1999—2018年廣東省自然災害災情時空變化特征及影響因素研究

王江波, 顧夢瑤, 吳宇凡, 茍愛萍

(1.南京工業大學建筑學院,江蘇 南京 211816;2.江蘇省城鎮化和城鄉規劃研究中心,江蘇 南京 210036;3.上海應用技術大學生態技術與工程學院,上海 201418)

0 引言

廣東省處于亞熱帶季風氣候區,受熱帶海洋氣團和極地大陸氣團的交替控制,加之地質構造較為復雜、地勢起伏較大,臺風、洪澇、風暴潮、地質災害等復雜自然災害頻發,高強度的人類活動加劇了這些災害的發生頻率與威脅范圍。獨特的自然地理環境使廣東省自然災害呈現種類多、成災強度大、發生頻率高、影響范圍廣、突發性強、多種災害交替出現或同時出現等特點。廣東省坐擁粵港澳大灣區內9個核心城市,且背后擁有廣闊腹地,作為承接粵港澳大灣區的戰略高地和“一帶一路”沿線城市對外開放的窗口,其戰略地位不言而喻,但頻發的自然災害給廣東省的經濟發展和生態環境帶來重大影響。因此,研究廣東省自然災害的災情,對于政府部門制定全省防災減災規劃、加強災害動態監測預警、提高防災工作的科學性與時效性具有重大現實意義。

近年來,國內外眾多學者針對自然災害災情評估開展大量研究,國外有關重大自然災害的災情評估,已經形成一定的技術框架,并輔以較成熟的技術手段與信息平臺,主要有災害損失與需求評估框架(the damage loss and needs assessment,DaLA)、美國國家多災種評估系統(the hazards united states-multi-hazard,HAZUS-MH)[1]、澳大利亞應急管理署的災害損失評估框架(emergency management australia-disaster loss assessment,EMA-DLA)[2]、災害社會經濟與環境影響評估框架(estimating the socio-economic and environment effects of disasters,ECLAC)[3]和災后需求評估框架(post disaster needs assessment,PDNA)[4]5個國際主流災害損失評估體系,各評估系統的評估理念、內容、方法有一定差異。國內的災情評估研究也取得大量優秀成果,馬宗晉等[5]提出基于基礎上報統計數據的定性分析。隨著研究的深入,災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計上報數據進行災情損失評估的局限[9]。

隨著學科交叉程度的提高,自然災害災情量化的評估模型和多指標綜合評估逐漸成為研究熱點。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時一定程度上將部分重要信息忽略,且評估指標越多,重要信息被忽略的越多[13-14]?；诙嘀笜说木C合評價方法能夠較全面地反映較大范圍研究區域的災情分布情況,基于該方法目前有較多優秀成果。綜合災情指數是由程立海等[15]學者提出,其核心思路是集成不同維度的指標為一個綜合指數,眾多學者基于該思路對不同尺度的災害評定進行了深入研究與探索[16-19]。

災害影響因素方面,我國學者的研究多關注經濟損失與經濟水平、受災人口與人口數量等對應因素的關聯性。研究方法上,學者多采用統計學方法和空間計量學方法[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]、應用生態分析[29]、災害分析[30-31]等學科領域得到廣泛應用。

綜上所述,由于學科視角、評估災種、評估尺度不同,災情評估方法眾多且差異性較大,尚未形成權威、統一的方法論。廣東省作為我國災害頻發的地區,其自然災害相關研究較為豐富,多集中于臺風、熱帶氣旋的單災種研究,或是對單個地級市的災情研究,缺少省域范圍的災情研究。

自然災害給社會經濟與生命安全帶來巨大損失,鑒于廣東省重要戰略地位和防災減災轉型的迫切要求。研究廣東省自然災害災情的時空分布規律,分析其背后的影響機制是開展科學防災減災工作的重要基礎。因此,本文以廣東省1999—2018年自然災害損失基本數據為基礎,利用CRITIC(criteria importance though intercrieria correlation)權重法構建綜合災情指數模型,同時,利用地理探測器從多因子角度對廣東省自然災害災情從時間、空間上開展研究,探究其變化特征和影響因素,希望研究成果能夠對安全防災與韌性建設決策起到參考與輔助作用。

