基于BT-BN的城市老舊社區安全風險評價研究*

谷甜甜,馬 嵐,劉 旭,郝恩揚

(中國礦業大學 力學與土木工程學院,江蘇 徐州 221116)

0 引言

近年來,隨著中國城市化進程不斷加快,城市安全問題日益復雜多元,社區作為城市治理的最基本單元,其安全問題尤為突出[1]。城市老舊社區主要是指建成于單位制解體之前,由政府和單位出資共同建設的住宅區[2],作為我國單一街居制度向社區制度變革下的特殊產物,其面臨著日益退化的建筑性能、亟待改造的社區環境、嚴重滯后的社區管理等問題[3],已成為城市安全中較為薄弱的環節。因此,開展城市老舊社區安全風險評價,及時發現城市老舊社區安全風險及隱患,對城市老舊社區安全風險防范具有重要的現實意義。

針對城市社區安全風險評價,相關學者已從不同角度對社區安全問題開展研究:余婕等[4]從社區火災安全風險出發,為有效降低城鎮老舊小區火災發生的概率,運用AHP-Bayes方法構建動態智能化火災風險評估模型,以提高火災風險評估的準確性和實時性;李碧琦等[5]考慮到社區內澇災害風險,運用數值模擬對深圳市民治片區內澇災害進行風險評價,結合風險理論對城市內澇進行情景模擬,為精細化城市內澇風險評估提供技術支撐;Yang等[6]考慮到建筑結構損壞對社區安全的影響,應用極限學習機算法(ELM)來評估城市社區建筑物損壞風險。雖然上述研究已從火災風險、內澇災害和建筑結構損壞等方面構建出較為全面的社區風險評價模型,但社區單一災種的風險評價不足以客觀體現整個社區安全風險水平,且傳統社區風險評價方法的準確度和應用性難以保證,而鮮有研究聚焦于城市老舊社區、全面考量的城市老舊社區安全風險評價指標體系。

上述評價方法均可較好地評估各類風險因素對社區火災風險、內澇災害和建筑結構損壞的影響程度,但忽略了各類風險因素之間的相互影響作用?？紤]到貝葉斯網絡(BN)可以通過對不確定信息的學習與推理,得到各因素間的因果關系,目前已廣泛應用在相關風險評價領域[7],而Bow-tie模型(BT)可以同時分析事故起因與可能導致的傷害,常被應用于風險定性分析中[8]。已有相關學者將貝葉斯網絡與Bow-tie模型相結合,對油庫儲罐失效[9]、游輪吊艙推進系統故障[10]等不安全狀況進行動態風險分析。閆緒嫻等[11]建立基于BT-BN的地鐵洪澇災害風險分析模型,利用BN對地鐵洪澇災害進行預測和診斷推理,同時結合BT模型對地鐵洪澇災害提出針對性的對策建議,研究結果已為建設更有韌性的城市地鐵系統提供重要參考。Wu等[12]提出1種BT到BN的映射算法用于風險的動態評估,并以浮頂儲罐泄漏為例來驗證該方法的可行性,研究結果已為風險管理決策和預防對策實施提供一定參考。

鑒于此,本文綜合考慮影響城市老舊社區安全的各因素,引入事故致因理論,并結合社區事故報告,利用BT模型識別城市老舊社區安全風險評價指標,構建基于BN的城市老舊社區安全風險評價模型,研究結果可為城市老舊社區安全風險防范提供一定參考。

1 BT-BN研究方法

1.1 BT模型

BT模型是表現事件發展邏輯順序的圖形模型,作為1種風險分析工具,已經在石油安全領域[8]具有廣泛應用。城市老舊社區安全風險評價研究在一定程度上與該模型相匹配,如均將風險影響因素作為分析對象,均涉及到安全屏障和安全防護措施,均關注事件發生的全過程等。因此,通過改進BT模型,將其用于構建城市老舊社區安全風險評價指標體系,有助于全面分析城市老舊社區安全風險因果關系,完善城市老舊社區安全風險防范管理體系。

1.2 BN模型

BN模型是通過有向無環圖(DAG)表示隨機變量之間的相關性[13],而變量之間相關性的強弱以及交叉影響關系則由節點的條件概率表(CPT)來反映,CPT中的先驗概率和證據可推理出目標節點的后驗概率,上述即為BN推理過程,當增加新證據時,BN會自動更新。

城市老舊社區安全風險具有復雜性和動態性等特點,傳統的風險評估方法基本無法捕捉城市老舊社區安全風險因素的動態變化,而BN具有機器學習能力,可以將樣本數據與人類經驗和知識充分結合,避免主觀偏見,滿足城市老舊社區安全風險評估模型構建的需要。因此,本文以專家問卷數據為樣本,構建基于BN的城市老舊社區安全風險評價模型,具體構建步驟包括:BN變量確定、BN結構學習、BN參數學習、BN模型檢驗。

