1984—2021年中国高温干旱复合事件特征及标准化经济损失评估

Characteristics of compound high temperature and drought events and assessment of standardized economic losses across China from 1984 to 2021

摘要

干旱和高温是常发的灾害性气候事件，可引发不同程度的经济损失。随着社会经济发展，其致灾性与社会经济条件叠加放大了灾害损失。聚焦1984—2021年中国高温干旱复合事件特征及经济损失，基于标准化方法构建干旱强度与灾害损失率关系模型，分析社会经济发展对干旱经济损失的影响，为干旱损失预估和区域防灾策略提供科学依据。结果显示，1984—1990年为干旱高发期，西南、黄淮中部和长江上游为主要干旱中心，经济损失尤为显著。原始损失随时间增加，而剔除人口和经济增长影响后的损失呈下降趋势，且与干旱时空分布高度一致。人口增长和经济发展是中国干旱经济损失显著增加的主要驱动因素，标准化处理能更准确反映干旱事件实际影响。

Abstract

As socioeconomic development progresses， the interaction between climatic hazards and socioeconomic conditions amplifies substantial economic losses at varying scales. This study focuses on the characteristics and economic impacts of compound drought-heatwave events in China from 1984 to 2021. Using a standardized methodology， we developed a drought intensity-loss ratio model to isolate the influence of socioeconomic development on drought-related economic losses， providing a scientific basis for loss estimation and regional disaster prevention strategies. The results indicate that 1984 to 1990 was a period of high drought frequency， with the primary drought centers located in Southwest China， the central Huang-Huai region， and the upper Yangtze River， where economic losses were particularly significant. While raw economic losses increased over time， losses adjusted for population and economic growth showed a declining trend， closely aligning with the spatiotemporal distribution of droughts. Population growth and economic development are identified as the main drivers of the significant increase in China’s drought-related economic losses. The standardization approach effectively reveals the actual impacts of drought events. Based on these findings， this study constructed a drought intensity-loss ratio model to better characterize the relationship between natural drought variability and economic losses， offering a robust framework for accurately assessing drought impacts and supporting disaster mitigation strategies.

Graphical abstract

关键词

高温干旱复合事件 / 干旱强度 / 直接经济损失 / 标准化方法 / 灾害损失率

Key words

compound high-temperature and drought events / drought intensity / direct economic loss / normalization method / loss ratio

自20世纪60年代以来，全球范围内频繁发生的自然灾害对人类生活和财产安全造成了显著影响^［1］。据联合国统计，全球约90%的灾害与天气状况和气候变化有关^［2］。其中，干旱和热浪是全球最常见的2类自然灾害，常导致许多国家遭受严重经济损失。已有研究表明，全球每年由干旱造成的直接经济损失（direct economic losses， DEL）高达60亿~80亿美元^［3］。而由干旱和热浪复合灾害造成的影响更甚，可导致农作物产量减少及森林火灾等重大经济损失^［4］。例如，2010年俄罗斯夏季“极端热浪”事件导致农作物年产量减少25%^［5］。在中国，干旱发生频次占所有自然灾害的22%，造成的损失占总自然灾害的15%以上^［6］，从而带来严重的社会和经济影响。例如，2008—2009年发生在中国东北地区的干旱事件导致DEL约1 679万元^［7］。在未来气候进一步升温的背景下，干旱灾害预计将持续扩大^［8］。因此，研究干旱和高温事件的时空变异性对防灾减灾和有效应对气候变化具有重要意义。

已有研究提出了多种高温和干旱指标，如标准化降水指数（standardized precipitation index， SPI）^［9］、标准化温度指数（standardized temperature index， STI）^［10］、标准化干热指数（standardized dry and hot index， SDHI）^［11］和标准化复合事件指标（standardized compound event indicator， SCEI）^［12］。其中，SPI对湿度条件较为敏感，被广泛应用于不同时间尺度的干旱监测中^［13］。灾害损失是气候与社会经济因素共同作用的结果，标准化方法通过考虑影响灾害损失的非气候因素，将不同时期的损失统一到相同的水平^［14］。现今已有多种标准化方法被应用于不同灾害损失的变化特征分析中，如Pielke等^［15-16］提出传统标准化方法（conventional normalization method，CNM），该方法通过剔除价格水平、人口和财富因素对经济损失的影响，实现对自然灾害造成的经济损失的标准化处理。针对美国的飓风灾损分析表明，未标准化的飓风损失呈现出微弱的上升趋势，而标准化后的飓风损失并未显示出显著的上升或下降趋势。此后，一些学者更新了Pielke的工作，并对1900—2017年美国飓风损失进行标准化，也得出类似的分析结果^［17］。在此基础上，Neumayer和Barthel^［18］提出替代标准化方法（alternative normalization method，ANM），他们认为CNM方法存在局限性，因为该方法只考虑了随时间变化的财富而未考虑空间上的财富差异。此外，后续研究进一步调整了购买力平价损失，以消除国家之间的价格差异，并评估了31个欧洲国家的洪水标准化损失，发现造成原始洪水损失上升的主要原因是社会经济因素而非自然灾害本身^［19］。当前，国内学者已对热带气旋带来的灾害损失展开了大量灾害损失标准化研究和分析^［20-21］，分析显示社会经济因素显著影响了热带气旋DEL的变化，但并未考虑快速增加的人口和财富因子对灾损的影响。关于干旱灾害造成的经济损失也有相关研究，如赵晶等^［14］采用4种标准化方法对华北地区的历史干旱经济损失进行对比分析，结果表明剔除GDP影响后的序列与该地区干湿变化趋势更加一致，但未考虑多区域及高温条件下的干旱损失状况。因此，针对中国由干旱和高温复合灾害造成的经济损失的相关问题仍需深入研究，尤其需要加强不同标准化方法对灾害损失的定量分析和比较。

