾害风险情景设定为海平面上升、地面沉降以及极端台风风暴潮灾害，在经过资料和数据收集后，进行灾害和社会经济情景模拟，通过脆弱性曲线的方法进行上海2030年和2050年暴露度分析和脆弱性评价，评估标的主要是上海全市范围内的受灾人口和直接经济损失。

在对上海未来社会经济发展情景模拟的过程中，由于涉及上海整个系统的方方面面，所牵涉的影响因子异常繁复。也因为数据资料来源的原因，本书将未来社会经济发展情景的预测进行简化，主要统计和搜集了人口分布数据和GdP数据的动态变化，同时在上海其他各项因素如基础设施、医疗卫生等保持不变、不作为可变因子来计量的假设前提之下，以期对上海未来社会经济发展情况开展客观、真实但又相对简化的评估。

图5.1　全球气候变化对上海影响空间评价的技术流程

在进行人口和经济的脆弱性空间评估之前，本研究先进行最小分析单元的设定，将上海分为149个基本统计属性表，主要是以乡镇街道为划分依据^[2]，运用ARCGIS平台中的工具计算了未来时间情景下不同土地利用类型潜在的淹没范围、暴露度和脆弱性。在ARCGIS平台上进行空间计算时，需要划分规定大小的栅格，即对研究区域进行栅格化处理，此处统一将栅格大小设定为100 M×100 M。在进行脆弱性评估过程中，主要涉及的社会经济要素为：

人口密度。本章的人口数据基于1990年、2000年和2010年上海第四、第五、第六次人口普查。其中，1990年和2000年由于外来人口占上海户籍人口的比例较小，故统计局的人口普查对象是户籍人口；2010年，外来人口占上海市总人口的比重明显上升，此次的人口普查对象为常住人口，包括原有户籍人口和居住在上海市半年以上的外来流动人口。

经济密度。经济密度指单位面积上每年创造的国内生产总值。国内生产总值是基于上海市2011年乡镇一级国内生产总值^[3]，其中嘉定和青浦的统计年鉴没有公开乡镇一级的国内生产总值，故所辖街道、镇、乡的国内生产总值以区国内生产总值代替。

5.2.1　气候变化风险：灾害“情景分析”方法

情景分析（SCENARIO ANALYSIS）是基于各个关键假设的的前提下，通过严密推理和描述来构想未来各种可能的方案。在国外，情景分析法应用于灾害风险评估的历史悠久（dUTTA，ET AL.，2003；KLEIST ANd THIEKEN，2006；OLIVERI ANd SANTORO，2000）。美国进行第一次灾害风险性评估的时间较早，1975年就进行了各类灾害的情景分析，依据受灾严重城市的历史灾情数据（如淹没范围等）评估和预估了未来情景下美国可能遭受的自然灾害。第二次灾害风险评估时，美国采用情景模拟的方法将侧重点放到了大型城市防灾减灾的解决路径上（MILETI，1999；胡蓓蓓，2009）。日本采用情景分析方法进行研究也较早，20世纪80年代中期就开始进行洪灾风险性评估，主要应用的领域是区域内洪涝灾害（孙桂华等，1992）。经过多年的发展，国际上出现了不少风暴潮数值模型，如美国的台风风暴潮漫滩模型（SLOSHSEA，LAKE ANd OVERLANd SURGES FROM HURRICANES）、英国的海模型、荷兰的数值模拟计算系统ELEFT3d模型、丹麦的平面二维模型MIKE 21和澳大利亚的GCOM2d＼3d模型等，以适用于不同国家的气候特征和海岸水温地貌特征。在国内，情景分析方法主要应用于水资源配置、水污染控制、气候变化模拟等方面。

本书关于气候变化灾害风险性的情景模拟的关键假设即海平面上升、地面沉降以及9711号台风的资料等主要基于王军等（WANG，ET AL.，2012）的研究工作之上，在进行台风风暴潮数值模拟的时，应用其所采用的MIKE21模型，主要模拟了未来时间情景下以及相对海平面上升的背景下高低两个情景的台风数据，即低情景0608号台风和高情景9711号台风，模拟的主要年份是2030年和2050年。

