朱晓鑫，张广海，孙佰清，孟 禺（．中国海洋大学管理学院；．哈尔滨工业大学管理学院）

1 引言

近年来，我国各类突发性灾害事件的发生周期明显缩短，发生频率显著升高，社会公共安全危机已由非常态化的偶发转变为近常态化的频发。［1]为有效提高国家突发事件应急应对能力，国务院和全国人大分别在《国家突发公共事件总体应急预案》和《中华人民共和国突发事件应对法》中强调，应急物资调度配置、运输保障及应急响应机制等环节为应急管理中的关键建设环节。［2,3]2018年3月，中华人民共和国应急管理部的正式设立更是彰显了国家对应急管理体系构建及应急计划制定和实施之重视。

人工智能目前的研究思路是基于大数据和深度学习算法的信息处理技术，以机器自身超强的运算精度和数据处理能力为优势进行机器学习。应急管理数据通常体量小采集难度大，同时对数据质量要求较高，同时，我国应急管理体系以政府为主体，超过80%的数据资源为政府所支配和占有。［4]因此，在大数据和人工智能的新思维背景下，政府应急部门的信息资源数字化转型是社会发展大势所向。

由于用户隐私与便利性的冲突以及数据安全的风险，突发事件数据库和政府应急部门的公开大数据获取难度较大。英国、美国、加拿大、新西兰和澳大利亚等国自2009年起先后制定和实施了符合本国开放模式的数据共享平台。目前，基于Data.Gov的构建依据，我国还未形成实质性的国家政府数据开放平台。而“中国政府公开信息整合服务平台”尚属各种简报和通知信息统筹的政务公报范畴，政府数据开放和规范程度还存在很大提升空间，缺乏国家应急管理数据的开放标准和监管机制，较少从应急管理体系关键问题的具体研究方法探讨政府开发和利用开放数据的有效性和重要意义。鉴于此，文章基于人工智能不同路径的视角，试图通过总结应急物资需求预测的国内外理论动态并划分研究方法，基于大数据机器学习路径的内部特征，对我国政府应急管理相关数据的开放和共享进行必要性分析，同时从政府开放数据的角度探析了应急管理在人工智能时代的机遇与挑战，提出政府应急管理数据的开放政策和建议，不仅有利于全面认知应急物资管理的现有研究理论和发展动态，同时为我国应急管理数据共享和利用提供新思维，对未来突发事件应急物资筹集和配置具有一定启发意义（见图1）。

图1 研究路线图

2 人工智能与应急物资需求预测方法分析

应急物资管理体系主要包含应急物资的需求预测、筹集、调度和配置4个关键环节的研究，其中物资需求预测研究是基础和核心所在。应急物资需求预测量是突发性灾害事件发生后，应急决策者对受灾民众提供基本保障所需物资最低临界值。科学的应急物资需求预测是物资调度和配置的基础，需求预测过高会造成资源冗余和浪费，大量堆积的物资会阻塞应急疏散通道导致救援不畅；需求预测过低则会导致物资配置不足，可能引发民众恐慌进而影响社会稳定。由于应急救援面临着需求目标模糊性和突发性、人力和资本资源缺乏、救灾环境不确定性、准备响应零时差以及救援时限性等众多挑战，国内外学者对应急物资需求预测研究各持己见，尚未形成较为统一的研究方法。下表列举了目前应用广泛的应急物资需求预测研究方法，包括时间序列分析、数学模型、案例推理分析和信息技术分析方法的代表文献和研究过程。

表 应急物资需求预测方法的研究结果总结

2.1 时间序列理论

时间序列理论由于应用广泛且操作灵活，常被用于应急物资需求预测研究。目前，常用的时间序列分析方法有：自回归移动平滑法、独立同分步法和指数平滑法、差分自回归移动平均模型（AutoregressiveIntegrated Moving Average Model，ARIMA）。20世纪 70年代，ARIMA模型由Box等人［5]提出，作为时间序列理论中预测应急物资需求最为科学、合理的方法之一，与传统的时间序列方法相比优势明显。传统的时间序列分析一般针对具有明显典型特征和趋势的社会现象或自然现象进行未来走向预测，而现实发生的很多突发事件由于其随机性和复杂性并不完全具备典型的预测性。此时，ARIMA模型分析方法很好地解决了该限制的不足，更适用于预测在时间序列中较为复杂的突发性灾害事件。同时，经ARIMA差分后平稳的时间序列分析更为简易、可信度较高，其预测结果被专家学者普遍认可。

