數(shù)據(jù)驅(qū)動(dòng)的大群體應(yīng)急決策公眾專(zhuān)家動(dòng)態(tài)協(xié)同方法

徐選華, 朱昱承

(中南大學(xué)商學(xué)院, 湖南 長(zhǎng)沙 410083)

0 引 言

近年來(lái),公共安全突發(fā)事故頻發(fā),造成了嚴(yán)重的人員傷亡和經(jīng)濟(jì)損失。突發(fā)事件發(fā)生后,迅速做出科學(xué)的應(yīng)急決策并采取響應(yīng)措施以防止事件惡化至關(guān)重要。應(yīng)急決策具有決策環(huán)境復(fù)雜多變、涉及領(lǐng)域廣泛、時(shí)間壓力大等特征[1],傳統(tǒng)的群決策方法難以適應(yīng)這些特征,而大群體決策具備決策群體規(guī)模龐大(一般超過(guò)20人)、參與成員來(lái)源廣泛、決策模式多目標(biāo)與動(dòng)態(tài)化等優(yōu)勢(shì)[2]。因此,利用大群體決策方法解決應(yīng)急決策問(wèn)題成為近年來(lái)的一大研究熱點(diǎn)。

應(yīng)急決策與社會(huì)公眾利益息息相關(guān)。一方面,公眾是應(yīng)急決策的保護(hù)對(duì)象;另一方面,公眾也可以為應(yīng)急決策提供寶貴的意見(jiàn)。調(diào)查研究表明,依據(jù)公眾需求進(jìn)行應(yīng)急決策能夠有效提升決策的科學(xué)程度和應(yīng)急防治效果[3-4]。因此,需要采取科學(xué)有效的方式提高公眾在應(yīng)急決策中的參與度。隨著互聯(lián)網(wǎng)時(shí)代的來(lái)臨和社交媒體的普及,突發(fā)事件消息傳播更加高效便捷,公眾能夠迅速了解事件發(fā)展態(tài)勢(shì)并發(fā)表自己的觀點(diǎn)和看法[5-6]。因此,借助大數(shù)據(jù)分析技術(shù),提取突發(fā)事件下公眾生成數(shù)據(jù)中的信息用于輔助應(yīng)急決策,成為了公眾參與應(yīng)急決策的一種新途徑,也得到了國(guó)內(nèi)外許多研究者的關(guān)注。大量研究證實(shí),充分利用公眾大數(shù)據(jù),可以提高應(yīng)急決策的效率和質(zhì)量[7-8]。同時(shí),近年來(lái)許多研究者也嘗試將公眾大數(shù)據(jù)分析結(jié)果與大群體決策模型相結(jié)合,以構(gòu)建新的應(yīng)急決策方法。例如,文獻(xiàn)[9]通過(guò)社交媒體平臺(tái)獲得公眾對(duì)應(yīng)急決策方案的偏好值,并利用證據(jù)推理從理論上計(jì)算公眾的風(fēng)險(xiǎn)效用,在此基礎(chǔ)上得到各方案的最終效用值。文獻(xiàn)[10]根據(jù)歷史相似案例數(shù)據(jù),利用模糊關(guān)聯(lián)規(guī)則挖掘和模糊認(rèn)知圖獲取公眾對(duì)應(yīng)急決策屬性的偏好值,并基于此提出了大群體應(yīng)急決策風(fēng)險(xiǎn)度量模型。文獻(xiàn)[11]基于情感分析和直覺(jué)模糊數(shù)提出一種在突發(fā)事件中融合公眾與專(zhuān)家偏好信息的方法,并對(duì)公眾意見(jiàn)的可靠度進(jìn)行測(cè)量。顯然,互聯(lián)網(wǎng)、社交媒體和大數(shù)據(jù)技術(shù)的發(fā)展為公眾參與應(yīng)急決策拓寬了渠道,并推動(dòng)了公眾參與的應(yīng)急決策模式和方法創(chuàng)新。但在實(shí)際情況中,決策者會(huì)面臨信息混沌甚至短暫的“信息饑餓”[12],因此借助各類(lèi)前沿技術(shù)實(shí)現(xiàn)公眾參與應(yīng)急決策的模式不僅需要實(shí)時(shí)信息,還需要事前信息,而現(xiàn)有研究很少考慮公眾層面信息的時(shí)間維度,且大多僅通過(guò)公眾大數(shù)據(jù)獲得某些靜態(tài)決策信息,沒(méi)有體現(xiàn)公眾和專(zhuān)家之間的動(dòng)態(tài)協(xié)同關(guān)系。

