观潮 · 模式预报与气象 AI 观察
巢湖流域 2020 年洪涝损失：模型算 190.61 亿元对官方 201.33 亿元，间接损失是直接损失的 1.67 倍
> 洪灾损失评估常见两个粗糙点：直接损失只给一个灾后总数，或者只按最大淹没状态算一次；间接损失则往往只用单一模型，顾了短期产业链传导就顾不上中长期经济调整。作者的方案是先把淹没水深和淹没历时一起塞进损失率函数，按时段滚动算直接损失的累积过程，再用 IO 与 CGE 两个模型分别估间接损失。巢湖流域 2020 年这次实例里，直接损失算出 190.61 亿元，与官方统计的 201.33 亿元相差 5.32%；间接损失 IO 模型给 318.61 亿元（1.67 倍）、CGE 模型给 246.09 亿元（1.29 倍）。作者反复强调这套损失率函数是从有资料地区比拟移植来的，换区域必须重新率定。
缺的是哪一块
洪涝损失分直接与间接两块。直接损失指淹没区内洪水与财产发生物理接触造成的损失，评估方法已从灾后统计逐步演进为「洪水演进模拟 + 社会经济数据空间化 + 损失函数」的综合路线。水深—损失率函数便于与淹没结果耦合，但传统单变量函数有三个不足：对淹没历时考虑不足、对承灾体属性和防护能力考虑不足、区域适用性受限。
间接损失这边，IO 模型能刻画产业间投入联系、适合分析短期产业关联传导，但固定技术系数和线性假设反映不了价格变化、投入替代与资源调整；CGE 模型能模拟价格、供求和部门替代等调整机制、适合中长期均衡分析，但依赖社会核算矩阵、替代弹性和闭合规则。单一模型没法同时覆盖两个时间尺度。
作者把不足归纳为三条：一是对真实洪水过程中直接损失的动态演进刻画不足；二是损失率函数区域化与「水深—历时」联合影响仍需完善；三是单一 IO 或 CGE 模型难以兼顾不同时间尺度。
方法怎么搭的
水文水动力侧按地形把流域切成山丘区与平原区：山丘区用三水源新安江模型模拟降雨产汇流；平原区按水面、水田、旱地、城镇四类下垫面分别算产流；主要河道用一维水动力模型，巢湖湖体用二维浅水模型，平原区湖泊、水库与行蓄洪区用零维模型做调蓄。各类单元通过节点水量平衡联立求解，闸、泵、堰等水工建筑物由联系要素和过流公式连接。率定用 1983、1991、1998、1999、2016、2020 年典型洪水过程，验证结果是各水文站确定性系数均在 0.85 以上。
损失率函数这块是本文最绕的部分，分四步：
- 选 8 项转移因子（地均 GDP 等），极差标准化后用投影寻踪模型算区域特征综合值，用混沌粒子群遗传算法求解；
- 对 8 项因子做全组合枚举，形成 2⁸−1 = 255 种非空特征组合方案，按「不同引用地区移植结果的标准差与变差系数之和最小」挑出最优组合；
- 对最优组合下的损失率样本做 Beta 分布拟合（损失率是 0—1 之间的有界连续变量），用矩估计定参数，取概率密度最大值对应的损失率作为该级淹没水深的代表性最优损失率；
- 把国内外研究中出现过的多种函数形式作为待拟合函数集，按拟合相关系数最大原则选函数。结果是四次多项式（F8）最高，S 型曲线与傅里叶函数次之，函数 F3 拟合效果差被弃用。
直接损失按时段滚动：把各计算时段的淹没水深、淹没历时与社会经济空间数据叠加，资产损失率和产值损失率由水深级别与历时级别共同确定，再用淹没天数对行业年产值做时间折算。间接损失则分别走 IO（列昂惕夫逆矩阵、完全消耗系数矩阵）与 CGE（省级微观 SAM 表降尺度得到流域 SAM，加入灾害冲击参数）。
结果数字
直接经济损失随洪水演进呈「缓慢增加—快速增加—峰值稳定」三段式。洪水末期总额 190.61 亿元，构成如下：
承灾体 · 损失 · 占比
房屋建筑物 · 68.47 亿元 · 35.92%
设备工器具 · 41.70 亿元 · 21.88%
流动资产 · 41.40 亿元 · 21.72%
基础设施 · 38.27 亿元 · 20.08%
其中农村房屋建筑物单项 67.08 亿元，占总损失 35.19%，是所有单项承灾体里最高的。基础设施内部，公共设施 29.31 亿元、电力设施 6.75 亿元、运输邮电设施 2.21 亿元。设备工器具与工商业建筑业流动资产合计 83.10 亿元，占 43.60%。
