徐選華， 楊 欣， 陳曉紅

(中南大學(xué) 商學(xué)院，湖南 長(zhǎng)沙 410083)

0 引言

近年來(lái)，我國(guó)重大突發(fā)事件的發(fā)生愈加頻繁，由此造成的生命財(cái)產(chǎn)損失也不斷增加，如2015年8月12日天津港瑞海公司倉(cāng)庫(kù)發(fā)生的重大火災(zāi)爆炸事故，共造成165人遇難、8人失蹤，核定的直接經(jīng)濟(jì)損失達(dá)68.66億元，同時(shí)造成了惡劣的社會(huì)影響，引起了國(guó)家的高度重視。事故發(fā)生后，來(lái)自不同領(lǐng)域的專家小組緊急趕赴天津參與處置工作，但由于救援現(xiàn)場(chǎng)信息存在滯后性和不完整性，災(zāi)情訊息無(wú)法及時(shí)、全面的匯總到?jīng)Q策者手中，使決策分析工作面臨風(fēng)險(xiǎn)認(rèn)知缺乏、群體行為研判困難等一系列難題。因此，在應(yīng)急決策中專家群體如何利用突發(fā)事件發(fā)生初始階段產(chǎn)生的大數(shù)據(jù)信息作為決策依據(jù)，并快速做出風(fēng)險(xiǎn)程度較低的決策是迫切需要解決的問(wèn)題。

在過(guò)去，多屬性應(yīng)急決策過(guò)程主要依賴于專家的知識(shí)經(jīng)驗(yàn)對(duì)事件進(jìn)行主觀判斷和預(yù)測(cè)[1]，但是對(duì)于一些特定場(chǎng)景下的應(yīng)急決策，例如面對(duì)事件發(fā)生后引發(fā)公眾強(qiáng)烈關(guān)注或?qū)＜艺莆盏男畔⒉蛔阋灾苯舆M(jìn)行決策判斷的情景，則需要在決策過(guò)程中引入公眾擁有的信息，以降低決策專家與公眾之間存在的信息不對(duì)稱帶來(lái)的風(fēng)險(xiǎn)。近年來(lái)社交網(wǎng)絡(luò)的快速發(fā)展為信息傳播和發(fā)揮公眾智慧提供了重要平臺(tái)[2]。重大突發(fā)事件發(fā)生后，億萬(wàn)網(wǎng)民會(huì)迅速聚集起來(lái)并參與其中，將自己的想法和見(jiàn)聞以文字、圖片、音頻、視頻等形式發(fā)布在網(wǎng)絡(luò)上，形成體量巨大的用戶生成內(nèi)容(User-Generated Content,UGC)。這些非結(jié)構(gòu)化數(shù)據(jù)雖然來(lái)源分散，但其中蘊(yùn)含著寶貴的信息可以用于支持應(yīng)急決策。“分眾”是在應(yīng)急管理中應(yīng)用較多的一種新興模式[3,4]，它通過(guò)將任務(wù)分配給相關(guān)人群以得到整合的結(jié)果，利用網(wǎng)絡(luò)社交媒體作為“分眾”平臺(tái)可以收集和分析UGC中社會(huì)公眾對(duì)突發(fā)事件的偏好信息。目前關(guān)于突發(fā)事件背景下UGC被用于應(yīng)急管理的研究主要集中在對(duì)事件的檢測(cè)和預(yù)警[5,6]、對(duì)事件的監(jiān)控和描述[7]、對(duì)事件造成損害的評(píng)估[8,9]、信息傳播和分布模式[10,11]以及突發(fā)事件下的個(gè)人、群體行為[12,13]等領(lǐng)域，而關(guān)于將UGC用于應(yīng)急決策方案選擇的文獻(xiàn)較為匱乏。本文認(rèn)為突發(fā)事件情境下UGC中包含了公眾對(duì)事件造成的損害和事態(tài)發(fā)展趨勢(shì)的感知，決策者應(yīng)該重視公眾對(duì)事件的關(guān)注點(diǎn)，并設(shè)法降低事件焦點(diǎn)方面的影響，因此需要利用數(shù)據(jù)挖掘技術(shù)對(duì)UGC進(jìn)行處理，獲取及時(shí)、有用的信息幫助決策者從全局視角進(jìn)行決策分析。

