基于VSD模型和地理探测器的北京内涝脆弱性评估及驱动机制分析

《水利水电技术（中英文）》官网网址https://sjwj.cbpt.cnki.net

摘 要：

近年来，城市内涝灾害频发，脆弱性研究作为城市内涝灾害评估的热点逐渐被重视。合理评估城市内涝脆弱性，探究其背后的驱动机制是城市采取抗灾减灾手段的前提。以北京市为例，基于VSD(Vulnerability Scoping Diagram)模型框架，从水文气象、地形地貌、社会经济三方面选取指标构建城市内涝脆弱性评估体系。通过GIS采用熵值法对内涝脆弱性进行评估，运用地理探测器分析了内涝脆弱性的空间格局及驱动因子的贡献程度。结果表明：(1)北京市城市内涝脆弱性呈环层结构分布，由北京市中心区域往外，脆弱性逐渐变小；(2)脆弱性最高的区域(五级)主要位于东城、西城、朝阳和丰台等区；(3)历史内涝点主要分布在位于四级、五级为主的内涝脆弱地区；(4)城市内涝脆弱性的空间格局是多因素协同作用造成的，其中建筑密度、人口密度、路网密度、NDVI对脆弱性的空间分异性具有主导作用。

脆弱性;内涝;地理探测器;指标体系;空间分异;GIS;降水;城市防洪减灾;

作者简介：

胡文翰(1998—),男，硕士研究生，主要从事城市内涝风险识别研究。

*张质明(1984—),男，副教授，博士，主要从事气候变化与城市雨水管理、水环境数据建模与统计分析。

基金：

国家重点研发计划资助(2021YFC3001400);

引用：

胡文翰，张质明，赵鑫，等． 基于 VSD 模型和地理探测器的北京城市内涝脆弱性评估及驱动机制分析［J］. 水利水电技术( 中英 文) ，2022，53( 10) : 86-100.

HU Wenhan，ZHANG Zhiming，ZHAO Xin，et al． VSD model and geodetector-based assessment on urban waterlogging vulnerability in Beijing and analysis of its driving mechanism ［J］. Water Resources and Hydropower Engineering，2022，53( 10) : 86-100.

0 引 言

内涝脆弱性是脆弱性概念在城市自然灾害领域的延伸，是指城市的社会经济活动在内涝灾害的扰动或压力作用下可能遭受的损害程度。在自然灾害中，暴雨造成的内涝影响位居城市区域之首,取决于致灾因子的危险性、孕灾环境的敏感性和承灾体的脆弱性。通常情况下，致灾因子危险性及孕灾环境的敏感性(如暴雨强度、坡度等)较难通过人为干涉降低，因此，降低脆弱性成为减小内涝灾害的关键手段。

当前国内外内涝脆弱性研究主要集中在研究方法及驱动机制分析两方面。从研究方法上，目前主要的研究方法为脆弱性曲线法和指标体系法。脆弱性曲线通过历史灾情数据库、实地调研走访等构建灾损曲线，从而评估内涝脆弱性，但是该方法仅适用于小范围区域，对于大范围区域的灾损分析存在着数据获取困难、评价标准不统一等局限性。指标体系法根据研究区域特点和灾害特征选取评价指标，构建脆弱性指数，可以较为全面、准确的评估内涝脆弱性，适用范围较为广泛。常见的指标体系评估模型包括“RH(Risk-Hazards)模型”、“AHV(Arlie House Vulnerability)模型”和“VSD(Vulnerability Scoping Diagram)模型”等。相较而言，RH侧重灾害后果，对承灾体的特征关注不够。ADV侧重于人类对脆弱性的阐述，适用于个体和社区尺度的研究。而VSD立足于传统的“暴露度-敏感性-适应能力”的脆弱性内涵理解，在区域尺度的脆弱性评估中更有优势。

