خلاصه

در سال‌های اخیر، ایجاد جوامع تاب‌آور در برابر بلایا به یکی از اهداف اصلی در زمینه مدیریت بلایا در سطح جهانی تبدیل شده است. علیرغم اینکه اغلب مورد هدف قرار می گیرد و به شدت تحت تأثیر بلایا قرار می گیرد، وسعت جغرافیایی در مطالعه تاب آوری جوامع ساحلی ایالات متحده (ایالات متحده) در برابر بلایا محدود بوده است. در این مطالعه، ما یک شاخص تاب آوری جامعه در برابر بلایا (CCDRI) را برای جوامع ساحلی ایالات متحده ایجاد کردیم که ابعاد مختلف تاب آوری در برابر بلایا را در نظر می گیرد. متغیرهای انعطاف‌پذیری مورد استفاده برای ساخت CCDRI با بررسی تأثیر آنها بر تلفات بلایا با استفاده از مدل‌های حداقل مربعات معمولی (OLS) و رگرسیون وزن‌دار جغرافیایی (GWR) توجیه شدند. نتایج نشان می‌دهد که امتیاز CCDRI از -12.73 (کمترین انعطاف‌پذیری) تا 8.69 (تاب‌آورترین) متغیر است. و جوامع شمال شرقی نسبتاً تاب‌آورتر از جوامع جنوب شرقی در منطقه مورد مطالعه هستند. علاوه بر این، مولفه‌های تاب‌آوری مورد استفاده در این مطالعه از نظر آماری تأثیر معنی‌داری در به حداقل رساندن تلفات بلایا دارند. مدل GWR در توضیح واریانس ها در حالی که رگرسیون آسیب اموال فاجعه در برابر مؤلفه های تاب آوری (72 درصد واریانس را توضیح می دهد) بسیار بهتر از OLS (واریانس 32 درصد را توضیح می دهد) نشان می دهد که تغییرات مکانی مؤلفه های تاب آوری باید برای مدیریت مؤثر بلایا در نظر گرفته شود. برنامه علاوه بر این، یافته‌های این مطالعه می‌تواند به مدیران اورژانس محلی و تصمیم‌گیرندگان بینش منحصربه‌فردی برای افزایش تاب‌آوری کلی جامعه در برابر بلایا و به حداقل رساندن اثرات بلایا در منطقه مورد مطالعه ارائه دهد. مولفه‌های تاب‌آوری مورد استفاده در این مطالعه از نظر آماری تأثیر معنی‌داری در به حداقل رساندن تلفات بلایا دارند. مدل GWR در توضیح واریانس ها در حالی که رگرسیون آسیب اموال فاجعه در برابر مؤلفه های تاب آوری (72 درصد واریانس را توضیح می دهد) بسیار بهتر از OLS (واریانس 32 درصد را توضیح می دهد) نشان می دهد که تغییرات مکانی مؤلفه های تاب آوری باید برای مدیریت مؤثر بلایا در نظر گرفته شود. برنامه علاوه بر این، یافته‌های این مطالعه می‌تواند به مدیران اورژانس محلی و تصمیم‌گیرندگان بینش منحصربه‌فردی برای افزایش تاب‌آوری کلی جامعه در برابر بلایا و به حداقل رساندن اثرات بلایا در منطقه مورد مطالعه ارائه دهد. مولفه‌های تاب‌آوری مورد استفاده در این مطالعه از نظر آماری تأثیر معنی‌داری در به حداقل رساندن تلفات بلایا دارند. مدل GWR در توضیح واریانس ها در حالی که رگرسیون آسیب اموال فاجعه در برابر مؤلفه های تاب آوری (72 درصد واریانس را توضیح می دهد) بسیار بهتر از OLS (واریانس 32 درصد را توضیح می دهد) نشان می دهد که تغییرات مکانی مؤلفه های تاب آوری باید برای مدیریت مؤثر بلایا در نظر گرفته شود. برنامه علاوه بر این، یافته‌های این مطالعه می‌تواند به مدیران اورژانس محلی و تصمیم‌گیرندگان بینش منحصربه‌فردی برای افزایش تاب‌آوری کلی جامعه در برابر بلایا و به حداقل رساندن اثرات بلایا در منطقه مورد مطالعه ارائه دهد. مدل GWR در توضیح واریانس ها در حالی که رگرسیون آسیب اموال فاجعه در برابر مؤلفه های تاب آوری (72 درصد واریانس را توضیح می دهد) بسیار بهتر از OLS (واریانس 32 درصد را توضیح می دهد) نشان می دهد که تغییرات مکانی مؤلفه های تاب آوری باید برای مدیریت مؤثر بلایا در نظر گرفته شود. برنامه علاوه بر این، یافته‌های این مطالعه می‌تواند به مدیران اورژانس محلی و تصمیم‌گیرندگان بینش منحصربه‌فردی برای افزایش تاب‌آوری کلی جامعه در برابر بلایا و به حداقل رساندن اثرات بلایا در منطقه مورد مطالعه ارائه دهد. مدل GWR در توضیح واریانس ها در حالی که رگرسیون آسیب اموال فاجعه در برابر مؤلفه های تاب آوری (72 درصد واریانس را توضیح می دهد) بسیار بهتر از OLS (واریانس 32 درصد را توضیح می دهد) نشان می دهد که تغییرات مکانی مؤلفه های تاب آوری باید برای مدیریت مؤثر بلایا در نظر گرفته شود. برنامه علاوه بر این، یافته‌های این مطالعه می‌تواند به مدیران اورژانس محلی و تصمیم‌گیرندگان بینش منحصربه‌فردی برای افزایش تاب‌آوری کلی جامعه در برابر بلایا و به حداقل رساندن اثرات بلایا در منطقه مورد مطالعه ارائه دهد.

کلید واژه ها:

شاخص تاب آوری جامعه در برابر بلایا (CCDRI) ؛ ساحلی ایالات متحده ; حداقل مربعات معمولی (OLS) ; رگرسیون وزنی جغرافیایی (GWR)

1. معرفی

خطرات طبیعی به عنوان یکی از بزرگترین چالش های قرن بیست و یکم در سراسر جهان در نظر گرفته می شود. بلایا در چند دهه اخیر هم از نظر فراوانی و هم از نظر شدت افزایش یافته است و باعث آسیب بی‌نظیر به اموال و تلفات جان انسان‌ها شده است [ 1 ، 2 ، 3 ]. جوامع در نواحی ساحلی به ویژه در برابر خطرات طبیعی که در امتداد ساحل متمرکز شده اند آسیب پذیر هستند [ 4 ، 5 ]. با افزایش جمعیت در نواحی ساحلی همراه با پیش بینی خطرات ساحلی با شدت بیشتری [ 6 ، 7 ، 8]]، جوامع ساحلی در حال حاضر بیش از هر زمان دیگری در معرض تهدید شدید خطرات طبیعی قرار دارند. تغییرات آب و هوای جهانی، و همچنین افزایش فعالیت های انسانی مانند شهرنشینی سریع و رشد جمعیت، به عنوان محرک اثرات مخاطرات طبیعی عمل می کنند. به ویژه در مناطق ساحلی جوامع ساحلی در ایالات متحده (ایالات متحده) در برابر خطرات ساحلی از جمله بلایای سریع متحرک مانند طوفان‌های استوایی و طوفان‌ها و بلایای نسبتاً آهسته مانند افزایش سطح دریا، فرونشست زمین و غیره آسیب‌پذیر هستند و اغلب تحت تأثیر آنها قرار می‌گیرند. با این حال، اثرات بلایا حتی در سراسر ساحلی ایالات متحده نیست زیرا واکنش و بازیابی بلایا در جوامع ساحلی متفاوت است که ممکن است به ماهیت متفاوت قرار گرفتن در معرض خطر، اثرات مخاطره‌آمیز و استعدادهای اجتماعی-اقتصادی و زیست‌محیطی جوامع مرتبط باشد.9 ، 10 ، 11 ، 12 ، 13 ]. از این رو، شناسایی عوامل اصلی که این جوامع را در برابر خطرات ساحلی کمتر آسیب پذیر و انعطاف پذیرتر می کند، برای آمادگی در برابر بلایا و کاهش آن بسیار مهم است.
مطالعات زیادی وجود دارد که مدل‌های مفهومی را به منظور تعریف و اندازه‌گیری تاب‌آوری در برابر بلایا توسعه داده‌اند [ 14 ، 15 ، 16 ، 17 ، 18 ، 19 ، 20 ، 21 ]. علیرغم این مطالعات گسترده، هنوز بین محققان در مورد تعریف تاب آوری در برابر بلایا و نحوه اندازه گیری آن اتفاق نظر وجود ندارد [ 17 ، 22 ، 23 ]. با این حال، دو چیز در تعریف تاب آوری در برابر بلایا مشترک یافت شد: آسیب پذیری و ظرفیت سازگاری. در حالی که برخی از محققان تاب آوری را به عنوان بخشی از ظرفیت انطباقی تعریف کردند [ 16 ، 2425 ]، دیگران آن را با آسیب پذیری مرتبط دانستند [ 17 ، 22 ، 23 ]. ارتباط تاب آوری با آسیب پذیری و ظرفیت سازگاری نیز مورد مطالعه قرار گرفته است [ 26 ، 27 ]. تطبیقی ​​نشان‌دهنده انعطاف‌پذیری در برابر بلایا با نقاط قوت یا ضعف جامعه برای مقابله با اثرات بلایا مطابقت دارد [ 15 ، 2528 ]. ظرفیت‌های انطباقی در مطالعات تاب‌آوری را می‌توان بر اساس ظرفیت‌های اجتماعی-اقتصادی، زیرساختی، اکولوژیکی، محیطی و نهادی جامعه اندازه‌گیری کرد. طبق پنل بین دولتی تغییرات آب و هوایی (IPCC)، آسیب پذیری به عنوان تابعی از قرار گرفتن در معرض، حساسیت و ظرفیت تطبیقی ​​تعریف می شود.28 ]. تاب آوری در برابر بلایا اغلب به صورت منفی با آسیب پذیری و ارتباط مثبت با ظرفیت های انطباقی یک جامعه [ 26]. پس از بررسی این ادبیات و مدل‌های مفهومی تاب‌آوری در برابر بلایا، ما در این مقاله تاب‌آوری در برابر بلایا را متنوع اما با ظرفیت تطبیقی ​​و آسیب‌پذیری مرتبط می‌دانیم.
مانند تعریف تاب‌آوری در برابر بلایا، تفاوت‌های قابل‌توجهی بین محققان در مورد اندازه‌گیری تاب‌آوری جوامع در برابر بلایا وجود دارد. اختلاف در تعریف تاب آوری آن را آسان نمی کند. تاب آوری جامعه در برابر بلایا با توانایی جامعه برای مقابله با بلایا از طریق کاهش آسیب پذیری ها مطابقت دارد. بنابراین، جوامع بسیار انعطاف پذیر کمتر در برابر بلایا آسیب پذیر هستند و بهتر می توانند با بلایا کنار بیایند [ 22 ، 29]]. تاب‌آوری جوامع در برابر بلایا عموماً با ایجاد شاخص و مدل‌های تاب‌آوری بر اساس ابعاد یا شاخص‌های مختلف تاب‌آوری جامعه مانند اجتماعی، اقتصادی، زیست‌محیطی، سرمایه اجتماعی، انسانی و غیره اندازه‌گیری یا اندازه‌گیری می‌شود. شاخص هایی در زمینه تاب آوری و آسیب پذیری جامعه در برابر بلایا [ 10 , 12 , 14 , 19 , 30 , 31 , 32 , 33 .]. از میان آنها، مطالعاتی که بیشترین ارتباط را با این تحقیق دارند به شرح زیر مورد بحث قرار می گیرند. شاخص آسیب پذیری اجتماعی که توسط کاتر و تیم او ایجاد شد، با استفاده از 42 متغیر اجتماعی-اقتصادی بر اساس مطالعات قبلی برای کل ایالات متحده [ 30] ساخته شد.]. تجزیه و تحلیل مؤلفه های اصلی (PCA) برای کاهش متغیرها به 11 مؤلفه استفاده شد که تقریباً 76 درصد از واریانس را تشکیل می داد. سپس نمرات مؤلفه ها برای هر شهرستان با هم جمع شدند تا امتیازهای شاخص ایجاد شود. نویسندگان سعی کردند شاخص خود را با همبستگی نمرات شاخص با اعلامیه های فاجعه ریاست جمهوری تأیید کنند و هیچ ارتباطی پیدا نکردند. با این حال، رویکرد اتخاذ شده توسط محققان به درک ضرورت مدل‌سازی آماری برای ایجاد و اعتبارسنجی شاخص کمک کرد. شاخص تاب آوری ساحلی (CRI)، ساخته شده توسط اداره ملی اقیانوسی و جوی (NOAA) از شش مؤلفه شامل تسهیلات حیاتی، حمل و نقل، برنامه های اجتماعی، اقدامات کاهشی، طرح تجاری و سیستم اجتماعی برای ایجاد شاخصی استفاده می کند که عمدتاً بر مخاطرات ساحلی متمرکز است [33] .]. شاخص‌های تاب‌آوری پایه برای جوامع (BRIC) کار پیشگام دیگری توسط کاتر و تیم او [ 23 ] است که شش مؤلفه تاب‌آوری در برابر بلایا شامل اجتماعی، اقتصادی، زیرساختی، نهادی، اجتماعی و محیطی را برای اندازه‌گیری تاب‌آوری جامعه در برابر بلایا در نظر می‌گیرد. هر یک از شش مؤلفه شامل چندین متغیر است که بر اساس مطالعات قبلی انتخاب شده اند. نمرات مؤلفه ها برای ساختن شاخص تاب آوری ترکیبی با هم جمع شدند و در زمینه سیاست قابل اجرا هستند. شریب و همکاران [ 19] 88 متغیر را انتخاب کرد که نشان دهنده تاب آوری در برابر بلایا هستند. پس از بررسی چند خطی، 17 متغیر حفظ شد که نشان دهنده دو مؤلفه تاب آوری در بلایا شامل سرمایه اجتماعی و توسعه اقتصادی است که تاب آوری جامعه را اندازه گیری می کند. این مطالعات از مجموعه‌های مختلف شاخص‌های تاب‌آوری برای مدل‌سازی و اندازه‌گیری تاب‌آوری جوامع در برابر بلایا استفاده کردند. با این حال، اعتبار سنجی کمی شاخص تاب آوری و متغیرهای مورد استفاده برای ایجاد شاخص تاب آوری به سختی انجام شده است و همچنان یک محدودیت شدید در این زمینه است [ 34 ، 35 ].
تاب آوری جامعه در برابر بلایا با ایجاد یک شاخص با استفاده از شاخص های تاب آوری در مطالعات قبلی اندازه گیری شده است. با این حال، روابط (فضایی و غیر مکانی) بین شاخص‌های تاب‌آوری در برابر بلایا و اثرات بلایا بر زندگی واقعی به ندرت مورد مطالعه قرار گرفته است. علاوه بر این، بررسی توزیع فضایی تاب‌آوری در برابر بلایا و اینکه چگونه روابط بین شاخص‌های تاب‌آوری در برابر بلایا و تأثیرات ناشی از بلایا از نظر مکانی متفاوت است، می‌تواند به جوامع محلی کمک کند تا برنامه مدیریت بلایای خاص منطقه را سفارشی کنند. برای غلبه بر این شکاف‌ها در این زمینه، این مطالعه حول دو سؤال تحقیقاتی گسترده تکامل می‌یابد: (1) آیا انعطاف‌پذیری در برابر بلایا در جوامع ساحلی ایالات متحده متفاوت است و اگر چنین است، آیا الگوی فضایی تاب آوری در برابر بلایا وجود دارد؟ و (2) آیا رابطه مکانی یا غیرمکانی بین شاخص‌های تاب‌آوری در برابر بلایا و خسارات ناشی از بلایا در سواحل ایالات متحده وجود دارد؟ طبق آمار اداره سرشماری ایالات متحده، خط ساحلی کل ایالات متحده بیش از 12000 مایل طول دارد. بنابراین، چگونگی تغییر تاب‌آوری در برابر بلایا از مکانی به مکان دیگر در یک منطقه جغرافیایی بزرگ مانند ساحلی ایالات متحده باید مورد بررسی قرار گیرد و می‌تواند اطلاعات مهمی را در مورد مدیریت کلی بلایا در این منطقه نشان دهد.
در این مطالعه، ما ابتدا یک شاخص تاب‌آوری جامعه در برابر بلایا (CCDRI) را بر اساس متغیرهای تاب‌آوری از ابعاد مختلف تاب‌آوری با استفاده از روش‌های ریاضی و آماری رایج ایجاد کردیم. سپس ما رابطه بین متغیرهای مورد استفاده برای ایجاد CCDRI و تلفات بلایای متحمل شده توسط جوامع ساحلی را بررسی کردیم تا ببینیم که چگونه متغیرهای انعطاف‌پذیری بر تلفات بلایا مانند آسیب اموال در این منطقه تأثیر می‌گذارند.

