台风灾害间接损失评估模型中劳动力参数研究

华南师范大学学报（自然科学版）
Journal of South Chibv Normal University （Natural Science Edition ）
2020,52（6）：82-89
don : 1026054Ce2esedud22020097
台风灾害间接损失评估模型中劳动力参数研究
王芳，李宁*
*，张正涛，刘远，陈曦，黄承芳收稿日期：2222-69-16
《华南师范大学学报(自然科学版)》网址：2ttp :〃jspO-b4b/4Ub2P
基金项目：国家重点研发计划项目(2616YFA0622765)；国家自然科学基金项目(40775165,41967395)；匕京师范大学环境演变与自然灾害教 育部重点实验室开放课题(12306-512030610)
* 通信作者:李宁，教授,Email : ning/@ .cu.
（北京师范大学地理科学学部环境演变与自然灾害教育部重点实验室〃减灾与应急管理研究院，北京00875）
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345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1/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AMA 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AMA 模型假设的双曲正切函数曲线不符；（/）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:AMA 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.
关键词：台风灾害；劳动力参数；AMA 模型；问卷调查
中图分类号：X/3 文献标志码:A 文章编号：1000-5463（2020）06-0082-08
A Study of the Labor Parameter in the Model of Indirect Economio Lost in Typhoon Disaster
WANG Fang , LI NSp * , ZHANG Zhe/pOo , LIU Yuan , CHEN Xi , HUANG Che/Xaug
（MOE Key Labomtop of Esviroumeuwi Change and Natural Disasten // Academp of Disaster ReUuctiou and Emepeucu Managemen-；
Facultp of Geographical Science , Be/ing Normal University , Be/ing 170375 , Chisa ）
Abstroct : A sum/ on ladvr foma lossvs in Guangzhou and SSenzhen du —ng thv typhoon Mogkbut was coubucteU in ordvr O stuhy thv parametvr of thv aOected ladvr fo —a in thv indirect loss moUet of natural disasters. Based on
thv data of 545 questionnaims : thv threv parameters of sectvr of thv aOected /dvr , recave — Umv and recave — path were analyzed . TP/ were also compared with thv assumed parameters in thv AM/ moUP, a moUet for f —ntivr as-
sessmeut of inbOeci Uisastvr loss. Thv following results were oPtaised. Fist, in teens of thv sectvr of ladvr fores af ­fected by thv disaster , fivo sectors （i/SmOOn transmission , soft —are and infopnatiou WcPso/gy semievs , mans-
factu —ng , finasca , construction , and who/saiv and retail ） Pad thv most /dvr fo —a aOected. Thv AM/ moUet ' s osump/oss understated thv impact on thv workfo —a in 17 sectors , such as infopnatiou transmission , soft —are and
infopnatiou OcPno/gy semievs , /sscp and costpc/os. Second , on thv 4th day aftvr thv typhoon , Ot ladvr Pad
recavored , and thv recovery Umv was for less than thv assumed timv of thv AM/ moUet. Third , thv ladvr —caypy path showed a —end of being evi fast and then slow. Thv powvr fubetiou Pad a goop f —ting ePect on thv recaveg^ path , which was di —erent f —m thv Pyperdolic tangent function cn —o assumed by thv AM/ moUet. Fourth , thv /dvr
fo —a in Gbangzhou was more sekously aOected by typhoon UisasOr than that in SSenzhen and thv ladvr fo —a mev- very rate was slower. Thv AM/ moUet still Pas mom for impmvemeut in thv /isc /os setting and selection of thv dy ­namic recave — path of ladvr fo —a aVvr a disaster.
Keyworac : typPoos ; ladvr parametvr ; AM/ moUet ; questionnaire sum/
第2期王芳等：台风灾害间接损失评估模型中劳动力参数研究83
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［］］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J7］.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［0］；86年代引入的投入产出模型（（nput/Output,IO/9］是目前评估灾害间接经济损失的主流模型，并于92年代蓬勃发展［0■5］;96年代，CGE模型⑼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；02年代，美国联邦应急管理署（Federal Emerpeoco Manapemeol Apeoco,FEM A）引入X模型创建“HAZUS灾害管理系统平台”［4］，加入了人口受灾的要素J7-4］.21世纪1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J7］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17］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；BAUMEN 等［5］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;XIX等［4］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［5］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AMIS（Adapt—a Mul-repional Input-Output with Inveotop&LOep模型，该模型基于经济学的劳动力生产理论妙］和灾害学的恢复力理论［7］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, AMIC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840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
12研究区选择
2015年2月1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1级（45m/s）,中心最低气压为950hPa,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,2217年末,广州市、深圳市的GDP分别占广东省GDP总值的24.2%、25.1%20］；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13.2%、7.2%20］；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.
