东亚的民间社会与人工智能提升的灾害抵御能力：来自中国、日本和韩国的比较视角

《Progress in Disaster Science》：Civil society and AI-enhanced disaster resilience in East Asia: Comparative insights from China, Japan, and Korea

　　《青月杜》《拉吉布·肖》《阿尔图拉斯·卡克拉乌斯科斯》
山东大学政治科学与公共管理学院，中国青岛266237

**摘要**
灾害韧性不仅取决于国家能力、公民参与或技术本身，还取决于这些要素在灾害治理中的制度性结合方式。本研究以东亚地区为焦点，通过基于文献证据的定性比较方法，分析了三起近期发生的灾害：2021年中国河南省的洪水、2024年日本能登半岛的地震以及2022年韩国首尔的洪水。分析表明，灾害韧性是通过不同的制度安排共同形成的，具体表现为三种保护逻辑：日本的“嵌入式持续性”、中国的“有限目标导向”和韩国的“不均衡保护”。此外，基于人工智能的灾害准备教育也被认为是一种预先应对的举措。进一步的全球背景分析将这些发现置于更广泛的讨论框架中，指出人工智能在灾害准备教育中的公众可见性会受到更广泛背景条件的影响，但这种分析仍处于探索性阶段，尚未形成明确的因果关系。本研究重新定义了灾害韧性为一种具有差异性、受制度中介影响且由多方共同构建的概念。

**1. 引言**
近期的灾害研究日益表明，灾害韧性不能简单地归结为风险应对的技术问题。在气候压力加剧、城市人口密集以及制度能力不平衡的背景下，灾害风险不仅受环境因素的影响，还受到危机全程中准备工作、协调能力和保护机制组织方式的制约[1]、[2]、[3]。因此，研究重点已从应对绩效转向决定预警信息能否到达受影响人群、脆弱性能否被识别以及援助能否转化为有效保护的制度条件[4]、[5]、[6]。关于灾害韧性规划的研究也指出，灾害压力源于风险暴露、基础设施脆弱性以及治理能力不平衡之间的相互作用[7]、[8]、[9]。

然而，当前的学术研究往往仍将灾害治理的主要组成部分割裂开来进行探讨：关于国家能力的研究侧重于指挥系统和行政协调；关于民间社会的研究强调互助、地方知识与参与；以技术为导向的研究则关注数字基础设施、数据整合及基于人工智能的预警系统。尽管每种研究都提供了有价值的见解，但单独来看都无法全面解释灾害治理的实际运作机制。民间社会研究常常未能明确说明公民行为者是如何被纳入治理体系、受到何种中介作用或受到何种限制[10]、[11]、[12]；而以技术为核心的研究虽然记录了数字系统和人工智能相关技术的应用情况，但较少探讨它们与权力结构的互动方式，以及它们如何在实践中影响包容性、信息透明度和援助的可获得性[13]、[14]、[15]、[16]。尽管有关东亚地区的比较研究揭示了治理模式上的差异，但这些研究较少将公共权力、民间中介作用和人工智能相关系统纳入统一的分析框架。

本研究通过将人工智能提升的灾害韧性视为一种关系性的共同生产过程来填补这一空白。核心问题不是孤立的技术本身或抽象的公民参与，而是公共权力、公民行为者及人工智能相关系统如何在制度层面结合起来，从而组织协调、准备工作和保护措施。这一视角包括基于人工智能的灾害准备教育，这种教育不应被视为独立的技术手段，而是一种通过提升预警意识、进行模拟演练等方式在危机前做好准备的方式，其对不同人群的可达性和保护效果存在差异[17]、[18]、[19]、[20]。

本文通过对中国2021年河南省洪水、日本2024年能登半岛地震以及韩国2022年首尔洪水的定性比较，进一步阐述了这一观点。这些案例虽然都面临着极端风险和快速的数字化转型，但在政府与社会的关系、民间中介的参与程度以及人工智能相关系统在灾害治理中的整合方式上存在显著差异[11]、[21]、[22]、[23]。通过这种比较，可以说灾害韧性是一个由多方共同构建的制度过程，具体表现为日本的“嵌入式持续性”、中国的“有限目标导向”和韩国的“不均衡保护”，同时揭示了基于人工智能的灾害准备教育如何在危机前发挥作用。此外，全球背景分析将这些发现置于更广泛的讨论背景中，但并不试图提供严格的因果解释。

**2. 文献综述**
灾害韧性日益被视为一种政治和制度层面的过程。现有研究指出三个相互关联的维度：治理作为准备工作和保护的组织方式；民间社会作为中介力量；以及与人工智能相关的系统作为社会技术的协调工具。东亚地区为研究这些要素的不同组合方式提供了有用的比较框架。

**2.1. 灾害韧性、治理与核心议题**
灾害韧性不能再被简单地视为一个中立或显而易见的政策目标。批判性学术研究指出，关于灾害韧性的讨论往往掩盖了关于保护对象、责任主体以及适应、应对和恢复工作分配的争议。因此，灾害韧性不应仅仅被理解为对冲击的吸收或基线功能的恢复，而应被视为一种政治和制度过程，在这种过程中，风险暴露、脆弱性和保护措施在具体的治理框架内被定义和实施[24]、[25]、[26]。这种视角将关注点从抽象的韧性概念转移到了支持机制的组织方式、责任分配的争议性以及保护效果的不平等性上。

从这个角度来看，灾害治理也需要被更广泛地理解。它不仅限于危机时刻的应急响应能力或机构间的协调，还包括损失何时能够被识别、公民需求如何能够得到满足，以及不同类型脆弱性如何被纳入保护体系[27]、[28]。灾害风险的产生不仅源于风险强度，还源于物理暴露、制度脆弱性以及在灾害各阶段中预测能力、准备能力、协调能力和支持能力的不平衡[2]、[3]、[7]。

