提升洪水影响评估准确性：使用基于 HAZUS 模型与保险理赔数据的营业中断损失估算对 IRIO-Flood 预测结果的比较

《Ecological Economics》：Enhancing flood impact assessment accuracy: A comparison of IRIO-Flood predictions using HAZUS- and insurance claims-based business interruption estimates

　　

使用保险理赔数据校准投入产出（IO）影响评估模型中的洪涝冲击。
将工厂位置与洪涝地图进行交叉分析，以提高洪涝冲击的准确性。
基于 Hazus 的冲击方法可能会因强制假定工厂完全停产而高估损失。
保险理赔数据能够反映受损工厂部分停产的情况。
IRIO-Flood 关于受影响最严重行业和地区的结论在两种方法下具有相似性。

引言
本文补充了现有关于极端天气事件经济影响评估的文献，这些事件的强度和频率预计将因气候变化而在今后增加（IPCC, 2021, IPCC, 2022）。我们聚焦于河流洪灾，通过考察两种不同的洪灾导致的商业中断特征化方式，以及它们对 IRIO-Flood 模型预测的四次意大利重大洪灾总经济损失的影响。IRIO-Flood 模型在 Di Noia 等人（2025）中已近期提出。具体而言，我们将 Hazus-Flood 框架推导的恢复时间估计与一种基于微观层面保险理赔数据的创新方法进行对比，后者允许在恢复阶段工厂生产能力出现部分下降，而不是假定完全停产。

洪灾目前已是发生频率最高的与天气相关的自然灾害（Wallemacq 和 House, 2018）。由于与人为气候变化相关的极端降水事件日益增多，其影响预计在未来将进一步加剧（Koirala 等人, 2014, Arnell 等人, 2016, Spano 等人, 2020, Gudmundsson 等人, 2021）。在 1.5°C 全球增温情景下，受河流洪灾影响的人口预计将增加 50%–60%（Dottori 等人, 2018），而全球直接损失预计将比 1976–2005 年增加 160%–240%（Merz 等人, 2021）。在欧洲，Alfieri 等人（2015）表明，在 4°C 全球增温情景下，气候变化可能使每年受影响的预期人口增加 224%，到 2080 年每年预期损失增加 227% —— 这一估计远高于早期研究（Rojas 等人, 2013）所报告的数值。Dottori 等人（2018）进一步上调了这些估计，警告称在 3°C 全球增温情景下，与洪灾相关的社会经济风险可能已经以惊人幅度增加 —— 在 620% 至 1000% 之间。虽然 Kundzewicz 等人（2017）正确地指出，欧洲未来洪灾损失的预测具有高度异质性 —— 源于气候、水力和社会经济建模框架的差异 —— 并且洪灾影响评估科学尚未强大到足以推荐哪个预测应被认为最具可信度，但在未来气候条件下洪灾相关损失将大幅增加这一观点上似乎达成了共识。

随着洪灾损失的激增，关于洪灾脆弱性和风险评估的文献也不断增加，旨在为减缓和适应政策提供信息。评估洪灾事件相关的损失需要同时考虑对实物资产的直接损害以及由商业中断及其在整个经济系统中传播所引发的间接损失，这些损失可能影响未直接遭受灾害的行业和地区（Merz 等人, 2010）。前者主要在工程学术界通过洪灾损失评估模型（Jongman 等人, 2012）进行了研究，这些模型主要试图推导将损失与淹没深度相联系的脆弱性函数，针对基础设施、建筑物和机器等实物存量（Merz 等人, 2010, Huizinga, 2007, Huizinga 等人, 2017, Rojas 等人, 2013, Dottori 等人, 2016, Marvi, 2020）。正如 Redondo-Tilano 等人（2025）所讨论的，洪灾损失模型面临一些关键性问题，其中包括损失估计的准确性 —— 部分通过 Galasso 等人（2021）提出的分类体系加以解决 —— 以及间接损失的评估。

间接损失在专攻灾害风险评估的经济领域却日益受到关注（Cavallo 和 Noy, 2011, Botzen 等人, 2019）。投入产出（IO）模型 —— 无论是遵循 Leontief（1986）的传统线性形式，还是作为可计算一般均衡（CGE）模型（Carrera 等人, 2015, Koks 和 Thissen, 2016, Koks 等人, 2016），或是近期出现的混合形式（Hallegatte, 2008, Hallegatte, 2012, Hallegatte, 2014a, Colon 等人, 2021, Bachner 等人, 2024, Di Noia 等人, 2025） —— 尤其适合灾害风险分析，因为它们可以反映由于生产网络中的逆向和正向传播而产生的潜在涟漪效应。

