基于情景的非常规突发事件决策流程生成方法

李怀明，刘 娇，叶 鑫

（大连理工大学 信息与决策技术研究所，辽宁 大连 116024）

非常规突发事件［1］是指没有或极少经历过的，缺乏其演化规律的知识和处置经验的突发事件。非常规突发事件应对决策作为重要的研究课题［2］引起了广泛关注，国内外学者做出了相应探索［3-7］。但相关决策的研究中，人们更为关注决策模型的构造、决策方案优选以及问题的求解等，而对于决策问题的识别及决策流程生成研究甚少［8-9］。

著名的决策科学专家西蒙将决策制定的过程分为4个阶段：情报活动阶段、设计活动阶段、决策活动阶段和审查活动阶段［6］。决策作为决策者决断思考的过程，受到不同情景、不同对象的影响和制约，但是决策过程大体都遵循由问题发现到决策后评估［6］的过程，决策过程中所谓问题是决策者的期望与当前决策环境的偏差，而问题发现（又称问题识别）是在特定的决策环境下，是决策者期望状态与系统当前状态是否存在偏差的评价，是决策者发现、意识到偏差的过程。由于决策问题定义上具有主观性，决策问题识别缺少程序化的结构，决策者更多的依靠个人经验、理论知识等来识别决策问题。Mintsberg［10］指出，在决策制定过程的识别、研究和选择3个阶段中，识别是研究和选择的前提。决策识别直接影响着决策求解的质量，快速有效识别决策问题是整个决策过程的关键性步骤，科学的决策流程能够提高决策效率，有效降低事件造成的损失。

非常规突发事件应急管理系统是一个开放的复杂动态巨系统，具有多主体、多学科、多因素、多变性、高度非线性和不确定性等复杂性特征［11-13］。如事件的情景高度不确定、快速多变，多科性和专业性特征突出，使得管理者难于精准地把握这些情景。又如多事件衍生、耦合和关联，具有较强的多样性和不确定性，使得管理者难于预估和应对这些事件。

上述特征导致了在非常规突发事件应对决策中，决策者很难在第一时间对当前形势进行准确地把握和判断。如果不能及时、准确地发现决策问题，或对决策问题识别不清或不完备，将导致难以构建科学的决策流程、无法保证应对的科学性和有效性，使决策变得盲目，贻误了突发事件的最佳应对时机，造成无法弥补的损失。此外，由于每个决策问题的总体求解过程大体相同，可将针对某一决策问题的决策过程看作一个抽象的决策活动，而不考虑其具体内部细节。故本文针对非常规突发事件，从决策问题的识别研究入手，进而研究决策活动间的关系构建。最后，提出决策流程的生成方法。

1 决策问题识别

在非常规突发事件的应对过程中，由于其涉及知识范围广，情景复杂多变，决策者会遇到一些无法准确描述与处理的决策环境。

王延章［14］提出的客观事物认知的6层模型，以知识元的形式对客观世界中的知识单元进行表示与管理，并给出了知识元模型。知识元模型包含3个子模型，分别为对象知识元、属性知识元和属性映射关系知识元。通过知识元对客观事物进行表示，使事物之间的关系反映为事物间定性或定量的属性之间的关系，某事物的属性值的变化可对另一事物的属性值产生作用。属性间的关系采用映射关系知识元表达，可准确地刻画属性之间的作用关系。基于知识元模型的知识表示方式，满足了非常规突发事件应对决策融合多领域、多学科知识的需求，同时也为后文的问题推理打下坚实基础。因此，本文采用知识元对各类知识进行综合诠释，描述决策情景、决策活动及决策问题，实现跨学科、跨领域知识的有效管理。

从应急管理的知识域角度进行分析，应急管理系统可以分为突发事件过程系统、客观事物系统和应急管理活动系统。突发事件是客观事物系统的自然运动状态向另一运动状态的突变过程，而非常规突发事件是对人类财产和生命具有严重损害的突变过程，可称为灾变。客观事物系统是指由至少3个具体事物构成的有机联系的整体，描述客观存在的一切事物，包括山体、湖泊、城市基础设施、设备等。应急管理活动是人对客观事物系统运动状态向另一运动状态的突变过程的干预活动，本质上是作为主动因的客观事物系统的状态变化过程，包括人类的决策、实施等一系列活动。上述三系统可以分别采用事件知识元、客观事物知识元和应急管理活动知识元进行描述。从应急管理活动系统的决策角度出发，决策活动受到突发事件和客观事物的影响，突发事件本身和客观事物以及两者之间复杂的相互作用关系构成决策情景。而决策活动的结果（实施方案）被执行后，又可能会改变突发事件和客观事物的属性，产生新的情景，从而构成了复杂动态系统。

