引言

我国位于世界两大地震带——环太平洋地震带与地中海喜马拉雅山地震带交汇处,因此地震灾害频发。1990—2020年,成灾地震造成直接经济损失11210.81亿元(楼宝棠,1996国家地震局等,1996中国地震局监测预报司,2001中国地震局震灾应急救援司,20102015),其中2020年我国大陆地区共发生5.0级以上地震20次(5.0~5.9级地震17次,6.0~6.9级地震3次),造成5人死亡,30人受伤,直接经济损失约18.47亿元(林向洋等,2020应急管理部国家减灾中心,2021)。从国际经验来看,自然灾害的商业保险赔付金额约占直接经济损失的30%~40%,而我国商业保险赔付率尚不足1%(冯键,2019)。推动地震巨灾保险发展的技术核心在于对地震风险的量化与管理。孟生旺等(2018)使用极值理论对地震灾害事件进行了统计分析,建模并测算地震风险保费。牛方曲等(2012)基于全国县级尺度人口、房屋结构数据库、中国地震烈度区划图和地震对房屋的破坏参数,建立了区域中长期房屋震灾损失评估系统。陈洪富等(2013)基于WebGIS平台,将已有震害预测、地震应急指挥、地震现场损失评估、灾后科学考察和恢复重建等业务功能集成为有机整体,建立了综合性地震灾害损失评估系统。熊政辉(2019)结合我国地震风险特点和保险行业需求,构建了具有良好可拓展性的地震巨灾模型EQCat。

本文基于前人研究成果,结合地震巨灾保险定价与风险管理需求,构建多租户的高性能地震保险损失评估SaaS(Software as a Service, 软件即服务)云平台。该平台通过集成风险暴露模块、致灾因子模块、工程易损性模块、金融模块,实现了地震保险损失评估功能;通过采用快速随机事件筛选方法、针对地震事件影响场特征设计的数据结构与检索方法等实现了高性能的计算引擎;采用基于数据隔离方案的多租户模式,保证用户数据安全;设计基于业务单元的资源弹性伸缩方法,以满足保险业业务集中需求,且可针对用户不同需要进行配置,提供个性化使用需求。

1 云平台技术架构

传统的地震风险评估软件或巨灾模型常以软件授权的方式交付用户。基于软件授权的单机模式在软件使用率低时无法及时释放计算资源,且业务集中,需大量使用时无法动态增加计算资源,从而导致计算资源的浪费,同时又无法满足地震风险快速评估的商业化需求。而云计算技术可通过虚拟化技术合理管理计算资源,打破传统单机模式的局限性。本文在综合分析国内外地震巨灾风险评估的需求后,基于云计算技术,以每次上传的风险暴露为单元进行数据隔离、计算引擎隔离,实现了多租户的地震风险评估SaaS云平台。根据用户提交的任务优先级、数量,动态增加或销毁计算节点,满足用户不同的算力需求。地震风险评估SaaS云平台系统架构如图1所示。


图 1 地震保险损失评估SaaS云平台技术架构 Fig. 1 Technical architecture
1.1 展现层

根据多租户、多用户弹性计算的业务需求,采用B/S架构构建地震风险评估系统。采用前后端分离的架构思想,使用基于HTTP协议的API(Application Programming Interface,应用程序接口)将展现层、服务层分离。展现层基于SPA(Single Page Web Application,单页面应用)架构,使用主流的H5+JavaScript技术、WebGL等GIS可视化技术构建交互友好的用户界面。展现层为用户提供高效的风险暴露上传接口、风险暴露数据可视化展示界面、地震保险损失评估模式选择界面、地震保险损失评估参数设置界面、地震保险损失评估结果展示界面、风险累积和保险方案设计界面。

1.2 服务层

服务层即后端服务器层,根据展现层的请求,与数据层、算力层交互并为展现层提供API接口。展现层与服务层采用易于扩展的微服务架构,可通过容器技术或者虚拟化技术实现资源弹性伸缩与负载均衡。

1.3 数据层

根据高性能计算及多租户的需求,在深入分析业务特点的基础上,系统按照用户上传的业务数据(即风险暴露数据)进行分库、按“分析”(即地震保险损失评估计算)将不同分析结果存放在不同数据库表中,达到数据隔离与数据库横向扩展的目的。

