臺風災害間接損失評估模型中勞動力參數(shù)研究

王 芳，李 寧，張正濤，劉 遠，陳 曦，黃承芳

(北京師范大學地理科學學部環(huán)境演變與自然災害教育部重點實驗室//減災與應急管理研究院，北京 100875)

自然災害對人類的危害主要表現(xiàn)在2個方面：一是人員傷亡和緊急安置轉移，二是經濟損失[1]. 經濟損失包括直接損失和間接損失. 災區(qū)的工商業(yè)可能因電力、天然氣、水或通信線路的破壞而減產，進而引起產業(yè)鏈中斷，由此產生的連鎖反應將波及整個災區(qū)甚至災區(qū)外的經濟，這種作用造成的損失稱為災害的間接經濟損失. 間接經濟損失一般通過模型模擬進行評估，研究表明災害的間接影響要比直接影響更長遠[2-4]. 勞動力是生產力三要素之一，災害導致勞動力無法正常參加生產服務而造成的經濟損失是災后間接經濟損失的重要組成部分. 人口大量聚集的城市，因勞動力受災導致的間接經濟損失更大.

間接經濟損失研究始于20世紀70年代[5]；80年代引入的投入產出模型(Input/Output,IO)[6]是目前評估災害間接經濟損失的主流模型，并于90年代蓬勃發(fā)展[7-8]；90年代，CGE模型[9]加入了勞動力參數(shù)，受災人口開始作為一個整體的“行業(yè)”引入到災害損失評估中；00年代，美國聯(lián)邦應急管理署(Federal Emergency Management Agency,FEMA)引入IO模型創(chuàng)建“HAZUS災害管理系統(tǒng)平臺”[10]，加入了人口受災的要素[11-12]. 21世紀10年代，學者們開始重視作為生產關鍵要素的人口在生產恢復中的作用，如：LI 等[13]將因交通延誤的勞動力平均分配到每個經濟部門，恢復過程為線性；KOKS等[14]假設每個部門的勞動力平均分布，用部門淹沒損失代替勞動力損失，淹沒時長代替勞動損失時間；BUMEN等[15]用發(fā)放短期津貼人數(shù)和發(fā)放時間來反映災害對勞動力影響的全過程；XIA等[16]按各部門的發(fā)病率判斷各部門的受損勞動力，并用病人平均就診時間表示勞動力損失時間；MENDOZA-TINOCO等[17]用被淹房屋數(shù)量與每戶平均勞動力人數(shù)的乘積表示受災勞動力人數(shù)，根據經驗將交通延誤折算為勞動損失時間，恢復過程為線性；吳先華等[18]利用勞動力報酬和就業(yè)人數(shù)的變化表示災后勞動力損失與恢復的情況. 可見，間接損失評估模型雖然加入了勞動力參數(shù)，但因受災勞動力部門分布、延誤時長及恢復路徑等關鍵數(shù)據都未統(tǒng)計在災情記錄里，相關研究或未直接涉及勞動力自身受災和恢復的問題，或僅停留在總受災人口部門平均分配以及災后線性恢復的層面，未考慮勞動力恢復機理和部門之間的差異，從而影響了間接損失評估的精確度.

ZHANG等[19]在IO模型中添加了災后勞動力數(shù)量損失和恢復2個模塊，建立了AMIL(Adaptive Multiregional Input-Output with Inventory & Labor)模型，該模型基于經濟學的勞動力生產理論[20]和災害學的恢復力理論[21]評估間接經濟損失. 在受災勞動力數(shù)量模塊中，AMIL模型將受災勞動力按就業(yè)比例劃分到各個部門；在受災勞動力恢復模塊中，AMIL模型采用雙曲正切函數(shù)路徑，將簡單線性恢復升級為基于恢復機理的非線性過程. 然而，受災勞動力部門劃分是否合理、雙曲正切函數(shù)恢復路徑與實際災情是否吻合、勞動力恢復時間誤差是否可以忽略等問題都需要通過災害事件的調查來驗證. 本文通過在廣州市和深圳市實地調研取得的845份問卷數(shù)據，分析了受災勞動力部門的分布情況及不同部門勞動力的停工誤工時間，對勞動力恢復理論進行定量化的驗證，并對比了臺風“山竹”對廣州市、深圳市勞動力影響的差異，擬為間接經濟損失模型中勞動力模塊的參數(shù)調整提供參考.

