基于貝葉斯網絡的“鄭州暴雨地鐵災害事件”情景分析與仿真推演

任永存 張韌 張永生 孫涵 李明 劉泉宏 許婧

引用格式：任永存，張韌，張永生，等，2023.基于貝葉斯網絡的“鄭州暴雨地鐵災害事件”情景分析與仿真推演［J］.大氣科學學報，46（6）：904-916.

Ren Y C，Zhang R，Zhang Y S，et al.，2023.Scenario analysis and simulation deduction of the “Zhengzhou Rainstorm Subway Disaster Event” based on Bayesian network［J］.Trans Atmos Sci，46（6）：904-916.doi：10.13878／j.cnki.dqkxxb.20221013001.（in Chinese）.

*聯系人，E-mail：haitian_style@163.com

2022-10-13收稿，2023-01-10接受

國家自然科學基金資助項目（41976188）;湖南省自然科學基金資助項目（2021JJ40669）

摘要? 2021年7月20日河南鄭州特大暴雨造成的地鐵突發災害是近年來為數不多的城市重大人員傷亡事件。該事件產生既有暴雨強烈、事故突發等客觀原因，也包含風險意識淡薄、應急機制不健全等主觀因素。本文首先遴選“鄭州暴雨地鐵災害事件”演化的主要情景要素，采用情景分析法構建了該事件情景演化流程。在此基礎上，基于貝葉斯網絡構建了“鄭州暴雨地鐵災害事件”情景推演模型。采用專家打分法計算網絡節點的條件概率，利用Netica軟件推算出災害情景節點狀態概率。最后，通過調試特定節點先驗概率，開展不同暴雨災害等級、應急響應行動、周圍環境狀態情況下人員死亡和地鐵受損害的概率評估與情景推演，旨在總結經驗、查找漏洞，為應對和防范“鄭州暴雨地鐵災害”類似事件提供風險防范和響應對策參考。

關鍵詞鄭州暴雨地鐵災害事件;情景分析;貝葉斯網絡;災害概率評估

近年來，受全球氣候變暖的影響，暴雨洪澇災害和強對流天氣發生頻率明顯增高。在這樣的背景下，隨著城市化進程的加速，城市自然水文條件發生了明顯的改變，城市區域下墊面不透水比例增加，在城市排水設施不暢的情況下，遭遇短時強降水影響，更易引起城市內澇，甚至人員傷亡（張煒等，2012）。特別是21世紀以來，許多大城市的觀測站均出現了突破歷史極值的暴雨事件（嚴昇，2015），出現在大城市的致洪暴雨造成的災害往往更嚴重。2012年7月21日，北京及其周邊地區遭遇1949年以來最強降雨過程，局部降雨量接近500年一遇，導致嚴重城市洪澇災害，造成大量房屋倒塌、人員傷亡（諶蕓等，2012）。2016年7月，我國南方大部地區遭遇特大暴雨洪澇事件，武漢遭受損失最為嚴重（張正濤等，2020）。2016年，南京市內發生多次持續時間長的強降雨，主要河湖水位均超歷史紀錄，對流域居民生命財產等造成巨大的損失（吳玉明和楊紅衛，2016）。2021年7月17日至23日，河南省遭遇了歷史罕見的特大暴雨，發生了嚴重洪澇災害，造成了重大人員傷亡和財產損失。圍繞此次河南“7.20”暴雨災害，相繼開展了區域模式預報（史文茹等，2021）、多模式預報性能評估（栗晗等，2022）和降水微物理特征分析（郭換換和王坤，2023）等諸多研究。由此可見，暴雨洪澇災害已經成為一個非常突出的社會問題，必須重視起來。

近年來，城市洪澇與防災減災日益受到國內外廣泛關注和高度重視，針對暴雨引起的城市洪澇災害的風險評估和應急響應等也成為亟待開展研究的重要問題。現有大多數研究主要集中在基于歷史災情數理統計（繆啟龍等，2012）、RS（遙感技術）和ArcGIS技術（殷杰等，2009）、情景模擬方法（López-Valencia，2019）、指標體系評估方法（葉瑞峰等，2022）等方法進行暴雨內澇災害風險評價，進而開展暴雨洪澇災害應急預案生成（丁繼勇等，2015）以及應急處置決策（侯雷，2015）。然而，針對暴雨洪澇災害評估研究還不夠全面，現有研究并未細致全面剖析暴雨洪澇災害事件的演化發展過程，沒有將應急響應行動統一到暴雨洪澇災害演化發展過程中去，沒有明確得出應急響應行動在暴雨洪澇災害發展過程中所起的作用，只是定性地給出應急響應行動的重要性，因而不能更好地指導政府部門開展應急響應行動。

針對暴雨洪澇災害的高度不確定性和信息不完備性，傳統的“準備—響應”災害響應策略并不是成功預測和應對暴雨洪澇災害的良好選擇，亟需開展新的建模方法研究。本文以“鄭州暴雨地鐵災害事件”為研究對象，進行“鄭州暴雨地鐵災害事件”情景分析與仿真推演建模，在事件情景演化路徑分析的基礎上，利用貝葉斯網絡構建“鄭州暴雨地鐵災害事件”情景演化貝葉斯網絡，通過網絡結構構建、網絡節點變量概率分配、網絡概率推理，開展“鄭州暴雨地鐵災害事件”情景回溯、態勢推演，旨在為應對和處置類似突發事件提供風險防范和對策參考。

