任永存 張韌 張永生 孫涵 李明 劉泉宏 許婧

引用格式：任永存，張韌，張永生，等，2023.基于貝葉斯網(wǎng)絡(luò)的“鄭州暴雨地鐵災(zāi)害事件”情景分析與仿真推演［J］.大氣科學(xué)學(xué)報(bào)，46（6）：904-916.

Ren Y C，Zhang R，Zhang Y S，et al.，2023.Scenario analysis and simulation deduction of the “Zhengzhou Rainstorm Subway Disaster Event” based on Bayesian network［J］.Trans Atmos Sci，46（6）：904-916.doi：10.13878／j.cnki.dqkxxb.20221013001.（in Chinese）.

*聯(lián)系人，E-mail：haitian_style@163.com

2022-10-13收稿，2023-01-10接受

國(guó)家自然科學(xué)基金資助項(xiàng)目（41976188）;湖南省自然科學(xué)基金資助項(xiàng)目（2021JJ40669）

摘要? 2021年7月20日河南鄭州特大暴雨造成的地鐵突發(fā)災(zāi)害是近年來(lái)為數(shù)不多的城市重大人員傷亡事件。該事件產(chǎn)生既有暴雨強(qiáng)烈、事故突發(fā)等客觀原因，也包含風(fēng)險(xiǎn)意識(shí)淡薄、應(yīng)急機(jī)制不健全等主觀因素。本文首先遴選“鄭州暴雨地鐵災(zāi)害事件”演化的主要情景要素，采用情景分析法構(gòu)建了該事件情景演化流程。在此基礎(chǔ)上，基于貝葉斯網(wǎng)絡(luò)構(gòu)建了“鄭州暴雨地鐵災(zāi)害事件”情景推演模型。采用專(zhuān)家打分法計(jì)算網(wǎng)絡(luò)節(jié)點(diǎn)的條件概率，利用Netica軟件推算出災(zāi)害情景節(jié)點(diǎn)狀態(tài)概率。最后，通過(guò)調(diào)試特定節(jié)點(diǎn)先驗(yàn)概率，開(kāi)展不同暴雨災(zāi)害等級(jí)、應(yīng)急響應(yīng)行動(dòng)、周?chē)h(huán)境狀態(tài)情況下人員死亡和地鐵受損害的概率評(píng)估與情景推演，旨在總結(jié)經(jīng)驗(yàn)、查找漏洞，為應(yīng)對(duì)和防范“鄭州暴雨地鐵災(zāi)害”類(lèi)似事件提供風(fēng)險(xiǎn)防范和響應(yīng)對(duì)策參考。

關(guān)鍵詞鄭州暴雨地鐵災(zāi)害事件;情景分析;貝葉斯網(wǎng)絡(luò);災(zāi)害概率評(píng)估

近年來(lái)，受全球氣候變暖的影響，暴雨洪澇災(zāi)害和強(qiáng)對(duì)流天氣發(fā)生頻率明顯增高。在這樣的背景下，隨著城市化進(jìn)程的加速，城市自然水文條件發(fā)生了明顯的改變，城市區(qū)域下墊面不透水比例增加，在城市排水設(shè)施不暢的情況下，遭遇短時(shí)強(qiáng)降水影響，更易引起城市內(nèi)澇，甚至人員傷亡（張煒等，2012）。特別是21世紀(jì)以來(lái)，許多大城市的觀測(cè)站均出現(xiàn)了突破歷史極值的暴雨事件（嚴(yán)昇，2015），出現(xiàn)在大城市的致洪暴雨造成的災(zāi)害往往更嚴(yán)重。2012年7月21日，北京及其周邊地區(qū)遭遇1949年以來(lái)最強(qiáng)降雨過(guò)程，局部降雨量接近500年一遇，導(dǎo)致嚴(yán)重城市洪澇災(zāi)害，造成大量房屋倒塌、人員傷亡（諶蕓等，2012）。2016年7月，我國(guó)南方大部地區(qū)遭遇特大暴雨洪澇事件，武漢遭受損失最為嚴(yán)重（張正濤等，2020）。2016年，南京市內(nèi)發(fā)生多次持續(xù)時(shí)間長(zhǎng)的強(qiáng)降雨，主要河湖水位均超歷史紀(jì)錄，對(duì)流域居民生命財(cái)產(chǎn)等造成巨大的損失（吳玉明和楊紅衛(wèi)，2016）。2021年7月17日至23日，河南省遭遇了歷史罕見(jiàn)的特大暴雨，發(fā)生了嚴(yán)重洪澇災(zāi)害，造成了重大人員傷亡和財(cái)產(chǎn)損失。圍繞此次河南“7.20”暴雨災(zāi)害，相繼開(kāi)展了區(qū)域模式預(yù)報(bào)（史文茹等，2021）、多模式預(yù)報(bào)性能評(píng)估（栗晗等，2022）和降水微物理特征分析（郭換換和王坤，2023）等諸多研究。由此可見(jiàn)，暴雨洪澇災(zāi)害已經(jīng)成為一個(gè)非常突出的社會(huì)問(wèn)題，必須重視起來(lái)。

近年來(lái)，城市洪澇與防災(zāi)減災(zāi)日益受到國(guó)內(nèi)外廣泛關(guān)注和高度重視，針對(duì)暴雨引起的城市洪澇災(zāi)害的風(fēng)險(xiǎn)評(píng)估和應(yīng)急響應(yīng)等也成為亟待開(kāi)展研究的重要問(wèn)題?，F(xiàn)有大多數(shù)研究主要集中在基于歷史災(zāi)情數(shù)理統(tǒng)計(jì)（繆啟龍等，2012）、RS（遙感技術(shù)）和ArcGIS技術(shù)（殷杰等，2009）、情景模擬方法（López-Valencia，2019）、指標(biāo)體系評(píng)估方法（葉瑞峰等，2022）等方法進(jìn)行暴雨內(nèi)澇災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)，進(jìn)而開(kāi)展暴雨洪澇災(zāi)害應(yīng)急預(yù)案生成（丁繼勇等，2015）以及應(yīng)急處置決策（侯雷，2015）。然而，針對(duì)暴雨洪澇災(zāi)害評(píng)估研究還不夠全面，現(xiàn)有研究并未細(xì)致全面剖析暴雨洪澇災(zāi)害事件的演化發(fā)展過(guò)程，沒(méi)有將應(yīng)急響應(yīng)行動(dòng)統(tǒng)一到暴雨洪澇災(zāi)害演化發(fā)展過(guò)程中去，沒(méi)有明確得出應(yīng)急響應(yīng)行動(dòng)在暴雨洪澇災(zāi)害發(fā)展過(guò)程中所起的作用，只是定性地給出應(yīng)急響應(yīng)行動(dòng)的重要性，因而不能更好地指導(dǎo)政府部門(mén)開(kāi)展應(yīng)急響應(yīng)行動(dòng)。

針對(duì)暴雨洪澇災(zāi)害的高度不確定性和信息不完備性，傳統(tǒng)的“準(zhǔn)備—響應(yīng)”災(zāi)害響應(yīng)策略并不是成功預(yù)測(cè)和應(yīng)對(duì)暴雨洪澇災(zāi)害的良好選擇，亟需開(kāi)展新的建模方法研究。本文以“鄭州暴雨地鐵災(zāi)害事件”為研究對(duì)象，進(jìn)行“鄭州暴雨地鐵災(zāi)害事件”情景分析與仿真推演建模，在事件情景演化路徑分析的基礎(chǔ)上，利用貝葉斯網(wǎng)絡(luò)構(gòu)建“鄭州暴雨地鐵災(zāi)害事件”情景演化貝葉斯網(wǎng)絡(luò)，通過(guò)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建、網(wǎng)絡(luò)節(jié)點(diǎn)變量概率分配、網(wǎng)絡(luò)概率推理，開(kāi)展“鄭州暴雨地鐵災(zāi)害事件”情景回溯、態(tài)勢(shì)推演，旨在為應(yīng)對(duì)和處置類(lèi)似突發(fā)事件提供風(fēng)險(xiǎn)防范和對(duì)策參考。

