案例—數據集成驅動的CI抗災能力評估指標選擇*

張 浩,李向陽,劉昭閣

(哈爾濱工業(yè)大學 管理學院, 黑龍江 哈爾濱 150001)

0 引言

關鍵基礎設施(Critical Infrastructure, CI)是由為支撐社會正常運行持續(xù)提供產品或服務的公共事業(yè)、通信、能源、金融和物流等重要部門構成的一套相互依賴的多網絡復雜大系統(tǒng)的總稱[1]。隨著城市化的快速發(fā)展，當今社會越來越依賴于關鍵基礎設施提供的各種服務，而一旦發(fā)生關鍵基礎設施事故，不僅會帶來巨大的經濟損失，還會造成嚴重的社會影響[2]。2016年，超強臺風“莫蘭蒂”就極大地影響了當地民生和經濟，特別是廈門全城電力供應基本癱瘓、全面停水，泉州、漳州大面積停電，直接經濟損失達169億元[3]。從這方面來看，關鍵基礎設施極易受到自然、人為、技術等方面的異動危害，造成運營失效，災害風險顯著[4]。

CI抗災能力評估體系是指與CI抗災能力評估相關的評估原則、評估指標體系、評估方法、評估標準等要素組成的有機整體。在上述要素中，評估指標體系由反映抗災能力的評估指標及指標間聯系構成，其有效性直接決定抗災能力評估工作的成效[5-6]。已有學者結合領域知識構建了電網、高速公路網等CI的抗災能力評估指標體系[7-9]，但其指標選擇往往存在差異，究其原因：首先，指標選擇的依據不同，例如，災害多發(fā)地的應急管理要求更高，其指標選擇需結合當地實際[10]；其次，指標選擇的標準不同，例如，指標選擇的系統(tǒng)性、客觀性與一致性[11]。如何在已有指標體系基礎上，依據科學的指標選擇標準來改進指標體系，是本文探索的核心問題。本文對CI抗災能力評估指標選擇基于以下3個標準：指標的系統(tǒng)性，即評估指標體系能夠全局、系統(tǒng)地反映CI抗災能力；指標的客觀性，即評估值數據的真實性及數據來源的可靠性；指標的一致性，即微觀評估指標對全局抗災能力的支持程度。

從指標選擇改進的主導邏輯路線來看，可將改進方法大致歸為2類，案例驅動方法：通過案例推理(Case-based Reasoning, CBR)技術生成各類災害情景，建立領域情景庫用于評估指標選擇決策[12-13]；數據驅動方法：是指通過數據分析，獲得支持決策的高層次數據、知識及解決方案，并以此為評估指標選擇提供決策服務[14-16]。比較上述2類方法可以發(fā)現，案例驅動方法側重歷史經驗，有利于認知評估問題與改進全局指標，但弱化了問題求解及評估指標的定量化推導過程；數據驅動方法依賴技術性的數據分析，其技術瓶頸在于如何從數據分析結果中完成指標選擇與改進。

案例驅動和數據驅動在CI抗災能力評估指標選擇改進中各有優(yōu)勢，本文提出案例-數據集成驅動方法，在認知抗災能力與評估指標選擇的基礎上，實現2者在指標選擇改進中的有機結合。

1 CI抗災能力認知與評估指標選擇

1.1 CI抗災能力認知

CI抗災能力及評估指標選擇框架如圖1所示。CI抗災能力主要來源于2方面，即抗災的物理能力及響應能力。

1)CI抗災物理能力，即關鍵基礎設施自身物理性質決定的抗災能力，如電網物理單元性質、結構、布局方式等。由于關鍵基礎設施可視為以CI單元為節(jié)點的復雜網絡系統(tǒng)，故基于網絡視角，將CI抗災物理能力劃分為CI單元抗災物理能力和CI網絡抗災物理能力2部分。

