删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

极端洪灾情景下上海汽车制造业经济损失与波及效应评估

本站小编 Free考研考试/2021-12-29

黄小莉, 李仙德, 温家洪, 李卫江, 杜士强
上海师范大学地理系,上海 200234

Measuring the economic losses and ripple effects of Shanghai automobile firms under extreme flood scenarios

HUANGXiaoli, LIXiande, WENJiahong, LIWeijiang, DUShiqiang
Department of Geography, Shanghai Normal University, Shanghai 200234, China
通讯作者:通讯作者：李仙德（1984- ）,男,福建周宁人,博士,讲师,研究方向为城市地理与城市经济。E-mail: lixiande2007@163.com
收稿日期:2017-03-15
修回日期:2017-07-28
网络出版日期:2017-09-15
版权声明:2017《地理研究》编辑部《地理研究》编辑部
基金资助:

国家自然科学基金项目（41301168,71603168,41401603）

作者简介:
-->作者简介：黄小莉（1990- ）,女,山东临沂人,硕士,研究方向自为然灾害损失与风险分析。E-mail: jostandby@126.com

展开

摘要
随着全球气候变暖和全球极端气象、水文事件日益多发,沿海低地地区的产业系统面临着极端洪水等灾害的严重威胁。开展极端洪灾情景下沿海特大城市的产业经济损失评估,分析产业网络的波及效应,识别出产业空间损失最为严重的地带,可为沿海城市的气候变化适应和灾害风险管理提供新的思路与方法。以上海黄浦江极端洪灾模拟结果为灾害情景,基于2013年上海汽车制造业第三次经济普查微观数据,评估了上海汽车制造业受灾后的直接经济损失、停产损失,并结合投入—产出模型评估了上海汽车制造企业停产引发波及效应造成的产业关联损失。分析结果表明,在极端洪灾情景下：① 上海市共有451家汽车制造企业受到灾害影响,占上海汽车制造企业总数的23.1%。② 上海汽车制造业厂房建筑、生产设备、整车存货直接经济损失分别为3.1亿元、196.1亿元、9.7亿元。汽车整车制造企业、零部件及配件制造企业的停产损失分别为209.1亿元、69亿元,对相关产业分别造成了1037.6亿元、144.7亿元产业关联损失。受到相关产业停产、减产影响后,汽车整车制造、零部件及配件产业关联损失分别为120.9亿元、247.1亿元。产业关联损失明显大于停产损失和直接经济损失。③ 浦东新区生产设备直接经济损失和停产损失较为严重,分别为93.4亿元、221.7亿元,分别占全市的47.6%、79.7%。上海通用整车厂所在的浦东新区金桥镇停产损失为184.1亿元。④ 由于2.5~3.0 m洪水水深区间分布有两家大型整车厂,因此停产损失最为严重,高达255.2亿元。上海市各级政府需要进一步加强黄浦江、苏州河流域的防汛工程以及工业园区的防洪设施建设;相关企业需要制定周密的业务连续性规划,降低企业停产后波及效应衍生的系统性风险。

关键词：极端洪灾情景;汽车制造业;波及效应;直接经济损失;停产损失;产业关联损失;上海
Abstract
Coastal lowland areas such as Shanghai are increasingly facing the threats from flood and other environmental hazards. Therefore, identifying areas and sectors that are susceptible to flood risk is of great importance for hazards and disaster management for low-lying cities. In this study, we assess the impact of floods on automobile firms and related industries in Shanghai under extreme flood scenarios of the Huangpu River. Information about the automobile industry in Shanghai is obtained from Shanghai's 'Third Economic Census Database'. Our analytical framework is implemented in a GIS environment with the support of input-output models. Our approach can estimate the direct economic losses, economic losses due to disrupted production, as well as the cascading and ripple effects on related industries. More specifically, our analysis suggests that under extreme flood scenarios, (1) 451 or 23.1% of the automobile firms will be susceptible to flood risk. (2) Direct economic losses due to damaged building, equipments, and stocks are estimated to be around 0.31, 20.05, and 0.97 billion yuan, respectively. Disrupted production will also cost 20.91 and 6.9 billion yuan in the manufacturing and supplier firms, respectively. Ripple effects on related industries will significantly exceed economic losses caused by damaged buildings and equipments as well as disrupted production. (3) The Pudong New Area will be hit particularly hard under extreme flood scenarios, accounting for 46% of the equipment damages and close to 80% of the economic losses due to disrupted production. (4) Because there are two large whole-vehicle manufacturers, if the inundated depth is between 2.5 and 3 meters, there will be an economic loss of 25.52 billion yuan. Our study concludes with policy recommendations. For example, the Shanghai municipal government should strengthen the flood control capacity along the Huangpu River and Suzhou River. Relevant firms also need to carefully develop 'Business Continuity Planning' in order to be resilient under floods and other natural disasters. In particular, these firms need to pay special attention to the ripple effects and systemic risks caused by disrupted production.

Keywords：extreme flood scenarios;automobile industry;ripple effect;direct economic losses;disrupted production losses;industry-related losses;Shanghai

-->0
PDF (1371KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNote Ris Bibtex 收藏本文-->
黄小莉, 李仙德, 温家洪, 李卫江, 杜士强. 极端洪灾情景下上海汽车制造业经济损失与波及效应评估[J]. 地理研究, 2017, 36(9): 1801-1816 https://doi.org/10.11821/dlyj201709015
HUANG Xiaoli, LI Xiande, WEN Jiahong, LI Weijiang, DU Shiqiang. Measuring the economic losses and ripple effects of Shanghai automobile firms under extreme flood scenarios[J]. Geographical Research, 2017, 36(9): 1801-1816 https://doi.org/10.11821/dlyj201709015

