城市耦合风险——以人为中心的复杂系统视角

欧阳敏 ,  程泽楷 ,  马佳欣 ,  王红卫 ,  Stergios Aristoteles Mitoulis

Engineering ›› 2025, Vol. 44 ›› Issue (1) : 47 -54.

PDF (1526KB)
Engineering ›› 2025, Vol. 44 ›› Issue (1) : 47 -54. DOI: 10.1016/j.eng.2024.12.023
研究论文

城市耦合风险——以人为中心的复杂系统视角

作者信息 +

Coupled Urban Risks: A Complex Systems Perspective with a People-Centric Focus

Author information +
文章历史 +
PDF (1562K)

摘要

城市耦合风险是指相互影响的多类不确定性对城市系统运行的多个相互关联目标的影响，其呈现的复杂性是城市作为动态、耦合系统运行的内在特征。一个子系统中的扰动会在不同城市子系统间产生涟漪效应，通常带来复杂且难以预料的后果。在这一复杂性中，“人”处于核心地位，其行为、需求和脆弱性塑造了风险的演化过程和应对效果。将城市视为以人的需求和行为为中心的复杂系统，是理解城市耦合风险复杂性的关键。本文采用复杂系统视角，探讨城市耦合风险的复杂机制，强调人类决策和行为在其中所起的关键作用。我们聚焦于两个核心维度：一是城市环境中的危险级联；二是城市子系统暴露于危险之中的级联故障。现有的风险评估模型常常无法捕捉这些过程的复杂性，尤其是在引入人类决策因素时更为困难。为应对这些挑战，我们倡导建立一个标准化的分类体系，涵盖危险级联机理、城市构成要素及其相互作用。该体系的核心是以人为中心的视角，强调人类与其所依赖系统之间的双向交互作用。本文进一步提出，应发展一套以人为中心的城市风险评估体系，需综合考虑事件对人类不同层次需求的影响，并纳入个体与社区在灾前准备和灾中响应的能力。通过融合实时数据、先进仿真技术与创新验证方法，提升城市耦合风险建模的精度与决策支持能力。为了更有效地管理城市耦合风险，可以借鉴现实复杂系统中已验证的策略。然而，由于气候变化带来的不确定性和复杂性不断上升，优先考虑以人为中心的策略至关重要。这一路径将使城市不仅能抵御已知风险，也具备应对日益不确定世界中不断演化和无法预见挑战的韧性。

Abstract

The complexity of coupled risks, which refer to the compounded effects of interacting uncertainties across multiple interdependent objectives, is inherent to cities functioning as dynamic, interdependent systems. A disruption in one domain ripples across various urban systems, often with unforeseen consequences. Central to this complexity are people, whose behaviors, needs, and vulnerabilities shape risk evolution and response effectiveness. Realizing cities as complex systems centered on human needs and behaviors is essential to understanding the complexities of coupled urban risks. This paper adopts a complex systems perspective to examine the intricacies of coupled urban risks, emphasizing the critical role of human decisions and behavior in shaping these dynamics. We focus on two key dimensions: cascading hazards in urban environments and cascading failures across interdependent exposed systems in cities. Existing risk assessment models often fail to capture the complexity of these processes, particularly when factoring in human decision-making. To tackle these challenges, we advocate for a standardized taxonomy of cascading hazards, urban components, and their interactions. At its core is a people-centric perspective, emphasizing the bidirectional interactions between people and the systems that serve them. Building on this foundation, we argue the need for an integrated, people-centric risk assessment framework that evaluates event impacts in relation to the hierarchical needs of people and incorporates their preparedness and response capacities. By leveraging real-time data, advanced simulations, and innovative validation methods, this framework aims to enhance the accuracy of coupled urban risk modeling. To effectively manage coupled urban risks, cities can draw from proven strategies in real complex systems. However, given the escalating uncertainties and complexities associated with climate change, prioritizing people-centric strategies is crucial. This approach will empower cities to build resilience not only against known hazards but also against evolving and unforeseen challenges in an increasingly uncertain world.

关键词

城市耦合风险 / 以人为中心 / 风险管理

Key words

Coupled urban risks / People-centric / Risk management

引用本文

引用格式 ▾
欧阳敏,程泽楷,马佳欣,王红卫,Stergios Aristoteles Mitoulis. 城市耦合风险——以人为中心的复杂系统视角[J]. 工程（英文）, 2025, 44(1): 47-54 DOI:10.1016/j.eng.2024.12.023

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

21世纪标志着城市时代的到来。根据预测，到2030年，全球将有超过60%的人口居住于城市地区[1]。城市作为全球经济增长的核心引擎，目前贡献了全球国内生产总值的80%以上[2]，其在全球可持续发展中的关键地位愈加凸显。然而，伴随城市化进程的加速与气候变化的日益加剧，城市面临的风险呈现出更加耦合、复杂的特征[3]。这些风险并非孤立存在，而是在多个相互关联系统间通过复杂的非线性机制相互作用，进而形成比单一风险更为严重的复合效应[4]。在灾害情境下，这种系统间的关联性通常表现为“灾害链”现象，即某一城市子系统（无论是基础设施、社会、经济、环境还是治理系统）一旦遭受扰动，便可能引发系统性的级联失效，并造成难以预测的后果。灾害链的发生揭示了现代城市所固有的高度复杂性，具体体现为城市子系统之间存在多尺度、非线性与动态耦合的交互机制。同时，这种现象也凸显了城市系统在面对外部冲击时的潜在脆弱性。以2021年中国郑州“7·20”特大暴雨灾害为例，极端降雨事件引发城市基础设施全面受压，导致地铁站大面积淹水、电力和通信系统瘫痪，其影响远超物理层面的破坏，进一步扰乱了城市社会经济活动，削弱了政府治理效能，并加剧了生态环境的退化。该事件表明，城市工程系统中局部失效可迅速传导至多个维度，造成广泛连锁影响[5]。

