西南地区泥石流灾害研究结论及救灾管理方法

（1）树增强型贝叶斯网络在泥石流灾害风险评估中具有较好表现

由于贝叶斯网络既能结合现有的先验知识，又有多种算法进行网络结构的学习，其网络结构能进行不断地修正和调整，从而能得出在给定数据集下具有较好表现的网络结构和模型参数。在不同网络结构算法的比较下，树增强型贝叶斯网络模型能较好地分析研究区泥石流灾害具有的内部特征，并且相比人工神经网络和支持向量机模型，在不同的检验法则下树增强型贝叶斯网络模型具有良好的建模表现。因此，树增强型贝叶斯网络模型能较好地适应并应用于泥石流灾害经济损失风险评估。

（2）研究区泥石流灾害影响因素间具有内部关系

贝叶斯网络模型不仅能利用条件概率表分析研究区的泥石流灾害经济损失风险，还能利用网络图形直观展现各变量内部及其与目标变量之间的因果关系。根据输出的网络结构，导致云南三江并流区泥石流灾害的关键因素包括地理因素、气候因素、人口因素和经济因素，地理因素中的荒山荒地和草地密度是影响泥石流灾害是否发生的关键因素之一；气候因素中的气温对当地降水存在影响，进而对泥石流灾害是否发生存在影响；人口因素中的人口密度影响道路密度，进而会影响泥石流灾害风险是否发生；经济因素中的农业密度与固定资产密度共同影响经济密度，进而影响泥石流灾害风险是否发生。

（3）研究区内各县区面临不同的泥石流灾害损失风险

根据构建的贝叶斯网络模型，本文以2017年研究区内各县区作为当前状态带入网络模型预测泥石流灾害损失发生的概率，根据模型输出结果得出研究区内的县区面临着不同的泥石流灾害经济损失风险。其中：怒江州和迪庆州辖区内的所有县区均面临中等以上的风险，表明当地的泥石流灾害风险过于集中，是泥石流灾害风险管理的重点关注地区；大理州的巍山县、云龙县、弥渡县和剑川县是该州面临泥石流灾害风险较高的县区，占大理州县区数量较多，当地的风险等级呈现出明显的“高—低”分布特征；丽江市的华坪县是该市面临泥石流灾害风险最高的县区，当地的风险等级呈现为 “一高多低”的分布特征。(www.xing528.com)

（4）POT模型能较好地拟合研究区单次泥石流灾害直接经济损失数据

本部分利用针对巨灾风险具有较好表现的POT模型对云南三江并流区历史单次泥石流灾害直接经济损失数据进行分布拟合，以分析当地泥石流灾害经济损失所具有的特征。经过分析，当地泥石流灾害损失数据具有尖峰、厚尾、右偏的分布特征，在POT模型阈值选取为480时，其单次泥石流灾害经济损失服从的分布函数为。经过检验，该模型对当地的泥石流灾害经济损失有较好的拟合效果。

（5）研究区内的县区具有不同的经济损失风险值

在完成泥石流灾害单次直接经济损失进行分布拟合后，能利用分布函数计算VaR和ES值实现泥石流灾害经济损失风险的货币化表示。本文结合贝叶斯网络模型输出的泥石流灾害发生概率值的高低选取各县区的置信水平p计算其对应的VaR值以及ES值。结合巨灾风险经济损失分层分担理论得出云南三江并流区泥石流灾害直接经济损失风险分散可分为5层：在第1层中，包括洱源县、宾川县等12个县区，该类县区的泥石流灾害经济损失可通过保险产品进行分散；在第2层中，包括兰坪县和维西县，该类县区的泥石流灾害可能产生较大直接经济损失，数额会超出保险公司赔付范围，超出的部分需多家保险公司共同分担；在第3层中，包括福贡县、弥渡县和剑川县，该类县区面临较大的损失风险，数额巨大，针对超出的损失风险需进行再保险才能应对；在第4层中，包括华坪县、贡山县、德钦县、泸水县、香格里拉县，该类县区面临巨大的直接经济损失风险，超出的损失额需利用巨灾风险证券化等多种金融手段才能分散；在第5层中，包括巍山县和玉龙县，该类县区面临的泥石流灾害损失风险过高，其造成的直接经济损失会超出多种风险分散手段的赔付能力，超出部分需政府作为最后承担人对该部分损失进行支援与救助。