Tóm tắt

    Hạn hán là một trong những thiên tai phức tạp và khó đánh giá do tính ngẫu nhiên, phạm vi ảnh hưởng rộng và sự lan truyền qua nhiều thành phần của hệ thống thủy văn. Nghiên cứu này đề xuất và ứng dụng một khung đánh giá rủi ro hạn hán tổng hợp cho lưu vực sông Ba. Cách tiếp cận này kết hợp đồng thời ba loại hạn (khí tượng, nông nghiệp và thủy văn) và xem xét quá trình lan truyền hạn. Chỉ số hiểm họa (DHI) được tính toán liên tục theo chuỗi tháng giai đoạn 1980–2023. Chỉ số này được kết hợp với chỉ số dễ bị tổn thương (DVI), được xây dựng từ các chỉ thị kinh tế - xã hội, để hình thành chỉ số rủi ro tổng hợp (DRI). Từ chuỗi dài hạn, bốn năm điển hình (2015, 2016, 2019 và 2020) trong mùa cạn (tháng I–IV) được lựa chọn để phân tích chi tiết. Kết quả cho thấy các điểm nóng rủi ro chủ yếu tập trung ở khu vực hạ lưu, nơi vừa có mức hiểm họa cao vừa có tính dễ bị tổn thương lớn. Hạn hán trong giai đoạn 2015-2016 tập trung mạnh ở các huyện trung và hạ lưu, với nhiều khu vực đạt mức rủi ro cao. Ngược lại, giai đoạn 2019-2020 có sự phân bố rủi ro rải rác hơn, chủ yếu tại một số huyện thượng lưu và trung du, với mức độ từ trung bình đến cao. Cách tiếp cận này khắc phục hạn chế của các chỉ số đơn biến và cung cấp bức tranh toàn diện hơn về rủi ro hạn hán, giúp nhận diện rõ các điểm nóng cần ưu tiên quản lý. Kết quả nghiên cứu là cơ sở quan trọng để hỗ trợ xây dựng chiến lược giảm thiểu rủi ro và nâng cao năng lực thích ứng hạn hán tại lưu vực sông Ba.

Từ khóa: Chỉ số hạn tổng hợp, đánh giá rủi ro, hạn hán tổng hợp; Sông Ba, Copula.

Ngày nhận bài: 20/8/2025; Ngày sửa chữa: 9/9/2025; Ngày duyệt đăng: 22/9/2025.    .

Integrated drought risk assessment for the Ba river basin, Vietnam

Abstract

    Drought is one of the most complex natural hazards to assess due to its stochastic nature, wide-ranging impacts, and propagation across multiple components of the hydrological system. This study develops and applies an integrated framework for integrated drought risk assessment in the Ba River Basin, simultaneously incorporating three drought types (meteorological, agricultural, and hydrological) and accounting for drought propagation processes. The Drought Hazard Index (DHI) was computed as a continuous monthly time series for 1980–2023, and combined with a Drought Vulnerability Index (DVI) derived from socio-economic indicators to construct an integrated Drought Risk Index (DRI). From this long-term dataset, four representative drought years (2015, 2016, 2019, and 2020) during the dry season (January–April) were selected for detailed analysis. Results indicate that risk hotspots are concentrated primarily in downstream areas, where high hazard levels coincide with elevated vulnerability. The 2015–2016 droughts were particularly severe across middle and downstream districts, with many areas reaching high-risk levels, whereas in 2019–2020 risk was more spatially dispersed, affecting selected upstream and midstream districts at moderate to high intensity. This approach not only overcomes the limitations of univariate indices but also provides a more comprehensive understanding of drought risk, enabling the identification of priority “hotspots” for management. The findings offer a valuable basis for developing strategies to mitigate drought risk and enhance adaptive capacity in the Ba River Basin.

Keywords: Risk, Integrated drought, Ba River Basin, Copula.

JEL Classifications: Q15, Q51, Q54.

