气候变化下长三角城市群基础设施脆弱性评估及空间分析

施建刚，俞晓莹

（同济大学经济与管理学院，上海 200092）

全球气候变化以及频发的极端天气对当前城市安全提出了挑战，作为城市复杂系统中的重要组成部分，基础设施系统在应对气候变化的过程中扮演了重要的角色。一方面，充足且具有防灾功能的基础设施是对抗极端天气灾害的重要屏障；另一方面，基础设施自身同样具有灾害暴露性，受灾后极易演变成重要的风险源［1］。对城市基础设施进行气候变化情境下的脆弱性分析成为城市应对气候变化的重要议题。现有城市基础设施脆弱性的相关研究大致分为两类：一是以基础设施为对象，包括从物理层面分析基础设施的设备材质、结构等要素的抗干扰、抗破坏能力［2］，从工程层面分析基础设施故障状态时的功能损失与可靠运行概率［3-4］；从城市规划层面分析基础设施布局和设计规程是否能保障城市安全运行、并满足防灾减灾的要求［5-6］，从治理层面分析城市基础设施治理主体的风险应对、政策有效性等指标［7］。二是以城市系统作为对象，将基础设施脆弱性或相关指标作为分析要素之一，比如韧性城市研究［8］、宜居城市研究［9］、城市气候变化适应性研究等［10］。以基础设施为对象的研究多局限于单一视角，而以城市整体为对象的研究虽然更为全面、综合性强，但不能体现出基础设施脆弱性的具体状况。为探究在气候变化情境下城市基础设施脆弱性的空间分布特性，本文将基础设施脆弱性评估与其空间分析相结合，构建气候变化下城市基础设施脆弱性的空间分析框架，并以长三角城市群各地级市为实证对象，通过城市基础设施脆弱性的空间分布特征、空间关系来更好地理解和把握气候变化下基础设施脆弱性的特点。

1 研究背景及分析框架

1.1 气候变化及城市基础设施脆弱性

气候变化是人类共同面临的巨大挑战。联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）发布的工作报告显示：1880年至2012年间全球陆地和海洋平均温度上升了0.85℃［11］；自1950年起，气候变化引发的极端天气以极寒、极热、强降雨等形式出现在多个地区，发生频率不断增加、破坏力增强。国家发改委等部门于2013年制定的《国家适应气候变化战略》中提到，20世纪90年代以来，中国平均每年因极端天气气候事件造成的直接经济损失超过2 000多亿元，死亡2000多人。世界经济论坛发布的《全球风险报告2018》中，极端天气事件连续两年占据全球风险概率首位［12］。

狭义的城市的基础设施系统包括供电、供气、通讯、供水、排水以及交通设施等［13］，城镇化推动了城市基础设施规模的迅速扩张，也大大增加了其作为气候变化承灾体的风险。中国于2016年2月由国家发展改革委与住房城乡建设部联合发布了《城市适应气候变化行动方案》，并于2017年2月确定了28个气候适应型建设试点城市，明确提出要“推动适应气候变化的城市公用基础设施建设”。加强基础设施抵御气候事件的能力，是降低其脆弱性、提高城市安全的关键路径之一。

为更直观地分析和评价基础设施脆弱性，学界尝试对其进行量化评估，主要包括情景仿真建模和多属性指标评价两类方法。仿真建模方法多见于工程领域研究中，以灾后设施拓扑结构的损失或功能的下降作为脆弱性函数，适合于单一灾害情景分析；多属性指标评价，以多属性值理论为基础，根据评估目的建立指标体系和评价模型，能够实现多灾害、多种基础设施系统的脆弱性评估。本文以城市多类基础设施系统为评价对象，采用多属性指标评价方法。