1 研究區域概況和研究方法

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,屬東亞季風氣候區,降雨充沛,年平均降水量在1300～2500mm,地勢北高南低,地形復雜,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[33]。2021年廣東地區生產總值已達12.44萬億元,但省內經濟發展水平存在嚴重的區域差異。

1.2 研究方法

1.2.1 綜合災情指數

綜合災情指數(synthetical disaster condition index,SDI)是由學者程立海[15]開發的多指標評估算法,其本質是基于綜合評價法的數理模型,通過構建不同的指標層結合一定的數學模型將多個評價因子濃縮至一個整體,對給定時間范圍內的地區災害損失情況進行總體衡量。

(1)評估指標選取。國家標準化管理委員會2009年發布了GB/T 24438.1—2009《自然災害災情統計 第1部分:基本指標》,該標準規范了災情統計的28項基本指標,將這些基本指標按不同維度分成4大類,包括人口維度、農作物維度、基礎設施維度、經濟維度。人口受災情況、農作物受災情況、房屋倒損情況和直接經濟損失是過去和當前自然災害災情統計的核心內容。結合廣東省已有數據與統計年鑒的實際情況,選取受傷人口、受災人口、死亡人口、農作物受災面積、房屋倒損數量、直接經濟損失6個參數作為本文綜合災情指數模型中的基本指標,如圖1。

圖1 綜合災情指數模型示意圖

(2)數據預處理。指標間關系相互獨立,各指標的特征、統計單位不同,將各指標進行無量綱化處理。在進行無量綱化前,先對數據進行預處理,以免影響分析結果。數據預處理包括2個步驟:①對0值指標及極端指標進行剔除處理;②對直接經濟損失指標的折算,通貨膨脹會造成經濟指標統計數值的變化,因此,基于國家統計局公布的累積消費價格指數(consumer price index,CPI)對直接經濟損失數據進行轉換。由于自然災害具有偶發性,并不服從正態分布,故不適用標準化消除數據差異性的方法進行無量綱化處理。歸一化原理是對原始數據進行線性變換,將其映射到[0,1]之間,是做線性模型預處理的關鍵,故本文選取歸一化進行無量綱處理。

(3)CRITIC權重分析。CRITIC權重法是利用數據波動性或數據相關性大小計算權重,能較好地利用數據本身的客觀屬性進行科學評價[34]。為更客觀地呈現廣東省1999—2018年災情變化規律,利用該方法確定綜合災情指數評價指標中各指標之間的權重。將無量綱處理后的數據代入CRITIC權重法進行分析,見表1。

表1 各項指標權重分布

由表1可得,死亡人口權重占比最高,符合人道主義價值的判定,其次是農作物受災面積,權重占比最小的是受災人口指標。

由于極端值在一定程度上會影響數據分布情況,進而影響其波動性和相關性,雖然CRITIC權重法確定的指標值是根據指標間相關性來確定,對極端值敏感度較低,但為了確保極端值對最終權重影響可控,故討論去掉2017和2018年極端值(由臺風“天鴿”和“山竹”導致的極端值),見表2。

表2 去掉極端值后的權重分布

從表2可以看出,原本權重最小的受災人口指標變為房屋倒損數量指標,權重最大的死亡人口指標依舊不變,可見,極端值對客觀權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,評價結果變化不大,所以,為確保評價結果客觀呈現,最終綜合災情指數模型中保留2017與2018年時間序列數據。

1.2.2 地理探測器

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

災情影響因素研究表明[35],降水、溫度、濕度等表征氣候(氣象)的指標與自然災害災情大小息息相關。此外,一個地區的經濟發達水平、人群素質程度、政府公共管理能力等社會經濟因素也與災害損失程度有關?；谇叭搜芯縖36],結合廣東省處于季風氣候區且地勢復雜的實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、基礎建設因子、防災減災因子。其中,極端降雨、極端高溫、極端強風等因子表征極端氣候因子,采用單個站點氣候要素(氣溫、降水、風速)超過特定界限值的記錄次數來定義極端氣候事件;地形地表因子選取高程標準差因子、坡度因子、有可能誘發地質災害的植被覆蓋率因子、有可能誘發洪澇災害的河網密度因子。結合該地區經濟社會差異和防災工程投入差異,選取人口密度因子、建設密度因子、耕地密度因子、地區生產總值因子代表基礎建設水平。當地人群受教育程度、醫療水平、防災工程的投入等能一定程度上減輕自然災害帶來的影響?；诖?本文選取人群受教育程度、人均醫療水平、人均綠地面積、防洪堤長度、通車里程等因子作為防災減災因子。人群受教育程度因子為地區高等院校在校人數與當年常住人口數的比;當地人均醫療水平因子為地區醫院總床位數與當年常住人口的比;公共綠地可以很好調節地區微氣候,減少誘發自然災害的可能性,除此之外,公共綠地作為開敞空間也是自然災害來臨時較好的避難場所,選用地區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工程投入因子;通車里程表示交通通達度因子。廣東省災害影響因子及量化方法,見表3。

