邓国取，李 丽，邓楚实

(1.河南科技大学管理学院，河南 洛阳 471003；2.迪肯大学商学院，维多利亚州 墨尔本 3125)

近些年因气候变化产生的自然灾害频频发生，广泛影响着我国社会稳定和经济持续健康发展，防灾减灾已是刻不容缓。灾害风险管理的核心是风险抵御能力，关键在于抗灾能力建设。而针对抗灾能力研究目前正处于不断发展的阶段，学者们越来越关注环境灾害的发生及其影响，抗灾能力研究的发文量也在逐年增多。抗灾能力评估在应急管理和减灾规划中的价值已得到足够重视与肯定，但定性研究目前仍处于发展阶段，没有较为成熟的研究成果，而定量研究主要集中在地震、洪灾等方面，多从数学模型入手开展研究，既未针对某种灾害建立抗灾能力评价指标体系，也未建立较为全面、系统的区域综合抗灾能力评估模型。

河南省地处中原腹地，是国家安全、稳定和健康发展的关键一隅，担负着全面建成小康社会，实现中华民族伟大复兴的重要使命。一方面，河南省是自然灾害频发的地区之一，自然灾害对其经济和社会的影响极其深远；另一方面，河南省目前还没有建立健全完善的自然灾害防御体系，在面对自然灾害时，缺乏有效的防御机制和生产生活保障，对区域抗灾能力建设还处于摸索阶段。因此，合理、有效地评估河南省抗灾能力水平对建设“韧性城乡”和加快河南省现代化发展进程具有重要的现实意义。

基于此，本文以河南省为例，运用圣母大学全球适应性指数(ND-GAIN)评价模型，构建河南省抗灾能力评价指标体系，通过ND-GAIN得分、ND-GAIN矩阵和GIS空间区划对2017年河南省各地区(以市为单位)抗灾能力水平进行综合评价与分析，并探讨河南省各地区抗灾能力差异化的影响因素，为精准施策、增强区域抗灾能力提供依据。

1 文献评述

1.1 抗灾能力概念

关于抗灾能力(Disaster Resilience)的研究最初是从“恢复力(Resilience)”这一概念开始的。恢复力最早运用于物理学领域，指材料在没有完全变形的情况下，因受力发生形变并恢复至原状的能力[1]。20世纪70年代后期，Holling[2]首次将恢复力引入生态学领域，对生态恢复力进行了开创性研究，在此期间涌现出大量有关生态恢复力的观点和见解；随后，Timmerman[3]将恢复力引入社会、环境变化领域，首次将恢复力与脆弱性联系起来，认为恢复力是系统承受灾害事件的打击并从中恢复的能力；联合国国际减灾战略(UN/ISDR)组织[4]将恢复力这一概念引入灾害学领域，认为恢复力是衡量一个系统或社区抵抗或改变自然灾害的能力。在综合考虑上述学者观点的基础上，Betzold等[5]指出恢复力既包括能使组织系统修复灾害造成的破坏性结果，也包括能通过社会组织系统重组、改变和学习从而提高应对威胁能力的适应性过程。恢复力也开始逐渐向抗灾能力过渡，且已有研究结果表明，两者已经基本趋同，受国外表述方式的影响，国内更多地用恢复力来表达。随着研究的不断深入，抗灾能力已经逐渐发展成为一个综合性概念，既强调组织或系统具有的内在特质，也包括对灾害的响应能力以及从灾害中恢复的能力。

1.2 抗灾能力特征

关于抗灾能力特征方面的研究还较少，代表性的观点是Holling[2]认为抗灾能力具有灵活性、动态性、传播性、开放性、异构性等特征；国内学者费璇等[6]认为抗灾能力具有应对措施多样性、机构体制有效性、接受环境不确定性、非平衡的系统状态、规划和备灾准备、学习能力等9项特征。目前抗灾能力的研究正在由单一化向多元化转变，其特征由单纯的灾后恢复逐渐向灾害适应能力、防御能力、学习能力等方面渗入。

