基于AHP-Bayes的城镇老旧小区动态智能化火灾风险评估模型
——以上海市M小区为例
2021-10-08田世祥江泽标杨君涛韦善阳
余 婕,田世祥*,王 伟,江泽标,杨君涛,韦善阳
(1.贵州大学矿业学院,贵州 贵阳 550025;2.应急管理部上海消防研究所,上海 200032)
我国经济正逐渐由高速增长阶段转向高质量发展阶段,城市化的进程和规模不断扩张,使得火灾风险水平也不断加重。社区是社会治理和民生保障的重要载体,传统与非传统消防安全因子彼此交叉渗透,其火灾具有受灾面积小、火灾荷载大、受困人员少但易伤亡、扑救难度小且救援要求高等特点,90%以上的社区火灾面积不超过50 m。2019年我国共接报火灾23.3万起,其中居民住宅火灾虽然只占44.8%,但造成了1 045人死亡(占比为78.3%),远超出其他场所死亡人数的总和,“小火亡人”问题仍然突出。于2000年以前建成的老旧小区是居民住宅火灾的重灾区,已成为城市发展面临的主要消防痛点,直接威胁公众生命财产和公共安全,亟待加强源头治理和综合治理。城镇老旧小区改造是满足人民群众美好生活需要的重大民生工程和发展工程,2020年7月国务院办公厅印发的《关于全面推进城镇老旧小区改造工作的指导意见》中明确指出,消防改造是老旧小区改造工程的重要组成部分,火灾风险评估是老旧小区消防改造的先决条件和考核改造成果评价的重要手段。
国内外学者在建筑火灾风险评估方法方面已做了大量的研究。如:陈娟娟等利用聚类分析与层次分析法相结合,评估了大型商场建筑单体火灾风险并确定了其风险水平等级;孙华丽等应用主成分分析法评估了超大城市公共安全风险,找出了影响公共安全水平的重要因子,以实现城市公共安全的有效预防;孙旋等基于改进层次分析法对火灾高危单位消防安全进行了评估,并建立了火灾高危单位消防安全评估模型;徐坚强等将贝叶斯网络方法引入到火灾风险定量评估中,提出了基于贝叶斯网络的火灾动态风险评估模型;张立宁等、张强等分析了高层民用建筑火灾发生的不确定性及其特点,研究了适合高层民用建筑火灾风险评估的未确知C-均值聚类智能化综合评估模型,并根据火灾烟气参数的不确定性构建了基于贝叶斯网络的竖井中性面模型;还有学者分别采用层次分析法、主成分分析法、熵权法、网络层次分析法进行组合赋权,建立了组合赋权火灾评估模型、层级火灾风险评价模型和模糊综合评价模型,对古建筑群、文物建筑、少数民族村寨火灾风险进行了评估,分析了其潜在的火灾风险及其等级,并对潜在的火灾风险提出了相对应的防控措施。此外,为了精准、高效地评价养老社区火灾风险,确保社区配电网安全和智慧社区的建设,谢尊贤等研究了基于BIM-GA-BN耦合的养老社区施工安全评价模型,史运涛等提出了基于层次分析-贝叶斯网络的社区配电网风险动态综合评估方法。
综上所述,前人在对建筑火灾风险评估指标权重计算时仅考虑单一的主观或者客观权重,对建筑火灾风险组合赋权动态综合评估少有研究,而对复杂老旧建筑火灾风险组合赋权动态评估的研究几乎是空白。鉴于此,本文针对复杂老旧建筑火灾智能监测、灭火设备设施、安全疏散救援、消防安全管理4个方面较薄弱的特点,建立了脆弱性核心影响因子风险评估指标体系,并将层次分析法与贝叶斯网络法耦合,建立了基于AHP-Bayes的城镇老旧小区动态智能化火灾风险评估模型,实现了对城镇复杂老旧小区火灾动态风险的评估,提高了城镇老旧小区火灾风险评估的准确性和实时性,可为城镇老旧小区火灾防控、灭火等提供理论支撑。
1 城镇老旧小区消防安全的特点
