文化遗产作为民族文化的精神象征以及赋能产业的资源要素，对传承民族精神、丰富文化多样性、展示国家名片具有重要意义^[1]。然而在全球气候变暖和极端天气变化等多因素影响下，文化遗产面临着频繁和严峻的洪涝灾害问题^[2]，其突发性强、淹没时间长、受灾面广^[3]，不仅造成了严重的经济财产损失，更威胁着文化遗产的存续安全。文物保护单位是文化遗产的重要组成部分，包括古文化遗址、古墓葬、古建筑、石窟寺、石刻、壁画、近代现代重要史迹和代表性建筑等不可移动文物^[4]。由于它们常处于开放或半封闭的保存状态，受洪涝灾害威胁尤为严重^[5]。据国家文物局不完全统计，2020年洪涝灾害已致中国南方11省份500余处不可移动文物受损，遗产保护安全形势严峻。

目前，关于文化遗产的研究在文化遗产传承保护、旅游开发、体制建设以及管理经验等^[6-8]方面成果颇丰，而对文物保护单位的研究主要集中在文物时空分布特征^[9]、文物单体修缮保护^[10]、专项规划编制^[11]以及资源活化利用等^[12]方面，部分学者以不可移动文物洪涝灾害风险评估为研究视角进行了初步探索。乔文慧等^[13]综合考虑灾害系统的致灾因子、孕灾环境、承灾体和调控响应因子，对城市文物保护单位进行了洪涝灾害风险评估；梁龙等^[14]关注暴雨的季节性特点，建立了不可移动文物季节性暴雨洪涝灾害风险评估方法。总体来说，现有文化遗产研究多侧重于历史考古、建筑修复以及规划管理等角度，从灾害角度进行的研究较少。

关于洪涝灾害风险评估的量化方法有数理统计法、指标体系法、不确定性分析法和情景模拟法^[15]，其中常以致灾因子、孕灾环境、承灾体^[16]三者构建评价指标体系进行风险评估。以往研究大多未能考虑评价指标间的差异性问题，且研究结论尚停留在风险等级划分层面，未能进行更深入的规律探讨。洪灾风险评价是一个复杂的系统，其实质上是把确定性的评价标准与不确定性的评价因子及其变化相结合的分析过程^[17]，为更好地处理系统确定性与不确定性因素间的联系和转化关系，采用集对分析法对评价指标间同、异、反的联系作用进行分析。此外，在涉及社会—生态系统风险评估的研究中，PSR模型具有很强的灵活性和实用性^[18]，在识别研究区遗产现状与环境特征的基础上，通过PSR模型构建风险评估指标体系，可以更好的反映风险系统间的相互关系。

基于此，本文以成都市文物保护单位为例，运用PSR-SPA模型对成都市文物保护单位进行洪涝灾害风险分析，研究不同遗产级别、遗产年代和遗产类型的文物保护单位洪灾风险的分布规律，并通过空间自相关性分析确定文保单位洪灾风险的空间分布特征，以期为文化遗产洪涝灾害防治和减灾防灾战略制定提供理论依据。

1 研究区概况和研究方法 1.1 研究区概况

成都市位于四川省中部，四川盆地西部，成都平原腹地，经纬度为东经102°54′—104°53′和北纬30°05′—31°26′，境内地势较为平坦，总体呈西北高，南部低。区内河流水系纵横，岷江及沱江干流穿越市境，中小河流及都江堰渠系密布全市^[19]，气候类型属亚热带季风气候，全年降雨充沛。成都市辖11区5市4县，2019年全年实现地区生产总值GDP 1.70×10¹²元，常住人口1.66×10⁷人，旅游人次2.80×10⁸人，旅游总收入4.66×10¹¹元。成都历史文化资源丰富，境内有世界遗产地2处，国家级历史文化名城2座，省级历史文化名城3座，历史文化街区12片，全国重点和省市级文物保护单位311处。成都市降水年内分配不均，雨季多暴雨，江河水量系发达，洪涝灾害频繁发生^[19]，常出现水利设施受损、农田被淹以及城市积水等灾害问题，境内文化遗产也受到不同程度的影响。本文以成都市311处文物保护单位为研究对象，包括41处全国重点文物保护单位，108处省级文物保护单位以及162处市级文物保护单位，其分布情况见图 1。