另一方面，重大突發(fā)事件具有復(fù)雜特征，往往需要多方專家聯(lián)合進(jìn)行決策，以確保結(jié)果的合理性，來(lái)自不同層次的眾多決策者將構(gòu)成決策大群體[14]。然而，事態(tài)發(fā)展的非預(yù)期性、決策信息的不完整性以及決策主體作為“有限理性人”[15]等自身的主觀性影響因素，使得決策者常常難以對(duì)突發(fā)事件做出全面、合理的判斷，因此形成了風(fēng)險(xiǎn)性決策問(wèn)題。目前，國(guó)內(nèi)外學(xué)者已對(duì)這一問(wèn)題進(jìn)行了大量研究。Zhu[16]考慮決策者的主觀態(tài)度，基于前景理論分別對(duì)靜態(tài)和動(dòng)態(tài)決策問(wèn)題提出了設(shè)定多個(gè)參考點(diǎn)的多屬性風(fēng)險(xiǎn)性群決策方法；Liu[17]以堰塞湖下游村莊的緊急疏散為背景，提出一種基于累積前景理論的分析方法來(lái)解決應(yīng)急響應(yīng)中的風(fēng)險(xiǎn)決策問(wèn)題；袁媛等[18]基于后悔理論的思想，針對(duì)突發(fā)事件發(fā)生后實(shí)施不同應(yīng)急方案可能導(dǎo)致不同情景及損失產(chǎn)生的問(wèn)題，提出了相應(yīng)的風(fēng)險(xiǎn)決策方法；徐選華等[19]針對(duì)復(fù)雜環(huán)境下決策者在決策過(guò)程中出現(xiàn)的偏好轉(zhuǎn)移問(wèn)題，采用馬爾科夫決策技術(shù)，提出一種大群體風(fēng)險(xiǎn)型動(dòng)態(tài)應(yīng)急決策方法；Liu等[20]針對(duì)應(yīng)急決策具有的動(dòng)態(tài)演變和多情景特征，提出基于故障樹(shù)分析的風(fēng)險(xiǎn)決策方法；Tang[21]基于調(diào)查數(shù)據(jù)、統(tǒng)計(jì)分析和領(lǐng)域?qū)＜抑R(shí)建立了貝葉斯網(wǎng)絡(luò)模型，對(duì)南水北調(diào)工程產(chǎn)生突發(fā)性水質(zhì)污染事故的風(fēng)險(xiǎn)進(jìn)行了分析。上述研究雖然從心理行為或數(shù)理公式角度給出了風(fēng)險(xiǎn)性應(yīng)急決策方法，但較少應(yīng)用到大群體決策中，并且決策過(guò)程都是由決策者獨(dú)立給出偏好信息，其結(jié)果對(duì)于其他決策成員不可見(jiàn)。而現(xiàn)實(shí)的很多場(chǎng)景(例如專家會(huì)議法)中決策者的意見(jiàn)是開(kāi)放展示的，即決策者可以觀察到別人的觀點(diǎn)再發(fā)表意見(jiàn)[22,23]，此時(shí)決策者的意見(jiàn)很容易受到他人偏好的影響。同時(shí)，應(yīng)急決策過(guò)程需要在高時(shí)間壓力下得出決策結(jié)果，決策者自身認(rèn)知水平和經(jīng)驗(yàn)的差異，可能導(dǎo)致其給出的偏好與其他人產(chǎn)生較大偏差。并且大群體決策成員較多，在實(shí)際決策過(guò)程中也不排除有應(yīng)付性的人員。這些專業(yè)性較低的人可能表現(xiàn)出的偏好不確定性及偏離群體一致性將造成決策風(fēng)險(xiǎn)并對(duì)最終結(jié)果產(chǎn)生較大影響，因此對(duì)決策者個(gè)人的主觀決策風(fēng)險(xiǎn)進(jìn)行有效的鑒別并合理處理是有必要研究的問(wèn)題。

基于以上不足，本文將重大突發(fā)事件的UGC數(shù)據(jù)與大群體風(fēng)險(xiǎn)性應(yīng)急決策相結(jié)合，提出一種基于UGC大數(shù)據(jù)挖掘的大群體兩階段風(fēng)險(xiǎn)性應(yīng)急決策方法。首先運(yùn)用自然語(yǔ)言處理方法從UGC中獲取公眾偏好信息，結(jié)合專家知識(shí)構(gòu)建屬性體系，利用模糊綜合評(píng)價(jià)對(duì)事件的損害程度進(jìn)行評(píng)估，并由此確定決策屬性權(quán)重。然后，構(gòu)造兩個(gè)決策階段并收集這兩個(gè)階段的決策者偏好信息。根據(jù)同一決策者兩次偏好信息的差異計(jì)算成員決策風(fēng)險(xiǎn)系數(shù)，利用聚類方法確定決策者權(quán)重，在此基礎(chǔ)上實(shí)現(xiàn)對(duì)方案的綜合排序。

1 方法原理

1.1 問(wèn)題描述

本文在重大突發(fā)事件所處的大數(shù)據(jù)環(huán)境下，充分挖掘公眾對(duì)事件的關(guān)注點(diǎn)及偏好信息，針對(duì)決策者偏好的不確定性及偏離群體一致性導(dǎo)致的風(fēng)險(xiǎn)，提出依據(jù)決策者意見(jiàn)的可靠度和準(zhǔn)確度的方法對(duì)風(fēng)險(xiǎn)進(jìn)行測(cè)度，在此基礎(chǔ)上實(shí)現(xiàn)對(duì)決策方案的科學(xué)排序。

1.2 方法流程設(shè)計(jì)