1 引言

政府间气候变化专门委员会（IPCC）的第五次评估报告指出,随着气候变暖,全球正处于极端天气气候事件的多发期,这将大大增加社会—经济—自然复合生态系统的风险^[1]。世界气象组织等机构基于紧急灾害事件数据库（EM-DAT）的分析表明,最近几十年,在区域和全球层面,极端气象水文事件造成的损失一直在持续增加^[2,3]。2005年“卡特里娜”飓风^[4]、2008年“纳尔吉斯台风”^[5]、2012年“桑迪”飓风^[6]、2013年“海燕”台风^[7]等引发的特大风暴洪水（Storm surge flooding）,均给受灾地区带来了巨大的经济损失。在海平面上升和风暴洪水等自然灾害日益多发的背景下,沿海低地地区（Low elevation coastal zones,LECZ）大量人口和资产面临的灾害风险不断增大^[8]。特别是在台风、暴雨和高潮位等因素作用下形成的极端复合洪水,使沿海低地地区面临着土地淹没、海岸侵蚀等风险隐患,进而危及经济和社会的稳定^[9]。
灾害经济损失评估是灾害与风险管理的基础。灾害经济损失分为直接经济损失和间接经济损失两个部分。直接经济损失是指灾害对直接暴露的资产造成的物质形态破坏,是灾害造成的资产损失的总和,主要包括灾害对产业部门的厂房建筑、生产设备、存货等资产造成的实物损失,是一种静态的概念,属于浅层次的经济损失^[10]。相关****对极端洪灾情景下人口、经济的直接暴露和直接经济损失开展了丰富的研究。Hanson等分析评估了2005年和2070年极端风暴洪水影响下的全球136个港口城市人口和资产的暴露情景,得出到2070年受影响的人口将增加3倍以上,资产损失将增加10倍以上的结论^[11]。Hallegatte等评估了沿海主要城市在未来风暴洪水下的暴露、损失和风险,并识别出了最为脆弱且损失增长最快的城市名单^[12]。Hinkel等借助动态交互脆弱性评估模型分析了全球风暴洪水下的人口和资产的风险,指出如果不采取适应措施,到2100年,基于全球平均海平面上升23~123 cm的情景,每年遭受风暴洪水影响的人口约占全球人口的0.2%~4.6%,预计每年造成的损失将占全球GDP的0.3%~9.3%^[13]。
间接经济损失包括直接经济损失引起的停产损失及通过产业部门之间前后向关联产生的产业关联损失等,属于深层次的经济损失^[14,15]。相关****主要采用区域以及全国的投入—产出模型、社会核算矩阵、可计算一般均衡模型等方法进行产业部门之间或者地区之间的间接经济损失分析^[16,17]。潘起胜等利用美国联邦应急管理署所开发的Hazus-MH软件并结合区域投入—产出模型和空间分配模型,对飓风Ike对大休斯顿地区造成的财产损害以及产业中断引发的波及效应造成的经济损失进行了评估^[18]。Okuyama利用神户大地震受灾地区灾前、灾中、灾后的投入—产出表,分析了受灾地区的经济结构变化,发现在灾后重建带来的建筑业及相关行业的短期发展效应消失后,产业停产和转移的波及效应逐渐显现,灾后人口减少以及人力资本下降等进一步导致灾区经济的长期低迷^[19]。
汽车等机械制造业具有较长的产业链^[20],在即时生产、零库存的生产体制下,其产业局部的关键节点一旦直接遭受损坏而失效,关联影响可能通过供应链前向和后向扩散,对整个产业经济系统形成波及效应,引发系统性风险。2011年东日本大地震^[21]、2011年泰国洪水^[22]等对受灾地区的汽车制造业等产业造成的破坏,及其对全球经济的波及效应,使得产业网络的灾害风险扩散及其引发的间接损失问题日益受到关注^[23]。李卫江等基于日本东南海地震情景对丰田汽车及其关联企业的损失评估显示,丰田汽车网络约有48.1%的工厂将直接受损,其中生产设备损失约为5587亿日元,厂房建筑损失约为1980亿日元。在最长37日的恢复情景下,将造成约9230亿日元的间接经济损失^[24]。加强产业供应链的管理,使之更加适应极端灾害事件成为了全社会面临的迫切命题^[25]。
上海地处长江三角洲冲积平原的太湖尾闾,地势低平、三面环水,黄浦江、苏州河穿城而过,是中国典型的沿海低地地区^[26]。特殊的地理位置与环境导致上海极易遭受洪涝灾害的影响。未来气候变化、海平面上升以及快速城市化都将使上海所面临的极端洪涝灾害风险持续上升^[27-28]。从2005年到2015年,汽车制造业占全市工业总产值的比例从6%逐步上升到15.7%,已成为上海第一大制造业门类。上海汽车制造业的核心整车厂上海大众和上海通用分别是德国大众和美国通用全球生产网络中的重要节点。因此,上海汽车制造业一旦遭受极端洪涝灾害,将对上海市、中国乃至全球产业造成一系列严重的经济损失。
本文以基于Sobek水文模型的上海黄浦江极端洪灾模拟结果为灾害情景,结合2013年经济普查数据中上海汽车制造企业微观个体数据,评估了极端洪灾情景影响下上海汽车制造业的直接经济损失、停产损失,并结合投入—产出模型评估了相关产业部门受到汽车制造业停产波及效应影响后造成的产业关联损失,提出了上海汽车制造业应对极端洪灾风险的对策建议,可为沿海城市的气候变化适应和灾害风险管理提供新的思路和方法,具有一定的理论与现实意义。

2 研究方法与数据来源

2.1 数据来源

本文使用的数据主要包括极端洪灾淹没情景、2013年上海汽车制造业经济普查数据、2012年上海139部门投入—产出表。
2.1.1 极端洪灾淹没情景最新研究表明,到2100年全球海平面上升将可能超过2 m^[29,30]。海平面每上升1 m,上海百年一遇的洪水事件的发生概率增加约40倍^[31]。2008年中国国务院在《关于太湖流域防洪规划的批复》中指出,上海市黄浦江干流及城区段应按1000年一遇高潮位设防。刘敏、王军等在其开展的极端洪灾模拟中发现：500年一遇、1000年一遇的洪灾情景可能淹没整个黄浦江两岸滨江地区,而目前黄浦江防汛墙的实际设防水平仍然无法保证可以达到1000年一遇的防汛标准^[32]。以往对黄浦江极端洪水的模拟较多考虑洪水漫堤情景^[33]。柯茜利用荷兰代尔夫特水力研究所开发的Sobek水文模型,基于上海市数字高程模型、水系、验潮站水文历史记录及台风等数据,分析水位频率曲线,模拟了防汛墙失效（无防汛墙保护措施、洪水漫堤、防汛墙决堤）、水闸关闭失效等多种情景下黄浦江极端洪水的淹没深度和范围^[34]。
鉴于中国国务院将上海黄浦江干流及城区的防汛标准设定为1000年一遇,本文采用了柯茜提供的无防汛墙保护措施情景下1000年一遇的洪水淹没情景。在该情景模拟中,1000年一遇的洪水情景淹没范围主要集中在黄浦江河口以及黄浦江中下游地区,淹没深度区间为0~3.0 m,淹没面积达606.4 km²,占上海市（除崇明岛、长兴岛、横沙岛以外）土地面积的11.7%。
2.1.2 2013年上海汽车制造业经济普查数据在2013年上海市第三次经济普查数据库中,汽车制造企业的基本属性包括地址、行业代码、营业收入、从业人员数量等。鉴于崇明地区（崇明岛、长兴岛、横沙岛）的汽车制造业及其相关产业的发展相对薄弱,本文使用的极端洪水情景影响范围也未涉及崇明地区,因此本文的研究区设定为除崇明地区以外的上海市辖区。根据2013年上海市第三次经济普查数据库,研究区内汽车制造业的企业样本数量为1960家,其中包括整车制造企业11家、汽车零部件及配件制造企业1909家、汽车车身及挂车制造企业9家、改装汽车制造企业30家、低速载货汽车制造企业1家。
2.1.3 2012年上海139部门投入—产出表投入—产出分析是研究产业之间前向、后向关联最为重要的研究方法;投入—产出表是分析产业之间波及效应的基础数据。上海市统计局于2012年展开了第六次投入—产出调查,本文使用上海市统计局发布的2012年上海139产业部门投入—产出表来分析产业关联损失（表1）。
Tab.1
表1
表1上海市2012年139部门投入—产出表示例（万元）
Tab.1Excerpt from a 139-indusry input-output table of Shanghai in 2012 (Ten thousand yuan)

行业	汽车整车	汽车零部件及配件	铁路运输和城市轨道交通设备	…	最终产品	总产出
汽车整车	1781147	0	0	…	31291604	24640742
汽车零部件及配件	8659071	5524539	105	…	10781079	20875657
铁路运输和城市轨道交通设备	0	177	21096	…	3689314	394961
……	…	…	…	…	…	…
总投入	24640742	20875657	394961	…	31291604	24640742

