基于微博数据的自然灾害应急救助需求评估
周义棋1, 田向亮2, 钟茂华1    
1. 清华大学 工程物理系, 公共安全研究院, 北京 100084;
2. 中国安全生产科学研究院 矿山安全技术研究所, 北京 100012
摘要:结合实时更新的社交媒体数据进行应急救助需求分析,有助于提高灾害应急救助过程中的时效性和准确性。为掌握受灾区域的实际救灾需求,该文从应急救援及指挥保障需求、灾后紧急救援需求、基本生活保障需求和公共基础设施保障需求4个方面构建应急救助需求紧迫度分级评估指标体系,提出了基于组合赋权法和灰色改进逼近理想解排序法(TOPSIS)的受灾区域应急救助需求紧迫度分级评估模型。以台风“利奇马”为例,对受灾省份各地级市的应急救助具体需求进行评估,结合灾害损失数据验证了所提出的分级评估模型的有效性。
关键词应急救助    微博    网络舆情    需求评估    自然灾害    
Assessment of natural disaster emergency relief demand based on Microblog data
ZHOU Yiqi1, TIAN Xiangliang2, ZHONG Maohua1    
1. Institute of Public Safety Research, Department of Engineering Physics, Tsinghua University, Beijing 100084, China;
2. Mine Safety Technology Institute, China Academy of Safety Science and Technology, Beijing 100012, China
Abstract: Real-time social media data can be used to improve data timeliness and accuracy during disaster emergency responses. The key disaster area needs are prioritized here using a disaster relief index system for emergency rescue and command support needs, post-disaster emergency rescue needs, basic living support needs and public infrastructure support needs. The emergency relief evaluation model uses entropy weights and the grey improvement technique for order preference by similarity to an ideal solution (TOPSIS). The method is applied to the typhoon Lekima response as an example to assess the specific emergency rescue needs in the cities of affected provinces to verify the effectiveness of this disaster evaluation model by comparison with disaster loss data.
Key words: emergency assistance    Microblog    network public opinion    needs assessment    natural disaster    

近年来,台风、地震、洪涝等自然灾害频发,造成了较为严重的人员伤亡和财产损失。然而,在中国针对灾害开展的应急救助过程中,暴露出对灾区实际需求掌握不准确、根据经验下拨救灾款物等问题。政府部门从下到上逐级汇报等传统的信息收集方式耗时过长,无法满足应急救助的时效性需求。随着社交媒体的普及,社交媒体逐渐成为民众表达意愿的重要手段,微博、微信、论坛等社交媒体数据为救灾领域的研究提供了全新的视角与途径。充分挖掘和利用实时更新的社交媒体数据,有助于解决灾害应急救助需求评估的时效性和准确性等关键问题。

为评估各受灾点的应急救助需求紧迫度,部分学者基于人口、社会经济、基础设施和自然灾害直接影响等因素建立了评估指标体系,并开展了受灾点抗灾能力评估研究。Fekete[1]提出采用人口、社会经济和基础设施数据对灾害区域的脆弱性进行评估;Naqvi等[2]结合自然灾害的直接影响和社会经济系统评估对自然灾害的抵御能力。尽管社交媒体数据等网络舆情数据正逐渐应用于各领域,但是目前在自然灾害救助方面的应用还较少,特别是少有学者将网络舆情数据融入救灾需求评估体系中。目前,网络舆情数据主要应用于灾情分析、损失估计和情感分析等方面。Cheng等[3]基于社交媒体数据评估台风“海燕”的受灾人口强度;Han等[4]通过社交媒体数据探讨自然灾害期间的公众情绪;李绍攀等[5]采用新浪微博数据对台风灾害中各城市的灾害损失进行估计;赵飞等[6]探讨自然灾害下网络舆情的传播特征和影响因素,说明舆情信息在一定程度上能够反映灾区的受灾情况。上述研究表明,网络舆情数据分析在自然灾害应对方面的应用具有较高的可行性,若能将其与救灾评估相结合,将有助于及时获取灾区需求信息并实施精准救助。

针对自然灾害中各受灾点的需求紧迫度进行分级评估时,合理地计算各评价指标的权重是保证评估结果准确性的关键。Leal等[7]在评估建筑物对洪水的脆弱性时,认为各项指标的权重是相等的,这种权重确定方法只适用于指标数量较少的情况;Papathoma-Köhle等[8]基于随机森林算法来选择加权重要指标,以减少评估所需的数据量;Xu等[9]结合层次分析法和熵权法计算组合权重来确定滑坡承灾体的脆弱性。通常采用的分级评估方法为模糊综合评价法和逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)。Nguyen等[10]结合模糊数学、层次分析法和TOPSIS评估越南海岸的洪水灾害风险;王莉芳[11]和王英等[12]通过改进TOPSIS对自然灾害下各受灾点的需求紧迫度进行了分级评估。

