基于广东省台风保险数据的建筑物财产脆弱性评估.doc

(完整版)基于广东省台风保险数据的建筑物财产脆弱性评估
目 录
摘 要 I
ABSTRACT II
1.引言 1
2.研究数据与方法 2
2。1 研究数据 2
2。1.1 台风灾害保险理赔数据 2
2.1。2 气象数据 3
2。1。3 广东省基础地理信息数据 4
2.2 研究方法 4
2.2。1 脆弱性的评价方法进展 4
2。2.2 台风灾害脆弱性曲线 6
2。2.3 台风灾害保险 7
2.2.4 承灾体分类及致灾因子选取 8
3.研究结果及分析 11
3.1 分县承灾体损失率 11
3。2 各地区承灾体脆弱性评估 11
3。3 政策性住房脆弱性评估 12
3。4 常住农户住房脆弱性评估 14
3.5 企业资产脆弱性评估 15
3.6 政府资产脆弱性评估 16
4.结论与讨论 18
4.1结论 18
4.2 问题与展望 18
参考文献 19
致 谢 21

图 目 录
图 1 台风“凡亚比”理赔案例分布图 2
图 2 广东省气象站点分布图 4
图 3 风险计算模型中致灾因子危险性与承灾体脆弱性的关系 5
图 4 木结构房屋飓风脆弱性曲线 6
图 5 浙江省2007年农房保额损失率 7
图 6 浙江省2007年农房保额损失率 7
图 7 房屋财产脆弱性曲线 7
图 8 商业资产脆弱性曲线 7
图 9 不同保险标的类型所占比例 8
图 10 不同出险原因所占比率 9
图 11 “凡亚比”影响期间广东省降水量图 10
图 12 “凡亚比”影响期间全省日极大风速图 10
图 13 分县承灾体损失率图 11
图 14 各地区日降水量与承灾体损失率的关系 12
图 15 日降雨量与政策性住房保额损失率的关系 13
图 16 日极大风速与政策性住房保额损失率的关系 13
图 17 日降水量与常住农户住房损失率的关系 14
图 18 常住农户住房分布图 14
图 19 日极大风速与常住农户住房损失率的关系 15
图 20 日降水量与企业资产损失率的关系 16
图 21 日极大风速与企业资产损失率的关系 16
图 22 日降水量和政府资产损失率的关系 17
图 23 日极大风速与政府资产损失率的关系 17

表 目 录
表 1 保险理赔资料示意表 2
表 2 各市及区县理赔案例数统计表 3

基于广东省台风保险数据的建筑物财产脆弱性评估
-—以台风“凡亚比”为例
摘 要
1011 号台风“凡亚比”是2010 年给广东带来最大影响的台风，造成广东直接经济损失23。99亿元，119.7 万人受灾.本文利用人保财险广东省分公司的保险理赔数据及2010年台风“凡亚比”期间的理赔数据, 定量分析了广东省台风凡亚比期间不同承灾体类型， 与台风“凡亚比”的日极大风速、日降水量等致灾因子强度的关系.文中承灾体共分4类：政策性农村住房，常住农户住房，企业资产以及政府资产。不同承灾体类型损失率相关性较高的致灾因子类型也不同。对于政策性农村住房、常住农户及政府资产，其损失率与日极大风速有较高的线性关系。而企业资产损失率与日降水量相关性较高。依据这一关系,建立了不同承灾体类型的脆弱性曲线.最后，根据所得脆弱性曲线，本文指出应加强对易受大风影响地区农房的防护并提高企业资产对大暴雨的抵御能力.