综上所述，本文旨在为干旱灾害经济损失评估提供新视角，并探讨高温条件下干旱灾害经济损失的变化情况。随着社会经济发展，仅基于特定年份的干旱DEL数据分析可能无法客观反映实际灾害损失的长期变化^［22］。因此，在国家和全球范围内收集和统计与灾害事件和损失相关的长期数据变得尤为关键。目前，为减轻灾害风险以及适应气候变化，灾害数据库已成为开展灾害特征和趋势分析的重要工具^［23］。在全球尺度上，广泛应用的多灾种灾害数据库包括比利时灾害流行病学研究中心提供的应急事件数据库（EM-DAT）和德国慕尼黑再保险公司提供的NatCat数据库^［24-25］。在区域和国家尺度上，包括中国气象局灾害数据库和应急管理部提供的《中国气象灾害年鉴》等^［26］。其中，EM-DAT不仅提供灾害的DEL数据，还提供剔除通货膨胀后的标准化损失数据。但《中国气象灾害年鉴》损失数据仅记录了灾害发生当年的DEL值^［27］，因此，有必要针对此类灾损数据进行标准化处理。

本研究首先分析1984—2021年干旱及高温干旱的气象特征及其所产生的DEL。进一步基于社会经济数据以及干旱和高温干旱强度指标，采用居民消费价格指数法（consumer price index， CPI）、CNM和ANM方法对干旱DEL进行标准化处理。重点强调标准化前后及不同标准化方法下干旱经济损失的相对大小和排名变化，旨在为中国干旱灾害实际损失的成因提供科学依据以及定量分析。此外，本文利用SPI及2个高温干旱指数SDHI和SCEI，建立标准化方案下灾害损失与干旱强度之间的关系以识别最佳标准化方法，从而为中国高温干旱灾害损失的定量评估、灾害防治措施的制定及农业的合理规划提供科学参考。

1 数据与方法

1.1 数据来源

本文所用数据包括1984—2021年气象数据、中国干旱DEL数据以及社会经济数据。气象数据来源于欧洲中期天气预报中心提供的ERA5再分析数据集（https：//www.ecmwf.int/），该数据集广泛应用于中国各区域极端事件研究中^［28］。本文采用月平均降水和气温，分别计算不同时间尺度上的干旱及高温指数。干旱DEL数据来源于应急管理部。社会经济数据来自全国统计年鉴以及国家统计局^［29］，包括逐年的CPI、GDP、城乡居民人均可支配收入及城乡人口。

1.2 干旱和高温指数

SPI是常用的气象干旱指数之一^［30］。SPI因其多时间尺度特征而被世界气象组织（WMO）推荐为气象干旱指数，可反映不同时间尺度上干旱的强度和持续时间等^［31］。SPI的时间尺度决定了其对干旱特性的刻画能力，较长时间尺度的SPI-12能更好地反映累积降水不足对水资源、农业和经济的长期影响，从而有效捕捉持续干旱对社会发展和经济活动造成的影响^［32］。基于此，本文采用SPI-12表征干旱，当SPI-12小于-0.5时则定义为干旱事件。

越来越多的研究认识到温度对干旱发生及发展的影响，Zscheischler等^［10］首先提出并创建STI，用于定义月尺度高温事件。STI与SPI的计算过程类似，也具有多时间尺度特征。因此，可将STI与SPI结合使用以研究复合高温干旱事件特征^［33-34］。本文将STI-12大于0.5定义为高温事件。

1.3 复合事件指数

1.3.1 SDHI

复合高温干旱条件由公式X=G_{\mathrm{P}}/G_{\mathrm{T}}定义，其中G_{\mathrm{P}}和G_{\mathrm{T}}分别表示降水和温度的边缘概率分布函数。根据此定义，较低的X值表明复合高温干旱事件的状况更加严峻^［10］。SDHI是基于变量X的分布进行逆运算，其表达式为

\mathrm{S}\mathrm{D}\mathrm{H}\mathrm{I}={\Phi }^{-\mathrm{1}}\left[F\left(X\right)\right],（1）

式中，{\Phi }^{-\mathrm{1}}代表标准正态分布的逆函数。在计算SDHI时，存在3个边际概率分布函数（即G_{\mathrm{P}}、G_{\mathrm{T}}和F）。本研究使用非参数化Gringorten累积概率分布函数计算边缘分布（如，F（X）=（i-0.44）/（n+0.12），其中i是数据的秩，n是数据样本容量）^［35］。与SPI相似，SDHI的负值越低，表明复合高温干旱事件越严重。

