《Geomatics, Natural Hazards and Risk》：Exploring the spatio-temporal social vulnerability indicators considering the impact of internet accessibility: an example of special region of Yogyakarta, Indonesia during 2019–2022
社会脆弱性评估旨在增进对影响灾害对社区作用因素的理解。近期互联网与通信技术的进步已改变了社会互动及服务获取方式，使得互联网可达性（Internet Accessibility）在脆弱性分析中成为一个日益相关的因素。本研究利用2019年至2022年的数据，探讨了将互联网可达性纳入社会脆弱性评估所产生的影响。研究人员应用主成分分析（Principal Component Analysis, PCA）比较了两种情景：一种未纳入互联网可达性指标，另一种则将其纳入。结果表明，主成分（Principal Components, PCs）内的指标构成每年均存在差异，尤其是在考虑互联网可达性之后。与互联网相关的指标倾向于表现出更强的相关性，并主导某些主成分，这可能会削弱或排除其他相关性较低的指标。例如，代表低教育水平（X6）和贫困（X7）的指标在2020年表现出负向载荷，影响了社会脆弱性指数（Social Vulnerability Index, SVI）的计算。在某些县，这些指标的高值由于指标构成的变化而与较低的SVI值相关联。研究结果证明，整合互联网可达性能够捕捉当代社会动态，并对社会脆弱性评估结果产生显著影响。
无论由自然力还是人力引发，灾害都会对人类生命和福祉产生重大影响。这些影响可能通过伤害或死亡等物理形式显现，也可能通过房屋、就业和其他资产的损失等物质形式表现出来。灾害风险由三个主要部分构成：危险（Hazard）、脆弱性（Vulnerability）和暴露（Exposure）（Haraguchi and Lall Citation2019）。危险是指可能导致生命损失、伤害、财产损失、生计和服务中断、社会经济动荡或环境破坏的危险现象、物质、人类活动或条件。暴露则指位于易受危险影响区域的个体、财产、系统或其他要素，使其易于遭受潜在损失。另一方面，脆弱性指的是社区、系统或资产的特征和环境，使其容易受到危害的不利影响。理解这三个组成部分阐明了当危险遇到脆弱要素时，才可能构成灾害风险。脆弱性是动态的，其变化范围广泛，并取决于时空因素（Aguilar-Manjarrez et al. Citation2018）。因此，进行时空信息丰富的脆弱性评估对于减轻灾害风险和制定适当策略至关重要。鉴于脆弱性涵盖社会、经济、物理、文化、环境和制度等多个维度的多样特征，减少脆弱性的努力必须整体性地解决各种类型的脆弱性（Birkmann et al. Citation2013）。社会脆弱性（Social Vulnerability）尤其用于衡量人口对危险的敏感性及其响应和恢复能力（Cutter and Finch Citation2008）。
社会脆弱性评估始于1960年代末和1970年代初，最初侧重于社会指标分析。随着时间的推移，社会脆弱性评估的范围不断扩大，涵盖了反映社区生活不断变化的社会经济方面的更广泛指标。近期研究强调了时空和多尺度在脆弱性评估中的重要性，特别是在海啸等需要实时脆弱性信息的突发灾害背景下（Aubrecht et al. Citation2013; Fernandez et al. Citation2016）。脆弱性评估的两个基本问题是：谁是脆弱的？他们居住在哪里？识别高风险人群和区域对于制定旨在增强韧性的改进缓解策略至关重要。通常封装在脆弱性指数中的定量测量，对于客观评估社区或行政单元（如县）级别的脆弱性至关重要，以便相关机构可以采取适当行动（Hagenlocher et al. Citation2016）。脆弱性指数的地理差异凸显了基于地理、气候、地质和适应能力考虑制定定制化缓解策略的需求（Thomalla et al. Citation2006）。因此，地理信息系统（Geographic Information Systems, GIS）成为在时空维度呈现脆弱性评估结果和促进知情决策的有力工具。此外，应用主成分分析（PCA）和因子分析（Factor Analysis, FA）技术可以阐明指标间相关性的强弱，从而增进对它们相互关系的理解。