為了將公眾信息考慮到?jīng)Q策過(guò)程中，本文從數(shù)據(jù)挖掘獲得的突發(fā)事件UGC大數(shù)據(jù)出發(fā)，首先決策專家利用抽取得到的事件關(guān)鍵詞構(gòu)建屬性體系，然后對(duì)制定好的備選方案進(jìn)行評(píng)價(jià)。由于現(xiàn)實(shí)中的決策群體成員之間通常有很強(qiáng)的依賴行為，當(dāng)別人的決策是可觀察的，且決策有先后次序時(shí)，很容易產(chǎn)生“羊群行為”[25]。此時(shí)決策者易跟隨他人的判斷表現(xiàn)出非真實(shí)偏好，導(dǎo)致決策信息擁有較低的可靠性。考慮這一行為特點(diǎn)，可以讓決策者在意見(jiàn)開(kāi)放的場(chǎng)景下進(jìn)行決策，通過(guò)記錄決策者對(duì)偏好信息做出的修改行為識(shí)別出群體中對(duì)偏好不確定程度較大的成員。因此本文將收集決策者偏好信息的過(guò)程設(shè)計(jì)為兩個(gè)階段，即決策者先獨(dú)立給出個(gè)體偏好信息，再參照其他決策者的意見(jiàn)重新給出個(gè)體偏好信息。最后利用屬性權(quán)重和成員權(quán)重對(duì)決策者的評(píng)價(jià)信息進(jìn)行集結(jié)，獲得備選方案的排序結(jié)果。方法具體流程如圖1所示。

圖1 基于UGC大數(shù)據(jù)挖掘的大群體兩階段風(fēng)險(xiǎn)性應(yīng)急決策流程

1.3 語(yǔ)言偏好矩陣轉(zhuǎn)化

鑒于應(yīng)急決策問(wèn)題的復(fù)雜性和模糊性，決策者難以采用定量化的數(shù)值去刻畫(huà)所有決策對(duì)象的特征，同時(shí)屬性間的差異也難以適用于同一語(yǔ)言術(shù)語(yǔ)集。本文采用多粒度區(qū)間二元語(yǔ)義模型[26]，能夠有效避免語(yǔ)言評(píng)價(jià)信息的損失和扭曲，使語(yǔ)言信息計(jì)算結(jié)果具有很好的精確性和可操作性。

定義1假設(shè)語(yǔ)言集S={s0,s1,…,sg}粒度為g+1，經(jīng)集成運(yùn)算得到結(jié)果β∈[0,1]。將二元語(yǔ)義(sr,α)表達(dá)為數(shù)值形式β的函數(shù)Δ表示如下：

(1)

“round” 為四舍五入取整算子.

存在反函數(shù)Δ-1將二元語(yǔ)言變量轉(zhuǎn)換成相應(yīng)的實(shí)數(shù)β∈[0,1]，即：

(2)

定義2假設(shè)語(yǔ)言集S={s0,s1,…,sg}粒度為g+1，區(qū)間二元語(yǔ)義變量由兩個(gè)二元語(yǔ)義[(sa,αa),(sz,αz)]組成，其中(sa,αa)≤(sz,αz)。用來(lái)將區(qū)間二元語(yǔ)義變量表達(dá)為等價(jià)信息區(qū)間值[β1,β2](β1,β2∈[0,1],β1≤β2)的集成轉(zhuǎn)移函數(shù)Δ為

Δ[β1,β2]=[(sa,αa)≤(sz,αz)]

(3)

存在逆函數(shù)Δ-1可以將區(qū)間二元語(yǔ)義變量轉(zhuǎn)換為相應(yīng)的區(qū)間值，即

Δ-1[(sa,αa),(sz,αz)]

(4)

為了便于表達(dá)，決策者在給出偏好信息時(shí)可以采用具體語(yǔ)言值或區(qū)間語(yǔ)言值(例如s1或[s1,s3])兩種形式，將它們轉(zhuǎn)換為區(qū)間二元語(yǔ)義偏好信息的方式分別為:s1→[(s1,0),(s1,0)],(s1,s3)→[(s1,0),(s3,0)]。

1.4 詞語(yǔ)權(quán)重分配

TF-IDF(Term Frequency times Inverse Document Frequency)是向量空間模型中一種計(jì)算文檔中特征權(quán)重的經(jīng)典方法，它由Salton在1988年提出[27]。其函數(shù)包括兩個(gè)部分：TF即詞頻，是特定文檔中某個(gè)特征項(xiàng)(字、詞或短語(yǔ))出現(xiàn)的頻率；IDF即逆文檔頻率，是包含該詞或短語(yǔ)的文檔與文檔集總數(shù)的比例的對(duì)數(shù)。其計(jì)算公式為：

(5)

其中，wtd為文檔d中特征項(xiàng)t的權(quán)重，tftd表示文檔d中特征項(xiàng)t出現(xiàn)的頻率，N表示文檔集的總數(shù)，dft表示包含特征項(xiàng)t的文檔數(shù)。

TF-IDF算法的優(yōu)勢(shì)在于其能夠通過(guò)統(tǒng)計(jì)手段分析處理非結(jié)構(gòu)化文本大數(shù)據(jù)。對(duì)于某一特定文檔內(nèi)的高頻詞語(yǔ)，以及該詞語(yǔ)在其它文檔集合中的低詞頻，可以產(chǎn)生出高權(quán)重。故TF-IDF傾向于過(guò)濾掉常見(jiàn)的詞語(yǔ)，保留一些不頻繁出現(xiàn)但重要的詞語(yǔ)。例如，在爆炸事故背景下許多相關(guān)文本中常見(jiàn)的“爆炸”一詞的逆文檔頻率會(huì)很低，權(quán)重也會(huì)相應(yīng)較低。因此，本文采用TF-IDF法分配詞語(yǔ)權(quán)重。