为了在自然灾害发生时对各受灾点的需求紧迫度进行分级评估,从而在应急资源有限的情况下为应急救援分配提供参考,本文构建了应急救助需求紧迫度分级评估指标体系,结合新浪微博数据计算指标数值,同时结合层次分析法和熵权法确定指标的权重,采用灰色改进TOPSIS对各受灾点的自然灾害应急救助需求进行评估。

1 应急救助需求评估指标体系

为评估自然灾害下各受灾点的应急救助需求紧迫度,国内外学者基于人口、社会经济、基础设施和受灾程度等因素建立了评估指标体系[1-2]。然而,目前所构建的评估指标体系对灾害期间民众的衣食住行少有考虑,且均未引入舆情因素。本文从应急指挥及救援保障、灾后紧急救援、基本生活保障和公共基础设施保障4个方面构建应急救助需求紧迫度分级评估指标体系,并融入网络舆情信息,结合受灾点实际情况和舆情关键词作为指标的表达方式。其中:应急指挥及救援保障需求考虑了受灾点的社会经济水平和应急救援能力,这些无法用精确实数表示,因此采用模糊数型表示;灾后紧急救援需求考虑了灾后人员的伤亡情况;基本生活保障需求考虑了灾害情况下灾区民众的衣食住行需求;公共基础设施保障需求考虑了供水供电等民众日常生活需求。上述一级指标的数值均通过自然灾害的实际影响后果和相关网络舆情关键词的权重来确定。本文构建的应急救助需求紧迫度分级评估指标体系及各指标表达方式如表 1所示。

表 1 自然灾害应急救助需求紧迫度分级评估指标体系
一级指标 二级指标 指标表达 指标类型
应急指挥及救援保障需求T1 应急指挥保障需求T11
(简称:指挥)
1) 受灾当地经济情况
2) 受灾严重程度
模糊数型
应急救援保障需求T12
(简称:救援)
1) 现有救援队伍规模及专业水平
2) 现有救援物资储备规模
模糊数型
灾后紧急救援需求T2 人员搜救需求T21
(简称:搜救)
1) 因灾失踪人口数量
2) 舆情关键词:失踪、失联、被困、受困、受伤
精确实数
医疗救治需求T22
(简称:医疗)
1) 因灾伤病人口数量
2) 受灾地药品缺少数量
精确实数
次生灾害防范需求T23
(简称:防范)
1) 次生、衍生灾害发生区域面积
2) 舆情关键词:洪水、滑坡、风暴、暴雨、泥石流、山洪、积涝、溢坝、垮坝
精确实数
遇难人员善后需求T24
(简称:善后)
因灾死亡人口数量 精确实数
基本生活保障需求T3 衣被需求T31
(简称:衣被)
1) 受灾人口数量
2) 舆情关键词:衣服、棉被、被褥、折叠床
精确实数
饮食需求T32
(简称:饮食)
1) 受灾人口数量
2) 舆情关键词:食物、饮食、矿泉水、方便面、罐头、食品、盒饭、面包
精确实数
临时住所需求T33
(简称:住所)
1) 需转移安置人口数量
2) 舆情关键词:住所、帐篷、房子、房屋、坍塌、倒塌、危房
精确实数
秩序维护需求T34
(简称:秩序)
1) 非正常运转的学校、企业数量
2) 舆情关键词:停课、停工、堵车、事故、拥堵、停运
精确实数
公共基础设施保障需求T4 道路交通保障需求T41
(简称:道路)
1) 交通受阻区域面积
2) 舆情关键词:交通、堵塞、堵车、塌方、受阻、倒伏、道路、桥梁
精确实数
供水保障需求T42
(简称:供水)
1) 断水区域居民户数
2) 舆情关键词:供水、停水、断水
精确实数
供电保障需求T43
(简称:供电)
1) 断电区域居民户数
2) 舆情关键词:供电、停电、断电
精确实数
通信保障需求T44
(简称:通信)
1) 通信损坏区域居民户数
2) 舆情关键词:信号、网络、通信、中断
精确实数

2 分级评估方法 2.1 指标值计算方法 2.1.1 模糊指标计算方法

部分评价指标无法用精确实数表示,例如灾区的经济情况以及灾害的严重程度等,对于此类评价指标,本文依据相关信息或数据,采用语言变量表示,一般分为5个等级:“很严重”“严重”“一般”“轻”和“很轻”。对于等级变量,采用三角模糊数进行处理。三角模糊数$\tilde r$可以用有序三元组数$\tilde r$=(l, m, u)来表示,其中0≤lmu≤1。m$\tilde r$的最可能取值,l$\tilde r$的取值下限,u$\tilde r$的取值上限[13]。语言变量评价与三角模糊数的对应关系如表 2所示。“很严重”“一般”和“很轻”的最可能取值分别为1、0.5和0,“严重”则介于“很严重”和“一般”之间,“轻”则介于“很轻”和“一般”之间。为了将模糊指标代入应急救助需求评估指标体系,需要把模糊数值转换为精确数值,转换公式如式(1)所示。根据式(1)计算可得“很严重”“严重”“一般”“轻”和“很轻”去模糊化后的值分别为0.95、0.7、0.5、0.3、0.05。

