《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Evacuation destination choices during Hurricane Ian: A direct demand modeling approach
编辑推荐：
飓风疏散行为研究利用移动设备数据整合社会脆弱性指数，揭示车辆可用性、集体住宿、道路密度和英语能力显著影响疏散需求，并发现长距离迁移意愿低。
Alessandra Recalde|刘柳宇|张晓健|朴尚坤|江尚坤|赵西雷
美国佛罗里达大学土木与海岸工程系
摘要
飓风对自然环境、基础设施和社区造成了前所未有的破坏。了解人们的疏散行为对于提高应急准备至关重要。以往的研究主要依赖于调查和访谈，但这些方法容易受到回忆偏差的影响。此外，这些研究还强调了在疏散研究中纳入社会脆弱性的必要性，以探讨其对疏散能力和目的地选择的影响。本研究通过分析佛罗里达州最致命的飓风之一——伊恩飓风期间移动设备的位置数据，并将社会脆弱性指数（SVI）的变量直接纳入区域间（普查区级别）的疏散需求模型，来填补这些空白。研究发现，车辆可用性、居住在集体住宅中、道路密度和英语熟练程度对疏散需求有显著影响，这些因素既影响了从出发地疏散的能力，也影响了目的地的吸引力。旅行阻力（以距离衡量）也起着重要作用，疏散者通常不愿意行驶较长的距离。
引言
飓风长期以来一直对社会构成挑战。这些强大的风暴扰乱了日常生活，造成了广泛的财产损失，并对人类健康和安全构成了严重威胁。2022年9月28日以4级飓风形式登陆佛罗里达州的伊恩飓风就是一个毁灭性的例子。该飓风仅在佛罗里达州就造成了1130亿美元的损失和150人死亡，成为佛罗里达州历史上代价最高、最致命的飓风之一（国家飓风中心，2023年）。尽管人们普遍意识到飓风的风险，但许多佛罗里达人选择在飓风期间不撤离，即使有强制撤离命令（Fleischer，2022年；Olivo等人，2022年）。根据2024年的一项调查，33%选择不撤离的佛罗里达人是为了留在家中修复潜在的损坏，而29%的人认为风暴会像往年一样改变方向（Fleischer，2022年）。伊恩飓风造成的巨大破坏凸显了疏散决策的复杂性，以及分析疏散行为以改善未来应对措施的必要性。
了解飓风期间的疏散行为对于有效的应急规划和响应至关重要。以往的研究主要通过事件后的调查和访谈以及避难所和酒店的行政记录来研究疏散行为，以了解家庭是否撤离、他们去了哪里以及影响这些决策的因素（Collins等人，2018年；Elder等人，2007年；Whitehead等人，2000年；Cheng等人，2011年）。其他研究则强调了行为、空间和组织因素在飓风疏散中的作用。家庭和个人层面的研究关注风险感知、照顾责任、以往经验和目的地类型选择（Brodar等人，2020年；Mesa-Arango等人，2013年），而以空间为导向的研究则使用目的地选择或基于重力的框架来研究旅行距离、可到达性和移动模式（Cheng和Wilmot，2008年；Hong和Frias-Martinez，2020年；Jiang等人，2021年）。组织研究进一步探讨了养老院等机构环境中的疏散决策，重点关注准备工作和监管限制而非家庭流动性（Peterson等人，2020年）。
然而，目前仍存在一个空白，即社会脆弱性在影响疏散者去向方面的作用，以及哪些潜在因素影响了他们的迁移决策。本研究通过分解疾病控制与预防中心（CDC）开发的社会脆弱性指数（SVI）所包含的社会经济变量，并评估这些变量中哪些对普查区之间的疏散流动有显著影响，来填补这一空白。通过这种方法，我们模拟了社会脆弱性如何影响疏散目的地选择，并发现了在疏散规划和响应中更好地考虑这些差异的机会。为了解决这一空白，我们提出了以下三个研究问题：
1.伊恩飓风期间疏散者的主要空间模式是什么？具体来说，大多数疏散者去了哪里，他们从家中走了多远？
2.旅行阻力和建成环境，特别是距离和道路网络特征，如何影响伊恩飓风期间的疏散流动和目的地选择？
3.社会脆弱性如何影响空间疏散模式和疏散目的地的选择？
为了回答这些问题，我们分析了大规模移动设备数据，以追踪伊恩飓风期间的疏散者移动情况，这比以往使用带地理标签的推文和汇总的移动数据的研究提供了更精确的目的地选择信息（Kumar & Ukkusuri，2018年；Li等人，2024年）。传统方法依赖于静态数据集，如人口普查数据、调查和交通传感器，难以捕捉动态的疏散模式。例如Jiang等人（2021年）、Kang等人（2007年）、Lindell等人（2011年）、Solís等人（2010年）、Pham等人（2020年）和Su等人（2020年）的研究中使用的调查方法容易受到回忆偏差的影响（Wilmot等人，2006年），而人口普查数据缺乏实时的疏散信息（Cheng等人，2011年）。通过利用移动设备数据，我们克服了这些限制，提供了更准确和详细的疏散行为分析。
