基于证据推理法的城镇综合承灾能力网格化评价方法
陈涛 , 陈智超     
清华大学 工程物理系, 公共安全研究院, 北京 100084
摘要:目前针对区域综合承灾能力的研究大多仍基于城市尺度,少有针对城镇尺度的研究,且针对区域综合承灾能力的研究大多以行政单元为评价单元,精度稍显粗糙。该文根据华东某县级市实际城镇特色建立城镇综合承灾能力评价指标体系,基于证据推理法结合层次分析法,以1 km×1 km的网格为基本评价单元,从定性、定量数据两方面完成对该市综合承灾能力的评估。该文主要探索了高精度的城镇综合承灾能力评价方法,得到网格化的高精度评价结果,发现“抗灾能力→空间布局因素→重大危险源”这一指标在整体评价中具有突出重要作用,评价结果与该地区实际情况基本吻合。该评价方法对城镇级别应急管理具有很好的应用价值,对提升城镇区域减灾防灾能力有积极意义。
关键词综合承灾能力    证据推理法    层次分析法    网格化    城镇化    
Comprehensive disaster-bearing capacity assessment of the urban area using grid cells based on an evidential reasoning method
CHEN Tao, CHEN Zhichao     
Institute of Public Safety Research, Department of Engineering Physics, Tsinghua University, Beijing 100084, China
Abstract: Most studies on regional comprehensive disaster-bearing capacity have been based on large city scenarios with few for urban scenarios with most based on large administrative units, which leads to rough assessment results. This paper describes an index system for urban disaster-bearing capacity assessments based on the actual characteristics of an urban area in eastern China. Evidential reasoning is combined with an analytic hierarchy process to deal with qualitative and quantitative data with 1 km×1 km scale grids to assess the disaster-bearing capacity of this urban area. This paper describes the method to accurately assess the disaster-bearing capacity of the urban area with high resolution assessment results. The index of "anti-disaster ability→spatial factors→major hazard sources" plays a very important role in the whole assessment. These results are in accord with the actual situation in this area. Thus, this assessment method can be used for urban-level emergency management and to improve disaster prevention and mitigation capacities.
Key words: comprehensive disaster-bearing capacity     evidential reasoning (ER)     analytic hierarchy process (AHP)     gridding     urbanization    

随着经济社会的高速发展和城市化进程的快速推进,越来越多的农业人口向非农业的劳动密集型行业转移,而这些行业相对于农业来说,又是事故高发行业。同时,城镇化的进程势必导致人口、财富的密集化,使得在同样的灾害面前,灾害后果更加严重[1]。近年来,中国多个地方发生多起突发安全事故,比如:2014年8月2日,江苏昆山一工厂发生特大铝粉尘爆炸事故,当天造成75人死亡、185人受伤;2017年7月4日,吉林省松原市宁江区发生燃气管道爆炸事故,造成5死89伤。中国城镇化发展正面临严峻的公共安全形势,要求进一步提高城镇综合承灾能力,因而开展对城镇综合承灾能力评价的研究,有利于对中国城镇的综合承灾能力和公共安全形势有更清晰、更直观的了解,可以为政府相关部门的工作和决策提供科学依据。

现阶段,综合承灾能力的研究大多以城市为研究单元。陈国华等[2]构建了城域突发事故灾难承灾能力评估指标体系,采用层次分析法确定权重、加权求和的方法计算评价结果,并以华南某市经济区为例应用模型进行了评价;张明媛等[3]利用层次分析法和区间数的模糊可变识别方法对各省会城市和4个直辖市的城市承灾能力进行了评估;王威等[4]利用分形理论对29个城市进行了承灾能力评价;李晓娟[5]运用突变级数理论评价了29个城市的承灾能力。

上述方法的局限性在于都只针对指标体系中全部是定量指标的情况,并且评价的尺度局限在大城市尺度,评价精度不够高导致其实用价值有限。实际上,影响城镇化进程的因素是复杂多样的,分析这些因素对城镇化进程的作用机制是一个复杂的系统性问题[6],因此在城镇综合承灾能力评估中,为了使评估更加全面,既需要利用客观的定量指标数据,也需要利用来自于对当地人民实地调研得到的定性指标数据。证据推理法是基于D-S证据理论在20世纪90年代发展起来的多因素决策分析技术,具有能够较好地处理不确定性以及同时处理存在定性、定量数据的优势,被广泛应用于能源、环境、运输、海洋物流行业等的风险评估,而在区域综合承灾能力评估方面还未被应用。本文在城镇尺度上划分km网格,以市县两级安全专家的意见为基础,引入证据推理法,进行较高精度的综合承灾能力评价。