2. مواد و روشها

2.1. منطقه مطالعه

این مطالعه بر روی شهرستان های ساحلی ایالات متحده متمرکز است که در آن هر شهرستان به عنوان یک “جامعه” در نظر گرفته می شود. بر اساس برنامه مدیریت منطقه ساحلی (CZMP)، که مشارکتی بین دولت فدرال ایالات متحده و ایالت ها و مناطق ساحلی و دریاچه بزرگ است که توسط قانون مدیریت منطقه ساحلی در سال 1972 تایید شده است [36]، 414 قلمرو ساحلی در این منطقه وجود داشت . ایالات متحده در سال 2009، و در میان آنها 397 شهرستان است. این 397 شهرستان به عنوان منطقه مورد مطالعه انتخاب شدند که در این تحقیق به عنوان “جامعه” در نظر گرفته شدند ( شکل 1).). اصطلاحات “جامعه” و “شهرستان” در این مطالعه به جای یکدیگر استفاده می شوند. این شهرستان ها در مجاورت اقیانوس اطلس و اقیانوس آرام و همچنین پنج دریاچه بزرگ ایالات متحده هستند. تفاوت های زیادی در ویژگی های جغرافیایی، جوی و محیطی در این شهرستان های ساحلی وجود دارد. به عنوان مثال، بالاترین میانگین ارتفاع یک جامعه 923 متر (کانتی واتکام، واشنگتن) و کمترین میانگین ارتفاع 1.82 متر (پاریش پلاکمینز، لوئیزیانا) در منطقه مورد مطالعه است. میانگین ارتفاع همه این شهرستان ها 125.9 متر است. علاوه بر این، با توجه به اداره سرشماری ایالات متحده، شهرستان لس آنجلس، کالیفرنیا با جمعیت بیش از 9.81 میلیون نفر در سال 2010 پرجمعیت ترین شهرستان است. از سوی دیگر، کمترین جمعیت در شهرستان کندی، تگزاس ثبت شده است که تنها 416 نفر در آنجا زندگی می کنند. در سال 2010.51,829.03 دلار در سال 2010 در این شهرستان های ساحلی. با این حال، بالاترین درآمد متوسط ​​خانوار در شهرستان فیرفکس، ویرجینیا ( 105,416 دلار ) و کمترین درآمد خانوار ( 22,881 دلار ) در شهرستان ویلاسی، تگزاس مشاهده شد. این تفاوت ها همچنین در مورد آسیب اموال ناشی از خطرات ساحلی منعکس می شود. تنها بین سال های 2001 تا 2010 در این شهرستان های ساحلی بیش از 4.6 میلیارد دلار خسارت مالی ناشی از حوادث سیل ایجاد شده است . شهرستان کوک، ایلینوی بیشترین خسارت مالی ناشی از سیل را در آن دوره 10 ساله متحمل شد (در مجموع بیش از 369.5 میلیون دلار ) که در مجموع 61 شهرستان هیچ خسارت مالی ناشی از سیل نداشتند.

2.2. داده ها

داده های این تحقیق از 9 منبع داده مختلف جمع آوری شد ( جدول 1 ). همانطور که قبلا ذکر شد، این تحقیق بر روی سال 2010 برای ساخت و تجزیه و تحلیل شاخص تاب آوری ترکیبی تمرکز دارد، سرشماری دهه 2010 بیشترین استفاده را در مجموعه داده ها دارد. با این حال، داده ها برای همه متغیرهای تاب آوری برای سال 2010 همیشه در دسترس نبود ( جدول 1 ). برای متغیرهایی که داده‌های مربوط به سال 2010 در دسترس نبود، داده‌ها برای نزدیک‌ترین سال ممکن به سال 2010 به‌دست آمدند. به عنوان مثال، ما از مجموعه داده‌های پوشش زمین ملی (NLCD) برای سال 2011 برای متغیری به نام درصد تالاب‌ها به عنوان سال 2011 استفاده کردیم. نزدیکترین سال به سال 2010
پس از جمع آوری داده ها برای متغیرها، مجموعه داده های خام با تبدیل مجموعه داده ها به درصد، نرخ و میانگین نرمال سازی شدند. عادی سازی مجموعه داده ها به گونه ای انجام شد که جوامع با اندازه ها و ویژگی های مختلف را بتوان مقایسه کرد [ 10 ]. پس از تبدیل و نرمال سازی داده های لازم، جهت هر متغیر به گونه ای تنظیم شد که مقادیر بزرگتر شبیه تاب آوری بالاتر باشد. در انجام این کار، برخی از مقادیر متغیر معکوس شدند [ 37 ].

