横山亮次奖  |  百年刊庆  |  中文  |  English

清华大学学报（自然科学版） >

2025 , Vol. 65 >Issue 6: 1009 - 1018

DOI: https://doi.org/10.16511/j.cnki.qhdxxb.2025.22.017

公共安全

消防救援飞地概念及识别方法

  • 刘顶立 1, 2 ,
  • 雷晓 1, 2 ,
  • 袁狄平 , 2, * ,
  • 吴恙龙 1, 2 ,
  • 徐志胜 3
展开
  • 1. 长沙理工大学 交通学院, 长沙 410114
  • 2. 中国矿业大学 深圳研究院, 深圳 518000
  • 3. 中南大学 土木工程学院, 长沙 410075
袁狄平, 教授, E-mail:

刘顶立(1990—), 男, 副教授

收稿日期: 2025-01-20

  网络出版日期: 2025-05-24

基金资助

国家自然科学基金青年项目(52204202)

湖南省自然科学基金项目(2023JJ40058)

深圳市科技计划资助项目(CXFZ2023073109390200)

湖南省研究生科研创新项目(LXBZZ2024203)

版权

版权所有，未经授权，不得转载。
收起

Concept and identification methods of fire rescue enclaves

  • Dingli LIU 1, 2 ,
  • Xiao LEI 1, 2 ,
  • Diping YUAN , 2, * ,
  • Yanglong WU 1, 2 ,
  • Zhisheng XU 3
Expand
  • 1. School of Transportation, Changsha University of Science and Technology, Changsha 410114, China
  • 2. Shenzhen Research Institute, China University of Mining and Technology, Shenzhen 518000, China
  • 3. School of Civil Engineering, Central South University, Changsha 410075, China

Received date: 2025-01-20

  Online published: 2025-05-24

Copyright

All rights reserved. Unauthorized reproduction is prohibited.
Fold

摘要

科学高效地配置和调度消防救援资源是公共安全领域的重大需求。现有研究较少考虑实时路况对救援车辆行驶路线选择及行驶时间的影响, 且忽视了消防救援可覆盖范围的非连续分布特征。该研究发现了消防救援可覆盖范围非连续分布而导致的“救援飞地”现象, 并将其定义为“不与消防站直接毗连但依然在该消防站有效救援范围内的片区”, 进而开发了基于实时路况的精准识别救援飞地及其面积的算法。为验证该算法的可行性, 以CS-XX城市消防站为例, 抓取了3 818个兴趣点作为救援需求点, 并设置了49个评估时刻, 获取了187 082条有效数据, 进而计算出CS-XX消防站的实际可覆盖面积和救援飞地面积。结果表明该文提出的算法可有效识别救援飞地：CS-XX消防站的可覆盖面积受交通路况影响, 范围在1.83~4.57 km2之间; 该站可通过临近的过河桥梁覆盖对岸的部分区域, 形成了救援飞地; 救援飞地位置超出了传统面积确定法的7.00 km2圆形区域范围, 且其面积最大时可达到CS-XX消防站可覆盖面积的27.53%。建议将救援飞地作为消防救援责任辖区, 进而提高既有消防救援资源的利用效率。

关键词： 消防救援; 救援飞地; 实时路况; 责任辖区

本文引用格式

刘顶立 , 雷晓 , 袁狄平 , 吴恙龙 , 徐志胜 . 消防救援飞地概念及识别方法[J]. 清华大学学报（自然科学版）, 2025 , 65(6) : 1009 -1018 . DOI: 10.16511/j.cnki.qhdxxb.2025.22.017

Abstract

Objective: The efficient allocation and dispatch of fire rescue resources are crucial to urban public safety. Traditional approaches assume continuous spatial distribution of fire service coverage areas and give less consideration to the impact of real-time traffic conditions on rescue route selection and response times. This study aims to introduce and define the concept of "rescue enclaves"—areas that, although not directly adjacent to fire stations, can be effectively covered by them—and proposes a method to identify and calculate these spatially discontinuous coverage areas. Methods: This study proposed a method for identifying and calculating spatially discontinuous coverage areas by mapping points to grids. Using this method: (1) fire truck travel times were calculated using real-time traffic data, (2) geographic coordinates were converted to universal transverse Mercator (UTM) coordinates, (3) the region was divided into fine grids, (4) grid coverage status was determined, (5) transition grids were processed through neighborhood analysis, and (6) rescue enclaves were identified using a breadth-first search (BFS) algorithm. The CS-XX urban fire station in a Chinese city was selected as a case study to validate the method. In this case study, 3 818 points of interest were identified as rescue demand points across 49 evaluation periods in one day, generating 187 082 valid data samples. A target response time of 4 min was established, and an 80% reduction coefficient was applied to convert regular vehicle travel times to fire truck travel times. Results: The rescue enclave areas were successfully identified and calculated using the proposed method, through which the following key findings were revealed: (1) the dynamic coverage area of CS-XX was observed to vary from 1.83 to 4.57 km2, with the minimum fire service coverage of 1.83 km2 being recorded during the morning peak at 8:00, (2) the calculated coverage area trends were found to be consistent with the percentage of demand points accessible within 4 min, whereby the reliability of the method was validated, (3) critical rescue enclaves were identified near CS-XX, with enclave areas ranging from 0.25 to 1.12 km2, accounting for 12.20%-27.53% of the total coverage area, (4) the rescue enclaves were observed to occasionally extend beyond the traditional coverage of 7.00 km2 prescribed by standard area determination methods, and (5) coverage areas and rescue enclave areas were demonstrated to synchronously vary with traffic conditions, with traffic congestion leading to a significant reduction in their sizes. Conclusions: The proposed conceptualization of rescue enclaves is elucidated in this study, and their substantial manifestation within fire service coverage areas is substantiated through rigorous analysis. The rescue enclaves are systematically identified and quantified via an algorithmically driven methodological framework, and it is ascertained that such enclaves may comprise up to 27.53% of the coverage area of a fire station. If rescue enclaves are integrated into fire rescue jurisdiction planning protocols, they can substantially optimize resource allocation efficacy. While real-time traffic conditions and different flow efficiencies across heterogeneous route typologies are identified as the primary determinants of enclave formation, subsequent investigations are warranted to elucidate the precise mechanistic underpinnings and contributory factors governing rescue enclave emergence as well as to establish quantitative metrics for rescue passage efficiency across diverse route configurations.