1? 資料與方法

1.1? 資料來(lái)源

本文關(guān)于此次災(zāi)害事件的信息來(lái)源于2022年1月國(guó)務(wù)院災(zāi)害調(diào)查組公布的《河南鄭州“7.20”特大暴雨災(zāi)害調(diào)查報(bào)告》（簡(jiǎn)稱(chēng)為《調(diào)查報(bào)告》）?！墩{(diào)查報(bào)告》由國(guó)務(wù)院牽頭組織調(diào)查編寫(xiě)，詳細(xì)描述了河南鄭州“7.20”特大暴雨災(zāi)害經(jīng)過(guò)以及各方的應(yīng)對(duì)措施，權(quán)威性、可信度都非常高，是研究河南鄭州“7.20”特大暴雨災(zāi)害極為重要的資料。本文研究對(duì)象是“鄭州暴雨地鐵災(zāi)害事件”，參考資料包含報(bào)告中描述這次暴雨災(zāi)害嚴(yán)重程度的文字和數(shù)據(jù)資料以及原報(bào)告中“鄭州地鐵5號(hào)線亡人事件”調(diào)查內(nèi)容（包括文字和數(shù)據(jù)資料）。

1.2? 研究方法

1.2.1? 情景分析

情景（Scenario）一詞最早出現(xiàn)于1967年，情景分析是對(duì)未來(lái)情景的描述，是事件從原始狀態(tài)向未來(lái)轉(zhuǎn)變的趨勢(shì)（Ritchie-Calder，1968）?；凇扒榫啊钡摹扒榫胺治龇ā保⊿cenario Analysis）是在對(duì)經(jīng)濟(jì)、產(chǎn)業(yè)或技術(shù)的重大演變提出各種關(guān)鍵假設(shè)的基礎(chǔ)上，通過(guò)對(duì)未來(lái)進(jìn)行詳細(xì)的、嚴(yán)密的推理和描述來(lái)構(gòu)想未來(lái)各種可能的方案。根據(jù)情景的概念，情景分析被認(rèn)為是創(chuàng)造一系列可能的未來(lái)“故事”的研究過(guò)程。情景分析方法最初是作為一種定性方法來(lái)運(yùn)用的，目前已有多種定量方法與情景分析相結(jié)合。情景分析的主要操作步驟（Punjabi，2015）如下：1）識(shí)別系統(tǒng)的驅(qū)動(dòng)力。情景分析的第一步是識(shí)別系統(tǒng)的驅(qū)動(dòng)力，驅(qū)動(dòng)力是實(shí)現(xiàn)對(duì)系統(tǒng)全面理解的主要因素。2）將驅(qū)動(dòng)力分為兩類(lèi)，即可能趨勢(shì)和不確定性。驅(qū)動(dòng)力的分類(lèi)也基于專(zhuān)家判斷，系統(tǒng)的不確定性在后續(xù)情景推斷中起著重要的作用。3）根據(jù)不確定的結(jié)果擬訂設(shè)想。情景分析最后一步是建立情景貝葉斯網(wǎng)絡(luò)，并根據(jù)專(zhuān)家訪談收集的信息對(duì)其進(jìn)行改進(jìn)。此方法首先應(yīng)用于軍事戰(zhàn)略規(guī)劃，現(xiàn)已成功應(yīng)用于許多領(lǐng)域，如環(huán)境（Tourki et al.，2013）和經(jīng)濟(jì)學(xué)（Ehlen and Vargas，2013）。近年來(lái)，情景分析的思想也被應(yīng)用于應(yīng)急策略和災(zāi)害風(fēng)險(xiǎn)的評(píng)估（Lü et al.，2013）。

1.2.2? 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是由Pearl在1988年提出的一種基于網(wǎng)絡(luò)結(jié)構(gòu)的有向無(wú)環(huán)圖描述，是基于概率分析和圖論的推理模型（Hasman，1991）。從概念上講，貝葉斯網(wǎng)絡(luò)由拓?fù)浣Y(jié)構(gòu)和概率分布兩部分構(gòu)成。

在結(jié)構(gòu)方面，貝葉斯網(wǎng)絡(luò)包含父節(jié)點(diǎn)、子節(jié)點(diǎn)兩種節(jié)點(diǎn)。如圖1所示，A為B、C的父節(jié)點(diǎn)（B、C為A的子節(jié)點(diǎn)），B、C為D的父節(jié)點(diǎn)（D為B、C的子節(jié)點(diǎn)）。父節(jié)點(diǎn)、子節(jié)點(diǎn)加上連接兩者之間的有向邊構(gòu)成貝葉斯網(wǎng)絡(luò)的基本結(jié)構(gòu)，有向邊表示要素之間的因果關(guān)系。

在概率方面，分為先驗(yàn)概率和條件概率。先驗(yàn)概率計(jì)算基于先前資料和專(zhuān)家意見(jiàn)等。條件概率是集合多種統(tǒng)計(jì)方法得出的，如D-S證據(jù)理論（Gong and Wang，2014）和Delphi法（任春華和孫林夫，2019）。條件獨(dú)立假設(shè)和馬爾科夫性質(zhì)可以極大簡(jiǎn)化聯(lián)合概率的計(jì)算，貝葉斯網(wǎng)絡(luò)的聯(lián)合概率分布可表示為邊緣概率和條件概率的乘積，即：

P（S1，S2，…，Sn）=∏n1P（Si/Pa（Si））（i=1，2，…，n）。（1）

其中：{S=S1，S2，…，Sn}表示一組變量，由貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)Si組成；Pa（Si）為節(jié)點(diǎn)Si的父節(jié)點(diǎn)，條件獨(dú)立性關(guān)系使得聯(lián)合概率的表達(dá)更簡(jiǎn)潔。

貝葉斯網(wǎng)絡(luò)的建模方法大致可分為專(zhuān)家建模、數(shù)據(jù)學(xué)習(xí)建模、專(zhuān)家知識(shí)與樣本數(shù)據(jù)結(jié)合建模。

貝葉斯網(wǎng)絡(luò)是預(yù)測(cè)推理的有效技術(shù)途徑。用貝葉斯網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)推理的計(jì)算過(guò)程依賴(lài)于條件概率表，該表通常從統(tǒng)計(jì)數(shù)據(jù)中獲得或通過(guò)專(zhuān)家意見(jiàn)收集。以D為例，假設(shè)圖1中每個(gè)節(jié)點(diǎn)有兩種狀態(tài)，則D的條件概率表如表1所示。

在此情況下，B和C的概率可通過(guò)條件概率表計(jì)算。通過(guò)設(shè)置A的狀態(tài)，D的概率為：

PD|A=PD|C，BPC|APB|A

式中：PB|A和PC|A在其條件概率表中給出。各情景狀態(tài)概率借助計(jì)算軟件Netica計(jì)算出。Netica是基于決策理論的、圖形化的建模開(kāi)發(fā)工具，能夠方便地進(jìn)行貝葉斯網(wǎng)絡(luò)拓?fù)浣＃⒛軌蜻M(jìn)行先驗(yàn)概率的初始賦值以及后驗(yàn)狀態(tài)概率的計(jì)算，進(jìn)而根據(jù)貝葉斯網(wǎng)絡(luò)的有向無(wú)環(huán)拓?fù)浣Y(jié)構(gòu)的特點(diǎn)，進(jìn)行知識(shí)傳遞與積累，具有適用性強(qiáng)、可視化操作的特點(diǎn)（劉春生等，2017）。