在驱动机制的分析方面，学者们着重关注脆弱性的驱动因素，如EDWARD等研究发现人口增长、城市发展会导致城市内涝脆弱性的增加。黄曦涛基于层次分析法，认为水面面积、排水管网密度是影响西安市城市内涝脆弱性的关键因子。WU利用主成分分析法发现社会经济因素在沿海内涝脆弱性评估中起决定性作用。CHRISTIAN等发现居民受教育程度以及性别差异会显著影响区域内涝脆弱性。综上可知，各研究区内涝脆弱性的影响因素并不一致，因地制宜构建指标体系分析脆弱性是十分必要的。然而这些研究依旧存在着一定的局限性，只是从指标权重、指标贡献程度分析了指标对内涝脆弱性的影响力。但是内涝脆弱性的空间布局却与指标的空间布局、指标间的空间相互关系密切相关，所以影响脆弱性大小的主要指标可能并不是造成脆弱性空间分异的主要指标，仅仅根据指标对脆弱性的重要程度采取减灾措施不是十分合理的。因此从地理学视角利用空间统计模型分析脆弱性成为了当前研究的趋势。地理探测器作为一种新兴的空间统计分析模型，逐渐进入学者的视野。地理探测器基于空间数据分层分区的手段，通过统计分析自变量与因变量之间的空间分布相似性，能够定量的分析评估因子的驱动力大小，探究影响因素之间的相互关系,被广泛应用于地理要素空间分异驱动机制研究。

为了解决现有研究对内涝脆弱性空间分异驱动机制探讨不足的问题，本文以北京市为例，采用GIS分析、熵值法分析、地理探测器模型分析等研究方法，从水文气象、地形地貌、社会经济等维度出发，基于“VSD”模型框架构建城市内涝脆弱性评估指标体系，对研究区域的内涝脆弱性进行评估及驱动机制探究，以期为城市内涝脆弱性研究提供一定参考，进而为城市的灾害管理和防灾减灾提供支持。

1 数据与方法

1.1 研究区域概况

北京市位于华北平原的北部，地理坐标范围为39.4°—41.6°N,115.7°—117.4°E,全市共下辖16个区，如图1所示。地势西高东低，北靠燕山山脉，西临太行山脉，东南部为北京小平原。夏季高温多雨，冬季寒冷干燥，是典型的暖温带半湿润半干旱季风气候。降雨的时空分布极不均匀，夏季6月、7月、8月3个月的降雨共占北京市全年降雨的80%,其中7月、8月常有极端暴雨，为华北地区降雨最多的地区之一。

图1 北京市行政区划及地形示意

1.2 数据来源与预处理

本文所使用的数据主要包括气象数据、地理信息数据、社会经济数据三个类型，具体的数据种类以及数据来源如表1所列。空间参考统一为WGS_1984_UTM_ZONE_50N。为了避免不同指标图层分辨率叠加计算产生的误差，将所有的指标图层重采样至100 m×100 m空间分辨率。

1.3 评价指标体系构建

脆弱性是指对危险暴露程度及其易感性和抗逆力尺度的考量，是决定事故性质与强度的基本要素。内涝脆弱性越大的地区，内涝灾害对其造成的影响越严重，反之越低。VSD模型将脆弱性分为暴露度、敏感性、适应能力三个维度。该模型最早由POLSKY等在ESA(Exposure-Sensitivity-Adaptive capacity)模型的基础上提出。在本文中，暴露度指城市系统承灾体受外在压力或胁迫的不利程度，其中致灾因子的影响范围以及承灾体的空间位置是暴露度的主要影响因素。敏感性指城市承灾体遭受内涝灾害干扰的响应程度，由承灾体自身性质决定，包括承灾体的自然特征以及社会特征。适应能力指针对内涝灾害人类采取的有效措施，从而减轻内涝灾害影响以及从内涝灾害中恢复的能力。综合考虑数据的时效性、易获取性等，最终选取17个评价指标，建立北京城市内涝脆弱性评价指标框架，如表2所列。

1.4 指标权重计算

确定指标权重是评价内涝脆弱性工作的基础。本研究采用熵值法，通过计算指标的信息熵，根据熵值的离散程度决定指标的权重，能够有效的避免主观方法人为因素的影响。计算过程如下。