决策问题作为决策活动的属性之一，是规则推理的结论，即通过决策问题识别，可以得到决策问题集合，进而通过属性知识元与对象知识元间的映射，在保证多学科、领域间概念语义一致性的前提下，得到决策活动知识元集合。

1.1 模糊规则表示

基于规则的推理是专家系统的一种，是根据专家的经验归纳为一系列的规则，规则具有明确的前提，可以得到相应的结果。基于规则的推理方法容易理解，在推理过程中表现出了良好的性能和优势，已成为复杂系统中各要素间关系描述的一种成功的、统一的手段。而在应急领域中，规则的前提和结论无法采用确定的是与非的逻辑来表示，因而这里结合非常规突发事件不确定性的特点，在推理规则中引入模糊概念，使数据、信息、知识在推理过程中得到最大程度的匹配。

为解决知识的不确定性问题，引入可信度CF（Certainty Factor）模型。

考虑知识不确定性的规则表示形式：

规则1ifPthenH（CF（P，H））其中：P为规则前提集；H为规则结论；CF（P，H）为结论的可信度，其值越大，表示P对H的支持程度越高，H为真的可能性越大。

考虑证据不确定性的规则表示形式：

规则2ifP（CF（P））thenH（CF（P，H））其中，CF（P）为证据的可信程度，其值越大，证据的可信程度越高。

在非常规突发事件发生过程中，事件的情景数据很多不是确定性的，决策者掌握的信息也是较难准确描述的，因此，引入模糊隶属度的概念，将不能准确描述的证据采用模糊表示，实现不确定信息的表示。同时前提引入权值，以保证将不充分的证据信息尽可能的与前提进行匹配。

考虑知识、规则及证据不确定性的规则表示形式：

规则3ifP（CF（P））thenH（CF（P，H），λ）P（CF（P））为

其中：Pi为规则的第i个前提；H为规则结果；ωi为前提Pi的权重，即前提Pi的重要程度，ωi∈（0，1］；Fi为不确定前提的模糊隶属度，Fi∈（0，1］；CF（P，H）为结论的可信度；λ为规则阈值，是规则被采纳与否的判断标识，λ∈（0，1）。

模糊规则可以将应急领域的不确定、不完备的知识和信息加以表示，同时也是下文实现决策问题推理识别的基础。

1.2 模糊规则的匹配

规则匹配是指事实取值与规则集中的规则前提进行匹配，得到匹配的规则集合。而匹配度反映事实与规则前提匹配的程度。将情景信息与模糊规则的前提进行匹配，得到规则结论的可信程度，从而判断决策问题发生的可能性，辅助决策者进行决策。

本文采用贴近度来描述匹配度，以描述模糊向量或者模糊集间贴近的程度。

1.2.1 匹配度与匹配算法 贴近度的定义如下：

设F（U）为论域U=｛μ1，μ2，…，μn｝，若映射f：F（U）×F（U）→［0，1］满足以下3个条件：

（1）f（A，A）=1，∀A∈F（U）。

（2）f（A，B）=f（B，A）≥0，∀A，B∈F（U）。

（3）若对于∀A，B，C∈F（U），∀μi∈U，1≤i≤n，有μA（μi）≤μB（μi）≤μC（μi），或μA（μi）≥μB（μi）≥μC（μi），则f（A，C）≤f（B，C），f（）为F（U）的贴近度，f（A，B）为A、B的贴近度。

在匹配度的研究中，一些学者给出了相关算法，如海明距离、指数法与绝对值差积法等，文献［15］中验证了绝对值差积法能够较其他方法更为完善，因此，本文结合领域特点将绝对值差积法的匹配度计算方法加以改善，来计算证据与规则前提的匹配度。

第k条规则中证据集E和前提集P的匹配度计算公式为

在贴近度算法中加入权重ωi来度量规则前提或证据的重要性，在匹配过程中考虑非常规突发事件情景要素中权重的作用，让匹配结果更贴近实际。

1.2.2 特殊模糊匹配 前提集中特别重要的规则前提，称其为特殊前提，将其匹配称之为特殊模糊匹配。这些特殊前提体现了在规则中的特别重要性，因此，在特殊证据与前提进行匹配时，加入特殊前提匹配阈值，以保证特殊前提的匹配。设证据集和前提集中存在特殊模糊匹配，特殊匹配存在相应的匹配阈值，记为λi，则有

