基于公眾偏好大數(shù)據(jù)分析的重大突發(fā)事件應(yīng)急決策方案動(dòng)態(tài)調(diào)整方法

徐選華， 劉尚龍， 陳曉紅

（中南大學(xué) 商學(xué)院，湖南 長(zhǎng)沙410083）

0 引言

重大突發(fā)事件具有隨機(jī)性、快速擴(kuò)散性、衍生性、傳導(dǎo)變異性、高破壞性和高時(shí)間壓力等特征，事件一旦發(fā)生，億萬(wàn)網(wǎng)民會(huì)迅速聚集起來(lái)并參與其中，涉及的決策環(huán)境具有高復(fù)雜性和動(dòng)態(tài)性。因此，這種應(yīng)急決策是一種復(fù)雜大數(shù)據(jù)環(huán)境下的高風(fēng)險(xiǎn)性決策。在重大突發(fā)事件中，必須要處理數(shù)以百計(jì)的各種突發(fā)狀況，它主要包括準(zhǔn)備、響應(yīng)和恢復(fù)三個(gè)階段，任何階段中的信息對(duì)于最終決策都至關(guān)重要［1］。

在國(guó)外，近年來(lái)在危機(jī)管理應(yīng)用上比較新穎的是使用“分眾”——公眾參與的方式來(lái)進(jìn)行應(yīng)急決策，不同學(xué)者從不同角度分析了公眾在社交媒體上發(fā)布的信息對(duì)突發(fā)事件產(chǎn)生的影響。Liu S B［2］研究表明，公眾在照片分享網(wǎng)站Flickr生成和傳播的信息在突發(fā)事件中發(fā)揮著重要作用；Vieweg S［3］通過(guò)對(duì)北美突發(fā)事件中公眾產(chǎn)生的Twitter信息進(jìn)行分析，發(fā)現(xiàn)在事件期間產(chǎn)生的Twitter信息能夠提高公眾的應(yīng)急意識(shí)，幫助政府采取相應(yīng)的應(yīng)急方案。在2010年“海地”地震應(yīng)急決策中，美國(guó)政府首次采用社交媒體技術(shù)作為主要的知識(shí)共享機(jī)制，為將來(lái)的災(zāi)害和應(yīng)急管理提供信息支持［4］。Terpstra T等［5］通過(guò)對(duì)Pukkelpop音樂(lè)節(jié)舞臺(tái)坍塌事件發(fā)生前后公眾發(fā)布的推文數(shù)量進(jìn)行分析，發(fā)現(xiàn)推文的增長(zhǎng)速度可以反映突發(fā)事件的緊急程度。在國(guó)內(nèi)，關(guān)于公眾使用社交媒體參與決策也進(jìn)行了一些研究。侯俊麗等［6］以7·23溫州動(dòng)車事故為例，研究了微博傳播對(duì)公眾參與政府政策制定的影響；袁靖華等［7］認(rèn)為政府機(jī)構(gòu)可以利用社交媒體找到恰當(dāng)處置突發(fā)事件傳播的具體可行路徑，從而提高政府利用社交媒體應(yīng)對(duì)突發(fā)事件的應(yīng)急傳播能力與信息處置能力。現(xiàn)有的研究主要是對(duì)突發(fā)事件發(fā)生后的社交媒體數(shù)據(jù)進(jìn)行輿情分析和事后災(zāi)情分析，而沒(méi)有真正與應(yīng)急決策相結(jié)合。

然而，現(xiàn)有重大突發(fā)事件應(yīng)急決策方法的相關(guān)研究主要有基于數(shù)理模型的決策方法、基于知識(shí)推理的決策方法、基于仿真的決策方法以及基于數(shù)據(jù)的決策方法［8］。大量的基于數(shù)據(jù)的決策方法研究成果表明［9～11］，與決策相關(guān)的公眾媒體數(shù)據(jù)在決策分析中具有特殊價(jià)值，而對(duì)這些大數(shù)據(jù)進(jìn)行分析通常能夠發(fā)現(xiàn)常規(guī)分析方法所無(wú)法發(fā)現(xiàn)的規(guī)律。在重大突發(fā)事件發(fā)生時(shí)，社交媒體信息是事件的重要信息來(lái)源，人們通常會(huì)在社交媒體上記錄他們所面臨的尤其是令人震驚的情況并表達(dá)自己的意見(jiàn)和感受，在事件發(fā)生期間，這些信息對(duì)于應(yīng)急決策專家來(lái)說(shuō)很有價(jià)值，因?yàn)樗麄兛梢岳眠@些信息來(lái)不斷更新對(duì)事件現(xiàn)場(chǎng)狀況的認(rèn)識(shí)，同時(shí)這些信息對(duì)識(shí)別與事件相關(guān)的子事件來(lái)說(shuō)也特別重要。基于此，通過(guò)對(duì)公眾在社交媒體上所發(fā)布的偏好大數(shù)據(jù)信息進(jìn)行分析可以檢測(cè)出與事件相關(guān)的子事件，并給應(yīng)急決策專家提供重要參考。由于大數(shù)據(jù)環(huán)境下突發(fā)事件的情景是動(dòng)態(tài)演變的，在突發(fā)事件應(yīng)急決策中，需要考慮應(yīng)急決策方案隨事件情景的演變進(jìn)行適當(dāng)調(diào)整。因此，在應(yīng)急方案的實(shí)施過(guò)程中，應(yīng)急決策專家需要根據(jù)不斷更新的數(shù)據(jù)信息及時(shí)對(duì)應(yīng)急方案進(jìn)行調(diào)整，才能保證最佳的應(yīng)急處置效果，從而更好的應(yīng)對(duì)突發(fā)事件［12，13］。

1 方法原理

1.1 問(wèn)題描述

海恩法則指出，每一起嚴(yán)重事件的背后，必然有29次輕微事件和300起未遂先兆以及1000起事件隱患。由此可見(jiàn)，在一次重大突發(fā)事件的背后，通常由多次不同的子事件組成，不同的子事件會(huì)產(chǎn)生不同的風(fēng)險(xiǎn)。隨著子事件的動(dòng)態(tài)演變，需要對(duì)突發(fā)事件發(fā)展演變的不同階段的不同子事件制定相應(yīng)的應(yīng)急決策方案。在這種多階段多事件應(yīng)急決策過(guò)程中，由于不同子事件在不同決策階段會(huì)有不同的決策目標(biāo)，所對(duì)應(yīng)各階段的應(yīng)急決策方案也不同。因此，面對(duì)復(fù)雜多變的決策情景，將面臨多階段多事件的應(yīng)急決策方案選擇問(wèn)題。