1.2.3? D-S證據(jù)理論

Dempster-Shafer證據(jù)方法定義了一個(gè)辨別框架θ和質(zhì)量函數(shù)。質(zhì)量函數(shù)需要滿(mǎn)足以下條件：

m=0;

∑AθmA=1。（2）

Dempster-Shafer證據(jù)的綜合規(guī)則如下式所示：

mA=11-K∑A1∩A2…∩ANm1A1m2A2…mNAN，A≠;

0，A=。（3）

在這里，m1，m2，…，mN是基于從同一識(shí)別框架θ中的一組信息源中獲得的信息形成的質(zhì)量函數(shù)，A是事件的狀態(tài)，K表示m1，m2，…，mN之間的沖突程度，K的計(jì)算如下：

K=∑A1∩A2…∩AN≠m1A1m2A2…mNAN=1-∑A1∩A2…∩AN=m1A1m2A2…mNAN。（4）

2? “鄭州暴雨地鐵災(zāi)害事件”情景分析與建模

“鄭州暴雨地鐵災(zāi)害事件”情景貝葉斯網(wǎng)絡(luò)構(gòu)建分為3個(gè)步驟，描述如下：

1）明確貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)：根據(jù)案例研究和專(zhuān)家判斷，確定貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)變量及其狀態(tài)分類(lèi)。借鑒情景分析思想，確定了13個(gè)關(guān)鍵情景要素（貝葉斯網(wǎng)絡(luò)變量）：“暴雨”“城市內(nèi)澇”“洪水灌入地鐵隧道”“人員被困”“城市道路基礎(chǔ)設(shè)施”“周?chē)h(huán)境”“加強(qiáng)檢查巡視，隱患排查”“排水”“發(fā)布預(yù)警，引導(dǎo)人員”“疏散救援”“修復(fù)地鐵”“人員死亡”“地鐵受損害”。

2）明確貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)之間的關(guān)系：結(jié)合先前過(guò)程已經(jīng)得到的具體節(jié)點(diǎn)變量，進(jìn)一步對(duì)各個(gè)節(jié)點(diǎn)變量之間的關(guān)聯(lián)性進(jìn)行確定，利用專(zhuān)家打分法結(jié)合D-S證據(jù)理論確定具有因果關(guān)系的情景要素對(duì)，完成貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的確定。

3）確定所有節(jié)點(diǎn)的條件概率：在這一步，利用專(zhuān)家打分法確定葉斯網(wǎng)絡(luò)節(jié)點(diǎn)的條件概率。

完成以上步驟后，就可以使用貝葉斯網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)推理分析了。“鄭州暴雨地鐵災(zāi)害事件”情景貝葉斯網(wǎng)絡(luò)構(gòu)建及過(guò)程推理分析步驟如圖2所示。

2.1? 情景分析

通過(guò)對(duì)我國(guó)典型暴雨災(zāi)害事件的案例研究和綜合分析，以及參考《調(diào)查報(bào)告》，從中提取了13個(gè)情景要素作為“鄭州暴雨地鐵災(zāi)害事件”情景貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)變量。并將這13個(gè)情景要素分為4類(lèi)，即“突發(fā)事件”“危險(xiǎn)因素”“應(yīng)急響應(yīng)行為”“造成后果”（范維澄等，2009）。各情景要素的分類(lèi)如表2所示。

全部13個(gè)情景要素狀態(tài)分類(lèi)具體介紹如下。

2.1.1? 突發(fā)事件

“突發(fā)事件”要素描述最初的暴雨災(zāi)害事件發(fā)展到該時(shí)刻對(duì)物或人造成的影響。

1）暴雨：暴雨節(jié)點(diǎn)設(shè)置暴雨、大暴雨、特大暴雨3級(jí)狀態(tài)。按中國(guó)氣象局頒布的降水強(qiáng)度等級(jí)劃分標(biāo)準(zhǔn)，按照滿(mǎn)足24 h累計(jì)降雨量條件確定，3級(jí)狀態(tài)的閾值范圍分別為［50.0，100.0）mm、［100.0，250.0）mm、［250.0，SymboleB@）mm。

2）城市內(nèi)澇：“城市內(nèi)澇”設(shè)置低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)3個(gè)等級(jí)狀態(tài)。參照宗旻（2020），按最大積水深度，3級(jí)狀態(tài)的閾值范圍分別為［15.0，27.0）cm、［27.0，50.0） cm、［50.0，SymboleB@）cm。

3）洪水灌入地鐵隧道：按洪水涌入量以及涌入流速設(shè)置2個(gè)等級(jí)狀態(tài)：低風(fēng)險(xiǎn);高風(fēng)險(xiǎn)。

4）人員被困：中國(guó)地鐵一趟列車(chē)平均上座量約為900人，本文據(jù)此設(shè)置為3個(gè)狀態(tài)：少，［1，450）人;中，［450，900）人;多，［900，SymboleB@）人。

2.1.2? 危險(xiǎn)因素

“危險(xiǎn)因素”包括承載體和孕災(zāi)環(huán)境兩部分，承載體本身存在風(fēng)險(xiǎn)性，孕災(zāi)環(huán)境本身會(huì)讓事件更加惡化。

1）城市道路基礎(chǔ)設(shè)施：鄭州市內(nèi)澇防治標(biāo)準(zhǔn)是50年一遇，對(duì)應(yīng)的降雨量折算到最大一小時(shí)為83.0 mm，百年一遇一小時(shí)降雨量為92.0 mm（王家卓，2021）?！多嵵菔屑訌?qiáng)防洪防澇系統(tǒng)規(guī)劃編制工作實(shí)施方案》提到，鄭州市5年一遇防洪標(biāo)準(zhǔn)為小時(shí)降雨量50.3 mm。以上述3個(gè)數(shù)據(jù)為臨界點(diǎn)，設(shè)置3個(gè)狀態(tài)：風(fēng)險(xiǎn)，［50.3，83.0）mm／h;大風(fēng)險(xiǎn)，［83.0，92.0）mm／h;特大風(fēng)險(xiǎn)，［92.0，SymboleB@）mm／h。

2）周?chē)h(huán)境：“周?chē)h(huán)境”分為兩個(gè)狀態(tài)：低風(fēng)險(xiǎn);高風(fēng)險(xiǎn)。

2.1.3? 應(yīng)急響應(yīng)行動(dòng)

“應(yīng)急響應(yīng)行動(dòng)”分為預(yù)防性措施和處置性措施，有效的應(yīng)急響應(yīng)行動(dòng)能讓事件朝好的方向發(fā)展。

1）加強(qiáng)檢查巡視，隱患排查：狀態(tài)分為開(kāi)展、未開(kāi)展兩類(lèi)。

2）排水：狀態(tài)分為開(kāi)展、未開(kāi)展兩類(lèi)。

3）發(fā)布預(yù)警，引導(dǎo)人員：狀態(tài)分為開(kāi)展、未開(kāi)展兩類(lèi)。

4）疏散救援：狀態(tài)分為開(kāi)展、未開(kāi)展兩類(lèi)。

5）修復(fù)地鐵：狀態(tài)分為開(kāi)展、未開(kāi)展兩類(lèi)。

2.1.4? 造成后果

1）人員死亡：《生產(chǎn)安全事故報(bào)告和調(diào)查處理?xiàng)l例》第三條規(guī)定，造成30人以上死亡界定為特別重大事故，造成10人以上30人以下死亡界定為重大事故，造成3人以上10人以下死亡界定為較大事故，造成3人以下死亡界定為一般事故。“人員死亡”要素也據(jù)此分為4個(gè)狀態(tài)：一般，［1，3）人;較大，［3，10）人;重大，［10，30）人;特別重大，［30，SymboleB@）人。

