考慮決策者情緒的暴雨動態貝葉斯網絡情景推演

謝小良　田宇章

摘 要：為處理“７·２０”河南省特大暴雨災害的復雜演化過程，驗證應急管理措施的科學性和有效性，利用動態貝葉斯網絡，運用證據理論和情緒更新機制，提出了一種主客觀因素相結合的情景推演方法，較同類方法更加注重對決策者情緒等主觀因素的研究。結果表明：動態貝葉斯網絡能有效仿真情景推演的動態變化過程，改進ＤＳ 證據理論能減少方法的主觀性并處理演化過程不確定性，情緒更新機制能有效地量化決策主體的情緒變化情況。

關鍵詞：動態貝葉斯；情景推演；情景要素；改進ＤＳ 證據理論；情緒更新機制

中圖分類號：ＴＵ４１１．２ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０４．００９

引用格式：謝小良，田宇章．考慮決策者情緒的暴雨動態貝葉斯網絡情景推演［Ｊ］．人民黃河，２０２４，４６（４）：５５－６１．

０ 引言

據不完全統計，中國近４０ ａ 來發生的重特大自然災害４０ 次以上，以平均每年至少一次的頻率上演著人類的悲劇［１］ 。為有效應對此類事件，國家先后頒布實施了各種災害的應急預案，針對重特大自然災害低頻高危害、影響周期長、波及范圍廣甚至引發災害鏈現象的特征，提出一系列可靠有效的應急措施。這些措施方案的提出需要大量研究支持，突發災害情景推演作為應急管理的核心領域，推演體系運作的精確值決定了應急管理實施的效用值。

近年來情景推演領域的學者們開展了大量研究。Ｈａｌｌｅｇａｔｔｅ 等［２］ 通過量化氣候變化研究其對未來危險幅度和概率的影響；李勇建等［３］ 對地震引發的次生災害堰塞湖事件通過系統動力學仿真來分析其演化機理；Ｂａｒｒｅｄｏ 等［４］ 在使用洪水風險和土地利用的組合模型探索暴雨的變化和增長方面取得了進展；Ｒｏｂｉｎｓｏｎ等［５］ 分析尼泊爾地震中情景單元與破壞強度的關系，為制定應急預案提供參考；Ｒａｗｌｕｋ 等［６］ 針對澳大利亞森林大火事件提出了一種考慮公民價值的情景規劃模型，使情景管理更加人性化；王喆等［７］ 利用證據理論和知識元模型對城鎮洪澇災害情景推演進行研究；Ｌｉ等［８］ 提出了一種基于本體論集群的新方法，用于緊急情況的演變推理，擴展了ＳＷＲＬ 規則語言以實現場景扣除，并應用貝葉斯網絡來執行條件概率推理。現有應急情景推演的研究較少考慮演化中主觀因素對事件發展態勢的影響，如張志霞等［９］ 、郄子君等［１０］ 、徐后佳等［１１］ 、宋英華等［１２］ 只是基于情景狀態、應急目標、應急處置措施、外部環境影響４ 個因素對突發災害展開情景推演。對于突發自然災害，不確定性是主要特征之一，主觀因素導致的不確定性如何量化的研究頗少，因此對應急情景推演模型的研究還需不斷優化。

基于以上，本文以“７·２０”河南鄭州特大暴雨情景演化與應急管理措施之間的耦合關系為突破點，凝練災害中的關鍵情景單元，以情景狀態、氣象因素、應急活動、決策者情緒、應急目標５ 種要素為動態貝葉斯網絡中的主要節點，節點概率也不直接依賴于專家設定，主要利用模糊集和改進ＤＳ 證據理論獲取節點的先驗概率和條件概率，同時采用情緒更新機制［１３］ 定量研究應急管理中的主觀因素，綜合分析主、客觀因素對暴雨災害演化機制的影響，構建具有普適性的動態推演模型，以增強研究的應用價值，為應急預案的制定提供研究支持。

１ 基于動態貝葉斯網絡的突發暴雨情景構建

動態貝葉斯網絡是貝葉斯網絡在時間維度上的擴展，基于動態貝葉斯網絡構建突發暴雨的情景推演模型，不僅可以準確定位情景的演變路徑，還有效解決突發事件情景演變過程的不確定性和動態變化問題。本文以“７·２０”河南鄭州特大暴雨為例展開情景推演，基本步驟為：首先，依據此次暴雨實際情況及相似案例，確定事件的關鍵情景要素；其次，綜合前人關于情景關系的研究，將要素之間的相互關系用有向邊表示并構成動態貝葉斯初始網絡；最后，為保證節點概率與實際情況的匹配性，采用改進證據理論融合７ 位專家的多元不確定信息，計算節點變量的先驗概率、條件概率及狀態概率。