1. Mở đầu

    Cho đến nay, đã có rất nhiều nghiên cứu trong nước và quốc tế đánh giá rủi ro hạn hán, trong đó nhiều nghiên cứu của các tác giả quốc tế đã thực hiện đánh giá rủi ro hạn tổng hợp (gồm nhiều hơn một loại hạn khi chúng xảy ra tuần tự hay đồng đồng thời). Tuy nhiên, các nghiên cứu trong nước về vấn đề này vẫn còn hạn chế ở các đánh giá rủi ro hạn đơn. Thông qua việc xác định rủi ro hạn hán bằng một hàm thực nghiệm của 03 nhân tố là hiểm họa (H), mức độ phơi bày (E) và tính dễ bị tổn thương (H), nhóm tác giả Lê Văn Tuân và các cộng sự (Tuân et al., 2019) đã đánh giá rủi ro hạn hán khu vực Nam Bộ. Trong nghiên cứu này, các tác giả sử dụng nguồn số liệu bao gồm số liệu quan trắc lượng mưa, bốc hơi tháng tại 14 trạm khu vực Nam Bộ từ năm 1980 đến năm 2018 và bộ số liệu kinh tế - xã hội cập nhật đến năm 2018. Bộ tiêu chí đánh giá rủi ro do hạn hán khu vực Nam Bộ do các tác giả xây dựng có tổng cộng 27 tiêu chí, trong đó có 02 tiêu chí về hiểm họa, 03 tiêu chí về mức độ phơi bày và 22 tiêu chí về tính dễ bị tổn thương. Đối với hiểm họa, nhân tố này được xác định thông qua tần suất hạn (a) và cường độ hạn (chỉ số DHI). Trong đó, tần suất hạn (a) được tính bằng tỷ số giữa tổng số tháng xảy ra hạn dựa trên chỉ số khô hạn K và số năm quan trắc hạn. Cường độ hạn được xác đinh dựa trên chỉ số DHI (drought hazard index). Chỉ số này được tính toán qua chỉ số chuẩn hóa lượng mưa SPI để phân cấp cấp hạn và sử dụng xác suất xảy ra để xác định trọng số đối với mỗi cấp hạn. Ngoài nghiên cứu nói trên, dựa trên cách tiếp cận của Ủy ban Liên chính phủ về biến đổi khí hậu (IPCC), nhóm tác giả Vũ Đức Long và Nguyễn Thị Thu Trang đã đánh giá mức độ rủi ro hạn hán cho khu vực Tây Nguyên (Long & Trang, 2020). Cũng sử dụng phương pháp của IPCC, nhóm tác giả Huỳnh Thị Lan Hương và các cộng sự đã đánh giá rủi ro hạn hán khu vực Trung Trung Bộ (Hương et al., 2020).

    Trên thế giới ngoài những nghiên cứu đánh giá rủi ro hạn đơn, các nghiên cứu đánh rủi ro hạn tổng hợp đã được thực hiện trong những năm gần đây. Một nghiên cứu của Rui Wang và cộng sự (2019) (Wang et al., 2019) đã thiết lập một mô hình rủi ro hạn hán tổng hợp dựa trên đường cong quan hệ giữa xác suất chung của hạn hán và tổn thất do hạn hán của các đối tượng bị ảnh hưởng. Đầu tiên, các đặc trưng hạn hán, bao gồm thời gian và mức độ nghiêm trọng, được phân loại bằng cách sử dụng lượng mưa bất thường từ năm 1953 đến 2010 ở lưu vực Taoerhe dựa trên lý thuyết dòng chảy, và sự phân bố cận biên của chúng được xác định lần lượt theo phân bố hàm mũ và phân bố Gamma. Sau đó, thời gian hạn hán và mức độ nghiêm trọng được xác đinh phân bố xác suất chung dựa trên hàm copula. Nghiên cứu đã sử dụng mô hình EPIC (Khí hậu tích hợp chính sách môi trường) để mô phỏng năng suất ngô và dữ liệu lịch sử nhằm tính toán tỷ lệ tổn thất của nông nghiệp, công nghiệp và chăn nuôi trong khu vực nghiên cứu. Tiếp theo, tác giả xây dựng các đường cong dễ bị tổn thương. Cuối cùng, sự phân bố không gian của rủi ro hạn tổng hợp trong các chu kỳ lặp lại 10, 20 và 50 năm được thể hiện bằng cách sử dụng trọng số nghịch đảo. Kết quả của nghiên cứu chỉ ra rằng sự phân bố không gian của ba giai đoạn lặp lại là nhất quán. Các nghiên cứu tương tự sử dụng phương pháp này còn có Rina Wu và cộng sự (2019) (Wu et al., 2019). Ngoài ra, Nghiên cứu của Deepthi Rajsekhar và cộng sự (2015) (Rajsekhar et al., 2015) cũng là một ví dụ điển hình của đánh giá rủi ro hạn tổng hợp, những khía cạnh về kinh tế xã hội đã được tính đến, bằng cách xem xét các chỉ số dễ bị tổn thương. Ngoài ra, các đặc trưng đa biến của hạn hán cũng đã được tính đến bằng cách thực hiện đánh giá nguy cơ hạn đa biến dựa trên copula cho cả ba loại hạn lượng mưa (P), dòng chảy (R), độ ẩm đất (SM) và thoát hơi nước (ET).