注：资料来源于上海市统计局。

新窗口打开

2.2 研究方法

根据汽车制造企业的具体地址,利用百度公司提供的在线服务“地图拾取坐标系统”进行查询,可得到汽车制造企业的经度和纬度。由于百度所用的地理坐标系与WGS1984地理坐标系存在着一定的偏离,因此需要将之与WGS1984地理坐标系相校正。利用ArcGIS 10.2软件将校正后的企业经纬度进行地理编码,得到2013年上海汽车制造企业的点状矢量数据。
利用ArcGIS 10.2软件将上海黄浦江极端洪灾情景栅格数据与2013年上海汽车制造企业的点状矢量数据相叠加,采用该软件空间分析工具箱中“值提取到点”工具,可将极端洪灾栅格数据的水深信息提取至企业点矢量数据中,根据洪水水深数据可识别出极端洪灾情景下受影响的汽车制造企业。
根据相关数据与公式,可分别计算出上海汽车制造业的直接经济损失、停产损失,继而利用投入产出模型分析汽车制造业停产波及效应造成的产业关联损失。
研究框架如图1所示。

显示原图|下载原图ZIP|生成PPT
图1研究框架
-->Fig. 1The analytical framework
-->

2.2.1 直接经济损失评估方法直接经济损失是指厂房建筑、生产设备、存货等资产的物理损坏所造成的经济损失^[35]。由于厂房建筑、生产设备、存货等资产在不同的洪水淹没深度下的脆弱性不同,因此分别对应着不同的损失率。
（1）厂房建筑经济损失评估。标准化工业厂房通常仅有一层,因此本文在计算工业厂房建筑损失时,只考虑了汽车企业厂房建筑一楼造价。利用百度公司提供的卫星地图,可根据受到极端洪灾影响的汽车制造企业地址进行搜索得到企业工业厂房的具体位置。根据百度地图提供的测距服务测算出工业厂房各个建筑物的长度和宽度,进而可以计算得出各企业的工业厂房一楼建筑面积。工业厂房单位造价可利用上海城测工程造价咨询公司2011年发布的《上海市各类建筑工程造价参考标准》中1100元/㎡标准工业厂房的造价基准。上海汽车制造企业工业厂房一楼造价

\begin{matrix} Z \end{matrix}

计算公式为：

\begin{matrix} Z = F \times 1100 \end{matrix}

（1）
式中：F为利用百度卫星地图测量并计算得出的工业厂房一楼总建筑面积。
厂房建筑直接经济损失的计算公式为：

\begin{matrix} L_{bd} = \overset{n}{\sum_{K = 1}} \sum_{i}^{=} Z \times V_{k} \end{matrix}

（2）
式中：

\begin{matrix} L_{bd} \end{matrix}

为厂房建筑直接经济损失;

\begin{matrix} Z \end{matrix}

为不同进水深度区间的汽车制造企业工业厂房一楼造价;

\begin{matrix} V_{k} \end{matrix}

为不同淹没深度区间的厂房建筑损失率;n为淹没深度区间分级数;j为被淹的企业数量。
目前,厂房建筑脆弱性曲线研究并未将其细分到具体的工业行业门类。由于工业厂房的日益标准化,厂房建筑在不同行业间的差异正在逐步缩小,工业生产设施的差异主要体现在生产设备上而并非体现在厂房建筑上。因此,本文采用柯茜参考上海等城市历史灾害损失数据所建立的极端洪灾情景下上海工业厂房建筑物脆弱性曲线来评估上海汽车制造业厂房建筑损失^[34]。设h为淹没深度,在0 m<h≤ 0.5 m、0.5 m<h≤1 m、1 m<h≤1.5 m、1.5 m<h≤2 m、2 m<h≤2.5 m、2.5 m<h≤3 m情况下,工业厂房建筑损失率

\begin{matrix} V_{k} \end{matrix}

分别为3%、8%、11%、15%、19%、22%^[34]。本文按照上述损失率将不同淹没深度下的汽车企业相应分为6个区间,因此式（2）中n为6。
（2）生产设备直接经济损失评估。Kajitani等对东日本大地震后受灾工厂的调查发现,受到海啸影响的区域内工厂生产设施受到浸水影响遭受到严重破坏^[20]。根据《建筑电气工程施工质量验收规范（GB/50303-2002）》国家标准,标准工业厂房的电源插座应当高于地面0.3 m。若极端洪水深度超过0.3 m,可能对厂房的电力系统及生产设备造成较大的损害,导致生产设备无法继续投入使用。本文在计算生产设备直接经济损失时选取了淹没水深大于0.3 m的汽车制造企业进行评估,假设0.3 m以上水深区间内生产设备的期望损失率为1。
上海汽车制造业生产设备直接经济损失的计算公式为：

\begin{matrix} L_{fd =} 1 \times \sum_{i}^{=} （ e \times \frac{V}{E} - Z ） \end{matrix}

（3）
式中：

\begin{matrix} r \end{matrix}

为处于水深在0.3 m以上区间的企业数量;e为从业人员数量;V上海汽车制造业规模以上企业固定资产价值,E为汽车制造业规模以上企业从业人员数量;V/E为上海汽车制造业规模以上企业的人均固定资产价值;

\begin{matrix} Z \end{matrix}

为企业的厂房建筑一楼工程造价。其中V和E两项指标数据来自于《中国经济普查年鉴2013》。
（3）存货直接经济损失评估。计算公式为：

\begin{matrix} L_{id} = \sum_{i}^{=} e \times \frac{P}{E} \times V_{P} \end{matrix}

（4）
式中：

\begin{matrix} V_{P} \end{matrix}

为汽车进水后随高度变化的损失率。根据中国人寿财产保险股份有限公司云南分公司发布的《保险机动车辆涉及水灾损失理赔工作指导意见》,汽车被淹资产损失率应根据水淹高度进行确认。该水淹高度以汽车内部零部件所在位置为标准。结合《客车车内尺寸（GB/T13053-2008）》国家标准中对车辆内部零部件位置的规定,设h为淹没深度,在0 m<h≤ 0.3 m、0.3 m<h≤ 0.7 m、0.7 m<h≤1 m、1 m<h≤1.65 m、h>1.65 m情况下,汽车整车制造企业的存货资产损失率

\begin{matrix} V_{P} \end{matrix}

分别为2.5%、5.0%、15.0%、30%、60%。

\begin{matrix} P \end{matrix}

/E为汽车制造业规模以上企业人均存货价值;

\begin{matrix} E_{i} \end{matrix}

为被淹企业从业人员数量;

\begin{matrix} P \end{matrix}

为上海汽车制造业规模以上企业的存货价值,

\begin{matrix} P \end{matrix}

数据来自于《中国经济普查年鉴2013》;

\begin{matrix} j \end{matrix}

为进水的整车企业数量,

\begin{matrix} j \end{matrix}

=4。
2.2.2 停产损失评估方法在本文中,停产损失是指在极端洪灾情景下上海汽车制造企业由于生产设备、厂房建筑等固定资产被淹、周边交通运输路线受阻等原因导致的生产中断所造成的经济损失。上海市第三次经济普查数据库中并未给出每家企业的产出数据,考虑到工业企业的营业收入与产出相对接近,本文采用汽车制造企业的日均营业收入替代日产出。
受灾的汽车制造企业的日均营业收入