1.2 气候变化下城市基础设施脆弱性的空间分析框架

在城镇化的进程中，城市的发展状况各异，城市整体脆弱性分布呈现出显著的空间相异性［14］。城市基础设施的抗灾防灾能力与当地的经济社会发展水平相关，同时受到城市的地理位置、地质状况、水文分布等因素的合力作用，那么空间相近的城市之间在基础设施脆弱性水平上是否具有关联性？为了回答这一问题，以长江三角洲城市群为对象，以城市为单元进行基础设施的脆弱性评估，构建脆弱性的三要素——暴露性、敏感性、适应性的量化指标，从两个方面进行指标要素的空间分析，一是城市基础设施脆弱性的空间分布，二是脆弱性要素是否具有空间相关性，分析框架如图1所示。

图1 气候变化下城市基础设施脆弱性的空间分析框架Fig.1 Spatial analysis framework of urban infrastructure vulnerability in climate change

2 气候变化下城市基础设施脆弱性的评估

2.1 评估模型与变量

2.1.1 评估模型

脆弱性评估指标体系的构建基于脆弱性内涵的界定，目前存在两种标准：一是脆弱性作为内生性变量，将脆弱性等同于敏感性，评估灾害下系统受损的容易程度；二是脆弱性作为外源性变量，考虑灾害概率，并将承灾体的暴露性和灾害敏感性作为脆弱性的自变量［15］。两种界定标准决定了变量性质，影响评估模型的构建［16］。

在脆弱性的多属性指标方法中，Polsky基于对气候变化灾害实例的分析，于2007年提出了脆弱性VSD整合模型（Vulnerability Scoping Diagram），是近年来被广泛认可的脆弱性评价指标体系［17］。VSD体系包括承灾体的灾害暴露性（Exposure）、承灾体对灾害的敏感性（Sensitivity）和承灾体的适应性（Adaptability），被广泛应用于生态环境变化时的承灾体脆弱性的识别和评估。另外，联合国大学（United Nations University，简称UNU）为评估自然灾害下的国家脆弱性，于2011年发布了世界风险指标WRI（World Risk Index），构建了由承灾体的暴露性、敏感性和适应性三个维度指标组成的脆弱性评估体系［18］。世界风险指标体系与VSD有相通之处，同时强调了社会因素的作用。借鉴VSD体系和WRI指标，构建气候变化下城市基础设施脆弱性三要素指标体系，逐一进行要素量的空间分析。

2.1.2 评估变量与指标体系

分别构建三类要素的评价指标体系，指标的选取应有针对性地反映出各要素的具体内涵。参考IPCC工作报告、联合国国际减灾战略报告以及相关研究文献，遵照系统性、科学性、可操作性等原则，对气候变化下城市基础设施脆弱性三要素内涵进行阐述，并据此构建相应的评价指标体系于表1，从暴露性、敏感性和适应性三个维度进行城市基础设施在气候变化情景下的脆弱性评估。

表1 气候变化下城市基础设施脆弱性评估指标体系Tab.1 Indicators of urban infrastructure vulnerability assessment in climate change

（1）暴露性

暴露性是指灾害情景下，承灾体遭受扰动或灾害的程度，IPCC将其定义为“因位于特定地点或环境，致使人类、生计、环境服务和资源、基础设施、以及经济、社会或文化设施等具有了遭受不利影响的可能性”［19］。这一概念被大量文献引用，反映出学界在暴露性内涵问题上观点较为统一［20］。暴露性是否能作为脆弱性函数的自变量存在争议，有学者认为暴露性是脆弱性的主成分之一［21］，也有观点认为应将两者区别看待［22］。基础设施暴露性本身并没有风险必然性，但是在气候变化或气候灾害发生时对脆弱性有放大作用，故将暴露性作为脆弱性要素之一。

秦大河在《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》中将暴露性界定为“特定灾害事件发生时的影响范围和承灾体分布在空间上的交集”［23］，包含了气象灾害下暴露性内涵中的两个要点：一是承灾体，二是气象灾害事件。考虑到承灾体的规模与气象事件的严重程度决定了暴露性水平，选择城市的年度供水量、用电量、交通客运量、电信业务量、以及燃气供气量作为承灾体暴露规模，选择极端天气中较为典型的高温、强降水作为气象变化导致的气象灾害，作为暴露性的评价指标。其中，考虑到城市人口规模对基础设施总量的影响，将指标数据取人均值。