2.3. ابعاد CCDRI

به طور کلی، یک شاخص از ترکیب مجموعه های مختلف متغیرها یا شاخص ها با استفاده از روش های ریاضی و آماری ایجاد می شود. در حالی که متغیرها نمی توانند به طور مستقیم یک پدیده را به صورت جداگانه اندازه گیری کنند، یک شاخص ترکیبی ایجاد شده از ترکیب آن متغیرها می تواند برای تصمیم گیری و مقایسه زمانی یک پدیده موثر باشد. طیف وسیعی از متغیرها توسط محققان در تلاش‌هایشان برای اندازه‌گیری تاب‌آوری جامعه در برابر بلایا استفاده شده است. این متغیرها ابعاد مختلف تاب‌آوری از جمله تاب‌آوری اجتماعی، اقتصادی، اجتماعی، انسانی، محیطی، زیرساختی، فیزیکی، اکولوژیکی و تاب‌آوری نهادی را نشان می‌دهند [10 ، 19 ، 22 ، 38 ، 39 ، 40 .]. بر اساس مطالعات قبلی، در ابتدا مجموعه‌ای از 44 متغیر انتخاب شد که نشان‌دهنده پنج بعد تاب‌آوری جامعه در برابر بلایا در این مطالعه است: اجتماعی، اقتصادی، مشارکت اجتماعی و سرمایه، مسکن/زیرساخت و تاب‌آوری محیطی. تجزیه و تحلیل چند خطی در میان آن مجموعه اولیه متغیرها انجام شد و چند متغیر حذف شدند زیرا درجه بالایی از چند خطی بودن را نشان دادند. پس از حذف، 25 متغیر برای تجزیه و تحلیل بیشتر انتخاب شدند.
همانطور که در بالا ذکر شد، متغیرها از پنج بعد مختلف تاب آوری در برابر بلایا بر اساس مطالعات قبلی انتخاب شدند. جدول 2 شرح مجموعه های نهایی 25 متغیر، بعد انعطاف پذیری مربوطه آنها و منابع داده برای آن متغیرها را نشان می دهد. جدول 2 همچنین مطالعات قبلی را نشان می دهد که از این متغیرها برای اندازه گیری تاب آوری در برابر بلایا به عنوان ابزاری برای توجیه گنجاندن آن متغیرها در این مطالعه استفاده می کردند. هر یک از پنج بعد تاب آوری دارای پنج متغیر است.
متغیرهای بعد اجتماعی شامل ویژگی های جمعیت شناختی یک جامعه از نظر جنسیت، رفاه جسمی و ارتباط موثر قبل، حین و بعد از یک حادثه فاجعه است. به عنوان مثال، انتظار ما این است که جامعه ای که تعداد پزشکان و بیمه سلامت بیشتری دارد نسبت به جوامعی که این ویژگی ها را ندارند، سطح بالاتری از تاب آوری در برابر بلایا را نشان دهد. به طور مشابه، جوامعی که دسترسی بیشتری به خدمات تلفنی و وسایل نقلیه شخصی دارند، آمادگی بهتری برای مقابله با فاجعه خواهند داشت و قبل و در حین وقوع یک فاجعه بهتر واکنش نشان خواهند داد. داشتن این ویژگی‌ها با ارتباطات مؤثر یک جامعه در زمان اضطرار مطابقت دارد که تاب‌آوری آن جامعه در برابر بلایا را افزایش می‌دهد. علاوه بر این،40 ].
جوامع با منابع اقتصادی و مالی قوی و همچنین برابری اقتصادی در بین گروه‌های قومی، نژادی و جنسیتی مختلف با بهبودی سریع‌تر و انعطاف‌پذیری بیشتر مطابقت دارند [ 23 ، 25 ]. بنابراین متغیرهای بعد اقتصادی این پژوهش شامل برابری اقتصادی و همچنین توانایی تولید منابع مالی یک جامعه است. ضریب جینی برابری توزیع درآمد را بین نژادها و قومیت های مختلف اندازه گیری می کند [ 23 ]. ما مقادیر ضرایب جینی را معکوس کردیم تا برابری بیشتر به معنای انعطاف پذیری بیشتر باشد. ما همچنین با اضافه کردن تفاوت مطلق معکوس بین درآمد متوسط ​​​​مرد و زن، برابری درآمد جنسیتی را در نظر گرفتیم. جوامع با سیاست دستمزد برابر در برابر بلایا مقاوم‌تر هستند [23 ]. علاوه بر این، توانایی تولید بیشتر منابع اقتصادی جوامع، آمادگی بهتری را در هنگام بلایا نشان می‌دهد و آن جوامع تمایل دارند سریع‌تر از اثرات بلایا بهبود یابند. بنابراین، جوامعی که درصد بالایی از نیروی کار شاغل و کارمند دولت فدرال دارند، مقاومت بیشتری در برابر بلایا دارند. علاوه بر این، کارمندان در بخش اشتغال موقت مانند کشاورزی، شیلات، جنگل‌داری، صنعت استخراج (مانند معدن)، یا صنعت گردشگری در برابر بلایا آسیب‌پذیرتر هستند [ 23 ].
مشارکت / مشارکت جامعه و همچنین سرمایه جامعه جنبه های مهم تاب آوری کلی جامعه هستند [ 15 ، 49 ]. در حالی که جوامع با سرمایه های اجتماعی بالاتر تمایل دارند سریعتر از اثرات بلایا بهبود یابند [ 15 ]، سطوح بالاتر مشارکت جامعه و مشارکت مدنی توانایی جوامع را برای مقابله با قبل و حین بلایا افزایش می دهد [ 23]]؛ بنابراین جوامع را در برابر بلایا مقاوم تر می کند. افرادی که برای مدت طولانی در یک جامعه زندگی می‌کنند، نگرش متعهدانه‌تر و درگیرتری نسبت به جامعه نشان می‌دهند که احتمال بیشتری دارد در زمان نیاز به کمک به ساکنان جامعه کمک کنند. علاوه بر این، جوامعی که درصد بیشتری از جمعیت وابسته به سازمان‌های محلی/مذهبی دارند، بیشتر از داشتن نوعی سرمایه اجتماعی برای کمک گرفتن به جز خانواده‌ها و همسایگان خود، تمایل دارند. علاوه بر این، ما درآمد سرانه مالی دولت های محلی را در بعد سرمایه اجتماعی این مطالعه قرار دادیم.
متغیرهای بعد مسکن/زیرساخت شامل مصالح ساختمانی و کیفیت ساخت مسکن و همچنین ظرفیت زیرساختی جوامع برای سرپناه‌های موقت، تخلیه اضطراری، مراقبت‌های پزشکی و نقاط قوت زیرساخت‌ها است. به عنوان مثال، خانه های متحرک در برابر خطرات ساحلی مانند طوفان های استوایی بسیار آسیب پذیر هستند. به طور مشابه، واحدهای مسکونی که اخیراً ساخته شده‌اند، در مقایسه با ساخت‌وسازهای قدیمی‌تر، در هنگام بلایا بیشتر متمایز می‌شوند. جوامع با طول جاده های بزرگتر می توانند برای تخلیه اضطراری بهتر برنامه ریزی کنند، در حالی که تعداد بیشتری از خانه های خالی که برای اجاره هستند می توانند برای پناهگاه های موقت در هنگام بلایا مفید باشند. علاوه بر این، جوامعی که تخت‌های بیمارستانی بیشتری دارند، می‌توانند با مراقبت‌های پزشکی به مجروحان خدمات بهتری ارائه دهند و در نتیجه تلفات ناشی از بلایا را کاهش دهند.

بعد زیست محیطی یکی دیگر از جنبه های مهم تاب آوری در برابر بلایا است. متغیرهای این بعد شامل درصد تالاب‌هایی است که می‌توانند به عنوان حائل سیل طبیعی در طول موج طوفان یا رویداد سیل عمل کنند و کیفیت محیطی جوامع را نشان می‌دهند که ظرفیت جذب را افزایش می‌دهد [23 ] . متغیر مهم دیگر این بعد میانگین ارتفاع جوامع است. در مناطق ساحلی مانند این مطالعه، ارتفاع می‌تواند نقش بسیار مهمی در جلوگیری از سیل و طوفان ناشی از طوفان استوایی و در نتیجه خسارت مالی و تلفات جانی انسان ایفا کند [ 50]]. درصد مساحت شهری نیز به عنوان یکی از متغیرهای منعکس کننده تاب آوری محیطی در نظر گرفته شد. همانطور که در مطالعه قبلی [ 51 ] یافت شد، منطقه شهری تمایل به نشان دادن تاب آوری بالاتر در برابر بلایا نسبت به مناطق روستایی دارد و توسط محققان قبلی به عنوان یک متغیر تاب آوری در مطالعه بلایا [ 47 ] استفاده شده است. ما همچنین قرار گرفتن در معرض خطر معکوس را به عنوان متغیر انعطاف پذیری محیطی در نظر گرفتیم. همانطور که قبلا ذکر شد، قرار گرفتن در معرض به عنوان یک تابع بسیار مهم برای اندازه گیری آسیب پذیری بلایا همراه با حساسیت و ظرفیت تطبیقی ​​در نظر گرفته می شود [ 3]]. علاوه بر این، سطح قرار گرفتن در معرض خطر به بهبود برنامه ریزی قبل از فاجعه و همچنین بازیابی پس از فاجعه جوامع کمک می کند. از آنجایی که قرار گرفتن در معرض خطرات طبیعی اغلب با شرایط ژئوفیزیکی یک جامعه مرتبط است، ما ارزش قرار گرفتن در معرض خطر معکوس را به عنوان متغیر انعطاف پذیری محیطی در نظر گرفتیم. ما فرض می کنیم که قرار گرفتن کمتر در معرض خطرات جامعه انعطاف پذیرتر را منعکس می کند. در این مطالعه، قرار گرفتن در معرض خطر با یک روش وزنی که در ابتدا توسط لام و همکاران توسعه داده شد، محاسبه شد. (2016) [ 44] به غیر از استفاده از تعداد رویدادهای خطرناک به عنوان قرار گرفتن در معرض. به عنوان مثال، طوفان کاترینا خسارات زیادی به برخی از جوامع ساحلی وارد کرد و یکی از پرهزینه ترین بلایای تاریخ ایالات متحده بود. طبیعتاً رویدادی مانند طوفان کاترینا وزن بیشتری نسبت به سایر رویدادهای مخاطره آمیز دارد که باعث آسیب ناچیز یا بدون آسیب در منطقه مورد مطالعه شده است. پنج نوع عمده خطرات ساحلی در این مطالعه در نظر گرفته شد که شامل طوفان، سیل، ساحلی (شامل موج طوفان و سیل ساحلی)، رعد و برق و گردباد می‌شود. داده های آسیب و رویداد خطر از پایگاه داده طوفان NCEI به دست آمد. پیروی از لام و همکاران. (2016) [ 44 ]، قرار گرفتن در معرض خطر با استفاده از معادله زیر محاسبه شد:

Eایکسپoستوrه(ایکس)=∑من=15∑j=1نایکسمن wمن(Dتوrآتیمنonمنj)

جایی که wمن= وزن از نوع خطر من; نایکسمن= تعداد نوع خطر مندر شهرستان رخ داد ایکس; و Dتوrآتیمنonمنj= تفاوت بین تاریخ شروع و پایان رویداد خطر jاز نوع من. وزن یک نوع خطر منبا استفاده از رابطه زیر محاسبه شد:

wمن=جمع خسارتمنجمع خسارت

جایی که جمع خسارتمن= آسیب کلی از نوع خطر منو جمع خسارت= خسارت کلی از همه خطرات. بنابراین، برای هر یک از پنج نوع خطر، یک مقدار مواجهه با خطر دریافت کردیم. سپس تمام پنج مقدار نوردهی با هم جمع شدند تا ارزش کل قرار گرفتن در هر شهرستان به دست آید.

2.4. ساخت CCDRI

تاب‌آوری جامعه در برابر بلایا یک مفهوم چند بعدی است [ 40 ] که شامل پنج بعد تاب‌آوری در برابر بلایا است که شامل تاب‌آوری اجتماعی، اقتصادی، مشارکت اجتماعی و سرمایه، مسکن/زیرساخت و تاب‌آوری محیطی است. برای اندازه‌گیری و مقایسه تاب‌آوری جامعه در برابر بلایا در سراسر منطقه مورد مطالعه خود، یک شاخص (CCDRI) ساختیم. برای انجام این کار، PCA با چرخش واریماکس در SPSS (نسخه 26) برای کاهش تعداد متغیرها از لیست 25 متغیر در پنج بعد تاب آوری ابتدا استفاده شد. پس از بررسی نتایج PCA، هشت مولفه با مقادیر ویژه بیشتر از 1.0 از پنج بعد ذکر شده قبلی استخراج شد تا با تولید امتیازهای عامل، تاب‌آوری جامعه در برابر بلایا را کمی کند. جدول 3متغیرهای غالب و ابعاد تاب آوری مربوطه آنها را در هشت مؤلفه نشان می دهد که 7/69 درصد از واریانس داده ها را توضیح می دهد. جالب توجه است که این مؤلفه‌ها با متغیرهایی از ابعاد چندگانه مشخص می‌شوند و بنابراین، مؤلفه‌های بین‌بعدی تاب‌آوری در برابر بلایا را ایجاد می‌کنند. به عنوان مثال، مؤلفه اول از سه بعد مختلف تاب آوری تحت سلطه سه متغیر (مالی دولت محلی، درآمد سرانه، طول کل جاده ها در کیلومتر مربع و درصد مساحت شهری) است و ما آن را بر اساس ابعاد نامگذاری کردیم. که هر یک از آن متغیرها نشان می دهد ( جدول 3 ).
سپس هشت جزء چند بعدی در یک اندازه گیری واحد ترکیب شدند تا CCDRI را ایجاد کنند. در انجام این کار، یک مدل افزایشی برای ساخت CCDRI کلی برای منطقه مورد مطالعه استفاده شد. از آنجایی که هنوز یک روش شناخته شده برای تخصیص وزن به مولفه ها وجود ندارد [ 40 ]، یک مدل افزایشی بهترین گزینه برای ترکیب اجزای چند بعدی در یک مقدار منفرد است [ 30 ]. علاوه بر این، از آنجایی که جهت متغیرها نشان می دهد که مقدار بالاتر به معنای انعطاف پذیری بیشتر است، امتیاز CCDRI بالا با جامعه انعطاف پذیرتر مطابقت دارد. علاوه بر این، ما فرض کردیم که هر جزء به یک اندازه مهم است و وزن یکسانی با CCDRI کلی در منطقه مورد مطالعه دارد.

