我军战斗减员预计模型研究现状及思考

杨奇，贺祯，鲁兆楠，房彤宇

［作者单位］ 100850 北京，军事科学院军事医学研究院一所（杨奇、贺祯、鲁兆楠）；军事科学院军事医学研究院（房彤宇）

现代战争以信息化为主要特征，大量使用高科技武器装备，在作战样式、作战持续时间、作战空间和作战手段等方面均发生较大变化。高新技术带来的军事变革使得战斗减员也随之呈现出许多新的特点，以往的战斗减员预计模型不再适用于新的战法模式，这对于我军战斗减员预计提出了更大的挑战。现代战争，我军需充分结合其规律特点，利用大数据、人工智能等前沿技术，多方采集整合战斗减员数据，创新战斗减员预计方法路径，为卫勤保障乃至作战指挥提供有力辅助支撑。

1 主要模型

1.1 神经网络预测模型 徐雷［1］建立的神经网络预测模型选取了包括作战天数、指挥控制因子等18 项对战斗减员率影响较大的指标，建立了神经网络拓扑结构，20 例样本最大预测误差在5.7%［2］；谈彬等［3］建立的神经网络预测模型选取了武器装备、战争态势等8 个因素，将每个因素划分为不同层级，预测误差在1%。该类模型的特点是具备较强的自主学习能力，能够通过模拟人脑处理不同类别数据间的关系，遇有武器装备、作战环境、社会因素等指标发生变化时，可以实时调整生成符合要求的新模型，预测误差较小。

1.2 集团军山地进攻作战减员预计模型 该模型采用直接、间接量化方法确定减员各影响因素对战斗减员影响程度的量化值，对计算机模拟生成的数据进行修正，建立相应的调整算法［4］。其特点是对影响战斗减员的因素考虑得更加充分，采用直接、间接量化方法等分别对武器装备、地形气候、社会行为因素进行量化，尤其是能够聚焦陆军现有主要武器装备进行量化分析，并将诸多分类型变量（包括国防教育程度、对现代战争的认同程度等）考虑在内，模型构建得更加科学合理。

1.3 集团军山地进攻战斗减员的时间序列模型该模型收集了我军某次作战的经验数据，采用柯尔莫哥洛夫-斯米尔诺夫方法进行统计分布的拟合优度检验，运用博克斯-詹金斯方法建立时间序列模型，得出集团军战斗减员率的统计分布与战斗激烈程度有关的结论［5］。其特点是在方法选取上充分考虑了时间序列研究的特点，与模型建立的战斗减员数据较为契合，而且模型可以根据相关参数的改变进行自主变换，对于减员的时空分布预计更加准确。

1.4 城市进攻战斗减员模拟预计模型 该模型以城市进攻作战减员预计为例，以定量判断模型为基础，设定参战人数、地形、气候等因素，应用蒙特卡罗方法建立模型进行模拟，对减员模拟结果进行风险分析。其特点是通过仿真方法能够得到反复使用的数据，能够采用Vlookup 函数得出兵力规模和抵抗因素等难以给出确定值因素的量化值，进而得出正态分布变量，并以此模拟标准伤亡率［6］。通过反映减员区间分布的图形，能够为城市进攻下一步作战计划以及卫勤保障计划提供科学的参考依据。

1.5 水面舰艇编队遭导弹多波次攻击时减员预计模型 该模型在充分考虑舰艇编队进攻和防御2 个方面涉及的各种影响因素基础上，采取作战模拟的方法实现以舰艇编队损伤评估结果计算舰艇编队战伤减员数［7］。其特点是采用仿真模拟方法，模拟导弹多波次打击过程，通过打击效能得出不同种类舰艇毁伤程度，进而得出减员情况。通过研究舰艇整体代替研究人员个体，有效规避了海战减员因素对个体影响较大的问题，提升了海战减员预计的准确性。

1.6 基于系统动力学的战斗减员预计模型 该模型使用系统动力学方法，利用AnyLogic 7.3.6 Uni⁃versity 模拟仿真软件构建红蓝交战、毁伤系统计算、直瞄武器交战规则设定、作战影响因素量化等6 个子系统，通过专家咨询法、兰彻斯特方程等对模拟仿真数据进行战斗减员预计［8］。其特点是能够结合具体想定任务，充分考量红蓝双方武器杀伤力、装备防护水平等因素，采用计算机模拟技术，以整体毁伤程度测算减员情况，不仅能预测陆上现代战争总体战斗减员情况，而且可预测包含不同的伤势、伤部、伤因、伤型的战斗减员情况，对指挥员掌握战斗减员时空分布和进行卫勤保障资源优化配置起到重要的辅助支撑作用。

2 问题分析

2.1 缺乏对战斗减员影响因素的深入探析 现代战争的武器装备相比传统作战存在极大不同，如航空母舰、核潜艇、无人机等新型现代化武器装备将会取代轻武器等，成为现代战争的主要武器装备。现代战争的作战环境不仅包含地形、地貌、气象等自然环境，还涵盖战略环境、社会环境、信息环境等，而我军以往研究考量的大都是传统作战样式下的作战环境，无法满足现代战争需要。我军以往的战斗减员预计中，社会因素中各种定性指标的权重大多通过专家咨询法确立，存在因专家的认知偏差导致战斗减员影响指标的权重出现偏差的情况，从而影响预计结果。