2 城市老舊社區安全風險評價指標體系

2.1 評價指標初步識別與優化

表1所示為城市老舊社區安全風險評價指標的識別與優化[14-18],為使建立的評價指標體系符合城市老舊社區的特點,通過文獻綜述法對評價指標初步識別,結合城市老舊社區安全事故報告優化評價指標,基于事故致因理論[19],將評價指標歸因于“人”“物”“環”3類,分別對應表1中的人為風險(H)、建筑物及設備設施風險(M)、社區環境風險(E),構建出城市老舊社區安全風險評價指標體系,如表1所示。

表1 城市老舊社區安全風險評價指標的識別與優化Table 1 Identification and optimization on safety risk assessment indexes of urban old communities

2.2 基于BT構建城市老舊社區安全風險評價指標體系

為構建城市老舊社區安全風險評價指標BT模型,將“不期望的不安全事件”設為“威脅社區安全的重大隱患”,依據“風險因素分析-潛在后果評價-風險防范對策”完成BT模型構建。通過對640份城市老舊社區安全事故報告進行分析,提煉出12項城市老舊社區安全風險評價指標背后潛在的后果,并針對性地提出風險防范措施,構建得到城市老舊社區安全風險評價指標BT模型,如圖1所示。

圖1 城市老舊社區安全風險評價指標BT模型Fig.1 BT model for safety risk assessment indexes of urban old communities

3 城市老舊社區安全風險評價模型

3.1 BN變量確定

在識別城市老舊社區安全風險評價指標基礎上,為進一步量化城市老舊社區安全風險,選取12項城市老舊社區安全風險評價指標作為城市老舊社區安全風險評價模型BN變量。為得到本文所需要的城市老舊社區安全風險評價模型BN結構學習、BN參數學習、BN模型檢驗的數據,設計面向專家的調查問卷,采用“李克特五級量表”收集專家數據,將風險因素的影響程度和發生概率分為5個等級,具體評分標準如表2所示。

表2 風險因素的評分標準Table 2 Scoring criteria of risk factors

此外,建立風險狀態評價矩陣對風險因素進行標準化,將風險矩陣等級分為安全(S)、中度(M)和危險(H)3個等級,如圖2所示。

圖2 風險等級劃分矩陣Fig.2 Classification matrix of risk level

3.2 BN結構學習

BN結構學習是考慮風險因素之間的影響關系從而確定BN結構,考慮到Greedy thick thinning(GTT)算法[20]

能夠近似且快速地得到最優結構,因此采用GTT算法進行城市老舊社區安全風險評價模型BN結構學習。在GeNIe 2.3軟件中將每個風險評價指標設置為節點,將“威脅社區安全的重大隱患”設置為目標節點,進行BN結構搭建。

為進行BN結構學習,面向城市老舊社區安全研究領域的專家發放調查問卷,共收集到71份專家問卷數據。根據收集到的數據,選擇GTT算法進行BN結構學習,經過反復修改和優化,最終確定基于BN的城市老舊社區安全風險評價模型,如圖3所示。由圖3可知,該評價模型共有5個根節點(H1,M1,E2,E3,E4)和7個中間節點(H2,H3,H4,M2,M3,E1,E5)。其中,E5僅作為中間節點,而H2,H3,H4,M2,M3,E1這6個中間節點直接連接到目標節點;H1,M1,E2,E3,E4這5個根節點是影響其他風險因素的深層原因。

圖3 城市老舊社區安全風險評價BN模型Fig.3 BN model for safety risk assessment of urban old communities

3.3 BN參數學習

BN參數學習可確定每個節點的條件概率分布,在有完整數據支持的情況下,通常選用Maximum likelihood estimation(MLE)方法進行參數學習,通過已知的父節點,計算每個子節點對應的概率分布[21]。BN中的風險因素節點用X表示,即X={X1,X2,…,Xn},每1個節點Xi對應狀態值Yi,父節點f(Xi)對應狀態值Zi,如果Xi沒有父節點,則Zi的值為1,節點條件概率θ的表達如式(1)所示:

θijk=P(Xi=k|f(Xi)=j)

(1)

式中:Xi為節點,i=1,2,…,n;f(Xi)為Xi對應的父節點;k,j分別為某1個節點Xi和父節點f(Xi)對應的狀態值,取值范圍分別為1～Yi和1～Zi;θijk為節點Xi在j,k狀態下的條件概率;θ為節點條件概率。

當滿足Xi=k和f(Xi)=j時,樣本數為gijk。θ的對數似然函數如式(2)所示:

(2)

式中:D={D1,D2,…,Dn}是BN的1組完整數據,即上述收集的專家數據;l(θ|D)為對數似然函數;l表示第l個樣本,l=1,2,…,g;gijk為節點Xi在j,k狀態下的樣本個數;g為樣本個數。

(3)