１．１ 事件概述

２０２１ 年７ 月２０ 日，中國河南省鄭州市發生特大暴雨災害，造成嚴重城市內澇、河澇、山洪暴發和山體滑坡，導致重大人員傷亡和財產損失：１ ４７９ 萬人受災，３９８ 人死亡或失蹤（ 鄭州３８０ 人）， 直接經濟損失１ ２００．６億元。暴雨發生后，國家和地方政府均積極采取措施，但積水量還是在不斷增加，此次暴雨事件發展及政府采取的應急措施情況如圖１ 所示。

１．２ 情景要素確定

明確情景要素是進行情景推演的基礎和前提，不同領域的學者們對突發事件情景要素的劃分方式各有千秋［１４］ 。在“７·２０”暴雨事件中，應急救援部門、河南省氣象局等不同的應急處置活動、應急活動中一切主觀因素的情緒偏好及事件自身的演變規律都會影響事件的發展方向。因此，選取情景狀態（Ｓ）、氣象因素（Ｍ）、應急活動（Ａ）、決策者情緒（Ｅ）、應急目標（Ｔ）５類要素作為“７·２０”暴雨災害情景的知識元。由于政府的應急管理措施對減少傷亡人數和財產損失的影響較大［１５］ ，因此根據“７·２０”暴雨事件的實際情況和各部門的應急活動，將事件的不同發展態勢定義為不同的情景，利用情景推演分析發展過程中可能出現的情景要素及彼此之間的關聯程度，以便于對應急管理措施做出及時的調整。具體情景描述如下所述。

１）中央氣象臺分析此次河南暴雨成因后得出，大氣環流形勢穩定、地形降水效應顯著、對流“列車效應”明顯等多因素（Ｍ１）共同作用引發暴雨，隨之降水強度增大、維持時間延長，導致局地極端強降水，即事件初始情景Ｓ１。針對情景Ｓ１，政府啟動防汛應急預案，組織應急搶險隊伍駐守安全關鍵點，加大巡視力度（Ａ１）等措施，若應對措施有效，則不會引發民眾的恐慌，保障人民正常生活，檢修加固排水設備做好應對暴雨的準備。由于極端天氣沒有在短時間內改善，且政府沒有及時做出應急措施，使得情景演變為Ｓ２，并增加維修水道人員、手電筒、對講機等應急資源。

２）隨著河南省西部的低壓中心維持發展，開始出現大范圍的強降水（Ｍ２），政府將防汛應急響應等級由Ⅳ級提升至Ⅲ級、組織每家每戶檢修房屋、限制非必要人員的出行、及時清理出水通道（Ａ２）等。若應對措施效果顯著，會好轉為情景Ｓ３，此時可減少應急資源的投入，一旦在某些環節應對不及時、處理不恰當，則會導致地面積水無法及時排出。加上河南省西部的低壓中心發展成一條槽線，有強盛的上升氣流（Ｍ３）使得情景惡化為Ｓ４。低壓中心略向北移，暖式切變線消失，但河南省以西依然存在一條槽線（Ｍ４），最終觸發情景Ｓ６。

３）針對惡化后的情景Ｓ４，政府及相關部門加強對河流、水庫、地質災害、城市基礎設施等巡查排查、強制存在隱患的工廠（有可能進水企業及存在熱爐企業等）全部停工停產（Ａ４）等。若政府應急措施得當且救援人員、急救物資等準備充分，將不會引發次生災害即情景Ｓ５，也能保障應急基礎設施均正常運行，最好的演化方向為發生情景Ｓ９（Ｓ９ 為積水全部排出）。

４）為應對暴雨引起的小型洪水（Ｓ６），政府及相關部門安排專業人員現場指導水庫險情處理、盡快開挖泄流槽降低水位、增設水文站、加強監督預警（Ａ６）等。若應急資源短缺、救援人員不足，則引發情景Ｓ７，此時政府必須啟動更廣泛的排水工程，大量擴挖應急排水通道、轉移危險區域人員、增加應急裝備及醫療團隊（Ａ７）等，才能爭取在最短的時間內控制傷亡人數和財產損失。