\begin{matrix} D_{r} 的 \end{matrix}

计算公式为：

\begin{matrix} D_{r} = \frac{Y_{r}}{365} \end{matrix}

（5）
式中：

\begin{matrix} Y_{r} \end{matrix}

为企业的年营业收入。
企业恢复生产时间（Time to Recover,TTR）是影响企业停产损失评估的重要因素^[36]。Haraguchi等从汽车行业全球供应链的角度,探讨了2011年泰国洪水对汽车制造业以及对世界经济的影响^[21]。泰国洪水影响下的7个汽车工业园区的平均停产时间为46天^[21]。由于2011年泰国洪水与本文中的洪灾情景类似,并且上海和泰国的汽车制造企业大多位于工业园区。根据泰国洪水经验,本文假定上海汽车制造企业最少需要46天的时间,可以将洪水排净并恢复生产,即企业停产时间T为46天。
依据《建筑电气工程施工质量验收规范（GB/50303-2002）》国家标准,标准工业厂房的电源插座到地面距离应大于0.3 m。因此当极端洪灾的洪水水深小于0.3 m时,该区间内的汽车制造企业将不会因为被淹而造成停产。本文在计算停产损失时选取了淹没水深大于0.3 m的汽车制造企业。据统计,上海一共有373家汽车制造企业水淹深度在0.3 m之上并造成了停产损失。
汽车制造企业停产损失的计算公式为：

\begin{matrix} L_{s} = T \times \overset{r}{\sum_{i = 1}} D_{r} \end{matrix}

（6）
式中：T为停产时间;

\begin{matrix} D_{r} \end{matrix}

为受灾企业的日均营业收入;

\begin{matrix} r \end{matrix}

为水深在0.3 m以上区间的企业数量。
2.2.3 波及效应引发的产业关联损失评估方法目前学术界对暴露的研究主要集中在直接暴露之上,对间接暴露的研究相对较少。间接暴露是指相关产业并未直接暴露于致灾因子中,但由于产业上下游的投入—产出联系,这些产业也会间接受到致灾因子的影响。在本文中,极端洪水淹没区域以外的产业也可能受到波及效应的影响,引发间接经济损失。
《地震灾害间接经济损失评估方法（GB/T 27932-2011）》国家标准提供了可推广到其他灾害情景下的产业停产引发产业关联损失的计算方法。
根据这一国家标准,汽车制造业

\begin{matrix} i \end{matrix}

由于停产而受到影响的最终产品

\begin{matrix} Y_{i}^{'} \end{matrix}

的计算公式如下：

\begin{matrix} Y_{i}^{'} = （ Y_{i}^{o} / X_{i}^{o} ） \times Ls \end{matrix}

（7）
式中：

\begin{matrix} Y_{i}^{o} \end{matrix}

汽车制造业

\begin{matrix} i \end{matrix}

未受到极端洪灾影响时的最终产品;

\begin{matrix} X_{i}^{o} \end{matrix}

为汽车制造业

\begin{matrix} i \end{matrix}

未受极端洪灾影响时的总产出,数据来自2012年上海139部门投入产出表;

\begin{matrix} L_{s} \end{matrix}

为停产损失。
第j产业受汽车制造业

\begin{matrix} i \end{matrix}

停产损失的影响值

\begin{matrix} Y_{j}^{i} \end{matrix}

的计算公式为：

\begin{matrix} Y_{j}^{i} = （ Y_{j}^{o} / Y_{i}^{o} ） \times Y_{i}^{'} \end{matrix}

（8）
式中：

\begin{matrix} Y_{j}^{o} \end{matrix}

为第j产业未受灾害影响时的最终产品,数据来自2012年上海139部门投入产出表。
第j产业受汽车制造业

\begin{matrix} i \end{matrix}

停产损失的影响,减少的总产出

\begin{matrix} G_{j}^{i} \end{matrix}

,即汽车制造业

\begin{matrix} i \end{matrix}

停产后对其他后向的中间投入部门造成的产业关联损失

\begin{matrix} G_{j}^{i} \end{matrix}

的计算公式如下：

\begin{matrix} G_{j}^{i} = Y_{j}^{i} \times a_{ji} \end{matrix}

（9）
式中：

\begin{matrix} a_{ji} \end{matrix}

为投入—产出表计算得出

\begin{matrix} （ I - A ）^{- 1} \end{matrix}

矩阵^[37]（即完全需要系数矩阵）第j行,第i列的值。
这些后向产业部门的停产或者减产又会减少对汽车制造业的使用,造成波及效应,引发关联损失。
极端洪灾对汽车制造业

\begin{matrix} i \end{matrix}

的最终影响数值计算公式为：

\begin{matrix} Y_{\max} = \max （ Y_{j}^{1}, Y_{j}^{2}, Y_{j}^{i} \dots Y_{j}^{n} \end{matrix}

）（10）
汽车制造业

\begin{matrix} i \end{matrix}

总的间接经济损失

\begin{matrix} L_{Ti} \end{matrix}

计算公式为：

\begin{matrix} L_{Ti} = a_{ij} \times Y_{\max} \end{matrix}

（11）
式中：

\begin{matrix} L_{Ti} \end{matrix}

为汽车制造业

\begin{matrix} i \end{matrix}

总的间接经济损失;

\begin{matrix} a_{ij} \end{matrix}

为投入—产出表计算后所得出的

\begin{matrix} （ I - A ）^{- 1} \end{matrix}

矩阵^[37]（即完全需要系数矩阵）第i行,第j列的值。完全需要系数矩阵根据2012年上海139部门投入产出表计算。
汽车制造业

\begin{matrix} i \end{matrix}

受到的产业关联损失

\begin{matrix} G_{i} \end{matrix}

的计算公式为：

\begin{matrix} G_{i} = L_{Ti} - L_{s} \end{matrix}

（12）
式中：

\begin{matrix} L_{Ti} \end{matrix}

为汽车制造业

\begin{matrix} i \end{matrix}

总的间接经济损失;

\begin{matrix} L_{s} \end{matrix}

为停产损失。

3 受灾企业暴露分析和损失评估

3.1 受灾企业暴露分析

自然灾害风险受到致灾因子、承灾体脆弱性、承灾体在该致灾因子作用下的暴露三个因素的影响^[38]。史培军等指出,暴露是指孕灾环境中扰动形成的致灾因子在承灾体子系统表面的投影,承灾体对致灾因子的暴露是损失形成的前提^[39]。具体而言,人员、经济、社会或文化资产等要素均有可能暴露在致灾因子的作用下并受到威胁,暴露于致灾因子中的人员和财产越多,其可能遭受的潜在损失及面临的灾害风险也就越大^[39-41]。
利用ArcGIS 10.2软件将黄浦江1000年一遇的极端洪灾淹没情景与2013年上海汽车制造业经济普查数据进行叠加,得到暴露在极端洪灾情景下的上海汽车制造企业空间分布情况（图2）。

显示原图|下载原图ZIP|生成PPT
图2暴露在极端洪灾情景下的上海汽车制造企业空间分布
-->Fig. 2The exposure of Shanghai automotive firms in extreme flood scenarios
-->

