案例—数据集成驱动的CI抗灾能力评估指标选择*

张 浩,李向阳,刘昭阁

(哈尔滨工业大学 管理学院, 黑龙江 哈尔滨 150001)

0 引言

关键基础设施(Critical Infrastructure, CI)是由为支撑社会正常运行持续提供产品或服务的公共事业、通信、能源、金融和物流等重要部门构成的一套相互依赖的多网络复杂大系统的总称[1]。随着城市化的快速发展，当今社会越来越依赖于关键基础设施提供的各种服务，而一旦发生关键基础设施事故，不仅会带来巨大的经济损失，还会造成严重的社会影响[2]。2016年，超强台风“莫兰蒂”就极大地影响了当地民生和经济，特别是厦门全城电力供应基本瘫痪、全面停水，泉州、漳州大面积停电，直接经济损失达169亿元[3]。从这方面来看，关键基础设施极易受到自然、人为、技术等方面的异动危害，造成运营失效，灾害风险显著[4]。

CI抗灾能力评估体系是指与CI抗灾能力评估相关的评估原则、评估指标体系、评估方法、评估标准等要素组成的有机整体。在上述要素中，评估指标体系由反映抗灾能力的评估指标及指标间联系构成，其有效性直接决定抗灾能力评估工作的成效[5-6]。已有学者结合领域知识构建了电网、高速公路网等CI的抗灾能力评估指标体系[7-9]，但其指标选择往往存在差异，究其原因：首先，指标选择的依据不同，例如，灾害多发地的应急管理要求更高，其指标选择需结合当地实际[10]；其次，指标选择的标准不同，例如，指标选择的系统性、客观性与一致性[11]。如何在已有指标体系基础上，依据科学的指标选择标准来改进指标体系，是本文探索的核心问题。本文对CI抗灾能力评估指标选择基于以下3个标准：指标的系统性，即评估指标体系能够全局、系统地反映CI抗灾能力；指标的客观性，即评估值数据的真实性及数据来源的可靠性；指标的一致性，即微观评估指标对全局抗灾能力的支持程度。

从指标选择改进的主导逻辑路线来看，可将改进方法大致归为2类，案例驱动方法：通过案例推理(Case-based Reasoning, CBR)技术生成各类灾害情景，建立领域情景库用于评估指标选择决策[12-13]；数据驱动方法：是指通过数据分析，获得支持决策的高层次数据、知识及解决方案，并以此为评估指标选择提供决策服务[14-16]。比较上述2类方法可以发现，案例驱动方法侧重历史经验，有利于认知评估问题与改进全局指标，但弱化了问题求解及评估指标的定量化推导过程；数据驱动方法依赖技术性的数据分析，其技术瓶颈在于如何从数据分析结果中完成指标选择与改进。

案例驱动和数据驱动在CI抗灾能力评估指标选择改进中各有优势，本文提出案例-数据集成驱动方法，在认知抗灾能力与评估指标选择的基础上，实现2者在指标选择改进中的有机结合。

1 CI抗灾能力认知与评估指标选择

1.1 CI抗灾能力认知

CI抗灾能力及评估指标选择框架如图1所示。CI抗灾能力主要来源于2方面，即抗灾的物理能力及响应能力。

1)CI抗灾物理能力，即关键基础设施自身物理性质决定的抗灾能力，如电网物理单元性质、结构、布局方式等。由于关键基础设施可视为以CI单元为节点的复杂网络系统，故基于网络视角，将CI抗灾物理能力划分为CI单元抗灾物理能力和CI网络抗灾物理能力2部分。

2)CI抗灾响应能力，即与应急管理活动相关的抗灾能力，如电网抢修速度、恢复能力等。抗灾响应能力应体现CI应急管理全过程，分为“事前”、“事中”、“事后”3个阶段，表现为3个不同管理阶段的抗灾响应能力内容及目标，以达到全面、系统评估抗灾响应能力的目的[17]。在已有文献对应急管理阶段划分的基础上，可将CI抗灾响应能力归纳为3个维度，即监测预警能力、灾害处置能力与功能修复能力。

图1 CI抗灾能力与评估指标选择框架Fig. 1 CI anti-disaster capacity and evaluation index framework

1.2 指标层次划分与指标选择

每项CI抗灾能力可划分为全局指标层以及微观指标层。

1)全局指标层，是直接反映抗灾能力的评估指标，是抗灾能力主要影响因素综合的结果。例如，电网的单元抗灾物理能力可通过脆弱性、损坏风险等指标来体现。一般而言，全局指标层仅有一层。全局指标层中的指标不一定满足客观性，即指标的定量化要求较低；但需要满足系统性，即选择的全局指标能够充分反映影响抗灾能力的各个方面。

2)微观指标层，是全局指标细化后的结果，它反映特定全局指标或上级微观指标。例如，电网单元的脆弱性，可按照诱因划分为内生脆弱性、环境诱发脆弱性以及异动诱发脆弱性3个方面。微观指标层可有多层，且每个全局指标下的微观指标层数往往不同。微观指标层中的各层指标应至少满足系统性与一致性，而每一全局指标对应的最后一层微观指标需尽量满足客观性。

2 CI抗灾能力评估指标选择的案例-数据集成驱动方法

2.1 案例-数据集成驱动方法的基本原理

案例-数据集成驱动的评估指标选择是在认知指标选择的基础上，通过合理设计案例驱动与数据驱动在指标选择改进中的分工，洞察指标选择存在问题、完成指标选择改进的方法。其中，案例驱动是通过全局指标选择改进启动、抗灾情景认知与预设、全局指标复用与选择改进等过程，完成评估的全局指标选择改进；数据驱动是通过微观指标性能洞察、微观指标选择系统性改进、微观指标选择客观性与一致性改进等过程，完成评估的微观指标选择改进。整个案例-数据驱动流程如图2所示。

图2 CI抗灾能力评估指标选择的案例-数据集成驱动框架Fig. 2 Case-data integrated driven framework on assessment indicator choosing for CI anti-disaster capacity

2.2 CI抗灾能力评估指标选择的案例驱动

案例驱动是全局指标选择改进的动力基础。通过案例驱动，引导决策者完成全局指标选择改进、实现全局指标系统性的工作目标。案例驱动的全局指标选择改进是通过提取历史案例中的全局指标或抗灾记录，重用历史经验、引导选择全局指标的过程。完成这一过程需要回答3方面问题，即如何构建可用历史案例集、如何选取待用案例(集)、如何选择及改进案例全局指标。

1)可用历史案例集构建。可用历史案例集是指所有可用的评估案例或抗灾案例，“可用”即情景要素取值非空、全局指标可提取。以此为依据，搜集评估案例或抗灾案例，构建可用历史案例集。

2)待用案例(集)选取。在待用案例(集)选取中，较为常见的是案例推理(CBR)技术中的相似案例选取，其应用情景相似度概念，寻找具有相似情景的历史案例。

3)案例全局指标选择及改进。对于评估案例，可直接获取其能力评估全局指标；对于抗灾案例，需归纳其应对过程要点，转换为具有代表性的全局指标。值得注意的是，若待用案例仅有一例，则可直接用于全局指标选择；若待用案例有多例，需进行比对，选取案例共性部分作为基本全局指标。比对已有指标体系与历史案例的全局指标选择，在已有指标体系中完成全局指标的增加、删减或替换，实现全局指标的改进。

2.3 CI抗灾能力评估指标选择的数据驱动

数据驱动是微观指标选择改进的动力基础。通过数据驱动，将引导决策者完成微观指标选择改进，实现微观指标系统性、客观性、一致性的工作目标。主要包括3个步骤：微观指标性能洞察、微观指标选择系统性改进、微观指标选择客观性与一致性改进。

1)微观指标性能洞察。是指利用数据分析工具，探索反映微观指标性能的数据信息，以帮助决策者判断是否需要改进指标选择。其中，指标系统性洞察重点在于考察指标充分反应程度和冗余程度，分别借助方差分析中的方程显著性水平以及共线性分析中的方差膨胀系数；指标客观性洞察重点在于定性和数据较难获取的定量指标的洞察，可利用大数据分析为决策者寻找可替代指标；指标一致性洞察体现为某一指标对上层指标的解释程度，可建立以特定指标为自变量、以该指标对应上层指标为因变量的一元回归方程，利用回归系数的显著性水平进行考察。

2)微观指标选择系统性改进。是在洞察指标系统性基础上，发现指标存在的系统性不足问题，通过一系列数据分析技术比对新方案与已有方案微观指标系统性优劣，完成指标选择系统性改进的过程。这一过程涉及微观指标识别、指标充分反映程度改进以及指标冗余程度减免3部分。微观指标识别是从文献、案例、网络等一切可能途径中挖掘与待改进指标相关的微观指标，例如，利用文本挖掘和语义分析技术，在网络资源中自动抓取微观指标；在指标充分反映程度上，以特定指标为因变量、以其对应的下层指标为自变量，建立多元回归方程，采用F检验法对方程进行显著性检验以进行洞察，则方程显著性水平为：

p{|F|≥F1-α,p,n-p-1|H0}=α

(1)

式中：H0为原假设，即假设现有下层指标能够充分解释对应的上层指标；n为上层指标样本数；p为下层指标个数。

若方程显著性水平α≥0.05，意味着回归方程的有效性低于95%，说明指标不能被充分反映，需通过微观指标识别对其进行补充；在冗余程度方面，利用共线性分析中的方差膨胀系数(VIF)洞察，设R2是以第i个指标为被解释变量、其余指标为解释变量的多元线性回归模型中的决定系数，则VIF如式(2)所示，若VIF>10，则冗余程度过高，需通过主成分分析或因子分析进行指标归并。

(2)

3)微观指标选择客观性与一致性改进。是在系统性改进基础上，利用数据分析技术，通过定性微观指标定量化、定量微观指标优化以及指标解释程度改进，完善微观指标选择体系的过程。其中，定性微观指标定量化是通过定量微观指标识别，将定性微观指标转化为单个或多个定量微观指标的过程，例如，灾害处置能力受救援力量到达率和指挥调度水平等因素影响，指挥调度水平为定性指标，可进一步转化为专业学习年限、指挥调度成功率等[6]；定量微观指标优化是通过可替换的定量微观指标识别，将定量微观指标转化为单个或多个易取值的定量微观指标的过程；指标解释程度改进即在一致性洞察基础上，对下层指标的变量回归系数采用F检验法进行显著性检验，如式(1)所示，若显著性水平α≥0.05，说明指标不能充分解释其对应的全局指标或上层微观指标，需通过微观指标识别对其进行替换或删减。

3 用例分析

下文以抗灾能力中单元抗灾物理能力为例，结合用例说明CI抗灾能力评估指标选择的案例-数据集成驱动方法。

1)指标选择改进启动。在“天兔”台风案例中，灾害造成严重后果，该案例提供了这一案例情景下的电网单元抗灾物理能力评估指标，通过调查了解到，该实际案例已经超过之前指标体系所针对情景的严重等级，能力评估指标存在改进空间。单元抗灾物理能力评估是提升电网抗灾能力的决策基础，决策者决定启动指标选择改进。

2)抗灾情景认知与预设。决策者组织专家研讨，将台风灾害情景要素划分为最大风力、移动速度、8级风圈半径、海潮范围、最大降雨量、路径覆盖度以及影响用户数量等7个方面。由于驱动指标选择改进启动的案例为“天兔”案例，该案例具有重要意义，决策者决定利用该案例情景作为预设情景。

3)全局指标复用。从中国天气台风网、中国南方电网等网络途径，搜集涉及抗灾应对和抗灾能力评估的案例10例，构成可用案例集。将上述10个案例以及预设情景按上述情景要素进行赋值，得到表1所示的情景要素取值情况。其中，CC表示预设情景，HC1～HC10表示搜集到的可用案例。采用如下相似度计算公式进行待用案例(集)选取。其中，simijt代表案例i与案例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的权重；SIMij是案例i与案例j的相似度。

simijt=e-|scit-scjt|

(3)

SIM(i,j)=wt·simijt

(4)

结合决策者对各情景特征的权重取值，最终计算得到预设情景与各历史案例情景的相似度分别为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。设定相似度阈值为0.9，则HC3，HC4，HC8，HC9与HC10共5个历史案例共同组成了待用案例集。对5个案例的抗灾应对部分或指标部分归纳总结，分别提取其单元抗灾物理能力的全局指标，将其与已有全局指标比对，如表2所示。

表1 各案例及预设情景的情景要素取值

表2 案例电网单元抗灾物理能力的全局指标选择

4)全局指标选择改进。通过对比分析，决策者发现各案例的单元抗灾物理能力全局指标选择中，虽然部分指标名称存在差异，但其所指内容基本一致，如案例HC4、HC9中的故障率指标与案例HC10中的失效概率指标均指电网设备不能正常运转的概率。另已有评估指标缺少老化指数这一重要方面，电网设备年久频繁使用，必然出现老化现象，使设备精度、性能下降，是抗灾过程中不可忽视的一点，最终在已有全局指标上增添老化指数这一指标。

5)微观指标性能洞察。改进前的微观指标选择如图3所示，从微观指标性能出发进行分析，洞察得到以下结论：在系统性方面，故障率与运行时间之间存在相关关系，据受“天兔”影响的S市电网设备相关数据及式(1)，计算可得方程显著性水平高于0.05，说明故障率不能被充分反映，在分析全局指标冗余度时，根据式(2)计算方差膨胀系数大于10，且老化指数出现在健康指数的下层指标中；在客观性方面，当前风险及未来风险对应的损坏后果为定性指标，损坏概率与老化指数定量化不足，难以直接取值；在一致性方面，建立当前风险与损坏后果的一元回归方程，采用F检验法根据式(1)发现，损坏后果的回归系数显著性水平高于0.05，说明其解释能力过低。

图3 改进前的微观指标选择Fig.3 The original microscopic index selection

6)微观指标识别。从文献、案例、网络等可能途径中，运用语义分析、文本挖掘等技术抓取与健康指数、老化指数、故障率、当前风险、未来风险相关的变量，将其归纳总结为微观指标。

7)微观指标选择系统性改进。针对洞察到的故障率指标系统性问题，发现维修频率对故障率有重要影响，将其纳入故障率对应的下一层微观指标中；针对全局指标冗余度过高问题，在全局指标层中删减老化指数指标，将其移动到健康指数对应的下一层微观指标中。

8)微观指标选择客观性改进。针对洞察到的损坏后果指标客观性问题，发现电网单元的损坏后果与节点度(度数越大，越容易造成电网级联失效)以及服务范围(服务范围越大，影响用户数量越多)有关，将其纳入损坏后果对应的下一层微观指标中；针对洞察到的损坏概率客观性问题，发现电网单元在遭遇台风灾害时的损坏概率受抗风等级与备用设备数量影响，将其纳入损坏概率对应的下一层微观指标中；针对洞察到的老化指数客观性问题，发现电网单元老化指数受设备形状、材料和质量影响，将其纳入老化指数对应的下一层微观指标中。

9)微观指标选择一致性改进。针对洞察到的损坏后果指标一致性问题，发现设备寿命对电网单元当前风险有显著影响，且设备寿命为定量指标，故将损坏后果指标替换为设备寿命指标。

10)微观指标性能核查。在上述改进方案指导下，完成微观指标选择改进，如图4所示。利用数据分析工具对改进后的微观指标选择进行微观指标性能核查，发现其系统性、客观性与一致性均满足要求，故以图4所示的指标选择方案作为针对预设情景的电网单元抗灾物理能力指标体系。

图4 改进后的微观指标选择Fig.4 The improved microcosmic index selection

4 结论

1)案例驱动和数据驱动在评估指标选择研究中各有优势与侧重点，结合2者优势有助于更为系统、客观、一致的评估工作开展。

2)面向关键基础设施，提出CI抗灾能力与评估指标选择框架，为评估指标选择改进提供认知基础。

3)提出CI抗灾能力评估指标选择的案例-数据集成驱动框架，分别阐述案例驱动与数据驱动在评估指标选择改进中的分工。

4)阐述案例驱动全局指标选择改进以及数据驱动微观指标选择改进的基本原理，最终，结合用例分析电网单元抗灾物理能力的评估指标选择改进过程。

5)在驱动方法的实证检验方面，尚有不足，未对指标选择改进后的抗灾能力提升策略展开进一步研究，上述问题将是下一步研究的重要方向和内容。

[1] 刘晓,张隆飙,ZHANG W J.关键基础设施及其安全管理[J].管理科学学报,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] 朱伟，王晶晶，杨玲．城市重要基础设施灾害情景构建方法与应急能力评价研究[J]．管理评论，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] 李军，李向阳，张佰尚．自然异动下关键基础设施网络风险研究[J]．中国管理科学，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] 陈国华，梁韬，张华文．城域承灾能力评估研究及其应用[J]．安全与环境学报，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] 刘德海，于倩，马晓南，等．基于最小偏差组合权重的突发事件应急能力评价模型[J]．中国管理科学，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] 葛悦，汪彤，徐亚博．基于灰色层次分析法的突发事件应急管理能力评价[J]．中国安全生产科学技术，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] 铁永波，唐川，周春花．城市灾害应急能力评价研究[J]．灾害学，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] 陈文涛，佟瑞鹏，孙跃龙．基于ANP方法的社区事故应急能力评估指标权重的确定[J]．中国安全科学学报，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] 吴晓涛．基于FAHP法的城市社区应急准备能力评估[J]．灾害学，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] 郑康宁，李向阳，杨凯．高斯—案例推理方法的预测模型及应用[J]．运筹与管理，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] 乔立民，李向阳，于峰．基于案例学习的社区应急情景决策桌面培训方法[J]．运筹与管理，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] 刘奕，王刚桥，蒋泽宇，等．面向应急决策的模型集成方法研究[J]．管理评论，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] 张玉鹏，王茜．基于数据驱动平滑检验的密度预测评估方法——以香港恒生指数、上证综指和台湾加权指数为例[J]．中国管理科学，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，朱俊红，等．群决策中基于二元语义的主客观权重集成方法[J]．中国管理科学，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．应急管理阶段理论新模型研究[J]．中国安全生产科学技术，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.