考虑决策者情绪的暴雨动态贝叶斯网络情景推演

2024-06-03谢小良田宇章

人民黄河 2024年4期

关键词：改进

谢小良　田宇章

摘要：为处理“７·２０”河南省特大暴雨灾害的复杂演化过程，验证应急管理措施的科学性和有效性，利用动态贝叶斯网络，运用证据理论和情绪更新机制，提出了一种主客观因素相结合的情景推演方法，较同类方法更加注重对决策者情绪等主观因素的研究。结果表明：动态贝叶斯网络能有效仿真情景推演的动态变化过程，改进ＤＳ证据理论能减少方法的主观性并处理演化过程不确定性，情绪更新机制能有效地量化决策主体的情绪变化情况。

关键词：动态贝叶斯；情景推演；情景要素；改进ＤＳ证据理论；情绪更新机制

中圖分类号：ＴＵ４１１．２文献标志码：Ａｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０４．００９

引用格式：谢小良，田宇章．考虑决策者情绪的暴雨动态贝叶斯网络情景推演［Ｊ］．人民黄河，２０２４，４６（４）：５５－６１．

０引言

据不完全统计，中国近４０ａ来发生的重特大自然灾害４０次以上，以平均每年至少一次的频率上演着人类的悲剧［１］。为有效应对此类事件，国家先后颁布实施了各种灾害的应急预案，针对重特大自然灾害低频高危害、影响周期长、波及范围广甚至引发灾害链现象的特征，提出一系列可靠有效的应急措施。这些措施方案的提出需要大量研究支持，突发灾害情景推演作为应急管理的核心领域，推演体系运作的精确值决定了应急管理实施的效用值。

近年来情景推演领域的学者们开展了大量研究。Ｈａｌｌｅｇａｔｔｅ等［２］通过量化气候变化研究其对未来危险幅度和概率的影响；李勇建等［３］对地震引发的次生灾害堰塞湖事件通过系统动力学仿真来分析其演化机理；Ｂａｒｒｅｄｏ等［４］在使用洪水风险和土地利用的组合模型探索暴雨的变化和增长方面取得了进展；Ｒｏｂｉｎｓｏｎ等［５］分析尼泊尔地震中情景单元与破坏强度的关系，为制定应急预案提供参考；Ｒａｗｌｕｋ等［６］针对澳大利亚森林大火事件提出了一种考虑公民价值的情景规划模型，使情景管理更加人性化；王喆等［７］利用证据理论和知识元模型对城镇洪涝灾害情景推演进行研究；Ｌｉ等［８］提出了一种基于本体论集群的新方法，用于紧急情况的演变推理，扩展了ＳＷＲＬ规则语言以实现场景扣除，并应用贝叶斯网络来执行条件概率推理。现有应急情景推演的研究较少考虑演化中主观因素对事件发展态势的影响，如张志霞等［９］、郄子君等［１０］、徐后佳等［１１］、宋英华等［１２］只是基于情景状态、应急目标、应急处置措施、外部环境影响４个因素对突发灾害展开情景推演。对于突发自然灾害，不确定性是主要特征之一，主观因素导致的不确定性如何量化的研究颇少，因此对应急情景推演模型的研究还需不断优化。

基于以上，本文以“７·２０”河南郑州特大暴雨情景演化与应急管理措施之间的耦合关系为突破点，凝练灾害中的关键情景单元，以情景状态、气象因素、应急活动、决策者情绪、应急目标５种要素为动态贝叶斯网络中的主要节点，节点概率也不直接依赖于专家设定，主要利用模糊集和改进ＤＳ证据理论获取节点的先验概率和条件概率，同时采用情绪更新机制［１３］定量研究应急管理中的主观因素，综合分析主、客观因素对暴雨灾害演化机制的影响，构建具有普适性的动态推演模型，以增强研究的应用价值，为应急预案的制定提供研究支持。