$ I\left( {{{\tilde r}_i}} \right) = \frac{{{l_i} + 2{m_i} + {u_i}}}{4}. $ (1)
表 2 语言变量评价与三角模糊数的对应关系
语言变量评价 三角模糊数
很严重 (0.8, 1, 1)
严重 (0.5, 0.7, 0.9)
一般 (0.3, 0.5, 0.7)
(0.1, 0.3, 0.5)
很轻 (0, 0, 0.2)

2.1.2 网络舆情指标确定方法

表 1可知各评价指标与舆情关键词间的对应关系。关键词的权重代表该词在民众舆论中的关注程度,因此计算所有关键词的特征权重之和,即为对应指标值。特征权重的计算方法为词频-逆文件频率法[14],即关键词的重要程度与该词在单条舆情文本中的出现次数成正比,与该词在所有舆情文本中的出现次数成反比。同一词语无论重要与否,其在长文本中可能会比在短文本中具有更高的出现次数,因此将词的出现次数除以文本总词数可以避免文本长度带来的影响。

$ T = \frac{M}{N}. $ (2)

其中:T表示归一化词频,M表示某词出现次数,N表示舆情文本总词数。仅用词频来判断一个词的重要程度是不准确的。基于逆文件频率得到的权重计算公式为

$ W = \ln \left( {\frac{a}{{{b_n} + 1}}} \right). $ (3)

其中:W表示逆文件频率权重,a为舆情信息文本总数,bn为包含该词语的舆情文本数目。式(3)中分母加1是为了避免分母为零。综合式(2)和(3),得到各关键词在文本中的权重计算公式,

$ S = T \cdot W = \frac{M}{N} \cdot \ln \left( {\frac{a}{{{b_n} + 1}}} \right). $ (4)
2.2 应急救助需求分级评估方法 2.2.1 指标权重计算方法

1) 熵值权重计算。

熵权法是通过指标值的差异程度大小来确定指标权重的客观赋权方法[15],其基本步骤为:

(1) 对各指标值进行量纲归一化。

$ {b_{ij}} = \frac{{{f_{ij}}}}{{\sqrt {\sum\limits_{i = 1}^m {{{\left( {{f_{ij}}} \right)}^2}} } }}. $ (5)

其中:矩阵F =(fij)为待归一化的m×n原始数据矩阵,m为待评估的受灾点数量,n为指标个数(本文如表 1所示,n=14);fij为受灾点i的指标j的值;B =(bij)为归一化矩阵。

(2) 计算指标的信息熵。

$ {H_j} = - \frac{1}{{\ln m}}\sum\limits_{i = 1}^m {{c_{ij}}} \ln {c_{ij}}. $ (6)

其中:Hj为指标j的信息熵;cij为指标的特征比重,

$ {c_{ij}} = \frac{{{b_{ij}}}}{{\sum\limits_{i = 1}^m {{b_{ij}}} }}. $ (7)

(3) 计算指标熵值权重。

$ {\omega _{j, 1}} = \frac{{1 - {H_j}}}{{n - \sum\limits_{j = 1}^m {{H_j}} }}. $ (8)

2) 主观权重计算。

熵值权重为由数据本身决定的客观权重,可能无法完全符合决策的主要意图,因此需要结合主观权重进行修正。表 1所示的4个一级指标、14个二级指标中,各指标的重要程度可以根据自然灾害的特点确定。以台风灾害为例,气象部门会在台风登陆前发布预警信息,民众可提前采取适当防护措施,因此应急指挥及救援保障需求指标的重要程度相对较低;同时,台风通常不会造成人员的大量伤亡,而是对供电、通信等基础设施的影响相对较大。因此,可以主观确定台风灾害条件下, 表 1所示的一级指标的重要程度排序为:T1 < T2<T3 < T4。考虑到各指标权重之和为1,本文取一级指标[T1, T2, T3, T4]的主观权重为[0.1, 0.2, 0.3, 0.4]。同一个一级指标下的各二级指标重要程度相同,因此各指标[T11, T12, T21, T22, T23, T24, T31, T32, T33, T34, T41, T42, T43, T44]的主观权重ωj, 2可确定为[0.05, 0.05, 0.05, 0.05, 0.05, 0.05, 0.075, 0.075, 0.075, 0.075, 0.1, 0.1, 0.1, 0.1]。