如何在高時(shí)間壓力下，利用與重大突發(fā)事件相關(guān)的第一現(xiàn)場(chǎng)人（社會(huì)公眾）在社交媒體上發(fā)布與事件相關(guān)的偏好大數(shù)據(jù)信息，提出關(guān)鍵詞累加權(quán)重方法獲得與事件相關(guān)的關(guān)鍵詞群，還提出一種基于公眾偏好大數(shù)據(jù)分析的兩階段聚類算法將一個(gè)復(fù)雜多變的事件劃分成多個(gè)相互獨(dú)立的子事件，并得出每個(gè)子事件的客觀風(fēng)險(xiǎn)級(jí)別，然后結(jié)合專家經(jīng)驗(yàn)判斷，綜合得出每個(gè)子事件的風(fēng)險(xiǎn)級(jí)別，進(jìn)而選擇與風(fēng)險(xiǎn)級(jí)別相對(duì)應(yīng)的方案。然而，由于數(shù)據(jù)是實(shí)時(shí)更新的，子事件及其風(fēng)險(xiǎn)級(jí)別也在不斷更新，因此本研究還考慮在t時(shí)刻所采取方案的基礎(chǔ)上，如何在（t+Δt）時(shí)刻，決策專家根據(jù)社會(huì)公眾（含現(xiàn)場(chǎng)救援人員）實(shí)時(shí)反饋的大數(shù)據(jù)信息來(lái)對(duì)突發(fā)事件在t′（t＜t+Δt＜t′）時(shí)刻的各種狀況進(jìn)行判斷，如果判斷當(dāng)前應(yīng)急方案不能應(yīng)對(duì)t′時(shí)刻的狀況，則需要調(diào)整相應(yīng)的方案，從而更好的應(yīng)對(duì)突發(fā)事件［14］。

1.2 關(guān)鍵詞累加權(quán)重方法和基于公眾偏好大數(shù)據(jù)分析的兩階段聚類算法

關(guān)鍵詞累加權(quán)重方法是為了確定關(guān)鍵詞群，通過(guò)利用關(guān)鍵詞群進(jìn)行檢索所獲得的數(shù)據(jù)可作為本研究的數(shù)據(jù)來(lái)源，方法如下：

首先查詢歷史相關(guān)事件，成立一個(gè)由K個(gè)代表性公眾組成的事件關(guān)鍵詞提取小組Ω＝｛h1，h2，…，h K｝，該小組由了解類似事件的公眾博主（包括媒體記者、知名博主、自媒體評(píng)論員等具有影響力、代表性的博主）組成。就特定的突發(fā)事件，小組成員通過(guò)取并集共提出R個(gè)關(guān)鍵詞，并對(duì)關(guān)鍵詞A1，A2，…，AR進(jìn)行重要性程度評(píng)價(jià)，所得的評(píng)價(jià)值為xkr，k＝1，2，…，K；r＝1，2，…，R，評(píng)價(jià)矩陣X如下所示：

xkr表示小組成員hk對(duì)關(guān)鍵詞Ar的評(píng)價(jià)值。

公眾小組的成員權(quán)重W＝（v1，v2，…，vK）由公式（1）計(jì)算得出，其中Bk表示小組成員hk近一年來(lái)在社交媒體上所發(fā)布的具有影響力即點(diǎn)贊、評(píng)論、轉(zhuǎn)發(fā)均超過(guò)500的原創(chuàng)消息數(shù)量。

然后采用公式（2）得出第r個(gè)關(guān)鍵詞的綜合評(píng)價(jià)值gr，為了方便起見(jiàn)，令g1≥g2≥…≥g R，G＝（g1，g2，…，g R）。

最后，為了提高了信息檢索和數(shù)據(jù)挖掘的速度，同時(shí)也獲得足夠多的數(shù)據(jù)量，從g1開(kāi)始選取關(guān)鍵詞，當(dāng)選取的關(guān)鍵詞的綜合評(píng)價(jià)值之和超過(guò)總綜合評(píng)價(jià)值一半時(shí)，則不再選取關(guān)鍵詞（既保證所選取的關(guān)鍵詞都是綜合評(píng)價(jià)值較高的關(guān)鍵詞，又保證了數(shù)據(jù)挖掘的質(zhì)量和數(shù)量，提高了數(shù)據(jù)挖掘的效率），如公式（3）所示，其中Z表示最終的關(guān)鍵詞數(shù)量。

通過(guò)與長(zhǎng)沙愛(ài)杰信息科技有限公司合作，使用該公司自主研發(fā)的智能化（采集任務(wù)）作業(yè)分發(fā)系統(tǒng)對(duì)Z個(gè)關(guān)鍵詞進(jìn)行數(shù)據(jù)挖掘，將獲取的大量公眾偏好數(shù)據(jù)（包含地理數(shù)據(jù)）作為本研究的數(shù)據(jù)來(lái)源。

基于公眾偏好大數(shù)據(jù)分析的兩階段聚類算法步驟如下：

第一步，文本預(yù)處理。將公眾在社交媒體上發(fā)布的文本等原始信息進(jìn)行去停用詞、重復(fù)詞、低頻詞、分詞等預(yù)處理。

第二步，將預(yù)處理后的文本向量化。利用空間向量模型VSM（vector space model）［15］將預(yù)處理后的文本信息向量化，向量中的每個(gè)元素由特征項(xiàng)及其在文本中的權(quán)重組成，特征項(xiàng)及其在文中的權(quán)重與公眾偏好有關(guān)，公眾偏好的不同會(huì)導(dǎo)致了生成向量的特征項(xiàng)及其權(quán)重大小的不同，特征項(xiàng)出現(xiàn)次數(shù)越多，權(quán)重 越 大。特 征 項(xiàng) 權(quán) 重 用TF-IDF［16，17］方 法計(jì)算，如公式（4）所示。

其中，w′（fi，d）為特征項(xiàng)fi在文本d中的權(quán)重；tf（fi，d）為特征項(xiàng)fi在文本d中的詞頻；N為關(guān)鍵詞群搜索所得的文本總數(shù)；ni為文本總數(shù)中出現(xiàn)特征項(xiàng)fi的文本數(shù)，那么第j條文本d j的向量化表示為：d j＝（），其中fji為第j條文本的第i個(gè)特征項(xiàng)為特征項(xiàng)權(quán)重，q表示向量中特征項(xiàng)的個(gè)數(shù)。

第三步，對(duì)第二步中的偏好向量進(jìn)行兩階段聚類分析。

第一階段聚類：聚類既含有GPS地理信息，又含有文本信息的向量。運(yùn)用SOM［18～24］（自組織映射）算法對(duì)同時(shí)含有地理位置和文本數(shù)據(jù)的向量進(jìn)行聚類，得出不同類別以及每個(gè)類別相對(duì)應(yīng)的質(zhì)心，一個(gè)類別代表一個(gè)子事件，假設(shè)事件通過(guò)SOM算法聚類分解出來(lái)的子事件都是獨(dú)立的，用H向量表示子事件的質(zhì)心。

