基于情景模型的重大突发事件人员应急疏散方法

马国普，吴 杨

（陆军勤务学院，重庆 401311）

0 引言

随着全球一体化社会的高速发展，重大突发性事件造成的破坏不断提高。2010 年海地地震造成22.6 万人丧生，占其总人口的2%［1］。2011 年日本“3.11”大地震引发的巨大海啸对沿岸造成毁灭性破坏，并引发福岛核电站核泄漏，造成一系列的次生衍生灾难［2］。2014 年，我国仅自然灾害造成的直接经济损失高达2 487 亿元人民币，占国内生产总值的0.39%［3］。

各国针对重大突发事件应急决策指定应对机构并研究预案。但由于重大突发事件难以预测、复杂性高、存在潜在次生衍生危害［4］，同时专家经验不足和决策主体的认知能力有限等因素，使得传统的应急决策方法及应急预案在实施中效果较差。

2019 年3 月30 日四川省木里县立尔村森林火灾，州、县两级投入689 人实施灭火作业。31 日下午，受瞬间风力风向突变影响，山火爆燃，30 余名扑火人员失去宝贵生命。

由此可知，对于重大突发事件，基于历史事件的应急预案和应急方法仅具有参考意义，亟需研究针对性的新方法。

1 基于情景的应急决策方法

1.1 情景的分解与收集

近年来，将重大突发事件分解为单个的情景，从情景层次开始推理，来寻求解决办法已成为研究热点方向之一［5］。文献［4］研究了基于非战争军事行动应对重大突发事件的方法，应用智能系统辅助专家对抗研讨，模拟重大突发事件情景进行应急决策。本文在此基础上，进一步研究基于情境的重大突发事件应急疏散方法。

分解与构建情景，是情景应对方法成功的关键之一。参考文献［6］的思路，将情景自上向下分解为情景，情景原子与情景参数，构建情景体系框架，如图1 所示。

图1 情景体系框架

情景原子不可再分，是构成情景的基本情景元。若干个情景原子的组合能唯一标识一个情景。情景参数是描述情景的一系列关键属性。每一个情景原子对应一个情景参数集合，该集合由与其本质属性相关的情景参数组成。同一情景参数可以与多个情景原子的属性相关，这就提高了情景构建的可重用性。比如，水文和交通两个情景都有速度参数的支持，表1 为一些典型情景的例举。

表1 情景类型及内容

将已有突发事件分解为情景集，以多媒体形式按照情景的类型建立起数据库，并运用大数据技术进行高速运算和存储。情景的获取与存储，可依靠相关国家案例库。

1.2 情景应对的应急决策

决策者依据已确定的客观环境，在有限成本的约束下作出的最优决定，可表述为：

即以最小成本Cmin，从策略集合θ 中挑选出使收益F 最大的决策θmax。

而重大突发事件的环境复杂且动态不确定，必须考虑到情景因素，定义决策收益函数F：

其中，S=｛S1，S2，S3…，Sn｝为当前突发事件的情景要素，θ 为应急决策方案，C 为决策成本。因此，F 表示在重大突发事件情景S 的约束下，花费决策成本C，作出决策θ 并实施后的收益。

假设经验决策为θ0，在花费成本C 相同的情况下，策略的优劣顺序如图2 所示。

图2 情景应对应急决策收益示意图

以F（θ0）为边界，当某一决策（如θ1）的收益F（θ1）低于F（θ0）时，评价为劣势决策；当某一决策（如θ2）的收益F（θ2）高于F（θ0）时，评价为优势决策。注意，不同突发事件由于情景和决策方法的不同，其决策收益可能表现出多种形式，图2 仅描绘决策收益的一种变化趋势。

2 基于情景建模的应急疏散决策方法

下面分析重大突发事件应急疏散相关情景，构建决策模型。

2.1 情景描述

应急疏散是将人员财产从突发事件发生地转移到避难场所的过程，涉及以下情景原子。

情景原子1：影响区域

重大活动突发事件的影响范围可以划分为事发区、撤离区和安全区。在事发区的灾害发生地点需要强制性疏散，撤离区是事发区到安全区之间撤离路径所在区域。避难场所位于安全区。影响区域划分如下页图3 所示。

