研究框架与数据来源 [page::4][page::5]

• 将高频EAGLE-I™停电数据与美国家庭收入及人口统计信息结合，计算客户加权停电持续天数、恢复时间、相对恢复率等指标。

- 通过实证估计的剥夺成本函数，将停电暴露量转化为金钱化的社会福利损失。

• 采用曲线拟合、随机森林SHAP分析与K-means聚类揭示影响社会成本的驱动因素和恢复差异性。

四次飓风停电社会成本概览 [page::8]

| 事件 | 地点 | 总剥夺成本（美元） | 人均剥夺成本（美元） |
|--------|------------|-----------------|--------------------|
| Beryl | Harris县 | 629,261,779.00 | 674.09 |
| Helene | 佛罗里达州 | 410,932,627.05 | 285.42 |
| Milton | 佛罗里达州 | 1,259,261,698.13| 387.01 |
| Ida | 路易斯安那 | 1,496,970,026.06| 1757.08 |

• Ida造成最高社会负担，特别是人均损失远高于其他事件。

- 佛罗里达的两个飓风显示出显著不同的总成本和个体负担水平。

事件空间剥夺成本分布 [page::9][page::12]

• 各事件中低收入和偏远区域呈现更高的平均剥夺成本，表现出强烈的收入逆向负担分布。

- 总剥夺成本多集中在人口密集的郊区和城区，凸显区域损失的复杂性。

• 不同飓风事件下，剥夺成本空间分布的形态与影响程度显著不同。

剥夺成本与收入、恢复速率及时长关系 [page::13][page::14][page::15]

• 剥夺成本/收入比呈现明显的负相关性，低收入社区社会负担更重。

- 相关恢复指标显示，恢复速率越快，剥夺成本越低；恢复时间越长，成本越高，尤其以Ida事件表现最明显。

关键驱动因素解析：SHAP随机森林模型 [page::16]

• 恢复时长为剥夺成本的主要预测因子，其作用在高收入社区中更为显著。

- 相对恢复速率对高收入社区具有显著负向影响，提示恢复速度的提升有助于减轻富裕社区的负担。

• 中位收入在模型中的预测作用有限，凸显动态恢复指标的重要性。

恢复表现空间聚类分析：识别四种社区恢复类型 [page::17][page::18][page::19][page::20][page::21]

• 聚类结果将社区分为高剥夺慢恢复区、高收入适中恢复区、时长适中高剥夺区及低剥夺快恢复区，各类型表现出截然不同的社会经济与恢复特征。

- 不同飓风事件表现出一致的聚类逻辑，但空间分布和具体指标存在差异。

• 聚类有效揭示传统指标难以捕捉的恢复差异和社会不平等，支持公平修复资源的合理配置。

研究贡献与政策启示 [page::21][page::22][page::23]

• 创新地将停电时间与福利经济联系，提供从主观评价转向量化社会损失的分析框架。

- 揭示严重的社会不平等负担与恢复性能的内在关系，支持公平优先恢复决策。

• 为公用事业和监管机构提供量化、跨事件、可操作的恢复优先级工具，有助于社会公平及韧性投资决策。

金融研究报告详尽分析报告

---

1. 元数据与概览

标题: Quantifying the Social Costs of Power Outages and Restoration Disparities Across Four U.S. Hurricanes
作者: Xiangpeng Li、Junwei Ma、Bo Li、Ali Mostafavi
机构: Texas A&M University，Urban Resilience.AI Lab
发布时间: 近期（事件年份涵盖2021-2024年）
研究主题: 美国四次飓风事件中电力中断的社会成本量化及恢复差异的分析

核心论点简介:
此报告提出并应用了一套创新框架，利用高分辨率的逐时段电力中断数据，以及精细的地理与人口统计数据，首次系统化地量化了飓风造成的电力中断的社会成本及其恢复差异。报告强调传统电力中断指标（如SAIDI和CAIDI）难以反映不均等的社会影响，特别是低收入社区所承受的更大负担。通过结合福利经济学的“剥夺成本函数”与恢复动态指标（平均停电时长、恢复持续时间、相对恢复率），研究揭示了四次飓风事件中存在显著的地域和收入差异，指出恢复速度是社会成本的核心驱动因素，最终提出基于公平性的恢复优先级划分，旨在为公用事业部门和政策制定者提供决策依据。[page::0]

---

2. 逐节深度解读

2.1 摘要（Abstract）

• 关键内容: 报告指出人口稠密区域虽贡献了更高的综合经济负担，但低密度却高度受影响区域的个体层面负担更为沉重。框架将客户加权中断暴露转化为货币化的社会损失，分别以客户平均停电天数、恢复持续时间及相对恢复率三种恢复度量为核心变量，结合四次飓风的高频观测数据，实现跨事件的细尺度社会成本核算。