另一方面,如何評(píng)價(jià)大群體應(yīng)急決策質(zhì)量是一個(gè)十分關(guān)鍵的問(wèn)題。不同于一般的大群體決策,對(duì)突發(fā)事件的大群體應(yīng)急決策質(zhì)量進(jìn)行評(píng)價(jià),往往需要考慮決策的時(shí)效性。因此,沖突消解[13]和意見(jiàn)交互效率[14]經(jīng)常被視作衡量大群體應(yīng)急決策質(zhì)量的準(zhǔn)則。此外,一些研究將由決策者心理因素造成的決策風(fēng)險(xiǎn),如猶豫風(fēng)險(xiǎn)[15]、信任風(fēng)險(xiǎn)[16]也視作影響大群體應(yīng)急決策質(zhì)量的因素。但這些方法僅考慮了決策過(guò)程中的要素,忽略了決策的實(shí)際效果。隨著公眾大數(shù)據(jù)在大群體應(yīng)急決策中的廣泛應(yīng)用,許多學(xué)者嘗試基于公眾的視角研究大群體決策應(yīng)急決策質(zhì)量評(píng)價(jià)問(wèn)題。例如,文獻(xiàn)[17]量化了突發(fā)事件下的公眾風(fēng)險(xiǎn)感知,并由此構(gòu)建了基于熵值法的大群體應(yīng)急決策質(zhì)量得分函數(shù)。文獻(xiàn)[18]對(duì)突發(fā)事件下的社交媒體數(shù)據(jù)進(jìn)行情感分析,將結(jié)果轉(zhuǎn)化為直覺(jué)模糊數(shù)并將其與基準(zhǔn)值比較,從而判斷大群體應(yīng)急決策質(zhì)量的高低。然而,現(xiàn)有研究或采用單一指標(biāo)測(cè)度應(yīng)急決策質(zhì)量,或用“高”與“低”片面地評(píng)價(jià)應(yīng)急決策質(zhì)量,未能形成系統(tǒng)、全面且符合實(shí)際情況的大群體應(yīng)急決策質(zhì)量評(píng)價(jià)體系與方法。

對(duì)上述內(nèi)容進(jìn)行分析可發(fā)現(xiàn),盡管有關(guān)大群體應(yīng)急決策的研究已經(jīng)十分成熟且完備,但在提高公眾參與度以及對(duì)應(yīng)急決策質(zhì)量進(jìn)行評(píng)價(jià)方面仍有待完善和創(chuàng)新。以公眾大數(shù)據(jù)為基礎(chǔ),對(duì)大群體應(yīng)急決策質(zhì)量進(jìn)行科學(xué)、系統(tǒng)的評(píng)價(jià),可以有效地反映決策的公眾認(rèn)可度和實(shí)施效果,并為后續(xù)的決策方案調(diào)整提供參考。同時(shí),以應(yīng)急決策質(zhì)量為依據(jù)構(gòu)建多階段的動(dòng)態(tài)大群體應(yīng)急決策模型,提高公眾群體與專(zhuān)家群體間的協(xié)同性,是當(dāng)前大群體決策研究中一個(gè)有價(jià)值的研究主題和空白領(lǐng)域。因此,針對(duì)現(xiàn)有研究的局限性,本文基于文本數(shù)據(jù)分析提出一種科學(xué)的應(yīng)急決策質(zhì)量評(píng)價(jià)方法,并將其用于實(shí)現(xiàn)大群體應(yīng)急決策中的“公眾”專(zhuān)家動(dòng)態(tài)協(xié)同。首先,對(duì)突發(fā)事件下的社交媒體數(shù)據(jù)進(jìn)行情感分析,將結(jié)果轉(zhuǎn)化為概率語(yǔ)言術(shù)語(yǔ)集,用于表示屬性層應(yīng)急決策質(zhì)量,并將其集結(jié)得到綜合應(yīng)急決策質(zhì)量。其次,基于應(yīng)急決策質(zhì)量評(píng)價(jià)結(jié)果,提出不同決策階段下的屬性權(quán)重與專(zhuān)家權(quán)重動(dòng)態(tài)更新方法,從而構(gòu)建大群體應(yīng)急決策“公眾-專(zhuān)家”動(dòng)態(tài)協(xié)同流程與方法。最后,以“3.21”東航MU5735飛行器事故為案例,對(duì)方法進(jìn)行應(yīng)用說(shuō)明和對(duì)比分析,驗(yàn)證了方法的有效性和優(yōu)越性。

1 方法基礎(chǔ)

1.1 概率語(yǔ)言術(shù)語(yǔ)集

定義 1[19]設(shè)S={sα|α=0,1,…,τ}為一個(gè)語(yǔ)言術(shù)語(yǔ)集,則概率語(yǔ)言術(shù)語(yǔ)集L(P)的定義為:

(1)

定義 2[20]對(duì)于一個(gè)完全信息概率語(yǔ)言術(shù)語(yǔ)集L(p),其得分E(L(p))及偏差度σ(L(p))可記作:

(2)

(3)

式中:Δ(·)為語(yǔ)言術(shù)語(yǔ)取下標(biāo)函數(shù)。

設(shè)L1(p),L2(p)為兩個(gè)完全信息概率語(yǔ)言術(shù)語(yǔ)集,根據(jù)式(2)和式(3),可以得到L1(p)和L2(p)的排序關(guān)系[20]:

(1) 若E(L1(p))>E(L2(p)),L1(p)fL2(p);

(2) 若E(L1(p))

(3) 若E(L1(p))=E(L2(p)),則

1) 若σ(L1(p))>σ(L2(p)),L1(p)pL2(p);

2) 若σ(L1(p))<σ(L2(p)),L1(p)fL2(p);

3) 若σ(L1(p))=σ(L2(p)),L1(p)～L2(p)。

定義 3[19]對(duì)于概率語(yǔ)言術(shù)語(yǔ)集L(p),若語(yǔ)言術(shù)語(yǔ)L(k)p(k)按Δ(L(k))p(k)降序排列,則稱(chēng)L(p)為有序概率語(yǔ)言術(shù)語(yǔ)集;對(duì)于兩個(gè)有序完全信息概率語(yǔ)言術(shù)語(yǔ)集L1(p),L2(p),若L1(p)≠L2(p),則在元素較少的概率語(yǔ)言術(shù)語(yǔ)集中增加元素,使L1(p)=L2(p)。此時(shí),稱(chēng)L1(p),L2(p)為標(biāo)準(zhǔn)化概率語(yǔ)言術(shù)語(yǔ)集。

