为了更好应对各类灾害、高效地开展应急救援工作，2018年中国成立了应急管理部，标志着应急救援由模块化逐步转向系统化。目前，中国的应急救援工作主要分为火灾扑救和救援救助^[1-3]。消防救援队伍作为应急救援的“国家队、主力军”，承担着“全灾种、大应急”的职责任务，开展救援救助的数量逐年增加，2021年达到约火警数量的2倍^[4]，救援救助成为消防工作的主体任务。但是，目前对消防警情的研究仍然以火警为主，在当前大应急背景下，救援救助的空间分布规律及其影响因素亟待挖掘。

学者们对消防警情本身的空间分布规律进行了研究。历史接警数据的发生地点和数量能够真实反映消防警情的实际位置和需求^[5]。何敏等^[6]、杨尧等^[7]、傅永财等^[8]均使用统计年鉴数据，对中国火灾事故进行了空间分布特征分析，发现火灾事故存在空间聚集性，但地区间存在明显差异。喻彦等^[9]、向珍君等^[10]、李云等^[11]分别分析了上海市、北京市、深圳市的道路交通伤害事故，发现事故高发区域具有明显的聚集现象。陆化普等^[12]通过局部空间自相关分析，进一步对交通事故频次和严重程度进行分析，发现深圳市中心城区单位面积上的交通事故频次较高，而郊区的交通事故平均严重程度高于城市中心区域。

此外，国内外学者对消防警情的影响因素进行了研究，主要包括人口密度^[13]和建筑物类型^[14]两个方面。火灾的研究结果表明，人口密度和火灾之间存在着显著的正相关关系^[15-16]。兴趣点(point of interest, POI)也被认为是火灾的影响因素^[17-18]，不同建筑物的火灾风险存在差异，且分布密度与危险程度呈正相关^[19-20]。Špatenková等^[14]和Krisp等^[21]发现芬兰首都赫尔辛基的人口分布、建筑类型分布与火灾风险高相关。Hu等^[22]发现火灾风险与人口密度、产业发展水平等因素之间存在显著正相关性。Singh等^[23]发现大多数火灾发生在商业和住宅场所。徐智邦等^[24]发现老旧小区、高层“小产权”房及餐饮场所火灾发生概率最大。Dong等^[25]认为工厂和仓库是城市火灾风险的主要来源。Zhang等^[26]发现南京市的火灾主要集中在人口密度较高的中心城区，近三分之一发生在住宅中^[27]。在救援救助的研究中，学者们主要对交通事故、设备故障导致人员受困^[28]、暴雨城市内涝^[29-30]等具体场景进行了分析。柳林等^[31]以惠州市为例，研究了POI对交通事故的影响，发现商业用地、客流和出行方式对交通事故的影响均很显著。庞哲等^[32]、郑依玲等^[33]分别基于全局和局部自相关等方法，发现武汉市交通事故高发区主要分布于重要商务活动区和部分商圈。

综上所述，现有研究多聚焦于火警，对关注度较高的部分救援救助警情也有一定的涉及，发现火警和救援救助警情普遍存在空间聚集现象，但是分布模式存在差异，同时两者的影响因素也明显不同，因此无法将已有的火警规律直接延伸到救援救助中。此外，救援救助种类繁多，不能简单地基于部分种类事故的结论描述整体规律，还需要更全面的分析工作。因此，本文采用探索性空间数据分析(exploratory spatial data analysis, ESDA)方法，分析了火警、救援救助、总警情(火警与救援救助警情之和)的空间差异和集聚程度，并进一步使用不同的回归模型对比分析了3种消防警情与单位面积下的访客流量、POI类型的关系，讨论不同变量在不同空间尺度上对消防警情的影响，为消防安全布局、消防队站和装备建设、防控区域规划等提供科学参考。

1 数据处理与方法 1.1 数据处理

选择中国某个大型城市作为研究对象。将该市2019年1月1日—2020年12月31日的消防警情数据通过ArcGIS Pro 2.8导入地图中，如图 1所示。使用环城高速公路内部圈定道路可以有效覆盖主要的消防警情发生区域。研究范围内数据分布较为集中，包括了城市功能核心区以及大部分功能拓展区。