数据层包括元数据库与业务数据库。元数据库用于存储业务数据的数据库地址、配置信息等,不包括风险暴露数据与计算结果数据,同时采用一主一备的高可用架构。业务数据库中有若干实例,实例间交互隔离,当用户上传风险暴露数据时,系统会根据元数据库的配置信息,在指定的服务器节点上创建数据库实例作为业务数据库,用于存储风险暴露数据。系统根据多个数据库服务器节点的负载与存储情况,可调整业务数据库的创建策略,实现数据库的负载均衡,从而避免访问集中于单个服务器节点造成的卡顿与其他服务器节点的资源浪费。

1.4 算力层

算力层为系统提供地震保险损失评估分析的算力,包括调度器与计算引擎。云计算技术(包括虚拟化、容器化技术等)的弹性伸缩通常是基于CPU或者内存的使用率调整服务器资源,如CPU在指定时间间隔内使用率超过设定的阈值会增加新的服务器节点。但地震保险损失评估计算涉及大量科学计算,属于CPU密集型计算场景。一旦开始计算,必须极大程度地利用CPU与内存资源,这与传统的SaaS应用场景不同。同时基于多租户的地震保险损失评估系统,要求用户间对计算资源的使用不能相互影响,用户须有独享的使用体验。因此需要有针对性地设计调度器的资源分配逻辑。

调度器将不同用户提交的任务赋予不同优先级,并提交到任务队列,分别分配计算引擎。调度器维护1套可配置的计算引擎调度策略,并根据该策略利用虚拟化技术或容器技术增加或销毁计算引擎节点。调度器可根据配置的调度策略,维护多个不同的任务队列,实现不同性能的计算资源的调配,满足客户对算力的个性化需求,如图2所示。


图 2 任务队列的计算引擎调度策略 Fig. 2 Engine scheduling strategy based on task queue

计算引擎实现了地震保险损失评估系统的核心算法,集成了风险暴露数据计算、地震危险性计算、工程易损性计算、费率厘定及风险累积计算等算法,并将计算结果保存到风险暴露数据对应的业务数据库中。

1.5 基础设施层

基础设施层使用云计算技术,为展现层、服务层、数据层、计算层提供稳定的运行环境,并通过虚拟化技术、容器化技术为用户提供动态分配、销毁、管理计算资源的服务。

2 云平台功能架构

为满足地震巨灾保险费率厘定的需求,地震保险损失评估SaaS平台提供了风险暴露处理模块、地震保险损失评估模块、损失结果汇总模块、费率厘定模块及系统管理模块,云平台功能架构如图3所示。


图 3 地震保险损失评估SaaS云平台功能架构 Fig. 3 Functional architecture

风险暴露处理模块包括可视化的交互界面与API接口,可为用户提供风险暴露上传接口。用户通过该接口将待评估的风险暴露上传到平台,同时平台可对风险暴露数据进行地址解析、汇总风险暴露数据(Aggregate Exposure Data,AED)的拆分。

地震保险损失评估模块包括中长期损失评估、历史地震重现损失评估、设定地震损失评估、自定义影响场损失评估等,可为用户提供多种损失评估模式,如图4所示。


图 4 多种损失评估模式 Fig. 4 Multiple options for loss assessment

损失结果汇总模块将地震保险损失评估模块计算结果按照保单、区域、事件等多维度进行汇总计算,用户可从多维度进行结果分析。此模块采用WebGL等GIS可视化渲染技术进行展示,如图5所示。


图 5 损失汇总及展示 Fig. 5 Loss aggregate and display

费率厘定模块在损失结果汇总模块的基础上用于纯风险费率、超越概率曲线、超赔合约费率的计算,以列表和图形展示不同形式的超越概率曲线,用户可对损失结果进行深入分析。费率厘定模块如图6所示。


图 6 费率厘定模块 Fig. 6 Module of rate making

系统管理模块包括用户及权限管理功能、日志管理功能、计算资源管理功能,保证系统稳定运行,合理分配、实时监控计算资源的使用情况。

3 云平台业务架构

本文采用蒙特卡洛方法产生大量地震随机事件(徐伟进等,2020)。针对各地震事件,使用地震动参数衰减关系模型计算在风险暴露位置产生的地震动强度;然后根据工程易损性计算损失;最后依据风险暴露的保险条款计算保险损失,各地震事件保险损失计算方法为:

$ 保险损失=风险暴露\times 地震动强度\times 工程易损性\times 保险条款 $ (1)

