群體事件風險預測預警與智能輔助決策系統(tǒng)研究

胡詩妍　羅萬杰　臺運啟

摘 要：文章通過對我國幾十例典型群體事件的實證分析，基于群體事件風險理論和規(guī)律的探究，構建了事件風險預警指標體系，建立了基于指標體系的事件風險預警的趨勢預測、動向預警、狀態(tài)預警數學模型。通過對事件應急管理的深入探討，提出了融合CBR與RBR推理機的事件應急智能決策系統(tǒng)的實現思路，對群體突發(fā)事件的量化認定、等級評估以及智能輔助決策系統(tǒng)的功能模塊實現的相關技術進行了探討。模型系統(tǒng)在測試性應用中取得了較好的效果。

關鍵詞：群體性事件；指標體系；預警模型；智能決策

引言

自從2001年美國9.11事件、2004年印度洋海嘯事件以來，危機管理的體系化和平臺化建設引起了世界各國的高度重視。2003年非典在我國的爆發(fā)，開啟了我國公共安全應急管理體系化研究工作[1]。至此社會安全事件的預測預警以及決策輔助系統(tǒng)的研究在我國蓬勃興起。但必須看到對于非物化社會現象的研究是一個世界范圍的難題。文章就社會安全事件中較為典型的群體性事件預測預警與輔助決策展開討論。希望對本領域的發(fā)展起到一個拋磚引玉的作用。

1 群體事件風險預測預警系統(tǒng)研究

群體事件是一種非物化的社會現象。在社會科學領域對于它的成因、機理、表現形式、對策等研究較多，對于其風險的預測則大多停留在定性研究階段。文章采用指標模型方法，從多個角度對其發(fā)生趨勢和風險展開討論。從預測理論來說，組合預測可以有效的提高預測精度和結果的可應用特性。

1.1 風險預測預警指標體系構建

指標體系構建借助社會運行和控制理論，對群體性事件的產生根源、特征展開實證研究。結合群體性事件專家的研究成果[2，3]，同時采用專家意見匯總、頭腦風暴等方法，嚴格按照指標選擇和篩選原則進行確立。對于指標權重可以采用層次分析法結合Delphi法建立。

1.1.1 模塊化指標與動向預警指標

群體事件的發(fā)生看似沒有規(guī)律，隨機性較強。但案例分析表明：群體事件的發(fā)生是偶然之中的必然，是社會運行一種內在能量的外在體現。因此文章從社會運行基礎因素進行挖掘，設計了三級“群體突發(fā)事件預警指標體系”模塊化指標體系。一級指標是“突發(fā)群體事件的整體預警指數”；二級指標為4項，用以量度群體事件發(fā)生風險探測指標，分別為社會安全的風險測量、環(huán)境波動、安全狀況、控制能力；三級指標是針對二級指標分解的具體指標，共20項。

群體性事件作為一種社會現象，總是處于永不停息的運動變化之中，在其內在矛盾的交替更迭過程中，突發(fā)群體性事件發(fā)生風險呈現出一定的周期性和規(guī)律性。作為社會矛盾的一種外在表現形式，群體事件發(fā)生需要經歷一個潛伏到爆發(fā)時間過程。因此可采用經濟學領域預警指標法。文章構建了動向預警指標體系，其中先兆指標（LDI）11個、同步指標（CDI）13個、遲行指標（GDI）6個。

1.1.2 指標預警閾值設定

指標預警閾值，是指標數據的安全警限，超過這個閾值說明社會運行中的某個方面發(fā)生了異常變化。預警閾值的確立是社會預警問題中的難點也是重點。我國關于社會問題定量研究起步較晚，因此可以借鑒國外研究成果，但是由于文化背景和國情不同不能生硬照搬。通過歷史數據相關分析、歷史案例對比分析法、借鑒國外成果加以分析改進、廣泛采用專家預測法等方式，對30個指標進行了預警閾值的確立，包括上限和下限。

