研读 | 灾后复原力建模：迈向数据驱动的动态复杂系统方法

导语

气候变化、自然灾变、瘟疫流行、军事行动等，都会引起城市复杂系统一定程度上的结构破坏与功能失调，而在人为组织和社会自愈推动下，城市结构与功能又能够逐渐恢复，这就是城市的复原力或弹性。随着社会-经济-自然耦合系统的深度发展，城市复杂性愈发增强，而在大数据背景下理解城市恢复过程的机制，对于应对未来城市系统可能面对的自然、人为风险，具有较高价值。美国国家科学院院刊 PNAS 年初刊载一篇针对数据驱动的、动态的城市复杂系统复原力研究的综述文章，对比介绍了地方灾后恢复力框架（DROP）等复杂系统模型方法。本文是对综述的全文翻译。

研究领域：复杂系统建模，大数据，数据驱动

Takahiro Yabe、P. Suresh C. Rao等 | 作者

陈斯信 | 译者

论文题目：

Toward data-driven, dynamical complex systems approaches to disaster resilience论文链接：https://www.pnas.org/doi/10.1073/pnas.2111997119

目录

摘要

一、日益增长的城市复杂性和灾害风险

二、利用大数据测量恢复轨迹

三、社区，作为动态复杂系统

四、对动态复原过程进行建模

五、未来的步骤与挑战

结论

摘要

随着快速的城市化和不断增加的气候风险，提高城市系统的复原力（resilience，也常译为弹性、韧性）越来越重要。尽管有大量的人类行为数据集（如移动电话数据、卫星图像），但对灾后复原力（disaster resilience）的研究，仍在使用静态指标来代表复原力。然而，静态指标有明显的缺点，比如，它们无法捕捉到复合与累积的灾难冲击的影响；社会、经济和基础设施系统的动态相互依赖性；以及重要的变革和制度的转变。而这些因素都是复杂的灾后复原过程的重要组成部分。在这篇文章中，我们认为，有关灾后复原力的研究需要利用大数据的机会，朝不同的方向发展，即建立数据驱动的、动态的灾后复原力的复杂系统模型。数据驱动的复杂系统建模方法，可以克服静态测量的缺点，使我们能够通过大规模和细粒度的观察，以通用的方式对社区的动态恢复轨迹和固有的复原力特征进行定量建模。这种方法，为对“灾后复原过程及其与恢复过程的联系”进行建模带来了范式的转变，为通过反事实分析和模拟来回答政策应用的问题铺平了道路。

一、日益增长的城市复杂性和灾害风险

近年来，由于气候变化，全球自然灾害的强度和频率都在增加[1-3]，在1998年到2017年期间，造成130万人死亡，44亿人受伤、无家可归、流离失所或需要经济援助[4]。在过去20年里，受灾害影响的国家所遭遇的直接经济损失总额估计为2.9万亿美元。除了气候变化，快速的城市化趋势也给政府机构建设有复原力的、可持续的、包容的城市系统带来了普遍的挑战。预计到2050年，世界上每10人中，就有将近7人生活在城市中。近5亿城市居民生活在沿海地区，发展中国家约90%的城市扩张靠近灾害易发区，并且是通过非正规、无计划的方式建设的，这可能会加剧自然灾害的负面影响[5]。

日益增长的城市化，反映在城市群和多个基础设施网络的扩张中。这些扩张，是为了满足对关键基础设施服务（交通、水、废水、能源、通信等）日益增长的需求。城市基础设施网络，通常在地理空间上同处一地，在功能上相互依存，并集中由公共/私营公共事业部门管理。迅速的城市化导致的不断增长的服务需求，往往要通过从遥远来源获取自然资源来满足，这就增加了社会、经济与技术系统之间的功能相互依赖性。这种复杂的相互依存关系，因为一环扣一环的冲击和破坏，可能会加剧自然灾害和外部冲击的影响，并可能使得发展不可持续[6]。鉴于这些日益增长的自然灾害威胁，减少人类的脆弱性和提高社区的复原力，已经成为各国政府和多边发展机构的政策重点[7]。然而，由于目前无法描述、监测、测量和模拟城市系统之下的相互依存关系，我们很难为“通过提高复原能力减少灾害风险”提供证据基础。

