洪水韧性指数：通过基于案例的分析来评估基础设施的脆弱性及应对策略 作者：Sagnika Chakraborty、Angelo Furno 和 Nour Eddin El Faouzi

《Applied Sciences》：The Flood Resilience Index: Benchmarking Infrastructure Vulnerability and Response Strategies Through Case-Based Analysis Sagnika Chakraborty, Angelo Furno and Nour Eddin El Faouzi

　　**特色应用**
这项研究可以作为决策支持工具，帮助政府和基础设施运营商定量比较不同地区的抗洪能力。通过结合灾害严重程度、基础设施脆弱性、响应效果（通过大型语言模型（LLM）从定性报告中获得评分）以及恢复时间，形成一个综合的“抗洪指数”，从而确定哪些措施（例如减少脆弱性或加快恢复速度）最能够提升系统的韧性。

**摘要**
本研究提出了一个标准化的、多维度的框架，利用创新的“抗洪指数”来评估各国的抗洪韧性。该指数整合了灾害严重程度、基础设施脆弱性、应急响应和恢复时间三个关键维度。虽然以往的研究多集中在单一案例分析或仅关注灾害与脆弱性本身，但系统性的、跨案例的比较研究（尤其是涉及响应质量和恢复时间的研究）仍然较为匮乏。本研究通过对近期五次洪水事件（德国2021年、比利时2021年、悉尼2022年、奥克兰2023年和意大利2023年）进行对比分析，填补了这一空白。抗洪指数将定量指标与从政策文件和事件报告中提取的定性信息相结合，并运用多标准决策制定方法进行案例排序。敏感性分析进一步揭示了各维度对整体抗洪结果的影响。分析显示，尽管灾害严重程度中等，但由于奥克兰的基础设施脆弱性较低、应急协调高效且恢复迅速，其抗洪表现最为出色。相反，德国和意大利虽然具备较强的制度能力，却因基础设施脆弱性和恢复期过长而受到负面影响。这些结果表明，在结构准备、响应协调和恢复规划之间寻求平衡至关重要。本研究提供了一种可复制的、基于案例研究的方法论，有助于决策者和规划者诊断系统层面的弱点，评估灾害应对能力，并指导投资方向，以促进更具适应性和韧性的基础设施及应急管理体系的发展。

### 1. 引言
气候变化导致的洪水频率和强度的不断增加，给全球社区和关键基础设施带来了严峻挑战。自20世纪中叶以来，极端降水事件的发生率显著上升，这一趋势预计会随着全球气温的上升而持续[1]。根据世界气象组织（WMO）的数据，在过去50年中，洪水灾害占所有与天气相关的灾害的44%，造成的经济损失超过1万亿美元[2]。这些灾害威胁着对社会和经济运行至关重要的基础设施系统。美国国土安全部强调了这些基础设施的重要性，指出它们的瘫痪会对国家安全、经济安全、公共卫生或公共安全产生严重影响[2]。这些基础设施包括交通网络、能源电网、供水系统、医疗设施和通信网络。这些系统的中断会带来深远后果，削弱社区的韧性及经济稳定性。现有文献广泛记录了基础设施对洪水的脆弱性，尤其是对交通网络、能源系统和通信电网的破坏[3,4]。频繁发生的洪水会缩短基础设施的使用寿命，并引发连锁故障。尤其是城市地区，由于不透水的地表、老旧的排水系统以及高人口密度，极端降雨事件的影响更加严重[5,6]。此外，2011年曼谷洪水和2022年巴基斯坦洪水等历史性灾害表明，无序的城市扩张和非正式定居点的存在会加剧系统的脆弱性[7,8]。因此，理解灾害周期对于制定明智的政策和增强关键基础设施及城市系统的韧性至关重要。

尽管人们高度关注基础设施的结构脆弱性，但基础设施脆弱性、应急响应与长期恢复之间的相互作用仍缺乏深入研究。大多数现有研究侧重于单一方面，如灾害建模[9,10]、实时监测[11]或水文模拟[12]，往往忽略了这些因素在真实洪水事件中的相互作用。尽管基于机器学习和GIS的洪水风险地图技术有所进展，但它们很少整合响应机制的表现或恢复阶段的持续时间和效果[13,14]。参考文献[15]强调了机器学习模型的预测能力，但也指出这些工具与治理现实和实地挑战存在脱节。此外，跨地理区域的全球性比较研究仍然十分有限。虽然有一些研究探讨了特定案例的应对措施（如2011年喀拉拉邦洪水[16]、金奈城市洪水适应措施[17]或2021年德国洪水[18]），但这些研究缺乏用于跨案例比较的标准化方法。因此，决策者难以找到可借鉴的最佳实践或识别韧性策略中的薄弱环节。即使是对国家适应计划的评估也往往缺乏事件后的验证[19]，从而难以从实际恢复过程中吸取经验。