消防警情数据按事故类型分为火警和救援救助两类，包括每起火灾、救援救助的发生时间和地点。根据警情地址，使用百度应用程序界面(application program interface, API)工具进行经纬度坐标标记，划定1 200 m×1 200 m网格。路网数据来源于开放街道地图(open street map, OSM)平台(https://www.openstreetmap.org/)，对数据进行预处理，最终保留城市主干道、次干道、支路。社会因素数据来源于百度慧眼大数据平台(http://rq.baidu.com/)，主要采集研究区域内每个网格中的POI和访客流量数据。对采集的数据进行归一化处理，

$ x_i^*=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }} . $

(1)

式中：x_i表示访客流量或某一个POI类型的数量，x_max是现有时间跨度该变量的最大值，x_min是最小值。

市区有大量流动人口群体进行各种社会活动，POI在空间上主要描述社区层面的区域功能^[34]，补充了人口统计数据。相关研究发现，POI和人口数据不能相互替代，在人口密度数据的基础上添加POI特征可以减少相对误差^[35]，同时含有上述两种变量的模型明显优于单一变量模型^[34]。

本文根据《城市用地分类与规划建设用地标准》(GB 50137—2011)、采用百度地图基于位置的服务(location-based services，LBS)数据，并参考文[36]，确定访客流量数据和常用的30个类型POI数据(http://lbsyun.baidu.com/index.php?title=open/poitags)，探索不同社会因素对消防警情的影响。采用逐步回归的方法，以回归结果中显著性水平p＜0.05作为添加新变量的参考依据，确定最终模型的变量^[36]。

1.2 探索性空间数据分析模型

使用ESDA方法^[37]研究消防警情数据的空间分布、空间联系等特征，使用全局空间自相关指数Moran's I^[38]对火警、救援救助、总警情进行空间自相关分析，通过局部空间自相关指数(local indicators of spatial association, LISA)^[39]研究空间聚类规律，通过冷热点分析Getis-Ord G_i^*[40]与LISA进行对比。

本文首先使用Moran's I分析火警、救援救助、总警情的全局空间自相关性。全局Moran's I的统计量为：

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

(2)

$ \bar{x}=\frac{1}{n} \sum\limits_{i=1}^n x_i, $

(3)

$ W=\sum\limits_{i=1}^n \sum\limits_{j=1}^n W_{i j} . $

(4)

式中：n是每一类型消防警情的总数量，x为量化警情空间结构的各个指标，x_i、x_j为对象i、j的属性值。

(W_ij)表示空间权重矩阵^[41]，

$ W_{i j}= \begin{cases}1, & \text { 当 } i \text { 区域和 } j \text { 区域相邻; } \\ 0, & \text { 当 } i=j \text { 或当 } i \text { 区域和 } j \text { 区域不相邻. }\end{cases} $

(5)

Z得分用于评估Moran's I的统计学意义：

$ Z=\frac{I-\mathrm{E}(I)}{\sqrt{\operatorname{VAR}(I)}}. $

(6)

$ \mathrm{E}(I)=-\frac{1}{n-1}, $

(7)

$ \operatorname{VAR}(I)=\mathrm{E}\left(I^2\right)-\mathrm{E}(I)^2. $

(8)

式中：E(I)为Moran's I的期望值，VAR(I)为Moran's I的方差。

相比全局变量，局部变量更能突出局部区域的特点，明确消防警情空间分布特征。LISA的计算公式为

$ \operatorname{LISA}_i=\frac{n\left(x_i-\bar{x}\right)}{\sum\limits_{i=1}^n\left(x_i-\bar{x}\right)^2} \sum\limits_{j=1, j \neq i}^n W_{i j}\left(x_j-\bar{x}\right) . $

(9)

