基于BP神经网络模型的大型体育赛事安保 最优规模预测分析——以10届冬奥会为例

梁 媛，李 钢，李树旺

（1.中国人民大学体育部；中国人民大学人文北京（人文奥运）研究中心，北京100072；2.北京师范大学，北京100875）

大型体育赛事是包含世界性、洲际的各类综合性运动会或由世界单项体育组织举办的有较大影响力的运动赛会，如奥运会、世界杯、欧洲杯、世锦赛等体育赛事。因具有时间确定、活动空间固定、区域性人员聚集的特点，极容易成为恐怖袭击的目标，造成不可估量的损失和伤害。所以稳定的办赛环境和安保工作是成功办赛的不可缺少的一环。

以奥运会为代表的体育盛会为例，从1896年第一届夏季奥运会到2022年的北京冬奥会，百年奥运留下宝贵的奥运遗产，其内涵和影响已经远远超越单纯竞技的视域，更是竞技精神、人文精神、民族精神融合集粹的全球性文化现象。但回顾奥运历史，也存有至黑的恐怖时刻。在1972年的慕尼黑奥运会，“黑九月”恐怖和暴力事件是奥运历史上一次重大的安保事故，作为东道主的西德为了树立二战后的新形象，在极力展现国力与科技的同时，却忽视了赛会的安保工作，恐怖袭击造成9名人质死亡。慕尼黑奥运会后，每座奥运会举办城市外部环境保障都被主办城市奥组委高度重视，但暴力和恐怖袭击等安保事件频仍，1996年亚特兰大奥运会的爆炸事件、2002年盐湖城冬奥会的恐怖袭击等事件时刻提醒世人在奥运会平台不断起舞的暴恐魔影以及给世人留下难以抹去的心理阴影。基于此，为了保障赛会安全、顺利地圆满完成所有赛事，并为主办城市和主办国赢得国际美誉，体育赛会主办方都在安保工作方面投入巨大的人力和物力。但是，安全保卫工作的高成本也同时引发了利益相关方关于大型赛事主办效益的担忧。就此而言，在保障赛事安全的前提下将人力、物力、财力进行优化配置，形成一个安保效率与安保成本最优匹配的模式是主办方和学界应该共同研究的重要议题，而要回答这个问题，预估安保规模和预算是一个关键的主题追问，也是本研究的重要旨趣。

本研究选取了从1984年萨拉热窝冬奥会至2018年平昌冬奥会十届冬奥会的安保人数规模、安保经费投入、历届冬奥会的参赛人员数量、主办城市（或国家和地区）的犯罪指数率等指标数据作为预测依据。所采集的数据主要来源于主办城市奥组委网站或主办城市官网，少数部分数据在相关新闻网站或城市官网并没有明确统计，因此也使用模糊处理等方法进行数据的筛选和估算，尽可能保证数据的精准和有效。通过分析这十届冬奥会的安保规模的变化，并采用BP神经网络模型法以及灰质预测法分析其内在的非线性函数关系和规律。研究成果希望在将办赛城市抽象化、理想化、模型化的基础上，建构一个一般性、最优化的安保模型，并将其作为普适性结论为后续相关研究提供参考。此外，本研究范式对于其他大型赛事的治安管理工作的总体筹备均具有现实指导意义。

1 文献回顾

自1972年慕尼黑惨案发生以来，各座举办城市都开始加强奥运会期间的安保力度，增加了更多安保措施和经费。不同领域的学者也开始对奥运会的安保问题进行深入研究。

从风险管理的角度出发，王淑荣认为风险评估工作是大型体育赛事安保工作的核心部分，尤其是社会治安风险和公共安全风险是安保工作的主要任务［1］。蒲毕文利用结构方程模型评估体育赛事风险，认为恐怖行为对赛事的破坏表现主要为直接破坏［2］；从奥运安保工作分配角度来看，任慧涛［3］和史悦红［4］分别阐述国外冬奥会的筹办和举办已经成为自“9.11”后恐怖主义发泄政治不满的平台，冬奥会的安保工作应进行多方合作，生命安全事件或集体性安保事件应成为衡量赛事是否成功的指标；从奥运文化与科技的角度，郑志强强调恐怖主义的挑衅是奥运会安全威胁的最大挑战［5］。曲新艺则强调奥运的安保成功既应先分析前期风险，也应加大科技力度的投入和强化国际合作［6］；在具体安保措施制定和实施方面的研究中，张杨提出必须确立切实可行、切实有效的安保计划，增加突发事故计划、空中防卫计划、国防部增援计划以及相关的监控设施［7］。王新建则阐述了在炸弹管理、运输安全以及犯罪管理等方面必须进行充分防护的必要性［8］。