12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2217年国家发布的《国民经济行业分类）［05］国家标准,并考虑广东省的现实行业分布情况,问卷设置了1个相关部门（表2）,用于比较受灾劳动力的部门分布情况与AMIC模型中假设的差距.针对误工时间，问卷设置了以下问题：（1）
84华南师范大学学报（自然科学版）第02卷
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？（0）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2月12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.
12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1%.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1000份,剔除无效问卷，共收到有效问卷840份，有效问卷占85.6%•其中:广州市的有效问卷为426份,深圳市的有效问卷为41份;调查对象中，男性劳动力共582人（占68.2%）,女性劳动力共263人（占310%）；840份有效问卷涵盖了各年龄段的劳动力，其中主要劳动力（15-50岁）占总调查人数的960%（表1）.受调查劳动力的部门分布情况与2015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.
表1被调查人员基本信息统计
Table7The s—Os—cs of basic informa—ou of respoudents 调查项目调查人数/人比例/%城市广州市42250.4
深圳市41946.9性别男08268.9
女263370年龄<7岁970
7~34岁45553.8
37-44岁24929.5
41〜54岁11013.0
57-62岁1726
>62岁00.9
表2调查劳动力的部门分布
Table2The sector disSidu—ou of the—bor 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
S7农林牧渔业116183687
S2米矿业24020602
S3制造业22168930609
S4电力、热力、燃气及水生产和供应业21607061
S5建筑业20680 4.04
S6批发和零售业21068912632
S0交通运输、仓储和邮政业2 2.04 4.73
S4住宿和餐饮业2 2.04 3.96
S9信息传输、软件和信息技术服务业2 6.902670 S14金融业2 4.851635
S17房地产业2 3.55 3.54 S12租赁和商务服务业3140721628
S7科学研究、技术服务业316181685
S14水利、环境和公共设施管理业336310650 S7居民服务、修理和其他服务业3 2.139.90 S12教育32049.99 S10卫生和社会工作32047.96 S7文化、体育和娱乐业31689 4.94 S19公共管理、社会保障和社会组织336552613注:产业类型72、3分别表示第一产业、第二产业、第三产业.
12构建劳动力恢复路径时间劳动力的恢复率，以观察劳动力的恢复路径:劳动力恢复路径是评估灾害间接经济损失的重A t
要参数，可利用劳动力停工误工时间计算灾后不同『汀瓦幻°2%0=0•5^e^7^3^7），
第7期
王 芳等：台风灾害间接损失评估模型中劳动力参数研究
35
其中，岭为灾后第j 天第「产业的劳动力恢复率;化 为第d 产业的受灾总人数;A c 为第i 产业在灾后第丿
天累计劳动力恢复工作的人数.根据法定3小时工 作时间，对于上班延误时间小于等于6 P 的受灾劳 动力视为灾后第62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AMA 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.
22劳动力受台风影响情况
2.0.0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〉可知：10）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%）r 制造业（S3,10.22%）、金融业（S16,
1622% ）r 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（S 〉）、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629%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.
AMA 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〉）：在AMIC 模型中，由 于制造业（S3）、租赁和商务服务业（S17）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
1525%和17.65%, AMA 模型中受灾劳动力被高
估的部门还有农林牧渔业（S 〉）、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（S17）；AMIC 模型假设低估了其 他5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（S16）、建筑
业（S5）分别被低估16.43%、8.9〉％、525%,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AMIC 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.
505
050
502 2 11 -
%二
号4忙
_m
S1
S2
2
3
S 12.
32
S15
S16
-10-15
部门序号
1.5
S10
口实际调查结果
口模型假设结果
回模型假设与调查结果的差距
TL
9-
图1受灾劳动力的部门分布比例
Figure 1 The dis —ibutWs of aOected /dor fo —c over sectors
242 受灾劳动力的恢复时间 调查显示：台风造 力因道路无法通行而出现上班延误.由图2、图3可 成多条主要道路两旁绿化树木倒伏，道路堵塞，劳动 知：（0）上班路上延误小于〉P
的人数占受灾总人数
86
华南师范大学学报（自然科学版）第 52 卷
的20.12%；延误2~4 h 的人数占比较小，共占受灾总 人数的304%. （2）灾后第20天和第2天的劳动力恢 复人数的比例较高,分别为41.20%和33.89%,灾后第 4天的劳动力恢复人数的比例最低（仅为3.1%）.