由式(1)可知地震保险损失评估平台包括:风险暴露模块、致灾因子模块、工程易损性模块和金融模块,如图7所示。风险暴露模块用于解析、存储用户上传的风险暴露数据;致灾因子模块用于计算风险暴露所在位置的地震动强度;工程易损性模块用于计算风险暴露在特定强度地震动影响下的损坏情况;金融模块用于在风险暴露损坏的情况下计算保险损失。


图 7 地震保险损失评估SaaS云平台业务架构示意图 Fig. 7 Business architecture
3.1 风险暴露模块

风险暴露模块包含3类风险暴露数据:

(1)用户上传的需进行地震风险评估的详细风险暴露数据(Detailed Exposure Data,DED),包括保单、标的、保险责任等信息。

(2)用户上传的需进行地震风险评估的汇总风险暴露数据(Aggregate Exposure Data,AED),包括风险暴露所在区域、标的数量、保额、限额、免赔额及各种建筑属性标的占比。

(3)系统内置的全行业不同用途、不同结构的行业风险暴露的价值及地理位置数据,包括位置信息、功能用途信息(住宅、商业、工业等)、建筑重置价值等。系统内置的行业风险暴露数据主要用于:①评估行业范围内的经济、保险损失;②当用户仅能提供汇总风险暴露数据时,用于分析汇总风险暴露数据各标的位置、建筑属性、保险额度等信息,从而评估地震风险。系统内置的行业风险暴露数据示例数据如表1所示。

表 1 系统内置的行业风险暴露数据示例数据 Table 1 Sample data for built-in industial exposure
3.2 致灾因子模块

致灾因子模块为地震危险性分析模块,包括地震随机事件集和场地类型数据、地震随机事件集快速检索算法、地震动参数衰减关系算法和场地放大系数算法。致灾因子模块根据用户上传的风险暴露位置信息,使用地震随机事件集检索算法,从随机地震事件集数据中筛选出对风险暴露有潜在影响的地震随机事件数据,通过地震动参数衰减关系算法分别计算地震事件在风险暴露所在位置造成的地震动强度(本文采用地震动参数峰值加速度PGA),从而通过场地放大系数算法计算地表地震动参数。

3.2.1 地震随机事件集

本文采用的地震随机事件集是基于我国最新版的潜在震源区模型及地震活动性参数,采用蒙特卡洛方法生成的符合我国地震时空分布特征的模拟地震事件集(徐伟进等,2020),共模拟了中国及周缘地区面波震级5.0级以上500万年的地震事件集,生成的事件集示例数据如表2所示。

表 2 随机地震事件集示例数据 Table 2 Sample data for random earthquake event set
3.2.2 地震随机事件集快速检索算法

本文针对地震衰减关系特征,设计了从随机事件集中快速检索地震事件的方法,该方法能快速检索出可能造成损失的地震事件,步骤如下:

(1)预处理:①将随机事件集按震中位置划分至不同的等经纬度网格中;②将归属同一网格的地震事件作为一页进行连续存储。根据空间局部性原理,每个网格中的数据往往需要同时使用或者都不使用,将空间相邻的数据存储到一起,避免频繁读取文件;③将每页数据按其网格中心点经纬度坐标创建空间索引。

(2)检索地震事件:①计算风险暴露附近网格中心点经纬度及经纬度对应索引的key值;②查询空间索引中key值对应的数据页地址,并将该页数据(即对风险暴露有潜在风险的地震事件)全量加载到内存中。

3.2.3 地震动参数衰减关系计算方法

参考《中国地震动参数区划图》(GB 18306—2015)(中华人民共和国国家质量监督检验检疫总局等,2016)和俞言祥(2016)的相关研究成果,同一个地震衰减分区中,断层走向相同、震级相同的地震事件服从参数相同的衰减关系,而断层走向不同的地震事件衰减关系都可以断层走向为0°的衰减关系旋转得到。因此,本文根据地震动参数衰减关系理论将不同地震衰减分区、不同震级地震的影响场提前计算并存储。当实时进行地震风险评估时,仅需根据震中位置所在的衰减分区、震级查询其影响场即可。

传统的等经纬度或等距离的栅格空间数据结构需要占用巨大的存储空间,以模拟一百万年为例,需要占用TB级的空间。且地震动参数呈指数型衰减,栅格数据在距震中较近的区域参数误差较大,而距震中较远的区域参数非常接近,造成存储空间浪费。本文根据地震动参数衰减关系模型特征,采用环形空间网格的数据结构,同时以该结构进行存储数据,既可以提高数据精度,又能大幅度节约存储空间。