**2.2. 民间社会、中介作用与共同生产**
民间社会在灾害治理中起着核心作用，但其角色不应被简化为单一的参与主体。在灾害应对中，不同组织（如志愿者、邻里协会、非政府组织及福利机构）的参与方式和时机各不相同。有些组织在互助和地方动员中最为突出，而另一些则在恢复工作、福利提供和跨组织协调中发挥重要作用[29]、[30]、[31]。因此，分析的关键不在于“社区参与”的抽象存在，而在于具体公民行为者如何将受影响的人群与信息、行政系统和支持渠道连接起来。在许多情况下，中介和协调作用比单纯的公民存在或志愿者数量更为重要[11]、[32]。

这也深化了对灾害治理中“共同生产”概念的理解。共同生产不仅仅是咨询或国家决策的下游执行，其重要性在于通过这种关系性工作，资源、合法性和可操作的知识能够在不同制度之间流动，从而使协调更加可行，支持更加实际可行[33]、[34]、[35]。同时，共同生产并非政治上中立的。行政认可、资金依赖性以及选择性的制度安排可能会扩大治理的范围，同时也决定了哪些组织能够获得中介权力，哪些组织会被边缘化[36]、[37]、[38]。因此，关键问题不在于民间社会是否参与，而在于公民行为者在共同生产协调、包容性和保护措施的过程中处于何种位置。

**2.3. 与人工智能相关的系统与灾害共同生产**
在灾害治理中，与人工智能相关的系统不应被视为一系列工具或标签，而应理解为嵌入在更广泛社会技术框架中的治理功能。灾害信息学和数字治理的研究表明，这些系统不仅提升了响应机制的速度，还改变了风险信息在政府机构、专家和受影响人群之间的生成、传播和利用方式[13]、[15]、[20]。它们的意义不在于技术上的新颖性，而在于它们如何在制度框架内组织预警、协调和预先行动。

这种视角强调了三个关键角色：首先，人工智能辅助的检测和自动化预警可以提高响应速度和覆盖范围，但其价值取决于警报信息是否能够被不同群体理解和利用[39]、[40]；其次，数据整合、平台化和联动指挥系统可以提升跨机构和行政层面的协调效率，但其有效性取决于系统间的互操作性和制度整合程度[10]、[16]、[41]；最后，数字系统通过模拟演练、有针对性的沟通和准备学习等方式塑造了预先治理机制，包括基于人工智能的灾害教育。

这些系统也具有政治倾向性。它们影响着哪些风险能够被识别、哪些需求能够得到关注，以及哪些脆弱性会被纳入保护体系，同时也可能带来偏见、排斥行为以及对知识和决策权的不对称控制[17]、[42]、[43]。因此，问题不在于人工智能相关系统的存在与否，而在于它们如何在协调、准备工作和包容性的共同生产过程中发挥作用。

**2.4. 基于人工智能的教育与公众准备意识**
基于人工智能的教育在灾害治理中越来越重要，它不仅是一种教学创新，更是一种通过提升预警意识、进行模拟演练等方式在危机前培养公众准备意识的社会技术手段。其价值在于帮助人们理解风险信息，演练可能的应对策略，并形成对自动化系统及其社会后果的知情判断，而不仅仅是教授数字工具的使用方法[18]、[19]、[44]、[45]。这种广义的理解与 responsible AI literacy（负责任的AI素养）和以治理为导向的教育理念相一致，后者强调情境理解、权利、参与能力和参与机会，而不仅仅是技术效率[18]、[19]、[45]。在这种理解下，基于人工智能的教育通过使预警信息在日常制度环境中易于理解和执行，从而有助于提升人们的准备意识。

然而，基于人工智能的教育并不必然具有包容性。数字基础设施、语言、制度支持和技术技能的不平等分配可能会加剧现有的不平等现象，不透明的系统也可能导致偏见或对弱势群体的忽视[18]、[45]、[46]、[47]。因此，其对于提升公众准备意识的效果取决于必要的中介工作，即如何将这些工具转化为社会可用的形式。在灾害应对中，公民行为者和小型非政府组织往往面临资源、专业知识和合作方面的限制，这进一步影响了他们利用人工智能驱动的教育资源的能力[44]、[48]、[49]。

**2.5. 东亚作为人工智能提升灾害韧性的比较框架**
东亚地区为研究人工智能提升的灾害韧性提供了理想的背景，因为该地区既频繁遭遇自然灾害，又在灾害治理方面存在明显的制度差异。该地区的灾害风险受到环境压力、国家能力差异、数字治理发展以及公民角色在制度中的不同定位的共同影响[2]、[22]、[50]。其价值不在于代表某种单一的区域模式，而在于允许在具有相似风险的情况下，通过不同的公共权力、民间中介和技术手段组合来比较治理实践[51]、[52]、[53]。

在这背景下，中国、日本和韩国提供了对比研究的范例。现有研究揭示了这三国在协同治理、公民参与和数字现代化方面的显著差异，但这些方面往往被分别研究，而非作为一个整体进行探讨[11]、[21]、[23]。通过将这三个案例结合起来，可以比较不同国家在治理方式、协调机制、准备工作和保护措施方面的共同生产过程[54]、[55]。基于此，本研究提出了一个核心问题及三个相关子问题：

- 人工智能提升的灾害韧性在中国、日本和韩国的不同治理安排中是如何组织的？
- 在这三个案例中，公民行为者在灾害治理中的角色有何差异？
- 与人工智能相关的系统在这些治理安排中是如何整合的？
- 三个案例中灾害支持和保护措施的组织实施方式有哪些不同？