2.5. تجزیه و تحلیل داده ها

پس از محاسبه CCDRI، ما تجزیه و تحلیل های خود را با بررسی توزیع فضایی CCDRI برای بررسی جوامع بالا و کمتر انعطاف پذیر در منطقه مورد مطالعه خود گسترش دادیم. سپس از شاخص محلی خودهمبستگی فضایی (LISA) در ArcGIS برای ارزیابی نقاط داغ، نقاط سرد و نقاط پرت فضایی از نظر آماری با محاسبه آماره Moran’s I برای امتیازات CCDRI و هشت مولفه انعطاف‌پذیری از تجزیه و تحلیل PCA استفاده کردیم. نقاط داغ توسط خوشه های بالا-بالا و نقاط سرد با خوشه های کم-پایین نشان داده می شوند. خوشه های زیاد-کم و کم-بالا نقاط پرت فضایی هستند. نقاط داغ دارای خوشه‌های تاب‌آوری بالا در یک محله با تاب‌آوری بالا و نقاط سرد دارای خوشه‌های تاب‌آوری پایین در محله‌ای با تاب‌آوری پایین هستند.
همانطور که قبلا ذکر شد، تاب آوری جامعه به عنوان ظرفیت جامعه برای جذب/کاهش اثرات نامطلوب بلایا در این تحقیق دیده می شود. ظرفیت یک جامعه برای جذب اثرات منفی بلایا را می توان با آسیب مالی یا تلفات جانی انسانی ناشی از بلایا توسط یک جامعه نشان داد [ 40 ، 44 ]. بنابراین، جامعه تاب‌آورتر، آسیب‌های مالی و تلفات کمتری را در اثر بلایا تجربه خواهد کرد.
برای آزمایش این نظریه، و اثربخشی متغیرهای مورد استفاده برای اندازه‌گیری CCDRI در این مطالعه، از هر دو مدل حداقل مربعات معمولی (OLS) و رگرسیون وزن‌دار جغرافیایی (GWR) استفاده کردیم. خسارت مالی فردی (دلار آمریکا) ناشی از پنج نوع خطر ساحلی (طوفان، سیل، ساحلی، رعد و برق، و گردباد) بین سال‌های 2001 تا 2010 برای محاسبه کل خسارت مالی در این تحقیق استفاده شد. برای به حداقل رساندن اثرات اندازه (برخی شهرستان ها در مقایسه با سایر شهرستان ها از نظر وسعت بسیار بزرگ هستند) و موقعیت (برخی از شهرستان ها در یک منطقه شهری با تراکم بالا در مقایسه با برخی از شهرستان های روستایی قرار دارند)، کل خسارت مالی بر جمعیت کل در هر شهرستان تقسیم شد. دریافت سرانه خسارت اموال پایگاه داده طوفان NCEI برای به دست آوردن داده های خسارت اموال استفاده شد.
متغیر وابسته، لگ تبدیل شده به سرانه خسارت دارایی بین سال‌های 2001 و 2010، در برابر متغیرهای مستقل، هشت مولفه انعطاف‌پذیری از تجزیه و تحلیل PCA با استفاده از هر دو مدل OLS و GWR برای آزمایش تأثیرات هشت مؤلفه تاب‌آوری بر تأثیرات زندگی واقعی پس‌رفت شد. بلایا در منطقه مورد مطالعه – خسارت اموال. ArcGIS برای اجرای هر دو مدل OLS و GWR استفاده شد. در حالی که GWR تغییرات فضایی را مدل می‌کند و روابط بین متغیرهای وابسته و مستقل را در مکان‌های جغرافیایی بررسی می‌کند، مدل OLS یک رابطه ثابت را بین متغیرها در نظر می‌گیرد [ 52] .]. علاوه بر این، در حالی که OLS تأثیر کلی متغیرهای وابسته را بر متغیرهای مستقل ارائه می دهد، GWR ضرایبی را برای هر یک از متغیرهای مستقل برای همه واحدهای جغرافیایی (شهرستان ها در این مقاله) ارائه می دهد [40 ] . برای ارزیابی تناسب مدل‌ها از معیار اطلاعات آکایک اصلاح‌شده (AICc) استفاده شد. AICc بر اساس تفاوت بین مقادیر مشاهده شده و پیش بینی شده محاسبه می شود. بنابراین، هرچه مقدار AICc کمتر باشد، مدل مناسب‌تر است.

3. نتایج

3.1. ویژگی های تاب آوری جامعه مرکب در برابر بلایا

در این مطالعه، ما تاب‌آوری جامعه در برابر بلایا را با استفاده از شاخص ترکیبی (CCDRI) ساخته شده از هشت مؤلفه مختلف تاب‌آوری در بلایا ارزیابی کردیم. سپس توزیع فضایی امتیاز CCDRI را در سراسر شهرستان‌های ساحلی ایالات متحده بررسی کردیم. میانگین امتیاز CCDRI 0.00 با یک امتیاز تقریباً توزیع شده نرمال است. انحراف استاندارد امتیاز CCDRI 2.83 است و یک مقدار متوسط ​​کوچکتر از میانگین (0.32-) با چولگی مثبت کوچکتر (0.16) نشان می دهد که توزیع امتیاز CCDRI دارای چولگی مثبت کمی است. حداقل مقدار امتیاز CCDRI 12.73- (کمترین انعطاف پذیری) و حداکثر مقدار 8.69 (مقاوم ترین) است.
توزیع فضایی امتیازات CCDRI به صورت منطقه ای متفاوت است ( شکل 2آ). با استفاده از طبقه بندی شکست های طبیعی (Jenks) در ArcGIS، مقادیر بالاتر (> 1.37) امتیاز CCDRI در اطراف منطقه شمال شرقی ایالات متحده (عمدتا در مریلند، ویرجینیا، پنسیلوانیا، و از شمال به جنوب نیویورک، شمال شرقی ماساچوست متمرکز شده است. و رود آیلند). سایر شهرستان ها با ارزش های بالا در ایالت های اطراف دریاچه های بزرگ (عمدتا در شمال میشیگان، شمال شرقی ویسکانسین و مینه سوتا) قرار دارند. علاوه بر این، بخش غربی شهرستان‌های ساحلی در منطقه مورد مطالعه، که از سه ایالت شامل کالیفرنیا، اورگان و واشنگتن تشکیل شده است، شامل چند شهرستان با امتیاز CCDRI بالا است. با این حال، بسیاری از شهرستان های ساحلی در این سه ایالت دارای مقادیر کم و متوسط ​​امتیاز CCDRI هستند (مقادیر بین 3.31- و 1.37). کمترین مقادیر امتیاز CCDRI (<-0. 87) عمدتاً در منطقه جنوب شرقی منطقه مورد مطالعه قرار دارند که پنج ایالت از جمله فلوریدا، می سی سی پی، آلاباما، لوئیزیانا و بخش شمالی تگزاس را پوشش می دهد. بخش جنوبی ایالت تگزاس غلظت بالای نمرات CCDRI را نشان می دهد. ما همچنین از آمار محلی Moran’s I (LISA) برای بررسی خوشه های آماری معنی دار تاب آوری در برابر بلایا در میان شهرستان های ساحلی استفاده کرده ایم.شکل 2 ب). مانند توزیع فضایی امتیازات CCDRI، خوشه‌های نقاط داغ که مربوط به جوامع انعطاف‌پذیری بالا در محله‌ای با انعطاف‌پذیری بالا است، در منطقه شمال شرقی منطقه مورد مطالعه و اطراف برخی از بخش‌های دریاچه‌های بزرگ (شمال میشیگان، شمال شرقی ویسکانسین، و مینه سوتا). با این حال، برخی نقاط پرت فضایی از خوشه‌های کم-بالا (تاب‌آوری کم در یک محله با تاب‌آوری بالا) در منطقه شمال شرقی نیز وجود دارد. خوشه‌های لکه‌های سرد مربوط به شهرستان‌های کم تاب‌آوری در محله‌ای با تاب‌آوری کم هستند و بیشتر در منطقه جنوب شرقی کشور قرار دارند ( شکل 2).ب). با این حال، مانند نقاط داغ، برخی نقاط پرت فضایی از خوشه‌های بالا-پایین وجود دارد که با تاب‌آوری بالا در یک محله با تاب‌آوری پایین در این منطقه نیز مطابقت دارد.
همانطور که قبلاً بحث شد، امتیاز CCDRI ترکیبی از هشت مؤلفه تاب آوری است که پنج بعد تاب آوری در برابر بلایا را نشان می دهد ( جدول 3 ). با این حال، این مولفه ها بسته به شرایط محلی از نظر جغرافیایی متفاوت هستند. شکل 3 خوشه های نقطه داغ و نقطه سرد هشت جزء ارتجاعی را نشان می دهد. خوشه های فضایی این مولفه ها تقریباً از همان الگوی خوشه های فضایی امتیازات CCDRI پیروی می کنند که در شکل 2 نشان داده شده است.ب) به استثنای برخی موارد به عنوان مثال، مؤلفه اول، بعد سرمایه جامعه-زیست محیطی-زیرساختی تاب آوری در برابر بلایا که از درآمدهای دولت محلی، درصد مساحت شهری و طول کل جاده های اصلی یک جامعه تشکیل شده است، دارای خوشه های نقطه داغ در منطقه شمال شرقی است. به ویژه در و اطراف نیوجرسی و نیویورک) منطقه مورد مطالعه و خوشه های لکه های سرد در جنوب شرقی ایالات متحده و اطراف منطقه دریاچه های بزرگ ( شکل 3 a). بدیهی است که این جوامع ساحلی شمال شرقی عمدتاً بخشی از مناطق کلانشهری با سرمایه های اجتماعی قوی تر و شبکه های جاده ای اصلی در اختیار آنها نسبت به سایر جوامع در منطقه مورد مطالعه است. بعد اجتماعی-زیرساختی (مولفه 2؛ شکل 3ب)، بعد مشارکت اقتصادی-جامعه (مولفه 4؛ شکل 3 د) و بعد محیطی-اجتماعی (مولفه 6؛ شکل 3 f) الگوی تقریباً مشابهی مانند مؤلفه 1 دارند، اگرچه یک خوشه کوچک از نقاط داغ در منطقه جنوب شرقی نشان داده شده است (عمدتا در برخی از مناطق فلوریدا و جورجیا). مولفه 3 (اجتماعی-محیطی) نقاط داغ اطراف دریاچه های بزرگ و بخش غربی منطقه مورد مطالعه و نقاط سرد در منطقه جنوب شرقی را نشان می دهد ( شکل 3) .ج). مؤلفه 7 که عمدتاً با قرار گرفتن در معرض خطر معکوس و درصد سن رأی دادن افراد شرکت کننده در آخرین متغیر انتخابات ملی نشان داده می شود، خوشه های آماری معنی داری از نقاط داغ در اطراف بخش شمالی دریاچه های بزرگ و نقاط سرد در اطراف مناطق شمال شرقی و جنوب شرقی را نشان می دهد. ( شکل 3g) در درجه اول نشان می دهد که هر دو منطقه شمال شرقی و جنوب شرقی منطقه مورد مطالعه در معرض خطر بالایی به دلیل حوادث مکرر فاجعه مانند طوفان و سیل با خسارات مالی بالا در مقایسه با قسمت شمالی منطقه دریاچه های بزرگ قرار دارند. وابستگی به سازمان‌های مذهبی که نوعی سرمایه اجتماعی را نشان می‌دهد و یکی از متغیرهای اولیه مؤلفه 8 است، دارای خوشه‌های نقاط سرد است که عمدتاً در فلوریدا و بخش غربی منطقه مورد مطالعه متمرکز شده‌اند (شکل 3) .h). خوشه های نقطه داغ این جزء عمدتا در منطقه شمال شرقی و اطراف لوئیزیانا و تگزاس هستند. یکی دیگر از متغیرهای غالب مولفه 8 درصد تالاب های یک جامعه است. نقاط داغ جزء 8 در اطراف منطقه لوئیزیانا-تگزاس این واقعیت را تأیید می کند که این منطقه دارای بالاترین میزان تالاب در سطح ملی است.