2)CI抗災響應能力，即與應急管理活動相關的抗災能力，如電網搶修速度、恢復能力等。抗災響應能力應體現CI應急管理全過程，分為“事前”、“事中”、“事后”3個階段，表現為3個不同管理階段的抗災響應能力內容及目標，以達到全面、系統(tǒng)評估抗災響應能力的目的[17]。在已有文獻對應急管理階段劃分的基礎上，可將CI抗災響應能力歸納為3個維度，即監(jiān)測預警能力、災害處置能力與功能修復能力。

圖1 CI抗災能力與評估指標選擇框架Fig. 1 CI anti-disaster capacity and evaluation index framework

1.2 指標層次劃分與指標選擇

每項CI抗災能力可劃分為全局指標層以及微觀指標層。

1)全局指標層，是直接反映抗災能力的評估指標，是抗災能力主要影響因素綜合的結果。例如，電網的單元抗災物理能力可通過脆弱性、損壞風險等指標來體現。一般而言，全局指標層僅有一層。全局指標層中的指標不一定滿足客觀性，即指標的定量化要求較低；但需要滿足系統(tǒng)性，即選擇的全局指標能夠充分反映影響抗災能力的各個方面。

2)微觀指標層，是全局指標細化后的結果，它反映特定全局指標或上級微觀指標。例如，電網單元的脆弱性，可按照誘因劃分為內生脆弱性、環(huán)境誘發(fā)脆弱性以及異動誘發(fā)脆弱性3個方面。微觀指標層可有多層，且每個全局指標下的微觀指標層數往往不同。微觀指標層中的各層指標應至少滿足系統(tǒng)性與一致性，而每一全局指標對應的最后一層微觀指標需盡量滿足客觀性。

2 CI抗災能力評估指標選擇的案例-數據集成驅動方法

2.1 案例-數據集成驅動方法的基本原理

案例-數據集成驅動的評估指標選擇是在認知指標選擇的基礎上，通過合理設計案例驅動與數據驅動在指標選擇改進中的分工，洞察指標選擇存在問題、完成指標選擇改進的方法。其中，案例驅動是通過全局指標選擇改進啟動、抗災情景認知與預設、全局指標復用與選擇改進等過程，完成評估的全局指標選擇改進；數據驅動是通過微觀指標性能洞察、微觀指標選擇系統(tǒng)性改進、微觀指標選擇客觀性與一致性改進等過程，完成評估的微觀指標選擇改進。整個案例-數據驅動流程如圖2所示。

圖2 CI抗災能力評估指標選擇的案例-數據集成驅動框架Fig. 2 Case-data integrated driven framework on assessment indicator choosing for CI anti-disaster capacity

2.2 CI抗災能力評估指標選擇的案例驅動

案例驅動是全局指標選擇改進的動力基礎。通過案例驅動，引導決策者完成全局指標選擇改進、實現全局指標系統(tǒng)性的工作目標。案例驅動的全局指標選擇改進是通過提取歷史案例中的全局指標或抗災記錄，重用歷史經驗、引導選擇全局指標的過程。完成這一過程需要回答3方面問題，即如何構建可用歷史案例集、如何選取待用案例(集)、如何選擇及改進案例全局指標。

1)可用歷史案例集構建?？捎脷v史案例集是指所有可用的評估案例或抗災案例，“可用”即情景要素取值非空、全局指標可提取。以此為依據，搜集評估案例或抗災案例，構建可用歷史案例集。

2)待用案例(集)選取。在待用案例(集)選取中，較為常見的是案例推理(CBR)技術中的相似案例選取，其應用情景相似度概念，尋找具有相似情景的歷史案例。

3)案例全局指標選擇及改進。對于評估案例，可直接獲取其能力評估全局指標；對于抗災案例，需歸納其應對過程要點，轉換為具有代表性的全局指標。值得注意的是，若待用案例僅有一例，則可直接用于全局指標選擇；若待用案例有多例，需進行比對，選取案例共性部分作為基本全局指標。比對已有指標體系與歷史案例的全局指標選擇，在已有指標體系中完成全局指標的增加、刪減或替換，實現全局指標的改進。

