Новое исследование показывает, что страхование домов от наводнения часто является реакцией в ответ на наводнение, в то время как политика «сверху вниз» (top-down), ориентированная на устойчивость сообщества, может предложить более надёжную защиту.

Наводнения в Соединённых Штатах обходятся общинам более чем в 32 миллиарда долларов каждый год. Поскольку изменение климата приводит к всё более сильным и беспорядочным ураганам, эксперты прогнозируют, что в ближайшие годы это число увеличится: по прогнозам, к 2050 году риск наводнений возрастёт более чем на 26% в областях, где преобладает население чернокожих, коренных и цветных жителей.
На этом фоне Veigel et al. применили интерпретируемое машинное обучение, чтобы лучше понять эффективность стратегий устойчивости к наводнениям. Для создания модели машинного обучения команда выбрала 400 поведенческих и социально-экономических переменных, влияющих на реагирование на стихийные бедствия и смягчение их последствий. Они включали как усилия в подходе «снизу вверх» (bottom-up) на уровне домохозяйств (например, страхование или усовершенствование имущества), так и политические меры в подходе «сверху вниз» (top-down), такие как политика на уровне сообщества. Авторы использовали данные открытого доступа по страхованию от наводнений Национальной программы страхования от наводнений и опроса американского сообщества, проведенного Бюро переписи населения США.
Результаты показали, что большинство домохозяйств приобретают страховку от наводнений лишь в случае серьёзных наводнений. Таким образом, жители населённых пунктов, которые не регулярно или не сильно подвергаются разрушительным наводнениям, с большей вероятностью останутся незастрахованными. Авторы также отмечают, что высокая текучесть жителей в городах часто ограничивает знания об истории наводнений, ослабляя усилия по смягчению последствий и подготовке к ним. В городских районах также обычно наблюдается меньшее распространение страхования.
Напротив, политики на уровне сообществ, такие как Система рейтингов сообществ Национальной программы страхования от наводнений, предлагают более активный подход. Эта система поощряет внедрение страхования с помощью размеров премии для сообществ, принимающих меры по смягчению последствий и управлению поймами. Авторы предполагают, что система могла бы более эффективно решать проблему неравенства в отношении риска наводнений, ориентируясь на недостаточно обслуживаемые сообщества, находящиеся в зоне риска.
Исследование подчёркивает предыдущие выводы о том, что уязвимые группы систематически более подвержены наводнениям и могут извлечь выгоду из повышения устойчивости. Данные показывают, что подходы «сверху вниз», такие как Система рейтингов сообществ CRS, предлагают упреждающие решения по наводнениям, помогающие устранить структурное неравенство в отношении риска. Хотя страхование от наводнений остаётся важнейшей стратегией управления рисками, зачастую это реактивный подход, дающий ограниченную помощь, если не сопровождается усилиями на уровне сообщества. (Earth’s Future, https://doi.org/10.1029/2023EF003571, 2023 г.)

 

Ссылка: https://eos.org/research-spotlights/machine-learning-highlights-ways-to-improve-flood-mitigation