（2）敏感性

首先，敏感性包含系统易损性内涵，指承灾体“在多大程度上易遭受自然灾害的破坏和损害”［24］，IPCC将基础设施敏感性定义为“由于缺少对危险状况的抵抗力导致系统容易遭受巨大损失和伤害的倾向”［19］，这一内涵反映了承灾体对气候变化负面影响的承受能力；其次，敏感性还包含系统的灾害应对能力，即“承灾体利用资源、技术、机会来克服灾害负面影响、并在短期内恢复基本功能的能力”［25］，Blaikie等学者认为敏感性是表征“个人或群体预测、应对灾害以及从灾害中恢复的能力”的特征指标［25］，应对能力内涵考虑灾害后承灾体保持的生存力，是传统灾害管理中的重点内容。

城市基础设施的材质、施工以及老化和缺乏维护均会导致敏感性的增加，以供水管道为例，根据统计资料，我国常用的灰口铸铁管、混凝土管等爆管几率较大，而球墨铸铁管爆管较少，非球墨铸铁管的比例可在一定程度上反映设施的敏感性，故作为供水系统敏感性指标；另外，城市供电、交通、燃气、通信设施结构复杂，设施材质、元件的具体数据难以获得，故分别采用停电时间、交通不利日数、停气频率以及通信基站量来衡量设施的敏感性；城市排水系统是应对强降水等极端天气的防灾设施，排水管道规模的提升可以降低交通等其他设施的易损程度，取其人均值作为敏感性的负向指标；通信基站规模代表城市通信设施系统的发展水平，取其人均值作为敏感性的负向指标。

（3）适应性

适应性是指系统或个体能够进行自我调整以应对灾害风险的能力，决定了个体、家庭、社区或其他群体在环境变化下的可持续性［26］。与敏感性不同，适应性强调承灾体长期可持续发展潜力。近年来，由于意识到气候变化带来的风险具有高度的不确定性，提高受灾体的“气候适应性”逐渐成为应对气候变化的主要策略。IPCC将“气候适应”定义为“自然界或人类在气候变化情况下降低气候风险、利用有利机会的一种调整”［19］。适应性强调系统自身为减少气候风险而进行的变化与再组织过程，着眼于中长期机制［27］。

与其他指标相比，适应性指标主要关注设施物理系统之外的相关因素。城市绿地对极端强降水具有吸纳、滞留及减缓的效应［8］，选择城市的绿化覆盖率作为适应性指标；城市基础设施的定期维护影响其使用寿命和运行质量［28］，城市维护建设资金为定期维护工作提供长期的财力支持，选择支出的人均值作为适应性指标；另外，在灾害实际发生之前，灾害的风险存在被低估的倾向［29］，设施系统的保险投资可以为气象灾害后的恢复和重建提供支持，地方保险业中财产险保费收入可以反映当地各行业的保险意识水平，选择财产险保费收入的人均值作为适应性指标。

2.2 城市样本与数据处理

2.2.1 评估样本

本文以长江三角洲城市群（简称“长三角城市群”）为评估的样本城市。根据2016年5月国务院批准的《长江三角洲城市群发展规划》，长三角城市群包括上海，江苏省的南京、无锡、常州、苏州、南通、盐城、扬州、镇江、泰州，浙江省的杭州、宁波、嘉兴、湖州、绍兴、金华、舟山、台州，安徽省的合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城等26市［30］。研究区域如图2所示。资料来源于《长江三角洲城市群发展规划》，2016年后铜陵市与安庆市的行政区划进行了调整。

2.2.2 数据处理

图2 研究区域示意图Fig.2 Map of study zone

采用Min-Max归一化方法对原始数据进行无量纲标准化处理。Min-Max归一化方法是一种线性变换方法，将所有的数据投射到［0，1］之间，来解决数据间因量纲不同而无法比较的问题。综合评估中共有n个城市，m个指标，各指标分别为x1，x2，…，xm，用xij（i=1，2，…，n；j=1，2，…，m）表示第i个城市的第j个原始指标值，x′ij表示经过量纲处理的第i个单位的第j个指标值。