    Lượng mưa trung bình năm của lưu vực đạt khoảng 1.760 mm. Do chịu ảnh hưởng của chế độ mưa sườn đông Trường Sơn, mùa mưa thường kéo dài từ tháng V đến tháng X nhiều nơi đến tháng XII, chiếm khoảng 78–82% tổng lượng mưa năm; trong khi mùa khô chỉ đóng góp 18-22%. Lượng mưa lớn nhất thường xuất hiện vào tháng VIII, còn các tháng khô hạn nhất tập trung trong giai đoạn tháng I đến tháng IV.

    Mặc dù có diện tích khá lớn, lưu vực sông Ba lại nằm trong số những lưu vực ở Việt Nam có mạng lưới trạm đo mưa và mực nước còn thưa thớt. Trên lưu vực hiện có năm hồ chứa lớn gồm An Khê–Ka Nak, Ayun Hạ, Krông H’nang, Sông Hinh và Sông Ba Hạ, đóng vai trò quan trọng trong phát điện, tưới tiêu và điều tiết nguồn nước (Hình 1).

2.2. Dữ liệu nghiên cứu                

(i) Dữ liệu tính toán Hiểm họa (DHI):

    Nhóm dữ liệu này tương đồng với bộ dữ liệu được sử dụng trong tính toán Chỉ số hạn tổng hợp (IDI), bao gồm chuỗi số liệu mưa, dòng chảy, độ ẩm đất và các biến khí tượng – thủy văn liên quan. Nghiên cứu sử dụng chuỗi số liệu dòng chảy quan trắc giai đoạn 1980–2023 do Tổng cục Khí tượng Thủy văn Việt Nam (VMHA) cung cấp, đảm bảo chuỗi dài phục vụ phân tích thủy văn. Dữ liệu lượng mưa cùng kỳ được lấy từ bộ số liệu mưa lưới Việt Nam (Vietnam Gridded Precipitation – VnGP) (Nguyen-Xuan et al., 2016), đã được phát triển và kiểm chứng cho các ứng dụng khí tượng - thủy văn trong nước.

    Các biến khí quyển được khai thác từ bộ phân tích hồi tố toàn cầu ERA5 (1980-2023) do Trung tâm Dự báo Thời tiết Hạn vừa Châu Âu (ECMWF) xây dựng (Hersbach et al., 2023), bao gồm tốc độ gió, bốc thoát hơi và nhiệt độ trung bình, cực đại, cực tiểu - những yếu tố thiết yếu cho giám sát hạn và mô hình thủy văn.

    Thông tin địa hình được thu thập từ cơ sở dữ liệu ALOS World 3D (AW3D30) với độ phân giải khoảng 30 m, do Cơ quan Vũ trụ Nhật Bản (JAXA) phát hành năm 2012 (JAXA EORC, 2023). Đặc tính đất được lấy từ bản đồ đất FAO–UNESCO (Soil Map of the World - SMW) (Fischer et al., 2008), cung cấp thông tin phân bố loại đất và tính chất đất theo không gian. Ngoài ra, dữ liệu hiện trạng sử dụng và lớp phủ đất được sử dụng từ bộ Land Cover CCI (ESA, phiên bản 2.0, năm 2017) (ESA, 2017).

(ii) Dữ liệu tính toán Tính dễ bị tổn thương (DVI): Tính dễ bị tổn thương (DVI) được xác định thông qua hai hợp phần cơ bản: Mức độ nhạy cảm (Sensitivity – S) và Khả năng thích ứng (Adaptive Capacity – AC).

    Mức độ nhạy cảm (S) được đặc trưng bởi các chỉ thị con (S1, S2,... Sn) phản ánh đặc tính nội tại của đối tượng (ví dụ: cơ cấu kinh tế, mức độ phụ thuộc vào nông nghiệp, dân số chịu ảnh hưởng) khiến đối tượng dễ bị tổn thương trước tác động của hạn hán.

