新冠疫情下重慶市城市軌道交通運營風險評價

張尚毅，周米娜，鄭先勇

(重慶交通大學 經濟與管理學院，重慶 400074)

0 引 言

2020年1月，在我國發生了新型冠狀病毒肺炎疫情(簡稱“新冠疫情”)公共衛生事件，為了切斷疫情傳播路徑、控制人員流動，我國實施了“患者隔離”“人群分離”“減少接觸”等應對措施，及時有效地防控了疫情，但也減少了人們出行頻率，城市軌道交通客運量大幅度下降。根據《國家突發公共衛生事件應急預案》[1]，突發公共衛生事件可劃分為特別重大、重大、較大和一般4級(表1)。可見，新冠疫情屬于特別重大(I級)危害程度公共衛生事件，有必要開展其對城市軌道交通運營影響程度研究。

表1 公共衛生事件等級劃分Table 1 Classification of public health events

國內外學者[2-4]分別運用模糊層次分析法、組合權重法和云模型對城市軌道交通運營風險進行了分析評估；黃宏偉等[5]分析了國內外地鐵運營管理體系的異同點；葉慶輝等[6]利用綜合性分析方法探討了城市軌道交通運營風險；陳曉[7]運用系統動力學、楊興宇[8]運用模糊ISM模型和FMICMAC模型、劉福澤等[9]運用結合TEI@I方法論的貝葉斯網絡模型分別對城市軌道交通各方面運營風險進行了評估和分析；馮旭杰等[10]、付逸飛[11]分別從城市軌道運營方及公安機關的角度分析了新冠疫情的影響；曹磊等[12]對新冠疫情下城軌運營防疫提出了相關建議；徐建國等[13]針對突發事件提出了風險預警機制。

筆者以重慶市為例，開展了針對新冠疫情公共衛生事件下城市軌道交通運營風險的研究，通過構建的貝葉斯網絡模型，對特大公共衛生事件下城市軌道交通運營風險進行了評估。研究結果可為城市軌道交通企業把握風險重點、風險程度，快速做出風險應對決策提供理論依據。

1 貝葉斯網絡

貝葉斯網絡適合分析具有不確定性的概率事件，可以在信息不充分、不確定的情況下對事件做出合理判斷。貝葉斯網絡的理論依據來自于貝葉斯公式(1)和全概率公式(2)：

(1)

(2)

式中：P(y|x)為事件x已經發生下事件y發生的概率，為后驗概率；P(x|y)為似然概率；P(x)、P(y)分別為在完全不考慮其他因素情況下事件x、y發生的概率，為先驗概率；i為事件個數。

貝葉斯網絡由有向無環圖和條件概率集構成，如圖1，節點A、B為父節點，節點C為子節點，父節點與子節點之間用有向線段銜接。

圖1 貝葉斯網絡示意Fig. 1 Schematic diagram of Bayesian network

可見，給定所有節點的先驗概率及每個節點的概率集，即可得到包含所有節點的聯合概率分布(3)：

P(A,B,C)=P(C|A,B)P(A,B)=

P(C|A,B)P(A)P(B)

(3)

式中：P(C|A,B)為節點A、B發生時節點C發生的條件概率；P(A)、P(B)分別為節點A、節點B發生的先驗概率。

若一個復雜貝葉斯網絡有節點V1,V2, …,Vn,且相互獨立，則聯合概率分解為式(4)：

P(V1,V2,…,Vn)=P(V1)P(V2|V1)…

P(Vn|V1,V2,…,Vn-1)

(4)

設π(Vi)為Vi父節點，則在條件獨立的情況下，式(4)可簡化為式(5)：

(5)

2 案例分析

2.1 模型構建

筆者運用Netica軟件建模。假設同層內各因素間都是相互獨立的，各層級風險因素的先驗概率與條件概率主要通過專家打分、專家訪談等方式獲得。

2.2 風險評價指標體系

在公共衛生事件背景下，城市軌道交通主要存在4大風險：經營風險Y1、應急管理風險Y2、乘客風險Y3及公共安全管理風險Y4，其下又包括12個指標。據此，構建城市軌道交通運營風險評價指標體系，見表2。