统计发现,上海市共有451家汽车制造企业直接受到极端洪灾影响,占上海汽车制造企业总数的23.1%。共有67953名汽车制造业的从业人员直接受到极端洪灾影响,占上海汽车制造业从业人员总数的25.9%。受影响的汽车制造企业2013年营业收入之和为2206.9亿元,占全市汽车制造企业营业收入总额的39.8%。
从汽车制造行业类型来看,分别有4家汽车整车制造企业、435家汽车零部件及配件制造企业、10家改装汽车制造企业、2家汽车车身和挂车制造企业直接受到极端洪灾的影响,分别占受灾汽车制造企业总和的0.9%、96.5%、2.2%、0.4%。其中,4家整车制造企业的总营业收入之和为1640.1亿元,占受灾汽车制造企业营业收入总额的74.3%。零部件及配件制造行业是受灾企业数量最多的汽车制造行业,2013年总营业收入之和为547.6亿元,占受灾汽车制造企业营业收入总额的24.8%。
从不同水深区间内汽车制造企业的暴露情况来看,0~0.5 m和0.5~1.0 m洪水水深区间内受灾的汽车制造企业数量较多,分别有122家、138家,分别占全部受灾企业的27.1%、30.6%。但这些汽车制造企业的规模相对较小,从业人员和营业收入所占比例相对较小（表2）。在2.0~2.5 m、2.5~3.0 m洪水水深区间内分别有50家、24家汽车制造企业被淹,分别占受灾汽车制造企业数量的11.1%、5.3%。该极端洪水水深区间内的企业从业人员之和分别为16927人、35402人,分别占受灾企业从业人员总量的24.9%、52.1%;营业收入之和分别为129.6亿元、2025亿元,分别占被淹汽车制造企业营业收入总额的5.9%、91.8%。可见,2.0~2.5 m、2.5~3.0 m洪水水深区间内的汽车制造企业的规模相对较大,淹没深度较深,受灾后可能将造成较为严重的经济损失。
Tab.2
表2
表2不同洪水水深区间企业暴露情况
Tab.2Exposed automotive firms at different inundated depths of extreme flood scenarios

洪水水深(m)	企业数量(家)	企业数量比例(%)	从业人员(人)	从业人员比例(%)	营业收入(亿元)	营业收入比例(%)
0<h≤0.5	122	27.1	2073	3.1	0.7	0.0
0.5<h≤1	138	30.6	2721	4.0	7.0	0.3
1<h≤1.5	67	14.8	3990	5.8	13.7	0.6
1.5<h≤2	50	11.1	6840	10.1	30.9	1.4
2<h≤2.5	50	11.1	16927	24.9	129.6	5.9
2.5<h≤3	24	5.3	35402	52.1	2025	91.8
合计	451	100.0	67953	100.0	2206.9	100.0

新窗口打开

3.2 受灾企业的经济损失评估

3.2.1 直接经济损失评估利用式（1）和式（2）可计算得出极端洪灾情景下上海汽车制造业的厂房建筑损失为3.1亿元;利用式（3）可计算得出上海汽车制造业的生产设备直接经济损失为196.1亿元;利用式（4）可计算得出上海汽车整车制造企业存货直接经济损失为9.7亿元。
从各类直接经济损失在上海各行政区的分布情况来看,松江区、浦东新区、宝山区、嘉定区的厂房建筑直接经济损失金额分别为1亿元、0.7亿元、0.6亿元、0.4亿元,合计占全市比例为86.7%,是汽车制造企业厂房建筑损失较为严重地区。浦东新区、嘉定区、松江区、宝山区生产设备直接经济损失分别为93.4亿元、32.3亿元、27.4亿元、26.2亿元,合计占全市比例为91.5%。其中,浦东新区生产设备直接经济损失最为严重,占全市比例为47.6%。
从各类直接经济损失在上海各乡镇、街道及开发区分布情况来看,上海市一共有66个乡镇、街道及开发区的汽车制造企业受到极端洪灾情景的影响。厂房建筑直接经济损失占前10位的金桥出口加工区、松江工业区、顾村镇、外高桥保税区、车墩镇等地的厂房建筑直接经济损失总和为1.6亿元,占全市比例为50.5%（图3）。

显示原图|下载原图ZIP|生成PPT
图3极端洪灾情景下上海汽车制造业厂房建筑直接经济损失空间分布
-->Fig. 3Economic losses due to factory building damages under extreme flood scenarios
-->

生产设备直接经济损失占前10位的金桥镇、金桥出口加工区、宝山城市工业园区等地的该项经济损失总和为132.9亿元,占全市该项损失总额的67.8%（图4）。

显示原图|下载原图ZIP|生成PPT
图4极端洪灾情景下上海汽车制造业生产设备直接经济损失空间分布
-->Fig. 4Economic losses due to equipment damages under extreme flood scenarios
-->

从各类直接经济损失在不同水深区间的分布情况来看,分布于0~0.5 m、0.5~1.0 m、1.0~1.5 m、1.5~2.0 m、2.0~2.5 m、2.5~3.0 m区间内的厂房建筑直接经济损失分别为0.7亿元、0.5亿元、0.6亿元、0.5亿元、0.1亿元。生产设备直接经济损失在0~0.5 m、0.5~1.0 m、1.0~1.5 m、1.5~2.0 m、2.0~2.5 m、2.5~3.0 m洪水水深区间分别为1.4亿元、6.8亿元、10.6亿元、19.2亿元、49.5亿元、108.6亿元,呈现出损失随着极端洪水水深数值增大而逐渐扩大的特点。
3.2.2 停产损失评估利用式（5）和式（6）及相关数据,计算得出极端洪灾情景下上海汽车制造业的停产损失为278.1亿元。
从停产损失在上海各行政区的分布情况来看,浦东新区、嘉定区、宝山区、松江区停产损失最为严重,分别为221.7亿元、28.3亿元、12.6亿元、11.7亿元,占全市汽车制造企业停产损失总额的比例分别为79.7%、10.2%、4.5%、4.2%,合计占比达98.6%。其余地区的停产损失之和占全市汽车制造企业停产损失总额的比例仅为1.4%。
从停产损失在各乡镇、街道及开发区的空间分布情况来看,停产损失金额占前10位的地区停产损失合计为258.7亿元,占全市汽车制造企业停产损失总额的93%（图5）。其中,金桥镇、安亭镇、金桥出口加工区、张江高科技园区停产损失较为严重,停产损失分别为184.1亿元、22.8亿元、8亿元、5.3亿元。上海通用整车厂所在的浦东新区金桥镇是此次极端洪灾情景下上海汽车制造业经济损失最为严重的地带。

显示原图|下载原图ZIP|生成PPT
图5极端洪灾情景下上海汽车制造业停产损失空间分布
-->Fig. 5Economic losses due to disrupted production under extreme flood scenarios
-->