5.2.2　影响评价：脆弱性评估

脆弱性评估是指区域范围内自然灾害所造成的损失程度，目前主要的方法有三种：基于指标体系、基于历史灾情和基于脆弱性曲线的脆弱性评估（见表5.2）。最常用的是基于指标体系的方法，通过各种模型的应用，选择部分典型的指标进行脆弱性评估。但是这个方法本身并不非常成熟，结果的可信度也不够充分。基于历史灾情的方法是对结果的反推，需要调查灾情发生时的各类数据和大量的历史灾情数据作为支撑。在历史灾情记录有限、指标体系评估方法不够规范化且结果可信度不充分的情况下，基于脆弱性曲线的评估方法则提供了另一种重要思路（石勇，2010）。

表5.2　脆弱性评估方法

资料来源：石勇（2010）。

脆弱性曲线，又称“灾损曲线”，是主要反映灾害损失程度与灾害发生频率之间关系的曲线。要衡量巨灾风险的大小，必须通过巨灾建模（CATASTROPHE MOdELING），在经验数据的基础上构建巨灾损失模型。灾损曲线可以确定某一灾害损失规模下的巨灾事件的发生频率，从而求出巨灾总损失的数学期望值，并实现巨灾保险的定价（张涵博，2013）。

脆弱性曲线是用于确定各类自然灾害和损失率间的相关性，通常是绘制函数曲线或者界定同一灾害造成不同程度的灾害损失对应的灾损率。脆弱性曲线主要是采用灾害损失率来表示灾损值占总价值的比例，用来量化不同自然灾害对社会经济造成的损失后果，它对于脆弱性的度量具有非常重要的应用价值。那么，在构建脆弱性曲线基础数据收集过程中可采用问卷法、实地调研法、已有脆弱性曲线的修改和应用等。在构建不同损失的脆弱性曲线的过程中，经济损失、人口损失、财产损失是尤为突出和重要的。英国洪灾研究中心构建了21类建筑的淹没深度—损失曲线共168条，并且完成了全国范围内居民房屋在面对洪涝灾害这一自然灾害过程中的评估工作，计算出缓慢上升的不同水深下的直接损失，这是迄今最为丰富的脆弱性评估成果之一。澳大利亚学者于1993年针对商业区的建筑物进行了水淹损失调查，将建筑分为三类，将水淹损失值分为五个等级。美国学者在20世纪80年代构建了淹没水深—灾损曲线的方法，主要应用于评估特大洪灾这一自然灾害下的经济损失。荷兰学者根据荷兰、美国、英国、日本等几个国家的历史灾害情况汇集了一个基本数据库，根据人口脆弱性研究方法全面构建了人口脆弱性曲线。

由此可以看到，发达国家中的英国和荷兰等国家已对脆弱性函数曲线建立的方法等均较为成熟，在社会上得到了大规模推广和使用。美国USAGE、FEMA等机构对灾损数据进行搜集和整理，正在形成完整的运作机制。澳大利亚对于脆弱性研究应用于商业领域这一方面是处于领先位置的。日本的灾损曲线法的运用也为洪灾风险评估提供了客观依据。而对于发展中国家来说，虽然受灾严重，但是相关的研究还在探索中（石勇等，2009）。

脆弱性函数曲线的构建主要有三种方法：实地调查法、基于保险索赔数据的脆弱性分析法和已有脆弱性曲线的直接利用与修正（王军等，2009）。在进行上海市社会经济发展脆弱性评估时，主要采用上海市静安区和浦东新区对应的不同土地利用类型的脆弱性曲线的基础上，以及搜集历史灾害损失情况，最后确定了不同土地利用类型在不同的淹没深度的灾害损失百分比（见表5.3）。