５）河南省低壓中心繼續北移，槽線消失（Ｍ５），部分地區地面積水顯著減少，洪水逐漸消失即情景Ｓ１０（Ｓ１０為洪水消失），仍有靠近山區的區域存在山體滑坡即情景Ｓ８ 的風險。若應急部門加速轉移災區人員、增加高科技救援設備（Ａ８），在大量搭建臨時排水設施、充分調度施救隊伍和急救物資的前提下，伴隨低壓中心繼續北移，槽線消失，河南省暴雨過程基本結束、強降雨天氣也接近尾聲，情景最終被完全控制，暴雨消失，即情景Ｓ１１（Ｓ１１ 為險情完全控制，暴雨消失）。

在應急活動實施的過程中，存在多方面的主觀因素影響應急目標的達成和情景的演變，即本文考慮的決策者情緒偏好這一知識元（Ｅ１，Ｅ２，…，Ｅ８）。它包括政府制定措施時的情緒、民眾對突發暴雨的情緒、管控者現場指揮應急活動的情緒、應急活動實施者的情緒等。研究指出，決策過程能同時受到預期情緒和即時情緒的影響［１６］ ，因此本文將所有主觀因素統稱為決策者情緒，作為情景要素之一分析它對情景演變的影響。為了清晰地闡述本文的研究思路，構造出由１１ 個情景狀態、５ 個氣象因素、８ 個應急活動及８ 個應急目標組成的情景知識元結構，見表１。其中Ｅ１，Ｅ２，…，Ｅ８ 為決策者根據不同的情景狀態，情緒樂觀或悲觀的程度不同表現的８ 種情緒。

１．３ 情景要素關系的確定

確定情景要素后，針對此次暴雨事件的實際情況，通過對相似案例的研究，利用有向邊表示情景要素之間的相互關系，構建情景推演的初始動態貝葉斯網絡。在突發暴雨災害的演化過程中，事件發展方向往往受到各情景單元之間相互作用的影響，每種發展狀態都有一個“自然極值”，極值出現意味著一個情景即將結束，下一個情景開始形成［１７］ 。對于暴雨事件演變過程中的所有情景（Ｓ１，Ｓ２，…，Ｓ１１），伴隨氣象因素（Ｍ１，Ｍ２，…，Ｍ５）的作用，決策者情緒（Ｅ１，Ｅ２，…，Ｅ８）的影響，應急活動（Ａ１，Ａ２，…，Ａ８）實施的有效程度決定了應急目標（Ｔ１，Ｔ２，…，Ｔ８）的達到程度，從而對當前情景產生不同程度的破壞作用，直接干預和控制下一個情景的演化。與此同時，決策者情緒、上一個情景的應急目標及情景本身在受到作用后也會反過來對應急活動進行反饋。由此產生所有情景、事件的動態貝葉斯情景推演路徑如圖２ 所示。在圖２ 中，由于暴雨發展速度快、難以控制、應急資源短期內得不到及時供應，部分應急活動往往不能有效控制事態的惡化，因此出現了樂觀和悲觀的兩種事故情景演變路徑。

２ 情景概率計算及推演

２．１ 情緒更新機制確定概率

與一般情景下的決策相比，突發事件情景下的決策難免會受到個人情緒、外界輿論、災情演變等的影響，特別是樂觀決策或是悲觀決策對情景演變的影響都是至關重要的，所以對決策者情緒動態變化的考慮是不可忽略的。本文將暴雨事件中所有主觀因素統稱為決策者情緒（Ｅ１，Ｅ２，…，Ｅ８），將其作為暴雨情景要素之一分析它與其他情景單元之間的關系，建立情緒更新機制動態調整決策者情緒概率。情緒更新機制的主要思路為：以決策者情緒變化為突破點，根據情景造成的損失程度不同（文中主要考慮了人員傷亡和財產損失）確定情緒影響下的動態參照點（Ｌ －ｉ１、Ｌ －ｉ２），計算當前情景損失情況相對于參照點的損益值（ｔｉ１、ｔｉ２），再由損益值得到當前情景價值，將人員傷亡、財產損失情景價值（υｉ１、υｉ２） 根據不同權重融合得到情景綜合價值（υｉ ）。隨后，用原數據得到的標準評價值計算當前階段的情景價值評價值，并由當前階段情緒值（ｅｍｉ ）和情景價值評價值兩者的函數關系得到下一階段的情緒值（ｅｍｉ＋１）。

借鑒文獻［１３］中確定預算等級的方法，提出了突發暴雨造成損失的? 個預算等級，基于此用式（１）分別計算８ 種情景中人員傷亡、財產損失的動態參照點。面對突發事件的決策問題時，由于很難在較短的時間內獲取決策所需事件當前所有的信息，本文采用直覺模糊數表示“７·２０”暴雨事件發展過程中人員傷亡、財產損失的信息，見表２，其中區間數參考我國對暴雨等級的劃分依據。