2.3 CI抗災能力評估指標選擇的數據驅動

數據驅動是微觀指標選擇改進的動力基礎。通過數據驅動，將引導決策者完成微觀指標選擇改進，實現微觀指標系統(tǒng)性、客觀性、一致性的工作目標。主要包括3個步驟：微觀指標性能洞察、微觀指標選擇系統(tǒng)性改進、微觀指標選擇客觀性與一致性改進。

1)微觀指標性能洞察。是指利用數據分析工具，探索反映微觀指標性能的數據信息，以幫助決策者判斷是否需要改進指標選擇。其中，指標系統(tǒng)性洞察重點在于考察指標充分反應程度和冗余程度，分別借助方差分析中的方程顯著性水平以及共線性分析中的方差膨脹系數；指標客觀性洞察重點在于定性和數據較難獲取的定量指標的洞察，可利用大數據分析為決策者尋找可替代指標；指標一致性洞察體現為某一指標對上層指標的解釋程度，可建立以特定指標為自變量、以該指標對應上層指標為因變量的一元回歸方程，利用回歸系數的顯著性水平進行考察。

2)微觀指標選擇系統(tǒng)性改進。是在洞察指標系統(tǒng)性基礎上，發(fā)現指標存在的系統(tǒng)性不足問題，通過一系列數據分析技術比對新方案與已有方案微觀指標系統(tǒng)性優(yōu)劣，完成指標選擇系統(tǒng)性改進的過程。這一過程涉及微觀指標識別、指標充分反映程度改進以及指標冗余程度減免3部分。微觀指標識別是從文獻、案例、網絡等一切可能途徑中挖掘與待改進指標相關的微觀指標，例如，利用文本挖掘和語義分析技術，在網絡資源中自動抓取微觀指標；在指標充分反映程度上，以特定指標為因變量、以其對應的下層指標為自變量，建立多元回歸方程，采用F檢驗法對方程進行顯著性檢驗以進行洞察，則方程顯著性水平為：

p{|F|≥F1-α,p,n-p-1|H0}=α

(1)

式中：H0為原假設，即假設現有下層指標能夠充分解釋對應的上層指標；n為上層指標樣本數；p為下層指標個數。

若方程顯著性水平α≥0.05，意味著回歸方程的有效性低于95%，說明指標不能被充分反映，需通過微觀指標識別對其進行補充；在冗余程度方面，利用共線性分析中的方差膨脹系數(VIF)洞察，設R2是以第i個指標為被解釋變量、其余指標為解釋變量的多元線性回歸模型中的決定系數，則VIF如式(2)所示，若VIF>10，則冗余程度過高，需通過主成分分析或因子分析進行指標歸并。

(2)

3)微觀指標選擇客觀性與一致性改進。是在系統(tǒng)性改進基礎上，利用數據分析技術，通過定性微觀指標定量化、定量微觀指標優(yōu)化以及指標解釋程度改進，完善微觀指標選擇體系的過程。其中，定性微觀指標定量化是通過定量微觀指標識別，將定性微觀指標轉化為單個或多個定量微觀指標的過程，例如，災害處置能力受救援力量到達率和指揮調度水平等因素影響，指揮調度水平為定性指標，可進一步轉化為專業(yè)學習年限、指揮調度成功率等[6]；定量微觀指標優(yōu)化是通過可替換的定量微觀指標識別，將定量微觀指標轉化為單個或多個易取值的定量微觀指標的過程；指標解釋程度改進即在一致性洞察基礎上，對下層指標的變量回歸系數采用F檢驗法進行顯著性檢驗，如式(1)所示，若顯著性水平α≥0.05，說明指標不能充分解釋其對應的全局指標或上層微觀指標，需通過微觀指標識別對其進行替換或刪減。

3 用例分析

下文以抗災能力中單元抗災物理能力為例，結合用例說明CI抗災能力評估指標選擇的案例-數據集成驅動方法。

1)指標選擇改進啟動。在“天兔”臺風案例中，災害造成嚴重后果，該案例提供了這一案例情景下的電網單元抗災物理能力評估指標，通過調查了解到，該實際案例已經超過之前指標體系所針對情景的嚴重等級，能力評估指標存在改進空間。單元抗災物理能力評估是提升電網抗災能力的決策基礎，決策者決定啟動指標選擇改進。