(1)采用极差标准化法对正负向指标进行无量纲化处理。

(2)计算第j个地区下第i项指标标准化值所占比重

(3)计算第i项指标的信息熵值

(4)计算差异系数

(5)计算指标权重

1.5 内涝脆弱性指数

根据熵值法确定的指标权重计算内涝脆弱性指数，计算公式如下

式中，WVI为内涝脆弱性；E为暴露度；S为敏感性；A为适应能力。WVI的取值范围为[0,1]。

1.6 空间分异驱动机制分析

地理探测器是中科院王劲峰等提出的一种计算模型，能够解释空间分异性并分析其内部驱动机制。其本质思想为：当自变量与因变量在空间分布上具有相似的特征时，则自变量能够影响因变量的空间分布。相较于其它的分析方法，地理探测器可以定量分析自变量对因变量空间分异的驱动力大小，此外还具备分析两个自变量交互作用和因变量之间的相关性，可以探究两变量之间可能存在的因果关系。如今已被广泛应用于空间分异驱动机制研究。

本研究主要使用地理探测器中的因子探测和交互探测模块对内涝脆弱性进行分析。以北京市内涝脆弱性指数作为因变量Y,以选取的指标作为自变量X,采用自然间断点法将自变量X与因变量Y进行分类，通过ArcGIS将研究区域分割为1 km×1 km的渔网点，基于渔网点提取16 254个均匀分布的点，将分类后的X值与Y值输入地理探测器中，从而得出各指标对脆弱性的影响力。

1.6.1 因子探测

因子探测器主要用于分析某项指标是否是内涝脆弱性空间分异形成的原因以及对脆弱性空间分异的解释力大小，用q值进行度量，q的值域为[0, 1],值越大说明该项指标空间变化程度对内涝脆弱性空间变化程度的影响越强，即空间分异的驱动力越强。计算方法为将脆弱性按研究区域分成i个图层，将自变量指标分为w类，按类别对研究区域进行子区域划分，将脆弱性图层与指标图层叠加，根据两个图层间的方差大小，计算q值。具体计算公式如下

式中，q为自变量X对内涝脆弱性Y的解释力；H为ArcGIS所提取的样本量总数；w为自变量X的分类个数 ;B2为内涝脆弱性在整个研究区域内的离散方差；Hi为自变量第i层的样本总数，B2ii2为内涝脆弱性第i层的离散方差。

1.6.2 交互探测

交互探测器主要用于分析不同风险因子之间的交互作用，即探究变量X1和X2共同作用时对内涝脆弱性Y空间分异的解释力是增强或减弱或相互独立。通过分别计算两种变量对脆弱性的q值，并计算它们交互(X1和X2图层叠加形成的新图层)时的q值进行评估19,交互探测类型如图2所示。交互探测的结果可以解释内涝脆弱性空间分异的成因。

图2 交互探测的判断依据及交互类型

2 结果与分析

2.1 北京市城市内涝脆弱性空间分布特征

2.1.1 指标权重计算结果

熵值法计算结果如表3所列。其中权重系数较大的指标分别为人口密度、夜间灯光、路网密度、建筑密度、距水系距离、径流系数、应急避难距离，7项指标的权重系数和为93.69%,说明了这些指标是影响脆弱性大小的主要因素。根据各项指标的权重系数以及脆弱性指数计算公式，计算内涝脆弱性、暴露度、敏感性、适应能力指数，采用自然间断点法对各项指标及指数进行等级划分，利用ArcGIS将其进行可视化。