绝大多数城镇老旧小区建成于2000年以前,主要由住宅区和沿街底楼商户两个区域构成其使用功能,小区普遍存在街道老、庭院老、住房老、设施老、居住环境差等显著“四老”问题,小区公共设施较落后已影响到小区居民的基本生活,居民改造意愿强烈。结合上海市房管部门提供的客观数据以及实地调研和近7年的火灾数据分析,发现电动车违规充电、生活用火不慎、电气设备安装和使用维护不当等是造成城镇老旧小区火灾的主要原因。城镇老旧小区具有以下消防安全共性特点:
(1) 建筑年代久,结构复杂。城镇老旧小区老建筑年代久远、结构复杂、楼层较低,不满足现在建筑的消防标准,以至于近7年来老建筑极易发生火灾,其中着火建筑为二层建筑的占42%,三层建筑的占49%,其他建筑楼层的占9%。
(2) 构件设施老旧。城镇老旧小区公共消防设施和消防装备建设具有滞后性,原有消防规划不足,尤其是电气线路老化问题严重,未设置简易喷淋、独立式烟感报警器、电气火灾监控、防排烟设施等系统。
(3) 逃生救援难度大。城镇老旧小区存在消防道路被占用及间距不够、疏散楼梯间及疏散通道堆放杂物、违规搭建、灭火器过期、灭火器数量或规格不符合要求、应设而未设应急照明以及疏散指示、安全出口数量不足或堵塞等问题,一旦发生火灾易造成群死群伤现象。
2 城镇老旧小区火灾风险评估指标体系建立
城镇老旧小区火灾风险评估指标包括定性评估指标和定量评估指标,即静态评估指标和动态评估指标。其中,静态评估指标数据通过实地考察获取,即依照国家相关标准规范,通过问答、问卷等形式进行现场调查,通过专家打分,利用Yaahp层次分析法软件对数据进行分析,将其量化转换为定量评估指标权重;动态指标数据由火灾智能监测系统实时提供,即将收集到的数据借助云计算、物联网等技术进行处理,经处理后的数据直接代入公式计算评估指标权重即可,具有智能化的特点,可实现智能防火探测。例如:评估指标乘客电梯使用情况A
、疏散楼梯堵塞情况A
和疏散走道堵塞情况A
可通过电梯中安置的智能摄像头,由设备云端实时提供电梯箱内烟和雾等火灾发生情形、电梯使用情况、发生火灾时乘电梯者在电梯箱内的反应、疏散楼梯和疏散走道堵塞情况等可视化监测数据。本文从静、动态两个视角出发,对城镇老旧小区火灾风险评估准则层从4个方面进行描述,并根据建筑消防设施配置使用等情况充分梳理火灾发生时各环节火灾风险的影响因子并设立21个评估指标,进而构建可量化、实时反映城镇老旧小区火灾动态的风险评估指标体系,见图1。图1 城镇老旧小区火灾风险评估指标体系Fig.1 Fire risk assessment index system for urban old community
3 城镇老旧小区动态智能化火灾风险评估模型构建
为了避免建筑火灾风险评估过程中传统方法带来较强的主观经验性,本文采用层次分析法计算评估指标的主观权重,通过贝叶斯网络法计算评估指标的客观权重,对火灾风险影响因子进行组合赋权,将主、客观权重相结合得出评估指标的综合权重,从而对城镇老旧小区火灾风险进行动态智能化综合评估。根据《建筑设计防火规范》等标准规范,并结合现场调研情况,将建筑火灾风险水平分为5个等级:非常安全(Ⅰ)、安全(Ⅱ)、比较安全(Ⅲ)、比较危险(Ⅳ)、非常危险(Ⅴ)。
3.1 基于AHP法的评估指标主观权重确定
层次分析(Analytic Hievarchy Process,AHP)法是一种系统定性计算评估指标权重的分析方法,其基本原理是把复杂的评估系统按照目标层、准则层、子准则层、指标层等层次进行划分,分析系统中影响因子之间相互作用的影响关系,并按照规定的标度进行定量化,构造判断矩阵,即可计算出判断矩阵的最大特征值及相对应的最大特征向量和各影响因子的相对权重。具体步骤如下:
(1) 构造判断矩阵。AHP法的核心是构造判断矩阵,将评估内容层次划分处理后,邀请在消防安全等领域具有丰富经验的专家采用“1~9”标度法(见表1)分别对两级评估指标体系中的影响因子进行评估打分,以确定P
的值,并将其进行两两比较,逐层得到评估指标权重的排序结果,从而构造出n
阶判断矩阵:表1 判断矩阵标度及其含义[15]Table 1 Scale of judgment matrix and its meaning[15]
(1)
式中:P
、P
(i
,j
=1,2,…,n
)表示影响因子;P
表示P
对P
的相对重要性指数;n
为判断矩阵的阶数。(2)
(3)
(4)
(3) 一致性检验。为了保证判断矩阵P
的准确性,需利用Yaahp软件对其进行一致性检验,判断随机一致性比率(CR
)值的大小,CR
值越小,表示一致性越高,准确性越高,与现实越吻合。当CR
<0.
1时,表示符合一致性检验要求,属于可接受范围;反之,不满足一致性检验要求,无法获得结果。具体计算公式如下:(5)
(6)
式中:n
为判断矩阵的阶数;λ
为判断矩阵的最大特征向量;CI
为判断矩阵的一般一致性指标;RI
为判断矩阵的平均随机一致性指标,具体取值见表2;CR
为判断矩阵的随机一致性比率。表2 判断矩阵的RI值[14]Table 2 RI values of judgment matrix of order[14]
3.2 基于Bayes网络法的评估指标客观权重确定
贝叶斯(Bayes)网络法可通过对一次性事件进行概率评估,来描述先发概率和后发概率之间的相互联系,具有动态计算的优点,满足动态智能化火灾风险评估模型建立的需要,可以用来处理城镇老旧小区火灾风险动态评估研究中出现的不确定性问题。
3.2.1 Bayes网络法概念
Bayes网络法是一种信念网络,是网络结构与网络参数两部分组成的二元数组,网络结构是一个描述各节点间相互关系的有向无圈图,网络参数中条件概率表述了子节点对父节点的依托关系,定量描述了节点之间的影响强度,由父节点(原因)指向子节点(结果),即原因指向结果,即BN=(网络结构,网络参数),网络结构=(子节点集,有向边集)。其中,有向边集反映节点变量间的因果依赖关系。
(1) 确定网络结构。根据城镇老旧小区火灾发展风险从静、动态两方面划分影响因子,借助Netica Bayes网络软件构建城镇老旧小区火灾动态风险评估Bayes网络图,见图2。本文所建立的评估Bayes网络中父节点脆弱性影响因子总共为21个,这21个影响因子主要包括静态因子和动态因子,其中静态因子由调查人员现场检查输入,动态因子由智能探测终端提供数据测算得到。
图2 城镇老旧小区火灾动态风险评估Bayes网络图Fig.2 Bayesian network diagram of dynamic fire risk assessment for urban old community
(2) 确定网络参数。网络参数代表了评估对象基本特征和父子节点间的关联依赖程度,包括节点变量参数和条件概率表两个部分,节点变量参数即是先发概率与后发概率的确定;条件概率表用来量化父节点对子节点的影响程度,即火灾风险发生的等级。
3.2.2 Bayes网络法确定评估指标的客观权重
利用Bayes网络法计算评估指标的客观权重,并评估消防安全状态。计算Bayes网络(BN)每层节点得分时,先设各评估指标的评分满分为100分,将节点全部状态处于有利消防安全状态时的先发概率乘以100后得到BN每层节点的分数,再将节点分数量化后得到火灾风险并作为输入端;然后从底端开始,每往上一层各评估指标的得分等于每个节点评估指标得分乘以该节点评估指标权重相加的总和,再与同层对应节点评估指标的Bayes网络得分相加求取平均值,即可得出该层各节点评估指标的最终得分,进而计算出评估指标的客观权重。概率P
