災難醫學動態救援推演模型與實例應用

周 丹， 劉中民

（1.同濟大學 附屬東方醫院，上海 200120；2.同濟大學 醫學院，上海 200092；3.同濟大學 災難醫學工程研究院，上海 200120）

1 引言

“汶川地震”“昆山爆炸”“昆明暴恐”“新冠肺炎疫情”等各類災難事件嚴重影響著人類的生存發展，同時給災難現場的醫學救援和應急管理帶來極大挑戰。災難事件具有突發性、復雜性、破壞性和不確定性，在發展過程中往往伴隨著轉化、蔓延、衍生、耦合等多種演化模式［1，2］，并在同醫學救援活動的交互中交叉、替換、疊加、擴大，構成極其復雜的動態發展路徑。

機理分析是災難醫學救援工作開展的基礎，對事件的演化過程進行觀察、總結和抽象，以揭示事件的原則性、原理性、流程性、操作性機理特征與具體表現形式［1］。災難不同的演化態勢需要有針對性地施以救援手段；而不同的醫學救援策略也會導致災難不同的演化結果。目前，對于災難演化機理的研究集中在輿情分析、情境構建、風險評估、應對策略等方向。比如，葉瓊元等［3］面向突發公共衛生事件，開展了網絡輿情風險演化機理研究。常丹等［4］以北京市為例，進行了超大城市社會安全類突發事件情景演化及仿真研究。此外劉德海［5］展開了政府不同應急管理模式下群體性災難的演化分析。而Chen等［6］以非常規災難案例為對象，探討了災難在處置預案、決策主體、預警級別等策略因素影響下，“原事件”演化為“子事件”的預測模型。

歷史案例是救援策略的寶貴經驗來源，有諸多學者以案例為突破口深入災難救援研究。早期Montopoli等［7］研究了Grand Teton National Park園區內609起偏僻地帶的典型事故，對景區風險的識別和事故預防有重要借鑒意義。Albertssona等［8］通過瑞典發生的128起客車撞車事故，分析安全帶的損傷結果及交通機制的可能影響。Cherry等［9］分析了2000—2015年間執法部門關于黃石公園野牛襲人的敘述性案件記錄，評估導致傷害的高風險行為。近來，Zhang和Li［10］論述了梅蘭蒂臺風襲擊廈門時的應急工作實例，而案例研究也更為多見地被應用于中國PPP項目的風險分析當中［11，12］。

災難醫學救援不是單一行為，而是具有連續性的一系列行為，其研究范疇涵蓋了救援個體的行為分析、基于情景的決策流程和基于態勢預測的決策模型構建等諸多方面。目前，針對災難救援的研究主要集中在緊急狀態下的救援個體心理、行為和教育培訓，救援決策和效率優化，以及無人機、機器人等人工智能的工程技術研發方面。緊急狀態下，個體風險感知偏差以及所導致的群體行為，是影響災難救援決策、發展演化的重要因素［13-15］；而災難醫學教育的發展及培訓方案的設計對于緊急狀態下的救援工作尤為關鍵［16，17］。此外，“情景”是災難發生發展的態勢，是救援開展的前提并突出了過程動態性特征，這使得“情景—應對”型應急管理模式逐步成為優化災難醫學救援的重要方法［18，19］。

已有研究成果為本文提供了啟發思路和理論基礎，災難醫學救援仍然停留在被動處置應對的操作層面，針對于災難醫學救援的機理分析方法和推演預測模型尚為空白。基于此，本文創新地從歷史案例當中探究災難事件的演化機理，對演化路徑和發生概率進行定性和定量描述。充分運用已有案例的數據信息，創新災難醫學救援方法，試圖將災難醫學特征與應急管理方法論相結合，探究災難事件動態演化規律。從而實現在處置應對災難事件的過程中，建立合理的演化分析框架和推演預測模型的研究目標。該研究在理論上，創新地提出了災難醫學救援機理分析方法，并構建災難救援推演預測模型。在應用中，對于科學開展醫學救援具有重要意義，并能夠為災難預警和應急處置提供切實參考。