2.1.2 内涝脆弱性的暴露度空间分布特征

内涝脆弱性暴露度指标的空间分布如图3所示，其中长短历时暴雨占比空间分布较为相似，高值主要分布于密云、怀柔、平谷、顺义等东北区域，低值主要分布于城中心六区以及大兴、通州等东南区域。多年平均降雨量分布大体与北京市山脉分布一致，高值主要沿着西部的太行山脉及北部和东北部的燕山山脉分布，低值主要沿着东南部北京小平原区域分布。建筑密度、路网密度与人口密度分布相似，高值主要沿着中心城区向四周分布。不同等级暴露度面积占比分别为：低暴露度(0.00～0.06)占比83.1%、较低暴露度(0.06～0.15)占比8.9%、中等暴露度(0.15～0.28)占比4.3%、较高暴露度(0.28～0.44)占比2.8%、高暴露度(0.44～1.00)占比0.9%。暴露度整体呈现中部高的分布格局。

图3 暴露度各项指标的空间分布

2.1.3 内涝脆弱性的敏感性空间分布特征

敏感性的空间分布特征如图4所示，呈现出中部高、西北部低的分布格局。不同等级敏感性面积占比分别为：低敏感性(0.00～0.18)占比39.2%、较低敏感性(0.18～0.26)占比33.9%、中等敏感性(0.26～0.33)占比15.4%、较高敏感性(0.33～0.38)占比8.0%、高敏感性(0.38～1.00)占比3.4%。相较于暴露度，低敏感区域面积少于低暴露区域，而高敏感区域的面积多于高暴露区域。TWI、TPI、径流系数、NDVI四者的分布极为相似，其中TWI数值高的地方径流系数、TPI高，而NDVI数值较低。夜间灯光分布主要集中在中心城区以及东南部近郊区。距水系距离分布与北京市五大水系分布一致，主要沿着东部的泃河—蓟运河水系、东北部和东部的潮白河水系、中部和东南部的温榆河—北运河水系、西南部的大清河水系、西部和中南部的永定河水系分布，数值由西北向东南逐渐减小。

图4 敏感性各项指标的空间分布

2.1.4 内涝脆弱性的适应能力空间分布特征

内涝脆弱性适应能力的空间分布如图5所示，高值主要分布于北京市中部地区，由中部向东北部、西南部逐渐递减。不同等级适应能力面积占比分别为：低适应能力(0.00～0.27)占比11.7%、较低适应能力(0.27～0.43)占比13.8%、中等适应能力(0.43～0.59)占比17.9%、较高适应能力(0.59～0.72)占比30.9%、高适应能力(0.72～1.00)占比25.7%。教育水平、医疗水平、财政支出、雨水利用能力四项指标的空间分布虽不完全一致，但总体特征分布差异不大，由北京市中心城区向四周逐渐减小。而应急避难距离主要以怀柔、平谷、密云三区作为分界线，分界线以南各区数值较低，分界线以北数值较高。

图5 适应能力各项指标的空间分布

2.1.5 内涝脆弱性空间分布特征

北京市城市内涝脆弱性如图6所示。从空间分布上看，脆弱性分布呈环层结构，随着位置由中心城区向北京市边界区域，内涝脆弱等级逐渐降低。一级脆弱地区主要分布在北京市房山区、门头沟区、延庆区，二级脆弱地区主要分布于密云区、怀柔区、平谷区、昌平区，三级脆弱地区主要分布于通州、大兴区、顺义区，四级脆弱地区主要分布于石景山区、海淀区，五级脆弱地区主要分布于东城区、西城区、朝阳区、丰台区、通州区梨园及永顺地区、顺义区光明街道、密云区鼓楼街道、延庆区延庆镇等。此外，可以发现，内涝脆弱性变化大多表现为相邻等级间的转变。

图6 北京市城市内涝脆弱性及历史内涝点空间分布特征

从面积分布上看，北京市城市内涝脆弱性主要以一级、二级为主。其中以西部和北部为主的一级、二级脆弱地区占据了北京市面积的27.3%和42.2%,这些地区主要为山地地貌，地势较高、植被覆盖率也较高，不易发生内涝灾害，内涝脆弱性的暴露度低、敏感性低是其共有特征。以东北部和南部为主的三级、四级脆弱地区约占22.2%和5.7%,由于东北部区域的年平均降雨量以及长短历时暴雨占比较高，河网密集且存在着北京市两大水库密云水库以及怀柔水库，当遭遇强降雨时，存在着更大的河水泛滥风险。但是经济及人口不及中部市区，相同内涝灾害情况下造成的经济损失也低于中部市区，内涝脆弱性的适应能力低是其共有特征。数量最少的为以中部为主的五级脆弱地区，约占2.6%,这些地区城市化程度高，是城市人口经济的聚集地。此外，这些地区地势较为平坦，植被覆盖率较低，区域的不透水面较多，径流系数较大，当发生内涝灾害时，积水不易排出，内涝脆弱性的暴露度高、敏感性高是其共有特征。