第二階段聚類：使用余弦相似度［25］公式將只含有文本信息的向量分配到第一階段聚類所生成的類別中，即將向量分配到與子事件質(zhì)心H相似度最大的類別中，如公式（5）所示。

第四步，采用公式（5）對(duì)實(shí)時(shí)更新的數(shù)據(jù)進(jìn)行再分配。由于在社交媒體生成的數(shù)據(jù)公眾參與度極高，實(shí)時(shí)性非常強(qiáng)，能夠在第一時(shí)間反映突發(fā)事件的狀況和發(fā)展態(tài)勢(shì)。因此，每隔一段時(shí)間，就采用公式（5）將公眾實(shí)時(shí)更新的數(shù)據(jù)分配到相應(yīng)的類別中，算法的具體流程如圖1所示，其中虛線表示實(shí)時(shí)更新的數(shù)據(jù)再分配過(guò)程。

由于重大突發(fā)事件是一個(gè)龐大的系統(tǒng)，為了反映系統(tǒng)中區(qū)域的差異性，有必要進(jìn)行區(qū)劃，目前區(qū)劃方法多種多樣［26，27］。文中通過(guò)收集第一現(xiàn)場(chǎng)人（社會(huì)公眾）使用社交媒體發(fā)布的信息，采用基于公眾偏好大數(shù)據(jù)分析的兩階段聚類算法對(duì)突發(fā)事件進(jìn)行子事件劃分，獲得多個(gè)相互獨(dú)立的子事件。

圖1 基于公眾偏好大數(shù)據(jù)分析的兩階段聚類算法

1.3 子事件風(fēng)險(xiǎn)級(jí)別確定

現(xiàn)有的事件風(fēng)險(xiǎn)級(jí)別確定方法大多是根據(jù)事件所造成的影響和嚴(yán)重程度進(jìn)行事后評(píng)估，或者通過(guò)專家經(jīng)驗(yàn)給出［28～30］。考慮到突發(fā)事件的時(shí)間壓力大，本研究根據(jù)社交媒體上的大數(shù)據(jù)信息來(lái)確定事件風(fēng)險(xiǎn)級(jí)別，不對(duì)傳統(tǒng)的風(fēng)險(xiǎn)級(jí)別確定方法進(jìn)行探討和描述，僅與利用社交媒體數(shù)據(jù)來(lái)確定風(fēng)險(xiǎn)級(jí)別的研究進(jìn)行對(duì)比。Pohl D等［31］通過(guò)賦予公眾在社交媒體上發(fā)布信息的標(biāo)題、描述和標(biāo)簽不同的權(quán)重來(lái)確定不同信息的重要性，從而確定事件風(fēng)險(xiǎn)級(jí)別。Terpstra T等［5］利用網(wǎng)友在Pukkelpop事件中發(fā)布推特消息數(shù)量的多少來(lái)確定事件風(fēng)險(xiǎn)大小。姜艷萍等［32］對(duì)突發(fā)事件風(fēng)險(xiǎn)級(jí)別的確定是根據(jù)現(xiàn)場(chǎng)人員的初步描述主觀給出，具有非專業(yè)性和主觀性的不足。基于以上不足，本文提出特征項(xiàng)權(quán)重之和方法來(lái)獲得事件的客觀風(fēng)險(xiǎn)級(jí)別，并結(jié)合專家對(duì)事件的經(jīng)驗(yàn)判斷綜合得出事件的風(fēng)險(xiǎn)級(jí)別。

采用1.2中基于公眾偏好大數(shù)據(jù)分析的兩階段聚類算法對(duì)重大突發(fā)事件進(jìn)行分類，假設(shè)在t時(shí)刻，獲得的類別數(shù)量不再變化，共得到nt個(gè)獨(dú)立的子事件O＝｛O1，O2，…，Ont｝。以第u個(gè)子事件Ou為例，其風(fēng)險(xiǎn)級(jí)別確定步驟如下：

第一步，設(shè)在t時(shí)刻中第u個(gè)子事件Ou所含文本條數(shù)為，子事件Ou中第j條文本的特征項(xiàng)權(quán)重之和為，其中1≤u≤nt。第二步，對(duì)子事件Ou中全部文本中所含特征項(xiàng)權(quán)重進(jìn)行求和得：

第三步，由于子事件特征項(xiàng)權(quán)重之和越大，代表該子事件的風(fēng)險(xiǎn)也越大，因此用Wu′可客觀得出子事件Ou的風(fēng)險(xiǎn)級(jí)別大小。每個(gè)子事件所含文本的特征項(xiàng)權(quán)重之和分別為：W1′、W2′、…由公式（6）可得每個(gè)子事件的客觀風(fēng)險(xiǎn)級(jí)別大小為：S1＝（，…，），其中0≤、…、≤1。

第四步，應(yīng)對(duì)不同的重大突發(fā)事件，應(yīng)急決策專家需采用不同的風(fēng)險(xiǎn)評(píng)估方法，從而得出每個(gè)子事件的主觀風(fēng)險(xiǎn)級(jí)別。以本文研究的臺(tái)風(fēng)事件為例，專家采用綜合風(fēng)險(xiǎn)等級(jí)評(píng)估方法［33］，根據(jù)自己的主觀經(jīng)驗(yàn)判斷，對(duì)臺(tái)風(fēng)子事件中各個(gè)指標(biāo)的風(fēng)險(xiǎn)值進(jìn)行綜合評(píng)價(jià)，再加權(quán)平均得到不同指標(biāo)下不同子事件的風(fēng)險(xiǎn)值，然后采用距標(biāo)準(zhǔn)差賦值法對(duì)不同風(fēng)險(xiǎn)等級(jí)臺(tái)風(fēng)造成的各項(xiàng)指標(biāo)的風(fēng)險(xiǎn)進(jìn)行綜合［34］，最后參考李開(kāi)忠［27］的賦值標(biāo)準(zhǔn)得到各個(gè)指標(biāo)風(fēng)險(xiǎn)標(biāo)準(zhǔn)值，對(duì)其進(jìn)行求和歸一化處理后得到臺(tái)風(fēng)子事件的主觀風(fēng)險(xiǎn)級(jí)別：S2＝（）。

