《International Journal of Disaster Risk Reduction》：ESTIMATION OF EARTHQUAKE INDIRECT ECONOMIC LOSSES IN MAINLAND CHINA WITH BAYESIAN OPTIMIZATION-BASED ELASTIC NET REGRESSION ALGORITHM
编辑推荐：
除了对房屋的直接破坏外，地震还会引发其他间接影响。这些影响包括企业生产减少损失、投入/产出损失、乘数涟漪损失以及一系列其他长期且深远的冲击。现有方法在有限样本条件下难以快速且准确地估计这些损失的总和。本研究旨在基于现有地震影响和区域特征，提出一种预测地震间接经
除了对房屋的直接破坏外，地震还会引发其他间接影响。这些影响包括企业生产减少损失、投入/产出损失、乘数涟漪损失以及一系列其他长期且深远的冲击。现有方法在有限样本条件下难以快速且准确地估计这些损失的总和。本研究旨在基于现有地震影响和区域特征，提出一种预测地震间接经济损失的方法。在定义间接经济损失的基础上，研究人员收集、整理并清洗了自2000年以来中国大陆造成重大损失的历史地震数据。研究人员开发了一种适用于小样本的基于贝叶斯优化的弹性网络回归算法（ENR）用于数据回归。分析结果表明，与传统线性模型相比，本研究提出的模型有效提升了拟合优度。该模型经过验证和敏感性分析，揭示出：在高烈度区域，所经历的地震强度（震级）和震后恢复支持是主要影响因素；在低烈度区域，震后恢复支持和现有产业结构是主要影响因素。该分析可指导政府和业主开展有针对性的备灾工作，对震前地震灾害规划以及震后应急评估和恢复计划制定具有重要意义。
**论文解读：基于贝叶斯优化弹性网络回归的中国大陆地震间接经济损失估计**
**研究背景与问题**
中国是地震多发国家，过去二十年中，地震造成了巨大的人员伤亡和财产损失。除了直接破坏（如建筑物倒塌）外，地震还会引发间接经济损失，包括企业生产减少、投入产出中断、乘数效应等长期影响。现有方法如投入产出模型（IO）和可计算一般均衡模型（CGE）虽能刻画产业关联，但需要详细数据且计算复杂，难以在有限样本条件下快速评估。基于宏观GDP/GRP（地区生产总值）的测量方法虽简便，但常混淆直接与间接损失。因此，亟需一种适用于小样本、高维特征的快速预测方法，以支持震前规划和震后应急决策。
**研究内容与意义**
研究人员基于14次2000年以来中国大陆造成重大损失的地震事件（表1），以县/区级行政单位为最小单元，采用GRP缩减法（扣除直接损失后的反事实GRP差值）定义一年内的间接经济损失。选取25个自变量（涵盖灾害、暴露、脆弱性、社会经济及其他五维度），包括震级、峰值加速度、GRP、人口、产业结构、政府支出、救援政策强度等。通过贝叶斯优化超参数（λ和ρ）的弹性网络回归（ENR）算法，结合后验贝叶斯校正，构建预测模型。该模型在8个评价指标（如R2、均方误差等）上优于传统最小二乘法、梯度下降法及支持向量机等基准方法，R2达0.777，有效提升了小样本回归的拟合优度与泛化能力。研究揭示了不同烈度区域的主要影响因素差异，为政府制定差异化防灾策略提供了科学依据，对震前减灾规划与震后快速评估具有重要意义。论文发表在《International Journal of Disaster Risk Reduction》。
**关键技术与方法**
研究人员采用以下主要技术方法：（1）弹性网络回归（ENR）算法，结合L1（Lasso，套索回归）和L2（Ridge，岭回归）正则化，处理小样本高维数据的过拟合与稀疏性问题；（2）贝叶斯优化，基于高斯过程代理模型对超参数λ和ρ进行高效搜索，避免传统网格/随机搜索的局限；（3）后验贝叶斯校正，利用训练集误差的贝叶斯概率修正预测偏差；（4）SHAP（Shapley加法解释）方法，量化各特征对预测结果的边际贡献，用于归因分析。样本数据来源于中国国家统计局及各省市统计年鉴（2007-2023年）、官方地震强度图与速报，共计454个县/区级观测值（14次地震事件）。
**研究结果**
**5.1 贝叶斯超参数优化结果**
通过设置λ范围[0.0001, 10]、ρ范围[0, 1]，经40次随机初始化和100次迭代优化，贝叶斯优化在80次后收敛，最终均方误差（MSE）为0.0344，获得λ=0.000502、ρ=0.13402。
**5.2 模型性能对比**
与最小二乘法（LSM）、梯度下降法（GD）、未校正默认ENR（NENR）、支持向量机回归（SVG）、高斯过程回归（GR）和随机森林（RF）对比，基于贝叶斯优化的ENR（ENR）在R2（0.777）、MSE（0.0031）、MAE（0.046）等指标上均最优，唯一例外是MAPE稍高，但研究人员指出MAPE在接近零值预测时存在放大效应。后验贝叶斯校正使R2提升0.021，MAE降低6.1%。
**5.3 SHAP解释与影响因素分析**
SHAP值显示，前五大影响因素为GRP（暴露）、RPI（救援政策强度）、ECS（电力消费，反映经济活力）、ITA（地震烈度）和HHB（医院床位数）。高GRP区域因经济系统复杂导致间接损失更大；高RPI可显著降低损失甚至产生负损失；高烈度区域灾害影响更显著。通过瀑布图对比两类区域：高烈度区域（Ⅷ度）中，ITA主导损失增加，GRP通过复杂产业结构加剧损失，但HHB降低损失；低烈度区域（Ⅵ度）中，RPI不足成为最主要增损因素，而GRP对损失的影响呈现非线性（超过80亿元时有助于恢复）。研究还发现，服务业主导的城市区域（高GRP、低一产、高电耗）损失更严重，但ENR线性模型无法捕捉交互效应，该结论为归纳性假设。
**讨论与结论**
讨论部分指出，SHAP分析揭示了不同烈度区域的主导因素差异，为政策制定提供方向：高烈度区域应优先关注工程抗震与产业韧性，低烈度区域应强化政府救援与恢复支持。模型局限性包括：自变量选择有限（如未包含供应链网络、保险渗透率等关键因子），线性模型无法建模变量间交互效应（如RPI与产业结构的调节作用），SHAP解释受训练数据分布约束且无法区分因果。未来可通过大数据更新和多源数据补充提升模型稳健性。
**研究结论**：本研究针对地震间接经济损失界定不清、计算复杂的问题，提出基于地震危险性和区域特征的快速预测方法。该方法基于间接经济损失的明确定义，收集并清洗了2000年来中国大陆重大损失地震数据，选取5维度25个影响因子，通过双贝叶斯优化（先验超参数优化与后验概率校正）的弹性网络回归，有效表达了多因素对震后间接经济损失的影响。与同类研究相比，本文覆盖更广地理范围、更精确的县区级数据及更多自变量，表征效果更优。SHAP量化解释表明，震前经济条件（经济总量、产业结构、工业发展）对损失影响最显著，地震烈度也是重要因素，震后政府救援与恢复支持至关重要。在不同烈度区域，损失构成呈现两种模式：强震区域，产业结构复杂导致更高损失；弱震区域，损失主要由震后恢复支持控制。本研究为政府决策和区域经济研究提供科学视角，有助于明确减轻地震长期间接影响的重点，优化效率方向，并辅助制定震前减灾政策和提升区域抗震韧性。
