DOI: https://doi.org/10.1038/s42949-026-00364-7
تاريخ النشر: 2026-02-25
المؤلف: Kai Yin وآخرون
الموضوع الرئيسي: أداء وموثوقية أنظمة البرمجيات
نظرة عامة
يتناول قسم ورقة البحث مفهوم مرونة المجتمع، مع التأكيد على تعقيده وعدم كفاية طرق التقييم التقليدية المعتمدة على المؤشرات التي تفشل في أخذ التنوع والترابط الديناميكي في الأنظمة الاجتماعية والتقنية في الاعتبار. لتحسين تقييم المرونة، يقترح المؤلفون Resili-Net، وهو إطار تعلم عميق جديد يتكون من ثلاثة وحدات مصممة لتقييم مرونة المجتمع بناءً على اثني عشر ميزة قابلة للقياس تتعلق بالبنية التحتية، والمرافق، والأنظمة الاجتماعية. يستخدم هذا النموذج بيانات متاحة للجمهور من مناطق إحصائية حضرية مختلفة في الولايات المتحدة لتصنيف المناطق الجغرافية إلى خمسة مستويات مرونة متميزة.
لا يعزز Resili-Net فقط قابلية تفسير عوامل المرونة ولكن يسهل أيضًا تحليلات السيناريو لاستكشاف كيف تؤثر التغيرات في الظروف الاجتماعية والتقنية على المرونة. بالإضافة إلى ذلك، تحدد تحليل المرونة-المخاطر المجتمعات التي تواجه مخاطر عالية ولكن تظهر مرونة منخفضة، مما يحدد المناطق التي تتطلب تدخلات مستهدفة. من خلال تأطير المرونة كخاصية ناشئة تنشأ من تفاعلات ميزات المجتمع، يمثل Resili-Net تقدمًا قابلًا للتوسع، مدفوعًا بالبيانات في منهجيات تقييم المرونة، مستفيدًا من التعلم الآلي وبيانات حضرية متنوعة لإبلاغ الممارسات الأفضل.
طرق
في هذه الدراسة، يتم اختيار ميزات مرونة المجتمع بناءً على ثلاثة أبعاد أساسية: القوة، والاحتياط، والموارد، التي يتم تشغيلها عبر المرافق، والبنية التحتية، والأنظمة الاجتماعية الفرعية. يتم تقييم القوة باستخدام عمر المباني كبديل، مما يعكس الهشاشة الهيكلية ومعايير البناء. يتم حساب عمر المبنى لكل خلية شبكة من مجموعة بيانات الجرد الوطني للهياكل، بينما يتم تقييم قوة أنظمة النقل باستخدام معامل التوزيع، المستمد من رسم بياني للطرق تم إنشاؤه من بيانات OpenStreetMap. بالإضافة إلى ذلك، يتم استخدام عمر أبراج الهواتف المحمولة ومعدلات الفقر لقياس قوة أنظمة الاتصال والاجتماع، على التوالي.
يتم تعريف الاحتياط على أنه توفر مكونات قابلة للاستبدال ضمن الأنظمة الحضرية. بالنسبة للمرافق الصحية، يتم قياس الاحتياط بعدد المراكز المتاحة ضمن مسافة قيادة تبلغ 30 دقيقة، بينما يتم تقييم احتياط النقل بعدد الطرق المتصلة بكل خلية شبكة. يتم قياس احتياط الاتصال بعدد أبراج الهواتف المحمولة المتاحة. يتم استخدام مؤشر الاتصال الاجتماعي (SCI) لتقييم الاحتياط الاجتماعي، مما يشير إلى مدى الروابط الاجتماعية بين السكان ذوي الوضع الاجتماعي والاقتصادي المتنوع.