1.3.2 SCEI

用SPI（X₁）和STI（X₂）表征干旱和炎热条件，则复合干热事件的联合概率可以表示为

P\left(X_{\mathrm{1}}\le x_{\mathrm{1}},X_{\mathrm{2}}{x}_{\mathrm{2}}\right)=P\left(X_{\mathrm{1}}\le x_{\mathrm{1}}\right)-P\left(X_{\mathrm{1}}\le x_{\mathrm{1}},X_{\mathrm{2}}\le x_{\mathrm{2}}\right).（2）

同SDHI，可对P\left(X_{\mathrm{1}}\le x_{\mathrm{1}},X_{\mathrm{2}}{x}_{\mathrm{2}}\right)进行正态分位数转换得到标准化复合事件指数SCEI^［11］即

\mathrm{S}\mathrm{C}\mathrm{E}\mathrm{I}={\Phi }^{-\mathrm{1}}\left(F\left(P\left(X_{\mathrm{1}}\le x_{\mathrm{1}},X_{\mathrm{2}}{x}_{\mathrm{2}}\right)\right)\right),（3）

其中，SCEI的负值越小表示高温干旱条件越严峻。

考虑到复合高温干旱事件通常发生在夏季，因此本研究采用6—8月的月平均降水和气温数据计算每个格点上的SDHI和SCEI值。区域指数则通过计算区域内所有网格点月降水量和温度的空间均值得到。

干旱等级划分参照中国气象局《气象干旱等级划分表》^［36］，复合干热指数等级划分参照Wu等^［34］的研究，具体如表1所示。

1.4 标准化方法

1.4.1 CPI

CPI是衡量通货膨胀的重要指标，在社会经济发展及国民经济核算中发挥着重要作用^［37］。采用以下公式计算基于CPI调整的DEL

\mathrm{D}\mathrm{E}\mathrm{L}\_\mathrm{C}\mathrm{P}\mathrm{I}=\mathrm{D}\mathrm{E}\mathrm{L}\times \frac{\mathrm{C}\mathrm{P}{\mathrm{I}}_{\mathrm{s}}}{\mathrm{C}\mathrm{P}{\mathrm{I}}_{\mathrm{t}}},（4）

式中，CPI为消费者价格指数，s表示基准年，t表示灾害发生年（下同）。为更准确地反映当前经济水平，便于评估和对比灾害损失的相对影响，统一以2021年为基准年进行灾害损失的标准化。

1.4.2 CNM

CNM方法将灾害发生当年的人口、居民财富和物价水平换算到基准年条件。即

\mathrm{D}\mathrm{E}\mathrm{L}\_\mathrm{C}\mathrm{N}\mathrm{M}=\mathrm{D}\mathrm{E}\mathrm{L}\times \frac{\mathrm{C}\mathrm{P}{\mathrm{I}}_{\mathrm{s}}}{\mathrm{C}\mathrm{P}{\mathrm{I}}_{\mathrm{t}}}\times \frac{\mathrm{P}\mathrm{O}{\mathrm{P}}_{\mathrm{s}}}{\mathrm{P}\mathrm{O}{\mathrm{P}}_{\mathrm{t}}}\times \frac{\mathrm{W}\mathrm{e}\mathrm{a}\mathrm{l}\mathrm{t}{\mathrm{h}}_{\mathrm{s}}}{\mathrm{W}\mathrm{e}\mathrm{a}\mathrm{l}\mathrm{t}{\mathrm{h}}_{\mathrm{t}}},（5）

式中，POP为城乡居民总人口，Wealth为城乡人均居民财富，统一考虑城/乡人均可支配收入及城/乡人口占总人口的比重而得。

1.4.3 ANM

ANM方法同样考虑了人口变动、财富积累等因子对经济损失的影响，但它未对人口及人均财富的变化做单独的分析考虑，而是综合考虑城乡居民总财富的时空差异。通过计算受灾地区当年DEL占当年居民总财富的比值，得到区域总财富的相对损失程度。具体计算公式如下

\mathrm{A}\mathrm{N}\mathrm{M}\_\mathrm{D}\mathrm{E}\mathrm{L}=\frac{\mathrm{D}\mathrm{E}\mathrm{L}}{\mathrm{W}\mathrm{e}\mathrm{a}\mathrm{l}\mathrm{t}{\mathrm{h}}_{\mathrm{Z}\mathrm{T}}^{\text{'}}},（6）

式中，\mathrm{W}\mathrm{e}\mathrm{a}\mathrm{l}\mathrm{t}{\mathrm{h}}_{}^{\text{'}}表示受灾地区的总财富值。

1.5 统计方法

本研究采用滑动T检验法和红噪声频谱分析法（Redfit）进行序列的突变检测和周期分析。滑动T检验法通过在不同时间尺度上考察2组样本均值差异的显著性，以识别时间序列中可能存在的突变点^［38］。Redfit则基于红噪声模型，通过对时间序列的频谱拟合，识别序列中的显著周期性信号^［39］。