即在存在特殊模糊匹配时，只有在特殊模糊匹配阈值λi满足的前提下，再进行规则的匹配计算。在模糊规则匹配中，对于第k条规则，如果（E，P）≥λ，则认为证据集E和前提集P匹配，规则k被激活。

1.2.3 传播更新算法

（1）条件可信度的计算。根据规则的定义，条件的可信度由前提可信度和规则可信度来确定。对于前提和证据的每一个子项取其均值，即

目前，关于条件可信度的计算有和取、析取与加权平均等方法，在上述方法中，和取和析取运算算法简单，但是中间丢失信息太多，实践证明误差较大；而加权平均运算虽然考虑了权重对于整体的作用，注重整体，但是这种运算方法忽略了个体的作用，因此，本文采用贴近度的计算公式。

校正的子项可信度计算公式为

条件的可信度计算公式为

（2）推论可信度的计算

（3）结果可信度计算

2 决策活动关系构建

2.1 决策活动知识元

决策活动是决策者为应对突发事件而采取的一系列客观活动，是相对于实施活动而言的。决策活动知识元属于应急管理活动知识元。应用知识元将非常规突发事件的应对决策活动表示为

其中：N为决策活动名称，描述当前决策活动的名称；D为决策问题，是指该决策活动针对的决策问题；I为决策活动标识，包括研判型活动和方案制定型活动，研判型活动是指活动需要进行研究判断，该类决策活动得到的结果是是与非的选择性活动，而方案制定型活动是需要决策者进行方案的制定和选择的活动，该类决策活动得到的结果是活动的解决方案。“活动标识”属性为状态属性。Se为初始要素，描述活动的初始状态的属性集合，这些属性与活动的目标密切相关，初始要素的属性由客观事物、突发事件以及应急管理活动的属性构成。“初始要素”属性集中既有状态属性又包含输入属性，反映了其他对象知识元对该决策活动的作用影响。Te为目标要素，描述决策者的期望的属性状态，活动的目标体现应对管理对突发事件引起的矛盾问题进行干预的目的。“目标要素”属性为输出属性，体现了决策者的干预作用，以及决策活动作用的客观事物属性及突发事件属性的变化。Do为决策领域，描述决策活动所在的应急知识领域，决策活动领域范围越小，决策活动所对应的决策目标与方案越为清晰明确，例如决策活动“震后灾民传染病防治”所属的应急知识领域是“震后卫生防疫”。“活动领域”属性为状态属性。T为决策活动类型，描述在突发事件应对决策过程中决策活动本身的类型，在事件处置阶段问题类型包括：信息的报送发布、事件的分级响应、事件原因机理分析、事件的危害评估、发展趋势预测以及应急救灾资源保障。“决策活动类型”属性为状态属性。O为决策客体，描述决策活动所作用的客体对象，该属性为状态属性。Sa为决策活动执行的状态，取值包括准备、就绪、开始、暂停、恢复、结束，该属性为状态属性。S为可采取的方案，是决策支持实施活动的行动方案集合，该属性为输出属性，体现决策活动对实施活动的作用。In为评价指标，是衡量决策方案和决策活动成果的标准集合。

通过决策问题的识别，可以得到决策问题集合，决策问题是决策活动知识元的属性，因而通过问题与活动的映射关系，可得到决策活动知识元集合。

决策活动之间存在着复杂的关系，这种关系可以通过决策活动知识元的输入输出属性来展现，如图1所示。在实例化决策活动知识元中，如果决策活动A的输出属性是决策活动B的输入属性，则认为决策活动A对决策活动B有影响，活动A和活动B之间存在关系。

图1 决策活动知识元的关联

2.2 决策活动结构化

通过推理得到的决策活动集合中活动之间的结构关系是复杂且不清晰的。而解释结构模型（ISM）作为系统工程中的一种有效的结构分析方法，通过系统内部要素的相互作用以及影响关系的分析，构建系统的多级递阶层次结构，以帮助理解系统的结构，使得原本复杂错综的系统结构有条理的展现。因此，采用解释结构模型分析、构建决策活动间的结构。