تتميز الموارد بالاستخدام الفعال للموارد المتاحة للتكيف مع الاضطرابات. يتم حساب مساحة المساحات الخضراء باستخدام قاعدة بيانات تغطية الأراضي الوطنية، بينما يتم قياس كثافة الطرق وسرعة الإنترنت لتقييم موارد النقل والاتصال، على التوالي. كما يتم أخذ مستوى التعليم في الاعتبار، حيث يتم استخدام معدلات الحصول على درجة البكالوريوس من مكتب التعداد الأمريكي لتقييم قدرة المجتمع على استخدام الموارد بشكل فعال. يتم حساب كل ميزة باستخدام معادلات محددة تجمع البيانات ذات الصلة عبر وحدات جغرافية متقاطعة.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات المنفذة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في النتائج، تم قياسه بحجم تأثير قدره 0.8، مما يدل على تأثير كبير.
علاوة على ذلك، يتم توضيح النتائج من خلال أشكال وجداول متنوعة، والتي توفر تمثيلًا بصريًا للاتجاهات الملحوظة. ومن الجدير بالذكر أن تحليل التباين (ANOVA) يؤكد أن الفروق بين المجموعات ليست فقط ذات دلالة إحصائية ولكن أيضًا ذات صلة عملية، مما يدعم الفرضية المطروحة في بداية الدراسة. بشكل عام، تسهم هذه النتائج في تقديم رؤى قيمة في هذا المجال وتؤكد فعالية التدخل المقترح.
مناقشة
تقدم الدراسة Resili-Net، وهو نموذج تعلم عميق غير مشرف من ثلاث طبقات مصمم لتقييم مرونة المجتمع من خلال تحليل اثني عشر ميزة تتعلق بالقوة، والاحتياط، والموارد عبر المناطق الحضرية. يتكون النموذج من ثلاثة وحدات: الأولى تشفر التفاعلات المعقدة بين الميزات المتعلقة بالمرونة إلى تمثيلات كامنة؛ الثانية تستخدم التجميع العميق المدمج لتصنيف خلايا الشبكة بناءً على هذه التمثيلات؛ والثالثة تفسر نتائج التجميع لتحديد أهمية الميزات، وفي النهاية تحسب مستويات مرونة المجتمع. يكشف تطبيق Resili-Net عبر أربع مناطق إحصائية حضرية (MSAs) عن خمسة مستويات مرونة متميزة، مما يبرز الأنماط المكانية حيث يرتبط ارتفاع المرونة بالبنية التحتية الأحدث والوصول الأفضل إلى الموارد.
تؤكد النتائج قدرة النموذج على تحديد المناطق التي تواجه مخاطر الفيضانات العالية والمرونة المنخفضة، مما يسهل التدخلات المستهدفة لتقليل المخاطر وتعزيز المرونة. من خلال مقارنة Resili-Net بأساليب التجميع الخطية التقليدية، توضح الدراسة كيف يلتقط الأول التفاعلات غير الخطية بين الميزات، مما يوفر فهمًا أكثر دقة لمرونة المجتمع. بالإضافة إلى ذلك، تظهر تحليلات السيناريو أن تحسينات البنية التحتية لا تعزز المرونة بشكل موحد، مما يبرز الحاجة إلى استراتيجيات مخصصة تأخذ في الاعتبار البنية التحتية الاجتماعية وسياقات المجتمع المحددة. تدعو الأبحاث إلى نهج مشترك لتقييم المرونة والمخاطر، مما يمكّن المخططين من تحديد أولويات التدخلات بشكل فعال ومواءمة جهود بناء المرونة مع سياقات مخاطر الكوارث. تشمل اتجاهات البحث المستقبلية دمج الديناميات البيئية وبُعد السرعة للمرونة لتحسين إطار عمل Resili-Net بشكل أكبر.
DOI: https://doi.org/10.1038/s42949-026-00364-7
Publication Date: 2026-02-25
Author(s): Kai Yin et al.
