基于三維交互效應(yīng)的公共安全事件知識(shí)可視化研究

■ 劉天鍵 周科平

中南大學(xué)資源與安全工程學(xué)院 長(zhǎng)沙 410083

0 引言

自2011年我國(guó)進(jìn)入以城鎮(zhèn)為主體的社會(huì)發(fā)展階段以來(lái)[1]，截至2018年我國(guó)城鎮(zhèn)人口占總?cè)丝诒戎匾呀?jīng)達(dá)到59.58%。隨著現(xiàn)代化城鎮(zhèn)的不斷擴(kuò)張，安全管理問(wèn)題與矛盾日益凸顯，我國(guó)近5年因公共安全事件造成的非正常死亡人數(shù)平均每年超過(guò)30 萬(wàn)，傷殘人數(shù)超過(guò)250萬(wàn)，經(jīng)濟(jì)損失高達(dá)7000億元。社會(huì)的進(jìn)步發(fā)展對(duì)城市的公共安全管理提出了更高要求，國(guó)家“十三五”規(guī)劃提出應(yīng)用大數(shù)據(jù)視角與技術(shù)為公共安全管理提供創(chuàng)新性的理念與方法。隨著公共安全管理向整體戰(zhàn)略的轉(zhuǎn)變實(shí)踐[2]，社會(huì)多方參與共同推進(jìn)公共安全管理協(xié)同治理與整體化治理，進(jìn)一步優(yōu)化資源配置，達(dá)到最大限度維護(hù)和增進(jìn)公共利益的目的[3-4]成為公共安全管理模式的必然趨勢(shì)。

我國(guó)在公共安全管理方面已有的研究主要集中在體系建設(shè)與定性分析，近年來(lái)數(shù)值分析隨著大數(shù)據(jù)時(shí)代的到來(lái)也逐漸被推廣應(yīng)用，2012年陳秋玲等[5]首次應(yīng)用偏最小二乘回歸于安全經(jīng)濟(jì)學(xué)領(lǐng)域分析安全生產(chǎn)事故死亡率與經(jīng)濟(jì)社會(huì)領(lǐng)域若干自變量的影響關(guān)系。在可視化研究領(lǐng)域，國(guó)外設(shè)計(jì)研發(fā)出VOS viewer[6]、Cite Space[7]、Pajek[8]等軟件進(jìn)行知識(shí)圖譜的構(gòu)建，國(guó)內(nèi)有高利軍[9]通過(guò)可視化進(jìn)行專利創(chuàng)新與資本化能力的相關(guān)分析，李謙升[10]詳細(xì)闡述了城市信息可視化設(shè)計(jì)的相關(guān)理念與方法，周（Y.Zhou）等[11]研究了4D 可視化技術(shù)在地鐵建設(shè)安全管理中的應(yīng)用。交互分析目前多應(yīng)用于心理學(xué)、金融等領(lǐng)域，在安全管理方向少有應(yīng)用。如何在物聯(lián)網(wǎng)及大數(shù)據(jù)背景下高效穩(wěn)定地利用公共安全管理的信息資源，既要保證政府企業(yè)組織開(kāi)源數(shù)據(jù)的權(quán)威性與功能性，又能兼顧群眾個(gè)體的接受門檻與傳播效率，是今后公共安全協(xié)同管理模式革新的重要環(huán)節(jié)。

本文在數(shù)值分析與知識(shí)可視化的基礎(chǔ)上以公共安全事件為研究對(duì)象，為了克服列聯(lián)表缺乏關(guān)聯(lián)分析統(tǒng)計(jì)控制與無(wú)法準(zhǔn)確定量描述交互效應(yīng)的缺點(diǎn)，對(duì)相關(guān)維度進(jìn)行交互效應(yīng)分析并結(jié)合知識(shí)可視化將事件的發(fā)生規(guī)律與安全知識(shí)具體具象化，為公共安全管理工作提供更加直觀科學(xué)的參考依據(jù)。從更深層次的角度出發(fā)，此類知識(shí)可視化的構(gòu)建與分析有利于構(gòu)建更全面完善的公共安全管理知識(shí)智庫(kù)。