表3 災害影響因子及量化方法

1.3 數據來源

本文選取表征自然災害損失的數據來自《廣東省防災減災年鑒》《廣東農村統計年鑒》;極端氣候數據來源于國家氣象信息中心實時庫;高程數據來源于SRTM DEM 90m分辨率的柵格數據;植被覆蓋率數據、巖性數據、土地利用數據均來源于中國科學院地理科學與資源研究所,數據類型為柵格數據,精度為100m;廣東省土地面積、人口密度、地區生產總值等基礎數據來源于1999—2018年歷年《廣東統計年鑒》《廣東建設年鑒》《廣東農村年鑒》;廣東省自然資源廳、廣東省應急管理廳、廣東省財政廳等政府網站發布的救災情況、公共預算支出等數據作為本文的參考與補充數據。上述源數據根據分布性質與廣東省省情,基于R語言對數據進行處理,所有數據重采樣到空間分辨率為5km。

2 廣東省自然災害災情時空變化特征

2.1 時間演變規律

(1)綜合災情指數總體處于微弱上升趨勢,如圖2。由圖2可知,廣東省20年間的綜合災情指數在0.212～0.596之間,平均值為0.339,高值區間為0.339～0.596,低值區間為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年綜合災情指數變化

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6月1305號熱帶風暴“貝碧嘉”、7月初1306號強熱帶風暴“溫比亞”、7月中旬1307號超強臺風“蘇力”、8月初1309號強熱帶風暴“飛燕”、8月中旬1311號超強臺風“尤特”、8月下旬1312號臺風“潭美”、9月下旬1319號超強臺鳳“天兔”、11月上中旬1330號超強臺風“海燕”等熱帶氣旋。據省三防辦統計,全省共出現29場暴雨過程,平均降雨量達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生較早,平均降水量較常年偏多10.7%,導致部分地區發生嚴重的洪澇災害。多地出現百年一遇的短歷時降雨,多條江河出現超過預警的特大洪水,部分出現超歷史實測最大洪水和最高風暴潮位。一年中有7條中小河流出現特大洪水,為歷史罕見。

(2)年際間綜合災情指數波動較劇烈,大小災年交替明顯。從圖2可知,20年來廣東省自然災害綜合災情指數波動較大。對綜合災情指數運用基礎統計學方法進行描述性分析,見表4。對比表4和圖2可知,中位數為0.300,最靠近中位數的年份是2005和2016年。變異系數為33.522%,說明數據離散程度較大,即20年間綜合災情指數波動較大,大小災年交替明顯。

表4 基礎統計學描述分析

2.2 空間分異規律

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

表5 1999—2018年各地市綜合災情指數統計

由表5可知,綜合災情指數茂名市最高為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。從區域分布來說,平均綜合災情指數粵西地區最高,大灣區九市最低。

(2)廣東省20年自然災害災情時空分布特征一定程度上印證了自然災害具有偶發性、隨機性的特性。為進一步歸納并總結其時空格局演化規律,從時間序列角度對2011—2018年綜合災情進行時空演化格局分析,見表6。

表6 2011—2018年廣東省絕對綜合災情指數

可以看出,2011—2018年綜合災情重災區有明顯的轉移路徑:粵西→粵北→粵東→沿海。為進一步研究受災程度上的差異,對綜合災情指數進行空間自相關分析,見表7。

表7 2011—2018年綜合災情莫蘭指數分布

莫蘭指數絕對值處于0.038～0.705之間,平均數為0.221,跨度較大,最低指數接近零,為2016年,說明該年綜合災情在空間上呈隨機分布;最高點為0.705,較接近1,為2011年,說明該年綜合災情具有較強的空間集聚性。