1 研究方法

1.1 研究區(qū)選擇

2018年9月16日17時許，超強臺風“山竹”在廣東省江門市登陸. 登陸時，臺風中心附近的最大風力為14級(45 m/s)，中心最低氣壓為955 hPa，帶來強降雨，造成多地暴雨洪澇. 災害對勞動力的影響顯著，產生的災害間接經濟損失突出.

本研究選取廣州市和深圳市為調研區(qū)域，調研區(qū)域內經濟發(fā)達、人口密集、生產貿易聯(lián)系密切. 從經濟發(fā)展水平來看，2017年末，廣州市、深圳市的GDP分別占廣東省GDP總值的24.0%、25.1%[22]；從人口規(guī)模來看，廣州市、深圳市的常住人口分別占廣東省常住人口的13.0%、11.2%[22]；從受災情況來看，廣州市和深圳市距臺風“山竹”中心較近，遭受強降雨侵襲，都造成嚴重的城市洪澇災害；從災害應急和救助措施來看，廣州市和深圳市都采取“停工(業(yè))、停產、停課”等嚴密防御措施，勞動力的工作時間均受到較大影響.

1.2 問卷調查設計

為研究勞動力參數(shù)，問卷主要設置了兩方面的問題：一是被訪者的工作部門，二是受“山竹”影響的誤工時間. 根據2017年國家發(fā)布的《國民經濟行業(yè)分類》[23]國家標準，并考慮廣東省的現(xiàn)實行業(yè)分布情況，問卷設置了19個相關部門(表2)，用于比較受災勞動力的部門分布情況與AMIL模型中假設的差距. 針對誤工時間，問卷設置了以下問題：(1)是否接受緊急轉移安置？(2)轉移時長是多少？(3)因臺風影響，停工、停業(yè)或停課多久？(4)如未停工，通勤時間比正常情況下長多少？(5)一周工作時間為幾天，周末是否工作？由于“山竹”臺風在周日(2018年9月16日)登陸，被調查人員中周日需工作的，停工時間從周日算起，周日原本不工作的，停工時間從周一算起. 問卷同時調查了所在城市、性別和年齡等個人信息.

1.3 樣本合理性分析

本次問卷覆蓋廣州市和深圳市的各個城區(qū)，對于產業(yè)分布較多的城區(qū)，發(fā)放的問卷量比其他城區(qū)增加10%. 采用多階段隨機抽樣與面訪(面訪內容與問卷內容一致)相結合的方式完成問卷. 共發(fā)放問卷1 000份，剔除無效問卷，共收到有效問卷845份，有效問卷占84.5%. 其中：廣州市的有效問卷為426份，深圳市的有效問卷為419份；調查對象中，男性勞動力共582人(占68.9%)，女性勞動力共263人(占31.1%)；845份有效問卷涵蓋了各年齡段的勞動力，其中主要勞動力(18～50歲)占總調查人數(shù)的96.3%(表1). 受調查勞動力的部門分布情況與2018年末廣州市和深圳市的實際勞動力部門分布類似(表2)，樣本具有代表性，可以反映廣州市和深圳市的勞動力基本情況.

表1 被調查人員基本信息統(tǒng)計Table 1 The statistics of basic information of respondents

表2 調查勞動力的部門分布Table 2 The sector distribution of the labor force surveyed

1.4 構建勞動力恢復路徑

勞動力恢復路徑是評估災害間接經濟損失的重要參數(shù)，可利用勞動力停工誤工時間計算災后不同時間勞動力的恢復率，以觀察勞動力的恢復路徑:

其中，Yij為災后第j天第i產業(yè)的勞動力恢復率；Ni為第i產業(yè)的受災總人數(shù)；Aij為第i產業(yè)在災后第j天累計勞動力恢復工作的人數(shù). 根據法定8小時工作時間，對于上班延誤時間小于等于4 h的受災勞動力視為災后第0.5天恢復工作.

