齐蔓菲，於 家，姜 丽，温家洪，李仙德，徐 慧，毕雪梅

(1.上海师范大学 环境与地理科学学院，上海 200234； 2.江苏省地震局，江苏 南京 210014)

0 引言

近年来，各类突发事件在世界各地不断发生，自然灾害和人为灾害给人类生产生活带来巨大损失与负面影响。随着经济的高速发展，城市化发展进程加快，城市地区人口高度聚集，而道路网络建设发展速度滞后于人口密度的增长速度，造成城市道路疏散不足。突发事件一旦爆发，极易造成交通堵塞和人群聚集，导致疏散效率降低，造成严重的人员伤亡和经济损失[1]。为应对各种突发事件，较多研究者均在积极开展与城市应急措施相关的研究，开展疏散风险评价工作，并据此制定应急疏散预警方案，旨在有效减轻甚至避免突发事件造成的危害[2]。

应急疏散研究一直是城市公共安全的重点研究内容。当前该领域的研究热点主要涉及1)运用社会力模型、元胞自动机、多智能体等模型开展疏散仿真模拟[3-4]；2)基于网络优化算法对疏散路径进行规划与优化[5-6]。这2种研究均可以设置一定的假设前提，在某区域的二维或三维场景中进行应急疏散模拟或疏散路径优化，适用于特定的情景。而疏散风险评价与上述研究有所差异，主要从宏观角度掌握应急疏散风险，为制定疏散预案、预警方案提供参考依据。

本文开展的道路疏散风险评价主要针对人员在城市道路上进行应急疏散中存在的风险。目前学术界的疏散风险评价方法主要分为定性分析法、半定量分析法和定量分析法[7-8]，但由于定性分析法多凭分析者的直觉、经验来分析，准确性与客观性方面有所欠缺，因此越来越多的研究者采用定量分析法开展研究。道路疏散风险定量评价的研究主要分为2个方向：1)从疏散规划的角度，通过模型模拟发现疏散中存在的各类问题，并分析其严重程度，从而评价疏散风险，这类研究多建立在突发事件已知的基础上，适用于小范围研究区域的风险评价，缺点是方法可移植性较低[9]。2)在突发事件未知的情况下通过评估道路网络拓扑结构的脆弱性来评价道路疏散风险，例如基于复杂网络节点重要度的评价方法和基于节点脆弱性的评价方法[10]，以及Cova等[11]在1997年提出的临界簇模型评价方法。当前较多相关研究均基于临界簇模型开展[12]，但该方法缺点是考虑参数较少，仅考虑疏散人数与道路出口数量，存在一定的局限性。另外，由于城市人口分布是动态变化的，不同时间同一区域内的人口数量变化可能较显著[13]，因此道路疏散风险研究中考虑城市人口的动态性会更为合理。

基于上述的分析，本文拟综合考虑道路自身属性特征、道路拓扑结构、实时交通路况与实时人口数量的影响，建立道路疏散风险评价函数，并结合临界簇模型，提出“道路疏散风险指数”，综合评价城市道路的人员疏散风险。以上海市外环线内的区域为研究区，运用提出的方法，从整体与局部分别分析不同时刻风险指数的分布和变化情况；以加油站爆炸为情景，开展突发事件情景下的道路疏散风险评价。该方法可以应用于不同尺度的道路疏散风险综合评价，同时亦可以结合特定突发事件情景进行道路疏散风险评价工作，其结果可为城市道路规划、交通基础设施配置和应急疏散管理提供有效参考。

1 研究方法

1.1 道路疏散风险综合评价

开展道路疏散风险综合评价研究，旨在综合评价人员在道路上进行应急疏散的风险，从而对城市道路规划、交通基础设施配置以及疏散预案和预警提供决策参考。评价中考虑多种风险影响因素，包括道路自身属性、交通路况、道路拓扑结构等，建立道路疏散风险评价函数(Evacuation Risk Evaluate Function,EREF)，并结合临界簇模型(Critical Cluster Model,CCM)，提出“道路疏散风险指数”，量化评价道路疏散风险并得到研究区的综合评价结果图。道路疏散风险指数的计算如式(1)所示：

