校园安防综合评价模型的研究与应用

李澎林，鲍 挺，李 伟

(浙江工业大学 计算机科学与技术学院，浙江 杭州 310023)

近年来，国家愈发重视中小学、幼儿园(以下统称校园)安全问题，针对校园安防评价机制，教育部印发了相关指导性文件[1]，以推动各地建立科学化、规范化和制度化的校园安全保障体系和运行机制。目前，校园安防评价形式以安全检查表法为主，通过实地勘察、查询相关记录资料等方式对检查表中各项细则进行评价，评价结果主观性较强、时效性差、可参考性较低，且耗费人力物力。随着智慧校园的推广，物联网技术如视频监控、用电安全、智能烟感和电子巡更等进入校园，并产生大量校园日常安防数据。然而多数校园对这些数据的利用仅停留在查询统计阶段，如何将校园日常安防数据应用于校园安防评价过程中，使评价结果更具科学性成为亟待研究的课题。通过查询相关文献，仅有少数学者采用层次分析法、灰色关联法等理论对校园安防进行综合评价：Wang等分别通过层次分析法与模糊综合评价法相结合、层次灰色评价模型对校园安全进行研究[2-3]，但其评价指标权重的确立都过于依赖专家主观判断，评价结果参考性不高；张特曼等[4]运用主客观组合赋权法对校园安全评价指标权重进行计算，但其构建的评价指标体系缺乏合理性、全面性，同时主客观权重的计算精确度仍有待提升。总体而言，这些研究中涉及的评价方法都建立在专家评判得到的主观数据基础之上，孤立了依托物联网技术产生的校园安防原始数据，忽视了其潜在价值与对校园整体安防状况的体现能力。

基于此，笔者提出一种基于改进AHP-熵值法的校园安防模糊综合评价模型。首先，从定性、定量两方面入手动态构建校园安防综合评价指标体系；其次，运用二分k-Means算法对专家聚类，根据专业权威赋予每位专家相应权重，同时结合改进AHP法与熵值法对指标进行主客观组合赋权；最后，通过评价人员打分与挖掘校园日常安防数据相结合的方式进行模糊综合评价，得到校园安防最终评价结果。

1 校园安防综合评价模型

笔者提出的校园安防综合评价模型包含构建评价指标体系、确定指标权重及模糊综合评价3 个过程，结果如图1所示。

图1 校园安防综合评价模型

校园安防综合评价模型的3 个过程分别为

1)构建评价指标体系。构建基于主观评判的定性因素指标和基于校园日常安防数据评判的定量因素指标体系。

2)确定指标权重。首先，以专家意见作为数据基础，基于专业权威等相关个人信息对各专家进行聚类并赋予权重；其次，为避免指标赋权结果过于依赖专家经验或客观数据，通过专家调查方式获取专家对指标间重要性判断的结果；最后，采用AHP法与熵值法相结合的主客观组合赋权方式计算指标最终权重。

3)模糊综合评价。评价包括定性、定量两个过程。定性指标评价沿袭现有安全检查表法，对每项指标进行主观判定；定量指标评价以安防数据为支撑，根据各指标评判标准计算每项指标得分情况；结合各指标权重统计得出定性、定量指标评价结果，并以加权组合方式得出校园安防最终评价值。

2 构建校园安防评价指标体系

本模型以部分学校校园安全评分标准细则、文献[5]等国家标准作为参考依据，基于系统性、动态性和可实施性等原则，在确保校园安全评价范围的深度、广度与合理性的前提下，构建校园安防评价指标体系，结果如表1所示。具体实施构建时，学校亦可以此为参考，结合现有数据对指标类型、粒度进行动态调整。

表1 校园安防评价指标体系

定量因素中，考虑到不同学校间数据可能存在差异及安防数据的总量维度不同，模型需对校园安防原始数据进行处理，尽可能以准确率、完成率等百分比形式作为各项定量评价指标，便于在最终模糊评价时确定评判集。

