[论文解读] Lifestyle Pattern Analysis Unveils Recovery Trajectories of Communities Impacted by Disasters

Natalie Coleman, Chenyue Liu+2 more|arXiv (Cornell University)|Jul 7, 2022

Disaster Management and Resilience被引用 4

一句话总结

本研究利用增强隐私保护的位置智能数据，分析德克萨斯州哈里斯县在哈维飓风过后的生活方式恢复轨迹。通过将家庭人口普查街区组（CBGs）对兴趣点（POIs）的访问数据应用k-means聚类及二次聚类，识别出四种生活方式模式和三条截然不同的恢复轨迹，揭示即使在相似的人口统计和生活方式群体中，恢复速度也存在异质性，对灾害韧性规划与监测具有启示意义。

ABSTRACT

The return of normalcy to the population's lifestyle is a critical recovery milestone in the aftermath of disasters, and delayed lifestyle recovery could lead to significant well-being impacts. Lifestyle recovery captures the collective effects of population activities and the restoration of infrastructure and business services. This study uses a novel approach to leverage privacy-enhanced location intelligence data to characterize distinctive lifestyle patterns and to unveil recovery trajectories after a disaster in the context of 2017 Hurricane Harvey in Harris County, Texas. The analysis integrates multiple data sources to record the number of visits from home census block groups (CBGs) to different points of interest during the baseline period and disruptive period. First, primary clustering using k-means characterized four distinct essential and non-essential lifestyle patterns. Then, secondary clustering characterized the impact of the hurricane into three recovery trajectories based on the severity of maximum disruption and duration of recovery. The results reveal multiple recovery trajectories and durations within each lifestyle cluster, which imply differential recovery rates among similar lifestyle and demographic groups. The findings offer a twofold theoretical significance: (1) lifestyle recovery is a critical milestone that needs to be examined, quantified, and monitored in the aftermath of disasters; (2) the spatial structures of cities formed by human mobility and distribution of facilities and extends the spatial reach of flood impacts on population lifestyles. The analysis and findings also provide novel data-driven insights for public official and emergency managers to examine, measure, and monitor a critical milestone in community recovery trajectory based on the return of lifestyles to normalcy.

研究动机与目标

• 探讨生活方式恢复作为灾后社区恢复中关键但测量不足的里程碑。
• 利用数据驱动方法量化并监测灾难后人口活动恢复正常水平的进程。
• 理解城市空间结构与设施分布如何影响灾难对生活方式影响的覆盖范围和持续时间。
• 为应急管理人员和政策制定者提供基于生活方式模式的、可操作的、数据驱动的恢复进展洞察。

提出的方法

• 利用来自家庭人口普查街区组（CBGs）的增强隐私保护位置智能数据，追踪基线期和干扰期对兴趣点（POIs）的访问情况。
• 应用主k-means聚类，基于对基本和非基本POIs的访问频率，将四种不同的生活方式模式进行分类。
• 采用二次聚类，根据最大干扰严重程度和恢复持续时间，对恢复轨迹进行分类。
• 整合多种数据源，绘制不同CBGs间生活方式恢复的空间与时间动态。
• 使用归一化的访问模式评估与基线行为的偏离程度及恢复进展。
• 通过将聚类结果与观测到的干扰严重程度及人口统计特征进行比较，验证恢复轨迹。

实验结果

研究问题

• RQ1 在重大灾难前后，城市人口中的不同生活方式模式如何表现？
• RQ2 德克萨斯州哈里斯县受哈维飓风影响的社区中，主导的恢复轨迹是什么？
• RQ3 在相似的人口统计和生活方式群体中，灾后恢复速度的差异程度如何？
• RQ4 城市的空间结构和设施分布如何影响生活方式干扰的地理传播？
• RQ5 生活方式恢复能否被量化并作为更广泛社区韧性的可靠代理指标进行监测？

主要发现

• 通过POI访问数据的k-means聚类，识别出四种主要生活方式模式：基本、非基本、混合和低活动。
• 通过二次聚类，基于干扰严重程度和持续时间，得出三条截然不同的恢复轨迹：快速、中等和长期。
• 即使在同一生活方式聚类中，不同社区的恢复速度和持续时间也存在显著差异，表明恢复动态具有异质性。
• 研究表明，恢复轨迹在人口或空间群体中并非均匀分布，挑战了恢复同质性的假设。
• 城市的空间结构，特别是设施的分布，使洪水影响的范围延伸至物理淹没区域之外。
• 生活方式恢复是一个关键且可测量的里程碑，与更广泛的社区福祉密切相关，应在灾害应对和规划中加以监测。