Методика (шаги, индикаторы, агрегирование)
1) Концептуально: уязвимость V = влияние (exposure) × чувствительность (sensitivity) и компенсируется адаптационной способностью (adaptive capacity). Практически используем индексную модель:
- Собираем индикаторы по трём компонентам: Exposure (E), Sensitivity (S), Adaptive capacity (A).
- Нормализуем каждый индикатор к диапазону $[0,1]$.
- Агрегируем индикаторы в компоненты (среднее или взвешенное среднее).
- Строим итоговый индекс уязвимости; примерная формула:
$$V=w_{E}E+w_{S}S+w_A(1-A),$$ где обычно $w_E+w_S+w_A=1$. При отсутствии предпочтений можно взять равные веса $w_E=w_S=w_A=\frac{1}{3}$.
2) Пример набора индикаторов (по каждому климатическому риску можно выбирать специфичные дополнения):
- Exposure: доля населения в зоне наводнения (%), плотность населения (чел/км${}^2$), доля застройки ниже 5 м над уровнем моря (%).
- Sensitivity: доля неформального жилья (%), уровень бедности (%), доля пожилых (>65) (%).
- Adaptive capacity: ВВП на душу (USD), медицинские мощности на 100k, доля домохозяйств с кондиционером (%).
3) Нормализация: для индикатора $x$ с выбранным диапазоном $[x_{\min },x_{\max }]$:
$$x^{\prime }=\frac{x-x_{\min }}{x_{\max }-x_{\min }}.$$ (Если больший исходный $x$ — означает лучшую адаптацию, используем напрямую; для показателей, где больше = хуже, используем $x^{\prime }$ как есть; для адаптационной способности затем используем $1-A$ в итоговой формуле.)
4) Классификация итогового V:
- $V<0.33$ — низкая уязвимость,
- $0.33\le V<0.66$ — средняя,
- $V\ge 0.66$ — высокая.
Применение к произвольно выбранному мегаполису: Мумбай (пример с допущениями и упрощёнными данными)
Выбранные индикаторы и допущенные исходные значения (приблизительно):
- Exposure:
- $E_1$: доля населения в зоне наводнения = $30\%$ (диапазон $0$–$100$).
- $E_2$: плотность = $20000$ чел/км${}^2$ (диапазон $100$–$30000$).
- $E_3$: доля застройки <5 м = $25\%$ (диапазон $0$–$100$).
- Sensitivity:
- $S_1$: неформальное жильё = $45\%$ (0–100).
- $S_2$: уровень бедности = $20\%$ (0–100).
- $S_3$: доля >65 = $6\%$ (0–25).
- Adaptive capacity:
- $A_1$: ВВП на душу = \$6000 (диапазон \$500–\$70\,000).
- $A_2$: мед. мощности = 100 на 100k (диапазон 10–500).
- $A_3$: кондиционеры в домохозяйствах = $35\%$ (0–100).
Нормализация каждой переменной:
- Exposure:
$$E_1^{\prime }=\frac{30-0}{100-0}=0.30,E_2^{\prime }=\frac{20000-100}{30000-100}\approx \frac{19900}{29900}\approx 0.666,E_3^{\prime }=\frac{25-0}{100}=\mathrm{0.25.}$$ $$E=\frac{E_1^{\prime }+E_2^{\prime }+E_3^{\prime }}{3}\approx \frac{0.30+0.666+0.25}{3}\approx \mathrm{0.405.}$$ - Sensitivity:
$$S_1^{\prime }=0.45,S_2^{\prime }=0.20,S_3^{\prime }=\frac{6-0}{25-0}=0.24,$$ $$S=\frac{0.45+0.20+0.24}{3}\approx \mathrm{0.297.}$$ - Adaptive capacity:
$$A_1^{\prime }=\frac{6000-500}{70000-500}=\frac{5500}{69500}\approx 0.0791,$$ $$A_2^{\prime }=\frac{100-10}{500-10}=\frac{90}{490}\approx 0.1837,A_3^{\prime }=0.35,$$ $$A=\frac{0.0791+0.1837+0.35}{3}\approx \mathrm{0.204.}$$
Итоговый индекс при равных весах $w_E=w_S=w_A=\frac{1}{3}$:
$$V=\frac{1}{3}E+\frac{1}{3}S+\frac{1}{3}(1-A)=\frac{1}{3}(0.405+0.297+(1-0.204))=\frac{1}{3}(0.405+0.297+0.796)\approx \mathrm{0.499.}$$
Интерпретация: $V\approx 0.5$ — средняя/ближе к высокой уязвимость. Это отражает высокую экспозицию и среднюю чувствительность при относительно низкой адаптационной способности.
Краткие рекомендации по использованию и проверке:
- Улучшить выбор и валидацию диапазонов $x_{\min },x_{\max }$ на базе референтных наборов городов.
- Приоритетные меры для Мумбая: снижение экспозиции (упор на инфраструктуру защиты от наводнений), повышение адаптации (медицинские сервисы, охлаждение жилых массивов), формализация жилья и меры соцзащиты.
- Провести чувствительный анализ по весам $w_E,w_S,w_A$ и по индивидуальным индикаторам; подтвердить модель историческими данными по ущербу от прошлых штормов/наводнений/жар.
- Рекомендую дополнить методом картирования (GIS) и сценариями климата (RCP) для пространственной детализации рисков.