- 数据亮点: Ida飓风产生约15亿美元的社会剥夺成本，平均每人1757美元；Milton约12.6亿美元，平均每人387美元；Beryl约6.29亿美元，平均每人674美元；Helene约4.11亿美元，平均每人285美元。重点强调社会成本呈收入递减的负担分布，恢复持续时间与成本正相关且相对恢复率负相关。

• 贡献: 形成了量化中断和公平性的新框架，首次实现跨事件的可比社会成本评估，提出基于空间和社区类型的恢复策略以推动韧性投资。[page::0]

2.2 引言（Introduction）

• 背景: 电力系统作为关键基础设施，其中断不仅影响技术层面的供电，更形成严重的社会经济级联效应。传统的可靠性指标（SAIDI、CAIDI）虽然广泛使用，却仅反映系统宏观性能，忽视了不同社区在承受停电风险和后果上的异质性，尤其是社会经济弱势群体的更大负担。

- 方法论缺陷: 现有研究未能量化停电持续时间转化的经济福利损失，缺乏带权衡的客户中断暴露和分区域细化指标，技术指标偏重物理系统恢复，忽视社会成本不公平分布。

• 研究重点: 本文基于Zip Code Tabulation Area级别，融入社会经济数据及高频次电力中断观测，使用剥夺成本函数，并辅以解释性机器学习与聚类分析，以回答停电社会成本在低收入群体中的不均等程度、恢复动态对成本差异的影响机制及隐藏的恢复模式分类，进而指导资源分配。[page::1]

2.3 案例选择与数据（Study Area and Data）

• 事件选择: 4次飓风：2024年德克萨斯州Beryl、2024年佛罗里达州Helene和Milton，以及2021年路易斯安那州Ida，地理和社会经济条件异质，为对跨区域影响机制的比较提供了基础。

- 数据来源:
- 电力中断数据来自EAGLE-I™平台，具备15分钟至1小时分辨率，包含停电客户数和总客户数，分时段形成时序数据。
- 社会经济数据来自美国人口普查局ACS 5年估算（2018-2022），包含中位收入、人口结构等。
- 空间边界利用TIGER/Line地理信息，用于匹配ZCTA区域分析。

• 关键处理: 采用基于阈值的数据过滤识别受影响区域，处理计算客户加权平均停电天数、恢复持续时间及相对恢复率。[page::3][page::4]

2.4 技术方法和指标定义（Methods）

• 受影响区域识别: 通过比较影响期与基线期的中位停电比例，筛选实际受灾区域，针对无前置数据的Ida事件调整基线阈值以避免基线异常误判。

- 平均停电天数计算: 基于客户-小时乘积汇总，转化为客户加权停电天数，核心指标衡量停电时间的平均暴露。

• 剥夺成本函数（DCF）: 使用经验估计的二次函数：$ DC=35.95\cdot t^{2}+107.84\cdot t+71.89 $，将平均停电天数转化为每客户的经济剥夺成本，整体成本为该均值乘以受影响客户数。

- 恢复指标:
- 恢复持续时间定义为首次恢复日到恢复曲线达到累计恢复顶峰间距，反映恢复过程长度。
- 相对恢复率为恢复速率（恢复客户数/恢复时长）与停电速率（峰值停电客户数/初始停电时长）之比，超过1表示恢复快于停电速度。

• 数据拟合: 使用AIC准则在五种候选模型中挑选拟合曲线，分析收入、恢复指标与剥夺成本间非线性关系。

- 聚类分析（K-means）: 利用标准化的剥夺成本、停电时长、收入及恢复指标，将ZCTA分入多类典型社区状态，揭示不同恢复模式。

• 随机森林+SHAP: 以机器学习解析各特征对剥夺成本的贡献和影响方向，区分低收入和高收入群组的敏感差异。[page::5][page::6][page::7][page::8]

2.5 结果展示（Results）

• 总体剥夺成本: Ida最高约15亿美元，总剥夺成本远超其他三次飓风，且人均剥夺成本远高于其它事件（1757美元），Milton其次，Helene最低。显示丧失成本高度依事件强度和区域影响存在差异。

- 空间分布: 地图（图2-5）呈现剥夺成本的地域异质性。
- Beryl的高人均成本主要集中于城市边缘和北部郊区，但总成本则集中在人口密集的东部城区。
- Helene、Milton的高成本区域主要位于佛罗里达的北部和中央内陆，Milton影响更广。
- Ida在南路易斯安那沿海小规模地区人均成本极高（>5000美元），而人口聚集区总成本超过7000万美元。显示少数严重影响的低密度社区承受重度剥夺，而高密度区则在整体经济负担上显著。[page::8][page::9][page::10][page::11][page::12]

• 收入与剥夺成本关系（图6）:

所有事件显示剥夺成本占收入比例与收入呈明显负相关，体现社会不公。Ida表现近线性趋势，表明无论收入多高，剥夺成本负担均较大，其他事件如Helene、Milton呈现“幂函数”或“对数线性”非线性曲线，低收入群体剥夺成本急剧升高。不同事件的曲线位置体现极端天气强度和社区脆弱性的综合效应。

• 恢复速度相关（图7-8）:

相对恢复率与剥夺成本呈负相关，即恢复越快成本越低。Ida表现为陡峭幂律下降，说明恢复延迟对成本的爆发性影响。恢复持续时间则与剥夺成本正相关，时间越长损失越大，Ida的线性趋势尤为明显。

• 特征贡献（图9）:

SHAP分析显示恢复持续时间是剥夺成本的主导因素，在高收入社区影响更为显著；而相对恢复率对高收入群体负贡献明显，说明恢复效率提升在这些社区能显著降低成本。收入本身预测力有限，表明恢复动态比静态社会经济状态更能解释剥夺成本。[page::13][page::14][page::15][page::16]

• 聚类分析（图10-14）:

4个事件均通过K-means发现4类典型恢复社区类型：
- 高剥夺、慢恢复（低至中等收入，最严重负担区）；
- 中度剥夺、高收入，恢复水平一般，承受适中剥夺；
- 剥夺高但中等恢复时间/中等收入，表现出对干扰的高度脆弱性；
- 剥夺成本低、恢复快，收入最低但恢复效率高，表明恢复资源配置并非完全随收入变化。
各事件的聚类空间分布明显，反映基础设施脆弱性与社会脆弱性的复杂交织，展示了传统指标无法捕捉的恢复不公平性和社会多样性。[page::16][page::17][page::18][page::19][page::20][page::21]

---

3. 图表深度解读

• 图1（研究框架）：清晰展现数据融合（电力中断数据、社会经济数据、几何边界、剥夺成本函数）、数据处理（受影响区域识别、停电时长、恢复持续和恢复率计算）及分析方法（拟合曲线、SHAP随机森林解释、K-means聚类），体现研究分析路线的标准化和可复现性。[page::5]

• 图2-5（各飓风剥夺成本空间分布）：分别揭示了地域内人均及总成本的强烈空间差异，北部或郊区区域高剥夺但人口密度低导致总成本有限，人口密集区人均成本较低但总成本高。Ida特别突出低密度区域巨大人均剥夺，强调社会救援与基础设施恢复需兼顾个体和群体层面。[page::9][page::10][page::11][page::12]

• 图6-8（剥夺成本与收入及恢复指标的函数关系）：三套曲线均展示非线性关联，尤其恢复率与剥夺成本呈显著负向关系，恢复持续与剥夺成本正相关，且不同风暴之间厚重差异明显。此类拟合支持对未来事件压力测试和恢复投资效益评估能力。[page::13][page::14][page::15]

• 图9（SHAP特征影响分解）：反映恢复持续时间为主导因素，其中高收入群体对恢复速度敏感度更高。恢复率对高收入群体呈强负面影响，收入指标效应弱。揭示社会经济和恢复效率两者结合如何影响剥夺成本产生细致内涵。[page::16]

• 图10（聚类变量相关矩阵）：各变量虽然存在一定相关，但相关度均低于0.7，符合聚类分析多元独立假设，表明恢复时长、恢复率和剥夺成本共同揭示不同的恢复维度。[page::17]

• 图11-14（四事件聚类空间分布及特征箱形图）：分别展示了四个聚类的地域分布与指标差异。

- Beryl聚类揭示高剥夺慢恢复的低收入区域、以及高收入快恢复区的显著差异。
- Helene显示北部和中部内陆弱势区域与南部高速恢复区。
- Milton内部呈现广泛的弱势区分布，并突出高收入高效恢复区。
- Ida显示南沿海严重受损区及内陆较高缓冲区的空间分割。
聚类明显强调不同社会群体和基础设施状态驱动的灾害不平等和恢复效率分异。[page::18][page::19][page::20][page::21]





---

4. 估值分析

• 报告核心估值工具为剥夺成本函数（Deprivation Cost Function, DCF），通过对平均停电持续时间的二次函数估计，将无形的电力服务中断转化为可度量的经济福利损失。

- 该函数基于实证的离散选择模型开发，结合家庭对恢复意愿支付的估计，体现了用户对电力中断持续时间造成剥夺感和损失的经济评价。

• 计算逻辑为：平均客户停电时间$t$代入DCF获得每客户剥夺成本，再乘以受影响客户数得总社会经济成本，现汇聚解释了跨事件的直接经济损失差异。

- 恢复动态指标进一步作为驱动变量参与预测分析，通过机器学习及SHAP模型，不仅验证了恢复时间和恢复速度对社会成本的强影响，也能量化其敏感度和边际效益。

• 该估值提供了“节约恢复时间即节约社会成本”的计量基准，为公用事业制定投资回报率及公平优先策略建立量化依据。[page::6][page::8][page::23]