大型赛事的安保工作越来越成为世界各国在办赛中非常重视的内容，在众多风险中，意识形态风险可能会导致恐怖主义的滋生，也是安保工作投入的重点和核心。而巨大的安保经费以及人力的投入，也会带来一定的副作用，可能会影响到整个城市正常的生活和工作。而且巨额成本也会给组委会带来财务风险［9］。董杰指出在安保方面投入大量的人力、物力和财力尽管保证了体育赛事的安全，但涉及人员众多，会造成巨大的花费，并影响赛事举办城市市民和观众的日常生活［10］。因此在大型体育赛事的筹备期，就需要在人力、物力和财力的投入方面以及是否可以满足比赛的基本需求方面做出相对准确的判断。

国外的相关研究很早就开始关注到了安保问题，以及安保所带来的巨大财政支出问题。Jamie Cleland提及现代体育场作为一个全景台，安全问题必然是巨大隐患，21世纪针对恐怖主义的安保措施更为重要，对每一场赛事都需要进行有必要的监督和防控［11］。Ann Travers 指出特定的群体（种族主义分子、异端分子等）也是安保防护的重要目标之一，他们通常利用大型赛事进行相关的异端活动［12］。Jacqueline Kennelly研究奥运会结束后对城市的影响中描述赛会的安保直接关系着市民的幸福［13］。Malcolm N MacDonald的研究涉及到了奥运会期间的话语安全，涉及到媒体话语的安全表述［14］。

在伦敦奥运会前一年，北约多国参与到利比亚战争中，因此外部战争给伦敦奥运会带来安全隐患［15］。而在奥运会筹备前期，为奥运安保而进行的相关基础设施的建设，是奥运筹备中的一项重要支出，这些奥运安保的基础设施不仅在奥运期间以及奥运会结束后作为奥运遗产发挥巨大作用，更为城市的安全保障工作提供有力的基础防护［16］。Minas Samatas提及奥运安保的多数设备采用了高新科技，但是高科技不仅耗费巨大的财力，一旦出现故障将会导致安保系统的瘫痪［17］。

综上，国内外相关学者对大型体育赛事涉及的安保问题进行了研究，主要集中在风险的识别，安保环节设置的必要性，充分论证了安保的重要性和其发挥稳定赛事的作用。但纵观国内外学者研究，很少涉及到大型体育赛事安保规模的大小和前期投资数额的预测。也就是，相关研究关于后赛会时期的经验总结分析居多，筹备期的预测性研究较少。并且多数研究停留在定性分析，缺乏对前大型赛会时期安保规模的定量刻画，预测和评估研究的缺位为本研究提供了选题价值的可操作化场域空间。

2 基础模型的修正与数据处理

2.1 数据搜集与指标选取

本文的数据来源主要为国际奥委会官网［18］，结合奥运期间对冬奥赛事的相关报道（部分数据来源于BBC、CNN 等新闻网站的具体报道），并通过已有文献中提及的相关数据进行整合。由于数据查询和搜集难度较大，搜集范围较广，相关数据没有进行及时有效的统计，或者存在数据遗失的情况，无法呈现原始数据。针对上述困境，在数据整理中采用区间估计、模糊判定等数据处理方法，通过一定比例关系，近似地还原了之前的数据，也最大程度地减小误差，保证数据的准确有效。在研究过程中，进行了无关数据的剔除，保证了数据使用的充分有效。（此处主要针对萨拉热窝、卡尔加里、阿尔贝维尔三届冬奥会的安保人员数量和安保经费做了模糊处理，处理效果由后文通过现有数据求得模型权值和阈值，对十届冬奥会各项数据的拟合效果检验可得效果很好，详见结论 部分）

结合国内外对安保各类研究，董杰提到了参赛国或地区、参赛运动员人数都会作用于赛事的整体经费开支，尤其是提升赛事成本，包括安保方面人力、物力、财力的配置［9］；陈元欣提出球迷人数也即观赛者对安保规模的投入具有巨大的影响［19］，但综合冬奥会整体赛程来看，雪上项目观赛人数较为分散，无法准确统计；室内项目将随着赛事竞技性、精彩程度而存在观赛者数量的差异性，观赛者将作为一个动态变量参与研究，难以有效统计的同时，大大提升研究难度，故筛选掉观赛人数这一变量。