１基于动态贝叶斯网络的突发暴雨情景构建

动态贝叶斯网络是贝叶斯网络在时间维度上的扩展，基于动态贝叶斯网络构建突发暴雨的情景推演模型，不仅可以准确定位情景的演变路径，还有效解决突发事件情景演变过程的不确定性和动态变化问题。本文以“７·２０”河南郑州特大暴雨为例展开情景推演，基本步骤为：首先，依据此次暴雨实际情况及相似案例，确定事件的关键情景要素；其次，综合前人关于情景关系的研究，将要素之间的相互关系用有向边表示并构成动态贝叶斯初始网络；最后，为保证节点概率与实际情况的匹配性，采用改进证据理论融合７位专家的多元不确定信息，计算节点变量的先验概率、条件概率及状态概率。

１．１事件概述

２０２１年７月２０日，中国河南省郑州市发生特大暴雨灾害，造成严重城市内涝、河涝、山洪暴发和山体滑坡，导致重大人员伤亡和财产损失：１４７９万人受灾，３９８人死亡或失踪（郑州３８０人），直接经济损失１２００．６亿元。暴雨发生后，国家和地方政府均积极采取措施，但积水量还是在不断增加，此次暴雨事件发展及政府采取的应急措施情况如图１所示。

１．２情景要素确定

明确情景要素是进行情景推演的基础和前提，不同领域的学者们对突发事件情景要素的划分方式各有千秋［１４］。在“７·２０”暴雨事件中，应急救援部门、河南省气象局等不同的应急处置活动、应急活动中一切主观因素的情绪偏好及事件自身的演变规律都会影响事件的发展方向。因此，选取情景状态（Ｓ）、气象因素（Ｍ）、应急活动（Ａ）、决策者情绪（Ｅ）、应急目标（Ｔ）５类要素作为“７·２０”暴雨灾害情景的知识元。由于政府的应急管理措施对减少伤亡人数和财产损失的影响较大［１５］，因此根据“７·２０”暴雨事件的实际情况和各部门的应急活动，将事件的不同发展态势定义为不同的情景，利用情景推演分析发展过程中可能出现的情景要素及彼此之间的关联程度，以便于对应急管理措施做出及时的调整。具体情景描述如下所述。

１）中央气象台分析此次河南暴雨成因后得出，大气环流形势稳定、地形降水效应显著、对流“列车效应”明显等多因素（Ｍ１）共同作用引发暴雨，随之降水强度增大、维持时间延长，导致局地极端强降水，即事件初始情景Ｓ１。针对情景Ｓ１，政府启动防汛应急预案，组织应急抢险队伍驻守安全关键点，加大巡视力度（Ａ１）等措施，若应对措施有效，则不会引发民众的恐慌，保障人民正常生活，检修加固排水设备做好应对暴雨的准备。由于极端天气没有在短时间内改善，且政府没有及时做出应急措施，使得情景演变为Ｓ２，并增加维修水道人员、手电筒、对讲机等应急资源。

２）随着河南省西部的低压中心维持发展，开始出现大范围的强降水（Ｍ２），政府将防汛应急响应等级由Ⅳ级提升至Ⅲ级、组织每家每户检修房屋、限制非必要人员的出行、及时清理出水通道（Ａ２）等。若应对措施效果显著，会好转为情景Ｓ３，此时可减少应急资源的投入，一旦在某些环节应对不及时、处理不恰当，则会导致地面积水无法及时排出。加上河南省西部的低压中心发展成一条槽线，有强盛的上升气流（Ｍ３）使得情景恶化为Ｓ４。低压中心略向北移，暖式切变线消失，但河南省以西依然存在一条槽线（Ｍ４），最终触发情景Ｓ６。

３）針对恶化后的情景Ｓ４，政府及相关部门加强对河流、水库、地质灾害、城市基础设施等巡查排查、强制存在隐患的工厂（有可能进水企业及存在热炉企业等）全部停工停产（Ａ４）等。若政府应急措施得当且救援人员、急救物资等准备充分，将不会引发次生灾害即情景Ｓ５，也能保障应急基础设施均正常运行，最好的演化方向为发生情景Ｓ９（Ｓ９为积水全部排出）。

４）为应对暴雨引起的小型洪水（Ｓ６），政府及相关部门安排专业人员现场指导水库险情处理、尽快开挖泄流槽降低水位、增设水文站、加强监督预警（Ａ６）等。若应急资源短缺、救援人员不足，则引发情景Ｓ７，此时政府必须启动更广泛的排水工程，大量扩挖应急排水通道、转移危险区域人员、增加应急装备及医疗团队（Ａ７）等，才能争取在最短的时间内控制伤亡人数和财产损失。