3.2. اثرات تاب آوری جامعه در برابر بلایا بر خسارات اموال

از آنجایی که جوامع با تاب‌آوری بالاتر به کاهش آسیب‌پذیری در برابر بلایا و افزایش ظرفیت سازگاری به عنوان تلاشی برای کاهش اثرات بلایا کمک می‌کنند، درک ما این است که جوامع تاب‌آورتر، همانطور که با هشت مؤلفه تاب‌آوری از پنج بعد مختلف تاب‌آوری در بلایا اندازه‌گیری می‌شوند، ممکن است اثرات بلایای کمتری مانند خسارت مالی و تلفات جانی را تجربه کرده اند. از آنجایی که تلفات بلایای طبیعی در ایالات متحده در مقایسه با سایر کشورهای در حال توسعه در جهان بسیار کم است، ما این فرضیه را با آسیب اموال بلایا و با انجام تحلیل‌های رگرسیون OLS و GWR آزمایش کردیم. در هر دو مدل OLS و GWR، خسارت اموال بلایا ناشی از پنج خطر بزرگ ساحلی بین سال‌های 2001 و 2010 به عنوان متغیر وابسته و هشت مؤلفه تاب‌آوری متغیرهای توضیحی/مستقل بودند. قبل از انجام OLS و GWR، ما توزیع فضایی آسیب اموال در سراسر منطقه مورد مطالعه و خوشه‌های فضایی آسیب را با استفاده از LISA در ArcGIS بررسی کردیم.شکل 4 ). ما آسیب اموال را به صورت دستی به شش کلاس (از خیلی کم تا خیلی زیاد) برای هدف تجسم طبقه بندی کردیم ( شکل 4 الف). همانطور که در شکل 4 الف نشان داده شده است، ارزش خسارت بالای اموال (> 5000 دلار ) در اطراف جنوب غربی فلوریدا و منطقه لوئیزیانا-می سی سی پی متمرکز شده است. در بخش شمال شرقی منطقه مورد مطالعه، عمدتاً شهرستان‌هایی با خسارت مالی کم ناشی از بلایای ساحلی در دوره 10 ساله (2001-2010) در اطراف دریاچه‌های بزرگ و برخی از بخش‌های ضلع غربی منطقه مورد مطالعه دیده می‌شوند. این الگو بیشتر توسط آمار محلی موران I (LISA) تایید می شود. شکل 4b نشان می دهد که یک خوشه آماری معنی دار از نقاط داغ (خسارات اموال بالا در محله ای با آسیب زیاد) در منطقه لوئیزیانا-می سی سی پی وجود دارد. نقاط سرد (خسارات اموال کم در محله کم خسارت اموال) در شمال شرقی، برخی از بخش‌های ضلع غربی و جنوب شرقی (گرجستان و کارولیناس) منطقه مورد مطالعه دیده می‌شود.
ما همچنین الگوی فضایی آسیب اموال بلایا را در منطقه مورد مطالعه با استفاده از ابزار خودهمبستگی فضایی (Moran’s I) در ArcGIS تحلیل کردیم. از نظر آماری معنی دار ( ص< 0.001) امتیاز موران I 0.28 با z-score 15.095 نشان می دهد که آسیب اموال ناشی از بلایای ساحلی به طور مساوی در سراسر منطقه مورد مطالعه توزیع نشده است و وجود مشکل خود همبستگی فضایی در ارزش خسارت اموال. بنابراین، یک مدل GWR رابطه متغیرهای وابسته و مستقل را بهتر توضیح می‌دهد، زیرا GWR می‌تواند تغییرات مکانی در داده‌ها را با ارائه ضرایب فردی هر متغیر مستقل برای همه شهرستان‌ها مدل‌سازی کند، جایی که OLS تأثیر کلی متغیرهای مستقل را بر متغیر وابسته نشان می‌دهد. . علاوه بر این، یک مدل GWR می‌تواند ویژگی‌های محلی هر جامعه را آشکار کند و در عین حال مشکل خودهمبستگی فضایی را به حداقل برساند.جدول 4 مقادیر متوسط ​​ضرایب و انحراف استاندارد را برای همه جوامع مدل GWR و مقادیر ضرایب مدل OLS را نشان می دهد.

3.2.1. نتایج OLS

تأثیر مؤلفه‌های انعطاف‌پذیری بر آسیب اموال بلایا در ابتدا با استفاده از OLS مورد بررسی قرار گرفت. همانطور که در جدول 4 نشان داده شده است، بین متغیرهای توضیحی (هشت مولفه تاب آوری) و متغیر وابسته (خسارت دارایی) روابط معنی دار آماری مشاهده می شود. مدل OLS 32 درصد از واریانس را با رگرسیون هشت مولفه انعطاف پذیری در برابر آسیب اموال فاجعه توضیح می دهد. شش متغیر از هشت متغیر مستقل از نظر آماری در مدل OLS با جهت منفی معنادار یافت شدند. این رابطه منفی بین متغیرهای توضیحی و متغیر وابسته نشان می‌دهد که یک رابطه معکوس (تاب‌آوری کمتر مربوط به آسیب اموال بیشتر در یک جامعه است) بین آنها در سراسر منطقه مورد مطالعه وجود دارد.
در مدل OLS، مؤلفه اجتماعی-محیطی که با درصد پوشش بیمه سلامت و میانگین ارتفاع یک جامعه نشان داده می شود، بیشترین تأثیر منفی را بر خسارت اموال فاجعه داشت. یک واحد افزایش تاب‌آوری اجتماعی-محیطی، خسارت اموال بلایا را تا 42 درصد کاهش می‌دهد (β = 0.42، p .< 0.001) در منطقه مورد مطالعه. این نتیجه بیانیه قبلی ما را تأیید می کند که ارتفاع بالاتر در مناطق ساحلی تاب آوری در برابر بلایا را در یک جامعه به حداکثر می رساند. علاوه بر این، ساکنان تحت پوشش بیمه درمانی در یک جامعه تمایل به افزایش تاب آوری جامعه دارند. مشارکت زیست محیطی-اجتماعی (اندازه گیری شده با قرار گرفتن در معرض خطر معکوس و درصد افراد شرکت کننده در انتخابات ملی)، سرمایه جامعه-زیست محیطی-زیرساختی (اندازه گیری شده توسط منابع مالی دولت محلی، درصد منطقه شهری، و طول کل جاده های اصلی در یک جامعه)، و مولفه های تاب آوری محیطی-اجتماعی (اندازه گیری شده با درصد از دست رفته زمین وارونه و اثربخشی یک جامعه در ارتباطات) اثرات منفی قوی بر آسیب اموال بلایا در منطقه مورد مطالعه داشتند که در جدول 4 نشان داده شده است .. افزایش واحد در هر یک از این مؤلفه ها، خسارت اموال ناشی از بلایا را حدود 25 درصد در مدل OLS کاهش می دهد. علاوه بر این، درآمد بیشتری که توسط دولت محلی ایجاد می‌شود، انعطاف‌پذیری بالایی را نشان می‌دهد، زیرا آنها می‌توانند به طور مؤثرتری نسبت به سایرین با منابع در دسترس به جامعه محلی در هنگام شرایط اضطراری کمک کنند و بنابراین تمایل دارند آسیب مالی کمتری را تجربه کنند. به طور مشابه، عوامل محیطی مانند مناطق شهری بیشتر و مساحت کمتر از دست رفته در یک جامعه، انعطاف‌پذیری کلی را افزایش می‌دهند و در نتیجه با آسیب کمتری به اموال مطابقت دارد که در مطالعات قبلی مشاهده شد [ 47 ، 51 ]. علاوه بر این، این مطالعه همچنین نشان داد که افزایش واحد در مؤلفه مسکن-اقتصادی تاب‌آوری در برابر بلایا باعث کاهش 13 درصدی خسارت اموال در منطقه مورد مطالعه در مدل OLS می‌شود.جدول 4). ظرفیت های زیرساختی یک جامعه به حداقل رساندن خسارات ناشی از بلایا و تقویت تاب آوری کلی جامعه همانطور که در این مطالعه یافت می شود. جاده‌های اصلی، تخت‌های بیمارستانی و خانه‌های خالی برای اجاره به عنوان متغیرهای غالب در بعد زیرساختی تاب‌آوری به افزایش تاب‌آوری جامعه در برابر بلایا کمک می‌کنند. متغیرهایی مانند واحدهای مسکونی که اخیراً ساخته شده‌اند و خانه‌های سیار نیستند (اجتماعی-زیرساختی، مؤلفه 2) نیز تأثیر بسزایی در کاهش خسارات اموال ناشی از بلایا دارند. واحدهای مسکونی که نسبتاً جدید و مستحکم هستند، در مقایسه با سازه‌های مسکونی که همانطور که انتظار می‌رود قدیمی هستند، تأثیرات مخاطرات ساحلی را حفظ می‌کنند.
3.2.2. نتایج GWR
تمام مولفه هایی که به شدت و به طور منفی با آسیب اموال در مدل OLS مرتبط هستند، همچنین بر آسیب اموال در مدل GWR همانطور که در جدول 4 مشاهده می شود، تأثیر منفی می گذارند . با این حال، در مدل GWR، با در نظر گرفتن تفاوت‌های محلی، یک بهبود گسترده در واریانس توضیح داده شده از 32٪ در مدل OLS به 72٪ نشان می‌دهد. هر هشت مولفه تاب آوری به طور قابل توجهی بر کاهش آسیب اموال بلایا تأثیر می گذارد. تأثیرگذارترین متغیر در مدل GWR مؤلفه سرمایه جامعه – محیط زیست – زیرساخت است ( جدول 4) با افزایش یک واحدی این مؤلفه به طور متوسط ​​29 درصد از خسارت مالی در کل منطقه مورد مطالعه و به دنبال آن مولفه اجتماعی-محیطی کاهش می یابد. افزایش یک واحدی در مولفه اجتماعی-محیطی منجر به کاهش 19 درصدی به طور متوسط ​​در خسارت اموال در جوامع ساحلی خواهد شد. مؤلفه درگیری محیطی-اجتماعی، که با قرار گرفتن در معرض خطر معکوس و درصد سن رای دادن افراد در آخرین انتخابات در یک جامعه اندازه‌گیری می‌شود، متغیرهای تأثیرگذار دیگری در مدل GWR است که در جدول 4 نشان داده شده است .. افزایش واحد در این مؤلفه به طور متوسط ​​در منطقه مورد مطالعه، ارزش خسارت اموال را 14 درصد در مدل GWR کاهش می دهد. با این حال، از آنجایی که مدل GWR موقعیت جغرافیایی و تغییرات در داده ها را محاسبه می کند، تأثیر متغیرهای مستقل در منطقه مورد مطالعه متفاوت است. علاوه بر این، مقدار R2 بسیار بالاتر در مدل GWR نشان می‌دهد که ممکن است بین آسیب اموال و هشت مؤلفه تاب‌آوری در بلایا همان طور که در مطالعه قبلی نشان داده شده است، عدم ایستایی فضایی وجود داشته باشد [53 ] . ضرایب محلی نقشه برداری شده اند ( شکل 5 ) برای نشان دادن روابط متغیر فضایی بین آسیب اموال و هشت جزء انعطاف پذیری. شکل 5توزیع فضایی ضرایب در مدل GWR را نشان می دهد. همانطور که انتظار می رفت، اکثر مناطق مورد مطالعه دارای مقادیر منفی برای تمام ضرایب متغیر وابسته هستند که نشان دهنده یک رابطه منفی کلی بین متغیرهای وابسته و مستقل است. الگوی فضایی ضرایب نشان می دهد که روابط بین متغیرهای وابسته و مستقل در منطقه مورد مطالعه ثابت نیست. علاوه بر این، شکل 5مناطقی را با ضرایب فردی منفی بالا برای هر جزء مشخص می کند. به عنوان مثال، بخش جنوب غربی منطقه مورد مطالعه (در کالیفرنیا) دارای ضرایب منفی بیشتری از بعد سرمایه جامعه-زیست محیطی-زیرساختی در مقایسه با قسمت شمال شرقی منطقه مورد مطالعه است که نشان می دهد منطقه قبلی تأثیر بیشتری بر کاهش خسارت اموال دارد. نسبت به دومی برای این بعد. با این حال، این دقیقا برعکس در مورد بعد اجتماعی-زیرساختی است که در شکل 5 ب نشان داده شده است. ضرایب در مؤلفه اجتماعی-محیطی در قسمت جنوب غربی و جنوب شرقی منطقه مورد مطالعه دارای مقادیر منفی بزرگ تری است زیرا این بعد با میانگین ارتفاع و درصد بیمه شدگان بیمه سلامت نشان داده می شود ( شکل 5) .ج). ضرایب در مؤلفه‌های مشارکت مسکن-اقتصادی و محیطی-اجتماعی ( به ترتیب شکل 5 e,g) الگوهای تقریباً مشابهی از توزیع ضرایب دارند. اولی دارای ضرایب منفی بزرگتر در بخش های شمالی و جنوب غربی منطقه مورد مطالعه است که دومی دارای ضرایب منفی کوچکتری تنها در قسمت جنوبی است. هر دوی این مؤلفه ها دارای ضرایب منفی در اطراف ناحیه دریاچه های بزرگ هستند.
3.2.3. مقایسه بین مدل های OLS و GWR
مقادیر R 2 و AICc OLS و GWR در جدول 4 نشان داده شده است . مدل GWR دارای مقدار R 2 بالاتر (0.72) و مقدار AICc کمتر (895.516) نسبت به OLS (مقدار R 2 0.32 است و AICc 1060.035 است) که نشان دهنده عملکرد کلی بهتر برای مدل GWR است. مقدار R2 بالاتر در مدل GWR نشان می دهد که GWR رابطه بین آسیب اموال بلایا و اجزای انعطاف پذیری را بهتر از OLS مدل می کند. مقدار AICc کمتر در مدل GWR نسبت به مدل OLS نشان‌دهنده تقریب نزدیک‌تر مدل GWR به زندگی واقعی است.
با این حال، مقادیر R 2 و AICc فقط اطلاعاتی در مورد عملکرد کلی مدل ها ارائه می دهند. برای بررسی عدم ایستایی فضایی در منطقه مورد مطالعه، ما همچنین خود همبستگی فضایی (I موران جهانی) باقیمانده‌های هر دو مدل OLS و GWR را محاسبه کردیم. همانطور که در جدول 4 نشان داده شده است ، یک ارزش جهانی Moran’s I برای باقیمانده های OLS 0.51 وجود دارد. با این حال، در مدل GWR، مقدار I Moran به طور قابل توجهی به تنها 0.13 کاهش یافت. بنابراین، فرض استقلال باقیمانده در مدل OLS نقض شده است.
ما همچنین مقادیر Local R 2 مدل GWR را ترسیم کرده ایم ( شکل 6 ). همانطور که شکل 6 نشان می دهد، مقادیر R2 محلی از نظر مکانی در سراسر منطقه مورد مطالعه متفاوت است که نشان می دهد توانایی مولفه های انعطاف پذیری برای توضیح آسیب اموال فاجعه ثابت نیست و از نظر مکانی متفاوت است. علاوه بر این، مقادیر R 2 محلی در بیش از 80٪ مناطق بیشتر از مقدار R 2 جهانی (OLS) 0.32 است. این نتایج تأیید می‌کنند که تاب‌آوری در برابر بلایا با آسیب اموال بلایا که در منطقه مورد مطالعه یافت می‌شود رابطه معکوس دارد و این رابطه در سراسر فضا تغییر می‌کند.