关键词： 脆弱性评估；建筑物财产;保险数据；凡亚比；广东

Estimation of the vulnerability of building property to tropical cyclone by insurance claim data： case study of Fanapi
ABSTRACT
Typhoon Fanapi hit Guandong province in 2010. Insurance claim data with detailed location information were obtained from the branch of PICC in Guangdong province。 Relationship between loss ratio of different categories of hazard affected bodies and global maximum wind speed, daily precipitation was analyzed quantitatively。 The hazard affected body was divided into four categories： The policy-related rural housing, ordinary rural housing, enterprise property and government property. It was found that the loss ratio of enterprise property better correlate linearly with daily precipitation， while the other three categories of hazard affected bodies better correlate linearly with maximum wind speed。 According to these relationships, the vulnerability function and vulnerability curve for different hazard affected bodies were developed. Based upon the result, the paper points out that it is necessary to strengthen the protection for rural houses in the areas that are easily affected by strong wind and to improve the resisting ability of enterprise property to heavy rainfall。
Key words： vulnerability; building property; insurance claim data； Fanapi; Guangdong
II
1。引言
在全球气候变暖和海平面上升的影响下，自然灾害发生的频率增加、强度加大，并且对人类社会造成的损失增加。多种时空尺度的检测数据已显示，在全球气候变暖和海平面上升的影响下，台风、暴雨、风暴潮和洪涝等自然灾害的发生频率和强度增强，灾害造成的损失也呈现增长的趋势.如在过去30年，台风虽在频率上变化不大，但其持续的时间和所释放的能量却增加了50％以上，故破坏性更大[1—2].
中国位于太平洋西岸,是世界上受台风灾害影响较严重的国家，平均每年约有7。2次台风登陆，每年台风都会给中国造成巨大的损失。从台风活动影响范围来看，主要集中在东部沿海地区，这些地区人口稠密、经济发达,是比较脆弱的地区.位于东南沿海的广东省是我国受热带气旋(包括热带风暴、强热带风暴以及台风）影响最严重的省份,平均每年影响广东省的热带气旋有10个，最多年份达17个，约占全国一半左右,为全国各省之冠［3].同时广东省自然环境多样、经济发达、人口众多，作为台风灾害的研究区域具有代表性。
1011 号台风“凡亚比”是2010 年给广东带来最大影响的台风，具有路径较曲折、过程雨量大、影响时间长、波及范围广、致灾特别重的特点。“凡亚比"登陆后横穿广东省时给带来了暴雨到大暴雨局部特大暴雨的降水，导致严重的洪涝灾害,对粤西影响最严重.粤西的茂名、阳江遭遇特大暴雨袭击，导致严重的洪涝灾害。粤西部分站录得超过400毫米的过程雨量,其中高州马贵的雨量高达829。7 毫米，全省108 个乡镇（社区）录得200~400 毫米的降水，483 个乡镇（社区)录得100~200 毫米的降水［4］。
台风灾害建筑物脆弱性是风险定量评价的核心内容之一, 反映台风自然物理过程对社会系统的影响, 即致灾因子与灾害损失之间的关系。建筑物脆弱性数据可广泛应用于灾害管理领域， 如应急救助、快速损失评估、风险评估及风险转移等, 对促进灾害应对与防灾减灾能力建设起着重要作用[5]。
当前关于台风灾害损失的研究中多采取基于指标的统计方法,以及统计模拟法［6］，研究尺度一般为全国[7］或省级尺度[8］，缺少更细尺度上的研究分析。保险数据在灾情信息记录方面起到了精细的效果，在一定程度上弥补了部分灾情记录缺乏的情况[9]。本研究将通过人保财险广东省分公司的较细尺度下的理赔数据，尝试构建广东省不同区域及建筑物财产类型的台风灾害脆弱性曲线,以揭示不同地区承灾体的脆弱性差异,为保险公司在日常承保该区域的企业保费定价的空间分异提供理论依据。
2.研究数据与方法
2.1研究数据
2。1。1台风灾害保险理赔数据
台风灾害保险理赔数据来源于人保财险广东省分公司2010年台风“凡亚比”期间的理赔案例533条（内部数据),其中由与台风相关的致灾因子（暴风、暴雨）造成的案例数为462条。数据要素包括保单号、被保险人名称、保险地址、保险金额、立案号、出险日期、出险原因、已核赔总金额等,如表1:

