以下是引用本文的既定格式:
弗雷泽,T., D. P.奥尔德里奇和L.森川,2022年。所有的路都通向札幌吗?在疏散决策中连接和架桥的作用。生态与社会27(2):3。摘要
为什么一些社区在灾难后的长途疏散率比其他社区高?这项混合方法的研究使用了2018年9月北海道东部伊武里地震后的远程疏散率的新数据集,从地理位置的Facebook用户移动汇总到城市级别。我们发现,具有更强联系和桥梁性社会资本的社区,向遥远城镇的疏散率往往要低得多。我们使用统计模型、实地调查和12次访谈的内容分析,发现尽管社交媒体上存在谣言,但社交网络链接更强的社区对政府有更大的信任,并决定留在当地的避难所里。如果这些社区也有更强的社交网络,帮助他们获得关键信息,尤其是在脆弱社区中,情况就会更糟。与此同时,连接或连接网络较弱的居民可能相信了极端缺水、食物和电力短缺的谣言,并永远离开了这座城市。这项研究强调了在灾难后管理疏散时信任当地官员的重要性。介绍
当灾难来袭时,在家中或社区面临新的灾难损失的居民往往必须决定是留在家中,还是疏散到当地的避难所,以获得当地政府工作人员、应急人员和民间社会团体的食物、住所或医疗。然而,一些居民可能会选择离开城镇(Elliott等人2010年,Martín等人2017年,Metaxa-Kakavouli等人2018年,Yabe和Ukkusuri 2020年),选择长距离疏散数天或数周(Bowser和Cutter 2015年,Metaxa-Kakavouli等人2018年),甚至永久疏散(Raker和Elliott 2018年,Yabe等人2020年)。过去的研究表明,当面临严重的破坏时(Yabe等人,2019年),当避难所满了或太远(Chakma和Hokugo 2020年),或有足够的经济资源(Yabe和Ukkusuri 2020年),居民可能会离开。然而,许多居民留在了原地,因为长途疏散的成本高得令人望而却步(Elliott et al. 2010),充满了流动性挑战(Cutter et al. 2003),或使居民受到歧视(Raker and Elliott 2018)。地方政府尤其希望居民留在城里,以免纳税人离开后再也不回来(Aldrich 2012),而如果地方政府提供更好的公共产品,投资于当地基础设施、应急响应能力(Boin和McConnell 2007)和当地避难所(Fraser et al. 2021a),居民更有可能留下来。尽管有这些常见的解释,疏散仍在一些地区激增。这就引出了一个问题:为什么有些社区的长途疏散率比其他社区高?
在本研究中,我们研究了社区疏散率的关键影响”社会资本,”社区居民之间的社会关系,使信任、互惠和集体行动成为可能(Putnam 2000, Nakagawa和Shaw 2003)。社会资本分为三种类型,包括联结型、桥接型和连接型社会资本(Aldrich and Meyer 2015)。”结合社会资本”代表了同一社会群体成员之间在种族、年龄、性别和社会经济地位方面的密切群体内联系(Hawkins and Maurer 2010, Shoji and Murata 2021)。与此同时,”桥接社会资本”代表群体间联系,在种族、年龄、性别或社会经济地位方面桥梁不同社会群体成员(Putnam 2000, Aldrich and Sawada 2015, Smiley et al. 2018)。最后,”将社会资本”描述了连接居民与地方、地区和国家当局的垂直社会联系,这有助于居民在危机期间获得资源,并培养对政府的信任(Szreter和Woolcock 2004, Aldrich 2019)。过去的研究表明,社会资本会通过朋友和邻居相互鼓励和帮助疏散(Elliott等人2010年,Sadri等人2017年,Collins等人2018年,Metaxa-Kakavouli等人2018年,Shoji和Murata 2021年),或者通过在不同的桥接或聚集的联系网络中传播令人困惑的信息,从而减少必要的疏散到避难所或加剧不必要的疏散(Fraser等人2021a)。然而,这些研究中有许多集中于飓风疏散(Sadri等人2017年,Collins等人2018年,Metaxa-Kakavouli等人2018年)。相比之下,在突发危机中,如地震,一些地区可能比其他地区更需要疏散,但停电、破坏或错误信息可能会掩盖这些细节,从而提高了传播信息的桥梁网络或帮助当地疏散命令的联系的重要性(Fraser et al. 2021a)。本研究假设,连接社会资本及其所赋予的对政府的信任可能在远程疏散中也发挥更大的作用,在远程疏散中,更强的连接关系会鼓励居民留下,而较弱的连接关系会导致居民离开城镇。
以2018年日本东伊武里大地震为例,考察了不同类型的社会资本对远程疏散的影响。2018年9月,日本最北部的北海道发生6.7级地震后,疏散行为发生了巨大变化。虽然一些居民留在了受地震袭击的农村城镇的当地避难所(Fraser et al. 2021a),但其他人,特别是在札幌大都市区周围的人,疏散到更远的地方,并在全县广泛旅行。这项混合方法研究使用Facebook的数据为好的计划和在受灾地区进行的亲自采访的汇总级数据调查了这次长途疏散。我们将Facebook和地理空间数据上的固定效应建模与访谈和案例研究的内容分析相结合。
本文以多种方式对危机期间和危机后疏散的现有文献进行了补充。首先,我们发现,虽然社会脆弱性特征,如贫困、住房所有权和老年人的流动性挑战经常被作为疏散和危机后果的挑战进行讨论(Riad等人1999年,Whitehead等人2000年,Smith和McCarty 2009年,Elliott等人2010年,Adeola和Picou 2012年),但本研究强调,社会资本可以对长距离疏散率产生关键影响,即使在脆弱社区也是如此。我们发现,社会资本联系最强的社区往往撤离最少,这有助于居民相信当地官员关于灾难范围和当地提供的援助和避难所的类型的信息。
其次,过去的研究使用事后调查(Li等人2010年,Ahsan等人2016年,Shoji和Murata等人2021年)或临时公路调查(Collins等人2017年,2018年)来逼近疏散行为,但这两种方法都难以捕捉整个人口的完整和准确移动。利用来自手机和其他便携式电子设备的总体移动数据,本文避免了过去基于回顾性问题的研究所面临的挑战,而是着眼于由用户的计算机地理位置信息捕获的实际行为。这建立在越来越多的学派的基础上,这些学派使用定位的手机用户数据来近似疏散行为(Martín等人2017年,Metaxa-Kakavouli等人2018年,Yabe等人2019年)。此外,过去的行为研究要么模拟行为,要么要求受访者从潜在目标列表中选择他们的选项,我们使用的是Facebook用户往返城市的实际数据,由Facebook data for Good项目提供。
最后,过去的许多研究在调查疏散行为时只使用了单一的方法,这凸显了收集疏散数据的挑战。在此,我们基于过去疏散(Elliott等,2010年;Fraser等,2021a)和恢复(Aldrich, 2019)的混合方法研究,采用了一种混合方法,结合定性和定量方法,以提供更全面的视角。通过明确哪些城市在危机发生时疏散,政策制定者可以寻求帮助居民在危机袭来时获得他们所需的援助和住所。
文献综述
这项研究调查了为什么人们在灾难发生后更多地从一些城市疏散。在过去的二十年中,学者们测量了受灾社区疏散率的广泛变化(Riad等人1999年,Whitehead等人2000年,Horney等人2010年,Li等人2010年,Ahsan等人2016年)。过去的研究经常使用在城市外的高速公路休息站点的临时调查(Collins等,2017年,2018年)或返回居民的临时调查(Li等,2010年)来衡量疏散和推断因果模式。最近,研究人员转向社交媒体来评估疏散情况。例如,受飓风马修影响的社区中54%的Twitter用户在风暴袭击前疏散到更安全的地点(Martín et al. 2017)。然而,最近,对大数据的获取鼓励学者大规模测量关键个人和社区特征对疏散模式的总体影响程度(Metaxa-Kakavouli等人,2018年)。本研究研究了不同类型的社会资本对疏散的影响,同时考虑了从文献中提取的疏散行为的其他三种主要解释:破坏和基础设施质量、社会脆弱性和风险、公共产品和服务。
破坏和基础设施质量
首先,一些社区可能会遭遇比其他社区更大的长途疏散,这是由于破坏的程度,相反,是由于社区基础设施的质量。因此,一些灾难学者和政策制定者将疏散结果视为一个政策执行问题,如果这些关键的技术官僚政策结果得到解决,如改善灾后通信网络,减少道路拥挤,提高医疗保健系统的电力系统的恢复能力,或加固破损的基础设施(Boin和McConnell 2007, Petit et al. 2013, Na和Banerjee 2015, Nakai et al. 2016),居民就会疏散。这个视角优先解决实现这些关键基础设施策略的障碍。政策学者进一步认为,技术官僚政策就像鲁布·戈尔伯格机器,如果它们面临竞争权力或预算空间的其他政府行为体的反对,很容易崩溃(Pressman和Wildavsky 1973, Bardach 1977, Lipsky 1980)。这种基础设施政策观点已经持续了几十年,专家们强调了能源、水和交通基础设施的重要性。然而,我们有充分的理由怀疑,破坏、基础设施和交通不是疏散的主要原因。
例如,在东伊武里地震后,北海道的主要燃煤发电厂在Atsuma市被破坏,整个县面临间歇性停电一个月。同样,千岁机场(Chitose airport)也失去了电力供应,航班停飞数天。千岁机场是通往日本其他地区的主要通道。相比之下,北海道的公路网络在72小时内就恢复了运行,因为最严重的影响是阿比拉农村社区的山体滑坡。此外,北海道的大多数农村居民都有自己的汽车,不像日本其他地区的居民那样依赖公共交通,这意味着在地震后,流动性没有像日本其他地区那样受到影响。因此,撤离的决定变成了关于在不知一段时间没有电力的情况下继续生活将是多么痛苦的决定。当然,公共基础设施的破坏程度和质量可能会影响这一点,因为一些社区可能会失去饮用水,而另一些社区可能不会。
然而,数十项研究发现,损害和以硬基础设施为重点的政策并不能解释灾难结果的大部分变化(Cutter和Finch 2008, Edgington 2010, Elliott等人2010,Adeola和Picou 2012, Aldrich 2012, Metaxa-Kakavouli等人2018)。一些社区可能更有可能因为其他原因撤离吗?