互联网技术的出现从根本上改变了社会互动，全球相当一部分人口越来越依赖移动设备进行各种日常活动，包括参与社交媒体。在现代社会，信息传播的主要方式严重依赖互联网，而互联网连接的中断被许多人视为现代时代的重大危机。社会脆弱性指标的发展应反映社会动态的变化，因为传统指标正日益被新的衡量标准所取代，包括出行率、人口密度和互联网使用率（di Girasole and Cannatella Citation2017; Frigerio et al. Citation2018）。这些发展要求采用一个包含互联网可达性作为关键指标的当代社会脆弱性评估框架。
在印度尼西亚，尤其是在日惹特区（Special Region of Yogyakarta），互联网可达性也已渗透到生活的方方面面，例如买卖交易中人们现在较少使用现金支付，转而使用转账或其他需要互联网可达性的支付方式。同样，在教育领域，教师越来越多地在线提供学习材料和作业，而不是在面对面的课堂上进行。这种情况表明人类互动方式正在发生转变，从依赖面对面会议或现金支付转向依赖互联网可达性进行活动。这种情况无疑会对社会脆弱性产生直接和间接的影响。
本研究旨在引入一组用于评估社会脆弱性的指标，分别采用考虑互联网可达性和不考虑互联网可达性的情景。研究人员利用PCA方法，于2019年至2022年期间进行了观察。
指标的选择在很大程度上受到评估的具体目标、考虑的地理区域以及该地区常见灾害类型的影响。社会脆弱性指标的制定也应考虑社区内的社会动态。为符合本研究的目标，所采用的指标框架首先评估了先前研究中常用的关键指标，如人口构成和社会经济指标。互联网可达性作为人类现代日常生活和社会发展的一个组成部分，随后被纳入指标体系。在评估了这两组指标之后，研究人员将进行对比分析，以评估纳入互联网相关指标对社会脆弱性的影响。根据每个类别的划分，本研究利用不同的指标集考察了两种不同的情景（表1）。
女性通常被认为比男性更脆弱，因此性别问题在一些先前的研究中一直被视为确定社会脆弱性时需要考虑的指标（Flanagan et al. Citation2011; Van Zandt et al. Citation2012）。年龄也是先前研究中常选择的指标之一。按年龄组划分的人口，特别是儿童（0-14岁）和老年人（65岁以上）等更脆弱群体，已被用作社会脆弱性指标（Flanagan et al. Citation2011; Van Zandt et al. Citation2012）。儿童和老年人与青年人（15-64岁）数量之间的比较，即抚养比（Dependency Ratio），也已被用作评估社会脆弱性的指标（Arma? and Gavri? Citation2013; Stanturf et al. Citation2015）。快速的人口爆炸需要尽早得到严肃关注。总人口已被用作评估社会脆弱性的指标（Chakraborty et al. Citation2005; Koks et al. Citation2015; Mwale et al. Citation2015; Ekpenyong and Udoh Citation2018; T?r?k and T?r?k Citation2018）。人口密度的概念不仅包括单纯的数量，还包括拥挤指数等因素，反映了在不同地区观察到的人口增长率增加（Fekete Citation2009; Martins et al. Citation2012; Willis and Fitton Citation2016; Fatemi et al. Citation2017; T?r?k and T?r?k Citation2018）。就业状况被认为是影响社会脆弱性的重要因素，失业率（Fekete Citation2009; Burton Citation2010; Flanagan et al. Citation2011; Van Zandt et al. Citation2012）和职业分布等指标常被用于评估脆弱性水平。特别突出的农业等特定行业的性别特定就业模式被认为是导致脆弱性的因素（Khan Citation2012; Zebardast Citation2013; Zhou et al. Citation2015; Fatemi et al. Citation2017）。个人或社区的教育水平在灾害准备和恢复过程中发挥着关键作用（Flanagan et al. Citation2011; Tate Citation2012; Siagian et al. Citation2014; Guillard-Gon?alves et al. Citation2015; Willis and Fitton Citation2016）。识字率和教育程度经常被用作社会脆弱性评估的指标，反映了教育获取对脆弱性水平的影响（Wood et al. Citation2010; Mavhura et al. Citation2017; Kim et al. Citation2020）。