精度验证用的是官方总额：《2020 年安徽省洪涝灾害调查评估报告》给出巢湖流域直接经济损失 201.33 亿元，模型值 190.61 亿元，相对误差 5.32%。
间接损失两个模型给出不同量级：
模型 · 间接经济损失 · 相当于直接损失 · 适用尺度
IO · 318.61 亿元 · 1.67 倍 · 短期产业链传导
CGE · 246.09 亿元 · 1.29 倍 · 中长期均衡调整
CGE 结果占总产出的 0.77%。分产业看，CGE 给出的产出损失值最高的三个部门是其他服务业 47.18 亿元、农业 45.75 亿元、电力燃气及水的生产和供应业 43.06 亿元；产出损失率最高的是交通运输仓储和邮政业 4.86%、采矿业 3.23%、农业 2.84%。
IO 高于 CGE，原文解释为：IO 假定分析期内生产技术与投入结构不变、不考虑价格弹性与投入替代，灾害冲击沿既定产业关联持续传递，结果偏高；CGE 把价格响应、供求调整与部门替代纳入均衡求解，能反映经济主体的适应性调整，结果偏低。
原文图
两个间接损失模型在输入、适用条件、特点与输出上的分工。IO 模型吃「减停产初始冲击 + 投入产出表」，适用于短期、局部或部门冲击，假定投入结构相对固定、不考虑价格与替代效应，输出是短期静态间接损失；CGE 模型吃「减停产初始冲击 + SAM 表」，面向中长期与区域整体冲击，考虑资源约束、价格与供求调整及部门替代，输出是中長期均衡影响。这张对照表就是正文说两者「互补而非替代」的依据。
基于 IO 模型的间接损失分部门结果，蓝柱为损失值（亿元，左轴），红柱为占间接损失总值的比例（右轴），横轴 D1—D35 为 35 个产业部门。最高的一根是 D21 燃气生产和供应（接近 60 亿元），其次是 D1 煤炭采选产品（约 38 亿元）与 D8 石油炼焦及核燃料加工品（约 30 亿元），D20 金属制品与机械设备修理约 29 亿元。损失高度偏向前端能源与原材料部门，这是产业链传导的典型形态。
CGE 模型给出的九个部门汇总：蓝柱为损失值（左轴），红柱为灾损率（右轴）。E9 总产出的损失值约 246 亿元，对应正文的 246.09 亿元；分部门里 E8 其他服务业（约 47 亿元）、E1 农业（约 46 亿元）、E4 电力燃气及水的生产和供应业（约 43 亿元）的损失值最高；灾损率最高的则是 E7 交通运输仓储和邮政业（约 4.86%）、E2 采矿业与 E1 农业。
作者承认的限制
- 损失率函数不能未经校核直接套用。原文写明，损失率函数基于引用地区灾损资料比拟移植，参数「具有一定的区域适用性」，但「本文构建的方法框架可为其他区域洪涝灾害损失动态评估提供参考，但不能在未经校核的情况下直接套用」，换区域要重新确定转移因子和损失率函数，并用当地洪水过程与灾损资料率定验证。
- 只对总额做了精度验证，分类损失没做分项校验。原文说明受公开灾情资料与统计口径限制，现有分类损失数据与本文承灾体分类体系难以一一对应，因此只用官方直接经济损失总额做总体精度验证，各类损失结果仅用于分析损失构成。
- 不确定性会在多个环节传递。原文承认社会经济数据空间化、水文水动力模拟及承灾体价值估算的不确定性都可能传导到损失评估结果。
- 只用了一场洪水、一个流域做验证。原文说「本研究目前主要以巢湖流域 2020 年特大洪水为实例开展验证，分类灾损资料及跨区域案例仍相对有限」。
- 损失函数形式没有统一标准。原文指出「目前洪灾损失率函数尚未形成统一形式」，本文是在既有研究给出的多种函数形式里按拟合相关系数择优。
- 后续工作作者自己列了：收集多场洪水与不同区域的灾后调查资料、完善分类损失校验、开展损失率函数与社会经济空间化参数和淹没模拟误差的敏感性及不确定性分析。
一句话判断
把「水深 + 历时」双因子损失率函数和 IO/CGE 双模型接起来，直接损失对上官方数字只差 5.32%，间接损失落在直接损失的 1.29—1.67 倍之间——真正有决策价值的不是那个总误差，而是「农村房屋占 35.19%」这个构成，它直接指向低洼村庄和农村住房该优先加固；不过这套函数是从别处比拟移植来的，换个流域就得重做率定。