基于BT-BN的城市老旧社区安全风险评价研究*

2023-12-12谷甜甜郝恩扬

中国安全生产科学技术 2023年11期

谷甜甜,马岚,刘旭,郝恩扬

(中国矿业大学力学与土木工程学院,江苏徐州 221116)

0 引言

近年来,随着中国城市化进程不断加快,城市安全问题日益复杂多元,社区作为城市治理的最基本单元,其安全问题尤为突出[1]。城市老旧社区主要是指建成于单位制解体之前,由政府和单位出资共同建设的住宅区[2],作为我国单一街居制度向社区制度变革下的特殊产物,其面临着日益退化的建筑性能、亟待改造的社区环境、严重滞后的社区管理等问题[3],已成为城市安全中较为薄弱的环节。因此,开展城市老旧社区安全风险评价,及时发现城市老旧社区安全风险及隐患,对城市老旧社区安全风险防范具有重要的现实意义。

针对城市社区安全风险评价,相关学者已从不同角度对社区安全问题开展研究:余婕等[4]从社区火灾安全风险出发,为有效降低城镇老旧小区火灾发生的概率,运用AHP-Bayes方法构建动态智能化火灾风险评估模型,以提高火灾风险评估的准确性和实时性;李碧琦等[5]考虑到社区内涝灾害风险,运用数值模拟对深圳市民治片区内涝灾害进行风险评价,结合风险理论对城市内涝进行情景模拟,为精细化城市内涝风险评估提供技术支撑;Yang等[6]考虑到建筑结构损坏对社区安全的影响,应用极限学习机算法(ELM)来评估城市社区建筑物损坏风险。虽然上述研究已从火灾风险、内涝灾害和建筑结构损坏等方面构建出较为全面的社区风险评价模型,但社区单一灾种的风险评价不足以客观体现整个社区安全风险水平,且传统社区风险评价方法的准确度和应用性难以保证,而鲜有研究聚焦于城市老旧社区、全面考量的城市老旧社区安全风险评价指标体系。

上述评价方法均可较好地评估各类风险因素对社区火灾风险、内涝灾害和建筑结构损坏的影响程度,但忽略了各类风险因素之间的相互影响作用。考虑到贝叶斯网络(BN)可以通过对不确定信息的学习与推理,得到各因素间的因果关系,目前已广泛应用在相关风险评价领域[7],而Bow-tie模型(BT)可以同时分析事故起因与可能导致的伤害,常被应用于风险定性分析中[8]。已有相关学者将贝叶斯网络与Bow-tie模型相结合,对油库储罐失效[9]、游轮吊舱推进系统故障[10]等不安全状况进行动态风险分析。闫绪娴等[11]建立基于BT-BN的地铁洪涝灾害风险分析模型,利用BN对地铁洪涝灾害进行预测和诊断推理,同时结合BT模型对地铁洪涝灾害提出针对性的对策建议,研究结果已为建设更有韧性的城市地铁系统提供重要参考。Wu等[12]提出1种BT到BN的映射算法用于风险的动态评估,并以浮顶储罐泄漏为例来验证该方法的可行性,研究结果已为风险管理决策和预防对策实施提供一定参考。

鉴于此,本文综合考虑影响城市老旧社区安全的各因素,引入事故致因理论,并结合社区事故报告,利用BT模型识别城市老旧社区安全风险评价指标,构建基于BN的城市老旧社区安全风险评价模型,研究结果可为城市老旧社区安全风险防范提供一定参考。

1 BT-BN研究方法

1.1 BT模型

BT模型是表现事件发展逻辑顺序的图形模型,作为1种风险分析工具,已经在石油安全领域[8]具有广泛应用。城市老旧社区安全风险评价研究在一定程度上与该模型相匹配,如均将风险影响因素作为分析对象,均涉及到安全屏障和安全防护措施,均关注事件发生的全过程等。因此,通过改进BT模型,将其用于构建城市老旧社区安全风险评价指标体系,有助于全面分析城市老旧社区安全风险因果关系,完善城市老旧社区安全风险防范管理体系。

1.2 BN模型

BN模型是通过有向无环图(DAG)表示随机变量之间的相关性[13],而变量之间相关性的强弱以及交叉影响关系则由节点的条件概率表(CPT)来反映,CPT中的先验概率和证据可推理出目标节点的后验概率,上述即为BN推理过程,当增加新证据时,BN会自动更新。

城市老旧社区安全风险具有复杂性和动态性等特点,传统的风险评估方法基本无法捕捉城市老旧社区安全风险因素的动态变化,而BN具有机器学习能力,可以将样本数据与人类经验和知识充分结合,避免主观偏见,满足城市老旧社区安全风险评估模型构建的需要。因此,本文以专家问卷数据为样本,构建基于BN的城市老旧社区安全风险评价模型,具体构建步骤包括:BN变量确定、BN结构学习、BN参数学习、BN模型检验。