我们的分析集中在几个关键问题上：

• 如何在多种空间和时间尺度上，有效地跟踪不同城市社区在各种灾害后的恢复轨迹？
• 动态条件，包括先决条件、反复发生的灾害事件和复合的灾害事件，如何影响社区的固有复原力和恢复轨迹？
• 社区固有的灾后复原力与社会经济、技术和环境系统之间动态、复杂的相互依存关系是怎样的？
• 我们如何才能为各种灾害类型和异质的地区，找出连贯的、涌现的恢复模式，来建立一个可泛化的定量框架？
• 我们如何才能为描述固有的复原力及其与灾后恢复过程之间的联系的模型，确定正确的大小？该模型可能可以用来为城市管理和发展政策提供信息。

图1展示了数据驱动的、动态的复杂系统的灾后复原力的概述。大规模的灾害，如飓风、地震和大流行病，在城市社区中产生的影响是异质的，因为各社区受灾时的恢复能力不同。我们首先强调了高分辨率的空间和时间流动性数据的可得性，以及大数据分析技术进展的重要性。这些技术可以用来定量测量不同地区的社区在不同灾害事件后的恢复轨迹。这个机会促使我们开发能推断社区固有复原力的数据-模型框架，并将其进一步用于建立灾后恢复过程的动态模型。然后，我们探讨了数据-模型整合的必要性，交叉比较了城市社区复原力的多种建模方法。最后，我们讨论了将模型和数据转化为城市管理、政策和发展的机会和挑战。

图1. 数据驱动的、动态的复杂系统灾后复原方法概述。大数据使我们能够以较高的空间和时间颗粒度，从跨区域的多个灾害事件中观察灾后恢复的动力学。从大数据中获得的可泛化的洞察，可用来校准动态复杂系统模型。这些模型捕捉到了DROP 模型[9]中所说的灾后恢复过程的各种特征，如先决条件、内在的社区复原力、系统的相互依赖性和区域异质性。从动态模型中获得的恢复预测和洞察，可用于评估反事实的灾害事件后的政策影响力和城市系统恢复力。

二、利用大数据测量恢复轨迹

随着移动设备和低成本传感器的普及，我们现在能够以前所未有的规模，从个人用户那里收集各种类型的数据，包括手机位置数据（综述见参考文献[10]和[11]）、卫星图像数据[12]和社交媒体数据[13]。这些数据已被许多灾后恢复和复原的案例所运用。具体来说，最近有研究利用手机定位数据来分析和量化灾后恢复的轨迹，如2015年尼泊尔地震后的人口迁移模式[14]，孟加拉国受气候变化影响的地区的人口迁移模式[15]，以及日本几次地震后人们的疏散行为[16]。Lu等人[17]从2010年海地地震前后人们的行为中观察到了一些模式，揭示了人口流动目的地的可预测性。一些研究人员开发了机器学习方法，利用实时位置数据，在线预测灾害后的人口流动[18]。Yabe等人[19]利用日本和美国的手机全球定位系统GPS，研究了五次灾害事件后人口迁移和恢复模式的空间异质性，包括玛利亚飓风、艾尔玛飓风、地震、洪水和海啸。除了人口恢复和迁移分析外，手机定位数据还可以用来统计人流，量化企业、医院和学校的恢复情况[20]。

通常，从大数据源所获得的这些测量结果，会被输入到最先进的机器学习和人工智能模型中，来预测未来的结果和趋势，例如使用长短期记忆（long short-term memory, LSTM）模型预测灾难疏散的动力学[21]。尽管研究表明，在选定的案例中，用这种模型能很好地预测灾后动力学，但这种模型是“黑箱”，往往缺乏可解释性，而对政策制定所依据的信息来说，可解释性又至关重要。灾后复原是一个复杂的过程，由于基础设施和社会经济系统各组成部分之间存在多种类型的动态相互依存关系，复原结果是异质的，而且恢复过程是漫长的，这就使得问题更加严重[22]。因此，我们需要超越简单地将机器学习模型拟合到大数据的测量值上，并接受灾后恢复过程的复杂性。

