灾难医学动态救援推演模型与实例应用

周 丹， 刘中民

（1.同济大学 附属东方医院，上海 200120；2.同济大学 医学院，上海 200092；3.同济大学 灾难医学工程研究院，上海 200120）

1 引言

“汶川地震”“昆山爆炸”“昆明暴恐”“新冠肺炎疫情”等各类灾难事件严重影响着人类的生存发展，同时给灾难现场的医学救援和应急管理带来极大挑战。灾难事件具有突发性、复杂性、破坏性和不确定性，在发展过程中往往伴随着转化、蔓延、衍生、耦合等多种演化模式［1，2］，并在同医学救援活动的交互中交叉、替换、叠加、扩大，构成极其复杂的动态发展路径。

机理分析是灾难医学救援工作开展的基础，对事件的演化过程进行观察、总结和抽象，以揭示事件的原则性、原理性、流程性、操作性机理特征与具体表现形式［1］。灾难不同的演化态势需要有针对性地施以救援手段；而不同的医学救援策略也会导致灾难不同的演化结果。目前，对于灾难演化机理的研究集中在舆情分析、情境构建、风险评估、应对策略等方向。比如，叶琼元等［3］面向突发公共卫生事件，开展了网络舆情风险演化机理研究。常丹等［4］以北京市为例，进行了超大城市社会安全类突发事件情景演化及仿真研究。此外刘德海［5］展开了政府不同应急管理模式下群体性灾难的演化分析。而Chen等［6］以非常规灾难案例为对象，探讨了灾难在处置预案、决策主体、预警级别等策略因素影响下，“原事件”演化为“子事件”的预测模型。

历史案例是救援策略的宝贵经验来源，有诸多学者以案例为突破口深入灾难救援研究。早期Montopoli等［7］研究了Grand Teton National Park园区内609起偏僻地带的典型事故，对景区风险的识别和事故预防有重要借鉴意义。Albertssona等［8］通过瑞典发生的128起客车撞车事故，分析安全带的损伤结果及交通机制的可能影响。Cherry等［9］分析了2000—2015年间执法部门关于黄石公园野牛袭人的叙述性案件记录，评估导致伤害的高风险行为。近来，Zhang和Li［10］论述了梅兰蒂台风袭击厦门时的应急工作实例，而案例研究也更为多见地被应用于中国PPP项目的风险分析当中［11，12］。

灾难医学救援不是单一行为，而是具有连续性的一系列行为，其研究范畴涵盖了救援个体的行为分析、基于情景的决策流程和基于态势预测的决策模型构建等诸多方面。目前，针对灾难救援的研究主要集中在紧急状态下的救援个体心理、行为和教育培训，救援决策和效率优化，以及无人机、机器人等人工智能的工程技术研发方面。紧急状态下，个体风险感知偏差以及所导致的群体行为，是影响灾难救援决策、发展演化的重要因素［13-15］；而灾难医学教育的发展及培训方案的设计对于紧急状态下的救援工作尤为关键［16，17］。此外，“情景”是灾难发生发展的态势，是救援开展的前提并突出了过程动态性特征，这使得“情景—应对”型应急管理模式逐步成为优化灾难医学救援的重要方法［18，19］。

已有研究成果为本文提供了启发思路和理论基础，灾难医学救援仍然停留在被动处置应对的操作层面，针对于灾难医学救援的机理分析方法和推演预测模型尚为空白。基于此，本文创新地从历史案例当中探究灾难事件的演化机理，对演化路径和发生概率进行定性和定量描述。充分运用已有案例的数据信息，创新灾难医学救援方法，试图将灾难医学特征与应急管理方法论相结合，探究灾难事件动态演化规律。从而实现在处置应对灾难事件的过程中，建立合理的演化分析框架和推演预测模型的研究目标。该研究在理论上，创新地提出了灾难医学救援机理分析方法，并构建灾难救援推演预测模型。在应用中，对于科学开展医学救援具有重要意义，并能够为灾难预警和应急处置提供切实参考。