另一个被忽视的方面是基础设施的长期恢复情况，这是评估真实抗洪能力的关键因素。虽然《仙台框架》提倡包容性的恢复与重建，但大多数学术研究仍基于早期应急指标来评估成功与否[20,21]。这限制了我们对哪些系统恢复得好以及为什么恢复得好的理解。此外，响应数据的定性特征（如治理效果、机构间协作和社区参与度）使得将其纳入比较模型变得困难。没有统一的评估标准，就难以分析各地区在恢复过程中的差异，也无法判断特定干预措施是否真正提升了抗洪能力。例如，参考文献[22]强调了社会学习和地方适应知识在抗洪韧性中的作用，但这些内容在大多数抗洪绩效模型中未能得到充分体现。

表1总结了全球关于洪水风险管理的研究，其中指出了每项研究的主要焦点。虽然一些研究强调了风险分析、灾害评估、脆弱性、机构响应或社区适应等要素，但很少有研究尝试将这些因素整合到一个全面的、以结果为导向的可扩展框架中，以评估整个灾害周期中的抗洪表现。因此，本研究通过开发一个综合的抗洪指数来填补这些空白，该指数结合了灾害严重程度、基础设施脆弱性、应急响应效率和恢复时间。一项关键的方法创新是使用大型语言模型（LLM）和结构化的领域特定评分标准，将来自政策文件、事后评估和媒体报道的定性灾害响应内容转化为标准化的数值分数。这种方法不仅限于洪水评估，还可以应用于任何以叙述形式而非数字形式记录绩效的领域。通过结合这些分数以及定量的灾害、脆弱性和恢复数据，该框架能够对五个全球案例进行全面、可比较的评估。通过应用多标准决策制定（MCDM）方法和敏感性分析，本研究确定了影响抗洪表现的最关键因素，为跨国家抗洪韧性评估提供了一个可复制的框架，将技术和治理因素整合到一个易于解读的指数中。

### 2. 评估洪水影响和韧性的方法论
本研究采用混合方法论，旨在分析关键基础设施（CI）在应对气候引发的洪水时的脆弱性及其系统的韧性，并识别恢复和减灾的最佳实践。本研究考虑的案例包括2021年德国和比利时的洪水、2022年悉尼的洪水以及2023年奥克兰和意大利的洪水（见图1）。图中显示了各洪水的地理位置（作者贡献）。选择这五个案例基于四个标准：（i）时间接近性（所有事件均发生在2021至2023年间，以确保数据的可比性和政策背景的一致性）；（ii）地理位置和气候的多样性；（iii）洪水类型和触发机制的差异；（iv）来自公开来源的四个子指数（灾害、脆弱性、响应和恢复）的充分文档记录。本研究旨在作为一种方法论贡献，这五个案例证明了该框架在不同水文条件、制度结构和社会经济背景下的适用性。案例的多样性是有意为之，旨在测试其在不同环境下的适用性。

#### 2.1. 开发综合灾害评估的抗洪指数
为了识别洪水管理的最佳实践，我们收集了过去洪水事件的关键数据，包括灾害严重程度、基础设施脆弱性、响应措施及恢复时间等信息。其中，灾害严重程度、脆弱性和恢复时间属于定量数据，而响应措施属于定性数据。因此，我们使用OpenAI的GPT-4-turbo（基于大型语言模型LLM的方法）为定性数据赋予权重分数。然后，我们通过适当的数学技术整合了灾害、脆弱性和恢复时间四个子指数，构建了抗洪指数。为了了解不同因素对指数的影响，我们进行了敏感性分析，系统地调整了各子指数的权重。通过变化权重，我们试图识别出对指数影响最大的因素。

值得注意的是，该框架设计为一个分层解释系统，包含三个层次：（i）综合抗洪指数（Φ），用于跨案例排序和基准测试；（ii）详细的子指数值，用于诊断具体维度对事件表现的影响；（iii）敏感性分析（第4.1.2节），通过量化优先考虑哪个维度能够显著改善区域结果提供指导性建议。综合指数并非取代维度层面的分析，而是在用户需要从总体比较转向 detailed 诊断时对其进行补充。

在确定抗洪指数后，我们应用了VIKOR和TOPSIS两种多标准决策制定（MCDM）方法，根据子指数的值对洪水事件进行排序。此外，还进行了多次迭代的蒙特卡洛模拟，以测试在不同权重分配下的排名稳定性，从而识别出对排名影响最大的因素。最后，通过比较高排名事件和低排名事件，分析了成功的洪水管理因素。该方法论框架的工作流程如图2所示。