基于此，本文對1990—2022年全球40個特大城市中實際發生的110個災難事件的演化路徑進行總結，提煉分析各案例全生命周期的演化規律，從而在歷史案例當中探究災難事件的演化機理。創新地將決策實驗室分析法與知識元理論相結合，構建針對于災難案例分析的情景要素表達模型，并將貝葉斯網絡模型應用于特定災難事件的臨場情境推演，形成災難醫學救援動態推演模型，從而建立合理的演化分析框架和推演預測模型，創新災難醫學救援理論方法。最后，將“8.12天津濱海新區爆炸事件”作為實例，對模型應用的合理性加以驗證，構建形成可推廣應用的災難醫學動態救援推演模型，從而通過創新管理思路和理論方法提升災難醫學的救援水平。

2 數據來源及處理

首先，通過查找互聯網咨詢平臺、國際報刊、新聞媒體報道及相關事故報告，獲取全球自1990—2020年的大量災難事件信息，包括自然災害、事故災難、公共衛生事件和社會安全事件。依據中國城市突發事件分類體系［20］及事件機理過程，篩選出符合演化特征的案例樣本。其中中國境內樣本68個，世界范圍的其他國家樣本42個。

接著，挖掘、還原、記錄各案例自發生、演化至終結的全過程，并進一步分析其中“原事件-子事件”的演化機理，識別其中的影響因素和作用結果，著重刻畫事件的本質規律，生成特大城市非歷史災難事件案例文本集。

最后，對能夠全面描述案例演化過程的關鍵信息進行識別和提取，包括：事件類型、發生時間、持續時間、處置主體、相關預案、物資調用情況、子事件演化類型、影響損失程度等。依據突發事件機理分析理論，梳理出機理分析所需要的關鍵信息，構建演化驅動因素分析數據庫，形成案例樣本。

3 研究方法及步驟

3.1 演化驅動要素識別模型

突發事件演化影響因素的復雜性決定了其演化模式的多樣性，探究突發事件演化的驅動因素是準確把握其演化規律的關鍵所在。基于突發事件演變的不確定性特征，分析該類事件情景演化的驅動要素及方式。把握影響突發事件演化的因素，以合理控制事態演化。

決策實驗室分析方法（decision-making trial and evalution laboratory，DEMATEL）是一種用于分析復雜系統因素的算法，能夠通過直觀的圖表來驗證、反映變量之間的相互依存關系［21-25］。

在已有數據的基礎上，匯聚專家意見，用案例總數的70%（77個）用于開放性譯碼，剩余30%（33個）的案例用于飽和度檢驗，以避免驅動因素的選取存在疏漏。通過對77個典型案例演化信息的開放性譯碼，得到7個一級范疇，20個二級范疇。設計5級量表表示因素對事件演化的驅動力水平（0～4級驅動力水平依次增強），向專家發放問卷，綜合打分結果并對照剩余的33個檢驗案例的演化過程信息，最終剔除冗雜因素確認保留7個主要驅動因素：事件類型、發生時間、持續時間、危急程度、方案舉措、處置主體、傷亡損失情況［26］。這一結果綜合分析了110個歷史案例所得，7個驅動因素同樣適用于梳理概括其他災難事件。

運用DEMATEL模型識別確定災難醫學救援情景演化的主要影響因素。通過提煉110個突發事件案例樣本的關鍵信息，確定對突發事件各階段起作用的應急管理構成要素，設為a1，a2，…，an。

（1）運用德爾菲法考察驅動事件演化的主要因素，使用李克特5級量表，對專家打分進行加總計分以得出不同因素間的影響程度，確定因素間的直接影響矩陣A。構建n階矩陣A＝（Aaiaj）n×n表示兩兩因素間的直接影響關系，其中Aaiaj表示ai對aj的影響程度。