1.6 游程理论

根据游程理论^［40］，将SPI-12视为离散序列，并选择SPI-12=0作为拦截水平S_{\mathrm{0}}。若一段时间内SPI值连续低于S_{\mathrm{0}}，定义为负游程。负游程的长度d_j（j = 1，2，3，…，n）即为干旱持续时间，而干旱强度S_j（j = 1，2，3，…，n）则表示为干旱事件期间由负游程包围的阴影面积。

S_j=-{\displaystyle \sum _{i=\mathrm{1}}^{d_j}}\mathrm{S}\mathrm{P}{\mathrm{I}}_i,（7）

根据公式（7），年度干旱强度为每年所有干旱事件的负游程和。

2 分析与结果

2.1 干湿变化特征

中国1984—2021年年均SPI时空分布如图1所示。图1（a）显示干旱指数SPI-12随月份和时间变化的分布图，结果显示中国1984—1988年为相对干旱期（SPI-12-0.5），而1989—1997年为相对湿润期。自2000年以来，SPI在正负值之间交替变化，显示中国进入了旱涝交替期，这一时期内未发生显著的干旱和洪涝事件。基于上述分析结果，本文着重探讨1990年前后的干旱灾害损失评估。图1（b）为研究期间我国多年平均SPI-12的空间分布。由图可见，干旱具有明显的南强北弱的分布特征，其中西南南部、黄淮中部以及长江上游地区存在3个明显强中心。值得注意的是，云南和四川南部平均干旱强度尤为突出。相关研究指出，2001—2022年的大部分极端干旱事件发生于我国南方地区，少部分发生在东北西部、内蒙古及西北地区东部^［41］。这一结果与图1所示的干旱空间分布特征相一致。

2.2 指数之间的比较

为探讨高温在干旱灾害损失中的作用，通过2种复合高温干旱指数（SDHI和SCEI）表征复合高温干旱事件的严重程度。图2（a）展示了1984—2021年每年6—8月（夏季）SCEI、SDHI、SPI和STI的时间变化情况，其中双虚线\pm0.5表示高温、干旱及干热复合事件发生的临界值。SCEI、SDHI和SPI在研究期间内表现出高度一致的年际变化特征。SCEI和SDHI整体呈下降趋势，并通过了Mann-Kendall（MK）检验，表明研究期内高温干旱事件加重。各指数之间的相关性见表2，结果表明，STI与SCEI、SDHI的相关性（-0.787， -0.793）显著高于SPI与这2个复合指数之间的相关性（0.634，0.656），表明复合高温干旱事件的严重程度随温度升高而加强。由图2（a）进一步分析表明，中国在1988和1997年夏季发生了严重的干旱和高温事件，对应极低的SPI和极高的STI。同时，1988/1997年对应的SCEI和SDHI分别达到-2.18/-1.50和-2.18/-1.74的最低值。这与前人的研究结果一致，显示出过去60年中国的干旱和热浪主要在1980年代和1990年代发生突变^［42］。

为进一步说明SCEI和SDHI对干旱（SPI）和高温（STI）的响应，图2（b）~2（c）分别显示研究期内SPI和STI相对SCEI和SDHI的气泡图。当STI为正和SPI为负（第1象限）表示发生复合高温干旱事件，为了突出复合高温干旱指数对STI和SPI的积极响应程度，图中仅显示SCEI和SDHI为负值的分布情况，气泡大小表示它们绝对值的大小，即大气泡显示SCEI和SDHI值较低（复合高温现象更加严重），且对应更强烈的SPI和STI。图2（b）、2（c）中第1象限进一步显示1988和1997年发生了严重的干热复合事件，对应SPI和STI的极值点。此外，还存在一些特殊情况。例如，2016年夏季，虽然SPI低（-1.74）且SCEI和SDHI也为负，但STI仅为0.03（显著低于0.5的阈值），即并未发现干旱伴随高温事件。这表明此类事件主要由严重的干旱事件导致，而温度变化很弱。另一个例外是1992年，虽然存在负的SDHI和SCEI，但SPI和STI为正。这表明虽然SPI未显示明显的干旱状况，但SPI和STI之间长时间的联动仍可能导致复合高温干旱。前人的研究也证实了这种现象的出现：某些气候极端事件（如干旱和洪水）可能是由并不极端但长期累积的异常天气或气候事件形成^［43］。

2.3 标准化的DEL时空特征比较

2.3.1 时间变化特征

图3显示了1984—2021年中国由干旱造成的DEL时间序列变化（（a）~（d））、滑动T检验（（e）~（h））和频谱分析曲线（（i）~（l））。原始平均DEL约为322.5亿元，占年均GDP的0.22%。通过频谱分析显示DEL并未检测到显著的周期性变化（图3（i）），但却显示出显著增加的趋势，增加率约为16.4亿元/a（图3（a））。根据滑动T检验进一步分析显示在2005—2006年原始DEL显著增加，而2011—2012年显著下降（图3（e））。形成这种阶段性显著增长趋势的主要原因是干旱灾害在某些特定年份出现较高的经济损失（超过500亿元），包括2009年（1 099.2亿元），2011年（927.5亿元）和2013年（905.3亿元）。