５）河南省低压中心继续北移，槽线消失（Ｍ５），部分地区地面积水显著减少，洪水逐渐消失即情景Ｓ１０（Ｓ１０为洪水消失），仍有靠近山区的区域存在山体滑坡即情景Ｓ８的风险。若应急部门加速转移灾区人员、增加高科技救援设备（Ａ８），在大量搭建临时排水设施、充分调度施救队伍和急救物资的前提下，伴随低压中心继续北移，槽线消失，河南省暴雨过程基本结束、强降雨天气也接近尾声，情景最终被完全控制，暴雨消失，即情景Ｓ１１（Ｓ１１为险情完全控制，暴雨消失）。

在应急活动实施的过程中，存在多方面的主观因素影响应急目标的达成和情景的演变，即本文考虑的决策者情绪偏好这一知识元（Ｅ１，Ｅ２，…，Ｅ８）。它包括政府制定措施时的情绪、民众对突发暴雨的情绪、管控者现场指挥应急活动的情绪、应急活动实施者的情绪等。研究指出，决策过程能同时受到预期情绪和即时情绪的影响［１６］，因此本文将所有主观因素统称为决策者情绪，作为情景要素之一分析它对情景演变的影响。为了清晰地阐述本文的研究思路，构造出由１１个情景状态、５个气象因素、８个应急活动及８个应急目标组成的情景知识元结构，见表１。其中Ｅ１，Ｅ２，…，Ｅ８为决策者根据不同的情景状态，情绪乐观或悲观的程度不同表现的８种情绪。

１．３情景要素关系的确定

确定情景要素后，针对此次暴雨事件的实际情况，通过对相似案例的研究，利用有向边表示情景要素之间的相互关系，构建情景推演的初始动态贝叶斯网络。在突发暴雨灾害的演化过程中，事件发展方向往往受到各情景单元之间相互作用的影响，每种发展状态都有一个“自然极值”，极值出现意味着一个情景即将结束，下一个情景开始形成［１７］。对于暴雨事件演变过程中的所有情景（Ｓ１，Ｓ２，…，Ｓ１１），伴随气象因素（Ｍ１，Ｍ２，…，Ｍ５）的作用，决策者情绪（Ｅ１，Ｅ２，…，Ｅ８）的影响，应急活动（Ａ１，Ａ２，…，Ａ８）实施的有效程度决定了应急目标（Ｔ１，Ｔ２，…，Ｔ８）的达到程度，从而对当前情景产生不同程度的破坏作用，直接干预和控制下一个情景的演化。与此同时，决策者情绪、上一个情景的应急目标及情景本身在受到作用后也会反过来对应急活动进行反馈。由此产生所有情景、事件的动态贝叶斯情景推演路径如图２所示。在图２中，由于暴雨发展速度快、难以控制、应急资源短期内得不到及时供应，部分应急活动往往不能有效控制事态的恶化，因此出现了乐观和悲观的两种事故情景演变路径。

２情景概率计算及推演

２．１情绪更新机制确定概率

与一般情景下的决策相比，突发事件情景下的决策难免会受到个人情绪、外界舆论、灾情演变等的影响，特别是乐观决策或是悲观决策对情景演变的影响都是至关重要的，所以对决策者情绪动态变化的考虑是不可忽略的。本文将暴雨事件中所有主观因素统称为决策者情绪（Ｅ１，Ｅ２，…，Ｅ８），将其作为暴雨情景要素之一分析它与其他情景单元之间的关系，建立情绪更新机制动态调整决策者情绪概率。情绪更新机制的主要思路为：以决策者情绪变化为突破点，根据情景造成的损失程度不同（文中主要考虑了人员伤亡和财产损失）确定情绪影响下的动态参照点（Ｌ－ｉ１、Ｌ－ｉ２），计算当前情景损失情况相对于参照点的损益值（ｔｉ１、ｔｉ２），再由损益值得到当前情景价值，将人员伤亡、财产损失情景价值（υｉ１、υｉ２）根据不同权重融合得到情景综合价值（υｉ）。随后，用原数据得到的标准评价值计算当前阶段的情景价值评价值，并由当前阶段情绪值（ｅｍｉ）和情景价值评价值两者的函数关系得到下一阶段的情绪值（ｅｍｉ＋１）。