2)抗災情景認知與預設。決策者組織專家研討，將臺風災害情景要素劃分為最大風力、移動速度、8級風圈半徑、海潮范圍、最大降雨量、路徑覆蓋度以及影響用戶數量等7個方面。由于驅動指標選擇改進啟動的案例為“天兔”案例，該案例具有重要意義，決策者決定利用該案例情景作為預設情景。

3)全局指標復用。從中國天氣臺風網、中國南方電網等網絡途徑，搜集涉及抗災應對和抗災能力評估的案例10例，構成可用案例集。將上述10個案例以及預設情景按上述情景要素進行賦值，得到表1所示的情景要素取值情況。其中，CC表示預設情景，HC1～HC10表示搜集到的可用案例。采用如下相似度計算公式進行待用案例(集)選取。其中，simijt代表案例i與案例j在情景元素t上的相似度；scit是案例i在情景元素t上的取值；wt是情景元素t的權重；SIMij是案例i與案例j的相似度。

simijt=e-|scit-scjt|

(3)

SIM(i,j)=wt·simijt

(4)

結合決策者對各情景特征的權重取值，最終計算得到預設情景與各歷史案例情景的相似度分別為SIM(HC1,CC)=0.88，SIM(HC2,CC)=0.79，SIM(HC3,CC)=0.91，SIM(HC4,CC)=0.90，SIM(HC5,CC)=0.87，SIM(HC6,CC)=0.89，SIM(HC7,CC)=0.86，SIM(HC8,CC)=0.94，SIM(HC9,CC)=0.95，SIM(HC10,CC)=0.95。設定相似度閾值為0.9，則HC3，HC4，HC8，HC9與HC10共5個歷史案例共同組成了待用案例集。對5個案例的抗災應對部分或指標部分歸納總結，分別提取其單元抗災物理能力的全局指標，將其與已有全局指標比對，如表2所示。

表1 各案例及預設情景的情景要素取值

表2 案例電網單元抗災物理能力的全局指標選擇

4)全局指標選擇改進。通過對比分析，決策者發(fā)現各案例的單元抗災物理能力全局指標選擇中，雖然部分指標名稱存在差異，但其所指內容基本一致，如案例HC4、HC9中的故障率指標與案例HC10中的失效概率指標均指電網設備不能正常運轉的概率。另已有評估指標缺少老化指數這一重要方面，電網設備年久頻繁使用，必然出現老化現象，使設備精度、性能下降，是抗災過程中不可忽視的一點，最終在已有全局指標上增添老化指數這一指標。

5)微觀指標性能洞察。改進前的微觀指標選擇如圖3所示，從微觀指標性能出發(fā)進行分析，洞察得到以下結論：在系統(tǒng)性方面，故障率與運行時間之間存在相關關系，據受“天兔”影響的S市電網設備相關數據及式(1)，計算可得方程顯著性水平高于0.05，說明故障率不能被充分反映，在分析全局指標冗余度時，根據式(2)計算方差膨脹系數大于10，且老化指數出現在健康指數的下層指標中；在客觀性方面，當前風險及未來風險對應的損壞后果為定性指標，損壞概率與老化指數定量化不足，難以直接取值；在一致性方面，建立當前風險與損壞后果的一元回歸方程，采用F檢驗法根據式(1)發(fā)現，損壞后果的回歸系數顯著性水平高于0.05，說明其解釋能力過低。

圖3 改進前的微觀指標選擇Fig.3 The original microscopic index selection

6)微觀指標識別。從文獻、案例、網絡等可能途徑中，運用語義分析、文本挖掘等技術抓取與健康指數、老化指數、故障率、當前風險、未來風險相關的變量，將其歸納總結為微觀指標。

7)微觀指標選擇系統(tǒng)性改進。針對洞察到的故障率指標系統(tǒng)性問題，發(fā)現維修頻率對故障率有重要影響，將其納入故障率對應的下一層微觀指標中；針對全局指標冗余度過高問題，在全局指標層中刪減老化指數指標，將其移動到健康指數對應的下一層微觀指標中。