1.2 風險預測預警模型

1.2.1 趨勢預測模型?；谀车貐^(qū)大量歷史數據構成的時間序列散點圖表明：在一段較長的時期，群體事件數量和變化率具有循環(huán)波動的同時，具有較明顯的長期趨勢。因此對群體性事件發(fā)生起數和增長率使用了時間序列回歸分析模型，從長期趨勢角度進行預測，有較好效果。

1.2.2 風險動向預測模型。采用預警分析法模型，對某一地區(qū)動態(tài)監(jiān)測其社會運行中的先兆、同步、遲行指標指數增長率變化情況，對突發(fā)群體事件發(fā)生風險進行預測和警示，即根據3種指標變化關系，定義了向好、向壞、維持三種動向。

1.2.3 狀態(tài)預警模型。對二級指標的社會安全風險測量、環(huán)境波動、安全狀況、控制能力4個模塊，采用模糊綜合評判模型進行評估，給出目前社會狀態(tài)下群體事件發(fā)生風險的等級。

2 群體事件智能輔助決策系統(tǒng)研究

群體事件應急處置對決策者提出了較高要求，決策者需要臨時判斷并快速作出反映，傳統(tǒng)的輔助決策模式有其局限性，應急處置工作效率低下，為解決這個問題，可以參考以往的經驗和知識，借助智能化工具來輔助指揮人員進行決策。

2.1 事件應急智能輔助決策系統(tǒng)框架設計

文章提出基于CBR[4]與RBR的群體事件應急智能決策系統(tǒng)IDSS[5，6]。將在群體事件處置流程中的處警、結案和事后評估階段發(fā)揮智能輔助決策的作用，該系統(tǒng)研究路線和流程圖如圖1示。系統(tǒng)首先根據數據庫系統(tǒng)提供的數據進行警情識別，如確有警情發(fā)生可以進行案例推理，調用相應的預案，在危機管理依據的法律約束范圍內，生成應急方案，指揮調度部門根據應急方案調度各職能部門采取相應措施，最后根據輿情及專家打分進行事后評估。

2.2 關鍵技術耦合

從圖1可以看到，應急輔助決策系統(tǒng)，涉及的關鍵技術較多，主要的包括案例庫、預案庫、知識庫、規(guī)則庫的構建技術。警情的識別與判斷、融合RBR與CBR推理機技術、案例與預案的檢索與匹配技術及其耦合。案例庫、規(guī)則庫、知識庫需要借助大量標準案例、定性的專家知識等，需要做大量工作。

2.3 群體事件的量化認定與等級評估研究

文章基于大量的公安工作中對群體性事件認定的處置規(guī)定，以及一些國內相關研究，采用專家咨詢的方法，歸納整理了群體性事件認定的必備要素和等級評估的考慮要素。

2.3.1 事件認定與等級評估要素

目前并沒有關于群體事件等級具體劃分統(tǒng)一標準，一般是借助于《信訪條例》規(guī)定的走訪人數的代表人數及《規(guī)定》中列舉的形式，或者根據以往的經驗進行等級評估，這些都是主觀性較強的評估方法。本文基于公安系統(tǒng)群體突發(fā)事件的處置專家經驗以及公安系統(tǒng)中的一些規(guī)定，形成了群體突發(fā)事件非量化認定及等級評估指標。分為特別重大、重大、較大、一般四個等級。這是事件量化認定和等級評估的重要依據。（1）認定必備要素： a.達到一定規(guī)?；蛘呷藬担籦.行為方式，主要指是否采用了暴力；c.事件發(fā)生地點；d.事件是否涉及特殊問題，主要是“四涉”事件；e.事件發(fā)生的時間；（2）等級評估的考慮要素：a.事件的性質；b.事件發(fā)展的態(tài)勢；c.事件原因；d.事件參與者身份；e.事件可能造成的損失等。endprint