3) 组合权重计算。

为弥补单一赋权方法的局限性,本文采用组合赋权法,即将主观权重与熵值权重相结合来确定组合权重。利用乘数归一法将熵值权重和主观权重相耦合,得到组合权重。

$ {W_j} = \frac{{{\omega _{j, 1}}{\omega _{j, 2}}}}{{\sum\limits_{j = 1}^m {{\omega _{j, 1}}} {\omega _{j, 2}}}}. $ (9)

其中:Wj为综合权重,ωj, 1ωj, 2分别为熵值权重和主观权重。

2.2.2 分级评估方法

TOPSIS是一种逼近理想解的排序法,常用于多目标的分级评估中。本文采用灰色改进TOPSIS构建受灾点应急救助需求紧迫度分级评估模型,利用评估目标与正负理想解的灰色关联度计算相对贴近度,贴近度的数值越大表示评估目标的应急救助需求紧迫度越大[16]。计算流程如下:

1) 确定决策矩阵。

原始数据矩阵A由各个受灾点的评价指标值构成,其中aij为受灾点i对应于指标j的值。假设对m个受灾点的n个指标进行评估。在表 1建立的指标体系中,n=14。矩阵A见式(10),其中模糊数用${\tilde a_{ij}}$表示。

$ \mathit{\boldsymbol{A}} = \left[ {\begin{array}{*{20}{c}} {{{\tilde a}_{11}}}&{{{\tilde a}_{12}}}& \cdots &{{a_{1n}}}\\ {{{\tilde a}_{21}}}&{{{\tilde a}_{22}}}& \cdots &{{a_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{{\tilde a}_{m1}}}&{{{\tilde a}_{m2}}}& \cdots &{{a_{mn}}} \end{array}} \right]. $ (10)

经过去模糊化、同趋化和量纲归一化处理后,得到标准化决策矩阵B

$ \mathit{\boldsymbol{B}} = \left[ {\begin{array}{*{20}{c}} {{b_{11}}}&{{b_{12}}}& \cdots &{{b_{1n}}}\\ {{b_{21}}}&{{b_{22}}}& \cdots &{{b_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{b_{m1}}}&{{b_{m2}}}& \cdots &{{b_{mn}}} \end{array}} \right]. $ (11)

2) 确定加权规范矩阵。

将计算得到的各指标的权重Wj与标准化决策矩阵B相乘,得到加权规范矩阵D

$ \mathit{\boldsymbol{D}} = \left[ {\begin{array}{*{20}{c}} {{d_{11}}}&{{d_{12}}}& \cdots &{{d_{1n}}}\\ {{d_{21}}}&{{d_{22}}}& \cdots &{{d_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{d_{m1}}}&{{d_{m2}}}& \cdots &{{d_{mn}}} \end{array}} \right]. $ (12)

其中:dij=bij·Wj,1≤im,1≤jn

3) 确定正负理想解。

在加权规范矩阵D中,找到各列的最大值,得到正理想解D+;找到各列的最小值,得到负理想解D-。受灾点的各项指标的值越接近正理想解,表示该受灾点的需求紧迫度越大。

$ \begin{array}{l} {D^ + } = \left\{ {d_1^ + , d_2^ + , \cdots , d_n^ + } \right\};\\ {D^ - } = \left\{ {d_1^ - , d_2^ - , \cdots , d_n^ - } \right\}. \end{array} $ (13)

其中:$d_j^ + = \mathop {\max }\limits_i {d_{ij}}, d_j^ - = \mathop {\min }\limits_i {d_{ij}}$,1≤im,1≤jn

4) 计算受灾点与正理想解的灰色关联度。

根据灰色关联分析理论[17],计算各受灾点的灰色关联系数。rij+表示在第j个指标下受灾点i与正理想解的灰色关联系数。

$ r_{ij}^ + = \frac{{\mathop {\min }\limits_i \mathop {\min }\limits_j \left| {d_j^ + - {d_{ij}}} \right| + \rho \cdot \mathop {\max }\limits_i \mathop {\max }\limits_j \left| {d_j^ + - {d_{ij}}} \right|}}{{\left| {d_j^ + - {d_{ij}}} \right| + \rho \cdot \mathop {\max }\limits_i \mathop {\max }\limits_j \left| {d_j^ + - {d_{ij}}} \right|}}. $ (14)