基于此，本文对1990—2022年全球40个特大城市中实际发生的110个灾难事件的演化路径进行总结，提炼分析各案例全生命周期的演化规律，从而在历史案例当中探究灾难事件的演化机理。创新地将决策实验室分析法与知识元理论相结合，构建针对于灾难案例分析的情景要素表达模型，并将贝叶斯网络模型应用于特定灾难事件的临场情境推演，形成灾难医学救援动态推演模型，从而建立合理的演化分析框架和推演预测模型，创新灾难医学救援理论方法。最后，将“8.12天津滨海新区爆炸事件”作为实例，对模型应用的合理性加以验证，构建形成可推广应用的灾难医学动态救援推演模型，从而通过创新管理思路和理论方法提升灾难医学的救援水平。

2 数据来源及处理

首先，通过查找互联网咨询平台、国际报刊、新闻媒体报道及相关事故报告，获取全球自1990—2020年的大量灾难事件信息，包括自然灾害、事故灾难、公共卫生事件和社会安全事件。依据中国城市突发事件分类体系［20］及事件机理过程，筛选出符合演化特征的案例样本。其中中国境内样本68个，世界范围的其他国家样本42个。

接着，挖掘、还原、记录各案例自发生、演化至终结的全过程，并进一步分析其中“原事件-子事件”的演化机理，识别其中的影响因素和作用结果，着重刻画事件的本质规律，生成特大城市非历史灾难事件案例文本集。

最后，对能够全面描述案例演化过程的关键信息进行识别和提取，包括：事件类型、发生时间、持续时间、处置主体、相关预案、物资调用情况、子事件演化类型、影响损失程度等。依据突发事件机理分析理论，梳理出机理分析所需要的关键信息，构建演化驱动因素分析数据库，形成案例样本。

3 研究方法及步骤

3.1 演化驱动要素识别模型

突发事件演化影响因素的复杂性决定了其演化模式的多样性，探究突发事件演化的驱动因素是准确把握其演化规律的关键所在。基于突发事件演变的不确定性特征，分析该类事件情景演化的驱动要素及方式。把握影响突发事件演化的因素，以合理控制事态演化。

决策实验室分析方法（decision-making trial and evalution laboratory，DEMATEL）是一种用于分析复杂系统因素的算法，能够通过直观的图表来验证、反映变量之间的相互依存关系［21-25］。

在已有数据的基础上，汇聚专家意见，用案例总数的70%（77个）用于开放性译码，剩余30%（33个）的案例用于饱和度检验，以避免驱动因素的选取存在疏漏。通过对77个典型案例演化信息的开放性译码，得到7个一级范畴，20个二级范畴。设计5级量表表示因素对事件演化的驱动力水平（0～4级驱动力水平依次增强），向专家发放问卷，综合打分结果并对照剩余的33个检验案例的演化过程信息，最终剔除冗杂因素确认保留7个主要驱动因素：事件类型、发生时间、持续时间、危急程度、方案举措、处置主体、伤亡损失情况［26］。这一结果综合分析了110个历史案例所得，7个驱动因素同样适用于梳理概括其他灾难事件。

运用DEMATEL模型识别确定灾难医学救援情景演化的主要影响因素。通过提炼110个突发事件案例样本的关键信息，确定对突发事件各阶段起作用的应急管理构成要素，设为a1，a2，…，an。

（1）运用德尔菲法考察驱动事件演化的主要因素，使用李克特5级量表，对专家打分进行加总计分以得出不同因素间的影响程度，确定因素间的直接影响矩阵A。构建n阶矩阵A＝（Aaiaj）n×n表示两两因素间的直接影响关系，其中Aaiaj表示ai对aj的影响程度。