由多类不确定性相互作用所引发的耦合风险，其复杂性是城市这一动态且高度耦合系统的内在属性[6‒8]。任一城市子系统遭受扰动都可能在其他子系统间产生连锁故障效应，尤其在对数据与网络系统依赖程度日益加深的背景下，其后果常常具有不可预见性。值得强调的是，人在城市系统中居于核心地位，其需求、行为、文化特征与脆弱性不仅深刻影响风险的演化过程，也决定了应对机制的有效性[9]。因此，将城市视为以人的需求与行为为中心的复杂系统，是理解城市耦合风险复杂性的关键。本文即从复杂系统的视角出发，将城市定义为由多个城市子系统构成的动态、相互关联的网络，这些子系统的结构与功能在很大程度上由人类行为、需求与脆弱性塑造。在此框架下，本文深入探讨城市耦合风险的复杂特征，尤其强调人类决策（其在当代愈加依赖于新兴技术）与行为在风险形成与演化过程中的关键作用。本文采用“风险 = 危险性（hazard）× 暴露性（exposure）× 脆弱性（vulnerability）”的分析框架[7,10]，并据此将相关文献划分为两类：一是研究城市环境中的危险级联（cascading hazards）现象，指多个危险事件在同一时间并发、按顺序触发或在时间尺度上呈累积演进特征 [11]；二是研究城市内关联子系统的级联失效机理（cascading failures），即城市多个暴露于危险中的子系统因耦合关系所引发的级联故障过程。尽管已有研究在风险评估方面取得了一定进展，但目前主流的评估方法普遍难以充分捕捉上述过程的复杂性，尤其是在涉及人类决策因素时存在显著局限性[9,12‒13]。

为应对上述挑战，本文提出四个核心观点。首先，倡导构建一套标准化的危险级联、城市组成要素及其相互作用的分类体系。该体系以人为中心，强调人（尤其是城市居民与游客）与其所依赖系统之间的双向互动机制，从而明确人在风险产生与减少过程中的作用机制。其次，提出建立一套以人为中心的城市风险评估框架。该框架需根据人的层级需求评估灾害事件的影响程度，并充分考虑个体在灾前准备和灾后响应方面的能力。再次，强调利用多源数据、先进计算与高保真仿真技术，对上述模型进行持续校准与动态优化。最后，面对城市风险日益增长的复杂性，应优先发展以人为中心的治理策略。此类策略需兼顾“人能给予系统什么”与“人能从系统中获得什么”两个视角，和与引导式自组织机制（guided self-organization）和韧性设计（resilience design）等方法协同应用，从而提升城市在气候变化及不确定性演化背景下的适应能力[3‒4]。通过整合上述四种观点，本文设想一种新型的城市发展路径，即城市不仅能够应对已知风险，更具备在网络-物理融合系统（cyber-physical systems）与人为风险共同作用下，抵御未来不断演化且不可预见危险的综合韧性，从而更好地适应一个愈加不确定的世界。

2 城市耦合风险的研究现状

国际标准化组织在《风险管理指南》（ISO 31000: 2018）中定义“风险”为“不确定性对目标的影响”。基于此定义，耦合风险可类比定义为：相互影响的多类不确定性对多个相互关联的系统目标的影响。当不同危险之间存在相互联系，且其不确定性和影响相互关联时，即形成所谓的耦合风险。此类风险通常具有系统性、网络性、级联性和复合性等特征[4,14]。世界经济论坛发布的《全球风险报告》[15] 提出了全球尺度风险之间的关联图谱，覆盖经济、地缘政治、社会、环境与技术等多个维度。在宏观尺度上，该框架有助于理解耦合风险的整体结构与演化趋势。然而，城市环境本身具有更高层次的复杂性，特别是其在地理空间、治理结构与功能等方面的多样性与局部特性[16]，这使得城市耦合风险的识别与评估亟需更精细与情境嵌入的研究方法。

在城市背景下，另一种风险分析框架由危险性（hazard）、暴露性（exposure）和脆弱性（vulnerability）三要素构成 [7,10]。在该框架中，“危险性”指可能造成损害的过程或事件；“暴露性”描述处于潜在危险影响区域内的人员、基础设施以及资产的分布状况；“脆弱性”则指使个体或系统更易受到危险影响的条件与特征[1]。基于上述框架，城市耦合风险（图1）可通过以下两个关键维度进行理解：

（1）城市环境中的危险级联：初始危险引发次生危险，形成风险逐级放大的事件链条；

（2）城市子系统在暴露危险之中的级联失效：故障在城市内相关关联的多个被暴露的子系统中传播，导致脆弱性与风险持续加剧。这里，城市子系统涵盖基础设施、社会、经济、环境与治理等要素，且这些系统的相互作用以人为中心。