1.3 抗灾能力评价

国内外学者对抗灾能力评价的研究主要分为定性评价和定量评价。其中，定性评价更倾向于关注抗灾能力的重要性和影响因素研究，以及如何增强社会、组织和社区的灾害抗灾能力，如Buckle等在集体讨论和问卷调查等方法的基础上对抗灾能力进行了全面的定性评估，并将评估结果编入澳大利亚应急管理(EMA)报告书；针对定量评价，近年来生态学家、经济学家和灾害学家都在尝试将抗灾能力进行量化研究，如张海波[7]从承灾体多样性、组织的网络化和社会资本等方面对抗灾能力进行了量化研究；Thirawat等[8]应用误差纠正(Error Correc-tion)模型研究了博茨瓦纳农业生态系统的抗灾能力损失，发现该系统对外部环境的敏感性与经济、非经济参数均有关；Chang等[9]采用蒙特卡罗(Monte Carlo)数学统计模拟方法，评估了美国田纳西州孟菲斯供水系统的抗灾能力大小。

2 评价方法

2.1 ND-GAIN评价模型

圣母大学全球适应性指数(Notre Dame Global Adaptation Index，简称ND-GAIN)是美国圣母大学气候环境变化倡议中的一部分，是一个新兴的、国家层面的、用于预防气候变化问题的领先指标[10]，可用来衡量各国应对气候变化造成的自然灾害的能力。1995年起圣母大学每年会定期发布全球适应性指数，并对全球181个国家进行排名。2018年9月，圣母大学对外公布了2017年全球适应性指数评价结果，中国位列第57名。ND-GAIN评价模型主要从两个方面考察不同国家应对气候变化的能力，第一个方面是一个国家在面对气候变化时的脆弱性，包括该国对气候变化的敏感性、暴露程度以及对气候变化的适应能力和生活资料的生产能力；第二个方面是一个国家在社会层面为应对自然灾害所做的准备程度以及该国的经济能力。该评价模型旨在加强世界各国适应气候变化以及对其他全球性危机的认识，帮助政府、企业和社区更好地应对气候变化和自然灾害。圣母大学全球适应性指数计算公式如下：

全球适应性指数(ND-GAIN)=[准备程度指数(PI)-脆弱性指数(VI)+1]×50

(1)

2.2 构建河南省抗灾能力评价指标体系

2.2.1 评价指标体系的构建

本文基于ND-GAIN评价模型对河南省抗灾能力水平进行评估，主要从脆弱性指数(VI)和准备程度指数(PI)两个方面来衡量河南省18个地级市的抗灾能力大小。其中，脆弱性指数主要从暴露度(Exposure)、敏感性(Sensitivity)和适应能力(Adaptability)三个方面进行衡量；准备程度指数则从经济水平(Economic)、管理制度(Management System)、社会文化(Social Culture)等角度加以衡量。综合考虑河南省地形地貌、环境气候、社会人文等实际情况以及评价指标选取的科学性、系统性、层次性和可操作性等原则，在参考前人研究的基础上[11-21]，对ND-GAIN评价模型进行了优化改进，即对不符合河南省实际情况的评价指标予以剔除，对部分不易量化的评价指标进行替换，经过一系列初步筛选与替换后，并结合相关性分析最终设定了2个一级指标、6个二级指标和20个三级指标，共同构建了河南省抗灾能力评价指标体系，用于河南省抗灾能力测度研究，详见表1。

(1) 脆弱性指数(VI)。脆弱性是指个体因为暴露于外界压力而存在的敏感性，反映灾害发生时系统将致灾因子打击力转换成直接损失的程度[22]。脆弱性指数由暴露度、敏感性和适应能力加以衡量。暴露度是指承灾体在危险干扰下的暴露程度，由人均耕地面积X1、粮食耕地面积X2、农用化学物质使用强度X3、极端天气预期变化率X4和地下水污染指数X5指标度量；敏感性是承灾体的内在属性，用来反映承灾体受灾害影响的程度，通常情况下，承灾体的敏感性主要体现在人口和资源等方面，由农村人口比例X6、弱势群体比例X7和资源依赖程度X8指标度量；适应能力是指系统或承灾体响应灾害的能力，属于正向指标，由机械化水平X9、排灌机械拥有量X12和水库数量X13等指标度量。脆弱性指数越高，抗灾能力越弱。其中，极端天气指极端高温、极端低温、极端干旱、极端降水等几类异常天气，一般特点是发生概率小、社会影响大；弱势群体指由于某些障碍或缺乏经济能力等原因在社会上处于不利地位的人群，主要包括儿童、老年人、残疾人、失业者和贫困者[23]，本文以14岁以下和65岁以上年龄的群体以及各地区失业人数来表示；资源依赖程度指某地区对外部关键资源供应的依赖程度，本文运用各市实际利用省外资金情况加以衡量。极端天气预期变化率X4和弱势群体比例X7的计算公式如下：