这三类模型提供了互补视角，且某种程度上受到互为镜像的缺陷影响。传统投入产出模型在时间或数据可用性受限时可提供简单直观的冲击估计，但它们假定线性冲击传播，且通常被认为会高估影响，因为它们假定零替代性和无适应行为。此类类别中常用的工具，如假设提取法（Dietzenbacher 和 Lahr, 2013, Dietzenbacher 等人, 2019, Dietzenbacher 等人, 1993）或不可操作性投入产出模型（Haimes 和 Jiang, 2001, Lian 和 Haimes, 2006），无法同时处理需求和供给冲击，且基于需求总能适应生产的假设。为模拟破坏性事件对生产的影响，这些模型必须将这些冲击，无论是显式还是隐式地，转化为相应的外生最终需求扰动。这使它们不适合灾害影响评估（Avelino 和 Hewings, 2019），并可能在结果估计中引入偏差（Oosterhaven, 2017）。此外，冲击校准往往是高度简化且不基于特定灾害数据的（Santos, 2006, Santos 等人, 2014）。

相比之下，CGE 模型更灵活，允许要素替代以及对破坏性事件的适应性响应。因此，它们通常被认为更适合中长期分析（Rose 和 Liao, 2005, Okuyama, 2007）。然而，这种灵活性往往以定义替代弹性时的任意性为代价，且基于优化的适应性响应在高度不确定的灾后环境中的可靠性受到了质疑（Okuyama, 2007）。因此，CGE 模型通常被认为会低估影响，特别是在短期内，此时它们往往不得不假定近乎为零的弹性才能生成合理的估计（Rose, 2004b）。

混合投入产出模型（Cochrane, 2004）是数值模拟 IO 模型，通过结合传统和 CGE 模型的特征，以及纳入其他方法的要素（特别是与它们在概念上相近的基于主体的模型），提供了更为细致的冲击影响图景。与传统 IO 模型不同，它们允许非线性冲击传播、需求与供给之间的反馈效应，以及行业对冲击更灵活的响应（Reissl 等人, 2022, Reissl 等人, 2023, Pichler 等人, 2022）。与 CGE 模型不同，它们通常不假定优化，并经常纳入较低的要素替代性，尤其是在短期内。

关于这些方法的特征、优势和局限的更详细讨论，读者可参阅 Okuyama, 2007, Galbusera 和 Giannopoulos, 2018 以及 Koks 等人（2019a）。

尽管这些方法存在差异和固有局限，我们认为，投入产出模型作为风险评估工具在减缓和适应视角下为政策制定提供信息的推广也受到了共同缺陷的阻碍，特别是关于投入产出模型中使用的冲击的正确特征化问题，这也是本工作的重点。

第一个根本问题涉及识别给定市镇或区域内受影响和未受影响的商业活动（Fatica 等人, 2022）。在大多数情况下，采用了一种简化假设，即位于给定地理参考单位内 —— 通常为市镇层面（Carrera 等人, 2015, Marin 等人, 2021, Clò 等人, 2024） —— 的所有企业均受到同等程度的影响，仅有少数研究尝试在更高空间分辨率下进行工作（Okubo 和 Strobl, 2021）。我们的工作试图通过结合带有地理参考的工厂位置数据和高分辨率洪涝地图（源自水力模型）来克服这一缺陷，从而对冲击进行特征化。这种方法为事件提供了更精细的空间分辨率（例如，艾米利亚-罗马涅洪灾为 5 m2），并允许更细致地规定影响，包括每个生产工厂所经历的淹没深度。

第二个关键问题涉及评估洪灾对企业生产能力的影响。虽然深度-损失脆弱性函数通常通过主导土地利用类型（住宅、农业、交通、商业和工业）对不同类型的资产影响加以区分，但它们在受影响的经济部门方面通常几乎没有或无法提供区分。此外，尽管这些估计对于风险映射和管理以及保险领域的财务评估有用，但它们通常以经济损失或恢复和替换成本表示。因此，它们无法直接转化为有效生产损失的度量，而在评估商业中断导致的冲击在整个经济系统中的传播时，有效生产损失才是相关变量。Di Noia 等人（2025）试图通过基于 Hazus-Flood 模型提供的恢复时间估计来克服这一限制。然而，除了这些估计向不同地理环境的可转移性问题之外，一个关键限制是模型未提供关于恢复阶段不可操作程度的信息，实际上强制假定在完全恢复达成前工厂完全停产。本工作提供了一种替代方法，利用保险理赔私有数据库。使用报告的损失和淹没深度，我们为每个报告的部门构建标准的深度-损失脆弱性曲线（Huizinga, 2007, Huizinga 等人, 2017, Merz 等人, 2010, Jongman 等人, 2012, Rojas 等人, 2013）。遵循类似的逻辑，我们随后将损失比率与停产期间及相关的保险企业报告的毛利润损失联系起来，最终将其转化为相应的生产能力下降。

为评估两种替代商业中断特征化方式对总经济损失（包括由产业间传播产生的间接效应以及通过最终需求反馈产生的诱导效应）的影响，我们使用它们来校准 IRIO-Flood 模型（Di Noia 等人, 2025）中的洪灾冲击。为确保全面性并减少与特定洪灾事件特征和受影响区域经济特征相关的潜在偏差，我们针对四次不同洪灾事件运行模型：两次在意大利北部（艾米利亚-罗马涅和皮埃蒙特），一次在意大利中部（托斯卡纳），一次在意大利南部（坎帕尼亚）。