（3）所有受灾劳动力在灾后第4天均恢复工作.
30
29.12
5 0 5 0 5 0
2 2 11上班延误时长/h
图2不同误工时长的受灾劳动力占比
Figure 2 The propor —ou of the adected —bor force uuder diCe ­
rent leng/s of missed word
.29
5
49
83
8
3职
第0.5天第1
2 3天 第4天
灾后时间
图3灾后劳动力恢复情况
Figure 3 The recovep of the Ofected —bor force Oter the di ­
saster
AMIC 模型假设劳动力恢复到稳定阶段需32
天，完全恢复需99天,远远大于实际劳动力恢复工
作的时间，究其原因为:AMIC 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
夕卜,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6
200 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6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1 h 内，劳动力恢复 率为2；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102%. （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,AMD 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6
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19 h 内的劳动力恢复较
快，已有41.67%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80.22%；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AMD 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
4可知:幕函数拟合F = 2.265, Sig = 2.023 <2.25,且残 差最小，拟合效果最好.该结果可为扩展AMD 模型
中关于劳动力恢复路径“线型”提供参考.
7
30 90
恢复时间/d
图4 AMIF 模型劳动力恢复路径示意图
Figure 4 The diagram of —bor recevep path iu AMIF model
C M
嶼臺只摇积
12
3 4
恢复时间/d
图5实际劳动力恢复路径
Figure 5 The ac/ol —bor recevep
path
第 6 期王 芳等：台风灾害间接损失评估模型中劳动力参数研究
87
表3不同函数模型拟合结果
Tab — 3 The sioba —on results of diWerenl function models
函数模型R 7Sig F
残差
对数函数0.9620.00375.3460.1)二次项函数0.9870.01370.3190.04
三次项函数0.94
0.25
29.167
0.03
幂函数0.9640.00380.3190.02指数函数
0.352
0.020
17.792
0.09
22广州市和深圳市劳动力受灾情况对比
7.6.1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2-、270名劳动力受
台风影响，分别占两城市调查人数的21.7%277.5%. （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一0
1=1广州市HZZ3深圳市
100
b
召
K IX-I I:-:I I<--:I K IX-I I<--:I K IX-I I:-:I I:-:I .IX:I I:-:I I:-:I I:-:I .-
E>l r.--J r.--J r.--J r.--J r.--J r.--J
r.--J
r.--J r.--J r.--J r.--J r.--J r.--J [-<4.t:<]k--i r.--J [-<4k--i r.--J [-<4k--i r.--J [-<4.
l--.-1.-
赛
1:::::11:::::1
1:::::10
丘.滲乡左爰
乡菱.
一o
o
o
O
8 6 42.0.0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2 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22%. 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，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卩2 ,这可能 是深圳市劳动力恢复速度较快的原因之一0
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.
52.00 59'00
S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14 S15 S16 S17
S18 S19
部门编号图6广州市和深圳市的不同经济部门受灾劳动力对比Figure 6 The compa/son of aUected peoylc in diWerenl sectors in Goangzhob and Shenzhen 90.00
97.00
96.35
82.19
40
46.12
32.42
....广州市----深圳希
12
3
恢复时间/d
4
图7广州市和深圳市的劳动力恢复路径对比
Figure 7 The compuison of labor recove — path between Guang ­
zhou and Shenzhen
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
33华南师范大学学报(自然科学版)第52卷
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AM/模型假设中劳动力参数进行对比，主要结论如下：
(0)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2
(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AMA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;幕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AMO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AM/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AMA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2
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2参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2
参考文献：
［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.
HUANG CF.A discussVs os basic defiS/os of natural
disaster[J].Journvi of Natuevi Disasters,2009,13(5):
41-50.
[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.
Lt N,ZHANG Z T,CHEN X,et vU Impstocc S economic
loss evOua/os in naturvi hazard and disaster research[J].
Progress in GeograpPp,2019,37(6)：256-263.
[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)：164-166.
WU J D,HE X,WANG C L,et vU A review os c/ssi—ca-
Uos and loss assessmest of natural disasters[J].Joumai
S CaOs—oyhologp,2013,33(4)：160-166.
[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)：
010-916.
ZHANG Z T,LI N,FENG J L,et al.Quan/Otive o//-
mest of changes S post-disaster—si—e/ce from the per-
spec/ve of rescue funds and rescue ePiciency a case
stuhp of a—oo S disaster S Wuhan city os July6,2017
[J].Joumai S Catas—oyhologp,2013,33(4)：210-016.