表5.3　上海市不同土地利用类型下不同淹没深度的灾损率

资料来源：尹占娥等（2010，2011）。

在开展人口脆弱性曲线的工作过程中，发现对于上海甚至国内区域性人口脆弱性曲线进行调研较少，所以本研究在这一方面应用国外的研究成果。国外对于人口脆弱性曲线的研究丰富，尤其对于卡特里娜飓风有详尽的研究数据，由于当时造成了巨大的生命和财产损失，且当时国外正是对脆弱性已有一定的理论研究基础，故在灾害发生后的第一时间对此次灾害做出了详尽的调查和走访。所以本书研究采用卡特里娜飓风中开发的不同淹没深度下的人口损失脆弱性曲线。此次飓风与本书研究的自然灾害风险性情景中选取的和9711号台风均为强台风，而0608号台风虽然是超强台风，但由于登陆地点和偏转路径使其对上海的影响较小，对于上海来说可近似看作为强台风影响。所以卡特里娜飓风对于上海来说是有比较好的参考和应用意义的。潜在人口损失的估计采用以下方法：洪灾中潜在死亡人数（N）由事件死亡率（Fd）和暴露人数（NEXP）共同确定：N＝Fd·NEXP。根据定义，事件死亡率（Fd）是死亡人数（N）除以暴露人数（NEXP），人口死亡率函数见表5.4。

表5.4　不同淹没深度的人口损失率

注：基于2005年美国新奥尔良发生的卡特里娜飓风的死亡人口数据。
资料来源：BOBMAASKANT，ETAL.（2009）。

5.2.3　社会经济情景预估

对上海社会经济未来情景的预估和预测，涉及上海城市复合生态系统中的方方面面，所牵涉到的各项复杂因素很多。囿于数据资料来源的限制，本章将上海市社会经济未来发展情景的预估简化为人口和国民生产总值这两项统计指标的动态变化，同时假定上海防灾减灾的各项设施、措施、教育、医疗等其他重要脆弱性因子保持现有水平，不作为可变因子加以评估和计量，以期对上海未来的社会经济发展状况进行客观、真实但又相对简化的描述性估计。

1.基于土地利用密度法的人口预测

（1）人口总量预测。

在进行人口空间展布之前，先进行人口总量的预测，对上海市内的人口总量进行约束，而对于人口总量的预估主要建立在历史数据之上，并采用人口总量预测模型对上海2030年和2050年的常住人口进行预估，在这一过程中加入了人口合理容量、人口相关政策等约束条件。本书对人口总量的预测基于之前对于该区域内人口总量的预测基础之上（邱蓓莉等，2014），人口预测模型如下：X（T＋1）＝H（T）X（T）＋β（T）B（T）X（T）＋F（T）X（0）＝｛X 1（0），X 2（0），X 3（0），…，X M（0）｝烄烆烅X I（T）A＝X 0（T）∑X（A）≤B　　　　（B为常量）

其中，X（T）为人口状态向量：X（T）＝｛X 1（T），X 2（T），X 3（T）…，X M（T）｝，X I（T）表示在T年年龄满I周岁但是还不到I＋1周岁的人口数量总和，此处I需要取整如0，1，2，3，4，5，6…，M（M表示人可以活到的最高年龄）。

H（T）为人口状态转移矩阵：

μ（T）为死亡率函数。

β（T）为妇女平均比生育率或平均生育率，β（T）＝｛β1（T），β2（T），β3（T），…，βM（T）｝。

B（T）为生育矩阵：

μ00（T）表示婴儿的死亡率，K I（T）表示性别比例函数，H I（T）表示妇女的生育模式，I＝R 1，R 1＋1，R 1＋2，R 1＋3，R 1＋4，R 1＋5，…，R 2，［R 1，R 2］表示妇女的育龄区间。