风险和社会脆弱性
另一方面,早期疏散研究表明,一个社区的社会脆弱性水平可以影响长途疏散,因为许多人不会出于理性原因疏散,因为社会脆弱性的特征,如贫困、年龄、性别、种族和民族,使疏散更加困难、昂贵和危险。少数民族在与第一反应者互动时,由于文化不敏感和语言障碍,或者由于住房模式而导致的信息共享挑战,少数民族的疏散较少(Perry和Lindell 1991, Fothergill et al. 1999, Smith和McCarty 2009)。几项研究同样表明,女性比男性更有可能撤离(Riad et al. 1999, Whitehead et al. 2000),但矛盾的是,由于家庭责任,女性更不可能撤离,而且在灾难后更容易陷入贫困(Enarson 1998)。当灾难发生时,种族、社会经济地位、年龄和性别会在获取信息、经济、法律和情感支持以及庇护所方面构成障碍(Cutter和Finch 2008, Elliott等人2010,Adeola和Picou 2012)。地震后,人口平均年龄较大、较贫困的城市的资金流出可能较少,因为当你几乎无法获得流动资金时,很难改变生活,搬到另一个城市。我们可能会认为,在这些方面,更容易受到社会影响的城镇会经历更少的疏散。
公共产品和服务
另外,如果城市能够提供足够的应急响应和公共产品,一些社区(即使是较富裕的社区)的长途疏散也会减少。强有力的制度和规范可以极大地影响政策的有效性(March and Olsen 1983),政策的成败不仅取决于中央政府,还取决于私营和非营利部门的地方合作伙伴,他们帮助实施这些紧急服务(Goggin 1990, Hill and Hupe 2014)。因此,我们预计,预算更平衡、机构能力更强的城市,在应急服务等面向社区的资源上投入更多的城市(Bakema等,2019年),以及为其城市开放更多公共避难所的城市,将会有更多的居民留在当地,只是疏散到当地的避难所,而不是离开城镇。提供这些公共物品对疏散决策至关重要。
社会资本
最后,一些社区可能仍然比其他社区有更多的长途疏散,即使考虑到公共产品供应不足、社会脆弱性或破坏和基础设施质量,因为他们的社会资本水平。社会资本,即社区中使集体行动成为可能的社会关系,至少有三种类型。联结性社会资本指的是同一社会群体、种族、年龄、阶层或家庭成员之间的同质性联系(McPherson et al. 2001)。来自具有强大社会资本纽带的社区的居民可能选择不撤离,因为当危险袭来时,他们相互支持,共享避难所,正如学者在飓风马修(Collins et al. 2017)之后记录的那样。同样,许多研究表明,特定社区利用他们的种族、宗教和语言联系团结起来,从冲击中恢复(Shoji和Murata, 2021年),就像卡特里娜飓风(Chamlee-Wright和Storr, 2009年)的情况一样。然而,同质关系可能会因为有问题的原因限制疏散。同质关系限制了疏散人员对不同信息来源的访问。他们可能不知道疏散到哪里,是否疏散,何时疏散,如何疏散。一些研究,如Riad et al.(1999)发现,人们的社会关系影响他们在飓风雨果和安德鲁后的撤离决定;其他人则表示,联系纽带可以帮助居民疏散(Shoji和Murata, 2021年),或有时帮助他们在当地避难并度过风暴(Collins等人,2017年)。 For example, studying evacuation after Hurricane Matthew, Collins et al. (2017) found that non-evacuees tended to have tight-knit communities to rely on during storms.
相比之下,桥接型社会资本描述的是来自不同社会、种族和阶层群体的人之间的关系。虽然一般人只能保持一定数量的牢固的社会联系,但个人可以积累几十或数百个”弱”建立信任的桥梁关系,并在关键时刻利用这些关系来分享信息或资源,而像家长教师协会和倡导团体这样的公民和政治协会有助于通过这种方式连接个人(Granovetter 1973, Putnam 2000, Smiley等人2018)。研究已经在日本、美国和许多其他国家的个人、社区和城市层面观察到了这些结果(奥尔德里奇和克鲁克2007年,奥尔德里奇和泽田2015年,叶和奥尔德里奇2019年)。那些来自桥梁联系更紧密的社区的人可能会看到公民协会在危机时期一起帮助疏散民众。同样,受飓风“哈维”、“厄玛”和“玛丽亚”影响的用户的Facebook数据进一步证明,桥梁和链接联系更强的个人更有可能撤离(Metaxa-Kakavouli等人,2018年)。
链接社会资本指的是社区成员和当局之间的垂直关系(Hawkins and Maurer 2010, Szreter and Woolcock 2004)。地方官员与社区团体紧密结合的地方往往会看到公共工程的改善、更好的城市规划和对社区需求的更强响应,这有助于提高社区在自然灾害发生时的恢复能力(Aldrich and Crook 2007, Tsai 2007, Edgington 2010, Aldrich 2012, 2019)。联系更紧密的社区可能会得到社区和地区官员更大的响应,使他们不太可能离开。这些官员可能更有可能制定应急措施,并将疏散人员引导到附近特定的地点。此外,关联的社会资本可能与其他类型的社会资本或社会脆弱性相互作用:当卡特里娜飓风袭击新奥尔良时,下九区(一个非常贫穷的社区)的居民撤离的可能性要比湖景附近的富裕和白人社区的居民低得多,后者的居民可以通过他们在其他社区和城市的个人网络寻求救济和庇护(Elliott等,2010)。
假设
本研究假设居民的社会资本,尤其是其关联的社会关系,对危机后疏散有显著影响。关于社会资本联结效应,我们主要提出三个假设。首先,我们假设更紧密的社会联系会导致较低的社区长途疏散率;我们预计,即使考虑了灾害破坏和基础设施能力(Boin和McConnell 2007年,Petit等人2013年,Na和Banerjee 2015年,Nakai等人2016年),基于灾难前后的社会脆弱性(Perry和Lindell 1991年,Fothergill等人1999年,Smith和McCarty 2009年),以及当地政府在危机后提供的公共产品和服务数量(Bakema等人2019年),以及通过其他类型的社会资本向他们提供的社区资源(Szreter和Woolcock 2004, Elliott等人2010,Aldrich 2019)。其次,我们假设桥接性社会关系会干预连接性社会关系的效果,帮助在社区的不同群体中传播信息,这既可以帮助当地疏散通知,也可以在谣言传播时阻碍他们。第三,我们假设连接和桥梁联系的影响即使在脆弱的社区也持续存在。下面,我们将介绍一种方法来检验这些假设。
方法
这项混合方法研究使用了新的大数据源和实地采访数据,以三角定位为什么一些城市的远程疏散比其他城市更多。我们的研究结合定量和定性方法来回答我们的每一个问题。为了研究为什么有些社区比其他社区更容易撤离城镇,我们将聚合Facebook数据的模型与面对面访谈和个案研究的内容分析相结合。下面,我们将介绍我们的数据和方法。
数据
我们的分析聚焦于2018年9月6日袭击北海道的东伊武里地震。这场灾难的影响各不相同,震中附近的Atsuma和Abira镇遭受了最直接的破坏,但数十个城市遭受了各种破坏和并发症(北海道东伊武里地震灾害核查委员会2019年,Zhou等人2021年)。根据我们研究中每周结束时记录的北海道政府数据,只有9个城市的当地疏散人员使用了市政避难所,通常是因为他们的家园在东伊武里地震后遭受了严重的山体滑坡(2018年灾害预防小组)。图A1.1概述了这些社区疏散到当地避难所的情况。
然而,这些社区以外的北海道居民也受到了影响,导致困难,这肯定会促使疏散到当地社区以外。北海道33个市报告了房屋受损,15个市报告了非住宅建筑受损(北海道东伊武里地震灾害核查委员会2019年),39个市报告了从1天到20天的停水(内阁办公室2018年),66个市中断了电视服务(内阁办公室2018年),电视服务与电话线密切重叠(消防和灾害管理局2018年)。最后,由于Atsuma燃煤电厂断电,几乎整个北海道都受到了数周的影响(Fraser et al. 2021b)。虽然大多数社区在45小时内迅速恢复了正常服务,但Atsuma和Abira镇在之后的数天内持续出现电力服务问题(octo 2018)。
我们的分析基于Facebook data for Good项目的数据来模拟远距离疏散行为,该项目汇总了灾难发生前两周在灾区使用Facebook的用户的计算机IP地址的数据,将这些用户定义为受灾难影响的用户。Facebook统计了这些受灾难影响的用户中有多少人离开了他们现在所在的城市以及他们去了哪里,并将这些数据汇总到城市级别。Facebook收集信息以保护用户隐私,然后将这些匿名数据提供给特定的非政府组织和学术机构,用于研究和应对危机。这项研究跟踪了116个城市(北海道34个,日本各地的82个目的地)的连续人口流动,为期5周,包括9月3-10日、9月11-17日、9月18-24日、9月25日- 1日和10月2-8日。虽然这项研究不能对所有人都有效,但我们的发现适用于40%的日本人,这是相当大的一部分人口。
疏散水平
首先,我们调查了为什么一些社区比其他社区经历了更多的疏散,重点是北海道受灾难影响的34个城市,Facebook收集了有关数据。在34个城市中,每个城市的受灾用户离开多于来到;我们调查了这34个城市,以解释每个城市每周的疏散情况,如图1所示。