部分针对安保的研究，张峰筠指出，赛事申办地的安保能力是举办赛事的一项基础能力［20］，金诚认为重大活动举办的安保配置从大数据层面分析是基于当地长时间以来的治安状况来判定［21］，故本文结合数据获取的可行性用当地的主办国近五年的犯罪率指数来表征举办地的治安情况。安保人数及经费是直接表征大型体育赛事安保投入，也将作为特征变量描述赛会的安保情况。结合数据跨度时间长，同时数据获取的可行性，以及神经网络方法反复精确测算的特点，本文将选举十届冬奥会的参赛国数量、参赛人数、安保人员数量、安保投入经费、主办国近五年的犯罪指数率作为冬奥会安保整体状况的特征测度。

2.2 基础模型的建立

安保数量受到直接参赛国家数量以及参赛运动员数量的影响，也与该国的犯罪率有关，本研究采用线性模型描述变量之间的数量关系。在建立线性回归之前，首先对原始数据进行标准化处理，标准化公式如下：

表1 相关变量标准化后数据

利用标准化后的数据，根据上表建立的线性关系如下所示：

图1~4中，Y表示历届奥运会安保人员总数，E表示线性回归中的随机扰动项，由R2的数值看出其线性回归的结果未能很好地表现出样本的自变量和因变量存在的线性正相关关系，拟合优度较差，预测数据将与客观规模有较大偏差。根据上述分析，本研究初步建立的优化模型如下：

图1 ，2 直接参赛人数、直接参赛国与安保人员总数的简单线性趋势

图3 ，4 安保经费支出、举办国近五年的犯罪率与安保人员总数的简单线性趋势

其中N1表示直接参赛人数，N2表示参赛国家和地区，N3表示近五年举办国的犯罪率，N4表示安保经费。上述优化模型虽然能保持发展趋势的一致性，但在计算所需安保数量时，需要对当年的变量（如犯罪率指数）进行预测。由于部分散点分布超出线性模型的拟合值，利用上述优化模型对本研究数据分析可能将会产生较大的误差，因此，为了进一步精准预测，本研究将采用神经网络模型对安保规模进行测算。

3 基于BP神经网络模型的预测的研究方法

本研究主要采用了BP 神经网络模型，该模型起源于生物学中的人体大脑神经网络，通过数学工具，考虑大脑在信息传递过程中的随机性与无序性，有效地模拟了现实生活中一些非线性、非定性等关系的复杂变化，从而得出相对准确的结果。该模型主要应用于计算机科学、人工智能、自动控制领域等，对于处理组合优化问题是一种行之有效的方法。本研究旨在通过历年数据的组合和优化，得出一组规模的最优解，因此神经网络模型是比较好的解决问题工具。

3.1 神经网络模型理论基础

神经网络的学习规则又称神经网络的训练算法，用来计算神经网络模型的权值和阈值。预测中模型的权重值和阈值极为重要，因为其直接影响变量所占权重的大小以及结果输出的精度。

BP模型的学习规则有两大类别：有导师学习和无导师学习。 在有导师学习中，需要为学习规则提供一系列正确的网络输入／输出对（即训练样本），当网络输入时，将网络输出与相对应的期望值进行比较，然后应用学习规则调整权值和阈值，使网络输出接近于期望值。 而在无导师学习中，权值和阈值的调整只与网络输入有关系，没有期望值，这类算法大多用聚类法，将输入模式归类于有限的类别。赛事预测需求得一个安保规模的预测值（最优值），该值是期望值，是一个理想规模，因此采取有导师学习法进行规模预测。

BP 神经网络是一种典型的多层前向型神经网络，具有一个输入层、数个隐含层（可以是一层，也可以是多层）的层与层之间采用全连接的方式，同一层的神经元之间不存在相互连接。 理论上已经证明，具有一个隐含层的三层网络可以逼近任意非线性函数。由上文提及历届安保人数和经费和其他变量（包括参赛国数量、参赛人数、犯罪率等）不能单纯用线性关系进行链接，因此要通过神经网络进行全连接，基于BP神经网络模型隐含层的逼近，可以很好地刻画这一非线性关系。对于一般的BP神经网络而言，隐含层中的神经元多采用 S型传递函数，输出层的神经元多来用线性传递函数。