尽管已经有越来越多的研究使用大规模的流动性的数据源，来分析灾后的迁徙和恢复。但仍然很少有研究会结合这些洞察来理解整体的灾后复原过程，及其与恢复轨迹之间的关系。这是一个巨大的缺失，毕竟大数据使我们能够以前所未有的规模，定量测量灾害事件后的社会、技术、经济和制度的动态恢复过程。此外，大数据使我们能够以低成本收集不同类型的多个灾害事件（如飓风、野火、洪水、地震）的数据。对不同城市和国家的各种灾害事件进行交叉比较分析，将有助于更广泛地了解灾后复原的动态过程和恢复轨迹。

三、社区，作为动态复杂系统

在过去的几十年里，城市团块（社区和城市）被认为是一个复杂的系统，由社会、技术、制度和自然等不同的部分组成，具有动态的相互作用和相互依赖性[23, 24]。一些灾害事件表明，复杂性和不确定性导致灾害事件后各个社区和地区的恢复轨迹大相径庭[19, 25]。了解物理基础设施系统和社会系统之间的相互作用，及其对大规模灾害后城市恢复的影响，对于制定政策、加强社区人口的有效恢复、促进灾害地区的可持续发展至关重要[26]。此外，“冲击”并不局限于急性事件（如地震、飓风），还包括各种慢性压力。这些压力的强度不大，但比较持久。随机发生的慢性和急性冲击的循环与组合，可能会加剧灾害的影响，并可能导致城市系统的复原力丧失[27]。地方灾后恢复力（disaster resilience of place，DROP）框架首次概念化了灾后恢复过程的动态性和时空偶然性，以及城市系统中异质成分之间复杂的相互依赖性[9]。最近的一篇文章认为，需要考虑基础设施复原力的复杂性[28]，而我们进一步论证了，我们需要动态复杂系统模型，来捕捉大规模观测中涌现的模式。

尽管DROP框架已经对复原能力进行了复杂的、动态的概念化，但在该研究之后，还是有大量的研究在使用静态的指数来衡量社区的复原能力[29, 30]。这种基于指数的（Index based）方法试图使用预先定义的测量清单，包括生态、社会、经济、制度和基础社会变量，来量化社区的固有复原力。然而，这种基于指数的方法有三个明显缺点：(1) 基于指数的方法没有考虑到灾后恢复过程中，城市社会、物理、制度和自然组成部分之间复杂的相互依赖关系（反馈和级联效应）；(2) 该方法没有考虑到复原的动态过程，这可能会忽略城市系统潜在的关键阈值（如参考文献[31]所示）；(3) 该方法难以验证和测试。为了将这些内在复原力的测量，与恢复过程中的其它因素（包括社会-技术-自然的相互依存关系、先决条件、冲击特征和适应能力）充分联系起来，人们已经提出并测试了多种建模方法（总结于表1）。尽管在动态复杂城市系统的复原力建模方面，已经有了这些进展，现有的研究的校准与测试时基于的数据集较小，通常来自家庭调查或次级数据来源（如人口普查）。

表1. 灾后复原力建模方法的总结

四、对动态复原过程进行建模

为了弥补这一差距，最近的一项研究提出了一个框架，利用大数据测得的恢复轨迹来理解动态的灾后复原过程，如图2所示[34]。该框架将复原的动态过程变成模型中的操作，将社会-技术-自然的先决条件和相互依赖性、事件特征（强度和频率）、应对能力和适应性复原力（DROP模型中的许多元素）与恢复轨迹（用大数据技术测量）相结合。动态复杂系统模型由两个耦合的微分方程组成，分别代表社会和物理系统的状态。在这个模型中，有四个参数描述系统的功能，有两个参数描述社会系统和物理系统之间的耦合强度，还有一个参数代表影响系统的外部冲击（即自然危害）。有一个控制器，用来衡量社会系统受外部冲击的程度。城市之间可以通过网络矩阵项（如邻接矩阵）连接起来，以反映城市间的任何溢出效应和相互依赖性。此外，每个系统可以被分解成不同的子组件，来表征城市内部的异质性（如收入不平等）。虽然通用的模型有很大的灵活性，但这种动态复杂系统模型的关键原则是，为每个感兴趣的系统（如社会系统、经济表现、基础设施赤字）构建一组常微分方程，每个系统方程由(1) 补给， (2) 耗损，(3) 外部冲击因素，(4) 网络效应构成。它们通过耦合模型的参数相互耦合。系统的函数形式和耦合方式，应根据所研究系统的特点来确定。