图1 直接关系矩阵

（2）规范化直接关系矩阵A，经公式（1）和公式（2）计算，得到矩阵B。

图2 规范化的直接关系矩阵

（3）在规范化的直接关系矩阵B的基础上，计算驱动因素间的综合影响矩阵C。当n充分大时，以B（1-B）-1近似计算C，得到综合影响矩阵（表1）。

表1 调整后的综合影响矩阵

（4）计算各驱动因素的影响度和被影响度。对矩阵C中元素按行相加得到对应因素的影响度，即各行对应因素对所有其他因素的综合影响值D。对矩阵C中元素按列相加得到相应因素的被影响度，即各列对应因素受到其他因素的综合影响值R。进一步分析演化驱动因素之间的综合影响关系，计算各因素的影响度D和被影响度R以及中心度D＋R和原因度D-R（表2）。依据计算所得的原因度和中心度结果，最终构造灾难演化驱动因素因果关系图（图3）。

表2 驱动因素间的影响关系

图3 演化驱动因素因果关系

由图3可知，E1、E7、E2为原因因素，对因素E6、E5、E4、E3产生较大影响。可以说，E1、E7、E2是事件演化的根本因素，而E6、E5、E4、E3受以上因素的影响，是驱动事件演化的直接因素（见表3）。中心度的数值说明了驱动因素的影响效果，从中心度来看，各因素对非常规突发事件演化的驱动力大小排序为：E5、E4、E6、E3、E7、E1、E2。

表3 突发事件演化驱动因素

经模型运算所得出，对驱动事件演化的要素，影响作用从大到小依次为：处置主体、危急程度、方案举措、持续时间、伤亡损失、事件类型、发生时间。与此同时，灾难医学救援与事件演化态势之间存在前因后果的互动反馈关系。灾难现场的处置措施、应对能力水平以及救援执行效果是驱动事件演化的重要因素。从而析出直接因素同时也是驱动力较强的因素作为情景信息构成要素分别为：灾难环境状况的危急程度，作为处置主体的医护及救援人员的行为效能，救援方案措施的操作性以及医疗设备水平，还有受各要素影响下的灾难发展过程，表现为灾难耗时或者说救援用时。

3.2 情景要素表达模型

在对灾难案例进行机理分析、驱动因素识别的基础上，确定了情景要素对象的关键属性，在此基础上运用共性知识元结构模型进行情景要素表达［27，28］。

根据DEMATEL模型分析，灾难事件演化情景要素可以采用危急程度、方案举措、处置主体、持续时间、事件类型、发生时间、伤亡损失7个方面去描述。其中事件类型和发生时间是致灾体维度的情景要素，描述的是情景中不可抗力的属性状况；伤亡损失是承灾体维度的要素，描述的是灾害后果情景；持续时间表征了事件全生命周期，包含事件发展过程和处置应对过程的互动所用时长。实际应急决策受到危急形势和紧迫时间的考验，高效准确地把握关键情景应尽量模糊掉冗余信息的干扰。将致灾体、承灾体及“人—事”互动影响下的灾害持续时间因素投影到灾难环境的危急程度、医疗设备的救援方案和医护救援主体三个关键要素上，使得情景描述集中于对演变态势的把握。因此，构建情景表达模型，设S为不同时刻下情景Si的集合，则有

其中E1和E2为致灾体关键属性集合Z；E7为承灾体集合C；E4为演化过程动态研判的情景危急程度集合L；E5为处置主体集合M；E6为方案举措集合U。T为情景的持续时间集合（T0＝t1-t0为一个演化情景阶段，总和为灾难事件的持续时间）。也就是说，事件类型和发生时间归为一类，是描述致灾体的关键维度（Z）；危急程度是承灾体的关键信息（C），描述致灾体和承灾体的要素是情景的支持维度；二者的互动作用结果产生了其他四个情景要素（L，M，U，T），由此驱动要素并为6个要素。

持续时间是受危急程度、处置主体、方案举措三者影响作用的结果，被其他要素所决定。危急程度是对事件灾难环境的反映；处置主体是医护人员救援能力的表征；方案举措表征医疗器械的救援水平和工程设备的可用性。三者具有独立性且与情景状态共同构成了事件演化情景信息的核心描述。因此，根据众多案例中对灾难事件制定的粒度标准，可以建立5类知识元模型：