4. بحث

CCDRI به عنوان یک نقطه مرجع برای بازرسی وضعیت فعلی مقاومت در برابر بلایا جوامع ساحلی در ایالات متحده همسایه عمل می کند. حتی اگر هیچ آستانه قطعی امتیاز CCDRI برای انعطاف پذیری یک جامعه وجود ندارد، جوامع می توانند امتیازات CCDRI مربوطه خود را با جوامع همسایه مقایسه کنند. جوامع شمال شرقی در مقایسه با جنوب شرقی که بخش غربی ساحل سطح متوسطی از انعطاف‌پذیری اندازه‌گیری شده توسط CCDRI را نشان می‌دهد، انعطاف‌پذیری بالاتری نسبت به بلایا دارند. برای پاسخ به اولین سوال تحقیقاتی ما، در واقع، یک الگوی مکانی/جغرافیایی از انعطاف پذیری جامعه در برابر بلایا در سواحل ایالات متحده وجود دارد که توسط CCDRI نشان داده شده است. همانطور که در بالا نشان داده شد، اجزای مختلف تاب آوری در برابر بلایا تقریباً از الگوی مشابه پیروی می کنند. علاوه بر این، الگوهای فضایی تاب آوری چند بعدی همانطور که در این مطالعه نشان داده شده است می تواند تأثیر زیادی بر سیاست های محلی داشته باشد. دولت‌های محلی و همچنین سیاست‌گذاران می‌توانند بر حوزه‌های خاصی تمرکز کنند که در آن‌ها می‌توانند برای ارتقای تاب‌آوری کلی جامعه بهبود یابند. به عنوان مثال، شهرستان های ساحلی در ویرجینیا، مریلند و نیوجرسی (در قسمت شمال شرقی منطقه مورد مطالعه) انعطاف پذیری مسکن-اقتصادی ضعیف تری را نشان می دهند. سیاست‌هایی با هدف افزایش تعداد تخت‌های بیمارستانی، سرپناه‌های موقت برای شرایط اضطراری، و به حداقل رساندن شکاف دستمزد بین حقوق بگیران زن و مرد (زیرا این متغیرها در درجه اول بعد مسکن-اقتصادی را نشان می‌دهند) می‌تواند تاب‌آوری آنها را در این بعد و همچنین فاجعه مرکب آنها را افزایش دهد. انعطاف پذیری از سوی دیگر، جنوب شرقی فلوریدا در این بعد قوی تر است. دولت‌های محلی و همچنین سیاست‌گذاران می‌توانند بر حوزه‌های خاصی تمرکز کنند که در آن‌ها می‌توانند برای ارتقای تاب‌آوری کلی جامعه بهبود یابند. به عنوان مثال، شهرستان های ساحلی در ویرجینیا، مریلند و نیوجرسی (در قسمت شمال شرقی منطقه مورد مطالعه) انعطاف پذیری مسکن-اقتصادی ضعیف تری را نشان می دهند. سیاست‌هایی با هدف افزایش تعداد تخت‌های بیمارستانی، سرپناه‌های موقت برای شرایط اضطراری، و به حداقل رساندن شکاف دستمزد بین حقوق بگیران زن و مرد (زیرا این متغیرها در درجه اول بعد مسکن-اقتصادی را نشان می‌دهند) می‌تواند تاب‌آوری آنها را در این بعد و همچنین فاجعه مرکب آنها را افزایش دهد. انعطاف پذیری از سوی دیگر، جنوب شرقی فلوریدا در این بعد قوی تر است. دولت‌های محلی و همچنین سیاست‌گذاران می‌توانند بر حوزه‌های خاصی تمرکز کنند که در آن‌ها می‌توانند برای ارتقای تاب‌آوری کلی جامعه بهبود یابند. به عنوان مثال، شهرستان های ساحلی در ویرجینیا، مریلند و نیوجرسی (در قسمت شمال شرقی منطقه مورد مطالعه) انعطاف پذیری مسکن-اقتصادی ضعیف تری را نشان می دهند. سیاست‌هایی با هدف افزایش تعداد تخت‌های بیمارستانی، سرپناه‌های موقت برای شرایط اضطراری، و به حداقل رساندن شکاف دستمزد بین حقوق بگیران زن و مرد (زیرا این متغیرها در درجه اول بعد مسکن-اقتصادی را نشان می‌دهند) می‌تواند تاب‌آوری آنها را در این بعد و همچنین فاجعه مرکب آنها را افزایش دهد. انعطاف پذیری از سوی دیگر، جنوب شرقی فلوریدا در این بعد قوی تر است. و نیوجرسی (در قسمت شمال شرقی منطقه مورد مطالعه) تاب آوری مسکن-اقتصادی ضعیف تری را نشان می دهند. سیاست‌هایی با هدف افزایش تعداد تخت‌های بیمارستانی، سرپناه‌های موقت برای شرایط اضطراری، و به حداقل رساندن شکاف دستمزد بین حقوق بگیران زن و مرد (زیرا این متغیرها در درجه اول بعد مسکن-اقتصادی را نشان می‌دهند) می‌تواند تاب‌آوری آنها را در این بعد و همچنین فاجعه مرکب آنها را افزایش دهد. انعطاف پذیری از سوی دیگر، جنوب شرقی فلوریدا در این بعد قوی تر است. و نیوجرسی (در قسمت شمال شرقی منطقه مورد مطالعه) تاب آوری مسکن-اقتصادی ضعیف تری را نشان می دهند. سیاست‌هایی با هدف افزایش تعداد تخت‌های بیمارستانی، سرپناه‌های موقت برای شرایط اضطراری، و به حداقل رساندن شکاف دستمزد بین حقوق بگیران زن و مرد (زیرا این متغیرها در درجه اول بعد مسکن-اقتصادی را نشان می‌دهند) می‌تواند تاب‌آوری آنها را در این بعد و همچنین فاجعه مرکب آنها را افزایش دهد. انعطاف پذیری از سوی دیگر، جنوب شرقی فلوریدا در این بعد قوی تر است. و به حداقل رساندن شکاف دستمزد بین حقوق بگیران مرد و زن (زیرا این متغیرها در درجه اول بعد مسکن-اقتصادی را نشان می دهند) می تواند تاب آوری آنها را در این بعد و همچنین تاب آوری ترکیبی آنها در برابر بلایا را افزایش دهد. از سوی دیگر، جنوب شرقی فلوریدا در این بعد قوی تر است. و به حداقل رساندن شکاف دستمزد بین حقوق بگیران مرد و زن (زیرا این متغیرها در درجه اول بعد مسکن-اقتصادی را نشان می دهند) می تواند تاب آوری آنها را در این بعد و همچنین تاب آوری ترکیبی آنها در برابر بلایا را افزایش دهد. از سوی دیگر، جنوب شرقی فلوریدا در این بعد قوی تر است.شکل 3 e)، بنابراین این منطقه می تواند بر بهبود درصد پوشش بیمه سلامت (به عنوان بخشی از مولفه 3) در جوامع خود با انجام اقدامات لازم برای اطمینان از پوشش بیمه سلامت بیشتر در جامعه تمرکز کند (به عنوان مثال، یارانه دولت به بیمه نامه های درمانی) به عنوان اقدامی برای افزایش تاب آوری کلی در برابر بلایا در این منطقه. علاوه بر این، متغیرهای تاب‌آوری مورد استفاده در این تحقیق را می‌توان به راحتی در آینده برای اندازه‌گیری تغییرات تاب‌آوری در برابر بلایا در جوامع ساحلی و همچنین برای مقایسه تاب‌آوری کلی در طول زمان ارزیابی کرد.
با این حال، باید توجه داشت که همه متغیرهایی که تاب آوری جامعه را نشان می دهند برای یک منطقه جغرافیایی بزرگ [ 10 ] مانند این مطالعه قابل استفاده نیستند. برخی از متغیرها ممکن است در زمینه محلی مهم نباشند حتی اگر قبلاً برای اندازه گیری تاب آوری در برابر بلایا در مقیاس ملی استفاده شده باشند. به عنوان مثال، همانطور که توسط Cutter و تیم او نشان داده شد [ 23 ]، مهارت صحبت کردن به زبان انگلیسی ممکن است در جنوب شرقی فلوریدا به عنوان یک متغیر انعطاف پذیری قابل استفاده نباشد زیرا اطلاعات به هر دو زبان انگلیسی و اسپانیایی در این منطقه موجود است.
این مطالعه همچنین به بررسی روابط بین شاخص‌های تاب‌آوری و تلفات بلایا در منطقه مورد مطالعه می‌پردازد. در انجام این کار، این مطالعه از هر دو مدل رگرسیون جهانی (OLS) و مدل رگرسیون محلی (GWR) استفاده می‌کند تا تأثیر کلی شاخص‌های تاب‌آوری (همانطور که با هشت مؤلفه تاب‌آوری اندازه‌گیری می‌شود) بر آسیب اموال بلایا، و روابط متفاوت مکانی آن‌ها را به تصویر بکشد. به ترتیب. همانطور که انتظار می‌رفت، روابط منفی معنی‌داری بین شاخص‌های تاب‌آوری و آسیب اموال در هر دو مدل یافت شد که نشان می‌دهد جوامع انعطاف‌پذیرتر آسیب‌های مالی کمتری را از بلایا در منطقه مورد مطالعه تحمل می‌کنند. با این حال، تأثیرات شاخص‌های انعطاف‌پذیری مختلف در کاهش آسیب اموال در مدل GWR نسبت به مدل OLS متفاوت بود. این به این دلیل است که بر خلاف GWR، OLS تغییرات مکانی را در شاخص‌های تاب‌آوری و خسارات اموال بلایا در نظر نمی‌گیرد. تاب آوری جامعه در برابر بلایا از مکانی به مکان دیگر متفاوت است و به عنوان یک فرآیند طبیعی، بلایای طبیعی و خسارات مالی ناشی از این بلایا ناهمگونی فضایی بالایی را نیز نشان می دهد. بنابراین، نشان دادن روابط بین تاب‌آوری در بلایا و آسیب اموال با روش‌های رگرسیون مرسوم مانند OLS که یک مقدار میانگین تخمینی را برای کل منطقه مورد مطالعه بدون توجه به الگوهای فضایی ارائه می‌کند، دشوار است. با این وجود، تأثیرات ناهمگون متفاوت شاخص‌های تاب‌آوری بر آسیب اموال بلایا به ندرت قبلاً مورد مطالعه قرار گرفته است. نتایج بدست آمده در این مطالعه حاکی از ارتباط معنی‌دار متغیر مکانی بین شاخص‌های تاب‌آوری و خسارت اموال بلایا در منطقه مورد مطالعه است. GWR روشی مؤثر برای تعیین عدم ایستایی فضایی در هنگام بررسی تأثیر شاخص‌های انعطاف‌پذیری بر آسیب اموال ناشی از بلایا است. با R کلی بالاتر2 ارزش و برازش مدل بهتر (مقدار AICc پایین تر) نسبت به مدل OLS، GWR بینش جدیدی را در مورد روابط پویا بین تاب آوری جامعه و تأثیرات ناشی از فاجعه در این مطالعه ارائه می دهد. مهمتر از همه، نتایج مدل GWR ( بخش 3.2.2) همچنین می تواند برای مدیران اضطراری و رهبران محلی در زمینه آمادگی و سیاست های طرح بلایا مفید باشد. مدیران اورژانس می توانند مناطق خاصی را که نیاز به بهبود دارند شناسایی کنند تا تاب آوری کلی جامعه محلی در برابر بلایا را افزایش دهند. بدیهی است که برای کاهش اثرات بلایا و افزایش تاب‌آوری جامعه در برابر بلایا، سیاست‌های مدیریت بلایا باید برای جوامع فردی تنظیم شود. همانطور که GWR روابط محلی بین متغیرهای وابسته و مستقل را مدل می‌کند، سیاست‌های مبتنی بر نتایج GWR موثرتر خواهند بود زیرا شرایط محلی را منعکس می‌کنند تا یک سیاست کلی ملی. بر این اساس، GWR به سیاستگذاران و مدیران مجموعه ای از ضرایب خاص برای تصمیم گیری در جوامع خود ارائه می دهد. از این رو،