2.3.2 事件量化認定與等級評估

在社會計量學領域，由于非物化復雜社會現象計算的高難度性，往往在力求準確計算的基礎上，根據以往的經驗和專家知識進行評估。論文在群體性事件涉及的各因素及其賦值上，采取Delphi法以及層次分析法AHP進行，當然這種分析方法也具有很大的主觀性，但是作為一種努力和嘗試，可以為進一步的具體細化和測量復雜的非物化社會現象提供一種思路。文章形成了群體突發(fā)事件認定因素量化表和群體性事件等級評估因素表，從而形成了事件量化認定和等級評估的依據。

（1）群體性事件的量化認定：根據群體性事件參與的人數，行為方式（包括類型），發(fā)生的地點和地點是否涉獨、涉外、涉恐、涉黑等認定因素，經過加權計算，進行認定。其中以人數為主要標準，以100分為滿分，以50分為臨界點，但當人數超過50人時，可立即認定為群體性事件，當人數不足50人時，結合其他因素進行認定。在特殊條件出現時，如發(fā)生在敏感時間節(jié)點（如“兩會”）或者在敏感區(qū)域（如“天安門地區(qū)”），等在原認定基礎上升一檔。

（2）群體性事件的量化等級評估：在此基礎上，結合群體性事件的性質、事件態(tài)勢、發(fā)生原因、參與者身份、損失（后果、影響）等評定群體性事件的等級。這里將所涉及因素稱為等級評定因素。

（3）群體性事件的認定及等級評估模型：以人數為基本認定標準，對各種因素進行加權計算，30分為臨界點，即總分達到30分即可認定為群體性事件。在確定群體性事件的等級時，認定因素得分占70%，升降因素占30%，兩者之和，對照相應分值確定群體性事件的風險等級。30-50分為一般性群體性事件（四級），50-70分為較大群體性事件（三級），70-90分為重大群體性事件（二級），90-100分為特別重大群體性事件（一級）。

3 系統(tǒng)結果發(fā)布與應用測試

針對風險預測預警結果發(fā)布，見圖2群體突發(fā)事件風險預警體系示意圖。趨勢預測模型采用實際趨勢曲線和回歸預測曲線直觀顯示的形式；風險動向預測模型結果采用曲線和解釋說明等圖文的形式；狀態(tài)預警模型結果采用綜合指數、各級模塊以及指標指數柱狀圖、結合文字說明等圖文形式。簡單易懂，直觀明確。智能輔助決策模塊的結果發(fā)布，采用人機交互的形式，便于操作易于上手，有效地提高決策效率。

4 結束語

系統(tǒng)初步實現的功能有事件的長期趨勢預測模型、風險動向預測模型、狀態(tài)預警模型；事件的量化認定和等級評估；案例、預案的初步檢索與匹配。系統(tǒng)原型在公安大學承德和廊坊實習基地的進行了測試，多位公安一線群體突發(fā)事件的處置專家反映良好。測試結論表明：本預測預警與智能決策輔助系統(tǒng)對提高公安工作決策的科學性、客觀性以及提高群體性事件處置應對效率等方面具有實際意義。

參考文獻

[1]清華大學美國應急平臺考察團.美國應急平臺及其支撐體系考察報告[R].北京：清華大學，2008.

[2]楊和德.群體性事件研究[M].北京：中國人民公安大學出版社，2002：16-23.

[3]閻耀軍.現代實證性社會預警的探索[J].社會，2005，25（4）：156-168.

[4]Schank R. Dynamic Memory：A Theory of Learning in Computers and People[M]. New York： Cambridge University Press，1982：150-166.

[5]WATSON I. Applying case-based reasoning：techniques for enterprise system[M]. San Francisco， CA： Morgan Kaufmann，l997：123-128.

[6]C.K. Riesbeck， R.C. Shank. Inside Case-Based Reasoning [M]. Lawrence Erbium Associates：Psychology Press，1989：333-336.