2）地鐵受損害：“地鐵受損害”分為兩個(gè)狀態(tài)：一般;嚴(yán)重。

2.2? 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建

為建立合理的貝葉斯網(wǎng)絡(luò)，通過(guò)問(wèn)卷調(diào)查收集了專(zhuān)家的專(zhuān)業(yè)判斷和意見(jiàn)。在Delphi的類(lèi)似專(zhuān)家評(píng)估方法中，如果有10到20個(gè)情景元素，建議尋求3到5位專(zhuān)家的建議或判斷（Bauls et al.，2013）。本文進(jìn)行了兩輪問(wèn)卷調(diào)查，每輪收集來(lái)自5位專(zhuān)家的專(zhuān)業(yè)判斷。第一輪是判斷4類(lèi)13個(gè)情景元素之間的關(guān)聯(lián)性，要求5位專(zhuān)家給出概率評(píng)估發(fā)放問(wèn)卷中4類(lèi)13個(gè)要素中每?jī)蓚€(gè)情景要素（共78對(duì)情景要素）之間的因果關(guān)系。為降低專(zhuān)家意見(jiàn)的主觀性，采用Dempster-Shafer證據(jù)理論對(duì)收集到的數(shù)據(jù)進(jìn)行分析。如果因果關(guān)系值大于閾值（通常定義為0.85），則確認(rèn)這兩個(gè)要素之間存在因果關(guān)系。表3給出了判斷“暴雨”節(jié)點(diǎn)和“城市內(nèi)澇”節(jié)點(diǎn)以及“洪水灌入地鐵隧道”節(jié)點(diǎn)和“人員被困”節(jié)點(diǎn)因果關(guān)系過(guò)程中專(zhuān)家的打分?jǐn)?shù)據(jù)及其最終加權(quán)結(jié)果。

以運(yùn)用Dempster-Shafer法分析“暴雨”節(jié)點(diǎn)與“城市內(nèi)澇”節(jié)點(diǎn)的因果關(guān)系以及“洪水灌入地鐵隧道”與“人員被困”節(jié)點(diǎn)的因果關(guān)系為例。5位專(zhuān)家分別給出了判斷概率數(shù)據(jù)，如表3所示。m1（1，2），…，m5（1，2）分別代表5位專(zhuān)家給出的概率分布。m1（1，2）的值為（0.7，0.3），表示第一個(gè)專(zhuān)家認(rèn)為“暴雨”節(jié)點(diǎn)對(duì)“城市內(nèi)澇”節(jié)點(diǎn)有很大影響，因此他給出“暴雨”節(jié)點(diǎn)與“城市內(nèi)澇”節(jié)點(diǎn)之間的因果關(guān)系概率為0.7，不存在因果關(guān)系的概率為0.3?；谑剑?）和式（4），表征“暴雨”節(jié)點(diǎn)與“城市內(nèi)澇”節(jié)點(diǎn)因果關(guān)系的多專(zhuān)家判斷數(shù)據(jù)加權(quán)結(jié)果計(jì)算如下：

K=m1A1m2A1m3A1m4A1m5A1

+m1A2m2A2m3A2m4A2m5A2=0.024，

mA1=1Km1A1m2A1m3A1m4A1m5A1=0.998。

表3中，由于“暴雨”節(jié)點(diǎn)與“城市內(nèi)澇”節(jié)點(diǎn)的因果關(guān)系值計(jì)算結(jié)果為0.998，大于閾值（0.85），因此“暴雨”節(jié)點(diǎn)與“城市內(nèi)澇”節(jié)點(diǎn)之間存在因果關(guān)系。同理，“洪水灌入地鐵隧道”節(jié)點(diǎn)與“人員被困”節(jié)點(diǎn)之間因果關(guān)系值計(jì)算結(jié)果為0.982，大于閾值（0.85），因此，“洪水灌入地鐵隧道”節(jié)點(diǎn)與“人員被困”節(jié)點(diǎn)之間也存在因果關(guān)系。

在對(duì)專(zhuān)家的所有判斷數(shù)據(jù)收集并進(jìn)行計(jì)算后，確定13個(gè)情景要素每?jī)蓚€(gè)情景要素之間的因果關(guān)系值，取因果關(guān)系值大于閾值（0.85）的情節(jié)要素對(duì)，構(gòu)建因果關(guān)系網(wǎng)絡(luò)，即“鄭州暴雨地鐵災(zāi)害事件”情景貝葉斯網(wǎng)絡(luò)，如圖3所示，其中，圓形代表“突發(fā)事件”要素，矩形代表“危險(xiǎn)因素”要素，六邊形代表“應(yīng)急響應(yīng)行動(dòng)”要素，菱形代表“造成后果”要素。

2.3? 貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)條件概率的確定

為了進(jìn)行情景推演，需要進(jìn)行第二輪問(wèn)卷調(diào)查以確定貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)的條件概率。圖3中有3種類(lèi)型的節(jié)點(diǎn)。第一類(lèi)是如“暴雨”和“排水”節(jié)點(diǎn)，沒(méi)有父節(jié)點(diǎn)，需要專(zhuān)家根據(jù)專(zhuān)業(yè)經(jīng)驗(yàn)給出先驗(yàn)概率。第二類(lèi)節(jié)點(diǎn)是如“人員死亡”節(jié)點(diǎn)，沒(méi)有子節(jié)點(diǎn)。第三類(lèi)是如“城市內(nèi)澇”節(jié)點(diǎn)既有父節(jié)點(diǎn)又有子節(jié)點(diǎn)。在第二輪問(wèn)卷中，收集專(zhuān)家對(duì)貝葉斯網(wǎng)絡(luò)各節(jié)點(diǎn)的條件概率的判斷，然后采用平均法對(duì)結(jié)果進(jìn)行處理，表4顯示了“地鐵受損害”節(jié)點(diǎn)概率問(wèn)卷結(jié)果和最終條件概率計(jì)算結(jié)果。

表4中，m1（1，2），…，m5（1，2）分別代表從5位專(zhuān)家那里收集到的概率。m（T）表示使用平均法對(duì)從5位專(zhuān)家那里收集到的判斷概率的再處理結(jié)果。例如，在“洪水灌入地鐵隧道”節(jié)點(diǎn)狀態(tài)為低風(fēng)險(xiǎn)且“修復(fù)地鐵”節(jié)點(diǎn)狀態(tài)為開(kāi)展的情況下，5位專(zhuān)家給出了“地鐵受損害”節(jié)點(diǎn)兩種狀態(tài)（一般；嚴(yán)重）的概率分布如表4第一行所示。m1（1，2）給定值（0.7，0.3）表示在“洪水灌入地鐵隧道”節(jié)點(diǎn)狀態(tài)為低風(fēng)險(xiǎn)且“修復(fù)地鐵”節(jié)點(diǎn)狀態(tài)為開(kāi)展的情況下，“地鐵受損害”節(jié)點(diǎn)的第一狀態(tài)（一般）的概率要大得多;因此給第一個(gè)狀態(tài)的概率為0.7，給第二個(gè)狀態(tài)的概率為0.3。用平均法對(duì)5位專(zhuān)家的判斷進(jìn)行處理后，最終得到第一狀態(tài)“一般”出現(xiàn)的概率為0.75，第二狀態(tài)“嚴(yán)重”出現(xiàn)的概率為0.25。