贫困（Poverty），其特征是缺乏财务资源和基本必需品，是许多研究中社会脆弱性的关键指标（Buckle et al. Citation2000; Burton Citation2010; Bjarnadottir et al. Citation2011; Yoon Citation2012）。基于收入水平和区域经济指标的贫困阈值被用于评估人口内的脆弱性水平（Fatemi et al. Citation2017）。医疗服务（Medical Services）的可及性对于公共卫生至关重要，尤其是在像COVID-19大流行这样的健康危机期间（Burton Citation2010; Cutter et al. Citation2013; Zebardast Citation2013）。诸如人均医生数量之类的指标被用于衡量医疗资源的可用性及其对社区韧性和脆弱性的影响（de Oliveira Mendes Citation2009; Bizimana et al. Citation2015; Nelson et al. Citation2015; Stanturf et al. Citation2015; Lianxiao and Morimoto Citation2019）。随着移动技术的进步，互联网使用的日益普及改变了我们的日常生活。互联网可达性（Internet Accessibility）在近期社会脆弱性评估中已成为一个重要指标，尤其是在COVID-19大流行等事件期间活动转向线上的背景下（Zhang and You Citation2014; di Girasole and Cannatella Citation2017）。这里讨论的互联网指标并非技术本身，而是用户，因此仍与社会人口统计相关。
基于第2.1至2.8节的说明，有几个类别可以用来评估社会脆弱性，以及它们对社会脆弱性的贡献。因此，为了标准化计算和分析，所有指标的值都被标准化为百分比或比率；同时，为了实现其对社会脆弱性的贡献，本研究选定的指标如表1所示。对于表1中与互联网可达性相关的指标（X13-X16），比率计算为某年的用户数除以该年的人口数乘以100%。例如，对于互联网用户率指标（X13），其含义是某年的互联网用户数除以该年的人口数乘以100%。除了女性互联网用户率指标（X16）的值是某年女性互联网用户数除以女性总人口乘以100%。
本研究概述的社会脆弱性评估框架解决了两个主要研究问题。第一个问题探讨了互联网接入作为指标维度内变量的影响；第二个问题分析了多个时间段，以捕捉评估的时间维度。为了研究这些指标在这些问题中的普遍性，研究人员使用了基于PCA和FA的方法。初步阶段涉及对每个观测年份（2019-2022年）的指标值进行标准化，因为指标表现出不同的单位和分布。基于每个指标的标准化分数生成协方差矩阵，以评估它们之间的相关性。产生的协方差矩阵用于确定特征值（eigenvalues）和特征向量（eigenvectors）以识别主成分（PCs），其中特征值大于1的被选择用于进一步分析和FA。结果可在第5.1节“PCA结果”中看到。每个新PC解释的方差百分比（% of variance）是其重要性的度量。每个指标被纳入PC所需的最小方差百分比大于零（0）。如果该值小于零（0），则该指标与任何其他指标都不相关，因此不会在PC中考虑。通过使用具有Kaiser标准化的Varimax正交旋转重建成分，确定了对每个新PC做出贡献的指标。成分重建的结果可在第5.2节“因子分析结果”中看到。最终，社会脆弱性指数（SVI）通过根据FA得出的指标方差百分比和因子载荷（Factor Loadings）对主成分得分进行加权来计算。基于两种初始情景，该方法将为测试地点每个县在考虑互联网可达性之前和之后的SVI评估提供见解（2019-2022年）。有关SVI计算和结果的更多详细信息，请参见第5.3小节“SVI结果”。分析流程在图1中直观呈现。
日惹特区（Special Region of Yogyakarta）面积为318,000公顷，在行政上分为四个县和一个市，后者是省会。行政划分包括Kulon Progo县、Bantul县、Gunungkidul县、Sleman县和Yogyakarta市。图2展示了日惹特区的地理位置及其五个行政单位。
