工业综合体火灾伤亡脆弱性空间评估:AHP导出权重与SHAP特征重要性的比较研究

《Fire》:Spatial Assessment of Fire-Casualty Vulnerability in Industrial Complexes: Comparing AHP-Derived Weights with SHAP-Based Feature Importance

【字体: 大 中 小 】 时间:2026年10月21日 来源:Fire 2.7

编辑推荐:

  专业摘要翻译 工业综合体火灾造成财产损失和人员伤亡,但火灾导致伤亡的空间条件鲜有评估。本研究提出一个两阶段框架,将基于专家的层次分析法(Analytic Hierarchy Process, AHP)–地理信息系统(Geographic Information

  
专业摘要翻译 工业综合体火灾造成财产损失和人员伤亡,但火灾导致伤亡的空间条件鲜有评估。本研究提出一个两阶段框架,将基于专家的层次分析法(Analytic Hierarchy Process, AHP)–地理信息系统(Geographic Information System, GIS)评估与观测火灾的机器学习特征重要性分析相结合。研究定义了七项空间指标——四项脆弱性指标(建筑密度、老旧建筑占比、消防车通达性、危险设施邻近度)和三项反向编码的缓解指标(消防站响应时间、消防供水覆盖率、疏散设施可达性),并采用大体通用的评分规则。在第一阶段,研究人员将62位专家的AHP调查权重应用于GIS,在韩国釜山明旨诺山国家工业综合体(Myeongji Noksan National Industrial Complex)以250 m网格绘制火灾伤亡脆弱性地图。在第二阶段,研究人员将相同指标的评分赋予2019–2023年釜山41个工业综合体记录的5417起工厂火灾(其中32.9%涉及伤亡);训练了四个分类器以预测伤亡发生情况,并为XGBoost计算了Shapley加法解释(SHAP),该模型取得了最高召回率(0.621)。该地图识别出综合体南中部一个局部高脆弱性区域,该区域危险设施邻近度集中,尽管记录的伤亡火灾并未明显集中于这些网格单元。SHAP将老旧建筑占比和建筑密度列为最高重要性指标,而专家则强调消防车通达性和响应时间。比较两种视角可揭示专家侧重点与数据驱动重要性之间的分歧,并为空间优先级排序和重新审视指标权重提供探索性基础。

论文解读

一、研究背景与问题

工业综合体火灾的影响远超单个设施范围,可能升级为波及经济、社会和环境多个维度的连锁灾害,对城市韧性构成长期压力。工厂火灾不仅直接损毁设备和中断生产,还可能通过火焰蔓延至邻近工艺和设施而扩大影响范围,形成危险区域并引发多米诺效应。因此,工业综合体火灾评估不仅需要考虑火灾发生的可能性,还需要考虑一旦火灾发生后导致工人和周边人群伤亡的空间条件。2023年韩国大田轮胎厂火灾案例研究量化了城市工厂火灾烟雾暴露的急性健康效应,进一步表明评估需纳入场外公共卫生影响。
现有火灾风险评估研究主要沿两条方法论路径展开:一是将AHP等多准则决策方法与GIS相结合的基于专家的空间评估,其权重依赖专家判断;二是利用事故记录进行数据驱动的预测,可估计各变量的预测贡献但不直接提供空间优先级图。针对工业综合体火灾的专门研究仍相对有限,已有系统综述也确认了这一空白。文献回顾未发现任何研究直接比较同一组空间指标在专家导出权重与观测火灾伤亡数据特征重要性之间的差异。为此,研究人员提出一个两阶段评估框架,将专家判断与观测火灾数据相结合,以识别与火灾发生时伤亡可能性增加相关的空间条件。

二、研究设计与主要结论

本研究开发了一个包含四项脆弱性指标和三项缓解指标共七项指标的评价模型。第一阶段,研究人员通过62位专家的AHP调查导出指标权重,集成到GIS空间分析中,以250 m网格绘制单个工业综合体——釜山明旨诺山国家工业综合体(Noksan研究区)——内部的火灾伤亡脆弱性图。第二阶段,将相同指标的评分关联至釜山全部41个工业综合体的观测工厂火灾记录,开发以伤亡发生为因变量的机器学习二分类模型,并将基于SHAP的特征重要性与AHP全局权重在指标层面进行实证交叉比较。研究发现:Noksan研究区南中部形成局部高脆弱性区域,该区域危险设施邻近度集中,但记录的伤亡火灾并未明显集中于这些高脆弱性网格单元;XGBoost在伤亡识别上取得最高召回率(0.621),SHAP将老旧建筑占比和建筑密度列为最具影响力的两项特征;比较显示专家侧重点与数据驱动重要性存在分歧——消防车通达性在两种评估中均排名靠前,而老旧建筑占比和建筑密度在专家评估中排名低于SHAP分析,消防站响应时间和疏散设施可达性则相反。

