基于DBSCAN聚類的城市區域火災風險計算方法*
——以深圳市鹽田區為例

王倩倩，孟繁宇，2，曾益萍，張少標，吳國華，楊麗麗

(1.南方科技大學 統計與數據科學系,廣東 深圳 518055； 2.南方科技大學 前沿與交叉科學研究院,廣東 深圳 518055;3.深圳市城市公共安全技術研究院,廣東 深圳 518055)

0 引言

城市火災風險評估一直是政府和民眾關心的問題，如何對火災事故風險進行分析并量化，是目前我國相關學者正在研究的重要課題。國內外學者對城市區域火災風險評估進行一系列的研究：張一先等[1]采用指數法對蘇州古城區的火災危險性進行分級；魯鈺雯等[2]通過ArcGIS軟件對廈門市火災風險進行評估；馬礪等[3]采用主成分分析法對火災成因進行分析和量化；李犇[4]在辨識研究區域火災危險源的基礎上，篩選出相應的火災風險評估指標，進行火災風險評估；賈進章等[5]采用突變理論與模糊數學相結合的評價方法求得火災危險性評價結果；劉紀華[6]提出基于FTA，ETA的綜合分析；王元鵬等[7]引用“社群”相關概念和算法，建立火災社區之間拓撲關系的分析模型。 文獻[1-7]雖然可以快速地對火災風險進行評估，但存在過度依賴專業的判斷和過去的經驗的問題，基于數據運用聚類算法建立風險評估模型的研究較為少見。因此，本文在前人研究的基礎上，基于數據思想運用DBSCAN聚類算法，并結合層次分析法構建火災風險評估的驗證模型，同時加入火災原因因子通過線性變換進行量化，綜合得出風險評估結果。

1 研究方法及數據來源

1.1 研究方法

1.1.1 DBSCAN聚類算法

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是1種經典的基于密度空間的聚類方法[8]，其將簇定義為密度相連的點的最大集合，能夠把足夠密度的區域劃分為簇，并可以在含有噪點的空間中發現任意形狀的簇。

本文使用該算法識別深圳市鹽田區火災事故的空間聚集特征，通過多次改變參數值進行多次迭代最終得到最優聚類效果。在運用DBSCAN算法進行聚類時，需要計算2點之間的距離，使用haversine方法計算2個經緯度之間的距離，最后運用DBSCAN算法進行聚類。其中haversine計算公式如式(1)所示：

(1)

式中：haversine為半正矢函數；d為所求距離，km；R為地球半徑，km；φ1,φ2為2點的緯度，(°)；Δλ為2點經度的差值，(°)。

1.1.2 層次分析法

層次分析法[9,14]將決策過程中的信息采用定性與定量相結合的方式進行優化處理。

AHP具體步驟如下：

1)建立系統的層次結構模型

按照因素間的相互關系影響以及隸屬關系，將因素聚集為不同層次，本文將建立3層結構模型。DBSCAN算法對火災事故的地理位置聚類產生的結果集內的中心點作為第1層數據；火災事故場景構成層次結構模型的第2層數據；火災事故原因作為層次結構模型的第3層數據。

2)構造判斷矩陣

層次分析結構模型確立后，問題將轉化為層次中各因素和上層因素相對重要性的排序問題。本文將采用1～9及其倒數的標度方法[9]對每1層的權重進行賦值，構造判斷矩陣。若A層元素中ak與下1層中B1,B2,…,Bn有聯系，則判斷矩陣見表1。其中aii=1,aji=1/aij(i,j=1,2,…,n)。

表1 判斷矩陣Table 1 Judgment matrix

3)計算判斷矩陣的最大特征根和特征向量

②計算最大特征值λmax，如式(2)所示：

(2)

式中：λmax為最大特征值；(BW)i為BW的第i個分量；BW為特征向量。

1.1.3 區域火災綜合風險值計算

1)線性變換

為減小所得數據的差異敏感度，對數據進行線性變換，此處采用底數為2的對數對其轉化，計算第3層風險值。線性變換及風險值計算公式分別如式(3)～(4)所示：

(3)

(4)

式中：ri為所需要轉化的數據ai通過對數轉化后的數值；a和b為線性變換上下限，a=50，b=100；RL3為第3層風險值。

2)綜合風險值計算

由1.1.2節計算得知分類后第1，2層的權重以及第3層的風險值，對于聚類算法產生的每個區域的火災風險值，可通過每層的數據及其風險權重計算得到。應用線性加權方法確定火災風險的模型計算如式(5)～(7)所示：

(5)

(6)

(7)

1.2 數據來源

本文研究的案例為深圳市鹽田區2011—2019年的火災事故數據，字段主要有火災發生時間、地點、火災發生原因。通過數據分析，探究在不同火災事故場景下火災發生起數隨時間、空間以及火災類型之間的關系，確定所需要的模型變量；刪除冗雜數據，剩余火災427起。

將火災事故地點按照《關于城市消防管理工作的規定》[10-11]對消防安全重點單位實施分級管理和劃分，并結合對數據的認識及需要將場所的管轄范圍分為10類。賓館、飯館、旅店、招待所、咖啡館、酒吧等娛樂場所為第1類P1；室內、室外農貿市場、商場，三合一、多合一場所為第2類P2；候車(機、船)室、公共交通工具為第3類P3；體育場(館)、游泳場(館)、公園、醫院、博物館、美術館、動物園、圖書館、書店、報刊亭為第4類P4；住宅、職工宿舍、學生宿舍為第5類P5；辦公場所，公司為第6類P6；工廠、拆遷工地、建筑工地、建筑施工場所、倉庫為第7類P7；變壓器、露天框架為第8類P8；花卉、林木(含果園)、垃圾及廢棄物、苗圃、農田、養殖場為第9類P9；其他、誤報為第10類P10。