1 城镇综合承灾能力评价方法 1.1 指标体系的建立

城镇综合承灾能力由防灾能力、抗灾能力、救灾能力和恢复能力组成[3, 7]。防灾能力是指城镇抵御灾害的能力,是灾害来临之前城镇的准备程度;抗灾能力是指承灾载体在灾害破坏下保持或接近原状的能力,是承灾载体的属性;救灾能力主要在于灾后的应急处理,及时高效的应急处理能大大降低灾害造成的损失,从而提高城镇的综合承灾能力;恢复能力是指灾后从故障或瘫痪状态恢复到可正常运行状态的能力。

本文的研究对象是华东某县级市,该市是2017年全国百强县之一,乡镇企业发达,外来人口众多,是中国典型的城镇化领先地区,以其为研究对象具有很强的代表性。

为建立城镇综合承灾能力评价指标体系,在防灾能力、抗灾能力、救灾能力和恢复能力这4个一级指标的基础上,结合该市的特色,扩展指标体系的层次,直到可获取数据的底层指标为止。建立的评价指标体系如表 1所示。

表 1 城镇综合承灾能力评价指标体系
分目标层 功能层 指标层
防灾能力 社会因素 失业率-
企业安全员配备情况
城乡居民社会公德评价等级*
城乡居民生活质量差距* -
经济因素 农业经济比例-
Engel系数-
基础设施投资
环境因素 林木绿化率
工业固体废物利用率
工业废水排放达标率
工业废气排放达标率
生活垃圾无害化处理率
抗灾能力 人口因素 人口密度-
外来人口比例-
65岁以上老龄人口比例-
14岁以下儿童人口比例-
残疾人口比例-
农业人口比例-
初中及以下学历人口比例-
空间布局因素 城镇建筑面积-
城镇道路长度
森林面积
农田面积
供水管道长度-
供电线路长度-
地质隐患点
化纤、毛纺厂数量-
重大危险源-
桥梁长度-
社会因素 年人均供水量
人均供电量
人均GDP
万人互联网用户数
民众对公共交通服务满意程度*
民众对基础设施建设满意程度*
民众对文化体育设施建设满意程度*
救灾能力 社会因素 千人医院床位数量
千人医护人员数量
应急预案数量
应急装备储备库数
应急演练次数
应急救援队伍数量
环境因素 人均园林绿地面积
体育场地数
恢复能力 社会因素 参加养老保险人数
参加失业保险人数
参加医疗保险人数
中青年人口比例
经济因素 第二、第三产业生产总值比重
人均年末储蓄余额
环境因素 民众对社会保障满意程度*
民众对社会治安满意程度*
民众对就业服务满意程度*
民众对食品安全满意程度*
民众对药品安全满意程度*
民众对医疗卫生满意程度*
民众对政府信息公开满意程度*
民众对义务教务满意程度*
民众对环境质量满意程度*

1.2 数据来源

本文中采用的数据为该市2015年的相关数据,其来源包括:

1) 地质隐患点、重大危险源的级别和经纬度数据;

2) 各乡镇政府相关部门调研反馈统计数据;

3) 市2016年统计年鉴数据;

4) 问卷调研数据;

5) ArcGIS图层数据。

1.3 网格划分

对全市区域按照1 km×1 km的网格,共划分成983个单元网格点,结果如图 1所示。

图 1 全市区域网格划分

1.4 数据处理方法

1) 定性指标数据处理。

对于定性指标,数据采集主要采用调研问卷形式。在市应急办的协助下,对该市各个行政村进行了网上问卷调研,共收回有效问卷2 998份。本文以行政村为单元进行数据统计,将每项指标的评分结果处理成模糊信度结构:FBSi={(FHn, βn, i)}。其中:FHn指对于某一指标的评分为n(评价等级),βn, i为统计得到的每个评分(评价等级)的百分比。

