數據驅動的大群體應急決策公眾專家動態協同方法

徐選華, 朱昱承

(中南大學商學院, 湖南 長沙 410083)

0 引 言

近年來,公共安全突發事故頻發,造成了嚴重的人員傷亡和經濟損失。突發事件發生后,迅速做出科學的應急決策并采取響應措施以防止事件惡化至關重要。應急決策具有決策環境復雜多變、涉及領域廣泛、時間壓力大等特征[1],傳統的群決策方法難以適應這些特征,而大群體決策具備決策群體規模龐大(一般超過20人)、參與成員來源廣泛、決策模式多目標與動態化等優勢[2]。因此,利用大群體決策方法解決應急決策問題成為近年來的一大研究熱點。

應急決策與社會公眾利益息息相關。一方面,公眾是應急決策的保護對象;另一方面,公眾也可以為應急決策提供寶貴的意見。調查研究表明,依據公眾需求進行應急決策能夠有效提升決策的科學程度和應急防治效果[3-4]。因此,需要采取科學有效的方式提高公眾在應急決策中的參與度。隨著互聯網時代的來臨和社交媒體的普及,突發事件消息傳播更加高效便捷,公眾能夠迅速了解事件發展態勢并發表自己的觀點和看法[5-6]。因此,借助大數據分析技術,提取突發事件下公眾生成數據中的信息用于輔助應急決策,成為了公眾參與應急決策的一種新途徑,也得到了國內外許多研究者的關注。大量研究證實,充分利用公眾大數據,可以提高應急決策的效率和質量[7-8]。同時,近年來許多研究者也嘗試將公眾大數據分析結果與大群體決策模型相結合,以構建新的應急決策方法。例如,文獻[9]通過社交媒體平臺獲得公眾對應急決策方案的偏好值,并利用證據推理從理論上計算公眾的風險效用,在此基礎上得到各方案的最終效用值。文獻[10]根據歷史相似案例數據,利用模糊關聯規則挖掘和模糊認知圖獲取公眾對應急決策屬性的偏好值,并基于此提出了大群體應急決策風險度量模型。文獻[11]基于情感分析和直覺模糊數提出一種在突發事件中融合公眾與專家偏好信息的方法,并對公眾意見的可靠度進行測量。顯然,互聯網、社交媒體和大數據技術的發展為公眾參與應急決策拓寬了渠道,并推動了公眾參與的應急決策模式和方法創新。但在實際情況中,決策者會面臨信息混沌甚至短暫的“信息饑餓”[12],因此借助各類前沿技術實現公眾參與應急決策的模式不僅需要實時信息,還需要事前信息,而現有研究很少考慮公眾層面信息的時間維度,且大多僅通過公眾大數據獲得某些靜態決策信息,沒有體現公眾和專家之間的動態協同關系。

另一方面,如何評價大群體應急決策質量是一個十分關鍵的問題。不同于一般的大群體決策,對突發事件的大群體應急決策質量進行評價,往往需要考慮決策的時效性。因此,沖突消解[13]和意見交互效率[14]經常被視作衡量大群體應急決策質量的準則。此外,一些研究將由決策者心理因素造成的決策風險,如猶豫風險[15]、信任風險[16]也視作影響大群體應急決策質量的因素。但這些方法僅考慮了決策過程中的要素,忽略了決策的實際效果。隨著公眾大數據在大群體應急決策中的廣泛應用,許多學者嘗試基于公眾的視角研究大群體決策應急決策質量評價問題。例如,文獻[17]量化了突發事件下的公眾風險感知,并由此構建了基于熵值法的大群體應急決策質量得分函數。文獻[18]對突發事件下的社交媒體數據進行情感分析,將結果轉化為直覺模糊數并將其與基準值比較,從而判斷大群體應急決策質量的高低。然而,現有研究或采用單一指標測度應急決策質量,或用“高”與“低”片面地評價應急決策質量,未能形成系統、全面且符合實際情況的大群體應急決策質量評價體系與方法。