式中LISA_i是样本i的局部Moran's I。

使用热点分析计算来确定研究区域发生不同消防警情的空间冷点和热点位置：

$ \begin{gathered} G_i^*=\frac{\sum\limits_{j=1}^n W_{i j} x_j-\bar{x} \sum\limits_{j=1}^n W_{i j}}{S \sqrt{\frac{1}{n-1}\left[n \sum\limits_{j=1}^n W_{i j}^2-\left(\sum\limits_{j=1}^n W_{i j}\right)^2\right]}} \\ (i, j=1, 2, \cdots, n) . \end{gathered} $

(10)

$ S=\sqrt{\frac{1}{n} \sum\limits_{j=1}^n x_j^2-(\bar{x})^2}. $

(11)

式中：G_i^*是消防警情的空间自相关统计量，x_j是特征j的属性值，W_ij是特征i和j之间的空间权重，n是特征的总数量。

1.3 多尺度地理加权回归模型

地理加权回归(geographically weighted regression，GWR)模型是在多元线性回归模型基础上，考虑了空间关系进行改进的模型。该模型研究变量间的关系可以随着空间位置变化^[42]，模型中的所有变量带宽相同^[43-44]，即所有社会因素均在相同空间尺度下作用于消防警情。但在实际情况中，各因素对消防警情的影响具有不同的作用尺度，因此基于单一带宽并不能够很好地刻画出真实的空间过程。多尺度地理加权回归(multiscale geographically weighted regression，MGWR)模型中的每个回归系数β_bwj都是基于局部回归得到的，可以根据不同社会因素对消防警情的影响，使用不同的带宽进行计算^[45]。GWR和MGWR模型分别表示如下：

$ y_i=\beta_0\left(u_i, v_i\right)+\sum\limits_j \beta_j\left(u_i, v_i\right) \cdot x_{i j}+\varepsilon_i . $

(12)

$ y_i=\beta_0\left(u_i, v_i\right)+\sum\limits_{j=1}^n \beta_{\mathrm{bw}_j}\left(u_i, v_i\right) \cdot x_{i j}+\varepsilon_i . $

(13)

式中：y_i是在地理位置(u_i, v_i)处的消防警情的值，(u_i, v_i)是第i个样本空间单元的地理坐标；ε_i表示误差项；β_j(u_i, v_i)是函数β_j(u, v)在i样本空间位置的取值；β_bwj(u_i, v_i)为i处第j个变量的回归系数，其中bw_j为用于校准第j个变量的带宽；x_ij为i处第j个预测变量；β₀(u_i, v_i)是地理位置(u_i, v_i)处的常数值，表示该位置对火警、救援救助和总警情的影响。

由于本研究在均匀网格上采集社会因素数据，因此使用固定Gauss(fixed Gaussian)权函数进行模型计算^[46]。在模型评价中使用修正后的Akaike信息准则(corrected Akaike information criterion，AICc)，该准则可避免模型的过拟合，得到的数值越小表示模型结果越好^[47]。

2 结果与讨论 2.1 全局空间自相关分析

为了定量分析该城市消防警情的空间分布模式，首先对火警、救援救助和总警情进行全局自相关检验，计算结果见表 1。

从表 1结果可以看出，火警、救援救助和总警情中的Moran's I值均为正数，Z得分均通过了p < 0.01的检验。计算结果表明，该城市火警、救援救助和总警情都具有明显的空间聚集特征，存在显著的空间自相关性。救援救助的Moran's I值相对较小，说明救援救助的空间发生区域并不集中在某一个区域，而是呈现多点分区域聚集的效应。总警情的Moran's I值比单独的火警或救援救助更大，表明火警及救援救助在空间分布上真实聚集区域不同。在火警与救援救助均没有出现聚集的区域，空间叠加后总警情出现了聚集现象，因此有必要对该城市消防警情在特定的空间自相关分布规律进一步分析。

2.2 局部空间自相关分析

火警、救援救助和总警情中的局部空间聚类模式数据统计如图 2所示。图 2a给出了火警、救援救助和总警情在高-高、低-低、低-高、高-低聚类模式，空间正相关、负相关，不显著区间各自所占比例。图 2b给出了火警、救援救助和总警情在置信度为99%、95%、90%的热点区间，置信度为99%、95%、90%的冷点区间，热点、冷点区间总数，以及不显著区间各自所占比例。