对于标准化后的指标数据，参考世界风险指标体系与VSD模型对于指标无差异权重的处理，分别对暴露性、敏感性和适应性的各个指标值进行加和平均，得出每一类要素的评估值。

3 气候变化下城市基础设施脆弱性的空间分析

为进一步探究城市基础设施脆弱性的空间特征，以脆弱性三要素的评估结果为基础、以城市为空间单元对其进行空间关系的分析。空间分析分为两部分，一是空间分布分析，考察三类要素指标评价值的空间分布情况；二是空间相关性分析，是检验某一要素的属性与其相邻空间上的属性值是否相关的重要指标，通过全局自相关和局部自相关两种方式进行分析。

具体地说，在ArcGIS软件平台对脆弱性三要素指标值分别进行数据分级，按照自然间断点分级法（Jenks）将评估值划分为“低、较低、中等、较高、高”5个级别，将具体的空间分布进行可视化展示；在ArcGIS空间分析模块采用全局空间自相关评价指标——Global Moran’s指数来分别考察三个要素的空间全局自相关性；通过“聚类和异常值分析”工具，进行三类要素的局部自相关性分析。

3.1 暴露性要素

（1）暴露性的空间分布

在ArcGIS的运行下，得出气候变化下长三角城市群基础设施暴露性的空间分布如图3所示。

图3显示，暴露性最高的三个城市包括苏州、上海、南京，三个城市当年人均地区生产总值（Per Capita GRP）均在10万元之上，并且均具有较高程度的人口规模，其中上海市被列为超大城市（常住人口≥1 000万），南京市为特大城市（500万≤常住人口≤1 000万），苏州市为I型大城市（300万≤常住人口≤500万）。城市居民对水、电、燃气、通讯以及交通的需求比中小规模城市更高，导致其气候变化暴露性处于高值区域。而暴露性较低的城市中，安庆、池州、滁州、宣城、舟山、嘉兴等人口均不足百万。简言之，城市的人口规模和经济水平与基础设施的气候变化暴露性存在一定的相关性。

图3 气候变化下的城市基础设施暴露性空间分布Fig.3 Spatial distribution of urban infrastructure exposure in climate change

（2）暴露性的空间相关性

暴露性的空间相关性如图4所示，图4a为暴露性的全局相关性Moran’s I指数，图4b为暴露性的局部自相关聚类分布。

图4 暴露性的空间相关性Fig.4 Spatial correlation of urban infrastructure exposure

暴露性的Moran’s I指数接近0，空间全局自相关性不显著，即暴露性要素值在空间上的分布具有整体的随机性。局部自相关分析中出现了两个聚集区域，一是HH（高值集聚区）类型的上海市，二是LH（低值被高值包围）类型的嘉兴市。上海市是长三角城市群中唯一的超大城市，在人口规模、经济体量上一直保持第一，是城市群落的中心，暴露性高值集聚的形成一定程度上反映了其城市基础设施的规模水平具有一定的空间辐射性，也同时造成了嘉兴市的LH区域类型。嘉兴市常住人口不足500万，属于中等城市，在地理位置上被上海、杭州、苏州等高暴露性城市环抱，但其暴露性的评估值并未受到邻接城市的影响。总之，暴露性的空间分布在整体上呈现随机性，只有上海市的暴露性对空间邻近城市有一定的辐射作用。