（1）致灾体知识元Z为包括灾难类型和发生时间的致灾体关键属性集合：Z＝（z1，z2，…，zn），则对于任意一个致灾体zi（i∈n），模型表示如下：KZ＝（NZ，，，，RZ）。其中NZ为致灾体名称，为致灾体的状态属性集为输入属性集，为输出属性集，RZ为属性间的关系集。

（2）承灾体知识元C为承灾体伤亡损失的集合：C＝（c1，c2，…，cn），则对于任意一个承灾体ci（i∈n），模 型 表 示 如 下：KC＝（NC，，，，RC）。其中NC为承灾体名称为承灾体的状态属性集，为输入属性集，为输出属性集，RC为属性间的关系集。对于属性，有：K＝（pa，da，fa），a∈Am，m∈M。pa为属性a的可测度特征描述，da为属性a可测度特征的量纲集，fa为属性a的状态随时间变化的函数表达式（t为某一时刻）：at＝fa（at-1，t）。

（3）危急程度知识元是对灾难环境危急程度的评级，分为1～4级，危害程度逐级增加。用L表示环境的集合：L＝（l1，l2，…，ln），则对于任意一个演化子事件的危急程度li（i∈n），知识元模型表示为：Kl＝（Nl，Al，Rl）。其中Nl为演化类型名称，Al为演化危害的属性集，Rl为演化事件危害属性间的关系集。

（4）方案举措知识元是指当即可用及已用的设备资源及其操作方案，包括医疗设备在内的救援工程设备。用U表示资源的集合：U＝（u1，u2，…，un），则对于任意一个子资源ui（i∈n），知识元模型表示为：Km＝（Nm，Am，Rm）。其中Nm为子资源的名称，Am为子资源的属性集合，Rm为属性之间的关系集。

（5）处置主体由医学救援的主体、客体、行为及结果组成。用M表示应急活动的集合：M＝（m1，m2，…，mn），则 对 于 任 意 一 个 子 活 动mi（i∈n），知识元模型表示为：Km＝（Nm，Dm，Xm，，，，Rm）。其中Nm为处置主体实体集的名称，Dm为处置主体属性集，Xm为处置过程操作集，为应急处置状态属性集为应急处置输入属性集为应急处置输出属性集，Rm为处置属性之间的关系集。

3.3 动态贝叶斯网络

贝叶斯网络（Bayesian networks，BN）作为一种基于概率的不确定性推理方法［29，30］，是针对不确定知识表达和推理领域最有效的模型之一［31］。动态贝叶斯网络（dynamic Bayesian networks，DBN），是静态网络在时间序列上的扩展。灾难的演化过程是动态变化的，变量取值会随着时间的变化而变化。使用动态贝叶斯网络进行建模及分析可以更好地对变量在时间序列上状态的演化过程进行描述，使所得结果更贴近客观现实。因而，重视时间因素影响下的事件态势变化，划分阶段构建情景网络。

4 灾难医学动态救援推演模型

以历史案例为基础，推演情景演化趋势，从而探讨突发事件情景演化规律与路径。运用动态贝叶斯网络构建灾难医学救援情景网络与推演模型。

4.1 情景网络构建

不同情景下，由于灾难演化的不确定性，概率的确定需要动态修正。以众多历史真实案例为依据，分析得出一般性的灾难事件机理内涵，尝试提出一种“由历史规律推演未来情境”的理论方法。

首先，构建情景网络。本文经DEMATAL模型计算分析，优化情景要素选取的主观性问题，最终选取情景状态（S）、危急程度（L）、方案举措（U）作为网络节点变量并确定变量类型。