式中：Ｌ － ｉｑ（ｑ ＝１ 或２，ｉ ＝１，２，…，ｎ）為各種情景中人員傷亡和財產損失的動態參照點；ｌｉｑ 為各種情景導致的人員傷亡數（ｑ ＝１）和財產損失數（ｑ ＝ ２）；ｅｍｉ（ｅｍｉ ∈［０，１］）為在各種情景階段中決策者的情緒值；? 為決策者對突發事件造成的損失所具有的預算等級總數，此處取? ＝５。

根據動態參照點和表２ 中的直覺模糊數，得出各種情景的２ 種損益值為

式中：α、β 分別為ｔｉ１、ｔｉ２的指數，λ 為不同情景狀態下損益值的系數。

將上述兩個前景值融合得到各種情景的綜合價值υｉ為

式中：ηｑ（ｑ ＝１ 或２）為人員傷亡情景價值（υｉ１）和財產損失情景價值（υｉ２）對應的系數。

根據綜合價值計算各種情景的價值評價值（用ｅｖａｉ 表示）為

ｅｖａｉ ＝（υｉ －ｍｉｎ υｉ ） ／ （ｍａｘ υｉ －ｍｉｎ υｉ ） （６）

若直覺模糊數ａ ＝ （μ１，ν１ ），ｂ ＝ （μ２，ν２ ），則ａ≥ｂ的可能度ｐ（ａ≥ｂ）為

ｐ（ａ≥ｂ）＝ ｍｉｎ ｛ｍａｘ［（１－ν１ －μ２） ／ （π１ ＋π２），０］，１｝（７）

式（７）中πｉ ＝１－μｉ －νｉ ，若ｐ（ａ≥ｂ）≥０．５，則ａ≥ｂ；反之，ａ＜ｂ。

設情景Ｓｉ 的標準評價值為ｅｗａｉ ＝ （μｅｗａｉ ，νｅｗａｉ ），其中０≤μｅｗａｉ ＋νｅｗａｉ ≤１，根據式（７），若ｐ（ｅｖａｉ ＞ｅｗａｉ ） ≥０．５，則ｅｖａｉ ＞ｅｗａｉ ，表明情景Ｓｉ 階段突發事件向樂觀態勢演化；反之，則向悲觀態勢演化。最后，判斷當前情景價值評價值（ｅｖａｉ ）和標準價值評價值（ｅｗａｉ ）可能度大小后，計算得到下一階段的情緒值（ｅｍｉ＋１），若ｅｍｉ＋１ ＞ｅｍｉ ，則表示下一階段中決策者情緒更加樂觀，并把該值作為情緒Ｅ２ 先驗概率中的樂觀概率，對應的悲觀概率為ｐ ＝１－ｅｍｉ＋１。

式中：θ 為計分函數Ｇ（ｅｖａｉ ）的系數，Ｇ （ｅｖａｉ ）＝ μｅｖａｉ －νｅｖａｉ ［１８］ 。

此外，根據參數含義并參考文獻［１３］，多次仿真調優后， 計算過程的所有參數設置為： ? ＝ ５，α ＝０．８９，β ＝０．９２，λ ＝２．２２，ｅｍ１ ＝ ０．５，ｅｗａ１ ＝ ｅｗａ２ ＝ … ＝ｅｗａ８ ＝（０．５，０．５），（η１，η２）＝ （０．８，０．２），θ ＝ ０．５。將情景Ｓ１ 的信息代入式（１） ～ 式（８）得到情景Ｓ２ 的ｅｍ２ ＝０．６５２，即ｐ（Ｅ２＝Ｐ）＝ ０．６５２。以此類推，最終得到所有情景的情景價值（見表３）及每個情景的決策者情緒的先驗概率（見表４），其中情景Ｓ３ 和情景Ｓ５ 屬于樂觀情景，無人員傷亡和財產損失區間數，因此情緒Ｅ３ 和情緒Ｅ５ 概率值直接通過專家打分后證據融合得到，不在此處體現。