借鉴文献［１３］中确定预算等级的方法，提出了突发暴雨造成损失的? 个预算等级，基于此用式（１）分别计算８种情景中人员伤亡、财产损失的动态参照点。面对突发事件的决策问题时，由于很难在较短的时间内获取决策所需事件当前所有的信息，本文采用直觉模糊数表示“７·２０”暴雨事件发展过程中人员伤亡、财产损失的信息，见表２，其中区间数参考我国对暴雨等级的划分依据。

式中：Ｌ－ｉｑ（ｑ＝１或２，ｉ＝１，２，…，ｎ）为各种情景中人员伤亡和财产损失的动态参照点；ｌｉｑ为各种情景导致的人员伤亡数（ｑ＝１）和财产损失数（ｑ＝２）；ｅｍｉ（ｅｍｉ ∈［０，１］）为在各种情景阶段中决策者的情绪值；? 为决策者对突发事件造成的损失所具有的预算等级总数，此处取? ＝５。

根据动态参照点和表２中的直觉模糊数，得出各种情景的２种损益值为

式中：α、β 分别为ｔｉ１、ｔｉ２的指数，λ 为不同情景状态下损益值的系数。

将上述两个前景值融合得到各种情景的综合价值υｉ为

式中：ηｑ（ｑ＝１或２）为人员伤亡情景价值（υｉ１）和财产损失情景价值（υｉ２）对应的系数。

根据综合价值计算各种情景的价值评价值（用ｅｖａｉ表示）为

ｅｖａｉ＝（υｉ－ｍｉｎ υｉ）／（ｍａｘ υｉ－ｍｉｎ υｉ）（６）

若直觉模糊数ａ＝（μ１，ν１），ｂ＝（μ２，ν２），则ａ≥ｂ的可能度ｐ（ａ≥ｂ）为

ｐ（ａ≥ｂ）＝ｍｉｎ｛ｍａｘ［（１－ν１－μ２）／（π１＋π２），０］，１｝（７）

式（７）中πｉ＝１－μｉ－νｉ，若ｐ（ａ≥ｂ）≥０．５，则ａ≥ｂ；反之，ａ＜ｂ。

设情景Ｓｉ的标准评价值为ｅｗａｉ＝（μｅｗａｉ，νｅｗａｉ），其中０≤μｅｗａｉ＋νｅｗａｉ ≤１，根据式（７），若ｐ（ｅｖａｉ＞ｅｗａｉ） ≥０．５，则ｅｖａｉ＞ｅｗａｉ，表明情景Ｓｉ阶段突发事件向乐观态势演化；反之，则向悲观态势演化。最后，判断当前情景价值评价值（ｅｖａｉ）和标准价值评价值（ｅｗａｉ）可能度大小后，计算得到下一阶段的情绪值（ｅｍｉ＋１），若ｅｍｉ＋１＞ｅｍｉ，则表示下一阶段中决策者情绪更加乐观，并把该值作为情绪Ｅ２先验概率中的乐观概率，对应的悲观概率为ｐ＝１－ｅｍｉ＋１。

式中：θ 为计分函数Ｇ（ｅｖａｉ）的系数，Ｇ（ｅｖａｉ）＝ μｅｖａｉ－νｅｖａｉ［１８］。

此外，根据参数含义并参考文献［１３］，多次仿真调优后，计算过程的所有参数设置为： ? ＝５，α ＝０．８９，β ＝０．９２，λ ＝２．２２，ｅｍ１＝０．５，ｅｗａ１＝ｅｗａ２＝ … ＝ｅｗａ８＝（０．５，０．５），（η１，η２）＝（０．８，０．２），θ ＝０．５。将情景Ｓ１的信息代入式（１）～式（８）得到情景Ｓ２的ｅｍ２＝０．６５２，即ｐ（Ｅ２＝Ｐ）＝０．６５２。以此类推，最终得到所有情景的情景价值（见表３）及每个情景的决策者情绪的先验概率（见表４），其中情景Ｓ３和情景Ｓ５属于乐观情景，无人员伤亡和财产损失区间数，因此情绪Ｅ３和情绪Ｅ５概率值直接通过专家打分后证据融合得到，不在此处体现。