1 交互分析模型

公共安全事件的發(fā)生往往是由于諸多影響因素的安全狀態(tài)失穩(wěn)，偏離了公共安全正常運(yùn)作所允許的波動(dòng)范圍，并交互影響從而最終引發(fā)，即存在多個(gè)維度的交互效應(yīng)作用，具有其潛在的內(nèi)在規(guī)律與分布特征。但事件發(fā)生維度的交互效應(yīng)往往隱含于經(jīng)驗(yàn)性知識(shí)中，難以簡(jiǎn)明直接地應(yīng)用和傳遞于各項(xiàng)管理工作中，也難以被安全宣傳的群體受眾所理解認(rèn)知，不利于各項(xiàng)安全工作的穩(wěn)步推進(jìn)。因此需要通過(guò)數(shù)值分析手段將定性的交互效應(yīng)量化為直觀的定量數(shù)據(jù)，挖掘事件維度之間的抑制或者增強(qiáng)作用，優(yōu)化交互效應(yīng)相關(guān)的安全知識(shí)的邏輯功能與認(rèn)知效果從而進(jìn)一步指導(dǎo)安全管理的決策和宣傳受眾的認(rèn)知。

1.1 模型選取

交互分析的常用方法有列聯(lián)表、邏輯回歸、對(duì)數(shù)線性模型等，由于公共安全事件的發(fā)生服從隨機(jī)離散的概率分布，列聯(lián)表的χ2檢驗(yàn)對(duì)于高維度交互作用的解釋有一定局限性且無(wú)法量化維度間的交互效應(yīng)作用幅度，且列聯(lián)表本身也很難拓展至高維統(tǒng)計(jì)，邏輯回歸方法中較多的名義變量又會(huì)導(dǎo)致交互效應(yīng)的分析研究變的繁瑣復(fù)雜，因此選取廣義線性模型中的對(duì)數(shù)線性模型綜合運(yùn)用方差分析和邏輯回歸的優(yōu)勢(shì)進(jìn)行多元統(tǒng)計(jì)，通過(guò)泊松分布進(jìn)行對(duì)數(shù)線性模型的回歸建模，將期望頻數(shù)與多維度變量之間的交互效應(yīng)有效量化[12]，同時(shí)又能彌補(bǔ)多項(xiàng)分布對(duì)數(shù)線性模型不能解釋分類隨機(jī)變量的缺陷。

1.2 模型構(gòu)建

根據(jù)事件維度及維度內(nèi)的變量，以三維泊松對(duì)數(shù)線性模型為例，假設(shè)維度集合D={X，Y，Z}中包含3 個(gè)屬性變量，Xi、Yj、Zk（i=1，2，…；j=1，2，…；k=1，2，…）表示各屬性變量的類別，期望頻數(shù)nijl，代入泊松概率密度函數(shù)得到三維飽和對(duì)數(shù)線性模型如式（1）所示：

通過(guò)極大似然估計(jì)得到常數(shù)項(xiàng)（λ）、主效應(yīng)、二維以及三維交互效應(yīng)參數(shù)定義公式如（2）～（5）所示：

在三維飽和對(duì)數(shù)線性模型基礎(chǔ)上，通過(guò)統(tǒng)計(jì)檢驗(yàn)對(duì)飽和模型進(jìn)行高階交互項(xiàng)選取，將飽和模型中顯著性sig.＜0.05 的交互項(xiàng)剔除形成更高擬合優(yōu)度的非飽和模型。本研究應(yīng)用K-way 高階效應(yīng)檢驗(yàn)，通過(guò)似然比卡方檢驗(yàn)進(jìn)行單項(xiàng)及分層效應(yīng)檢驗(yàn)，參數(shù)估計(jì)與擬合優(yōu)度通過(guò)雙尾Pearson-χ2方法進(jìn)行檢驗(yàn)，公式如（6）、（7）所示：

2 知識(shí)可視化

可視化的核心內(nèi)容是尋求更優(yōu)化的映射方式將數(shù)據(jù)中的隱含知識(shí)按照設(shè)計(jì)者和用戶的需求通過(guò)映射關(guān)系轉(zhuǎn)化為視覺(jué)的優(yōu)勢(shì)清晰地傳遞給用戶?？梢暬粌H能夠提升數(shù)據(jù)的利用價(jià)值與操作的靈活性，更可以有效降低受眾的接收與傳遞門檻[13]。公共安全事件的知識(shí)可視化設(shè)計(jì)應(yīng)從4 個(gè)方面展開(kāi)：① DIKW 金字塔模型的知識(shí)內(nèi)容整合；② AIDMA 組織模式的知識(shí)結(jié)構(gòu)優(yōu)化；③文本向視覺(jué)的知識(shí)轉(zhuǎn)譯；④視覺(jué)效果的審美體驗(yàn)。通過(guò)可視化能夠使公共安全事件的隱含知識(shí)更加直觀有效地傳達(dá)，視覺(jué)的引導(dǎo)作用強(qiáng)化了從數(shù)據(jù)到智慧的遞進(jìn)提煉，并產(chǎn)生持續(xù)有效的形象記憶，進(jìn)而促進(jìn)安全管理者達(dá)成安全目的，培養(yǎng)受眾的安全行為習(xí)慣和安全意識(shí)。