其中ρ为分辨系数,在0~1之间取值,可根据需要进行调整,本文取ρ=0.5。R+为评价对象与正理想解的灰色关联系数矩阵。

$ {\mathit{\boldsymbol{R}}^ + } = \left[ {\begin{array}{*{20}{c}} {r_{11}^ + }&{r_{12}^ + }& \cdots &{r_{1n}^ + }\\ {r_{21}^ + }&{r_{22}^ + }& \cdots &{r_{2n}^ + }\\ \vdots & \vdots &{}& \vdots \\ {r_{m1}^ + }&{r_{m2}^ + }& \cdots &{r_{mn}^ + } \end{array}} \right]. $ (15)

Ci+表示受灾点i与正理想解的灰色关联度,

$ C_i^ + = \frac{1}{n}\sum\limits_{j = 1}^n {r_{ij}^ + } , 1 \le i \le m. $ (16)

同理,用rij-表示在第j个指标下受灾点i与负理想解的灰色关联系数,用Ci-表示受灾点i与负理想解的灰色关联度。

$ C_i^ - = \frac{1}{n}\sum\limits_{j = 1}^n {r_{ij}^ - } , 1 \le i \le m. $ (17)

5) 计算各受灾点的需求紧迫度。

$ {\rm{C}}{{\rm{C}}_i} = \frac{{C_i^ + }}{{C_i^ + + C_i^ - }}, 1 \le i \le m. $ (18)

受灾点i的灰色关联相对贴近度计算公式如式(18)所示。式中CCi的计算结果介于0~1之间,表示评估目标与正理想解的相对贴近度。该值越大,表示评估目标与正理想解的接近程度越大,即该受灾点的需求紧迫度越高。本文采用ArcGIS软件对各受灾点需求紧迫度采用自然间断点分级法进行分级,并对分级评估结果进行可视化展示。

3 数据来源 3.1 灾害对象

中国沿海地区极易受到登陆台风带来的风雨灾害影响[18-20]。台风“利奇马”于2019年8月4日15时许获得日本气象厅命名,于13日14时被停止编号。台风“利奇马”在移动过程中,途经中国浙江、江苏和山东三省,分别于10日凌晨1时45分和11日晚20时50分在浙江省和山东省登陆,登陆的具体地点分别为浙江省温岭市城南镇和山东省青岛市黄岛区。台风“利奇马”离开山东后进入渤海,其强度不断减弱,最终被停止编号。

根据应急管理部灾情数据,自1949年以来,台风“利奇马”是登陆中国大陆的强度第5位的台风,造成总计9个省级行政单位的64个地级市403个县级市受到严重损失,受灾总人口为1 402万人,各灾区直接经济损失累计达515亿元。

3.2 舆情数据采集

本文使用的网络舆情数据为新浪微博数据。以“利奇马”为搜索关键词采集时间跨度为“8月3日至8月21日”的新浪原创微博数据,共获取数据120 886条,其中浙江省16 974条、江苏省9 640条、山东省18 452条。所采集的微博数据的时序如图 1所示。以台风“利奇马”编号、登陆与停止编号时间为时间节点,可以把台风灾害划分为预警期、应急期和灾后期3个阶段。预警期为8月4日至8日,对应台风“利奇马”得到命名与在浙江省登陆前夕;应急期为8月9日至13日,在图 1中表现为微博数据数量“峰值”;灾后期为8月14日至21日,即台风停止编号之后的一周时间。

图 1 2019年8月台风“利奇马”微博数据时间分布

4 分析结果 4.1 分级评估结果

以计算浙江省8月10日的各地级市应急救助需求紧迫度为例。根据表 1构建的需求紧迫度分级指标体系,获取各地级市各指标的值,得到的原始数据如表 3所示。其中:灾情程度基于气象中心发布的各市台风风力及降水量通过人工研判获得,由此确定T11T12基于各市GDP及政府官方媒体公布的派出救援人数通过人工研判获得;T22 (伤病人口)和T24 (死亡人口)的数据通过应急管理部减灾中心上报数据获取;其余指标通过计算微博数据中各关键词的特征权重之和获取。其他省份、其他日期的分级评估流程与此相同,不再赘述。

表 3 浙江省8月10日各二级指标数值
城市 T11 T12 T21 T22 T23 T24 T31 T32 T33 T34 T41 T42 T43 T44
杭州 很轻 严重 0.79 16 0.37 7 1.05 0.42 0.76 0.83 0.35 0.25 0.41 0.88
宁波 很严重 0.36 2 0.57 0 0.21 1.18 0.99 0.99 0.61 0.21 0.32 0.45
温州 一般 很轻 1.40 0 0.45 36 0.80 1.04 1.19 0.34 0.20 0.27 0.41 0.44
嘉兴 一般 很严重 0.25 0 0.68 0 0.24 0.76 0.43 0.69 0.27 0.00 0.23 0.15
湖州 严重 很严重 0.50 0 0.88 0 0.30 0.34 0.47 0.28 0.52 0.00 0.13 0.13
绍兴 一般 很严重 0.46 0 0.45 0 0.44 0.32 0.97 0.80 0.33 0.36 0.59 0.73
金华 一般 严重 0.41 1 0.72 0 0.96 0.24 1.05 0.76 1.00 0.04 0.14 0.33
衢州 一般 一般 0.62 0 0.47 0 0.00 0.91 0.28 0.25 0.00 0.00 0.36 0.00
舟山 很严重 很严重 0.77 0 0.70 0 0.17 0.17 0.27 0.27 0.31 0.11 0.07 0.55
台州 一般 严重 0.44 0 0.51 3 1.45 1.38 1.65 0.22 0.41 1.00 1.02 0.74
丽水 很严重 一般 0.83 0 0.40 0 0.56 0.04 0.95 0.00 0.15 0.21 0.21 0.26

