引言

洪水灾害是发生频率最高的自然灾害之一，占所有自然灾害发生数量的40%以上(Jonkman，2005；尹宜舟等，2020)。洪水灾害的影响和造成的损失非常巨大，洪水影响的人口占所有自然灾害影响总人口的50%以上(Slater and Villarini, 2016)。据不完全统计，平均每年洪水造成的经济损失超过7 000亿美元(Chen et al，2020)。在全球变暖背景下，随着人口增长和经济发展，未来洪水灾害的影响预计将愈加严重(Yamazaki et al，2018)。IPCC将洪水定义为水流从河道或其他水体的正常范围溢漫，或者水流在正常情况下在不受淹地区累积的现象(Field et al，2012)。除受到强降水、季风和热带气旋等气象因素影响之外，洪水灾害还与地形、植被、土壤，气候变化及人类社会经济活动等相关，因而是一种高度复杂的自然社会现象(方建等，2014；2015；包红军等，2016；Emerton et al, 2017)。掌握洪水的时空分布规律对于认识洪水灾害，开展洪水灾害预警及洪涝灾害风险管理具有重要的意义。

南亚和东南亚国家分别濒临印度洋和太平洋，多发台风暴雨，并且覆盖“亚洲水塔”下游，河流水系发达，人口密度很高，受洪水灾害影响严重。研究表明，南亚和东南亚地区是“一带一路”沿线国家中自然灾害发生最多的地区，主要以洪水和风暴灾害为主(王维国等，2017；毛星竹等，2018；王会军等，2020；王毅等，2021)。例如，2013年印度和尼泊尔的洪水灾害造成超过6 600人死亡(Tanoue et al，2016)。2011年泰国洪水持续数月，导致了巨大的人员伤亡和经济损失(Gale and Saunders, 2013)。多个气候模式预测指出，未来重大洪水事件在南亚和东南亚地区会继续增加(Eccles et al，2019)。

对于灾害时空规律及形成机制的研究是以大量的灾害数据作为基础。目前全球洪水灾害的数据库，包括紧急灾害数据库(Emergency Events Database, EM-DAT；CRED, 2012)、国际洪水网络(International Flood Network, IFNET)和达特茅斯洪水实验室(Dartmouth Flood Observatory, DFO)(Brakenridge, 2019)全球重大洪水事件数据等。不少学者利用灾害数据库开展了全球或区域尺度上洪水变化特征的研究(司瑞洁等，2007；Singh and Kumar, 2013)。蒋卫国等(2006)基于EM-DAT数据对1950—2004年全球洪涝灾害进行了分析，发现洪水发生频次、受灾人口及经济损失总体上呈现增加趋势，亚洲是洪水灾害最频发的地区之一。Najibi and Devineni(2018)分析了1985—2015年全球洪水的变化趋势，并按照洪水灾害的持续时间进行分类，结果表明过程较短的洪水(持续时间在7 d以下)的频次没有明显趋势，而过程较长的洪水频次上升明显。Chen et al(2020)基于DFO洪水数据研究了1985—2018年东南亚部分国家洪水的变化特征，结果表明洪水频次呈显著增多趋势，而热带气旋引发的洪水频次(约占总洪水频次的25%)的长期趋势则不明显。陈兴茹等(2019)利用EM-DAT数据分析了湄公河流域国家洪灾损失的时空分布特征。

已有的相关研究主要基于单一的灾害数据库，并且缺乏针对南亚和东南亚的对比分析。由于信息来源、灾害定义及收录条件的不同使得各数据库间不可避免产生差异，因此，利用不同数据进行研究可以更好地认识灾害的变化特征。本文利用两种灾害数据库，对比南亚、东南亚洪水灾害的变化特征，旨在为理解区域洪水时空分布格局，减轻洪水灾害风险和服务“一带一路”倡议提供科学依据和决策参考。

1 资料和方法

本研究中南亚、东南亚地区的国家定义如表 1所示，南亚包含了8个国家，东南亚包含了11个国家。

本文使用了两种被许多国际机构及学者广泛引用的国际洪水灾害数据，分别是紧急灾害数据库(EM-DAT)和达特茅斯洪水实验室(DFO)全球重大洪水事件数据，研究时段为两种数据时段重合的1985—2019年。