如圖1所示，公共安全事件知識(shí)可視化是將公共安全事件的有關(guān)知識(shí)通過(guò)信息及視覺(jué)設(shè)計(jì)優(yōu)化知識(shí)內(nèi)容，憑借圖像的認(rèn)知引導(dǎo)功能從信息源頭、傳播途徑以及受眾的角度增強(qiáng)安全意識(shí)與安全責(zé)任的感知接受和知識(shí)提煉過(guò)程，并通過(guò)知識(shí)獲取的結(jié)果不斷形成正反饋，在設(shè)計(jì)方法探索中不斷改進(jìn)改良，以優(yōu)化原有的可視化模式[14]。本研究中知識(shí)可視化主要作用在于安全管理者的迅速識(shí)別與安全宣傳受眾的優(yōu)化認(rèn)知兩個(gè)方面。

3 實(shí)例分析

圖1 知識(shí)可視化設(shè)計(jì)流程圖

表1 交互分析樣本集

根據(jù)針對(duì)數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換的六合分析法（5W1H）中的基本內(nèi)容，選取時(shí)間（When）、區(qū)域（Where）和性質(zhì)（What）維度作為交互效應(yīng)研究對(duì)象，其中時(shí)間維度劃分為4 個(gè)季度；區(qū)域維度劃分為6 個(gè)管轄區(qū)；性質(zhì)維度方面，目前我國(guó)安全科學(xué)界將公共安全事件劃分為自然災(zāi)害、事故災(zāi)難、公共衛(wèi)生事件以及社會(huì)安全事件4 類[15]。通過(guò)對(duì)某市統(tǒng)計(jì)年鑒及公開(kāi)數(shù)據(jù)中的公共安全事件在時(shí)間、區(qū)域和性質(zhì)維度下進(jìn)行調(diào)研統(tǒng)計(jì)，數(shù)據(jù)經(jīng)過(guò)數(shù)據(jù)編碼以及預(yù)處理最終構(gòu)成了用于交互分析的樣本集如表1所示，主維度頻數(shù)柱狀圖如圖2所示：

3.1 交互分析

樣本集的交互效應(yīng)分析處理通過(guò)IBM SPSS Statis‐tics 22.0 的對(duì)數(shù)線性模型功能進(jìn)行實(shí)現(xiàn)，采用后向剔除法由高到低對(duì)飽和模型進(jìn)行單項(xiàng)及分層效應(yīng)的顯著性檢驗(yàn)，由K-way 高階效果的計(jì)算結(jié)果可知，主效應(yīng)（Sig.=0）、二維交互效應(yīng)（Sig.=0），三維交互效應(yīng)在95%置信水平下似然比顯著性（Sig.=0.044）與皮爾遜卡方顯著性（Sig.= 0.023）均為顯著，即時(shí)間、區(qū)域、性質(zhì)3 個(gè)維度存在交互效應(yīng)，即三維交互作用下的各個(gè)水平中的頻數(shù)對(duì)數(shù)的平均值存在顯著差異，維度之間的交互作用對(duì)公共安全事件的分布起到了顯著的抑制或者增強(qiáng)效果，泊松對(duì)數(shù)線性模型中的主效應(yīng)項(xiàng)與二維項(xiàng)、三維交互效應(yīng)項(xiàng)均不予以剔除，形成泊松對(duì)數(shù)線性的飽和模型用于描述交互效應(yīng)的分布情況。檢驗(yàn)結(jié)果如表2所示：

通過(guò)似然比卡方檢驗(yàn)和雙尾Pearson-χ2檢驗(yàn)結(jié)果表明觀測(cè)值和期望值在99%置信水平下的相關(guān)性非常顯著且判定系數(shù)R2≈1，說(shuō)明三維飽和模型能夠合理解釋公共安全事件在時(shí)間、區(qū)域、性質(zhì)維度高階交互影響下的頻數(shù)分布且擬合效果理想，能夠進(jìn)一步分析研究。三維交互效應(yīng)的參數(shù)估計(jì)結(jié)果如表3所示：