1.5 決策屬性體系構(gòu)建及其權(quán)重確定

當(dāng)重大突發(fā)事件現(xiàn)場(chǎng)數(shù)據(jù)需要通過(guò)多環(huán)節(jié)層層上報(bào)時(shí)，信息存在滯后性和不完整性，事件的實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)較為困難，這些問(wèn)題增加了應(yīng)急決策分析的風(fēng)險(xiǎn)。而近年來(lái)，隨著信息技術(shù)的發(fā)展和公眾對(duì)突發(fā)事件關(guān)注度的提升，網(wǎng)絡(luò)信息資源也已成為重大突發(fā)事件應(yīng)急決策需要重視的一環(huán)。當(dāng)事件發(fā)生后，社交網(wǎng)絡(luò)平臺(tái)上會(huì)生成大量公眾對(duì)事件發(fā)表的信息，這些UGC代表了公眾當(dāng)下的關(guān)注點(diǎn)，同時(shí)也包含了公眾對(duì)事件的描述、心態(tài)和造成損害的感知。因此，應(yīng)急決策方案選擇的屬性權(quán)重確定過(guò)程有必要考慮社交網(wǎng)絡(luò)中公眾的偏好信息。

(1)決策屬性體系構(gòu)建

UGC的優(yōu)勢(shì)在于其對(duì)突發(fā)事件反應(yīng)的即時(shí)性，但同時(shí)也存在信息過(guò)于分散的現(xiàn)象，通過(guò)結(jié)合專家意見(jiàn)的指導(dǎo)能夠有效彌補(bǔ)這一問(wèn)題。本文中基于UGC的突發(fā)事件應(yīng)急決策方案評(píng)估屬性體系主要包括兩部分：①是傳統(tǒng)的突發(fā)事件應(yīng)急決策方案評(píng)估屬性；②是社交媒體用戶實(shí)時(shí)信息中的關(guān)鍵詞。具體而言，前者需要專家憑借經(jīng)驗(yàn)經(jīng)由群體討論確定，并作為屬性體系的框架部分；后者首先通過(guò)數(shù)據(jù)挖掘獲取UGC，再通過(guò)抽取算法得到若干代表文本特征的關(guān)鍵詞，作為公眾偏好信息的概括，最后根據(jù)關(guān)鍵詞與屬性的語(yǔ)義關(guān)系構(gòu)建屬性體系。

其中，關(guān)鍵詞的抽取采用TF-IDF算法對(duì)文本分詞后的特征項(xiàng)進(jìn)行排序，并選取特征項(xiàng)中權(quán)重較大的實(shí)詞作為關(guān)鍵詞。從社交網(wǎng)絡(luò)平臺(tái)爬取的文本數(shù)據(jù)將作為語(yǔ)料庫(kù)，每條文本信息被看作一篇文檔，關(guān)鍵詞的權(quán)重由包含該詞語(yǔ)的所有文檔數(shù)進(jìn)行算術(shù)平均得到，其計(jì)算公式為(6)式。

(6)

(2)事件損害評(píng)估及屬性權(quán)重確定

基于建立的屬性體系可以利用模糊綜合評(píng)價(jià)實(shí)現(xiàn)對(duì)事件造成損害的實(shí)時(shí)評(píng)估，并由此計(jì)算屬性權(quán)重，為決策者進(jìn)行方案選擇提供參考信息。損害程度將用于描述事件對(duì)當(dāng)?shù)厣鐣?huì)、人員財(cái)產(chǎn)以及公眾心態(tài)的影響大小。由于關(guān)鍵詞的獲取方法側(cè)重于統(tǒng)計(jì)分析而非內(nèi)容分析，其權(quán)重僅代表在文檔中出現(xiàn)頻率的重要程度，而不同詞語(yǔ)的語(yǔ)義本身還反映出不同的損害程度，因此事件的損害評(píng)估需要組織專家對(duì)每個(gè)關(guān)鍵詞給出語(yǔ)義評(píng)判分值，以表征損害的嚴(yán)重程度。例如詞語(yǔ)“死亡”的嚴(yán)重程度高于詞語(yǔ)“受傷”，則賦予“死亡”的分值大于“受傷”。分值的范圍設(shè)定為從0到5。

不同屬性方面受到的損害程度通過(guò)各個(gè)對(duì)應(yīng)的關(guān)鍵詞語(yǔ)義評(píng)分進(jìn)行加權(quán)求和得到。評(píng)價(jià)第j個(gè)屬性的損害程度值Daj的計(jì)算函數(shù)為(7)式。

(7)

其中y表示屬性j對(duì)應(yīng)的關(guān)鍵詞個(gè)數(shù)。

由于損害程度的計(jì)算來(lái)源于公眾對(duì)事件造成影響的主觀感知與信息關(guān)注偏好，當(dāng)某個(gè)屬性的損害程度值越大，說(shuō)明公眾在此方面受到的影響越大或給予的關(guān)注越多，決策者在評(píng)判方案時(shí)必須對(duì)此加以重視，避免制定的決策方案在此方面造成更嚴(yán)重的后果，因此屬性的權(quán)重根據(jù)各屬性損害程度值的大小確定。

(8)