EM-DAT由世界卫生组织和比利时国家灾害流行病研究中心建设，包含了1900年以来全球自然灾害及技术灾害事件。自然灾害数据分为气象、水文、气候等六大类，每类分为不同亚类，其中洪水灾害亚类又细分为海岸洪水、山洪、冰塞洪水及河流洪水子类。每条灾害记录包含了灾害发生所在国家等地理信息、灾害起止时间、灾害成因、相关灾害(次生灾害)等以及灾害的人口损失和评估的经济损失。EM-DAT信息主要来源于联合国、政府和非政府组织、保险公司、研究机构和媒体等多种途径。

DFO洪水数据记录了全球1985年以来造成人员伤亡和经济损失的重大洪水灾害事件，信息来源于媒体、政府、常规观测以及遥感数据。除了灾害发生所在的国家、起止时间、灾害损失(死亡人数、影响人数、经济损失)等要素，DFO数据还提供了洪水灾害严重度，严重度按轻重从1、1.5到2逐级增强，分别代表洪水灾害的估计重现期在20 a以下，20~100 a和100 a以上。

一种灾害往往会引发次生灾害甚至灾害链，对于这种关联性很强的灾害，EM-DAT数据也进行了描述。例如，如果热带气旋引发了洪水等次生灾害，则这条灾害记录中“相关灾害”字段标记为“洪水”。EM-DAT和DFO数据都包含了灾害成因字段。EM-DAT洪水灾害中成因包括热带气旋、季风降水等，而DFO洪水灾害成因分为暴雨、热带气旋、季风降水、融雪、溃坝、雪崩等。

$ \begin{array}{l} \;\;\;\;\;\;\;\;\;\;\;\;\;灾害强度{\rm{ = }}\\ \lg \left({持续时间 \times 严重度等级 \times 影响空间范围} \right) \end{array} $

(1)

例如，对于一次持续时间为5 d，严重度等级为1，影响范围为20 000 km²的洪水灾害，计算得到的洪水灾害强度为5。

本文采用非参数Mann-Kendall(M-K)检验和Sen斜率检测法来研究洪水灾害的长期趋势，其优点是不需要预先假定样本的分布，且对异常值不敏感(Yue et al, 2002；Wang and Yan, 2009)。Sen斜率是用来估计序列变化趋势的数值程度大小，但不能对趋势进行显著性水平检验。M-K检验的Z统计量是一个正态分布的统计量，Z为正(负)，表明序列呈上升(下降)趋势。当Z的绝对值大于1.65、1.96和2.58时，分别表示其通过了0.10、0.05和0.01显著性水平检验。

2 洪水灾害频次的特征分析 2.1 数据预处理和洪水频次统计

首先从灾害数据库中提取发生在南亚、东南亚国家的洪水灾害记录，并剔除重复记录。将DFO数据中洪水灾害成因是海啸、巨浪、雪崩、冰湖溃决的事件进行剔除，最后得到基于DFO的南亚、东南亚洪水事件分别为608次和700次。

从EM-DAT洪水亚类数据中提取到南亚、东南亚洪水记录分别为581条和585条。此外，南亚、东南亚EM-DAT数据中气象类-风暴亚类灾害的“相关灾害”为“洪水”的记录分别为39条和131条。将上述记录合并后得到基于EM-DAT的南亚、东南亚洪水灾害各为620次和716次。比较可知，1985—2019年东南亚地区洪水发生总频次比南亚地区多15%左右。

对各国洪水频次进行统计分析(图 1)，南亚地区洪水发生频次最多的国家是印度，两种数据记录的印度的洪水事件都超过了250次，明显多于其他国家。孟加拉国、阿富汗、巴基斯坦近35年洪水频次在50~100次，而不丹和马尔代夫洪水发生次数最少。印度尼西亚和菲律宾是东南亚地区最易遭受洪水灾害的国家，至少有一种数据统计的洪水次数超过了200次。另外，越南洪水灾害超过100次，而泰国和马来西亚洪水次数介于50~100次。新加坡只有DFO数据记录了1次洪水。两种数据均没有记录到文莱出现过洪水灾害。在南亚、东南亚所有国家中，印度、印度尼西亚、菲律宾、越南依次是1985年以来发生洪水灾害最多的国家。