1? 資料與方法

1.1? 資料來源

本文關于此次災害事件的信息來源于2022年1月國務院災害調查組公布的《河南鄭州“7.20”特大暴雨災害調查報告》（簡稱為《調查報告》）。《調查報告》由國務院牽頭組織調查編寫，詳細描述了河南鄭州“7.20”特大暴雨災害經過以及各方的應對措施，權威性、可信度都非常高，是研究河南鄭州“7.20”特大暴雨災害極為重要的資料。本文研究對象是“鄭州暴雨地鐵災害事件”，參考資料包含報告中描述這次暴雨災害嚴重程度的文字和數據資料以及原報告中“鄭州地鐵5號線亡人事件”調查內容（包括文字和數據資料）。

1.2? 研究方法

1.2.1? 情景分析

情景（Scenario）一詞最早出現于1967年，情景分析是對未來情景的描述，是事件從原始狀態向未來轉變的趨勢（Ritchie-Calder，1968）。基于“情景”的“情景分析法”（Scenario Analysis）是在對經濟、產業或技術的重大演變提出各種關鍵假設的基礎上，通過對未來進行詳細的、嚴密的推理和描述來構想未來各種可能的方案。根據情景的概念，情景分析被認為是創造一系列可能的未來“故事”的研究過程。情景分析方法最初是作為一種定性方法來運用的，目前已有多種定量方法與情景分析相結合。情景分析的主要操作步驟（Punjabi，2015）如下：1）識別系統的驅動力。情景分析的第一步是識別系統的驅動力，驅動力是實現對系統全面理解的主要因素。2）將驅動力分為兩類，即可能趨勢和不確定性。驅動力的分類也基于專家判斷，系統的不確定性在后續情景推斷中起著重要的作用。3）根據不確定的結果擬訂設想。情景分析最后一步是建立情景貝葉斯網絡，并根據專家訪談收集的信息對其進行改進。此方法首先應用于軍事戰略規劃，現已成功應用于許多領域，如環境（Tourki et al.，2013）和經濟學（Ehlen and Vargas，2013）。近年來，情景分析的思想也被應用于應急策略和災害風險的評估（Lü et al.，2013）。

1.2.2? 貝葉斯網絡

貝葉斯網絡是由Pearl在1988年提出的一種基于網絡結構的有向無環圖描述，是基于概率分析和圖論的推理模型（Hasman，1991）。從概念上講，貝葉斯網絡由拓撲結構和概率分布兩部分構成。

在結構方面，貝葉斯網絡包含父節點、子節點兩種節點。如圖1所示，A為B、C的父節點（B、C為A的子節點），B、C為D的父節點（D為B、C的子節點）。父節點、子節點加上連接兩者之間的有向邊構成貝葉斯網絡的基本結構，有向邊表示要素之間的因果關系。

在概率方面，分為先驗概率和條件概率。先驗概率計算基于先前資料和專家意見等。條件概率是集合多種統計方法得出的，如D-S證據理論（Gong and Wang，2014）和Delphi法（任春華和孫林夫，2019）。條件獨立假設和馬爾科夫性質可以極大簡化聯合概率的計算，貝葉斯網絡的聯合概率分布可表示為邊緣概率和條件概率的乘積，即：

P（S1，S2，…，Sn）=∏n1P（Si/Pa（Si））（i=1，2，…，n）。（1）

其中：{S=S1，S2，…，Sn}表示一組變量，由貝葉斯網絡的節點Si組成；Pa（Si）為節點Si的父節點，條件獨立性關系使得聯合概率的表達更簡潔。

貝葉斯網絡的建模方法大致可分為專家建模、數據學習建模、專家知識與樣本數據結合建模。

貝葉斯網絡是預測推理的有效技術途徑。用貝葉斯網絡進行預測推理的計算過程依賴于條件概率表，該表通常從統計數據中獲得或通過專家意見收集。以D為例，假設圖1中每個節點有兩種狀態，則D的條件概率表如表1所示。

在此情況下，B和C的概率可通過條件概率表計算。通過設置A的狀態，D的概率為：

PD|A=PD|C，BPC|APB|A

式中：PB|A和PC|A在其條件概率表中給出。各情景狀態概率借助計算軟件Netica計算出。Netica是基于決策理論的、圖形化的建模開發工具，能夠方便地進行貝葉斯網絡拓撲建模，并能夠進行先驗概率的初始賦值以及后驗狀態概率的計算，進而根據貝葉斯網絡的有向無環拓撲結構的特點，進行知識傳遞與積累，具有適用性強、可視化操作的特點（劉春生等，2017）。

1.2.3? D-S證據理論

Dempster-Shafer證據方法定義了一個辨別框架θ和質量函數。質量函數需要滿足以下條件：

m=0;

∑AθmA=1。（2）

Dempster-Shafer證據的綜合規則如下式所示：

mA=11-K∑A1∩A2…∩ANm1A1m2A2…mNAN，A≠;

0，A=。（3）

在這里，m1，m2，…，mN是基于從同一識別框架θ中的一組信息源中獲得的信息形成的質量函數，A是事件的狀態，K表示m1，m2，…，mN之間的沖突程度，K的計算如下：