Holguin-Veras J等人［6]根据各类应急物资的历史数据构建ARIMA模型，并对2005年卡特里娜飓风事件所需的各种应急物资进行需求预测和相关政策分析；朱晓鑫等［7]以1948年中国发生的重大地震为真实数据库，通过案例推理（Case-based Reasoning，CBR）和ARIMA相结合的方法，对2008年5月12日发生的汶川地震中其死亡人数和物资需求进行预测。然而，时间序列法同样存在固有的弊端，震后应急物资需求预测的应用数据常常存在稳定性缺失、模糊不完备等问题，在一定程度上限制了时间序列方法的全面应用。

2.2 数学模型及算法

目前，由于应急物资需求配置多目标、多阶段和多属性等特性，多数研究关注集中于多目标线性规划和相关算法。主要应用到的数学模型有灰色系统模型、二型模糊系统和支持向量机等。国内大多研究思想多数先运用CBR预测死伤人数，再结合库存管理知识构建数学模型计算物资需求量。如：张斌［8]通过构建空间量化模型，对灾区救援物资的定性需求进行预测，并验证了模型的科学性和有效性；Jiuh-Biing Sheu［9]针对灾情信息不完全可知的情况下，对各地区所需的应急物资数量进行动态预测，其计算目标主要遵循两个原则，即不断更新死伤人数和不断逼近各地域的实际所需；王晓等［10]将线性回归、神经网络算法和模糊数学等有机结合，运用CBR对灾情信息不完备下的应急物资需求进行预测。

2.3 案例推理（Case-basedreasoning，CBR）

相对于传统的规则推理（Rule-based Reasoning,RBR）分析方法，作为人工智能领域的一个新兴领域，［3]案例推理法在突发事件应急物资需求预测领域得到广泛的应用和认可。以震灾为例，其主要研究思想是对以往的地震历史案例库进行搜索，通过相关属性数据的分析和推理筛选出与待测地震案例最为相似的案例，此时认为搜索到的案例与待预测案例在决策变量上具有一定的相似性和参考性。该方法基于传统路径通过模仿人类大脑的思维方式，对待测案例进行推理分析，其应用可以对历史案例进行实时调整和更新，对于新案例预测具有现实意义。

郭瑞鹏［11]通过案例的模糊推理模型，研究了应急物资的需求及分级，并给出推理实现过程；郭晓汾［12]应用CBR和人工智能技术，根据不同种类应急物资的需求特征，提出应急物资实时需求评估和预测的新方法；郭金芬等人［13]将震灾发生时间、抗震强度、震中强度和震级等纳入关键影响因素，运用BP神经网络算法首先预测震后死伤人数，又通过库存管理模型间接计算出受灾区域所需的应急物资数量；傅志妍等［14]在原有应急物资需求预测方法的基础上进行了相应地改进，通过标准化的欧式聚类，搜索待测事件的相似案例，提出了基于案例推理——关键因素需求预测模型，并最终通过“5·12汶川地震”进行案例验证。

2.4 大数据机器学习

大数据是指海量、多样化且难以在一定时间内完成信息采集、筛选和处理等工作，进而协助管理系统进行有效决策的大规模数据信息。随着互联网时代大数据技术和应用的广泛发展，传统的预测研究方法面临全新挑战，以大数据挖掘、物联网技术、虚拟现实以及人工智能技术等，基于机器学习路径的应急物资预测方法已经成为大势所趋。

随着互联网和云计算的发展，以电脑和手机等各种智能设备为数据获取路径，应急物资需求预测方面的研究方法趋于人工智能并引起广泛关注，这些方法以探索需求估计和应急物资的路由调度的特点，从而作出更可行的应急决策。［15-17]目前，随着卫星和航拍遥感技术的高速发展，一些研究利用了地理信息系统针对灾后损失情况进行研究和评估，该结果可以为应急中后期阶段的物资需求预测提供决策基础。［18]大数据处理技术正在以无与伦比的速度优势和全新思维，通过深入剖析巨大数据进而获取潜在价值和深邃洞见的新型模式。［19]

3 研究方法与数据分析

3.1 数据来源

2018年10月6 日，通过中国知网CNKI进行文献检索，以“主题”为“应急物资”或含“应急资源”并且“预测”进行检索，发文时间设为2003-2018年，共检索出226条文献（见图2）；其中，2015年发文量最大为33篇，2012年29篇，2013年25篇。通过对相关文献进行关键词和发文量分析，总结应急物资需求预测的国内外研究方法和人工智能路径。

图2 2003-2018年关于突发事件应急物资需求预测的发文量变化

3.2 研究热点与内容聚类分析

我国在应急物资需求预测研究方面起步较晚。从2003-2006年，我国只有少数学者开始关注突发事件应急物资需求预测的研究，内容多为国外应急物资管理借鉴及我国案例实证分析；2006-2015年，随着我国对突发事件关注不断增强及应急救援能力发展日益深入，应急物资需求预测、应急调度配置等受到学者广泛关注，应急物资需求预测的论文发表量呈现上升态势，相关研究在修正、深化与发展应急物资理论的同时，也拓展了其研究边界和运用范围；2015-2018年，关于应急物资需求预测的发文量呈高位波动态势，表明该领域研究在我国已进入相对成熟期。

