综述：自然灾害下关键基础设施韧性：当前方法、挑战与未来方向

《International Journal of Critical Infrastructure Protection》：Critical Infrastructure Resilience under Natural Disasters: Current Methods, Challenges and Future Directions

　　

•本综述综合了关键基础设施韧性的研究方法。
•识别了当前研究方法、挑战和未来研究方向。
•引入了一个框架，以指导未来韧性基础设施的研究。

**1. 引言**

全球气候相关极端事件（如地震、飓风、洪水和暴雨）呈现频率增加和强度加剧的双重趋势，对基础设施系统构成巨大挑战。据联合国减少灾害风险办公室（United Nations Office for Disaster Risk Reduction, UNDRR）统计，过去二十年全球大规模洪水事件数量从1389起增至3254起，风暴事件从1457起增至2034起。此类灾害导致关键基础设施功能中断和服务能力下降，威胁社会稳定。联合国可持续发展目标（Sustainable Development Goals, SDGs）强调韧性规划的重要性。因此，系统提升关键基础设施在自然灾害下的鲁棒性、适应性、可恢复性和可转化性成为研究重点。现有综述往往聚焦特定部门、特定灾害或特定技术，缺乏对广泛方法体系的比较。本文提出方法导向的框架，以阐明不同方法在数据需求、计算复杂度、可解释性和韧性周期各阶段的适用性。

**2. 综述方法论**

本研究基于PRISMA 2020指南，采用结构化文献检索与筛选流程，包括识别、筛选和纳入三个步骤。在Web of Science数据库中使用布尔搜索策略，将“关键基础设施”“韧性”“灾害”三组关键词连接，共检索到3999项研究。筛选后排除学科无关、未涉及关键基础设施、未聚焦韧性、非自然灾害背景及仅经济影响的研究，最终纳入441项研究。由于篇幅限制，正文仅引用代表性研究，完整清单见附录A。

**3. 自然灾难下关键基础设施韧性的当前研究方法**

当前研究方法可分为四大类：优化与决策方法（Optimization and Decision-making）、预测建模方法（Predictive Modeling）、基于指标的评估方法（Indicator-based Evaluation）和基于仿真的分析方法（Simulation-based Analysis）。441项研究中，243项归入单一类别，166项涉及两类，21项涉及三类，11项综述类研究未分类。许多研究结合多种方法，例如优化与指标评估、仿真与随机抽样相结合。

**3.1 优化与决策方法**

优化驱动决策是研究核心，涵盖灾前资源配置与加固规划、灾中应急响应和灾后恢复排序。经典方法包括线性规划（Linear Programming, LP）、混合整数线性规划（Mixed-Integer Linear Programming, MILP）和混合整数二阶锥规划（Mixed-Integer Second-Order Cone Programming, MISOCP），借助CPLEX、Gurobi等求解器。为应对大规模计算，遗传算法、贪心算法和带精英策略的非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm II, NSGA-II）等启发式算法被广泛采用。混合整数非线性规划（Mixed-Integer Nonlinear Programming, MINLP）和混合整数双层级规划（Mixed-Integer Bilevel Programming, MIBLP）可捕捉非线性相互依赖，但求解困难，常需Benders分解、列与约束生成（Column-and-Constraint Generation, C&CG）和拉格朗日松弛等技术。近年来，复杂网络和拓扑概念引入优化模型，采用广度优先搜索（Breadth-First Search, BFS）和深度优先搜索（Depth-First Search, DFS）等图搜索算法解决修复排序问题。多层级模型仅占441项研究中的33项（7.5%）。总体上，优化方法趋于复杂化，但多依赖标准化测试系统，真实世界适用性有待提升。

**3.2 预测建模方法**

预测建模包括三类：随机情景抽样（蒙特卡洛、拉丁超立方抽样）、马尔可夫与贝叶斯网络、数据驱动预测模型。蒙特卡洛和拉丁超立方抽样广泛用于模拟灾害影响，但存在“情景爆炸”风险，需通过K均值聚类和反向缩减降维。马尔可夫过程假定指数分布驻留时间，而半马尔可夫过程更灵活；贝叶斯网络用于预测状态概率。数据驱动模型从早期自回归积分滑动平均（Autoregressive