作者簡介：胡詩妍（1971-）女，北京市，講師，研究生，研究方向：風險評估、預測預警。endprint

2.3.2 事件量化認定與等級評估

在社會計量學領域，由于非物化復雜社會現象計算的高難度性，往往在力求準確計算的基礎上，根據以往的經驗和專家知識進行評估。論文在群體性事件涉及的各因素及其賦值上，采取Delphi法以及層次分析法AHP進行，當然這種分析方法也具有很大的主觀性，但是作為一種努力和嘗試，可以為進一步的具體細化和測量復雜的非物化社會現象提供一種思路。文章形成了群體突發(fā)事件認定因素量化表和群體性事件等級評估因素表，從而形成了事件量化認定和等級評估的依據。

（1）群體性事件的量化認定：根據群體性事件參與的人數，行為方式（包括類型），發(fā)生的地點和地點是否涉獨、涉外、涉恐、涉黑等認定因素，經過加權計算，進行認定。其中以人數為主要標準，以100分為滿分，以50分為臨界點，但當人數超過50人時，可立即認定為群體性事件，當人數不足50人時，結合其他因素進行認定。在特殊條件出現時，如發(fā)生在敏感時間節(jié)點（如“兩會”）或者在敏感區(qū)域（如“天安門地區(qū)”），等在原認定基礎上升一檔。

（2）群體性事件的量化等級評估：在此基礎上，結合群體性事件的性質、事件態(tài)勢、發(fā)生原因、參與者身份、損失（后果、影響）等評定群體性事件的等級。這里將所涉及因素稱為等級評定因素。

（3）群體性事件的認定及等級評估模型：以人數為基本認定標準，對各種因素進行加權計算，30分為臨界點，即總分達到30分即可認定為群體性事件。在確定群體性事件的等級時，認定因素得分占70%，升降因素占30%，兩者之和，對照相應分值確定群體性事件的風險等級。30-50分為一般性群體性事件（四級），50-70分為較大群體性事件（三級），70-90分為重大群體性事件（二級），90-100分為特別重大群體性事件（一級）。

3 系統(tǒng)結果發(fā)布與應用測試

針對風險預測預警結果發(fā)布，見圖2群體突發(fā)事件風險預警體系示意圖。趨勢預測模型采用實際趨勢曲線和回歸預測曲線直觀顯示的形式；風險動向預測模型結果采用曲線和解釋說明等圖文的形式；狀態(tài)預警模型結果采用綜合指數、各級模塊以及指標指數柱狀圖、結合文字說明等圖文形式。簡單易懂，直觀明確。智能輔助決策模塊的結果發(fā)布，采用人機交互的形式，便于操作易于上手，有效地提高決策效率。

4 結束語

系統(tǒng)初步實現的功能有事件的長期趨勢預測模型、風險動向預測模型、狀態(tài)預警模型；事件的量化認定和等級評估；案例、預案的初步檢索與匹配。系統(tǒng)原型在公安大學承德和廊坊實習基地的進行了測試，多位公安一線群體突發(fā)事件的處置專家反映良好。測試結論表明：本預測預警與智能決策輔助系統(tǒng)對提高公安工作決策的科學性、客觀性以及提高群體性事件處置應對效率等方面具有實際意義。

參考文獻

[1]清華大學美國應急平臺考察團.美國應急平臺及其支撐體系考察報告[R].北京：清華大學，2008.

[2]楊和德.群體性事件研究[M].北京：中國人民公安大學出版社，2002：16-23.

[3]閻耀軍.現代實證性社會預警的探索[J].社會，2005，25（4）：156-168.

[4]Schank R. Dynamic Memory：A Theory of Learning in Computers and People[M]. New York： Cambridge University Press，1982：150-166.

[5]WATSON I. Applying case-based reasoning：techniques for enterprise system[M]. San Francisco， CA： Morgan Kaufmann，l997：123-128.

[6]C.K. Riesbeck， R.C. Shank. Inside Case-Based Reasoning [M]. Lawrence Erbium Associates：Psychology Press，1989：333-336.