２．２ 改進ＤＳ 證據理論確定概率

整理分析前人的研究、以往暴雨災害的歷史數據和資料等，確定暴雨發生時各情景節點的先驗概率和條件概率。由于資料的缺失，如暴雨事件中決策者情緒沒有具體的相關記錄、政府及相關部門的應急活動也沒有完整的記錄、不同省應對突發暴雨采取的措施也沒有統一的標準等，因此本文采用數據和專家打分法相結合的方法確定節點概率。為提高節點概率評估的客觀性，采用基于模糊集理論的改進ＤＳ 證據理論，融合７ 位專家的評估結果后得到節點概率。模糊集把待考察的因素、反映因素不確定的概念作為一定的模糊集合，建立適當的隸屬度函數，描述待考察的因素在模糊概念中的模糊程度［１９］ ，從而減少專家打分的主觀性。本文以收集到的部分數據為基礎，邀請７ 名專家對情景要素表進行評估，依次給出各情景節點的變量取值等級（見表５）以及對此等級的不確定程度。再利用高斯型隸屬度函數將等級歸一化后得到每位專家打分的概率值。本文將情景要素表中每個節點劃分為危險、安全兩個級別，專家對節點打分時對應的目標得分（滿分為１）區間為［０．５，１］、［０，０．５），根據高斯型隸屬度函數，令每個節點兩種等級對應的隸屬度函數的中心值分別為０．７５、０．２５［２０］ ，該函數為

ＤＳ 證據理論具有較強的多源不確定信息融合能力［２１］ ，本文采用矩陣分析進行改進ＤＳ 證據理論的證據融合［２２］ 。為了減少隸屬度矩陣代入ＤＳ 證據理論進行證據融合時產生計算量巨大的問題，本文通過矩陣分析，采用兩個證據結合、遞推計算的方式融合專家意見。如Ｃ２１表示第２ 個專家評價為第１ 級等級的概率值，依次類推。

然后采用張量積運算，用矩陣Ｃ 任意一行Ｃｔｇ 與另一行Ｃｒ轉置后相乘得到新矩陣Ｂ。

矩陣Ｂ 中主對角線所有元素之和為式（１２）的分子，所有非主對角線元素之和為融合后的沖突程度Ｋ；最后用權值分配改進ＤＳ 證據理論合成算法計算融合后兩個等級的概率值，改進的合成式為［１５］

２．３ 暴雨情景中節點狀態概率計算

利用先驗概率和條件概率計算各節點的狀態概率公式為

將先驗概率和條件概率代入式（１３）中，從Ｓ１ 依次計算各節點變量的狀態概率。如，情景Ｓ１ 狀態概率：Ｐ（Ｓ１＝Ｔ）＝ Ｐ（Ｓ１＝Ｔ ｜Ａ１＝Ｔ，Ｅ１＝Ｐ，Ｔ１＝Ｔ）Ｐ（Ａ１＝Ｔ）Ｐ（Ｅ１＝Ｐ）Ｐ（Ｔ１＝Ｔ）＋Ｐ（Ｓ１ ＝Ｔ ｜ Ａ１ ＝Ｔ，Ｅ１ ＝Ｐ，Ｔ１ ＝Ｆ）Ｐ（Ａ１＝Ｔ）Ｐ（Ｅ１ ＝ Ｐ）Ｐ（Ｔ１ ＝ Ｆ） ＋Ｐ（Ｓ１ ＝ Ｔ ｜ Ａ１ ＝ Ｔ，Ｅ１＝Ｎ，Ｔ１＝Ｔ）Ｐ（Ａ１＝Ｔ）Ｐ（Ｅ１＝Ｎ）Ｐ（Ｔ１＝Ｔ）＋Ｐ（Ｓ１＝Ｔ ｜Ａ１＝Ｔ，Ｅ１＝Ｎ，Ｔ１ ＝Ｆ）Ｐ（Ａ１ ＝ Ｔ）Ｐ（Ｅ１ ＝ Ｎ）Ｐ（Ｔ１ ＝Ｆ）＋Ｐ（Ｓ１＝Ｔ ｜Ａ１＝Ｆ，Ｅ１＝Ｐ，Ｔ１＝Ｔ）Ｐ（Ａ１＝Ｆ）Ｐ（Ｅ１＝Ｐ）Ｐ（Ｔ１＝Ｔ）＋Ｐ（Ｓ１＝Ｔ ｜ Ａ１＝Ｆ，Ｅ１＝Ｐ，Ｔ１＝Ｆ）Ｐ（Ａ１ ＝Ｆ）Ｐ（Ｅ１＝Ｐ）Ｐ（Ｔ１＝Ｆ）＋Ｐ（Ｓ１＝Ｔ ｜ Ａ１＝Ｆ，Ｅ１＝Ｎ，Ｔ１＝Ｔ）Ｐ（Ａ１＝Ｆ）Ｐ（Ｅ１ ＝ Ｎ）Ｐ（Ｔ１ ＝ Ｔ） ＋Ｐ（Ｓ１ ＝ Ｔ ｜ Ａ１ ＝ Ｆ，Ｅ１＝Ｎ，Ｔ１＝Ｆ）Ｐ（Ａ１ ＝Ｆ）Ｐ（Ｅ１ ＝ Ｎ）Ｐ（Ｔ１ ＝ Ｆ）＝ ０．６×０．９２×０．５×０．９７＋０．４２×０．９２×０．５×０．０３＋０．５１×０．９２×０．５×０．９７＋０．３７×０．９２×０．５×０．０３＋０．８２×０．０８×０．５×０．９７＋０．３７×０．０８×０．５×０．０３＋０．４１×０．０８×０．５×０．９７＋０．２９×０．０８×０．５×０．０３＝ ０．５５４ ７，以此類推，計算出所有節點的狀態概率，如圖３ 所示。