1.2 数据来源及处理

本文所用数据包括地理数据、气象水文数据、遗产数据以及社会经济数据4类。

(1) 地理数据。2019年成都市Landsat 8遥感影像(分辨率30 m)，成都市DEM高程数据(分辨率30 m)以及成都市交通道路矢量图。运用ENVI5.3和ArcGIS 10.2对遥感影像进行辐射定标、大气校正、图像融合等预处理，获取土地利用、高程、坡度等地形数据。

(2) 气象水文数据。2019年成都市一般站点和基准站点逐日降水量数据以及成都市水系分布图。运用ArcGIS对降水量进行克里金插值，获取降水栅格数据。

(3) 遗产保护数据。2019年成都市市级以上文物保护单位统计数据。利用Google Earth对文保单位进行空间定位，并结合高德地图坐标校准，确定其经纬度坐标，建立成都市文物保护单位地理信息数据库。将带有坐标信息的文物保护单位点位导入ArcGIS进行处理。

(4) 社会经济数据。《成都市2019年统计年鉴》及成都市各区县2019年度国民经济和社会发展统计公报。

1.3 研究方法 1.3.1 PSR评估模型

压力—状态—响应模型(pressure-state-response，PSR)是一种用于研究环境问题的模型，常用于生态安全、生态健康评估框架的构建。从灾害理论视角，现有洪灾研究^{[13-14, 20]}多从致灾因子、孕灾环境、风险受体和减灾措施4个方面建立洪灾风险评价指标体系。

以PSR模型为基础构建风险评估指标体系，可以对社会—生态系统的状态、变化原因以及减灾措施进行评估，更好的反映风险系统间的相互关系^[18]。本文通过借鉴相关研究成果^{[13, 21-22]}与研究区实际情况，按照可量化性、典型性以及操作性的原则(见表 1)。其中压力(P)指标是指灾害风险受体在自然致灾因子和社会致灾因子的影响下承受的风险压力。本文指自然灾害因子；状态(S)指标包括风险受体状态指标以及孕灾环境危险状态指标两类；响应(R)指标表示区域面临洪灾风险压力时所采取的对策与措施。

1.3.2 SPA集对分析法

集对分析法SPA是处理不确定性问题的系统分析方法，将不确定性系统中的两个有关联的集合构造为集对，用联系度μ描述集对的同一性、差异性、对立关系分析，研究确定性与不确定性之间的联系、转换和制约^[23]。本文以成都市311处文物保护单位为评价单元，基于ArcGIS提取每个文物保护单位的评价指标栅格数据实值，设定5级评价等级，通过计算各指标联系度，按照置信度准则确定研究区文物保护单位的洪灾风险等级。具体计算步骤如下：

(1) 联系度μ计算。集合A表示评价指标的集合，集合B表示评价指标等级标准的集合，H(A，B)构成集对，对其进行分析得到N个特性，用联系度μ描述集对^[23]，则有：

$ {\mu _{AB}} = \frac{S}{N} + \frac{F}{N}i + \frac{P}{N}j $

(1)

式中：S为共有的特性个数; P为两个集合对立的特性个数；其余的F个特性关系不确定；i表示差异度系数∈[-1, 1]；j为对立度系数, 取-1。令, a=S/N, b=F/N, c=P/N, 根据研究对象数量的不同, 可将式(1)进一步扩展至五元联系度公式:

$ {\mu _{AB}} = a + {b_1}{i_1} + {b_2}{i_2} + {b_3}{i_3} + cj $

(2)

