4. 暴露模型入门
在巨灾风险建模中，危险性回答“灾害有多强”，脆弱性回答“资产有多容易坏”，而暴露则回答一个更基础的问题：到底有什么东西、值多少钱、在什么位置。暴露模型是连接灾害强度与损失结果的桥梁，没有可靠的暴露数据，再精细的危险性网格和脆弱性曲线都无法产出可信的损失估计。
一、暴露的定义与核心构成
暴露（Exposure）是指在特定地理范围内，可能受到灾害影响的人员、资产、经济活动及其价值的总和。它不是一个单一数字，而是一个带空间坐标、属性标签和价值量的结构化数据集。一个完整的暴露记录通常包含四个维度：
- 空间位置：经纬度、行政单元、网格编号或建筑轮廓，决定资产是否落在灾害影响范围内。
- 资产类别：住宅、商业、工业、基础设施、农业等，决定使用哪条脆弱性曲线。
- 价值量：重置成本、市场价值或年产出，是损失计算的基数。
- 物理属性：结构类型、层数、建造年代、占地面积，用于细化脆弱性参数。
二、资产分类体系
资产分类是暴露建模的骨架。分类过粗会导致脆弱性曲线无法匹配，分类过细则带来数据采集和参数标定的巨大成本。实践中通常采用分层分类：一级按部门划分，二级按建筑或资产类型划分，三级按结构特征划分。
| 一级类别 | 二级示例 | 常用价值指标 | 典型脆弱性关联 |
|---|---|---|---|
| 住宅建筑 | 多层住宅、独立住宅 | 重置成本（元/m²） | 结构类型、层数 |
| 商业建筑 | 办公楼、商场、酒店 | 建筑面积×单价 | 幕墙、装修等级 |
| 工业设施 | 厂房、仓储、化工装置 | 设备+建筑价值 | 工艺敏感度 |
| 生命线工程 | 电力、供水、通信、交通 | 系统资产值 | 网络连通性 |
| 农业与生态 | 耕地、林地、养殖 | 年产出或生物量 | 作物生长期 |
分类体系需要与脆弱性模型对齐。如果脆弱性曲线按“砌体结构/钢筋混凝土结构”划分，暴露数据就必须包含结构类型字段，否则只能退化为平均值假设，损失估计误差会显著放大。
三、空间分布数据的获取与处理
暴露数据的空间化是建模中最耗时的环节。常见数据源包括人口普查、经济统计、土地利用、遥感影像、建筑普查和开放街图。不同数据源的空间分辨率差异很大，需要统一到建模网格或行政单元。
- 数据收集：获取行政区划、人口、GDP、建筑存量、土地利用等基础数据。
- 空间化处理：将统计数据按面积、人口或夜间灯光等权重分配到网格。
- 价值估算：用单位面积造价、人均资产值等参数将物理量转换为货币价值。
- 质量校验：与已知总量对比，检查空间分布是否合理，识别异常高值区。
下面是一个将行政单元统计数据分配到规则网格的简化处理示例，使用 Python 伪代码表达核心逻辑：
# 将区县建筑存量按土地利用权重分配到 1km 网格
for district in districts:
total_value = district.building_value
grid_cells = grid.intersect(district.geometry)
weights = [cell.landuse_weight for cell in grid_cells]
weight_sum = sum(weights)
for cell, w in zip(grid_cells, weights):
cell.exposure_value = total_value * w / weight_sum
cell.asset_class = district.dominant_class
cell.structure_type = district.structure_mix
四、暴露数据库构建流程
暴露数据库是暴露模型的最终交付物，通常以关系表或空间数据库形式组织。构建流程可以概括为“采集—分类—空间化—估值—校验—入库”六个阶段。每个阶段都需要保留元数据，记录数据来源、时间、精度和假设。
数据库字段设计应遵循可扩展原则。除核心字段外，建议保留数据来源、更新时间和置信度字段，便于后续版本管理和不确定性分析。
五、常见误区与复盘要点
- 误区二：分类体系与脆弱性曲线脱节。暴露数据只有“建筑”一个类别，脆弱性却按结构细分，最终只能取平均曲线，误差不可控。
- 误区三：忽视时间维度。资产存量、人口和建筑规范随时间变化，用十年前的数据评估当前风险会系统性偏差。
- 误区四：只关注建筑，忽略生命线网络。电力、供水等系统的间接损失往往超过直接建筑损失，但网络拓扑数据常被忽略。
复盘时应重点检查三项：暴露总量与官方统计是否吻合；空间分布是否与遥感建成区一致；分类字段能否支撑脆弱性匹配。只有这三项通过，暴露数据库才具备进入损失计算环节的基本条件。