1.6 大群體決策成員權(quán)重確定

隨著計(jì)算機(jī)網(wǎng)絡(luò)和信息系統(tǒng)技術(shù)的發(fā)展，專業(yè)人士已經(jīng)開(kāi)發(fā)出愈加專業(yè)化的決策支持系統(tǒng)，使得決策者意見(jiàn)的收集、處理、統(tǒng)計(jì)及交互共享更加便捷。對(duì)于重大突發(fā)事件大群體應(yīng)急決策問(wèn)題，考慮到?jīng)Q策成員較多，不同成員的主觀決策能力是構(gòu)成決策風(fēng)險(xiǎn)的一項(xiàng)重要因素，決策結(jié)果將直接受其影響。因此，需要將決策者的主觀決策風(fēng)險(xiǎn)因素納入到成員權(quán)重確定中。本節(jié)基于兩階段決策流程對(duì)決策者的決策風(fēng)險(xiǎn)進(jìn)行測(cè)度，并通過(guò)定義決策者意見(jiàn)的可靠度和準(zhǔn)確度來(lái)量化風(fēng)險(xiǎn)的大小，決策成員的權(quán)重按照其決策風(fēng)險(xiǎn)大小進(jìn)行相應(yīng)的修正。

(1)決策偏好信息收集

在這個(gè)過(guò)程中，各決策者將群體中其他人的意見(jiàn)當(dāng)做一種反饋的參照系統(tǒng)，因此第二階段的意見(jiàn)可以被認(rèn)為是參照了其他決策成員的意見(jiàn)。同時(shí)，在第二階段某些成員的意見(jiàn)可能會(huì)受其他人的影響，例如專業(yè)性較低的決策者對(duì)于第一階段給出的偏好信息沒(méi)有把握，在觀察到其他成員的意見(jiàn)后對(duì)自己的初始偏好信息做出修改，或決策者出于從眾心理，將初始偏好信息調(diào)整為與多數(shù)人的意見(jiàn)保持一致，而某些決策者也可能選擇對(duì)初始偏好信息維持不變。通常來(lái)說(shuō)，堅(jiān)持第一階段意見(jiàn)的成員意味著他們對(duì)于做出的判斷越自信，其決策偏好的確定性就越高；相反，修改偏好后與初始意見(jiàn)相差越大則表示其對(duì)于做出的判斷越?jīng)]有自信，決策偏好的不確定性就越高。

(2)考慮決策者意見(jiàn)可靠度和準(zhǔn)確度的決策風(fēng)險(xiǎn)系數(shù)測(cè)度

(9)

計(jì)算各決策方案的屬性均值以反映群體意見(jiàn)。例如，第l個(gè)備選方案中屬性j在個(gè)體獨(dú)立決策和參照決策過(guò)程中的平均值分別為：

(10)

對(duì)于大群體決策成員，以往的多屬性群決策研究中很少考慮決策者偏好信息的可靠性，或簡(jiǎn)單地假設(shè)所有決策者的偏好信息都是完全可靠的。事實(shí)上，任何決策者都是不完全理性的，其做出的不同程度可靠性的判斷都將對(duì)決策結(jié)果產(chǎn)生影響。

(11)

除此之外，在群決策中群體意見(jiàn)的一致性也是值得關(guān)注的問(wèn)題。決策結(jié)果能否被群體接受或在多大程度上能被群體接受往往更具有現(xiàn)實(shí)意義和更能快速實(shí)施。當(dāng)個(gè)體意見(jiàn)與群體意見(jiàn)偏離程度越大，其對(duì)達(dá)成群體一致性的阻力越大，由此將引發(fā)成員偏好沖突帶來(lái)的決策風(fēng)險(xiǎn)。為了使決策結(jié)果擁有較高的共識(shí)水平，本文認(rèn)為占多數(shù)的專家意見(jiàn)比少數(shù)意見(jiàn)更為準(zhǔn)確，即當(dāng)某位決策者給出的偏好信息與群體意見(jiàn)更接近時(shí)表明其擁有較高的專業(yè)性。

(12)

針對(duì)決策者而言，其自身決策能力導(dǎo)致的風(fēng)險(xiǎn)是無(wú)法避免的，僅僅擁有較高的可靠度并不能保證決策者擁有較低的決策風(fēng)險(xiǎn)，當(dāng)決策者對(duì)事件相關(guān)的知識(shí)、經(jīng)驗(yàn)掌握并不充分時(shí)，其仍可能為假裝其專業(yè)性堅(jiān)持初始意見(jiàn)。因此，成員的決策風(fēng)險(xiǎn)將依據(jù)其意見(jiàn)的可靠度和準(zhǔn)確度共同度量。

(13)

定義λi為成員ei的決策風(fēng)險(xiǎn)系數(shù)，表示決策者ei偏好的不確定性及偏離群體一致性導(dǎo)致的決策風(fēng)險(xiǎn)程度，有:

(14)

其中，θ和(1-θ)表示可靠度和準(zhǔn)確度所對(duì)應(yīng)的權(quán)重，且0≤θ≤1。具體由決策者根據(jù)決策問(wèn)題和實(shí)際情況而定，若無(wú)特殊偏好，取θ=1/2，表示賦予可靠度和準(zhǔn)確度相同的權(quán)重。

對(duì)于λi，首先，分別計(jì)算決策者對(duì)于方案l中屬性j給出偏好的決策風(fēng)險(xiǎn)系數(shù)，再進(jìn)行簡(jiǎn)單加權(quán)算術(shù)平均得到成員的決策風(fēng)險(xiǎn)系數(shù)。顯然，當(dāng)決策者意見(jiàn)的可靠度或準(zhǔn)確度越大時(shí)，成員的決策風(fēng)險(xiǎn)系數(shù)λi越小，表示成員的決策風(fēng)險(xiǎn)越??；反之，λi越大，表示成員的決策風(fēng)險(xiǎn)越大。