Key words： fire rescue; rescue enclave; real-time traffic conditions; fire rescue jurisdiction

火灾是一种常见的灾害事故，可导致人员伤亡、财产损失，造成不良的社会影响[1-3]。国家消防救援局发布的数据显示：2024年，全国消防救援队伍共接报火灾90.8万起，亡2 001人、伤2 665人，直接财产损失77.4亿元[4]。及时的消防救援能够有效降低火灾造成的损失[5]。然而，在不同的交通路线形态下，消防救援车辆通行效率相差很大[6-8]。在很多消防站所处的路网结构中，混合存在多种路线形态，进而导致消防救援时间可达性不一致。消防救援响应时间随路网状况动态变化，4 min内消防服务的有效覆盖范围也随之变化。在路网形态影响下，实时掌握消防站有效覆盖范围及其动态变化非常重要。
近年来，许多学者对城市消防站的覆盖能力及其空间布局进行了研究[5, 9-14]。晏明海等[15]以上海市浦东新区为例，研究了基于多目标层次覆盖的消防救援布防技术。张俊等[16]将火灾风险值引入最大覆盖模型，建立了多目标消防站选址优化模型，将求解的候选消防站与现有消防站的覆盖范围相比较，可为消防服务及消防站选址提供一定参考。林俊雄等[17]使用基于地理信息系统(geographic information system，GIS)的网络分析法，通过划分火灾风险评估、消防基本防护单元、消防路网模型建模等步骤进行了城市消防站布局规划。Chevalier等[18]利用GIS开发了消防站选址决策辅助工具，可通过定义装备配置、人员配置、响应时间、成本等多因子来为消防站选址。Liu等[19]基于实时路况建立了评估消防站有效覆盖率的模型，并以湖南省娄底市为例进行了验证。Chen等[20]收集真实火灾案例数据集，开发了交互式可视化分析系统，对消防站布局进行评估并提出优化建议。现有研究主要借助GIS中Network Analyst及最短路径求解功能[21-26]，仅能求解连续分布的可覆盖范围，且未考虑实时路况，致使现有研究忽视了消防救援可覆盖范围的非连续性，求解的最短路径也不能代表最短响应时间对应的路径。
本文作者在前期研究中发现，消防救援可覆盖范围是非连续性分布的，并且在一些特定路网结构中会出现不与消防站毗连但是却能被有效覆盖到的区域[27-28]。然而，现有研究及算法难以求解非连续分布的消防救援可覆盖范围，使得复杂路网及路况驱动下的消防救援实际可覆盖的范围也难以求解。这是当前提升消防救援资源利用效率所面临的瓶颈性问题之一。
本研究针对消防救援可覆盖范围的非连续性特征，提出了“救援飞地”概念，并开发了基于实时路况的精准识别救援飞地及其面积的算法。为验证该算法，以CS-XX城市消防站为例，抓取了3 818个消防救援需求点，在一天内设置了49个评估场景，通过调用在线地图应用程序接口，基于实时路况来仿真消防救援行程时间，共获得187 082条有效数据，从中识别和分析了CS-XX消防站的救援飞地及其面积并探究了其随实时路况的演化规律。

1 救援飞地概念

受到复杂的城市道路网络结构、地形条件、交通状况等多种因素的影响，消防站的实际可覆盖范围呈现出不规则、分散的形态。在这种情况下，存在一些不与消防站直接毗连但仍在其有效救援范围内的片区。这些片区虽然不与消防站直接毗连，但是却可与消防站通过快速路、绿波道路、立交桥等高通行效率的道路相连，进而使消防车辆能够在目标响应时间内抵达[29]。本文将不与消防站直接毗连但依然在该消防站有效救援范围内的片区定义为“救援飞地”。
救援飞地的存在打破了传统基于距离或几何形状进行消防站覆盖范围划定的思路，强调了响应时间和可达性的重要性。传统的“面积确定法”简单地假设消防救援路线为直线，且未考虑实时路况对行驶路线选择及行驶时间的影响，忽视了消防救援可覆盖范围的非连续性特征，忽视了救援飞地的存在。若将救援飞地作为消防救援责任辖区，列入消防站规划及消防调度范围中，可以提升消防救援资源的利用效率。本文将这种通过扩充救援飞地作为消防救援责任辖区，进而提升消防救援资源利用效率的现象定义为“飞地效应”。