为了模拟疏散目的地选择，我们采用了对数线性形式的乘法直接需求模型。直接需求模型将观察到的旅行流量直接与起点-目的地（OD）对之间的可到达性和阻力指标联系起来（Talvitie，1973年），为研究起点和目的地的特征如何影响总体移动模式提供了灵活的框架。这种方法已在交通研究中得到广泛应用，包括站点间的公共交通乘客量分析，其中基于OD的直接需求模型捕捉了起点和目的地属性对观察到的流量的联合影响（Choi等人，2012年）。最近，直接需求模型也被应用于飓风疏散行为的研究，强调了旅行距离、出发时间、风暴潮和风速等物理和时间因素对疏散模式的影响（Anyidoho等人，2023年；Feng和Lin，2022年）。
这种能力有助于通过明确整合已知会影响疏散行为的社会脆弱性指标来弥补疏散建模中的空白（Sun等人，2024年）。尽管先前的研究表明，纳入社会脆弱性指标可以提高捕捉疏散模式和差异的能力（Hofflinger等人，2019年；Karaye等人，2019年；Pence等人，2018年），但这些因素尚未直接嵌入直接需求建模框架中。本研究通过将社会脆弱性变量明确纳入直接需求模型，使其影响疏散目的地选择的效果得以透明和可解释地评估。
本文的结构如下：第2节回顾了疏散目的地选择建模的相关文献、重力模型的应用以及社会脆弱性在灾害响应研究中的作用。第3节描述了方法论，包括移动设备位置数据的提取和用于分析疏散模式的乘法模型的开发。第4节讨论了伊恩飓风的案例研究及其使用的数据。第5节展示了模型的结果，并提供了关于疏散行为的描述性统计信息。第6节讨论了主要发现及其对疏散规划和灾害管理的意义，以及对上述三个研究问题的明确回答。最后，第7节总结了贡献、局限性以及未来研究的方向。
章节摘录
疏散研究中的直接需求建模
直接需求模型能够将出行生成、出行分布和出行方式划分整合到一个方程式中。该模型最初由Kraft和Wohl（1967年）提出，由于它们体现了行为理论，因此更适合旅行预测，允许将观察到的流量表示为起点、目的地和连接旅行成本的乘法函数（Talvitie，1973年）。这一优势在空间和
社会脆弱性与疏散行为
为了系统地将社会脆弱性纳入疏散建模，我们选择了疾病控制与预防中心（CDC）开发的社会脆弱性指数（SVI）。SVI在普查区级别量化了社区脆弱性，使其与疏散行为的空间模型高度兼容（疾病控制与预防中心 [CDC]，2024年）。与其他衡量标准不同，SVI整合了多种社会经济
方法
基于包含数百万个匿名GPS点的大规模移动设备位置数据，我们实施了一个多步骤的方法论框架来分析伊恩飓风期间的疏散行为。首先，我们应用了（Zhang等人，2024a）开发的家庭检测算法来识别可能的居民并估计他们在风暴前的居住位置，这些位置被视为疏散出行的起点。该算法利用设备存在的时间和空间模式进行推断
案例研究和数据
我们的案例研究聚焦于伊恩飓风，这是美国历史上第三大损失最严重、最致命的飓风之一（NOAA Climate.gov，2022年）。这场毁灭性的5级飓风袭击了李县，该县几乎占了所有死亡人数的一半，据报道在伊恩飓风登陆前不到36小时就发布了疏散命令（Fleischer，2022年）。这引发了人们对当地政府响应时间的诸多担忧，表明信息发布的延迟
描述性分析
我们的算法确定了来自佛罗里达州李县的7,980名疏散者的目的地选择，他们分散到了全州的657个普查区，这个数据集比以往基于调查的研究要大得多（Huang等人，2017年；Lindell & Perry，2012年）。如图5所示，92.7%的疏散者留在了李县内，主要集中在Cape Coral、Fort Myers和Bonita Springs等城市地区。只有7.3%的人离开了该县，反映出人们强烈倾向于留在家中附近。
讨论
我们使用大规模移动设备位置数据的研究提供了对疏散行为复杂性的独特视角。通过关注最长的停留时间而不是第一个夜晚，我们能够准确反映主要的疏散目的地，避免了由临时停留带来的干扰。这种方法，加上将社会脆弱性、旅行阻力和建成环境特征整合到建模框架中，使我们能够直接评估
结论
总体而言，本研究提供了重要的见解，有助于制定更有效的疏散策略、更好地分配资源，并提高自然灾害期间人口的安全性和韧性。通过结合大规模移动设备位置数据使用乘法模型，我们能够预测疏散模式，同时强调了社会脆弱性的作用。我们的研究结果表明，疏散结果受到交通便利性、住房
CRediT作者贡献声明
Alessandra Recalde：撰写——审阅与编辑、撰写——初稿、可视化、验证、方法论、调查、正式分析。Luyu Liu：撰写——审阅与编辑、监督、方法论、数据管理、概念化。Xiaojian Zhang：撰写——审阅与编辑、撰写——初稿、监督、方法论、数据管理。Sangung Park：撰写——审阅与编辑、验证、监督。Shangkun Jiang：撰写——审阅与编辑、数据管理。Xilei Zhao：
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了美国交通部（USDOT）通过临时导向社区中心（CETOC）（授权号69A3552348337）的支持。该研究还基于国家科学基金会（NSF）在授权号2338959和2303578下的支持，以及国家科学院、工程院和医学院海湾研究计划提供的早期职业研究奖学金的支持。任何观点、发现、结论或建议