K=∑A1∩A2…∩AN≠m1A1m2A2…mNAN=1-∑A1∩A2…∩AN=m1A1m2A2…mNAN。（4）

2? “鄭州暴雨地鐵災害事件”情景分析與建模

“鄭州暴雨地鐵災害事件”情景貝葉斯網絡構建分為3個步驟，描述如下：

1）明確貝葉斯網絡節點：根據案例研究和專家判斷，確定貝葉斯網絡節點變量及其狀態分類。借鑒情景分析思想，確定了13個關鍵情景要素（貝葉斯網絡變量）：“暴雨”“城市內澇”“洪水灌入地鐵隧道”“人員被困”“城市道路基礎設施”“周圍環境”“加強檢查巡視，隱患排查”“排水”“發布預警，引導人員”“疏散救援”“修復地鐵”“人員死亡”“地鐵受損害”。

2）明確貝葉斯網絡節點之間的關系：結合先前過程已經得到的具體節點變量，進一步對各個節點變量之間的關聯性進行確定，利用專家打分法結合D-S證據理論確定具有因果關系的情景要素對，完成貝葉斯網絡結構的確定。

3）確定所有節點的條件概率：在這一步，利用專家打分法確定葉斯網絡節點的條件概率。

完成以上步驟后，就可以使用貝葉斯網絡進行預測推理分析了。“鄭州暴雨地鐵災害事件”情景貝葉斯網絡構建及過程推理分析步驟如圖2所示。

2.1? 情景分析

通過對我國典型暴雨災害事件的案例研究和綜合分析，以及參考《調查報告》，從中提取了13個情景要素作為“鄭州暴雨地鐵災害事件”情景貝葉斯網絡的節點變量。并將這13個情景要素分為4類，即“突發事件”“危險因素”“應急響應行為”“造成后果”（范維澄等，2009）。各情景要素的分類如表2所示。

全部13個情景要素狀態分類具體介紹如下。

2.1.1? 突發事件

“突發事件”要素描述最初的暴雨災害事件發展到該時刻對物或人造成的影響。

1）暴雨：暴雨節點設置暴雨、大暴雨、特大暴雨3級狀態。按中國氣象局頒布的降水強度等級劃分標準，按照滿足24 h累計降雨量條件確定，3級狀態的閾值范圍分別為［50.0，100.0）mm、［100.0，250.0）mm、［250.0，SymboleB@）mm。

2）城市內澇：“城市內澇”設置低風險、中風險、高風險3個等級狀態。參照宗旻（2020），按最大積水深度，3級狀態的閾值范圍分別為［15.0，27.0）cm、［27.0，50.0） cm、［50.0，SymboleB@）cm。

3）洪水灌入地鐵隧道：按洪水涌入量以及涌入流速設置2個等級狀態：低風險;高風險。

4）人員被困：中國地鐵一趟列車平均上座量約為900人，本文據此設置為3個狀態：少，［1，450）人;中，［450，900）人;多，［900，SymboleB@）人。

2.1.2? 危險因素

“危險因素”包括承載體和孕災環境兩部分，承載體本身存在風險性，孕災環境本身會讓事件更加惡化。

1）城市道路基礎設施：鄭州市內澇防治標準是50年一遇，對應的降雨量折算到最大一小時為83.0 mm，百年一遇一小時降雨量為92.0 mm（王家卓，2021）。《鄭州市加強防洪防澇系統規劃編制工作實施方案》提到，鄭州市5年一遇防洪標準為小時降雨量50.3 mm。以上述3個數據為臨界點，設置3個狀態：風險，［50.3，83.0）mm／h;大風險，［83.0，92.0）mm／h;特大風險，［92.0，SymboleB@）mm／h。

2）周圍環境：“周圍環境”分為兩個狀態：低風險;高風險。

2.1.3? 應急響應行動

“應急響應行動”分為預防性措施和處置性措施，有效的應急響應行動能讓事件朝好的方向發展。

1）加強檢查巡視，隱患排查：狀態分為開展、未開展兩類。

2）排水：狀態分為開展、未開展兩類。

3）發布預警，引導人員：狀態分為開展、未開展兩類。

4）疏散救援：狀態分為開展、未開展兩類。

5）修復地鐵：狀態分為開展、未開展兩類。

2.1.4? 造成后果

1）人員死亡：《生產安全事故報告和調查處理條例》第三條規定，造成30人以上死亡界定為特別重大事故，造成10人以上30人以下死亡界定為重大事故，造成3人以上10人以下死亡界定為較大事故，造成3人以下死亡界定為一般事故。“人員死亡”要素也據此分為4個狀態：一般，［1，3）人;較大，［3，10）人;重大，［10，30）人;特別重大，［30，SymboleB@）人。

2）地鐵受損害：“地鐵受損害”分為兩個狀態：一般;嚴重。

2.2? 貝葉斯網絡結構構建

為建立合理的貝葉斯網絡，通過問卷調查收集了專家的專業判斷和意見。在Delphi的類似專家評估方法中，如果有10到20個情景元素，建議尋求3到5位專家的建議或判斷（Bauls et al.，2013）。本文進行了兩輪問卷調查，每輪收集來自5位專家的專業判斷。第一輪是判斷4類13個情景元素之間的關聯性，要求5位專家給出概率評估發放問卷中4類13個要素中每兩個情景要素（共78對情景要素）之間的因果關系。為降低專家意見的主觀性，采用Dempster-Shafer證據理論對收集到的數據進行分析。如果因果關系值大于閾值（通常定義為0.85），則確認這兩個要素之間存在因果關系。表3給出了判斷“暴雨”節點和“城市內澇”節點以及“洪水灌入地鐵隧道”節點和“人員被困”節點因果關系過程中專家的打分數據及其最終加權結果。