２．４ 結果分析

１）上述動態貝葉斯網絡圖的概率推演表明，當暴雨發生后，政府在沒有及時采取有效應急活動的前提下，發生大暴雨（Ｓ２）的概率、引發特大暴雨（Ｓ４）的概率、暴雨引發小型洪水（Ｓ６）的概率、暴雨引發大型洪水（Ｓ７）的概率、洪水引發山體滑坡（Ｓ８）的概率均超過了０．６，由此可知，發生暴雨災害后采取的應急措施一旦不及時或效果不好，情景惡化的概率非常高，災害很難控制，造成的損失不可預估。利用ＧＥＮＩＥ 軟件對情景推演網絡進行敏感性分析后發現，Ｓ２、Ｓ３、Ｓ４、Ｓ５、Ｓ６、Ｓ７ 均為敏感節點，顏色越深表示越敏感同，見圖３；且圖３ 中不同的有向邊粗細程度也是不同的，其表示情景演化過程中的關鍵路徑，線段越粗代表這條路徑影響越大。因此，應急管理者可以依據此圖，抓住關鍵節點沿著關鍵路徑制定應急措施，快速準確地對突發暴雨情景采取有效管理，進而使災害向更加樂觀的方向轉化。

２）根據有關報道可知，在此次暴雨災害中采取的應急措施未能有效發揮作用，為了提高模型和事件真實的匹配度，設置Ｔ２、Ｔ３、Ｔ５、Ｔ７ 的證據均為未滿足（Ｆ），由仿真結果可知暴雨極大概率會演化到引發大型洪水（Ｓ７）和山體滑坡（Ｓ８）的階段，與災害真實結果吻合，證明了該方法的可行性和有效性。在實際應用過程中，改變應急活動的完成情況并處理好主觀因素可以影響到應急目標的實現概率，進而影響災害的演化路徑，便于工作人員在采取應對措施時，直觀地認識到自己操作失誤造成的結果，從而實時調整相關行動且提前掌握事件的演化方向。

３）在災害預防階段，管理者應主動提高自身的風險意識和應急突變能力，對造成水位提高的主要因素加大監控力度，日常要多組織植樹造林活動，降低暴雨發生后引起水土流失的概率。針對災害響應階段，要提升防汛抗洪應急人員的專業能力，多訓練多改革，加強對應急裝備（如抽排水設備、高精度探測儀器、救援物資等）的維修和改善工作。針對災害恢復階段，在確保居民生活恢復正常的前提下，增強全社會的風險意識和自救互救能力是工作的核心，且要貫徹到底。本文針對河南省鄭州市“７·２０”暴雨事件情景推演過程中情景要素的提取進行了簡化，在現實的災害處理過程中，存在諸多因素導致暴雨的發展趨勢難以預測。在實際應用中，應基于上述方法識別更多的關聯因素，將更多的災害實時信息融入情景推演中，提高全社會應對突發事件的能力，使損失控制在最小范圍內。

３ 結論

１） 選取突發暴雨不同階段的情景狀態、應急活動、決策者情緒和應急資源作為網絡節點，對重大災害情景單元之間的相互關系及情景演化機制展開分析，基于動態貝葉斯網絡，利用改進ＤＳ 證據理論和情緒更新機制確定情景演變初始網絡，計算每個階段情景的狀態概率，得出暴雨可能的發展路徑，從而評估應急活動的可行性和應急目標的完成情況，為今后突發暴雨災害提前采取有效措施。

２）基于動態貝葉斯網絡且考慮決策者情緒的突發暴雨應急情景推演方法，能夠較好地解析暴雨環境下應急處置的不確定性、復雜性、衍生性問題，將事件中定量元素和定性元素結合分析，為傳統的情景分析方法改進提供了新思路。

３）確定節點概率依然采用傳統的專家打分法，雖然利用模糊集理論和改進ＤＳ 證據理論在一定程度上削弱了專家打分的主觀性，但任何不精確的設置均會影響方法的有效性。因此，依據歷史數據、大量史料及綜合各研究文獻來確定網絡節點的概率才是方法精度的保障，此后在完善數據和匯總案例方面應投入更多的時間和精力。

參考文獻：

［１］ 周洪建，王丹丹，袁藝，等．中國特別重大自然災害損失統計的最新進展：《特別重大自然災害損失統計制度》解析［Ｊ］．地球科學進展，２０１５，３０（５）：５３０－５３８．

［２］ ＨＡＬＬＥＧＡＴＴＥ Ｓ，ＲＯＧＥＬＪ Ｊ，ＡＬＬＥＮ Ｍ，ｅｔ ａｌ．Ｍａｐｐｉｎｇ ｔｈｅＣｌｉｍａｔｅ Ｃｈａｎｇｅ Ｃｈａｌｌｅｎｇｅ［Ｊ］．Ｎａｔｕｒｅ Ｃｌｉｍａｔｅ Ｃｈａｎｇｅ，２０１６，６（７）：６６３－６６８．

［３］ 李勇建，喬曉嬌，孫曉晨，等．基于系統動力學的突發事件演化模型［Ｊ］．系統工程學報，２０１５，３０（３）：３０６－３１８．

［４］ ＢＡＲＲＥＤＯ Ｊ Ｉ，ＥＮＧＥＬＥＮ Ｇ．Ｌａｎｄ Ｕｓｅ Ｓｃｅｎａｒｉｏ Ｍｏｄｅｌｉｎｇｆｏｒ Ｆｌｏｏｄ Ｒｉｓｋ Ｍｉｔｉｇａｔｉｏｎ［Ｊ］． Ｓｕｓｔａｉｎａｂｉｌｉｔｙ，２０１０，２（５）：１３２７－１３４４．

［５］ ＲＯＢＩＮＳＯＮ Ｔ Ｒ，ＲＯＳＳＥＲ Ｎ Ｊ，ＤＥＮＳＭＯＲＥ Ａ Ｌ，ｅｔ ａｌ．Ｕｓｅｏｆ Ｓｃｅｎａｒｉｏ Ｅｎｓｅｍｂｌｅｓ ｆｏｒ Ｄｅｒｉｖｉｎｇ Ｓｅｉｓｍｉｃ Ｒｉｓｋ［Ｊ］． Ｐｒｏ?ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎａｔｉｏｎａｌ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ ｏｆ ｔｈｅ ＵｎｉｔｅｄＳｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ，２０１８，１１５（４１）：９５３２－９５４１．

［６］ ＲＡＷＬＵＫ Ａ，ＦＯＲＤ Ｒ Ｍ， ＷＩＬＬＩＡＭＳ Ｋ Ｊ Ｈ．Ｖａｌｕｅ?ＢａｓｅｄＳｃｅｎａｒｉｏ Ｐｌａｎｎｉｎｇ：Ｅｘｐｌｏｒｉｎｇ Ｍｕｌｔｉｆａｃｅｔｅｄ Ｖａｌｕｅｓ ｉｎ ＮａｔｕｒａｌＤｉｓａｓｔｅｒ Ｐｌａｎｎｉｎｇ ａｎｄ Ｍａｎａｇｅｍｅｎｔ［Ｊ］．Ｅｃｏｌｏｇｙ ａｎｄ Ｓｏｃｉｅｔｙ，２０１８，２３（４）：１８６－１９２．

［７］ 王喆，孔維磊，方丹輝，等．基于貝葉斯網絡的城鎮洪澇應急情景推演研究［Ｊ］．中國安全科學學報，２０２１，３１（６）：１８２－１８８．

［８］ ＬＩ Ｓ，ＣＨＥＮ Ｓ，ＬＩＵ Ｙ．Ａ Ｍｅｔｈｏｄ ｏｆ Ｅｍｅｒｇｅｎｔ Ｅｖｅｎｔ ＥｖｏｌｕｔｉｏｎＲｅａｓｏｎｉｎｇ Ｂａｓｅｄ ｏｎ Ｏｎｔｏｌｏｇｙ Ｃｌｕｓｔｅｒ ａｎｄ Ｂａｙｅｓｉａｎ Ｎｅｔｗｏｒｋ［Ｊ］．ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７（１）：１５２３０－１５２３８．

［９］ 張志霞，郝紋慧，張二雙．網絡輿情驅動下突發事件情景推演研究［Ｊ］．情報科學，２０２０，３８（５）：１４１－１４７．

［１０］ 郄子君，榮莉莉．面向災害情景推演的區域模型構建方法研究［Ｊ］．管理評論，２０２０，３２（１０）：２７６－２９２．

［１１］ 徐后佳，帥健，楊敬東，等．城鎮燃氣管道事故動態貝葉斯網絡情景推演及模擬［Ｊ］．油氣儲運，２０２２，４１（８）：９００－９０７．

［１２］ 宋英華，劉子奇，劉丹，等．基于模糊貝葉斯網絡的化工園區火災爆炸事故情景推演［Ｊ］． 安全與環境工程，２０２２，２９（３）：８６－９３．

［１３］ 王治瑩，聶慧芳，趙宏麗．考慮決策者情緒更新機制的多階段應急決策方法［Ｊ］．控制與決策，２０２０，３５（２）：４３６－４４４．

［１４］ 張江石，馮娜娜．基于動態貝葉斯網絡情景推演的危化品事故應急處置研究［Ｊ］．安全與環境學報，２０２０，２０（４）：１４２０－１４２６．

［１５］ 劉鐵忠，李海艷，李慧茹，等．考慮應急組織要素的城市洪水Ｎａ－Ｔｅｃｈ 事件演化研究［Ｊ］．中國安全科學學報，２０１６，２６（７）：１６３－１６８．

［１６］ ＬＯＥＷＥＮＳＴＥＩＮ Ｇ Ｆ，ＷＥＢＥＲ Ｅ Ｕ，ＨＳＥＥ Ｃ Ｋ，ｅｔ ａｌ．Ｒｉｓｋ ａｓＦｅｅｌｉｎｇｓ［Ｊ］．Ｐｓｙｃｈｏｌｏｇｉｃａｌ Ｂｕｌｌｅｔｉｎ，２００１，１２７（２）：２６７－２８６．

［１７］ ＬＩ Ｘ Ｙ，ＬＩ Ｘ Ｍ，ＬＩ Ｘ Ｗ，ｅｔ ａｌ．Ｓｅｎｔｉｍｅｎｔ Ｒｅｆｅｒｅｎｃｅ ＰｏｉｎｔｓＢａｓｅｄ Ｓｅｌｆ?Ｏｒｇａｎｉｚｅｄ Ｍｕｌｔｉ?Ａｇｅｎｔ Ｍｏｄｅｌ ｏｆ Ｒｏｕｔｅ Ｃｈｏｉｃｅ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍｓ ＆ Ｍａｎａｇｅｍｅｎｔ，２０１７，２６（２）：２５９－２６７．

［１８］ ＨＯＮＧ Ｄ Ｈ，ＣＨＯＩ Ｃ Ｈ．Ｍｕｌｔｉｃｒｉｔｅｒｉａ Ｆｕｚｚｙ Ｄｅｃｉｓｉｏｎ?ＭａｋｉｎｇＰｒｏｂｌｅｍｓ Ｂａｓｅｄ ｏｎ Ｖａｇｕｅ Ｓｅｔ Ｔｈｅｏｒｙ［Ｊ］．Ｆｕｚｚｙ Ｓｅｔｓ ａｎｄ Ｓｙｓ?ｔｅｍｓ，２０００，１１４（１）：１０３－１１３．

［１９］ 張清華，王進，王國胤．粗糙模糊集的近似表示［Ｊ］．計算機學報，２０１５，３８（７）：１４８４－１４９６．

［２０］ 賈進章，陳怡諾，柯丁琳．基于模糊集和改進ＤＳ 證據理論的危化品道路運輸體系貝葉斯網絡風險分析［Ｊ］．北京化工大學學報（自然科學版），２０２０，４７（１）：３８－４５．

［２１］ 宋英華，吳昊，劉丹，等．基于Ｄ－Ｓ 證據理論的地震應急救援群決策［Ｊ］．中國安全科學學報，２０２０，３０（５）：１６３－１６８．

［２２］ 奚婷婷，熊偉麗，張林，等．基于矩陣分析的ＤＳ 合成算法［Ｊ］．計算機工程，２００９，３５（１６）：２６４－２６６．

【責任編輯 簡 群】

基金項目：國家社會科學基金重點項目（２２ＡＴＪ００８）；湖南省教育廳科學研究重點項目（２０Ａ１２７）；湖南省研究生一般項目（ＣＸ２０２１１１０７）