將收集的71份專家數據作為1組完整數據進行BN參數學習,可得到12個風險評價指標節點的條件概率,具體結果如表3所示。

3.4 BN模型檢驗

BN模型檢驗是檢驗本文模型準確性的關鍵環節,通常采用k-折疊交叉驗證法進行檢驗。將上述收集的專家數據分為相同大小的k部分,在k-1部分上訓練網絡,并在最后1個k部分進行測試,重復k次,最終測試結果由接受者操作特征曲線(ROC)表示。ROC曲線是1個可通過坐標模式顯示模型可能精度范圍的分析工具[22],其與坐標軸圍成的面積(AUC)可用來確定模型評價的準確性。

對上述的BN模型進行k-折疊交叉驗證,將目標節點作為驗證節點,重復次數k為35次。經驗證,ROC曲線在評價結果即風險等級為H,M,S 3種狀態下的AUC值分別為0.665,0.655,0.738,均大于0.5,這表明所構建的城市老舊社區安全風險評價模型具有一定準確性,如圖4所示。

圖4 城市老舊社區安全風險評價BN模型驗證ROC曲線Fig.4 ROC curves of BN model verification for safety risk assessment of urban old communities

4 案例分析

4.1 Y社區概況及數據收集

深圳市Y社區建成于20世紀90年代,占地面積約0.51 km2,目前共有住宅樓宇12棟。社區內居住總人口約19 000人,老年人和殘疾人等社會脆弱性人群偏多,復雜的人員構成與流動,導致社區風險發生的機率增加。由于建設年代久遠,社區內的房屋都較為陳舊且通風采光不好,供水供電、排水排污等設施整體布局不合理,存在較多安全隱患。Y社區作為典型的城市老舊社區,其所屬當地政府曾多次發文開展老舊社區防災減災工作,尤其關注社區治安、消防安全、用電用氣安全等安全方面的綜合治理。

為獲取Y社區安全風險評價的相關信息,按照城市老舊社區安全風險評價指標體系設計調查問卷,向Y社區的居民發放問卷200份,共回收有效問卷180份。為保證調研數據可靠性,對問卷數據進行效度和信度分析,得出問卷測量項部分總體Cronbach’sα為0.877,大于0.7,問卷總體信度較高。在結構效度方面,KMO為0.880,Bartlett’s球形檢驗值p小于0.001,達到顯著水平,符合數據分析要求。

4.2 Y社區安全風險評價結果及分析

將Y社區的實際調研數據輸入城市老舊社區安全風險評價BN模型進行正向推理,得到結果如圖5所示。其中,Y社區風險等級為S的可能性為39%,M的可能性為31%,H的可能性為30%。因此,Y社區安全風險總體等級為低風險,說明Y社區安全風險發生的可能性較低,這與Y社區實施老舊社區防災減災工作后的實際情況基本吻合。因此,基于BT-BN模型的城市老舊社區安全風險評價不僅在社區安全風險分析方面具備可行性,而且與傳統社區安全風險評價相比,該方法兼具準確度高與應用性強等優點。

圖5 Y社區安全風險評價結果Fig.5 Results of safety risk assessment on Y community

由圖5可知,盡管該社區總體安全風險水平較低,但是個人風險認知(H1)、社區建筑承災能力(M1)、社區基礎設施脆弱性(M3)、社區周邊設施危險性(E2)、社區安全建設資金投入(E4)這5個指標的H+M可能性均不低于40%。因此,Y社區應該注重加大社區安全建設投入、完善社區安全文化教育體系、提高社區居民安全意識。此外,根據城市老舊社區安全風險評價指標BT模型的分析,Y社區還應加強對社區基礎設施以及社區周邊設施的監管,重視社區安全隱患的排查,提升社區日常管理能力以及社區應急管理能力,從而完善社區應急管理體系。

在上述研究基礎上,分別設置BN模型的目標節點為風險等級安全(S=100%)、中度(M=100%)、危險(H=100%),通過BN模型反向推理,可對12項安全風險評價指標進行敏感性分析,結果如圖6所示(圖6中指標所在圈內填充顏色深淺代表敏感程度,顏色越深表示敏感性越大)。由圖6可知,H2,M3,E2指標對Y社區安全風險等級具有較大影響,即深圳市Y社區的個人不安全行為、社區基礎設施脆弱性、社區周邊設施危險性為高風險因素。其中,H2受H1,H3,E3,E5這4項指標的影響,其敏感程度較高;M3和E2直接威脅社區安全,其敏感程度也偏高。

圖6 Y社區12項安全風險評價指標敏感性分析結果Fig.6 Sensitivity analysis results of 12 safety risk assessment indexes in Y community

5 結論

1)基于BT-BN模型的城市老舊社區安全風險評價在社區安全風險分析方面具備可行性,與傳統社區安全風險評價相比,該方法兼具準確度高與應用性強等優點。

2)利用BT-BN模型得到深圳市Y社區安全風險總體等級為低風險,通過BN反向推理得出Y社區的個人不安全行為、社區基礎設施脆弱性、社區周邊設施危險性為高風險因素。