以運用Dempster-Shafer法分析“暴雨”節點與“城市內澇”節點的因果關系以及“洪水灌入地鐵隧道”與“人員被困”節點的因果關系為例。5位專家分別給出了判斷概率數據，如表3所示。m1（1，2），…，m5（1，2）分別代表5位專家給出的概率分布。m1（1，2）的值為（0.7，0.3），表示第一個專家認為“暴雨”節點對“城市內澇”節點有很大影響，因此他給出“暴雨”節點與“城市內澇”節點之間的因果關系概率為0.7，不存在因果關系的概率為0.3。基于式（3）和式（4），表征“暴雨”節點與“城市內澇”節點因果關系的多專家判斷數據加權結果計算如下：

K=m1A1m2A1m3A1m4A1m5A1

+m1A2m2A2m3A2m4A2m5A2=0.024，

mA1=1Km1A1m2A1m3A1m4A1m5A1=0.998。

表3中，由于“暴雨”節點與“城市內澇”節點的因果關系值計算結果為0.998，大于閾值（0.85），因此“暴雨”節點與“城市內澇”節點之間存在因果關系。同理，“洪水灌入地鐵隧道”節點與“人員被困”節點之間因果關系值計算結果為0.982，大于閾值（0.85），因此，“洪水灌入地鐵隧道”節點與“人員被困”節點之間也存在因果關系。

在對專家的所有判斷數據收集并進行計算后，確定13個情景要素每兩個情景要素之間的因果關系值，取因果關系值大于閾值（0.85）的情節要素對，構建因果關系網絡，即“鄭州暴雨地鐵災害事件”情景貝葉斯網絡，如圖3所示，其中，圓形代表“突發事件”要素，矩形代表“危險因素”要素，六邊形代表“應急響應行動”要素，菱形代表“造成后果”要素。

2.3? 貝葉斯網絡節點條件概率的確定

為了進行情景推演，需要進行第二輪問卷調查以確定貝葉斯網絡節點的條件概率。圖3中有3種類型的節點。第一類是如“暴雨”和“排水”節點，沒有父節點，需要專家根據專業經驗給出先驗概率。第二類節點是如“人員死亡”節點，沒有子節點。第三類是如“城市內澇”節點既有父節點又有子節點。在第二輪問卷中，收集專家對貝葉斯網絡各節點的條件概率的判斷，然后采用平均法對結果進行處理，表4顯示了“地鐵受損害”節點概率問卷結果和最終條件概率計算結果。

表4中，m1（1，2），…，m5（1，2）分別代表從5位專家那里收集到的概率。m（T）表示使用平均法對從5位專家那里收集到的判斷概率的再處理結果。例如，在“洪水灌入地鐵隧道”節點狀態為低風險且“修復地鐵”節點狀態為開展的情況下，5位專家給出了“地鐵受損害”節點兩種狀態（一般；嚴重）的概率分布如表4第一行所示。m1（1，2）給定值（0.7，0.3）表示在“洪水灌入地鐵隧道”節點狀態為低風險且“修復地鐵”節點狀態為開展的情況下，“地鐵受損害”節點的第一狀態（一般）的概率要大得多;因此給第一個狀態的概率為0.7，給第二個狀態的概率為0.3。用平均法對5位專家的判斷進行處理后，最終得到第一狀態“一般”出現的概率為0.75，第二狀態“嚴重”出現的概率為0.25。

3? “鄭州暴雨地鐵災害事件”情景推演與實驗仿真

3.1? 復盤推演

在構建了“鄭州暴雨地鐵災害事件”貝葉斯網絡結構和確定了節點的條件概率后，基于本文對貝葉斯網絡的描述，則貝葉斯網絡的兩個組成部分就都確定了，下面要構建完整的“鄭州暴雨地鐵災害事件”情景貝葉斯網絡。前述在介紹貝葉斯網絡時提到，可用Netica軟件來進行貝葉斯網絡的推理運算，即Netica軟件不僅可以體現貝葉斯網絡結構，也可以體現概率的推理計算過程，非常適用于本文研究內容。如圖4所示，這是Netica軟件界面截圖，是將圖3的網絡結構和節點條件概率結合起來的產物，數字代表節點狀態概率;圖中共有13個情景要素，即13個節點，每個節點為一個小方塊，方塊之間用帶箭頭的直線連接，代表了節點之間的因果關系，這樣，貝葉斯網絡結構就構建起來了，然后將節點條件概率輸入到小方塊中，完整的貝葉斯網絡就得到了構建。

“鄭州暴雨地鐵災害事件”貝葉斯網絡節點先驗概率由專家根據事件本身情況直接給定，具體解釋如表5所示。將確定的上述節點先驗概率輸入到對應小方塊中，借助Netica軟件自動推理計算得出“鄭州暴雨地鐵災害事件”貝葉斯網絡各節點變量的狀態概率。