图3 影响区域划分图

情景原子2：疏散人群

应急疏散中的一个重要情景原子是疏散的主体——人。大型活动的参与者数量包括观众数量和工作人员数量。计算公式如下：

其中，R 为疏散人员总量；Z 为活动场所座位数；η为预测上座率；R0为活动工作人员。

情景原子3：避难场所

避难场所一般要求空间开阔、能容纳大量的避难人员。在应急疏散中，避难场所的容量是重要的情景属性，可为应急疏散决策提供直观的参考依据。本文选取城市中较为典型的两类避难场所。

1）学校

学校作为避难场所，可将教学楼、体育馆、操场、餐厅、景观绿地等空间提供给避难人员使用。学校避难场所容量的计算公式如下：

其中，N 为学校避难所的容量，N1为教学楼与宿舍容量，N2为学校师生人数，S空旷为操场等开阔区域面积，S人为平均每人占地面积。

2）公园

公园避难场所的容量计算可按照占地总面积减去不可用于避难的面积进行计算。不可用于避难的面积包括水域面积和部分不可避难建筑物的面积。实际计算时，还需要规定折减系数来确保预期容量与实际容量相符。避难场所容量的计算公式如下：

其中，N 为公园避难所的容量，ω 为折减系数，通常取0.7，S0为公园总占地面积，S1为水域面积，S2为不可避难建筑面积，N1为公园内的游客数。

情景原子4：疏散车辆

疏散车辆需求的计算公式如下：

其中，D 为疏散车辆需求，Zc为车座位数，［］表示计算结果取整，即若计算结果有余数，则加1。

情景原子5：疏散路线

由于避难场所分布在不同的位置，因此，疏散路线存在多条。需要疏散的车辆总数为A，假设支路疏散路线共有n 条，各支路疏散路线的路段长度为l1、l2、…、ln，车辆数分别为A1、A2、…、An。多条支路疏散路线的情况下有：

情景原子6：交通流疏散时间

对于疏散路径L1，其长度l1，在车距为d，交通车辆为A1时，要求以最后一辆车到达避难地点为疏散结束点，疏散时间为T1。不考虑疏散过程中车辆转弯、变速等情况，将T1分为两个阶段：

第1 阶段t11：疏散车辆以畅行速度Vf从事发点匀速行驶至避难场所；

第2 阶段t12：由于大量车辆进入避难场所会发生拥堵，当前端车辆到达避难场所后，后续的疏散车流采用跟车进入避难场所，过程如图4 所示。

图4 疏散时间分解图

其中，t11=l1/Vf，t12=A1/Q1，Q1为交通流量。

交通流可近似看作由交通体组成的一种粒子流体，同其他流体一样，可以用交通流量、速度、和密度3 个基本参数来描述［7-8］。

1）速度与密度

图5 速度与密度关系图

设速度与密度满足线性关系：

其中，a、b 为待定常数。

K=0 时，V=Vf，带入式（8）中得：

当密度达到最大值，即K=Kj（阻塞密度）时，车速V=0，带入式（8）中得：

将a、b 带入式（8）得：

2）流量与密度

令dQ/dK=0

图6 流量与密度关系图

求得Qmax=Vf×Kj/4；

此时K=Kj/2，V=Vf/2。

假设在前车突然停止时，两车之间的距离至少应当足够后车驾驶员反应，并把车完全停下来而不发生追尾。安全跟车距离模型如下：

其中，Hd为车头间距（车身长+两车间距离），为驾驶员反应时间，μ 为地面摩擦系数。

由t2=A1/Q1可知，在疏散路径车辆数量一定的情况下，车流量越大，花费的时间越少。

Vf是已知量，以道路限行速度为准。而Kj未知，可根据车流量最大时的K 值近似得到：

2.2 应急疏散决策

当重大突发事件发生时，决策者考虑在最短的时间T 内将处于危险区域的群众与财产输送到避难场所，需要合理分配交通流A 到各个疏散路径L 中，直至应急疏散过程完成。即通过控制各个疏散路径的车流量可以实现疏散时间的最小化。疏散时间取整个疏散过程最后一辆车到达避难场所所花费的时间。