如图 2a所示，在各空间尺度下，火警和救援救助的空间正相关、负相关以及4种聚类模式的占比基本一致，而总体警情在低-低聚类模式(单元本身与其邻接的单元警情发生数量都低)和正相关模式的占比更显著。空间负相关的占比介于火警和救援救助中间，不显著区间占比明显较少。火警和救援救助的占比从数值上接近，说明在实际的空间分布上存在较大比例重合的区域，但是仍然存在部分空间分布的差异。

如图 2b所示，火警中总的热点区域少于救援救助，99%、95%、90%置信区间也均少于救援救助，二者叠加后，99%的热点置信区间小幅提升，95%、90%的热点置信区间有所减少，说明火灾警情和救援救助警情中部分区域空间重合，与图 2a正相关结果一致。但是，在冷点占比中，火警和救援救助接近，火警在空间上没有明显多于救援救助。二者的99%冷点置信区间均为0，但二者加和后，99%的冷点置信区间提升至0.2181，95%和90%置信区间均明显下降，说明火灾和救援救助的冷点的空间分布存在明显的空间交集，空间叠加后造成冷点置信度的提升。

通过空间分布比例分析可以发现，不同警情的空间分布存在一定的差异。因此，将局部空间自相关指数、热点分析与该城市的地图结合，分析火警、救援救助和总警情的具体空间分布规律，如图 3所示。

从图 3中可以发现，火警主要集中在老城区，这个空间区域包括了城市最大的商圈；而救援救助的空间分布较为广泛，高-高聚类和热点地区除了老城区外，还分布在南部和东部新城区。火警与救援救助的分布在老城区存在重叠，这与人员流动和建筑物功能有关。该城市人口分布不均衡，集中分布在老城区，分散分布在城市的其他地区。再者，城中心的经济相对发达，聚集有较多的大型功能性建筑，建筑内电器设备用电量较大，且老城区电气线路老化，堆积的可燃物多，火灾的危险性更高；居民出行行为的增多还会造成与居民密切相关的救援救助需求增加。因此，人流量大的商圈区域仍然是消防警情防范的重点。

新城区的消防安全设计标准高，减少了火灾的发生。然而，迅速增加的外来人口导致了相对更多的救援救助，例如被困人员的救援等情况。此外，老城区道路相对狭窄，车辆行驶速度慢，交通事故往往是典型的小事故，通常不需要消防部门协助处置；而新城区往往有快速路，车速更快，交通事故会导致人员被困，需要更多的救援。因此，新城区需要更多关注救援救助警情。

2.3 影响消防警情的社会因素分析 2.3.1 影响消防警情的社会因素选取

基于访客流量数据和30个类型POI数据，通过逐步回归方法最终确定住宅、办公、工业、教育和商业5个大类POI数据(14个小类POI)、访客流量数据、截距项参与模型计算，结果见表 2。

从表 2的指标选取结果看，POI基本涵盖了消防警情的大部分风险场所。未被纳入回归自变量的场所主要分为两类：一类是数据量相对较少的POI，如旅游景点、汽车服务、运动健身场所等，这类场所在市区有所分布，但分布位置单一且与已经选取的自变量在数量上存在明显差距，导致回归结果不显著。另一类是市区中的一些重点单位，如银行、信用社等金融类场所，汽车站、火车站等交通设施场所，医院、急救中心等医疗服务类场所，这些类型单个场所的体量均较大，人员密集，一旦发生消防安全事故，会造成重大影响，属于消防重点单位。因此，这些类型场所在设计建造过程中对消防规范的要求更高。同时，随着消防安全和消防宣传投入的加大，这类场所的人员相关操作更加规范, 公众的消防安全意识较高，这些都会对消防警情的发生起到抑制作用。消防警情数据受到不同社会因素的影响，当选取的社会因素数据确定时，消防警情会随着地理位置的变化而变化。截距项主要是那些没有纳入回归中的因素，这些因素在空间上具有一定的平稳性，是只与位置有关的因素。