2 研究方法

消防救援飞地本质上是消防救援可覆盖范围非连续分布特征的体现。现有消防救援覆盖范围研究及算法仅能求解出连续分布的可覆盖范围。针对这一问题，本文提出了一种通过将点映射到网格，而后基于网格识别并且计算非连续分布可覆盖范围的方法。该方法能够高效识别消防救援飞地，具体实现流程如图 1所示。
图 1 消防救援飞地及其面积识别方法流程图

2.1 救援飞地识别算法

本文基于Web技术[30](HTML、CSS、JavaScript和Python)开发了基于实时路况的精准识别救援飞地及其面积的算法，其原理见图 2。本算法可用于求解非连续分布的消防救援可覆盖范围。
图 2 基于实时路况精准识别救援飞地及其面积的算法原理图
在图 2中，被有效覆盖到的需求点/网格用绿色表示，未被覆盖到的点/网格用红色表示。若网格内没有需求点或者有效覆盖点数量等于未被覆盖点数量，该网格用黄色表示，即该网格为过渡网格，还需要进一步判断该网格是否被覆盖。

2.2 算法实现步骤

算法具体实现步骤包括：计算消防救援行程时间、坐标转化、划分网格、处理过渡网格、覆盖状况判断、识别救援飞地等。

2.2.1 计算消防救援行程时间

假设ti≤to的消防救援需求点为被有效覆盖到的点，ti>to的消防救援需求点为不能被有效覆盖到的点。消防需求点i的状态可以表示为：
$S_{i}= \begin{cases}0, & t_{i}>t_{\mathrm{o}} ; \\1, & t_{i} \leqslant t_{\mathrm{o}} .\end{cases} $
$C_{\mathrm{E}}=\sum\limits_{n=1}^{N} S_{i} .$
$C_{\mathrm{U}}=N-C_{\mathrm{E}} . $
其中：N表示某消防站旁边有N个消防救援需求点，CE表示被有效覆盖到的需求点的总数，CU表示未被覆盖到的需求点的总数，to为行驶时间目标值，ti表示第i个消防救援需求点与消防站之间的行程时间，Si表示某个消防救援需求点的状态。

2.2.2 UTM坐标转换

本文使用通用横轴Mercator投影(universal transverse Mercator，UTM)将消防站和需求点的经纬度转换为UTM坐标(以m为单位)。对于某个地球表面的较小区域，使用通用UTM的误差相对较小[31]。主要计算步骤如下：
1) 经纬度转换为弧度。
将地理坐标(经纬度)转换为UTM坐标前，需要将需求点和消防站的经纬度坐标由角度转换为弧度。
$\phi_{i}=\operatorname{lat}_{i} \times \frac{\mathsf{π}}{180}, $
$\lambda_{i}=\operatorname{lng}_{i} \times \frac{\mathsf{π}}{180} . $
其中：lati为第i个需求点的纬度，lngi表示第i个需求点的经度，ϕi表示纬度的弧度值，λi表示经度的弧度值，π是圆周率。
2) 确定投影区域(经度带)。
地球表面被分为60个UTM带，每个带宽6°。使用式(6)确定每个需求点所在的UTM带。
$\text { Zone }_{i}=\left\lfloor\frac{\lambda_{i}+180}{6}\right\rfloor+1 . $
其中：$\lfloor x\rfloor$表示对x进行向上取整；Zonei表示第i个需求点所处的UTM带。
3) 计算经度偏差。
使用式(7)计算需求点i的经度偏差λ′i。
$\lambda_{i}^{\prime}=\lambda_{i}-\lambda_{0} . $
其中λ0表示每个UTM带的中央经线。以中央经线作为投影的中心。
4) 将球面坐标转换为平面坐标。
UTM投影基于椭球体模型，使用式(8)和(9)将球面坐标转换为平面坐标。xi表示在平面坐标系中的横坐标，yi表示在平面坐标系中的纵坐标。
$x_{i}=k_{0} \cdot v \cdot \lambda_{i}^{\prime}+500000, $
$y_{i}=k_{0} \cdot\left[M+v \cdot(\tan \phi) \cdot \lambda^{\prime 2}\right] . $
其中：M是从赤道到指定纬度的子午弧长；k0是投影比例因子，通常为0.999 6；ν是法线曲率半径；500 000是为避免负值的偏移量。
通过UTM坐标转换，将需求点的坐标从地球表面的三维坐标系统转换到二维平面坐标系统。

2.2.3 划分细密网格

根据消防救援需求点所在区域大小划分平面细密网格。根据需求点转换后的平面坐标，找出xmax、xmin、ymin、ymax。先设置经度和纬度上的步长值xstep和ystep，在地图上绘制网格线。经度和纬度方向上的网格边长gx和gy可使用式(10)和(11)计算。
$g_{x}=\frac{\left[\left(x_{\max }+100\right)-\left(x_{\min }-100\right)\right]}{x_{\text {step }}}, $
$g_{y}=\frac{\left[\left(y_{\max }+100\right)-\left(y_{\min }-100\right)\right]}{x_{\text {step }}} . $
其中：xmax、xmin、ymax、ymin分别表示最大经度值、最小经度值、最大纬度值、最小纬度值，xstep和ystep分别表示经度和纬度方向上的步长值，gx和gy分别表示经度和纬度方向上的网格边长。