圖4展示了“鄭州暴雨地鐵災害事件”情景演化情況：在“暴雨”等級為“特大暴雨”、“城市道路基礎設施”為“特大風險”、“加強檢查巡視，隱患排查”狀態為“未開展”時，“城市內澇”的“低風險”概率為0、“中風險”概率為“30％”、“高風險”概率為70％;在“城市內澇”的“低風險”概率為0、“中風險”概率為“30％”、“高風險”概率為70％，“排水”狀態為“未開展”，“周圍環境”狀態為“高風險”時，“洪水涌入地鐵隧道”的“低風險”概率為35.3％、“高風險”概率為“64.7％”;在“洪水涌入地鐵隧道”的“低風險”概率為35.3％、“高風險”概率為64.7％，“修復地鐵”狀態為“未開展”時，“地鐵受損害”的“一般”概率為36.7％、“嚴重”概率為63.3％;在“洪水涌入地鐵隧道”的“低風險”概率為35.3％、“高風險”概率為64.7％，“發布預警，引導人員”狀態為“未開展”時，“人員被困”的“少”概率為29.4％、“中”概率為19.5％、“多”概率為51.1％;在“人員被困”的“少”概率為29.4％、“中”概率為19.5％、“多”概率為51.1％，“疏散救援”狀態為“開展”時，“人員死亡”的“一般”概率為23％、“較大”概率為27.8％、“重大”概率為28.8％、“特別重大”概率為20.3％。

由上述計算結果可知：應用此模型推理得出的“城市內澇”節點狀態為“高風險”的概率為70％，《調查報告》提到，此次事件中鄭州主城區20日午后普遍嚴重積水，路面最大水深近2.6 m，查閱表2知其狀態隸屬于“高風險”，推算結果與真實結果大體一致;“洪水灌入地鐵隧道”節點狀態為“高風險”的概率為64.7％，《調查報告》提到，此次事件中洪水急速涌入地鐵隧道，查閱表2知其狀態隸屬于“高風險”，推算結果與真實結果大體一致;“地鐵受損害”節點狀態為“嚴重”的概率為63.3％，《調查報告》提到，此次事件中地鐵失電迫停，查閱表2知其狀態隸屬于“嚴重”，推算結果與真實結果大體一致;“人員被困”節點狀態為“多”的概率為51.1％，《調查報告》提到，此次事件中953人安全撤出，由此推斷出被困人員至少有953人，查閱表2知其狀態隸屬于“多”，推算結果與真實結果大體一致;“人員死亡”節點狀態為“重大”的概率為28.8％，此次事件中死亡14人，狀態隸屬于“重大”，推算結果與真實結果大體一致。綜上所述，推理結果與真實情況大體一致，驗證了該模型的可靠性和可行性。

3.2? 典型情景推演

為了詳細分析暴雨等級、應急響應行動、周圍環境、城市道路基礎設施對“鄭州暴雨地鐵災害事件”演化發展的影響，本文設定了幾種典型情景，推理比較最終人員死亡、地鐵受損害的概率差異，開展“鄭州暴雨地鐵災害事件”情景想定推演（計算過程仍借助Netica軟件）。

1）暴雨級別的影響。表5中，只改變“暴雨”節點先驗概率，其他節點先驗概率保持不變，進行情景推演，分別得出暴雨等級為“暴雨”“大暴雨”“特大暴雨”時“地鐵受損害”節點和“人員死亡”節點的狀態概率結果，并做分析。

由圖5可知，“鄭州暴雨地鐵災害事件”暴雨量級由“暴雨”到“大暴雨”再到“特大暴雨”情景下，最終“地鐵受損害”節點狀態為“一般”的概率越來越低，而“嚴重”的概率則越來越高;“人員死亡”節點狀態為“一般”的概率越來越低，而“重大”和“特別重大”的概率則越來越高。

2）及時的應急響應行動的重要性。為了進行對比分析，在保持表5中其他節點狀態不變的情況下，設置兩個狀態，比較分析不同狀態下造成“人員死亡”和“地鐵受損害”后果的概率差異。第一狀態為“加強檢查巡視，隱患排查”“排水”“發布預警，引導人員”“修復地鐵”4個應急響應行動節點的“未開展”狀態（表5），即“鄭州暴雨地鐵災害事件”原始狀態，對比狀態是相應4個節點狀態的反狀態，即開展“加強檢查巡視，隱患排查”“排水”“發布預警，引導人員”“修復地鐵”。

如圖6所示，4個應急響應行動從全開展到全不開展，相應地，最終造成后果“地鐵受損害”節點狀態為“一般”的概率降低，而“嚴重”的概率則升高;“人員死亡”節點狀態為“一般”的概率降低，而“重大”和“特別重大”的概率則升高;即便開展應急響應行動，造成“地鐵受損害”的“嚴重”的概率，“人員死亡”的“重大”和“特別重大”的概率仍然較高，這是因為此次事件暴雨等級為“特別重大”。

通過調節網絡中針對突發事件應急響應行動的量值，可以計算應急響應行動對災害后果的影響。針對城市內澇，加強檢查巡視，隱患排查;針對洪水灌入地鐵隧道，及時排水;針對地鐵受損害，及時修復地鐵;針對人員被困，及時發布預警，引導人員;針對人員傷亡，及時疏散救援。由此采取的應急響應措施，可以有效降低災害后果的發生概率。

3）周圍環境風險性對災害事件后果的影響。表5中，只改變“周圍環境”節點先驗概率，其他節點先驗概率保持不變，進行情景推演，分別得出“周圍環境”節點狀態為“一般”和“嚴重”時“地鐵受損害”和“人員死亡”節點的狀態概率結果，并做分析。