8)微觀指標選擇客觀性改進。針對洞察到的損壞后果指標客觀性問題，發(fā)現電網單元的損壞后果與節(jié)點度(度數越大，越容易造成電網級聯失效)以及服務范圍(服務范圍越大，影響用戶數量越多)有關，將其納入損壞后果對應的下一層微觀指標中；針對洞察到的損壞概率客觀性問題，發(fā)現電網單元在遭遇臺風災害時的損壞概率受抗風等級與備用設備數量影響，將其納入損壞概率對應的下一層微觀指標中；針對洞察到的老化指數客觀性問題，發(fā)現電網單元老化指數受設備形狀、材料和質量影響，將其納入老化指數對應的下一層微觀指標中。

9)微觀指標選擇一致性改進。針對洞察到的損壞后果指標一致性問題，發(fā)現設備壽命對電網單元當前風險有顯著影響，且設備壽命為定量指標，故將損壞后果指標替換為設備壽命指標。

10)微觀指標性能核查。在上述改進方案指導下，完成微觀指標選擇改進，如圖4所示。利用數據分析工具對改進后的微觀指標選擇進行微觀指標性能核查，發(fā)現其系統(tǒng)性、客觀性與一致性均滿足要求，故以圖4所示的指標選擇方案作為針對預設情景的電網單元抗災物理能力指標體系。

圖4 改進后的微觀指標選擇Fig.4 The improved microcosmic index selection

4 結論

1)案例驅動和數據驅動在評估指標選擇研究中各有優(yōu)勢與側重點，結合2者優(yōu)勢有助于更為系統(tǒng)、客觀、一致的評估工作開展。

2)面向關鍵基礎設施，提出CI抗災能力與評估指標選擇框架，為評估指標選擇改進提供認知基礎。

3)提出CI抗災能力評估指標選擇的案例-數據集成驅動框架，分別闡述案例驅動與數據驅動在評估指標選擇改進中的分工。

4)闡述案例驅動全局指標選擇改進以及數據驅動微觀指標選擇改進的基本原理，最終，結合用例分析電網單元抗災物理能力的評估指標選擇改進過程。

5)在驅動方法的實證檢驗方面，尚有不足，未對指標選擇改進后的抗災能力提升策略展開進一步研究，上述問題將是下一步研究的重要方向和內容。

[1] 劉曉,張隆飆,ZHANG W J.關鍵基礎設施及其安全管理[J].管理科學學報,2009,12(6):107-115.

LIU Xiao,ZHANG Longbiao,ZHANG W J.Critical infrastructure and its safety management[J].JOURNAL OF MANAGEMENT SCIENCES IN CHINA,2009,12(6):107-115.

[2] 朱偉，王晶晶，楊玲．城市重要基礎設施災害情景構建方法與應急能力評價研究[J]．管理評論，2016，28(8)：59-65．

ZHU Wei,WANG Jingjing,YANG Ling. A method research on scenario construction of critical infrastructure incidents and emergency capacity evaluation[J]. Management Review,2016,28(8):59-65.

[3] 李軍，李向陽，張佰尚．自然異動下關鍵基礎設施網絡風險研究[J]．中國管理科學，2014，22(9)：66-73．

LI Jun,LI Xiangyang,ZHANG Baishang.Study on critical infrastructure network risk with natural disaster[J].Chinese Journal of Management Science,2014,22(9):66-73.

[4] 陳國華，梁韜，張華文．城域承災能力評估研究及其應用[J]．安全與環(huán)境學報，2008，8(2)：156-162．

CHEN Guohua,LIANG Tao,ZHANG Huawen.Evaluation model for urban-regional disaster-bearing capacity and its application[J].Journal of Safety and Environment,2008,8(2):156-162.

[5] 劉德海，于倩，馬曉南，等．基于最小偏差組合權重的突發(fā)事件應急能力評價模型[J]．中國管理科學，2014，22(11)：79-86．

LIU Dehai,YU Qian,MA Xiaonan,et al.Combination weight model of emergency ability evaluation with minimum deviation[J].Chinese Journal of Management Science,2014,22(11):79-86.