2.2.4 网格覆盖状态判断

计算每一个网格G内有效覆盖点和未被覆盖点的数量。根据网格内有效覆盖点和未被覆盖点的数量关系确定该网格是否被有效覆盖。
$G(x, y)= \begin{cases}1, & C_{\mathrm{E}}>C_{\mathrm{U}} ; \\ 0, & C_{\mathrm{E}}<C_{\mathrm{U}} .\end{cases}$
其中G(x, y)表示网格的覆盖状态，1表示该网格被有效覆盖，0表示该网格未被覆盖。
如果网格内没有点或者有效覆盖点和未被覆盖点的数量相同，则将该网格暂时设置为过渡网格。算法实现的伪代码如图 3所示。
图 3 网格处理算法部分伪代码

2.2.5 处理过渡网格

对于过渡网格，通过检查其邻居网格的覆盖情况，来确定该网格是否被覆盖。定义过渡网格的邻居网格集合为
$\begin{align*}N\left(G_{x, y}\right)=\{ & G_{x+i, y+j} \mid i, j \in\{-1, 0, 1\}, \\& (i, j) \neq(0, 0)\} . \end{align*}$
其中：Gx, y表示需要计算的过渡网格的覆盖状态；Gx+i, y+j表示其邻居网格；N(Gx, y)为过渡网格Gx, y周围8个邻居网格的集合。
定义网格Gx, y的邻居覆盖状态的总数Sx, y：
$C_{x+i, y+j} = \begin{cases}1, & G_{x+i, y+j} \in A ;\\0, & G_{x+i, y+j} \notin A.\end{cases}$
$S_{x, y} =\sum\limits_{(i, j) \in N\left(G_{x, y}\right)} C_{x+i, y+j} . $
其中：A表示被覆盖的网格集合；Cx+i, y+j是邻居网格Gx+i, y+j的覆盖状态，取值为1(有效覆盖)或0(未被覆盖)；Sx, y表示网格Gx, y的邻居覆盖状态的总数。
如式(16)所示，对于某个过渡网格Gx, y周围的网格，有效覆盖网格数量大于未被覆盖网格数量，则该网格被认为处于消防可覆盖范围内；否则，认为该过渡网格不处于消防可覆盖范围之内。如果邻居网格覆盖状态之和大于邻居网格总数的一半，即认为当前网格Gx, y是被有效覆盖的；否则，认为该网格未被覆盖。
$G_{x, y}=\left\{\begin{array}{l}1, \quad S_{x, y}>\frac{\left|N\left(G_{x, y}\right)\right|}{2} ; \\0, \quad S_{x, y} \leqslant \frac{\left|N\left(G_{x, y}\right)\right|}{2} .\end{array}\right.$
其中|N(Gx, y)|=8是邻居网格的总数。

2.2.6 识别救援飞地

在算法实现的过程中，通过图遍历广度优先搜索算法(breadth-first search, BFS)找到所有连通的有效覆盖网格，形成一个区域。BFS识别救援飞地的步骤如图 4所示。识别出所有连片的有效覆盖网格区域后，如果网格区域内包含消防站的坐标，则该片区不被认为是救援飞地；如果网格区域内不包含消防站的坐标，则该片区被认为是救援飞地。因为这些网格虽然不直接毗邻消防站，但因特定条件依然能够被覆盖。可使用式(17)计算救援飞地面积A′E。
$A_{\mathrm{E}}^{\prime}=g_{x} \cdot g_{y} \cdot N_{\mathrm{GE}}^{\prime} . $
图 4 BFS识别救援飞地流程图
其中N′GE表示救援飞地区域内的网格数。

2.2.7 有效覆盖面积计算

处理完所有网格之后，将所有被有效覆盖的网格存储在一个集合中。使用式(18)计算有效覆盖网格的总面积AE。
$A_{\mathrm{E}}=g_{x} \cdot g_{y} \cdot N_{\mathrm{GE}} . $
其中NGE表示有效覆盖网格的总数。

3 研究区域和数据采集

本研究选取中国某城市CS-XX消防站作为研究对象，对所提出的方法进行验证。CS-XX消防站周围环绕着L河，有L1大桥、L2大桥两座过河桥梁，如图 5所示。CS-XX消防站附近有高层建筑、密集居民楼等火灾风险系数较高区域。根据GB 51080—2015标准，城市建设用地范围内应设置一级普通消防站，普通消防站辖区面积不宜大于7.00 km2。假设CS-XX消防站具有一级普通消防站能力。
图 5 研究区域概况

3.1 消防救援需求点

本研究以CS-XX消防站为中心，通过在线地图在其周围13.04 km2内(地球表面北纬28.20°~28.23°，东经113.02°~113.06°)，抓取了3 818个兴趣点(point of interest, POI)作为本文的消防救援需求点，涵盖了城市内多种典型的建筑和功能区[32]。
消防救援需求点和火灾风险点密切相关。消防救援需求点越密集，意味着该区域的人口密度越高、建筑密集度越高或关键基础设施的分布越集中，则火灾风险也越高。
本文采用核密度聚类分析方法，将消防救援需求点的分布进行可视化展示[33]，如图 6所示。图中不同的颜色代表不同的火灾风险密度：蓝色表示火灾风险密度低，绿色表示火灾风险密度适中，红色表示火灾风险密度高。
图 6 研究区域火灾风险可视化