第五步，將以上第三步和第四步所得的風(fēng)險(xiǎn)級(jí)別進(jìn)行綜合，用S＝（S1，S2，…，Snt）表示綜合風(fēng)險(xiǎn)級(jí)別，則S＝λ1S1+λ2S2，其中λ1為客觀風(fēng)險(xiǎn)級(jí)別系數(shù)、λ2為主觀風(fēng)險(xiǎn)級(jí)別系數(shù)，其中0≤λ1、λ2≤1，且λ1+λ2＝1。λ1和λ2是由每個(gè)決策專家根據(jù)重大突發(fā)事件的發(fā)生情況，以專家對(duì)事件風(fēng)險(xiǎn)級(jí)別判斷的確定程度和需要公眾偏好大數(shù)據(jù)進(jìn)行輔助決策的程度給出的，然后取所有決策專家的平均值得出λ1和λ2。當(dāng)λ1＞0.5時(shí)（即客觀風(fēng)險(xiǎn)級(jí)別系數(shù)大于主觀風(fēng)險(xiǎn)級(jí)別系數(shù)），綜合風(fēng)險(xiǎn)級(jí)別以公眾偏好大數(shù)據(jù)信息得出的客觀風(fēng)險(xiǎn)級(jí)別為主，以專家經(jīng)驗(yàn)判斷得出的主觀風(fēng)險(xiǎn)級(jí)別為輔；當(dāng)λ2＞0.5時(shí)（即主觀風(fēng)險(xiǎn)級(jí)別系數(shù)大于客觀風(fēng)險(xiǎn)級(jí)別系數(shù)），綜合風(fēng)險(xiǎn)級(jí)別以專家經(jīng)驗(yàn)判斷得出的主觀風(fēng)險(xiǎn)級(jí)別為主，以公眾偏好大數(shù)據(jù)信息得出的客觀風(fēng)險(xiǎn)級(jí)別為輔。

1.4 子事件應(yīng)急決策方案動(dòng)態(tài)調(diào)整

由于應(yīng)急決策是根據(jù)突發(fā)事件的情景演變而進(jìn)行多階段不確定性決策的動(dòng)態(tài)過(guò)程，其需要解決的問(wèn)題通常是無(wú)序的和突變的，須根據(jù)事件現(xiàn)場(chǎng)情況進(jìn)行動(dòng)態(tài)調(diào)整［35］。

由1.3可得子事件的綜合風(fēng)險(xiǎn)級(jí)別為：S＝（S1，S2，…，Snt）。Su1和Su2分別表示子事件的第u1個(gè)風(fēng)險(xiǎn)級(jí)別和第u2個(gè)風(fēng)險(xiǎn)級(jí)別，當(dāng)u1＜u2時(shí)，Su1＜Su2。隨著子事件的演變，會(huì)出現(xiàn)新的風(fēng)險(xiǎn)級(jí)別與之對(duì)應(yīng)，設(shè)一共有m種不同的風(fēng)險(xiǎn)級(jí)別S1、S2、…、Sm和m種不同的應(yīng)對(duì)方案P1、P2、…、Pm，即每種風(fēng)險(xiǎn)級(jí)別都有應(yīng)急方案與之對(duì)應(yīng)。設(shè)t時(shí)刻應(yīng)急方案集合為：P＝｛P1，P2，…，Pnt｝（nt≤m），其中Pu是針對(duì)子事件風(fēng)險(xiǎn)級(jí)別為Su的應(yīng)急決策方案；C＝（c1，c2，…，cnt）表示應(yīng)急方案的啟動(dòng)成本向量，其中cu為方案Pu的啟動(dòng)成本，并且當(dāng)u1＜u2時(shí)，cu1＜cu2，除此之外，隨著子事件的演變，會(huì)出現(xiàn)新的風(fēng)險(xiǎn)，風(fēng)險(xiǎn)發(fā)生的概率以及造成的損失程度同樣會(huì)發(fā)生變化，為了更加科學(xué)合理的對(duì)t′時(shí)刻子事件的風(fēng)險(xiǎn)級(jí)別進(jìn)行確定，需要專家每隔Δt時(shí)間根據(jù)（t+Δt）時(shí)刻社會(huì)公眾（含現(xiàn)場(chǎng)救援人員）實(shí)時(shí)反饋的大數(shù)據(jù)信息給出子事件在t′時(shí)刻風(fēng)險(xiǎn)級(jí)別的概率，如果判斷正在執(zhí)行的應(yīng)急方案無(wú)法控制t′時(shí)刻子事件的情景，則需要調(diào)整應(yīng)急方案，否則不調(diào)整，突發(fā)事件風(fēng)險(xiǎn)級(jí)別的判斷情況如圖2所示。

圖2 t時(shí)刻和（t+Δt）時(shí)刻對(duì)t′時(shí)刻突發(fā)事件風(fēng)險(xiǎn)級(jí)別的判斷情況

虛線表示在t時(shí)刻專家根據(jù)最初的數(shù)據(jù)判斷子事件在t′時(shí)刻處于各風(fēng)險(xiǎn)級(jí)別的概率，實(shí)線表示（t+Δt）時(shí)刻專家根據(jù)實(shí)時(shí)更新的大數(shù)據(jù)信息判斷子事件在t′時(shí)刻處于各風(fēng)險(xiǎn)級(jí)別的概率。顯然（t+Δt）時(shí)刻對(duì)子事件在t′時(shí)刻的風(fēng)險(xiǎn)級(jí)別判斷比t時(shí)刻更加科學(xué)合理。

設(shè)F為專家根據(jù)（t+Δt）時(shí)刻更新的大數(shù)據(jù)信息給出各子事件在t′時(shí)刻的風(fēng)險(xiǎn)級(jí)別概率矩陣，其中nt+Δt為（t+Δt）時(shí)刻子事件數(shù)。

除了需要考慮每個(gè)方案的啟動(dòng)成本之外，還需要考慮應(yīng)急決策方案的調(diào)整成本，即已采取方案調(diào)整為新方案所需要的成本，用調(diào)整成本向量C′表示。調(diào)整成本向量的確定與已采取方案和新方案之間的相關(guān)性有關(guān)，而這種相關(guān)性的確定是看調(diào)整前后兩種方案中具體措施是否有相同的部分。如果有，則方案相關(guān)；反之，則方案不相關(guān)。子事件應(yīng)急方案之間的相關(guān)性體現(xiàn)了方案之間相互轉(zhuǎn)換的難易程度，因此對(duì)不同子事件進(jìn)行方案調(diào)整時(shí)，需要對(duì)不同時(shí)刻方案之間的相關(guān)性進(jìn)行分析，從而更準(zhǔn)確地給出應(yīng)急決策方案的調(diào)整成本，更科學(xué)合理的選擇調(diào)整方案。應(yīng)急決策專家給出每個(gè)子事件調(diào)整方案的成本向量，子事件Ou′（下文中對(duì)處置效果、應(yīng)對(duì)損失的描述均是以子事件Ou′為例）的調(diào)整方案成本向量為（ct′，1，ct′，2，…，ct′，m），其中ct′，z表示子事件Ou′在（t+Δt）時(shí)刻，將t時(shí)刻所采取的方案調(diào)整為Pz所需的調(diào)整成本。