Rc=EREF·BLD

(1)

式中：Rc为道路疏散综合风险指数；EREF为道路疏散风险评价函数；BLD为道路容量需求(临界簇模型的表征值)。

1.2 突发事件情景下的应急疏散风险评价

突发事件情景下的道路疏散风险评价，一般根据某种类型突发事件的特征展开分析，能够提供更为具体、针对性更强的应急疏散决策参考。当突发事件发生时，除了道路自身属性等影响外，突发事件环境条件、扩散模式等众多复杂不确定因素亦会影响疏散风险评价结果，目前相关研究中需要依靠物理和化学等相关学科的理论或者实验来获得[13]。考虑到疏散风险多数情况下与突发事件发生中心距离及突发事件强度因素有较强的关联，因此本文对上述复杂因素进行了简化，假定突发事件对城市道路造成的影响与事件发生地到该道路所在位置的空间欧式距离呈负相关关系，并考虑突发事件的强度。突发事件情景下的道路疏散风险指数如式(2)所示：

(2)

式中：Re为突发事件情景下道路疏散风险指数；D为突发事件发生地到道路的空间欧式距离；a为突发事件强度。

1.3 道路疏散风险评价函数

考虑城市人员疏散过程中的实际情况，选择6个主要影响因素，建立EREF，定量评价人员疏散的综合风险。

1)道路宽度：道路宽度是影响道路疏散效率的1个重要因素，较宽的道路具有较大的行人承载能力，在疏散过程中可以提供较好的疏散条件。

2)道路障碍系数：道路障碍系数由电阻的概念引申而来，电阻是电学物理量，在物理学中表示导体对电流阻碍作用的大小。本文中道路的节点被视为电子电路中的节点，而道路则被视为节点之间的电阻，行人流被视为电子电流。可以用道路障碍系数表示道路自身结构属性对人流疏散作用的大小，如式(3)所示[7]：

(3)

式中：RRC为道路障碍系数；RL为道路长度,m；RW为道路宽度,m。

3)建筑威胁度：在某些特定的突发事件下，建筑物对于人员疏散存在一定的影响，即越靠近高层建筑物越危险，因此人员应该尽量避开高层建筑物，尽快疏散到邻近的避难场所。在本文的道路疏散风险综合评价中，将建筑物威胁度纳入疏散风险评价体系中，而对特定突发事件疏散情景，根据突发事件特性决定是否采用建筑威胁度这一影响因素。建筑威胁度[7]的计算如式(4)所示：

(4)

式中：BT(j)为道路j的建筑威胁度；lbr为建筑物i与道路的最短距离,m；H为建筑物高度,m；n(j)为可能影响道路j的建筑物总数。

4)行人逆流阻碍：在突发事件发生时，部分疏散人员可能为寻找家人等原因，离开当前疏散人群而选择其他的疏散路线，产生行人逆流现象。有学者开展相关研究，在不同道路宽度的条件下，通过STEPS软件仿真获得疏散延迟时间，用疏散延迟时间与实际疏散时间的比值表征行人逆流阻碍，然后根据曲线拟合出行人逆流阻碍[7]，如式(5)所示：

RPC=1.776e-1.381RW(RW≥0.8 m)

(5)

式中：RPC为行人逆流阻碍。

5)交通流阻碍：交通流的情况对人员疏散具有较大影响，尤其是在道路交叉口。当疏散人群横穿道路或道路交叉口时，严重的交通拥堵会阻塞疏散路线，并降低人员疏散速度。本文借助高德API获取交通态势数据，获取路况指数和车辆实时车速2个重要指标。路况指数分为4级，分别是：0未知，1畅通，2缓行，3拥堵。针对路况未知的道路，假设其路况指数为“1畅通”。每个道路节点都给出实时平均车速。交通流阻碍计算公式如式(6)所示：

(6)