**3. 研究方法**
本研究采用定性比较案例研究方法，通过分析中国、日本和韩国在公共权力、民间社会及与人工智能相关系统方面的共同作用机制，来探讨灾害韧性的形成过程。其比较逻辑基于一个共同的特征：该地区频繁发生自然灾害且数字治理不断扩张，同时政府与社会的关系、民间中介作用以及应急支持措施存在明显差异[5]、[12]。研究重点不是将灾害治理视为固定不变的国家级属性组合，而是关注公共权力、公民行为者和人工智能相关系统在实践中的制度性连接方式。研究分为三个阶段：首先收集文献证据，然后进行案例内整合，最后进行跨案例比较，以确保分析结论基于扎实的实证材料[54]、[55]。案例选择
实证分析重点关注2021年中国河南省的洪水灾害、2024年日本能登半岛的地震以及2022年韩国首尔的洪水灾害。选择这些案例是有针对性的，因为它们在共同的东亚背景下提供了结构化的比较，这一背景特征包括频繁发生的自然灾害、数字治理的扩展以及国家与社会关系的变化。这些事件并非孤立存在的灾难，而是可作为案例，用以考察在不同制度条件下协调、备灾和防护工作的组织方式。每个案例都反映了与研究主要问题相关的一种独特情况：河南省的洪水灾害体现了中央集权的数字动员机制，其中层级协调和平台支持的外展工作在强大的国家指导下进行[16][23]；能登半岛地震体现了制度化的中介作用，志愿者中心、社会福利委员会和JVOAD（日本志愿救灾组织网络）被纳入了常规的公民协调体系中[10][56]；首尔的洪水灾害则展示了较高的技术能力，但协调机制较为分散，中介组织的融入程度较低[11][22]。文献资料是通过有目的的选择和交叉验证收集的，包括官方报告、政策与制度文件、民间社会组织的相关资料以及技术治理方面的信息，为案例内部的综合分析和跨案例比较提供了基础[28]。

3.3 分析框架与操作化
分析探讨了在三种情况下，公共权威、民间中介机构和技术相关系统如何共同作用于协调、备灾和防护工作的组织。重点关注了四个相互关联的方面：协调实践与信息交流；民间行动者在权威机构与受影响群体之间的中介作用；数字技术与人工智能相关系统在预警、支持和备灾安排中的嵌入情况；以及在救援和恢复过程中脆弱性如何被识别并采取相应措施[6][15]。用于操作化这些维度的定义和文献指标在操作化表格中有所呈现。分析采用了归纳性主题策略，从文献摘录出发，逐步归纳出案例层面的分类，再进一步进行跨案例比较[55]。在案例内部分析阶段，分别对中国、日本和韩国的材料进行了编码，内容包括协调机制、民间中介机构、数字或人工智能相关系统、备灾学习以及对脆弱群体的支持等方面。这些一级编码随后被整合为更广泛的分析类别，从而揭示了每种情况下共有的治理模式。表1、表2和表3展示了从文献证据到案例内部综合的这一分析过程。

**表1. 日本灾后韧性共同构建的案例内部综合**
**原始数据（已翻译）**
**编码** | **生成的分类** | **发展的主题**
--- | --- | ---
在灾害发生时，平时应建立一种机制（中介支持功能），以建立网络并深化协调，以便与包括JVOAD在内的灾后支持非政府组织开展合作。(J-01)
**灾前与支持组织的联络**
**预先建立的协调机制**
基于地方灾害预防计划和协议，开展协商以建立和运营灾后志愿者中心。(J-07)
**基于协议的志愿者中心协调**
**基于规则的运营协调**
为了大力推动灾害数字化转型（DX），数字机构发起公开呼吁（10/28），与具备技术和知识的专业私营部门及一线灾害管理地方政府共同成立“公私协作委员会”。(J-20)
**公私协作推动灾害数字化转型**
**多主体数字协调机制**
在设计灾害预防架构（包括数据模型）时，致力于建立数据链接基础设施；同时制定API披露规则，确保通过应用程序及相关工具实现一站式访问。(J-21)
**架构设计与基于API的链接**
**标准化互操作性基础设施**
数字机构发布了“灾害数字化转型服务地图”第一版，该工具有助于现场人员快速查找私营部门的服务和应用程序并获取服务信息。(J-23)
**服务地图用于快速现场应用**
**协调支持工具整合**
灾后志愿者中心和中介支持组织作为基础支持机构发挥重要作用。(J-04)
**志愿者中心与中介组织作为支持基础**
在中央和县级层面，建立“灾害福利支持中心”对于公私协作至关重要。(J-07)
**福利支持中心作为协调枢纽**
民间中介机构的制度化
将来自一线非政府组织和其他相关机构的意见反馈给政府，并针对公共住房缺陷和家用电器支持等问题进行必要的调整。(J-10)
**非政府组织在需求与行政响应之间的中介作用**
社会福利委员会、JVOAD、支持组织和行政机构协作，共享信息并明确各自在支持受影响人群方面的角色。(J-12)
**多组织联合的受害者支持协调**
有必要在平时对负责灾害案例管理的人员进行培训，并开展演练和培训。(J-08)
**通过演练和培训提升能力**
建立平时可见的面对面联系，确保交接和协调工作的顺利进行。(J-16)
**为持续性建立关系**
考虑到长期疏散的情况，需要建立包括对老年人、残疾人、外国人等群体的支持系统。(J-18)
**针对差异化需求的备灾**
基于脆弱性的备灾工作
为老年人、残疾人、居家疏散者等群体提供福利支持、监测和持续陪伴式服务。(J-15)
**个性化及持续的生计支持**
根据每个受影响者的具体情况提供个性化支持，包括住房、日常生活、福利和就业方面的帮助。(J-22)
**基于数据的危险群体支持**
利用数据为高风险人群提供支持

