大数据驱动的应急资源布局研究

袁 玉 樊 博

(上海交通大学中国城市治理研究院,上海,200030)

1 引言

自然灾害和突发性公共事件不断增加，威胁着人民生命财产安全，而且影响社会稳定，甚至对经济社会发展全局产生重大影响[1]。 无论是应急准备和预防、应急响应救援，还是应急恢复重建都需要大量应急资源，因此，应急资源的布局直接与应急管理效率相关。 2020年2月，习近平总书记在主持中央全面深化改革委员会第十二次会议时强调，要优化重要应急物资产能保障和区域布局，做到关键时刻调得出、用得上[2]。 如今的信息化、数字化时代对政府相关职能部门和应急管理机构提出了更高的要求[3-4]，大数据驱动的应急资源布局成为未来的主要建设内容。

突发事件的不确定性容易形成应急资源需求与供给的不平衡。 为了合理利用有限的资源，实现应急资源的科学布局，需要结合“互联网+”时代的技术特征，利用大数据驱动的信息和知识共享机制优化应急资源布局流程。 大数据技术可以对海量的数据进行集成、筛选、分类和处理，这使得大数据在突发事件的预防、处置和恢复过程中具有强大的应用潜力[5]。 国家层面对新型基础设施的重视有利于大数据技术与应急资源布局的整合与深度应用。 虽然现有研究已经取得了一些成果，但目前实际落地并发挥效益的应急资源布局还存在内容不具体、流程不明确的实践问题，这也是大数据项目尚停留在概念层面的重要原因[6]。 随着大数据驱动的应急资源布局的需求更加明确，应急管理部门迫切需要具体的布局指导方案，落实应急资源布局任务与大数据技术的融合。

2 文献综述

应急资源布局贯穿了应急预防、准备、响应和恢复四个阶段。 预防和准备属于灾前缓解行动，具体包括应急仓库选址、应急资源提前规划与存储等[7]；响应和恢复属于灾后救援行动，重点是调度应急资源到受灾点实现需求侧与供给侧的平衡。 应急资源广义上包括突发事件后用于救援的一切人力、物力、财力和信息等资源，本研究只考虑狭义上的应急资源，包括食品、医用药品等常规物资和各类设备设施（如手术台、担架、血浆）等医疗物资、专业救援和防护设备、应急通信设施以及能源保障等。 查阅国内外相关文献，本文总结了传统的应急资源布局和大数据驱动的应急资源布局的方法并比较两者差异，最后提出大数据驱动的应急资源布局分析框架。

学者们对于应急资源布局的研究已经从多个视角进行了探索，包括应急资源选址、需求预测和库存储备等。 这部分研究大多数是基于传统数学模型对应急资源布局的优化。 例如，应急资源选址和库存的三类经典模型：使得需求点与应急资源之间最大服务距离最短的P-中心问题、使得需求点到应急资源加权平均距离最短的P-中值问题和覆盖尽可能多需求点的最大覆盖问题。 由于应急管理的公平和效率目标难以兼顾，这三类经典模型的主要目标也存在不同，其中P-中心模型以公平为主要目标，例如，Chanta等[8]认为,基于整体生存概率而不是标准响应时间来评估系统的性能更有意义，并以生存概率作为客户满意度为目标，构建了应急医疗救援选址模型。 P-中值模型和最大覆盖模型则是以效率为主要目标，例如，Hogan 等[9]认为，备份覆盖利用了最大覆盖位置问题或位置集覆盖问题解决方案中存在的灵活性，通过备用覆盖选址模型，可以提高应急救援能力和系统对需求的弹性。 Burkey等[10]同时考虑公平与效率，研究了覆盖度、距离和公平多目标下的医院选址问题，并将现有选址与距离最小化和覆盖患者最多化两类目标下进行比较。 上述几类应急资源选址问题均为NP-Hard离散选址问题，精确算法在求解上存在极大难度。 随着启发式算法逐渐成熟，模拟退火算法、变邻域搜索算法等广泛应用于应急资源的基本选址和动态选址问题中，但启发式算法容易陷入求解局部最优困境。