式中：RTF为交通流阻碍；status为路况指数；speed为实时车速,km/h。

6)应急避难场所分布系数：应急避难场所是应对突发公共事件，安置疏散人员的安全场所[14]。本文借助高德API获取应急避难场所数据，统计每条道路路段500 m范围内应急避难场所的数量，以此作为应急避难场所分布系数。

综合上述6个影响因素，构建道路疏散风险评价函数EREF，如式(7)所示：

(7)

式中：ES为应急避难场所分布系数。

1.4 临界簇模型

临界簇模型能够系统地识别人员在道路上疏散过程中可能面临的疏散困难，探究区域内道路网络的脆弱性。其中疏散困难包括人群在转移过程中造成的拥挤、碰撞、滞留和不可预测的意外情况，紧急情况下组织管理者对交通安全布控和实施救援的难度，以及被疏散对象(人员、财产及交通工具)脱离危险区域的难度[12]。本文中临界簇模型主要考虑该区域的道路拓扑结构和道路上需要疏散的人员数量，用道路容量需求(Bulk Lane Demand,BLD)表征。BLD值越高，表示道路出口需要承载的被疏散人员数量越多，区域内人员疏散过程越困难，疏散风险越大。BLD值的计算方法如式(8)所示：

(8)

式中：P为需要疏散的总人数,人；C为通向外部的道路出口总数,个。

为说明具体计算方法，临界簇模型示意[13]如图1所示，道路网中包含A到F共6个道路节点，假设各道路节点的人员数量为1，临界簇的搜索阈值为5，即搜索除根节点A以外的5个节点，每搜索1个新的节点，加入前一步的簇中共同进行计算。当只考虑根节点A时，因为存在通向B和C的2个疏散出口，此时的BLD为0.5；当进一步增加B节点后，存在通向C和D的2个疏散出口，而人员数增加为2，得出BLD的结果为1；以此类推，可以计算得到图1中所有节点的簇的BLD值。由于当ABCD作为1个簇时，BLDABCD的BLD最大，认为此时的疏散风险最大，簇ABCD即为根节点A的最大临界簇。

图1 临界簇模型示意Fig.1 Schematic diagram of CCM

2 研究案例

2.1 研究区

本文以上海市外环线区域内的中心城区为研究区，如图2所示，包括黄浦区、静安区、虹口区、杨浦区，以及长宁区、徐汇区、浦东新区、闵行区、宝山区、嘉定区的部分区域。外环线内城区面积680 km2，连接10条快速干道、10座大型全互通立交和徐浦大桥、外环隧道2座越江工程。研究区几乎覆盖上海市大部分的道路交通网以及用于实现各城区贯通的交通骨架。

图2 上海市外环线区域内的中心城区Fig.2 Central urban area inside Shanghai Outer Ring Road

2.2 数据处理

根据EREF与CCM中所需要的道路数据、建筑数据、实时交通态势数据和动态人口数据的需求，需要分别对各类数据进行获取和处理。

上海市外环内中心城区道路数据采用线状矢量数据格式，依据城市道路的中心线在ArcGIS软件中绘制，数据属性中包含道路宽度与长度信息，根据道路网络拓扑结构的要求，将每条道路在道路交叉口处打断成分段的路段，相邻路段通过交叉口节点相互连接。由于使用的是线状矢量数据，该数据能够应用于不同尺度的研究中。建筑物数据为面状矢量数据格式，属性包含建筑面积、建筑物高度与建筑物楼层数。应急避难场所数据通过调用高德API获得，包含应急避难场所的位置信息。

实时交通态势数据通过调用高德地图API获得，其中包含道路路况指数与车辆实时车速属性信息。以Python语言为基础，设计爬虫程序爬取2019年8月1日至2019年8月31日的数据并做处理，选择早晚高峰作为研究时间段，早高峰选择7:00～9:00，晚高峰选择17:00～19:00，通过统计分别得到早晚高峰道路的车辆实时车速与路况指数。