---

5. 风险因素评估

• 潜在风险因素:

- 数据代表性风险：尽管来自国家能源部和人口普查局的官方数据具有较高权威性，但因地理边界精度和时间窗口限制，存在对个别社区微观差异捕捉不足的风险。
- 剥夺成本函数的外推限制：函数基于现有调研与模型，可能忽略地域文化、健康状况及社会资本差异对意愿支付的影响，影响定价准确度。
- 恢复动态测量的误差风险：恢复持续时间和相对恢复率依赖短时间序列和客户报告的实时数据，极端条件下可能出现数据延迟或遗漏。
- 事件异质性：飓风强度、地理环境和时间差异导致恢复机制复杂多变，模型统一适用性可能降低。

• 缓解策略: 本研究采用多事件跨区域比对与多维指标分析，减少单一数据异常影响。未来建议结合更丰富的心理和健康影响数据，用以微调剥夺成本估计。通过机器学习解释框架提升变量理解，有助于针对不同风险调整恢复策略。

- 概率及影响评价: 虽然没有明确概率数值，报告强调恢复时间波动和社区脆弱性是驱动经济与社会负担的关键变量，综合考虑可视为中高风险影响因素。[page::23]

---

6. 批判性视角与细微差别

• 本报告在模型和数据整合上具显著创新性及实用性，但存在以下可进一步审慎关注之处：

- 剥夺成本函数同质化：以挂钩平均停电时间的固定形式估计整体剥夺成本，可能忽略了社区间对停电的差异化主观感受与环境适应性差异，尤其低收入和特殊人群的非线性影响可能欠缺捕捉。
- ZIP Code Tabulation Area级别的空间聚合虽然可代表社区规模，但仍可能掩盖内部细分群体的剥夺差异，未来研究或需下探更细颗粒度数据。
- 恢复持续时间作为影响成本的主要变量显著，然各事件表现的函数形态差异大，暗示其背后驱动机制复杂，简单函数拟合虽有说明力，但机制因果推断需谨慎并辅以定性分析。
- 对恢复速度的估计未细分为重大恢复干预或民间应急措施，可能混合了不同恢复源头的影响，未来可细化恢复行动类型。
- 聚类结果揭示了恢复空间不均和社会经济不平衡，但对政策介入效果和策略优化的实证检验尚缺，需结合实地调研和决策反馈循环完善。

• 报告保持了较高客观性与严谨性，结构清晰，逻辑连贯，且多次采用机器学习解释工具增加透明度与可解释性。

---

7. 结论性综合

本报告提出并实证验证了一套基于经济福利剥夺理论的电力中断社会成本评估框架，融合高时空分辨率的中断观测数据与细致的社区经济人口特征，实现了美国四次重大飓风事件间跨区域、跨事件的细尺度剥夺成本比较。研究揭示：

• 电力中断的社会成本不仅在总量上因飓风强度和影响范围显著不同，更在社区内部展现出按收入显著不均的“递减”负担分布，低收入社区遭受相对更严重的剥夺成本负担。

- 恢复动态指标，尤其是恢复持续时间和相对恢复率，是影响社会成本的关键驱动因素，恢复延迟和缓慢直接推升剥夺成本。

• 机器学习搭配SHAP解释强调，恢复指标的敏感性随社区收入异质，表现出社会与技术互动的复杂性。

- 通过无监督聚类，分类识别出从高剥夺/慢恢复区到高收入/快恢复区共计4类典型社会-技术恢复社区类型，揭示了传统公用事业指标难以触达的隐藏恢复多样性和社会不公现象。

• 该框架提供了从传统客户停电时长计数向以客户福利损失为核心的指标转变，强调以经济价值计量恢复时的“救灾边际效益”，为恢复优先级排序、投资决策与政策监管提供了科学的量化工具。

最终，报告突破了传统电网韧性评估范围，不仅量化了电力中断的社会经济负担，也凸显了公平恢复的重要性，促进了以数据驱动的韧性投资和灾后恢复政策的制定，推动了面向公正的灾害管理框架建构。[page::23][page::24]

---

总结

本报告以精细数据和严密方法论，实现了电网停电社会成本的定量化及恢复不平等性的系统揭示。充分体现了工程技术指标与社会经济学福利分析结合的跨学科价值，为灾害恢复领域提出了创新的分析框架和实践路径。通过对恢复动态与社区收入的交互作用进行深入剖析，展示了衡量和缩减灾害社会不平等的新思路，为公共政策和公用事业的韧性建设提供了科学依据与数字化决策支撑。

---

（完）

报告