在建立应急资源规划配置和储备库存时，应考虑突发事件下应急管理的随机需求，大多数学者采用离散情景表示应急需求的不确定性。 然而，应急资源规划布局的准确性需要掌握随机需求的分布信息，有部分研究通过历史数据估计应急需求分布参数的均值确定分布函数[11]。 在应急管理实践中可以使用的数据比较稀缺[12]，特别对发生数量较少的自然灾害与人为事故，使得应急需求分布参数的估计存在一定困难与挑战性。 大数据驱动下的应急资源需求计算基于海量信息、多源异构数据和机器学习等分析方法，在保障应急信息准确性、可访问性和计算处理能力方面都具有极大潜力。 智慧城市建立在庞大的物联网支持的传感器、视频和其他连接设备的感知网络之上，这些设备能够连续捕获每个风险网格的实时信息。 基于物联网的解决方案已广泛用于传感物理参数，以监测、预测和检测滑坡、森林火灾和地震等灾害[13-14]。 最近，各种研究强调了来自社交媒体的用户生成的数据对于资源需求和规划的作用[15]。 诸如Facebook和Twitter之类的社交平台在突发事件情景下对受灾信息的传播，已经超过了固定电话和无线电等传统模式的信息通信技术的使用，这在2012年“飓风桑迪”事件中已经得到充分证明。

大数据驱动的应急资源布局相比传统的应急资源布局，在信息化时代具有突出优势，本文从决策方式、前提条件、作用维度、支撑保障和实践结果维度，比较了以“计算”为重点和以“数据”为重点的应急资源布局，如表1所示。 传统的应急资源布局研究运用专家评估、运筹优化、案例推理等“计算”手段，大数据视角下的应急资源布局则是整合物联网技术、社交媒体等全网覆盖的感知网络和应急通信网络，从数据共享的角度建设信息沟通机制，为应急资源布局提供辅助决策。

表1 数据驱动的应急资源布局优势

使用大数据分析技术的最大好处之一是能依靠不同的工具和技术处理和挖掘大量非结构化、半结构化和结构化数据，其中包括使用传统工具无法获得的各种数据源[16]。 首先，就决策方式和前提条件而言，基于稀疏历史数据和案例的决策，难以有效应对级联耦合突发事件的应急要求。 大数据驱动情境下，基于海量的多源异构数据和数据挖掘技术为工具的辅助决策系统，能够增强决策者在不确定环境下的数据分析和利用能力。 例如，CrisMap是一个使用Kafka和Spark快速收集和分析社交媒体数据的可视化决策支持系统[17]，该系统生成的风险地图有助于在早期阶段获得突发事件的态势感知，识别受到严重冲击的区域，并估计更准确的应急资源需求。其次，就支撑保障而言，数据驱动的应急资源布局旨在打破信息壁垒，建立跨部门跨区域的数据共享和信息沟通机制[18-19]，协同多主体进行应急资源布局。 最后，就作用维度和实践结果而言，传统静态的应急资源布局，难以在应急管理全过程中有效发挥应急资源的灵活性和联动性，对于复杂事件和多重目标的处理显得心有余而力不足。 数据驱动的应急资源布局依据其强大的算力和实时反馈功能，能够对“事前－事中－事后”全过程进行优化。采用机器学习和深度学习等技术，从复杂的数据集中开发可用的知识具有巨大潜力，这类技术在学术和实践中的应用也越来越普遍[20-22]。