从停产损失在汽车制造业内部各行业的分布情况来看,汽车整车制造、汽车零部件及配件制造、改装汽车制造、汽车车身及挂车制造企业的停产损失分别为260.7亿元、69亿元、2.3亿元、0.1亿元,分别占全市汽车制造企业总停产损失的74.3%、24.8%、0.8%、0.1%。由此可见,受到极端洪灾影响而停产后,由于汽车整车制造企业规模较大,而汽车零部件及配件制造企业的受灾企业数量较多,这两个行业损失较为严重。
从停产损失在不同的洪水水深区间的分布情况来看,分布于0~0.5 m、0.5~1.0 m、1.0~1.5 m、1.5~2.0 m、2.0~2.5 m、2.5~3.0 m极端洪水水深区间的汽车制造企业分别造成了0.1亿元、0.9亿元、1.7亿元、3.9亿元、16.3亿元、255.2亿元的停产损失,占全市汽车制造企业停产损失的比例分别为0.03%、0.3%、0.6%、1.4%、5.9%、91.8%。其中2.5~3.0 m极端洪水水深区间内的两家乘用车整车厂分别造成了183.7亿元、22.8亿元的停产损失,从而使得该区间停产损失最为严重。
3.2.3 产业关联损失评估 2012年上海139部门投入产出表列出了两个汽车制造业门类,即汽车整车制造、汽车零部件及配件制造企业的投入产出情况。依据第三次经济普查使用的《国民经济行业分类标准（GB/T 4754-2011）》中对汽车制造业各个行业的界定,将经济普查数据中的汽车整车制造、改装汽车制造、低速载货汽车制造、电车制造、汽车车身、挂车制造归并为投入—产出表中的汽车整车行业。
利用式（7）~式（9）可以计算出汽车整车制造业、汽车零部件及配件行业对产业网络后向相关行业造成的关联损失分别为1037.6亿元、144.7亿元,合计为1182.3亿元。
汽车制造业产业关联损失前30名的行业情况如表3所示。前30名行业部门的产业关联损失之和为1053.9亿元,占到产业关联损失总额的89.1%。由于整车是由各种汽车零部件及配件整合而成,因此整车制造企业一旦停产,将会对汽车零部件及配件的生产造成巨大的波及效应。在极端洪灾情景下,汽车整车制造业停产后,汽车零部件及配件产业关联损失为138.7亿元（表3）。零部件及配件制造企业拥有不同的集成层级,越高层级的零部件供应商停产,对下级零部件的生产造成波及效应就越大^[23]。在极端洪灾情景下,汽车零部件及配件停产对该行业本身造成的产业关联损失为48.7亿元（表3）。除此之外,钢压延加工业、有色金属及其合金和铸件、废弃资源和废旧材料回收加工品、批发和零售等产业关联损失分别为60.4亿元、49.9亿元、47.3亿元、46.4亿元。这些行业与汽车制造行业密切相关,受汽车制造行业停产的波及影响后,产生了较为严重的产业关联损失。
Tab.3
表3
表3汽车制造业停产对若干产业造成关联损失情况(亿元)
Tab.3Economic impacts of disrupted automobile production on related industries (100 million yuan)

行业	汽车整车产业停产后向关联损失（A）	A损失所占比例(%)	汽车零部件及配件产业停产后向关联损失（B）	B损失所占据比例(%)	合计损失（A+B）
汽车整车	287.6	27.7	0.2	0.1	287.8
汽车零部件及配件	138.7	13.4	48.7	33.6	187.4
钢压延产品	54.3	5.2	6.0	4.2	60.4
有色金属及其合金和铸件	38.3	3.7	11.6	8.0	49.9
废弃资源和废旧材料回收加工品	39.6	3.8	7.7	5.3	47.3
批发和零售	42.2	4.1	4.2	2.9	46.4
商务服务	32.6	3.1	3.7	2.5	36.3
电力、热力生产和供应	24.5	2.4	4.6	3.1	29.1
有色金属压延加工品	21.6	2.1	6.4	4.4	28.0
金属制品、机械和设备修理服务	22.6	2.2	4.0	2.8	26.6
精炼石油和核燃料加工品	21.0	2.0	3.3	2.3	24.3
石油和天然气开采产品	20.7	2.0	3.3	2.3	24.0
货币金融和其他金融服务	19.9	1.9	2.6	1.8	22.5
电子元器件	17.0	1.6	4.3	3.0	21.3
其他通用设备	18.2	1.8	1.2	0.8	19.4
黑色金属矿采选产品	12.9	1.2	1.7	1.2	14.6
塑料制品	13.0	1.2	1.4	1.0	14.3
煤炭采选产品	11.4	1.1	1.7	1.2	13.1
基础化学原料	10.1	1.0	1.5	1.1	11.7
道路运输	9.5	0.9	1.3	0.9	10.8
合成材料	8.0	0.8	1.5	1.0	9.5
家具	8.1	0.8	0.4	0.3	8.6
钢、铁及其铸件	6.7	0.6	1.8	1.3	8.6
其他服务	7.8	0.8	0.5	0.3	8.3
有色金属矿采选产品	6.4	0.6	1.7	1.2	8.1
橡胶制品	7.3	0.7	0.6	0.4	8.0
金属制品	6.4	0.6	1.3	0.9	7.6
房地产	6.7	0.6	0.8	0.6	7.6
水上运输	5.7	0.5	0.8	0.6	6.5
铁合金产品	5.5	0.5	0.7	0.5	6.2
合计	924.5	89.1	129.4	89.4	1053.9

新窗口打开
利用式（8）~式（11）计算出汽车整车制造业和汽车零部件和配件行业总的间接经济损失分别为330亿元、316.1亿元。利用式（12）计算出汽车整车制造业、汽车零部件及配件行业受到相关行业停产、减产影响后的产业关联损失分别为120.9亿元、247.1亿元。

4 结论与讨论

4.1 结论

本文以上海汽车制造业为例,基于情景分析方法,揭示了极端洪灾情景下汽车制造产业的暴露情况,对汽车制造产业系统的直接经济损失、停产损失以及停产波及效应造成的产业关联损失进行了集成评估,并识别出产业损失最为严重的空间。研究表明,在极端洪灾情景下：
（1）上海市共有451家汽车制造企业暴露在极端洪灾之中,受灾企业占上海汽车制造企业总数的23.1%。这些企业从业人员为67953人,年营业收入2206.9亿元,占全市比例分别为23.1%、25.9%。
（2）从经济损失的层次结构来看,上海汽车制造业厂房建筑、生产设备直接经济损失分别为3.1亿元、196.1亿元,整车制造企业存货直接经济损失为9.7亿元。上海市整车制造企业、零部件及配件制造企业的停产损失分别为209.1亿元、69亿元,对相关联的产业分别造成了1037.6亿元、144.7亿元产业关联损失。汽车整车制造业、汽车零部件及配件行业受到相关行业停产、减产影响后形成的产业关联损失分别为120.9亿元、247.1亿元。
（3）从经济损失的空间结构来看,上海汽车制造业经济损失呈现出向浦东新区、松江区等区集中的格局。其中,松江区厂房建筑直接经济损失为1亿元,占全市厂房建筑直接经济损失总额的32.3%,是损失最为严重的地区。浦东新区生产设备直接经济损失和停产损失较为严重,两项损失分别为93.4亿元、221.7亿元,占全市比例分别为47.6%、79.7%。其中,上海通用整车厂所在的浦东新区金桥镇停产损失为184.1亿元,是此次极端洪灾影响下上海汽车制造业停产损失最为严重的地带。
（4）从经济损失在不同水深区间的分布来看,2.5~3.0 m水深区间内的汽车制造企业停产损失最为严重,高达255.2亿元。该水深区间内的两家汽车整车厂分别造成了183.7亿元、22.8亿元停产损失。
从政府层面来看：
（1）在工程性措施方面,政府应继续加高和巩固黄浦江、苏州河等薄弱区段的防汛墙,使之达到抵御1000年一遇极端洪水风险的标准,并采取建设调节池、构建生态排水系统等措施。
（2）在非工程性措施方面,政府应将洪涝灾害风险管理纳入城市规划并完善洪涝灾害防御工程设施建设体制,提高灾害的预报精度。
从企业层面来看：
（1）汽车制造企业在进行企业选址时尽量选择地势较高的位置,减少企业在洪涝灾害中的暴露;在灾前应制定详细的防洪预案,做好充足准备,如建设企业防洪工程措施,准备充足的沙袋,设立厂房防水挡板,配备应急水泵,加强排水管网的建设等。同时加强对工业厂房特别是厂房内的生产设备、存货的防洪管理,提高企业内的洪水疏通排放能力,进而降低洪涝灾害经济损失风险。
（2）在生产运行过程中,汽车整车制造企业应当制定周密的业务连续性计划（Business Continuity Planning,BCP）,重点加强供应链的可持续性管理与关键零部件的库存管理,提高企业对风险的预防能力以及短时间的复原力^[42],确保在出现紧急情况时,关键零部件库存仍能维持一段时间的供应。整车制造企业还应努力推进关键零部件的标准化和采购的分散化,避免某一关键零部件企业受灾后生产中断导致停产损失及其波及效应引发的产业关联损失。