表2 城市軌道交通運營風險評價指標體系Table 2 Risk assessment index system of urban rail transit operation

圖2為公共衛生事件下城市軌道交通運營風險指標和風險誘因貝葉斯網絡拓撲圖。圖中：每個圓框中的狀態表示該風險是否發生的先驗概率；節點間帶箭頭的有向線段表示貝葉斯網絡的構造關系。

圖2 貝葉斯網絡拓撲圖Fig. 2 Bayesian network topology

公共衛生事件下，4大風險Y1～Y4連接城市軌道交通運營總風險Z。總風險分高、中、低3級，分別表示影響與損失程度為較大、一般、較低。根據高、中、低風險概率分布，可判斷風險等級以及所造成的損失程度。

2.3 模型計算與結果推理分析

2.3.1 子模型實例計算

1)邀請5位政府相關管理部門專家、15位軌道公司相關專家、15位高校專家共計35位專家填寫問卷，收集節點的先驗概率與條件概率，其中先驗概率為新冠疫情中后期重慶市城市軌道交通運營現狀的概率分布。

2)采用均值法對采集的數據進行處理，得到各節點條件概率分布。

由于節點較多，筆者僅截取經營風險子模型(圖3)進行說明。

圖3 經營風險子貝葉斯網絡拓撲圖Fig. 3 Topology of sub-Bayesian network of operation risk

經營風險的父節點的先驗概率見表3，條件概率分布見表4。

表3 先驗概率Table 3 Prior probability

表4 條件概率Table 4 Conditional probability

表4的含義說明，以第1列數值為例，表示當客票收益高(X1=high)、采購防疫物資成本高(X2=high)、設備與人員防疫管理費用高(X3=high)時，經營風險處于高風險(Y1=high)的概率P(Y1|Y1=high) =0.13，處于中等風險的概率P(Y1|Y1=medium) =0.46，處于低風險的概率P(Y1|Y1=low) =0.41。

根據式(5)，結合表3先驗概率和表4各節點條件概率，可計算得出案例中經營風險節點的概率分布：經營風險處于高風險的概率P(Y1|Y1=high) =0.239，處于中風險的概率P(Y1|Y1=medium) =0.344，處于低風險的概率P(Y1|Y1=low) =0.416。

運用Netica軟件，輸入各節點先驗概率與條件概率，從而得到重慶市新冠疫情中后期城市軌道交通運營總風險概率分布，如圖4。

2.3.2 風險節點狀態正向推理

由圖4可以看出，新冠疫情中后期重慶市城市軌道交通運營總風險處于高風險(Z=high)、中風險(Z=medium)、低風險(Z=low)的概率分別為P(Z|Z=high)=22.7%、P(Z|Z=medium)=39.4%、P(Z|Z=low)=37.9%。表明，新冠疫情中后期，疫情給重慶市城市軌道交通運營帶來損失的程度為一般。

將先驗概率調整為新冠疫情初期的狀態，如圖5。由圖5可見：在新冠疫情初期，重慶市城市軌道交通運營總風險Z處于高、中、低風險的概率分別為P(Z|Z=high)=42.1%、P(Z|Z=medium)=37.1%、P(Z|Z=low)=20.8%。表明，新冠疫情初期，總風險Z為高風險的概率比中后期的大，為中、低風險的概率比中后期的低。說明新冠疫情初期給重慶市城市軌道交通帶來的損失程度較高，這個結論與實際相吻合。

圖4 新冠疫情中后期貝葉斯網絡正向推理拓撲圖概率結果Fig. 4 Probability results of forward inference topology of Bayesian network in the middle and later stage of COVID-19

圖5 新冠疫情初期貝葉斯網絡正向推理拓撲圖概率結果Fig. 5 Probability results of forward inference topology of Bayesian network in the early stage of COVID-19