3? “鄭州暴雨地鐵災(zāi)害事件”情景推演與實(shí)驗(yàn)仿真

3.1? 復(fù)盤(pán)推演

在構(gòu)建了“鄭州暴雨地鐵災(zāi)害事件”貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)和確定了節(jié)點(diǎn)的條件概率后，基于本文對(duì)貝葉斯網(wǎng)絡(luò)的描述，則貝葉斯網(wǎng)絡(luò)的兩個(gè)組成部分就都確定了，下面要構(gòu)建完整的“鄭州暴雨地鐵災(zāi)害事件”情景貝葉斯網(wǎng)絡(luò)。前述在介紹貝葉斯網(wǎng)絡(luò)時(shí)提到，可用Netica軟件來(lái)進(jìn)行貝葉斯網(wǎng)絡(luò)的推理運(yùn)算，即Netica軟件不僅可以體現(xiàn)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，也可以體現(xiàn)概率的推理計(jì)算過(guò)程，非常適用于本文研究?jī)?nèi)容。如圖4所示，這是Netica軟件界面截圖，是將圖3的網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)條件概率結(jié)合起來(lái)的產(chǎn)物，數(shù)字代表節(jié)點(diǎn)狀態(tài)概率;圖中共有13個(gè)情景要素，即13個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)為一個(gè)小方塊，方塊之間用帶箭頭的直線連接，代表了節(jié)點(diǎn)之間的因果關(guān)系，這樣，貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)就構(gòu)建起來(lái)了，然后將節(jié)點(diǎn)條件概率輸入到小方塊中，完整的貝葉斯網(wǎng)絡(luò)就得到了構(gòu)建。

“鄭州暴雨地鐵災(zāi)害事件”貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)先驗(yàn)概率由專(zhuān)家根據(jù)事件本身情況直接給定，具體解釋如表5所示。將確定的上述節(jié)點(diǎn)先驗(yàn)概率輸入到對(duì)應(yīng)小方塊中，借助Netica軟件自動(dòng)推理計(jì)算得出“鄭州暴雨地鐵災(zāi)害事件”貝葉斯網(wǎng)絡(luò)各節(jié)點(diǎn)變量的狀態(tài)概率。

圖4展示了“鄭州暴雨地鐵災(zāi)害事件”情景演化情況：在“暴雨”等級(jí)為“特大暴雨”、“城市道路基礎(chǔ)設(shè)施”為“特大風(fēng)險(xiǎn)”、“加強(qiáng)檢查巡視，隱患排查”狀態(tài)為“未開(kāi)展”時(shí)，“城市內(nèi)澇”的“低風(fēng)險(xiǎn)”概率為0、“中風(fēng)險(xiǎn)”概率為“30％”、“高風(fēng)險(xiǎn)”概率為70％;在“城市內(nèi)澇”的“低風(fēng)險(xiǎn)”概率為0、“中風(fēng)險(xiǎn)”概率為“30％”、“高風(fēng)險(xiǎn)”概率為70％，“排水”狀態(tài)為“未開(kāi)展”，“周?chē)h(huán)境”狀態(tài)為“高風(fēng)險(xiǎn)”時(shí)，“洪水涌入地鐵隧道”的“低風(fēng)險(xiǎn)”概率為35.3％、“高風(fēng)險(xiǎn)”概率為“64.7％”;在“洪水涌入地鐵隧道”的“低風(fēng)險(xiǎn)”概率為35.3％、“高風(fēng)險(xiǎn)”概率為64.7％，“修復(fù)地鐵”狀態(tài)為“未開(kāi)展”時(shí)，“地鐵受損害”的“一般”概率為36.7％、“嚴(yán)重”概率為63.3％;在“洪水涌入地鐵隧道”的“低風(fēng)險(xiǎn)”概率為35.3％、“高風(fēng)險(xiǎn)”概率為64.7％，“發(fā)布預(yù)警，引導(dǎo)人員”狀態(tài)為“未開(kāi)展”時(shí)，“人員被困”的“少”概率為29.4％、“中”概率為19.5％、“多”概率為51.1％;在“人員被困”的“少”概率為29.4％、“中”概率為19.5％、“多”概率為51.1％，“疏散救援”狀態(tài)為“開(kāi)展”時(shí)，“人員死亡”的“一般”概率為23％、“較大”概率為27.8％、“重大”概率為28.8％、“特別重大”概率為20.3％。

由上述計(jì)算結(jié)果可知：應(yīng)用此模型推理得出的“城市內(nèi)澇”節(jié)點(diǎn)狀態(tài)為“高風(fēng)險(xiǎn)”的概率為70％，《調(diào)查報(bào)告》提到，此次事件中鄭州主城區(qū)20日午后普遍嚴(yán)重積水，路面最大水深近2.6 m，查閱表2知其狀態(tài)隸屬于“高風(fēng)險(xiǎn)”，推算結(jié)果與真實(shí)結(jié)果大體一致;“洪水灌入地鐵隧道”節(jié)點(diǎn)狀態(tài)為“高風(fēng)險(xiǎn)”的概率為64.7％，《調(diào)查報(bào)告》提到，此次事件中洪水急速涌入地鐵隧道，查閱表2知其狀態(tài)隸屬于“高風(fēng)險(xiǎn)”，推算結(jié)果與真實(shí)結(jié)果大體一致;“地鐵受損害”節(jié)點(diǎn)狀態(tài)為“嚴(yán)重”的概率為63.3％，《調(diào)查報(bào)告》提到，此次事件中地鐵失電迫停，查閱表2知其狀態(tài)隸屬于“嚴(yán)重”，推算結(jié)果與真實(shí)結(jié)果大體一致;“人員被困”節(jié)點(diǎn)狀態(tài)為“多”的概率為51.1％，《調(diào)查報(bào)告》提到，此次事件中953人安全撤出，由此推斷出被困人員至少有953人，查閱表2知其狀態(tài)隸屬于“多”，推算結(jié)果與真實(shí)結(jié)果大體一致;“人員死亡”節(jié)點(diǎn)狀態(tài)為“重大”的概率為28.8％，此次事件中死亡14人，狀態(tài)隸屬于“重大”，推算結(jié)果與真實(shí)結(jié)果大體一致。綜上所述，推理結(jié)果與真實(shí)情況大體一致，驗(yàn)證了該模型的可靠性和可行性。

3.2? 典型情景推演

為了詳細(xì)分析暴雨等級(jí)、應(yīng)急響應(yīng)行動(dòng)、周?chē)h(huán)境、城市道路基礎(chǔ)設(shè)施對(duì)“鄭州暴雨地鐵災(zāi)害事件”演化發(fā)展的影響，本文設(shè)定了幾種典型情景，推理比較最終人員死亡、地鐵受損害的概率差異，開(kāi)展“鄭州暴雨地鐵災(zāi)害事件”情景想定推演（計(jì)算過(guò)程仍借助Netica軟件）。

1）暴雨級(jí)別的影響。表5中，只改變“暴雨”節(jié)點(diǎn)先驗(yàn)概率，其他節(jié)點(diǎn)先驗(yàn)概率保持不變，進(jìn)行情景推演，分別得出暴雨等級(jí)為“暴雨”“大暴雨”“特大暴雨”時(shí)“地鐵受損害”節(jié)點(diǎn)和“人員死亡”節(jié)點(diǎn)的狀態(tài)概率結(jié)果，并做分析。

由圖5可知，“鄭州暴雨地鐵災(zāi)害事件”暴雨量級(jí)由“暴雨”到“大暴雨”再到“特大暴雨”情景下，最終“地鐵受損害”節(jié)點(diǎn)狀態(tài)為“一般”的概率越來(lái)越低，而“嚴(yán)重”的概率則越來(lái)越高;“人員死亡”節(jié)點(diǎn)狀態(tài)為“一般”的概率越來(lái)越低，而“重大”和“特別重大”的概率則越來(lái)越高。