根据印度尼西亚共和国中央统计局的官方报告（Yogyakarta.bps.go.id），获得了2019年至2022年日惹特区的人口和社会经济数据。2019年，日惹特区的人口密度超过每平方公里3500人，随后在2020年至2022年下降至每平方公里300人。Yogyakarta市的人口密度最高，超过每平方公里11,000人，而Gunungkidul县的密度最低，超过每平方公里500人，这一趋势在指定期间保持一致。基于表2中的社会经济指标，如失业率，作为政府中心的Yogyakarta市在两个指标上得分都是最低的。然而，它在医疗保健设施和互联网可达性等指标上的得分最高。这表明，尽管人口密度高且女性人口多，Yogyakarta市的设施仍优于其他县。这表明Yogyakarta市仍然有可能比其他县具有更低的社会脆弱性。尽管失业率和人口密度指标较低，但根据15岁以上接受小学教育或以下教育的人口比例（该比例在2019年至2022年期间始终是其他地区中最高的），Gunungkidul的教育水平是最低的。同样，农业部门的就业比例始终最高。这种情况表明，Gunungkidul有可能在其他地区中具有最高的社会脆弱性。这一状况得到了较差的医疗基础设施和互联网可达性的支持。同样，Kulon Progo在医疗基础设施和互联网可达性方面的得分略高于Gunungkidul。Sleman和Bantul被认为是中等排名的县，因为几个指标的得分持续处于中等水平。一些指标得分最低，例如Sleman的医生数量，这有可能增加社会脆弱性。同样，Bantul的女性人口指标有可能降低脆弱性。
表2展示了2019年至2022年日惹特区内每个县各种指标值的对比分析。行的组织反映了基于每个指标值的比较，而列则促进了指定年份内每个县的值进行比较。用绿色标记的元素表示某年某指标值最低的县，而用红色标记的则表示该指标值最高的县。例如，在“女性人口比例”指标方面，Bantul县在整个研究的四年中始终显示出最低的值，而Yogyakarta市在同一时期始终记录到最高的值。
5.1 主成分分析（PCA）结果
在2019年至2022年间，研究人员在考虑互联网可达性引入前后的情况进行了分析。该分析成功识别出几个特征值大于1的主成分（PCs），详见表3。在2019年，在考虑和未考虑互联网可达性的两种条件下均识别出三个PC，而从2020年到2022年，每种条件下仅识别出两个PC。记录的最高特征值是2019年考虑互联网可达性时PC1的11.578，而最低特征值是2019年未考虑互联网可达性时PC3的1.258。图3展示了2019年和2020年反映三个和两个PC条件的PC碎石图（Scree Plot）分布。图3的分析表明，在考虑互联网可达性后纳入更多指标，导致PC1更稳健，其特征值和方差百分比与未考虑互联网可达性时相比更高。这种增强归因于PCA过程，该过程促进了具有相似模式的指标的聚合，从而在它们之间建立了更强的相关性，并在使用更大指标集时导致它们被纳入同一PC。表3给出了考虑互联网可达性前后形成的每个PC的特征值和方差百分比分布。
5.2 因子分析（FA）结果
特征值超过1的PCs通过FA进行进一步检查，以识别影响每个PC的指标。需要强调的是，影响每个PC的指标集有所不同。表4详细列出了2019-2022年考虑互联网可达性前后，影响每个PC的指标分布。基于表4，可以普遍分析出，从2019年到2022年，在考虑互联网可达性之前和之后的每种条件下，每个PC中的指标构成都并非总是相同。一个指标可能根据其与PC内其他指标相关性的强弱而被置于PC1或其他PC中。此外，一些指标具有负值并被忽略。具体而言，在考虑互联网可达性之前，所有指标都被放入PCs中。只有X2在2019年处于PC3，而在2020年至2022年则因其负值而被忽略。这种情况在考虑互联网可达性后发生了显著变化。更多指标变为负值并被忽略，例如X6、X7和X9。同时，X2与互联网相关指标一起被纳入PC1。回顾表3中每种条件下每个PC的特征值和总方差百分比的组成，可以看到，在考虑互联网可达性后，PC1的特征值和总方差百分比，特别是高于考虑之前。这种情况表明，在考虑互联网可达性后，PCs之间的相关性变得更强。尽管其他指标具有负值并被忽略。这种情况也证明了与互联网相关的指标（X13、X14、X15和X16）在表4的载荷因子值（loading factor values）中始终是PC1上最高的，相比于PC2上女性人口指标（X1）的载荷因子值最高。
5.3 社会脆弱性指数（SVI）结果
FA得出的方差百分比结果为确定县级SVI的公式制定提供了依据，表达式如下。
(1) Zi,j,k,l,m=Xi,j,k,l,m?μi,j,k,lσi,j,k,l,
(2) xi,j,k,l=LoadingFactori,j,k,l.%ofvariancePCj,k,lTotalLoadingFactorj,k,l,
(3) PCj,k,l,m=∑.xi,j,k,l.Zi,j,k,l,m%ofvariancePCj,k,l,
(4) SVIk,l,m=∑.%ofvariancePCj,k,l.PCj,k,lTotal%ofvariancek,l.