上述两个维度构成了后续文献综述部分（第2.1~2.3小节）的结构基础。其中，第2.1小节聚焦于城市环境中的危险级联建模；第2.2小节分析城市子系统在暴露危险之中的级联失效机理；第2.3小节则探讨危险级联与级联失效过程的集成建模方法。这一框架揭示出，危险类型分类高度依赖于对城市被暴露系统的界定。例如，若定义“人”为唯一的被暴露系统，则危险不仅包括自然危险事件，也包括电力中断或供水短缺等基础设施系统失效[1]。

2.1 城市环境中的危险级联

危险级联揭示了初始危险事件如何引发一系列次生及后续灾害，从而加剧风险过程的复杂性[17]。现有研究主要聚焦于地震、洪水和热带气旋等自然灾害类型危险，如图1左侧所示。例如，2010年海地地震通过土壤液化过程引发滑坡，而2011年日本东日本大地震则诱发海啸，淹没沿海地区。这些案例表明，危险级联过程本身具有高度复杂性：由同一初始危险事件所触发的次生危险事件，在不同的地理、气候与基础设施背景下可能表现出显著差异 [12]。

尽管危险级联具有上述复杂性，大量研究在建模与评估过程中仍存在过度简化倾向，常以暴露人口[18‒21]、人员伤亡[22]、人口迁移[23‒24]、建筑物与基础设施受损数量[25‒27]等简单指标来量化风险后果。这类评估方法通常忽略了城市子系统之间的级联失效过程，而这些过程可能对社会稳定、经济运行及城市整体风险水平产生深远影响。

2.2 城市子系统在暴露危险中的级联失效

理解城市子系统在暴露危险中的级联失效机理，与理解危险级联过程同等重要。大量现有研究主要将城市中相互关联的基础设施系统视为被暴露的子系统，并关注其中一个系统的故障如何在其他系统中传播。McDaniels等[28] 针对重大电力中断情境下的基础设施失效机理开展了实证分析，案例包括 2003年8月北美大停电、1998年魁北克冰暴事件以及2004 年佛罗里达三场飓风事件。研究发现，典型的级联失效过程涉及建筑物的供热、通风与空调（HVAC）系统，供水系统，医疗系统以及道路交通系统等多个城市子系统。

除实证研究外，已有研究亦采用多种定量建模框架（如基于代理的模型、系统动力学模型以及基于网络的模型）来模拟关联基础设施系统的级联失效过程[29‒30]。然而，许多模型简化了危险对基础设施系统组件的影响机理，常将组件失效视为随机事件[31]、蓄意攻击[32]或由单一危险事件引发的孤立事件[33]。上述简化多源于学科壁垒与跨学科协同的缺失，因而未能充分刻画危险级联、子系统级联失效与城市功能之间非线性影响等特征，同时也忽略了人在应对风险中的关键作用与反馈机制。

2.3 城市耦合风险的集成建模框架

已有多项研究尝试将“城市环境中的危险级联”与“城市子系统在暴露危险中的级联失效”整合为统一的建模框架。Montoya-Rincon等[34]探讨了在飓风及其引发的洪涝灾害背景下，关联的电力与供水系统所面临的脆弱性问题。Hassan与Mahmoud [35]分析了野火与疫情共同作用对医疗设施及其基础设施系统（包括交通、电力与供水系统）的复合影响。Dargin等[36]则聚焦于飓风及其引发洪水灾害期间，家庭在“食物-能源-水”耦合系统遭受影响时所表现出的脆弱性。

尽管上述集成研究为理解城市耦合风险提供了有益视角，但其研究对象大多局限于少数几个城市子系统，往往忽略了危机情境下人类行为与决策的关键作用。此外，受限于高质量时序数据获取难度大，这些模型在测试与验证环节中普遍存在数据支撑不足的问题，从而限制了其刻画多灾情境下城市灾变复杂性的能力。在缺乏充分数据的情况下，研究者难以提出关于城市在危险级联过程下如何响应与演化的有意义假设，进而难以建立全面考虑人类响应行为的风险评估模型，以真实反映城市耦合风险的演化机理[6,37]。

3 推进对城市耦合风险的理解

在前述研究现状与不足的基础上，本节旨在提出若干关键观点，以深化对城市耦合风险的理解。为支撑相关论点，本文首先引入2021年中国郑州的极端降雨事件作为现实案例，借此剖析城市耦合风险的复杂性[5]。表1展示了该事件中在城市不同区域发生的多个灾害链，这些灾害链体现了灾害的多点触发性与级联演化特征，揭示了耦合风险在实际城市空间中的复杂表现形式。这些灾害链不仅体现了城市耦合风险的演化过程，也反映出一个初始危险事件——极端降雨——如何在特定城市环境下引发多重级联危险与子系统失效的过程。例如，在郑州某区域，极端降雨导致城市排涝能力超限，进而引发城市内涝与地铁车站进水（见表1中灾害链编号1）；在另一地区，强降雨引发山洪与滑坡，沟谷中道路堤坝阻断排水路径，最终坍塌并造成人员失踪与死亡（见表1中灾害链编号4）。上述灾害链反映出城市耦合风险在不同区域的表现具有显著差异，而这一空间异质性在现有研究中往往未被充分揭示与量化。基于该事件，后续子章节（第3.1~3.3小节）将提出三个核心观点，旨在弥补当前文献中的关键空白，并推动对城市耦合风险复杂性的系统性理解。

