传统洪水损失评估长期依赖单变量“水深-损失曲线”，默认损失只会随水深单调增加；这种简化假设难以呈现真实灾害中多种因素叠加带来的差异。近年研究表明，多变量模型可以提高预测精度，但多数仍停留建筑整体层面，对构件级损伤机制的解释不足。针对此问题，研究团队采集了新西兰六次洪灾的921组实地调查数据，覆盖建筑结构、内外饰面、管线系统等细分构件。通过对比九类模型的预测表现，研究发现随机森林算法效果最佳，其均方误差（MSE）较传统单变量模型降低22%—24%，平均绝对误差（MAE）改善4%—27%。深入分析显示，地板以上水深仍是最关键的预测变量，但其重要性会随构件类型明显变化。例如，流速对结构构件损伤的影响强度可达水深的7倍；在内部饰面与管线系统上，模型预测精度相对更高。需要注意的是，现有数据中建筑特征差异尚不足以充分释放多变量模型的优势，模型仍存在系统性偏差：对低损失值偏高估、对高损失值偏低估。该研究为灾害风险评估提供了更细的分析工具。通过识别结构构件对动力因素的敏感性，可为加固方案提供更有针对性的依据；研究也提示，与其一味增加模型复杂度，不如优先选准关键变量（如建筑面积、楼层高度）更能提升效果。随着极端气候事件增多，这类成果有望为城市规划与保险行业提供更可靠的风险量化基础。
洪水损失评估的进步，不只是模型选择的问题，更关系到风险治理能否更准确、更公平；抓住水深、流速等关键驱动因素，持续积累构件尺度证据并迭代方法，才能让损失预测更贴近现实，让防灾投入更有方向，也为应对不断上升的气候风险打下更稳的基础。