#### 2.2. 洪水影响分析的数据来源和文献
本研究的数据收集完全依赖于二手资料，主要来自新闻文章、已发布的报告、社交媒体帖子和新闻媒体中的采访。由于所选洪水事件发生时间较短，官方政府数据集和综合性研究出版物较为有限。除了新闻报道外，国际组织、非政府机构和灾害响应机构的公开报告也丰富了数据集。此外，从新闻采访中提取的专家意见以及在线调查也提供了关于治理框架、预警效果、应急响应和基础设施韧性的定性见解。同时，我们还参考了分析类似洪水情景的学术研究，以增强分析框架的可靠性。本研究采用了一致的框架来处理所有案例的数据收集过程。图3展示了用于数据收集的标准模板。我们首先对事件进行全面调查，包括时间线梳理、技术描述、事件严重性评估以及受影响区域的详细分析，然后探讨事件带来的多方面后果，全面评估对区域结构完整性的影响，同时考虑即时和长期影响。随后，本研究分析了事件应对措施，包括早期预警系统、灾害的即时响应、救援行动以及灾后恢复工作。利用人工智能评估灾害响应的有效性
为了系统地量化多次灾害响应措施的有效性，我们采用了一种结合定性和定量方法的混合式分析手段，利用了大型语言模型（LLM），即OpenAI的GPT4 Turbo。该模型基于Transformer架构的神经网络，通过在一个庞大的数据集上进行预训练，然后通过人类反馈（RLHF）进行强化学习来提高响应质量。研究表明，基于GPT4 Turbo的评分与专家评估结果高度一致，能够有效识别细微差别并在评估中保持一致性，尤其是在应用了结构化提示和上下文评分标准的情况下[33,34]。通过对五个关键灾害响应组成部分的定性描述进行处理，包括预警系统、即时响应、救援行动、恢复工作和缓解策略，使用ChatGPT-4 Turbo为其分配了一个1-10分制的标准化数值分数（见附录A）。

转换方法采用了结构化提示工程的方法，其中ChatGPT被提供了基于既定灾害管理框架的领域特定标准：《仙台减灾框架》和FEMA的国家响应框架（参考：附录A表A1）。模型被指导根据预定义的指标（如及时性、有效性、协调性、资源分配和影响缓解）来评估文本描述。图4展示了所遵循的过程流程图。

2.4. 多标准评估的综合洪水指数公式
洪水指数Φ的开发是为了需要整合洪水影响的多个维度。该指数通过聚合四个关键子指数构建：危险指数（Λh）、脆弱性指数（Λv）、响应指数（Λres）和恢复时间指数（Λrec）来计算。这些指数基于不同的数学公式推导得出，确保它们能够充分反映每个洪水影响维度的固有特征。这四个子指数代表了灾害过程的不同阶段，而不是单一系统的并行属性。将不同的维度聚合到一个综合分数中，在综合指标方法论中是得到广泛认可的，如OECD/JRC关于构建综合指标的手册[36]和Beccari [37]中所述。我们的方法论灵感来自于Das等人[38]提出的综合事故指数，其中首先进行向量归一化，然后进行加权RMS聚合。为了保持可解释性，综合分数与分解的子指数值一起报告，并结合了敏感性分析（第4.1.2节）和对单个子指数的MCDM排名（第4.2节）。

鉴于输入变量具有不同的规模和单位，采用了向量归一化方法以确保可比性，如方程（1）所示。这还确保了极端值不会不成比例地影响结果，同时保持了数据分布的完整性。 （1）其中x′ij是归一化后的值，xij是原始值，n是每个属性的备选方案数量（洪水事件的数量）。

2.4.1. 单个指数的计算
洪水指数的每个组成部分表现不同；因此，每个子指数都是使用针对其各自特点定制的特定聚合方法计算的。对于危险指数，使用算术平均值进行计算，因为与危险相关的参数对整体洪水危险有累加贡献[39,40]。脆弱性指数使用调和平均值计算，因为脆弱性组成部分表现出收益递减的关系，确保高度脆弱的基础设施对整体指数的影响不成比例[41]。对于响应指数，选择几何平均值，因为响应效率具有乘法特性，其中表现最差的因素对整体有效性有显著影响[42,43]。对于恢复时间指数，使用算术平均值，因为恢复是一个累加过程，不同关键基础设施部分的恢复时间会累积贡献[44]。