图2. 数据驱动的、动态的复杂系统方法的应用。(A) 数据模型方法使用来自被玛利亚飓风摧毁了的波多黎各的数据进行了测试。红色的深浅表示每个市镇的房屋损坏率。(B) 提出的社会-物理系统耦合的动态模型。(C) 模型的估计结果（实线）和从移动电话收集的，社会和物理的实际恢复数据（虚线）高度一致。(D) 圣胡安在不同政策杠杆下的复原力可以用动态模型进行评估。（数字是从参考文献[34]中获得并修改的。）

大规模的移动电话定位数据，被用来估计波多黎各不同地区的各种社会系统的恢复轨迹。而该恢复轨迹被输入动态复杂系统模型，用来估计区域固有的复原力特征。结果，该模型揭示了社会和物理系统之间高度的（但各区域不同的）相互依存关系，而且估计的恢复轨迹与大数据的测量结果很匹配。动态复杂系统模型允许我们调查各种反事实的恢复轨迹：政策不同，社区固有的复原力和应对能力也会随之不同。

通过充分利用动态复杂系统建模和大数据分析这两项最新科技，我们能够大幅推动灾后复原过程的建模，并衡量恢复的动态结果。与大数据分析方法相比，数据驱动的动态复杂系统建模方法有三个主要优势：

(1) 它能更好地理解潜在的灾后复原过程（例如先决条件、系统的相互依赖性、冲击的的影响、吸收能力和适应性复原力）。

(2) 它能预测灾后恢复的轨迹，揭示大空间和时间范围内的基本机制，全面、跨区域地对恢复和城市复原力进行比较和时间序列分析。

(3) 它能使用各种系统模型参数和冲击序列作为输入信息，进行反事实的情景分析，并搜索城市复杂系统的潜在临界点。

数据驱动的动态复杂系统建模，使我们能够通过大数据观察到的恢复轨迹，来估计社区的固有复原力和动态复原过程。这种方法使得输出具有高度的可解释性和可说明性，这些性质对政策制定所依据的信息来说至关重要。评估反事实情景的输出，有利于确定最需要投资的地点，以及对多种政策杠杆进行成本效益分析。此外，这种方法在设计、事实和验证方面，有很大的灵活性，取决于相关系统的特点、可用的数据源和计算能力。由大数据支持的动态复杂系统方法，代表了灾后复原过程建模范式的转变，使我们能够回到DROP框架最初承载的灾后复原过程的复杂特征，并使得它们可操作化。

五、未来的步骤与挑战

朝着动态、复杂、可泛化的框架前进

DROP框架引入了灾后复原力的关键概念，包括异质实体之间的动态性质，和复杂的相互依赖关系。灾害事件发生后的可用数据时空颗粒度变小、规模变大，因此，我们可以使用测量的恢复轨迹，来推断内在的社区复原力的特征，从而有机会在灾后复原力建模过程中实现范式转变。为了进一步捕捉社会、经济、技术和自然系统之间复杂而相互依存的动力学，手机定位数据可以与捕捉城市动力学不同维度的各种其它数据集整合，包括卫星图像数据（可以用来监测建筑环境的变化）、家庭调查数据（可以用来阐明家庭和社区的行为适应）和社交媒体数据（可以用来了解意见和情绪动态）。大数据显示，在不同的城市和灾害事件中，城市特征涌现出了一系列一致的模式[19]。这种跨地理区域和灾害事件的一致的模式，促使我们研究用于灾后复原过程和恢复轨迹的可泛化的框架。

政策和管理模式的合理化

虽然大数据和动态复杂系统模型的使用带来了巨大的机会，但要正确地为潜在应用和利益相关者确定模型的大小，还面临巨大的挑战。模型，经过设计，可以涵盖各种复杂性，从简单的系统模型，到空间上明确的基于主体的模型（Agent-based models）。社会物理耦合模型[34]及其在水系统复原力方面的应用[45]是简单系统模型的例子——社会和物理系统在地区（有50万居民）和城市上汇总。在复杂尺度上，经验证据表明，城市是“分形的”[44,46]——Verbavatz和Barthelemy[47]对城市群的增长进行了建模。如何正确地模拟未来（随着城市和人口的增长）的复原力，是一个重要的研究问题。