(3)大群體偏好聚類及成員權(quán)重確定

(15)

利用決策成員風(fēng)險(xiǎn)系數(shù)λi對(duì)成員的初始權(quán)重進(jìn)行調(diào)整，λi越大，說(shuō)明其提供的信息越不確定或越偏離一致性目標(biāo)，應(yīng)賦予的權(quán)重越低。最終，決策成員ei的決策風(fēng)險(xiǎn)權(quán)重ωi為：

(16)

1.7 方法步驟

綜上所述，基于UGC大數(shù)據(jù)挖掘的大群體兩階段風(fēng)險(xiǎn)性應(yīng)急決策方法的步驟如下：

Step1從社交媒體平臺(tái)爬取突發(fā)事件相關(guān)的UGC，結(jié)合專家制定的屬性框架和UGC中抽取的關(guān)鍵詞構(gòu)建屬性體系。

Step2利用(6)式獲得的關(guān)鍵詞TF-IDF權(quán)重wh及專家評(píng)分法確定的語(yǔ)義評(píng)判值sh，根據(jù)(7)式計(jì)算每個(gè)屬性的損害程度值Daj，歸一化后得到各屬性的權(quán)重wj。

Step6通過(guò)TOPSIS方法對(duì)備選方案進(jìn)行排序：

(1)利用屬性權(quán)重對(duì)決策者的參照意見(jiàn)區(qū)間偏好矩陣進(jìn)行集結(jié)，得到加權(quán)決策矩陣。

(2)確定決策方案的正理想解和負(fù)理想解。

(3)計(jì)算各方案到正理想解和負(fù)理想解的距離。

(4)計(jì)算各方案的貼近度。

(17)

最后，按照Cl的大小排列方案的優(yōu)劣次序。

2 案例分析

2.1 案例背景

2015年8月12日23時(shí)30分，天津港瑞海公司倉(cāng)庫(kù)發(fā)生特別重大火災(zāi)爆炸事故，先后兩次爆炸的強(qiáng)度分別相當(dāng)于3t、21t TNT。爆炸造成重大人員傷亡，并引發(fā)大量集裝箱起火。當(dāng)?shù)叵乐笓]中心接警后迅速響應(yīng)處置，截至13日上午11時(shí)，天津消防總隊(duì)已先后調(diào)派143輛消防車，1000余名消防官兵到場(chǎng)進(jìn)行滅火搜救。與此同時(shí)，事故通過(guò)社交媒體引發(fā)了公眾的強(qiáng)烈關(guān)注，大量網(wǎng)絡(luò)用戶在爆炸發(fā)生后的短時(shí)間內(nèi)利用社交網(wǎng)絡(luò)發(fā)表了自己的觀點(diǎn)和見(jiàn)聞。由于現(xiàn)場(chǎng)存放有大量危險(xiǎn)品且具體爆炸物尚無(wú)法確定，為避免事態(tài)進(jìn)一步加劇，天津市應(yīng)急決策指揮中心在網(wǎng)絡(luò)上召集了16位應(yīng)急管理領(lǐng)域的專家，并根據(jù)當(dāng)時(shí)的事故狀態(tài)制定了如下3個(gè)應(yīng)急備選方案：

x1:持續(xù)開(kāi)展環(huán)境應(yīng)急監(jiān)測(cè)，繼續(xù)增派消防人員及消防車輛支援現(xiàn)場(chǎng)以加強(qiáng)火情控制。

x2:持續(xù)開(kāi)展環(huán)境應(yīng)急監(jiān)測(cè)，通知消防力量撤離現(xiàn)場(chǎng)，派遣防化團(tuán)攜專業(yè)設(shè)備進(jìn)場(chǎng)搜救。

x3:持續(xù)開(kāi)展環(huán)境應(yīng)急監(jiān)測(cè)，暫緩撲滅或搜救工作，待緊急查明?；穬?nèi)容、數(shù)量及存儲(chǔ)方式后再做進(jìn)一步?jīng)Q策。

專家群體根據(jù)以往對(duì)此類突發(fā)事件的應(yīng)對(duì)經(jīng)驗(yàn)商討出六方面因素作為方案的評(píng)估屬性：方案成本u1、人員傷亡u2、財(cái)產(chǎn)損失u3、公眾恐慌程度u4、對(duì)環(huán)境的影響u5、對(duì)生活的影響u6。其中，決策者對(duì)屬性u(píng)1～u4使用粒度為9的語(yǔ)言術(shù)語(yǔ)集S1給出偏好信息，對(duì)屬性u(píng)5～u6使用粒度為7的語(yǔ)言術(shù)語(yǔ)集S2給出偏好信息。