2.3.2 模型回归结果与分析

在确定影响消防警情的社会因素后，使用多元线性回归模型、经典GWR模型与MGWR模型分别计算火警、救援救助和总警情的回归结果，如表 3所示。

拟合优度R²表示所选取的社会因素对不同消防警情的实际解释力度。在火警、救援救助和总警情的各模型中，GWR的拟合优度R²均高于多元线性回归结果，而MGWR的拟合优度R²高于GWR。MGWR在不同警情中，拟合优度R²均超过0.8，说明社会因素是影响火灾和不同救援救助事件发生的主要因素，所选取的社会因素对消防警情有足够的综合解释力。AICc值的变化超过3时，可以认为模型结果间存在明显的差异^[48]。残差平方和、AICc这两个变量的数值在多元线性回归、GWR、MGWR模型中逐渐降低，说明MGWR使用更少的参数得到了更接近真实值的回归结果。通过对3种模型回归结果进行分析发现，MGWR模型效果最好，经典GWR模型处于中等水平，而多元线性回归模型效果欠佳。虽然多元线性回归模型在3种模型中的结果相对较差，但该模型对3种警情的拟合优度R²均超过了0.7，体现了较高的模型拟合能力，说明不同社会因素对火灾、救援救助警情和总警情的拟合可以使用线性模型表达。

2.3.3 模型的变量带宽结果与分析

变量带宽衡量了各个过程的空间作用尺度。城市不同空间区域的功能定位和人口密度差异较大，导致不同社会因素对消防警情的影响存在空间异质性。模型中的带宽结果可以反映出社会经济因素对城市消防警情作用尺度的差异，作用尺度越大表明该因素作用效果的空间异质性越小，反之空间异质性则越大。MGWR模型与GWR模型的带宽结果见表 4。

MGWR模型中的住宅区、写字楼、超市、便利店、美容美发店这几类POI数据和访客流量数据的带宽在不同消防警情中均为0.550，该值接近任意两个样本之间的最大距离。这一结果说明，本文研究的部分社会因素和消防警情之间的关系是全局性的。在本文选取的空间范围内，这些社会因素对消防警情的作用方式及强度基本一致，其空间关系随距离衰减程度较弱，空间位置敏感性较小。公共管理与公共服务机构带宽最小，3种警情模型均为0.010，体现出较高的空间异质性。分析原始数据发现，该类型POI数据本身的分布具有异质性，决定了其影响范围有限。培训机构、家电数码、工业园区和工矿等POI类型对火灾警情的影响均表现出全局性，而对救援救助警情的影响体现出较高的空间异质性。火警与救援救助叠加后，培训机构和家电数码商店类POI仍然表现出局部作用关系，而工业园区和工矿类POI对总警情的影响变成了全局性影响。

不同变量的带宽之间的区别可能源于统计和测量单位以及操作函数的差异。截距项的带宽变化较大，对于救援救助的空间异质性作用最为明显，对火警的空间异质性作用相对较差(但带宽数值也比较低)，对总警情的作用介于二者之间。这说明仍然有少量只与位置有关的因素没有在模型中得到考虑，例如高程、土地利用等环境数据等。随着大数据技术的不断发展，未来使用更多因素作为变量可以进一步提高模型的精度。

2.3.4 模型的回归系数结果与分析

根据MGWR模型的带宽计算结果，进一步分析城市消防警情与人口分布、代表性POI变量的关联。选择存在局部带宽且数据量较大的自变量分析变量的空间异质性。访客流量、公共管理与公共服务机构、培训机构3个自变量的回归系数统计描述见表 5。存在空间异质性的变量的空间分布如图 4所示，只保留p＜0.05的网格。

访客流量对火警和救援救助警情的回归结果在研究区域内的p值均小于0.05，占比100%，对消防警情的影响显著。然而，模型回归系数分布在0.225~0.226，随空间变化幅度较小，标准差为0，说明这一组数据基本没有波动，可见人口的流动对火警和救援救助的影响没有空间异质性。回归系数中位数为0.226，整体呈正相关关系。这些研究结果表明，城市人口变量对火警和救援救助的影响在空间作用效果基本相同。消防救援力量的配置和调派过程中，需根据实际情况，在人口稠密地区提升调派等级。

