Appearance
Built environment disparities are amplified during extreme weather recovery
Summary
Problem: 以往关于灾后社区恢复差异的研究主要依赖聚合的普查和调查数据，或夜间灯光等遥感数据，缺乏足够的空间分辨率来捕捉建筑层面的物理恢复动态。因此，灾后恢复的两种竞争性假说——“分段撤退”假说和“恢复机器”框架——一直未能在大规模、建筑级别得到检验。 Approach: 作者利用2007至2023年的历史Google街景图像，结合大视觉语言模型，构建了覆盖2,195个人口普查区、106,782栋建筑、超过616,510张街景图像的建筑级灾后恢复数据集。通过将建筑恢复状态分为四类（变为空地、变为同等结构、变为改善结构、无明显变化），并分析恢复轨迹与社区社会经济特征及保险、FEMA援助政策的关系。 Finding: 研究发现，低收入社区的受损建筑更可能变为空地（37.1%），而高收入社区的建筑更可能以改善后的结构重建（81.8%）。高收入社区在恢复期能够达到甚至超过灾前状态，而中低收入社区无法恢复到灾前水平。此外，房主保险和洪水保险覆盖率与建筑改善率正相关、与变为空地率负相关，高收入ZIP码地区的FEMA最高援助批准率更高。 Significance: 这项研究在建筑级别、跨州尺度上验证了“恢复机器”假说，推翻了“分段撤退”假说的预期，为理解灾后恢复中的不平等提供了更精细的证据，并强调了重构恢复财政援助框架以促进气候韧性社区的重要性。
Theoretical Framework
- Theoretical tradition: 灾害社会学与城市社会学中的社区恢复与韧性研究传统。
- Prior theories built upon: “分段撤退”假说（segmented withdrawal hypothesis）和“恢复机器”框架（recovery machine framework）。
- Causal mechanism: 社会经济优势群体能够利用资源在受灾地区重建并升级其建筑，而非精英群体因资源不足被挤出，导致低收入社区建筑更可能变为空地；保险覆盖率和援助获取能力的差异进一步放大了这一机制。
- Key assumptions: 假设街景图像能够有效反映建筑层面的物理恢复状态；假设人口普查区可以作为社区的代理；假设灾前收入水平能够代表社区的初始社会经济条件。
- Theoretical move: 本文在建筑级别和大规模地理范围上实证检验并支持了“恢复机器”假说，同时挑战了“分段撤退”假说中关于优势群体更可能撤离的预期，是对现有理论的实证应用和部分修正。
- Scope conditions: 研究覆盖美国2007至2023年间12次极端天气事件，主要针对住宅建筑；结论适用于有历史街景图像可用的地区，对没有街景覆盖的地区推广性有限。
Research Design
本研究为观察性、纵向的量化研究。分析单位包括建筑层面（个体建筑恢复轨迹）和社区层面（人口普查区/ZIP码）。关键自变量为社区收入水平（按灾前家庭收入中位数分为低、中、高三组）以及社会人口特征（教育水平、住房不稳定、移动房屋比例、弱势社区认定等）。因变量为建筑恢复轨迹类型（变为空地、变为同等结构、变为改善结构）的百分比，以及社区恢复评分。保险和FEMA援助变量（房主保险覆盖率、洪水保险覆盖率、FEMA检查平均损失金额、最高援助批准率）作为解释性变量。
Data & Sample
样本包括106,782栋建筑，覆盖2,195个人口普查区，跨越美国16个州，涉及2007至2023年间12次极端天气事件（2011至2018年间发生的飓风和龙卷风等）。数据来源包括FEMA历史损失评估数据库（用于识别受损建筑）、Google街景历史图像（2007-2023年，每栋建筑至少4张图像，事件前后各至少1张）、2010年美国社区调查（ACS）5年估计数据（用于社会经济变量）。最终分析中，3,647栋建筑变为空地，3,496栋变为同等结构，10,194栋变为改善结构。
Analytical Strategy
研究采用多种分析方法：使用大视觉语言模型构建推理管道对建筑恢复状态进行分类（准确率98%，宏F1超过80%）；使用t检验比较不同收入组之间恢复轨迹分布的差异；使用线性回归模型分析社区层面社会人口因素与两个关键恢复结果（变为空地百分比和改善结构百分比）的关系；为处理多重共线性，以家庭收入中位数为参考变量对其他相关变量计算残差值；使用启发式方法估计每个普查区的恢复评分；使用局部加权散点图平滑（LOWESS）拟合保险和援助变量与恢复结果的关系，并通过1,000次自助抽样计算90%置信区间。
Results & Findings
- 收入与恢复轨迹的显著差异：低收入社区中37.1%的可见变化建筑变为空地，而高收入社区仅为7.3%；高收入社区中81.8%的可见变化建筑以改善结构重建，低收入社区仅为33.2%。这一模式在飓风和龙卷风事件的单独分析中保持一致。
- 恢复评分的分化：只有高收入人口普查区能够达到并超过灾前状态，中低收入社区在恢复期均未达到灾前水平，且这一模式在多种恢复评分替代公式下均成立。
- 社会脆弱性与恢复结果：非西班牙裔白人户主比例与变为空地率负相关，移动房屋比例与变为空地率正相关；教育水平与改善结构率正相关，而住房不稳定、移动房屋比例和弱势社区认定与改善结构率负相关。
