赵士翔,胡春春,马 兰
(1.武汉大学 测绘学院,湖北 武汉 430070; 2.航天信息股份有限公司,北京 100195)
突发公共安全事件发生前兆不明显、破坏性较强,具有明显的复杂性和潜在的次生危害[1]。危险化学品事故作为后果较为严重的1类突发事件,其演变路径复杂而不确定,涉及范围广。近年来,针对危险化学品事故处置方法,“情景-应对”型决策范式逐渐代替传统“预测-应对”型决策范式[2]。依据事故实况,快速有效地制定应急处置措施,成为事故处理决策部门的首要任务,而情景是决策者作出决策的重要依据。
“情景”(Scenario)一词最早被定义为“对事件未来发展的潜在结果和趋向及其发展路径的描述”[3]。此后,许多学者从情景描述、情景要素界定和情景演变等方面开展相关研究:仲秋雁等[4]提出基于知识元的情景概念模型及其实例化方法;王颜新等[5]以致灾因子、承灾体和孕灾环境作为情景组成要素;裘江南等[6]通过“输入-状态-输出”3层网络结构描述突发事件情景。情景按照事件发展规律和外界人为干扰,由原始状态至产生新的情景过程称为情景演变[7]。姜卉等[7]基于“情景、处置目标、处置措施及事件自身演变”4要素,提出情景演变的网络化表达方式;Mohammed等[8]在环境决策研究中提出由情景定义、情景构造、情景分析、情景评估和风险管理构成的情景演化框架;Pomweol[9]从稳健性和风险控制2方面提出降低情景决策树复杂性的方法;盛勇等[10]从系统复杂性、开放式预先设想以及序贯性3个角度理解突发事件情景演化机理,并构建突发事件情景演化系统模型。但上述研究尚未解决“情景-应对”模式中情景演变的不确定性和动态性问题。
在情景推演部分相关研究中通过引入动态贝叶斯网络理论来解决以上问题。徐坚强等[11]构建基于贝叶斯网络的风险推理网络模型,动态评估建筑火灾风险;王健等[12]构建危化品道路运输事故情景分析贝叶斯网络模型,提出“初发事故-危化品事故”模式的事故链预测方法。此外,针对突发事件的情景推演研究还需要深入剖析影响事件情景演化方向的各类关键因素。
本文基于危化品事故情景状态及其对应孕灾环境、应急活动和处置目标4类情景要素,构建动态贝叶斯情景推演网络,实现危化品事故关键情景推演,掌握事故可能发展方向,并结合复杂网络知识进行关键节点分析,以期在事故节点中筛选高敏感度和重要度的影响因素节点,使应急处置措施决策和实施更具针对性,进一步为危化品事故应急处置提供决策支持。
在危化品事故研究中,情景构成要素指反映危化品事故发生、发展状态以及趋势的主要因素,不同学者对于情景要素的构成持有不同观点。基于公共安全的“三角形理论模型”[13],考虑到危化品事故的发展和处置过程中受到内部演化和外部干预等诸多因素影响,将危化品事故情景构成要素分为以下5部分:1)情景状态(S),主要指应急客体的状态,包括致灾因子和承灾体的情景状态。2)处置目标(T),指应急决策主体依据情景的不同状态制定的不同处置目标。3)应急活动(A),指应急决策主体依据情景的不同状态对应急客体采取的处置行为与措施。4)孕灾环境(E),危化品事故灾害孕育发生、发展和演变的外部环境。5)危化品事故自身演变(D),指危化品事故依据自身发生、发展规律的演变过程。
危化品事故发生后,情景S在受到自身演变规律和孕灾环境E影响的同时,会由于应急决策主体的介入受到应急活动A的影响。用处置目标T衡量影响作用的效果优劣,根据处置目标T达成与否,判断情景S后续朝积极或消极的方向演变为下一情景。下一情景继续发生类似的演变,直至事故结束。
若将情景要素视为贝叶斯网络节点,根据发展顺序链接事故所有情景,可用动态贝叶斯网络模拟事故发展演变,以节点概率值衡量情景发生的可能性大小,进一步实现事故演变方向及路径的定量推演。
贝叶斯网络是基于概率分析和图论,对不确定性知识进行表示的推理模型,它支持不完全数据推理和不确定推理[14],可以解决情景推演分析中事件发展的随机性和不确定性问题。贝叶斯网络是由节点和连接节点的有向边构成的有向无环图(Directed Acyclic Graph,DAG)。其中,节点表示变量或者随机参数;有向边表示节点间的因果关系,用箭头“→”表示,节点间因果关系的强弱用条件概率表示。动态贝叶斯网络既能够描述变量间的概率关系,又能反映其在时间维度上的变化,适用于危化品事故这类同时具有因果相关性和时序相关性的情景推演分析。
