基于UGC的城市灾害损失动态评估模型

闪四清，林　萧，张　瞳

(1.北京航空航天大学 经济管理学院,北京 100191；2.城市运行应急保障模拟技术北京市重点实验室,北京 100191)



基于UGC的城市灾害损失动态评估模型

闪四清1,2，林萧1,2，张瞳1,2

(1.北京航空航天大学 经济管理学院,北京 100191；2.城市运行应急保障模拟技术北京市重点实验室,北京 100191)

摘要：针对当前灾害损失评估面临的灾害评估持续时间长，灾害损失信息不完整，上报环节多等问题，拟采用语义分析、文本挖掘、情感分析、特征词匹配等方法，在对城市灾害发生时UGC特征分析的基础上，设计基于UGC的城市灾害损失评估指标体系，构建灾害动态、持续监测分析算法，研究灾害损失的增量式评估过程，为灾害应急响应决策提供支持。并选取了天津港大爆炸的实际数据，对基于UGC的城市灾害损失动态评估模型进行了验证，实证了该模型的有效性。

关键词：应急管理；城市灾害；用户生成内容；灾害损失评估；动态评估

在人口增长、技术进步以及经济社会结构不断变化的过程中，往往伴随着环境的恶化，极端气候、特大事故和巨大灾难的不断出现，这些灾害给人类带来了极大的损失，对人类的生命、生产、安全和发展带来了前所未有的挑战。因此面临越来越严重的自然灾害和特大事故的威胁，防灾减灾工作和灾情评估工作的重要性日显突出，特别是对大城市，这些工作尤其重要。城市作为经济文化、人口高度聚集区，同时也是各类事故和自然灾害易发、频发区域。比如2014年12月31日上海外滩拥挤踩踏事故、2015年8月12日天津港大爆炸等灾害，对城市人民群众生命财产造成了巨大伤害和损失。有效进行防灾减灾以及灾后求援、灾情评估等就变得十分重要，在灾害发生后对灾情进行综合评估或专项评估，可为救灾和灾后重建提供依据。灾情评估的目的是更加全面系统地掌握灾情，为部署和实施减灾工作提供依据。然而如何有效地对灾情进行评估却是一个难题，在我国灾情评估领域尚未形成较为完善的理论，评估方法多处于研究阶段，信息来源缺乏。与此同时，截至2015年6月，中国网民规模达6.68亿，半年共计新增网民1 894万人；互联网普及率为48.8%，较2014年底提升了0.9个百分点。通过这一个广阔的平台，每一位用户都可以把自己的见闻和感想通过文字、声音、图片或者视频的形式发布在网络上，形成用户生成内容(user generated content，UGC)。因此在互联网时代如何通过互联网上的信息为灾害灾情评估提供依据，如何从新的角度来审视传统的自然灾害灾情评估具有极大的现实意义。

如何有效地对灾害灾情进行评估是科学开展灾害管理的基础，当前灾情评估主要分为灾前预评估、灾中应急评估、灾后综合评估，以及区域灾情评估。数据来源主要有社会经济数据、基础地理数据、灾区现场数据和遥感影像数据。因此评估方式主要集中在地方填报、现场调查、遥感监测和模型模拟。当前灾害评估在流程方面所面临的主要问题是灾害评估持续时间长，需要通过层层上报的形式，环节过多；现场信息滞后且不完整，灾区现场数据需要通过地方填报的方式获取，数据可靠性也有待于检验；基础数据陈旧且不能有效反映灾情，社会经济数据和基础地理数据更新不足。这些问题增加了救灾决策的风险，也增加了对灾害灾情进行实时动态监测评估的难度，灾区灾害损失评估的真实情况就难以及时、准确地到达灾害管理决策层手中，直接导致无法及时地、有针对性地、有效地开展应急响应和灾害救援工作。