**表2. 中国灾后韧性共同构建的案例内部综合**
**原始数据（已翻译）**
**编码** | **生成的分类** | **发展的主题**
--- | --- | ---
“坚持人民至上的原则，明确各方责任，形成统一指挥、统一协调和统一调度的救援和救济模式。”(C-01)
**集中指挥；自上而下的协调；分层责任**
**中央集权的应急指挥体系**
“信息发布应保持权威性和一致性，及时响应，并依靠官方媒体和数字平台提供灾害更新和引导舆论。”(C-12)
**权威性信息发布；官方沟通渠道；引导公众舆论**
**国家主导的风险沟通管理**
“通过网格化管理、社区筛查和家庭层面的通知，确保早期预警信息能够到达基层和关键人群。”(C-04)
**基于网格的外展机制；家庭通知；最后一公里的预警传递**
**基于网格的最后一公里预警**
**分层社区覆盖**
“依靠应急指挥平台，整合气象、水文和自然资源等多源数据，实现监测与预警、联合咨询与评估以及指挥调度的联动。”(C-03)
**基于平台的 数据整合；多源数据链接；实时指挥支持**
**集成数字指挥平台**
“技术企业利用产品矩阵提供多场景支持，如灾情报告、人员搜寻、物资调配和慈善筹款。”(C-08)
**平台生态系统支持；多功能数字工具；企业技术干预**
**社会组织、志愿者和社区参与者在党委和政府的总体协调下参与物资转移、人员安置和秩序维护。”(C-05)
**国家主导的参与；监督下的志愿者参与；协调一致的公民行动**
**国家框架下的公民参与**
**在救灾过程中，村级和社区干部、社区工作者及基层网格人员承担信息核实、需求报告和资源匹配等工作。”(C-09)
**基层验证；需求报告；本地协调中介**
**救援中的基层中介作用**
慈善组织、平台企业和基金会通过互联网平台进行捐款募捐、物资匹配和信息发布。(C-07)
**在线捐款动员；平台支持的慈善活动；数字资源匹配**
**强化应急演练、公共科普教育和社区培训，增强公众的灾害预防和风险规避意识，以及自助和互助能力。”(C-11)
**演练与培训；备灾教育；自助与互助能力**
**基于项目的灾后恢复与重建**
“灾后恢复和重建分为‘先安置、再恢复、最后升级’三个阶段，协调推进住房、就业和公共服务的恢复。”(C-10)
**分阶段的重建；有序恢复；协调一致的恢复规划**
**为老年人、残疾人等关键群体建立登记系统，并实施分类援助和搬迁安排。”(C-10)
**针对脆弱群体的登记；定向援助**
**在行政协调下实现有针对性的支持**
“救援资源分配强调精准识别和分类措施，但申请、审查和分发过程仍依赖制度化程序。”(C-14)
**定向分配；程序化筛选；行政中介的接入**

**表3. 韩国灾后韧性共同构建的案例内部综合**
**原始数据（已翻译）**
**编码** | **生成的分类** | **发展的主题**
--- | --- | ---
“2022年8月8日至9日，首尔南部汉江地区录得最大小时降雨量141.5毫米，24小时累计降雨量435.0毫米。”(K-01)
**极端短时强降雨；城市洪水冲击；集中降水**
**城市系统的极端降雨压力**
**由于地表径流在道路上的集中，低洼地区发生洪水灾害。”(K-01)
**低洼地区淹没；地形导致的暴露风险**
**城市洪水的暴露与压力**
**城市洪水应对不仅需要扩展排水设施（如污水系统），还需结合城市规划、土地利用和地下空间管理。”(K-02)
**超出排水能力的洪水应对；规划层面的预防措施**
**中央政府、地方政府和相关机构之间的综合响应体系不足，包括灾害短信发送在内的信息传递不及时。”(K-04)
**碎片化的政府间协调；预警沟通延迟；响应体系薄弱**
**高技术条件下的协调与沟通漏洞**
“由于政府、地方政府和公共机构分别推进数字孪生项目，各系统之间的衔接和利用不足。”(K-13)
**碎片化的数字项目；互操作性差；技术部署滞后**
**首尔志愿者中心在强降雨造成的损害后招募志愿者参与恢复工作。”(K-05)
**有组织的志愿参与；灾后人力支持**
**需要持续支持的受灾区域**
**如东杰克区和冠纳克区等地区有许多老年人和独居户，因此需要持续援助。”(K-05)
**长期的援助需求；老年人和独居户的救援压力**
**社会差异导致的恢复需求**
“不同人群的受灾情况不同，半地下室住房、残疾和贫困等因素加剧了灾害影响。”(K-06)
**不平等的灾害暴露风险**
**住房不平等导致的脆弱性集中**
**半地下室住房既是住房贫困的象征，也是灾害风险集中的场所。”(K-07)
**基于住房的脆弱性集中**
**内政安全部通过《综合灾害与安全技术发展计划》推广基于人工智能和数字技术的灾害安全管理系统。”(K-08)
**以人工智能为导向的灾害管理；技术驱动的治理现代化**
**政府将运用人工智能进行灾害安全管理，并培育以人民为中心的AI生态系统。”(K-11)
**数字孪生技术在虚拟空间重现现实空间，通过监测、分析和预测支持优化。”(K-13)
**基于模型的预测性数字治理基础设施**
“将基于国家灾害通信网络的实时现场响应系统进一步加强。”(K-14)
**国家灾害通信网络；实时响应系统；信息通信技术支持的现场协调**
**灾害短信必须以快速、准确和一致的方式传达给公众。”(K-15)
**标准化的紧急信息发布；基于规则的预警沟通**
**2022年‘安全韩国’灾害响应演习是在假设复杂灾情的情况下多机构共同开展的。”(K-10)
**多机构联合演练；基于场景的备灾训练**
**演习重点关注实际应对流程，如脆弱群体的疏散、现场措施和情况报告。”(K-10)
**针对脆弱群体的疏散演练；以程序为中心的演练**
**扩大公民的安全教育和培训，增强以现场为中心的应对能力。”(K-12)
**参与式的安全教育和培训；以现场为中心的应对能力**
**跨案例阶段的比较**
随后，分析比较了三种情况下协调、备灾、脆弱性识别和保护的共性和差异[42][54]。AI增强型灾害抵御力的案例比较
比较主题
案例综合
比较解读
理论意义
协调与开放性

日本：基于制度的公民间开放性；
中国：国家主导的层级化开放性；
韩国：碎片化的公众导向开放性

通过制度接口、层级覆盖和不均衡的公众服务实施来组织开放性

治理开放性不仅仅是形式上的参与

AI增强与数字支持的整合
日本：可互操作的灾难治理数字化转型（DX）和数据链接架构；
中国：平台支持的指挥、数据整合和资源调动；
韩国：AI增强和数字化驱动的灾害治理

支持整合由互操作性、平台化连接和AI增强协调性塑造

协作基础设施不仅仅是技术能力

AI增强型灾害治理中的民间中介作用
日本：与协调支持系统相结合的嵌入式中介生态；
中国：在平台化国家协调下的有限民间参与；
韩国：在技术先进但中介安排较为薄弱的背景下补充性民间动员