F（T）为人口迁移向量：

此处B指的是上海市第T年人口的总数，在此加入这一人口总量的约束条件，其主要影响因子是上海市未来社会经济发展情况下的人口合理容量和人口政策变化这两个因子。在实际模拟过程中，具体的计算主要涉及两个方面：一是上海2030年的人口预测，上海社科院预测2030年上海常住人口将达到3 000万人，未来时间情景下上海市常住人口的继续增长势头基本不会改变，但人口的增长速度会逐步逐步减缓^[4]；二是借鉴东京这一亚洲人口高度集中的区域所经历的历史规律（王桂新，2003）。从这两方面来看，本书设定未来35年内人口的总数将不会多于3 500万人的约束条件。

在进行人口数据收集和处理过程中主要应用统计法进行数据处理，将研究区域内的人口数据按照区域划分，比对历史人口普查数据，计算人口的增长率或减少率，随后在约束条件下模拟和预测未来的人口总量。在本书研究中，主要的数据来源于1990年、2000年和2010年人口普查数据。截止到2012年，上海共有18个区县的108个镇、2个乡和98个街道办事处，共计208个乡镇街道区块。在区域划分过程中，由于位于上海中心城区^[5]的面积都相对较小并且人口和GdP数据难以全部获得，故我们将上述9个区作为未来人口与经济预测的基本区块单元，加上其余9个区县的132个乡镇街道以及4个工业园区和3个农场，共计148个基本区块单元。根据预测，我们对未来上海148个基本区块单元的人口导入和导出情况进行了分区，可分为人口大量导入区、人口平稳导入区和人口导出区三种类型，其中人口大量导出区的划分标准是年均人口导入超过1万人的区块。分析结果表明，2030年和2050年上海市域范围内的人口大量导入区分别为宝山、奉贤、嘉定、金山、闵行、青浦、松江和浦东新区等8个区的33个街镇；人口导入区分别为虹口、普陀、徐汇、杨浦、闸北和长宁等6个中心城区，以及宝山、崇明、奉贤、嘉定、闵行、青浦、松江和浦东新区等8个区的89个乡镇街道（包括4个工业区和3个农场）；人口导出区则为黄浦、静安、卢湾3个中心城区，以及崇明县和浦东新区的17个乡镇街道（见表5.5）。上述148个基本区块单元2030年和2050年的人口预测值详见附表13。

（2）土地利用人口密度法。

人口密度估算（也称为人口的空间化）是指由历史统计数据向空间数据转化的方法，一般采用定量化的数学模型将获得的以区域为度量的人口数据分布到单元格中，这也是有别于传统的人口数据处理方法，它使得按照行政区域划分的统计数据转到空间表达提供了一种可行的方法（廖邦固等，2008；徐建刚等，1994）。目前，人口密度估算的数学表达模型非常多，它本质上是各种各样插值这一技术的应用。在人口密度估算的格网化过程中，人们越来越注重影响人口空间分布的因素用以精确地模拟空间上人口分布的不同，如土地利用类型、dEM模型等，既有辅助数据在模型中的应用成为人口密度估算研究应用的重点（廖顺宝、李泽辉，2004；廖一兰等，2007）。目前，人口密度估算的方法主要有面积权重模型、核心估计模型、不同土地利用类型的人口密度法、重力模型、多源数据融合模型等（符海月等，2006；廖顺宝、李泽辉，2003）。

表5.5　上海未来时间情景下人口预测表

基于不同土地利用类型的人口密度法对于人口密度估算的理论基础是：人口在空间上的分布是由于自然地理环境和社会经济发展程度这两大系统相互共同作用的结果，自然地理环境主要指海拔高度、坡度、区域气温、河流等，社会经济发展系统主要包括城市不同的土地利用类型、道路交通设施、城市经济发展等要素，这些都与土地利用的数据之间有着紧密且互相影响的联系（田永中等，2004）。由此可知城市的土地利用类型汇集了各种影响因素的空间展现，而基于不同土地利用类型的人口密度法的主要原理是将人口这一变量在不同的土地利用空间数据上进行线性回归模型的模拟和应用，将区域内按行政区域划分的人口总量按照单位面积上的人口密度展布到不同的土地利用类型网络中，其实质是通过这一方法将平均的人口分布表达为更接近现实的人口分布，其主要步骤为行政区域内平均人口密度→不同土地利用类型的人口密度→栅格化人口密度（江东等，2002；吕安民等，2005）。