经CPI调整后的损失整体上与原始损失显示出类似的时间变化特征，但年均增长率略低于原始损失的增长速率，约为15.2亿元/a，且存在一个约2 a的周期变化（图3（b）和3（j））。与原始损失相比，虽然DEL_CPI变化幅度与原始损失一致，但由于CPI比率几乎始终为正，因此调整后的损失高于原始损失，且均值高出100亿元以上（图3（f））。最高损失年份与原始损失保持一致，损失金额在1990年达到1 467.2亿元。

CNM标准化后的损失时间变化特征与前两种有所差异，主要表现为1984—2021年显示出下降趋势，尤其是自2000年以后干旱损失显著下降，年均下降307.5亿元（图3（c））。与原始损失相比其绝对损失额显著提高，年均损失达到4 862.9亿元。高损失年份也与原始和DEL_CPI不完全一致，最高损失年份发生在1985年（17 486.5亿元），1990和1988年分别为第2和第3高损失年份。滑动T检验进一步显示，在1990年前后，损失从高值向低值发生了显著转变（a=0.05）（图3（g））。1990—2021年年均DEL约为3 714.2亿元，仅为1984—1989年的1/3。功率谱分析结果类似于CPI校正后的损失，DEL_CNM仍然存在2~3 a的周期性振荡，且显著性水平显著提高（图3（k））。鉴于CNM方法考虑了多种社会经济因素，这意味着未来若发生类似于1985年的干旱灾害事件，其造成的经济损失预计将增加80倍。

ANM标准化后的损失绝对值略低于DEL_CNM，但高于原始和DEL_CPI，1984—2021年的年均DEL为2 051.1亿元。类似CNM方法，DEL_ANM也呈现下降趋势，但下降趋势远小于CNM方法，约为55亿元/a（图3（d））。其时间演变特征与其他标准化序列类似，周期分析结果与CNM序列类似（图3（l））。最高损失年份为1990年（4 920.7亿元），与CNM的第2高损失年份一致。随后呈现波动性下降趋势（图3（h））。

分析灾害损失占GDP的比率，可以更客观地评估灾害对经济的相对冲击大小，消除因地区和年际经济规模不同带来的偏差。通过计算研究时段内年均GDP增长率，并结合干旱DEL及其占GDP的比率，推断干旱损失在GDP增长中的份额（表3）。

分析结果表明，DEL_CNM和DEL_ANM的损失率远高于原始和DEL_CPI的损失率。而CNM和ANM序列之间的一个重要区别在于，1980年代DEL_CNM明显高于DEL_ANM。1984—1990年的DEL_CNM占总损失的44.7%，而同期的DEL_ANM仅占总损失的24.1%。产生差异的一个重要原因在于快速增长的物价水平、人口和人均居民财富，ANM标准化方法侧重于干旱灾害在整个影响区总财富的比重，这一影响因素的快速增长期开始于1990年代中期以后，使其1980年代损失在标准化前后的变化相对小。进一步分析显示，高温干旱事件对应于CNM和ANM标准化后的高损失年份，这更加表明高温的发生对加剧干旱灾害损失具有催化效应。

2.3.2 空间变化特征

本文对1998—2020年中国大陆31个省（市、区）（港澳台地区除外，下同）的干旱DEL数据进行了空间分布特征分析。结合图1（b）中SPI-12在研究时段的空间分布特征可见，西南和华北是受干旱影响最为严重的地区，其中重庆、云南和山东3个省份的严重程度最甚。对应的原始年均DEL分别为1 617、110和120亿元，DEL_CPI增加至2 079、139和172亿元，而DEL_CNM和DEL_ANM更是较原始值增加至其2~4倍（图4（c）、4（d））。整体而言，干旱原始DEL（图4（a））多集中在长江流域和山东省，剔除通货膨胀后，各省的损失情况与原始损失相比变化不大（图4（b））。这表明通货膨胀对各省份影响相对一致，未显著改变其相对损失水平。因此，区域经济损失的空间分布依旧呈现出南高北低的格局。而经CNM标准化后，长江流域地区和山东省损失显著增加（图4（c）），表明这些地区拥有较大的财富和人口基础，因此在干旱灾害中表现出较高的经济敏感性。当采用ANM标准化方法剔除了一个地区整体的财富状况后，东部沿海地区和南方经济发达地区的损失有所减少，表明这些区域由于其较强的经济基础，在干旱影响下虽然DEL较大，但具有更强的抵抗灾害的能力，相对脆弱性较低（图4（d））。

干旱年均DEL变化趋势的空间分布如图5所示，图5（a）显示了原始DEL下的年均变化趋势，南方大部分省份和中西部地区（湖南、贵州、四川和重庆等）的损失有增加趋势，部分地区的增加幅度超7亿元/a。反之，北方部分省份（黑龙江、山东和河北）显示出显著减少的趋势，山东省的减少幅度尤为显著，达到（5~11）亿元/a。这种变化可能与华北地区干湿气候模态的转变以及经济结构的调整有关，如Yang等^［44］的研究表明我国东部季风区在2000年前后由南涝北旱型转为了南旱北涝型。图5（b）剔除通货膨胀因子后的损失变化趋势显示出类似的空间格局。而经CNM标准化后的灾损在全国多数地区呈现出更显著的下降趋势（图5（c）），尤其在长江中下游地区和山东省，干旱造成DEL降低幅度更为显著，表明这些地区增加的原始DEL与人口规模和财富水平上升密切相关，从而导致了更强的经济损失，将这些人口和财富影响因子剔除后，反而表现出显著下降趋势。这强调了在评估干旱灾害影响时，应充分考虑人口和经济因素，以避免高估干旱灾害对经济的直接损失和严重程度。基于DEL_ANM方法得到的变化趋势也表现出与CNM方法一致的结果，进一步验证了灾害损失评估过程中综合考虑人口和财富等社会经济因子的重要性（图5（d））。