綜合勞動力恢復率為勞動力恢復工作總人數(shù)與受災總人數(shù)的比值，勞動力恢復路徑由不同時間的勞動力恢復率構成.

2 結果與分析

本文根據845份問卷，從不同產業(yè)部門和不同城市受災勞動力的角度，對受災勞動力的部門分布、恢復時間和恢復路徑進行統(tǒng)計分析，與AMIL模型假設進行對比;并對比了廣州市和深圳市的勞動力受災情況.

2.1 勞動力受臺風影響情況

2.1.1 受災勞動力的部門分布 實際調查中，兩市共419名勞動力受到臺風影響，占總調查人數(shù)(845人)的49.6%. 由圖1可知：(1)受災勞動力所在部門比例較高的有信息傳輸、軟件和信息技術服務業(yè)(S9,13.13%)、制造業(yè)(S3,11.22%)、金融業(yè)(S10,10.26%)、建筑業(yè)(S5,9.55%)、批發(fā)和零售業(yè)(S6,9.55%). 臺風帶來強對流天氣，影響網絡信號傳輸，導致信息傳輸、軟件和信息技術服務業(yè)成為勞動力受災比例最高的部門. 另外，建筑業(yè)的勞動力多在室外作業(yè)，工作環(huán)境受天氣影響大，而且，臺風導致建筑工地塔機等機器設備受損及建筑工人臨時住所活動板房受損等，導致停工誤工比例高. (2)受災勞動力比例較低的部門有農林牧漁業(yè)(S1)、采礦業(yè)(S2)以及電力、熱力、燃氣及水生產和供應業(yè)(S4)，3個部門均僅有0.72%的勞動力受到臺風影響. 調查原因得知，市區(qū)農林牧漁業(yè)和采礦業(yè)的從業(yè)人口少；電力、熱力、燃氣及水生產和供應業(yè)則因為關乎民生基礎和基本安全保障，在臺風發(fā)生前后一直處于備戰(zhàn)或救災狀態(tài)，停工誤工的勞動力較少.

AMIL模型假設將受災勞動力按不同部門就業(yè)人口比例分配到相應部門，與實際調查情況比較，兩者存在較大差異(圖1)：在AMIL模型中，由于制造業(yè)(S3)、租賃和商務服務業(yè)(S12)的從業(yè)人口比例大，分配到兩部門的受災人口多，與實際調查情況相比，兩部門的受災人口分別被高估了18.87%和16.75%，AMIL模型中受災勞動力被高估的部門還有農林牧漁業(yè)(S1)、批發(fā)和零售業(yè)(S6)、科學研究、技術服務業(yè)(S13)、居民服務、修理和其他服務業(yè)(S15)；AMIL模型假設低估了其他13個部門的勞動力受災情況，尤其信息傳輸、軟件和信息技術服務業(yè)(S9)、金融業(yè)(S10)、建筑業(yè)(S5)分別被低估10.43%、8.91%、5.55%，這些部門的就業(yè)人口比例不高，但實際受災勞動力比例卻較高.

結果表明：勞動力受災最嚴重的部門是信息傳輸、軟件和信息技術服務業(yè)，而非傳統(tǒng)的制造業(yè)，受災勞動力的部門分布與AMIL模型假設存在偏差. 所以，在進行間接災害損失評估時，需要重視受災勞動力人數(shù)在不同行業(yè)的特點和差異.