根据表 3所示的指标值,按照2.2节的分级评估方法对浙江省各地级市的应急救助需求紧迫度进行分级评估,得到每个地级市的需求紧迫度排序,如表 4所示。

表 4 8月10日浙江省各地级市应急救助需求紧迫度排序
城市 灰色关联相对贴近度 需求紧迫度排序
台州 0.508 5 1
杭州 0.505 5 2
温州 0.491 2 3
宁波 0.471 0 4
绍兴 0.468 6 5
金华 0.463 2 6
舟山 0.444 1 7
丽水 0.444 0 8
嘉兴 0.443 1 9
湖州 0.440 4 10
衢州 0.434 4 11

根据表 4得到的灰色关联相对贴近度,在软件ArcGIS中绘制浙江省8月10日的需求紧迫度分布图,如图 2b所示。采用同样方法计算浙江省应急期各地级市每日的需求紧迫度,得到的分级评估结果如图 2所示。由图 2可知,各地级市每日的需求紧迫度均随着灾害过程以及政府应急救援的进行不断变化,体现了各地级市应急救助需求的动态性。由于台风灾害对沿海城市的影响较大,因此台州、温州、宁波等沿海城市在应急期内均呈现出较高的需求紧迫度。表 5列出了浙江省应急期每日应急救助需求紧迫度排序前5位的地级市。

图 2 浙江省应急期各地级市需求紧迫度分布

表 5 浙江省应急期每日应急救助需求紧迫度排序前5位的城市
日期 1 2 3 4 5
8月9日 台州 绍兴 杭州 宁波 金华
8月10日 台州 杭州 温州 宁波 绍兴
8月11日 台州 杭州 温州 宁波 嘉兴
8月12日 台州 杭州 温州 绍兴 嘉兴
8月13日 台州 温州 舟山 宁波 金华

表 5可知,台州市每日的需求紧迫度均为最大,其次是杭州、温州、宁波3个地级市,它们的需求紧迫度大于其他地级市。在台风灾害中,浙江省各地级市都受到了不同程度的经济损失。地级市的经济损失越大,说明受灾越严重,救灾需求大并且未得到及时有效的救援。因此,将评估所得的应急救助需求紧迫度排序与各地级市的直接经济损失进行比较,可对评估模型的准确性进行验证。

图 3为根据应急管理部国家减灾中心提供的台风“利奇马”灾害损失数据绘制的浙江省各地级市直接经济损失情况。浙江省直接经济损失最大的是台州市,其次是温州、宁波、杭州。并且,台州市的经济损失远远高出其他地级市,这与应急救助需求紧迫度排序完全符合。本次台风中,台州市临海地区的受灾情况极其严重,也受到了媒体和民众的广泛关注。此外,直接经济损失前4位的地级市与应急救助需求紧迫度排前4的地级市相同,仅顺序稍有区别。微博数据数量可能会对评估结果造成一定影响,微博数据数量越多,指标对应微博数据关键词的出现概率越大,指标数值越大。然而,微博数据数量不仅受灾害程度影响,还受网络普及率影响[6]。因此,从图 3表 5可知,杭州市的经济损失位于温州市与宁波市之后,但需求紧迫度却位于两市之前,其原因为杭州市的网络普及率高于温州市和宁波市,从而放大了从网络舆情数据中提取的应急救助信息。

图 3 台风“利奇马”造成的浙江省各地级市直接经济损失

4.2 各地级市需求评估结果

通过评估浙江省各地级市的需求紧迫度,得到了在救灾过程中应重点扶持的地级市。例如,在8月10日至13日,有关部门应重点对台州市、杭州市、温州市进行应急救助支援。但是,在实际的应急救援中,不仅要掌握急需应急救援的地级市排序,还需要了解各地级市的需求内容。在进行需求紧迫度分级评估的过程中,可以获取加权规范矩阵。加权规范矩阵中每一横行表示该地级市经过加权后的各个指标值。将加权后的指标值进行排序,可以得到该地级市的需求排序。