2.4 标准化损失率与干旱强度关系

首先对比分析1984—2021年中国平均SPI-12指数与不同方法下得到的经济损失时间序列之间的关系。分析结果显示，CNM标准化后的损失序列与SPI的相关性（r=-0.42）显著高于其他方法（0.08、0.06和-0.08）。这表明CNM标准化能更准确地反映中国年度实际干旱损失。因此，本文重点分析DEL_CNM与干旱强度的相关性。

图6（a）显示了1998—2020年不同省（市、区）年均干旱强度与DEL_CNM的相关系数空间分布。各省份均呈正相关，其中贵州、山东和辽宁省的相关系数超过0.6，表明这些地区的干旱事件往往伴随显著的经济损失。总体来看，南方地区受干旱经济影响更为显著，尤其是在长江流域经济发达、人口密集的省份。图6（b）展示了幂律函数（y=a{x}^b）^［45］对干旱强度（x）和损失率（y）的拟合结果，二者之间的关系为y=\mathrm{3.53}{x}^{\mathrm{1.225}}。散点均匀分布在拟合曲线两侧，表明幂律模型能较好地捕捉经济损失率与干旱强度的变化关系。即干旱强度增加时，损失率相应上升，表明剔除人口和经济因素后的CNM标准化方法能够更准确反映中国实际干旱经济损失，拟合结果为干旱经济损失预估起到重要的科学参考作用。

3 结论与讨论

由于全球变暖和干旱强度增加，干旱损失将急剧上升^［8］，因此有关干旱损失的精准评估是日益迫切的防灾减灾需求。影响自然灾害损失的主要因素除灾害自身强度外，还包括承灾体的暴露度和脆弱性。已有研究表明，通货膨胀、人口及财富增长等社会经济因素是导致灾害损失增加的重要原因^［46-48］。相比洪水和飓风等短时强效灾害^［14-18］，干旱具有发展过程相对缓慢、持续时间长、影响范围广且空间上呈现逐步蔓延的特点，导致对干旱损失评估更为复杂且相关研究相对薄弱。

本研究基于中国1984—2021年逐月降水和温度数据，采用SPI和复合高温干旱指数分析干旱及复合高温干旱事件特征，并结合不同标准化方法对研究时段的干旱DEL进行标准化处理，以分析社会经济变化对于干旱经济损失的影响，并基于干旱强度和标准化损失率构建中国干旱灾害损失评估模型，主要结论如下：

1）1984—2021年，中国严重干旱灾害多发生在1980年代，高损失年份也集中在这一年代，与干旱的时间变化趋势一致。其中，1988和1997年分别发生了2次极端复合高温干旱事件，对应复合高温干旱指数的极小值及标准化DEL的高值，表明高温条件下的干旱显著加剧了经济损失。

2）1984—2021年，中国由干旱导致的原始DEL和去除物价影响的DEL均呈上升趋势，而去除人口和经济增长影响的标准化损失则显示出下降趋势，即剔除人口和经济增长的影响后，干旱导致的DEL增加趋势明显减弱。中国由干旱造成的原始经济损失的增加主要归因于人均收入（财富）和人口增长（城市化）。在灾害经济损失的空间变化方面，原始损失和标准化损失具有类似的空间格局。但剔除通货膨胀、人口和人均财富后，长江流域省份（重庆、湖南及湖北）及山东省的干旱DEL显著下降，这进一步强调了人口和经济因素在干旱灾害评估中的关键作用。

3）标准化干旱经济损失率与干旱强度之间存在着准线性的函数关系，但人口密集且经济发达地区（长江流域省份）对干旱的经济损失响应更加敏感，表现为干旱强度与经济损失的强正相关性；而在人口稀疏且经济欠发达的北方和西部地区，二者的相关性较低。即中国的社会经济因素显著加剧了干旱风险的脆弱性和暴露度，导致干旱经济损失的持续上升。

参考文献

[1] Coumou D， Rahmstorf S. A decade of weather extremes［J］. Nature Climate Change， 2012， 2（7）： 491-496. DOI： 10.1038/nclimate1452 .

[2] United Nations Office for Disaster Risk Reduction. Global assessment report on disaster risk reduction［DB/OL］. ［2024-05-15］.

[3] Wilhite D A. Drought as a natural hazard： concepts and definitions［M］//Drought： A global assessment， Vol. I. London： Routledge， 2000： 3-18.

[4] Zscheischler J， Seneviratne S I. Dependence of drivers affects risks associated with compound events［J］. Science Advances， 2017， 3（6）： e1700263. DOI： 10.1126/sciadv.1700263 .