3 组合赋权确定指标综合权重

3.1 二分k-Means确定专家权重

专家评估结果的参考价值与专家本身的能力、素质密切相关。为体现各专家意见可参考性的差异，模型需对专家安防领域的专业权威等相关信息进行聚类，为每位专家赋权，具体方法如下。

3.1.1 影响指标及评判标准制定

影响专家专业权威的因素有很多，根据文献[6]等相关参考资料，模型将从业领域t1、接触安全相关工作时间t2、工作单位t3、职称t4、工龄t5和学历学位t6这6 个指标作为聚类的影响因素。同时为保证各指标间的平衡性，每个指标均采用满分10分制。指标内部分级依据及分值对应关系以从业领域为例，即

Rt1={校园范围安全相关工作，非校园范围安全相关工作，非安全相关工作}={10,9,6}

(1)

3.1.2 专家权重聚类分析

传统k-Means算法初始簇心具有随机性，有较大可能收敛于局部最优，算法稳定性欠佳，而二分k-Means聚类则通过选择不同划分情况下的最优SSE(误差距离的平方累加和)来逐渐分裂簇[7]，保证了算法的稳定性，故模型采用二分k-Means法对专家专业权威数据进行聚类。此外，由于每次参与评价的专家人数、能力等不同，算法中的k值无法确定，因此模型使用肘部法则[8]通过对比不同k值下的SSE选取合理k值范围，同时进行轮廓系数检验来确定最优聚类结果。

3.1.3 专家专业权威权重计算

模型基于专家专业权威6 项指标(t1～t6)的综合得分情况确定专家类间权重Wq和类内权重Wqi，最终得到各专家权重值Wp。为避免给专家个数较少的类过高权重，类间权重通过该类总得分与平均得分情况复合得出。每位专家专业权威指标总分计算方法为

P=(t1+t2)×(t3+t4+…+t6)

(2)

3.2 AHP法确定指标主观权重

AHP法依据其原理可归结为确定最低层指标相对于目标层的重要性权值或各方案间的优劣次序[9-12]。本模型借用AHP法旨在得出校园安防评价中各指标的权重，故将评价指标体系中的二级指标作为最低层进行计算。AHP法确定指标主观权重具体过程为

1)生成专家调查表，构造判断矩阵。专家需要对同一层次的指标进行两两比较，根据1～9标度法确定其重要性程度，构造系统层次判断矩阵。

2)根据每位专家的判断矩阵分别得到指标权重、特征向量和最大特征根(CI)计算结果。其中特征向量归一化后即为各因素在当前层的相对权重。

4)计算最终指标主观权重。依据上述步骤得到每位专家的指标主观权重向量，结合各专家权重值计算得到各指标主观权重W。

3.3 熵值法确定指标客观权重

熵值法基于信息熵的概念，可以衡量各项指标值的变异程度，是一种客观赋权法[13-14]。信息熵值越小则说明专家对该项指标所占的权重认可程度越高，该指标在评价过程中提供的信息越准确。通过计算各指标的信息熵，能有效避免人为主观因素干扰，降低群体意见差异较大的指标对评价总目标的影响力。熵值法确定指标客观权重具体过程如下。

3.3.1 构造数据矩阵

利用AHP法中通过一致性检验后的各专家指标权重向量组成数据标准矩阵C=(xij)n×m，其中xij表示第i位专家第j个指标的数值。

3.3.2 计算熵值ej

计算第j项指标的熵值ej，具体为

(3)

式中Pij为第j项指标下第i位专家的数值占该项指标的比重。

3.3.3 计算指标客观权重W′

模型为专家群体认可度较高即信息熵较小的指标赋予较高的权重。第j个指标的客观权重计算公式为

(4)