2)数据网格化。

对于能够采集到的高精度网格化数据,包括1 km×1 km网格人口数据、人均GDP数据,以及地质隐患点的经纬度数据、重大危险源的级别和经纬度数据,按照对应网格直接赋值。

对于“城镇道路长度”指标,本文收集到该市范围内的ArcGIS道路矢量图层,在ArcGIS中处理成网格数据。

对于采集到的非网格化数据,包括乡镇数据、行政村数据、经过处理得到的定性指标模糊信度结构(行政村级别),进行网格化处理:首先对网格和行政单元的从属关系进行划分确定;然后将采集到的行政单元的数据按照平均(比如原始数据为总量数据)或统一(比如原始数据为人均、百分比、密度和调研统计结果)的方法转化成网格数据,其中个别边界处按照等权重比例融合交界行政单元数据。

3)数据标准化。

本文采用min-max方法对定量网格数据进行标准化处理,

$ {t_{ij}} = \frac{{{x_{ij}} - {x_{\min ,j}}}}{{{x_{\max ,j}} - {x_{\min ,j}}}}. $ (1)

其中:xij表示第i个网格的第j个指标数据,xmax, jxmin, j分别表示第j个指标数据中的最大值和最小值,i=1, 2, …, P, j=1, 2, …, QP表示网格总数,Q表示底层指标总数。

4) 数据正向化。

对于指标体系中的负向指标,即对上层指标的贡献方式和其余指标相反的指标(本文中指那些数值越大,导致综合承灾能力越差的指标),在数据标准化处理的基础上,再进行正向化处理,

$ {{t'}_{ij}} = 1 - {t_{ij}}. $ (2)

至此,得到所有定量指标经过标准化和正向化之后的数据集,记为R ={rij}, i=1, 2, …, P, j=1, 2, …, Q

$ {r_{ij}} = \left\{ \begin{array}{l} {t_{ij}},\;\;\;第\;j\;个指标为正向指标;\\ {{t'}_{ij}},\;\;\;第\;j\;个指标为负向指标. \end{array} \right. $ (3)

5) 模糊信度结构转换。

在证据推理法中,通常需要将定量数据转化为形如(10%,30%,60%,0%,0%)这样的模糊信度结构,括号中的5个百分数分别代表某一评价单元对于某一指标隶属于评价等级(Very Low,Low,Average,High,Very High)的置信度。

首先定义隶属度函数,如图 2所示。

图 2 隶属度函数

图 2中, r是指经过上述步骤得到的归一化的数据,u(r)是指该数据对应从属于某一评价等级(本文中采用如图 2所示的5个等级)的隶属度。

然后,利用经过处理后的归一化数据rij,通过隶属度函数计算得到μFHnμFHn+1,再利用式(4)和(5)计算其从属于相应评价等级的置信度:

$ {\beta _n} = \frac{{{\mu _{{\rm{F}}{{\rm{H}}_n}}}}}{{{\mu _{{\rm{F}}{{\rm{H}}_n}}} + {\mu _{{\rm{F}}{{\rm{H}}_{n + 1}}}}}}, $ (4)
$ {\beta _{n + 1}} = \frac{{{\mu _{{\rm{F}}{{\rm{H}}_{n + 1}}}}}}{{{\mu _{{\rm{F}}{{\rm{H}}_n}}} + {\mu _{{\rm{F}}{{\rm{H}}_{n + 1}}}}}}. $ (5)
1.5 层次分析法确定权重

层次分析法是由Saaty在20世纪70年代初提出的[8-9],它的优点包括:分析系统、定性定量相结合、能反映决策者对决策问题的认知能力、增加决策有效性、思路简单明了、应用范围广泛。

本文邀请华东某市应急管理办公室、安全生产监督管理局的9位当地应急管理专家,对该市综合承灾能力评价指标体系的指标进行权重打分。在此基础上利用层次分析法计算得到各项指标的权重,以确保指标权重确定的科学性、实用性和可靠性。

1.6 证据推理法

经过1.4节数据处理之后得到所有网格对应所有指标的模糊信度结构FBSi={(FHn, βn, i)},在此基础上利用证据推理法,逐步向上融合,得到每个网格的综合承灾能力的评价结果,具体算法如下[10-13]