表1 河南省抗灾能力评价指标体系Table 1 Disaster resilience evaluation index system of Henan Province

注：各级评价指标的正负性在括号内标出，(+)代表正向指标，(-)代表负向指标。

(2)

(3)

(2) 准备程度指数(PI)。准备程度是衡量一个国家或地区通过投资、管理、或社会行动等方式为应对自然灾害所做的准备工作[24]。本文选取经济水平、管理制度、社会文化3个指标来衡量某地区的准备程度，具体子指标包括农民人均可支配收入X14、抗灾经费投入X15、应急专业人员数量X16、防灾减灾政策X17、教育水平X18、镇镇化水平X19和社会救助能力X20。准备程度指数越大，抗灾能力越强。其中，社会救助能力X20是由各市的医疗机构数量及保费收入金额共同确定的。

2.2.2 评价指标计算与数据标准化处理

参照ND-GAIN评价模型的计算方法，结合各评价指标的数据特征，对指标数据进行处理，即可得出2017年河南省各地区抗灾能力ND-GAIN指数(即ND-GAIN得分)以及各级评价指标的具体得分情况。其具体计算步骤如下：

第一步：选择数据。从原始数据集中选择并收集数据，对错误数据加以纠正，并对量纲不一致的数据进行归一化处理。

第二步：处理缺失数据。对丢失的数据采用线性插值法弥补，若某地区该评价指标数据不存在，则在计算过程中将该评价指标剔除。

第三步：定基准值。通常情况下，原始数据的分布会存在偏峰，因此规定：若原始数据分布呈现右偏，将选择90%的数据值作为基准值；若原始数据分布呈现左偏，则选择10%的数据值作为基准值。基准值范围内的数据即为正常数据。

第四步：设置参考点。参考点即该评价指标代表的最佳状态，即零脆弱程度或完全准备就绪的情况。本文参考点是依据基准值来确定的，当计算脆弱性指数时，取数据系列中的最小值；当计算准备程度指数时，取数据系列中的最大值。

第五步：转换数据。将所有原始数据根据上述步骤转化为0～1之间的值，其中脆弱性指标最佳得分为0，准备性指标最佳得分为1。数据转换公式如下：

(4)

式中:y为转换后的标准数据值；x为原始数据值；α为理想值(当计算负向指标时，α取值为0；当计算正向指标时，α取值为1)；β为参考点；bmax和bmin分别为数据系列中的最大值和最小值。

第六步：计算一、二级评价指标得分。为了消除权重设置不合理的影响，本文沿袭ND-GAIN评价模型中各级评价指标的计算方法，即上一级评价指标得分均由下一级评价指标的得分经算术平均法得出，其计算公式为

(5)

式中:yi为下一级评价指标转换后的标准数据值；y′为上一级评价指标的指数得分；n为下一级子评价指标个数。

第七步：计算ND-GAIN得分。将一级评价指标计算结果(即脆弱性指数和准备程度指数)再次进行数据转换，使其数值处于0～1之间，利用下式即可计算得出2017年河南省各地区抗灾能力ND-GAIN指数(GN-GAIN得分)：

ND-GAIN=(PI-VI+1)×50

(6)

式中:VI表示脆弱性指数；PI表示准备程度指数；ND-GAIN表示抗灾能力适应性指数(ND-GAIN得分)。

3 研究区域概况与数据来源

3.1 研究区域概况

研究区域为位于中国中东部、黄河中下游的河南省，本文主要对河南省下辖的18个地级市(郑州市、开封市、洛阳市、平顶山市、安阳市、鹤壁市、新乡市、焦作市、濮阳市、许昌市、漯河市、三门峡市、南阳市、商丘市、信阳市、周口市、驻马店市、济源市)抗灾能力水平进行评价。近年来河南省经常遭受洪水、干旱等气象灾害的影响，给河南省经济发展、社会稳定带来了严重的影响。以农业为例，2010年以来河南省每年都会面临不同程度的自然灾害，农业产业遭受大面积影响，造成严重的经济损失。因此，有效地评估河南省各地区抗灾能力水平的大小对增强河南省抗灾能力建设具有重要的现实意义。