1.4.1 子事件調(diào)整方案的處置效果

設(shè)Au′＝（）m×m為子事件Ou′在（t+Δt）時(shí)刻采取的不同調(diào)整方案應(yīng)對(duì)不同風(fēng)險(xiǎn)級(jí)別的處置效果矩陣。

當(dāng)z1≥z2時(shí)（即Sz1≥Sz2），az2z1＝1，表明調(diào)整方案Pz1能夠完全控制和應(yīng)對(duì)風(fēng)險(xiǎn)級(jí)別為Sz2的子事件并達(dá)到預(yù)期效果；

當(dāng)z1＜z2時(shí)（即Sz1＜Sz2）＜1，表明方案Pz1應(yīng)對(duì)風(fēng)險(xiǎn)級(jí)別為Sz2的子事件不能達(dá)到預(yù)期效果，且Sz1與Sz2相差越大就越小，表明方案Pz1對(duì)風(fēng)險(xiǎn)級(jí)別為Sz2的子事件處置效果越差；反之，Sz1與Sz2相差越小就越大，表明方案Pz1對(duì)風(fēng)險(xiǎn)級(jí)別為Sz2的子事件處置效果越好。

1.4.2 子事件調(diào)整方案的應(yīng)對(duì)損失

設(shè)Eu′＝（為子事件Ou′在（t+Δt）時(shí)刻采取的不同調(diào)整方案應(yīng)對(duì)不同風(fēng)險(xiǎn)級(jí)別的損失矩陣。

當(dāng)z1＝z2時(shí)（即Sz1＝Sz2），＝0；當(dāng)z1≠z2時(shí)（即Sz1≠Sz2），＞0。當(dāng)z1＞z2時(shí)（即Sz1＞Sz2），表示由于出動(dòng)了過(guò)多的救援力量，在人力、物力、財(cái)力等方面存在浪費(fèi)而導(dǎo)致的“過(guò)剩損失”，此時(shí)＝cz1+ct′，z1-cz2；當(dāng)z1＜z2時(shí)（即Sz1＜Sz2），則表示由于救援力量不足，拖延救援時(shí)間造成事故現(xiàn)場(chǎng)損失擴(kuò)大的“時(shí)間損失”，損失矩陣的值由專家根據(jù)以往相似事件主觀給出。

1.4.3 子事件決策方案的動(dòng)態(tài)調(diào)整

令w1、w2、w3分別表示子事件調(diào)整方案的處理效果、調(diào)整成本和應(yīng)對(duì)損失權(quán)重，0≤w1、w2、w3≤1，且w1+w2+w3＝1，使用應(yīng)急決策方法對(duì)（t+Δt）時(shí)刻的調(diào)整方案進(jìn)行評(píng)價(jià)，并選出期望值最大的調(diào)整方案。

首先將子事件Ou′在（t+Δt）時(shí)刻方案調(diào)整成本向量（ct′，1，ct′，2，…，ct′，m）進(jìn)行規(guī)范化，為了方便，還記為Cu′′＝（ct′，1’，ct′，2′，…，ct′，m′），將損失矩陣Eu′＝（規(guī)劃化為（，其中：

其 中maxct′，z′為 調(diào) 整 成 本 向 量Cu′中 的 最 大 值，mixct′，z′為調(diào)整成本向量Cu′中的最小值，max為損失矩陣Eu′中第z1行 中 的 最 大 值，為 損 失 矩 陣Eu′中第z1行中的最小值。采用極差標(biāo)準(zhǔn)化方法能夠直接將成本向量和損失矩陣這兩個(gè)負(fù)指標(biāo)規(guī)劃成正指標(biāo)。

設(shè)Yu′＝（為子事件Ou′在（t+Δt）時(shí)刻采取的不同調(diào)整方案應(yīng)對(duì)不同風(fēng)險(xiǎn)級(jí)別的綜合效率評(píng)價(jià)矩陣。

由風(fēng)險(xiǎn)級(jí)別概率矩陣F可知，（t+Δt）時(shí)刻判斷子事件Ou′在t′時(shí)刻的風(fēng)險(xiǎn)級(jí)別概率Fu＝。因此，（t+Δt）時(shí)刻調(diào)整方案Pz1的期望值為：

當(dāng)求 得Vu′，z*1≥Vu′，z1時(shí)，子 事 件Ou′的 最 佳 調(diào) 整方案為Pz*1，其中為定值且1≤≤m。同理，可求得其他子事件在（t+Δt）時(shí)刻的最佳調(diào)整方案，最后可得整個(gè)重大突發(fā)事件的調(diào)整總方案P*＝｛P1*，P2*，…，Pnt+Δ*t｝。

2 案例分析

以2016年9月15日發(fā)生在福建沿海一帶的超強(qiáng)臺(tái)風(fēng)“莫蘭蒂”為本研究的重大突發(fā)事件案例。凌晨3時(shí)05分，“莫蘭蒂”臺(tái)風(fēng)在廈門(mén)翔安登陸，中心附近最大風(fēng)力為15級(jí)，登陸點(diǎn)實(shí)測(cè)最大瞬間時(shí)風(fēng)力達(dá)17級(jí)，這是2016年以來(lái)的最強(qiáng)臺(tái)風(fēng)，也是1949年以來(lái)登陸閩南的最強(qiáng)臺(tái)風(fēng)。截止17日8時(shí)，臺(tái)風(fēng)導(dǎo)致福建、浙江兩省110個(gè)縣304.32萬(wàn)人受災(zāi)，因?yàn)?zāi)死亡28人、失蹤15人，農(nóng)作物受災(zāi)84.19千公頃，轉(zhuǎn)移群眾80.13萬(wàn)人，直接經(jīng)濟(jì)損失210.73億元。由于“莫蘭蒂”臺(tái)風(fēng)具有快速擴(kuò)散性、高破壞性和高時(shí)間壓力等特性，國(guó)家減災(zāi)委、民政部積極啟動(dòng)國(guó)家救災(zāi)應(yīng)急響應(yīng)系統(tǒng)，并開(kāi)始討論相應(yīng)的應(yīng)急方案選擇問(wèn)題。