假设一个上层指标SjL个下层指标组成。当获得下层指标的模糊信度结构FBSi={(FHn, βn, i)}之后,通过下列公式计算:

$ \begin{array}{*{20}{c}} {{m_{n,i}} = {\omega _i}{\beta _{n,i}},}\\ {n = 1,2, \cdots ,N,i = 1,2, \cdots ,L,} \end{array} $ (6)
$ {m_{{\rm{H}},i}} = 1 - \sum\limits_{n = 1}^N {{m_{{\rm{n}},i}}} , $ (7)
$ {{\bar m}_{{\rm{H}},i}} = 1 - {\omega _i}, $ (8)
$ {{\tilde m}_{{\rm{H}},i}} = {\omega _i}\left( {1 - \sum\limits_{n = 1}^N {{\beta _{n,i}}} } \right), $ (9)
$ {m_{{\rm{H}},i}} = {{\bar m}_{{\rm{H}},i}} + {{\tilde m}_{{\rm{H}},i}}. $ (10)

其中:ωi是通过层次分析法计算得到的相应指标的权重,mn, i代表低层指标Ri隶属于评价等级FHn的基本置信度,mH, i是由于信息缺失造成的未分配的概率。

接着通过以下递推算法,将下一层指标Ri的模糊信度结构向上融合成上一层指标Sj的模糊信度结构FBSS={(FHn, βnS)}:

$ \begin{array}{*{20}{c}} {{m_{n,I\left( {i + 1} \right)}} = {K_{I\left( {i + 1} \right)}}\left[ {{m_{n,I\left( i \right)}}{m_{n,i + 1}} + } \right.}\\ {\left. {{m_{{\rm{H}},I\left( i \right)}}{m_{n,i + 1}} + {m_{n,I\left( i \right)}}{m_{{\rm{H}},i + 1}}} \right],}\\ {n = 1,2, \cdots ,N,i = 1,2, \cdots ,L - 1,} \end{array} $ (11)
$ {m_{{\rm{H}},I\left( i \right)}} = {{\bar m}_{{\rm{H}},I\left( i \right)}} + {{\tilde m}_{{\rm{H}},I\left( i \right)}}, $ (12)
$ \begin{array}{*{20}{c}} {{{\tilde m}_{{\rm{H}},I\left( {i + 1} \right)}} = {K_{I\left( {i + 1} \right)}}\left[ {{{\tilde m}_{{\rm{H}},I\left( i \right)}}{{\tilde m}_{{\rm{H}},i + 1}} + } \right.}\\ {\left. {{{\bar m}_{{\rm{H}},I\left( i \right)}}{{\tilde m}_{{\rm{H}},i + 1}} + {{\tilde m}_{{\rm{H}},I\left( i \right)}}{{\bar m}_{{\rm{H}},i + 1}}} \right],} \end{array} $ (13)
$ \begin{array}{*{20}{c}} {{{\bar m}_{{\rm{H}},I\left( {i + 1} \right)}} = {K_{I\left( {i + 1} \right)}}\left[ {{{\bar m}_{{\rm{H}},I\left( i \right)}}{{\bar m}_{{\rm{H}},i + 1}}} \right],}\\ {{K_{I\left( {i + 1} \right)}} = {{\left\{ {1 - \sum\limits_{t = 1}^N {\sum\limits_{\begin{array}{*{20}{c}} {j = 1}\\ {j \ne t} \end{array}}^N {{m_{t,I\left( i \right)}}{m_{j,i + 1}}} } } \right\}}^{ - 1}},} \end{array} $ (14)
$ \beta _n^{\rm{S}} = \frac{{{m_{n,I\left( L \right)}}}}{{1 - {{\bar m}_{{\rm{H}},I\left( L \right)}}}},\;\;\;\;n = 1,2, \cdots ,N, $ (15)
$ \beta _{\rm{H}}^{\rm{S}} = \frac{{{{\tilde m}_{{\rm{H}},I\left( L \right)}}}}{{1 - {{\bar m}_{{\rm{H}},I\left( L \right)}}}}. $ (16)