在这些方程中，（SVI）表示社会脆弱性指数，（k）表示考虑互联网可达性之前和之后的条件，（l）代表年份，（m）表示特定县。（PC）表示新创建的主成分得分，（j）表示生成的特定主成分。
• 变量（Zi,j,k,l,m）代表每个主成分中每个指标的z分数，针对特定县计算，并考虑了互联网可达性的两种情景。
• （xi,j,k,l）的值对应于每个指标在其各自主成分中的权重，针对每年计算，并考虑了考虑互联网可达性之前和之后的两种情况。变量（Xi,j,k,l,m）表示特定指标、年份和县的值。
• （μi,j,k,l）的值表示给定年份特定指标的平均值，（σi,j,k,l）表示同一年该指标的标准差。每年的载荷因子值和方差百分比可参考表4。
例如，在评估2019年Sleman县在考虑互联网可达性之前的SVI时，过程首先根据公式（1）计算每个县每个指标（如女性人口指标）的z分数。2019年Sleman县在不考虑互联网可达性时的女性人口指标z分数，由女性人口百分比（50.316）、所有县女性人口百分比的平均值（50.598，见表2）和标准差（0.393）确定，表示如下：
Zfemalepopulation,PC1,beforeinternetaccessibilityisconsidered,2019,Sleman=50.316?50.5980.393=?0.716。
每个指标的权重值使用公式（2）确定。女性人口指标的权重源自表3和表4中的载荷因子和方差百分比：
xfemalepopulation,PC2,beforeinternetaccessibilityisconsidered,2019=0.9645.445.16.566=2.933。
在计算了所有指标的权重后，使用公式（3）计算PC得分：
PC2,beforeinternetaccessibilityisconsidered,2019,Sleman=(2.933x(?0.716))+?+(2.464x(?0.364))16.566=0.210。
最后，根据公式（4）计算特定县在给定年份考虑互联网可达性两种情景下的SVI得分：
SVIbeforeinternetaccessibilityisconsidered,2019,Sleman=(68.995x(?0.713))+(16.566x0.210)+(10.432x(?1.211))95.993=?0.607。
SVI为特定县在规定条件下的社会脆弱性提供了综合评估。接下来的讨论将分析2019年至2022年的SVI，特别关注互联网可达性的影响。县之间的比较将根据基于标准差的五级方案进行：最不脆弱（< -0.5 标准差）、较不脆弱（-0.5 至 0.0 标准差）、中等（0.0 至 0.5 标准差）和脆弱（> 0.5 标准差），以显示每年所有县的数据值相对于均值的变化程度，无论是高于还是低于平均水平。由于本研究结果是多时序的，意味着会产生多个地图，因此基于标准差的分类比四分位数或自然断点法更有效。每个脆弱性类别每年都有相同的标准差界限，即使SVI分数每年都会变化。这将简化分析过程。表5和图4采用分级统计图（Choropleth Maps）描绘了各年份的SVI结果。
5.3.1 考虑互联网可达性之前
对图4和表5的分析揭示，在考虑互联网接入之前，几个县在2019年至2020年间的社会脆弱性分类没有变化。具体而言，Gunungkidul、Kulon Progo和Yogyakarta市在此期间保持了各自的分类：Gunungkidul和Kulon Progo保持在脆弱类别，而Yogyakarta市则持续处于最不脆弱类别。然而，必须注意的是，这种分类的稳定性并不意味着它们的SVI分数没有波动。Gunungkidul和Kulon Progo都表现出相似的时间模式，SVI分数从2019年到2020年下降，随后从2020年到2022年上升。相比之下，Yogyakarta市表现出相反的趋势，SVI从2019年到2020年上升，随后到2022年下降。根据上述SVI分数公式，这些动态受到指标数据分布的影响，如表2所示。值得注意的是，Yogyakarta市在2019年至2022年间几乎所有指标上的值都是最高的，特别是对社会脆弱性有负面影响的指标，如X10、X11和X12。这种一致性支撑了Yogyakarta市尽管SVI分数有所波动，但仍保持最不脆弱的分类。