动态贝叶斯网络的数学基础是条件概率公式P(xi|y)和联合概率公式P(x1,x2,…,xn),如式(1)~(2)所示:
(1)
(2)
式中:x为动态贝叶斯网络中父节点的集合;y为子节点集合;n表示父节点集合中节点个数;P为概率值,取值为0≤P≤1。基于式(1)~(2),根据节点先验概率、相互关系及其条件概率,可以求得网络中所有节点的联合概率。
将危化品事故演变过程中的关键情景状态,及其对应孕灾环境、应急活动和处置目标等要素作为动态贝叶斯网络的节点变量,依据情景要素之间的因果关系和事件自身演变规律,将该节点变量连接起来构成危化品事故情景推演网络。动态贝叶斯网络构建主要包括以下3个步骤:
1)确定网络节点变量
在人工构建动态贝叶斯网络中,节点变量主要通过专家打分方法确定。为最大限度降低事故损失,减小应急决策失误的可能性,将悲观主义决策准则应用在危化品事故情景片段划分中。其决策原则是“小中取大”,从事故最坏角度出发,即在多个最坏结果组成的集合中选取相对的最优结果。由专家对同一情景进行打分,将得分最小值作为该情景的打分结果,在得分超过设定阈值的情景中,优先选取得分最大的作为事故演化过程中的关键情景。
本文以天津港“8·12”瑞海公司危险品仓库特别重大火灾爆炸事故[15](后文简称为天津港“8·12” 火灾爆炸事故)为例,根据事故发展过程及主要时间节点,确定共12个关键情景状态;确定与部分情景状态相关联的孕灾环境和应急活动要素,以及判定推演走向的处置目标各7个,具体如表1所示。
表1 天津港“8·12”瑞海公司危险品仓库特别重大火灾爆炸事故Table 1 Scenario elements of “8·12” fire and explosion accident in Tianjin Port
将表1数据作为构建动态贝叶斯网络节点。根据网络节点实际意义,对节点变量类型和取值状态进行以下设定:情景状态S、孕灾环境E和应急活动A变量类型为布尔变量,取值为{真(T),假(F)};处置目标T变量类型为二值顺序变量,取值为{积极(P),消极(N)}。
2)确定节点变量因果关系
根据节点变量之间的因果关系和事故自身演化规律,用有向箭头“→”将相关节点进行关联。根据情景节点之间的演变关系,构建天津港“8·12”特别重大火灾爆炸事故动态贝叶斯网络示意,如图1所示。事故演变路径将在不同情景状态以及不同孕灾环境和应急活动作用下,朝着积极或消极的方向发展。
图1 天津港“8·12” 火灾爆炸事故情景动态贝叶斯网络示意Fig.1 Schematic diagram for dynamic Bayesian network of “8.12” fire and explosion accident scenario in Tianjin Port
3)确定节点变量概率分配
危化品事故情景推演网络结构确定以后,需要确定各节点之间的关联强度,即节点变量之间的条件概率。对于没有父节点的初始节点,需要指定其先验概率。对于有父节点的网络节点,其节点间因果关系较为复杂,涉及到的影响因素较多,主要通过相关领域专家经验进行打分或指定进而确定其条件概率。
在确定危化品事故动态贝叶斯网络结构及节点变量的相关概率之后,根据公式(1)~(2)可由父节点先验概率和子节点条件概率,计算得到网络中各子节点的状态概率。根据各处置目标的状态概率大小确定情景演变路径的方向。
根据以上计算原理,本文设计开发“危化品燃烧爆炸事故情景推演系统”。推演网络中各节点状态概率如图2所示,由图2可以看出,此次事故发生概率最大的情景依次为有仓库起火S0,大面积燃烧S2,蔓延至毗邻环境S4,火势继续扩大S7,危化品爆炸S10及二次爆炸S12这6个情景,发生概率分别为100%、69.1%、77.4%、87.1%、76.8%、57.7%,与天津港“8·12” 特别重大火灾爆炸事故实际情景的发生顺序一致。