虽然 IRIO-Flood 模型捕捉了洪灾引起的商业中断通过生产网络的传播，但重要的是要认识到这仅是洪灾影响更广泛经济的若干渠道之一。例如，关键基础设施（如交通网络、港口和能源供应系统）的中断可能通过限制企业的可达性和减少其获取基本服务的能力，进一步放大经济损失。这与多灾害和投入产出研究的证据一致，这些研究表明基础设施暴露会产生大量间接经济损失，且这些损失随中断持续时间的增加而不成比例地增加（Koks 等人, 2019b, Colon 等人, 2021, Ding 和 Wu, 2023）。同样，恢复和重建支出可能将金融资源从生产性活动中转移出来，挤出企业对中间投入的购买，并产生额外的供应链效应。当信贷约束限制企业获取外部融资时，这些影响可能更为严重，这凸显了紧急流动性提供不仅对企业生存重要，对于遏制经济损失传播也很重要（Hallegatte, 2014b, Collier 等人, 2024）。洪灾冲击引发的价格调整也代表了我们框架中一个未被探索的传播渠道，它可以通过产生额外的下游涟漪效应放大经济损失（Weber 等人, 2024 在非灾害背景下对供给引发的价格冲击进行了展示），也可以通过促进市场调整和资源重新配置来减轻损失（Rose 和 Liao, 2005, Koks 等人, 2016）。然而，经验证据表明，自然灾害后价格在短期至中期往往保持相对刚性，限制了这一渠道至少在事件直接后果中的重要性（Cavallo 等人, 2014, Reissl 等人, 2022）。同样，当前框架未考虑中断供应商的地理替代，这是另一种可显著影响冲击传播的机制。例如，Koks 和 Thissen（2016）表明，与直接受灾地区相邻的区域可能通过补偿中断的生产并满足与重建活动相关的增加需求而经历正的溢出效应。

本文结构如下。第 2 节概述了 IRIO-Flood 模型的结构。

第 3 节描述了所使用的数据库，识别受影响生产单元的策略，以及用于校准受损单元无法运作时长和程度的两种替代方法，最后比较了所考虑的四种洪水情景下的估计结果。第 4 节展示并讨论了 IRIO-Flood 模拟结果，比较了基于 Hazus 和保险理赔的部门生产容量直接影响估计所得出的预测。最后，第 5 节总结了本文的主要贡献，并讨论了其对洪水风险评估和管理的启示。节选片段 IRIO-Flood 模型 IRIO-Flood 是一种用于洪水影响评估的混合投入产出模型，与传统方法相比，它具有多种优势，包括能够检查冲击的上游（需求拉动）和下游（供应推动）传播，捕捉非线性反应，并考虑需求对产出水平的内生适应。模拟采用了与 Di Noia 等人 (2025) 相同的参数化设定，这是通过基于的复杂估计程序获得的。洪水冲击为了比较使用基于 Hazus-Flood 和保险理赔数据库得出的业务中断估计值进行 IRIO-Flood 模型预测，我们考虑了四起主要洪水事件：2023 年发生在艾米利亚 - 罗马涅的一起，2014 年发生在皮埃蒙特的一起，2017 年发生在托斯卡纳的一起，以及 2015 年发生在坎帕尼亚的一起。受影响地区的异质性——就规模、经济结构和与其余经济的连通性而言——允许对如何进行全面评估。结果本节比较了在影响意大利艾米利亚 - 罗马涅、皮埃蒙特、托斯卡纳和坎帕尼亚大区的四起洪水事件上运行 IRIO-Flood 模型（Di Noia 等，2025）所得到的结果，这些事件在第 3 节中描述。每次模拟的时间跨度为 108 个时期，假设洪水事件发生在第 5 期。16 图 3 提供了区域和全国 GDP 在的时间序列。总结与结论 投入产出模型已成为分析自然灾害经济影响的根本工具（Galbusera 和 Giannopoulos, 2018）。与标准计量经济方法相比，它们提供了几个关键优势，最显著的是能够区分直接经济损失和初始冲击后多行业系统内产生的涟漪效应。这些模型还允许分析冲击跨部门和地区的传播，包括那些未。CRediT 作者贡献声明 Jlenia Di Noia：写作 - 初稿、方法论、形式分析、数据管理。Alessandro Caiani：写作 - 初稿、监督、资金获取、形式分析、概念化。Luigi Cesarini：写作 - 初稿、方法论、数据管理。Marcello Arosio：写作 - 审阅与编辑、数据管理。Mario Martina：写作 - 审阅与编辑、数据管理。关于手稿准备过程中生成式 AI 和 AI 辅助技术的声明 在准备本工作期间，作者使用了 ChatGPT 以检查语法。在使用该工具/服务后，作者根据需要审阅和编辑了内容，并完全负责已发表文章的内容。利益冲突声明 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Alessandro Caiani 报告称获得了欧盟委员会的财政支持。Alessandro Caiani 报告称获得了伦巴第大区的财政支持。如果有其他作者，他们声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。Jlenia Di Noia|Alessandro Caiani|Luigi Cesarini|Marcello Arosio|Mario Martina