进行决策活动结构化的前提是建立决策活动间的关系，采用知识元表达的决策活动可以通过活动间的输入输出清晰表达活动之间的作用关系，在此基础上，应用解释结构模型及其扩展［14］构建决策活动的层次递阶结构。层次递阶结构示意图如图2所示。

图2 层次递阶结构示意图

决策活动的分层递阶结构反映了决策活动之间的结构关系。在决策活动的递阶结构中，按照决策活动间决策信息的流动，将关系分为并列关系、层次关系、强连通关系及跨领域关系。决策活动的结构FP=｛P，F｝，其中，FP为决策活动间的结构，P为决策活动集合，F为决策活动间关系集合，F=｛fi，fo，fe，fsc｝，fi为并列关系，fo为偏序关系，fsc为强连通关系，fe为跨领域关系。

具有内部关系fi的决策活动之间信息交互少或无信息交互，决策活动处于同一层次，具有相同的邻接节点；具有偏序关系lo的决策活动之间存在先后序的信息交互，上一层的决策活动的执行依赖于下一层决策活动的完成；具有强连通关系fsc的决策活动之间信息交互频繁，相互依赖程度高，每一个决策活动的执行都依赖于另外的决策活动；具有跨领域关系fe的决策活动分属于不同的决策领域，在决策流程中分属不同的决策流程，但是之间存在信息的交互。

3 决策流程生成

3.1 决策流程表示与结构分析

决策流程是决策者为解决复杂决策问题而构建的决策活动序列，在活动序列中，每个决策活动都会针对相应的决策问题，决策问题与问题间关系构成决策流程结构。决策流程需要采用标准化的符号体系表示，本文借鉴业务流程的描述方法，采用业务流程建模标注（BPMN）对决策流程中的元素和结构进行定义。

采用BPMN进行决策流程的描述，流程中应用的BPMN图元如表1所示。

表1 决策流程中的BPMN图元内涵

决策流程是一个有向图D〈P，F〉，其中，P为决策流程中的决策活动（决策问题）集合，F为决策活动间的关系集合，其中P，F⊂GBPMN，GBPMN为BPMN中的图元要素集合；流程的集合记为A（D），若∃X，Y∈A（D），并且PX⊂PY，则称决策流程X是决策流程Y的子流程，记为X∈Ysub。

决策流程D〈P，F〉满足以下条件：

（1）对任意的决策流程D，有且仅有1个出度大于0的开始节点Pstart，并且有且仅有1个入度大于0的结束节点Pend，Pstart，Pend∈P。

（2）对任意的决策流程D，其中至少包括1个决策活动，即P≥1。

（3）对任意的决策流程D，在开始节点Pstart和结束节点Pend间至少有1条通路。

条件（1）说明，任意的决策流程都有唯一的开始节点和结束节点，条件（2）反映决策流程中决策活动的组合性，条件（3）说明决策流程的连通性。

决策流程结构是指在流程中决策活动间的结构关系，在决策流程中决策活动间的结构有以下几种：

（1）顺序结构。这类活动间存在单向的依赖关系，在活动序列中，后序决策活动的开展依赖于前序决策活动的执行。前序决策活动完成之后，决策信息输出给后序活动，后序活动才开始执行，决策活动间呈现串行的单向依赖关系。顺序型决策活动采用BPMN图形表示，如图3所示。

图3 顺序结构示意图

（2）分支聚合结构。具有分支聚合结构的决策活动之间依赖程度较低，决策活动之间信息交互相对简单或无信息交互，决策活动相互没有影响作用关系，活动可以分别同步进行，决策活动间呈现并列的无依赖关系。并列型决策活动如图4所示。

图4 分支聚合结构示意图

图4中采用普通网关表示活动的分支和聚合，在决策流程构建中要考虑实际决策活动的特点来选择活动间的分支聚合关系。

（3）复合结构。复合型决策活动的依赖程度高，决策活动之间信息交互频繁，活动之间互相依赖。在进行决策时要同时考虑决策活动之间的信息交互，决策活动间呈现出交互耦合的状态，决策活动之间信息反复交互，决策活动间依赖程度很高。复合结构如图5所示。

图5 复合结构示意图

（4）通信结构。具有通信结构的决策活动分别位于2个独立的决策流程中，决策活动分属不同的决策问题领域，但是彼此间存在信息依赖，这种决策活动间的关系称为通信关系，通信关系反映了决策流程之间的相互作用影响。关系如图6所示。