3.2 消防车行驶时间

消防站的有效覆盖范围受制于响应时间。消防救援的响应时间包括接到火警后的准备时间和消防车的行驶时间。然而，由于消防员准备时间的严格规定，准备时间通常是恒定的，并且限制为1 min。相比之下，由于交通条件的动态性，消防车的行驶时间可以从1 min到1 h以上不等。因此，消防车的行驶时间决定了消防救援的响应时间和消防站的有效覆盖范围。本研究根据GB 51080—2015标准设定的行驶时间目标值to为4 min。
调用在线地图批量算路应用程序编程接口(application programming interface, API)计算CS-XX消防站到各个需求点的消防车行驶时间。根据GB 51080—2015标准，消防车、救护车、警车等特殊车辆不受任何行驶速度和交通灯的限制，因此消防车的行驶时间远比普通车辆短。然而，由于数据保护，消防车的交通数据是不公开的，因此需要通过将普通车辆的行驶时间乘以折减系数(reduction factor, RF)，转换为消防车的行驶时间。在本研究中，RF设定为80%，意味着消防车的行驶时间比普通车辆少20%。

4 研究结果

4.1 评估场景设定

为验证消防救援飞地识别算法的可行性，以CS-XX消防站为例进行计算。在2024年9月23日00:00到2024年9月24日00:00期间每隔30 min设置一个计算场景，共计设置了49个计算场景，获得了187 082条有效数据样本。
调用在线地图批量算路API分别计算消防站到3 818个消防救援需求点的行驶时间和行驶距离。本文将判断是否有效覆盖的消防救援行程时间目标值to设定为240 s，即4 min。

4.2 计算结果

交通路况动态变化导致消防救援飞地的范围也动态变化。计算结果如表 1和图 7所示。CS-XX消防站可覆盖范围在1.83~4.57 km2之间。在白天，消防站可覆盖范围偏小，在早上08：00，消防站可覆盖范围达到最小，只有1.83 km2。在交通平缓期(9：30至11：30，14：00至16：30，20：00至次日6：00)，消防站可覆盖面积为2.42~4.57 km2。
表 1 消防站有效覆盖面积、救援飞地面积以及4 min内可达的需求点占比计算结果
评估时刻 消防站有效覆盖面积/m2 救援飞地面积/m2 4 min内可达的需求点占比/%
00：00 3 167 811.50 642 744.36 20.29
00：30 3 581 004.30 918 206.23 25.64
01：00 2 823 484.16 344 327.34 12.20
01：30 4 086 017.73 1 124 802.63 27.53
02：00 4 361 479.60 987 071.70 22.63
02：30 4 568 076.00 1 032 982.01 22.61
03：00 4 131 928.04 895 251.07 21.67
03：30 4 223 748.66 1 032 982.01 24.46
04：00 4 522 165.69 918 206.23 20.30
04：30 4 361 479.60 895 251.07 20.53
05：00 4 223 748.66 961 415.94 22.76
05：30 3 957 785.48 775 725.95 19.60
06：00 3 625 331.50 744 063.67 20.52
06：30 2 992 085.82 459 103.12 15.34
07：00 2 612 138.41 490 765.40 18.79
07：30 2 168 866.44 395 778.55 18.25
08：00 1 836 412.46 316 622.84 17.24
08：30 1 963 061.60 253 298.27 12.90
09：00 2 390 502.43 411 609.69 17.22
09：30 2 643 800.70 506 596.54 19.16
10：00 2 865 436.69 649 076.82 22.65
10：30 2 802 112.12 506 596.54 18.08
11：00 3 102 903.81 633 245.68 20.41
11：30 2 881 267.83 506 596.54 17.58
12：00 2 897 098.97 443 271.97 15.30
12：30 3 182 059.52 696 570.24 21.89
13：00 3 023 748.10 617 414.53 20.42
13：30 3 245 384.09 633 245.68 19.51
14：00 3 055 410.39 680 739.10 22.28
14：30 3 292 877.52 680 739.10 20.67
15：00 3 071 241.53 664 907.96 21.65
15：30 2 707 125.27 522 427.68 19.30
16：00 3 023 748.10 506 596.54 16.75
16：30 2 691 294.12 443 271.97 16.47
17：00 2 073 879.59 538 258.82 25.95
17：30 2 279 684.43 443 271.97 19.44
18：00 2 232 191.01 585 752.25 26.24
18：30 2 248 022.15 474 934.26 21.13
19：00 2 279 684.43 443 271.97 19.44
19：30 2 216 359.87 443 271.97 20.00
20：00 2 422 164.71 459 103.12 18.95
20：30 2 422 164.71 427 440.83 17.65
21：00 2 469 658.14 395 778.55 16.03
21：30 2 596 307.27 569 921.11 21.95
22：00 2 817 943.26 506 596.54 17.98
22：30 2 422 164.71 316 622.84 13.07
23：00 2 881 267.83 522 427.68 18.13
23：30 3 419 526.65 617 414.53 18.06
24：00 3 695 780.08 734 564.98 19.88
图 7 消防站有效覆盖面积和救援飞地面积以及4 min内可达需求点占比变化趋势
根据GB 51080—2015，中国城市消防站辖区面积在3.56~6.28 km2。近年来，各地加强了城市道路建设，但汽车保有量和实际交通流量的增长更为迅猛，这导致了城市建成区的大部分区域内消防车行驶速度不仅难以提高，反而有所下降。本研究提出的消防救援飞地识别算法所计算出来的消防站可覆盖面积大致与GB 51080—2015标准提到的情况相似。消防站可覆盖范围在基于实时路况的情况下是偏小的。在出行高峰期(06：00至09：30，11：30至14：00，16：30至20：00)，消防站可覆盖范围仅有1.96~3.06 km2；在夜间02：30，车流量较少，CS-XX消防站可覆盖范围达到峰值4.57 km2。
在各评估场景下，计算行驶时间在4 min内的需求点数量及其占比，结果如表 1和图 7所示。本研究所开发的算法得到的可覆盖面积变化趋势与4 min内可达的需求点占比表现出高度的一致性。这一结果验证了本文算法的可行性。
消防站有效覆盖面积与救援飞地面积之间存在很强的相关性。消防站有效覆盖面积和救援飞地面积的变化趋势基本一致。当车流量较大时，消防站有效覆盖面积变小，救援飞地面积也在变小。
CS-XX消防站可通过临近的过河桥梁(L2大桥)覆盖对岸的部分区域，形成救援飞地，且救援飞地位置超出了面积确定法计算出的7.00 km2的范围，如图 8所示。同时，在面积确定法所得到的范围内，存在大量需求点未能被消防站有效覆盖。
图 8 CS-XX消防站附近形成的救援飞地
受道路中间分隔带的限制，消防救援车辆从桥梁东岸引桥处下桥后，需要在可以掉头的路段转弯，才能对桥梁北侧的消防救援需求点开展消防救援行动。消防站可覆盖区域(河流北侧)会出现需求点没有覆盖到的情况。这是由于飞地中存在居住区道路等通行效率低的道路，救援车辆的通行效率会降低，导致飞地中存在少量的需求点无法得到有效的消防救援。
通过救援飞地识别算法计算消防救援飞地的面积，结果如表 1所示。救援飞地面积在0.25~1.12 km2之间波动，占CS-XX消防站可覆盖面积的12.20%~27.53%。在早、中、晚出行高峰期，救援飞地面积和消防站可覆盖面积均偏小；而在夜间，救援飞地面积可达到消防站可覆盖面积的27.53%。因此，在划分消防站责任辖区时，非常有必要将救援飞地划入对应消防站的救援责任辖区。
在评估时间内，消防站可覆盖面积和救援飞地面积变化情况如图 9所示。可以看出，在不同的评估时刻，消防站可覆盖面积和救援飞地面积动态变化：在08：00、13：00、19：00等时刻，救援飞地面积和消防站可覆盖面积均减少；在00：00、04：00等评估时刻，L2大桥东岸引桥侧方的救援飞地面积较大，且在L1大桥附近也出现了小块救援飞地，救援飞地面积和消防站可覆盖面积均较大。
图 9 不同时刻消防站可覆盖面积和救援飞地面积变化情况