民间中介作用从嵌入式中介到有限参与和补充性支持的角色

制度中介作为差异化的调解机制

准备与预见性治理
日本：常规性和基于学习的准备；
中国：程序化的准备和恢复顺序；
韩国：以培训为中心的预见性准备

通过持续建设、行政排序和程序性演练来建立准备

民间准备作为时间上的准备

包容性、可见性与不均衡的保护
日本：注重福利的包容性和持续支持；
中国：在行政协调下的针对性包容；
韩国：分层的脆弱性和不均衡的城市保护

包容性抵御力作为差异化的保护机制

3.4 补充性全球背景化内容
为了扩展区域比较，该研究还包括一个补充性的全球意见挖掘部分，重点关注不同宏观背景下基于AI的民间社会教育在灾害抵御力（AI-EDR）中的话语可见性。这一部分旨在作为定性案例分析的探索性补充，而非独立的因果推断路径。工作流程分为三个步骤：首先，通过结合《民间社会词汇表》[57]中的266个民间社会术语与与灾害抵御力相关的固定查询词，构建了一个结构化的关键词词典；其次，利用作者开发的Google关键词分析（GEKA）工作流程从Google搜索中提取关键词密度数据，并将其与补充材料中报告的宏观指标（包括全球数据和世界银行数据）联系起来；最后，在93个具有完整宏观指标覆盖范围的国家中构建了266个相关性和回归模型。关键词密度按每10万居民进行了标准化处理。更多技术细节见补充材料。

4. 结果
在三个案例中，灾害抵御力是通过不同的公共权力、民间中介和AI相关系统的组合来组织的。比较确定了三种不同的配置：日本的制度化合作生产和以持续性为导向的保护、中国的国家限定协调和行政筛选的包容性，以及韩国在高技术能力下但协调机制碎片化的情况下的不均衡保护。

4.1 日本：嵌入式中介与以持续性为导向的保护
日本案例反映了一种制度化的合作生产形式，其中公民间协调建立在预先存在的中介安排基础上，而不是灾后临时形成的。在野户半岛地震中，与JVOAD等灾害支持非政府组织的合作被视为日常的网络建设和协调任务（J-01）。灾害志愿者中心与当地的灾害预防计划和先前协议相联系，为志愿者协调提供了稳定的组织基础（J-07）。支持活动同样植根于中介基础，包括志愿者中心及相关支持组织（J-04）。结果形成了一个将市镇、福利提供者、志愿者和外部支持组织通过嵌入式接口联系起来的规范化协调架构，这与日本已建立的以中介为中心的灾害治理模式一致[10]、[31]。这种中介架构也影响了抵御力的数字化和准备层面。灾难治理数字化转型通过公私协调委员会发展，而数据链接、API规则和服务映射工具的设计旨在实现互操作性和现场可用性，而非单纯的数字化扩展（J-20；J-21；J-23）。准备工作也遵循相同模式：针对灾害案例管理人员的培训、日常中的面对面关系建立，以及为老年人、残疾人和外国居民提供的差异化规划，这些都是有效协调和支持的预危机条件（J-08；J-16；J-18）。因此，日本的保护是通过注重福利的持续性来组织的，而不仅仅是泛化的参与。持续的监控和综合支持涵盖了住房、日常生活、福利和就业等方面，针对需要持续援助的群体，包括老年人、残疾人和家庭疏散者（J-06；J-15；J-22）。

4.2 中国：层级化协调与有限包容性
中国案例展示了国家限定形式的合作生产，其中数字化覆盖范围扩大，而协调仍严格通过层级权威组织。在河南洪水期间，救援和救济通过集中式的紧急指挥、协调和调度进行（C-01）。公共传播也是如此：官方媒体和数字平台以权威且紧密协调的方式传播灾害信息和指导（C-12）。这种覆盖范围通过网格化管理、社区筛查和家庭通知扩展到地方层面，使警告通过行政渠道传递给边缘和高风险人群，而非自主的民间中介（C-04）。这种现象并非缺乏合作生产，而是一种由指挥主导的协调和国家组织的渗透形式，这与中国自上而下但技术整合的灾害治理分析一致[16]、[53]。在这个体制中，平台整合主要作为指挥架构的延伸，而非独立的治理层次。紧急指挥平台将气象、水文和自然资源数据链接起来，支持实时监控、咨询、评估和调度（C-03）。科技公司和服务平台也通过多场景数字工具支持报告、人员搜寻、物资分配和资源匹配（C-07；C-08）。准备工作同样遵循程序化逻辑：在危机前组织演练、社区培训和警告宣传，而恢复过程通过分阶段的行政排序进行，从重新安置到恢复和升级（C-10；C-11）。因此，准备教育成为合作生产的准备方式之一，但它嵌入在监督参与和国家介导的传递之中，而非中介自治。民间参与以有限的形式融入其中。社会组织、志愿者、社区行动者和基层人员参与物资转移、核实、重新安置和资源匹配，但在党和政府主导的协调结构内进行（C-05；C-09）。包容性遵循相同的行政逻辑：为老年人、残疾人和独居者设立的登记系统使得分类援助成为可能，但接入仍通过申请、审查和分配等正式程序进行筛选（C-06；C-14）。