式中：a为同一度；b₁，b₂，b₃为差异度分量，c为对立度，满足a+b₁+b₂+b₃+c=1；i₁，i₂，i₃表示差异度分量系数。

利用模糊分析法求取联系度μ，对于评价指标越大越危险型联系度的计算：

$ \begin{gathered} {\mu _m} = \left\{ {\begin{array}{*{20}{l}} {1 + 0{i_1} + 0{i_2} + \ldots + 0{i_{k - 2}} + 0j{\kern 1pt} }&{\left( {{x_m} \leqslant {S_1}} \right)} \\ {\frac{{{S_1} + {S_2} - 2{x_m}}}{{{S_2} - {S_1}}} + \frac{{2{x_m} - 2{S_1}}}{{{S_2} - {S_1}{i_1}}} + 0{i_2} + \ldots + 0{i_{k - 2}} + 0j}&{({S_1}{\text{ < }}xm \leqslant \frac{{{S_1} + {S_2}}}{2})} \\ {0 + \frac{{{S_2} + {S_3} - 2{x_m}}}{{{S_3} - {S_1}}}{i_1} + \frac{{2{x_m} - {S_1} - {S_2}}}{{{S_3} - {S_1}}}{i_2} + \ldots + 0{i_{k - 2}} + 0j}&{(\frac{{{S_1} + {S_2}}}{2}{\text{ < }}{x_m} \leqslant \frac{{{S_2} + {S_3}}}{2})} \\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots }&{{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} } \\ {0 + 0{i_1} + \ldots + \frac{{2{S_{k - 1}} - 2{x_m}}}{{{S_{k - 1}} - {S_{k - 2}}}}{i_{k - 2}} + \frac{{2{x_m} - {S_{k - 1}} - {S_{k - 2}}}}{{{S_{k - 1}} - {S_{k - 2}}}}j}&{(\frac{{{S_{k - 2}} + {S_{k - 1}}}}{2}{\text{ < }}xm \leqslant {S_{k - 1}})} \\ {0 + 0{i_1} + 0{i_2} + \ldots + 0{i_{k - 2}} + 1j}&{\left( {{x_m} \geqslant {S_{k - 1}}} \right)} \end{array}} \right. \hfill \\ \hfill \\ \end{gathered} $

(3)

对于评价指标越小越危险型联系度的计算：

$ {\mu _{\text{m}}} = \left\{ {\begin{array}{*{20}{l}} {1 + 0{i_1} + 0{i_2} + \ldots + 0{i_{k - 2}} + 0j}&{\left( {{x_m} \geqslant {S_1}} \right)} \\ {\frac{{2{x_m} - {S_1} - {S_2}}}{{{S_1} - {S_2}}} + \frac{{2{S_1} - 2{x_m}}}{{{S_1} - {S_2}}}{i_1} + 0{i_2} + \ldots + 0{i_{k - 2}} + 0j}&{(\frac{{{S_1} + {S_2}}}{2} \leqslant {x_m}<{S_1})} \\ {0 + \frac{{2{x_m} - {S_2} - {S_3}}}{{{S_1} - {S_3}}}{i_1} + \frac{{{S_1} + {S_2} - 2{x_m}}}{{{S_1} - {S_3}}}{i_2} + \ldots + 0{i_{k - 2}} + 0j}&{(\frac{{{S_2} + {S_3}}}{2} \leqslant {x_m}<\frac{{{S_1} + {S_2}}}{2})} \\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots }&{{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \vdots } \\ {0 + 0{i_1} + \ldots + \frac{{2{x_m} - 2{S_{k - 1}}}}{{{S_{k - 2}} - {S_{k - 1}}}}{i_{k - 2}} + \frac{{{S_{k - 1}} + {S_{k - 2}} - 2{x_m}}}{{{S_{k - 2}} - {S_{k - 1}}}}j}&{({S_{k - 1}} \leqslant {x_m}<\frac{{{S_{k - 1}} + {S_{k - 2}}}}{2})} \\ {0 + 0{i_1} + 0{i_2} + \ldots + 0{i_{k - 2}} + 1j}&{({x_m} > {S_{k - 1}})} \end{array}} \right. $

(4)

式中：S₁，S₂，S₃，S₄为评价因子的门限值；x_m为评价因子的实测值。

(2) 综合联系度μ_AB计算。得出指标实际值与各级评价标准的联系度后，则可建立各级评价等级集对H(A，B)的五元综合联系度：

$ {\mu _{AB}} = \sum\limits_{m = 1}^n {{w_m}{\mu _m}} $

(5)

式中：w_m为指标的权重, 本文用层次分析法确定各评价指标权重。

(3) 置信度准则确定危险等级。引入置信度准则确定评价单元隶属的风险等级^[24]。

$ \begin{array}{*{20}{c}} {{f_1} = \sum\limits_{m = 1}^n {{w_m}{a_m}} } \\ {{f_2} = \sum\limits_{m = 1}^n {{w_m}{b_{1m}}} } \\ {{f_3} = \sum\limits_{m = 1}^n {{w_m}{b_{2m}}} } \\ {{f_4} = \sum\limits_{m = 1}^n {{w_m}{b_{3m}}} } \\ {{f_5} = \sum\limits_{m = 1}^n {{w_m}{c_m}} } \end{array} $