S1={s0=極低，s1=很低，s2=低，s3=稍低，s4=-般，s5=稍高，s6=高，s7=很高，s8=極高}

S2={s0=非常小，s1=小，s2=較小，s3=中等，s4=較大，s5=大，s6=非常大}

2.2 決策步驟

Step1本文選取新浪微博作為UGC數(shù)據(jù)的獲取來(lái)源，以“天津爆炸”、“塘沽爆炸”為主題搜索詞，利用新浪微博提供的API接口抓取了時(shí)間段為8月12日23時(shí)30分至8月13日15時(shí)的微博數(shù)據(jù)，抓取字段包括用戶名、微博內(nèi)容、發(fā)布時(shí)間、評(píng)論內(nèi)容。由于包含非公眾生成內(nèi)容或噪聲數(shù)據(jù)，經(jīng)過(guò)人工篩選去除政府或主流媒體賬號(hào)發(fā)布的消息以及詞語(yǔ)個(gè)數(shù)少于2的消息后保留微博文本共79221條。

收集到新浪微博UGC文本數(shù)據(jù)后，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括去除其中的主題標(biāo)簽、@內(nèi)容、URL等無(wú)用內(nèi)容后，對(duì)文本進(jìn)行分詞、去除停用詞以及詞性標(biāo)注，再進(jìn)行詞頻算法分析。本文使用python編程實(shí)現(xiàn)關(guān)鍵詞的抽取算法，并采用其自帶的jieba分詞軟件包將文本切分成詞語(yǔ)特征項(xiàng)。選取TF-IDF值排名前500的特征項(xiàng)作為候選關(guān)鍵詞，對(duì)含義相同或語(yǔ)義接近的詞語(yǔ)進(jìn)行合并，如“死亡”、“遇難”、“遺體”、“去世”合并為關(guān)鍵詞“遇難”，“恐怖”、“可怕”、“害怕”合并為關(guān)鍵詞“可怕”等，并對(duì)合并詞語(yǔ)的TF-IDF值進(jìn)行累加。再根據(jù)專家確定的屬性框架，基于語(yǔ)義關(guān)系列出每個(gè)屬性下對(duì)應(yīng)的關(guān)鍵詞，從而構(gòu)成天津港“8·12”重大爆炸事故的應(yīng)急決策方案評(píng)估屬性體系，如表1所示。

表1 天津港“8·12”重大爆炸事故應(yīng)急決策方案評(píng)估屬性體系

Step2利用(6)式由python程序計(jì)算出關(guān)鍵詞的TF-IDF權(quán)重。然后采用專家評(píng)分法，組織10位專家對(duì)屬性體系中的關(guān)鍵詞按照其表征的嚴(yán)重程度賦予分值，經(jīng)過(guò)統(tǒng)計(jì)平均后得到每個(gè)關(guān)鍵詞的語(yǔ)義評(píng)判分值。利用(7)式計(jì)算每個(gè)屬性的損害程度值，其中屬性u(píng)2的損害程度值計(jì)算示例如表2所示，結(jié)果為21.206。

表2 屬性的損害程度值計(jì)算

在計(jì)算出每個(gè)屬性的損害程度值后，由(8)式得到各屬性的權(quán)重向量為W={0.07,0.25,0.16,0.23,0.20,0.08}。

Step3根據(jù)兩階段決策流程，各決策者按照給定的語(yǔ)言標(biāo)度對(duì)決策對(duì)象分別給出獨(dú)立意見(jiàn)、參照意見(jiàn)語(yǔ)言偏好信息。其中，除決策者e3、e13、e16外，其余決策者均在第二階段對(duì)部分偏好信息做出了調(diào)整。并利用定義2將語(yǔ)言偏好矩陣轉(zhuǎn)化為區(qū)間偏好矩陣，如表3～表6所示。

表3 決策者獨(dú)立意見(jiàn)語(yǔ)言偏好矩陣

表4 決策者參照意見(jiàn)語(yǔ)言偏好矩陣

表5 決策者獨(dú)立意見(jiàn)區(qū)間偏好矩陣

表6 決策者參照意見(jiàn)區(qū)間偏好矩陣

Step4針對(duì)同一決策者參照意見(jiàn)與獨(dú)立意見(jiàn)的差異以及與群體意見(jiàn)的差異，分別利用(11)式和(12)式計(jì)算決策者意見(jiàn)的可靠度和準(zhǔn)確度，并利用(13)式對(duì)其進(jìn)行規(guī)范化處理，其中決策者e1的計(jì)算結(jié)果如表7和表8所示。再利用(14)式計(jì)算得到?jīng)Q策群體中每位成員的決策風(fēng)險(xiǎn)系數(shù)，如表9所示。

表7 決策者e1意見(jiàn)的可靠度

表8 決策者e1意見(jiàn)的準(zhǔn)確度

表9 群體成員決策風(fēng)險(xiǎn)系數(shù)

Step5采用文獻(xiàn)[28]方法對(duì)16位決策成員的參照意見(jiàn)偏好矩陣進(jìn)行聚類，取閾值γ=0.85，可以得到4個(gè)聚集及其權(quán)重，聚類結(jié)果如表10所示。

表10 聚類結(jié)果

利用(15)式計(jì)算得到?jīng)Q策成員的初始權(quán)重，并結(jié)合決策風(fēng)險(xiǎn)系數(shù)利用(16)式得到各成員的決策風(fēng)險(xiǎn)權(quán)重，如表11所示。