5 结论

本文基于消防站可覆盖范围存在非连续分布的情况，首次提出并定义“救援飞地”概念，即“不与消防站直接毗连但依然在该消防站有效救援范围内的片区”，并开发了基于实时路况的精准识别救援飞地及其面积的算法。以CS-XX城市消防站为例，验证了该算法的可行性和实用性。研究结果表明：
1) 基于实时路况精准识别救援飞地及其面积的算法能动态、准确地计算出消防站实时的有效覆盖范围及救援飞地面积。
2) 救援飞地的面积随实时路况而变化，当道路拥堵时，救援飞地面积较小，占消防站总覆盖面积的12.20%，当车流量较小时，救援飞地面积最大可达到消防站可覆盖面积的27.53%，且救援飞地面积的变化趋势与消防站有效覆盖范围的变化趋势基本一致。
3) 在某些情况下救援飞地位置甚至可超出面积确定法的7.00 km2圆形可覆盖范围。建议将救援飞地作为消防救援责任辖区，进而提高既有消防救援资源利用效率，形成飞地效应。
本研究发现，消防站周边路网中不同路线形态通行效率差异较大而导致产生救援飞地。然而，如何调查及量化不同路线形态下消防救援通行效率、具体哪些类型路网结构能够导致救援飞地产生等问题尚待研究。在未来，需深入研究救援飞地的形成机制、演化规律，进一步探索飞地效应在消防救援调度及城市消防规划中的合理应用。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
刘伟军, 李颖, 刘顶立, 等. 基于网络开放数据的区域消防救援总体有效覆盖率评估[J]. 安全与环境学报, 2024, 24 (2): 666- 674.

LIU W J , LI Y , LIU D L , et al. Estimation of total effective coverage rate of regional fire service based on open network data[J]. Journal of Safety and Environment, 2024, 24 (2): 666- 674.

2
贺胜, 疏学明, 胡俊, 等. 基于消防大数据的电气火灾风险预测预警方法[J]. 清华大学学报(自然科学版), 2024, 64 (3): 478- 491.

DOI

HE S , SHU X M , HU J , et al. Prediction and early-warning method of electrical fire risk based on fire-fighting big data[J]. Journal of Tsinghua University (Science and Technology), 2024, 64 (3): 478- 491.

DOI

3
姚乐乐, 张杰. 城市建筑火灾防控的重要性及应急疏散探究: 评《城市建筑火灾防控理论与方法》[J]. 现代城市研究, 2024, 39 (3): 136.