南亚、东南亚位于易造成洪涝灾害的热带气旋(台风)暴雨多发区，因此进一步分析与热带气旋有关的洪水灾害有助于理解洪水灾害的时空变化格局。为表述方便，以下将热带气旋引发或与热带气旋有关的洪水简写为TC洪水(TC floods)。对于EM-DAT数据，本文定义其中洪水亚类灾害成因为热带气旋的事件，和风暴亚类-热带气旋子类“相关灾害”为“洪水”的事件为TC洪水事件；对于DFO数据，定义灾害成因为热带气旋或热带风暴的事件为TC洪水事件。对灾害成因筛查后得到的南亚、东南亚TC洪水的频次如表 2所示。可以看出，南亚TC洪水频次约占其总洪水频次的5%，而东南亚TC洪水频次占到总洪水频次20%左右。显而易见，东南亚地区TC洪水灾害较南亚地区更为频繁，前者大约是后者的4倍。

图 2给出了1985—2019年各国TC洪水的发生频次。可以看出，印度是南亚地区TC洪水发生最多的国家，累计发生了近20次，约占其总洪水次数的7%。菲律宾、越南是南亚、东南亚所有国家中TC洪水发生最多的国家，分别超过了80次和30次。菲律宾TC洪水发生频次占其总洪水频次的43%左右，说明热带气旋是菲律宾洪水灾害的重要诱发因素。阿富汗、不丹、马尔代夫、东帝汶和新加坡在两种数据库中均未记录到TC洪水灾害。

2.2 月际分布特征分析

南亚和东南亚所处的地理位置不同，气候背景不同，导致洪水灾害的发生季节也存在差异。这里以数据中洪水灾害开始日期所在的月份作为洪水发生的月份。南亚、东南亚地区平均的洪水频次月际分布如图 3所示。由图可知，基于两种数据得到的洪水频次有一致的年内变化。

图 3a显示，南亚地区洪水频次表现出明显的季节性特征，6—8月为洪水灾害的高发期，7月为峰值期，平均有3次以上洪水灾害，而冬季(12月至次年1月)洪水发生次数较少。南亚属于全球著名的季风区，季风降水集中在6—9月，从洪水灾害的月际分布可知南亚洪水灾害与季风活动有着密切的关系。与南亚地区的“单峰”特征不同，东南亚地区洪水“单峰型”不明显，6—12月均有不同程度洪水灾害发生，仅在3—5月出现一个低谷。另外，南亚、东南亚每月洪水频次的标准差较大(图略)，表明两个地区洪水频次的年际变化都很显著。

TC洪水频次的月际分布特征与上述总的洪水频次的月际分布特征差异明显(图 4)。图 4a显示，南亚地区TC洪水频次呈现“双峰”特征，第一个峰值出现在5月，另一个是10—11月，而1—3月和8月则无TC洪水发生。南亚TC洪水频次的双峰特征与北印度洋热带气旋的活跃期(5月、10月和11月)有关。对于东南亚地区，1—6月TC洪水事件较少，3月是一个低谷，6—12月是东南亚TC洪水的频发期。EM-DAT和DFO数据在东南亚地区8—9月的TC洪水频次上存在一定的差异，前者记录的TC洪水灾害事件要多于后者。

进一步分析表明，两种数据本身对灾害的分类，特别是录入的洪水灾害成因的差别使得TC洪水样本差异较大，进而导致图 4中两者TC洪水频次在个别月份差异明显。例如，对某次洪水灾害，EM-DAT数据记录为风暴亚类—热带气旋子类，“相关灾害”字段为“洪水”，而DFO数据记录的此次洪水的成因为暴雨。因而，需要注意细分后的TC洪水样本统计结果的不确定性相对较大。

2.3 长期趋势分析

在分析洪水频次的长期趋势之前，首先检验了两种数据统计的灾害频次变化的一致性。计算EM-DAT和DFO两种数据的逐年洪水频次的相关系数，南亚为0.632，东南亚为0.626，均通过了0.01显著性水平检验，表明两种资料有较好的一致性。