為方便,假設(shè)下文提到的概率語(yǔ)言術(shù)語(yǔ)集均為標(biāo)準(zhǔn)化概率語(yǔ)言術(shù)語(yǔ)集。

定義 4[21]設(shè)Li(p)(i=1,2,…,n)為n個(gè)概率語(yǔ)言術(shù)語(yǔ)集,其基本運(yùn)算法則為

(4)

(5)

(6)

定義 5[19]對(duì)于兩個(gè)概率語(yǔ)言術(shù)語(yǔ)集L1(p),L2(p),其漢明距離d(L1(p),L2(p))可記作:

(7)

(8)

1.2 情感分析

情感分析是一種使用計(jì)算機(jī)技術(shù)對(duì)文本數(shù)據(jù)所包含對(duì)事件、觀點(diǎn)及主題等實(shí)體的情感進(jìn)行推斷,并將其轉(zhuǎn)化為某種極性值的方法[22]。情感分析主要分為兩種類(lèi)型,一是基于情感詞典的方法[23-24],根據(jù)現(xiàn)有詞典或訓(xùn)練得到的個(gè)性化詞典,對(duì)文本中的情感詞、程度詞和否定詞進(jìn)行檢索,從而計(jì)算文本的情感值;二是基于深度學(xué)習(xí)的方法,通過(guò)各類(lèi)深度學(xué)習(xí)的算法,如卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)[25]、支持向量機(jī)(support vector machine,SVM)[26]等方法,訓(xùn)練情感分類(lèi)函數(shù),利用分類(lèi)函數(shù)判斷文本的情感類(lèi)別。

隨著自然語(yǔ)言處理技術(shù)的發(fā)展,主題模型方法逐漸與情感分析方法相融合,實(shí)現(xiàn)了精度更高的語(yǔ)句級(jí)和主題級(jí)情感分析。Melton等[27]使用潛在狄利克雷主題模型和情感分析方法,分析Reddit社區(qū)中有關(guān)注射新冠疫苗的各類(lèi)話題中的情緒。Pathak等[28]通過(guò)潛在語(yǔ)義索引的正則化約束和長(zhǎng)短期記憶網(wǎng)絡(luò)中的主題級(jí)注意機(jī)制進(jìn)行情感分析,實(shí)現(xiàn)了動(dòng)態(tài)主題級(jí)情感分析。另一方面,模糊數(shù)學(xué)在情感分析中的應(yīng)用使情感分析的結(jié)果更加接近自然語(yǔ)言的形式。Vashishtha等[29]建立了基于9種模糊規(guī)則的無(wú)監(jiān)督模型,用于分析社交媒體帖子的情感極性。Gutiérrez-Batista等[30]使用模糊邏輯和多維分析技術(shù),構(gòu)建了一種適用于不同情感維度的情感分析方法。

情感分析方法的發(fā)展使其能夠適應(yīng)決策問(wèn)題中屬性多維度和風(fēng)險(xiǎn)不確定的特征。因此,將情感分析方法用于支持決策成為了近年來(lái)的一個(gè)研究熱點(diǎn)。例如,Dahooie等[31]提出一種基于直覺(jué)模糊集的情感分析與多屬性決策相結(jié)合的方法。Zuheros等[32]構(gòu)建了端到端多任務(wù)深度學(xué)習(xí)模型,用于提取群決策中專(zhuān)家評(píng)論包含的屬性和意見(jiàn)值。

1.3 社會(huì)網(wǎng)絡(luò)分析

社會(huì)網(wǎng)絡(luò)可以用于衡量個(gè)人、組織、國(guó)家等社會(huì)實(shí)體間的關(guān)系,社會(huì)網(wǎng)絡(luò)分析則是一種研究網(wǎng)絡(luò)中成員位置屬性和結(jié)構(gòu)平衡的重要工具[33]。在社會(huì)網(wǎng)絡(luò)中,成員間的關(guān)系可以描述為合作、交流、信任等多種形式。下面以信任關(guān)系為例,介紹社會(huì)網(wǎng)絡(luò)的定義。

定義 6[34]設(shè)成員集合為E={e1,e2,…,em},則社會(huì)網(wǎng)絡(luò)可以表示為G(E,B),其中B為有向邊(ei,ej)的集合,表示成員間的信任關(guān)系。對(duì)于ei,ej∈E且i≠j,若(ei,ej)∈B,則ei信任ej。

社會(huì)網(wǎng)絡(luò)通常有網(wǎng)絡(luò)圖、代數(shù)和鄰接矩陣3種表示方式,下面給出社會(huì)網(wǎng)絡(luò)鄰接矩陣的定義。

定義 7[35]在社會(huì)網(wǎng)絡(luò)G(E,B)中,設(shè)有向邊(ei,ej)的權(quán)重為μij∈[0,1],代表成員ei對(duì)ej的信任程度,則社會(huì)網(wǎng)絡(luò)G(E,B)的鄰接矩陣Μ的元素可表示為

(9)