关键词作为论文的重要部分和思想精粹，其共现水平可反映某研究的热点领域。由图3可知，2003-2018年间，在中国知网上检索到的论文应用到的需求预测方法由高到低分别是案例推理分析、BP神经网络和遗传算法，而这些同属机器模拟人脑思维的人工智能范畴。然而，模拟大脑并非是唯一出路，［20-22]该路径虽在一定程度上解决了应急物资管理的部分需求预测工作，却对机器学习研究路径仍未形成统一认知，与大数据背景下智能设备相结合的实用型成果转化不足。因此，如何将人工智能的模拟大脑和机器学习有效融合，是目前国内外研究的热点问题。同时，从中国知网收录的期刊来源看，突发性灾害事件应急管理领域虽从属于政府应急管理的决策范畴，其科研主体并非行业研究机构或政府部门，而是以高等院校为支撑的学术组织。其中，发文量较大、影响范围较广的科研主体有西安交通大学（7篇）、大连海事大学（6篇）、南京理工大学（4篇）、哈尔滨工业大学（4篇）、武汉理工大学（4篇）、南京航空航天大学（4篇）等，上述院校共同构成了我国突发事件应急物资管理研究的学术圈。

图3 2003-2018年发表论文关键词及出现频次

4 政府开放应急管理数据的必要性和存在的问题

我国应急管理是以政府为主导的国家强制性要求，政府部门掌握着大量应急物资管理相关的数据。与国外相比，我国在政府数据开放方面尚未正式出台相应政策、法规，在一定程度上制约了我国突发事件应急物资管理研究的发展。根据应急物资需求预测研究方法的内在特征，制定政府数据开放政策将推动我国应急管理体系的深入发展和长足进步。

4.1 基于大数据样本的机器学习训练

在人工智能领域，国内外应急管理的研究重点集中于机器学习理论，而多数情况下，大量的案例数据是机器学习完成智能训练之本。同样，随着机器学习逐渐进入应急管理学科的视野，科学合理的应急物资需求预测模型应基于不同变量的综合性历史数据，这就要求数据平台开放突发事件发生时间、灾害种类、地理位置、发生强度等属性详细完备的高质量数据。而目前我国政府部门的内部数据多为结构化数据，在半结构化和非结构化数据撷取和存储上亟待提高。另外，部分可查询数据的准确性和真实性有待考察，数据质量参差不齐，缺乏数据质量管理标准等在一定程度上制约我国应急管理数据的挖掘和利用。

4.2 实时数据精准化需求预测

大规模突发事件发生后，不确定性应急物资需求总量急剧上升，各类应急物资时效性和紧迫性又不尽相同，需求结构（医疗物资、生活基本保障物资、应急救援物资以及恢复重建所需物资四大类物资的相对数量比）较为复杂，不同阶段的应急物资需求类型和需求总量发生持续性动态变化，对物资需求预测工作的时间和预测准确性方面均提出了更高的要求。同时，突发事件不同应急时段，应急物资的需求优先级也在实时变化着。因此，实现大数据的实时更新是下一阶段物资需求精准预测和优化配置的关键。而目前我国突发事件的官方历史数据获取难度大，由于灾情实时数据信息在线社交网络平台的相对易获取性，国内研究主要关注基于社交媒体的突发事件检测、网络舆情扩散监测和规律分析和网络舆论集群行为等。［23-25]

4.3 完善和更新智库建设

应急管理数据系统的建立和更新对于完善我国应急管理智库体系具有重要意义。相关数据显示，［26]在政府数据管理系统是否有专人维护和管理的问题调查中，一些被调查者表示其所在的政府部门没有负责系统维护和管理的专门人员，在数据采集和存储方面也并未设专人负责。缺乏数据管理和系统维护的反馈和改进机制是目前我国政府应急部门数据公开的另一重要问题，由于没有统一的格式标准和专人管理，各类数据未被统一标准并合理地录入数据库。近年来，由于缺乏政府数据支撑而未形成有效的政府数据涉入的研究体系，我国应急管理数据分析大部分来自不同局部的在线信息检索和搜寻，信息来源的不权威性和不全面性对需求预测的精准度影响颇大，碎片化的数据拼图在全局意义上不利于应急管理体系的建立和完善。