(1)基于环形空间网格数据结构的地震影响场计算

根据地震动衰减椭圆模型(俞言祥,2016),对于已知分区和震级的地震,长轴、短轴上地震动参数与距离的关系为:

$ \mathrm{l}\mathrm{g}Y={A}+{B}{M}+{C}\mathrm{ }\mathrm{l}\mathrm{g}(R+D{{\rm{e}}}^{EM}) $ (2)

式中:Y为地震动参数,R为震中距,M为震级。对于已知震级与地震所在分区,长轴和短轴对应ABCDE为已知的回归系数。因此可得知推导出:

$ {R}={Y}^{\frac{1}{C}}\times {10}^{-\frac{A+BM}{C}}-D {{\rm{e}}}^{E\cdot M} $ (3)

可根据式(3)计算出所有(离散化的)地震动参数对应的长轴Ra和短轴Rb,即组成了该地震的环形网格。

(2)基于环形空间网格数据结构的地震动参数检索

当已知风险暴露的位置时,根据地震断层走向角度与震中距R计算出风险暴露坐标xy;然后再由地震分区与地震震级,利用地震动参数衰减关系模型公式计算长轴$ {Y}_{{\rm{l}}} $与短轴${Y}_{{\rm{S}}}$。最后根据${Y}_{{\rm{l}}}$${Y}_{{\rm{S}}}$确定数据范围,由椭圆公式检索出对应的地震动参数。

3.2.4 场地类型数据与场地放大系数模型

Li等(2019)首先使用坡度法,按照《建筑抗震设计规范》(GB 50011—2010)(中华人民共和国住房和城乡建设部等,2010)中场地类型的分类体系,计算得到全国范围场地分类图。本文将该场地类型数据预处理为1 km精度的栅格数据,由风险暴露位置查询场地类型。并按照《中国地震动参数区划图》(GB 18306—2015)(中华人民共和国国家质量监督检验检疫总局等,2016)中场地类型对应的地震动峰值加速度调整系数对地震动进行调整,最终得到考虑场地条件的地表地震动参数。

3.3 工程易损性模块

工程易损性模块用于确定风险暴露在灾害(地震)中遭受的平均损失率,主要由风险暴露易损性曲线、易损性曲线检索器组成。易损性曲线指不同建筑属性的风险暴露在不同地震动强度下的平均损失率(Mean Damage Ratio,MDR)及其不确定性(Uncertainty)(熊政辉,2019)。先使用熊政辉(2019)按照建筑结构类型、功能用途、建造年代、建筑高度和设防烈度等属性信息构建的风险暴露建筑分类体系及采用震害统计方法和数值分析方法研发的一系列易损性曲线集;然后利用易损性检索器,根据风险暴露的各建筑属性取值,匹配和检索对应曲线,以便后续进行损失计算。

3.4 金融模块

金融模块根据工程易损性模块输出的损失率及风险暴露的(再)保险条款,计算风险暴露(承保标的)的损失。主要包括地震造成的实际经济损失,又称为总损失(Ground Up Loss,GULoss),以及考虑保险条款限制(如免赔额和限额)的保险损失,又称为毛损失(Gross Loss,GRLoss)。

$ \mathrm{G}\mathrm{U}\mathrm{L}\mathrm{o}\mathrm{s}\mathrm{s}=\mathrm{T}\mathrm{I}\mathrm{V}\cdot\mathrm{M}\mathrm{D}\mathrm{R} $ (4)
$\mathrm{G}\mathrm{R}\mathrm{L}\mathrm{o}\mathrm{s}\mathrm{s}=\left\{ {\begin{array}{*{20}{l}} {{\rm{Lim}}\text{,}}&{{\rm{Lim}}+{\rm{Ded}} < {\rm{GULoss}}}\\ {{\rm{GULoss}}-{\rm{Ded}}\text{,}}&{{\rm{Lim}}+{\rm{Ded}}\geqslant {\rm{GULoss}} > {\rm{Ded}}}\\ {0\text{,}}&{{\rm{GULoss}}\leqslant {\rm{Ded}}} \end{array}} \right.$ (5)