表 Error! Bookmark not defined. 保险理赔资料示意表(内部资料）

保单序号
被保险人名称
保险地址
保险金额
出险日期
出险原因
已核赔总金额（元）
1
A
广东省江门市新会区大泽镇北洋村
23487882
2010/9/20
雷击
5281
2
B
广东
2100000000
2010/9/25
暴雨
33177
3
C
广东
2.23096E+11
2010/9/20
台风
2887924.74
4
D
广东省广州市
2.23096E+11
2010/9/20
台风
227826。07
…
…
…
…
…
…
…

数据集在空间上覆盖广东省65个区县，理赔案例的空间分布如图1:

图 1 台风“凡亚比"理赔案例分布图

经统计各市、区县的案例数分布如表2：

表 1 各市及区县理赔案例数统计表

地区
区县
案例数
小计
地区
区县
案例数
小计
东莞市
东莞
4
4
汕头市
潮南区
1
15
佛山市
高明区
6
9
澄海区
7
南海区
3
龙湖区
3
广州市
从化市
3
26
南澳县
2
斗门区
8
潮阳区
2
番禺区
3
汕尾市
城区
1
5
越秀区
12
海丰县
4
河源市
连平县
1
1
韶关市
南雄市
2
4
惠州市
惠城区
1
3
始兴县
1
惠阳区
2
翁源县
1
江门市
鹤山市
3
20
阳江市
江城区
15
46
金湾区
1
阳春市
27
开平市
3
阳东县
1
蓬江区
1
阳西县
3
台山市
11
云浮市
罗定市
17
32
江海区
1
新兴县
9
揭阳市
揭东县
14
17
云安县
3
普宁市
3
云城区
1
茂名市
电白县
1
58
郁南县
2
高州市
21
湛江市
雷州市
7
54
化州市
6
廉江市
44
茂南区
5
遂溪县
2
信宜市
25
吴川市
1
梅州市
丰顺县
2
6
肇庆市
德庆县
79
118
梅县
2
端州区
1
平远县
2
封开县
25
清远市
佛冈县
1
5
高要市
1
清新县
1
广宁县
9
阳山县
2
四会市
3
英德市
1
中山
中山
36
36
珠海市
香洲区
2
2

由上述统计可知,台风“凡亚比”的保险理赔案例主要分布在粤西，湛江、茂名、云浮、阳江、肇庆这五个地区的案例总数为308，占到总案例数的67%.
2.1。2气象数据
气象数据包括日降水量和日极大风速，都来源于广东省气象局提供的全省86个气象站点的观测数据。气象站点分布如图2：

图 Error! Bookmark not defined. 广东省气象站点分布图
2.1。3广东省基础地理信息数据
来源于北京师范大学区域地理实验室提供的2005年广东省县级行政边界的矢量图.
2.2研究方法
2.2.1脆弱性的评价方法进展
脆弱性(Vulnerability）衡量承灾体遭受损害的程度，是灾损估算和风险评估的重要环节，是致灾因子与灾情联系的桥梁［9］。当承灾体的脆弱性侧重于因灾造成的灾情水平方面时，通常可用致灾（h）与成害（d)之间的关系曲线或方程式表示，即V=f（h，d），又叫脆弱性曲线(Vulnerability Curve) 或灾损（率）曲线(函数) （Damage /Loss Curve),用来衡量不同灾种的强度与其相应损失(率）之间的关系，主要以曲线、曲面或表格的形式表现出来［10］.
在《中国自然灾害风险地图集》中，依据致灾因子和脆弱性的评价精度将自然害风险结果划分为三类。当脆弱性评价中的致灾因子的强度和承灾体的损失都以矩阵衡量，则评价结果为相对风险等级；致灾强度是定量表示，损失以等级表示时，评价结果为风险等级；致灾强度和损失都是定量表示并且构建了脆弱性曲线时，评价结果才是真正的风险,如图3所示[11］。可见,脆弱性的评价精度是限制风险评价精度的关键.