對上述內容進行分析可發現,盡管有關大群體應急決策的研究已經十分成熟且完備,但在提高公眾參與度以及對應急決策質量進行評價方面仍有待完善和創新。以公眾大數據為基礎,對大群體應急決策質量進行科學、系統的評價,可以有效地反映決策的公眾認可度和實施效果,并為后續的決策方案調整提供參考。同時,以應急決策質量為依據構建多階段的動態大群體應急決策模型,提高公眾群體與專家群體間的協同性,是當前大群體決策研究中一個有價值的研究主題和空白領域。因此,針對現有研究的局限性,本文基于文本數據分析提出一種科學的應急決策質量評價方法,并將其用于實現大群體應急決策中的“公眾”專家動態協同。首先,對突發事件下的社交媒體數據進行情感分析,將結果轉化為概率語言術語集,用于表示屬性層應急決策質量,并將其集結得到綜合應急決策質量。其次,基于應急決策質量評價結果,提出不同決策階段下的屬性權重與專家權重動態更新方法,從而構建大群體應急決策“公眾-專家”動態協同流程與方法。最后,以“3.21”東航MU5735飛行器事故為案例,對方法進行應用說明和對比分析,驗證了方法的有效性和優越性。

1 方法基礎

1.1 概率語言術語集

定義 1[19]設S={sα|α=0,1,…,τ}為一個語言術語集,則概率語言術語集L(P)的定義為:

(1)

定義 2[20]對于一個完全信息概率語言術語集L(p),其得分E(L(p))及偏差度σ(L(p))可記作:

(2)

(3)

式中:Δ(·)為語言術語取下標函數。

設L1(p),L2(p)為兩個完全信息概率語言術語集,根據式(2)和式(3),可以得到L1(p)和L2(p)的排序關系[20]:

(1) 若E(L1(p))>E(L2(p)),L1(p)fL2(p);

(2) 若E(L1(p))

(3) 若E(L1(p))=E(L2(p)),則

1) 若σ(L1(p))>σ(L2(p)),L1(p)pL2(p);

2) 若σ(L1(p))<σ(L2(p)),L1(p)fL2(p);

3) 若σ(L1(p))=σ(L2(p)),L1(p)～L2(p)。

定義 3[19]對于概率語言術語集L(p),若語言術語L(k)p(k)按Δ(L(k))p(k)降序排列,則稱L(p)為有序概率語言術語集;對于兩個有序完全信息概率語言術語集L1(p),L2(p),若L1(p)≠L2(p),則在元素較少的概率語言術語集中增加元素,使L1(p)=L2(p)。此時,稱L1(p),L2(p)為標準化概率語言術語集。

為方便,假設下文提到的概率語言術語集均為標準化概率語言術語集。

定義 4[21]設Li(p)(i=1,2,…,n)為n個概率語言術語集,其基本運算法則為

(4)

(5)

(6)

定義 5[19]對于兩個概率語言術語集L1(p),L2(p),其漢明距離d(L1(p),L2(p))可記作:

(7)

(8)

1.2 情感分析

情感分析是一種使用計算機技術對文本數據所包含對事件、觀點及主題等實體的情感進行推斷,并將其轉化為某種極性值的方法[22]。情感分析主要分為兩種類型,一是基于情感詞典的方法[23-24],根據現有詞典或訓練得到的個性化詞典,對文本中的情感詞、程度詞和否定詞進行檢索,從而計算文本的情感值;二是基于深度學習的方法,通過各類深度學習的算法,如卷積神經網絡(convolutional neural network, CNN)[25]、支持向量機(support vector machine,SVM)[26]等方法,訓練情感分類函數,利用分類函數判斷文本的情感類別。