4.3 韩国：碎片化的协调与不均衡的保护
韩国案例揭示了一种碎片化的合作生产形式，其中强大的技术能力与碎片化的制度协调并存。2022年首尔洪水期间，极端的短时降雨给密集的城市环境带来了巨大压力，特别是在排水限制、土地利用和地下空间管理受限的低洼地区（K-01；K-02）。同时，灾害管理强烈倾向于技术升级。基于AI的安全管理、数字双胞胎、实时通信系统和标准化预警系统是更广泛的国家主导安全议程的一部分（K-08；K-13；K-14；K-15）。然而，这些系统并未完全克服中央政府、地方政府及相关机构之间的协调薄弱环节，文献证据表明预警传递延迟和政府间联系不足（K-04）。因此，核心问题不在于技术的缺乏，而在于技术能力未能充分转化为协调保护，这与韩国碎片化灾害治理和网络整合不均衡的分析一致[22]、[51]。
同样的紧张关系也体现在准备工作中。官方材料强调了通过模拟、联合演练、针对脆弱群体的疏散演练和参与式安全教育进行的预见性和以培训为中心的准备（K-10；K-12；K-13）。AI支持和以培训为中心的准备学习成为合作生产的准备方式之一，但它更多是程序性的而非关系性的，中介嵌入度低于日本，行政整合程度低于中国[11]、[22]。民间参与主要以补充性动员的形式出现：志愿者招募支持灾后恢复，但民间行动者并未形成持久的协调层（K-05）。更为显著的是分层的脆弱性，半地下室住房、残疾、贫困和老年单身家庭的集中暴露和延长了的恢复需求（K-05；K-06；K-07）。

5. 比较综合与补充性全球背景化
对三个东亚案例的比较表明，AI增强型灾害抵御力的差异取决于民间行动者、社会技术系统和支持安排的制度组织方式。综合分析了协调、准备和保护的不同模式，并将其置于一个补充性的全球背景下，通过追踪AI-EDR的更广泛跨国可见性模式来谨慎地扩展比较范围。

5.1 民间中介与协调的合作生产
在三个案例中，主要区别不在于民间参与的多少，而在于民间行动者在协调安排中的位置。因此，比较并不支持从“更多”到“更少”的简单谱系，而是指出了三种不同的民间中介形式在协调合作生产中的体现。在日本，民间行动者嵌入在规范化的公民间接口中，作为制度化的中介发挥作用；在中国，民间参与是可见的，但通过层级化和程序化限定的渠道纳入；在韩国，民间行动主要表现为补充性动员，并未形成持久的中介层[10]、[12]。这些差异影响了实践中的协调方式。在日本，市镇、福利提供者、志愿者中心和中介支持组织通过预先建立的接口相连，使民间行动者能够在灾害各阶段协调需求、信息和支持。在中国，民间行动者也得到了动员，但在国家主导的统一指挥、行政调度和层级推广结构内进行，其中协调角色保持官方结构化而非自主中介。韩国的中介生态较为薄弱：民间行动者参与响应和恢复，但协调更加碎片化，社会基础较弱。因此，案例之间的差异不在于民间行动者是否参与，而在于他们在灾害治理中是作为嵌入式中介、有限辅助者还是补充性支持者[11]、[21]、[23]。

5.2 AI中介的准备与支持整合
在三个案例中，AI相关系统作为技术进步的标志作用较小，而更多地作为协调、预警沟通、资源链接和准备的差异化嵌入基础设施。因此，比较指出三条社会技术路径，而非技术能力的层级结构。在日本，数字系统注重互操作性和现场可用性，灾害治理数字化转型（DX）、数据链接和服务映射加强了已制度化的公民间协调。在中国，平台整合在以指挥为中心的架构内运作，通过行政可扩展的系统扩展调度、信息发布、预警传递和资源匹配。在韩国，AI导向的灾害管理、数字双胞胎和标准化预警基础设施增强了预见能力，但较弱的互操作性和碎片化的协调限制了这些系统转化为综合支持的程度[15]、[16]、[22]。这些对比也体现在准备学习中。AI支持的灾害准备教育在所有三个环境中都是一种在危机前共同生产的准备方式，但其组织方式不同。在日本，准备学习与持续性协调、常规演练和中介支持的演练相结合；在中国，它采取更程序化的形式，通过国家主导的公共教育、预警宣传和监督参与；在韩国，以培训为中心和数字化中介的准备教育确实存在，但其效果受到现有协调差距的限制。因此，差异不在于数字工具的可用性，而在于它们是否嵌入在能够使预警、演练和支持实际适用于公众准备的治理安排中[10]、[16]、[22]。