在设计模型的聚集水平和规格细节时，应考虑预期的应用并参考已有的案例，这样，模型的输出才能带来有效的政策。例如，决策者可以利用上一节描述的社会物理系统耦合模型，来预测社会系统的恢复轨迹，包括当地企业和教育系统（如学校）随时间的变化。这些信息可以用来指导灾后恢复阶段的各种政策，例如，指导当地的微型、小型、中心企业重建补贴的分配，以及为那些学校有严重结构性破坏而无法继续上学的地区，确定临时学校设施的位置和容量。为了给电力基础设施部门的决策者提供信息，我们可以强调下列因素的影响：在灾后恢复期间，连接家庭和交通工具的物理和网络系统（无线传感网络和电网）是互相依赖的，从而建立“网络-社会-物理系统”，以评估网络系统在未来冲击中的复原力[48]。为了将基于社区的非政府组织（nongovernmental organizations, NGOs）的需求考虑在内，社会系统可以分解为各种实体，包括家庭网络、公共机构网络和NGO网络，从而更严密地研究社区社会资本的城内分布[49]。对所有不同粒度和规模的模型来说，下列因素都非常重要：考虑异质实体之间动态的、复杂的相互作用；为模型校准和验证提供足够大规模的数据。

另一个需要进一步解决的重要挑战是，将大数据和模型驱动的洞察力有效地连接到政策制定和决策过程中。输出最好能易于理解和解释，并最终对政策制定者有用。最近，人们更深入地理解了研究方法和政治实施之间的差距，这主要是由于灾害事件（包括COVID-19）频繁发生，而且人们做出了各种努力，将从大数据和定量模型中获得的洞察，转化为决策者可以轻松消化的信息。让易受灾害影响的社区在决策过程中有较大的发言权也很重要，这是构建能达成公平结果的复原力的必要条件。

这种数据-政策管道，可以以简短的诊断报告[50]、交互式的控制面板[51]、数据科学工具箱[52]或活动前后的学习交流[53]等形式实施。除了这些工具，还需要提供有效的框架，以便研究人员和政策制定者在不同地区和利益相关者之间分享经验、知识和诀窍，从而提高人们对数据和模型驱动的洞察的接受程度。

模型和数据交叉比较的基准与验证

尽管数据的可用性越来越高，但我们仍然缺乏利用各种灾害事件和复合灾害数据，来对所提出的模型进行的全面验证。在灾后复原领域，数据驱动的动态复杂系统建模方法刚刚起步；因此，目前还没有一个被广泛接受的标准建模框架，可以在各种区域背景和灾害事件中很好地发挥作用。例如，在流行病学领域，易感-感染-恢复（SIR）模型及其变体已经被分析研究了几十年，被广泛认可为该领域事实上的标准模型[54]。因此，移动电话位置数据集，在21世纪初变得唾手可得时，就无缝地整合到了这一动态模型中[54]。现在，它们被广泛地用于世界各地，以应对COVID-19的大流行[56]。在最近的重大灾害事件和背景压力因素（如COVID19）的刺激下，使用大数据集进行开发，是公共政策一个非常重要的工具[57,58]，不仅可以用来了解单一事件的冲击和事件后的恢复，还可以了解复合事件，如COVID-19之后的飓风或野火。大型科技公司和国际机构也加快了利用大数据源促进发展项目的步伐（例如，发展数据伙伴关系；https://datapartnership.org/）。然而，为了以标准化的方式，将数据驱动的动态复杂系统模型的输出与政策需求联系起来，我们需要对方法/模型和数据集进行充分的基准测试。利用世界各地各种灾害事件的大量数据，开发一个标准化的框架，并合作验证这种动态模型，是灾后复原研究和政策的关键挑战之一。