隨著自然語言處理技術的發展,主題模型方法逐漸與情感分析方法相融合,實現了精度更高的語句級和主題級情感分析。Melton等[27]使用潛在狄利克雷主題模型和情感分析方法,分析Reddit社區中有關注射新冠疫苗的各類話題中的情緒。Pathak等[28]通過潛在語義索引的正則化約束和長短期記憶網絡中的主題級注意機制進行情感分析,實現了動態主題級情感分析。另一方面,模糊數學在情感分析中的應用使情感分析的結果更加接近自然語言的形式。Vashishtha等[29]建立了基于9種模糊規則的無監督模型,用于分析社交媒體帖子的情感極性。Gutiérrez-Batista等[30]使用模糊邏輯和多維分析技術,構建了一種適用于不同情感維度的情感分析方法。

情感分析方法的發展使其能夠適應決策問題中屬性多維度和風險不確定的特征。因此,將情感分析方法用于支持決策成為了近年來的一個研究熱點。例如,Dahooie等[31]提出一種基于直覺模糊集的情感分析與多屬性決策相結合的方法。Zuheros等[32]構建了端到端多任務深度學習模型,用于提取群決策中專家評論包含的屬性和意見值。

1.3 社會網絡分析

社會網絡可以用于衡量個人、組織、國家等社會實體間的關系,社會網絡分析則是一種研究網絡中成員位置屬性和結構平衡的重要工具[33]。在社會網絡中,成員間的關系可以描述為合作、交流、信任等多種形式。下面以信任關系為例,介紹社會網絡的定義。

定義 6[34]設成員集合為E={e1,e2,…,em},則社會網絡可以表示為G(E,B),其中B為有向邊(ei,ej)的集合,表示成員間的信任關系。對于ei,ej∈E且i≠j,若(ei,ej)∈B,則ei信任ej。

社會網絡通常有網絡圖、代數和鄰接矩陣3種表示方式,下面給出社會網絡鄰接矩陣的定義。

定義 7[35]在社會網絡G(E,B)中,設有向邊(ei,ej)的權重為μij∈[0,1],代表成員ei對ej的信任程度,則社會網絡G(E,B)的鄰接矩陣Μ的元素可表示為

(9)

2 問題描述與方法原理

2.1 問題描述

當突發事件發生后,為保證應急決策的準確性和時效性,當地政府會成立一個由多位不同領域專家組成的臨時應急決策小組。在不同的時段,決策小組需要及時對事件狀態、外部環境等因素進行研判,做出科學的決策。該過程可以視作一個動態大群體決策過程,即一組專家(一般人數大于20)在不同階段就多個決策屬性對備選方案進行排序和選擇的過程。與此同時,社會公眾在社交媒體上就事件及相關決策發表自己的觀點,這些文本數據包含公眾的需求、情感、行為模式等信息,可以實時為應急決策提供輔助。在決策過程中,專家將參考這些信息,作為調整決策方案的依據,由此形成公眾專家協同的動態決策模式。下面分別從專家和公眾的層面給出問題涉及變量的符號及含義,如表1和表2所示。

表1 專家層面變量

表2 公眾層面變量

2.2 備選方案的選擇過程

備選方案的選擇由各領域專家組成的大群體完成,使用加權逼近理想解排序(technique for order preference by similarity to ideal solution,TOPSIS)方法計算方案排序。

(10)

然后,采用Pang等[19]提出的方法,分別構造方案的正、負理想解。方案的正理想解記作:

(11)

方案的負理想解記作:

(12)

最后,根據屬性權重Wt,分別構造方案與正、負理想解的加權漢明距離,從而計算各方案的加權貼近度。在階段t,方案xl的加權貼近度記作:

(13)

2.3 基于社交媒體數據情感分析的應急決策質量評價方法

在應急決策方案實施后,需要及時評估決策質量,為后續決策方案調整提供參考。考慮到應急決策的社會性,使用公眾生成的社交媒體數據評估大群體應急決策質量。具體步驟如下所述,方法流程圖如圖1所示。

圖1 大群體應急決策質量評價方法流程Fig.1 Flowchart of large-group emergency decision-making quality evaluation method