(6)

若f₁>λ，则洪灾风险为低，f₁+f₂>λ，则洪灾风险为较低，f₁+f₂+f₃>λ，则洪灾风险为中等，若f₁+f₂+f₃+f₄>λ，洪灾风险为较高，f₁+f₂+f₃+f₄+f₅>λ，则洪灾风险为高。λ为置信度，一般取0.5~0.7，该值越大，评价结果越保守，本文λ取0.5。

1.3.3 空间自相关性分析

空间自相关性是指在空间上越靠近的事务或现象越相似。进行空间自相关性分析的主要目的确定是某一变量在空间上是否相关及其相关程度如何，常用空间自相关性系数来度量物理或生态学变量在空间上的分布特征及其对其领域的影响作用^[25]。变量值随测定距离的缩小表现出相似性，则变量为空间正相关，若随测定距离的缩小表现出不同性，则变量呈空间负相关，若变量值不表现空间依赖关系，则为空间不相关性或空间随机性。

本文对文物保护单位洪水灾害风险指数进行空间自相关性分析，确定其在空间上的分布特征和空间上的依赖关系，通过Moran’s I指数和LISA指数的计算反映全局空间自相关性和局部空间自相关性分析^[26]。其中Moran’s I指数的计算公式为：

$ I = \frac{{n\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{w_{ij}}\left( {{x_i} - \bar x} \right)\left( {{x_j} - \bar x} \right)} } {\text{ }}}}{{\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{w_{ij}}} } \sum\limits_{i = 1}^n {{{\left( {{x_i} - \bar x} \right)}^2}} }} $

(7)

式中：x_i和x_j表示变量x在相邻空间单元的值;x是变量的平均值, w_ij是相邻权重; n是空间单元总数。I系数的取值∈[-1, 1]: 小于0表示负相关, 等于0表示不相关, 大于0表示正相关。LISA指数的计算公式为:

$ {\text{LISA}} = \frac{{({x_i} - \bar x)}}{{\sum\limits_{i = 1}^n {{{\left( {{x_i} - \bar x} \right)}^2}/n} }}\sum\limits_{j = 1}^n {{w_{ij}}({x_j} - \bar x)} $

(8)

LISA指数可反映观测值的聚类或异常情况，主要体现为高高聚集(H-H)、低低聚集(L-L)、高低聚集(H-L)和低高聚集(L-H)。

2 结果与分析 2.1 基于PSR-SPA的洪灾风险计算 2.1.1 指标构建及权重

依据PSR洪灾风险评价模型，对压力、状态以及响应3类指标进行评估。

(1) 压力指标。压力(P)指标指自然致灾压力指标。降雨是洪水形成的直接因素，本文选取极端天气最大降水量、极端天气降水频率(统计降水量≥30 mm的天数)、年平均降水量3类指标表征自然致灾压力，通过ArcGIS的克里金插值分析确定压力指标的风险等级程度。

(2) 状态指标。状态(S)指标包括孕灾环境危险状态指标以及风险受体状态指标两类。孕灾环境危险状态指标综合考虑地形影响、植被覆盖、土地覆被、地表径流影响和水系分布密度的作用。高程越低坡度越小的地方越易受灾；参考梁龙等^[14]对不同土地覆盖类型的粗糙度大小赋值，将研究区土地覆被分为林地、田地、建设用地、未利用地和水域5类，分别赋值为1，2，3，4，5；用NDVI反映植被覆盖情况，植被覆盖度越高对洪水阻隔越大，受灾风险越小；地表径流表示降雨下径流汇流路径分布，对地表径流进行缓冲区处理，表示不同等级的灾害风险；水系分布密度对研究区洪灾侵害影响有直接作用，水系分布越密集，受灾风险越高。风险受体状态指标考虑文物保护单位本体的级别和年代，遗产建成年份越久、级别越高，其价值越高，更易受灾。遗产级别按照历史、艺术和科学价值将市级、省级以及全国重点文物保护单位分别赋值为1，3，5；遗产年代分为史前、先秦、秦汉隋唐、宋元明清以及近代以来5类，赋值1，2，3，4，5；用旅游人次和人口密度来反映研究区内承灾体数目，游人越多，人口越密集的区域灾害损失越大。