[5]HASS J E,KATES R W,BOWDEN M J.Recons—uc/os
following disaster[M].Massachusetts:The MIE Press,
19772
[6]OOSTERHAVEN J.The supply-drives input-output
moUet:a new interpreO/os but still imp/ssibC[J].
Journvi S Reyiosvi Science,1989,29：459-465
[7]COCHRANE H C.Economic impacts of a midwesters
earthquabe[J].The QuarV—y Pub/ca/os of NCEER
(Na/osai Ce/ter for Earthquabe Enpineering Research),
1997,11(1)：1-55.
[3]OKUYAMA Y,HEWINGS G J D,SONIS M.Economic
impacts of an uscheUSeU,dispp/ve eve/t:a miyazawa
multip/er analysis[M]〃HEWINGS G J D,SONIS M,
MADDEN M,et al ed.UnbersOnding and interpre/np
economic s—uctum.Berlin:2prSgcr,1799:113-1/4. [9]BROOKSHIRE D S,CHANG S E,COCHRANE Het al.
Direct and indirect economic losses for eaphquade damage
[J].Earthquade Spec—a,1997,13：633-700
[10]Federal Emerge/cy Manoeme/t Age/cy(FEMA).Hous-
MH-MR5VchScO manual[M].Washii/Ws：DepaPoe/t
of Homeland Secu—0,2010
第2期王芳等：台风灾害间接损失评估模型中劳动力参数研究89
[17]OKUYAMA Y,HEWIXGS G J D,SONIS M.MeasaPng
ecouomic impacts of disasters:interreyiouai—pu--on/u-
ana—sis using sequen—al inW—ndustr—model-M/OL]//
OKUYAMA Y,CHANG S E,ed.MoPe/ng Spa—ai and
Ecouomic Impacts of Disasters.Ber—-:2pPnyef,2975:20—
147.https:#dvi.ery/14.1077/k73-3-544-24737-6_5•[12]HALLEGATTE S.Au adap—ve reyiouai input—on/u-
moPci and Cs app—ca—ou to the assessment of the ecouomic
cost of ko/ua[J].RCU AuOyEs,2008,28(3)：779-799.
[7]LI J,CRAWFORD-BROWN D,SYDDALL M,ct O.Modc-
—ng imia—uced ecouomic recovep following a uaturoi di­
saster using—pu--ontpu-analysis[J].Rish Ana—sis,
201333(10)：1908-19236
[1]KOKS E E,BOCKARJOVA M,DE MOEL H,ct ad Ds—
grated direct and indirect flood Psh mode—ng:develon-
ment and sensitivity analysis[J].Rish Ana—sis,247,35
(5):382-904.
[7]BAUMEN H S I D,T?BBEN J,LENZEN boar
forced impacts and ppguc—ou losses due to the2413Oood
—Germaup[J].Jonr—oi of Hypplogp,247,527:142—
74.
[16]XIA Y,GUAN D,JIANG X,ct al.Assessment of LcVecc-
uomic costs to China's air poUu—ou[J].AtmosyhePc Eu-
vipumeut,2416,79:147-156.
[17]MENDOZA-TINOCO D,GUAN D,ZENG Z,ct al.Flood
foo/Put of the2047floods—the UK:the case of the
YorPshire and the Humber pqiou[J].Jonruol of Cleaner
Ppduct—u,2017,168：655-667.
[7]吴先华，徐中兵,袁迎蕾，等.台风灾害的关联经济损
失评估一一以江苏省为例[J]灾害学,2014,29(2)：
77-836
WU X H,XU Z B,YUAN YL,ct al.Re——ouai ecouomic
loss assessment of—phoou disaste------a case s/dp of
Jiangsu Ppviuce[J].Jonr—oi of Ca—stpyhoeyp,2014,29
(2)：77-836
[19]ZHANG Z,LI N,CUI P,ct al.How to inteyrate—bor dis-
run—ou—W an ecouomic impact evalua—ou model for
postdisasWr recevep pePoPs[J].Rish Analysis,2019
(4):1-27.
[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，182(3)：55-65.
[27]BRUNEAU M,CHANG S E,EGUCHI RT,et O.A frame­
word to quan——Ove—assess and endauce the seismic resi­
lience of cominuni/cs[J].EadhquaOe Spectra,2403,19
(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/T4754—2017
[5].北京：中国标准出版社,2017：4-83.
[20]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,2007：79-65. [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 s/dp ou Sher/heh^s meWorolopical disaster
warning mechaoismJ D]-Harbin:Harbin InsL/te of Tech-
uoegp,2019.
【责任编辑:庄晓琼责任校对:庄晓琼英文审校:程杰】。