我们生成了一个包含170个城市周观测数据的面板数据集,时间跨度超过5周。对于每周的每个城市,我们通过计算与前一周相比,一个城市的用户数量增加或减少了多少来估计疏散情况。我们在图2中可视化了这个面板数据集,在图2A中显示了整体的右偏分布,在图2B中按周划分的分布,在图2C中按城市每周的疏散率显示为瓷砖。
代理
为了预测疏散率,我们使用了四个关键变量,然后是几个控制。首先,为了代表社会脆弱性和社会资本,我们使用了2017年的四个指数,这些指数来自日本市级的公开数据(弗雷泽2021年),改编自社会脆弱性指数(SoVI;Cutter et al. 2003)和社会资本指数(SoCI;Kyne和Aldrich 2020)。每一项都以0(最小)到1(最大)的尺度进行测量。
社会脆弱性指数综合了19个脆弱性指标,从13个关键领域(1)种族和民族、(2)性别、(3)年龄、(4)家庭结构、(5)社会经济地位、(6)教育、(7)流动、(8)就业损失、(9)弱势行业就业、(10)住宅物业和租赁状况、(11)社会依赖、(12)医疗服务和获取、(13)特殊需求人口规模等方面衡量城镇的社会脆弱性。该指数采用主成分分析方法,直接采用常用的美国社会脆弱性指数(Cutter et al. 2003)方法,将各指标组合在一起,确定了日本社区最显著、最重要的脆弱性趋势。
接下来,结合社会资本指数衡量群体内的联系,取七个代理的平均值,这些代理表明社区成员在(1)国籍,(2)宗教,(3)教育水平,(4)就业状况,(5)男性与女性的就业水平,(6)年龄,(7)沟通能力方面的相似程度,利用Alesina和同事(2003)的细分方法来估计社区的相似或差异水平。因为黏合性社会关系在同一社会阶层的成员中更常见(McPherson et al. 2001, Lin 2001, Szreter and Woolcock 2004, Dyson 2006, Mouw 2006, Beaudoin 2007, Hawkins and Maurer 2010, Aldrich and Meyer 2015)。
桥梁型社会资本指数捕捉了群体间的联系,平均了建立跨社会阶层联系的跨界协会的八个指标,包括(1)社区中心、(2)图书馆、(3)工会、(4)非营利组织和(5)宗教组织的比率,辅以各种构建跨界联系的公民参与,包括(6)志愿者参与率和选民投票率(7)县选举和(8)下议院选举。
最后,联系指数反映了与地方和国家官员的联系,平均分为六个指标。地方和州的关系以(1)地方和(2)州政府雇员,(3)州警察,(4)州议会成员的人均比率来衡量。此外,在众议院(5)和县选举(6)中获胜的政党赢得的选票份额也补充了这一点,因为投票给获胜政党的社区更有可能得到这些官员的帮助和支持(Fukui and Fukai 1996, Catalinac et al. 2020)。
这些市政级指标在测试中显示了较高的内部和外部有效性,并正确预测了已知的相关因素,包括3/11灾难后东北社区的灾难结果(详见Fraser 2021)。这些指数已被用于研究疏散到指定避难所(Fraser等,2021a)、对气候变化的适应(Fraser等,2021b)、社区对COVID-19大流行的结果(Fraser和Aldrich, 2021年)以及其他灾难结果。beplay竞技
除了这些概念之外,我们还必须控制几种公共产品,控制地震的范围。为了表示余震对疏散的影响,我们使用了每个城市距离震中公里的欧氏距离(日本地理空间信息管理局2020)。为了控制损失,我们使用了人均住宅和非住宅建筑在地震中损坏或摧毁的总数(北海道东伊武里地震灾害核查委员会2019年)。为了控制地震造成的长期不便,这可能会引发人口流动,我们统计了每个城市因地震造成的水中断持续的天数(内阁办公室,2018年)。我们还控制了疏散到城镇内避难所、而不是离开城镇并一直呆到9月20日的疏散人员数量(2018年灾难预防小组)。这反映了每个城镇对当地避难场所的依赖程度。
为了代表基础设施政策的效果,我们使用了2016年人均数千日元的市政公共工程支出金额。为了代表2017年与灾害相关的公共产品和服务的效果,我们使用了2017年市政在消防部门的人均数千日元的支出,每个市政当局的第一反应人员和应急服务提供者的主要来源,以及为应对东伊武里地震而开放的人均公共避难所数量。这一数字包括社区中心、公共图书馆、小学、初中和高中。最后,为了考虑政府能力的影响,我们使用了2016年的收入与支出之比。这些市统计数据来自日本人口普查(统计局2020年)。我们在附录1表A1.1中对所有变量进行了描述性统计分析。
模型
本研究使用一系列模型来估计社会资本对城市间疏散的影响,控制了破坏和基础设施质量、风险和脆弱性以及公共产品提供质量。首先,我们运行了一个基本的普通最小二乘(OLS)模型,计算城市间每1000名居民的疏散率,对结果进行对数转换,以解释其在比率之间的强烈右倾斜。通过两个简单的控制,包括社会脆弱性和距离震中的距离,我们测试了联结、桥接和连接社会资本的效果(表A1.2,模型1A)。每个模型包括每周固定效应,以解释随着时间的推移疏散的变化。然后,我们添加了满电池的控件(表A1.2, Model 1B)。作为一个健壮性检查,我们关注的效果报告相同的一致方向的效果,当建模与简单控制与完全控制。这个完全控制的模型解释了高达63%的Facebook用户远程疏散率的变化,如R²统计所示。我们的基本模型发现,联系社会资本对疏散率有很强的负向影响,结果中进一步讨论了这一点。
其次,为了将链接社会资本的负面影响置于情境中,我们在后续的模型中应用了互动效应:我们在链接社会资本和桥接社会资本之间应用了一种互动效应,以确定具有更强的桥接和连接联系的社区是否比仅具有强连接联系的社区出现了不同程度的疏散。我们通过简单的控制(表A1.2,模型2A)以及完全指定的模型(表A1.2,模型2B)将这种交互添加到我们的模型中。图A1.3的似然比检验表明,纳入这些术语导致模型拟合在统计上显著改善,正如两种情况下卡方统计数据在统计上显著(p < 0.05)所示。似然比检验也表明,最终模型的拟合度优于包含补充交互作用时的拟合度,且具有一次交互作用的完全指定模型(表A1.2中的模型2B)在表A1.2的所有模型中拟合度最好。(其他互动效应的潜在配置,如连接社会资本和脆弱性,或三方互动效应,并没有持续改善模型拟合,所以我们不再进一步讨论它们。)我们采用了这些有限的相互作用,而不是测试许多不同类型的相互作用的影响,以便在不过度拟合我们的模型(只有170次观察)的情况下,在理论上创造出可能的最简洁的解释。
数据包含两个主要的异常值:第一个是伊索亚枪,它经历了四个人均每周撤离人数最高的地区(118、129、140和169);第二高的周撤离人数是Shimukappu-mura,远低于99人。我们重复了表A1.2模型3A到4B中不包括Isoya-gun和Shimukappu-mura的模型,没有显示出重大差异。下面讨论的模拟也显示了同样的趋势,即使排除了异常值(见图A1.2)。
所有的方差膨胀因子(VIF)得分保持在10以下,这是有问题的共线性的阈值,接近2.5,这是黄金标准,表明没有模型遭受多重共线性。图A1.3突出显示了这些变量的相关矩阵,我们提供了双变量散点图来支持我们的基本模型和图A1.4中的交互模型。(我们的交互模型展示了一些结构性共线性,这对于交互模型来说是很自然的,因为它们确实涉及到相关变量)。为了比较变量间的效应大小,我们将所有预测因子从1(最小)调整为10(最大)。[1]
统计模拟
最后,我们依靠统计模拟变色龙从表A1.2的模型中打包到R来检验我们的三个假设(Choirat et al. 2017)。尽管过去的研究使用beta系数和优势比来报告回归模型的结果,但当使用一种或多种交互效应或使用记录结果变量时,这些估计的效应往往难以解释。相反,与传统的预测概率和边际效应类似,我们根据一组提供的城市特征,在不同的置信水平(90、95、99和99.9%)下,从给定的模型方程模拟出预期疏散率的中位数。这些模拟不是新模型,但相反是模型1B和2B中完全指定的模型的直接副产品。这些预期疏散率都依赖于Zelig包中多元正态分布的1000次模拟,以解释估计不确定性和基本不确定性。关于统计模拟和相关工作的深入讨论,请参见附录2。在结果中,我们模拟了表A1.2中完全指定的模型1B和2B的效果。在表A1.2中,我们展示了只有基本控制的模型(表A1.2中的模型1A和2A)的系数显示了几乎相同的趋势。
我们模拟了疏散率随着一个预测因子的增加而变化的程度,例如,通过保持所有其他预测因子的平均值不变(或分类变量的模式不变),将一个平均城市的社会资本联系起来。为了检验我们的第一个假设,即(H1)连接关系会促进疏散,我们使用完全指定的基本模型(模型1B)模拟了预期疏散率,只改变了将社会资本从最小(1)到最大(10)的连接,而将所有其他类型的社会资本保持在最小(1)。我们在图3中展示了这种模拟。然后,为了证明链接联系相对于其他类型的社会资本的重要性,我们将这些与只改变桥接社会资本从最小(1)到最大(10),然后只将社会资本从最小(1)到最大(10)的模拟进行比较。在图4中,我们展示了每个特定类型中,社会资本最大的城市与社会资本最小的城市在疏散方面的差异。
为了检验我们的第二个假设,即(H2)具有强大的桥梁和联系纽带的城市出现了更大的疏散,我们使用完全指定的交互模型(模型2B)模拟了预期疏散率;在这里,我们同时增加了桥接社会资本和连接社会资本,从最小(1)到最大(10)。这体现了相互作用效应,即桥梁联系最小的城市有一定的疏散水平,而桥梁联系最大的城市有不同的疏散水平。图4展示了这些模拟。