3.4 组合赋权确定指标综合权重

本模型中使用的AHP法虽然结合专家权重降低了赋权结果的主观性，但对专家的依赖性依旧很高。熵值法虽然有效避免了人为主观因素干扰，但忽略了指标本身重要程度；虽然数据相对稳定，但影响评价结果程度较小的指标被赋予了较高的权重。故模型需对指标进行主客观组合赋权得出综合权重，避免赋权结果片面地依赖于主观判断或客观数据。考虑到组合赋权使用加法合成法会降低各指标最终权重值的差异，且主、客观向量的相对重要性权重无法合理地赋予，模型使用乘法合成法来得出各指标主客观综合权重WF，第i个指标的最终权值WFi计算方法为

(5)

式中：W为指标主观权重向量；W′为指标客观权重向量。

4 模糊综合评价

由于校园安防定性、定量评价都存在各指标评判结果模糊、难以量化的问题，故模型使用模糊综合评价法基于隶属度理论将模糊概念定量化[15]，对校园安防状况作出合理评估。定性、定量模糊评价总体过程相近，主要在单因素评判时存在差别。双因素模糊评价具体建模步骤如下。

4.1 建立因素集、评判集、分值集

因素集U内元素是安防评价系统中的各种影响指标，根据评价指标体系可建立定量因素集U1与定性因素集U2；评判集V是因素评判选项的集合，定量指标评判集存在差异，需依据其数据特征确定；分值集S为评价最终结果由向量表达方式转成数值表达提供分值依据。

4.2 单因素评判

单因素评判，即计算被评因素对应评判集中各个元素的隶属度。定性单因素评判根据所有评判员的评判结果所统计的各项评判值占比得出。设有r位评价员对某因素a进行评价，其评判集中包含s个评价值，评价结果中每项评判值对应的人数为r1-rs，则该因素的定性单因素评判为

(6)

定量单因素评判则将该因素实际数值与评判集中的分值范围相对应，赋予该评判值隶属度为1，其余为0。以定量指标中的巡更完成率为例，假设其评判集V={[v1,v2),[v2,v3),…,[vs,vs+1]}，由于现有系统中巡更数据通常以多条记录的形式存在，因此需统计累计应巡更次数与累计巡更完成数，从而计算得到巡更完成率x，若x∈[v1,v2)，则这一定量指标的单因素评判结果Ya={1,0,…,0}。

4.3 建立模糊评判矩阵

将所有单因素评判按其性质组成定性或定量模糊评价决策矩阵Y。

4.4 模糊综合评价

根据权重向量WF与评判矩阵Y可得到模糊评价向量D，其公式为

D=WF×Y=(d1,d2,d3,d4,d5)

(7)

再将评价向量D与分值集S中各值对应相乘，得出最终定性、定量模糊评价值F′1，F′2。由于定性数据通过学校组织评价员评价得出，其参考性随着时间推移而降低，因此适当调整定性、定量评价值的权重能得出更具参考性的结果。假设对上述模糊评价值分别赋予权重g1，g2，则综合评价最终结果F为

(8)

5 应用案例

为验证笔者所提模型的可行性，在绍兴某中专进行安防评价验证。该学校有较完整的日常安防管理制度和规范，且配装了一些智能化的安防设备，符合本模型应用场景。首先，基于专家专业权威相关信息，对邀请的13位专家进行聚类并赋予权重；其次，基于专家对本模型构建的评价指标体系中各指标间重要性判断的结果，得到指标主客观组合权重；最后，从该校各智慧安防系统中获取校园日常安防数据，经处理后对校园进行定量评价，同时组织7 位评价员对校园整体进行定性评价，从而得到校园安防最终评价结果。具体计算过程如下。