3.1 构建统一且精细的分类体系

本文主张构建一套标准化的危险级联、城市要素及其相互作用的分类体系，并以“以人为中心”的理念为核心导向。尽管联合国减少灾害风险办公室于2020年发布的《危险定义与分类报告》为危险识别提供了基础框架，但该框架并未纳入对级联危险的系统性考量[1]。此外，当前关于城市构成要素的分类方式（如Batty [37]、Meerow与Newell [38]、Caldarelli 等[8]、Tzachor等[39] 的相关研究）在方法上缺乏统一性，粒度较粗，且未能分类城市构成要素在故障情境下的级联故障模式。例如，表1中9号灾害链展示了极端暴雨与城市构成要素之间的复杂作用机理：极端暴雨引发颍河水位暴涨，漫溢洪水涌入公司车间电解槽，与高温熔融铝液发生反应造成爆炸，爆炸导致房屋倒塌致5人死亡。该案例说明，在特定城市环境中，非预期的城市构成要素之间的交互可能导致严重后果，显著增加风险治理的复杂性。在缺乏细粒度分类体系的情况下，危险级联机理难以准确解析，直接削弱了风险评估、灾害管理及多灾种预警系统（multi-hazard early warning systems, MHEWS）等风险应对活动的科学性与实效性[40‒41]。

因此，亟须基于复杂系统理论扩展UNDRR框架，以适应城市环境下的危险级联建模需求。新分类体系应统一城市构成要素的标准划分，并补充当前城市系统中除基础设施、社会、经济、环境与治理系统之外的关键类别，以更有效地捕捉如9号灾害链所呈现的复杂交互。同时，该体系还需拓展基础设施的关联性类型[30]，细化物理、网络、地理与逻辑四类主要关联类型，并纳入多种灾害与城市构成要素间的作用模式（例如，3号与9号灾害链均涉及逻辑依赖关系，但其级联机制截然不同）。更为关键的是，“人”作为城市系统的核心，在突发事件中的自救与互救行为方面起着减少风险的关键作用[9]，因此分类体系必须优先考虑人群与城市系统之间的互动以及居民、地方决策者与政治治理主体之间的互动。具体而言，该体系应明确界定并分类不同类型的作用关系，既包括个体对城市构成要素在风险减少方面的正向贡献，也包括城市系统对个体减少风险能力的赋能作用。这一精细化分类体系将在以下方面发挥基础性作用：提升城市耦合风险评估的科学性、促进数据收集与灾损报告的标准化以及指导更具实效性的MHEWS构建，从而有效减少城市耦合风险。

3.2 构建以人为中心的综合风险评估框架

本文主张建立一套以人为中心的城市风险综合评估框架，其需系统纳入基础设施、经济、社会、环境与治理等城市子系统，并重点关注个体的行为模式、需求层次与决策过程。正如第2节所述，当前主流的风险评估模型多聚焦于基础设施系统间的级联失效，而对社会经济、环境与治理系统的广泛影响，尤其是人群的灾前准备与灾中行为等关键因素关注不足[4,14]。然而，2021年郑州极端暴雨事件表明，城市风险不仅源于基础设施功能的中断，还深受基本服务系统与社会系统失灵的影响。该事件造成逾1400万人受灾，直接经济损失达409亿元人民币，严重扰乱城市运行秩序。其中，公众的应对行为在整个城市风险减少方面发挥了重要作用。例如，事件发生期间，居民的快速响应在多个场景中直接挽救了生命，然而现有模型普遍未能捕捉此类“人-基础设施”间的交互关系。

因此，一个真正以人为中心的综合风险评估框架，必须能够模拟城市内部危险级联与系统失效过程，整合基础设施、社会、经济、环境与治理等多个城市子系统，并同步考虑个体行为与决策路径。基于代理的建模方法在此方面具有显著优势，但需构建在统一的危险——城市构成要素——交互关系分类体系之上，并聚焦于危机情境下人类多层次需求所对应的风险维度[42]。此外，部分城市系统与更大范围的区域及全球网络存在深度连接，引发边界效应（boundary effects），该类系统性耦合亦应纳入评估范畴[43‒44]。建立此类模型的关键前提是通过数据驱动方法重构有关城市动态的研究假设，特别是关于居民的准备行为、响应模式与行为责任等方面的行为推演。值得强调的是，随着危机前、中、后的个体行为数据在空间与时间维度上的获取能力持续提升，将人群准备度与响应行为纳入风险模型之中，有望显著增强模型的校准与优化能力，从而提升其科学性与实际指导价值。

3.3 利用多源数据对模型进行校准

构建以人为中心的综合风险评估模型，必须依托多源观测数据进行模型参数校准与持续更新。在城市环境中，危险级联、城市子系统间的级联失效以及危机期间人群行为的引入，使得模型中涉及大量参数设置，这些参数需基于历史灾害事件与新案例的数据进行系统性校准。目前已有多种数据源可用于此类建模工作，包括社交媒体、卫星遥感影像、人口流动数据、夜间灯光数据以及官方报告等，这些数据可分别从不同维度提供城市系统运行状态或损失情况的“快照式”信息。然而，各类数据源均存在一定局限性。例如，夜间灯光数据虽可用于反映停电状况，但其仅在夜间生效，且仅适用于能源系统相关分析[45]；卫星遥感影像虽具有良好的空间覆盖能力，但其时间分辨率通常不足，难以捕捉短时过程中的快速动态变化[21]；移动性数据（如GPS轨迹）可揭示人类移动模式，但其在极端灾害事件中往往因隐私保护、抽样偏差与数据稀缺而影响可靠性[46‒47]。社交媒体可提供实时洞察，但数据内容高度碎片化，存在偏差，难以实现系统性的大规模分析[48]；而官方报告则常常不完整或过度聚合，难以满足精细校准要求[49]。