其次，确定各节点变量之间的因果关系，并用有向线段连接起来，形成一个有向无环图网络结构，并且该有向线段由因指向果。

最后，确定必要部分网络节点变量的先验概率及条件概率。之后利用先验概率、条件概率及前文提及贝叶斯公式计算情景状态概率，从而推演出下一情景状态出现的概率大小，以此类推，最终完成情景推演过程［30］。

由于灾难情景演化是一个连续的、动态的过程，因此，假设整个事件情景演化划分为n个时刻，分别为t0，t1，t2，…，tn，其中t0为突发事件发生的初始时刻。对于初始情景状态S0而言，在输入节点变量L0和U0的作用下，突发事件发展到下一个时刻t1，情景状态记为S1。从而L0，U0和S0就成了S1的输入节点变量，以此类推。整个动态贝叶斯网络分为两部分，一部分是初始情景网络，情景状态为S0，只有节点L和U两个输入变量；另一部分是发展情景网络，从情景状态S1开始，有三个输入节点变量，分别为危急程度（L）、方案举措（U）以及前一时刻的情景状态S0。

4.2 动态演化推演模型

灾难在多种因素的影响下会不断演化，导致事件可能朝着不同的方向发展。符号化灾难事件的演化路径，表示出灾难事件情景的当前状态、情景之间的关系、情景的演化方向以及可能的演化结果。受灾难演化驱动要素的影响，灾难事件往往呈现出不同的演化发展路径。输出结果评价：达到预期或未达预期。

灾难情景推演，就是根据当前时刻的事件情景状态预测下一时刻情景状态。由于突发事件情景演化方向的不确定性，因此下一时刻情景状态需用概率表示。用eS1，eS2，…，eSj表示当前情景状态变量，用iS0，iS1，iS2，…，iSk表示当前情景状态的情景输入变量，用oS0，oS1，oS2，…，oSl表示当前情景状态下的情景输出变量。对于当前情景状态变量eS1来说，其情景输入变量有iS0，iS1，iS2，…，iSk等，只要给出所有情景输入变量的先验概率P（iS0），P（iS1），P（iS2），…，P（iSk）等，以 及 条 件 概 率P（eS1丨iS0，iS1，iS2，…，iSk），则可以计算出P（eS1），由此类推，则可以继续计算出P（eS2），P（eS3），…，P（eSj）等。再以iS0，iS1，eS1，eS2，…，eSj为情景输入变量，结合条件概率P（oS1丨iS0，iS1，eS1，eS2，…，eSj），就可以推演出该时刻下情景输出变量oS0的概率P（oS0），并将其作为下一时刻的情景输入变量。由此类推，可以分别计算出P（oS0），P（oS1），…，P（oSl）等的概率，即完成了一次情景推演。

5 实例研究

以2015年天津滨海新区爆炸事故为例进行实证分析，检验所得驱动因素作为情景构建要素的合理性以及情景推演模型的正确性与有效性。

2015年8月12日22时51分，位于吉运二道95号的瑞海公司危险品仓库运抵区出现起火。火势未能及时控制，事故前后接连发生两次巨大爆炸，事故现场形成6处大火点及数十个小火点，持续8个多小时仍未完全扑灭。事故的发生主要是由于仓库内局部硝化棉湿润机散失，在高温的条件下发生自燃，引起周围硝化棉燃烧，形成了大面积燃烧后火焰蔓延到邻近的硝酸铵集装箱，从而引发了第一次爆炸。之后，受到南侧集装箱火焰蔓延作用以及第一次爆炸冲击波影响，多个装有氧化剂、易燃固体和腐蚀品的集装箱发生了第二次更为剧烈的爆炸。本次非常规突发事件的演化过程包含着蔓延、转化与衍生，事故伴随着政治事件、舆情事件及经济事件以及谣言传播和群体性事件。