２．２改进ＤＳ证据理论确定概率

整理分析前人的研究、以往暴雨灾害的历史数据和资料等，确定暴雨发生时各情景节点的先验概率和条件概率。由于资料的缺失，如暴雨事件中决策者情绪没有具体的相关记录、政府及相关部门的应急活动也没有完整的记录、不同省应对突发暴雨采取的措施也沒有统一的标准等，因此本文采用数据和专家打分法相结合的方法确定节点概率。为提高节点概率评估的客观性，采用基于模糊集理论的改进ＤＳ证据理论，融合７位专家的评估结果后得到节点概率。模糊集把待考察的因素、反映因素不确定的概念作为一定的模糊集合，建立适当的隶属度函数，描述待考察的因素在模糊概念中的模糊程度［１９］，从而减少专家打分的主观性。本文以收集到的部分数据为基础，邀请７名专家对情景要素表进行评估，依次给出各情景节点的变量取值等级（见表５）以及对此等级的不确定程度。再利用高斯型隶属度函数将等级归一化后得到每位专家打分的概率值。本文将情景要素表中每个节点划分为危险、安全两个级别，专家对节点打分时对应的目标得分（满分为１）区间为［０．５，１］、［０，０．５），根据高斯型隶属度函数，令每个节点两种等级对应的隶属度函数的中心值分别为０．７５、０．２５［２０］，该函数为

ＤＳ证据理论具有较强的多源不确定信息融合能力［２１］，本文采用矩阵分析进行改进ＤＳ证据理论的证据融合［２２］。为了减少隶属度矩阵代入ＤＳ证据理论进行证据融合时产生计算量巨大的问题，本文通过矩阵分析，采用两个证据结合、递推计算的方式融合专家意见。如Ｃ２１表示第２个专家评价为第１级等级的概率值，依次类推。

然后采用张量积运算，用矩阵Ｃ任意一行Ｃｔｇ与另一行Ｃｒ转置后相乘得到新矩阵Ｂ。

矩阵Ｂ中主对角线所有元素之和为式（１２）的分子，所有非主对角线元素之和为融合后的冲突程度Ｋ；最后用权值分配改进ＤＳ证据理论合成算法计算融合后两个等级的概率值，改进的合成式为［１５］