图6 通信结构示意图

3.2 决策活动关系与流程结构的转换

通过决策活动结构化，可以得到决策活动的层次结构模型。层次结构与决策流程的结构存在映射，通过决策活动层次结构到决策流程结构的转换，实现决策流程的构建。在层次结构中，将底层决策活动设为第1层，顶层活动设为第n层，从决策活动的递阶层次结构模型到流程结构的转换过程如图7所示。具体步骤：

（1）选取初始节点，将节点标记为已访问；

图7 决策流程转换过程

（2）判断节点是否处于强连通关系，如果是，则具有强连通关系的节点构成复合结构，将与节点处于同一层次的节点标记为已访问；

（3）判断节点是否处于并列关系，如果是，则具有并列关系的节点构成分支聚合结构，将与节点处于同一层次的节点标记为已访问；

（4）判断节点是否处于偏序关系，如果是，则具有偏序关系的节点构成顺序结构，将与节点处于同一层次的节点标记为已访问；

（5）判断节点是否具有上级邻接节点，如果有，则选取节点的上级邻接节点，将节点标记为已访问，转（2）；如果否，转（6）；

（6）判断是否所有节点已访问，如果是，转（7）；如果否，找到未被访问的节点中层级最低的节点，将节点标记为已访问，转（2）；

（7）判断是否有节点具有跨领域关系，如果有，则具有跨领域关系的节点构成通信结构；

（8）转换完成。

3.3 决策流程生成过程

综上，决策流程的生成过程分为4个步骤，如图8所示。

（1）基于知识元的情景信息搜集。基于突发事件过程系统和客观事物系统的相关知识元以及所构成的知识元网络，搜集相关情景信息，包括突发事件信息、承灾载体信息以及孕灾环境信息等，以科学、全面的刻画当前的决策情景。

（2）决策问题识别。将决策情景信息与规则库中的规则进行匹配，通过规则的匹配算法和传播更新算法计算规则的匹配度，进行推理识别得到决策问题，进而得到决策活动知识元集合。

图8 决策流程构建过程

（3）活动关系构建。确定实例化决策活动知识元间的输入输出关系，构建决策活动的结构矩阵，通过可达矩阵、强连通关系划分以及决策活动的层次划分构建决策活动的结构模型，得到结构化决策活动集合，通过结构模型分析决策活动间的关系，得到活动间的关系，包括内部并列关系fi，偏序关系fo，强连通关系fsc，跨领域关系fe。

（4）决策流程生成。通过决策活动关系与决策流程结构的转换方法得到决策流程结构，并采用BPMN进行决策活动间的结构描述，形成决策流程。

通过以上方法，生成决策流程。在流程的生成过程中同时可以得到决策活动集合，决策活动间的作用影响关系。在非常规突发事件中，能够帮助决策者对决策问题快速识别，构建科学的决策流程，实现突发事件的快速应对，将事件灾害带来的损失降到最低。

4 应用实例

以大型破坏性地震事件为例，验证方法的可行性。2010年4月14日，我国青海某地发生里氏7.1级地震，因地震发生在上午7时49分，造成大量的人员伤亡，房屋损毁严重。由于地震灾害影响广泛，其应急措施涉及卫生、救援、灾后重建等多方面，篇幅限制不能进行全方位的描述，仅从中取出具有代表性的几项，来验证方法的可行性。

（1）规则表示：

规则aifPa1（ωa1），Pa2（ωa2），Pa3（ωa3），Pa4（ωa4），Pa5（ωa5）thenHa（CF（P，H）a，λa）。

规则bifPb1（ωb1），Pb2（ωb2），Pb3（ωb3）thenHb（CF（P，H）b，λb）。

规则cifPc1（ωc1），Pc2（ωc2），Pc3（ωc3），Pc4（ωc4）thenHc（CF（P，H）c，λc）。

规则difPd1（ωd1），Pd2（ωd2），Pd3（ωd3）thenHd（CF（P，H）d，λd）。

规则eifPe1（ωe1），Pe2（ωe2），Pe3（ωe3），Pe4（ωe4），Pe5（ωe5），Pe6（ωe6），Pe7（ωe7）thenHe（CF（P，H）e，λe）。