[6] 葛悅，汪彤，徐亞博．基于灰色層次分析法的突發(fā)事件應急管理能力評價[J]．中國安全生產科學技術，2014，12(12)：80-86．

GE Yue,WANG Tong,XU Yabo.Assessment of emergency management capability based on gray analytic hierarchy process[J].Journal of Safety Science and Technology,2014,12(12):80-86.

[7] DONG Yu-cheng,XU Yin-feng,LI Hong-yi,et al.A comparative study of the numerical scales and the prioritization methods in AHP[J].European Journal of Operational Research,2008,186(1): 229-242.

[8] XU G,BRINK R V D,LAAN G V D,et al.Associated consistency characterization of two linear values for TU games by matrix approach[J].Linear Algebra & Its Applications,2015,471:224-240.

[9] 鐵永波，唐川，周春花．城市災害應急能力評價研究[J]．災害學，2006，21(1)：8-12．

TIE Yongbo,TANG Chuan,ZHOU Chunhua.The application of AHP to emergency response capability assessment in urban disaster[J].Journal of Catastrophology,2006,21(1):8-12.

[10] 陳文濤，佟瑞鵬，孫躍龍．基于ANP方法的社區(qū)事故應急能力評估指標權重的確定[J]．中國安全科學學報，2010，20(6)：166-171．

CHEN Wentao,TONG Ruipeng,SUN Yuelong.Determination of index weight in evaluation of community emergency response capability based on ANP[J].China Safety Science Journal,2010,20(6):166-171.

[11] 吳曉濤．基于FAHP法的城市社區(qū)應急準備能力評估[J]．災害學，2010，25(4)：110-114．

WU Xiaotao.Evaluation on emergency preparedness capability of urban communities based on FAHP[J].Journal of Catastrophology,2010,25(4):110-114.

[12] 鄭康寧，李向陽，楊凱．高斯—案例推理方法的預測模型及應用[J]．運籌與管理，2011，20(6)：99-105．

ZHENG Kangning,LI Xiangyang,YANG Kai.Gaussian method in case-based reasoning and applications[J].Operations Research and Management Science,2011,20(6):99-105.

[13] 喬立民，李向陽，于峰．基于案例學習的社區(qū)應急情景決策桌面培訓方法[J]．運籌與管理，2016，25(5)：28-37．

QIAO Limin,LI Xiangyang,YU Feng.Tabletop training method for community emergency scenario decision-making based on case Learning[J].Operations Research and Management Science,2016,25(5):28-37.

[14] 劉奕，王剛橋，蔣澤宇，等．面向應急決策的模型集成方法研究[J]．管理評論，2016，28(8)：6-16．

LIU Yi,WANG Gangqiao,JIANG Zeyu,et al.Study on model integration for complex emergency decision-making[J].Management Review,2016,28(8):6-16.

[15] 張玉鵬，王茜．基于數據驅動平滑檢驗的密度預測評估方法——以香港恒生指數、上證綜指和臺灣加權指數為例[J]．中國管理科學，2014，22(3)：130-140．

ZHANG Yupeng,WANG Qian.Density forecast evaluation based on data-driven smooth test-taking HSI、SHCI and TWII for example[J].Chinese Journal of Management Science,2014,22(3):130-140.

[16] 丁勇，梁昌勇，朱俊紅，等．群決策中基于二元語義的主客觀權重集成方法[J]．中國管理科學，2010，18(5)：165-170．

DING Yong,LIANG Changyong,ZHU Junhong，et al.A subjective and objective weights integrated method based on 2-tuple Linguistic for group decision making[J].Chinese Journal of Management Science,2010,18(5):165-170.

[17] 李湖生．應急管理階段理論新模型研究[J]．中國安全生產科學技術，2010，6(5)：18-22．

LI Husheng.Research on new model of the emergency management phase theory[J].Journal of Safety Science and Technology,2010,6(5):18-22.