3 大数据驱动的应急资源布局分析框架

在应急资源布局管理实践中，风险网格划分、应急资源需求预测、规划配置和储备供给是协同联动并相互依赖的，运用危机管理4R理论能够更好地解释其相互关系。 其中缩减力（reduction）是应急资源布局的核心目的，贯穿应急管理的全过程，在准备阶段能识别风险源，划分风险网格并计算其权重，旨在降低全局脆弱性；在响应阶段能迅速定位突发事件位置，评估事件状态和后果并动态配置应急资源，尽可能提高应急救援效率；在恢复阶段能对网格恢复状况进行分析研判，并实时反馈给决策者，更新风险网格权重。 准备力（readiness）主要是事前管理，对应于应急资源布局的规划和配置，在划分风险网格后，根据其地理位置和风险权重为应急资源储备库选址，以在多种突发事件情况下达到应急资源最小时间或最大覆盖等多个应急救援目标。 响应力（response）主要是事中管理，对应于应急资源布局的需求计算以及规划配置，在突发事件发生后，数据驱动的应急资源布局通过采集海量多源的数据进行风险研判，准确、快速地计算出风险点的资源需求数量和种类，基于现有的应急资源布局，动态调配应急资源储备以提高应急响应能力。 恢复力（recovery）则对应事后管理，主要是从突发事件中学习经验，反馈到应急资源数据库中转化为知识，进而更新风险网格权重以及规划应急资源等等，形成全过程的循环。

基于上述分析，文中尝试提出一个数据驱动的应急资源布局框架来整合突发事件生命周期中各阶段的应急资源管理重点，该框架的主要思想是基于大数据分析的风险网格划分及其风险权重计算，通过应急资源规划配置、需求计算以及储备供给，在突发事件“事前-事中-事后”全过程中充分发挥数据驱动的数据采集系统和决策支持系统的能力，进而实现应急资源优化和救援效率提升的双重目标。如图1所示，大数据技术依赖于其强大的数据采集系统和决策支持系统，在应急资源布局的全过程中提供“数据共享”“数据挖掘”“数据分析”等服务。

数据驱动的应急资源布局，如何存储和管理海量异构的数据资产是一个重要的研究问题。 数据即服务 (DaaS) 是一种根据决策者需要提供数据的云计算服务。 随着数据规模的不断增长，需要一个统一的基础设施，为存储和管理不同类型的海量数据提供应急资源布局决策的通用和定制化功能。 DaaS允许决策者通过调用相应的API来检索和下载所需要的数据，而无需获取和存储庞大的数据资产。 随着云计算的最新发展，在云上构建以更低成本提供更大数据资产的DaaS 来支持应急资源布局变得更加容易。

信息与知识的价值在应急资源布局实践中已被广泛认可，数据挖掘可以提取并形成有价值的信息与知识来实现多个目的，例如评估网格风险、提高资源布局效率、指导决策等[23]。 完成这些任务包含数据清洗、去隐私化、信息提取、建模、可视化等数据挖掘服务（MaaS）。 拥有干净、准确的数据源来支持数据挖掘对于成功至关重要。 应急资源布局决策所需的数据往往是在不同的设备中收集的，并且经常包含动态的地理人口数据、非结构化的信息等。 通过使用集成数据导入、关系数据库和预测算法的技术解决方案，可以提高数据挖掘模型的自动化效率。

分析即服务（AaaS）是指使用各种分析技术（机器学习、深度学习、案例推理等）从大数据集中提取有用的知识和见解。 例如，决策者可以使用分析技术来研判风险，并根据风险网格的应急资源需求优化现有资源布局，做到事前预防储备、事中动态配置和事后学习优化。 此外，数据驱动的分析得到的预测可用于生成一系列决策组合方案，作为应急资源战略规划的输入，决策者可以根据风险偏好和突发事件情景选择不同的方案。 云计算被认为是AaaS的一种有前景的工具，能够灵活地提供按需存储和计算数据资源。 云计算支持的应急资源布局分析方案分为两步，首先，决策者通过应用来自云端的建模实例来构建分析流，其次，将分析模块存储服务器的实例提交到按需分析的云，分析模块中的训练数据和预测模型都由云进行透明化管理。 决策者在云端部署分析服务，第三方云服务提供商负责云运营，可以大幅提升应急资源布局分析服务的成本效益。