针对上述问题，在互联网时代和自媒体蓬勃发展的大背景下，通过对网络社交媒体和城市突发灾害事件相关的用户生成内容的特点进行研究，挖掘这些用户生成内容和突发灾害灾情的信息相关模式，结合用户生成内容的特点和规律构建基于UGC的城市灾害损失动态评估指标框架，并应用统计学、机器学习和文本挖掘方法(如语义分析、主题识别、情感分析和特征词匹配等)对评估指标进行提取，并利用提取的指标构建基于UGC的城市灾害损失动态评估模型，对灾害的具体损失进行分级。利用2015年8月12日天津港大爆炸的实际新浪微博数据，对基于UGC的城市灾害损失动态评估模型进行验证，并对实验模型结果进行讨论。

1文献综述

1.1城市灾害学

对城市突发灾害的研究，主要集中在灾害风险评估、防灾减灾、应急管理绩效评估、损失评估等方面。张明媛等[1]从风险具有的不确定性和复杂性入手，将城市灾害综合风险看作是基于危险性和易损性的不确定系统，通过判断风险确定的和不确定的影响因素,基于集对分析思想，建立了城市灾害综合风险评价模型。燕群等[2]从城市防灾规划的需要出发，定义了基于防灾规划的城市自然灾害风险分析与评估的内涵，针对城市防灾规划的特点和自然灾害风险分析的评价目标，构建基于防灾规划的城市自然灾害评估模型与评估流程。吴建安[3]对我国城市面对的突发自然灾害形势和特点进行了分析，认为我国城市自然灾害风险高，具有灾害形势复杂、救灾工作难度大的特点。张明媛等[4]考虑到城市自然灾害综合风险评估过程的繁琐,提出了一种基于事例推理(case-based reasoning,CBR)思想的风险评估方法。张永领等[5]以上海市18个区县的人口和社会经济数据为基础构建了45个自然灾害社会脆弱性指标，并用主成分分析法选择了16个独立性强的重要指标作为自然灾害社会脆弱性的评价指标，采用TOPSIS方法对上海市18个区县的自然灾害社会脆弱性进行了评价。陈娟[6]通过研究地方政府应对城市自然灾害应急管理绩效评估机制，概述城市自然灾害应急管理绩效评估机制相关的概念及其意义，深入分析地方政府应对城市自然灾害绩效评估机制存在的主要问题，并提出完善地方政府应对城市自然灾害应急管理绩效评估机制的建议。姜乃力等[7]对辽宁省城市自然灾害强度进行综合评价，划分风险等级，最终利用ArcGIS技术绘制风险评价图。刘严萍等[8]指出社会参与减灾救灾的重要性，使得全球范围内的学者都在探索减灾救灾过程中有效社会参与的组织管理方法。窦玉丹等[9]将数据挖掘技术中的粗糙集理论、遗传算法和神经网络相结合，尝试解决地震灾害损失评估问题。谢云霞等[10]对城市洪涝易损性进行评价，提出以反映指标复杂度的分维作为指标权重的思路，同时考虑评价标准边界值的模糊性，基于集对分析原理建立分形模糊集对评价模型。