为了检验我们的第三个假设,即桥接和连接的(H3)效应在高度脆弱的城市和不那么脆弱的城市都持续存在,我们使用了相同的完全指定的交互模式(模型2B)。这一次,我们将连接和连接社会资本从最小值(1)增加到最大值(10),但将脆弱性保持在最小值(1),以模拟脆弱程度较低但平均水平的城市的疏散水平的变化。然后,在第二个面板中,我们重复了这个过程,但将脆弱性设为最大值(10),以模拟一个高度脆弱但平均水平的城市的疏散水平的变化。我们使用这种方法,而不是创建一个三方交互模型,因为附录1中的似然比测试发现,我们的桥接和链接交互模型在所有可能的模型中最适合。
定性分析
最后,为了将这些发现背景化,我们选择了基于嵌套分析逻辑的案例研究,这是Evan Lieberman(2005)开发的一种混合方法分析的常见技术。在嵌套分析中,研究人员使用大n分析(我们的模型)来测试理论,然后使用一个模型来演示模型中发现的因果机制如何以及为什么会导致结果”在直线上”有代表性的案例可以很好地预测或者在模型中发现有代表性的趋势。然后,研究人员选择一个”打完电话”案例偏离模型的趋势,调查模型的不足,并为未来的工作建立理论。2019年12月,我们选择了代表性的Tomakomai案例和离线的Atsuma案例两个市,进行了实地采访,收集了12次居民和当地官员的采访。然后,我们对访谈记录进行定性内容分析,将回答分成共同的主题,以发展案例研究。讨论部分概述了这个过程,在那里我们展示了案例研究。这些案例研究有助于说明社会资本如何影响城市之间的疏散。
结果
为什么有些城市的疏散人数比其他城市多
我们对社会资本是否比社会脆弱性、公共产品提供、损害或时间更好地解释了疏散,使用记录普通最小二乘回归模型对170个城市周的Facebook用户移动观测进行了建模,给出了地震后运动的高度详细的近似。
为了验证我们的第一个假设(H1),即社会资本促进疏散,我们考察了社会资本类型对远程疏散的直接影响。由于来自记录结果的beta系数可能很难直接解释,所以我们在变色龙(King et al. 2000, Choirat et al. 2017),模拟了弱社会资本与强社会资本社区预期疏散率的变化。为了对一个平均城市进行有意义的预测,以下所有模拟都是根据灾难后第一周(截止于9月10日)的1000个完全指定的模型模拟计算出来的。所有其他变量都保持其平均值。
图3可视化了连接社会资本的直接影响,模拟了一个平均城市在第一周的疏散率,给出了我们观察到的34个城市的连接、连接和连接社会资本的最低水平。随着社会资本关联水平从min(1)增加到max(10),平均城市的预期疏散率从2.95 / 1000下降到2.34 / 1000。
图4比较了表A1.2完全指定模型中各类型社会资本的直接模拟效果。在这里,x轴显示了我们的模型预测的平均城市疏散人数的增加(+)或减少(-),给定特定类型的社会资本从最低(1)水平增加到最高(10)水平。首先,我们发现,拥有更多联结性和桥梁性社会资本的城镇,疏散程度略低,但这些影响在传统水平上并不显著,这可以从他们模拟的95%置信区间在0处穿过虚线的情况看出。然而,将社会资本(一种与信任政府密切相关的因素)与疏散密切相关。我们发现,社会资本关联度较高的城镇,每1000名居民撤离城镇的人数中值较低8.35人。这一差异在p < 0.01水平下具有统计学意义。这种效应在简单对照(beta = -0.09, p < 0.01,模型1A)和全电池对照(beta = -0.07, p < 0.05,模型1B)中保持一致。在去除异常值后,影响略有下降,仅在单侧检验中显著(beta = -0.04, p < 0.10,模型3B),但仍然相当大。这促使我们研究下面的交互模型,它们产生了一致的显著影响。
然而,过去的文献表明,桥梁纽带可以帮助信息在社区和不同人群中更快地传播(Granovetter 1973),这可能会影响人们对疏散避难所或政府建议的了解。反过来,信任有更强联系的政府的居民可能更有可能相应地调整他们的行为。
为了检验我们的第二个假设,即(H2)连接和连接纽带共同促进疏散,我们使用互动模型测试了连接和连接社会资本更强的社区的影响。由此可见,疏散效应呈负向交互作用(beta = 0.05, p < 0.01,模型2B)。这与剔除的异常值一致(Model 4B)。我们的模拟将这种效应置于情境中,揭示了一个更微妙的故事。在图5中,我们模拟了具有相同约束条件的平均城市的疏散率,使用样本中的最低水平,假设弱水平的连接、桥梁和连接社会资本和脆弱性,然后将桥梁和连接社会资本的水平从最低水平到最高水平进行了变化。
图5显示了一个奇怪的趋势。相比于桥梁性和连接性社会资本薄弱的城镇(1),桥梁性和连接性社会资本中等的城镇(5)疏散人数更多。然而,随着桥梁和连接纽带的水平进一步增加,疏散率达到峰值,他们往往看到越来越少的疏散人员。换句话说,连接和连接社会关系会产生一种非线性曲线效应。
最后,为了检验我们的第三个假设,即(H3)桥接和连接的效应在高度脆弱和不那么脆弱的城市中都持续存在,我们重复了图5中的模拟,但对于脆弱性水平高与低的平均城市,如图6所示。在左图中,我们看到,对于一个社会脆弱性较低的平均城市(用最小值1表示),我们的模型预测出了相同的曲线趋势,但总体疏散水平要高得多,高达每1000名居民疏散200人。相比之下,在右边的面板中,我们看到,对于一个社会脆弱性高的平均城市(最大值为10),我们的模型预测出了相同的曲线趋势,但总体疏散率要低得多,达到每1000名居民疏散10人以上。
疏散通道
我们的上述研究结果强调,具有最大联系和桥梁联系的社区,尤其是脆弱社区,往往较少离开城镇,而具有同样高社会资本的不那么脆弱的城镇,往往在危机后更多地离开城镇。为了将这些发现背景化,我们通过分析从Facebook获得的城市配对数据,可视化了这些居民倾向于去哪里。除了北海道的34个城市,我们还收到了北海道以外的82个城市的数据,这些城市接收了来自34个受影响社区的疏散人员,共计116个城市。在这116个城市中,Facebook每周都报告了三个城市在那一周内是灾区新用户的主要来源。这意味着,例如,如果Tomakomai, Chitose和夕张是在给定的一周内迁移到札幌的灾区用户的前三大来源,我们可能最多知道75%的用户来自于Tomakomai, 15%来自于千岁,10%来自于夕张。这些数据很强大,但也很有限。我们将数据简化为二进制格式,描述在灾难发生后的五周内,某个城市是否在目的地的前三个源城市之列(1 vs. 0)。它描述了大量灾区用户旅行的来源和目的地的多样性。
在图7中,我们可视化了哪些城市对共享疏散人员。在左边的图中,我们看到人们离开这个县的最常见的来源是札幌,它是日本东铁子弹头列车的主要终点,也是北海道的主要都市地区。乍一看,这是令人惊讶的,因为大多数人会乘坐的机场实际上是在千岁,而不是札幌;该机场在地震后暂时关闭。值得注意的是,札幌的社会脆弱性指数得分中等(在34个社区中,从1到10的等级为5.3);财富的集中、交通和较低的破坏程度可能使居民更容易离开。
在右图中,我们可以看到在北海道城市中,札幌也是北海道Facebook用户在地震后在城市之间移动的主要来源城市。换句话说,几乎所有的路线都经过札幌。我们可能会认为,在札幌和类似的不那么脆弱的社区,桥梁和连接纽带有助于居民离开,而在更脆弱的社区,它们帮助居民团结起来,宣传当地的避难所,并在危机后保持社区凝聚力。
案例研究
为了更好地理解危机后居民选择留在或离开城镇的原因,我们应用Lieberman(2005)的嵌套分析模型进一步调查了(1)显示或(2)偏离我们的Large-N分析中发现的趋势的两个社区。我们调查了距震中25公里的伊武里县最大城市友町市(Tomakomai City),作为社会资本和脆弱性影响疏散率的典型案例。然后,我们调查了位于震中附近的深马镇,该社区遭受了长时间的停电,作为一个不同的案例,我们的模型无法涵盖社会资本可能引发不同类型的疏散行为。为了调查这些案例,我们进行了实地访谈,更多地了解居民的经历。2019年12月,我们对这两个社区的当地官员、非政府组织代表、急救人员和居民进行了12次采访。我们既没有使用随机样本,也没有使用多种类型居民的详尽样本,因为这个话题对失去了很多东西的居民仍然敏感,但我们的小样本仍然突出了经验的多样性。这些受访者的特征总结在表1中,涵盖了年龄范围、当地企业、当地官员和急救人员。下面,我们对这些访谈记录进行了内容分析,总结在表2中。
内容分析
首先,我们列出访谈对象在访谈中讨论某些关键主题的频率,突出Atsuma和Tomakomai中所讨论主题的区别。我们从日语中转录了采访内容,并编码了12次采访中与10个特定主题相关的关键词出现的频率。
我们的内容分析突出了三个在人们是否撤离的决定中发挥作用的主要主题:社区资源、水和对家园的破坏。12人中有6人在采访中提到了水的问题。
Atsuma经常提到邻居和家人,表明社会关系等社区资源的重要性,以及对水电中断的关注。尽管67%的人讨论过疏散,但同样比例的人报告说他们去了疏散避难所,这意味着他们主要想到的是疏散到附近的地点。
根据这个采访过程中收集到的故事,作为预防措施,一些Tomakomai居民被疏散到当地的避难所。然而,在Tomakomai接受采访的人没有一个离开小镇。所有受访者都回答说,当他们确认没有海啸威胁时,他们自己或家人已经开始清理掉的物品和家具。对大多数人来说,地震造成的不便多于重大挑战。地震摧毁了北海道的479栋建筑,损坏了1736栋建筑,但只有5栋房屋受损,44名死者中有2人是在友町。
相反,据我们采访的Atsuma居民说,房子的物理状态和缺水是他们撤离的关键原因。一名来自Atsuma的消防员回忆说,不稳定、多孔的地面和山体滑坡导致他所在社区的四户家庭因房屋被完全摧毁而疏散。然而,据报道,Tomakomai的大多数撤离案例似乎都是出于预防措施的考虑,比如对余震的恐惧,传言中可能出现的水资源短缺,以及停电。如前所述,在地震发生后的当晚,避难所里的疏散人数达到了450人左右的峰值,在接下来的几天里逐渐减少。