图 Error! Bookmark not defined. 风险计算模型中致灾因子危险性与承灾体脆弱性的关系(史培军，2011)
脆弱性曲线的构建主要有四种方法［9］.1）基于灾情数据的脆弱性曲线构建,这是最为常用的方法。研究者利用收集到的灾情数据中致灾与成灾一一对应的关系，采用曲线拟合、神经网络等数学方法发掘二者之间的脆弱性规律。例如，自然灾害保险相关险种的历史赔付清单，可反映灾害的实际损失。从保险数据推定易损性曲线的方法，在北美[12]、澳大利亚［13—14]、日本［15]等保险市场较为发达的地区已得到有效应用.2）基于已有脆弱性曲线的再构建，即在已有脆弱性曲线的基础上，通过研究区对曲线参数本地化的修正，形成新的脆弱性曲线。例如,在雪崩灾害研究中，研究者普遍采用Wilhelm提出的脆弱性曲线。根据研究区的实际灾情数据,对该曲线参数进行修正和重构。3）基于系统调查的脆弱性曲线构建，即基于对承灾体价值调查和受灾情景假设，推测出不同致灾强度下的损失率而构建脆弱性曲线。4）基于模型模拟的脆弱性曲线构建,此方法的关键是在数字环境下套管模型模拟方法，跟踪致灾因子和承灾体的相互作用过程，定量表达脆弱性曲线。
2.2.2台风灾害脆弱性曲线
台风脆弱性曲线研究较多地与工程和保险相结合。Lee等构建了呈对数分布房屋易损性函数[16］。Walker利用20世纪80年代前后澳大利亚房屋飓风保险数据构建的建筑物脆弱性曲线，是目前应用最广泛的脆弱性曲线［17］，他针对不同时期的建筑物构建与最大风速相关的脆弱性曲线，认为不同的设防水平造成了脆弱性差异.Khanduri等[17］针对美国不同结构房屋建立了风速与建筑物平均损失率的脆弱性曲线（图4），其中损失率指经济损失所占房屋总体价值的百分比。台风脆弱性曲线所选的致灾强度指标主要有过程降水量、日最大降水量和最大风速等。

图 2 木结构房屋飓风脆弱性曲线
方伟华等[5]基于保险数据构建了农村住房的易损性方程.他选取的致灾因子指标为过程降雨量和极大风速，灾损率为农房保额损失率， 即各县保险总赔付金额与总保险金额的比率.该研究根据台风期间农房保险损失数据与地面气象观测数据， 建立基于农房保额损失率和过程降雨量、极大风速的农村住房易损性方程：lnμ=aI+b,式中μ为农房保额损失率，是各县保险总赔付金额与总保险金额的比率，I为致灾因子强度,本文具体指标为过程降雨量（ Iτ）--各县台风影响期间累计面平均降雨量,或极大风速（ Iw )——各县台风影响期间出现的最大3s平均风速值，a、b为待定参数。
研究得到农房保额损失率与台风灾害过程降雨量的关系图（图5)及农房保额损失率与台风极大风速的关系图（图6），前两者相关性较好（R2=0。43），后两者相关性极差（R2=0。035)。

图 3 浙江省2007年农房保额损失率
与过程降雨量关系图
图 4 浙江省2007年农房保额损失率
与极大风速关系图
刘耀龙研究了温州市受台风“莫拉克”影响的暴雨内涝区域房屋财(资)产脆弱性[18]，选取的致灾因子指标为淹没水深，灾情数据的获取方法为问卷调查法；依据财(资） 产损失值和本身价值调查数据，求商取百分数得到对应淹没水深强度下的房屋财产和商业资产灾损率,最终得到房屋财产脆弱性曲线（图7）及商业资产脆弱性曲线（图8）。