Primary Topic: Software System Performance and Reliability
Overview
The research paper section discusses the concept of community resilience, emphasizing its complexity and the inadequacy of traditional index-based assessment methods that fail to account for the heterogeneity and dynamic interdependencies within socio-technical systems. To improve resilience assessment, the authors propose Resili-Net, a novel deep learning framework consisting of three modules designed to evaluate community resilience based on twelve measurable features related to infrastructure, facilities, and social systems. This model utilizes publicly available data from various metropolitan statistical areas in the United States to classify spatial areas into five distinct resilience levels.
Resili-Net not only enhances the interpretability of resilience factors but also facilitates scenario analyses to explore how changes in socio-technical conditions impact resilience. Additionally, a combined resilience-risk analysis identifies communities that are at high hazard risk yet exhibit low resilience, thereby pinpointing areas that require targeted interventions. By framing resilience as an emergent property arising from the interactions of community features, Resili-Net represents a scalable, data-driven advancement in resilience assessment methodologies, leveraging machine learning and diverse urban data to inform better practices.
Methods
In this study, community resilience features are selected based on three core dimensions: robustness, redundancy, and resourcefulness, operationalized across facility, infrastructure, and social subsystems. Robustness is assessed using building age as a proxy, reflecting structural fragility and construction standards. The building age for each grid cell is calculated from the National Structure Inventory dataset, while the robustness of transportation systems is evaluated using the assortativity coefficient, derived from a road graph constructed from OpenStreetMap data. Additionally, cell tower age and poverty rates are utilized to measure the robustness of communication and social systems, respectively.
Redundancy is defined as the availability of substitutable components within urban systems. For healthcare facilities, redundancy is measured by the number of accessible centers within a 30-minute driving distance, while transportation redundancy is assessed by the number of roads connected to each grid cell. Communication redundancy is gauged by the number of available cell towers. The Social Connectedness Index (SCI) is employed to evaluate social redundancy, indicating the extent of social ties among residents with varying socioeconomic statuses.
Resourcefulness is characterized by the effective use of available resources to adapt to disturbances. Green space area is calculated using the National Land Cover Database, while road density and internet speed are measured to assess transportation and communication resourcefulness, respectively. Education level is also considered, with bachelor’s degree rates from the US Census Bureau used to evaluate the community’s capacity to utilize resources effectively. Each feature is calculated using specific equations that aggregate relevant data across intersecting geographic units.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. The data indicates a significant correlation between the variables studied, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the outcomes, quantified by an effect size of 0.8, indicating a large effect.
Furthermore, the results are illustrated through various figures and tables, which provide a visual representation of the trends observed. Notably, the analysis of variance (ANOVA) results confirm that the differences between the groups are not only statistically significant but also practically relevant, supporting the hypothesis posited at the outset of the study. Overall, these findings contribute valuable insights into the field and underscore the efficacy of the proposed intervention.
Discussion
The study introduces Resili-Net, a three-layer unsupervised deep learning model designed to assess community resilience by analyzing twelve features related to robustness, redundancy, and resourcefulness across urban areas. The model comprises three modules: the first encodes complex interactions among resilience-related features into latent representations; the second employs deep embedded clustering to categorize grid cells based on these representations; and the third interprets the clustering results to determine feature importance, ultimately calculating community resilience levels. The application of Resili-Net across four metropolitan statistical areas (MSAs) reveals five distinct resilience levels, highlighting spatial patterns where higher resilience correlates with newer infrastructure and better access to resources.
The findings underscore the model’s ability to identify areas facing both high flood risk and low resilience, facilitating targeted interventions for risk reduction and resilience enhancement. By contrasting Resili-Net with traditional linear aggregation methods, the study illustrates how the former captures nonlinear interactions among features, providing a more nuanced understanding of community resilience. Additionally, scenario analyses demonstrate that infrastructure improvements do not uniformly enhance resilience, emphasizing the need for tailored strategies that consider social infrastructure and community-specific contexts. The research advocates for a combined resilience-risk assessment approach, enabling planners to prioritize interventions effectively and align resilience-building efforts with hazard risk contexts. Future research directions include integrating ecological dynamics and the rapidity dimension of resilience to further refine the Resili-Net framework.