4.4 人工智能路径研究的发展

国内外应急管理研究主要侧重于人工智能的机器学习路径，对大数据智能设备相结合的研究路径关注较少。由于突发事件的复杂性，在事件发生短时间内可能难以直接获得受灾民众的需求信息，而物资需求预判的主观性和模糊性使得信息在各个应急时期的更新过程中需要耗费大量的人力和物力。目前在商业、教育和医疗等诸多领域，应用大数据机器学习路径提高需求预测精准性的人工智能案例值得应急物资管理预判和决策研究领域借鉴。举例而言，在实际的应急物资需求配置工作中，针对突发事件的受灾民众，可以通过人脸识别进行不同年龄和性别的个性化需求服务，精准定位不同类群进行靶向配置；通过跟踪识别服务，大数据处理可以及时更新灾民各类物资需求，从而进行后续精准定位和配置反馈；通过“端云协同”可穿戴设备深入挖掘更多共性的应急需求情境，针对不同情境推出精准预测、智慧配置等方案，从而丰富和提升传统的应急情境理论研究。基于大数据的智能设备的开发和探索亟需政府应急部门的权威数据源，数据开放平台难以通过公开申请获取在一定程度上阻碍了灾害应急管理和人工智能学科的发展。

5 完善我国政府开放应急管理数据的风险和对策

应急管理涉及国家数据安全和用户隐私，与其称政府应急部门数据公开和监管为技术问题，不如将其归于管理问题。政府公开大数据需要应急管理部门完善数据质量、维护国家信息安全和保护人民的隐私，唯有此才能不断促进政府应急管理数据的良性循环和有效利用。

5.1 加大政府应急管理信息开放平台的支持度

2012年6 月，上海市政府率先向社会开放和共享政府数据资源，自此全国近20个地方政府开展了政府网站数据共享服务。而这些数据资源大部分都是基于便民和企业经济发展所用，在国家和地方的应急管理局网站上获取灾害事件相关的开放数据仍然十分困难。在政府应急管理数据开放方面，应当加大政府支持力度，全面整合和统筹应急信息的大数据平台和共享中心。加强政府信息资源和社会信息资源的关联度，通过加快构建国家应急管理数据信息共享服务平台，进而推动政府应急管理、社会救援组织、学术机构和普通民众的互利互动。

5.2 设立应急信息数据管理专职部门

政府应急管理相关数据的开放服务工作量，涉及信息技术、应急管理和数据统筹等多个部门，为确保政府数据开放工作高效、稳步开展，亟需成立应急管理信息的专职服务部门。2018年3月至今，随着“中华人民共和国应急管理部”的正式设立，各级地方应急管理厅/局的政务管理工作也循序渐进开展，17个地方应急管理部门陆续挂牌。当下，组建应急信息数据的专职管理部门和一支应急数据管理的专业团队，并进行明确的职责分工势在必行。此外，政府应急部门应当提高数据质量（完整性、真实性和准确性）的评估工作，加强高质量数据的评估和开放，促进应急管理体系和灾害管理学科的良性循环。

5.3 加强数据安全的风险管理和监督

不同于商业领域的案例大数据平台开放，应急管理案例大数据体量小却价值千金，且涉及国家网络和信息安全，前期准备工作要确保万无一失。我国政府机构尚未出台网络大数据开放和共享相应的法律法规，在个人隐私和数据安全方面的管理和监督体制还有待提升。在数据采集、筛选、录入、管理和使用环节应建立严格的监管和回溯制度，并对开放平台的服务和效果进行评估和反馈，针对不同问题提出精准治理的方案和对策，严禁对涉及数据安全和个人隐私的信息转载和泄露。另一方面，应当提高政府应急部门和民众间的互利互动，为各大科研机构和社会公众的有识之士提供前瞻性和预测性的建议创造条件，针对开放数据向社会征集预测和数据挖掘的分析报告和建议反馈等。

6 结语

应急管理的政府数据是国家重要的战略资源，面向全社会信息服务平台的共享和利用，无论是提高政府工作效率、提升政务透明度，还是创新可持续发展社会的政府转型都具有重要意义。在应急管理的研究方面，国外起步较早，多运用时间序列分析和构建数学模型的方法。自2003年起，国内学者开始基于不同视角进行突发事件应急物资需求预测，虽在应急物资管理研究方面起步较晚，却在人工智能模拟大脑的传统路径技术领域的应用广泛，主要包括遗传算法、案例推理分析和神经网络等，探索和改进基于大数据和智能设备的机器学习路径研究不足。随着人工智能的数据化转型时代拉开帷幕，固步自封并非改进人工智能、优化专家在应急管理领域的有效途径，开放和共享高质量应急管理数据信息，并因地制宜地应用于应急物资管理研究方法才是应急管理的必经之路。同时，对于政府开放数据平台的双刃剑性质，在数据效能利用和数据风险保护之间应做好利弊权衡。随着国家各级政府大力推动和共建应急管理数据开放及共享平台，通过激活政府应急管理数据资源的全新方式，人工智能大数据为政、商、民所用，为未来真正实现政府、企业和社会公众的互惠互动、政府数字化转型指明模拟人类智能开发和探寻机器人类智能化的未来之路。