首先,在某一突發事件發生且一次決策過程完成后,使用爬蟲軟件根據事件關鍵詞爬取階段t內社交媒體中產生的帖子,將其作為原始數據集。

其次,進行數據預處理。這一步的目的是提高數據質量,并篩選出與決策相關的數據,具體包括以下3個步驟。

(1) 數據清洗。剔除文本為空值、亂碼的帖子,并刪除文本中的英文、數字、符號、URL和emoji表情,得到Pt。

(2) 文本分詞。使用Python3.6中的jieba模塊,對帖子進行分詞處理,并參照“哈工大停用詞表”和“百度停用詞表”,將結果中的停用詞去除,得到Uth。

第三,分別對每個集合Ptj中的所有帖子進行情感分析,包括以下兩個步驟。

表3 情感分類規則

第四,根據情感分類的結果計算屬性層決策質量。情感分析的結果具有模糊性,Song等[38]認為,采用概率語言術語集的形式能夠更準確地反映短文本情感極性的可能性。因此,將帖子的情感分類結果轉化為概率語言術語集作為評價屬性層決策質量的指標,使其具有不確定性。對于屬性cj,其在階段t時的決策質量記作:

(14)

最后,使用PLWA算子對每個屬性cj的決策質量進行加權平均,得到階段t時的綜合決策質量Qt,記作:

(15)

2.4 基于決策質量的屬性權重動態更新方法

隨著突發事件態勢和外部環境的變化,應急決策需要關注的重點也在發生變化,這在大群體應急決策中可以描述為決策屬性權重的變化。因此,在第2.3節的基礎上,提出了一種基于決策質量的屬性權重動態調整方法,依據當前階段的屬性權重和決策質量確定下一階段的屬性權重,使決策問題更加符合現實情況。

(16)

(17)

其中,式(16)表示屬性權重更新過程,式(17)為屬性權重歸一化過程。

2.5 基于決策質量和社會網絡的專家權重動態更新方法

在大群體應急決策過程中,由于專家的專業領域、知識水平等特征存在差異,因此其在同一階段所做出的決策的質量也是不同的,這也在一定程度上影響了專家間的信任水平,即社會網絡關系。而在大群體決策問題中,社會網絡關系往往會影響專家的權重[39-40]。因此,在第2.3節的基礎上,提出一種基于決策質量和社會網絡的專家權重動態更新方法,對于做出高質量決策的專家,其他專家對他們的信任程度會增加,進而提高其在下一階段決策中的權重,反之則同理。

(18)

由式(18)可知,ΔQt∈[0,1]。

其次,計算t階段時各專家偏好與群體偏好的差異度。在t階段時,將專家ei的偏好與群體偏好的差異度表示為二者在各個備選方案下的距離均值,記作

(19)

(20)

最后,更新t+1階段時的專家權重。PageRank算法[41]根據網頁間的出入鏈關系測算網頁的影響力。因此,引入信任度這一指標對該算法進行改進,用于求解專家權重。專家ei在t+1階段時的影響力可以表示為所有信任他的專家的加權平均影響力,記作:

(21)

(22)

2.6 公眾專家動態協同大群體應急決策步驟

基于上文內容,總結出公眾專家動態協同大群體應急決策方法步驟,具體步驟如下,方法流程圖如圖2所示。

步驟 1參數初始化。設定決策總階段數T并初始化當前決策階段為t=0,決策專家根據歷史經驗給出決策屬性集合C及其初始權重W0,并設定每個決策屬性相關的關鍵詞詞典Vj。然后,由專家評估彼此間的信任關系和信任穩定度,得到初始社會網絡G0(E,B)并據此得到初始專家權重向量Ω0。

步驟 2收集專家偏好信息Ati,并使用加權TOPSIS法對其集結得到備選方案排序。

步驟 3收集階段t內關于各決策屬性的社交媒體數據,并進行數據預處理,得到與決策屬性相關的帖子集合Ptj。

步驟 6更新階段t+1時的專家社會網絡Gt+1(E,B)。

步驟 7更新階段t+1時的專家權重向量Ωt+1。對于基準值Qt*,當t=0時,令Qt*={s0,s0.2,s0.4,s0.6,s0.8};當t>0時,令Qt*=Q(t-1)。