如此循环使用以上算法,最终可得到最上层指标,即城镇综合承灾能力的评价结果模糊信度结构。

最后,对评价结果的模糊信度结构定义一个效用函数u(FHn),在本文中采用线性形式(0, 0.25, 0.5, 0.75, 1.0)分别表示5个评价等级的效用值,计算每个网格(评价单元)的综合承灾能力指数(comprehensive disaster-bearing capacity index,CDCI),

$ {\rm{CDC}}{{\rm{I}}_i}\left( {{\rm{F}}{{\rm{H}}_n}} \right) = \sum\limits_{n = 1}^N {{\beta _n}u\left( {{\rm{F}}{{\rm{H}}_n}} \right)} . $ (17)

其中:N表示评价等级的数量,在本文中N=5;i表示网格编号;FHn表示第n个评价等级。

2 结果分析

基于1.2节中的数据,采用第1节的模型方法,对图 1中每个单元网格点进行综合承灾能力评价。

以网格B33为例,最终得到评价结果的模糊信度结构如图 3所示。

图 3 网格B33综合承灾能力评价结果

因此,网格B33的综合承灾能力指数为

$ \begin{array}{*{20}{c}} {{\rm{CDCI}}\left( {{\rm{B33}}} \right) = 0 \times 0.290\ 9 + 0.25 \times 0.132\ 4 + }\\ {0.5 \times 0.213\ 2 + 0.75 \times 0.062\ 4 + }\\ {1.0 \times 0.301\ 1 = 0.487\ 6.} \end{array} $

对该市全部983个网格的综合承灾能力指数进行统计,结果如图 4所示。从图 4的分布情况可知,该市综合承灾能力的评价结果总体比较均衡,没有出现大量集中于某一分段的现象,这意味着该市综合承灾能力的差异性比较明显,各城镇的综合承灾能力有所不同。

图 4 综合承灾能力指数结果统计

将综合承灾能力指数的评价结果反映在地理信息系统中将更加直观,ArcGIS展示的分析结果如图 5所示。图 5中,颜色越深,表示综合承灾能力越低,安全形势越严峻。

图 5 综合承灾能力指数结果ArcGIS地图展示

图 5结果显示,不同于以往大部分以行政单元为评价单元的研究,本文的结果已经明显具有网格化特征。显然,本文的评价方法可以给政府应急管理工作提供较高精度的指导和支撑。

下面以网格的编号为x, y坐标,以综合承灾能力指数(CDCI)为z坐标,对评价结果在空间进行拟合,拟合结果如图 6所示。图 6中颜色越深、空间高度越低的地方表示综合承灾能力越弱,需要更多的关注。总体看来,B镇、C镇这样的该市政治中心地区,F镇、M镇、L镇此类经济强镇,以及H镇的综合承灾能力相对较强,而K镇等乡镇的综合承灾能力相对较弱,需要政府相关部门在进行日常工作时投入更多的关注并采取一定的措施,比如增加这些地方的防灾减灾设施建设投入,以提升其防灾减灾能力。

图 6 综合承灾能力指数结果空间拟合

本文提出的网格化综合承灾能力评价方法中,权重计算是很重要的一个环节,由于全局权重受到指标体系本身层次关系的影响很大,故全局权重的参考意义并不大;而考察同一个分支中最大权重/最小权重的值,却能够很好地体现某一具体指标在整个评价体系中的重要性。经分析,“抗灾能力→空间布局因素→重大危险源”这项指标在对应分支中相比其他指标具有更加突出的权重值,这意味着这项指标对于对应上层指标的贡献非常大,在整体评价中起到很重要的作用。这也和当前该地区的实际情况相吻合,对于重大危险源的管理是安全生产监督管理、应急管理部门都十分关注的一项工作。

3 结论

本文通过证据推理法结合层次分析法、以1 km×1 km网格为评价单元的城镇综合承灾能力评价方法,能够很好地处理数据不确定性以及定性、定量指标同时存在的情况。对华东某县级市的实例分析表明,本文提出的对城镇综合承灾能力的高精度评价,其结果基本符合该市实际情况,指标“抗灾能力→空间布局因素→重大危险源”相比同一分支中其他指标在整体评价中起到更重要作用的结论与该市安全生产管理局的日常监督工作重点相吻合。