1.2灾害损失评估

灾害评估是指灾害对于社会、生态和人类造成变化的一种价值上的判断，并以评估的理论和方法为出发点，结合灾害的实际情况建立指标系统、规则系统和模型系统。有关灾害损失评估的理论研究十分广泛，并且对于不同的灾种其研究的重点也不尽相同。王桂枝等[11]以2012年7月北京特大暴雨为例尝试改进单部门损失传导投入产出模型，通过引入多部门直接损失值，推导其他关联部门的因灾间接损失。黄敏等[12]提出了工业企业停减产损失评估方法，并以芦山7.0级地震为例评估行政区域工业企业停减产损失值。文世勇等[13]提出了赤潮灾害经济损失评估指标体系，并且建立了赤潮灾害经济损失评估模型，还提出了赤潮灾害损失评估的技术流程。牛海燕等[14]根据1990—2007年的台风灾情资料,选取代表性指标，尝试构建了台风灾情评估模型,并对沿海省市的台风灾害损失及其与致灾因子的关系进行分析评价。袭祝香等[15]利用1961—2012年吉林省逐日降水资料、暴雨灾情资料、逐年GDP和人口资料，采用灰色关联度分析方法建立重大暴雨过程指数及灾损指数，利用相关分析法对重大暴雨过程造成损失的影响因素进行探讨，采用多元回归法建立了重大暴雨过程影响损失评估模型。吴红华等[16-17]基于模糊数学和灰色系统理论提出了一种新的灾害损失评估方法,并证明了该方法具有客观性和较高的精度。此外还对灾害损失评估的新途径进行了探索,根据模糊数学的理论,将区间数概念用于解决模糊综合评价对象某些属性的不确定性问题,在此基础上建立了区间数模糊综合评判的数学模型以用于灾害损失评估。刘伟东等[18]针对近20年北京地区发生的大风和暴雨灾害,应用灰色关联度方法,计算北京地区近20年的19例大风和暴雨灾害的灾情评估指标与关联度,并进行损失评估和比较。段华明[19]分析了防灾减灾和应急措施的成效与不足，研究了社会学视阈中的灾害损失评估。张眉等[20]引入模糊综合评价模型计算浙江省1983—2007年共53个台风案例的影响评价指数,运用均值-标准差分级法对浙江省历史台风灾害影响强度进行等级划分,并将该指数与实际农田损失面积进行了回归分析,拟合农田损失面积预评估模型。

1.3用户生成内容

用户生成内容指由用户原创的文字、图片、声音、视频等内容，主要发布在微博、博客、视频分享网站、维基、在线问答、SNS 等社会化媒体上。随着互联网的不断深入变革、移动互联网的不断兴起以及自媒体时代的到来,越来越多的个性化内容、异构内容将为学术和工业界带来更多机遇与挑战。

在UGC用户分类、关系、动因和行为的研究方面，尹丽英[21]将社会化媒体中用户生成内容的主要动因归纳为社会、个体和技术3个层面，结合需要层次理论、双因素理论和期望理论等激励理论，针对社会化媒体中UGC的不同用户群设计相应的激励措施。谢佳琳等[22]以微博用户为调查对象,采用结构方程建模方法进行实证分析,研究发现感知娱乐性、预期互惠关系和主观规范对用户生成意愿存在显著影响。汪旭晖等[23]研究UGC互动效用与用户品牌态度的关系,分析了人际易感性在其中的调节作用。关于内容的监督、管理与评价方面的研究，主要涉及到文本挖掘相关技术的应用。费仲超等[24]设计一套基于自然语言理解的互联网UGC文本主观观点分析系统WSAM,该系统能挖掘出用户主观观点所蕴含的关注对象和主观成分。史伟等[25]从语义的角度,运用构建模糊情感本体的方法,对中文在线评论情感分析进行研究。王文等[26]提出了一种新的情感分析方法，并且以新浪微博为例证明该方法对情感倾向判断的准确率提高了约5%。关于利用用户生成内容来进行实际预测的研究，其涉及的领域十分广泛，都旨在利用用户生成内容的丰富信息。BOLLEN等[27]将情绪分为5类，利用格兰杰因果检验发现公众情绪与道琼斯平均指数(DJIA)之间存在着明显的关联，且公众情绪的时间序列可作为股指变化的自变量。

2评估模型

2.1评估指标框架

基于UGC的城市灾害动态评估指标框架的提出主要是基于两个方面：①是传统灾害损失评估指标及其侧重点；②是互联网UGC的实际特点。前者的评估指标体系结构十分丰富，也较为成熟，灾害频发让其逐步改善，其科学性和现实意义重大，指导性强。因此笔者所提出的评估指标框架部分来源于传统灾害损失评估指标体系。对于后者来讲，现阶段UGC主要侧重于对事件的传播，没有丰富的灾害评估信息，且信息分散。但是UGC优势在于对突发灾害反应的及时性，对于应急管理决策者来讲，如果能够及时获得与灾害相关的第一手信息，并将其与传统灾害评估方法结合，必然能够优势互补，为应急决策提供依据。