2.4.2. 聚合以计算洪水指数
为了得到最终的洪水指数（Φ），测试了多种聚合技术。选择均方根（RMS）是因为它可以强调极端值，并提高对各个组成部分大幅变化的敏感性，同时保持稳健性。它赋予较大值更高的重要性，确保任何子指数中的极端值都会显著影响整体洪水指数。这一特性对于灾害尤其相关，因为异常值应对最终分数产生更大影响。此外，RMS在涉及平方项的科学计算中广泛使用，使其适合有效地整合不同的洪水风险维度[38]。洪水指数使用方程（2）计算。 （2）其中wh、vw、wrec和wres分别是危险、脆弱性、恢复时间和响应的权重，它们的总和为1。在这个函数中，危险、脆弱性和恢复时间指数直接被平方并作为惩罚项包含在内；因此，较高的值会增加其平方惩罚在分子中的权重。响应指数被转换为（1 ? Λres）2，以便良好的响应可以减少该惩罚项。因此，洪水指数Φ是一个衡量惩罚严重性的指标，即较低的洪水指数表示更好的性能，较高的洪水指数表示较差的性能。洪水指数Φ是一个综合基准指标，总结了洪水事件对系统在危险暴露、结构脆弱性、机构响应能力和恢复时间方面的总体惩罚负担[45,46,47]。它不是一个因果潜在变量，而是一个用于跨案例比较的性能指标，基于灾害管理周期框架（仙台框架），并且总是与其分解的子指数一起解释。下一节将描述敏感性分析的过程，该过程通过量化在不同权重情景下每个维度对综合分数的影响来增加规范性。

2.4.3. 子指数权重的敏感性分析
敏感性分析是通过一次改变一个子指数的权重，同时保持其他三个权重不变来进行的。观察洪水指数（Φ）的变化，以评估每个组成部分的影响。分析遵循以下步骤：
i. 使用所有子指数的确定值计算初始洪水指数（Φ）的基线值，每个子指数分配相等的权重。
ii. 现在，每个子指数的权重在范围（0.3, 0.8）内随机变化300次迭代，每次变化一个。选择0.3作为下限，以确保权重变化始终大于基线权重。
iii. 记录Φ的相对百分比变化，以确定最具影响力的组成部分。
数学上，每个子指数Λi的敏感系数（S）定义如方程（3）所示： （3）其中?Φ是洪水指数的变化，?Λi是相应子指数的变化。

2.5. 使用MCDM技术的洪水事件比较分析
本研究采用了两种广泛使用的多标准决策-making（MCDM）方法，VIKOR和TOPSIS，根据灾害强度、脆弱性、韧性及响应来评估和排名五个洪水事件。这两种方法通过评估多个相互冲突的标准提供了一种系统化的排名方法，确保决策的稳健性。每个标准都进行了归一化，以确保不同尺度之间的可比性。分配了相等的权重以避免决策中的主观偏差并保持分析的中立基线[48]。

2.5.1. VIKOR方法
VIKOR方法根据最佳和最差方案之间的折中解决方案对洪水事件进行排名。在这种方法中，确定所有洪水事件中的最佳和最差值。根据归一化值和相等的权重，计算效用度量S和个体遗憾度量R。随后，使用方程（4）计算VIKOR指数Q，并根据其Q值对洪水事件进行排名，其中最低的Q值代表最佳方案。 （4）其中S?和S*是效用度量的最小和最大值，R?和R*是遗憾度量的最小和最大值，v是交易参数，设置为0.5，以平衡群体效用和个体遗憾的重要性。

2.5.2. TOPSIS方法
TOPSIS方法基于根据事件与理想和次理想解决方案的距离对其进行排名的理念。在这种方法中，决策矩阵根据每个标准的重要性进行加权。根据每个标准的效益和成本性质确定理想和次理想解决方案。然后计算每个选项与理想和次理想解决方案的欧几里得距离，并使用方程（5）计算相对于理想解决方案的相对接近度。根据C值对洪水事件进行降序排名，其中最高值代表最佳方案。 （5）其中Ci表示选项i相对于理想解决方案的相对接近度，Si+是选项i到理想解决方案的欧几里得距离，Si?是选项i到次理想解决方案的欧几里得距离。

2.5.3. 洪水事件排名的敏感性分析
为了评估使用VIKOR方法获得的洪水事件排名的稳健性，通过一次一个变量的变化（OAT）和蒙特卡洛模拟进行了敏感性分析。主要目的是确定个别标准权重的微小变化在多大程度上会引起排名反向，并识别出决策中最具影响力的标准。通过系统地调整这些权重，敏感性分析有助于识别某些洪水事件是否保持一致的排名，或者它们的位置是否有显著波动。在不同权重变化下稳定的排名表明决策的稳健性，而显著的变动则表明对特定因素更敏感。每个洪水事件由其危险指数（Λh）、脆弱性指数（Λv）、响应指数（Λres）和恢复时间指数（Λrec）定义。图5中的流程图显示了进行敏感性分析的方法。为了评估权重变化的影响，进行了OAT敏感性分析，其中系统地将一个标准wx的权重在0.3和0.8之间随机变化，而其余三个标准平分剩余权重wremaining，计算公式如下： （6）首先选择0.3作为下限。然后对每个标准进行1000次迭代的蒙特卡洛模拟。重新计算每次变化的VIKOR排名，以观察任何排名反转或稳定性模式。然后分析排名的统计特性。最后，基于决策的分析确定了哪些标准对排名波动的影响最大，提供了影响洪水事件优先级的最关键因素的见解。