[5] Barriopedro D， Fischer E M， Luterbacher J， et al. The hot summer of 2010： redrawing the temperature record map of Europe［J］. Science， 2011， 332（6026）： 220-224. DOI： 10.1126/science.1201224 .

[6] 秦大河. 中国极端天气气候事件和灾害风险管理与适应国家评估报告［M］. 北京：科学出版社， 2015.

[7] Petherick A. Drought in China［J］. Nature Climate Change， 2011， 1（6）： 293. DOI： 10.1038/nclimate1215 .

[8] Burke E J， Brown S J， Christidis N. Modeling the recent evolution of global drought and projections for the twenty-first century with the Hadley centre climate model［J］. Journal of Hydrometeorology， 2006， 7（5）： 1113-1125. DOI： 10.1175/jmh544.1 .

[9] Mckee T， Doesken N， Kleist J. The relationship of drought frequency and duration to time scales［C］//Proceedings of the 8th conference on applied climatology. American Meteorological Society， 1993： 179-184.

[10] Zscheischler J， Michalak A M， Schwalm C， et al. Impact of large-scale climate extremes on biospheric carbon fluxes： an intercomparison based on MsTMIP data［J］. Global Biogeochemical Cycles， 2014， 28（6）： 585-600. DOI： 10.1002/2014GB004826 .

[11] Hao Z C， Hao F H， Singh V P， et al. Changes in the severity of compound drought and hot extremes over global land areas［J］. Environmental Research Letters， 2018， 13（12）： 124022. DOI： 10.1088/1748-9326/aaee96 .

[12] Hao Z C， Hao F H， Singh V P， et al. Statistical prediction of the severity of compound dry-hot events based on El Niño-Southern Oscillation［J］. Journal of Hydrology， 2019， 572： 243-250. DOI： 10.1016/j.jhydrol.2019.03.001 .

[13] Ali M， Deo R C， Maraseni T， et al. Improving SPI-derived drought forecasts incorporating synoptic-scale climate indices in multi-phase multivariate empirical mode decomposition model hybridized with simulated annealing and kernel ridge regression algorithms［J］. Journal of Hydrology， 2019， 576： 164-184. DOI： 10.1016/j.jhydrol.2019.06.032 .

[14] 赵晶，姜彤，苏布达，等. 标准化方法在干旱损失预估中的应用：以华北地区为例［J］. 江苏农业科学， 2018， 46（18）：302-309. DOI： 10.15889/j.issn.1002-1302.2018.18.072 .

[15] Pielke R A Jr， Gratz J， Landsea C W， et al. Normalized hurricane damage in the United States： 1900-2005［J］. Natural Hazards Review， 2008， 9（1）： 29-42. DOI： 10.1061/（asce）1527-6988（2008）9：1（29 ）.

[16] Pielke R A Jr， Rubiera J， Landsea C， et al. Hurricane vulnerability in Latin America and the Caribbean： normalized damage and loss potentials［J］. Natural Hazards Review， 2003， 4（3）： 101-114. DOI： 10.1061/（asce）1527-6988（2003）4：3（101 ）.

[17] Weinkle J， Landsea C， Collins D， et al. Normalized hurricane damage in the continental United States 1900-2017［J］. Nature Sustainability， 2018， 1： 808-813. DOI： 10.1038/s41893-018-0165-2 .

[18] Neumayer E， Barthel F. Normalizing economic loss from natural disasters： a global analysis［J］. Global Environmental Change， 2011， 21（1）： 13-24. DOI： 10.1016/j.gloenvcha.2010.10.004 .

[19] Barredo J I. Normalised flood losses in Europe： 1970-2006［J］. Natural Hazards and Earth System Sciences， 2009， 9（1）： 97-104. DOI： 10.5194/nhess-9-97-2009 .

[20] Wang Y J， Wen S S， Li X C， et al. Spatiotemporal distributions of influential tropical cyclones and associated economic losses in China in 1984-2015［J］. Natural Hazards， 2016， 84（3）：2009-2030. DOI： 10.1007/s11069-016-2531-6 .

[21] Zhang Q， Wu L G， Liu Q F. Tropical cyclone damages in China 1983-2006［J］. Bulletin of the American Meteorological Society， 2009， 90（4）： 489-496. DOI： 10.1175/2008bams2631.1 .

[22] 温姗姗，翟建青， Thomas F， 等. 1984—2014年影响中国热带气旋的经济损失标准化及其变化特征［J］. 热带气象学报， 2017， 33（4）： 478-487. DOI： 10.16032/j.issn.1004-4965.2017.04.005 .

[23] Wirtz A， Kron W， Löw P， et al. The need for data： natural disasters and the challenges of database management［J］. Natural Hazards， 2014， 70： 135-157. DOI： 10.1007/s11069-012-0312-4 .

[24] Centre for Research on the Epidemiology of Disasters. Emergency Events Database［DB/OL］. ［2024-06-26］.

[25] Re Munich. Munich Re NatCatSERVICE Database［DB/OL］. ［2024-06-26］.

[26] 中国气象局. 中国气象灾害年鉴2021［M］. 北京： 气象出版社， 2022.

[27] Kron W， Steuer M， Löw P， et al. How to deal properly with a natural catastrophe database：analysis of flood losses［J］. Natural Hazards and Earth System Sciences， 2012， 12： 535-550. DOI： 10.5194/nhess-12-535-2012 .