由圖7可知，“周圍環境”由“低風險”到“高風險”，相應地，最終造成后果“地鐵受損害”節點狀態為“一般”的概率降低，而“嚴重”的概率則升高;“人員死亡”節點狀態為“一般”的概率降低，而“重大”和“特別重大”的概率則升高;即便降低周圍環境風險性，造成“地鐵受損害”的“嚴重”的概率和“人員死亡”的“重大”和“特別重大”的概率仍然較高，這是因為此次事件暴雨等級為“特別重大”。

通過調節網絡中針對突發事件周圍環境風險性的量值，可以計算周圍環境風險性對災害后果的影響。結果表明，若早先就能降低周圍環境的風險性，則可有效降低災害后果的發生概率。

4）城市道路基礎設施的影響。表5中，只改變“城市道路基礎設施”節點先驗概率，其他節點先驗概率保持不變，進行情景推演，分別得出“城市道路基礎設施”節點狀態為“風險”“大風險”和“特大風險”時“地鐵受損害”和“人員死亡”節點的狀態概率結果，并做分析。

由圖8可知，“鄭州暴雨地鐵災害事件”城市道路基礎設施風險性由“風險”到“大風險”再到“特大風險”，最終造成“地鐵受損害”節點狀態為“一般”的概率越來越低，而“嚴重”的概率則越來越高;“人員死亡”節點狀態為“一般”的概率越來越低，而“重大”和“特別重大”的概率則越來越高;即便開展行動，降低城市道路基礎設施風險性，造成“地鐵受損害”的“嚴重”的概率，“人員死亡”的“重大”和“特別重大”的概率仍然較高，這是因為此次事件暴雨等級為“特別重大”。

由此可知，對城市道路基礎設施進行隱患排查，完善基礎設施的抗災設防標準，對預防暴雨洪澇災害以及減輕暴雨洪澇災害造成后果具有重要意義。

4? 結論與展望

本文結合情景分析方法和貝葉斯網絡建立了“鄭州暴雨地鐵災害事件”情景推演模型，對“鄭州暴雨地鐵災害事件”進行了復盤分析，并在不同暴雨等級、應急響應行動開展情況、周圍環境風險性、城市道路基礎設施風險性狀態下對“地鐵受損害”和“人員死亡”概率進行了評估與推演，得到以下主要結論：

1）歸納提煉出了代表“鄭州暴雨地鐵災害事件”演化的13個情景要素，并按不同狀態進行劃分，分別對應“突發事件”“危險因素”“應急響應行動”和“造成后果”4種類型。利用專家打分和D-S證據理論，判斷出12對具有因果關系的情景要素對，并用有向邊進行連接，構建了“鄭州暴雨地鐵災害事件”情景貝葉斯網絡結構;利用專家打分和平均法，確定了“鄭州暴雨地鐵災害事件”情景貝葉斯網絡節點條件概率，結合“鄭州暴雨地鐵災害事件”情景貝葉斯網絡結構，最終構建了完整的“鄭州暴雨地鐵災害事件”情景貝葉斯網絡。

2）根據“鄭州暴雨地鐵災害事件”實際情況，結合專家意見，確定貝葉斯網絡節點先驗概率，利用Netica軟件進行情景推演，最終得到推演結果，與“鄭州暴雨地鐵災害事件”實際結果對比可知兩者大體一致，驗證了模型的可靠性和可行性。

3）分析了暴雨等級、應急響應行動、周圍環境、城市道路基礎設施對“鄭州暴雨地鐵災害事件”演化發展的影響，結果表明，暴雨級別或災害強度、周圍環境與城市道路基礎設施、應急響應機制與防范對策等3個因素對災害損失和人員傷亡的影響同樣重要;暴雨強度和周圍環境屬天氣與城市的自然屬性，屬“天災”，而城市道路基礎設施、應急機制與防范對策則屬人為主觀范疇，若應急不力或處置不當，則屬“人禍”。因此，在“天災”難以避免的情景下，通過改進優化城市道路基礎設施和加強暴雨災害風險防范及應急機制建設，同樣可以達到避免或減輕災害損失和人員傷亡的目的。

4）暴雨強度對此次極端降水災害損失和人員傷亡的狀態概率影響顯著，這是因為造成此次事件的初始致災因素——暴雨等級為“特大暴雨”，表明極端暴雨初始致災因素對于防災減災結果具有很大的影響和制約，因此加強極端降水天氣的監測和預報預警是減輕和防范災害的重要手段和途徑。

本文針對“鄭州暴雨地鐵災害事件”的情景表達模型尚屬小范圍有限要素，訓練和仿真都基于相同的樣本，未來研究應考慮融合整個暴雨災害事件及其諸多影響因素并關注模型的泛化能力，只有這樣才能避免因局部因素不足而導致全局性、真實性降低的問題。

參考文獻（References）

Bauls V A，Turoff M，Hiltz S R，2013.Collaborative scenario modeling in emergency management through cross-impact［J］.Technol Forecast Soc Change，80（9）：1756-1774.doi：10.1016／j.techfore.2012.11.007.

諶蕓，孫軍，徐珺，等，2012.北京721特大暴雨極端性分析及思考（一）觀測分析及思考［J］.氣象，38（10）：1255-1266.? Chen Y，Sun J，Xu J，et al.，2012.Analysis and thinking on the extremes of the 21 July 2012 torrential rain in Beijing Part Ⅰ：observation and thinking［J］.Meteor Mon，38（10）：1255-1266.（in Chinese）.