    Khả năng thích ứng (AC) được phản ánh bởi các chỉ thị thành phần (AC1, AC2, …, ACn), thể hiện năng lực về nguồn lực, cơ sở hạ tầng, chính sách và các biện pháp ứng phó, giúp giảm thiểu thiệt hại và rủi ro do hạn hán gây ra.

    Số liệu cho các chỉ số nhạy cảm (S1–S8) được thu thập từ Niên giám Thống kê của các tỉnh trong lưu vực qua các năm tương ứng. Trong khi đó, dữ liệu về khả năng thích ứng (AC) được tổng hợp từ Niên giám Thống kê kết hợp với các báo cáo chuyên đề do địa phương cung cấp. Bộ chỉ thị cụ thể áp dụng trong nghiên cứu được trình bày tại Bảng 1.

Bảng 1. Bộ chỉ số đánh giá TDBTT do hạn tổng hợp tại lưu vực sông Ba

2.3. Phương pháp nghiên cứu

2.3.1. Phương pháp đánh giá DHI

    Chuỗi số liệu tháng về lượng mưa, độ ẩm đất, dòng chảy mặt và dòng chảy ngầm được trích xuất từ mô phỏng bằng mô hình VIC cho từng ô lưới. Các kết quả này sau đó được tổng hợp lên quy mô huyện bằng phương pháp trung bình có trọng số diện tích, nhằm tạo ra bộ dữ liệu nhất quán phục vụ tính toán các chỉ số hạn.

    Từ các dữ liệu trên, bốn chỉ số hạn đơn biến được xác định bao gồm: Chỉ số lượng mưa chuẩn hóa (SPI), Chỉ số độ ẩm đất (SMI), Chỉ số dòng chảy chuẩn hóa (SRI) và Chỉ số nước ngầm chuẩn hóa (SGI). Các chỉ số này được tính tại nhiều thang thời gian tích lũy khác nhau nhằm phản ánh đặc trưng lan truyền của hạn hán qua các thành phần thủy văn: 1–3–6–12 tháng đối với SPI, SRI và SGI, và 1–6 tháng đối với SMI.

    Để tích hợp các chỉ số đơn biến này, nghiên cứu áp dụng phương pháp copula theo đề xuất của Shah và Mishra (2019). Do hạn hán thường lan truyền nối tiếp trong chu trình thủy văn, từ thiếu hụt khí tượng (SPI), suy giảm độ ẩm đất (SMI), giảm dòng chảy (SRI) đến suy thoái mực nước ngầm (SGI), nên trước hết cần phân tích mối quan hệ trễ giữa các biến. Phân tích tương quan Pearson được thực hiện để lựa chọn thang thời gian đại diện cho từng chỉ số, đảm bảo tổ hợp chỉ số phản ánh được sự phụ thuộc mạnh nhất giữa các dạng hạn.

    Cấu trúc phụ thuộc đồng thời giữa SPI, SMI, SRI và SGI được mô hình hóa bằng Clayton Copula, vốn có ưu thế trong việc mô tả sự phụ thuộc ở phần đuôi thấp, tức là những trường hợp thiếu hụt cực đoan xảy ra đồng thời. Trong khung tính toán này, các chỉ số chuẩn hóa được biến đổi sang xác suất tích lũy thông qua hàm phân phối chuẩn tích lũy (CDF chuẩn). Các xác suất này sau đó được tích hợp bằng hàm Clayton Copula:

 (1)

    trong đó ui là xác suất biên của từng chỉ số hạn, d=4 là số biến, và θ>0 là tham số phụ thuộc được ước lượng theo phương pháp cực đại khả năng.

    Hàm phân phối tích lũy đồng thời (Joint CDF) thu được từ copula cho biết xác suất xảy ra đồng thời các điều kiện hạn. Giá trị Joint CDF càng thấp thể hiện xác suất cao của tình trạng thiếu hụt nghiêm trọng, trong khi giá trị cao phản ánh điều kiện ẩm ướt. Để thuận tiện trong diễn giải, Joint CDF được chuyển đổi ngược lại về thang chuẩn thông qua hàm phân phối ngược chuẩn (inverse normal), tạo thành chỉ số hạn tổng hợp IDI:

              (2)

    Chuỗi IDI theo thời gian cho phép mô tả tổng hợp đặc trưng hạn hán trên cả ba phương diện: khí tượng, nông nghiệp và thủy văn. IDI được phân thành 4 cấp (thấp - trung bình - cao - rất cao).

