社会脆弱性指数构建中指标与尺度的作用：归纳模型与层次模型的比较地理空间分析

《Applied Geography》：Examining the role of indicators and scale in social vulnerability index construction: A comparative geospatial analysis of inductive and hierarchical models

本研究针对社会脆弱性指数(SVI)构建中存在的方法论选择问题，通过比较归纳模型和层次模型，系统分析了空间尺度（包括普查单元和地理边界）与指标选择对SVI结果的影响。研究发现，采用z-score标准化的层次模型结构在脆弱性排序、热点识别和指标性能方面表现最为一致。该研究强调了尺度-指标相互作用和模型结构选择在SVI设计中的重要性，为提升脆弱性评估工具的准确性和可靠性提供了关键见解。

　　

在全球气候变化和自然灾害频发的背景下，准确识别社会脆弱性群体对于灾害风险管理、资源公平分配和韧性城市建设至关重要。社会脆弱性指数(Social Vulnerability Index, SVI)作为量化社会脆弱性的重要工具，已被广泛应用于从地方到国家乃至全球的灾害应对和规划决策中。然而，SVI的构建过程充满了方法论上的主观选择，这些选择会引入认知不确定性，影响最终结果的准确性和可靠性。目前，两个主流的SVI——美国疾病控制与预防中心(CDC)的SVI和南卡罗来纳大学危害与脆弱性研究所(HVRI)的社会脆弱性指数(SoVI?)——采用了不同的构建逻辑：SoVI?采用基于主成分分析(PCA)的归纳模型结构，而CDC SVI则采用基于预定义域的层次模型结构。此外，指标的选择、空间尺度（如普查区块组Block Groups, BG与普查区Tracts）和地理边界（如州、沿海地区、城市）的划定，这些因素如何相互作用并影响SVI的结果，仍是当前研究亟待深入探讨的问题。

为了回答上述问题，发表在《Applied Geography》上的这项研究，由乔治华盛顿大学的Selena Hinojos、Kathryn Roscoe和Caitlin Grady合作完成，他们以美国南卡罗来纳州查尔斯顿市这一面临快速增长和多种自然灾害（如飓风、复合洪水和海平面上升）威胁的沿海城市为案例，开展了一项精细化的比较地理空间分析。

研究人员为开展此项研究，主要运用了以下几个关键技术方法：首先，基于美国社区调查(ACS)数据，分别采用SoVI和CDC SVI两套指标集，在两种普查单元（BG和Tract）和三种地理边界（州、沿海、城市）下，构建了三种不同模型结构的SVI（归纳模型结合z-score标准化、层次模型结合百分位数排序归一化、层次模型结合z-score标准化），共计36种组合。其次，运用排序变化分析，量化了不同建模选择下各普查单元脆弱性排名的波动程度。第三，采用局部空间自相关指标(Local Indicators of Spatial Association, LISA)进行热点和冷点分析，识别脆弱性的空间聚集模式。最后，通过计算高脆弱性区域（排名前十的单元和LISA高-高聚类区）内各指标相对于研究区平均值的百分比变化，深入分析了指标影响力随尺度和模型结构的变化情况。

3. 结果

3.1. 空间尺度、地理边界和指标选择的变化如何影响不同SVI模型结构的社会脆弱性空间模式？

研究结果显示，改变普查单元和地理边界会导致单个普查单元的脆弱性排名发生剧烈波动，在某些情况下，排名可从接近最低变为接近最高。这种波动在归纳模型中最为显著。层次模型，特别是采用z-score标准化的层次模型，表现出更强的排名稳定性。LISA热点分析表明，CDC SVI指标集在识别查尔斯顿半岛东侧这一已知的高脆弱性区域时，在不同尺度和模型结构下表现出更高的一致性。而SoVI指标集的热点识别结果则更具可变性，其原有的归纳模型结构未能稳定识别出该高脆弱性集群，只有在采用层次模型结合z-score标准化时才能稳定识别。全局莫兰指数(Global Moran's I)分析进一步揭示了空间自相关模式的复杂性，其结果受指标集、模型结构和尺度的共同影响，并不总是符合“空间单元聚合度越高，自相关性越弱”的传统认知。

3.2. 高脆弱性区域中的社会脆弱性指标如何随普查单元和地理边界在不同SVI模型结构中变化？

对高脆弱性区域的指标分析发现，CDC SVI指标集（如种族和少数民族地位、社会经济地位域下的指标以及残疾）在不同模型结构和尺度下表现出更高的一致性影响力。而SoVI指标集中的许多指标（如职业类型、年龄参数、种族 ethnicity、移动房屋等）的影响力则随尺度变化而表现出明显的不一致性。值得注意的是，采用z-score标准化的层次模型结构再次显示出优势，其指标性能在不同尺度下最为稳定。研究未发现特定普查单元或地理边界会系统性导致某个指标影响力增强或减弱的明确模式。

4. 讨论与结论

本研究的核心结论是，SVI构建中的模型结构、指标选择、尺度属性和归一化方法等决策共同决定了脆弱性评估的最终结果。研究表明，广为应用的SoVI和CDC SVI模型捕捉了脆弱性的不同侧面，不应互换使用。即使是先前被认为影响较小的建模阶段（如归一化方法），也可能显著改变脆弱性的空间格局解读。

在模型结构选择上，层次模型结合z-score标准化的方案（不同于CDC SVI或SoVI的现有方案）在排名稳定性、热点识别一致性和指标性能稳健性方面表现最佳，为 practitioners 提供了一个潜在更可靠的SVI构建选项。在指标选择上，CDC SVI指标集显示出比SoVI指标集更稳定的一致性，提示指标集的精心选择至关重要。

该研究强调了在利用SVI进行决策（如联邦Justice40等倡议下的资源分配）时，必须充分认识到这些指数对建模阶段选择的敏感性。SVI并非脆弱性的绝对度量，其应用需要结合具体情境，并理解其方法学上的局限性。未来的研究可以拓展到更广泛的尺度范围，进行更深入的外部验证，并探讨处理多重共线性和缺失数据等统计问题对SVI结果的影响。

总之，这项研究通过系统的地理空间分析，深刻揭示了SVI构建中指标与尺度的复杂相互作用，为开发更稳健、更可靠的社会脆弱性评估工具提供了重要的方法论启示和实践指导。