圖1 受災勞動力的部門分布比例

2.1.2 受災勞動力的恢復時間 調查顯示：臺風造成多條主要道路兩旁綠化樹木倒伏，道路堵塞，勞動力因道路無法通行而出現(xiàn)上班延誤. 由圖2、圖3可知：(1)上班路上延誤小于1 h的人數(shù)占受災總人數(shù)的29.12%；延誤2～4 h的人數(shù)占比較小，共占受災總人數(shù)的3.34%. (2)災后第0.5天和第2天的勞動力恢復人數(shù)的比例較高，分別為41.29%和33.89%，災后第4天的勞動力恢復人數(shù)的比例最低(僅為3.10%). (3)所有受災勞動力在災后第4天均恢復工作.

圖2 不同誤工時長的受災勞動力占比

圖3 災后勞動力恢復情況

AMIL模型假設勞動力恢復到穩(wěn)定階段需30天，完全恢復需90天，遠遠大于實際勞動力恢復工作的時間，究其原因為：AMIL模型中所設置的勞動力恢復時間參數(shù)偏大而導致間接損失評估偏大. 另外，AMIL模型假設中恢復時間以“天”為單位，而實際調查中，勞動力工作延誤1 h以內的人數(shù)的占比位居第二. 因此，在災害間接損失評估模型的受災勞動力恢復模塊中，勞動力延誤時間的單位設置應精確到小時.

2.1.3 受災勞動力的恢復路徑 AMIL模型利用雙曲正切函數(shù)構建S型勞動力恢復曲線，以擬合勞動力恢復路徑(圖4)，將線性勞動力恢復路徑升級為非線性. 但是，不同行業(yè)受臺風災害的敏感性不同，在恢復路徑的“線型”上可能存在差異. 實際調研結果(圖5)顯示：(1)第一產業(yè)的勞動力恢復路徑存在先慢后快的特征，臺風過后12 h內，勞動力恢復率為0；臺風過后第1天，勞動力恢復率有所上升；臺風過后第2天的勞動力恢復率與第1天的持平；臺風過后第3天，勞動力恢復率達到100%. (2)第二、三產業(yè)的勞動力恢復路徑均呈現(xiàn)先快后慢的特征，第三產業(yè)的勞動力恢復整體快于第二產業(yè)，可能與第三產業(yè)較多為室內工作，臺風對其影響較小有關. 由此可知不同產業(yè)的勞動力恢復路徑存在差異，AMIL模型中不同產業(yè)勞動力恢復路徑參數(shù)應根據實際情況進行調整.

由實際調研結果可知綜合恢復路徑呈現(xiàn)先快后慢的特征(圖5)：臺風過后12 h內的勞動力恢復較快，已有41.77%的勞動力恢復工作；臺風過后第1天，恢復工作人數(shù)達52.27%；臺風過后第2天，恢復工作人數(shù)高達85.92%；臺風過后第3天，只有極少數(shù)勞動力未恢復工作；臺風過后第4天，所有勞動力均恢復工作. 這一特征與AMIL模型中“先慢后快再慢”的S型勞動力恢復路徑(圖4)存在較大差異. 本文嘗試用不同函數(shù)擬合勞動力綜合恢復曲線，由結果(表3)可知：冪函數(shù)擬合R2=0.964，Sig=0.003<0.05，且殘差最小，擬合效果最好. 該結果可為擴展AMIL模型中關于勞動力恢復路徑“線型”提供參考.

圖4 AMIL模型勞動力恢復路徑示意圖

圖5 實際勞動力恢復路徑

表3 不同函數(shù)模型擬合結果Table 3 The simulation results of different function models

2.2 廣州市和深圳市勞動力受災情況對比

2.2.1 受災勞動力人數(shù)對比 廣州市和深圳市均為一線城市，勞動力作為生產要素在城市經濟運轉中均占重要地位，兩城市的樣本量相當，具有可比性. 由調查結果可知廣州市的勞動力受災情況比深圳市的嚴重：(1)廣州市、深圳市分別有219、200名勞動力受臺風影響，分別占兩城市調查人數(shù)的51.4%、47.7%.(2)19個部門中，深圳市僅有7個部門的勞動力受災比例高于廣州市，其中6個部門屬于第三產業(yè)(圖6)，而第三產業(yè)的受災勞動力更容易恢復. 廣州市的城市面積大于深圳市，其常駐人口數(shù)量也更多，較大的受災面積和較大的基數(shù)人口可能是廣州市勞動力受災情況更嚴重的原因之一.