2 問(wèn)題描述與方法原理

2.1 問(wèn)題描述

當(dāng)突發(fā)事件發(fā)生后,為保證應(yīng)急決策的準(zhǔn)確性和時(shí)效性,當(dāng)?shù)卣畷?huì)成立一個(gè)由多位不同領(lǐng)域?qū)＜医M成的臨時(shí)應(yīng)急決策小組。在不同的時(shí)段,決策小組需要及時(shí)對(duì)事件狀態(tài)、外部環(huán)境等因素進(jìn)行研判,做出科學(xué)的決策。該過(guò)程可以視作一個(gè)動(dòng)態(tài)大群體決策過(guò)程,即一組專(zhuān)家(一般人數(shù)大于20)在不同階段就多個(gè)決策屬性對(duì)備選方案進(jìn)行排序和選擇的過(guò)程。與此同時(shí),社會(huì)公眾在社交媒體上就事件及相關(guān)決策發(fā)表自己的觀點(diǎn),這些文本數(shù)據(jù)包含公眾的需求、情感、行為模式等信息,可以實(shí)時(shí)為應(yīng)急決策提供輔助。在決策過(guò)程中,專(zhuān)家將參考這些信息,作為調(diào)整決策方案的依據(jù),由此形成公眾專(zhuān)家協(xié)同的動(dòng)態(tài)決策模式。下面分別從專(zhuān)家和公眾的層面給出問(wèn)題涉及變量的符號(hào)及含義,如表1和表2所示。

表1 專(zhuān)家層面變量

表2 公眾層面變量

2.2 備選方案的選擇過(guò)程

備選方案的選擇由各領(lǐng)域?qū)＜医M成的大群體完成,使用加權(quán)逼近理想解排序(technique for order preference by similarity to ideal solution,TOPSIS)方法計(jì)算方案排序。

(10)

然后,采用Pang等[19]提出的方法,分別構(gòu)造方案的正、負(fù)理想解。方案的正理想解記作:

(11)

方案的負(fù)理想解記作:

(12)

最后,根據(jù)屬性權(quán)重Wt,分別構(gòu)造方案與正、負(fù)理想解的加權(quán)漢明距離,從而計(jì)算各方案的加權(quán)貼近度。在階段t,方案xl的加權(quán)貼近度記作:

(13)

2.3 基于社交媒體數(shù)據(jù)情感分析的應(yīng)急決策質(zhì)量評(píng)價(jià)方法

在應(yīng)急決策方案實(shí)施后,需要及時(shí)評(píng)估決策質(zhì)量,為后續(xù)決策方案調(diào)整提供參考。考慮到應(yīng)急決策的社會(huì)性,使用公眾生成的社交媒體數(shù)據(jù)評(píng)估大群體應(yīng)急決策質(zhì)量。具體步驟如下所述,方法流程圖如圖1所示。

圖1 大群體應(yīng)急決策質(zhì)量評(píng)價(jià)方法流程Fig.1 Flowchart of large-group emergency decision-making quality evaluation method

首先,在某一突發(fā)事件發(fā)生且一次決策過(guò)程完成后,使用爬蟲(chóng)軟件根據(jù)事件關(guān)鍵詞爬取階段t內(nèi)社交媒體中產(chǎn)生的帖子,將其作為原始數(shù)據(jù)集。

其次,進(jìn)行數(shù)據(jù)預(yù)處理。這一步的目的是提高數(shù)據(jù)質(zhì)量,并篩選出與決策相關(guān)的數(shù)據(jù),具體包括以下3個(gè)步驟。

(1) 數(shù)據(jù)清洗。剔除文本為空值、亂碼的帖子,并刪除文本中的英文、數(shù)字、符號(hào)、URL和emoji表情,得到Pt。

(2) 文本分詞。使用Python3.6中的jieba模塊,對(duì)帖子進(jìn)行分詞處理,并參照“哈工大停用詞表”和“百度停用詞表”,將結(jié)果中的停用詞去除,得到Uth。

第三,分別對(duì)每個(gè)集合Ptj中的所有帖子進(jìn)行情感分析,包括以下兩個(gè)步驟。

表3 情感分類(lèi)規(guī)則

第四,根據(jù)情感分類(lèi)的結(jié)果計(jì)算屬性層決策質(zhì)量。情感分析的結(jié)果具有模糊性,Song等[38]認(rèn)為,采用概率語(yǔ)言術(shù)語(yǔ)集的形式能夠更準(zhǔn)確地反映短文本情感極性的可能性。因此,將帖子的情感分類(lèi)結(jié)果轉(zhuǎn)化為概率語(yǔ)言術(shù)語(yǔ)集作為評(píng)價(jià)屬性層決策質(zhì)量的指標(biāo),使其具有不確定性。對(duì)于屬性cj,其在階段t時(shí)的決策質(zhì)量記作:

(14)

最后,使用PLWA算子對(duì)每個(gè)屬性cj的決策質(zhì)量進(jìn)行加權(quán)平均,得到階段t時(shí)的綜合決策質(zhì)量Qt,記作:

(15)

2.4 基于決策質(zhì)量的屬性權(quán)重動(dòng)態(tài)更新方法

隨著突發(fā)事件態(tài)勢(shì)和外部環(huán)境的變化,應(yīng)急決策需要關(guān)注的重點(diǎn)也在發(fā)生變化,這在大群體應(yīng)急決策中可以描述為決策屬性權(quán)重的變化。因此,在第2.3節(jié)的基礎(chǔ)上,提出了一種基于決策質(zhì)量的屬性權(quán)重動(dòng)態(tài)調(diào)整方法,依據(jù)當(dāng)前階段的屬性權(quán)重和決策質(zhì)量確定下一階段的屬性權(quán)重,使決策問(wèn)題更加符合現(xiàn)實(shí)情況。

(16)

(17)