第一步，采用關(guān)鍵詞累加權(quán)重方法確定數(shù)據(jù)挖掘的關(guān)鍵詞群，方法如下：

（1）為了全面了解臺(tái)風(fēng)的受災(zāi)情況，應(yīng)急決策部門(mén)在臺(tái)風(fēng)預(yù)警時(shí)成立了由9個(gè)代表性公眾組成的事件關(guān)鍵詞提取小組Ω＝｛h1，h2，…，h9｝，小組成員通過(guò)查詢歷史臺(tái)風(fēng)事件，共選取了18個(gè)關(guān)鍵詞作為14號(hào)強(qiáng)臺(tái)風(fēng)“莫蘭蒂”的搜索詞，分別為：臺(tái)風(fēng)、莫蘭蒂、14號(hào)、風(fēng)暴、強(qiáng)降雨、狂風(fēng)、暴雨、風(fēng)雨交加、颶風(fēng)、巨浪、海嘯、吹倒、淹沒(méi)、洪水、沖毀、海水倒灌、房屋倒塌、損壞，用A1、A2、…、A18表示。

（2）小組成員對(duì)這18個(gè)關(guān)鍵詞進(jìn)行重要性程度打分（0～10分），所得評(píng)分表如下表1所示。小組成員的權(quán)重由近一年他們?cè)谛吕宋⒉┧l(fā)布的具有影響力的原創(chuàng)消息數(shù)獲得。通過(guò)統(tǒng)計(jì)，9位小組成員近一年發(fā)布的點(diǎn)贊、評(píng)論、轉(zhuǎn)發(fā)都超過(guò)500的原創(chuàng)消息數(shù)為：B＝（124，108，386，158，349，148，326，243，98）。由公式（1）可得小組成員權(quán)重W＝（0.064，0.056，0.199，0.081，0.180，0.076，0.168，0.125，0.051）。

表1 公眾小組成員對(duì)關(guān)鍵詞重要性程度評(píng)分表

采用公式（2）得出綜合評(píng)價(jià)值gr，可得：G＝（9.743，8.673，8.255，7.729，7.396，7.222，6.788，5.498，5.202，4.976，4.219，4.008，3.743，3.611，3.384，3.331，3.094，2.897），由公式（3）可得：

因此，可以認(rèn)為使用“臺(tái)風(fēng)”、“狂風(fēng)”、“暴雨”、“莫蘭蒂”、“洪水”、“淹沒(méi)”、“沖毀”關(guān)鍵詞群進(jìn)行數(shù)據(jù)挖掘，能夠高效準(zhǔn)確獲得本研究所需數(shù)據(jù)量。

通過(guò)與長(zhǎng)沙愛(ài)杰信息科技有限公司合作，將關(guān)鍵詞群輸入到該公司自主研發(fā)的智能化（采集任務(wù)）作業(yè)分發(fā)表系統(tǒng)中，圍繞“臺(tái)風(fēng)”、“狂風(fēng)”、“暴雨”、“莫蘭蒂”、“洪水”、“淹沒(méi)”、“沖毀”這七個(gè)關(guān)鍵詞對(duì)2016年9月15日凌晨0點(diǎn)0分至2016年9月17日上午10點(diǎn)0分期間微博用戶所發(fā)布的信息進(jìn)行挖掘采集，并對(duì)所采集的245329條信息進(jìn)行分析得出整個(gè)事件演變趨勢(shì)，事件趨勢(shì)圖如圖3所示。

圖3 “莫蘭蒂”臺(tái)風(fēng)事件的趨勢(shì)圖

由圖3可知，整個(gè)事件的爆發(fā)點(diǎn)是2016年9月15日凌晨3點(diǎn)，原創(chuàng)類型的微博數(shù)較為突出，與事件真正發(fā)生的時(shí)間基本吻合，這也從另一方面說(shuō)明了新浪微博上的原創(chuàng)消息在重大突發(fā)事件發(fā)生時(shí)具有使用價(jià)值。

“莫蘭蒂”臺(tái)風(fēng)事件發(fā)生后，來(lái)自全國(guó)各地的微博用戶發(fā)布了與該事件相關(guān)的原創(chuàng)微博。對(duì)微博用戶的地理位置進(jìn)行分析，可以獲得微博用戶地理位置的分布情況，如圖4所示。

圖4 與“莫蘭蒂”臺(tái)風(fēng)事件相關(guān)的微博用戶地理位置分布

由圖4可知，90%以上與臺(tái)風(fēng)有關(guān)的信息都來(lái)自福建省，為了降低數(shù)據(jù)噪聲，往后分析以福建省為研究對(duì)象，僅對(duì)福建省內(nèi)社會(huì)公眾發(fā)布的原創(chuàng)微博進(jìn)行聚類分析，以獲得更精確的結(jié)果。

（3）以2016年9月15日凌晨3點(diǎn)為初始點(diǎn)，以小時(shí)為單位，令t＝1h，t′＝2h，采用基于公眾偏好大數(shù)據(jù)分析的兩階段聚類算法對(duì)微博數(shù)據(jù)進(jìn)行處理，得到第1h內(nèi)（9月15日凌晨3點(diǎn)至凌晨4點(diǎn)）臺(tái)風(fēng)子事件及其風(fēng)險(xiǎn)分布情況，因數(shù)據(jù)量較大，維度較高，將維度降至5000維后“莫蘭蒂”臺(tái)風(fēng)子事件及其風(fēng)險(xiǎn)分布情況如圖5所示。

圖5 “莫蘭蒂”臺(tái)風(fēng)1h內(nèi)臺(tái)風(fēng)子事件及其風(fēng)險(xiǎn)分布情況

同時(shí)，計(jì)算出1h內(nèi)每個(gè)子事件的質(zhì)心H，由于質(zhì)心有5000維，在此省略表示。由圖5可知，圖中共有4種不同的顏色區(qū)域，分別為紅色、橙色、黃色和藍(lán)色，受臺(tái)風(fēng)事件影響依次遞減，相應(yīng)的風(fēng)險(xiǎn)也依次遞減，不同顏色代表不同子事件，分布在福建省內(nèi)不同區(qū)域。

將圖5與福建省的地圖進(jìn)行對(duì)比分析，可以大致在地圖上標(biāo)注臺(tái)風(fēng)發(fā)生1h內(nèi)對(duì)福建省產(chǎn)生影響的區(qū)域分布情況，如圖6所示。

圖6 “莫蘭蒂”臺(tái)風(fēng)1h內(nèi)對(duì)福建省產(chǎn)生影響的區(qū)域分布情況

由圖6易知，廈門(mén)、泉州、莆田、福州等地受臺(tái)風(fēng)影響較其他地方嚴(yán)重。

第二步，確定臺(tái)風(fēng)子事件的風(fēng)險(xiǎn)級(jí)別。

（1）利用2.3中的方法可得S1＝（0.341，0.301，0.194，0.163）；依次代表圖5中紅、橙、黃、藍(lán)區(qū)域子事件的客觀風(fēng)險(xiǎn)級(jí)別。