YAO L L , ZHANG J . Research on the importance of urban building fire prevention and control and emergency evacuation: A review of Theory and Methods of Urban Building Fire Prevention and Control[J]. Modern Urban Research, 2024, 39 (3): 136.

4
黄佐春, 刘亮. 国家消防救援局: 2024年全国火灾主要有五个特点[EB/OL]. 央视网, 2025-01-24[2025-02-06]. https://news.cctv.com/2025/01/24/ARTIzxLWxFYy5ewOGCrrZPKV250124.shtml.

HUANG Z C, LIU L. National fire and rescue administration: Five main characteristics of national fire incidents in 2024[R]. CCTV News, 2025-01-24[2025-02-06]. https://news.cctv.com/2025/01/24/ARTIzxLWxFYy5ewOGCrrZPKV250124.shtml. (in Chinese)

5
ZHU S C , LIU D L , LIU W J , et al. Models to simulate effective coverage of fire station based on real-time travel times[J]. CMES: Computer Modeling in Engineering and Sciences, 2023, 139 (1): 483- 513.

6
周添, 姜洪, 刘顶立, 等. 基于区域视角的特长公路隧道消防救援可达性评价[J]. 消防科学与技术, 2024, 43 (9): 1322- 1328.

ZHOU T , JIANG H , LIU D L , et al. Evaluation of fire service accessibility of extra-long road tunnels from a regional perspective[J]. Fire Science and Technology, 2024, 43 (9): 1322- 1328.

7
黄遥, 熊柳源, 刘顶立, 等. 顾及动态交通路况的高速公路消防救援可达性评估[J]. 安全与环境学报, 2024, 24 (9): 3573- 3580.

HUANG Y , XIONG L Y , LIU D L , et al. Assessing fire service accessibility on expressways under dynamic traffic conditions[J]. Journal of Safety and Environment, 2024, 24 (9): 3573- 3580.

8
范晓亮, 彭朝鹏, 郑传潘, 等. 面向大规模交通网络的时空关联挖掘方法[J]. 清华大学学报(自然科学版), 2023, 63 (9): 1317- 1325.

DOI

FAN X L , PENG Z P , ZHENG C P , et al. Spatio-temporal correlation mining method for large-scale traffic networks[J]. Journal of Tsinghua University (Science and Technology), 2023, 63 (9): 1317- 1325.

DOI

9
BISPO R, VIEIRA F G, YOKOCHI C, et al. Using spatial point process models, clustering and space partitioning to reconfigure fire stations layout[J/OL]. International Journal of Data Science and Analytics, 2023. https://doi.org/10.1007/s41060-023-00455-z.

10
HUANG A C , HUANG C F , SHU C M . A case study for an assessment of fire station selection in the central urban area[J]. Safety, 2023, 9 (4): 84.

DOI

11
张经度, 李成悦. 顾及可达性的惠州市消防站选址优化研究[J]. 消防科学与技术, 2023, 42 (9): 1309- 1314.

DOI

ZHANG J D , LI C Y . Research on optimization of Huizhou Fire Station location considering accessibility[J]. Fire Science and Technology, 2023, 42 (9): 1309- 1314.

DOI

12
曹跃, 李敬, 顾彧, 等. 基于拉格朗日松弛框架的消防站点选址优化方法[J]. 消防科学与技术, 2023, 42 (8): 1141- 1146.

DOI

CAO Y , LI J , GU Y , et al. Optimization method for fire station location based on Lagrangian relaxation framework[J]. Fire Science and Technology, 2023, 42 (8): 1141- 1146.

DOI

13
吴国豪, 陈跃红, 史春伟, 等. 等时圈模型支持下消防站空间可达性分析: 以南京市为例[J]. 地理与地理信息科学, 2023, 39 (2): 17- 24.

WU G H , CHEN Y H , SHI C W , et al. Assessing the spatial accessibility of fire stations by the isochrone model: A case study in Nanjing, China[J]. Geography and Geo-Information Science, 2023, 39 (2): 17- 24.

14
姚永锋, 贾洪琛, 张琰, 等. 城市区域消防资源优化布局研究[J]. 消防科学与技术, 2023, 42 (2): 258- 262.

DOI

YAO Y F , JIA H C , ZHANG Y , et al. Study on optimized layout of fire resources in city[J]. Fire Science and Technology, 2023, 42 (2): 258- 262.

DOI

15
晏明海, 王伟, 郭凯, 等. 基于多目标层次覆盖的消防救援站布防技术[J]. 消防科学与技术, 2024, 43 (8): 1174- 1180.

YAN M H , WANG W , GUO K , et al. Fire station deployment technology based on multiobjective hierarchical coverage[J]. Fire Science and Technology, 2024, 43 (8): 1174- 1180.

16
张俊, 霍非舟, 张钦钦, 等. 考虑火灾风险与多级覆盖的城市消防站选址优化[J]. 中国安全生产科学技术, 2024, 20 (8): 143- 149.

ZHANG J , HUO F Z , ZHANG Q Q , et al. Optimization on site selection of urban fire stations considering fire risk and multi-level coverage[J]. Journal of Safety Science and Technology, 2024, 20 (8): 143- 149.