3.2 数据来源

考虑到样本数据的可获取性和可量化性，所有原始数据均来自2018年《中国统计年鉴》《中国农村统计年鉴》《河南省统计年鉴》《河南省年度水资源公报》等官方统计数据，且缺失数据利用中国经济与社会发展统计数据库进行补充，各地级市其他数据资料来自于河南省各市统计局、2018年《安全生产监督管理局工作年度报表》和河南省及其地方气象局等官方披露数据。

4 结果与分析

4.1 ND-GAIN得分分析

由公式(4)、(5)、(6)，可计算得出2017年河南省各地区抗灾能力各二级评价指标、脆弱性指数(VI)、准备程度指数(PI)和ND-GAIN得分情况，并按照ND-GAIN得分，对2017年河南省18个地级市抗灾能力水平进行排名，结果见表2。

表2 2017年河南省各地区抗灾能力水平排名Table 2 Ranking of disaster resilience level of each region in Henan Province in 2017

由表2可知，总体来看，2017年河南省各地区的ND-GAIN得分偏低， 河南省抗灾能力整体水平呈现出西北部地区抗灾能力水平优于东南地区的特征，说明东南部地区更容易受到气候变化的影响，应予以关注；从地区排名来看，洛阳市抗灾能力最强，其次是三门峡市和郑州市，抗灾能力最弱的地区是驻马店市和商丘市，迫切需要引起当地有关部门的重视，并加强抗灾能力建设投入。

4.2 ND-GAIN矩阵分析

ND-GAIN矩阵是为快速地比较各地区的脆弱性程度和准备程度提供的一种直观分析工具。ND-GAIN矩阵以脆弱性指数和准备程度指数的中位数作为划分标准将矩阵划分为4个象限，如图1所示。其中，纵轴表示各区域在面临气候灾害时的脆弱性；横轴表示各区域应对风险所做的准备程度。

图1 2017年河南省各地区抗灾能力ND-GAIN矩阵Fig.1 ND-GAIN matrix of disaster resilience of each region in Henan Province in 2017

由图1可以看出：

(1) 左上象限：处于该象限的区域脆弱性指数高且准备程度指数低，抗灾能力水平偏低，这些区域易受气候变化的影响且应对能力不足，如驻马店市、信阳市、商丘市和新乡市，应该重点关注，并积极采取相应的措施提高准备程度，降低承灾体脆弱性。

(2) 左下象限：处于该象限的区域准备程度指数低但脆弱性指数也较低，这些区域承灾体自身不易受自然灾害的影响，有一定的风险抵御能力，但应对灾害所做的准备较为欠缺，如许昌市、鹤壁市、漯河市等。

(3) 右上象限：处于该象限的区域脆弱性指数高但准备程度指数也较高，这些区域虽然容易遭受自然灾害损失，但同样也具备一定的应对能力，且具有较强的应急能力和灾后恢复能力，如周口市和南阳市。

(4) 右下象限：处于该象限的区域脆弱性指数较低且准备程度指数高，抗灾能力水平较高，这些区域具备应对气候变化和自然灾害的能力，如三门峡市、洛阳市和郑州市等。

4.3 抗灾能力影响因子空间区划分析

为了进一步分析导致河南省各地区抗灾能力存在差异化的原因以及有针对性地为区域抗灾能力建设建言献策，本文运用GIS技术对影响河南省抗灾能力两个方面(脆弱性和准备程度)的各个因素进行了空间区划，并从暴露度、敏感性、适应能力、经济水平、管理制度、社会文化6个角度进行分析，揭示河南省各地区在抗灾能力建设方面存在的薄弱环节。为了避免主观因素影响等级划分的科学性，本文借助ArcMap10.0软件，采用自然断点分类法(即Natural Breaks，该方法可以很好地“物以类聚”，将性质、得分相近的区域划分为同一级别，且客观性强)对河南省各地区抗灾能力影响因子进行空间区划并绘制空间分布图，见图2。