图 Error! Bookmark not defined. 房屋财产脆弱性曲线
图 5 商业资产脆弱性曲线

2.2。3台风灾害保险
保险作为风险管理的重要手段，是集聚合同类风险并设立基金，用以补偿小部分人损失的机制.从法学角度来看，保险是一种契约行为，从经济学角度来看,保险是一种分摊灾害事故损失的财务安排。根据保险的标的不同，保险分为财产保险、人身保险、责任保险和信用保证保险。财产保险是以财产及与之相关的利益作为保险标的，以自然灾害及意外事故为保险事故的保险，如本文讨论的台风以及台风带来的大风、暴雨，均属于财产保险的保单责任。
面对台风造成的损失，从 20 世纪 80 年代中期开始，经常遭受台风侵袭的沿海地区就开始了一种“划线承保”政策,也就是统计当地多年来的水灾数据报告，划定一条常规水位线，并且通过特别约定的方式在保险合同中载明,在这条水位线以下的财产不予承保；水位线以上的财产也不是全盘承保,而是针对保险标的受水灾影响的程度,在费率上划分等级或约定不同的免赔额分别承保.[19]
2.2.4承灾体分类及致灾因子选取
暴雨和大风是台风主要的致灾因子, 可能引发洪涝、风暴潮、滑坡、泥石流等次生灾害， 形成台风—暴雨灾害链［7],这些因素都可能造成房屋的破坏, 甚至倒塌, 成灾机制复杂.

图 Error! Bookmark not defined. 不同保险标的类型所占比例
本文根据保险理赔数据中的“被保险人名称”一列，统计不同承灾体类型所占的比例(图9），在所有标的类型中，除其它类别外常住农户所占比例最高，达到21％。其次为企业和政府资产，各占到15％.政策性农村住房占到8％。养殖户所占比例最低，为4%。据此，本文将承灾体类型分为以下四类：常住住房、政策性农村住房、企业资产和政府资产。
保险理赔数据中“出险原因”一列，标注了造成保险标的损失的原因类型.经统计造成台风灾害损失的主要原因为暴雨和台风（图10)，两者分别占到54.6％和29.6％，由暴风造成损失的案例数所占比例为2。8％，其它出险原因（洪水、火灾等）共占12.9%。常用的反映暴雨强弱指标是日最大降雨量和过程降雨量， 而大风一般用日最大风速和极大风速来表征[5］。考虑到致灾因子强度数据的可得性，本文选取的致灾因子指标为“凡亚比”台风影响期间广东省各县的日降水量、过程降水量和日极大风速,即各县台风影响期间出现的最大3s平均风速值。

图 6 不同出险原因所占比率

根据广东省气象局提供的台风“凡亚比"影响期间（2010年9月19日至25日）全省86个气象站点的日降水量和日极大风速数据,在arcgis中进行空间化，并做空间插值，得到广东全省的过程降水量图（图11)和日极大风速图（图12）,在arcgis中运用空间分析工具“extract values to points”，提取每个保险案例点的过程降水量值和日极大风速值。

图 Error! Bookmark not defined. “凡亚比”影响期间广东省降水量图

图 Error! Bookmark not defined. “凡亚比”影响期间全省日极大风速图
综上所述，本文选取日降水量、过程降雨量和日极大风速为致灾因子强度指标，以不同承灾体的赔付金额与其保险金额的比值作为损失率，得到二者相关关系的散点图，从而构建承灾体脆弱性曲线.
3.研究结果及分析
3。1分县承灾体损失率
本文分别统计各县损失总额与总保险金额，计算二者比值， 作为该县承灾体的保额损失率，得到分县的承灾体损失率图（图13)。

图 7 分县承灾体损失率图
由图13可知，“凡亚比"台风造成较大损失的地区为粤西和粤北。粤西的巨大损失主要与台风“凡亚比”横穿广东时所带来的强降水有关.据统计，“凡亚比”给高州马贵带来高达829.7 毫米的过程雨量，粤西有多个站录得了超过400 毫米的过程雨量，给上述地区带来了严重的洪涝[4]。而粤北主要为山区，台风经过时所带来的降水，容易引发滑坡、泥石流等次生灾害,从而造成承灾体的严重损失.
3。2各地区承灾体脆弱性评估
根据表2所统计的分地区的案例数，筛选出案例数大于20的地区，分别作出各地区日降水量与承灾体损失率的关系图（图14）。