（2）采用綜合風(fēng)險(xiǎn)等級(jí)評(píng)估方法［33］，對(duì)臺(tái)風(fēng)子事件中各個(gè)指標(biāo)的風(fēng)險(xiǎn)值進(jìn)行綜合評(píng)價(jià)，再對(duì)所有專家的評(píng)價(jià)值進(jìn)行加權(quán)平均計(jì)算，得到每個(gè)指標(biāo)下不同子事件的風(fēng)險(xiǎn)值，然后計(jì)算每個(gè)子事件不同等級(jí)臺(tái)風(fēng)各個(gè)指標(biāo)的標(biāo)準(zhǔn)差，如下式（11）所示。

上式中，σs′u為臺(tái)風(fēng)子事件Ou前一小時(shí)S′等級(jí)臺(tái)風(fēng)各個(gè)指標(biāo)風(fēng)險(xiǎn)值的標(biāo)準(zhǔn)差，xs′u為臺(tái)風(fēng)子事件Ou在S′等級(jí)臺(tái)風(fēng)各個(gè)指標(biāo)的風(fēng)險(xiǎn)值，ˉxs′為S′等級(jí)臺(tái)風(fēng)各個(gè)指標(biāo)風(fēng)險(xiǎn)的平均值，n1為1h內(nèi)的子事件數(shù)。

計(jì)算子事件風(fēng)險(xiǎn)值距標(biāo)準(zhǔn)差的倍數(shù)：

上式中，ηs′u為第u個(gè)子事件S′等級(jí)臺(tái)風(fēng)各個(gè)指標(biāo)的風(fēng)險(xiǎn)值距標(biāo)準(zhǔn)差的差值。為了給不同強(qiáng)度等級(jí)臺(tái)風(fēng)子事件的標(biāo)準(zhǔn)差進(jìn)行賦值，參考李開(kāi)忠［27］的賦值標(biāo)準(zhǔn)，如表2所示。

表2 不同強(qiáng)度臺(tái)風(fēng)風(fēng)險(xiǎn)等級(jí)劃分

由第一步可知，在臺(tái)風(fēng)災(zāi)害發(fā)生1h后，福建省所受臺(tái)風(fēng)影響可劃分成4個(gè)不同的區(qū)域，通過(guò)各地氣象局監(jiān)測(cè)得到的臺(tái)風(fēng)強(qiáng)度大小，并結(jié)合專家經(jīng)驗(yàn)給出在8種不同指標(biāo)下（農(nóng)作物受災(zāi)面積、農(nóng)作物絕收面積、受災(zāi)人口、死亡人口、受傷人口、緊急安置人口、倒塌房屋、直接經(jīng)濟(jì)損失）臺(tái)風(fēng)子事件可能的風(fēng)險(xiǎn)值，采用公式（11）、（12）計(jì)算得出每個(gè)臺(tái)風(fēng)子事件在8種指標(biāo)下的風(fēng)險(xiǎn)等級(jí)，并對(duì)照表2中的賦值標(biāo)準(zhǔn)，將4個(gè)子事件的各個(gè)指標(biāo)風(fēng)險(xiǎn)標(biāo)準(zhǔn)值進(jìn)行求和歸一化可得：S2＝（0.4，0.3，0.2，0.1）。

（3）最后，采用公式S＝λ1S1+λ2S2對(duì)風(fēng)險(xiǎn)級(jí)別進(jìn)行綜合，取所有專家的客觀風(fēng)險(xiǎn)級(jí)別系數(shù)平均值λ1＝0.3、主觀風(fēng)險(xiǎn)級(jí)別系數(shù)平均值λ2＝0.7，得出綜合風(fēng)險(xiǎn)級(jí)別為：S＝（0.382，0.300，0.198，0.119）。

第三步，對(duì)子事件的應(yīng)急決策方案進(jìn)行動(dòng)態(tài)調(diào)整。

（1）由于臺(tái)風(fēng)應(yīng)急響應(yīng)從高到低依次分為Ⅰ、Ⅱ、Ⅲ、Ⅳ四級(jí)，并且每個(gè)臺(tái)風(fēng)子事件根據(jù)其風(fēng)險(xiǎn)級(jí)別都有相應(yīng)的方案與之對(duì)應(yīng)，因此與紅、橙、黃、藍(lán)區(qū)域的子事件相對(duì)應(yīng)的應(yīng)急方案分別為P1、P2、P3、P4。

應(yīng)急決策專家根據(jù)（1h+Δt）時(shí)刻社會(huì)公眾（含現(xiàn)場(chǎng)救援人員）實(shí)時(shí)反饋的大數(shù)據(jù)信息給出臺(tái)風(fēng)子事件在第2h時(shí)刻風(fēng)險(xiǎn)級(jí)別的概率矩陣F，其中Δt∈（0，1h）。

考慮第2h時(shí)刻臺(tái)風(fēng)子事件調(diào)整方案之間的相關(guān)性，即方案之間調(diào)整的難易程度，以紅色區(qū)域（子事件O1）為例，專家給出其調(diào)整向量成本向量（0，0.3，0.6，0.8）。

最后，應(yīng)急決策專家給出每個(gè)子事件調(diào)整方案的處置效果、調(diào)整成本以及應(yīng)對(duì)損失這三個(gè)因素的決策權(quán)重分別為：w1＝0.55、w2＝0.20、w3＝0.25。首先對(duì)紅色區(qū)域（子事件O1）給出相應(yīng)的應(yīng)急決策方案動(dòng)態(tài)調(diào)整過(guò)程，子事件O1的處置效果矩陣和損失矩陣分別為：

采用公式（7）和（8）將調(diào)整成本向量C1′＝（0，0.3，0.6，0.8），規(guī)范化為C1′＝（1，0.625，0.25，0），將損失矩陣E1規(guī)范化為E1′可得：

采用公式（9）計(jì)算可得子事件O1的綜合效率評(píng)價(jià)矩陣Y1為：

由風(fēng)險(xiǎn)級(jí)別概率矩陣F可知F1＝（0.5，0.3，0.15，0.05），采用公式（10）可得臺(tái)風(fēng)子事件O1在第2h時(shí)刻的調(diào)整方案Pz1的期望向量V1，z1＝（0.772，0.795，0.709，0.578）。由V1，z1易 知，在 第2h時(shí)刻臺(tái)風(fēng)子事件O1的調(diào)整方案為P2，即Pz*1＝P2。

同理，采用公式（9）可得臺(tái)風(fēng)子事件O2、O3、O4的綜合效率評(píng)價(jià)矩陣Y2、Y3、Y4分別為：

由風(fēng)險(xiǎn)級(jí)別概率矩陣F可知F2＝（0.3，0.4，0.2，0.1）、F3＝（0.1，0.3，0.45，0.15）、F4＝（0.05，0.25，0.5，0.2）。