丁繼勇，王卓甫，郭光祥，2012.基于貝葉斯和動態博弈分析的城市暴雨內澇應急決策［J］.統計與決策（23）：26-29.? Ding J Y，Wang Z F，Guo G X，2012.Emergency decision-making of urban rainstorm waterlogging based on Bayesian and dynamic game analysis［J］.Stat Decis（23）：26-29.doi：10.13546／j.cnki.tjyjc.2012.23.002.（in Chinese）.

Ehlen M A，Vargas V N，2013.Multi-hazard，multi-infrastructure，economic scenario analysis［J］.Environ Syst Decis，33（1）：60-75.doi：10.1007／s10669-013-9432-y.

范維澄，劉奕，翁文國，2009.公共安全科技的“三角形”框架與“4+1”方法學［J］.科技導報，27（6）：3.? Fan W C，Liu Y，Weng W G，2009.Triangular framework and “4+1” methodology for public security science and technology［J］.Sci Technol Rev，27（6）：3.doi：10.3321／j.issn：1000-7857.2009.06.001.（in Chinese）.

Gong Y S，Wang Y Z，2014.Application research on Bayesian network and D-S evidence theory in motor fault diagnosis［C］／／2013 6th International Conference on Intelligent Networks and Intelligent Systems （ICINIS）.November 1-3，2013，Shenyang，China.IEEE：240-243.doi：10.1109／ICINIS.2013.68.

郭換換，王坤，2023.基于雙偏振雷達和降水現象儀的鄭州“7.20”極端強降水微物理特征分析［J］.大氣科學學報，46（5）：713-724.? Guo H H，Wang K，2023.Analysis of the microphysical characteristics of the “7.20” extremely heavy rainfall in Zhengzhou based on dual-polarization radar and precipitation phenomenon instrument data［J］.Trans Atmos Sci，46（5）：713-724.doi：10.13878／j.cnki.dqkxxb.20220715001.（in Chinese）.

Hasman A，1991.Probabilistic reasoning in intelligent systems：networks of plausible inference［J］.Int J Bio-Med Comput，28（3）：221-225.doi：10.1016／0020-7101（91）90056-k.

侯雷，2015.對城市內澇災害應急管理的反思及建議［J］.行政與法（1）：5-9.? Hou L，2015.Reflections on city waterlogging disaster emergency management and its countermeasures［J］.Public Adm Law（1）：5-9.doi：10.3969／j.issn.1007-8207.2015.01.002.（in Chinese）.

栗晗，王新敏，朱楓，2022.“21.7”河南極端暴雨多模式預報性能綜合評估［J］.大氣科學學報，45（4）：573-590.? Li H，Wang X M，Zhu F，2022.Comprehensive evaluations of multi-model forecast performance for “21.7” Henan extreme rainstorm［J］.Trans Atmos Sci，45（4）：573-590.doi：10.13878／j.cnki.dqkxxb.20211019002.（in Chinese）.

劉春生，王斌，盧義成，2017.基于Netica的機載雷達偵察效能評估［J］.現代雷達，39（3）：8-12，16.? Liu C S，Wang B，Lu Y C，2017.Effectiveness evaluation of airborne radars reconnaissance based on Netica［J］.Mod Radar，39（3）：8-12，16.doi：10.16592／j.cnki.1004-7859.2017.03.002.（in Chinese）.

López-Valencia A P，2019.Vulnerability assessment in urban areas exposed to flood risk：methodology to explore green infrastructure benefits in a simulation scenario involving the Caaveralejo River in Cali，Colombia［J］.Nat Hazards，99（1）：217-245.doi：10.1007／s11069-019-03736-8.

Lü Y，Huang G H，Guo L，et al.，2013.A scenario-based modeling approach for emergency evacuation management and risk analysis under multiple uncertainties［J］.J Hazard Mater，246／247：234-244.doi：10.1016／j.jhazmat.2012.11.009.

繆啟龍，陳鑫，俞布，等，2012.杭州市暴雨洪澇災害風險區劃［J］.長江流域資源與環境，21（S2）：163-168.? Miao Q L，Chen X，Yu B，et al.，2012.Risk division of rainstorm flooding disasters in Hangzhou city［J］.Resour Environ Yangtze Basin，21（S2）：163-168.（in Chinese）.

Punjabi M，2005.Integrating econometric analysis with scenario analysis for forecasting in a rapidly changing environment：case study of the United States dry bean industry［D］.East Lansing，MI：Michigan State University.

任春華，孫林夫，2019.面向協作企業群的三階段主客觀公平權重動態評價［J］.計算機集成制造系統，25（11）：2874-2891.? Ren C H，Sun L F，2019.Dynamic evaluation of three-stage subjective and objective fair weights for collaborative enterprise groups［J］.Comput Integr Manuf Syst，25（11）：2874-2891.doi：10.13196／j.cims.2019.11.017.（in Chinese）.

Ritchie-Calder L，1968.The year 2000：a framework for speculation on the next thirty-three years［J］.Polit Sci Q，83（4）：663-665.doi：10.2307／2146851.

史文茹，李昕，曾明劍，等，2021.“7.20”鄭州特大暴雨的多模式對比及高分辨率區域模式預報分析［J］.大氣科學學報，44（5）：688-702.? Shi W R，Li X，Zeng M J， et al.，2021.Multi-model comparison and high-resolution regional model forecast analysis for the “7.20” Zhengzhou severe heavy rain［J］.Trans Atmos Sci，44（5）：688-702.doi：10.13878／j.cnki.dqkxxb.20210823001.（in Chinese）.

