世界灾害风险的时间分析：一种聚类动态的机器学习方法

评估所采取行动的影响在管理学中至关重要。本文评估了全球范围内旨在减轻风险和创造安全环境的努力所产生的影响。我们通过考察在特定短时期内改善的概率来衡量这种影响。利用世界风险指数，我们对 2011 年至 2021 年的全球灾害风险动态进行了时间分析。通过世界风险指数的透镜进行的这种时间探索，为灾害风险的复杂动态提供了洞见。我们发现，尽管付出了持续努力，全球格局仍分为两个主要聚类：高易损性和中等易损性，与地理位置无关。此聚类是通过使用标签传播算法的半监督方法实现的，准确率达 98%。我们还发现，在本研究考察的时段（一年、三年和五年）内，通过监督学习进行的聚类预测显示，逻辑回归（在每个阶段均接近 99%）的表现优于其他分类器。这表明，在考察期间，现行政策和机制未能有效帮助各国从危险境地转向更安全的境地。事实上，使用情景分析的统计预测表明，在五年时间框架内发生这种转变的概率仅为 1%。这一发人深省的现实凸显了范式转变的必要性。传统的长期灾害管理策略对高度脆弱的国家无效。我们的发现表明，需要一种针对这些国家特定脆弱性量身定制的创新方法。随着脆弱性威胁的持续存在，我们的研究呼吁制定能够有效应对灾害风险管理持续挑战的新策略。