图 5是1985—2019年南亚、东南亚地区逐年洪水频次的时间序列，表 3、表 4分别是基于MK显著性水平检验和Sen斜率估计得到的南亚、东南亚地区年度洪水频次的长期趋势分析结果。图 5a显示，南亚地区洪水频次从1985年起波动上升，到了2007年起有所下降，但是2013年起又缓慢上升，这种上升趋势在EM-DAT数据中体现得更为明显。对南亚洪水，基于EM-DAT和DFO数据的M-K趋势检验的Z统计量分别为5.169 9和1.124 6，前者通过了0.01显著性水平检验。两种数据平均的结果显示，平均的洪水频次上升趋势仍然通过了0.01显著性水平检验。1985年南亚地区洪水平均发生9次，到了2019年平均出现22次，峰值出现2007年，达到37.5次。同样地，东南亚地区洪水频次上升的趋势也非常显著(图 5b)。基于EM-DAT和DFO数据的M-K趋势检验的Z统计量分别为5.104 7和1.822 3，分别通过了0.01和0.10显著性水平检验。东南亚洪水灾害峰值也是2007年，达到44.5次。比较南亚和东南亚洪水的Sen斜率可知，近35年东南亚地区的洪水增加幅度更大。

计算EM-DAT和DFO两种数据的逐年TC洪水频次的相关系数，南亚为0.369，东南亚为0.471，分别通过了0.05和0.01显著性水平检验，但其相关性弱于总洪水频次，说明TC洪水统计结果的不确定性相对更大。

南亚、东南亚地区的TC逐年洪水频次时间序列如图 6所示。需要指出的是，南亚地区TC洪水频次中很多为0次或者1次，对Sen斜率的计算造成困难, 导致Sen斜率为0，但M-K的趋势检验仍然是有意义的。南亚地区基于EM-DAT的TC洪水频次显著增加，然而DFO数据未检测到明显趋势，两者平均后的TC洪水频次呈弱的上升趋势。平均后的东南亚TC洪水频次增加趋势仍比较明显(通过了0.01显著性水平检验)。平均的南亚、东南亚TC洪水频次峰值分别是1991年和2008年，分别出现了3次和12.5次洪水灾害。

3 洪水灾害强度及损失趋势分析

灾害的危害性不一定取决于灾害发生的频次，一定程度上是由灾害强度、区域人口密度与应对灾害的恢复能力决定的。下文将结合灾害强度进一步分析洪水灾害造成的损失的变化特征，首先分析人口损失(死亡人数)的情况。基于DFO洪水数据利用式(1)计算了每次洪水灾害的强度。洪水灾害强度是综合反映洪水的严重度等级、洪水持续时间以及影响空间范围的指标，其数值越大，表明洪水灾害的强度越大。总体而言，南亚、东南亚洪水的平均灾害强度分别为5.45和5.06，而TC洪水的平均灾害强度分别为5.67和5.30，表明南亚洪水灾害造成的影响一般较东南亚更加严重。

分析洪水灾害的年平均强度及年最大强度发现(表 5)，南亚地区洪水和TC洪水灾害强度的变化趋势不明显，年最大灾害强度则略有下降。东南亚地区洪水灾害的平均及最大强度增加显著。同时，东南亚地区TC洪水灾害的平均强度也呈现显著的上升趋势。经分析，近35年南亚地区强度最大的洪水灾害出现在印度(强度为8.4)，从2004年6月20日至10月7日，造成了约3 000人死亡。东南亚地区强度最大的洪水灾害发生在泰国(强度为7.95)，从1995年8月1日持续到11月9日，导致超过230人死亡。

图 7是南亚、东南亚地区逐年平均每次洪水死亡人数的时间序列，即洪水造成的年总死亡人数与年洪水频次之比，以此来消除洪水事件次数的增减对死亡人数的影响。通过世界银行发布的人口数据统计可知，近35年南亚地区总人口平均为14.3亿，东南亚地区则为5.3亿。需要说明的是，南亚地区1991年因洪水死亡人口累计达14万人以上，东南亚地区2008年因洪水死亡人口累计约为10万人，这两个极端年份没有在图中显示，但都参与趋势分析。结合表 3、表 4可知，虽然南亚、东南亚两个地区洪水灾害造成的年总死亡人数变化趋势不明显，然而，平均每次洪水灾害导致的死亡人数35年来显著减少，都通过了0.01显著性水平检验。比较两种数据平均的Sen斜率发现，南亚地区单次洪水灾害死亡人数减少幅度更大。两种数据平均后的TC洪水灾害死亡人数无明显趋势。