3.1 大数据驱动下应急风险网格的划分

传统的风险溯源和风险预测通常使用历史灾害数据、统计数据作为风险的评估手段，在数据层面，大部分此类数据在时间尺度和空间尺度粒度不足以反映现代生产生活中快速的动态变化。 在方法层面，传统的风险评估模型一般是基于自然灾害系统论，构建致灾因子、承灾体和孕灾环境三要素的指标体系，通过对各指标的给定权重和打分揭示实际风险的因素。 该方法依赖于专家的主观性知识，受不确定性因素影响较大。 此外，我国自然条件、产业结构和社会文化等因素复杂多样，即使两个相同灾害事件发生概率的地区所面临的风险也可能存在差异，传统的风险评估未能对不同地点的潜在风险等级给予合理的权重[24]。 因此，应急资源布局难以兼顾具有较高风险等级的站点和全域公平。有学者依托浙江省森林火灾案例数据和地理信息数据，通过校正火灾模型和随机模拟生成火灾数据解决观测数据稀缺的问题，分析了森林火灾的时空分布[25]。 考虑到历史事件的空间属性，已有研究根据数据仓库的数据结构，提出了一种将突发事件的空间和非空间数据无缝集成的混合模型，并根据空间数据关联算法实现对突发事件的分析功能[26]。

应急风险网格划分与权重计算是应急资源布局的核心与基础，大数据驱动的风险网格划分和权重计算，借助历史数据和基于地理信息系统(GIS)和物联网等技术的实时监测数据，通过数据挖掘和特征分析能够实现网格的合理划分与权重分配。 具体来说，如图2所示，在基于客观的历史数据和实时监测数据基础上，赋予每个风险网格不同的权重，有利于实现风险评估的科学有效性和应急管理的精细化[27]。 首先，基于大数据技术集成并挖掘历史发生的大量灾害案例，发现时空特征与灾害等级的关联关系，识别风险源并评估网格的历史风险状况。 其次，借助智慧城市基础设施掌握公共大数据，依托于物联网等技术精准识别网格中风险源头，采集风险源的各项指标，如温度、有害气体浓度等，对各类数据设置预警阈值，当出现超出阈值时发出警示信息并及时安排处理；除固定危险源外，结合卫星定位、GIS和移动通信、视频监控等相关技术，监测移动危险源及其动态轨迹。 最后，结合多源时空大数据，对风险网格中的各类灾害风险进行计算，构建不同等级权重的风险网格。

3.2 大数据驱动下应急资源的规划配置

科学的应急资源规划布局有助于提高突发事件发生后应急救援的效率。 然而，仅依赖常规行政区划的静态布局方式在很多情况下难以满足应急管理的需求，或者是在需求满足的情况下需要占用大量的资源。 数据驱动的资源规划配置可以实现精准管理和合理的统筹规划（见表2）。

表2 大数据驱动的应急资源规划配置特征

第一，有权重的风险网格提供了风险源空间聚类的基础，为应急资源布局的选址提供了决策依据。 数据驱动的应急资源布局在考虑行政区划的基础上，基于大数据划分的有权重的风险网格进行空间聚类，进而科学规划有限的应急资源，能够将有限的应急资源合理部署在价值最大的位置，提高应急资源布局的精准性。

第二，决策者需要根据预测的未来资源需求的可能情况来确定应急资源规划和配置。基于交叉融合的多源数据、机器学习等数据挖掘方法的大数据视角，准备预防和响应恢复过程中的需求分布则变得不那么困难。

第三，利用传感器技术和数据共享平台对应急资源实行定期检查和更新。 摄影、射频技术可以对关键应急物资进行实时在线监控，进而实现应急资源的有效库存管理。 在突发事件发生后，大数据技术不仅能结合静态的基础地理信息和人口分布数据，同时能够融合动态的人口出行数据和各种危险源的生产运转数据，克服灾难条件下需求不确定性等因素，动态调整优化资源规划[28]。