4.2 讨论

（1）本文利用基于假设无黄浦江防汛墙保护措施的1000年一遇极端洪灾情景,将研究重点放在探讨直接经济损失和间接经济损失的集成评估方法之上。后续研究需加强多情景下上海复合极端洪水灾害建模与模拟,从而评估不同重现期、不同情景的极端洪水可能对上海产业系统造成的损失及其风险。
（2）由于缺少企业固定资产价值的准确数据,本文使用了上海规模以上汽车制造企业的从业人员数量和人均固定资产价值估算企业个体的固定资产价值。在汽车制造业自动化生产技术高速发展的今天,利用该方法进行直接损失评估存在一定误差。此外,本文只估算了整车制造企业的存货损失,并未涉及汽车零部件及配件企业存货损失的评估,后续应采取实地调研的方法,建立灾损方程^[43],评估汽车零部件及配件制造企业的存货损失。
（3）本文仅利用上海产业部门投入—产出表对汽车产业停产在上海市域范围对其他产业的波及效应进行了分析,后续研究可结合中国区际乃至国际产业部门的投入—产出表来分析上海汽车产业停产对全国乃至全球生产网络的波及效应。
致谢：荷兰代尔夫特理工大学柯茜博士提供淹没情景数据,日本爱知大学蒋湧教授提出了修改意见,郑州大学石勇博士提出脆弱性曲线分析建议,上海克而瑞研究中心马千里研究员协助开展数据处理和分析等工作,在此表示衷心感谢！
The authors have declared that no competing interests exist.