将北京市近5年242个历史内涝点与北京市内涝脆弱性评估结果进行叠加分析。不同等级内涝脆弱地区的历史内涝点个数分别为一级15个、二级55个、三级80个、四级73个、五级19个。可以发现，历史内涝点的分布特征与内涝脆弱性的分布特征相似，历史内涝点主要分布于以四级、五级为主的内涝脆弱地区，8.3%面积占据了历史内涝点的42.1%,说明了本研究所构建的指标体系是较为合理的，同时内涝脆弱性模拟的结果也可以间接反应区域的内涝风险。

2.2 北京市城市内涝脆弱性驱动机制分析

2.2.1 北京市内涝脆弱性驱动因子分析

基于2.1的研究可以发现北京市内涝脆弱性空间分布特征存在着显著的空间分异性。采用地理探测器的因子探测模块分析各因子对内涝脆弱性空间分异的影响力，结果如表4所列，P值代表脆弱性因子的解释程度，P值越小，说明解释效果越好。可以发现各指标对内涝脆弱性空间分布均有一定的影响力且解释力充足(P

为了进一步分析脆弱性的空间分异特征，结合北京市地理特征及各区域经济发展情况，将北京市划分为中心城区(东城区、西城区、朝阳区、海淀区、丰台区、石景山区)、近郊区(大兴区、通州区、顺义区、房山区)、远郊区(密云区、平谷区)、山区(怀柔区、延庆区、昌平区、门头沟区)4个分区，探测每个区域的驱动因子，并筛选出q值较大的前5项指标进行比对，如表5所列。可以发现，不同区域内涝脆弱性空间分异的主导因素也存在着差异，但是NDVI、建筑密度、路网密度均为各个地区主要的主导因素。因此，在未来的北京城市内涝治理中，需要充分考虑到地区交通、建筑特点，有针对性的做好内涝防治措施，此外植被修复工作是十分必要的。

2.2.2 北京市内涝脆弱性交互探测分析

北京城市内涝脆弱性的交互探测结果如图7所示，图中数值代表不同影响因素共同作用时对脆弱性的q值。交互类型主要表现为双因子增强和非线性增强。其中，建筑密度和距水系距离交互作用对北京市内涝脆弱性具有最强的解释力为0.510,其次为建筑密度和NDVI、建筑密度和夜间灯光，两者的共同解释力均为0.509,多年平均降雨量与TWI的共同解释力最低，为0.106,可以发现各影响因素交互作用之后解释力明显高于单因子的解释力，说明了因子间的交互作用能够显著增强各影响因素对北京城市内涝脆弱性空间分异现象的解释力。单因子解释力远高于雨水利用能力的径流系数，它与长历时暴雨占比的共同解释力为0.376,小于雨水利用能力与长历时暴雨占比的共同解释力为0.378,说明了雨水利用能力对内涝脆弱性空间分异的直接影响较小，但与长历时暴雨占比交互后产生的间接影响较大，即单一影响因素并非造成北京城市内涝脆弱性空间分异现象的原因，不同影响因素之间协同作用造成空间分异。此外，可以看出，以建筑密度为主的暴露度因子和敏感性因子交互作用强于敏感性因子与适应能力因子、暴露度因子与适应能力因子交互作用。