17
林俊雄, 江心, 朱建国, 等. GIS模型在城市消防站布局规划的应用研究[J]. 城市规划, 2018, 42 (5): 63- 68.

LIN J X , JIANG X , ZHU J G , et al. Application of GIS model in urban fire station layout planning[J]. City Planning Review, 2018, 42 (5): 63- 68.

18
CHEVALIER P , THOMAS I , GERAETS D , et al. Locating fire stations: An integrated approach for Belgium[J]. Socio-Economic Planning Sciences, 2012, 46 (2): 173- 182.

DOI

19
LIU D L , XU Z S , WANG Z Y , et al. Estimation of effective coverage rate of fire station services based on real-time travel times[J]. Fire Safety Journal, 2021, 120, 103021.

DOI

20
CHEN L F , WANG H , OUYANG Y , et al. FSLens: A visual analytics approach to evaluating and optimizing the spatial layout of fire stations[J]. IEEE Transactions on Visualization and Computer Graphics, 2024, 30 (1): 847- 857.

21
YU Z J , XU L , CHEN S S , et al. Research on urban fire station layout planning based on a combined model method[J]. ISPRS International Journal of Geo-Information, 2023, 12 (3): 135.

DOI

22
赵元新, 李虹, 宋亚婷, 等. 基于GIS网络分析的城市消防站布局与改进研究: 以武汉市为例[J]. 科技创新与应用, 2024, 14 (4): 83- 88.

ZHAO Y X , LI H , SONG Y T , et al. Research on urban fire station layout and improvement based on GIS network analysis: A case study of Wuhan City[J]. Technology Innovation and Application, 2024, 14 (4): 83- 88.

23
RONAN T , TEEUW R . London's burning: Integrating water flow rates and building types into fire risk maps[J]. International Journal of Emergency Services, 2016, 5 (1): 34- 51.

DOI

24
NYIMBILI P H , ERDEN T . GIS-based fuzzy multi-criteria approach for optimal site selection of fire stations in Istanbul, Turkey[J]. Socio-Economic Planning Sciences, 2020, 71, 100860.

DOI

25
霍非舟, 董格力, 李墨潇, 等. 考虑需求等级与距离损失联动消防站选址研究[J]. 中国安全科学学报, 2022, 32 (3): 183- 193.

HUO F Z , DONG G L , LI M X , et al. Study on location selection of linkage fire stations based on demand level and distance loss[J]. China Safety Science Journal, 2022, 32 (3): 183- 193.

26
CHAUDHARY P , CHHETRI S K , JOSHI K M , et al. Application of an analytic hierarchy process (AHP) in the GIS interface for suitable fire site selection: A case study from Kathmandu Metropolitan City, Nepal[J]. Socio-Economic Planning Sciences, 2016, 53, 60- 71.

DOI

27
LIU D L , XU Z S , YAN L , et al. Dynamic estimation system for fire station service areas based on travel time data[J]. Fire Safety Journal, 2020, 118, 103238.

DOI

28
ZHU S C , LIU W J , LIU D L , et al. The impact of dynamic traffic conditions on the sustainability of urban fire service[J]. Sustainable Cities and Society, 2023, 96, 104667.

DOI

29
付元坤, 张钰. 城区段高速公路市政化改造总体设计理念研究[J]. 中外公路, 2024, 44 (5): 259- 268.

FU Y K , ZHANG Y . Overall design concept of municipal reconstruction of cross-city expressway[J]. Journal of China & Foreign Highway, 2024, 44 (5): 259- 268.

30
刘顶立, 李颖, 徐志胜, 等. 车道车型分布差异对隧道疏散时间的影响[J]. 清华大学学报(自然科学版), 2024, 64 (6): 1007- 1015.

DOI

LIU D L , LI Y , XU Z S , et al. Impact of differences in vehicle type distribution across lanes on tunnel evacuation time[J]. Journal of Tsinghua University (Science and Technology), 2024, 64 (6): 1007- 1015.

DOI

31
付秀琪, 黄金辉. 多种软件在南半球进行UTM投影的效果分析: 以肯尼亚某测区为例[J]. 勘察科学技术, 2020 (3): 14-17, 27.

DOI

FU X Q , HUANG J H . Effect analysis of UTM projection in southern hemisphere by various softwares: Taking a survey area in Kenya as an example[J]. Site Investigation Science and Technology, 2020 (3): 14-17, 27.

DOI

32
田逢时, 孙占辉, 郑昕, 等. 城市消防警情的空间异质性及影响因素[J]. 清华大学学报(自然科学版), 2023, 63 (6): 888- 899.

DOI

TIAN F S , SUN Z H , ZHENG X , et al. Spatial heterogeneity and influencing factors of urban emergency services[J]. Journal of Tsinghua University (Science and Technology), 2023, 63 (6): 888- 899.

DOI

33
LIU D L , XU Z S , ZHOU Y , et al. Heat map visualisation of fire incidents based on transformed sigmoid risk model[J]. Fire Safety Journal, 2019, 109, 102863.

DOI

Options
文章导航

/

〈 〉

扫码关注，本刊微信公众号
地址：清华大学东门外学研大厦B座605A室　
邮编：100084
电话：010-62788108/62771385/62792976/62792994　
E-mail：xuebaost@tsinghua.edu.cn
访问统计
    总访问量
    今日访问
    在线人数
　
版权所有 © 《清华大学学报（自然科学版）》编辑部