2）及時(shí)的應(yīng)急響應(yīng)行動(dòng)的重要性。為了進(jìn)行對(duì)比分析，在保持表5中其他節(jié)點(diǎn)狀態(tài)不變的情況下，設(shè)置兩個(gè)狀態(tài)，比較分析不同狀態(tài)下造成“人員死亡”和“地鐵受損害”后果的概率差異。第一狀態(tài)為“加強(qiáng)檢查巡視，隱患排查”“排水”“發(fā)布預(yù)警，引導(dǎo)人員”“修復(fù)地鐵”4個(gè)應(yīng)急響應(yīng)行動(dòng)節(jié)點(diǎn)的“未開(kāi)展”狀態(tài)（表5），即“鄭州暴雨地鐵災(zāi)害事件”原始狀態(tài)，對(duì)比狀態(tài)是相應(yīng)4個(gè)節(jié)點(diǎn)狀態(tài)的反狀態(tài)，即開(kāi)展“加強(qiáng)檢查巡視，隱患排查”“排水”“發(fā)布預(yù)警，引導(dǎo)人員”“修復(fù)地鐵”。

如圖6所示，4個(gè)應(yīng)急響應(yīng)行動(dòng)從全開(kāi)展到全不開(kāi)展，相應(yīng)地，最終造成后果“地鐵受損害”節(jié)點(diǎn)狀態(tài)為“一般”的概率降低，而“嚴(yán)重”的概率則升高;“人員死亡”節(jié)點(diǎn)狀態(tài)為“一般”的概率降低，而“重大”和“特別重大”的概率則升高;即便開(kāi)展應(yīng)急響應(yīng)行動(dòng)，造成“地鐵受損害”的“嚴(yán)重”的概率，“人員死亡”的“重大”和“特別重大”的概率仍然較高，這是因?yàn)榇舜问录┯甑燃?jí)為“特別重大”。

通過(guò)調(diào)節(jié)網(wǎng)絡(luò)中針對(duì)突發(fā)事件應(yīng)急響應(yīng)行動(dòng)的量值，可以計(jì)算應(yīng)急響應(yīng)行動(dòng)對(duì)災(zāi)害后果的影響。針對(duì)城市內(nèi)澇，加強(qiáng)檢查巡視，隱患排查;針對(duì)洪水灌入地鐵隧道，及時(shí)排水;針對(duì)地鐵受損害，及時(shí)修復(fù)地鐵;針對(duì)人員被困，及時(shí)發(fā)布預(yù)警，引導(dǎo)人員;針對(duì)人員傷亡，及時(shí)疏散救援。由此采取的應(yīng)急響應(yīng)措施，可以有效降低災(zāi)害后果的發(fā)生概率。

3）周?chē)h(huán)境風(fēng)險(xiǎn)性對(duì)災(zāi)害事件后果的影響。表5中，只改變“周?chē)h(huán)境”節(jié)點(diǎn)先驗(yàn)概率，其他節(jié)點(diǎn)先驗(yàn)概率保持不變，進(jìn)行情景推演，分別得出“周?chē)h(huán)境”節(jié)點(diǎn)狀態(tài)為“一般”和“嚴(yán)重”時(shí)“地鐵受損害”和“人員死亡”節(jié)點(diǎn)的狀態(tài)概率結(jié)果，并做分析。

由圖7可知，“周?chē)h(huán)境”由“低風(fēng)險(xiǎn)”到“高風(fēng)險(xiǎn)”，相應(yīng)地，最終造成后果“地鐵受損害”節(jié)點(diǎn)狀態(tài)為“一般”的概率降低，而“嚴(yán)重”的概率則升高;“人員死亡”節(jié)點(diǎn)狀態(tài)為“一般”的概率降低，而“重大”和“特別重大”的概率則升高;即便降低周?chē)h(huán)境風(fēng)險(xiǎn)性，造成“地鐵受損害”的“嚴(yán)重”的概率和“人員死亡”的“重大”和“特別重大”的概率仍然較高，這是因?yàn)榇舜问录┯甑燃?jí)為“特別重大”。

通過(guò)調(diào)節(jié)網(wǎng)絡(luò)中針對(duì)突發(fā)事件周?chē)h(huán)境風(fēng)險(xiǎn)性的量值，可以計(jì)算周?chē)h(huán)境風(fēng)險(xiǎn)性對(duì)災(zāi)害后果的影響。結(jié)果表明，若早先就能降低周?chē)h(huán)境的風(fēng)險(xiǎn)性，則可有效降低災(zāi)害后果的發(fā)生概率。

4）城市道路基礎(chǔ)設(shè)施的影響。表5中，只改變“城市道路基礎(chǔ)設(shè)施”節(jié)點(diǎn)先驗(yàn)概率，其他節(jié)點(diǎn)先驗(yàn)概率保持不變，進(jìn)行情景推演，分別得出“城市道路基礎(chǔ)設(shè)施”節(jié)點(diǎn)狀態(tài)為“風(fēng)險(xiǎn)”“大風(fēng)險(xiǎn)”和“特大風(fēng)險(xiǎn)”時(shí)“地鐵受損害”和“人員死亡”節(jié)點(diǎn)的狀態(tài)概率結(jié)果，并做分析。

由圖8可知，“鄭州暴雨地鐵災(zāi)害事件”城市道路基礎(chǔ)設(shè)施風(fēng)險(xiǎn)性由“風(fēng)險(xiǎn)”到“大風(fēng)險(xiǎn)”再到“特大風(fēng)險(xiǎn)”，最終造成“地鐵受損害”節(jié)點(diǎn)狀態(tài)為“一般”的概率越來(lái)越低，而“嚴(yán)重”的概率則越來(lái)越高;“人員死亡”節(jié)點(diǎn)狀態(tài)為“一般”的概率越來(lái)越低，而“重大”和“特別重大”的概率則越來(lái)越高;即便開(kāi)展行動(dòng)，降低城市道路基礎(chǔ)設(shè)施風(fēng)險(xiǎn)性，造成“地鐵受損害”的“嚴(yán)重”的概率，“人員死亡”的“重大”和“特別重大”的概率仍然較高，這是因?yàn)榇舜问录┯甑燃?jí)為“特別重大”。

由此可知，對(duì)城市道路基礎(chǔ)設(shè)施進(jìn)行隱患排查，完善基礎(chǔ)設(shè)施的抗災(zāi)設(shè)防標(biāo)準(zhǔn)，對(duì)預(yù)防暴雨洪澇災(zāi)害以及減輕暴雨洪澇災(zāi)害造成后果具有重要意義。

4? 結(jié)論與展望

本文結(jié)合情景分析方法和貝葉斯網(wǎng)絡(luò)建立了“鄭州暴雨地鐵災(zāi)害事件”情景推演模型，對(duì)“鄭州暴雨地鐵災(zāi)害事件”進(jìn)行了復(fù)盤(pán)分析，并在不同暴雨等級(jí)、應(yīng)急響應(yīng)行動(dòng)開(kāi)展情況、周?chē)h(huán)境風(fēng)險(xiǎn)性、城市道路基礎(chǔ)設(shè)施風(fēng)險(xiǎn)性狀態(tài)下對(duì)“地鐵受損害”和“人員死亡”概率進(jìn)行了評(píng)估與推演，得到以下主要結(jié)論：

1）歸納提煉出了代表“鄭州暴雨地鐵災(zāi)害事件”演化的13個(gè)情景要素，并按不同狀態(tài)進(jìn)行劃分，分別對(duì)應(yīng)“突發(fā)事件”“危險(xiǎn)因素”“應(yīng)急響應(yīng)行動(dòng)”和“造成后果”4種類(lèi)型。利用專(zhuān)家打分和D-S證據(jù)理論，判斷出12對(duì)具有因果關(guān)系的情景要素對(duì)，并用有向邊進(jìn)行連接，構(gòu)建了“鄭州暴雨地鐵災(zāi)害事件”情景貝葉斯網(wǎng)絡(luò)結(jié)構(gòu);利用專(zhuān)家打分和平均法，確定了“鄭州暴雨地鐵災(zāi)害事件”情景貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)條件概率，結(jié)合“鄭州暴雨地鐵災(zāi)害事件”情景貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，最終構(gòu)建了完整的“鄭州暴雨地鐵災(zāi)害事件”情景貝葉斯網(wǎng)絡(luò)。