、Bayes网络中各评估指标的权重β
″(A
1)的计算公式如下:(7)
(8)
式中:n
为节点个数;F
和E
为随机变量,F
=f
为一组事件假设,E
=e
为一组条件,在条件E
=e
发生之前,对事件F
=f
造成的影响概率P
(F
)称为先发概率,在条件E
=e
发生之后,对事件F
=f
造成的影响概率P
(F
|E
)称为后发概率。3.3 确定指标组合权重
(9)
3.4 构建基于AHP-Bayes的城镇老旧小区动态智能化火灾风险评估模型
本文基于AHP-Bayes建立城镇老旧小区动态智能化火灾风险评估模型。该模型的评估流程如下(见图3):在构建的城镇老旧小区静、动态火灾风险评估指标体系的基础上,从多层面对火灾风险影响因子进行综合分析,即将评估指标体系分为目标层、准则层和子准则层,其中,目标层从静态与动态两个角度进行分析;一级指标准则层主要包括火灾智能探测能力A
、灭火设备设施能力B
、安全疏散救援能力C
、消防安全管理能力D
4个方面,二级指标子准则层从21个评估指标进行评价;将AHP法与Bayes网络法进行耦合,确定评估指标的综合权重,并根据最大权重原则确定各评估指标的火灾风险水平等级,且认为火灾风险水平等级为较安全及以下的均需要对其进行消防改造,其余火灾风险水平等级的则需进行消防完善即可。最终实现了对城镇老旧小区消防安全管理效果的动态评估。图3 城镇老旧小区动态智能化火灾风险评估模型评估流程Fig.3 Assessment process of dynamic intelligent fire risk assessment model for urban old community
4 案例应用与分析
为了检验基于AHP-Bayes的城镇老旧小区动态智能化火灾风险评估模型在城镇老旧小区建筑火灾风险评估中的准确性、实用性和可靠性,本文选取了上海市徐汇区斜土街道M老旧小区作为评估对象,根据上述建立的火灾风险评估指标体系并结合小区实际情况,利用基于AHP-Bayes的城镇老旧小区动态智能化火灾风险评估模型,对M老旧小区的火灾风险等级进行了评估。
4.1 M老旧小区消防安全现状
经过前几年的改造工程,上海市一些老旧小区加装了简易喷淋等消防设施,但目前仍有49.79%的老旧小区未设置独立式烟感报警装置,60.3%的老旧小区未设置电气火灾监控系统,47.23%的老旧小区未设置简易喷淋系统。M老旧小区总建筑面积为19 536 m,在1979—1984年建成并使用,共有21栋楼,分别编号为5~25号楼,均为5层或6层建筑,最高楼层为6层,由住宅区、底楼商户区组成。该小区房屋总户数为438户,其中出租户61户,共有居民1 226人,其中老年人口数量为229人,占比为18.7%。该小区内无室外消火栓,有乘客电梯,周围市政道路总长359 m,市政消火栓共5个,市政消火栓到小区内的最远行进距离为250 m,离其最远的点是5号楼;最近消防站为东安消防救援站,到小区内的最远行进距离为1.9 km,离其最远的点也是5号楼。
4.2 模型应用
4.2.1 评估指标主观权重的计算
通过现场调研收集到M小区资料,按照图1所列的评估指标体系及分层方法,将M老旧小区火灾风险评估指标体系导入Yaahp软件中,应用AHP法通过公式(1)~(6)计算各项评估指标的主观权重。以准则层评估指标为例,计算出判断矩阵的最大特征向量λ
=4.032,CI
=0.