3 交通疏散案例

3.1 案例假定

某月某日，乐山广场举行“喜迎新春”跨年晚会。晚会开始后，举办方接到电话称广场内有恐怖分子埋放烈性炸药。结合近期公安部门发现车站有大量外籍人员进入，有关部门决定立即停止活动，并组织人员紧急疏散。

3.2 情景分析

情景原子1：影响区域

将乐山广场及其周边广场和商业中心等人员密集的区域划分为A 区（高危险区），将乐山广场周围1 km 区域划分为B 区（撤离区）。

情景原子2：疏散人群

图7 乐山广场及周边图

活动的参与者包括观众和工作人员。根据式（3）计算结果如下：

R=8 164×0.9+150=7 498 人

情景原子3：避难场所

为尽快完成疏散和安置等工作，选取就近符合条件的两个避难场地：春华公园和乐山实验中学。根据式（4）计算出两个避难所容量：

N=5 500-1 500+3 000/1=7 000 人N=0.7×（8 157-200-150）/1-500=5 000 人情景原子4：疏散车辆

由于事态紧急，要求疏散快速、安全，对乘载舒适性等要求较低。使用驻地部队卡车进行人员疏散，假设每辆车的荷载人数为50 人（不包括司机和安全员），则预计疏散车辆D=［7 498/50］=150 辆，对应的两个避难所的饱和容纳车辆分别为D1饱和=［7 000/50］=140 辆；D2饱和=［5 000/50］=100 辆。

情景原子5：疏散路线

疏散路线1：乐山广场沿加州大道—春华路中段至春华公园，全长1 077 m（综合考虑路况与安全因素，卡车在此路上的速度为13.9 m/s）；

疏散路线2：乐山广场沿柏杨中路—天星路至实验中学，全长1 245 m，其中柏杨中路长836 m（卡车在此路上的速度为13.9 m/s），天星路长409 m（卡车在此路上的速度为8.4 m/s）。

此时两条路线的疏散车辆总数为150 辆，即D1+D2=150 辆。

情景原子6：交通流疏散时间

设疏散路线1 和2 的疏散时间分别为T1和T2，根据式（12）则有：

T1=1 077/13.9+A1×（2×7.2/13.9+0.33+13.9/（4×0.6×9.8））；

T2=836/13.9+409/8.4+A2×（2×7.2/8.4+0.33+8.4/（4×0.6×9.8））；

T=Max［T1，T2］。

3.3 编程实现

在上文情景分析中所建立的数学模型的基础上，借助软件编程计算出疏散车辆在不同路线分配组合情况下的疏散时间，疏散时间最少的组合即为最优解。使用的设备为计算机一台及Phyton 编程工具。

程序效果和结果如图8 所示。

图8 程序结果图

结果表明：疏散时间随疏散路线1 车辆的减少呈现出先减小后增加。最优解的疏散时间为253.6 s，此时两条路线的疏散车辆分别为90 辆和60 辆。

对比方案1，决策者在应急情况下采用将疏散车辆平均分配至两条路线，疏散时间为288.9 s。对比方案2，决策者在应急情况下采用将疏散车辆优先分配至路线1 的方法，疏散时间为351.5 s。对比方案3，决策者在应急情况下采用将疏散车辆优先分配至路线2 的方法，疏散时间为300.9 s。3 种方案疏散时间均会超过253.6 s。因此，采用本文提出的应急决策方法，分析重大突发事件情景，建立应急疏散模型进行计算，可以获得最优应急疏散决策方案，取得良好决策收益。

4 结论

本文主要对重大突发事件应急疏散问题进行分析，提出了基于情景应对模型的应急决策方法，并通过示例计算机仿真对方法的有效性进行了验证。

因为研究时间和文章篇幅限制，在应急疏散中没有考虑情景体系构建的优化；被疏散人群的心理因素，例如人群的焦虑、恐慌等心理行为；车辆的复杂运动；微观疏散模型等方面。之后可考虑从系统性分析、大数据和被疏散者心理行为特征3 个方面着手进一步研究。