最后,来自两个社区的受访者讨论了危机后社交媒体和技术在分享信息方面的重要性。几名居民报告说,他们通过社交媒体听到了有关危机严重程度的耸人听闻的报道。这使得长距离疏散显得很有必要,即使当地有避难场所。这些耸人听闻的报道可能也促进了受危机影响较小的社区的长途疏散,尽管危机高度局限于Atsuma和Abira镇。这些访谈表明,更紧密的联系和桥梁联系使居民能够分享有关危机和当地避难所可用性的更高质量的信息。与此同时,联系和桥梁联系较弱的社区难以获得良好的信息,导致他们的居民长途疏散到其他城镇。
象征性案例和分歧性案例研究
下面,我们转向两个个体层面的定性案例研究,讲述了两个居民的故事,以证明在Atsuma Town和Tomakomai City,社会资本和脆弱性如何改变了居民的疏散决定。
如前所述,我们的研究设计遵循一个迭代过程。我们开始在该领域进行定性访谈,以建立对哪些变量重要,哪些不重要的理解,然后建立模型来检验我们的假设。虽然收集到的访谈数量很少,但像Lieberman(2005)和Schatz(2009)这样的学者强调,即使是一次访谈也能揭示一种从外部看不见的模式。
这就是Tomakomai和Atsuma的情况。在Tomakomai, T先生的观察揭示了谣言(以及相应的对政府信息的信任)是如何影响疏散的,这是我们大n调查结果的象征。与此同时,在Atsuma, K先生的观察突显了这一趋势在受灾最严重的社区中并不那么重要,在那里,紧密的联系在减少疏散方面发挥了更大的作用。然后,我们使用定量模型验证了这些模式是否发生,这是检测大n趋势的最合适方法。
代表性案例研究:友町市官员:短信与谣言的传播
首先,我们研究了位于震中25公里外的Tomakomai市的典型案例,它很好地展示了我们在将社会资本与疏散联系起来的模型中发现的趋势。我们跟随Tomakomai市危机管理办公室的官员T先生的经历,展示破坏、虚假信息和社区资源如何影响他的家人撤离的决定。
T先生、他的妻子和两个儿子在黎明时分被突然猛烈的震动惊醒。”我正在睡觉,然后听到“砰”的一声,我立刻醒了过来……它来得太突然了!我其实很担心我的房子,我不知道它是否能抵御地震。”地震停止后,T先生急忙打开灯来评估损失,在短暂的两分钟后,他们再次陷入黑暗中。
然而,T先生没有时间浪费了。在被叫醒后不到10分钟,他就开车进入了黑暗中,到凌晨3点40分,他已经在Tomakomai市危机管理办公室上班了。”我们必须收集有关Tomakomai发生的灾难的信息,并通知我们的公民。(开车的时候)我对地震一无所知,我担心会发生海啸。”这种隐现的不确定性弥漫在整个北海道,社交媒体上很快就充斥着谣言。”谣言开始通过社交网站(SNS)传播。有传言说,那里不会有任何自来水,可能会发生余震。当然,我们解决了这些问题,但在这种情况下,人们很容易相信(谣言),因为地震不像台风,你无法预测。”T先生表示,这些社交媒体上关于水资源短缺和余震的恶作剧传播得很快,增加了疏散到避难所的人数(正如我们的模型显示的那样,疏散到其他城镇)。虽然在地震发生几小时后,附近避难所的疏散人数达到了942人的峰值,但一直下降到9月8日晚上10点,人数从当天下午(下午3点)的80人激增到250人。
至于T先生的家人,他们在地震后呆在家里,很快就恢复了正常生活。他们与当地政府的密切关系让他们相信当地政府的信息,并向他们保证,停电只是暂时的。”因为只是停电,我们可以继续我们的日常生活。这也是9月初,所以(温度)不是很冷。我不知道如果是在12月,我们会做什么。”
总而言之,T先生在地震后的经历凸显出,一些Tomakomai居民选择不撤离,因为他们的水电供应只是暂时受到影响,他们对政府信息的信任让他们确信,危机很快就会结束。然而,社交媒体上的谣言和虚假信息极大地影响了居民的疏散决策。由于缺乏信息,没有电视,也没有互联网,居民们通过各种渠道获取信息。这助长了虚假信息的传播;受访者提到,由于这些虚假信息,一些居民在本不必撤离的情况下进行了疏散,这有助于解释为何长距离疏散率高于通常这种局部灾难造成的疏散率。
这样一来,强大的社会联系和对政府的信任对于避免不必要的远距离疏散至关重要,而连接信息网络和谣言工厂被证明是有问题的,鼓励了不必要的疏散。
分歧者案例研究:Atsuma Town
其次,我们研究了Atsuma镇的不同案例,它位于震中附近,在地震中严重受损。在这项研究中,Atsuma Town并没有被纳入模型,因为我们没有发现有记录的Facebook用户从这里长途撤离;事实上,该社区面临着停电、破坏和被疏散到当地避难所的短距离行动。Atsuma代表了一个不同的例子,它受到地震的严重影响,不像研究中的其他社区,其他因素可能解释了长途疏散的缺乏。我们跟随厚马市政厅官员K先生的经历,他的叙述展示了社区意识和共同的经验如何影响他的家人撤离到当地避难所的决定,而不是撤离离开厚马。
K某发现,由于地震的剧烈运动,建造仅3年的住宅被部分毁坏。”我们没有水,没有电。我们无法获得很多信息,我们不能看电视,所以我告诉我的家人疏散,”他说。”我只感到愤怒,”他谈到了地震,以及所发生的事情的不公平。有两周时间,K先生的妻子和四个孩子(年龄从几个月到12岁不等)住在K先生工作地点后面的避难所里,而K先生自己则睡在工作地点。”我住的地方有三周没有水喝了……即使在我们撤离后,他的尿布需要换,他的奶瓶需要消毒,而且没有水。”
一个星期后,这家人得到了一辆露营车一样的拖车,但他们根本没有考虑离开厚马。这主要是因为他们对Atsuma社区的依恋。与厚马的大多数居民不同,K先生和他的妻子都不是厚马人。这家人八年前才搬到这个小镇。然而,他们已经对这座城市有了强烈的归属感和联系。”我妻子的家乡是朝川,在北边……如果我们被疏散到朝川,我们就不会知道Atsuma的情况……我想如果我们离开,就很难找到相互同情和同情的人……尤其是在这场灾难中。这次地震并没有很多人受到Atsuma那种程度的影响。”有4700人的厚马镇有36人丧生,接近其人口的0.77%。
K某还强调了厚马人之间的亲密关系。”镇上的大多数人都认识那天去世的人。这是一个非常亲密的小镇,所以我们失去了亲近的人。那种震惊,情感上的震惊,对我们所有人来说都是很大的。”
这场灾难带来的震惊和新奇似乎促使人们从周围的人那里寻求理解、联系和同情。科先生回答说,”尽管这次的灾难可能与日本的其他灾难不同,但对我们这样的小镇来说,它是毁灭性的。”这次地震对当地的影响很大,实际上鼓励居民留在当地的避难所,而不是离开城镇。根据K先生的说法,”外面的人不知道这里到底发生了什么。媒体只能展示其中的一部分,所以他们不会理解的。[e]我们更愿意与朋友和亲近的人在一起……尽管留在这里可能更不方便。”K先生的经历表明,与朋友之间的纽带关系是Atsuma缺乏疏散的主要原因。这与普遍被滥用的模式不同,我们发现,通过信任政府和打击错误信息,联系鼓励人们不撤离。K先生的故事表明,在疫情严重的地区,社区凝聚力可能尤其重要。
综上所述,Atsuma的案例告诉我们,撤离城镇是最后的选择,而不是第一选择,即使是在受灾最严重的社区。人们通常不愿意离开他们的家、社区和贵重物品。正如我们在上面的模型中观察到的那样,只有极端的条件才会导致个人改变他们在城市之间的移动模式。K先生和他的家人留在了当地,因为他们知道了他工作地点后面的避难场所,也因为他们从社区不同成员那里得到了共同的支持。这也表明了信息共享的重要作用,强大的社会资本有助于促进信息共享,以及对地方官员指令的信任的重要性,这些社会联系有助于信息共享。换句话说,虽然Atsuma的案例与我们的其他数据有所不同,但它再次表明,尤其是对于一个脆弱的社区来说,连接和连接社交网络是鼓励居民留在当地而不是长途疏散和离开城镇的关键资产。
讨论
这项混合方法研究调查了长途疏散,分析了为什么一些社区在灾难发生时比其他社区有更多的人离开城镇。我们发现了三个主要结果。首先,我们发现社区社会资本水平对东伊武里地震后居民异地疏散的程度有显著影响。尽管风暴疏散的研究表明,更强的社会资本,尤其是桥梁和连接联系,会促进疏散,但我们的结果显示,连接资本的效果相反,几乎没有证据表明连接资本或桥梁资本(Metaxa-Kakavouli等人,2018年)。
我们最初的模型显示,社会资本关联越强的城镇,在危机发生后离开城镇的人越少。过去的研究有助于解释原因,发现社会资本联系紧密的城镇倾向于更多地疏散到当地的避难所,并留在镇上(Fraser et al. 2021a)。与此同时,我们的双向互动模型对这种关联进行了改进,揭示出桥梁和连接关系更强的城镇与疏散之间存在曲线关系,导致疏散高峰期提前,随后疏散水平依次降低。这与过去的研究不同,过去的研究主要发现了线性趋势,但没有探索相互作用(Collins等人2018年,Metaxa-Kakavouli等人2018年)。然而,这种差异是可以解释的。在风暴中,居民可能依靠邻居的帮助或当地官员的信号撤离;在像地震这样的突发危机发生后,那些联合起来或向当地官员请求资源的邻居可能比那些无法获得这些社区资源的人更有能力留下来。
受影响最严重的社区是小型的农村城镇,这些社区有大量当地的、短程的疏散到避难所。我们可以推断,来自社会资本联系较强社区的居民了解了当地官员的努力和当地避难所的可用性,而那些社会资本较弱的社区可能难以获得这些信息,因此选择离开城镇。
其次,我们的三方互动模型显示,像札幌这样较富裕、不那么脆弱的社区,在危机后会有更多的人口撤离,也许是因为这些资源允许他们这样做,而像伊武里地区这样更脆弱、经济困难的城镇,在疏散高峰之后,由于桥梁和社会联系更强,疏散越来越少。这可能反映了在危机后面对脆弱性时,桥接和连接纽带如何帮助居民连接、保存和共享资源(Nakagawa和Shaw 2003, Hawkins和Maurer 2010, Aldrich 2012, 2019),导致他们留在当地,而在不那么脆弱的社区,居民可能会利用他们的桥接和连接纽带来确定退出策略。这与过去有关卡特里娜飓风后疏散的研究相吻合,研究发现,较富裕的社区利用他们的关系来寻找远离城镇的地方(Elliott等,2010)。