实时人口数据基于腾讯“宜出行”提供的用户密度数据为基础进行估算。该数据为空间分辨率为25 m的用户密度数据，爬取数据的时间段与实时交通态势数据一致。用户密度数据与人口数据具有较强的相关性[15]，可以将每个用户密度点视为1个人口点。遍历道路网络节点，寻找离每个人口点距离最短的道路节点，统计每个道路节点的服务范围，即每个道路节点需要疏散的人口总数。道路疏散人数分区统计示意如图3所示。

注：假设每个人口点数据的人数为1人图3 道路疏散人数分区统计示意Fig.3 Schematic diagram for zonal statistics on personnel number of road evacuation

3 结果分析

3.1 道路疏散综合风险评价结果

本文将EREF中6个影响因素和BLD值作为自变量，以RC为因变量，进行多变量相关性分析。结果表明：BLD，RRC，RPC与RC呈显著的正相关关系；RW和ES表现为较显著的负相关关系，其中BLD值相关性最强，皮尔逊相关系数为0.276。BT和RTF则未表现出显著的相关性。因此，主要围绕临界簇模型BLD中的2个影响因素(人口数量与道路结构)以及其他显著相关因素开展具体分析。

3.1.1 道路疏散风险整体情况

早高峰时段(7:00～9:00)上海市外环内道路疏散风险指数空间分布如图4所示，风险指数较高的道路主要分布在黄浦江以西区域。其中黄浦区、静安区是上海市中心城区，具有商业发达、产业集聚的特点，同时亦是主要旅游景点，例如①外滩②南京东路③静安寺等坐落的区域，工作人口和游客聚集；虹口区的④鲁迅公园是上海主要历史文化纪念性公园，众多游客与市民聚集于此；杨浦区的⑤五角场是上海4大城市副中心之一，亦是人流量较大的区域。此外黄浦江以东部分区域存在风险指数较高的情况，主要有浦东新区的⑥世博展览馆与⑦陆家嘴金融中心及世博展览馆附近的道路。世博展览馆中有中国馆、世博中心、演艺中心、五星级酒店等，是国际性现代服务业聚集区，游客量大，而陆家嘴金融中心工作人口聚集。以上这些区域在研究时段内人口数量大是疏散风险较高的主要原因。

图4 早高峰时段(7:00～9:00)上海市外环内道路疏散风险指数空间分布Fig.4 Spatial distribution of road evacuation risk index inside Shanghai Outer Ring Road at morning rush hours (7:00～9:00)

研究区内另外一些区域的人口数量相对较小，但道路疏散风险指数却仍然较高。这种情况主要是受区域内道路结构、道路宽度、道路障碍系数以及行人逆流阻碍因素的影响。为具体说明类似区域道路疏散风险指数较高的原因，在图4中选择具有代表性的A，B，C，D4组区域进行分析，不同区域道路疏散风险分布如图5所示。

图5 不同区域道路疏散风险分布Fig.5 Distribution of road evacuation risk in different areas

表1 代表性区域道路主要信息Table 1 Main information of roads in representative areas

3.1.2 局部区域不同时刻的对比分析

以2019年8月26日的疏散风险评价结果为例，选取黄浦区A，B区域内的道路作为样例进行分析，对比当天早高峰7:00，9:00与晚高峰17:00，19:00共4个时刻的道路疏散风险，工作日局部道路疏散风险指数空间分布如图6所示，分析道路疏散风险的动态变化情况：

图6 工作日局部道路疏散风险指数空间分布Fig.6 Spatial distribution of local road evacuation risk index on workday

1)延安东路、延安东路立交桥与南北高架在早晚高峰4个时刻均呈中高风险或高风险。早晚高峰道路疏散风险指数统计如图7所示，南北高架路在9:00时风险指数最高，延安东路在7:00时风险指数最高，延安东路立交桥4个时刻风险指数变化幅度不大。由于延安东路与南北高架是上海市重要的交通干线，对于这类特殊路段需要特别关注。

图7 早晚高峰道路疏散风险指数统计Fig.7 Statistics of road evacuation risk index at morning and evening rush hours