[28] Wang S M， Xu T H， Nie W F， et al. Evaluation of precipitable water vapor from five reanalysis products with ground-based GNSS observations［J］. Remote Sensing， 2020， 12（11）： 1817. DOI： 10.3390/rs12111817 .

[29] 国家统计局. 中国统计年鉴［M］. 北京： 中国统计出版社， 2022.

[30] Vicente-Serrano S M， Beguería S， López-Moreno J I. A multiscalar drought index sensitive to global warming： the standardized precipitation evapotranspiration index［J］. Journal of Climate， 2010， 23（7）： 1696-1718. DOI： 10.1175/2009JCLI2909.1 .

[31] Yuan W P， Zhou G S. Comparison between standardized precipitation index and z-index in China［J］. Chinese Journal of Plant Ecology， 2004， 28（4）： 523-529. DOI： 10.17521/cjpe.2004.0071 .

[32] Mishra A K， Singh V P. A review of drought concepts［J］. Journal of Hydrology， 2010， 391（1-2）， 202-216. DOI： 10.1016/j.jhydrol.2010.07.012 .

[33] 姜雨彤，侯爱中，郝增超，等. 长江流域2022年高温干旱事件演变及历史对比［J］. 水力发电学报，2023， 42（8）： 1-9. DOI： 10.11660/slfdxb.20230801 .

[34] Wu X Y， Hao Z C， Zhang X， et al. Evaluation of severity changes of compound dry and hot events in China based on a multivariate multi-index approach［J］. Journal of Hydrology， 2020， 583： 124580. DOI： 10.1016/j.jhydrol.2020.124580 .

[35] Gringorten I I. A plotting rule for extreme probability paper［J］. Journal of Geophysical Research， 1963， 68（3）： 813-814. DOI： 10.1029/JZ068i003p00813 .

[36] 国家质量监督检验检疫总局， 中国国家标准化管理委员会. 气象干旱等级： GB/T 20481—2017 ［S］. 北京： 中国标准出版社， 2017.

[37] Schultze C L. The consumer price index： conceptual issues and practical suggestions［J］. Journal of Economic Perspectives， 2003， 17（1）： 3-22. DOI： 10.1257/089533003321164921 .

[38] 严中伟，华丽娟，钱诚， 等. 气候统计方法和应用［M］. 北京： 科学出版社， 2024.

[39] Schulz M， Mudelsee M. REDFIT： estimating red-noise spectra directly from unevenly spaced paleoclimatic time series［J］. Computers Geosciences， 2002， 28（3）： 421-426. DOI： 10.1016/S0098-3004（01）00044-9 .

[40] Shen H W， Tabios G Q. Drought analysis with reservoirs using tree-ring reconstructed flows［J］. Journal of Hydraulic Engineering， 1995， 121（5）： 413-421. DOI： 10.1061/（ASCE）0733-9429（1995）121：5（413 ）.

[41] Liu Z C， Zhou W， Wang X. Extreme meteorological drought events over China（1951-2022）： migration patterns， diversity of temperature extremes， and decadal variations［J］. Advances in Atmospheric Sciences， 2024， 41（12）： 2313-2336. DOI： 10.1007/s00376-024-4004-2 .

[42] 廖国清，朱烨，吴光东，等. 中国近60年干旱热浪演变趋势及并发特征分析［J］. 长江科学院院报，2023， 40（2）： 169-176. DOI： 10.11988/ckyyb.20220754 .

[43] Seneviratne S I， Nicholls N， Easterling D， et al. Changes in climate extremes and their impacts on the natural physical environment［M］//Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. Cambridge： Cambridge University Press， 2012： 109-230. DOI： 10.1017/CBO9781139177245.006 .

[44] Yang Q， Ma Z G， Fan X G， et al. Decadal modulation of precipitation patterns over Eastern China by sea surface temperature anomalies［J］. Journal of Climate， 2017， 30（17）： 7017-7033. DOI： 10.1175/JCLI-D-16-0793.1 .

[45] Hergarten S. Aspects of risk assessment in power-law distributed natural hazards［J］. Natural Hazards and Earth System Sciences， 2004， 4（2）： 309-313. DOI： 10.5194/nhess-4-309-2004 .

[46] Choi O， Fisher A. The impacts of socioeconomic development and climate change on severe weather catastrophe losses： Mid-Atlantic Region （MAR） and the U.S［J］. Climatic Change， 2003， 58（1）： 149-170. DOI： 10.1023/A：1023459216609 .

[47] Nordhaus W D. The economics of hurricanes and implications of global warming［J］. Climate Change Economics， 2010， 1（1）： 1-20. DOI： 10.1142/S2010007810000054 .

[48] Schmidt S， Kemfert C， Höppe P. The impact of socio-economics and climate change on tropical cyclone losses in the USA［J］. Regional Environmental Change， 2010， 10： 13-26. DOI： 10.1007/s10113-008-0082-4 .

基金资助

国家自然科学基金(42275043)

国家自然科学基金(42130613)

国家自然科学基金(42275183)

应急管理部国家自然灾害防治研究院院长基金(J2222816)