正如Helbing [4]所指出的，随着灾害相关数据获取能力的提升，社会对模型精度的期待也在提高。但若缺乏合理校准，即便数据量庞大，模型亦可能变得“黑箱化”，反而降低透明度。为解决上述挑战，风险模型应以“部分观测数据”为基础，融合来自多源异构数据的观测结果，特别需要考虑危机发生前、中、后的实时人类行为数据以及地方文化对行为模式的影响。在此过程中，应综合运用数据挖掘与处理技术，结合城市系统物理模型，以整合碎片化、冲突数据，并生成具有空间一致性、时间连续性且可规避网络安全威胁与认知偏差的灾后数据集。此外，由于城市本身具有高度动态性[37]，该类模型亦应具备持续更新机制，以反映城市环境的动态变化，确保模型能够适应不断演化的现实情境，提升其实时响应能力与预测准确性。

4 应对城市耦合风险的策略

在前述三个核心观点的基础上，为进一步推进城市耦合风险的理解与治理，本节提出若干风险减少策略，以实现对城市耦合风险的有效管理。Helbing [4]曾提出一系列针对全球耦合风险的管理策略，其中多项理念对城市情境具有高度适用性。第一，应推动治理模式由传统的“自上而下”控制向“自下而上”的自组织机制转变，使城市系统能够充分发挥其内部适应性与反馈机制，通过系统自身稳定机制维持运行，而非完全依赖外部干预手段。第二，应通过系统化的应急预案制定与异构备份系统的构建，提升风险响应能力。这类备份系统应基于与主系统不同的运行原理，以增强整体韧性，避免系统在同类扰动下的全面失效。第三，针对级联失效的遏制问题，可通过限制系统规模与实施动态解耦机制实现控制。例如，设置“截断点”（cutoff points）等结构性措施，以中断故障在系统内部的连锁传导路径。第四，在面对快速演化的城市子系统（如金融系统）时，可通过减缓系统动态为决策者争取干预时间。例如，在市场危机期间降低交易速度，有助于缓解系统压力并延长响应窗口。第五，保持城市系统内部的多样性与冗余性，是防范系统性崩溃的重要手段。通过系统内部功能或结构的多元替代性设计，即使局部组件失效，也不会造成整个系统瘫痪，从而提升系统的适应性与创新能力。最后，借助预警信号识别薄弱组件或关键性波动，可在系统性失效发生前采取预防性干预措施，提升整体风险治理的前瞻性与主动性。

尽管前述策略为应对城市耦合风险的复杂性提供了坚实基础，但随着气候变化日益加剧、城市化过程失控及新型多灾种复合风险的不断出现，风险的不确定性显著提升，治理手段需要具备“扩展性”与“灵活性”并重的要求。在此背景下，本文提出第四个核心视角：优先发展以人为中心的治理策略。该视角的核心在于明确个体在城市耦合风险治理中的双重角色：既是减少风险的参与者，也是减少风险的受益者。为更有效地将个体能动性纳入城市风险管理框架中，本文将“以人为中心”的策略划分为两类，以全面激活个体与社区在风险治理中的潜力。

4.1 个体作为减少风险参与者视角下的策略

本部分强调个体在主动减少城市耦合风险过程中的作用。通过调动公众的集体知识、资源与行动，这一类策略可有效干预危险级联路径，阻断灾害链的传导过程，从而避免复合性灾害的暴发。将公众纳入脆弱性识别与解决方案实施过程中，不仅有助于显著降低城市风险，也有助于构建具备多重威胁承压能力的韧性城市。

这类关键策略包括推动个体参与及适应。公众可贡献其当地知识，参与风险地图绘制、脆弱区识别及风险减少方案的制定[50]。在风险传播沟通与相关政策规制有效引导下，个体可根据风险信息调整其行为方式，成为风险管理体系中的主动一环[51]。此外，通过移动端应用程序开展城市生物多样性监测等项目，可激励个体参与本地生态数据采集，从而支持城市生态系统保护与灾害风险减少策略的优化[52]。类似的项目还包括“弗里敦植树行动”，该项目动员城市居民参与城市绿化与植树活动，不仅直接减少洪水与滑坡等自然灾害风险，也提升城市绿色空间质量[52]。

加强社会关系网络同样是提升城市韧性的重要手段。建立互助型社区机制、培育责任意识与社会资本，可在灾害发生时形成重要的协同支持体系[53]。此外，鼓励制定推动互助行为的法律与政策，将个体参与转化为制度性集体责任文化，也有助于将“个体行为-城市系统”之间的耦合关系制度化，从而促进系统性风险减少[4,50]。通过上述多元行动，个体不仅可直接参与短期内的风险减少工作，还能推动韧性文化的形成，强化社区凝聚力，最终实现对城市耦合风险的整体性减少。

4.2 个体作为减少风险受益者视角下的策略

本部分聚焦于增强个体应对城市耦合风险的能力。通过提供及时预警、灾害教育与适应性基础设施等手段，旨在阻止局部故障演化为大范围的系统性危机。具备风险意识和应急准备能力的个体更不易在灾害过程中放大风险影响，反而能通过有效应对行为降低级联影响。