２．３暴雨情景中节点状态概率计算

利用先验概率和条件概率计算各节点的状态概率公式为

将先验概率和条件概率代入式（１３）中，从Ｓ１依次计算各节点变量的状态概率。如，情景Ｓ１状态概率：Ｐ（Ｓ１＝Ｔ）＝Ｐ（Ｓ１＝Ｔ｜Ａ１＝Ｔ，Ｅ１＝Ｐ，Ｔ１＝Ｔ）Ｐ（Ａ１＝Ｔ）Ｐ（Ｅ１＝Ｐ）Ｐ（Ｔ１＝Ｔ）＋Ｐ（Ｓ１＝Ｔ｜Ａ１＝Ｔ，Ｅ１＝Ｐ，Ｔ１＝Ｆ）Ｐ（Ａ１＝Ｔ）Ｐ（Ｅ１＝Ｐ）Ｐ（Ｔ１＝Ｆ）＋Ｐ（Ｓ１＝Ｔ｜Ａ１＝Ｔ，Ｅ１＝Ｎ，Ｔ１＝Ｔ）Ｐ（Ａ１＝Ｔ）Ｐ（Ｅ１＝Ｎ）Ｐ（Ｔ１＝Ｔ）＋Ｐ（Ｓ１＝Ｔ｜Ａ１＝Ｔ，Ｅ１＝Ｎ，Ｔ１＝Ｆ）Ｐ（Ａ１＝Ｔ）Ｐ（Ｅ１＝Ｎ）Ｐ（Ｔ１＝Ｆ）＋Ｐ（Ｓ１＝Ｔ｜Ａ１＝Ｆ，Ｅ１＝Ｐ，Ｔ１＝Ｔ）Ｐ（Ａ１＝Ｆ）Ｐ（Ｅ１＝Ｐ）Ｐ（Ｔ１＝Ｔ）＋Ｐ（Ｓ１＝Ｔ｜Ａ１＝Ｆ，Ｅ１＝Ｐ，Ｔ１＝Ｆ）Ｐ（Ａ１＝Ｆ）Ｐ（Ｅ１＝Ｐ）Ｐ（Ｔ１＝Ｆ）＋Ｐ（Ｓ１＝Ｔ｜Ａ１＝Ｆ，Ｅ１＝Ｎ，Ｔ１＝Ｔ）Ｐ（Ａ１＝Ｆ）Ｐ（Ｅ１＝Ｎ）Ｐ（Ｔ１＝Ｔ）＋Ｐ（Ｓ１＝Ｔ｜Ａ１＝Ｆ，Ｅ１＝Ｎ，Ｔ１＝Ｆ）Ｐ（Ａ１＝Ｆ）Ｐ（Ｅ１＝Ｎ）Ｐ（Ｔ１＝Ｆ）＝０．６×０．９２×０．５×０．９７＋０．４２×０．９２×０．５×０．０３＋０．５１×０．９２×０．５×０．９７＋０．３７×０．９２×０．５×０．０３＋０．８２×０．０８×０．５×０．９７＋０．３７×０．０８×０．５×０．０３＋０．４１×０．０８×０．５×０．９７＋０．２９×０．０８×０．５×０．０３＝０．５５４７，以此类推，计算出所有节点的状态概率，如图３所示。

２．４结果分析

１）上述动态贝叶斯网络图的概率推演表明，当暴雨发生后，政府在没有及时采取有效应急活动的前提下，发生大暴雨（Ｓ２）的概率、引发特大暴雨（Ｓ４）的概率、暴雨引发小型洪水（Ｓ６）的概率、暴雨引发大型洪水（Ｓ７）的概率、洪水引发山体滑坡（Ｓ８）的概率均超过了０．６，由此可知，发生暴雨灾害后采取的应急措施一旦不及时或效果不好，情景恶化的概率非常高，灾害很难控制，造成的损失不可预估。利用ＧＥＮＩＥ软件对情景推演网络进行敏感性分析后发现，Ｓ２、Ｓ３、Ｓ４、Ｓ５、Ｓ６、Ｓ７均为敏感节点，颜色越深表示越敏感同，见图３；且图３中不同的有向边粗细程度也是不同的，其表示情景演化过程中的关键路径，线段越粗代表这条路径影响越大。因此，应急管理者可以依据此图，抓住关键节点沿着关键路径制定应急措施，快速准确地对突发暴雨情景采取有效管理，进而使灾害向更加乐观的方向转化。

２）根据有关报道可知，在此次暴雨灾害中采取的应急措施未能有效发挥作用，为了提高模型和事件真实的匹配度，设置Ｔ２、Ｔ３、Ｔ５、Ｔ７的证据均为未满足（Ｆ），由仿真结果可知暴雨极大概率会演化到引发大型洪水（Ｓ７）和山体滑坡（Ｓ８）的阶段，与灾害真实结果吻合，证明了该方法的可行性和有效性。在实际应用过程中，改变应急活动的完成情况并处理好主观因素可以影响到应急目标的实现概率，进而影响灾害的演化路径，便于工作人员在采取应对措施时，直观地认识到自己操作失误造成的结果，从而实时调整相关行动且提前掌握事件的演化方向。

３）在灾害预防阶段，管理者应主动提高自身的风险意识和应急突变能力，对造成水位提高的主要因素加大监控力度，日常要多组织植树造林活动，降低暴雨发生后引起水土流失的概率。针对灾害响应阶段，要提升防汛抗洪应急人员的专业能力，多训练多改革，加强对应急装备（如抽排水设备、高精度探测仪器、救援物资等）的维修和改善工作。针对灾害恢复阶段，在确保居民生活恢复正常的前提下，增强全社会的风险意识和自救互救能力是工作的核心，且要贯彻到底。本文针对河南省郑州市“７·２０”暴雨事件情景推演过程中情景要素的提取进行了简化，在现实的灾害处理过程中，存在诸多因素导致暴雨的发展趋势难以预测。在实际应用中，应基于上述方法识别更多的关联因素，将更多的灾害实时信息融入情景推演中，提高全社会应对突发事件的能力，使损失控制在最小范围内。