2 城市老旧社区安全风险评价指标体系

2.1 评价指标初步识别与优化

表1所示为城市老旧社区安全风险评价指标的识别与优化[14-18],为使建立的评价指标体系符合城市老旧社区的特点,通过文献综述法对评价指标初步识别,结合城市老旧社区安全事故报告优化评价指标,基于事故致因理论[19],将评价指标归因于“人”“物”“环”3类,分别对应表1中的人为风险(H)、建筑物及设备设施风险(M)、社区环境风险(E),构建出城市老旧社区安全风险评价指标体系,如表1所示。

表1 城市老旧社区安全风险评价指标的识别与优化Table 1 Identification and optimization on safety risk assessment indexes of urban old communities

2.2 基于BT构建城市老旧社区安全风险评价指标体系

为构建城市老旧社区安全风险评价指标BT模型,将“不期望的不安全事件”设为“威胁社区安全的重大隐患”,依据“风险因素分析-潜在后果评价-风险防范对策”完成BT模型构建。通过对640份城市老旧社区安全事故报告进行分析,提炼出12项城市老旧社区安全风险评价指标背后潜在的后果,并针对性地提出风险防范措施,构建得到城市老旧社区安全风险评价指标BT模型,如图1所示。

图1 城市老旧社区安全风险评价指标BT模型Fig.1 BT model for safety risk assessment indexes of urban old communities

3 城市老旧社区安全风险评价模型

3.1 BN变量确定

在识别城市老旧社区安全风险评价指标基础上,为进一步量化城市老旧社区安全风险,选取12项城市老旧社区安全风险评价指标作为城市老旧社区安全风险评价模型BN变量。为得到本文所需要的城市老旧社区安全风险评价模型BN结构学习、BN参数学习、BN模型检验的数据,设计面向专家的调查问卷,采用“李克特五级量表”收集专家数据,将风险因素的影响程度和发生概率分为5个等级,具体评分标准如表2所示。

表2 风险因素的评分标准Table 2 Scoring criteria of risk factors

此外,建立风险状态评价矩阵对风险因素进行标准化,将风险矩阵等级分为安全(S)、中度(M)和危险(H)3个等级,如图2所示。

图2 风险等级划分矩阵Fig.2 Classification matrix of risk level

3.2 BN结构学习

BN结构学习是考虑风险因素之间的影响关系从而确定BN结构,考虑到Greedy thick thinning(GTT)算法[20]

能够近似且快速地得到最优结构,因此采用GTT算法进行城市老旧社区安全风险评价模型BN结构学习。在GeNIe 2.3软件中将每个风险评价指标设置为节点,将“威胁社区安全的重大隐患”设置为目标节点,进行BN结构搭建。

为进行BN结构学习,面向城市老旧社区安全研究领域的专家发放调查问卷,共收集到71份专家问卷数据。根据收集到的数据,选择GTT算法进行BN结构学习,经过反复修改和优化,最终确定基于BN的城市老旧社区安全风险评价模型,如图3所示。由图3可知,该评价模型共有5个根节点(H1,M1,E2,E3,E4)和7个中间节点(H2,H3,H4,M2,M3,E1,E5)。其中,E5仅作为中间节点,而H2,H3,H4,M2,M3,E1这6个中间节点直接连接到目标节点;H1,M1,E2,E3,E4这5个根节点是影响其他风险因素的深层原因。

图3 城市老旧社区安全风险评价BN模型Fig.3 BN model for safety risk assessment of urban old communities

3.3 BN参数学习

BN参数学习可确定每个节点的条件概率分布,在有完整数据支持的情况下,通常选用Maximum likelihood estimation(MLE)方法进行参数学习,通过已知的父节点,计算每个子节点对应的概率分布[21]。BN中的风险因素节点用X表示,即X={X1,X2,…,Xn},每1个节点Xi对应状态值Yi,父节点f(Xi)对应状态值Zi,如果Xi没有父节点,则Zi的值为1,节点条件概率θ的表达如式(1)所示:

θijk=P(Xi=k|f(Xi)=j)

(1)

式中:Xi为节点,i=1,2,…,n;f(Xi)为Xi对应的父节点;k,j分别为某1个节点Xi和父节点f(Xi)对应的状态值,取值范围分别为1～Yi和1～Zi;θijk为节点Xi在j,k状态下的条件概率;θ为节点条件概率。

当满足Xi=k和f(Xi)=j时,样本数为gijk。θ的对数似然函数如式(2)所示:

(2)

式中:D={D1,D2,…,Dn}是BN的1组完整数据,即上述收集的专家数据;l(θ|D)为对数似然函数;l表示第l个样本,l=1,2,…,g;gijk为节点Xi在j,k状态下的样本个数;g为样本个数。

(3)

将收集的71份专家数据作为1组完整数据进行BN参数学习,可得到12个风险评价指标节点的条件概率,具体结果如表3所示。

3.4 BN模型检验

BN模型检验是检验本文模型准确性的关键环节,通常采用k-折叠交叉验证法进行检验。将上述收集的专家数据分为相同大小的k部分,在k-1部分上训练网络,并在最后1个k部分进行测试,重复k次,最终测试结果由接受者操作特征曲线(ROC)表示。ROC曲线是1个可通过坐标模式显示模型可能精度范围的分析工具[22],其与坐标轴围成的面积(AUC)可用来确定模型评价的准确性。

对上述的BN模型进行k-折叠交叉验证,将目标节点作为验证节点,重复次数k为35次。经验证,ROC曲线在评价结果即风险等级为H,M,S 3种状态下的AUC值分别为0.665,0.655,0.738,均大于0.5,这表明所构建的城市老旧社区安全风险评价模型具有一定准确性,如图4所示。

图4 城市老旧社区安全风险评价BN模型验证ROC曲线Fig.4 ROC curves of BN model verification for safety risk assessment of urban old communities

4 案例分析

4.1 Y社区概况及数据收集

深圳市Y社区建成于20世纪90年代,占地面积约0.51 km2,目前共有住宅楼宇12栋。社区内居住总人口约19 000人,老年人和残疾人等社会脆弱性人群偏多,复杂的人员构成与流动,导致社区风险发生的机率增加。由于建设年代久远,社区内的房屋都较为陈旧且通风采光不好,供水供电、排水排污等设施整体布局不合理,存在较多安全隐患。Y社区作为典型的城市老旧社区,其所属当地政府曾多次发文开展老旧社区防灾减灾工作,尤其关注社区治安、消防安全、用电用气安全等安全方面的综合治理。

为获取Y社区安全风险评价的相关信息,按照城市老旧社区安全风险评价指标体系设计调查问卷,向Y社区的居民发放问卷200份,共回收有效问卷180份。为保证调研数据可靠性,对问卷数据进行效度和信度分析,得出问卷测量项部分总体Cronbach’sα为0.877,大于0.7,问卷总体信度较高。在结构效度方面,KMO为0.880,Bartlett’s球形检验值p小于0.001,达到显著水平,符合数据分析要求。

4.2 Y社区安全风险评价结果及分析

将Y社区的实际调研数据输入城市老旧社区安全风险评价BN模型进行正向推理,得到结果如图5所示。其中,Y社区风险等级为S的可能性为39%,M的可能性为31%,H的可能性为30%。因此,Y社区安全风险总体等级为低风险,说明Y社区安全风险发生的可能性较低,这与Y社区实施老旧社区防灾减灾工作后的实际情况基本吻合。因此,基于BT-BN模型的城市老旧社区安全风险评价不仅在社区安全风险分析方面具备可行性,而且与传统社区安全风险评价相比,该方法兼具准确度高与应用性强等优点。

图5 Y社区安全风险评价结果Fig.5 Results of safety risk assessment on Y community

由图5可知,尽管该社区总体安全风险水平较低,但是个人风险认知(H1)、社区建筑承灾能力(M1)、社区基础设施脆弱性(M3)、社区周边设施危险性(E2)、社区安全建设资金投入(E4)这5个指标的H+M可能性均不低于40%。因此,Y社区应该注重加大社区安全建设投入、完善社区安全文化教育体系、提高社区居民安全意识。此外,根据城市老旧社区安全风险评价指标BT模型的分析,Y社区还应加强对社区基础设施以及社区周边设施的监管,重视社区安全隐患的排查,提升社区日常管理能力以及社区应急管理能力,从而完善社区应急管理体系。

在上述研究基础上,分别设置BN模型的目标节点为风险等级安全(S=100%)、中度(M=100%)、危险(H=100%),通过BN模型反向推理,可对12项安全风险评价指标进行敏感性分析,结果如图6所示(图6中指标所在圈内填充颜色深浅代表敏感程度,颜色越深表示敏感性越大)。由图6可知,H2,M3,E2指标对Y社区安全风险等级具有较大影响,即深圳市Y社区的个人不安全行为、社区基础设施脆弱性、社区周边设施危险性为高风险因素。其中,H2受H1,H3,E3,E5这4项指标的影响,其敏感程度较高;M3和E2直接威胁社区安全,其敏感程度也偏高。