图2 2017年河南省各地区抗灾能力影响因子的空间分布Fig.2 Spatial distribution of impact factors of disaster resilience of all regions in Henan Province in 2017

4.3.1 脆弱性指数(VI)影响因子的空间分布

衡量脆弱性指数(VI)的影响因子主要包括暴露度、敏感性和适应能力。由图2(a)、(b)、(c)可见，在空间上，河南省东南部地区的暴露度、敏感性普遍高于西北部地区，适应能力则也大致呈现出“南强北弱”的局面，但济源市例外；从地区来看，南阳市和周口市在风险干扰下的暴露程度和敏感性都十分明显，但应对和响应灾害的适应能力较强，因而其总体抗灾能力处于中下等水平，而漯河市、鹤壁市和三门峡市的暴露度、敏感性均较低，因此脆弱性指数也较低，但其适应能力较差，故其抗灾能力水平也较低。综上说明提高抗灾能力迫切需要降低暴露度和敏感性，但由于两者涉及承灾体的内在属性，难以控制，因此积极采取措施提高适应能力是河南省各地区提高抗灾能力、降低脆弱性的主要抓手。

4.3.2 准备程度指数(PI)影响因子的空间分布

衡量准备程度指数(PI)的影响因子主要包括经济水平、社会文化和管理制度。由图2(d)、(e)、(f)可见，在空间上，河南省中西部地区的准备程度指数略高于东南部地区， 总体上呈现分布不均且区域差异明显的特征；从地区来看，郑州市在社会文化方面的优势明显，洛阳市则在管理制度方面更加完善，南阳市在经济水平方面较高；驻马店市、开封市和漯河市在准备程度上最为欠缺，具体来看，驻马店市在社会文化方面较为匮乏，开封市在经济水平方面存在不足，漯河市则在管理制度和社会文化方面都存在短板。综上可知，建设抗灾能力不仅要加快自身经济建设而且也要重视制度建设，要尽可能地落实各部门的防灾减灾工作，并加强应急知识教育和防灾减灾宣传活动，动员社会力量积极参与抗灾救灾，同时加大对抗灾基础设施建设的投入，为防灾、减灾、救灾提供充分准备。

5 结论与建议

评估河南省抗灾能力对于推动中原经济区“三化”建设、实现精准脱贫、打造“韧性城乡”、构建和谐社会具有重要的现实意义。本文基于ND-GAIN评价模型对2017年河南省18个地级市抗灾能力水平进行了评价与分析，得到如下结论：

(1) 河南省整体抗灾能力处于中等偏下水平，大多数地区(以市为单位)之间脆弱性差异较小，但准备程度差异明显，波动范围较大。脆弱性属于承灾体的内在属性，受地理位置、气候环境的影响较大，脆弱性较高说明当灾害发生时致灾因子的打击力转换成直接损失的可能性较大，容易造成严重的灾害损失。

(2) 在空间上，河南省东南部地区的抗灾能力偏弱，且经济水平明显不足。准备程度在一定程度上决定了当地的防灾减灾能力和灾后恢复能力，且抗灾能力水平与经济水平呈现正相关。

(3) 导致河南省各地区抗灾能力水平存在明显差异的主要原因在于准备程度，因此要想有效地提升抗灾能力水平，除了需要降低承灾体脆弱性以外，最主要的是要做好应对灾害的准备工作，经济发展、社会文化、管理制度三者缺一不可。

2019年11月我国《应对气候变化报告2019：防范气候风险》在京发布，报告中指出：全球气候变化对自然生态系统和经济社会的影响正在加速，气候风险持续上升。我国是气候变化敏感区和影响显著区之一，重视并提高我国适应气候变化特别是应对极端天气和气候事件的能力，加强气候变化与自然灾害的基础研究至关重要，而合理地评价国家或地区的抗灾能力对防范气候风险也具有重要的指导意义。当然，规范抗灾能力评价模型和优化抗灾能力评价指标体系是今后该项研究需要进一步开展的工作。