3. 案例研究分析与比较见解
如方法论所述，本研究采用了混合方法。虽然定量分析侧重于检查洪水特征，但结果需要深入探讨灾害不同阶段的政策措施。这种迭代过程通过将数值发现与政策响应联系起来，从而得出有意义的推论。因此，本节提供了对每个洪水事件在各种属性上的描述性概述，为观察到的模式和结果提供了背景。**灾害特征**

洪水的严重程度取决于多种因素，如3天最大降水量（M3DP）、洪水频率、径流深度、坡度、距离河流的距离、植被模式等，这些在多项研究[10,24,49]中都有体现。然而，基于数据可用性，本研究中的灾害特征主要通过洪水深度、降雨累积量和受影响面积的测量来表示，这些数据主要通过卫星图像和GIS制图获得，从而展现了洪水的严重程度和空间范围。洪水灾害的特征在表2中进行了总结。

**表2. 灾害特征**

每一次洪水事件都表现出不同的降雨强度，从短暂的极端降水到持续数天的降雨不等，导致不同程度的洪水灾害。

**3.2. 关键基础设施的脆弱性**

在IPCC第三次评估报告[TAR]中，脆弱性被定义为“系统受到伤害、损害或破坏的程度（即问题或有害的部分）”。然而，正如[51]所建议的，基础设施的破坏是衡量脆弱性的关键指标。因此，在本研究中，脆弱性通过关键基础设施的破坏程度、被淹没的建筑物以及保险覆盖率来表示，这些数据提供了受影响地区暴露程度的见解，具体内容见表3。

**表3. 灾害事件对关键基础设施的影响**

**3.3. 应对措施**

根据[1]的定义，灾害应对是指“在灾害发生前、发生中和发生后立即采取的一系列活动和措施，以尽量减少其对人类生命、基础设施和生态系统的影响。这涉及政府、人道主义组织和当地社区等多方之间的协调，以促进有效的危机管理和恢复”。因此，灾害应对在理解机构和社区在危机中的应对能力方面起着重要作用，而不仅仅是数字上的表现。对洪水的应对措施包括早期预警系统、即时响应、救援行动、恢复工作以及政策倡议，具体内容见表4。

**表4. 对洪水事件的应对措施**

**3.4. 恢复时间**

各地区基础设施的部分完全恢复时间因破坏严重程度、治理效率及资源分配而异。虽然所有地区都优先考虑恢复道路、桥梁、电力和通信网络，但恢复的速度和效果取决于灾前准备情况以及灾后管理能力。不同地区的恢复时间差异凸显了灾前准备、应急响应效率和持续投资于韧性基础设施的重要性，具体见图6。

**图6. 基础设施的部分和完全恢复时间**

**4. 结果与讨论**

**4.1. 洪水指数计算及子指数的敏感性分析**

如第2.3节所述，使用LLM辅助的灾害应对评分（最高分为10分）的结果见表5。随后，属性值经过标准化处理（参见第2.4.1节），并以Sankey图的形式呈现，如图7所示。流的宽度代表不同洪水事件的各属性的量级。标准化之后，根据第2.4.1节的描述计算子指数值，然后利用RMS（均方根）聚合函数将各子指数汇总得到洪水指数，所有子指数均赋予相同的权重。具体结果见表6。

**表6. 洪水指数值**

**4.1.1. 洪水指数值的讨论**

通过对五次洪水事件的洪水恢复力指数计算，我们发现灾害风险呈现出复杂的面貌，这无法仅仅用灾害强度来简单解释。德国（2021年）的洪水指数最高（Φ = 0.545），其次是意大利（0.493）、比利时（0.395）、悉尼（0.382）和奥克兰（0.323）。这种排名分析价值通过分解各子指数得以充分体现。这种分解将Φ从总结性统计量转化为具有诊断意义的工具，能够识别出导致灾害严重程度的具体途径。

德国和意大利的洪水事件中，意大利的艾米利亚-罗马涅地区的洪水指数最高（Λh = 0.593），但其总体灾后影响却最严重（Φ = 0.545）。子指数框架解释了这一悖论：德国的Λv为0.582，几乎是意大利的3.3倍（Λv = 0.175），表明该地区的基础设施抵御能力较弱——早期预警系统不足、易受洪水影响的地区人口密集，且历史上对灾害的风险意识较低。比利时与德国的气象条件相似，但其Λh为0.299，洪水指数仅为0.395。比利时的Λv最低（Λv = 0.057），表明其地域和人口结构使其较不易受到灾害影响。