圖1 直接關系矩陣

（2）規范化直接關系矩陣A，經公式（1）和公式（2）計算，得到矩陣B。

圖2 規范化的直接關系矩陣

（3）在規范化的直接關系矩陣B的基礎上，計算驅動因素間的綜合影響矩陣C。當n充分大時，以B（1-B）-1近似計算C，得到綜合影響矩陣（表1）。

表1 調整后的綜合影響矩陣

（4）計算各驅動因素的影響度和被影響度。對矩陣C中元素按行相加得到對應因素的影響度，即各行對應因素對所有其他因素的綜合影響值D。對矩陣C中元素按列相加得到相應因素的被影響度，即各列對應因素受到其他因素的綜合影響值R。進一步分析演化驅動因素之間的綜合影響關系，計算各因素的影響度D和被影響度R以及中心度D＋R和原因度D-R（表2）。依據計算所得的原因度和中心度結果，最終構造災難演化驅動因素因果關系圖（圖3）。

表2 驅動因素間的影響關系

圖3 演化驅動因素因果關系

由圖3可知，E1、E7、E2為原因因素，對因素E6、E5、E4、E3產生較大影響。可以說，E1、E7、E2是事件演化的根本因素，而E6、E5、E4、E3受以上因素的影響，是驅動事件演化的直接因素（見表3）。中心度的數值說明了驅動因素的影響效果，從中心度來看，各因素對非常規突發事件演化的驅動力大小排序為：E5、E4、E6、E3、E7、E1、E2。

表3 突發事件演化驅動因素

經模型運算所得出，對驅動事件演化的要素，影響作用從大到小依次為：處置主體、危急程度、方案舉措、持續時間、傷亡損失、事件類型、發生時間。與此同時，災難醫學救援與事件演化態勢之間存在前因后果的互動反饋關系。災難現場的處置措施、應對能力水平以及救援執行效果是驅動事件演化的重要因素。從而析出直接因素同時也是驅動力較強的因素作為情景信息構成要素分別為：災難環境狀況的危急程度，作為處置主體的醫護及救援人員的行為效能，救援方案措施的操作性以及醫療設備水平，還有受各要素影響下的災難發展過程，表現為災難耗時或者說救援用時。

3.2 情景要素表達模型

在對災難案例進行機理分析、驅動因素識別的基礎上，確定了情景要素對象的關鍵屬性，在此基礎上運用共性知識元結構模型進行情景要素表達［27，28］。

根據DEMATEL模型分析，災難事件演化情景要素可以采用危急程度、方案舉措、處置主體、持續時間、事件類型、發生時間、傷亡損失7個方面去描述。其中事件類型和發生時間是致災體維度的情景要素，描述的是情景中不可抗力的屬性狀況；傷亡損失是承災體維度的要素，描述的是災害后果情景；持續時間表征了事件全生命周期，包含事件發展過程和處置應對過程的互動所用時長。實際應急決策受到危急形勢和緊迫時間的考驗，高效準確地把握關鍵情景應盡量模糊掉冗余信息的干擾。將致災體、承災體及“人—事”互動影響下的災害持續時間因素投影到災難環境的危急程度、醫療設備的救援方案和醫護救援主體三個關鍵要素上，使得情景描述集中于對演變態勢的把握。因此，構建情景表達模型，設S為不同時刻下情景Si的集合，則有

其中E1和E2為致災體關鍵屬性集合Z；E7為承災體集合C；E4為演化過程動態研判的情景危急程度集合L；E5為處置主體集合M；E6為方案舉措集合U。T為情景的持續時間集合（T0＝t1-t0為一個演化情景階段，總和為災難事件的持續時間）。也就是說，事件類型和發生時間歸為一類，是描述致災體的關鍵維度（Z）；危急程度是承災體的關鍵信息（C），描述致災體和承災體的要素是情景的支持維度；二者的互動作用結果產生了其他四個情景要素（L，M，U，T），由此驅動要素并為6個要素。

持續時間是受危急程度、處置主體、方案舉措三者影響作用的結果，被其他要素所決定。危急程度是對事件災難環境的反映；處置主體是醫護人員救援能力的表征；方案舉措表征醫療器械的救援水平和工程設備的可用性。三者具有獨立性且與情景狀態共同構成了事件演化情景信息的核心描述。因此，根據眾多案例中對災難事件制定的粒度標準，可以建立5類知識元模型：