本文提出的评价方法对城镇级别应急管理具有很好的应用价值,对提升城镇区域减灾防灾能力有积极意义。

参考文献
[1] 向衍荪, 王志勇. 城市公共安全: 一道不容忽视的难题[J/OL]. 人民网, 2005(6). [2017-12-02]. http://www.people.com.cn/GB/paper2515/15174/1345908.html.
XIANG Y S, WANG Z Y. City public safety: A problem cannot be ignored[J/OL]. People. com. cn, 2005(6). [2017-12-02]. http://www.people.com.cn/GB/paper2515/15174/1345908.html. (in Chinese)
[2] 陈国华, 梁韬, 张华文. 城域承灾能力评估研究及其应用[J]. 安全与环境学报, 2008, 8(2): 156–162.
CHEN G H, LIANG T, ZHANG H W. Evaluation model for urban-regional disaster-bearing capacity and its application[J]. Journal of Safety and Environment, 2008, 8(2): 156–162. (in Chinese)
[3] 张明媛, 袁永博, 周晶. 城市综合承灾能力评价[J]. 自然灾害学报, 2010, 19(1): 90–96.
ZHANG M Y, YUAN Y B, ZHOU J. Assessment of urban integrated disaster-bearing capacity[J]. Journal of Natural Disasters, 2010, 19(1): 90–96. (in Chinese)
[4] 王威, 田杰, 王志涛, 等. 城市综合承灾能力评价的分形模型[J]. 中国安全科学学报, 2011, 21(5): 171–176.
WANG W, TIAN J, WANG Z T, et al. Fractal model for evaluating urban comprehensive disaster-carrying capability[J]. China Safety Science Journal, 2011, 21(5): 171–176. (in Chinese)
[5] 李晓娟. 城市综合承灾能力评价研究[J]. 西安建筑科技大学学报(自然科学版), 2012, 44(4): 489–494.
LI X J. Study on assessment of urban composite disaster-bearing capacity[J]. Journal of Xi'an University of Architecture & Technology (Natural Science Edition), 2012, 44(4): 489–494. (in Chinese)
[6] 马孝先. 中国城镇化的关键影响因素及其效应分析[J]. 中国人口·资源与环境, 2014, 24(12): 117–124.
MA X X. Analysis on the key influence factors of urbanization and its effects in China[J]. China Population, Resources and Environment, 2014, 24(12): 117–124. DOI:10.3969/j.issn.1002-2104.2014.12.016 (in Chinese)
[7] 湛孔星, 王树坤, 陈国华. 区域承灾能力评估方法及应用研究[J]. 中国安全生产科学技术, 2010, 6(1): 35–39.
ZHAN K X, WANG S K, CHEN G H. Study on evaluation method of regional disaster-bearing capability and application[J]. Journal of Safety Science and Technology, 2010, 6(1): 35–39. (in Chinese)
[8] CHEN M K, WANG S C. The critical factors of success for information service industry in developing international market:Using analytic hierarchy process (AHP) approach[J]. Expert Systems with Applications, 2010, 37(1): 694–704. DOI:10.1016/j.eswa.2009.06.012
[9] VIDAL L A, SAHIN E, MARTELLI N, et al. Applying AHP to select drugs to be produced by anticipation in a chemotherapy compounding unit[J]. Expert Systems with Applications, 2010, 37(2): 1528–1534. DOI:10.1016/j.eswa.2009.06.067
[10] YANG J B, XU D L. On the evidential reasoning algorithm for multiple attribute decision analysis under uncertainty[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part A:Systems and Humans, 2002, 32(3): 289–304. DOI:10.1109/TSMCA.2002.802746
[11] YANG Z L, WANG J, BONSALL S, et al. Use of fuzzy evidential reasoning in maritime security assessment[J]. Risk Analysis, 2009, 29(1): 95–120. DOI:10.1111/risk.2008.29.issue-1
[12] CHIN K S, XU D L, YANG J B, et al. Group-based ER-AHP system for product project screening[J]. Expert Systems with Applications, 2008, 35(4): 1909–1929. DOI:10.1016/j.eswa.2007.08.077
[13] ZHANG D, YAN X P, ZHANG J F, et al. Use of fuzzy rule-based evidential reasoning approach in the navigational risk assessment of inland waterway transportation systems[J]. Safety Science, 2016, 82: 352–360. DOI:10.1016/j.ssci.2015.10.004