综上所述，近35年来南亚、东南亚洪水灾害的频次均显著增多，单次洪水灾害造成的死亡人数在显著减少，且这些趋势的可信度较高。此外，东南亚地区TC洪水的频次和强度都呈上升趋势。

EM-DAT中还提供了对灾害导致的经济损失的估计值。分析1985—2019年因洪水灾害造成的经济损失，近35年南亚、东南亚地区洪水灾害造成的经济损失分别约为1 184亿美元和777亿美元。需要指出的是，2011年8月5日起泰国发生了持续长达5个多月的洪水，EM-DAT数据显示此次洪水灾害造成了高达400亿美元的经济损失和约800人死亡。进一步对年经济损失时间序列进行M-K趋势检验发现，近35年两个地区洪水灾害造成的经济损失均呈增加趋势(通过了0.01显著性水平检验)，并且剔除极端值(2011年泰国洪水灾害)后东南亚地区洪灾的经济损失仍存在显著上升趋势。

4 结论与讨论

南亚、东南亚地区洪水灾害频发，灾害影响严重。本文基于EM-DAT和DFO两种国际灾害数据，对比分析了1985年以来两个地区洪水灾害频次、强度及造成的人口损失等变化特征，并探讨了与热带气旋相关的洪水灾害的变化趋势，得到如下主要结论：

(1) 综合两种数据表明，1985—2019年东南亚地区的洪水灾害较南亚地区更多，前者比后者多15%左右，其中与热带气旋相关的洪水，东南亚地区是南亚地区的4倍左右。东南亚地区TC洪水频次占其总洪水频次的20%，而南亚地区TC洪水频次仅占总洪水频次的5%。印度、印度尼西亚和菲律宾是洪水灾害最多的国家，菲律宾、越南和印度易遭受TC洪水灾害。

(2) 从洪水发生的月际分布来看，南亚地区洪水频次集中在6—8月，“单峰”特征突出，而其TC洪水的频次呈“双峰”结构，5月、10月(11月)是南亚地区TC洪水的多发期。东南亚地区洪水年内分布较为均匀，年内各月都有发生。

(3) 两种灾害数据平均后的M-K趋势分析表明，1985—2019年南亚、东南亚洪水的频次呈显著增加趋势，而单次洪水灾害的损失人口数显著减少(都通过了0.01显著性水平检验)。东南亚地区洪水灾害的强度一般弱于南亚，但近35年其洪水灾害的强度有明显增加趋势。

(4) 根据EM-DAT的数据统计可知，过去35年来南亚和东南亚洪水灾害造成的经济损失均表现出明显增加趋势。

值得指出的是，从洪水灾害的月际分布和年际变率来看，本文所用的两种灾害资料的一致性较好，但是对于与热带气旋相关的洪水，两者也存在趋势不一致的情况，原因是两种数据本身对灾害的分类，特别是录入的洪水灾害成因存在差别，因而基于细分后的TC洪水样本的统计结果不确定性相对较大。例如，基于EM-DAT资料发现东南亚地区TC洪水呈显著增加趋势，而DFO资料没有反映。司瑞洁等(2007)指出，由于数据编录方法的调整，使得EM-DAT数据自2003年后相对有较多的灾害事件满足录入标准而被记录，可能会影响灾害频次统计结果。本文将EM-DAT数据中气象-风暴亚类“相关灾害”为洪水的事件也作为洪水事件记录，相应东南亚地区TC洪水次数增加了121次，其中2003年以后的有98次，占比为81%，而DFO数据中2003年以后的TC洪水事件占比49%。除灾害本身随时间自然增加以外，信息收录问题可能是EM-DAT记录存在一定偏差的原因。这也体现出本文采用不同来源数据开展研究的优势，避免使用单一数据分析洪水灾害这一复杂问题带来的不足。

此外，本文主要分析了南亚、东南亚区域尺度上洪水的长期变化特征，洪水灾害演变的形成机制，如气候变化(ENSO等)、人类活动对洪水的可能影响有待进一步研究，以此促进洪水灾害预警和洪涝灾害风险管理水平。