最后,这项研究也有一些局限性。Facebook定期测量用户在地震、风暴和火灾等危机期间的移动,甚至包括那些导致停电的事件。如果停电时间延长,可能会导致数据空白。然而,以下条件使我们有信心我们的数据不受停电的影响:首先,北海道电力服务地区仅用了45小时恢复电力(OCCTO 2018)。其次,Facebook每周都会测量城市之间的移动;即使有人在这段时间离开了Atsuma去了札幌,只要他们在那个星期的某个时候在他们的新地点用手机或电脑查看Facebook,他们的移动就会被计算进去。第三,即使在停电期间,坊间报道也显示,居民们在市政厅大楼和有发电机的地方排起了队,为他们的手机充电(CBS 2018)。最后,如果停电影响了这些数据,我们预计整个县的移动数据都将出现空白。事实并非如此。
此外,我们的大n模型检查了有任何Facebook用户疏散记录的社区,但没有在此期间没有疏散记录的社区,因为这种差异表明这些可能是质量不同的案例。这排除了遥远的目的地。例如,在研究区域中,脆弱度低但疏散率高的Soya District与高度脆弱的Suttsu District相邻,但没有疏散记录。(这两个城市都位于图1中研究区域的左下角)。Suttsu区就是这样一个远离震中的社区,如果有疏散的话,也没有被Facebook接收到。这其中也包括震中附近的一个著名案件,Atsuma,我们的分歧案本身。Atsuma没有显示任何Facebook用户的疏散,可能是因为一些道路受到影响,当地避难所通过短距离疏散吸收了潜在的疏散人员,那里停电更频繁。此外,其他研究表明,Atsuma主要进行短距离疏散(Fraser et al. 2021a)。因此,Atsuma和在这次大地震后没有撤离人员的类似社区在性质上是不同的,所以这个分析只关注那些确实有长途撤离的社区。未来的研究应该更详细地研究短程疏散的触发因素。
结论
利用一个新的数据集,从地理位置上的城镇之间的长距离疏散,聚合的Facebook用户运动,这个混合方法的研究,研究了为什么一些社区的疏散率比其他社区高。通过对170个城市周观测数据进行建模,我们发现,即使考虑到脆弱性、公共产品提供、破坏和基础设施质量,具有更强社会资本联系的社区的疏散率往往比联系较弱的社区低得多。对于那些联系和桥梁纽带更强的社区,甚至是那些高度脆弱的社区来说,情况尤其如此。我们还发现脆弱性影响了这一趋势,即不太脆弱的社区疏散更多,而更脆弱的社区疏散更少。
为了证实这一趋势,我们在两个受灾社区进行了12次访谈。我们发现,城市间的用户流动主要来自于离开札幌的居民;我们还从采访中了解到,地震发生后,居民们在社交媒体上面临着一连串的谣言和虚假信息,这些信息声称即将面临水资源短缺和长时间停电。来自札幌较富裕社区的居民可能在经济上更有能力长途撤离,因为他们通过桥梁网络遇到了持续停电的传言。在社会联系联系更紧密的社区,居民将更容易获得高质量的信息,向他们保证,他们所在的市政当局有疏散场所,他们不必离开城镇就可以去那里。相比之下,桥梁和联系纽带较弱的社区可能没有收到这些关键信息,导致他们疏散到更远的地方。
这项研究在三个关键方面补充了文献。首先,它建立在过去疏散研究的基础工作之上,通过使用市级普查数据来控制对疏散的六个关键干预变量的影响,如收入、公共产品提供和住房可用性(Horney等人2010年,Li等人2010年,Metaxa-Kakavouli等人2018年)。其次,基于过去的路边调查和事后调查(Riad et al. 1999, Collins et al. 2017),利用大数据分析一致人群、Facebook用户的完整移动数据。第三,本研究纳入了严格的社会脆弱性衡量,这深刻影响了居民的疏散能力(Cutter et al. 2003, Fraser 2021, Fraser et al. 2021c)。我们评估了所有三种社会资本与社会脆弱性之间的关系,表明连接和桥接社会资本可以作为重要的干预措施,即使是对社会脆弱性高的社区。
本研究提出了未来研究的两个方向。Facebook data for Good项目最近发布的数据让学者们可以评估有多少被疏散者在每个不同的社区之间移动。因此,学者们应该评估在这项研究中观察到的连接社会资本的效果是否也出现在这个更细粒度的数据水平上。我们可以预见,连接和桥梁纽带不仅会影响居民的一般撤离决定,也会影响他们撤离时的目的地选择。
其次,本研究区分了灾害可能会造成明显的短距离和长距离疏散模式,但由于我们的数据是市级的,受影响的社区数量很少,我们无法建立短距离疏散模型。未来的研究应该着眼于城市病房或更大规模的灾难,以验证连接资本和桥梁资本在短途疏散和长途疏散之间的影响是如何不同的。通过明确这些关键社区资源的作用,学者们可以为社区在危机发生前后提供地方层面干预的新工具。
__________
[1]大多数研究通过将预测变量调整为以均值为中心的z分数来确保具有可比性的效应大小,但在使用交互效应时,这是有问题的,因为计算一个数和0的乘积只返回0,而不是一个范围的值。为了解决这一问题,我们将变量从1调整到10,这样每个系数都反映了从1到10,当预测者增加1个单位时,疏散率增加的对数概率。
数据可用性
支持这项研究结果的数据/代码可以在哈佛数据世界公开获得https://doi.org/10.7910/DVN/NKTSMG,参考编号NKTSMG。这项研究的伦理审批是不必要的,因为所有的数据都是由Facebook的data for Good项目定期提供给人道主义非政府组织和研究人员的综合来源;研究人员没有接触到Facebook的个人用户数据。
文献引用
阿德奥拉,f.o.和j.s. Picou, 2012。卡特里娜飓风对种族、社会资本和健康的影响:路易斯安那和密西西比海湾沿岸的证据。人类生态评论19(1):10-24。
Ahsan, M. N., K. Takeuchi, K. Vink和J. Warner. 2016。在孟加拉国飓风艾拉期间影响沿海家庭疏散决定的因素。环境危害15(1):16-42。https://doi.org/10.1080/17477891.2015.1114912
奥尔德里奇,民主党,2012。建立复原力:灾后恢复中的社会资本。芝加哥大学出版社,芝加哥,伊利诺伊州,美国。https://doi.org/10.7208/chicago/9780226012896.001.0001
奥德里奇,民主党,2019年。黑色浪潮:网络和治理如何影响日本3/11灾难。芝加哥大学出版社,芝加哥,伊利诺伊州,美国。https://doi.org/10.7208/chicago/9780226638577.001.0001
奥尔德里奇,D. P.和克鲁克,2007。强大的公民社会是一把双刃剑卡特里娜飓风后的新奥尔良。政治研究季刊61(3):379-389。https://doi.org/10.1177/1065912907312983
奥尔德里奇,D. P.和M. A.迈耶,2015。社会资本和社区恢复力。美国行为科学家59(2):254-269。https://doi.org/10.1177/0002764214550299
奥德里奇,D. P.和泽田洋,2015。3.11海啸中死亡率的物理和社会决定因素。社会科学与医学124:66-75。https://doi.org/10.1016/j.socscimed.2014.11.025
Alesina, A., A. Devleeschauwer, W. Easterly, S. Kurlat和R. Wacziarg. 2003。Fractionalization。经济增长杂志8:155-194。https://doi.org/10.1023/A:1024471506938
M. M., C. Parra和P. McCann。2019.从废墟中吸取教训:2010年和2011年地震后的新西兰基督城就是一个例子。灾害43(2):431 - 455。https://doi.org/10.1111/disa.12322
Bardach, e . 1977。执行游戏:法案成为法律后会发生什么。麻省理工学院出版社,剑桥,马萨诸塞州,美国。
博杜安,C. E. 2007。大众媒体使用、邻里关系和社会支持:用面板数据评估因果关系。通信研究34(6):637 - 664。https://doi.org/10.1177/0093650207307902
Boin和A. McConnell。2007.为关键基础设施崩溃做准备:危机管理的局限性和恢复力的需要。突发事件与危机管理15(1):50-59。https://doi.org/10.1111/j.1468-5973.2007.00504.x
Bowser, G.和S. L. Cutter. 2015。去还是留?检查飓风疏散的决策和行为。环境:促进可持续发展的科学和政策57(6):28-41。https://doi.org/10.1080/00139157.2015.1089145
内阁办公室2018。9月18日,2018年北海道东伊武里地震的破坏情况。日本政府,东京,日本。(在线)网址:http://www.bousai.go.jp/updates/h30jishin_hokkaido/pdf/300925_jishin_hokkaido_01.pdf
Catalinac, A., B. Bueno de Mesquita和A. Smith, 2020年。猪肉桶政治的竞赛理论:以日本为例。比较政治研究53(10):1619-1655。https://doi.org/10.1177/0010414019897677