规则a表明，在前提集Pa1～Pa5满足的情况下，高原病预防为真的可能性为0.9［17］。规则b表明，在前提集Pb1～Pb3满足的情况下，鼠疫预防为真的可能性为0.9。规则c表明，在前提集Pc1～Pc4满足的情况下，堰塞湖预防为真的可能性为0.886［18］。规则d表明，在前提集Pd1～Pd3满足的情况下，泥石流预防为真的可能性为0.4［19］。规则e表明，在前提集Pe1～Pe7满足的情况下，火灾预防为真的可能性为0.93［20］。规则的具体取值如表2所示。

表2 规则的具体取值

（2）事实匹配。在情景信息中有事实：地震发生地位于海拔3 100 m的青海地区，该地4月份仍处于寒季，救援队伍来自西北省区，其中藏族人数为60%左右，部队采取紧急陆路的登陆方式，在进驻救援地前没有进行高原病药物预防措施。

根据情景信息，得到与规则前提进行匹配的证据集，其中，4月份的青海地区属于寒季的隶属度为0.7。根据规则，IF部队进驻方式=紧急陆路THEN登高速率=快（0.8），部队的登高速率为快的隶属度为0.8。同理得到规则b、c、d、e的证据集的匹配度，如表3所示。

表3 规则的要素隶属度

（3）规则匹配与推理。根据

计算规则a的匹配度得到

大于λa（0.15），规则a被采纳，触发问题“高原病预防”。同理，计算规则b的匹配度，得到

规则b被采纳，触发问题“鼠疫预防”；计算规则c的匹配度，得到

规则c不被采纳，不会触发问题“堰塞湖预防”；计算规则d的匹配度，得到

规则d被采纳，触发问题“泥石流预防”；计算规则e的匹配度，得到

规则c被采纳，触发问题“火灾预防”。

推理得到衍生次生灾害预防决策活动集｛p1高原病防治，p2气象监测，p3抽调救灾专家，p4调集救灾物资，p5死亡动物尸体处理，p6传染病防控，p7鼠疫防控，p8启动应急响应，p9危化垃圾处置，p10水源监测，p11灾民安置，p12空间预警（转移人财物），p13管理易燃易爆物品，p14控制火源，p15检修电气设备，p16做好灭火准备工作，p17地质监测，p18泥石流预警，p19泥石流区域排查｝，如表4所示。

表4 相关决策活动知识元表示

经过推理得到的决策活动通过属性的输入输出关系来确定活动之间的影响作用关系。对于任意的pi和pj，根据

应用结构建模方法得到决策活动的结构模型如图9所示。

图9 决策活动结构图

衍生次生灾害预防决策活动包括卫生防疫决策活动 集 合｛p1，p2，p3，p4，p5，p6，p7，p8，p9，p10，p11｝、火灾预防决策活动集合｛p2，p3，p4，p8，p9，p11，p12，p13，p14，p15，p16，p17｝以及泥石流预防决策活动集合｛p2，p3，p4，p8，p11，p17，p18，p19｝，3个决策活动集合中含有子集｛p2，p3，p4，p8，p11｝，在决策过程中需要通信交互才能完成整个非常规突发事件的应急处理。经过活动关系与流程结构的转换可得该领域的决策流程BPMN，如图10所示。

图10 地震部分衍生次生灾害决策流程图

5 结语

本文针对非常规突发事件应对决策的特点，以知识元为研究基础，提出了基于情景的决策流程构建方法。知识元的本源性有效解决了非常规突发事件决策情景要素和决策问题跨学科、跨领域的问题，使得决策情景表示更为完备。以决策情景为基础，将模糊理论应用到应急领域，将不确定的情景信息和知识采用模糊表示，构建模糊推理规则，提出了加权模糊规则匹配算法，实现规则的模糊匹配和规则真值传递，从而实现了决策问题的推理识别。进而，基于事物是普遍可分且普遍联系的观点，从决策活动知识元间的结构关系入手，应用结构化建模方法构建决策活动结构模型，通过决策活动关系与流程结构的转换实现决策流程的构建。

本文提出的方法一方面实现了非常规突发事件决策问题的快速、科学和有效的识别，另一方面实现了基于知识元的决策流程生成。本文的局限性在于流程的构建部分仅适用于应急管理某单一领域（如衍生次生灾害预防）的决策流程生成，不能够指导建立跨领域的决策流程，下一步将研究跨领域决策流程的集成以及多事件流程的集成方法，所提出的相关研究成果仍需在非常规突发事件的应急管理实践中进行进一步的检验和完善。