为了推进模型的交叉比较的奠基与验证，继续共同努力，了解和克服大数据的局限性，也是至关重要的。大数据尽管规模大，颗粒度高，但在代表性上容易出现偏差。例如，移动电话位置数据集的样本人口，往往偏向于特定的社会人口和经济阶层[59]。努力改善数据收集和预处理的步骤，以量化和克服这种偏见，对避免“政策建议偏向某些人口群体，而不是其他群体”非常重要。然而，所有的数据都会有不同的偏差。尽管家庭调查在设计时会小心考虑各种家庭，但收集的数据往往受到小样本量、回忆偏差和反应偏差的限制[60]。COVID-19的疫情，通过数据共享计划，推动了大数据的民主化；然而，可能只有特定的用户群体能访问数据源，主要是由于隐私问题。因此，在保护用户隐私的同时，缓解大数据获取方面的不平等，是另一个需要解决的挑战。

结论

快速城市化和气候变化趋势导致的灾害风险上升，使得提高城市的复原能力变得空前重要。动态的灾后复原过程由多种因素描述，包括先决条件和系统的互相依赖性、事件特征、吸收能力、适应性复原力和恢复轨迹等。现在，大数据使我们能够以前所未有的高频率、高颗粒度和大规模来测量恢复轨迹。数据驱动的复杂系统建模方法，使我们能够利用这种由大数据支持的观察，来进一步测量社区的固有复原力特征。这种方法为灾后复原过程的建模及其与恢复过程的联系带来了范式的转变，为通过反事实分析和模拟来回答政策应用的重要问题铺平了道路。