从响应和恢复维度来看，奥克兰在洪水事件中的表现最佳（尽管遭遇了加布里埃尔飓风），其指数最低（Φ = 0.323）。子指数显示，尽管面临风暴，但其响应能力和恢复时间指数均表现优异。德国的响应指数较弱（Λres = 0.382），即使在灾害和脆弱性条件下，其系统仍能迅速动员并相对高效地恢复功能。悉尼（2022年）在四个子指数中表现居中，表明该系统的抵御能力部分抵消了连续洪水事件带来的风险。意大利的恢复时间较长（Λrec = 0.514），反映了重建农业和基础设施系统的复杂性。

综上，这些结果得出了三个重要结论：首先，灾害强度作为单独的预测指标难以准确预测洪水严重程度；脆弱性对最终结果的影响更为显著，这种关系只有通过子指数分解才能清晰体现。其次，强有力的机构响应和恢复能力即使在灾害条件下也能有效抑制总体影响，这证明了灾前准备的重要性，并证实Λres和Λrec是韧性框架的核心组成部分。最后，没有一次灾害事件的所有四个子指数都同步变化，说明该框架捕捉到了韧性的多个维度，而非单一潜在因素，这直接证明了多维度架构的有效性以及φ作为综合指标的可靠性。

**4.1.2. 子指数权重的敏感性分析结果与讨论**

如第2.4.3节所述，我们分析了每次洪水事件的洪水指数（Φ）敏感性，发现当灾害、脆弱性、响应和恢复的权重变化时，各地区的洪水风险动态有所不同。这是一种经典的敏感性分析方法，有助于回答“如果政策制定者或规划者认为某个因素在决策中应占更重要的地位，那么结果（Φ）对该因素变化的敏感度如何？”这个问题。变化情况见图8，其中?Φ与每个洪水事件的?w相对应。此外，不同洪水的各子指数敏感性分析结果见图9，有助于了解哪些因素在不同地点对洪水风险的影响最大。

通过分析，我们发现德国和意大利的洪水指数最高，但意大利的总体灾后影响最严重。子指数框架揭示了这一悖论：德国的脆弱性指数较高（Λv = 0.582），但其结构薄弱——早期预警系统不足、易受灾地区人口密集、历史上的风险意识较低。比利时与德国的气象条件相似，但洪水指数较低（Λh = 0.299），洪指数仅为0.395。奥克兰的响应指数（Λres = 0.531）最高，恢复时间指数（Λrec = 0.293）最低，表明其系统能够迅速响应并高效恢复。相比之下，德国的响应能力较弱（Λres = 0.382），即使灾害和脆弱性同时作用，其脆弱性的影响也被有效遏制。

悉尼在四个子指数中的表现较为平衡，没有极端值，洪水指数为0.382。这反映了一个总体风险平衡的局面，其相对强大的响应能力表明机构能力部分抵消了连续洪水事件带来的风险。意大利的恢复时间较长（Λrec = 0.514），反映了重建农业和基础设施系统的复杂性。低Λv和高Λrec之间的差异揭示了恢复过程中的复杂性导致的结果。

这些结果总体说明了三个关键点：首先，灾害强度作为单一指标难以准确预测洪水严重程度；脆弱性对最终结果有决定性影响。其次，强大的机构响应和恢复能力能够在灾害条件下有效减轻影响，这强调了灾前准备的重要性，并证实Λres和Λrec是韧性框架的关键组成部分。最后，没有一次灾害事件的所有四个子指数都同步变化，说明该框架真正捕捉到了韧性的多个维度。

**4.2. 子指数权重的敏感性分析结果与讨论**

如第2.4.3节所述，我们分析了每次洪水事件的洪水指数（Φ）敏感性，发现当灾害、脆弱性、响应和恢复的权重变化时，各地区的洪水风险动态有所不同。这种敏感性分析有助于回答“如果政策制定者认为某个因素在决策中应更重要，那么结果对这一变化的敏感度如何？”的问题。变化情况见图8，其中?Φ与每个洪水事件的?w相对应。图9显示了不同洪水下各子指数的敏感性分析结果，有助于了解哪些因素在不同地点对洪水风险的影响最大。

综合来看，德国和意大利受到灾害和脆弱性的严重影响，其指数较高导致较大的损失。然而，在灾害和脆弱性敏感性曲线中观察到一个有趣的现象：当权重达到极高值时，曲线的趋势趋于平坦甚至反转。这是由于饱和效应——当某一优势因素的权重增加时，其相对贡献迅速超过其他指数，系统趋势受到该因素的支配。一旦达到这种主导地位，增加权重对损失增长影响较小。德国和意大利的曲线显示了这种饱和效应，表明系统的脆弱性导致损失大幅增加。此外，曲线的平坦部分还反映了系统的刚性：系统的损失反应完全受该因素控制，增长放缓并非由于缓解措施成功，而是由于数学约束和收益递减。