3.2 前馈神经网络

BP神经网络的误差反向传播是典型的前馈神经网络结构，其基本思想是对一定数量的样本（输入和期望输出）进行学习，即将样本的输入送至网络输入层的各个神经元，经隐含层和输出层计算后，输出层各个神经元输出对应的预测值，若预测值与期望输出之间的误差不满足精度要求时，则从输出层反向传播该误差，从而进行权值和阈值的调整，使得网络的输出和期望输出间的误差逐渐减小，直至满足精度要求。这也是使用神经网络模型的一大核心优势，利用前馈的神经网络进行误差精度的核查，更大程度上缩小误差，提高预测精度。BP网络的精髓是将网络的输出与期望输出间的误差归结为权值和阈值的“过错”，通过反向传播把误差“分摊”给各个神经元的权值和阀值。

其中第一层为输入层，第二层为隐含层。第三层为输出层。输入单元不是神经元，因此图5中有两层神经元，对于一个三层的前反馈神经网络，表示网络各层的连接权向量，表示三层的作用函数，那么神经网络的第一层神经元输出为：

图5 3层BP神经网络

第二层输出为：

第三层输出为：

基于上述分析可以发现前馈神经网络具有较好的线性非拟合性，因为当预测值与实际值产生差异时，前馈神经网络会逆向传输误差，从而不断调整权重与阈值使得预测模型更加精确。

3.3 基于有导师学习算法的模型建立

Delta学习规则是一种简单的有导师学习算法，该方法根据期望输出与实际输出的差值来调整权重，其数学表示如下：

因此隐含神经元的输出为：

误差E对输入层与隐含层神经元间的权值的偏导为：

根据上述分析结果，本研究可以得到权值的调整公式为：

公式（3-4）为隐含层的权值计算公式（模型），公式（3-5）为输入层的权值计算公式（模型）。其中和分别为隐含层和输出层的学习步长。该公式主要刻画模型中参变量（或系数）权重的大小，也客观地描述了多个标量作用下对最终奥运安保预测最终结果影响的大小并显示在最终的预测结果中。结合上述理论分析，本研究的建模算法步骤为：

综合图6所述，本研究需要在前十届冬奥会中选取样本数据，通过安保的数量、安保经费、参赛国数量、参赛人员数量和犯罪指数率等变量作为样本集合进入神经网络的学习规则。通过上述变量约束，计算网络的实际输出，经过前馈机制检验，调整权矩阵中权重值的准确性，最终得出的最优解即为安保规模。

图6 建模算法程序Figure 6 Modeling algorithm program diagram

4 MATLAB中神经网络的实现

4.1 数据的处理

本研究利用MATLAB进行实际数据的代入和预测，将模型的程序代码编写入MATLAB后，通过MATLAB的运行来观察数据运行的结果。预测过程中先对数据进行预处理，参赛人数，参赛国家以及安保支出三个指标均为数量数据，用举办地的犯罪率这一指标来衡量举办地的治安状况，本研究增选举办地近五年犯罪指数率①犯罪指数率主要是将犯罪指数换算成比率，因国际犯罪指数与我国犯罪率核算不一致，故均采用比率化处理，便于之后预测的一致性。，结合其他指标进行预测。本研究的数据结构为（表2）：

表2 1984—2018年十届冬奥会变量分布

4.2 创建训练BP网络

创建BP神经网络前需要确定网络的结构，即需要确定以下几个参数：输入变量个数、隐含层数及各层神经元个数、输出变量个数。 如前文所述，只含有一个隐含层的三层BP神经网络可以逼近任意非线性函数，因此，本次研究仅讨论单隐含层BP神经网络。从问题描述中可知，输入变量个数为3（直接参赛人数/人，参赛国家和地区/个以及举办国近五年的犯罪指数率），输出变量个数为 2（安保人员总数/人

安保经费支出/美元），隐含层神经元个数对网络性能的影响较大。将上述数据统一代入到模型中，通过模型的反复计算和逼近，在拟合最优的情况下得出权值和阈值（如表3）。

表3 三个输入变量权重分布

得到的相应的权值和阈值将作为预测安保具体人数的重要条件。本研究输入的三种参数，对应的输入层为三个输入神经元，而隐藏层为9层，因此矩阵为3乘9矩阵。以-1.7236为例，表示的是第一个输入单元（直接参赛人数/人）到第一个隐藏单元的权重为-1.7236，相应的-2.5604表示的是第二个输入单元（参赛国家和地区/个）到第一个隐藏单元的权重为-2.5604。