图2 天津港“8·12”火灾爆炸事故情景网络节点概率计算结果Fig.2 Calculation results of network nodes probabilities of “8·12” fire and explosion accident scenario in Tianjin Port
在初始情景S0中,该危化品仓库存放的硝化棉受热分解自燃,发现火情后虽及时报警并采取简单灭火措施,但处置目标火灾熄灭T0有效性仅为28.8%,将以69.1%的可能性演变至情景大面积燃烧S2。由于事故所在地为危化品仓库,堆积有易燃易爆的化工原料,周边物流及贸易公司存放有大量车辆,火灾发生后消防力量不足以有效控制火情,情景依次演变为蔓延至毗邻环境S4和火势继续扩大S7,其发生概率分别为77.4%,87.1%。经过长时间高温燃烧,部分装有硝酸铵的集装箱发生爆炸,事故情景以76.8%的概率演变为危化品爆炸S10。由于事故现场发生爆炸,造成消防人员伤亡,灭火救援等行动暂时受到阻滞,应急救援行动的有效性被明显削减,事故现场紧接着发生第2次爆炸。从火灾发生到火势蔓延再到危化品爆炸,根据推演概率,该事故演变依次经过出现火灾S0-大面积燃烧S2-蔓延至毗邻环境S4-火势继续扩大S7-危化品爆炸S10-二次爆炸S12等情景,与事故实际情景相符。情景推演网络除推演事故演变路径,也可以探究孕灾环境及应急活动要素对于事故演变的影响。例如在火势继续扩大S7情景下,若周围环境不存在硝酸铵,燃烧物这一影响因素的概率将降低40%~50%,孕灾环境E7的概率将随之降低10%~12%,应急活动A7的有效性将升高8%~10%,事故具有更大可能性向积极方向演变。
动态贝叶斯网络有效应对情景推演中的不确定性和动态性问题,根据历史案例和专家打分得到的节点条件概率,给情景推演网络添加了灵活性。在推演过程中,可以在预设概率的基础上,动态调整节点的发生概率以契合事故实况,在条件概率的传递作用下动态推演后续情景节点的发生概率。从情景推演网络中分析节点的敏感性与重要性,找出影响推演的关键要素也是推演分析研究的主要内容。
从防灾减灾角度,在突发事件发生后,如何高效科学决策,采取有效措施截断或者减缓灾害链式反应的发生,与控制事故演变方向同等重要[16]。在对危化品事故进行情景状态概率推演的基础上,对网络节点变量进行敏感性和重要度分析,可探究某一节点概率变化对于目标节点概率变化的敏感程度大小,以及各节点变量在整个网络中占据的重要程度,以期从网络节点层面为危化品事故应急决策提供辅助支持。
贝叶斯网络是变量及其关系的完整模型,具有良好的敏感度分析功能。通过某节点概率的1个微小调整,分析其对于目标节点概率所产生的影响,影响程度大小的量化值,可较明显地反映节点间因果作用的强弱。
利用贝叶斯网络仿真软件GeNIe 2.0,对天津港“8·12”特别重大火灾爆炸事故的动态贝叶斯网络中其他节点对事故关键节点S10危化品爆炸的敏感性进行分析,计算结果中最为敏感的节点及其敏感性值分别为T7“火势缩小、人员基本撤离”(0.432)、E7“长时间燃烧、环境高温”(0.289)、T8“火灾熄灭”(0.229)、A7“消防灭火、撤离人员”(0.214)和A8“增强消防灭火”(0.212)等。结果表明,上述节点的概率变化对于情景节点“危化品爆炸”的影响程度较大,事故处置时从以上节点入手可有效影响演变走向,而计算结果也侧面验证节点关联关系设定的合理性。
同时,应用复杂网络中关键节点相关理论,可甄别出危化品事故情景推演网络中对网络演化起到关键作用的节点。介数中心性度量的是1个节点出现在网络中最短路径上的频率,而特征向量中心性在衡量节点重要性时,既考虑其邻居节点的数量,也考虑其邻居节点的重要性。在推演网络中,主网络中重要度指标值位列前列的节点见表2。由表2可以看出,处置目标T2(火灾熄灭)和T4(阻止火势继续蔓延)是火灾初始阶段和迅速发展阶段之间的重要连接节点,情景S7和S8直接影响“危化品爆炸”情景节点,其在事故演化过程中的重要性不言而喻。