敏感性曲线还揭示了实际运作情况：某些事件中灾害和脆弱性的高敏感性表明，在应对重大结构弱点的过程中灵活性不足。仅关注响应或恢复无法有效改善系统。相比之下，奥克兰的曲线表明其系统具有内在韧性，恢复能力和响应迅速，因此损失增长较小。这些观察结果共同表明，更好的响应和恢复能力可以显著提升系统韧性。德国的响应能力较弱（Λres = 0.382），即使在灾害和脆弱性条件下，系统仍难有效缓解损失。悉尼在四个子指数中的表现较为平衡，表明其机构能力部分抵消了风险。意大利的恢复时间较长（Λrec = 0.514），反映了重建农业和基础设施系统的复杂性。

总之，这些结果指出了洪水管理系统的几个关键特点：首先，灾害强度作为单一指标难以准确预测洪水严重程度；脆弱性对最终结果影响更大。其次，强大的机构响应和恢复能力能在灾害条件下有效减轻影响。最后，没有一次灾害事件的所有四个子指数都同步变化，说明该框架捕捉到了韧性的多个维度，而非单一潜在因素。比利时虽然在结构上受到的影响较小，但通过进一步扩展其应对能力和改进恢复时间线，最有可能在危险情况升级时保持性能。悉尼的平衡表现表明其系统管理得当，然而其适度的响应和恢复敏感性表明，加快恢复规划和提高响应灵活性可以进一步增强其韧性。奥克兰则被视为模范系统，在所有指标上显示出最小的惩罚敏感性，反映了结构坚固性、高效响应和快速恢复之间的成熟平衡。通过适应性危险预测和培训练习来维持并不断改进这一平衡，对于保持性能至关重要。图10以图形方式展示了定义各种洪水事件可能关注领域的优先矩阵。

接下来，根据第2.5节所述的属性对洪水事件进行排名。排名使用了VIKOR和TOPSIS方法，结果分别展示在表7和表8中。这些方法通过考虑决策的不同方面来确保排名的全面性和稳健性。排名按升序排列，其中排名1代表表现最好的洪水事件。

VIKOR排名结果表明，表现最好的洪水事件是奥克兰洪水，其次是悉尼和比利时，而德国洪水的表现最差，其次是意大利洪水。从结果来看，VIKOR和TOPSIS提供了相同的排名，表明排名结果在不同决策技术下是一致的、稳健的且可靠的。这种一致性增强了人们对这些洪水事件相对表现的信心，并确保所选的评估框架能够有效区分它们的影响。

VIKOR排名敏感性分析的结果显示，在不同权重条件下，排名的稳定性和可靠性得到了评估。例如，在危险权重变化时，奥克兰几乎在整个权重范围内始终保持排名1，反映了其坚固性和在先前识别的危险中的最小惩罚敏感性。意大利和德国在大多数权重范围内排名较低（第4和第5位），表明它们的高危险惩罚非常显著，以至于改变权重并不会显著改变它们与其他事件的关系。比利时和悉尼的排名在中等范围内有所波动，表明它们的相对竞争力可能随着危险重点的不同而变化，但仍然明显落后于奥克兰。

在脆弱性权重变化的情况下，排名稳定性不那么明显。奥克兰再次保持最高排名，与其平坦的脆弱性惩罚曲线和结构韧性相一致。然而，比利时和悉尼的排名有所波动，表明如果赋予更多的权重，它们的相对脆弱性可能会影响其排名。德国的脆弱性指数最高，尽管权重发生变化仍未能上升，这证实了结构脆弱性严重限制了其竞争力。意大利的排名略有波动，但仍处于较低层次，反映了中等敏感性。

在响应权重变化的情况下，排名出现了更动态的变化。奥克兰在所有权重下都保持了最高排名，与其最强的响应指数和之前观察到的显著改进曲线一致。比利时和悉尼争夺第二和第三名，排名会根据响应获得的权重而变化。这证实了之前的观察结果，即强调响应能力对 beiden 事件都有显著帮助。德国和意大利仍处于较低位置，只有轻微的上升，表明虽然响应方面的改进有所帮助，但它们的脆弱性和较长的恢复时间严重限制了它们提升排名的能力。恢复权重的变化显示出所有事件的排名稳定性。

综上所述，奥克兰在所有权重变化下保持最高排名的稳定性，证实了其洪水管理系统的强大性和韧性，表现为低脆弱性、强响应、高效恢复和稳健的危险处理能力。德国和意大利的持续较低排名，无论权重如何变化，都突显了它们的系统性问题，即高脆弱性、长期恢复和暴露于严重危险中，这些问题无法通过调整权重来弥补。比利时和悉尼对权重变化较为敏感，其排名在中等范围内波动，表明在响应或恢复方面进行有针对性的改进有助于它们提升排名。这些观察结果与惩罚敏感性结果完全一致，证实了在排名模型中，结构弱点（危险和脆弱性）不容易通过响应和恢复调整来抵消。因此，排名的稳定性或不稳定性与每种洪水事件特征中的弱点或优势的深度密切相关。