采用公式（10）計(jì)算可得臺(tái)風(fēng)子事件O2、O3、O4在第2h時(shí)刻調(diào)整方案的期望向量分別為：V2，z2＝（0.571，0.834，0.786，0.590）、V3，z3＝（0.307，0587，0.892，0.750）、V4，z4＝（0.254，0.508，0.815，0.850），即Pz*2＝P2、Pz*3＝P3、Pz*4＝P2。

最后可得整個(gè)重大突發(fā)事件在第2h時(shí)刻的最佳調(diào)整總方案P*＝｛P2，P2，P3，P4｝，即除了子事件O1需要在第2h時(shí)刻將方案調(diào)整為P2外，其它子事件的方案不需再調(diào)整，可使得總體方案執(zhí)行效果達(dá)到最佳，對(duì)臺(tái)風(fēng)事件的控制效果最好。

為了驗(yàn)證第2h時(shí)刻所采取調(diào)整方案的科學(xué)性，假設(shè)子事件數(shù)量不再變化，采用1.2中的聚類算法對(duì)數(shù)據(jù)進(jìn)行更新處理，得到“莫蘭蒂”臺(tái)風(fēng)在2h內(nèi)各子事件及其風(fēng)險(xiǎn)分布情況，如圖7所示。

圖7 “莫蘭蒂”臺(tái)風(fēng)2h內(nèi)各子事件及其風(fēng)險(xiǎn)分布情況

由圖7可知，紅色區(qū)域（新子事件O1）在向上方移動(dòng)，原子事件O1區(qū)域的風(fēng)險(xiǎn)級(jí)別開(kāi)始降低，因此需要將以前的方案P1調(diào)整為P2，從而使應(yīng)對(duì)整個(gè)事件的效果達(dá)到最佳。新的子事件O1開(kāi)始向北方（浙江地區(qū)）移動(dòng)且由于紅色區(qū)域在變少，風(fēng)險(xiǎn)級(jí)別也在降低。也就是說(shuō)，“莫蘭蒂”臺(tái)風(fēng)在廈門(mén)翔安登陸，然后再慢慢向北方移動(dòng)，同時(shí)每個(gè)子事件的風(fēng)險(xiǎn)級(jí)別也在變化。由此可見(jiàn)，對(duì)公眾在微博等社交媒體上發(fā)布的實(shí)時(shí)消息數(shù)據(jù)進(jìn)行聚類分析，可以實(shí)時(shí)準(zhǔn)確的獲得福建省內(nèi)受臺(tái)風(fēng)影響的區(qū)域分布情況以及每個(gè)區(qū)域的風(fēng)險(xiǎn)大小，從而輔助應(yīng)急決策專家采取有針對(duì)性的應(yīng)對(duì)措施。

3 結(jié)論

本文針對(duì)在重大突發(fā)事件應(yīng)急過(guò)程中如何根據(jù)與事件相關(guān)的公眾偏好大數(shù)據(jù)信息來(lái)對(duì)事件進(jìn)行劃分以及確定事件風(fēng)險(xiǎn)級(jí)別等問(wèn)題，提出了一種基于公眾偏好大數(shù)據(jù)分析的兩階段聚類算法。運(yùn)用該算法將一個(gè)復(fù)雜多變的事件劃分成多個(gè)相互獨(dú)立的子事件，并得出每個(gè)子事件的客觀風(fēng)險(xiǎn)級(jí)別，再結(jié)合專家根據(jù)實(shí)時(shí)更新的大數(shù)據(jù)信息做出的經(jīng)驗(yàn)判斷，綜合得出每個(gè)子事件的風(fēng)險(xiǎn)級(jí)別。除此之外，在其他學(xué)者研究的基礎(chǔ)上，給出了子事件應(yīng)急方案的動(dòng)態(tài)調(diào)整方法，分析了動(dòng)態(tài)方案調(diào)整的整個(gè)過(guò)程，擴(kuò)展了動(dòng)態(tài)調(diào)整方案的適用性。最后，以重大突發(fā)事件“莫蘭蒂”臺(tái)風(fēng)為實(shí)際應(yīng)用背景，通過(guò)對(duì)臺(tái)風(fēng)事件現(xiàn)場(chǎng)的社會(huì)公眾在微博上發(fā)布的原創(chuàng)消息進(jìn)行聚類分析，將復(fù)雜的臺(tái)風(fēng)事件劃分成4個(gè)相互獨(dú)立分布的臺(tái)風(fēng)子事件，并對(duì)相應(yīng)的應(yīng)急決策方案動(dòng)態(tài)調(diào)整進(jìn)行了深入的研究，給出了相應(yīng)的調(diào)整結(jié)果。用“莫蘭蒂”臺(tái)風(fēng)案例說(shuō)明了公眾偏好大數(shù)據(jù)信息對(duì)識(shí)別重大突發(fā)事件的子事件具有重大意義。同時(shí)，這些信息也能夠輔助決策專家采取有針對(duì)性的應(yīng)對(duì)方案，對(duì)決策結(jié)果產(chǎn)生深遠(yuǎn)影響。使用文中的聚類算法得出福建省受臺(tái)風(fēng)影響區(qū)域的分布情況與氣象局事后評(píng)估分析所得出的結(jié)果具有一致性，也驗(yàn)證了方法的適用性。此外，本文提出的基于公眾偏好大數(shù)據(jù)分析的兩階段聚類算法所適用的重大突發(fā)事件，主要是那些影響范圍大、受公眾關(guān)注強(qiáng)烈且生成了大量社交媒體信息或?qū)＜覠o(wú)法僅憑自己的主觀經(jīng)驗(yàn)判斷而需要公眾信息輔助判斷的重大突發(fā)事件。

文中也存在一些不足之處，比如對(duì)子事件主觀風(fēng)險(xiǎn)級(jí)別系數(shù)和客觀風(fēng)險(xiǎn)級(jí)別系數(shù)的確定比較主觀，沒(méi)有考慮事件分解成子事件后它們之間的相互聯(lián)系，而假定子事件之間是獨(dú)立的；其次，基于大數(shù)據(jù)的決策分析也存在局限性，大量的數(shù)據(jù)雖然能夠檢測(cè)知識(shí)的關(guān)聯(lián)性，但它卻無(wú)法告訴決策者哪種相關(guān)性是有意義的，它無(wú)法解析事物的本質(zhì)因果關(guān)系；除此之外，數(shù)據(jù)噪聲的大小和公眾參與人數(shù)的多少會(huì)影響子事件的客觀風(fēng)險(xiǎn)級(jí)別的確定，從而影響最終的方案調(diào)整。以上不足之處是今后進(jìn)一步研究的方向。