其中,式(16)表示屬性權(quán)重更新過(guò)程,式(17)為屬性權(quán)重歸一化過(guò)程。

2.5 基于決策質(zhì)量和社會(huì)網(wǎng)絡(luò)的專(zhuān)家權(quán)重動(dòng)態(tài)更新方法

在大群體應(yīng)急決策過(guò)程中,由于專(zhuān)家的專(zhuān)業(yè)領(lǐng)域、知識(shí)水平等特征存在差異,因此其在同一階段所做出的決策的質(zhì)量也是不同的,這也在一定程度上影響了專(zhuān)家間的信任水平,即社會(huì)網(wǎng)絡(luò)關(guān)系。而在大群體決策問(wèn)題中,社會(huì)網(wǎng)絡(luò)關(guān)系往往會(huì)影響專(zhuān)家的權(quán)重[39-40]。因此,在第2.3節(jié)的基礎(chǔ)上,提出一種基于決策質(zhì)量和社會(huì)網(wǎng)絡(luò)的專(zhuān)家權(quán)重動(dòng)態(tài)更新方法,對(duì)于做出高質(zhì)量決策的專(zhuān)家,其他專(zhuān)家對(duì)他們的信任程度會(huì)增加,進(jìn)而提高其在下一階段決策中的權(quán)重,反之則同理。

(18)

由式(18)可知,ΔQt∈[0,1]。

其次,計(jì)算t階段時(shí)各專(zhuān)家偏好與群體偏好的差異度。在t階段時(shí),將專(zhuān)家ei的偏好與群體偏好的差異度表示為二者在各個(gè)備選方案下的距離均值,記作

(19)

(20)

最后,更新t+1階段時(shí)的專(zhuān)家權(quán)重。PageRank算法[41]根據(jù)網(wǎng)頁(yè)間的出入鏈關(guān)系測(cè)算網(wǎng)頁(yè)的影響力。因此,引入信任度這一指標(biāo)對(duì)該算法進(jìn)行改進(jìn),用于求解專(zhuān)家權(quán)重。專(zhuān)家ei在t+1階段時(shí)的影響力可以表示為所有信任他的專(zhuān)家的加權(quán)平均影響力,記作:

(21)

(22)

2.6 公眾專(zhuān)家動(dòng)態(tài)協(xié)同大群體應(yīng)急決策步驟

基于上文內(nèi)容,總結(jié)出公眾專(zhuān)家動(dòng)態(tài)協(xié)同大群體應(yīng)急決策方法步驟,具體步驟如下,方法流程圖如圖2所示。

步驟 1參數(shù)初始化。設(shè)定決策總階段數(shù)T并初始化當(dāng)前決策階段為t=0,決策專(zhuān)家根據(jù)歷史經(jīng)驗(yàn)給出決策屬性集合C及其初始權(quán)重W0,并設(shè)定每個(gè)決策屬性相關(guān)的關(guān)鍵詞詞典Vj。然后,由專(zhuān)家評(píng)估彼此間的信任關(guān)系和信任穩(wěn)定度,得到初始社會(huì)網(wǎng)絡(luò)G0(E,B)并據(jù)此得到初始專(zhuān)家權(quán)重向量Ω0。

步驟 2收集專(zhuān)家偏好信息Ati,并使用加權(quán)TOPSIS法對(duì)其集結(jié)得到備選方案排序。

步驟 3收集階段t內(nèi)關(guān)于各決策屬性的社交媒體數(shù)據(jù),并進(jìn)行數(shù)據(jù)預(yù)處理,得到與決策屬性相關(guān)的帖子集合Ptj。

步驟 6更新階段t+1時(shí)的專(zhuān)家社會(huì)網(wǎng)絡(luò)Gt+1(E,B)。

步驟 7更新階段t+1時(shí)的專(zhuān)家權(quán)重向量Ωt+1。對(duì)于基準(zhǔn)值Qt*,當(dāng)t=0時(shí),令Qt*={s0,s0.2,s0.4,s0.6,s0.8};當(dāng)t>0時(shí),令Qt*=Q(t-1)。

步驟 8更新決策階段。判斷是否有t

需要說(shuō)明的是,由于不同類(lèi)型的突發(fā)事件的決策階段持續(xù)時(shí)間不同,因此需要依靠專(zhuān)家研判決策是否進(jìn)入下一階段。例如,在地震災(zāi)害或飛行器事故中,可以考慮以救援黃金48 h為階段更新依據(jù)。

3 案例分析與對(duì)比分析

3.1 案例背景

2022年3月21日,東航一架波音737客機(jī)于廣西梧州上空失聯(lián)并墜毀。事故發(fā)生后,當(dāng)?shù)叵啦筷?duì)火速前往現(xiàn)場(chǎng)展開(kāi)救援,政府部門(mén)也成立了應(yīng)急處置指揮部,召集各個(gè)領(lǐng)域?qū)＜?對(duì)此次航空事故進(jìn)行科學(xué)研判,做出及時(shí)有效的決策。本文以2日為一個(gè)決策階段,并選取事故的前兩個(gè)階段進(jìn)行決策模擬與分析。