笔者所提出的评估指标框架主要分为两个方面：直接损失指标和情感折算损失指标，具体评估指标框架如图1所示。

图1　基于UGC的城市灾害动态损失评估框架

对城市灾害相关的UGC内容进行信息分析，并按提取算法对损失评估指标进行获取之后，再对评估框架中的各个指标进行权重设置，然后对灾害损失进行动态分总体评估。

2.2评估指标算法

不同指标根据其特点的不同应采取不同的评估算法，笔者所针对的是文本类UGC，因此评估指标算法主要基于语义分析、主题识别、文本挖掘、情感分析、特征词匹配等方法。

2.2.1直接损失指标的人员损失

灾害发生后，与灾害相关的UGC常常会带有个人对灾害的一个见闻上的描述，比如身边有多少人受伤，财物有什么损失等，对含有这些信息的UGC内容是直接损失指标提取的关键，这些信息往往在内容中比较明显，大多数并不需要从语义上去理解。因此对于直接损失指标主要采取关键词匹配的方法，分别设置相应的匹配模式进行匹配，并对匹配结果数量进行权重处理，因为在灾害发生后的时间段内，对直接损失指标的UGC内容描述存在滞后性，笔者加入了时间权重对得分进行修正，最终得到各个指标的相应评估值。为了避免重复计算，首先剔除重复的UGC，然后通过语义相似度的方法，利用TFIDF对参与直接损失指标计算的UGC进行融合和剔除。以死亡人数为例，笔者采取的方式是针对特定时间的某一条UGC，通过关键词对其内容是否含有“count+人死亡”、“死亡+count”等与匹配模式相匹配的信息。然后对得到的具体数据按照如式(1)进行计算，具体的匹配模式如表1所示，其中wordvec=[死亡，受伤，失踪]，weighttime为时间权重，weightp为人员损失权重。

scorep=countp×weighttime×weightp

(1)

2.2.2直接损失指标的财物损失

与人员损失评估方法类似，财物损失指标的评估方式也采用关键词匹配的方法，计算公式如式(2)所示，具体匹配模式如表2所示，其中objectvec=[房屋，道路，车辆，…]，wordvec=[损毁，倒塌，损坏，陷入，…]，weighttime为时间权重，weightt为财物损失权重。

scoret=countt×weighttime×weightt

(2)

表2　财物损失匹配模式表

2.2.3情感折算损失指标的事件关注度

灾害的发生往往随着时间的推移其关注度也会发生变化，发生的一瞬间其损失开始形成，但是其关注度主要体现在与该灾害紧密相连的人，因此UGC的数量比较少，伴随着时间的递进，关注度会越来越高，可能会逐步转移至灾害发生的原因或者救援上来。可见灾害的损失并不完全与其关注度在时间上存在着正相关，然而如果从纵向来讲，不同灾害关注度的高低，在时间上确实存在一定的正相关性。为了动态地对灾害损失进行评估，必须把时间因素考虑进来，这样才能有效地对灾害损失进行动态评估，同时又能保证评估的有效性。因此事件关注度指标，主要分为事件持续时间指标和事件UGC数指标两类。其中事件持续时间指标主要是用于区别不同灾害在同一时间段的损失，评估方式主要是在设置定时机制的基础上，如以temp_t=[1 h,2 h,…，24 h]的设定下，采用直接计算的方式，运算在灾害发生后特定temp_t[n]下的事件UGC数量，其中weightUGC_temp_t为事件持续时间指标权重。增量计算公式如下所示：

(3)

事件UGC数为主要描述自然灾害关注度的硬性指标，动态评估过程中主要计算灾害发生后到评估时段所有与灾害相关UGC数量的得分，其中weightUGC_ALL_t为事件UGC数指标权重。计算公式如下所示：

score=countALL_t×weightUGC_ALL_t

(4)

