审视基于指数的风险评估：纽约市热力紧急管理决策中的案例研究

城市越来越多地依赖大规模数据分析和机器学习来做出重要决策。虽然算法公平性社区专注于分析这些复杂方法所涉及的风险与收益，但对支持各种场景下政府决策的众多简单却广泛使用的基于数据的数字工具的细致 scrutiny 仍然较少。本文我们研究用于紧急管理中地理目标定位和决策的手工制作指数——该领域负责协调从自然灾害到人类威胁的准备和响应工作。指数捕捉抽象原则和整体优先事项（例如减少社会脆弱性），是统计性地聚合所选变量的低复杂度模型。它们通常灵活且可解释，但也可能对关键设计选择敏感且需要强假设。通过纽约市应对极端热力紧急情况的案例研究，我们检视从业者在为准备和响应行动选择指数时可能面临的挑战。我们将指数基模拟的实证发现映射到测量文献中关于有效性和可靠性的关切，并通过灵敏度分析显示，不同的合理输入变量选择或空间尺度选择会导致指数风险得分发生实质性差异，从而影响下游政府决策。我们将这些挑战与发展更狭窄关联具体可衡量结果的预测算法的考量进行对比。最终，我们提供可供实践者和公共部门技术人员在其他政府环境中导航指数与预测算法之间的权衡的可通用化建议。