- 保险与援助的差异：高收入ZIP码地区FEMA受助者中拥有房主保险和洪水保险的比例更高；保险覆盖率与改善结构率正相关、与变为空地率负相关。当80%的FEMA受助者拥有房主保险时，变为空地率降至30%以下，改善结构率超过50%。
- FEMA援助的悖论：FEMA检查的平均损失金额在不同收入组间无显著差异，但低收入ZIP码中损失金额与改善结构率负相关，高收入ZIP码则相反。高收入ZIP码的FEMA最高援助（$41,000）批准率更高，低收入ZIP码中不到5%的申请获批最高援助。
- 零结果与意外发现：业主自住房屋比例的残差与两个恢复结果均无显著关系；FEMA最高援助批准率与恢复结果无强相关，表明FEMA IHP项目主要解决即时健康安全需求而非长期重建成本。
Limitations
作者承认以下局限：研究仅观察建筑变化而非居民决策，无法直接推断居民选择重建或搬迁的原因；街景图像的时间间隔为1-3年，可能无法捕捉恢复过程中的短期动态；研究仅覆盖有历史街景图像的地区，可能对街景覆盖不足的农村或偏远地区代表性有限；分析主要基于描述性和相关性方法，无法建立严格的因果关系；FEMA援助数据仅涵盖申请者，可能无法代表所有受灾居民。
Key Contributions
- 构建了首个大规模、建筑级别的美国灾后恢复数据集，覆盖16个州、12次极端天气事件，为灾害恢复研究提供了新的数据基础。
- 设计了基于大视觉语言模型和历史街景图像的建筑恢复分类框架，可部署于任何有历史街景图像的地区，为灾后重建数据收集提供了低成本、可扩展的方法。
- 在建筑级别实证检验了“恢复机器”假说，发现低收入社区更可能经历建筑变为空地（撤退），而高收入社区更可能以改善结构重建，挑战了“分段撤退”假说的预期。
- 揭示了保险覆盖率和FEMA援助获取中的收入差异，指出这些资源差距可能解释灾后社区恢复的不平等。
- 为政策制定提供了证据基础，强调需要针对弱势社区的事前支持和重构恢复财政援助框架。
Key Claims
"We find that buildings in lower-income communities have higher rates of becoming empty lots and lower improvement rates, whereas higher-income neighbourhoods have lower rates of becoming empty lots with higher improvement rates." (Abstract)
"Our study supports the recovery machine hypothesis, showcases the value of using historical street-level visual data and highlights the need for more equity-informed policies to support vulnerable communities after extreme weather events." (Abstract)
"We observe that withdrawal primarily occurs in low- to middle-income areas and rarely in high income areas, which challenges the notion proposed by the segmented withdrawal hypothesis and supports the recovery machine hypothesis." (Discussion)
"The FEMA IHP programme focuses on addressing immediate health and safety concerns in the aftermath of disasters for vulnerable communities, rather than fully covering the cost of rebuilding damaged property, and therefore may not contribute to differences in longer-term recovery." (Results, "Disparities in assistance and insurance")
"Our findings demonstrate the value of analysing neighbourhood recovery trajectories at a higher resolution and larger scale to inform responsive policy designs, and suggest the importance of restructuring the recovery financial assistance framework to promote more climate resilient communities." (Abstract)