3 影響因素分析

分析綜合災情指數和莫蘭指數發現,2013年綜合災情指數最高且莫蘭指數較高,表明該年災情較嚴重為大災年,且空間集聚性較高;2018年綜合災情指數和莫蘭指數均較低,表明該年災情較輕為小災年,且空間異質性較高。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年綜合災情影響因素及各因素之間的作用關系進行分析,探究各因子對于災情的影響程度并分析災情背后的響應交互機制。

3.1 影響機制分析

利用地理探測器中的因子探測對廣東省2013與2018年綜合災情影響因素進行分析,q值表示各影響因子Xi(i=1,2,…,16)解釋綜合災情指數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。因子探測結果表明,2013年解釋力較強的因子為極端降雨事件X9、極端強風事件X12、極端高溫事件X16、人口密度X13;2018年解釋力較強的因子為耕地密度X10、建設密度X2、人均醫療水平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、極端強風因子。2013和2018年的因子探測結果顯示,大災年的極端降雨因子、極端強風因子等極端氣候因子解釋力排名靠前;小災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害的影響起直接作用,且無論大小災年對災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準差因子、坡度因子、植被覆蓋率因子及河網密度因子。高程標準差因子和河網密度因子在2次因子探測結果中解釋力排名均靠后,可見無論大小災年地勢起伏度與河網密集程度對災情影響都較小。坡度因子在2次探測中解釋力排名分別靠后和中間,可見在大災年地形對災情的影響甚微,但對小災年的影響增大。植被覆蓋率因子在大災年的解釋力較小,而在小災年較大,說明在通常情況下植被覆蓋率高能夠減輕泥石流、滑坡、崩塌等地質災害的發生,但在強降雨等極端氣候條件下效果甚微。地形地表因子誘發自然災害需要強降水或者高溫干旱等前提條件,因此,它對災情大小的影響起間接作用。

(3)基礎建設因子(助推作用)?；A建設因子包括人口密度因子、建設密度因子、耕地密度因子、地區生產總值因子。人口密度因子在2次探測結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。耕地密度與建設密度在大災年解釋力排名居中,在小災年排名第一,說明耕地密度因子與建設密度因子一定程度上對災情產生影響。地區生產總值因子在2次探測結果中排名都較靠后,雖然經濟發達地區的財富暴露度較高,加劇災害來臨時的損失,對災情起到正向的助推作用,較強的經濟能力意味著有更大的能力進行防災工程建設,從而減緩一些自然事件造成的損失;沒有基礎建設和人類活動,任何自然事件作用于地表都無法構成損失,也無法從自然事件變為自然災害,可見基礎建設因子通過助推作用來影響災情大小[38]。

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

極端氣候因子對廣東省災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年均較穩定。經濟、耕地等基礎建設因子小災年的影響力較大,大災年較小。防災減災因子在大小災年的影響力都相對較弱。

3.2 交互機制分析

對2013與2018年綜合災情影響因素進行交互作用探測,如圖4。根據相交結果與單因子比較,分為非線性減弱、單因子非線性減弱、雙因子增強、獨立、非線性增強5種作用結果。

圖4 2013年與2018年交互探測結果分布

2013年各因子交互探測結果,如圖4(a)。從如圖4(a)可知,16個影響因子兩兩之間互相作用時均為增強,其中,極端降雨事件X2與建設密度X9交互作用對災情影響最大。2018年各因子交互探測結果,如圖4(b)。從如圖4(b)可知,各因子兩兩交互作用對綜合災情產生的影響均大于單一因子的影響,其中,高程標準差X5與極端強風事件X12交互作用對災情影響最大。