3.2 敏感性要素

（1）敏感性的空间分布

在ArcGIS的运行下，得出气候变化下长三角城市群基础设施敏感性的空间分布如图5所示。

图5显示，样本中高敏感性城市大多分布在安徽省境内，地理位置位于长三角城市群的中西部。位于高敏感性区间的铜陵、安庆、宣城、芜湖、池州的人口规模相对较小，均不足400万；其人均地区生产总值除芜湖达到6万元之上，其余4个城市的人均GRP仅在3～4万元之间，在城市群中排名靠后，属于经济相对不发达的中小城市。在气候变化及其引发的极端天气情况下，其基础设施系统有更高的可能由于设施材质易损、服务供应不可靠、设施规模不足等问题产生设施失效等后果。而敏感性较低的合肥、杭州、南京、上海均属于省会城市或直辖市，人口规模较大，经济水平较高，其城市维护投入和硬件设施质量相对较好。从暴露性和敏感性的空间分布图可以看出，两者有相当一部分呈现互逆分布。

（2）敏感性的空间相关性

图5 气候变化下城市基础设施敏感性空间分布Fig5.Spatial distribution of urban infrastructure sensitivity in climate change

敏感性的空间相关性如图6所示，图6a为敏感性的全局相关性Moran’s I指数，图6b为敏感性的局部自相关聚类分布图。

图6 敏感性的空间相关性Fig.6 Spatial correlation of urban infrastructure sensitivity

由图6可见，敏感性的Moran’s I指数为0.368 512，要素在99%的概率下（p值约为0.01）存在空间正相关，即要素高值或低值整体上在空间上显著集聚；敏感性的局部自相关性分析中出现了一个异常值，即LH（低值被高值包围）类型的合肥市，以及一个聚类区域，即HH（高值集聚区）类型的安庆、池州、芜湖、宣城。这两个区域都属于安徽省，且两者之间存在地理上的相邻关系。合肥市作为安徽省省会城市，其基础设施在气候变化情境下的敏感性较低，得益于其城市维护的大力投入和硬件设施较好的质量，但这种优势并没有从空间上扩散至其相邻城市群，与之相反，其周围形成了高敏感性的城市聚集区域。

3.3 适应性要素

（1）适应性的空间分布

在ArcGIS的运行下，得出气候变化下长三角城市群基础设施适应性的空间分布如图7所示。合肥、南京、舟山、湖州在适应性上处于高值，而芜湖、滁州、盐城、宣城、泰州的适应性指标相对较低。对具体数据进行深入分析后，发现城市维护建设支出起到关键作用。合肥市作为26个城市中唯一的气候适应型城市建设试点，其适应气候变化的相关工作具有一定的基础，2016和2017年的统计数据显示，合肥市城市维护建设资金支出接近安徽省一半的水平。在申请试点城市的过程中，合肥市政府投资建设了气象灾害监测预警系统，对供电、交通、排水等设施系统进行了应对极端天气灾害的改造工作［31］。由此可知，城市建设定位和政策性引导对提高基础设施的气候变化适应性、降低气候灾害脆弱性起到重要的推动作用。

（2）适应性的空间相关性

适应性的空间相关性如图8所示，图8a为适应性的全局相关性Moran’s I指数，图8b为适应性的局部自相关聚类分布图。

图8 适应性的空间相关性Fig.8 Spatial correlation of urban infrastructure adaptation

适应性的Moran’s I指数接近0，空间全局自相关性不显著，即适应性要素值在空间上的分布具有整体的随机性；局部自相关分析中出现了一个聚集区域，即HH（高值集聚区）类型的合肥市。如前所述，合肥市是长三角城市群中唯一的气候适应型城市试点，其地理相邻的马鞍山市、铜陵市基础设施的适应性相对较高，呈现出一定的空间辐射；但这种辐射关联并不普遍，滁州市、芜湖市与合肥市邻接，但是其基础设施的适应性要素评估值低。由此可知，在长三角城市群中，气候变化下的城市基础设施适应性要素的空间分布在整体上呈现随机性，合肥市的适应性对空间邻近城市有一定的辐射作用。