图7 北京城市内涝脆弱性交互探测结果

3 讨 论

本研究通过熵值法确定指标权重，避免了传统主观赋权法(如层次分析法等)主观性较强的问题，同时以100 m×100 m格网作为内涝脆弱性评估的基本单元，提高了评估的精度。研究发现高度城市化、低植被覆盖率、地势平坦的区域内涝脆弱性高，这与VAN关于越南广治省的内涝脆弱性评估结果一致。城市内涝脆弱等级由中心城区向边界区域逐渐降低，这与张华等关于上海内涝脆弱性的评估结果相似。国内外类似的研究均验证了本文评估结果的合理性。然而，本研究发现通州区梨园及永顺地区内涝脆弱性较高，这与于磊等关于通州区内涝脆弱性的评估结果相矛盾。造成结果分歧的主要原因在于研究尺度的不同，由于脆弱性的等级是根据研究区域内脆弱性的相对大小程度进行划分的，因此相同区域在不同尺度下的脆弱性评估结果会有所差异。

相较于已有研究，本研究利用地理探测器定量分析不同指标对内涝脆弱性空间分异的贡献程度，为城市针对性的采取防灾减灾措施提供了指导。但是，本研究依旧存在着一定的局限性，当前针对的仅仅只是单一时间截面下的城市内涝脆弱性，缺乏长时间序列的对比研究，动态视角下的城市内涝脆弱性演变特征分析尚且不足。因此，在后续的研究中，城市内涝脆弱性时空演变特征以及未来演变趋势分析是需要重点关注的。另一方面，由于数据获取精度问题，本方法仅适用于大、中尺度下的内涝脆弱性评估，小尺度下的评估结果精度相对较低，如何科学完备的选取指标评估小尺度区域下的内涝脆弱性还有待深入。

4 结 论

以北京市为例，基于VSD模型框架构建了涵盖水文气象、地形地貌、社会经济等因素的北京城市内涝脆弱性评价指标体系，揭示了北京市城市内涝脆弱性的空间分布特征。同时基于地理探测器模型分析内涝脆弱性的空间分异现象，并探究其内部驱动因素，主要结论如下。

(1)北京城市内涝脆弱性呈环层结构，由北京市中心区域往外，脆弱性逐渐变小，内涝脆弱性变化大多表现为相邻等级间的转变。

(2)北京市城市内涝脆弱性主要以西部和北部的一级、二级为主，占据了北京市面积的69.5%,主要分布于房山区、门头沟区、延庆区、密云区、怀柔区、平谷区、昌平区。以中部为主的五级脆弱地区面积占比最少，仅占2.6%,主要分布于东城区、西城区、朝阳区、丰台区、通州区梨园及永顺地区、顺义区光明街道、密云区鼓楼街道、延庆区延庆镇。

(3)北京市历史内涝点的空间分布特征与内涝脆弱性的空间分布特征相似，内涝点主要分布于四级、五级脆弱地区。说明了地区内涝脆弱性大小可以间接的反应地区内涝风险程度。

(4)北京城市内涝脆弱性的空间分异性是自然、社会、经济等因素共同作用的结果。其中NDVI、建筑密度、路网密度具有主导作用。交互类型主要表现为双因子增强和非线性增强，建筑密度和距水系距离线性交互作用对内涝脆弱性空间分异的解释力最强。以建筑密度为主的暴露度因子和敏感性因子交互作用强于其它因子交互作用。在未来的北京市内涝灾害防治中，需要重点关注地区交通、建筑特征以及植被修复问题。

水利水电技术（中英文）

水利部《水利水电技术（中英文）》杂志是中国水利水电行业的综合性技术期刊（月刊），为全国中文核心期刊，面向国内外公开发行。本刊以介绍我国水资源的开发、利用、治理、配置、节约和保护，以及水利水电工程的勘测、设计、施工、运行管理和科学研究等方面的技术经验为主，同时也报道国外的先进技术。期刊主要栏目有:水文水资源、水工建筑、工程施工、工程基础、水力学、机电技术、泥沙研究、水环境与水生态、运行管理、试验研究、工程地质、金属结构、水利经济、水利规划、防汛抗旱、建设管理、新能源、城市水利、农村水利、水土保持、水库移民、水利现代化、国际水利等。