三、关键技术方法

本研究采用的主要技术方法包括:其一,AHP多准则决策方法,通过62位来自大学(29人)、研究机构(26人)、工程公司(4人)和政府或公共机构(3人)的专家进行21对两两比较,采用1/3、1/2、1、2、3五个数值标度,以等权算术平均聚合个体权重(aggregation of individual priorities, AIP);其二,GIS空间分析与加权叠加,将七项空间指标在250 m网格上构建并应用AHP权重生成复合脆弱性图;其三,机器学习分类建模,对5417起釜山工业综合体工厂火灾(2019–2023年,来自釜山消防灾害本部火灾出动状态数据集和国家消防数据系统NFDS)训练支持向量机(SVM)、随机森林(RF)、XGBoost和CatBoost四个分类器,以伤亡发生为二分类因变量,采用五折分层交叉验证进行超参数调优;其四,SHAP可解释性分析,基于选定的XGBoost模型计算平均绝对SHAP值作为特征重要性度量,与AHP全局权重进行归一化比较。

四、研究结果

(1)AHP权重结果。 AHP调查于2024年10月1日至31日进行,62份有效问卷全部满足一致性比率CR≤0.1标准。在类别层面,脆弱性获得更大权重(0.5758)而缓解为0.4242,差异主要反映两类指标数量不同。在单项指标中,消防车通达性排名第一(全局权重0.1645),消防站响应时间排名第二(0.1558),两项最高权重指标均涉及到达火灾现场和初期响应。危险设施邻近度排名第三(0.1443),在脆弱性指标中仅次于消防车通达性。相比之下,老旧建筑占比(第五,0.1336)和建筑密度(第六,0.1335)权重较低,消防供水覆盖率排名最后(第七,0.1315)。值得注意的是,各经验组间的权重排名并不一致,3至<5年组和≥10年组中消防车通达性均值最高,而5至<10年组中危险设施邻近度均值最高。
(2)Noksan空间脆弱性制图结果。 指标层面地图显示:建筑密度在西部和中部为中高值,东部和东南部较低;由于研究区内尚无建筑达到30年使用年限,老旧建筑指标以批准使用以来年数替代,在中央和东北部相对较高;消防车通达性脆弱性在西部及北中部、东北部零散单元最高;危险设施邻近度集中在南中部。缓解指标方面,消防站响应时间脆弱性在西部较高而东部和东南部较低;消防供水覆盖缺口零散分布;疏散设施可达性缺口在大部分单元较低。最终复合脆弱性图显示,南中部形成高脆弱性单元簇,该区域危险设施邻近度与较长消防站响应时间和建筑相关脆弱性叠加;西部和北中部为中高值,东部和东南部为低值。记录的伤亡火灾与高脆弱性区域仅部分重叠,未明显集中于最高脆弱性单元,该比较为描述性,不构成对地图预测精度的检验。
(3)机器学习特征重要性结果。 最终样本为5417起事件,其中1781起(32.9%)涉及伤亡。CatBoost取得最高测试AUC(0.781)、准确率(0.766)和精确率(0.777),随机森林F1最高(0.591)。在0.5决策阈值下,XGBoost取得最高伤亡召回率(0.621),超过随机森林(0.567)、CatBoost(0.402)和SVM(0.351)。基于召回率优先标准,XGBoost被选作SHAP分析模型。SHAP结果显示,老旧建筑占比(0.246)和建筑密度(0.233)为最具影响力的两项特征,合计约占七项指标总重要性的49%;消防车通达性(0.151)、消防供水覆盖缺口(0.133)和消防站响应时间脆弱性(0.132)构成中间层级;疏散设施可达性缺口(0.063)和危险设施邻近度(0.023)重要性较低。分布图显示,较高的老旧建筑占比和建筑密度脆弱性得分倾向于将SHAP值推向正方向,较高的消防车通达性脆弱性和疏散设施可达性缺口也一般产生正向贡献;消防站响应时间的贡献方向混合,呈非线性关系;供水覆盖缺口为二值变量,覆盖范围外的事件多数获得负向贡献,更可能反映低密度外围区域人员暴露较少的混杂效应而非缺水的保护作用。
(4)AHP与SHAP比较结果。 Spearman秩相关系数为?0.32(n=7,p=0.48),仅作描述性报告。消防车通达性在AHP中排名第一、SHAP中排名第三,在两种分析中均位居前列,是同时获得专家判断和观测数据支持的关键指标。相反,老旧建筑占比在AHP中排名第五但SHAP中排名第一,建筑密度在AHP中排名第六但SHAP中排名第二。消防站响应时间在AHP中排名第二但SHAP中排名第五,疏散设施可达性在AHP中排名第四但SHAP中排名第六,危险设施邻近度在AHP中排名第三但SHAP中排名第七。这些排名差异描述专家判断与拟合模型对指标的相对侧重差异,但并未证明专家低估或高估了特定风险因素,因为特征编码和数据分布的影响未单独评估。