將決策階段記作t=0與t=1,擬邀請(qǐng)20位來(lái)自不同領(lǐng)域的專(zhuān)家,在每個(gè)階段開(kāi)始時(shí)(即3月21日與3月23日)根據(jù)當(dāng)前情況在4個(gè)備選方案中進(jìn)行決策。將專(zhuān)家集合記作E={ei|i=1,2,…,20};將備選方案集合記作X={x1,x2,x3,x4},方案具體內(nèi)容如下。

x1:派出當(dāng)?shù)丶爸苓叺貐^(qū)的消防、公安等隊(duì)伍對(duì)現(xiàn)場(chǎng)核心區(qū)域進(jìn)行搜救,全力救援幸存者及其物品,并確認(rèn)遇難者身份;與旅客親屬取得聯(lián)系,并安排其前往事發(fā)地;與相關(guān)責(zé)任主體進(jìn)行溝通;實(shí)時(shí)公布搜救進(jìn)展,每日召開(kāi)新聞發(fā)布會(huì)。

x2:派出當(dāng)?shù)叵?、公安等?duì)伍對(duì)現(xiàn)場(chǎng)及周邊區(qū)域進(jìn)行搜救并設(shè)置機(jī)動(dòng)組,廣泛搜尋幸存者;重點(diǎn)尋找黑匣子等重要通訊設(shè)備;告知旅客家屬前往現(xiàn)場(chǎng),開(kāi)展全程服務(wù)保障和安撫溝通工作;及時(shí)公布關(guān)鍵性搜救進(jìn)展,每日召開(kāi)新聞發(fā)布會(huì),并加強(qiáng)謠言治理。

x3:多支消防隊(duì)伍分批次開(kāi)展搜救,擴(kuò)大搜索范圍;在繼續(xù)搜索生還者的同時(shí)加強(qiáng)飛機(jī)殘骸和設(shè)備的搜索力度,并進(jìn)行譯碼和檢驗(yàn);安置旅客家屬的住宿,并派出心理救援隊(duì)進(jìn)行一對(duì)一心理疏導(dǎo);啟動(dòng)理賠程序;階段性公布搜救與調(diào)查進(jìn)展,定期召開(kāi)新聞發(fā)布會(huì),并加強(qiáng)謠言治理。

x4:搜救隊(duì)伍由核心區(qū)域向飛行航線方向進(jìn)行更精準(zhǔn)、細(xì)致的搜尋,重點(diǎn)搜索飛機(jī)的殘骸和關(guān)鍵設(shè)備;加快黑匣子的譯碼和檢驗(yàn)進(jìn)度,對(duì)事故原因進(jìn)行全面分析調(diào)查,懲處主要責(zé)任人;組織家屬前往現(xiàn)場(chǎng)悼念并協(xié)助進(jìn)行殯葬服務(wù);在取得關(guān)鍵性調(diào)查進(jìn)展后公布進(jìn)展并召開(kāi)新聞發(fā)布會(huì),嚴(yán)厲查處個(gè)人發(fā)布的虛假消息。

在每一階段的大群體應(yīng)急決策完成后,方案開(kāi)始逐步實(shí)施,公眾群體亦會(huì)在社交網(wǎng)絡(luò)中發(fā)表關(guān)于決策的意見(jiàn)觀點(diǎn),大量有價(jià)值的數(shù)據(jù)與決策同時(shí)異步產(chǎn)生,對(duì)這些源于公眾的數(shù)據(jù)進(jìn)行獲取、處理、分析,可以判斷出大群體應(yīng)急決策的質(zhì)量,作為調(diào)整下一階段大群體應(yīng)急決策的依據(jù)。

3.2 決策過(guò)程

該決策問(wèn)題分為兩個(gè)階段進(jìn)行,即T=1,初始化決策階段為t=0,選擇“人員搜救”(c1)、“安置善后”(c2)、“輿情管理”(c3)、“事故原因及追責(zé)”(c4)、“時(shí)效性”(c5)作為決策屬性。根據(jù)專(zhuān)家經(jīng)驗(yàn),設(shè)定t=0時(shí)的屬性權(quán)重向量為W0=(0.32,0.18,0.16,0.14,0.20)。由專(zhuān)家評(píng)估彼此間的信任關(guān)系和信任穩(wěn)定度,得到初始社會(huì)網(wǎng)絡(luò)G0(E,B)以及信任鄰接矩陣M0:

由此,可以得到t=0時(shí)的專(zhuān)家權(quán)重向量Ω0,如表4所示。

表4 專(zhuān)家權(quán)重向量(t=0)

然后,設(shè)定決策屬性的關(guān)鍵詞詞典對(duì)社交媒體數(shù)據(jù)進(jìn)行分類(lèi),如表5所示。

表5 屬性關(guān)鍵詞詞典

(1)t=0時(shí)

步驟 1設(shè)定五粒度語(yǔ)言術(shù)語(yǔ)集為S={s0,s1,s2,s3,s4}。其中,s0～s4分別表示“非常差”“較差”“一般”“較好”“非常好”。每位專(zhuān)家以概率語(yǔ)言術(shù)語(yǔ)集的形式給出對(duì)各方案的偏好A0i,專(zhuān)家e1的偏好矩陣A01如下所示:

表6 備選方案的加權(quán)貼近度及其排序(t=0)

因此,方案排序?yàn)閤1fx3fx2fx4,最優(yōu)方案為x1。

步驟 2選取新浪微博為平臺(tái),根據(jù)“東航MU5735”“空難事故”等字段,使用python3.6中的request,scrapy等模塊,爬取階段t=0時(shí)的帖子,共得到31.7萬(wàn)余條數(shù)據(jù)。根據(jù)各屬性的關(guān)鍵詞集合Vj篩選出與屬性相關(guān)的帖子集合P0j,其具體內(nèi)容示例及數(shù)量如表7所示。

表7 屬性相關(guān)的帖子集合(t=0)