故我们首先分区域（街道乡镇一级）进行上海市人口总量预测，再结合2030年和2050年的不同土地利用类型的预测结果利用前文所述的不同土地利用类型的人口密度法将该行政区域内的人口数量空间展布到预测的六类土地类型中的居住用地上，此处即可绘制出人口净密度分布图，但由于这样的处理使得人口分布表现出栅格和栅格之间的突变，故此处再利用ARCGIS平台上的工具采用核心估计法（KERNEL ESTIMATION）进行栅格的平滑处理，降低区域内数据的突变，使结果更加合理表达，得到2030年和2050年的人口密度栅格数据，即人口密度分布图。

2.经济预测

经济预测是研究客观经济过程在未来一定时期的发展变化趋势，其目的在于通过对客观经济现象和历史规律的探讨和分析，以便了解未来经济发展方向和确定社会经济活动的发展水平，为决策提供重要的依据和参考。

经济预测中对经济周期的分析尤为关注和重要。经济周期是经济活动沿着经济发展的总体趋势所经历的有规律的扩张与收缩的周期性过程。根据经济周期理论，一般而言一个国家和地区的经济活动都具有总体性、全局性和周期性的波动特征。一个经济周期通常由繁荣、衰退、萧条、复苏等四个阶段组成。根据经济波动的成因和持续时间，可以将经济周期划分为短周期（基钦周期或存货周期）、中周期（朱格拉周期或固定投资周期）、中长周期（库兹涅茨周期或建筑周期）以及长周期（康德拉季耶夫周期）等四种类型，其形成原因如表5.6所示。

表5.6　经济周期的形成原因

资料来源：佟克克（2006）。

在上述四种经济周期分析类型中，基钦周期和朱格拉周期主要应用于中短经济周期分析，对于本章研究而言并不适用，可资借鉴的主要是后两个周期。近20年来，上海正处在建筑业大扩张时期，且需要预测的两个时间节点2030年和2050年正处于库兹涅茨周期范围内，以及库兹涅茨周期与康德拉季耶夫周期之间。结合1978年改革开放以来上海生产总值的年际变化（见图5.2）可知，1978—2011年按照当年价、可比价计算的上海GdP年均增长率为13.99%和10.39%；而按照2010年价格计算，1978—2011年上海市GdP的年均增长率仅为7.97%，其中1980—1989年、1990—1999年、2000—2004年、2005—2009年和2010—2011年的年均增长率分别为3.94%、11.46%、10.93%、8.45%和5.38%。总体而言，无论是按照不变价还是2010年价格计算，改革开放以来上海GdP的增长过程以1992年和2007年作为两个重要的时间节点，可整体分为三个波动周期：1978—1991年为GdP增速缓慢增长、低位震荡期；1992—2007年为GdP高速增长、高位震荡期；2008年至今则为GdP增速逐年放缓、高位滑落期；前两个波动周期均长达13—15年，后一个波动周期仍在持续进程之中。

资料来源：根据历年上海市统计年鉴及中国统计年鉴绘制而成。
图5.2　1978年以来上海市生产总值变化

经济增长及其增速与人口就业、人民生活息息相关。一般来说，人口每增长1%，在人们生活水准基本保持不变的条件下与此相对应的GdP增速应达到4%，再加上保证每年社会新增就业需要的因素和人们生活条件有所改善的因素，故对于我国来说GdP的年均增长速率一般不应低于7.5%—8.0%。本书研究的经济密度预测采用情景分析的方法，即充分考虑到经济周期的影响，并基于改革开放以来上海GdP的年际变化，将未来40年内上海GdP的年均增速设定为高中低三个预测方案，分别为6%、7%和8%。由于适合上海实际情况的代际贴现率计量模型十分复杂，本章研究中的经济预测暂不考虑此项因素。