表11 決策成員初始權(quán)重、決策風(fēng)險(xiǎn)權(quán)重

表12 方案的貼近度和排序

Step6利用(17)式計(jì)算各個(gè)方案的貼近度Cl，并對(duì)方案進(jìn)行最終排序，結(jié)果如表12所示。

由計(jì)算結(jié)果可以得出，應(yīng)選擇方案x2對(duì)事故進(jìn)行處置，即持續(xù)開(kāi)展環(huán)境應(yīng)急監(jiān)測(cè)，通知消防力量撤離現(xiàn)場(chǎng)，同時(shí)派遣防化團(tuán)進(jìn)場(chǎng)搜救。

2.3 方法比較與討論

為了說(shuō)明本文方法的有效性和優(yōu)勢(shì)，將本文方法與文獻(xiàn)[29]提出的專家權(quán)重方法進(jìn)行對(duì)比，并且僅對(duì)聚集內(nèi)部決策成員權(quán)重的求解進(jìn)行相應(yīng)的變化，其結(jié)果如表13所示?？梢钥闯鰞煞N方法排序結(jié)果一致。

表13 利用文獻(xiàn)[29]決策方法得到的結(jié)果

文獻(xiàn)[29]提出雙重權(quán)重模型，對(duì)大群體進(jìn)行了聚類分析，并認(rèn)為聚集內(nèi)部成員的權(quán)重取決于其對(duì)聚集一致性的貢獻(xiàn)。而本文對(duì)聚集內(nèi)部成員的權(quán)重進(jìn)行的調(diào)整不僅基于對(duì)群體一致性的考量，同時(shí)還考慮了決策者對(duì)偏好的不確定性引發(fā)的風(fēng)險(xiǎn)，通過(guò)對(duì)決策成員偏好信息的可靠度和準(zhǔn)確度進(jìn)行測(cè)度，能夠有效識(shí)別專業(yè)性較低的決策者，使成員權(quán)重的確定更為合理。

本文未將屬性權(quán)重確定方法進(jìn)行對(duì)比，由于現(xiàn)階段文獻(xiàn)中屬性權(quán)重的確定大多通過(guò)專家偏好矩陣計(jì)算或由專家主觀給出，其方法不具有可比性。但就思路而言，本文從社交媒體數(shù)據(jù)中獲取屬性的重要程度其客觀性具有較強(qiáng)的優(yōu)勢(shì)。

3 結(jié)論

本文針對(duì)重大突發(fā)事件產(chǎn)生的UGC大數(shù)據(jù)和決策者對(duì)偏好信息的不確定性及偏離群體一致性引起的主觀決策風(fēng)險(xiǎn)，提出了一種基于UGC大數(shù)據(jù)挖掘的大群體兩階段風(fēng)險(xiǎn)性應(yīng)急決策方法。一方面，該方法將社交媒體中的UGC大數(shù)據(jù)引入到應(yīng)急決策方案選擇中，采用TF-IDF方法對(duì)關(guān)鍵詞進(jìn)行提取獲得公眾偏好信息，進(jìn)而對(duì)事件損害程度進(jìn)行評(píng)估確定屬性權(quán)重。另一方面，考慮到?jīng)Q策者在意見(jiàn)開(kāi)放的決策場(chǎng)景下出現(xiàn)調(diào)整偏好的行為可能會(huì)引起決策風(fēng)險(xiǎn)的問(wèn)題，設(shè)計(jì)了兩階段決策流程收集決策成員的偏好信息，并結(jié)合聚類方法確定決策者權(quán)重。

本文的研究成果主要適用于受到公眾強(qiáng)烈關(guān)注或?qū)＜倚枰Y(jié)合公眾信息進(jìn)行輔助判斷的應(yīng)急決策問(wèn)題，如臺(tái)風(fēng)、地震、洪澇災(zāi)害、特大安全生產(chǎn)事故等重大突發(fā)事件的處置。與傳統(tǒng)方法相比，決策屬性權(quán)重的制定考慮了公眾的信息關(guān)注傾向，可以彌補(bǔ)專家在確定權(quán)重時(shí)受主觀性干擾的不足，并增加公眾對(duì)決策的滿意度，降低事件可能造成的社會(huì)風(fēng)險(xiǎn)。關(guān)鍵詞的提取過(guò)程也不涉及對(duì)大量語(yǔ)法句法信息進(jìn)行復(fù)雜的語(yǔ)義分析，擁有較高的文本處理速度和效率，能夠滿足應(yīng)急決策的時(shí)效性要求。同時(shí)，通過(guò)決策者意見(jiàn)的可靠度和準(zhǔn)確度對(duì)決策風(fēng)險(xiǎn)進(jìn)行量化，能夠識(shí)別出對(duì)所給偏好信息不確定程度較大或偏離群體一致性程度較高的成員，使決策結(jié)果更為合理。

當(dāng)然，本文方法也存在一定局限性，例如屬性權(quán)重的確定與UGC的質(zhì)量相關(guān)，當(dāng)事件發(fā)生初期社交媒體上相關(guān)的UGC較少或文本存在較多噪聲數(shù)據(jù)時(shí)將對(duì)決策結(jié)果造成影響。未來(lái)的研究將考慮進(jìn)一步挖掘公眾對(duì)于事件的情緒表達(dá)信息，提高分析的質(zhì)量，并嘗試從UGC中自動(dòng)提取構(gòu)建屬性體系，結(jié)合采用更加全面的時(shí)空模式分析，實(shí)現(xiàn)對(duì)突發(fā)事件的動(dòng)態(tài)決策。