（1）致災體知識元Z為包括災難類型和發生時間的致災體關鍵屬性集合：Z＝（z1，z2，…，zn），則對于任意一個致災體zi（i∈n），模型表示如下：KZ＝（NZ，，，，RZ）。其中NZ為致災體名稱，為致災體的狀態屬性集為輸入屬性集，為輸出屬性集，RZ為屬性間的關系集。

（2）承災體知識元C為承災體傷亡損失的集合：C＝（c1，c2，…，cn），則對于任意一個承災體ci（i∈n），模 型 表 示 如 下：KC＝（NC，，，，RC）。其中NC為承災體名稱為承災體的狀態屬性集，為輸入屬性集，為輸出屬性集，RC為屬性間的關系集。對于屬性，有：K＝（pa，da，fa），a∈Am，m∈M。pa為屬性a的可測度特征描述，da為屬性a可測度特征的量綱集，fa為屬性a的狀態隨時間變化的函數表達式（t為某一時刻）：at＝fa（at-1，t）。

（3）危急程度知識元是對災難環境危急程度的評級，分為1～4級，危害程度逐級增加。用L表示環境的集合：L＝（l1，l2，…，ln），則對于任意一個演化子事件的危急程度li（i∈n），知識元模型表示為：Kl＝（Nl，Al，Rl）。其中Nl為演化類型名稱，Al為演化危害的屬性集，Rl為演化事件危害屬性間的關系集。

（4）方案舉措知識元是指當即可用及已用的設備資源及其操作方案，包括醫療設備在內的救援工程設備。用U表示資源的集合：U＝（u1，u2，…，un），則對于任意一個子資源ui（i∈n），知識元模型表示為：Km＝（Nm，Am，Rm）。其中Nm為子資源的名稱，Am為子資源的屬性集合，Rm為屬性之間的關系集。

（5）處置主體由醫學救援的主體、客體、行為及結果組成。用M表示應急活動的集合：M＝（m1，m2，…，mn），則 對 于 任 意 一 個 子 活 動mi（i∈n），知識元模型表示為：Km＝（Nm，Dm，Xm，，，，Rm）。其中Nm為處置主體實體集的名稱，Dm為處置主體屬性集，Xm為處置過程操作集，為應急處置狀態屬性集為應急處置輸入屬性集為應急處置輸出屬性集，Rm為處置屬性之間的關系集。

3.3 動態貝葉斯網絡

貝葉斯網絡（Bayesian networks，BN）作為一種基于概率的不確定性推理方法［29，30］，是針對不確定知識表達和推理領域最有效的模型之一［31］。動態貝葉斯網絡（dynamic Bayesian networks，DBN），是靜態網絡在時間序列上的擴展。災難的演化過程是動態變化的，變量取值會隨著時間的變化而變化。使用動態貝葉斯網絡進行建模及分析可以更好地對變量在時間序列上狀態的演化過程進行描述，使所得結果更貼近客觀現實。因而，重視時間因素影響下的事件態勢變化，劃分階段構建情景網絡。

4 災難醫學動態救援推演模型

以歷史案例為基礎，推演情景演化趨勢，從而探討突發事件情景演化規律與路徑。運用動態貝葉斯網絡構建災難醫學救援情景網絡與推演模型。

4.1 情景網絡構建

不同情景下，由于災難演化的不確定性，概率的確定需要動態修正。以眾多歷史真實案例為依據，分析得出一般性的災難事件機理內涵，嘗試提出一種“由歷史規律推演未來情境”的理論方法。

首先，構建情景網絡。本文經DEMATAL模型計算分析，優化情景要素選取的主觀性問題，最終選取情景狀態（S）、危急程度（L）、方案舉措（U）作為網絡節點變量并確定變量類型。

其次，確定各節點變量之間的因果關系，并用有向線段連接起來，形成一個有向無環圖網絡結構，并且該有向線段由因指向果。

最后，確定必要部分網絡節點變量的先驗概率及條件概率。之后利用先驗概率、條件概率及前文提及貝葉斯公式計算情景狀態概率，從而推演出下一情景狀態出現的概率大小，以此類推，最終完成情景推演過程［30］。