图 Error! Bookmark not defined. 各地区日降水量与承灾体损失率的关系
由图14可知，不同地区承灾体的脆弱性不同，即同一日降水量所造成的承灾体损失率不同。肇庆、湛江、云浮、阳江四市的承灾体的脆弱性较低；而中山、广州二市承灾体脆弱性较高。
联系各地区所处位置,不难发现，脆弱性较高的两个地区——广东、中山，处于珠三角，经济发达的地带；而其余四市则位于粤西或粤西北经济较不发达的地方。因此，保险公司在确定保费时，珠三角地区的保费应当较粤西地区高.

3.3政策性住房脆弱性评估
广东省政策性农村住房保险实行 “以农户自愿为原则 ，按市场化运作”.被保险人为具有广东省农业户籍的常住农户，保险标的是农户自有的 、用于生活居住的房屋.保险金额全省统一，每户每年 10000元。按照全省自然灾害风险状况和农房自身抗风险能力 ，将全省分为珠 角和非珠三角两大地区 ，实行差异化保费，由农户和财政共同承担［20]。
从532个保险案例中,筛选出“被保险人"名称包含“政策性农村住房"的案例，共计43例.合并其中同一保险标的(同一保单号）同一日期的理赔案例，最终得到19个案例数据。主要分布在肇庆市、云浮市和汕头市。
计算各案例点的保额损失率和日降水量。得到二者关系的散点图(图15)。通过线性方程拟合， 结果为：y = 6E-06x + 4E—05,R² = 0。2528。

图 8 日降雨量与政策性住房保额损失率的关系
由图15可以看出，政策性住房保额损失率与日降水量存在一定的线性相关关系，随着日降水量的增加,保额损失率呈上升趋势.
其中有两个点的损失率较其它点高出许多（0.04%以上),并且它们均分布在汕头市(在“凡亚比”经过路径中），出险日期均为9月20日。所以，它们损失率较大的原因可能为,“凡亚比”过境带来大量降水，造成房屋损坏并财产损失。而其它案例点与“凡亚比”路径相离较远，因此所受损失较小。
同理，对广东省各县政策性住房保额损失率, 与日极大风速进行分析， 得到二者关系的散点图（图16），并通过线性方程拟合，结果为：y=6E—05x-0。0003, R² = 0.5168。

图 Error! Bookmark not defined. 日极大风速与政策性住房保额损失率的关系
由图16可知,二者相关性较好（R²=0。52)，且比日降水量与损失率的相关关系更为显著，随着日极大风速的增加损失率呈较明显的上升趋势。
分析原因可能是，农村住房一般为砖木结构，门窗和屋顶的抗风性能均较差。在大风影响下,可能被吹坏，造成损失。
3。4常住农户住房脆弱性评估
常住农户理赔案例的案例数为110例，合并同一保险标的同一出险日期的案例后，得到56个案例数据。分布于汕尾市、惠州市、阳江市、茂名市和湛江市。
计算各案例点的保额损失率，并与日降水量和日极大风速做相关分析（图17)，结果为：y = 0.0002x - 0.0028，R² = 0。2593。

图 9 日降水量与常住农户住房损失率的关系

图 10 常住农户住房分布图
由图17可知，二者具有一定的相关性，随着日降水量的增加损失率呈上升趋势。
同样选取其中损失率较高的几个点（图上损失率大于1％的5个点)进行分析，它们的分布如图18.由图可知它们均分布在粤西地区，而粤西地区正是“凡亚比"台风影响最严重的地区[4],“凡亚比"过境期间给该地区带来特大暴雨，加上其中三个案例点位于海拔较高的山区，因此更易遭受暴雨的损害,造成损失率较大。
同理，常住农户住房损失率与风速的相关分析结果为(图19）:y = 0.0021x — 0.016, R² = 0。2589.