在BP神经网络预测过程中，得出的结果如图7所示。虚线和星点表示数据中的真实值，也即冬奥会实际安保人数设置，而实线则代表模型的预测结果。预测过程中，前十届冬奥会中除平昌冬奥会外，其余各点的预测结果与真实值相近或重合，或落在近似区间（误差精度范围内），它表明模型是准确的，它的权值和阈值也是准确的，除了平昌冬奥会相差较多以外，前九届的冬奥会均很好地逼近。分析原因可以发现，由于存在北朝鲜与韩国的对立状况，因此韩国明显加大了除赛事安保之外的政治安保力度，而且平昌冬奥会在原始数据中，其安保人数和经费均高于上一届冬奥会，因此会导致其预测值偏离真实值（图7中因为平昌冬奥会的预测偏离，本研究选择在图中对其作隐藏处理）。

图7 十届安保规模预测（真实值与预测值）

5 结论与启示

5.1 研究结论

本研究运用神经网络模型，通过往届冬奥会的安保规模进行约束性预测，并在预测中保证模型建立和运行的精准度，从而更好地限定其规模范围，便于进一步测算最优安保规模。通过数据以及模型的理论预测，在进行模型检验的过程中，BP神经网络模型得出冬奥会的安保人员数量，盐湖城、都灵、温哥华、索契冬奥会的安保人员数量的预测值分别为：12435人，9450人，14921人以及36807人。与其实际派出的安保人数非常接近，表明预测的精确性良好。由此，通过模型将当年的预测数据代入，即可得到安保人数，是可以获得科学性和稳定性的预测工具，在其他大型赛事的安保筹备工作中具有可借鉴性的意义和价值。但是本研究还存在一定不足：数据的受限以及相关因素的局限可能导致本研究的结果并非全面和系统，例如，对于安保人员的具体分配和安保经费具体投入路径没有涉及等；以及本研究样本为十届冬奥会，在后续研究中，可以扩大研究范围，延伸到其他类型的大型赛事的安保规模预测。

5.2 研究启示

基于本文的研究方法和以上研究结论，针对大型赛事安保工作提出以下启示：

科学制定安保预算。科学合理地进行安保预算是大型赛事前期安保筹备工作的一项重点任务，也是统筹安保工作的有效依据。只有在理论上进行科学预测，合理计算，较为精准的核算安保投入，才可以更好地在实际安保过程中合理控制进项和出项。安保预算不仅需要包含必要的劳动力——安保人员的数量核算，必要的劳动时间，劳动力成本（安保经费投入），还应包括前期安保基础设施的建设成本，尤其是科技安保战略下，大量的科技投入直接带来较高的技术成本。科学核算安保组织管理成本和风险防范成本在赛会筹备环节尤为重要。

安保成本最优管理。注重成本管理是当代体育赛会预算投入的重要任务，在具体的安保实施过程中，应注意以下几个方面。其一，应该加强大型赛事安保环节的成本管理，基于安保本身属于体育赛事风险管理的一个分支，是具备柔性的，要想达到即高效又节约的目的，尤其需要在科学管理、高效管理上下功夫。其二，科学的组织架构、顺畅的信息交流渠道和机制是降低不必要管理成本的有效途径。其三，应该做好突发事故预案，尽可能降低突发事故所造成的安保资源分配不均以及没有完备应急预案下的额外成本支出。其四，基于科技安保的理念以及AI 技术的不断广泛应用，广泛采用人工智能设备进行可替代人工的安保工作将会对降低安保成本、提高安保效率有积极的意义，例如，无人驾驶巡逻车进行奥运村安全巡逻工作，以及人脸智能识别等科技的运用等。

强化数据统计工作。对于各项大型赛事举办过程中，做好安保的相关数据统计工作将会对未来大型赛事安保主题的研究提供更好的数据支撑。同时，为后赛会时代安全遗产的总结和塑造提供相对完善的报告依据。而更为主要的，数据和档案资料的强化有助于通过数据分析和总结规律，为后续大型赛事筹办工作提供宝贵经验和模式。