该类策略的核心在于构建以人为中心的多灾种早期预警系统，将先进的风险评估模型嵌入预警机制，实现对地震、洪水等重大威胁的实时预测与预警[54‒55]。高精度的预测与及时的风险信息传递，可使个体在灾害发生前主动采取应对措施[11,56]。持续的灾害教育与风险认知提升项目也是提升个体准备的关键手段，通过普及多灾种相互作用机制及应对策略，帮助公众全面理解复杂灾害风险的交互特征[12,56]。此外，提供技能培训与教育资源，能够使个体具备在复杂城市环境中有效识别风险、做出决策并采取行动的能力[57]。

在风险减少层面，灾害保险机制提供了有效的风险分担工具。通过经济手段将个体灾害损失进行再分配，显著提升了弱势群体在极端事件中的风险承灾压力[51]。进一步而言，推动社会文化层面的积极转变亦至关重要。通过培养个体的灾害责任意识、归属感与行为规范，可在制度之外形成一种基于认同与信念的社会激励机制，使个体在关注自身安全的同时，也主动参与社区层面的风险治理[13]。综上所述，通过提升信息获取、能力建设、制度保障与文化认同等多维度支持，个体可从城市风险管理的被动接受者，转变为积极的参与者，进而增强城市在面对耦合风险时的韧性[52,57]。

5 结论

在快速城市化与气候变化的共同驱动下，现代城市面临的系统性风险不断加剧。然而，传统风险评估方法在刻画城市环境中危险级联与子系统级联失效方面，仍显不足[4]。为有效应对日益复杂的城市耦合风险，本文强调需采纳复杂系统视角，并提出四个关键研究路径：①构建统一的标准化分类体系，系统归类危险类型、城市构成要素及其相互作用模式，从而为城市风险分析提供清晰的逻辑框架与语言工具；②建立以人为中心的综合风险评估框架，覆盖基础设施、社会、经济、环境与治理等子系统，同时纳入个体行为与决策机制，实现对复杂风险过程的更全面刻画；③利用数据驱动的技术创新对模型进行校准与验证，提升模型的预测能力与实用性；④优先发展以人为中心的治理策略，包括个体作为风险减少参与者与受益者双重视角下的策略，确保风险应对措施契合人类需求与公平正义原则。

为将上述理论观点转化为可操作的解决方案，未来研究与政策实践需在以下方向加强投入：首先，需要开展大量实证案例研究，深入揭示城市子系统之间的交互机制与耦合机理，以支撑标准化分类体系的进一步构建与完善。其次，为推进以人为中心的风险评估模型建构与验证，应聚焦于人类行为对风险恶化与减少的双重影响，尤其需关注人工智能、机器学习与数字孪生等新兴技术的集成应用。这些技术正通过移动终端逐渐融入公众日常生活，为风险建模提供了新的数据支撑与行为洞察能力。再次，亟须制定系统性技术路线图，以推动上述研究路径在实践中的有效融合，进而促成“城市风险科学”（urban risk science）这一跨学科新兴领域的形成，连通城市科学与风险科学的知识体系。最后，应进一步拓展“以人为中心的城市耦合风险理解”至“以人为中心的韧性治理”这一更广阔的愿景，从而推动城市向可持续、包容与适应性强的方向转型发展。通过填补当前在理论研究与实践应用中的关键断层，未来城市有望在面对21世纪多重挑战时，不仅具备承压能力，更能在复杂环境中实现有韧性的繁荣发展。上述路径有助于联合国可持续发展目标（SDG）的实现，推动构建公平、繁荣、生态友好的未来城市，全面提升人类福祉与全球治理水平。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

United Nations Office for Disaster Risk Reduction (UNDRR), International Science Council (ISC). Hazard definition & classification review: technical report. Report. Nairobi: UNDRR; 2020.
[2]

World Bank Group. Urban development [Internet]. Washington, DC: World Bank Group; 2023 Apr 3 [cited 2024 Dec 7]. Available from:

[3]

Elmqvist T, Andersson E, Frantzeskaki N, McPhearson T, Olsson P, Gaffney O, et al. Sustainability and resilience for transformation in the urban century. Nat Sustain 2019;2(4):267‒73. . 10.1038/s41893-019-0250-1
[4]

Helbing D. Globally networked risks and how to respond. Nature 2013;497(7447):51‒9. . 10.1038/nature12047
[5]

State Council Disaster Investigation Team. Investigation report on the “7·20” heavy rain disaster in Zhengzhou, Henan Province. Report. Beijing: State Council of China; 2022. Chinese.
[6]

Batty M. Modelling cities as dynamic systems. Nature 1971;231(5303):425‒8. . 10.1038/231425a0
[7]

Bettencourt LMA. Introduction to urban science: evidence and theory of cities as complex systems. Cambridge: The MIT Press 2021. . 10.7551/mitpress/13909.001.0001
[8]

Caldarelli G, Arcaute E, Barthelemy M, Batty M, Gershenson C, Helbing D, et al. The role of complexity for digital twins of cities. Nat Comput Sci 2023; 3(5):374‒81. . 10.1038/s43588-023-00431-4
[9]

Aerts JCJH, Botzen WJ, Clarke KC, Cutter SL, Hall JW, Merz B, et al. Integrating human behaviour dynamics into flood disaster risk assessment. Nat Clim Chang 2018;8(3):193‒9. . 10.1038/s41558-018-0085-1
[10]