相反，Gunungkidul在大多数指标上的值始终最低，尤其是与社会脆弱性负相关的指标（例如2019年的X11和2019年至2022年的X12，见表1），因此尽管SVI波动，仍保持脆弱的分类。Kulon Progo虽然在大多数指标上不是最低的，但在2020-2022年期间在指标X11上表现出较低的值，并且在X10和X12方面与其他地区相比值也相对较低，这促使其尽管SVI值低于Gunungkidul，但仍保持脆弱状态。在Yogyakarta市，尽管女性人口比例（X1）是所有县中最高的，但SVI分数轨迹并未显著影响该指标的波动。其他Yogyakarta市同样持续拥有最高值的指标（2019-2022年），例如人口密度（X4）和失业率（X5），这些指标与社会脆弱性正相关（见表1）；这些指标不一定使Yogyakarta市比其他地区更脆弱。这表明，对社会脆弱性有负面影响的指标，其中Yogyakarta市的值也持续高于其他地区（例如X10、X11和X12），其影响力大于具有正面影响的指标（例如X4和X5）。这可以通过表4中每年（2019-2022年）的载荷因子值来证明。总体而言，即使在考虑互联网接入之前，各县SVI分数和脆弱性分类的观察到的波动，可以归因于各县内部主导指标的不同影响力，如它们的载荷因子值所示。一些指标产生强大影响，导致SVI模式与它们的趋势高度一致。在那些与社会脆弱性正相关的指标上得分高的县，其SVI往往会增加，而在那些与社会脆弱性负相关的指标上得分低的县，其SVI往往会下降。然而，其他指标的影响不那么显著，导致独特的SVI轨迹与任何单一指标都没有直接相关性。这表明每个县都有不同的指标强度，反映了其自身特征。
5.3.2 考虑互联网可达性之后
将互联网可达性纳入分析后，如图4和表5所示，Yogyakarta市、Gunungkidul和Kulon Progo在2019年至2022年间再次表现出脆弱性分类没有变化。Yogyakarta市仍处于最不脆弱类别，而Gunungkidul和Kulon Progo则持续处于脆弱类别。根据表2，Yogyakarta市在互联网可达性指标上的值最高，这进一步强化了它在考虑互联网接入时处于最不脆弱类别中的地位。陈述相同，但我想强调的是，通过考虑互联网可达性，它进一步强化了Yogyakarta市在最不脆弱类别中的地位，而Gunungkidul和Kulon Progo则处于脆弱类别。尽管如此，Yogyakarta市的SVI值在2019年和2022年在纳入互联网可达性后有所增加。相反，Gunungkidul和Kulon Progo在2019年和2022年考虑互联网可达性后SVI值有所下降，但它们的脆弱性分类保持不变，尽管其互联网可达性指标值最低。Sleman在2019年至2022年期间互联网可达性仅次于Yogyakarta市（表2），在纳入互联网可达性后，其脆弱性分类也因SVI值的变化而改变。在2019年，Sleman的SVI增加但仍保持在最不脆弱类别内。随后，在2020年和2021年，SVI减少，同时保持非脆弱分类。然而，在2022年，SVI再次增加，导致分类从最不脆弱转变为较不脆弱。同样，Bantul在该期间的互联网可达性指标值低于Sleman，在考虑互联网可达性后，其脆弱性类别的变化与SVI的波动相关。2019年，Bantul的SVI下降，促使其从中等分类转变为较不脆弱分类。2020年，SVI增加，使分类逆转回中等。尽管2021年SVI下降，但分类保持在中等。2022年，SVI再次增加，导致重新回到中等脆弱性。这些发现表明，纳入互联网可达性改变了PCA分析得出的主成分（PC）结构。具有强相关性的互联网相关指标可以改变PC内的指标构成，其中一些指标变为负权重，从而被排除在外。然而，互联网可达性指标是非常重要的考虑因素，但不一定具有改变分类的影响力。同样，Gunungkidul和Kulon Progo，尽管其互联网可达性值较低，但在2019年和2022年经历SVI波动时并未改变分类。这种情况强烈受到指标值和载荷因子值的影响。相反，指标构成的变化和某些指标的排除显著影响了Sleman和Bantul的SVI确定。值得注意的是，在考虑互联网接入后排除儿童人口指标（X2），导致了Sleman（2019年和2022年）和Bantul（2020年和2022年）的SVI值增加，尽管这些县的互联网表现有所改善。相比之下，Gunungkidul和Kulon Progo在2019年和2022年考虑互联网可达性后SVI分数下降，尽管处于相同的脆弱性类别且互联网表现不佳。这一结果是由于在考虑互联网接入后，Gunungkidul和Kulon Progo的高值指标（例如农业部门就业人口比例（X9）和15岁以上接受小学教育或以下教育的人口百分比（X6））被从每个主成分中排除，从而降低了它们对这些县SVI分数的负面影响。