5.3 包容性、可见性与不均衡的保护
最明显的案例间差异在于可见性如何转化为保护。灾害抵御力并非仅仅由更强的协调或更先进的数字系统产生的统一公共利益。相反，它取决于机构如何使脆弱性变得可见、分类需求，并将这些可见性转化为可操作的支持。在三个案例中，这一过程产生了不同的保护逻辑：日本的基于持续性的包容性、中国的行政定向保护，以及韩国的不均衡保护。因此，关键问题不仅在于是否识别出脆弱群体，还在于这种识别是否嵌入在能够跨灾害阶段持续提供支援的安排中[17]、[24]、[26]。这些差异体现在将识别与干预联系起来的制度路径中。在日本，福利相关的协调、中介支持机构和规范化的地方接口帮助老年人、残疾人、外国居民和家庭疏散者获得持续的、基于需求的支持；在中国，家庭级别的核实、分类登记和协调调度实现了快速识别和分类援助，但接入仍通过行政程序和国家组织的渠道进行筛选；在韩国，脆弱群体在政策话语和准备规划中可见，但碎片化的协调和社会差异化的城市条件限制了可见性转化为持续保护的转化，尤其是对于半地下室居民、低收入家庭和老年人[11]、[58]。因此，这种比较并不是指向一条通向包容性韧性的单一路径，而是指向不同形式的共同生产的保护措施。5.4. 人工智能在灾害韧性中的教育的全球背景补充这一部分通过引入对民间社会基于人工智能的灾害韧性教育（AI-EDR）的全球视角，扩展了东亚地区的比较。它阐述了研究设计，总结了主要的跨国模式，考虑了这些模式对区域比较的相关性，并在最后明确了可比性的限制。5.4.1. 范围和目的除了三个东亚案例研究之外，还引入了一个全球层面，将区域比较置于更广泛的跨国话语框架中。其目的不是直接测试案例发现结果，也不是提供另一种因果证明，而是考察民间社会基于人工智能的灾害韧性教育（AI-EDR）如何在更广泛的国际信息环境中变得公开可见，以及这种可见性如何随着更广泛的背景条件而变化。这种扩展与文章的核心论点一致，即灾害韧性是由公共权威、公民中介机构和与人工智能相关的系统的相互作用所塑造的，而不仅仅是由技术部署决定的。在这个框架中，基于人工智能的教育不仅被视为教学内容，而是作为一种渠道，通过这种渠道，预警素养、预期学习以及公众的准备状态在不同环境中得到组织和不均衡地分配[18]，[19]，[44]。从这个意义上说，全球组成部分起到的是背景说明的作用，而不是确认作用。5.4.2. 设计和操作方法论上，这个补充部分旨在使AI-EDR的可见性操作更加透明，同时与其在文章中的背景作用保持相称。搜索策略基于研究的两个实质性维度——民间社会和基于人工智能的灾害韧性教育——因此依赖于一个定义好的关键词架构，而不是一个开放的词汇表。如表S1a所示，搜索框架结合了来自《民间社会词汇表》[57]的266个民间社会术语，以及固定查询词“民间社会”和“基于人工智能的灾害韧性教育”。数据收集于2025年11月4日至13日之间，使用的是作者开发的Google关键词分析（GEKA）工作流程，该流程从Google搜索中提取了关键词密度信息，并将其与表S1–S3中报告的32个宏观背景指标进行了关联。GEKA在这里被用作作者开发的基于Google自定义搜索API的关键词密度提取工作流程；用户材料中描述的其他平台功能在本研究中未被使用。操作性查询结合了AI-EDR关键词、国家名称、“民间社会”、基于人工智能的教育和灾害韧性。样本仅限于93个国家，因为只有这些国家拥有构建模型所需的全部宏观环境指标，并且在统计建模之前对每10万居民的关键词密度进行了重新计算。5.4.3. 模型输出的结果在模型输出层面，补充的全球分析表明，在93个国家的样本中，AI-EDR关键词密度与宏观背景条件之间存在显著但不均匀的相关性。超过85%的266个关键词显示出统计学上的显著相关性，平均皮尔逊系数为r=0.647（表S2a–c），而相应的多元模型产生的平均名义R2为0.818（表S3a）。从描述性角度来看，这些结果表明，AI-EDR话语的可见性与更广泛的结构条件有关，而不仅仅是数字传播。同时，这种初步的拟合不应被视为自我验证的。图1和表S4a–e中的诊断结果对模型集的强度进行了限定。平均调整后的R2为0.72，名义R2和调整后R2之间的平均差距为0.097，表明部分明显的解释力反映了模型的复杂性。多重共线性也是一个明显问题，人均GDP的VIF值达到了33.9，人均GDP（PPP）的VIF值为93.3（表S4b）。相比之下，K折交叉验证显示原始R2和验证R2之间的平均差异为-0.002（表S4c），表明在训练-测试分割中的预测性能相对稳定。还检查了残差图和多重检验校正（包括FDR）（表S4d–e）。因此，全球结果最好被解释为比较模式检测，而不是因果证明。下载：下载高分辨率图像（73KB）下载：下载全尺寸图像图1. 266个AI-EDR模型的调整后决定系数。5.4.4. 与东亚比较的联系这些跨国模式最好被理解为东亚比较的背景延伸，而不是对案例发现的直接测试。在这个有限的意义上，全球结果与第5.1节中确定的机构对比（公民中介机构和协调的共同生产）、第5.2节中的AI中介的准备和支持整合、第5.3节中的包容性、可见性和保护的不对称共同生产大致一致。在日本，AI-EDR的可见性在补充分析中显得相对更强，这与一个案例配置相符，在该配置中，准备得到了嵌入式公民中介机构、常规化的志愿服务基础设施和以连续性为导向的灾害教育的支持。在能登案例中，志愿者中心、社会福利委员会和JVOAD通过既定的公共-公民界面运作，而数字工具被整合到现有的支持安排中，使准备学习更加制度化并具有公共持久性[10]，[56]。韩国则表现出不同的模式：以AI为导向的预警、规划和准备系统是可见的，但较弱的中介嵌入和碎片化的协调限制了技术能力转化为更广泛的公民可见性和社会可用性的程度[11]，[22]。中国的情况则更为模糊，因为河南案例结合了大规模的数字动员与集中协调和有限的公民参与。总体而言，区域分析和全球分析只在比较合理性层面上趋同。5.4.5. 可比性限制对补充全球部分的跨国解释仍然受到可比性限制的影响，这些限制仅凭人口标准化是无法解决的。尽管关键词密度是按照每10万居民重新计算的，并引入了额外的诊断工具，但搜索环境在排名逻辑、语义扩展、本地化内容可见性和平台生态方面存在差异，包括基于Google的搜索系统和百度或Naver等平台系统之间的差异。因此，关键词频率应该被视为话语存在的指示性痕迹，而不是公民关注度、准备状态或公众准备状态的直接等效度量。这种谨慎态度很重要，因为目标不是用在线可见性取代机构分析，而是将东亚案例置于一个更广泛的国际背景中，在这个背景下，可见性本身是不对称产生的[59]，[60]。