表 6为应急期浙江省各地级市每日的具体需求情况,其中各地级市每日仅列出最急需的前2个需求。通过表 6可知,在台风灾害中,最常见、最紧急的需求是公共基础设施保障需求,包括供水、供电、道路和通信保障需求。同时,表 6也体现出各地级市具体需求内容的实时动态性。结合表 56,可在救灾过程中为有关部门的应急救援提供参考。例如:在8月10日,有关部门应优先为台州市进行供水、供电基础设备的检修,并为台州市提供饮用水及应急供电设备;其次应为杭州市提供医疗条件及所需药品,并对杭州市提供供水支援;对于温州市,需要对台风遇难人员进行妥善处理并慰问家属,同时供水问题也应该是有关部门必须考虑的重点问题。

表 6 应急期浙江省各地级市每日排前2位的需求内容
城市 9日 10日 11日 12日 13日
杭州 供水 搜救 医疗 供水 医疗 道路 医疗 道路 通信 供水
宁波 供水 供电 供水 道路 道路 秩序 道路 通信 通信 饮食
温州 供水 饮食 善后 供水 善后 供水 善后 衣被 通信 善后
嘉兴 供水 供电 秩序 饮食 供水 供电 供水 饮食 供电 道路
湖州 搜救 道路 道路 衣被 道路 供水 供电 住所 道路 供电
绍兴 供水 饮食 供水 通信 秩序 通信 通信 秩序 供水 秩序
金华 供电 通信 道路 衣被 衣被 通信 道路 医疗 搜救 通信
衢州 秩序 住所 供电 饮食 通信 衣被 搜救 住所 防范 指挥
舟山 供电 饮食 通信 供水 供电 饮食 衣被 住所 住所 道路
台州 供水 搜救 供水 供电 通信 供水 供电 供水 供水 饮食
丽水 饮食 衣被 供水 衣被 供电 搜救 指挥 衣被 住所 指挥

5 结论

为克服救灾过程中存在的对灾区应急需求掌握不准确、不及时、应急资源调配与灾区需求不符等问题,本文创新性地引入微博网络舆情数据,建立各受灾点应急救助需求紧迫度分级评估指标体系,对各受灾点的需求紧迫度进行分级评估。网络舆情信息的引入提高了应急救助评估的时效性、精确性和动态性。本文主要工作总结如下:

1) 从应急指挥及救援保障、灾后紧急救援、基本生活保障和基础设施保障4个方面梳理了应急救助需求,建立需求紧迫度分级评估指标体系。结合实时更新的微博网络舆情数据计算各指标的数值,表明网络舆情数据应用于灾害需求评估具有可行性。

2) 基于组合赋权法和灰色改进TOPSIS构建需求紧迫度分级评估模型,通过台风“利奇马”实际案例验证了该模型的准确性。

3) 在需求紧迫度分级评估的基础上,对各地级市应急救助的具体需求内容进行精确评估,评估结果体现了应急救助需求的实时动态性。对于台风灾害,最紧迫的需求内容为公共基础设施保障需求。