圖2 主維度頻數(shù)柱狀圖

根據(jù)表3參數(shù)估計(jì)結(jié)果可知，主效應(yīng)參數(shù)最大值：第1 季度（0.0678），事故災(zāi)難（0.4061），C 區(qū)（0.2863），其中對(duì)比圖2可以發(fā)現(xiàn)時(shí)間維度的交互效應(yīng)更多集中在第1季度（0.0678）而非同維度頻數(shù)占比最高的第2 季度（27.77%），這是由于第1 季度在同一水平的時(shí)間維度屬性變量中與其他維度交互效應(yīng)更加顯著導(dǎo)致與列聯(lián)表分析產(chǎn)生了統(tǒng)計(jì)結(jié)果上的差異，在公共安全管理工作中這些隱含信息的安全知識(shí)非常容易忽視從而影響安全工作的效率和效果；二維交互效應(yīng)參數(shù)最大值：第4 季度-公共衛(wèi)生事件（0.6309）、C 區(qū)-自然災(zāi)害（0.7224）、第4季度-D 區(qū)（0.3993）。三維交互效應(yīng)參數(shù)最大值：第4 季度-公共衛(wèi)生事件-B 區(qū)（0.7892）。根據(jù)這一結(jié)果可以初步推斷出該城市公共安全事件的預(yù)防治理工作由于交互效應(yīng)高于其他屬性變量，需要重點(diǎn)分析、關(guān)注和預(yù)防第一季度、事故災(zāi)難與C 區(qū)的相關(guān)情況，在二維交互方面需要重視第4 季度的公共衛(wèi)生事件、C 區(qū)的自然災(zāi)害、第四季度的D 區(qū)，三維交互方面則是第4 季度B 區(qū)的公共衛(wèi)生事件。

表2 K-way高階效果檢驗(yàn)

表3 三維交互效應(yīng)參數(shù)估計(jì)

圖3 二維交互效應(yīng)極區(qū)圖

以第1 季度為例，對(duì)某市公共安全事件的時(shí)間、區(qū)域、性質(zhì)維度交互效應(yīng)的管理意義可以初步得到：在第1季度（1）A區(qū)需重視自然災(zāi)害、事故災(zāi)難和公共衛(wèi)生事件的發(fā)生，交互效應(yīng)參數(shù)分別為0.0997、0.3457 和0.1751；（2）B區(qū)需重視事故災(zāi)難和社會(huì)安全事件的發(fā)生，交互效應(yīng)參數(shù)分別為0.3048 和0.0150；（3）C 區(qū)需重視自然災(zāi)害、公共衛(wèi)生事件和社會(huì)安全事件的發(fā)生，交互效應(yīng)參數(shù)分別為0.1031、0.0950 和0.2946；其他管轄區(qū)和其他季度的知識(shí)發(fā)現(xiàn)以此類推。根據(jù)以上內(nèi)容，公共安全管理的各方參與者能夠科學(xué)有效地從安全管理決策和安全知識(shí)認(rèn)知的角度，在不同季度針對(duì)不同地區(qū)的實(shí)際情況加強(qiáng)不同性質(zhì)公共安全事件的隱患排查工作以及優(yōu)化應(yīng)急治理措施。

3.2 知識(shí)可視化

通過(guò)知識(shí)可視化更加直觀地突出泊松對(duì)數(shù)線性模型的交互效應(yīng)大小，應(yīng)用二維與三維的交互效應(yīng)極區(qū)圖進(jìn)行交互效應(yīng)參數(shù)基礎(chǔ)上的安全知識(shí)發(fā)現(xiàn)。極區(qū)圖結(jié)合了直方圖與扇形圖的優(yōu)點(diǎn)，能有效避免以圓心為原點(diǎn)的值域限制，通過(guò)夾角反應(yīng)事件頻數(shù)占比的同時(shí)，外弧半徑又能表示交互效應(yīng)的正負(fù)及大小，即傾向性的大小與正負(fù)，離圓心越近則傾向性越小，反之越大。不同維度的屬性變量通過(guò)不同顏色區(qū)分，半徑越大扇環(huán)面積越大則說(shuō)明同一水平下的交互效應(yīng)與頻數(shù)占比越大，從視覺(jué)上相比表3明顯能夠通過(guò)激發(fā)讀者的注意機(jī)制（atten‐tion）、產(chǎn)生更強(qiáng)的閱讀興趣（interest）、促進(jìn)閱讀欲望（de‐sire）的產(chǎn)生并形成長(zhǎng)期的形象記憶（memory），進(jìn)而增強(qiáng)安全管理的迅速?zèng)Q策和安全宣傳的普遍認(rèn)知（action），形成良好的AIDMA模式視覺(jué)效果。