2)A区域位于上海市著名的石库门风貌旅游景点“上海新天地”，该区域4个时刻的风险指数整体没有明显的变化，仅济南路在17:00与19:00时，风险指数由中等风险变为中高风险。由图7可知，济南路在19:00时风险指数迅速增加，与17:00风险指数相比变化幅度较大。“上海新天地”内风险较高的原因主要与旅游景点的人流量有关，餐饮娱乐场所在晚间时段会吸引更多的游客。

3)B区域商务写字楼群与文化创意园集聚，其中顺昌路与黄陂南路的风险指数在7:00与19:00时呈中低风险，而在9:00和17:00时呈中高风险。由图7可知，顺昌路与黄陂南路的风险指数在4个时刻中的最高值均出现在17:00。说明该区域的风险指数变化与工作通勤时间密切相关，9:00是该区域工作人群的上班高峰，而17:00是下班高峰，并且晚高峰时段的道路疏散风险指数更高。

综上所述，造成早晚高峰时段道路疏散风险指数较高的原因主要有2个方面：1)由于道路具有较大人流量，建议安排警力在主干道指挥舒缓交通压力，并且在人流量较大的区域设立安全指示牌；2)由于部分道路结构简单，可供疏散的出口数量较少，建议对该类道路进行进一步规划与建设。

3.2 突发事件情景下道路疏散风险评价结果

本文以加油站爆炸为突发事件情景，开展突发事件情景下的道路疏散风险评价，为具体的疏散方案提供决策建议。作为一类典型的城市突发事件，爆炸事件严重影响城市居民的生命和财产安全。随着城市化水平的提高，城市里人口密集的区域均建有加油站，站内储存的汽油、柴油等是易燃易爆物质，一旦发生爆炸，将严重影响城市居民的人身安全。

本文选取上海市杨浦区的中国石化某加油站作为突发事件中心，考虑危险源的道路疏散风险分布如图8所示。图8(a)展示未发生爆炸前的道路疏散风险分布，整体均呈低风险与中低风险。图8(b)展示发生爆炸事故后的道路疏散风险分布，加油站附近的道路疏散风险迅速升高为高风险，随着与事故中心距离的增加，风险指数值递减，东南方向为中低风险。

图8 考虑危险源的道路疏散风险分布Fig.8 Distribution of road evacuation risk considering hazard sources

根据该假定突发事件情景下的道路疏散风险分析结果，建议相关应急管理部门及时获取事件信息，引导人员沿着加油站东南部风险指数较低的道路疏散至就近的应急避难场所，同时在加油站东南方向设置应急救援通道，提升疏散及救援效率。

4 结论

1)提出1种城市道路的人员疏散风险评价方法，将临界簇模型与道路疏散风险评价函数结合，考虑道路宽度、道路障碍系数、建筑威胁度、行人逆流阻碍、交通流阻碍等多种影响因素，弥补临界簇模型参数较少的缺点，能更综合有效地评价城市道路的人员应急疏散风险。该方法还支持突发事件情景下的道路疏散风险评价，考虑离突发事件发生地的距离与事故强度，空间化表达道路疏散风险指数分布。该方法能够为采取合理的疏散管理与救援措施，提高人员疏散的安全性与效率，以及为城市道路规划、交通基础设施配置提供决策支持。

2)通过上海市外环线内区域的案例研究，实证方法的可用性和有效性。研究区内存在道路疏散风险指数较高的情况，并在早晚高峰时段变化显著。主要原因为：①部分区域人口数量大或人流量变化显著；②部分道路结构简单，可供疏散的出口较少；③道路障碍系数高、道路宽度小等因素对疏散风险的提升造成一定影响。另外，假想加油站爆炸情景下的道路疏散风险评价结果显示，加油站附近及西北方向的路段具有高风险，并提出相应疏散管理与救援的决策建议。

3)提出的方法可以应用于不同尺度的道路疏散风险综合评价，并针对不同区域的地理特征与实际情景对参数进行修改，以适用于具体应急疏散风险评价工作。在今后的研究中将进一步开展更深入的研究，内容包括：①探讨城市道路规划对降低人员疏散风险的作用；②针对多种类型的突发事件情景开展疏散风险评价。