3.4 综合分析

气候变化背景下，城市基础设施的脆弱性是其气候灾害暴露性、设施敏感性以及适应性三类要素合力的结果，其中暴露性和敏感性是正向要素，适应性是反向要素。根据对各个要素的空间分布分析，可知各类要素的空间分布并不一致。比如上海市的城市基础设施具有较高的暴露性，而其设施敏感性较低、适应性较高；而南京市的城市基础设施属于高暴露性、高适应性、较低敏感性的类型；杭州市的城市基础设施具有较高的暴露性，其敏感性却很低，适应性中等；还有安庆市、宣城市等中小城市，基础设施系统往往具有较低的灾害暴露性、较高的敏感性以及相对较低的适应性。基于此，各个城市在制定基础设施系统应对气候变化策略体系时，需首先明确各类脆弱性要素的具体水平，有的放矢地出台政策以降低设施系统的脆弱性。

另外，从省域视角看，暴露性和敏感性要素的空间分布呈现显著的省域相异性。较高的灾害暴露性的城市多分布于上海市、江苏省、浙江省，而安徽省多个城市的基础设施敏感性相对较高，适应性的空间分布并未体现这一特征。

虽然在评估体系中没有采用直接的经济指标，但是上述对城市基础设施脆弱性三要素的空间分布分析表明，城市自身经济水平的作用明显。经济发达地区对城市基础设施的依赖性较大，气候变化下的暴露性相对较高；而经济能力又能支持设施系统硬件的发展，同时改善系统内外环境因素，提升相关人力资源水平并提供可持续发展的持续动力。同时，相关宏观政策能够引导脆弱性要素的走向。

在空间自相关性上，只有城市基础设施的敏感性要素整体上具有空间相关特征，暴露性和适应性只存在局部的空间聚集区域。其中上海市的基础设施灾害暴露性对周边区域存在正向的影响，这与其人口规模、经济发展的空间辐射有一定的关系；合肥市作为样本中唯一的气候适应型城市试点，自身具有较高的气候适应性，对邻近城市基础设施的适应性存在正向的影响关系。

4 结论

为了解气候变化情境下城市基础设施脆弱性的空间分布及相关关系，以长三角城市群各地市为对象，首先进行了基础设施脆弱性评估，并以此为基础分析了脆弱性的空间分布情况与空间自相关性。

城市基础设施的脆弱性按照暴露性、敏感性、适应性三类要素分别进行评估，经过客观指标数据的处理，得到了被评估的26个城市单元三要素的评估值。进一步对评估值进行空间分布与空间自相关性分析，发现其空间分布关系具有如下特点：

（1）气候变化下城市基础设施脆弱性的分布与城市的地理位置关系不明显，而与城市级别、人口规模、经济水平等有一定的相关关系。人口众多、经济水平较高的城市其基础设施暴露性有高值倾向，而敏感性以及适应性与之相反，体现了城市基础设施的社会经济属性。

（2）相关宏观政策的引导对降低城市基础设施脆弱性有显著作用。特别是在当前气候适应型城市建设过程中，城市定位和政策性引导对提高基础设施的气候变化适应性起到关键的推动作用。

（3）省界对城市基础设施脆弱性要素的分布有一定的影响。根据对长三角城市群的实证结果分析，气候变化下城市基础设施的暴露性与适应性没有显著的空间自相关性，而敏感性空间自相关性显著，安徽省内分布有更多的基础设施敏感性高值城市。

总之，在气候变化背景之下，长三角城市群的基础设施脆弱性分布未形成区域化的一致特征，脆弱性更多地取决于城市单元个体的行政级别、经济水平以及所属行政区域等因素，三类要素的空间分布各异。为协调发展长三角城市群对抗气候变化能力，应在区域一体化政策的推动下构建降低基础设施脆弱性的策略框架，因地制宜地识别出各类脆弱性要素的城市分布特征，在区域经济协同发展战略红利下对高脆弱性城市进行政策扶持，加强基础设施建设，并制定提升其对抗气候变化能力的长期发展规划。

作者贡献声明：

施建刚：负责论文研究概念、技术路线的提出，把握论文的逻辑结构，对论文进行了重要的修改，核准论文最终版。

俞晓莹：参与论文研究概念、技术路线的确定，负责数据收集、分析与解释，撰写论文初稿。