此外，语言和社会不平等也带来了进一步的限制。可以通过不同的词汇、语体和文化特定的表述来表达类似的问题，而多语言搜索行为和算法查询扩展使得直接的跨国比较变得复杂[61]，[62]，[63]，[64]。按人均重新计算也无法消除互联网普及率、平台使用或国内数字接入的不平等。因此，全球组成部分应该被理解为补充性的、探索性的和非因果性的。6. 讨论在这些讨论中，灾害韧性被看作是一种制度和关系性的成就，而不是国家能力、公民参与或技术的纯粹产物。AI中介的准备和AI支持的教育通过社会可用的嵌入方式发挥作用，而补充的全球分析为更广泛的观点提供了谨慎的背景支持，即机构条件塑造了不同的保护形式。6.1. 通过关系性共同生产重新构建灾害治理将国家能力、公民参与和数字发展视为平行变量会掩盖灾害治理实际上是如何在危机的不同阶段组装的。比较结果表明，分析问题不是行政力量、公民参与或技术复杂性的孤立存在，而是在具体的协调、准备和保护安排中的制度性体现[5]，[15]，[42]。在三个案例中，与人工智能相关的系统并没有作为外部工具添加到原本稳定的治理结构上，而是成为了治理过程本身的一部分，它们影响了信息的流通方式、预警如何变得可行动，以及支持如何被协调并转化为实践。这种关系视角也重新定义了公民社会的作用。相对而言，重要的是公民行为者在灾害治理中的位置，而不是他们是否存在：在日本，他们是嵌入式中介；在中国，他们在层级协调中是有限的参与者；在韩国，则是在碎片化协调下的补充性行为者[10]，[12]，[65]。因此，公民社会应该被理解为跨越制度和社会边界的中介，而不仅仅是一种一般的参与。同样的逻辑也适用于危机前的公众准备组织，在那里，预警解释、演练和准备学习也是通过制度化的关系共同产生的，而不仅仅是由技术提供产生的。6.2. AI中介的准备和差异化的保护类似的逻辑也适用于与人工智能相关的系统。它们的重要性不在于技术复杂性，而在于它们是否作为预警、协调和支持整合的社会可用治理基础设施发挥作用。在三个案例中，数字和与人工智能相关的系统影响了信息的流动方式、预警如何变得可行动，以及支持如何在组织和灾害阶段之间进行链接，但它们的效果取决于制度嵌入，而不仅仅是技术存在[16]，[17]，[20]。在日本，互操作性、灾害DX和服务映射被整合到既定的公共-公民界面中，加强了以连续性为导向的支持。在中国，平台整合增强了调度、预警传输和行政覆盖范围。在韩国，以AI为导向的管理、数字双胞胎和预警系统扩展了预期能力，但碎片化的协调限制了它们转化为综合保护的程度[15]，[16]，[22]。在准备学习中也可以看到同样的模式。基于人工智能的灾害准备教育并不是作为一个独立的教育领域运作，而是作为共同生产危机前准备状态的一种方式。它的价值在于支持预警素养、演练、解释和适应性的公众学习，而不仅仅是数字交付[18]，[19]，[20]。然而，这些能力分布不均。差异化的保护在灾害之前就开始了，体现在对可解读预警的获取机会、演练机会和制度支持的学习的获取上是不平等的。因此，补充的全球意见挖掘组件通过将东亚的发现置于更广泛的话语框架中，提供了比较性的背景说明，同时保持了探索性、有限性和非因果性。6.3. 比较意义、可转移性和未来研究通过展示不同的公共权威、公民中介机构和与人工智能相关系统的机构组合如何在中国、日本和韩国组织不同的协调、准备和保护形式，从中产生了更广泛的比较视角。因此，这一贡献是为分析在不同政治、行政和社会技术条件下共同产生的韧性提供了一个比较词汇，而不是一个可以在不同环境中复制的模型[5]，[12]，[42]。这一点对于基于人工智能的灾害准备教育尤为重要。在三个案例中，准备学习都是通过制度中介实现的：其公共价值取决于可访问性、组织嵌入和社会可用渠道，而不仅仅取决于技术可用性[18]，[19]，[20]。因此，关键问题不在于一个系统是否正式具有AI支持，而在于准备知识是如何转移的，谁来中介它，以及如何在暴露程度和接入机会不平等的人群中分配支持。这些区别对于可转移性至关重要，因为如果中介能力薄弱或接入不平等，数字工具、指挥系统或培训平台不太可能产生类似的保护效果[24]，[26]。未来的研究应该将这种比较扩展到更广泛的治理环境中，而当前的研究仍受其基于文档的区域设计的限制。鉴于平台环境、语言和数字接入的跨国差异，补充的全球组成部分也应该被理解为背景性和探索性的。7. 结论本文表明，人工智能增强的灾害韧性是一个关系性和制度中介的过程，其形成取决于公共权威、公民中介机构和与人工智能相关系统在灾害不同阶段如何结合。东亚的比较清楚地表明，韧性并不会自动来自更强的国家能力、更多的公民参与或更先进的技术。重要的是这些元素在实际中是如何连接起来，以社会可行的方式组织协调、准备和保护的[5]，[12]，[15]。在三个案例中，这产生了三种不同的保护逻辑：在日本是嵌入式连续性，在中国是有界的目标，在韩国是不对称的保护。比较做出了三个主要贡献。首先，它通过将与人工智能相关的系统视为治理本身的一部分，扩展了关于灾害治理中的共同生产辩论，塑造了信息流动的方式、协调的实施方式以及支持的可用性。其次，它发展了一个超越了集中式、协作式或技术先进等广泛标签的比较词汇，指明了公民行为者在制度上是如何嵌入的、在行政上是如何受限的，或在补充角色中是如何被留下的。第三，它表明基于人工智能的灾害准备教育最好被理解为一种预先治理的模式。在所有案例中，危机发生前都通过一系列安排来提升公众的预警意识、强化相关演练，并提高公众的应对准备能力。这些安排依赖于中介机制、信息的可获取性以及组织架构的整合，而不仅仅是技术本身的可用性[17],[22],[24],[26]。补充的全球意见挖掘分析为这些发现提供了更广泛的讨论背景。该分析并未直接对比东亚地区的实际情况，而是通过指出人工智能辅助的灾害应急响应（AI-EDR）的公开程度受到更广泛的经济、治理和创新环境因素的影响，从而实现了跨国家层面的比较。尽管如此，鉴于上述提到的诊断性和跨国可比性限制，这种扩展性研究仍处于探索性阶段，不具备因果关系。这些发现也具有实际意义：仅依靠技术能力并不能确保有效的灾害治理，因为只有当数字系统被纳入能够将信息公开转化为实际支持的机制中，将有关部门与中介机构联系起来，并将包容性融入到灾害准备和应对措施中时，它们才能真正发挥保护作用。因此，灾害韧性最好被理解为一种通过制度机制共同构建的保护形式。

CRediT作者贡献声明：
杜清月：撰写初稿、数据验证、资源搜集、方法论设计、调查实施、数据分析、数据管理。
拉吉布·肖：撰写修订稿、监督工作、资源调配、项目管理工作、方法论完善、概念构建。
阿图拉斯·卡克拉乌斯卡斯：撰写初稿、数据验证、调查实施、资金筹措、数据分析、数据管理。