式中:TIV(Total Insured Value)为风险暴露的总价值,MDR为地震对风险暴露造成的平均损失率。Ded(Deductible)为免赔额,Lim(Limit)为限额。

地震随机事件集中每个事件均可能对风险暴露造成损失(包含经济损失和保险损失),表3所示为事件损失表(Event Loss Table,ELT)。

表 3 事件损失表示例数据 Table 3 Sample data for ELT

将事件损失表中同一年的损失进行汇总,得到年累积损失表(Year Loss Table,YLT),如表4所示。

表 4 年累积损失表示例数据 Table 4 Sample data for YLT

事件损失表和年累积损失表是地震风险评估SaaS云平台的基本输出结果,通过事件损失表可以计算年期望损失(Annual Average Loss,AAL)、损失标准差(Standard Deviation,SD)、在线费率(Rate On Line,ROL)、超越概率曲线(Exceedance Probability Curve,EP Curve)、各回归周期在险价值(Value at Risk,VaR)、各分位数的尾部在险价值(Tail Value at Risk,TVaR)等。

$ {\rm{AAL}}=\frac{\displaystyle\sum _{i=1}^{M}{{\rm{Loss}}}_{i}}{N}=\frac{\displaystyle\sum _{j=1}^{N}{{\rm{ALoss}}}_{j}}{N} $ (6)

式中 :N为地震随机事件集模拟年数,${{\rm{Loss}}}_{i}$为第i个地震事件造成的损失,$\mathrm{A}{\mathrm{L}\mathrm{o}\mathrm{s}\mathrm{s}}_{{j}}$为第j年所有地震事件造成的损失之和,共M个地震事件对风险暴露造成损失,当${{\rm{Loss}}}_{i}$为总损失时,AAL为年期望总损失,当$ {\mathrm{L}\mathrm{o}\mathrm{s}\mathrm{s}}_{i} $为毛损失时,AAL为年均期望毛损失。

$ {\rm{SD}}=\sqrt{\frac{\displaystyle\sum _{j=1}^{N}{\left({{\rm{ALoss}}}_{j}-{\rm{AAL}}\right)}^{2}}{N}} $ (7)

式中:N为地震随机事件集的模拟年数,$\mathrm{A}{\mathrm{L}\mathrm{o}\mathrm{s}\mathrm{s}}_{{j}}$为第j年所有地震事件造成的损失之和。根据年均期望毛损失与风险暴露的限额可计算出在线费率:

$ {\rm{ROL}}=\frac{{\rm{AAL}}}{{\rm{Lim}}} $ (8)

将年累积损失表按损失降序排序,则序号为n的损失超越概率为p,其中:

$ n=N\cdot p $ (9)

根据式(9)可计算出不同超越概率损失的序号n。若n不为整数,损失取序号为$\left\lfloor n \right\rfloor $(即取≥n的最大整数)与$\left\lceil n \right\rceil $(即取大于或等于n的最小整数)对应的损失的插值。按此方法以保险损失为横坐标、超越概率为纵坐标可绘制年累积超越概率曲线(Annual Aggregate Exceedance Probability Curve,AEP Curve)。超越概率p对应的损失为分位数为1−p的在险价值,即${{\rm{VaR}}}_{1-p}$。尾部险位价值$ {\mathrm{T}\mathrm{V}\mathrm{a}\mathrm{R}}_{1-p} $为所有超越概率≤p所对应的损失($ {{\rm{VaR}}}_{1-p} $)的平均值。

4 总结与展望

地震巨灾保险损失评估技术是推广地震巨灾保险,分散地震巨灾风险的技术基础。本文基于“五代图”最新数据,集成了基于潜在震源区模型的地震随机事件集与地震动参数衰减关系模型,用于计算地震事件在风险暴露位置的地震动强度。根据风险暴露的建筑属性检索对应的工程易损性曲线,计算其在特定地震动强度下的损失,汇总成事件损失表。在事件损失表的基础上计算风险暴露年期望损失、标准差、超越概率曲线。但本文未考虑余震和相关次生灾害对风险暴露造成的损失,相应的功能模块有待完善。本文对地震保险损失评估SaaS云平台的多租户及高性能技术架构进行了论述,并进行了部署投产。100万风险暴露的地震保险损失可在1 h以内完成,且可供多用户同时使用。随着处理器技术的发展,基于GPU的云计算平台广泛应用于科学计算领域。为进一步提高快速损失评估性能,计划研发基于GPU的地震保险损失评估SaaS云平台。