由于災難情景演化是一個連續的、動態的過程，因此，假設整個事件情景演化劃分為n個時刻，分別為t0，t1，t2，…，tn，其中t0為突發事件發生的初始時刻。對于初始情景狀態S0而言，在輸入節點變量L0和U0的作用下，突發事件發展到下一個時刻t1，情景狀態記為S1。從而L0，U0和S0就成了S1的輸入節點變量，以此類推。整個動態貝葉斯網絡分為兩部分，一部分是初始情景網絡，情景狀態為S0，只有節點L和U兩個輸入變量；另一部分是發展情景網絡，從情景狀態S1開始，有三個輸入節點變量，分別為危急程度（L）、方案舉措（U）以及前一時刻的情景狀態S0。

4.2 動態演化推演模型

災難在多種因素的影響下會不斷演化，導致事件可能朝著不同的方向發展。符號化災難事件的演化路徑，表示出災難事件情景的當前狀態、情景之間的關系、情景的演化方向以及可能的演化結果。受災難演化驅動要素的影響，災難事件往往呈現出不同的演化發展路徑。輸出結果評價：達到預期或未達預期。

災難情景推演，就是根據當前時刻的事件情景狀態預測下一時刻情景狀態。由于突發事件情景演化方向的不確定性，因此下一時刻情景狀態需用概率表示。用eS1，eS2，…，eSj表示當前情景狀態變量，用iS0，iS1，iS2，…，iSk表示當前情景狀態的情景輸入變量，用oS0，oS1，oS2，…，oSl表示當前情景狀態下的情景輸出變量。對于當前情景狀態變量eS1來說，其情景輸入變量有iS0，iS1，iS2，…，iSk等，只要給出所有情景輸入變量的先驗概率P（iS0），P（iS1），P（iS2），…，P（iSk）等，以 及 條 件 概 率P（eS1丨iS0，iS1，iS2，…，iSk），則可以計算出P（eS1），由此類推，則可以繼續計算出P（eS2），P（eS3），…，P（eSj）等。再以iS0，iS1，eS1，eS2，…，eSj為情景輸入變量，結合條件概率P（oS1丨iS0，iS1，eS1，eS2，…，eSj），就可以推演出該時刻下情景輸出變量oS0的概率P（oS0），并將其作為下一時刻的情景輸入變量。由此類推，可以分別計算出P（oS0），P（oS1），…，P（oSl）等的概率，即完成了一次情景推演。

5 實例研究

以2015年天津濱海新區爆炸事故為例進行實證分析，檢驗所得驅動因素作為情景構建要素的合理性以及情景推演模型的正確性與有效性。

2015年8月12日22時51分，位于吉運二道95號的瑞海公司危險品倉庫運抵區出現起火。火勢未能及時控制，事故前后接連發生兩次巨大爆炸，事故現場形成6處大火點及數十個小火點，持續8個多小時仍未完全撲滅。事故的發生主要是由于倉庫內局部硝化棉濕潤機散失，在高溫的條件下發生自燃，引起周圍硝化棉燃燒，形成了大面積燃燒后火焰蔓延到鄰近的硝酸銨集裝箱，從而引發了第一次爆炸。之后，受到南側集裝箱火焰蔓延作用以及第一次爆炸沖擊波影響，多個裝有氧化劑、易燃固體和腐蝕品的集裝箱發生了第二次更為劇烈的爆炸。本次非常規突發事件的演化過程包含著蔓延、轉化與衍生，事故伴隨著政治事件、輿情事件及經濟事件以及謠言傳播和群體性事件。