3.2.1 二維交互效應(yīng)可視化

對(duì)三組二維交互分析極區(qū)圖進(jìn)行觀察分析可初步得到以下信息：

(1)時(shí)間與性質(zhì)交互分析極區(qū)圖表示某市4 個(gè)季度對(duì)應(yīng)4 類公共安全事件性質(zhì)的交互效應(yīng)強(qiáng)度。第1 季度更傾向于發(fā)生自然災(zāi)害（0.5400），第2 季度更傾向于發(fā)生事故災(zāi)難（0.1839），第3 季度更傾向于發(fā)生事故災(zāi)難（0.5125），第4 季度更傾向于發(fā)生公共衛(wèi)生事件（0.6309）；以此類推，能夠從二維交互的角度為公共安全管理提供參考依據(jù)。

(2) 以時(shí)間與性質(zhì)交互分析極區(qū)圖為例，可以通過(guò)縱向?qū)Ρ韧皇录再|(zhì)在4個(gè)季度的交互強(qiáng)度差異而獲得不同于橫向?qū)Ρ犬a(chǎn)生的安全知識(shí)；事故災(zāi)難需要在第2、3季度加強(qiáng)預(yù)防；公共衛(wèi)生事件在第4季度的發(fā)生頻數(shù)與時(shí)間-性質(zhì)交互效應(yīng)均達(dá)到最高；社會(huì)安全事件從主效應(yīng)或者二維交互的角度來(lái)看全年不顯著且波動(dòng)不大。

(3)極區(qū)圖能夠反映傳統(tǒng)直方圖不能涵蓋的信息內(nèi)容，以時(shí)間與性質(zhì)交互分析極區(qū)圖為例：雖然第2季度社會(huì)安全事件的發(fā)生頻數(shù)占第2季度事件總頻數(shù)的比例在4 類事件性質(zhì)中最低（共21 起，占同季度總頻數(shù)15.44%），但時(shí)間-性質(zhì)二維交互效應(yīng)（0.0718）僅次于占比最高的事故災(zāi)難（0.1829），這是時(shí)間-性質(zhì)交互效應(yīng)對(duì)同水平下的此類事件產(chǎn)生了增強(qiáng)效應(yīng)，而非片面地通過(guò)頻數(shù)統(tǒng)計(jì)解釋事件的傾向性。由此可見(jiàn)，交互效應(yīng)分析綜合考量多個(gè)維度挖掘隱性安全知識(shí)的優(yōu)越性是傳統(tǒng)列聯(lián)表分析方法所不能比擬的。

3.2.2 三維交互效應(yīng)可視化

根據(jù)時(shí)間-區(qū)域-性質(zhì)三維交互效應(yīng)極區(qū)圖我們可以初步發(fā)現(xiàn)：

（1）對(duì)比同1 季度和地區(qū)條件下發(fā)生不同性質(zhì)的公共安全事件的傾向性有明顯差異，以第1 季度的A 區(qū)為例，交互效應(yīng)由高到低順序?yàn)椋菏鹿蕿?zāi)難（0.3457）＞公共衛(wèi)生事件（0.0997）＞自然災(zāi)害（0.1751）＞社會(huì)安全事件（-0.6205），說(shuō)明第一季度A 區(qū)發(fā)生社會(huì)安全事件可能性低的同時(shí)，管理者與群眾應(yīng)警惕和防范各類事故災(zāi)難的發(fā)生，充分做好相關(guān)預(yù)防和治理工作。同樣的方法能夠通過(guò)圖3進(jìn)行二維交互效應(yīng)的拆解，從不同的角度進(jìn)行不同目標(biāo)的二維交互效應(yīng)的分析進(jìn)而科學(xué)地指導(dǎo)公共安全管理各項(xiàng)工作開(kāi)展。