步驟 3使用Python3.6中的SnowNLP、numpy等模塊分別對(duì)集合P0j中的帖子進(jìn)行情感分析,為提升精度,對(duì)SnowNLP模塊中的Sentiment模型使用帶標(biāo)注的微博數(shù)據(jù)重新進(jìn)行訓(xùn)練。

表8 屬性層決策質(zhì)量(t=0)

使用PLWA算子對(duì)各屬性的決策質(zhì)量集結(jié)得到t=0時(shí)的綜合決策質(zhì)量Q0={s0,s0.221 0,s0.471 2,s0.643 6,s0.706 2}。

步驟 4更新t=1時(shí)的屬性權(quán)重。根據(jù)第3.3節(jié)提出的屬性權(quán)重調(diào)整原則可以看出:相較于當(dāng)前階段,屬性c2與c3的權(quán)重需要提高;屬性c1的權(quán)重需要降低;屬性c4與c5的權(quán)重需要保持不變。根據(jù)式(16)和式(17),更新t=1時(shí)的屬性權(quán)重向量W1,結(jié)果如表9所示。

表9 屬性權(quán)重向量(t=1)

步驟 5更新t=1時(shí)的專(zhuān)家權(quán)重。由于Q0>Q0*,專(zhuān)家間的信任度上升。根據(jù)式(18),得到專(zhuān)家信任鄰接矩陣M1如下所示:

更新t=1時(shí)的專(zhuān)家權(quán)重向量,結(jié)果如表10所示。

表10 專(zhuān)家權(quán)重向量(t=1)

步驟 6令t=t+1,返回步驟2。

(2)t=1時(shí)

該階段決策步驟與t=0時(shí)相同,故不作詳細(xì)闡述,分別給出備選方案排序、屬性權(quán)重向量W2、專(zhuān)家權(quán)重向量Ω2,結(jié)果如表11～表13所示。

表11 備選方案的加權(quán)貼近度及其排序(t=1)

表12 屬性權(quán)重(t=2)

表13 專(zhuān)家權(quán)重(t=2)

3.3 對(duì)比分析

為驗(yàn)證方法的有效性和優(yōu)越性,下面分別針對(duì)屬性權(quán)重計(jì)算方法和專(zhuān)家權(quán)重更新方法與現(xiàn)有文獻(xiàn)進(jìn)行對(duì)比分析。

3.3.1 屬性權(quán)重計(jì)算方法的對(duì)比

許多大群體決策相關(guān)的研究都提出了屬性權(quán)重計(jì)算方法,因此將本文提出的屬性權(quán)重計(jì)算方法與文獻(xiàn)[42]和文獻(xiàn)[43]進(jìn)行定性比較,并以案例分析中的數(shù)據(jù)為基礎(chǔ),使用3種方法分別計(jì)算t=0與t=1時(shí)的屬性權(quán)重W0,W1,結(jié)果如表14和表15所示。

表14 不同屬性權(quán)重更新方法對(duì)比

表15 各方法下的屬性權(quán)重

對(duì)結(jié)果進(jìn)行對(duì)比發(fā)現(xiàn),3種方法在兩階段下各屬性權(quán)重排序的相似度都較高,這表明本文提出的方法是合理且有效的。但從動(dòng)態(tài)的視角來(lái)看,同一屬性權(quán)重在3種方法下的變化方向和變化量具有較大的差異。另一方面,相比本文提出的方法,在文獻(xiàn)[42]和文獻(xiàn)[43]提出的方法中,屬性權(quán)重變化的幅度更大且集中于個(gè)別屬性。其原因在于:文獻(xiàn)[43]依據(jù)每個(gè)階段專(zhuān)家偏好的熵值確定屬性權(quán)重,而沒(méi)有結(jié)合應(yīng)急決策的現(xiàn)實(shí)情況,因此屬性權(quán)重的變化完全依賴(lài)于專(zhuān)家觀點(diǎn)的變化。而文獻(xiàn)[42]雖引入公眾大數(shù)據(jù)計(jì)算屬性權(quán)重,考慮了公眾對(duì)應(yīng)急決策的關(guān)注點(diǎn)和需求,但數(shù)據(jù)在屬性關(guān)鍵詞上的分布特征增加了屬性權(quán)重變化的隨機(jī)性。此外,文獻(xiàn)[42]使用的公眾大數(shù)據(jù)與決策過(guò)程在時(shí)序上是同步的,沒(méi)有考慮應(yīng)急決策的時(shí)效性。本文對(duì)社交媒體數(shù)據(jù)進(jìn)行情感分析評(píng)價(jià)屬性層應(yīng)急決策質(zhì)量,在此基礎(chǔ)上更新下一階段的屬性權(quán)重,減小了屬性權(quán)重變化的隨機(jī)性,且本文考慮了應(yīng)急決策的時(shí)效性和實(shí)施效果。綜上所述,本文所提方法具有一定的優(yōu)越性。

3.3.2 專(zhuān)家權(quán)重更新方法的對(duì)比

文獻(xiàn)[18]提出了基于應(yīng)急決策質(zhì)量的專(zhuān)家權(quán)重更新方法,因此將本文提出的應(yīng)急決策質(zhì)量評(píng)價(jià)方法和專(zhuān)家權(quán)重更新方法的原理與文獻(xiàn)[18]進(jìn)行對(duì)比,結(jié)果如表16所示。