图 Error! Bookmark not defined. 日极大风速与常住农户住房损失率的关系
由图19可知：日极大风速与农房损失率也有着一定的相关关系，当风速较小时（<9m/s)，随风速增加损失率的增加幅度较小，当风速较大（〉12m/s）时，损失率随风速的增大显著增加，因此需要加强易受大风影响地区农房的防护。
3。5企业资产脆弱性评估
经过筛选与合并后，得到的各种类型的企业理赔案例数为42例，分布于中山、东莞、珠海、肇庆、茂名等市.
计算每一案例的“已核赔总金额”与“保险金额”的比值得到保额损失率，并与日降水量做相关分析，结果为（图20）:y=0.0025x-0.0553, R²=0。3103。

图 Error! Bookmark not defined. 日降水量与企业资产损失率的关系
由图20可知，日降水量与企业资产损失率存在一定的相关关系，当日降水量较小时（〈70mm)，损失率随降水量的增加增长较慢,当日降水量>70mm时，损失率随降水量增多显著增加，因此该类台风降雨应当受到高度警惕和密切关注[21］.
图20中损失率较大的几个样本点均属于水电公司，分布在高州和信宜二市.说明水电公司在大暴雨条件下更易遭受严重损失。因此在台风登陆前需加强对水电公司相关资产的防护,以减少暴雨对其造成的损失。
日极大风速与企业财产损失率的关系为（图21)：y=0.0049x-0。0099，R²=0.0102。

图 11 日极大风速与企业资产损失率的关系
由图21可知，日极大风速与企业资产损失率相关性极差，除个别点外，损失率随风速的增大并无太大变化。
3.6政府资产脆弱性评估
“被保险人名称”一栏中包含“政府"或“委员会"的案例数共39例，分布于中山、江门、阳江、韶关、清远等省市。
计算每一案例的保额损失率并与日降水量和日极大风速做相关分析，得如下结果：
日降水量与政府资产损失率的关系式为:y = 5E-06x + 7E-05，R² = 0.1136.