2 深圳市鹽田區火災風險計算與分析

2.1 研究步驟

為篩選出合適變量進入模型，本文將深圳市鹽田區火災事故數據進行清洗與分析，分析中發現火災事故發生場所與眾多因素關聯性很強，因此分別探究在不同場景下火災發生起數隨時間(年份、月份、小時、周末)、空間和火災原因的分布特性，最終確定地理位置、火災事故場所及事故原因3個指標來計算城市區域火災風險值。研究步驟如圖1所示。

2.2 區域火災風險的聚類模型

DBSCAN聚類算法

本文經過數次迭代調換參數，最終確定Eps值為0.5，MmPts值為10，聚類結果為4類，分別標記為A，B，C，D類，聚類結果圖如圖2所示。

將每類數據匯總，計算標準偏差，觀察每1類內部數據的波動性大小，具體見表2。

由圖2及表2可知，對算法聚類產生的每1類的數據計算標準偏差，值接近于0，說明每1簇內部的點比較集中，波動較小，結果表明參數值選取的相對合理。

圖2 DBSCAN聚類結果Fig.2 DBSCAN clustering results

表2 DBSCAN算法聚類結果匯總Table 2 Summary of DBSCAN algorithm clustering results

2.3 層次分析模型構建及驗證

2.3.1 分類方法的分層劃分

根據聚類結果構建層次分析法的第1層數據，由于每類的數量反映火災的發生起數，即數值越大則在此區域發生的火災越多，反之則越少。因此根據每類的發生起數作為指標值的參考值構造判斷矩陣，見表3。

表3 第1層判斷矩陣數據表示及計算Table 3 Data representation and calculation of first-level judgment matrix

第2層數據由火災事故場景構成。根據各類場所的性質、功能類型及相關文獻[12-13]，得到每類場所的指標值排序：P6

基于第1層數據構造第2層數據的判斷矩陣，每類包含的場所不同，因此構造判斷矩陣不同，利用1.1.2節的計算方法，得到各項指標的權重、最大特征值及隨機一致性比例。由于篇幅有限，本文將以A區域為例進行展示每層的判斷矩陣計算值，見表4。

第3層數據是由火災事故原因構成，根據不同類型火災發生起數[3]作為指標的參考值，由1.1.3中方法計算得到第3層風險值，風險矩陣見表5。

表4 第2層A類區域判斷矩陣數據表示及計算Table 4 Data representation and calculation of second-level judgment matrix for area A

表5 第3層A類區域風險矩陣判斷矩陣數據表示及計算Table 5 Data representation and calculation of third-level judgment matrix for area A

2.3.2 區域火災綜合風險值計算

通過1.1.3方法對模型計算，得到每個區域的火災風險值，以區域A為例，見表6。

根據區域火災實際防控設定量化范圍[50，100]及風險分為4級[14-15]，見表7。

表6 區域A風險值計算Table 6 Calculation of risk value for area A

表7 火災風險等級量化Table 7 Quantification of fire risk levels

2.4 結果分析

將各區域風險計算結果匯總，見表8。4類區域地理分布如圖3所示。

表8 區域風險值匯總Table 8 Summary of regional risk values

圖3 模型結果區域分布Fig.3 Regional distribution of model results

聚類區域結果討論：

1)A類區域中住宅類最多，占比39.3%，其次為垃圾廢棄物、花卉類，占比25.2%。起火原因類型中電氣火災占比最高達33.1%，間接驗證了基于聚類并結合場所、原因對火災風險計算得到的區域風險值的合理性。因此，在針對此區域的消防安全中，應加強社區安全消防的宣傳，定期組織疏散滅火演習，及時發現和整改火災隱患，降低區域火災風險。

2)B類區域位于高速交叉處，地形復雜，為事故多發地，且周圍工業園區較多，一旦發生火災，造成的影響將會很大。在B區域中交通類型火災占比較大，為24.04%，垃圾廢棄物類占比為12.57%。由第3部分的計算得到B類區域風險最高，達96.25。建議B區域對廠房、倉庫，要逐一簽訂防火安全責任書，嚴查嚴管，防患未然。

3)C類區域毗鄰梧桐山，有部分居民區，地點較為偏僻，在2011—2019年間共發生22起火災，其中住宅類火災為15起，火災原因多為電氣火災，為火災事故低風險區，建議及時更換老舊設施，排查隱患，提高用火安全意識。

4)D類區域位于大梅沙景區，周圍酒店居多，有部分小區和學校。其中住宅類和交通類火災較多，合計達50%，火災原因多為電氣火災，占比38.9%。建議D類區域嚴格按照消防安全規定合理設置消防設施，提高酒店住宿的防火等級。

3 結論

1)基于DBSCAN聚類算法計算城市區域火災風險，聚類結果產生4類，由于各區域功能不同及地理位置不同，區域火災風險值有明顯差異。

2)通過結合層次分析法進行驗證，模型計算出的4個區域結果與實際火災情況具有一致性，結果表明B區域的消防安全狀況相對于鹽田區其他區域風險較高，C區域火災風險較低，消防安全系數較高。

3)本文區域火災風險值計算的嘗試，可為開展城市區域火災風險評估提供參考和借鑒。