5.1 案例情景知識元表達

依據前文情景要素表達模型，本文所用知識元要素類型與取值見表4。

表4 情景知識元要素類型與取值

5.2 案例情景網絡構建

在確定情景知識元要素類型與取值后，“8·12天津濱海新區爆炸事故”網絡節點變量選取見表5，并據此對事件可能演化路徑進行進一步分析。

表5 “8·12天津濱海新區爆炸事故”網絡節點變量選取

5.3 概率確定及計算

結合歷史經驗及案例數據，對于沒有父節點的節點變量確定先驗概率。對于有父節點的網絡節點變量，采取專家打分法。選取應急管理和災難醫學領域的22名知名專家和學者，憑借各位專家自身豐富的救災指揮經驗，綜合考量處置主體、危急程度、方案舉措、持續時間、傷亡損失、事件類型、發生時間各要素，確定事件發展演化各階段的條件概率（部分結果見表6）。

表6 網絡節點變量先驗概率及條件概率取值（部分）

計算情景狀態網絡節點變量S0的概率約為75.85%。則P（S0＝F）＝1-P（S0＝T）＝1-75.85%＝24.15%。以此類推，分別計算出S1到S13的概率。

對于天津濱海新區爆炸事故危機發生（L0）采取相應滅火措施（U0），導致危險品倉庫運抵區起火（S0）發生（SO＝T）的可能為75.85%，不發生（SO＝F）的可能為24.15%；這就會進入兩種可能的情景：一是火災撲滅事件消失（S1），二是區域發生爆炸（S2）。危機解除，無需采取措施不做論述。如若危機衍生（L2）事故災難演化到下一階段（S2），則醫護和救援人員采取相應的救治措施（U2），又會出現兩種可能的演化路徑：一是次生火災撲滅，事件消失（S3），二是隨即發生爆炸，蔓延到周圍危險品（S4）。若是事態未能停歇，則危機衍生（L4）并采取相應危險品隔離、冷卻措施（U4），繼而進入下一情景。

綜合實證結果可以看出，發生概率最大的情景狀態是危險品倉庫運抵區起火（S0）、區域發生爆炸（S2）、爆炸影響到周圍危險品（S4）、危險品發生二次爆炸，爆炸程度加劇（S5）、火勢得到進一步控制，救出部分受困人員（S6）、明火被撲滅，進一步救出受困人員（S7）、社會輿情及危險化學品安全專項整治事件（S8）等，發生概率分別為75.85%、75.48%、76.95%、85.48%、75.52%、86.93%、76.89%。

依據對天津濱海新區爆炸事故的實地調研和實情分析，經訪談消防隊員和指揮人員了解到，應急救援過程中最棘手的演化事件即為危險品倉庫運抵區起火、鄰近危險品受影響、初次爆炸點二次爆炸；而事故處置流程中，前期救出部分受困人員遇到二次爆炸的困境，在明火基本撲滅后，才進一步救出受困人員，后期社會對該事故反響巨大，輿情管控和危化品安全專項整治工作隨即展開。計算結果與突發事件現場實際狀況基本吻合，該模型有效性與可行性得以驗證。

6 結論與啟示

本文以災難事件歷史案例的實際信息為基礎，將DEMATEL模型結合知識元模型，試圖解決模型構建當中，節點變量選擇欠缺依據、偏向主觀性的弊端；同時，清晰化事件演化路徑，合理估計各演化路徑的發生可能性，以解決貝葉斯情景推演當中的概率確定模糊化問題。

針對災難演化的復雜性特征和醫學救援的困境，通過動態分析情景演化路徑，推演情景演化趨勢，其實也是對事態進行跟蹤監控的另一種形式，以此實現提前災難醫學預警與救援實時決策，為應急處置提供新的思路。同時，還可將其擴展應用于醫學救援場景之外，如企業內的安全管控、保險行業的風險定價等問題上。

此外，在實例驗證下，使研究“從歷史中來，到歷史中去”，具有一定的科學性，但也缺少了一些實戰性。概率確定對于歷史案例和主觀經驗的依賴較大，這也是貝葉斯模型應用普遍存在的問題。因此，今后在改進其主觀性的問題上，更進一步地，可以嘗試從眾多案例中析出事件更為詳盡的演化規律，為確定先驗概率和后驗概率提供參考，優化貝葉斯推演的結果準確性。