首先，提出的洪水指数涵盖了灾害周期的所有四个阶段——危险、脆弱性、响应和恢复——而现有指数通常只涵盖其中一个或两个阶段（如表9所示）。其次，这项研究还有两个互补的贡献：它提供了一种方法论创新，即将定性的灾害响应叙述结构化为标准化的数值分数，使用基于大型语言模型的评分、领域特定的评估标准以及专家验证。这种方法不仅适用于洪水评估，还可以转移到其他领域，如地震响应或疫情管理，因为在这些领域中，性能通常以叙述形式而不是数值形式记录。此外，它还提供了分析贡献：综合韧性基准框架为在更广泛的多维性能框架内解释这些分数提供了必要的比较背景。这些贡献是相互加强的，缺少其中任何一部分都会削弱整个框架的有效性。基于大型语言模型的灾害响应评估评分的独立开发和系统验证，包括跨模型和更大事件样本的比较，仍然是未来研究的重要方向。

每个子指数的计算都使用了针对其数学行为定制的聚合函数，而不是应用统一的聚合方法。这反映了每个维度的独特特征，正如第2.4.1节所解释的。

所提出的洪水指数是一个新构建的综合指标，几个内部一致性检查支持了该框架的可靠性：VIKOR和TOPSIS方法产生了相同的排名（表7和表8），蒙特卡洛敏感性分析确认了奥克兰的最高排名以及德国/意大利的最低排名在全部权重扰动范围内是稳定的，子指数敏感性分析（第4.1.2节）显示了对权重变化的逻辑一致响应。此外，基于大型语言模型生成的响应分数由14位领域专家进行了交叉验证（第2.3节），他们评估了分数的合理性、跨案例一致性和与实证数据的一致性，提供了从定性到定量转换的外部检验。

尽管有这些检查，仍需承认某些局限性。该指数尚未针对独立的外部基准（如INFORM风险指数或独立专家小组排名）进行验证。由于只有五个案例，与外部结果指标的相关性统计能力有限。基于大型语言模型的评分引入了不可完全通过输出级别验证的不透明性，子指数的平等权重可能无法反映利益相关者的具体优先事项。正式的外部验证是未来研究的重点，包括将指数与更大样本的独立损坏和死亡数据集进行关联，与既定框架进行比较以评估收敛有效性，以及将该框架应用于具有明确结果的 historical 事件以测试回顾性预测准确性。

总之，本研究提出了一个方法论贡献，通过开发一个综合洪水指数，将该指数整合了危险严重性、基础设施脆弱性、响应效果和恢复持续时间，形成了一个多维评估框架。与仅关注灾害周期个别阶段的现有方法不同，这个框架涵盖了所有四个阶段，并评估实际事件级别的性能，而不仅仅是事件前的风险或能力。通过结合定量指标和基于大型语言模型的定性数据以及应用多标准决策方法（VIKOR和TOPSIS），本研究建立了一种统一的、可扩展的跨案例洪水性能评估方法。该方法已在五个最近的洪水事件上进行了示范——德国（2021年）、比利时（2021年）、悉尼（2022年）、奥克兰（2023年）和意大利（2023年）——这些事件因其发生时间接近、地理多样性、洪水类型的变化以及四个子指数维度的数据可用性而被选中。虽然这个样本仅限于具有相对成熟制度框架的高收入和upper-middle 收入国家，但该方法本身适用于任何可以收集危险、脆弱性、响应和恢复数据的洪水事件。将该框架扩展到低收入和制度多样化的背景是未来研究的一个重要方向。

从分析中，表10总结了最佳实践，按灾害阶段（减灾、准备、响应和恢复）组织，并与案例证据和支持的全球文献相链接。图12总结了洪水风险减少和基础设施韧性的最佳实践框架，连接了理论、案例证据和整个灾害周期的战略行动。该框架的主要诊断价值不在于综合洪水指数本身，而在于分解的子指数分析和敏感性诊断。子指数值（表6）使决策者能够立即确定任何给定事件的主要惩罚因素，而敏感性分析和优先矩阵（图10）量化了如果给予更多政策重视，哪个维度将最能改善地区的整体性能。然后，表10将这些定量诊断转化为可操作的、特定于阶段的最佳实践。这种分层设计——通过综合指数进行总结性基准测试，通过子指数分解进行诊断，通过敏感性分析给出建议——使决策者能够从表现最好的案例中学习，并选择性地采用任何案例中的经验证的做法，无论其整体排名如何。

在实践中，该框架通过在减少脆弱性、加快恢复时间和加强应急协议方面的关键重要性，支持了更战略性的灾害规划。未来的研究可以在这一基础上进行扩展，包括结合更高分辨率的本地数据、将模型扩展到其他类型的危险、针对独立损坏和死亡数据集验证指数，以及应用人工智能驱动的预测工具来预测动态气候条件下的韧性。