2.2.4情感折算损失指标的情感折算损失

灾害发生后，与灾害相关的UGC内容往往包含着大量的个人情感信息，如恐惧、同情、担心、伤心等，这些对于具体灾害的情感信息往往也携带着灾害损失的相关情况，如何将这些情感进行量化，是提取情感折算损失指标的主要内容。笔者将情绪主要分为正面情绪和负面情绪，为了对这两种情绪进行量化，采取传统的情感分析方法，通过对情感词进行匹配赋值的方式来评估其情感得分，同时还将描述这两种情绪的词分为评价性词语和情感词语两类。考虑到情绪程度的强弱问题，将情感副词分成了6类：最、非常、更、中性、不足、相反，对不同程度的情感副词赋予不同的权重，从而与情感词结合起来对UGC情感进行评估。考虑到不同UGC文本的长短不同，笔者将UGC按照“，”进行分割，分别计算UGC每一段的情感值，然后进行汇总，并以此获得总情感得分、情感平均得分和情感得分方差3种类型的情感得分，从而对于不同情况采用不同的指标计算得分。其中weightemotion_p为正面情感得分权重，weightemotion_n为负面情感得分权重，总情感得分计算公式如下所示：

scoreemotion_total=scoreemotion_p×weightemotion_p-scoreemotion_n×weightemotion_n

(5)

2.3评估流程

基于UGC的城市灾害动态评估流程主要包括数据获取和数据分析两个部分，当城市灾害发生后，事件源的相关信息随后便通过互联网、移动互联网大量传播，微博、微信、论坛、博客等平台上产生大量与灾害相关的UGC。通过数据采集引擎和设定的定时机制对灾害相关UGC数据进行采集；通过分析和计算对评估指标框架中的相关指标进行提取；然后按照评估模型对该时段内的灾害损失进行评估，产生定时评估报告，推送给应急决策者，随着灾害发生后时间的推移，定时机制也不断改变，作用于数据采集引擎循环之前的过程，从而动态地产生灾害损失评估。具体评估流程如图2所示。

图2　灾害评估流程图

3案例研究

3.1数据来源

针对2015年8月12日天津港大爆炸事件，笔者以“天津爆炸”、“天津塘沽爆炸”、“2015年8月12日天津大爆炸”为主题搜索词，通过新浪提供的微博API接口，对相同微博去重处理后，抓取了8月12日到8月25日两周内微博，共10 421条，抓取字段有作者、微博、时间、点赞数、评论数、转发数，并按照评估指标框架对微博进行分析计算。图3所示为8月13—25日抓取的微博数量分布图。

图3　微博数量分布图

从图3可以看到，爆炸发生后，与爆炸相关的微博UGC数量大量产生，在第一天达到峰值，随后有减弱的趋势，这主要是因为此次爆炸发生在深夜，第二天白天对爆炸的传播起到了很大的传播作用，随着时间的推移，救援和责任追究也使得与爆炸有关的UGC有了较大的增加。因此考虑到爆炸的持续时间较短，为了更好地反映爆炸带来的情感损失折算，笔者主要对爆炸发生后24 h内的数据进行分析处理。所采用的情绪词和情感副词信息分别如表3和表4所示。

表3　情绪词表

表4　情感副词表

3.2实验结果

3.2.1动态评估

爆炸相关UGC内容所带有的情感信息往往随着事态发展而不断地变化，爆炸发生时负面情绪往往是惊恐、害怕、恐惧等情感比较强烈，随后会逐渐往可怜、悲伤、伤感发展。而正面情绪往往在爆炸发生前比较平淡，随后会往团结、感动、赞扬等积极性情感发展。

笔者以1 h为定时机制，对天津爆炸发生后24 h正负情感指标进行动态评估，其UGC正负情感折算损失如图4所示。由图4可以看出，在爆炸发生的1～2 h负面情感折算指标值异常之高，而正面情感折算指标值却比较低和平缓，同时在随后2 h内负面情感折算指标值下降得十分明显，主要原因是爆炸发生时间比较晚，3～4 h后约为凌晨3点，多数人都已经熟睡，爆炸事件信息的传播受到了影响。在5 h后负面情感折算指标值开始攀升，正面情感折算指标值也小幅度上升，负面情感折算指标值上升的主要原因是白天到来，事件信息传播效果开始变好，正面情感折算指标值上升主要是人们的同情和祈福等正面情绪开始形成。随着时间的推移正负情感折算指标值都趋于小幅波动。