Tourki Y，Keisler J，Linkov I，2013.Scenario analysis：a review of methods and applications for engineering and environmental systems［J］.Environ Syst Decis，33（1）：3-20.doi：10.1007／s10669-013-9437-6.

王家卓，2021.三大疑問解析鄭州暴雨，八大警示加碼城市安全［EB／OL］.中國建設新聞網.（2021-08-25）［2022-10-13］.? Wang J Z，2021.Three questions analysis of Zhengzhou rainstorm，eight warnings increased the safety of the city［EB／OL］.China Construction News Network.（2021-08-25）［2022-10-13］.http：／／www.chinajsb.cn／html／202108／25／22631.html.（in Chinese）.

吳玉明，楊紅衛，2016.南京市2016年暴雨洪水分析與思考［J］.江蘇水利（12）：69-72.? Wu Y M，Yang H W，2016.Analysis and thoughts of storm and flood in 2016 in Nanjing［J］.Jiangsu Water Resour（12）：69-72.doi：10.16310／j.cnki.jssl.2016.12.016.（in Chinese）.

嚴昇，2015.我國大型城市暴雨特性及雨島效應演變規律［D］.上海：東華大學.? Yan S，2015.The rainstorm characteristics and rain island effect evolvement rule in Chinese large cities［D］.Shanghai：Donghua University.（in Chinese）.

葉瑞峰，潘耀忠，唐鈺嫣，等，2022.基于主成分分析的城市內澇災害風險評估：以杭州市臨安區為例［J］.杭州師范大學學報（自然科學版），21（3）：320-326.? Ye R F，Pan Y Z，Tang Y Y，et al.，2022.Risk assessment of urban waterlogging disaster based on principal component analysis：an example of Linan District of Hangzhou［J］.J Hangzhou Norm Univ（Nat Sci Ed），21（3）：320-326.doi：10.19926／j.cnki.issn.1674-232X.2022.03.013.（in Chinese）.

殷杰，尹占娥，王軍，等，2009.基于GIS的城市社區暴雨內澇災害風險評估［J］.地理與地理信息科學，25（6）：92-95.? Yin J，Yin Z E，Wang J，et al.，2009.GIS-based disaster risk assessment of the urban community rainstorm waterlogging［J］.Geogr Geo-Inf Sci，25（6）：92-95.（in Chinese）.

張煒，李思敏，時真男，2012.我國城市暴雨內澇的成因及其應對策略［J］.自然災害學報，21（5）：180-184.? Zhang W，Li S M，Shi Z N，2012.Formation causes and coping strategies of urban rainstorm waterlogging in China［J］.J Nat Disasters，21（5）：180-184.doi：10.13577／j.jnd.2012.0525.（in Chinese）.

張正濤，崔鵬，李寧，等，2020.武漢市“2016.07.06”暴雨洪澇災害跨區域經濟波及效應評估研究［J］.氣候變化研究進展，16（4）：433-441.? Zhang Z T，Cui P，Li N，et al.，2020.Research on the assessment of the multi-regional economic ripple effect caused by disasters：a case study of a flood disaster in Wuhan city on July 6，2016［J］.Clim Change Res，16（4）：433-441.doi：10.12006／j.issn.1673-1719.2019.259.（in Chinese）.

宗旻，2020.基于PRS與SWMM模型的城市內澇問題研究［D］.撫州：東華理工大學.? Zong M，2020.Study on urban waterlogging based on PRS and SWMM Model［D］.Fuzhou：East China Institute of Technology.doi：10.27145／d.cnki.ghddc.2020.000116.（in Chinese）.

·ARTICLE·

Scenario analysis and simulation deduction of the “Zhengzhou Rainstorm Subway Disaster Event” based on Bayesian network

REN Yongcun1，ZHANG Ren1，ZHANG Yongsheng2，SUN Han2，LI Ming1，LIU Quanhong1，XU Jing1

1College of Meteorology and Oceanography，National University of Defense Technology，Changsha 410000，China;

2Institute of Space New Meteorological Digital Disaster Reduction，Beijing 100000，China

Abstract? The sudden subway disaster resulting from exceptionally heavy rainfall in Zhengzhou，Henan Province，on July 20，2021，marked one of the most significant casualties the city had experienced in recent years.This incident arose from a combination of objective factors，such as intense rainstorms and unexpected accidents，and subjective factors，including a lack of risk awareness and inadequate emergency response mechanisms.This paper begins by identifying key scenario elements within the evolution of the “Zhengzhou Rainstorm Subway Disaster Event” and constructing the scenario evolution process of the event through scenario analysis.Building upon this foundation，we create a scenario deduction model for the “Zhengzhou Rainstorm Subway Disaster Event” using Bayesian network.Expert scoring methods are employed to calculate the conditional probabilities of network nodes，and Netica software is used to compute the state probabilities of disaster scenarios nodes.Finally，we assess and deduce the probabilities of personnel fatalities and subway damage under varying levels of rainstorm disasters，different emergency response activities，and distinct surrounding environmental conditions.The objective is to extract insights，pinpoint vulnerabilities，and provide valuable references for risk prevention and response measures in anticipation of and protection against events similar to the “Zhengzhou Rainstorm Subway Disaster”.

Keywords? Zhengzhou Rainstorm Subway Disaster Event;scenario analysis;Bayesian network;risk assessment

doi：10.13878／j.cnki.dqkxxb.20221013001

（責任編輯：倪東鴻）