参考文献

1 F. E. Otto et al., Attributing high-impact extreme events across timescales—A case study of four different types of events. Clim. Change 149, 399–412 (2018).2 C. B. Field et al., Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation: Special Report of the Intergovernmental Panel on Climate Change (Cambridge University Press, 2012).3 M. K. van Aalst, The impacts of climate change on the risk of natural disasters. Disasters 30, 5–18 (2006).4 P. Wallemacq, Economic Losses, Poverty & Disasters: 1998-2017 (Centre for Research on the Epidemiology of Disasters, CRED, 2018).5 The World Bank, Urban development (2021). https://www.worldbank.org/en/topic/urbandevelopment/overview. Accessed 7 April 2020.6 E. H. Krueger, D. Borchardt, J. W. Jawitz, P. S. C. Rao, Balancing security, resilience, and sustainability of urban water supply systems in a desirable operating space. Environ. Res. Lett. 15, 035007 (2020).7 World Bank, Poverty and Shared Prosperity 2016: Taking on Inequality (World Bank, 2016).8 S. L. Cutter, “Urban risks and resilience” in Urban Informatics, S. Wenzhong, M. Goodchild, M. Batty, M.-P. Kwan, Eds. (Springer, 2021), pp. 197–211.9 S. L. Cutter et al., A place-based model for understanding community resilience to natural disasters. Glob. Environ. Change 18, 598–606 (2008).10 V. D. Blondel, A. Decuyper, G. Krings, A survey of results on mobile phone datasets analysis. EPJ Data Sci. 4, 10 (2015).11 S. Jiang et al., “A review of urban computing for mobile phone traces: Current methods, challenges and opportunities” in Proceedings of the 2nd ACM SIGKDD International Workshop on Urban Computing (ACM, New York, NY, 2013), pp. 1–9.12 K. E. Joyce, S. E. Belliss, S. V. Samsonov, S. J. McNeill, P. J. Glassey, A review of the status of satellite remote sensing and image processing techniques for mapping natural hazards and disasters. Prog. Phys. Geogr. 33, 183–207 (2009).13 K. Muniz-Rodriguez et al., Social media use in emergency response to natural disasters: A systematic review with a public health perspective. Disaster Med. Public Health Prep. 14, 139–149 (2020).14 R. Wilson et al., Rapid and near real-time assessments of population displacement using mobile phone data following disasters: The 2015 Nepal earthquake. PLoS Curr. 8, ecurrents.dis.d073fbece328e4c39087bc086d694b5c (2016).15 X. Lu et al., Unveiling hidden migration and mobility patterns in climate stressed regions: A longitudinal study of six million anonymous mobile phone users in Bangladesh. Glob. Environ. Change 38, 1–7 (2016).16 T. Yabe, Y. Sekimoto, K. Tsubouchi, S. Ikemoto, Cross-comparative analysis of evacuation behavior after earthquakes using mobile phone data. PLoS One 14, e0211375 (2019).17 X. Lu, L. Bengtsson, P. Holme, Predictability of population displacement after the 2010 Haiti earthquake. Proc. Natl. Acad. Sci. U.S.A. 109, 11576–11581 (2012).18 X. Song, Q. Zhang, Y. Sekimoto, R. Shibasaki, “Prediction of human emergency behavior and their mobility following large-scale disaster” in Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, S. Macskassy, C. Perlich, Eds. (ACM, New York, NY, 2014), pp. 5–14.19 T. Yabe, K. Tsubouchi, N. Fujiwara, Y. Sekimoto, S. V. Ukkusuri, Understanding post-disaster population recovery patterns. J. R. Soc. Interface 17, 20190532 (2020).20 T. Yabe, Y. Zhang, S. V. Ukkusuri, Quantifying the economic impact of disasters on businesses using human mobility data: A Bayesian causal inference approach. EPJ Data Sci. 9, 36 (2020).21 T. Yabe, K. Tsubouchi, T. Shimizu, Y. Sekimoto, S. V. Ukkusuri, “Predicting evacuation decisions using representations of individuals’ pre-disaster web search behavior” in Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, A. Teredesai, V. Kumar, Eds. (ACM, New York, NY, 2019), pp. 2707–2717.22 P. Schulman, E. Roe, Reliability and Risk: The Challenge of Managing Interconnected Infrastructures (Stanford University Press, 2016).23 M. Batty, Cities as Complex Systems: Scaling, Interaction, Networks, Dynamics and Urban Morphologies (Springer, 2009).24 L. M. A. Bettencourt, “Cities as complex systems” in Modeling Complex Systems for Public Policies, B. A. Furtado, P. A. M. Sakowski, M. H. Tóvolli, EDs. (Institute for Applied Economic Research, 2015), pp. 217–236.25 C. Finch, C. T. Emrich, S. L. Cutter, Disaster disparities and differential recovery in New Orleans. Popul. Environ. 31, 179–202 (2010).26 J. Aerts et al., Integrating human behaviour dynamics into flood disaster risk assessment. Nat. Clim. Chang. 8, 193–199 (2018).27 H. Klammler, P. Rao, K. Hatfield, Modeling dynamic resilience in coupled technological-social systems subjected to stochastic disturbance regimes. Environ. Syst. Decis. 38, 140–159 (2018).28 M. Chester et al., Infrastructure resilience to navigate increasingly uncertain and complex conditions in the anthropocene. npj Urban Sustain. 