表16 決策質(zhì)量評(píng)價(jià)方法及專(zhuān)家權(quán)重更新方法對(duì)比

進(jìn)一步地,采用仿真實(shí)驗(yàn)定量說(shuō)明兩種方法的差異。設(shè)定決策階段總數(shù)T=5,在每一階段t隨機(jī)生成專(zhuān)家偏好矩陣Ati(i=1,2,…,20)以及綜合決策質(zhì)量Qt,并將Qt轉(zhuǎn)化為文獻(xiàn)[18]中的決策質(zhì)量評(píng)價(jià)結(jié)果。分別使用兩種方法計(jì)算專(zhuān)家權(quán)重Ωt并進(jìn)行排序(排序結(jié)果不予展示),然后計(jì)算相鄰兩階段專(zhuān)家權(quán)重向量Ωt與Ωt-1的歐氏距離,將該距離記作dis(Ωt,Ωt-1),繪制折線圖如圖3所示。隨著t的增大,兩種方法下專(zhuān)家權(quán)重排序的相似度逐漸提高,其原因在于本文和文獻(xiàn)[18]均將決策質(zhì)量和專(zhuān)家偏好與群體偏好的距離作為更新專(zhuān)家權(quán)重的影響因素,這也表明本文所提方法是合理且有效的。但就圖3顯示的結(jié)果而言,兩種方法下的dis(Ωt,Ωt-1)存在較大差異,在設(shè)定T=5的情況下,使用文獻(xiàn)[18]方法得到的dis(Ωt,Ωt-1)值更大且呈顯著的下降趨勢(shì),而使用本文方法得到的dis(Ωt,Ωt-1)值更小且穩(wěn)定。其原因在于:文獻(xiàn)[18]在每一階段判斷專(zhuān)家是否做出正確決策,并基于大數(shù)定律,根據(jù)專(zhuān)家歷史決策的正確率更新專(zhuān)家權(quán)重,因此專(zhuān)家權(quán)重會(huì)隨著決策階段的推進(jìn)而逐漸收斂。本文則根據(jù)應(yīng)急決策質(zhì)量等因素修改專(zhuān)家信任關(guān)系,并基于社會(huì)網(wǎng)絡(luò)分析的方法更新專(zhuān)家權(quán)重,因此專(zhuān)家權(quán)重的變化始終保持在一定范圍內(nèi),而不受時(shí)間的影響。綜上所述,相比文獻(xiàn)[18]所提方法,使用本文方法得到的專(zhuān)家權(quán)重在決策初期變化幅度更小,有利于維持決策專(zhuān)家群體內(nèi)部穩(wěn)定,而在決策后期變化幅度更大,使專(zhuān)家之間保持一定的區(qū)分度。

圖3 相鄰兩階段專(zhuān)家權(quán)重向量距離Fig.3 Distance between expert weight vector in adjacent two stages

4 結(jié)束語(yǔ)

在互聯(lián)網(wǎng)技術(shù)高速發(fā)展和社交媒體廣泛普及的背景下,面向突發(fā)公共安全事故的大群體應(yīng)急決策模式和方法需要更好地體現(xiàn)公眾和專(zhuān)家間的動(dòng)態(tài)協(xié)同。因此,本文基于文本數(shù)據(jù)分析提出了大群體應(yīng)急決策質(zhì)量評(píng)價(jià)方法,并圍繞應(yīng)急決策質(zhì)量,提出了動(dòng)態(tài)大群體應(yīng)急決策的屬性權(quán)重更新方法和專(zhuān)家權(quán)重更新方法,構(gòu)建了“公眾-專(zhuān)家”動(dòng)態(tài)協(xié)同的大群體應(yīng)急決策流程。相比以往的研究,本文具有如下創(chuàng)新點(diǎn):① 通過(guò)對(duì)社交媒體數(shù)據(jù)進(jìn)行情感分析,分別從屬性層面和決策整體層面提出了大群體應(yīng)急決策質(zhì)量評(píng)價(jià)方法,相比以往方法更加系統(tǒng)、全面,也更好地體現(xiàn)了應(yīng)急決策的社會(huì)性。② 基于公眾視角下的大群體應(yīng)急決策質(zhì)量評(píng)價(jià)結(jié)果更新決策屬性權(quán)重和專(zhuān)家權(quán)重,從應(yīng)急決策實(shí)際效果的角度考慮了決策動(dòng)態(tài)性,強(qiáng)化了公眾和專(zhuān)家間的協(xié)同性。③ 將當(dāng)前階段的社交媒體數(shù)據(jù)用于輔助下一階段的大群體應(yīng)急決策,考慮了信息的時(shí)間維度,保障了公眾大數(shù)據(jù)環(huán)境下大群體應(yīng)急決策的時(shí)效性。④ “3.21”東航MU5732飛行器事故的案例應(yīng)用與對(duì)比分析結(jié)果驗(yàn)證了方法的有效性和優(yōu)越性。

但本文還存在以下局限:① 使用Python3.6中的SnowNLP庫(kù)進(jìn)行情感分析,未來(lái)將使用諸如方面級(jí)情感分析等更創(chuàng)新的方法以適應(yīng)特征更復(fù)雜的數(shù)據(jù)。② 研究了大群體應(yīng)急決策中決策屬性權(quán)重和專(zhuān)家權(quán)重的動(dòng)態(tài)更新,未來(lái)將考慮更多決策要素的動(dòng)態(tài)更新,如決策屬性集的變化、專(zhuān)家的進(jìn)入與退出等。③ 專(zhuān)家間的信任度和信任穩(wěn)定度需要人為提供,未來(lái)將采用更高效的方式構(gòu)建專(zhuān)家社會(huì)網(wǎng)絡(luò),如基于行為大數(shù)據(jù)刻畫(huà)專(zhuān)家畫(huà)像等。