图4　动态情感正负情感折算损失

图5所示为动态情感损失总折算结果，可以看到爆炸的主要损失集中在爆炸发生后的几个小时内，通过趋势线可发现，情感损失折算呈递减趋势，整个过程与爆炸损失波动过程契合。

图5　动态情感损失总折算结果

3.2.2增量评估

增量评估主要是对爆炸发生后到具体评估的某个时间之间的损失总值，这个指标对于爆炸的损失评估十分重要，增量正负情感折算损失值如图6所示，可以看到，爆炸正负情感损失折算都呈递增的趋势，增量负面情感折算损失随着时间的推移其斜率逐渐变小，说明负面情感折算损失的增长速度逐渐减缓，而增量正面情感折算损失的斜率随时间逐渐增加，可见正面情感折算损失增长速度是逐渐增加的，最终两者有相交的趋势。这符合实际爆炸情况，即单位时间损失逐渐减少，一定时间内总损失逐渐增加的情况。

图6　增量正负情感折算

图7所示为增量情感总折算结果，可以发现损失逐渐增加，但是增加速度逐渐变慢，总损失最终有沿直线向上变化的趋势，即总损失最终固定在某一点，这与实际情况是相符的。但是前12个小时的损失增长速度较快，说明了深夜对爆炸损失信息的滞后效果明显。

图7　增量总折算结果

4结论

考虑到传统灾害损失评估持续时间长，灾害损失信息的上报环节多，灾害损失信息不完整的缺点，结合飞速发展的互联网平台，利用其数据量大、及时性的特点，收集并分析个体所发表的与灾害相关的UGC数据，根据其特点建立基于UGC的城市灾害动态评估模型，最终将这些相关信息转化成灾害损失具体评估值。并通过实例验证了模型的有效性，可作为传统灾害评估方式的一个重要补充。

参考文献：

[1]张明媛,袁永博,周晶，等.城市自然灾害风险分析新方法[J].大连理工大学学报,2010,50(5):706-711.

[2]燕群,蒙吉军,康玉芳,等.基于防灾规划的城市自然灾害风险分析与评估研究进展[J].地理与地理信息科学,2011,27(6):78-83,95.

[3]吴建安.我国城市自然灾害与应急管理体系研究[J].价值工程,2012,31(17):307-308.

[4]张明媛,刘妍,袁永博,等.城市自然灾害综合风险评估问题研究[J].防灾减灾工程学报,2012,32(2):176-180.

[5]张永领,游温娇.基于TOPSIS的城市自然灾害社会脆弱性评价研究：以上海市为例[J].灾害学,2014,29(1):109-114.

[6]陈娟.地方政府应对城市自然灾害应急管理绩效评估机制研究[J].科技促进发展,2014(6):105-110.

[7]姜乃力,冯晓琳,高航,等.辽宁省城市自然灾害风险评价及综合减灾对策研究[J].资源开发与市场,2013,29(5):475-477.

[8]刘严萍,王震.城市自然灾害风险应急管理多元参与体制架构设计[J].河北联合大学学报(社会科学版),2014(2):165-168.

[9]窦玉丹,袁永博,张明媛,等.基于粗糙遗传BP网络的震害损失评估模型研究[J].工程管理学报,2010,24(1):29-32.

[10]谢云霞,王文圣.城市洪涝易损性评价的分形模糊集对评价模型[J].深圳大学学报(理工版),2012,29(1):12-17.

[11]王桂芝,李霞,陈纪波,等.基于IO模型的多部门暴雨灾害间接经济损失评估:以北京市“7·21”特大暴雨为例[J].灾害学,2015,30(2):94-99.