1, 1–6 (2021).29 S. K. Aksha, C. T. Emrich, Benchmarking community disaster resilience in Nepal. Int. J. Environ. Res. Public Health 17, 1985 (2020).30 National Academies of Sciences, Engineering, and Medicine, Building and Measuring Community Resilience: Actions for Communities and the Gulf Research Program (National Academies Press, 2019).31 M. Scheffer, S. Carpenter, J. A. Foley, C. Folke, B. Walker, Catastrophic shifts in ecosystems. Nature 413, 591–596 (2001).32 S. L. Cutter, The landscape of disaster resilience indicators in the USA. Nat. Hazards 80, 741–758 (2016).33 E. J. Sutley, S. Hamideh, An interdisciplinary system dynamics model for post-disaster housing recovery. Sustain. Resilient Infrastruct. 3, 109–127 (2018).34 T. Yabe, P. S. C. Rao, S. V. Ukkusuri, Resilience of interdependent urban socio-physical systems using large-scale mobility data: Modeling recovery dynamics. Sustain Cities Soc. 75, 103237 (2021).35 M. Ouyang, Review on modeling and simulation of interdependent critical infrastructure systems. Reliab. Eng. Syst. Saf. 121, 43–60 (2014).36 S. Dong, A. Esmalian, H. Farahmand, A. Mostafavi, An integrated physical-social analysis of disrupted access to critical facilities and community service-loss tolerance in urban flooding. Comput. Environ. Urban Syst. 80, 101443 (2020).37 A. Y. Grinberger, D. Felsenstein, Dynamic agent based simulation of welfare effects of urban disasters. Comput. Environ. Urban Syst. 59, 129–141 (2016).38 J. M. Links et al., Copewell: A conceptual framework and system dynamics model for predicting community functioning and resilience after disasters. Disaster Med. Public Health Prep. 12, 127–137 (2018).39 T. Kanno, S. Koike, T. Suzuki, K. Furuta, Human-centered modeling framework of multiple interdependency in urban systems for simulation of post-disaster recovery processes. Cogn. Technol. Work 21, 301–316 (2019).40 L. M. Bettencourt, The origins of scaling in cities. Science 340, 1438–1441 (2013).41 E. Krueger, C. Klinkhamer, C. Urich, X. Zhan, P. S. C. Rao, Generic patterns in the evolution of urban water networks: Evidence from a large Asian city. Phys. Rev. E 95, 032312 (2017).42 X. Zhan, S. V. Ukkusuri, P. S. C. Rao, Dynamics of functional failures and recovery in complex road networks. Phys. Rev. E 96, 052301 (2017).43 S. Yang et al., Spatial organization of human population and wastewater treatment plants in urbanized river basins. Water Resour. Res. 55, 6138–6152 (2019).44 A. Shreevastava, P. S. C. Rao, G. S. McGrath, Emergent self-similarity and scaling properties of fractal intra-urban heat islets for diverse global cities. Phys. Rev. E 100, 032142 (2019).45 E. Krueger et al., Resilience dynamics of urban water supply security and potential of tipping points. Earths Futur. 7, 1167–1191 (2019).46 M. Batty, The size, scale, and shape of cities. Science 319, 769–771 (2008).47 V. Verbavatz, M. Barthelemy, The growth equation of cities. Nature 587, 397–401 (2020).48 S. M. Rinaldi, J. P. Peerenboom, T. K. Kelly, Identifying, understanding, and analyzing critical infrastructure interdependencies. IEEE Control Syst. 21, 11–25 (2001).49 D. P. Aldrich, Building Resilience: Social Capital in Post-Disaster Recovery (University of Chicago Press, 2012).50 Pacific Disaster Center, Disasteraware (2021). https://www.pdc.org/disasteraware/. Accessed 5 December 2021.51 CrisisReady, Facebook data for good mobility dashboard (2021). https://www.crisisready.io/resources/facebook-mobility-map/. Accessed 5 December 2021.52 E. Ubaldi et al., Mobilkit: A python toolkit for urban resilience and disaster risk management analytics using high frequency human mobility data. arXiv [Preprint] (2021). https://arxiv.org/abs/2107.14297 (Accessed 23 January 2022).53 S. P. Tuler, K. Dow, T. Webler, Assessment of adaptation, policy, and capacity building outcomes from 14 processes. Environ. Sci. Policy 114, 275–282 (2020).54 W. O. Kermack, A. G. McKendrick, A contribution to the mathematical theory of epidemics. Proc. R. Soc. Lond. Ser. A Containing Pap. Math. Phys. Character 115, 700–721 (1927).55 A. Wesolowski et al., Quantifying the impact of human mobility on malaria. Science 338, 267–270 (2012).56 S. Lai et al., Effect of non-pharmaceutical to contain COVID-19 in China. Nature 585, 410–413 (2020).57 M. Hilbert, Big data for development: A review of promises and challenges. Dev. Policy Rev. 34, 135–174 (2016).58 V. D. Blondel et al., Data for development: The D4D challenge on mobile phone data. arXiv [Preprint] (2012). https://arxiv.org/abs/1210.0137 (Accessed 23 January 2022).59 S. Lu et al., Understanding the representativeness of mobile phone location data in characterizing human mobility indicators. ISPRS Int. J. Geoinf. 6, 7 (2017).60 B. Schouten et al., Indicators for the representativeness of survey response. Surv. Methodol. 35, 101–113 (2009).

（参考文献可上下滑动查看）

内容来源 / 集智俱乐部

今日编辑 / 王静妍

责任编辑 / 戴晟昱

城市大脑研究院提供开放研讨平台，所有文章仅代表作者个人观点，欢迎共同探讨。原创文章，转载请注明来源：城市大脑研究院。部分图片来源于网络，如涉及版权问题，敬请及时联系我们。