第四，事故的级联效应是传统应急管理中的难题，借助大数据技术能快速监测到突发事件后产生的次生灾害的特征和范围，以及在事故响应过程中产生的新需求。 应急资源布局涉及的多个利益相关方，经由统一平台实现数据共享和实时信息沟通，可以有效减少信息延迟或信息不对称产生的成本，在最大范围内实现有限应急资源的最大化利用。

第五，应急资源布局的核心是将多渠道、多主体集群构建在同一体系的管理系统，该系统能够实现技术与功能的统一，实现用户层和数据层的无缝衔接。 数据驱动的应急资源管理系统为资源布局的集约化提供了保障和支持，在DaaS、MaaS和AaaS三层架构基础之上，优化数据大规模存储、集中化运维，提高系统功能扩展和兼容性。

突发事件对应急资源需求的不确定性和资源闲置成本是应急资源布局面临的关键问题。 在大数据驱动的应急资源规划配置模式中，应急资源分为静态规划的集中应急资源储备库和动态配置的移动应急资源储备库，规划配置决策本质是以实现应急资源效率最大化为目标。 在未发生突发事件时，数据驱动的应急资源规划基于历史案例和地理人口数据进行参数学习和训练，利用贝叶斯网络推理等方法预测突发事件概率和资源需求，实现对风险网格的基本覆盖，确保在突发事件发生时能够及时救援。 当突发事件发生时，数据驱动的应急资源配置系统对资源需求进行估计，并利用数学模型等优化算法对已布局的应急资源进行分装、调度，估算应急资源在受灾点的优先级，并从全局效率优化视角集成配置应急资源，生成实时配置方案。

3.3 大数据驱动下应急资源的需求计算

在应急管理的各个阶段，对应急资源的种类、数量和时间紧迫性需求都是不同的。 准确计算和预测应急资源需求，有助于应急决策人员对应急资源进行高效合理的预置存储和动态配置。 由于突发事件造成物理和社会通信基础设施的中断和破坏，难以直接获取灾区的应急资源需求信息。 在这种情况下，来自事故现场的社区情报是主要的信息来源[15]。然而，这些信息是非结构化的、零散的和低价值密度的，将其吸收并转化为有用知识极具挑战性[29]。 此外，这类信息的准确性和可靠性也比较低。 如果缺乏对所有信息源的有效整合，基于这些碎片信息作出的各种重要的需求预测也缺乏准确性。 这种不确定性加上因及时决策的需要而增加的复杂性，导致在实践中的需求计算通常使用启发式方法而不是可靠的数据。 这种决策过程的非正式性质加上缺乏准确的信息会影响最终决策[30]。 大数据驱动的应急资源需求计算在缺乏正式信息沟通渠道的情况下，通过物联网支持的传感器、视频和其他连接设备的感知网络能够不断扫描外界环境，感知突发事件最新的受灾情况，整合集成多源数据信息，提高准确研判风险趋势和评估应急需求的能力。 这是数据驱动的应急资源需求计算的前提，为后续资源需求计算提供数据支持。 通过大数据分析技术支持的算法（有监督算法或无监督算法）构建的决策模型识别受灾点的应急物资需求种类和数量。

具体而言，应急资源需求计算包括了数据采集、数据处理、建模分析和结果反馈四个阶段（见图3）。 ①采集来源于各类基于物联网的传感器数据（水压、温度、气体浓度等）、地理信息系统数据（人口移动轨迹等）、视频数据（监控视频数据等）、社交媒体数据（灾区公众关于灾情、需求的评论、短视频等）、档案数据（人口分布）等。 ②对采集的各类数据进行清洗、存储等预处理。“大数据”与大量非结构化数据相关，这些数据通常难以存储、难以可视化，并且类型和格式非常多变。数据质量是在不确定环境中预测应急资源需求的关键[31]，通过解决不准确和冗余数据的风险，可以充分利用大数据的潜力。 ③大数据分析是借助数据挖掘算法对从突发事件地点收集的大量多源数据集进行分析，以了解实地情况并预测可能的事件演化态势，构建预测模型来识别受灾点的资源需求类别和数量。④预测分析得到的结果需要以可视化等方式反馈给决策者，决策者根据反馈结果评估预测模型准确度，如果计算得到的应急资源需求未达到决策者设定的置信区间则可进一步对数据驱动过程进行优化迭代，如采集、精炼某些特定信息或选择其他算法。