027,判断矩阵的随机一致性比率CR
=0.077 8<0.1,符合一致性检验要求,准则层判断矩阵及各评估指标权重计算结果见表3,其余子准则层各评估指标权重的计算结果见表4。表3 M老旧小区火灾风险评估准则层判断矩阵及各评估指标权重计算结果Table 3 Index weight and consistency checking index of criterion layer of dynamic fire risk assessment index system for old community M
表4 M老旧小区动态智能化火灾风险评估各评估指标权重计算结果Table 4 Index weight of dynamic intelligent fire risk assessment for old community M
4.2.2 评估指标客观权重的计算
本文借助Netica Bayes网络软件将M老旧小区收集的资料及数据输入,计算得出各层次BN节点得分,将节点得分作为输入端,根据公式(7)~(8)及第3.2.2中描述的方法计算得出层次一各项BN节点的最终得分,进而量化得到层次一各评估指标的权重,方法同理,依此类推,便可得出该小区各项评估指标的权重和消防安全综合得分。其中,消防安全综合得分0~50分为很危险级别,50~60分为一般危险级别,70~80分为一般安全级别,80分以上为安全级别;节点得分0~50分为很危险级别,50~60分为一般危险级别,70~80分为一般安全级别,80分以上为安全级别。通过计算,可得到M老旧小区各层次BN节点得分和消防安全综合得分,其计算结果见表5。由表5可知,该M老旧小区的消防安全综合得分为48.5分,属于危险级别。
表5 M老旧小区动态智能化火灾风险综合评估结果Table 5 Comprehensive results of dynamic intelligent fire risk assessment for old community M
4.2.3 评估指标综合权重的确定
以准则层中火灾智能探测能力A
、灭火设备设施能力B
、安全疏散救援能力C
、消防安全管理能力D
为最终评估指标,根据收集的数据采用AHP法和Bayes网络法计算得出各评估指标的主观权重和客观权重,将各评估指标的主、客观权重进行组合赋权,通过公式(9)计算出各评估指标的综合权重,其计算结果见表6。表6 M老旧小区动态智能化火灾风险评估一级评估指标综合权重的计算结果Table 6 Calculation result of index comprehensive weight of dynamic intelligent fire risk assessment for old community M
4.3 讨论与分析
(1) 将模型应用于M老旧小区火灾风险评估,根据最大权重原则,由表4和表5分析得出:评估指标疏散走道堵塞情况A
、消火栓系统B
、电气线路及使用情况C
、消防设备维护情况D
的权重为相应指标层中权重最大的;由表6可知,M
老旧小区火灾风险评估一级评估指标中,评估指标的安全疏散救援能力C
的综合权重最高为0.
391 5,其次为灭火设备设施能力B
,该指标的权重为0.
245 8,进而推断出该老旧小区安全疏散救援能力较为薄弱,与实际情况较为符合。(2) 针对M老旧小区火灾风险评估出现的问题,提出如下应对措施与建议:拆除耐火等级低的居民建筑,将其改造为车道、绿化带、集中电瓶车充电点,并设置安全防火间距;将活动广场、公共绿地、消防道路及耐火等级较高的建筑物作为分隔,解决老旧城区连片和无消防车道等问题;制定小区个性化的消防改造方案,开展评估一区一策原则;设置电气监控设备并引入物联网技术,对老旧小区实施火灾智能化安全隐患监控;采购适用于老旧小区灭火使用的小型消防车,采用疏通社会车辆与拓路拔点征收方式以确保现有消防车道的畅通,以此降低小区建筑火灾风险。
5 结 论
(1) 本文构建了基于AHP-Bayes的城镇老旧小区动态智能化火灾风险评估模型,其内容包括构建基于贝叶斯网络的建筑火灾风险评估推理网络结构、城镇老旧小区动态火灾风险评估指标体系以及相应的火灾风险评估的计算模型。
(2) 该模型通过将传统AHP法与Bayes网络法耦合进行评估指标权重的组合赋权并计算出评估指标的综合权重,提高了评估指标权重确定的合理性和科学性,实现了建筑火灾主、客观风险的综合评估。
(3) 通过模型应用可有效识别出引起建筑火灾的关键影响因子,实现了火灾风险的动态分析,可为减少火灾风险提供依据。