(3) 响应指标。响应(R)指标表示面临洪灾风险压力时所采取的对策与措施，认为路网完善、经济发达、收入越高的区域抗灾能力越强；遗产保护机构越健全越专业，应灾响应越及时。将遗产保护管理机构分为文物主管部门代管、附属其他保护管理机构管理、设立专门机构保护管理3类，赋值为1，3，5。

结合研究区实况按照自然断点分级法^[21-22]将洪灾风险值划分为5个等级：低风险等级、较低风险等级、中等风险区域、较高风险等级和高风险等级，确定各指标不同风险等级的门限值(表 2)。通过20位遗产保护、灾害管理及规划方面的专家对指标体系进行权重赋值，建立目标评价的层次结构模型确定各指标权重。

2.1.2 联系度计算

依据指标联系度的计算方法，基于ArcGIS提取评价指标栅格数据值至文物保护单位，按照公式(3)—(4)计算出各评价指标的联系度μ。以全国重点文物保护单位——永陵王建墓为例，计算出该文保单位的单指标联系度和联系度分量a，b₁，b₂，b₃，c的值(表 3)。

2.1.3 确定风险等级

依据置信度准则确定洪灾风险等级的计算方法，由公式(6)计算出f₁，f₂，f₃，f₄，f₅，本文将置信度λ设定为0.5。同样以全国重点文物保护单位——永陵王建墓为例，计算出f₁为0.097，f₂为0.298，f₃为0.154，f₁+f₂+f₃=0.549＞0.5，故该文保单位属中风险等级(表 4)。

2.2 洪灾风险结果与分析

按照公式(3)，(4)，(6)计算研究区其余310处文物保护单位的洪灾风险等级，统计各个风险级别的文物保护单位数量及所占百分比，其空间分布见图 2，数量和比例统计见表 5。总体来说，成都市文物保护单位洪灾风险分布具有较大的空间差异性和不均衡性，呈西高东低、北高南低，城市高于郊区、平原高于山地的空间分布形态。研究区文物保护单位大部分属中等洪灾风险，具体分布如下。

(1) 低风险等级。文物保护单位数量仅为6处，占比小为1.93%，其中省级2处，市级4处，分布在研究区南侧郊区，主要为蒲江县和双流区等地。

(2) 较低风险等级。有文物保护单位60处，占比19.29%，其中全国重点文保单位3处，省级18处，市级39处，集中分布在研究区中部和西南部，邛崃市、大邑县、龙泉驿区等区域。这些区域整体距水系较远、降水量较小，洪水灾害活动小，故风险较低。

(3) 中风险等级。文物保护单位数量最多，共有218处，占比70.10%，有全国重点文保单位20处，省级82处，市级116处，密集分布在主城青羊区、武侯区和锦江区范围，其余点位较为平均分散在研究区西侧，东侧区县如简阳市、青白江区等分布少且离散。该等级文保单位受极端天气降水量和水系密度分布的影响较大。

(4) 较高风险等级。文物保护单位数量较少为21处，占比6.75%，以全国重点文保单位为主有12处，省级6处，市级3处，分布离散不集中，都江堰市、崇州市以及新津县分布最多。该区域极端天气降水量大、距水系较近且大部分属于汇流区，整体洪灾风险较高。

(5) 高风险等级。文物保护单位有6处，且全部为全国重点文保单位，其中都江堰市有2处，大邑县2处，青羊区1处，温江区1处。这些地区地势平坦，降水较多同时旅游业发达，旅游人次较多，易受洪灾威胁且受灾损失较大，洪灾风险级别高。

结合文物保护单位级别可以看出，全国重点文物保护单位遭受洪水灾害风险高，中风险等级以上的文物保护单位共38处，占全国重点文保单位总量的92.68%，省级和市级文物保护单位，中等洪灾风险以上分别为88，119处，分别占省、市级文物保护单位总量的81.48%，73.46%。基于类型上看，研究区中等洪灾风险以上文保单位类型以古建筑和近现代重要史迹及代表性建筑为主，其中古建筑有112处，近现代重要史迹及代表性建筑77处，分别占总量的36.01%，24.76%。从遗产年代上看，宋元明清时期的文保单位数量多，洪灾风险高，中风险等级以上文物保护单位中宋元明清时期有130处，近代以来有66处，秦汉隋唐有21处，分别占比41.8%，21.22%，6.75%。