表2 情景推演网络节点重要度指标值Table 2 Index values of node importance in scenario deduction network
通过事故历史案例和面向一线单位及相关领域专家的问卷调查分析,本文在事故演化的各个阶段分别探究孕灾环境和应急活动要素的具体影响因素,部分影响因素会对多个情景要素产生影响,对该部分影响因素进行整合合并。应急活动的主要影响因素包括监测预警A_1、警戒疏散A_2、消防力量A_3、避难点及医院A_4等。孕灾环境的主要影响因素有:人为火种E_1、自然火种E_2、危险源E_3、火场环境E_4和有害气液E_5等。燃烧物EA_1和建筑密度及耐火性EA_2能够同时影响应急活动和孕灾环境。上述影响因素与主网络中各阶段的孕灾环境和应急活动要素组成的影响因素层网络局部示意如图3所示。在实际推演过程中,各影响因素将根据事故实况影响A、E类节点,进而影响事故情景节点发生可能性。
图3 影响因素层网络局部示意Fig.3 Partial schematic diagram of influencing factor layer network
考虑到网络结构和条件概率参数值会直接影响节点敏感程度,通过调整在父节点状态(T/F)取不同值的情况下,子节点对应条件概率参数值的差值,得到不同差值情况下的影响因素网络节点敏感性值,如图4所示。图4中横轴代表因素层网络的初始条件概率(Normal)及调整的条件概率(adjustment)。在初始条件下,父节点状态取相反值,子节点条件概率差值为5%。以A_2及其子节点A2为例,初始条件概率下,A_2的节点状态取T和F时,A2状态为T的条件概率取值分别为95%,90%,差值为5%。在初始条件下,敏感性最强的3个影响因素节点为A_3、EA_2和E_4。在图4调整1一栏中,设定3个节点的条件概率差值都为5%,其余节点的条件概率差值调整至10%。在图4调整2~4 3栏中,分别设定3个节点的条件概率差值为5%,其余节点的条件概率差值调整至10%。结果显示,在这5种条件概率调整方案中,消防力量和建筑密度及耐火性2个影响因素的敏感性较强。
图4 因素层网络节点敏感性分析结果Fig.4 Sensitivity analysis results of nodes in factor layer network
由于影响因素网络节点都不具有父节点,选取调和紧密中心性这一指标作为节点重要度的衡量值。它是紧密中心性的变体,通过计算节点到其他所有节点平均距离的倒数度量重要度。因素网络层中根据调和紧密中心性计算得到的比较重要的因素节点见表3。其中,燃烧物EA_1在网络中的重要度指标值相对最高,在实际情景中,燃烧物的性质和数量也是导致危化品燃烧爆炸的重要因素。
从敏感性和重要度的分析结果可知,因素节点中消防力量A_3、火场环境E_4和建筑密度及耐火性EA_2敏感性较强且在网络中较为重要;因素节点中警戒疏散A_2较敏感;避难点及医院A_4重要度略强;有害气液E_5和燃烧物EA_1在网络中重要度很强但是节点本身不敏感。在图2所示的推演系统中,可根据各影响因子的敏感性和重要度不同,对各节点的状态概率取值的调整提供参考。在实际应急处置过程中,则需考虑以上因素节点的不同特性,采取具有针对性的措施。
表3 因素层网络节点重要度指标值Table 3 Index values of node importance in factor layer network
1)在对危化品事故进行情景分析的基础上,引入动态贝叶斯网络理论,以事故中的关键情景状态及其所对应的孕灾环境、应急活动和处置目标等要素为节点变量,构建危化品事故情景推演网络,能够实现危化品事故关键情景演变方向及路径的推演。在天津港“8·12” 特别重大火灾爆炸事故实例中,该模型的推演结果符合事故实际情景。
2)对孕灾环境和应急活动要素,在事故演变不同阶段的具体影响因素进行细致的划分,筛选出敏感性和重要度较强的影响因素节点,有助于在事故应急处置中采取具有针对性措施。
3)危化品事故涉及因素众多,演变的复杂性和不确定性较强,后期需要着重获取足够数量的实际案例样本,以得到更加精确的节点变量概率值。