参考文献
陈洪富, 孙柏涛, 陈相兆等, 2013. HAZ-China地震灾害损失评估系统研究[J]. 土木工程学报, 46(S2): 294-300.
Chen H. F., Sun B. T., Chen X. Z., et al., 2013. HAZ-China earthquake disaster loss estimation system[J]. China Civil Engineering Journal, 46(S2): 294-300.
冯键, 2019. 巨灾数字化平台服务国家现代风险治理体系建设[J]. 金融电子化, (5): 32-34.
国家地震局, 国家统计局. 1996. 中国大陆地震灾害损失评估汇编: 1990~1995. 北京: 地震出版社.
林向洋, 文鑫涛, 李华玥等, 2020. 2019年中国大陆地震灾害损失述评[J]. 震灾防御技术, 15(3): 473-483.
Lin X. Y., Wen X. T., Li H. Y., et al., 2020. Review of earthquake damage losses in mainland of China in 2019[J]. Technology for Earthquake Disaster Prevention, 15(3): 473-483. DOI:10.11899/zzfy20200301
楼宝棠, 1996. 中国古今地震灾情总汇. 北京: 地震出版社.
Lou B. T., 1996. A comprchensive compilatton of historie and recent earthquakes diaster status in China. Beijing: Seismological Press. (in Chinese)
孟生旺, 李政宵, 2018. 地震死亡人数预测与巨灾保险基金测算[J]. 统计研究, 35(10): 89-102.
Meng S. W., Li Z. X., 2018. Modeling earthquake deaths and calculating catastrophe insurance fund[J]. Statistical Research, 35(10): 89-102.
牛方曲, 高晓路, 季珏, 2012. 区域中长期房屋震灾损失评估系统[J]. 资源科学, 34(2): 359-366.
Niu F. Q., Gao X. L., Ji Y., 2012. A house damage evaluation system of regional long-term seism in China[J]. Resources Science, 34(2): 359-366.
熊政辉, 2019. 面向地震保险的巨灾模型研究与应用. 北京: 中国地震局地球物理研究所.
Xiong Z. H., 2019. The study and application of catastrophe model for earthquake insurance. Beijing: Institute of Geophysics, China Earthquake Administration. (in Chinese)
徐伟进, 高孟潭, 左惠强, 2020. 地震巨灾模型中的随机地震事件集模拟[J]. 地震工程学报, 42(4): 1024-1034.
Xu W. J., Gao M. T., Zuo H. Q., 2020. Simulation of stochastic seismic event set using the earthquake catastrophe model[J]. China Earthquake Engineering Journal, 42(4): 1024-1034. DOI:10.3969/j.issn.1000-0844.2020.04.1024
应急管理部国家减灾中心, 2021. 2020年全国自然灾害基本情况. 北京: 应急管理部.
俞言祥, 2016. 新一代地震区划图地震动参数衰减关系的建立与特点分析[J]. 城市与减灾, (3): 34-38. DOI:10.3969/j.issn.1671-0495.2016.03.009
中国地震局监测预报司, 2001. 中国大陆地震灾害损失评估汇编: 1996~2000. 北京: 地震出版社.
中国地震局震灾应急救援司, 2010. 2001~2005年中国大陆地震灾害损失评估汇编. 北京: 地震出版社.
中国地震局震灾应急救援司, 2015. 2006~2010年中国大陆地震灾害损失评估汇编. 北京: 地震出版社.
中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会, 2016. GB 18306—2015 中国地震动参数区划图. 北京: 中国标准出版社.
General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration of the People’s Republic of China, 2016. GB 18306—2015 Seismic ground motion parameters zonation map of China. Beijing: Standards Press of China. (in Chinese)
中华人民共和国住房和城乡建设部, 中华人民共和国国家质量监督检验检疫总局, 2010. GB 50011—2010 建筑抗震设计规范. 北京: 中国建筑工业出版社.
Ministry of Housing and Urban-Rural Development of the People’s Republic of China (MOHURD), General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, 2010. GB 50011—2010 Code for seismic design of buildings. Beijing: China Architecture & Building Press. (in Chinese)
Li X. J., Jing B. B., Liu C., et al., 2019. Site classification method based on geomorphological and geological characteristics and its application in China[J]. Bulletin of the Seismological Society of America, 109(5): 1843-1854. DOI:10.1785/0120190058