5. نتیجه گیری ها

در این مطالعه، ما ابتدا تاب‌آوری کلی جوامع ساحلی در ایالات متحده در برابر بلایا را بر اساس متغیرهایی که در مطالعات قبلی استفاده شده است اندازه‌گیری کردیم و پنج بعد مختلف تاب‌آوری در برابر بلایا (اجتماعی، اقتصادی، سرمایه و مشارکت اجتماعی، مسکن/زیرساخت) را نشان می‌دهد. و محیطی) با ایجاد امتیازهای شاخص ترکیبی تاب آوری جامعه با استفاده از PCA. PCA هشت جزء بین بعدی را ارائه می دهد. نتایج این مطالعه نشان می‌دهد که تاب‌آوری جامعه در برابر بلایای ساحلی در سراسر منطقه مورد مطالعه که در آن جوامع ساحلی شمال شرقی نسبت به جوامع جنوب شرقی نسبت به بلایا انعطاف‌پذیرتر هستند، متفاوت است.
علاوه بر این، این تحقیق اهمیت در نظر گرفتن تغییرات فضایی تاب آوری در برابر بلایا را که در مطالعات قبلی در مورد تاب آوری جامعه در برابر بلایا در ایالات متحده نادیده گرفته شده است را نشان می دهد. اولاً، تحلیل الگوی فضایی جوامع محلی (LISA) شواهدی را ارائه می‌دهد که جوامع شمالی در منطقه مورد مطالعه در یک منطقه خوشه‌ای با تاب‌آوری بالا و جوامع جنوبی در یک منطقه خوشه‌ای تاب‌آوری پایین قرار دارند. این الگو در مورد هشت مولفه تاب آوری بین بعدی مورد استفاده در این مطالعه تقریباً مشابه بود. نتایج بینش های عملی برای مشخص کردن منابعی ارائه می دهد که می تواند جوامع ساحلی را در برابر خطرات ساحلی انعطاف پذیرتر کند. تفاوت در ابعاد مختلف تاب آوری با سطوح تاب آوری در برابر بلایا (از کم به بالا) مطابقت دارد. از این رو،
مطالعات قبلی از متغیرهای مختلفی برای نمایش ابعاد مختلف تاب‌آوری و اندازه‌گیری تاب‌آوری کلی جوامع در برابر بلایا استفاده می‌کردند. با این حال، هیچ توجیهی برای استفاده از آن متغیرهای پراکسی تاب آوری ارائه نشده است. در این مطالعه، ما با بررسی تأثیر مؤلفه‌های تاب‌آوری بین‌بعدی بر تأثیرات واقعی بلایا (خسارات اموال ناشی از بلایا) در منطقه مورد مطالعه بر این شکاف دانش غلبه کردیم. به طور کلی، هرچه تاب آوری در برابر بلایا بالاتر باشد، اثرات نامطلوب بلایای متحمل شده توسط جوامع کمتر است. ما این فرضیه را با رگرسیون هشت مولفه تاب‌آوری در برابر آسیب اموال بلایا در منطقه مورد مطالعه آزمایش کردیم که همچنین به عنوان ابزاری برای توجیه استفاده از این مؤلفه‌ها برای اندازه‌گیری تاب‌آوری ترکیبی منطقه مورد مطالعه در برابر بلایا فراهم می‌کند. علاوه بر این، ما از هر دو مدل جهانی (OLS) و محلی (GWR) برای آزمایش این فرضیه استفاده کردیم زیرا مدل‌های جهانی قادر به گرفتن تغییرات مکانی در داده‌ها نیستند. نتایج حاصل از هر دو مدل نشان می‌دهد که مؤلفه‌های تاب‌آوری مورد استفاده در این مطالعه تأثیر آماری معناداری بر کاهش خسارت اموال بلایا در منطقه مورد مطالعه دارد. با این حال، مدل GWR در توضیح واریانس متغیر وابسته بهتر عمل کرد و ثابت کرد که برازش داده‌ها بهتر از مدل OLS است. با در نظر گرفتن تغییرات فضایی در مؤلفه‌های تاب‌آوری بین‌بعدی، مدل GWR نشان می‌دهد که هشت مؤلفه تاب‌آوری در بلایا تأثیرات متفاوتی در جوامع محلی دارند. نتایج حاصل از هر دو مدل نشان می‌دهد که مؤلفه‌های تاب‌آوری مورد استفاده در این مطالعه تأثیر آماری معناداری بر کاهش خسارت اموال بلایا در منطقه مورد مطالعه دارد. با این حال، مدل GWR در توضیح واریانس متغیر وابسته بهتر عمل کرد و ثابت کرد که برازش داده‌ها بهتر از مدل OLS است. با در نظر گرفتن تغییرات فضایی در مؤلفه‌های تاب‌آوری بین‌بعدی، مدل GWR نشان می‌دهد که هشت مؤلفه تاب‌آوری در بلایا تأثیرات متفاوتی در جوامع محلی دارند. نتایج حاصل از هر دو مدل نشان می‌دهد که مؤلفه‌های تاب‌آوری مورد استفاده در این مطالعه تأثیر آماری معناداری بر کاهش خسارت اموال بلایا در منطقه مورد مطالعه دارد. با این حال، مدل GWR در توضیح واریانس متغیر وابسته بهتر عمل کرد و ثابت کرد که برازش داده‌ها بهتر از مدل OLS است. با در نظر گرفتن تغییرات فضایی در مؤلفه‌های تاب‌آوری بین‌بعدی، مدل GWR نشان می‌دهد که هشت مؤلفه تاب‌آوری در بلایا تأثیرات متفاوتی در جوامع محلی دارند.
نتایج این مطالعه آشکارسازی مهمی را ارائه می‌کند که تغییرات فضایی مؤلفه‌های تاب‌آوری باید در زمینه تاب‌آوری در بلایا به‌ویژه در یک منطقه جغرافیایی بزرگ‌تر در نظر گرفته شود که ابعاد تاب‌آوری بسیار متفاوت است. علاوه بر این، هر جامعه در منطقه مورد مطالعه دارای ویژگی های گسسته تاب آوری در برابر بلایا است. بنابراین، جوامع باید استراتژی ها و سیاست های خود را برای افزایش تاب آوری کلی در برابر بلایا اولویت بندی کنند. به عنوان مثال، جوامعی که در بعد مسکن و زیربنایی آسیب پذیرتر هستند، باید افزایش ظرفیت های زیرساختی خود مانند احداث و حصول اطمینان از نگهداری مناسب جاده های اصلی، افزایش ظرفیت بیمارستان های محلی و غیره را نسبت به سایر ابعاد برای کاهش آسیب پذیری و بلایا در اولویت قرار دهند. تاثیرات به طور کلی، این مطالعه می‌تواند به مدیران اورژانس محلی و تصمیم‌گیرندگان جهت‌گیری منحصربه‌فرد به سمت یک رویکرد سیاست فعال‌تر در سطح محلی برای افزایش انعطاف‌پذیری جامعه در برابر بلایا و متعاقباً به حداقل رساندن اثرات نامطلوب بلایا ارائه دهد. در نهایت، برخی از عوامل فیزیکی دیگر مانند میانگین بارندگی سالانه را می توان در مطالعات آینده به عنوان متغیری برای اندازه گیری تاب آوری جامعه در برابر بلایا و اثرات بلایا بر جوامع ساحلی اضافه کرد که ممکن است نتایج بهتری ایجاد کند.