作者簡介：胡詩妍（1971-）女，北京市，講師，研究生，研究方向：風險評估、預測預警。endprint

2.3.2 事件量化認定與等級評估

在社會計量學領域，由于非物化復雜社會現象計算的高難度性，往往在力求準確計算的基礎上，根據以往的經驗和專家知識進行評估。論文在群體性事件涉及的各因素及其賦值上，采取Delphi法以及層次分析法AHP進行，當然這種分析方法也具有很大的主觀性，但是作為一種努力和嘗試，可以為進一步的具體細化和測量復雜的非物化社會現象提供一種思路。文章形成了群體突發(fā)事件認定因素量化表和群體性事件等級評估因素表，從而形成了事件量化認定和等級評估的依據。

（1）群體性事件的量化認定：根據群體性事件參與的人數，行為方式（包括類型），發(fā)生的地點和地點是否涉獨、涉外、涉恐、涉黑等認定因素，經過加權計算，進行認定。其中以人數為主要標準，以100分為滿分，以50分為臨界點，但當人數超過50人時，可立即認定為群體性事件，當人數不足50人時，結合其他因素進行認定。在特殊條件出現時，如發(fā)生在敏感時間節(jié)點（如“兩會”）或者在敏感區(qū)域（如“天安門地區(qū)”），等在原認定基礎上升一檔。

（2）群體性事件的量化等級評估：在此基礎上，結合群體性事件的性質、事件態(tài)勢、發(fā)生原因、參與者身份、損失（后果、影響）等評定群體性事件的等級。這里將所涉及因素稱為等級評定因素。

（3）群體性事件的認定及等級評估模型：以人數為基本認定標準，對各種因素進行加權計算，30分為臨界點，即總分達到30分即可認定為群體性事件。在確定群體性事件的等級時，認定因素得分占70%，升降因素占30%，兩者之和，對照相應分值確定群體性事件的風險等級。30-50分為一般性群體性事件（四級），50-70分為較大群體性事件（三級），70-90分為重大群體性事件（二級），90-100分為特別重大群體性事件（一級）。

3 系統(tǒng)結果發(fā)布與應用測試

針對風險預測預警結果發(fā)布，見圖2群體突發(fā)事件風險預警體系示意圖。趨勢預測模型采用實際趨勢曲線和回歸預測曲線直觀顯示的形式；風險動向預測模型結果采用曲線和解釋說明等圖文的形式；狀態(tài)預警模型結果采用綜合指數、各級模塊以及指標指數柱狀圖、結合文字說明等圖文形式。簡單易懂，直觀明確。智能輔助決策模塊的結果發(fā)布，采用人機交互的形式，便于操作易于上手，有效地提高決策效率。

4 結束語

系統(tǒng)初步實現的功能有事件的長期趨勢預測模型、風險動向預測模型、狀態(tài)預警模型；事件的量化認定和等級評估；案例、預案的初步檢索與匹配。系統(tǒng)原型在公安大學承德和廊坊實習基地的進行了測試，多位公安一線群體突發(fā)事件的處置專家反映良好。測試結論表明：本預測預警與智能決策輔助系統(tǒng)對提高公安工作決策的科學性、客觀性以及提高群體性事件處置應對效率等方面具有實際意義。

參考文獻

[1]清華大學美國應急平臺考察團.美國應急平臺及其支撐體系考察報告[R].北京：清華大學，2008.

[2]楊和德.群體性事件研究[M].北京：中國人民公安大學出版社，2002：16-23.

[3]閻耀軍.現代實證性社會預警的探索[J].社會，2005，25（4）：156-168.

[4]Schank R. Dynamic Memory：A Theory of Learning in Computers and People[M]. New York： Cambridge University Press，1982：150-166.

[5]WATSON I. Applying case-based reasoning：techniques for enterprise system[M]. San Francisco， CA： Morgan Kaufmann，l997：123-128.

[6]C.K. Riesbeck， R.C. Shank. Inside Case-Based Reasoning [M]. Lawrence Erbium Associates：Psychology Press，1989：333-336.

作者簡介：胡詩妍（1971-）女，北京市，講師，研究生，研究方向：風險評估、預測預警。endprint