5.1 确定专家权重

首先，根据3.1节中影响专家专业权威的6 项影响因素指标及对应等级依据生成相关调查问卷，获取专家专业权威数据；其次，基于专家专业权威数据运用二分k-Means对专家个体进行聚类，得出不同k值对应成本函数和轮廓系数的线性关系如图2，3所示。根据图2结合肘部法可知当k>6时,数据平均畸变程度减小，改善效果不再明显，不适合作为k值的参考；图3中当k=4时，轮廓系数最大，表明其聚类效果最优，且图2中当k=4时,其成本函数变化趋势相对较大，对聚类结果有较大改善，故选择将专家分成4类。

图2 k值与成本函数关系图

图3 k值与轮廓系数关系图

根据式(2)计算出每位专家专业权威得分情况，结合上述聚类结果计算得到专家类间权重Wq={0.076, 0.543, 0.272, 0.109}，再根据每类专家的类内权重，得到各专家的最终权重值Wp={0.076, 0.127, 0.111, 0.102, 0.108, 0.096, 0.067, 0.065, 0.070, 0.070, 0.035, 0.039, 0.035}。

5.2 结合专家权重确定指标综合权重

依据模型构建的校园安防评价体系中26 个指标生成包含2 个一级、9 个二级共11 个指标重要性调查表，根据调查结果计算得出每位专家的各指标权重结果(篇幅原因不再赘述)。首先，利用专家权重Wp对各专家结果进行加权组合，得出指标最终主观权重向量W；其次，将每位专家的指标权重结果进行组合构成矩阵C，运用信息熵理论通过式(3，4)得出各指标的客观权重向量W′；最后，根据式(5)得到指标最终权重向量WF。由于安防评价体系包括定性、定量因素指标，双因素指标权重在后续评价过程中独立使用，因此按指标性质重新搜索权重向量WF并归类，分别得出定性、定量因素各指标最终权重值，结果如表2所示。

表2 定性、定量指标最终权重

5.3 模糊综合评价

依据指标体系中所有的定量二级指标构建成校园安防模糊评价定量因素集U1，定量评判集V1依据因素特征赋予不同的评价值。从校园安防系统中获取并处理成所需数据，然后对各定量因素进行评判，最终根据评判结果与定量指标权重加权得出定量模糊评价向量D1={0.595, 0.344, 0.061, 0, 0}。定量各因素评判集及其评判结果如表3所示。同理，构建校园安防模糊评价定性因素集U2，定性评判集V2={很好，较好，一般，较差，很差}。学校组织评价人员进行评判，然后统计评价结果最终得到定性模糊评价向量D2={0.533, 0.424, 0.043, 0, 0}。对定性、定量模糊评价建立相同的分值集S={100, 80, 60, 40, 20}，同时分别赋予定性、定量评价向量权重0.4，0.6，根据式(8)可计算得出该校最终综合评价值为90.328，其安防情况属于较好水平。

表3 定量各因素评判集及其评判结果

根据上述案例，相较于传统定性表达评价结果的方式，本模型获得的评价结果能够被具体量化，对校园安防整体状况的体现更加科学、精确。此外模型实现了定性、定量评价过程的相对独立，单因素评价也能较好体现出校园的安防状况。其中定量评价更是避免了评价过程对人员的完全依赖，可基于校园日常安防数据随机进行评价，有效降低了校园人力物力的消耗。

6 结 论

针对校园安防评价的特征，提出了一种系统化、规范化的校园安防综合评价模型。该模型有如下特点：1)评价体系更全面，新增基于校园日常安防数据的定量因素指标；2)指标权重更合理，引入专家权重并采用主客观组合方式进行赋权；3)评价过程更敏捷，定量因素评价基于校园智慧安防各系统，数据即需即用；4)评价方法更灵活，双因素评价相对独立，评价结果从各自角度体现校园安防情况；5)评价结果更科学，量化评价结果，动态赋予双因素评价结果所占权重。但是，本模型在赋予专家权重时，由于每位专家各项专业权威指标分值差异较小，聚类效果仍待提升，主客观组合赋权方法也存在改进之处，希望在后续工作中进一步优化。