5.1 案例情景知识元表达

依据前文情景要素表达模型，本文所用知识元要素类型与取值见表4。

表4 情景知识元要素类型与取值

5.2 案例情景网络构建

在确定情景知识元要素类型与取值后，“8·12天津滨海新区爆炸事故”网络节点变量选取见表5，并据此对事件可能演化路径进行进一步分析。

表5 “8·12天津滨海新区爆炸事故”网络节点变量选取

5.3 概率确定及计算

结合历史经验及案例数据，对于没有父节点的节点变量确定先验概率。对于有父节点的网络节点变量，采取专家打分法。选取应急管理和灾难医学领域的22名知名专家和学者，凭借各位专家自身丰富的救灾指挥经验，综合考量处置主体、危急程度、方案举措、持续时间、伤亡损失、事件类型、发生时间各要素，确定事件发展演化各阶段的条件概率（部分结果见表6）。

表6 网络节点变量先验概率及条件概率取值（部分）

计算情景状态网络节点变量S0的概率约为75.85%。则P（S0＝F）＝1-P（S0＝T）＝1-75.85%＝24.15%。以此类推，分别计算出S1到S13的概率。

对于天津滨海新区爆炸事故危机发生（L0）采取相应灭火措施（U0），导致危险品仓库运抵区起火（S0）发生（SO＝T）的可能为75.85%，不发生（SO＝F）的可能为24.15%；这就会进入两种可能的情景：一是火灾扑灭事件消失（S1），二是区域发生爆炸（S2）。危机解除，无需采取措施不做论述。如若危机衍生（L2）事故灾难演化到下一阶段（S2），则医护和救援人员采取相应的救治措施（U2），又会出现两种可能的演化路径：一是次生火灾扑灭，事件消失（S3），二是随即发生爆炸，蔓延到周围危险品（S4）。若是事态未能停歇，则危机衍生（L4）并采取相应危险品隔离、冷却措施（U4），继而进入下一情景。

综合实证结果可以看出，发生概率最大的情景状态是危险品仓库运抵区起火（S0）、区域发生爆炸（S2）、爆炸影响到周围危险品（S4）、危险品发生二次爆炸，爆炸程度加剧（S5）、火势得到进一步控制，救出部分受困人员（S6）、明火被扑灭，进一步救出受困人员（S7）、社会舆情及危险化学品安全专项整治事件（S8）等，发生概率分别为75.85%、75.48%、76.95%、85.48%、75.52%、86.93%、76.89%。

依据对天津滨海新区爆炸事故的实地调研和实情分析，经访谈消防队员和指挥人员了解到，应急救援过程中最棘手的演化事件即为危险品仓库运抵区起火、邻近危险品受影响、初次爆炸点二次爆炸；而事故处置流程中，前期救出部分受困人员遇到二次爆炸的困境，在明火基本扑灭后，才进一步救出受困人员，后期社会对该事故反响巨大，舆情管控和危化品安全专项整治工作随即展开。计算结果与突发事件现场实际状况基本吻合，该模型有效性与可行性得以验证。

6 结论与启示

本文以灾难事件历史案例的实际信息为基础，将DEMATEL模型结合知识元模型，试图解决模型构建当中，节点变量选择欠缺依据、偏向主观性的弊端；同时，清晰化事件演化路径，合理估计各演化路径的发生可能性，以解决贝叶斯情景推演当中的概率确定模糊化问题。

针对灾难演化的复杂性特征和医学救援的困境，通过动态分析情景演化路径，推演情景演化趋势，其实也是对事态进行跟踪监控的另一种形式，以此实现提前灾难医学预警与救援实时决策，为应急处置提供新的思路。同时，还可将其扩展应用于医学救援场景之外，如企业内的安全管控、保险行业的风险定价等问题上。

此外，在实例验证下，使研究“从历史中来，到历史中去”，具有一定的科学性，但也缺少了一些实战性。概率确定对于历史案例和主观经验的依赖较大，这也是贝叶斯模型应用普遍存在的问题。因此，今后在改进其主观性的问题上，更进一步地，可以尝试从众多案例中析出事件更为详尽的演化规律，为确定先验概率和后验概率提供参考，优化贝叶斯推演的结果准确性。