３结论

１）选取突发暴雨不同阶段的情景状态、应急活动、决策者情绪和应急资源作为网络节点，对重大灾害情景单元之间的相互关系及情景演化机制展开分析，基于动态贝叶斯网络，利用改进ＤＳ证据理论和情绪更新机制确定情景演变初始网络，计算每个阶段情景的状态概率，得出暴雨可能的发展路徑，从而评估应急活动的可行性和应急目标的完成情况，为今后突发暴雨灾害提前采取有效措施。

２）基于动态贝叶斯网络且考虑决策者情绪的突发暴雨应急情景推演方法，能够较好地解析暴雨环境下应急处置的不确定性、复杂性、衍生性问题，将事件中定量元素和定性元素结合分析，为传统的情景分析方法改进提供了新思路。

３）确定节点概率依然采用传统的专家打分法，虽然利用模糊集理论和改进ＤＳ证据理论在一定程度上削弱了专家打分的主观性，但任何不精确的设置均会影响方法的有效性。因此，依据历史数据、大量史料及综合各研究文献来确定网络节点的概率才是方法精度的保障，此后在完善数据和汇总案例方面应投入更多的时间和精力。

参考文献：

［１］周洪建，王丹丹，袁艺，等．中国特别重大自然灾害损失统计的最新进展：《特别重大自然灾害损失统计制度》解析［Ｊ］．地球科学进展，２０１５，３０（５）：５３０－５３８．

［２］ＨＡＬＬＥＧＡＴＴＥＳ，ＲＯＧＥＬＪＪ，ＡＬＬＥＮＭ，ｅｔａｌ．ＭａｐｐｉｎｇｔｈｅＣｌｉｍａｔｅＣｈａｎｇｅＣｈａｌｌｅｎｇｅ［Ｊ］．ＮａｔｕｒｅＣｌｉｍａｔｅＣｈａｎｇｅ，２０１６，６（７）：６６３－６６８．

［３］李勇建，乔晓娇，孙晓晨，等．基于系统动力学的突发事件演化模型［Ｊ］．系统工程学报，２０１５，３０（３）：３０６－３１８．

［４］ＢＡＲＲＥＤＯＪＩ，ＥＮＧＥＬＥＮＧ．ＬａｎｄＵｓｅＳｃｅｎａｒｉｏＭｏｄｅｌｉｎｇｆｏｒＦｌｏｏｄＲｉｓｋＭｉｔｉｇａｔｉｏｎ［Ｊ］．Ｓｕｓｔａｉｎａｂｉｌｉｔｙ，２０１０，２（５）：１３２７－１３４４．

［５］ＲＯＢＩＮＳＯＮＴＲ，ＲＯＳＳＥＲＮＪ，ＤＥＮＳＭＯＲＥＡＬ，ｅｔａｌ．ＵｓｅｏｆＳｃｅｎａｒｉｏＥｎｓｅｍｂｌｅｓｆｏｒＤｅｒｉｖｉｎｇＳｅｉｓｍｉｃＲｉｓｋ［Ｊ］．Ｐｒｏ?ｃｅｅｄｉｎｇｓｏｆｔｈｅＮａｔｉｏｎａｌＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓｏｆｔｈｅＵｎｉｔｅｄＳｔａｔｅｓｏｆＡｍｅｒｉｃａ，２０１８，１１５（４１）：９５３２－９５４１．