哥伦比亚广播公司(CBS)。2018.日本发生强烈地震,造成至少9人死亡,数十人失踪。CBS新闻,9月6日。(在线)网址:https://www.cbsnews.com/news/hokkaido-earthquake-japan-today-2018-09-06/
S. Chakma和A. Hokugo, 2020年。疏散行为:为什么有些人在紧急情况下从不疏散到气旋避难所?孟加拉国沿海地区的案例研究。灾害学报15(4):481-489。https://doi.org/10.20965/jdr.2020.p0481
Chamlee-Wright, E.和V. H. Storr, 2009。俱乐部商品和灾后社区回报。理性与社会21(4):429-458。https://doi.org/10.1177/1043463109337097
Choirat, C., J. Honaker, K. Imai, G. King和O. Lau. 2017。大家的统计软件,版本5.1.4.90000。http://zeligproject.org/
Collins, J., R. Ersing和A. Polen, 2017。飓风马修期间的疏散决策:社会关系影响的评估。天气,气候,社会9(4):769-776。https://doi.org/10.1175/WCAS-D-17-0047.1
Collins, J., R. Ersing, A. Polen, M. Saunders, J. Senkbeil. 2018。厄玛飓风期间社会关系对疏散决策的影响。天气、气候和社会10(3):459-469。https://doi.org/10.1175/WCAS-D-17-0119.1
卡特,s.l., B. J. Boruff, L. W. Shirley, 2003。社会对环境危害的脆弱性。社会科学季刊84(2):242-261。https://doi.org/10.1111/1540-6237.8402002
卡特,S. L.和C.芬奇,2008。自然灾害社会脆弱性的时空变化。美国国家科学院学报105(7):2301-2306。https://doi.org/10.1073/pnas.0710375105
防灾组。2018。2018年北海道东伊武里地震造成的破坏(第43次报告)。日本北海道政府。
戴森博士,2006年。无论如何:卡特里娜飓风和灾难的颜色。基本Civitas书籍,纽约,纽约,美国。
Edgington, D. W. 2010。重建神户:危机与机遇的地理。英属哥伦比亚大学出版社,加拿大英属哥伦比亚温哥华。
埃利奥特,j。R。t。j。哈尼和p。萨姆斯。阿比奥顿。2010.社会资本的限制:比较被卡特里娜飓风摧毁的新奥尔良两个社区的网络援助。社会学季刊51(4):624 - 648。https://doi.org/10.1111/j.1533-8525.2010.01186.x
Enarson, e . 1998。通过女性的眼睛:灾难社会科学的性别研究议程。灾害22(2):157 - 173。https://doi.org/10.1111/1467-7717.00083
火灾和灾害管理局,2018。2018年北海道东伊武里地震造成的破坏和消防部门的应对状况(第31号报告)。总务省,日本政府,东京,日本。
Fothergill, A., E. G. M. Maestas和J. D. Darlington, 1999。美国的种族、民族与灾难:文献综述。灾害23(2):156 - 173。https://doi.org/10.1111/1467-7717.00111
弗雷泽,t . 2021。日本社会资本和社会脆弱性指数:2000-2017年社区恢复力的驱动力国际减灾杂志52:101965。https://doi.org/10.1016/j.ijdrr.2020.101965
弗雷泽和D. P.奥尔德里奇,2021年。社会关系的双重效应在日本蔓延。11:1596科学报告。https://doi.org/10.1038/s41598-021-81001-4
弗雷泽,T., D. P.奥尔德里奇,A.斯莫尔。连接社会资本与脆弱性:灾害研究的引文网络分析。自然灾害回顾22(3):04021016。https://doi.org/10.1061/(第3期)nh.1527 - 6996.0000469
弗雷泽,T., L. Cunningham和A. Nasongo, 2021b。重建更好?危机对日本和美国通过太阳能适应气候变化的影beplay竞技响。全球环境政治21(1):54-75。https://doi.org/10.1162/glep_a_00588
Fraser, T., L. Morikawa和D. P. Aldrich, 2021a。有传言说:社会关系和错误信息在灾难后疏散到附近的避难所中所起的作用。气候风险管理33:100320。https://doi.org/10.1016/j.crm.2021.100320
Fukui, H.和S. Fukai, 1996。当代日本的政治、网络与地方经济发展。亚洲调查36(3):268 - 286。https://doi.org/10.2307/2645692
日本地理空间信息管理局,2020。日本全球地图。国土交通省,日本政府,东京,日本。(在线)网址:https://www.gsi.go.jp/kankyochiri/gm_japan_e.html
郭金,m . 1990。实施理论与实践。Scott Foresman/Little Brown,纽约,美国。
格兰诺维特1973年。弱关系的力量。《美国社会杂志》78(6):1360-1380。https://doi.org/10.1086/225469
霍金斯,R. L.和K.毛雷尔,2010。联结、搭桥和连接:卡特里娜飓风过后新奥尔良的社会资本如何运作。英国社会工作杂志40:1777-1793。https://doi.org/10.1093/bjsw/bcp087
Hill, M.和P. Hupe, 2014。公共政策执行。第三版。圣人,伦敦,英国。
北海道东伊武里地震灾害鉴定委员会。2019。《2018年北海道东伊武里地震灾害核查报告》。北海道政府,日本政府,东京,日本。
霍尼,j.a., P. D. M.麦克唐纳,M. V.威利根,P. R.伯克,J. S.考夫曼。2010。个人实际或感知的财产洪水风险:它预测了2003年北卡罗莱纳伊莎贝尔飓风的疏散吗?风险分析30(3):501 - 511。https://doi.org/10.1111/j.1539-6924.2009.01341.x
金,G., M. Tomz和J. Wittenberg, 2000。充分利用统计分析:提高解释和表述能力。美国政治科学杂志44(2):347-361。https://doi.org/10.2307/2669316
凯恩和奥德里奇,2020年。通过公开的数据获取联结、连接和连接社会资本。公共政策中的风险、危害与危机11(1):61-86。https://doi.org/10.1002/rhc3.12183
Li, W., c.a. Airriess, a.c. Chen, K. Leong和V. Keith. 2010。卡特里娜与移民:新奥尔良东部郊区的非洲裔美国人和越南裔美国人撤离和返回。专业地理学家62(1):103 - 118。https://doi.org/10.1080/00330120903404934
利伯曼,e . 2005。嵌套分析作为混合方法的比较研究策略。美国政治科学评论99(3):435-452。https://doi.org/10.1017/S0003055405051762
林:2001。构建社会资本的网络理论。3-28页,N. Lin, K. Cook, R. S. Burt,编辑。社会资本。劳特利奇,纽约,美国。https://doi.org/10.4324/9781315129457-1
利普斯基,m . 1980。街头官僚主义:公共服务中的个人困境。罗素塞奇基金会,纽约,纽约,美国。https://doi.org/10.2307/1288305
1983年3月,j·G和j·p·奥尔森。新制度主义:政治生活中的组织因素。美国政治科学评论78:734-749。https://doi.org/10.2307/1961840
Martín, Y., Li Z., s.l. Cutter. 2017。利用Twitter衡量疏散依从性:飓风马修的时空分析。《公共科学图书馆•综合》12 (7):e0181701。https://doi.org/10.1371/journal.pone.0181701
M., L. Smith-Lovin, J. M. Cook, 2001。物以类聚:社交网络中的同质性。社会科学进展27(1):1 - 5。https://doi.org/10.1146/annurev.soc.27.1.415
Metaxa-Kakavouli, D., P. Maas和D. P. Aldrich. 2018。社会关系如何影响飓风疏散行为。人机交互ACM学报2(CSCW):1-16。https://doi.org/10.1145/3274391
乌,t . 2006。社会资本因果效应的估计:近期研究综述。社会科学学报32(1):79-102。https://doi.org/10.1146/annurev.soc.32.061604.123150