步驟 8更新決策階段。判斷是否有t

需要說明的是,由于不同類型的突發事件的決策階段持續時間不同,因此需要依靠專家研判決策是否進入下一階段。例如,在地震災害或飛行器事故中,可以考慮以救援黃金48 h為階段更新依據。

3 案例分析與對比分析

3.1 案例背景

2022年3月21日,東航一架波音737客機于廣西梧州上空失聯并墜毀。事故發生后,當地消防部隊火速前往現場展開救援,政府部門也成立了應急處置指揮部,召集各個領域專家,對此次航空事故進行科學研判,做出及時有效的決策。本文以2日為一個決策階段,并選取事故的前兩個階段進行決策模擬與分析。

將決策階段記作t=0與t=1,擬邀請20位來自不同領域的專家,在每個階段開始時(即3月21日與3月23日)根據當前情況在4個備選方案中進行決策。將專家集合記作E={ei|i=1,2,…,20};將備選方案集合記作X={x1,x2,x3,x4},方案具體內容如下。

x1:派出當地及周邊地區的消防、公安等隊伍對現場核心區域進行搜救,全力救援幸存者及其物品,并確認遇難者身份;與旅客親屬取得聯系,并安排其前往事發地;與相關責任主體進行溝通;實時公布搜救進展,每日召開新聞發布會。

x2:派出當地消防、公安等隊伍對現場及周邊區域進行搜救并設置機動組,廣泛搜尋幸存者;重點尋找黑匣子等重要通訊設備;告知旅客家屬前往現場,開展全程服務保障和安撫溝通工作;及時公布關鍵性搜救進展,每日召開新聞發布會,并加強謠言治理。

x3:多支消防隊伍分批次開展搜救,擴大搜索范圍;在繼續搜索生還者的同時加強飛機殘骸和設備的搜索力度,并進行譯碼和檢驗;安置旅客家屬的住宿,并派出心理救援隊進行一對一心理疏導;啟動理賠程序;階段性公布搜救與調查進展,定期召開新聞發布會,并加強謠言治理。

x4:搜救隊伍由核心區域向飛行航線方向進行更精準、細致的搜尋,重點搜索飛機的殘骸和關鍵設備;加快黑匣子的譯碼和檢驗進度,對事故原因進行全面分析調查,懲處主要責任人;組織家屬前往現場悼念并協助進行殯葬服務;在取得關鍵性調查進展后公布進展并召開新聞發布會,嚴厲查處個人發布的虛假消息。

在每一階段的大群體應急決策完成后,方案開始逐步實施,公眾群體亦會在社交網絡中發表關于決策的意見觀點,大量有價值的數據與決策同時異步產生,對這些源于公眾的數據進行獲取、處理、分析,可以判斷出大群體應急決策的質量,作為調整下一階段大群體應急決策的依據。

3.2 決策過程

該決策問題分為兩個階段進行,即T=1,初始化決策階段為t=0,選擇“人員搜救”(c1)、“安置善后”(c2)、“輿情管理”(c3)、“事故原因及追責”(c4)、“時效性”(c5)作為決策屬性。根據專家經驗,設定t=0時的屬性權重向量為W0=(0.32,0.18,0.16,0.14,0.20)。由專家評估彼此間的信任關系和信任穩定度,得到初始社會網絡G0(E,B)以及信任鄰接矩陣M0:

由此,可以得到t=0時的專家權重向量Ω0,如表4所示。

表4 專家權重向量(t=0)