    Sau đó áp dụng phương pháp phân cụm (clustering), k‐means clustering, để chia nhỏ hơn trong từng cấp độ dựa trên tần suất xuất hiện của các giá trị IDI trong mỗi nhóm. Các cụm với tần suất cao sẽ được đánh giá nặng hơn. Sử dụng kết quả phân loại (cấp độ & cụm), gán Rating tương ứng với cụm và Weight tương ứng với cấp độ  để tính hiểm họa khu vực (Kim et al., 2015).

    Công thức DHI cuối cùng sẽ là một hàm số của Rating và Weight (Hình 2), cho phép không chỉ xác định một khu vực có đang bị hạn hán hay không mà còn đánh giá được mức độ hiểm họa tiềm tàng của sự kiện đó. Sau khi tính toán được chỉ số thô (DH), một quá trình chuẩn hóa tiếp theo sẽ được thực hiện để đưa giá trị về một thang điểm thống nhất (từ 0 đến 1), giúp việc so sánh giữa các khu vực và các thời điểm khác nhau trở nên dễ dàng và ý nghĩa hơn.

       (3)

     trong đó n là độ dài của chuỗi IDI

          (4)

Hình 2: Sơ đồ Weight và Rating dựa trên hàm phân phối tích lũy (CDF) của các giá trị hạn tổng hợp IDI

    Các chỉ thị thành phần của S và AC được thực hiện chuẩn hóa số liệu từ các số liệu có đơn vị khác nhau về các giá trị không thứ nguyên nằm trong khoảng 0 - 1 để có thể so sánh giữa các đơn vị hành chính (quận/ huyện) với nhau. Các chỉ thị phải được chuẩn hóa một cách riêng biệt cho một đơn vị không gian (chẳng hạn như trong một tỉnh) và cần phải xác định mối tương quan là đồng biến hay nghịch biến với DVI để áp dụng công thức tính chuẩn hóa cho phù hợp. Việc xác định mối tương quan này có thể được xác định dựa trên các tài liệu tham khảo, tham vấn chuyên gia hoặc kinh nghiệm cộng đồng. Theo nghiên cứu, hầu hết các chỉ thị thành phần của S có quan hệ đồng biến với DVI tức là làm gia tăng tính dễ bị tổn thương tại vùng nghiên cứu; trong khi đó chỉ số thành phần của AC lại có quan hệ nghịch biến với DVI tức là làm giảm tính dễ bị tổn thương. Nếu mối tương quan là đồng biến, công thức chuẩn hóa được áp dụng như sau:

    Trong trường hợp tương quan là nghịch biến, áp dụng công thức chuẩn hóa sau:

    Trong đó:

- i là chỉ số chạy của đơn vị không gian gian (đơn vị không gian có thể là tỉnh, huyện, xã hoặc vùng/khu vực,…),  j là chỉ số chạy của chỉ số thành phần;   

- y_ij: là giá trị chuẩn hóa tại đơn vị không gian thứ i của chỉ số thành phần thứ j;

- X_ij là giá trị của chỉ số thành phần;

- X_min là giá trị nhỏ nhất của chỉ số thành phần thứ j trong toàn bộ đơn vị không gian;

- X_max là giá trị lớn nhất của chỉ số thành phần thứ j trong toàn bộ đơn vị không gian.

    Khi đã thực hiện chuẩn hóa số liệu, trọng số của từng chỉ thị thành phần của S, AC cần phải được tính toán. Trọng số của từng chỉ số phụ cũng là cơ sở để đánh giá tầm quan trọng của các chỉ số và được tính toán dựa trên phương pháp tính trọng số bất cân bằng của Iyengar và Sudarshan (1982) (Iyengar & Sudarshan, 1982) bằng phương pháp toán học trong đó đánh giá trọng số của từng chỉ số dựa trên độ lệch chuẩn của từng chỉ số. Trọng số của từng chỉ số thành phần được xác định bởi công thức:

    Trong đó:

- W_j là trọng số của chỉ thị thành phần con thứ j của S, AC.

- Var(x_j) là phương sai của chỉ số phụ thứ j được xác định bởi công thức:

- C: được xác định bởi công thức sau:

    Trong đó m là số các yếu tố thành phần đóng góp vào DVI; Tổng trọng số của nhóm chỉ số phụ phải bằng 1.