图 12 日降水量和政府资产损失率的关系
日极大风速与政府资产损失率的关系式为:y = 0.0002x — 0.0014,R² = 0。3526

图 Error! Bookmark not defined. 日极大风速与政府资产损失率的关系
对比日降水量和日极大风速与政府资产损失率关系式的R2值可知,政府资产损失率与与日极大风速的相关性较高。并且当日极大风速>15m/s时，损失率显著增加。因此需要加强政府资产对大风的抵御能力.
4。结论与讨论
4.1结论
1.基于台风“凡亚比"期间的保险理赔数据，分析得到了广东省6个地区的承灾体脆弱性水平。结果表明,位于珠三角地区的广州、中山二市承灾体脆弱性较高,而粤西地区的承灾体脆弱性较低。
2。对不同承灾体类型的进行了脆弱性评估。文中承灾体共分4类：政策性农村住房，常住农户住房,企业资产以及政府资产.与不同承灾体类型损失率相关性较高的致灾因子类型也不同。对于政策性农村住房、常住农户及政府资产，其损失率与日极大风速相关性较高。而企业资产损失率与日降水量相关性较高。
3.对于常住农户住房，其损失率与风速的相关关系并不连续。当风速较小时（<9m/s），随风速增加损失率的增加幅度较小；当风速较大(〉12m/s）时，损失率随风速的增大显著增加。因此，需要加强对易受大风影响地区的农房的防护.
4.企业资产与日降水量也存在类似关系。当日降水量较小时(<70mm），损失率随降水量的增加增长较慢；当日降水量>70mm时，损失率随降水量的增多显著增加。因此,该类台风降雨应当受到高度警惕和密切关注。
4.2问题与展望
1。 由于案例数有限，各承灾体类型的散点图样本点分布不够均匀，并且在空间上分布相对集中。所得脆弱性评估结果可能无法很好地代表该类承灾体的脆弱性水平。因此下一步应该收集更多台风灾害相关的保险数据，以得到不同类型承灾体更多的损失率数据，并使案例点空间分布更均匀。
2。 插值方法需要改进。需进一步考虑插值过程中的参考变量（如海拔)，以使每个样本点的降水量和风速数据更为准确.
参考文献
［1] Emanuel K. Increasing destructiveness of tropical cyclone over the past 30 years[J]. Nature, 2005, 436(4）:686-688。
［2］Webster P J, Holland G J, Curry J A， et al. Changes in tropical cyclone number: Duration and Intensity in a warming environment［J］. Science, 2005， 309(5742):1844—1846.
[3] 林继生, 罗金铃. 登陆广东的热带气旋灾害评估和预测模式[J］. 自然灾害学报, 1995(1）:93-97.
[4] 贺佳佳， 罗聪，王明洁. 1011号台风“凡亚比”路径、强度特点及造成粤西特大暴雨的成因分析. 第28届中国气象学会年会2011: 中国福建厦门:1-11。
［5] 方伟华。 基于浙江省台风灾害保险数据的农村住房易损性评价［J］. 北京师范大学学报（自然科学版）， 47(4）：409-414。
[6］ 娄伟平, 陈海燕, 郑峰等。 基于主成分神经网络的台风灾害经济损失评估[J］. 地理研究, 2009(05)：1243-1254。
［7] 牛海燕等. 中国沿海地区台风灾害损失评估研究［J]. 灾害学， 2011（03):61-64。
［8] 史军等。 上海地区台风灾害损失评估［J]. 长江流域资源与环境, 2013（07）:952-957.
[9］ 周瑶， 王静爱. 自然灾害脆弱性曲线研究进展[J]. 地球科学进展, 2012, 27(4): 435-442。
［10] 史培军. 三论灾害理论的研究与实践[J]. 自然灾害学报, 2002, 11（ 3):1。
［11］ 史培军. 自然灾害风险地图集[J］. 科学出版社,北京 ， 2011. ,
［12］ 石勇，许世远，石纯，等。 洪水灾害脆弱性研究进展 ［J］.地理科学进展, 2009 （1)： 41—46。
[13] Hohl R。 Sciesser H H， Aller D. Hailfall： the relationship between radar—derived hail kinetic energy and hail damage to building[J]。 Atmospheric Research， 2002, 63(3）: 177-207。
[14］ Hohl R. Sciesser H H. Knepper I. The use of weather radars to estimate hail damage to automobile： an exploratory study in Switzerland［J］. Atmospheric Research， 2002， 61（3)：215-238.
［15］ Dutta D, Herath S, Musiake K. A mathematical model for flood loss estimation［J］. Journal of hydrology， 2003， 277（1): 24—49.
[16] Lee K H，Rosowsky D V．Fragility assessment for roof sheathing failure in high wind regions［J］．Engineering Structures,2005，27: 857—868．
［17］ Khanduri A C，Morrow G C．Vulnerability of buildings to windstorms and insurance loss estimation［J］. Journal of Wind Engineering and Industrial Aerodynamics,2003，91( 4） : 455—467．
［18］ 刘耀龙，陈振楼,王军. 经常性暴雨内涝区域房屋财（资）产脆弱性研究———以温州市为例［J］。 灾害学， 2011, 26(2）：66—71。
［19] 谢婷婷。 基于稳定分布的我国台风损失及其保险定价研究［D］， 2012， 广东商学院。 第7页
[20］ 郭文革. 广东省政策性农村住房保险实践与思考[J]. 中国保险， 2011(2)：40—43。
[21］ 曹伟华, 黄崇福, 赵晗萍, 赵思健. 企业财产台风风险评估:以浙江省台州市为例[J]. 2012, 32(2):425-432.

19