2）根據(jù)“鄭州暴雨地鐵災(zāi)害事件”實(shí)際情況，結(jié)合專(zhuān)家意見(jiàn)，確定貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)先驗(yàn)概率，利用Netica軟件進(jìn)行情景推演，最終得到推演結(jié)果，與“鄭州暴雨地鐵災(zāi)害事件”實(shí)際結(jié)果對(duì)比可知兩者大體一致，驗(yàn)證了模型的可靠性和可行性。

3）分析了暴雨等級(jí)、應(yīng)急響應(yīng)行動(dòng)、周?chē)h(huán)境、城市道路基礎(chǔ)設(shè)施對(duì)“鄭州暴雨地鐵災(zāi)害事件”演化發(fā)展的影響，結(jié)果表明，暴雨級(jí)別或?yàn)?zāi)害強(qiáng)度、周?chē)h(huán)境與城市道路基礎(chǔ)設(shè)施、應(yīng)急響應(yīng)機(jī)制與防范對(duì)策等3個(gè)因素對(duì)災(zāi)害損失和人員傷亡的影響同樣重要;暴雨強(qiáng)度和周?chē)h(huán)境屬天氣與城市的自然屬性，屬“天災(zāi)”，而城市道路基礎(chǔ)設(shè)施、應(yīng)急機(jī)制與防范對(duì)策則屬人為主觀范疇，若應(yīng)急不力或處置不當(dāng)，則屬“人禍”。因此，在“天災(zāi)”難以避免的情景下，通過(guò)改進(jìn)優(yōu)化城市道路基礎(chǔ)設(shè)施和加強(qiáng)暴雨災(zāi)害風(fēng)險(xiǎn)防范及應(yīng)急機(jī)制建設(shè)，同樣可以達(dá)到避免或減輕災(zāi)害損失和人員傷亡的目的。

4）暴雨強(qiáng)度對(duì)此次極端降水災(zāi)害損失和人員傷亡的狀態(tài)概率影響顯著，這是因?yàn)樵斐纱舜问录某跏贾聻?zāi)因素——暴雨等級(jí)為“特大暴雨”，表明極端暴雨初始致災(zāi)因素對(duì)于防災(zāi)減災(zāi)結(jié)果具有很大的影響和制約，因此加強(qiáng)極端降水天氣的監(jiān)測(cè)和預(yù)報(bào)預(yù)警是減輕和防范災(zāi)害的重要手段和途徑。

本文針對(duì)“鄭州暴雨地鐵災(zāi)害事件”的情景表達(dá)模型尚屬小范圍有限要素，訓(xùn)練和仿真都基于相同的樣本，未來(lái)研究應(yīng)考慮融合整個(gè)暴雨災(zāi)害事件及其諸多影響因素并關(guān)注模型的泛化能力，只有這樣才能避免因局部因素不足而導(dǎo)致全局性、真實(shí)性降低的問(wèn)題。

參考文獻(xiàn)（References）

Bauls V A，Turoff M，Hiltz S R，2013.Collaborative scenario modeling in emergency management through cross-impact［J］.Technol Forecast Soc Change，80（9）：1756-1774.doi：10.1016／j.techfore.2012.11.007.

諶蕓，孫軍，徐珺，等，2012.北京721特大暴雨極端性分析及思考（一）觀測(cè)分析及思考［J］.氣象，38（10）：1255-1266.? Chen Y，Sun J，Xu J，et al.，2012.Analysis and thinking on the extremes of the 21 July 2012 torrential rain in Beijing Part Ⅰ：observation and thinking［J］.Meteor Mon，38（10）：1255-1266.（in Chinese）.

丁繼勇，王卓甫，郭光祥，2012.基于貝葉斯和動(dòng)態(tài)博弈分析的城市暴雨內(nèi)澇應(yīng)急決策［J］.統(tǒng)計(jì)與決策（23）：26-29.? Ding J Y，Wang Z F，Guo G X，2012.Emergency decision-making of urban rainstorm waterlogging based on Bayesian and dynamic game analysis［J］.Stat Decis（23）：26-29.doi：10.13546／j.cnki.tjyjc.2012.23.002.（in Chinese）.

Ehlen M A，Vargas V N，2013.Multi-hazard，multi-infrastructure，economic scenario analysis［J］.Environ Syst Decis，33（1）：60-75.doi：10.1007／s10669-013-9432-y.

范維澄，劉奕，翁文國(guó)，2009.公共安全科技的“三角形”框架與“4+1”方法學(xué)［J］.科技導(dǎo)報(bào)，27（6）：3.? Fan W C，Liu Y，Weng W G，2009.Triangular framework and “4+1” methodology for public security science and technology［J］.Sci Technol Rev，27（6）：3.doi：10.3321／j.issn：1000-7857.2009.06.001.（in Chinese）.

Gong Y S，Wang Y Z，2014.Application research on Bayesian network and D-S evidence theory in motor fault diagnosis［C］／／2013 6th International Conference on Intelligent Networks and Intelligent Systems （ICINIS）.November 1-3，2013，Shenyang，China.IEEE：240-243.doi：10.1109／ICINIS.2013.68.

郭換換，王坤，2023.基于雙偏振雷達(dá)和降水現(xiàn)象儀的鄭州“7.20”極端強(qiáng)降水微物理特征分析［J］.大氣科學(xué)學(xué)報(bào)，46（5）：713-724.? Guo H H，Wang K，2023.Analysis of the microphysical characteristics of the “7.20” extremely heavy rainfall in Zhengzhou based on dual-polarization radar and precipitation phenomenon instrument data［J］.Trans Atmos Sci，46（5）：713-724.doi：10.13878／j.cnki.dqkxxb.20220715001.（in Chinese）.

Hasman A，1991.Probabilistic reasoning in intelligent systems：networks of plausible inference［J］.Int J Bio-Med Comput，28（3）：221-225.doi：10.1016／0020-7101（91）90056-k.

侯雷，2015.對(duì)城市內(nèi)澇災(zāi)害應(yīng)急管理的反思及建議［J］.行政與法（1）：5-9.? Hou L，2015.Reflections on city waterlogging disaster emergency management and its countermeasures［J］.Public Adm Law（1）：5-9.doi：10.3969／j.issn.1007-8207.2015.01.002.（in Chinese）.

栗晗，王新敏，朱楓，2022.“21.7”河南極端暴雨多模式預(yù)報(bào)性能綜合評(píng)估［J］.大氣科學(xué)學(xué)報(bào)，45（4）：573-590.? Li H，Wang X M，Zhu F，2022.Comprehensive evaluations of multi-model forecast performance for “21.7” Henan extreme rainstorm［J］.Trans Atmos Sci，45（4）：573-590.doi：10.13878／j.cnki.dqkxxb.20211019002.（in Chinese）.

劉春生，王斌，盧義成，2017.基于Netica的機(jī)載雷達(dá)偵察效能評(píng)估［J］.現(xiàn)代雷達(dá)，39（3）：8-12，16.? Liu C S，Wang B，Lu Y C，2017.Effectiveness evaluation of airborne radars reconnaissance based on Netica［J］.Mod Radar，39（3）：8-12，16.doi：10.16592／j.cnki.1004-7859.2017.03.002.（in Chinese）.

López-Valencia A P，2019.Vulnerability assessment in urban areas exposed to flood risk：methodology to explore green infrastructure benefits in a simulation scenario involving the Caaveralejo River in Cali，Colombia［J］.Nat Hazards，99（1）：217-245.doi：10.1007／s11069-019-03736-8.

Lü Y，Huang G H，Guo L，et al.，2013.A scenario-based modeling approach for emergency evacuation management and risk analysis under multiple uncertainties［J］.J Hazard Mater，246／247：234-244.doi：10.1016／j.jhazmat.2012.11.009.