五、讨论与结论

讨论部分指出,AHP–GIS结果识别出Noksan研究区南中部的局部高脆弱性区域,该区域危险设施邻近度集中;西部较长的消防站响应时间和零散的消防栓覆盖缺口可能延误关键响应窗口内的初期灭火。专家判断与实证证据的分歧可从两个角度理解:专家基于灭火救援经验,倾向于以响应瓶颈(如现场通达受阻和远程调度)来概念化风险;而伤亡记录反映从点火到伤亡的完整路径,其中建筑老化、可燃构造和密集布局等物理条件可塑造后果严重程度。此外,AHP权重与SHAP重要性的差异可能反映专家判断与拟合模型所捕获信息的不同,以及指标表征和观测数据分布的影响。
政策含义方面:AHP–GIS脆弱性图将专家判断转化为政策制定者可解读的空间优先级图,南中部高脆弱性区域适合采取空间隔离和风险缓解干预(如管理危险设施选址、拓宽通达道路、审查建筑布局标准);西部缓解相关脆弱性需要基础设施改善(增设消防栓、缩短响应时间);消防车通达性因在AHP和SHAP中均排名靠前,是优先级检查最可辩护的依据。相比之下,建筑密度和老旧建筑占比的高SHAP排名不应单独用于Noksan单元的优先级排序,因其估计基于釜山工业综合体全域的火灾事件,且可能部分反映工人集中度和工业活动而非单纯的物理脆弱性。AHP–SHAP比较为随着事故数据积累而重新审视专家评估框架提供了基础。
研究存在四项局限性:第一,脆弱性图仅针对单一站点开发,无法直接推广至其他工业综合体,且未针对观测结果进行验证;老旧建筑指标在两个阶段不完全一致。第二,机器学习结果依赖数据和模型,事件级划分不能确保训练集与测试集的空间独立性,未进行空间结构化交叉验证,报告的性能可能偏乐观,SHAP排名的稳定性未经验证。第三,未纳入暴露变量(如工业总楼面面积、班次工人数、昼夜指标),建筑密度等空间指标可能部分反映工人集中度,其SHAP重要性无法区分物理脆弱性与人员暴露。第四,SHAP重要性是基于关联的预测贡献度量,不支持因果解释;AHP权重固有地依赖专家小组的认知,该小组以早期职业专业人士为主;指标构建阈值未进行敏感性分析。
结论部分总结:本研究提出并应用了一个两阶段评估框架,将基于专家的AHP–GIS空间分析与观测火灾数据的机器学习特征重要性分析相结合。三项主要发现为:第一,Noksan研究区南中部形成局部高脆弱性区域,危险设施邻近度集中,西部响应时间较长和零散消防栓缺口为额外弱点;第二,XGBoost取得最高伤亡召回率(0.621),SHAP将老旧建筑占比和建筑密度列为最具影响力的特征;第三,比较显示相对侧重的差异——消防车通达性在专家判断和观测数据中均排名靠前,而老旧建筑占比和建筑密度在专家评估中排名低于SHAP分析。本研究的三项贡献为:将空间分析单元限定在单个工业综合体内部,以250 m网格量化细粒度空间脆弱性;将关注结果从火灾发生本身转向给定火灾后的伤亡可能性,为伤亡削减措施的空间优先级排序提供基础;在共同指标系统内比较基于专家的前瞻性评估与数据驱动的特征重要性,为重新审视指标权重提供探索性基础。该框架为减少工业综合体火灾伤亡的循证政策以及定期结合专家判断与累积事故数据的适应性风险评估系统提供了起点。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号