3.4 大数据驱动下应急资源的储备补给

应急资源储备补给不仅是政府的事情，调动和整合社会力量参与到应急资源储备体系中，也能更充分地优化应急资源布局和保障应急救援工作。《中华人民共和国突发事件应对法（草案）》对应急资源储备补给制度进行了修改完善，《草案》规定“建立健全应急物资储备保障制度，动态更新应急物资储备品种目录，完善重要应急物资的监管、生产、采购、储备、调拨和紧急配送体系，促进应急产业发展，优化产业布局。”相比于2007年版本，这一条例增加了应急资源储备补给体系中“采购”环节，突出了对应急产业的重视。 应急物资储备模式主要分为两大类：一是政府、企业、社会、家庭的实物储备，二是政府与企业的协议储备、合同储备和产能储备。“分类分级落实储备责任，完善储备模式，创新储备管理机制”是大数据视角下应急资源储备补给的重点方向。 因此，未来的应急资源储备补给实际上是一个多主体供应链网络。

整合多主体的应急资源供应链，实现大规模突发事件下跨产业、跨部门、跨区域的供应链协同，需要打破部门信息壁垒，增加应急资源存储单位之间的权限的交叉性。 企业供应链发展较为成熟，为应急资源储备管理提供了很好的借鉴模式。 与企业供应链中的生产和订货相似，应急资源储备与企业供应链中的安全库存一致。 如图4 所示，将政府、企业和公民都作为资源储备的主体，供应链网络中的政府、企业和公民都是为突发事件服务的，突发事件的特征和信息通过物联网的感知网络和通信技术网络传递给供应链网络中的主体，经应急指挥中心快速找到货源并及时采购，并将所需的应急资源运输至需求点。 若应急资源存在不足，则需要及时生产或从其他主体处调运。 由图4可以看出，应急资源库存类似企业供应链从原材料库存到成品库存的运作流程，应急资源的协同储备能力依赖于信息沟通共享机制[32]，信息共享在其过程中发挥着重要作用。 政府、企业和公民在资源管理各节点的信息都是透明的，主体间的信息共享能够快速获取供应链上下游信息，追踪应急资源的流向，准确判断应急资源的供需情况并共同协商作适当调整，以及时处理突发事件。 具体来说，数据库建设过程中可将合同储备和生产能力储备的主体信息作为资源储备的一个功能模块，依托信息化平台实现日常运营的监管，在应急决策时约定的资源种类、数量、地理信息等作为决策支持的依据，在调用资源时能及时准确地传达资源需求，保证合同企业在应急时间窗内快速响应[33]。

4 结语

2017年，国家发展改革委与工信部等多个部门和单位联合签署了《国家应急物资保障信息共享备忘录》，明确了信息共享方式和管理责任，建立了相应的工作机制。 遵循习近平总书记提出的应急资源保障的“集中管理、统一调拨、平时服务、灾时应急、采储结合、节约高效”的原则，本文论述了大数据技术驱动视角下的应急风险网格划分、资源规划配置、资源需求计算和储备补给四部分内容，为国家应对重大突发事件的应急资源布局有序高效运作提供了决策依据和实施参考。

突发事件具有随机性、不可预测性等特征，在应急管理的各个阶段满足救援需求，需要灵活、高效的技术支持和辅助决策，需要形成与大数据时代匹配的应急管理思想和资源布局模式。 虽然大数据驱动的应急资源布局仍然在初步实践阶段，但该模式的理论探讨对于我国应急资源敏捷、智能管理体系的构建、实施和应用提供了框架。 未来的研究可进一步讨论大数据驱动的应急资源布局对应急管理能力的影响。