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]	Pachauri R K, Allen M R, Barros V R, et al.Climate Change 2014 Climate Change 2014: Synthesis Report .Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. .URL [本文引用: 1]
[2]	Golnaraghi M, Etienne C, Sapir D G, et al.Atlas of mortality and economic losses from weather, climate and water Extremes (1970-2012). Atlas of mortality and economic losses from weather, climate and water Extremes (1970-2012). .URL [本文引用: 1]
[3]	UNISDR C.The human cost of natural disasters: A global perspective. 2017-04-08.URL [本文引用: 1]
[4]	Travis J.Hurricane Katrina-Scientists' fears come true as hurricane floods New Orleans. Science, 2005, 309(5741): 1656-1659. [本文引用: 1]
[5]	Fritz H M, Blount C D, Thwin S, et al.Cyclone Nargis storm surge in Myanmar. Nature Geoscience, 2009, 2(7): 448-449. [本文引用: 1]
[6]	Rosenzweig C, Solecki W.Hurricane sandy and adaptation pathways in New York: Lessons from a first-responder city. Global Environmental Change, 2014, 17(28): 395-408. [本文引用: 1]
[7]	Lagmay A M F, Agaton R P, Bahala M A C, et al. Devastating storm surges of Typhoon Haiyan. International Journal of Disaster Risk Reduction, 2015, 11: 1-12. [本文引用: 1]
[8]	Neumann B, Vafeidis A T, Zimmermann J, et al.Future coastal population growth and exposure to sea-level rise and coastal flooding: A global assessment. PloS One, 2015, 10(3): e0118571. [本文引用: 1]
[9]	Aerts J C J H, Botzen W J W, Emanuel K, et al. Evaluating flood resilience strategies for coastal megacities. Science, 2014, 344(6183): 473-475. [本文引用: 1]
[10]	王宝华, 付强, 谢永刚, 等. 国内外洪水灾害经济损失评估方法综述 . 灾害学, 2007, 22(3): 95-99. [本文引用: 1] [Wang Baohua, Fu Jiang, Xie Yonggang, et al.A review on evaluation method of economic loss of flood in the world. Journal of Catastrophology, 2007, 22(3): 95-99.] [本文引用: 1]
[11]	Hanson S, Nicholls R, Ranger N, et al.A global ranking of port cities with high exposure to climate extremes. Climatic Change, 2011, 104(1): 89-111. [本文引用: 1]
[12]	Hallegatte S, Green C, Nicholls R J, et al.Future flood losses in major coastal cities. Nature Climate Change, 2013, 3(9): 802-806. [本文引用: 1]
[13]	Hinkel J, Lincke D, Vafeidis A T, et al.Coastal flood damage and adaptation costs under 21st century sea-level rise. Proceedings of the National Academy of Sciences, 2014, 111(9): 3292-3297. [本文引用: 1]
[14]	李春华, 李宁, 李建, 等. 洪水灾害间接经济损失评估研究进展 . 自然灾害学报, 2012, 21(2): 19-27. [本文引用: 1] [Li Chunhua, Li Ning, Li Jian, et al.Review of research progress in indirect economic loss estimation of flood damage. Journal of Natural Disasters, 2012, 21(2): 19-27.] [本文引用: 1]
[15]	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 .地理科学进展, 2017, 36(2): 256-263. [本文引用: 1] [Li Ning, Zhang Zhengtao, Chen Xi, et al.Importance of economic loss evaluation in natural hazard and disaster research. Progress in Geography, 2017, 36(2): 256-263.] [本文引用: 1]
[16]	Okuyama Y.Economic modeling for disaster impact analysis: Past, present, and future. Economic Systems Research, 2007, 19(2): 115-124. [本文引用: 1]
[17]	Okuyama Y, Santos J R.Disaster impact and input-output analysis. Economic Systems Research, 2014, 26(1): 1-12. [本文引用: 1]
[18]	Pan Qisheng.Estimating the economic losses of Hurricane Ike in the Greater Houston Region. Natural Hazards Review, 2014, 16(1): 05014003. [本文引用: 1]
[19]	Okuyama Y.Disaster and economic structural change: Case study on the 1995 Kobe earthquake. Economic Systems Research, 2014, 26(1): 98-117. [本文引用: 1]
[20]	李仙德. 测量上海产业网络的点入度和点出度: 超越后工业化社会的迷思 . 地理研究, 2016, 35(11): 2185-2200. [本文引用: 2] [Li Xiande.Measuring the in- and out-degrees of industrial networks in Shanghai: Beyond the myth of "Post-industrial Society". Geographical Research, 2016, 35(11): 2185-2200.] [本文引用: 2]
[21]	Kajitani Y, Tatano H.Estimation of production capacity loss rate after the Great East Japan Earthquake and tsunami in 2011. Economic Systems Research, 2014, 26(1): 13-38. [本文引用: 3]
[22]	Haraguchi M, Lall U.Flood risks and impacts: A case study of Thailand's floods in 2011 and research questions for supply chain decision making. International Journal of Disaster Risk Reduction, 2015, 14(3): 256-272. [本文引用: 1]
[23]	Helbing D.Globally networked risks and how to respond. Nature, 2013, 497(7447): 51-59. [本文引用: 2]
[24]	李卫江, 蒋湧, 温家洪, 等. 地震灾害情景下产业空间网络风险评估: 以日本丰田汽车为例 . 地理学报, 2016, 71(8): 1384-1399. [本文引用: 1] [Li Weijiang, Jiang Yong, Wen Jiahong, et al.Risk assessment of industrial geographical network in the scenario of seismic disaster: A case study of Toyota in Japan. Acta Geographica Sinica, 2016, 71(8): 1384-1399.] [本文引用: 1]
[25]	Levermann A.Make supply chains climate-smart. Nature, 2014, 506(7486): 27-29. [本文引用: 1]
[26]	Liu J, Wen J, Huang Y, et al.Human settlement and regional development in the context of climate change: A spatial analysis of low elevation coastal zones in China. Mitigation and Adaptation Strategies for Global Change, 2015, 20(4): 527-546. [本文引用: 1]
[27]	温家洪, 黄蕙, 陈珂, 等. 基于社区的台风灾害概率风险评估: 以上海市杨浦区富禄里居委地区为例 . 地理科学, 2012, 32(3): 348-355. [本文引用: 1] [Wen Jiahong, Huang hui, Chen Ke, et al. Probabilistic community-based typhoon disaster risk assessment: A case of Fululi Community, Shanghai. Scientia Geographica Sinica, 2012, 32(3): 348-355.] [本文引用: 1]
[28]	Wang J, Gao W, Xu S, Yu L.Evaluation of the combined risk of sea level rise, land subsidence, and storm surges on the coastal areas of Shanghai, China. Climatic Change‚ 2012, 115(3-4): 537-558. [本文引用: 1]
[29]	Oppenheimer M, Alley R B.How high will the seas rise? Science, 2016, 354(6318): 1375-1377. [本文引用: 1]
[30]	Sweet W V, Kopp R E, Weaver C P, et al.Global and regional sea level rise scenarios for the United States. NOAA Technical Report NOS CO -OPS 083. Maryland: Silver Spring, 2017. [本文引用: 1]
[31]	Nicholls R J, Reeder T, Brown S, et al. The risks of sea-level rise for coastal cities . https://eprints.soton.ac.uk/380091/1/climate-change-a-risk-assessment-v9-spreads.pdf, 2017-04-08. [本文引用: 1]
[32]	刘敏, 王军, 殷杰, 等. 上海城市安全与综合防灾系统研究 . 上海城市规划, 2016, (1): 1-8. [本文引用: 1] [Liu Min, Wang Jun, Yin Jie, et al.Study on the urban safety and comprehensive disaster prevention in Shanghai. Shanghai Urban Planning, 2016, (1): 1-8.] [本文引用: 1]
[33]	Wang J, Xu S, Xu M, et al.The MIKE model application to overtopping risk assessment of seawalls and levees in Shanghai . International Journal of Disaster Risk Science, 2011, 2(4): 32-42. [本文引用: 1]
[34]	Ke Qian.Flood risk analysis for metropolitan areas: A case study for Shanghai. TU Delft: Delft University of Technology, 2014. [本文引用: 3]
[35]	藤見俊夫, 柿本竜治, 山田文彦, 等. 治水整備による水害リスクカーブの変遷に関する研究 . 土木計画学研究・論文集, 2010, 27(1): 65-70. [本文引用: 1] [Fujimi T, Kamimoto R, Yamada H, et al.Time series variation of flood exposure induced by flood prevention projects. Infrastructure Planning Review, 2010, 27(1): 65-70.] [本文引用: 1]
[36]	Simchi-Levi D, Schmidt W, Wei Y, et al.Identifying risks and mitigating disruptions in the automotive supply chain. Interfaces, 2015, 45(5): 375-390. [本文引用: 1]
[37]	王岳平, 葛岳静. 我国产业结构的投入—产出关联特征分析 . 管理世界, 2007, (2): 61-68. [本文引用: 2] [Wang Yueping, Ge Yuejing.Analysis of the input-output correlation of China's industrial structure. Management World, 2007, (2): 61-68.] [本文引用: 2]
[38]	李宁, 王烨, 张正涛. 从科技论文数量和内容看自然灾害风险度评估方法的转变 . 灾害学, 2016, 31(3): 8-14. [本文引用: 1] [Li Ning,Wang Ye, Zhang Zhengtao.Transformation of natural disaster risk assessment method based on number and content of scientific papers. Journal of Catastrophology, 2016, 31(3): 8-14.] [本文引用: 1]
[39]	史培军, 汪明, 胡小兵, 等. 社会—生态系统综合风险防范的凝聚力模式 . 地理学报, 2014, 69(6): 863-876. [本文引用: 2] [Shi Peijun, Wang Ming, Hu Xiaobing, et al.Integrated risk governance consilience mode of social-ecological systems. Acta Geographica Sinica, 2014, 69(6): 863-876.] [本文引用: 2]
[40]	郑菲, 孙诚, 李建平. 从气候变化的新视角理解灾害风险、暴露度、脆弱性和恢复力 . 气候变化研究进展, 2012, 8(2): 79-83. [Zheng Fei, Sun Cheng, Li Jianping.Climate change: New dimensions in disaster risk, exposure, vulnerability and resilience. Progressus Inquisitiones de Mutatione Climatis, 2012, 8(2): 79-83.]
[41]	尹占娥, 许世远, 殷杰. 基于小尺度的城市暴雨内涝灾害情景模拟与风险评估 . 地理学报, 2010, 65(5): 553-562. [本文引用: 1] [Yin Zhane, Xu Shiyuan, Yin Jie, et al.Small-scale based scenario modeling and disaster risk assessment of urban rainstorm water-logging. Acta Geographica Sinica, 2010, 65(5): 553-562.] [本文引用: 1]
[42]	Behdani B, Adhitya A, Lukszo Z, et al. How to handle disruptions in supply chains: An integrated framework and a review of literature ., 2017-04-08.URL [本文引用: 1]
[43]	李卫江, 温家洪, 吴燕娟. 基于PGIS的社区洪涝灾害概率风险评估: 以福建省泰宁县城区为例 . 地理研究, 2014, 33(1): 31-42. [本文引用: 1] [Li Weijiang, Wen Jiahong, WuYanjuan. PGIS-based probabilistic community flood disaster risk assessment: A case of Taining county town, Fujian province. Geographical Research, 2014, 33(1): 31-42. [本文引用: 1]

极端洪灾情景下上海汽车制造业经济损失与波及效应评估

本站小编 Free考研考试/2021-12-29

Measuring the economic losses and ripple effects of Shanghai automobile firms under extreme flood scenarios

1 引言