Pelling M. The vulnerability of cities: natural disasters and social resilience. London: Routledge; 2003.
[11]

World Meteorological Organization, Caribbean Disaster Emergency Management Agency, United Nations Development Program, and International Federation of the Red Cross and Red Crescent Societies. Multi-hazard early warning systems: a checklist. In: Outcome of the First Multi-hazard Early Warning Conference; 2017 May 22‒23; Cancún, Mexico. Geneva: World Meteorological Organization (WMO); 2018.
[12]

Raymond C, Horton RM, Zscheischler J, Martius O, AghaKouchak A, Balch J, et al. Understanding and managing connected extreme events. Nat Clim Chang 2020;10(7):611‒21. . 10.1038/s41558-020-0790-4
[13]

Schill C, Anderies JM, Lindahl T, Folke C, Polasky S, Cárdenas JC, et al. A more dynamic understanding of human behaviour for the Anthropocene. Nat Sustain 2019;2(12):1075‒82. . 10.1038/s41893-019-0419-7
[14]

Pescaroli G, Alexander D. Understanding compound, interconnected, interacting, and cascading risks: a holistic framework. Risk Anal 2018;38(11):2245‒57. . 10.1111/risa.13128
[15]

World Economic Forum. Global risks report 2023. Report. Geneva: World Economic Forum; 2023.
[16]

Argyroudis SA, Mitoulis SA, Chatzi E, Baker JW, Brilakis I, Gkoumas K, et al. Digital technologies can enhance climate resilience of critical infrastructure. Clim Risk Manage 2022;35:100387. . 10.1016/j.crm.2021.100387
[17]

AghaKouchak A, Huning LS, Chiang F, Sadegh M, Vahedifard F, Mazdiyasni O, et al. How do natural hazards cascade to cause disasters? Nature 2018;561(7724):458‒60. . 10.1038/d41586-018-06783-6
[18]

Tuholske C, Caylor K, Funk C, Verdin A, Sweeney S, Grace K, et al. Global urban population exposure to extreme heat. Proc Natl Acad Sci USA 2021;118(41): e2024792118. . 10.1073/pnas.2024792118
[19]

Jongman B. The fraction of the global population at risk of floods is growing. Nature 2021;596(7870):37‒8. . 10.1038/d41586-021-01974-0
[20]

Jing R, Heft-Neal S, Chavas DR, Griswold M, Wang Z, Clark-Ginsberg A, et al. Global population profile of tropical cyclone exposure from 2002 to 2019. Nature 2024;626(7999):549‒54. . 10.1038/s41586-023-06963-z
[21]

Tellman B, Sullivan JA, Kuhn C, Kettner AJ, Doyle CS, Brakenridge GR, et al. Satellite imaging reveals increased proportion of population exposed to floods. Nature 2021;596(7870):80‒6. . 10.1038/s41586-021-03695-w
[22]

Lindersson S, Raffetti E, Rusca M, Brandimarte L, Mård J, Di Baldassarre G. The wider the gap between rich and poor the higher the flood mortality. Nat Sustain 2023;6(8):995‒1005. . 10.1038/s41893-023-01107-7
[23]

Vestby J, Schutte S, Tollefsen AF, Buhaug H. Societal determinants of flood-induced displacement. Proc Natl Acad Sci USA 2024;121(3):e2206188120. . 10.1073/pnas.2206188120
[24]

Ronco M, Tárraga JM, Muñoz J, Piles M, Marco ES, Wang Q, et al. Exploring interactions between socioeconomic context and natural hazards on human population displacement. Nat Commun 2023;14(1):8004. . 10.1038/s41467-023-43809-8
[25]

Siragusa A. Atlas of the human planet 2017: global exposure to natural hazards. Luxembourg: Publications Office of the European Union; 2017.
[26]

Koks EE, Rozenberg J, Zorn C, Tariverdi M, Vousdoukas M, Fraser SA, et al. A global multi-hazard risk analysis of road and railway infrastructure assets. Nat Commun 2019;10(1):2677. . 10.1038/s41467-019-10442-3
[27]

Liu K, Wang Q, Wang M, Koks EE. Global transportation infrastructure exposure to the change of precipitation in a warmer world. Nat Commun 2023;14(1):2541. . 10.1038/s41467-023-38203-3
[28]

McDaniels T, Chang S, Peterson K, Mikawoz J, Reed D. Empirical framework for characterizing infrastructure failure interdependencies. J Infrastruct Syst 2007;13(3):175‒84. . 10.1061/(asce)1076-0342(2007)13:3(175)
[29]

Ouyang M. Review on modeling and simulation of interdependent critical infrastructure systems. Reliab Eng Syst Saf 2014;121:43‒60. . 10.1016/j.ress.2013.06.040
[30]

Rinaldi SM, Peerenboom JP, Kelly TK. Identifying, understanding, and analyzing critical infrastructure interdependencies. IEEE Contr Syst Mag 2001;21(6):11‒25. . 10.1109/37.969131
[31]

Buldyrev SV, Parshani R, Paul G, Stanley HE, Havlin S. Catastrophic cascade of failures in interdependent networks. Nature 2010;464(7291):1025‒8. . 10.1038/nature08932
[32]

Artime O, Grassia M, De Domenico M, Gleeson JP, Makse HA, Mangioni G, et al. Robustness and resilience of complex networks. Nat Rev Phys 2024;6(2):114‒31. . 10.1038/s42254-023-00676-y
[33]