    Sau khi tính chuẩn hóa và áp dụng trọng số đối với các chỉ số thành phần, các chỉ số tại các đơn vị không gian được tính toán theo công thức tổng quát sau:

    Trong đó:

- M_i: là S_i hoặc là AC_i;

- i là chỉ số chạy của đơn vị không gian;

- j là chỉ số chạy của chỉ số thành phần;

- n là tổng chỉ số thành phần;

- m là tổng số đơn vị không gian;

- w_j: là trọng số của chỉ số thành phần thứ j trong toàn bộ đơn vị không gian;

- y_ij: là giá trị chuẩn hóa của chỉ số thành phần thứ j, được tính theo công thức (5) hoặc công thức (6).

    Tính toán tính dễ bị tổn thương tại các đơn vị không gian (DVI_i):

2.3.2. Phương pháp đánh giá DRI

    Chỉ số rủi ro hạn hán DRI được xây dựng dựa trên nguyên tắc cơ bản của đánh giá rủi ro thiên tai, trong đó rủi ro được định nghĩa là hàm của DHI và DVI. Hiểm họa đại diện cho khả năng một sự kiện thiên tai xảy ra, trong khi tổn thương thể hiện mức độ bị ảnh hưởng của một hệ thống khi sự kiện đó xảy ra. Cả hai yếu tố này đều đóng vai trò then chốt trong việc xác định mức độ rủi ro tổng thể.

    Để tính chỉ số DRI, nhóm nghiên cứu sử dụng công thức:

                 (12)

    Công thức này đảm bảo rằng một khu vực có mức độ hiểm họa cao nhưng tổn thương thấp (hoặc ngược lại) sẽ có chỉ số rủi ro thấp hơn so với một khu vực có cả hiểm họa và tổn thương đều cao. Việc lấy căn bậc hai được thực hiện nhằm mục đích chuẩn hóa và giảm nhẹ sự chênh lệch quá lớn giữa các chỉ số đầu vào, giúp kết quả DRI phản ánh một cách cân bằng và chính xác hơn rủi ro tiềm tàng. Các giá trị DHI và DVI đều đã được chuẩn hóa về một thang điểm thống nhất (từ 0 đến 1), đảm bảo tính nhất quán của phép tính. Kết quả là chỉ số DRI cũng sẽ nằm trong khoảng từ 0 đến 1, trong đó giá trị càng gần 1 thể hiện rủi ro hạn hán càng cao. 

    Sơ đồ thực hiện của nghiên cứu này được mô tả như trong Hình 3.

Hình 3: Sơ đồ thực hiện của nghiên cứu

3. Kết quả và thảo luận

    Từ chuỗi dữ liệu dài hạn này, nghiên cứu lựa chọn các thời kỳ mùa cạn (tháng I đến tháng IV) của bốn năm điển hình là 2015, 2016, 2019 và 2020 để phân tích chi tiết. Đây là những năm được lựa chọn nhằm đối chiếu điều kiện El Nino mạnh (2015-2016) với các năm hạn chế hơn (2019-2020). Kết quả bản đồ DHI (Hình 4) cho thấy trong các năm 2015 và 2016, phạm vi và cường độ hạn tổng hợp ở mức cao nhất, đặc biệt tại khu vực trung và hạ lưu lưu vực sông Ba. Điều này phản ánh sự ảnh hưởng rõ nét của El Nino đến chuỗi thiếu hụt khí tượng - thủy văn trong khu vực. Ngược lại, các năm 2019 và 2020 ghi nhận mức hiểm họa hạn tổng hợp thấp hơn, cho thấy sự khác biệt rõ rệt về điều kiện khí hậu giữa các giai đoạn.

    Trong khi DHI có sự biến động lớn giữa các năm do chịu tác động trực tiếp của yếu tố khí hậu, thì DVI (Hình 5) lại có sự ổn định hơn theo thời gian. DVI được xác định cho từng năm nghiên cứu, phản ánh các đặc điểm kinh tế - xã hội và khả năng thích ứng vốn thay đổi chậm. Kết quả cho thấy các khu vực có dân cư đông, cơ cấu kinh tế phụ thuộc nhiều vào nông nghiệp và hạ tầng thủy lợi chưa phát triển, đặc biệt tại trung du và hạ lưu, thường có mức DVI cao hơn. Điều này cho thấy nền tảng xã hội - kinh tế là một tác nhân quan trọng làm gia tăng rủi ro hạn hán tổng hợp.