从空间分布上看，研究区文物保护单位洪灾风险高发区域位于青羊区、武侯区和锦江区等主城区内，有唯一极值核心区，主城区内中风险等级以上文物保护单位62处，占比19.39%，文保单位分布密集，旅游人次多，受灾损失大，风险大；崇州市、邛崃市和大邑县等地文保单位中等洪灾风险等级以上较为集中；简阳市、双流区、龙泉驿区以及成华区洪灾风险相对较小。

2.3 洪灾风险空间自相关性分析 2.3.1 全局相关性分析

运用Geoda软件的空间自相关分析工具对2019年成都市文化遗产点位洪灾风险值进行全局空间自相关性分析，计算出全局Moran’s I指数为0.068，p为0.001＜0.01，通过99%的置信度检验，Z为4.108 4，大于1.65，说明Moran’s I指数显著有效，文物保护单位洪灾风险在空间分布上呈微弱的正相关关系，存在一定的空间集聚性。

2.3.2 局部相关性分析

局部相关性分析可表征一个单元与邻近单元属性值的相关程度，通过Geoda软件计算LISA指数，得到成都市文物保护单位洪水灾害风险LISA聚集特征(图 3)。

由图 3可知，局部相关性分析仅存在两种类型，高—高型聚集点位和高—低型聚集点位，说明洪灾风险较高的点位更易聚集。其中高—高型聚集点位有108处，主要集中分布在成都市主城青羊区、武侯区和锦江区，该区域内风险点及周边邻域表现出较强的聚集特征；西侧都江堰市、大邑县以及崇州市等地洪水灾害较高风险和高风险点位多表现为高—高聚集型，区域周边点位具有一定的随机性；东部高—高聚集型点位分布少又散，仅龙泉驿区、简阳市以及金堂县有少量分布，区域点位表现出较强的随机性。高—低型聚集点位有9处，全部分布在研究区北侧新都区和彭州市区域内。其他194处文物保护单位点位表现为不显著。

3 讨论与结论

本文将PSR模型引入传统灾害评价体系中，使得风险系统间的相互关系更为明晰，在洪灾风险评估时，用SPA集对分析法确定风险等级，有效分析了指标间的差异性问题，以成都市文物保护单位为例，建立了一套基于文化遗产的洪灾风险评价模型，为其灾害防治、应急管理和发展规划提供理论依据。

(1) 成都市文物保护单位洪灾风险分布差异性显著，呈西高东低、北高南低，城市高于郊区、平原高于山地的空间分布形态，大部分属中等洪灾风险，中风险等级及以上文物保护单位数量占比78.78%。

(2) 成都市文物保护单位遗产级别和洪灾风险等级正相关，从数量上看，文物保护单位以省市级为主，全国重点文物保护单位虽数量少，但其遗产价值高、本体脆弱性强，受灾后易损，应进一步加强其保护与灾害防治措施，开展文物防灾减灾技术研究，针对性提高遗产自身抵御灾害的能力。

(3) 中等洪灾风险以上文保单位类型以古建筑和近现代重要史迹及代表性建筑为主，年代则多为宋元明清时期，应更加关注此类文保单位的洪灾风险问题，突出防御重点，加强监测防控，定期组织文物保护单位的排查和修缮工作，发挥文物预警防控功能。

(4) 成都市文物保护单位洪灾风险高发区域集中在青羊、武侯和锦江等主城区内，东部区县如简阳市、双流区、龙泉驿区等洪灾风险相对较小。受洪灾威胁较大的区县应进一步加强防汛信息化建设，提前研判可能发生的洪涝灾害，针对性安排部署防范应对工作。

(5) 成都市文物保护单位洪灾风险在空间分布上呈微弱的正相关关系，存在一定的空间集聚性，洪灾风险较高的文物保护单位更易聚集。

在后续工作中可以进一步深入探索评价指标的全面性，特别是历史性洪涝灾情以及文物保护单位本体的抗灾性质等要素，加强评价体系的综合研究。同时可以加强文化遗产洪涝灾害的影响机制分析，探讨文化遗产周边环境变化、社会公共管理、城市基建提升等因素对文化遗产灾害风险的驱动影响，以期为文化遗产的保护和利用提供更有价值的参考。