2.3.3 風險節點狀態逆向推理

貝葉斯網絡還可以很方便地進行逆向推理。如果觀察到公共衛生事件下城市軌道交通運營總風險概率狀態的變化，則可以了解相關父節點的后驗概率。

如圖6，若新冠疫情下重慶市城市軌道交通運營總風險處于高風險的概率為P(Z|Z=high)=100%，則經營風險處于高風險的概率P(Y1|Y1=high) =55.9%，應急管理風險處于高風險的概率P(Y2|Y2=high) =28.2%，乘客風險處于高風險的概率P(Y3|Y3=high) =26%，公共安全管理風險處于高風險的概率P(Y4|Y4=high) =17%。可見，在新冠疫情下，當城市軌道交通運營總風險Z處于高風險的概率P(Z|Z=high)高時，經營風險、應急管理風險為主要風險。

圖6 貝葉斯網絡風險節點狀態逆向推理結果拓撲圖Fig. 6 Topology of reverse inference results of risk node status in Bayesian network

可以通過分析各二級指標與一級指標的關聯度來判斷4大風險對運營總風險的影響程度。首先，確定自變量與因變量，設一級指標Z處于高風險的概率變化值ΔPZ為自變量，二級指標Y1、Y2、Y3、Y4處于高風險的概率變化值ΔPYi(i=1～4)為因變量，則逆向關聯度ηYi為：

(6)

根據式(6)，當重慶市城市軌道交通運營總風險處于高風險的概率P(Z|Z=high) =0%→100%時，各二級指標的風險處于高風險的逆向關聯度為：

可見，在新冠疫情下，4大風險對重慶市城市軌道交通運營總風險影響程度排序為：經營風險>應急管理風險>乘客風險>公共安全管理風險。

2.4 防控措施建議

2.4.1 優化城市軌道交通運營防疫效率

城市軌道交通企業應設置系統的內部人員健康監測管控機制和科學的防疫流程，以最短的防疫消毒時間和最合適的防疫費用實現高效防疫。在城市軌道交通運營前，對工作人員進行統一健康監測，落實防疫工作安排，明確防疫責任；在城市軌道交通運營中，保證列車與站臺通風，及時清運站點與列車垃圾，定時為站點、列車進行防疫消毒；在城市軌道交通運營后，集中統一對站點、列車進行防疫消毒，監測內部人員健康情況，及時總結匯報當日防疫工作完成情況。

2.4.2 統籌調配應急物資

在應急物資體系上，依照重要商品儲備機制，整合防控資源，建立軌道交通公共衛生事件防護物資的調配機制，設置應急物資儲備與流動數據庫；充分利用大數據，將防疫物資內容信息、防疫物資數量信息、防疫物資儲備地點信息進行共享，打破部門行業單位的防疫物資信息流動傳遞壁壘，實時監控防疫物資儲備與使用情況，以便在緊急時刻及時、有效地分配防疫物資資源。

2.4.3 完善乘客防疫機制

在公共衛生事件下，嚴格落實乘客乘坐城市軌道交通行為規范，如出示健康綠碼、行程綠碼、配合體溫檢測、全程佩戴口罩等。加強進站點對乘客健康狀況的監測；加強列車行進過程中執勤人員對乘客防疫配合度的監督；加強出站口疏散工作，避免出站口乘客擁堵。在疫情嚴重時，充分運用網絡及大數據功能，實時調取乘客防疫健康軌跡與健康狀況，適時提前若干時間讀取乘客相關健康數據，便于疫情追蹤，迅速定位。

2.4.4 完善聯防聯控機制

統籌政府機構、公共衛生單位、企業、社區等各部門之間的聯防聯控機制；明確城市軌道交通企業防疫責任、防疫任務及防疫范圍；加強各部門之間的溝通，優化各部門間信息網絡共享機制，及時傳遞疫情信息，確保堵塞防疫漏洞。

3 結 語

當公共衛生事件發生時，城市軌道交通運營面臨經營、應急管理、乘客及公共安全管理4大風險。以重慶市為例，構建了貝葉斯網絡模型，分析并量化城市軌道交通運營在新冠疫情背景下面臨的主要風險及風險程度。研究結果表明：在新冠疫情中后期，由新冠疫情引起的重慶市城市軌道交通運營總風險Z為一般風險；當總風險Z處于高風險的概率P(Z|Z=high)高時，經營風險、應急管理風險為主要風險；當P(Z|Z=high)=0%→100%時，經營風險對總風險Z影響最大。