منابع

  1. Auld, H. کاهش خطر بلایا تحت شرایط آب و هوایی فعلی و در حال تغییر. گاو نر هواشناسی جهانی عضو. 2008 ، 57 ، 118-125. [ Google Scholar ]
  2. کوستانزا، آر. فارلی، جی. اقتصاد اکولوژیکی بلایای ساحلی: مقدمه ای بر موضوع ویژه. Ecol. اقتصاد 2007 ، 63 ، 249-253. [ Google Scholar ] [ CrossRef ]
  3. هیئت بین دولتی تغییرات آب و هوایی (IPCC). مدیریت خطرات حوادث و بلایای شدید برای پیشبرد سازگاری با تغییرات اقلیمی ؛ انتشارات دانشگاه کمبریج: کمبریج، انگلستان; نیویورک، نیویورک، ایالات متحده آمریکا، 2012. [ Google Scholar ] [ CrossRef ]
  4. لام، NSN; آرناس، اچ. بریتو، PL; لیو، ک. ارزیابی آسیب پذیری و ظرفیت انطباق با خطرات ساحلی در منطقه کارائیب. جی. ساحل. Res. 2014 ، 70 ، 473-478. [ Google Scholar ] [ CrossRef ]
  5. لوید، ام جی؛ پیل، دی. اردک، RW به سوی چارچوب انعطاف پذیری اجتماعی-اکولوژیکی برای برنامه ریزی ساحلی. سیاست کاربری زمین 2013 ، 30 ، 925-933. [ Google Scholar ] [ CrossRef ]
  6. کناتسون، تی آر. مک براید، جی ال. چان، جی. امانوئل، ک. هلند، جی. لندسی، سی. برگزار شد، من. کوسین، جی پی؛ سریواستاوا، AK; Sugi، M. طوفان های گرمسیری و تغییرات آب و هوا. نات. Geosci. 2010 ، 3 ، 157-163. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. نیکولز، RJ; Cazenave، A. افزایش سطح دریا و تأثیر آن بر مناطق ساحلی. Science 2010 , 328 , 1517-1520. [ Google Scholar ] [ CrossRef ]
  8. رفعت، SAA; لیو، و. Remote Sens. 2019 , 11 , 2493. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. Adger، WN تاب آوری اجتماعی و زیست محیطی: آیا آنها به هم مرتبط هستند؟ Prog. هوم Geogr. 2000 ، 24 ، 347-364. [ Google Scholar ] [ CrossRef ]
  10. کاتر، SL; برتون، سی جی; شاخص‌های مقاومت در برابر بلایای Emrich، CT برای محک زدن شرایط پایه. جی. هومل. امن ظهور. مدیریت 2010 ، 7 ، 1-22. [ Google Scholar ] [ CrossRef ]
  11. لام، NSN; پیس، ک. کامپانلا، آر. لسیج، جی. Arenas, H. بازگشت تجاری در نیواورلئان: تصمیم گیری در میان عدم قطعیت پس از کاترینا. PLoS ONE 2009 ، 4 ، e6765. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. لام، NSN; کیانگ، ی. آرناس، اچ. بریتو، پی. لیو، KB نقشه برداری و ارزیابی انعطاف پذیری ساحلی در منطقه کارائیب. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 315-322. [ Google Scholar ] [ CrossRef ]
  13. شورای تحقیقات ملی. مقاومت در برابر بلایا : یک ضرورت ملی انتشارات آکادمی ملی: واشنگتن، دی سی، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  14. Adger، WN; هیوز، تی پی؛ فولک، سی. کارپنتر، اس آر. Rockström، J. انعطاف پذیری اجتماعی-اکولوژیکی در برابر بلایای ساحلی. Science 2005 ، 309 ، 1036-1039. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  15. آلدریچ، DP Building Resilience: سرمایه اجتماعی در بازیابی پس از فاجعه . انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  16. برونو، ام. چانگ، SE; اگوچی، RT; لی، جی سی; O’Rourke، TD; راینهورن، AM; شینوزوکا، م. تیرنی، ک. والاس، WA; فون وینترفلد، دی. چارچوبی برای ارزیابی کمی و افزایش انعطاف پذیری لرزه ای جوامع. زمین Spectra 2003 , 19 , 733-752. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. Manyena, SB مفهوم تاب آوری مورد بازبینی قرار گرفت. بلایا 2006 ، 30 ، 434-450. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. نوریس، FH; استیونز، اس پی; Pfefferbaum، B. Wyche، KF; Pfefferbaum، RL تاب آوری جامعه به عنوان استعاره، نظریه، مجموعه ای از ظرفیت ها و استراتژی برای آمادگی در برابر بلایا. صبح. J. روانی جامعه. 2008 ، 41 ، 127-150. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. شریب، ک. نوریس، FH; Galea، S. اندازه گیری ظرفیت ها برای تاب آوری جامعه. Soc. اندیک. Res. 2010 ، 99 ، 227-247. [ Google Scholar ] [ CrossRef ]
  20. شریب، ک. لوئیس، کالیفرنیا؛ Pfefferbaum، RL; Pfefferbaum، BJD; دیاب، ای. نوریس، FH ارزیابی انعطاف پذیری جامعه در سواحل ایالات متحده با استفاده از مدیران مدارس به عنوان خبرچینان کلیدی. بین المللی J. کاهش خطر بلایا. 2012 ، 2 ، 6-15. [ Google Scholar ] [ CrossRef ]
  21. تیرنی، کی. حکمرانی فاجعه: ابعاد اجتماعی، سیاسی و اقتصادی. آنو. کشیش محیط زیست. منبع. 2012 ، 37 ، 341-363. [ Google Scholar ] [ CrossRef ]
  22. کاتر، SL; بارنز، ال. بری، م. برتون، سی. ایوانز، ای. تیت، ای. Webb, J. مدلی مبتنی بر مکان برای درک تاب آوری جامعه در برابر بلایای طبیعی. گلوب. محیط زیست چانگ. 2008 ، 18 ، 598-606. [ Google Scholar ] [ CrossRef ]
  23. کاتر، SL; خاکستر، KD; Emrich، CT جغرافیاهای تاب آوری جامعه در برابر بلایا. گلوب. محیط زیست چانگ. 2014 ، 29 ، 65-77. [ Google Scholar ] [ CrossRef ]
  24. Folke, C. Resilience: ظهور دیدگاهی برای تحلیل های سیستم های اجتماعی-اکولوژیکی. گلوب. محیط زیست چانگ. 2006 ، 16 ، 253-267. [ Google Scholar ] [ CrossRef ]
  25. راس، AD Local Disaster Resilience: Administrative and Political Perspectives . Routledge: نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  26. Engle, NL ظرفیت تطبیقی ​​و ارزیابی آن. گلوب. محیط زیست چانگ. 2011 ، 21 ، 647-656. [ Google Scholar ] [ CrossRef ]
  27. ترنر، BL; Kasperson، RE; Matsone، PA; مک کارتی، جی جی؛ کورل، RW؛ کریستنسن، ال. ایکلی، ن. Kasperson، JX; لورز، آ. Martello، ML; و همکاران چارچوبی برای تجزیه و تحلیل آسیب پذیری در علم پایداری Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2003 ، 100 ، 8074-8079. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  28. مک کارتی، جی جی؛ کانزیانی، اف. لیری، NA; داکن، دی جی؛ White, KS Climate Change 2001: تأثیرات، سازگاری و آسیب پذیری: مشارکت گروه کاری II در سومین گزارش ارزیابی پانل بین دولتی در مورد تغییرات اقلیمی . انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2001; جلد 2. [ Google Scholar ]
  29. کلاین، RJT; نیکولز، RJ; Thomalla، F. مقاومت در برابر خطرات طبیعی: این مفهوم چقدر مفید است؟ محیط زیست خطرات 2003 ، 5 ، 35-45. [ Google Scholar ] [ CrossRef ]
  30. کاتر، SL; بوروف، بی جی؛ شرلی، WL آسیب پذیری اجتماعی در برابر خطرات محیطی. Soc. علمی Q. 2003 , 84 , 242-261. [ Google Scholar ] [ CrossRef ]
  31. کاتر، SL; بارنز، ال. بری، م. برتون، سی. ایوانز، ای. تیت، ای. وب، جی. تاب آوری اجتماعی و منطقه ای: دیدگاه هایی از خطرات، بلایا و مدیریت اضطراری. جغرافیا 2008 ، 1 ، 2301-2306. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. حسین، م.ک. Meng, Q. یک روش نقشه برداری موضوعی برای ارزیابی و تجزیه و تحلیل خطرات و خطرات شهری بالقوه ناشی از سیل. محاسبه کنید. محیط زیست سیستم شهری 2020 ، 79 ، 101417. [ Google Scholar ] [ CrossRef ]
  33. سمپییر، تی. سوان، ال. ایمر، آر. Sempier، SH; اشنایدر، ام. خود ارزیابی جامعه. MASGP-08-014، می سی سی پی-آلاباما، کنسرسیوم گرانت دریا. 2010 ; در دسترس آنلاین: https://www.southernclimate.org/documents/resources/Coastal_Resilience_Index_Sea_Grant.pdf (در 22 ژوئن 2020 قابل دسترسی است).
  34. برتون، CG اعتبارسنجی معیارهایی برای تاب آوری جامعه در برابر خطرات و بلایای طبیعی با استفاده از بازیابی از طوفان کاترینا به عنوان مطالعه موردی. ان دانشیار صبح. Geogr. 2015 ، 105 ، 67-86. [ Google Scholar ] [ CrossRef ]
  35. Tate, E. شاخص های آسیب پذیری اجتماعی: ارزیابی مقایسه ای با استفاده از تجزیه و تحلیل عدم قطعیت و حساسیت. نات. خطرات 2012 ، 63 ، 325-347. [ Google Scholar ] [ CrossRef ]
  36. آرچر، جی اچ. Knecht، RW برنامه مدیریت منطقه ساحلی ملی ایالات متحده – مشکلات و فرصت ها در مرحله بعدی. ساحل. مدیریت 1987 ، 15 ، 103-120. [ Google Scholar ] [ CrossRef ]
  37. کاتر، SL; درخشان، س. تغییر زمانی و مکانی در تاب آوری در برابر بلایا در شهرستان های ایالات متحده، 2010-2015*. محیط زیست خطرات 2018 ، 19 ، 10-29. [ Google Scholar ] [ CrossRef ]
  38. کولیگ، جی سی. لبه، DS؛ ایوان، تی. لایت فوت، ن. ریمر، دبلیو. انعطاف پذیری جامعه: بینش های نظری در حال ظهور. J. روانی جامعه. 2013 ، 41 ، 758-775. [ Google Scholar ] [ CrossRef ]
  39. گزارش نهایی طاووس، WG : ارتقای تاب آوری مناطق ساحلی . انتشارات دانشگاه تگزاس A&M: College Station، TX، ایالات متحده آمریکا، 2010. [ Google Scholar ]
  40. یون، DK; کانگ، جی. برودی، SD اندازه‌گیری تاب‌آوری جامعه در برابر بلایا در کره. جی. محیط زیست. طرح. مدیریت 2016 ، 59 ، 436-460. [ Google Scholar ] [ CrossRef ]
  41. برگر، جی. گوچفلد، ام. جیتنر، سی. پیتفیلد، تی. Donio، M. منابع اطلاعاتی مورد اعتماد مورد استفاده در طول و بعد از ابرطوفان شنی: تلویزیون و رادیو بیشتر از رسانه های اجتماعی استفاده می شدند. J. Toxicol. محیط زیست بخش سلامتی A 2013 ، 76 ، 1138-1150. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. Colten، CE; کیتس، RW; Laska، SB Community Resilience: درسهایی از نیواورلئان و طوفان کاترینا. CARRI Rep. 2008 , 3 , 2-4. در دسترس آنلاین: https://rwkates.org/pdfs/a2008.03.pdf (دسترسی در 23 ژوئن 2020).
  43. چاندرا، ا. آکوستا، جی. هوارد، اس. Uscher-Pines، L.; ویلیامز، ام. یونگ، دی. گارنت، جی. مردیت، LS ایجاد انعطاف پذیری جامعه در برابر بلایا: راهی به جلو برای افزایش امنیت سلامت ملی. رند سلامت س 2011 , 1 . [ Google Scholar ] [ CrossRef ]
  44. لام، NSN; ریمز، ام. لی، ک. لی، سی. ماتا، LP اندازه گیری انعطاف پذیری جامعه در برابر خطرات ساحلی در امتداد خلیج شمالی مکزیک. نات. Hazards Rev. 2016 , 17 , 04015013. [ Google Scholar ] [ CrossRef ][ Green Version ]
  45. مورو، تاب آوری جامعه BH: دیدگاه عدالت اجتماعی . گزارش پژوهشی CARRI؛ CARRI: Oak Ridge، TN، ایالات متحده، 2008. [ Google Scholar ]
  46. بیرکمن، جی. کاردونا، OD; Carreño، ML; بربط، ق. پلینگ، ام. اشنایدرباوئر، اس. کینبرگر، اس. کیلر، ام. الکساندر، دی. زیل، پ. و همکاران چارچوب بندی آسیب پذیری، ریسک و پاسخ های اجتماعی: چارچوب MOVE. نات. خطرات 2013 ، 67 ، 193-211. [ Google Scholar ] [ CrossRef ]
  47. کای، اچ. لام، NSN; زو، ال. کیانگ، ی. لی، ک. ارزیابی تاب آوری جامعه در برابر خطرات ساحلی در حوضه رودخانه می سی سی پی پایین. Water 2016 ، 8 ، 46. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  48. حسین، م.ک. Meng, Q. تجزیه و تحلیل فضایی در مقیاس خوب از ارزیابی و نقشه برداری ساختمان ها و جمعیت در سطوح مختلف خطر سیل شهری. خط مشی کاربری زمین 2020 , 99 , 104829. [ Google Scholar ] [ CrossRef ]
  49. ناکاگاوا، ی. Shaw, R. Social Capital: A Link Missing to Disaster Recovery Yuko. بین المللی J. Mass Emerg. بلایا 2004 ، 22 ، 5-34. [ Google Scholar ] [ CrossRef ]
  50. بیکر، الف. ایجاد یک شاخص تاب آوری جامعه به صورت تجربی در منطقه خلیج مکزیک. پایان نامه کارشناسی ارشد، دانشگاه ایالتی لوئیزیانا، باتون روژ، لس آنجلس، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  51. کاتر، SL; خاکستر، KD; Emrich، CT تفاوت های شهری- روستایی در تاب آوری در برابر بلایا. ان صبح. دانشیار Geogr. 2016 ، 106 ، 1236-1252. [ Google Scholar ] [ CrossRef ]
  52. دکتر، DH; دکتر، KZ تجزیه و تحلیل فضایی ویژگی های زمین شناسی و هیدرولوژیکی مربوط به وقوع فروچاله در شهرستان جفرسون، ویرجینیای غربی. کربناتها تبخیر 2012 ، 27 ، 143-152. [ Google Scholar ] [ CrossRef ]
  53. ژائو، سی. جنسن، جی. ونگ، کیو. ویور، R. تحلیل رگرسیون وزن‌دار جغرافیایی عوامل زمینه‌ای مرتبط با پدیده جزیره گرمایی شهری سطحی. Remote Sens. 2018 , 10 , 1428. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00469 g001 550
شکل 1. نقشه منطقه مورد مطالعه.
Ijgi 09 00469 g002 550
شکل 2. توزیع فضایی ( الف ) نمرات شاخص تاب آوری جامعه در برابر بلایا (CCDRI) و ( ب ) خوشه های نقاط گرم و سرد امتیازات CCDRI.
Ijgi 09 00469 g003 550
شکل 3. خوشه‌های نقاط سرد و گرم از هشت مؤلفه تاب‌آوری جامعه: ( الف ) سرمایه جامعه-زیست‌زیست محیطی. ( ب ) اجتماعی-زیرساختی. ج ) اجتماعی-محیطی . ( د ) مشارکت اقتصادی-جامعه؛ ( ه ) مسکن-اقتصادی; ( و ) محیطی-اجتماعی. ( ز ) مشارکت محیط زیست-جامعه. ( ح ) جامعه سرمایه-محیط زیست.
Ijgi 09 00469 g004 550
شکل 4. توزیع فضایی ( الف ) مقادیر خسارت اموال و ( ب ) خوشه‌های نقاط گرم و سرد آسیب اموال در منطقه مورد مطالعه.
Ijgi 09 00469 g005 550
شکل 5. توزیع فضایی ضرایب هشت مولفه تاب آوری جامعه در مدل GWR: ( الف ) سرمایه جامعه-زیست محیطی-زیرساختی. ( ب ) اجتماعی-زیرساختی. ج ) اجتماعی-محیطی . ( د ) مشارکت اقتصادی-جامعه؛ ( ه ) مسکن-اقتصادی; ( و ) محیطی-اجتماعی. ( ز ) مشارکت محیط زیست-جامعه. و ( ح ) جامعه سرمایه-محیط زیست.
Ijgi 09 00469 g006 550
شکل 6. توزیع فضایی مقادیر R 2 محلی در مدل GWR.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید