基于社群发现模型的区域火灾风险分析

王元鹏 杨树峰

摘要：本文基于2007-2017年的火灾统计数据，引用“社群”概念和相关算法，挖掘火灾社区之间拓扑关系的分析模型，同时获取火灾统计数据，地址网格化后，根据使用算法计算火灾网格并发特征，形成制定周期的火灾并发社区。计算结果呈现方式为，当某一网格发生火灾，在制定计算周期中，显示与其同在一个社群的其他网格作“高风险区域”预警。

关键词：“社群”概念; 算法; 火灾风险分析

1   引言

为探讨该市火灾的规律，从行政区角度划分过去十年的火灾记录。如图1所示，纵观十年的火灾数据变化发现，并没有火灾数呈现常规突出的区域。以LG区为例，既有三年火灾数居全市之首，也有某些年份呈现出与火灾数变化大趋势相反的现象，如2009和2012-2016年的连年下跌。经调研，发现LG区在2013年一分为三 （LG、DP和PS），所以有可能是LG区域在2012-2016年火灾数反常下跌的原因。但进一步挖掘发现，LG区的火灾数加上被划分出去两个区的火灾数总和，也呈下降趋势。笔者由此得到启发，类似的反常趋势并非可以通过常规的信息判断来挖掘，需要使用算法手段，从数学角度进行挖掘分析。同时也提出猜测，在“市-区”的层级，火灾数量变化趋势相似的区之间，是否存在某种可以从社群角度识别的特征（如被拆分后的LG、DP和PS区，有可能是在“市-区”层级的一个社群），而这种特征甚至还可以通过从层级的再次细分具体体现。经过一番调研，笔者决定引入社会学的“社群”概念，采用社群发现算法，结合城市管理网格数据和火灾统计数据，研究和描述火灾的并发特征。

2   算法识别火灾社区规律

2.1  社群概念

在社会学概念中，社群，广义而言是指在某些边界线、地区或领域内发生作用的一切社会关系。同时，Worsley 曾提出社群的广泛含义可被解释为地区性的社区，以及一个交互的网络。以微博这种社交网络为例，每个账号就是一个点，账号之间通过关注或者点赞构成了整个网络结构，当中有些账号关系密切，有些疏远。其中一群联系频繁的账号可以视作一个社区，而联系稀疏的两个群体则可以视作两个社区，定义为社团结构。

在对火灾的分析当中，引入社群概念，将城市管理网格视作点，周期内并发火灾的特征，作为这些点在火灾事件上的交互，构成关系网络，划分社群。通过进一步对社群的调查研究，可以捕捉到同区域是否存在同隐患或者类似人类生態学的结构。

2.2  算法思路

为了评价社区划分的优劣，Newman等人提出了模块度的概念，用模块度来衡量社区划分的好坏。模块度越大，则社区划分的效果越好 。

模块度Q公式的简化形式

其中，∑in表示的是社群C内部的权重，∑tot表示的是与社群C内部的点连接的边的权重，包括社区内部的边以及社区外部的边。模块度（modularity）指的是网络中连接社区结构内部定点的边所占的比例，减去在同样的社团结构下任意连接这两个节点的比例的期望值。

2.4  迁移应用

在应用时，首先需要做单元网格的区分工作。需要导入城市管理信息系统中的网格数据，根据不同的分析纬度导入不同的层级，以某城市为例：市-区-街道-社区-警格-一平方公里网格。

获取火灾统计数据，根据地址网格化后，使用算法计算火灾网格并发特征，形成制定周期的火灾并发社区。计算结果呈现方式为，当某一网格发生火灾，在制定计算周期中，显示与其同在一个社群的其他网格作“高风险区域”预警。 例：社群A为例。经过计算，编号为#15、#16、#17、#18的四个网格被划分A社群。 当9月1日A社群中，编号#15网格发生一起火灾，那么在未来七天（9月1日-9月7日），同属A社群的其他网格—— #16、#17、#18都被定义为“高风险网格区域”。这其中要注意，并不是所有网格都会被分到并发社群，只有特定并发特征的网格参与其中。

3   应用社群算法对某城市的风险分析

3.1   待分析数据样本

a）中间展示结果

分析过程由python代码实现，结果范例如 表3-2

其中“并发区域”含义是每个所划分社群的独立编号，“网格ids”代表的是该社群里面包含的城市管理网格编号。

b）结果分析

针对LG区2007-2017年数据的社群分析结果，用于2018年第一季度的数据做对比。

4   结论与展望

本文针对火灾中的并发规律进行分析，将社群的概念引入火灾分析中，再结合数据挖掘方法用于火灾事故分析理论，为消防风险管理、消防资源配置提供了决策基础。另外，本文构建了社群概念的框架，而对于分析结果——所分类的社群，可以从以下两方面结合深入研究，一是添加分析步骤对预测模型优化，二是结合更多社会调查此类社群的共同之处。

参考文献：

[1]    M Canovan（1982） Two Strategies for the Study of Populism.

[2]    M. Girvan and M. E. J. Newman. （2002） Community structure in social and biological networks.

[3]    Vincent  D Blondel，Jean-Loup Guillaume，Renaud Lambiotte，Etienne Lefebvre，Fast unfolding of communities in large networks， in Journal of Statistical Mechanics：Theory and Experiment 2008 （10）， P1000.