繆啟龍，陳鑫，俞布，等，2012.杭州市暴雨洪澇災(zāi)害風(fēng)險(xiǎn)區(qū)劃［J］.長(zhǎng)江流域資源與環(huán)境，21（S2）：163-168.? Miao Q L，Chen X，Yu B，et al.，2012.Risk division of rainstorm flooding disasters in Hangzhou city［J］.Resour Environ Yangtze Basin，21（S2）：163-168.（in Chinese）.

Punjabi M，2005.Integrating econometric analysis with scenario analysis for forecasting in a rapidly changing environment：case study of the United States dry bean industry［D］.East Lansing，MI：Michigan State University.

任春華，孫林夫，2019.面向協(xié)作企業(yè)群的三階段主客觀公平權(quán)重動(dòng)態(tài)評(píng)價(jià)［J］.計(jì)算機(jī)集成制造系統(tǒng)，25（11）：2874-2891.? Ren C H，Sun L F，2019.Dynamic evaluation of three-stage subjective and objective fair weights for collaborative enterprise groups［J］.Comput Integr Manuf Syst，25（11）：2874-2891.doi：10.13196／j.cims.2019.11.017.（in Chinese）.

Ritchie-Calder L，1968.The year 2000：a framework for speculation on the next thirty-three years［J］.Polit Sci Q，83（4）：663-665.doi：10.2307／2146851.

史文茹，李昕，曾明劍，等，2021.“7.20”鄭州特大暴雨的多模式對(duì)比及高分辨率區(qū)域模式預(yù)報(bào)分析［J］.大氣科學(xué)學(xué)報(bào)，44（5）：688-702.? Shi W R，Li X，Zeng M J， et al.，2021.Multi-model comparison and high-resolution regional model forecast analysis for the “7.20” Zhengzhou severe heavy rain［J］.Trans Atmos Sci，44（5）：688-702.doi：10.13878／j.cnki.dqkxxb.20210823001.（in Chinese）.

Tourki Y，Keisler J，Linkov I，2013.Scenario analysis：a review of methods and applications for engineering and environmental systems［J］.Environ Syst Decis，33（1）：3-20.doi：10.1007／s10669-013-9437-6.

王家卓，2021.三大疑問(wèn)解析鄭州暴雨，八大警示加碼城市安全［EB／OL］.中國(guó)建設(shè)新聞網(wǎng).（2021-08-25）［2022-10-13］.? Wang J Z，2021.Three questions analysis of Zhengzhou rainstorm，eight warnings increased the safety of the city［EB／OL］.China Construction News Network.（2021-08-25）［2022-10-13］.http：／／www.chinajsb.cn／html／202108／25／22631.html.（in Chinese）.

吳玉明，楊紅衛(wèi)，2016.南京市2016年暴雨洪水分析與思考［J］.江蘇水利（12）：69-72.? Wu Y M，Yang H W，2016.Analysis and thoughts of storm and flood in 2016 in Nanjing［J］.Jiangsu Water Resour（12）：69-72.doi：10.16310／j.cnki.jssl.2016.12.016.（in Chinese）.

嚴(yán)昇，2015.我國(guó)大型城市暴雨特性及雨島效應(yīng)演變規(guī)律［D］.上海：東華大學(xué).? Yan S，2015.The rainstorm characteristics and rain island effect evolvement rule in Chinese large cities［D］.Shanghai：Donghua University.（in Chinese）.

葉瑞峰，潘耀忠，唐鈺嫣，等，2022.基于主成分分析的城市內(nèi)澇災(zāi)害風(fēng)險(xiǎn)評(píng)估：以杭州市臨安區(qū)為例［J］.杭州師范大學(xué)學(xué)報(bào)（自然科學(xué)版），21（3）：320-326.? Ye R F，Pan Y Z，Tang Y Y，et al.，2022.Risk assessment of urban waterlogging disaster based on principal component analysis：an example of Linan District of Hangzhou［J］.J Hangzhou Norm Univ（Nat Sci Ed），21（3）：320-326.doi：10.19926／j.cnki.issn.1674-232X.2022.03.013.（in Chinese）.

殷杰，尹占娥，王軍，等，2009.基于GIS的城市社區(qū)暴雨內(nèi)澇災(zāi)害風(fēng)險(xiǎn)評(píng)估［J］.地理與地理信息科學(xué)，25（6）：92-95.? Yin J，Yin Z E，Wang J，et al.，2009.GIS-based disaster risk assessment of the urban community rainstorm waterlogging［J］.Geogr Geo-Inf Sci，25（6）：92-95.（in Chinese）.

張煒，李思敏，時(shí)真男，2012.我國(guó)城市暴雨內(nèi)澇的成因及其應(yīng)對(duì)策略［J］.自然災(zāi)害學(xué)報(bào)，21（5）：180-184.? Zhang W，Li S M，Shi Z N，2012.Formation causes and coping strategies of urban rainstorm waterlogging in China［J］.J Nat Disasters，21（5）：180-184.doi：10.13577／j.jnd.2012.0525.（in Chinese）.

張正濤，崔鵬，李寧，等，2020.武漢市“2016.07.06”暴雨洪澇災(zāi)害跨區(qū)域經(jīng)濟(jì)波及效應(yīng)評(píng)估研究［J］.氣候變化研究進(jìn)展，16（4）：433-441.? Zhang Z T，Cui P，Li N，et al.，2020.Research on the assessment of the multi-regional economic ripple effect caused by disasters：a case study of a flood disaster in Wuhan city on July 6，2016［J］.Clim Change Res，16（4）：433-441.doi：10.12006／j.issn.1673-1719.2019.259.（in Chinese）.

宗旻，2020.基于PRS與SWMM模型的城市內(nèi)澇問(wèn)題研究［D］.撫州：東華理工大學(xué).? Zong M，2020.Study on urban waterlogging based on PRS and SWMM Model［D］.Fuzhou：East China Institute of Technology.doi：10.27145／d.cnki.ghddc.2020.000116.（in Chinese）.

·ARTICLE·

Scenario analysis and simulation deduction of the “Zhengzhou Rainstorm Subway Disaster Event” based on Bayesian network

REN Yongcun1，ZHANG Ren1，ZHANG Yongsheng2，SUN Han2，LI Ming1，LIU Quanhong1，XU Jing1

1College of Meteorology and Oceanography，National University of Defense Technology，Changsha 410000，China;

2Institute of Space New Meteorological Digital Disaster Reduction，Beijing 100000，China

Abstract? The sudden subway disaster resulting from exceptionally heavy rainfall in Zhengzhou，Henan Province，on July 20，2021，marked one of the most significant casualties the city had experienced in recent years.This incident arose from a combination of objective factors，such as intense rainstorms and unexpected accidents，and subjective factors，including a lack of risk awareness and inadequate emergency response mechanisms.This paper begins by identifying key scenario elements within the evolution of the “Zhengzhou Rainstorm Subway Disaster Event” and constructing the scenario evolution process of the event through scenario analysis.Building upon this foundation，we create a scenario deduction model for the “Zhengzhou Rainstorm Subway Disaster Event” using Bayesian network.Expert scoring methods are employed to calculate the conditional probabilities of network nodes，and Netica software is used to compute the state probabilities of disaster scenarios nodes.Finally，we assess and deduce the probabilities of personnel fatalities and subway damage under varying levels of rainstorm disasters，different emergency response activities，and distinct surrounding environmental conditions.The objective is to extract insights，pinpoint vulnerabilities，and provide valuable references for risk prevention and response measures in anticipation of and protection against events similar to the “Zhengzhou Rainstorm Subway Disaster”.

Keywords? Zhengzhou Rainstorm Subway Disaster Event;scenario analysis;Bayesian network;risk assessment

doi：10.13878／j.cnki.dqkxxb.20221013001

（責(zé)任編輯：倪東鴻）