（2）針對(duì)具有正交互效應(yīng)的外圈極區(qū)圖可以對(duì)比同一季度條件下不同區(qū)域?qū)?yīng)發(fā)生各類性質(zhì)事件的趨向性。以上半年為例，通過(guò)觀測(cè)可以直觀地發(fā)現(xiàn)第2 季度的B、C 兩區(qū)發(fā)生事故災(zāi)害的傾向性、以及第1季度E區(qū)、第2季度D區(qū)發(fā)生公共衛(wèi)生事件的傾向性、和1、2季度A區(qū)發(fā)生社會(huì)安全事件的傾向性相較同區(qū)域同時(shí)段其他事件在視覺(jué)乃至數(shù)據(jù)上都更加突出，進(jìn)一步意味著該類事件的管理優(yōu)先級(jí)與其他事件差別較大，需要公共安全管理的各方參與人足夠重視這些事件以及發(fā)生的區(qū)域，提前做好隱患排查工作以及制定應(yīng)急預(yù)案。通過(guò)視覺(jué)上的差異刺激能夠更深層次地激發(fā)信息傳播受眾的閱讀欲望以及主觀感知，相比表3的參數(shù)估計(jì)結(jié)果，圖4在敘事內(nèi)容與傳達(dá)功能不變的前提下，通過(guò)知識(shí)可視化改變表述形式加強(qiáng)了信息的直觀性和生動(dòng)性的特征，產(chǎn)生AIDMA 視覺(jué)設(shè)計(jì)的正反饋，能夠更有效的提高公共安全管理的信息資源利用效率，引導(dǎo)社會(huì)群體積極參與公共安全協(xié)調(diào)管理。

圖4 三維交互效應(yīng)極區(qū)圖

4 結(jié)論

公共安全事件一直以來(lái)危害著社會(huì)群眾、企業(yè)組織乃至城市整體的切身利益與生命健康，對(duì)該類事件的分析研究方法我國(guó)尚在起步階段，本文在單一維度頻數(shù)統(tǒng)計(jì)的基礎(chǔ)上，提出應(yīng)用對(duì)數(shù)線性模型的方法分析公共安全事件時(shí)間、區(qū)域、性質(zhì)的相關(guān)性大小以及多個(gè)變量之間的高階交互效應(yīng)，該模型是具有科學(xué)依據(jù)以及研究?jī)r(jià)值的統(tǒng)計(jì)學(xué)方法之一。

模型擬合與參數(shù)估計(jì)結(jié)果表明，三維泊松對(duì)數(shù)線性模型能夠應(yīng)用于公共安全事件相關(guān)維度的交互分析研究，且可以有效量化各維度不同變量間的交互作用，具有充分的可行性與可操作性；對(duì)觀測(cè)值與期望值的雙尾Pearson-χ2檢驗(yàn)證明該模型對(duì)于公共安全事件的三維分布特征有較強(qiáng)的解釋力，能夠指導(dǎo)安全管理的預(yù)防、統(tǒng)計(jì)以及決策等各項(xiàng)工作，知識(shí)可視化設(shè)計(jì)通過(guò)優(yōu)化信息的知識(shí)內(nèi)容與表述方式為相關(guān)預(yù)防、應(yīng)急、治理等措施工作以及民眾安全知識(shí)普及提供了科學(xué)可靠的依據(jù)。另一方面，泊松對(duì)數(shù)線性模型的應(yīng)用也有局限性，即對(duì)數(shù)據(jù)量和分布特征有一定要求，當(dāng)數(shù)據(jù)量不足或分布特征不明顯時(shí)，K-way 高階效果檢驗(yàn)無(wú)法拒絕原假設(shè)而導(dǎo)致后向剔除法刪除了高階交互效應(yīng)，從而影響模型的擬合優(yōu)度以及交互作用的量化。

綜上所述，本研究提出的交互知識(shí)可視化為公共安全管理以及社會(huì)群眾普及工作提供了新的手段方法，通過(guò)數(shù)值分析的手段挖掘并量化隱含的定性安全知識(shí)從而促進(jìn)公共安全預(yù)防與治理等相關(guān)工作穩(wěn)步推進(jìn)，同時(shí)利用知識(shí)可視化的優(yōu)勢(shì)提高了信息的傳播與接收效率，有效幫助受眾理解思考并消化吸收安全知識(shí)，積極參與公共安全協(xié)同管理工作，響應(yīng)安全政策號(hào)召。另一方面我們應(yīng)不斷完善公共安全管理體制與相關(guān)法律法規(guī)，提高市民群眾與企業(yè)的防范意識(shí)，從根本上解決公共安全問(wèn)題。