公共管理与公共服务机构对火警的回归显著性区域占总体研究区域的46.2%，对救援救助的回归显著性区域占比为27.6%，说明该变量对部分区域的消防警情存在影响。火警的模型回归系数分布范围为-0.305~1.504，救援救助的回归系数分布范围为-1.011~1.972，说明公共管理与公共服务机构对火警和救援救助的影响存在较强的空间异质性。由图 4中的具体分布可知，公共管理与公共服务机构这一变量的空间影响区域较为集中。对照该城市地图分析发现，公共管理与公共服务机构周边的老旧小区相对集中，而且北部区域叠加了该城市的超大型社区。因此，实际影响火警的因素仍然是公共管理与公共服务机构周边人口密度大、流动人口多、电气线路设施老旧的社区。

培训机构对救援救助的回归显著性区域占总体研究区域的64.2%，对火警的空间显著性占比为100%。如图 4所示，回归系数较大的地区为高等教育学校、职业教育学校以及技术工程学校集中的大学城。该地区人口密度大，且与该城市的高新技术开发区以及工业园区在空间上叠加，一些学校还附设科技园、工厂或加工车间，这些场所均属于救援救助需求量比较大的区域。

对比局部空间自相关分布及冷热点分布可以发现，MGWR模型中带宽较小的POI变量与火警、救援救助警情的总体空间分布规律不同。本研究结果表明，MGWR模型带宽对于具有较强空间异质性的变量具有提示作用。在消防救援力量优化和调派过程中，不仅要关注传统的高风险、高需求量区域，还应该基于不同城市的历史数据，结合MGWR模型，对影响城市消防警情的空间异质性因素进行针对性重点防范。

3 结论

本文以某大型城市作为实证研究的对象，对该城市火警、救援救助以及总警情空间分布情况进行分析，确定了影响该城市消防警情的社会因素，构建多尺度地理加权回归模型并进行验证分析，得到以下结论：

1) 火警、救援救助和总警情在该城市均呈现出一定程度的空间聚集特征，但是不同警情的空间分布存在一定的差异。老城区为火灾的热点区域，而救援救助警情的热点分布相对更广，总警情在叠加了二者后体现出冷点和热点更加明显的情况，救援救助比火警更需要多区域联动和针对性防范。

2) MGWR模型相较于传统的多元线性回归和经典GWR模型有着更好的效果。在火警、救援救助和总警情中，拟合优度R²均超过0.8，说明社会因素是影响该城市火灾和不同救援救助事件发生的主要因素。MGWR模型的残差平方和、AICc值最低，说明该模型使用更少的参数得到了更接近真实值的回归结果。

3) MGWR模型中的住宅区、写字楼、超市、便利店、美容美发店的POI和访客流量数据在空间上对该城市消防警情的影响是全局性的，这些变量对空间位置较不敏感。公共管理与公共服务机构、培训机构、家电数码商店、园区和工矿类型的POI对该城市不同类型警情体现出不同的空间异质性作用，提示在消防工作中应该根据不同类型POI分区域进行针对性防范。

救援救助是大应急背景下消防工作的重点内容。本文对消防警情尤其是对救援救助警情的规律及影响因素进行了分析，弥补了以往学者重点关注火警而忽视救援救助研究的不足。本文提出将探索性空间数据分析方法和多尺度地理加权回归模型用于城市消防警情的实证研究，具有一定的可行性，为未来消防备勤和区域性防范工作提供了借鉴，也为新建消防站的选址提供了规划角度和理论参考。

中国城市的具体情况各不相同，消防警情特征差异性较大。今后，在本文的研究方法和模型基础上，可探讨更多的城市消防警情空间异质性规律及影响因素，结合不同城市的特点，优化消防救援力量的配置调派，不断提高区域性消防安全防范能力。