参考文献
[1]
FEKETE A. Societal resilience indicator assessment using demographic and infrastructure data at the case of Germany in context to multiple disaster risks[J]. International Journal of Disaster Risk Reduction, 2018, 31: 203-211. DOI:10.1016/j.ijdrr.2018.05.004
[2]
NAQVI A, MONASTEROLO I. Assessing the cascading impacts of natural disasters in a multi-layer behavioral network framework[J]. Scientific Reports, 2021, 11(1): 20146. DOI:10.1038/s41598-021-99343-4
[3]
CHENG C X, ZHANG T, SU K, et al. Assessing the intensity of the population affected by a complex natural disaster using social media data[J]. ISPRS International Journal of Geo-Information, 2019, 8(8): 358. DOI:10.3390/ijgi8080358
[4]
HAN X H, WANG J L. Using social media to mine and analyze public sentiment during a disaster: A case study of the 2018 Shouguang City flood in China[J]. ISPRS International Journal of Geo-Information, 2019, 8(4): 185. DOI:10.3390/ijgi8040185
[5]
李绍攀, 赵飞, 周义棋, 等. 基于微博数据的台风灾害舆情分析与灾害损失估计[J]. 清华大学学报(自然科学版), 2022, 62(1): 43-51.
LI S P, ZHAO F, ZHOU Y Q, et al. Analysis of public opinion and disaster loss estimates from typhoons based on Microblog data[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(1): 43-51. (in Chinese)
[6]
赵飞, 廖永丰. 突发自然灾害事件网络舆情传播特征及影响因素研究[J]. 地球信息科学学报, 2021, 23(6): 992-1001.
ZHAO F, LIAO Y F. Research on the dissemination characteristics and influencing factors of network public opinion of sudden natural disaster events[J]. Journal of Geo-Information Science, 2021, 23(6): 992-1001. (in Chinese)
[7]
LEAL M, REIS E, PEREIRA S, et al. Physical vulnerability assessment to flash floods using an indicator-based methodology based on building properties and flow parameters[J]. Journal of Flood Risk Management, 2021, 14(3): e12712.
[8]
PAPATHOMA-KÖHLE M, SCHLÖGL M, FUCHS S. Vulnerability indicators for natural hazards: An innovative selection and weighting approach[J]. Scientific Reports, 2019, 9(1): 15026. DOI:10.1038/s41598-019-50257-2
[9]
XU S H, ZHANG M, MA Y, et al. Multiclassification method of landslide risk assessment in consideration of disaster levels: A case study of Xianyang City, Shaanxi Province[J]. ISPRS International Journal of Geo-Information, 2021, 10(10): 646. DOI:10.3390/ijgi10100646
[10]
NGUYEN H X, NGUYEN A T, NGO A T, et al. A hybrid approach using GIS-based fuzzy AHP-TOPSIS assessing flood hazards along the south-central coast of Vietnam[J]. Applied Sciences, 2020, 10(20): 7142. DOI:10.3390/app10207142
[11]
王莉芳. 基于组合赋权与灰色改进TOPSIS方法的受灾点应急物质需求紧迫性分级评价[J]. 安全与环境工程, 2017, 24(6): 94-100.
WANG L F. Classification evaluation of urgency of disaster point emergency material demand based on combination weighting and improved TOPSIS method[J]. Safety and Environmental Engineering, 2017, 24(6): 94-100. (in Chinese)
[12]
王英, 苏柏林, 闫鹏, 等. 基于改进TOPSIS的受灾点需求紧迫性分级研究[J]. 安全与环境学报, 2019, 19(1): 140-146.
WANG Y, SU B L, YAN P, et al. Approach to the classification of the demand urgency of the affected points based on the improved TOPSIS[J]. Journal of Safety and Environment, 2019, 19(1): 140-146. (in Chinese)
[13]
诸克军, 张新兰, 肖荔瑾. Fuzzy AHP方法及应用[J]. 系统工程理论与实践, 1997, 17(12): 64-69.
ZHU K J, ZHANG X L, XIAO L J. The method and applications of fuzzy AHP[J]. Systems Engineering: Theory & Practice, 1997, 17(12): 64-69. DOI:10.3321/j.issn:1000-6788.1997.12.012 (in Chinese)
[14]
周源, 刘怀兰, 杜朋朋, 等. 基于改进TF-IDF特征提取的文本分类模型研究[J]. 情报科学, 2017, 35(5): 111-118.
ZHOU Y, LIU H L, DU P P, et al. Research of text classification model based on the improved TF-IDF feature extraction[J]. Information Science, 2017, 35(5): 111-118. (in Chinese)
[15]
程启月. 评测指标权重确定的结构熵权法[J]. 系统工程理论与实践, 2010, 30(7): 1225-1228.
CHENG Q Y. Structure entropy weight method to confirm the weight of evaluating index[J]. Systems Engineering: Theory & Practice, 2010, 30(7): 1225-1228. (in Chinese)
[16]
DENG H P, YEH C H, WILLIS R J. Inter-company comparison using modified TOPSIS with objective weights[J]. Computers & Operations Research, 2000, 27(10): 963-973.
[17]
邓聚龙. 灰色控制系统[M]. 武汉: 华中理工大学出版社, 1985.
DENG J L. Gray control system[M]. Wuhan: Huazhong University of Science & Technology Press, 1985. (in Chinese)
[18]
向纯怡, 高拴柱, 刘达. 2021年西北太平洋和南海台风活动概述[J]. 海洋气象学报, 2022, 42(1): 39-49.
XIANG C Y, GAO S Z, LIU D. Overview of typhoon activities over western north Pacific and the South China Sea in 2021[J]. Journal of Marine Meteorology, 2022, 42(1): 39-49. (in Chinese)
[19]
周冠博, 董林, 王海平, 等. 2020年西北太平洋和南海台风活动概述[J]. 海洋气象学报, 2021, 41(1): 1-10.
ZHOU G B, DONG L, WANG H P, et al. Overview of typhoon activities over western north Pacific and the South China Sea in 2020[J]. Journal of Marine Meteorology, 2021, 41(1): 1-10. (in Chinese)
[20]
王海平, 董林. 2019年西北太平洋和南海台风活动概述[J]. 海洋气象学报, 2020, 40(2): 1-9.
WANG H P, DONG L. Overview of typhoon activities over western north Pacific and the South China Sea in 2019[J]. Journal of Marine Meteorology, 2020, 40(2): 1-9. (in Chinese)