Na, H. S.和A. Banerjee, 2015。一种多优先疏散人员运输的灾害疏散网络模型。国际教育协会事务47(11):1287 - 1299。https://doi.org/10.1080/0740817X.2015.1040929
中川,Y.和R. Shaw, 2003年。社会资本:灾难恢复的缺失环节。国际群众性突发事件和灾害杂志22:5-34。
Nakai, H., K. Tsukasaki, K. Kyota, T. Itatani, R. Nihonyanagi, Y. Shinmei, S. Yasuoka. 2016。日本权力依赖的养老院护理病人撤离意愿的相关因素。社区健康护理杂志33:196-208。https://doi.org/10.1080/07370016.2016.1227213
输电运营商跨区域协调组织(OCCTO)。2018.2018年北海道东伊武里地震造成大停电的最终报告。2018年北海道东伊武里地震大停电调查委员会。OCCTO,东京,日本。(onlne)网址:https://www.occto.or.jp/iinkai/hokkaido_kensho/files/Final_report_hokkaido_blackout_summarized.pdf
佩里,r.w., M. K.林德尔,1991。种族对疏散决策的影响。国际突发事件与灾害学报9(1):47-68。
Petit, f.d. P, G. W.巴西特,R. Black, W. A. Buehring, M. J. Collins, D. C. Dickinson, R. E. Fisher, R. A. Haffenden, A. A. hutenga, M. S. Klett, J. A. Phillips, M. Thomas, S. N. Veselka, K. E. Wallace, R. G. Whitfield, J. P. Peerenboom。2013。恢复力测量指数:关键基础设施恢复力的指标。科学和技术信息办公室,橡树岭,田纳西州,美国。https://doi.org/10.2172/1087819
press sman, J.和A. Wildavsky, 1973。实现:华盛顿的巨大期望在奥克兰破灭了。第三版。加州大学出版社,加州伯克利,美国。
帕特南,2000年。独自打保龄球:美国社会的崩溃与复兴。2000年ACM计算机支持协同工作会议论文集。西蒙与舒斯特,纽约,纽约,美国。
雷克,E. J.和J. R.埃利奥特,2018年。对大规模抵达的态度:对即将到来的灾难疏散人员的种族、空间和时间距离的变化。社会科学季刊99(3):1200-1213。https://doi.org/10.1111/ssqu.12498
Riad, j.k, F. H. Norris和R. B. Ruback, 1999。预测两大灾难中的疏散:风险感知、社会影响和资源获取。应用社会心理学杂志29(5):918-934。https://doi.org/10.1111/j.1559-1816.1999.tb00132.x
Sadri, a.m., s.v. Ukkusuri和H. Gladwin, 2017。社会网络和信息来源在飓风疏散决策中的作用。自然灾害回顾18(3):04017005。https://doi.org/10.1061/(第3期)nh.1527 - 6996.0000244
宝贝儿,e . 2009。政治民族学:浸入式对权力研究的贡献。芝加哥大学出版社,芝加哥,伊利诺伊州,美国。https://doi.org/10.7208/chicago/9780226736785.001.0001
Shoji, M.和A. Murata, 2021年。社会资本鼓励灾难疏散:孟加拉国气旋的证据。发展研究,57(5):790-806。https://doi.org/10.1080/00220388.2020.1806245
Smiley, K. T., J. Howell和J. R. Elliott, 2018。1998年至2015年,美国的灾害、地方组织和贫困。人口与环境40(2):115-135。https://doi.org/10.1007/s11111-018-0304-8
史密斯,S. K.和C.麦卡蒂。2009.逃离风暴:2004年佛罗里达飓风季节疏散行为的检验。人口统计学46(1):127 - 145。https://doi.org/10.1353/dem.0.0048
统计局。2020。区域统计数据库(社会和人口统计系统)。日本统计,东京,日本。(在线)网址:https://www.e-stat.go.jp/en/regional-statistics/ssdsview
S. Szreter和M. Woolcock, 2004年。健康协会?社会资本、社会理论和公共卫生的政治经济学。国际流行病学杂志33(4):650-667。https://doi.org/10.1093/ije/dyh013
蔡玲玲2007。中国农村的团结团体、非正式问责与地方公共产品提供。美国政治科学评论101(2):355-372。https://doi.org/10.1017/S0003055407070153
怀特黑德、J. C.、B.爱德华兹、M. Van Willigen、J. R. Maiolo、K. Wilson和K. T.史密斯,2000。向高地进发:影响真实和假想飓风疏散行为的因素。全球环境变化B部分:环境危害2(4):133-142。https://doi.org/10.3763/ehaz.2000.0219
Yabe, T., Y. Sekimoto, K. Tsubouchi和S. Ikemoto. 2019。使用手机数据进行地震后疏散行为的交叉对比分析。《公共科学图书馆•综合》14 (2):e0211375。https://doi.org/10.1371/journal.pone.0211375
Yabe, T., K. Tsubouchi, N. Fujiwara, Y. Sekimoto和S. V. Ukkusuri. 2020。了解灾后人口恢复模式。英国皇家学会学报界面17:20190532。https://doi.org/10.1098/rsif.2019.0532
Yabe, T.和s.v. Ukkusuri, 2020年。收入不平等对灾后疏散、重返家园和隔离的影响。交通研究D部分:交通与环境82:102260。https://doi.org/10.1016/j.trd.2020.102260
阿尔德里奇,2019年。替代或补充?在日本3/11海啸中,社会资本、年龄和社会经济地位如何相互影响死亡率。SSM -人口健康7:100403。https://doi.org/10.1016/j.ssmph.2019.100403
Zhou, H., A. Che, L. Wang, L. Wang. 2021。北海道东伊武里地震灾害调查与机理分析。地理科学,自然灾害与风险12(1):1-28。https://doi.org/10.1080/19475705.2020.1856201
表1
表1.访谈受访者。
被调查者 | 年龄 | 性别 | 角色 | 社区 |
M先生 | 50年代 | 米 | 消防队员 | Atsuma |
我先生 | 50年代 | 米 | 消防员/护理人员 | Mukawa |
科先生 | 40年代 | 米 | 地方官员-市镇发展 | Atsuma |
A先生 | 50年代 | 米 | 地方官员-市镇发展 | Atsuma |
T先生 | 40年代 | 米 | 地方官员-危机管理组 | 苫小牧 |
太太年代 | 40年代 | F | 鱼市场/餐厅员工 | 苫小牧 |
H太太 | 70年代 | F | 工艺品商店雇员 | 苫小牧 |
Y太太 | 80年代 | F | 静止的店主 | Atsuma |
你太太 | 50年代 | F | 花店老板 | Atsuma |
先生啊 | 50年代 | 米 | 咖啡店老板 | 苫小牧 |
N先生 | 60年代 | 米 | 建设协会官 | 苫小牧 |
W先生 | 40年代 | 米 | 建设协会员工 | 苫小牧 |
表2
表2.访谈内容分析。
主题 | 关键字 | 按百分比划分的频率(受访者) | ||
Atsuma镇 | 苫小牧的城市 | 总计 | ||
疏散 | 疏散、撤离、疏散 | 67% (4) | 17% (2) | 50% (6) |
没有撤离 | 没有疏散,没有疏散 | 33% (2) | 100% (6) | 67% (8) |
避难所 | 住房、住房、暂时的 | 67% (4) | 8% (1) | 42% (5) |
流动性 | 汽车,火车,日本铁路,公路,开车,开车,走 | 67% (4) | 50% (3) | 58% (7) |
上了年纪的 | 老的,妈妈,妈妈,爸爸,爸爸,爷爷,老的 | 83% (5) | 25% (3) | 67% (8) |
社区资源 | 邻居,朋友,家人,孩子,父亲,母亲,兄弟姐妹,兄弟姐妹,女儿,儿子,妻子,丈夫 | 100% (6) | 83% (5) | 92% (11) |
水 | 水,水龙头 | 50% (3) | 50% (3) | 50% (6) |
电 | 电,电,停电,光,电力 | 33% (2) | 66% (4) | 50% (6) |
社交媒体 | 社交媒体,社交网站,社交网络,Twitter, Facebook,谣言 | 17% (1) | 25% (3) | 33% (4) |
技术 | 智能手机,电视,收音机,电话 | 33% (2) | 25% (3) | 42% (5) |
总计 | 100% (6) | 100% (6) | 100% (12) | |