然后,設定決策屬性的關鍵詞詞典對社交媒體數據進行分類,如表5所示。

表5 屬性關鍵詞詞典

(1)t=0時

步驟 1設定五粒度語言術語集為S={s0,s1,s2,s3,s4}。其中,s0～s4分別表示“非常差”“較差”“一般”“較好”“非常好”。每位專家以概率語言術語集的形式給出對各方案的偏好A0i,專家e1的偏好矩陣A01如下所示:

表6 備選方案的加權貼近度及其排序(t=0)

因此,方案排序為x1fx3fx2fx4,最優方案為x1。

步驟 2選取新浪微博為平臺,根據“東航MU5735”“空難事故”等字段,使用python3.6中的request,scrapy等模塊,爬取階段t=0時的帖子,共得到31.7萬余條數據。根據各屬性的關鍵詞集合Vj篩選出與屬性相關的帖子集合P0j,其具體內容示例及數量如表7所示。

表7 屬性相關的帖子集合(t=0)

步驟 3使用Python3.6中的SnowNLP、numpy等模塊分別對集合P0j中的帖子進行情感分析,為提升精度,對SnowNLP模塊中的Sentiment模型使用帶標注的微博數據重新進行訓練。

表8 屬性層決策質量(t=0)

使用PLWA算子對各屬性的決策質量集結得到t=0時的綜合決策質量Q0={s0,s0.221 0,s0.471 2,s0.643 6,s0.706 2}。

步驟 4更新t=1時的屬性權重。根據第3.3節提出的屬性權重調整原則可以看出:相較于當前階段,屬性c2與c3的權重需要提高;屬性c1的權重需要降低;屬性c4與c5的權重需要保持不變。根據式(16)和式(17),更新t=1時的屬性權重向量W1,結果如表9所示。

表9 屬性權重向量(t=1)

步驟 5更新t=1時的專家權重。由于Q0>Q0*,專家間的信任度上升。根據式(18),得到專家信任鄰接矩陣M1如下所示:

更新t=1時的專家權重向量,結果如表10所示。

表10 專家權重向量(t=1)

步驟 6令t=t+1,返回步驟2。

(2)t=1時

該階段決策步驟與t=0時相同,故不作詳細闡述,分別給出備選方案排序、屬性權重向量W2、專家權重向量Ω2,結果如表11～表13所示。

表11 備選方案的加權貼近度及其排序(t=1)

表12 屬性權重(t=2)

表13 專家權重(t=2)

3.3 對比分析

為驗證方法的有效性和優越性,下面分別針對屬性權重計算方法和專家權重更新方法與現有文獻進行對比分析。

3.3.1 屬性權重計算方法的對比

許多大群體決策相關的研究都提出了屬性權重計算方法,因此將本文提出的屬性權重計算方法與文獻[42]和文獻[43]進行定性比較,并以案例分析中的數據為基礎,使用3種方法分別計算t=0與t=1時的屬性權重W0,W1,結果如表14和表15所示。

表14 不同屬性權重更新方法對比

表15 各方法下的屬性權重

對結果進行對比發現,3種方法在兩階段下各屬性權重排序的相似度都較高,這表明本文提出的方法是合理且有效的。但從動態的視角來看,同一屬性權重在3種方法下的變化方向和變化量具有較大的差異。另一方面,相比本文提出的方法,在文獻[42]和文獻[43]提出的方法中,屬性權重變化的幅度更大且集中于個別屬性。其原因在于:文獻[43]依據每個階段專家偏好的熵值確定屬性權重,而沒有結合應急決策的現實情況,因此屬性權重的變化完全依賴于專家觀點的變化。而文獻[42]雖引入公眾大數據計算屬性權重,考慮了公眾對應急決策的關注點和需求,但數據在屬性關鍵詞上的分布特征增加了屬性權重變化的隨機性。此外,文獻[42]使用的公眾大數據與決策過程在時序上是同步的,沒有考慮應急決策的時效性。本文對社交媒體數據進行情感分析評價屬性層應急決策質量,在此基礎上更新下一階段的屬性權重,減小了屬性權重變化的隨機性,且本文考慮了應急決策的時效性和實施效果。綜上所述,本文所提方法具有一定的優越性。