Ouyang M, Wang Z. Resilience assessment of interdependent infrastructure systems: with a focus on joint restoration modeling and analysis. Reliab Eng Syst Saf 2015;141:74‒82. . 10.1016/j.ress.2015.03.011
[34]

Montoya-Rincon JP, Mejia-Manrique SA, Azad S, Ghandehari M, Harmsen EW, Khanbilvardi R, et al. A socio-technical approach for the assessment of critical infrastructure system vulnerability in extreme weather events. Nat Energy 2023;8(9):1002‒12. . 10.1038/s41560-023-01315-7
[35]

Hassan EM, Mahmoud HN. Orchestrating performance of healthcare networks subjected to the compound events of natural disasters and pandemic. Nat Commun 2021;12(1):1338. . 10.1038/s41467-021-21581-x
[36]

Dargin J, Berk A, Mostafavi A. Assessment of household-level food-energy-water nexus vulnerability during disasters. Sustain Cities Soc 2020;62:102366. . 10.1016/j.scs.2020.102366
[37]

Batty M. Digital twins in city planning. Nat Comput Sci 2024;4(3):192‒9. . 10.1038/s43588-024-00606-7
[38]

Meerow S, Newell JP . Urban resilience for whom, what, when, where, and why? Urban Geogr 2019;40(3):309‒29. . 10.1080/02723638.2016.1206395
[39]

Tzachor A, Sabri S, Richards CE, Rajabifard A, Acuto M. Potential and limitations of digital twins to achieve the Sustainable Development Goals. Nat Sustain 2022;5(10):822‒9. . 10.1038/s41893-022-00923-7
[40]

Keys PW, Galaz V, Dyer M, Matthews N, Folke C, Nyström M, et al. Anthropocene risk. Nat Sustain 2019;2(8):667‒73. . 10.1038/s41893-019-0327-x
[41]

Miller SJ, Dee LE, Hayden MT, Jarrett U, Carrico AR, Brauman KA, et al. Telecoupled systems are rewired by risks. Nat Sustain 2024;7(3):247‒54. . 10.1038/s41893-024-01273-2
[42]

Logan TM, Guikema SD. Reframing resilience: equitable access to essential services. Risk Anal 2020;40(8):1538‒53. . 10.1111/risa.13492
[43]

Cheng Z, Ouyang M, Du C, Hong L, Wang H. Boundary effects on road network vulnerability in cities. Cities 2024;154:105321. . 10.1016/j.cities.2024.105321
[44]

Dong L, Duarte F, Duranton G, Santi P, Barthelemy M, Batty M, et al. Defining a city-delineating urban areas using cell-phone data. Nature Cities 2024;1(2):117‒25. . 10.1038/s44284-023-00019-z
[45]

Jean N, Burke M, Xie M, Davis WM, Lobell DB, Ermon S. Combining satellite imagery and machine learning to predict poverty. Science 2016;353(6301):790‒4. . 10.1126/science.aaf7894
[46]

Barreras F, Watts DJ. The exciting potential and daunting challenge of using GPS human-mobility data for epidemic modeling. Nat Comput Sci 2024;4(6):398‒411. . 10.1038/s43588-024-00637-0
[47]

Levin R, Chao DL, Wenger EA, Proctor JL. Insights into population behavior during the COVID-19 pandemic from cell phone mobility data and manifold learning. Nat Comput Sci 2021;1(9):588‒97. . 10.1038/s43588-021-00125-9
[48]

Bakshy E, Messing S, Adamic LA. Exposure to ideologically diverse news and opinion on Facebook. Science 2015;348(6239):1130‒2. . 10.1126/science.aaa1160
[49]

Burke M, Driscoll A, Lobell DB, Ermon S. Using satellite imagery to understand and promote sustainable development. Science 2021;371(6535):eabe8628. . 10.1126/science.abe8628
[50]

Eakin H, Bojórquez-Tapia LA, Janssen MA, Georgescu M, Manuel-Navarrete D, Vivoni ER, et al. Urban resilience efforts must consider social and political forces. Proc Natl Acad Sci USA 2017;114(2):186‒9. . 10.1073/pnas.1620081114
[51]

Tullos D. How to achieve better flood-risk governance in the United States. Proc Natl Acad Sci USA 2018;115(15):3731‒4. . 10.1073/pnas.1722412115
[52]

Khatri A. Message to mayors: cities need nature. Nature 2022;601(7893):299. . 10.1038/d41586-022-00102-w
[53]

Völker B. Disaster recovery via social capital. Nat Sustain 2021;5(2):96‒7. . 10.1038/s41893-021-00820-5
[54]

Hino M, Nance E. Five ways to ensure flood-risk research helps the most vulnerable. Nature 2021;595(7865):27‒9. . 10.1038/d41586-021-01750-0
[55]

Michel-Kerjan E. We must build resilience into our communities. Nature 2015;524(7566):389. . 10.1038/524389a
[56]

Tupper AC, Fearnley CJ. Disaster early-warning systems can succeed—but collective action is needed. Nature 2023;623(7987):478‒82. . 10.1038/d41586-023-03510-8
[57]

Mervis J. DOE lab would probe climate effects on poor communities. Science 2023;380(6650):1095. . 10.1126/science.adj2237
AI Summary AI Mindmap
PDF (1526KB)

1703

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