2.2.2 受災勞動力恢復路徑對比 廣州市和深圳市的勞動力恢復路徑都呈先快后慢的趨勢，但恢復速度有所不同(圖7)：深圳市的勞動力恢復速度明顯快于廣州市，臺風過后12 h內，深圳市已有52%的人數(shù)恢復工作，而廣州市只有32.42%，兩者差距接近20%. 隨著時間的推移，雖然兩城市的勞動力恢復工作比例的差距越來越小，但總體來看，深圳市勞動力的恢復速度快于廣州市. 首先，由前文分析知深圳市的勞動力受臺風影響的程度低，且受災勞動力比例高的部門多集中在第三產業(yè)，第三產業(yè)勞動力多在室內工作，受臺風影響后恢復速度快；第二，深圳市面臨的氣象災害，尤其臺風災害較多，在國內首開氣象災害預警信號先河[24]，氣象災害預警機制不斷完善，群眾對臺風暴雨災害的防災意識強[25]，這可能是深圳市勞動力恢復速度較快的原因之一.

廣州市和深圳市各個部門受災勞動力的比例以及勞動力恢復路徑均存在差異，說明同次災害發(fā)生在不同城市應區(qū)別對待，應根據實地調研情況設置參數(shù)，以減小模型模擬的不確定性.

圖7 廣州市和深圳市的勞動力恢復路徑對比

3 結論與討論

本文針對災害間接經濟損失評估模型中受災勞動力所在的部門、恢復時間和恢復路徑的參數(shù)問題，對受臺風“山竹”影響較大的廣州市和深圳市的受災勞動力情況進行問卷調查，分析調查結果并與AMIL模型假設中勞動力參數(shù)進行對比，主要結論如下：

(1)從受災人數(shù)來看，臺風導致廣州市和深圳市近一半勞動力受影響而停工誤工，由此造成的減產對間接經濟損失的影響不容忽視.

(2)從受災勞動力分布的部門來看，實際調查中，由于不同行業(yè)的特點和差異，以信息傳輸、軟件和信息技術服務業(yè)為主的5個部門的勞動力受臺風影響明顯.

(3)從臺風影響時長方面來看，臺風過后的第4天，所有部門的勞動力恢復工作；實際勞動力恢復工作時間遠小于AMIL模型的假設時間.

(4)從勞動力恢復路徑來看，不同產業(yè)恢復特征和速度不一致，綜合勞動力恢復路徑呈先快后慢特征；冪函數(shù)對實際勞動力恢復路徑的擬合效果較好.

(5)勞動力受災情況存在地區(qū)差異：廣州市的受災情況比深圳市的嚴重，深圳市勞動力的恢復速度整體快于廣州市.

研究結果表明：實際受災勞動力的部門分布與AMIL模型假設中受災勞動力的部門分布不一致，受災勞動力部門分布參數(shù)僅依靠比例法設置并不準確；實際勞動力恢復路徑與AMIL模型中的S型路徑不一致，且不同城市的實際勞動力恢復路徑存在差異，勞動力恢復路徑的參數(shù)應根據實際情況進行調整；在AMIL模型及其他間接經濟損失模型的勞動力參數(shù)設置時需考慮勞動力工作環(huán)境因素和區(qū)域差異因素.

大災后勞動力短缺是經濟復蘇的重要制約因素之一，受災勞動力的部門分布、受損時間與恢復路徑是間接經濟損失評估模型的重要參數(shù). 參數(shù)的設置僅依靠比例法和經驗值是不夠的，有必要通過實地調研進行逐步調整和改進. 本文對勞動力恢復理論進行了定量化的驗證，所得結果可為間接經濟損失評估模型的勞動力參數(shù)調整提供參考，從而提高間接經濟損失模型評估的準確性和全面性.