3.3.2 專家權重更新方法的對比

文獻[18]提出了基于應急決策質量的專家權重更新方法,因此將本文提出的應急決策質量評價方法和專家權重更新方法的原理與文獻[18]進行對比,結果如表16所示。

表16 決策質量評價方法及專家權重更新方法對比

進一步地,采用仿真實驗定量說明兩種方法的差異。設定決策階段總數T=5,在每一階段t隨機生成專家偏好矩陣Ati(i=1,2,…,20)以及綜合決策質量Qt,并將Qt轉化為文獻[18]中的決策質量評價結果。分別使用兩種方法計算專家權重Ωt并進行排序(排序結果不予展示),然后計算相鄰兩階段專家權重向量Ωt與Ωt-1的歐氏距離,將該距離記作dis(Ωt,Ωt-1),繪制折線圖如圖3所示。隨著t的增大,兩種方法下專家權重排序的相似度逐漸提高,其原因在于本文和文獻[18]均將決策質量和專家偏好與群體偏好的距離作為更新專家權重的影響因素,這也表明本文所提方法是合理且有效的。但就圖3顯示的結果而言,兩種方法下的dis(Ωt,Ωt-1)存在較大差異,在設定T=5的情況下,使用文獻[18]方法得到的dis(Ωt,Ωt-1)值更大且呈顯著的下降趨勢,而使用本文方法得到的dis(Ωt,Ωt-1)值更小且穩定。其原因在于:文獻[18]在每一階段判斷專家是否做出正確決策,并基于大數定律,根據專家歷史決策的正確率更新專家權重,因此專家權重會隨著決策階段的推進而逐漸收斂。本文則根據應急決策質量等因素修改專家信任關系,并基于社會網絡分析的方法更新專家權重,因此專家權重的變化始終保持在一定范圍內,而不受時間的影響。綜上所述,相比文獻[18]所提方法,使用本文方法得到的專家權重在決策初期變化幅度更小,有利于維持決策專家群體內部穩定,而在決策后期變化幅度更大,使專家之間保持一定的區分度。

圖3 相鄰兩階段專家權重向量距離Fig.3 Distance between expert weight vector in adjacent two stages

4 結束語

在互聯網技術高速發展和社交媒體廣泛普及的背景下,面向突發公共安全事故的大群體應急決策模式和方法需要更好地體現公眾和專家間的動態協同。因此,本文基于文本數據分析提出了大群體應急決策質量評價方法,并圍繞應急決策質量,提出了動態大群體應急決策的屬性權重更新方法和專家權重更新方法,構建了“公眾-專家”動態協同的大群體應急決策流程。相比以往的研究,本文具有如下創新點:① 通過對社交媒體數據進行情感分析,分別從屬性層面和決策整體層面提出了大群體應急決策質量評價方法,相比以往方法更加系統、全面,也更好地體現了應急決策的社會性。② 基于公眾視角下的大群體應急決策質量評價結果更新決策屬性權重和專家權重,從應急決策實際效果的角度考慮了決策動態性,強化了公眾和專家間的協同性。③ 將當前階段的社交媒體數據用于輔助下一階段的大群體應急決策,考慮了信息的時間維度,保障了公眾大數據環境下大群體應急決策的時效性。④ “3.21”東航MU5732飛行器事故的案例應用與對比分析結果驗證了方法的有效性和優越性。

但本文還存在以下局限:① 使用Python3.6中的SnowNLP庫進行情感分析,未來將使用諸如方面級情感分析等更創新的方法以適應特征更復雜的數據。② 研究了大群體應急決策中決策屬性權重和專家權重的動態更新,未來將考慮更多決策要素的動態更新,如決策屬性集的變化、專家的進入與退出等。③ 專家間的信任度和信任穩定度需要人為提供,未來將采用更高效的方式構建專家社會網絡,如基于行為大數據刻畫專家畫像等。