6 讨论
PCA和FA的结果揭示了不同年份和条件下主成分及相关指标构成的显著差异，特别是在对比整合互联网可达性为变量前后的时期。表现出最强相关性的指标被纳入第一主成分（PC1），而相关性较弱的指标则被分配到后续的成分，如PC2和PC3。相关性非常弱的指标甚至可能表现出负的载荷因子，从而降低其对主成分的贡献。此类指标的例子包括儿童人口（X2）、15岁以上接受小学教育或以下教育的人口（X6）、贫困人口（X7）和在农业部门就业的人口（X9）。
在纳入互联网可达性之前，儿童人口指标（X2）表现出显著较弱的相关性。2019年，该指标构成一个独立的主成分；然而，从2020年到2022年，其相关性进一步减弱，导致负的载荷因子。相反，在纳入互联网可达性之后，该指标的相关性增强，使其能够与互联网相关指标一起聚集在PC1中。相比之下，诸如15岁以上接受小学教育或以下教育的人口（X6）、贫困人口（X7）和在农业部门就业的人口（X9）等指标在考虑互联网可达性后相关性下降，导致负的载荷因子。在考虑互联网可达性之前，这些指标在PC1和PC2之间波动，表明相关性不一致。
此外，在主成分内表现出强且一致相关性的指标往往对SVI评估结果产生最大影响。例如，在考虑互联网可达性之前，女性人口指标（X1）在2019年和2022年与PC2相关，但在2020年和2021年转向PC1。纳入互联网可达性后，该指标在整个2019-2022年期间持续与PC2对齐。一个显著的观察是，互联网相关指标（X13、X14、X15和X16）在整个2019-2022年期间始终加载到PC1上。
主成分和指标构成的动态特性实质性地影响了SVI分数，特别是在那些具有弱相关性和负载荷因子指标的县。因此，具有良好互联网表现的县并不一定会经历其SVI分数的降低，例如Sleman和Bantul县在2020年和2022年的情况。相反，互联网表现不佳的县可能不会观察到其SVI分数的增加；相反，在Kulon Progo和Gunungkidul县在2019年和2022年观察到下降。这种现象可归因于主成分内指标构成的变化以及县级特征的变化，例如Gunungkidul县以15岁以上接受小学教育或以下教育的人口（X6）和在农业部门就业的人口（X9）为主。这些发现表明，与互联网可达性相关的指标对SVI结果没有显著影响。
总之，该分析的主要结论是，对SVI产生主导影响的指标集随时间变化，并且并未受到纳入互联网可达性的显著影响。这可能归因于互联网相关指标观察到的相对适度的改善。此外，考虑到多个指标的异质性影响，SVI分数波动的实际意义值得仔细考虑。未来的研究应优先确定最具影响力的指标，以阐明它们对社会脆弱性评估的相对贡献。
另一方面，关于每年考虑互联网可达性后PCs指标构成变化的发现表明，人们的生活方式已经转向数字化，利用互联网可达性。这种情况肯定需要政府在实施脆弱性缓解努力时加以考虑，即那些没有或尚未获得互联网可达性的人实际上正变得脆弱。因此，有必要加快互联网可达性基础设施的建设，以便能够立即解决没有互联网可达性的脆弱社区的问题。正如2020-2021年全球COVID-19大流行期间发生的那样，每个人都被禁止直接互动并保持距离以防止传播。影响之一是失业率增加，如表2所示；所有地区都经历了失业率的上升。因此，保持活跃的一个解决方案是通过在线媒体，进行在线销售或其他在线活动。
本研究也存在局限性，包括观测期仅为2019-2022年。为了进一步证明互联网可达性指标能够改变社会脆弱性评估PCA方法中的指标构成，观测期也应更长，例如在互联网使用尚未如此普及于社区之前，以便了解在互联网使用尚未如此普及于社区之前，与互联网可达性相关指标的行为。同样，空间尺度仅限于县级，未细化到区级甚至村级，这可能提供不同尺度下指标行为的更全面图景。
结论
本研究表明，2019年至2022年日