    Khi kết hợp DHI và DVI, bản đồ rủi ro hạn hán tổng hợp DRI (Hình 6) đã được xây dựng. Kết quả cho thấy các điểm nóng rủi ro chủ yếu tập trung ở khu vực hạ lưu, nơi vừa có mức hiểm họa cao vừa có tính dễ bị tổn thương lớn. Hạn hán tổng hợp giai đoạn 2015-2016 tập trung mạnh ở các huyện trung và hạ lưu, với nhiều khu vực đạt mức rủi ro cao. Trong khi đó, giai đoạn 2019-2020 rủi ro phân bố rải rác hơn, chủ yếu tại một số huyện thượng lưu và trung du, với mức độ trung bình đến cao.

    Những kết quả trên cho thấy việc đánh giá rủi ro hạn hán dựa trên cách tiếp cận hạn tổng hợp và có tính đến lan truyền hạn giúp nhận diện được đầy đủ hơn các đặc trưng của rủi ro so với các chỉ số đơn biến. Kết quả cũng phản ánh đúng tác động thực tế của các sự kiện khí hậu cực đoan như El Nino cũng như vai trò của năng lực thích ứng trong quyết định mức độ rủi ro. Về ý nghĩa thực tiễn, bản đồ DRI cung cấp cơ sở quan trọng cho việc xác định các khu vực ưu tiên trong quản lý hạn hán. Để giảm thiểu rủi ro, cần đồng thời triển khai hai nhóm giải pháp: tăng cường giám sát – cảnh báo sớm nhằm phát hiện kịp thời các đợt hạn trong điều kiện khí hậu bất thường, và nâng cao năng lực thích ứng thông qua cải thiện cơ sở hạ tầng thủy lợi, hỗ trợ đa dạng hóa sinh kế và tăng khả năng tiếp cận nguồn nước ở những khu vực có mức DVI cao.

Hình 4: Bản đồ phân cấp hiểm họa do hạn tổng hợp năm 2015, 2016, 2019, 2020

Hình 5: Bản đồ phân cấp TDBTT do hạn tổng hợp năm 2015, 2016, 2019, 2020

Hình 6: Bản đồ phân cấp rủi ro do hạn tổng hợp năm 2015, 2016, 2019, 2020

    Nghiên cứu đã phát triển cách tiếp cận đánh giá rủi ro hạn hán tổng hợp cho lưu vực sông Ba, phản ánh đồng thời ba loại hạn (khí tượng, nông nghiệp và thủy văn) và quá trình lan truyền hạn. Kết quả cho thấy rủi ro tập trung chủ yếu ở khu vực trung và hạ lưu, đặc biệt nghiêm trọng trong các năm 2015-2016 và 2019-2020 dưới tác động của El Nino. Điều này khẳng định vai trò kết hợp của điều kiện khí hậu và năng lực thích ứng trong quyết định rủi ro hạn hán.

    Tính mới của nghiên cứu là việc ứng dụng khung đánh giá rủi ro dựa trên hạn tổng hợp có xét đến tính chuỗi và lan truyền, cho phép nhận diện rõ “điểm nóng” rủi ro và cung cấp bằng chứng thực tiễn phục vụ quản lý. Tuy nhiên, nghiên cứu vẫn còn hạn chế khi chưa xem xét kịch bản tương lai và chưa tích hợp đầy đủ các yếu tố thể chế – xã hội vào bộ chỉ số dễ bị tổn thương. Trong tương lai, cần mở rộng phân tích sang các kịch bản biến đổi khí hậu, đồng thời phát triển các bộ chỉ số thích ứng giàu tính động hơn để nâng cao độ tin cậy và khả năng ứng dụng kết quả trong quản lý hạn hán.

    Đóng góp của tác giả: Xây dựng ý tưởng, Phương pháp nghiên cứu, Phân tích kết quả và Viết bản thảo bài báo: Đỗ Thị Ngọc Bích; Tính toán: Hoàng Thị Thảo, Nguyễn Thành Long, Nguyễn Hoàng Bách; Xử lý số liệu: Lê Văn Linh, Hoàng Thị Thảo, Hoàng Bích Ngọc, Nguyễn Hoàng Bách, Nguyễn Thành Long, Lê Thu Hà; Định hướng và Chỉnh sửa bài báo: Nguyễn Tú Anh.