[12]黄敏,王健,袁一凡,等.工业企业地震灾害停减产损失评估方法研究:以芦山7.0级地震为例[J].灾害学,2015,30(1):171-174.

[13]文世勇,宋旭,田原原,等.赤潮灾害经济损失评估技术方法[J].灾害学,2015,30(1):25-28.

[14]牛海燕,刘敏,陆敏,等.中国沿海地区台风灾害损失评估研究[J].灾害学,2011,26(3):61-64.

[15]袭祝香,纪玲玲,张硕,等.吉林省重大暴雨过程影响损失评估模型的建立[J].气象与环境学报,2014(5):141-145.

[16]吴红华.灾害损失评估的灰色模糊综合方法[J].自然灾害学报,2005,14(2):115-118.

[17]吴红华,李正农.灾害损失评估的区间数模糊综合评判方法[J].自然灾害学报,2006,15(6):149-153.

[18]刘伟东,扈海波,程丛兰,等.灰色关联度方法在大风和暴雨灾害损失评估中的应用[J].气象科技,2007,35(4):563-566.

[19]段华明.社会学视阈中的灾害损失评估研究[J].广州大学学报(社会科学版),2014(6):19-24.

[20]张眉,金有杰,王倩,等.基于模糊综合评价法的浙江省台风灾害农田损失评估分析[J].湖北农业科学,2014,53(20):5002-5006.

[21]尹丽英.用户生成内容动因分析及激励设计:以新浪微博为例[J].数字图书馆论坛,2015(6):38-44.

[22]谢佳琳,张晋朝.用户在线生成内容意愿影响因素研究[J].信息资源管理学报,2014(1):69-77.

[23]汪旭晖,李璐琳.基于在线品牌社群的UGC互动效用对用户品牌态度的影响:人际易感性的调节作用[J].现代情报,2015,35(7):24-28.

[24]费仲超,朱鲲鹏,魏芳,等.WSAM:互联网UGC文本主观观点挖掘系统[J].计算机应用与软件,2012,29(5):90-94.

[25]史伟,王洪伟,何绍义,等.基于语义的中文在线评论情感分析[J].情报学报,2013,32(8):860-867.

[26]王文,王树锋,李洪华,等.基于文本语义和表情倾向的微博情感分析方法[J].南京理工大学学报(自然科学版),2014(6):733-738.

[27]BOLLEN J,MAO H N,ZENG X J.Twitter mood predicts the stock market[J].Journal of Computational Science,2011,1(2):1-8.

SHAN Siqing:Prof.; School of Economics and Management，Beihang University,Beijing 100191,China.

[编辑：王志全]

文章编号：2095-3852(2016)01-0001-07

文献标志码:A

收稿日期：2015-10-26.

作者简介：闪四清(1965-)，男，北京人，北京航空航天大学经济管理学院教授；博士生导师.

基金项目：国家自然科学基金资助项目(71471008)；国家自然科学基金重点资助项目(91224007).

中图分类号：X915.5

DOI：10.3963/j.issn.2095-3852.2016.01.001

Dynamic City Disaster Loss Assessment Model Based on User Generated Content

SHAN Siqing,LIN Xiao,ZHANG Tong

Abstract：The purpose of this article is from the perspective of UGC to dynamic modeling cities' disaster losses.Current disaster assessment facing long duration,reporting link losses disaster information,disaster loss information is not complete and other issues,this paper intends to use methods of semantic analysis,text mining,sentiment analysis,word matching feature,on the basis of analysising the features of urban disaster UGC,design evaluation system of urban disaster losses based UGC to build disaster dynamically and continuously monitoring and analysis algorithms,disaster loss incremental assessment process for disaster emergency response decision support.This paper selects the actual data Tianjin Port explosion of dynamic assessment model of urban disaster losses UGC based on verified,empirical evidence that the model is valid.

Key words：emergency management; city disaster; UGC; disaster damage assessment; dynamic assessment