非線性增強的因子大災年中較多,小災年較少,因此,本文對大災年各因子兩兩交互作用對綜合災情產生的影響進行分析。從如圖4(a)可知,在大災年中高程標準差因子X5與其他5個因子存在非線性增強作用,這說明地勢起伏度作為孕災環境與其他因子共同作用時對災情大小的影響表現突出。根據災害系統理論,致災因子直接作用于地球表面,與地球表面各圈層發生作用,最終形成自然災害[39]。從災害長期演變機制角度看,區域地表過程引發的鏈式反應會導致災害組合發生變化,從而使自然災害發生的范圍與強度發生變化[40],這說明孕災環境對災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定,這表明孕災環境具有一定穩定性。地區生產總值因子、耕地密度因子、通車里程因子在交互探測中也表現出較好的非線性增強作用,這說明地區經濟發展與建設程度作為承災體,其對災情的影響不僅體現在本身的暴露程度,也體現在與其他因子共同作用時的非線性增強作用?？梢钥闯?致災因子可直接作用于承災體和孕災環境,孕災環境和承災體同時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情[41]。地理探測器的交互探測結果表明,自然災害災情大小是多因素綜合影響的結果,如圖5。

圖5 各因子交互機制

4 討論與建議

4.1 討論

自然災害本身具有偶發性、隨機性、連鎖性等特性,這也與廣東省1999—2018年災情時空特征表現一致,即災情綜合指數波動劇烈、大小災年交替、不同維度的線性趨勢不一致等特點。自然災害的區域連鎖反應的影響范圍不僅作用于單一行政區劃,同時各地區的基礎建設密度、經濟實力、人口、減災能力等差異,受災影響深度也有差異,因此廣東省災情出現空間分異性較高、不同維度重災區不一致的特點。從2014年開始,災情的空間集聚呈現下降趨勢,這表明自然災害災情多呈點狀、密集發生,而非片狀、大范圍發生。從災情影響的機制看,災害系統中不同要素分別具有不同特性,如致災因子危險性、孕災環境穩定性、承災體脆弱性。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,直接影響災情大小,而地形地表因子影響力則相對穩定,間接影響災情大小。

4.2 建議

針對以上影響機制分析及災情時空演化特征,結合目前廣東省防災減災現狀,提出以下對策與建議。

(1)樹立系統防災觀念。地理探測器的因子探測與交互探測結果表明,任何自然災害災情影響程度是各因子共同作用的結果。系統防災在體制上要做到縱橫向協調相結合?？v向協調,即充分發揮省級政府與地方各級政府的作用,特別是基層社區在防災減災管理中的作用;橫向協調,即充分發揮各級政府設置的與防災減災相關機構的聯動作用,針對區域自然災害系統所具有的災害鏈特征,實現減災資源利用的效率化和效益化。

(2)完善綜合防災立法。目前,廣東省單災種專項法規法有50多部,缺乏防災、減災、救災、應急管理的綜合立法。綜合立法能夠全面問責、追責,確保各專項應急預案的法制化與標準化,同時確保各個部門之間應急的協調性與及時性,大大提高國家專項預案與省級、省級與地方之間的銜接效率,一定程度上可以打破專業壁壘與部門壁壘。

(3)優化區域防災結構。針對重災區不斷轉移、災情空間較為分散的特點,要因地制宜、因災施策,結合國土空間規劃“雙評價”結果,摸清不同地區在環境、資源、經濟建設、社會文化等因素之間的差異,科學評估致災因子的危險性與承災體的脆弱性,橫向銜接防災專項規劃。

(4)建立氣象預警平臺。地理探測器的因子探測結果表明,在災情嚴重的大災年,極端氣候因子影響力較大。因此,加強氣象預警平臺的監測十分重要,尤其要提高對熱帶氣旋、極端性強降雨等極端天氣事件的預報準確率和精確度,保證空間和時間的精準。

5 結論

本文以1999—2018年廣東省災損數據為基礎,從人口維度、農作物維度、基礎設施維度、經濟維度進行災損描述并構建綜合災情指數;利用線性趨勢、變異系數、相關性分析等統計學方法及空間分析方法進一步分析其時空演化特征;選取有可能影響災情變化的因子,利用地理探測器進行因子探測和交互探測,給予一定的對策與建議。主要結論如下。

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

(2)從空間上看,空間分異程度較大,災情呈現邊緣高—中間低的空間格局,綜合災情指數最高地區為茂名市,最低地區是深圳市,無明顯集中趨勢。災情重心空間演化方面,重災區自2010年開始,經歷粵西→粵北→粵東→沿海的轉移路徑。

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

(4)本文的不足之處,一是在構建綜合災情指數時所采用的指標體系簡單、不全面,時間序列較短;二是災情影響因素僅做了初步分析,后續研究將針對上述不足進行完善與細化。