2.2 缺乏对战斗减员相关数据的挖掘整理 目前我军收集到的国内外作战的相关卫生统计资料，部分数据的精细程度不高且存在不同程度的缺项，达不到统计分析的要求，相较于美军用于战斗减员预计研究的历史数据，我军在数量和质量上均存在差距。当前美军建立了包含不同伤情、伤类、伤部等信息的战伤数据库，能够实时对相关数据进行提取分析，而我军尚未形成一体化、系统化的战伤数据库。我军战斗减员预计研究运用的一部分数据为年代较为久远的历史数据，通过该数据建立的模型对现代战争战斗减员预计的指导意义不是很大；另一部分数据通过以前的模拟仿真模型得出，容易给战斗减员预计模型构建带来偏差。

2.3 缺乏对前沿算法模型运用的创新探索 近年来，我军对于战斗减员预计相关算法研究、模型构建未能进一步提升拓展，尤其是未能充分结合大数据、人工智能的关键技术来研究探索现代战争战斗减员预计的新方法新路径。我军部分战斗减员预计模型主要参考美军Dupuy、FORCAST、SHIPCAS等经典减员预计模型，未能结合实际进一步探索新的模型，在战斗减员预计结果方面存在一定偏差。现代战争，作战样式多种多样，作战规模可大可小，如：大规模渡海登岛作战、城市渗透作战等不同作战样式，其战斗减员的影响因素存在交叉但又表现出各自特点，而我军既有的战斗减员预计模型未对作战样式分门别类，且尚未采取前沿的算法模型进行研究分析，使得预计模型尚不能满足现代战争的需求。

3 对策建议

3.1 全面分析战斗减员影响因素 着眼现代战争的规律特点，从作战兵力、武器装备、作战环境等组成要素着手，对比既往研究中上述要素的异同，总结归纳现代战争战斗减员的规律特点，分析其战斗减员影响因素，并细化完善为军事因素、环境因素、社会因素等各类一级指标。借鉴国内外对战斗减员影响因素的相关研究，突出主要指标、摒弃次要指标，深入挖掘影响战斗减员的二、三级核心指标，如：针对武器装备构成，选取现代战争的各类武器装备，通过大数据统计分析方法对其数量、杀伤力、杀伤半径等参数进行量化，选定主要武器装备作为权重分析的对象。运用卡方分析、方差分析、t检验等统计分析方法，对各类战斗减员影响因素下的指标尤其是定性指标进行分析，得出科学合理的指标权重。注重区分不同作战样式，着眼不同战略方向，包括渡海登岛作战、高原作战、城市进攻作战等不同作战样式，着重分析指挥员能力、官兵士气、民众支持程度等二、三级定性指标的权重，形成不同作战样式下影响战斗减员的核心指标体系，以符合现代战争战斗减员预计的现实需要，为后续算法研究和模型构建打下坚实的基础。

3.2 深度挖掘战斗减员相关数据 针对我军战斗减员数据年代久远、遗漏缺失、信息不清的现实情况，采取人工录入与计算机扫描相结合的方式，建立战伤数据库，形成不同战争、战役、伤情、伤类、伤部的结构化数据，为算法研究以及模型构建提供真实有效的数据。运用数理统计技术和数据挖掘技术，采用分箱法、回归法、聚类法等对所获取的战斗减员数据进行处理，检查数据一致性，处理无效值和缺失值，最大限度地保证数据的完整性和实用性，以满足统计分析和算法模型研究的要求。区分图片、视频、音频等不同数据格式，梳理完成包括军事、卫勤、作战、伤亡等与战斗减员相关术语，运用系统日志、网络爬虫等大数据采集方法及词法分析、语义分析等自然语言处理技术，对国内外、军内外包含战斗减员相关信息的网站及系统进行数据采集，不断充实战斗减员数据库。依托基于系统动力学的预计模型等先进的模拟预测模型，对各军兵种联演联训的想定任务进行模拟仿真，通过模拟预测的方式得到更贴近现代战争实际的战斗减员数据。

3.3 大力创新模型构建方法路径 聚焦前沿技术，结合当前大数据和人工智能领域的统计分析方法，通过对比支持向量机、决策树、朴素贝叶斯、深度神经网络等算法的优点及劣势，从数据处理维度、方法步骤实现难易程度、数据统计分析能力、与分析数据的契合程度等方面综合考量上述算法的科学性及可行性，遴选适用于现代战争的战斗减员预计最优算法。以采集整合的战斗减员数据为支撑，按照公式推导、算法实现、算法改进、评估结果的流程，对选定的大数据、人工智能相关算法进行深入研究，分析解决算法推进过程中的难点问题，总结实现算法的最优路径。充分运用计算机模拟仿真技术，发挥其可重复和不受气候、场地、时间限制的优势，结合现代战争不同作战样式和作战双方动用兵力、武器装备等，模拟真实战场以及各类武器装备的打击效能。依托Python、SPSS、R 语言等计算机软件工具，建立战斗减员预计模型，并运用回归诊断、交叉验证、逐步回归优化法、主成分分析法等方法对模型进行检验优化，形成符合现代战争规律的战斗减员预测模型，为后续相关研究提供参考和依据。