［６］ＲＡＷＬＵＫＡ，ＦＯＲＤＲＭ，ＷＩＬＬＩＡＭＳＫＪＨ．Ｖａｌｕｅ?ＢａｓｅｄＳｃｅｎａｒｉｏＰｌａｎｎｉｎｇ：ＥｘｐｌｏｒｉｎｇＭｕｌｔｉｆａｃｅｔｅｄＶａｌｕｅｓｉｎＮａｔｕｒａｌＤｉｓａｓｔｅｒＰｌａｎｎｉｎｇａｎｄＭａｎａｇｅｍｅｎｔ［Ｊ］．ＥｃｏｌｏｇｙａｎｄＳｏｃｉｅｔｙ，２０１８，２３（４）：１８６－１９２．

［７］王喆，孔维磊，方丹辉，等．基于贝叶斯网络的城镇洪涝应急情景推演研究［Ｊ］．中国安全科学学报，２０２１，３１（６）：１８２－１８８．

［８］ＬＩＳ，ＣＨＥＮＳ，ＬＩＵＹ．ＡＭｅｔｈｏｄｏｆＥｍｅｒｇｅｎｔＥｖｅｎｔＥｖｏｌｕｔｉｏｎＲｅａｓｏｎｉｎｇＢａｓｅｄｏｎＯｎｔｏｌｏｇｙＣｌｕｓｔｅｒａｎｄＢａｙｅｓｉａｎＮｅｔｗｏｒｋ［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０１９，７（１）：１５２３０－１５２３８．

［９］张志霞，郝纹慧，张二双．网络舆情驱动下突发事件情景推演研究［Ｊ］．情报科学，２０２０，３８（５）：１４１－１４７．

［１０］郄子君，荣莉莉．面向灾害情景推演的区域模型构建方法研究［Ｊ］．管理评论，２０２０，３２（１０）：２７６－２９２．

［１１］徐后佳，帅健，杨敬东，等．城镇燃气管道事故动态贝叶斯网络情景推演及模拟［Ｊ］．油气储运，２０２２，４１（８）：９００－９０７．

［１２］宋英华，刘子奇，刘丹，等．基于模糊贝叶斯网络的化工园区火灾爆炸事故情景推演［Ｊ］．安全与环境工程，２０２２，２９（３）：８６－９３．

［１３］王治莹，聂慧芳，赵宏丽．考虑决策者情绪更新机制的多阶段应急决策方法［Ｊ］．控制与决策，２０２０，３５（２）：４３６－４４４．

［１４］张江石，冯娜娜．基于动态贝叶斯网络情景推演的危化品事故應急处置研究［Ｊ］．安全与环境学报，２０２０，２０（４）：１４２０－１４２６．

［１５］刘铁忠，李海艳，李慧茹，等．考虑应急组织要素的城市洪水Ｎａ－Ｔｅｃｈ事件演化研究［Ｊ］．中国安全科学学报，２０１６，２６（７）：１６３－１６８．

［１６］ＬＯＥＷＥＮＳＴＥＩＮＧＦ，ＷＥＢＥＲＥＵ，ＨＳＥＥＣＫ，ｅｔａｌ．ＲｉｓｋａｓＦｅｅｌｉｎｇｓ［Ｊ］．ＰｓｙｃｈｏｌｏｇｉｃａｌＢｕｌｌｅｔｉｎ，２００１，１２７（２）：２６７－２８６．

［１７］ＬＩＸＹ，ＬＩＸＭ，ＬＩＸＷ，ｅｔａｌ．ＳｅｎｔｉｍｅｎｔＲｅｆｅｒｅｎｃｅＰｏｉｎｔｓＢａｓｅｄＳｅｌｆ?ＯｒｇａｎｉｚｅｄＭｕｌｔｉ?ＡｇｅｎｔＭｏｄｅｌｏｆＲｏｕｔｅＣｈｏｉｃｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｙｓｔｅｍｓ＆Ｍａｎａｇｅｍｅｎｔ，２０１７，２６（２）：２５９－２６７．

［１８］ＨＯＮＧＤＨ，ＣＨＯＩＣＨ．ＭｕｌｔｉｃｒｉｔｅｒｉａＦｕｚｚｙＤｅｃｉｓｉｏｎ?ＭａｋｉｎｇＰｒｏｂｌｅｍｓＢａｓｅｄｏｎＶａｇｕｅＳｅｔＴｈｅｏｒｙ［Ｊ］．ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓ?ｔｅｍｓ，２０００，１１４（１）：１０３－１１３．